MDM Examen Teorie PDF

ACADEMIA DE STUDII ECONOMICE
DIN BUCURESTI
FACULTATEA DE MANAGEMENT
MODELAREA DECIZIILOR
MANAGERIALE
SUPORT DE CURS DESTINAT STUDENTILOR
DE LA INVATAMANTUL DE ZI, ANUL III
Prof. univ. dr. Carmen Nadia Ciocoiu
An universitar 2019-2020
Obiectivele cursului:
Dezvoltarea deprinderilor pentru…
 Construirea unor modele pentru sisteme economice reale;

 Utilizarea unor produse informatice pentru rezolvarea
modelelor economico-matematice;
 Analiza şi interpretarea economică a rezultatelor furnizate de
calculator;
 Realizarea rapoartelor manageriale pentru elaborarea
deciziilor pe baza soluţiilor obţinute prin rezolvarea
modelelor.
Materiale didactice recomandate:
 Suportul de curs pentru studenti ZI
 C. Raţiu-Suciu, F. Luban, D. Hîncu, N. Ciocoiu,
MODELARE ECONOMICĂ, editia a II-a, Editura ASE,
2009
 C. Raţiu-Suciu, F. Luban, D. Hîncu, N. Ciocoiu,
MODELARE ECONOMICĂ. Studii de caz. Teste,
Editura ASE, 2007
 Render B., Stair H., Hanna M., Quantitative Analysis
for Management, 11th edition, Pearson (disponibilă
pe Internet)
3
Aplicatii informatice
 WINQSB 2.0:
https://winqsb.en.uptodown.com/windows/download
http://winqsb.en.softonic.com/
 QM for WINDOWS 5.2:
http://wps.prenhall.com/bp_taylor_introms_11/220/5650
8/14466195.cw/content/
 EXCEL QM 5.2:
http://wps.prenhall.com/bp_taylor_introms_11/220/5650
8/14466195.cw/content/
 Excel
4
Cerinte:
 Prezenţa la activitățile de seminar și lucrări practice.
 Tematica seminar și lucrări practice: Studii de caz rezolvate cu produse
informatice şi interpretarea economică a rezultatelor
 Proiectul individualizat (5 MODULE). Fiecare modul trebuie sa contina:

– formularea economică a problemei individualizate;
– rezolvare: model şi rezultate de la calculator;
– analiza economică a rezultatelor conform cerinţelor enumerate.
ATENŢIE: Proiectul va fi rezolvat de către fiecare student și va fi predat la datele
stabilite de cadrul didactic.
 Examen scris - în sesiune:
– teste grilă de teorie
– teste grilă pe bază de rapoarte manageriale
5
Nota finala:
 Prezenţa + Implicarea in activitatile aplicative + Proiect

de disciplină: max. 30 puncte
 Proiectul de disciplină este obligatoriu!!!
 Punctajul necesar pentru a fi admis la ex. scris:

min. 15 pct.
 Examenul scris: max. 60 puncte

1 pct din oficiu (se acordă la examen)
6
Structura cursului:
Problematica Simularea
modelării deciziilor MODELAREA DECIZIILOR MANAGERIALE proceselor
manageriale economice
UI1. Problematica UI2. Modele de previziune UI8. Modele de
Modelarii Deciziilor UI3. Modelarea fenomenelor de piaţă: modelul simulare:
Manageriale: lanturilor Markov
UI4. Modelarea proceselor decizionale în conditii Conceptul de
Modelarea deciziilor de incertitudine si risc simulare,
manageriale – obiectul UI5. Modelarea proceselor decizionale Aplicatii economice
de studiu multicriteriale: caracteristici, metode, decizii ale simularii,
Concepte generale multiatribut în condiții de certitudine Etapele simularii,
Procesul de modelare UI6. Modelarea deciziilor privind structura ofertei Simularea Monte
Structura modelelor unei firme: modele de programare liniară, Carlo
Clasificarea modelelor optimizarea multi-obiectiv.
Efectele calităţii UI7. Modelarea deciziilor de programare şi
informaţiei asupra alocare a resurselor: modele deterministe si
metodelor si modelelor probabiliste de analiza drumului critic, modele
analitice de stocare
7
Modelarea Deciziilor Manageriale,
an III zi, Management
UNITATEA DE INVĂŢARE 1
PROBLEMATICA MODELĂRII DECIZIILOR
MANAGERIALE
1. Modelarea deciziilor manageriale – obiectul de studiu
2. Concepte generale
3. Procesul de modelare
4. Structura modelelor
5. Clasificarea modelelor
1
Obiective ale UI
 In urma parcurgerii acestei UI veţi învăţa despre:
– obiectul de studiu al MDM,

– metodele de culegere şi prelucrare a datelor folosite în modelarea
economico-matematică pentru management,
– structura generală a unui model economico-matematic,
– etapele ce se parcurg în modelare,
– condiţiile pe care trebuie să îndeplinească un model “bun”,
– limitele modelelor,
– cum se clasifică modele economico-matematice și cum să alegeţi
modelul potrivit în funcţie de precizia şi completitudinea
informaţiei disponibile.
2
1. Modelarea deciziilor manageriale –
obiectul de studiu
 Oamenii au folosit instrumente matematice pentru a ajuta

la rezolvarea problemelor de mii de ani. Cu toate acestea,
studiul formal și aplicarea metodelor și tehnicilor
cantitative în luarea deciziilor (manageriale) este în mare
măsură un produs al secolului XX.
 Analiza cantitativă reprezintă o abordare științifică a

deciziilor manageriale. Emoțiile și presupunerile nu fac
parte din abordarea cantitativă a deciziilor.
3
1. Modelarea deciziilor manageriale –
obiectul de studiu
 Abordarea cantitativă a deciziilor începe cu date. La fel ca
materia primă pentru o fabrică, aceste date sunt manipulate sau
prelucrate în informații care sunt valoroase pentru oameni în
luarea deciziilor.
 Date cantitative: Factori numerici, cum ar fi costurile și
veniturile.
 Date calitative: Factorii care influențează mediul, dificil de
cuantificat
 Calculatoarele au avut un rol esențial în amplificarea utilizării
analizei cantitative, mai ales la nivel de firmă.
 Foile de calcul (spreadsheets) sunt o alternativă convenabilă la
software-ul specializat.
4
1. Modelarea economica – obiectul de
studiu
 Modelarea deciziilor manageriale (engl. Modeling Managerial
Decisions) se regaseste ca disciplina de studiu sub diverse denumiri,
precum:
– Știința managementului (engl. Management Science),
– Metode Cantitative pentru Management/ Afaceri (engl. Quantitative Methods for
Management / Business),
– Modelarea economica (eng
– Cercetări operaționale (emgl. Operations Management)
 Aceasta reprezintă o abordare științifică a deciziilor manageriale
care constă în:
1. Arta de a modela matematic situații complexe,
2. Știința de dezvoltare a unor tehnici de rezolvare pentru aceste
modele,
3. Abilitatea de a comunica eficient rezultatele către decident.
5
 MODELUL:
 O reprezentare a realităţii din perspectiva modelatorului.
 O reprezentare simplificată sau o abstractizare a realităţii.
 Un instrument de cunoaştere indirectă a realităţii obiective.
 MODEL = Sistem teoretic sau material cu ajutorul
căruia pot fi studiate proprietăţile şi evoluţia unui sistem
complex considerat sistemul original, faţă de care
modelul prezintă anumite analogii.
 În economie: MODELUL constituie o alternativă la
experimentele utilizate în ştiinţele exacte.
 Dacă teoria economică, pe baza căreia se face simplificarea, se poate
exprima logic şi/sau matematic => model economico - matematic
6
 Modele economico – matematice mai apar și sub denumirea

de metode şi tehnici cantitative, metode și tehnici de decizie,
etc.
 In economie, modelul este o constructie teoretica ce
reprezinta procese economice printr-un set de variabile si un
set de relatii logice si/sau cantitative între acestea.
 Modelul economic este o reprezentare simplificata a
proceselor complexe, de multe ori (dar nu intodeauna)
utilizând tehnici matematice.
 Un model trebuie să fie:  Modelul trebuie sa contina
– simplu, suficiente detalii astfel
– robust,
– controlabil, incat:
– adaptabil,  rezultatul să fie satisfăcător.
– complet,  să poată fi analizat în “timp
– uşor de aplicat şi real”.
– să aibă caracter evolutiv.
Realism Simplitate
8
Cerinţe de construire a unui model bun:

Coerenţa – dată de calitatea surprinderii unor legături compatibile
(sub forma unor relaţii matematice sau logice) între mărimile fizice ale
procesului reprezentat;
Corectitudinea – dată de capacitatea modelului de a nu deforma

caracterul real al relaţiilor prezentate (se foloseşte criteriul validării -
compararea rezultatelor obţinute pe modele cu rezultate cunoscute
despre / pentru procesul modelat, în condiţii omoloage celor de
experimentare prin model);
Consistenţa şi completitudinea – apreciate prin măsura în care sunt

reprezentate elementele componente ale procesului modelat şi relaţiile
dintre ele;
Eficienţa şi fiabilitatea – capacitatea modelului de a rezolva

problemele la un cost acceptabil, cu un efort rezonabil de instruire şi
utilizare în raport cu efectele obţinute.
9
Beneficiile utilizării modelelor:

 Modele permit comprimarea timpului.
 Manipularea modelului (prin schimbarea variabilelor de decizie sau a
mediului) este mult mai uşoară decât manipularea sistemului real.
 Costul analizei modelului este mult mai mic decât costul unui
experiment real.
 Costul unei greşeli în timpul experimentelor de tip „încercare şi eroare”
este mult mai mic în cazul când sunt utilizate modelele în locul
sistemelor reale.
 Permit estimarea riscurilor pe care le implică anumite acţiuni ale
managerilor.
 Modelele matematice permit analiza unui număr foarte mare, uneori
infinit de soluţii posibile.
 Modelele permit îmbunătăţirea procesului de înţelegere şi instruire.
10
Motive pentru care modelele sunt mai putin folosite de
factorii de decizie în management (dezavantaje):
 modelele eficiente sunt rare (formele analitice sunt eronate şi
restricţiile de utilizare nu sunt studiate cu atenţia cuvenită)
 o bună parametrizare a modelelor este rară;
 factorii de decizie nu stăpânesc şi nu înţeleg modelele
(matematica);
 problemele ce tb. rezolvate se pot modifica în timpul construcției
modelului, iar rezultatele devin astfel nefolositoare;
 datele necesare modelului sunt uneori greu de obținut;
 modelele implică o simplificare a realității ce poate conduce la
rezultate eronate când sunt folosite în rezolvarea unor probleme
foarte complexe, ce implică un număr mare de variabile;
 unele modele sunt incomplete.
ETAPE:
1. Formulare
Transformarea unui scenariu problemă de la
cuvinte la un model matematic
2. Soluţie
Rezolvarea modelului pentru obținerea soluției
optime
3. Interpretare și analiză de sensibilitate
Analiza rezultatelor și implementarea unei
soluții
12
Etapele procesului de modelare:
 Definirea problemei și cunoaşterea detaliată a realităţii sistemului
(procesului) ce se modelează;
 Dezvoltarea modelului economico-matematic;
 Obtinerea datelor necesare pentru a fi utilizate in model (input data)
folosind diverse surse: rapoarte, documente ale firmelor, interviuri cu
angajatii, chestionare, măsurători, etc. ;
 Obtinerea celei mai bune soluții a problemei prin manipularea
modelului (se poate utiliza: rezolvarea de ecuații, metoda încercării și erorii,
enumerarea completă, algoritmi);
 Experimentarea modelului economico-matematic şi evaluarea soluţiei;
 Analiza rezultatelor și analiza de senzitivitate (AS - cât de sensibilă e
soluția la modificări în formularea problemei);
 Implementarea și monitorizarea rezultatelor obtinute cu ajutorul
modelului economico-matematic.
 Metodele folosite pentru soluţionarea unor probleme
complexe formulate matematic constau într-o succesiune
coerentă de operaţii logice şi aritmetice cunoscute sub
denumirea de algoritm.
 Algoritmul este un concept folosit în mod intuitiv pentru a

desemna o mulţime finită de operaţii/ instrucţiuni, comenzi
cunoscute şi care, executate într-o anumită ordine stabilită
pornind de la un set de valori (intrare), produc în timp finit
un alt set de valori ce constituie ieşirea algoritmului.
Aceştia pot fi:
– exacţi,
– aproximativi,
– euristici.
Principalele componente ale unui model:
- variabilele: o cantitate măsurabilă ce poate să varieze. Variabilele

reprezintă o abstractizare a mulţimii de valori posibile pe care le poate
înregistra o caracteristică a unui anumit fenomen.
• variabile controlabile (de decizie) – elementele care pot fi manipulate
şi controlate de către decident (ex. cantitatea de materiale pe care să o
producă sau să o comande o firmă);
• variabile necontrolabile – factori ce influenţează indicatorii/ rezultatele
deciziei, care se situează în afara controlului decidentului (ex. durata de
ajungere la firmă a materialelor comandate depinde de diverși factori
externi);
• variabilele rezultat – reflectă nivelul eficacităţii sistemului (exprimă
modul şi gradul de atingere a obiectivului organizaţiei/ proiectului/
procesului) (ex. costul total de aprovizionare/stocare; profitul obțiut de
o firmă).
- parametrii: cantități măsurabile cunoscute (ex: costul lansării unei
comenzi de materiale, costul cu materia primă pe produs) 15
Exemplu: Modelul matematic de determinare a profitului în funcție
de cantitatea produsă
Profit = Venituri – Cheltuieli

Profit = Venituri – (Cheltuieli fixe + Cheltuieli Variabile)
Profit = p x Q – (CF+ cv x Q)
Profit = p x Q – CF – cv x Q
Unde: Q = numărul de unități de produs vândute
cv = cost variabil pe unitate de produs
CF = cheltuieli fixe
p - pret de vânzare unitar
In acest model: Q – variabila de decizie
Profitul – variabila rezultat
cv, p și CF - parametrii 16
D.p.d.v. al gradului de abstractizare:
 modele iconice/imitative: sunt centrate pe morfologia (sau forma

externă) a sistemului real; constituie obiecte artificiale asemănătoare cu
sistemele reale, au aceleaşi proprietăţi cu ale sistemului real, dar
reproduse la altă scară (ex. machete, imagini grafice).
 modele analogice: sunt centrate pe fiziologia sistemului real şi
„replică” funcţiile sau proprietăţile sistemului real; au aceleaşi
proprietăţi cu ale sistemului real, dar altă formă (ex. hărţi, schiţe).
 modele simbolice: reprezintă comportarea sistemului real (uneori,
procesele interne) folosind simboluri şi reguli de compunere a acestora,
de ex.: modele matematice de tipul celor de optimizare sau celor de
simulare.
17
D.p.d.v. al naturii datelor folosite in model:

 modele deterministe: oferă o soluţie optimă, se folosesc când
volumul de date disponibil este mare şi acestea au o valoare unică.
 modele stochastice (probabiliste): oferă o solutie optimă cu o
anumită probabilitate; se folosesc când volumul de date disponibil
este mare, dar si dispersia datelor e mare, iar valorilor cunoscute li
se asociază o anumită probabilitate (sunt introduse în model
componente probabilistice care permit explicitarea incertitudinii).
 modele vagi (fuzzy): se folosesc când volumul de date disponibil
este redus şi există o mulţime de valori (conţin parametri
necunoscuţi cu certitudine, exprimaţi prin atribute cantitative sau
calitative) cărora li se asociază un grad de apartenenţă la o
anumită proprietate.
18
D.p.d.v. al modului de folosire şi de potenţialul utilizator:

descriptive (cognitiv – psihologice sau raţional – limitate): se
folosesc în cazul problemelor complexe şi noi (specifice deciziilor
inovative); caută soluţii satisfăcătoare, prespupun că decidentii au o
atentie secvenţială; au scopul de predicţie al modului în care se
comportă sistemul real; pot lua forma unui model explicativ menit să
sporească posibilitatea de cunoaştere a unui sistem;
normative (bazate pe optimizare): presupun că oamenii acţioneaza
raţional; se folosesc în deciziile de rutină şi operaţionale; în practică,
mai ales în cazul deciziilor complexe, sunt dificil de aplicat; servesc
unui decident avizat, eventual asistat de mijloace „perfecte” de
prelucrare a informaţiei care realizează analize cantitative într-un
mod complet raţional;
prescriptive – vizează un decident raţional, ce-şi foloseste de
asemenea, intuiţia şi judecata; sunt construite din start pentru a
conduce decidentii spre soluţie cât mai eficient posibil.
D.p.d.v. al sferei de reflectare:

- macroeconomic, D.p.d.v. al factorului timp:
- mezoeconomic, statice: în care nivelul variabilelor
-
- microeconomic. dependente este pus în legătură cu
una sau mai multe variabile
independente, toţi factorii fiind
definiţi la un anumit moment.
- dinamice: iau în considerare modul
D.p.d.v. al calităţii informaţiilor în care performanţele/caracteristicile
folosite (al gradului de cunoaștere a sistemului analizat/modelat
acestora) sunt modele pentru: fluctuează în timp în funcţie de
– condiţii de certitudine schimbarea variabilelor
– condiţii de risc independente.
– condiţii de incertitudine
20
Teste de autoevaluare
 Explicaţi diferenţa între modelele deterministe, stochastice si

vagi/fuzzy folosite în modelarea economico-matematică.
 Explicati diferenta dintre model si algoritm. Enumerati tipurile de
algoritmi si explicati prin ce se caracterizează aceştia. Precizaţi
care este rolul pe care il ocupă modelul, respectiv algoritmul, în
modelare.
 Explicați diferenta dintre modelele normative și cele descriptive.
 Explicați beneficiile și limitele modelelor.
21
Prof. dr. Carmen Nadia Ciocoiu
UNITATEA DE INVATARE 2
Modelarea proceselor economice cu tehnici de
previziune
Introducere
1. Definitii. Clasificarea metodelor de previziune
2. Analiza seriilor de timp: caracteristici și metode
2.1. Media mobila
2.2. Nivelarea exponentiala
2.3. Proiecţiile de trend
2.4. Decompoziţia
Teste de autoevaluare 1
Obiective ale UI
 Din această UI veţi acumula cunoştinţe care vă vor

permite să înţelegeţi cum se pot aplica diverse tehnici
de previziune în afaceri.
 Veţi afla cum se pot clasifica tehnicile de previziune şi le
veţi aprofunda pe cele din categoria analizei bazate pe
serii dinamice.
 Veţi rezolva aplicaţii practice specifice cu ajutorul
programului informatic WINQSB, QM for Windows și
Excel.
2
Introducere
 În fiecare zi, managerii iau decizii fără a ști ce se va întâmpla în viitor,

dar încearcă întotdeauna să reducă această incertitudine apelând la
diverse metode.
 Reducerea incertitudinii privind viitorul este scopul principal al
previziunii (prognozei).
 Există multe modalități de a prognoza viitorul. În numeroase firme (în
special cele de dimensiuni mici), întregul proces este subiectiv și implică
intuiția și experiența.
 Există, de asemenea, multe modele de prognoză cantitative, cum ar fi:
media simplă și mobilă, nivelarea exponențială, proiecții de trend,
analiza de regresie, etc.
 Previziunea = o metodă sistematică de obţinere a

unei estimări a valorii viitoare a unei variabile;
 Se bazează, de obicei, pe analiza unei colecţii de
observaţii privind comportamentul trecut al
fenomenului /procesului / organizaţiei studiate.
 Calitatea previziunilor depinde hotărâtor de
cunoasterea temeinică a realitătii;
 Pentru a obține o previziune cu grad mare de
acuratețe este necesară folosirea unei metodologii
complexe de previziune (o gamă cât mai largă de
metode si tehnici).
Opt pași pentru previziune:
1.Determinați obiectivul previziunii - ce încercaţi să obțineţi cu acesta?
2.Selectați elementele sau cantitățile care urmează să fie prognozate.
3.Determinați orizontul de timp al previziunii: 1-30 zile (pe termen scurt), 1 lună - 1
an (pe termen mediu), sau mai mult de 1 an (pe termen lung).
4.Selectați modelul de previziune adecvat.
5.Adunați datele sau informațiile necesare pentru a face previziunea.
6.Validaţi modelul de previziune.
7.Realizaţi previziunea (folosind programe informatice dedicate).
8.Puneţi în aplicare rezultatele (prin utilizarea rezultatelor în planificarea producţiei,
a vânzărilor, etc).
Acești pași prezintă un mod sistematic de inițiere, proiectare, precum și
implementare a unui sistem de prognoză. Când sistemul va fi utilizat pentru a
genera previziuni regulat în timp, datele trebuie colectate în mod curent, iar
calculele sau procedurile utilizate pentru a face prognoza se pot face în mod
automat.
Tipuri de metode de previzune:

calitative (de judecată) - se bazează pe estimări subiective, mai degrabă
decât pe date; sunt folosite pentru prognoze pe termen lung (mai ales când
intervin factori externi) sau atunci când nu există date istorice, ori acestea
sunt limitate;
ex: opinia experţilor, metoda Delphi, analogii istorice, măsurarea
cerinţelor consumatorilor.
bazate pe serii de timp – în cazul în care evoluţia curentă a unui indicator
depinde de nivelul anterior (în ipoteza păstrării unui comportament inerţial al
fenomenului);
ex: metoda mediilor mobile, metode de ajustare, proiecții de trend,
metode de decompoziţie.
cauzale – pentru care este posibilă identificarea unor relaţii funcţionale de
tipul Y= f(x1, x2, …, xn) unde Y variabila dependentă este exprimată în
funcţie de nivelul factorilor independenţi (x1, x2, … xn);
ex: analiza de regresie simpla și multiplă, analiza de corelaţie.
econometrice – în cazul unor ecuaţii simultane sau sisteme de ecuaţii ce
descriu în formă matematică diferite legităţi economice.
2. Analiza Seriilor de Timp
(Dinamice/Cronologice): caracteristici și metode
 O secvenţă de date de observaţie, în mod obişnuit ordonată în
timp, este denumită serie de timp, sau serie dinamică.
 Date - se referă la valori discrete măsurate la intervale egale de
timp.
 Metodologia care se ocupă cu analiza unor astfel de date se
numeşte analiza seriilor de timp sau analiza seriilor dinamice.
 Caracteristica esenţială a acestui tip de analiză este
recunoaşterea implicită a importanţei ordinii de apariţie a
înregistrărilor.
 Reprezentarea grafică a unei serii de timp evidenţiază cele mai
importante caracteristici (componente) ale datelor acesteia:
prezenţa/absenţa tendinţei (trendului), a caracterului sezonier, a
ciclurilor sau a unor variații aleatoare.
 Înțelegerea componentele unei serii de timp va ajuta la selectarea
unei tehnici de prognoză adecvate.
 Variaţia aleatoare (Rt) se produce fără a avea cauze speciale care să o
determine în mod previzibil sau cauzal şi fără posibilitatea de a i se
atribui un model de repetare sistematică.
 Trendul (Tt) defineşte tendinţa generală a evoluţiei fenomenului

indicatorului Yt desfăşurată pe o perioadă lungă de timp. Trendul este
mișcarea treptată în sus sau în jos a datelor în timp.
 Această componentă poate fi relevată ca unică, în cazul seriilor ale căror
diferenţe finite sunt constante, sau ca o componentă fundamentală ce poate fi
izolată de celelalte componente, în cazul seriilor de timp decompozabile.
 Identificarea trendului se poate efectua:
- reprezentând grafic, la scară, termenii seriei;
- analitic, prin încercarea mai multor funcţii dintre care se alege cea cu un
indicator de eroare minim – de exemplu, “deviaţia standard minimă” (adică
diferenţa între valorile reale ale seriei şi valorile ajustate cu funcţiile
matematice menţionate).
 Sezonalitatea (St) este un model de fluctuație a unui fenomen (ex.
cererea pentru un produs/serviciu) deasupra sau sub linia de trend, care
se repetă la intervale regulate.
 Variaţia sezonieră apare ca urmare a influenţelor sezonale din timpul
perioadei previzionate. Are oscilaţie mai frecventă decât componenta
ciclică. Uneori variaţia sezonieră este generată de anotimpuri (şi
comportamentul oscilant în funcţie de acestea) sau de obiceiuri, tradiţii
sau fenomene sociale.
 Variaţia ciclică (Ct) se manifestă prin oscilaţii relativ ample ale

indicatorului sau fenomenului analizat, iar durata ciclului se poate
observa în perspectiva mai multor ani.
 Oscilaţiile sunt generate de alternanţa perioadelor de creştere, cu
perioadele de stagnare, precum şi de alte cauze generale sau locale.
 Ele sunt de obicei legate de ciclul de afaceri.
Reprezentarea grafica a seriilor de timp
1. Vânzări relativ stabile fără trend 2. Vânzări cu trend fără
semnificativ şi fără influenţe
influenţe sezoniere sau ciclice
sezoniere sau ciclice
16
14
Volumul vanzarilor
12
10
8
6
4
2
0
1 3 5 7 9
Timpul
Reprezentarea grafica a seriilor de timp
3. Vânzări cu variaţii 4. Vânzări cu trend şi variaţii
sezoniere fără trend sezoniere
5 16
14
Volumul vanzarilor
Volumul vanzarilor
4 12
3 10
Media
8
2 6
1 4
2
0 0
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
Timpul
Timpul
 Extrapolarea reprezintă una din cele mai utilizate metode de previziune în
cadrul metodelor cantitative bazate pe serii de timp;
 Metodele de extrapolare bazate pe serii de timp sugerează dezvoltarea
inerţială (prelungirea în viitor) a unor elemente ale proceselor şi
fenomenelor economice;
 Pot fi aplicate cu rezultate bune numai dacă procesul la care se referă
prezintă un caracter de repetabilitate, cu aceeaşi intensitate a dinamicii.
 Limite:
– oferă numai o imagine orientativă asupra perspectivei de evoluţie dacă se
recunoaşte faptul că viitorul NU reproduce fidel stările şi evoluţiile din
trecut;
– se poate folosi cu succes numai pentru procesele economice ce evoluează
fără discontinuităţi majore;
– riscul şi incertitudinea impun prelucrarea rezultatelor extrapolării cu
metode adiţionale;
– pentru ca rezultatele să fie cât mai plauzibile se recomandă operarea pe
orizonturi de prognoză cât mai scurte.
 Ajustarea unei serii temporale = operatiunea de
înlocuire a valorilor observate ale variabilei studiate
cu alte valori.
 Noile valori sunt calculate prin metode adecvate cu scopul
de a pune în evidenţă componentele considerate esenţiale
ale seriei de date: trendul, fluctuaţiile ciclice, sezoniere
si/sau neregulate.
 sunt aplicabile în previziunile pe termen scurt, de pe o
zi pe alta, de pe o luna pe alta, de pe un trimestru pe
altul.
 Cele mai utilizate metode de nivelare (ajustare):
1. metoda mediilor mobile,
2. metoda nivelării exponenţiale.
2.1. Media mobila
 Presupune determinarea previziunii pentru o perioadă de timp (zi,
săptămână, lună, …, an etc.) prin medierea datelor din ultimele „n"
perioade:
y t  y t 1  ...y t n 1
Ft 1 
n
în care: Ft+1 - valoarea previzionată pt. perioada t+1; Yt - valoarea realizată în
perioada t; n - ordinul mediei mobile.
 Adoptând ordine diferite ale mediei mobile, se poate ajunge la o
corespondenţă mai apropiată sau mai îndepărtată a curbei previziunii faţă
de curba evoluţiei datelor reale.
 Eroarea poate fi apreciată pe baza diferenţelor dintre realitate şi previziune
folosind formula erorii medii: m
2
 (F  Y )
t t
e t n
mn
în care: Ft - valorile previzionate pentru perioadele t=1,...,m; Yt - valorile reale
disponibile; m - numărul de valori ale seriei de timp disponibile.
 Medii mobile sunt utile dacă putem presupune că cerințele pieței vor rămâne
destul de constante în timp.
 O altă metodă similară este media mobilă ponderată (cu ponderi diferite asociate
datelor în funcţie de ordinea lor în seria de date)
2.1. Media mobila
Aplicatie practică:
Luna Vânzări reale Media mobilă de ordin 3
Ianuarie 10
Februarie 12
Martie 13
Aprilie 16 (10 + 12 + 13)/3 = 11.67
Mai 19 (12 + 13 + 16)/3 = 13.67
Iunie 23 (13 + 16 + 19)/3 = 16.00
Iulie 26 (16 + 19 + 23)/3 = 19.33
August 30 (19 + 23 + 26)/3 = 22.67
Septembrie 28 (23 + 26 + 30)/3 = 26.33
Octombrie 18 (26 + 30 + 28)/3 = 28.00
Noiembrie 16 (30 + 28 + 18)/3 = 25.33
Decembrie 14 (28 + 18 + 16)/3 = 20.67
Ianuarie — (18 + 16 + 14)/3 = 16.00
2.2. Metoda nivelării exponenţiale
Pentru metodele de nivelare (ajustare), alegerea formei particulare a
metodei (cu unul sau mai mulți parametri) se poate face, într-un mod
aproximativ, prin reprezentarea grafică a seriei de date:
 în cazul seriilor de date pentru care nu se înregistrează trend şi variaţii
ciclice sau sezoniere se poate utiliza modelul de nivelare
exponenţială primară (în jurul mediei) (engl. Single Exponential
Smoothing - SES) (cu un singur parametru α);
 dacă pentru seria de date reprezentată se poate pune în evidenţă o
tendinţă liniar crescătoare sau descrescătoare se alege modelul cu
trend (cu doi parametri α si β );
 dacă pentru seria de date se pot evidenţia variaţii sezoniere se va alege
modelul de ajustare cu sezonalitate (cu doi parametri α si γ);
 în situaţia în care, în mod simultan se pot observa o componentă de tip
trend şi variaţii sezoniere se poate alege modelul de ajustare trend -
sezonalitate (ex: modelul Holt-Winters în care se folosesc trei
parametri α, β si γ și trei ecuații pt determinarea previziunii).
 Nivelarea exponentiala a fost introdusă de Robert G. Brown în
cărțile sale din 1959 și 1963 (R.G. Brown adesea referit ca
“părintele” nivelării exponențiale).
 Obiectivul metodei de previziune: netezirea (ajustarea) în

jurul mediei vânzărilor a fluctuaţiilor întâmplătoare.
 Ideea de bază: prin modelul de ajustare exponenţială se atribuie
datelor referitoare la vânzările din trecut, ponderi invers
proporţionale cu vârsta lor, considerând că, în evoluţia
procesului, datele recente sunt mai valide decât cele vechi.
 În cazul seriilor de date pentru care nu se înregistrează trend

şi variaţii ciclice sau sezoniere se poate utiliza modelul de
nivelare exponenţială primară/simpla (în jurul mediei) (engl.
Single Exponential Smoothing - SES).
Modelul de nivelare exponențială simplă
 Presupunem ca se cunosc:
Perioadele Vânzările
efective (Y)
1 Y1
2 Y2 Pe baza lor se calculează in perioada t
  previziunea pentru perioada t+1
t-2 Yt-2
t-1 Yt-1
t Yt
t+1 ???????
 Previziunea vânzărilor în perioada (t) pentru perioada (t+1) =

Ft+1 = Ft+ · (Yt - Ft) sau Ft+1 = Yt +(1-) · Ft
unde:  = constantă de nivelare, 0    1;  este un parametru în model.
Ft+1 – previziunea realizată în perioada t pentru perioada t+1
Concluzie:
Modelul de nivelare exponențială primară determină previziunea

pentru perioada (t+1) pe baza a trei valori:
Ft+1 =  ·Yt +(1-)·Ft
unde: Ft+1 - previziunea pentru perioada (t+1) efectuată la momentul t;

 - Constanta de nivelare 0    1; este aleasă de decident în
funcție de forma seriei de date;
Yt - Vânzările efective din perioada curentă t;
Ft - Previziunea la momentul t (determinată pornind de la o
previziune inițială care, daca nu se cunoaște, se consideră prima
valoare efectivă din seria de date ca și previziune).
Alegerea valorii lui alpha (α) influenteaza ajustarea oscilațiilor din

seria de date reale și calitatea previziunii.
Alegerea constantei de nivelare 0    1:

1. Pe baza minimizării indicatorilor erorilor de previziune (et = Yt - Ft )
n
 (e t ) 2
t 1
Media erorilor la pătrat (mean square eror) = MSE = n n
e
t 1
t
Media erorilor absolute (mean absolute deviation) = MAD = n

n
Media procentuală a erorilor absolute = MAPE = 100   [e t /X(t)]/n

t 1
(mean absolute percent error)
unde: X(t) – valorile reale la momentul t, t = 1... n
n
Suma erorilor de previziune (cumulative forecast error) = CFE =  e t
t 1
CFE
Semnal de urmarire (Tracking Signal) = TS =
MAD
TS: pozitiv: există tendinţă de creştere a vânzărilor
negativ: există tendinţă de descreştere a vânzărilor
Numai dacă TS > 5 => există o tendinţă reală de creştere sau descreştere a vânzărilor
Alegerea constantei de nivelare 0    1:
2. Din analiza modelului Ft+1 = Yt +(1-)Ft , rezultă că, dacă:
 tinde spre 1 => Ft+1  Yt (previziunile urmaresc oscilatiile valorilor
reale/ efective)
 mult mai mic decat 1 => Ft  Ft-1  ...  F0  media valorilor efective
(previziunile tinde să se niveleze spre media valorilor efective)
3. Din analiza modelului Ft+1 = Ft+ (Yt – Ft ) rezultă că dacă:
- diferenţele | Yt - Ft | sunt mari, atunci se recomandă alegerea unui
 mic (spre 0) pentru a nu permite transferarea fluctuaţiilor mari în
previziune.
- diferenţele | Yt - Ft | sunt mici, atunci se recomandă alegerea unui
 mare (care tinde spre 1) pentru a permite previziunii să reacţioneze
rapid la eventualele schimbări.
4. Prin simulare (testari succesive) pe baza unui criteriu (indicator de
eroare) specificat de decident.
Etape de lucru:
 Obţinerea datelor privind vânzările produsului în perioadele
trecute;
 Analiza datelor pe baza reprezentării grafice;
 Alegerea modelului de previziune cel mai adecvat;
 Definirea parametrilor modelului: perioada sau perioadele pentru
care se va face previziunea, alegerea constantei de nivelare,
determinarea previziunii iniţiale;
 Realizarea previziunii cu un produs informatic, ex.:
WINQSB/Forecasting and Linear Regression/Time Series Forecasting/
Single Exponential Smoothing (SES)
QM for Windows/Forecasting/Time Series Analysis
Excel (Data Analysis/ Exponential Smoothing)
 Analiza influenţei constantei de nivelare ( ) asupra previziunii;
 Interpretarea economică a rezultatelor.
Studiul de caz 1 (din lucrarea Modelarea economică. Studii de caz. Teste, autori:
Raţiu-Suciu, C., Luban, F., Hîncu, D., Ciocoiu, N., Editura ASE, Bucureşti, 2007)
Se cunosc vânzările reale pe 8 luni (Actual 22
Data), previziunea inițială se considera 21
egala cu prima valoare reala (F(0)=21). 20
Se dorește previunea vânzărilor pe luna a 19
Vanzarile
-9-a. Rezolvarea va folosi 2 valori lui alpha 18
(0.3 si 0.9). 17
16
Luna Actual Forecast 15
Data by SES 14
(alpha=0.3) 13
1 2 3 4 5 6 7 8 9
1 21.00
Timpul
2 22.00 21.00
3 16.00 21.30 Date reale Estimatii alfa=0,3
Media Estimatii alfa =0,9
4 18.00 19.71
Rezultate:
5 19.00 19.20 Alpha = 0.3:
6 14.00 19.14 previziunea F9 = 18.40
7 18.00 17.60 Erorile: CFE = -8.66 MAD = 2.29 MSE
= 9.12 MAPE = 14.08 Trk.Signal = -3.78
8 20.00 17.72
Alpha = 0.9:
9 18.40 previziunea F9 = 19.76, Erorile: MSE = 11.54
 O altă metodă de prognoză bazată pe serii de timp se numește proiecția
trendului.
 Aceasta tehnica potriveste o linie de trend la o serie de puncte
reprezentând date istorice și apoi proiectează linia în viitor pentru a
obține previziuni pe termen mediu sau lung.
 Există mai multe ecuații matematice de trend care pot fi aplicate (de ex.
exponențială și pătratică), dar cea liniară este cea mai folosită.
 O linie de trend este pur și simplu o ecuație de regresie liniară în care
variabila independentă (X) este perioada de timp. Forma este:
Y = a + bX
unde: Y - valoare previzionată (variabila dependentă); a – interceptul;
b – panta liniei; X – perioada de timp (ex. 1, 2, 3..n)
 Metoda celor mai mici pătrate poate fi aplicată pentru a găsi coeficienții
(a si b) care minimizează suma pătratelor erorilor (MSE).
Aplicatie practică: Luna Vanzari

se dorește previzionarea vânzărilor în 1 1215
funcție de lună pentru a 13-a perioada,
pe baza datelor din tabel. 2 1251
Rezolvare: 3 1305
Excel: Data > Data 4 1383
Analysis/Regression 5 1280
(Obs: Functia trebuie mai intai activata din 6 1450
File/Options/Add-ins/Analysis ToolPack)
7 1540
WINQSB/Forecasting/ Linear
8 1750
regression
9 1835
QM for Windows/
Forecasting/Simple and Multiple 10 1923
Regression 11 2050
12 1950
REGRESIE LINIARA (VANZARI IN FUNCTIE
DE LUNA) 2500 X Variable 1 Line Fit Plot
Regression Statistics 2000

Multiple R 0,9608
R Square 0,9231 1500
Adjusted R
Y
Square 0,9154 1000
Y
Standard
Error 89,1866 Predicted Y
500
Observations 12
0
ANOVA 0 2 4 6 8 10 12 14
Significance X Variable 1
df SS MS F F
Regression 1 954166,161 954166,161 119,957 0,00000069
Residual 10 79542,506 7954,251
Total 11 1033708,667
Upper Lower
Coefficients Standard Error t Stat P-value Lower 95% 95% 95,0% Upper 95,0%
Intercept 1046,712 54,891 19,069 0,000 924,4081169,016 924,408 1169,016
X Variable 1 81,685 7,458 10,952 0,000 65,068 98,303 65,068 98,303
Din regresia liniară rezulta că ecuatia de regresie are

forma:
Y= 1046,712+81,685·X,
de unde rezulta ca vânzarile pentru luna 13 sunt:

Y(13) = 1046,712+81,685·(13)=2108,62
2.4. Decompozitia
 Metodele de decompoziţie (descompunere) presupun

identificarea în mod separat a componentelor tipice
(caracteristici) ale unei serii dinamice şi prognozarea lor
separată:
 Tendinţa generală (trendul) (Tt)
 Miscarea ciclica (Ct)
 Fluctuaţiile sezoniere (St)
 Variaţiile neregulate (aleatoare) (Rt)
 După prognozarea izolată cele 4 elemente se compun în

forma aditivă sau multiplicativă.
2.4. Decompozitia
Realizarea unei previziuni cu metoda de decompozitie

necesită calcule elaborate ce presupun:
1. Descompunerea datelor din trecut (filtrarea influențelor

sezoniere din datele originale).
2. Previzionarea separată a trendului (T) şi sezonalităţii (S).
3. Combinarea previziunilor separate folosind modelul aditiv

(însumare) sau multiplicativ (înmulțire).
2.4. Decompozitia
 Dupa prognozare izolata cele 4 elemente se compun in forma

aditivă, multiplicativă, sau combinaţii ale celor două forme.
 Alegerea unei anumite forme este influenţată de modul de variaţie a
factorilor ciclici şi sezonieri la modificările valorilor seriei dinamice:
- în formă aditivă: Yt  Tt  Ct  S t  Rt unde: T, S, C, R sunt exprimate
ca valori absolute; se folosește când factorii componenţi sunt
independenţi (ex.: mărimea variaţiei sezoniere nu e afectată de valoarea
tendinţei); variaţiile sezoniere şi cele ciclice nu sunt proporţionale cu
mărimea valorilor din seria de date (în această situaţie, amplitudinea
variaţiilor sezoniere este aproximativ constantă în timp).
- în formă multiplicativă: Yt  Tt  Ct  S t  Rt unde: T, S, C, R sunt
exprimate ca % sau proporţii; când caracteristicile interacţionează (în
care variaţiile sezoniere cresc proporţional cu trendul).
 Dacă toate oscilaţiile dintr-o serie de timp sunt datorate variațiilor
aleatoare se recomandă un model de mediere sau de netezire/ajustare
a datelor.
2.4. Decompozitia
Exemplu:
 Daca vânzarile de jucarii au un varf in fiecare aditiv
decembrie, cu o crestere de 100000 lei fata de valoare
luna decembrie din anul anterior, atunci
previziunea trebuie sa creasca in luna decembrie
cu aceasta valoare, iar modelul este aditiv.
 Daca se cunoaste ca exista o crestere de 40% a
vanzarilor in luna decembrie fata de restul anului,
atunci modelul este multiplicativ.
timp
 Rezolvarea se poate face cu ajutorul multiplicativ

produsului informatic WINQSB/
Forecasting/ Times Series Forecasting/ valoare
Holt-Winters Additive Algorithm sau
WINQSB/ Forecasting/ Times Series
Forecasting/ Holt-Winters Multiplicative
Algorithm
timp
Aplicatie practică: Previziunea vînzărilor trimestriale (cu
trend si sezonalitate) cu Algortimul Holt-Winters
 O firma comercializează produse de sticlărie pentru menaj;

pe baza datelor din ultimii 3 ani asupra volumului (mil. u.m.)
de vânzări trimestriale (tabelul 1) se cere să se efectueze
prognoza acestui indicator pentru următoarele 4 trimestre
pentru fundamentarea planului curent de investiţii.
Anul Trimestrul I Trimestrul II Trimestrul III Trimestrul IV

2009 4000 4200 5600 5900
2010 5200 5700 7200 9500
2011 4750 5200 6900 9500
2012 5900 6300 8250 ?
2013 ? ? ?
Algoritmul Holt-Winters - Aplicatie practica (WINQSB)
Quarter Actual F(t) T(t) S(t) Forecast Formula de calcul pentru

Data x(t) f(t+h) f(t+h)
1 4000,0000 0 0 0,8122
2 4200,0000 0 0 0,8528
3 5600,0000 0 0 1,1371
4 5900,0000 4925,0000 0 1,1980
5 5200,0000 5072,7500 29,5500 0,8761 4000,0000 = [4925+1·0]·0,8122
6 5700,0000 5260,4630 61,1826 0,9220 4351,2000 = [5072,75+1·29,55]·0,8528
7 7200,0000 5422,6950 81,3925 1,1943 6051,0080 ........
8 9500,0000 5746,6880 129,9125 1,3345 6593,7300
9 4750,0000 5831,1450 120,8214 0,8576 5148,2150
10 5200,0000 5920,7480 114,5778 0,9089 5487,8360
11 6900,0000 6009,5550 109,4236 1,1804 7207,7780
12 9500,0000 6218,9490 129,4177 1,3924 8165,8770
13 5900,0000 6401,4840 140,0413 0,8768 5444,4530
14 6300,0000 6580,5230 147,8406 0,9234 5945,5590
15 8250,0000 6754,4200 153,0521 1,1927 7942,4090
16 9618,2310 =[6754,42+1·153,0521]·1,3924
17 6190,8710 =[6754,42+2·153,0521]·0,8768
18 6661,2880 =[6754,42+3·153,0521]·0,9234
19 8786,4180 =[6754,42+4·153,0521]·1,1927
Algoritmul Holt-Winters - Aplicatie practica
c=4 Algoritmul multiplicativ Holt-Winters:

Alpha=0,1 F(t) = α x(t)/S(t-c) + (1- α )[F(t-1)+T(t-1)]
T(t) = β [F(t)-F(t-1)] + (1- β)T(t-1)
Beta=0,2
S(t) = γ x(t)/F(t) + (1- γ)S(t-c)
Gamma=0,3 Previziunea: f(t+h) = [F(t)+hT(t)]S(t+h-c) for h=1,2,..., c
F(0)=4925 f(t+h) = [F(t)+hT(t)]S(t+h-2c) for h=c+1,c+2,..., 2c
T(0)=0 f(t+h) = [F(t)+hT(t)]S(t+h-3c) for h=2c+1,2c+2,..., 3c
etc.
S(1)=0,8122
unde: c este lungimea ciclului de sezonalitate, (aici: c=4)
S(2)=0,8528 α, β, γ sunt constante de ajustare , 0 ≤ α ≤ 1, 0 0 ≤ β ≤ 1, 0 ≤ γ ≤ 1
S(3)=1,1371 Fie m media valorilor reale pentru primul ciclu, de la t=1 la c=4.
S(4)=1,1980 Valorile iniţiale sunt: F(0)= m, T(0)=0, S(t) = x(t)/m pentru t=1,…,4.
Pentru exemplificare:
S(1) = x(1)/m= 4000/4925=0,8122; unde m = (4000+4200+5600+5900)/4=4925
F(5) = x(5)/S(1) + (1-)[F(4)+T(4)] = 0,1·5200/0,8122 + 0,9·[4925+0]=5072,75
T(5) = β[F(5)-F(4)] + (1- β)T(5)= 0,2·[5072,75-4925] + 0,8·0 = 29,55
S(5) = γ x(5)/F(5) + (1- γ )S(1) = 0,3·5200/5072,75 + 0,7·0,8122 = 0,8761
în care la prima iteraţie S(1)=0,8122, T(0)=0
WinQSB versus QM for Windows
 Enunţaţi şi explicaţi ipotezele care stau la baza metodelor de

previziune bazate pe serii de timp.
 Explicaţi rolul şi modul de determinare a constantei de
nivelare α utilizată în modelul de nivelare exponenţială.
 Descrieţi asemănările şi deosebirile dintre metoda mediilor
mobile şi metoda nivelării exponenţiale.
 Prezentaţi abordarea matematică şi interpretarea economică
a modelului de nivelare exponentiala primara.
36
Modelarea fenomenelor de piaţă
1. Indicatorii ofertei de mărfuri. Curba vieţii produselor.
2. Modelarea cu lanţurile Markov a evoluţiei pe piaţă a unor
produse concurenţiale.
Elemente si proprietăţi
Etape
Obiective urmărite
• Teste de autoevaluare
1
Obiective ale UI
Prin parcurgerea acestei UI veţi avea cunoştinţe despre:
 cum se poate folosi curba vieţii produselor pentru a caracteriza
oferta de produse a unei firme prin indicatori specifici;
 elementele, proprietăţile şi obiectivele urmărite de algoritmul
lanţurilor Markov folosit în analiza evoluţiei pe piaţă a produselor
concurenţiale.
 cum se interpretează rezultatele furnizate de produsele informatice
QM si WINQSB, în cazul aplicaţiilor practice de determinare a
cotelor de piaţă ale produselor concurenţiale.
2
Introducere
 În activitatea managerială studierea fenomenelor de piaţă ocupă un loc important datorită
implicaţiilor pe care acestea le au asupra rezultatelor financiare ale organizaţiilor.
 Cerinţele consumatorilor şi evoluţia produselor proprii în raport cu ale concurenţei sunt
aspecte ce se încearcă a se cunoaşte din timp de către echipele de management.
 Prezenţa ofertei de mărfuri în cadrul pieţei este rezultatul cercetării şi cunoaşterii
amănunţite a cererii de consum atât sub aspect static, cât şi dinamic.
 Principalii indicatori statici ai ofertei de mărfuri sunt: structura pe categorii a mărfurilor
pe piaţă la un moment dat, cantitatea de mărfuri pe piaţă la un moment dat, durata de
aşteptare a diferitelor mărfuri până la vânzare, etc.
 Din punct de vedere dinamic oferta de mărfuri se poate analiza prin evoluţia cantitativă şi
calitativă în timp a produselor, evolutia cotei de piață, diversificarea sortimentală şi
înnoirea produselor oferite pe piaţă, etc.
 Politicile de înnoire şi diversificare a portofoliului de produse se bazează într-o mare
măsură, pe ciclul de viaţă al produsului (curba vieţii produsului) şi pe analiza fazelor
acestuia.
 În raport cu evoluţia în timp a produsului şi cu ritmul creşterii volumului de vânzări, ciclul
de viaţă al unui produs poate fi descompus în mai multe faze, fiecare având caracteristici
specifice în raport cu funcţiunile implicate, natura investiţiilor, oamenii-cheie şi decizia
care trebuie luată.
1. Indicatorii ofertei de mărfuri.
Curba vieţii produselor.
Ciclul de viaţă al produsului descrie vânzările şi profitul produsului,
consumatorii, competiţia şi acţiunile specifice de marketing întreprinse de la
apariţia acestuia şi până la înlăturarea sa de pe piaţă, sau, mai precis, intervalul
de timp cuprins între momentul lansării unui produs pe o piaţă dată şi cel al
retragerii sale definitive de pe piaţă.
volum vanzari
k=1
timp
lansare crestere maturitate declin disparitie
t = /
1. Indicatorii ofertei de mărfuri.
Curba vieţii produselor.
 Etapele ciclului de viaţă al produsului pot fi caracterizate prin volumul vânzărilor
din cadrul fiecărei etape.
 Evoluţia în timp a volumului vânzărilor unui produs poate fi descrisă cu o funcţie
de tip Gamma de forma: V = k ∙ t ∙ e-t
unde:
V= volumul vânzărilor; t = timpul; e = funcţia exponenţială; k = constantă;
,  = parametri determinaţi statistic pentru fiecare tip de produs.
 Volumul total al vânzărilor se calculează cu relaţia:


V= 
  t
k  t  e dt
0
 Momentul vânzărilor maxime se obţine prin anularea derivatei de ordinul I:
V
 0 => t = /
t
 Momentul creşterii / descreşterii volumului vânzărilor se obţine prin anularea
derivatei de ordinul II:
 
t

2. Modelarea cu lanţurile Markov a evoluţiei pe
piaţă a unor produse concurenţiale
 Analiza Markov (denumită dupa matematicianul rus Andrey Markov, 1856-
1922, cel care a pus bazele studiului sistemelor stochastice) este o tehnică care
se ocupă cu studiul probabilităților unor evenimente viitoare prin analiza
probabilităților cunoscute în prezent.
 Un proces stochastic este un proces ce evoluează în timp într-o manieră
probabilistă.
 Lanțurile Markov sunt sisteme matematice ce sar de la o stare (situație sau set
de valori) la alta.
 În cazul lanțurilor Markov rezultatul unui experiment depinde numai de
rezultatele experimentului anterior.
 Tehnica are numeroase aplicații în afaceri:
- analiza cotei de piață,
- pronosticuri privind creditele neperformante,
- estimarea contribuţiilor firmelor la bugetul asigurărilor sociale sau la
fondurile de pensii,
- estimarea posibilității ca un echipament să se defecteze în viitor, etc.
 În cazul analizei evoluţiei pe piaţă a unor produse concurenţiale se presupune
că pe piaţă există un număr finit n de produse A1, A2, ..., An care satisfac
aceeaşi necesitate de consum.
 Reorientarea cumpărătorilor de la produsul Ai în perioada t către alt produs

Aj în perioada următoare (t+1) NU poate fi determinată cu certitudine. Ea
poate fi descrisă cu ajutorul probabilităţilor.
Notăm:
 pij = probabilitatea de trecere de la produsul Ai ales în perioada t la produsul
Aj în perioada imediat următoare (t+1).
0  pij  1 pentru i=1, ..., n; j=1, ..., n
 pii = gradul de fidelitate faţă de produsul Ai în perioada (t+1) în raport cu
perioada t.
 Pentru cele n produse rezultă o matrice P a probabilităţilor de trecere sau de
tranziţie (Tabelul 1).
Tabelul 1 Produsul ales la t+1. (Reorientări)
A1 A2 ...Aj... An
Produsul ales la A1 p11 p12 ...p1j... p1n
mom. t A2 p21 p22 ...p2j... p2n
(Produs părăsit)
: : : : :
Ai pi1 pi2 ...pij... pin
: : : : :
An pn1 pn2 ...pnj... pnn
 Matricea P este o matrice stochastică deoarece:
0  pij  1; i=1, ..., n; j=1, ..., n
 Suma elementelor de pe aceeaşi linie din matrice este 1.
 Poate fi aceeaşi pentru orice interval de timp –procesul este staţionar.
 Poate diferi de la o etapă la alta - procesul este instabil/nestaţionar.
Ipoteze:
I1 Pe piaţă există un număr finit n de produse care satisfac aceeaşi
necesitate de consum
I2 Utilizatorul cumpără în fiecare perioadă, un singur tip de produs.
Acesta poate fi A1, A2, ..., Ai, Aj, ..., An.
I3 Niciodată nu cumpără în aceeaşi perioadă mai multe sortimente
simultan. În terminologia proceselor Markov, produsul selectat într-
o anumită perioadă de un utilizator, reprezintă starea procesului în
acea perioadă.
În fiecare perioadă, sistemul are n stări:
Starea 1: cumpărătorul alege A1;
Starea n: cumpărătorul alege An.
I4 Nu se poate spune cu certitudine ce tip (marcă) de produs va alege
cumpărătorul într-o anumită perioadă viitoare.
I5 Rezultatul oricărei încercări depinde de rezultatul încercării care
o precede direct şi numai de aceasta.  Proces fără memorie
(această proprietate se numeşte proprietate Markoviană).
 Dacă aceste ipoteze sunt îndeplinite, cu ajutorul modelului Markov
se poate calcula probabilitatea ca utilizatorul să cumpere un anumit
produs din cele n, în oricare din perioadele următoare dacă se
cunoaşte matricea probabilităţilor de tranziţie P.
 p11 p12 ...p1 j... p1n 
 
 p 21 p 22 ...p 2 j... p 2n 
    
P=  
 p i1 pi2 ...p ij... p in 
   
  
 p n1 pn2 ...p nj... p nn 

0 pij 1; i=1,...,n; j=1,...,n; =1 pentru i=1,...,n
 Alaturi de matricea de tranzitie este necesara si cunoasterea cotelor

de piata la momentul initial. Acestea formeaza vectorul starii initiale
(vector linie cu suma elementelor egala cu 1).
0 = (10, 20, ..., i0, ..., n0),
 Probabilităţile iniţiale împreună cu matricea P definesc complet
un lanţ Markov (denumit şi proces Markov).
 Procesele Markov = acele procese în care starea sistemului la un
moment dat poate fi descrisă numai cu ajutorul stării sistemului
în momentul anterior si a probabilităţilor de tranzitie a
acestuia de la o stare la alta. Dacă se cunosc starea prezentă şi
probabilităţile de tranziţie se va putea descrie comportarea
probabilă în viitor a sistemului.
 Stările procesului Markov se clasifică în: recurente şi
tranzitorii.
Dacă este sigur că procesul se va întoarce la o anumită stare într-
un stadiu viitor, acea stare este cunoscută drept stare recurentă.
Daca este posibil ca procesul să nu mai ajungă în acea stare
niciodată, starea se numeşte tranzitorie.
Un caz special de stare recurentă este starea absorbantă – o stare
care nu se mai părăseşte după ce a fost atinsă.
Etape:
 Identificarea produselor concurenţiale.
 Stabilirea, prin intermediul unei anchete sau sondaj, a ponderii pe
piaţă la momentul iniţial t = 0 a fiecărui produs i. Se obţine astfel
vectorul:
0 = (01, 02, ..., 0i, ..., 0n), cu proprietatea că 0  0i  1, .
 Stabilirea, prin anchete sau sondaje, a gradului de fidelitate faţă de
fiecare produs şi proporţia deplasărilor către alte produse. Se obţine
astfel, matricea probabilităţilor de tranziţie P cu elementele pij, astfel
încât 0 pij 1; i=1,...,n; j=1,...,n; =1 pentru fiecare linie i=1,...,n.
 Utilizarea unui produs informatic (WINQSB/Markov Process, QM for
Windows/ Markov Analysis sau EXCEL) pentru calculul modificărilor
succesive ce intervin în mărimea segmentului de piaţa deţinut de
fiecare produs concurenţial cu modelul lanturilor Markov.
 Trasarea curbei evoluţiei pe piaţă a fiecărui produs.
 Precizarea situaţiei produsului pe curba vieţii la momentul iniţial şi
stabilirea politicii de comercializare a produsului.
Studiul de caz 2: Determinarea evoluţiei cotelor de piaţă a unor produse
concurenţiale
(St caz 3, carte Modelare economică, 2009, pg. 90)
Rezultate obtinute prin sondaj Produsul ales la t+1. (Reorientări, %)
(%)
A1 A2 A3
Produsul ales la t A1 60 20 20
(Produs părăsit) A2 15 70 15
A3 5 15 80
Cotele de piata la momentul initial: A1 - 50%, A2 - 35% si A3 - 15%
Se construiesc:
0 = (0,50; 0,35; 0,15) Vectorul cotelor de piata la momentul initial
 0,60 0,20 0,20 

 
P   0,15 0,70 0,15 
Matricea de tranzitie
 0,05 0,15 0,80 
 
concurenţiale (St caz 3, carte Modelare economică, 2009, pg. 90)
0,5
0,4
0,3
0,2
0,1
0
1 2 3 4 5 6
luni
Produsul A1 Produsul A2 Produsul A3
Principalele obiective manageriale ale analizei se referă la:
a) Determinarea probabilităţii ca procesul să se afle într-o

stare dată într-o anumită fază;
b) Determinarea modului în care procesul trece de la o
stare la alta;
c) Determinarea probabilităţii ca procesul să se stabilizeze
într-o anumită stare (starea staţionară);
d) Determinarea timpului mediu necesar sistemului pentru
a se întoarce la o anumită stare (timpul de recurenţă).
a) Determinarea probabilităţii ca procesul să fie
într-o stare dată într-o anumită fază
 În cadrul proceselor Markov fiecare fază este descrisă

de vectorul de stare, notat α. Pentru doua faze
consecutive avem vectorii αt+1 si αt.
 Vectorul ponderilor pe piaţa la momentul (t+1) =
t+1 = t ·P, pentru t = 0, 1, ...
adică:
 1 = 0 ·P In studiul de caz:
 2 = 1 · P = 0 · P 2  1 =  0
·P = (0,50; 0,35; 0,15)
 iar 3 = 2 · P = 0 · P3 2 = 1 · P = (0,36; 0,368; 0,272)

 ş.a.m.d. 3 = 2 · P = (0,285; 0,37; 0,345)
ş.a.m.d.
b) Determinarea modului în care procesul trece de
la o stare la alta
 Trecerea de la o stare la alta este reprezentată cu ajutorul matricei
de tranziţie P, formată din probabilităţile de tranziţie pij.
 Cu ajutorul matricei de tranziţie se poate determina probabilitatea
de trecere de la o stare la alta a sistemului, după un anumit număr de
perioade, prin înmulţirea acesteia cu ea însăşi.
 Dacă matricea de tranziţie rămâne neschimbată, atunci matricea
probabilităţilor de tranziţie după două perioade este egală cu
P*P =P2.
 Pentru matricea din studiul de caz:

Fie un cumpărător care la momentul t=0 a cumpărat produsul A1.
Probabilitatea totală ca utilizatorul produsului A1 la momentul t=0
să aleagă din nou A1 după două perioade (cumpărături) este:
= p11*p11 + p12*p21 + p13*p31 = 0,36 + 0,03 +0,01 = 0,40
 (informatia se poate citi in matricea ridicata la puterea a doua).
 Probabilitatea totală ca utilizatorul unui produs sa cumpere acelasi produs sau
alt produs dupa 3 perioade se gaseste in matricea la puterea a treia, s.a.m.d.
concurenţiale (St caz 3, carte Modelare economică, 2009, pg. 90)
c) Determinarea stării staţionare
(engl. „steady state”).
 Dacă matricea P este aceeaşi un număr mare de perioade t,

t+1, t+2, ..., t+n, atunci se va observa că vectorul de stare αn
tinde către un vector linie constant care reprezintă starea
staţionară sau de echilibru.
 Starea staţionară arată cotele de participare pe piaţă ale
produselor concurenţiale pe care firmele le pot obţine ca
urmare a unei politici de marketing (care a determinat
matricea curentă a probabilităţilor de tranziţie P).
 Pt. modificarea acestei stări este necesară modificarea
matricei de tranziţie, adică modificarea politicii de marketing
a firmei.
 Pentru studiul de caz, starea de echilibru a celor trei produse
este obţinută cu programul informatic WINQSB prin
opţiunea Solve and Analyze/ Solve Steady State sau cu QM for
Windows prin Solve.
d)Determinarea timpului mediu de revenire la o
anumită stare (engl. recurrence time)
 Nu se poate calcula în cazul proceselor cu stări absorbante,
deoarece dacă se intră într-una din stările absorbante nu se mai
poate ieşi din aceasta pentru a reveni la o anumită stare. Astfel, se
va calcula numai timpul mediu până la absorbţie.
 Dacă nu există stări absorbante (cazul produselor concurente) se va
calcula timpul mediu necesar procesului pentru a se întoarce la o
anumită stare pe baza probabilităţilor din vectorul de distribuţie al
stării staţionare: ti = 1/ αik ,
unde: ti - timpul mediu de revenire la starea i; αik este probabilitatea
stării i în vectorul de distribuţie al stării staţionare.
Pt. Studiul de caz rezolvat cu WINQSB/ Mkp:

State Name State Probability Recurrence Time
1 A1 0,1899 5,2667
2 A2 0,3544 2,8214
3 A3 0,4557 2,1944
 Explicaţi scopul şi semnificaţia probabilităţilor de tranziţie şi a probabilităţilor

iniţiale în modelul lanţurilor Markov folosit pentru a analiza evoluţia pe piaţă a
produselor concurenţiale.
 Explicaţi cum poate fi utilizată curba vieţii produselor pentru a determina
indicatorii ofertei de mărfuri.
 Folosind terminologia specifică proceselor Markov, explicaţi cum se poate
modifica starea staţionară a unor produse concurenţiale.
 Explicaţi care sunt proprietăţile matricei probabilistice de trecere de la o stare
la altă stare în cazul lanţurilor Markov.
21
Modelarea Deciziilor Manageriale
Modelarea proceselor decizionale în conditii de
incertitudine si risc
1. Conceptul, structura si elementele procesului de decizie

2. Decizii în condiţii de incertitudine
3. Decizii în condiţii de risc
3.1. Metoda valorii aşteptate
3.2. Valoarea informatiei perfecte
3.3. Arbori decizionali
1
Obiective ale UI
Prin parcurgerea acestei UI veţi acumula cunoştinţe despre:
 structura modelelor de decizie în condiţii de risc şi incertitudine;

 criteriile de decizie în condiţii de incertitudine;
 principalele metode de decizie în condiţii de risc: metoda valorii
aşteptate şi a arborelui de decizie;
 modul de determinare a valorii informaţiei perfecte ce poate
schimba natura procesului decizional;
2
1. CONCEPTUL SI STRUCTURA
SISTEMULUI DE DECIZIE
DECIZIA - alegerea rationala intre mai multe variante în scopul
atingerii unui anumit obiectiv.
FAZELE PROCESULUI DE DECIZIE (Herbert Simon, 1982):
Definirea problemei
Analiza informatiei disponibile
Dezvoltarea solutiilor alternative
Alegerea variantei decizionale
Implementarea soluţiei alese.
ELEMENTELE PROCESULUI DECIZIONAL:

Obiectivul sau obiectivele deciziei
Decidentul (individual sau colectiv)
Multimea variantelor decizionale (alternativele, strategiile)
Multimea stărilor naturii (manifestări ale mediului ambiant decizional)
Mulţimea criteriilor decizionale
Categorii de situaţii decizionale:
CONDITII DE CERTITUDINE:
Ex: Metode de Programare Matematica
CONDITII DE RISC:
Metode Probabilistice, Metoda valorii
asteptate, Metoda arborelui de decizie….
CONDITII DE INCERTITUDINE:
Crit. Maxmax, Crit. Maxmin, Crit. Laplace,
Crit. Savage, Crit. Hurwicz
CONDITII DE CONCURENTA:
Teoria jocurilor
Elementele procesului decizional pot fi reprezentate matriceal -
Matricea decizională (tabelul consecinţelor decizionale)
1 2 ...n
STĂRILE NATURII N1 N2 ...Nn
PROBABILITĂŢI P1 P2 ...PN
V1 C11 C12 C1N

V2 C21 C22 C2N
.
. .
VARIANTE .... .
DECIZIONALE . .
. .
. .
Vm CM1 CM2 Cmn
Cum se calculează consecinţele Prin estimari

Prin utilizarea valorilor obtinute
decizionale Cij ? în trecut
Prin simulări
Analiza pentru fundamentarea deciziilor în condiţii de
incertitudine şi risc urmează etapele metodei ştiinţifice de
cercetare:
• definirea completă şi corectă a problemei (operaţie dificilă
din cauza caracterului vag dat de lipsa unor informaţii);
• stabilirea alternativelor de acţiune şi a caracteristicilor lor,
fără a fi neglijate cele satisfăcătoare care par puţin
probabile;
• stabilirea tuturor şirurilor de evenimente aleatoare sau a cât
mai multor evenimente asociate unei alternative;
• evaluarea consecinţelor la finele unui astfel de şir de
evenimente;
Etapele metodei ştiinţifice de cercetare:
• evaluarea probabilităţilor de manifestare a fiecăruia dintre

rezultatele potenţiale (probabilitati asociate starilor naturii);
• ierarhizarea variantelor decizionale, respectiv realizarea
unui clasament al acestora elaborat printr-o metodă
adecvată de analiză monocriterială sau multicriterială;
• analiza senzitivităţii clasamentului în mulţimea
alternativelor de acţiune,
• analiza finală a rezultatelor şi luarea deciziei. Este
important să se sublinieze evenimentele potenţiale cu cea
mai mare influenţă asupra rezultatelor aplicării fiecărei
variante decizionale.
 Asemănarea bazei informaţionale a problemelor de decizie
cu cea a jocurilor strategice a condus la utilizarea denumirii
de “jocuri contra naturii”, în care “jucătorul uman”
(decidentul) alege din strategiile formulate pe cea care îi
permite satisfacerea obiectivului/obiectivelor.
 În contrast cu decidentul uman, intervine în locul celui de al
doilea jucător “natura” (căruia nu i se poate atribui un scop
bine precizat şi nici proprietatea de a întreprinde acţiuni
conştiente şi dirijate în sens teleologic) cu “stările”
identificate corespunzătoare coloanelor matricii cu
consecinţe decizionale.
 In aceste jocuri strategice, deşi este posibilă cunoaşterea
strategiilor posibile ale adversarului (natura), nu se cunoaşte
preferinţa acestuia pentru o strategie sau o combinaţie de
strategii şi nu se presupune existenţa unei strategii de tipul
minmax sau maximin.
 Faptul că în jocurile cu natura există un singur jucător

raţional (şi nu cel puţin doi, cum este cazul cel mai frecvent
al jocurilor strategice cu sumă nulă) face ca fundamentarea
deciziei să se bazeze pe alte criterii de alegere decât în
jocurile cu parteneri raţionali.
 În procesul de alegere a unei variante decizionale, factorul
hotărâtor este atitudinea față de risc a decidentului. Aceasta
poate să fie: prudentă, riscantă, neutră.
 Pentru a se ţine cont de preferinţa decidentului pentru o
anumită variantă decizională se poate folosi conceptul de
utilitate.
 Noţiunea de utilitate a acţiunilor/variantelor decizionale (în
raport cu un scop) reprezintă un concept de primă importanţă
ce apare în studiul fenomenelor economice şi sociale, a
interacţiunii dintre diferite grupuri de indivizi raţionali.
 Utilitatea se exprimă prin valori între 0 și 1, o valoare mai
mare exprimând o preferință mai mare a decidentului pentru
varianta decizională respectivă.
Figura 1. Funcţie de utilitate liniară/ atitudine neutră

faţă de risc
u
v venit v
Figura 2. Funcţie de utilitate Figura 3. Funcţie de
utilitate convexă/ concava/
simpatie faţă de risc aversiune fata de risc
u u
u
u
v venit v
v venit v
Figura 4. Funcţie de utilitate
convexă – concavă/ simpatie şi aversiune
u
u2
u1
v1 v2 Venit V

2. DECIZII ÎN CONDIŢII DE
INCERTITUDINE
Pe baza matricei decizionale (în care NU se
cunosc probabilităţile de manifestare a stărilor naturii) se aplică:
• Criteriul maxmax (optimist)

• Criteriul lui Wald (prudent, pesimist, maxmin)
• Criteriul lui Laplace (al echiprobabilităţilor)
• Criteriul lui Savage (al minimizării regretelor)
• Criteriul lui Hurwicz (optimalitatii)
Exemplu: Studiul de caz 17 (culegere ME).

Rezolvarea cu WINSB/Decision Analysis/Payoff Table Analysis sau EXCEL
INCERTITUDINE
Criteriul MAXIMIN: se recomandă alegerea variantei care aduce cel mai
mare profit (respectiv cea mai mică pierdere posibilă, în cazul consecinţelor
de tip costuri) în cea mai defavorabilă stare a naturii.
Ptr. consecinte de tip profit, varianta optima: V*= max ( min cij 
i 1,...,m j 1,...,n
Criteriul MAXMAX: se recomandă alegerea variantei care aduce cel mai

mare profit (respectiv cea mai mică pierdere posibilă, în cazul consecinţelor
de tip costuri) în cea mai favorabilă stare a naturii.
Ptr. consecinte de tip profit, varianta optima: V*= imax ( max cij 
1,...,m j 1,...,n
Criteriul echiprobabil - Laplace: se recomandă alegerea variantei care aduce

cea mai mare valoare medie a profiturilor (respectiv cea mai mică valoare medie
a pierderilor), în ipoteza că toate stările naturii au aceeaşi probabilitate de apariţie.
Ptr. consecinte de tip profit, varianta
n
optima:
V* = imax ( Cij  pj), cu pj=1/n (n= nr de stari ale naturii)
1,...,m
j 1
INCERTITUDINE
Criteriul SAVAGE: se recomandă alegerea variantei care să aducă cel mai mic
regret posibil, prin regret înţelegându-se utilitatea pierdută ca urmare a
selectării unei alte variante decizionale decât cea optimă, în condiţii de
informaţie completă.
Regretul Rij = diferenţa dintre rezultatul variantei optime pentru o anumită stare a
naturii şi rezultatul unei alte decizii:
Rij = max Cij  Cij pt. i = 1, ..., m; j = 1, ..., n
i 1,...,m
Ptr. consecinte de tip profit, varianta optima: V*= min ( max Rij)
i 1,...,m j 1,...,n
Criteriul lui HURWICZ (1951): Ptr. coeficientul de optimism  [0, 1] ales de

decident se determină: V*= imax [(max Cij)  (1  )( min Cij)]
1,...,m j1,...n j1,...,n
(Ptr. consecinte de tip profit)
Discuţie:
 Pentru  0 criteriul Hurwicz devine echivalent cu criteriul prudent (Wald)
 Pentru  1 criteriul Hurwicz devine echivalent cu criteriul optimist
Pot exista valori Є [0, 1] care să conducă la surclasări diferite ale variantelor.
Studiul de caz 17 p. 106 din lucrarea Modelarea economica. Studii de
caz. Teste, autori: Raţiu-Suciu, C., Luban, F., Hîncu, D., Ciocoiu, N.,
Editura ASE, Bucureşti, 2007
Problema decizionala: Alegerea unei optiuni privind lansarea pe piaţă a unui nou
produs.
Identificare variante decizionale: 3 opţiuni de fabricare a produsului la fabricile
din filialele F1, F2, F3. Opţiunile se diferenţiază prin cheltuielile fixe pentru
desfăşurarea producţiei şi prin costul variabil unitar.
Identificare evenimente/stări ale naturii: 3 posibilități de acceptare a produsului
pe piaţă/stări ale naturii
S1 - acceptarea rapidă a produsului pe piaţă; vânzarea sa în cantitatea de 400 mii
bucăţi;
S2 - acceptarea produsului pe piaţă; vânzări în cantitate de 275 mii bucăţi;
S3 - vânzarea produsului să se facă numai în cantitatea de 150 mii bucăţi.
Matricea decizională – profituri:
Variante Stare S1 Stare S2 Stare S3
Probabilitati 0.2 0.5 0.3
filiala 1 2800 425 -1950
filiala 2 3000 500 -2000
filiala 3 3300 550 -2200
1. Decizia in conditii de incertitudine (nu se cunosc probabilitatile
asociate starilor naturii)
1. Decizia in conditii de incertitudine – rezultate obținute
 Recomandări de alegere a valorii coeficientului de optimism 

pentru regula/ criteriul Hurwicz şi surclasarea (ierarhizarea)
variantelor decizionale pentru valorile coeficientului de optimism
  [0, 1] se poate realiza in două feluri:
1. prin utilizarea programului informatic QM for Windows modulul Decision
Analysis si analiza rezultatelor obtinute in tabelul Hurwicz Table: in tabel se poate
observa intre ce valori ale lui  o anumita varianta se situează pe locul intai, care
este pe locul doi si care pe locul trei, etc. (ex. In studiul de caz exemplificat, ptr. 
 [0; 0,21), ordinea variantelor este V1/V2/V3, s.a.m.d.)
2. Se aplica formula de calcul a lui Hurwicz pentru cele 3 variante considerând 
necunoscută; se egalează două câte două variantele si se obțin 3 valori ale lui . In
acest fel se identifica patru subintervale de valori pentru . Se alege arbitrar câte o
valoare pentru  în fiecare subinterval, se rulează problema in Winqsb/Decision
Analysis sau QM for Windows/Decision Analysis pentru fiecare valoare aleasă si
se analizează care este ordinea de preferință a variantelor pe fiecare subinterval.
INCERTITUDINE
Consecinţe de tip costuri:
Criteriul Wald:
min i max j Cij  V* , pentru i =1,…,m; j = 1,…,n.
Criteriul n
Laplace:
min ( Cij  pj)  V* , pentru p =1/n (n=nr de stari ale naturii)
i 1,...,m j
j 1
Criteriul Savage:
min i max j R ij  V* , unde R ij = Cij  min i Cij
Criteriul Hurwicz:
max i hi  V
hi =   min j Cij + (1 -  )  max j Cij ;   [0,1]
Criteriul Maxmax (devine Minmin):
mini min j Cij  V*
OBS: In WINQSB valorile in paranteze semnifica valori negative
3. METODE DE DECIZIE ÎN CONDIŢII
DE RISC
• Spre deosebire de deciziile în condiţii de incertitudine, deciziile în
condiţii de risc presupun cunoaşterea probabilităţii de manifestare a
stărilor naturii (măsura în care este posibil ca acestea să apară).
• Probabilitatea este o caracteristică obiectivă a evenimentelor şi ţine de
structura stochastică a proceselor şi fenomenelor. Studiul matematic al
probabilităţii este realizat de teoria probabilităţii.
• Definiţia clasică a probabilităţii afirmă ca aceasta este egală cu
„numărul de evenimente favorabile împărţit la numărul total de
evenimente posibile”.
• Natura informaţiilor, cantitatea lor şi încrederea în aceste informaţii
influenţează tipul de probabilitate utilizat.
• Alocarea de probabilităţi pentru diferite stări ale naturii se poate face
pe baze ştiinţifice (folosind metode din statistică şi de teoria
probabilităţii) sau în mod subiectiv (prin extrapolarea unor concluzii
elaborate prin experienţe de succes trecute, ori intuitiv, prin supoziţii /
prin metode de consultare a experţilor).
3. METODE DE DECIZIE ÎN CONDIŢII DE
RISC
3.1. Metoda valorii asteptate
 În cazul în care decidentul are o atitudine neutră faţă de risc

pentru alegerea variantei decizionale se poate aplica metoda
valorii aşteptate (speranţa matematică):
 Pentru fiecare variantă Vi se determină valoarea aşteptată
(speranţa matematică) venitului:
Ei = pentru i = 1, ..., m
 Se alege varianta V* corespunzătoare valorii aşteptate

maxime a venitului (sau minime a cheltuielilor):
max {E1, E2, ..., Em} => V*
2. Decizia in conditii de risc (se cunosc probabilitatile asociate starilor naturii)
Metoda de decizie in cond de risc

3. METODE DE DECIZIE ÎN CONDIŢII DE RISC
 Riscul decizional poate fi redus prin obţinerea unor informaţii

suplimentare.
 In condiţiile în care se specifică probabilităţile stărilor naturii se pot utiliza
informaţii suplimentare pentru creşterea gradului de încredere în estimările
făcute asupra consecinţelor decizionale. Această opţiune este luată în
considerare după ce a fost recomandată decizia pe baza criteriului celei mai
mari speranţe matematice / valori aşteptate.
 Informaţia suplimentară obţinută pe bază experimentală permite revizuirea
probabilităţilor stărilor naturii şi ajută la identificarea strategiei optime de
luare a deciziei. Evident, în practică, această informaţie nu este perfectă.
 Există totuşi, contexte în care se pot obţine mai multe informaţii relevante
şi necesare prin intermediul firmelor de testare a pieţei, de analiză şi
previziuni economice care execută servicii de informare. Există o cerere
pentru asemenea servicii de către organizaţii care plătesc pentru informaţii
cu o marjă rezonabilă de acurateţe.
 Presupunând că ar exista un indice al gradului de acurateţe pe care trebuie

să îl manifeste o informaţie pentru a fi cumpărată, este posibil calculul
valorii informaţiei imperfecte, respectiv a celei perfecte.
 Valoarea informaţiei perfecte (VIP) este dată de diferenţa dintre profitul
estimat a fi obţinut în condiţiile cunoaşterii complete a informaţiilor şi
valoarea estimată a câştigurilor fără cunoaşterea perfectă.
 Rolul informaţiei perfecte este dat de posibilitatea (teoretică) de a
preschimba situaţia decizională dintr-una în condiţii de risc într-una în
condiţii de certitudine.
 Evident, se pune problema comparării beneficiilor achiziţionării informaţiei
perfecte cu mărimea costului ei.
 VIP reprezintă limita superioară a costului (C) pe care un decident este
dispus să îl plătească pentru a cumpăra informaţia perfectă.
 dacă VIP>C se recomandă achiziţionarea informaţiei adiţionale;
 dacă VIP<C, în mod raţional, nu se recomandă achiziţionarea informaţiei adiţionale
RISC
Valoarea aşteptată a informaţiei perfecte:
= valoarea aşteptată a - valoarea aşteptată

in cond cunoasterii inf perfecte fără informaţie adiţională
n n
=  p ( max Cij) -
j1
j
i 1,...,m
max (  p jCij)
i 1,...,m
j1
– se va realiza un studiu de specialitate pentru obţinerea unor informaţii

suplimentare referitoare la stările naturii (nivelul cererii, nivelul
preţurilor de vânzare etc.) numai dacă acest studiu va costa mai puţin
decât valoarea aşteptată a informaţiei perfecte
– Pentru St. de caz 17 (in conditii de risc):
• valoarea aşteptată fără informaţie adiţională = valoarea aşteptată maximă = 275 u.m.
• valoarea aşteptată cu informaţie perfecta = 3300*0,2+550*0,5+(-1950*0,3)=350 u.m.
• valoarea aşteptată a informaţiei perfecte = 350 – 275 = 75 u.m.
RISC
3.3. Metoda arborelui de decizie
 Se aplică la situaţiile decizionale de mare

complexitate, în care sunt implicate evenimente
aleatoare care se produc succesiv.
 este folosita în cazul unei succesiuni de decizii
intercondiţionate în timp.
 se bazeaza pe reprezentarea grafica a tuturor
combinatiilor posibile de variante decizionale si
stari ale naturii corespunzatoare fiecǎrui
moment de timp sub forma unei diagrame
formata din: noduri şi ramuri
Tipuri de noduri:
 Noduri de decizie - D
 Noduri de tip incertitudine - C sau E
 Noduri de tip consecinta (noduri finale)
Tipuri de ramuri:
• Variante decizionale
• Stări ale naturii
Reguli :
 fiecare nod are un singur nod ascendent şi
unul sau mai multe descendente;
 algoritmul de rezolvare se bazează pe
procedura “roll-back”: calcularea valorii
tuturor nodurilor de la cele finale către cele
iniţiale şi apoi selectarea deciziei optime
începând de la nodul iniţial către cele finale.
Nodurile de tip decizie (D)

Ramuri = variantele decizionale:
- pornesc din noduri de tip D si ajung în noduri
de tip eveniment (C) sau în noduri terminale
Noduri de incertitudine (C)

Ramuri = stări ale naturii (au probabilităţi asociate)
- pornesc din noduri de tip (C) si ajung în noduri de
tip decizie (D) sau în noduri terminale
Reprezentarea arborelui de decizie - exemplu
Piaţă foarte favorabilă
5 45
(0,35)
E
V1: Lot 1000 Piaţă mediu favorabilă
2 6 25
(0,40)
24,25 Piaţă nefavorabilă
-6
= 45*0,35+25*0,4+ (0,25)
7
(-6)*0,25
8 30
(0,35)
D E
1 9 28
3 (0,40)
24,25 21,20 Piaţă nefavorabilă

10 -2
(0,25)
= max (24,25; 21,20; 13,75)

11 20
(0,35)
E
4 12 15
(0,40)
13,75 Piaţă nefavorabilă
13 3
(0,25)
Cerinţe la construirea arborelui:
1.valoarea nodurilor de incertitudine (în care natura „face”

alegerea) să depindă numai de evenimentele viitoare şi nu
de deciziile precedente;
2.succesiunea proceselor decizionale la diferite momente de
timp face ca deciziile intermediare să fie condiţionate de
rezultatele estimate ale deciziilor finale (la ultimele procese
decizionale reprezentate în arbore);
3.decizia iniţială (corespunzătoare primului nod de decizie)
depinde de efectele cumulate ale tuturor deciziilor
intermediare şi finale.
Etape de rezolvare:
1. definirea problemei decizionale, a evenimentelor posibile
care condiţionează probabilistic consecinţele ale
fiecărei alternative decizionale
2. reprezentarea grafică a nodurilor decizionale, a
variantelor decizionale şi evenimentelor care
influenţează consecinţele acestora sub forma unui
arbore stilizat, cu un număr variabil de ramificaţii,
corespunzător variantelor şi evenimentelor abordate.
3. determinarea consecinţelor decizionale aferente fiecărei
variante condiţionate de probabilitatea de apariţie şi
manifestare a evenimentelor respective
4. determinarea probabilitatilor de aparitie şi manifestare a
evenimentelor
5. calculul valorii nodurilor începând de la cele finale către

cel iniţial:
Valoarea unui nod Eveniment / „Chance” C:
= valoarea medie probabilistă
n
sau valoarea asteptată =  pj  Cij
j 1
Valoarea unui nod tip decizie (D):

MAXIM dintre valorile nodurilor de la sfârsitul ramurilor
de decizie care pornesc din nodul respectiv , sau
MINIM dintre valorile nodurilor de la sfârşitul ramurilor
de decizie care pornesc din nodul respectiv
6. alegerea variantei optime.
Se realizează pe baza analizei comparative a speranţelor

matematice determinate în etapa precedentă.
Speranţa matematică cu valoarea cea mai mare/mică
indică decizia optimă.
Găsirea unei soluţii „optime” este echivalentă cu
alegerea unui drum complet în arbore, pornind de la
nodul iniţial şi parcurgând ramurile arborelui până la
nodurile finale.
Studiul de caz 7 carte ME -arbore nesimetric
 Comentaţi criteriile Wald si Hurwicz în cazul surclasării unor

strategii decizionale în funcţie de coeficientul de optimism .
 Explicaţi care este relaţia dintre atitudinea faţă de risc a
decidentului şi criteriile de decizie în condiţii de risc şi
incertitudine.
 Explicaţi conţinutul şi relevanţa indicatorului VIP (valoarea
informaţiei perfecte) pentru modelul decizional in conditii de risc.
 Explicati modul de rezolvare si, respectiv, cel de citire a solutiei
in cazul metodei arborelui decizional.
39
Modelarea proceselor decizionale
multicriteriale
• Obiective ale UI
1.Multicriterialitatea în activitatea de management: componente ale
modelelor de decizie, optimizarea multiatribut versus optimizarea
multiobiectiv, caracteristici ale modelelor de decizie multiatribut
2.Decizii mutiatribut în condiții de certitudine: tipuri de solutii, metode,
conceptul de utilitate in multicriterialitate, metoda utilităţii globale
maxime
3. Decizii mutiatribut în condiții de risc
• Teste de autoevaluare 1
Obiective ale UI
Prin parcurgerea acestei UI veţi acumula cunoştinţe despre:
 Caracteristicile şi elementele problemelor de decizie

multicriteriale;
 Diferentele dintre optimizarea multiatribut si optimizarea
multiobiectiv.
 Principala metoda de fundamentare a deciziilor multicriteriale:
metoda utilităţii globale maxime.
2
1. Multicriterialitatea în activitatea de
management
 Situaţiile decizionale multicriteriale se regăsesc, în prezent, în fiecare aspect
al vieţii cotidiene.
 Fundamentarea complexă a deciziilor impune folosirea mai multor criterii
decizionale, în special în firme, unde unul sau mai mulţi decidenţi iau decizii
ce vizează simultan mai multe obiective, adesea contradictorii.
 Cu toate că problemele decizionale multicriteriale şi metodele de rezolvare a
acestora cunosc o mare varietate, există o serie de concepte comune frecvent
utilizate (o parte specifice şi deciziilor monocriteriale) în cadrul acestui tip
de decizii, şi anume:
– Obiectivele, Scopurile,
– Criteriile de evaluare a variantelor decizionale,
– Atributele decizionale corespunzatoare fiecarei variante prin prisma fiecarui criteriu
– Ponderea criteriilor / Coeficienţii de importanţă acordaţi criteriilor,
– Variantele decizionale / Cursurile de acţiune / Strategiile de acţiune,
– Stările naturii şi probabilităţile de manifestare a acestora (daca problema se trateaza in conditii
de risc si incertitudine).
 Problemele în care se caută varianta decizională optimă în raport cu mai
multe criterii se numesc probleme de optimizare multicriterială.
 În cazul optimizării multicriteriale se tratează distinct:
– optimizarea multiatribut;
– optimizarea multiobiectiv.
1. Multicriterialitatea în activitatea de
management
Optimizarea multiatribut Optimizarea multiobiectiv
(ex. Metoda utilitatii globale maxime, (ex. Programarea scop, metoda
metoda TOPSIS, metoda Electre) functiei sinteza de utilitate)
• mulţimea alternativelor/  mulţimea soluţiilor posibile

variantelor de acţiune este finită; este infinită
• fiecare alternativă este  criteriile de decizie sunt
caracterizată de mai multe functii obiectiv care trebuie
atribute (exprimate cantitativ sau maximizate sau minimizate
calitativ) (metoda de programare scop =
• alternativa optimă aleasă este goal programming)
aceea care satisface cel mai bine  soluţia conduce la abateri cât
toate atributele mai mici faţă de scopurile
propuse prin funcţiile obiectiv
1. Multicriterialitatea în activitatea de management
Probleme de decizie multicriteriale (multiatribut) prezintă o serie de
caracteristici comune:
Atributele/criteriile multiple pot forma adesea ierarhii.
Apar conflicte între criterii: unele criterii luate în considerare
urmăresc maximizarea unor indicatori economici (de exemplu:
venitul total, producţia totală tec.), iar alte criterii urmăresc
minimizarea unor indicatori (de exemplu: costul total, timpul de
lucru, pretul de achizitie etc.).
Atributele pot sa fie hibride, respectiv:
 Pot exista atribute exprimate în unităţi de măsură diferite;
 Poate exista o mixtura de atribute cantitative si calitative;
 Poate exista o mixtura de atribute deterministe si probabiliste.
Există incertitudine în judecata experților, dar și referitoare la
unele atribute despre care nu exista suficientă informație.
1. Multicriterialitatea în activitatea de management
Probleme de decizie multicriteriale (multiatribut) prezintă o serie

de caracteristici comune:
Pentru alegerea variantei decizionale optime este necesară
ierarhizarea variantelor decizionale disponibile în raport cu toate
criteriile dorite. Dar, în general, o variantă optimă în raport cu un
criteriu este suboptimală în raport cu celelalte criterii. De aceea, se
caută varianta care realizează cel mai bun compromis pentru toate
criteriile.
În acest scop este uneori necesară transformarea valorilor
atributelor în mărimi care să permită atât compararea variantelor, cât
şi agregarea valorilor acestora. Aceasta marime comuna este utilitatea.
În condiţii de certitudine pentru deciziile mutiatribut se pot obține
diverse tipuri de soluții și se pot folosi diverse metode, printre care cele
bazate pe punctaj/scor al variantelor decizionale ocupă un loc
important.
2. Decizii mutiatribut în conditii de certitudine
 Baza informaţională a metodelor de decizie multiatribut se prezintă

într-un tabel (matrice) de forma Tab. 1.
c1 c2 cj cn
Criterii … …
Coef. de …….
k1 k2 ….. kj kn
importanţă .
Variante
V1 a 11 a 12 … a1j … a 1n
V2 a 21 a 22 … a2j … a 2n
…
…
… …
Vi a i1 a i2 … a ij … a in
…
…
…
Vm a m1 a m2 … a mj … a mn
 Problemele de decizie multiatribut nu pot avea o soluție concludentă sau

unică. Prin urmare soluțiile pot avea nume diferite, în funcție de natura
acestora:
1. Soluție ideală: care maximizează toate criteriile de maxim si le
minimizează pe toate cele de minim. O astfel de soluție nu există.
2. Soluție nedominată (sau dominantă): În cazul în care o soluție ideală
nu poate fi obținută, decidentul poate căuta soluții care nu sunt dominate
de restul soluțiilor. Ex: C1 C2 C3
O alternativă (soluție), este dominată în cazul
în care există alte alternative care sunt mai bune V1 3 -2 1
decât soluția respectivă pe cel puțin un atribut și V2 3 -1 2
la fel de bună ca aceasta pe restul atributelor. V3 2 -2 0
O alternativă este numită nedominată (dominantă) V4 3 -1 0
în cazul în care nu este dominată de celelalte alternative.
Ex.: V3-dominată; V2-dominantă (nedominată)
 Problemele de decizie multiatribut nu pot avea o soluție concludentă sau

unică. Prin urmare soluțiile pot avea nume diferite, în funcție de natura
acestora:
3. Soluții satisfăcătoare: reprezintă un subset redus al soluțiilor fezabile

cu fiecare alternativă depășind toate criteriile așteptate. O soluție
satisfăcătoare poate sa nu fie o soluție non-dominată. O soluție
satisfăcătoare depinde de nivelul așteptărilor decidenților.
4. Soluție preferată: este o soluție non-dominată ce satisface cel mai bine
așteptările decidentului.
 Metode de decizie multicriteriale:

1. Necompensatorii: nu permit compromisuri între atribute. O valoare
nefavorabila a unui atribut nu poate fi compensată de o valoare
favorabilă la alte atribute. Prin urmare, comparațiile sunt făcute atribut
cu atribut. Metodele din această categorie sunt creditate pentru
simplitatea lor; pot exista domenii de aplicare în care metodele
enumerate sunt rezonabile, dar ele nu sunt foarte utile pentru procesul
decizional în general.
- Metoda dominanței
- Metoda maximin
- Metoda maximax
- Metoda de constrangere conjunctiva
- Metoda de constrangere disjunctiva
 Metode de decizie multicriteriale:

2. Compensatorii: permit compromisuri între atribute. O
ușoară scădere într-un singur atribut este acceptabilă dacă
este compensată de unele îmbunătățiri la unul sau mai
multe atribute. Metodele compensatorii pot fi clasificate în
următoarele 4 subcategorii:
- Metode pe bază de punctaj/scor

- Metode ale compromisului (ex. TOPSIS)
- Metode ale concordanței
- Abordarea cu raționament probatoriu (engl. Evidential
Reasoning Approach)
Metodele pe bază de punctaj/scor:

 Selectează sau evaluează o alternativă în conformitate cu scorul său global.
Un scor subiectiv (de obicei cu valori intre 0 și 100) este atribuit pentru fiecare
criteriu de decizie corespunzator fiecarei variante. Acest scor este bazat pe
atractivitatea sa în comparație cu alte valori aferente aceluiasi citeriu, iar scorurile
ponderate sunt însumate.
O metoda foarte populara in aceasta categorie este metoda sumei ponderate
simple (engl. Simple Additive Weighting method) (cunoscută și ca metoda utilității
globale maxime). Această metodă transformă valorile atributelor într-o scară de
preferință comună, cum ar fi [0,1], astfel încât devin posibile comparații între
diferite atribute. In final se calculează scorul general al unei alternative decizionale
ca suma ponderată a utilităților cu coeficienti de importanta acordati criteriilor.
Procesul Analitic de Ierarhizare (AHP- Analytical Hierarchy Process) este o
altă metodă populară în această categorie. Această metodă calculează scorurile
pentru fiecare alternativă pe baza unor comparații pereche. Este foarte utilă în
stabilirea ponderilor criteriilor (coeficienților de importanță ai criteriilor). Se poate
aplica in Excel sau cu programul informatic Expert Choice.
 Utilitate este o mărime subiectivă folosită pentru a exprima preferința

decidentului în procesul decizional. Acest concept poate fi aplicat în cazul
existentei mai multor criterii de evaluare a variantelor decizionale pentru a face
posibilă compararea diferitelor evaluări, dar şi pentru a exprima atitudinea
decidentului faţă de riscul adoptării unei variante decizionale.
 Bazele utilităţii decizionale au fost puse de J. von Neumann şi O. Morgenstern
în lucrarea “Theory of Games and Economic Behaviour” (1944).
 J. von Neumann şi O. Morgenstern (1947) au fost primii care au considerat
utilitatea ca o cuantificare a preferinţelor, formulând primul sistem de axiome
pentru aceasta.
 Utilitatea se exprimă prin valori în intervalul [0,1], o valoare mai apropiata de 1
reprezentand o satisfactie mai mare pe care o resimte decidentul fata de acel
atribut al variantei decizionale.
Paşii metodei utilității globale maxime:
Pasul 1. Transformarea valorilor aij în utilităţi uij (care se înregistrează într-un

tabel asemănător cu tabelul nr.1).
a) Pentru fiecare criteriu Cj, j = 1,...,n, se determină valoarea minimă ajmin şi
valoarea maximă ajmax a atributelor decizionale;
b) În cadrul fiecărui criteriu se acordă utilitatea 1 celei mai “bune” valori aij şi
utilitatea 0 celei mai “mici” valori.
c) Pentru restul valorilor se calculează utilităţile uij:
aij  aj min
 În cazul criteriilor de maxim: uij =
aj max  aj min
aj max  aij
 În cazul criteriilor de minim: uij =
aj max  aj min
 Se obtine astfel matricea normalizata a atributelor/consecintelor
decizionale.
Paşii metodei utilității globale maxime:
Pasul 2. Stabilirea coeficienţilor de importanţă pt fiecare criteriu kj

(subiectiv de către decident sau folosind metoda AHP);
Pasul 3. Se calculează utilitatea globală UGi pentru fiecare var.

decizională Vi:
n
UGi =  k ju ij
j1
,
Pasul 4. Se alege varianta Vi* cu utilitatea globală maximă.
Pasul 5. Optional, se pot realiza analize de senzitivitate a solutiei la

modificarea coeficientilor de importanta acordati criteriilor.
Aplicatie practica: Selectarea unui autoturism

Criterii/Varian Sens
te decizionale Masina A Masina B Masina C Masina D
criteriu
Pretul (u.m.) 18100 16200 12500 14500 Min
Consum
mediu de
11 7.5 6.8 7.2
carburant
(litri/100 km) Min
Imbunatatiri De lux Peste medie Standard Standard Max
Nr. de usi 4 2 2 4 Max
Spatiu
foarte mare mare mediu mic
interior Max
Motorul (nr
6 4 5 6
cilindrii) Max
Aplicatie practica: Selectarea unui autoturism

Variante decizionale/ Coef. de
Criterii Masina A Masina B Masina C Masina D
importanta
Matricea utilitatilor
Pretul 0.00 0.34 1.00 0.64 0.3

Consum de carburant 0.00 0.83 1.00 0.90 0.2
Imbunatatiri 1 0.5 0 0 0.16
Nr. de usi 1.00 0.00 0.00 1.00 0.14
Spatiu interior 1 0.66 0.33 0 0.1
Motorul 1.00 0 0.50 1.00 0.1
Ierarhizarea Masina A Masina B Masina C Masina D
variantelor: 0.000 0.102 0.300 0.193
Masina D, Masina C, 0.000 0.167 0.200 0.181
Masina A, Masina B 0.160 0.080 0.000 0.000
Calculul
0.140 0.000 0.000 0.140

utilitatii
globale
0.100 0.066 0.033 0.000

0.100 0.000 0.050 0.100
0.500 0.414 0.583 0.614
3. Decizii multiatribut în conditii de risc
In conditii de risc se combina elementele de calcul specifice metodei valorii

asteptate cu cele ale metodei sumei ponderate simple.
Un exemplu in acest sens este modificarea algoritmului de determinare a variantei
decizionale optime în cazul arborilor decizionali multicriteriali:
- In prima etapa se construieste arborele de decizie si se identifica criteriile
decizionale, precum si consecintele economice asociate fiecarui criteriu.
- Stabilirea de către decident a coeficienţilor
r
de importanţă kj >0, pentru fiecare
criteriu j = 1, ..., r, astfel încât  kj = 1.
j 1
- Determinarea utilităţilor pentru consecinţele decizionale asociate nodurilor

finale, in concordanta cu sensul fiecarui criteriu (de max sau de min).
- Calculul utilităţilor de sinteză pentru fiecare nod final:
r
USi =  k j uij , pentru i=1,..,n.

j 1
- Evaluarea arborelui decizional de la nodurile finale spre nodul iniţial pentru a

determina varianta corespunzătoare utilităţii de sinteză maxime.
- Se poate completa cu analiza senzitivităţii soluţiei la modificarea coeficienţilor
de importanţă stabiliţi de decident pentru fiecare criteriu.
Aplicatie practica: Arbore decizional cu doua criterii de decizie
Studiul de caz 8, carte ME, p.151
Criteriul Criteriul
Vari Profit (max) Durata (min) Utilitate
 O societatea comercială Nod
anta Valoar Valoar sinteză
u1 u2
intenţionează să lanseze pe e e
piaţă un nou model de 4 1 400 1 45 0,19 0,60
225 0,5 48 0,12 0,31
storcător de fructe. 2 160 0,31 37 0,39 0,35
Compararea diferitelor 90 0,11 40 0,31 0,21
variante de acţiune se face
5 1 250 0,57 50 0,07 0,32
cu ajutorul a două criterii 125 0,21 53 0 0,105
de eficienţă, şi anume: 2 100 0,14 42 0,26 0,2
mărimea profitului 50 0 45 0,19 0,095
obţinut (maxim) şi 6 1 400 1 20 0.8 0,9
durata necesară 225 0,5 23 0,73 0,61
ajungerii produsului pe 2 160 0,31 12 1 0,65
piaţă (minima); fiecărui 90 0,11 15 0,92 0,51
7 1 250 0,57 25 0,68 0,62
criteriu i se acordă 125 0,21 28 0,6 0,405
coeficientul de 2 100 0,14 17 0,87 0,505
importanţă 0,5. 50 0 20 0,8 0,4
Aplicatie practica: Arbore decizional cu doua criterii de decizie
Studiul de caz 8, carte ME, p.151
 Daţi un exemplu practic în care se utilizează metoda utilităţii

globale maxime.
 Explicaţi de ce este necesară înlocuirea valorilor consecinţelor
economice concrete cu utilităţi, în cazul arborilor decizionali cu
mai multe criterii de decizie.
 Explicaţi care este rolul utilității în deciziile multicriteriale.
 Prezentați asemănările și deosebirile dintre deciziile multiatribut
și cele multiobiectiv
21
Modelarea structurii sortimentale a firmei cu modele de
programare (cu una şi cu mai multe funcţii obiectiv)
•Obiective ale UI
1. Optimizarea modelelor de programare de tip liniar (cu variabile numere

reale/continue): exemplu pentru modelarea structurii sortimentale
2. Formularea cazului general de postoptimizare
3. Alte aplicații practice ale programării liniare
4. Optimizarea modelelor de programare de tip liniar cu variabile
numere intregi
5. Programarea multidimensionala/multiobiectiv
•Teste de autoevaluare 1
Obiective ale UI
Prin parcurgerea acestei UI veţi învăţa despre:
 Structura unui model de programare liniară (în numere reale şi în
numere întregi) şi modul în care acesta se poate utiliza pentru
determinarea structurii sortimentale optime a unei firme;
 Rolul postoptimizării în problemele de programare a structurii
sortimentale şi posibilităţile de analiză oferite de aceasta.
 Cum se pot rezolva problemele de programare liniară și
programare scop în sistem conversaţional, cu produsele
informatice WINQSB, QM for Windows si Excel, şi cum se
intereprează rapoartele obţinute.
2
Introducere
 Multe decizii de management implică încercarea de a face mai eficientă utilizarea
resurselor (mașini, muncă, bani, timp, spațiu de depozitare, materii prime, etc.) unei
organizații. Aceste resurse pot fi utilizate pentru a face produse (cum ar fi mașini,
mobilier, alimente, îmbrăcăminte) sau servicii (ex: orare pentru companiile aeriene sau
de producție, politici publicitare sau decizii de investiții).
 Programarea liniară (LP) este o tehnica de modelare matematică utilizată pe scară
largă, concepută pentru a ajuta managerii în planificarea și luarea deciziilor în raport
cu alocarea resurselor.
 În ciuda numelui său, PL și categoria mai largă a tehnicilor numite de “programare
matematica” au foarte puțin de a face cu programarea informatica. În știința
managementului, programarea se referă la modelarea și rezolvarea matematică a unei
probleme. Problemele de PL sunt prea greoaie pentru a se putea rezolva cu mâna, de
aceea programele informatice dedicate sunt foarte utile.
 În ultimii 60 de ani, PL a fost aplicată pe scară largă pentru probleme militare,
industriale, financiare, de marketing, contabilitate, precum și de agricultură. Chiar
dacă aceste aplicații sunt diverse, toate problemele de PL au mai multe proprietăți și
ipoteze în comun.
1. OPTIMIZAREA MODELELOR DE PROGRAMARE
TIP LINIAR (cu variabile reale/continue)
 Fiind date n activităţi competitive şi m resurse limitate, se notează cu:
x1, x2,...,xn, nivelurile pe care le pot atinge fiecare din cele n activităţi =
variabilele de decizie ale problemei.
 Alegerea unei variante decizionale se realizează pe baza unor criterii
economice (profit, cost, încărcarea utilajelor etc.) exprimate prin funcţii
liniare de forma:
n
f(X) = c
j 1
j xj
Aceste funcţii vor fi maximizate sau minimizate în funcţie de obiectivul pe

care îl reprezintă. Ele se numesc funcţii obiectiv sau de eficienţă.
 Nivelul pe care îl poate atinge valoarea funcţiei obiectiv depinde de nivelul
resurselor disponibile şi de obligaţiile pe care organizaţia le are de
îndeplinit.
Aceste constrângeri la care sunt supuse variantele decizionale pot fi
exprimate matematic prin restricţii liniare.
 Metodele de rezolvare ale modelelor de programare liniară au la bază
algoritmul simplex construit de G. Dantzig
DE TIP LINIAR (cu variabile reale/continue)
 Forma generală a modelului de programare liniară este:
n
max (sau min) f(X) =  c jx j
j1
supusă la restricţiile:
AX  b (sau AX ≥ b)
X  0 (se mai numesc restricții/condiții de nenegativitate)
unde:
 X = vector coloană cu n componente x1, x2,...,xn, care reprezintă necunoscutele
modelului (variabilele decizionale);
 A, b, c sunt constantele modelului, considerate certe în perioada analizată;
 A = matrice cu m linii şi n coloane. Este numită matricea coeficienţilor tehnologici
aij, i = 1,...,m, j = 1,...,n;
 b = vector coloană cu m componente b1, b2, ..., bm, care sunt termenii liberi din
partea dreaptă a restricţiilor. Ei reprezintă disponibilul maxim dintr-o anumită resursă
sau nivelul minim care trebuie atins de anumite activităţi;
 c = vector linie cu n componente care reprezintă coeficienţii funcţiei obiectiv. Ei pot
fi costuri unitare, preţuri unitare, profituri unitare sau alţi indicatori de performanţă
care caracterizează variabilele de decizie.
TIP LINIAR (cu variabile reale/continue)
Orice problemă de programare liniară are două forme:

• forma primală
• forma duală.
 Prin rezolvarea uneia dintre ele se obţin soluţiile pentru ambele
forme.
 Rezolvarea în sistem conversaţional se poate efectua cu produse
informatice cum sunt:
WINQSB/ Lp – ilp,
QM for Windows/Linear Programming
SOLVER care este un instrument add-ins al Excel
DE TIP LINIAR (cu variabile reale/continue)
Prin rezolvarea modelului de programare liniară (forma primală) se obţin:
 Soluţia optimă, adică varianta decizională care duce la cea mai bună valoare a criteriului
de performanţă specificat prin funcţia obiectiv;
 Preţurile umbră (shadow price) asociate restricţiilor liniare:
• Preţurile umbră reprezintă valorile optime ale variabilelor duale;
• Preţurile umbră sunt folosite la analiza senzitivităţii soluţiei optime la variaţia vectorului b
al resurselor (termenii liberi ai restricţiilor liniare);
• Preţul umbră arată cu cât s-ar modifica valoarea funcţiei obiectiv dacă s-ar putea mări cu o
unitate disponibilul din resursa respectivă;
• Preţul umbră asociat unei resurse este valabil pentru un anumit interval de variaţie al
cantităţii disponibile de resursă;
• Preţul umbră este diferit de zero numai dacă restricţia asociată este verificată cu egalitate,
adică numai dacă resursa respectivă este folosită integral de către soluţia optimă.
 Costurile reduse (reduced cost) asociate restricţiilor de neneg. asupra variabilelor
decizionale:
• Costurile reduse sunt folosite pentru verificarea optimalităţii soluţiilor problemei de
programare liniară;
• Costul redus este diferit de zero numai dacă variabila asociată are valoarea zero în soluţia
optimă;
• Costul redus arată cu cât s-ar înrăutăţi valoarea funcţiei obiectiv dacă valoarea variabilei
asociate ar creşte de la 0 la 1.
Studiul de caz 4 ptr. Seminar (carte RSC, LF; HD, CN, Modelare economică, Ed. ASE,
2009, p. 100): Determinarea sructurii optime de productie pentru variabile numere reale
O societate comercială specializată în realizarea de ţesături urmează

să producă în luna următoare, pe baza studiilor de piaţă întreprinse,
trei tipuri de stofe: Stofa1, Stofa2 şi Stofa3.
Se doreşte stabilirea unui program optim de producţie în următoarele
condiţii:
1. Maximizarea venitului dacă preţurile de vânzare sunt: 57 u.m./metru

pentru Stofa1, 70 u.m./metru pentru Stofa2 şi 50 u.m./metru pentru
Stofa3;
2. Obţinerea unei producţii fizice de cel puţin 8000 metri (pentru care
există contracte ferme) şi cel mult 10000 metri;
3. Consumul din materia primă de import MI să nu depăşească
2400 kg, cunoscându-se consumurile specifice: 0,2 kg/metru Stofa1,
0,3 kg/metru Stofa2, 0,1 kg/metru Stofa3.
1. Modelul economico – matematic:

 Variabilele:
x1 = cantitatea din Stofa1,
x2 = cantitatea din Stofa2,
x3 = cantitatea din Stofa3
 Funcţia obiectiv: max (57x1 + 70x2 + 50x3)
 Restricţiile liniare:
x1 + x2 + x3  8000
x1 + x2 + x3  10000
0,2x1 + 0,3x2 + 0,1x3  2400
 Restricţiile referitoare la semnul variabilelor:
x1  0, x2  0, x3  0
Studiul de caz 4 (carte Modelare economică, Ed. ASE, 2009, p. 100): Determinarea
structurii optime de productie pentru variabile numere reale
2. Rezolvarea cu WINQSB/LP-ILP: Interval de

optimalitate
Decisi Solution Unit Total Redu Basis
on Value Cost Contribu ced Status Allowa Allowa
Varia or tion Cost ble ble
ble Profit Min. Max.
c(j) c(j) c(j)
1 X1 0 57 0 -3.00 at bound -M 60
2 X2 7000 70 490000 0 basic 64 150

3 X3 3000 50 150000 0 basic 44 70
Objective Function
640000
(Max)= Interval de
admisibilitate
Constrai Left Hand Directio Right Hand Slack Shadow Allowabl Allowable
nt Side n Side or Min. RHS Max. RHS
Surplus
Price
1 C1 10000 >= 8000 2000 0 -M 10000
2 C2 10000 <= 10000 0 40 8000 24000
4 C3 2400 <= 2400 0 100 1000 3000
2. FORMULAREA CAZULUI GENERAL DE
POSTOPTIMIZARE
După obţinerea soluţiei optime, înainte de implementarea practică a
acesteia, decidentul poate efectua:
 Modificarea simultană a cantităţilor disponibile din diferite resurse: duce la
reoptimizarea în raport cu vectorul b sau la parametrizarea vectorului
b al termenilor liberi;
 Modificarea simultană a mai multor costuri unitare (sau preţuri) duce la
reoptimizarea în raport cu vectorul c sau la parametrizarea vectorului c
al coeficienţilor funcţiei obiectiv;
 Modificarea consumurilor tehnologice: determină modificarea unor
elemente ale matricei coeficienţilor tehnologici şi duce la reoptimizarea în
raport cu matricea A;
 Asimilarea de produse noi determină introducerea unor variabile noi şi duce
la reoptimizarea în raport cu matricea A şi vectorul c;
 Apariţia unor noi resurse limitate determină adăugarea de noi restricţii şi
duce la reoptimizarea în raport cu matricea A şi vectorul b.
Aceste modificari se pot realiza prin:
Analize de senzitivitate, Reoptimizări, Parametrizări
POSTOPTIMIZARE
I. Analiza senzitivităţii soluţiei optime la variaţia coeficienţilor funcţiei
obiectiv
 Furnizează intervalul în care poate varia fiecare coeficient al funcţiei obiectiv, astfel
încât soluţia optimă primală (coloana Solution Value din WINQSB) să rămână
neschimbată.
 Intervalul asociat unui coeficient al funcţiei obiectiv pentru care soluţia problemei
rămâne optimă se numeşte interval de optimalitate (Coloanele Allowable Min c(j)
şi Allowable Max c(j) din WINQSB)
 Cunoscând soluţia optimă şi intervalul de variaţie al unui coeficient al funcţiei
obiectiv, în ipoteza că ceilalţi coeficienţi ai modelului nu se modifică, se poate
determina variaţia corespunzătoare a funcţiei obiectiv.
 Ex.: dacă preţul de vânzare pentru Stofa1 este mai mic de 60 u.m./metru atunci x1
= cantitatea realizată din Stofa1 va rămâne zero.
Creşterea de la 57u.m./metru la 58 u.m./metru a preţului de vânzare nu va genera
venit suplimentar deoarece (58 – 57)*0 = 0.
Dacă ceilalţi coeficienţi nu se modifică, dar se modifică de la 70 u.m./metru la 72
u.m./metru preţul asociat lui x2, deoarece 72 aparţine intervalului [64; 150], iar x2
= cantitatea optimă realizată din Stofa2 = 7000 metri, atunci venitul total va creşte
cu (72-70)*7000 = 14000 u.m., adică de la 640 000 u.m. la 654000 u.m.
POSTOPTIMIZARE
II. Analiza senzitivităţii soluţiei optime (primale si duale) la variaţia
termenilor liberi ai restricţiilor liniare
 Furnizează intervalul în care poate varia fiecare termen liber, astfel încât
soluţia optimă duală (vectorul preţurilor umbră) să nu se modifice.
 Intervalul asociat unui termen liber pentru care preţul umbră asociat rămâne
neschimbat se numeşte interval de admisibilitate pentru soluţia primalei.
(Coloanele Allowable Min RHS şi Allowable Max RHS din WINQSB).
 Cunoscând preţul umbră optim şi intervalul de variaţie al unui termen liber, în
ipoteza că ceilalţi coeficienţi ai modelului nu se modifică, se poate determina
variaţia corespunzătoare a funcţiei obiectiv.
 Ex.: preţul umbră de 100 u.m. asociat restricţiei C3 este valabil pentru variaţia
disponibilului b3 de materie primă de import MI între 1000 kg şi 3000 kg.
Dacă disponibilul de resursă creşte de la cantitatea curentă 2400 kg la 2500 kg,
atunci se va obţine un spor de venit = (2500 – 2400)*100 = 10000 u.m., adică venitul
total va fi de (640000 + 10000) = 650000 u.m.
De asemenea, dacă disponibilul de resursă scade de la cantitatea curentă 2400 kg la
2300 kg, atunci se va obţine o reducere de venit = (2300 – 2400)*100 = -10000 u.m.,
adică venitul total va fi de (640000 – 10000) = 630000 u.m.
POSTOPTIMIZARE
III.Reoptimizarea – se realizează în cazul modificării

coeficienţilor cj din funcţia obiectiv, în afara intervalelor lor
de optimalitate şi/sau modificarea termenilor liberi bi din
partea dreaptă a restricţiilor în afara intervalelor de
admisibilitate şi/sau modificarea unor coeficienţi din matricea
A.
Reoptimizarea pp. parcurgerea a două etape:

 Verificarea optimalităţii soluţiei curente în noile condiţii;
 Determinarea noii soluţii în cazul în care soluţia curentă
nu îndeplineşte condiţiile de optimalitate.
POSTOPTIMIZARE
IV. Parametrizarea – se face pentru analize de tipul „ce-ar fi

dacă?” în cazul în care coeficienţii cj ai funcţiei obiectiv sau
termenii liberi bi din partea dreaptă restricţiilor sunt funcţii
liniare de un parametru (-, +).
Parametrizarea pp. parcurgerea a două etape:

 Rezolvarea problemei pentru o valoare fixată a
parametrului;
 Studiul senzitivităţii soluţiei la variaţia parametrului.
Ex: Parametrizarea coeficientului c1 asociat variabilei x1 în

funcţia obiectiv (pret unitar al prod Stofa 1).
Parametric Analysis for LP Sample Problem -- Objective Function
Range From To From To Slope Leaving Entering

Coeff. Coeff. OBJ Value OBJ Value Variabl Variable
of X1 of X1 e
1 57.00 60.00 640000 640000 0 X3 X1
2 60.00 70.00 640000 700000 6000 X2 Slack_

C3
3 70.00 M 700000 M 10000
4 57.00 -M 640000 640000 0

M
900000
Valoarea functiei obiectiv
800000
700000 700000
640000
640000
640000
600000
-M
30 40 50 57 60 70 80 M
90
Coeficientul lui x1 din functia obiectiv
Ex: Parametrizarea termenului liber b3 asociat restricţiei C3 referitoare la

materia primă de import.
Parametric Analysis for LP Sample Problem - Right-Hand-Side
From To RHS From To Leaving Entering
RHS of C3 of C3 OBJ Value OBJ Slope Variable Variable
Value
1 2400 3000.00 640000 700000 100 X3 Slack_C3
2 3000 M 700000 700000 0
3 2400 1000 640000 500000 100 X2 Slack_C2
4 1000 800 500000 400000 500 Surplus_C

1
5 800 -Infinity Infeasible

3. ALTE APLICAȚII PRACTICE ALE PROGRAMARII
LINIARE
MODELE PENTRU PROBLEME DE AMESTEC

 Un produs final P are în componenţă sa produsele care trebuie
amestecate. Pj  j  1,..., n 
 Produsul P are caracteristici calitative impuse şi exprimate prin m
indicatori: I1, I2, ... Im, de mărime bi (i = 1, ..., m);
 aij – mărimea indicatorilor pentru fiecare produs (i = 1, ..., m); (j = 1,
..., n);
 Eh (h = 1, ..., r) – indicatori de eficienţă ai fiecărui produs cu mărimile
Chj (h = 1, ..., r); (j = 1, ..., n), care, după caz, vor fi maximizaţi sau
minimizaţi. n
 Modelul matematic general al problemei de amestec: opt  C hj x j
j1
Exemplu: care să fie cantitatea din fiecare ingredient n
ce intră în compoziția unui produs (variabilele),  a ij x j  b i
j1
astfel încât să se obțină un produs cu cost minim xj  0
(functia obiectiv), în condițiile respectării unor anumite
conținuturi în substanțe nutritive (restricțiile).
3. ALTE APLICAȚII PRACTICE ALE PROGRAMARII
LINIARE
MODELE DE CROIRE
Modelul general al problemei de croire:
min  c j x j
j
a ij x j  Ni
Notaţii: xj  0
aij - număr de piese/bucăţi de tip i care se debitează/taie/croiesc conform
soluţiei (tiparului) j;
cj – costul sau cantitatea deşeurilor rămase conform soluţiei j;
Ni - numărul de piese/bucăţi necesare de tip i;
Xj - numărul de suprafeţe debitate/croite conform soluţiei j.
Exemplu: care să fie numărul de țevi tăiate după fiecare tipar (variabilele),
astfel încât să se minimeze cantitatea de deșeuri rezultate (funcția
obiectiv), în condițiile obținerii unui anumit număr de țevi din fiecare
model și a respectării unor anumite tipare de croire (restricțiile).
DE TIP LINIAR (cu variabile numere întregi)
 În cazul produselor indivizibile (care se măsoară în bucăți), pentru

determinarea structurii optime de fabricaţie se pot utiliza modele de
programare liniară în numere întregi.
 Domeniul de admisibilitate al modelelor liniare cu variabile în numere
întregi este format dintr-un număr finit de puncte. Rezultă că numărul de
variante sau alternative decizionale este finit.
 Rezolvarea modelelor liniare cu variabile întregi se efectuează cu metode
de enumerare.
 Există două tipuri de metode de enumerare: explicită şi implicită.
 Din categoria metodelor de enumerare implicită face parte metoda
„Branch and Bound” adică „ramifică şi mărgineşte”.
 Procesul iterativ de rezolvare a unei probleme printr-o metoda de tip
„branch and bound” poate fi reprezentat printr-un arbore binar, în care
fiecare nod are un singur ascendent şi doi descendenţi direcţi.
DE TIP LINIAR (cu variabile numere întregi)
 Fiecare nod al arborelui binar reprezintă o problemă de programare
liniară fără restricţiile ca variabilele să fie întregi. Problemele asociate
nodurilor arborelui binar se rezolvă cu algoritmul simplex.
 Un nod se ramifică dacă soluţia problemei este neîntreagă şi nu există alt
nod cu soluţie întreagă şi cu valoare mai bună a funcţiei obiectiv.
 Pentru ramificarea unui nod, din soluţia problemei asociată acelui nod, se
alege o componentă xj cu valoare neîntreagă, xj = . Pornind de la această
variabilă se construiesc două probleme care generează două noduri
descendente:
 Problema pentru nodul stâng: prin adăugarea restricţiei xj  [], unde
[] este parte întreagă a numărului 
 Problema pentru nodul drept: prin adăugarea restricţiei xj  [] +1.
 Un nod NUse mai ramifică, adică devine margine, dacă:
 are soluţie întreagă;
 nu are soluţie admisibilă;
 are soluţie neîntreagă, dar există alt nod cu soluţie întreagă şi o
valoare mai bună a funcţiei obiectiv
Exemplu practic: Modelarea structurii de productie si a posibilitatilor de dezvoltare a
unei organizatii, cu variabile numere intregi
Studiul de caz 5 (carte Modelare economică, Ed. ASE, 2009, p. 124)

Firma Electro SA realizeaza 2 component electronice (F43 si F126) folosind 2 utilaje
(RX4 si LM43) si o grupa de montaj. Se doreste efectuarea unei analize pentru
determinarea progarmului zilnic de productie a celor 2 produse si a necesarului
suplimentar de utilaje LM43 si muncitori de montaj, in urmatoarele conditii:
- Maximizarea venitului zilnic total daca produsul F43 adduce un venit de 450 um/buc,
produsulo F126 adduce un venit de 700 um/buc, costul suplimentraii cu un util;aj
LM43 este de 90um/utilaj, iar celui al suplimentarii cu un muncitor este de 25
um/muncitor.
- Timpul necesar ptr realizarea produselor pe utilajul RX4 este de 5 ore/buc ptr F43 si 2
ore/buc ptr F126. Timpul maxim disponibil este de 24 ore.
- Timpul necesar ptr realizarea produselor pe utilajul LM43 este de 1.5 ore/buc ptr F43 si
5 ore/buc ptr F126, iar fondul de timp actual de 24 ore va creste cu 8 ore x nr. suplim
de utilaje.
- Timpul necesar ptr montarea produselor este de 5 ore/buc ptr F43 si 6 ore/buc ptr F126,
iar fondul de timp actual de 36 ore va creste cu 8 ore x nr suplim de muncitori.
- Nr suplimentar de utilaje LM43 nu trebuie sa depaseasca 2 utilaje, iar cel de muncitori
pt grupa de montaj nu trebuie sa depaseasca 4 muncitori.
Exemplu practic: Modelarea structurii de productie si a posibilitatilor de dezvoltare a
unei organizatii, cu variabile numere intregi
Studiul de caz 5 (carte Modelare economică, Ed. ASE, 2009, p. 124)
Modelul economico matematic

 Variabilele modelului
x1 = numărul de produse F43
x2 = numărul de produse F126
x3 = număr suplimentar de utilaje LM43
x4 = număr suplimentar de muncitori pentru grupa de montaj
 Funcţia obiectiv
Max (450x1 + 700x2 – 90x3 – 25x4)
 Restricţii
5x1 + 2x2  24
1,5x1 + 5x2  24 + 8x3  1,5x1 + 5x2 - 8x3 24
5x1 + 6x2  36 + 8x4  5x1 + 6x2 - 8x4 36
x3  2
x4  4
x1  0 şi întreg, x2  0 şi întreg, x3  0 şi întreg, x4  0 şi întreg

Exemplu practic: Modelarea structurii de productie si a posibilitatilor de dezvoltare a unei
organizatii, cu variabile numere intregi
Rezolvare cu WINQSB (7 iteratii), ex:

ITERATIA 1 ITERATIA 2
Decis Lower Upper Solutio Variabl Sta Decis Lower Upper Soluti Varia Statu
on Bound Bound n e Us on Bound Bound on Le Type s
Varia Value Type Varia Value
le le
1 X1 0 M 1.82 Integer No 1 X1 2.00 M 2.00 Integer Yes
2 X2 0 M 7.45 Integer No 2 X2 0 M 7.00 Integer Yes
3 X3 0 M 2.00 Integer Yes 3 X3 0 M 1.75 Integer No
4 X4 0 M 2.23 Integer No 4 X4 0 M 2.00 Integer Yes
Current OBJ(Maximize) = 5800.68 Current OBJ(Maximize) = 5592.50 >=

>= ZL = -M Non-integer ZL = -M Non-integer
ITERATIA 3
Decisio Lower Upper Solution Variable Status
Variable Bound Bound Value Type
1 X1 2.00 M 2.00 Integer Yes
2 X2 0 M 7.00 Integer Yes
3 X3 2.00 M 2.00 Integer Yes
4 X4 0 M 2.00 Integer Yes
Current OBJ(Maximize)= 5570.00 >= ZL = -M New incumbent
Exemplu practic: Modelarea structurii de productie si a posibilitatilor de dezvoltare a unei
organizatii, cu variabile numere intregi
Iteraţia 1
Z=5800,68
x1 = 1,82
x2 = 7,45
x3 = 2 x4 = 2,23
x1  1 x1  2
Iteraţia 5 Iteraţia 2
Z= 5612,50 Z=5592,50
x1 = 1 x1 = 2
x2 = 7,7 x2 = 7
x3 = 2 x3 = 1,75
x4 = 1,9 x4 = 2
x2  7 x2  8 x3  1 x3  2
Iteraţia 7 Iteraţia 6 Iteraţia 4 Iteraţia 3

Z=5175 Z=5382,50 Z=4967,95 Z=5570
x1 = 1 x1 = 0 x1 = 2,55 x1 = 2
x2 = 8
x2 = 7 x3 = 2
x2 = 5,64 x2 = 7
x3 = 1,56 x4 = 1,5 x3 = 1 x3 = 2
x4 = 1,38 x4 = 1,32 x4 = 2
Soluţie neadmisibilă
Soluţia optimă
5. PROGRAMAREA LINIARĂ
MULTIDIMENSIONALĂ/ MULTIOBIECTIV
Forma generală a problemei de programare liniară cu mai multe funcţii

obiectiv:
Optimum F(x) = Cx
cu restricţiile:
Ax  b
x  0,
unde: F(x) = vector coloană cu r componente f1(x), f2(x),...,fr(x), care
reprezintă funcţiile obiectiv prin care sunt exprimate criteriile de
evaluare a variantelor decizionale.
Metode:
 Metoda maximizării unei funcţii sinteză de utilitate
 Metoda programarii scop (Goal Programming)
METODA MAXIMIZĂRII UNEI FUNCŢII SINTEZĂ DE UTILITATE
 Pentru determinarea unei soluţii care realizează cel mai bun compromis
pentru toate funcţiile se va construi o funcţie sinteză a tuturor funcţiilor
obiectiv numită funcţie sinteză de utilitate.
 Funcţia sinteză de utilitate se obţine prin transformarea funcţiilor

obiectiv f1(x), f2(x), ..., fr(x), cu semnificaţii economice concrete, în
funcţii de utilitate care pot fi însumate.
 Prin maximizarea funcţiei sinteză de utilitate în raport cu restricţiile

problemei (folosind algoritmul simplex) se obţine soluţia de compromis
cu utilitate maximă.
Pentru înțelegerea modelului se poate consulta exemplul practic din cartea Rațiu-
Suciu C, Luban F, Hincu D, Ciocoiu N, Modelare Economică, Ed ASE, 2009, St
caz 10, p. 165-167
METODA PROGRAMARII SCOP
PS - o metodă de rezolvare a problemei de programare liniară cu mai multe funcţii
obiectiv.
Metoda PS a fost propusă şi dezvoltată sub denumirea de "Goal Programming" de
A. Charnes şi W. Cooper.
Obiectivul programării scop: găsirea unei soluţii care verifică restricţiile Ax  b,
x0 şi care conduce la abateri cât mai mici faţă de scopurile propuse prin
funcţiile obiectiv.
Ideea de bază a metodei constă în transformarea tuturor funcţiilor obiectiv în
„restricţii scop” prin:
– specificarea pentru fiecare funcţie obiectiv a unui nivel de aspiraţie sau scop;
– definirea pentru fiecare scop a unei perechi de variabile de abatere sau
deviaţie:
• deviaţia în plus faţă de scopul propus;
• deviaţia în minus faţă de scopul propus.
Nivelurile de aspiraţie sau scopurile pot fi:
– stabilite de decident;
– obţinute prin optimizarea problemei de programare liniară în raport cu fiecare
funcţie obiectiv.
METODA PROGRAMARII SCOP
Funcţia care minimizează deviaţiile faţă de nivelurile de aspiraţie sau scopurile propuse se
numeşte „funcţie scop”.
Forma generală a unui model PS: minimizează una sau mai multe funcţii scop de forma:
N
 i i
( d
i 1

  
i i )
d
supusă la restricţiile: Ax  b
şi restricţiile „scop”: fi(x) = Vi + d+i - d-i => fi(x) - d+i+ d-i = Vi, i = 1,...,N
cu restricțiile de nenegativitate: x  0
d+i  0, d-i  0, i = 1,...,N
unde:
d+i si d-i deviaţia în plus/în minus faţă de val. prestabilită pentru funcţia obiectiv i;
πi şi ρi sunt coeficienţi ai deviaţiilor care fac posibilă însumarea lor;
fi(x) - funcţia obiectiv i;
Vi - valoarea prestabilită (nivelul de aspiraţie) pentru funcţia obiectiv i;
x - vector coloană cu n componente x1, x2,...,xn care reprezintă variabilele decizionale ale
problemei.
Ax  b: restricţiile care definesc domeniul de admisibilitate al problemei pentru variabilele
decizionale x1, x2,...,xn.
 METODA PROGRAMARII SCOP
 Elementul cheie - specificarea funcţiei obiectiv, adică definirea coeficienţilor πi şi
ρi pentru deviaţiile di+ şi di-.
 Dacă deviaţiile se măsoară cu unităţi de măsură diferite, atunci este necesară
definirea unor costuri de penalizare a deviaţiilor astfel încât să se poată minimiza
suma totală a costurilor de penalizare generate de diferite deviaţii.
 Funcţiilor scop li se pot asocia diferite priorităţi. În acest caz se poate proceda
astfel:
 Se ordonează descrescător scopurile şi se stabileşte prioritatea de satisfacere a
fiecărui scop:
P1  P2  … Pn... unde  înseamnă "mult mai mare".
 Numărul priorităţilor este mai mic sau cel mult egal cu numărul funcţiilor
obiectiv, iar numărul funcţiilor scop este egal cu numărul priorităţilor
acordate.
 Ordonarea prin priorităţi este absolută, astfel că scopul cu prioritatea P2 nu
va fi niciodată atins înainte ca scopul cu prioritatea P1 să fie realizat cu
abaterea cea mai mică faţă de nivelul de aspiraţie propus.
 În acest caz, prin metoda programării scop se rezolvă succesiv un număr de
probleme egal cu numărul priorităţilor.
 Rezolvarea modelelor de PS: WINQSB/ Gp – igp, QM forWindows/Goal Programming.
Studiul de caz 10 ptr. seminar (carte RSC, LF, HD, CN, Modelare Economica, Ed
ASE, 2009, p.165 ): Rezolvarea cu metoda programarii scop
Pasul I: scrierea modelului econ. – matematic cu mai multe functii obiectiv:
Variabilele:
x1 = cantitatea din Pcs1 x2 = cantitatea din Pcs2 x3 = cantitatea din Pcs3
Funcţiile obiectiv:
Maximizarea venitului total
(max) f1(x) = 60x1 + 120x2 + 90x3
Minimizarea timpului necesar de lucru Cele 3 fct obiectiv
(min) f2(x) = 15x1 + 10x2 + 19x3 se transforma in
Minimizarea consumului total din materia primă de import Restrictii Scop
(min) f3(x) = 0,2x1 + 0,6x2 + 0,4x3
Restricţii:
referitoare la materialul Mat1:
C1: 0,6x1 + 0,6x2 + 0,2x3  10
referitoare la cantităţile contractate:
C2: 1x1 + 1x2  12
C3: 1x3  5
Restricţiile de nenegativitate:
x1  0, x2  0, x3  0,
Pasul 2: transformarea in modelul economico – matematic de PS

Funcţiile scop:
Scopul cu prioritate 1: minimizarea deviaţiei în plus Mimpsupl faţă de consumul minim de
materie primă de import
Min G1: 1Mimpsupl
Scopul cu prioritate 2: minimizarea deviaţiei în minus Venitm faţă de venitul maxim
Min G2: 1Venitm
Scopul cu prioritate 3: minimizarea deviaţiei în plus Timpsupl faţă de timpul de lucru necesar minim
Min G3: 1Timpsupl
Restricţiile pentru consumuri materiale şi pentru cerere:
C1: 0,6x1 + 0,6x2 + 0,2x3  10
C2: 1x1 + 1x2  12
C3: 1x3  5
Restricţiile scop:
C4: 60x1 + 120x2 + 90x3 – Venitsupl + Venitm = 2700 Niveluri de
C5: 15x1 + 10x2 + 19x3 – Timpsupl + Timpm = 215 aspiratie
C6: 0,2x1 + 0,6x2 + 0,4x3 – Mimpsupl + Mimpm = 4,4
Restricţiile de nenegativitate:
x1  0, x2  0, x3  0,
Venitsupl  0, Venitm  0, Variabile de
Timpsupl  0, Timpm  0, abatere/deviatie
Mimpsupl  0. Mimpm  0
Pasul 3: Rezolvarea modelului cu WINQSB/Gp-igp
Decision Solution Basis Reduced Reduced Reduced
Variable Value Status Cost Cost Cost
Goal 1 Goal 2 Goal 3
1 X1 12 basic 0 0 0
2 X2 0 at bound 0 60 -35
3 X3 5 basic 0 0 0
4 Venitsupl 0 at bound 0 1 0
5 Venitm 1560 basic 0 0 0
6 Timpsupl 60 basic 0 0 0
7 Timpm 0 at bound 0 0 1
8 Mimpsupl 0 at bound 1 -300 75
9 Mimpm 0 at bound 0 300 -75
Goal 1: Minimize G1 = 0
Sensitivity Analysis of the Right-Hand-Sides for Studiul de caz 10

Right Allowabl Allowable Shadow Shadow Shadow
Hand e Max.RHS Price Price Price
Min.RHS
Constraint Side Goal 1 Goal 2 Goal 3
1 Material1 <=
10 8.2 M 0 0 0
2 Cerere Pcs1+Pcs2
>= 12 -M 12 0 0 0
3 Cerere PCs3 >=
5 3.2 5 0 20 -11
4 Venit =
prioritate 2
2700 1220 M 0 1 0
5 Timp =
prioritate 3
215 -M 275 0 0 -1
6 Mimport =
prioritate 1
4.4 4.4 5 0 -300 75
2 conflicte: 1. intre scopul de prioritate 1 si cel de prioritate 2 (cu valoarea -300)
2. Intre scopul de prioritate 1 si cel de prioritate 3 (cu valoarea 75)
Pasul 4: Analiza rezultatelor (seminar):

1. Citirea solutiei (solution value)
2. Interpretarea costului redus
3. Interpretarea pretului umbra
4. Identificarea si analiza conflictelor dintre
scopuri
 Justificaţi necesitatea efectuării analizei de senzitivitate într-un model de programare
liniară folosit pentru determinarea unei structuri de producţie.
 Explicati diferenţa dintre parametrizare si reoptimizare în programarea liniară, ca
instrumente pentru modelarea structurii sortimentale a firmelor.
 Prezentaţi elementele componente ale modelelor de programare liniară. Explicaţi
diferenţele între modelele cu variabile numere reale şi cele cu variabile numere
întregi.
 Explicaţi ce semnificaţie economică are intervalul de optimalitate şi cel de
admisibilitate în cazul modelării structurii sortimentale prin programare liniară. Cum se
numeşte analiza realizată pe baza acestor intervale?
 Precizați ce se adaugă în modelul de PL în nr. întregi la fiecare nouă iterație.
 Descrieţi semnificaţia economică a funcţiilor scop din modelul de programare scop.
 Explicaţi de ce în cazul modelului de programare scop, prin asocierea de priorităţi
diferite funcţiilor obiectiv ale problemei de rezolvat, se generează conflicte între 38
scopuri.
Modele economico-matematice pentru utilizarea şi
alocarea resurselor în cadrul unei organizatii
• Obiective ale UI
Introducere
1. Elemente de programare dinamica. Teorema de optimalitate a lui Bellman
2. Modelul de analiză a drumului critic (ADC) pentru proiecte complexe
2.1. Elementele modelului
2.2. Analiza cost - durată (cazul duratelor deterministe)
2.3. Determinarea duratei totale a proiectului /cazul duratelor probabiliste
3. Modele analitice pentru procese de stocare
3.1. Necesitatea stocurilor
3.2. Elementele unui proces de stocare
3.3. Cerinţele unui model de stocare
3.4. Necesitatea grupării selective a stocurilor
3.5. Model analitic de stocare în cazul cererii constante 1
Obiective ale UI
Prin parcurgerea acestei UI:

 veţi acumula cunoştinţe referitoare la modul în care se pot aloca
resursele financiare, materiale, umane în funcţie de obiectivele
urmărite de organizaţie;
 veţi aprofunda cele mai cunoscute modele de programare sub
aspectul timpului şi resurselor a proiectelor;
 veţi studia elemetele modelelor de stocare, modul de rezolvare a
acestora în sistem conversaţional şi interpetarea rezultatelor
obţinute.
2
Introducere
 Obiectivul de baza al managementului resurselor este de a

aproviziona si a sustine activitatea unei firme sau a unui
proiect astfel încât obiectivele privind programul de
executie să poata fi atinse, iar costurile să se poată încadra
în bugetul prevăzut.
 Există diverse metode ce permit abordarea științifică în

managementul resurselor, între acestea un loc important îl
ocupă: programarea dinamică, analiza drumului critic și
modelele de stocare.
1. Elemente de programare dinamica. Teorema
de optimalitate a lui Bellman
 În matematică şi informatică programarea dinamică reprezintă o metodă
de rezolvare a unor probleme complexe prin descompunerea lor în
subprobleme mai simple. Această metodă se aplică problemelor care:
 admit o formulare recursivă;
 soluţiile subproblemelor se suprapun (nu sunt independente ca la metoda
„Divide et impera”);
 subproblemele admit o soluţie obţinută printr-un criteriu de optimizare
(min sau max).
 Programarea dinamică conţine o serie de metode adaptive, în sensul că,
la fiecare moment, decizia optimă ce trebuie luată depinde de mulţimea
evenimentelor care s-au produs anterior.
 Succesiunea acestor decizii formează o strategie (politică), iar orice şir
de decizii succesive ce fac parte dintr-o politică se numeşte subpolitică.
În mulţimea politicilor posibile există cel puţin una, denumită optimală,
care permite optimizarea criteriului de eficienţă ales.
 Programarea dinamică a fost dezvoltată de Richard Bellman in 1950 ca

metodă generală de optimizare a proceselor de decizie.
 Teorema de optimalitate formulată de Bellman arată că orice
subpolitică extrasă dintr-o politică optimală este ea însăşi
optimală. Aplicarea acestui principiu de optimalitate în rezolvarea
problemelor practice de armonizare a obiectivelor cu resursele se
face diferenţiat, în funcţie de caracterul parametrilor, care pot fi
de tip determinist sau probabilist.
 Ideea de bază în rezolvarea acestor modele constă în descompunerea
problemei în faze (subproblemă cu o singură variabilă) şi aplicarea
principiului lui Bellman.
 Principiul de optimalitate al lui Bellman) poate fi exprimat astfel:
Orice politică optimă nu poate fi alcătuită decât din subpolitici optime.
 A lua o decizie optimă în „dinamică” înseamnă a găsi o politică
optimă pe toată perioada de referinţă, astfel încât toate subpoliticile
componente să fie optime.
 Variabilele care descriu starea procesului considerat se numesc
variabile de stare.
 Problema constă în determinarea unui şir de decizii, iar efectul fiecărei
decizii îl reprezintă modificarea stării sistemului.
 Etapele sau paşii procesului sunt momentele în care trebuie luate
deciziile.
 Pentru intelegerea conceptelor si a modelului se recomandă:
- http://projecteuclid.org/euclid.bams/1183519147
- http://optlab-server.sce.carleton.ca/POAnimations2007/Dynamic.html
- exemplul: Modelarea alocării unor fonduri băneşti în funcţie de efectele
economice obţinute (studiul de caz 13, cartea Modelare Economică, 2009)
2. Modelul de analiză a drumului critic (ADC) pentru
proiecte complexe
 Realizarea cu succes a unui proiect necesita planificarea, asigurarea,
alocarea si urmarirea consumului resurselor disponibile.
 În cadrul unui proiect se utilizează resurse umane, materiale,
echipamente și subantreprenori. Disponibilitatea acestor resurse poate
fi rareori considerată ca fiind sigura ca urmare a constrangerilor
sezoniere, a conflictelor de muncă, a defecțiunilor utilajelor, a cererilor
concurente de resurse în cadrul firmei si al proiectului, a intarzierii
livrarilor si a altor incertitudini conjuncturale. Cu toate acestea, pentru
ca termenele de executie și bugetele să fie respectate, proiectului
trebuie să i se asigure forța de muncă, utilajele si materialele la timpul
potrivit și in cantitatea necesară, aspect realizabil printr-o programare
corespunzătoare.
 ADC este un instrument eficient de coordonare şi conducere a
lucrărilor complexe de tip proiecte.
proiecte complexe
 ADC presupune descompunerea lucrărilor în activităţi care se
intercondiţionează din punct de vedere tehnic.
 Duratele activităţilor pot fi:
- certe sau deterministe => metoda ADC  engl. CPM (Critical Path
Method)
- probabiliste => metoda PERT (pentru fiecare activitate se cunosc
estimează 3 durate posibile și se calculeaza o durata medie probabilă
sau se determină durata prin simulare)
 Prin ADC se determină:

 durata totală de realizare a proiectului, punând în evidenţă activităţile
critice (fără rezervă de timp)
 pentru fiecare activitate:
– termenele de începere: minime şi maxime
– termenele de terminare: minime şi maxime
– rezervele de timp
proiecte complexe
 Condiţionările dintre activităţi se pun în evidenţă cu ajutorul
unui graf tip reţea, în care activităţile pot fi noduri sau arce.
 In cazul reprezentării activităţilor pe arce:
nodurile reprezintă evenimente = momentele de terminare ale unor
activităţi şi de începere ale altor activităţi (fig.)
dik dkl l tml tMl

tmi tMi i
dkm
djk
k m tmm tMm
tmj tMj j tmk tMk dkn
n tmn tMn
proiecte complexe
În figura anterioara, se notează:
tmk = timpul minim al evenimentului k (timpul minim sau cel mai devreme
de începere a activităţilor care pornesc din nodul k)
tmk = max{tmi + dik; tmj + djk}
tMk = timpul maxim al evenimentului k (timpul maxim sau cel mai târziu
de terminare a activităţilor care ajung în nodul k)
tMk = min{tMl - dkl; tMm – dkm; tMn – dkn }
tmnod iniţial = 0
tMnod final = tm nod final
 Activităţile cu rezerva totală de timp egală cu zero se numesc activităţi
critice;
 Drumul critic = succesiune de activităţi critice care leagă nodul iniţial
(începutul proiectului) cu nodul final (sfârşitul proiectului)
proiecte complexe
Seminar: Studiul de caz 24/ carte Modelare economica. Studii de
caz.Teste
 Pentru fiecare activitate se estimează durata normală şi durata urgentată
(crash time) astfel încât durata urgentată  durata normală
 Urgentarea unei activităţi implică resurse suplimentare => creşterea
costurilor, deci:
Costul activităţii urgentate  Costul normal
 Costul unitar de urgentare al fiecărei activităţi =
Costul urgentat  Costul normal

Durata normala - Durata urgentata
 Rezolvarea se poate face cu:

 WINQSB/ PERT – CPM/ Deterministic CPM
 QM for Windows/ Project Management (PERT/CPM)/Crashing
Studiul de caz 24/ carte Ratiu-Suciu C, Luban F, Hincu D, Ciocoiu N, Modelare
economica. Studii de caz.Teste, Ed ASE, 2007 (pentru seminar)
Pentru un proiect definit de 11 activităţi, specialiştii au stabilit duratele

maxime/normale şi minime (în zile) si costurile aferente fiecarei durate :
Nr. Denumire Activitati Timp Cost
crt. activităţi precedente
Normal Minim/urgentat Normal Majorat
1 A 20 11 2 11
2 B A 25 15 12 37
3 C B,E 26 16 15 45
4 D C,G,I 8 6 1 11
5 E 36 12 102 174
6 F A 9 7 2 14
7 G F 50 25 35 60
8 H 36 33 45 48
9 I H 40 30 32 52
10 J 22 12 11 24
11 K J 45 25 28 68
 Calculul duratei totale a proiectului și determinarea drumului critic fără

programe informatice:
Rezolvarea cu programe informatice:

Pentru rezolvarea cu WINQSB/ Pert-CPM/Deterministic CPM sau QM for Windows/ Project
Management (PERT/CPM) nu este necesară desenarea în prealabil a grafului activităților, dar
acesta poate să fie util în analiză.
Pentru rezolvarea problemei se solicită introducerea: titlului problemei, numărului de

activităţi şi a unităţii de timp (zile, săptămâni, ani).
Se marchează câmpurile corespunzătoare datelor de intrare cunoscute (Normal time, Crash
time, Normal cost, Crash cost).
Activity Analysis for cost-durata (Solve Using Normal Time)
On Activit Earlies
Activity Earliest Latest Latest Slack
Critical y t
Name Finish Start Finish (Ls-Es)
Path Time Start
1 A Yes 20 0 20 0 20 0
2 B no 25 20 45 28 53 8
3 C no 26 45 71 53 79 8
4 D Yes 8 79 87 79 87 0
5 E no 36 0 36 17 53 17
6 F Yes 9 20 29 20 29 0
7 G Yes 50 29 79 29 79 0
8 H no 36 0 36 3 39 3
9 I no 40 36 76 39 79 3
10 J no 22 0 22 20 42 20
11 K no 45 22 67 42 87 20
Project Completion Time = 87 days
Total Cost of Project = $285 (Cost on CP = $40)
Number of Critical Path(s) = 1
Activity Analysis for cost-durata (Solve Using Crash Time)
Activi On Activity Earliest Earliest Latest Latest Slack
ty Critical Time Start Finish Start Finish (LS-ES)
Name Path
1 A no 11 0 11 20 31 20
2 B no 15 11 26 32 47 21
3 C no 16 26 42 47 63 21
4 D Yes 6 63 69 63 69 0
5 E no 12 0 12 35 47 35
6 F no 7 11 18 31 38 20
7 G no 25 18 43 38 63 20
8 H Yes 33 0 33 0 33 0
9 I Yes 30 33 63 33 63 0
10
J no 12 0 12 32 44 32
11
K no 25 12 37 44 69 32
Project Completion Time = 69 days
Total Cost of Project = $544 (Cost on CP = $111)
Number of Critical Path(s) = 1
• WINQSB permite realizarea unor analize suplimentare prin opţiunea

Perform Crashing Analysis. Această opţiune permite:
 calculul costului pentru o durată dorită specificată (Meeting the desired

completion time). In studiul de caz 24, pt durata medie de 81
saptamani se obtine costul de 294 u.m.
 calculul duratei de realizare în cazul unui buget limitat specificat
(Meeting the desired budget cost). In studiul de caz 24, durata
optimă în cazul unui buget total disponibil de 310 u.m este de 75.67 zile.
 calculul costului optim pentru realizarea proiectului în termenele
urgentate (Finding the minimum cost schedule). In studiul de
caz 24, pt durata de 69 saptamani se obtine costul optim de 334 u.m.
• Pentru analiza stadiului de realizare a proiectului la un anumit moment

de timp de la începerea activităţilor, se poate folosi opţiunea Project
Completion Analysis
 Calculul costului pentru o durată dorită specificată (Perform Crashing

Analysis/Meeting the desired completion time: 81 saptamani)
Activity Critical Normal Crash Suggested Additional Normal Suggested

Name Path Time Time Time Cost Cost Cost
1 A Yes 20 11 14 $6 $2 $8
2 B no 25 15 25 0 $12 $12
3 C no 26 16 26 0 $15 $15
4 D Yes 8 6 8 0 $1 $1
5 E no 36 12 36 0 $102 $102
6 F Yes 9 7 9 0 $2 $2
7 G Yes 50 25 50 0 $35 $35
8 H Yes 36 33 33 $3 $45 $48
9 I Yes 40 30 40 0 $32 $32
10 J no 22 12 22 0 $11 $11
11 K no 45 25 45 0 $28 $28
Overall Project: 81 $9 $285 $294
Reprezentarea grafica a costurilor intregului proiect

– in medie, pe fiecare unitate de timp (cele plasate in josul paginii) si cumulate
(cele in diagonala graficului), in 2 cazuri – programarea activitatilor la termenul
minim de incepere (reprezentat cu culoare violet) si la termenul maxim de
incepere (reprezentat cu culoare albastră)
proiecte complexe
 Graficul cost-durata
Cost total
Cost maxim A
Cost optim urgentat B
Buget dat C
? D
Cost minim E
Durata totală
DU Dint DN
?
2. Modelul de analiză a drumului critic (ADC)
pentru proiecte complexe
2.3. Determinarea duratei totale a proiectului
in cazul duratelor probabiliste
 Pentru fiecare activitate se estimează: o durată optimistă (aij), una
medie probabilă (mij) şi o durată pesimistă (bij).
 Durata unei activităţi are o distribuţie beta şi se calculează cu relaţia:
a ij  4m ij  bij
d ij 
6
 Dispersia duratei de execuţie a activităţii (i,j) se calculează cu relaţia:
2
 bij  aij 
 ij  
2

 6 
 Dispersia este o măsură a gradului de nesiguranţă în evaluarea
duratei unei activităţi.
 Metoda PERT permite calcularea timpului mediu de terminare a
unei acţiuni complexe în cazul în care duratele activităţilor nu se
cunosc cu exactitate.
Rezolvarea se poate face cu:
 WINQSB/ modulul PERT – CPM/ Probabilistic CPM
Nr. Denumire Activitati Durata estimata

crt. activităţi precedente
Optimista Medie probabila Pesimista
1 A 10 16 20
2 B A 15 20 26
3 C B,E 14 20 24
4 D C,G,I 5 7 9
5 E 14 24 35
6 F A 6 8 10
7 G F 26 40 45
8 H 32 34 37
9 I H 30 35 42
10 J 12 17 19
11 K J 24 35 43
Studiul de caz 25/ carte Ratiu-Suciu C, Luban F, Hincu D, Ciocoiu N,
Modelare economica. Studii de caz.Teste, Ed ASE, 2007 (pentru seminar)
WINQSB/ PERT – CPM/ Probabilistic CPM (Solve critical path)

Na On Activi Earliest Earlie Latest Latest Slack Activi Standard
me Critic ty Start st Start Finish (LS- ty Devia-
al Mean Finish ES) Time tion
Path Time Distri
bu-
tion
1 A no 15.667 0 15.667 7.333 23 7.333 3-Time 1.667
2 B no 20.167 15.667 35.833 29.667 49.833 14 3-Time 1.833
3 C no 19.667 35.833 55.5 49.833 69.5 14 3-Time 1.667
4 D Yes 7 69.5 76.5 69.5 76.5 0 3-Time 0.667
5 E no 24.167 0 24.167 25.667 49.833 25.66 3-Time 3.5
7
6 F no 8 15.667 23.667 23 31 7.333 3-Time 0.667
7 G no 38.5 23.667 62.167 31 69.5 7.333 3-Time 3.167
8 H Yes 34.167 0 34.167 0 34.167 0 3-Time 0.833
9 I Yes 35.333 34.167 69.5 34.167 69.5 0 3-Time 2
10 J no 16.5 0 16.5 25.5 42 25.5 3-Time 1.167
11 K no 34.5 16.5 51 42 76.5 25.5 3-Time 3.167
Project Completion Time = 76.50 days
Number of Critical Path = 1
WINQSB/ PERT – CPM/ Probabilistic CPM
 Produsul informatic WINQSB permite calcularea

probabilităţii de realizare a proiectului într-un număr
specificat de unităţi de timp, prin apelarea opţiunii Solve
and Analyze – Perform Probability Analysis.
 O alta metoda de calcul a duratei totale a proiectului este

simularea Monte Carlo (folosind comanda Perform
simulation)
Simularea duratei
totale a proiectului
(folosind comanda
Perform simulation)
 Stocurile reprezintă unul dintre activele cele mai scumpe și
importante la multe companii, si reprezintă mai mult de 50% din
capitalul total investit. Managerii au recunoscut că un control bun al
stocurilor este crucial pentru performanta firmei.
 Pe de o parte, o firmă poate încerca să reducă costurile prin reducerea
stocurilor existente. Pe de altă parte, clienții devin nemulțumiți când
apar întreruperi de producție generate de lipsa stocurilor.
 Astfel, companiile trebuie să realizeze un echilibru între un nivel
redus și ridicat de stocurilor, iar minimizarea costurilor este un factor
major în obținerea acestui echilibru delicat.
 Prin aplicarea teoriei stocurilor în management:
- se poate reduce frecvenţa fenomenului de rupere a stocului (lipsa de
stoc),
- se pot realiza economii cu depozitarea/stocarea materialelor,
- se pot diminua imobilizările de fonduri băneşti în stocuri.
 În sens restrâns, gestiunea stocurilor îşi propune determinarea stocului
la un moment dat, pentru fiecare material, cu ajutorul relaţiei:
Stoc final = stoc iniţial + intrări – ieşiri.
 În sens larg, managerial, gestiunea stocurilor permite determinarea:
 momentului optim de lansare a comenzii (când se lansează comanda
de reaprovizionare?)
 cantităţii optime de reaprovizionare (cât să se comande?)
 mărimii stocului de siguranţă (cât să fie stocul de siguranţă, adică
stocul ce asigură derularea activității până la sosirea comenzii?),
.....astfel încât cheltuielile totale de aprovizionare-stocare să fie
minime.
Un prim pas in stabilirea unei politici de stocare îl reprezintă
gruparea selectivă a stocurilor în 3 categorii (A, B, C) în funcție de
ponderea lor cantitativă și valorică, pentru fiecare grupă stabilindu-
se o politică specifică.
 Clasificarea stocurilor într-o organizaţie:
– d.p.d.v. al poziţiei în procesul de producţie:
• materii prime, materiale
• producţie neterminată, semifabricate
• produse finite
– d.p.d.v. al importanţei valorice şi cantitative:
• Grupa A: pondere valorică mare (aproxim. 70%) şi pondere
cantitativă mică (aproxim. 10%)
• Grupa B: pondere medie atât din punct de vedere valoric (20%)
cât şi d.p.d.v. cantitativ (20%)
• Grupa C: pondere valorică mică (10%) şi pondere cantitativă
mare (70%)
- d.p.d.v. al duratei vieţii:
• perisabile
• neperisabile
1. Cererea:
- cunoscută: constantă sau variabilă
- necunoscută, dar previzibilă => descrisă printr-o distribuţie de
probabilitate
2.Cantitatea de aprovizionat: stabilită prin politica de stocare
3. Parametri temporali:
– perioada de gestiune (T): de obicei 1 an
– intervalul dintre două aprovizionări succesive, poate fi:
- constant
- variabil şi cunoscut
- variabil, descris prin distribuţia de probabilitate
– durata de aprovizionare:
- constantă
- variabilă şi cunoscută
- variabilă descrisă prin distribuţia de probabilitate
4. Costuri:
– depozitare (u.m./ u.f./ u. timp)
• cost depozitare
• cost conservare
• cost pază şi evidenţă
• cost primire – recepţionare, etc.
– lansare (u.m./ comandă)
• costul întocmirii comenzii
• costul transmiterii comenzii
• costul delegaţiilor
• costul transportului, etc.
– penalizare sau costul satisfacerii clienţilor (u.m./u.f./unitate de
timp lipsă produs)
• discount acordat pentru păstrarea clienţilor
• penalizări prevăzute în contracte
• costul pierderii clienţilor din cauza lipsei produsului în momentul
cererii, etc.
Cost
cs
CTOT
cl
qopt
qopt – nivelul optim al stocului care asigură costul total de aprovizionare-
stocare minim
3.3. Cerințele unui model de stocare
Fie:
 Cmi = consumul din materialul m pentru obţinerea unei unităţi de
produs i;
 Xt+1i= cantitatea de produs i care se va realiza în perioada t+1;
 SFtm = stocul din materialul m existent la sfârşitul perioadei t;
 SIt+1m = stocul iniţial din materialul m necesar la începutul
perioadei t+1;
 Δ = cantitatea de material m de aprovizionat
Problema managerială:
Dacă Cmi·Xt+1i > SFtm => cât să fie Δ astfel încât:
(cantitatea consumata)
SIt+1m  Cmi·Xt+1i
(cantitatea consumata)
3.3. Cerințele unui model de stocare
 Cantitatea Δ de aprovizionat se poate determina
cu un model economico – matematic.
 Modelul de stocare va determina:
– când să se lanseze comanda de reaprovizionare
– cât să se comande
– cât să fie stocul de siguranţă
....astfel încât cheltuielile totale de stocare să fie minime.
 O altă preocupare a organizaţiei este aceea de a stabili
o politică optimă de stocare în funcţie de
caracteristicile de cost şi volum ale fiecărui material –
modelul ABC de grupare a stocurilor.
3.4. Necesitatea grupării selective a stocurilor. Metoda ABC
 Într-o organizaţie se utilizează în general un număr

mare de materiale stocabile.
 Pentru aplicarea unor politici diferenţiate de stocare
este necesară gruparea selectivă a materialelor.
 Aplicarea principiului Pareto a condus la apariţia unei
importante metode de conducere axată pe identificarea
priorităţilor in management (metodă aplicabilă și în
gestiunea stocurilor).
 Metoda ABC este o metodă euristică de grupare a
materialelor în trei grupe A, B şi C, în funcţie de
ponderea cantitativă şi valorică a materialelor utilizate
în cadrul unei organizaţii.
% Valoare
100
90 C
70
B
0 % Cantitate
10 30 100
Etapele metodei ABC:

 Sortarea articolelor după natura lor;
 Pentru articolele de aceeaşi natură se determină Cantitatea
anuală şi Valoarea = cererea anuală * preţul;
 Se ordonează descrescător după valoare: V1  V2  ...  Vn;
 Se determină ponderea cantitativă şi valorică conform
tabelului şi se identifică articolele din fiecare grupă.
De Val. Cantitate Valoare % Cantitate % Valoare
n cumulată cumulată
.
X V1 C1 V1 100C1/Ctotal 100V1/Vtotal
Y V2 C1+C2 V1+V2 100(C1+C2)/ 100(V1+V2)/
Ctotal Vtotal
... ... ... ... ... ...
Z Vn C1+C2+...+Cn= V1+V2+...+Vn= 100Ctotal/ 100Vtotal/Vtotal
Ctotal Vtotal Ctotal
Se stabileşte politica managerială de stocare:

 Pentru grupa A: se recomandă utilizarea unui model
economico – matematic pentru dimensionarea
optimă a stocurilor;
 Pentru grupa B: se recomandă o politică bazată pe
controlul stocului de siguranţă;
 Pentru grupa C: se vor suporta cheltuielile de stocare
astfel încât să se asigure continuitatea activităţii.
Exemplu practic: Studiu 26 p. 164 din lucrarea Modelarea

economica. Studii de caz. Teste, autori: Raţiu-Suciu, C.,
Luban, F., Hîncu, D., Ciocoiu, N., Editura ASE, Bucureşti, 2007
Se dau următoarele informații referitoare la materialele stocabile ale unei

firme:
Denumire (cod) cantitate (mii kg) pret (um/kg)
A1 200 2.000
A2 100 5.000
A3 15 200.000
A4 30 170.000
A5 10 300.000
A6 4 50.000
A7 150 7.000
A8 20 100.000
Exemplu practic: Studiu 26 p. 164 din lucrarea Modelarea economica. Studii

de caz. Teste, autori: Raţiu-Suciu, C., Luban, F., Hîncu, D., Ciocoiu, N.,
Se aplica etapele metodei ABC si se obțin
datele din tabelul si graficul alaturate:
Pondere Pondere
Pondere Pondere cumulata cumulata
cantitate valoare cantitate valoare
A4 5,67% 33,44% 5,67% 33,44%
A3 2,84% 19,67% 8,51% 53,11%
A5 1,89% 19,67% 10,40% 72,79%
A8 3,78% 13,11% 14,18% 85,90%
A7 28,36% 6,89% 42,53% 92,79%
A2 18,90% 3,28% 61,44% 96,07%
A1 37,81% 2,62% 99,24% 98,69%
A6 0,76% 1,31% 100,00% 100,00%

3.5. Model analitic de stocare în cazul cererii constante (modelul EOQ)
 Se cunosc:
– T = perioada de gestiune (de obicei 1 an);
– N = cererea totală de material în perioada de gestiune T;
– cd = costul unitar de depozitare;
– cl = costul de lansare a unei comenzi.
 Se cer:
– mărimea lotului de aprovizionare q = ?
– intervalul dintre două aprovizionări t = ?
….astfel încât să se minimizeze costul total de stocare:
min CtotalT = ?
Rezolvare:
 Modelul procesului de stocare este reprezentat grafic în fig.
urmatoare:
Stoc
Timp T
t t t …
q·T
Pe baza notaţiilor stabilite => N T
 => t =
q t N
 În fiecare perioadă t:
– Costul de depozitare Cdt = cd·(stocul mediu) · t
– Stocul mediu = (q+0)/2
q
– Rezultă Cdt = cd· 2 t
– Costul de lansare Clt = cl
 În perioada de gestiune T:
T q
– Costul de depozitare CdT = Cdt · = cd· · T
t 2
N
– Costul de lansare ClT = cl
q
– Costul total de stocare
CtotalT = Cdt + ClT
CtotalT 2·N·c  T
Minim=> q = 0 => qoptim = => toptim = qoptim·
cd ·T
N
Exemplu practic Studiul 27, pag 168 din Modelarea economica. Studii de caz.
Teste, autori: Raţiu-Suciu, C., Luban, F., Hîncu, D., Ciocoiu, N., 2007
Se introduc in WINQSB/ Inventory Theory and System/ Deterministic Demand Economic

Order Quantity (EOQ) Problem:
– T = perioada de gestiune (business days) = 1 an (365 zile)
– N = cererea totală (demand) = 17640 tone/an (adica 48.328 tone/zi)
– cd = costul unitar de depozitare anual (holding cost) = 36.5 u.m./tonă/an (adica 0.1 u.m./tona/zi)
– cl = costul de lansare a unei comenzi (ordering cost) = 500 u.m./comandă
– timpul de avans (lead time) = 9 zile
Se obtin: 2 *17640 * 500

– Mărimea lotului de aprovizionare qoptim = = 695.183 tone
36.5
T
– Intervalul dintre două aprovizionări: toptim = qoptim· = 695.189 tone · 1 = 0.039 ani =
N 14.38 zile
17640
– Costul total de stocare CtotalT = 25374.4 u.m
– Nivelul stocului de siguranta de la care se va lansa o nouă comandă de aprovizionare = timpul de

avans (de la lansarea unei comenzi până la intrarea cantităţii comandate în stoc) * cererea zilnica
Exemplu practic Studiul 27, pag 168 din lucrarea ME, 2007
In WINQSB/ Inventory Theory and System/ Deterministic Demand Economic
Order Quantity (EOQ) Problem: se introduc datele in functie de optiunea asupra
perioadei de gestiune (in ani, sau in zile). In ecranul de mai jos s-a optat pentru
exprimarea perioadei de gestiune in zile).
Cantitatea optimă de aprovizionat este de 695.1834 uf., intervalul dintre

aprovizionări succesive este de 14.38 zile (ciclul de reaprovizionare), comanda
se plasează atunci când nivelul stocului este de 434.952 uf. (adică 48.328
units*9 zile) deoarece punctul de reaprovizionare (reorder point) = consum
zilnic * timp de avans.
Curba costurilor:
costul de stocare (rosu) (direct
crescătoare în funcţie de cantitatea
stocată);
costul de lansare (roz) (invers
proporţional cu volumul unei comenzi);
curba costurilor totale (negru) – care
are un punct de minim corespunzător
cantităţii optime din comandă/stoc.
Graficul dinamicii stocului

(al dintilor de fierastrau):
 Explicaţi de ce în metoda ADC, durata totală a unui proiect

descris prin activităţi interdependente este mai mică decât suma
duratelor tuturor activităţilor.
 Prezentaţi asemănările şi deosebirile între modelul de analiză a
drumului critic determinist şi cel probabilist.
 Explicaţi care sunt categoriile de costuri care intervin într-un
proces de aprovizionare-stocare. Care este relaţia dintre
acestea?
 Explicaţi necesitatea grupării ABC a stocurilor şi în ce constă
aceasta.
50
Simularea proceselor economice:
Modele de simulare. Elemente de bază
Obiective ale UI
1.Conceptul de simulare
2.Aplicaţii economice ale simulării
3.Etapele simulării
4.Simularea Monte Carlo
5.Alte tipuri de simulare
1
Obiective ale UI
 În urma parcurgerii acestei UI veţi acumula

cunoştinţe referitoare la elementele de bază şi
etapele folosite în simularea proceselor
economice, precum şi aplicaţiile economice ale
acesteia.
2
1. Conceptul de simulare
 Simulare = simulatio = capacitatea de a reproduce sau de a
imita.
 Prin simulare, sistemul real este înlocuit cu un sistem
artificial.
 În simulare, modelul sistemului real este utilizat ca obiect
asupra căruia se fac experimente, urmărind să se determine
efectele diferitelor variante decizionale asupra unor indicatori
de performanţă.
 Simularea este recomandată în special în cazul problemelor
decizionale care NU pot fi abordate prin metode analitice de
optimizare.
 Simularea Nu oferă soluţie optimă, ci se alege varianta care
conduce la cea mai bună valoare a criteriului de performanţă.
1. Conceptul de simulare
 Simularea = o tehnică de realizare a experimentelor cu calculatorul electronic
şi presupune utilizarea unor tipuri de relaţii matematice şi logice necesare
pentru descrierea comportamentului şi structurii unui sistem real complex de-
a lungul unei perioade lungi de timp.
 Simularea presupune utilizarea:
– a 3 elemente principale:
– sistemul real
– calculatorul
– modelul sistemului
– şi a 2 relaţii: de modelare şi de simulare
 Tipuri de simulare:
– Simularea Monte Carlo
– Simularea evenimentelor discrete
– Simularea tip Forrester (simularea sistemelor continue, dinamica
sistemelor)
– Simularea tip joc
2. Aplicaţii economice ale simulării
 Lansarea unui nou produs pentru care cererea şi/sau preţul sunt variabile
aleatoare.
 Determinarea politicilor de control al stocurilor (mărimea comenzii de
aprovizionat, nivelul stocului curent la care se lansează o nouă comandă de
aprovizionare, nivelul stocului de siguranţă etc.) în cazul în care ritmul de
aprovizionare şi/sau cererea de consum sunt variabile aleatoare.
 Dimensionarea unor facilităţi de servire (numărul staţiilor de servire, ritmul de
servire) în procesele de aşteptare caracterizate prin intervale aleatoare între sosiri
(solicitări de servicii) şi durate aleatoare de servire.
 Analiza proceselor de reparaţii ale utilajelor în vederea programării producţiei
şi/sau investiţiilor în funcţie de distribuţia de probabilitate a defecţiunilor şi a
ritmului de efectuare a reparaţiilor.
 Estimarea duratei de finalizare a unui proiect complex în care duratele activităţilor
proiectului sunt mărimi aleatoare.
 Probleme de programare operativă a producţiei în care intervin mărimi aleatoare
referitoare la durata prelucrării pe diferite maşini, ritmul aprovizionării cu
materiale, produse intermediare etc.
3. Etapele simulării
 Problema de rezolvat: formularea şi analiza problemei,

instruirea persoanelor implicate asupra principiilor de bază
ale simulării, construirea modelului conceptual, colectarea
datelor fundamentale, testarea validităţii modelului
conceptual.
 Modelul de simulare: transpunerea modelului conceptual
într-un model computerizat (programul de simulare),
verificarea modelului de simulare, validarea modelului de
simulare.
 Proiectarea şi realizarea experimentelor de simulare.
 Analiza rezultatelor.
4. Simularea Monte Carlo
 Conceptul a devenit popular în perioada celui de Al Doilea Război
Mondial, în studiul fisiunii nucleare. S. Ulam si N. Metropolis sunt
consierați cei care au pus bazele simularii MC.
 Metoda Monte Carlo este o abordare statistică care se ocupă cu
experimentele ce utilizează numere aleatoare. Sinonimă cu metoda
experimentelor statistice.
 Poate fi folosită ca metodă de modelare a variabilelor probabiliste în
vederea determinării caracteristicilor repartiţiei lor, atunci când
acestea nu pot fi stabilite prin expresii analitice.
 Deoarece metoda înlocuieşte procesul real cu un process artificial
obţinut prin experimente statistice, se impune ca variabilele
probabiliste estimate prin simulare să reprezinte cât mai fidel
procesul real.
 Astăzi există o diversitate de simulări Monte Carlo, utilizate în
diverse domenii, de la fizica particulelor până la inginerie, finanţe şi
multe altele.
Ideea de bază a metodei Monte Carlo:

 Metoda MC generează selecţii simulate utilizând un generator
de numere aleatoare uniform distribuite în intervalul [0, 1] şi
distribuţia de probabilitate cumulată a procesului analizat.
 Un număr aleator este orice număr care poate fi obţinut într-
un asemenea mod încât valoarea lui nu poate fi prevăzută
dinainte.
 Procedee de obţinere a nr. aleatoare: bilete cu numere,
zarurile, ruleta sau procese fizice (procese radioactive,
procese electronice, generatoare de zgomot alb) care pot fi
folosite pentru a construi tabele de numere aleatoare 
utilizarea acestora nu este convenabilă pentru simularea pe
calculator.
 Numerele aleatoare necesare simulării sunt obţinute prin
proceduri aritmetice numite generatori.
 De calitatea generatorului de numere aleatoare utilizat depinde calitatea

rezultatelor simulării.
 Se consideră, că un generator de numere aleatoare este bun dacă
îndeplineşte următoarele condiţii:
– Numerele generate au o perioadă lungă de repetiţie.
– Numerele generate pot fi reproduse.
– Şirul de numere nu conţine unul sau mai multe numere care se repetă.
– Numerele generate sunt uniform distribuite în intervalul [0, 1].
– Procedura de generare este rapidă şi nu necesită multă memorie
internă de calcul.
– Produce numere care verifică testul caracterului aleator adică
numerele sunt stochastic independente.
 Deoarece numerele generate cu calculatorul sunt reproductibile -------->
numere pseudoaleatoare.
5. Alte tipuri de simulare
Simularea evenimentelor discrete
 Este procesul de codificare a comportamentului unui sistem complex ca
o secvență ordonată de evenimente bine definite. În acest context, un
eveniment include o anumită modificare în starea sistemului la un anumit
moment în timp.
 În cele mai multe cazuri, modelele de simulare a evenimentelor discrete
sunt utilizate pentru a reprezinta situaţiile în care, în anumite perioade de
timp, pot să apară neconcordanţe între cererea de servicii sau activităţi şi
resursele disponibile pentru realizarea lor.
 Simulare evenimentelor discrete utilizeaza un model matematic / logic al
unui sistem fizic care prezintă modificări de stare la momente precise în
timp simulat. Atât natura modificării stării sistemului, cât și momentul în
care are loc schimbarea solicită o descrierea exactă.
 Exemplu: simularea firelor de așteptare – consumatori ce așteaptă să fie
serviți, simularea proceselor de stocare, simularea confruntărilor armate.
Simularea sistemelor continue (cu tehnici Forrester):
 Sisteme continue – acele sisteme ale căror variabile evoluează continuu în
timp. Sistemele continue sunt descrise folosind ecuații diferențiale, fie ordinare
sau parțiale.
 SSC este o tehnică de simulare pentru problemele complexe, globale care sunt
compuse din succesiuni de cauze şi efecte. Utilizează sisteme de ecuații care
nu solicită o reprezentare explicită a relațiilor de stare și timp.
 A apărut ca urmare a cercetărilor lui Jay Forrester, profesor la Massachusettes
Institute of Technology (1961 apare lucrarea „Industrial Dynamics”).
 Ciclul ”Informaţie – Decizie – Acţiune” constituie elementul de bază al
modelelor de dinamică industrială.
 In sistemele reale, decizia la un moment dat se bazează pe informaţia despre o
stare anterioară a sistemului, adică informaţia despre starea sistemului
alimentează înapoi decizia = sistem cu buclă inversă sau cu feedback.
 Ex.: modelarea problemelor ecologice, modele economice de dimensiuni mari
Simularea sistemelor continue cu tehnici Forrester – exemplu de diagrama pentru
managementul deseurilor de echipamente electrice si electronice realizata in VENSIM
Factor de influenţă Nivel
Într-un proces dinamic variabilele pot (variabilă auxiliară)
fi de două tipuri, respectiv:
- variabile care reprezintă
acumulări în timp, măsurabile la un
moment dat, numite niveluri sau
stocuri;
- variabile ce reprezintă procese în
curs de desfăşurare într-un anumit Ritm
ritm, măsurabile de regulă ca valori
medii, numite ritmuri sau fluxuri.
La acestea se adauga variabilele

auxiliare. Factor de influenţă (variabilă auxiliară)
Simularea sistemelor continue cu tehnici Forrester – ex. de diagrama realizata in
VENSIM pentru sistemul de gestiune a deșeurilor de echipam. electrice si electronice
(engl. WEEE)
Simularea tip joc

 Se mai numeste: joc de întreprindere, joc de conducere
(management game) sau joc de afaceri (business game).
 reprezintă un exerciţiu de simulare dinamică a unor decizii
secvenţiale.
 Jocurile de întreprindere prezintă particularitatea că implică
prezenţa decidentului uman şi luarea deciziilor pe parcursul
desfăşurării acestora, în timp ce simularea Monte Carlo (sau
simularea evenimentelor discrete) poate fi realizată cu
calculatorul, fără intervenţia decidentului.
Exemplu practic: Simularea comportamentului consumatorilor cu
ajutorul simularii Monte Carlo
(pt. Studiul de caz 3, p.90, carte Modelare economica, 2009)
Rezultate obtinute prin sondaj Produsul ales la t+1. (Reorientări, %)
(%)
A1 A2 A3
Produsul ales la t A1 60 20 20
(Produs părăsit) A2 15 70 15
A3 5 15 80
Cotele de piata la momentul initial: A1 - 50%, A2 - 35% si A3 - 15%

Se construiesc:
0 = (0,50; 0,35; 0,15) Vectorul cotelor de piata la momentul initial
 0,60 0,20 0,20 

 
P   0,15 0,70 0,15  Matricea de tranzitie
 0,05 0,15 0,80 
 
Se va determina prin simulare Monte Carlo comportamentul consumatorilor
produsului A1.
 Pasul 1. Pentru fiecare linie a matricei probabilităţilor de tranziţie se determină
distribuţia de probabilitate cumulată (tabelul 1). Cu ajutorul probabilităţilor
cumulate se asociază fiecărui tip de produs un interval de numere aleatoare
uniform distribuite în acel interval.
Tabel 1
Produsul Produsul Probabilitatea Probabilitatea Intervale de numere
curent imediat următor de tranziţie cumulată aleatoare
A1 A1 0,60 0,60 [0; 0,60)
A2 0,20 0,80 [0,60; 0,80)
A3 0,20 1,00 [0,80; 1,00)
A2 A1 0,15 0,15 [0; 0,15)
A2 0,70 0,85 [0,15; 0,85)
A3 0,15 1,00 [0,85; 1,00)
A3 A1 0,05 0,05 [0; 0,05)

A2 0,15 0,20 [0,05; 0,20)
A3 0,80 1,00 [0,20; 1,00)
 Pasul 2. Se generează numere aleatoare situate in intervalul [0, 1). Numerele
din tabelul 2 au fost generate cu funcţia RAND din EXCEL.
 Pasul 3. Pentru fiecare număr generat se caută intervalul (obţinut la Pasul 1)
căruia îi aparţine şi se determină tipul de produs către care se vor orienta
cumpărătorii la momentul respectiv în funcţie de cumpărătura care o precede
direct (proces Markov). Daca se face simularea pt cumparatorul de A1 atunci
cautarea incepe de la intervalele de nr aleatoare ale produsului A1.
Nr. aleatoare Intervalul in care se incadreaza Ce produs cumpara
0.991498  [0,80; 1,00) de la A1  A3 A3
0.712340  [0,20; 1,00) de la A3  A3 A3
0.102334  [0,05; 0,20) de la A3  A2 A2
0.133321  [0,15; 0,85) de la A2  A1 A1
0.658959  [0,60; 0,80) de la A1  A2 A2
0.844149  [0,15; 0,85) de la A2  A2 A2
 Pasul 4. Se decide oprirea sau reluarea procesului

de simulare de la Pasul 2, în funcţie de numărul
dorit de experimente.
 Pentru a extinde simularea la un numar mare de
experimente este necesara utilizarea unei aplicatii
informatice de simulare (ex. @RISK, Crystall Ball) sau
realizarea in Excel.
 Caracterizaţi principalele tipuri de modele de simulare.

 Când apelăm la simulare pentru rezolvarea unor probleme
manageriale?
 Ce fel de solutie oferă simularea?
19

MDM Examen Teorie 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

MDM Examen Teorie PDF

Încărcat de

Drepturi de autor:

Formate disponibile

ACADEMIA DE STUDII ECONOMICE

Prof. univ. dr. Carmen Nadia Ciocoiu

Dezvoltarea deprinderilor pentru…

 Construirea unor modele pentru sisteme economice reale;

 Proiectul individualizat (5 MODULE). Fiecare modul trebuie sa contina:

 Prezenţa + Implicarea in activitatile aplicative + Proiect

 Punctajul necesar pentru a fi admis la ex. scris:

 Examenul scris: max. 60 puncte

– obiectul de studiu al MDM,

 Oamenii au folosit instrumente matematice pentru a ajuta

 Analiza cantitativă reprezintă o abordare științifică a

 Modele economico – matematice mai apar și sub denumirea

Cerinţe de construire a unui model bun:

Corectitudinea – dată de capacitatea modelului de a nu deforma

Consistenţa şi completitudinea – apreciate prin măsura în care sunt

Eficienţa şi fiabilitatea – capacitatea modelului de a rezolva

Beneficiile utilizării modelelor:

 Algoritmul este un concept folosit în mod intuitiv pentru a

- variabilele: o cantitate măsurabilă ce poate să varieze. Variabilele

Profit = Venituri – Cheltuieli

 modele iconice/imitative: sunt centrate pe morfologia (sau forma

D.p.d.v. al naturii datelor folosite in model:

D.p.d.v. al modului de folosire şi de potenţialul utilizator:

D.p.d.v. al sferei de reflectare:

 Explicaţi diferenţa între modelele deterministe, stochastice si

 Din această UI veţi acumula cunoştinţe care vă vor

 În fiecare zi, managerii iau decizii fără a ști ce se va întâmpla în viitor,

 Previziunea = o metodă sistematică de obţinere a

Tipuri de metode de previzune:

 Trendul (Tt) defineşte tendinţa generală a evoluţiei fenomenului

 Variaţia ciclică (Ct) se manifestă prin oscilaţii relativ ample ale

 Obiectivul metodei de previziune: netezirea (ajustarea) în

 În cazul seriilor de date pentru care nu se înregistrează trend

 Previziunea vânzărilor în perioada (t) pentru perioada (t+1) =

Modelul de nivelare exponențială primară determină previziunea

unde: Ft+1 - previziunea pentru perioada (t+1) efectuată la momentul t;

Alegerea valorii lui alpha (α) influenteaza ajustarea oscilațiilor din

Alegerea constantei de nivelare 0    1:

Media erorilor absolute (mean absolute deviation) = MAD = n

Media procentuală a erorilor absolute = MAPE = 100   [e t /X(t)]/n

Aplicatie practică: Luna Vanzari

Regression Statistics 2000

Din regresia liniară rezulta că ecuatia de regresie are

de unde rezulta ca vânzarile pentru luna 13 sunt:

 Metodele de decompoziţie (descompunere) presupun

 După prognozarea izolată cele 4 elemente se compun în

Realizarea unei previziuni cu metoda de decompozitie

1. Descompunerea datelor din trecut (filtrarea influențelor

2. Previzionarea separată a trendului (T) şi sezonalităţii (S).

3. Combinarea previziunilor separate folosind modelul aditiv

 Dupa prognozare izolata cele 4 elemente se compun in forma

 Rezolvarea se poate face cu ajutorul multiplicativ

 O firma comercializează produse de sticlărie pentru menaj;

Anul Trimestrul I Trimestrul II Trimestrul III Trimestrul IV

Quarter Actual F(t) T(t) S(t) Forecast Formula de calcul pentru

c=4 Algoritmul multiplicativ Holt-Winters:

 Enunţaţi şi explicaţi ipotezele care stau la baza metodelor de

 Volumul total al vânzărilor se calculează cu relaţia:

 Reorientarea cumpărătorilor de la produsul Ai în perioada t către alt produs

 Alaturi de matricea de tranzitie este necesara si cunoasterea cotelor

Cotele de piata la momentul initial: A1 - 50%, A2 - 35% si A3 - 15%

 0,60 0,20 0,20 

Principalele obiective manageriale ale analizei se referă la: