Documente Academic
Documente Profesional
Documente Cultură
DIN BUCURESTI
FACULTATEA DE MANAGEMENT
MODELAREA DECIZIILOR
MANAGERIALE
SUPORT DE CURS DESTINAT STUDENTILOR
DE LA INVATAMANTUL DE ZI, ANUL III
An universitar 2019-2020
Obiectivele cursului:
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:
2
1. Modelarea deciziilor manageriale –
obiectul de studiu
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
2. Concepte generale
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
2. Concepte generale
Realism Simplitate
8
2. Concepte generale
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
3. Procesul de modelare
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.
3. Procesul de modelare
Metodele folosite pentru soluţionarea unor probleme
complexe formulate matematic constau într-o succesiune
coerentă de operaţii logice şi aritmetice cunoscute sub
denumirea de algoritm.
17
5. Clasificarea modelelor
20
Teste de autoevaluare
21
Modelarea Deciziilor Manageriale,
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
16
14
Volumul vanzarilor
12
10
8
6
4
2
0
1 3 5 7 9
Timpul
2. Analiza Seriilor de Timp
(Dinamice/Cronologice): caracteristici și metode
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
2. Analiza Seriilor de Timp
(Dinamice/Cronologice): caracteristici și metode
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.
2. Analiza Seriilor de Timp
(Dinamice/Cronologice): caracteristici și metode
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
mn
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).
2.2. Metoda nivelării exponenţiale
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).
e
t 1
t
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
2.3. Proiecţiile de trend
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).
2.3. Proiecţiile de trend
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
2.3. Proiecţiile de trend
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
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
Teste de autoevaluare
36
Modelarea Deciziilor Manageriale,
Prof. dr. Carmen Nadia Ciocoiu
UNITATEA DE INVĂŢARE 3
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.
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.
2. Modelarea cu lanţurile Markov a evoluţiei pe
piaţă a unor produse concurenţiale
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.
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).
2. Modelarea cu lanţurile Markov a evoluţiei pe
piaţă a unor produse concurenţiale
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.
2. Modelarea cu lanţurile Markov a evoluţiei pe
piaţă a unor produse concurenţiale
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).
2. Modelarea cu lanţurile Markov a evoluţiei pe
piaţă a unor produse concurenţiale
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
Se construiesc:
0 = (0,50; 0,35; 0,15) Vectorul cotelor de piata la momentul initial
0,5
0,4
0,3
0,2
0,1
0
1 2 3 4 5 6
luni
Produsul A1 Produsul A2 Produsul A3
2. Modelarea cu lanţurile Markov a evoluţiei pe
piaţă a unor produse concurenţiale
1 A1 0,1899 5,2667
2 A2 0,3544 2,8214
3 A3 0,4557 2,1944
Teste de autoevaluare
21
Modelarea Deciziilor Manageriale
UNITATEA DE INVĂŢARE 4
Modelarea proceselor decizionale în conditii de
incertitudine si risc
• Teste de autoevaluare
1
Obiective ale UI
Prin parcurgerea acestei UI veţi acumula cunoştinţe despre:
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.
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
PROBABILITĂŢI P1 P2 ...PN
u
v venit v
1. CONCEPTUL SI STRUCTURA
SISTEMULUI DE DECIZIE
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
1. CONCEPTUL SI STRUCTURA
SISTEMULUI DE DECIZIE
Figura 4. Funcţie de utilitate
convexă – concavă/ simpatie şi aversiune
u
u2
u1
= p ( max Cij) -
j1
j
i 1,...,m
max ( p jCij)
i 1,...,m
j1
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
3. METODE DE DECIZIE ÎN CONDIŢII DE RISC
3.3. Metoda arborelui de decizie
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.
3. METODE DE DECIZIE ÎN CONDIŢII DE RISC
3.3. Metoda arborelui de decizie
(-6)*0,25
Piaţă foarte favorabilă
8 30
(0,35)
D E
V2: Lot 700 Piaţă mediu favorabilă
1 9 28
3 (0,40)
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
3. METODE DE DECIZIE ÎN CONDIŢII DE RISC
3.3. Metoda arborelui de decizie
39
Modelarea Deciziilor Manageriale,
Prof. dr. Carmen Nadia Ciocoiu
UNITATEA DE INVĂŢARE 5
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
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)
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
2. Decizii mutiatribut în conditii de certitudine
UGi = k ju ij
j1
,
Pasul 4. Se alege varianta Vi* cu utilitatea globală maximă.
21
Modelarea Deciziilor Manageriale
UNITATEA DE INVĂŢARE 6
Modelarea structurii sortimentale a firmei cu modele de
programare (cu una şi cu mai multe funcţii obiectiv)
•Obiective ale UI
•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
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.
1. OPTIMIZAREA MODELELOR DE PROGRAMARE
TIP LINIAR (cu variabile reale/continue)
1 X1 0 57 0 -3.00 at bound -M 60
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
2. FORMULAREA CAZULUI GENERAL DE
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.
2. FORMULAREA CAZULUI GENERAL DE
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.
2. FORMULAREA CAZULUI GENERAL DE
POSTOPTIMIZARE
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
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
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).
4. OPTIMIZAREA MODELELOR DE PROGRAMARE
DE TIP LINIAR (cu variabile numere întregi)
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
Metode:
Metoda maximizării unei funcţii sinteză de utilitate
Metoda programarii scop (Goal Programming)
5. PROGRAMAREA LINIARĂ
MULTIDIMENSIONALĂ/ MULTIOBIECTIV
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.
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
5. PROGRAMAREA LINIARĂ
MULTIDIMENSIONALĂ/ MULTIOBIECTIV
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,
x0 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.
5. PROGRAMAREA LINIARĂ
MULTIDIMENSIONALĂ/ MULTIOBIECTIV
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.
5. PROGRAMAREA LINIARĂ
MULTIDIMENSIONALĂ/ MULTIOBIECTIV
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
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,
Studiul de caz 10 ptr. seminar (carte RSC, LF, HD, CN, Modelare Economica, Ed
ASE, 2009, p.165 ): Rezolvarea cu metoda programarii scop
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)
Studiul de caz 10 ptr. seminar (carte RSC, LF, HD, CN, Modelare Economica, Ed
ASE, 2009, p.165 ): Rezolvarea cu metoda programarii scop
2
Introducere
n tmn tMn
2. Modelul de analiză a drumului critic (ADC) pentru
proiecte complexe
2.1. Elementele modelului
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)
2. Modelul de analiză a drumului critic (ADC) pentru
proiecte complexe
2.2. Analiza cost - durată (cazul duratelor deterministe)
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 =
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
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)
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
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)
Cost total
Cost maxim A
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
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)
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)
Simularea duratei
totale a proiectului
(folosind comanda
Perform simulation)
3. Modele analitice pentru procese de stocare
3.1. Necesitatea stocurilor
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.
3. Modele analitice pentru procese de stocare
3.1. Necesitatea stocurilor
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.
3. Modele analitice pentru procese de stocare
3.1. Necesitatea stocurilor
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
3. Modele analitice pentru procese de stocare
3.2. Elementele unui proces de stocare
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
3. Modele analitice pentru procese de stocare
3.2. Elementele unui proces de stocare
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.
3. Modele analitice pentru procese de stocare
3.2. Elementele unui proces de stocare
Cost
cs
CTOT
cl
qopt
qopt – nivelul optim al stocului care asigură costul total de aprovizionare-
stocare minim
3. Modele analitice pentru procese de stocare
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. Modele analitice pentru procese de stocare
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. Modele analitice pentru procese de stocare
3.4. Necesitatea grupării selective a stocurilor. Metoda ABC
% Valoare
100
90 C
70
B
0 % Cantitate
10 30 100
3. Modele analitice pentru procese de stocare
3.4. Necesitatea grupării selective a stocurilor. Metoda ABC
Pondere Pondere
Pondere Pondere cumulata cumulata
cantitate valoare cantitate valoare
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 = ?
3. Modele analitice pentru procese de stocare
3.5. Model analitic de stocare în cazul cererii constante (modelul EOQ)
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
3. Modele analitice pentru procese de stocare
3.5. Model analitic de stocare în cazul cererii constante (modelul EOQ)
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
3. Modele analitice pentru procese de stocare
3.5. Model analitic de stocare în cazul cererii constante (modelul EOQ)
Exemplu practic Studiul 27, pag 168 din Modelarea economica. Studii de caz.
Teste, autori: Raţiu-Suciu, C., Luban, F., Hîncu, D., Ciocoiu, N., 2007
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).
3. Modele analitice pentru procese de stocare
3.5. Model analitic de stocare în cazul cererii constante (modelul EOQ)
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.
3. Modele analitice pentru procese de stocare
3.5. Model analitic de stocare în cazul cererii constante (modelul EOQ)
UNITATEA DE INVĂŢARE 8
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
Teste de autoevaluare
1
Obiective ale UI
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
19