Cursul 1

Bibliografie:

 Dobre, Fl. Mustață: ”Simularea proceselor economice”, editura Inforesc, București

1996
 M. Stoica, Fl. Mustață: ”Simularea proceselor economice. Studii de caz” editura ASE,
București 1981
 Floarea Mustață, M. Păun, I Dobre: ”Simularea numerică proceselor economice”,
editura ASE 2000

Modelarea și simularea proceselor economice este o disciplină economică de graniță cu

economia întreprinderii, matematică și tehnică de calcul.
Simularea este una din tehnicile cantitative cele mai folosite în managementul firmelor
atunci când:
- Nu este posibilă găsirea unei soluții analitice;
- Simularea matematică este unica metodă disponibilă deoarece modelul real de studiat
este dificil;
- Experimentarea reală este prea scumpă sau greu de realizat;
- Nu este justificată funcționarea sistemului pentru verificarea eficacității unor politici;
- Nu este timp suficient pentru a permite sistemului să opereze ”în extenso”.

Modelarea și simularea proceselor economice are legături strânse cu multe discipline

dintre care cele mai importante sunt: teoria generală a sistemelor, cercetări operaționale,
teoria deciziei, cibernetică, informatică, statistică, teoria probabilităților. Ea este concepută
astfel încât să ofere o serie de metode și tehnici necesare acțiunilor manageriale la nivel
microeconomic sau macroeconomic.

Modelarea și simularea proceselor economice presupune cunoscute modele de tip static

din programarea liniară, modele de bază din teoria stocurilor, a firelor de așteptare, teoria
grafurilor precum și cunoștințe de calcul probabilistic.

Modelele specificate mai sus pornesc, de regulă, de la ipoteze simplificatoare și se referă

la probleme de dimensiuni relativ mici care conduc la soluția optimă pe baza unui criteriu, ele
nefăcând altceva decât să ofere o deschidere către problematica economică, nicidecum soluții
viabile pe perioade lungi de timp și care implică aspecte multiple și complexe.

Astfel, a apărut necesitatea creerii unor modele economico-matematice deosebit de

elastice care surprind dinamica fenomenului studiat și legitinuitatea sa de desfășurare,
relalizând prin mijloace artificiale, experiențe asupra fenomenului în scopul studierii legilor
sale de funcționare pentru a descoperi defectele sau avantajele unui anumit tip de organizare
în vederea studierii reacției sistemului la diferite perturbații pentru a stabili strategii de
prevenire a acestora.
În funcție de tehnica de calcul de care dispunem, se alege o formă simplă sau mai
complexă a modelului pentru a observa prin intermediul calculatorului, comportamentul
sistemului în diferite condiții și redarea proiectării unui sistem îmbunătățit.

Simularea poate fi împărțită în:

- Simularea probabilistică
- Simularea numerică (matematică)
- Simularea analogică (în funcție de natura echipamentului folosit)

Simularea probabilistică este un experiment artificial în care cercetătorul examinează

completarea unui model abstract al unui proces economic folosind ca date de intrare
eșantioane de valori artificiale.
La baza obținerii acestor valori artificiale de selecție stau șirurile de numele aleatoare
uniform distribuite într-un anumit interval. Printre problemele care nu pot fi rezolvate cu
ajutorul calculatorului se află una mult discutată și anume incapacitatea acestuia de a genera
numere pur aleatoare.

Programele implementate se bazează pe diverși algoritmi de generare ( numită

generatoare de numere aleatoare) și folosesc un număr sau mai multe numere de start numite
sămânță (respectiv sămânțe).

Prin urmare, calitatea șirului generat depinde în mod hotărâtor de sămânța(sămânțele)

considerată.

Aceste șiruri se numesc pseudoaleatoare.

Se folosesc însă programe de generare a unor șiruri de numere pseudoaleatoare care au

avantajul că în orice moment un astfel de șir poate fi reprodus și folosit în repetarea unui
experiment de simulare sau pentru realizarea unui alt experiment prin modificarea unei
variabile de intrare.

Simularea numerică (matematică) se clasifică în:

- Simularea tip foc
- Simularea prin metoda Monte Carlo
 Simularea tip foc constă în atașarea la un sistem economic a unui model care este astfel
conceput încât să descrie dependențele logice dintre variabile și parametrii acestui sistem.
Variabilele se schimbă, parametrii rămân constanți în cadrul aceluiași ciclu de simulare,
dar care se schimbă la cicluri distincte.
Scopul unei astfel de simulări este de a obține informații privind starea sistemului
economic și comportarea acestuia în timp.

În funcție de tipul variabilelor, simularea de tip foc poate fi dirijată sau aleatoare.
În cea dirijată, variabilele de intrare sunt deterministe, iar în cea aleatoare, variabilele sunt
aleatoare.
Experimentarea constă în atașarea unor valori arbitrare variabilelor din model și
observarea efectului asupra performanțelor sistemului.

Metoda Monte-Carlo – asociază problemei reale un model probabilist și prin generarea

unor variabile aleatoare legate funcțional de soluție se realizează experiențe pe model
furnizându-se informații asupra soluției problemei deterministe.
În funcție de natura echipamentului folosit avem simularea analogică. Prin simulare
analogică înțelegem folosirea unor sisteme (dispozitive) ale căror legi de conduită sunt
identice cu legile de conduită ale sistemului studiat.

Pentru simularea proceselor economice trebuie identificate analogiile dintre comportarea

unor sisteme economice și cea a unor sisteme aparținând altor științe sau discipline.
Simularea analogică poate fi:
- Directă, atunci când se realizează o analogie directă între sistemul original și sistemul
(dispozitivul) cu ajutorul căruia se face simularea (simulator)
- Indirectă, atunci când la bază are loc reproducerea structurilor matematice cu ajutorul
unor elemente operaționale capabile să efectueze operații aritmetice.
Acest tip de simulare prezintă o serie de avantaje cum ar fi: viteza ridicată de obținere a
rezultatelor, posibilități de urmărire a fenomenelor tranzitorii, posibilități de urmărire și
adaptare la un număr mai mare de probleme economice prin interconectarea elementelor
componente.

Pentru a realiza un studiu al unui sistem printr-o simulare numerică trebuie străbătuți
următorii pași:
Pasul 1: Formularea corectă și completă a problemei pe baza:
 - Analizei comportamentului proceselor și fenomenelor din cadrul sistemului
- Formulării corecte a cerințelor la care trebuie să răspundă modelul de simulare
- Identificării variabilelor de interes major
Pasul 2: Colectarea datelor atât pentru estimarea parametrilor și a formelor funcționale ale
modelului și construirea modelului preliminar
Pasul 3: Testarea preliminară a modelului folosind aceleași date ca la estimarea parametrilor
Pasul 4: Testarea suplimentară a modelului conform unor proceduri speciale care pe baza
unor date specifice realizează predicții ale procesului studiat.
Dacă rezultatele confirmă validarea modelului, se continuă cu pasul următor, în caz contrar se
reia de la pasul 2.
Pasul 5: Se proiectează experimentul de simulare având în vedere scopul simulării și
probabilitățile concrete de realizare ale acestuia.
Pasul 6: Realizarea efectivă a unui număr prestabilit de experimente pe baza unor scheme de
simulare, ceea ce presupune generarea unor situații posibile (variante) de evoluție a
sistemului.
Pasul 7: Se face o analiză matematico-economică a rezultatelor obținute în urma efectuării
experimentelor de simulare, ceea ce presupune o evaluare a consecințelor acestor variante
asupra indicatorilor de eficiență ai sistemului modelat și a unor indicatori statistici asociați
variabilelor de ieșire din model.
Dacă este necesar se fac modificările care se impun în model.
Pasul 8: Se testează dacă obiectivul simulării a fost atins, dacă da, se trece la pasul 9. Dacă
nu, se reiau pașii începând cu pasul 6.
Pasul 9: Se implementează rezultatele simulării în sistemul real.

Modelele de simulare suportă o structură deosebită datorită pe de o parte posibilității

obținerii unui număr foarte mare de variante finalizate, iar pe de altă parte varietății
traiectoriilor de evoluție a sistemului simulat.
Structura modelelor de simulare depinde în mare măsură de tipul variabilei numită
”variabila ceas” cu ajutorul căreia se măsoară deplasarea (evoluția) sistemului în timp față de
un punct sau o stare de referință (inițială).
Se cunosc două astfel de structuri:
- Structuri cu deplasare constantă
- Structuri cu deplasare variabilă

Într-o structură cu deplasare constantă, variabila ceas ce măsoară deplasarea sistemului în

timp are o creștere constantă, adică:
tk+1 – tk = k
 Indiferent de momentele de apariție a evenimentelor (Pi) în cadrul sistemului.
Acest tip de structură poate fi reprezentat grafic astfel:

Aceste modele oferă o serie de facilități atât din format de vedere constructiv cât și al
timpului de calcul necesar obținerii soluțiilor.
Într-o structură cu deplasare variabilă, valorile variabilei ceas ce măsoară deplasarea
sistemului în timp sunt determinate de momentele de apariție (producere) a evenimentelor în
cadrul sistemului, adică:

Acest tip de structură permite luarea în considerare a tuturor evenimentelor ce se

produc pe întreaga durată a procesului de simulare, dar cu inconvenientul că necesită un timp
mai mare de calcul al soluțiilor ceea ce face mult mai dificilă construcția modelului de
simulare.
Atât la nivel micro, cât și macro-economic este de preferat să se lucreze cu modele de
simulare a căror structură de deplasare este constantă.
 CURS 2
Metode de generare a valorilor variabilelor aleatoare
Generarea șirurilor de numere uniform repartizate pe [0, 1]
În simularea proceselor economice este necesară generarea cu calculatorul a unor
mulțimi de numere aleatoare având o repartiție de probabilitate dată.
Acest proces ocupă o pondere relative mare în timpul total de execuție.
Deoarece generarea artificială a secvenței de numere aleatoare, care se face după
reguli precise, afectează caracterul aleator, secvența de numere obișnuită se va numi secvențe
de numere pseudoaleatoare.
Uneori se pot folosi șiruri de numere care au doar anumite proprietăți statistice utile
experimentării, fără a fi însă aleattoare sau pseudoaleatoare. Ele se numesc cvasialeatoare.
Numerele aleatoare trebuie să satisfacă următoarele condiții:
1. Să fie uniform repartizate într-un interval dat. Intervalul standard considerat este [0,
1], iar funcția de repartiție uniform are forma:

2. Să fie statistic independente. Acest lucru se poate confirma cu ajutorul testelor

statistice.
3. Să fie reproductibile, astfel încât să poată fi testate diverse programe sau comparații
între diverse variante.
4. Repartiția funcției să fie stabilă, adică să nu se schimbe în timpul rulării programului
de generare cu ajutorul calculatorului.
5. Șirul generat să aibă o perioadă de repartiție mare și predeterminată.
6. Generarea șirului să se poată efectua cu viteză mare și consum redus de memorie
internă.

Șirurile de numere aleatoare sunt aproximate de șirurile de numere pseudoaleatoare.

Cu cât primele 5 codiții sunt mai riguros respectate, cu atât aproximarea este mai corectă.
Metodele de generare cunoscute determină o apropiere suficient de mare între cele două
tipuri de numere, ceea ce ne permite să folosim denumirea de numere aleatoare în loc de
numere pseudoaleatoare.
Metode de generare a numerelor aleatoare
Principalele clase de metode de generare a numerelor aleatoare sunt:
- Metode manual: zaruri, urne cu bile, etc.
- Metode fizice care se bazează pe analogii dintre unele procese fizice cu caracter
intrinsic aleator: procese radioactive, procese electronice generatoare de zgomot alb,
etc.
- Metode de memorizare a numerelor aleatoare (tabele)

Aceste metode folosesc de regulă memoria internă sau externă a calculatorului și oferă
avantajul reproductibilității. Ek pleacă de la tabele de tip RAND.

Se pot folosi și alte tabele, cum ar fi: cartea de telefon, tabele de logaritmi, etc., dar numai
după efectuarea unor teste de uniformitate (pentru a stabili că sunt uniform distribuite)

- Metode analistice folosesc relații de recurență: Un șir de numere (Un)n€N * se spune

că este recurrent dacă între termenii șirului există o formula de recurență și un număr
k fixat k € N* astfel încât:

Șirul astfel construit posedă proprietățile statistice ale unui șir de valori ale unei
variabile aleatoare uniform repartizate sau supusă unei anumite legi de repartiție.
Există diverse procedee analistice care au fost algoritmizate având însă neajunsul că
ele conduc după un anumit număr de generări la șiruri periodice. Acestea înseamnă că
într-un șir foarte mare de numere pseudoaleatoare există un indice k astfel încât:

Numărul k reprezintă lungimea intervalului de aperiodicitate a șirului.

Numărul s- h reprezintă lungimea perioadei.
 Pentru a nu se obține rezultate eronate este necesar ca șirul generat, de numere aleatoare
să nu depășească ca lungime, lungimea perioadei h-s (N < h-s) unde N este numărul maxim
de cicluri necesare simulării, adică lungimea șirului necesar pentru întreg procesul de
simulare a sistemului dat, în ipoteza că fiecare ciclu folosește în calcule un singur număr
aleator.
Dacă această restricție nu este îndeplinită este necesar să se considere un alt sistem de s
numere inițiale și să se genereze un alt șir. Operația se repetă până condiția este îndeplinită.
Una dintre cele mai cunoscute metode de generare a numerelor pseudoaleatoare este cea
dată de John von Neumam și care se numește metoda ”mijlocului pătratului”.

Metoda ”mijlocului pătratului”

Presupunem că baza de reprezentarea numerelor întregi este b (2 sau10), numere cu
care lucrăm și că toate numerele sunt formate din 2a cifre, completând cu cifra 0 pusă în fața
numărului (dacă numărul nu are 2a cifre).
De regulă se aleg numere formate din 8 cifre, deci a = 4.
Fiind dat numărul aleator Un, atunci următorul număr Un+1 va fi creat (format) din
cifrele din mijlocul numărului U2n care are 4a cifre.
Formula matematică de formare a lui Un+1, plecând de la Un este:

unde b este baza de reprezentare a numerelor, iar [] – partea întreagă a unui număr.
Metoda ”mijlocului pătratului” cere existența unei singure valori inițiale U0, iar
relația de recurență folosită pentru determinarea numerelor din șir este relația (*)
Se recomandă ca 2a = 8 și că cel puțin două cifre ale numărului inițial să fie diferite
de 0 și anume: prima cifră a numărului și cel puțin una din mijlocul numărului.
Această metodă este însă o sursă slabă de numere pseudoaleatoare, în sensul că șirul
obținut prin această metodă se poate reproduce.
Astfel pentru a=2, b=10, U0 = 3792 => U02 = 14379264 => U1 = 3792 => U2 = 3792
…
Această metodă a stat la baza programului de generare a numerelor aleatoare sunt
Metropolis. Folosind acest program (1955 – 1960) cercetătorul G.E.Forsythe încercând
diferite valori de start (pentru U0) a considerat că există cazuri de șiruri care degenerează
luând valoarea 0.
 Pentru ca șirurile create prin această metodă să aibă valori în [0, 1], numerele din
trebuie împărțite la b2b.
Se observă că folosind aceeași valoare inițială, obținem aceeași secvență de numere,
deci metoda furnizează șiruri reproductibile(condiția 3).
Din cauză că această metodă s-a dovedit o metodă slabă de generare a unor șiruri de
numere pseudoaleatoare, au fost căutate alte tipuri de metode.
Metodele care au fost create și studiate riguros din punct de vedere teoretic și care au
condus la rezultate bune sunt metodele congruențiale, care utilizează teoria claselor dde
resturi. Ele sunt cele mai răspândite și stau la baza diferiților algoritmi de generare a
numerelor aleatoare (generatori).
Metodele congruențiale se impart în:
- Metode congruențiale aditive;
- Metode congruențiale multiplicative;
- Metode congruențiale mixte.

Metode conguențiale aditive

Fie x1, x2, …. Xr numere inițiale
Formula de recurență prin care se construiește orice alt element din șir este:
 Șirurile determinate printr-o metodă congruențială aditivă sunt calitativ slabe.

Metode congruential multiplicative

Aceste metode au la bază sistemul de numere [x0, a, 0, m] unde:
- m este numărul cu ajutorul căruia se construiesc clasele de resturi
Ele trebuie să fie strict pozitiv, prime și foarte mari.
- a este un multiplicator, care trebuie ales astfel ca a ≈ radical din m, pentru a asigura o
slabă dependentă a numerelor ce constituie șirul, deci nu spunem că avem un șir de
valori aleatoare de calitate bună.
- X0 este termenul inițial al șirului și el trebuie ales astfel încât să fie prim cu m: (x 0, m)
= 1 și 0 <= x0 < m
Formula de generare pentru xi (x=> 1) este

Observație: Mm algoritmii creați pe baza acestei metode s-a considerat valoarea lui
m=231 – 1
 Metode congruențiale mixte
Aceste metode folosesc sitemul de numere [x0, a, c, m] unde:
X0- este valoarea inițială
m – numărul folosit la crearea claselor de resturi
a – multiplicator
c – constantă întreagă

Condițiile impuse numerelor x0, a, m sunt aceleași ca cele de la metodele

congruențiale multiplicative, condiții ce conduc la generarea unor șiruri aleatoare de calitate
bună.
Relația de recurență folosită este:

Observație: Pentru a aduce șirurile construite prin metode congruențiale în intervalul

[0, 1] se vor împărți numere din șir la m.
Astfel, șirul 7, 6, 9, 0, 7, 6, 9, 0 .... prin împărțire la m = 10 devine:
0,7; 0,6; 0,9; 0; 0,7; 0,6; 0,9;0...............
 Condițiile impuse în alegerea numerelor m, x0, a conduc la realizarea unui șir
pseudoaleator de lungime maximă.
Fiecare limbaj de simulare și aproape fiecare limbaj de programare are propriul său
generator de numere aleatoare uniform distribuite în [0, 1].
O altă posibilitate de a obține șiruri pseudoaleatoare uniform distribuite în [0, 1] este
oferită de metodele comparative.
În cazul acestui tip de metodă se presupune că dispunem dya de n numere
pseudoaleatoare repartizate uniform pe [0, 1].
Algoritmul de generare prin metoda comparative este următorul:
Pasul 1: Se citesc x1……xn (n=> 100) numere aleatoare uniform distribuite în [0, 1].
Pasul 2:

Pasul 3:

Pasul 4: Se repeat pașii 2, 3 până când se ajunge la lungimea dorită a șirului de numere
pseudoaleatoare.

Pentru a îmbunătăți calitatea șirului de numere generate putem folosi următorul

algoritm ce are la bază o metodă combinațională de generare. Astfel, algoritmul are următorii
pași:
Pasul 1: Cu ajutorul unui generator G1 se obțin N numere întregi, pseudoaleatoare uniform
repartizate în intervalul [1, p], p € N. Un număr n generat în [1, p] este folosit ca indice
pentru a extrage din p numere pseudoaleatoare uniform repartizate în [0, 1] un număr care se
înregistrează în secvența de numere generate.
Pasul 2: Cu ajutorul unui generator G2, bazat pe metoda congruential multiplicativă se
generează un nou număr uniform repartizat în [0, 1] care înlocuiește numărul extras la pasul
1.
Algoritmul se oprește atunci când s-a obținut șirul droit de numere.
Pasul 3: Se repeat pașii 1 și 2 de câte ori e necesar, astfel încât să se obțină o lungime dorită
în procesul de simulare.

Exemplu:
Cu G1 se obțin valori întregi în [1, 20].
Fie acestea:
S1: {5, 13, 17, 19, 2, 3, 5, 7, 9, 10, 13, 11, 7, 18, 17, 12, 1, 6, 3, 13}
Presupunem că dorim să construim un șir format din 10 numere.
Pentru acesta generăm folosind generatorul G2, obținem un șir de p=20 numere uniform
repartizate în [0, 1]. Fie acestea:
S2: {0,7; 0,3; 0,8; 0,1;0,6; 0,13; 0,77; 0,44; 0,5; 0,3; 0,9; 0,14; 0,55; 0,42; 0,71; 0,01; 0,1;
0,23; 0,81}
Luând primul număr din șirul S1, adică 5 el va folosi ca poziție a elementului ce va fi extras
din al doilea șir, și va construi primul element dintr-un nou șir cu N elemente.
Astfel: pe poziția 5 avem elementul 0,6 (în S2). Acesta va fi extras și înlocuit cu un număr cu
ajutorul lui G2. Fie acestea 0,12.
Folosind al doilea număr din șirul S1 ca poziție a unui element în S2 obținem (extragem) pe
0,55 care va fi înlocuit cu un alt număr obținut folosind generatorul G2. Foe acesta 0,24.
Procedeul se repetă până obținem un șir de N=10 valori.
Astfel: șirul extras va fi 0,6; 0,55; 0,01...........
 Curs 3 SPE
Generarea numerelor pseudoaleatoare cu funcții de repartiție date
Fie X o variabilă aleatoare cu o distribuție cunoscută.
Statistica matematică ne pune la dispoziție modele experimentale care prin realizarea
lor evidențiază valori posibile ale variabilei X.
În simularea numerică aceste experimente sunt înlocuite cu calcule relativ simple
realizate în 2 etape:
P1. Se generează unul sau mai multe șiruri de numere uniform distribuite pe [0, 1].
P2. Se aplică un algoritm prin care s transformă șirul generat la P1 într-un șir de numere
pseudoaleatoare cu repartiție dată.

Metode generale:
1. Metoda transformării inversei
2. Metoda compunerii
3. Metoda respingerii

Metoda transformării inversei

Ideea de bază constă în utilizarea inversei funcției de repartiție ca formulă de
transformare, conform lemei.
Lema Smirnov-Hicin:
Se consideră variabila aleatoare X ce are funcția de repartiție F(x).
Fiind date valorile de selecție u1....un ale variabilei aleatoare U, uniform repartizate
pe [0, 1], se pot obține valori de selecție x1….xn ale variabilei X cu ajutorul transformării:
Xi = F-1(ui) i=1,n

Cazul 1: Când variabila aleatoare X este continua. Presupunem că F(x) funcția de

repartiție a lui X este continuă și ușor de inversat.
Observație: Dacă F-1(x) nu se poate explicita atunci se poate folosi expresii
approximative(care conduc, evident la erori de calcul).
P1: Se generează un șir de numere pseudoaleatoare uniform repartizate pe [0, 1].
Fie acestea z1.....zn.....

P2: Operația 1 – se consideră un termen oarecare al șirului: zk = F(x1), F(x1) € (0, 1)

deci x1= F-1(zk+1)
 Operația 2 – se consideră termenul de rang k+1. Simular => există x2 astfel încât

Operația n

Exemplu: În modelele de fire de așteptare, ritmul serviciilor urmează o lege

exponențial negativă de parametru lamda
Cunoscând că densitatea de probabilitate este:

Rezultă că funcția de repartiție

Funcție care este strict crescătoare

OBS. Parametrul poate avea semnificația de număr de clienți serviți pe unitatea de
timp
Pentru lambda= 0, graficul lui F(x) este

Fie Z un număr din șirul de valori aleatoare uniform repartizate ni [0, 1].
Atunci:

Deci:

Graficul lui F-1(Z) este:

Cazul 2: când variabila aleatoare X este discretă și are distribuția:

Funcția de repartiție este:

Se notează:

Algoritmul de calcul pe baza transformării inversei

P1. Se generează un șir de numere pseudoaleatoare uniform distribuite pe [0, 1]:
Z1, z2, ........zn
P2. Operația 1
Se consideră un termen al șirului, de ex. Z1 € [0, 1] știind că F(x) ia valori în [0, 1]
pentru orice x € R și este și strict crescătoare, înseamnă că există k 1 € {0, 1, ….., n} astfel
încât:

Rezultă că prima valoare a variabilei aleatoare X generată astfel va fi x1 = k1

Repetând operația 1 de un număr dorit de ore obținem un șir de valori pentru variabila
aleatoare X: k1, k2, ...., kp, inversa funcției F(x) având forma:
Exemplu: Fie variabila aleatoare X cu o distribuție binomială

Pentru cazul particular n = 3, p = 0,25

Și deci:

În

Deoarece prima valoare posibilă a lui X este 0, atunci se verifică notațiile:

Prin urmare:
F1 = 0; F0=p0=0,42;
F1 = p0+p1 = 0,84
F2 = 0,98
F3 = 1
Deci dacă Z € (F1, F0) => k1 =0 (z € [0, 0,42])
Iar dacă z € [F0 F1) => k2 = 1
(z € [0,42, 0,84)) ș.a.m.d

Metoda respingerii
John von Neumann propune în 1951 o metodă prin care se generează valori posibile
pentru o variabilă aleatoare X dacă aceasta îndeplinește următoarele condiții:
- Valorile posibile sunt în [a, b] cu a<b; a, b € R, b<infinit
- Densitatea de probabilitate f(x) este o funcție mărginită pe [a, b]

Presupunem că avem o variabilă aleatoare X care îndeplinește condițiile cerute.

Notăm cu fM = max f(x), deci x € [a, b]

Putem spune că și

Pentru obținerea unui șir de numere aleatoare de lungime m € N * cu densitatea de

probabilitate f(x) se va proceda astfel:
Pasul 1. Se face schimbarea de variabilă x:
X= x-a/b-a pentru ca domeniul noii variabile x să fie [0, 1]
Deci x=(b-a)x + a și f(x) = f(a + (b-a)x) = f(x)
Pasul 2. Se face o schimbare de ordonată astfel încât f(x) să ia valori tot în [0, 1], adică:

Se observă că:

Astfel, domeniul inițial:

Se transformă în:

Pasul 3. Se vor genera 2 șiruri de numere aleatoare uniform distribuite pe [0, 1]:

Pasul 4. Se formează perechile de numere aleatoare: (Zk1, Zk2), k=1,n

Pasul 5. Se testează dacă: (1) Dacă da, atunci se acceptă

(Zk , Zk ) și se va considera x1 = z1 ) de unde x1=(b-a)x1 +a care va fi primul termen al
1 2 1

șirului de valori ale lui x.

 Dacă relația (1) nu este verificată adică atunci se
respinge perechea (Zk1, Zk2).

Pasul 5. Se repetă pentru toate celelalte perechi (k >= 2), iar procesul de generare ale
valorilor lui X când șirul {xk}k€N*are m termini.

Observație: Eficiența metodei este dată de numărul respingerilor dintre două

acceptări care depind de raportul dintre media frecvențelor. Dacă acest raport este frecvența
maximă apropiată de valoarea 1, spunem că metoda este eficientă.
Exemplu:
Fie variabila aleatoare X ce are densitatea de probabilitate

Aplicând metoda respingerii obținem:

Pasul 1. Schimbarea de variabilă x este inutilă căci x € [0, 1].
Pasul 2. Schimbarea ordonatei
Se observă că f(x) este strict crescătoare pe [0, 1], deci își atinge maximul în x=1

Prin urmare:
Pasul 3.

Pasul 4. Perechile de forma (Zk1, Zk2) sunt (0,21, 0,28); (0,01; 0,91); (0,51; 0,59); (0,33; 0,07)
Pasul 5.

Metoda compunerii sau amestecării

În 1956, James Butler propune metoda mixturii funcțiilor de repartiție care se aplică
dacă variabila aleatoare X care trebuie generată are funcția de repartiție de forma:
 F(x) se numește amestecarea discretă a funcțiilor de repartiție G k(x) după repartiția
indicelui:

Adică: Dacă se notează cu Zj variabila aleatoare care are pe Gj(x) funcție de repartiție,
spunem că X=Zj cu probabilitatea pj.
Algoritmul propus are următorii pași:

Pasul1. Se notează
Se inițializează j=1

Pasul 2. Se generează o valoare u uniform repartizată în [0, 1]

Pasul 3. Dacă u > Fj => j = j+1 și se calculează din nou Fj și se reia P3.
Dacă u <= Fj atunci se trece la pasul 4.
Pasul 4. Se generează X ca Zj ( x = Zj)
STOP.
 CURS 4
Metode de generare a valorilor posibile ale variabilelor aleatoare N(m, sigma)

Teorema limită centrală

Fie (Xn) n€N un șir de variabile aleatoare independente și identice repartizate care
admit momente de ordin 1 și 2 finite pe M(Xn) < infinit
Dacă (Xn)n€N este un șir de variabile aleatoare ale cărui termen generat este definit
pe

atunci Yn -> Z € N(0,1) convergent având la ni repartiție adică(i.e) pentru x € R lui

Fn(x) = lim P(Yn < x) =

Caz particular
X= U variabiă aleatoare uniform pe [0, 1]
Obs. Când avem variabilă aleatoare identic repartizată => x1......xn este o selecție de volum n
asupra variabilei X
Deci de X1 X2 ... Xn identică cu X € U [0, 1] =>
 Teorema limită centrală poate fi folosită pentru generarea valorilor posibile ale unei
variabile aleatoare N(0, 1)
O valoare convenabilă a lui n este evident n=12, deoarece în acest caz
Y = U1 + U2 + ..... Un ce are D(Y) = 1
(D(Y) = n/12, M(Y) = n/2)
S-a constatat că dacă volumul selecției satisface condiția n > 10, atunci variabila Z =
Y- n/2 / radical n/12 -> N(0,1)
Observație: Această metodă de generare a valorilor posibile pentru variabila
aleatoare N(0, 1) este deci o metodă aproximativă care prezintă însă avantajul de a fi rapidă.
Există și alte metode exacte de generare a unor valori de selecție artificiale pentru N(0, 1)
bazate pe aceeași teoremă limită centrală care ar fi:
- Metoda polonă
- Metoda lui Butcher
- Metoda lui Teochroew

Surse
1. Din teorema de mai sus => prin asumarea unui număr relativ mare de numere
pseudoaleatoare uniform distribuite pe [0, 1] se obțin numere repartizate normal
2. Dacă se ține seama de faptul că ni cazul variabilelor aleatoare variabile dependente pe
[0, 1] dispersia = 1/12 => facilități de calcul dacă se consideră 12 numere
pseudoaleatoare variabile dependente pe [0, 1]

Pentru a genera valori posibile pentru normala N(m, sigma) se utilizează următorul
algoritm:
Pasul 1. Se generează 12 numere pseudoaleatoare variabile discrete pe [0, 1] U1…….U12
Pasul 2. Se calculează numărul

Pasul 3. Se generează numărul

Pasul 4. Se repetă pașii 1, 2, 3 până când se generează numărul total de valori posibile pentru
N(m, sigma), necesar în experimentul de simulare.
Pe scurt:
Generatorul arată astfel:

Aplicație:
Un om de afaceri dispune de o sumă S=9106 lei pe care dorește să o investească în
diferite active financiare și reale (aur, valute, bonuri de tezaur, acțiuni, pământ, imobiliare),
alcătuind dobânda predicată de BCX este o variabilă aleatoare 3 discretă cu următoarea
repartiție:

Rezolvare:
Scopul simulării
În ipoteza că azi faci o investiție S, la sfârșitul unui an vei avea o sumă Sf iar Profit =
Sf – S
Pregătirea simulării
Orizont de timp = 1 an = 12 luni
Variabilele aleatoare de intrare sunt:
$ : N(3,55; 0,05)
Acțiuni Facebook: U [20, 40]
Dobânda Y: ( )
Vom genera valori posibile alea variabilei aleatoare X ~ N(3,55; 0,05)
Pentru aceasta se generează un șir de numere pseudoaleatoare Ud/ [0, 1] cu un număr
foarte mare de termeni.
Se consideră apoi subșiruri de câte 12 termeni ale acestui șir și cu ajutorul acestor
subșiruri se va genera o valoare a dolarului exprimată în lei

Dar X € N(3,55; 0,05)

 m = 3,55 = cursul mediu lunar (medie a cursului în 30 de zile)
 sigma = 0,05 = abaterea medie pătratice de la cursul mediu lunar, într-o lună

Continuând procedeul de generare a valorii medii a dolarului ecprimate în lei pentru

lunile martie, aprilie …………… decembrie se vor obține diverse valori
 Acul lui Buffon
Pe un plan sunt trasate drepte paralele astfel încât distanța între oricare 2 drepte
consecutive = 2a.
Pe acest plan se aruncă la întâmplare un ac de lungime = 2l cu 2l < 2a
Vom arăta cum se poate deduce o valoare aproximativă pentru pi folosind acest
experiment.
Pentru acesta se pune întrebarea care este probabilitatea ca acul să intersecteze una
dintre aceste drepte.

Pentru a exprima poziția acului față de cele 2 drepte, vom măsura distanța de la
mijlocul său(M) la cea mai apropiată dreaptă (MP1) cât și unghiul făcut de ac cu dreapta (=
alfa)
Notăm MP1 = d = distanța
d <= l < a
Se observă că d € [0, a], iar alfa € [0, pi]
Așadar poziția acului este determinată de cele 2 valori: d, alfa, valori ce pot fi
considerate coordonatele unui punct în palnul alfa0d
Deci mulțimea pozițiilor posibile ale acului (adică a punctelor de coordonate (alfa,d) )
este dată de domeniul D din următoarea figură:
 Dar acul va intersecta una din drepte doar dacă MP1 <= MP2  d <= l sin alfa

Dacă reprezentăm grafic funcția g(alfa) = l sin alfa; alfa € [0, pi] obținem curba C, iar
mulțimea punctelor pentru care d <= l sin alfa se situează în domeniul D.
Calculând probabilitatea ca acul să intersecteze una din drepte =>

Deci, efectuând experimentul de m numere mari d ori putem calcula P și deco pe pi.
Cu cât n = numărul de aruncări este mai mare, cu atât aăroximarea lui pi este mai bună.
 Curs 5
Analiza rezultatelor experimentale de simulare
Scopul principal al construirii unui model de simulare este de a realiza experimente de
tip „Ce se întâmplă dacă...”
Dacă modelul este o bună reprezentare a sistemului real, atunci rezultatele obținute
prin experimente ar putea indica ce s-ar fi putut întâmpla dacă experimentele ar fi avut loc în
sistemul real.
Timpul și numărul experimentelor de simulare de cele mai multe ori se stabilesc abia
după ce modelul de simulare a fost construit.
Există 2 tipuri de experimente care pot fi realizate ca model de simulare:
1. Experimente pentru determinarea efectelor unei singure variante
2. Experimente pentru compararea mai multor variante
Prin realizarea experimentelor de simulare se obțin mai multe valori care reprezintă
selecții din valorile posibile ale indicatorului de performanță care se analizează.
În terminologia teoriei probabilității mulțimea tuturor valorilor posibile ale unei variabile
probabiliste se numește populație.
În baza selecțiilor se pot face interferențe asupra parametrilor populației. De obicei, se
estimează media și abaterea standard.
Deși parametrii determinați pe baza datelor unei selecții sunt estimații punctuale (fiecare
parametru este estimat printr-un singur număr) ele nu pot spune cât de precise sunt aceste
estimații și prin urmare rezultatele experimentelor de simulare reprezintă rezultate de selecție
și nu furnizează prin ele însele informații necesare pentru a obține concluzii vitale asupra
indicatorului de performanță analizat.
Apare astfel necesitatea cunoașterii unor elemente din teoria distribuțiilor de selecție.

Distribuții de selecție
Mediile selecțiilor făcute dintr-o populație nu sunt identice, prin urmare avem o
distribuție de probabilitate a mediei care se numește distribuția mediei de selecție. Ea este o
distribuție continuă, iar dacă volumul selecției este destul de mare ( n >= 30) forma
distribuției va fi aproximativ normală. Acest rezultat se numește teorema limită centrală care
afirmă că:
Dacă volumul unei selecții este suficient de mare, atunci media X de selecție
întâmplătoare dintr-o populație are o distribuție normală, indiferent de forma distribuției
frecvențelor relative ale populației din care provine selecția.
Cu cât volumul selecției este mai mare, cu atât distribuția mediei va fi mai aproape de
distribuția normală.
Media obținută pe baza mai multor medii de selecție are o proprietate foarte importantă:
 - Media mediilor de selecție (miu X) estimează media populației (miu): miux = miu
Totuși există o eroare asociată acestei estimări, eroare care depinde de volumul
selecției.
Dacă volumul selecției este mare, atunci eroarea este mică.
Eroarea standard a mediei (sigma x) se determină pe baza relației:

unde:
- sigma este abaterea standard a populației;
- n este volumul selecției.
Cu aceste rezultate se poate calcula probabilitatea ca media valorilor unei selecții să
fie într-un interval specificat, prin utilizarea variabilei aleatoare Z cu distribuție normală
standard:

De obicei, în sistemele reale, pe baza observațiilor se obține o singură selecție de

volum n. Pe baza datelor acestei selecții se calculează media valorilor selecției care se
consideră o bună estimație a mediei reale.
Pentru a cuantifica această eroare, se face mai întâi ipoteza conform căreia media de
selecție X este media miuX a distribuției mediilor de selecție și apoi se construiește un
interval în care se așteaptă să se găsească media reală cu un nivel de încredere specificat.
Mărimea intervalului depinde atât de eroarea standard, cât și de probabilitatea ca acest
interval să conțină media reală.
Convenția este de a utiliza fie probabilitatea de 95%, fie 99%
Observație: Dacă probabilitatea ca intervalul să conțină media reală crește, atunci va crește și
mărimea intervalului și prin urmare va scădea precizia.

Exemplu:
În cazul distribuției normale standard (cu probabilitatea de 95%) avem:
 Valoarea Z = -1,96 corespunde ariei de 0,025 din stânga corespunzătoare P(Z < -
1,96) = 0,05
Iar
Z = 1,96 corespunde ariei de 0,025 din dreapta corespunzătoare P(Z > 1,96) = 0,025
Suma acestor probabilități definite ariile distribuției normale este notată cu alfa, deci
intervalul va avea nivelul de încredere 1 – alfa (Obs. Aria totală este integrala f(x)dx = 1).
Amintim că alfa se mai numește eroare de probabilitate de tip I sau nivel de semnificație.
Pentru a transforma o variabilă aleatoare X cu o distribuție normală într-o variabilă
aleatoare Z cu o distribuție normală standard N(0, 1) se utilizează formula:

Observații:
1. Dacă deviația standard (sigma) a populației este cunoscută, iar volumul selecției este
mai mare de 30, atunci intervalul de încredere 1-alfa pentru media reală miu este:
 2. Este puțin probabil să fie cunoscută deviația standard a populației din care s-a făcut
selecția și prin urmare se folosește o estimație a acesteia:

unde X = media de selecție obținută pe baza

celor n valori de selecție.

În acest caz, intervalul de încredere pentru medie se folosește distribuția t, care este o
distribuție simetrică, la fel ca cea normală, doar că e mai plată și astfel ariile laterale sunt mai
mari.
Prin urmare, pentru aceeași valoare alfa, jumătatea intervalului de încredere este mai
mare, ceea ce compensează incertitudinea generată de necunoașterea lui sigma.
Gradul de aplatizare se reduce dacă volumul selecției crește.
Dacă volumul selecției este peste 50, aproape că nu există diferență între distribuția t
și cea normală.
Valoarea lui t depinde de gradele de libertate ale selecției, adică de numărul de
parametrii necunoscuți ce trebuie estimați.
În acest caz, a fost estimat un parametru care este deviația standard.
Intervalul de încredere 1-alfa pentru media reală miu este prin urmare:

unde n -1 = grade de libertate

Determinarea prin experimente de simulare a consecințelor unei variabile decizionale

Acest tip de experimente pot fi utilizate când se cunoaște faptul că o modificare a
modelului va produce o schimbare a valorii criteriului de performanță.
Pe baza distribuțiilor obținute prin simulare se pot calcula indicatorii statistici sintetici
pentru evaluarea consecințelor economice și a riscului corespunzător.
Astfel:
- Speranța matematică (adică media variabilei aleatoare) poate fi o măsură a profitului
realizat;
 - Abaterea standard poate fi o măsură a riscului;
- Coeficientul de variație (măsurat ca fiind abaterea standard/medie) poate fi
considerată măsura riscului/ pe unitatea de efect obținut.

De asemenea, distribuția de probabilitate cumulată a valorilor generate prin simulare

poate fi folosită pentru definirea profilului de risc al variantei decizionale analizate, deoarece
se poate determina probabilitatea de a obține pierderi.

Intervale de încredere pentru medie pe baza rezultatelor simulării

Pentru a aplica teorema limită centrală este necesar ca numărul ”n” de experimente
realizate prin execuția modelului de simulare să fie mai mare de 30 și să se repete execuția
modelului de N ori pentru a obține distribuția mediilor de selecție.
Prin utilizarea unor șiruri de numere aleatoare pentru fiecare execuție a modelului
obținem medii independente și normal distribuite care pot fi folosite pentru determinarea
intervalelor de încredere și a testelor statistice pentru media reală a indicatorului analizat.
Se poate controla precizia rezultatelor (ceea ce reprezintă un avantaj al selecțiilor prin
simulare) prin mărirea numărului de execuții ale modelului:
Pentru intervalul de încredere 1-alfa a mediei reale miu avem expresia:

unde:

- reprezintă media mediilor Xi rezultate din N

repetări ale execuției modelului (Obs! Fiecare execuție are n experimente de simulare)
 s = este deviația standard a mediilor selecțiilor obținute prin simulare

- reprezintă valoarea din tabelele statisticii t pentru nivelul de semnificație

alfa/2 și N-1 grade de libertate
Dacă limitele intervalului sunt prea largi, atunci trebuie mărit numărul N de execuții
ale modelului.
Procesul continuă până când intervalul devine satisfăcător.
 CURS 6
Metode de generare a valorilor posibile ale unei variabile aleatoare N(m, sigma)
Teorema limită centrală
Fie {Xn}n€N un șir de variabile aleatoare independente, identic repartizate care admit
momente de ordinul 1 și 2 finite: M(Xn); M2(Xn)<infinit.
Dacă (Yn)n€N este un șir de variabile aleatoare ale cărui termen general este definit
prin:

atunci Yn -> Z € N(0, 1), convergența având loc în repartiție, adică: pentru x € R

Caz particular:
Fie X = U variabilă aleatoare uniform repartizată pe [0, 1]
Observație: Când avem variabile aleatoare identic repartizate putem spune că X1............Xn
reprezintă o selecție de volum n asupra variabilei X. Deci fie X1.......Xn identic repartizate cu
X € U [0, 1] =>

Teorema limită centrală poate fi folosită pentru generarea valorilor posibile ale unei
variabile aleatoare N(0, 1)
O valoare convenabilă a lui n este evident n = 12, deoarece în acesr caz:
 S-a constatat că dacă volumul selecției satisface condiția n > 10 atunci variabila Z= Y
– n/2 / radical n/12 -> N(0, 1)
Observație: Această metodă de generare a valorilor posibile pentru variabila
aleatoare N(0, 1) este deci o metodă aproximativă care prezintă însă avantajul de a fi rapidă.
Există și alte metode exacte de generare a unor valori de selecție artificiale pentru
N(0, 1) bazate pe aceeași teoremă centrală cum ar fi:
- Metoda polară
- Metoda lui Butcher
- Metoda lui Teichroew

Surse:
1. Din teorema de mai sus rezultă prin însumarea unui număr relativ mare de numere
pseudoaleatoare uniform distribuite pe [0, 1] se obțin numere repartizate normal.
2. Dacă se ține seama de faptul că ni cazul variabilelor aleatoare uniform definite pe [0,
1] despensez = 1/12 = facilități de calcul dacă se consider 12 numere pseudoaleatoare
uniform definite pe [0, 1]

Pentru a genera valorile posibile pentru normala N(m, sigma) se utilizează următorul
algoritm:
Pasul 1. Se generează 12 numere pseudoaleatoare uniform variabile pe [0, 1] U1……U12
Pasul 2. Se calculează numărul:

Pasul 3. Se generează numerele

Pasul 4. Se repetă pașii 1, 2, 3 până când se generează numărul total de valori posibile pentru
N(m, sigma), necesar în experimentul de simulare.
Pe scurt:
Generatorul arată astfel:

Aplicație:
Un om de afaceri dispune de o sumă S = 9106 lei pe care dorește să o investească în
diferite active financiare și reale (aur, valute, bonuri de tezaur, acțiuni, pământ, imobile)
alcătuind portofoliu.
Omul de afaceri nu cunoaște venitul real pe care îl va obține după o anumită perioadă
(1 an), dar încearcă să acționeze la începutul acestei perioade astfel încât la sfârșitul perioadei
profitul său să fie maxim.
Presupunând că investitorul acționează cu prudență, realizați un experiment de
simulare pentru a forma un portofoliu cu dispersie minimă în următoarele ipoteze:
1. Suma va fi investită în 3 active financiare după cum urmează:
20% din sumă în $
35% din sumă în acțiuni de Facebook
45% din sumă în depozite în lei

2. Efectuarea unor studii statistice cu privire la evoluția cursului leu - $, a dobânzii și

a valorii activelor, la Facebook s-a concretizat prin următoarele informații:
Cursul leu - $ se confruntă aleator, având o repartiție normală cu media m = 3,55
și abaterea medie pătratică sigma = 0,05
Valoarea unei acțiuni la Facebook este o variabilă aleatoare u. d [20, 40]
 Dobânda predicată de B €X este o variabilă aleatoare discretă cu următoarea
repartiție:

Rezolvare:
Scopul simulării
În ipoteza că azi faci o investiție S, la sfârșitul unui an vei avea o sumă Sf, iar Profit =
Sf – S.

Pregătirea simulării
Orizont de timp = 1 an = 12 luni

Variabilele aleatoare de intrare sunt:

$ : N (3,55; 0,05)
acțiuni Facebook U [20, 40]
dobânda Y: ( )
Vom genera valorile posibile alea variabilei aleatoare X – N(3,55; 0,05)
Pentru aceasta se generează un șir de numere pseudoaleatoare ud/ [0, 1] cu un număr foarte
mare de termeni.
Se consideră apoi subșiruri de câte 12 termeni ale acestui șir și cu ajutorul acestor subșiruri se
va genera o valoare a dolarului exprimată în lei.
m = 3,55 = cursul medii lunar (medie a cursului în 30 de zile)
sigma = 0,05 = abaterea medie pătratice de la cursul mediu lunar, într-o lună)
Continuând procedeul de generare a valorii medii a dolarului exprimate în lei pentru lunile
martie, aprilie ................. decembrie – se vor obține diverse valori.
 CURS 7
Metoda Monte Carlo
Termenul de ”Monte Carlo” se utilizează pentru metoda ce desemnează o tehnică care
presupune înlocuirea unui fenomen real ce presupune înlocuirea unui fenomen real cu un
experiment statistic care va fi studiat cu ajutorul tehnicilor moderne de calcul și în care
variabilele aleatoare ce intervin în model sunt obținute prin procedee de generare adevărate.
Aceste variabile aleatoare trebuie să fie estimate cu abatere cât mai mică în raport cu
cele ce apar în realitate și experimentul trebuie să fie repetat în număr convenabil de mare de
ori pentru a se pune în evidență principalele trăsături ale fenomenului modelat.
Metoda își demonstrează eficiența în analiza fenomenelor și proceselor care se produc
în sistemele caracterizate printr-un număr foarte mare de variabile și parametrii, prin relații
complexe între componentele sistemului, prin factorii perturbatorii și prin modificări ale
evoluției în timp (model dinamic).
Această metodă cuprinde în realitate mai multe tehnici de simulare în cadrul cărora
analiza fenomenului real se înlocuiește cu analiza unui fenomen artificial, descris de un
model, prin rezolvarea căruia se generează pentru variabile, valori aleatoare.
Folosirea acestei metode nu impune cu necesitatea cunoașterii relațiilor exacte dintre
mărimile ce urmează a fi estimate, ci este suficient să fie pus în evidență acel complex de
condiții în prezența cărora experimentul respectiv are loc.
Ideea metodei a apărut încă din 1777 când Buffon (matematician francez) a formulat
celebra problemă a calculului probabilității de intersecția a unui ac aruncat la întâmplare pe o
suprafață plană pe care sunt trasate drepte paralele echidistante, ideea care în 1860 datorită lui
Barbier a permis calculul numărului pi prin aruncări succesive ale unui ac.
Pentru aplicarea metodei la studiul difuziei neutronilor în materiale fisionabile, Fermi
și alți fizicieni au folosit listele de numere aleatoare care se publicau la cazinoul de la Monte
Carlo, de aici și denumirea metodei.
În literatura de specialitate, pentru această metodă se folosesc o serie de denumiru
echivalente, cum ar fi: metoda încercărilor echivalente, metoda experimentelor statistice,
simulare numerică, metoda numerelor aleatoare.
 Descrierea metodei
Folosirea metodei Monte Carlo presupune asocierea unui model statistic, procesului
(fenomenului) ce urmează a fi analizat.
Metodologia constă în următoarele:
a. Se stabilește numărul variabilelor aleatoare și se iau în considerare X1...........Xn
b. Pentru fiecare variabilă aleatoare Xi ( i = 1, n) se face un număr de observații, după
care se fac studii statistice pentru a le exprima cu o abatere cât mai mică în
probabilitate în raport cu cele considerate reale.
În final pentru fiecare variabilă aleatoare se va specifica distribuția sa statistică.
c. Pe baza unor procedee de generare a numerelor aleatoare se generează șiruri de
numere aleatoare cu distribuții corespunzătoare celor estimate anterior
d. Ținând seama de modelul elaborat și de obiectivul ales, se aplică metode matematice
adecvate pentru a pune în evidență, cu ajutorul acestor șiruri diferite variante posibile
și/sau soluții viabile
Se face apoi studiul statistic al valorilor funcției obiectiv (scop) sau al valorilor ce
trebuie estimate.
e. Dacă abaterea medie pătratică este mai mare decât cea impusă, se mărește numărul de
termeni ai șirului, în scopul obținerii unui grad de precizie dorit

Metoda se distruge prin simplitatea și generalitatea ei.

Neajunsul metodei constă în convergența ei lentă. Este vorba de convergența în
probabilitate, specifică problemelor ce admit o descriere probabilistică.
Majorarea schemelor metodei Monte-Carlo se bazează pe ”legea numerelor mari”
pentru variabile aleatoare independente.

Exemple:
Să vedem cum se aplică metoda Monte Carlo la calculul integralelor simple:

Fie
Vom calcula integrala prin metoda clasică a integrării prin părți:
 Să vedem cum funcționează metoda Monte-Carlo pentru calculul aproximativ al lui I.
Pasul 1. Se generează un șir de n € N* valori posibile pentru variabila x ce este uniform
repartizată pe [1, 2].
Pentru acest lucru generăm un șir de n € N* de valori uniform repartizate xi în [0, 1]
după care le aducem în intervalul [1, 2] conform formulei:

Pasul 2. Se calculează valori posibile ale variabilei aleatoare f(x) i=1,n, cât și valoarea mediei
de selecție: f(x1), f(x2).............f(n)

care reprezintă o estimare absolut corectă a

valorii mediei teoretice a lui f(x):

Fiind o estimare absolut corectă a mediei teoretice, vom egala cele două medii:
Observație: Pentru a obține o estimație a valorii integralei, se recomandă repetarea pașilor 1
și 2 de un număr p € N* de ori, considerându-se același număr de valori generate. Prin
urmare, vom avea p rezultate I1, I2, ..........., Ip ce vor fi prelucrate statistic.
Dacă abaterea medie pătratică depășește o valoare impusă, de exemplu 0,001, atunci
se repetă procedeul cu un număr mai mare de termeni.

Valoarea finală obținută pentru

S-a aplicat metoda pentru n=30 și de 10 ori s-a obținut:

Se observă că eroarea este destul de mare, acest lucru datorându-se faptului că n=30
este mic ca număr de numere pseudoaleatoare uniform repartizate în [0, 1].
 Metoda observațiilor instantanee (metoda FLASH)

Aceasta este o metodă de control și conducere care se bazează pe observații făcute

intermitent asupra unui proces.
Ea este folosită de obicei pentru măsurarea gradului de ocupare al unui utilaj sau al
unei persoane care execută un anumit serviciu.
Metoda FLASH ia în considerare o singură variabilă x care poate lua:
a. Două valori în cazul în care procesul este binar
x = 0 – dacă se constată nonexistența procesului
1 – în caz contrar
b. k valori k € N
k diferit de 0 atunci când procesul (fenomenul) k diferit de 1 poate avea mai
multe stări observabile și identificabile instantaneu.

Această metodă prezintă următoarele avantaje:

a. înlocuiește observația continuă a procesului cu una discontinuă
b. aplicarea metodei nu cere o pregătire deosebită celui ce trebuie să constate starea
sistemului
c. observatorul nu are voie să interpreteze starea sistemului, ci numai să o constate
d. se poate determina gradul de precizie a rezultatelor

Specific acestei metoda este faptul că pe baza unor evaluări calitative ale fenomenului,
evaluări ce vor fi prelucrate după anumite reguli se vor trage concluzii cantitative.
În urma efectuării unui tot de observații (n observații) se trec într-un tabel date legate de
acestea. Un exemplu de astfel de tabel este următorul:
 Compararea mai multor variante decizionale
Compararea mai multor variante decizionale se poate face prin mai multe metode:
a. Metode bazate pe medii și dispersii
b. Metode bazate pe compararea distribuțiilor de probabilitate
c. Metode bazate pe compararea profiturilor de risc

a. Pentru a stabili care din variante va avea rezultatul dorit sunt necesare teste statistice
pentru a stabili dacă diferențele sunt într-adevăr semnificative.
Este necesar și de dorit ca în simularea diferitelor variante să fie utilizate aceleași
șiruri de numere aleatoare.
Dacă se folosesc șiruri de numere aleatoare diferite atunci diferența dintre rezultatele
variantelor este cauzată atât de strategiile utilizate în fiecare variantă, cât și de
numerele aleatoare utilizate.
Diferența reală dintre cele două variante nu poate fi detectată din cauza ”zgomotului”
determinat de numerele aleatoare diferite.
Acest ”zgomot” poate fi redus prin utilizarea aceluiași șir de numere aleatoare.
În acest caz, rezultatele nu mai pot fi considerate independente pentru că ele sunt
generate de aceeași factori întâmplători.
Deci, se vor utiliza teste statistice care nu presupun independența dintre rezultate.
Prin urmare, dacă în simularea diferitelor variante se utilizează șiruri diferite de
numere aleatoare, atunci rezultatele obținute sunt independente și deci se poate folosi
testul t pentru compararea a două medii (pentru rezultatele cu distribuție normală) sau
teste neparametrice pentru alte tipuri de rezultate.
În cazul rezultatelor cu distribuție normală, analiza riscului asociat mai multor
variante poate fi realizată prin reprezentarea grafică a mediilor abateriilor standard.
Cu ajutorul metodei bazate pe medii și dispersii pot fi eliminate variantele
dezavantajoase.

Exemplu:
O firmă își propune să producă 5 produse noi. Pentru fiecare produs, se realizează
simulări pentru a determina profitul, calculând și media și dispersia profitului fiecărui produs.
Managerul dorește să maximizeze riscul cu care se confruntă firma.
Presupunem că avem grafic următoarea situație:
 Să analizăm situațiile X și Y. Observăm că atât X, cât și Y specifică realizarea
aceluiași profit, dar X este mai riscant ca Y, și deci putem spune că Y domină pe X.
Dacă analizăm X și Z constatăm că ele indică același nivel al riscului, dar Z oferă un
profit mediu mai mare și prin urmare putem spune că Z domină pe X.
Pentru T și V se observă că V domină pe T. Deci Managerul are de ales între Y, Z, V.
Alegerea depinde de gradul de aversiune la risc al decidentului (managerul).

b. Pe baza distribuțiilor obținute prin simulare, pentru fiecare variantă decizională se pot
compara probabilitățile de a avea pierderi sau probabilitățile de a atinge un anumit
nivel al unui indicator economic.
De obicei, o împrăștiere mai mare a distribuției de probabilitate arată o incertitudine
mai mare în obținerea unei valori reale.
Putem spune că împrăștierea distribuției calculată cu ajutorul abaterii medii pătratice
(deviația standard) poate fi luată ca măsură a riscului asociat variantei decizionale.

c. Distribuția de probabilitate cumulată a valorilor generate prin simulare poate fi

folosită pentru definirea profiturilor de risc ale variantelor în vederea analizei acestora
pe baza criteriilor de dominanță stochastică.
Cele mai utilizate forme de dominanță stochastică bazate pe funcții ale distribuțiilor
de probabilitate cumulată sunt:
c1. Dominanța stochastică de gradul I
c2. Dominanța stochastică de gradul II
c1. Dominanța stochastică de gradul I are loc când funcțiile distribuțiilor de probabilitate
cumulată ale variantelor comparate nu se intersectează.

Se observă că produsul P4 are probabilitatea de 0.6 pentru a realiza un profit <= 900
um. Produsul P3 are P(Profit P2 <= 900) = 0.8, deci spunem că P4 are o dominanță
stochastică de ordin I asupra lui P3.

c2. Dominanța stochastică de gradul II are loc când funcțiile distribuțiilor de probabilitate
cumulată se intersectează cel puțin o dată.
Această metodă se aplică dacă se face ipoteza că decidentul are aversiune la risc
(adică funcția sa de utilitate este concavă). În acest caz, pentru a determina varianta
dominantă este necesară compararea atât a lungimilor intervalelor de profit în care variantele
sunt dominante, cât și suprafețele corespunzătoare intervalelor în care sunt dominante.
În concluzie, calculele necesită utilizarea unor programe de simulare specializate ca
de exemplu: @RISK; RISKview, Crystal Ball; PREDICT, etc.
 Exemple de domeniu de aplicație a metodei de simulare numerice
Metoda PERT
În problemele de determinare a duratei optime de execuție a unui proiect, metoda
CPM (Critical Path Method), care asociază proiectului un graf în reprezentarea activitate-arc
sau activitate-nod, furnizează informații utile în procesul de conducere a proiectului (timpi
minimi de începere și/sau terminare, timpi maximi de începere/terminare, rezerva totală sau
liberă de timp, drumul critic și durata totală minimă), dar nu ține seama de posibilele variații
ale duratelor de execuție ale diverselor activități.
Metoda PERT (Program Evaluation and Review Technique) încearcă să corecteze
acest lucru.
Metoda permite calcularea timpului mediu de terminare a unui proiect, identificarea
activităților critice, precum și estimarea probabilităților de realizare a termenelor planificate.
Pentru că în practică duratele activităților sunt insuficient cunoscute (mai ales în
domeniul cercetării și dezvoltării) sau chiar incerte, folosind concepte statistice, duratele
activităților sunt considerate variabile aleatoare caracterizate prin media și dispersia lor.
Metoda PERT pornește de la metoda analizei drumului critic care atașează unui
proiect un graf al activităților, considerând că pentru orice activitate din graf căreia îi
corespunde un arc de la nodul i la nodul j, se estimează trei tipuri de durată:

- aij = durata optimistă care este dată de durata minimă de execuție a activității în
condiții normale de execuție;
- mij = durata cea mai probabilă care este durata cu cea mai mare șansă de realizare în
condiții normale
- bij = durata pesimistă care este durata maximă de realizare, atunci când există
împrejurările cele mai defavorabile de execuție.

Metoda PERT pornește de la următoarele ipoteze:

Ip1. Asociază fiecărei activități trei tipuri de durate: durata optimistă (a ij), durata cea mai
probabilă (mij) și durata pesimistă (bij)
O rețea înzestrată cu cele 3 tipuri de durate pentru activitățile sale se numește rețea
PERT.

Ip2. Durata fiecărei activități este o variabilă aleatoare cu o distribuție de tip beta.
 Se presupune distribuția beta pentru că aceasta are următoarele caracteristici:
a. intersectează axa absciselor în q puncte aij și bij care corespund duratei optime și
duratei pesimiste.
b. este unimodală, adică are o singură valoare maximă care corespunde duratei celei mai
probabile.
c. valoarea bij – aij reprezintă intervalul de variație a distribuției variabilei aleatoare și
poate indica gradul de împrăștiere a duratelor posibile.

Ip3. Durata medie de execuție a unei activități tij este dată de formula:

Ip4. Dispersia duratei de execuție a unei activități este:

și reprezintă gradul de nesiguranță în estimarea duratei de execuție a activității de la i la j.

O valoare mare a dispersiei înseamnă o mare nesiguranță în privința duratei sale de
execuție.

Ip5. Durata totală a proiectului este o variabilă aleatoare cu distribuție normală având media
și dispersia:
Ip6. Probabilitatea de realizare a duratei planificate Tplan a unui proiect se determină
calculând întâi factorul de probabilitate Z.

și apoi pe baza datelor din tabelul funcției Laplace se determină probabilitatea:

Ip7. Graful trebuie să conțină un număr suficient de mare de activități pentru a se întruni
condițiile aplicării teoremei limită centrală, iar duratele activităților să fie variabile aleatoare
independente.

Ip8. Dacă sunt stabilite termenele planificate de finalizare pentru fiecare activitate, adica
Tplan, atunci pentru a determina probabilitatea ca fiecare activitate să fie executată la
termenul planificat se calculează mai întâi factorii de probabilitate:

tij – este termenul minim de terminare al activității de la i la j, și apoi utilizând tabelul

funcției Laplace se pot determina:
 Algoritm pentru rezolvarea unui proiect care are atașat un graf de tip
PERT

Pasul 1. Se determină pentru fiecare activitate durata medie de realizare folosind formula 1.
Pasul 2. Se determină termenele activităților după procedeele analizei drumului critic,
considerând duratele activităților determinate și egale cu mediile lor.
Pasul 3. Se determină dispersia duratei fiecărei activități utilizând formula 2.
Pasul 4. Se calculează durata totală de execuție a întregului proiect T și dispersia D = sigma 2
conform formulelor 3 și 4.
Pasul 5. Se determină probabilitatea de realizare a duratei planificate a proiectului (Tplan)
utilizând formulele 7 și 8 pe baza tabelului Laplace.
Pasul 6. Se analizează probabilitatea de realizare a duratei proiectului, ținând seama de
următoarele criterii:
- dacă P(T negat < Tplan) <= 0.25 atunci există un mare risc ca oriectul să nu se
realizeze la termenul planificat și din această cauză sunt necesare măsuri de urgentare
a execuției activităților de pe drumul critic.
- dacă P(T negat < Tplan) = 0.5 atunci se consider că programarea este pustă
- dacă P(T negat < Tplan) >= 0.6 atunci știm că programarea utilizează în mod excesiv
anumite resurse.
Pasul 7. Dacă sunt date termene planificate de execuție a fiecărei activități, atunci se
calculează probabilitatea ca fiecare activitate să fie executată la termenul planificat utilizând
relațiile 5 și 6.
Pasul 8. Se analizează aceste probabilități ținând seama de următoarele criterii:

- dacă atunci trebuie luate

măsuri de urgentare a execuției activității de la i la j
 - dacă atunci știm că activitatea are șanse de a fi executată la
termenul planificat.

Un tabel PERT are următoarea formă:

Observații:
Calculele PERT conduc la erori destul de importante deoarece:
- ipoteza că durata medie a proiectului estimată prin calculele PERT este întotdeauna
optimistă, adică: mai mică decât cea reală
- metoda PERT oferă rezultate corecte doar dacă drumul critic este suficient de lung în
comparație cu orice alt drum complet, astfel încât probabilitatea să existe un alt drum
critic este practic neglijabilă și dacă drumul critic are suficient de multe activități
astfel încât teorema limită centrală să poată fi aplicată.

Prin urmare, informațiile obținute în urma calculelor PERT nu sunt suficiente pentru
conducătorul de proiect. În cazul nerealizării unei activități care nu aparține drumului
critic se pot produce perturbații mari în rețea mergând până acolo încât determină un alt
drum critic.
Pentru eliminarea acestor dezavantaje, se utilizează metoda MonteCarlo de simulare.
 Modelul de simulare PERT (prin metoda Monte-Carlo)

În definirea modelului pornim de la următoarele considerente:

- activitate (i, j) ale unui proiect P ce este reprezentat prin rețeaua G au duratele tij care
sunt variabile aleatoare cu distribuții date
- presupunem că duratele tij sunt independente distribuite, fiecare cu un interval de
variație finit
- se numește realizare a proiectului P, rețeaua G în care fiecare activitate (i, j) are o
durată fixă, extrasă la întâmplare din distribuția lui tij
- fiecărei realizări îi corespunde un drum critic și durată totală stabilite în mod
determinist.

Datele de bază cerute sunt distribuțiile duratelor activităților.

Metoda Monte-Carlo constă în aplicarea algoritmului de calcul al drumului critic pentru
un număr suficient de mare de mulțimi de durate ale activităților (numărul lor fiind
determinat de exactitatea rezultatelor pe care vrem să le obținem), generate conform
distribuțiilor corespunzătoare.

Algoritmul de calcul
Pasul 1. Se generează duratele aleatoare ale activităților. Conform cu anumite distribuții
date.
Pasul 2. Se calculează drumul critic folosind metoda clasică, găsindu-se activitățile
critice și termenele activitățile.
Pasul 3. Se determină durata Tk de realizare a proiectului în varianta ”k”.
Pasul 4. Se repetă pașii 1, 2, 3 de N ori, pentru N suficient de mare.
Pasul 5. Se calculează durata medie de realizare a proiectului după formla:

și dispersia de realizare a proiectului:

Pasul 6. Pentru fiecare activitate se calculează indicele de criticabilitate:

unde teta ij este numărul care exprimă de câte ori activitatea (i, j) a fost criticată (adică pe
drumul critic) în cele N iterații.
Indicele de criticabilitate ale unei activități reprezintă probabilitatea ca aceasta să fie
activitate critică.
 CURS 10
Sisteme de aprovizionare. Simulare stocuri de mărfuri

Activitatea de aprovizionare are sarcina de a asigura materii prime, semifabricate

pentru o producție în continuă schimbare, determinată de modificarea preferințelor populației
și a cerințelor agenților economici.
Din practica economică se știe că managementul gestiunii stocurilor are două funcțiuni
principale și anume:
- Stabilirea unui sistem de investigare și control;
- Luarea deciziilor referitoare la când și cu cât este necesar să se facă aprovizionarea.
Pentru unitățile economice, stocul apare ca o necesitate deoarece:
- Permite un flux continuu al producției;
- Activitatea unităților productive sau de comerț poate fi influențată de anumite
perturbații sau factori externi;
- Asigură satisfacerea cererilor probabile și amortizează consecințele fluctuațiilor
cererilor și ofertelor și asta doar dacă stocul este bine dimensionat;
- Evită creșteri de preț anticipate.

Procesul de stocare necesită spații special amenajate și dotate, anumite categorii de

personal, cât și cheltuieli specifice.
Principalele concepte cu care se operează în teoria stocurilor sunt:
1. Cantitatea intrată în stoc la momentul t care este o mărime dependentă de natura
cererii, a producției, a capacității de depozitare, etc.
2. Frecvența sau momentul achiziției care este o variabilă controlabilă;
3. Cererea care este definită ca numărul de produse solicitate/unitatea de timp

Din punct de vedere economic, natura cererii poate fi:

- Cunoscută și în acest caz refacerea stocului nu ridică probleme;
- Aleatoare;
- Necunoscută.

4. Cantitatea livrată
5. Intervalul de gestiune definit ca perioada în care se produce sau vinde bunul stocat
6. Termenul de livrare definit ca timpul scurs între momentul lansării unei comenzi și
momentul primirii ei
La rândul său, termenul de livrare poate fi cunoscut sau aleator
7. Intervalul de gestiune definit ca și intervalul dintre primirea a două comenzi
succesive.
Există mai multe tipuri de gestiune a stocurilor:
- Gestiune cu perioadă fixă;
- Gestiune cu perioadă variabilă.
În problemele de gestiune sunt implicate o serie de costuri. Cele mai importante sunt
următoarele:
- Costul de lansare a comenzii (Ce) definit ca și totalitatea cheltuielilor administrative
legate de refacerea periodică a stocului (cheltuieli privind întocmirea și trimiterea
comenzii, cheltuieli de transport, etc)
- Costul de stocare (Cs) care este legat strict de procesul de stocare și întreținere a
stocului, cost care crește proporțional cu mărimea stocului și cu durata de stocare
- Costul de penalizare (Cp) este dat de cheltuielile suplimentare care apar atunci când
un bun solicitat nu poate fi livrat sau cererea depășește stocul avut la dispoziție.
- Costul de achiziție reprezintă prețul/unitatea de produs

Pe lângă costuri trebuie avute în vedere o serie de alte elemente, cum ar fi:

- Stocul curent definit ca fiind cantitatea de bunuri necesare pentru asigurarea cererii
beneficiarilor, dinamica lui depinzând de ritmul cererilor. Dacă ritmul consumului a
fost mai rapid decât cel prevăzut, stocul curent poate fi epuizat înaintea refacerii sale,
ceea ce provoacă o așa numită ruptură de stoc;
- Stocul de alarmă este dat de nivelul stocului curent care atenționează asupra faptului
că există posibilitatea rupturii stocului în intervalul de timp imediat următor;
- Stocul de reaprovizionare este acel nivel al stocului ce determină lansarea comenzii.

Modelele de gestiune a stocurilor sunt de mai multe tipuri. Astfel există:

- Model cu perioadă fixă și cerere constantă și fără posibilitatea apariției unei rupturi
de stoc, model ce este caracterizat prin faptul că nu există ruptură de stoc și deci nici
cp. Se iau în considerare numai cheltuielile de stocare ale produselor și cele de lansare
a comenzilor de reaprovizionare.
Obiectivul unui astfel de model este acela de a determina cantitatea (q) cu care se va
realiza aprovizionarea după fiecare perioadă de timp t, astfel încât costul total de lansare a
comenzii și de stocare să fie minim.
Un astfel de model poate fi reprezentat grafic astfel:
t = este perioada dintre două aprovizionări
Q = cererea totală de produse pe intervalul de gestiune teta
q = cantitatea cu care se face reaprovizionarea și care scade până la 0 când are loc o nouă
reaprovizionare cu aceeași cantitate

Observație: scăderea nivelului stocului pe o perioadă t este ilustrată printr-o linie punctată cu
pantă negativă
- Model de stoc cu perioadă fixă de reaprovizionare, cerere constantă și cu
posibilitatea existenței rupturii de stoc. Reprezentarea grafică într-un reper
cartezian (axa timp, nivel stoc) este:

- Model de gestiune a stocului cu perioadă fixă și cerere aleatoare, cu posibilitatea

de ruptură de stoc.
 Cererea fiind aleatoare este posibil ca stocul să se epuizeze în cursul unei perioade. În
acest caz se cere (modelul urmărește) determinarea nivelului optim al stocului, dat de acea
valoare a stocului pentru care cheltuielile medii de gestiune pe o perioadă între două
reaprovizionări, cheltuieli compuse din cheltuieli medii de stocaj și de penalizare să fie
minime.
În procesul de simulare a gestionării stocurilor vom avea în vedere o serie de variabile
dintre care cele mai importante sunt:
- Perioada dintre două reaprovizionări (care este o variabilă aleatoare)
- Cheltuieli de lansare/unitate de produs
- Cheltuieli de stocare/unitate de produs/unitate de timp
- Cheltuieli de penalizare/unitatea de produs
- Stocul curent
- Totalul cheltuielilor de lansare, penalizare, stocare la nivelul fiecărui ciclu
- Numărul rupturilor de stoc dintr-un ciclu
- Probabilitatea existenței unei rupturi de stoc/ ciclu

Un exemplu de tabel ce conține elemente specifice unui proces de simulare a gestiunii

unui stoc de produse este următorul:

Pentru o analiză mai complexă se vor avea în vedere (pe lângă costurile medii la nivel
de ciclu și la nivelul întregului proces de simulare) și ponderea acestora în totalul costurilor.
 CURS 11
Model determinist de stocare a unui produs cu cerere constantă, perioadă constantă de
reaprovizionare și fără lipsă de stoc

Ipotezele modelului sunt:

- Se stochează un singur produs al cărui consum este o funcție liniară de timp
- Se cunoaște cererea (Q) de produs pe o perioadă de timp (teta)
- Reaprovizionarea stocului se face instantaneu la intervale de timp (T) egale și în
cantități (q) egale
- Se cunoaște costul unitar de stocare/zi (Cs)
- Se cunoaște costul de lansare al unei comenzi de reaprovizionare (care reprezintă
totalul cheltuielilor legate de operațiile de reaprovizionare ce nu depind de q)
- Nu există posibilitatea de a avea o lipsă de stoc

În cadrul modelului avem în vedere că:

- Pentru fiecare perioadă T facem socoteala cheltuielilor aferente:
Ce + q/2 *T*Cs (deoarece am luat în considerare un stoc mediu de q/2 pe perioada T)

- Ținând seama că avem pe întreg orizontul de gestiune a stocului perioade egale de

timp (T), atunci:
N = Q/q = Q/T (unde N reprezintă numărul de reaprovizionări sau numărul de
perioade T cuprinse în teta)

- Funcția obiectiv a modelului care este costul total pe perioada teta este:
Deci
Am exprimat costul total în funcție de q care este cantitatea cu care se face
reaprovizionarea pentru perioada T.
Obținem astfel,

Model determinist de stocare a unui produs cu cerere constantă, perioadă constantă

de reaprovizionare și cu ruptură de stoc

Ipotezele modelului sunt aceleași ca la modelul precedent, doar că se admite că există

o lipsă de stoc (ruptură de stoc) penalizată cu un cost unitar de penalizare (Cp)/unitatea de
timp și pentru o unitate de produs lipsă.
Astfel, perioada constantă T a fost împărțită în două subperioade:
- T1 – perioada în care stocul satisface cererea, perioadă în care va exista un cost de
stocaj (Cs) pentru o cantitate stocată medie s/2
- T2 – perioada în care stocul nu satisface cererea, perioadă în care se va plăti pentru
lipsa stocului mediu: q – s/2 , un cost de penalizare Cp

Pentru cele N perioade T = T1 + T2 se vor face următoarele cheltuieli:

 Introducând valoarea lui N = Q/2 = Q/T obținem:

Din asemănarea triunghiurilor ABC și ADE avem: T1/T = s/q și T2/T = q-s/q
de unde T1 = s/q*T și T2 = q-s/q * T
Înlocuind în C(q,s) obținem:

Pentru a calcula valoarea q pentru care avem min C(q, s) este necesar să rezolvăm
ecuația q
Notând cu și care poartă numele de factor de penalizare rezultă:

iar stocul optim

Perioada optimă de aprovizionare cât și numărul optim de aprovizionări au formulele:
Gestiunea optimă va fi:

Observație:
Dacă costul de penalizare crește, adică cp tinde către infinit, atunci aro tinde către 1,
iar acest model furnizează aceleași soluții ca și modelul anterior.
Putem spune că modelul anterior apare ca un caz particular al modelului cu ruptură de
stoc.

Model probabilistic de stocare a unui produs cu cerere aleatoare, cu pierdere în

cazul surplusului de stoc, cu cheltuieli suplimentare în cazul lipsei de stoc și cu cost
de stocaj neglijabil

Ipotezele modelului sunt următoarele:

1. Se stochează un singur produs a cărui cerere este o variabilă aleatoare X cu repartiția

în cazul discret și

pentru cerere variabilă aleatoare continuă

2. Excedentul de stoc (s) atunci când x <= s se penalizează cu o pierdere unitară c1

- Iar lipsa de stoc atunci când x>s se penalizează cu cheltuieli suplimentare de

reaprovizionare c2
- Cheltuielile de stocaj sunt foarte mici în comparație cu cheltuielile c1 și c2 și prin
urmare se neglijează.
 CURS 12
Modele probabiliste de stocare (continuare curs 11)

Caz discret
Știind că variabila aleatoare este cererea de produs, putem construi o nouă variabilă
aleatoare numită excedent de stoc Es ce va avea repartiția:

și variabila aleatoare numită lipsă de stoc; Ls ce are repartiția:

Funcția obiectiv a modelului este dată de cheltuielile medii totale legate de

managementul stocului, adică:
 Stocul optim s se obține din condiția de minim pentru funcția obiectiv C(s) conform
teoremei:
T. Funcția C(s) își atinge minimul în punctul s pentru care:

Observație:

1. Dacă și știind că F(s) este strict

crescătoare, atunci valoarea lui S există și este unică

2. Dacă atunci C(s) are două puncte de minim: pe

s și s+1

3. Dacă atunci C(s) are două puncte de minim: pe

s-1 și s

Exemplu:
În vederea unor studii de marketing, o agenție comercială cumpără un calculator care
este dotat cu circuite integrate care în cazul defectării se schimbă.
Se știe că acest tip de circuite comandate odată cu calculatorul costă 100 lei/buc, iar
cu comandă specială costă 400 lei/buc.
Conform unei analize statistice a cererii de astfel de circuite avem următoarele date:
 În ipoteza costului de stocaj neglijabil în raport cu celelalte costuri se cere să se
determine stocul optim de circuite integrate comandate odată cu calculatorul, precum și
gestiunea optimă.
Rezolvare: Știm că c1 = 100; c2 = 400
Pentru a aplica teorema T organizăm calculele în tabelul următor, știind că

Se calculează:
Cum 0.8 apartine [0.7-0.9] => 0.7 < ro < 0.9 => F(2) < ro < F(3) => s =3
 Pentru a găsi gestiunea optimă se înlocuiește s cu s în C(s) adică cheltuielile medii
totale sunt:

Cazul continuu când variabila cerere are distribuția

În acest caz, construim două variabile aleatoare:

- Variabila aleatoare excedent de stoc cu repartiția:

-
- Variabila aleatoare lipsită de stoc Ls ce are repartiția:

reprezintă valoarea medie a variabilei lipsă de stoc

 Funcția obiectiv este aceeași, adică totalitatea cheltuielilor medii ale managementului
stocului.
Forma ei este:

Stocul s pentru care funcția obiectiv C(s) este minimă, se obține folosind următoarea
teoremă:

T. Funcția C(s) își atinge minimul în punctul s pentru care unde

Exemplu:
Cererea în tone pentru un anumit tip de marfă este aleatoare cu densitatea de
probabilitate

Știind că surplusul de marfă se vinde cu o pondere de 7000 lei/tonă, iar în cazul lipsei
de marfă se fac cheltuieli suplimentare de aprovizionare de 20.000 lei/tonă, se cere să se
optimizeze nivelul stocului.
Rezolvare:
C1 = 7000
C2 = 20000
Ro = 20/2f
Funcția de repartiție este

Rezolvând ecuația:

care are
o singură soluție reală s=2
Pentru calculul gestiunii optime avem:
 Curs 13
Aplicații ale simulării în studiul proceselor de servire
Elemente de teoria firelor de așteptare
Așteptarea este intervalul de timp între momentul când a fost solicitată
servirea și începutul efectuării acesteia într-un sistem de servire.
Universalitatea acestui proces și creșterea gradului de complexitate au condus la
studiul analitic al fenomenelor de așteptare în vederea proiectării cât mai eficiente a acestora.
Un sistem de servire este considera eficient dacă i se asigură un grad ridicat de
utilizare, iar servirea se realizează cu un timp minim de așteptare.
Aplicarea simulării pentru astfel de procese este recomandată în următoarele cazuri:
1. Când sistemul are un număr mare de stații cu o topologie complexă;
2. Când repartițiile timpilor de sosire și / sau de servire sunt de tip complicat sau sunt
constituite din amestecări de repartiții;
3. Când mecanismul servirii presupune existența unor priorități sau restricții;
4. Când prin studiul sistemului se urmărește realizarea unui obiectiv (a unei eficiențe).

În studiul unui sistem de servire se iau în calcul (și se notează):

A – repartiția timpului dintre două sosiri succesive;
S – repartiția duratei (duratela) de servire;
C – numărul de stații (canale) de servire;
L - lungimea maximă a cozii;
d – disciplina de servire.

Un sistem de servire se definește prin:

A / S / C: (L, d)

Disciplina de servire poate fi:

FIFO – primul venit, primul servit (first in, first out);
LIFO – ultimul venit, primul servit;
PRI – servire pe baza unui sistem de priorități;
SA – servire aleatoare.
Sistemele de servire sunt de mai multe tipuri și se pot reprezenta grafic astfel:
a. Sistem de servire monocanal:

b. Sistem de servire cu n stații așezate în cascadă (în secvență)

Acest sistem presupune un număr de stații care realizează servicii diferite.

O unitate se consideră servită numai dacă a fost servită de toate stațiile de servire.

c. Sistem cu stații de servire în paralel:

În acest tip de sistem toate stațiile realizează același tip de serviciu / servicii.
O unitate se consideră servită dacă a fost servită de una din cele n stații de servire.
 Firul de așteptare poate fi comun sau separat. Sistemul de servire este complet
specificat dacă se cunosc toate elementele A / S / C: (L, d)
Odată specificat un sistem de servire se poate calcula intensitatea traficului pe care
acesta îl poate asigura.

Sistem de servire monocanal cu increment constant

Notăm cu:

numărul de clienți serviți în sistem într-o unitate de timp

numărul mediu de clienți sosiți în unitatea de timp

Atunci u = / măsoară intensitatea traficului

Iar ro = timpul efectiv utilizat pentru servire / timpul total alocat servirii clienților
- Reprezintă coeficientul (gradul) de utilizare al stației de servire.

Observație: timpul total alocat pentru servirea clienților este de fapt timpul total de
funcționare al stației care poate fi programul său de funcționare.

În modelul matematic al firelor de așteptare se consideră legea că sosirii clienților în

sistem urmează o repartiție exponențial negativă.
Scopul modelului este de a determina programul de lucru astfel încât să fie atinsă o
eficiență maximă.
Modelul este pur teoretic. În realitate apar perturbații, iar simularea are rolul adaptării
modelului la realitatea obiectivă.
Ipotezele modelului de servire monocanal cu increment constant sunt:
1. Venirile sau sosirile sunt întâmplătoare independente; ele provin dintr-o populație
infinită, iar intervalele dintre două sosiri urmează o repartiție cunoscută sau dată.
2. Servirile sunt întâmplătoare, independente, iar durata servirii urmează o lege
cunoscută;
3. Disciplina de servire este FIFO.
4. Simularea se face cu increment constant de timp (adică în intervalul respectiv nu se
întâmplă decât un singur eveniment)
Exemplu:
Cercetând din punct de vedere statistic, intervalul de timp dintre două sosiri succesive
ale solicitanților la un ghișeu public s-a stabilit că acestea sunt de natură Poissoniană cu
media 5 minute.
Pe de altă parte, studiind timpul de servire a unei persoane de către funcționarul de la
ghișeu, s-a dedus că acesta este o variabilă aleatoare ce urmează o lege de repartiție
exponențială negativă cu media de 4 minute.
La respectivul ghișeu public se lucrează într-un singur schimb. Ziua de lucru este de 8
h.
Se cere să se determine:
1. Timpul mediu de așteptare a unei persoane pentru a fi servită;
2. Timpul mediu cât stă funcționarul în așteptarea unei persoane pe care trebuie să o
servească (timp de neutilizare);
3. Numărul mediu de persoane ce sosesc în cursul unei zile de lucru (8h) la ghișeul
respectiv.

Rezolvare:
Observație:
1. Sistemul de așteptare este format din funcționar + coada de așteptare
2. Ciclul de simulare cuprinde o zi de lucru de 8h = 480 minute

Pregătirea simulării:
Variabila timp de sosire (definit ca intervalul dintre două sosiri succesive)

Cunoaștem că M(TS) = 5, dar M(TS) = , deci = 5.

Prin urmare distribuția variabilei TS:

Variabila aleatoare timp de servire (TD) are o distribuție exponențial negativă de parametru

= TD: are densitatea de probabilitate:

 Se pregătesc TS și TD prin metoda transformatei în rensei și se generează 2 șiruri de
numere aleatoare uniform distribuite în [0, 1].

Simularea propriu- zisă

Se construiește și se completează tabelul (exemplu):

În cadrul modelelor de așteptare, întâlnite în practica economică, se determină o serie

de indicatori legați de astfel de modele.
Modelele de așteptare sunt: M(infinit, 1, 1); M(infinit, 1, S); M(m, 1, 1). Modelele de
așteptare sunt notate cu M(.,.,.) în care pe primul loc se va trece mărimea populației (infinit
sau m, după cum surse se presupune că poate conține oricât de multe unități și corespunde
unui sistem de așteptare deschis sau sursa conține m unități, caz în care spunem că fenomenul
așteptat corespunzător este închis); pe locul doi se trece numărul firelor de așteptare, pe locul
trei se va trece numărul de stații.
 Modelul M(infinit, 1, 1) este deschis cu 1 fir și o singură stație de servire. În acest
model parametrul sosirilor este considerat constant ( = constant), deoarece populația din
care provine unitățile este practic suficient de mare.
În modelul M(infinit, 1, S), numărul stațiilor este S > 1, fiecare stație având același

parametru de servire , sosirile sunt poissoniene de medie , timpul de servire

exponențial, iar trecerea din firul de așteptare în oricare stație liberă se face în ordinea
sosirilor.
Modelul M(m, 1, 1) presupune că sosirile sunt în număr foarte mare, însă finite (de
ex: într-un atelier există m(finit) număr de mașini cu aceleași caracteristici tehnologice și care
funcționează independent unele de altele. Mașinile se pot defecta în mod întâmplător și
sosesc la reparat după o lege poissoniană cu parametrul ; pentru reparație există un singur
mecanic (stație), iar durata repartiției unei mașini urmează o repartiție exponențială cu

parametrul .

Într-o problemă de așteptare se întâlnesc următorii indicatori principali:

1. m – numărul de unitate ale populației care sosesc în sistem (m poate fi finit sau
infinit)
2. S – numărul de stații de servire
3. pn(t) – probabilitatea ca în sistemul de așteptare să se găsească n unități la momentul t
oarecare
4. n(t) numărul de unități ce se găsesc în sistemul de așteptare (fir + serviciu) la
momentul t și care este o variabilă aleatoare cu distribuția:

4’. n negat(t) – numărul mediu de unități din sistem la un moment t și va fi valoarea

medie a variabilei n(t), adică:

Evident, când m = infinit = ceea ce impune ca această series ă fie convergentă

5. nf(t) – numărul de unități din firul de așteptare, la un moment t; nf(t) este o variabilă
aleatoare cu distribuția:
Pentru m = infinit și seria va trebui să fie convergentă.
6. ns(t) – numărul de unități ce sunt servite la momentul t. Evident:

este o variabilă aleatoare.

6’. n negat s(t) – numărul mediu de unități ce sunt servite la momentul t;

, din proprietatea mediei unei variabile aleatoare.

7. P(n/t) > k) – probabilitatea ca numărul unităților din sistem la momentul t să fie mai
mare decât k.

8. t negat f – timpul mediu de așteptare al unei unități în fir

9. t negat s – timpul mediu de așteptare al unei unități în sistem

Ultimii doi indicatori depind de legile serviciului și sosirilor.

 Curs 14
Lanțuri Markov și aplicații în domeniul economic

1. Generarea unor procese Markov

O familie de variabile aleatoare dependente definite pe un anumit câmp de

probabilitate formează un proces aleator.
Lanțul Markov este un proces aleator particular definit astfel:

Fie un șir de variabile reprezentate de vectorul S = {S1….Sn}, n <

infinit, adică mulțimea în care pot lua valori variabilele aleatoare considerate.
Acest șir formează un lanț Markov de ordinul I, cu un număr finit de stări dacă
probabilitatea ca lanțul să se găsească într-o anumită stare, condiționată de faptul că lanțul s-a
aflat anterior în diferite alte stări, nu depinde decât de ultima stare în care s-a găsit, adică:

ori de câte ori membrul stâng are sens. Rezumat pe scurt: starea sa viitoare nu depinde decât
de valoarea sa curentă.
Pentru caracterizarea lanțului este necesară cunoașterea unor elemente ce vor fi
definite în continuare.

 Vector de stare
Se numește vector de stare la momentul inițial t0 = 0 sau vectorul probabilităților
inițiale, vectorul notat:
unde poi = este probabilitatea ca la momentul 0 sistemul definit prin respectivul lanț Markov
să se găsească în starea Si.

 Vectorul probabilităților de stare la momentul t sau repartiția stărilor la

momentul t

 Matricea probabilităților de trecere (tranziție) a stărilor

Matricea notată P de elemente pij în care fiecare element este asociat cuplului de stări
(Si, Sj) și reprezintă probabilitatea ca sistemul să se găsească în starea Sj la momentul tn+1,
dacă la momentul anterior tn s-a găsit în starea Si se numește matricea probabilităților de
tranziție a stărilor.
Starea Sj se numește accesibilă din starea Si dacă probabilitatea de trecere de la Si la
Sj după anumiți pași este strict pozitivă.
Matricea probabilităților de trecere (matrice Markov) poate fi privită ca un rezumat al
comportării sistemului în treut, dar și ca un izvor de informare despre tendințele sale viitoare.
Dacă se cunosc repartițiile stărilor de la momentele tn, tn+1, atunci avem următoarea
relație:

se numește
matricea dinamică.
În funcție de valoarea lui P se pot defini cel puțin 3 tipuri importante de laturi
(procese) Markov.
 Astfel avem:
a. Procese ergodice în care vectorii finali de stare sunt independenți de starea inițială
b. Procese capcană în care starea finală poate fi doar una singură
c. Procese periodice în care rectorii de stare urmează o succesiune periodică

 Traiectoria lanțului Markov cu un număr finit de stări

Această traiectorie este formată din mulțimea stărilor {Si1, Si2, ….., Sin} prin care
trece sistemul la momentele t1, t2, ....., tn.
În practică este esențial să fie cunoscută probabilitatea ca lanțul să treacă prin
succesiune de stări {Si1, Si2,…., Sin}, adică avem relația:

de unde rezultă că probabilitatea asociată unei traiectorii este complet determinată de

probabilitățile inițiale și de cele de trecere.

 Tehnica de generare a unui lanț Markov folosind tehnica simulării

Pașii algoritmului de generare a traiectoriilor unui lanț Markov folosind simularea,
sunt:
Pasul 0
Se presupun cunoscute ca date de intrare:
- Vectorul probabilităților inițiale

- Matricea probabilităților de trecere P.

Se generează un șir de numere pseudo aleatoare uniform distribuite în
Pasul 1
Operațiunea 1
Se alege primul număr (fie x1) al șirului generat.

Dacă există i0 astfel încât, folosind avem că , atunci Si0 este

starea inițială a sistemului.

Operațiunea 2
Se ia următorul număr x2 aparține [0, 1] și linia I0 din matricea P:

Dacă există o valoare i1, astfel încât:

Operațiunea n
Se procedează în mod analog până la aflarea tuturor stărilor sistemului care
definesc prima traiectorie simulată T1.

Observație: Pentru pașii 2, 3, ...., m; m >= 2, n aparține N se vor simula, generând noi șiruri
de numere aleatoare uniform distribuite în [0, 1], în același mod traiectorial T2….Tm.

Problemă lanț Markov

Societatea ”MOB IMPEX SRL” a primit o ofertă de contract din partea unei firme
care desface pe piață, prin magazine specializate aparate electrice pentru uz caznic.
Prin contract de cere livrarea unei cantități contante de produse formate din
produse cu codurile P58 și P03 în următoarele condiții?
- Contractul se derulează pe 2 ani;
- Comanda se face din 4 în 4 luni și cuprinde același număr de produse și anume 500 de
bucăți;
- Livrarea oricărei comenzi se va face eșalonat, lunar, procentele lunare pentru fiecare
comandă fiind:
 - La prima comandă trebuie să se livreze obligatoriu 200 P58 și 300 produse P03.
Managerul firmei care comercializează cele două produse știe că clientul își
schimbă frecvent tipul de produs cumpărat fie din cauza publicității, fie a nemulțumirii create
de produsul cumpărat anterior.
Pentru a satisface cererile clienților și în același timp pentru a vinde toate
produsele comandate, beneficiarul a cerut schimbarea structurii comenzilor cu condiția să
anunțe varianta dorită cu 2 luni înainte de livrarea respectivei comenzi.
Din observațiile anterioare se cunoaște că din mulțimea clienților care într-o
perioadă de 4 luni au cumpărat produse P58, aproximativ 70% vor cumpăra în următoarea
perioadă de 4 luni tot P58, iar 30% vor schimba produsul, cumpărând P03.
De asemenea, aproximativ 30% dintre clienții care au cumpărat anterior P03 vor
prefera același produs în perioada următoare de 4 luni, iar 50% se vor orienta către P58.
Totodată se știe că:

Se cere: să se verifice dacă probabilitatea ca un cumpărător să prefere un

anumit produs rămâne neschimbată, indiferent de ultima cumpărătură.

Rezolvare:
Construim un arbore decizional.
Considerăm că clienții sunt fideli, aceasta însemnând că matricea probabilităților
de reorientare către alt produs la o a doua cumpărare este aceeași pentru întreaga perioadă de
2 ani, adică:

Considerând aceleași probabilități, construim o diagramă arbore care va cuprinde

toate variantele de orientare ale clienților în viitor:
 Se vor evidenția traiectoriile posibile ale procesului Markov, dacă se pot evalua
probabilitățile care exprimă preferințele inițiale ale clienților.

Cum se cunoaște că , deci formula:

(0.60 * 0.70 + 0.40 * 0.50 ; 0.60 * 0.30 + 0.70 * 0.50) = (0.62; 0,38)
dintre clienții care inițial au cumpărat P58, 42% își mențin preferința

după o tranziție de 4 luni, 20% din clienții care au preferat P03 își modifică
preferința
= 0.62 probabilitatea de vânzare a produsului P58 după o perioadă

Segmentarea clienților după o perioadă permite satisfacere comenzii nr. 2

Astfel structura comenzii 2 va fi:
Produse P58: 62 / 100 * 500 = 310
Produse P03: 38 / 100 * 500 = 190

Livrarea se face pe luni conform procentelor unde:

124 = 40 / 100 * 310
62 = 20 / 100 * 310
Ilustrarea structurii primelor 2 comenzi din primul an este:
 Modificările structurilor ultimelor 2 comenzi din primul an sunt:

- Cantitate de P58 = 0.624 * 500 = 312

- Cantități comandate de P03 = 0.376 * 500 = 188

-
Analog pentru comanda 4, 5, 6 (până la 2 ani)

Abordăm acum rezolvarea problemei fără simularea traiectoriilor lanțului Markov

definit anterior
Pasul 1.
a. Se definesc 2 variabile aleatoare discrete folosind elementele matricii de trecere
(observație: numărul de variabile aleatoare este egal cu ordinul matricii)

b. Se generează un șir de numere pseudo-aleatoare uniform distribuite în [0,1] de

lungime dorită la ajutorul lui se vor simula preferințele cumpărătorilor în funcție de
ultimul tip de produs folosit.
Aplicând metoda transformatei inverse obținem:

Fie șirul generat: {0.01, 0.92, 0.02, 0.45, 0.86, 0.01, 0.51, 0.37, 0.35}

Pasul 2.
Operația 0.
Se simulează preferința unui client C1 sosit, utilizând starea inițială a sistemului

- deci primul clientul va cumpăra

P58

Operația 1.
Ne uităm la tabloul X58 = x1 = 0.92 aparține [0.70, 1) = la următoarea cumpărătură,
clientul C1 va cere P03 (se modifică preferința)

Operația 2.
Ne uităm la tabloul lui X03 = 0.02 aparține [0, 0.50) = clientul preferă P58.

Rezultatele simulării pot fi sintetizate în:

Se observă că de la a 6-a cumpărare, clientul își va menține preferința inițială, ceea ce

întărește concluzia trasă după rezolvarea problemei prin teoria lanțurilor Markov.