Managementul Riscului PDF

NICOLAE BÂRSAN-PIPU ION POPESCU
MANAGEMENTUL RISCULUI
CONCEPTE y METODE y APLICAŢII
Editura Universităţii „Transilvania” din Braşov

2003
© 2003 EDITURA UNIVERISTĂŢII TRANSILVANIA BRAŞOV
Adresa: 2200 Braşov

B-dul Eroilor, Nr. 9
Tel/fax: 0268 – 47 53 48
E-mail: repa@unitbv.ro
Tipărit la:
Tipografia Universităţii „Transilvania” din Braşov
B-dul Eroilor, Nr. 9
Tel/fax: 0268 – 47 53 48
TOATE DREPTURILE REZERVATE
Recenzenţi ştiinţifici: Prof. univ. dr. Gabriel V. ORMAN

Prof. univ. dr. Ionel MARTINESCU
Tehnoredactare: Autorii
Coperta: Claudiu BÂRSAN-PIPU
Descrierea CIP a Bibliotecii Naţionale a României

BÂRSAN-PIPU, NICOLAE.
Managementul riscului. Concepte – Metode – Aplicaţii / Nicolae Bârsan-Pipu, Ion
Popescu – Braşov: Editura Universităţii „Transilvania”, 2003
214p.; 24 cm
ISBN 973 – 635 – 180 – 7
I. Popescu, Ion
PREFAŢĂ
Dezvoltarea ştiinţei managementului din ultimul deceniu a focalizat preocupările

pentru eficacitatea şi optimizarea activităţilor de conducere în domeniul analizei şi
evaluării riscului, risc ce este inerent fiecărei activităţi economice, sociale sau politice.
Acest demers implică însă o concepţie şi o abordare multidisciplinară, în care
sunt utilizate cunoştinţe din cele mai diferite domenii de activitate. Astfel, economiştii
şi inginerii definesc modelele deterministe ale fenomenelor economice sau industriale,
matematicienii şi statisticienii construiesc modelele probabiliste ale acestor fenomene,
iar informaticienii dezvoltă programele de simulare şi de prelucrare a datelor ale
acestor modele. Managementul riscului devine astfel, din ce în ce mai mult, un
domeniu distinct şi bine conturat al managementului modern, o componentă esenţială
şi indispensabilă a fiecărui proiect tehnic, economic sau de altă natură.
Desigur, complexitatea problemelor legate de tratarea riscurilor este deosebit de
ridicată, prin faptul că este necesară o bună cunoaştere a fenomenelor analizate şi a
activităţilor desfăşurate, dar şi o bază de cunoştinţe din domeniul managementului în
general, al metodelor şi tehnicilor matematice şi statistice, în special.
Nu ne-am propus în cadrul limitat al acestei lucrări să epuizăm toate aspectele
legate de problematica riscului, deoarece fiecare din domeniile abordate poate
constitui în sine subiectul unei lucrări. Ne referim aici, de exemplu, la managementul
riscului financiar, care îmbracă foarte multe aspecte, de la riscul investiţional, la riscul
în asigurări şi până la aspecte mai complexe, cum ar fi riscul de ţară, un binecunoscut
indicator economic internaţional. Nu am abordat, aspectele politice sau militare ale
riscului, pentru că acestea, la rândul lor, prezintă elemente de specificitate, pe care nu
le-am tratat. Am încercat totuşi să sintetizăm principalele concepte, metode şi aplicaţii,
care să permită specialiştilor sau studenţilor să introducă în proiectele şi activităţile pe
care le conduc sau le realizează elemente de managementul riscului, menite să le
îmbunătăţească performanţele
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.
Braşov, martie 2003
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
1.1 CE ESTE RISCUL?
În orice domeniu al activităţii economice, sociale sau politice, se pune problema

riscului ce poate să apară, având consecinţe ce nu pot fi întotdeauna prevăzute sau
anticipate din punct de vedere al consecinţelor.
Problematica asociată riscului în societatea contemporană este o rezultantă a
faptului că trăim de fapt într-o civilizaţie a riscului. Până la urmă, istoria omenirii este
o istorie a riscului, dar poate în ultimele decenii am devenit mai conştienţi şi am
început să privim dintr-o perspectivă ştiinţifică aspectele riscurilor.
Evaluarea şi modelarea riscului este o activitate complexă, ce presupune abordări
multidisciplinare din diferite ramuri ale ştiinţei, respectiv cunoştinţe din domeniile
economic, tehnologic, sociologic sau politic. Rezultatele evaluării riscului influenţează
decisiv deciziile şi succesul strategiilor adoptate la nivel macro şi microeconomic.
Să vedem însă cum este definit riscul în dicţionarele româneşti şi străine. În sens
general, conform Dicţionarului Explicativ al Limbii Române (DEX), riscul reprezintă
„posibilitatea de a ajunge într-o primejdie, de a acea de înfruntat un necaz sau de
suportat o pagubă; pericol posibil”. După cum se observă, această definiţie pune
accentul pe situaţia „posibilă” de primejdie sau pericol pe care o poate genera apariţia
riscului, dar şi pe o latură să-i zicem „economică”, legată de o posibilă pagubă care
poate fi suferită.
Termenul „a risca” are şi el mai multe sensuri, respectiv:
• a(şi) pune în primejdie viaţa, onoarea;
• a (se) expune unui pericol posibil;
• a participa la o acţiune nesigură, a acţiona la noroc;
• a cuteza, a îndrăzni, a se încumeta.
De asemenea, termenul „riscant”, cu referire la situaţii sau acţiuni, are sensul de
„plin de riscuri, expus la primejdii, nesigur”.
1
2 CAPITOLUL 1 – INTRODUCERE
O definiţie mai amplă găsim în Micul Dicţionar Enciclopedic (MDE), în care în

afara sensului de „pericol”, apare şi nuanţa de „inconvenient posibil”, dar sunt
menţionate şi definiţiile pentru „riscul contractual”, „riscul lucrului” şi „riscul
asigurat”.
Într-o lucrare monumentală cum este Webster’s Unabridged Dictionary of
English Language (2002) există două sensuri pentru noţiunea de risc:
(1) „Expunerea la şansa de rănire sau de pierdere; un hazard sau o şansă
periculoasă;
(2) În asigurări:
a. hazardul sau şansa de a pierde;
b. gradul de probabilitate al unei astfel de pierderi”.
Iată cum definiţia anglo-saxonă a riscului introduce de fapt noţiunea de
probabilitate care – după cum vom vedea în cursul acestei lucrări – joacă un rol extrem
de important în abordarea ştiinţifică a problematicii riscului.
Deosebit de interesant este şi faptul că imediat după noţiunea de risc, dicţionarul
menţionat defineşte şi noţiunile de managementul riscului şi pe cea de manager de
risc. Managementul riscului este definit ca fiind „tehnica de evaluare, minimizare şi
prevenire a pierderilor accidentale într-o afacere, prin asigurări, măsuri de siguranţă
ş.a.”.
Definiţiile asociate noţiunii de risc au nuanţe diferite de la o disciplină ştiinţifică
la alta şi, uneori, chiar în interiorul acestui domeniu. Cu toate aceste diferenţieri,
majoritatea definiţiilor conţin două elemente comune şi anume incertitudinea şi
pierderea.
Riscul este un eveniment incert, dar posibil, originea lui aflându-se în
incertitudine. El apare în activităţile economice, sociale, politice şi, respectiv, în
raporturile dintre oameni sau în raporturile dintre om şi natură. Riscul implică ideea de
pierdere potenţială (de orice tip), pierdere provocată de evoluţia unor factori –
denumiţi factori de risc – în sens contrar aşteptărilor. Spre deosebire de incertitudine,
riscul se caracterizează prin posibilitatea de a fi cuantificat prin legi de probabilitate.
Riscul şi incertitudinea se întâlnesc combinate în diferite proporţii, în realitate
incertitudinea fiind inerentă tuturor fenomenelor, ea neputând fi eliminată.
Am evidenţiat aceste definiţii deoarece în ultimii ani, îndeosebi după anul 1990,
problemele de managementul riscului au cunoscut o largă dezvoltare, în contextul
general al ştiinţei managementului. În zilele noastre, nu există nici un domeniu de
management în care riscului să nu i se acorde importanţa specifică.
1.1 CE ESTE RISCUL? 3
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.
După ce principalele fundamente teoretice aplicate în managementul riscului au

fost definite, cel de al patrulea capitol al lucrării tratează managementul riscului în
calitate şi fiabilitate. Mai întâi, conceptele de teoria deciziei şi algoritmul de rezolvare
a problemei de decizie propus este aplicat pentru rezolvarea unei probleme de decizie
în calitate. Apoi este discutată abordarea Taguchi privind funcţia de pierdere şi riscul
asociat în domeniul calităţii. Riscul în teoria fiabilităţii este analizat prin prisma unui
model general al riscurilor concurente. Capitolul se încheie cu abordarea riscului în
tehnicile de analiză a modului de defectare şi a efectelor, respectiv riscul în tehnicile
FMEA.
Capitolul cinci al acestei lucrări se ocupă de managementul riscului în proiecte.
Ştiinţa managementului proiectelor este de o importanţă crucială în managementul
modern. În cadrul riguros al tehnicilor de management al proiectelor, riscul este
abordat ca proces, fiind detaliate întrările în procesul de management al riscului,
tehnicile şi metodele de tratare a riscului, precum şi ieşirile din acest proces. În acest
context sunt aplicate metodele de teoria deciziei şi de simulare care au fost discutate
anterior. Cuantificarea riscului şi simularea riscurilor iniţiale şi reziduale constituie
instrumente de management fără de care nu poate fi condus nici un proiect.
Capitolul şase al lucrării este dedicat managementului riscului în proiectele de
realizare şi implementare a software-ului. Motivul principal în constituie dezvoltarea
fără precedent din ultimele două decenii a informaticii, pătrunderea ei în cele mai
diferite domenii de activitate, dar şi creşterea aproape exponenţială a complexităţii
sistemelor informatice. Numeroasele eşecuri înregistrate în acest domeniu, au impus
dezvoltarea unor tehnici specifice pentru managementul proiectelor de software,
integrate însă conceptelor generale de management al proiectelor. Riscurile în
realizarea, implementarea şi exploatarea sistemelor informatice integrate şi complexe
care există în prezent impun o abordare nouă, pentru a asigura eficacitatea acestora.
În fine, ultimul capitol al lucrării este alocat managementului riscului financiar.
Aici am insistat mai mult pe necesitatea modelării probabiliste a fenomenelor
economice şi financiare, deoarece domeniul este extrem de vast şi poate constitui el
însuşi subiectul unei lucrări în sine. Din acest motiv, nu au fost discutate decât două
modele de analiză a riscului, unul pentru analiza cost-volum-profit şi unul pentru riscul
investiţiilor de capital.
Vom explica în cele ce urmează principalele conexiuni între risc şi noţiunile
abordate în cadrul fiecărui capitol al acestei lucrări, pentru o orienta mai bine pe
cititorul interesat.
1.2 RISCUL ÎN TEORIA DECIZIEI 5
1.2 RISCUL ÎN TEORIA DECIZIEI
Abordarea problematicii riscului într-o manieră riguroasă implică şi rezolvarea

unor probleme de decizie care să conducă la minimizarea riscului şi a pierderilor de
orice natură asociate diferitelor decizii adoptate şi acţiunilor aplicate.
În activitatea de management din cele mai diverse domenii de activitate (cum ar
fi cele politice, economice, militare, tehnologice sau administrative) unul din
elementele de bază îl reprezintă rezolvarea problemelor de luare a deciziilor.
Importanţa deciziilor ce trebuie adoptate, dar şi complexitatea şi dificultatea alegerii
acestora, impun o abordare coerentă a problemelor de decizie. Teoria deciziei
reprezintă în esenţă atitudinea ştiinţifică faţă de procesul de adoptare a deciziilor.
Componentele de bază ale acestui proces pot fi analizate în mod sistematic pentru a
evidenţia legităţile acestui proces. Ignorarea sau încălcarea acestor legităţi rezultate din
analiza aspectelor concrete al problemelor de decizie poate genera adoptarea unor
decizii empirice, incorecte sau neadecvate. Teoria matematică a deciziei, ale cărei
principale noţiuni le vom prezenta în cadrul acestui capitol, se bazează pe conceptele
din teoria probabilităţilor şi din statistica matematică, completate de o disciplină mai
nouă, respectiv teoria utilităţii.
Pentru fiecare problemă de decizie se defineşte o funcţie de pierdere, care
cuantifică pierderea asociată fiecărei consecinţe a acţiunilor adoptate, pentru fiecare
stare a naturii. Pierderea este cel mai adesea exprimată în termeni monetari, dar pot fi
şi alte modalităţi de măsurare a pierderii. Pe baza funcţiei de pierdere, se poate
determina funcţia de risc, ca fiind valoarea medie sau valoarea aşteptată a pierderii,
definiţie ce implică utilizarea probabilităţilor.
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.
Problemelor şi noţiunilor de teoria deciziei le sunt alocate un capitol distinct
tocmai datorită faptului că trebuie să avem continuu în vedere şi formalizarea şi
definirea matematică a riscului.
1.3 SIMULAREA RISCULUI
În contextul problemei de management al riscului, aplicarea simulării Monte

Carlo se utilizează pentru evaluarea riscului asociat evenimentelor sistemului analizat,
în condiţii de incertitudine.
În general, tehnicile de simulare implică construirea unui model de natură
statistico – matematică. Un model de simulare descrie funcţionarea unui sistem în
termenii evenimentelor individuale ale componentelor sistemului analizat. În
particular, sistemul este descompus în elementele sale componente a căror comportare
poate fi descrisă în termenii unei distribuţii de probabilitate, pentru fiecare din stările
posibile ale sistemului şi pentru intrările în sistem. În model sunt integrate şi relaţiile
între elementele sistemului. După construcţia modelului, vom începe simularea prin
generarea variabilelor aleatoare care modelează evenimentele sistemului, folosind
distribuţiile de probabilitate corespunzătoare. Rezultatul este o simulare a modului de
funcţionare în timp a sistemului, pe care o înregistrăm. Procesul se repetă de mai multe
ori pentru diferite alternative şi configuraţii (scenarii) ale componentelor sistemului.
Din punct de vedere statistic, simularea este o tehnică de realizare a
experimentelor de eşantionare privind modelul sistemului. Experimentele se realizează
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.
1.4 RISCUL ÎN CALITATE ŞI FIABILITATE 7
1.4 RISCUL 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.
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.
1.5 RISCUL ÎN PROIECTE
Riscul poate fi definit ca fiind gradul de expunere la un eveniment care poate să

se întâmple în detrimentul sau în beneficiul unui proiect sau a unei activităţi. El poate
fi descris ca o combinaţie dintre probabilitatea ca riscul să apară şi consecinţele în
termenii pierderii sau câştigului ca urmare apariţiei riscului. Riscul este o componentă
inerentă a tuturor activităţilor unui proiect, indiferent dacă este vorba de o activitate
mai simplă sau de o activitate mai complexă. De aceea, dimensiunea şi/sau
complexitatea unei activităţi nu este întotdeauna o măsură adecvată a gradului de risc
potenţial asociat cu activitatea respectivă. Totuşi, dependenţa este directă, adică în cele
mai multe cazuri, activităţile complexe au asociate riscuri mai mari.
Managementul riscului este procesul sistematic de identificare, de analiză şi de
răspuns la riscul potenţial al unui proiect. Managementul riscului este deci o abordare
structurată şi formală, focalizată asupra paşilor necesari şi acţiunilor planificate pentru
a determina şi a controla riscurile, menţinându-le la un nivel acceptabil. Aplicat pentru
un proiect, managementul riscului reprezintă utilizarea continuă a principiilor de
management de risc pe durata de viaţă a proiectului. Scopul este de a maximiza
probabilitatea de succes a proiectului, prin creşterea şanselor de îmbunătăţire a
performanţelor proiectului şi, în acelaşi timp, diminuarea şanselor pentru evoluţii
neanticipate, cum ar fi întârzieri de program, depăşirea costurilor sau compromisuri
privind calitatea.
Managementul riscului proiectului este un proces continuu de planificare,
identificare, cuantificare, răspuns şi control al riscurilor, pentru a mări cât mai mult
potenţialul de succes al proiectului. Managementul riscului în cadrul unui proiect se
poate aplica costurilor, programului sau performanţelor tehnice (cum ar fi de exemplu
riscul asociat aplicării unei noi abordări constructive) sau performanţelor planificate
(de exemplu riscul asociat obţinerii şi utilizării resurselor care pot afecta proiectul).
Riscul proiectului este un eveniment incert sau o condiţie care, dacă apare, poate
s aibă un impact pozitiv sau negativ asupra obiectivului proiectului. Riscul are o cauză
şi, dacă apare, un impact. De exemplu, cauza poate fi obţinerea unei aprobări din
partea unui organism specializat ( cum ar fi autorizaţia de construcţie sau de mediu).
Evenimentul de risc poate fi poate fi faptul că obţinerea aprobării poate să dureze mai
mult decât a fost planificat iniţial, ceea ce poate să aibă impact asupra programului,
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.
1.6 RISCUL ÎN SOFTWARE 9
1.6 RISCUL ÎN SOFTWARE
Riscul poate fi definit, în general, ca fiind posibilitatea de a pierde. El este o

funcţie dată de probabilitatea unui eveniment advers care poate să apară, cât şi de
impactul acestuia. Acest impact poate fi o combinaţie de pierderi financiare, întârzieri
sau pierderea performanţei.
Riscul în software este dat de probabilitatea ca, la un anumit moment din ciclul
de viaţă al proiectului software, obiectivele planificate să nu fie atinse cu resursele
alocate.
De obicei, riscul nu poate fi eliminat din proiectele software, dar el poate fi tratat.
Managementul riscului este o activitate critică pentru succesul oricărui proiect
software, fiind o componentă strategică de realizare a acestuia.
Dezvoltarea fără precedent a sistemelor electronice şi a informaticii din ultimele
două decenii, a avut drept consecinţă creşterea complexităţii proiectelor de realizare şi
implementare a sistemelor de aplicaţii software. Proiectele de software au devenit o
necesitate, dar şi riscurile implicate de realizarea lor au crescut aproape exponenţial.
Literatura de specialitate este plină de exemple de proiecte de software care au eşuat,
au întârziat sau nu s-au mai realizat niciodată.
Managementul riscului în software face parte din practicile de inginerie a
software-ului şi constă din procesele, metodele şi tehnicile de management a
proiectelor software. El furnizează o abordare sistematică şi o atitudine pro-activă de
adoptare a deciziilor care să evalueze lucrurile care nu merg bine, să determine care
sunt riscurile care sunt importante şi să implementeze acţiunile necesare pentru
tratarea acestor riscuri.
Ca şi în alte domenii ale managementului – în general – şi al managementului
proiectelor – în special – şi în acest domeniu implicarea managementului de cel mai
înalt nivel al organizaţiei este esenţială pentru succes. Top-managementul trebuie să
susţină managementul riscului prin alocarea resurselor necesare, prin planificare şi
analize de management dedicate acestui scop.
Modelul global al procesului de management al riscului în software, se
integrează modelelor de management al proiectelor în general, fiind de fapt o adaptare
şi o particularizare pentru ciclul de viaţă şi specificitatea proiectelor de software.
Modelul identifică funcţiile fundamentale pentru managementul riscului ce trebuie
avute în vedere pentru un management eficace al riscului în proiectele de software.
1.7 RISCUL FINANCIAR
Operaţiunile financiare, prin natura diversităţii lor, implică aproape întotdeauna

un anumit grad de risc, generat de pierderea de natură materială (sau de altă natură) pe
care o pot înregistra una sau mai multe persoane juridice sau fizice implicate în
operaţiunea financiară respectivă.
În activităţile bancare, de exemplu, riscul poate să apară în operaţiunile de
creditare, fiind reprezentat de posibilitatea ca banca să nu îşi poată recupera creditele
acordate la termenele sau în condiţiile stipulate în contractele de creditare. De
asemenea, pentru un deponent al băncii, riscul poate fi asociat cu posibilitatea de a nu
beneficia – când şi cum doreşte – de resursele băneşti depuse la respectiva bancă. În
acest caz, riscul poate fi o altă rată a dobânzii faţă de cea prevăzută iniţial, o evoluţie
defavorabilă a valutei în care este contul de depozit sau chiar dificultăţi financiare ale
băncii. Situaţii asemănătoare de risc de natură financiară pot să apară şi în operaţiunile
de asigurări, de leasing, de bursă ş.a.
Din punct de vedere statistico-matematic, analiza riscului unei activităţi
financiare presupune evaluarea probabilităţii de a obţine anumite rezultate favorabile
(câştig) sau nefavorabile (pierdere), ţinând cont de evenimente viitoare incerte şi
probabile. Printre dificultăţile întâmpinate atunci când este evaluat riscul financiar se
pot menţiona lipsa informaţiilor sau gradul lor de disponibilitate pentru a determina
distribuţia de probabilitate a fenomenului economic analizat. De asemenea,
identificarea şi cuantificarea riscului financiar nu înseamnă şi eliminarea acestuia, dar
furnizează elementele necesare managementului riscului financiar.
Revenind la abordarea modelului riscului financiar, să menţionăm faptul că,
uneori, între risc şi incertitudine se face o anumită distincţie, legată de cantitatea de
informaţie disponibilă pentru fundamentarea deciziilor financiare. Riscul este utilizat
în situaţiile în care sunt posibile mai multe rezultate şi despre care există o experienţă
anterioară relevantă pentru a defini un model statistic, care să permită o predicţie
asupra rezultatelor posibile. Incertitudinea există în situaţiile în care sunt posibile mai
multe rezultate, dar nu se dispune de informaţie suficientă pentru modelul statistic de
decizie. Până la urmă, această distincţie între risc şi incertitudine nu este atât de
relevantă, mai important fiind faptul că, faţă de un model determinist, utilizăm un
model probabilist, în care riscul şi incertitudinea sunt modelate prin variabile
aleatoare. problemele de teoria deciziei se reduc în final la evaluarea unei funcţii de
pierdere, riscul având, în cele mai multe situaţii, o exprimare de natură financiară.
2
NOŢIUNI DE TEORIA DECIZIEI
2.1 DEFINIREA PROBLEMEI DE DECIZIE

2.1.1 Contextul problemei de decizie
În activitatea de management din cele mai diverse domenii de activitate (cum ar

fi cele politice, economice, militare, tehnologice sau administrative) unul din
elementele de bază îl reprezintă rezolvarea problemelor de luare a deciziilor.
Importanţa deciziilor ce trebuie adoptate, dar şi complexitatea şi dificultatea alegerii
acestora, impun o abordare coerentă a problemelor de decizie. Teoria deciziei
reprezintă în esenţă atitudinea ştiinţifică faţă de procesul de adoptare a deciziilor.
Componentele de bază ale acestui proces pot fi analizate în mod sistematic pentru a
evidenţia legităţile acestui proces. Ignorarea sau încălcarea acestor legităţi rezultate din
analiza aspectelor concrete al problemelor de decizie poate genera adoptarea unor
decizii empirice, incorecte sau neadecvate. Teoria matematică a deciziei, ale cărei
principale noţiuni le vom prezenta în cadrul acestui capitol, se bazează pe conceptele
din teoria probabilităţilor şi din statistica matematică, completate de o disciplină mai
nouă, respectiv teoria utilităţii. Abordarea problematicii riscului într-o manieră
riguroasă implică şi rezolvarea unor probleme de decizie care să conducă la
minimizarea riscului şi a pierderilor de orice natură asociate diferitelor decizii adoptate
şi acţiunilor aplicate.
Într-o problemă de decizie, un decident individual (de obicei un manager) sau
colectiv (un comitet sau un board de conducere) trebuie să aleagă din mai multe
alternative, în funcţie de anumite criterii sau reguli de decizie, astfel încât decizia
aleasă să fie – din anumite puncte de vedere – „cea mai bună”. Alternativele pe care le
are decidentul sunt constituite dintr-un spaţiu de acţiune, care conţine toate acţiunile
posibile pe care decidentul le are la dispoziţie. În general, în majoritatea problemelor
de decizie, spaţiul de acţiune este o mulţime finită, dar există şi probleme de decizie cu
spaţiul de acţiune infinit. Un alt element care defineşte o problemă de decizie îl
constituie spaţiul de parametri, sau spaţiul stărilor naturii, care reprezintă starea
11
12 CAPITOLUL 2 – NOŢIUNI DE TEORIA DECIZIEI
adevărată a lumii reale. Consecinţele fiecărei acţiuni depind de evenimente incerte,

reprezentate de starea naturii. Într-o problemă de decizie, decidentul poate să aibă, sau
nu, la dispoziţie informaţii privind incertitudinile ce caracterizează problema de
decizie. Aceste informaţii suplimentare rezultă de obicei pe baza efectuării unor
experimente, înţelegând prin aceasta sensul cel mai larg de definire a experimentelor
de natură statistică, respectiv, activităţile de culegere şi prelucrare a informaţiei
referitoare la un anumit fapt. Dacă decidentul nu foloseşte informaţii din experimente
pentru adoptarea deciziei, spunem că avem o problemă de decizie fără experimentare.
Dacă însă în procesul de adoptare a deciziei sunt utilizate informaţiile provenite din
experimente, spunem că avem o problemă de decizie cu experimentare. Informaţia
este de cele mai multe ori de natură statistică, furnizând modelul probabilistic ataşat
problemei de decizie. Informaţiile din experimente se referă la variabilele aleatoare
care definesc spaţiul de eşantionare al problemei de decizie.
Deciziile în care probabilitatea de apariţie a fiecărei stări a naturii este cunoscută
(sau poate fi estimată) sunt definite ca fiind decizii luate în condiţii de incertitudine sau
de risc. În asemenea situaţii, decidentul poate evalua gradul de risc în termenii unei
distribuţii de probabilitate. Astfel, probabilităţile în adoptarea deciziei pot fi văzute ca
un mijloc de a exprima convingerea decidentului asupra evenimentelor viitoare, care
sunt însă incerte. Probabilităţile care evaluează stările naturii sunt obiective şi
subiective. Probabilităţile obiective pot fi determinate pe baza datelor istorice sau ca
urmare a experimentelor şi trebuie să fie actuale, numărabile sau observabile.
Probabilităţile subiective măsoară gradul de convingere în verosimilitatea apariţiei
viitoare a unui anumit rezultat şi se utilizează atunci când probabilităţile obiective nu
sunt accesibile sau nu pot fi utilizate.
Pentru fiecare problemă de decizie se defineşte o funcţie de pierdere, care
cuantifică pierderea asociată fiecărei consecinţe a acţiunilor adoptate, pentru fiecare
stare a naturii. Pierderea este cel mai adesea exprimată în termeni monetari, dar pot fi
şi alte modalităţi de măsurare a pierderii. Pe baza funcţiei de pierdere, se poate
determina funcţia de risc, ca fiind valoarea medie sau valoarea aşteptată a pierderii,
definiţie ce implică utilizarea probabilităţilor.
Criteriile sau regulile de decizie se împart în două categorii. Este vorba despre
criteriul minimax şi despre criteriul Bayes. Criteriul minimax se aplică mai ales
deciziilor fără experimentare, în care se evaluează pierderile maxime datorate
acţiunilor adoptate şi apoi se alege decizia care are o pierdere minimă. Acest criteriu
de decizie este unul conservator, pesimist, care ne asigură protecţia asupra unor variaţii
crescute ale riscului, respectiv minimizează riscul maxim.
Criteriul de decizie Bayes ia în considerare şi alte informaţii de care dispune
decidentul în legătură cu stările naturii care este posibil să apară. În aceste situaţii,
2.1 DEFINIREA PROBLEMEI DE DECIZIE 13
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
grafică clară a alternativelor şi a cronologiei evenimentelor problemei de decizie. Un

arbore de decizie este alcătuit din noduri şi din ramuri. Există două tipuri de noduri,
respectiv noduri de decizie (reprezentate printr-un pătrat) şi noduri de incertitudine
(reprezentate printr-un cerc). Ramurilor de incertitudine li se ataşează probabilităţi, în
funcţie de condiţionările pentru fiecare ramură a arborelui de decizie.
Cele două metode de rezolvare a problemei de decizie, cea analitică şi cea grafică
au fiecare avantaje şi cel mai bine se utilizează împreună pentru determinarea soluţiei
optimale a problemei de decizie.
2.1.2 Scurt istoric al teoriei 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
importante domenii aplicare a probabilităţilor. Statistica era la începuturile sale o

ştiinţă politică cu originile în Germania şi este destul de dificil de apreciat când
termenul a fost utilizat în sens matematic pur. De la primele sale obiective, de a
sistematiza informaţiile despre stare societăţii (deci o „matematică a statului”),
statistica şi-a dovedit în ultimele două secole aplicaţiile sale în toate domeniile
ştiinţifice şi sociale.
Ultimul secol a consemnat dezvoltările teoretice importante ale lui von Mises,
Keynes, de Finetti, Borel şi Kolmogorov, ultimul având o contribuţie remarcabilă în
axiomatizarea modernă a teoriei probabilităţilor. Evident că lista celor care şi-au adus
aportul la dezvoltarea teoriei probabilităţilor este departe de a fi completă şi conţine
numai o parte din marile nume în domeniu. Şi în statistica matematică pot fi
menţionate, cum ar fi cele aduse de Fisher, Pearson, Neymann etc. În ultimele decenii,
teoria probabilităţilor a fost integrată într-o disciplină mai generală şi anume în teoria
măsurii. Şi şcoala românească de teoria probabilităţilor şi statistică matematică are în
ultima jumătate de secol rezultate teoretice şi practice importante, datorate îndeosebi
academicienilor Octav Onicescu, Gheorghe Mihoc şi Marius Iosifescu. Teoria
probabilităţilor şi statistica matematică se studiază sistematic în toate facultăţile de
matematică din ţară.
Conceptele de teoria utilităţii au fost introduse iniţial de von Neumann şi
Morgerstern în lucrarea Theory of Games and Economic Behaviour (1947).
Contribuţia principală la construirea unei adevărate teorii a deciziei este adusă de
Abraham Wald prin lucrarea fundamentală Statistical Decision Functions (1950).
Wald abordează problemele fundamentale ale statisticii matematice ca fiind probleme
de decizie. Generalizând problemele de estimaţie şi de verificare a ipotezelor statistice,
Wald a formulat modelul general al problemei de decizie.
În anii ’60 – ‘70, contribuţii semnificative la dezvoltarea teoriei deciziei au adus
L. J. Savage, D. Luce, H. Raifa, K. Arrow şi alţii. Eforturile s-au concentrat pe
rezolvarea unor probleme de decizie complexe ale societăţii contemporane, cu o mare
cantitate de informaţie, pe care numai calculatoarele electronice – care au cunoscut şi
ele o dezvoltare explozivă în această perioadă – o pot prelucra pe baza algoritmilor şi a
modelelor dezvoltate în teoria deciziei.
În literatura de specialitate din ţara noastră, direcţiile de cercetare în domeniul
teoriei deciziei s-au concentrat asupra abordării probabiliste şi statistice datorată
profesorilor M. Maliţa şi C. Zidăroiu (abordare de tipul celei prezentate în cadrul
acestui capitol), dar şi aspecte de decizie din teoria jocurilor (abordare pe care nu o
vom discuta aici). Nu vom discuta, de asemenea, în cadrul acestui capitol, nici
procesele de decizie stocastice care implică utilizarea lanţurilor Markov şi care
necesită un aparat probabilistic mai avansat.
2.2 MODELUL MATEMATIC AL PROBLEMEI DE DECIZIE

2.2.1 Elementele generale ale modelului
Elementele de bază ale modelului general al unei probleme de decizie pot fi

formalizate matematic astfel:
• Definim o mulţime A, denumită spaţiu de acţiune, alcătuită din toate acţiunile
posibile a ∈ Α de care dispune decidentul;
• Definim o mulţime Θ , denumită spaţiu de parametri, alcătuită din toate “stările
naturii” posibile θ ∈Θ . O singură stare a naturii şi numai una va apărea, dar
starea “adevărată” nu este cunoscută de decident în momentul în care el alege o
acţiune;
• Definim o funcţie L, denumită funcţie de pierdere, cu domeniul Θ × Α şi cu
valori în mulţimea R (mulţimea numerelor reale). L este constituită din perechile
ordonate (θ , a ), θ ∈Θ , a ∈ Α , denumite consecinţe (ale alegerii acţiunii a, atunci
când starea adevărată a naturii este θ );
• Considerăm variabila aleatoare X, care are valorile posibile x ∈ X , denumit
spaţiu de eşantionare. Variabila aleatoare X are funcţia de densitate de
probabilitate în familia { f ( x θ ; θ ∈Θ )} ;
• Definim mulţimea D, denumită spaţiu de decizie, alcătuită din toate aplicaţiile d
din X în A.
Interpretarea modelului de mai sus este următoarea. În momentul în care
decidentul îşi alege acţiunea, el nu cunoaşte “adevărata” stare a naturii şi deci nu
cunoaşte consecinţa actuală a acţiunii sale (dacă el alege a ∈ A , atunci consecinţa
actuală (θ , a ) este necunoscută, deoarece starea θ ∈Θ este necunoscută). Decidentul
ştie totuşi “pierderea” care ar rezulta pentru fiecare din consecinţele posibile (θ , a ) ,
corespunzătoare cu alegerea acţiunii a ∈ A şi starea naturii θ ∈Θ . Desigur,
“pierderea” poate fi şi “câştig”, caz în care valoarea lui L(θ , a ) va fi negativă. Ca
alternativă la funcţia de pierdere, putem să lucrăm cu o funcţie de “câştig” sau o
funcţie de “utilitate”. Pentru a reduce incertitudinea asupra stării θ , decidentul culege
informaţie sub forma observării unei variabile aleatoare X, a cărui distribuţie de
probabilitate depinde de parametrul θ . Ştiind că X = x şi ştiind forma lui f ( x θ ) ,
decidentul poate extrage “informaţie” despre parametrul θ , care să îl ajute în alegerea
unei “strategii” generale, care defineşte, pentru fiecare X = x , alegerea acţiunii a.
Sintetizând modelul general al problemei de decizie, decidentul alege o acţiune
2.2 MODELUL MATEMATIC AL PROBLEMEI DE DECIZIE 17
a ∈ A , pe baza observaţiilor asupra valorilor variabilei aleatoare x ∈ X . Alegerea unei

“strategii” generale, care defineşte pentru fiecare X = x , alegerea lui a, este
echivalentă cu alegerea funcţiei de decizie d ∈ D . După ce a fost aleasă, funcţia de
decizie d specifică acţiunile care trebuie să fie aplicate pentru toate valorile posibile
X =x.
Teoria deciziei poate fi văzută ca fiind studiul selectării deciziei d din mulţimea
D. Aceasta implică două tipuri diferite de probleme. Prima, de natură “filosofică”, este
problema criteriului utilizat pentru compararea elementelor din D; a doua, de natură
“tehnică”, priveşte modul de determinare a unei decizii optime, pe baza criteriului ales.
O problemă de decizie poate fi văzută şi ca fiind un “joc împotriva naturii”.
Aceasta însemnă că “natura” alege un element θ ∈Θ şi apoi decidentul, fără a
cunoaşte starea θ aleasă de natură, alege, la rândul lui, un element a ∈ A . Rezultatul
acestor două alegeri este pierderea de către decident a cantităţii L(θ , a ) , pierdere care
poate fi măsurată într-o unitate de măsură adecvată (nu neapărat în bani). Posibilitatea
observării unei variabile aleatoare X, cu densitatea de probabilitate f ( x θ ) , furnizează
decidentului o informaţie limitată despre alegerea naturii. Alegerea funcţiei de decizie
poate fi văzută însă ca o “strategie de joc”.
Să notăm, de asemenea, că două din domeniile majore ale statisticii inferenţiale –
respectiv estimarea şi testarea ipotezelor – sunt ambele cazuri speciale ale modelului
general de decizie prezentat mai sus. Vom detalia aceste cazuri în cursul acestui
capitol.
2.2.2 Regulile de decizie minimax şi Bayes
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
punct de vedere matematic, problema nu este bine definită.

O metodă posibilă pentru alegerea unei funcţii de decizie d “cât mai bune”, în
termenii unei cantităţi care să poată fi calculată, este găsirea unei măsuri care să
evalueze “în medie ” strategia de decizie aleasă.
Fie funcţia R, definită pe Θ × D cu valori reale, definită prin
R(θ , d ) = ∫ L(θ , d ( x )) f ( x θ )dx (X continuă) (2.1)
X
şi
R(θ , d ) = ∑ L(θ , d ( x )) f ( x θ ) (X discretă). (2.2)
x∈X
Funcţia R se numeşte funcţia de risc a lui d, evaluată pentru θ .

Riscul R(θ , d ) măsoară deci valoarea medie a pierderii (sau valoarea aşteptată a
pierderii), utilizând funcţia de decizie d, dacă starea adevărată a naturii este θ şi în
raport cu distribuţia specificată f (x θ ) .
Notând operatorul pentru valoarea medie cu M X θ , putem scrie
R(θ , d ) = M X θ [L(θ , d ( x ))] . (2.3)
Operatorul M X θ poate fi aplicat pentru orice funcţie g ( x ,θ ) a cărei valoare
medie în raport cu X există, astfel încât
M X θ [g ( x , θ )] = ∫ g ( x , θ ) f ( x θ )dx . (2.4)
X
Putem utiliza de asemenea şi operatorul pentru varianţă V X θ , definit ca

{ }
V X θ [g ( x ,θ )] = M X θ [g ( x ,θ )]2 − M X θ [g ( x ,θ )] 2 . (2.5)
Exemplul 2.1 Să analizăm problema estimării parametrului θ , utilizând funcţia de

pierdere pătratică
L(θ , a ) = (θ − a ) 2 , (2.6)
şi un eşantion aleator X = ( X 1 , X 2 , K , X n ) dintr-o distribuţie normală cu media 0 şi
abaterea standard 1, N (0,1) . Considerăm următoarele reguli de decizie:
1
d1 ( X 1 , X 2 ,K , X n ) = (X1 + X 2 + K + X n ) = X , (2.7)
n
d 2 ( X 1 , X 2 , K , X n ) = mediana( X 1 , X 2 , K , X n ) , (2.8)
d 3 ( X 1 , X 2 ,K , X n ) ≡ 0 . (2.9)
Conform relaţiilor de mai sus, d1 este media eşantionului, d 2 este mediana
eşantionului, iar d 3 este o regulă de decizie care statuează că “se ignoră orice valoare a
eşantionului şi întotdeauna se estimează θ ca fiind 0”. Calculând funcţiile de risc
pentru aceste decizii obţinem
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
Figura 2.1 – Funcţiile de risc pentru deciziile d1, d2 şi d3
În condiţiile problemei noastre (distribuţie normală şi funcţie de pierdere

pătratică), se observă că mediana nu este un estimator acceptabil, având în vedere că
funcţia de risc a mediei are toate valorile mai mici decât ale medianei, pentru orice θ .
În acelaşi timp, media nu este în mod necesar un estimator mai bun decât d 3 , ţinând
cont că în vecinătatea lui 0, funcţia de risc a lui d 3 are valorile de risc cele mai mici.
Din acest exemplu observăm că funcţiile de risc în sine nu ne furnizează un criteriu de
alegere între d1 şi d 3 .
Exemplul următor ilustrează tocmai dificultatea alegerii regulilor de decizie.
Exemplul 2.2 Fie X = ( X 1 , X 2 , K , X n ) un eşantion aleator din distribuţia normală
N (θ , θ ) , cu θ > 0 , adică o distribuţie normală având media şi dispersia egale cu θ .
Vom estima parametrul θ utilizând aceeaşi funcţie de pierdere pătratică
L(θ , a ) = (θ − a ) 2 .
Considerăm funcţiile de decizie
1
d1 ( X 1 , X 2 ,K , X n ) = (X1 + X 2 + K + X n ) = X , (2.13)
n
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
Figura 2.2 – Funcţiile de risc pentru deciziile d1, şi d2
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.
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 )
pe care le asumăm pentru θ .

Am văzut că funcţia de risc R(θ , d ) exprimă pierderea medie pentru decizia d,
condiţionată de faptul că θ este adevărata stare a naturii. Considerând R(θ , d ) o
funcţie de θ , pentru d fixat, putem să calculăm valoarea sa medie în raport cu
distribuţia convingerii p(θ ) .
Definim riscul Bayes B(d ) pentru o funcţie de decizie d ca fiind
B(d ) = ∫ R(θ , d ) p(θ )dθ , ( θ continuă) (2.19)
Θ
sau
B(d ) = ∑ R(θ , d ) p(θ ) , ( θ discretă) (2.20)
θ ∈Θ
R(θ , d )
p1
p2
Figura 2.4 – Forme posibile ale distribuţiei convingerii
Este natural să căutăm acum o funcţie de decizie care minimizează pierderea

totală, adică
B(d ) = M θ M X θ [L(θ , d ( x ))] . (2.21)
d * este, prin definiţie, o funcţie de decizie Bayes dacă
B(d * ) = inf B(d ) . (2.22)
d∈D
Să remarcăm că, dată fiind o problemă de decizie, d * nu este unică deoarece ea

depinde de alegerea lui p(θ ) . Spunem că d * este o funcţie de decizie Bayes în raport
cu p(θ ) .
Exemplul următor ilustrează abordările minimax şi Bayes.
Exemplul 2.3 Pentru problema de decizie din Exemplul 2.1 avem
1
sup R(θ , d1 ) = , (2.23)
θ n
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).
2.2.3 Decizii admisibile
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
Fiind dată o funcţie de decizie d ′ ∈ D , dacă există o altă funcţie d ′′ ∈ D care

satisface proprietăţile
R (θ , d ′′) ≤ R (θ , d ′) pentru orice valori θ ∈Θ , (2.31)
şi
R(θ 0 , d ′′) < R(θ 0 , d ′) pentru anumite valori θ 0 ∈Θ , (2.32)
atunci decizia d ′ este dominată de decizia d ′′ sau d ′′ domină d ′ .
O funcţie de decizie care este dominată de o altă funcţie de decizie se numeşte
inadmisibilă. În caz contrar, decizia se numeşte admisibilă.
În Figura 2.5 considerând spaţiul de decizie D = {d1 , d 2 , d 3 , d 4 }, rezultă că d1 şi
d 2 sunt dominate de d 3 şi d 4 şi deci sunt inadmisibile, iar d 3 şi d 4 sunt admisibile
deoarece nici una nu o domină pe cealaltă. Utilitatea conceptului de admisibilitate este
naturală, deoarece ne permite eliminarea deciziilor inadmisibile şi concentrarea
eforturilor pentru alegerea deciziilor celor mai bune dintre cele admisibile.
2.2.4 Interpretarea geometrică
Pentru reprezentarea şi interpretarea geometrică a problemei de decizie, vom

considera cazul k = 2 pentru spaţiul de parametri k-dimensional Θ = (θ1 , θ 2 , K , θ k ) .
Fie o problemă de decizie cu spaţiul de acţiune A = {a1 , a 2 , a3 } , cu spaţiul parametrilor
Θ = (θ1 ,θ 2 ) şi cu funcţia de pierdere definită în Tabelul 2.1:

Tabelul 2.1 – Funcţia de pierdere
tabelară
a1 a2 a3
θ1 4 1 3
θ2 1 4 3
La prima vedere acţiunea a3 este preferabilă, deoarece dacă θ1 este adevărată,

atunci a3 este preferabilă lui a1 , iar dacă θ 2 este adevărată, atunci a3 este preferabilă
lui a2 .
Să considerăm acum o acţiune aleatoare corespunzătoare aruncării unei monede,
respectiv alegerea lui a1 dacă apare “capul” şi a lui a2 dacă apare “pajura”. Atunci,
pentru această acţiune aleatoare, dacă θ1 este adevărată, pierderea medie este dată de
1 1 1 1 5
L(θ1 , a1 ) + L(θ1 , a 2 ) = ⋅ 4 + ⋅ 1 = , (2.33)
2 2 2 2 2
şi dacă θ 2 este adevărată, de
1 1 1 1 5
L(θ 2 , a1 ) + L(θ 2 , a 2 ) = ⋅ 1 + ⋅ 4 = , (2.34)
2 2 2 2 2
5
Deoarece < 3 , în ambele cazuri acţiunea aleatoare este preferabilă lui a3 .
2
Exemplul de mai sus sugerează faptul că procedeul aleator se poate aplica şi
regulilor de decizie d ∈ D şi vom scrie
δ α = αd1 + (1 − α )d 2 , 0 ≤ α ≤ 1 , (2.35)
pentru a indica o decizie aleatoare care alege d1 cu probabilitatea α şi d 2 cu
probabilitatea 1 − α . Vom defini riscul pentru decizia aleatoare ca fiind
R(θ , δ α ) = αR(θ , d1 ) + (1 − α )R(θ , d 2 ) . (2.36)
Mai general, dacă α = (α 1 , α 2 , K , α m ) , cu α 1 + α 2 + K + α m = 1, α i ≥ 0 , putem
defini decizia aleatoare
δ α = α 1 d1 + α 2 d 2 + K + α m d m , (2.37)
ca fiind o combinaţie aleatoare a elementelor lui D. Corespunzător, riscul va fi
R(θ , δ α ) = α 1 R(θ , d1 ) + α 2 R(θ , d 2 ) + K + α m R(θ , d m ) . (2.38)
Considerând combinaţiile aleatoare ale tuturor elementelor lui D, obţinem
mulţimea tuturor regulilor de decizie aleatoare D * . Avem evident D ⊆ D * şi notăm
cu δ un element general al lui D * .
Definim mulţimea de risc S pentru cazul Θ = (θ1 ,θ 2 ,K ,θ k ) ca fiind
S = {( y1 , K , y k )∈ R k , astfel încât y j = R (θ j , δ ), j = 1, K , k pentru δ ∈ D * }. (2.39)
Spaţiul k-dimensional R k reprezintă mulţimea k-uplurilor ordonate ( y1 ,K , y k )

de numere reale. S este o submulţime a lui R k alcătuită din punctele ale căror
coordonate sunt componentele θ j ale riscului R (θ j , δ ), corespunzătoare deciziei
aleatoare δ . Să remarcăm faptul că S este o mulţime convexă, adică orice dreaptă
care uneşte două puncte din S nu iese în afara lui S . Această proprietate este ilustrată
şi în Figura 2.6, pentru k = 2 . Toate punctele de pe dreapta care uneşte punctele de risc
pentru d1 şi d 2 , corespund punctului de risc pentru combinaţia aleatoare a lui d1 şi
d 2 . Toate punctele cu această proprietate aparţin lui S şi S este convexă.
R (θ 2 , δ )
Punctul de risc
pentru d 2
Punctele de risc pentru

combinaţia aleatoare a Punctul de risc
deciziilor d 1 şi d 2 pentru d 1
R (θ 1 , δ )
Figura 2.6 – Forma generală convexă a mulţimii de risc S
Vom folosi această proprietate pentru a da o interpretare geometrică abordărilor

minimax şi Bayes.
Abordarea minimax. Pentru δ ∈ D * , cantitatea sup R(θ , δ ) devine, pentru
θ ∈Θ
mulţimea stărilor Θ = (θ1 , θ 2 , K , θ k ) , chiar max {y j }, unde y = ( y1 , K , y k ) este punctul

de risc corespunzător lui δ .
Abordarea minimax compară regulile de decizie în termenii max {y j }, astfel încât
toate regulile de decizie care conduc spre aceeaşi valoare sunt egale din punct de
vedere al criteriului minimax. În două dimensiuni, locul geometric al punctelor
( y1 , y 2 ) cu proprietatea max ( y1 , y 2 ) = const. (o anumită valoare specificată) are forma
unui “echer”. Deoarece abordarea minimax urmăreşte minimizarea valorii max {y j },
regula de decizie minimax este, din punct de vedere geometric, punctul (sau punctele)
în care echerul de 90° atinge marginea inferioară (limita inferioară de sud-vest, notată
S-E) a lui S . Această proprietate este ilustrată în Figura 2.7. Să notăm şi faptul că
regula minimax poate să nu fie unică, ea depinzând de forma lui S , care la rândul ei
depinde de problema de decizie.
R (θ 2 , δ )
Punctul de risc pentru

decizia minimax
R (θ 1 , δ )
Figura 2.7 – Interpretarea geometrică a abordării minimax
Abordarea Bayes. Pentru Θ = (θ1 , θ 2 , K , θ k ) să considerăm distribuţia iniţială (a

priori) a convingerii dată de p = ( p1 , p 2 , K , p k ) , astfel încât pi ≥ 0, i = 1, K , k şi
p1 + p 2 + K + p k = 1 . Riscul Bayes pentru regula de decizie aleatoare δ este dat de
B(δ ) = ∑ p j R (θ j , δ ) = ∑ p j y j .
k k
(2.40)
j =1 j =1
Acesta defineşte un hiperplan în spaţiul k-dimensional. Pentru simplificare, dacă

k = 2 , toate punctele y = ( y1 , y 2 ) care dau aceeaşi valoare de risc Bayes, aparţin unei
drepte de forma
p1 y1 + p 2 y 2 = const. (2.41)
Deoarece 0 ≤ p1 , p 2 ≤ 1 şi p1 + p 2 = 1 , această dreaptă va avea o orientare NV – SE.
Dar abordarea Bayes urmăreşte minimizarea p1 y1 + p 2 y 2 ; rezultă că regula de decizie
Bayes are punctul de risc în punctul în care dreapta p1 y1 + p 2 y 2 = inf B(δ ) este
tangentă la marginea inferioară a lui S , aşa cum se poate observa în Figura 2.8.
R (θ 2 , δ )
=y 2
Punctul de risc pentru p1 y1 + p 2 y 2 = inf B (δ )

decizia Bayes
R (θ 1 , δ )
=y 1
Figura 2.8 – Interpretarea geometrică a abordării Bayes
Exemplul 2.4 Presupunem că pentru o problemă de decizie cu spaţiul stărilor

Θ = {θ1 ,θ 2 } şi spaţiul de decizie D = {d1 , d 2 , d 3 , d 4 , d 5 }, funcţia de risc R (θ i , d j ) este
definită de valorile din Tabelul 2.2, după cum urmează:
Tabelul 2.2 – Funcţia de risc pentru Exemplul 2.4
d1 d2 d3 d4 d5
θ1 0 4 2 1 5
θ2 4 5 0 1 4
Cele 5 puncte de risc corespunzătoare elementelor lui D şi mulţimea S sunt

reprezentate în Figura 2.9. S este alcătuită din toate punctele de risc care pot fi
obţinute din combinarea aleatoare a celor 5 puncte de risc iniţiale.
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
Regulile de decizie admisibile corespund punctelor din S care nu au puncte

situate la S – E de ele; aceasta înseamnă că nu putem să găsim un δ care să reducă o
componentă de risc fără a o creşte pe cealaltă.
În cazul nostru, mulţimea regulilor admisibile corespunde punctelor situate între
d1 şi d 4 , cât şi d 4 şi d 3 . Cu alte cuvinte, ea este alcătuită din combinarea aleatoare a
d1 şi d 4 sau a d 4 şi d 3 .
Rezultă că regula minimax este d 4 , deoarece echerul de 90° intersectează S în
mod unic în punctul d 4 .
Regula Bayes depinde de alegerea perechii ( p1 , p 2 ) . Plecând de la verticală
( p1 = 1 ) şi variind valorile lui p1 până la orizontală ( p1 = 0 ), obţinem deciziile Bayes
din Tabelul 2.3.
Analizând rezultatele din tabelul menţionat, observăm că avem situaţii în care
regulile de decizie nu sunt unice.
Tabelul 2.3 – Regulile de decizie Bayes pentru Exemplul 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)
2.2.5 Câteva teoreme de bază
Rezultatele care urmează stabilesc relaţiile între conceptele de admisibilitate şi

regulile de decizie minimax şi Bayes. Să remarcăm mai întâi că este posibil să avem
două funcţii de decizie δ 1 , δ 2 ∈ D * astfel încât δ 1 ≠ δ 2 , dar R(θ , δ 1 ) = R(θ , δ 2 ) . În
acest caz spunem că δ 1 şi δ 2 sunt egale până la echivalenţă.
Teorema 2.1 Pentru o problemă de decizie cu Θ , A, L arbitrare şi X spaţiul de

eşantionare al variabilei aleatoare continue X, dacă o funcţie de decizie Bayes δ * cu
o distribuţie iniţială p(θ ) este unică până la echivalenţă, atunci δ * este admisibilă.
Demonstraţie. Presupunem că δ * este inadmisibilă. Atunci există δ ∈ D * astfel încât
R(θ , δ ) ≤ R(θ , δ * ) , pentru toate valorile θ ∈Θ , (2.42)
şi
R(θ 0 , δ ) < R(θ 0 , δ * ) , pentru valoarea θ 0 ∈Θ , (2.43)
Pentru cazul continuu şi densitatea de probabilitate p(θ ) rezultă
B(δ ) = ∫ R(θ , δ ) p(θ )dθ ≤ ∫ R(θ , δ * ) p(θ )dθ = B(δ * ) . (2.44)
Θ Θ
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.
Teorema 2.2 Dacă Θ = (θ1 , θ 2 , K , θ k ) şi δ * ∈ D * este decizia Bayes pentru

( p1 , p2 ,K , pk ) , unde p j > 0, j = 1, K , k , atunci δ * este admisibilă .
Demonstraţie. Să presupunem mai întâi că δ * nu este admisibilă. Atunci există

δ ∈ D * astfel încât:
R (θ j , δ ) ≤ R (θ j , δ * ) , pentru toate valorile j = 1, K , k , (2.45)

şi
R(θ i , δ ) < R(θ i , δ * ) , pentru valoarea i, (2.46)
(adică există δ care domină δ * ). Rezultă
B(δ ) = ∑ R (θ j , δ ) p j < ∑ R(θ j , δ ) p j = B(δ * ) ,

k k
(2.47)
j =1 j =1
inegalitatea strictă fiind datorată faptului că p j > 0 , pentru toate valorile lui j. Dar
B(δ * ) = inf B(δ ) , (2.48)
δ
deci avem o contradicţie şi rezultă că δ * este admisibilă ■

Pentru problemele cu Θ finită, clasa deciziilor admisibile este o submulţime a
clasei deciziilor Bayes, proprietate ilustrată de teorema următoare.
Teorema 2.3 Dacă Θ = (θ1 , θ 2 , K , θ k ) este finită şi δ * ∈ D * este admisibilă, atunci
există p = ( p1 , p 2 , K , p k ) , unde p j ≥ 0, ∀j şi ( p1 + p 2 + K + p k = 1) , astfel încât δ *
este o decizie Bayes în raport cu p.
Demonstraţie (cazul k = 2 ). Fie x punctul de risc corespunzător lui δ * şi fie Q x
mulţimea punctelor din planul situat la S – V de x. Fie Q x′ = Q x − {x} . Deoarece δ *
este admisibilă, nu există puncte ale lui S la S – V de x. Atunci S şi Q x′ sunt mulţimi
disjuncte, ele fiind şi convexe. O proprietate cunoscută (cea a hiperplanurilor de
separaţie) arată că există dreapta p1 y1 + p 2 y 2 = const. cu p1 , p 2 ≥ 0 şi p1 + p 2 = 1 .
Această dreaptă este tangentă la S şi δ * este o decizie Bayes în raport cu ( p1 , p 2 ) ■
Proprietatea din teorema de mai sus este ilustrată în Figura 2.10.
R (θ 2 , δ )
=y 2
Qx
p1 y1 + p 2 y 2 = const .
R (θ 1 , δ )
=y 1
Figura 2.10 Reprezentarea grafică a proprietăţii că o regulă admisibilă este Bayes

Teoremele anterioare ne-au prezentat o imagine a tipului de legătură care există

între deciziile admisibile şi deciziile Bayes.
Următoarele teoreme ne vor arăta conexiunile dintre deciziile admisibile şi
deciziile minimax.
Teorema 2.4 Dacă pentru o problemă de decizie dată δ * este unica decizie minimax,
atunci δ * este admisibilă .
Demonstraţie. Să presupunem că δ * nu este admisibilă. Atunci există δ ∈ D * astfel
încât
R(θ , δ ) ≤ R(θ , δ * ) , pentru toate valorile θ ∈Θ , (2.49)
şi
R(θ 0 , δ ) < R(θ 0 , δ * ) , pentru valoarea θ 0 ∈Θ . (2.50)
În continuare avem
sup R(θ , δ ) ≤ sup R(θ , δ * ) . (2.51)
θ ∈Θ θ ∈Θ
Inegalitatea strictă ar contrazice faptul că δ * este minimax; egalitatea ar

contrazice faptul că δ * este unică.
Rezultă că ipoteza iniţială a inadmisibilităţii este falsă şi teorema este
demonstrată ■
Teorema 2.5 Dacă pentru o problemă de decizie dată δ * este admisibilă şi
R(θ , δ * ) = const. pentru orice θ ∈Θ , atunci δ * este minimax.
Demonstraţie. Presupunem contrariul. Atunci există că δ ∈ D * astfel încât

sup R(θ , δ ) < sup R(θ , δ * ) . (2.52)
θ ∈Θ θ ∈Θ
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 .
Teorema 2.6 Funcţia Bayes de decizie δ * corespunzătoare convingerii iniţiale p(θ )

este determinată de δ * ( x ) = a * , unde a * minimizează
∫ L(θ , a ) p(θ x )dθ , (2.54)

Θ
şi
f ( x θ ) p(θ )
p(θ x ) = . (2.55)
∫ f ( x θ ) p(θ )dθ
Demonstraţie. Scriind expresia riscului Bayes rezultă

B(δ ) = ∫ R(θ , δ ) p(θ )dθ
Θ
, (2.56)
⎧ ⎫
= ∫ ⎨ ∫ L(θ , δ ( x )) f ( x θ )dx ⎬ p(θ )dθ
Θ ⎩X ⎭
de unde, schimbând ordinea de integrare, obţinem
⎧ ⎫
B(δ ) = ∫ ⎨ ∫ L(θ , δ ( x )) p (θ x )dθ ⎬ f ( x )dx , (2.57)
X ⎩Θ ⎭
ştiind că din definiţia funcţiei de densitate de probabilitate condiţionate avem
f ( x θ ) p(θ ) = p (θ x ) f ( x ) . (2.58)
Determinarea unei valori δ * care să minimizeze B(δ ) este echivalentă cu
minimizarea integralei din enunţul teoremei ■
Din teorema a cărei demonstraţie am schiţat-o mai sus, rezultă că determinarea
deciziilor Bayes se poate realiza în două etape: în prima, se determină probabilitatea
condiţionată p (θ x ) utilizând teorema lui Bayes; în a doua etapă, se minimizează
pierderea medie posterioară.
Modelul statistico-matematic al problemei de decizie analizat în această
secţiune a pus în evidenţă două stadii în utilizarea informaţiei statistice pentru decizie.
Primul stadiu este decizia fără experimentare, respectiv decizia în care decidentul nu
utilizează nici un fel de informaţii rezultate din efectuarea unor experimente statistice
asupra condiţiilor problemei sale. Abordarea minimax sau abordarea Bayes numai cu
probabilităţi iniţiale pentru distribuţia convingerii sunt exemple de decizie fără
experimentare. Al doilea stadiu îl reprezintă decizia cu experimentare, respectiv
decizia în care decidentul utilizează probabilităţi condiţionate posterioare pentru
modelul de decizie. Procedurile Bayes sunt exemple de decizie cu experimentare
Aceste două stadii de decizie fără sau cu informaţie rezultată din experimente
statistice legate de problema de decizie, evidenţiază legătura directă între teoria
deciziei şi statistică, elemente pe care le vom detalia în secţiunile următoare.
2.3 TEORIA DECIZIEI ŞI STATISTICA 33
2.3 TEORIA DECIZIEI ŞI STATISTICA

2.3.1 Estimarea
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
∫ L(θ ,δ ( x )) p(θ x )dθ . (2.59)

Θ
Următoarea teoremă stabileşte forma generală a estimării Bayes pentru diferite

forme ale funcţiei de pierdere L(θ , a ) .
Teorema 2.7 Dacă L(θ , a ) = (θ − a )2 denumită funcţia de pierdere pătratică,

estimarea Bayes este dată de media distribuţiei posterioare.
Demonstraţie. Trebuie să alegem a = δ ( x ) pentru a minimiza
∫ (θ − a ) p(θ x )dθ .
2
(2.60)
Θ
Diferenţiind în raport cu a şi egalând cu 0, obţinem

∫ θp(θ x )dθ
a= Θ
= ∫ θp(θ x )dθ , (2.61)
∫ p(θ x )dθ Θ
Θ
deoarece
∫ p(θ x )dθ = 1 ■ (2.62)
Θ
Teorema 2.8 Dacă L(θ , a ) = θ − a denumită funcţia de pierdere absolută, estimarea

Bayes este dată de mediana distribuţiei posterioare.
Demonstraţie. Considerăm cazul Θ = R . Trebuie să alegem a pentru a minimiza
pierderea medie posterioară
∞ a ∞
∫ θ − a p(θ x )dθ = ∫ (a − θ ) p(θ x )dθ + ∫ (θ − a ) p(θ x )dθ . (2.63)

−∞ −∞ a
Diferenţiind în raport cu a şi egalând cu 0 şi ţinând cont că

d a d ∞
( ) ( ) g ( x )dx = g ( a ) ,
da −∫∞ da ∫a
g x dx = − g a şi (2.64)
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 ■
2.3.2 Verificarea ipotezelor statistice
Să analizăm problema de decizie reprezentată de verificarea ipotezelor statistice. Dacă

H 0 : θ = θ 0 este ipoteza nulă şi H 1 : θ = θ1 este ipoteza alternativă, atunci spaţiul
parametrilor va avea două elemente Θ = {θ 0 ,θ1 }, iar spaţiul de acţiune va avea, de asemenea,
două elemente A = {a0 , a1 } , cu următoarea semnificaţie: a0 reprezintă respingerea ipotezei
H 1 , iar a1 reprezintă respingerea ipotezei H 0 .
Considerăm funcţia de pierdere definită de Tabelul 2.4 şi valorile variabilei aleatoare X,
cu densitatea f ( x θ ) .
Tabelul 2.4 Funcţia de
pierdere
θ1 θ2
a0 0 L01
a1 L10 0
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.
2.3.3 Lema Neyman - Pearson
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 α , adică probabilitatea de a respinge H 0 când de fapt H 0 este adevărată. Se

ştie că α este probabilitatea erorii de tipul I. De asemenea,
R(θ1 , δ ) = ∫ L(θ1 , δ ( x )) f (x θ1 )dx
X
, (2.72)
= ∫ {
f (x θ1 )dx = Prob X ∈ X 0 θ1
~
}
X0
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
Figura 2.11 – Mulţimea de risc pentru H0 faţă de H1

2.4 ATITUDINI FAŢĂ DE RISC ŞI TEORIA UTILITĂŢII

2.4.1 Aversiunea la risc
Vom analiza în continuare din punct de vedere matematic problema „asumării

riscului”. Aceasta înseamnă problema deciziei de a rămâne într-o stare neschimbată
(status quo) sau de a intra într-o situaţie de incertitudine, care poate să ducă la „câştig”
sau la „pierdere”.
Principalele exemple practice de asemenea probleme sunt cele din asigurări
(primele de asigurare conduc la câştig, dar plata despăgubirilor pentru accidente sau
dezastre poate conduce la pierdere); din agricultură (plata pentru recoltă poate duce la
câştig, dar seceta, bolile sau alte dezastre naturale pot duce la pierdere) sau de la
jocurile de noroc (o sumă iniţială este plătită de jucător şi rezultatul jocului poate fi
câştig sau pierdere, în funcţie de tipul de joc şi de regulile acestuia: curse, joc de cărţi,
joc de zaruri, ruletă ş.a.).
În Figura 2.12 este prezentată în mod schematic o problemă de decizie simplă,
care sintetizează elementele unei probleme de asumare a riscului. Este vorba de
problema unui joc de noroc, în care fără incertitudine implică menţinerea stării de
status quo (jucătorul nu joacă), iar cealaltă conduce la o situaţie de incertitudine prin
faptul că jucătorul participă la joc cu o sumă iniţială. Cu notaţiile anterioare, spaţiul de
acţiune A = {a1 , a2 } este alcătuit din acţiunile:
a1 : jucătorul nu joacă,
a 2 : jucătorul joacă,
spaţiul parametrilor Θ = {θ1 ,θ 2 ,θ 3 } este constituit din stările:
θ1 : status quo,
θ 2 : câştig,
θ 3 : pierdere,
iar consecinţele sunt:
(θ1 , a1 ) : suma jucătorului rămâne neschimbată,
(θ 2 , a2 ) : suma jucătorului creşte cu valoarea premiului,
(θ 3 , a2 ) : suma jucătorului descreşte cu suma jucată.
Să remarcăm faptul că, în anumite situaţii, chiar dacă se obţine câştig, acesta
poate fi mai mic decât suma jucată, dar nu vom considera acest caz în problema
noastră. Vom detalia această problemă din perspectiva abordării Bayes a luării
deciziilor. Pentru aceasta va trebui să specificăm mai întâi probabilităţile pentru
{θ1 ,θ 2 ,θ 3 } , fiind date a1 sau a2 şi apoi determinarea valorii consecinţelor.
2.6 APLICAŢII 37
Acţiuni Rezultate posibile Consecinţe

Nici o schimbare
Status quo
θ1
Nu joacă (θ1 , a1 )
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
Am definit anterior funcţia de pierdere L : Θ × A → R , atribuind valori

consecinţelor, astfel încât L(θ i , a j ) este pierderea pentru acţiunea aleasă a j , dacă
rezultatul ar fi θ i .
Introducem acum funcţia de utilitate U : Θ × A → R , în care U (θ i , a j ) este
„valoarea pozitivă” sau „utilitatea” obţinută pentru o consecinţă alcătuită din acţiunea
a j şi rezultatul θ i . Putem considera „utilitatea” ca o „pierdere negativă”. Într-o serie
de probleme de decizie o asemenea abordare este naturală, având în vedere că urmărim
maximizarea utilităţii printr-o decizie optimală.
Pentru problema de joc considerată anterior, să notăm cu C suma curentă de care
dispune jucătorul, cu S suma jucată şi cu P suma netă câştigată sau premiul câştigat. Să
presupunem, de asemenea că, dată fiind a1 , p (θ1 ) = 1 (ceea ce înseamnă că dacă
jucătorul nu joacă, în mod sigur nu va pierde şi va rămâne în status quo), iar dată fiind
1
a2 , atunci p(θ 2 ) = p(θ 3 ) = (respectiv dacă jucătorul joacă, probabilităţile de câştig
2
sau de pierdere le putem considera la fel de probabile).
În termeni monetari, consecinţele sunt
(θ1 , a1 ) = C , (θ 2 , a2 ) = C + P , (θ 3 , a2 ) = C − S , (2.74)
şi rezultă că utilităţile sunt determinate pentru orice valori C, P şi S, prin definirea unei
funcţii de utilitate U : X → R , unde X conţine toate consecinţele care pot apărea din
problema de joc.
Atunci utilităţile medii ale celor două acţiuni sunt date de relaţiile de mai jos, în
care am utilizat valorile probabilităţilor de câştig sau de pierdere definite anterior
pentru acţiunile a1 (jucătorul nu joacă) şi respectiv a2 (jucătorul joacă):
Acţiunea Utilitatea medie

a1 U (C )
a2 1 1
U (C + P ) + U (C − S )
2 2
Pentru a maximiza utilitatea medie, acţiunea optimală este definită de următoarea
schemă:
Joacă ( a2 ) dacă
Indiferent ⎧< ⎫
⎪ ⎪1 1
U (C )⎨= ⎬ U (C + P ) + U (C − S )
Nu joacă ( a1 ) ⎪> ⎪ 2 2
⎩ ⎭
Această schemă este ilustrată în Figura 2.13, în care am considerat S > 0, P > S .
Să considerăm acum cazul special P = S , respectiv în termeni monetari, un joc
echilibrat. Avem
1 1
C = (C + S ) + (C − S ) . (2.75)
2 2
Ne punem problema să vedem în ce circumstanţe decidentul va alege – sau nu –
acţiunea a2 (să joace). Observăm că a2 va fi aleasă dacă
U (C + S ) − U (C ) > U (C ) − U (C − S ) , (2.76)
iar a1 va fi aleasă dacă
U (C + S ) − U (C ) < U (C ) − U (C − S ) , (2.77)
egalitatea însemnând indiferenţa de a juca sau nu.
U (x )
U (C+P )
U (C ) pentru a 1
U (C )
U (C ) pentru a 2
U (C-S )
x
C-S C C+P
Figura 2.13 – Utilitatea medie pentru acţiunile a1 şi a2
Să considerăm acum forma continuă a funcţiei de utilitate, astfel încât pentru

orice valori ale lui C şi S, decidentul alege fie a1 , fie a2 , fie este indiferent, aşa cum
este reprezentată în Figura 2.14 (a), (b) şi (c).
2.6 APLICAŢII 39
Forma funcţiei de utilitate din Figura 2.14(a) reprezintă utilitatea marginală

descrescătoare, ceea ce înseamnă că la creşterea cu o cantitate fixă (a lui C, de
exemplu) produce o utilitate adiţională din ce în ce mai mică, dacă se adaugă la o sumă
iniţială din ce în ce mai mare (de exemplu de la C − S la C vom avea o utilitate
adiţională mai mare decât de la C la C + S ). O asemenea formă a funcţiei de utilitate
determină decidentul să aleagă întotdeauna C în loc de C + S sau C − S . Un decident
care are o asemenea funcţie de utilitate se spune că are aversiune la risc, adică starea
de status quo este preferată unei situaţii de incertitudine, al cărei rezultat aşteptat este
egal cu situaţia de status quo. Pentru ca un joc cu C + S sau C − S să fie preferat lui C
de un decident cu aversiune la risc, probabilitatea rezultatului pentru C + S trebuie să
fie mărită. Dacă notăm această probabilitate cu π , decidentul va prefera să joace dacă
U (C ) < πU (C + S ) + (1 − π )U (C − S ) , (2.78)
sau cu alte cuvinte dacă
π U (C ) − U (C − S )
> > 1. (2.79)
1− π U (C + S ) − U (C )
Inegalitatea de mai sus reflectă faptul că decidentul cu aversiune la risc va prefera un
raport superior în favoarea sa şi depăşirea creşterii raportului de utilitate.
Forma funcţiei de utilitate din Figura 2.14(b) reprezintă utilitatea marginală
crescătoare, ceea ce înseamnă că la creşterea cu o cantitate fixă (a lui S, de exemplu)
produce o utilitate adiţională din ce în ce mai mare, dacă se adaugă la o sumă iniţială
din ce în ce mai mare (de exemplu de la C la C + S produce o utilitate adiţională mai
mare decât de la C − S la C). O asemenea formă a funcţiei de utilitate determină
decidentul să aleagă întotdeauna să joace, în loc să rămână în C pentru siguranţă. Un
astfel de decident se spune că îşi asumă riscul. Se observă că decidentul care îşi asumă
riscul va juca dacă
U (C ) < πU (C + S ) + (1 − π )U (C − S ) , (2.80)
ceea ce implică numai
π U (C ) − U (C − S )
> , (2.81)
1− π U (C + S ) − U (C )
şi din Figura 2.14(b) se observă că membrul drept al inegalităţii este mai mic decât 1.
Aceasta implică existenţa valorilor π < 1 2 pentru care decidentul preferă să joace
decât să rămână în status quo. Situaţia descrisă în Figura 2.14(c) implică indiferenţa de
a juca sau nu. Să remarcăm faptul că pentru valori ale lui S suficient de mici în raport
cu C, curbele din Figura 2.14(a) şi (b) vor avea aproximativ forma din Figura 2.14(c),
respectiv curbele vor fi suficient de bine aproximate printr-o dreaptă. Aceasta explică
de ce un decident cu aversiune la risc preferă să nu joace dacă suma jucată (şi câştigul)
sunt suficient de mici.
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
Figura – 2.14 Forme ale funcţiei de utilitate:

(a) nu joacă; (b) joacă; (c) indiferent
2.4.2 Proprietăţile funcţiilor de utilitate
Vom detalia în continuare proprietăţile funcţiilor de utilitate prezentate anterior,

considerând, pentru exemplificare, cazul utilităţii marginale descrescătoare.
Presupunând continuitatea funcţiei de utilitate şi ţinând cont de relaţia
1 1
U (C ) > U (C + S ) + U (C − S ) , (2.82)
2 2
rezultă că există cantitatea π C ,0 < π C < S , astfel încât
2.6 APLICAŢII 41
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
Figura 2.15 Definiţia lui πC
Numărul π C poate fi interpretat ca o „primă de asigurare” pe care decidentul

trebuie să o plătească în scopul de evita schimbarea stării de status quo C pentru un joc
echilibrat între C − S şi C + S .
Să considerăm funcţia de utilitate marginală descrescătoare pentru orice joc care
implică deplasarea de la C la C + X , unde X este o variabilă aleatoare cu media 0 (în
cazurile anterioare am avut X = ± S cu probabilităţile egale cu 1 2 ). Prima de
asigurare este definită de ecuaţia
U (C − π C ) = M [U (C + X )] , (2.84)
unde valoarea medie M (⋅) este considerată în raport cu distribuţia de probabilitate a
lui X. Pentru a înţelege natura lui π C , care el însuşi furnizează o măsură a aversiunii la
risc, să presupunem că dispersia lui X, pe care o notăm σ 2 , este suficient de mică,
astfel încât tranzacţiile au loc într-o vecinătate a lui C (implicând de asemenea că la
rândul său π C este suficient de mic). Dacă dezvoltăm în serie Taylor ambii termeni ai
egalităţii (2.84) obţinem:
U (C − π C ) ≈ U (C ) − π CU ′(C ) , (2.85)
1 1
M [U (C + X )] ≈ M ⎡⎢U (C ) + XU ′(C ) + X 2U ′′(C )⎤⎥ ≈ U (C ) + σ 2U ′′(C ) , (2.86)
⎣ 2 ⎦ 2
unde în relaţia (2.85) am ignorat termenii în π C2 şi următorii, iar în relaţia (2.86)
termenii care conţin M [X 3 ] şi următorii. Egalând cele două expresii, obţinem:
1 ⎡ U ′′(C ) ⎤ 1 d
π C = σ 2 ⎢− ⎥ = σ 2 ⎡⎢ (− log U ′(C ))⎤⎥ . (2.87)
2 ⎣ U ′(C ) ⎦ 2 ⎣ dC ⎦
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
Figura 2.16 Funcţia de utilitate pentru k1 < k2 < k3
Forma de mai sus a funcţiei de utilitate ne arată că decidentul apare ca având o

aversiune la risc descrescătoare; într-adevăr, π C descreşte dacă C creşte.
2.4.3 Evaluarea funcţiilor de utilitate
Forma funcţiei de utilitate poate să fie diferită în funcţie de problema de decizie

şi de abordarea decidentului şi este nevoie de o metodă operaţională pentru a evalua
forma funcţiei de utilitate. Să presupunem că decidentul dispune de suma curentă C
(de exemplu în euro, €) şi urmăreşte să evalueze forma funcţiei de utilitate în intervalul
2.6 APLICAŢII 43
C până la C + 1000 , având următoarea problemă de decizie: Decidentul are un bilet de

loterie cu valoarea C, care îi permite să joace un joc care îi aduce un câştig de 1000€
sau 0 (dacă pierde). I se cere decidentului să stabilească o sumă S 2 cu care ar vinde
biletul. De asemenea, i se cere să stabilească o sumă S1 dacă loteria ar fi constat din
câştigul S 2 şi 0, respectiv S 3 dacă loteria ar fi cu un câştig de 1000 şi respectiv S 2 .
Stabilim o scală pentru funcţia de utilitate, respectiv U (C ) = 0 şi
U (C + 1000) = 100 . Pentru o abordare bayesiană şi funcţia de utilitate U (⋅) , obţinem
1 1
U (C + S 2 ) = U (C + 1000 ) + U (C )
2 2 . (2.90)
1 1
= ⋅100 + ⋅ 0 = 50
2 2
Rezultă că S 2 este suma pentru care C + S 2 are utilitatea 50 pe scala de utilitate.
În mod similar,
1 1
U (C + S1 ) = U (C + S 2 ) + U (C )
2 2 . (2.91)
1 1
= ⋅ 50 + ⋅ 0 = 25
2 2
şi
1 1
U (C + S 3 ) = U (C + 1000 ) + U (C + S 2 )
2 2
. (2.92)
1 1
= ⋅100 + ⋅ 50 = 75
2 2
Reprezentând grafic în Figura 2.17 valorile calculate pentru funcţia de utilitate,
rezultă o curbă care trece prin aceste puncte şi care ne sugerează o funcţie de utilitate
marginală descrescătoare.
U (x )
100
75
50
25
0 x
C C+S 1 C+S 2 C+S 3 C+ 1000
Figura 2.17 Evaluarea funcţiei de utilitate

2.5 DECIZII SECVENŢIALE

2.5.1 Concepte de bază
Să considerăm următoarea problemă de decizie cu două stadii. O acţiune iniţială

(1)
a este aplicată şi după aceea starea naturii (incertă) este θ (1) ; în continuare este
aplicată acţiunea a ( 2 ) , starea (incertă) fiind θ ( 2 ) şi rezultând consecinţa finală
(θ ( ) ,θ ( ) ; a ( ) , a ( ) ).
1 2 1 2
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 ) )
Figura 2.18 – Reprezentarea unei probleme de decizie cu două stadii
Într-o problemă de decizie secvenţială nu putem decide ce să facem în stadiul

iniţial până nu am analizat toate consecinţele posibile (θ (1) ,θ ( 2 ) ; a (1) , a ( 2 ) ) . Ne punem
întrebarea ce vom face în al doilea nod de decizie dacă iniţial am ales acţiunea a (1) şi
rezultatul a fost θ (1) . Arborele corespunzător este reprezentat în Figura 2.19.
( a (1) , θ (1) )
a (2)
U (θ (1) , θ ( 2 ) ; a (1) , a ( 2 ) )
Figura 2.19 – Reprezentarea unei probleme de decizie

ştiind că rezultatul a fost θ (1)
Pentru o anumită alegere a lui a ( 2 ) , distribuţia de probabilitate pentru un anumit

( )
rezultat incert θ ( 2 ) va avea forma p θ ( 2 ) a (1) ,θ (1) , a ( 2 ) , iar acţiunea optimală şi funcţia
de utilitate medie sunt definite de:
2.6 APLICAŢII 45
( )
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) )
Figura 2.20 – Decizia în primul stadiu (presupunând

o acţiune optimală în al doilea stadiu)
Dacă problema de decizie secvenţială este cu n stadii, se observă că structura

soluţiei rămâne aceeaşi. Începând din partea dreaptă a arborelui şi trecând succesiv
prin nodurile de decizie, vom repeta procesul de a considera utilitatea medie şi de a o
maximiza.
Procedura prezentată aici este dificil de implementat din două motive: primul,
procedura implică considerarea tuturor combinaţiilor de acţiuni care se pot aplica şi a
tuturor rezultatelor posibile; al doilea, distribuţiile de probabilitate ale rezultatelor sunt
probabilităţi condiţionate şi sunt, în general, greu de calculat. În cazul mulţimilor finite
de acţiuni şi de rezultate, problemele de decizie pot fi formulate şi rezolvate utilizând
metoda arborilor de decizie.
2.5.2 Arbori de decizie
Vom exemplifica metoda arborilor de decizie printr-o problemă de decizie

specifică. Presupunem că o companie producătoare doreşte să investească într-o linie
de fabricaţie a unui produs. Investiţia va fi profitabilă dacă cererea pieţei pentru
produsul respectiv va creşte, dar ea va produce pierderi dacă cererea pieţei va scădea.
Alternativele pe care le are compania sunt: să investească; să nu investească; să
achiziţioneze un studiu de cercetare de piaţă, care să-i furnizeze informaţii
suplimentare despre evoluţia cererii pentru produsul respectiv. Să presupunem că
studiul de piaţă va furniza o predicţie de tipul cererea în creştere sau cererea în
scădere, iar rezultatul final (starea naturii) va fi cererea actuală în creştere sau cererea
actuală în descreştere. Structura arborelui de decizie pentru această problemă de
investiţie este reprezentată în Figura 2.21.
Formalizarea problemei de decizie este următoarea:

a1 : Studiu de piaţă,
A = {a1 , a2 , a3 }, unde a2 : Investeşte,
a3 : Nu investeşte.
θ1 : Cererea creşte,
Θ = {θ1 ,θ 2 }, unde
θ 2 : Cererea descreşte.
x1 : Predicţie cererea creşte,
X = {x1 , x2 } , unde
x2 : Predicţie cererea descreşte.
Se ştie, de asemenea, că firma care realizează studiul de piaţă a înregistrat 80%
succese atunci când a prognozat creşterea cererii şi 70% succese atunci când a
prognozat scăderea cererii. Rezultă următoarele probabilităţi condiţionate
p (x1 θ1 ) = 0,8 , p (x 2 θ1 ) = 0 , 2 , (2.95)
p (x1 θ 2 ) = 0,3 , p (x2 θ 2 ) = 0,7 . (2.96)
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
Figura 2.21 Arborele de decizie pentru problema de investiţie
Să presupunem de asemenea că, fără a ţine cont de concluziile studiului de piaţă,

compania producătoare a făcut propriile evaluări ale evoluţiei cererii, stabilind că sunt
60% şanse ca cererea să crească şi deci avem probabilităţile
p(θ1 ) = 0,6 , p(θ 2 ) = 0,4 . (2.97)
2.6 APLICAŢII 47
Evaluarea directă a rezultatului incert în situaţia în care compania achiziţionează

studiul de piaţă este dată de probabilităţile
p( x1 ) = p(x1 θ1 )⋅ p(θ1 ) + p(x1 θ 2 )⋅ p(θ 2 )
, (2.98)
= 0,8 ⋅ 0,6 + 0,3 ⋅ 0,4 = 0,6
p( x2 ) = 1 − p( x1 ) = 1 − 0,6 = 0,4 . (2.99)
În continuare, pentru evaluarea convingerii despre θ1 şi θ 2 pe baza informaţiilor
din studiul de piaţă (decizie cu experimentare), folosim teorema lui Bayes şi obţinem
p (θ1 x1 ) = p(x1 θ1 )⋅ p(θ1 ) p( x1 )
, (2.100)
= (0,8 ⋅ 0,6) 0,6 = 0,8
p (θ 2 x1 ) = 1 − p(θ1 x1 ) = 1 − 0,8 = 0,2 . (2.101)
p (θ1 x2 ) = p (x2 θ1 )⋅ p(θ1 ) p( x2 )
, (2.102)
= (0,2 ⋅ 0,6) 0,4 = 0,3
p (θ 2 x2 ) = 1 − p(θ1 x2 ) = 1 − 0,3 = 0,7 . (2.103)
În Figura 2.22 este reprezentat arborele de decizie al problemei, completat cu
valorile probabilităţilor şi ale utilităţilor.
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
Figura 2.22 – Arborele de decizie pentru problema de investiţie

Pentru evaluarea utilităţii diferitelor rezultate, să presupunem că funcţia de

utilitate este aproximativ liniară. Să presupunem, de asemenea, că unitatea monetară
este UM = 1000€ şi dacă cererea creşte compania aşteaptă să facă un profit net de
1200 UM, iar dacă cererea descreşte, profitul net va fi de 800 UM, în condiţii de
investiţie. Dacă nu investeşte, compania aşteaptă un profit net de 1000 UM, iar costul
studiului de piaţă este C.
În continuare, începând din partea dreaptă a arborelui de decizie, conform
procedurii menţionate anterior, calculăm utilităţile medii. Pentru ramura de decizie a1
rezultă:
U ( x1 , a2 ) = (1200 − C ) ⋅ 0,8 + (800 − C ) ⋅ 0,2 = 1120 − C , (2.104)
U ( x1 , a3 ) = (1000 − C ) ⋅ 0,8 + (1000 − C ) ⋅ 0,2 = 1000 − C , (2.105)
U ( x2 , a2 ) = (1200 − C ) ⋅ 0,3 + (800 − C ) ⋅ 0,7 = 920 − C , (2.106)
U ( x2 , a3 ) = (1000 − C ) ⋅ 0,3 + (1000 − C ) ⋅ 0,7 = 1000 − C , (2.107)
Rezultatele de mai sus sunt reprezentate în Figura 2.23.
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
Figura 2.23 Utilităţile medii iniţiale pentru ramura a1
Aplicând acum principiul maximizării utilităţii medie, se observă că dat fiind x1 ,

acţiunea optimală este a2 , în timp ce dacă este dat x2 , acţiunea optimală este a3 , aşa
cum rezultă din Figura 2.24.
1120 − C
a1 0,6 x1
0,4 x2
1000 − C
Figura 2.24 A doua maximizare pentru ramura a1
Aplicăm acum încă o dată calculul utilităţilor medii pentru a1 , a2 şi a3 de pe

ultimul nivel al arborelui de decizie. Obţinem:
2.6 APLICAŢII 49
U (a1 ) = (1120 − C ) ⋅ 0,6 + (1000 − C ) ⋅ 0,4 = 1072 − C , (2.108)

U (a2 ) = 1200 ⋅ 0,6 + 800 ⋅ 0,4 = 1040 , (2.109)
U (a3 ) = 1000 ⋅ 0,6 + 1000 ⋅ 0,4 = 1000 , (2.110)
cu reprezentarea din Figura 2.25.
a1 1072 − C
a2
1040
a3
1000
Figura 2.25 Utilităţile pe ultimul nivel al arborelui de decizie
Decizia iniţială pentru această problemă a devenit acum clară: decidentul nu

trebuie să aleagă niciodată a3 , iar decizia a1 va fi adoptată numai dacă costul studiului
de piaţă este C ≤ 32 .
Procedura pentru aplicarea metodei arborilor de decizie poate fi sintetizată astfel:
(1) Se descrie logica arborelui în ordine cronologică, respectiv se descriu nodurile de
decizie şi nodurile de incertitudine, precum şi toate ramurile care apar în fiecare
nod;
(2) Se ataşează probabilităţile ramurilor de incertitudine, ţinând cont de
condiţionările corespunzătoare pentru fiecare ramură;
(3) Se ataşează valorile utilităţilor ramurilor finale;
(4) Plecând de la dreapta la stânga arborelui de decizie, se calculează valorile medii
ale utilităţilor în nodurile de incertitudine şi se maximizează în nodurile de
decizie, determinându-se acţiunile optimale şi utilităţile lor medii;
(5) Se continuă procedura până la nodul de decizie iniţial, determinându-se acţiunea
optimală iniţială şi apoi secvenţa de acţiuni optimale care rezolvă problema de
decizie.
Metoda arborilor de decizie reprezintă o alternativă viabilă la metodele analitice
de decizie prezentate la începutul acestui capitol. În acelaşi timp, arborii de decizie,
prin reprezentarea grafică a problemei de decizie constituie un instrument util şi
accesibil pentru considerarea tuturor alternativelor, atât în nodurile de decizie, cât şi în
cele de incertitudine.
Cele două metode, grafică şi analitică, pot fi utilizate cel mai bine împreună,
deoarece ne furnizează, fiecare, informaţii privind problema de decizie, aşa cum vom
vedea în aplicaţiile următoare.
2.6 APLICAŢII
Vom detalia şi aplica în continuare conceptele prezentate în secţiunile anterioare

prin două probleme de decizie, care ne vor ajuta să fixăm noţiunile de teoria deciziei.
De asemenea, vom sistematiza printr-un algoritm paşii de rezolvare a unei probleme
de decizie.
2.6.1 Problema forajului
O companie de îmbuteliere deţine un teren care se presupune că va conţine surse

subterane de apă minerală. Compania a clasificat terenul în patru categorii, după
debitul de apă minerală care se aşteaptă să fie obţinut din sursa forată, respectiv
1.000.000 litri, 500.000 litri, 100.000 litri sau 0 litri (sursa nu conţine apă minerală).
Alternativele asupra cărora trebuie să decidă compania sunt următoarele:
(1) forajul pentru găsirea de apă minerală;
(2) închirierea necondiţionată a terenului către o altă companie de foraj;
(3) închirierea condiţionată a terenului, în funcţie de cantitatea de apă minerală
găsită.
Costul forajului pentru o sursă care va produce apă minerală este de 10.000€, în timp
ce costul forajului fără găsirea de apă minerală este de 6.000€. Profitul pentru o sursă
de apă minerală este de 0,10€/litru (după deducerea costurilor de producţie). Costul
închirierii necondiţionate este de 8.000€, în timp ce compania ar primi 0,03€ pentru
fiecare litru extras în cazul închirierii necondiţionate, dacă sursa forată pe terenul
închiriat va produce mai mult de 250.000 litri. Cu elementele definite până acum,
compania de îmbuteliere ar obţine următoarele profituri posibile (Tabelul 2.5):
Tabelul 2.5 – Profiturile companiei de îmbuteliere
1.000.000 500.000 100.000 0
litri/sursă litri/sursă litri/sursă litri/sursă
(1) Foraj 90.000 40.000 0 −6.000
(2) Închiriere necondiţionată 8.000 8.000 8.000 8.000
(3) Închiriere condiţionată 30.000 15.000 0 0
A. DECIZIA FĂRĂ EXPERIMENTARE

Problema de decizie constă din următoarele acţiuni:
a1 : Forajul pentru găsirea de apă minerală,
a2 : Închirierea necondiţionată a terenului,
a3 : Închirierea condiţionată a terenului,
2.6 APLICAŢII 51
şi deci spaţiul de acţiune este A = {a1 , a2 , a3 }.

Stările naturii pentru această problemă sunt:
θ1 : 1.000.000 litri apă minerală / sursă,
θ 2 : 5000.000 litri apă minerală / sursă,
θ 3 : 100.000 litri apă minerală / sursă,
θ 4 : 0 litri apă minerală / sursă.
Rezultă spaţiul stărilor Θ = {θ1 ,θ 2 ,θ 3 ,θ 4 } .
Am văzut anterior că stările naturii sunt caracterizate printr-un parametru al unei
familii de distribuţii de probabilitate. În contextul problemei noastre de foraj, rezultatul
potenţial al forajului poate fi văzut ca fiind valoarea medie a unei variabile aleatoare.
Astfel, modelul statistic pentru problema de foraj este constituit dintr-o variabilă
aleatoare reprezentată de cantitatea de apă minerală găsită în urma forajului, cu
valoarea medie necunoscută. În lipsa datelor de experimentare, compania va aproxima
valoarea medie a rezultatelor prin cele patru valori estimate iniţial, respectiv
1.000.000, 500.000, 100.000 şi 0. În exemplul nostru, stările naturii sunt deci valorile
posibile ale mediei variabilei aleatoare reprezentate de cantitatea de apă minerală
rezultată în urma forajului. Funcţia de pierdere L(θ1 , a j ) pentru această problemă de
decizie o obţinem direct din Tabelul 2.5 de profituri estimate, cu menţiunea că valorile
negative ale pierderii reprezintă, de fapt, profit (în Tabelul 2.6).
Tabelul 2.6 – Funcţia de pierdere pentru problema forajului

θ1 : θ2 : θ3 : θ4 :
1.000.000 500.000 100.000 0
a1 : Foraj −90.000 −40.000 0 6.000
a 2 : Închiriere necondiţionată −8.000 −8.000 −8.000 −8.000
a3 : Închiriere condiţionată −30.000 −15.000 0 0
Regula de decizie minimax
Dacă adevărata stare a naturii θ ar fi cunoscută, ar fi simplu să alegem acţiunea

corectă, respectiv acţiunea cu cea mai mică pierdere. Din păcate, adevărata stare a
naturii nu este în general cunoscută, iar alegerea acţiunii corecte nu este simplă. În
problema noastră de foraj, dacă θ = θ1 , adică 1.000.000 litri/sursă, atunci, pe baza
datelor de pierdere din Tabelul 2.5, cea mai bună acţiune este a1 , adică forajul, în
timp ce dacă θ = θ 4 , cea mai bună acţiune este a2 , închirierea necondiţionată a
terenului.
Aplicarea regulii minimax cere decidentului să găsească pierderea maximă

pentru fiecare din acţiunile sale şi să aleagă acţiunea cu cea mai mică pierdere
maximă. Utilizând deci regula minimax, considerăm mai întâi maximul funcţiei de
pierdere pentru fiecare acţiune (maximul pe fiecare linie din Tabelul 2.6) şi obţinem
valorile max (L(a1 ,θ )) = 6.000 , max (L(a2 ,θ )) = −8.000 şi max (L(a3 ,θ )) = 0 . Luând în
continuare minimul acestor valori, avem min (6.000; − 8.000; 0 ) = −8.000 . Rezultă că
aplicând regula minimax, decidentul trebuie să aleagă acţiunea a2 − închiriere
necondiţionată, cu o pierdere negativă (profit) de −8.000€.
Regula de decizie Bayes
În anumite situaţii, decidentul poate să aibă anumite informaţii despre starea

naturii, pe care să le transforme într-o distribuţie de probabilitate a convingerii sale
privind starea naturii. Această distribuţie de probabilitate a convingerii, denumită
distribuţie iniţială (sau a priori) este adesea subiectivă şi depinde de experienţa sau de
intuiţia decidentului. Să presupunem că compania dispune de experienţă şi informaţii
anterioare din care a concluzionat că la foraje similare, circa 10% au fost foraje de
1.000.000 litri/sursă, 15% au avut ca rezultat 500.000 litri/sursă, 25% au dus la
100.000 litri/sursă şi circa 50% din foraje nu au găsit apă minerală. Aceste date pot fi
transformate într-o distribuţie de probabilitate după cum urmează:
Prob{θ = θ1} = pθ (θ1 ) = 0,10 , (2.111)
Prob{θ = θ 2 } = pθ (θ 2 ) = 0,15 , (2.112)
Prob{θ = θ 3 } = pθ (θ 3 ) = 0,25 , (2.113)
Prob{θ = θ 4 } = pθ (θ 4 ) = 0,50 . (2.114)
Procedura de decizie Bayes indică decidentului să aleagă acea acţiune care
minimizează pierderea medie evaluată în funcţie de distribuţia iniţială pentru toate
stările posibile ale naturii. În cazul distribuţiilor discrete (aşa cum este şi cazul
problemei noastre), funcţia de pierdere este dată de
L(a ) = M [L(a ,θ )] = ∑ L(a , k ) pθ (k ) . (2.115)
k
Pierderea medie pentru fiecare acţiune ai este dată de

L(a1 ) = M [L(a1 ,θ )] = −90.000 ⋅ 0,10 − 40.000 ⋅ 0,15 + 0 ⋅ 0,25 + 6.000 ⋅ 0,50 = −12.000 ,
(2.116)
L(a2 ) = M [L(a2 ,θ )] = −8.000 ⋅ 0,10 − 8.000 ⋅ 0,15 − 8.000 ⋅ 0,25 − 8.000 ⋅ 0,50 = −8.000 ,
(2.117)
L(a3 ) = M [L(a3 ,θ )] = −30.000 ⋅ 0,10 − 15.000 ⋅ 0,15 + 0 ⋅ 0,25 + 0 ⋅ 0,50 = −5.250 ,
(2.118)
2.6 APLICAŢII 53
Rezultă că, utilizând regula de decizie Bayes şi convingerea sa asupra distribuţiei

de probabilitate a stării naturii, decidentul va alege acţiunea a1 de foraj pentru găsirea
de apă minerală, cu o pierdere medie (profit) de −12.000€.
B. DECIZIA CU EXPERIMENTARE
Consideraţiile făcute până acum au presupus că decidentul a adoptat deciziile

sale fără a utiliza informaţii rezultate din efectuarea unor experimente statistice privind
problema de decizie. Totuşi, dacă decidentul dispune de informaţii suplimentare
rezultate din experimente, atunci aceste informaţii trebuie aplicate în procesul de
adoptare a deciziei.
Revenind la problema forajului, să presupunem că compania poate să
achiziţioneze un studiu geologic, al cărui cost este de 2.500€. Informaţiile conţinute în
studiul geologic permit clasificarea terenului în patru categorii. Categoria (1) se referă
la o structură geologică extrem de favorabilă prezenţei apei minerale. Categoria (2)
reprezintă o structură care este probabil să conţină apă minerală. Categoria (3) este o
structură puţin favorabilă prezenţei apei minerale, în timp ce categoria (4) denotă o
structură geologică cu o probabilitate extrem de mică de a conţine apă minerală.
Pe baza examinării şi a altor zone geologice similare (100 de astfel de
examinări), compania a obţinut datele din Tabelul 2.7 de mai jos.
Tabelul 2.7 – Frecvenţele clasificării geologice

Clasificarea θ1 : θ2 : θ3 : θ4 :
geologică 1.000.000 500.000 100.000 0
(1) 8 12 10 16 10 24 10 48
(2) 3 12 3 16 7 24 12 48
(3) 1 12 2 16 3 24 17 48
(4) 0 12 1 16 4 24 9 48
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
informaţiilor furnizate de experiment, să-i indice ce acţiune să aplice pentru fiecare

valoare X = x . Notăm această funcţie cu d ( x ) , astfel încât dacă variabila aleatoare X
ia valoarea x, atunci a = d ( x ) va fi acţiunea aleasă. Decidentul este interesat
bineînţeles să aleagă funcţia de decizie optimală. Pentru a evalua funcţia de decizie,
trebuie să-i explorăm consecinţele. Deoarece acţiunea aplicată a este o funcţie care
depinde de rezultatul variabilei aleatoare X, atunci d ( X ) este şi ea o variabilă
aleatoare şi pierderea asociată acestei acţiuni depinde de asemenea de rezultatele lui X.
Ştim că o măsură a consecinţelor aplicării acţiunii a = d ( X ) , atunci când adevărata
stare a naturii este θ , este dată de valoarea medie a pierderii, cuantificată prin funcţia
de risc R(θ , d ) , care în cazul discret are expresia
R(θ , d ) = M [L(d ( X )),θ ] . (2.119)
Să aplicăm abordarea de mai sus exemplului nostru. Să presupunem că evaluăm
regula de decizie d1 , conform căreia dacă rezultatul studiului geologic este (1) aplicăm
acţiunea a1 , dacă rezultatul este (2) sau (3), aplicăm acţiunea a3 , iar dacă rezultatul
este (4) aplicăm a2 . Aceasta înseamnă
d1 ( x ) = a1 , pentru x = 1
d1 ( x ) = a2 , pentru x = 4
d1 ( x ) = a3 , pentru x = 2 sau x = 3 .
Atunci funcţiile de risc corespunzătoare sunt
8 3 1
R(θ1 , d1 ) = −90.000 ⋅ − 8.000 ⋅ 0 − 30.000 ⋅ ⎛⎜ + ⎞⎟ + 2.500 = −67.500 , (2.120)
12 ⎝ 12 12 ⎠
10 1 3 2
R(θ 2 , d1 ) = −40.000 ⋅ − 8.000 ⋅ − 30.000 ⋅ ⎛⎜ + ⎞⎟ + 2.500 = −27.688 , (2.121)
16 16 ⎝ 16 16 ⎠
10 4 7 3
R(θ 3 , d1 ) = 0 ⋅ − 8.000 ⋅ − 0 ⋅ ⎛⎜ + ⎞⎟ + 2.500 = 1.167 , (2.122)
24 24 ⎝ 24 24 ⎠
10 9 12 17
R(θ 4 , d1 ) = 6.000 ⋅− 8.000 ⋅ + 0 ⋅ ⎛⎜ + ⎞⎟ + 2.500 = 2.250 . (2.123)
48 48 ⎝ 48 48 ⎠
În relaţiile de mai sus, valoarea de 2.500 a fost costul studiului geologic. Rezultă
că acţiunea care minimizează riscul este d1 ( x ) = a1 , respectiv forajul pentru găsirea
apei minerale, dar această acţiune nu este optimală.
Observăm că funcţia de risc furnizează un mijloc de a defini optimalitatea. O
funcţie de decizie optimală este aceea care minimizează riscul pentru fiecare valoare a
lui θ . Dar, în majoritatea cazurilor, funcţia de decizie optimală nu există şi va trebui
să considerăm o altă modalitate de găsire a deciziei optimale, furnizată de procedurile
Bayes.
2.6 APLICAŢII 55
Procedurile Bayes
Dacă decidentul dispune de o informaţie anterioară despre starea naturii,

informaţie ce poate fi descrisă în termenii unei distribuţii de probabilitate iniţiale,
atunci funcţiei de risc i se poate aplica principiul Bayes, care, pentru o distribuţie
discretă, arată că riscul Bayes corespunzător unei funcţii de decizie d şi unei distribuţii
de probabilitate iniţiale a lui θ , pθ (k ) , este dat de
B(d ) = ∑ R(d , k ) pθ (k ) , (2.124)
k
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 .
Calculul distribuţiei posterioare
Fie (θ , X ) o variabilă aleatoare bidimensională discretă, cu distribuţia de

probabilitate pθX (k , j ) . Fie pθ (k ) distribuţia de probabilitate iniţială a lui θ . Definim
probabilitatea condiţionată
π X θ =k ( j ) = Prob{X = j θ = k } . (2.126)
Pentru distribuţia bidimensională a lui (θ , X ) expresia
pθX (k , j ) = π X θ =k ( j ) ⋅ pθ (k ) , (2.127)
poate fi utilizată pentru evaluarea distribuţiei de probabilitate a lui X, respectiv
π X ( j ) = ∑ pθX (k , j ) = ∑ π X θ =k ( j ) ⋅ pθ (k ) . (1.128)
k k
Să evaluăm acum distribuţia de probabilitate posterioară a lui θ , notată fθ X=j

,
dat fiind X = j , din expresia
pθX (k , j ) = fθ X=j
(k ) ⋅ π X ( j ) . (2.129)
Egalând cele două forme ale expresiei pentru pθX , respectiv relaţiile (2.127) şi (2.129)
şi considerând j = x (rezultatul experimentului), obţinem distribuţia posterioară
π X θ =k ⋅ pθ (k )
f θ X = x (k ) = . (2.130)
π X (x)
În sinteză, pentru calculul distribuţiei posterioare considerăm pθ (k ) distribuţia
iniţială şi π X θ = x ( x ) distribuţia de probabilitate a variabilei aleatoare X evaluată pentru
X = x.
Funcţia π X ( x ) este distribuţia variabilei X, obţinută din
π X ( x ) = ∑ π X θ =k ( x ) ⋅ pθ (k ) , (2.131)
k
iar pentru f X ( x ) avem

f X ( x ) = ∑ f X θ =k (k ) . (2.132)
k
Revenind la problema noastră, valorile distribuţiei iniţiale de clasificare

geologică a terenului pθ (k ) au fost date în relaţiile (1.111) ÷ (1.114). Să presupunem
acum că studiul geologic a clasificat terenul ca fiind din categoria (3). Va trebui să
evaluăm expresiile fθ X =3 (k ), k = 1,2,3,4 , unde
π X θ =k (3) pθ (k )
fθ (k ) = , k = 1,2,3,4 . (2.133)
X =3
π X (3)
Avem
π X θ =k (3) = Prob{X = 3θ = k }, (2.134)
probabilitatea ca terenul să fie clasificat din punct de vedere geologic în categoria (3),
date fiind stările θ k şi aceste valori se obţin din Tabelul 2.7 ca fiind
1 2 3 17
π X θ =1 (3) = , π X θ =2 (3) = , π X θ =3 (3) = , π X θ =4 (3) = . (2.135)
12 16 24 48
Atunci distribuţia variabilei X evaluată pentru X = 3 rezultă
π X (3) = π X θ =1 (3) ⋅ pθ (1) + π X θ =2 (3) ⋅ pθ (2) + π X θ =3 (3) ⋅ pθ (3) + π X θ =4 (3) ⋅ pθ (4) =
1 2 3 17
= ⋅ 0,10 + ⋅ 0,15 + ⋅ 0,25 + ⋅ 0,50 = 0,2354 . (2.136)
12 16 24 48
Valorile complete ale probabilităţilor condiţionate π X θ =k ( x ) ⋅ pθ (k ) şi ale
distribuţiei marginale π X ( x ) sunt calculate în Tabelul 2.8.
2.6 APLICAŢII 57
Tabelul 2.8 – Probabilităţile π X θ = k ( x ) ⋅ pθ (k ) şi distribuţia marginală π X ( x )
Clasificarea π X θ =k ( x ) ⋅ pθ (k ) π X (x)
geologică
θ1 θ2 θ3 θ4
(1) 0,0667 0,0938 0,1042 0,1042 0,3688

(2) 0,0250 0,0281 0,0729 0,1250 0,2510
(3) 0,0083 0,0188 0,0313 0,1771 0,2354
(4) 0,0000 0,0094 0,0417 0,0938 0,1448
Putem să calculăm acum distribuţia posterioară pentru X = 3 , aplicând relaţia

(2.133) şi obţinem:
1 12 ⋅ 0,10
fθ X =3 (1) = = 0,035 , (2.137)
0,2354
2 15 ⋅ 0,15
f θ X =3 ( 2 ) = = 0,080 , (2.138)
0,2354
3 24 ⋅ 0,25
fθ X =3 (3) = = 0,133 , (2.139)
0,2354
17 48 ⋅ 0,50
f θ X =3 ( 4 ) = = 0,752 . (2.140)
0,2354
Valorile complete ale distribuţiei posterioare a lui θ pentru problema noastră de
decizie sunt calculate în Tabelul 2.9.
Tabelul 2.9 – Distribuţia posterioară a lui θ

Clasificarea fθ X =x
(k )
geologică
θ1 θ2 θ3 θ4
(1) 0,181 0,254 0,282 0,282

(2) 0,100 0,112 0,290 0,498
(3) 0,035 0,080 0,133 0,752
(4) 0,000 0,065 0,288 0,647
În continuare, pentru a determina procedura de decizie Bayes, decidentul – având

calculată distribuţia posterioară – va alege acţiunea care minimizează pierderea medie
B f (a ) (inclusiv costul experimentării), care este de fapt riscul Bayes estimat în funcţie
de distribuţia posterioară f a lui θ , date fiind valorile X = x , unde
⎧∑ L(a , k ) fθ X = x (k ), dacă θ discretă
⎪⎪ k
B f (a ) = M [L(a ,θ )] = ⎨ ∞ . (2.141)
⎪∑ L(a , y ) fθ X = x ( y )dy , dacă θ continuă
⎪⎩ −∞
Acum, pentru clasificarea geologică (3), procedura Bayes pentru X = 3 conduce

la
B f (a1 ) = M [L(a1 ,θ )] = −90.000 ⋅ 0,035 − 40.000 ⋅ 0,080 + 0 ⋅ 0,133
, (2.142)
+ 6.000 ⋅ 0,752 + 2.500 = 642
B f (a2 ) = M [L(a2 ,θ )] = −8.000 ⋅ 0,035 − 8.000 ⋅ 0,080 − 8.000 ⋅ 0,133
, (2.143)
− 8.000 ⋅ 0,752 + 2.500 = −5.500
B f (a3 ) = M [L(a3 ,θ )] = −30.000 ⋅ 0,035 − 15.000 ⋅ 0,080 + 0 ⋅ 0,133
. (2.144)
+ 0 ⋅ 0,752 + 2.500 = 243
Rezultă că procedura Bayes pentru cazul X = 3 determină alegerea acţiunii a2 –
închiriere necondiţionată, pentru care pierderea medie este minimă.
Aplicând procedura şi relaţiile de mai sus pentru toate valorile X = 1,2,3,4 ,
obţinem valorile riscului Bayes pentru distribuţia posterioară (Tabelul 2.10).
Tabelul 2.10 – Valorile riscului Bayes pentru distribuţia posterioară

x =1 x=2 x=3 x=4
B f (a1 ) -22.246 -7.956 642 3.795
B f (a 2 ) -5.500 -5.500 -5.500 -5.500
B f (a 3 ) -6.737 -2.168 243 1.529
Sintetizând valorile calculate pentru procedura Bayes se obţin datele din Tabelul 2.11
Tabelul 2.11 – Procedura Bayes pentru problema forajului

x Acţiunea Riscul Bayes Distribuţia
Bayes marginală
1 a1 −22.246 0,369
2 a1 −7.956 0,251
3 a2 −5.500 0,235
4 a2 −5.500 0,145
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
Înainte de a apela la experimente privind starea naturii (care în majoritatea

cazurilor au costuri semnificative), va trebui să determinăm valoarea potenţială pe care
o pot aduce aceste experimente. Să presupunem că experimentul ne poate furniza o
„informaţie perfectă” despre starea naturii. Dar care este valoarea acestei „informaţii
2.6 APLICAŢII 59
perfecte”? În aplicaţia noastră a problemei de foraj, studiul geologic furnizează o

informaţie „imperfectă” care costă 2.500€.
Ţinând cont de probabilităţile iniţiale, pierderea medie cu informaţie perfectă, pe
care o notăm cu M ( IP ) , este dată de
M ( IP ) = −90.000 ⋅ 0,10 − 40.000 ⋅ 0,15 − 8.000 ⋅ 0,25 − 8.000 ⋅ 0,50 = −21.000 . (2.145)
Regula de decizie Bayes (fără experimentare) a condus la o pierdere medie de
−12.000 şi la acţiunea a1 , respectiv o pierdere mult mai mare decât în cazul pierderii
medii cu informaţie perfectă. Făcând diferenţa între cele două valori de mai sus,
obţinem o valoare de 9.000, care este de fapt costul informaţiei perfecte.
Considerând datele din Tabelul 2.10 şi Tabelul 2.11, suma ponderată a
pierderilor Bayes, denumită pierderea medie necondiţionată cu experimentare este
dată de
~
B f = −22.246 ⋅ 0,369 − 7.956 ⋅ 0,251 − 5.500 ⋅ 0,145 − 5.500 ⋅ 0,145 = −12.292 . (2.146)
Atunci valoarea experimentării (fără costul de 2.500) este dată de diferenţa între
suma ponderată definită în relaţia (2.146) şi pierderea Bayes fără experimentare, adică
~
Lexp = B f − min (L(ai )) = −12.292 − (− 12.000 ) = −292 , (2.147)
care reprezintă economia (pierdere negativă) rezultată în urma adoptării unei proceduri
de decizie optimale cu experimentare.
În fine, pentru a evalua diferenţa dintre adoptarea decizie după proceduri Bayes
optimale şi neoptimale, calculăm riscul mediu ponderat pentru procedura neoptimală,
utilizând valorile date de relaţiile (2.120) ÷ (2.123) şi valorile probabilităţilor iniţiale,
obţinând
~
B = −67.500 ⋅ 0,10 − 27.688 ⋅ 0,15 + 1.167 ⋅ 0,25 + 2.250 ⋅ 0,50 = −9.486 . (2.148)
Scăzând valorile date de relaţiile (2.146) şi 2.148) obţinem
~ ~
Lopt = B f − B = −12.292 − (− 9.496 ) = −2.805 , (2.149)
adică o economie (pierdere negativă) de 2.805€, ca urmare a utilizării procedurii Bayes
optimale în locul procedurii neoptimale.
Arborele de decizie
Arborele de decizie pentru problema forajului est reprezentat în Figura 2.26.

Ramura iniţială superioară reprezintă decizia fără experimentare, respectiv decizia fără
utilizarea studiului geologic. Ramura iniţială inferioară reprezintă decizia cu
experimentare, respectiv cu date geologice.
Utilităţile afişate în nodurile de decizie şi de incertitudine ale arborelui corespund
valorilor calculate anterior. În nodurile de decizie au fost aplicate procedurile Bayes
(optimale şi neoptimale) de minimizare a riscului Bayes. Acţiunile respinse au fost

barate cu semnul . Decizia adoptată este achiziţionarea studiului geologic.
DECIZIE FĂRĂ EXPERIMENTARE θ1 −90.000
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
Figura 2.26 Arborele de decizie pentru problema forajului

2.6 APLICAŢII 61
2.6.2 Algoritm de rezolvare a unei probleme de decizie
Vom sintetiza modul de rezolvare a problemelor de decizie de tipul prezentat

anterior, respectiv cu funcţia de pierdere tabelară şi cu A , Θ şi X finite şi discrete, în
algoritmul care urmează. În general, majoritatea problemelor de decizie pot fi
formalizate cu ajutorul modelului prezentat în cadrul algoritmului. Algoritmul are o
organizare matriceală pentru a facilita utilizarea programelor de calcul tabelar.
A. DECIZIE FĂRĂ EXPERIMENTARE

Pasul 1. Definirea problemei de decizie.
P1.1: Se defineşte spaţiul de acţiune A = {a1 ,K , al }.
P1.2: Se defineşte spaţiul stărilor Θ = {θ1 ,K,θ k } .
P1.3: Se definesc consecinţele (θ i , a j ), i = 1,K , k , j = 1,K , l .
P1.4: Se asociază costurile corespunzătoare consecinţelor şi alte costuri ale
Pasul 2. Definirea funcţiei de pierdere.
P2.1: Funcţia de pierdere se defineşte într-un tabel de forma:
Starea naturii
Acţiunea θ1 θ2 ... θk
a1 L(θ1 , a1 ) L(θ 2 , a1 ) ... L(θ k , a1 )
a2 L(θ1 , a 2 ) L(θ 2 , a 2 ) ... L(θ k , a 2 )
... ... ... ... ...
al L(θ1 , a l ) L(θ 2 , al ) ... L(θ k , a l )
Pasul 3. Regula de decizie minimax.

P3.1: Se bordează tabelul funcţiei de pierdere cu o coloană care conţine maximul
valorilor funcţiei de pierdere din fiecare linie:
Starea naturii
Acţiunea θ1 θ2 ... θk (
max L θ , a j )
a1 L(θ1 , a1 ) L(θ 2 , a1 ) ... L(θ k , a1 ) max L(θ , a1 )
a2 L(θ 1 , a 2 ) L(θ 2 , a 2 ) ... L(θ k , a 2 ) (
max L θ , a 2 )
... ... ... ... ... ...
al L(θ1 , a l ) L(θ 2 , a l ) ... L(θ k , a l ) max L(θ , a l )
P3.2: Se aplică regula de decizie minimax, respectiv se calculează minimul

valorilor din ultima coloană a tabelului de mai sus:
min max L(θ , a j ), j = 1,K , l . (2.150)
l i
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
P4.2: Probabilităţile iniţiale trebuie să verifice condiţiile de definire a

probabilităţilor, respectiv valori pozitive subunitare şi suma egală cu 1, condiţii
reflectate şi de relaţiile următoare:
⎧0 ≤ pθ (i ) ≤ 1, i = 1,K , k
⎪k
⎨ . (2.152)
⎪ ∑ pθ (i ) = 1
⎩ i =1
Pasul 5. Regula de decizie Bayes.
P5.1: Se calculează pierderea medie pentru fiecare acţiune a j
[ ]
L(a j ) = M L(θ , a j ) = ∑ L(θ i , a j )⋅ pθ (i ) ,
k
(2.153)
i =1
într-un tabel de forma:

Starea naturii
Acţiunea θ1 θ2 ... θk L (a )
a1 L(θ 1 , a1 ) pθ (1) L(θ 2 , a1 ) pθ (2) ... L(θ k , a1 ) pθ (k ) L(a1 )
a2 L(θ1 , a 2 ) pθ (1) L(θ 2 , a 2 ) pθ (2) ... L(θ k , a 2 ) pθ (k ) L(a 2 )
... ... ... ... ... ...
al L(θ1 , a l ) pθ (1) L(θ 2 , al ) pθ (2) ... L(θ k , al ) pθ (k ) L(al )
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
... ... ... ... ...

k πθ 1 X =k
πθ 2 X =k ... πθ k X =k
P6.3: Se stabileşte costul experimentului C.

Pasul 7. Procedura Bayes cu probabilităţi iniţiale.
P7.1: Se stabilesc regulile de decizie d n ( x ) şi acţiunile a ji care se adoptă pentru
fiecare valoare x = 1,2,K , k , unde a ji ∈ A = {a1 , a2 ,K , al }, i = 1, l , într-un tabel de
forma:
X 1 2 ... k
dn a j1 a j2 ... a jk
P7.2: Se determină funcţia de risc mediu R (d n ,θ j ) , la care se adaugă costul

experimentului C, cu relaţiile:
R (d n ,θ j ) + C = M [L(d n ( x ),θ )] + C = ∑ L(θ i , a j )⋅ π θi X = j + C .

k
(2.154)
j =1
Datele se organizează într-un tabel de forma:

x 1 2 ... k C ( )
R d n ,θ j + C
R(d n , θ1 ) ( )
L θ 1 , a j1 ⋅ π θ1 X =1 ( )
L θ 1 , a j2 ⋅ π θ1 X = 2 ... ( )
L θ 1 , a jk ⋅ π θ1 X = k C R(d n , θ1 ) + C
R(d n , θ 2 ) L(θ 2 ,aj
1
)⋅π θ1 X =1 L(θ 2 ,aj 2
)⋅π θ1 X = 2 ... L(θ 2 ,aj k
)⋅π θ1 X = k C R(d n , θ 2 ) + C
... ... ... ... ... ... ...
R(d n , θ k ) ( 1
)
L θ k , a j ⋅π θ 1 X =1
(
L θ k , a j ⋅π θ 2
) 1 X =2 ... (
L θ k , a j ⋅π θk
) 1 X =k
C R(d n , θ k ) + C
P7.3: Se determină riscul mediu minim:

min R(d n ,θ i ), i = 1, k . (2.155)
i
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.
Pasul 8. Calculul probabilităţilor posterioare.

P8.1: Se calculează probabilităţile condiţionate posterioare π X θ =k ( x ) ⋅ pθ (k ) şi
distribuţia marginală π X ( x ) . Datele sunt organizate ca în tabelul de mai jos, care
conţine produsul elementelor din tabelele de la P6.2 şi P4.1, iar în ultima coloană
suma probabilităţilor condiţionate pe fiecare linie.
k π X θ = k ( x ) ⋅ pθ (k ) π X (x)
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 )
P8.2: Se calculează distribuţia posterioară

π X θ =k ⋅ pθ (k )
f θ X = x (k ) = , (2.156)
π X (x)
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 )
Pasul 9. Procedura Bayes cu probabilităţi posterioare.

P9.1: Se determină riscul Bayes în funcţie de distribuţia posterioară, date fiind
valorile X = x , cu relaţia de mai jos, în care se ţine cont şi de costul
experimentului, iar datele se organizează într-un tabel de forma de mai jos:
B f (ai ) + C = M [L(ai ,θ )] + C = ∑ L(ai , k ) fθ X =x

(k ) + C , i = 1, l . (2.157)
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
P9.2: Se stabileşte decizia privind acţiunile Bayes, considerând minimul valorilor

pe coloană din tabelul de mai sus. Se obţine un tabel de forma:
x Acţiunea Bayes Riscul Bayes Distribuţia

marginală
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 )
Pasul 10. Valoarea experimentului.

P10.1: Se determină pierderea medie cu informaţie perfectă disponibilă:
M ( IP ) = ∑ L(ak ,θ k ) ⋅ pθ (k ) . (2.158)
k
P10.2: Se calculează costul informaţiei perfecte:

C ( IP ) = min L(a j ) − M ( IP ) . (2.159)
P10.3: Se calculează pierderea medie necondiţionată cu experimentare:
~
( )
B f = ∑ B f a jk ⋅ π X ( k ) . (2.160)
k
P10.4: Se determină valoarea experimentului (fără costul acestuia):

Lexp = B f − min L(a j ) .
~
(2.161)
P10.5: Se calculează riscul mediu ponderat (cu regula neoptimală):
B = ∑ {[R(d n ,θ k ) + C ]⋅ pθ (k )} .
~
(2.162)
k
P10.6: Se calculează economia ca urmare a aplicării procedurii Bayes optimale

cu probabilităţi posterioare, faţă de regula Bayes neoptimală:
~ ~
Lopt = B f − B . (2.163)
Pasul 11. Arborele de decizie.

P11.1: Se construieşte arborele de decizie, conform procedurii prezentate
anterior.
P11.2: Se alocă în nodurile de incertitudine, valorile de risc calculate.
Pasul 12. Concluzii.
P12.1: Se trage concluzia asupra deciziei optimale iniţiale care trebuie adoptată,
precum şi asupra secvenţei de acţiuni care trebuie adoptate pentru rezolvarea
2.6.3 Problema festivalului
Vom aplica paşii algoritmului descris anterior pentru aşa-numita problemă a

festivalului, care este exemplificată şi rezolvată în continuare.
Un festival în aer liber este planificat să fie organizat într-un oraş la o anumită
dată. Profiturile care se estimează că se vor obţine în urma desfăşurării festivalului
depind în cea mai mare măsură de starea vremii. Astfel, dacă vremea este ploioasă,
organizatorii festivalului vor înregistra o pierdere de 30.000€, datorită numărului
foarte redus de participanţi; dacă pe durata festivalului cerul va fi înnorat, pierderile
vor fi de 10.000€, iar dacă timpul va fi frumos şi însorit, festivalul va aduce un profit
de 20.000€. Costul instalării echipamentului tehnic necesar desfăşurării festivalului
este de 2.000€, pierdere care s-ar înregistra dacă echipamentul ar fi instalat, iar
festivalul ar fi anulat. La momentul respectiv, organizatorii vor putea beneficia de un
buletin meteo pentru prognoza vremii în perioada festivalului, de la o filială a unui
institut meteorologic, care a sintetizat datele de predicţie a vremii. Să remarcăm faptul
că suntem în faţa unei probleme de decizie fără experimentare (cazul A) dacă
organizatorii festivalului (decidentul) nu utilizează prognoza meteo sau o problemă de
decizie cu experimentare (cazul B), dacă vor lua în considerare prognoza din buletinul
meteo.
A. DECIZIE FĂRĂ EXPERIMENTARE

P1.1: Spaţiul de acţiune: A = {a1 , a2 } , unde:
a1 : Instalare echipament şi organizare festival;
a 2 : Neinstalare echipament şi anulare festival.
P1.2: Spaţiul stărilor: Θ = {θ1 ,θ 2 , ,θ 3 }, unde:
θ1 : Ploaie;
θ 2 : Nori;
θ 3 : Soare.
P1.3: Consecinţe:
Consecinţe Acţiuni Stări
(a1 ,θ1 ) Organizare festival – instalare echipament Ploaie
(a1 ,θ 2 ) Organizare festival – instalare echipament Nori
(a1 ,θ 3 ) Organizare festival – instalare echipament Soare
(a2 ,θ1 ) Anulare festival – neinstalare echipament Ploaie
(a2 ,θ 2 ) Anulare festival – neinstalare echipament Nori
(a2 ,θ 3 ) Anulare festival – neinstalare echipament Soare
2.6 APLICAŢII 67
P1.4: Costuri (UM = €):

Consecinţe Costuri Profit
(a1 ,θ1 ) –30.000
(a1 ,θ 2 ) –10.000
(a1 ,θ 3 ) 20.000
(a2 ,θ1 ) 2.000
(a2 ,θ 2 ) 2.000
(a2 ,θ 3 ) 2.000

P2.1: Funcţia de pierdere:
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

P3.1: S-a bordat tabelul funcţiei de pierdere cu o coloană care conţine maximul
valorilor funcţiei de pierdere din fiecare linie.
P3.2: Regula de decizie minimax:
min max L(θ , a j ) = 2.000 .
P3.3: Decizia minimax: Acţiunea a2 – Neinstalare echipament şi anulare

festival.
P4.1: Probabilităţile iniţiale sunt:
Starea naturii θ1 θ2 θ3
Probabilităţi iniţiale 0,10 0,30 0,40
P4.2: Probabilităţile iniţiale verifică condiţiile de definire a probabilităţilor

(valorile sunt cuprinse între 0 şi 1, iar suma lor este egală cu 1).
P5.1: Pierderile medii pentru fiecare acţiune a j :
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
P5.2: Regula de decizie Bayes:

min L(a j ) = −6.000 .
P5.3: Decizia Bayes: Acţiunea a1 – Instalare echipament şi organizare festival.
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

P7.1: Regula de decizie d n ( x ) şi acţiunile:
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
P7.3: Riscul mediu minim:

min R(d n ,θ i ) = −11.900 .
i
P7.4: Decizia Bayes (neoptimală): Acţiunea a1 – organizarea festivalului.

2.6 APLICAŢII 69

P8.1: Probabilităţile condiţionate posterioare şi distribuţia marginală:
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
P8.2: Distribuţia posterioară:
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

P9.1: Riscul Bayes în funcţie de distribuţia posterioară:
x x=1 x=2 x=3

B f (a1 ) + C 9.395 1.500 –13.806
B f (a2 ) + C 3.500 3.500 4.000
P9.2: Decizia privind acţiunile Bayes:
x Acţiunea Bayes Riscul Bayes Distribuţia

marginală
1 a2 3.500 0,19
2 a1 1.500 0,32
3 a1 –13.806 0,49
Pasul 10. Valoarea experimentului.

P10.1: Pierderea medie cu informaţie perfectă disponibilă:
M ( IP ) = ∑ L(ak ,θ k )⋅ pθ (k ) = −11.200 .
k
P10.2: Costul informaţiei perfecte:

C ( IP ) = min L(a j ) − M ( IP ) = 5.200 .
P10.3: Pierderea medie necondiţionată cu experimentare:

~
( )
B f = ∑ B f a jk ⋅ π X (k ) = −5.620 .
k
P10.4: Valoarea experimentului (fără costul acestuia):

Lexp = B f − min L(a j ) = 6.000 .
~
P10.5: Riscul mediu ponderat (cu regula neoptimală):

B = ∑ {[R(d n ,θ k ) + C ]⋅ pθ (k )} = −4.980 .
~
k
P10.6: Economia ca urmare a aplicării procedurii Bayes optimale cu probabilităţi

posterioare, faţă de regula Bayes neoptimală:
~ ~
Lopt = B f − B = −640 .
Pasul 11. Arborele de decizie.

P11.1: Arborele de decizie pentru problema festivalului este reprezentat în Figura
2.27. În prima parte a acestui arbore de decizie este reprezentată decizia fără
experimentare, respectiv fără date meteo. Se observă că această decizie nu este
acceptabilă (ramura este barată). În a doua parte a arborelui de decizie, este
reprezentată decizia cu experimentare, respectiv decizia care are la bază
informaţiile furnizate de studiul meteo.
P11.2: Valorile de risc calculate în cadrul algoritmului sunt reprezentate în
nodurile de incertitudine.
Pasul 12. Concluzii.
P12.1: Valorile funcţiilor de risc calculate conduc la concluzia că pentru
problema noastră, decizia optimală o constituie alegerea unei proceduri de
decizie fără experimentare şi a acţiunii de organizare a festivalului.
În condiţiile unei proceduri de decizie cu experimentare, regula de decizie Bayes
neoptimală a condus la aceeaşi acţiune de instalare echipament şi organizare a
festivalului. De asemenea, şi utilizarea procedurii Bayes cu probabilităţi posterioare
duce la aceeaşi decizie optimală. Analizând însă informaţiile furnizate de valoarea
experimentului, rezultă că costul studiului de prognoză meteo nu justifică opţiunea
pentru o decizie cu experimentare.
Algoritmul prezentat aici pentru acest tip de probleme de decizie (respectiv
pentru acele probleme de decizie în care avem distribuţii de probabilitate discrete) are
avantajul organizării tabelare, ceea ce permite utilizarea rapidă a unor programe de
calcul tabelar. Vom vedea în Capitolul 4 că acest algoritm, cu unele completări, este
aplicabil şi pentru situaţiile unor probleme de decizie bazate pe distribuţii de
probabilitate continue.
2.6 APLICAŢII 71
DECIZIE FĂRĂ EXPERIMENTARE

θ 1 (0,10) 30.000
-6.000
θ 2 (0,30)
Instalare 10.000
a1
-6.000 θ 3 (0,60) -20.000
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
Figura 2.27 Arborele de decizie pentru problema festivalului
2.6.4 Aplicaţii propuse

A2.1 (a) Să se rezolve problema forajului utilizând pentru probabilităţile iniţiale valorile din
tabelul următor:
k k=1 k=2 k=3 k=4

pθ (k ) 0,12 0,16 0,24 0,48
(b) Să se rezolve problema forajului, dacă profitul creşte la 0,20€ / litru.

A2.2 (a) Ce decizie se va adopta în problema festivalului dacă studiul de prognoză meteo va
avea un cost de 500€?
(b) Să se rezolve problema festivalului dacă pierderea va fi de 15.000€ în caz de
ploaie, 5.000€ în caz de timp noros şi profitul de 20.000€ în caz de timp însorit, iar
studiul de prognoză costă 1.000€.
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:
Evaluarea firmei Rata reală a riscului creditului (%)

de consultanţă Scăzut Mediu Ridicat
Scăzut 15 10 40
Mediu 55 50 40
Ridicat 30 40 20
(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
3.1 CONSTRUCŢIA UNUI MODEL DE SIMULARE
Simularea este o metodă prin care se realizează reprezentarea modelului unui

sistem pentru a analiza comportarea sau performanţele acestuia. Termenul simulare
provine din cuvântul latin „simulatio”, care înseamnă capacitatea de a reproduce,
reprezenta sau imita ceva. Totuşi, în limbajul uzual, simularea are mai multe sensuri,
diversitate regăsită şi în semnificaţia termenului de simulare în diferite ramuri ale
ştiinţei. În matematică, termenul simulare a fost folosit pentru prima dată la începutul
anilor ’40, în cadrul proiectului Manhattan de construire a primei bombe atomice
americane. Primii care au utilizat acest termen au fost J. von Neumann şi S. Ulam. În
aceeaşi perioadă, echipa de matematicieni şi fizicieni de la Los Alamos a introdus
pentru prima dată şi metoda „Monte Carlo”, asociată tehnicilor se simulare numerică,
utilizând eşantioane aleatoare generate cu ajutorul calculatorului electronic. În
contextul problemei de management al riscului, aplicarea simulării Monte Carlo se
utilizează pentru evaluarea riscului asociat evenimentelor sistemului analizat, în
condiţii de incertitudine.
În general, tehnicile de simulare implică construirea unui model de natură
statistico – matematică. Un model de simulare descrie funcţionarea unui sistem în
termenii evenimentelor individuale ale componentelor sistemului analizat. În
particular, sistemul este descompus în elementele sale componente a căror comportare
poate fi descrisă în termenii unei distribuţii de probabilitate, pentru fiecare din stările
posibile ale sistemului şi pentru intrările în sistem. În model sunt integrate şi relaţiile
între elementele sistemului. După construcţia modelului, vom începe simularea prin
generarea variabilelor aleatoare care modelează evenimentele sistemului, folosind
distribuţiile de probabilitate corespunzătoare. Rezultatul este o simulare a modului de
funcţionare în timp a sistemului, pe care o înregistrăm. Procesul se repetă de mai multe
ori pentru diferite alternative şi configuraţii (scenarii) ale componentelor sistemului.
Din punct de vedere statistic, simularea este o tehnică de realizare a
experimentelor de eşantionare privind modelul sistemului. Experimentele se realizează
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
3.2 GENERAREA VARIABILELOR ALEATOARE

3.2.1 Metoda inversă
Majoritatea metodelor de generare a numerelor aleatoare se bazează pe distribuţia

uniformă, care are funcţia de densitate de probabilitate:
⎧ 1 , dacă x ∈ [a , b]
⎪
f ( x ) = ⎨b − a
⎪⎩0, în caz contrar (3.1)
Parametrii statistici ai distribuţiei uniforme sunt media (valoarea medie sau
valoarea aşteptată):
a+b
µ= , (3.2)
2
şi dispersia (sau varianţa):
(b − a )2
σ2 = . (3.3)
12
În particular, pentru x ∈ [0, 1] , respectiv a = 0 şi b = 1 , avem valoarea medie:
1
µ= , (3.4)
2
şi dispersia:
1
σ2 = . (3.5)
12
Vom demonstra în continuare o proprietate extrem de importantă a distribuţiei
uniforme, care va justifica utilizarea acesteia în cele mai multe proceduri de generare a
variabilelor aleatoare, respectiv aşa-numita „metodă inversă”.
Lema 3.1 Fie x o variabilă aleatoare oarecare a cărei funcţie de distribuţie
cumulativă este F(x) şi fie u o variabilă aleatoare uniformă pe (0, 1) . Dacă Φ este
inversa funcţiei F, atunci variabila aleatoare X = Φ (u ) are funcţia de distribuţie F.
Demonstraţie: Prin definiţie rezultă

Prob{x < a} = Prob{F ( x ) < F (a )} = Prob{u < F ( a )} = F (a ) ■ (3.6)
Consecinţa 3.2 Dacă u1 , u 2 ,K , u n este un şir de variabile aleatoare uniforme,

independente pe (0, 1) , atunci x1 , x2 ,K , xn , unde xi = Φ (ui ) , este un şir de variabile
aleatoare independente a căror distribuţie este F şi Φ = F −1 .
Conform lemei anterioare, dacă inversa F are o expresie analitică uşor de
calculat, problema generării unui şir de variabile aleatoare cu funcţia de distribuţie
F(x) se reduce la generarea unui şir de variabile aleatoare u1 , u 2 ,K, u n uniforme pe

(0, 1) şi apoi la calculul valorilor x1 , x2 ,K , xn , unde
xi = F −1 (ui ) . (3.7)
Metoda inversă nu este o metodă generală, deoarece nu întotdeauna putem să
calculăm direct inversa F −1 , iar metodele aproximative de calcul nu conduc în toate
situaţiile la algoritmi satisfăcători. De aceea, vom analiza şi alte procedee de generare
a variabilelor aleatoare, cum ar fi utilizarea teoremei limită centrale.
3.2.2 Generarea variabilelor aleatoare continue
Distribuţia uniformă
Pentru a genera un şir de valori xi ∈ [a , b] uniforme, generăm un şir de variabile

aleatoare uniforme ui ∈ (0, 1) şi apoi
xi = a + (b − a ) ⋅ ui . (3.8)
În Figura 3.1 este reprezentată distribuţia uniformă pentru un eşantion simulat cu
un efectiv de 100 de valori şi cu xmin = 3,60 , xmax = 4,40 şi probabilitatea p = 0,01 .
0.020
0.015
0.010
0.005
0.000
3.60 3.80 4.00 4.20
Figura 3.1 – Distribuţia uniformă
Distribuţia triunghiulară
Distribuţia triunghiulară se utilizează ca model pentru estimările duratelor sau

costurilor activităţilor în modelele de simulare a riscului în proiecte. Răspândirea
acestei distribuţii este datorată şi faptului că parametrii distribuţiei sunt determinaţi de
o valoare minimă a, o valoare de bază m (cea mai probabilă sau plauzibilă) şi o valoare
maximă b. Atunci media distribuţiei triunghiulare este:
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
Figura 3.2 – Distribuţia triunghiulară
Distribuţia exponenţială negativă
Distribuţia exponenţială are densitatea de probabilitate

f ( x ) = λ e − λx , t ≥ 0 , (3.12)
şi distribuţia cumulativă
F ( x ) = 1 − e − λx , t ≥ 0 . (3.13)
Pentru a exemplifica metoda inversă de generare a unei variabile aleatoare
exponenţiale, avem:
1 − e − λx = u , (3.14)
de unde
e − λx = 1 − u . (3.15)
Prin logaritmare naturală obţinem succesiv

ln (e − λx ) = ln(1 − u ) , (3.16)
şi
− λx = ln(1 − u ) , (3.17)
de unde
1
x = − ln(1 − u ) . (3.18)
λ
Distribuţia exponenţială negativă pentru λ = 2 este reprezentată în Figura 3.3.
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
Figura 3.3 – Distribuţia exponenţială negativă
Distribuţia Weibull
Distribuţia Weibull, care se utilizează pe scară largă în modelele de fiabilitate,

are funcţia de densitate:
α −1
α⎛x⎞
e −( x β ) , x ≥ 0 , α > 0 , β > 0 ,
α
f ( x ) = ⎜⎜ ⎟⎟ (3.19)
β ⎝β ⎠
cu funcţia de distribuţie cumulativă:
f ( x ) = 1 − e −( x β ) , x ≥ 0 , α > 0 , β > 0 .
α
(3.20)
Procedând ca în exemplul anterior, obţinem pentru parametrul de formă α şi
parametrul de scală β , relaţia pentru generarea unei variabile aleatoare Weibull prin
metoda inversă, care este:
x = β ⋅ α − ln(1 − u ) . (3.21)
Distribuţia Weibull cu parametrii α = 2 şi β = 1 este reprezentată în Figura 3.4.
Pentru anumite valori ale parametrilor de formă (de exemplu, α = 3,6 şi β = 1 ),

distribuţia Weibull se apropie suficient de mult de forma distribuţiei normale, cea mai
des utilizată distribuţie şi în modelele de simulare.
0.025
0.020
0.015
0.010
0.005
0.000
5.01 5.50 5.99 6.48 6.97
Figura 3.4 – Distribuţia Weibull
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
Figura 3.5 – Distribuţia gamma

Distribuţia beta
Distribuţia beta – care se utilizează, printre altele, pentru modelarea duratei de

realizare a activităţilor în metoda drumului critic – are densitatea de probabilitate:
xα −1 (1 − x )β −1
f (x) = , 0 ≤ x ≤ 1, α > 0, β > 0 , (3.26)
B(α , β )
unde
1 Γ (α )Γ (β )
B(α , β ) = ∫ x α −1 (1 − x )β −1 dx = . (3.27)
0 Γ (α + β )
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
Figura 3.6 – Distribuţia beta
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
către distribuţia normală standardizată, adică

x + x + K + x n − nµ
z= 1 2 ⎯→ N (0,1) .
⎯n⎯ (3.30)
σ n →∞
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 .
Pasul 2: Se calculează s = v12 + v22 .

Pasul 3: Dacă s ≥ 1 se revine la Pasul 1.
Pasul 4: Se calculează
z1 = − 2lnu1 ⋅ cos(2πu 2 ) , z 2 = − 2lnu1 ⋅ sin (2πu 2 ) , (3.37)
care sunt variabile aleatoare normale standardizate şi independente.
O reprezentare a distribuţiei normale cu parametrii µ = 1,00 şi σ = 0,10 este
redată în Figura 3.7.
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
Figura 3.7 – Distribuţia normală
Distribuţia lognormală
Atunci când modelul pe care îl analizăm este asimetric, distribuţia lognormală

poate fi un model statistic mai bun.
În general, variabila aleatoare x este o variabilă lognormală dacă y = lnx este o
variabilă aleatoare normală, având densitatea de probabilitate:
2
1 ⎛ y−µ y ⎞
− ⎜ ⎟
1 2 ⎜⎝ σ y ⎟
f ( y) = e ⎠ , (3.38)
σ y 2π
unde
⎡σ 2 ⎤
σ y2 = ln ⎢ x2 + 1⎥ , (3.39)
⎣ µx ⎦
şi
1 ⎡σ x2 ⎤
µ y = lnµ x − ln ⎢ 2 + 1⎥ . (3.40)
2 ⎣ µx ⎦
Rezultă de aici că atunci când media µ x şi dispersia σ x2 ale unei variabile
lognormale x sunt cunoscute, generarea unei valori aleatoare a lui x se poate face cu
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
Figura 3.8 – Distribuţia lognormală
3.2.2 Generarea variabilelor aleatoare discrete
Vom analiza în continuare metodele de generare a variabilelor aleatoare pentru

principalele distribuţii discrete utilizate în simulare şi anume distribuţiile Bernoulli,
geometrică, Poisson, binomială şi binomială negativă.
Distribuţia Bernoulli
Într-un experiment Bernoulli, sunt posibile numai două de rezultate: succese

(notate S) sau eşecuri (notate F). Dacă p este probabilitatea de succes, atunci q = 1 − p
este probabilitatea înregistrării unui eşec. Presupunem că experimentele sunt
independente, iar p, cu 0 ≤ p ≤ 1 , este o constantă. Atunci pentru generarea unei
variabile aleatoare x de tip Bernoulli, care va lua valoarea 1 în cazul unui succes (S)
sau valoarea 0 în cazul unui eşec (F), putem aplica următorul algoritm:
Pasul 1: Se generează o variabilă aleatoare u uniformă pe (0, 1) .
Pasul 2: Dacă u ≤ p , atunci x = 1 , iar în caz contrar x = 0 .
Distribuţia geometrică
Dacă într-un şir de experimente Bernoulli notăm cu x variabila aleatoare care

reprezintă numărul de eşecuri înregistrate până la apariţia primului succes, atunci x
este o variabilă aleatoare geometrică. Distribuţia de probabilitate a variabilei
geometrice este
f ( x ) = Prob{X = x} = pq x , x = 0, 1, 2, K , (3.41)
iar distribuţia cumulativă
x
F ( x ) = Prob{X ≤ x} = ∑ p ⋅ q i = 1 − q x +1 , (3.42)
i =0
adică suma unei progresii geometrice, de unde provine şi numele distribuţiei.

Din relaţia de mai sus, şi aplicând metoda inversă, obţinem succesiv:
⎡ lnu ⎤
x=⎢ − 1⎥ , x ≥ 0 , (3.43)
⎣ lnq ⎦ ±
unde prin [a ]± am notat numărul întreg nenegativ cel mai apropiat de numărul real a.
Să notăm că variabila geometrică se poate obţine direct şi dintr-o variabilă
Bernoulli.
Distribuţia Poisson
O variabilă aleatoare discretă x Poisson de parametru λ are distribuţia de

probabilitate
λx e − λ
p( x ) = , x = 0, 1, 2, K . (3.44)
x!
Se ştie că distribuţia Poisson este un model adecvat pentru repartiţia
evenimentelor rare, cum ar fi, de exemplu, numărul de sosiri într-un sistem de
aşteptare, care apar într-o unitate de timp. Dar acest interval de timp dintre două sosiri
are o distribuţie exponenţială negativă, şi vom folosi această proprietate pentru
generarea variabilei Poisson x de parametru λ , cu următorul algoritm:
Pasul 1: Se calculează a = e − λ şi se iniţializează b := 1 şi i := 0 .
Pasul 2: Se generează o variabilă aleatoare u uniformă pe (0, 1) şi se calculează
b := b ⋅ u .
Pasul 3: Dacă b ≥ a , se incrementează i := i + 1 şi se trece la Pasul 2.
Pasul 4: Dacă b < a , atunci x = i .
Reprezentarea distribuţiei Poisson pentru λ = 2,5 şi x = 0,1,2,K ,10 este redată în
Figura 3.9.
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
Figura 3.9 – Distribuţia Poisson
Distribuţia binomială
Variabila aleatoare binomială reprezintă numărul de succese x în n experimente

Bernoulli, având numeroase aplicaţii practice, mai ales în controlul statistic al calităţii.
De asemenea, distribuţia binomială este frecvent utilizată datorită proprietăţilor de
aproximare prin distribuţia normală. Distribuţia binomială are forma:
p( x ) = C nx p x q n− x , x = 0,1,K , n , (3.45)
unde p este probabilitatea de succes într-o singură încercare, q = 1 − p , n este numărul
de încercări, iar x este numărul de succese în n încercări.
Pentru generarea directă a variabilei aleatoare binomiale x, cu parametrii p şi n,
se aplică următorul algoritm:
Pasul 1: Se generează n variabile aleatoare bi de tip Bernoulli, folosind valoarea lui
p în algoritmul descris mai sus.
Pasul 2: Variabila aleatoare binomială se obţine din suma:
n
x = ∑ bi . (3.46)
i =1
Ţinând cont de parametrii distribuţiei binomiale x, respectiv media µ = np şi

dispersia σ 2 = npq , conform teoremei limită centrală, are loc limita
x − np
z= ⎯→ N (0,1) ,
⎯⎯ (3.47)
npq n→∞
proprietate care poate fi folosită pentru generarea variabilei aleatoare binomiale, atunci
când n este suficient de mare.
Algoritmul de generare a variabilei binomiale x este următorul:
Pasul 1: Se stabilesc valorile de intrare n şi p. Se calculează q =1 − p .
Pasul 2: Se generează o variabilă aleatoare normală standardizată z (cu una din

metodele prezentate la distribuţia normală)
Pasul 3: Se calculează variabila aleatoare binomială
[
x = np + z ⋅ npq ± , ] (3.48)
Distribuţia binomială cu p = 0,5 şi n = 20 este reprezentată în Figura 3.10. Se poate

observa forma distribuţiei binomiale, asemănătoare distribuţiei normale.
0.20
0.16
0.12
0.08
0.04
0.00
0 2 4 6 8 10 12 14 16 18 20
Figura 3.10 Distribuţia binomială
Distribuţia binomială negativă
Dacă pentru un şir de experimente Bernoulli, notăm cu x variabila care reprezintă

numărul de eşecuri înregistrate până la apariţia a k succese ( k > 0 ), atunci x se numeşte
variabilă binomială negativă (sau variabilă Pascal) şi are distribuţia de probabilitate:
p( x ) = C xx + k −1 p k q x , x = 0,1,K . (3.49)
Să remarcăm, de asemenea, faptul că distribuţia geometrică menţionată anterior
este un caz particular al distribuţiei binomiale negative, pentru k = 1 .
Din definiţie rezultă că variabila aleatoare Pascal este o sumă de k variabile
aleatoare geometrice, şi atunci putem obţine un procedeu pentru generarea variabilei
binomiale negative, de parametri k şi p, utilizând relaţia:
⎡ ⎛ k ⎞⎤
⎢ ln⎜ ∏ ui ⎟ ⎥
x = ⎢ ⎝ i =1 ⎠ ⎥ , (3.50)
⎢ lnq ⎥
⎢ ⎥
⎣ ⎦±
3.3 APLICAŢII 87
3.3 APLICAŢII
3.3.1 Simularea unei probleme de risc economic
Vom exemplifica în continuare aplicarea metodei Monte Carlo de simulare a unei

probleme în care riscul are o componentă economică. În majoritatea cazurilor, în
ultimă instanţă, riscul va avea o componentă economică, asociată pierderii sau
profitului ca urmare a adoptării unei decizii cu caracter economic şi a acţiunii
corespunzătoare aplicate.
Modelul
O firmă de transport are în dotare 5 microbuze luate în leasing, cu care

efectuează transport interurban de persoane, pe distanţe medii. Cursele sunt de două
tipuri: curse planificate, cu orare şi trasee fixate şi curse charter, neplanificate, pentru
turism, transporturi de persoane pentru manifestări culturale şi sportive sau în alte
scopuri. Firma doreşte realizarea unei simulări a performanţelor sale economice
(exprimate prin profitul anual) pentru anul următor. Modelul problemei de simulare
este prezentat în Tabelul 3.1.
Variabilele de intrare în model au fost clasificate în variabile controlabile (cele
asupra cărora firma are un anumit control şi le poate influenţa sau modifica, respectiv
preţul curselor charter pe oră şi preţul biletelor pe oră) şi în variabile aleatoare, asupra
cărora firma fie nu are un control direct, fie ele au o variabilitate inerentă, datorată
mediului economic în care firma acţionează (respectiv variabilele: ore transport/an,
capacitatea curselor planificate, proporţia curselor charter, costuri operaţionale/oră,
costuri fixe). În tabelul de mai jos sunt date valorile de bază pentru variabilele de
intrare pentru un microbuz, valori cu care au fost realizate calculele de eficienţă
economică.
Venitul total a fost calculat avându-se în vedere: numărul total de ore de transport
pe an, capacitatea ocupată a curselor planificate şi preţul biletelor pe ora de transport,
la care s-a adăugat proporţia orelor curselor charter cu preţul pe oră al acestor curse.
Costul total a fost determinat calculându-se costurile variabile operaţionale pentru
totalul orelor de transport, la care au fost adăugate costurile fixe. În final, valorile
obţinute au fost multiplicate cu numărul de microbuze.
Valorile variabilelor de indicatori economici (venitul total şi costul total) precum
şi variabila de performanţă a modelului (profitul anual) au fost considerate variabile
simulate, deoarece ele se obţin pe baza valorilor simulate ale variabilelor aleatoare ale
modelului.
Tabelul 3.1 – Modelul problemei de simulare

Variabile de intrare Valori Tip variabilă
Preţ cursă charter/oră 250€ Controlabilă
Preţ bilete/oră 130€ Controlabilă
Ore transport/an 800 ore Aleatoare
Capacitatea curselor planificate 50% Aleatoare
Proporţia curselor charter 0,5 Aleatoare
Costuri operaţionale/oră 250€ Aleatoare
Costuri fixe (leasing, asigurări,
10,000€ Aleatoare
salarii)
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.
Pentru exemplul firmei de transport, rezultatele simulării sunt prezentate în

Tabelul 3.2.
Tabelul 3.2 – Parametrii simulării
Parametri Valori
Media 18.827
Abaterea standard 20.971
Valoarea minimă -20.992
Prima cuartilă (Q1) 4.479
Mediana 16.007
A treia cuartilă (Q3) 33.428
Valoarea maximă 66.977
Histograma frecvenţei distribuţiei simulate este redată în Figura 3.11.
25
20
Frecvenţa
15
10
0
-30,000 -10,000 10,000 30,000 50,000 70,000
Profit anual
Fig. 3.11 Histograma frecvenţei distribuţiei simulate
Distribuţia cumulativă a variabilei simulate (profitul anual), obţinută din cumularea

datelor de simulare, este prezentată în Figura 3.12.
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
Figura 3.12 – Distribuţia cumulativă simulată

Să analizăm acum rezultatele simulării. Valoarea medie simulată a profitului

anual este de 18.827€, cu o abaterea standard de 20.971€. Se observă că media
profitului se apropie destul de mult de valoare rezultată ca urmare a calculului
profitului în modelului determinist (modelul fără variabile aleatoare din Tabelul 3.1).
Amplitudinea valorilor simulate este de 87.969€, cu valoarea minimă simulată este de
–20.992€ şi valoarea maximă 66.977€. Analizând cuartilele, rezultă pentru prima
cuartilă ( Q1 = Q25% ) o valoare de 4.479€, ceea ce înseamnă că cu probabilitatea 0,75
profitul anual va fi de circa 4.500€, mediana (sau cuartila Q2 = Q50% ) de 16.007€, adică
cu probabilitatea 0,50 profitul anual va fi de 16.000€, iar a treia cuartilă ( Q3 = Q75% )
este egală cu 33.428€, adică probabilitatea 0,25 de a avea un profit anual de 33.500€.
Centilele P0% , P10% ,K , P90% , P100% (care se mai numesc şi decile) sunt prezentate în Tabelul
3.3. Cu ajutorul lor, dar şi al reprezentării distribuţiei cumulative simulate, putem să
evaluăm probabilităţile de a avea diferite valori ale profitului.
Tabelul 3.3 - Centilele distribuţiei simulate
Centile Valori Centile Valori
P0% –20.992 P60% 22.026
P10% –6.937 P70% 29.046
P20% 3.194 P80% 39.678
P30% 7,303 P90% 47.358
P40% 11.007 P100% 66.977
P50% 16.007
Gradul de certitudine în rezultatele obţinute prin simulare poate fi evaluat şi prin

intermediul distribuţiei cumulative simulate din Figura 3.12. Astfel, probabilitatea ca
firma să nu înregistreze pierderi – notând cu X variabila aleatoare reprezentată de
profitul anual – este aproximativ probabilitatea:
Prob{X ≥ 0} = 1 − Prob{X < 0} ≈ 1 − 0,17 = 0,83 , (3.51)
iar probabilitatea ca profitul anual să fie mai mare sau egal cu 20.000€ este
aproximativ:
Prob{X ≥ 20.000} = 1 − Prob{X < 20.000} ≈ 1 − 0,56 = 0,44 . (3.52)
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.
(2) Se efectuează analiza influenţei tuturor variabilelor asupra modelului (analiza

multidimensională).
(3) Se efectuează analiza variabilităţii modelului, prin analiza amplitudinii şi a
varianţei variabilelor de intrare.
Pentru analiza de senzitivitate, un prim pas îl constituie stabilirea limitelor de
variaţie ale variabilelor modelului, atât pentru variabilele controlabile (deterministe),
cât şi pentru variabilele aleatoare. În acest scop se determină valorile minime, de bază
şi cele maxime ale variabilelor de intrare ale modelului. Pentru aplicaţia anterioară,
aceste valori sunt date în Tabelul 3.4.
Tabelul 3.4 – Valorile minime, de bază şi maxime ale variabilelor de intrare

Variabile de intrare Min Baza Max
Preţ cursa charter/oră 225 250 275
Preţ bilete/oră 110 130 150
Ore transport/an 600 800 1.000
Capacitatea curselor planificate 30% 50% 70%
Proporţia curselor charter 0,4 0,5 0,6
Costuri operaţionale/oră 220 250 280
Costuri fixe (leasing, asigurări, salarii) 7.500 10.000 12.500
Analiza multidimensională se realizează considerând o plajă de variaţie a fiecărei

variabile de intrare în model, de obicei între 50% şi 150%, cu un pas de variaţie din
10% în 10%. Valorile calculate pentru valorile 50%, 80%, 100%, 120% şi 150% ale
valorilor variabilelor de intrare din modelul aplicaţiei noastră sunt date în Tabelul 3.5.
Tabelul 3.5 – Valorile 50% – 150% ale variabilelor de intrare

Variabile de intrare 50% 80% 100% 120% 150%
Preţ cursa charter/oră 125 200 250 300 375
Preţ bilete/oră 65 104 130 156 195
Ore transport/an 400 640 800 960 1.200
Capacitatea curselor
25% 40% 50% 60% 75%
planificate
Proporţia curselor charter 0,25 0,40 0,50 0,60 0,75
Costuri operaţionale/oră 125 200 250 300 375
Costuri fixe (leasing,
5.000 8.000 10.000 12.000 15.000
asigurări, salarii)
În continuare, cu valorile variabilelor de intrare din tabelul de mai sus, sunt

calculate restul variabilelor de ieşire ale modelului, respectiv venitul total şi costul
total, din care rezultă profitul anual. Analiza multidimensională a variaţiei valorice a
profitului anual este prezentată în Tabelul 3.6. Valorile din acest tabel sunt obţinute
considerând succesiv, pentru fiecare element al tabelului, valorile din Tabelul 3.5 ca
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%.
Tabelul 3.6 – Analiza multidimensională a variaţiei valorice a profitului anual

Variabila de ieşire Profit anual (valoric)
Preţ cursa charter/oră –30.000 0 20.000 40.000 70.000
Preţ bilete/oră –45.000 –6.000 20.000 46.000 85.000
Ore transport/an 5.000 14.000 20.000 26.000 35.000
–45.000 –6.000 20.000 46.000 85.000
planificate
Proporţia curselor charter 35.000 26.000 20.000 14.000 5.000
Costuri operaţionale/oră 120.000 60.000 20.000 –20.000 –80.000
25.000 22.000 20.000 18.000 15.000
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
80,000 Preţ bilete/oră
60,000
Ore transport/an
40,000
Profit anual
20,000 Capacitatea curselor

planificate
0
50% 70% 90% 110% 130% 150% Proporţia curselor
-20,000 charter
-40,000 Costuri
operaţionale/oră
-60,000
-80,000
% modificare variabile intrare
Figura 3.13 – Analiza multidimensională a variaţiei valorice a profitului anual
O altă modalitate de analiză o constituie considerarea variaţiei procentuale a

profitului ca urmare a variaţiei procentuale a variabilelor de intrare, prezentată în
Tabelul 3.6
Tabelul 3.6 – Analiza multidimensională a variaţiei procentuale a profitului anual

Variabila de ieşire Profit anual (procentual)
Preţ cursa charter/oră –150% 0% 100% 200% 350%
Preţ bilete/oră –225% –30% 100% 230% 425%
Ore transport/an 25% 70% 100% 130% 175%
Capacitatea curselor planificate –225% –30% 100% 230% 425%
Proporţia curselor charter 175% 130% 100% 70% 25%
Costuri operaţionale/oră 600% 300% 100% –100% –400%
125% 110% 100% 90% 75%
salarii)
Fişa de analiză multidimensională corespunzătoare datelor din Tabelul 3.6 este

reprezentată în Figura 3.14.
700%
600%
500% Preţ bilete/oră
% modificare profit annual
400%
300% Ore transport/an
200%
100% planificate
0% Proporţia curselor
-100% 50% 70% 90% 110% 130% 150% charter
-200% Costuri
operaţionale/oră
-300%
-400% asigurări, salarii)
-500%
% modificare variabile intrare
Figura 3.14 Analiza multidimensională a variaţiei procentuale a profitului anual
Analiza de senzitivitate multidimensională pune în evidenţă faptul că o serie de

variabile au un impact negativ asupra modelului, iar altele un impact pozitiv. Astfel,
pentru variabilele costurile operaţionale, proporţia curselor chartere şi costurile fixe,
creşterea lor determină o scădere a profitului anual, în timp ce celelalte variabile au un
impact pozitiv, creşterea lor contribuind la creşterea profitului anual. Cea mai
importantă variaţie o prezintă variabila de costuri operaţionale pe oră. Reducerea la
80% a costurilor ar duce la o creştere a profitului cu 300%, iar creşterea la 120% a
costurilor operaţionale va duce la o scădere cu 100% a profitului. Impactul pozitiv cel
mai important asupra modelului este dat de variabilele capacitatea şi preţul biletelor
pentru cursele planificate, precum şi preţul curselor charter, aşa cum rezultă şi din
reprezentările grafice ale fişelor multidimensionale.
Continuând analiza de senzitivitate, vom studia amplitudinea fiecărei variabile,

cât şi ponderea variabilităţii fiecărei variabile în modelul simulat. Pentru aceasta,
calculăm mai întâi valorile profitului anual, variind succesiv datele minime, de bază şi
maxime din Tabelul 3.4, în raport cu datele de bază, similar ca la analiza
multidimensională. Datele obţinute sunt prezentate în Tabelul 3.7.
Tabelul 3.7 – Analiza limitelor variaţiei valorice a profitului anual

Variabila de ieşire Profit anual (valoric)
Variabile de intrare Min Baza Max
Capacitatea curselor planificate –32.000 20.000 72.000
Costuri operaţionale/oră 44.000 20.000 –4.000
Preţ bilete/oră 0 20.000 40.000
Preţ cursa charter/oră 10.000 20.000 30.000
Ore transport/an 12.500 20.000 27.500
Proporţia curselor charter 26.000 20.000 14.000
22.500 20.000 17.500
salarii)
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.
Tabelul 3.8 Analiza amplitudinii şi a ponderii varianţei

Variabile de intrare Amplitudinea Varianţa (%) Cumulat (%)
Capacitatea curselor planificate 104,000 69.7% 69.7%
Costuri operaţionale/oră 48,000 14.9% 84.6%
Preţ bilete/oră 40,000 10.3% 94.9%
Preţ cursa charter/oră 20,000 2.6% 97.5%
Ore transport/an 15,000 1.5% 98.9%
Proporţia curselor charter 12,000 0.9% 99.8%
5,000 0.2% 100.0%
salarii)
Pentru analiză se construieşte aşa-numita „fişă tornado”, în care sunt reprezentate

valorile minime şi maxime ale fiecărei variabile, ordonate descrescător, aşa ca în
Figura 3.15.
Pentru ponderea varianţei variabilelor putem construi o diagramă Pareto,
considerând ponderea cumulată a fiecărei variabile aleatoare în totalul varianţei.
-40,000 -20,000 0 20,000 40,000 60,000 80,000
Capacitatea curselor planificate
Costuri operaţionale/oră
Preţ bilete/oră
Ore transport/an
Proporţia curselor charter
Costuri fixe (leasing, asigurări, salarii)
Figura 3.15 – Fişa tornado pentru amplitudine
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%
operaţionale/oră
Preţ bilete/oră
charter/oră
curselor charter
Pret cursa
Capacitatea
transport/an
planificate
curselor
Costuri fixe
Proporţia
(leasing,
Ore
Costuri
Figura 3.15 – Diagrama Pareto pentru varianţă
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€ - - - - -
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
4.1 O PROBLEMĂ DE DECIZIE ÎN CALITATE
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.
A. DECIZIA FĂRĂ EXPERIMENTARE

P1.1: Problema de decizie constă din următoarele acţiuni:
a1 : Aprovizionarea a 1.000 arbori de la furnizorul C;
a2 : Aprovizionarea a 1.000 arbori de la furnizorul A;
a3 : Aprovizionarea a 500 arbori de la furnizorul C şi 500 arbori de la
furnizorul A;
a4 : Aprovizionarea a 500 arbori de la furnizorul C şi 500 arbori de la
furnizorul B;
a5 : Aprovizionarea a 1.000 arbori de la furnizorul B;
a6 : Aprovizionarea a 500 arbori de la furnizorul A şi 500 arbori de la
furnizorul B,
şi deci spaţiul de acţiune este A = {a1 , a2 , a3 , a4 , a5 , a6 } .
P1.2: Stările naturii pentru această problemă sunt:
θ1 : Parametrii de duritate ai loturilor livrate sunt: µ = 102 , σ = 2 ;
θ 2 : Parametrii de duritate ai loturilor livrate sunt: µ = 105 , σ = 2 .
Rezultă spaţiul stărilor Θ = {θ1 ,θ 2 }.

P1.3: Consecinţele acţiunilor sunt determinate de considerarea parametrilor de
duritate pentru stările θ1 şi θ 2 , şi pentru fiecare din cele şase acţiuni stabilite,
consecinţe pe care nu le vom mai lista aici.
4.1 O PROBLEMĂ DE DECIZIE ÎN CALITATE 99
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:
Preţul unitar – Pu Costul mediu unitar – C mu

153,650, dacă µ = 102
140 / bucată 232,631, dacă µ = 105
163,650, dacă µ = 102
150 / bucată 242,631, dacă µ = 105
200 / bucată 213,650, dacă µ = 102

P2.1: Funcţia de pierdere:
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
a4 500 C 198.141 237.631 237.631
500 B
a5 1.000 B 232.631 232.631 232.631
a6 500 A 223.141 223.141 223.141
500 B
P2.2: Eliminarea acţiunilor dominate:

Avem relaţiile de dominare:
a4 << a3 , a5 << a2 , a6 << a2 ,
de unde rezultă funcţia de pierdere numai cu acţiunile dominante:
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

P3.1: Se bordează tabelul funcţiei de pierdere cu o coloană care conţine maximul
valorilor funcţiei de pierdere din fiecare linie.
P3.2: Regula de decizie minimax: min max L(θ , a j ) = 213.650 .
P3.3: Decizia minimax: Acţiunea a2 – Aprovizionarea a 1.000 arbori de la

furnizorul A.
P4.1: Probabilităţile iniţiale considerate sunt:
Starea naturii θ1 θ2
Probabilităţi iniţiale 0,67 0,33
P4.2: Probabilităţile iniţiale verifică condiţiile de definire a probabilităţilor

(valorile sunt cuprinse între 0 şi 1, iar suma lor este egală cu 1).
P5.1: Pierderile medii L(a j ) pentru fiecare acţiune a j sunt:
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
P5.2: Regula de decizie Bayes:

min L(a j ) = 179.977 .
P5.3: Decizia Bayes: Acţiunea a1 – Aprovizionarea a 1.000 arbori de la
furnizorul C.
În Figura 4.1 este reprezentată funcţia de pierdere pentru decizia Bayes.
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
Fig. 4.1 – Reprezentarea funcţiei de pierdere
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.
P6.2: Se definesc următoarele proceduri de decizie şi acţiuni:
⎧a1 , dacă x < 103

⎪
d1 ( x ) = ⎨a3 , dacă 103 ≤ x ≤ 104 ,
⎪a , dacă x > 103
⎩ 2
⎧a1 , dacă x < 103

d2 (x ) = ⎨ .
⎩a2 , dacă x ≥ 103
P6.3: Costul experimentului îl considerăm 0, procedura de eşantionare fiind
prevăzută în tehnologia de recepţie a loturilor aprovizionate.

P7.1: Probabilităţile condiţionate ca urmare a experimentului sunt următoarele:
Prob{x < 103} = 0,8413

µ = 102 Prob{103 ≤ x ≤ 104} = 0,1359
Prob{x > 104} = 0,0228
d1 ( x )
Prob{x < 103} = 0,0228
µ = 105 Prob{103 ≤ x ≤ 104} = 0,1359
Prob{x > 104} = 0,8413
Prob{x < 103} = 0,8413
µ = 102
Prob{x ≥ 103} = 0,1587
d2 (x )
Prob{x < 103} = 0,0228
µ = 105
Prob{x ≥ 103} = 0,9772
P7.2: Calculul riscului mediu:
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
P7.3: Riscul mediu minimax:
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
P7.4: Decizia minimax: d 2
P7.5 : Riscul mediu Bayes cu probabilităţi anterioare:
θ1 θ2 ∑
R(d1 ,θ ) 106.514 72.017 178.532
R(d 2 ,θ ) 108.780 71.361 180.140
min 178.532
P7.6: Decizia Bayes: d1

P8.1: Considerăm media obţinută prin eşantionare la recepţie ca fiind x = 104,5 .
Rezultă probabilităţile condiţionate ca urmare a experimentului:
πθ x
x θ1 θ2
104,5 0,0175 0,3521
P8.2: Calculul probabilităţilor condiţionate posterioare:
k π X θ =k ( x ) ⋅ pθ (k ) π X (x)
x θ1 θ2
104,5 0,0117 0,1174 0,1290
P8.3: Calculul distribuţiei posterioare:
k f θ X = x (k )
x θ1 θ2
104,5 0,0906 0,9094

P9.1: Riscul Bayes în funcţie de distribuţia posterioară ( x = 104,5 ):
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
P9.2: Decizia privind acţiunile Bayes:
x Acţiunea Bayes Pierderea medie Distribuţia

marginală
104,5 a2 213.500 0,1290
Pasul 10. Evaluarea abordării Bayes.

Vom defini în cele ce urmează aşa-numita funcţie de regret, care este definită de
relaţia:
r ( a ,θ ) = L(a ,θ ) − min L( a ,θ ) . (4.8)
a∈A
Principiul regretului exprimă, de fapt, diferenţa dintre pierderea efectivă

înregistrată şi pierderea înregistrată dacă ar fi fost aleasă cea mai bună acţiune posibilă.
Funcţia de regret pentru problema noastră este calculată în Tabelul 4.1, pe baza
tabelului funcţiei de pierdere.
Pentru starea θ1 valoarea minimă este L(a1 ,θ1 ) = 153.650 , iar pentru starea θ 2
valoarea minimă corespunzătoare este L(a2 ,θ 2 ) = 213.650 , de unde obţinem valorile
funcţiei de regret.
Tabelul 4.1 – Funcţia de regret

Starea naturii
Acţiunea θ1 θ2
a1 1.000 C 0 18.981
a2 1.000 A 60.000 0
a3 500 C 35.000 14.491
500 A
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.
O procedură alternativă la alegerea funcţiei de risc ca măsură a consecinţelor unei

acţiuni o reprezintă utilizarea curbei caracteristicii operative (CO), pe care o vom
defini în continuare, în legătură şi cu funcţia de risc.
Din punct de vedere statistic, există două tipuri de decizii incorecte care se pot
adopta. Astfel, dacă adevărata stare a naturii este θ1 , adică µ = 102 , iar decidentul
alege acţiunea a 2 , atunci el comite o eroare de tipul (speţa) I, iar probabilitatea ei de
apariţie este α , numită şi nivel de semnificaţie. Dacă însă adevărata stare a naturii este
θ 2 ,iar decidentul alege acţiunea a1 , atunci decidentul comite o eroare de tipul II, cu
probabilitatea de apariţie β .
Să considerăm următoarea procedură de decizie, care utilizează media x a
eşantionului cu n = 4 valori extras din loturile aprovizionate, cu regula de decizie:
⎧a1 , dacă 100,5 ≤ x ≤ 103,5

d x (x ) = ⎨ . (4.9)
⎩a 2 , dacă x < 100,5 sau x > 103,5
Limitele de mai sus corespund situării variabilei aleatoare x într-un interval de trei
abateri standard faţă de media specificată.
Curba caracteristicii operative a procedurii de decizie d x ( x ) se obţine
reprezentând grafic probabilitatea de a alege acţiunea a1 , faţă de adevărata stare a
naturii (Figura 4.2). Valorile acestei curbe sunt β ( µ ) pentru µ ≠ 102 şi respectiv
1 − α pentru µ = 102 . Curba caracteristicii operative CO este deci o măsură a
consecinţei unei anumite proceduri de decizie.
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
Figura 4.2 Curba caracteristicii operative (CO) a procedurii de decizie
Să comparăm acum curba caracteristicii operative cu funcţia de risc. Pentru o

procedură de decizie d cu două stări, să considerăm că acţiunea a1 este aleasă dacă
variabila X aparţine unei regiuni de acceptare A, iar acţiunea a2 se alege dacă X nu
aparţine lui A. Atunci funcţia de risc se poate scrie:

R(d ,θ ) = L(a1 ,θ ) ⋅ Prob{X ∈ A} + L(a2 ,θ )⋅ Prob{X ∉ A} . (4.10)
Partiţionăm spaţiul stărilor Θ , în două mulţimi disjuncte Θ1 şi Θ 2 , astfel încât
acţiunea a1 este acţiunea preferată dacă θ ∈Θ1 , respectiv a2 dacă θ ∈Θ 2 . Dacă
funcţia de pierdere este o funcţie de regret, adică:
L(a1 ,θ ) = 0 dacă θ ∈Θ1
, (4.11)
L(a2 ,θ ) = 0 dacă θ ∈Θ 2
atunci riscul poate fi exprimat ca:
⎧ L(a2 ,θ ) ⋅ Prob{X ∈ A}, dacă θ ∈Θ1
R ( d ,θ ) = ⎨ , (4.12)
⎩ L(a1 ,θ ) ⋅ Prob{X ∉ A}, dacă θ ∈Θ 2
Dacă în relaţia de mai sus considerăm valorile funcţiei de regret ca fiind unitare,
atunci avem:
⎧Prob{X ∈ A}, dacă θ ∈Θ1
R ( d ,θ ) = ⎨ , (4.13)
⎩Prob{X ∉ A}, dacă θ ∈Θ 2
În contextul problemei noastre, Θ1 este mulţimea alcătuită din punctul µ = 102 ,
iar Θ 2 din toate celelalte puncte µ ≠ 102 . Atunci riscul este dat de:
⎧Prob{X ∈ A} = α , dacă µ = 102
R ( d ,θ ) = ⎨ . (4.14)
⎩Prob{X ∉ A} = β ( µ ), dacă µ ≠ 102
Atunci funcţia de risc coincide cu curba caracteristicii operative pentru toate
valorile µ ≠ 102 , şi este 1 minus valoarea curbei caracteristicii operative (CO) pentru
µ = 102 .
În concluzie, curba caracteristicii operative (CO) pentru o procedură de decizie
este reprezentarea grafică a probabilităţii de acceptare a ipotezei statistice, faţă de
adevărata stare a naturii, reprezentată de obicei prin parametrii distribuţiei de
probabilitate considerate.
Eroarea de tipul I este probabilitatea de respingere a ipotezei atunci când ea este
adevărată, iar eroarea de tipul II este probabilitatea de acceptare a ipotezei atunci când
ea este falsă.
Acceptarea sau respingerea ipotezei este echivalentă cu alegerea acţiunii a1 ,
respectiv a acţiunii a2 . Decidentul trebuie să aleagă o procedură de decizie a cărei
curbă a caracteristicii operative (CO) să reflecte măsura consecinţelor sau riscul pe
care este dispus să îl accepte.
4.2 ABORDAREA TAGUCHI 107
4.2 ABORDAREA TAGUCHI

4.2.1 Funcţia de pierdere Taguchi
Vom analiza în continuare 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 aici 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.
În mod tradiţional – şi empiric – se consideră că unităţile de produs situate în
afara limitelor de toleranţă specificate sunt „egal” neconforme (la fel de
necorespunzătoare), în timp ce unităţile de produs situate între limitele specificate sunt
la fel de conforme (corespunzătoare sau acceptabile), în funcţie de situarea lor faţă de
limita specificată de toleranţă inferioară (LSI) sau superioară (LSS). Unităţile situate în
afara limitelor de toleranţă specificate constituie pierderea, corespunzătoare ariei
haşurate din Figura 4.3. Obţinem astfel aşa-numita fracţiune defectivă actuală.
Pierderea totală rezultă din considerarea costului unitar de remaniere, rebutare sau
înlocuire a unităţilor de produs defective.
O altă abordare utilizează conceptul de interval natural de toleranţă (INT), care
este o măsură a variabilităţii inerente a procesului, determinată de limitele naturale de
toleranţă ale acestuia. Dacă x şi s sunt respectiv media şi abaterea standard ale
caracteristicii de calitate analizate calculate pentru eşantioanele provenind din proces,
atunci limita naturală inferioară (LNI) este dată LNI = x − 3s , iar limita naturală
superioară (LNS) este LNS = x + 3s .
Pierdere
LSI T LSS
Figura 4.3 – Interpretarea empirică a funcţiei de pierdere
Proporţia de unităţi de produs neconforme, situate în afara limitelor de toleranţă

specificate, este estimată cu ajutorul distribuţiei normale care modelează procesul
respectiv N (t , x , s ) , prin considerarea fracţiunii defective inferioare ( pinf ), superioare
( psup ) şi totale ( ptot ), ca fiind probabilităţile:
LSI
pinf = Prob{X < LSI } = ∫−∞ N (t , x , s )dt , (4.15)
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.
Pierdere
Kδ δ
LSI T LSS
Figura 4.4 Funcţia de pierdere Taguchi
Să considerăm acum valoarea medie a funcţiei de pierdere Taguchi. Obţinem:

[ ]
M [LT ( x ,T )] = M k ⋅ ( x − T )2 = k ⋅ M ( x − T )2[ ]. 4.21)
= k ⋅ [σ 2
+ ( µ − T )2 ]
Am obţinut astfel riscul Taguchi, respectiv pierderea medie asociată unui proces
ca urmare a deplasării procesului faţă de ţinta specificată a acestuia. Scriind o formulă
mai generală, dacă LT ( x ,T ) este funcţia de pierdere utilizată ca model, iar f ( x ,θ )
distribuţia de probabilitate a procesului, atunci riscul Taguchi este:
M [LT ( x ,T )] = ∫−∞ LT ( x ,T ) ⋅ f ( x ,θ )dx .
∞
(4.22)
Vom analiza în continuare funcţia de pierdere şi riscul Taguchi în corelare cu
indicii de performanţă ai unui proces, respectiv indicele de potenţial C p , care este o
măsură a variabilităţii procesului şi este dat de relaţia:
LSS − LSI
Cp = , (4.23)
6σ
indicele de capabilitate C pk , care este o măsură a centrării procesului, fiind definit ca:
⎧ LSI − µ LSS − µ ⎫
C pk = min ⎨ ; ⎬, (4.24)
⎩ 3σ 3σ ⎭
şi indicele de precizie C pm , propus iniţial chiar de Taguchi, care este o măsură a
abaterii procesului faţă de ţintă, calculat cu relaţia:
LSS − LSI
C pm = . (4.23)
6 σ 2 + ( µ − T )2
Din ultima relaţie şi ţinând cont de relaţia (4.21) se poate obţine următoarea
relaţie între indicele de precizie C pm şi riscul Taguchi, respectiv:
2
⎛ ITS 1 ⎞
M [LT ( x , T )] = k ⋅ ⎜ ⋅ ⎟ , (4.24)
⎜ 6 C ⎟
⎝ pm ⎠
unde ITS = LSS − LSI este intervalul de toleranţă specificat.

Relaţia obţinută este interesantă, având în vedere că pentru un proces cu un nivel
de performanţă specificat (NPS) de 3 sigma, indicele de potenţial C p = 1,00 , trebuie să
avem ITS = 6σ şi atunci relaţia de mai sus devine:
2
⎛ σ ⎞
M [LT ( x ,T )] = k ⋅ ⎜ ⎟ , (4.25)
⎜C ⎟
⎝ pm ⎠
Generalizând, pentru nivele de performanţă specificate ale procesului de 3
Sigma, 4 Sigma, 5 Sigma şi 6 Sigma, cărora le corespund valorile nivelelor de
performanţă NPS ∈ {1,00; 1,33; 1,67; 2,00} , atunci riscul Taguchi poate fi exprimat în
funcţie de performanţa specificată pentru proces şi de indicele de precizie, cu relaţia:
2
⎛ NPS ⋅ σ ⎞
M [LT ( x , T )] = k ⋅ ⎜ ⎟ , (4.26)
⎜ C ⎟
⎝ pm ⎠
Să considerăm acum, pentru exemplificare, un proces de fabricaţie care
generează o caracteristică de calitate cu limitele de toleranţă specificate LSI = 21,5 mm
şi LSS = 23,5 mm, având valoarea nominală (ţinta) T = 22,5 mm, pentru care costul
unei unităţi de produs defective (situată în afara limitelor de toleranţă specificate) este
K δ = 3 (€). În Figura 4.5 sunt reprezentate trei situaţii relative la acest proces. În prima,
procesul are un indice de potenţial foarte bun, C p = 2,00 , dar indicii de capabilitate şi
de precizie sunt necorespunzători, procesul fiind puternic descentrat. În cea de a doua
ipostază a procesului, suntem în situaţia unui proces optimal ca variabilitate şi tendinţă
centrală, toţi indicii de performanţă fiind foarte buni. În al treilea caz, procesul este la
un nivel de performanţă de 3 Sigma, toţi indicii de performanţă fiind egali cu 1,00.
Vom calcula funcţia de pierdere Taguchi pentru cele trei cazuri ale procesului.
Pentru primul caz, avem µ1 = 22 şi σ 1 = 0,167 şi rezultă δ = 21,5 − 22,5 = 1 , de
unde k = 3 1 = 3 . Obţinem, aplicând relaţia (4.21), pierderea medie pe unitatea de
[ ]
produs ca fiind M [L1 ] = 3 ⋅ 0,167 2 − (22 − 22,5)2 = 0,83 €. Pentru cel de al doilea
proces, parametrii sunt µ 2 = 22,5 şi σ 2 = 0,167 şi pierderea medie pe unitatea de
produs va fi M [L2 ] = 3 ⋅ [0,167 2 − (22,5 − 22,5)2 ] = 0,08 €. În fine, pentru cel de al treilea
proces, având µ 3 = 22,5 şi σ 3 = 0,333 , pierderea medie pe unitatea de produs va fi
[ ]
M [L3 ] = 3 ⋅ 0,3332 − ( 22,5 − 22,5)2 = 0,33 €. Se observă că pierderea medie cea mai
mare, deci riscul Taguchi cel mai ridicat, se obţine în cazul primului proces, care este
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
21 21.5 22 22.5 23 23.5 24
Figura 4.5 Funcţia de pierdere pentru 3 procese

cu indici de performanţă diferiţi
Valorile riscului Taguchi se obţin relativ uşor cu formula pe care am propus-o

anterior, respectiv relaţia (4.24). Astfel, ITS = 23,5 − 21,5 = 2 , iar pentru primul proces
C pm = 0,6325 . Atunci valoarea medie a pierderii Taguchi este:
2
⎛ ITS 1 ⎞ ⎛2 1 ⎞
2
M [L1 ] = k ⋅ ⎜ ⋅ ⎟ = 3⋅⎜ ⋅ ⎟ = 0,83 . (4.27)

⎜ 6 C ⎟ ⎝ 6 0,6325 ⎠
⎝ pm ⎠
Să analizăm acum funcţia de pierdere şi riscul Taguchi atunci când nivelul de

performanţă specificat pentru proces este 6 Sigma. Să remarcăm faptul că, în ultimii
ani, acest concept (cunoscut sub numele Six Sigma şi dezvoltat de firma americană
Motorola) câştigă din ce în ce mai mult teren şi mai mulţi adepţi, în toate domeniile de
activitate economică. Parametrii ţintă pentru nivelul 6 Sigma sunt un indice de
potenţial C p ≥ 2 şi un indice de capabilitate C pk ≥ 1,5 , ceea ce înseamnă o fracţiune
defectivă admisă de 3,4 ppm (unităţi defective pe milion)! În exemplul nostru, pentru
ca procesul să fie de tip 6 Sigma trebuie să aibă parametrii C p = 2 , C pk = 1,5 , de unde
rezultă că media procesului poate să se deplaseze cu 1,5σ faţă de ţintă, respectiv între
valorile 22,25 şi 22,75. Atunci indicele de precizie corespunzător este:
23,5 − 21,5
C pm = = 1,11. (4.28)
6 ⋅ 0,167 2 + (22,75 − 22,5)2
Pentru calculul riscului Taguchi pentru un proces 6 Sigma vom aplica cealaltă
formulă simplă de calcul pe care am propus-o, relaţia (4.26), cu NPS = 2 , obţinând:
2
⎛ NPS ⋅ σ ⎞ 2
M [L6σ ] = k ⋅ ⎜ ⎟ = 3 ⋅ ⎛⎜ 2 ⋅ 0,167 ⎞⎟ = 0,27 €/bucată. (4.29)

⎜ C ⎟ ⎝ 1,11 ⎠
⎝ pm ⎠
4.3 EVALUAREA RISCULUI ÎN FIABILITATE

4.3.1 Un model general de evaluare a riscului în fiabilitate
Utilizarea generală a termenului „calitate a unui produs” are mai multe
semnificaţii, printre care şi aceea de „nivel inerent de excelenţă”. În industrie, această
definiţie generală devine şi mai precisă, calitatea fiind considerată „conformanţa cu
specificaţiile”, la începutul utilizării unui produs. Presupunând că specificaţiile (de
natură tehnică, dar şi economică) transpun în mod adecvat cerinţele clientului, calitatea
poate fi comensurată, de exemplu, prin fracţiunea de unităţi de produs care satisfac
specificaţiile. Se pune întrebarea însă câte din unităţile de produs – conforme în
momentul livrării la client – mai satisfac cerinţele specificate după o anumită perioadă
de utilizare a produsului (după un an sau la finele perioadei de garanţie)? Pentru a
răspunde la această întrebare se folosesc modelele statistico-matematice specifice
fiabilităţii, respectiv aşa-numitul model al distribuţiei duratei de viaţă a unui produs,
pentru care se poate utiliza orice funcţie de densitate de probabilitate, f (t ) , definită
pentru orice t de la 0 la ∞ . Funcţia de distribuţie cumulativă corespunzătoare F (t ) ne
va furniza atunci probabilitatea ca o anumită unitate de produs să funcţioneze până la
momentul t (respectiv să se defecteze la momentul t), adică:
F (t ) = Prob{θ < t} , (4.30)
unde θ este variabila aleatoare cu funcţia de densitate de probabilitate, f (t ) .
Funcţia de fiabilitate, care este o măsură a duratei de funcţionare, este
atunci:
R(t ) = Prob{θ ≥ t} = 1 − Prob{θ < t} = 1 − F (t ) . (4.31)
Rata de defectare, care este o măsură a intensităţii de defectare, este dată de
relaţia:
f (t ) f (t )
h(t ) = = . (4.32)
1 − F (t ) R(t )
Dar sistemele sunt evaluate, în general, printr-o mare varietate de metrici
(calitate, cost, durată ş.a.), printre care şi metricile de fiabilitate pe care le-am definit
mai sus. Datorită faptului că metricile de performanţă ale unui sistem sunt de cele mai
multe ori intercorelate, evaluarea performanţelor sistemului trebuie să ţină cont de
aceste metrici în mod simultan.
Pentru sistemele complexe, decidenţii sunt confruntaţi cu o mare cantitate
de informaţie referitoare la metricile sistemului, dar şi cu incertitudinile asociate lor,
care conduc la risc. De asemenea, în sistemele complexe, schimbările suferite de una
din componentele sistemului poate să aibă impact major asupra tuturor metricilor de
performanţă ale sistemului.
Vom defini în continuare un model general de reprezentare a unui sistem,

care să permită furnizarea informaţiilor critice asupra funcţionării sistemului, asupra
incertitudinii şi riscului asociat diferitelor scenarii analizate. Schema modelului este
redată în Figura 4.6. Componentele fundamentale ale modelului sunt entităţile şi
factorii de risc. Entităţile pot fi, de exemplu, activităţile unui proiect, iar factorii de
risc pot fi de natură materială sau de altă natură. În acest model definim două tipuri de
relaţii. O relaţie este de tip temporal şi specifică dependenţa de timp dintre două
entităţi (reprezentată printr-o linie continuă în Figura 4.6). De exemplu, dacă entităţile
sunt două activităţi succesive ale unui proiect, relaţia temporală poate fi condiţia ca a
doua activitate să poată să înceapă numai după finalizarea primei activităţi. Un alt tip
de relaţie este relaţia dintre entităţi şi factorii de risc, respectiv relaţia de utilizare a
factorilor (reprezentată printr-o linie punctată în Figura 4.6). Proprietatea de bază a
acestei relaţii entitate – factor de risc este că o entitate poate produce (genera) sau
poate consuma (absorbi) unul sau mai mulţi factori de risc.
Entitatea 1 Entitatea 2
Factor
de risc
Funcţia de distribuţie
cumulativă
Probabilitatea
Ţinta M etrica
Figura 4.6 – Reprezentarea generală a unui model de risc în fiabilitate

Modelul este cuantificat prin variabile care descriu proprietăţile entităţilor,

factorilor de risc şi a relaţiilor de incertitudine. Această incertitudine este încorporată
în model prin variabile aleatoare. Cu ajutorul modelelor de simulare Monte – Carlo pot
fi obţinute funcţiile de distribuţie cumulative pentru metricile sistemului, ceea ce
permite compararea cu valorile de performanţă specificate pentru sistem (valorile
ţintă) şi determinarea probabilităţii ca sistemul să nu funcţioneze aşa cum a fost
prevăzut. Această probabilitate este o componentă critică a analizei riscurilor
sistemului. Modelul general prezentat aici este relativ simplu, utilizând şi instrumente
de analiză la fel de simple. Dezavantajul acestei simplităţi poate fi uneori o arie de
aplicabilitate mai restrânsă la unele tipuri de probleme de decizie şi risc. Cheia
aplicabilităţii acestui model general o constituie însă generalizarea conceptului de
factor de risc. Am menţionat anterior că factorii de risc pot fi de natură materială
(oameni, echipamente, materiale ş.a.). Dar factorii de risc nu trebuie să fie definiţi
numai de natură materială. De exemplu, un factor de risc poate fi determinat de
metricile de fiabilitate ca urmare a unei activităţi de realizate şi testare a unui anumit
produs. De asemenea, factorii de risc pot să fie exprimaţi de hazardul pe care poate să
îl genereze o anumită entitate.
Vom particulariza în secţiunea următoare acest model general pentru un
model de evaluare a riscurilor concurente în fiabilitate.
4.3.2 Modelul de evaluare a riscurilor concurente
Vom analiza în continuare un model general care evaluează riscul de defectare şi

care se poate utiliza pentru calculul ratelor de defectare ale unui sistem, începând de la
ratele de defectare ale modurilor de defectare ale componentelor sistemului respectiv.
Acest model este cunoscut în literatura de specialitate sub denumirea de modelul
riscurilor concurente (Competing Risk Model). Modelul se utilizează atunci când
mecanismele de defectare concurente sunt independente şi defectarea primului
mecanism duce la căderea componentei respective.
Să presupunem că o componentă a unui sistem are k posibilităţi diferite în care se
poate defecta. Acestea se numesc moduri de defectare şi considerăm că pentru fiecare
mod de defectare există un mecanism de defectare. Modelul riscurilor concurente
evaluează fiabilitatea fiecărui component prin construcţia de modele fiabiliste
particulare pentru fiecare mod de defectare. Pentru modelul de evaluare a riscurilor
concurente sunt necesare următoarele ipoteze de lucru:
1. Fiecare mecanism de defectare care produce un anumit tip de defectare (adică un
mod de defectare) acţionează de fiecare dată independent.
2. O componentă a sistemului se defectează atunci când primul din mecanismele de
defectare intră în starea de defectare (componenta este în stare de cădere).

3. Fiecare din cele k moduri de defectare au un model Fk (t ) cunoscut pentru
distribuţia duratei de viaţă.
Dacă RC (t ) , FC (t ) şi hC (t ) sunt respectiv funcţia de fiabilitate, funcţia de
distribuţie cumulativă şi rata de defectare pentru o anumită componentă C, iar Ri (t ) ,
Fi (t ) şi hi (t ) sunt respectiv funcţia de fiabilitate, funcţia de distribuţie cumulativă şi
rata de defectare pentru modul de defectare i, atunci funcţiile corespunzătoare pentru
modelul riscurilor concurente sunt:
Funcţia de fiabilitate a componentei C:
k
RC (t ) = ∏ Ri (t ) , (4.33)
i =1
Funcţia de distribuţie cumulativă a componentei C:

k
FC (t ) = 1 − ∏ {1 − Fi (t )} , (4.34)
i =1
Rata de defectare a componentei C:

k
hC (t ) = ∏ hi (t ) , (4.35)
i =1
Modelul riscurilor concurente poate fi sintetizat astfel: toate mecanismele de

defectare „concurează” pentru a atinge primul starea de defectare. Ele acţionează
independent şi primul care atinge starea de defectare provoacă defectarea componentei
în care acţionează.
Să aplicăm acum modelul general definit anterior pentru evaluarea riscurilor
concurente. Entităţile pe care le considerăm în model sunt entitatea „Mod de
defectare” şi entitatea „Mecanism de defectare”. Există o relaţie temporală între aceste
entităţi (reprezentată printr-o săgeată cu linie continuă), prin faptul că, în timp, modul
de defectare determină mecanismul de defectare. Presupunem că pentru fiecare mod de
defectare am identificat factorul de risc corespunzător şi relaţiile aferente (Figura 4.7).
Mecanism de
Mod de defectare
defectare
Factor
de risc
Figura 4.7 Schema modelului de risc mod de defectare – mecanism de defectare

Considerând acum cazul unei componente a unui sistem cu k moduri de

defectare, dacă notăm cu MDEFi cele k moduri de defectare identificate pentru o
componenta respectivă, atunci fie FRi factorul de risc şi MECDi mecanismul de
defectare corespunzător. Schema modelului general de evaluare a riscurilor concurente
este reprezentată în Figura 4.8.
MDEF1 MDEF2 … MDEFk-1 MDEFk
FR1 FR2 … FRk-1 FRk
MECD1 MECD2 … MECDk-1 MECDk
Componenta C
Figura 4.8 Schema modelului general de evaluare a riscurilor concurente
O altă abordare a riscului în fiabilitate – pe care însă nu o vom detalia aici – o

reprezintă matricea de evaluare a riscului. În general, această matrice conţine pe linii
frecvenţa de apariţie a evenimentelor întâmplătoare (frecvenţa hazardului), iar pe
coloane nivelele de severitate a riscului. În ceea ce priveşte frecvenţa, evenimentele
incerte se clasifică în: frecvente, probabile, ocazionale, îndepărtate, improbabile,
incredibile. Nivelele de severitate ale consecinţelor evenimentelor supuse hazardului
se clasifică în: nesemnificativ, marginal, critic, catastrofic. Clasificarea nivelelor de
risc poate fi cantitativă (exprimată în valori de frecvenţă) sau calitativă (nivel de risc
tolerabil, respectiv intolerabil).
Această abordare – care nu este specifică numai evaluării riscului în fiabilitate, ci
şi în alte domenii, după cum vom vedea în capitolul următor – are şi o serie de limitări,
legate de faptul că nu există încă principii general acceptate pentru construirea unei
asemenea matrice şi de fapt nu există o matrice de evaluare a riscului universală, cu
criterii generale de evaluare, ea trebuind să fie construită pentru fiecare nouă aplicaţie.
De asemenea, metoda predispune la o supraestimare a riscurilor, prin supraestimarea
severităţii consecinţelor şi nu oferă căi pentru includerea în model a factorilor de
reducere a riscurilor.
4.4 MANAGEMENTUL RISCULUI ÎN FMEA 117
4.4 MANAGEMENTUL RISCULUI ÎN FMEA

4.4.1 Analiza modului de defectare şi a efectelor – FMEA
Vom analiza în continuarea modelelor de risc aplicate în calitate şi
fiabilitate, abordarea elementelor 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:
(1) recunoaşterea şi evaluarea riscului defectării potenţiale ale unui produs sau
proces şi a efectelor acestei defectări;
(2) identificarea acţiunilor ce ar putea elimina sau reduce probabilitatea de
apariţie a unei defectări potenţiale;
(3) documentarea procesului şi managementul riscului.
Tehnicile FMEA au fost dezvoltate iniţial de armata SUA. Astfel,
procedura militară MIL–P–1629 din 1949 era intitulată "Procedures for Performing a
Failure Mode Effects and Criticaly Analysis" (Procedură pentru Analiza Modului de
Defectare, a Efectelor şi Criticalităţii) şi a fost utilizată ca o tehnică de evaluare a
fiabilităţii şi a efectelor defectărilor echipamentelor militare. Cu toate acestea, primele
aplicaţii notabile ale tehnicilor FMEA sunt legate de dezvoltarea impresionantă a
industriei aerospaţiale de la jumătatea anilor '60.
Începând din 1987, Organizaţia Internaţională pentru Standardizare (ISO) a
lansat seria de standarde ISO 9000. Cerinţele acestor standarde au impus ca
organizaţiile să-şi dezvolte sisteme pentru managementul calităţii, orientate către
satisfacerea clienţilor. În SUA, cele trei mari firme producătoare de autovehicule,
Chrysler, Ford şi General Motors au dezvoltat la începutul anilor '90 o serie de
standarde echivalente, din seria QS 9000, în scopul standardizării sistemelor calităţii.
În conformitate cu prescripţiile standardelor QS 9000, organizaţiile trebuie să utilizeze
metode avansate de planificare a calităţii produselor, care includ modelele FMEA
pentru produs şi proces, şi de asemenea să dezvolte planuri de control.
Vom analiza în continuare câteva din principalele entităţi utilizate în modelele
FMEA, dintre care unele sunt generale pentru sistemul calităţii, iar o serie sunt
specifice FMEA. Elementele FMEA sunt elementele care sunt identificate şi analizate
în cursul aplicării tehnicilor FMEA. Acestea sunt constituite din: funcţii, moduri de
defectare, cauze, efecte, controale şi acţiuni.
Funcţiile şi modurile de defectare

După ce au fost stabilite obiectivele analizei FMEA, următorul pas îl
constituie identificarea funcţiilor. O funcţie este un scop propus pentru produsul sau
procesul care este analizat. Dacă se analizează un sistem, atunci trebuie identificate, de
asemenea, funcţiile subsistemelor individuale.
Modurile de defectare se pot clasifica în următoarele categorii de defectare:
• defectare completă;
• defectare parţială;
• defectare intermitentă;
• defectare în timp (graduală);
• supraperformanţa unei funcţii.
Scopul acestei grupări în cinci categorii a modurilor de defectare este de a ajuta
echipa FMEA să identifice toate modurile de defectare posibile. Analiza modurilor de
defectare în această clasificare poate să releve anumite posibilităţi de defectare care în
anumite condiţii nu ar fi fost considerate. De asemenea, se pot pune în evidenţă
funcţiile care nu au fost definite corespunzător. O defectare parţială, intermitentă,
graduală sau supraperformanţa unei funcţii poate genera o defectare completă a altei
funcţii neidentificate. De aceea, utilizarea categoriilor de defectare poate fi un ajutor
util pentru relevarea unor asemenea situaţii.
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.
Procedura pentru identificarea consecinţelor potenţiale

(1) Se începe cu un mod de defectare şi se listează toate consecinţele sale potenţiale.
Se separă consecinţele care pot fi asumate că apar ori de câte ori apare modul de
defectare respectiv şi se consideră ca efecte ale acestui mod de defectare. Se
listează apoi pentru consecinţele rămase modurile de defectare potenţiale
(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.
Tabelul 4.2 – Tabelul de severitate pentru proiect (DFMEA)

Criterii : Severitatea efectului
Efect Punctaj
pentru DFMEA
Hazardat – fără Defectarea afectează operarea sigură a produsului sau
10
avertizare implică nerespectarea legislaţiei - fără avertizare
Hazardat – cu Defectarea afectează operarea sigură a produsului sau
9
avertizare implică nerespectarea legislaţiei - cu avertizare
Foarte mare Produsul este inoperabil, cu pierderea funcţiei de bază 8
Produsul este operabil, dar la un nivel redus de
Mare 7
performanţă
Produsul este operabil, dar articolele care realizează
Moderat 6
confortul nu sunt funcţionale
Produsul este operabil, dar articolele care realizează
Redus 5
confortul funcţionează la un nivel redus de performanţă
Articolele de finisare şi aspectul nu sunt conforme.
Foarte redus 4
Majoritatea clienţilor sesizează defectarea
Articolele de finisare şi aspectul nu sunt conforme. Circa
Minor 3
jumătate dintre clienţi sesizează defectarea
Articolele de finisare şi aspectul nu sunt conforme. O
Foarte minor 2
mică parte dintre clienţi sesizează defectarea
Inexistent Nici un efect 1
Să remarcăm că scala datelor de severitate nu discriminează defectările care

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
asamblare. În principiu, analiza FMEA a unui proiect presupune că specificaţiile de

prelucrare şi de asamblare sunt realizate în proces, concentrându-se asupra defectărilor
ce pot rezulta din proiectarea produsului.
În cazul unei analize FMEA de proces, cauzele sunt erori specifice, descrise în
termenii unor acţiuni care pot fi corectate sau controlate. Analiza FMEA a unui proces
presupune, la rândul ei, că produsul a fost proiectat în mod corespunzător şi nu se va
defecta din cauza unei deficienţe de proiectare. Aceasta nu implică însă că toate
intrările în proces sunt conforme cu specificaţiile. Variaţia datorată, de exemplu,
articolelor aprovizionate, poate fi considerată într-o analiză FMEA de proces.
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.
Tabelul 4.4 – Tabelul ratei de apariţie pentru proiect (DFMEA)
Probabilitatea de Rata posibilă de Punctaj

defectare defectare
Foarte mare: ≥ 1 din 2 10
Defectarea este aproape
inevitabilă 1 din 3 9
Mare: Defectări 1 din 8 8

repetate 1 din 20 7
1 din 80 6
Moderată: Defectări
1 din 400 5
ocazionale
1 din 2.000 4
Redusă: Defectări 1 din 15.000 3
relativ puţine 1 din 150.000 2
Foarte mică:
≤ 1 din 150.000 1
Defectarea este improbabilă
În tabelul de următor al ratei de apariţie pentru proces (PFMEA) se observă

introducerea unui indicator specific controlului statistic al proceselor (SPC) şi anume
indicele de capabilitate Cpk, care este utilizat pentru acordarea punctajului de apariţie.
Tabelul 4.5 – Tabelul ratei de apariţie pentru proces (PFMEA)

Rata posibilă
Probabilitatea de defectare Cpk Punctaj
de defectare
Foarte mare: Defectarea este ≥ 1 din 2 < 0,33 10
aproape inevitabilă 1 din 3 ≥ 0,33 9
Mare: Asociată în general cu 1 din 8 ≥ 0,51 8
procese similare cu defectări
repetate 1 din 20 ≥ 0,67 7
Moderată: Asociată în general 1 din 80 ≥ 0,83 6

cu procese similare cu defectări 1 din 400 ≥ 1,00 5
ocazionale 1 din 2.000 ≥ 1,17 4
Redusă: Defectări izolate
1 din 15.000 ≥ 1,33 3
asociate cu procese similare
Foarte redusă: Numai
defectări izolate asociate cu 1 din 150.000 ≥ 1,50 2
procese aproape identice
Foarte mică: Defectarea
≤ 1 din 150.000 ≥ 1,67 1
este improbabilă.
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,
controlul planificat al proiectului sau procesului (respectiv activităţile de prevenire,

validare şi/sau verificare) trebuie să fie îmbunătăţit. În cazul proceselor, utilizarea
tehnicilor de control statistic poate duce la scăderea punctajului de detecţie.
Sistemul de punctaj pentru criteriul de detecţie pentru proiect este prezentat în
Tabelul 4.6.
Tabelul 4.6 – Tabelul de detecţie pentru proiect (DFMEA)
Detecţie Criterii: Probabilitatea de detecţie Punctaj

Aproape Nu există control (controale) care să detecteze modul de
10
imposibilă defectare sau cauza
Foarte puţin Foarte puţin probabil ca controlul curent să detecteze
9
probabilă modul de defectare sau cauza
Puţin probabil ca controlul curent să detecteze modul de
Puţin probabilă 8
defectare sau cauza
Probabilitate foarte redusă ca controlul curent să
Foarte redusă 7
detecteze modul de defectare sau cauza
Probabilitate redusă ca controlul curent să detecteze
Redusă 6
modul de defectare sau cauza
Probabilitate moderată ca controlul curent să detecteze
Moderată 5
Probabilitate medie ca controlul curent să detecteze
Medie 4
Probabilitate mare ca controlul curent să detecteze
Mare 3
Probabilitate foarte mare ca controlul curent să detecteze
Foarte mare 2
Controlul curent al procesului va detecta aproape sigur
Aproape sigură 1
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:
• valorile RPN sunt cuprinse între 1 şi 1000;

• media valorilor RPN este aproximativ 166, iar mediana este 105;
• există 120 de valori distincte ale RPN.
Tabelul 4.7 – Tabelul de detecţie pentru proiect (PFMEA)
Detecţie Criterii: Probabilitatea de detecţie Punctaj

Controlul proiectului nu detectează o cauză de defectare
Incertitudine
potenţială sau un mod de defectare; sau nu există un 10
absolută
control al proiectului
Foarte puţin probabil ca controlul proiectului să
Foarte puţin
detecteze o cauză de defectare potenţială sau un mod 9
probabil
de defectare
Puţin probabil ca controlul proiectului să detecteze o
Puţin probabil 8
cauză de defectare potenţială sau un mod de defectare
Probabilitate foarte redusă ca controlul proiectului să
Foarte redusă detecteze o cauză de defectare potenţială sau un mod 7
de defectare
Probabilitate redusă ca controlul proiectului să detecteze
Redusă o cauză de defectare potenţială sau un mod 6
de defectare
Probabilitate moderată ca controlul proiectului să
Moderată detecteze o cauză de defectare potenţială sau un 5
mod de defectare
Probabilitate medie ca controlul proiectului să detecteze
Medie o cauză de defectare potenţială sau un mod 4
de defectare
Probabilitate mare ca controlul proiectului să detecteze o
Mare 3
cauză de defectare potenţială sau un mod de defectare
Probabilitate foarte mare ca controlul proiectului să
Foarte mare detecteze o cauză de defectare potenţială sau un mod 2
de defectare
Controlul proiectului va detecta aproape sigur o cauză de
Aproape sigură 1
defectare potenţială sau modul de defectare
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.
4.4.2 Managementul riscului în FMEA
Din cele prezentate până acum, rezultă că monitorizarea indicelui de prioritate–

risc (RPN) este principala metodă de evaluare a riscului în FMEA. Utilizarea RPN este
mai întâi de toate o acţiune de natură preventivă, mai degrabă decât o acţiune de natură
corectivă. Toate acţiunile aplicate în FMEA, trebuie să conducă, în final, la reducerea
RPN şi deci la reducerea riscului. Toate aceste elemente se asamblează într-un proces
de management al riscului.
Procesul pentru managementul riscului în FMEA are următoarele etape:
1. Identificare caracteristici:
În această etapă sunt identificate şi sunt descrise funcţiile FMEA şi
caracteristicile de proiectare sau de proces, precum şi cerinţele pe care aceste
funcţii trebuie să le realizeze.
2. Identificare moduri de defecare:
Pentru fiecare funcţie identificată, se descriu modurile de defectare potenţiale.
3. Identificare riscuri:
Riscurile sunt asociate iniţial efectelor pe care modurile de defectare potenţiale
pot să le genereze. Rezultă o primă evaluare cantitativă a riscului, prin stabilirea
unui nivel de severitate.
4. Identificare cauze:
Cauzele potenţiale ale defectării sunt analizate în relaţia cauză – mecanism de
defectare. Rezultatele evaluării sunt cuantificate prin nivelul de apariţie a acestor
cauze.
5. Prioritizare risc:
În studiile FMEA de produs sau de proces, riscul este prioritizat, în general, prin
trei nivele: risc ridicat (R), risc mediu (M) şi risc scăzut (S), aşa cum vom vedera
în continuare. În ecuaţia riscului este considerat şi factorul de control al
produsului sau procesului, care determină nivelul de detecţie al defectărilor şi în
final numărul de prioritate – risc.
6. Raportare risc şi aplicare acţiuni corective sau preventive:
Această ultimă etapă a unui ciclu, care se reia pe diferite nivele şi momente de
timp, constă în aplicarea acţiunilor corective şi preventive stabilite pentru
responsabilii de produs sau proces şi apoi prin evaluarea rezultatelor obţinute şi a
riscului rezident, adică a nivelului de risc rămas în sistem după aplicarea
acţiunilor corective şi preventive.
Schema de proces pentru managementul riscului în FMEA este prezentată în
Figura 4.9.
Managementul
riscului
Raportare risc
Acţiuni corective/
preventive
Prioritizare Identificare
riscuri caracteristici
Reducerea
riscului
Identificare Identificare moduri
cauze de defectare
Identificare riscuri
Figura 4.9 – Managementul riscului în FMEA
Vom analiza în continuare relaţia dintre clasificarea calitativă a riscului în FMEA

şi clasificarea cantitativă furnizată de numărul de prioritate – risc. Această legătură
este dată în Tabelul 4.8. Se observă că nivelul de risc minim sau scăzut, este asociat cu
un număr de prioritate – risc inferior valorii 40, riscul moderat este considerat pentru o
valoare a NPR mai mică de 100, în timp ce pentru valori ale NPR mai mari ca 100, se
consideră că riscul are un nivel ridicat. Aceste valori (40 şi 100) sunt desigur valori
stabilite în practică de majoritatea utilizatorilor şi se bazează pe experienţă. De
exemplu, valoarea 100 corespunde unor valori medii de 4, 5 şi 5 pentru nivelele de
severitate, apariţie şi detecţie discutate anterior, ceea ce explică într-un fel alegerea
valorilor menţionate.
Tabelul 4.8 – Clasificarea riscului în FMEA

Clasificarea calitativă Clasificare cantitativă
Risc scăzut (S) NPR ≤ 40
Risc mediu (M) 41 ≤ NPR ≤ 100
Risc ridicat (R) NPR > 100
Pe baza valorilor de mai sus, considerând toate funcţiile şi caracteristicile unui

anumit produs sau toate procesele de realizare ale acestuia, putem să construim o
histogramă sau un linie de tendinţă a zonelor de risc, în care pe abscisă avem trei zone,
corespunzătoare clasificării riscului, iar pe ordonată frecvenţa înregistrată pentru
numărul de prioritate risc al caracteristicilor analizate, considerând clasele 1 – 40, 41 –
100, 101 – 200, 201 – 300, …, 901 – 1000.
În Figura 4.10 sunt reprezentate zonele de risc şi frecvenţa de apariţie a NPR

pentru un anumit proces, sub forma unui grafic liniar, pentru a evidenţia forma
distribuţiei. Se observă că modelul statistic ce poate fi considerat pentru acest caz este
unul de tip exponenţial negativ, respectiv cele mai multe caracteristici sunt în zona de
risc scăzut (codificată S), un număr mai redus în zona de risc mediu sau moderat
(codificată M), iar în zona de risc ridicat (codificată R), pe măsură ce NPR creşte, se
află din ce în ce mai puţine caracteristici ale procesului.
După aplicarea acţiunilor corective şi studiul formei distribuţiei frecvenţei
valorilor NPR pentru stadiul optimizat al procesului, modelul exponenţial negativ
poate continua să apară, dar cu creşterea valorilor în zonele de risc (S) şi (M) şi
reducerea semnificativă a caracteristicilor situate în zona (S). Obiectivul final ideal al
acţiunilor de management al riscului în FMEA este situarea tuturor caracteristicilor
procesului în zona de risc minim (S).
Zona de risc scăzut
Frecvenţa NPR
Zona de risc mediu
Zona de risc ridicat

(R)
(S)
(M)
0 50 100 150 200 250 300 350 1000

400
Valori NPR
Figura 4.10 – Zonele de risc şi valorile NPR
Să considerăm în continuare exemplul unui studiu FMEA pentru proces şi modul

de analiză şi considerare a riscului. În Figura 4.13 este redat modelul cunoscut al
studiului FMEA din standardul internaţional QS 9000, pentru un proces de aplicare a
unui strat de parafină de protecţie pe în interiorul uşii unui autovehicul în cadrul
procesului de asamblare a caroseriei. Operaţia are ca scop protejarea împotriva
coroziunii a suprafeţelor interioare ale uşii şi se realizează cu ajutorul unui dispozitiv
special (un pistol) de acoperire cu parafină.
Pentru această funcţie a procesului au fost identificate un mod de defectare
potenţial şi efectele potenţial ale defectării, respectiv a realizării necorespunzătoare a
operaţiei de protecţie prin acoperire cu parafină. Punctajul de severitate acordat a fost
7, corespunzător unui efect mare, considerându-se că nivelul de performanţă al
procesului este necorespunzător (vezi Tabelul 4.3).
În continuare au fost identificate un număr de 4 cauze potenţiale de defectare,

care au fost cuantificate din punct de vedere al apariţiei. Au fost definite sistemele de
control pentru fiecare cauză specificată şi s-au acordat punctajele de detecţie, rezultând
numerele de prioritate – risc pentru stadiul iniţial de analiză FMEA. Clasificarea
riscurilor în stadiul iniţial, a pus în evidenţă 3 cauze cu risc ridicat (R) şi o cauză cu
risc scăzut (S). În stadiul optimizat după aplicarea şi evaluarea acţiunilor corective, s-
au înregistrat două cauze de defectare cu risc mediu (M) şi 2 cauze cu risc scăzut (S).
Histograma cauzelor de defectare în funcţie de NPR, în stadiul iniţial şi în stadiul
optimizat, este redată în Figura 4.11.
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
Figura 4.11 – Histograma cauzelor de defectare în funcţie de NPR
Aplicând pentru exemplul nostru zonele de risc discutate anterior, rezultă o

imagine a procesului în stadiul optimizat, acum toate caracteristicile având un NPR
sub 100, procesul situându-se în zonele de risc mediu şi scăzut, ceea ce denotă o
îmbunătăţire a performanţelor.
S M R
0 50 100 150 200 250 300 350 400

Stadiul iniţial Stadiul optimizat
Figura 4.12 Zonele de risc ale procesului

ANALIZA MODULUI DE DEFECTARE ŞI A EFECTELOR – FMEA PROCES
Funcţia Rezultatele acţiunilor corective

Cauze Clasa
de proces Mod de Efecte Controlul Acţiuni aplicate
potenţiale / de
_____________ defectare potenţiale a le S O curent al D NPR corective Acţiuni Clasa
Mecanisme de risc
potenţial defectării procesului recomandate corective de
Cerinţe defectare S O D NPR
aplicate risc
Capul pistolului
Verificarea la 1
nu este introdus
oră a grosimii Adăugarea unui Ghidajul realizat
suficient pentru a
stratului de 5 R ghidaj de oprire asigură atingerea 7 2 5 70 M
ajunge la toate 8 80
parafină şi a la capul adâncimii în
suprafeţele
gradului de pistolului zonele critice
interioare
acoperire
Aplicarea
manuală a unui Capul pistolului
strat de parafină este înfundat Testarea Studiul
Deteriorarea funcţionării capabilităţii şi
de protecţie în deoarece:
perioadei de pistolului la proiectarea
interiorul uşii • Vâscozitatea Procesul este în
4.4 MANAGEMENTUL RISCULUI ÎN FMEA

viaţă a uşii, începutul experimentelor
autovehiculului este prea mare; 5 3 R control statistic 7 1 3 21 S
având ca efecte schimbului şi 05 pentru
Acoperirea în timp: • Temperatura Cpk=1,85
_______ după fiecare vâscozitate,
insuficientă şi este prea scăzută;
__ • Aspect perioadă de temperatură şi
incorectă a • Presiunea este
necorespunzător 7 prea scăzută întrerupere presiune
Acoperirea suprafeţelor
datorită apariţiei
tuturor specificate
zonelor de
suprafeţelor Activităţi
rugină; Capul pistolului
interioare cu un preventive
• este deformat ca planificate de
strat de parafină 2 28 S 7 2 2 28 S
Afectarea urmare a 2 întreţinere şi Nu e cazul Nu e cazul
de grosime
funcţionării impactului cu reparaţii a
minimă
interioare a uşii pereţii interiori capului pistolului
împotriva
coroziunii
Instrucţiuni
tehnologice
Timpul de
pentru operator şi Dotarea Procesul este în
acoperire este R
8 eşantionare 7 392 pistolului cu un control statistic 7 1 7 49 M
insuficient
pentru verificarea releu de timp Cpk=2,05
acoperirii în
zonele critice
129
Figura 4.13 Exemplul unui studiu FMEA pentru proces
4.5 APLICAŢII PROPUSE

A4.1 Se consideră problema de decizie asupra aprovizionării arborilor cotiţi. Să se rezolve
această problemă de decizie în următoarele ipoteze:
(a) Să se determine funcţia de pierdere şi să se adopte decizia minimax pentru următoarele
modificări de costuri:
- Furnizorul A: 220 / bucată;
- Furnizorul B: 150 / bucată;
- Furnizorul C: 150 / bucată la lot de 1.000;
175 / bucată la lot de 500;
- Remaniere: 250 / bucată.
(b) Să se aplice procedura Bayes de decizie pentru funcţia de pierdere de mai sus şi
următoarele valori ale probabilităţilor iniţiale:
Prob{µ = 102} = 0,4 şi Prob{µ = 105} = 0,6.
A4.2 Un producător aprovizionează un lot de 5.000 de unităţi de produs dintr-un anumit reper
pentru asamblare, lotul fiind supus unei proceduri de verificare la recepţie. Producătorul are de
ales între următoarele acţiuni:
a1: să accepte lotul, ştiind că fracţiunile defective ale loturilor livrate anterior au fost
p = 0,01, p = 0,05 şi p = 0,10;
a2: să accepte lotul, dar să verifice 100% unităţile de produs din lot.
Orice unitate de produs defectivă identificată înainte de promovarea pe fluxul de asamblare
implică un cost suplimentar de 0,25€/bucată, în timp ce o unitate de produs defectivă
identificată după asamblare, implică un cost suplimentar de 0,75€/bucată.
(a) Să se determine funcţia de pierdere;
(b) Să se aplice procedura de decizie minimax.
A4.3 O companie a primit în anul anterior în medie un număr de µ = 10 reclamaţii pe lună de la
clienţi, iar în luna decembrie un număr de 15 reclamaţii. Managementul firmei a considerat că o
toleranţă medie de δ = 2 reclamaţii reprezintă un nivel acceptabil. Costul de rezolvare a unei
reclamaţii este Kδ = 150€.
(a) Să se determine valoarea lui k din funcţia de pierdere L(x) a lui Taguchi;
(b) Să se determine pierderea L(x) din luna decembrie.
A4.4 Un proces de fabricaţie generează o caracteristică de calitate cu limitele de toleranţă
specificate LSI = 13,70 mm, LSS = 13,8 mm, iar valoarea ţintă este T = 13,75 mm. La
omologarea lotului de probă, eşantionul de unităţi de produs măsurate a furnizat următoarele
valori:
13.67 13.71 13.72 13.74 13.75
13.71 13.72 13.73 13.74 13.69
13.70 13.70 13.73 13.75 13.69
13.70 13.72 13.74 13.75 13.72
13.71 13.72 13.69 13.74 13.77
(a) Să se determine media şi abaterea standard, indicii de capabilitate şi fracţiunea defectivă a
acestui proces, pe baza statisticilor eşantionului de probă;
(b) Ştiind costul unei unităţi de produs defective Kδ = 5€, să se determine pierderea utilizând
metoda empirică a fracţiunii defective actuale (proporţia de unităţi de produs situate în
afara limitelor de toleranţă specificate);
(c) Să se determine pierderea utilizând fracţiunea defectivă estimată;
(d) Să se determine valoarea lui k din funcţia de pierdere L(x) a lui Taguchi;
(e) Să se determine valoarea riscului Taguchi.
5
PROIECTE
5.1 ELEMENTE DE MANAGEMENTUL PROIECTELOR
Acest capitol este dedicat managementului riscului în proiecte. Pentru acest

obiectiv, vom analiza mai întâi principalele noţiuni de managementul proiectelor, din
care managementul riscului face parte integrantă.
Pe plan internaţional, conceptele legate de managementul proiectelor au fost
agregate într-o bază de cunoştinţe de către Project Management Institute (PMI), un
institut finanţat de guvernul american care, începând cu anul 1987, a publicat, prin
comitetul său de standarde, un ghid conţinând un corp de cunoştinţe pentru
managementul proiectelor1. Vom sintetiza în cele ce urmează principalele concepte
utilizate în managementul proiectelor, pentru a vedea cum se integrează managementul
riscului în acest context.
Un proiect se poate defini ca fiind un set de activităţi menite să realizeze, într-o
anumită perioadă de timp, un produs sau un serviciu unic. Caracterul temporal al
proiectului este dat de faptul că fiecare proiect este definit printr-un moment de
început şi un moment de finalizare. Caracterul de unicitate este dat de faptul că
obiectul unui proiect în constituie, în general, realizarea unui produs sau a unui
serviciu, într-o manieră similară sau nu cu alte proiecte.
Exemple de proiecte sunt: dezvoltarea unui nou produs sau serviciu; dezvoltarea
şi/sau implementarea unui nou sistem informatic; implementarea unui nou proces sau
schimbarea procedurilor într-o organizaţie ş.a.
Managementul proiectului constă din aplicarea cunoştinţelor, experienţei,
metodelor şi tehnicilor la realizarea activităţilor unui proiect, pentru a atinge sau chiar
a depăşi cerinţele şi aşteptările planificate sau aşteptate de la proiectul respectiv de
către părţile interesate în proiect. Aceasta înseamnă balansarea şi echilibrarea
domeniului, duratelor, costurilor şi calităţii proiectului cu cerinţele identificate
(planificate) sau cu cele neidentificate (aşteptate). Managementul proiectului implică,
1
A Guide to the Project Management Body of Knowledge, PMI, 1996 – 2000.
131
132 CAPITOLUL 5 – MANAGEMENTUL RISCULUI ÎN PROIECTE
de asemenea, structura organizaţională şi managerială necesară pentru realizarea

proiectului: responsabilii proiectului, managerii de proiect, echipa de proiect etc.
Procesele de management ale unui proiect, reprezentate structural în schema din
Figura 5.1, descriu cunoştinţele şi procedurile necesare pentru conducerea proiectului
respectiv.
Managementul integrării proiectului se referă la procesele necesare pentru a
asigura că diferitele elemente ale proiectului sunt coordonate în mod corespunzător.
Acesta include planificarea proiectului, execuţia planului proiectului şi controlul
modificărilor intervenite în proiect.
Managementul domeniului proiectului constă din procesele menite să asigure că
proiectul include toate activităţile necesare – şi numai pe acestea – pentru a realiza
proiectul cu succes. În acest scop, domeniul proiectului este definit, planificat,
verificat şi controlat din punct de vedere al modificărilor ariei de cuprindere a
proiectului.
Managementul duratelor proiectului este alcătuit din procesele care asigură
realizarea la timp a activităţilor proiectului. Aceasta include definirea activităţilor, a
secvenţelor de ordine, estimarea duratelor activităţilor, cât şi planificarea şi controlul
acestora.
MANAGEMENTUL
PROIECTULUI
Managementul Managementul Managementul

integrării domeniului duratelor
proiectului proiectului proiectului

costurilor calităţii resurselor umane
proiectului proiectului ale proiectului

comunicaţiilor riscului resurselor materiale
proiectului proiectului ale proiectului
Figura 5.1 – Procesele de management ale unui proiect

5.1 ELEMENTE DE MANAGEMENTUL PROIECTELOR 133
Managementul costurilor proiectului conţine procesele necesare pentru a asigura

că proiectul este realizat în bugetul aprobat, şi se referă la planificarea resurselor,
precum şi la estimarea şi controlul costurilor.
Managementul calităţii proiectului constă din procesele necesare pentru a asigura
că proiectul va satisface cerinţele definite şi planificate, respectiv procesele de
planificare a calităţii, asigurarea calităţii şi controlul calităţii.
Managementul resurselor umane al proiectului conţine procesele necesare pentru
a asigura utilizarea cât mai eficace a resurselor umane implicate în proiect, respectiv
planificarea organizaţională, asigurarea personalului de specialitate şi constituirea şi
conducerea echipei de proiect.
Managementul comunicaţiilor proiectului se referă la procesele care să asigure –
la timp şi în cele mai bune condiţii – generarea, colectarea, transmiterea şi stocarea
informaţiilor referitoare la proiect.
Managementul riscului proiectului include procesele referitoare la identificarea,
analiza şi răspunsul la riscul proiectului, implicând identificarea riscului, cuantificarea
riscului, cât şi dezvoltarea şi controlul răspunsului la risc.
Managementul resurselor materiale ale proiectului conţine procesele de achiziţie
a bunurilor şi serviciilor necesare pentru realizarea activităţilor proiectului, prin
planificarea şi derularea procurării materialelor pentru proiect.
Procesele de management ale unui proiect pot fi organizate în cinci grupuri
alcătuite fiecare din unul sau mai multe (sub)procese, care descriu fazele unui proiect,
precum şi dependenţele între procesele proiectului. Grupurile de procese (fazele) ale
unui proiect sunt reprezentate în Figura 5.2.
INIŢIEREA PLANIFICAREA
PROIECTULUI PROIECTULUI
CONTROLUL EXECUŢIA
PROIECTULUI PROIECTULUI
ÎNCHIDEREA
PROIECTULUI
Figura 5.2 – Grupurile de procese (fazele) unui proiect

Procesele de iniţiere a proiectului, se referă în fapt la implicarea în începerea

proiectului şi trecerea la faza următoare.
Procesele de planificare a proiectului, au o importanţă majoră pentru un proiect,
pentru că ele materializează programul de lucru pentru realizarea proiectului.
Procesele de bază din acest grup sunt: planificarea domeniului proiectului, a
activităţilor şi duratelor acestora, cât şi a costurilor. Procesele auxiliare sunt:
planificarea calităţii, a comunicaţiilor, planificarea riscului şi a resurselor proiectului.
Procesele de execuţie a proiectului, sunt menite în primul rând să asigure
realizarea planului proiectului, prin coordonarea oamenilor şi a celorlalte resurse
alocate proiectului. Procesele auxiliare ale acestui grup se referă la distribuirea
informaţiilor referitoare la proiect, dezvoltarea echipei şi asigurarea calităţii.
Procesele de control al proiectului, constau din urmărirea şi raportarea
performanţelor proiectului şi din controlul modificărilor intervenite. De asemenea,
procesele auxiliare implică controlul modificărilor în ceea ce priveşte domeniul,
programul sau costurile proiectului, precum şi controlul calităţii, controlul răspunsului
la risc şi controlul procurării resurselor.
Procesele de închidere a proiectului sunt alcătuite din activităţile de rezolvare a
problemelor referitoare la contractul care a stat la baza realizării proiectului, cât şi din
închiderea administrativă a acestuia.
Grupurile de procese ale unui proiect sunt interconectate între ele. Pentru a
descrie aceste conexiuni, fiecare proces poate definit prin:
• Intrări: documente sau articole care pot fi documentate;
• Mijloace şi tehnici: mecanismele aplicate intrărilor pentru a crea ieşiri;
• Ieşiri: documente (articole documentabile) care sunt rezultatul procesului.
Grupurile de procese sau fazele unui proiect sunt corelate şi în timp, aceste faze
desfăşurându-se simultan, prin faptul că multe dintre acestea au un caracter iterativ.
Derularea în timp a fazelor unui proiect şi nivelul de intensitate al activităţilor
componente sunt reprezentate în Figura 5.3.
Execuţie
Planificare
Nivel
activităţi Control
Iniţiere
Închidere
Start Timp Finiş
Figura 5.3 – Interacţiunea între grupurile de procese (fazele) unui proiect

5.2 MANAGEMENTUL RISCULUI PROIECTELOR 135
5.2 MANAGEMENTUL RISCULUI PROIECTELOR
Riscul poate fi definit ca fiind gradul de expunere la un eveniment care poate să

se întâmple în detrimentul sau în beneficiul unui proiect sau a unei activităţi. El poate
fi descris ca o combinaţie dintre probabilitatea ca riscul să apară şi consecinţele în
termenii pierderii sau câştigului ca urmare apariţiei riscului. Riscul este o componentă
inerentă a tuturor activităţilor unui proiect, indiferent dacă este vorba de o activitate
mai simplă sau de o activitate mai complexă. De aceea, dimensiunea şi/sau
complexitatea unei activităţi nu este întotdeauna o măsură adecvată a gradului de risc
potenţial asociat cu activitatea respectivă. Totuşi, dependenţa este directă, adică în cele
mai multe cazuri, activităţile complexe au asociate riscuri mai mari.
Managementul riscului este procesul sistematic de identificare, de analiză şi de
răspuns la riscul potenţial al unui proiect. Managementul riscului este deci o abordare
structurată şi formală, focalizată asupra paşilor necesari şi acţiunilor planificate pentru
a determina şi a controla riscurile, menţinându-le la un nivel acceptabil. Aplicat pentru
un proiect, managementul riscului reprezintă utilizarea continuă a principiilor de
management de risc pe durata de viaţă a proiectului. Scopul este de a maximiza
probabilitatea de succes a proiectului, prin creşterea şanselor de îmbunătăţire a
performanţelor proiectului şi, în acelaşi timp, diminuarea şanselor pentru evoluţii
neanticipate, cum ar fi întârzieri de program, depăşirea costurilor sau compromisuri
privind calitatea.
Managementul riscului proiectului este un proces continuu de planificare,
identificare, cuantificare, răspuns şi control al riscurilor, pentru a mări cât mai mult
potenţialul de succes al proiectului. Managementul riscului în cadrul unui proiect se
poate aplica costurilor, programului sau performanţelor tehnice (cum ar fi de exemplu
riscul asociat aplicării unei noi abordări constructive) sau performanţelor planificate
(de exemplu riscul asociat obţinerii şi utilizării resurselor care pot afecta proiectul).
Succesul unei activităţi a proiectului înseamnă că acea activitate este fezabilă din
punct de vedere tehnic şi al programării acesteia şi poate fi realizată cu bugetul stabilit
şi în programul stabilit. În caz contrar, eşecul unei activităţi poate rezulta din
nerealizarea sau neîndeplinirea factorilor menţionaţi anterior.
Riscul proiectului este un eveniment incert sau o condiţie care, dacă apare, poate
s aibă un impact pozitiv sau negativ asupra obiectivului proiectului. Riscul are o cauză
şi, dacă apare, un impact. De exemplu, cauza poate fi obţinerea unei aprobări din
partea unui organism specializat ( cum ar fi autorizaţia de construcţie sau de mediu).
Evenimentul de risc poate fi poate fi faptul că obţinerea aprobării poate să dureze mai
mult decât a fost planificat iniţial, ceea ce poate să aibă impact asupra programului,
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
Analiza Planificarea Controlul şi

cantitativă răspunsului monitorizarea
a riscului la risc riscului
Figura 5.4 – Procesele managementului riscului proiectelor

5.2.1 Planificarea managementului riscului
Planificarea managementului riscului este procesul prin care se decide modul de

abordare şi de planificare a activităţilor de management al riscului pentru proiectul
respectiv.
Înainte de iniţierea oricăror acţiuni de management de risc, va trebui să evaluăm
mai întâi dacă există un potenţial pentru riscuri în proiectul analizat, în ceea ce priveşte
domeniul, programul sau costurile proiectului. Această evaluare nu este simplă, dacă
ţinem cont că va trebui să analizăm toate activităţile proiectului care ar putea să
conţină un risc potenţial. Obţinem prin această primă evaluare o listă de activităţi şi o
clasificare a riscurilor potenţiale în activităţi fără risc, activităţi cu risc scăzut (sau
acceptabil) şi activităţi cu potenţial de risc ridicat.
Pentru procesul de planificare a managementului riscului, a cărui schemă este
reprezentată în Figura 5.5, vom detalia în continuare intrările în proces, mijloacele şi
tehnicile aplicabile acestui proces, precum şi ieşirile din acest proces.
Intrări în planificarea managementului riscului
(1) Descrierea proiectului. Acest document include o descriere sintetică a

cerinţelor de business ale proiectului.
(2) Politicile organizaţiei în domeniul managementului riscului. În anumite
organizaţii există deja proceduri şi metode pentru analiza calitativă şi
cantitativă a riscului.
(3) Roluri şi responsabilităţi definite. Rolurile, responsabilităţile şi autorităţile
care sunt deja definite în organizaţie pot influenţa planificarea
INTRĂRI MIJLOACE ŞI IEŞIRI

TEHNICI
1. Descrierea proiectului 1. Reuniuni de 1. Planul
2. Politica organizaţiei planificare a managementului
3. Roluri şi responsabi- managementului riscului
lităţi definite riscului
4. Toleranţa la risc
5. Planul managemen-
tului riscului – model
6. Structura activităţilor
proiectului
Figura 5.5 – Procesul de planificare a managementului riscului proiectului

(4) Toleranţa la risc a responsabililor proiectului. Diferite organizaţii şi

diferiţi responsabili pot avea toleranţe şi atitudini diverse faţă de risc. Aceste
elemente se regăsesc în politicile organizaţiei sau în acţiunile întreprinse.
(5) Modelul pentru planul de managementul riscului. Este un document
predefinit (un şablon) care conţine structura planului de management al
riscului.
(6) Structura activităţilor proiectului. Este documentul care conţine, în detaliu,
activităţile proiectului, cu condiţionările de timp şi resurse ale acestora.
Mijloace şi tehnici pentru planificarea managementului riscului
(1) Reuniuni de planificare. Aceste întâlniri au scopul să adapteze şi să

îmbunătăţească modelul planului de managementul riscului, ţinând cont de
cerinţele şi de intrările proiectului respectiv. La aceste reuniuni de lucru,
trebuie să participe managerul de proiect, conducătorii echipelor de proiect,
responsabilii cheie ai proiectului şi alţi specialişti din organizaţie, dup caz.
Ieşiri din planificarea managementului riscului
(1) Planul de managementul riscului. Acest document stabileşte modul în care

identificarea, evaluarea, cuantificarea, răspunsul şi controlul riscului sunt
structurate şi realizate pe parcursul ciclului de viaţă al proiectului.
Planul de management al riscului trebuie să includă:
• Metodologia: Acest capitol al planului defineşte modalitatea de abordare,
mijloacele şi sursele de date care pot fi utilizate pentru managementul
riscului proiectului respectiv.
• Roluri şi responsabilităţi: Acest capitol al planului stabileşte membrii
echipei şi responsabilităţile acestora pentru activităţile de managementul
riscului.
• Periodicitatea: Conţine perioadele la care procesul de managementul
riscului va fi realizat, pe parcursul proiectului. Concluziile din analiza
riscului vor trebui să fie furnizate la timp, pentru a sta la baza deciziilor
adoptate periodic în cadrul proiectului.
• Cuantificare şi interpretare: Trebuie stabilite metodele corespunzătoare de
cuantificare şi interpretare a analizelor calitative şi cantitative ale riscului,
metode care se vor aplica pe parcursul derulării proiectului.
• Nivele: Se stabilesc nivele (praguri) de risc, care declanşează activităţi, care
au responsabili şi modalităţi acţiune.
• Raportare: Acest capitol documentează modul în care rezultatele procesului

de managementul riscului sunt analizate şi transmise echipei de proiect şi
responsabililor proiectului.
• Înregistrări: Acest capitol stabileşte înregistrările din domeniul
managementului riscului care se vor face, cerinţele viitoare şi lecţiile
învăţate, rezultate din realizarea proiectului.
5.2.2 Identificarea riscului
Identificarea riscului este o abordare sistematică ce implică determinarea

riscurilor care pot afecta proiectul şi, în acelaşi timp, documentarea caracteristicilor
acestor riscuri. La identificarea riscurilor trebuie să participe: echipa de proiect, echipa
de managementul riscului, experţi în domeniu din organizaţie, furnizori şi clienţi,
utilizatori finali, responsabilii proiectului şi chiar experţi din afara organizaţiei.
Identificarea riscului este un proces iterativ. Prima iteraţie poate fi realizată de
echipa de proiect sau de echipa de managementul riscului. A doua iteraţie poate fi
realizată de întreaga echipă de proiect sau de principalii responsabili ai proiectului.
Pentru a obţine o analiză imparţială, a treia iteraţie poate fi făcută de persoane care nu
sunt implicate direct în proiect.
Pentru procesul de identificare a riscului, a cărui schemă este reprezentată în
Figura 5.6, vom detalia în continuare intrările în proces, mijloacele şi tehnicile
aplicabile acestui proces, precum şi ieşirile din acest proces.
Intrări în identificarea riscului
(1) Planul managementului riscului. Acest document a rezultat ca ieşire din

procesul anterior de planificare a managementului riscului.

TEHNICI
1. Planul managemen- 1. Analiza documentaţiei 1. Riscuri identificate
tului riscului 2. Tehnici de culegere a 2. Trigger-e
2. Ieşiri din planificările informaţiilor 3. Intrări către alte
proiectului 3. Analiza ipotezelor procese
3. Categorii de risc 4. Tehnica diagramelor
4. Informaţii istorice
Figura 5.6 – Procesul de identificare a riscului proiectului

(2) Ieşiri din planificările proiectului. Identificarea riscului necesită o

înţelegere completă a proiectului în ceea ce priveşte misiunea, domeniul şi
obiectivele acestuia, precum şi a responsabililor proiectului. Ieşirile din
celelalte grupuri de procese ale proiectului trebuie analizate pentru a
identifica riscurile posibile. Aceste ieşiri pot fi:
• Descrierea proiectului;
• Structura activităţilor;
• Descrierea produsului (sau serviciului);
• Programul (planning-ul) activităţilor proiectului;
• Estimările duratelor şi a costurilor activităţilor;
• Planul resurselor;
• Planul de achiziţii;
• Alte cerinţe şi constrângeri documentate.
(3) Categoriile de risc. Categoriile de risc ajută la identificarea riscurilor
posibile care pot afecta proiectul în bine sau în rău. Aceste categorii de risc
trebuie să fie bine definite şi să reflecte sursele comune de risc pentru aria de
aplicare a proiectului. Categoriile de risc cele mai des utilizate sunt:
• Riscuri tehnice, de calitate sau de performanţă: În această categorie de risc
intră dependenţa de o tehnologie neomologată; cerinţa de a obţine o
performanţă ţintă nerealistă; schimbări în tehnologia utilizată sau în
standardele industriale aplicabile.
• Riscuri ale managementului de proiect: Acestea pot fi alocarea
necorespunzătoare a timpului sau a resurselor; o calitate inadecvată a
planului de proiect; estimări nerealiste sau incomplete; funcţii ale
managementului de proiect incorect aplicate; probleme cu furnizorii; tehnici
de comunicare deficitare; inabilitatea de a adopta decizii privind proiectul.
• Riscuri interne: În această categorie de riscuri interne ale organizaţiei sunt
cuprinse costuri, durate şi obiective care sunt inconsistente; lipsa stabilirii
priorităţilor între proiectele organizaţiei; finanţări inadecvate sau
întreruperea asigurării finanţării; conflicte de finanţare sau de alocare de
resurse cu alte proiecte ale organizaţiei.
• Riscuri externe: Acestea pot fi schimbări în mediul legislativ; schimbări în
tendinţele de piaţă; litigii de muncă; riscul de ţară; riscul de stare a vremii;
alte riscuri fizice pentru care se pot întocmi planuri.
Anumite evenimente extreme (cum ar fi cutremurele, inundaţiile,
schimbările politice etc.) se încadrează în general în scenariile în caz de
dezastru, mai degrabă decât în categoria de riscuri externe ale proiectului.
(4) Informaţii istorice. Informaţiile din proiectele anterioare pot fi disponibile

din următoarele surse:
• Dosare de proiecte: Înregistrările rezultatelor proiectelor anterioare pot fi
utilizate pentru identificarea riscurilor. Acestea pot fi rapoarte finale ale
proiectelor, planuri de răspuns la risc, precum şi lecţii învăţate din proiecte
anterioare, care descriu problemele apărute şi modul lor de rezolvare.
• Informaţii publicate: Baze de date comerciale; studii academice; studii de
benchmarking sau alte studii publicate.
Mijloace şi tehnici pentru identificarea riscului
(1) Analiza documentaţiei. Aceasta implică o analiză structurată a planurilor

proiectului şi a ipotezelor de lucru, etapă iniţială realizată de echipa de
proiect.
(2) Tehnici de culegere a informaţiilor. Pentru identificarea riscului se
utilizează brainstorming-ul, tehnica Delphi, interviul şi analiza SWOT.
• Brainstorming-ul: Este tehnica cea mai des utilizată pentru identificarea
riscului. Scopul metodei este de a obţine o listă cât mai completă a
riscurilor proiectului, listă care va fi folosită ulterior în procesele de analiză
calitativă şi cantitativă a riscului. Pentru brainstorming se organizează o
reuniune cu participarea experţilor, având un caracter multidisciplinar. În
timpul şedinţei, care este condusă de un moderator, sunt generate idei
despre riscurile proiectului. Întâlnirea se desfăşoară fără întreruperi şi fără a
se exprima judecăţi sau critici ale ideilor interlocutorilor, indiferent de
poziţia lor ierarhică în cadrul organizaţiei. Sursele de risc sunt identificate
în sens larg şi sunt afişate pentru a fi examinate de către toţi participanţii în
timpul întâlnirii. Riscurile identificate sunt apoi clasificate şi caracteristicile
lor sunt detaliate.
• Tehnica Delphi: Această metodă este o modalitate de a obţine consensul
experţilor asupra riscului proiectului. Experţii sunt identificaţi, dar participă
la analiză anonim, fără a se întâlni faţă în faţă. Responsabilul cu
identificarea riscului utilizează un chestionar prin care solicită idei despre
cele mai importante riscuri ale proiectului. Riscurile astfel identificate sunt
transmise apoi experţilor pentru analiză şi comentarii. Consensul asupra
principalelor riscuri ale proiectului poate fi obţinut prin câteva iteraţii ale
acestui proces.
• Interviul: Riscurile pot fi identificare şi prin intervievarea managerilor de
proiect cu experienţă sau a experţilor în domeniu. Responsabilul cu
identificarea riscului alege persoanele cele mai potrivite, pe care le

informează pe scurt asupra proiectului, le furnizează informaţiile privind
structura activităţilor şi ipotezele de lucru. Managerii de proiect şi experţii
intervievaţi identifică riscurile pe baza experienţei lor, pe baza informaţiilor
despre proiect şi a altor surse de informaţii pe care le consideră utile.
• Analiza SWOT: Această tehnică examinarea proiectului din perspectiva
punctelor tari, punctelor slabe, a oportunităţilor şi a ameninţărilor, pentru a
mări aria de analiză a riscurilor considerate.
(3) Analiza ipotezelor. Orice proiect este conceput şi dezvoltat pe baza unor
ipoteze, scenarii şi presupuneri. Analiza ipotezelor este o tehnică ce
exploatează acestor ipoteze formulate despre riscurile proiectului. Această
tehnică identifică riscurile proiectului din punct de vedere al inexactităţii,
inconsistenţei sau caracterului incomplet al ipotezelor de lucru.
(4) Tehnica diagramelor. Această tehnică poate include:
• Diagrama cauză – efect: Este cunoscută sub numele de diagrama Ishikawa
sau diagrama „os de peşte”, fiind o tehnică utilă pentru identificarea
cauzelor riscurilor şi a efectelor posibile ale acestora.
• Diagrame flux de sistem sau de procese: Această tehnică descrie modul în
care elementele unui sistem sau ale unui proces interacţionează, precum şi
mecanismul de cauzalitate.
• Diagrame de influenţă: Această tehnică constă dintr-o reprezentare grafică
a problemelor, arătând influenţele cauzale, ordinea temporală a
evenimentelor, precum şi alte relaţii între variabile şi rezultate.
Ieşiri din identificarea riscului
(1) Riscurile identificate. Riscurile sunt evenimente cu apariţii cu caracter

discret, care pot să afecteze proiectul în bine sau în rău.
(2) Trigger-e. Acestea sunt denumite şi semnale de avertizare ale riscului,
constituind indicaţii că un risc a apărut sau urmează să apară. De exemplu,
nerealizarea la timp a unei activităţi de tip „milestone” poate fi semnalul unei
posibile întârzieri a programului întregului proiect.
(3) Intrări către alte procese. Identificarea riscului poate să evidenţieze
necesitatea unor acţiuni în alte arii ale proiectului. De exemplu, structura
activităţilor proiectului poate să nu fie suficient de detaliată ca să permită o
identificare adecvată a riscurilor la nivelul unor subactivităţi ale proiectului.
Riscurile identificate în acest proces constituie elemente de intrare în procesele
de analiză calitativă şi cantitativă care urmează.
5.2.3 Analiza calitativă a riscului
Analiza calitativă a riscului este procesul de realizare a unei evaluări de natură

calitativă a riscurilor identificate ale proiectului. Acest proces stabileşte o prioritate a
riscurilor, în funcţie de efectul lor potenţial asupra obiectivelor proiectului. Analiza
calitativă a riscului este şi o modalitate de determinare a importanţei riscurilor
identificate şi un ghid pentru măsurile de răspuns la risc.
Analiza calitativă a riscului necesită estimarea probabilităţii şi a impactului
riscului, utilizând metode şi tehnici de analiză calitativă. Procesul de analiză calitativă
a riscului trebuie reluat pe parcursul ciclului de viaţă al proiectului, pentru a reflecta
schimbările intervenite în proiect şi schimbările riscului proiectului. Rezultatele
acestui proces pot conduce la o analiză cantitativă a riscului sau direct la planificarea
răspunsului la risc.
Pentru procesul de analiză calitativă a riscului, a cărui schemă este reprezentată
în Figura 5.7, vom detalia în continuare intrările în proces, mijloacele şi tehnicile
Intrări în analiza calitativă a riscului
(1) Planul managementului riscului. Este documentul din procesul de

planificare descris anterior.
(2) Riscurile identificate. Riscurile descoperite în cadrul procesului de
identificare sunt evaluate din punct de vedere al probabilităţii de apariţie şi al
impactului produs asupra proiectului.
(3) Stadiul proiectului. Incertitudinea asociată unui risc depinde de evoluţia şi
stadiul proiectului. Astfel, la începutul proiectului, mute riscuri nu apar, ele
apărând pe măsură ce procesul evoluează.

TEHNICI
1. Planul managemen- 1. Probabilitatea şi 1. Clasificarea generală
tului riscului impactul riscului a riscului proiectului
2. Riscurile identificate 2. Matricea scorului 2. Lista riscurilor
3. Stadiul proiectului riscului prioritare
4. Tipul proiectului 3. Testarea ipotezelor 3. Lista riscurilor
5. Precizia datelor proiectului pentru analize
6. Scala de probabilitate 4. Clasificarea preciziei suplimentare şi
şi impact datelor management
Figura 5.7 – Procesul de analiză calitativă a riscului proiectului

(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.
Mijloace şi tehnici de analiză calitativă a riscului
(1) Probabilitatea şi impactul riscului.

Probabilitatea riscului este definită ca fiind posibilitatea ca acel risc să apară.
Impactul riscului este efectul asupra obiectivelor proiectului dacă acel risc
apare.
Probabilitatea riscului şi impactul riscului sunt descrise în termeni calitativi
ca fiind: foarte ridicate, ridicate, moderate, scăzute sau foarte scăzute.
Aceste dimensiuni ale riscului se aplică riscurilor specifice şi nu întregului
proiect. Analiza riscurilor cu ajutorul probabilităţii şi impactului ne ajută să
identificăm acele riscuri cu consecinţe majore asupra proiectului şi asupra
cărora trebuie să acţionăm în mod agresiv.
(2) Matricea scorului riscului. Este o matrice construită prin combinarea
scalelor de probabilitate şi de impact.
Scala de probabilitate a riscului are valori cuprinse între 0 (probabilitatea
evenimentului imposibil) şi 1 (probabilitatea evenimentului sigur). O scală
generală care se utilizează este alcătuită din valorile 0,10, 0,30, 0,50, 0,70 şi
0,90, în care 0,10 este probabilitatea pentru un risc foarte puţin probabil să
apară, iar 0,90 este probabilitatea pentru un risc care este foarte probabil să
apară. Scala de probabilitate poate avea şi valori ordinale, respectiv foarte
puţin probabil, puţin probabil, mediu, probabil şi foarte probabil,
corespunzătoare valorilor de probabilitate de mai sus.
Scala de impact a riscului reflectă severitatea impactului riscului asupra
obiectivelor proiectului. Scala de impact poate fi ordinală (cu valorile de
impact foarte scăzut, scăzut, moderat, ridicat, foarte ridicat) sau poate fi
cardinală (cu valorile corespunzătoare 0,05, 0,10, 0,20, 0,40 şi 0,80).
Scopul ambelor abordări este de a atribui o valoare de impact de risc pentru

obiectivele proiectului, dacă riscul respectiv apare. Tabelul 5.1 conţine un
exemplu de evaluare a impactului riscului asupra obiectivelor principale ale
unui proiect.
Tabelul 5.1 – Impactul riscului asupra obiectivelor proiectului

Impactul riscului
Obiectivul
Foarte scăzut Scăzut Moderat Ridicat Foarte ridicat
proiectului
0,05 0,10 0,20 0,40 0,80
Creştere Creşterea Creşterea Creşterea Creşterea
Costuri nesemnificativă costului cu costului cu costului cu costului cu
a costului <5% 5% - 10% 10% - 20% >20%
Decalare Decalarea Decalarea Decalarea Decalarea
Program nesemnificativă programului programului programului programului
a programului cu <5% cu 5% - 10% cu 10% - 20% cu >20%
Zone minore Zone majore Reducerea
Reducerea Rezultatul
ale dome- ale dome- domeniului
Domeniu domeniului proiectului este
niului sunt niului sunt inacceptabilă
foarte mică fără finalitate
afectate afectate pentru client
Diminuarea
Numai Diminuarea
Diminuarea calităţii Rezultatul
anumite calităţii
Calitate calităţii foarte necesită proiectului este
cerinţe sunt inacceptabilă
mică aprobarea inutilizabil
afectate pentru client
clientului
Matricea de probabilitate şi impact poate fi reprezentată într-o formă ordinală

(Tabelul 5.2) sau cardinală (Tabelul 5.3). Forma ordinală se obţine
considerând nivelele de probabilitate şi de impact, în exprimarea lor
calitativă, considerate anterior. Valorile scăzute de impact se colorează de
obicei în verde, valorile moderate în galben, iar valorile ridicate de impact la
risc în culoarea roşie.
Tabelul 5.2 – Matricea nivelului de impact

Impactul riscului
Probabilitatea
Foarte scăzut Scăzut Moderat Ridicat Foarte ridicat
Foarte
Moderat Moderat Ridicat Ridicat Ridicat
probabilă
Probabilă Scăzut Moderat Moderat Ridicat Ridicat
Medie Scăzut Moderat Moderat Ridicat Ridicat

Puţin
Scăzut Scăzut Moderat Moderat Ridicat
probabilă
Foarte puţin
Scăzut Scăzut Scăzut Scăzut Moderat
probabilă
Scorul riscului se determină cu relaţia:

Scorul riscului = Probabilitatea × Impactul.
Scorurile corespunzătoare ale riscului sunt calculate în matricea din Tabelul
5.3. Se observă că un scor mai mic de 0,05 se consideră că are un impact
scăzut, scorul între 0,05 şi 0,15 are un impact moderat, iar scorul mai mare de
0,15 are un impact ridicat.
Tabelul 5.3 – Matricea scorului riscului

Impactul riscului
Probabilitatea
0,05 0,10 0,20 0,40 0,80
0,90 0,05 0,09 0,18 0,36 0,72
0,70 0,04 0,07 0,14 0,28 0,56
0,50 0,03 0,05 0,10 0,20 0,40
0,30 0,02 0,03 0,06 0,12 0,24
0,10 0,01 0,01 0,02 0,04 0,08
(3) Testarea ipotezelor proiectului. Ipotezele identificate trebuie testate faţă de

două criterii: stabilitatea ipotezei şi impactul asupra proiectului dacă ipoteza
este falsă. În această situaţie, trebuie identificate ipoteze alternative, care să
fie adevărate, iar impactul acestora asupra obiectivelor proiectului trebuie
testat în procesul de analiză calitativă a riscului.
(4) Clasificarea preciziei datelor. Analiza calitativă a riscului necesită date
precise, care să vină în ajutorul managementului proiectului. Tehnica de
clasificare a preciziei datelor evaluează gradul în care datele despre risc sunt
utile pentru managementul riscului. Aceasta implică evaluarea datelor
disponibile despre risc, din punct de vedere al calităţii, integrităţii şi
fiabilităţii acestora. Utilizarea unor date de precizie scăzută – dacă, de
exemplu, un anumit risc nu este înţeles – poate conduce la o analiză calitativă
a riscului care nu este utilă managerului de risc.
Ieşiri din analiza calitativă a riscului
(1) Clasificarea generală a riscului proiectului. Clasificarea riscului poate

indica poziţia proiectului faţă de alte proiecte prin compararea scorurilor
riscurilor. Ea poate fi utilizată pentru a aloca personal sau alte resurse unor
proiecte cu diferite clasificări ale riscului, pentru a face analize cost –
beneficiu pentru proiect sau chiar pentru a justifica recomandarea pentru

anularea unui proiect.
(2) Lista riscurilor prioritare. Riscurile pot fi ierarhizate după scorul de impact
de care aparţin (ridicat, moderat, scăzut), până la cel mai detaliat nivel din
structura activităţilor proiectului. Riscurile pot fi grupate, de asemenea, după
modul în care necesită un răspuns imediat sau un răspuns ulterior. Riscurile
referitoare la costuri, program, funcţionalitate sau calitate pot fi evaluate
separat, cu diferite metode de clasificare. Totodată, riscurile semnificative
trebuie să fie descrise pe baza probabilităţii şi a impactului cu care au fost
evaluate.
(3) Lista riscurilor pentru analize suplimentare şi management. Riscurile
clasificate ca fiind ridicate şi moderate sunt primele candidate pentru analiza
cantitativă şi pentru acţiuni de managementul riscului.
5.2.4 Analiza cantitativă a riscului
Analiza cantitativă a riscului este procesul prin care se urmăreşte evaluarea

numerică a probabilităţii şi impactului fiecărui risc asupra obiectivelor proiectului,
precum şi influenţa asupra riscului general al proiectului. Acest proces utilizează
tehnici cantitative, cum ar fi simularea Monte Carlo, analiza de senzitivitate şi metoda
arborilor de decizie, pentru:
• Determinarea probabilităţii de a nu atinge obiective specifice ale
proiectului;
• Cuantificarea expunerii la risc a proiectului şi determinarea mărimii
rezervelor neprevăzute pentru costuri şi pentru program care ar putea fi
necesare;
• Identificarea riscurilor care implică o atenţie mai mare, prin cuantificarea
contribuţiei lor relative la riscul general al proiectului;
• Identificarea realistă a costurilor, programului şi obiectivelor care pot fi
realizate.
Procesul de analiză cantitativă a riscului urmează – în fluxul grupului de procese
pentru managementul riscului – după procesele de identificare şi de analiză calitativă a
riscului. Procesele de analiză calitativă şi cantitativă a riscului pot fi realizate separat
sau împreună.
Pentru procesul de analiză cantitativă a riscului, a cărui schemă este reprezentată
în Figura 5.8, vom detalia în continuare intrările în proces, mijloacele şi tehnicile
Intrări în analiza cantitativă a riscului
(1) Planul managementului riscului. Este documentul rezultat din procesul

anterior de planificarea managementului riscului.
(2) Riscurile identificate. Sunt ieşiri din procesul de identificare a riscului.
(3) Lista riscurilor prioritare. Este o rezultantă a procesului de analiză
calitativă a riscului.
(4) Lista riscurilor pentru analize suplimentare şi management. De
asemenea, este o ieşire din proces de analiză calitativă a riscului.
(5) Informaţii istorice. Sunt informaţii provenite de la proiecte anterioare
similare, studii referitoare la riscurile proiectelor, baze de date despre risc etc.
(6) Evaluările experţilor. Datele de intrare în analiza cantitativă a riscului pot să
provină de la echipa de proiect sau de la experţi în domeniu din cadrul
organizaţiei sau din afara acesteia.
(7) Alte ieşiri din planificarea proiectului. Cele mai utile ieşiri din celelalte
procese de planificare a proiectului sunt estimările duratelor activităţilor,
structura activităţilor proiectului, costurile estimate pentru aceste activităţi,
precum şi obiectivele tehnice ale proiectului.
Mijloace şi tehnici pentru analiza cantitativă a riscului
(1) Interviul. Tehnicile de intervievare sunt utilizate pentru a cuantifica

probabilitatea şi impactul riscurilor asupra obiectivelor proiectului. Primul
pas îl constituie realizarea unor interviuri despre riscurile proiectului cu
participarea responsabililor proiectului sau a experţilor în domeniu.
Informaţia care este necesară depinde de tipul distribuţiilor de probabilitate

1. Planul managemen- TEHNICI
tului riscului 1. Interviul 1. Lista riscurilor
2. Riscurile identificate 2. Analiza de prioritare cuantificate
3-4. Lista riscurilor senzitivitate 2. Analiza probabilistă
prioritare şi pentru 3. Analiza arborilor de a proiectului
analize suplimentare decizie 3. Probabilitatea de a
şi management 4. Simularea atinge obiectivele de
5. Informaţii istorice cost şi de timp ale
6. Evaluările experţilor proiectului
7. Alte ieşiri din plani-
ficarea proiectului
Figura 5.8 – Procesul de analiză cantitativă a riscului proiectului

care vor fi utilizate pentru modelarea riscului. De exemplu, atunci când se

utilizează distribuţia triunghiulară sau distribuţia beta se furnizează informaţii
asupra scenariilor optimist, pesimist şi cel mai probabil. Distribuţiile de
probabilitate continue cele mai utilizate pentru analiza cantitativă a
probabilităţii si a impactului sunt: uniformă, normală, triunghiulară, beta şi
log-normală. Ca urmare a interviurilor, este necesară documentarea
argumentelor care au stat la baza parametrilor atribuiţi distribuţiilor de
probabilitate ale modelelor de risc, care vor constitui elemente de intrare
pentru strategiile de răspuns la risc.
(2) Analiza de senzitivitate. Această tehnică ajută la determinarea acelor riscuri
care au cel mai mare potenţial de impact asupra proiectului. Analiza de
senzitivitate examinează gradul în care incertitudinea fiecărui element de risc
al proiectului influenţează obiectivele proiectului, atunci când celelalte
elemente variabile şi incerte sunt menţinute la valorile lor cele mai probabile.
(3) Analiza arborilor de decizie. Metoda arborilor de decizie se utilizează
pentru a reprezenta problema de decizie considerând implicaţiile alegerii
dintre alternativele disponibile. Metoda utilizează probabilităţile riscurilor,
precum şi elemente pe pierdere sau câştig, pentru fiecare secvenţă de decizii
care se poate adopta. Rezolvarea arborelui de decizie indică decidentului o
evaluare în termeni cantitativi a riscului asociat fiecărei decizii, în condiţii de
incertitudine.
(4) Simularea. Tehnica de simulare utilizează un model al proiectului, care
translatează incertitudinile specificate până la un anumit nivel de detaliere
privind impactului potenţial asupra obiectivelor proiectului şi apoi la nivelul
întregului proiect. Pentru simulare se utilizează tehnica Monte Carlo.
Tehnicile de simulare şi analiză menţionate mai sus au fost detaliate în capitolele
anterioare şi le vom relua în secţiunea de aplicaţii a acestui capitol.
Ieşiri din analiza cantitativă a riscului
(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.
5.2.5 Planificarea răspunsului la risc
Planificarea răspunsului la risc este procesul de dezvoltare a opţiunilor şi de

determinare a acţiunilor care să conducă la intensificarea oportunităţilor şi reducerea
ameninţărilor asupra obiectivelor proiectului. Acest proces include identificarea şi
atribuirea responsabilităţilor pentru fiecare răspuns la risc convenit şi asigură că
riscurile identificate sunt alocate în mod corespunzător pentru răspuns. Eficacitatea
planificării răspunsului la risc determină în mod direct creşterea sau descreşterea
riscului proiectului.
Planificarea răspunsului la risc trebui să fie corelată cu nivelul de severitate a
riscului, să atingă obiectivele de costuri, să fie realizată la timp pentru a avea succes,
să fie realistă şi să ţină cont de contextul proiectului, să fie acceptată de toate părţile
implicate în proiect şi să fie atribuită unui responsabil din cadrul proiectului.
Pentru procesul de planificare a răspunsului la risc, a cărui schemă este
Intrări în planificarea răspunsului la risc
(1) Planul managementului riscului. Este documentul rezultat din procesul de

(2) Lista riscurilor prioritare rezultate din analiza calitativă. Este lista
ierarhizată a riscurilor, rezultată în procesul de analiză calitativă a riscului.
(3) Clasificarea generală a riscurilor proiectului. Este clasamentul tuturor
riscurilor proiectului, rezultat din procesul de analiză calitativă a riscului.
(4) Lista riscurilor prioritare cuantificată. Lista rezultată din procesul de
analiză cantitativă a riscului.

tului riscului 1. Evitarea 1. Planul de răspuns
2-4 Lista riscurilor 2. Transferul la risc
prioritare 3. Atenuarea 2. Riscurile reziduale
5-6. Analiza probabi- 4. Acceptarea 3. Riscurile secundare
listă a proiectului 4. Înţelegeri contrac-
7. Răspunsuri potenţiale tuale
8. Nivele de risc 5. Resurse de rezervă
9. Proprietarii riscului 6-7. Intrări către alte
10. Răspunsurile comu- procese
ne la risc
Figura 5.9 – Procesul de planificare a răspunsului la riscul proiectului

(5) Analiza probabilistă a proiectului. Este o ieşire din procesul de analiză

cantitativă a riscului.
(6) Probabilitatea de depăşire a obiectivelor de cost şi de timp ale
proiectului. Rezultă din analiza probabilistă a proiectului.
(7) Lista răspunsurilor potenţiale. În procesul de identificare a riscului pot fi
identificate acţiuni de răspuns pentru riscuri individualizate sau pentru
categorii de risc.
(8) Nivele de risc. Pragurile de risc acceptabile pentru organizaţie vor influenţa
planul de răspuns la risc.
(9) Proprietarii riscului. Este o listă a responsabililor proiectului care sunt
capabili să acţioneze ca „proprietari” ai răspunsului la risc. Aceşti „proprietari
ai riscului” trebuie implicaţi în elaborarea răspunsurilor la risc.
(10) Răspunsurile comune la risc. Anumite riscuri pot fi generate de cauze
comune. Această situaţie poate pune în evidenţă oportunitatea de a aborda
două sau mai multe riscuri ale proiectului cu un acelaşi răspuns generic
comun.
Mijloace şi tehnici pentru planificarea răspunsului la risc
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.
(1) Evitarea. Evitarea riscului reprezintă schimbarea planului proiectului pentru

a elimina riscul sau pentru a proteja obiectivele proiectului faţă de impactul
riscului. Echipa de proiect nu poate elimina toate riscurile, dar anumite riscuri
specifice pot fi evitate. Anumite cauze ale riscului pot să apară încă din fazele
iniţiale ale proiectului şi pot fi rezolvate prin clasificarea cerinţelor, obţinerea
de informaţii, îmbunătăţirea comunicării sau prin expertize calificate.
Exemple de evitare a riscului sunt: reducerea domeniului proiectului pentru a
evita activităţile cu risc ridicat; suplimentarea resurselor şi a timpului;
adoptarea unei abordări cunoscute în locul uneia inovative sau evitarea unui
furnizor necunoscut.
(2) Transferul. Transferul riscului este acţiunea de a căuta transferarea
impactului riscului către o a treia parte, împreună cu responsabilitatea asupra
răspunsului la risc. Transferul riscului nu determină eliminarea acestuia, dar
atribuie unei terţe părţi responsabilitatea managementului acestui risc.
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.
Ieşiri din planificarea răspunsului la risc
(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
asigure că aceste cheltuieli sunt justificate de nivelul de reducere a riscurilor

atins. Aceste strategii alternative trebuie să furnizeze informaţii pentru
celelalte procese ale proiectului.
(7) Intrări în planul revizuit al proiectului. Un nou plan revizuit al proiectului,
dacă a fost elaborat, necesită continuarea managementului riscului şi deci şi
furnizarea răspunsurilor la risc, într-un proces iterativ.
5.2.6 Monitorizarea şi controlul riscului
Monitorizarea şi controlul riscului este procesul de urmărire a riscurilor

identificate, de monitorizare a riscurilor reziduale şi de identificare a noilor riscuri,
asigurând execuţia planurilor de risc şi evaluarea eficacităţii lor în reducerea riscului.
Monitorizarea şi controlul riscului este un proces care se desfăşoară pe durata ciclului
de viaţă al proiectului. Pe măsură ce proiectul evoluează, riscurile se schimbă, apar
riscuri noi sau riscuri care au fost anticipate pot să dispară. Un proces corespunzător de
monitorizare şi control al riscului furnizează informaţia necesară pentru asistarea
adoptării unor decizii eficace, înainte ca riscurile să apară. Comunicarea cu toţi
responsabilii proiectului este necesară pentru a evalua periodic nivelul de risc al
proiectului. Scopul monitorizării şi controlului riscului este de a determina dacă:
• Răspunsurile la risc au fost implementate aşa cum a fost planificat;
• Acţiunile de răspuns la risc au eficacitatea aşteptată sau dacă trebuie
elaborate noi răspunsuri la risc;
• Ipotezele proiectului sunt încă valide;
• Expunerea la risc s-a schimbat faţă de starea anterioară, ţinând cont de
analiza cerinţelor;
• A apărut un semnal (trigger) de risc;
• Sunt aplicate politici şi proceduri adecvate;
• Riscurile identificate au apărut sau au apărut riscuri care nu fuseseră
identificate iniţial.
Controlul riscului poate implica strategii alternative, implementarea unui plan de
rezervă, aplicarea de acţiuni corective sau replanificarea proiectului. Proprietarul
riscului trebuie să raporteze periodic managerului de proiect sau managerului de risc
asupra eficacităţii planurilor de răspuns la risc, asupra efectelor neanticipate sau asupra
oricăror altor corecţii necesare pentru atenuarea riscului.
Pentru procesul de monitorizare şi control al riscului, a cărui schemă este
Intrări în monitorizarea şi controlul riscului
(1) Planul managementului riscului. Este documentul de planificare menţionat

în procesul specific.
(2) Planul de răspuns la risc. Este documentul rezultat din procesul anterior de
răspuns la risc.
(3) Comunicarea. Rezultatele activităţilor şi alte înregistrări ale proiectului
furnizează informaţii despre performanţele şi riscurile proiectului. Rapoartele
utilizate pentru monitorizarea şi controlul riscului pot include liste de
probleme şi acţiuni, note de avertizare sau atenţionare ş.a.
(4) Identificarea şi analiza riscului suplimentar. Pe măsură ce performanţele
proiectului sunt cuantificate şi raportate, pot să apară riscuri potenţial care nu
au fost identificate anterior.
(5) Schimbarea domeniului. Schimbarea domeniului proiectului necesită adesea
o nouă analiză a riscului şi planuri de răspuns.
Mijloace şi tehnici de monitorizare şi controlul riscului
(1) Liste de verificare. Listele de verificare utilizate pentru identificarea riscului

pot fi utilizate şi în monitorizarea şi controlul riscului. O atenţie specială
trebuie îndreptată către riscurile care nu apar pe listele standard, în situaţia în
care aceste riscuri pot să fie relevante pentru anumite proiecte specifice.
(2) Auditurile proiectului. Auditorii riscului proiectului examinează şi
documentează eficacitatea planurilor de răspuns la risc pentru prevenirea,
transferul sau atenuarea apariţiei riscului, precum şi eficacitatea dovedită de
proprietarii riscurilor. Aceste audituri ale riscului sunt realizate pe durata
ciclului de viaţă al proiectului, în scopul controlului riscului.
(3) Revizuiri periodice ale riscului proiectului. Trebuie programate revizuiri

tului riscului 1. Liste de verificare 1. Planuri de urgenţă
2. Planul de răspuns 2. Auditurile proiectului 2. Acţiuni corective
la risc 3. Revizuiri periodice ale 3. Cereri de schimbare
3. Comunicarea riscului proiectului a proiectului
4. Identificarea şi 4. Analiza rezultatelor 4. Actualizări ale planu-
analiza riscului 5. Măsurarea performan- lui de răspuns la risc
suplimentar ţelor tehnice 5. Baze de date pentru
5. Schimbarea 6. Planificarea suplimen- risc
domeniului tară a răspunsului la 6.Actualizări ale listelor
risc de verificare riscuri
Figura 5.10 – Procesul de monitorizare şi control al riscul proiectului

periodice ale riscului proiectului, astfel încât riscurile proiectului să fie pe

agenda de lucru a fiecărui responsabil de proiect. Clasamentul şi prioritatea
riscurilor se pot schimba pe parcursul realizării proiectului şi orice schimbare
necesită analize suplimentare calitative şi cantitative ale riscului.
(4) Analiza rezultatelor. Pentru monitorizarea performanţelor generale ale
proiectului se utilizează analiza rezultatelor obţinute faţă de planul iniţial.
Aceste rezultate pot indica abateri potenţiale ale proiectului de la obiectivele
de costuri sau de program stabilite. Atunci când un proiect se abate
semnificativ de la planul iniţial, trebuie actualizate analizele de identificare,
evaluare şi cuantificare a riscului.
(5) Măsurarea performanţelor tehnice. Aceasta înseamnă compararea
realizărilor tehnice în timpul derulării proiectului cu planul de obiective
tehnice ale proiectului. Abaterile, cum ar fi de exemplu nedemonstrarea
funcţionalităţii la anumite termene, pot implica riscul de a nu atinge domeniul
proiectului.
(6) Planificarea suplimentară a răspunsului la risc. Atunci când se manifestă
un risc care nu a fost anticipat în planul de răspuns la risc sau impactul acestui
risc asupra obiectivelor este mai mare decât cel aşteptat, este posibil ca
răspunsul planificat să nu fi fost adecvat. Pentru controlul riscului va fi
necesară planificarea suplimentară a răspunsului la risc.
Ieşiri din monitorizarea şi controlul riscului
(1) Planuri de urgenţă. Sunt răspunsuri neplanificate anterior la riscurile

urgente. Aceste planuri trebuie documentate şi încorporate în planul general
al proiectului şi în planul de răspuns la risc.
(2) Acţiuni corective. Constau din aplicarea planurilor de rezervă sau de urgenţă.
(3) Cereri de schimbare a proiectului. Rezultă ca urmare a implementării
planurilor de rezervă sau de urgenţă, conducând la modificări ale proiectului.
(4) Actualizări ale planului de răspuns la risc. Riscurile pot să apară sau nu.
Riscurile care apar trebuie documentate şi evaluate. Toate acestea trebuie să
fie incluse în planurile actualizate de răspuns la risc.
(5) Baze de date pentru risc. Sunt depozite de date pentru colectarea,
actualizarea şi analiza datelor rezultate din managementul riscului proiectelor.
(6) Actualizări ale listelor de verificare a riscurilor identificate. Listele de
verificare sunt actualizate pe baza informaţiilor rezultate din procesul de
monitorizare şi control al riscului.
5.3 APLICAŢII 157
5.3 APLICAŢII
5.3.1 Planul managementului riscului
Strategia de dezvoltare şi implementare a managementului riscului proiectului

este alcătuită dintr-un grup de procese pe care le-am descris în secţiunea anterioară.
Aceste procese sunt strâns legate între ele, aşa cum rezultă din schema de proces din
Figura 5.11, în care se observă caracterul ciclic al procesului.
Primul pas îl constituie realizarea planului managementului riscului, pentru care
vom analiza un model (şablon) de document. Acest model, prezentat în Figura 5.12
(pagina 1) şi Figura 5.13 (pagina 2) conţine secţiunile: (A) – Informaţii generale; (B) –
Strategia managementului riscului; (C) – Analiza calitativă şi cantitativă a riscului; (E)
– Planificarea răspunsului la risc. Modelul poate fi dezvoltat, pe baza intrărilor, a
mijloacelor şi tehnicilor şi a ieşirilor din procesele de managementul riscului discutate.
Planificarea
managementului
riscului
Identificarea
riscului
Monitorizarea şi Analiza calitativă

controlul riscului şi cantitativă
Planificarea
răspunsului al risc
Figura 5.11 – Schema generală a procesului de managementul riscului

PLANUL MANAGEMENTULUI RISCULUI
A. Informaţii generale
Această secţiune conţine informaţii generale referitoare la organizarea proiectului şi a Planului
Managementului Riscului (PMR).
Denumirea proiectului: Data PMR:

Responsabili PMR: Data modificării:
Elaborat PMR: Aprobat PMR:
B. Strategia managementului riscului

În această secţiune sunt definite: metodologia de managementul riscului care va fi utilizată, ipotezele riscului,
rolurile şi responsabilităţile în managementul riscului, termenele, tehnicile de clasificare / scor, pragurile de
risc, comunicarea riscului, monitorizarea şi controlul riscului.
1. Definirea metodologiei de managementul riscului
2. Definirea ipotezelor riscului
3. Definirea rolurilor şi responsabilităţilor în managementul riscului
4. Definirea termenelor pentru managementul riscului
5. Definirea tehnicilor de clasificare / scor ale riscului
6. Stabilirea pragurilor de risc
7. Definirea modului de comunicare a riscului
8. Definirea procesului de monitorizare şi control al riscului
Figura 5.12 – Planul managementul riscului – model pagina 1

5.3 APLICAŢII 159
C. Identificarea riscului
În această secţiune sunt definite şi descrise categoriile de risc (de personal, de echipament, clienţi, de logistică,
de organizare, alte categorii).
Categoria de risc Descrierea riscului
D. Analiza calitativă şi cantitativă a riscului

În această secţiuni sunt realizate analiza calitativă şi cantitativă a riscului, prin evaluarea impactul
evenimentelor de risc asupra obiectivelor proiectului şi calculul scorului riscului.
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
E. Planificarea răspunsului la risc

În această secţiune sunt determinate opţiunile şi acţiunile de răspuns la riscurile proiectului
Categoria de risc/ Răspunsurile la risc Acţiuni adoptate/necesare Ieşiri din procesul de

Evenimentul Responsabili/termene răspuns la risc
Figura 5.13 – Planul managementul riscului – model pagina 2

5.3.2 Lista categoriilor de risc
Unul din elementele de intrare în procesul de identificare a riscului îl constituie

lista cu categoriile de risc care se aplică proiectului. Această listă rezultă din evaluarea
pe care o face echipa de managementul riscului proiectului, împreună cu responsabilii
proiectului şi cu alţi experţi. O listă generică a categoriilor de risc aplicabile unui
proiect este prezentată în Tabelul 5.4. În mod evident, această listă este departe de a fi
exhaustivă, conţinând numai o parte dintre principalele categorii de riscuri ale unui
proiect.
Tabelul 5.4 – Lista categoriilor de risc ale unui proiect

Proiectare Tehnologie
• Cerinţe sau funcţii nedefinite, • Tehnologie nouă
incomplete, neclare
• Caracteristici complexe de • Modificarea tehnologiei
proiectare existente
• Ipoteze de lucru numeroase, • O nouă aplicare a tehnologiei
neclare, neadevărate existente
• Tehnologie necunoscută sau
• Fiabilitatea
neclară
• Mentenabilitatea Aprovizionare
• Clasa de precizie sau de
• Strategia de aprovizionare
securitate
• Disponibilitatea • Furnizor/vânzător nou
• Disponibilitatea şi suportul
• Erori sau omisiuni de proiectare
vânzătorului
Resurse/Condiţii Testare
• Disponibilitatea materialelor sau
• Construcţia
echipamentelor
• Resurse speciale necesare • Mentenanţa
• Utilităţi existente • Operabilitate
• Disponibilitatea service-ului • Facilităţi
• Resurse temporare (electricitate,
• Sistem
apă, gaz ş.a.)
• Condiţii geologice Securitate
• Resurse care nu sunt disponibile • Componente critice potenţiale
• Complexitatea construcţiilor • Potenţialul de incendiu
• Calificarea şi instruirea
• Potenţialul de contaminare
personalului
• Disponibilitatea mijloacelor de
Management
măsurarea şi monitorizare
• Logistica forţei de muncă • Incertitudini de finanţare
• Influenţa infrastructurii • Modificări de strategie
• Interfeţele proiectului • Estimări eronate sau omisiuni
5.3 APLICAŢII 161
5.3.3 Simularea costurilor proiectului
Vom aplica în continuare metoda de simulare prezentată în Capitolul 3 pentru a

simula costurile estimate ale unui proiect, în vederea evaluării probabilităţii de a
realiza un anumit cost al proiectului. Această tehnică este de fapt o analiză cantitativă
a riscului şi ne va permite să determinăm probabilitatea de a obţine diferite nivele de
costuri, având astfel o evaluare a riscului de a depăşi costurile bugetate ale proiectului.
Considerăm activităţile principale ale unui proiect de realizare a unui nou produs,
estimate prin trei nivele de costuri: nivelul minim (notat a), nivelul mediu cel mai
probabil (notat m) şi nivelul maxim (notat b), pentru care utilizăm modelul distribuţiei
triunghiulare ca model de simulare. Datele modelului determinist sunt prezentate în
Tabelul 5.5, costurile fiind exprimate în mii € (k€).
Tabelul 5.5 – Costurile estimate ale unui proiect

Costuri estimate Media Abaterea
Activităţi
Minim (a) aritmetică standard
Mediu (m) Maxim (b)
Proiectare 4 6 10 6,67 1,25
Execuţie 16 20 35 23,67 4,09
Testare 11 15 23 16,33 2,49
Cost total 31 41 68 46,67 7,81
Cu ajutorul formulelor (3.9) şi (3.10) am calculat media aritmetică şi abaterea

standard pentru costurile estimate ale activităţilor şi ale întregului proiect. A rezultat o
valoare a mediei de 46,67 (k€) şi o abatere standard de 7,81.
Utilizând distribuţia triunghiulară ca model pentru costurile activităţilor
proiectului, aplicăm metoda Monte Carlo de simulare a costurilor estimate. Parametrii
statistici rezultaţi în urma simulării sunt prezentaţi în Tabelul 5.6. Histograma
frecvenţei absolute pentru variabila „cost total”, care este variabila rezultată în urma
simulării, este reprezentată în Figura 5.14.
Tabelul 5.6 – Valorile simulate

Statistica Valoarea
Media aritmetică 46,71
Abaterea standard 4,47
Amplitudinea 23,78
Valoarea minimă 36,76
Prima cuartilă 43,68
Mediana 46,35
A treia cuartilă 49,69
Valoarea maximă 60,54
60
50
Frecvenţa 40
30
20
10
0
36 38 40 42 44 46 48 50 52 54 56 58 60 62
Costul total
Figura 5.14 – Histograma frecvenţei simulate a costului total al proiectului
Modelul empiric sugerat de histogramă este cel al distribuţiei normale, fapt

natural deoarece costul total este suma a trei variabile aleatoare triunghiulare şi,
conform teoremei limită centrală, va tinde spre distribuţia normală, ipoteză confirmată
şi de testul de normalitate Henry din Figura 5.15, aplicat pentru valorile simulate.
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
Figura 5.15 – Testul de normalitate Henry pentru valorile simulate

5.3 APLICAŢII 163
Vom utiliza în continuare modelul distribuţiei normale cu parametrii statistici

rezultaţi din simulare pentru inferenţa asupra costurilor estimate ale proiectului şi deci
asupra riscului de a depăşi aceste costuri. În Tabelul 5.7 sunt calculate probabilităţile
de a obţine diferite valori ale costurilor totale ale proiectului.
Tabelul 5.7 – Valorile probabilităţilor costurilor proiectului

Probabilitatea Valoarea (%)
Prob{x < 31} 0,022%
Prob{x < xmin} 1,3%
Prob{x > 41} 89,9%
Prob{x > xmax} 0,1%
Prob{x > 68} 0,0001%
Observăm că probabilitatea ca să depăşim costurile medii planificate (41k€) este

foarte mare, respectiv aproape 90%, în timp ce probabilităţile de a ne situa sub valorile
minime calculate sau simulate, respectiv peste valorile maxime calculate sau simulate,
sunt mici sau foarte mici.
5.3.4 Riscul rezidual
Chiar şi după aplicarea strategiilor de răspuns la risc, este posibil să rămână

impacturi ale anumitor riscuri ale proiectului, care sunt denumite riscuri reziduale.
Impactul asupra costurilor şi asupra programului pentru aceste riscuri reziduale trebuie
avut în vedere la cuantificarea riscului proiectului. Pentru aceasta se determină
distribuţiile de probabilitate pentru riscul de cost sau de program şi apoi se utilizează
simularea Monte Carlo pentru evaluarea probabilităţii riscului rezidual.
În Tabelul 5.8 sunt prezentate riscurile identificate ale unui proiect, cu evaluarea
nivelelor calitative de risc şi a costurilor în cazurile cele mai nefavorabile, înainte de
răspunsul la risc. De asemenea, sunt stabilite strategiile de răspuns la risc, precum şi
costurile implementării acestor strategii. În ultimele coloane ale tabelului sunt estimate
nivelele riscurilor reziduale rămase după răspuns, cât şi valorile minime, cele mai
probabile şi maxime ale riscurilor reziduale.
Aplicăm în continuare paşii algoritmului de simulare descris anterior. Utilizăm
pentru cele patru variabile aleatoare ce descriu riscurile reziduale modelul distribuţiei
triunghiulare. Vom utiliza pentru analiza probabilităţilor de a obţine diferite valori ale
riscurilor reziduale distribuţia cumulativă simulată, reprezentată în Figura 5.16.
Observăm că valorile costului riscului rezidual se situează între o valoare minimă de
circa 350 k€ şi o valoare maximă de circa 1.150 k€.
Tabelul 5.8 – Evaluarea riscurilor reziduale ale proiectului

Înainte de Răspunsul După răspuns
răspuns la risc Riscuri reziduale
Riscul Costul
Strategia
identificat Nivel Cost implemen- Nivel
de Minim Mediu Maxim
de risc (k€) tării de risc
răspuns
răspunsului
1. Reproiectare
pentru a rezolva
problemele Moderat 3.500 Atenuare 100 Scăzut 0 150 500
apărute la
validarea
proiectului
2. Reprelucrarea
şi actualizarea Moderat 2.700 Acceptare 0 Scăzut 0 100 300
documentaţiei
proiectului
3. Proiectarea
echipamentului Ridicat 5.000 Atenuare 300 Moderat 0 250 600
de bază
4. Întârzierea
omologării Ridicat 2.000 Atenuare 250 Moderat 0 75 200
produsului
Total 13.200 650 0 575 1.600
Probabilitatea ca să nu avem risc rezidual este evident 0, iar probabilitatea ca

riscul rezidual să fie mai mare de 1.200 k€ este de asemenea 0. Cu o probabilitate de
80% putem să estimăm că riscul rezidual al acestui proiect va fi de 900 k€.
Vom efectua în continuare analiza de senzitivitate, şi anume vom evalua
ponderea varianţei celor 4 variabile aleatoare ce descriu riscul rezidual. După
algoritmul de calcul folosit anterior, obţinem în Figura 6.17 o fişă „tornado” pentru
varianţa riscului rezidual.
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
Figura 5.16 – Distribuţia cumulativă simulată

5.3 APLICAŢII 165
0% 10% 20% 30% 40% 50%
Proiectare 47%
Reproiectare 34%
Documentaţie 12%
Întârziere 6%
Figura 5.17 – Fişa tornado pentru riscul rezidual
Observăm că avem de fapt o fişă „semi-tornado”, deoarece variabilele au numai

o influenţă pozitivă asupra modelului costurilor riscurilor reziduale, deci vom avea o
reprezentare numai a valorilor pozitive. Riscurile reziduale sunt ordonate descrescător
din punct de vedere al ponderii lor în variabilitatea totală a acestui model.
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:
Activitatea Minimă Medie Maximă

Analiza sistemului actual 1 2 3
Elaborarea planului de proiect 1 3 4
Elaborarea planului managementului
1 2 3
riscului
Revizuirea procedurilor operaţionale
existente şi elaborarea unor 12 16 20
proceduri noi
Elaborarea procedurilor pentru
6 12 18
sistemul de management al calităţii
Elaborarea Manualului Calităţii 4 10 14
Pre-audit de certificare 1 2 3
Certificarea ISO 9001:2000 1 2 3
Total 27 49 68
(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.
A5.3 Considerăm un proiect în care Planul Managementului Riscului a identificat un număr de

6 riscuri (nenominalizate), iar valorile costurilor acestor riscuri înainte şi după răspunsul la risc
sunt cele de mai jos:
Înainte de Răspunsul După răspuns

răspuns la risc Riscuri reziduale
Riscul
Costul
identi- Strategia
Nivel Cost implemen- Nivel
ficat de Minim Mediu Maxim
de risc (k€) tării de risc
răspuns
răspunsului
Foarte
Riscul 1 Scăzut 1.000 Acceptare 0 0 60 100
scăzut
Riscul 2 Moderat 1.200 Atenuare 100 Scăzut 0 80 120
Riscul 3 Ridicat 3.500 Atenuare 300 Moderat 0 250 500
Riscul 4 Moderat 1.500 Atenuare 150 Moderat 0 125 250
Foarte
Riscul 5 Scăzut 400 Acceptare 0 0 40 90
scăzut
Foarte
Riscul 6 4.000 Atenuare 350 Ridicat 0 500 1.000
ridicat
(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
SOFTWARE
6.1 RISCUL ÎN PROIECTELE DE SOFTWARE
Dezvoltarea fără precedent a sistemelor electronice şi a informaticii din ultimele

două decenii, a avut drept consecinţă creşterea complexităţii proiectelor de realizare şi
implementare a sistemelor de aplicaţii software. Proiectele de software au devenit o
necesitate, dar şi riscurile implicate de realizarea lor au crescut aproape exponenţial.
Literatura de specialitate este plină de exemple de proiecte de software care au eşuat,
au întârziat sau nu s-au mai realizat niciodată.
Riscul poate fi definit, în general, ca fiind posibilitatea de a pierde. El este o
funcţie dată de probabilitatea unui eveniment advers care poate să apară, cât şi de
impactul acestuia. Acest impact poate fi o combinaţie de pierderi financiare, întârzieri
sau pierderea performanţei. Riscul în software este dat de probabilitatea ca, la un
anumit moment din ciclul de viaţă al proiectului software, obiectivele planificate să nu
fie atinse cu resursele alocate. De obicei, riscul nu poate fi eliminat din proiectele
software, dar el poate fi tratat. Managementul riscului este o activitate critică pentru
succesul oricărui proiect software, fiind o componentă strategică de realizare a
acestuia.
Managementul riscului în software face parte din practicile de inginerie a
software-ului şi constă din procesele, metodele şi tehnicile de management a
proiectelor software. El furnizează o abordare sistematică şi o atitudine pro-activă de
adoptare a deciziilor care să evalueze lucrurile care nu merg bine, să determine care
sunt riscurile care sunt importante şi să implementeze acţiunile necesare pentru
tratarea acestor riscuri.
Ca şi în alte domenii ale managementului – în general – şi al managementului
proiectelor – în special – şi în acest domeniu implicarea managementului de cel mai
înalt nivel al organizaţiei este esenţială pentru succes. Top-managementul trebuie să
susţină managementul riscului prin alocarea resurselor necesare, prin planificare şi
analize de management dedicate acestui scop.
167
168 CAPITOLUL 6 – MANAGEMENTUL RISCULUI ÎN SOFTWARE
Să analizăm acum modelul global al procesului de management al riscului în

software, care se integrează modelelor de management al proiectelor în general, fiind
de fapt o adaptare şi o particularizare pentru ciclul de viaţă şi specificitatea proiectelor
de software. Modelul identifică funcţiile fundamentale pentru managementul riscului
ce trebuie avute în vedere pentru un management eficace al riscului în proiectele de
software. Aceste funcţii, pe care le vom detalia în secţiunea următoare, sunt:
• Identificare Căutarea şi localizarea riscurilor înainte ca ele să devină

probleme adverse care să afecteze proiectul.
• Analiză Prelucrarea datelor referitoare la riscuri şi includerea lor

în informaţiile pentru procesul de adoptare a deciziilor.
• Planificare Translatarea informaţiilor referitoare la riscuri în decizii

şi acţiuni (prezente şi viitoare) şi implementarea acestor
acţiuni.
• Monitorizare Monitorizarea indicatorilor de risc şi a acţiunilor luate

împotriva manifestării riscurilor.
• Control Corectarea abaterilor de la acţiunile planificate pentru

riscurile în software.
• Comunicare Asigurarea transparenţei şi a feed-back-ului datelor

interne şi externe din programul activităţilor curente şi
urgente referitoare la riscuri.
Ciclul activităţilor continue de realizare a funcţiilor procesului de monitorizare a

riscului în proiectele software este redat în diagrama din Figura 6.1
Identificare
trol
Anal
Con
iza
COMUNICARE
M
re
on
ca
ifi
ito
n
riz
la
P
ar
e
Figura 6.1 – Modelul procesului de management al riscului în software

6.2 PROCESUL DE MANAGEMENT AL RISCULUI ÎN SOFTWARE 169
6.2 PROCESUL DE MANAGEMENT AL RISCULUI ÎN

SOFTWARE
Procesul de management al riscului în software, descris în diagrama funcţională

din Figura 6.2, detaliază funcţiile modelului general discutat anterior. Deşi paşii
acestui proces sunt prezentaţi întro-o formă secvenţială, în mod practic pot să aibă loc
iteraţii ale paşilor procesului, care se repetă după cum este necesar.
Responsabilităţile pentru proces sunt alocate unei echipe de evaluare a riscului,
coordonată de un manager de risc. Criteriile care sunt utilizate pentru selecţia
membrilor echipei sunt legate de cunoştinţele şi experienţa în domeniul proiectului
software, precum şi de experienţa privind managementul riscului. Echipa este, de
obicei, un mix de specialişti din diferite domenii (dezvoltare, testare, asigurarea
calităţii), acoperind toate ariile funcţionale considerate critice pentru proiect.
Procesul de management al riscului este constituit din 10 paşi pe care îi vom
detalia în continuare. Realizarea activităţilor asociate cu aceşti paşi reprezintă o
abordare acceptabilă a managementului riscului în software şi trebuie inclusă în planul
general al proiectului de realizare şi implementare al software-ului.
6.2.1 Funcţia 1: Identificare
Înainte ca riscul să fie tratat, el trebuie să fie identificat, pentru a nu deveni o

problemă care să afecteze desfăşurarea proiectului. Tehnicile de identificare a riscului
se aplică de către echipa de proiect care are aceste responsabilităţi.
Pasul 1: Identificarea riscurilor
Managerul de risc conduce o reuniune de analiză a echipei de managementul

riscului şi transmite membrilor echipei o clasificare a domeniilor de risc potenţial ale
proiectului. Această clasificare rezultă din lista riscurilor posibile ale proiectului şi
constituie baza pentru analiza detaliată a riscurilor specifice proiectului. O listă de
clasificare generală a riscurilor unui proiect software este prezentată în Tabelul 6.1.
Fiecare membru al echipei, având la bază clasificarea generală, documentează
riscurile pe care le consideră potenţiale pentru proiectul respectiv. În cadrul reuniunii
de lucru a echipei, se definitivează, în urma analizei comune, lista riscurilor specifice,
care sunt asociate proiectului respectiv. Ieşirea din acest pas al procesului o constituie
o listă a riscurilor identificate ca fiind specifice proiectului, pentru care se vor
completa informaţiile de analiză şi cuantificare în paşii următori.
6.2.2 Funcţia 2: Analiză
Analiza este conversia datelor referitoare la riscuri în informaţii pentru adoptarea

deciziilor. Ea include analiza, prioritizarea şi selectarea riscurilor critice.
Procesul de management al riscului în software

Functiile Activitatile Sarcinile echipei de
Iesiri
procesului procesului management a riscului
Analizeaza riscurile potentiale si Lista riscuri

1. Identificare
Identificare riscuri
identifica lista riscurilor specifice initiale
proiectului
2. Analiza Completeaza lista riscurilor cu impactul Lista riscuri

Analiza riscuri asupra costurilor, programului, calitatii actualizata
Completeaza lista riscurilor cu Lista riscuri

3. Prioritizare probabilitatile de aparitie si impact
riscuri prioritizate
Plan
4. Identificare Determina raspunsurile la risc: evitare, management
Planificare metode de raspuns control, acceptare, transfer risc
5. Identificare Analizeaza riscurile reziduale si actiunile Plan

metode de de atenuare pentru a reduce probabilitatea management
atenuare riscuri si/sau severitatea de impact risc
6. Identificare Pentru riscurile prioritare sunt Plan

metode de documentate actiunile de recuperare si management
recuperare semnale de declansare risc
riscuri
Identifica si documenteaza metricile Monitorizare

7. Definire metrici pentru a stabili daca riscul a fost
ale riscurilor metrici risc
îndepartat sau a fost atenuat
8. Implementare Managementul trece proactiv la

Plan proiect
actiuni de implementarea actiunilor de raspuns si de
actualizat
atenuare atenuare identificate
Colecteaza, analizeaza si raporteaza

9. Monitorizare valorile metricilor, periodic si în functie Metrici riscuri
Monitorizare riscuri active
COMUNICARE
de evenimentele aparute
Aplica actiunile de control

10.Implementare corespunzatoare, pe baza valorilor Plan proiect
Control actiuni de control actualizat
metricilor riscului
Figura 6.2 – Diagrama procesului de management al riscului în software

Tabelul 6.1 – Clasificarea generală a riscurilor în software

A. Realizarea produsului B. Mediul de dezvoltare C. Constrângeri de plan
1. Cerinţe 1. Procesul de dezvoltare 1. Resurse
a. Stabilitate a. Formalizare a. Program
b. Completitudine b. Adaptabilitate b. Personal
c. Claritate c. Controlul procesului c. Buget
d. Validitate d. Familiaritate d. Facilităţi
e. Fezabilitate e. Controlul produsului 2. Contract
f. Precedenţă 2. Sistemul de dezvoltare a. Tip contract
e. Dimensiune a. Capacitate b. Restricţii
2. Proiectare b. Utilizare c. Dependenţe
a. Funcţionalitate c. Fiabilitate 3. Interfeţe de plan
b. Dificultate d. Suport a. Clientul
c. Interfeţe e. Livrare b. Subcontractori
d. Performanţă 3. Procesul de management c. Management
e. Testabilitate a. Planificare proiect d. Vânzători
f. Constrângeri hardware b. Organizare proiect e. Politici
3. Testare cod c. Experienţă
a. Fezabilitate d. Interfeţe ale proiectului
b. Testare 4. Metode de management
c. Implementare a. Monitorizare
4. Specializare b. Managementul personalului
a. Mentenabilitate c. Asigurarea calităţii
b. Fiabilitate d. Managementul
c. Siguranţă configuraţiei
Pasul 2: Analiza riscurilor
Echipa analizează fiecare din riscurile identificate, în funcţie de consecinţele

riscului asupra factorilor de cost, program, performanţă şi calitatea produsului. Un
anumit risc poate să aibă impact asupra uneia sau mai multor categorii din factorii
menţionaţi. De exemplu, schimbarea frecventă a cerinţelor poate avea impact asupra
tuturor celor patru categorii de factori de mai sus. Pentru fiecare risc identificat se
determină severitatea de impact, iar apoi se estimează probabilitatea de apariţie a
riscului respectiv. La finalul acestui pas, echipa trebuie să ajungă la un consens asupra
consecinţelor, severităţii, probabilităţii şi perioadei de apariţie a fiecărui risc
identificat.
Pasul 3: Prioritizarea riscurilor
Echipa determină nivelele de prioritate pentru fiecare din riscurile identificate,

considerând matricea de risc, prezentată în Tabelul 6.2. Pe baza nivelelor de prioritate,
echipa stabileşte acţiunile necesare de tratare a riscurilor.
Nivelele scorurilor de impact ale riscurilor sunt următoarele:

(1) Risc tolerabil – T: Riscul este identificat ca având un efect mic sau nici o
consecinţă asupra obiectivelor proiectului. Scorul de impact este cuprins între
0,01 şi 0,03, fiind suficient de mic ca să nu constituie un motiv de preocupare.
(2) Risc scăzut – S: Riscul este identificat ca având un efect minor sau o
consecinţă redusă asupra obiectivelor proiectului. Scorul de impact este
cuprins între 0,04 şi 0,06, fiind suficient de mic ca să constituie numai o
preocupare scăzută. Întârzierea programului este mai mică de 10%, iar efectul
asupra costurilor este mai mic de 2%.
(3) Risc mediu – M: Riscul este identificat ca putând să afecteze obiectivele
proiectului. Scorul de impact este cuprins între 0,07 şi 0,12. Întârzierea
programului este de 10-25%, iar efectul asupra costurilor este de 2-5%.
(4) Risc ridicat – R: Riscul este identificat ca fiind suficient de mare ca să
afecteze obiectivele proiectului. Scorul de impact este cuprins între 0,14 şi
0,24. Întârzierea programului este de 25-50%, iar efectul asupra costurilor este
de 5-10%.
Tabelul 6.2 – Matricea de risc

Probabilitate Frecvent Probabil Ocazional Îndepărtat Improbabil
Severitate 0,90 0,70 0,50 0,30 0,10
Catastrofic IN IN IN R M
0,80 0,72 0,56 0,40 0,24 0,08
Critic IN IN R M S
0,40 0,36 0,28 0,20 0,12 0,04
Serios R R M S T
0,20 0,18 0,14 0,10 0,06 0,02
Minor M M S T T
0,10 0,09 0,07 0,05 0,03 0,01
Neglijabil S S T T T
0,05 0,05 0,04 0,03 0,02 0,01
Legenda: T = Tolerabil S = Scăzut M = Mediu R = Ridicat IN = Intolerabil
Probabilitate Descriere Severitate Consecinţe
Frecvent Va apărea de mai multe ori / Catastrofic Întârziere program > 50%
0,90 Nu este surprinzător 0,80 Depăşire costuri > 10%
Probabil Apare în mod repetat / Critic Întârziere program 25-50%
0,70 Eveniment aşteptat 0,40 Depăşire costuri 5-10%
Ocazional Poate să apară Serios Întârziere program 10-25%
0,50 la un moment dat 0,20 Depăşire costuri 2-5%
Îndepărtat Puţin probabil Minor Întârziere program < 10%
0,30 să apară 0,10 Depăşire costuri < 2%
Improbabil Probabilitate foarte mică Neglijabil Impact neglijabil
0,10 să apară 0,05 asupra proiectului
(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%.
6.2.3 Funcţia 3: Planificare
Funcţia de planificare are rolul de a transforma informaţia despre riscuri în

decizii şi acţiuni, atât pentru prezent, cât şi pentru viitor. Planificarea implică stabilirea
acţiunilor care se adresează fiecărui risc individual, prioritizarea acestor acţiuni şi
crearea planului de management al riscului. Cheia planificării acţiunilor pentru
riscurile identificate, o constituie considerarea consecinţelor viitoare ale deciziilor
adoptate acum. Planul de management al riscului se utilizează pentru:
• Avertizarea asupra riscurilor, prin schimbarea proiectării şi a proceselor sau
prin neadoptarea de acţiuni şi acceptarea implicită a consecinţelor în cazul
apariţiei riscurilor.
• Atenuarea impactului riscurilor prin acţiuni de reducere a nivelului de
impact.
• Dezvoltarea unor strategii de rezervă pentru cazurile în care riscurile apar.
Pasul 4: Identificarea metodelor de răspuns la riscuri
Având acum la dispoziţie o listă a riscurilor cu ordinea lor de prioritate, echipa de

management a riscului efectuează o analiză pentru a determina ce acţiuni de răspuns la
risc (evitarea, controlul, acceptarea sau transferul riscului) pot fi aplicate sau ce decizii
ar putea fi luate pentru a elimina riscurile identificate.
Echipa evaluează, cuantifică şi decide asupra posibilelor consecinţe ale lipsei de
acţiune – pe de o parte – respectiv dacă beneficiile obţinute prin acţiunea asupra
riscurilor justifică cheltuielile de timp şi de bani – pe de altă parte.
Acest pas trebuie să se concentreze asupra îmbunătăţirii continue a proceselor,
identificând acele procese organizaţionale care ar putea conduce la eliminarea sau
reducerea substanţială a riscurilor.
Pasul 5: Identificarea metodelor de atenuare a riscurilor
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.
De exemplu, dacă contractarea reprezintă un risc semnificativ pentru proiect,

atunci pentru minimizarea acestui risc trebuie definite practicile de management şi
procedurile pentru monitorizarea, evaluarea şi controlul performanţei
subcontractanţilor.
Pasul 6: Identificarea metodelor de recuperare a riscurilor
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.
Pasul 7: Definirea metricilor riscurilor
Pentru fiecare risc, echipa de management a riscului determină şi documentează

ce evenimente măsurabile sau observabile pot să fie urmărite pentru a şti dacă riscul
este îndepărtat, accentuat sau minimizat.
De exemplu, dacă testarea software-ului a fost identificată ca fiind o funcţie cu
risc ridicat, atunci pot fi utilizate ca şi metrici ale acestui risc: procentul de defective la
testare, rata de eliminare a erorilor la proiectare.
Metricile privind procesul de management al riscului în software trebuie să fie
stabilite şi determinate astfel încât să furnizeze elemente de intrare pentru
îmbunătăţirea procesului. Metricile pot să includă – fără a fi limitative – următoarele
date măsurate: eforturile şi fondurile cheltuite în activităţile de managementul riscului;
datele de realizare a evaluărilor riscurilor; numărul de riscuri noi apărute; numărul de
riscuri noi evitate.
Pasul 8: Implementarea acţiunilor de atenuare / reducere a riscurilor
Pentru fiecare risc, echipa de management a riscului realizează activităţile

necesare pentru a implementa acţiunile de atenuare / reducere a riscurilor stabilite la
Pasul 5. Aceste activităţi sunt documentate în planul de management al riscului pentru
fiecare scenariu de reducere a riscului. Exemplele de activităţi referitoare la nivelele de
risc definite la Pasul 3 sunt:
a. Risc tolerabil: Aplicarea metodelor corespunzătoare de inginerie a
software-ului va contribui la atenuarea oricăror riscuri de acest nivel.
b. Risc scăzut: Pentru acest nivel nu sunt necesare acţiuni suplimentare, în
afara celor normale de monitorizare şi control a realizării software-ului.
c. Risc mediu: Acest nivel de risc poate să necesite adoptarea unor acţiuni la
analizele de evaluare a riscurilor.
d. Risc ridicat: Acest nivel de risc necesită adoptarea unor acţiuni la analizele
de evaluare a riscurilor.
e. Risc intolerabil: Acest nivel implică controlul, monitorizarea şi dezvoltarea
de acţiuni de recuperare. Fiecare risc de acest nivel are definite
evenimentele care generează acţiunile de recuperare. Valorile abaterilor
sunt documentate prin metricile stabilite.
6.2.4 Funcţia 4: Monitorizare
Monitorizarea are în vedere starea riscurilor şi acţiunile adoptate pentru atenuarea

lor. Monitorizarea se realizează prin evaluarea metricilor stabilite şi prin funcţii de
urmărire în cadrul managementului riscului.
Pasul 9: Monitorizarea riscurilor
Procedurile de raportare a stadiului implementării proiectului trebuie să sesizeze

orice situaţie în care o metrică sau un parametru al proiectului se situează sub pragurile
stabilite sau înregistrează abateri prea mari faţă de cele planificate.
Managerul de risc primeşte şi analizează aceste date şi pe baza lor adoptă
acţiunile corective, acolo unde este necesar.
6.2.5 Funcţia 5: Control
Funcţia de control a riscului are rolul de a corecta abaterile de la acţiunile de risc

planificate. Controlul riscului este parte a managementului proiectului şi se bazează pe
procesele care controlează planurile acţiunilor de risc, corectează abaterile faţă de

plan, răspund la evenimentele semnalate şi îmbunătăţesc procesele de management al
riscului. Activităţile de control al riscului sunt documentate în planul de management
al riscului.
Pasul 10: Implementarea acţiunilor de control a riscurilor
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.
6.2.6 Funcţia 6: Comunicare
Comunicarea este unul din elementele centrale ale procesului de management a

riscului, care evidenţiază importanţa şi relevanţa acesteia. Comunicarea se desfăşoară
în toate fazele procesului de management a riscului. Ea este, de asemenea, o parte
esenţială a tuturor celorlalte activităţi de management a riscului în software.
Riscurile sunt identificate de personalul implicat ce participă la realizarea
activităţilor proiectului. Managementul de proiect trebuie să asigure un mediu deschis
care să permită personalului discuţii şi exprimarea opiniilor privind riscurile
potenţiale. O comunicare eficace furnizează atât transparenţa, cât şi datele de feed-
back, interne sau externe proiectului, referitoare la riscurile curente şi potenţiale.
Procesul de management al riscului se finalizează prin definitivarea planului de
managementul riscului, echipa întrunind consensul asupra riscurilor prioritare. Baza de
date referitoare la riscuri este completată cu atributele şi elementele de cuantificare ale
fiecărui risc identificat şi analizat. Sunt stabilite, de asemenea, evenimentele care
declanşează controlul, precum şi planurile de acţiuni corespunzătoare.
În cazul în care acţiunile de recuperare şi control ale riscurilor eşuează, atunci
este necesar un management de criză. În situaţiile de criză, toate eforturile şi resursele
proiectului trebuie orientate pentru rezolvarea crizei. În acest scop, principalele acţiuni
se referă la (re)atribuirea clară a responsabilităţilor şi a autorităţii, actualizarea
frecventă a stadiului proiectului, relaxarea constrângerilor asupra resurselor
proiectului, program de lucru mai intensiv, stabilirea datelor limită de realizare a
proiectului.
La sfârşitul perioadei de criză, echipa de proiect realizează o analiză postmortem
a crizei, în care detaliază cauzele sistematice care au determinat situaţia de criză,
documentează lecţiile învăţate şi reevaluează costurile, duratele şi noile riscuri
potenţiale ale proiectului de software.
6.3 APLICAŢII 177
6.3 APLICAŢII
6.3.1 Un model de evaluare a riscurilor în sistemele informatice
Vom analiza în cele ce urmează un model de evaluare a riscurilor pentru o

organizaţie care dispune de un sistem informatic complex, sistem care stă la baza
integrării tuturor activităţilor organizaţiei şi pentru care riscurile în acest domeniu sunt
deosebit de importante.
Principalele clase de riscuri care se pot manifesta în sistemele informatice sunt
următoarele:
• Integritate;
• Relevanţă;
• Acces;
• Disponibilitate;
• Infrastructură.
Clasa de riscuri de integritate include toate riscurile asociate cu autorizarea,
completitudinea şi acurateţea tranzacţiilor de introducere, prelucrare, centralizare şi
raportare realizate în aplicaţiile (modulele) sistemului informatic.
Clasa de riscuri de relevanţă se referă la modul şi timpul de utilizare a
informaţiei generate de sistemul informatic. Sunt riscurile asociate cu nerealizarea
obiectivului: „Informaţia corectă şi necesară, transmisă persoanei / procesului /
sistemului corespunzător, în timp util pentru a permite luarea deciziei
corespunzătoare”.
A treia clasă o constituie riscurile de acces. Această clasă de riscuri se
focalizează asupra riscurilor legate de accesul necorespunzător la sistem, date sau
informaţii. Ea include riscurile unor repartizări neadecvate a sarcinilor, riscurile
asociate integrităţii datelor şi bazelor de date şi riscurile asociate cu confidenţialitatea
asupra informaţiilor.
Clasa de riscuri de disponibilitate se referă la riscurile asociate cu funcţionarea la
parametri normali a sistemului informatic, riscurile de întrerupere a funcţionării
sistemului sau cu riscurile legate de posibilele dezastre ce ar putea să apară.
Clasa de riscuri de infrastructură include riscurile ca organizaţia să nu aibă o
infrastructură de tehnologia informaţiei (hardware, reţele, software, personal, procese),
care să susţină în mod eficace, dar şi eficient, procesele de afaceri ale organizaţiei
respective.
Sursele şi cauzele de apariţie, precum şi efectele acestor riscuri pentru
principalele clase de riscuri din sistemele informatice sunt definite în Tabelul 6.3.
Tabelul 6.3 – Principalele clase de riscuri din sistemele informatice

Clasa de risc Surse / Cauze Efecte
- Coruperea datelor, erori, omisiuni
Integritatea poate fi pierdută ca urmare a:
- erorilor de programare; - Coruperea datelor
Integritate
- erorilor de prelucrare;
- erorilor de mentenanţă;
- erorilor de management.
- Nefurnizarea
Relevanţă - Lipsa unei comunicări eficace informaţiei necesare la
locul şi la timpul potrivit
- Securitatea accesului nu este - Violarea
corespunzătoare confidenţialităţii
- Acces necorespunzător la mediul de - Pierderea sau
Acces coruperea datelor
prelucrare sau la reţele;
- Dispozitive fizice neprotejate la - Infectarea cu viruşi
deteriorare, furt sau la acces nepermis. - Atacul hackerilor
- Dezastre naturale (incendii, inundaţii - Întreruperea sistemului
Disponibilitate etc.) ce determină căderea hardware-ului pe termen scurt sau
sau software-ului; termen lung.
- Decizii nefuncţionale
în domeniul tehnologiei
informaţiei;
- O planificare deficitară sau lipsa
Infrastructură planificării sistemului informatic în - Lipsa politicilor şi
organizaţie. procedurilor în sistemul
informatic sau
inconsistenţa lor la
nivelul organizaţiei.
Vom analiza în continuare în detaliu riscurile componente pentru fiecare clasă de

risc. Pentru aceste riscuri ce intră în structura claselor putem asocia probabilităţi de
apariţie şi de severitate a impactului, pentru care putem să calculăm matricea de risc.
Riscurile componente pentru clasa de riscuri de integritate sunt următoarele:
• Interfaţa utilizator: Restricţii asupra utilizatorilor individuali care sunt

autorizaţi să realizeze anumite funcţii ale sistemului, pe
baza cerinţelor postului, ceea ce implică o repartizare a
responsabilităţilor. Alte riscuri din această categorie se
referă la gradul de adecvare al acţiunilor de control
preventive şi/sau detective care să asigure că în sistem
sunt introduse numai date valide şi complete.
• Prelucrare: Acţiunile de control preventive sau detective care să
asigure că datele prelucrate au fost complete şi transmise
la timp. Acestea includ şi riscurile asociate cu acurateţea
şi integritatea rapoartelor utilizate pentru centralizarea
rezultatelor şi/sau pentru luarea deciziilor de afaceri.
6.3 APLICAŢII 179
• Tratarea erorilor: Aceste riscuri se referă la procesele şi metodele care să

asigure că orice excepţii sau erori ale datelor de intrare
sau ale datelor prelucrate ce sunt depistate sunt corectate
în mod corespunzător şi reprelucrate complet şi în timp
util.
• Interfeţe: Acţiunile de control preventive sau detective care să
asigure că datele prelucrate au fost complete şi la timp şi
au fost transmise către alte aplicaţii (module) ale
sistemului care le utilizează.
• Managementul Aceste riscuri sunt asociate cu procese inadecvate de
schimbării: managementul schimbării, respectiv implicarea
utilizatorilor şi instruirea lor, precum şi procesele prin
care schimbările în sistemul informatic sunt comunicate
şi implementate.
• Date: Aceste riscuri sunt asociate cu acţiuni inadecvate de
control al managementului datelor, incluzând atât
securitatea / integritatea datelor prelucrate, cât şi un
management eficace al bazelor şi structurilor de date.
Integritatea poate fi pierdută din cauza erorilor de
programare, a erorilor de prelucrare sau a erorilor de
management sau de proces.
Pentru clasa de riscuri de relevanţă, componentele se referă în primul rând la

modul şi timpul de utilizare a informaţiei generate de sistemul informatic. Sunt
riscurile asociate cu netransmiterea informaţiei corecte şi necesare, către persoana,
procesul sau sistemul corespunzător, în timp util, în vederea adoptării deciziilor
corespunzătoare.
Pentru clasa de riscuri de acces, avem următoarele componente:
• Procesul de Sunt riscurile generate de deciziile organizatorice care

afaceri: trebuie să separe sarcinile incompatibile şi să asigure
nivelul corespunzător de responsabilitate şi autoritate
pentru realizarea funcţiilor sistemului informatic.
• Aplicaţii (module): Sunt determinate de mecanismele interne ale aplicaţiilor
(modulelor), care permit utilizatorilor autorizaţi să
execute funcţiile alocate în sistemul informatic.
• Managementul Aceste riscuri sunt asociate cu mecanismul de a asigura
datelor: utilizatorilor accesul la anumite date sau baze de date din
mediul de prelucrare.
• Mediul de În această categorie sunt înregistrate riscurile de acces
prelucrare: necorespunzător la mediul de prelucrare, respectiv la
aplicaţiile (modulele), programele sau datele stocate în
acest mediu.
• Reţelele: Riscurile de acces în această zonă sunt generate de

accesul necorespunzător la reţelele sistemului.
• Accesul fizic: Sunt riscurile legate de protecţia dispozitivelor fizice faţă
de deteriorare, sustragere sau accesare nepermisă.
Riscurile componente pentru clasa de riscuri de disponibilitate sunt următoarele:
• Monitorizarea Sunt riscurile care pot fi evitate prin monitorizarea

performanţei: performanţei sistemului şi printr-o abordare pro-activă a
problemelor, înainte ca acestea să apară.
• Întreruperi ale Sunt riscurile asociate cu întreruperile pe termen scurt
sistemului: ale sistemului, în acre tehnicile de restaurare / recuperare
pot fi utilizate pentru a minimiza efectele şi duratele
întreruperilor.
• Dezastre: Riscurile asociate dezastrelor determină întreruperi pe
termen lung a funcţionării sistemului informatic, iar
acţiunile de control se referă la procedurile de salvare a
bazelor de date (backup) şi la planurile de recuperare.
Pentru clasa de riscuri de infrastructură, avem următoarele componente:
• Planificare: Sunt riscurile generate de organizarea activităţilor pentru

tehnologia informaţiei (IT). Este important să existe o
structură organizatorică şi funcţională (persoane şi
procese) care să garanteze că eforturile în domeniul IT
sunt încununate de succes.
• Definirea şi Riscurile din această zonă se referă la asigurarea că
utilizarea sistemul informatic realizează cerinţele de afaceri ale
aplicaţiilor organizaţiei şi cerinţele utilizatorilor. Aici este inclus şi
procesul de decizie asupra achiziţionării unei aplicaţii
sistemului: (sistem) existente sau a dezvolta o aplicaţie specifică. De
asemenea, asigurarea că modificările în aplicaţii sunt
comunicate, testate şi implementate.
• Administrarea Procesele din această arie de activităţi asigură că
sistemului: organizaţia tratează în mod corespunzător riscurile de
acces, prin stabilirea, menţinerea şi monitorizarea unui
sistem de securitate internă, care să garanteze integritatea
şi confidenţialitatea datelor şi informaţiilor organizaţiei,
reducând riscurile de fraudă informaţională la nivele
acceptabile.
• Administrarea Această zonă asigură că sistemul informatic este utilizat
calculatoarelor şi într-o manieră sigură şi protejată, de către personal de
reţelelor: specialitate, care monitorizează funcţionarea şi
performanţele calculatoarelor , echipamentelor şi
reţelelor sistemului.
6.3 APLICAŢII 181
6.3.2 Procedura de evaluare a riscurilor în sistemele informatice
Cu ajutorul riscurilor clasificate anterior, putem să realizăm acum o evaluare a

riscurilor sistemului informatic, utilizând clasele de riscuri şi componentele acestora,
pentru care stabilim, în urma analizei şi evaluării, probabilităţile de apariţie şi nivelele
de severitate, conform metodelor prezentate în secţiunea precedentă de cuantificare a
riscurilor. Procedura de evaluare este exemplificată în Tabelul 6.3.
Tabelul 6.3 – Procedura de evaluare a riscurilor sistemului informatic

Clasa de risc Componentele de risc Apariţie Severitate Scor
1. Integritate 1.1 Interfaţa utilizator 0,50 0,20 0,10
1.2 Prelucrare 0,70 0,40 0,28
1.3 Tratarea erorilor 0,90 0,40 0,36
1.4 Interfeţe 0,30 0,20 0,06
1.5 Managementul
0,30 0,20 0,06
schimbării
1.6 Date 0,50 0,20 0,10
2. Relevanţa 2.1 Utilizarea informaţiei
generate de sistemul 0,50 0,40 0,20
informatic
2.2 Timpul de utilizare a
informaţiei transmise de 0,50 0,20 0,10
sistemul informatic
3. Accesul 3.1 Procesul de afaceri 0,30 0,10 0,03
3.2 Aplicaţii (module) 0,50 0,40 0,20
3.3 Managementul datelor 0,50 0,40 0,20
3.4 Mediul de prelucrare 0,30 0,20 0,06
3.5 Reţelele 0,30 0,80 0,24
3.6 Accesul fizic 0,10 0,80 0,08
4. Disponibilitatea 4.1 Monitorizarea
0,30 0,40 0,12
performanţei
4.2 Întreruperi ale sistemului 0,30 0,40 0,12
4.3 Dezastre 0,10 0,80 0,08
5. Infrastructura 5.1 Planificare 0,30 0,10 0,03
5.2 Definirea şi utilizarea
0,50 0,20 0,10
aplicaţiilor sistemului
5.3 Administrarea sistemului 0,70 0,40 0,28
5.4 Administrarea
0,70 0,40 0,28
calculatoarelor şi reţelelor
Pe baza datelor de evaluare şi a probabilităţilor de apariţie şi a nivelelor de

severitate acordate pentru diferitele componente de risc, se poate realiza o listă a
riscurilor prioritizate, în funcţie de scorul de impact rezultat. Această listă, care conţine
primele cinci riscuri identificate şi cuantificate, este prezentată în Tabelul 6.4. Din
evaluare a rezultat că riscul cel mai important, asupra căruia trebuie să se aplice
metodele de răspuns la risc, este cel legat de tratarea erorilor. Scoruri mari au
înregistrat şi riscurile de administrare a sistemului şi a reţelelor.
Tabelul 6.4 – Lista riscurilor prioritizate

Componenta de risc Scorul
1.3 Tratarea erorilor 0,36
1.2 Prelucrare 0,28
5.3 Administrarea sistemului 0,28
5.4 Administrarea calculatoarelor şi reţelelor 0,28
3.5 Reţelele 0,24
Continuând evaluarea şi considerând media scorurilor pe clasele de risc, obţinem

nivelele de riscuri prezentate în matricea de risc din Tabelul 6.5.
Tabelul 6.5 – Nivelele claselor de risc

Clasa de risc Scorul Nivelul
1. Integritate 0,16 Ridicat
2. Relevanţa 0,15 Ridicat
3. Accesul 0,14 Ridicat
4. Disponibilitatea 0,11 Mediu
5. Infrastructura 0,17 Ridicat
Din datele obţinute pentru clasele de riscuri, rezultă că riscurile de infrastructură

au potenţialul cel mai ridicat, în timp ce riscurile de disponibilitate au un nivel mediu.
Efectuând şi o analiză Pareto (Figura 6.3) a ponderii riscurilor la nivelul
întregului sistem informatic, observăm că în urma evaluării, riscurile de infrastructură,
de integritate şi de relevanţă prezintă ponderi mai mari, în timp ce riscurile de acces şi
de disponibilitate a sistemului au o pondere mai redusă.
100% 100%
85%
80% 67%
60% 46%
40%
24% 22% 21% 19% 15%
20%
0%
Disponibilitatea
Relevanţa
Integritate
Infrastructura
Accesul
Figura 6.3 – Diagrama Pareto a ponderii claselor de risc

7
MANAGEMENTUL RISCULUI
FINANCIAR
7.1 RISCUL ÎN OPERAŢIUNILE FINANCIARE
Operaţiunile financiare, prin natura diversităţii lor, implică aproape întotdeauna

un anumit grad de risc, generat de pierderea de natură materială (sau de altă natură) pe
care o pot înregistra una sau mai multe persoane juridice sau fizice implicate în
operaţiunea financiară respectivă.
În activităţile bancare, de exemplu, riscul poate să apară în operaţiunile de
creditare, fiind reprezentat de posibilitatea ca banca să nu îşi poată recupera creditele
acordate la termenele sau în condiţiile stipulate în contractele de creditare. De
asemenea, pentru un deponent al băncii, riscul poate fi asociat cu posibilitatea de a nu
beneficia – când şi cum doreşte – de resursele băneşti depuse la respectiva bancă. În
acest caz, riscul poate fi o altă rată a dobânzii faţă de cea prevăzută iniţial, o evoluţie
defavorabilă a valutei în care este contul de depozit sau chiar dificultăţi financiare ale
băncii. Situaţii asemănătoare de risc de natură financiară pot să apară şi în operaţiunile
de asigurări, de leasing, de bursă ş.a.
Câteva din principalele categorii de risc financiar referitoare la mediul macro-
economic sunt următoarele:
• Riscul de ţară;
• Organizarea, funcţionarea şi controlul sistemului financiar-bancar;
• Stabilitatea şi flexibilitatea legislaţiei şi a sistemului juridic;
• Organizarea şi funcţionarea sistemului de asigurări;
• Evoluţia economică generală şi evoluţia inflaţiei;
• Dinamica dobânzilor pe piaţa internă sau externă.
La nivel micro-economic, riscurile financiare pot fi legate de:
• Managementul activităţilor economice ale partenerilor de afaceri;
• Imobilizări de fonduri sau lipsa de lichidităţi;
• Pregătirea profesională şi abilitatea în afaceri a partenerilor;
• Moralitatea şi comportamentul în afaceri al partenerilor.
183
184 CAPITOLUL 7 – MANAGEMENTUL RISCULUI FINANCIAR
Desigur, enumerarea de mai sus a categoriilor de riscuri financiare este departe

de a fi completă, riscurile fiind determinate direct de complexitatea fiecărei operaţiuni
financiare în parte, precum şi de mediul economic în care această operaţiune se
desfăşoară.
Unul dintre cele mai cunoscute şi mediatizate riscuri din categoria riscurilor
financiare este aşa-numitul „risc de ţară”, mai ales într-o economie în tranziţie, aşa
cum este economia românească. Riscul de ţară este un mix care reflectă performanţele
economice şi stabilitatea politică într-o anumită ţară, fiind luat în considerate de
potenţialii investitori străini în ţara respectivă. Riscul de ţară este influenţat de o
combinaţie de factori economici şi politici, de băncile şi instituţiile financiare, de
organizaţiile economice ale ţării respective. Există mai multe metode de determinare a
riscului de ţară, care se bazează pe sisteme de rating sau pe sisteme de indicatori
statistici. Există, de asemenea, mai multe metodologii de evaluare, promovate de
Banca Mondială sau alte organizaţii financiare internaţionale, dar şi de firme
specializate de renume mondial (cum sunt Lloyd’s, Moody’s, Standars&Poors, Daiwa
Securities, Merill Lynch şi alţii).
Riscul de ţară este determinat în primul rând de stabilitatea politică a ţării
respective, care se reflectă în stabilitatea politicii economice, rezultând starea generală
a economiei. Aceste ultime două elemente de politică economică se reflectă în riscul
de obţinere a profiturilor aşteptate, dar şi în riscul privind dificultăţile de repatriere a
profiturilor şi în riscul asupra proprietăţii. Aceste riscuri majore sunt avute în vedere
atunci când sunt planificate investiţiile în ţara respectivă.
Să mai menţionăm şi alte tipuri de risc financiar care apar în tranzacţiile de
afaceri. De exemplu, riscurile care apar în schimbul de mărfuri sunt riscurile de
fluctuaţie a cursului valutar sau riscurile bursiere. În tranzacţiile de afaceri ale
companiilor de asigurări, riscurile pot fi generate de: fluctuaţii de preţ, depreciere
valutară, insolvabilitate, transport, depozitare, accidente ş.a. Pe piaţa fizică bancară
poate să se manifeste riscul de variaţie a dobânzii, iar în comerţul cu acţiuni, dar şi în
alte operaţiuni financiare similare, poate să apară riscul de variaţie a cursului acestor
hârtii de valoare.
În ceea ce priveşte managementul riscului financiar sunt cunoscute o multitudine
de metode de acoperire a acestui risc. Poate cea mai notabilă pentru epoca modernă, o
reprezintă apariţia, la sfârşitul secolului al XVIII-lea, a sistemului de asigurări navale
introdus de Lloyd’s. De asemenea, este bine cunoscută metoda hedging-ului pentru
acoperirea riscului tranzacţiilor bursiere. Problema care vrem să o analizăm aici o
reprezintă determinare modelelor matematice şi statistice pentru fenomenele de risc
financiar, care să ofere managementului informaţia necesară pentru adoptarea
deciziilor de evitare, atenuare sau eliminare a riscurilor financiare.
7.1 RISCUL ÎN OPERAŢIUNI FINANCIARE 185
Să analizăm acum modelul general al unei probleme de decizie în condiţii de

incertitudine şi risc, în care riscul este de natură financiară. Schema generală a
componentelor modelului este reprezentată în Figura 7.1.
Modelul de decizie în condiţii de risc financiar are următoarele componente:
(1) Identificarea obiectivelor: Un obiectiv (sau o ţintă) pe care decidentul speră
să o atingă, cum ar fi maximizarea profitului sau a valorii actuale a cash-flow-
ului. Cuantificarea unui obiectiv înseamnă, în unele situaţii, determinarea
unei funcţii obiectiv, care ca fi utilizată pentru evaluarea acţiunilor posibile şi
ca bază pentru alegerea celei mai bune alternative.
(2) Determinarea acţiunilor posibile: Căutarea acţiunilor alternative posibile,
care să asigure realizarea obiectivului.
(3) Identificarea stărilor naturii: Deoarece problemele de decizie financiară
sunt definite într-un mediu de incertitudine, este necesar să se ia în
considerare toţi factorii necontrolabili care nu pot fi ţinuţi sub control de către
decident şi care ar putea să apară pentru fiecare acţiune posibilă identificată.
Aceşti factori necontrolabili constituie evenimente sau stări ale naturii.
(4) Stabilirea rezultatelor posibile: Ca urmare a diferitelor combinaţii posibile
dintre acţiuni şi stările naturii, rezultă un set de rezultate posibile. Fiecare
rezultat este condiţionat de o anumită acţiune şi o anumită stare a naturii.
(5) Măsurarea valorii riscului: Este o măsură a pierderii (sau utilităţii) pentru
fiecare rezultat posibil, în funcţie de obiectivele decidentului. Pierderea în
modelele de decizie financiară este de natură monetară, cum ar fi profitul sau
cash-flow-ul.
(6) Alegerea acţiunii optime: Este acţiunea care conduce la atingerea
obiectivului decidentului, în condiţii de pierdere minimă.
Determinarea Identificarea
Identificarea
acţiunilor stărilor
obiectivelor
posibile naturii
Alegerea Măsurarea Stabilirea

acţiunii valorii rezultatelor
optime riscului posibile
Figura 7.1 – Modelul general al unei probleme de decizie financiară

Pentru a ilustra caracteristicile esenţiale ale unui model de decizie financiară, să

considerăm următorul exemplu. O companie îşi revizuieşte politica de marketing
pentru următoarea perioadă de buget financiar. Ea a dezvoltat două noi produse, A şi
B, dar nu are resurse suficiente decât pentru lansarea în perioada următoare numai a
unuia dintre cele două produse. Ţinând cont de activităţile şi reacţiile competitorilor,
stările naturii posibile sunt următoarele:
• Competitorii nu întreprind nimic;
• Competitorii introduc pe piaţă un produs comparabil;
• Competitorii introduc pe piaţă un produs superior.
Dacă competitorii nu întreprind nici o acţiune, atunci se aşteaptă ca profiturile
companiei să rămână staţionare în condiţiile lansării produsului A şi să aibă o tendinţă
de creştere relativ redusă în condiţiile lansării produsului B, pentru a cărui dezvoltare
s-au cheltuit resurse suplimentare. Corespunzătoare acestor cheltuieli de dezvoltare
sunt şi diminuările de profit în cazul în care competitorii lansează produse pe piaţă.
Din punct de vedere statistico-matematic, analiza riscului unei activităţi
financiare presupune evaluarea probabilităţii de a obţine anumite rezultate favorabile
(câştig) sau nefavorabile (pierdere), ţinând cont de evenimente viitoare incerte şi
probabile. Printre dificultăţile întâmpinate atunci când este evaluat riscul financiar se
pot menţiona lipsa informaţiilor sau gradul lor de disponibilitate pentru a determina
distribuţia de probabilitate a fenomenului economic analizat. De asemenea,
identificarea şi cuantificarea riscului financiar nu înseamnă şi eliminarea acestuia, dar
furnizează elementele necesare managementului riscului financiar.
Revenind la abordarea modelului riscului financiar care ne interesează aici, să
menţionăm faptul că, uneori, între risc şi incertitudine se face o anumită distincţie,
legată de cantitatea de informaţie disponibilă pentru fundamentarea deciziilor
financiare. Riscul este utilizat în situaţiile în care sunt posibile mai multe rezultate şi
despre care există o experienţă anterioară relevantă pentru a defini un model statistic,
care să permită o predicţie asupra rezultatelor posibile. Incertitudinea există în
situaţiile în care sunt posibile mai multe rezultate, dar nu se dispune de informaţie
suficientă pentru modelul statistic de decizie. Până la urmă, această distincţie între risc
şi incertitudine nu este atât de relevantă, mai important fiind faptul că, faţă de un
model determinist, utilizăm un model probabilist, în care riscul şi incertitudinea sunt
modelate prin variabile aleatoare. Am văzut anterior că problemele de teoria deciziei
se reduc în final la evaluarea unei funcţii de pierdere, riscul având, în cele mai multe
situaţii, o exprimare de natură financiară.
Vom detalia în continuare două probleme de analiză şi decizie asupra riscului
financiar, respectiv o problemă de analiză cost-profit-volum şi o problemă de investiţie
de capital în condiţii de incertitudine şi risc.
7.2 ANALIZA COST-VOLUM-PROFIT ÎN CONDIŢII DE RISC 187
7.2 ANALIZA COST-VOLUM-PROFIT ÎN CONDIŢII DE RISC
Vom analiza în continuare, prin intermediul unei aplicaţii, o problemă de cost-

volum-profit în care vom include elemente de risc şi incertitudine.
O firmă realizează o analiză cost-volum-profit pentru anul financiar următor, în
care preţul de vânzare al unui anumit produs este 100€, iar costurile variabile de 60€
pe unitatea de produs. Costurile fixe bugetate sunt de 36.000 €. Vânzările estimate
pentru perioada analizată sunt de 1.000 unităţi şi s-a presupus pentru nivelul de vânzări
modelul distribuţiei normale cu media µ = 1.000 unităţi şi abaterea standard σ = 90
unităţi. În acest model, preţul de vânzare, costurile variabile şi costurile fixe sunt
presupuse ca fiind certe (determinate), adică variabile controlabile de către
managementul firmei. Singura variabilă aleatoare a modelului este volumul de vânzări,
pentru care vom asocia deci distribuţia normală.
Cu ajutorul acestui model probabilist, vom încerca să răspundem la următoarele
întrebări:
(a) Care este probabilitatea ca profitul să fie mai mare ca 0, adică probabilitatea
ca firma să nu înregistreze pierdere ca urmare a realizării şi vânzării
produsului respectiv?
(b) Care este probabilitatea ca profitul să fie mai mare de 7.600€?
(c) Care este probabilitatea ca să se înregistreze o pierdere mai mare de -1.400€?
(d) Care este probabilitatea ca profitul să fie mai mare de 4.000€?
Considerând funcţia de venit:
V ( x ) = 100 x , (7.1)
funcţia de cost:
C ( x ) = 60 x + 36.000 , (7.2)
obţinem funcţia de profit:
P ( x ) = 40 x − 36.000 , (7.3)
şi diagrama pragului de profitabilitate, reprezentată în Figura 7.2.
Înlocuind în relaţia (7.3) valorile de profit pentru care ne interesează să calculăm
probabilităţile, obţinem nivelele de vânzări: 900 pentru (a), 1.090 pentru (b), 840
pentru (c) şi 1.000 pentru (d).
Vom estima atunci probabilităţile de profit sau de pierdere prin intermediul
variabilei aleatoare X, care reprezintă nivelul estimat al vânzărilor de produse. Astfel,
pentru probabilitatea de a nu avea profit, putem să scriem:
Prob{Profit < 0} = Prob{X < 900} . (7.4)
Vom estima această probabilitate cu ajutorul distribuţiei normale standardizate,
făcând schimbarea de variabilă:
120000
Profit Profit
100000
80000 Pierdere
Cheltuieli
variabile
60000
40000
20000 Cheltuieli
fixe
0
0 200 400 600 800 1000 1200
Figura 7.2 – Pragul de profitabilitate
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
Figura 7.3 – Probabilitatea de a înregistra pierdere / profit

7.2 ANALIZA COST-VOLUM-PROFIT ÎN CONDIŢII DE RISC 189
Pentru (b), probabilitatea ca profitul să fie mai mare de 7.600€, determinăm:

X − µ 1.090 − 1.000
z1 = = = 1,00 . (7.8)
σ 90
şi rezultă probabilitatea de a avea profitul respectiv:
Prob{X > 1.090} = Prob{z1 > 1,00} = 1 − Prob{z1 < 1,00} =
. (7.9)
= 1 − 0,8413 = 0,1587
În acest caz, este mai mare ( ≈ 84%) probabilitatea de a nu atinge profitul de 7.600€
(aria haşurată din Figura 7.4).
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
Figura 7.4 – Probabilitatea de a înregistra profit < 7.600€
Pentru (c), probabilitatea ca pierderea să fie mai mică de -1.400€, determinăm:

X − µ 865 − 1.000
z2 = = = −1,50 . (7.10)
σ 90
şi rezultă probabilitatea de a avea pierderea respectivă:
Prob{X < 865} = Prob{z 2 < −1,50} = 0,0668 , (7.11)
adică o probabilitate relativ mică ( ≈ 7%)de a avea un asemenea nivel de pierdere.
În fine, pentru (d) probabilitatea ca profitul să fie mai mare de 4.000€ este
evident 0,5000, şi atunci pentru a vedea unde se va situa de fapt profitul, vom estima
un interval de încredere pentru media vânzărilor. Considerând un nivel de semnificaţie
α = 0,05 , rezultă nivelul de încredere 100(1 − α )% = 0,95% , iar intervalul de încredere
se calculează ca fiind:
⎛ σ ⎞
µ ± 1,96⎜ ⎟. (7.12)
⎝ n⎠
Atunci, pentru un eşantion cu n = 12 , obţinem intervalul de încredere [950, 1.050],
adică profitul se va situa între 2.000€ şi 6.000€ cu probabilitatea de 95%
7.3 INVESTIŢII DE CAPITAL ÎN CONDIŢII DE RISC

7.3.1 Modelul de decizie pentru investiţiile de capital
Deciziile de investiţii de capital sunt deciziile de management financiar care

implică plasarea sau investirea unui anumit capital, la un moment dat, şi obţinerea unui
flux de beneficii în viitor. Investiţiile de capital pot fi pe termen scurt (sub un an) sau
pe termen lung, cele pe mai mulţi ani.
Un aspect important al deciziilor asupra investiţiilor de capital îl constituie
nivelul de risc. Există investiţii de capital fără risc sau cu risc scăzut, dar care conduc
la un beneficiu mai redus, însă există şi investiţii de capital cu risc ridicat, de la care se
aşteaptă beneficii mult mai mari.
Pentru a înţelege mai bine deciziile de investiţii de capital în condiţii de risc, să
analizăm modul în care acestea pot fi integrate unei probleme generale de teoria
deciziilor. În Figura 7.3, modelul de decizie prezentat în secţiunea anterioară a fost
adaptat pentru a încorpora deciziile de investiţii de capital. Vom examina în continuare
mai detaliat fiecare din etapele acestui model de decizie.
Etapa 1 indică faptul că de la început trebuie stabilite obiectivele, adică ţintele pe
care investitorul doreşte să le atingă. Cuantificarea obiectivelor va duce la stabilirea
unei funcţii obiectiv, care de cele mai multe ori constă din maximizarea profitului ca
urmare a investiţiei de capital.
Etapa 2 constă din căutarea oportunităţilor de investiţii. Aceasta este o activitate
creativă pentru găsirea proiectelor de investiţii potenţiale, iar acestei etape trebuie să i
se acorde atenţia necesară.
Etapa 3 a procesului de decizie se referă la culegerea datelor privind posibilele
stări ale naturii care pot să afecteze rezultatele proiectelor de investiţii.
Etapa 4 începe după ce au fost identificate stările naturii în etapa anterioară şi
constă din analizarea şi listarea tuturor rezultatelor posibile, pentru fiecare stare a
naturii.
Etapa 5 se referă la evaluarea efortului şi a pierderii (sau a câştigului) pentru
fiecare rezultat posibil.
Etapa 6 a procesului este destinată selectării proiectelor de investiţii, prin care să
se asigure profitul maxim.
Etapa 7 constă din planificarea implementării proiectelor de investiţii selectate în
etapa anterioară.
Etapa 8, care este ultima etapă a acestui proces, constă din analiza şi revizuirea
proiectelor de investiţii.
7.3 INVESTIŢII DE CAPITAL ÎN CONDIŢII DE RISC 191
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
Figura 7.3 – Modelul de decizie pentru investiţiile de capital

7.3.2 Modelul determinist pentru investiţiile de capital
Obiectivul principal al unui proiect de investiţie de capital este compararea dintre

veniturile obţinute ca urmare a acestei investiţii şi alternativele – având acelaşi risc –
de a investi în acţiuni sau alte modalităţi similare de tranzacţii pe pieţele financiare.
Această comparaţie se poate face printr-un model de analiză de cash-flow cu
discount. Să presupunem că sunt investiţi 100.000€ într-o operaţiune financiară cu o
durată de patru ani, fără riscuri, care returnează un procent de beneficiu, respectiv o
rată a beneficiului de 10%, care se plăteşte la sfârşitul fiecărui an. Dacă dobânda este
reinvestită, la sfârşitul celui de-al patrulea an suma acumulată va fi de 146.410€,
calculele fiind prezentate în Tabelul 7.1.
Tabelul 7.1 – Calculul sumei acumulate

Sfârşitul anului Dobânda obţinută Investiţia totală
0 100.000
0,10 ⋅ 100.000 10.000
1 110.000
0,10 ⋅110.000 11.000
2 121.000
0,10 ⋅ 121.000 12.100
3 133.100
0,10 ⋅ 133.100 13.310
4 146.410€
În tabelul de mai sus, sfârşitul anului 0 înseamnă momentul de început al

investiţiei, sfârşitul anului 1 înseamnă situaţia financiară după 1 an, şi aşa mai departe.
Valorile din tabelul de mai sus pot fi obţinute şi cu formula:
VFn = V0 ⋅ (1 + k )n , (7.1)
unde VFn reprezintă valoarea finală (sau valoare viitoare) a investiţiei după n ani. V0
este valoarea investiţiei la începutul acesteia (anul 0), k reprezintă rata de beneficiu a
investiţiei, iar n este numărul de ani în care banii sunt investiţi. Astfel, pentru
V0 = 100 .000 şi k = 0,10 (adică 10%),
valoarea finală după 2 ani va fi:
VF2 = 100.000 ⋅ (1 + 0,10 )2 = 121.000€ .
Relaţia (7.1) ne permite să calculăm şi valoarea actuală (valoarea prezentă),
atunci când cunoaştem valoarea finală a investiţiei.
Avem:
VFn
V0 = , (7.2)
(1 + k )n
Astfel, dacă valoarea finală a unei investiţii cu un procent de beneficiu de 10%

este de 121.000€, atunci valoarea iniţială a acestei investiţii a fost:
121.000
V0 = = 100.000€ .
(1 + 0.10 )2
Metoda cea mai directă pentru a determina dacă un proiect de investiţii de capital
returnează un beneficiu mai mare decât o investiţie alternativă de portofoliu în acţiuni
sau alte forme similare – toate fiind considerate ca având acelaşi risc – este metoda de
calcul a valorii nete actuale (VNA).
Dacă rata de beneficiu a unui proiect de investiţii de capital este mai mare decât
rata de beneficiu a unei investiţii echivalente (cu acelaşi nivel de risc) pe piaţa
financiară, atunci vom avea VNA > 0. În caz contrar, pentru o rată a beneficiului mai
mică în cazul investiţiei echivalente de portofoliu, vom avea VNA < 0.
O valoare actuală netă pozitivă indică faptul că investiţia poate fi acceptată, în
timp ce o valoare negativă indică investitorului adoptarea deciziei de respingere a
investiţiei. Valoarea 0 calculată pentru VNA indică o situaţie de indiferenţă asupra
acceptării sau respingerii investiţiei respective.
Valoarea actuală netă poate fi calculată cu relaţia:
n
VFi
VNA = ∑ − I0 , (7.3)
i =1 (1 + k )
i
unde I 0 reprezintă cheltuielile iniţiale aferente proiectului de investiţii.

Să considerăm un exemplu în care un investitor are posibilitatea de a investi
1.000€ într-un proiect de investiţii cu o durată de 3 ani, cu rata anuală a beneficiului de
10%. Fluxurile de numerar de intrare (cash-inflows) estimate sunt următoarele:
• Anul 1 300€,
• Anul 2 1.000€,
• Anul 3 400€,
iar cheltuielile iniţiale estimate pentru acest proiect sunt de 1.000€.
Atunci, calculând valoarea netă actuală obţinem:
300 1.000 400
VNA = + + − 1.000 = 399,70€ .
1 + 0,10 (1 + 0.10 ) (1 + 0,10 )3
2
O metodă practică de calcul a valorii pentru VNA utilizează factorii de discount,

care sunt tabelaţi şi sunt calculaţi cu relaţia:
1
FDn = , (7.4)
(1 + k )n
unde FDn este factorul de discount în anul n.
Pentru exemplul anterior, aplicând metoda factorilor de discount obţinem
rezultatele din Tabelul 7.2.
Tabelul 7.2 – Calculul valorii actuale nete

Anul Flux de intrare Factor de discount Valoarea actuală
1 300 0,909 272,73
2 1.000 0,826 826,45
3 400 0,751 300,53
Total 1399,70
Cheltuieli iniţiale 1000
Valoarea actuală netă 399,70
Pentru deciziile asupra proiectelor de investiţii, se poate utiliza şi metoda de

calcul a ratei interne de beneficiu (RIB), care reprezintă valoarea maximă a costului
capitalului investiţional care poate fi utilizată în proiectul financiar, fără a produce
pierderi investitorului.
Rata internă de beneficiu rezultă prin determinarea valorii lui k din ecuaţia:
n
VFi
I0 = ∑ , (7.5)
i =1 (1 + k )
i
Rezolvarea ecuaţiei anterioare se poate face şi printr-o metodă de calcul relativ

mai simplă, care constă din atribuirea de valori pentru factorul de discount, iar apoi
prin aplicarea metodei celor mai mici pătrate şi determinarea unei funcţii liniare sau
pătratice, pe care o putem utiliza pentru determinarea valorii RIB.
Pentru aplicarea metodei menţionate, să considerăm exemplul anterior, în care
rata minimă a beneficiului acceptabilă este de 10%. Vom determina valorile VNA
pentru valorile ale lui k de 10%, 15%, 20%,..., 40%. Datele calculate sunt prezentate în
Tabelul 7.3.
Tabelul 7.3 – Calculul VNA pentru diferiţi factori de discount

Flux de Valoarea actuală
Anul
intrare 10% 15% 20% 25% 30% 35% 40%
1 300 272,73 260,87 250,00 240,00 230,77 222,22 214,29
2 1.000 826,45 756,14 694,44 640,00 591,72 548,70 510,20
3 400 300,53 263,01 231,48 204,80 182,07 162,58 145,77
Total 1399,70 1280,02 1175,93 1084,80 1004,55 933,50 870,26
Cheltuieli iniţiale 1000,00 1000,00 1000,00 1000,00 1000,00 1000,00 1000,00
Valoarea actuală netă 399,70 280,02 175,93 84,80 4,55 -66,50 -129,74
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% .
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
Figura 7.4 – Interpretarea grafică a ratei interne de beneficiu (RIB)
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
Reluând analiza anterioară pentru rata de discount cuprinsă între 4% şi 24%,

rezultă pentru cele două proiecte ratele interne de beneficiu de 22% pentru proiectul A
şi de 18% pentru proiectul B. În Figura 7.5 sunt prezentate valorile VNA pentru cele
două proiecte. Se observă că VNA depinde de rata de discount utilizată. Pentru o
valoare mai mare de 12%, proiectul A are valori VNA şi RIB superioare. Pentru o rată
de discount mai mică de 12% proiectul B are o valoare VNA mai mare, iar proiectul A
o valoare RIB mai mare. În această situaţie se alege, în general, proiectul cu valoarea
netă actuală mai mare.
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
Figura 7.5 – Valoarea netă actuală pentru două proiecte de investiţii
În consideraţiile de până acum, am avut în vedere situaţia în care beneficiul se

obţine fără riscuri, cum sunt investiţiile cu o rată a beneficiului garantată, dar mai
redusă. În practica financiară sunt mai frecvente însă situaţiile în care numai o parte a
ratei beneficiului este fără riscuri. În general, se consideră o parte a investiţiei care are
rata beneficiului fără riscuri şi o parte care este supusă riscului. Diferenţa dintre cele
două valori reprezintă aşa-numita primă de risc.
În prima categorie, a investiţiilor fără riscuri, intră investiţiile garantate de stat
sau de anumite bănci. În a doua categorie intră investiţiile în acţiuni, care sunt
tranzacţionate pe pieţele financiare. Acestea sunt considerate investiţii de portofoliu de
piaţă.
Să notăm cu R f rata beneficiului fără risc şi cu Rm rata beneficiului pentru o
investiţie de portofoliu de piaţă, care include şi prima de risc. De exemplu, pentru
Rm = 17% şi R f = 9% , avem o primă de risc de 8%. Să presupunem, de asemenea, că
abaterea standard pentru variabila Rm este de 16%, iar pentru variabila R f este – în
mod natural – 0. Relaţia dintre aceste variabile este reprezentată în Figura 7.6.
Ecuaţia dreptei care reprezintă capitalul de piaţă este dată de punctele de
coordonate (σ f , R f ) şi (σ m , Rm ) , unde σ f este abaterea standard pentru variabila R f ,
iar σ m este abaterea standard pentru variabila Rm . Ecuaţia dreptei de capital de piaţă
este aşadar:
Rm − R f
y=
σ m −σ f
(x − σ )+ R
f f . (7.7)
Pentru σ f = 0 , R f = 9% şi σ m = 16% , Rm = 17% , rezultă ecuaţia de capital de

piaţă:
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)
Figura 7.6 – Ecuaţia dreptei de capital de piaţă
Atunci un investitor poate investi în orice punct care se află între R f şi Rm . De

exemplu, dacă se investeşte în portofoliul A o sumă constând din 500€ în portofoliul
de piaţă şi 500€ în portofoliul fără risc, atunci abaterea standard va fi:
1 1
⋅ 0% + ⋅16% = 8% ,
2 2
iar rata beneficiului mediu va fi
y = 0,5 ⋅ 8 + 9 = 8% .
Aşadar, rata beneficiului mediu va fi o variabilă aleatoare cu media 13% şi cu
abaterea standard de 8%.
Cu ajutorul ecuaţie dreptei de capital să rezolvăm următoarea problemă de
investiţie de portofoliu B, care se situează deasupra punctului de portofoliu de piaţă
Rm . Să presupunem că investim 1.000€ din fondurile proprii, împrumutăm 1.000€ fără
riscuri, cu o rată a dobânzii de 9% şi plasăm cele 2.000€ de care dispunem acum într-o
investiţie de portofoliu la o rată a beneficiului Rm = 17% .
Atunci rata medie a beneficiului este 2.000 ⋅17% = 340€ , din care scăzând
dobânda pe suma împrumutată de 1.000 ⋅ 9% = 90€ , rezultă un beneficiu de 250€. În
concluzie, investind din surse proprii 1.000€ am obţinut un beneficiu de 250€, adică o
rată a beneficiului de 25%. Înlocuind această valoare în ecuaţia dreptei de capital,
rezultă o abatere standard a riscului investiţiei de
25 = 0,5 x + 9 ⇒ x = 32 ,
adică o abatere standard a riscului foarte mare, dublă faţă cea a portofoliului de piaţă.
7.3.3 Modele probabiliste pentru investiţiile de capital
Modelele prezentate până acum au fost totuşi modele deterministe, în care

variabilele sunt legate între ele prin expresii funcţionale determinate. În continuare
vom discuta modele probabiliste, în care vom considera riscurile proiectelor de
investiţii ca fiind variabile aleatoare. Cele mai utilizate modele probabiliste şi metode
pentru cuantificarea riscurilor proiectelor de investiţii sunt:
• Aplicarea distribuţiilor de probabilitate;
• Simularea;
• Analiza de senzitivitate.
Pentru exemplificarea primei metode să considerăm un proiect de investiţii care
implică o cheltuială imediată de 20.000€. Proiectul are o durată de viaţă estimată de 3
ani, iar prognoza pentru cash-flow-ul net şi probabilităţile asociate sunt date în Tabelul
7.6.
Tabelul 7.6 – Cash-flow-ul şi probabilităţile unui proiect de investiţii

Anul 1 Anul 2 Anul 3
Probabilitatea
Cash-flow net Cash-flow net Cash-flow net
0,10 10.000 -5.000 -10.000
0,25 15.000 0 -5.000
0,30 20.000 5.000 0
0,25 25.000 10.000 5.000
0,10 30.000 15.000 10.000
Valoarea medie 20.000 5.000 0
Cu ajutorul valorilor medii ale cash-flow-ului net, putem acum să estimăm

valoarea medie a VNA, pentru o rată a beneficiului de 10%. Obţinem:
20.000 5.000 0
M [VNA] = + + = 2.314€ . (7.8)
1,10 1,10 1,103
2
Să determinăm acum abaterea standard a VNA. Pentru aceasta vom determina

mai întâi o relaţie de calcul pentru dispersia sau varianţa VNA:
n
Vt
V [VNA] = ∑ , (7.9)
t =0 (1 + k )
2t
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.
Tabelul 7.7 – Varianţa cash-flow-ului proiectului de investiţii în anul 1

Cash-flow Abaterea de la Valoarea
Probabilitatea Pătratul abaterii
net valoarea medie ponderată
0,10 10.000 -10.000 100.000 10.000.000
0,25 15.000 -5.000 25.000 6.250.000
0,30 20.000 0 0 0
0,25 25.000 5.000 25.000 6.250.000
0,10 30.000 10.000 100.000 10.000.000
Valoarea medie 20.000 Varianţa 32.500000
Atunci, conform relaţiei (7.9) obţinem varianţa valorii nete actuale:

⎛ 1 1 1 ⎞
V [VNA] = 32.500.000 ⋅ ⎜ 2
+ 4
+ 6 ⎟
= 67.402.844€ . (7.10)
⎝ 1,10 1,10 1,10 ⎠
Din calculele de mai sus, am obţinut pentru variabila VNA parametrii pentru
medie µVNA = 2.314 € şi σ VNA = 8.210 €. Considerând pentru această variabilă aleatoare
modelul distribuţiei normale vom putea să facem o inferenţă statistică privind proiectul
nostru de investiţii de capital. Astfel, considerând 95% din valorile distribuţiei,
obţinem pentru intervalul µVNA ± 2 ⋅ σ VNA valorile [− 14.106 ;18.734 ] , ceea ce înseamnă
că cu probabilitatea de 95%, valoarea netă actuală a proiectului de investiţii se va situa
între limitele intervalului de mai sus.
Probabilitatea ca proiectul de investiţii de capital să aibă o valoare netă actuală
negativă (aria haşurată din Figura 7.7) este dată de:
Prob{VNA < 0} = N (0; 2.314 ;8.210 ) = 0,389 , (7.11)
în timp ce probabilitatea de a avea o valoare netă actuală mai mare de 10.000€ este de:
Prob{VNA > 10.000} = 1 − N (10.000 ; 2.314 ; 8.210 ) = 0,175 , (7.12)
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
Figura 7.7 – Probabilitatea de a înregistra VNA < 0

Să aplicăm acum un model de simulare pentru problema noastră de investiţii de

capital. Primul pas al procesului de simulare îl reprezintă constituirea unei distribuţii
de probabilitate pentru fiecare factor care influenţează deciziile de investiţii de capital,
cum ar fi, de exemplu, variabilele aleatoare pentru cota de piaţă, preţul de vânzare,
costurile operaţionale sau durata de viaţă a diferitelor echipamente.
Să considerăm exemplul anterior, în care, în pasul următor, vom genera variabile
aleatoare uniforme, între 0 şi 1 pentru variabila de cash-flow net, după cum urmează
(datele sunt prezentate în Tabelul 7.8):
Tabelul 7.8 – Valorile uniforme pentru variabile cash-flow net

Valori aleatoare
Cash-flow net Cash-flow net Cash-flow net
0,00 – 0,10 10.000 -5.000 -10.000
0,11 – 0,35 15.000 0 -5.000
0,36 – 0,65 20.000 5.000 0
0,66 – 0,90 25.000 10.000 5.000
0,91 – 1,00 30.000 15.000 10.000
Observăm că probabilităţile de a genera valorile variabilelor aleatoare din prima

coloană a Tabelului 7.8 sunt aceleaşi cu probabilităţile din Tabelul 7.6. Primele 10
valori simulate, utilizând această metodă de simulare foarte simplă (deoarece utilizăm
generatorul de numere uniforme, pe care îl are orice program de calculator) sunt
prezentate în Tabelul 7.9.
Tabelul 7.9 – Valorile simulate pentru variabile cash-flow net

Valori Cashflow Valori Cashflow Valori Cashflow VNA
simulate net simulate net simulate net
0,30 15.000 0,93 15.000 0,36 0 6.033
0,86 25.000 0,31 0 0,52 0 2.727
0,44 20.000 0,39 5.000 0,58 0 2.314
0,51 20.000 0,39 5.000 0,52 0 2.314
0,63 20.000 0,32 0 0,02 -10.000 -9.331
0,62 20.000 0,28 0 0,12 -5.000 -5.575
0,34 15.000 0,77 10.000 0,47 0 1.901
0,40 20.000 0,28 0 0,42 0 -1.818
0,39 20.000 0,34 0 1,00 10.000 5.695
0,62 20.000 0,59 5.000 0,36 0 2.314
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,
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
Figura 7.8 – Modelul distribuţiei simulate a VNA
Analizând comparativ rezultatele anterioare în care am folosit modelul

distribuţiei normale, cu cele rezultate din simulare, observăm că fără a fi foarte
apropiate, ele sunt totuşi în aceeaşi plajă de valori, respectiv pentru modelul simulat,
media este de aproximativ 2.600 (faţă de circa 2.300 în modelul normal), iar abaterea
standard de 7.700 (faţă de 8.200 în modelul normal).
Din păcate, modelul empiric furnizat de histograma frecvenţei relative este
puternic asimetric (după cum se observă din forma histogramei din Figura 7.8), ceea
ce ne determină să facem inferenţa asupra modelului de simulare cu ajutorul
distribuţiei triunghiulare asimetrice. Reamintim că în capitolul 2 am prezentat
distribuţia triunghiulară simetrică.
Distribuţia triunghiulară este recomandată pentru a fi utilizată atunci când nu
dispunem de date istorice privind evoluţia unui anumit fenomen care ne interesează
sau atunci când nu este posibil sau nu este timp pentru un experiment statistic. Pentru a
genera o variabilă triunghiulară, este suficient să considerăm o valoare minimă (notată
a), o valoare maximă (notată b) şi o valoare pe care o considerăm ca fiind cea mai
probabilă (notată m).
Distribuţia triunghiulară asimetrică are funcţia de densitate de probabilitate

definită de:
⎧0, x≤a
⎪ 2( x − a )
⎪ ,a< x≤m
⎪ (b − a ) ⋅ (m − a )
f ( x) = ⎨ , (7.13)
⎪ 2(b − x )
,m< x<b
⎪ (b − a ) ⋅ (b − m )
⎪0, x≥b
⎩
şi funcţia de distribuţie cumulativă dată de:
⎧0, x≤a
⎪
⎪ (x − a )
2
, a<x≤m
⎪⎪ (b − a ) ⋅ (m − a )
F (x ) = ⎨
⎪1 − (b − x )2 , m < x < b , (7.14)
⎪ (b − a ) ⋅ (b − m )
⎪
⎪⎩1, x≥b
Parametrii distribuţiei triunghiulare asimetrice sunt:
a+m+b
µ= ,
3
. (7.15)
(b − a )2 + (m − a ) ⋅ (m − b )
σ =2
18
Avantajul utilizării distribuţiei triunghiulare este acela că pentru a estima
probabilităţile nu avem nevoie de tabele de valori ale distribuţiei, calculul de
probabilitate reducându-se la calculul unor arii de triunghiuri.
Reprezentând grafic distribuţia triunghiulară asimetrică (Figura 7.9), aceasta
2 ⎞
trece prin punctele de coordonate A(a ,0 ) , B (b ,0 ) şi M ⎛⎜ m , ⎟.
⎝ b−a⎠
2
b−a
a m b
Figura 7.9 – Distribuţia triunghiulară asimetrică
Un alt avantaj important al distribuţiei triunghiulare asimetrice îl reprezintă

metoda de generare a unei variabile aleatoare triunghiulare asimetrice, care se poate
obţine considerând media a 3 variabile aleatoare uniforme. Astfel, pentru a genera un
şir de variabile aleatoare triunghiulare asimetrice, utilizăm relaţia:
u1( i ) + u 2( i ) + u3( i )
xi = , (7.16)
3
unde u k( i ) , k = 1,2,3 sunt variabile aleatoare uniforme pe (0, 1) .
În Figura 7.10 este reprezentată simularea distribuţiei triunghiulare asimetrice,
utilizând metoda de generare din relaţia (7.16).
0.25
0.20
0.15
0.10
0.05
0.00
1 2 3 4 5 6 7 8 9 10 11 12 13
Figura 7.10 – Distribuţia triunghiulară asimetrică simulată
Pentru valorile eşantionului de date simulate, se obţine:

a = xmin = −18.798 ,
b = xmax = 18.881,
şi înlocuind aceste valori şi media simulată în relaţia (7.15) obţinem:
m = 3 x − (a + b ) = 7.701 .
Atunci, pentru probabilitatea de a avea o valoare VNA < 0, obţinem, considerând
asemănarea şi ariile triunghiurilor dreptunghice corespunzătoare:
Prob{VNA < 0} ≅ 35% ,
probabilitatea ca VNA să fie egală cu media calculată cu metoda anterioară:
Prob{VNA < 2.314} ≅ 45% ,
iar probabilitatea ca VNA > 10.000 este:
Prob{VNA > 10.000} ≅ 24% .
În concluzie, valorile obţinute prin utilizarea distribuţiei triunghiulare sunt
suficient de apropiate de cele obţinute prin utilizarea distribuţiei normale şi
recomandăm această distribuţie mai ales în aplicaţiile de simulare ale modelelor
economice şi ale riscului, datorită simplităţii şi eficacităţii acesteia.
A treia metodă probabilistă care se poate aplica pentru problemele de investiţii de

capital o reprezintă analiza de senzitivitate. În Figura 7.11 sunt prezentate variabilele
modelului care influenţează VNA, respectiv senzitivitatea VNA la schimbările
variabilelor componente:
• Preţul de vânzare estimat;
• Volumul de vânzări estimat;
• Costuri operaţionale estimate;
• Costuri iniţiale estimate;
• Costul estimat al capitalului.
Preţul de
vânzare
estimat
Volumul Costul
de vânzări estimat al
estimat capitalului
VNA
Costuri Costuri
operaţiona iniţiale
le estimate estimate
Figura 7.11 – Senzitivitatea VNA la variabilele modelului
Aplicarea analizei de senzitivitate, conform procedurilor detaliate în Capitolul 3,

poate indica variabilele la care VNA este cea mai sensibilă, precum şi nivelul până la
care se pot modifica aceste variabile înainte ca rezultatele investiţiilor de capital să
conducă la pierderi.
8
BIBLIOGRAFIE
1. Ackoff, R. L., Bazele cercetării operaţionale. Editura tehnică, 1975.
Sasieni, M. W.
2. Alexis, J. Metoda Taguchi în practica industrială. Editura tehnică,
1999.
3. Amstadter, B. L. Reliability Mathematics. McGraw-Hill Publishing Company,
1971.
4. Arley, N., Introduction to the Theory of Probability and Statistics. John
Buch, K. R. Wiley & Sons Inc., 1976.
5. Barlow, R. E., Mathematical Theory of Reliability. John Wiley & Sons Inc,
Proschan, F. 1967.
6. Berenson, M.L., Basic Business Statistics. Concepts and Applications.
Levine, D.M. Prentice Hall, 1992.
7. Bârsan-Pipu, N. Modele FMEA: Analiza modului de defectare şi a efectelor.
Q-Media, Nr. 3, pp. 48-53, 1999
8. Bârsan-Pipu, N. Tehnici de simulare aplicate în economie. Buletinul Ştiinţific
al Universităţii Creştine „Dimitrie Cantemir”, Braşov, 2003,
pag. 237 – 241.
9. Bârsan-Pipu, N. Managementul riscului. Concepte şi abordări. Buletinul
Ştiinţific al Universităţii Creştine „Dimitrie Cantemir”,
Braşov, 2003, pag. 237 – 241.
10. Bârsan-Pipu, N., Modele statistice ale defectării. Calitate şi Fiabilitate, Nr. 2,
Vodă, R. C. pp. 23-26, 1998
11. Bârsan-Pipu, N., Defectarea. Modele statistice cu aplicaţii. Editura
Isaic-Maniu, Al., Economică, 1999
Vodă, V. Gh.
12. Besterfield, D. H. Quality Control. Prentice-Hall Inc, 1979
13. Bowker, A. H., Engineering Statistics. Prentice-Hall Inc, 1972
Lieberman, G. I.
14. Cătuneanu, V. M., Reliability Fundamentals. Elsevier Science Publishing Inc,
Mihalache, A. N. 1989
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
35. Martinescu, I., Analiza fiabilităţii şi securităţii sistemelor. Editura

Popescu, I. Universităţii „Transilvania” din Braşov, 2002.
36. McNulty, M.S. Applied Risk Analysis of Complex Systems. The Third
Conference on Mathematical Methods in Reliability, 2002,
pp. 437 – 439.
37. Mendenhall W., Statistics the Engineering and Computer Sciences. Dellen
Sincich, T. Publishing Company, 1984.
38. Montgomery D.C. Introduction to Statistical Quality Control (Third Edition).
John Wiley and Sons, 1996.
39. Natrella, M.G. Experimental statistics. National Bureau of Standards
Handbook 91, 1963.
40. Orman, G. Măsură şi procese aleatoare . Editura Universităţii
„transilvania”, Braşov, 2000.
41. Petrescu, E., Vodă, V. Fişe de control de proces. Teorie şi studii de caz. Editura
Gh. Economică, 2002.
42. Popescu, I. Bearings life and reliability. The University of Arizona,
Tucson, Arizona, 1977.
43. Popescu, I. Bazele cercetării experimentale în tehnologia construcţiilor
de maşini. Universitatea din Braşov, 1986.
44. Popescu, I., Fiabilitate. Bazele teoretice. Universitatea din Braşov, 1992.
Martinescu, I.
45. Purcaru, I., Matematici financiare. Teorie şi aplicaţii. Editura
Purcaru, O.G. Economică, 2000.
46. Rotariu, I. Managementul tehnologiilor nucleare pentru producerea
energiei electrice. Teză de doctorat. Universitatea
„Transilvania” din Braşov, 2002.
47. Stoian, I. Metode şi studii de caz privind managementul riscului ăn
tranzacţiile de afaceri. Editura Oscar Print, 1999,
48. Stoichiţoiu, D., Vodă, Istoria calităţii. Un eseu concentrat. Editura Mediarex 21,
V. Gh. 2002.
49. Tovissi, L., Vodă, V. Metode statistice. Aplicaţii în producţie. Editura ştiinţifică şi
Gh. enciclopedică, 1982.
50. Tuma, I. I. Engineering Mathematics Handbook. McGraw-Hill Inc.,
1979.
51. Turban, E., Fundamentals of Management Science. Irwin, 1977.
Meredith, J.R.
52. Văduva, I Modele de simulare cu calculatorul. Editura tehnică, 1977.
208 BIBLIOGRAFIE
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.

Managementul Riscului PDF

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Managementul Riscului PDF

Încărcat de

Drepturi de autor:

Formate disponibile

NICOLAE BÂRSAN-PIPU ION POPESCU

Editura Universităţii „Transilvania” din Braşov

Adresa: 2200 Braşov

TOATE DREPTURILE REZERVATE

Recenzenţi ştiinţifici: Prof. univ. dr. Gabriel V. ORMAN

Descrierea CIP a Bibliotecii Naţionale a României

ISBN 973 – 635 – 180 – 7

Dezvoltarea ştiinţei managementului din ultimul deceniu a focalizat preocupările

Braşov, martie 2003

1.1 CE ESTE RISCUL?

În orice domeniu al activităţii economice, sociale sau politice, se pune problema

O definiţie mai amplă găsim în Micul Dicţionar Enciclopedic (MDE), în care în

După ce principalele fundamente teoretice aplicate în managementul riscului au

1.2 RISCUL ÎN TEORIA DECIZIEI

Abordarea problematicii riscului într-o manieră riguroasă implică şi rezolvarea

1.3 SIMULAREA RISCULUI

În contextul problemei de management al riscului, aplicarea simulării Monte

1.4 RISCUL ÎN CALITATE ŞI FIABILITATE

1.5 RISCUL ÎN PROIECTE

Riscul poate fi definit ca fiind gradul de expunere la un eveniment care poate să

1.6 RISCUL ÎN SOFTWARE

Riscul poate fi definit, în general, ca fiind posibilitatea de a pierde. El este o

1.7 RISCUL FINANCIAR

Operaţiunile financiare, prin natura diversităţii lor, implică aproape întotdeauna

2.1 DEFINIREA PROBLEMEI DE DECIZIE

În activitatea de management din cele mai diverse domenii de activitate (cum ar

adevărată a lumii reale. Consecinţele fiecărei acţiuni depind de evenimente incerte,

grafică clară a alternativelor şi a cronologiei evenimentelor problemei de decizie. Un

2.1.2 Scurt istoric al teoriei deciziei

importante domenii aplicare a probabilităţilor. Statistica era la începuturile sale o

2.2 MODELUL MATEMATIC AL PROBLEMEI DE DECIZIE

Elementele de bază ale modelului general al unei probleme de decizie pot fi

a ∈ A , pe baza observaţiilor asupra valorilor variabilei aleatoare x ∈ X . Alegerea unei

2.2.2 Regulile de decizie minimax şi Bayes

punct de vedere matematic, problema nu este bine definită.

Funcţia R se numeşte funcţia de risc a lui d, evaluată pentru θ .

Putem utiliza de asemenea şi operatorul pentru varianţă V X θ , definit ca

Exemplul 2.1 Să analizăm problema estimării parametrului θ , utilizând funcţia de

Figura 2.1 – Funcţiile de risc pentru deciziile d1, d2 şi d3

În condiţiile problemei noastre (distribuţie normală şi funcţie de pierdere

Figura 2.2 – Funcţiile de risc pentru deciziile d1, şi d2

pe care le asumăm pentru θ .

Figura 2.4 – Forme posibile ale distribuţiei convingerii

Este natural să căutăm acum o funcţie de decizie care minimizează pierderea

Să remarcăm că, dată fiind o problemă de decizie, d * nu este unică deoarece ea

2.2.3 Decizii admisibile

Fiind dată o funcţie de decizie d ′ ∈ D , dacă există o altă funcţie d ′′ ∈ D care

2.2.4 Interpretarea geometrică

Pentru reprezentarea şi interpretarea geometrică a problemei de decizie, vom

Θ = (θ1 ,θ 2 ) şi cu funcţia de pierdere definită în Tabelul 2.1:

La prima vedere acţiunea a3 este preferabilă, deoarece dacă θ1 este adevărată,

Spaţiul k-dimensional R k reprezintă mulţimea k-uplurilor ordonate ( y1 ,K , y k )

Punctele de risc pentru

Figura 2.6 – Forma generală convexă a mulţimii de risc S

Vom folosi această proprietate pentru a da o interpretare geometrică abordărilor

mulţimea stărilor Θ = (θ1 , θ 2 , K , θ k ) , chiar max {y j }, unde y = ( y1 , K , y k ) este punctul

Punctul de risc pentru

Figura 2.7 – Interpretarea geometrică a abordării minimax

Abordarea Bayes. Pentru Θ = (θ1 , θ 2 , K , θ k ) să considerăm distribuţia iniţială (a

Acesta defineşte un hiperplan în spaţiul k-dimensional. Pentru simplificare, dacă

Punctul de risc pentru p1 y1 + p 2 y 2 = inf B (δ )

Exemplul 2.4 Presupunem că pentru o problemă de decizie cu spaţiul stărilor

Cele 5 puncte de risc corespunzătoare elementelor lui D şi mulţimea S sunt