Analiza Statistica A Proceselor Tehnolog

Sergiu Andrei Horodnic
Referenţi ştiinţifici
Prof.univ.dr.ing. Radu Leontie CENUŞĂ
Conf.univ.dr.ing. Marian DRĂGOI
Descrierea CIP a Bibliotecii Naţionale a României

HORODNIC, SERGIU ANDREI
Analiza statistică a proceselor tehnologice/
Sergiu Andrei Horodnic. - Suceava: Editura
Universităţii "Ştefan cel Mare", 2016
ISBN 978-973-666-468-7
62
Tehnoredactare computerizată: Sergiu Andrei HORODNIC

Tiparul executat la Tipografia S.C. MUŞATINII S.A. Suceava
str. Tipografiei 1, tel.: 0230221699; 0230523640; 0230523640
fax: 0230520303; 0230221699
CONSIDERAȚII INTRODUCTIVE 3
CONSIDERAŢII INTRODUCTIVE
   Analiza statistică a proceselor tehnologice este
instrumentul principal în monitorizarea, controlul, analiza stării şi
identificarea erorilor de funcţionare pentru toate componentele
activităţii productive. Scopul principal este cel de îmbunătăţire a
calităţii producţiei.
Odată cu creşterea calităţii se produce o „reacţie în lanţ” cu
influenţe benefice pe ansamblu:
 reducerea costurilor prin utilizarea mai eficientă a mijloacelor de
muncă şi a materialelor (minimizarea rebuturilor, eliminarea
operaţiilor suplimentare pentru remedierea defecţiunilor şi
diminuarea întreruperilor în procesul productiv),
 creşterea productivităţii,
 extinderea pieţei de desfacere favorizată de nivelul calitativ
superior al produselor şi de preţul mai scăzut,
 poziţionarea firmei la un nivel superior de competitivitate,
 majorarea numărului de locuri de muncă odată cu dezvoltarea
firmei sau menţinerea aceluiaşi număr de posturi, însă cu un
nivel de calificare superior.
Încă din deceniul al treilea al secolului trecut, Walter
Shewhart de la Bell Labs (Bell Telephone Laboratories) a propus
utilizarea metodelor statistice pentru controlul calităţii produselor
ca fiind varianta cea mai economică de reducere a variaţiei
calitative a componentelor şi a produselor finite (Leavengood și
Reeb, 1999). Acesta a conceput chiar şi un mijloc vizual de
monitorizare a calităţii produselor (cartelele Shewhart).
Controlul calităţii produselor (SPC – Statistical Process
Control) s-a dezvoltat şi perfecţionat, alături de cercetările
operaţionale, în perioada celui de-al doilea război mondial, odată cu
creşterea volumului şi nivelului calitativ superior solicitat mai ales
pentru producţia de armament.
O contribuţie deosebită în perioada ce a urmat au avut-o
Joseph M. Juran şi W. Edwards Deming, recunoscuţi pe plan
mondial ca experţi în domeniul managementului calităţii. Metodele
propuse de aceştia au fost aplicate în practică, mai întâi în Japonia,
pentru refacerea industriei afectate de război, iar apoi (după 1980)
După 1990 se observă o creştere a interesului pentru SPC, un
număr tot mai mare de firme (inclusiv cele de procesare a lemnului)
investind timp şi resurse pentru programe de îmbunătăţire
4 ANALIZA STATISTICĂ A PROCESELOR TEHNOLOGICE
modelul a fost preluat şi de industria americană ce începea să simtă

presiunea competiţiei datorate pătrunderii masive pe piaţa internă
a produselor japoneze, superioare calitativ.
După 1990 se observă o creştere a interesului pentru SPC,
un număr tot mai mare de firme (inclusiv cele de procesare a
lemnului) investind timp şi resurse pentru programe de
îmbunătăţire calitativă a producţiei. Au fost create astfel sisteme de
control al calităţii orientate atât spre rezultatul producţiei
(produsele obţinute), cât şi, mai ales, spre activităţi (operaţiile
procesului tehnologic).
De fapt, schimbarea majoră pe care o implică introducerea
unui sistem SPC este tocmai această orientare spre procesul de
producţie, ceea ce reprezintă mult mai mult decât observarea şi
remedierea defectelor în etapa premergătoare livrării loturilor de
produse către beneficiari.
Aşa cum remarca Deming (citat de Lewis, 1994), într-un
sistem clasic de control al calităţii producţiei, o firmă plăteşte
muncitorii pentru a realiza şi unităţi defecte, iar apoi îi plăteşte din
nou pentru a le remedia.
SPC, ca sistem de control al calităţii orientat spre proces,
pune accent pe prevenţia defectelor în scopul îmbunătăţirii
sistemului de producţie prin monitorizarea şi controlul variaţiei
caracteristicilor produselor.
Analiza statistică a proceselor tehnologice oferă răspunsuri
la întrebări de tipul:
- cât de bine sunt asigurate cerinţele beneficiarilor? sunt
respectate specificaţiile produselor?
- care este probabilitatea să se realizeze unităţi defecte?
- care sunt cauzele variaţiei parametrilor procesului? poate fi
minimizată această variaţie?
- când şi în funcţie de ce se iau măsuri pentru perfecţionarea,
redistribuirea sau reducerea personalului?
- este necesară înlocuirea unor utilaje pentru a creşte parametrii
de calitate?
- cum se poate constata dacă procesul de producţie a suferit
modificări în timp?
- când se justifică intervenţia în proces şi când poate fi lăsat să
funcţioneze în aceeaşi modalitate în continuare?
CONSIDERAȚII INTRODUCTIVE 5
Dar o primă întrebare ce apare frecvent este: cât de

descurajaţi de complexitatea suportului statistico-matematic al
deciziei ar trebui să fie cei ce urmează să introducă un asemenea
sistem de control?
Răspunsul este simplu: deloc! Nu înseamnă că se
minimalizează importanţa elementelor de statistică teoretică pe care
se bazează SPC, principii şi ipoteze ştiinţifice care îi asigură
obiectivitatea şi valabilitatea testată în timp în diverse condiţii de
aplicabilitate.
Sensul răspunsului este acela că aplicarea curentă în practică
nu presupune decât stăpânirea unor noţiuni de matematică
elementară de către personalul din producţie.
S-a menţionat deja faptul că principiul de bază al SPC este cel
de monitorizare şi control al variaţiilor. Statistica, considerată ştiinţa
variabilităţii, este, aşadar, cel mai potrivit instrument de acţiune.
Statistica înseamnă colectarea (înregistrarea) şi interpretarea datelor
în vederea optimizării proceselor de producţie, iar deciziile importante
se pot baza, astfel, pe informaţii corect obţinute şi analizate.
Trebuie să fie respectate doar câteva reguli de eşantionare şi
să se determine principalii indicatori statistici: medie, varianţă, abatere
standard. Şi încă o facilitate: întregul proces de analiză statistică şi
reprezentare grafică poate fi transpus în programe de calcul (în
Microsoft Excel, de exemplu).
Cât de dificil poate fi, dacă avem în vedere faptul că această
analiză statistică a fost concepută şi aplicată încă de la începutul
secolului trecut şi… fără suportul tehnicii de calcul pe care o avem
acum la dispoziţie?!
capitolul 1 ABORDAREA SISTEMICĂ A PROCESELOR 7
Principalele noţiuni explicate

 sistem cibernetic  decizie şi control
 cercetări operaţionale  cantitate de informaţie
Sunt analizate aspecte privind conceptul de „sistem” şi

componentele funcţionale ale acestuia. Se prezintă modul de structurare
a unui proces de producţie ca sistem cibernetic, constituindu-se astfel
într-un mijloc de obiectivizare a fundamentării deciziilor prin metode
specifice: modelare, simulare, cercetări operaţionale. Capitolul insistă
asupra etapei de control al proceselor prin intermediul unui subsistem
informaţional.
ELEMENTE CONCEPTUALE
ALE TEORIEI SISTEMELOR
   În decursul timpului, dezvoltarea tehnico-ştiinţifică şi
evoluţia condiţiilor social-economice au impus modificarea
modului de abordare a proceselor din domeniul silvic.
Iniţial, pădurea a fost considerată un rezervor inepuizabil,
aspectele disparate abordate în studiul acesteia limitându-se la
observarea empirică a unor proprietăţi şi relaţii. În această etapă au
prezentat interes doar problemele referitoare la recoltarea şi
valorificarea produselor şi serviciilor pădurii.
Un salt calitativ s-a produs într-o etapă ulterioară în
percepţia şi analiza proceselor din silvicultură prin asimilarea
conceptuală a pădurii cu un instrument economic necesar
satisfacerii permanente a cerinţelor. Au fost studiaţi cu precădere
factorii ce ar putea influenţa creşterea rolului economic al pădurii.
Perioada actuală se caracterizează printr-un efort susţinut
pentru aducerea într-o categorie de importanţă superioară a rolului
ecologic al pădurii. Este un mod de abordare mult mai complex care

nu exclude funcţiile economice, ci reaşează priorităţile în ordinea
impusă de interpretarea obiectivă a volumului mare de informaţii
(în sensul de date şi cunoştinţe) referitoare la această problematică.
În acest context, s-a impus înlocuirea metodelor tradiţionale
de analiză prin abordarea interdisciplinară a problemelor şi aplicarea
teoriei sistemelor, cu următoarele avantaje principale: Teoria sistemelor
~ permite separarea proceselor ce prezintă interes pentru studiu,

constituite în obiectul cercetării (denumit „sistem”), de celelalte
obiecte, fenomene sau procese (considerate „mediul” sistemului
analizat);
~ integrează şi valorifică informaţii şi cunoştinţe din domenii
înguste printr-o optimizare de ansamblu;
~ asigură o structurare şi perfecţionare a modului de gândire
printr-o evidenţiere clară a obiectivelor vizate şi selectarea
deciziilor printr-un proces de optimizare;
~ permite observarea legăturilor de tip „cauză – efect” între structura
procesului analizat şi nivelul de realizare a obiectivelor urmărite.
Un sistem este un ansamblu de elemente aflate în interacţiune.
Este prima definiţie, şi cea mai simplă, dată de întemeietorul teoriei
generale a sistemelor Ludwig von Bertalanffy în 1968 (Tamaş, 1983).
Lindenau, dezvoltând definiţia sistemului, specifică aspecte
caracteristice privind structura, starea şi comportamentul acestuia.
Sistemul (fig.1.1) este considerat o parte a realităţii înconjurătoare
formată din elemente interconectate aflate în interdependenţă şi în
conexiune cu mediul (aspectul de structură), parte ce manifestă în
fiecare moment un anumit număr de însuşiri (aspectul de stare) şi
poate parcurge mai multe stări succesive (aspectul de comportament).
Componentele structural funcţionale ale unui sistem sunt: Componentele
elementele, conexiunile şi stările. unui sistem
Elementul este o noţiune primară a teoriei sistemelor

(nedefinită). Este posibil ca un element complex al sistemului să
constituie, la rândul său, un alt sistem (subsistem al sistemului
iniţial care poate fi considerat astfel un sistem ierarhizat). Sistemul
„arboret” este format din subsisteme „arbori”, de exemplu.
Conexiunile sistemului reprezintă interacţiunile permanente
dintre elementele sistemului sau dintre acestea şi celelalte
componente ale mediului sistemului.
Mediul sistemului este constituit, în această accepţiune,
din totalitatea obiectelor, fenomenelor şi proceselor despre care
se cunoaşte că pot influenţa sistemul sau care sunt influenţate de

funcţionarea acestuia.
Realitatea înconjurătoare, pentru gradul de generalitate
acceptat la delimitarea sistemului studiat, reprezintă totalitatea
obiectelor, proceselor şi fenomenelor ce nu sunt luate în
considerare pentru analiza sistemică efectuată.
Sistemul este delimitat de un prag de interacţiune („graniţă”

sau „interfaţă” a sistemului) la nivelul căruia se manifestă conexiunile
cu mediul (fig.1.1). Se consideră că, în raport cu această graniţă,
sistemul funcţionează autonom. Conexiunile de la nivelul interfeţei se
manifestă sub forma unor schimburi de informaţie, de substanţă sau
de energie.
După sensul conexiunilor dintre sistem si mediul său, acestea
pot fi:
 intrări în sistem (INPUT), prin care mediul influenţează
funcţionarea sistemului şi
 ieşiri din sistem (OUTPUT), prin care sistemul îşi influenţează
mediul.
Starea unui sistem este caracterizată prin valorile unor
variabile de stare S (s1, s2,…, sn) care rezultă ca expresie a elementelor
componente şi a conexiunilor la un moment dat.
Ecuaţia Pentru un interval de timp t  t 2  t1 , ieşirea din sistem este
fundamentală
a sistemelor în relaţie de dependenţă funcţională () de valorile variabilelor de stare
la momentul iniţial S t1 şi de nivelul intrării în sistem în intervalul t :

OUTPUT t    S t1 , INPUT t  
Această ecuaţie fundamentală a sistemelor reprezintă legea

de organizare după care funcţionează orice sistem.
Cibernetica teoretică studiază legile care caracterizează
legătura dintre intrările şi ieşirile unui sistem, inclusiv a celor ce
influenţează mecanismul de autoreglare.
Cibernetica aplicată urmăreşte funcţionarea optimă a
sistemelor prin realizarea unor mecanisme eficiente de control.
Autoreglarea unui sistem cibernetic (fig.1.2) se realizează Conexiunea
prin intermediul conexiunii inverse (feed-back) şi constă în inversă
menţinerea ieşirilor din sistem la nivelul impus de obiectivul
urmărit (valoarea-ţel).
Succesiunea etapelor autoreglării este următoarea:

 stabilirea valorii-ţel
 măsurarea valorii instantanee la ieşire
 compararea celor două valori şi determinarea mărimii şi
sensului abaterii
 modificarea intrării pentru minimizarea abaterii rezultate.
Aceasta este situaţia cea mai frecventă, conexiunea
inversă pozitivă având rolul de a reduce sistematic abaterile
ieşirilor instantanee comparativ cu ieşirea-ţel.
Atunci când reacţia sistemului la modificările mediului său
are ca efect amplificarea sistematică a abaterilor faţă de ieşirea-ţel,
conexiunea inversă este negativă şi produce dezorganizarea şi
distrugerea sistemului iniţial. Este probabil ca, pentru sistemele
naturale, în etapa următoare să se producă un salt calitativ pe un
nivel superior de organizare, sistemul nou constituit fiind mai stabil.
În figura 1.3 sunt prezentate două exemple în care
condiţiile oferite la un anumit moment de mediul sistemului
cibernetic favorizează auto-reglarea fie prin conexiune inversă
pozitivă, fie prin feed-back negativ.
Procesul de producţie dintr-o întreprindere (sau firmă cu
activitate productivă) poate fi structurat şi analizat ca un sistem
cibernetic.
1 – feed-back pozitiv
2 – feed-back negativ
a) b)
Pentru desfăşurarea producţiei sunt necesare anumite intrări

în sistem care influenţează parcurgerea unor etape succesive de
prelucrări sau transformări ale unor elemente (modificarea stărilor
sistemului) în urma cărora se realizează anumite ieşiri sau rezultate
ale procesului de producţie (fig.1.4).
Factorilor de decizie le revine sarcina de a valorifica

informaţiile privind modul de utilizare a resurselor şi eficienţa
operaţiilor procesului de producţie prin adaptarea activităţii la
cerinţele mediului (economic, social, natural).
Analiza informaţiilor şi fundamentarea ştiinţifică a actului
decizional pot fi realizate prin metode statistice şi ale cercetărilor
operaţionale.
Cercetarea Cercetarea operaţională, sau ştiinţa pregătirii deciziilor,
operaţională
constă în aplicarea procedeelor matematice, inclusiv cele statistice,
pentru probleme cu un număr mare de soluţii posibile şi oferă criterii
obiective pentru selectarea soluţiei optime la un moment dat.
METODELE CERCETĂRII OPERAŢIONALE

   Metodele utilizate în cercetarea operaţională sunt:
 deductiv-analitice, atunci când procesul analizat poate fi

modelat matematic astfel încât, printr-un algoritm de calcul, se
poate ajunge la soluţia optimă,
 de simulare, atunci când complexitatea modelului matematic nu
permite conceperea unui algoritm de calcul, iar informaţiile
privind structura şi modul de funcţionare ale originalului se
obţin prin experimentare asupra modelului.
Dintre tipurile de probleme rezolvabile prin metode ale
cercetării operaţionale pot fi menţionate:
 programarea matematică al cărei specific constă în optimizarea
unei funcţii (funcţia obiectiv) cu mai multe variabile, prin
aflarea situaţiilor de extrem,
 teoria fenomenelor de aşteptare, aplicabilă problemelor în care
se urmăreşte ameliorarea efectului negativ al aglomerării,
 teoria grafurilor, care se referă la problemele de ordonare a
unui număr finit de obiecte, activităţi sau operaţii,
 teoria jocurilor strategice (teoria matematică a situaţiilor
conflictuale) ce constă în determinarea deciziilor optime în
situaţia unor conflicte de interese ale unor părţi cu obiective
opuse.
METODELE STATISTICE DE CERCETARE

ÎN ABORDAREA SISTEMICĂ
   În ceea ce priveşte posibilităţile de analiză statistică a
proceselor tehnologice considerate sisteme cibernetice, pot fi luate
în considerare trei metode de cercetare.
Metoda modelării se aplică atunci când sistemele complexe Modelarea
studiate sunt inaccesibile experimentării directe şi presupune
conceperea şi analiza unor modele, sisteme simplificate.
Modelul reprezintă copia simplificată (mărită sau micşorată) a
unui original complicat. Este conceput prin similitudine cu sistemul
real, luând în considerare doar proprietăţile esenţiale scopului
cercetării. Gradul de similitudine între comportamentul modelului şi
cel al sistemului real depinde de tipul şi complexitatea informaţiilor
de care dispune cercetătorul (observatorul exterior). După testarea
funcţională a modelului, este necesară verificarea valabilităţii
informaţiilor obţinute, prin confruntarea cu originalul.
Metoda Metoda cutiei negre (black-box) constă în delimitarea
cutiei negre
unor sisteme (fig.1.5) alcătuite din câte două subsisteme conectate:
cercetătorul şi obiectul cercetării („cutia neagră”). Se numeşte aşa
pentru că structura obiectului cercetat nu este evidenţiată: nu este
accesibilă sau nu interesează în mod explicit.
1 – conexiune directă
2 – feed-back
Structura „cutiei negre” determină, însă, o ieşire cu

caracteristici certe şi stabile pentru o anumită intrare (1) în sistemul
cercetat. Conexiunea inversă (2) permite cercetătorului să determine
modul de modificare a semnalului de intrare pentru a ajunge, în
etape succesive la ieşirea-ţel. Un exemplu ar putea fi modul de
stabilire a intensităţii optime a răriturilor dintr-un arboret.
Metoda Metoda cutiei albe (white-box) sau simularea poate fi
cutiei albe aplicată atunci când structura sistemului studiat este dezvăluită în
totalitate, iar comportamentul acestuia este deplin înţeles.
Simularea constă în aplicarea unui experiment repetat, cu
caracter statistic, şi studierea modului în care numărul mare de
variabile aleatoare ce influenţează comportamentul sistemului
studiat generează anumite ieşiri specifice.
Într-o problemă de decizie, simularea nu oferă soluţia
optimă, ci dă posibilitatea alegerii variantei celei mai convenabile
dintr-un set de rezultate observate (înregistrate) prin testare.
CONDUCEREA PROCESELOR
   Controlul proceselor din domeniul forestier este una
dintre funcţiile subsistemului conducător (silvicultorul) ce poate fi
realizată cu succes prin această abordare sistemică a proceselor şi
Funcţiile fenomenelor din silvicultură. Funcţiile conducerii sunt:
conducerii
 programarea (în sensul de planificare)
 organizarea
 decizia
 controlul
 reglarea.
Cea mai importantă funcţie este decizia prin care se asigură Decizia
structurarea şi funcţionarea sistemelor (fig.1.6) şi, prin folosirea
metodelor prezentate, explicarea şi conducerea fenomenelor şi
proceselor din silvicultură în vederea realizării obiectivelor naturale
sau impuse (atribuite) în condiţiile cele mai avantajoase.
Etapele procesului decizional sunt: Procesul

~ fundamentarea deciziei, realizată prin culegerea sau recepţionarea decizional
informaţiilor, selectarea lor în funcţie de finalitatea urmărită şi
prelucrarea acestora,
~ adoptarea deciziei în conformitate cu raportul intrări/ieşiri
în/din sistem,
~ transmiterea deciziei şi urmărirea aplicării ei în practică.
S-a menţionat deja caracterul complex, în marea majoritate
a cazurilor, al sistemelor cibernetice forestiere, generat de
multitudinea conexiunilor dintre elementele componente. Acesta
imprimă un inevitabil subiectivism în actul decizional care impune o
permanentă preocupare pentru obiectivizarea deciziei prin
fundamentarea ştiinţifică şi printr-o analiză informaţională
temeinică.
Procesul de informare continuă a factorilor decizionali şi de
prelucrare a datelor prin utilizarea mijloacelor adecvate se realizează
printr-un sistem informaţional corespunzător organizat.
Transformarea deciziei în acţiune pentru un sistem
cibernetic constituit în mod conştient se realizează prin conexiuni de
tip informaţional. Pentru creşterea eficienţei conducerii apare
necesitatea intercalării unui subsistem informaţional (fig.1.7) cu rolul
de a organiza mai bine activităţile de culegere, prelucrare, transmitere
şi stocare a informaţiilor.
Sistemul informaţional reprezintă un compartiment Sistemul
tehnico-organizatoric responsabil cu obţinerea informaţiilor informaţional
necesare conducerii unui domeniu de activitate pentru
fundamentarea ştiinţifică a deciziilor.
Circuitul Circuitul informaţional reprezintă traseul parcurs de

informaţional informaţie de la emiterea ei până la valorificarea în procesul de
conducere. Sistemele informaţionale se deosebesc în funcţie de
mijloacele utilizate pentru realizarea circuitului informaţional:
 manual - mintale
 semiautomate (manual - mintale şi, parţial, tehnică de calcul)
 automate (prelucrare informaţiilor cu mijloace informatice)
Sistemul Ultimele două tipuri de sisteme informaţionale includ sisteme
informatic
informatice care reprezintă acea componentă (sau structură)
funcţională ce realizează operaţiile de culegere, prelucrare,
transmitere şi stocare a datelor cu ajutorul calculatorului electronic.
Practic, un circuit informaţional înseamnă un transfer de
informaţii într-o anumită succesiune (în general prestabilită) de la
câte un emiţător la câte un receptor între care se stabileşte câte o
conexiune informaţională.
DAR, CE ESTE INFORMAŢIA?

   Dacă pornim de la ideea că materia prezintă trei forme de
manifestare – substanţă, energie şi informaţie – încercarea de a
defini oricare dintre aceste concepte fundamentale este fără şanse
de finalizare; acestea rămân noţiuni de bază nedefinite.
În sensul cunoaşterii umane, Aristotel a definit informaţia
ca un spor de cunoştinţe şi putere de acţiune şi organizare (Tamaş,
1983).
În teoria comunicaţiilor, informaţia este considerată un
mesaj (sau un semnal) care reflectă starea unui sistem şi aduce un
plus de cunoaştere celui care îl recepţionează.
În teoria sistemelor, informaţia ar putea fi considerată o
măsură a gradului de organizare, după cum energia este
considerată, cvasigeneralizat, ca fiind o măsură a mişcării
(Constantinescu, 1990).
În sensul utilizat în domeniul conducerii sistemelor

cibernetice, poate fi sintetizată următoarea formulare:
Informaţia este acea entitate care reduce starea de Informaţia

nedeterminare (entropia) a unui sistem pe baza unui mesaj
transmis unui receptor.
Este important să se reţină faptul că orice informaţie

referitoare la un obiect, fenomen sau proces trebuie să înlăture o
anumită incertitudine privind realizarea unei stări a sistemului
analizat.
Cu cât este mai mare numărul de stări posibile pentru un
sistem, cu atât creşte gradul de nedeterminare a evenimentului de
trecere în starea următoare, iar cantitatea de informaţie emisă prin
realizarea acelei stări este mai mare.
Dacă starea următoare a sistemului ar fi cunoscută
dinainte (deci probabilitatea de realizare a acesteia ar fi 1, sau
100%), prin realizarea acestui eveniment cantitatea de informaţie
obţinută ar fi nulă.
Încadrându-se în curentul de preocupări privind aflarea unei
măsuri a informaţiei, Hartley (1928) a considerat că poate fi exprimată Cantitatea
cantitatea de informaţie prin cuantificarea nedeterminării înlăturate de informaţie
prin informaţia emisă la modificarea stării unui sistem.
După Harley, cantitatea de informaţie H este redată de expresia:
1
H  log n  log , (1.1)
p
în care
n este numărul stărilor (elementelor), iar
p este probabilitatea asociată determinării unei stări (element) din
cele n stări echiprobabile (cu aceeaşi şansă de realizare).
Comparând informaţia transmisă în cazul aruncării unei
monede (aşadar, în cazul a două stări posibile) cu cea din cazul
aruncării unui zar (cu şase stări posibile), în cel de-al doilea caz
nivelul cantitativ este mai mare.
EXEMPLU : Estimarea cantităţii de informaţie
Pentru verificarea intuitivă a relaţiei anterioare, se poate considera

spre exemplificare procedeul dihotomic de aflare a unui număr ales
de o persoană dintr-o anumită mulţime finită M, printr-o succesiune
de întrebări cu două răspunsuri posibile, şansa fiecărui răspuns fiind
de 50%.
Din mulţimea M = 1, 2, 3,….., 32 cu 25 = 32 elemente, o

persoană a ales numărul 15.
REZOLVARE
Întrebare Răspuns
1. numărul  16 ? Nu
2. numărul  8 ? Da
5. numărul  15 ? Nu
Se observă că, după 5 întrebări, numărul 15 este
determinat ca fiind singurul care este mai mare decât 14 şi care nu
este strict mai mare decât 15.
În acest caz H  log 2 n  log 2 2 5  5 .
Dacă mulţimea M ar fi avut 26 = 64 elemente, ar mai fi fost
necesară o primă întrebare suplimentară, dacă numărul  32 cu
răspunsul „nu”. În acel caz ar fi necesare 6 teste, iar cantitatea de
informaţie ar deveni H  log 2 n  log 2 2 6  6 .
Dacă evenimentele nu sunt echiprobabile, fiecărei stări din

cele n posibile i se asociază o probabilitate diferită de realizare (p1,
n
p2,…, pn) cu verificarea relaţiei p
i 1
i  1.
Shannon a propus pentru această situaţie (Shannon şi

Weaver, 1964) o relaţie de determinare a cantităţii de informaţie I
1
ca o medie ponderată a cantităţilor log   log p i în raport cu
pi
probabilităţile pi :
n
1
p i  log
pi n
  p i log p i .
i 1
I n
(1.2)
p
i 1
i
i 1
Pentru exprimarea unităţii elementare de cantitate de

informaţie s-a adoptat baza 2 pentru logaritmul din relaţie, evitând
astfel existenţa unor submultipli.
Oricum, se poate face transformarea logaritmului în orice
bază cu relaţia cunoscută:
log b x
log a x  . (1.3)
log b a
În cazul probabilităţii echiprobabile de realizare a unei stări din două

realizabile, cantitatea de informaţie care înlătură nedeterminarea
este denumită bit (de la „binary unit”). În acest caz:
2
1 1 1
I    log 2     log 2    log 2 2  1 . (1.4)
i 1 2 2 2
capitolul 2 CONTROLUL STATISTIC AL PROCESELOR 19

 control prin atribute  cartele de control
 funcţii de distribuţie  capabilitate a proceselor
Raportate la modalitatea de exprimare a parametrilor de

calitate, sunt prezentate procedeele statistice ce pot fi folosite pentru
controlul calităţii producţiei: analiza secvenţială, ajustarea cu distribuţii
teoretice specifice, conceperea şi utilizarea cartelelor de control.
Sunt evidenţiate etapele succesive de examinare a capacităţii
performante a unui proces de producţie în scopul reglării acestuia
pentru menţinerea între acele limite care condiţionează o funcţionare
optimă.
IMPORTANŢA CONTROLULUI
STATISTIC AL PROCESELOR
SPC    SPC (Statistical Process Control) reprezintă o metodă din
cadrul managementului calităţii care utilizează procedeele
statistice pentru supravegherea unui proces tehnologic complex în
scopul identificării abaterilor sistematice ale acestuia.
Pot fi fundamentate astfel deciziile privind intervenţiile în
vederea reglării (corectare înainte de a rezulta neconformităţi),
proces prin care caracteristicile calitative sunt menţinute în limitele
de toleranţă prestabilite. SPC este o metodă preventivă care
contribuie, prin identificarea erorilor şi mai ales prin limitarea lor,
la reducerea costurilor datorate defectelor, rebuturilor sau
prelucrărilor ulterioare suplimentare.
O importanţă deosebită reprezintă etapa de intervenţie în
desfăşurarea procesului tehnologic prin procedeele specifice de
reglare şi optimizare (fig.2.1).
Procedeele statistice aplicate pentru controlul calităţii

producţiei se bazează pe aprecierea caracteristicilor prin eşantionarea
unui lot de produse şi extinderea parametrilor statistici ai probei la
întreaga populaţie statistică din lotul respectiv. Controlul statistic
realizat prin aceste sondaje are scopul de a stabili dacă procesul
tehnologic se desfăşoară în parametri corespunzători şi/sau
caracteristicile produselor sunt menţinute între limitele de toleranţă
impuse (asigurând stabilitatea fabricaţiei).
Controlul statistic se utilizează în situaţia proceselor de
producţie de serie mijlocie şi mare pentru evidenţierea abaterilor
sistematice ale acestora; pentru un număr redus de unităţi de
produs, controlul calitativ poate fi efectuat integral.
Aplicat cu precădere pentru controlul calităţii produselor
finite rezultate, controlul statistic poate fi utilizat şi pentru recepţia
materiilor prime şi a materialelor, pentru testarea calitativă a
semifabricatelor ce aprovizionează o linie tehnologică sau pentru
controlul procesului de producţie (de fabricaţie) în ansamblu.
Acest spectru mai larg de aplicabilitate este dat de extensia
informaţiilor obţinute în baza determinărilor sau observaţiilor
efectuate pentru fiecare eşantion, atât în ceea ce priveşte calitatea
unităţilor de produs, cât şi cu referire la performanţele procesului
tehnologic de fabricaţie a produsului la momentul prelevării
probelor.
Variantele de control statistic sunt diferite ca modalitate
practică de aplicare, însă analiza se desfăşoară de fiecare dată cu
luarea în considerare a indicatorilor statistici: ai tendinţei centrale
(medie, mediană, mod), de variaţie (varianţă, abatere standard,
coeficient de variaţie) şi ai formei (asimetrie şi exces).
Statistica matematică, bazată pe teoria probabilităţilor,

prezintă anumite avantaje luate în considerare la stabilirea
metodelor de control:
~ minimizează volumul producţiei verificate,
~ asigură o durată minimă a controlului şi posibilitatea adoptării
mai rapide a deciziei,
~ deşi nu elimină posibilitatea producerii erorilor, asigură un
control al nivelului riscului deciziei prin fixarea între anumite
limite prestabilite,
~ se adaptează diverselor cerinţe ale producţiei: loturi mari,
loturi mici, caracteristici măsurabile sau nemăsurabile, grade
diferenţiate de asigurare pentru furnizor sau beneficiar etc.
În funcţie de modul de exprimare a caracteristicii de
calitate se pot diferenţia două tipuri de control statistic:
 control prin atribute (sau prin număr de defecte)
 control prin măsurare (sau prin analiza variabilităţii).
CONTROLUL STATISTIC PRIN ATRIBUTE

   Se aplică în situaţia caracteristicilor de calitate greu
măsurabile sau nemăsurabile, elementele observate (unităţile de
produs) fiind examinate frecvent doar vizual.
Analiza Cunoscut şi sub denumirea „metoda analizei secvenţiale”,
secvenţială controlul statistic prin atribute este recomandat mai ales pentru
controlul calităţii produselor, dar poate fi adaptat şi pentru
controlul gradului de poluare, de exemplu, sau pentru alte situaţii
similare în care fenomenul studiat prezintă doar două stări de
manifestare posibile (unitate de produs corespunzătoare calitativ –
unitate rebut, arbore uscat – arbore sănătos etc.).
În cazul acestei metode, propusă de Wald (1947),
verificarea ipotezei nule se efectuează după extragerea şi
observarea fiecărei unităţi din populaţie. Se urmăreşte controlul
numărului de produse necorespunzătoare calitativ (sau controlul
proporţiei acestora) prin menţinerea la un nivel prestabilit ca
acceptabil în anumite condiţii restrictive impuse.
S-a observat că, în comparaţie cu metoda selectivă
standard care presupune stabilirea cu anticipaţie a volumului
eşantionului, numărul de observaţii se poate reduce chiar la
jumătate. Un avantaj al metodei constă, deci, în faptul că pe baza
unui eşantion cu număr mic de unităţi observate se pot lua decizii
rapide de acceptare sau de respingere a ipotezei nule (H 0).
Pentru prezentarea metodei se presupune că este analizată o
anumită caracteristică xi care poate lua valoarea „0”, dacă unitatea de

produs controlată corespunde din punct de vedere calitativ, sau
valoarea „1”, dacă aceasta este necorespunzătoare (rebut).
Dacă s-ar inventaria întreaga populaţie (cu N unităţi) s-ar
constata că aceasta conţine D unităţi defecte, ponderea acestora fiind
D
p . Metoda secvenţială este, însă, o metodă de eşantionare cu un
N
volum al eşantionului variabil în funcţie de condiţiile impuse
controlului.
Analiza statistică a loturilor de produse pe baza
caracteristicilor atributive operează cu două praguri limită ale
ponderii admisibile a defectelor:
 proporţia de acceptare (p1) – valoarea maximă a proporţiei
defectelor aflate în eşantion care permite luarea deciziei de
acceptare a întregului lot,
 proporţia de respingere (p2) – valoarea minimă a proporţiei
defectelor găsite în eşantion care conduce la decizia de
respingere a întregului lot.
Dat fiind că nu se face o analiză integrală, p rămâne
necunoscută, dar se pot formula următoarele ipoteze, prin verificarea
cărora, după fiecare unitate testată, se poate lua una din cele trei
decizii posibile (fig.2.2):
 acceptarea lotului, dacă este confirmată ipoteza H0: p  p1

 respingerea lotului, dacă se confirmă ipoteza alternativă H1: p  p2
 continuarea verificării prin extragerea unei alte unităţi din
populaţie (lot), dacă datele obţinute la un moment dat nu oferă
temei suficient de respingere sau acceptare.
Pentru că este vorba despre un control pe baza unei probe,
acesta nu oferă certitudini, ci presupuneri ce conduc la decizia de
acceptare sau de respingere a întregului lot. La controlul statistic al
produselor prin această metodă se pot pune în evidenţă două tipuri
de riscuri în formularea eronată a unei decizii:
 , riscul de genul I sau riscul furnizorului, este riscul de a respinge Riscul
un lot bun (de a respinge ipoteza H0 cu toate că aceasta, printr-o furnizorului
analiză integrală, s-ar dovedi adevărată).
Ori de câte ori va exista într-un lot o proporţie a

defectelor p1 sau mai mică, furnizorul va dori să suporte un
risc foarte mic de respingere (cel mult ).
Riscul  , riscul de genul II sau riscul beneficiarului, este riscul de a accepta
beneficiarului
un lot necorespunzător (de a respinge ipoteza H1 cu toate că în
realitate ea este adevărată sau de a accepta ipoteza H0 atunci când
ea este eronată).
Ori de câte ori va exista într-un lot o proporţie a

defectelor p2 sau mai mare, beneficiarul va dori să suporte un
risc foarte mic de acceptare a lotului (cel mult  ).
Între p1, p2,  şi  există relaţiile:

0  p1  p2  1 (2.1)
1
0   1  1 (2.2)
2
1
p 2  p1  (2.3)
N
Alte notaţii efectuate:
m - numărul de unităţi testate (controlate),
T1 - dreapta de acceptare (numărul maxim de rebuturi din unităţile
testate m, pentru care se acceptă întreg lotul),
T2 - dreapta de respingere (numărul minim de rebuturi din cele m
unităţi testate, pentru care se respinge întreg lotul),
xi - numărul total de rebuturi (suma rebuturilor) găsite printre cele
m unităţi controlate.
N
unităţi de produs
m
=
m=1 1
Control
m= m+1
xi=1 sau xi=0
xi  T1 xi  T2 T1  xi  T2
lotul se acceptă lotul se respinge

Pentru populaţii infinite sau cu un volum mare (N > 3000)

se procedează astfel:
~ se calculează valorile T1 şi T2 (ecuaţiile dreptelor T1 şi T2) cu
relaţiile:
T1  k  m  h1 (2.4)
T2  k  m  h2 , (2.5)
în care:
 1 
lg lg
h1  1 , h2   , (2.6)
p  1  p1  p  1  p1 
lg 2 lg 2
p1  1  p 2  p1  1  p 2 
1  p1
lg
1  p2
iar: k .
p  1  p1 
(2.7)
lg 2
p1  1  p2 
~ se rezolvă tabelar sau grafic prin continuarea sondajului atât
timp cât xi este cuprinsă între T1 şi T2; dacă xi > T2 lotul se
respinge, iar dacă xi < T1, lotul se acceptă.
Tipul de grafic utilizat este redat în figura 2.3.
Pentru populaţiile finite (N < 3000 unităţi) este utilizat un

alt model matematic:
~ dreptele de acceptare şi de respingere nu mai sunt paralele, ci se
intersectează într-un punct P (x, y):
x  N
 p 2  p1
y  p2
 N  0,5 (2.8)
 ln
 p1
~ punctele de intersecţie între dreptele de control şi abscisă sunt
(m1, 0) şi (m2, 0) cu:
 1

    N  p2  p1 
 şi
m1  N  1   
 1    
 
 1

 1    N  p 2  p1 
m 2  N  1    , (2.9)
    
 
acestea, împreună cu punctul P (x, y) determinând dreptele T1 şi T2.
~ există o a treia dreaptă de control:
T3  p1  N (2.10)
~ rezolvarea cea mai comodă este cea grafică, continuându-se

sondajul până când xi iese din zona de continuare fie în cea de
respingere, fie în cea de acceptare, aceste zone fiind delimitate
ca în figura 2.4.
CONTROLUL STATISTIC PRIN MĂSURARE

   Se aplică pentru recepţia produselor, dar şi pentru
verificarea fluxului tehnologic, atunci când caracteristica analizată
este măsurabilă şi are o distribuţie experimentală ce urmează o
distribuţie teoretică de probabilitate cunoscută (în cele mai multe
situaţii, fără a generaliza, este vorba despre distribuţia normală sau
una foarte apropiată de aceasta).
Funcţiile teoretice de distribuţie ce pot fi utilizate pentru
evaluarea conformităţii variabilelor cantitative ale unui proces sunt:
distribuţia normală, distribuţia binomială şi distribuţia Poisson.
Funcţia de densitate (densitatea de probabilitate) a
distribuţiei normale are expresia: Distribuţia
normală
 x   2
1 
f  x,  ,    e 2 2
, (2.11)
 2
în care: -x+,  este media repartiţiei, iar  este abaterea standard.
“Clopotul lui Gauss” (fig. 2.5) are următoarele proprietăţi:
 admite un maxim pentru x= ;
 este simetrică în raport cu  ;
 modificarea parametrului  determină deplasarea curbei de-a
lungul axei x fără a-i modifica forma;
 modificarea lui  duce la lărgirea sau îngustarea curbei fără ca
valoarea lui  să fie afectată;
 are două puncte de inflexiune, pentru x=.
x
Prin transformarea de variabilă ( u  ), se obţine

Distribuţia funcţia normală normată. În acest caz ’0 şi ’1, iar funcţia de
normală densitate de probabilitate devine:
normată
u2
1
u   , .

f u   e 2
, (2.12)
2
Funcţia de repartiţie se obţine prin integrarea funcţiei de
densitate de probabilitate şi se numeşte integrala lui Gauss sau
integrala erorilor:
x u
F x    f  x  dx sau F u    f u  du . (2.13)
 
Aceasta reprezintă aria suprafeţei de sub curba normală de

la - la x (sau de la - la u, în cazul normalei normate).
Reprezentată grafic, această curbă are dreptele Ox (sau Ou) şi
F(x)=1 ( sau F(u)=1) ca asimptote şi un punct de inflexiune pentru
x= (respectiv, u=0).
Etapele de ajustare sunt următoarele:
 se determină media aritmetică ( x ) şi abaterea standard (s)
printr-un procedeu cunoscut;
 se determină abaterile normate (ui);
 în funcţie de valorile abaterilor normate se calculează valorile
u2
1 
fˆ u i  după funcţia normală normată f u   e 2
;
2
 se determină frecvenţele teoretice absolute ( n̂ i ).
Este neapărat necesar să se verifice, prin teste statistice,
concordanţa dintre distribuţia experimentală şi cea teoretică (se
compară frecvenţele absolute experimentale cu cele teoretice prin
utilizarea unor teste statistice, de exemplu testul 2).
După standardizarea variabilei x (prin transformarea de
variabilă z  x   ), pentru distribuţia normală exprimată prin funcţia
sa de densitate de probabilitate se poate calcula, pentru z1 şi z2 daţi,
suprafaţa totală ce se află sub curbă între cele două valori (tabelul
2.1 şi fig.2.6).
Intervalul astfel determinat (z1,z2) se numeşte interval de
încredere, iar suprafaţa corespunzătoare, probabilitate de acoperire
(p); q=100-p se numeşte probabilitate de transgresiune sau
probabilitate de depăşire.
suprafaţa cuprinsă
z1  x1   z2  x2  
(%)
-  68,26
-2 2 95,44
-3 3 99,73
-1,96 1,96 95,00
-2,58 2,58 99,00
-3,29 3,29 99,90
Aceste probabilităţi se mai numesc praguri de semnificaţie

sau nivele de semnificaţie (se folosesc, de obicei, valorile lui p egale cu
95,0%, 99,0% sau 99,9%).
Distribuţia binomială se numeşte repartiţia lui Bernoulli Distribuţia

binomială
sau repartiţia newtoniană.
Se consideră, ca exemplu, o populaţie de N arbori din care
M sunt uscaţi. Analizând câte un arbore, la întâmplare, dintre cei N,
se înregistrează prezenţa sau absenţa fenomenului de uscare. Dacă
se repetă de n ori experienţa în aceleaşi condiţii şi în mod
independent (cu posibilitatea de a „extrage” de mai multe ori
acelaşi arbore, adică prin selecţie repetată), numărul r de arbori
uscaţi din eşantionul de volum n este valoarea dată de o variabilă
M
aleatoare binomială X de parametri n şi p  .
N
Se poate demonstra că, pentru orice r întreg cuprins între 0
şi n ( 0  r  n ):
P X  r   C n  p r 1  p 
r nr
 Pr , (2.14)
în care:
n!
C
r
 . (2.15)
n
r!  n  r !
n
(observaţie:  P  1 ).
i 0
i
În general, considerând o populaţie formată din N unităţi din

care se extrage o unitate, probabilitatea ca această unitate să posede
caracteristica studiată este p N , iar probabilitatea evenimentului
contrar este q N . Se poate scrie: p N  q N  1 .
Prin extragerea din populaţia considerată a unei probe
formate din n unităţi prin metoda selecţiei repetate, probabilitatea
ca x unităţi să posede caracteristica studiată este dată de funcţia de
repartiţie:
n!
f x    p x  q n x , (2.16)
x!  n  x !
în care:
n - numărul unităţilor din probă (volumul probei),
x - numărul elementelor care prezintă caracteristica studiată,
p - probabilitatea apariţiei evenimentului urmărit,
q - probabilitatea apariţiei evenimentului contrar.
Presupunând că pentru exemplul considerat s-au prelevat
la întâmplare k=6 eşantioane cu câte 10 arbori fiecare, iar numărul
x de arbori cu fenomen de uscare înregistrat în aceste eşantioane
este cel prezentat în tabelul 2.2, se obţine distribuţia experimentală
reprezentată în fig.2.7.
Număr de
Eşantion
rebuturi
k
xi
1 2
2 1
3 2
4 3
5 1
6 1
Total 10
Se obţin parametrii funcţiei binomiale:

k
x i
10 x 1,6
x i 1
  1,6 ; p    0,16 ; q  1  p  0,84 .
k 6 n 10
Pentru simplificarea calculelor, se aplică relaţia de definiţie
pentru obţinerea valorilor funcţiei de repartiţie numai pentru x=0,
caz în care:
f( 0 )  q n . (2.17)
Pentru x  0 se utilizează formula de recurenţă:

nx p
f  x  1  f  x    . (2.18)
x 1 q
Indicatorii statistici teoretici specifici repartiţiei binomiale
sunt:
 media x  pn (2.19)
 varianţa s2  n  p  q (2.20)
Legea distribuţiei binomiale se aplică ori de câte ori

fenomenele sunt influenţate de intervenţia unor factori
independenţi ale căror probabilităţi de apariţie sunt cunoscute şi au
valoare constantă.
Ajustarea unei distribuţii experimentale după legea distribuţiei

binomiale urmează etapele:
x
 se determină x , p, q: p ; q=1-p; (2.21)
n
 se determină frecvenţele teoretice relative cu relaţia 2.17
pentru x=0 şi cu relaţia 2.18 pentru x  0 ;
 se determină frecvenţele teoretice absolute:
nˆ i  N  fˆi  N  fˆ x i  ; (2.22)
 se compară distribuţia experimentală cu cea teoretică.

Dacă se observă similitudine între frecvenţele absolute
teoretice şi cele experimentale se consideră că fenomenul studiat
urmează legea distribuţiei binomiale. Trebuie neapărat să se aplice
şi un test statistic de ajustare.
Distribuţia Distribuţia Poisson este un caz special al distribuţiei
Poisson
binomiale pentru situaţia în care probabilitatea apariţiei unui
eveniment este mică, chiar dacă numărul observaţiilor creşte foarte
mult. Din acest motiv se mai numeşte distribuţia evenimentelor rare.
Distribuţia Poisson este un caz limită al distribuţiei binomiale
pentru n   şi p  0 , produsul n  p   fiind constant.
EXEMPLU : Verificarea aplicabilităţii distribuţiei Poisson
Dacă se consideră N numărul anual de zile active (220 zile) şi se

notează cu xi numărul de zile de staţionare pe an pentru reparaţii
accidentale a celor 5 tractoare articulate forestiere ale unei firme de
exploatare, x poate fi considerată valoarea luată de o variabilă
aleatoare X care urmează legea Poisson de parametru  ( fiind
2
numărul mediu de tractoare defecte simultan;   x  s ).
REZOLVARE
Se calculează x şi s2 cu datele din figura 2.8:
2
 5 
5 5

 ni  xi 


i 1
ni x i
16

i 1
n i  x i2 

i 1
N
 16 2
18 
220  0,07
x   0,07 ; s 2  
N 220 N 1 219
Media aritmetică este egală cu dispersia distribuţiei, ceea

ce arată că în acest caz este aplicabilă distribuţia Poisson.
Variabila X poate lua toate valorile întregi pozitive sau

nule, după funcţia de frecvenţă a distribuţiei Poisson:
Variabila X poate lua toate valorile întregi pozitive sau

nule, după funcţia de frecvenţă a distribuţiei Poisson:
 x  e 
P X  x    f x  , (2.23)
x!
în care:   x  s2 .
(2.24)
Relaţia de mai sus se aplică pentru x  0  f ( 0 )  e   .
Pentru x  0 este comod să se aplice relaţia de recurenţă:

f x  1  f x   .
x 1
(2.25)
Număr de Număr
tractoare de zile
defecte pe an ni  xi ni  xi2
xi ni
0 205 0 0
1 14 14 14
2 1 2 4
3 0 0 0
4 0 0 0
5 0 0 0
Total 220 16 18
Etapele de ajustare a distribuţiei experimentale după legea

Poisson sunt:
 se determină media aritmetică x ;
 se determină dispersia s2;
 se compară x cu s2; numai dacă cele două valori sunt egale sau
foarte apropiate se poate trece la ajustare;
 se determină frecvenţele teoretice relative cu relaţia directă
sau prin formula de recurenţă (pentru x  0 );
 se determină frecvenţele teoretice absolute:
nˆ i  N  fˆi ; (2.26)
 se verifică dacă există între cele două distribuţii (printr-un test
de concordanţă).
VARIABILITATEA- INDICATOR STATISTIC

ÎN CONTROLUL PROCESELOR
   Distribuţiile experimentale ajustate prin distribuţii
teoretice adecvate, precum şi fişele sau cartelele de control,
reprezintă instrumentele de bază pentru controlul statistic al
proceselor de producţie.
Procesele de producţie, ca ansamblu de activităţi
desfăşurate în scopul transformării elementelor de intrare (în
sistem) în produse, sunt supuse variabilităţii. Variabilitatea este
influenţată de acţiunea unor factori întâmplători (aleatorii) şi cea a
unor factori sistematici (Brennan, 2011).
Factorii aleatorii sunt mai puţin importanţi în analiza
proceselor de producţie pentru că influenţa acestora asupra
variaţiei totale este redusă şi, mai ales, pentru că nu pot fi
identificaţi şi controlaţi.
Factorii sistematici, în schimb, pot fi identificaţi prin
control pentru că li se poate determina contribuţia la modificarea
unei caracteristici de calitate sau la dereglarea unui nivel al
procesului de producţie.
Frecvenţele de referinţă pentru distribuţia variabilei
analizate, precum şi limitele specificate în fişele de control rezultă
prin măsurarea sau monitorizarea caracteristicii urmărite în
control prin prelevarea unor eşantioane la ieşirea produsului dintr-
o etapă intermediară sau finală a procesului controlat.
Este foarte important modelul teoretic care stă la baza SPC,
rezultat prin ajustare din repartiţia experimentală a valorilor
caracteristicii controlate. Pentru determinarea acestei repartiţii se
va efectua o eşantionare, scopul fiind ca pornind de la indicii
probelor constituite prin sondaj să se estimeze indicii statistici ai
populaţiei (ce rămân în continuare necunoscuţi). În baza acestor
estimări se determină limitele de avertizare şi limitele de
intervenţie şi se întocmesc apoi cartelele de control.
Etapele Pentru realizarea controlului statistic al proceselor este
controlului necesară parcurgerea următoarelor etape:
statistic
 pregătirea eşantionajului, etapă în care se aleg acele caracteristici
care vor face obiectul controlului dintre parametrii de referinţă
ai procesului sau produsului; în funcţie de volumul populaţiei
statistice (formată din ansamblul valorilor ce s-ar putea
inregistra printr-o inventariere integrală) se determină: volumul
eşantioanelor, parametrii statistici cu ajutorul cărora va fi
urmărit procesul şi limitele de variaţie a acestora, precum şi
frecvenţa măsurătorilor sau observaţiilor;
 prelevarea probelor, în mod aleator sau în baza unei proceduri
prestabilite, cu îndeplinirea condiţiilor de reprezentativitate
(asigurând pentru fiecare unitate statistică şanse egale de
includere în eşantion);
 evaluarea statistică a rezultatelor sondajului prin calculul
parametrilor statistici şi completarea fişelor sau a cartelelor de
control.
 interpretarea rezultatelor şi, dacă este cazul, deducerea unor
măsuri de intervenţie în vederea reglării procesului controlat.
Rezultatul unui proces de producţie (ieşirea din sistem) se
concretizează prin crearea sau modificarea unor caracteristici ale
obiectului muncii, care poate fi atât din categoria materiilor prime
şi materialelor, a produselor intermediare sau (semi)finite, cât şi
din categoria serviciilor. Valorile cuantificabile sau măsurabile ale
caracteristicilor produsului unui proces sunt influenţate de mai
mulţi factori ce pot fi grupaţi în 5 categorii (5M): Muncitor, Maşină,
Material, Metodă, Mediu (fig.2.9).
Se poate spune că fiecare dintre aceste categorii intervine cu

o anumită cotă-parte la variabilitatea caracteristicilor produsului
(fig.2.10).
Influenţa maşinilor sau a instalaţiilor (a mijloacelor de
muncă) este redusă pentru că se presupune că reglajele iniţiale se
menţin nemodificate o perioadă mai lungă; nonconformităţile pot fi
cauzate în acest caz de uzură (erori sistematice previzibile) sau de
defectări accidentale (erori aleatoare).

Metodele aplicate influenţează mai ales precizia de
execuţie şi productivitatea procesului. Neomogenitatea şi calitatea
materialelor influenţează considerabil dinamica proceselor fiind
necesară intervenţia corectivă în majoritatea situaţiilor.
O influenţa majoră este atribuită factorului uman. Este

necesară instruirea şi motivarea muncitorilor pentru desfăşurarea
în parametri optimi, pentru conducerea şi verificarea proceselor.
Influenţa cea mai importantă o are mediul în care se
desfăşoară procesul de producţie, înţeles atât ca mediu ambiant cât
şi ca mediu extern (economic sau de afaceri).
Controlul statistic nu se justifică a fi realizat pentru toate
produsele unui proces tehnologic. Sunt selectate, în primul rând
produsele reprezentative, cu pondere ridicată în ansamblul
activităţii sau care sunt realizate prin procese tehnologice cu un
grad ridicat de automatizare.
De asemenea, dintre caracteristicile unui produs sunt
incluse în sistemul de control numai cele care condiţionează
semnificativ calitatea prin abaterile frecvente faţă de valorile etalon.
Prin control statistic se verifică dacă procesele sunt
controlabile şi performante (Levinson, 2011). Analiza stabilităţii
unui proces tehnologic prin intermediul caracteristicilor selectate
se desfăşoară etapizat prin eşantionare repetată, extrăgând, la
intervale prestabilite (ore sau zile), k probe cu volum suficient de
mare (Nk=100300).
Un proces este considerat controlabil dacă prezintă
stabilitate dinamică (Oakland, 2008), adică distribuţia caracteristicii
analizate îşi păstrează forma şi se menţine între limitele impuse o
perioadă mai îndelungată (figura 2.11).
În situaţia unui proces controlabil se remarcă o variaţie

mică a mediilor eşantioanelor (  k ) şi un nivel aproape constant al
dispersiei valorilor experimentale (  k2 ):
1   2     k şi  12   22     k2 . (2.27)
Se poate spune că procesul este stabil ca reglaj şi precizie

şi se poate utiliza controlul statistic pentru verificările ulterioare.
Instabilitatea proceselor tehnologice, din punct de vedere
al centrării ( 1   2     k ) sau al preciziei (  12   22     k2 ), nu
favorizează folosirea controlului statistic, ci este necesară o etapă
distinctă de analiză şi înlăturare a cauzelor fluctuaţiilor atât de mari
ale valorilor variabilei selectate.
Un proces este considerat performant dacă este stabil ca
precizie (fig. 2.12) şi cu frecvenţă ridicată a unităţilor cu abateri mici
faţă de cerinţele de calitate (distribuţiile prezintă exces pozitiv, ceea
ce corespunde unei dispersii mici a valorilor caracteristicii urmărite).
Aprecierea cantitativă a capacităţii performante a unui

proces tehnologic se realizează prin determinarea indicilor de
performanţă (Krajewski et al., 2010), cel mai frecvent utilizat fiind
capabilitatea procesului, Cp (tabelul 2.3).
Indicele Cp Aprecierea performanţei
Cp >1,33 Procesul este performant ca reglaj şi precizie

1,00 ≤Cp ≤1,33 Procesul poate deveni performant în anumite condiţii
Cp <1,00 Procesul nu este performant
Capabilitatea unui proces este estimată (figura 2.13) prin

poziţia şi extinderea distribuţiei valorilor caracteristicii supuse
controlului faţă de limitele de toleranţă (limita superioară de
toleranţă, LTS, şi limita inferioară de toleranţă, LTI).
Controlul statistic al proceselor se desfăşoară în etape

succesive, fiecare eşantionare furnizând date următoarei. În ordine,
acestea sunt: examinarea capacităţii performante pe termen scurt,
estimarea capacităţii performante pe termen lung şi controlul
continuu al procesului.
În cazul utilizării funcţiilor de distribuţie este necesar să
se identifice modelul de variaţie specific caracteristicii analizate, cu
care urmează apoi să se compare rezultatele controlului statistic.
Prin raportare la condiţiile fizice în care au fost obţinute valorile
experimentale pe parcursul controlului, poate fi identificat factorul
responsabil de modificarea distribuţiei experimentale faţă de
modelul de variaţie tipic pentru procesul analizat.
În etapa de pregătire a controlului se selectează caracteristica
semnificativă a produsului rezultat prin procesul tehnologic vizat.
Se determină volumul eşantionului în funcţie de mărimea

întregului lot şi se prelevează probele înregistrând valorile
caracteristicii selectate.
Prin prelucrarea datelor rezultă distribuţia experimentală
care se ajustează cu o distribuţie teoretică adecvată. În final se
stabileşte modelul de distribuţie şi se determină nivelul indicilor
specifici de calitate, precum şi posibilele forme de distorsiune ale
modelului teoretic.
În marea majoritate a cazurilor, rezultatele experimentale au
arătat că variaţia caracteristicilor cantitative analizate în cadrul
proceselor tehnologice urmează modelul distribuţiei normale.
Indicatorii statistici specifici distribuţiei normale ce prezintă interes
din punct de vedere al controlului proceselor sunt: media colectivităţii
generale (), abaterea standard a caracteristicii selectate () şi
intervalul de toleranţă T  6   , aflat între limitele de toleranţă
superioară şi inferioară calculate în raport cu media (   3   ).
Efectuarea controlului statistic propriu-zis presupune:
 eşantionarea pentru control şi înregistrarea datelor,
 prelucrarea înregistrărilor prin realizarea diagramei frecvenţelor
(distribuţia experimentală a eşantionului) şi determinarea
valorilor indicilor de calitate specifici stabiliţi în etapa de pregătire
(medie, amplitudine, abatere standard, capabilitatea procesului),
 compararea indicatorilor statistici obţinuţi pentru probă cu cei
ai modelului de distribuţie şi analiza abaterilor acestora faţă de
valorile specifice unui proces tehnologic standard; în cazul
unor diferenţe mai mari decât cele tolerate se propun măsuri
de reglare în raport cu cauzele perturbărilor.
Indicatorii Indicii specifici controlului pe un eşantion de volum n sunt:
controlului n
statistic
x i
- media valorilor xi ale caracteristicii controlate x  i 1

,
n
- amplitudinea de variaţie R, calculată ca diferenţă dintre valoarea
maximă (xmax) şi cea minimă (xmin) din şirul statistic R  xmax  xmin ,
- abaterea standard s, calculată ca valoarea pozitivă a expresiei
n
 x  x 
i
2
s i 1
(2.28)
n 1
- capabilitatea procesului, Cp, sau indicele capacităţii performante,
T 
Cp   . (2.29)
6s s
CARTELELE DE CONTROL AL CALIT ĂŢII

   Distribuţia experimentală a frecvenţelor este un instrument
util şi eficient de interpretare a stabilităţii proceselor de producţie,
dar aplicarea practică necesită un număr relativ mare de unităţi
statistice incluse în eşantion (frecvent peste 100 valori înregistrate
pentru a rezulta o distribuţie suficient de reprezentativă pentru
procesul analizat). Uneori, aceasta implică o perioadă mai lungă de
eşantionare, ceea ce nu permite un control operativ (este diminuată
eficienţa controlului pentru că reglarea procesului în scopul
menţinerii între limitele specificate este întârziată).
Cartelele de control al calităţii reprezintă o formă Cartelele
standardizată pentru controlul continuu al procesului în scopul de control
realizării unei producţii constante şi previzibile. Cartelele de control
sunt reprezentări grafice ale limitelor de control superioară şi
inferioară pentru procesul urmărit, pe care se marchează, în
general în ordine cronologică, seriile de valori înregistrate
experimental. De obicei este reprezentată în zona centrală media
estimată pentru caracteristica analizată (sau mediana) care permite
observarea tendinţei de concentrare a valorilor.
Tipurile de cartele pentru controlul calităţii şi domeniile
specifice de aplicare sunt indicate în figura 2.14.
Cartelele Shewhart (Control Cards) reprezintă varianta Cartelele

Shewhart
clasică a cartelelor utilizate pentru supravegherea capacităţii
procesului de a se menţine sub control. Prin înregistrarea grafică a
valorilor din eşantionaj se pune în evidenţă nivelul abaterii ∆µ faţă
de media . Intervenţia pentru reglarea procesului este necesară în
momentul depăşirii limitei de 99 % din domeniul de variaţie.
Cartelele de control pentru recepţie (CCR) au limitele de
toleranţă (LTS şi LTI) prestabilite sau intervalele de avertizare şi
cele de intervenţie (figura 2.15) se stabilesc în funcţie de abaterea
standard a valorilor experimentale pentru caracteristica verificată

şi de numărul de unităţi incluse în fiecare probă (limitele de
avertizare sunt situate la 95% din domeniul de variaţie, iar limitele
de intervenţie, la 99% din acel domeniu).
Dacă pentru procesul controlat a fost realizată o analiză a
performanţei sistemului şi s-a identificat modelul de variaţie
specific caracteristicii analizate, limitele de toleranţă (LTS, LTI) se
preiau ca fiind poziţionate la   3   , iar cele de avertizare (LAS,
LAI), la   2   , intervale calculate în funcţie de media aritmetică,
, şi abaterea standard,  (Barlow, 2005).
În lipsa unei analize anterioare, aceste limite se estimează

în funcţie de valorile experimentale înregistrate chiar cu ocazia
primului ciclu al controlului.
Dacă proba înregistrată la control se află în domeniul de
acceptare, simetric desfăşurat în raport cu media aritmetică, atunci
procesul este sub control iar produsele corespund cerinţelor impuse.
Atunci când se situează în domeniul de intervenţie
(reprezentarea probei depăşeşte limitele de culoare galbenă), este
necesar să se intervină în proces pentru reglare sau ajustare.
Valorile caracteristicii se menţin încă în limitele de toleranţă, dar
este foarte probabil ca situaţia să se înrăutăţească în continuare.
Dacă înregistrarea probei de control este situată în afara
domeniului delimitat de liniile roşii, limitele de toleranţă au fost
depăşite şi se impune întreruperea imediată a procesului, analiza
cauzelor şi remedierea. Atât timp cât punctele reprezentate se
găsesc între limitele stabilite, procesul este sub control şi nu sunt
necesare măsuri de reglare.
Starea de alertă apare atunci când procesul depăşeşte una

dintre limitele de control şi sunt necesare măsuri corective.
O menţiune importantă este aceea că relaţiile de calcul pentru
indicii statistici şi pentru limitele de control sunt specifice fiecărui tip
de fişă de control şi depind în mare măsură de volumul eşantionului.
Spre exemplificare, completarea cartelei tip x , una dintre
cele mai utilizate pentru controlul caracteristicilor variabile, se
determină media procesului ( x ) ca medie a mediilor aritmetice xi
x1  x 2    x m
ale celor „m” eşantioane prelevate: x  .
m
În prealabil, este necesar calculul mediei aritmetice a
fiecărui eşantion cu relaţia x i 

 x , în care „n” reprezintă numărul
n
de valori incluse în fiecare probă. Pentru acest tip de cartelă sunt
înregistrate n  10 unităţi statistice (uzual 3-5).
Similar se calculează R , care reprezintă media aritmetică a
amplitudinilor R ale celor „m” eşantioane cu câte „n” unităţi
statistice fiecare:
R  R2    Rm
R 1 , cu (2.30)
m
Ri  x max  x min , i=1,…m. (2.31)
Limitele de control (limitele de avertizare superioară, LAS,

şi inferioară, LAI) se află cu relaţiile:
LAS  x  A2  R şi LAI  x  A2  R , (2.32)
în care valorile lui A2 sunt cele din tabelul 2.4.
n
(volumul
probei) 2 3 4 5 6 7 8 9 10
A2 1,880 1,023 0,729 0,577 0,483 0,419 0,373 0,337 0,308
Cartelele de control utilizate pentru caracteristici variabile

sunt completate cu o frecvenţă de verificare cuprinsă, în mod
obişnuit, între 1/oră şi 1/zi. Proba prelevată la intervalul stabilit
conţine uzual 5 unităţi.
Este necesară verificarea limitelor de control la anumite
intervale prin recalcularea lor. Verificarea va coincide cu terminarea
unui ciclu de control (când cartela este integral completată) sau se va
efectua atunci când procesul tehnologic a necesitat o restructurare.
capitolul 3 ELEMENTE DE TEORIA AŞTEPTĂRII 43

 şir de aşteptare  factor de servire
 sistem de aşteptare  costuri de aşteptare
Una dintre preocupările de organizare a proceselor o constituie

asigurarea unui ritm optim de funcţionare a sistemului controlat.
Aglomerarea sau, dimpotrivă, funcţionarea în gol generează fenomene
de aşteptare.
Sunt prezentaţi algoritmi statistici de optimizare aplicabili
pentru două tipuri distincte de sisteme de servire.
SISTEME DE AŞTEPTARE
   Fenomenele de aşteptare sunt frecvent observate în
domenii diverse de activitate productivă şi în viaţa cotidiană.
Clienţii sau consumatorii sunt cei care beneficiază de un anumit
serviciu oferit de staţia de servire (cel sau cei ce satisfac solicitările
consumatorilor).
Sistemul Şirul (firul) de aşteptare este ansamblul format din
de aşteptare
consumatorii ce aşteaptă să fie serviţi, iar sistemul de aşteptare
reprezintă şirul de aşteptare plus consumatorul (consumatorii) în
curs de servire. Aceste sisteme de aşteptare pot fi:
 deschise, atunci când numărul posibililor consumatori poate fi
considerat practic nelimitat (ex. casele marilor magazine,
ghişeele publice etc.), sau
 închise, atunci când numărul consumatorilor este cunoscut şi
limitat, însă există posibilitatea revenirii periodice a acestora la
staţia de servire.
Fenomenul de aşteptare se manifestă dacă servirea nu se
realizează imediat ce un consumator a ajuns la o staţie de servire.
Nu este obligatoriu ca şirul de aşteptare să se manifeste

fizic (pentru reparaţii într-un atelier auto, maşinile nu aşteaptă
neapărat într-un şir, dar respectă o ordine de intrare).
Este de remarcat faptul că sosirea consumatorilor se
produce, în general, la întâmplare, iar durata servirii nu este neapărat
constantă (în cele mai multe situaţii, timpul de servire este aleatoriu).
Importanţa optimizării acestor situaţii, întâlnite destul de
des în sistemele de producţie, derivă din constatarea că, în urma
aglomerărilor, fondul de timp disponibil pentru o anumită activitate
nu mai este utilizat pentru producţia efectivă (ex. mijloacele de
transport aşteaptă încărcarea sau descărcarea materialului lemnos).
În cadrul proceselor din domeniul forestier, situaţiile în
care se consumă inutil timpul alocat producţiei prin fenomene de
aglomerare (deci formarea şirurilor de aşteptare) sunt numeroase
şi, pe lângă exemplul deja menţionat, sunt generate de organizarea
deficitară a aprovizionării cu materii prime şi materiale, de
necorelarea ritmului de lucru între compartimente sau sectoare de
producţie, sau de efectuarea haotică a reparaţiilor şi întreţinerilor
mijloacelor de muncă.
Teoria fenomenelor de aşteptare are ca obiectiv elaborarea
unor algoritmi statistici de optimizare a sistemelor de aşteptare prin
armonizarea intereselor consumatorilor cu cele ale staţiilor de servire.
Aplicarea algoritmilor de optimizare necesită îndeplinirea
următoarelor condiţii (Trandafir, 2004):
 sosirile consumatorilor şi servirea să se efectueze după legi de
probabilitate cunoscute,
 să fie asigurată independenţa sosirilor (probabilitatea ca o
unitate să intre în sistem să nu fie condiţionată de momentul
sosirii sau de numărul de unităţi deja existente în sistem),
 să existe o disciplină a servirii (de obicei, aceasta este „primul
sosit – primul servit”).
În cele mai multe aplicaţii practice ale sistemelor de
aşteptare, sosirile se distribuie după legea teoretică Poisson, iar
servirile au loc după o lege de distribuţie exponenţială. Este necesară
verificarea prealabilă a aplicabilităţii acestor distribuţii teoretice
prin teste de conformitate specifice.
Pentru fiecare problemă de aşteptare, în vederea alegerii
algoritmului de optimizare adecvat, se determină parametrii:
 - numărul mediu de sosiri / unitatea de timp,
 - numărul mediu al servirilor / unitatea de timp,
1
- durata medie de servire.


Factorul Raportul   se numeşte factor de servire, în funcţie de
de servire 
care se stabileşte tipul de sistem de servire ce urmează a fi optimizat:
   1 arată că este cazul să se organizeze în scopul optimizării
a unui sistem de servire cu o singură staţie (figura 3.1a),
  1 este specific organizării şi optimizării unui sistem de
servire cu două sau mai multe staţii (figura 3.1b).
Funcţiile
conducerii
Aşa cum se poate observa în figura 3.2, considerând

notaţiile:
 c - costurile aşteptării consumatorilor,
 s - costurile de aşteptare pentru staţiile de servire şi
 - costurile totale de aşteptare.
Optimizarea funcţionării unui sistem de aşteptare

constă în minimizarea costurilor totale de aşteptare.
Pentru optimizare se urmăreşte min    c   s . Relaţia

este echivalentă cu:
min   c1  Ac  c2  As , (3.1)
Ac reprezentând durata de aşteptare a tuturor consumatorilor,
c1 – costul unitar (pentru un consumator) / unitatea de timp,
As – durata de aşteptare a staţiilor de servire,
c2 – costul unitar (pentru o staţie) / unitatea de timp.

Duratele de aşteptare Ac şi As se determină cu relaţiile:
Ac  T    t a şi As  T  ( s   ) , (3.2)
T fiind perioada analizată,

t a - timpul mediu de aşteptare în şir, iar
s - numărul staţiilor (s=1 pentru   1).
a) În cazul în care   1 , se consideră că  este invariabil (datorită

condiţiilor tehnice constante ale staţiei), iar minimizarea costurilor de
aşteptare se realizează prin modificarea succesivă a parametrului 
(se optimizează ritmul sosirilor). Timpul mediu de aşteptare se
determină, în această situaţie, cu relaţia:
1 1 
ta    . (3.3)
    
EXEMPLU : Problemă de aşteptare cu o singură staţie de servire
Pentru exemplificare, considerăm problema practică în care, la un

depozit forestier, pentru descărcarea autotrenurilor cu material
lemnos se foloseşte o macara-portal.
Analiza modului de desfăşurare a activităţii a arătat că
numărul mediu de sosiri la descărcare este  = 0,9 sosiri/oră, iar
0,9
ritmul descărcărilor este  = 2,0 serviri/oră (    0,45  1 ).
2,0
REZOLVARE
Considerând costurile unitare c1 = 20 lei/oră şi c2 = 100 lei/oră,
prin atribuirea unor valori succesive lui , se calculează costurile
totale de aşteptare în sistem,  , pentru o perioadă T = 8 ore/schimb
(tabelul 3.1).
Se observă că, pentru precizia aleasă, valoarea cea mai
mică a costurilor de aşteptare se înregistrează pentru 1,18
sosiri/oră; se poate opta, însă, pentru o valoare minimă
condiţionată de un număr întreg de sosiri în perioada T (9 sosiri în
8 ore), care corespunde unui ritm de 1,13 sosiri/oră. În orice caz,
este necesară o mărire a ritmului în care ajung mijloacele de
transport la staţia de descărcare, prin majorarea numărului
acestora sau printr-o creştere a productivităţii în şantierele de
exploatare din care provine materialul lemnos.
  ta Ac As 
sosiri/oră serviri/oră ore ore ore lei/schimb
0,90 2,00 0,41 2,95 4,40 498,91
0,50 2,00 0,17 0,67 6,00 613,33
1,00 2,00 0,50 4,00 4,00 480,00
1,50 2,00 1,50 18,00 2,00 560,00
1,25 2,00 0,83 8,33 3,00 466,67
1,18 2,00 0,72 6,86 3,27 463,84
1,13 2,00 0,64 5,79 3,50 465,71
b) În cazul în care   1 , pentru optimizare se acţionează modificând

numărul de staţii s. Durata medie ta de aşteptare în şir are expresia:
s
ta 2
 p0 , (3.4)
 
1     s  s!
 s
în care p0 este probabilitatea de a nu exista aşteptare, a cărei relaţie
de calcul este
1
p0  (3.5)
 s
 2 3  s 1
1   
  1! 2! 3! ( s  1)!
1    s!
 s
Şi în acest caz se urmăreşte minimizarea costurilor pentru
întreg sistemul de aşteptare ( min   c1  Ac  c 2  As ), duratele de
aşteptare Ac şi As calculându-se cu relaţiile menţionate anterior
(relaţiile 3.2), perioada T fiind de un ordin de mărime superior.
Calculul se desfăşoară tabelar (tabelul 3.2), prin atribuirea
unor valori succesive lui s.
  ta Ac As 
s
sosiri/oră serviri/oră ore ore ore lei/T
2
3

Soluţia se obţine atunci când, prin iteraţii succesive, se
ajunge la o valoare  (s) pentru care:
 (s  1)   (s)   (s  1) . (3.6)
capitolul 4 STUDIUL MUNCII 49
M

 ştiinţa muncii  normă de producţie
 timp de muncă  normă de timp
Studiul muncii constă în analiza sistematică şi critică a unui

proces de producţie, din perspective organizatorice, relaţionale şi
metodologice, analiză ce are drept scop optimizarea modului de lucru.
Sunt prezentate tehnicile folosite pentru studiul timpului de
muncă şi pentru analiza statistică a activităţii. Principalul rezultat
evidenţiat este cel de determinare a standardelor de timp.
UTILITATEA STUDIULUI MUNCII

   Ştiinţa muncii este un domeniu al cunoaşterii referitoare
la observarea şi măsurarea proceselor de muncă prin analiza
modului de organizare şi desfăşurare a activităţii muncitorilor, a
folosirii utilajelor şi echipamentelor sau a altor mijloace de muncă,
precum şi a metodelor de lucru (Magagnotti şi Spinelli, 2012).
Munca este definită, în acest context, ca efortul depus
asupra obiectului muncii pentru a-i schimba forma, poziţia sau
starea. În funcţie de complexitate şi de gradul de tehnologizare pot
fi diferenţiate anumite tipuri de muncă (figura 4.1).
Studiul muncii Studiul muncii reprezintă o analiză sistemică aprofundată
ce îşi propune să combine informaţiile referitoare la aspectele
sociale, psihologice şi fiziologice ale muncitorilor cu cele privind
condiţiile organizatorice ale muncii şi condiţiile tehnice (uneltele şi
echipamentele folosite).
Prin valorificarea acestor observaţii statistice, cei ce
coordonează activitatea productivă vor fi capabili să dezvolte astfel
noi metode de lucru, să îmbunătăţească performanţele şi condiţiile
în care se desfăşoară activităţile specifice şi să optimizeze consumul
de timp (modul de utilizare a timpului).

Principalul scop al studiului muncii constă în îmbunătăţirea
procesului de muncă.
Categorii de muncă:
manuală comandată de la distanţă
(muncitorul se află în altă
manual-mecanizată locaţie decât cea a maşinii
(dispozitive motorizate pe care o comandă)
acţionate manual)
automatizată
mecanizată (muncitorul comandă
(muncitorul este operator al desfăşurarea automată a
unei maşini sau instalaţii) unei secvenţe de lucru)
Studiul muncii presupune o examinare critică a condiţiilor

existente (actuale) şi recomandarea unor căi de îmbunătăţire şi
eficientizare. Se bazează pe observaţii şi evaluări obiective şi
relevante, asigurate statistic şi nealterate informaţional.
Obiectivele urmărite sunt:
 ridicarea nivelului calitativ
 reducerea costurilor
 creşterea eficienţei operaţiilor din cadrul procesului de
producţie
 eliminarea operaţiilor ce nu-şi justifică necesitatea şi reducerea
efortului fizic
 creşterea productivităţii.
La nivelul organizării procesului de producţie, studiul
muncii constă în analiza sistematică şi critică a structurilor
organizatorice şi a relaţiilor dintre acestea în scopul optimizării.
Studiul metodologic reprezintă de asemenea o analiză sistematică
şi critică, iar aceasta are drept scop optimizarea modului de lucru.
Măsurarea muncii se realizează prin tehnici specifice de
determinare şi înregistrare pentru:
 intrările de resurse în procesul de producţie
 metodele de lucru şi mişcările (deplasările) în procesul muncii
 ieşirile reprezentate prin cantitatea de produse rezultate
(nivelul producţiei realizate).
Pentru cuantificarea activităţii muncitorilor, măsurarea

poate include:
 consumul de timp
 mişcările şi deplasările efectuate
 nivelul de solicitare fizică şi psihică.
Pentru maşini, utilaje şi dispozitive de lucru (sau unelte) pot
fi măsurate:
 consumul de timp pentru operaţiile executate
 uzura
 mişcările şi manevrele efectuate
 consumul de energie, carburanţi, lubrifianţi etc.
Pentru fiecare set de valori înregistrate este necesar să se
descrie suficient de precis obiectul muncii (de exemplu,
dimensiunile arborilor), condiţiile mediului de lucru (teren,
microclimat etc.) şi nivelul cantitativ şi calitativ al producţiei.
Principalul rezultat al studiului muncii este cel de
determinare a standardelor (normelor) de timp pentru activitatea
respectivă. Normele de timp şi-au dovedit necesitatea şi utilitatea
pentru:
 planificarea (programarea) muncii şi alocarea capacităţilor de
producţie,
 asigurarea unei baze obiective a motivării forţei de muncă şi a
unui criteriu pentru măsurarea performanţelor muncitorilor,
 negocierea unor noi contracte de muncă şi evaluarea
performanţelor în îndeplinirea clauzelor celor în derulare,
 verificarea şi îmbunătăţirea activităţii prin evaluare periodică
internă ce constă în compararea standardelor de muncă atinse
cu cele din normativele proprii sau cu cele utilizate de alţi
agenţi economici pentru aceleaşi activităţi.
În decursul timpului au fost aduse unele critici sistemului de
normare a muncii. De exemplu, W. Eduards Deming (citat de Suárez,
1992) a susţinut că normele de timp şi de producţie inhibă
preocuparea pentru îmbunătăţirea activităţii, canalizând eforturile
muncitorilor spre creşterea vitezei de lucru în dauna calităţii
producţiei.
Cu toate acestea, aşa cum s-a menţionat deja, multe dintre
aspectele socio-economice şi tehnice ale activităţii productive
depind de aceste norme de muncă.
Măsurarea muncii în scopul normării se poate realiza prin
două tehnici folosite frecvent: studiul timpului de muncă (time study)
şi analiza statistică a activităţii (work sampling).

Activităţile foarte detaliate şi repetitive impun un studiu al
timpului de muncă. Atunci când activitatea se desfăşoară neregulat
sau are un ciclu lung de timp pentru finalizare, este recomandată o
analiză statistică, prin sondaj.
TIMPUL DE MUNCĂ
   Studiul timpului de muncă se realizează prin măsurarea,
clasificarea şi prin analiza sistematică şi critică a succesiunii
operaţiilor şi a consumului de timp în cadrul procesului de
producţie. Scopul principal este cel de a elimina consumul de timp
nejustificat.
Studiul mişcărilor din cadrul procesului de muncă
urmăreşte ca prin descrierea şi analiza critică şi sistematică a
acestora să se realizeze o optimizare a succesiunii observaţiilor prin
eliminarea deplasărilor inutile şi fluidizarea fluxului tehnologic.
Timpul de muncă (TM) reprezintă timpul în care se Timpul
consideră că un sistem productiv (sau o parte a acestuia) este de muncă
implicat în realizarea unor activităţi specifice din cadrul procesului
de producţie. Acesta este compus, aşa cum se prezintă în figura 4.2,
din timp productiv (TP) şi timp neproductiv (TN).
Timpul productiv este timpul în care sistemul analizat
realizează activităţi direct productive, iar muncitorii execută strict
operaţiile de bază specifice postului.
Timpul neproductiv este parte din timpul de muncă în
care se desfăşoară activităţi conexe activităţilor de bază, neincluse
în sarcinile de muncă.
TP = Top + Tas (4.1)
Top reprezintă timpul operativ (Top = tb + tc), în cadrul căruia:

 tb este timp de bază şi cuprinde timpul cumulat folosit pentru
transformarea cantitativă şi calitativă a obiectului muncii -
dimensiuni, formă, compoziţie, proprietăţi, dispunere sau
deplasare în spaţiu a diferitelor părţi ale sale - ; caracteristic
este faptul ca acest timp se repetă, ciclic, la fiecare unitate de
produs (ex. doborârea arborilor);
 tc este timp complementar, în care au loc mişcări sau acţiuni ale
executantului sau ale utilajului care nu produc nici o modificare
obiectului muncii, dar sunt absolut necesare pentru ca aceste
modificări să aibă loc sau pentru completarea în vederea
finalizării procesului tehnologic (ex. deplasarea de la un arbore
la altul, curăţirea parchetului).
Timpul de muncă
(TM)
capitolul 4
timp productiv timp neproductiv

(TP) (TN)
operativ întreruperi muncă întreruperi

activităţi-suport
STUDIUL MUNCII
reglementate neproductivă nereglementate

Top: timp Tir: timp de Tmn: timp de Tin: timp de
Tas: timp pentru
de bază complementar întreruperi tehnico-

odihnă şi necesităţi
tb: timp tc: timp
organizatorice
thon: timp de hrană, tto: timp pentru
pregătire - deservire a supraveghere independente de dependente de

încheiere locului de muncă executant executant
ti: întreruperi
tehnică
tpi: timp de tdl: timp de tst: timp de td: întreruperi
53
Tas reprezintă timpul pentru activităţi-suport sau activităţi

indirecte (Tas = tpi + tdl + tst) şi reprezintă acea parte a timpului
productiv consumat pentru activităţi care sprijină activitatea direct
productivă:
 tpi, timpul de pregătire-încheiere, este timpul consumat înainte
de începerea lucrului pentru crearea condiţiilor de muncă,
precum şi la încheiere, pentru aducerea în starea iniţială (ex.
pregătire a utilajului şi a condiţiilor de funcţionare a acestuia şi,
dacă este cazul, montare pe un nou amplasament, respectiv,
demontare şi pregătire pentru deplasare într-o nouă locaţie);
 tdl, timpul de deservire a locului de muncă, este timpul consumat
cu dezvoltarea şi implementarea strategiei operaţionale precum
şi pentru coordonarea continuă a operaţiilor (ex. delimitarea
suprafeţelor tehnico-organizatorice, marcarea căilor de colectare
şi a zonelor sensibile, coordonarea mişcării echipelor de lucru,
schimbarea operatorilor);
 tst, timpul de supraveghere tehnică, reprezintă timpul alocat
menţinerii capacităţii de lucru a utilajelor sau a sistemului
productiv (ex. timp pentru reparaţii, întreţinere, alimentare sau
ungere a utilajului);
Timpul neproductiv însumează:
TN = Tir + Tin + Tmn (4.2)
Tir este timpul de întreruperi reglementate (Tir = thon + tto)

 thon, timpul de hrană, odihnă şi necesităţi, este dat de întreruperile
efectuate în vederea menţinerii capacităţii de muncă şi a
satisfacerii necesităţilor fiziologice şi de igienă personală;
 tto, timpul pentru întreruperi tehnico-organizatorice, constă în
timpul de întrerupere a muncii ce este reglementat prin
prescripţiile tehnice ale utilajelor, sau este dictat de succesiunea
logică a operaţiilor tehnologice (ex. aşteptarea utilajului de
colectare în platforma primară, timpul de mutare în altă postaţă).
Tin este timpul de întreruperi nereglementate (Tin = td + ti)
 td, timpul de întreruperi dependente de executant, este dat de
întreruperi determinate de încălcarea disciplinei de către
executant (ex. întârziere, discuţii particulare);
 ti, timpul de întreruperi independente de executant, sunt întreruperile
de activitate care provin din cauze organizatorice, tehnice sau
naturale ce nu depind de operator (ex. lipsă de carburanţi, defecţiuni
accidentale la utilaj, condiţii meteo nefavorabile).
Tmn este timpul de muncă neproductivă consumat cu acţiuni
ce nu sunt utile procesului de producţie în mod normal (ex. durata de
remediere a unor lucrări executate neglijent).
Studiul timpului de muncă se realizează prin cronometrare,

direct la faţa locului sau la vizionarea unei înregistrări video a
activităţii respective (ambele variante fiind cunoscute sub denumirea
de „fotografiere a timpului de muncă”).
Fotografierea timpului de muncă reprezintă o analiză a
timpului de muncă în vederea evidenţierii cauzelor ce determină
folosirea neraţională a acestuia şi a sesizării rezervelor de creştere
a productivităţii muncii.
Informaţiile culese se înscriu în fişe de observare, prin
menţionarea datelor de identificare a locului de muncă, durata
observării, a datelor privind profilul muncitorului observat şi
caracteristicile tehnice ale utilajului folosit.
Rezultatul consemnării cronologice a operaţiilor tehnologice,
Cronograma cu durata executării lor şi a repausului dintre acestea, îl reprezintă
profesională cronogramelor profesionale.
După un număr prestabilit de repetiţii se determină
mediile timpilor înregistraţi şi, eventual, varianţa acestora pentru a
avea o măsură a performanţei în activitatea analizată.
Numărul minim de cicluri de muncă înregistrate (acel
număr de repetiţii considerat suficient pentru a avea asigurată
reprezentativitatea) depinde de durata unui ciclu de muncă şi de
frecvenţa estimată cu care se reia ciclul respectiv pe durata unui an
de producţie (tabelul 4.1).
În etapa următoare se face gruparea elementelor pe
categorii de timp obţinându-se structura utilizării timpului de
muncă, în funcţie de care se determină gradul de depăşire a duratei
proiectate şi rezerva de creştere a productivităţii.
Depăşirea procentuală a timpului de muncă proiectat (Pdt)
se obţine cu relaţia:
Dt
Pdt   100 (%), (4.3)
Tto
în care:
Dt este durata depăşirilor cumulate ale timpului proiectat
Tto - timpul total de observaţie.
Creşterea posibilă a productivităţii (Pw) prin utilizarea mai
bună a timpului de muncă este:
Pdt
Pw  100 (%). (4.4)
100  Pdt
Pentru Numărul minim de cicluri

durata unui studiate dintr-un total pe an de...
ciclu mai peste 1000-
sub 1000
mare decât 10000 10000
8 ore 2 1 1
3 3 2 1
2 4 2 1
1 5 3 2
48 min 6 3 2
30 8 4 3
20 10 5 4
12 12 6 5
8 15 8 6
5 20 10 8
3 25 12 10
2 30 15 12
1 40 20 15
0,7 50 25 20
0,5 60 30 25
0,3 80 40 30
0,2 100 50 40
0,1 120 60 50
0,1 140 80 60
Pentru acelaşi proces de muncă se stabileşte o medie pentru

fiecare dintre categoriile de timp:
 timp de pregătire-încheiere tpi,
 timp operativ Top,
 timp de deservire a locului de muncă tdl,
 timp de supraveghere tehnică tst,
 timp de hrană, odihnă şi necesităţi thon,
 timp de întreruperi tehnico-organizatorice tto.
Pentru a putea fi luate în considerare, valorile maximă şi
minimă pentru aceeaşi categorie de timp înregistrate în diferitele fişe
t max
de observare trebuie să îndeplinească condiţia  1,6 .
t min
Timpul total de lucru normat (Tnormat) se determină cu
relaţia:
Tnormat  Top  t pi  t dl  t st  t hon  t to (4.5)
Norma de timp de pregătire-încheiere se determină în

raport cu timpul total de lucru normat:
t pi
N pi  . (4.6)
Tnormat
Pentru normele de timp de deservire a locului de muncă (Ndl),
de hrană, odihnă şi necesităţi (Nhon) şi a celui de întreruperi tehnico-
organizatorice (Nto), raportarea se face la timpul operativ, astfel:
t dl t t t
N dl  ; N st  st ; N hon  hon ; N to  to . (4.7)
Top Top Top Top
Exprimarea poate fi făcută şi procentual pentru a vedea mai
bine ponderea fiecărei categorii de timp în timpul total luat ca
referinţă.
Proiectarea zilei normate de lucru (tabelul 4.2) se face prin
'
considerarea timpului normat pentru o zi Tn  480 minute.
Ţinând cont de relaţiile (4.6) şi (4.7), reconsiderate pentru

'
Tn , relaţia (4.5) devine:
480T 480N pi Top' N dl Top' N st Top' N hon Top' N to .

'
op (4.8)
Apoi se calculează timpul operativ, Top' , corespunzător unei

zile normate de lucru:
480  1  N pi 
Top'  . (4.9)
1  N dl  N st  N hon  N to
Cunoscând timpul operativ normat şi durata zilei de lucru
normate (480 minute), prin intermediul normelor de timp se
calculează durata proiectată a fiecărei categorii de timp.
Durata unitară, Du, reprezintă timpul utilizat pentru
realizarea unei unităţi de produs. Se obţine ca raport dintre timpul
operativ înregistrat prin fotografierea zilei de lucru şi numărul,
cantitatea sau volumul produselor, Q, obţinute de muncitor în
această perioadă:
Top
Du  . (4.10)
Q
În exemplul considerat anterior, dacă volumul mediu
440
colectat în ziua de lucru este 75 m3, Du   5,867 min·m-3.
75
Norma de
Cu elementele stabilite se pot determina în continuare producţie
norma de producţie (NP) şi norma de timp (NT) după relaţiile:
Norma de
' timp
Top 480
NP  şi NT  . (4.11)
Du NP
Pentru situaţia din exemplul prezentat:
391 480
NP   66,64 m3 şi NT   7,203 min·m-3.
5,867 66,64
În situaţia în care procesul de muncă analizat este compus
din operaţii executate de formaţii de lucru trebuie să se aplice
fotografierea colectivă ceea ce înseamnă observarea simultană a
tuturor muncitorilor ce realizează un element de lucru. Timpul total
consumat se exprimă, în acest caz, în [om·minute]. Se repartizează
apoi pe categorii de timp şi se parcurg aceleaşi etape, prezentate
anterior, până la obţinerea normelor de muncă.
ANALIZA STATISTIC Ă A ACTIVITĂŢII

   Analiza statistică a timpului de muncă (cea de-a doua
tehnică folosită pentru normarea muncii) constă în observarea prin
sondaj a unor intervale din perioada de activitate productivă.
Pentru a asigura precizia impusă sondajului trebuie să se
decidă cu anticipaţie:
 intervalul de încredere în care să se încadreze rezultatele
 numărul de observaţii necesare
 prestabilirea cu exactitate a momentelor în care să se efectueze

observaţiile.
Principalele aplicaţii ale studiului statistic al muncii se
referă la:
~ estimarea ratei aşteptărilor (întârzierii operaţiilor) prin
determinarea proporţiei perioadei de activitate pentru
personal sau pentru echipamente şi utilaje;
~ calculul unor indicatori de performanţă pentru muncitori prin
raportarea timpului de muncă necesar pentru obţinerea unei
anumite cantităţi din produsul rezultat în etapa de lucru
analizată;
~ obţinerea standardelor de timp pentru diferite operaţii (caz în
care este luat în considerare neapărat nivelul de performanţă
corespunzător observaţiilor efectuate).
Numărul de observaţii ce urmează să fie înregistrate
pentru studiul statistic al muncii poate fi destul de mare (de ordinul
sutelor sau chiar miilor) şi depinde de tipul activităţii şi nivelul de
precizie impus (Heizer şi Render, 2011).
Formula de calcul pentru numărul de observaţii se obţine
pornind de la expresia erorii limită admise exprimată procentual
(p%):
p  (1  p)
 p%  u  (4.12)
n
p fiind proporţia observată a timpului de activitate productivă sau,
prin diferenţă, a timpului de aşteptare, din totalul timpului de lucru,
n – mărimea eşantionului (numărul de observaţii), iar
u – valoarea variabilei normale normate (numărul de abateri standard
corespunzătoare pragului de semnificaţie ales).
Rezultă:
u 2  p  (1  p)
n (4.13)
2p %
EXEMPLU : Calculul numărului necesar de observaţii
Se presupune că un muncitor este inactiv 10% din timp, conform

estimărilor anterioare, iar normatorul (cel care efectuează sondajul
statistic) consideră acoperitoare o abatere de 2,5% (ceea ce
înseamnă că proporţia reală se va găsi în intervalul 7,5%-12,5%).
Se cere numărul minim de observaţii necesare pentru
probabilitatea de acoperire de 95%.
Ce se întâmplă dacă, în aceleaşi condiţii, eroarea limită

admisă scade la 2%?
REZOLVARE
Conform relaţiei 4.13, numărul minim de observaţii necesare
pentru probabilitatea de acoperire de 95% este:
1,96 2  90 10
n  553,19  554 observaţii
2,5 2
Dacă eroarea limită admisă scade la 2% (aceasta
semnificând o majorare a preciziei studiului statistic), numărul
minim necesar de observaţii creşte la n=865.
Pentru analiza statistică a timpului de muncă trebuie să se

parcurgă următoarele etape:
1. identificarea activităţii sau activităţilor specifice care fac obiectul
studiului,
2. estimarea proporţiei timpului alocat activităţii analizate din
timpul total de lucru; se bazează pe experienţa celui ce
desfăşoară studiul, pe rezultatele unor analize anterioare, pe
recomandările specialiştilor în domeniul respectiv de activitate
sau, mai obiectiv, pe un sondaj-pilot,
3. stabilirea preciziei necesare pentru rezultatele analizei statistice,
4. programarea timpilor de efectuare a observaţiilor (a momentelor
de înregistrare pe durata procesului analizat),
5. ajustarea corectivă a volumului eşantionului în funcţie de
parametrii statistici rezultaţi din datele parţiale înregistrate pe
parcursul studiului muncii (în două-trei verificări intermediare
realizate, de preferinţă, în a doua jumătate a sondajului).
Numărul de observaţii ce urmează a se efectua în analiza
statistică a timpului de muncă este împărţit egal în perioada
studiului. Astfel, dacă 600 observaţii trebuie desfăşurate în 10 zile
de lucru, acestea vor fi repartizate câte 60 pe zi. Fiecare moment al
observaţiei în ziua de lucru se stabileşte prin alocare randomizată
(aleatorie) folosind, de exemplu, o tabelă cu numere întâmplătoare.
Mai eficientă este utilizarea unui program pe calculator care, după o
prealabilă numerotare a minutelor din ziua de lucru, să genereze
automat timpii aleatorii pentru observaţiile ce urmează a fi efectuate.
În situaţia în care analiza timpului de muncă se desfăşoară
simultan pentru mai multe posturi de lucru în care operatori
diferiţi desfăşoară aceeaşi activitate studiată (aceeaşi operaţie, cu
acelaşi tip de utilaj), randomizarea se extinde şi asupra
muncitorilor observaţi, astfel încât să se minimizeze efectul erorilor
sistematice induse de un singur post de lucru.
Atunci când analiza statistică a timpului de muncă este

utilizată pentru a stabili norma de timp (NT), analistul trebuie să
estimeze şi să înregistreze şi indicele de performanţă al operatorilor
observaţi.
Un exemplu de calcul este cel din tabelul 4.3, prin utilizarea
relaţiei:
T  p ip 1
NT   (4.14)
k 1  ir
Valori pentru o
Element de calcul Notaţie
zi de lucru
Timpul total de muncă T 480 min
Număr total de unităţi de produs supuse
50 unităţi
operaţiei analizate (rezultate în procesul k
tehnologic) de produs
Proporţia timpului de lucru productiv p 90%
Proporţia timpului de aşteptare
(inactivitate)
1-p 10%
Indicele mediu de performanţă ip 110%

Proporţia întreruperilor reglementate ir 15%
480  0,90  1,10 1

NT    11,2 min/unitate de produs
50 1  0,15
Dintre avantajele analizei statistice a timpului de muncă se

evidenţiază următoarele:
 un singur observator poate desfăşura concomitent mai multe
sondaje (pentru studii diferite),
 perioadele de observare propriu-zisă sunt reduse chiar şi
pentru activităţi cu ciclu lung de desfăşurare,
 extinderea sondajului este mai mare decât la studiul de timp al
zilei de lucru, ceea ce minimizează influenţa variaţiilor
întâmplătoare de scurtă durată,
 studiul poate fi temporar întrerupt fără a fi afectate rezultatele,
 având în vedere că sondajul se bazează pe observaţii
instantanee efectuate într-o perioadă mai lungă de timp, sunt
puţine şanse ca muncitorul să influenţeze rezultatele prin
modificarea metodei de lucru sau a comportamentului.
Atunci când ciclul de lucru este scurt, recomandabil este
studiul de timp al zilei de lucru. Aceasta pentru că sondajul statistic

nu oferă o structurare detaliată a timpului de muncă zilnic pe
categorii elementare de timp.
Ipoteza iniţială a unui studiu statistic al timpului de muncă
este aceea că toate datele provin din acelaşi sistem static. Dacă
sistemul este în proces de schimbare, ar putea fi afectată
omogenitatea şi relevanţa rezultatelor, ceea ce ar putea constitui un
neajuns.
capitolul 5 PROGRAMAREA MATEMATICĂ 63

 programare liniară  problema de transport
 soluţie de bază  algoritmi de optimizare
Capitolul abordează domeniul cercetării operaţionale, prin

problemele de programare liniară cu aplicabilitate în domeniul forestier.
Sunt prezentate formele caracteristice ale modelului
matematic general, cu accent pe problema de transport, şi metodele
de optimizare specifice.
FORMULAREA MODELULUI MATEMATIC

   Studiul problemelor de extrem condiţionat şi elaborarea
algoritmilor de rezolvare a acestora reprezintă un domeniu
individualizat al cercetării operaţionale denumit programare
matematică. Specificul acestui tip de probleme constă în faptul că în
modelul matematic pot apărea atât ecuaţii, cât şi inecuaţii.
Forma generală a modelului matematic impune să se obţină
maximul/minimul funcţiei:
1) f ( x1 , x 2 ,..., x j ,..., x n ) în condiţiile
2) g ( x1 , x 2 ,..., x j ,..., x n )  0 pentru i=1,…, m şi


3) x j  0 pentru j=1,…, n.
1) se numeşte funcţie-obiectiv (funcţie economică, funcţie de eficienţă)
şi poate fi naturală sau impusă.
2) reprezintă sistemul de restricţii.
3) este condiţia de ne-negativitate specifică fenomenelor naturale sau
economice (condiţia prin care variabilele pot lua numai valori strict
pozitive sau pot fi egale cu 0).
Tipurile de probleme de programare matematică sunt cele
prezentate în figura 5.1. Având în vedere nivelul extins de utilizare în

domeniul forestier, este detaliat în continuare modelul matematic al
problemei de programare liniară.
În forma explicită de redare se notează cu aij coeficienţii

variabilelor din sistemul de restricţii, iar cu cj coeficienţii variabilelor
din funcţia-obiectiv. Aceştia sunt coeficienţi tehnici planificaţi sau
determinaţi experimental; în acest din urmă caz, determinarea poate
fi directă sau prin procedee statistice (ecuaţii de regresie, de
exemplu).
Cu xj s-au notat variabilele (necunoscute), iar cu bi termenii
liberi (constantele) modelului. Astfel, modelul matematic al unei Programarea
liniară
probleme de programare liniară conţine:
~ sistemul de restricţii
 a11  x1  a12  x 2  a1 j  x j  a1n  x n   b1

 a  x  a  x   a  x   a  x  b
 21 1 22 2 2j j 2n n  2


a i1  x1  a i 2  x 2  a ij  x j  a in  x n  bi


 a  x  a  x   a  x   a  x  b
 m1 1 m 2 2 mj j mn n  m
~ condiţia de ne-negativitate
x j  0 j=1,…,n
~ funcţia-obiectiv
f x1 , x 2 ,, x n c1 x1 c 2 x 2 c j x j c n x n max sau min 
Cu aceleaşi notaţii, dar mult mai comodă pentru prezentarea

problemelor este forma sintetică a modelului matematic:
n
~ sistemul de restricţii a
j 1
ij  x j  bi i=1,…,m
~ condiţia de ne-negativitate x j  0 j=1,…,n

n
~ funcţia-obiectiv c j  xj max  sau min  .
j 1
În forma matriceală se notează cu A matricea coeficienţilor

necunoscutelor din sistemul de restricţii, cu B matricea-coloană a
termenilor liberi şi cu C matricea-linie a coeficienţilor necunos-
cutelor din funcţia obiectiv. Modelul matematic al problemei de
programare liniară este redat astfel:
A  x  B
x0
max  sau min  Cx
Atunci când se formulează o problemă de programare

liniară, rezultă frecvent o formă oarecare a acesteia, iar pentru
utilizarea unui algoritm de optimizare este necesară transformarea
modelului matematic fie în forma standard, fie în forma canonică.
În forma standard toate restricţiile sunt ecuaţii şi toate
variabilele ne-negative:
n
~ sistemul de restricţii a
j 1
ij  x j bi i=1,…,m
~ condiţia de ne-negativitate x j  0 j=1,…,n

n
~ funcţia-obiectiv c j  xj max  sau min  .
j 1
Forma canonică se caracterizează prin faptul că toate

restricţiile sunt concordante şi toate variabilele ne-negative. Sunt
considerate restricţii concordante acele inegalităţi din modelul
matematic de sens „” pentru minimizare şi de sens „” pentru
maximizare. Astfel, modelul poate fi:
n n
a
j 1
ij  x j bi i=1,…,m a
j 1
ij  x j bi i=1,…,m
x j  0 j=1,…,n sau x j  0 j=1,…,n

n n
c j  xj min  c j  xj max 
j 1 j 1
Atunci când algoritmul de rezolvare presupune transformarea

prealabilă a modelului matematic se folosesc următoarele proprietăţi:
 o inegalitate se transformă într-o egalitate prin introducerea

unei variabile-ecart (variabilă de egalizare) xe  0 într-una dintre
variantele
a  x  b  a  x  xe  b, xe  0
a  x  b  a  x  xe  b, xe  0
 o ecuaţie se poate transforma în două inecuaţii de sens contrar
a  x  b
axb
a  x  b
 sensul unei inecuaţii se schimbă prin înmulţirea cu (-1)
a  x  b  1  a  x  b
 o variabilă ne-pozitivă poate fi substituită printr-o variabilă ne-
negativă
x'   x unde x  0 şi x'  0
 pot fi găsite întotdeauna două valori x1 şi x2 care să respecte
condiţia de ne-negativitate şi să substituie o variabilă de semn
nedefinit
x  x  x1  x2 unde x1  0 şi x2  0
 caracterul unei funcţii obiectiv se poate modifica prin
transformarea
min f x    max f x 
EXEMPLU : Transformarea modelului matematic
Se consideră modelul matematic al unei probleme de programare

liniară de forma:
 2  x1  5  x 2  4  x3  4

 2  x 2  5  x3  3  x 4  7
 7  x  5  x  6  x  5
 1 2 4
x1 , x3  0 ; x 4  oarecareşi x 2  0
f x   5  x1  x 2  x3  3  x 4 max
Se presupune că, în vederea utilizării unui anumit algoritm
de optimizare, este necesară transformarea în forma standard şi în
forma canonică a acestui model.
REZOLVARE
Pentru început se asigură condiţia de ne-negativitate a variabilelor:
x 4  x5  x 6 cu x5 , x 6  0
x 2   x 7 cu x 7  0
x8 , x9  0 variabilede egalizare
Forma standard a modelului matematic este:
 2  x1  4  x 3  5  x 7  x8  4

 2  x 7  5  x 3  3  x 5  3  x 6  7
 7  x  5  x  6  x  6  x  x  5
 1 7 5 6 9
x1 , x3 , x5 , x 6 , x 7 , x8 , x9  0
f x   5  x1  x 7  x3  3  x5  3  x 6 max
Pentru a obţine forma canonică se porneşte de la modelul
modificat anterior fără variabilele de egalizare:
 2  x1  4  x 3  5  x 7  4

 2  x 7  5  x 3  3  x 5  3  x 6  7
 7  x  5  x  6  x  6  x  5
 1 7 5 6
Fiind vorba despre maximizarea funcţiei-obiectiv, toate

restricţiile trebuie să fie de sensul „”. Rezultă forma canonică:
 2  x1  4  x 3  5  x 7  4
 2  x  5  x  3  x  3  x  7
 7 3 5 6

  2  x 7  5  x 3  3  x 5  3  x 6  7
 7  x1  5  x 7  6  x 5  6  x 6  5
x1 , x3 , x5 , x 6 , x 7  0
f x   5  x1  x 7  x3  3  x5  3  x 6 max
Un tip de problemă de programare liniară cu aplicaţii în

domeniul forestier este problema de transport (figura 5.2). Se
caracterizează prin valori unitare ale coeficienţilor variabilelor din
sistemul de restricţii (aij=1).
Bj Beneficiari
Ai b1 b2 ... bj ... bn
c11 c12 c1j c1n

a1 ... ...
x11 x12 x1j x1n
c21 c22 c2j c2n
a2 ... ...
x21 x22 x2j x2n
Furnizori
      
ci1 ci2 cij cin
ai ... ...
xi1 xi2 xij xin
      
cm1 cm2 cmj cmn
am ... ...
xm1 xm2 xmj xmn
În modelul matematic se utilizează următoarele notaţii: Modelul

matematic al
Ai (i=1,…,m) „m” centre de producţie unde este disponibil un produs problemei de
omogen în cantităţile a1,…,am; transport
Bj (j=1,…,n) „n” centre de consum unde acel produs este necesar în

cantităţile b1,…,bn;
cij – costul transportului unei unităţi de produs de la furnizorul „i” la
consumatorul „j” (sau distanţa cu care este proporţional costul);
xij – cantitatea de produs ce ar urma să fie transportată pe ruta i-j
(necunoscutele sau variabilele problemei).
Se pune problema determinării acelor cantităţi xij
(transportate de la Ai la Bj) care să minimizeze cheltuielile totale de
transport (pe întreg sistemul).
Condiţiile ce se impun sunt următoarele:
~ totalul necesarului trebuie să fie egal cu totalul disponibilului
m n
 i 1
ai  b
j 1
j (5.1)
~ satisfacerea integrală a necesarului

m
x
i 1
ij  b j pentru j=1,…,n (n restricţii) (5.2)
~ epuizarea integrală a stocului

n
x
j 1
ij  a i pentru i=1,…,m (m restricţii) (5.3)
~ ne-negativitatea variabilelor
xij  0 pentru i=1,…,m şi j=1,…,n (5.4)
Funcţia-obiectiv este:
m n
f x    c
i 1 j 1
ij  xij min  . (5.5)
Condiţiile (5.2) şi (5.3) formează sistemul de restricţii cu

„mn” necunoscute şi „m+n-1” ecuaţii liniar independente. Rezultă
un sistem compatibil nedeterminat cu (m-1)(n-1) soluţii posibile.
Cel puţin o soluţie care optimizează funcţia-obiectiv se

obţine prin rezolvarea sistemului compatibil determinat ce se
obţine prin anularea a variabile.
O soluţie de bază nedegenerată are „m+n-1” componente

strict pozitive şi (m-1)(n-1) componente nule.
O soluţie degenerată are numărul componentelor strict
pozitive mai mic decât „m+n-1”.
Rezolvarea unei probleme propriu-zise de transport pre-
supune parcurgerea a două etape:
 determinarea unei soluţii de bază
 aplicarea unui algoritm de optimizare (pentru minimizarea
funcţiei obiectiv).
EXEMPLU : Modelul matematic al unei probleme de transport
Un agent de exploatare a lemnului are în lucru la un moment dat trei

parchete din care se estimează că rezultă, conform actelor de punere
în valoare, respectiv: 300m3, 280m3 şi 390m3 buşteni de răşinoase.
În zonă sunt patru procesatori (producători de cherestea)
interesaţi de achiziţionarea unui volum de buşteni de 160m 3, 270m3,
200m3 şi 340m3.
Distanţele de transport auto între platformele primare ale
parchetelor şi fiecare potenţial beneficiar sunt redate în tabelul din
figura 5.3. Se cere să se optimizeze transportul buştenilor astfel încât
cheltuielile pe ansamblul sistemului să fie minime.
REZOLVARE
Beneficiari (n=4)
Total
dispo-
B1 B2 B3 B4 nibil
8 10 7 6
A1 x11 x12 x13 x14 300
Furnizori (m=3)
6 5 8 9
A2 x21 x22 x23 x24 280
7 11 14 12
A3 x31 x32 x33 x34 390
Total
necesar
160 270 200 340 970
Pentru această problemă, modelul matematic are condiţiile:

3 4
 b
i 1
ai 
j 1
j  970 m3, deci problema este echilibrată;
- numărul necunoscutelor xij = mn = 34 = 12, deci ar trebui egalate

cu 0 un număr de (m-1)(n-1) = 23 = 6 necunoscute;
- condiţia de ne-negativitate xij  0 pentru i=1,…,3 şi j=1,…,4
 x11  x 21  x31  160

 x  x  x  270
 12 22 32
 x13  x 23  x33  200

- sistemul de restricţii  x14  x 24  x34  340
 x  x  x  x  300
 11 12 13 14
 x 21  x 22  x 23  x 24  280

 x31  x32  x33  x34  390
3 4
- funcţia-obiectiv min f x   c
i 1 j 1
ij  xij .
În prima etapă pentru rezolvare, se alege una dintre

metodele de determinare a unei soluţii de bază.
~ Metoda întâmplătoare (fig.5.4) constă în alegerea aleatoare, la
fiecare pas, a unei necunoscute xij căreia i se atribuie valoarea
minimă dintre ai şi bj corespunzători.
Toate celelalte variabile de pe linia i sau coloana j vor lua
valoarea 0 (după cum ai  b j sau ai  b j ). Se recalculează: ai '  ai b j ,
dacă b j ai , sau b j '  b j  ai , dacă b j  ai .
Succesiunea egalării cu 0 a
8 10 7 6
100 0 200 0 300 100 variabilelor:
x22 x34 x31 x13
6 5 8 9
10 270 0 0 280 10 Soluţia este nedegenerată pentru
că are:
7 11 14 12 m n 1 6 valori xij0 şi
50 0 0 340 390 50
m 1n 1  6 valori xij=0
160 270 200 340 970 Funcţia-obiectiv are valoarea:
f(x)=1008+2007+106+2705+
110 +507+34012=8040m3km
~ Metoda colţului de NV (fig.5.5) aplică un criteriu artificial, cel de

alegere pentru atribuire a valorii minime dintre ai şi bj variabilei
ce se află la fiecare pas în colţul de NV.
8 10 7 6
160 140 0 0 300 140 variabilelor:
x11 x12 x22 x23
6 5 8 9
că are:
7 11 14 12 m n 1 6 valori xij0 şi
0 0 50 340 390
m 1n 1  6 valori xij=0
Funcţia-obiectiv are valoarea:
160 270 200 340 970
f(x)=1608+14010+1305+1508+
130 50 +5014+34012=8040m3km
Se observă că f(x) are o valoare mai mare (nu se modifică în sensul optimizării).
~ Metoda elementului minim pe linie (fig.5.6) este o primă metodă

ce include şi analiza distanţelor de transport cij. Constă în
alegerea, în ordinea liniilor, a acelui xij căruia îi corespunde
valoarea cij minimă.
8 10 7 6
0 0 0 300 300 variabilelor:
x14 x22 x21 x31
6 5 8 9
că are:
7 11 14 12 m n 1 6 valori xij0 şi
150 0 200 40 390
m 1n 1  6 valori xij=0
160 270 200 340 970
f(x)= 3006+106+2705+1507+
150 40 +20014+4012=7540m3km
~ Metoda elementului minim pe coloană (fig.5.7) constă în

alegerea, în ordinea coloanelor, a acelui xij căruia îi corespunde
valoarea cij minimă.
~ Metoda elementului minim din tabel (fig.5.8) constă în alegerea
la fiecare pas, dintre variabilele cărora nu li s-a atribuit încă o
valoare, a acelui xij căruia îi corespunde cij minimă.
8 10 7 6
0 150 150 0 300 150 variabilelor:
x21 x22 x12 x13
6 5 8 9
că are:
7 11 14 12 m n 1 6 valori xij0 şi
0 0 50 340 390
m 1n 1  6 valori xij=0
160 270 200 340 970
f(x)= 15010+1507+1606+1205
150 50 +5014+34012=8890m3km
8 10 7 6
0 0 0 300 300 variabilelor:
x22 x14 x21 x31
6 5 8 9
că are:
7 11 14 12 m n 1 6 valori xij0 şi
150 0 200 40 390
m 1n 1  6 valori xij=0
160 270 200 340 970
f(x)= 3006+106+2705+1507+
150 40 +20014+4012=7540m3km
Pentru ultimele trei metode, în cazul existenţei la un

moment dat a două elemente minime egale se preferă poziţia care
permite realizarea unui volum mai mare de transport. În cazul unei
probleme de transport cu un număr mic de furnizori şi consumatori,
aceste metode nu dau rezultate foarte bune pentru că ultimele
variabile ce iau valori reprezintă poziţii obligate ce pot depărta
funcţia-obiectiv de optim.
~ Procedeul diferenţelor maxime (Vogel) permite obţinerea unei
soluţii de bază (fig.5.9) foarte apropiate de soluţia optimă,
reducând numărul de iteraţii din algoritmul de optimizare
aplicat ulterior.
8 10 7 6 dif.
0 0 0 300 300 1,
variabilelor:
x22 x31 x14 x23
6 5 8 9 Soluţia este nedegenerată pentru
0 270 10 0 280 10 1,2,1
că are:
7 11 14 12 m n 1 6 valori xij0 şi
390 230 4,5,2
160 0 190 40 m 1n 1  6 valori xij=0
160 270 200 340 970
f(x)= 3006+2705+108+1607+
190 40 +19014+4012=7490m3km
dif. 1, 5, 1,6 3,3 f(x) are valoarea cea mai mică

comparativ cu celelalte metode.
Pentru fiecare linie şi coloană se face diferenţa dintre

elementul cij minim şi cel imediat următor ca valoare. La fiecare pas
se identifică diferenţa maximă şi se atribuie valoare variabilei ce se
află în poziţia elementului minim ce a generat acea diferenţă. Dacă
două diferenţe maxime sunt egale, se ia în considerare diferenţa
care provine din numere mai mici. Dacă şi aceste numere sunt
egale, se preferă poziţia cu un volum mai mare de transport.
ALGORITMI DE OPTIMIZARE
   Algoritmii de optimizare sunt constituiţi din iteraţii
succesive care, pornind de la o soluţie de bază iniţială determinată
anterior să se ajungă la soluţia optimă.
Metoda Unul dintre aceşti algoritmi este metoda distributivă (fig.5.10
distributivă şi 5.11). Se procedează astfel:
 pentru fiecare celulă cu xij=0 se poate construi câte un singur
contur poligonal de transfer cu laturile paralele cu liniile şi
coloanele (chiar intersectate, uneori), cu un număr par de
vârfuri, un singur vârf fiind într-o celulă cu xij=0 (celelalte în
celule cu xij0);
 se atribuie alternativ semnele „+” şi „-” vârfurilor, începând cu
„+” în vârful cu xij=0;
 se însumează algebric, în funcţie de semnele atribuite, valorile
cij pe contur. Se obţin (m-1)(n-1) valori dij.;
 pentru minimizare, se ia în considerare valoarea dij minimă
(maximă în modul, dar cu semnul „-”); cantitatea de transferat
este valoarea xij minimă din vârfurile negative; aceasta se adună
în colţurile cu „+” şi se scade în colţurile cu „-”;

 soluţia optimă se obţine atunci când toate valorile dij sunt strict
pozitive sau egale cu 0.
La fiecare iteraţie funcţia obiectiv se modifică cu valoarea xt dij
corespunzătoare conturului poligonal pe care se face transferul. În
exemplul considerat xt =190m3, iar transferul se face pe conturul
pentru care d13 =-1km; funcţia obiectiv scade cu 190  (-1)=190m3km.
8 10 7 6
Dacă se consideră soluţia de bază de la
0 0 0 300 300 procedeul diferenţelor maxime (Vogel):
f(x)= 7490m3km
6 5 8 9
0 270 10 0 280 d11= 8-7+12-6=7
d12= 10-5+8-14+12-6=5
7 11 14 12
160 0 190 40 390 d13=7-14+12-6=-1 (contur de transfer)
d21= 6-7+14-8=5
160 270 200 340 970 d24= 9-8+14-12=3
d32= 11-14+8-5=0
8 10 7 6 f(x)= 7300m3km
0 0 190 110 300
d11= 8-7+12-6=7
6 5 8 9 d12= 10-5+8-7=6
0 270 10 0 280
d21= 6-7+12-6+7-8=4
7 11 14 12 d24= 9-6+7-8=2
160 0 0 230 390
d32= 11-12+6-7+8-5=1
d33= 14-12+6-7=1
160 270 200 340 970
toate valorile dij sunt strict pozitive.
Degenerarea în problemele de transport poate apărea chiar

de la început sau pe parcursul algoritmului de optimizare şi se
caracterizează, aşa cum s-a menţionat anterior, printr-un număr al
componentelor nule mai mare de (m-1)(n-1).
Problema poate fi recunoscută încă de la formularea

modelului matematic, atunci când totalul necesarului la unul sau
cumulat pentru mai mulţi consumatori este egal cu totalul
disponibilului la unul sau cumulat pentru mai mulţi furnizori.
„Dificultatea” rezolvării constă în faptul că, atunci când se
manifestă degenerarea, nu se poate construi conturul poligonal de
transfer pentru toate celulele cu xij=0. Se înlătură la fiecare iteraţie
prin „procedeul perturbaţiei” în care se substituie printr-o valoare 
(infinit mică) atâtea valori xij =0 câte sunt necesare până la (m-1)(n-1),
iar după efectuarea transferului, acestea sunt egalate din nou cu 0.
Modul de aplicare este exemplificat în figurile 5.12 şi 5.13.
Necesarul la beneficiarul B4 (340m3)

8 10 7 6 este egal cu disponibilul la furnizorul A1
0 0 0 340 340
f(x)= 7250m3km
6 5 8 9 d11= 8-7+12-6=7
0 270 10 0 280
d12= 10-5+8-14+12-6=5
7 11 14 12 d13= 7-14+12-6= -1 (contur de transfer)
160 0 190 0 350
d21= 6-7+14-8=5
d24= 9-8+14-12=3
160 270 200 340 970
d32= 11-14+8-5=0
f(x)= 7060m3km
8 10 7 6
0 0 190 150 340 d11= 8-7+12-6=7
d12= 10-5+8-7=6
6 5 8 9
0 270 10 0 280 d21= 6-7+12-6+7-8=4
d24= 9-6+7-8=2
7 11 14 12
160 0 0 190 350 d32= 11-12+6-7+8-5=1
d33= 14-12+6-7=1
160 270 200 340 970 toate valorile dij sunt strict pozitive,  a
fost egalat cu 0, iar degenerarea a
dispărut.
În unele situaţii, problemele de transport au o structură

specială, iar rezolvarea acestora implică anumite etape suplimentare.
Problemele de transport neechilibrate sunt problemele în
care nu este asigurată egalitatea dintre totalul necesarului şi totalul
disponibilului:
m n
 b
i 1
ai 
j 1
j (5.6)
Se rezolvă prin aducerea la forma echilibrată introducând

în modelul matematic un centru de consum fictiv Bn+1 sau un
furnizor fictiv Am+1 cărora li se repartizează cantitatea necesară
pentru echilibrare.
Toate distanţele de transport către consumatorul (sau de
la furnizorul) fictiv se egalează cu 0: cantitatea respectivă va
rămâne, practic, în centrele de distribuţie sau, respectiv, va figura
ca necesar neacoperit. Altfel spus, soluţia optimă va arăta ce
cantităţi mai rămân disponibile în Ai sau mai sunt necesare la unele
centre de consum Bj.
În exemplul din figura 5.14 este prezentată o asemenea
problemă de transport neechilibrată în care totalul disponibilului
este mai mare decât totalul necesarului cu 10m3.
Beneficiari (n=4)
Total
dispo-
B1 B2 B3 B4 nibil
8 10 7 6
A1 x11 x12 x13 x14 300
Furnizori (m=3)
6 5 8 9
A2 x21 x22 x23 x24 280
7 11 14 12
A3 x31 x32 x33 x34 390
Total
160 270 200 330 970
necesar 960
Pentru a determina o soluţie de bază (prin metoda coltului

de NV, de exemplu) ce va fi apoi optimizată, se introduce în model
beneficiarul fictiv B5 (fig.5.15).
Problemele de transport cu rute blocate apar atunci când,
din diverse motive, anumite trasee sunt impracticabile; acestea se evită
prin impunerea unor distanţe fictive cij foarte mari în comparaţie cu

celelalte.
Beneficiari (n=5)
Total
dispo-
B1 B2 B3 B4 B5 nibil
8 10 7 6 0
Furnizori (m=3) A1 160 140 0 0 0 300
6 5 8 9 0
A2 0 130 150 0 0 280
7 11 14 12 0
A3 0 0 50 330 10 390
Total
necesar
160 270 200 330 10 970
În situaţia opusă, problemele de transport cu rute impuse se

rezolvă prin atribuirea unor distanţe cij egalate fictiv cu 0 pentru
rutele obligate.
Problemele de transport cu capacităţi impuse sunt
probleme în care unele cantităţi trebuie transportate obligatoriu de
la un anumit furnizor la un anumit consumator. În soluţia de bază
iniţială se vor repartiza de la început acele cantităţi, iar la
optimizare, pentru transferul efectiv nu se vor lua în considerare
contururile poligonale care au vârfuri în celulele corespunzătoare
rutelor cu capacităţi impuse.
Problemele de transport cu soluţii multiple sunt cele pentru
care la finalul etapei de optimizare se obţin mai multe valori dij
egale cu 0; transferul conturul corespunzător nu modifică valoarea
funcţiei-obiectiv, dar distribuirea cantităţilor se realizează parţial
diferit. Alegerea soluţiei optime trebuie să ţină seama şi de alte
criterii tehnico-economice.
Dacă este necesar transferul materialului dintr-un mijloc
de transport în altul, aceste centre de transbordare impun
descompunerea modelului în două sau mai multe probleme
omogene distincte. Problema iniţială este încadrată în tipul de
probleme de transport cu centre intermediare.
Problemele de transport cu centre comasate sunt problemele
în care, pentru simplificarea unei model cu foarte mulţi furnizori sau
consumatori, aceştia se grupează zonal luând în considerare pentru
fiecare centru comasat o distanţă medie de transport.
capitolul 6 OPTIMIZAREA STOCURILOR 79

 modele de stocaj  stoc de siguranţă
 ruptură de stoc  costuri de stocare
Pentru o funcţionare fluentă a unui sistem ce descrie un

proces de producţie este necesară echilibrarea nivelului resurselor ce
intră în sistem (şi se constituie ca rezervă sau stoc) cu resursele ce se
transformă în produse sau sunt consumate în procese conexe.
Capitolul analizează modelele de gestiune a stocurilor şi
relaţiile prin care poate fi estimat costul de gestionare a stocului
astfel încât să se evite blocajul de capital în stocuri supranormative.
CATEGORII DE STOCURI
   Organizarea activităţii în domeniul forestier poate fi
optimizată prin constituirea unor rezerve sau stocuri (de materii
prime, materiale, combustibili etc.).
Stocul reprezintă acea cantitate de resurse existentă

la un moment dat şi nefolosită în procesul de transformare a
obiectului muncii sau în procese conexe (tabelul 6.1).
Pentru estimarea mărimii stocurilor (figurile 6.1 şi 6.2)

trebuie să se facă previziuni privind ritmul aprovizionării pentru
asigurarea continuităţii producţiei şi, în acelaşi timp, să se evite
crearea stocurilor supranormative ce blochează o parte din capital.
Tipul de Formula de
Semnificaţie Notaţii
stoc calcul
Stocul curent cantitatea de materiale
(Sc) sau materii prime desti- q - consumul mediu
nată desfăşurării în zilnic, estimat
statistic
condiţii normale a pro-
S c  qt t - intervalul mediu
cesului de producţie în de timp dintre
intervalul de timp dintre două aprovizio-
două aprovizionări suc- nări, în zile
cesive.
Stocul de se constituie atunci când

pregătire sau materiile prime necesită
tpr - durata operaţiei
condiţionare o condiţionare anterioa- S pr  qt pr de condiţionare,
(Spr) ră procesului de produc- în zile
ţie (ex. uscarea cheres-
telei, sortarea)
Stocul reprezintă cantitatea de

materiale ce asigură ti - timpul de între-
sezonier ruperi în aprovi-
(Ssez) continuitatea activităţii S sez  qti zionarea cu ma-
în unităţile economice terialul respectiv,
caracterizate prin sezo- în zile
nalitatea aprovizionării.
Stocul reprezintă cantitatea de t1 - timp necesar

(nivelul) material ce asigură pregătirii unui
continuitatea procesului nou lot la furni-
de siguranţă
de producţie atunci când zor, în zile
(Ssig) 3 t2 - timpul necesar
s-a epuizat stocul curent S  q 
şi se produc întârzieri de sig 
i 1
ti transportului de
la furnizor, în zile
livrare din partea t3 - timpul pentru
furnizorilor. recepţia şi stoca-
rea materialului,
în zile
cantitatea de materii prime şi materiale cu care unitatea

Stocul economică se aprovizionează peste volumul stocurilor
supranormativ normate (evidenţiate anterior); acestea provoacă blocarea
(Ssn) unor importante fonduri şi se impune lichidarea lor în cel
mai scurt timp.
Este necesar să se ţină cont de posibilele perturbaţii în

aprovizionare, ale căror cauze pot fi:
- blocarea căilor de transport (ex. înzăpeziri)
- incidente (accidente) în timpul transportului
- depăşirea de către furnizori a termenelor de livrare.
Relaţia de balanţă a volumului stocului:
ns  ni  I  E (6.1)
ns fiind volumul stocului la sfârşitul perioadei analizate

ni – volumul stocului la începutul perioadei analizate
I – intrările în stoc
E – ieşirile din stoc.
Modelul de gestiune a stocului reprezintă un instrument

matematic folosit pentru minimizarea costurilor de stocare şi
pentru desfăşurarea fluentă a procesului de producţie (cu risc
redus de goluri în aprovizionare). Modelele de gestiune pot fi:
 deterministe, atunci când cererea este cunoscută în prealabil,
 stocastice (statistice, probabilistice), când cererea nu este cunoscută,
dar se cunosc legităţile statistice după care se formează.
Atunci când valorile intrărilor (I) şi cele ale ieşirilor (E) în
şi, respectiv, din stoc pot fi stabilite cu anticipaţie pentru fiecare
perioadă a ciclului analizat (model determinist), se pune problema
determinării mărimii pentru stocul de regularizare şi pentru stocul
de dimensionare.
Stocul de regularizare (Sr) reprezintă cantitatea de resurse
necesară încă de la începutul procesului care să asigure un stoc efectiv
ns nenegativ în fiecare perioadă „i”. Nivelul stocului de regularizare
este egal cu valoarea ns cea mai mică (cea mai mare în modul, dar
cu semnul „–”).
Stocul de dimensionare (Sd) reprezintă cantitatea maximă

ce urmează a fi depozitată în perioada totală a ciclului analizat
(pentru care este necesară dimensionarea corespunzătoare a
capacităţii de depozitare). Este dată de valoarea ns maximă după ce
s-a regularizat aprovizionarea.
EXEMPLU : Calculul stocurilor Sr şi Sd
Pentru exemplificare, considerăm că o firmă de prelucrare a

lemnului a estimat, în funcţie de planul său anual de producţie, un
volum de lemn necesar în fiecare lună (deci în 12 intervale egale t)
conform datelor din tabelul 6.2.
Contractele deja încheiate cu furnizorii asigură livrările
specificate în acelaşi tabel. Se impune calcularea stocului de
regularizare şi a celui de dimensionare.
REZOLVARE
Intrări în stoc Ieşiri din stoc

ns
Număr (m3) (m3) ns
regularizat
interval I (în E (în (m3)
cumulate cumulate (m3)
interval) interval)
1 150 150 200 200 -50 250
2 250 400 300 500 -100 200
3 250 650 400 900 -250 50
4 450 1100 500 1400 -300 0
5 700 1800 500 1900 -100 200
6 800 2600 500 2400 200 500
7 300 2900 400 2800 100 400
8 450 3350 400 3200 150 450
9 600 3950 300 3500 450 750
10 200 4150 300 3800 350 650
11 400 4550 400 4200 350 650
12 150 4700 300 4500 200 500
Pentru început, ni corespunzător primei perioade este egal

cu 0. Se obţine stocul de regularizare Sr=300m3.
Aşadar ni corespunzător primei perioade devine după
regularizare egal cu 300m3.
Stocul de dimensionare calculat este Sd=750m3.
MODELE DE REALIZARE A STOCURILOR

   Cel mai simplu model (figura 6.3) se caracterizează prin:
- ieşiri constante (n=constant) la intervale egale de timp (t),
- reaprovizionare cu cantităţi constante (n) la sfârşitul fiecărui
interval t.
Un model mai complex (figura 6.4) respectă condiţiile:

- ieşirile nu sunt constante (n diferit) la intervale egale de timp (t),
- reaprovizionarea se face la intervale egale (t) până la nivelul iniţial,
- se estimează şi se ţine cont de intervalul de livrare () dintre
lansarea comenzii şi intrarea materialelor în stoc.
Modelul de stocaj cu reaprovizionare la atingerea nivelului

de alertă (figura 6.5) are specifice:
- cantităţi egale la fiecare reaprovizionare,
- intervale inegale (ti) de reaprovizionare în funcţie de momentul
în care stocul ajunge la nivelul de alertă.
Cel mai complex model de realizare a stocurilor (figura 6.6)

este cel în care:
- cererea este variabilă, deci reaprovizionările sunt inegale,
- intervalele ti sunt, de asemenea, inegale.
Deşi în reprezentări aprovizionarea şi consumul sunt

redate liniar (pentru simplificare), în realitate acestea se produc
discontinuu, în trepte, în funcţie de capacitatea mijloacelor de
transport şi a instalaţiilor de alimentare.
Un model de optimizare a stocurilor cu cerere continuă are ca
variabile: cantitatea din produsul ce intră în stoc ca urmare a livrării
unei comenzi de la furnizor şi intervalul de timp dintre onorarea a
două comenzi succesive. Se presupun satisfăcute condiţiile:
 cererea este continuă,
 rata cererii este constantă,
 timpul de iniţiere a comenzii este constant,
 costul de administrare (Ca) este acelaşi la fiecare comandă,
 nu se produc întârzieri în livrare,
 Cp, costul de păstrare a stocului (stocaj) variază liniar cu timpul
de stocare.
Pentru cel mai simplu model de stocare (figura 6.3), cu
Costul global periodicitate fixă şi intrări constante (cu acelaşi număr de produse, n),
de stocare costul global de gestionare a stocului (C) este:
C  Ca C p (6.2)
Costul de administrare a comenzilor (Ca) cuprinde costurile cu:

studiul de piaţă, cererea de ofertă, pregătirea comenzii, contractarea,
recepţia produselor, contabilizarea facturilor etc. Se presupune că
are valoare constantă pentru fiecare comandă.
Costul de păstrare a stocului (Cp) include toate cheltuielile
de stocaj generate de: manipulare, consum de energie (electrică,
termică), asigurări, salarii aferente personalului cu atribuţii în
această activitate, chirii etc.
Practic, acesta se calculează (figura 6.7) ca o medie pentru
n
perioada t, corespunzătoare unui stoc egal cu , cu relaţia:
2
n
C p   c s t (6.3)
2
cs fiind costul zilnic de stocaj al unei unităţi de produs.
Costul global de stocare devine:
n
C  C a   c s t (6.4)
2
Prin raportare la perioada t şi având în vedere că rata
cererii de produse pe unitatea de timp este q, deci n  S c  qt , se
obţine costul mediu de stocare, C(t), cu relaţia:

C a q c s
C (t )   t (6.5)
t 2
Se observă că funcţia obţinută este suma a două variabile

Ca q c s
pozitive, fiind ramura unei parabole, iar t , o dreaptă.
t 2
Optimizarea constă în minimizarea acestei funcţii în raport
cu t (figura 6.8).
Valoarea minimă a funcţiei C(t) se obţine în punctul t0 care

reprezintă timpul optim dintre două comenzi:
q c s C 2C a 2C a
t 0  a  t 02   t0  (6.6)
2 t0 q c s q c s
Cantitatea optimă ce trebuie comandată, n0, se obţine cu relaţia:

2q C a
n0  q t 0  , (6.7)
cs
iar costul mediu optim pe unitatea de timp, C(t0), este:
Ca qc s 2C a qc s C a

C (t 0 )   2  2qc s C a (6.8)
2C a 2 qc s 2
qc s
EXEMPLU : Calculul costului de stocare mediu optim
Considerând exemplul anterior, cantitatea necesară producţiei

anuale este 4500m3 lemn şi cunoscând costul lansării unei comenzi
(Ca=225 lei) şi costul de stocaj pentru 1m3 (cs=1,5 lei/zi), producţia
fiind livrată ritmic, se poate determina volumul optim al seriei de
reaprovizionare, optimul perioadei de stocaj şi costul optim.
REZOLVARE
Rata consumului zilnic, calculat pentru 220 zile lucrătoare pe an,
4500
este q   20,45 m3. În condiţiile menţionate, volumul optim al
220
unei tranşe de aprovizionare (la o comandă) este:
2 20,45 225
n0   78,33 m3 (6.9)
1,5
Intervalul optim dintre două aprovizionări succesive este:
2225
t0   3,83  4 zile, (6.10)
20,451,5
iar costul mediu optim pe unitatea de timp rezultă:
C (t 0 )  220,451,5225 117 lei/zi (6.11)
Atunci când consumul este variabil (nivelul acestuia pe

unitatea de timp nu poate fi determinat cu certitudine) este posibil
să se producă ruptura de stoc (figura 6.9).
Stocul Stocul de siguranţă (figura 6.10), suplimentar celui curent,
de siguranţă reduce riscul întreruperii activităţii sau al blocajelor în livrarea
produselor către beneficiari din lipsă de materii prime şi materiale
datorată epuizării stocului.
Pentru estimarea stocului de siguranţă se ia în considerare
ca nivel de asigurare probabilitatea „p” de acoperire a consumului
(„service level”).
Există relaţia:
p 1 sau p 100  [%] (6.12)
în care α este probabilitatea producerii rupturii de stoc.
Atunci când procesul de producţie se desfăşoară cu

continuitate (şi nu în salturi), consumul urmează o lege de
distribuţie normală, iar stocul de siguranţă Ssig se determină ca în
figura 6.11 (Heizer şi Render, 2011).
Notând cu x media consumului pe unitate de timp, iar cu
s, abaterea standard a acestor valori ale ieşirilor din stoc, se poate
scrie succesiv:
x  x S sig
u   S sig  u  s (6.13)
s s
în care u este valoarea variabilei normale normate corespunzătoare
probabilităţii de acoperire a consumului ce s-a considerat justificată
pentru procesul analizat (frecvent p=95%).
Se observă că are sens doar determinarea unui stoc de

siguranţă pozitiv. De aceea, valoarea teoretică a testului u se calculează
unilateral (numai pentru ramura cu abateri pozitive faţă de medie).
În cazul în care intervalul de livrare () este mai mare de o zi,

stocul de siguranţă se calculează (Ghiani et al., 2004) cu relaţia:
S sig  u  s   (6.14)
EXEMPLU : Calculul stocului de siguranţă

Pentru determinarea abaterii standard a consumului zilnic în
exemplul considerat anterior s-au făcut două ipoteze simplificatoare:
 cele 220 zile active au fost repartizate egal (câte 18,33 zile) în
fiecare dintre cele 12 luni pentru care s-au înregistrat informaţii
privind modificările de stoc;
 în fiecare lună, consumul zilnic a fost considerat constant (cu
aceeaşi abatere faţă de media generală x ).
REZOLVARE
Se obţin valorile din tabelul 6.3. Rezultă x  q  20,45 m3/zi şi
s2 
 n  x  x 
i i
2

ni   x  x 
i
2

220 1 219
18,33304,9587
  25,5293 m6  s  5,05 m3. (6.15)
219
Număr Ieşiri din stoc (m3)

Luna de zile pe lună
xi  x xi  x 2
pe zi
ni (m3) (m6)
E  ni  xi xi
1 18,33 200 10,91 -9,55 91,1157
2 18,33 300 16,36 -4,09 16,7355
3 18,33 400 21,82 1,36 1,8595
4 18,33 500 27,27 6,82 46,4876
5 18,33 500 27,27 6,82 46,4876
6 18,33 500 27,27 6,82 46,4876
7 18,33 400 21,82 1,36 1,8595
8 18,33 400 21,82 1,36 1,8595
9 18,33 300 16,36 -4,09 16,7355
10 18,33 300 16,36 -4,09 16,7355
11 18,33 400 21,82 1,36 1,8595
12 18,33 300 16,36 -4,09 16,7355
TOTAL 220 4500 - 0,00 304,9587
Pentru p=95%, valoarea teoretică u=1,645 şi se obţine:

S sig  u  s 1,6455,058,31 m3, (6.16)
acest stoc de siguranţă adăugându-se la media zilnică de 20,45 m3

pentru o probabilitate maximă asumată de 5% de producere a
rupturii de stoc.
Presupunând că pentru lansarea unei noi comenzi şi
efectuarea transportului sunt necesare două zile lucrătoare, stocul
de siguranţă pentru exemplul anterior corespunzător acestei
perioade de comandă devine:
S sig 1,6455,05 2 11,75 m3. (6.17)
capitolul 7 FIABILITATEA 91

 coeficient de disponibilitate  rată de defectare
 funcţie de fiabilitate  distribuţia Weibull
Fiabilitatea este probabilitatea funcţionării în siguranţă,

fără defecţiuni, şi reprezintă măsura statistică a performanţelor unui
produs în raport cu timpul şi intensitatea utilizării. Aceasta înseamnă
o menţinere a calităţii în timp.
Sunt evidenţiate perioadele distincte de funcţionare în ciclul
de viaţă, cu caracteristicile de fiabilitate specifice, insistându-se pe
utilizarea funcţiilor exponenţială negativă şi Weibull pentru
exprimarea fiabilităţii.
CONCEPTUL DE FIABILITATE
   Fiabilitatea unui produs, a unui element funcţional sau a
unui sistem, reprezintă probabilitatea ca, în condiţii bine determinate
şi într-o perioadă prestabilită, acesta să-şi îndeplinească toate
funcţiunile pentru care a fost creat.
Această probabilitate nu poate fi considerată niciodată
100% pentru că apar întreruperi sau blocaje în funcţionarea
oricărui produs, generate de defecţiuni, de încheierea ciclului de
viaţă sau de accidente.
Fiabilitatea Sensul termenului este cel de „siguranţă în funcţionare” (eng.
reliability) şi este măsura statistică a performanţelor produsului
analizat în raport cu timpul şi cu intensitatea utilizării.
Devine şi mai importantă stabilirea nivelului de fiabilitate
în cazul în care produsul respectiv este, la rândul său, mijloc de
producţie într-un proces prin care se obţin alte produse, pentru că
parametrii funcţionali îşi extind influenţa asupra ritmului de lucru
şi asupra calităţii producţiei.
În cele mai multe situaţii, dezvoltarea tehnologică a dus la

creşterea complexităţii produselor printr-un număr tot mai mare
de elemente componente. Aceasta a indus o scădere a fiabilităţii
ansamblului, care a devenit mai „fragil” din cauza probabilităţii
diferite de defectare a fiecărei componente elementare.
Fiabilitatea poate fi considerată o expresie sintetică a
nivelului de calitate pe care un produs are capacitatea să-l păstreze
pe parcursul perioadei de utilizare (fiabilitatea = calitate în timp).
Optimizarea nivelului de fiabilitate presupune o
minimizare a costurilor totale cu acel produs în concordanţă cu
rolul sau destinaţia acestuia.
„Nivelul cerut” al fiabilităţii este cel la care costurile logistice
(costurile de exploatare şi funcţionare) ajung să le depăşească pe cele
de înlocuire (costurile cu achiziţionarea şi instalarea unui produs nou).
Legătura dintre nivelul costurilor şi performanţele de
fiabilitate fiind una de tip exponenţial (Isaic-Maniu, 1985), la valori
ridicate ale fiabilităţii, un spor de fiabilitate se obţine cu cheltuieli
mai mari, ceea ce antrenează costuri de producţie majorate pentru
procesul tehnologic în care funcţionează produsul respectiv.
Conceptul de fiabilitate este în strânsă legătură cu cel de Mentenabilitatea
mentenabilitate, care reprezintă capacitatea de a repune în
funcţiune un produs (sau sistem format din mai multe elemente
funcţionale) după defectare sau de menţinere a stării de
funcţionare prin operaţii de întreţinere.
Aşadar, nivelul de fiabilitate poate fi menţinut la valori
acceptabile prin întreţinere preventivă (dacă defectările sunt
previzibile). Recomandabil este ca, anual, cheltuielile de întreţinere să
nu depăşească 10-20% din preţul de achiziţie al respectivului produs.
În figura 7.1 se observă efectul celor două modalităţi de
exploatare:
- fără întreţinere preventivă, situaţie în care nu se intervine în
perioada dintre două defectări, sau
- cu întreţinere preventivă, atunci când sunt prevăzute intervenţii
de întreţinere înainte ca produsul să se defecteze.
Aceasta din urmă reprezintă o strategie eficientă pentru
menţinerea unui nivel mai ridicat al fiabilităţii pentru întreaga
durată de utilizare a produsului.
Fiabilitatea este o caracteristică a unui produs, însă
valoarea acesteia nu rezultă în urma unei măsurători directe (cu un
instrument de măsură).
Pentru determinarea fiabilităţii sunt folosite metodele

statisticii matematice şi ale teoriei probabilităţilor; fiind o
probabilitate, valorile fiabilităţii sunt cuprinse în intervalul (0,1).
semnificaţia notaţiilor: TBF – timp de bună funcţionare, TR – timp de restabilire,

prin reparaţie sau mentenanţă, MTBF – media timpului de bună funcţionare,
MTR – timpul mediu de restabilire
Fiabilitatea este probabilitatea funcţionării fără căderi,

înţelegând prin cădere modificarea stării normale a produsului urmărit,
modificare ce conduce la imposibilitatea îndeplinirii funcţiilor sale
specifice. Aşadar, pierderea capacităţii unui produs de a-şi îndeplini
rolul prin defectare reprezintă evenimentul caracteristic esenţial al
teoriei fiabilităţii.
Dacă se notează cu (t) frecvenţa defectărilor (numărul de
căderi) în intervalul de observaţie t şi se reprezintă grafic variaţia
acestui parametru pentru întregul ciclu de viaţă (figura 7.2), pot fi
Etapele ciclului evidenţiate trei perioade distincte de funcţionare (Rausand şi
de viaţă Høyland, 2004): iniţială (de rodaj), normală şi cea finală (bătrâneţe).
Analiza fiabilităţii prezintă interes mai ales pentru perioada de
funcţionare normală („viaţa activă”) a produselor.
În perioada iniţială, rata defecţiunilor (t) ajunge rapid la
un maxim cu o valoare ridicată, după care prezintă o tendinţă de
scădere. Defectele apar chiar după primele solicitări, principala
cauză fiind viciile ascunse de fabricaţie. După perioada de rodaj,
aceste elemente mai slabe calitativ sunt eliminate (în intervalul de
garanţie oferit de producător).
În perioada „vieţii active” a produsului apar defectele
accidentale, cauzate de suprasolicitările bruşte care conduc la o
rată a căderilor (t) aproximativ constantă.
Având durata cea mai mare, în această perioadă se justifică

efectuarea celor mai multe studii privind fiabilitatea produselor.
În perioada finală (t) creşte rapid ca urmare a intensificării

uzurii. Cea mai mare parte a utilajelor sau agregatelor tehnologice
sunt înlocuite înainte de a ajunge în această etapă, dar se observă
uneori şi tendinţa de forţare prin menţinerea peste termen a unor
mijloace de muncă (ex. tractoare forestiere), aspect negativ şi foarte
riscant.
Pentru a ajunge la expresia fiabilităţii R(t), se ia în
considerare funcţia de probabilitate a producerii evenimentului
conform căruia timpul de funcţionare fără defecţiuni (T) depăşeşte
timpul analizat sau prescris (t):
Funcţia
R(t )  P(T  t ) (7.1) de fiabilitate
Altfel spus, funcţia de fiabilitate R(t) reprezintă probabilitatea

ca defectarea produsului să nu apară într-un interval de timp sau
pentru un anumit număr de cicluri de funcţionare.
Funcţia de nonfiabilitate Q(t) reprezintă probabilitatea de
realizare a evenimentului contrar, adică probabilitatea de defectare
a produsului până la momentul t:
Funcţia de
Q(t )  P(T  t ) 1 R(t ) (7.2)
nonfiabilitate
Reprezentarea grafică (figura 7.3) a celor două funcţii, R(t)

şi Q(t), exprimă foarte sugestiv legătura dintre acestea.
Dacă se exprimă prin f(t) funcţia de densitate de probabilitate

aleasă pentru exprimarea probabilităţii de funcţionare fără căderi,
expresia fiabilităţii, R(t), este:

R (t )   f (t ) dt (7.3)
T
Probabilitatea evenimentului contrar, adică probabilitatea
de cădere, Q(t), este:
T
Q (t )  1 R (t )   f (t )dt

(7.4)
În reprezentarea grafică a funcţiei f(t) din figura 7.4,

suprafaţa aflată sub curbă este egală cu 1 (sau 100%, în exprimare
procentuală), deci egală cu suma celor două probabilităţi R(t) şi Q(t).
Un alt indicator al fiabilităţii este MTBF, media timpului de

bună funcţionare (eng. Mean Time Between Failures). Reprezintă media
timpului de funcţionare fără căderi pentru un grup (eşantion) omogen
de unităţi de produs sau durata medie dintre două defecţiuni
succesive, în cazul produselor reparabile. Este un indicator ce se
corelează direct cu gradul de fiabilitate a produsului pentru care s-a
calculat. Relaţia de legătură între MTBF şi frecvenţa medie a
defectărilor (t) este:
N 1
 (t )   , (7.5)
t MTBF
în care N este numărul defectărilor (căderilor), iar t - intervalul de
observaţie.
Dacă se cunoaşte forma f(t) a distribuţiei teoretice, media
timpului de funcţionare fără defecţiuni este estimată astfel:

MTBF   t  f (t )dt . (7.6)
0
În strânsă legătură cu MTBF, aşa cum se observă în figura
7.1, este frecvent analizat un alt indicator al fiabilităţii denumit
timpul mediu de restabilire (MTR). Reprezintă durata medie de
readucere a produsului la capacitatea de funcţionare specifică
(valoarea nominală a parametrilor funcţionali).
Un indicator complex, determinat în funcţie de ultimii doi
indicatori prezentaţi, este coeficientul de disponibilitate, kD, care Coeficientul de
reprezintă proporţia timpului în care elementul (sau sistemul) disponibilitate
analizat este disponibil pentru efectuarea operaţiei căreia i-a fost
destinat. Acesta estimează probabilitatea ca produsul să fie la
întreaga capacitate de funcţionare la un moment dat, ales arbitrar
pe durata procesului de exploatare:
MTBF
kD  (7.7)
MTBF  MTR
EXEMPLU : Determinarea coeficientului de disponibilitate
Se consideră că baza de date privind operaţiunile financiar-contabile
ale unei firme de prelucrare a lemnului este introdusă într-o unitate
centrală de calcul (server) care funcţionează, în medie, 30 săptămâni
consecutiv fără căderi. Remedierea după defectare durează, de
asemenea în medie, 4 zile.
REZOLVARE
În aceste condiţii, coeficientul de disponibilitate a serverului este:
30 30
kD    0,9814  98,14% .
4 30,57
30 
7
Dacă este analizată situaţia fiabilităţii unui sistem de

produse (ansamblu ce funcţionează unitar), pentru elementele
componente „i” fiind cunoscută probabilitatea Ri(t) de funcţionare
fără căderi, trebuie să se ia în considerare modul de poziţionare
funcţională a elementelor respective.
Situaţia cea mai dezavantajoasă (figura 7.5) este cea a
dispunerii seriale (elementele sunt legate funcţional în serie).
Fiabilitatea sistemului, Rsistem(t), se obţine ca produs al

valorilor fiabilităţii componentelor:
k
Rsistem (t )   Ri (t ) (7.8)
i 1
Fiind produs al unor valori subunitare, fiabilitatea

ansamblului este inferioară fiabilităţii oricărui element component.
Spre exemplificare, dacă un dispozitiv are două elemente
componente a căror funcţionare simultană este neapărat necesară
pentru ca întreg ansamblul să funcţioneze, iar probabilitatea de
funcţionare este 95% pentru prima componentă şi 90% pentru cea
de-a doua, probabilitatea ca întreg dispozitivul să funcţioneze este:
0,950,90 0,85585,5% .
Nu acelaşi lucru se poate spune despre un sistem organizat
funcţional prin conectarea unităţilor componente în paralel (figura 7.6).
Sistemele cu o structură de tip paralel sunt denumite

sisteme cu redundanţă. Redundanţa poate fi activă sau pasivă.
Un sistem în care toate elementele componente funcţionează
permanent, chiar dacă nu sunt absolut indispensabile, este un sistem
cu redundanţă simplă sau activă.
În cazul în care câte un singur element cu aceeaşi funcţie este

utilizat, celelalte fiind în rezervă, cu posibilitatea de activare cu
comutaţie sau secvenţială, sistemul este cu redundanţă pasivă (ex. roata
de rezervă a unui autovehicul, generatorul de energie electrică pentru
situaţii de avarie etc.).
În această situaţie, probabilitatea de defectare a sistemului,
Qsistem(t), se calculează ca produs al probabilităţilor de defectare Qi(t)
determinate pentru elementele componente:
k k
Qsistem (t )   Qi (t )   1 Ri (t )  , (7.9)
i 1 i 1
iar fiabilitatea sistemului este:
Rsistem (t ) 1Qsistem (t ) (7.10)
şi are o valoare superioară fiabilităţii oricărui element component.

O modalitate de a creşte fiabilitatea unui sistem este tocmai
utilizarea redundanţei prin includerea unor componente de rezervă
(de siguranţă) cuplate în paralel. Două exemple simple şi sugestive
sunt prezentate în cele ce urmează.
EXEMPLU 1 : Determinarea fiabilităţii unui sistem

Recepţia materialului lemnos la intrarea într-un depozit se realizează
cu ajutorul unui sistem automat de cântărire acţionat electric.
Observând frecventele întreruperi ale reţelei de alimentare cu energie
electrică, firma respectivă a montat suplimentar un generator propriu
(de rezervă). Se cunoaşte că fiabilitatea reţelei electrice este 97%, iar
cea a generatorului, 90%.
REZOLVARE
Probabilitatea R de funcţionare a sistemului de cântărire este:
R 1 1 0,971 0,90 0,997 99,7% .
EXEMPLU 2 : Determinarea fiabilităţii unui sistem

Un alt exemplu este cel al unui student care are posibilitatea să
utilizeze trei calculatoare, fiabilitatea acestora, determinată în baza
observaţiilor anterioare, fiind 75%, 80% şi 85%. Doar unul dintre
acestea trebuie să funcţioneze pentru a-şi putea prezenta lucrarea la
examen. Care este probabilitatea ca măcar un calculator să funcţioneze
în momentul susţinerii?
REZOLVARE
Fiabilitatea sistemului cu redundanţă rezultă printr-un calcul simplu
al probabilităţii:
R 110,7510,8010,8510,0075 0,9925 99,25% .
O situaţie intermediară în ceea ce priveşte nivelul

fiabilităţii este cea a sistemelor de tip mixt care conţin atât
subsisteme organizate în serie, cât şi subsisteme de tip paralel.
REPARTIŢIA EXPONENŢIALĂ NEGATIVĂ

   Revenind la funcţia de densitate de probabilitate pentru
exprimarea fiabilităţii, foarte importantă este etapa de identificare
a celei mai potrivite distribuţii teoretice, pe baza analizei
înregistrărilor efectuate în cursul unei perioade anterioare de
observaţie.
În funcţie de valorile colectate se stabileşte atât momentul
începerii, cât şi durata fiecărei dintre cele trei faze de funcţionare în
ciclul de viaţă (figura 7.2).
Pentru exprimarea fiabilităţii în faza iniţială este frecvent
utilizată o funcţie de densitate de probabilitate f(t) exponenţială
negativă de forma:
Distribuţia  0 pentru t  0
exponenţială f t     t (7.11)
negativă  e pentru t  0
În acest caz funcţia de repartiţie F(t), egală cu

probabilitatea de cădere (defectare) Q(t), este:
 0 pentru t  0
F t   Qt     t (7.12)
1 e pentru t  0
Fiabilitatea R(t), adică probabilitatea ca sistemul analizat

sau o componentă a acestuia să fie în stare de funcţionare la
momentul t sau probabilitatea să funcţioneze fără defecţiuni un
timp mai mare decât t, se obţine din relaţia 7.2:
R(t ) 1Q(t )  e   t (7.13)
În general, pentru o distribuţie f(t) căreia îi corespunde

funcţia de repartiţie F(t) şi cea de fiabilitate R(t), rata de defectare
z(t) (sau frecvenţa medie a defectărilor) se calculează cu relaţia:
Rata de f (t ) f (t )
defectare z (t )   (7.14)
1 F (t ) R(t )
În cazul distribuţiei exponenţiale, rata de defectare este
constantă:
 e   t
z (t )   (7.15)
e  t
Pentru această distribuţie (figura 7.7), parametrul λ este

chiar rata de defectare calculată pentru perioada de referinţă T,
conform relaţiei 7.5.
EXEMPLU : Calculul fiabilităţii după un model exponenţial

Spre exemplificare, considerăm că în cadrul unei firme de exploatare a
lemnului se doreşte să se facă o analiză a fiabilităţii pneurilor de
tractor forestier achiziţionate de la un anumit producător. În acest scop
s-a observat modul de comportare în intervalul (0, t )  2000 ore de
utilizare de la montare pe tractor a celor 20 de pneuri din stoc.
La încheierea timpului fixat, 13 pneuri erau în stare bună de
funcţionare, celelalte 7 defectându-se pe parcurs, la intervale diferite,
astfel încât a rezultat o medie a timpului de bună funcţionare MTBF
=1650 ore.
În ipoteza unui model exponenţial de distribuţie, care este
probabilitatea ca un pneu să rămână funcţional peste cele 1000 de ore
ale perioadei de garanţie?
REZOLVARE
Soluţia, conform relaţiei din figura 7.7, este:
1000

P (T  1000)  R (1000)  e 1650  e 0,606  0,5455  54,55% .
Deoarece modelul exponenţial este adecvat numai atunci

când rata de defectare este într-adevăr constantă, studiul fiabilităţii
s-a orientat către funcţii mult mai flexibile care să fie utilizate şi
pentru ajustarea altor tipuri de distribuţii experimentale.
REPARTIŢIA WEIBULL
   Repartiţia Weibull biparametrică este considerată o
generalizare a legii de distribuţie exponenţiale.
Densitatea de probabilitate a legii Weibull de variabilă t are
forma:
0 pentru t  0
f t ,  ,    
Distribuţia Weibull
 (7.16)
  t  1 e  t pentru t  0
biparametrică
în care cei doi parametri sunt strict pozitivi ( 0;  0).

Parametrul  determină forma distribuţiei Weibull. Se observă
(figura 7.8) că pentru  = 1 repartiţia Weibull devine o repartiţie
exponenţială. Pentru   1 curba este descrescătoare, convexitatea ei
accentuându-se cu cât  este mai mic.
Pentru  1 curba este concavă, cu cât  este mai mare,

graficul funcţiei având o formă tot mai pronunţată de clopot
(pentru 1   3,6 curba este în clopot cu asimetrie de stânga,
pentru  = 3,6 curba aproximează legea normală a lui Gauss, iar
pentru   3,6 curba este în clopot cu asimetrie de dreapta).
Funcţia de repartiţie pentru această formă a legii Weibull
este:
0 pentru t  0
F t ,  ,     t  (7.17)
1 e pentru t  0
Fiabilitatea R(t) este, în acest caz:


R (t )  1 Q (t )  1 F (t ,  ,  )  e  t , (7.18)
iar rata de defectare se estimează cu relaţia:

f (t ) f (t )
z (t )      t  1 . (7.19)
1 F (t ) R(t )
O altă formă de exprimare a legii Weibull se obţine prin
introducerea unui parametru de scară reală, , prin substituirea:

 
  1  . (7.20)
 
1
Deci    , cu condiţia  0, iar densitatea de probabilitate

a legii Weibull biparametrice devine:

 1 t 
 
 t
f t , ,      e   
   
. (7.21)
Expresia funcţiei de fiabilitate devine:


t 
 
R (t )  e   
, (7.22)
iar cea a ratei de defectare:

 1
 t
z (t )    . (7.23)
  
Există diferite metode, atât analitice, cât şi grafice, de
determinare a parametrilor β şi η. Metoda celor mai mici pătrate
N
porneşte de la relaţia 7.22 şi de la valorile relative R N (t i )  i
N
calculate pe baza observaţiilor asupra unui eşantion cu N elemente,
Ni reprezentând numărul elementelor rămase funcţionale la
sfârşitul perioadei de observaţie ti.
Se obţine succesiv, prin logaritmare:

t  
1     1  t   1  t
e  
 ln       ln ln 
  
     ln   

RN  RN      RN    
  1 
 ln ln    ln t   ln , (7.24)
  R N 
ceea ce reprezintă ecuaţia dreptei y  f (ln t )     ln t , dacă se

notează:
  1 
y  ln ln  şi    ln . (7.25)
  R N 
α şi β se determină prin rezolvarea sistemului specific
metodei celor mai mici pătrate:
N N
 
 i 1
y i  N   
 
i 1
ln(t i )
N N N
(7.26)

 i 1 i  i 1
i
 y ln(t )   ln(t )    ln 2 (t )
i
i 1
i
Odată determinat α, din relaţia 7.25 se obţine η:



 e 
(7.27)
O altă modalitate de determinare a parametrilor funcţiei de

repartiţie Weibull biparametrice este prezentată în figura 7.9. Exemplul
analizat se referă la fiabilitatea sistemului de protecţie împotriva
reculului (a sistemului de blocare automată a lanţului) pentru un
eşantion format din N=20 ferăstraie mecanice de acelaşi tip.
A rezultat distribuţia căderilor din coloanele A şi B, pe

intervale de timp de 400 ore din cele 3000 ore pe parcursul cărora
toate dispozitivele s-au defectat. După cumularea frecvenţelor
experimentale (obţinându-se valorile Σni), au fost determinate
valorile experimentale RN.
Pentru aflarea parametrilor η şi β ai funcţiei teoretice Rˆ (t i )

s-a folosit modulul Rezolvitor (Solver) din meniul Instrumente (Tools)
al aplicaţiei Microsoft Excel.
Criteriul de optimizare prin iteraţii succesive, a fost cel de
minimizare a sumei pătratelor abaterilor (SPA) dintre valorile
experimentale şi cele teoretice ale funcţiei de fiabilitate, valori
reprezentate grafic apoi în figura 7.10. Este important să se aleagă o
valoare iniţială a parametrului β corespunzătoare cu rata observată
a căderilor şi cu perioada de funcţionare din ciclul de viaţă (iniţială,
normală sau finală) în care se încadrează.
Legea Weibull triparametrică reprezintă varianta completă

a acestei distribuţii, obţinută prin introducerea unui parametru de
iniţializare (de poziţie), , care realizează o translatare pe abscisă.
Funcţia densităţii de probabilitate devine:

 1  t  
 
  t   Distribuţia
f t , ,  ,    e    , (7.28) Weibull
    triparametrică
cu funcţia de repartiţie corespunzătoare:


 t  
 
F t , ,  ,  1 e   
, (7.29)
ambele pentru t 0,  şi  exprimându-se în unitatea de măsură a lui t.

Expresia funcţiei de fiabilitate devine:

 t  
 
R (t )  e   
, (7.30)
iar cea a ratei de defectare:


z (t )  
t    1 . (7.31)

Pentru determinarea parametrilor distribuţiei în această formă
poate fi folosit procedeul de optimizare în Excel prezentat anterior
(figura 7.11).
Se observă din valoarea mai mică obţinută pentru suma

pătratelor abaterilor (SPA=0,0062 faţă de SPA=0,0121) şi din
reprezentarea grafică a funcţiei de fiabilitate (R3(t) din figura 7.10) că
ajustarea este mai bună în acest caz. Contează, însă, foarte mult valorile
iniţiale de la care este pornită optimizarea (valori diferite implică
domenii diferite de căutare automată a optimului).
Datorită faptului că estimarea simultană a celor trei parametri
poate duce la abateri mult prea mari pentru o ajustare corespunzătoare,
este preferabil să se estimeze numai parametrii de formă () şi de scară
() considerând  o valoare cât mai apropiată de minimul intervalului de
variaţie a valorilor experimentale.
Chiar şi aşa, pot rezulta valori fără o semnificaţie practică

foarte evidentă (valoarea parametrului  = -5147,939 din exemplul
considerat marchează ca timp de referinţă o valoare cu mult
anterioară perioadei pentru care există valori experimentale).
Este preferabil, aşadar, ca analiza fiabilităţii să se rezume
la forma biparametrică a funcţiei Weibull.
BIBLIOGRAFIE 107
BIBLIOGRAFIE
 Barlow, J.F., 2005, Excel models for business and operations
management, 2nd ed., John Wiley&Sons Ltd., West Sussex,
England, 415p.
 Brennan, L.L., 2011, Operations management, 36-Hour Course,
McGraw-Hill, USA, 241p., ISBN: 978-0-07-174613-7
 Constantinescu, P., 1990, Sinergia, informaţia şi geneza sistemelor,
Ed. Tehnică, 319p., ISBN 973-31-0130-7
 Ghiani, G., Laporte, G., Musmanno, R., 2004, Introduction to logistics
system planning and control, John Wiley&Sons Ltd., West
Sussex, England, 377p.
 Hartley, R.V.L., 1928, July, Transmision of information, Bell System
Technical Journal, presented at the International Congress of
Telegraphy and Telephony, Lake Como, Italy, September 1927
 Heizer, J., Render, B., 2011, Operations management. Global edition,
10th ed., Pearson Education Inc., Prentice Hall, Upper Saddle
River, New Jersey, USA, 888p., ISBN: 978-0-13-511143-7
 Isaic-Maniu, A., 1985, În căutarea optimului, Ed. Albatros, 238p.
 Krajewski, L.J., Ritzman, L.P., Malhotra, M.K., 2010, Operations

management. Processes and Supply Chains, 9th edition,
Pearson Prentice Hall, Upper Saddle River, New Jersey,
USA, 652p.
 Leavengood, S., Reeb, J., 1999, Statistical Process Control, Part1: An
Introduction, in series Performance Excellence in the Wood
Products Industry, Oregon State University
 Levinson, W.A., 2011, Statistical Process Control for Real-World
Applications, CRC Press Taylor & Francis Group, LLC, Boca
Raton, FL, USA, 266p., ISBN: 978-1-4398-2001-8
 Lewis, D.K., 1994, History, trends, and state of the art of SPC, in
Proceedings No.7307, Statistical Process Control Technologies:
State of the Art for the Forest Products Industry, Madison, WI:
Forest Products Society
 Magagnotti, N., Spinelli, R. (Editors), 2012, Good practice guidelines
for biomass production studies, COST Action FP-0902, WG 2
Operations research and measurement methodologies,
CNR IVALSA, Italy, 51p., ISBN 978-88-901660-4-4
 Niebel, B. W., 1993, Motion and time study, 9th edition, Richard D.
Irwin (Edt.), Homewood (Ill.), USA, 850p.
 Oakland, J.S., 2008, Statistical Process Control, 6th edition, Ed.
Elsevier Butterworth-Heinemann, Linacre House, Jordan
Hill, Oxford OX2 8DP, UK, 458p.
 Rausand, M., Høyland, A., 2004, System reliability theory: models,
statistical methods, and applications, John Wiley & Sons, Inc.,
Hoboken, New Jersey, USA,, 636p.
 Shannon, C. E., Weaver, W., 1964, The mathematical theory of
communication, 10th printing, The University of Illinois
Press, Urbana, USA, 125p.
 Stapenhurst, T., 2005, Mastering Statistical Process Control. A
Handbook for Performance Improvement Using Cases, Ed.
Elsevier Butterworth-Heinemann, Linacre House, Jordan
Hill, Oxford OX2 8DP, UK, 460p.
 Suárez, J.G., 1992, Three Experts on Quality Management: Philip B.
Crosby, W. Edwards Deming, Joseph M. Juran, Department of
the Navy, Total Quality Leadership Office Publication No.
92-02, Arlington, VA, USA
 Tamaş, Ş., 1983, Optimizări în silvicultură şi exploatări forestiere,
Ed. CERES, 320p.
 Trandafir, R., 2004, Modele şi algoritmi de optimizare, Editura
AGIR, Bucureşti, 250p., ISBN 973-8466-76-8
 Wald, A., 1947, Sequential analysis, New York, John Wiley&Sons
Ltd., 212p.
109
Consideraţii introductive 3
Abordarea sistemică a proceselor din domeniul forestier 7

Elemente conceptuale ale teoriei sistemelor
Metodele cercetării operaţionale
Metodele statistice de cercetare în abordarea sistemică
Conducerea proceselor
Dar, ce este informaţia?
Controlul statistic al proceselor 19

Importanţa controlului statistic al proceselor
Controlul statistic prin atribute
Controlul statistic prin măsurare
Variabilitatea – indicator statistic în controlul proceselor
Cartelele de control al calităţii
Elemente de teoria aşteptării 43

Sisteme de aşteptare
Studiul muncii 49
Utilitatea studiului muncii
Timpul de muncă
Analiza statistică a activităţii
Programarea matematică 63
Formularea modelului matematic
Algoritmi de optimizare
Optimizarea stocurilor 79
Categorii de stocuri
Modele de realizare a stocurilor
Optimizarea capacităţii de funcţionare. Fiabilitatea 91

Conceptul de fiabilitate
Repartiţia exponenţială negativă
Repartiţia Weibull
Bibliografie 107

Analiza Statistica A Proceselor Tehnolog

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

Analiza Statistica A Proceselor Tehnolog

Încărcat de

Drepturi de autor:

Formate disponibile

Sergiu Andrei Horodnic

Descrierea CIP a Bibliotecii Naţionale a României

Tehnoredactare computerizată: Sergiu Andrei HORODNIC

modelul a fost preluat şi de industria americană ce începea să simtă

Dar o primă întrebare ce apare frecvent este: cât de

Principalele noţiuni explicate

Sunt analizate aspecte privind conceptul de „sistem” şi

ecologic al pădurii. Este un mod de abordare mult mai complex care

~ permite separarea proceselor ce prezintă interes pentru studiu,

Elementul este o noţiune primară a teoriei sistemelor

se cunoaşte că pot influenţa sistemul sau care sunt influenţate de

Sistemul este delimitat de un prag de interacţiune („graniţă”

Această ecuaţie fundamentală a sistemelor reprezintă legea

Succesiunea etapelor autoreglării este următoarea:

Pentru desfăşurarea producţiei sunt necesare anumite intrări

Factorilor de decizie le revine sarcina de a valorifica

METODELE CERCETĂRII OPERAŢIONALE

 deductiv-analitice, atunci când procesul analizat poate fi

METODELE STATISTICE DE CERCETARE

Structura „cutiei negre” determină, însă, o ieşire cu

Etapele procesului decizional sunt: Procesul

Circuitul Circuitul informaţional reprezintă traseul parcurs de

DAR, CE ESTE INFORMAŢIA?

În sensul utilizat în domeniul conducerii sistemelor

Informaţia este acea entitate care reduce starea de Informaţia

Este important să se reţină faptul că orice informaţie

EXEMPLU : Estimarea cantităţii de informaţie

Pentru verificarea intuitivă a relaţiei anterioare, se poate considera

Din mulţimea M = 1, 2, 3,….., 32 cu 25 = 32 elemente, o

Dacă evenimentele nu sunt echiprobabile, fiecărei stări din

Shannon a propus pentru această situaţie (Shannon şi

Pentru exprimarea unităţii elementare de cantitate de

În cazul probabilităţii echiprobabile de realizare a unei stări din două

Principalele noţiuni explicate

Raportate la modalitatea de exprimare a parametrilor de

Procedeele statistice aplicate pentru controlul calităţii

Statistica matematică, bazată pe teoria probabilităţilor,

CONTROLUL STATISTIC PRIN ATRIBUTE

anumită caracteristică xi care poate lua valoarea „0”, dacă unitatea de

 acceptarea lotului, dacă este confirmată ipoteza H0: p  p1

Ori de câte ori va exista într-un lot o proporţie a

Ori de câte ori va exista într-un lot o proporţie a

Între p1, p2,  şi  există relaţiile:

xi  T1 xi  T2 T1  xi  T2

lotul se acceptă lotul se respinge

Pentru populaţii infinite sau cu un volum mare (N > 3000)

Pentru populaţiile finite (N < 3000 unităţi) este utilizat un

~ rezolvarea cea mai comodă este cea grafică, continuându-se

CONTROLUL STATISTIC PRIN MĂSURARE

Aceasta reprezintă aria suprafeţei de sub curba normală de

Aceste probabilităţi se mai numesc praguri de semnificaţie

Distribuţia binomială se numeşte repartiţia lui Bernoulli Distribuţia

În general, considerând o populaţie formată din N unităţi din

Se obţin parametrii funcţiei binomiale:

Pentru x  0 se utilizează formula de recurenţă:

Legea distribuţiei binomiale se aplică ori de câte ori

Ajustarea unei distribuţii experimentale după legea distribuţiei

 se compară distribuţia experimentală cu cea teoretică.

EXEMPLU : Verificarea aplicabilităţii distribuţiei Poisson

Dacă se consideră N numărul anual de zile active (220 zile) şi se

Media aritmetică este egală cu dispersia distribuţiei, ceea

Variabila X poate lua toate valorile întregi pozitive sau

Variabila X poate lua toate valorile întregi pozitive sau