MDM - Studiul de Caz 1 - Previziune Cu Modelul de Nivelare Exponentiala - WINQSB Si QMforWindows-merged PDF

Modelarea Deciziilor Manageriale, Anul III-MANAGEMENT
Studiul de caz 1: Previziunea vanzarilor cu modelul de nivelare exponenţială

simplă
(Studiul 1 din lucrarea Modelarea economică. Studii de caz. Teste, autori: Raţiu-Suciu, C.,
Luban, F., Hîncu, D., Ciocoiu, N., Editura ASE, Bucureşti, 2009)
Firma “ALCOR” S.A. comercializează materiale consumabile şi de birou. Compartimentul de

marketing a înregistrat pentru perioada trecută volumul vânzărilor pentru produsele asimilate
rechizitelor de birou. Valorile înregistrate sunt prezentate în tabelul 1.1.
Tabelul 1.1
Luna calendaristică Vânzări înregistrate (u.m.)
octombrie 21
noiembrie 22
decembrie 16
ianuarie 18
februarie 19
martie 14
aprilie 18
mai 20
Lunar, se efectuează prognoze asupra vânzărilor lunii viitoare pentru dimensionarea

stocurilor şi orientarea cheltuielilor pentru reclamă şi publicitate. Conducerea firmei este
interesată în estimarea volumului vânzărilor pentru luna Iunie.
REZOLVARE:
Se va aplica Modelul de nivelare/ajustare exponenţială simplă (engl. Single exponential
smoothing):
F(t+1) =  Y(t) + (1-  )F(t)
unde  este constanta de ajustare, 0    1, iar F(1) = Y(0).
Y(t): valoarea efectivă a vânzărilor la momentul t, t=1,...,T;
F(t+1):valoarea ajustată a previziunii realizată la momentul t ptr. momentul t+1;
h reprezintă numărul perioadelor din perioada de prognoză (h=1).
● Rezolvarea cu produsul informatic WINQSB, modulul Forecasting:
- Dupa selectarea optiunii problema noua (File/New) se selectează categoria de metodă

Forecasting and Linear regression;
- se alege ca tip de problemă de prognoză Time Series Forecasting.
- Introducerea datelor generale ale problemei: titlul problemei (câmp opţional),
unitatea de timp (unitatea de timp de lucru: zile, saptamani, luni etc.), numărul de
perioade din istoricul fenomenului previzionat pentru care se cunosc date sau numărul
de date istorice:
Problem Title - titlul problemei (opţional),
Time Unit: month,
Number of Times (periods): 8.
După completarea acestora, se continuă prin OK.
Se introduc datele istorice privind vanzarile în tabelul configurat anterior.
- din bara de sus a ecranului se selectează opțiunea Solve and Analyze/ Perform Forecasting;
- se alege metoda de revolvare SES (Single exponential smoothing) din lista de metode
expusă în partea stângă a ferestrei;
- se alege modul de lucru: metoda de estimare a parametrilor:
Assign Values - iniţializarea valorilor (utilizatorul acorda valori constantei de nivelare)
sau Search for Best – programul informatic inițiază căutarea valorilor optime ale lui
alpha, în funcșie de o anumită eroare. În cazul alegerii celor mai bune valori, se
desemnează criteriul de comparare:
- MAD (media abaterilor absolute);
- CFE (eroarea de prognoză cumulată);
- MSE (media pătratică a erorilor);
- MAPE (media erorilor procentuale absolute)
- Dacă se selectează opţiunea Assign values se dă valoarea coeficientului alpha prin
completarea câmpului Smoothing constant alpha (0.3). Daca se alege opțiunea Search the
best nu mai este necesară completarea valorii lui alpha.
- se definesc datele inţiale:
Number of periods for forecast - numărul de perioade pentru prognoză = 1,
Initial value F(0) if known - valoarea iniţială corespunzătoare primei prognoze (dacă se
cunoaşte; în caz contrar se lasă câmpul necompletat);
Ok.
Pentru valoarea lui alpha = 0.3
Se obţin datele din tabelul următor în care cele mai importante informaţii sunt:
- valoarea previzionată – se regăseşte în celula de pe linia 9 a coloanei Forecast by SES:

18.4023 u.m.
 din bara de sus a ecranului se selectează eventual Results şi apoi, una din opţiunile: Show
Forecasting Sumarry, Show Forecasting Detail, Show Forecasting in Graph.
 Se revine la datele inițiale prin click pe a treia iconiță din bara de meniuri (de langa
Print); se alege din nou Solve and Analyze/Perform forcasting și se modifică valoarea
lui alpha = 0.9.
Pentru a pune în evidenţă simultan rezultatele noi cu cele anterioare se bifează căsuţa din
stânga – jos Retain other method’s results.
Se obţine tabelul cu previziunea ptr. alpha =0.9 (s-au păstrat în tabel şi datele pentru
alpha=0.3).
Pentru graphic: din butonul Results, se apelează opţiunea Show Forecasting in Graph.
 Se revine la datele inițiale prin click pe a treia iconiță din bara de meniuri (de langa
Print); se alege din nou Solve and Analyze/Perform forcasting și se alege opțiunea
Search the best pentru parametrul metodei.
Se lasă bifată opțiunea Retain other method’s results.
Se caută valoarea optimă a lui alpha (specificând criteriul de căutare) – se recomandă
utilizarea lui MSE (eroarea medie pătratică).
Va rezulta alpha 0.36 conform MSE.
Cea mai bună previziune se alege prin compararea MSE pentru toate cele trei rezolvări ai
alegerea celei la care MSE este minim.
 Rezolvarea cu QM for Windows/Forecasting:

Se selecteaza metoda de previziune (exponentian Smoothing) si valoarea constantei de

nivelare (alpha): 0.3
Dupa alegerea optiunii Solve se obțin următoarele rezultate:

Din meniul Window se pot selecta diverse ecrane cu diferite grade de detaliere a soluției:
Pentru a alege cea mai bună previziune in funcție de o eroare se foloseste opțiunea Window/
Errors as a function of alpha. In exemplul dat se observă ca cea mai mică eroare medie
pătratică MSE este 7.92 pentru alpha 0.36:
Pentru a vizualiza valoarea previziunii ptr. alpha optim se revine la datele de intrare cu
optiunea Window/Edit data, se modifică valoarea lui alpha (se trece cea optima vizualizata
anterior) si se activează din nou Solve:
Optiunea Window/Graph permite trasarea graficului vanzarilor reale si a previziunii realizate:

Optiunea Save as Excel file permite salvarea datelor si a rezultatelor in Excel (optiunea ar
trebui repetată pentru rezolvarea cu fiecare alpha):
Transferul datelor in Excel permite editarea acestora într-o formă printabilă, completarea
graficului cu previziunile pentru mai multe valori ale lui alpha, cu media valorilor reale etc.
Aceasta opțiune este foarte utilă pentru realizarea proiectului de disciplină.
Modelarea Deciziilor Manageriale, MANAGEMENT anul III
Studiu de caz 2: Determinarea evoluţiei ponderii pe piaţă a unor produse concurenţiale,

rezolvare cu modelul lanțurilor Markov
St caz 3 din cartea Modelarea economica, autori: Ratiu-Suciu, C., Luban, F., Hîncu, D.,
Ciocoiu, N., Editura ASE, Bucuresti, 2009
Pe piaţa detergenţilor 2in1 se află în concurenţă trei produse A1, A2 şi A3. Cotele de
piaţă deţinute în prezent de acestea sunt: 50%, 35%, respectiv 15%. Pe baza unui sondaj de
marketing efectuat asupra unui eşantion reprezentativ de consumatori s-au determinat
orientările preferinţelor acestora faţă de cele trei produse, prezentate în tabelul 4.1.
Tabelul 4.1
Produsul ales la t+1. (Reorientări)
% A1 A2 A3
A1 60 20 20
Produsul ales la t
A2 15 70 15
(Produs părăsit) A3 5 15 80
Pe baza acestor informaţii se doreşte cunoaşterea evoluţiei ponderilor pe piaţă ale
celor trei produse pentru 6 momente de timp.
Rezolvare:
 Cotele de piaţă la momentul iniţial se scriu sub forma unui vector linie:
0 = (0,50; 0,35; 0,15)
 În funcţie de fidelităţile şi de reorientările consumatorilor se construieşte matricea de
tranziţie de la un produs la altul în două perioade succesive:
 0,60 0,20 0,20 
 
P   0,15 0,70 0,15 
 0,05 0,15 0,80 
 
 Se determină ponderea pe piaţă a celor trei produse după 1 an:
 0,60 0,20 0,20 
 
 =  P = (0,50; 0,35; 0,15)  0,15 0,70 0,15  =
1 0·
 0,05 0,15 0,80 

 
= (0,360; 0,368; 0,272)
 În mod analog se determină ponderile pe piaţă ale celor trei produse în următorii ani:
 0,60 0,20 0,20 
 
 =  P = (0,36; 0,368; 0,272)  0,15 0,70 0,15  =
2 1
 0,05 0,15 0,80 

 
= (0,285; 0,37; 0,345)
ş.a.m.d.
Rezolvarea în WINQSB/Mkp (WinQSB Decision Support Software for MS/OM)
După selectarea opțiunii New problem în modulul Mkp (Markov processes) se

completează datele generale ale problemei:
- titlul problemei (câmp opţional)
1
– numărul de stări (în acest caz, numărul de produse)
Introducerea datelor de intrare:

- matricea probabilităţilor de tranziţie pe primele trei linii ale tabelului configurat
anterior;
- pe linia Initial prob. vectorul cotelor iniţiale de piaţă – sub formă de
probabilităţi/ponderi
 Se apasă butonul Solve and analyze;
2
 Se alege opţiunea Solve steady State pentru identificarea cotelor de piaţă

pentru starea de echilibru SE (coloana State probability) şi a timpului de
recurenţă TR (Recurrence Time);
 Se calculează pentru fiecare produs, timpul de recurenţă (intervalul dintre cumpărări
succesive ale aceluiaşi produs):
 Apelând modulul Markov Process Step se obţin succesiv (apăsând pe butonul

Next period) cotele de piata ale celor trei produse simultan pentru următoarele momente
de timp.
 Apelând modulul Time parametric analysis se obţin succesiv (selectând

opţiunea Probability State Prod1) cotele de piaţă pentru primul produs pentru
următoarele 6 momente de timp (implicit este afisat 10, daca nu s-a solicitat alt număr de
perioade):
3
Pentru obţinerea fidelităţii faţă de Produsul 1 si a reorientărilor de la acesta spre celelalte doua
produse, în linia Initial Prob a tabelului cu datele de intrare se introduce vectorul (1, 0, 0),
apoi se utilizează comenzile Solve and Analyze / Markov Process Step, si se apasă pe
butonul Next period de câte ori este nevoie pentru a afisa prima linie a matricii la puterea
1,2,3 ş.a.m.d
Matricea la diferite puteri este utilă pentru a vizualiza fidelitatea şi reorientarea
consumatorilor într-o perioadă faţă de cele anterioare (ex: Fidelitatea faţă de produsul A1 în
luna a-4-a faţă de luna întâi se citeşte pe prima linie a matricii ridicate la puterea a treia şi este
egală cu 0,299).
Acest aspect nu contravine afirmaţiei cfm. căreia „în modelul lanţurilor Markov matricea de
tranziţie rămâne neschimbată de la o perioada la alta”: fidelitatea in luna a 4-a faţă de a 3-a
este egala cu cea din luna a 2-a faţă de prima lună etc., şi este egală cu 0,6 (preluată mereu din
matricea iniţiala). Valorile diferite sunt corespunzătoare atunci când se discută despre
fidelitatea sau reorientările consumatorilor la distanţa mai mare de o luna în timp.
● Rezolvarea în EXCEL
4
Cele trei valori ale cotelor de piaţă se calculează cu functia de multiplicare/înmultire a

matricilor =MMULT; după specificarea argumentelor funcţiei, pentru a rezolva, se apasă
simultan CTRL+SHIFT+ENTER
Graficul evolutiei cotelor de piață se poate realiza cu opțiunea Insert Chart/ Line din Excel.
Cotele de piaţă în starea de echilibru (steady state) se pot determina folosind SOLVER,
specificând celulele tinţă şi sistemul de restricţii astfel:
5
6
7
Obtinerea matricii la diferite puteri se poate realiza cu functia MMULT.
8
 Rezolvarea cu QM for Windows/ Markov Analysis:
 Din Module se alege optiune Markov Analysis:
9
 Se alege din bara de meniuri optiunea File/New, si se completeaza datele generale ale
problemei: Title-optional, Number of states – 3.
 Se introduc datele iniţiale:

 cota de piaţa ce formează vectorul cotelor de piaţă – pe coloana Initial,
 perioada pe care se face analiza evoluţiei cotelor de piaţă (6 luni) – la Number of
Transitions,
 probabilităţile de tranziţie ce formează matricea – pe liniile&coloanele numite State.
10
 După alegerea opţiunii Solve se obţin rezultatele urmatoare (starea stationara sau de
exhilibru):
 Cu opţiunea Window/Multiplication se obţin atât vectorii cotelor de piaţă la diferite

momente (linia End prob(ability), cât şi matricile de tranziţie la diferite puteri (in
tabelul perioadei 1 se află matricea la puterea 1, ş.a.m.d).
11
Seminar Modelarea Deciziilor Manageriale, MANAGEMENT anul III
Studiu de caz 3: Modelarea deciziilor in conditii de risc si incertitudine
Studiul 17 pag 106 din lucrarea Modelarea economica. Studii de caz. Teste, autori: Raţiu-
Suciu, C., Luban, F., Hîncu, D., Ciocoiu, N., Editura ASE, Bucureşti, 2007
Societatea comercială Alcora S.R.L. lansează pe piaţă un nou produs. Conjunctura pe piaţă poate fi
foarte favorabilă, mediu favorabilă sau nefavorabilă noului produs. Conducerea S.C. ia în
considerare 3 variante posibile de acceptare a produsului pe piaţă:
- produsul să fie acceptat uşor pe piaţă şi să se vândă într-o cantitate de 400 mii bucăţi;
- produsul să se vândă relativ uşor pe piaţă, într-o cantitate de 275 mii bucăţi;
- din produs să se vândă numai 150 mii bucăţi.
Conducerea societăţii are la dispoziţie 3 opţiuni de fabricare a produsului la fabricile din filialele
F1, F2, F3 (tabelul 4.1). Opţiunile se diferenţiază prin cheltuielile fixe pentru desfăşurarea producţiei
şi prin costul variabil unitar.
Tabelul 4.1
Filiala Cheltuieli fixe (mii u.m.) Cost variabil unitar(u.m./buc)
F1 4800 23
F2 5000 22
F3 5500 20
Se estimează că preţul de vânzare pe piaţă al produsului va fi de 42 u.m.

Se doreşte evaluarea consecinţelor economice (atât costurile implicate de desfăşurarea
producţiei, cât şi profiturile estimate) pentru fiecare situaţie posibilă în funcţie de ipotezele de
acceptare a produsului pe piaţă și determinarea celei mai potrivite strategii de fabricare a noului
produs (la care filială să fie produs).
Baza informaţională
• Datele referitoare la nivelurile posibile de producţie sunt calculate pe baza capacităţilor de
producţie la atelierele fiecărei filiale şi pe baza aprecierilor compartimentului de marketing asupra
vânzărilor potenţiale.
• Din analizele pieţei confecţiilor, efectuate de compartimentul de marketing şi după
efectuarea unor previziuni pe termen scurt asupra vânzărilor unor produse similare ale S.C. sunt
estimate probabilităţile ca produsul să se afle într-una din situaţiile descrise.
Date iniţiale:
3 variante 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.
3 opţiuni de fabricare a produsului la fabricile din filialele F1, F2, F3/variantele decizionale:
V1 - produsul se fabrică la filiala 1, cu cheltuieli fixe de 4800 mii um, cost unitar de 23 um;
V2 - produsul se fabrică la filiala 2, cheltuieli fixe de 5000 mii um, cost unitar de 22 um;
V3 - produsul se fabrică la filiala 3, cheltuieli fixe de 5500 mii um, cost unitar de 20 um.
► Consecinţe de tip costuri: CT = CF + CV; CV = Cv * Np;

Sau
1
► Consecinţe de tip venituri nete (profit):

Venituri = P * N p; Pr = Venituri – CT
în care: Pr reprezintă profiturile totale, CT - reprezintă cheltuielile totale, CV - cheltuielile
variabile, Cv - costul unitar variabil, Np - numărul de produse, P- preţul unitar.
Matricea decizională - Costuri:

Variante Stare S1 Stare S2 Stare S3
filiala 1 14000 11125 8250
filiala 2 13800 11050 8300
filiala 3 13500 11000 8500
Venituri 16800 11550 6300
Matricea decizională – profituri:

Variante Stare S1 Stare S2 Stare S3
filiala 1 2800 425 -1950
filiala 2 3000 500 -2000
filiala 3 3300 550 -2200
Identificarea variantei decizionale optime se va realiza în două cazuri:

1. în ipoteza că probabilităţile de manifestare a stărilor naturii nu se cunosc; se vor aplica
criteriile de decizie în condiții de incertitudine (criteriu maximax; Wald – criteriul pesimist,
Laplace – criteriul echiprobabilitatilor, Savage – criteriul minimizarii regretelor, iar pentru criteriul
Hurwicz se va considera  = 0,8).
2. în ipoteza cunoașterii probabilităților de manifestare a celor trei stări ale naturii (0,2
respectiv 0,5 și 0,3) se va aplica metoda valorii asteptate pentru luarea deciziilor in condiții de risc.
I. Rezolvarea in WINQSB/DA/Payoff Table Analysis:
Cazul 1: nu se cunosc probabilităţile de manifestare a stărilor naturii – decizii

în condiţii de incertitudine
Introducerea datelor pentru Profituri – decizii în condiţii de incertitudine (ca urmare a unei
acţiuni/alternative/variante decizionale pot apare mai multe consecinţe în funcţie de manifestarea
unui eveniment de tip aleator – descris printr-o stare a naturii).
2
Se introduc datele generale despre problemă:

Number of states of nature (numărul de stări ale naturii),
Number of decision alternatives (numărul de variabile decizionale).
Se apelează opţiunea Solve and analyse; se specifică apoi valoarea coeficientului de optimism
necesar în aplicarea tehnicii Hurwicz:
3
Rezultă tabelul final cu recomandarea de decizie pentru fiecare tehnică aplicată în condiţii de
incertitudine, cu valoarea atribuită acestor decizii:
Se calculează indicatorul VIP (valoarea informaţiei complete) sau Expected value of

perfect information:
●Valoarea informaţiei perfecte: EvofPI=EVwithPI-EVwithoutI.

Sau: VIP=EvofPI=633,33-550,00=83.33
Unde:
4
●Valoarea aşteptată fără informaţie (cu informaţie incompletă):

1
EVwithoutI  max i 1,m   cij = max {1/3*(2800+425-1950), 500, 550} =550
n j 1,n
Valoarea aşteptată cu informaţie perfectă:
1
EVwithPI    max i 1, m (cij ) = 1/3*(3300+550-1950)=633,33.
n j 1, n
Tabelul de aplicare a fiecărei tehnici decizionale:

de exemplu: tehnica pesimistă/prudentă sau max-min
I. pentru consecinţe de tip profit:
II. pentru max i min j Cij  V * i =1,…,m; j = 1,…,n care indică varianta optimă,
exemplificare pentru alternativa 1:

- valoarea minimă este -1950 (ca valoare negativă, în WINQSB, este indicată prin dispunerea între
paranteze);
- pentru alternativa 2: valoarea minimă este -2000;
- pentru alternativa 3: valoarea minimă este -2200;
dintre acestea se va alege valoarea cea mai mare adică, -1950, corespunzătoare alternativei 1.
- de exemplu: tehnica bazată pe minimizarea regretelor:

- min i max j Rij  V * , unde Rij = Cij  min i Cij , pentru i=1,…m; j=1,..n.
Matricea regretelor - Regret Table (aceasta înlocuieşte matricea iniţială a consecinţelor;

pentru criteriul de maxim, regretul se calculează ca diferenţă dintre cea mai mare valoare de pe o
coloană (pentru o anumită stare a naturii) şi valoarea fiecărei alternative decizionale):
Construirea arborelui de decizie

- se apasă butonul Results; se alege opţiunea de reprezentare grafică a arborelui decizional:
Show decision tree graph
5
- se recomandă bifarea căsuţei Display the expected values …. (din stânga-jos)

pentru a se reprezenta arborele cu valorile numerice asociate fiecărui nod decizional/ de tip
şansă).
Cazul 2: se cunosc probabilităţile de manifestare a stărilor naturii – decizii în

condiţii de risc
Varianta deciziilor în condiţii de risc (se cunosc probabilităţile asociate stărilor naturii); se reia
introducerea datelor în modulul WINQSB/DA/Payoff Table Analysis, pe primul rând al
6
matricii; adică, cel denumit Prior Probability se introduc probabilităţile asociate stărilor
naturii:
In tabelul cu rezultatele aplicării tehnicilor de decizie, s-au modificat valorile corespunzătoare

regulilor: Expect value, Expected Regret şi a VIP (a valorii perfecte a informaţiilor)
Expected Value of Perfect Information:
Valoarea informaţiei perfecte:

EVofPI=EVwithPI-EVwithoutI.
Sau:
VIP=EVofPI=350-275=75
Unde:
● Valoarea aşteptată fără informaţie (cu informaţie incompletă):
EVwithoutI  max i 1, m   p j  cij
j 1, n
● Valoarea aşteptată cu informaţie perfectă:

EVwithPI   p j  max i 1, m (cij ) .
j 1, n
7
Reprezentarea situației decizionale sub forma unui arborele de decizie:
II. Rezolvarea cu QM for Windows/ Decision Analysis:
OBS: este exemplificată doar rezolvarea pentru maximizarea profitului.
Se alege din bara de meniuri opțiunea Module, iar apoi se selectează Decision Analysis.
8
Se alege din bara de meniuri opțiunea File/New/1 Decision Tables și se completează datele
generale ale problemei:
- numărul de variante decizionale: Number of Decisions: 3
- numărul de stări ale naturii: Number of Nature States: 3
- Row names: Decision 1....
- Column names: State 1...
Cazul 1: nu se cunosc probabilităţile de manifestare a stărilor naturii – decizii

Se introduc datele iniţiale pentru Profituri.
Se specifică apoi valoarea coeficientului de optimism necesar în aplicarea tehnicii Hurwicz: 0.8
9
Se apasă butonul Solve, obținându-se rezultate pentru prima opțiune: 1 Decision Table Results.
Astfel, putem regăsi rezultatele pentru criteriile maxmin, maxmax și Hurwicz.
10
Opţiunea Window/ 2 Regret or Opportunity Loss afișează matricea regretelor, dar și rezultatul în
urma aplicării tehnicii bazate pe minimizarea regretelor.
Cu opţiunea Window/ 3 Hurwicz Table se afișează valori Hurwicz în funcție de alpha de la 0 la 1.
11
Pentru a obține Valoarea Informației Perfecte, este necesar să ne întoarcem la datele de intrare
(apăsând butonul Edit data) și să tastăm “=” în prima căsuță pentru probabilități. Programul va
atribui trei probabilități egale de manifestare a stărilor naturii.
Apăsăm din nou Solve,obținând încă o coloană EMV – Expected Monetary Value.
EMV se calculează ca suma produselor dintre o valoare a profitului și probabilitatea sa (aici
0.33). Există opțiunea Window/ Expected Value Multiplications pentru a observa suma
înmulțirilor respective.
Putem alege din Window/ Perfect Information pentru afișarea:

- Valoarii Informației Perfecte VIP = 83.33,
- Valorii așteptate fără informație sau cu informație incompletă (Best Expected Value = 550)
- Valorii așteptate cu informație perfectă (Perfect probability = 633.33)
12
 Recomandări de alegere a valorii coeficientului de optimism  pentru regula/ criteriul

Hurwicz şi surclasarea variantelor decizionale pentru valorile coeficientului de optimism 
 [0, 1].
Surclasarea variantelor decizionale se poate realiza in doua feluri:

1. Prin utilizarea programului informatic QM for Windows 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. In studiul de caz:
- ptr.   [0; 0,20], ordinea variantelor este V1/V2/V3
- ptr.   (0.20; 0,33], ordinea variantelor este V2/V1/V3
- ptr.   (0.33; 0,40], ordinea variantelor este V2/V3/V1,
- ptr.   (0.40; 1], ordinea variantelor este V3/V2/V1,
13
14
2. Determinarea prin calcul a intervalelor de variație ale lui alpha:

 Se aplica formula de calcul a lui Hurwicz pentru cele 3 variante (in matricea profiturilor)
considerând  necunoscută:
Criteriul lui HURWICZ: Ptr. coeficientul de optimism  [0, 1] ales de decident se determină:
V*= max [( max Cij)  (1  )( min Cij)]
i 1,..., m j1,... n j1,..., n
h1= α·2800 + (1 – α) · (-1950)

h2= α·3000 + (1 – α) · (-2000)
h3= α·3300 + (1 – α) · (-2200)
 Se egalează două câte două variantele si se obțin 3 valori ale lui .
h1=h2: α·2800 + (1 – α) · (-1950) = α·3000 + (1 – α) · (-2000) rezulta α = 0.20
h1=h3: α·2800 + (1 – α) · (-1950) = α·3300 + (1 – α) · (-2200) rezulta α = 0.33
h2=h3: α·3000 + (1 – α) · (-2000) = α·3300 + (1 – α) · (-2200) rezulta α = 0.04
Pe baza valorilor obtinute se identifica patru subintervale de valori pentru , respectiv:
α € [0, 0.2] α € (0.2, 0.33) α € (0.33, 0.4] α € (0.4, 1]
Se alege arbitrar câte o valoare pentru  în fiecare subinterval, se rulează problema in
Winqsb/DA sau QM for Windows/Decision Analysis pentru fiecare valoare aleasă și se
analizează care este ordinea de preferință a variantelor pe fiecare subinterval. Rezultatele sunt
aceleasi ca cele oferite de Hurwicz Table.
Cazul 2: se cunosc probabilităţile de manifestare a stărilor naturii – decizii în

condiţii de risc
In ipoteza cunoașterii probabilităților de manifestare a celor trei stări ale naturii: 0,2 respectiv 0,5 și
0,3 se revine la tabelul cu datele inițiale și pe linia Probabilities se introduc cele trei probabilități.
Prin rezolvare (Solve) se obțin tabelele din Window/ Decision Table Results și Expected Value
Multiplication unde se afiseaza Best Expected Monetary Value = 275 (given by Decision 3).
15
16
III. Rezolvarea in EXCEL
Cazul I: nu se cunosc probabilităţile de manifestare a stărilor naturii – decizii

Formulele pentru profituri:
17
18
19
Cazul II: se cunosc probabilităţile de manifestare a stărilor naturii – decizii în

condiţii de risc
20
21
Seminar Modelarea Deciziilor Manageriale, anul III, MANAGEMENT
Studiul de caz 4: Modelarea procesului de lansare pe piaţă a unui nou produs cu arbori de
decizie
Studiul de caz 7 pg. 147–din cartea Modelarea economica, autori: Ratiu-Suciu, C., Luban, F.,
Hincu, D., Ciocoiu, N., Editura ASE, Bucuresti, 2009
Sectorul de cercetări al unei firme de produse alimentare a realizat un nou tip de conservă
de carne. Se pune problema lansării ei pe piaţă după ce produsul a fost testat. Rezultatele testului
au arătat că noul produs nu este inferior produselor similare existente, iar din anumite puncte de
vedere este chiar mai bun.
În aceste condiţii, sectorul de marketing al firmei consideră că probabilitatea ca noul
produs să se bucure de succes este 0,3. În acest caz valoarea actualizată a profitului anual (total)
este de 3.000.000 €. În cazul unui eşec pe piaţă, firma va înregistra o pierdere de 250.000 €.
Date fiind aceste condiţii, admitem că firma poate alege una dintre următoarele trei
variante:
- să renunţe la lansarea noului produs;
- să pună imediat produsul în vânzare;
- să testeze vânzarea produsului într-un supermagazin (la un cost de 50.000 €).
Sunt posibile următoarele rezultate ale testului:

a) raspuns nefavorabil (noul produs să fie cumpărat de mai puţin de 10% din consumatori);
b) raspuns mediu favorabil (produsul să fie cumpărat de mai mult de 10% din consumatori
şi mai puţin 50% dintre ei îl vor solicita şi a doua oară);
c) raspuns favorabil (produsul va fi cumpărat de mai mult de 10% din consumatori şi mai
mult de 50% dintre aceştia vor solicita şi a doua oară).
Probabilităţile stabilite de experţi pe baza experienţei lor în legătură cu rezultatele posibile

ale testului sunt prezentate în tabelul 6.12.
Tabelul 6.12
<10% >10% Probabilitatea
(a) revin < 50% revin > 50%
(b) (c)
Succes (s) 0.03 0.07 0.2 0.3
Eşec (e) 0.47 0.18 0.05 0.7
Probabilitatea 0.5 0.25 0.25 1
Dacă rezultatele testului arată că produsul nu s-a impus atenţiei clienţilor, conducerea firmei are
alternativele:
 să renunţe la fabricarea produsului;
 să lanseze produsul pe piaţă.
1
Rezolvare:
Diferitele situaţii posibile le reprezentăm într-o diagramă (în formă de arbore) în care vom folosi
următoarele simboluri:
 ramurile vor reprezenta variantele decizionale: R – renunţare; L – lansare; T – testare.
 nodurile vor reprezenta punctele în care apar diversele alternative sub formele □ sau ;
şi anume, dacă conducerea firmei este cea care efectuează alegerea (□), iar dacă
responsabilitatea alegerii uneia din alternativele posibile revine „naturii”, adică unor
factori independenţi de firmă ( ).
 nodurile finale se reprezintă cu o foma geometrică diferită pentru a putea face
numerotarea acestora în vederea introducerii corecte in WINQSB.
Reprezentarea sub formă de diagramă este necesară pentru a putea introduce datele în WINQSB.
11
12
16
17
13
-50,000.00
18
19
14
20
21
15
10
2
Rezolvarea în WINQSB (WinQSB - modulul DA (Decision Analysis), opţiunea Decision Tree

Analysis).
Se introduc datele generale despre problemă:
Number of Nodes/Events (Including Terminals): numărul de noduri, inclusiv cele finale (21).
Introducerea datelor de intrare se va realiza astfel:

- se va introduce numele nodului, urmat de tipul acestuia (de decizie – D sau de tip
şansă/eveniment (chance) - C);
- se specifică nodurile corespunzătoare ramurilor care urmează (vor fi separate de virgulă);
- în coloana Node payoff, va fi specificat costul pentru varianta decizională ce presupune
testare;
- se vor specifica profiturile și pierderile asociate nodurilor finale (în coloana Node Payoff);
- în ultima coloană se introduc probabilităţile de realizare a stărilor naturii.
3
Se apelează opţiunea Solve and analyse / Solve the Problem.

Rezultă tabelul final cu recomandarea de decizie.
4
În nodul 1 există trei posibilităţi:

- renunţare (R) cu profit 0 u.m.,
- lansare (L) cu profit 725.000 u.m.
- testare (T) cu profit de 702.500 u.m. (752.500 – 50.000 = 702.500).
Soluția indică alegerea deciziei de Lansare, ca având profit maxim (valoarea nodului 1 este
725.000 u.m. și ea provine din nodul 2).
În urrmătoarea etapa decidentul nu mai poate alege o variantă de decizională, ci se manifestă
diverse stări ale naturii (evenimente), astfel: în nodul 2 produsul se poate bucura de succes (cu
probabilitatea 0,3) şi această situație ar aduce un profit de 3.000.000 €, respectiv se poate înregistra
un eşec (cu probabilitatea 0,7) ce ar atrage după sine o pierdere a 250.000 €.
Dacă se alege „lansarea”, profitul mediu este:
3.000.000 * 0,3 – 250.000 * 0,7 = 725.000 €.
Consecinţele care apar, ca urmare a deciziei de a testa vânzarea produsului:

- În nodurile 7-8-9 se pot manifesta două stări ale naturii/evenimente, respectiv: succes sau eşec.
Pentru a obţine valorile medii ale acestor noduri plecăm de la probabilităţile estimate de experţi pe
baza unor experienţe anterioare (şi prezentate în tabelul 6.12).
Calculăm probabilităţile condiţionate ale unui succes sau unui eşec, ştiind că s-a produs unul
dintre evenimentele a), b) sau c).
Ştim că din 100 de cazuri, în 50 se va produce (a), iar în trei dintre acestea lansarea produselor se
va bucura de succes, etc.
Probabilitatea unui:
 succes când s-a produs a) este 3/50 sau 0,06
 eşec când s-a produs a) este 47/50 sau 0,94
 succes când s-a produs b) este 7/25 = 0,28
 eşec când s-a produs b) este 18/25 = 0,72
 succes când s-a produs c) este 20/25 = 0,80
 eşec când s-a produs c) este 5/25 = 0,20
Calculăm valorile nodurilor de tip eveniment/șansă (C) folosind formula valorii așteptate maxime:
7 3.000.000 * 0,06 – 250.000 * 0,94 = - 55.000 €
8 3.000.000 * 0,28 – 250.000 * 0,72 = 660.000 €
9 3.000.000 * 0,80 – 250.000 * 0,20 = 2.350.000 €
În nodul 4 există cele două alternative (renunţare sau lansare pe piaţă a produsului):
 în caz de renunţare, pierderea = 0;
 în caz de lansare, pierderea este de 55.000 €
Se recomandă renunțarea.
În nodul 5 există două alternative și se alegeea cea cu profir maxim, respectiv lansarea
produsului deoarece astfel s-ar obține 660.000 u.m..
Analiza făcută pentru nodul 6 conduce la aceeaşi concluzie, adică este avantajos să se
lanseze produsul pe piaţă, deoarece venitul mediu al firmei va fi de 2.350.000 u.m.
5
În nodul 3 se pot manifesta 3 stări ale naturii/evenimente, respectiv (a), (b) sau (c), iar evaluarea
nodului 3 se face luând în considerare toate aceste situații, respectiv:
0* 0,50 +0,25 * 660.000 + 0,25 * 2.350.000 = 752.500 €
Vor trebui plătiţi 50.000 € pentru a ajunge la nodul 3, în aceste condiţii, valoarea netă a nodului 3
este: 7523.500 – 50.000 = 702.500 €
Revenim la nodul 1, unde constatăm:
 dacă se renunţă la nodul produs, atunci venitul este nul;

 dacă produsul este lansat imediat pe piaţă, venitul mediu va fi de 725.000 €
 dacă se utilizează un test prealabil, venitul mediu va fi de
702.500 €
În studiul nostru de caz, cheltuielile cerute pentru testarea pieţei nu sunt justificate şi
produsul va fi lansat pe piaţă fără a mai efectua testul.
Construirea arborelui de decizie:
- se apasă butonul Results; se alege opţiunea de reprezentare grafică a arborelui decizional: Show
decision tree graph
- se recomandă bifarea căsuţei Display the expected values for each node or event (din stânga-jos)
pentru a se reprezenta arborele cu valorile numerice asociate fiecărui nod decizional/ de tip şansă).
- se alege Node number and name, apoi OK.
6
Se recomanda analiza senzitivității solutiei la modificarea costului de testare din 50.000 u.m. in
20.000 u.m. și la modificarea probabilităților asociate răspunsurilor la test.
În cazul unor cheltuieli de testare de 20.000 u.m. decizia optimă va fi de testare a produsului, după
care, în funcție de modul în care consumatorii vor răspunde la test, se recomandă:
- renunțarea la lansare, în cazul unui răspuns nefavorabil (a)
- lansarea produsului și obținerea unui profit mediu de 660.000 u.m., în cazul unui răspuns
mediu favorabil (b)
- lansarea produsului și obținerea unui profit mediu de 2.350.000 u.m., în cazul unui
răspuns foarte favorabil (c)
 Rezolvarea cu QM for Windows/ Decision Analysis
METODA 1
Se alege din bara de meniuri opțiunea File/New/2 Decision Trees și se completează datele
generale ale problemei:
- numărul de ramuri: 20
- row names: se bifează branch 1, …
7
Introducerea datelor de intrare se va realiza astfel:

- în coloana Start Node se scrie nodul din care începe o ramură;
- în coloana End Node se scrie nodul în care se termină o ramură;
- dacă ramura începe într-un nod de tip șansă, atunci va avea și probabilitate asociată;
aceasta se scrie în coloana Branch Probability;
- se completează în coloana Profit cu valorile ce se regăsesc pe ramuri în arbore, fie profit,
fie costuri (se trec cu semnul “-”).
Se rezolvă problema cu Solve, iar rezultatele obținute sunt: (Window/ 1 Decision Tree Results)
8
Soluția este cea marcată cu roșu în coloana Branch use, ca Always. Mai jos, în bara de explicații,
se specifică faptul că este necesară o ramură ca cea formată din nodurile 1 și 2, întrucât reprezintă
alternativa cea mai bună, ce aduce un profit mediu de 725000.
Programul a adăugat în coloana Node Type, tipul fiecărui nod (decizie sau șansă), dar și valoarea
calculată a acestora, în coloana Node Value.
Arborele de decizie (schematic) apare selectând din Window / 2 Tree Structure.
9
Nota: Reprezentarea de mai sus nu este competa si nu este recomandabila pentru a fi inclusa in
proiectul de disciplina sau in analizele economice. O reprezentare fidela ce respecta regulile de
intocmire a a unui arbore de decizie este obtinuta cu metoda 2 (grafica).
METODA 2
Există și opțiunea de a selecta din bara de meniuri File/New/3 Decision Trees Graphical.
Introducem numele problemei si selectam la Objective optiunea: Profits (maximize).
Desenarea arborelui de decizie se face folosind optiunile din partea dreapta a ecranului. Pornim de
la nodul 1, știm că acesta se leagă de nodurile 2, 3 și 10. Prin urmare, în căsuța ”n:” tastăm 3.
Apoi apăsăm Add n branches.
Mai jos, exista opțiunea de denumi ramurile, de a adăuga probabilități și valori ale profitului.
Pentru a completa date pentru nodul următor, se face click pe nod și automat se vor schimba
căsuțele (exemplu: va apărea scris: Data for branch 1-2 sau Data for branch 1-3 sau Data for
branch 1-4).
10
Dăm click pe nodul 2, îi selectăm două ramuri, le denumim, le scriem probabilitățile și profiturile.
Știm că nodurile care pleacă din nodul 2, sunt noduri finale, însă, nu avem opțiunea de a le desena
diferit, prin punct, așa cum se poate face în Winqsb. Nici numărătoarea în arbore nu va fi aceeași.
Totuși numărul de noduri va rămâne 21.
Mai departe, dăm click pe fiecare nod în parte și completăm cu datele necesare până la construire
arborelui.
11
Apăsăm Solve și obținem:
 valorile fiecărui nod;
 variantele de decizie optime aferente fiecarui nod decizional, colorate în albastru;
12
13
Seminar Modelarea Decziilor Manageriale, anul III, MANAGEMENT
Studiul de caz 5: “Decizia multicriteriala de selectare a unui autoturism” - rezolvare cu

metoda utilitatii globale maxime
O persoană dorește să achiziționeze un autoturism și după îndelungi cercetări ale pieței a

reținut patru tipuri (notate A, B, C, D) caracterizate prin pret, dar și caracteristici tehnice si de
design diferite. Decidentul a selectat 6 criterii pe baza cărora dorește să își fundamenteze
decizia (4 criterii de maxim, 2 de minim) (Tabelul 1). Se dorește identificarea acelei variante
de autoturism care permite cea mai bună îndeplinire a criteriilor de decizie stabilite de
decident.
Tabelul 1
Criterii/ Variante
decizionale Masina A Masina B Masina C Masina D
Sens criteriu
Pretul (u.m.) 18100 16200 12500 14500

Min
Consum mediu de
carburant 11 7.5 6.8 7.2
(litri/100 km) Min
Imbunatatiri De lux Peste medie Standard Standard
Max
Nr. de usi 4 2 2 4 Max
Spatiu interior foarte mare mare mediu mic
Max
Motorul (nr cilindrii) 6 4 5 6 Max
Rezolvare:
Construirea matricii utilitatilor sia cotrdarea coeficientilor de importanță criteriilor de decizie:
Criterii/
Variante decizionale Masina A Masina B Masina C Masina D Coef. de
importanta
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
1
Calculul utilității globale și ierarhizarea variantelor decizionale:
Masina A Masina B Masina C Masina D
0.000 0.102 0.300 0.193
0.000 0.167 0.200 0.181
0.160 0.080 0.000 0.000
0.140 0.000 0.000 0.140
0.100 0.066 0.033 0.000
0.100 0.000 0.050 0.100
0.500 0.414 0.583 0.614
Ierarhizarea variantelor:
Masina D, Masina C, Masina A, Masina B
I. Rezolvarea cu Excel
- Introducerea datelor de intrare in Excel
2
- Construirea matricii utilitatiilor
Matricea utilitatilor
Criterii/Variante Coef. de
decizionale importanta
Pretul 0,00 0,34 1,00 0,64 0,3
Consum de
arburant 0,00 0,83 1,00 0,90
(litri/100 km) 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 0,00 0,50 1,00 0,1
3
Calculul utilitatii globale maxime:

0,000 0,102 0,300 0,193
0,000 0,167 0,200 0,181
0,160 0,080 0,000 0,000
0,140 0,000 0,000 0,140
0,100 0,066 0,033 0,000
0,100 0,000 0,050 0,100
Total 0,500 0,414 0,583 0,614
4
II. Rezolvarea cu QM for Windows/Decision Analysis/File/New/ Factor Rating
Se introduc mai întâi numărul de criterii (6) și numărul de variante de decizie (4).
Obs: Introducerea datelor pornește de la tabelul cu utilități deja definite.

În prima coloană Weights se completează coeficienții de importanță pentru fiecare criteriu (în
acest caz s-au folosit aceeași coeficienți ca și în rezolvarea cu Excel, dar alegerea ponderilor
revine decidenților).
În coloanele de opțiuni se completează valorile din matricea utilităților.
5
Se apasă Solve. La datele inițiale introduse de utilizator, programul adaugă utilitățile globale
maxime (Weighted Total), fără a prezenta calcul efectiv al lor (a se vedea rezolvarea în
Excel).
În final, putem ierarhiza singuri variantele, în funcție de rezultatele obținute:

Mașina D (option 4 cu Weighted 0,61)
Mașina C
Mașina A
Mașina B
6
Seminar Modelarea Deciziilor Manageriale, anul III MANAGEMENT
Studiu de caz 6: Determinarea structurii sortimentale optime cu modelul de programare

liniara (variabile numere reale)
(Studiul de caz 4 din cartea RSC, LF, HD, CN, Modelare economică, Ed. ASE, 2009, p. 100)
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.
Modelul economico - matematic

Se notează cu x vectorul programului de producţie pentru luna următoare format din
componentele:
x1 = cantitatea din Stofa1
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
Rezolvarea problemelor de programare liniară

Metodele de rezolvare ale modelelor de programare liniară au la bază algoritmul simplex
construit de G. Dantzig24. Acest algoritm presupune transformarea în ecuaţii a restricţiilor liniare de
tip inecuaţii. Astfel, o restricţie de tip „” va deveni ecuaţie prin scăderea, din partea stângă a
restricţiei, a unei variabile nenegative de surplus, iar o restricţie „” va deveni ecuaţie prin adăugarea,
în partea stângă a restricţiei, a unei variabile nenegative de rezervă.
În ambele situaţii, aceste variabile au semnificaţii economice specifice procesului economic modelat.
Prin aceste transformări, un sistem cu m restricţii liniare de tip inecuaţii şi cu n necunoscute va
deveni un sistem cu m ecuaţii liniare şi (n + m) necunoscute. Acest sistem de ecuaţii este
nedeterminat şi are o infinitate de soluţii în cazul în care domeniul definit de restricţii este nevid.
24
J. A. Lawrence, B. A. Pasternack, Applied Management Science. A Computer Integrated Approach for Decision
Making. John Wiley & Sons Inc., New York, 1998
1
Forma duală a modelului de programare liniară

Orice problemă de programare liniară are două forme: forma primală şi forma duală.
Prin rezolvarea uneia dintre ele se obţin soluţiile pentru ambele forme. Unele programe
informatice construiesc automat duala problemei de programare liniară introdusă de utilizator.
Pentru Studiul de caz 4, forma duală a modelului de programare liniară este următoarea:
Funcţia obiectiv:
min (8000u1 + 10000u2 + 2400u3)
Restricţiile liniare:
u1 + u2 + 0,2u3  57
u1 + u2 + 0,3u3  70
u1 + u2 + 0,1u3  50
Restricţiile referitoare la semnul variabilelor:
u1  0
u2  0
u3  0
Forma duală se poate obţine prin aplicarea următoarelor reguli:
- Fiecărei restricţii liniare din primală se asociază o variabilă duală numită şi preţ dual
sau preţ umbră. Rezultă ca numărul variabilelor duale este egal cu numărul restricţiilor liniare ale
primalei;
- Fiecărei variabile din primală se asociază o restricţie liniară în duală construită cu
coeficienţii variabilei respective în primală. Termenii liberi din partea dreaptă a sistemului de
restricţii liniare din duală sunt coeficienţii variabilelor din funcţia obiectiv a primalei. Rezultă ca
numărul de restricţii liniare ale dualei este egal cu numărul variabilelor primalei.
- Dacă funcţia obiectiv a primalei este de maxim atunci funcţia obiectiv a dualei este de
minim şi invers. Coeficienţii din funcţia obiectiv duală sunt termenii liberi din partea dreaptă a
sistemului de restricţii liniare din primală.
- Semnele variabilelor duale şi ale restricţiilor din duală depind de tipul primalei şi de
semnele restricţiilor din primală, respectiv semnele variabilelor primale. Pentru forma primală de
maxim: fiecărei restricţii de forma , , =, din forma primală, îi corespunde în forma duală o
variabilă nenegativă, nepozitivă, respectiv oarecare; fiecărei variabile nenegative, nepozitivă,
oarecare din primală îi corespunde în forma duală o restricţie de forma , , respectiv =. Pentru
forma primală de minim: fiecărei restricţii de forma , , =, din forma primală, îi corespunde în
forma duală o variabilă nepozitivă, nenegativă, respectiv oarecare; fiecărei variabile nenegative,
nepozitivă, oarecare din primală îi corespunde în forma duală o restricţie de forma , , respectiv
=.
Rezolvarea în sistem conversaţional se poate efectua cu produse informatice cum sunt:

QMforWindows/Linear Programming, WINQSB/Lp – ilp, SOLVER care este un instrument add-
ins al sistemului Excel.
I. Rezolvarea cu WINQSB/Lp-ilp
Rezolvarea cu produsul informatic WINQSB presupune parcurgerea următoarelor etape:
• se selectează modulul Linear and Integer Programming (LP-ILP)
Introducerea datelor problemei - se completează următoarele câmpuri:
 Problem Title - titlul problemei (opţional)
 Number of Variables – numarul variabilelor modelului (Variables): 3
 Number of Constraints – numarul restricțiilor (Constraints): 3
 Objective Criterion – sensul optimizării funcției obiectiv: Maximizare
2
 Default Variable Type – tipul variabilelor: numere reale nenegative (Nonnegative

continuous)
 Data Entry Format – modul de introducere a datelor problemei: tabelar (Spreadsheet
Matrix Form)
După completarea acestora, se continuă prin OK.
Se introduc datele specifice problemei analizate:
 coeficienții variabilelor funcției obiectiv și

 inecuațiile aferente fiecărei restricții
Prin rezolvarea modelului de programare liniara (Solve and Analyze – Solve the Problem) se
obține următorul raport:
3
Parametrizarea coeficientului c1 asociat variabilei x1 în funcţia obiectiv (Results – Perform

Parametric Analysis):
Results – Graphic Parametric Analysis
4
Parametrizarea termenului liber b3 asociat restricţiei C3 referitoare la materia primă de import

(Results – Perform Parametric Analysis):
Results – Graphic Parametric Analysis
Interpretarea rezultatelor obținute prin rezolvarea cu WINQSB/Lp – ilp:
Prima parte a Tabelului 5.1 se referă la soluţia optimă a modelului de programare liniară.
 Coloana Solution value conţine soluţia optimă, adică varianta decizională care conduce
la cea mai bună valoare a criteriului de performanţă specificat prin funcţia obiectiv. Astfel,
programul de producţie propus pentru luna următoare prevede realizarea de 7000 m Stofa2 şi
3000 m Stofa3. Produsul Stofa1 nu face parte din programul optim de producţie.
5
 Coloana Unit cost or profit c(j) conţine coeficienţii variabilelor de decizie din funcţia
obiectiv. În exemplul numeric, aceşti coeficienţi reprezintă preţurile unitare de vânzare propuse
de decident.
Tabelul 5.1
Combined Report
Decision Solution Unit Total Reduced Basis Allowable Allowable
Variable Value Cost or Contri- Cost Status Min. c(j) Max. c(j)
Profit bution
c(j)
1 X1 0 57.00 0 -3.00 at bound -M 60.00
2 X2 7000.00 70.00 490000.00 0 basic 64.00 150.00
3 X3 3000.00 50.00 150000.00 0 basic 44.00 70.00
Objective Function (Max)= 640000.00
Constraint Left Direc- Right Slack Shadow Allowable Allowable

Hand tion Hand or Price Min. RHS Max. RHS
Side Side Surplus
1 C1 10000.00 >= 8000.00 2000.00 0 -M 10000.00
2 C2 10000.00 <= 10000.00 0 40.00 8000.00 24000.00
4 C3 2400.00 <= 2400.00 0 100.00 1000.00 3000.00
 Coloana Total Contribution se obţine prin înmulţirea elementelor din coloana

Solution value cu elementele corespunzătoare din Coloana Unit cost or profit c(j). Prin
însumarea acestor produse se obţine valoarea totală a criteriului de performanţă. Astfel, venitul
total estimat să se realizeze prin vânzarea a 7000 m Stofa2 şi 3000 m Stofa3 este de 490000 u.m.
+ 150000 u.m. = 640000 u.m.
 Coloana Reduced Cost conţine costurile reduse (cj – zj) folosite în algoritmul simplex
pentru verificarea optimalităţii soluţiilor problemei de programare liniară. Costul redus este
diferit de zero numai dacă variabila asociată are valoarea zero în soluţia optimă şi arată cu cât s-
ar înrăutăţi valoarea funcţiei obiectiv dacă valoarea variabilei asociate ar creşte de la 0 la 1. În
valoare absolută, costul redus (cj – zj) arată cu cât trebuie îmbunătăţit coeficientul cj din funcţia
obiectiv, astfel încât xj să devină eficient. În Tabelul 5.1, x1 are valoarea zero şi costul redus egal
cu -3 u.m. Rezultă că, pentru a fi eficientă introducerea în programul de producţie a produsului
Stofa1 este necesar ca preţul său de vânzare să fie mai mare de (57 + 3) u.m. În condiţiile
specificate, realizarea unui metru din Stofa1 va conduce la modificarea programului optim de
producţie şi la reducerea venitului total cu 3 u.m. Venitul total obţinut va fi de (640000 – 3) = 639997
u.m.
 Coloana Basis Status arată dacă variabilele decizionale sunt variabile bazice sau
nebazice. Variabilele nebazice au valoarea zero (at bound).
 Coloanele Allowable Min c(j) şi Allowable Max c(j) definesc intervale de optimalitate
pentru coeficienţii cj din funcţia obiectiv. Aceste intervale sunt necesare la analiza senzitivităţii
valorii optime a funcţiei obiectiv la variaţia coeficienţilor cj asociaţi variabilelor decizionale.
Partea a doua a Tabelului 5.1 se referă la restricţiile liniare ale problemei de programare
liniară. În lipsa unor denumiri specificate de utilizator, restricţiile sau constrângerile au fost
denumite C1, C2 şi C3.
 Coloana Left Hand Side conţine valoarea fiecărei restricţii în raport cu soluţia optimă.
 Coloana Right Hand Side conţine valorile specificate de decident pentru termenii
liberi din partea dreaptă a sistemului de restricţii.
6
 Coloana Slack or Surplus conţine valorile optime ale variabilelor de rezervă (slack)
sau de surplus. Se observă că se vor realiza 2000 m în plus faţă de cantitatea totală contractată de
8000 m.
 Coloana Shadow Price conţine valorile optime ale variabilelor duale care se mai
numesc preţuri duale sau preţuri umbră. Ele sunt asociate restricţiilor liniare. Preţul umbră este
diferit de zero numai dacă restricţia asociată este verificată cu egalitate de către soluţia optimă a
primalei. Astfel, restricţiile C2 şi C3 sunt verificate cu egalitate, au preţurile umbră de 40 u.m. şi
respectiv 100 u.m. Preţurile umbră sunt folosite la analiza senzitivităţii valorii optime a funcţiei
obiectiv primale la variaţia termenilor liberi din partea dreaptă a restricţiilor liniare.
 Coloanele Allowable Min RHS şi Allowable Max RHS definesc pentru fiecare
restricţie, intervalul de variaţie al termenului bi din partea dreaptă (RHS) pentru care este valabil
preţul umbră asociat, în ipoteza că nu se modifică alţi coeficienţi ai modelului. Astfel, 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.
Analiza senzitivităţii soluţiei optime curente la variaţia unui singur coeficient din funcţia obiectiv
Această analiză se referă numai la soluţia optimă curentă a primalei. Se studiază

stabilitatea soluţiei optime primale la variaţia unui singur coeficient cj din funcţia obiectiv, în
ipoteza că ceilalţi coeficienţi ai modelului nu se modifică.
Dacă se cunoaşte soluţia optimă şi intervalul de variaţie al unui coeficient cj al funcţiei
obiectiv, în ipoteza că ceilalţi coeficienţi ai modelului nu se modifică, se poate determina variaţia
corespunzătoare a valorii optime a funcţiei obiectiv.
Din Tabelul 5.1 rezultă că, 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 640000 u.m. la 654000 u.m.
Parametrizarea unui singur coeficient din funcţia obiectiv

În Tabelul 5.2 sunt prezentate rezultatele obţinute cu WINQSB/Lp-ilp în cazul
parametrizării coeficientului c1 asociat variabilei x1 în funcţia obiectiv.
Tabelul 5.2
Parametric Analysis for LP Sample Problem -- Objective Function
From Coeff. To Coeff. From To Leaving Entering
Range Slope
of X1 of X1 OBJ Value OBJ Value Variable Variable
1 57.00 60.00 640000.00 640000.00 0 X3 X1
2 60.00 70.00 640000.00 700000.00 6000.00 X2 Slack_C3
3 70.00 M 700000.00 M 10000.00
4 57.00 -M 640000.00 640000.00 0
Se observă că s-au obţinut patru intervale de variaţie pentru preţul unitar de vânzare al
produsului Stofa1: trei intervale la dreapta preţului iniţial de 57 u.m./metru propus de decident şi
un singur interval la stânga lui. În Figura 5.1 este reprezentată variaţia valorii funcţiei obiectiv
adică a venitului total care poate fi realizat dacă se modifică preţul de vânzare pentru Stofa1, iar
7
preţurile unitare de vânzare pentru Stofa2 şi Stofa3 se menţin la 70 u.m./metru şi respectiv 50

u.m./metru.
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
Figura 5.1
In coloana Slope din Tabelul 5.2, este prezentat, pentru fiecare interval de variaţie al
coeficientului lui x1, raportul dintre variaţia funcţiei obiectiv şi variaţia coeficientului. In acest
tip de parametrizare, raportul reprezintă chiar valoarea optimă a variabilei decizionale al cărui
coeficient variază. Rezultă că pentru preţul de vânzare cuprins între 57 u.m./metru şi 60
u.m./metru, valoarea lui x1 în programul optim de producţie este zero. Aceeaşi situaţie apare şi
pentru un preţ mai mic de 57 u.m./metru.
Prin urmare, valoarea x1 = 0 este optimă pentru orice preţ mai mic de 60 u.m./metru. Dacă preţul
de vânzare pentru Stofa1 va deveni mai mare de 60 u.m./metru atunci se va modifica programul
de producţie. Din coloanele Leaving Variable şi Entering Variable se observă că în acest caz va
ieşi din program x3, adică Stofa3 şi va intra în program x1, adică Stofa1.
Dacă valoarea coeficientului lui x1 variază între 60 u.m./metru şi 70 u.m./metru atunci
venitul total creşte de la 640000 u.m. la 700000 u.m., iar valoarea optimă a lui x1 va fi de 6000
metri. Dacă preţul de vânzare pentru Stofa1 devine mai mare de 70 u.m./metru atunci va ieşi din
program Stofa2 şi va deveni pozitivă variabila de rezervă asociată restricţiei C3 referitoare la
materia primă de import.
Pentru preţul mai mare de 70 u.m./metru pentru Stofa1, programul optim de producţie
constă în realizarea de 10000 metri Stofa1.
Analiza senzitivităţii preţurilor umbră curente la variaţia unui singur termen din partea
dreaptă a restricţiilor
Această analiză se referă numai la soluţia optimă curentă a dualei.
Se studiază invariabilitatea soluţiei optime duale, adică a preţurilor umbră optime, la variaţia unui
singur termen liber din partea dreaptă a sistemului de restricţii liniare, în ipoteza că ceilalţi
coeficienţi ai modelului nu se modifică.
Din Tabelul 5.1 rezultă că, în cazul modificării unui termen liber în intervalul definit
pentru fiecare restricţie prin Allowable Min RHS şi Allowable Max RHS, variabilele x2 şi x3 vor
rămâne variabile bazice nenegative, iar x1 va avea valoarea zero, fiind nebazică. În noua situaţie,
se vor realiza tot produsele Stofa2 şi Stofa3 ca şi în soluţia optimă iniţială, dar în alte cantităţi
8
deoarece s-a modificat un termen liber şi atunci vectorul b => b', astfel încât xB = B-1b'  0
pentru Produsul Stofa1 nu va fi inclus în programul optim de producţie.
Dacă se cunoaşte intervalul de variaţie al termenului liber bi şi preţul umbră asociat ui, în
ipoteza că ceilalţi coeficienţi ai modelului nu se modifică, se poate determina variaţia
corespunzătoare a valorii optime a funcţiei obiectiv primale. Preţul umbră ui arată cu cât se va
modifica valoarea optimă a funcţiei obiectiv, dacă s-ar putea mări cu o unitate termenul liber bi.
În cazul exemplului numeric analizat, preţul umbră asociat restricţiei C3 referitoare la
materia primă de import MI este 100 u.m./kg. Acest preţ este valabil (adică rămâne neschimbat)
dacă disponibilul de resursă MI variază 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.
Preţul umbră poate fi folosit pentru analiza investiţiei necesare pentru suplimentarea
resursei. Pentru ca investiţia să poată fi recuperată, preţul unitar de achiziţie trebuie să fie mai mic
decât preţul umbră de 100 u.m.
În ipoteza că ceilalţi coeficienţi ai modelului nu se modifică, iar disponibilul de resursă MI
variază între 1000 kg şi 3000 kg, programul optim de producţie va include numai tipurile Stofa2 şi
Stofa3. Tipul Stofa1 nu va face parte din programul de producţie pentru luna următoare. În
terminologia teoriei programării liniare, pentru acest interval de variaţie, x1 este variabilă nebazică,
iar x2 şi x3 sunt variabile bazice. De aceea, intervalul [1000; 3000] este interval de admisibilitate al
soluţiei de bază curente.
Parametrizarea unui singur termen din partea dreaptă a restricţiilor

În Tabelul 5.5 sunt prezentate rezultatele obţinute cu WINQSB/Lp-ilp în cazul
parametrizării termenului liber b3 asociat restricţiei C3 referitoare la materia primă de import.
Tabelul 5.5
Parametric Analysis for LP Sample Problem - Right-Hand-Side
From RHS To RHS From To Leaving Entering
of C3 of C3 OBJ Value OBJ Value Slope Variable Variable
1 2400.00 3000.00 640000.00 700000.00 100.00 X3 Slack_C3
2 3000.00 M 700000.00 700000.00 0
3 2400.00 1000.00 640000.00 500000.00 100.00 X2 Slack_C2
4 1000.00 800.00 500000.00 400000.00 500.00 Surplus_C1
5 800.00 -Infinity Infeasible
S-au obţinut cinci intervale de variaţie pentru disponibilul de materie primă: două
intervale la dreapta disponibilului de 2400 kg şi trei intervale la stânga lui. În Figura 5.3 este
reprezentată variaţia valorii funcţiei obiectiv adică a venitului total care poate fi realizat dacă se
modifică disponibilul de resursă MI, iar ceilalţi termeni liberi se menţin la 8000 metri de stofă
contractată şi respectiv 10000 metri cerere maximă estimată.
9
Figura 5.3
În coloana Slope din Tabelul 5.5, este prezentat, pentru fiecare interval de variaţie al
termenului liber b3, raportul dintre variaţia funcţiei obiectiv şi variaţia termenului liber. In acest
tip de parametrizare, acest raport reprezintă chiar valoarea optimă a preţului umbră asociat
restricţiei al cărui termen liber variază. Rezultă că pentru disponibilul de resursă cuprins între
2400 kg şi 3000 kg, valoarea optimă a preţului umbră asociat va fi de 100 u.m./kg. Aceeaşi
situaţie apare şi dacă disponibilul de resursă se reduce de la 2400 kg la 1000 kg. Prin urmare,
preţul umbră optim de 100 u.m./kg este valabil pentru orice disponibil de resursă cuprins între
1000 kg şi 3000 kg. Dacă disponibilul de resursă va deveni mai mare de 2400 kg atunci se va
modifica programul de producţie. Din coloanele Leaving Variable şi Entering Variable se
observă că în acest caz va ieşi din program x3, adică Stofa3 şi va deveni pozitivă variabila de
rezervă Slack_C3, adică va rămâne materie primă neutilizată.
Dacă firma dispune de o cantitate de resursă de import MI mai mare de 3000 kg, atunci
venitul total de 700000 u.m. rămâne neschimbat, iar valoarea optimă preţului umbră asociat este
zero.
În cazul unei cantităţi de resursă MI mai mică de 1000 kg, va ieşi din programul de
producţie Stofa2 şi va deveni pozitivă variabila Slack_C2 care reprezintă cererea fără contract
neonorată.
Dacă se reduce cantitatea de resursă de la 1000 kg la 800 kg, venitul total se reduce de la
500000 u.m. la 400000 u.m. Preţul umbră al resursei pentru acest interval de variaţie este de 500
u.m./kg.
Pentru o cantitate de resursă MI mai mică de 800 kg nu există soluţie admisibilă, adică nu
se poate realiza cantitatea de stofă contractată.
10
II. Rezolvarea in Excel

- Introducerea datelor de intrare
- Rezolvarea cu optiunea Solver. Dupa activarea optiunii se adauga restrictiile din fereastra Subject
to the constraints dand click pe butonul Add.
11
- Cele 3 rapoarte selectate din Reports se genereaza in sheeturi separate:
ANSWER REPORT
Worksheet: [aplicatie PL in xls.xls]model PL
Result: Solver found a solution. All Constraints and optimality conditions are satisfied.
Solver Engine
Engine: Simplex LP
Solution Time: 0 Seconds.
Iterations: 4 Subproblems: 0
Solver Options
Max Time 100 sec, Iterations 100, Precision 0,000001
Max Subproblems Unlimited, Max Integer Sols Unlimited, Integer Tolerance 5%, Solve Without
Integer Constraints
Objective Cell (Max)

Original
Cell Name Value Final Value
$F$2 valoarea functiei obiectiv 0 640000
12
Variable Cells
Original
Cell Name Value Final Value Integer
$B$11 x1 0 0 Contin
$C$11 x2 0 7000 Contin
$D$11 x3 0 3000 Contin
Constraints
Cell Name Cell Value Formula Status Slack
$E$6 c1 LHS 10000,00 $E$6>=$G$6 Not Binding 2000,00
$E$7 c2 LHS 10000,00 $E$7<=$G$7 Binding 0
$E$8 c3 LHS 2400,00 $E$8<=$G$8 Binding 0
$B$11 x1 0 $B$11>=0 Binding 0
$C$11 x2 7000 $C$11>=0 Not Binding 7000
$D$11 x3 3000 $D$11>=0 Not Binding 3000
SENSITIVITY REPORT
Microsoft Excel 14.0 Sensitivity Report
Variable Cells
Final Reduced Objective Allowable Allowable
Cell Name Value Cost Coefficient Increase Decrease
$B$11 x1 0 -3 57 3 1E+30
$C$11 x2 7000 0 70 80 6
$D$11 x3 3000 0 50 20 6
Constraints
Final Shadow Constraint Allowable Allowable
Cell Name Value Price R.H. Side Increase Decrease
$E$6 c1 LHS 10000 0 8000 2000 1E+30
$E$7 c2 LHS 10000 40 10000 14000 2000
$E$8 c3 LHS 2400 100 2400 600 1400
LIMITS REPORT
Microsoft Excel 14.0 Limits Report
Objective
Cell Name Value
$F$2 valoarea functiei obiectiv 640000
Variable Lower Objective Upper Objective

Cell Name Value Limit Result Limit Result
$B$11 x1 0 0 640000 0 640000
$C$11 x2 7000 5000 500000 7000 640000
$D$11 x3 3000 1000 540000 3000 640000
13
III. Rezolvarea in QM for Windows
Rezolvarea cu produsul informatic QM presupune parcurgerea următoarelor etape:

• se selectează modulul Linear Programming
Introducerea datelor problemei - se completează următoarele câmpuri:
 Title - titlul problemei (opţional)
 Number of Variables – numarul variabilelor modelului (Variables): 3
 Number of Constraints – numarul restricțiilor (Constraints): 3
 Objective – sensul optimizării funcției obiectiv: Maximizare
 Raw names – bifăm prima opțiune: Constraint 1,...
 Column names – bifăm prima opțiune: X1,....
Introducem valorile coeficienților fiecărei variabile din funcția obiectiv și restricții. Automat, în
ultima coloană se compune forma inecuațiilor și a funcției obiectiv.
14
Apăsăm Solve, iar rezultatele indică programul de producție următor:
Accesăm Window/2 Ranging și vom obține un tabel cu soluțiile primalei și dualei.

În prima parte a tabelului avem:
 Coloana Value ce conţine soluţia optimă.
 Coloana Reduced Cost conţine costurile reduse (cj – zj).
 Coloana Original Val conţine coeficienţii c(j) ai variabilelor de decizie din funcţia
obiectiv.
15
 Coloanele Lower Bound și Upper Bound definesc intervale de optimalitate pentru

coeficienţii c(j) din funcţia obiectiv.
În a doua parte a tabelului avem:

 Coloana Dual Value conţine valorile optime ale variabilelor duale care se mai numesc
preţuri duale sau preţuri umbră.
 Coloana Slack/Surplus conţine valorile optime ale variabilelor de rezervă (slack) sau de
surplus.
 Coloana Original Val conţine coeficienţii c(j) ai variabilelor de decizie din funcţia
obiectiv.
 Coloanele Lower Bound și Upper Bound definesc pentru fiecare restricţie, intervalul de
variaţie al termenului liber din partea dreaptă (RHS) pentru care este valabil preţul umbră
asociat, în ipoteza că nu se modifică alţi coeficienţi ai modelului.
16
Un alt mod de a afișa atât soluția primalei (Solution), cât și soluția dualei (Dual) este disponibil
prin accesarea Window/ Original Problem w answers.
17
Studiul de caz 7: Modelarea structurii de producţie cu mai multe funcţii obiectiv,

rezolvare cu modelul de Programare Scop
Studiul de caz 10 din Raţiu-Suciu C., Luban F., Hîncu D., Ciocoiu N., Modelare
economică, Editura ASE, Bucureşti, 2009
O societate comercială, specializată în realizarea de vopsea lavabilă pentru zugrăveli,

urmează să producă în luna următoare, pe baza studiilor de piaţă întreprinse, trei tipuri de produse:
Pcs1, Pcs2 şi Pcs3. Se doreşte stabilirea unui program de producţie în următoarele condiţii:
1. Maximizarea venitului total dacă preţurile de vânzare sunt: 60 u.m./tonă pentru Pcs1,
120 u.m./tonă pentru Pcs2 şi 90 u.m./tonă pentru Pcs3;
2. Minimizarea timpului necesar de lucru, ştiind că sunt necesare 15 ore/tonă pentru Pcs1,
10 ore/tonă pentru Pcs2 şi 19 ore/tonă pentru Pcs3;
3. Minimizarea consumului total din materia primă de import Mimp din America de Sud,
cunoscându-se consumurile specifice: 0,2 tone Mimp la o tonă Pcs1, 0,6 tone Mimp la o tonă Pcs2,
0,4 tone Mimp la o tonă Pcs3;
4. Consumul total din materialul Mat1 să nu depăşească 10 tone dacă sunt necesare 0,6
tone Mat1 pentru o tonă Pcs1, 0,6 tone Mat1 pentru o tonă Pcs2, 0,2 tone Mat2 pentru o tonă Pcs3;
5. Cantitatea realizată din Pcs1 şi Pcs2 să fie de cel puţin 12 tone;
6. Cantitatea contractată de Pcs3 este de 5 tone.
Modelul economico - matematic
Se notează cu x vectorul programului de producţie pentru luna următoare format din

componentele:
x1 = cantitatea din Pcs1
Funcţiile obiectiv
1. Maximizarea venitului total
(max) f1(x) = 60x1 + 120x2 + 90x3
2. Minimizarea timpului necesar de lucru
(min) f2(x) = 15x1 + 10x2 + 19x3
3. Minimizarea consumului total din materia primă de import
(min) f3(x) = 0,2x1 + 0,6x2 + 0,4x3
Restricţia referitoare la materialul Mat1:

C1: 0,6x1 + 0,6x2 + 0,2x3  10
Restricţiile referitoare la cantităţile contractate:
C2: 1x1 + 1x2  12
C3: 1x3  5
1
Restricţiile de nenegativitate:
x1  0, x2  0, x3  0,
Rezolvare cu metoda programării scop

În studiul de caz 10 referitor la programul de producţie pentru produsele Pcs1, Pcs2 şi Pcs3,
nivelurile de aspiraţie corespunzătoare funcţiilor obiectiv vor fi valorile optimiste 2700 u.m., 215 ore
şi 4,4 tone ale funcţiilor obiectiv f1(X), f2(X) şi respectiv f3(X) obtinute prin rezolvarea a trei
probleme de programare liniara formate din cele 3 restrictii si fiecare functie obiectiv.
Decidentul a hotărât să acorde prioritatea 1 realizării nivelului de aspiraţie de 4,4 tone pentru
consumul total de materie primă de import, prioritatea 2 realizării nivelului de aspiraţie de 2700
u.m. pentru venitul total şi prioritatea 3 realizării nivelului de aspiraţie de 215 ore pentru timpul
necesar de lucru. Rezultă că modelul programării scop va avea trei funcţii scop.
Pentru variabilele care definesc deviaţiile faţă de nivelurile de aspiraţie se vor folosi
următoarele notaţii:
Venitsupl = deviaţia în plus faţă de venitul maxim
Venitm = deviaţia în minus faţă de venitul maxim
Timpsupl = deviaţia în plus faţă de timpul de lucru necesar minim
Timpm = deviaţia în minus faţă de timpul de lucru necesar minim
Mimpsupl = deviaţia în plus faţă de consumul minim de materie primă de import
Mimpm = deviaţia în minus faţă de consumul minim de materie primă de import
Aceste variabile se vor adăuga celor trei variabile x1, x2 şi x3 referitoare la cantităţile de
produse Pcs1, Pcs2 şi respectiv Pcs3.
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
2
Restricţiile scop:
C4: 60x1 + 120x2 + 90x3 – Venitsupl + Venitm = 2700
C5: 15x1 + 10x2 + 19x3 – Timpsupl + Timpm = 215
C6: 0,2x1 + 0,6x2 + 0,4x3 – Mimpsupl + Mimpm = 4,4
Restricţiile de nenegativitate:
x1  0, x2  0, x3  0, Venitsupl  0, Venitm  0, Timpsupl  0, Timpm  0, Mimpsupl 
0. Mimpm  0
S-a obţinut un model cu 3 funcţii scop, 6 restricţii şi 9 variabile.
 Rezolvarea în sistem conversaţional cu WINQSB/ Gp – igp.
Introducerea datelor, după accesarea modului Winqsb/Gp- igp, se face astfel:
Apăsăm Ok și vom obține un tabel de forma:
3
Vom edita numele variabilelor, accesând din bară Edit/ Variable Names. Modificăm numele
începând cu X4. Astfel vom obține din nou tabelul în care vom completa valorile din funcțiile scop
și restricții.
4
Prin rezolvarea cu WINQSB/Gp - igp se obţin rezultatele din Tabelul 7.3. Semnificaţia
coloanelor este aceeaşi ca şi în cazul modelelor de programare liniară unicriterială.
Tabelul 7.3
Solution Summary for Studiul de caz 7.1
Decision Solution Basis Reduced Cost Reduced Cost Reduced Cost
Variable Value Status 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 1530 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
Conform soluţiei obţinute, programul de producţie pentru luna următoare va consta în

realizarea de 12 tone produs Pcs1 şi 5 tone produs Pcs3.
Acest program va conduce la realizarea nivelului de aspiraţie de
4,4 tone consum materie primă de import, deoarece deviaţia Mimpsupl =
= Mimpm = 0.
Nivelurile de aspiraţie prevăzute pentru venit şi timpul necesar de lucru nu se realizează.
5
Deviaţia în minus Venitm = 15300 u.m. arată că se va obţine un venit total egal cu (2700 –
1530) = 1170 u.m.
Deviaţia în plus Timpsupl = 60 ore arată că timpul necesar de lucru este egal cu (215 + 60) =
275 ore.
Costurile reduse sunt mai mari sau egale cu zero numai pentru scopul cu prioritate 1
deoarece soluţia este optimă numai în raport cu acest scop: minimizarea deviaţiei în plus faţă de
consumul minim de materie primă de import. Soluţia este suboptimală pentru celelalte două scopuri.
Tabelul 7.4
Sensitivity Analysis of the Right-Hand-Sides for Studiul de caz 7.1
Right Allowable Allowable Shadow Shadow Shadow
Constraint Hand Min. RHS Max. RHS Price Price Price
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 = 2700 1170 M 0 1 0
5 Timp = 215 -M 275 0 0 -1
6 Mimport = 4.4 4.4 5 0 -300 75
Pe baza datelor din Tabelul 7.4 se pot realiza analize de senzitivitate. Astfel, pentru
restricţia 3, dacă cererea variază între 3,2 şi 5 tone, atunci preţul umbră în raport cu scopul 2 este 20,
iar în raport cu scopul 3 este -11. Rezultă că, dacă se reduce cererea pentru Pcs3 cu 1 tonă, adică  =
-1, atunci valoarea lui Goal 2 = Venitm va deveni egal cu (1530 + *preţul umbră) = 1530 - 20 =
1510 u.m. Venitul total realizat va fi egal cu (2700 – 1510) = 1190 u.m., adică va creşte cu 20 u.m.
faţă de 1170 u.m. De asemenea, valoarea lui Goal 3 = Timpsupl va deveni egal cu (60 + *preţul
umbră) = 60 +(-1)*(-11) = 71 ore. Timpul necesar de lucru va fi egal cu (215 +71) = 286 ore.
Conflictul dintre scopul cu prioritate 1 şi celelalte două scopuri poate fi atenuat prin
utilizarea preţurilor umbră asociate fiecărui scop. Restricţia 6 conţine deviaţia Mimpsupl care este
minimizată prin funcţia scop 1. Pentru această restricţie, în cazul variaţiei consumului de
materie primă de import între 4,4 tone şi 5 tone, preţul umbră asociat scopului cu
prioritate 2 este (-300), iar preţul umbră asociat scopului cu prioritate 3 este 75. Rezultă că, dacă
este relaxat nivelul de aspiraţie pentru consum de la
4,4 tone la 5 tone, adică  = 0,6 tone, atunci valoarea lui Goal 2 = Venitm
va deveni egal cu (1530 + *preţul umbră) = 1530 + 0,6*(-300) = 1350 u.m.
Venitul total realizat va fi egal cu (2700 – 1350) = 1350 u.m., adică va creşte cu 180 u.m. faţă de
1170 u.m. De asemenea, valoarea lui Goal 3 = Timpsupl va deveni egal cu (60 + *preţul umbră) =
60 +0,6*75 = 105 ore. Timpul necesar de lucru va fi egal cu (215 +105) = 320 ore.
 Rezolvarea cu QM for Windows
Se accesează modulul Window/Goal Programming, apoi din File se selecteaza New (pentru
generarea unui fisier nou).
Se completează cu numărul de scopuri sau restricții și numărul de variabile necunoscute.
6
În fereastra următoare putem completa următoarele:

- în prima coloană tastăm numele restricțiilor și ale scopurilor;
- urmează coloanele cu Wt(d+), Prty(d+), Wt(d-), Prty(d-). Wt este prescurtarea de la
Weight (pondere), iar Prty este prescurtarea de la Priority (prioritate).
Wt ține loc aici de deviația în plus sau minus. Prin urmare, în coloanele Wt(d+), Wt(d-)
vom completa cu 1 acolo unde avem deviații în plus și în minus, adică în restricțiile scop
(liniile Venit, Timp și Mimport).
Dacă am completat deviațiile, automat va fi nevoie să completăm și la priorități, atât în
coloana Prty(d+), cât și în coloana Prty(d-), așa cum se precizează în problemă:
prioritatea 1 realizării nivelului de aspiraţie de 4,4 tone pentru consumul total de materie
primă de import, prioritatea 2 realizării nivelului de aspiraţie de 2700 u.m. pentru
venitul total şi prioritatea 3 realizării nivelului de aspiraţie de 215 ore pentru timpul
necesar de lucru.
- în coloanele X1, X2 și X3 vom completa coeficienții asociați variabilelor din restricțiile
scop, dar și din restricțiile pentru consumuri de materiale și cerere. Apoi alegem semnul
inecuației (respective semnul egal pentru restricțiile scop) și completăm în ultima coloană
cu termenul liber.
7
Dupa introducerea datelor in tabel, prin alegerea optiunii Solve sunt generate rezultatele cu valori
pentru fiecare dintre cele 9 variabile (cele 3 necunoscute și cele 6 deviații în plus și în minus).
Din Window/ 2 Summary, obținem rezultatele astfel:
8
Interpretarea datelor este similara celei din WINQSB.
9
Seminar Modelarea Deciziilor Manageriale
Studiul de caz 8: Calculul duratei de execuţie a unui proiect în cazul în care

duratele activităţilor sunt deterministe
Studiul de caz 24 din RSC, Fl, DH, NC, Modelare Economica, Ed. ASE, 2007
O firmă dezvoltă un proiect definit de 11 activităţi pentru care specialiştii au stabilit duratele
maxime/normale şi minime (exprimate în zile), costul normal şi costul maxim aferent urgentării
executării fiecărei activităţi (tabelul 5.4).
Tabelul 5.4
Nr. Denumire Activitate Durata Cost
crt. activităţi precedenta
Normala Minima Normal (aferent Majorat (aferent
duratei normale) duratei minime)
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
Echipa managerială doreşte să cunoască:
- durata normală şi durata cea mai mică de realizare a proiectului cât şi costurile totale
corespunzătoare;
- durata medie de realizare a proiectului, costul asociat acestei durate şi eşalonarea în timp a
activităţilor pentru obţinerea duratei medii;
- durata optimă în cazul unui buget total disponibil de 310 u.m;
- analiza stadiului de realizare a proiectului la 50 de zile de la începerea activităţilor.
Metode de rezolvare
În programarea şi urmărirea lucrărilor de anvergură (investiţii, reparaţii capitale, cercetare-

dezvoltare, etc.) se poate folosi ca instrument managerial analiza drumului critic. Aceasta permite
planificarea pe termen mediu şi scurt, programarea operativă a execuţiei, precum şi actualizarea
periodică a acestor proiecte ţinând seama de factorii: timp, cost, resurse materiale şi umane.
Metoda constă în divizarea acţiunilor complexe în părţi componente, la un nivel care să

permită corelarea logică şi tehnologică a acestora, adică să facă posibilă stabilirea intercondiţionărilor
între părţile componente, care se numesc activităţi.
Metoda analizei drumului critic se poate aplica în mai multe variante, în funcţie de modul în
care se poate exprima durata fiecărei activităţi, şi anume: determinist (durata se cunoaşte cu
exactitate), probabilist (se calculează durata medie probabilă) sau se determină prin simulare.
Modelul de analiza drumului critic/COST

- Durata de execuţie a unei acţiuni complexe variază în general între două momente de
timp, şi anume, unul maxim şi altul minim, impuse de consideraţii tehnice şi/sau economice.
1
Evident, durata lucrării are numeroase implicaţii asupra costului. De aceea este deosebit de
important de determinat acea durată a acţiunii complexe căreia îi corespunde un cost minim.
- Fiecare activitate considerăm că are două durate de execuţie, şi anume, una normală
(asimilată duratei maxime de execuţie a activităţii) şi o durată de execuţie minimă (crash), la care se
poate ajunge prin măsuri de urgentare.
- Funcţia cost - durată este descrescătoare, deoarece orice efort de urgentare este însoţit de
creşterea cheltuielilor. Costul unitar al urgentării se calculează ca un raport între diferenţa costurilor şi
a duratelor de execuţie a activităţilor.
 Rezolvarea în WINQSB (WinQSB/ PERT–CPM / Deterministic CPM)

Pentru rezolvarea problemei în sistem conversaţional cu produsul informatic WINQSB, după
selectarea modulului PERT-CPM se solicită introducerea următoarelor:
- titlul problemei (câmp opţional)
– numărul de activităţi: 11
- unitatea de timp (pentru exprimarea duratelor): zile săptămâni, ani).
Pentru rezolvarea deterministă a problemei se selectează opţiunea Deterministic CPM şi se
marchează câmpurile corespunzătoare datelor de intrare cunoscute (Normal time, Crash time, Normal
cost, Crash cost).
Pentru fiecare activitate se solicită denumirea, precedenţele (care pot fi identificate în graful din figura
5.1), costurile şi duratele normale şi urgentate (tabelul 5.10).
Tabelul 5.10
WINQSB /PERT-CPM COST-DURATA DAYS 11 MATRIX
Immediate Predecessor
Activity Activity Normal Crash Normal Crash
(list number/name,
Number Name Time Time Cost Cost
separated by',')
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
2
Pentru calculul duratei totale normale se apelează opţiunea Solve and Analyze – Solve Critical Path
Using Normal Time (tabelul 5.11). Prin rezolvare se afişează, pentru fiecare activitate a proiectului,
termenele minime şi maxime de începere, respectiv de terminare a fiecărei activităţi şi rezerva totală
de timp a fiecărei activităţi (Slack).
Activităţilor aflate pe drumul critic le corespunde o rezervă totală de timp egală cu zero. Activităţile
aflate pe drumul critic sunt A, D, F, şi G şi există un singur drum critic.
Tabelul 5.11
Activity Analysis for cost-durata (Using Normal Time)
On
Activity Activity Earliest Earliest Latest Latest Slack
Critical
Name Time Start Finish Start Finish (Ls-Es)
Path
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
Pentru calculul duratei totale urgentate se revine în ecranul principal şi se apelează

opţiunea Solve and Analyze – Solve Critical Path Using Crash Time (tabelul 5.12). Prin rezolvare se
obţine durata totală urgentată de 69 zile, dar costul total aferent este de 544 u.m. Acest cost se
obţine prin însumarea costurilor urgentate ale tuturor activităţilor. De asemenea, se schimbă şi
activităţile care formează drumul critic.
Tabelul 5.12
Activity Analysis for cost-durata (Using Crash Time)
Activity On Activity Earliest Earliest Latest Latest Slack
Name Critical Time Start Finish Start Finish (LS-ES)
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
(Cost on CP =
Total Cost of Project = $544 $111)
Number of Critical Path(s) = 1
Produsul informatic WINQSB permite realizarea unor analize suplimentare prin opţiunea Perform
Crashing Analysis. Această opţiune permite:
3
1. Calculul costului pentru o durată dorită specificată (Meeting the desired completion time)
(tabelul 5.13).
Prin rezolvare se afişează: timpul normal şi timpul urgentat al fiecărei activităţi, timpul propus,
costul suplimentar datorat urgentării, costul normal şi costul propus. Astfel, activitatea A, care are o
durată normală de 20 zile este urgentată la 14 zile, iar costul normal de 2 u.m. se majorează cu 6
u.m. care este costul datorat urgentării. În acest caz activităţile urgentate sunt A şi H.
Tabelul 5.13
Crashing Analysis for cost-durata (durata totală 81 zile şi cost optim)
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
2. Calculul duratei de realizare în cazul unui buget limitat specificat (Meeting the desired
budget cost) (tabelul 5.14).
În cazul unui buget disponibil de 310 u.m., proiectul poate fi realizat în 75.67 zile, iar
activităţile urgentate sunt A, G, H şi I.
4
Tabelul 5.14
Crashing Analysis for cost-durata (cu bugetul disponibil de 310 u.m.)
Activity Critical Normal Crash Suggested Additional Normal Suggested
Name Path Time Time Time Cost Cost Cost
1 A Yes 20 11 16.66 $3.33 $2 $5.33
2 B Yes 25 15 25 0 $12 $12
3 C Yes 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 42 $8 $35 $43
8 H Yes 36 33 33 $3 $45 $48
9 I Yes 40 30 34.66 $10.67 $32 $42.67
10 J no 22 12 22 0 $11 $11
11 K no 45 25 45 0 $28 $28
Overall Project: 75.67 $25.00 $285 $310
3. Calculul costului optim pentru realizarea proiectului în termenele urgentate (Finding the
minimum cost schedule) (tabelul 5.15).
Prin specificarea acestei opţiuni se obţine costul total urgentat optim de 334 u.m. aferent duratei
minime de 69 zile. Activităţile urgentate sunt A, D, G şi H.
Tabelul 5.15
Crashing Analysis for cost-durata (69 zile şi cost optim)
Suggeste
Activity Critical Normal Crash Suggested Additional Normal
d
Name Path Time Time Time Cost Cost
Cost
1 A Yes 20 11 12 $8 $2 $10
2 B Yes 25 15 25 0 $12 $12
3 C Yes 26 16 26 0 $15 $15
4 D Yes 8 6 6 $10 $1 $11
5 E no 36 12 36 0 $102 $102
6 F Yes 9 7 9 0 $2 $2
7 G Yes 50 25 42 $8 $35 $43
8 H Yes 36 33 33 $3 $45 $48
9 I Yes 40 30 30 $20 $32 $52
10 J no 22 12 22 0 $11 $11
11 K no 45 25 45 0 $28 $28
Overall Project: 69 $49 $285 $334
In tabelul costurilor si in graficul costurilor, sunt date costurile zilnice şi costurile cumulate în
funcție de termenele minime și maxime de începere (ES, LS).
Tabelul cu evoluţia costurilor pe unitate de timp (pe zi) şi în varianta cumulată (pe întregul
interval de 81 de zile):
PERT/Cost Analysis for studiu 24 (After Crashing)
Project Time Cost Schedule Cost Schedule Total Cost Total Cost
in zile Based on ES Based on LS Based on ES Based on LS
1 1 $5.36 $2.03 $5.36 $2.03
2 2 $5.36 $2.03 $10.72 $4.05
3 3 $5.36 $2.03 $16.08 $6.08
4 4 $5.36 $2.03 $21.44 $8.10
5 5 $5.36 $2.03 $26.80 $10.13
6 6 $5.36 $2.03 $32.16 $12.16
7 7 $5.36 $2.03 $37.52 $14.18
5
59 59 $2.70 $2.70 $263.56 $250.23

60 60 $2.70 $2.70 $266.26 $252.93
61 61 $2.70 $2.70 $268.96 $255.63
62 62 $2.70 $2.70 $271.66 $258.33
63 63 $2.70 $2.70 $274.36 $261.03
64 64 $2.70 $2.70 $277.06 $263.73
65 65 $2.70 $2.70 $279.76 $266.43
66 66 $2.12 $2.70 $281.88 $269.13
67 67 $2.12 $2.70 $284.00 $271.83
68 68 $1.50 $2.70 $285.50 $274.53
69 69 $1.50 $2.70 $287.00 $277.23
70 70 $1.50 $2.70 $288.50 $279.92
71 71 $1.50 $2.70 $290.00 $282.62
72 72 $1.50 $2.70 $291.50 $285.32
73 73 $1.50 $2.70 $293.00 $288.02
74 74 $0.13 $0.75 $293.13 $288.77
75 75 $0.13 $0.75 $293.25 $289.52
76 76 $0.13 $0.75 $293.38 $290.26
77 77 $0.13 $0.75 $293.50 $291.01
78 78 $0.13 $0.75 $293.63 $291.76
79 79 $0.13 $0.75 $293.75 $292.51
80 80 $0.13 $0.75 $293.88 $293.25
81 81 $0.13 $0.75 $294.00 $294.00
Graficul costurilor raportate la buget
6
 Rezolvarea în EXCEL – calculul termenelor de incepere
Se formulează modul matematic de tip programare liniară:
● Variabilele de decizie:
x1, x2, …, x8 reprezintă termenele minime de începere calculate în nodurile 1,2, …, 8 din
graficul ADC “activitate-arc”:
● restricţiile modelului – termenul de începere în nodul j este mai mare decât suma dintre
termenul minim de începere pentru activităţile incidente acestui nod şi duratele
activităţilor; de exemplu, pentru activitatea A: x2 ≥ x1 + 20
● condiţiile de nenegativitate:
x1, x2, …,x8>=0.
●minimizarea duratei de realizare a proiectului:
min (x1+x2+...+x8).
Configurarea spaţiului de lucru şi introducerea modelului:
7
Rezolvarea modelului:
8
Raport “Aswer report”

Target Cell (Min)
Original
functia obiectiv valoare variabile de
$C$14 decizie 0 318
Adjustable Cells
Original
$C$4 x1= valoare variabile de decizie 0 0
Constraints
Cell Name Cell Value Formula Status Slack
$I$4 A restrictii 20 $I$4>=$K$4 Binding 0
$I$5 B restrictii 25 $I$5>=$K$5 Binding 0
$I$6 C restrictii 34 $I$6>=$K$6 Not Binding 8
$I$7 D restrictii 8 $I$7>=$K$7 Binding 0
$I$8 E restrictii 45 $I$8>=$K$8 Not Binding 9
$I$9 F restrictii 9 $I$9>=$K$9 Binding 0
$I$10 G restrictii 50 $I$10>=$K$10 Binding 0
$I$11 H restrictii 36 $I$11>=$K$11 Binding 0
$I$12 I restrictii 43 $I$12>=$K$12 Not Binding 3
$I$13 J restrictii 22 $I$13>=$K$13 Binding 0
9
$I$14 K restrictii 65 $I$14>=$K$14 Not Binding 20

$C$4 x1= valoare variabile de decizie 0 $C$4>=0 Binding 0
$C$5 x2= valoare variabile de decizie 20 $C$5>=0 Not Binding 20
Raport de analiza de senzitivitate

Adjustable Cells
Final Reduced
Cell Name Value Gradient
$C$4 x1= valoare variabile de decizie 0 7.999999642
Constraints
Final Lagrange
Cell Name Value Multiplier
$I$4 A restrictii 20 5
$I$5 B restrictii 25 1
$I$6 C restrictii 34 0
$I$7 D restrictii 8 1
$I$8 E restrictii 45 0
$I$9 F restrictii 9 3
$I$10 G restrictii 50 2
$I$11 H restrictii 36 1
$I$12 I restrictii 43 0
$I$13 J restrictii 22 1
$I$14 K restrictii 65 0
10
 Rezolvarea în QM for Windows/ Project Management (PERT/CPM)

New/ Crashing
Completăm cu numărul de activități, selectăm la structura tabelului Immediate Predecessor List
și A,B,C,D... la numele liniei.
Începem să completăm tabelul cu datele de intrare. Întrucât am ales Crashing ca metodă, vom
completa cu durata normală și urgentată, cu valorile costului normal și urgentat, dar și cu
activitățile precedente.
11
Se apasă Solve și obținem:

- durata totală normală: 87 zile;
- durata totală urgentată: 69 zile;
- cost total normal: 285;
- cost total urgentat: însumăm valorile din coloana Crash Cost: 544;
- calculul costului optim pentru realizarea proiectului în termenele urgentate: 285+49 =
334.
Pentru calculul costului în cazul unei durate dorite specificate, se accesează Window / Crash
Schedule. Putem observa că pentru o durată de 81 de zile, costul proiectului va fi mai mare față
de cel normal cu 9, deci 285+9=294
12
Pentru a obține termenele minime (Early) și maxime (Late) de început (Start) și de sfârșit
(Finish), dar și rezerva de timp (Slack) și a vedea activităţile aflate pe drumul critic (cu rezerva de
timp zero 0, trecută cu roșu), se accesează din bara de sus o altă metodă. De exemplu, dacă
accesăm Single Time Estimate, vom afla drumul critic pentru proiectul cu durata normală.
13
Ne întoarcem la datele de intrare prin butonul Edit Data și selectăm ca metodă, din bara de sus,
Cost Budgeting pentru calculul costului normal. Vom observa că din datele de intrare rămân doar
cele pentru durată și cost normale.
14
Apăsăm Solve, iar din meniul Window/ Charts putem selecta graficele de diverse tipuri (grafice
Gantt, graful activităților sau un grafic buget vs cost sau graficul costurilor).
Graficul activitatilor nu conține toate elemntele necesare unei reprezentări corecte:
15
ANALIZA ECONOMICĂ A REZULTATELOR
Graful definit de cele 11 activităţi (cu duratele normale aferente) este reprezentat în figura 1.
F 6 G
9 50
A B
20 2 25
E 5 C D
1 36 26 7 8 8
H
36 I
3 40
J K
22 4 45
Figura 1
Întrucât, pentru fiecare activitate, s-a estimat şi costul implicat de urgentarea activităţii
(tabelul 5.4), pentru echipa managerială este importantă stabilirea relaţiei care există între
reducerea duratei activităţilor şi evoluţia costului proiectului.
Datele obţinute prin rezolvare au fost introduse în tabelul următor:
16
Durată Cost
87 285
69 334
81 294
Cu aceste date se reprezintă funcţia cost - durată în figura 2.
COST
334
294
285
69 81 87 DURATA
Figura 2
Valorile acestei funcţii sunt examinate şi conturează decizia ce se poate lua pentru cazul
analizat.
Constatăm că o reducere a duratei de execuţie cu 6 zile conduce la o creştere a costului cu 9
unităţi monetare, iar o reducere cu 18 zile conduce la o creştere a costului cu 49 unităţi monetare.
Realizarea în 81 zile a proiectului se face cu un cost de 294 u.m., mai mic decât bugetul
disponibil de 310 u.m.
17
Studiul de caz 9: Calculul duratei de execuţie a unui proiect în cazul în care

duratele activităţilor sunt probabiliste
Studiul de caz 25 din RSC, Fl, DH, NC, Modelare Economica, Ed. ASE, 2007
O firmă dezvoltă un proiect complex format din 11 activități pentru care nu se cunosc cu
exactitate duratele activităților. În aceste condiții s-a apelat la experți pentru a estima durata
fiecărei activități și astfel s-au obținut câte trei estimări pentru fiecare activitate, respectiv:
- durata optimistă (Optimistic time - a);
- durata medie probabilă (Most likely time - m);
- durata pesimistă (Pessimistic time – b).
Informațiile referitoare la intercondiționările între activități și duratele acestora sunt
prezentate în tabelul 5.18.
Tabelul 5.18
Activităţi Activitate Optimistic time Most likely time Pessimistic time
precedenta (a) (m) (b)
A 10 16 20
B A 15 20 26
C B,E 14 20 24
D C,G,I 5 7 9
E 14 24 35
F A 6 8 10
G F 26 40 45
H 32 34 37
I H 30 35 42
J 12 17 19
K J 24 35 43
Se dorește determinarea duratei totale de realizare a proiectului și probabilitatea ca acesta

să fie finalizat la o durată mai mare sau mai mică decât cea inițială.
Pentru rezolvare se aplică modelul rpobabilist de analiza drumului critic P.E.R.T.

 Acesta permite calcularea timpului mediu de terminare a unei acţiuni complexe în cazul
în care duratele activităţilor nu se cunosc cu exactitate.
 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  4mij  bij
dij 
6
 dispersia duratei de execuţie a activităţii (i,j) se calculează cu relaţia:
2
 b  a ij 
   ij
2
ij 
 6 
Dispersia este o măsură a gradului de nesiguranţă în evaluarea duratei unei activităţi.
Rezolvarea cu produsul informatic WINQSB (modulul PERT-CPM/

Probabilistic PERT):
La introducerea datelor în modulul PERT-CPM se solicită numărul de activităţi, unitatea
de timp (zile, săptămâni, luni etc.) şi tipul problemei (Probabilistic PERT). Pentru fiecare
activitate se introduc: numele, relaţiile de precedenţă şi cele trei durate (optimistă, cea mai
probabilă, pesimistă) (tabelul 5.19).
Tabelul 5.19
PERT day 11 Matrix
Activity Activity Immediate Optimistic Most Pessimistic
Number Name Predecessor (list time (a) likely time (b)
number/name, time (m)
separated by ',')
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
Pentru rezolvare se apelează opţiunea Solve and Analyze – Solve Critical Path. Pentru
fiecare activitate se calculează durata medie, termenele minime şi maxime de începere, respectiv
de terminare, rezerva totală de timp şi deviaţia standard (tabelul 5.20).
Tabelul 5.20
Activity Analysis for PERT
Name On Activity Earliest Earliest Latest Latest Slack Activity Standard
Critical Mean Start Finish Start Finish (LS-ES) Time Deviation
Path Time Distribution
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 25.667 3-Time 3.5
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
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 (tabelul 5.21).
Tabelul 5.21
Probability Analysis for PERT
Critical Path Probability to Probability to Probability to
Finish Finish Finish
in 76.50 days in 81 days in 69 days
H --> I --> D 0.5000 0.9764 0.0005
Prin rezolvarea studiului de caz cu produsul informatic WINQSB se obţine durata medie de
realizare a proiectului de 76,5 zile. Gradul de nesiguranţă în evaluarea duratelor activităţilor este
măsurat prin intermediul abaterii standard. Probabilitatea de realizarea a proiectului în 76,5 zile
este de 0,5, iar aceasta creşte odată cu indicarea unei durate de realizare mai mari (0,97 pentru 81
zile), respectiv scade pentru durate mai mici (0,0005 pentru 61 de zile). (tabelul 5.21).
 Rezolvarea în QM/ Project Management (PERT/CPM)

New/ Triple Time Estimate
Începem să completăm tabelul cu datele de intrare sau (în cazul de față) ne folosim de cele
introduse mai devreme, apăsând Edit Data și completând cele trei coloane (Optimistic, Most
Likely, Pesimistic)
Apăsăm Solve și obținem durata medie, termenele minime şi maxime de începere, respectiv de
terminare, rezerva totală de timp şi deviaţia standard. Cu roșu sunt trecute valorile 0 pentru
rezerva de timp, fapt ce indică activitățile aflate pe drumul critic.
MANAGEMENT
PROGRAMAREA EXAMENELOR- ANUL III , semestrul II
01.06.2020– 14.06.2020 ,
ZIUA DATA SERIA A SERIA B SERIA C
LUNI
01.06.2020
MARTI 02.06.2020 Ora 9,00 Comunicare şi negociere în afaceri-Prof. Popescu Ora 10,30 Comunicare şi negociere în afaceri.-Prof. Popescu Ora 12,00 Comunicare şi negociere în afaceri -Prof. Popescu
Ora 14,00 restanță Metodologii manageriale-Prof Popa Ora 14,00 restanță Metodologii manageriale -Prof Popa Ora 14,00 restanță Metodologii manageriale -Prof Popa
MIERCURI 03.06.20120 Ora 13,30 restanță Manag. producției- Prof Nedelcu Ora 13,30 restanță Manag. producției- Prof Nedelcu Ora 13,30 restanță Manag. producției- Prof Nedelcu
Ora 13,30 restanță Econometrie – Prof. Cristache S Ora 13,30 restanță Econometrie – Prof. Țoțan L
JOI 04.06.20120 Ora 07,30 Analiză economico-financiară -Prof.Dinu Eduard Ora 07,30 Analiză economico-financiară -Prof.Oancea Negescu Ora 07,30 Analiză economico-financiară Prof.Hristea
VINERI 05.06.2020
SAMBATA 06.06.2020
Ora 10.30 Evaluarea întreprinderii- Prof. Oancea Negescu
Ora 10,30 Geopolitică- Liviu Vlad
DUMINICA 07.06.2020
LUNI 08.06.2020
MARTI 09.06.2020 Ora 10,30 Manag. aprovizionării şi vânzărilor- Prof. Jiroveanu Ora 13,30 Manag. aprovizionării şi vânzărilor - Prof. Corboș Ora 16,30 Manag. aprovizionării şi vânzărilor - Prof. Corboș
MIERCURI 10.06.2020
JOI 11.06.2020 Ora 10,30 Modelarea deciziilor manageriale- Prof.Nadia Ora 13,30 Modelarea deciziilor manageriale - Prof.Nadia Ciocoiu Ora 16,30 Modelarea deciziilor manageriale - Prof.Nadia Ciocoiu
Ciocoiu
VINERI
12.06.2020
SAMBATA 13.06.2020 Ora 8.00 Management comparat - Prof. Năstase Ora 09,00 Management comparat -Prof. Ceptureanu S
DUMINICA 14.06.2020 Ora 09,00 Management comparat -Prof.Istocescu

MDM - Studiul de Caz 1 - Previziune Cu Modelul de Nivelare Exponentiala - WINQSB Si QMforWindows-merged 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 - Studiul de Caz 1 - Previziune Cu Modelul de Nivelare Exponentiala - WINQSB Si QMforWindows-merged PDF

Încărcat de

Drepturi de autor:

Formate disponibile

Modelarea Deciziilor Manageriale, Anul III-MANAGEMENT

Studiul de caz 1: Previziunea vanzarilor cu modelul de nivelare exponenţială

Firma “ALCOR” S.A. comercializează materiale consumabile şi de birou. Compartimentul de

Lunar, se efectuează prognoze asupra vânzărilor lunii viitoare pentru dimensionarea

● Rezolvarea cu produsul informatic WINQSB, modulul Forecasting:

- Dupa selectarea optiunii problema noua (File/New) se selectează categoria de metodă

Se introduc datele istorice privind vanzarile în tabelul configurat anterior.

Pentru valoarea lui alpha = 0.3

- valoarea previzionată – se regăseşte în celula de pe linia 9 a coloanei Forecast by SES:

 Rezolvarea cu QM for Windows/Forecasting:

Se selecteaza metoda de previziune (exponentian Smoothing) si valoarea constantei de

Dupa alegerea optiunii Solve se obțin următoarele rezultate:

Optiunea Window/Graph permite trasarea graficului vanzarilor reale si a previziunii realizate:

Studiu de caz 2: Determinarea evoluţiei ponderii pe piaţă a unor produse concurenţiale,

 0,05 0,15 0,80 

 0,05 0,15 0,80 

Rezolvarea în WINQSB/Mkp (WinQSB Decision Support Software for MS/OM)

După selectarea opțiunii New problem în modulul Mkp (Markov processes) se

– numărul de stări (în acest caz, numărul de produse)

Introducerea datelor de intrare:

 Se apasă butonul Solve and analyze;

 Se alege opţiunea Solve steady State pentru identificarea cotelor de piaţă

 Apelând modulul Markov Process Step se obţin succesiv (apăsând pe butonul

 Apelând modulul Time parametric analysis se obţin succesiv (selectând

Cele trei valori ale cotelor de piaţă se calculează cu functia de multiplicare/înmultire a

Obtinerea matricii la diferite puteri se poate realiza cu functia MMULT.

 Rezolvarea cu QM for Windows/ Markov Analysis:

 Din Module se alege optiune Markov Analysis:

 Se introduc datele iniţiale:

 Cu opţiunea Window/Multiplication se obţin atât vectorii cotelor de piaţă la diferite

Studiu de caz 3: Modelarea deciziilor in conditii de risc si incertitudine

Filiala Cheltuieli fixe (mii u.m.) Cost variabil unitar(u.m./buc)

Se estimează că preţul de vânzare pe piaţă al produsului va fi de 42 u.m.

► Consecinţe de tip costuri: CT = CF + CV; CV = Cv * Np;

► Consecinţe de tip venituri nete (profit):

Matricea decizională - Costuri:

Matricea decizională – profituri:

Identificarea variantei decizionale optime se va realiza în două cazuri:

I. Rezolvarea in WINQSB/DA/Payoff Table Analysis:

Cazul 1: nu se cunosc probabilităţile de manifestare a stărilor naturii – decizii

Se introduc datele generale despre problemă:

Se calculează indicatorul VIP (valoarea informaţiei complete) sau Expected value of

●Valoarea informaţiei perfecte: EvofPI=EVwithPI-EVwithoutI.

●Valoarea aşteptată fără informaţie (cu informaţie incompletă):

Tabelul de aplicare a fiecărei tehnici decizionale:

exemplificare pentru alternativa 1:

- de exemplu: tehnica bazată pe minimizarea regretelor:

Matricea regretelor - Regret Table (aceasta înlocuieşte matricea iniţială a consecinţelor;

Construirea arborelui de decizie

- se recomandă bifarea căsuţei Display the expected values …. (din stânga-jos)

Cazul 2: se cunosc probabilităţile de manifestare a stărilor naturii – decizii în

In tabelul cu rezultatele aplicării tehnicilor de decizie, s-au modificat valorile corespunzătoare

Valoarea informaţiei perfecte:

● Valoarea aşteptată cu informaţie perfectă:

Reprezentarea situației decizionale sub forma unui arborele de decizie:

II. Rezolvarea cu QM for Windows/ Decision Analysis:

OBS: este exemplificată doar rezolvarea pentru maximizarea profitului.

Cazul 1: nu se cunosc probabilităţile de manifestare a stărilor naturii – decizii

Cu opţiunea Window/ 3 Hurwicz Table se afișează valori Hurwicz în funcție de alpha de la 0 la 1.

Putem alege din Window/ Perfect Information pentru afișarea:

 Recomandări de alegere a valorii coeficientului de optimism  pentru regula/ criteriul

Surclasarea variantelor decizionale se poate realiza in doua feluri:

2. Determinarea prin calcul a intervalelor de variație ale lui alpha: