Documente Academic
Documente Profesional
Documente Cultură
UNITATEA DE INVĂŢARE 1
PROBLEMATICA MODELĂRII DECIZIILOR
MANAGERIALE
1. Modelarea deciziilor manageriale – obiectul de studiu
2. Concepte generale
3. Procesul de modelare
4. Structura modelelor
5. Clasificarea modelelor
1
Obiective ale UI
In urma parcurgerii acestei UI veţi învăţa despre:
2
1. Modelarea deciziilor manageriale –
obiectul de studiu
3
1. Modelarea deciziilor manageriale –
obiectul de studiu
Abordarea cantitativă a deciziilor începe cu date. La fel ca
materia primă pentru o fabrică, aceste date sunt manipulate sau
prelucrate în informații care sunt valoroase pentru oameni în
luarea deciziilor.
Date cantitative: Factori numerici, cum ar fi costurile și
veniturile.
Date calitative: Factorii care influențează mediul, dificil de
cuantificat
Calculatoarele au avut un rol esențial în amplificarea utilizării
analizei cantitative, mai ales la nivel de firmă.
Foile de calcul (spreadsheets) sunt o alternativă convenabilă la
software-ul specializat.
4
1. Modelarea economica – obiectul de
studiu
Modelarea deciziilor manageriale (engl. Modeling Managerial
Decisions) se regaseste ca disciplina de studiu sub diverse denumiri,
precum:
– Știința managementului (engl. Management Science),
– Metode Cantitative pentru Management/ Afaceri (engl. Quantitative Methods for
Management / Business),
– Modelarea economica (eng
– Cercetări operaționale (emgl. Operations Management)
Aceasta reprezintă o abordare științifică a deciziilor manageriale
care constă în:
1. Arta de a modela matematic situații complexe,
2. Știința de dezvoltare a unor tehnici de rezolvare pentru aceste
modele,
3. Abilitatea de a comunica eficient rezultatele către decident.
5
2. Concepte generale
✓ MODELUL:
✓ O reprezentare a realităţii din perspectiva modelatorului.
✓ O reprezentare simplificată sau o abstractizare a realităţii.
✓ Un instrument de cunoaştere indirectă a realităţii obiective.
✓ MODEL = Sistem teoretic sau material cu ajutorul
căruia pot fi studiate proprietăţile şi evoluţia unui sistem
complex considerat sistemul original, faţă de care
modelul prezintă anumite analogii.
✓ În economie: MODELUL constituie o alternativă la
experimentele utilizate în ştiinţele exacte.
Dacă teoria economică, pe baza căreia se face simplificarea, se poate
exprima logic şi/sau matematic => model economico - matematic
6
2. Concepte generale
Realism Simplitate
8
2. Concepte generale
ETAPE:
1. Formulare
Transformarea unui scenariu problemă de la
cuvinte la un model matematic
2. Soluţie
Rezolvarea modelului pentru obținerea soluției
optime
3. Interpretare și analiză de sensibilitate
Analiza rezultatelor și implementarea unei
soluții
12
3. Procesul de modelare
Etapele procesului de modelare:
❑Definirea problemei și cunoaşterea detaliată a realităţii sistemului
(procesului) ce se modelează;
❑Dezvoltarea modelului economico-matematic;
❑Obtinerea datelor necesare pentru a fi utilizate in model (input data)
folosind diverse surse: rapoarte, documente ale firmelor, interviuri cu
angajatii, chestionare, măsurători, etc. ;
❑Obtinerea celei mai bune soluții a problemei prin manipularea modelului
(se poate utiliza: rezolvarea de ecuații, metoda încercării și erorii,
enumerarea completă, algoritmi);
❑Experimentarea modelului economico-matematic şi evaluarea soluţiei;
❑Analiza rezultatelor și analiza de senzitivitate (AS - cât de sensibilă e
soluția la modificări în formularea problemei);
❑Implementarea și monitorizarea rezultatelor obtinute cu ajutorul
modelului economico-matematic.
3. Procesul de modelare
Metodele folosite pentru soluţionarea unor probleme
complexe formulate matematic constau într-o succesiune
coerentă de operaţii logice şi aritmetice cunoscute sub
denumirea de algoritm.
17
5. Clasificarea modelelor
20
Teste de autoevaluare
21
Modelarea Deciziilor Manageriale,
Prof. dr. Carmen Nadia Ciocoiu
UNITATEA DE INVATARE 2
Modele de previziune
Introducere
1. Definitii. Clasificarea metodelor de previziune
2. Analiza seriilor de timp: caracteristici și metode
2.1. Media mobila
2.2. Nivelarea exponentiala
2.3. Proiecţiile de trend
2.4. Decompoziţia
Teste de autoevaluare
1
Obiective ale UI
16
14
Volumul vanzarilor
12
10
8
6
4
2
0
1 3 5 7 9
Timpul
2. Analiza Seriilor de Timp
(Dinamice/Cronologice): caracteristici și metode
Reprezentarea grafica a seriilor de timp
3. Vânzări cu variaţii 4. Vânzări cu trend şi variaţii
sezoniere fără trend sezoniere
5 16
14
Volumul vanzarilor
Volumul vanzarilor
4 12
3 10
Media
8
2 6
1 4
2
0 0
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
Timpul
Timpul
2. Analiza Seriilor de Timp
(Dinamice/Cronologice): caracteristici și metode
Extrapolarea reprezintă una din cele mai utilizate metode de previziune în
cadrul metodelor cantitative bazate pe serii de timp;
Metodele de extrapolare bazate pe serii de timp sugerează dezvoltarea
inerţială (prelungirea în viitor) a unor elemente ale proceselor şi
fenomenelor economice;
Pot fi aplicate cu rezultate bune numai dacă procesul la care se referă
prezintă un caracter de repetabilitate, cu aceeaşi intensitate a dinamicii.
Limite:
– oferă numai o imagine orientativă asupra perspectivei de evoluţie dacă se
recunoaşte faptul că viitorul NU reproduce fidel stările şi evoluţiile din
trecut;
– se poate folosi cu succes numai pentru procesele economice ce evoluează
fără discontinuităţi majore;
– riscul şi incertitudinea impun prelucrarea rezultatelor extrapolării cu
metode adiţionale;
– pentru ca rezultatele să fie cât mai plauzibile se recomandă operarea pe
orizonturi de prognoză cât mai scurte.
2. Analiza Seriilor de Timp
(Dinamice/Cronologice): caracteristici și metode
Ajustarea unei serii temporale = operatiunea de
înlocuire a valorilor observate ale variabilei studiate
cu alte valori.
Noile valori sunt calculate prin metode adecvate cu scopul
de a pune în evidenţă componentele considerate esenţiale
ale seriei de date: trendul, fluctuaţiile ciclice, sezoniere
si/sau neregulate.
sunt aplicabile în previziunile pe termen scurt, de pe o
zi pe alta, de pe o luna pe alta, de pe un trimestru pe
altul.
Cele mai utilizate metode de nivelare (ajustare):
1. metoda mediilor mobile,
2. metoda nivelării exponenţiale.
2.1. Media mobila
Presupune determinarea previziunii pentru o perioadă de timp (zi,
săptămână, lună, …, an etc.) prin medierea datelor din ultimele „n"
perioade:
y t + y t +1 + ...y t −n +1
Ft +1 =
n
în care: Ft+1 - valoarea previzionată pt. perioada t+1; Yt - valoarea realizată în
perioada t; n - ordinul mediei mobile.
Adoptând ordine diferite ale mediei mobile, se poate ajunge la o
corespondenţă mai apropiată sau mai îndepărtată a curbei previziunii faţă
de curba evoluţiei datelor reale.
Eroarea poate fi apreciată pe baza diferenţelor dintre realitate şi previziune
folosind formula erorii medii: m
2
(F − Y )
t t
e= t =n
m−n
în care: Ft - valorile previzionate pentru perioadele t=1,...,m; Yt - valorile reale
disponibile; m - numărul de valori ale seriei de timp disponibile.
Medii mobile sunt utile dacă putem presupune că cerințele pieței vor rămâne
destul de constante în timp.
O altă metodă similară este media mobilă ponderată (cu ponderi diferite asociate
datelor în funcţie de ordinea lor în seria de date)
2.1. Media mobila
Aplicatie practică:
Luna Vânzări reale Media mobilă de ordin 3
Ianuarie 10
Februarie 12
Martie 13
Aprilie 16 (10 + 12 + 13)/3 = 11.67
Mai 19 (12 + 13 + 16)/3 = 13.67
Iunie 23 (13 + 16 + 19)/3 = 16.00
Iulie 26 (16 + 19 + 23)/3 = 19.33
August 30 (19 + 23 + 26)/3 = 22.67
Septembrie 28 (23 + 26 + 30)/3 = 26.33
Octombrie 18 (26 + 30 + 28)/3 = 28.00
Noiembrie 16 (30 + 28 + 18)/3 = 25.33
Decembrie 14 (28 + 18 + 16)/3 = 20.67
Ianuarie — (18 + 16 + 14)/3 = 16.00
2.2. Metoda nivelării exponenţiale
Pentru metodele de nivelare (ajustare), alegerea formei particulare a
metodei (cu unul sau mai mulți parametri) se poate face, într-un mod
aproximativ, prin reprezentarea grafică a seriei de date:
✓ în cazul seriilor de date pentru care nu se înregistrează trend şi variaţii
ciclice sau sezoniere se poate utiliza modelul de nivelare
exponenţială primară (în jurul mediei) (engl. Single Exponential
Smoothing - SES) (cu un singur parametru α);
✓ dacă pentru seria de date reprezentată se poate pune în evidenţă o
tendinţă liniar crescătoare sau descrescătoare se alege modelul cu
trend (cu doi parametri α si β );
✓ dacă pentru seria de date se pot evidenţia variaţii sezoniere se va alege
modelul de ajustare cu sezonalitate (cu doi parametri α si γ);
✓ în situaţia în care, în mod simultan se pot observa o componentă de tip
trend şi variaţii sezoniere se poate alege modelul de ajustare trend -
sezonalitate (ex: modelul Holt-Winters în care se folosesc trei
parametri α, β si γ și trei ecuații pt determinarea previziunii).
2.2. Metoda nivelării exponenţiale
Nivelarea exponentiala a fost introdusă de Robert G. Brown în
cărțile sale din 1959 și 1963 (R.G. Brown adesea referit ca
“părintele” nivelării exponențiale).
n n
n
n
Media procentuală a erorilor absolute = MAPE = 100 [e t /X(t)]/n
t =1
(mean absolute percent error)
unde: X(t) – valorile reale la momentul t, t = 1... n
n
Suma erorilor de previziune (cumulative forecast error) = CFE = e t
CFE t =1
Semnal de urmarire (Tracking Signal) = TS = MAD
✓TS: →pozitiv: există tendinţă de creştere a vânzărilor
negativ: există tendinţă de descreştere a vânzărilor
✓Numai dacă TS > 5 => există o tendinţă reală de creştere sau descreştere a vânzărilor
Se apreciază că, în cazul în care valoarea semnalului de urmărire este mai mare de 3,75,
este considerată subpreviziune. Pe de altă parte, dacă valoarea semnalului de urmărire
este mai mică de -3.75, atunci este considerată supra-previziune.
2.2. Metoda nivelării exponenţiale
Alegerea constantei de nivelare 0 1:
2. Din analiza modelului Ft+1 = Yt +(1-)Ft , rezultă că, dacă:
tinde spre 1 => Ft+1 Yt (previziunile urmaresc oscilatiile valorilor
reale/ efective)
mult mai mic decat 1 => Ft Ft-1 ... F0 media valorilor efective
(previziunile tinde să se niveleze spre media valorilor efective)
3. Din analiza modelului Ft+1 = Ft+ (Yt – Ft ) rezultă că dacă:
- diferenţele | Yt - Ft | sunt mari, atunci se recomandă alegerea unui
mic (spre 0) pentru a nu permite transferarea fluctuaţiilor mari în
previziune.
- diferenţele | Yt - Ft | sunt mici, atunci se recomandă alegerea unui
mare (care tinde spre 1) pentru a permite previziunii să reacţioneze
rapid la eventualele schimbări.
4. Prin simulare (testari succesive) pe baza unui criteriu (indicator de
eroare) specificat de decident.
2.2. Metoda nivelării exponenţiale
Etape de lucru:
Obţinerea datelor privind vânzările produsului în perioadele
trecute;
Analiza datelor pe baza reprezentării grafice;
Alegerea modelului de previziune cel mai adecvat;
Definirea parametrilor modelului: perioada sau perioadele pentru
care se va face previziunea, alegerea constantei de nivelare,
determinarea previziunii iniţiale;
Realizarea previziunii cu un produs informatic, ex.:
WINQSB/Forecasting and Linear Regression/Time Series Forecasting/
Single Exponential Smoothing (SES)
QM for Windows/Forecasting/Time Series Analysis
Excel (Data Analysis/ Exponential Smoothing)
Analiza influenţei constantei de nivelare ( ) asupra previziunii;
Interpretarea economică a rezultatelor.
2.2. Metoda nivelării exponenţiale
Studiul de caz 1. Previziunea vânzării mărfurilor cu modelul de
nivelare exponenţială primară.
Se cunosc vânzările reale pe 12 luni (Actual Data), previziunea inițială se
considera egala cu prima valoare reală (F(0)=250).
Se dorește previziunea vânzărilor pe luna a 13-a. Rezolvarea va folosi 2 valori
ale lui alpha (0.3 si 0.9).
Luna Actual Forecast
Data by SES Rezultate:
alpha=0.3)
1 250.00
2 245.00 250.00
Alpha = 0.3:
3 237.00 248.50 previziunea F13 = 245.051
4 235.00 245.05 Erorile: MAD = 8.58,
5 249.00 242.03
6 260.00
MSE = 89.17
244.12
7 245.00 248.88 MAPE = 0.0352 (3.52%)
8 234.00 247.72 Trk.Signal = -1.92
9 241.00 243.60
Alpha = 0.9:
10 249.00 242.82
11 236.00 244.67
previziunea F13 = 250.521,
12 252.00 242.07 Erorile: MSE = 114.72
13 245.05
2.2. Metoda nivelării exponenţiale
Studiul de caz 1. Previziunea vânzării mărfurilor cu modelul de
nivelare exponenţială primară.
260
255
VANZARI SI PREVIZIUNI
250
245
240
235
230
1 2 3 4 5 6 7 8 9 10 11 12 13
LUNILE
Metoda celor mai mici pătrate poate fi aplicată pentru a găsi coeficienții
(a si b) care minimizează suma pătratelor erorilor (MSE).
2.3. Proiecţiile de trend
Y
Square 0,9154 1000
Y
Standard
Error 89,1866 Predicted Y
500
Observations 12
0
ANOVA 0 2 4 6 8 10 12 14
Significance X Variable 1
df SS MS F F
Regression 1 954166,161 954166,161 119,957 0,00000069
Residual 10 79542,506 7954,251
Total 11 1033708,667
Upper Lower
Coefficients Standard Error t Stat P-value Lower 95% 95% 95,0% Upper 95,0%
Intercept 1046,712 54,891 19,069 0,000 924,4081169,016 924,408 1169,016
X Variable 1 81,685 7,458 10,952 0,000 65,068 98,303 65,068 98,303
2.3. Proiecţiile de trend
Exemplu:
Daca vânzarile de jucarii au un varf in fiecare aditiv
decembrie, cu o crestere de 100000 lei fata de valoare
luna decembrie din anul anterior, atunci
previziunea trebuie sa creasca in luna decembrie
cu aceasta valoare, iar modelul este aditiv.
Daca se cunoaste ca exista o crestere de 40% a
vanzarilor in luna decembrie fata de restul anului,
atunci modelul este multiplicativ.
timp
Tabelul 1
Anul Trimestrul I Trimestrul II Trimestrul III Trimestrul IV
2017 4000 4200 5600 5900
2018 5200 5700 7200 9500
2019 4750 5200 6900 9500
2020 5900 6300 8250 ?
2021 ? ? ?
Algoritmul Holt-Winters - Aplicatie practica (WINQSB)
Pentru exemplificare:
S(1) = x(1)/m= 4000/4925=0,8122; unde m = (4000+4200+5600+5900)/4=4925
F(5) = x(5)/S(1) + (1-)[F(4)+T(4)] = 0,1·5200/0,8122 + 0,9·[4925+0]=5072,75
T(5) = β[F(5)-F(4)] + (1- β)T(5)= 0,2·[5072,75-4925] + 0,8·0 = 29,55
S(5) = γ x(5)/F(5) + (1- γ )S(1) = 0,3·5200/5072,75 + 0,7·0,8122 = 0,8761
în care la prima iteraţie S(1)=0,8122, T(0)=0
WinQSB versus QM for Windows
Teste de autoevaluare
Enunţaţi şi explicaţi ipotezele care stau la baza metodelor
de previziune bazate pe serii de timp.
Explicaţi rolul şi modul de determinare a constantei de
nivelare α utilizată în modelul de nivelare exponenţială.
Descrieţi asemănările şi deosebirile dintre metoda
mediilor mobile şi metoda nivelării exponenţiale.
Prezentaţi abordarea matematică şi interpretarea
economică a modelului de nivelare exponentiala primara.
Cum se poate determina cea mai bună valoare a constantei
de nivelare alpha?
37
Modelarea Deciziilor Manageriale,
Prof. dr. Carmen Nadia Ciocoiu
UNITATEA DE INVĂŢARE 3
Modelarea fenomenelor de piaţă
1. Indicatorii ofertei de mărfuri. Curba vieţii produselor.
2. Modelarea cu lanţurile Markov a evoluţiei pe piaţă a unor
produse concurenţiale.
Elemente si proprietăţi
Etape
Obiective urmărite
• Teste de autoevaluare
1
Obiective ale UI
Prin parcurgerea acestei UI veţi avea cunoştinţe despre:
cum se poate folosi curba vieţii produselor pentru a caracteriza
oferta de produse a unei firme prin indicatori specifici;
elementele, proprietăţile şi obiectivele urmărite de algoritmul
lanţurilor Markov folosit în analiza evoluţiei pe piaţă a produselor
concurenţiale.
cum se interpretează rezultatele furnizate de produsele informatice
QM si WINQSB, în cazul aplicaţiilor practice de determinare a
cotelor de piaţă ale produselor concurenţiale.
2
Introducere
În activitatea managerială studierea fenomenelor de piaţă ocupă un loc
important datorită implicaţiilor pe care acestea le au asupra rezultatelor
financiare ale organizaţiilor.
Cerinţele consumatorilor şi evoluţia produselor proprii în raport cu ale
concurenţei sunt aspecte ce se încearcă a se cunoaşte din timp de către
echipele de management.
Prezenţa ofertei de mărfuri în cadrul pieţei este rezultatul cercetării şi
cunoaşterii amănunţite a cererii de consum atât sub aspect static, cât şi
dinamic.
Principalii indicatori statici ai ofertei de mărfuri sunt: structura pe categorii a
mărfurilor pe piaţă la un moment dat, cantitatea de mărfuri pe piaţă la un
moment dat, durata de aşteptare a diferitelor mărfuri până la vânzare, etc.
Din punct de vedere dinamic oferta de mărfuri se poate analiza prin evoluţia
cantitativă şi calitativă în timp a produselor, evolutia cotei de piață,
diversificarea sortimentală şi înnoirea produselor oferite pe piaţă, etc.
Introducere
Politicile de înnoire şi diversificare a portofoliului de produse se
bazează într-o mare măsură, pe ciclul de viaţă al produsului (curba
vieţii produsului) şi pe analiza fazelor acestuia.
În raport cu evoluţia în timp a produsului şi cu ritmul creşterii
volumului de vânzări, ciclul de viaţă al unui produs poate fi descompus
în mai multe faze, fiecare având caracteristici specifice în raport cu
funcţiunile implicate, natura investiţiilor, oamenii-cheie şi decizia care
trebuie luată.
Ciclul de viaţă al produsului descrie vânzările şi profitul
produsului, consumatorii, competiţia şi acţiunile specifice de
marketing întreprinse de la apariţia acestuia şi până la înlăturarea
sa de pe piaţă, sau, mai precis, intervalul de timp cuprins între
momentul lansării unui produs pe o piaţă dată şi cel al retragerii
sale definitive de pe piaţă.
1. Indicatorii ofertei de mărfuri.
volum vanzari
Curba vieţii produselor
k=1
timp
lansare crestere maturitate declin disparitie
t = /
k t
− t
V= e dt
0
Se construiesc:
0 = (0,50; 0,35; 0,15) Vectorul cotelor de piata la momentul initial
0,5
0,4
0,3
0,2
0,1
0
1 2 3 4 5 6
luni
Produsul A1 Produsul A2 Produsul A3
2. Modelarea cu lanţurile Markov a evoluţiei pe
piaţă a unor produse concurenţiale
1 A1 0,1899 5,2667
2 A2 0,3544 2,8214
3 A3 0,4557 2,1944
Teste de autoevaluare
23
Modelarea Deciziilor Manageriale
UNITATEA DE INVĂŢARE 4
Modelarea proceselor decizionale în conditii de
incertitudine si risc
1. Conceptul, structura si elementele procesului de decizie
2. Decizii în condiţii de incertitudine
3. Decizii în condiţii de risc
3.1. Metoda valorii aşteptate
3.2. Valoarea informatiei perfecte
3.3. Arbori decizionali
• Teste de autoevaluare
1
Obiective ale UI
2
1. CONCEPTUL SI STRUCTURA
SISTEMULUI DE DECIZIE
DECIZIA - alegerea rationala intre mai multe variante în scopul
atingerii unui anumit obiectiv.
FAZELE PROCESULUI DE DECIZIE (Herbert Simon, 1982):
Definirea problemei
Analiza informatiei disponibile
Dezvoltarea solutiilor alternative
Alegerea variantei decizionale
Implementarea soluţiei alese.
CONDITII DE INCERTITUDINE:
Crit. Maxmax, Crit. Maxmin, Crit. Laplace,
Crit. Savage, Crit. Hurwicz
CONDITII DE CONCURENTA:
Teoria jocurilor
Elementele procesului decizional pot fi reprezentate matriceal -
Matricea decizională (tabelul consecinţelor decizionale)
1 2 ...n
PROBABILITĂŢI P1 P2 ...PN
u
v venit v
1. CONCEPTUL SI STRUCTURA
SISTEMULUI DE DECIZIE
Figura 2. Funcţie de utilitate Figura 3. Funcţie de
utilitate convexă/ concava/
simpatie faţă de risc aversiune fata de risc
u u
u
u
v venit v
v venit v
1. CONCEPTUL SI STRUCTURA
SISTEMULUI DE DECIZIE
Figura 4. Funcţie de utilitate
convexă – concavă/ simpatie şi aversiune
u
u2
u1
Decizia in
cond de risc
3. METODE DE DECIZIE ÎN CONDIŢII DE RISC
= p ( max Cij) -
j=1
j
i =1,..., m
max ( p jCij)
i =1,..., m
j=1
Tipuri de noduri:
▪ Noduri de decizie - D
▪ Noduri de tip incertitudine - C sau E
▪ Noduri de tip consecinta (noduri finale)
Tipuri de ramuri:
• Variante decizionale
• Stări ale naturii
3. METODE DE DECIZIE ÎN CONDIŢII DE RISC
3.3. Metoda arborelui de decizie
Reguli :
▪fiecare nod are un singur nod ascendent şi unul
sau mai multe descendente;
▪algoritmul de rezolvare se bazează pe
procedura “roll-back”: calcularea valorii
tuturor nodurilor de la cele finale către cele
iniţiale şi apoi selectarea deciziei optime
începând de la nodul iniţial către cele finale.
3. METODE DE DECIZIE ÎN CONDIŢII DE RISC
3.3. Metoda arborelui de decizie
D E
V2: Lot 700 Piaţă mediu favorabilă
1 9 28
3 (0,40)
Etape de rezolvare:
1. definirea problemei decizionale, a evenimentelor posibile
care condiţionează probabilistic consecinţele ale fiecărei
alternative decizionale.
2. reprezentarea grafică a nodurilor decizionale, a variantelor
decizionale şi evenimentelor care influenţează consecinţele
acestora sub forma unui arbore stilizat, cu un număr
variabil de ramificaţii, corespunzător variantelor şi
evenimentelor abordate.
3. determinarea consecinţelor decizionale aferente fiecărei
variante condiţionate de probabilitatea de apariţie şi
manifestare a evenimentelor respective
4. determinarea probabilitatilor de aparitie şi manifestare a
evenimentelor
3. METODE DE DECIZIE ÎN CONDIŢII DE RISC
3.3. Metoda arborelui de decizie
40
Modelarea Deciziilor Manageriale,
Prof. dr. Carmen Nadia Ciocoiu
UNITATEA DE INVĂŢARE 5
Modelarea deciziilor multicriteriale
• Obiective ale UI
• Teste de autoevaluare 1
Obiective ale UI
2
1. Multicriterialitatea în activitatea de
management
Situaţiile decizionale multicriteriale se regăsesc, în prezent, în fiecare aspect
al vieţii cotidiene.
Fundamentarea complexă a deciziilor impune folosirea mai multor criterii
decizionale, în special în firme, unde unul sau mai mulţi decidenţi iau decizii
ce vizează simultan mai multe obiective, adesea contradictorii.
Cu toate că problemele decizionale multicriteriale şi metodele de rezolvare a
acestora cunosc o mare varietate, există o serie de concepte comune frecvent
utilizate (o parte specifice şi deciziilor monocriteriale) în cadrul acestui tip
de decizii, şi anume:
– Obiectivele, Scopurile,
– Criteriile de evaluare a variantelor decizionale,
– Atributele decizionale corespunzatoare fiecarei variante prin prisma fiecarui criteriu
– Ponderea criteriilor / Coeficienţii de importanţă acordaţi criteriilor,
– Variantele decizionale / Cursurile de acţiune / Strategiile de acţiune,
– Stările naturii şi probabilităţile de manifestare a acestora (daca problema se trateaza in conditii
de risc si incertitudine).
Problemele în care se caută varianta decizională optimă în raport cu mai
multe criterii se numesc probleme de optimizare multicriterială.
În cazul optimizării multicriteriale se tratează distinct:
– optimizarea multiatribut;
– optimizarea multiobiectiv.
1. Multicriterialitatea în activitatea de
management
Optimizarea multiatribut Optimizarea multiobiectiv
(ex. Metoda utilitatii globale maxime, (ex. Programarea scop, metoda
metoda TOPSIS, metoda Electre) functiei sinteza de utilitate)
c1 c2 cj cn
Criterii … …
Coef. de …….
k1 k2 ….. kj kn
importanţă .
Variante
V1 a 11 a 12 … a1j … a 1n
V2 a 21 a 22 … a2j … a 2n
…
…
… …
Vi a i1 a i2 … a ij … a in
…
…
…
Vm a m1 a m2 … a mj … a mn
2. Decizii mutiatribut în conditii de certitudine
V1 3 -2 1
V2 3 -1 2
V3 2 -2 0
V4 3 -1 0
2. Decizii mutiatribut în conditii de certitudine
aj max − aij
În cazul criteriilor de minim: uij =
aj max − aj min
Se obtine astfel matricea normalizata a atributelor/consecintelor
decizionale.
2. Decizii mutiatribut în conditii de certitudine
UGi = k ju ij
j=1
,
Pasul 4. Se alege varianta Vi* cu utilitatea globală maximă.
Criterii de decizie
Termen de
Variante Durata de Cheltuieli de
recuperare a Suprafața
decizionale exploatare mentenanță
investitiei ocupată (mp)
(ani) (u.m./luna)
(ani)
Matricea utilităților
Criterii de decizie
Variante Termen de Cheltuieli de
Suprafața Durata de
decizionale recuperare a mentenanță
ocupată (mp) exploatare (ani)
investitiei (ani) (u.m./luna)
V1 0,43 1,00 0,50 0,49
V2 1,00 0,27 0,00 0,00
V3 0,00 0,00 1,00 1,00
Coeficient de
importanță 0,37 0,15 0,25 0,23
2. Decizii mutiatribut în conditii de certitudine
Aplicatie practica:
Termenul de Cheltuielile cu
recuperare a Suprafaţa Durata de mentenanţa
investiţiei (ani) ocupată (mp) exploatare (ani) (u.m./luna) Total
Var 1 0.16 0.15 0.13 0.11 0.55
Var 2 0.37 0.04 0.00 0.00 0.41
Var 3 0.00 0.00 0.25 0.23 0.48
3. Decizii multiatribut în conditii de risc
kj = 1.
j =1
3. Decizii multiatribut în conditii de risc
25
Modelarea Deciziilor Manageriale
UNITATEA DE INVĂŢARE 6
Modelarea structurii sortimentale a firmei cu modele de
programare (cu una şi cu mai multe funcţii obiectiv)
•Obiective ale UI
•Teste de autoevaluare 1
5. PROGRAMAREA LINIARĂ
MULTIDIMENSIONALĂ/ MULTIOBIECTIV
Metode:
Metoda maximizării unei funcţii sinteză de utilitate
Metoda programarii scop (Goal Programming)
5. PROGRAMAREA LINIARĂ
MULTIDIMENSIONALĂ/ MULTIOBIECTIV
Pentru determinarea unei soluţii care realizează cel mai bun compromis
pentru toate funcţiile se va construi o funcţie sinteză a tuturor funcţiilor
obiectiv numită funcţie sinteză de utilitate.
Funcţia sinteză de utilitate se obţine prin transformarea funcţiilor
obiectiv f1(x), f2(x), ..., fr(x), cu semnificaţii economice concrete, în
funcţii de utilitate care pot fi însumate.
Prin maximizarea funcţiei sinteză de utilitate în raport cu restricţiile
problemei (folosind algoritmul simplex) se obţine soluţia de compromis
cu utilitate maximă.
Pentru înțelegerea modelului se poate consulta exemplul practic din cartea Rațiu-
Suciu C, Luban F, Hincu D, Ciocoiu N, Modelare Economică, Ed ASE, 2009, St
caz 10, p. 165-167
5. PROGRAMAREA LINIARĂ
MULTIDIMENSIONALĂ/ MULTIOBIECTIV
i i
( d
i =1
+
+ −
i i )
d
supusă la restricţiile: Ax b
şi restricţiile „scop”: fi(x) = Vi + d+i - d-i => fi(x) - d+i+ d-i = Vi,
i = 1,...,N
cu restricțiile de nenegativitate: x 0
d+i 0, d-i 0, i = 1,...,N
5. PROGRAMAREA LINIARĂ
MULTIDIMENSIONALĂ/ MULTIOBIECTIV
•Teste de autoevaluare 1
Obiective ale UI
n
max (sau min) f(X) = c jx j
j=1
supusă la restricţiile:
AX b (sau AX ≥ b)
X 0 (se mai numesc restricții/condiții de nenegativitate)
1. OPTIMIZAREA MODELELOR DE PROGRAMARE
DE TIP LINIAR (cu variabile reale/continue)
unde:
X = vector coloană cu n componente x1, x2,...,xn, care reprezintă
necunoscutele modelului (variabilele decizionale);
A, b, c sunt constantele modelului, considerate certe în perioada
analizată;
A = matrice cu m linii şi n coloane. Este numită matricea coeficienţilor
tehnologici aij, i = 1,...,m, j = 1,...,n;
b = vector coloană cu m componente b1, b2, ..., bm, care sunt termenii
liberi din partea dreaptă a restricţiilor. Ei reprezintă disponibilul maxim
dintr-o anumită resursă sau nivelul minim care trebuie atins de anumite
activităţi;
c = vector linie cu n componente care reprezintă coeficienţii funcţiei
obiectiv. Ei pot fi costuri unitare, preţuri unitare, profituri unitare sau
alţi indicatori de performanţă care caracterizează variabilele de decizie.
1. OPTIMIZAREA MODELELOR DE PROGRAMARE
TIP LINIAR (cu variabile reale/continue)
Restricţiile liniare:
C1: x1 + x2 + x3 2500
C2: x1 + x2 + x3 3000
C3: 0.15x1 + 0.27x2 + 0.14x3 500
xj 0
3. ALTE APLICAȚII PRACTICE ALE PROGRAMĂRII
LINIARE
MODELE DE CROIRE
Pentru ramificarea unui nod, din soluţia problemei asociată acelui nod, se
alege o componentă xj cu valoare neîntreagă, xj = . Pornind de la această
variabilă se construiesc două probleme care generează două noduri
descendente:
Problema pentru nodul stâng: prin adăugarea restricţiei xj [], unde
[] este parte întreagă a numărului
Problema pentru nodul drept: prin adăugarea restricţiei xj [] +1.
Un nod NU se mai ramifică, adică devine margine, dacă:
are soluţie întreagă;
nu are soluţie admisibilă;
are soluţie neîntreagă, dar există alt nod cu soluţie întreagă şi o valoare
mai bună a funcţiei obiectiv
Exemplu practic: Modelarea structurii de productie si a posibilitatilor de
dezvoltare a unei organizatii, cu variabile numere intregi
x1 1 x1 2
Iteraţia 5 Iteraţia 2
Z= 5612,50 Z=5592,50
x1 = 1 x1 = 2
x2 = 7,7 x2 = 7
x3 = 2 x3 = 1,75
x4 = 1,9 x4 = 2
x2 7 x2 8 x3 1 x3 2
x1 1 x1 2
Iteraţia 2 Iteraţia 25
Z= 5612,50 Z=5592,50
x1 = 1 x1 = 2
x2 = 7,7 x2 = 7
x3 = 2 x3 = 1,75
x4 = 1,9 x4 = 2
x2 7 x2 8 x3 1 x3 2
Iteraţia 3 Iteraţia 22
Iteraţia 26 Iteraţia 27
Z=5175 Z=5382,50
x1 = 1 x1 = 0 Z=4967,95 Z=5570
x2 = 7 x2 = 8 x1 = 2,55 x1 = 2
x3 = 1,56 x3 = 2 x2 = 7
x2 = 5,64
x4 = 1,38 x4 = 1,5 x3 = 1 x3 = 2
x4 = 1,32 x4 = 2
Soluţia optimă
Continua ramificarea........................
Modelarea Deciziilor Manageriale
UNITATEA DE INVĂŢARE 7
Modele economico-matematice pentru utilizarea şi
alocarea resurselor în cadrul unei organizatii
• Obiective ale UI
Introducere
1. Elemente de programare dinamica. Teorema de optimalitate a lui Bellman
2. Modelul de analiză a drumului critic (ADC) pentru proiecte complexe
2.1. Elementele modelului
2.2. Analiza cost - durată (cazul duratelor deterministe)
2.3. Determinarea duratei totale a proiectului /cazul duratelor probabiliste
3. Modele analitice pentru procese de stocare
3.1. Necesitatea stocurilor
3.2. Elementele unui proces de stocare
3.3. Cerinţele unui model de stocare
3.4. Necesitatea grupării selective a stocurilor
3.5. Model analitic de stocare în cazul cererii constante 1
• Teste de autoevaluare
Obiective ale UI
2
Introducere
Obiectivul managementului resurselor este de a susține
firmele să își utilizeze eficient diferitele tipuri de resurse
(umane, financiare, de timp), atât în activitatea curentă, cât
și în proiecte.
n tmn t Mn
2. Modelul de analiză a drumului critic (ADC)
pentru proiecte complexe
2.1. Elementele modelului
În figura anterioara, se notează:
tmk = timpul minim al evenimentului k (timpul minim sau cel mai devreme
de începere a activităţilor care pornesc din nodul k)
tmk = max{tmi + dik; tmj + djk}
tMk = timpul maxim al evenimentului k (timpul maxim sau cel mai târziu de
terminare a activităţilor care ajung în nodul k)
tMk = min{tMl - dkl; tMm – dkm; tMn – dkn }
tmnod iniţial = 0
tMnod final = tm nod final
Activităţile cu rezerva totală de timp egală cu zero se numesc activităţi
critice;
Drumul critic = succesiune de activităţi critice care leagă nodul iniţial
(începutul proiectului) cu nodul final (sfârşitul proiectului)
2. Modelul de analiză a drumului critic (ADC)
pentru proiecte complexe
2.2. Analiza cost - durată (cazul duratelor deterministe)
Pentru fiecare activitate se estimează durata normală şi durata urgentată
(crash time) de realizare a acesteia, astfel încât:
durata urgentată durata normală
Urgentarea unei activităţi implică resurse suplimentare => creşterea
costurilor, deci:
Costul activităţii urgentate Costul normal
Costul unitar de urgentare al fiecărei activităţi =
Costul urgentat − Costul normal
Durata normala - Durata urgentata
1 A 20 11 2 11
2 B A 25 15 12 37
3 C B,E 26 16 15 45
4 D C,G,I 8 6 1 11
5 E 36 12 102 174
6 F A 9 7 2 14
7 G F 50 25 35 60
8 H 36 33 45 48
9 I H 40 30 32 52
10 J 22 12 11 24
11 K J 45 25 28 68
Studiul de caz 8: Calculul duratei de execuţie a unui proiect și
analiza cost-durată (duratele activităţilor sunt deterministe)
Graficul cost-durata
Cost total
Cost maxim A
Buget dat C
? D
Cost minim E
Durata totală
DU Dint DN
?
2. Modelul de analiză a drumului critic (ADC)
pentru proiecte complexe
2.3. Determinarea duratei totale a proiectului
in cazul duratelor probabiliste
Pentru fiecare activitate se estimează: o durată optimistă (aij), una
medie probabilă (mij) şi o durată pesimistă (bij).
Durata unei activităţi are o distribuţie beta şi se calculează cu relaţia:
a ij + 4m ij + bij
d ij =
6
Dispersia duratei de execuţie a activităţii (i,j) se calculează cu relaţia:
2
b −a
ij2 = ij ij
6
Dispersia este o măsură a gradului de nesiguranţă în evaluarea duratei
unei activităţi.
Metoda PERT permite calcularea timpului mediu de terminare a unei
acţiuni complexe în cazul în care duratele activităţilor nu se cunosc
cu exactitate.
Studiul de caz 9: Calculul duratei de execuţie a unui proiect în cazul
în care duratele activităţilor sunt probabiliste
1 A 10 16 20
2 B A 15 20 26
3 C B,E 14 20 24
4 D C,G,I 5 7 9
5 E 14 24 35
6 F A 6 8 10
7 G F 26 40 45
8 H 32 34 37
9 I H 30 35 42
10 J 12 17 19
11 K J 24 35 43
Studiul de caz 9: Calculul duratei de execuţie a unui proiect în cazul în
care duratele activităţilor sunt probabiliste
UNITATEA DE INVĂŢARE 8
Simularea proceselor economice:
Modele de simulare. Elemente de bază
Obiective ale UI
1. Conceptul de simulare
2. Aplicaţii economice ale simulării
3. Etapele simulării
4. Simularea Monte Carlo
5. Alte tipuri de simulare
Teste de autoevaluare
1
Obiective ale UI
2
1. Conceptul de simulare
Simulare = simulatio = capacitatea de a reproduce sau de a imita.
Prin simulare, sistemul real este înlocuit cu un sistem artificial.
În simulare, modelul sistemului real este utilizat ca obiect asupra
căruia se fac experimente, urmărind să se determine efectele
diferitelor variante decizionale asupra unor indicatori de
performanţă.
Simularea este recomandată în special în cazul problemelor
decizionale care NU pot fi abordate prin metode analitice de
optimizare.
Simularea Nu oferă soluţie optimă, ci se alege varianta care
conduce la cea mai bună valoare a criteriului de performanţă.
1. Conceptul de simulare
Simularea = o tehnică de realizare a experimentelor cu calculatorul electronic şi
presupune utilizarea unor tipuri de relaţii matematice şi logice necesare pentru
descrierea comportamentului şi structurii unui sistem real complex de-a lungul unei
perioade lungi de timp.
Simularea presupune utilizarea:
– a 3 elemente principale:
– sistemul real
– calculatorul
– modelul sistemului
– şi a 2 relaţii: de modelare şi de simulare
Tipuri de simulare:
– Simularea Monte Carlo
– Simularea evenimentelor discrete
– Simularea tip Forrester (simularea sistemelor continue, dinamica sistemelor)
– Simularea tip joc
2. Aplicaţii economice ale simulării
Lansarea unui nou produs pentru care cererea şi/sau preţul sunt variabile aleatoare.
Determinarea politicilor de control al stocurilor (mărimea comenzii de aprovizionat,
nivelul stocului curent la care se lansează o nouă comandă de aprovizionare, nivelul
stocului de siguranţă etc.) în cazul în care ritmul de aprovizionare şi/sau cererea de
consum sunt variabile aleatoare.
Dimensionarea unor facilităţi de servire (numărul staţiilor de servire, ritmul de servire) în
procesele de aşteptare caracterizate prin intervale aleatoare între sosiri (solicitări de
servicii) şi durate aleatoare de servire.
Analiza proceselor de reparaţii ale utilajelor în vederea programării producţiei şi/sau
investiţiilor în funcţie de distribuţia de probabilitate a defecţiunilor şi a ritmului de
efectuare a reparaţiilor.
Estimarea duratei de finalizare a unui proiect complex în care duratele activităţilor
proiectului sunt mărimi aleatoare.
Probleme de programare operativă a producţiei în care intervin mărimi aleatoare
referitoare la durata prelucrării pe diferite maşini, ritmul aprovizionării cu materiale,
produse intermediare etc.
3. Etapele simulării
19