Cercetari Operationale in Agricultura

DUMITRU ENE
ELENA IONIŢESCU
CERCETĂRI OPERAŢIONALE
ÎN AGRICULTURĂ
1
2
CUPRINS
Cuvânt înainte............................................................................................................................................... 5
Capitolul 1. PROGRAMARE LINIARĂ..................................................................................................7
1.1. Modele liniare de optimizare în producția agricolă şi dualitatea lor........................................... 7
1.2. Găsirea soluțiilor optime pentru modelele primal și dual cu metoda simplex............................22
1.3. Modele de optimizare tip transport și de repartiție (assignment)................................................ 33
1.4. Rezumat......................................................................................................................................... 39
1.5. Întrebări..........................................................................................................................................39
1.6. Bibliografie.................................................................................................................................... 39
Capitolul 2. PROGRAMARE NELINIARĂ............................................................................................40
2.1. Modele de optimizare fără restricţii cu funcţie-obiectiv pătratică............................................... 40
2.2. Modele de optimizare cu restricţii liniare ecuaţii şi funcţie-obiectiv pătratică........................... 42
2.3. Modele de optimizare cu restricţii liniare inecuaţii şi funcţie-obiectiv pătratică........................ 45
2.4. Rezumat......................................................................................................................................... 49
2.5. Întrebări..........................................................................................................................................49
2.6. Bibliografie.................................................................................................................................... 49
Capitolul 3. GRAFURI................................................................................................................................ 50
3.1. Grafuri şi drumuri în ele................................................................................................................ 50
3.2. Fluxuri optime în reţele................................................................................................................. 53
3.3. Metoda CPM/PERT în reţele........................................................................................................ 55
3.4. Rezumat......................................................................................................................................... 62
3.5. Întrebări..........................................................................................................................................62
3.6. Bibliografie.................................................................................................................................... 62
Capitolul 4. TEORIA DECIZIEI............................................................................................................... 63
4.1. Decizii optime după diferite reguli............................................................................................... 63
4.1.1. Decizii optime în condiţii de incertitudine........................................................................ 63
4.1.2. Decizii optime în condiţii de risc....................................................................................... 64
4.2. Strategii optime............................................................................................................................. 67
4.2.1. Strategii deterministe optime............................................................................................. 67
4.2.2. Strategii aleatoare optime................................................................................................... 68
4.3. Lanţuri Markov finite.................................................................................................................... 70
4.4. Rezumat......................................................................................................................................... 72
4.5. Întrebări..........................................................................................................................................72
4.6. Bibliografie.................................................................................................................................... 72
Capitolul 5. STOCURI DE PRODUSE ŞI ECHIPAMENTE............................................................... 73
5.1. Stocuri optime cu cerere constantă............................................................................................... 73
5.1.1. Stocuri cu aprovizionare instantanee................................................................................. 73
5.1.2. Stocuri optime cu aprovizionare treptată........................................................................... 75
5.2. Stocuri optime cu cerere aleatoare................................................................................................ 77
5.3. Fiabilitatea şi înlocuirea echipamentelor...................................................................................... 79
5.3.1. Variabile aleatoare cu aplicaţii în fiabilitate şi simularea lor............................................ 79
5.3.2. Fiabilitatea echipamentelor................................................................................................ 83
5.3.3. Înlocuirea optimă a echipamentelor................................................................................... 85
5.4. Rezumat......................................................................................................................................... 87
5.5. Întrebări..........................................................................................................................................87
5.6. Bibliografie.................................................................................................................................... 88
3
Capitolul 6. SISTEME CU CERERE ŞI SERVIRE ALEATOARE....................................................89
6.1. Sisteme cu aşteptare cu s staţii...................................................................................................... 91
6.2. Sisteme mixte cu s staţii................................................................................................................ 92
6.3. Sisteme cu refuz cu s staţii............................................................................................................ 93
6.4. Rezumat......................................................................................................................................... 95
6.5. Întrebări..........................................................................................................................................95
6.6. Bibliografie.................................................................................................................................... 95
Capitolul 7. PROGNOZE PRIN CORELAŢII ŞI REGRESII............................................................. 96
7.1. Ajustarea dinţilor în seriile cronologice....................................................................................... 96
7.1.1. Metoda uniformizării înclinării dinţilor de fierăstrău ai seriei cronologice..................... 98
7.1.2. Metoda uniformizării ariilor dinţilor de fierăstrău ai seriei cronologice.......................... 99
7.2. Corelaţia şi regresia liniară......................................................................................................... 102
7.3. Corelaţii şi regresii neliniare.......................................................................................................108
7.3.1. Corelaţia şi regresia polinomială..................................................................................... 109
7.3.2. Corelaţia şi regresia trigonometrică.................................................................................111
7.3.3. Corelaţia şi regresia polinomial-trigonometrică............................................................. 114
7.4. Rezumat.......................................................................................................................................116
7.5. Întrebări....................................................................................................................................... 117
7.6. Bibliografie................................................................................................................................. 117
Capitolul 8. TESTE ALE CONTROLULUI CALITĂŢII ŞI FIABILITĂŢII
ÎN AGRICULTURĂ............................................................................................................ 118
8.1. Controlul statistic al calităţii în cursul procesului de producţie................................................ 119
8.1.1. Cazul unei însuşiri cantitative.......................................................................................... 120
8.1.2. Cazul unei însuşiri calitative............................................................................................ 123
8.2. Controlul statistic al calităţii la recepţie..................................................................................... 125
8.2.1. Controlul unei însuşiri cantitative....................................................................................127
8.2.2. Controlul unei însuşiri calitative...................................................................................... 131
8.3. Controlul fiabilităţii mașinilor agricole la recepţie.................................................................... 133
8.4. Rezumat.......................................................................................................................................136
8.5. Întrebări....................................................................................................................................... 136
8.6. Bibliografie................................................................................................................................. 136
Bibliografie.................................................................................................................................................. 137
Anexa 1. Tabele statistice.......................................................................................................................... 139
Anexa 2. Programe BASIC....................................................................................................................... 146
Anexa 3. Realizări ale agriculturii româneşti după 1990..................................................................... 187
4
CUVÂNT-ÎNAINTE
Acest curs face o prezentare succintă a metodelor cercetărilor operaţionale aplicate în

agricultură.
Cursul se adresează studenţilor facultăţii de Management, Inginerie economică în agricultură şi
Agroturism – Curs de zi şi la distanţă, putând fi folosit şi de studenţii altor facultăţi cu profil agricol.
Micromodelele prezentate în lucrare pot constitui puncte de plecare pentru a elabora
macromodele apropiate de fenomenele complexe din agricultură.
Cât priveşte rezolvarea acestor modelele, se poate apela la programe elaborate de primul autor şi
prezentate în Anexă, la produse informatice specializate pe cercetări operaţionale precum QM, MSS şi
WINQSB (vezi lucrarea Raţiu-Suciu C. „Modelarea şi simularea proceselor economice”, Ediţia III,
Editura Economică, 2003, Anexele 9, 10, 11), precum şi produsele informatice orientate pe calcul
tabelar precum EXCEL sau QUATTRO.
Cercetările operaţionale au apărut după al doilea război mondial ca un complex de metode
matematice bazate pe algebră, analiză matematică, combinatorică, grafuri, teoria probabilităţilor şi
statistică matematică pentru rezolvarea unor probleme concrete din industrie, agricultură, economie,
comerţ, armată etc.
Scopul cercectărilor operaţionale este luarea unor decizii în condiţii deterministe sau aleatoare
bazate pe modelarea matematică a fenomenelor complexe ale realităţii. Pentru ca aceste decizii să fie
corecte trebuie ca modelele să prelucreze date esenţiale din teren în volum cât mai mare, iar pentru ca
aceste decizii să fie rapide, rezolvarea problemelor de prelucrare a datelor implicate de modele trebuie
să facă apel la computere.
În ţara noastră cercetările operaţionale au debutat în jurul anilor 1970, prin traduceri din
literatura internaţională, elaborarea de articole şi monografii ale autorilor români şi continuă şi astăzi în
condiţiile foarte favorabile oferite de economia de piaţă.
Disciplina de Cercetări operaţionale figurează astăzi în toate planurile de învăţământ ingineresc,
economic şi agricol. Multe teze de doctorat au la bază utilizarea metodelor cercetărilor operaţionale în
cele mai diferite domenii.
Capitolul 1 prezintă micromodele liniare de optimizare a producţiei în agricultură având la bază
programarea liniară. Se prezintă şi probleme de tip transport şi assignment şi se exemplifică rezolvarea
efectivă a modelelor liniare cu produsul informatic EXCEL.
Pentru bazele matematice ale programării liniare (teoreme şi demonstraţii) se poate consulta
lucrarea D. ENE „Matematică aplicată în agricultură”, Editura Ceres, 2006, Cap. 5 şi 6.
Capitolul 2 prezintă micromodele cu funcţie-obiectiv pătratică, cu sau fără restricţii liniare, care
se pot rezolva de asemenea cu produsul informatic EXCEL sau cu produsul de firmă WINQSB.
Capitolul 3 foloseşte aparatul matematic al teoriei grafurilor pentru modelarea grafică a
fenomenelor complexe între care cea mai cunoscută este metoda drumului critic (CPM). Pentru
rezolvarea acestor modele am apelat la programarea liniară dezvoltată în capitolul 1.
Capitolul 4 prezintă cele mai cunoscute metode de decizii bazate pe metode matriciale inclusiv
jocuri şi lanţuri Markov.
Capitolul 5 prezintă modele deterministe şi aleatoare de optimizarea stocurilor. În continuare se
prezintă problema fiabilităţii şi planului optim de înlocuire a echipamentelor.
Capitolul 6 prezintă sistemele cu cerere şi servire aleatoare bazate pe variabilele aleatoare
Poisson şi exponenţială.
Capitolul 7 prezintă principalele metode de prognoză pentru seriile cronologice: ajustarea
dinţilor, corelaţia şi regresia liniară, precum şi corelaţiile şi regresiile neliniare.
Capitolul 8 prezintă metodele de control statistic în cursul procesului de producţie, cât şi la
recepţie pentru calitatea produselor şi fiabilitatea echipamentelor.
Din motive de accesibilitate mai redusă nu au fost incluse în lucrare teme importante precum
arbori de decizie, ordonanţare şi programarea dinamică. Pentru aceste teme se poate consulta
5
bibliografia şi, în mod special, excelenta monografie a lui Cormen T.H., Lieserson C.E. şi Rivest R.R
„Introducere în algoritmi”, Computer Libris Agora, 2000.
Bibliografia conţine numai monografii în limba rămână pentru a fi consultate mai uşor.
În anexe se dau tabele statistice necesare la capitolul 7, programe-sursă pentru rezolvarea unor
probleme din lucrare, precum şi tabele privind realizările agriculturii româneşti după 1990.
Privind aspecte informatice ale aplicării în agricultură a cercetărilor informaţionale, se poate
consulta lucrarea lui Ioniţescu E., Angelescu C. „Model arhitectural privind accesul transparent al
exploataţiilor agricole la bazele de date naţionale şi transnaţionale”, Editura Ceres, 2005.
Aducem mulţumiri sincere Prof. dr. Ion Niculae Alecu pentru sprijinul multilateral adus în
elaborarea acestei lucrări.
Aducem mulţumiri sincere Prof. dr. Manea Drăghici pentru promovarea curajoasă a Cercetărilor
informaţionale în învăţământul agricol.
Aducem mulţumiri sincere Prof. dr. Gheorghe Alexe pentru discuţiile utile privind utilizarea
informaticii în rezolvarea problemelor de cercetări operaţionale.
Aducem mulţumiri sincere Şef lucrări dr. Mărcuţă Liviu pentru sprijinul editorial în apariţia
acestei lucrări.
Aprilie 2006 Autorii
6
Capitolul 1. PROGRAMARE LINIARĂ
Obiective: însuşirea de către studenţi a modelelor liniare şi neliniare de optimizare a producţiei

agricole, a rezolvării lor cu metoda simplex pe calculator şi a interpretării economice a
soluţiilor optime ale acestor modele.
Conţinut:
1.1. Modele liniare de optimizare în producţia agricolă şi dualitatea lor
A. Modelul raţiei furajere optime pentru animale domestice
B. Modelul structurii optime a culturilor vegetale
C. Modelul rotaţiei optime a culturilor vegetale
D. Modelul cupajului optim al vinurilor
E. Dualitatea modelelor liniar de optimizare
1.2. Găsirea soluţiilor optime pentru modelele liniare primal şi dual prin metoda simplex cu
calculatorul
1.3. Modele liniare de optimizare tip transport şi de repartiţie (assignment)
1.4. Rezumat
1.5. Întrebări
1.6. Bibliografie
Cuvinte cheie: model liniar sau neliniar de optimizare, dualitate, soluţie bazică optimă, metoda
simplex.
1.1. Modele liniare de optimizare în producţia agricolă şi dualitatea lor
Metoda modelării proceselor biologice, tehnice şi economice a apărut odată cu utilizarea

calculatoarelor electronice în a doua jumătate a secolului XX.
Un model schematizează un proces complex, reţinând trăsăturile considerate esenţiale din
punctul de vedere al modelatorului. Structura şi evoluţia modelului este simulată pe calculatorul
electronic, rezultatele simulării fiind confruntate cu datele procesului modelat.
Principalele avantaje ale modelării şi simulării sunt posibilităţile de analiză şi sinteză ale
procesului modelat, precum şi prognoza evoluţiei sale. În funcţie de gradul de schematizare,
modelele pot fi macromodele şi micromodele.
Macromodelele sunt mai apropiate de procesul modelat, dar simularea lor comportă un mare
volum de calcul. Un macromodel se poate simplifica sub forma unui micromodel în scopul uşurării
simulării cu preţul îndepărtării de procesul modelat. Arta modelării şi simulării constă tocmai în
realizarea unui compromis rezonabil între apropierea de procesul modelat şi volumul de calcul pe
care îl comportă simularea modelului. Între modelele elaborate pentru agricultură un rol deosebit îl
au modelele de optimizare.
Un model de optimizare are ca părţi componente:
1) Necunoscutele (variabilele) modelului notate cu x1, ..., xn care sunt numere reale pozitive
ce urmează a fi determinate. Există modele în care necunoscutele x1, ..., xn sunt numere întregi
pozitive (de exemplu efective de animale) sau chiar valori binare (0 sau 1) (de exemplu utilizarea
(1) sau neutilizarea (0) a unei maşini agricole sau a unei tehnologii); în aceste cazuri avem modele
de optimizare cu variabile întregi, respectiv modele de optimizare cu variabile bivalente.
2) Restricţiile (constrângerile) modelului care sunt m inecuaţii sau ecuaţii care conţin
necunoscutele x1, ..., xn. Membrul doi al fiecărei restricţii este limita resursei la care se referă
restricţia. Dacă toate restricţiile modelului sunt ecuaţii, el se numeşte model standard. Orice model
7
de optimizare poate fi adus la forma standard prin adăugarea la membrul întâi al restricţiilor „” şi
„=” a unor variabile de egalizare nenegative şi prin scăderea din membrul întâi al restricţiilor „” a
altor variabile de egalizare nenegative deci modelul va avea m restricţii egalităţi şi n + m variabile
x1, ..., xn, xe1, …, xen.
3) Funcţiile-obiectiv ale modelului în număr de p, care conţin necunoscutele x1, ..., xn şi
care trebuie maximizateminimizate sau cu un cuvânt optimizate. Dacă restricţiile modelului lipsesc
atunci se zice că avem un model de optimizare fără restricţii (liber) în caz contrar modelul este cu
restricţii (legături). Un sistem de valori pozitive pentru x1, ..., xn care satisfac restricţiile, se numeşte
soluţie posibilă, iar acele soluţii posibile care optimizează o funcţie-obiectiv, se numesc soluţii
optime în raport cu acea funcţie.
Dacă restricţiile şi funcţiile-obiectiv ale modelului sunt polinoame cu necunoscutele x1, ..., xn
modelul se numeşte polinomial sau algebric, în caz contrar modelul se numeşte nepolinomial sau
transcendent.
Dacă într-un model polinomial, polinoamele din restricţii şi din funcţiile-obiectiv au gradul
1, modelul polinomial se numeşte liniar, în caz contrar modelul polinomial este neliniar.
Un model polinomial neliniar des întâlnit este modelul polinomial pătratic cu restricţii
polinoame de gradul 1 şi funcţiile-obiectiv polinoame de gradul doi. Dacă modelul de optimizare
are o singură funcţie-obiectiv, el se numeşte model monocriterial, în caz contrar se numeşte model
policriterial. Orice model policriterial se poate reduce la unul monocriterial prin înlocuirea
funcţiilor sale obiectiv cu o funcţie-obiectiv de utilitate maximă. O problemă delicată în elaborarea
modelelor apare în legătură cu restricţiile care trebuie să fie:
1) necontradictorii (să existe măcar o soluţie posibilă);
2) independente (să nu rezulte unele din altele).
În acest caz modelul de optimizare se numeşte coerent. Cu cât numărul m al restricţiilor
modelului este mai mare, cu atât pericolul contradicţiei şi  sau dependenţei restricţiilor creşte, deci
este mai greu de elaborat un macromodel coerent decât un micromodel coerent. Modelele elaborate
la un moment dat se numesc statice.
În realitate, timpul schimbă coeficienţii constanţi ai modelului (stocuri de resurse, costuri ale
resurselor, preţurile de vânzare ale produselor) ceea ce necesită reoptimizarea modelului în raport
cu aceste schimbări.
În funcţie de caracterul mărimilor care intervin în modele, acestea pot fi deterministe (cu
mărimi precise valoric) sau aleatoare o parte sau toate mărimile au valori probabile cum sunt cele
legate de natură: precipitaţii, climă, calamităţi etc. Cele mai multe macromodele de optimizare care
au fost elaborate pentru agicultură, se împart în două clase:
I. Modele de structură optimă pentru:
 culturi agricole anuale sau perene;
 rase şi grupe de animale;
 furaje grupate în raţii furajere;
 ramuri vegetale  animale în cadrul fermei.
II. Modele de repartiţie optimă pentru:
 rotaţia culturilor;
 alocare resurse (forţă de muncă, maşini, tehnologii, energie, îngrăşăminte, apă,
investiţii);
 organizarea transporturilor agricole;
 stabilirea preţurilor în economia de piaţă în raport de cerere-ofertă.
A. Modelul raţiei furajere optime pentru animale domestice
Furajele pentru animale domestice se clasifică în următoarele grupe principale:

1) Fibroase (masă verde, fânuri, furaje murate)
2) Grosiere (paie, vreji, coceni)
8
3) Concentrate (grăunţe de cereale, boabe de leguminoase, seminţe de oleaginoase)
4) Suculente (rădăcinoase, tuberculi, fructe)
5) Reziduri tehnice (tărâţe, turte, borhot)
6) Furaje de origine animală (făinuri de carne-oase, lapte, zer)
7) Furaje de origine minerală (sare, fosfat dicalcic)
Substanţele nutritive principale prezente în aceste furaje sunt:

a) Substanţa uscată (SU), în kg
b) Unităţi nutritive (UN)
c) Proteina digestibilă (PD), în g
d) Calciu (C), în g
e) Fosfor (P), în g
f) Caroten, în mg
Conţinuturile nutritive pe kg furaj se găsesc în Decretul 501982 sau în buletine de analiză
ale laboratoarelor de nutriţia animalelor. Animalele se împart în rase, rasele în grupe şi grupele în
subgrupe. De exemplu, în cadrul rasei taurine există grupa vaci în lactaţie care are subgrupe după
producţii: 4000 litrilactaţie normală, 5000 litrilactaţie normală, 6000 litrilactaţie normală. În
cadrul rasei ovine există grupa oi în lactaţie cu două subgrupe: alăptare miei şi lactaţie. Fiecare
animal domestic în raport cu rasa, grupa şi subgrupa de care aparţine, are anumite cerinţe nutritive
unitare zilnice:
I. Cerinţe pentru funcţii vitale pe 100 kg corp;
II. Cerinţe pentru funcţii de reproducţieproducţie urmărite, pe kg lapte, pe kg spor etc.
De exemplu pentru vaci în lactaţie de 500 kg avem cerinţele nutritive unitare zilnice de mai
jos la care se adaugă şi sare:
Cerinţe unitare SU UN PD Ca P Caroten Sare

(kg) (kg) (g) (g) (mg) (g)
Funcţii vitale 1,6 0,9 60 5 2,6 30 4,6
(100 kg corp)
Un litru lapte/zi 0,48 0,48 48 2,9 2,4 15 2
(4 % grăsime)
Prin înmulţirea funcţiilor vitale cu 5 şi a liniei producţiei de lapte cu 15 litrizi, obţinem

cerinţele zilnice totale pentru o vacă de 500 kg şi 15 litri laptezi:
Cerinţe totale SU UN PD Ca P Caroten Sare

(kg) (kg) (g) (g) (mg) (g)
Funcţii vitale 8 4,5 300 25 13 150 23
(500 kg corp)
15 litri lapte/zi 7,2 7,2 720 43,5 36 225 30
(4 % grăsime)
Total pe cap şi zi 15,2 11,7 1020 68,5 49 375 53
În mod analog se calculează cerinţele totale pe cap şi pe zi pentru oi în lactaţie de 50 kg şi

0,5 litri laptezi: 1,75 kg SU, 1,4 UN, 130 g PD, 9 g Ca, 5 g P, 15 mg Caroten şi 8 g sare. Raţiile
furajere diferă după sezon: vară sau iarnă.
De exemplu, pentru rumegătoare (vaci, oi, capre) vara se dau furaje masă verde şi
concentrate, în timp ce iarna se dau fânuri, grosiere, suculente şi concentrate. Cantităţile de furaje
pe cap şi pe zi au şi limite bilaterale legate de fiziologia digestiei pentru fiecare rasă, grupă şi
subgrupă din care face parte animalul domestic respectiv.
9
Veniturile din furaje se obţin transformând în lei valoarea produselor zootehnice oferite de
respectivul animal dintr-un kg de furaj, iar cheltuielile se obţin însumând costurile de
producerecumpărare, transport, depozitare şi administrare la animale a unui kg de furaj.
Profitul este diferenţa între venituri şi cheltuieli, iar rata profitului este raportul între profit şi
cheltuieli. Vom nota venitul cu V, cheltuielile cu C, profitul cu P = V – C şi rata profitului cu
RP = P/C.
Tabelul 1 care urmează, furnizează datele necesare pentru elaborarea micromodelului raţiei
furajere optime pentru o vacă de 500 kg şi 15 litri laptezi în sezonul de iarnă.
Tabelul 1
Furaje Fân Porumb Sfeclă Tărâţe Norme

lucernă siloz furajeră grâu nutritive
Resurse zilnice
SU 0,84 0,25 0,13 0,86 15,2 kg
UN 0,48 0,25 0,12 0,77 11,7 UN
PD 122 9 10 108 1020 g
Limită MIN. (kg) 10 15 10 1 Greutate raţie
Limită MAX. (kg) 15 25 15 3 MAX. = 40 kg
Venit (lei) 0,72 0,30 0,24 0,80 Total ≥ 16.2 lei
Cheltuieli (lei) 0,52 0,20 0,18 0,60 Total ≤ 12 lei
Pe baza datelor din tabelul 1, vom elabora 6 modele liniare de optimizare a raţiei furajere,
după cum urmează:
I. Optim tehnic (venit maxim)
II. Optim tehnic (cheltuieli minime)
III. Optim economic (profit maxim)
IV. Optim economic (rata profitului maximă)
V. Optim condiţionat (venit maxim cu cheltuieli date)
VI. Optim condiţionat (cheltuieli minime cu venit dat)
Fie L numărul restricţiilor „”, E numărul restricţiilor „=”, G numărul restricţiilor „”, deci
avem M = L + E + G restricţii aşezate în ordinea de mai sus.
P este numărul variabilelor proprii ale modelului respectiv. Pentru modelele V şi VI
conţinute în tabelele 3 şi 4 avem L = 6, E = 0, G = 10, deci M = 16 restricţii şi P = 4 variabile
proprii x1, x2, x3, x4, respectiv L = 5, E = 0, G = 11, deci M = 16 restricţii şi P = 4 variabile proprii
x1, x2, x3, x4.
Modelele liniare de optimizare conţinute în tabelul 3 (model V) şi tabelul 4 (model VI) se scriu
din punct de vedere matematic sub formă de inecuaţiiecuaţii în ordinea „”, „=”, „” cu variabile
(necunoscute) nenegative şi funcţie-obiectiv optimă (max  min). Membrii întâi ai restricţiilor şi funcţia-
obiectiv sunt polinoame de gradul întâi în raport cu variabilele respective.
Soluţia optimă a acestui model va fi dată în secţiunea 1.2
10
Tabelul 2
Furaje Fân Porumb Sfeclă Tărâţe Semn Limite

lucernă siloz furajeră grâu
Restricţii X1 (kg) X2 (kg) X3 (kg) X4 (kg)
Fân MAX 1 0 0 0  15 kg
Porumb MAX 0 1 0 0  25 kg
Sfeclă MAX 0 0 1 0  15 kg
Tărâţe MAX 0 0 0 1  3 kg
Greutate 1 1 1 1  40 kg
Cheltuieli 0,52 0,20 0,18 0,60  12 lei
SU 0,84 0,25 0,13 0,86  15,2 kg
UN 0,48 0,25 0,12 0,77  11,7 UN
PD 122 9 10 108  1020 g
Fân MIN 1 0 0 0  10 kg
Porumb MIN 0 1 0 0  15 kg
Sfeclă MIN 0 0 1 0  10 kg
Tărâţe MIN 0 0 0 1  1 kg
Venit (V) 0,72 0,30 0,24 0,80 MAX
Tabelul 3
Furaje Fân Porumb Sfeclă Tărâţe Semn Limite

lucernă siloz furajeră grâu
Restricţii X1 (kg) X2 (kg) X3 (kg) X4 (kg)
Fân MAX 1 0 0 0  15 kg
Porumb MAX 0 1 0 0  25 kg
Sfeclă MAX 0 0 1 0  15 kg
Tărâţe MAX 0 0 0 1  3 kg
Greutate 1 1 1 1  40 kg
SU 0,84 0,25 0,13 0,86  15,2 kg
UN 0,48 0,25 0,12 0,77  11,7 UN
PD 122 9 10 108  1020 g
Venit(V) 0,72 0,30 0,24 0,80  16.2 lei
Fân MIN 1 0 0 0  10kg
Porumb MIN 0 1 0 0  15 kg
Sfeclă MIN 0 0 1 0  10 kg
Tărâţe MIN 0 0 0 1  1 kg
Cheltuieli (C) 0,52 0,20 0,18 0,60 MIN
11
B. Modelul structurii optime a culturilor vegetale
Elementele fundamentale ale producţiei vegetale sunt: I. Soiul; II. Solul; III. Clima;
IV. Raportul cerereofertă în producţia vegetală. Etapele principale ale tehnologiei producţiei
vegetale sunt:
1. Arătura
2. Pregătirea patului germinativ
3. Semănat
4. Combatere buruieni, boli şi dăunători (de cultură şi depozit)
5. Fertilizare
6. Irigare
7. Recoltare-transport-depozitare
În toate aceste etape sunt necesare următoarele resurse:
a) Forţă de muncă
b) Forţă mecanică
c) Energie (motorină, curent electric, uleiuri-lubrifianţi)
d) Ierbicide, insectofungicide
e) Îngrăşăminte chimiceorganice
f) Apă de irigaţie
g) Resurse financiare
Precizăm că resursele financiare acoperă cheltuielile cu resursele a) - f) şi alte cheltuieli,
precum taxe şi impozite, asigurări etc. Dintre resursele precedente, ierbicidele şi insectofungicidele
fiind specifice fiecărei culturi, s-au exprimat în lei.
Diferitele forme de energie au următoarele unităţi de măsură:
 motorina se exprimă în litri (l);
 curentul electric se exprimă în kilowaţi oră (kwh);
 conţinutul energetic brut al produselor agricole se exprimă în unităţi nutritive (UN)
1 litru motorină = 10,15 Mcal
1 kwh = 0,86 Mcal
1 UN = 4,04 Mcal
Suprafeţele ce se vor cultiva cu culturile propuse au limite bilaterale, legate de cerereaoferta
faţă de aceste culturi. Veniturile din culturi se obţin transformând în lei valoarea produsului
principal (boabe) şi a celui secundar (paiecoceni) de pe un hectar de cultură, iar cheltuielile se obţin
însumând costurile fiecărei etape din tehnologie de la arătură la recoltare - transport - depozitare
plus alte cheltuieli de pe un hectar de cultură.
Profitul este diferenţa între venit şi cheltuieli, iar rata profitului este raportul între profit şi
cheltuieli.
Tabelul 4 care urmează, furnizează datele necesare pentru elaborarea micromodelului

structurii optime a culturilor. Pe baza datelor din tabelul 4 vom elabora 6 modele liniare de
optimizare a structurii culturilor după cum urmează:
I. Optim tehnic (Venit maxim)
II. Optim tehnic (Cheltuieli minime)
III. Optim economic (Profit maxim)
IV. Optim economic (Rata profitului maximă)
V. Optim condiţionat (Venit maxim cu cheltuieli date)
VI. Optim condiţionat (Cheltuieli minime cu venit dat)
Fie L numărul restricţiilor „”, E numărul restricţiilor „=”, C numărul restricţiilor „”, deci
avem M = L + E + G restricţii aşezate în ordinea de mai sus. N este numărul variabilelor proprii ale
modelului respectiv.
12
Pentru modelele V şi VI conţinute în tabelele 5 şi 6 avem L = 11, E = 1, G = 4, deci M = 16
restricţii şi P = 4 variabilele proprii x1, x2, x3, x4, respectiv L = 10, E = 1, G = 5, deci M = 16
restricţii şi P = 4 variabilele proprii x1, x2, x3, x4.
Tabelul 4
Culturi Grâu Porumb Floarea- Sfeclă Limite

soarelui de zahăr
Resurse
Motorină(litri/ha) 150 180 190 200 17100 Mcal.
Combatere burieni, 50 40 60 80 5000 lei
boli şi dăunători
Îngrăşăminte chimice 150 100 120 140 12500 kg
Limită MIN. (ha) 30 40 10 4 Suprafaţă
Limită MAX. (ha) 40 60 20 10 Totală = 100 ha
Venit 1200 1500 1200 1800 Total
(lei) ≥ 1365000 lei
Cheltuieli 840 960 990 1050 Total
(lei) ≤ 92000 lei
Tabelul 5
Culturi Grâu Porumb Floarea- Sfeclă Semn Limite

soarelui de zahăr
Restricţii X1 (ha) X2 (ha) X3 (ha) X4 (ha)
Grâu MAX 1 0 0 0  40 ha
Porumb MAX 0 1 0 0  60 ha
Floarea-soarelui MAX 0 0 1 0  20 ha
Sfeclă zahăr MAX 0 0 0 1  10 ha
Motorină (litri) 150 180 190 200  17100 litri
Combatere burieni, 50 40 60 80  5000 lei
Îngrăşăminte chimice 150 100 120 140  12500 kg
Cheltuieli (C) 840 960 990 1050  92000 lei
Suprafaţa 1 1 1 1 = 100 ha
Grâu MIN 1 0 0 0  30 ha
Porumb MIN 0 1 0 0  40 ha
Floarea-soarelui MIN 0 0 1 0  10 ha
Sfeclă zahăr MIN 0 0 0 1  4 ha
Venit (V) 1200 1500 1200 1800 MAX
13
Tabelul 6
Culturi Grâu Porumb Fl.soarelui Sfeclă Semn Limite

zahăr
Restricţii X1 (ha) X2 (ha) X3 (ha) X4 (ha)
Grâu MAX 1 0 0 0  40 ha
Porumb MAX 0 1 0 0  60 ha
Floarea-soarelui MAX 0 0 1 0  20 ha
Sfeclă zahăr MAX 0 0 0 1  10 ha
Motorină(litri) 150 180 190 200  17100 litri
Combatere burieni, 50 40 60 80  5000 lei
Îngrăşăminte chimice 150 100 120 140  12500 kg
Suprafaţa 1 1 1 1 = 100 ha
Venituri (V) (lei) 1200 1500 1200 1800  136500 lei
Grâu MIN 1 0 0 0  30 ha
Porumb MIN 0 1 0 0  40 ha
Floarea-soarelui MIN 0 0 1 0  10 ha
Sfeclă zahăr MIN 0 0 0 1  4 ha
Cheltuieli (C) (lei) 840 960 990 1050 MIN
Modele liniare de optimizare conţinute în tabelul 5 (model V) şi tabelul 6 (model VI) se

scriu din punct de vedere matematic sub formă de inecuaţii  ecuaţii în ordinea „”, „=”, „” cu
variabile (necunoscute) nenegative şi funcţie-obiectiv optimă (max  min). Membrii întâi ai
restricţiilor şi funcţia-obiectiv sunt polinoame de gradul întâi în raport cu variabilele respective.
Soluţia optimă a acestui model va fi dată în secţiunea 1.2
C. Modelul rotaţiei optime a culturilor vegetale
Monocultura este sistemul de amplasare a aceleiaşi culturi pe aceeaşi parcelă cel puţin doi
ani consecutivi. În acest caz, în respectiva parcelă proliferează buruienile, bolile şi dăunătorii
specifici aceleiaşi culturi iar producţia culturii scade.
De exemplu mazărea, inul de ulei, lucerna şi trifoiul în monocultură duc la oboseala solului.
Rotaţia culturilor este sistemul de amplasare a unei culturi în parcele diferite în doi ani consecutivi.
În acest caz cultura succesoare luptă mai bine cu buruienile, bolile şi dăunătorii rămaşi de la cultura
premergătoare, acestea nefiind specifice culturii succesoare. Există culturi cum este floarea-soarelui
care poate reveni în aceeaşi parcelă după minimum 5 ani.
Relaţia premergătoare - succesoare diferă de la caz la caz în ceea ce priveşte favorabilitatea.
Astfel o bună premergătoare pentru o succesoare, asigură pentru aceasta din urmă producţii şi
venituri mai mari şi  sau cheltuieli mai mici. De exemplu, leguminoasele (mazărea, fasolea, soia,
lintea) sunt bune premergătoare deoarece lasă în sol îngrăşăminte cu azot pe nodozităţile rădăcinilor
datorate bacteriilor fixatoare de azot. Bune premergătoare sunt şi prăşitoarele, deoarece praşilele
sunt mijloace mecanice de luptă cu buruienile.
O rea premergătoare pentru o succesoare secătuieşte solul în acele substanţe nutritive de
care ar avea nevoie în cantităţi mari şi succesoarea. De exemplu tutunul nu este bun premergător
pentru sfecla de zahăr. Elementele modelului rotaţiei optime a culturilor, sunt următoarele:
a) Necunoscutele xi sunt suprafeţe ce se vor cultiva cu succesoare după diferite premergătoare.
b) Restricţiile sunt de mai multe feluri:
 restricţii bilaterale pentru succesoare;
 ocuparea întregii suprafeţe cu succesoare;
 suprafeţele cu premergătoare s-au ocupat integral de către acestea.
14
c) Funcţiile economice sunt ca de obicei Venit, Cheltuieli, Profit, Rata profit care vor da
modelele I - IV.
Mai există şi optimul V (venit maxim cu cheltuieli date) şi optimul VI (cheltuieli minime cu
venit dat), deci optime condiţionate. L este numărul restricţiilor „”, E este numărul restricţiilor „=”
iar G este numărul restricţiilor „” deci avem M = L + E + G restricţii şi N variabile proprii.
Tabelul 7 de mai jos conţine datele necesare pentru a elabora cele 6 modele precedente. Nu
se admite monocultură, iar cheltuielileveniturile unei succesoare sunt influenţate de premergătoarea
pe care o înlocuieşte.
În căsuţa de la intersecţia liniei succesoare cu coloana premergătoarei, în partea de deasupra
sunt veniturile, iar în partea de dedesupt sunt cheltuielile. Pentru modelele V şi VI conţinute în
tabelele 8 şi 9, avem L = 4, E = 4, G = 3, deci M = 11 restricţii şi P = 7 variabile proprii, respectiv
L = 3, E = 4, G = 4, deci M = 11 restricţii şi P = 7 variabile proprii x1, x2, ..., x7.
Tabelul 7
Premergătoare Limita Limita

Grâu Porumb Soia
Succesoare ↓ MIN (ha) MAX (ha)
X 1200 1300
Grâu 30 50
800 700
Venit 1600
1500 lei
Porumb X 40 60
Cheltuieli 900
1000
1800 1900 2000
Sfeclă
1200 1100 1000 4 15
de zahăr
2000 1900 1800
Cheltuieli Venituri
Suprafeţe cu
40 ha 50 ha 5 ha totale (lei) totale (lei)
premergătoare
≤ 94000 lei ≥ 141000 lei
15
Tabelul 8
PREMERGĂTOARE GRÂU PORUMB SOIA

Porumb Sfeclă Grâu Sfeclă Grâu Porumb Sfeclă
SUCCESOARE zahăr zahăr zahăr
SEMN
LIMITE
RESTRICŢII ↓
X1(ha) X2(ha) X3(ha) X4(ha) X5(ha) X6(ha) X7(ha)
Grâu MAX 0 0 1 0 1 0 0  50 ha
Porumb MAX 1 0 0 0 0 1 0  60 ha
Sfeclă de zahăr MAX 0 1 0 1 0 0 1  15 ha
Cheltuieli (C) 1000 1200 800 1100 700 900 1000  94000 lei
SUPRAFAŢĂ 1 1 1 1 1 1 1 = 100 ha
SUPRAFAŢĂ 1 1 0 0 0 0 0 = 45 ha
Grâu premergător
SUPRAFAŢĂ 0 0 1 1 0 0 0 = 50 ha
Porumb premergător
SUPRAFAŢĂ 0 0 0 0 1 1 1 = 5 ha
Soia premergător
Grâu MIN 0 0 1 0 1 0 0  30 ha
Porumb MIN 1 0 0 0 0 1 0  40 ha
Sfeclă de zahăr MIN 0 1 0 1 0 0 1  4 ha
Venituri (V) 1500 1800 1200 1900 1300 1600 2000 MAX
16
Tabelul 9
PREMERGĂTOARE GRÂU PORUMB SOIA

Porumb Sfeclă Grâu Sfeclă Grâu Porumb Sfeclă
SUCCESOARE zahăr zahăr zahăr
SEMN
LIMITE
RESTRICŢII ↓
X1 (ha) X2 (ha) X3 (ha) X4 (ha) X5(ha) X6(ha) X7(ha)
Grâu MAX 0 0 1 0 1 0 0  50 ha
Porumb MAX 1 0 0 0 0 1 0  60 ha
Sfeclă zahăr MAX 0 1 0 1 0 0 1  15 ha
SUPRAFAŢĂ 1 1 1 1 1 1 1 = 100 ha
SUPRAFAŢĂ 1 1 0 0 0 0 0 = 45 ha
Grâu premergător
SUPRAFAŢĂ 0 0 1 1 0 0 0 = 50 ha
Porumb premergător
SUPRAFAŢĂ 0 0 0 0 1 1 1 = 5 ha
Soia premergător
Venituri (V) 1500 1800 1200 1900 1300 1600 2000  140000 lei
Grâu MIN 0 0 1 0 1 0 0  30 ha
Porumb MIN 1 0 0 0 0 1 0  40 ha
Sfeclă zahăr MIN 0 1 0 1 0 0 1  4 ha
Cheltuieli (C) 1000 1200 800 1100 700 900 1000 MIN
17
Cele 2 modele liniare de optimizare conţinute în tabelul 8 (Modelul V) şi tabelul 9 (Modelul
VI) se scriu din punct de vedere matematic sub formă de inecuaţii  ecuaţii în ordinea „”, „=”, „”
cu variabilele (necunoscute) nenegative şi funcţie-obiectiv optimă (max.  min.).
Soluţia optimă a acestui model va fi dată în secţiunea 1.2.
D. Modelul cupajului optim al vinurilor
Cupajul optim al vinurilor constă în amestecul mai multor sortimente de vinuri în proporţii
care să asigure îndeplinirea anumitor condiţii de calitate şi să aibă un cost cât mai redus.
Exemple de condiţii de calitate:
- tăria alcoolică (raportul între numărul de grade Salleron şi cantitatea sortimentului de vin);
- conţinutul de zahăr (g/litru) (raportul între cantitatea de zahăr şi cantitatea sortimentului
de vin);
- aciditatea organică sau volatilă (mg hidroxid de potasiu/g).
Exemplu
Dorim să preparăm un vin aromat (pelin) în cantitate de 274808 litri din 7 componente
codificate, după cum urmează:
A = Vin de masă nobil în cantitate de 100000 litri, tărie alcoolică 8.954, conţinut zahăr 0 şi
cost 5,30 lei/litru.
B = Vin de industrie nobil Rozé în cantitate de 25000 litri, tărie alcoolică 7.888, conţinut
zahăr 0 şi cost 3,55 lei/litru.
C = Vin de masă superior hibrid în cantitate de 150000 litri, tărie alcoolică 9.390, conţinut
zahăr 0 şi cost 3,75 lei/litru.
D = Vin de regiune în cantitate de 50000 litri, tărie alcoolică 11.827, conţinut zahăr 0 şi cost
7,20 lei/litru.
E = Must alcoolizat în cantitate de 15000 litri, tărie alcoolică 15.792, conţinut zahăr 121.75
şi cost 7 lei/litru.
F = Sirop (din 5735 kg zahăr) în cantitate de 15000 litri, tărie alcoolică 0, conţinut zahăr
531.95 şi cost 2.27 lei/litru.
Dorim ca amestecul rezultat să aibă tăria alcoolică de cel puţin 9.376, conţinut de zahăr de
25 g/litru şi să aibă costul minim.
Variabilele modelului vor fi cantităţile x1, …, x7 în litri din componentele A-F care vor intra
în amestec.
Urmează macheta modelului liniar de optimizare al cupajului vinurilor.
A B C D E F
SORTIMENT SEMN LIMITE
X1 X2 X4 X5 X6 X7
RESTRICŢII (litri) (litri) (litri) (litri) (litri) (litri)
A max 1 0 0 0 0 0 ≤ 100000 litri
B max 0 1 0 0 0 0 ≤ 25000 litri
C max 0 0 1 0 0 0 ≤ 150000 litri
D max 0 0 0 1 0 0 ≤ 50000 litri
E max 0 0 0 0 1 0 ≤ 15000 litri
F max 0 0 0 0 0 1 ≤ 15000 litri
CANTITATE 1 1 1 1 1 1 = 274808 litri
ZAHĂR 0 0 0 0 121.75 531.95 = 6870200
TĂRIE 8.594 7.888 9.390 11.827 15.792 0 ≥ 2576600
ALCOOLICĂ
CHELTUIELI 5.30 3.55 3.75 7.20 7.00 2.27 MINIM
18
Explicaţie: b8 = 6870200 = 25 x 274808; 2576600 = 9.376 x 274808
Modelul cupajului optim are L = 6 inecuaţii de forma „≤”, E = 2 ecuaţii de forma „=” şi G = 1
inecuaţie de forma „≥”, deci un total de M = L + E + G = 9 restricţii precum şi P = 6 variabile
proprii X1,…,X6. Prin introducerea a M = 9 variabile de egalizare Xe1 ,…Xe9, modelul va avea M = 9
restricţii de tip ecuaţie cu N = P + M = 15 variabile X1,…,X6; Xe1,…Xe9 din care 9 vor fi bazice
nenule şi 6 nebazice nule. În funcţia-obiectiv f, variabilele de egalizare Xe1,…,Xe9 vor apare cu
coeficienţii 0.
Soluţia optimă a acestui model va fi dată în secţiunea 1.2.
E. Dualitatea modelelor liniare de optimizare
Modelele liniare din secţiunea precedentă conduc la extreme de funcţii liniare cu legături
liniare.
Aceste modele au M = L + E + G restricţii (inecuaţii) şi P variabile proprii.
Inecuaţiile devin ecuaţii prin introducerea în membrul întâi al inecuaţiilor a M variabile de
egalizare xe1, …, xeM astfel: în restricţiile de tip „≤” şi „=” se adaugă variabile de egalizare xej, iar
în restricţii de tip „≥” se scad variabile de egalizare xej.
În acest fel modelele standard (cu restricţii de tip „=”) au tot M restricţii dar au N = P + M
variabile x1, …, xP; xe1, …, xeM. În funcţia-obiectiv f variabilele de egalizare xe1, …, xeM apar cu
coeficienţi egali cu 0.
Cu notaţiile:
 a11 a1N   b1   x1   c1 
  ;   ;   ;  
A  B  X  C 
a aMN  b  x  c 
 M1  M  N  N
avem forma matricială a modelului liniar standard:
1 AX B
 2 X0
 3 f  CT  X  Optim
Modelul standard (1)(3) numit primal are M restricţii şi N  P  M necunoscute: x1, ..., xp;
xe1, ..., xem.
Sistemul liniar compatibil nedeterminat A.X = B din (1) se rezolvă cu programul SISTEM
din Anexa 2
Modelul standard (1)(3), numit şi model standard primal, admite un model standard dual.
Modelul standard dual (16)(18) are forma matricială:
 4 AT  Y  C
 5 Y  oarecare
 6 g  BT  Y  optim dual
Optimul dual este minim pentru f maxim şi maxim pentru f minim. Modelul standard dual
are P restricţii şi N  P  M necunoscute: ye1, ... , yeP ; y1, ... , yM .
Exemple:
1) Fie problema de optimizare primală:
4x1 + x2 ≤ 5
3x1 + 2x2 = 7
2x1 + 3x2 ≥ 10
x1, x2 ≥ 0
----------------------
f = 6x1 + 3x2 = maxim
19
În acest model primal avem P = 2 necunoscute proprii x1, x2 şi M = 3 restricţii.
În modelul dual avem M = 3 necunoscute proprii y1, y2, y3 şi P = 2 restricţii.
Luând coeficienţii de pe coloanele modelului primal, obţinem modelul dual:
4y1 + 3y2 + 2y3 ≥ 6
y1 + 2y2 + 3y3 ≥ 3
y1 ≥ 0; y2 = oarecare; y3 ≤ 0
-----------------------------------
g = 5y1 + 7y2 + 10y3 = minim
Se numesc concordante, restricţiile „≤” cu fmaxim şi restricţiile „≥” cu fminim.
Se numesc neconcordante, restricţiile „≥” cu fmaxim şi restircţiile „≤” cu fminim.
Restricţiile concordante din modelul primal corespund cu variabile duale proprii nenegative
în modelul dual, iar restricţiile neconcordante din modelul primal corespund cu variabile proprii
nepozitive în modelul dual. Restricţiile egalităţi în modelul primal corespund cu variabile duale
proprii oarecare în modelul dual.
În modelul primal de mai sus prima restricţie este concordantă cu f, deci y1 ≥ 0, a doua
restricţie este egalitate, deci y2 este oarecare, iar a treia restricţie este neconcordantă cu f, deci y3 ≤ 0.
În modelul primal avem x1, x2 ≥ 0, deci în modelul dual restricţiile trebuie să fie concordante
cu gminim deci trebuie să fie de forma „≥”. Dacă în modelul primal am fi avut fminim atunci în modelul
dual am fi avut gmaxim deci cele două restricţii din modelul dual, concordante cu gmaxim, ar fi fost de
forma „≤”.
Ca şi modelul liniar primal, modelul liniar dual are soluţii posibile, bazice, optime.
Proprietăţi ale dualităţii
Teorema 1.1 (Teorema de dualitate)
Fie problemele:
Primala Duala
AX  b AT Y  C
X0 Y0
f  CT X  min im g  b T Y  max im
Avem unul din cazurile:
1) Primala şi duala au soluţii posibile, deci au şi soluţii optime şi optimele lor coincid: fminim =
gmaxim
2) Primala are soluţii posibile, iar duala nu are soluţii posibile sau invers. În acest caz problema
care are soluţii posibile are optim infinit: f min im   ; gmax im  
3) Primala şi duala nu au soluţii posibile
Teorema 1.2 (a ecarturilor complementare)
Fie X soluţie posibilă a problemei primale:

AX  b
X0
f  c T X  min im
şi fie Y soluţie posibilă a problemei duale:
AT  c
Y0
f  bT Y  max im
20
X, Y sunt soluţii optime pentru primală respectiv pentru duală dacă şi numai dacă:
a) YT   AX  b   0 şi
b) c  A Y  X  0
T
Observaţie
Relaţiile din teorema ecarturilor complementare 1.2, numite şi condiţiile Kuhn-Tucker se
scriu:
a) AiT X  bi  yi  0  i  1, ... , m 
b) YT A j  c j  x j  0  j  1, ... , n 
În adevăr, relaţiile din teorema ecarturilor complementare 1.2, se scriu:
y1  A1T X  b1   ...  yn  ATmX  bm   0;
x1  c1  yT A1   ...  xn  cn  YT An   0.
şi cum termenii din cele două sume sunt mai mari sau egali cu zero, rezultă că toţi termenii trebuie
să fie zero:
yi  AiT X  bi   0  i  1, ... , m 
x j  c j  YT A j   0  j  1, ... , n 
de unde rezultă cele afirmate în enunţul din observaţie.
Teorema 1.3
Fie X o soluţie optimă a primalei:

AX  b
X0
f  c T X  min im
şi fie Y o soluţie optimă a dualei:
AT  c
Y0
g  bT Y  max im
Avem relaţiile:
a) x j  g  j  1, ... , n 
c j
f
b) yi   i  1, ... , m 
bi
În concluzie, variabilele yi măsoară variaţia funcţiei-obiectiv a primalei Δf provocată de

variaţia unitară a limitelor de restricţie Δbi = 1. Din această cauză variabilele duale y i se numesc
preţuri-umbră sau costuri de oportunitate.
Interpretarea variabilelor primale xi este analoagă.
21
1.2. Găsirea soluţiilor optime pentru modelele primal şi dual cu metoda simplex
Din cele prezentate în secţiunea 1.1 rezultă că, cunoaşterea soluţiilor bazice optime permite
găsirea oricărei soluţii optime. De regulă, modelele liniare au o singură soluţie optimă care este
obligatoriu bazică. Numărul soluţiilor bazice este cel mult: CMN  N  N  1... N  M  1
1  2...M
De exemplu pentru modelul raţiei furajere optime ca şi pentru modelul structurii optime a
17  16  15  14
culturilor avem cel mult: C13
17  C17 
4
 2380 soluţii bazice în timp ce pentru modelul
1 2  3  4
rotaţiei optime a culturilor avem cel mult C1118  C18  7956
7
soluţii bazice.
Căutarea exhaustivă a soluţiei bazice optime este laborioasă, de aceea a fost elaborată o
metodă mai rapidă de optimizare numită metoda simplex. Această metodă pleacă de la o soluţie
bazică iniţială pe care o schimbă cu una mai bună (pentru care funcţia f se apropie de optimul ei), pe
aceasta o schimbă cu una mai bună etc. până se ajunge la o soluţie bazică optimă.
Prin aceasta se evită inspectarea soluţiilor bazice mai puţin bune ca soluţia bazică iniţială; în
plus la trecerea de la o soluţie bazică la alta mai bună, se schimbă o componentă bazică cu acea
componentă nebazică care asigură cea mai mare variaţie a funcţiei f, deci se micşorează în mod
semnificativ volumul de calcul.
Implementarea metodei simplex se face prin mai multe procedee:
1) Program direct de calcul într-un limbaj de programare.
Exemplu: Programul OPTIMF (Anexa 2) în unul din limbajele GWBASIC, QBASIC,
QUICKBASIC 4.5 (QB)
2) Programe de firmă specializate pe cercetări operaţionale ca MS, QM, MSS şi WINQSB.
3) Produse informatice care lucrează cu tabele de calcul precum EXCEL sau QUATTRO.
4) Produse informatice profilate pe calcul matricial precum MATLAB.
Exemplu
Să se rezolve problema de programare liniară primală următoare cu SOLVER din EXCEL:
4x1 + x2 ≤ 5
3x1 + 2x2 = 7
2x1 + 3x2 ≥ 10
x1 , x2 ≥ 0
-----------------------
f = 6x1 + 3x2 = maxim
Funcţia auxiliară fa = 5x1 + 8x2
Soluţie
Problema duală are forma:
4y1 + 3y2 + 2y3 ≥ 6
y1 + 2y2 + 3y3 ≥ 3
y1 ≥ 0; y2 = oarecare; y3 ≤ 0
------------------------------------
g = 5y1 + 7y2 + 10y3 = minim
Prin indroducerea de variabile de egalizare, problemele primală şi duală capătă forma
standard (au numai restricţii egalităţi).
Această operaţie o face programul!
Aceste forme standard sunt:
Primala:
4x1 + x2 + xe1 = 5
3x1 + 2x2 + xe2 =7
2x1 +3x2 - xe3 = 10
x1, x2, xe1, xe2, xe3 ≥ 0
22
-----------------------
f = 6x1 + 3x2 + 0.xe1 + 0.xe2 + 0.xe3 = maxim
cu soluţii de forma: X = (x1, x2; xe1, xe2, xe3) din R5
Duala:
4y1 + 3y2 + 2y3 – ye1 = 6
y1 + 2y2 + 3y3 – ye2 = 3
y1 ≥ 0; y2 = oarecare; y3 ≤ 0; ye1, ye2 ≥ 0
----------------------------------------------------
g = 5y1 + 7y2 + 10y3 + 0.ye1 + 0.ye2 = minim
cu soluţii de forma Y = (ye1, ye2; y1, y2, y3) din R5.
Pentru computer este suficient să se dea elementele problemei primale sub forma iniţială
(nestandard) şi se calculează soluţiile bazice optime primală X(0) şi duală Y(0), ambele din R5
precum şi valoarea comună a optimului: fmaxim = gminim.
SOLUŢIA BAZICĂ OPTIMĂ PRIMALĂ SOLUŢIA BAZICĂ OPTIMĂ DUALĂ

1) VPP (Variabile primale proprii) 3) VDE (Variabile duale de egalizare)
x1 = 0.2 ye1 = 0
x2 = 3.2 ye2 = 0
2) VDE (Variabile primale de egalizare) 4) VDP (Variabile duale proprii)
xe1 = 1 y1 = 0
→ xe2 = 0 → y2 = 2.4
→ xe3 = 0 → y3 = - 0.6
fmax = gmin = 10.8
Valoarea funcţiei auxiliare este 26.6
Rezolvarea cu SOLVER din EXCEL:

Problema primală din enunţ se plasează în foaia EXCEL cu numele OPTIML:
A1 B C D E F G H I
2 PROGRAM LINIAR (OPTIML)
3 SOLUŢIA COEF. F-CŢIE - OB. VALOARE COEF. VALOARE
OPTIMĂ f F-CŢIE -OB. Fa fa
4 X1 X2 C1 C2 f D1 D2
5 0.2 3.2 6 3 10.8 5 8 26.6
6 RESTRICŢII: MEMBRU SEMN MEMBRU
7 X1 X2 STÂNG: RESTRICŢIE: DREPT:
8 4 1 4 < 5
9 3 2 7 = 7
10 2 3 10 > 10
FORMULE:
F5: = $B$5*$D$5 + $C$5*$E$5
I5: = $B$5*$G$5 + $C$5*$H$5
D8: = $B$5*$B$8 + $C$5*$C$8
D9: = $B$5*$B$9 + $C$5*$C$9
D10: = $B$5*$B$10 + $C$5*$C$10
Se deschide meniul Tools (ALT T) şi se alege în fereastra TOOLS, opţiunea SOLVER. Apare
fereastra Solver Parameters cu aspectul de mai jos:
23
În căsuţa din dreapta opţiunii Set Target Cell se scrie adresa absolută $F$5 în care se găsesc
valorile succesive ale funcţiei-obiectiv f a problemei primale, ultima valoare fiind cea optimă.
Sub această căsuţă se face opţiunea Max în butonul radio din stânga, deoarece problema
primală este de maxim.
În căsuţa de sub opţiunea By Changing Cells se dau adresele absolute $B$5, $C$5 în care se
găsesc valorile succesive ale variabilelor x1, x2, primele valori putând fi luate egale cu zero iar
ultimele valori fiind cele optime.
Se activează opţiunea Add care deschide fereastra Add Constraint în care se scriu cele trei
restricţii ale problemei primale $D$8 <= $F$8; $D$9 = $F$9; $D$10 >= $F$10 astfel:
În fereastra Cell Reference se scrie membrul stâng al restricţiei, din lista ascunsă se alege
semnul restricţiei iar în fereastra Constraint se scrie membrul drept al restricţiei.
După terminarea scrierii fiecărei restricţii, se activează opţiunea Add pentru a introduce
restricţia următoare.
Int
int
bin
După închiderea cu OK a acestei ferestre, restricţiile precedente apar în căsuţa de sub

opţiunea Subject to the Constraints din ferestra Solver Parameters de mai sus.
Dacă ulterior dorim să modificăm sau să ştergem unele restricţii, le selectăm şi folosim
opţiunile Change sau Delete.
Activând opţiunea Solve din fereastra Solver Parameters, apare fereastra Solver Results de
mai jos:
24
În căsuţa de sub opţiunea Reports selectăm opţiunile Answer, Sensitivity şi Limits care vor
ataşa foii de calcul trei rapoarte cu rezultate: soluţiile optime primală şi duală, valoarea optimului şi
intervalele pentru componentele vectorilor b şi c care nu necesită reoptimizare. De altfel, variabilele
primale proprii x1 şi x2 ale soluţiei bazice optime primale şi valoarea optimă a funcţiei-obiectiv f
apar şi în foaia EXCEL iniţială în celulele $B$5, $C$5 respectiv $F$5.
În celula $I$5 apare şi valoarea funcţiei auxiliare fa.
Soluţii optime pentru modelele din secţiunea 1.1, găsite cu metoda simplex
Cifrele de mai jos sunt oferite de computer, iar cuvintele sunt scrise de cel care a alcătuit
modelul liniar de optimizare.
Săgeţile din tabele marchează componentele nebazice nule pentru soluţia bazică optimă
primală, respectiv componentele bazice nenule pentru soluţia bazică optimă duală.
A. RAŢIA FURAJERĂ
Modelul V (Venit maxim cu cheltuieli limitate) din tabelul 2 are soluţiile:

1) VPP (Cantităţi de furaje în raţie) 3) VDE (Surplus de venit lei/kg furaj)
x1 = 11.875 kg fân lucernă ye1 = 0 lei surplus de venit/kg fân
x2 = 17.125 kg porumb siloz ye2 = 0 lei surplus de venit/kg porumb
x3 = 10 kg sfeclă furajeră ye3 = 0 lei surplus de venit/kg sfeclă
x4 = 1 kg tărâţe grâu ye4 = 0 lei surplus de venit/kg tărâţe
2) VPE (Diferenţe între resursele 4) VDP(Venituri marginale)
consumate şi limitele lor)
xe1 = 3.125 kg fân deficit y1 = 0 lei creştere venit/al 16-lea kg fân
xe2 = 7.875 kg porumb deficit y2 = 0 lei creştere venit/al 26-lea kg porumb
xe3 = 5 kg sfeclă deficit y3 = 0 lei creştere venit/al 16-lea kg sfeclă
xe4 = 2 kg tărâţe deficit y4 = 0 lei creştere venit/al 4-lea kg tărâţe
→ xe5 = 0 kg furaj deficit → y5 = 0.037 lei creştere venit/al 41-lea kg furaj
→ xe6 = 0 lei necheltuiţi → y6 = 1.313 lei creştere venit/încă 1 leu cheltuit
xe7 = 1.216 kg SU surplus y7 = 0 lei creştere venit/încă 1 kg SU
xe8 = 0.251 UN surplus y8 = 0 lei creştere venit/încă 1 UN
xe9 = 790.875 g PD surplus y9 = 0 lei creştere venit/încă 1 g PD
xe10 = 1.875 kg fân surplus y10 = 0 lei creştere venit/al 11-lea kg fân
xe11 = 2.125 kg porumb surplus y11 = 0 lei creştere venit/al 16-lea kg porumb
→ xe12 = 0 kg sfeclă surplus → y12 = -0.034 lei creştere venit/al 11-lea kg sfeclă
→ xe13 = 0 kg tărâţe surplus → y13 = -0.025 lei creştere venit/al 2-lea kg tărâţe
fmaxim = gminim = 16.887 lei
Pentru soluţiile optime de mai sus avem valorile optime Vm = 16.887 lei = maxim; Cm = 12 lei;
Pm = 4.887 lei; RPm = 0.410
25
Indicatori economici ai modelului liniar V:
I) Rata medie a profitului RMP = 0.410 lei profit /1 leu cheltuit
II) Rata marginală a profitului RDP = y6 – 1 = 0.313 lei creştere de profit / 1 leu creştere de
cheltuieli
III) Elasticitatea ratei profitului ERP = RDP / RMP = 0.8 % creştere de profit / 1 % creştere de
cheltuieli
Modelul VI (Cheltuieli minime cu venit garantat) din tabelul 2 are soluţiile:

1) VPP (Cantităţi de furaje în raţie) 3) VDE (Deficit de cheltuieli lei/kg furaj)
x1 = 10 kg fân lucernă ye1 = 0 lei deficit de cheltuieli /kg fân
x2 = 16.84 kg porumb siloz ye2 = 0 lei deficit de cheltuieli /kg porumb
x3 = 10 kg sfeclă furajeră ye3 = 0 lei deficit de cheltuieli /kg sfeclă
x4 = 1.93 kg tărâţe grâu ye4 = 0 lei deficit de cheltuieli /kg tărâţe
2) VPE (Diferenţe între resursele 4) VDP (Cheltuieli marginale)
xe1 = 5 kg fân deficit y1 = 0 lei creştere chelt./al 16-lea kg fân
xe2 = 8.16 kg porumb deficit y2 = 0 lei creştere chelt./al 26-lea kg porumb
xe3 = 5 kg sfeclă deficit y3 = 0 lei creştere chelt./al 16-lea kg sfeclă
xe4 = 1.07 kg tărâţe deficit y4 = 0 lei creştere chelt./al 4-lea kg tărâţe
xe5 = 1.23 kg furaj deficit y5 = 0 lei creştere chelt./al 41-lea kg furaj
xe6 = 0.37 kg SU surplus y6 = 0 lei creştere chelt./încă 1 kg SU
→ xe7 = 0 UN surplus → y7 = 0.645 lei creştere chelt./încă 1 UN
xe8 = 660.60 g PD surplus y8 = 0 lei creştere chelt./încă 1 g PD
→ xe9 = 0 lei venit surplus → y9 = 0.129 lei creştere chelt./încă 1 leu venit
→ xe10 = 0 kg fân surplus → y10 = 0.117 lei creştere venit/al 11-lea kg fân
xe11 = 1.84 kg porumb surplus y11 = 0 lei creştere chelt./al 16-lea kg porumb
→ xe12 = 0 kg sfeclă surplus → y12 = 0.072 lei creştere chelt./al 11-lea kg sfeclă
xe13 = 0.93 kg tărâţe surplus y13 = 0 lei creştere chelt./al 2-lea kg tărâţe
fminim = gmaxim = 11.53 lei
Pentru soluţiile optime de mai sus avem valorile optime Vm = 16.2 lei; Cm = 11.53 lei = minim;
Pm = 4.67 lei; RPm = 0.288
Indicatori economici ai modelului liniar VI:

I) Rata medie a profitului RMP = (16.2-11.53)/11.53 = 0.288 lei profit /1 leu cheltuieli
II) Rata marginală a profitului RDP = (1 / y9) – 1 = 6.752 lei creştere de profit / 1 leu creştere de
cheltuieli.
III) Elasticitatea ratei profitului ERP = RDP / RMP = 23.4 % creştere profit / 1 % creştere
cheltuieli.
B. STRUCTURA CULTURILOR

1) VPP (Suprafeţe cultivate) 3) VDE (Surplus de venit mil.lei/ha cultură)
x1 = 40 ha grâu ye1 = 0 lei surplus de venit/ha grâu
x2 = 44.44 ha porumb ye2 = 0 lei surplus de venit/ha porumb
x3 = 10 ha floarea-soarelui ye3 = 0 lei surplus de venit/ha floarea-soarelui
x4 = 5.56 ha sfeclă de zahăr ye4 = 0 lei surplus de venit/ha sfeclă de zahăr
26
2) VPE (Diferenţe între resursele 4) VDP (Venituri marginale)
→ xe1 = 0 ha grâu deficit → y1 = 100 lei creştere venit/al 41-lea ha grâu
xe2 = 15.56 ha porumb deficit y2 = 0 lei creştere venit/al 61-lea ha porumb
xe3 = 10 ha floarea-soarelui deficit y3 = 0 lei creştere venit/al 21-lea ha floarea-soarelui
xe4 = 4.44 ha sfeclă de zahăr deficit y4 = 0 lei creştere venit/al 11-lea ha sfeclă
xe5 = 88.89 litri motorină neconsumaţi y5 = 0 lei creştere venit/încă 1 litru motorină
xe6 = 1.78 lei necheltuiţi cu BBD y6 = 0 lei creştere venit/încă 1 leu chelt. BBD
xe7 = 77.78 kg NPK neconsumate y7 = 0 lei creştere venit/încă 1 kg NPK
→ xe8 = 0 lei necheltuiţi → y8 = 3.333 lei creştere venit/încă 1 leu chelt.
→ xe9 = 0 ha teren necultivate → y9 = - 1700 lei creştere venit/încă 1 ha teren
xe10 = 10 ha grâu surplus y10 = 0 lei creştere venit/al 31-lea ha grâu
xe11 = 4.44 ha porumb surplus y11 = 0 lei creştere venit/al 41-lea porumb
→ xe12 = 0 ha floarea-soarelui surplus → y12 = -400 lei creştere venit/al 11-lea ha floarea-soarelui
xe13 = 1.56 ha sfeclă de zahăr surplus y13 = 0 lei creştere venit/al 5-lea ha sfeclă zahăr
fmaxim = gminim = 136667 lei
Pentru soluţiile optime de mai sus avem valorile optime V m = 136667 lei = maxim; Cm =
92000 lei; Pm = 44667 lei; RPm = 0.485

I) Rata medie a profitului RMP = 0.485 mil. lei profit /1 mil. lei cheltuit
II) Rata marginală a profitului RDP = y11 – 1 =2.333 lei creştere de profit / 1 lei creştere de
cheltuieli
cheltuieli

1) VPP (Suprafeţe cultivate) 3) VDE (Deficit de chelt. mil. lei/ha cultură)
x1 = 40 ha grâu ye1 = 0 lei deficit de chelt./ha grâu
x2 = 45 ha porumb ye2 = 0 lei deficit de chelt./ha porumb
x3 = 10 ha floarea-soarelui ye3 = 0 lei deficit de chelt./ha floarea-soarelui
x4 = 5 ha sfeclă de zahăr ye4 = 0 lei deficit de chelt./ha sfeclă de zahăr
→xe1 = 0 ha grâu deficit →y1 = - 30 lei creştere chelt./al 41-lea ha grâu
xe2 = 15 ha porumb deficit y2 = 0 lei creştere chelt./al 61-lea ha porumb
xe3 = 10 ha floarea-soarelui deficit y3 = 0 lei creştere chelt./al 21-lea ha floarea-soarelui
xe4 = 5 ha sfeclă de zahăr deficit y4 = 0 lei creştere chelt./al 11-lea ha sfeclă
xe5 = 100 litri motorină neconsumaţi y5 = 0 lei creştere chelt./încă 1 litru motorină
xe6 = 200 lei necheltuiţi cu BBD y6 = 0 lei creştere chelt./încă 1 leu chelt. Cu BBD
xe7 = 200 kg NPK neconsumate y7 = 0 lei creştere chelt./încă 1 kg NPK
→xe8 = 0 ha teren necultivate →y8 = 510 lei creştere chelt./încă 1 ha teren
→xe9 = 0 lei surplus de venit →y9 = 0.3 lei creştere chelt./încă 1 leu venit
xe10 = 10 ha grâu surplus y10 = 0 lei creştere chelt./al 31-lea ha grâu
xe11 = 5 ha porumb surplus y11 = 0 lei creştere chelt./al 41-lea porumb
→xe12 = 0 ha floarea-soarelui surplus →y12 = 120 lei creştere chelt./al 11-lea ha floarea-soarelui
xe13 = 1 ha sfeclă de zahăr surplus y13 = 0 lei creştere chelt./al 5-lea ha sfeclă zahăr
fminim = gmaxim = 91950 lei
Pentru soluţiile optime de mai sus avem valorile optime Vm = 136500 lei; Cm = 91950 lei =
minim; Pm = 44550 lei; RPm = 0.326
27
I) Rata medie a profitului RMP = 0.326 mil. lei profit /1 mil. lei cheltuit
II) Rata marginală a profitului RDP = (1 / y9 – 1) =2.333 lei creştere de profit / 1 lei creştere de
cheltuieli
cheltuieli
C. ROTAŢIA CULTURILOR

1) VPP (Suprafeţe cultivate cu succesoare 3) VDE (Surplus de venit mil. lei/ha cultură)
după premergătoare)
x1 = 45 ha porumb după grâu ye1 = 0 lei surplus de venit/ha P după G
→ x2 = 0 ha sfeclă zahăr după grâu → ye2 = 400 lei surplus de venit/ha SZ după G
x3 = 35 ha grâu după porumb ye3 = 0 lei surplus de venit/ha G după P
x4 = 15 ha sfeclă de zahăr după porumb ye4 = 0 lei surplus de venit/ha SZ după P
x5 = 0 ha grâu după soia ye5 = 0 lei surplus de venit/ha G după S
x6 = 5 ha porumb după soia ye6 = 0 lei surplus de venit/ha P după S
x7 = 0 ha sfeclă zahăr după soia ye7 = 0 lei surplus de venit/ha SZ după S
2) VPE (Diferenţe între resursele 4) VDP (Venituri marginale)
xe1 = 15 ha grâu deficit y1 = 0 lei creştere venit/al 51-lea ha grâu
xe2 = 10 ha porumb deficit y2 = 0 lei creştere venit/al 61-lea ha porumb
→ xe3 = 0 ha sfeclă de zahăr deficit → y3 = 250 lei creştere venit/al 16-lea ha sfeclă zahăr
→ xe4 = 0 lei necheltuiţi → y4 = 1.5 lei creştere venit/încă un mil.lei chelt.
→ xe5 = 0 ha teren necultivate → y5 = 250 lei creştere venit/al 101-lea ha teren
→ xe6 = 0 ha grâu premerg.necultivate → y6 = - 250 lei creştere venit/al 46-lea ha G premerg.
→ xe7 = 0 ha porumb premerg.necultivate → y7 = - 250 lei creştere venit/al 51-lea ha P premerg.
xe8 = 0 ha soia premerg.necultivate y8 = 0 lei creştere venit/al 6-lea ha S premerg.
xe9 = 5 ha grâu surplus y9 = 0 mil.lei creştere venit/al 31-lea ha grâu
xe10 = 10 ha porumb surplus y10 = 0 lei creştere venit/al 41-lea ha porumb
xe11 = 11 ha sfeclă zahăr surplus y11 = 0 lei creştere venit/al 5-lea ha sfeclă zah.
fmaxim = gminim = 146000 lei
Prescurtări: G = grâu; P = porumb; S = soia; SZ = sfeclă de zahăr
Pentru soluţiile optime de mai sus avem valorile optime Vm = 146000 lei = maxim; Cm = 94000 lei;
Pm = 52000 lei; RPm = 0.553

I) Rata medie a profitului RMP = 0.553 lei profit / 1 leu cheltuit
II) Rata marginală a profitului RDP = y4 – 1 = 0.5 lei creştere de profit / 1 leu creştere de cheltuieli
III) Elasticitatea ratei profitului ERP = RDP/RMP = 0.9 % creştere de profit / 1 % creştere de
cheltuieli.
28

1) VPP (Suprafeţe cultivate cu succesoare 3) VDE (Deficit de chelt. mil. lei/ha cultură)
după premergătoare)
x1 = 45 ha porumb după grâu ye1 = 0 lei deficit de chelt./ha P după G
→ x2 = 0 ha sfeclă zahăr după grâu → ye2 = 71.429 lei deficit de chelt./ha SZ după G
x3 = 40 ha grâu după porumb ye3 = 0 lei deficit de chelt./ha G după P
x4 = 10 ha sfeclă zahăr după porumb ye4 = 0 lei deficit de chelt./ha SZ după P
x5 = 5 ha grâu după soia ye5 = 0 lei deficit de chelt./ha G după S
→ x6 = 0 ha porumb după soia → ye6 = 71.429 lei deficit de chelt./ha P după S
x7 = 0 ha sfeclă zahăr după soia ye7 = 0 lei deficit de chelt./ha SZ după S
xe1 = 5 ha grâu deficit y1 = 0 lei creştere chelt./al 51-lea ha grâu
xe2 = 15 ha porumb deficit y2 = 0 lei creştere chelt./al 61-lea ha porumb
xe3 = 5 ha sfeclă de zahăr deficit y3 = 0 lei creştere chelt./al 16-lea ha sfeclă zahăr
→ xe4 = 0 ha necultivate → y4 = 285.714 lei creştere chelt./al 101-lea ha teren
→ xe5 = 0 ha grâu premerg.necultivate → y5 = 71.429 lei creştere chelt./al 46-lea ha G premerg.
xe6 = 0 ha porumb premerg.necultivate y6 = 0 lei creştere chelt./al 51-lea ha P premerg.
→ xe7 = 0 ha soia premerg.necultivate → y7 = -142.857 lei creştere chelt./al 6-lea ha S premerg.
→ xe8 = 0 lei venit surplus y8 = 0.429 lei creştere chelt./încă un mil.venit
xe9 = 15 ha grâu surplus y9 = 0 lei creştere venit/al 31-lea ha grâu
xe10 = 10 ha porumb surplus y10 = 0 lei creştere venit/al 41-lea ha porumb
xe11 = 6 ha sfeclă zahăr surplus y11 = 0 lei creştere venit/al 5-lea ha sfeclă zah.
Prescurtări: G = grâu; P = porumb; S = soia; SZ = sfeclă de zahăr
Pentru soluţiile optime de mai sus avem valorile optime Vm = 141000 lei; Cm = 91500 lei = min;
Pm = 49500 lei; RPm = 0.351
I) Rata medie a profitului RMP =0.351 lei profit /1 leu cheltuit.
II) Rata marginală a profitului RDP =(1/y8 ) – 1 = 1.331 lei creştere de profit / 1 leu creştere de cheltuieli.
III) Elasticitatea ratei profitului ERP = RDP/RMP = 3.8 % creştere de profit / 1 % creştere de cheltuieli.
D. CUPAJUL OPTIM AL VINURILOR

1. VPP (Cantităţi de vin în amestec) 3. VDE (Deficit de cheltuieli lei / litru)
X1 = 48519.59 litri de tip A Ye1 = 0 lei pe litru de tip A
X2 = 25000 litri de tip B Ye2 = 0 lei pe litru de tip B
X3 = 150000 litri de tip C Ye3 = 0 lei pe litru de tip C
X4 = 26807.41 litri de tip D Ye4 = 0 lei pe litru de tip D
X5 = 15000 litri de tip E Ye5 = 0 lei pe litru de tip E
X6 = 9482 litri de tip F Ye6 = 0 lei pe litru de tip F
2. VPE (Diferenţe între resurse consumate şi limitele lor) 4. VDP (Cheltuieli marginale)
Xe1 = 51481.41 litri de tip A deficit Y1 = 0 lei creşt. chelt. / încă 1 litru de tip A
→ Xe2 = 0 litri de tip B deficit → Y2 = -1.335 lei creşt. chelt. / încă 1 litru de tip B
→ Xe3 = 0 litri de tip C deficit → Y3 = -2.018 lei creşt. chelt. / încă 1 litru de tip C
Xe4 = 23192.59 litri de tip D deficit Y4 = 0 lei creşt. chelt. / încă 1 litru de tip D
→ Xe5 = 0 litri de tip E deficit → Y5 = -2.993 lei creşt. chelt. / încă 1 litru de tip E
Xe6 = 0 litri de tip F deficit Y6 = 0 lei creşt. chelt. / încă 1 litru de tip F
→ Xe7 = 0 litri de amestec diferenţă → Y7 = 0.249 lei creşt. chelt. / încă 1 litru amestec
→ Xe8 = 0 g / litru zahăr diferenţă → Y8 = 0.04 lei creşt. chelt. / încă 1 g / litru zahăr
→ Xe9 = 0 grade tărie alcoolică surplus → Y9 = 0.588 lei creşt. chelt. / încă 1 grad tărie alcool
29
La amestecul optim de mai sus se adaugă 24850 litri macerat de pelin cu tărie alcoolică de
10.867 grade Selleron şi cu costul de 7.20 lei / litru şi 396 litri spirt rafinat (cu 44 kg acid sorbic) cu
tărie alcoolică 9.620 grade Selleron şi cu costul de 10.12 lei / litru, ceea ce ridică cantitatea de
amestec la 300054 litri amestec şi tărie alcoolică 9.5 grade Selleron şi cheltuielile finale minime de
1410863.5 lei.
Reoptimizarea modelelor liniare
Valorile coeficienţilor unui model liniar suferă modificări în timp. Cele mai frecvente modificări
sunt:
a) Modificarea valorilor coeficienţilor c1, …, cP ai funcţiei-obiectiv f în care caz se pune problema
dacă soluţia optimă primală existentă a modelului mai rămâne optimă (nu necesită reoptimizare).
b) Modificarea valorilor termenilor liberi b1, …, bM ai restricţiilor în care caz se pune problema
dacă soluţia optimă duală existentă a modelului mai rămâne optimă (nu necesită reoptimizare).
Răspunsul la aceste întrebări este dat de raportul Limits din fereastra Solver Results a
produsului EXCEL (vezi secţiunea 1.2).
Exemplu (Modelul raţiei furajere optime)
a) În modelul V al raţiei furajere optime, modificarea preţului de vânzare al laptelui, modifică
coeficienţii c1, c2, c3, c4 ai funcţiei-obiectiv f. Soluţia optimă primală existentă a modelului
rămâne optimă dacă c1(0.70; 0.78); c2(0.277; 0.400); c3(0; 0.274); c4(0; 0.825).
În modelul VI al raţiei furajere optime, modificarea costurilor furajelor, modifică coeficienţii
c1, c2, c3, c4 ai funcţiei-obiectiv f. Soluţia optimă primală existentă a modelului rămâne optimă
dacă c1(0.403; +); c2(0.195; 0.221); c3(0.108; +); c4(0.533; 0.616).
b) În modelul V al raţiei furajere optime, la modificarea limitei de cheltuieli b6, soluţia optimă
duală existentă a modelului rămâne optimă dacă b6  (11.65; 12.68).
În modelul VI al raţiei furajere optime, la modificarea garanţiei de venit b12, soluţia optimă
duală existentă a modelului rămâne optimă dacă b9  (16.126; 16.273).
Exemplu (modelul structurii optime a culturilor).
c) În modelul V al structurii optime a culturilor, modificarea preţurilor de vânzare ale cerealelor,
modifică coeficienţii c1, c2, c3, c4 ai funcţiei-obiectiv f. Soluţia optimă primală existentă a
modelului rămâne optimă dacă c1  (1100; +); c2  (900; 1542.857); c3  (0; 1600); c4 
(1725; +).
În modelul VI al structurii optime a culturilor, modificarea costurilor resurselor, modifică
coeficienţii c1, c2, c3, c4 ai funcţiei-obiectiv f. Soluţia optimă primală existentă a modelului
rămâne optimă dacă c1  (0; 870); c2  (945; 1020); c3  (870; +); c4  (960; 1080).
d) În modelul V al structurii optime a culturilor, la modificarea limitei de cheltuieli b11, soluţia
optimă duală existentă a modelului rămâne optimă dacă b8  (91860; 92175).
În modelul VI al structurii optime a culturilor, la modificarea garanţiei de venit b12, soluţia
optimă duală existentă a modelului rămâne optimă dacă b9  (136200; 137250).
Probleme de optimizare speciale
Probleme de optimizare cu mai multe funcţii-obiectiv
În cazul unui model liniar cu mai multe funcţii-obiectiv f1,..., fr se pot obţine prin metoda
simplex r soluţii bazice optime pentru funcţiile precedente. Pentru orice f de maxim, valoarea sa
maximă MAX este optimă (cea mai bună), iar valoarea sa minimă MIN este pessimă (cea mai rea).
În cazul funcţiei f de minim denumirea pentru MAX şi MIN se inversează.
Fie OP1, ..., OP2 valorile optime ale funcţiile f1,..., fr. Se înlocuiesc funcţiile f1,..., fr cu
unităţile:
30
f1  PE1 f  PE r
u1  , ... , ur  r
OP1  PE1 OPr  PE r
Dacă funcţiile sunt optime, utilităţile sunt egale cu 1, iar dacă funcţiile sunt pessime atunci
utilităţile sunt egale cu 0.
Funcţiile f1,..., fr fiind exprimate în unităţi de măsură diferite, nu se pot aduna în timp ce
utilităţile fiind exprimate în numere cuprinse între 0 şi 1, se pot aduna dând utilitatea globală:
u = u1 + ... + ur.
În final se maximizează utilitatea globală u obţinându-se o soluţie bazică de compromis (cu
r criterii de optimizare).
Exemplu
Să se rezolve problema de optimizare cu două funcţii-obiectiv:
4x1 + x2 ≤ 4
2x1 + 3x2 ≤ 6
x1 , x2 ≥ 0
-----------------------
f1 = 6x1 + 7x2 = maxim
f2 = 5x1 + 8x2 = minim
Soluţie
Cu metoda simplex găsim f1 max = OP1 = 14.8; f1 min = PE1 = 0; f2 min = OP2 = 0; f2 max = PE2 = 16
Funcţiile de utilitate sunt:
u1 = (6x1 + 7x2 – 0) / (14.8 – 0) = (6 / 14.8)x1 + (7 / 14.8)x2
u2 = (5x1 + 8x2 – 16) / (0 – 16) = (-5 / 16)x1 + (- 8 / 16)x2
Aceste funcţii de utilitate sunt cuprinse în intervalul [0; 1].
Funcţia de utilitate globală este:
u = u1 + u2 = (6 / 14.8 – 5 / 16)x1 + (7 / 14.8 – 8 / 16)x2 + 1
Rezolvăm problema de optimizare globală:
4x1 + x2 ≤ 4
2x1 + 3x2 ≤ 6
x1 , x2 ≥ 0
-----------------------
u = (6 / 14.8 – 5 / 16)x1 + (7 / 14.8 – 8 / 16)x2 = maxim
şi găsim soluţia optimă de compromis:
x1 = 1; x2 = 0 pentru care f1 = 6; f2 = 5
Probleme de optimizare cu necunoscute întregi sau bivalente
Există modele de optimizare în care necunoscutele sunt numere întregi.

Un asemenea model se întâlneşte la optimizarea structurii efectivelor de animale pe grupe de vârstă
sau rase; aceste efective trebuie să fie numere întregi.
Există modele de optimizare în care variabilele sunt bivalente (iau numai valorile 0 sau 1).
Un asemenea model îl vom întâlni în secţiunea 2.1 când o variabilă ataşată unui arc într-o reţea este
1 dacă arcul este pe drumul optim şi 0 în caz contrar.
a) Pentru modelele cu necunoscute întregi putem aplica metoda Gomory astfel:
1) Se rezolvă problema de optimizare cu variabilele considerate ca numere reale;
2) În ultimul tabel simplex, alegem o componentă neîntreagă xi(0) a soluţiei bazice optime.
Restricţia cu numărul i are forma:
(1) {ai1}x1 +…{ain}xn ≥ {xi(0)}
unde {a} este partea fracţionară (pozitivă, subunitară) a numărului real a.
31
De exemplu {3.14} = 0.14; {- 3.14} = 0.86
Restricţia (1) se adaugă celorlalte restricţii din ultimul tabel simplex şi se aplică metoda simplex
ca în pasul 1), deci componenta neîntragă xi(0) va deveni întreagă.
Paşii 1), 2) se aplică până la obţinerea tuturor componentelor întregi ale soluţiei bazice optime.
Exemplu
Să se rezolve problema de optimizare cu necunoscute întregi nenegative:
2x1 + 3x2 ≤ 6
2x1 + x2 ≤ 3
x1, x2 ≥0, x1, x2 = întregi
-----------------------------
f = 10x1 + x2 = maxim
Soluţie:
Rezolvăm problema cu necunoscute reale şi în tabelul simplex final, găsim soluţia bazică optimă
neîntreagă: x1 = 1.5; x2 = 0; xe1 = 3; xe2 = 0 cu fmax = 15
Tabelul simplex final aferent acestei soluţii bazice optime neîntregi, conduce la restricţiile:
(1) x2 + xe1 – xe2 = 3
(2) x1 + 0.5x2 + 0.5xe2 = 1.5
A doua restricţie cu mebrul doi neântreg, o transformăm astfel:
0.5x2 + 0.5xe2 ≥ 0.5, adică x2 + xe2 ≥ 1 şi o adăugăm restricţiilor (1), (2) de mai sus aflate în tabelul
simplex final al problemei cu necunoscute reale.
Cu aceste trei restricţii şi cu funcţia f de mai sus, rezovăm problema de optimizare cu necunoscute
reale:
x2 +xe1 – xe2 = 3
x1 +0.5x2 + 0.5xe2 = 1.5
x2 + xe2 ≥ 1
x1, x2, xe1, xe2 ≥0
-------------------------------------
f = 10.x1 + 1.x2 + 0.xe1 + 0.xe2 = maxim
Această problemă are soluţia bazică optimă întreagă:
x1 = 1; x2 = 1 şi fmax = 11
b) Pentru modele cu necunoscute bivalente, acestea se pot reduce la modele cu necunoscute
întregi prin adăugarea restricţiilor: x1 ≤ 1, …, xn ≤ 1
Exemplu
Să se rezolve problema de optimizare cu variabile bivalente:
4x1 + x2 ≤ 4
2x1 + 3x2 ≤ 6
x1, x2 = 0 sau 1
-------------------------
f = 6x1 + 7x2 = maxim
Soluţie
Vom rezolva ca la punctul a) de mai sus, problema de optimizare cu necunoscute întregi:
4x1 + x2 ≤ 4
2x1 + 3x2 ≤ 6
x1 ≤ 1
x2 ≤ 1
x1 , x2 ≥ 0
--------------------
f = 6x1 + 7x2 = maxim
care are soluţia bazică optimă bivalentă: x1 = 0; x2 = 1 şi fmax = 7
32
Modele de optimizare cu funcţie-scop
Funcţia-obiectiv a unui model liniar de optimizare f poate fi înlocuită cu funcţia-scop care
urmăreşte:
A) minimizarea diferenţei între valoarea funcţiei-obiectiv f = c1x1 +…+cpxp şi o valoare dată
f0. În acest caz adăugăm restricţia c1x1 + … +cpxp + xen+1 = f0 dacă se cere fmaxim şi c1x1 + … +cpxp -
xen+1 = f0 dacă se cere fminim şi în ambele cazuri minimizăm pe xen+1: h = xen+1 = minim.
B) minimizarea diferenţei între cantitatea consumată din resursa cu numărul i: ai1x1+ … +
ainxn şi cantitatea disponibilă din acestă resursă bi adică chiar valoarea variabilei de egalizare xei: h =
xei = minim. Dacă resursele cu numărul i şi j au aceeaşi unitate de măsură se poate minimiza şi h =
xei + xej.
Exemplu
Fie problema de optimizare:
x1  2
x2  3
4x1 + x2  4
x1 , x2  0
------------------
f = 6x1 + 7x2 = maxim
Avem forma standard:
x1 + xe1 = 2
x2 + xe2 = 3
4x1 + x2 – xe3 = 4
x1, x2, xe1, xe2, xe3  0
A) Fie f0 = 15. Ataşăm formei standard restricţia 6x1 + 7x2 + xe4 = 15 şi minimizăm funcţia h = xe4 =
minim. Găsim soluţia x1 = 13 / 22; x2 = 36 / 22; xe1 = 31 / 22; xe2 = 30 / 22; xe3 = 0; xe4 = hminim = 0
B) Ataşăm formei standard funcţia h1 = xe1 = minim şi găsim soluţia optimă: x1 = 2, x2 = 0; xe1 = 0,
xe2 = 3, xe3 = 4 şi h1 are valoarea minimă 0.
Ataşăm formei standard funcţia h2 = xe2 = minim şi găsim soluţia optimă: x1 = 0.25, x2 = 3; xe1 =
1.75, xe2 = 0, xe3 = 0 şi h2 are valoarea minimă 0.
Ataşăm formei standard funcţia h3 = xe1 + xe2 = minim şi găsim soluţia optimă: x1 = 2, x2 = 3; xe1 =
0, xe2 = 0, xe3 = 7 şi h3 are valoarea minimă 0.
1.3. Modele de optimizare tip transport şi de repartiţie (assignment)
De la furnizorii F1, …, Fm la beneficiarii B1, …, Bn trebuie transportate produse; fie cij

cheltuielile / veniturile pe unitatea de produse (tonă, bucată) când acestea se repartizează de la Fi la
Bj.
De exemplu în cazul transportului, cheltuielile cij (lei/tonă) se obţin înmulţind costul unic
(lei/tonă km) cu distanţa (km) de la Fi la Bj.
Din această cauză asemenea modele se numesc modele tip transport.
Fie a1, …, am ofertele în tone ale furnizorilor F1, …, Fm şi b1, …, bn cererile în tone ale
beneficiarilor B1, …, Bn.
Presupunem că modelul tip transport este echilibrat adică oferta totală este egală cu cererea
totală OT = a1 + … + am = b1 + … + bn = CT
33
Datele se arajează în tabelul:
F/B B1 . . . . . Bn Oferte
F1 c11 . . . . . c1n a1
. . . .
. . . .
. . . .
Fn cm1 . . . . . cmn am
Cereri b1 . . . . . bn CT = OT
Fie xij cantitatea de produse (tone) care se va repartiza de la Fi la Bj.
Problema de optimizare tip transport are forma:
x11 + … x1n = a1
……………..
xm1 + … xmn = am
……………..
x11 + … xm1 = b1
.…………….
x1n + … xmn = bn
xij ≥ 0
------------------------------
m n
f   cij x ij  max/ min
i 1 j1
Problemele de optimizare tip transport pot fi rezolvate cu metoda simplex prin transformarea
matricii coeficienţilor C = (cij) de tip mxn în şirul (c11, …, c1n, …, cm1, …, cmn) de lungime m.n şi a
matricii necunoscutelor X = (xij) de tip mxn în şirul (x11, …, x1n, …, xm1, …, xmn) de lungime m.n.
Ele pot fi rezolvate şi printr-o metodă matricială numită metoda potenţialelor (Vezi
secţiunea 2.3 din lucrarea autorului “Matematică şi biometrie” Fascicola I, AMD, Litografiat,
1979).
Problemele tip transport au totdeauna soluţie bazică iniţială cu m + n – 1 componente xij
nenule, care poate fi găsită prin diverse metode: căsuţa (i, j) de Nord-Vest ,căsuţa (i, j) de cost optim
pe linii sau pe coloane sau pe ansamblul tabelului.
Modelul tip transport dual are forma:
ui + vj ≥ (≤) cij (1 ≤ i ≤ m, 1 ≤ j ≤ n)
ui,vj = oarecare
----------------------------------------------
g = (a1u1 +… + amum) + (b1v1 + … + bnvn) = minim (maxim)
Dacă avem gminim atunci în restricţii punem semnul ≥, iar dacă avem gmaxim atunci în restricţii
punem semnul ≤.
ui (lei / tonă) reprezintă cota-parte din cij (lei / tonă) care revine lui Fi iar vj (lei / tonă)
reprezintă cota-parte din cij (lei / tonă) care revine lui Bj.
Funcţia-obiectiv duală g reprezintă în lei suma cotelor- părţi ce revin tuturor furnizorilor şi
beneficiarilor pentru ofertele respectiv cererile acestora.
Problemele neechilibrate (cu OT ≠ CT) trebuie echilibrate astfel:
a) Dacă OT = a1 + … + am > b1 + … + bn = CT, introducem un beneficiar fictiv Bn+1* cu
coeficienţii c1,n+1 = …= cm,n+1 = 0 şi cu cererea OT – CT.
b) Dacă OT = a1 + … + am < b1 + … + bn = CT, introducem un furnizor fictiv Fm+1* cu coeficienţii
cm+1,1 = …= cm+1,n = 0 şi cu oferta CT - OT.
Exemple
1) Fie problema de maxim cu doi furnizori şi doi beneficiari:
34
F\B B1 B2 Oferte
F1 2 3 14
F2 5 4 9
Cereri 10 8 OT = 23
CT = 18
Deoarece OT = 23 tone > 18 tone = CT, introducem un beneficiar fictiv B3* cu cererea b3* =
OT – CT = 5 tone şi cu c13 = c23 = 0, iar problema devine echilibrată.
F\B B1 B2 B3* Oferte

F1 2 3 0 14
F2 5 4 0 9
Cereri 10 8 5 23
Transformăm acest tabel pentru a aplica metoda simplex:
F F1 F2
B B1 B2 B3* B1 B2 B3* Semn Limite
Restric. x1 x2 x3 x4 x5 x6
F1 1 1 1 1 1 1 = 14
F2 0 0 0 1 1 1 = 9
B1 1 0 0 1 0 0 = 10
B2 0 1 0 0 1 0 = 8
B3* 0 0 1 0 0 1 = 5
F 2 3 0 5 4 0 MAXIM
După rezolvare avem:
Soluţie bazică optimă primală Soluţie bazică optimă duală

1) VPP (cantităţi transportate) 3) VDP (Surplus de venit / tonă)
x1 = 1 tonă de la F1 la B1 ye1 = 0 surplus de venit / tonă de la F1 la B1
x2 = 8 tone de la F1 la B2 ye2 = 0 surplus de venit / tonă de la F1 la B2
x3* = 5 tone rămân la F1 ye3 = 0 surplus de venit / tonă de la F1 la B3*
x4 = 9 tone de la F2 la B1 ye4 = 0 surplus de venit / tonă de la F2 la B1
→ x5 = 0 tone de la F2 la B2 → ye5 = 2 surplus de venit / tonă de la F2 la B2
→ x6 = 0 tone rămân la F2 → ye6 = 3 surplus de venit / tonă de la F2 la B3*
2) VPE (Diferenţe între cantităţile 4) VDP (Venituri marginale)
transportate şi limite)
xe1 = 0 tone de la F1 y1 = u1 = 0 creştere venit/ încă 1 t de la F1
→ xe2 = 0 tone de la F2 → y2 = u1 = 3 creştere venit/ încă 1 t de la F2
→ xe3 = 0 tone la B1 → y3 = v1 = 2 creştere venit/ încă 1 t la B1
xe5 = 0 tone la B3* y5 = v3* = 0 creştere venit/ încă 1 t la B3*
fmaxim = gminim = 71 unităţi băneşti
2) Fie problema de minim cu doi furnizori şi doi beneficiari:
F\B B1 B2 Oferte
F1 5 1 10
F2 4 2 12
Cereri 15 8 OT = 22
CT = 23
35
Deoarece OT = 22 tone < 23 tone = CT, introducem un furnizor fictiv F3* cu oferta a3* =
CT – OT = 1 tonă şi cu c31 = c32 = 0, iar problema devine echilibrată.
F\B B1 B2 Oferte
F1 5 1 10
F2 5 4 12
F3 * 0 0 1
Cereri 15 8 23
Transformăm acest tabel pentru a aplica metoda simplex:

F F1 F2 F3 * Semn Limite
B B1 B2 B1 B2 B1 B2
Restric. x1 x2 x3 x4 x5* x6*
F1 1 1 0 0 0 0 = 10
F2 0 0 1 1 0 0 = 12
F3 * 0 0 0 0 1 1 = 1
B1 1 0 1 0 1 0 = 15
B2 0 1 0 1 0 1 = 8
F 5 1 4 2 0 0 MINIM
După rezolvare cu metoda simplex avem:
Soluţie bazică optimă primală Soluţie bazică optimă duală

1) VPP (cantităţi transportate) 3) VDP (Deficit de venit / tonă)
x1 = 2 tone de la F1 la B1 ye1 = 0 deficit de venit / tonă de la F1 la B1
→ x4 = 0 tone de la F2 la B2 → ye4 = 2 deficit de venit / tonă de la F2 la B2
x5* = 1 tonă nu ajunge la B1 ye5* = 0 deficit de venit / tonă de la F3* la B1
→ x6* = 0 tone nu ajung la B2 → ye6* = 4 deficit de venit / tonă de la F3* la B2
2) VPE (Diferenţe între cantitățile 4) VDP (Venituri marginale)
transportate şi limite)
→ xe1 = 0 tone de la F1 → y1 = u1 = 1 creştere venit/ încă 1 t de la F1
xe2 = 0 tone de la F2 y2 = u1 = 0 creştere venit/ încă 1 t de la F2
→ xe3 = 0 tone de la F3* → y3 = u3* = 4 creştere venit/ încă 1 t la F3*
xe5 = 0 tone la B2 y5 = v2 = 0 creştere venit/ încă 1 t la B2
fminim = gmaxim = 66 unităţi băneşti
Probleme tip transport cu unele rute interzise

Dacă problema primală este de maxim, în rutele interzise luăm costuri cij negative, mult mai
mici ca restul costurilor din căsuţele neinterzise.
În soluţia bazică optimă primală aceste căsuţe interzise nu apar, contribuţia lor la fmaxim fiind
neglijabilă.
Dacă problema primală este de minim, în rutele interzise luăm costuri cij pozitive, mult mai
mari ca restul costurilor din căsuţele neinterzise.
În soluţia bazică optimă primală aceste căsuţe interzise nu apar, contribuţia lor la fminim fiind
prea mare.
Probleme tip transport cu centre intermediare

În acest caz între furnizorii F1, …, Fm şi beneficiarii B1, …, Bn se interpun centrele de
tranzit T1, …, Tp care pot fi angrouri, depozite etc. în care produsele sosesc de la furnizori şi pleacă
36
mai departe la beneficiari. Vom echilibra oferta totală a furnizorilor cu cererea totală a
beneficiarilor prin introducerea unui furnizor / beneficiar fictiv, iar la restricţii adăogăm condiţiile
de tranzitare a produselor prin centrele T1, …, Tp: cantitatea totală de produse care soseşte în fiecare
centru de tranzit este egală cu cantitatea totală de produse care pleacă din acest centru de tranzit.
Exemplu
Fie problema de minim cu tabelele de date:
Tabelul 1
T T1 T2 Oferte
F
F1 5 10 50 t
F2 8 6 30 t
80 t
Tranzit 200 t 300 t 500 t
Tabelul 2
B B1 B2 Tranzit
T
T1 7 4 200 t
T2 2 9 300 t
500 t
Cereri 60 t 40 t 100 t
Echilibrăm oferta totală OT = 80 t din tabelul 1 cu cererea totală CT = 100 t prin adăugarea
în tabelul 1 a unui furnizor fictiv F3* cu oferta CT – OT = 20 t şi costurile de transport nule deci
obţinem tabelul 3:
Tabelul 3
T T1 T2 Oferte
F
F1 5 10 50 t
F2 8 6 30 t
F3* 0 0 20 t
80 t
Tranzit 200 t 300 t 500 t
Din liniile tabelului 3 rezultă ecuaţiile:

X11 + X12 = 50
X21 + X22 = 30
X31 + X32 = 20
iar din coloanele tabelului 2 rezultă ecuaţiile:
X41 + X51 = 60
X42 + X52 = 40
Condiţiile de tranzit pentru T1 şi T2 se extrag din coloanele tabelului 3 şi din liniile tabelului 2:
X11 + X21 + X31 = X41 + X42
X12 + X22 + X32 = X51 + X52
Funcţia-obiectiv este:
f = 5.X11 + 10.X12 + 8.X21 +6.X22 + 0.X31 + 0.X32 + 7.X41 + 4.X42 + 2X51 + 9X52 = minim
37
Transferăm datele precedente în tabelul 4 pentru a aplica metoda simplex:
Tabelul 4
Rute F1 F2 F3 * T1 T2
T1 T2 T1 T2 T1 T2 B1 B2 B1 B2 Semn Limite
Restricţii X1 X2 X3 X4 X5 X6 X7 X8 X9 X10
F1 1 1 0 0 0 0 0 0 0 0 = 50 t
F2 0 0 1 1 0 0 0 0 0 0 = 30 t
F3* 0 0 0 0 1 1 0 0 0 0 = 20 t
B1 0 0 0 0 0 0 1 0 1 0 = 60 t
B2 0 0 0 0 0 0 0 1 0 1 = 40 t
T1 1 0 1 0 1 0 -1 -1 0 0 = 0
T2 0 1 0 1 0 1 0 0 -1 -1 = 0
Cheltuieli 5 10 8 6 0 0 7 4 2 9 MINIM
Soluţiile bazice optime primală şi duală vor fi:
Soluţia bazică optimă primală Soluţia bazică optimă duală

1. VPP (cantităţi transportate) 3. VDE (deficit de cheltuieli lei / t)
X1 = 50 t de la F1 la T1 Ye1 = 0 lei / t de la F1 la T1
X2 = 0 t de la F1 la T2 Ye2 = 0 lei / t de la F1 la T2
 X3 = 0 t de la F2 la T1  Ye3 = 7 lei / t de la F2 la T1
X4 = 30 de la F2 la T2 Ye4 = 0 lei / t de la F2 la T2
 X5 = 0 t lipsesc la T1  Ye5 = 5 lei / t rămase la T1
X6 = 20 t lipsesc la T2 Ye6 = 0 lei / t rămase la T2
X7 = 10 t de la T1 la B1 Ye7 = 0 lei / t de la T1 la B1
X8 = 40 t de la T1 la B2 Ye8 = 0 lei / t de la T1 la B2
X9 = 50 t de la T2 la B1(din care lipsesc 20 t) Ye9 = 0 lei / t de la T2 la B1
 X10 = 0 t de la T2 la B2  Ye10 = 10 lei / t de la T2 la B1
2. VPE (diferenţe între cantităţi transportate şi limite) 4. VDP (cheltuieli marginale)
 Xe1 = 0 t rămase la F1  Y1 =9 lei creştere chelt./ a 51-a tonă
 Xe2 = 0 t rămase la F2  Y2 =5 lei creştere chelt./ a 31-a tonă
 Xe3 = 0 t rămase la F3 *
 Y3 = -1 leu creştere chelt./ a 21-a tonă
 Xe4 = 0 t neprimite la B1 (neprimite 20 t)  Y4 =3 lei creştere chelt./ a 61-a tonă
Xe5 = 0 t neprimite la B2 Y5 =0 lei creştere chelt./ a 41-a tonă
 Xe6 = 0 t rămase la T1  Y6 = - 4 lei creştere chelt./ 1 tonă la T1
 Xe7 = 0 t rămase la T2  Y7 =1 lei creştere chelt./ 1 tonă la T2
fminim = gmaxim = 760 unităţi băneşti
Probleme de repartiţie (assignment)
Aceste probleme sunt de tip transport în care F1, …, Fm sunt solicitanţi de slujbe iar B1, …, Bn
sunt angajatorii. Coeficienţii cij sunt valori economice ale solicitantului Fi la angajatorul Bj.
xij sunt variabile bivalente: xij = 1 dacă Fi este angajat de Bj şi 0 în caz contrar.
În plus a1= … = am = 1 şi b1 = … bn = 1.
Exemplu
Fie problema de repartiţie de maxim a trei solicitanţi Fi pentru două posturi Bj pe care o
echilibrăm:
F\B B1 B2 B3* Oferte
F1 30 10 0 1
F2 40 60 0 1
F3 50 50 0 1
Cereri 1 1 1 3
38
Transformăm problema pentru a aplica metoda simplex şi o rezolvăm ca problemă de
optimizare cu neconoscute întregi adăugând şi restricţiile xi ≤ 1:
F F1 F2 F3 Semn Limite
B B1 B2 B3* B1 B2 B3* B1 B2 B3*
Restricţii x1 x2 x3 x4 x5 x6 x7 x8 x9
F1 B1 1 0 0 0 0 0 0 0 0 ≤ 1
F1 B2 0 1 0 0 0 0 0 0 0 ≤ 1
F1 B3 * 0 0 1 0 0 0 0 0 0 ≤ 1
F2 B1 0 0 0 1 0 0 0 0 0 ≤ 1
F2 B2 0 0 0 0 1 0 0 0 0 ≤ 1
F2 B3 * 0 0 0 0 0 1 0 0 0 ≤ 1
F3 B1 0 0 0 0 0 0 1 0 0 ≤ 1
F3 B2 0 0 0 0 0 0 0 1 0 ≤ 1
F3B3* 0 0 0 0 0 0 0 0 1 ≤ 1
F1 1 1 1 0 0 0 0 0 0 = 1
F2 0 0 0 1 1 1 0 0 0 = 1
F3 0 0 0 0 0 0 1 1 1 = 1
B1 1 0 0 1 0 0 1 0 0 = 1
B2 0 1 0 0 1 0 0 1 0 = 1
B3* 0 0 1 0 0 1 0 0 1 = 1
F 30 10 0 40 60 0 50 50 0 MAXIM
Soluţia optimă bivalentă este:

x1 = 0; x2 = 0; x3 = 1; x4 = 0; x5 = 1; x6 = 0; x7 = 1; x8 = 0; x9 = 0 cu fmaxim = 110
Rezultă că F1 nu va fi angajat, F2 va fi angajat de B2 iar F3 va fi angajat de B1.
1.4. Rezumat
În acest capitol se prezintă patru modele liniare de optimizare a producţiei agricole, se

prezintă dualitatea modelelor liniare de optimizare precum şi rezolvarea acestor modele cu metoda
simplex cu calculatorul. În continuare se prezintă modelele liniare tip-transport şi assignment.
1.5. Întrebări
1. Care sunt părţile componente ale unui model liniar de optimizare?

2. Care este interpretarea variabilelor duale în modelele liniare de optimizare?
3. Cum se rezolvă cu metoda simplex modelele liniare tip transport şi assignment?
1.6. Bibliografie
1. Stănăşilă O. „Analiză liniară şi geometrie” Vol. I - II, Editura All, 2000 - 2001
2. Cenuşă Gh. şi col. „Matematici pentru economişti”, Editura Cison, 2000
3. Cenuşă Gh. şi col. „Matematici pentru economişti – culegere de probleme”, Editura Cison, 2000
4. Ene D. „Matematici (I)”, Editura Ceres, 2004
5. Gogonea S., Ene D. „Analiză numerică”, Editura Cartea Universitară, 2005
6. Ene D., Gogonea S. „Metode numerice”, Editura Cartea Universitară, 2005
7. Ene D. „Matematică aplicată în agricultură”, Ed. Ceres, 2006
39
Capitolul 2. PROGRAMARE NELINIARĂ
Obiective: Însuşirea de către studenţi a cunoştinţelor de programare neliniară cu aplicaţii în optimizarea

preţurilor de vânzare a produselor agricole şi alocarea optimă a resurselor în agricultură.
Conţinut:
2.1 Modele de programare neliniară fără restricţii cu funcţie-obiectiv pătratică
2.2 Modele de programare neliniară cu restricţii ecuaţii şi funcţie-obiectiv pătratică
2.3 Modele de programare neliniară cu restricţii inecuaţii şi funcţie-obiectiv pătratică
2.4 Rezumat
2.5 Întrebări
2.6 Bibliografie
Cuvinte-cheie: preţ optim,alocare optimă a resurselor,multiplicatori Lagrange
2.1. Modele de optimizare fără restricţii cu funcţie-obiectiv pătratică
Optimizarea nivelului preţurilor de vânzare sub aspectul maximizării venitului din vânzarea
produselor agricole, a stimulării consumului de produse agricole este o cale principală de relansare a
producţiei agricole.
Fie x preţul de vînzare variabil (lei / kg) al unui produs agricol, fie y cantitatea variabilă din
produs, vândută într-un interval de timp de lungime T, la preţul de vânzare x şi fie z = x.y valoarea
variabilă în lei a cantităţii vândute la preţul de vânzare x.
Fie xc preţul de vânzare curent al produsului, fie yc cantitatea vândută la preţul de vînzare curent
xc şi fie zc = xc.yc valoarea în lei a cantităţii vândute la preţul de vânzare curent xc.
Fie xp un preţ de vânzare de probă pentru testarea pieţii, pentru care avem în acelaşi interval de
timp de lungime T, cantitatea de produs vândută yp şi valoarea în lei a cantităţii vândute zp la preţul de
vânzare xp.
Este clar că avem funcţia y = f(x) descrescătoare în raport cu x, datorită limitării puterii de
cumpărare a cumpărătorilor potenţiali. Avem z = x.f(x).
Dorim să calculăm preţul de vânzare economic xe pentru care valoarea în lei a cantităţii
vândute ze = xe.f(xe) este maximă.
Dacă cantitatea de produs y scade direct proporţional odată cu creşterea preţului de vânzare
x, cantitatea de produs vândută are forma y = a.x + 2b cu a < 0.
Coeficienţii a, b se găsesc din condiţiile:
yc = a.xc + 2b; yp = a.xp + 2b
deci a = (yp – xc) / (xp – xc); b = (xpyc – xcyp) / 2.(xp – xc).
Avem z = x.y = a.x2 + 2.b.x deci z = maxim pentru z’ = 2a.x + 2.b = 0, aşa că xe = b / (- a) deci
ye = b şi ze = xe.ye = maxim.
40
Exemplu
Un vânzător a vândut într-o piaţă cu preţul curent xc = 2.5 lei/kg în T = 3 zile, o cantitate
yc = 30 kg mere ionatan pentru care a primit suma zc = 75 lei.
În continuare a vândut la aceeaşi piaţă cu preţul de probă xp = 3 lei / kg tot în T = 3 zile, o
cantitate yp = 25 kg mere ionatan pentru care a primit suma zp= 75 lei. Din formulele de mai sus
rezultă a = -10; b = 27.5 deci preţul de vânzare economic xe = 2.75 lei/kg cu care în T = 3 zile, s-ar
vinde cantitatea ye = 27.5 kg mere ionatan şi s-ar primi suma maximă ze = 75.625 lei.
Un alt vânzător a vândut în altă piaţă cu preţul curent xc = 3 lei/kg în T = 3 zile, o cantitate
yc = 20 kg mere golden pentru care a primit suma zc = 60 lei.
În continuare a vândut la aceeaşi piaţă cu preţul de probă xp = 3.5 lei / kg tot în T = 3 zile, o
cantitate yp = 17 kg mere golden pentru care a primit suma zp= 59.5 lei. Din formulele de mai sus
rezultă a = - 6; b = 19 deci preţul de vînzare economic xe = 3.17 lei/kg cu care în T = 3 zile, s-ar
vinde cantitatea ye = 19 kg mere golden şi s-ar primi suma maximă ze = 60.17 lei.
Dacă cei doi vânzători ar vinde produsele lor în aceeaşi piaţă, merele ionatan şi golden fiind
produse concurenţiale, valoarea totală a vânzărilor celor două soiuri de mere este mai mică decât
valoarea vânzărilor pentru fiecare soi în parte adică z1 = (-10x12 + 55 x1) şi respectiv z2 = (- 6x22 +
39 x2), avînd forma:
(1) z = (-10x12 + 55 x1) + (- 6x22 + 39 x2) + (2 a12 x1x2) cu a12 < 0.
Dacă cele două produse ar fi fost complementare (de exemplu mere şi pere) am fi avut a12 > 0.
Valoarea coeficientului de concurenţă a12 se determină astfel:
Cei doi vânzători vând soiurile lor de mere în aceeaşi piaţă cu preţurile x1c = 2.5 lei/kg mere
ionatan şi respectiv x2c = 3 lei/kg mere golden timp de T = 3 zile şi volumul vânzărilor împreună
este zc = 115.05 lei. Înlocuim pe x1 cu 2.5, x2 cu 3 şi z cu 115.05 în relaţia (1) şi găsim a12 = -1.33
deci valoarea vânzărilor ambelor soiuri de mere în aceeaşi piaţă are forma:
(2) z = (-10x12 + 55 x1) + (- 6x22 + 39 x2) + (- 2.66 x1x2)
Anulăm derivatele parţiale ale lui z în raport cu x1 şi x2:
z / x1 = -20x1 + 55 – 2 .66x2 = 0; z / x2 = -12x2 + 38 – 2.66x1 = 0
Soluţia acestui sistem liniar este x1e = 2.4 lei/kg mere ionatan; x2e = 2.64 lei/kg mere golden.
41
Această soluţie este punct de maxim pentru funcţia z deoarece:
2z / x12 = - 20 < 0 ; 2z / x22 = -12 < 0 şi 2z / x1x2 = -2.66 deci:
 = (2z / x12). (2z / x22) – [(2z / x1x2)]2 = (-20).(-12)- (-2.66)2 > 0.
Valoarea maximă a volumului vânzărilor pentru cele două soiuri de mere împreună, se
obţine din relaţia (2), înlocuind pe x1 cu 2.4 şi pe x2 cu 2.64 şi găsim ze = 118.69 lei = Maxim.
Valoarea volumului vânzărilor pentru merele ionatan este z1 = (-10x12 + 55 x1) + (- 1.33 x1x2),
iar valoarea volumului vânzărilor pentru merele golden este z2 = (- 6x22 + 39 x2) + (- 1.33 x1x2).
Pentru x1 = 2.4 şi x2 = 2.64 avem z1e = 65.97 lei şi z2e = 52.72 lei, iar ze = z1e+z2e = 118.69 lei.
Volumul vânzărilor pentru merele ionatan este y1 = (-10x1 + 55) + (- 1.33 x2), iar volumul
vânzărilor pentru merele golden este y2 = (- 6x2 + 39) + (- 1.33 x1). Pentru x1 = 2.4 şi x2 = 2.64
obţinem valorile optime ale volumelor vânzărilor: y1e = 27.49 kg mere ionatan; y2e = 19.97 kg mere
golden.
Programul PRET din Anexa 2 calculează preţul de vînzare optim al câte unui produs de
necesitate nespecificată, de necesitate mare, mijlocie şi mică.
2.2. Modele de optimizare cu restricţii liniare ecuaţii şi funcţie-obiectiv pătratică
Modelul are forma:

a11 x1  ...  a1n x n  b1

(1) ..............................
a x  ...  a x  b
 m1 1 mn n m
(2) x1 ,..., x n  0

n n n
(3) f=2   ci x i   d jk x j x k  optim
i=1 j1 k 1
Fie notaţiile :
 a11 ......a1n   x1 
   
A   .............  cu m < n şi rang(A)= m ; X=  ... 
 a .....a  x 
 m1 mn   n
 b1   c1   d11 .......d1n 
     
b=  ...  ; c=  ...  ; D=  ...............  ; D=matrice simetrică cu rang(D)=n
b  c   d ......d 
 m  n  m1 mn 
Modelul capătă forma matricială:

(4) A.X = b
(5) X≥0
(6) f = 2.cT.X+XT.D.X = optim
Funcţia pătratică f are punctul staţionar X0 care anulează derivatele parţiale de ordinul unu:
∂ f / ∂ x1 = 2.(c1 + d11x1 +…+ d1nxn) = 0
∂ f / ∂ xn = 2.(cn + dn1x1 +…+ dnnxn) = 0
adică matricial:
(7) X0 = - D-1.c
42
X0 este punct de minim pentru f dacă matricea D este pozitiv definită, adică minorii ei
principali sunt pozitivi:
d11 d12
1  d11  0,  2   0,...,  n  det(D)  0
d 21 d 22
X0 este punct de maxim pentru f dacă matricea D este negativ definită, adică minorii ei
principali sunt negativi:
Δ1> 0; Δ2 < 0,…, (-1)n.Δn > 0
X0 satisface restricţiile (4) + (5) dacă A.X0 = b şi X0 ≥ 0, deci dacă:
(8) A.D-1.c + b = 0; X0 ≥ 0
Există cazurile:
I. Punctul staţionar X0 = - D-1.c este punct de minim sau de maxim pentru f şi verifică
restricţiile (4) + (5), adică satisface relaţia (8).
În acest caz X0 este soluţie optimă pentru problema de optimizare (4) – (6).
II. Punctul staţionar X0 fie nu este punct de minim sau de maxim pentru f, fie este punct de
minim sau de maxim pentru f, dar nu verifică restricţiile (4) + (5) deci nu satisface relaţia (8).
În acest caz soluţia optimă a problemei de optimizare (4) – (6), notată cu Xp, trebuie să
satisfacă restricţiile (4) + (5) deci este un vector pe frontiera mulţimii convexe a soluţiilor pentru (4)
+ (5) (nu neapărat vector bazic pentru (4) + (5)), pentru care f ia valoarea minimă sau maximă.
Soluţia optimă Xp trebuie să fie punct staţionar pentru funcţia Lagrange:
L = 2.cT.X – XT.D.X - Y.(A.X / b)
unde Y = (y1,…, ym)T este vectorul-coloană al multiplicatorilor Lagrange.
Condiţia de punct staţionar a lui Xp pentru L se scrie după transpunere:
(9) 2.c + 2.D.Xp – AT.Y = 0
(10) A.Xp = b; Xp ≥ 0
Din relaţia (9) avem:
D.Xp = (1/2).AT.Y - c aşa că Xp = (1/2).D-1.AT.Y – D-1.c adică:
(11) Xp = (1/2).D-1.AT.Y + X0
Relaţia (10) devine: (1/2).A.D-1.AT.Y + A.X0 = b de unde:
(12) Y = - 2.(A.D-1.AT)-1.(A.X0 – b)
După aflarea lui X0 din relaţia (7), relaţia (12) dă vectorul-coloană Y al multiplicatorilor
Lagrange y1,…,ym.
Relaţia (11) devine:
(12) Xp = X0 – D-1.AT.(A.D-1.AT)-1.(A.X0 - b)
După aflarea lui X0 din relaţia (7), relaţia (13) dă vectorul X p al soluţiei optime a modelului
(4) – (6).
Exemplu
Fie modelul cu restricţii liniare de tip ecuaţii şi funcţie-obiectiv pătratică:
2x1 + 3x2 + 4x3 = 10
4x1 + x2 + 5x3 = 10
x1, x2, x3 ≥ 0
……………………..
f = ( - 4x1 – 2x2 – 6x3 ) + ( x12 + x22 + x32 ) = minim
Se cere soluţia optimă a acestui model.
43
Soluţie
Avem:
- 2 1 0 0 
 2 3 4 10  - 1 ; D = 0 1 0
A  ; b= 12  ; c =    
 4 1 5    - 3 0 0 1
   
Matricea simetrică D este pozitiv definită deci conform relaţiei (7) funcţia f are punctul de
minim:
 2
1  
X 0  D .c  1 
3
 
9   29 31  T 1 1  42 - 31
Avem A.X 0  b    ; A.D -1 .A T    deci (A.D .A ) 
-1
 ;
12   31 42  257  31 29 
 288 
1 1 T 1 1  
D .A  A aşa că D .A  (A.D .A )  (A  X 0 - b ) =
T T T -1
  87  ;
257  
 369 
 226 
1  
Conform relaţiei (13) , soluţia optimă căutată este X p =  170 
257  
 402 
- 2 6 
Vectorul multiplicatorilor lui Lagrange Y este dat de relaţia (12) : Y=  
257  69 
În concluzie, soluţia optimă Xp are componentele:

xp1=226 / 257; xp2 = 170 / 257; xp3 = 402 / 257
iar multiplicatorii Lagrange sunt: y1 = (- 12) / 257; y2 = (- 138) / 257
Valoarea minimului este f(Xp) = - 10.57
Restricţiile dau trei soluţii bazice:
 26 /10   1/ 3   0 
     
X (1)
 16 /10  ; X   0  ; X   2 /11 
(2) (3)
 0   8/3   26 /11
     
Avem Xp = α1.X(1) + α2.X(2) + α3.X(3) cu 0 ≤ αi ≤ 1 şi α1 + α2 + α3 = 1

În cazul nostru avem α1 = 0.4134; α2 = 0.5866; α3 = 0 deci Xp se găseşte pe segmentul care
uneşte soluţiile bazice(vârfurile) X(1) şi X(2).
Dacă funcţia f este polinom de grad 3 în raport cu X1,...,Xn iar restricţiile rămân liniare,
condiţia de punct staţionar pentru funcţia Lagrange L conduce la un sistem matricial pătratic care se
rezolvă cu programul SISPAT din Anexa 2 (vezi şi Capitolul 10 din lucrarea 17).
44
2.3. Modele de optimizare cu restricţii liniare inecuaţii şi funcţie-obiectiv pătratică
Fie problema de optimizare pătratică:

n
(14) a j=1
ij x j  bi
(15) x1 ,..., x n  0

n n n
(16) f=2. c j x j   d jk x j x k  max im
j=1 j1 k 1
Se presupune că matricea simetrică D = (dij) este de rang n şi negativ definită deci funcţia f
are un punct de maxim X0 = - D-1.c
Fie funcţia Lagrange :
n n n m n
L=2   c j x j   d jk x j x k   yi  (bi   a ij x j )
j=1 j1 k 1 i 1 j1
unde y1 ,..., y m sunt multiplicatorii Lagrange.

Fie variabilele de egalizare primale :
n
xei  bi   a ij x j  0 deci funcţia Lagrange capătă forma :
j1
m
L=f+ yi xei . Funcţia Lagrange L se mai poate scrie şi sub forma :
i=1
 m n n  n m n

L=   bi yi   d jk x j x k    x j   a ij yi  2c j  2. d jk x k 
 i=1 j1 k 1  j1  i 1 k 1 
Fie var iabilele de egalizare duale :
m n
ye j   a ij yi  2c j  2. d jk x k  0
i 1 k 1
m n n
şi funcţia-obiectiv duală g =  b y   d
i=1
i i
j1 k=1
jk x jxk
n
deci funcţia Lagrange capătă şi forma : L = g -  x j  ye j
j=1
Modelul pătratic dual pentru mod elul (13)  (15) va avea forma :
m n
(17)  a ij yi  2c j  2   d jk x k
i=1 k 1
(18) y1 ,..., y m  0

m n n
(19) g=  bi yi   d jk x j x k  min im
i=1 j1 k 1
Pentru modelele pătratice primal (14) – (16) şi dual (17) – (19) rămâne valabilă teorema de
dualitate din capitolul 2. Şi aici optimele primal şi dual coincid: fmax = gmin.
Rămâne deasemenea valabilă teorema ecarturilor complementare din capitolul 2 care
exprimă condiţiile necesare şi suficiente ca X,Y să fie soluţii optime pentru modelul pătratic primal
respectiv dual.
45
(Condiţiile Kuhn-Tucker):
a) yi.xei = 0 (i = 1,…,m)
b) xj.yej = 0 (j = 1,…,n)
Exemplu
Fie modelul de optimizare pătratică:
x1 + x2 ≤ 3
4x1 + x2 ≤ 4
x1, x2 ≥ 0
---------------
f = (10x1+12x2) + (-0.5x12+0.1x1x2+0.1x2x1-0.4x22) = maxim
Modelul dual are forma:
y1 + 4y2 ≥ 10 + ( - x1+0.2x2)
y1 + y2 ≥ 12 + (0.2x1 - 0.8x2)
y1, y2 ≥ 0
-----------------------------------
g = (3y1+4y2) – (-0.5x12 + 0.1x1x2+0.1x2x1 - 0.4x22) = minim
Rezolvarea cu SOLVER din EXCEL
Problema primală din enunţ se plasează în foaia EXCEL cu numele OPTIMP:

A1 B C D E F
2 PROGRAM PATRATIC (OPTIMP):
3 RESTRICŢII:
4 COEF. X1 COEF. X2 MEMBRUL I MEMBRUL II
5 4 1 4 4
6 1 1 3 3
7 FUNCŢIA F:
8 COEF.X1 COEF. X2 COEF. X1^2 COEF. X2^2 COEF. X1*X2
9 10 12 - 0.5 - 0.4 0.2
10 REZULTATE:
11 VALOARE X1 VALOARE X2 VALOARE F
12 0.333 2.667 32.611
FORMULE:
D5: = $B$5*$B$12+$C$5*$C$12
D6: = $B$6*$B$12+$C$6*$C$12
D12: = B9*$D$12+C9*$C$12+D9*$B$12^2+E9*$C$12^2+F9*$B$12*$C$12
Se deschide meniul TOOLS (ALT T) şi se alege în feresatra TOOLS opţiunea SOLVER.
Apare ferestra Solver parameters cu aspectul de mai jos:
46
În căsuţa din dreapta opţiunii Set Target Cell se scrie adresa absolută $D$12 în care se
găsesc valorile succesive ale funcţiei-obiectiv f a problemei primale, ultima valoare fiind cea
optimă.
Sub această căsuţă se face opţiunea Max în butonul radio din stânga, deoarece problema
primală este de maxim.
În căsuţa de sub opţiunea By Changing Cells se dau adresele absolute $B$12, $C$12 în care
se găsesc valorile succesive ale variabilelor x1, x2, primele valori putând fi luate egale cu zero iar
ultimele valori fiind cele optime.
Se activează opţiunea Add care deschide fereastra Add Constraint în care se scriu cele două
restricţii ale problemei primale: $D$4 ≤ $E$4; $D$5 ≤ $E$5 după cum urmează:
int
bin
În fereastra Cell Reference se scrie membrul stâng al restricţiei, din lista ascunsă de la mijloc
se alege semnul restricţiei iar în fereastra Constraint se scrie membrul drept al restricţiei.
După terminarea scrierii fiecărei restricţii, se activează opţiunea Add pentru a introduce
restricţia următoare.
După închiderea cu Ok a acestei ferestre, restricţiile precedente apar în căsuţa de sub
opţiunea Subject to the Constraints din ferestra Solver Parameters de mai sus.
Dacă ulterior dorim să modificăm sau să ştergem unele restricţii, le selectăm şi folosim
opţiunile Change sau Delete ale ferestrei Solver Parameters.
Activând opţiunea Solve din fereastra Solver Parameters, apare fereastra Solver results de
mai jos:
În căsuţa de sub opţiunea Reports selectăm opţiunile Answer, Sensitivity şi Limits care vor
ataşa foii de calcul trei rapoarte cu rezultate: soluţiile optime primală şi duală, valoarea optimului şi
intervalele pentru componentele vectorilor b şi c, care nu necesită reoptimizare.
De altfel, variabilele proprii x1 şi x2 ale soluţiei optime şi valoarea optimă a funcţiei-obiectiv
f apar şi în foaia EXCEL iniţială în celulele $B$12, $C$12 respectiv $D$12.
Soluţiile optime pentru modelele pătratice primal şi dual sunt:
Soluţia optimă primală Soluţia optimă duală
I. Variabile primale proprii: III. Variabile duale de egalizare:
X1 = 1/3 ye1 = 0
X2 = 8/3 ye2 = 0
II. Variabile primale de egalizare: IV. Variabile duale proprii:
Xe1 = 0 y1 = 886/90
Xe2 = 0 y2 = 8/90
fmax = gmin = 2935/90
47
Model de alocare a resurselor cu restricţii liniare şi funcţie-obiectiv pătratică:
Alocări → NPK Apa

Grâu Porumb Grâu Porumb SLIMITE
Restricţii ↓ X1 (kg/ha) X2 (kg/ha) X3 (m3/ha) X4 (m3/ha) EMN
NPK – GRÂU MAX 1 0 0 0 ≤300 kg/ha
NPK – POR. MAX 0 1 0 0 ≤200 kg/ha
APA – GRÂU MAX 0 0 1 0 ≤1500 m3/ha
APA – POR.MAX 0 0 0 1 ≤2000 m3/ha
CHELTUIELI 0.8 0.8 0.09 0.09 ≤500
lei /ha lei / ha lei / ha lei / ha Lei / ha
NPK 40 ha 60 ha 0 0 ≤15000 kg
APA 0 0 40 ha 60 ha ≤180000 m3
PROD.SUPLIM. 3 kg GRÂU 0 0.6 kg GRÂU 0 ≥1000 kg/ha
GRÂU / kg NPK / m3 APĂ
PROD.SUPLIM. 0 5 kg Por. 0 0.9 kg Por. ≥1500 kg/ha
PORUMB / kg NPK / m3 APĂ
NPK – GRÂU MIN 1 0 0 0 ≥80 kg / ha
NPK – POR.MIN 0 1 0 0 ≥50 kg / ha
APA – GRÂU MIN 0 0 1 0 ≥500 m3/ha
APA – POR.MIN 0 0 0 1 ≥1000 m3/ha
PARTE LINIARĂ 250 300 300 500
VENIT SUPLIM. lei/ha lei/ha lei/ha lei/ha MAXIM
PARTE - 0.5 -0.75 -0.1 -0.1
PĂTRATICĂ
VENIT SUPLIM.
Ca şi în exemplul precedent, cu produsul informatic EXCEL, se obţin soluţiile optime:
SOLUŢIA OPTIMĂ PRIMALĂ SOLUŢIA OPTIMĂ DUALĂ

I. VPP (resurse alocate) III. VDP
X1 = 123.55 kg NPK/ha grâu ye1 = 0
X2 = 115.70 kg NPK/ha porumb ye2 = 0
X3 = 1428.85 m apă/ha grâu
3
ye3 = 0
X4 = 2000 m3 apă/ha porumb ye4 = 0
II. VPE (diferenţe între resurse consumate IV. VDP
şi limite) y1 = 0
xe1 = 176.45 kg NPK/ha grâu deficit y2 = 0
xe2 = 84.30 kg NPK/ha porumb deficit y3 = 0
xe3 = 71.15 m3 apă/ha grâu deficit → y4 = 0.8577
→ xe4 = 0 m3 apă/ha porumb deficit → y5 = 0.0001
→ xe5 = 0 lei necheltuiţi y6 = 0
xe6 = 3115.794 kg NPK neconsumate y7 = 0
xe7 = 2846.149 m3 apă neconsumaţi y8 = 0
xe8 = 227.970 kg grâu surplus y9 = 0
xe9 = 878.503 kg porumb surplus y10 = 0
xe10 = 43.55 kg NPK/ha grâu surplus y11 = 0
xe11 = 65.70 kg NPK/ha porumb surplus y12 = 0
xe12 = 928.85 m3 apă/ha grâu surplus y13 = 0
xe13 = 1000 m3 apă/ha porumb surplus
fmaxim = gminim = 872412.6 lei
48
2.4. REZUMAT
În acest capitol se prezintă modele neliniare de optimizare a producţiei agricole, dualitatea

acestora şi rezolvarea lor efectivă cu produsul informatic EXCEL.
2.5. ÎNTREBĂRI
1. Care sunt părţile componente ale unui model neliniar?

2. În ce cazuri se folosesc modelele neliniare în agricultură?
2.6. BIBLIOGRAFIE
7. Ene D. „Matematică aplicată în agricultură”, Ed. Ceres ,2006
49
Capitolul 3. GRAFURI
Obiective: însuşirea de către studenţi a conceptelor de graf, reţea, flux optim drum critic.
Cuprins:
3.1 Grafuri şi drumuri în ele
3.2 Fluxuri optime în reţele
3.3 Metoda CPM / PERT în reţele
3.4 Rezumat
3.5 Întrebări
3.6 Bibliografie
3.1. Grafuri şi drumuri în ele
Un graf este un ansamblu format dintr-o mulţime V de vârfuri şi o mulţime U (inclusă în

produsul cartezian V x V) de arce care unesc aceste vîrfuri.
Vârfurile vi se marchează prin puncte iar arcele uj se marchează prin linii care unesc unele
din aceste puncte.
Lungimea lij a unui arc se specifică pe acest arc. În caz contrar se consideră că arcul are
lungimea 1.
Un arc poate fi orientat (prin săgeată) sau neorientat (muchie).
Un graf este orientat sau neorientat dacă toate arcele sale sunt orientate respectiv
neorientate.
Două vîrfuri sunt adiacente dacă există măcar un arc care le uneşte iar un arc este incident în
vârfurile de la extremităţi.
Unui graf i se asociază matricea de adiacenţă A = (aij) unde aij = 1 dacă vârfurile vi, vj sunt
adiacente şi aij =0 în rest.
Unui graf i se asociază matricea de incidenţă B = (bij) unde bij = 1 dacă arcul ui este incident
în vârful vj şi aij = 0 în caz contrar.
Un graf parţial se obţine dintr-un graf dat dacă se înlătură o parte din arce, iar un subgraf se
obţine dintr-un graf dacă se înlătură o parte din vârfuri şi arcele incidente în ele.
Dăm şi alte noţiuni care apar în grafuri orientate (neorientate).
Un drum(lanţ) care uneşte două vârfuri vi, vj ale garfului este o succesiune de alte vârfuri şi
arce care le unesc astfel că parcurgându-le, se poate ajunge de la vi la vj sau invers.
Un drum (lanţ) este simplu dacă nu foloseşte de două ori acelaşi arc şi este elementar dacă
nu foloseşte de două ori acelaşi vârf.
Orice drum (lanţ) simplu este elementar.
Un drum (lanţ) închis se numeşte circuit (ciclu). Circuitul (ciclul) cu un singur arc se
numeşte buclă.
Un graf este tare conex (conex) dacă pentru orice două vârfuri, există un drum (lanţ) care le
uneşte.
Un drum (lanţ) este hamiltonian dacă trece odată prin toate vârfurile grafului şi este eulerian
dacă trece odată prin toate arcele (muchiile) grafului.
Reţeaua este un graf orienta tare conex, fără bucle, care are unvârf iniţial v1 (în care nu
soseşte niciun drum) şi un vârf final vn (de unde nu pleacă niciun drum).
Arborele este un graf neorientat, conex, fără cicluri.
Multe modele de optimizare în grafuri se reduc la găsirea într-o reţea a drumului optim (de
lungime minimă sau maximă) de la vârful iniţial v1 la vârful final vn.
50
1) Determinarea drumului de lungime minimă.
Fiecărui vârf vi i se ataşează distanţa minimă di de la v1 la vi calculată astfel: d1 = 0 şi dj =
minim (di + lij) pentru toate arcele care sosesc în vj.
Arcele care dau minimul se marchează cu o liniuţă.
Drumul de lungime minimă are toate arcele marcate dacă este parcurs de la vn la v1 în sens
invers săgeţilor.
Exemplu
Să se determine drumul de lungime minimă de la v1 la v6 în reţeaua:
Soluţie:
Avem tabelul:
Vârful di Arc marcat

v1 0 -
v2 min (0+3) = 3 A3
v3 min (0+2;3+6) = 2 B2
v4 min (2+8;2+5;3+2) = 5 D2
v5 min (3+4;3+5;5+1) = 6 I1
v6 min (6+6;5+8) = 12 K6
Drumul optim este succesiunea de vârfuri şi arce v1A3v2D2v4I1v5K6v6, cu toate arcele marcate,
dacă este parcurs de la v6 la v1, în sens invers săgeţilor. Acest drum are lungimea minimă 12.
2) Determinarea drumului de lungime maximă.
Fiecărui vârf vi i se ataşează distanţa maximă Di de la v1 la vi calculată astfel: D1 =0 şi Dj =
maxim (Di + lij) pentru toate arcele care sosesc în vj.
Arcele care dau maximul se marchează cu o liniuţă.
Drumul de lungime maximă are toate arcele marcate dacă este parcurs de la vn la v1 în sens
invers săgeţilor.
Exemplu
Să se determine drumul de lungime maximă de la v1 la v6 în reţeaua:
51
Soluţie:
Avem tabelul:
Vârful DI Arc marcat

V1 0 -
V2 max (0+3) = 3 A3
V3 max (0+2;3+6) = 9 C6
V4 max (3+2;9+5;9+8) = 17 F8
V5 max (3+4;3+5;17+1) = 18 I1
V6 max (18+6;17+8) = 25 J8
Drumul optim este succesiunea de vârfuri şi arce v1A3v2C6v3F8v4J8v6, cu toate arcele marcate,
dacă este parcurs de la v6 la v1, în sens invers săgeţilor. Acest drum are lungimea maximă 25.
Problema drumului optim în reţele se poate formula ca model liniar de optimizare cu variabile
bivalente.
Exemplu
Pentru drumul de lungime minimă şi cel de lungime maximă de mai sus avem modelul liniar cu
variabile bivalente:
Activităţi → A B C D E F G H I J K Semn Limite

Restricţii ↓ x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11
v1 -1 -1 0 0 0 0 0 0 0 0 0 = -1
v2 1 0 -1 -1 0 0 -1 -1 0 0 0 = 0
v3 0 1 1 0 -1 -1 0 0 0 0 0 = 0
v4 0 0 0 1 1 1 0 0 -1 -1 0 = 0
v5 0 0 0 0 0 0 1 1 1 0 -1 = 0
v6 0 0 0 0 0 0 0 0 0 1 1 = 1
Lungimi arce 3 2 6 2 5 8 4 5 1 8 6 OPTIM
Semnificaţia variabilelor:
x1 = 1 dacă activitatea A este pe drumul optim şi x1 = 0 în caz contrar.
Pentru x2 ,…, x11 semnificaţia este analoagă.
Semnificaţia restricţiilor:
Arcele care pleacă dintr-un vârf, au coeficienţii - 1 iar cele care sosesc într-un vârf, au
coeficienţii + 1.
52
În vârful iniţial v1 nu soseşte niciun arc, deci toţi coeficienţii în restricţia sa sunt egali cu - 1
iar membrul doi este - 1 deci există un arc care pleacă din v1 pe drumul optim.
În vârfurile intermediare v2 - v5, suma variabilelor care intră în vârf este egală cu suma
variabilelor pe arcele care ies din vârf (membrul doi este zero) deoarece dacă drumul optim intră
într-un vârf, trebuie să şi iasă din acel vârf.
Din vârful final v6 nu pleacă niciun arc deci toţi coeficienţii sunt egali cu 1 iar membrul doi
este 1 deci există un arc care soseşte în v6 pe drumul optim.
Semnificaţia funcţiei-obiectiv:
Suma lungimilor arcelor de pe drumul optim este maximă sau minimă.
Rezolvarea acestei probleme de optimizare liniară cu variabile bivalente, se face cu
produsele informatice EXCEL, QUATTRO, QM,MSS, WINQSB etc.
Pentru drumul de lungime maximă, avem soluţia optimă x1 = x3 = x6 = x10 = 1 şi restul
variabilelor nule iar funcţia este fmax = 25.
Este posibil să existe mai multe drumuri optime într-o reţea; metoda simplex din secţiunea
6.3 permite gărirea tuturor soluţiilor bazice care dau aceste drumuri optime.
3.2. Fluxuri optime în reţele
Fie o reţea adică un graf orientat, conex în care există vârful iniţial V0 în care nu soseşte
niciun arc şi vârful final Vn din care nu pleacă niciun arc. Pentru fiecare arc u al reţelei ataşăm un
număr raţional c(u) ≥ 0 numit capacitatea arcului u.
Un flux f în reţea este o funcţie f care ataşează fiecărul arc u al reţelei fluxul arcului f(u) ≥ 0,
care îndeplineşte două condiţii:
a) f(u) ≤ c(u) pentru orice arc u al reţelei;
b) Pentru orice vârf Vi diferit de V0 şi Vn, suma f(V) a fluxurilor arcelor care sosesc în V
este egală cu suma fluxurilor arcelor care pleacă din V.
Dacă ω - (V) este mulţimea arcelor care sosesc în vârful V şi ω + (V) este mulţimea arcelor
care pleacă din vârful V, determinarea fluxului optim se formulează astfel:
Pentru orice arc u al reţelei să se găsească fluxul său f(u) astfel că:
0  f(u)  c(u)
 f (u)   f (u) , V  V0 ;V  Vn
u- (V) u (V)

f (u)   f (u)   f (u)  Maxim
u (V) u (V)
Un arc u se numeşte arc saturat dacă f(u) = c(u) iar un flux f al reţelei se numeşte flux saturat
dacă orice drum de la V0 la Vn conţine un arc saturat.
Pentru orice mulţime A de vârfuri ale reţelei (exclusiv V0), vom numi tăietură ω(A),
mulţimea de arce care intră în vârfurile din A, şi vom mumi capacitatea tăieturii c [ω(A)] suma
fluxurilor arcelor tăieturii ω(A).
Din teorema de dualitate 1.1 din secţiunea 1.1 rezultă:
Teorema 2.1 (Ford-Fulkerson)
Pentru orice reţea, valoarea maximă a fluxului reţelei este egală cu capacitatea minimă a
tăieturilor mulţimilor A de vârfuri (exclusiv V0) ale reţelei.
Pentru a găsi fluxul maxim într-o reţea, se poate aplica algoritmul Ford-Fulkerson:
1) Se defineşte fluxul iniţial nul: f(u) = 0 pentru orice arc u al reţelei
2) Orice drum de la V0 la Vn se poate satura astfel:
a) Se marchează vârful V0 cu “ +”
53
b) Vârful Vi fiind marcat, se va marca cu “+ Vi“ orice vârf nemarcat Vj pentru care arcul u
care uneşte pe Vi cu Vj este nesaturat adică f(u) < c(u) şi se va marca cu “+ Vi“ orice vârf nemarcat
Vj pentru care arcul u care uneşte pe Vi cu Vj are flux nenul adică f(u) > 0.
Dacă prin acest procedeu de marcare nu se etichetează Vn, fluxul obţinut este maxim.
Dacă marcajul ajunge la Vn, fluxul obţinut nu este maxim; fie în acest caz un drum etichetat
e de la V0 la Vn. Fie e+ mulţimea arcelor de la Vi la Vj ale lui e în care Vj are marcajul “+Vi“ şi fie e-
mulţimea arcelor de la Vi la Vj ale lui e în care Vj are marcajul “–Vi“. Fie:

  Minim Minim

c(u)  f (u) ;Minim
ue 
f (u)
ue

Mărim cu ε fluxul f(u) pentru fiecare arc u  e+ şi micşorăm cu  fluxul f(u) pentru fiecare
arc u  e-.
3. Se repetă pasul 2 până se obţine un flux maxim.
Mulţimea arcelor care unesc vârfurile marcate cu cele nemarcate este o tăietură de capacitate
minimă.
Problema fluxului optim în reţele se poate rezolva cu computerul prin programarea liniară.
Exemplu
Fie graful din exemplul I) din secţiunea 3.1 de mai sus în care pe arce sunt capacităţile
acestora.
Avem modelul liniar:
ARCE A B C D E F G H I J K SEMN LIMITE
x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11
RESTR
Amax 1 0 0 0 0 0 0 0 0 0 0 ≤ 3
Bmax 0 1 0 0 0 0 0 0 0 0 0 ≤ 2
Cmax 0 0 1 0 0 0 0 0 0 0 0 ≤ 6
Dmax 0 0 0 1 0 0 0 0 0 0 0 ≤ 2
Emax 0 0 0 0 1 0 0 0 0 0 0 ≤ 5
Fmax 0 0 0 0 0 1 0 0 0 0 0 ≤ 8
Gmax 0 0 0 0 0 0 1 0 0 0 0 ≤ 4
Hmax 0 0 0 0 0 0 0 1 0 0 0 ≤ 5
Imax 0 0 0 0 0 0 0 0 1 0 0 ≤ 1
Jmax 0 0 0 0 0 0 0 0 0 1 0 ≤ 8
Kmax 0 0 0 0 0 0 0 0 0 0 1 ≤ 6
V2 -1 0 1 1 0 0 1 1 0 0 0 = 0
V3 0 -1 -1 0 1 1 0 0 0 0 0 = 0
V4 0 0 0 -1 -1 -1 0 0 1 1 0 = 0
V5 0 0 0 0 0 0 -1 -1 1 0 1 = 0
FLUX 0 0 0 0 0 0 0 0 0 1 1 MAXIM
Modelul primal are soluţia bazică optimă:

x1 = 3 (cantitatea de produse care tranzitează arcul A)
x2 = 2 (cantitatea de produse care tranzitează arcul B)
x3 = 1 (cantitatea de produse care tranzitează arcul C)
x4 = 2 (cantitatea de produse care tranzitează arcul D)
x5 = 3 (cantitatea de produse care tranzitează arcul E)
x10 = 5 (cantitatea de produse care tranzitează arcul J)
Restul necunoscutelor xi (pe celelalte arce) sunt zero.
Modelul dual are soluţia bazică optimă:

y1 = y2 = y12 = y13 = y14 = y15 = 1 iar restul variabilelor duale yI sunt zero.
fmaxim = gminim = 5 (fluxul maxim al cantităţii de produse care tranzitează reţeaua).
54
Cu ajutorul fluxului optim într-o reţea se poate optimiza orice problemă tip transport sau de
assignment prezentată în secţiunea 1.2
În reţeaua de transport având ca vârfuri m furnizori F1,…,Fm şi n beneficiari B1,…,Bn se mai
adaugă vârful iniţial V0 şi vârful final Vn.
Capacităţile arcelor (V0 ,Fi) sunt ofertele ai ale lui Fi iar capacităţile arcelor (Bj, Vn) sunt
cererile bj ale beneficiarilor Bj. Toţi furnizorii FI se unesc prin arce cu toţi beneficiarii Bj (cu
excepţia rutelor interzise).
În probleme de assignment Fi pot persoane policalificate solicitante de posturi iar Bj sunt
locuri de muncă vacante. În acest caz ai = bj = 1 şi unim pe Fi cu Bj dacă Fi poate îndeplini sarcinile
locului de muncă Bj.
Dacă fiecare Fi poate ocupa cel puţin un loc de muncă Bj, găsirea fluxulul maxim asigură
caea mai bună repartiţie a persoanelor pe locurile de muncă.
3.3. Metoda CPM / PERT în reţele
Aplicăm acestă metodă la eşalonatea optimă în timp a activităţilor a activităţilor unui proiect
agricol.
Proiectul unui sistem agricol este un complex de activităţi cu anumite durate.
Din punct de vedere al eşalonării în timp, activităţile proiectului se împart în simultane sau
consecutive.
Scopul eşalonării optime a activităţilor proiectului agricol este minimizarea timpului total de
execuţie a proiectului.
Pentru aceasta întregul proiect se reprezintă printr-o reţea astfel:
Vârfurile reţelei sunt stadii de execuţie ale proiectului (v1 este stadiul iniţial iar vn este
stadiul final) iar arcele care le unesc, sunt activităţile proiectului cu duratele lor înscrise pe arce.
Un drum de lungime maximă între vârful iniţial v1 şi vârful final vn, se numeşte drum critic.
Am văzut în secţiunea 3.1 că problema găsirii drumului critic se formulează şi se rezolvă ca
o problemă de optimizare liniară cu variable bivalente.
Conform teoremei de dualitate 1.1 din secţinea 1.1, timpul total minim de execuţie a
proiectului este egal cu lungimea maximă a drumului critic.
Activităţile de pe drumul critic se vor numi activităţi critice deoarece ele trebuie executate
una după alta fără pauze, pentru a menţine timpul total de execuţie a proiectului la valoarea sa
minimă.
Activităţile din afara drumului critic se numesc activităţi mecritice,ele având rezerve de timp
fără afectarea valorii minime a timpului total de execuţie a proiectului.
În concluzie, drumul critic reprezintă coloana vertebrală a proiectului agricol.
Duratele activităţilor se calculează după normele de deviz astfel: durata tij a unei activităţi
care pleacă din stadiul vi şi soseşte în stadiul vj, este:
tij = (Volumul activităţii în zile-om sau ore-agregat) / ( numărul de muncitori sau utilaje x
norma unui muncitor sau utilaj).
Varianta deterministă a drumului critic se numeşte CPM (Critical Path Method) şi foloseşte
duratele constante tij ale activităţilor calculate ca mai sus.
Pentru găsirea drumului critic, procedăm astfel:
Pentru fiecare vârf vi al reţelei se calculează intervalul său de fluctuaţie [ti; ti*].
Mărimea ti reprezintă intervalul de timp minim de la începerea execuţiei proiectului până se
ajunge în stadiul vi de execuţie a proiectului, adică până se execută toate activităţile pe toate
drumurile din reţea care pleacă din v1 şi sosesc în vi.
Mărimea ti* reprezintă intervalul de timp maxim de la începerea execuţiei proiectului până
se ajunge în stadiul vi de execuţie a proiectului, astfel ca timpul total de execuţie a proiectului să
rămână la nivelul său minim.
55
Mărimile ti se calculează de la v1 la vn astfel:
t1 = 0 iar pentru situaţia:
vi vj
o-------------→------------o
ti tij tj
dacă s-a calculat ti, avem tj = maxim (ti + tij) pentru toate arcele care sosesc în vârful vj.
Arcele care dau acest maxim, se marchează cu o liniuţă.
Mărimile ti* se calculează de la vn la v1 astfel:
tn* = tn iar pentru situaţia:
vi vj
o-------------→------------o
t i* tij t j*
dacă s-a calculat tj, avem ti* = minim (tj - tij) pentru toate arcele care pleacă din vârful vi.
Arcele care dau acest minim, se marchează cu o liniuţă.
Drumul de la v1 la vn cu dublu marcaj pe toate arcele sale, va fi drumul critic.
Pe acest drum pentru toate vârfurile sale vi avem ti = ti* ceace justifică denumirea de
activităţi critice dată activităţilor de pe drumul critic.
Drumul critic conţine în mod obligatoriu vârfurile v1, vn şi doar o parte din vârfurile
intermediare v2,…,vn-1.
Activităţile necritice au următoarele rezerve de timp:
Rezerva totală Rt (vi , vj) = tj* - ti - tij desemnează situaţia că am ajuns cel mai devreme în
stadiul vi şi vrem să ajungem cel mai târziu în stadiul vj.
Rezerva liberă Rl (vi, vj) = tj - ti - tij desemnează situaţia că am ajuns cel mai devreme în
stadiul vi şi vrem să ajungem cel mai devreme în stadiul vj.
Rezerva intermediară Ri(vi, vj) = tj* – ti* - tij desemnează situaţia că am ajuns cel mai târziu
în stadiul vi şi vrem să ajungem cel mai târziu în stadiul vj.
Rezerva sigură Rs(vi, vj) = tj – ti* - tij desemnează situaţia că am ajuns cel mai târziu în
stadiul vi şi vrem să ajungem cel mai devreme în stadiul vj.
Evident avem Rt ≥Rl ≥ Rs şi Rt ≥Ri ≥ Rs.
Pentru activităţi critice avem ti = ti* şi tj = tj* aşa că Rt =Rl = Ri = Rs = 0 cea ce în cuvinte
înseamnă că activităţile critice nu au niciun fel de rezerve de timp, executându-se una după alta fără
pauze.
Rezerva de timp intermediară Ri a unei activităţi necritice, poate fi folosită pentru eliminarea
timpilor morţi ai forţei de muncă şi utilajelor.
Astfel prelungirea duratei tij ai unei activităţi necritice cu rezerva sa intermediară Ri (vi, vj)
permite degrevarea de la această activitate a unui procent egal cu Ri (vi, vj) / (tij + Ri (vi, vj)) din
forţa de muncă şi utilajele repartizate iniţial activităţii necritice de la vi la vj.
În acest caz graful proiectului trebuie reezaminat căci pot apare noi drumuri critice.
În proiecte complexe, acestea se împart în subproiecte mai simple Pi cu grafuri proprii şi
care au durate de execuţie minime Ti găsite cu metoda drumului critic ca mai sus.
În graful coordonator al proiectului complex, subproiectul Pi devine o activitate cu durata Ti.
Din graful coordonator se determină cu metoda drumului critic durata totală minimă T de
execuţie a proiectului complex.
Metoda PERT se aplică atunci când durata tij a unei activităţi nu mai este constantă ci este
cuprinsă într-un interval: aij ≤ tij ≤ bij.
Mărimea aij se numeşte durata optimistă, iar bij se numeşte durata pesimistă a activităţii
respective.
Aceste durate aij şi bij se stabilesc în raport de starea forţei de muncă şi a utilajelor, de
aprovizionarea cu materii prime, materiale şi combustibil necesare pentru execuţia activităţii
respective.
Valoarea medie a duratei tij este dată de relaţia: tmij = (aij+4.tij+bij) / 6 iar abaterea-standard a
lui tij este: sij = (bij – aij) / 6.
56
Conform teoremei limită-centrală, suma T a unui număr mare de variabile aleatoare
independente tij cu mediile tmij şi abaterile-standard sij este o variabilă aleatoare normală cu media
TMmin = Σ tmij şi abaterea – standard ST = (Σ sij2)1/2 (în aceste sume se includ doar activităţile
critice).
(T – TMmin) / ST este variabilă N(0, 1) deci:
(1) P (T < Tcontract) = F ((Tcontract - TMmin) / ST) = 1 - α
Dacă se dă Tcontract, din relaţia (1) se poate afla probabilitatea de a nu-l depăşi.
Din relaţia (1) rezultă:
(2) Tcontract = TMmin + u α .sT
deci se poate calcula Tcontract care poate fi respectat cu probabilitatea 1 – α şi depăşit cu riscul α.
Pentru α = 5 % avem u0.05 = 1.65; pentru α = 1 % avem u0.01 = 2.33, iar pentru α = 0.1 %
avem u0.001 = 3.08.
Varianta deterministă CPM se poate obţine din varianta aleatoare PERT pentru aij = tij = bij
deci tmij = tij şi sij = 0.
Programul specializat QM calculează drumul critic pentru ambele variante CPM şi PERT.
Programul DCRITIC elaborat de autor, se găseşte în Anexa 1 a lucrării [53] şi calculează
dumul critic după metoda de mai sus, fiind necesare datele:
a) Numărul n de vârfuri;
b) Numărul maxim p de arce care unesc direct două vârfuri vi şi vj ale reţelei.
c) Semimatricea cu cele p durate ale activităţilor care unesc vârful vi cu toate vârfurile vj
(j>i) pentru i = 1,…,n-1.
Programul livrează un tabel cu intervalele de fluctuaţie ale vârfurilor vi, un tabel cu
activităţile critice şi necritice ale proiectului şi un tabel cu rezervele de timp Rt, Rl, Rs ale
activităţilor necritice.
Exemplu
Fie proiectul agricol al campaniei de recoltare orz-grâu care conţine activităţile cu durate din
tabelul de mai jos.
Calculăm duratele medii tmij şi abaterile-standard sij cu formulele de mai sus.
Se cere drumul critic, durata minimă Tmin pentru varianta CPM respectiv Tcontract cu
încrederea 95 % pentru varianta PERT şi rezervele de timp ale activităţilor necritice.
Soluţie:
Avem tabloul cu activităţi ale proiectului:
Cod Denumire activitate Activit. a ij tij bij tmij sij

activit. anter.
A Recoltat orz - 4 5 6 5 0.33
B Transport boabe orz A 3 4 4 3.83 0.17
C Balotat paie orz A 5 6 6 5.83 0.17
D Transport baloţi paie orz C 3 3 3 3 0
E Construit şiră paie orz D 4 5 8 5.33 0.67
F Arat şi grăpat după orz D 5 5 8 5.5 0.5
G Recoltat grâu D 7 8 9 8 0.33
H Transport paie grâu G 6 6 6 6 0
I Balotat paie grâu G 6 8 8 7.67 0.33
J Transport baloţi paie grâu I 4 4 4 4 0
K Construit şiră paie grâu J 4 5 8 5.33 0.67
L Condiţionat orz-grâu sămânţă H 4 4 4 4 0
M Treierat orz-grâu staţionar H 3 3 3 3 0
N Arat şi grăpat după grâu J 5 6 6 5.83 0.17
O Pregătit terenul pentru porumb masă verde F,N 2 2 2 2 0
P Însămânţat porumb masă verde O 3 3 3 3 0
57
1) Lucrăm în varianta CPM cu duratele constante tij ale activităţilor.
Mai întâi construim graful proiectului pe baza coloanei cu activităţi anterioare din tabelul
anterior.
58
Pe baza grafului precizăm datele pentru programul DCRITIC din Anexa 2:
a) n = 10 vârfuri;
b) p = 2 arce = numărul maxim de arce care unesc direct două vârfuri oarecare
c) Semimatricea cu duratele de la fiecare vârf vi la vârfurile vj care urmează după el (j>i).
v2 v3 v4 v5 v6 v7 v8 v9 v10
v1 5,0, 0,0, 0,0, 0,0, 0,0, 0,0, 0,0, 0,0, 0,0
v2 4,6, 0,0, 0,0, 0,0, 0,0, 0,0, 0,0, 0,0
v3 3,0, 0,0, 0,0, 0,0, 0,0, 0,0, 0,0
v4 8,0, 0,0, 0,0, 5,0, 0,0, 5,0
v5 6,8, 0,0, 0,0, 0,0, 0,0
v6 4,0, 0,0, 0,0, 4,3
v7 6,0, 0,0, 5,0
v8 2,0, 0,0
v9 3,0
În tabelul care urmează se calculează intervalele de fluctuaţie ale vârfurilor v1 – v10:
Vârf ti ↓ Arc marcat ti* ↑ Arc marcat

vI
v1 0 - 5-5=0 A
v2 0+5=5 A min (11 - 4; 11 - 6) = 5 C
v3 max (5 + 4; 5 + 6) = 11 C 14 - 3 = 11 D
v4 11 + 3 = 14 D min (22 - 8; 40 - 5; 45 - 5) = 14 G
v5 14 + 8 = 22 G min (30 + 6; 30 + 8) = 22 I
v6 max (22 + 6; 22 + 8) = 30 I min (45 - 4; 45 - 3; 34 - 4) = 30 J
v7 30 + 4 = 34 J min (45 - 5; 40 - 6) = 34 N
v8 max (34 + 6; 14 + 5) = 40 N 42 - 2 = 40 O
v9 40 + 2 = 42 O 45 - 3 = 42 P
v10 max (30 + 4; 30 + 5; 34 + 5; P 45 -
42 + 3; 14 + 5) = 45
Urmează tabelul cu activităţi critice şi necritice:

Cod ACTIVITATE ÎNCEPUT SFÂRŞIT Stare
activit. critică
PLECARE SOSIRE RUTA Iminim Imaxim Sminim Smaxim
A v1 v2 1 0 0 5 5 Critică
B v2 v3 1 5 7 9 11 -
C v2 v3 2 5 5 11 11 Critică
D v3 v4 1 11 11 14 14 Critică
E v4 v10 1 14 40 19 45 -
F v4 v8 1 14 35 19 40 -
G v4 v5 1 14 14 22 22 Critică
H v5 v6 1 22 24 28 30 -
I v5 v6 2 22 22 30 30 Critică
J v6 v7 1 30 30 34 34 Critică
K v7 v10 1 34 40 39 45 -
L v6 v10 1 30 41 34 45 -
M v6 v10 2 30 42 33 45 -
N v7 v8 1 34 34 40 40 Critică
O v8 v9 1 40 40 42 42 Critică
P v9 v10 1 42 42 45 45 Critică
59
Drumul critic este v1 A v2 C v3 D v4 G v5 I v6 J v7 N v8 O v9 P v10 cu lungimea maximă de
45 zile egală cu durata minimă a proiectului agricol.
În tabelul următor avem rezervele de timp ale activităţilor necritice.
Cod ACTIVITATE Rt Rl Ris Rs tij +Ri

Activit. PLECARE SOSIRE RUTA
B v2 v3 1 2 2 2 2 6
E v4 v10 1 26 26 26 26 31
F v4 v8 1 21 21 21 21 26
H v5 v6 1 2 2 2 2 8
K v7 v10 1 6 6 6 6 11
L v6 v10 1 11 11 11 11 15
M v6 v10 2 12 12 12 12 15
Dacă f este volumul forţei de muncă pentru durata tij iar f* este volumul forţei de muncă
pentru durata tij + Ri, avem tij.f = (tij + Ri). f* deci f* / f = tij / (tij + Ri).
De exemplu pentru activitatea B raportul între volumul noii forţe de muncă f* şi volumul
vechii forţe de muncă f este f* / f = 4 / 6 = 67 %.
2)Lucrăm în varianta PERT cu duratele medii tmij şi cu abaterile-standard sij ale activităţilor.
Graful proiectului este acelaşi dar duratele arcelor au valorile tmij .
Drumul critic este acelaşi dar cu lungimea minimă TM min  44.33 zile .
Avem s T  sij2 pentru activităţi critice deci :
s T  0.332  0.17 2  0 2  0.332  0.332  0 2  0.17 2  0 2  0 2  0.62 zile

aşa că pentru =5% avem u 0.05  1.65 deci Tcontract  TM min  u 0.05  s T 
 44.33  1.65  0.62  45.33 zile cu o încredere de 95%.
În final avem graficul calendaristic în care activităţile critice sunt încercuite .
60
Problema minimizării timpului total de execuţie a unui proiect agricol se poate formula
direct ca problemă de programare liniară:
Exemplu
Pentru proiectul agricol al campaniei de recoltare orz-grâu de mai sus, avem macheta
modelului liniar:
Vârfuri  V1 V2 V3 V4 V5 V6 V7 V8 V9 V10 Semn Limite

Activităţi  x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 (zile)
A -1 1 0 0 0 0 0 0 0 0  5
B 0 -1 1 0 0 0 0 0 0 0  4
C 0 -1 1 0 0 0 0 0 0 0  6
D 0 0 -1 1 0 0 0 0 0 0  3
E 0 0 0 -1 0 0 0 0 0 1  5
F 0 0 0 -1 0 0 0 1 0 0  5
G 0 0 0 -1 1 0 0 0 0 0  8
H 0 0 0 0 -1 1 0 0 0 0  6
I 0 0 0 0 -1 1 0 0 0 0  8
J 0 0 0 0 0 -1 1 0 0 0  4
K 0 0 0 0 0 0 -1 0 0 1  5
L 0 0 0 0 0 -1 0 0 0 1  4
M 0 0 0 0 0 -1 0 0 0 1  3
N 0 0 0 0 0 0 -1 1 0 0  6
O 0 0 0 0 0 0 0 -1 1 0  2
P 0 0 0 0 0 0 0 0 -1 1  3
Timp exec. -1 0 0 0 0 0 0 0 0 1 MINIM
Variabila xi (i = 1,…,10) reprezintă timpul scurs de la data începerii proiectului până se

ajunge în stadiul Vi, în presupunerea că s-au efectuat toate activităţile de pe toate drumurile care
sosesc în Vi.
Restricţiile referitoare la activităţile A – P ale proiectului specifivă faptul că pentru orice
activitate care pleacă din Vi şi ajunge în Vj (i,j = 1,…,10 , i < j) şi care are durata ti j, avem
restricţia xj  xi + ti j adică - xi + xj  ti j.
Funcţia-obiectiv a modelului este durata de execuţie a proiectului f = x10 – x1 = minim.
Modelul dual are necunoscutele proprii y1,…, y16 cu semnificaţia: yi = 1 dacă activitatea
corespunzătoare este critică şi yi = 1 în caz contrar.
Modelul dual are restricţiile pe coloanele machetei de mai sus, toate fiind egalităţi iar
funcţia-obiectiv duală g are coeficienţii pe ultima coloană cu limite a machetei precedente şi se
caută gmaxim adică drumul critic cu lungimea maximă de la V1 la V10.
Dealtfel un asemenea model ca cel dual, a fost formulat în secţiunea 6.4 pentru găsirea
drumului de lungime maximă într-o reţea.
Soluţia optimă a modelului primal de mai sus este: x1 = 0; x2 = 5; x3 = 11; x4 = 14; x5 = 22;
x6 = 30; x7 = 34; x8 = 40; x9 = 42; x10 = 45 adică chiar valorile t*i (i = 1,…,10) găsite mai sus.
Variabilele de egalzare primale xe1, …, xe16 sunt chiar rezervele intermediare Ri ale celor 16
activităţi A-P ale proiectului, care au fost calculate mai sus în tabelul cu rezerve de timp ale
activităţilor necritice. Avem fminim = 45 zile.
Soluţia optimă a modelului dual este: y1= y3 = y4 = y7 = y9 = y10 = y14 = y15 = y16 = 1, iar
restul de variabile duale sunt nule. Variabilele duale nenule corespund activităţilor critice A, C, D,
G, I, J, N, O, P găsite mai sus iar lungimea maximă a drumului critic este gmaxim = 45.
61
3.4. Rezumat
În acest capitol se prezintă noţiuni despre grafuri şi drumuri în ele precum şi fluxuri oprime
în reţele. Capitolul se încheie cu metoda drumului critic pentru eşalonarea optimă a activităţilor
unui proiect agricol.
3.5. Întrebări
1. Cum se află drumurile optime în reţele?

2. Cum se află fluxurile optime în reţele?
3. Ce este drumul critic într-o reţea?
3.6. Bibliografie
62
Capitolul 4. TEORIA DECIZIEI
Obiective: Însuşirea de către studenţi a regulilor de luare a unei decizii optime, a noţiunii de joc
determinist şi aleator şi a noţiunii de lanţ Markov.
Cuprins:
4.1 Decizii optime după diferite reguli
4.2 Strategii optime în reoria jocurilor
4.3 Lanţuri Markov
4.4 Rezumat
4.5 Întrebări
4.6 Bibliografie
Cuvinte-cheie: decizie optimă, joc matricial, lanţ Markov
4.1. Decizii optime după diferite reguli
Un proces decizional este format din:

1) Mulţimea variantelor V1,…,Vm;
2) Mulţimea stărilor S1,…,Sn;
3) Mulţimea valorilor economice ai j ale fiecărei variante VI în raport cu fiecare stare Sj.
4) Mulţimea probabilităţilor p1,…,pn ale stărilor S1,…,Sn (p1+…+pn = 1).
Sintetic, procesul decizional are forma de tabel:
STĂRI  S1 …………………………………Sn
VARIANTE 
V1 a11 …………………………………a1n
. . .
. . .
. . .
. . .
Vm am1………………………………….amn
Probabilităţi p1 …………………………………...pn
4.1.1. Decizii optime în condiţii de incertitudine
În acest caz probabilităţile p1,…,pn nu se cunosc.

Alegerea deciziei optime se ia după una din regulile:
I) Regula optimistului(maxi-max)
Varianta optimă V0 este aceea dintre variantele V1,…,Vm pentru care avem:
Max(Max a i j )
i j
(cea mai mare valoare din valorile economice maxime ale liniilor).
63
II) Regula pesimistului (maxi-min)
Max(Min a i j )
i j
(cea mai mare valoare din valorile economice minime ale liniilor).
III) Regula mixtă (Hurwicz)

Fie 0;1 coeficientul de optimism şi 1-  0; 1 coeficientul de pesimism.
Max[  Max a ij  (1  )  Min a ij ]
i j j
(cea mai mare din valorile economice mixte ale liniilor).
IV) Regula mediei (Laplace)

a i1  ...  a i m
Max( )
i m
(cea mai mare dintre mediile valorilor economice ale liniilor).
V) Regula regretului(Savage)
Regretul variantei Vi faţă de starea Sj este:
bij  Max a ij  a ij
i, j
Min(Max bij )
i j
(cel mai mic din regretele maxime ale liniilor).
4.1.2. Decizii optime în condiţii de risc
Dacă se cunosc probabilităţile p1,…,pn ale stărilor, vom calcula mediile:

1 = a11p1+…+a1npn
……………………
m = am1p1+…+amnpn
abaterile-standard (riscurile):
1=a11p12 +…+a1npn2 - 121/2
…………………………….
m=am1p12 +…+amnpn2 - m21/2
şi coeficienţii de risc:
r1 =  1 / 1 ,…, rm =  m / m.
Varianta optimă în condiţii de risc V0 va fi aceea dintre variantele V1,…,Vm pentru care
avem:
Max i sau Min ri
i i
Exemplu
Un agent economic are un magazin şi vrea să mărescă vânzările.
Variante:
V1 = Construirea unui magazin nou în altă zonă;
V2 = Închirierea unui spaţiu nou de vânzare în altă zonă;
64
V3 = Extinderea magazinului existent;
V4 = Mărirea numărului de ore între care este deschis magazinul existent.
Stări:
S1 = Cerere mare;
S2 = Cerere mijlocie;
S3 = Cerere mică.
Tabloul decizional are forma:
STĂRI  S1 S2 S3
VARIANTE 
V1 50 30 10
V2 80 70 60
V3 100 90 20
V4 80 70 50
Probabilităţi 0.5 0.2 0.3
a) Să se aleagă decizia optimă dacă nu se cunosc probabilităţile stărilor S1, S2, S3 (incertitudine).
b) Să se aleagă decizia optimă dacă se cunosc probabilităţile stărilor S1, S2, S3 (risc).
Soluţie
a) I) Max(a1j )  50 ; Max(a 2 j )  80 ; Max(a 3 j )  100 ; Max(a 4 j )  80

j j j j
Max(50;80;100;80)  100
i
deci V3 este varianta optimă după regula optimistului.
II) Min(a1j )  10 ; Min(a 2 j )  60 ; Min(a 3 j )  20 ; Min(a 4 j )  50

j j j j
Max(10;60;20;50)  60
i
deci V2 este varianta optimă după regula pesimistului.
III) Fie  = 0.4

  Max(a1j )  (1  )  Min(a1j )  0.4  50  0.6  10  26 ;
j j
  Max(a 2 j )  (1  )  Min(a 2 j )  0.4  80  0.6  60  68 ;

j j
  Max(a 3 j )  (1  )  Min(a 3 j )  0.4  100  0.6  20  52 ;

j j
  Max(a 4 j )  (1  )  Min(a 4 j )  0.4  80  0.6  50  62 ;

j j
Max(26;68;52;62)  68
i
deci V2 este varianta optimă după criteriul mixt.
a11  a12  a13 a  a 22  a 23
IV)  30 ; 21  70 ;
3 3
a 31  a 32  a 33 a  a 42  a 43
 70 ; 41  66.7 ;
3 3
Max(30;70;70;66.7)  70
i
deci variantele V2 şi V3 sunt optime după regula mediei.
65
V) Valoarea maximă aij pentru i = 1,2,3,4 şi j = 1,2,3 este egală cu 100 deci tabloul regretelor bij
este:
STĂRI  S1 S2 S3
VARIANTE 
V1 50 70 90
V2 20 30 40
V3 0 10 80
V4 20 30 50
Max(b1j )  90 ; Max(b2 j )  40 ; Max(b3 j )  80 ; Max(b4 j )  50 ;

j j j j
Min (90;40;80;50)=40
i
deci V2 este varianta optimă după regula regretelor.
b) Avem mediile:
1 = 50 x 0.5 +30 x 0.2 +10 x 0.3 = 34; 2 = 80 x 0.5 +70 x 0.2 +60 x 0.3 = 72;
3 = 100 x 0.5 +90 x 0.2 +20 x 0.3 = 74; 4 =850 x 0.5 +70 x 0.2 +50 x 0.3 = 69;
Max(34;72;74;69)  74
i
deci varianta V3 este optimă după criteriul mediei maxime.
Avem riscurile:
1 = 502 x 0.5 +302 x 0.2 +102 x 0.3 - 342 1 / 2 = 17.44;
2 = 802 x 0.5 +702 x 0.2 +602 x 0.3 - 722 1 / 2 = 8.72;
3 = 1002 x 0.5 +902 x 0.2 +202 x 0.3 - 742 1 / 2 = 48.41;
4 = 802 x 0.5 +702 x 0.2 +502 x 0.3 - 692 1 / 2 = 13;
r1 =  1 /  1 = 0.51; r2 =  2 /  2 = 0.12; r3 =  3 /  3 = 0.65 ; r4 =  4 /  4 = 0.19;
Min (0.51; 0.12; 0.65; 0.19) = 0.12 deci varianta optimă este V2 după criteriul riscului
minim.
Procesul decizional de mai sus este static adică valorile economice ai j sunt constante, ceace
este adevărat la un moment dat.
În realitate valorile economice ai j se schimbă în timp, decizii premature sau tardive ajungând
să fie inoperante.
În procesul decizional dinamic vom avea:
ai j (t) = i j .t2 + i j .t + i j; (i j, i j < 0)
Aceste valori economice au valori pozitive în intervalele
[(i j – (i j)1 / 2) / (- 2 i j); (i j + ( i j)1 / 2) / ( - 2 i j)] unde i j = (i j)1 / 2 – 4. i j. i j
şi au valoarea maximă pentru momentul de timp i j / (- 2 i j).
Momentul minim în luarea unei decizii este:
 ij  ij   ij  ij 

T1  Min   iar cel maxim este T2  Max  
i, j  2    i, j  2   
 ij
  ij

Pentru fiecare valoare concretă t T1; T2 modelul devine static şi varianta optimă V0 se
alege ca mai sus.
66
Exemplu
STĂRI  S1 S2
VARIANTE 
V1 -t2+10t-24 -t2+6t-5
V2 -t2+7t-12 -t2+7t-10
vem a11(t) = -t2+10t-24 > 0 pentru t 4;6;

a12(t) = -t2+6t-5 > 0 pentru t 1;5;
a21(t) = -t2+7t-12 > 0 pentru t 3;4;
a22(t) = -t2+7t-10 > 0 pentru t 2;5
Avem T1 = Min (4;1;3;2) = 1; T2 = Max (6;5;4;5) = 6.
Pentru orice t 1;6 modelul devine static şi se alege varianta optimă V0 ca mai sus.
4.2. Strategii optime
4.2.1. Strategii deterministe optime
Fie I o mulţime de jucători. Fiecare jucător i I dispune de o mulţime Si de strategii notate

cu si.
Mulţimea strategiilor alese câte una de fiecare jucător, se numeşte situaţie şi are forma s =
(si)iI.
Mulţimea tuturor situaţiilor posibile este produsul cartezian S = Π Si cu i I.
Fiecare jucător i I are funcţia de câştig Hi: S → R, definită astfel: în situaţia s jucătorul i
jucătorul i realizează câştigul Hi (s). Hi (s) > 0 este câştig iar Hi (s) < 0 este pierdere.
Suma jocului este suma tuturor funcţiilor de câştig ale tuturor jucătorilor adică este Σ Hi (s)
cu i I şi s  S.
Situaţia s este favorabilă jucătorului i I dacă Hi (s) este maximă în raport cu toate
strategiile si  Si alese de acest jucător. Situaţia s favorabilă tuturor jucătorilor se numeşte situaţie
de echilibru a jocului.
Orice joc poate fi cu coaliţie sau fără coaliţie. Coaliţia este definită ca un grup de jucători
K  I.
Ea poate fi privită ca un jucător unic cu funcţia de câştig HK (s) = Σ Hi (s) cu i K.
Dacă I conţine numai doi jucători, avem un joc antagonic şi suma jocului este nulă: H1(s) +
H2(s) = 0
Şi un joc cu coaliţie poate fi privit ca un joc antagonic cu jucătorii unici K şi I \ K.
Jocurile antagonice cu coaliţie modelează relaţiile între om şi natură în asigurarea condiţiilor
optime de vegetaţie a plantelor de cultură şi respectiv de întreţinere optimă a animalelor domestice.
Strategiile nefavorabile oferite de natură micşorează funcţia de câştig a producţiei vegetale
respectiv zootehnice; strategiile compensatoare ale omului limitează această micşorare.
Astfel seceta este compensată de irigaţii, excesul de umiditate este compensat de îndiguiri şi
drenaje, scăderea fertilităţii solului este compensată de îngrăşăminte, scăderea prolificităţii
animalelor domestice este compensată prin însămânţări artificiale, creşterea mortalităţii la animale
este compensată prin măsuri sanitar-veterinare etc.
Jocul antagonic în care fiecare din cei doi jucători are un număr finit de strategii, se numeşte
joc matricial. Fie S1 = {1,…,m} mulţimea strategiilor primului jucător şi S2 = {1,…,n} mulţimea
67
strategiilor celui de al doilea jucător. Orice situaţie va avea forma s = (i,j) cu i  S1, j  S2. Notând
cu aij = H1(s) = - H2 (s), obţinem matricea jocului M = (aij) de tip m x n.
aij > 0 este câştig pentru primul jucător şi pierdere pentru al doilea jucător, iar aij < 0 este
pierdere pentru primul jucător şi câştig pentru al doilea jucător.
Situaţia s* = (i*,j*) este situaţie de echilibru sau punct-şa pentru joc dacă pentru orice
strategie i  S1 şi pentru orice strategie a celui de al doilea jucător j  S2 avem a i j*  a i*j*  ai* j.
Teorema 4.1
O condiţie necesară şi suficientă de existenţă a unei situaţii de echilibru a unui joc matricial
este dată de condiţia minimax:
max min a ij = min max a ij
i j j i
Demonstraţia se poate găsi în lucrări de teoria jocurilor din bibliografia generală.
Valoarea comună a celor doi membri ai egalităţii din teorema 3.1 se numeşte valoarea
jocului şi se noteză cu v(M). Rezolvarea unui joc matricial constă în găsirea situaţiei situaţiei de
echilibru şi a valorii jocului.
În matricea jocului M = (a i j) cu m linii şi n coloane se determină elementele minime de pe
fiecare din cele m linii. Cel mai mare din aceste elemente aflat pe linia i* defineşte strategia optimă
i* a primului jucător.
În matricea jocului M = (a i j) cu m linii şi n coloane se determină elementele maxime de pe
fiecare din cele n coloane. Cel mai mic din aceste elemente aflat pe coloana j* defineşte strategia
optimăj* a celui de al doilea jucător.
Valoarea jocului este:
v(M) = min ai j  max aij
j i
Exemplu
Să se rezolve jocul cu matricea:
2 -3 1

M=  4 5 -2 
8 2 
 6
Avem min{2;3;-1}= -3; min{4;5;-2} = - 2; min{8;6;2} = 2 deci max{-3;-2;2} = 2 şi i* = 3.
Avem max{2;4;8} = 8; max{-3;5;6} = 6; max{1;-2;2} = 2 deci min {8;6;2} = 2 şi j* = 3
Condiţia minimax este îndeplinită ,situaţia de echilibru este s* = (i*=3; j*=3), iar valoarea
jocului este v(M) = 2.
4.2.2. Strategii aleatoare optime
Jocul matricial prezentat mai sus a fost un joc matricial determinist deoarece strategiile sale
i, j au fost deterministe (alese cu probabilitatea 1 şi nealese cu probabilitatea 0).
Jocurile matriciale aleatoare folosesc strategii i, j aleatoare (alese cu probabilităţi pi, qj
cuprinse între 0 şi 1).
Fie jocul matricial aleator cu matricea M = (aij) de tip m x n şi strategiile aleatoare p =
(p1,…,pm) a primului jucător (p1+…+pm = 1) şi q = (q1,…,q n) a celui de al doilea jucător
(q1+…+qn= 1).
Situaţia aleatoare va fi s = (p,q).
68
Valoarea medie a funcţiei de câştig pentru situaţia aleatoare s = (p,q) va fi:
m n
H(s)=  a ijpi q j = pMq T
i=1 j=1
Situaţia aleatoare s* = (p*,q*) este situaţie de echilibru sau punct-şa pentru joc dacă pentru
orice strategie aleatoare p S1 a primului jucător şi pentru orice strategie aleatoare q S2 a celui de
al doilea jucător , avem:
pMq*T  p*Mq*T  p*MqT
Teorema 4.2
Situaţia aleatoare de echilibru s* există totdeauna deoarece pentru orice matrice M avem
îndeplinită condiţia minimax:
max min pMq T  min max pMq T
P q q p
Demonstraţia teoremei se poate găsi în lucrare.

Valoarea comună a celor doi membri ai egalităţii di teorema 3.2 se numeşte valoarea jocului
şi se notează cu v(M). Avem:
max min a ij  v(M)  min max a ij
i j j i
deoarece numărul strategiilor aleatoare p,q este mai mare ca numărul strategiilor deterministe i, j
deci minimul scade iar maximul creşte prin trecerea de la i, j la p,q.
Rezolvarea jocului matricial constă în găsirea situaţiei aleatoare de echilibru şi a valorii
jocului.
Exemplu
Pentru jocul matricial aleator cu matricea M =(aij) de tip 2 x 2 avem situaţia aleatoare de
echilibru
s* = (p*,q*) unde:
p* = ((a22 – a21) / (a11- a12-a21+a22); (a11 – a12) / (a11- a12-a21+a22));
q* = ((a22 – a12) / (a11- a12-a21+a22); (a11 – a21) / (a11- a12-a21+a22))
iar valoarea jocului va fi:
v(M) = (a11 a22 – a12 a21) / (a11- a12-a21+a22)
Un joc matricial este simetric dacă matricea sa este antisimetrică adică aji = - aij.
În acst caz mulţimea strategiilor optime ale celor doi jucători coincud şi valiarea jocului este 0.
Există o strânsă legătură între jocurile matriciale aleatoare simetrice şi problemele de
optimizare duale: din demonstraţia teoremei de dualitate 1.1 din secţiunea 1.1 rezultă că jocul
matricial simetric cu matricea antisimetrică:
 0 - AT c 
 
M=  A 0 - b
- c T
bT 0 

are strategia optimă comună a ambilor jucători s = (p*,q*) unde p*=q*=(x*,y*,t) = (t.x,t.y,t) unde
x=(x1,…,xn) şi y = (y1,…,ym) sunt soluţii optime pentru problemele duale:
Ax  b ; AT y  c
x0 ; y 0
--------------- -------------------
f= cT x=minim ; g=bT y=maxim
iar t = 1 / ( x1+…xn + y1+…+ym) > 0.
69
Exemplu
Să se afle strategia optimă comună a ambilor jucători pentru jocul simetric cu matricea:
 0 0 -2 -4 1 
 0 0 -3 -3 1 
 
 ---------------------- 
 
M=  2 3 0 0 -6 
 4 3 0 0 -8 
 
 ---------------------- 
 -1 -1 6 8 0 

Soluţie
Din matricea jocului M rezultă:
 2 3 6  1
A=   ; b=   ; c=  
 4 3 8   1
deci avem perechea de probleme duale:
2x1  3x 2  6 ; 2y1  4y 2  1
4x1  3x 2  8 ; 3y1  3y 2  1
x1 , x 2  0 ; y1 , y 2  0
------------------- ------------------------
f=x1 +x 2 =minim ; g=6y1 +8y 2 =maxim
Rezolvînd duala cu metoda simplex, obţinem soluţiile optime ale ambelor probleme: x =
(1 ; 4/3); y = (1/6;1/6).
Avem t = 1 / (1 + 4/3+1/6+1/6+1) = 6 / 22 deci p*=q*= (6/22:8/22;1/22;1/22;6/22) şi
v(M)=0.
4.3. Lanţuri Markov finite
O funcţie aleatoare este o funcţie de variabila nealeatoare t notată cu X(t), care pentru fiecare
valoare fixată t0 a lui t, este variabilă aleatoare X(t0).
Exemplu X(t) = tX.
Pentru t = 1 avem variabila aleatoare X(1) = X iar pentru t = 2 avem variabila aleatoare X(2) = 2X.
Secţiune a unei funcţii aleatoare X(t) este variabila aleatoare X(t0) deci funcţia aleatoare este o
mulţime {X(t)} de variabile aleatoare care depind de parametrul t.
Realizarea (traiectoria, funcţia de sondaj) a unei funcţii aleatoare X(t) este funcţia nealeatoare de t în
care variabila aleatoare X ia o valoare dată într-o experienţă concretă.
Exemplu. Pentru X(t) = tX dacă în prima experienţă avem X = 5 atunci prima realizare este x 1(t) = 5t
iar dacă în a II-a experienţă avem X = 2 atunci a doua realizare este x2(t) = 2t.
Deci o funcţie aleatoare este mulţimea tuturor realizărilor sale posibile.
Un proces aleator este o funcţie aleatoare X(t) în care variabila t este timpul.
În acest sens, producţia agricolă vegetală şi zootehnică sunt procese aleatoare.
Dacă t ia un şir de valori t0, t1, … tn, … atunci procesul aleator este un şir aleator {X(t0), X(t1), …
X(tn), …} numit şi lanţ aleator.
Un exemplu remarcabil de şir aleator este lanţul Markov finit.
Fie t  {0, 1, …, n} şi variabilele aleatoare X(0), X(1), …, X(n). Stările lanţului finit sunt numerele
reale x0, x1, … xn.
Dacă realizarea evenimentului X(k) = x j nu depinde decât de realizarea evenimentului precedent
X(k – 1) = xi pentru orice i, j, k  {0, 1, …, n} lanţul finit se numeşte lanţ Markov cu un număr finit de stări.
70
Probabilitatea p(0)i = P(X(0) = xi) se numesc probabilităţi iniţiale iar probabilităţile pij (k) = P(X(k) =
xj X(k  1)  x i ) se numesc probabilităţi de trecere din starea xi în starea xj.
Se presupune că lanţul Markov este omogen adică probabilităţile de trecere nu depind de k deci
n
pij(k) = pij. Fie M = (pij) matricea pătratică a probabilităţilor de trecere de ordin n + 1. Avem p
j0
ij  1.
Fie Pij(m) probabilitatea ca să trecem din starea xi în starea xj după m paşi.

Avem Pij(1) = pij. Fie M(m)= (pij(m)) ,m  N deci M(1) = M.
Fie A evenimentul că după m paşi sistemul trece din starea xi în starea xj deci P(A) = pij(m) să fie Br
evenimentele că după s paşi sistemul trece din starea xi în starea xr(0 < r < n) deci P(Br) = pir(s).
PBr(A) este probabilitatea condiţionată a realizării lui A dacă s-a realizat Br adică după m – s paşi
sistemul trece din starea xr în starea xj deci PBr(A) = prj(m-s).
Formula probabilităţii totale din teorema 1.2 are forma:
n
P( A)   P(Br )  PB r (A) adică
r 0
n
Pij (m)   Pir ( s) Prj (m  s)
r 0
relaţie numită egalitatea Markov.
Pentru m = 2; s = 1 egalitatea Markov devine:
n
Pij (2)   Pir (1) Prj (1)
r 0
Sub formă matricială avea: M(2) =M.M = M2
Pentru m=3; s=2 egalitatea Markov devine:
n
Pij (3)   Pir (2)Prj (1)
r 0
sau matricial M(3) = M(2) . M = M3
În general M(m) = Mm

Dacă cunoaştem vectorul de lungime n + 1 al probabilităţilor iniţiale V0  p (00) , ..., p (0)
n 
şi matricea
M = (pij) de ordin n + 1 a probabilităţilor de trecere atunci după m paşi situaţia lanţului Markov este dată de
produsul V0M(m) = V0 Mm.
Exemplu
O fermă comercializează un produs pentru agricultură împreună cu alte două firme.
Firma are iniţial o pondere pe piaţa produsului de 45% iar celelalte firme au ponderile de 25% şi
respectiv 30% deci V0 = (0.45, 0.25, 0.30).
Preferinţele cumpărătorilor pentru produs de la cele trei firme sunt relativ stabile şi date de matricea:
 0.80 0.10 0.10 
M   0.35 0.50 0.15 
 0.10 0.15 0.75 
 
Se cere evoluţia ponderilor pe piaţă ale celor trei firme după m = 6 etape de vânzare.
Soluţie
V0 M6 = (0.50; 0.19; 0.31)
deci produsul de la firma 1 este în creştere, cel al firmei 2 în scădere iar cel al firmei 3 este staţionar.
71
4.4. Rezumat
În acest capitol se prezintă deciziile optime după diferite reguli. Se continuă cu jocuri matriciale
deterministe şi aleatoare şi cu lanţuri Markov.
4.5. Întrebări
1. Care sunt regulile de luare a unei decizii optime?

2. Cum se rezolvă jocurile deterministe şi aleatoare?
3. Ce aplicaţii au lanţurile Markov în comerţ?
4.6. Bibliografie
1. Stănăşilă O. „Analiză liniară şi geometrie”, Vol. I - II, Editura All, 2000 - 2001
72
Capitolul 5. STOCURI DE PRODUSE ŞI ECHIPAMENTE
Obiective: Însuşirea de către studenţi a noţiunilor de stoc optim determinist şi aleator, noţiunilor de
fiabilitate şi înlocuire optimă a echipamentelor.
Conţinut:
5.1 Stocuri optime cu cerere constantă
5.2 Stocuri optime cu cerere aleatoare
5.3 Fiabilitatea şi înlocuirea echipamentelor
5.4 Rezumat
5.5 Întrebări
5.6 Bibliografie
5.1. Stocuri optime cu cerere constantă
Un stoc este o acumulare de bunuri materiale care urmează să fie folosite în producţie sau
valorificate în consum.
Intensitatea aprovizionării cu bunuri materiale nu poate fi totdeauna egală cu intensitatea
cererii acestor bunuri pentru producţie / consum deci se impune necesitatea stocării lor.
Exemple de stocuri în agricultură
- Stocuri de produse agricole vegetale în silozuri;
- Stocuri de produse zootehnice în depozite;
- Stocuri de îngrăşăminte, insecticide, ierbicide la furnizori;
- Stocuri de carburanţi şi piese de schimb în atelierele mecanice;
- Stocuri de seminţe pentru semănat la unităţile producătoare de seminţe;
- Stocuri de material seminal pentru însămânţări artificiale la animale la unităţile de de
profil.
Stocarea bunurilor materiale, numite convenţional şi articole, presupune comandarea şi
transportarea lor în stoc cu costul de aprovizionare ca (lei / serie); aceste bunuri materiale sunt
imobilizate în stoc, lipsind din procesul de producţie / consum şi trebuind ferite de depreciere sau
sustragere, deci ele comportă un cost de stocare cs (lei / articol.unitate de timp).
Dacă intensitatea cererii pentru producţie / consum de articole, depăşeşte intensitatea stocării
acestora, numărul de articole din stoc poate deveni zero, creindu-se penurie de articole cu costul de
penurie cp (lei / articol.unitate de timp).
5.1.1. Stocuri cu aprovizionare instantanee
Cu privire la modul de aprovizionare cu articole, vom presupune că aprovizionarea se face

instantaneu cu un număr r de articole, r fiind acelaşi pentru perioade de timp egale, de lungime t
între două aprovizionări consecutive adică stocurile sunt cu cerere constantă.
Fie perioada de timp totală de lungime T pentru care există cererea totală de N articole.
În prima perioadă de timp de lungime t se aduc în stoc r = m articole faţă de n articole
planificate (m ≤ n); aceste m articole consumându-se în procesul de producţie / consum, în
următoarea perioadă de timp de lungime t se aduc alte m articole etc.
La sfârşitul perioadei de timp totale de lungime T, cererea totală de N articole este integral
satisfăcută iar volumul stocului este zero.
73
Datorită condiţiei m ≤ n, rezultă că există subperioade de timp de lungime t – u la sfârşitul
perioadelor de timp de lungime t, în care volumul stocului ajunge zero (penurie de n – m articole)
deci apare costul de penurie cp (lei / articol.unitate de timp).
În ipoteza consumului liniar de articole din stoc, volumul stocului evoluează astfel: în
subperioadele de timp [it; it+u] stocul scade de la m articole la zero articole iar pe subperioadele de
timp [it +u; (i+1)t] există penurie de n – m articole, urmată de o nouă aprovizionare cu m articole
(i = 0,1,…,k-1). Aici k este numărul de aprovizionări în serii de câte m articole.
Intensitatea stocării planificate este  = (n / t) articole / unitate de timp iar a celei realizate
este ’ = (m / u) articole / unitate de timp.
Intensitatea cererii este λ = (N / T) articole / unitate de timp.
Vom presupune că  = ’ = λ adică n / t = m / u = N / T şi că avem k aprovizionări în serii de
câte m articole în subintervale de timp de lungime u, aşa că vom avea:
k = T / t = N / n; T / u = N / m
Costul aprovizionării cu o serie de m articole este ca (lei / serie), costul stocării acestei serii
este (m / 2).u.cs unde m / 2 este volumul mediu de articole stocate pe perioada de timp de lungime u
iar costul penuriei a n – m articole este ((n-m) / 2). (t-u).cp unde (n – m) / 2 este numărul mediu de
articole care lipsesc din stoc pe subperioada de timp de lungime t – u de la sfârşitul perioadei de
timp de lungime t.
Costul total al aprovizionării, stocării şi penuriei pentru cele N articole necesare în perioada
de timp totală de lungime T, va fi:
 m nm 
C(n,m)=k  ca   u  cs   (t  u)  c p 
 2 2 
Dar k = N / n; u = m.(T / N) şi t - u = (n-m).(T / N) aşa că vom minimiza funcţia de variabilele n, m
a costului total de aprovizionare, stocare şi penurie:
1 m2 (n  m)2
C(n,m)=  N  ca   T.cs   T  cp
n 2n 2n
Derivăm parţial în raport cu n şi m:
C 1 m2 n 2  m2
  2  N  c a  2  T  cs   T  cp  0
n n 2n 2n 2
C m nm
  T  cs   T  cp  0
m n n
Cu notaţia ρ = cp / (cs+cp ) deci 0< ρ < 1 acest sistem are soluţia (punctul staţionar):
N ca 1
n0  2    ; m0    n 0
T cs 
Se verifică condiţiile:
2C 2C
2C n 2 nm
1  2  0 ;  2  2  0 pentru n = n 0 şi m = m0
n  C 2C
mn m 2
deci în adevăr avem un minim.
Valoarea minimului este C(n0, m0) = T.cs.m0
Numărul optim de aprovizionări cu n0 articole planificate va fi: k0 = N / n0.
Lungimea optimă a intervalelor de timp între două aprovizionări va fi: t0 = T / k0
Durata optimă a subperioadelor de timp fără penurie va fi: u0 = ρ.t0.
74
Dacă cs este neglijabil în raport cu cp, avem ρ → 1 deci m0 → n0 şi penuria dispare (stocurile
sunt cu articole suficiente).
În acest caz avem:
N ca N T
n0  2    m0 ; C(n 0 )  T  cs  n 0 ; k 0  ; t0   u0
T cs n0 k0
Exemplu
La o fermă zootehnică, necesarul anual de furaje concentrate este de N = 200 tone pentru T
= 365 zile. Costul de aprovizionare este ca = 100 lei / serie iar cel de stocare este cs = 5 lei / tonă.zi.
Absenţa furajelor concentrate duce la cheltuieli suplimentare astfel că costul de penurie este
cp = 3.5 lei / tonă.zi.
Se cer valorile optime n0, m0, C(n0, m0), k0, t0, u0.
Soluţie
Avem ρ = cp / (cs + cp ) = 0.875. Rezultă:
n0 = [(2.N.ca) / (T.cs )]1 / 2. (1 / ρ1 / 2) = 15.83 tone planificate pe serie.
m0 = ρ.no = 13.85 tone realizate pe serie.
C(n0, m0) = T.cs.m0 = 2527.625 lei.
k0 = N / n0 = 12.63 serii.
t0 = T / k0 = 28.9 zile între două aprovozionări succesive.
u0 = ρ.t0 = 25.29 zile fără penurie.
5.1.2. Stocuri optime cu aprovizionare treptată
Intensitatea ofertei este de  articole / unitete de timp iar intensitatea cererii este de  articole /
unitate de timp. Presupunem că  >  pentru a putea constitui stocul. Fie  = cp / (cs + cp) 0; 1.
Avem t1 = s; t2 = s + u; t3 = s + u + t; t4 = s + u + t + r.
În intervalul de timp 0; t1 de lungime s, se oferă  s articole şi se cer  s articole deci stocul
conţine ( -  )s articole.
În intervalul de timp t1; t2 de lungime u se consumă în totalitate stocul de ( -  )s articole
deci:
(1) ( -  )s =  u
În intervalul de timp t2; t3 de lungime t se creează deficitul de stoc de t articole.
În intervalul de timp t3; t4 de lungime r se reia oferta de  r articole şi se cer  r articole
pînă la lichidarea deficitului de stoc aşa că:
75
(2)  t = ( -  ) r
Cheltuielile pe intervalul total de timp 0; t4 de lungime r + t + u + s sunt formate din:
a) Cheltuieli de lansare a producţiei ca (lei);
b) Cheltuieli medii de stocare egale cu cs. ( - ) s . (u+s)) / 2 pe intervalul de timp 0; t2
de lungime u + s.
c) Cheltuieli medii de penurie cp.t.(r + t) / 2 pe intervalul de timp t2; t4 de lungime r + t.
Cheltuielile totale pe unitatea de timp sunt:
f(s,u,t,r) = ca + cs . ( -  ) s . (u+s) ) / 2 + cp.t.(r + t) / 2  / ( r + t + u + s)
Din relaţiile (1) şi (2) rezultă: s =  u / ( -) şi r =  t / ( -) aşa că avem:
(3) f(u,t) =  ca ( -) + ( cs.u2 + cp.t2 ) / 2 / (u + t)
Anulând derivatele parţiale  f /  u = 0;  f /  t = 0 găsim soluţia care se dovedeşte a fi
punct de minim:
2ca (  ) c u 0 t 0
(4) u0  ; t 0  s  u 0 deci s 0  ; r0 
cs cp  
Cheltuelile totale minime pe unitatea de timp sunt f0 = f ( u0, t0).

În cazul cînd cs este neglijabil în raport cu cp deci 0, penuria dispare deci avem t = r = 0
aşa că:
f(u) = ca(-) +.cpt2 / 2 / () iar f ’(u) = 0 are soluţia:
2ca (  )
u0 
cs
care este punct de minim. Valoarea minimului este f0 = f(u0)
Exemplu
La o fermă zootehnică avem costul de lansare a bazei furajere ca = 1200 lei, cel de stocare
este cs = 0.5 lei / tonă.zi iar cel de penurie este c p = 3.5 lei / tonă.zi. Avem  = 0.5 tone / zi şi  =
0.4 tone / zi.
Se cer valorile optime u0, t0, s0, r0 şi f0.
Soluţie
Avem  = cp / (cs + cp ) = 0.875 deci din relaţiile (4) rezultă:
u0 = 45.8 zile; t0 = 6.55 zile; s0 = 183.2 zile; r0 = 26.2 zile.
Valoarea f0 = f (u0, t0) rezultă din relaţia (3).
Avem t1 = s0 = 183.2 zile; t2 = s0 + u0 = 229 zile; t3 = s0 + u0 + t0 = 235.55 zile şi t4 = s0 + u0
+ t0 + r0 = 261.75 zile.
În intervalul 0; 183.2 zile se oferă  s0 = 96 tone furaje şi se consumă  s0 = 73.28 tone
furaje deci în a 183.2 – zi avem stocul de 22.72 tone furaje.
În intervalul 183.2 zile; 229 zile se consumă în întregime stocul de 22.72 tone furaje.
În intervalul 229 zile; 235.55 zile se creează un deficit de stoc de  t0 = 26.2 tone de furaje.
În intervalul 235.55 zile; 261.75 zile se reia oferta de  r0 = 13.1 tone furaje şi se consumă
 r0 = 10.48 tone furaje iar deficitul de furaje dispare în a 261.75 – zi.
În continuare procesul de ofertă şi consum se reia cu aceiaşi paramatri optimi.
76
5.2. Stocuri optime cu cerere aleatoare
În modelul stocurilor optime cu cerere constantă din secţiunea 5.1 s-a presupus că cererea de
r articole pentru a fi depuse în stoc este constantă şi egală fie cu numărul n de articole planificate
pentru stocuri cu articloe sufuciente fie cu numărul m ≤ n de articole realizate pentru stocuri cu
penurie de articole.
Vom presupune mai departe că cererea r este o variabilă aleatoare pe fiecare perioadă de
timp de lungime t cu densitatea de probabilitate p(r).
Cererea fiind variabilă, în orice perioadă de timp de lungime t sunt posibile cazurile:
r ≤ m sau r > m.
Cazul r ≤ m, ilustrat în figura 1, duce la scăderea liniară a stocului de la m la m – r articole
deci avem stocul mediu: [m+(m-r)t] / (2t) = m – (r / 2)
Cazul r > m, ilustrat în figura 2, duce la scăderea liniară a stocului de la m la 0 pe subperioada

de timp [0; u] de lungime u deci avem stocul mediu (mu) / (2t) = (m2 ) / (2r ) căci din asemănarea
triunghiurilor dreptunghice OAB şi ACD din figura 2, rezultă u / t = m / r deoarece AC = r.
Pe subperioada de timp [u; t] de lungime t – u avem penurie de n – m articole deci penuria

medie este [(r-m).(t-u)] / (2t) = (r-m)2 / (2r) deoarece din relaţia de asemănare u / t = m / r rezultă
(t-u) / t = (r-m) / r.
Costul mediu de aprovizionare-stocare-penurie pe perioada de timp de lungime t este:
m
r n
m2 n
(r  m)2
C(m)  ca  cs   (m  )  p(r)  cs    p(r)  c p    p(r)
r 0 2 r  m 1 2r r  m 1 2r
Valoarea optimă m0 a lui m este dată de dubla inegalitate:
C (m – 1) > C (m) < C (m+1)
77
Dar:
 1 n
p(r) 
C(m  1)  C(m)  (cs  c p )  P(r  m)  (m  )  
 2 r m1 r 
deci cu notaţia:
1 n p(r)
L(m)  P(r  m)  (m   
2 r m1 r
relaţia C (m) < C (m+1) devine: cp < (cs+cp).L(m) şi cum  = cp / ( cs + cp ) rezultă:  < L(m).
În mod analog avem:
 1 n p(r) 
C(m  1)  C(m)  (cs  c p )  P(r  m  1)  (m  )  
 2 r m r 
deci relaţia C (m –1) > C (m) devine: cp > (cs + cp ).L(m-1) adică  > L(m-1).
Am demonstrat:
Teorema 5.1
m 0 este acea valoare a lui m care satisface dubla inegalitate L(m-1) <  < L(m).
Exemplu
Un depozit trebuie să stocheze îngrăşăminte chimice pentru un anumit timp.
Cererea de îngrăţăminte chimice (tone / lună) este variabila aleatoare X cu repartiţia:
 0 1 2 3 4 
X:  
 0.40 0.22 0.18 0.12 0.08 
Avem ca = 200 lei / lună; cs = 4 lei / tonă.lună; cp = 36 lei / tonă.lună.
Se cere volumul optim m0 al unei serii de aprovizionare realizate şi cheltuielile medii
minime C (m0) de aprovizionare, stocare şi penurie.
Soluţie
Avem n = 4;  = 360000 / 400000 = 0.9
Avem tabelul de calcul:
m r p(r) p(r) / r S P (r ≤ m) L (m)

0 0 0.40 - 0.37 0.40 0.585
1 1 0.22 0.22 0.15 0.62 0.845
2 2 0.18 0.09 0.06 0.80 0.950
3 3 0.12 0.04 0.02 0.92 0.990
4 4 0.08 0.02 0 1 1
Aici am folosit notaţia:

4
p(r)
S= 
r=m+1 r
2
r 4
22
C(2)  2000000  40000   (2  )  p(r)  40000    p(r) 
r 0 2 r 3 2r
(r  2)2
4
 360000    p(r)
r 3 2r
Avem L(1) = 0.845 < ρ = 0.9 < L(2) = 0.950 deci m0 = 2 tone / serie realizate, adică C (2) =
212.2 lei = minim.
78
5.3. Fiabilitate şi înlocuirea echipamentelor
5.3.1. Variabile aleatoare cu aplicaţii în fiabilitate şi simularea lor
În probleme de fiabilitate intervin variabilele aleatoare Poisson, exponenţială,Weibull şi

Erlang pe care le prezentăm în cele ce urmează.
Variabila aleatoare uniformă  intervine în problema simulării valorilor acestor variabile
aleatoare.
A. Variabila Poisson
Variabila aleatoare Poisson este variabilă cu un şir infinit de valori cu densitatea de

probabilitate:
k
f ( x)  e  ; (k  0,1, 2,...)
k!
Notaţie: PO()
f(k) se calculează recurent astfel:
f(0)=e; (k = 0)

f(k)  f (k  1). ; (k = 1,2,3,…)
k
Funcţia de repartiţie Poisson este:
k
h
F (k )   e
h!
h 0
Funcţie EXCEL: = POISSON(k,λ,L)
Pentru L = FALSE avem densitatea de repartiţie Poisson f(k) iar pentru L = TRUE avem
funcţia de repartiţie F(k).
Funcţia caracteristică este  (t )  e ( e 1) de unde rezultă:
it
 '(0)  " (0)

M (X )    ; M(X )  2
2
 2  
i i
deci V(X)  M(X )-M (X)  
2 2
Dacă X, Y sunt variabile Poisson de tip PO () respectiv PO(atunci X+Y este variabilă
Poisson de tip PO
Variabila Poisson se obţine din variabila binomială dacă n∞, p0 şi np =
Rezultă că modelul aproximativ al variabilei Poisson este schema bilei revenite aplicată unei
urne foarte bogate iar cu foarte puţine bile albe şi din care se extrag succesiv cu bila revenită un
număr de n foarte mare de bile. Din acest motiv variabila Poisson se mai numeşte variabila
evenimentelor rare.
Repartiţia Poisson se găseşte des în agricultură: numărul gemenilor, numărul animalelor cu
tare genetice şi numărul celulelor iradiate cu particule  sunt evenimente rare.
Exemplu
Numărul mediu de miei la 100 oi este de 120 miei. Care este probabilitatea ca o oaie să fete
2 miei?
79
Soluţie
1.22 1.2
Avem  =1.2 şi k = 2 deci f (2)  e  21.7 %.
2!
Funcţii EXCEL: = POISSON(2,1.2,FALSE) = 21.7%
= POISSON(2,1.2,TRUE) = 87.9%
B. Variabila uniformă
Variabila aleatoare uniformă  are densitatea de probabilitate:

f(x) =1, x [0;1]
f(x) =0, în rest
e it  1
Funcţia caracteristică este  (t )  şi conform teoremei 2.5. avem:
it
M(X)=  ' (0)  1 ; M ( X 2 )   (0)
''
1 1
2
 deci V(X)  M(X 2 )-M 2 (X) 
i 2 i 3 12
Valorile x 0,1 ale lui γ se numesc numere aleatoare şi se tabelează sau se generează cu
calculatorul (funcţia RND).
Cu ajutorul variabilei uniforme γ , se pot genera valorile oricărei variabile aleatoare prin
metoda Monte Carlo care va fi prezentată mai jos.
C. Variabilele exponenţială, Weibull, Erlang
A) Variabila exponenţială E(λ) are densitatea de probabilitate:

f(x) = λ e - λ x; (x≥0)
Funcţia de repartiţie este F(x) = 1-e - λ x
Funcţie EXCEL: = EXPONDIST(x,λ,L)
Pentru L=FALSE avem densitatea de probabilitate exponenţială f(x), iar pentru L = TRUE
avem funcţia de repartiţie F(x).
Funcţia caracteristică este φ(t)= (1  it ) 1 , deci avem M ( X )   ' (0)  1 şi
 i 
M(X2)=  (0)
''
2 1
 2 deci V(X)  M(X 2 )-M 2 (X)  2
i 2
 
Variabila exponenţială admite următoarele generalizări:
B) Dacă X este variabilă exponenţială E(λ) atunci Y=Xα este variabilă Weibull cu densitatea
de probabilitate:

f ( x)   x 1e x ,( x  0)
Funcţia de repartiţie este:


F ( x)  1  e   x .
Funcţie EXCEL: = WEIBULL(x,α, 1/(λ1/α), L)
Pentru L=FALSE avem densitatea de probabilitate WEIBULL f(x), iar pentru L = TRUE
avem funcţia de repartiţie WEIBULL F(x).
Avem:
 1
( )
M (X )   ;V ( X )  1 (  2 )  ((  1)) 2 
1/  1/     
80
Avem funcţia Gama:

( x)   t x 1et dt
0
cu proprietăţile:
1) Γ(1)=1; Γ(1/2)= ;
2) Γ(n+1) = n!;
3) Γ(x+1) = x Γ(x)
C) Dacă X1,….Xn sunt variabile aleatoare exponenţiale, independente câte două şi toate de
parametru λ, atunci X=X1+…+Xn este variabilă Erlang cu densitatea de probabilitate:
n
f ( x)  x n1e  x ;( x  0)
(n  1)!
Funcţia de repartiţie este F ( x)  1  e   . x .  (x)

n 1 j
j 0 j!
Funcţia caracteristică este: (t)  (1  it )  n deci avem M(X)  '(0)  n
 i 
 (0) n  n
'' 2
n
M(X2)= 2  deci V(X)=M(X 2
) – M 2
(X)=
i 2 2
Variabila exponenţială şi generalizările ei Weibull şi Erlang, sunt cazuri particulare ale
variabilei Gama generalizate.
D. Simularea unor variabile clasice
În multe probleme practice intervin însuşiri cantitative cu caracter aleator; pe baza datelor
experimentale relativ la o asemenea însuşire cantitativă se poate găsi şi testa variabila aleatoare
clasică a valorilor însuşirii studiate.
Anumite însuşiri dependente de însuşirile cantitative cu caracter aleator, se pot calcula ca
valori medii cu ajutorul metodei Monte Carlo prin simularea pe calculator a n valori ale variabilei
aleatoare interesate.
Fie o însuşire cantitativă X cu caracter aleator pentru care dorim să determinăm valoarea x0.
Dacă X este o variabilă aleatoare cu media μ = x0 şi varianţa σ 2, pentru m suficient de
mare, Sm = x1 + … + xm (suma celor m valori ale variabilei aleatoare X, simulate pe calculator) este
variabilă aleatoare normală N (m μ; mσ ) aşa că avem:
 x  ...  x m  ε
P 1  x 0  ε   2F   1 de unde rezultă
 m  σ
x1  ...  x m cu precizia ε şi probabilitatea 2F ε   1 unde F este funcţia
x0 
m σ
de repartiţie N(0, 1).
Cea mai importantă variabilă aleatoare care necesită simularea pe calculator este variabila
uniformă γ de la punctul B de mai sus.
Există tabele cu valori ale variabilei γ (numere subunitare pozitive cu cifre aleatoare)
precum şi procedee de obţinere cu calculatorul a valorilor lui γ (funcţia RND).
Simularea altor variabile aleatoare clasice se face cu ajutorul variabilei uniforme γ astfel:
Alegem în mod aleator (la întâmplare) m valori ale variabilei uniforme γi[0,1] şi luăm x =
xi dacă F(xi) = γi (i = 1, …, m) unde F(x) este funcţia de repartiţie a variabilei aleatoare X.
81
Dacă X este variabilă aleatoare discontinuă cu un număr finit de valori, cu repartiţia:
 x1 ___ x n  din relaţia F(x ) = γ (i = 1, …, m) rezultă că vom lua:
X :   i i
 1
p ___ p n 
xi = x1 dacă 0 < γi < p1

xi = x2 dacă p1 < γi < p1 + p2
…………………………………….
xi = xk dacă p1 + … + pk-1 < γi < p1 + … + pk
……………………………………………………….
xi = xn dacă p1 + … + pn-1 < γi < 1
Dacă X este variabilă aleatoare discontinuă cu un şir infinit de valori, din condiţia 0 < pi < 1

şi  p i  1 rezultă că numai pentru un număr finit de valori xi avem pi > ε cu 0 < ε < 1 deci vom lua
i 1
în calcul numai aceste valori.
Dacă X este variabilă aleatoare continuă, din relaţia F(xi) = γi (i = 1, …, m) rezultă xi ca
funcţie de γi.
Exemple
Alegem în mod aleator (la întâmplare) m = 10 numere aleatoare γi: 0.72; 0.11; 0.65; 0.98;
0.23; 0.47; 0.55; 0.30; 0.05; 0.82; să se genereze câte 10 valori pentru variabilele binomială,
Poisson, exponenţială şi normală, calculând şi media acestor valori simulate.
Soluţie
a) Fie variabila binomială X cu parametrii n = 4; p = 0.4
 0 1 2 3 4 
Variabila X are repartiţia: X : 
 0.1296 0.3456 0.3456 0.1536 0.0256 
deci vom lua:
xi = 0 dacă 0 < γi < 0.1296
xi = 1 dacă 0.1296 < γi < 0.4752
xi = 2 dacă 0.4752 < γi < 0.8208
xi = 3 dacă 0.8208 < γi < 0.9744
xi = 4 dacă 0.9744 < γi < 1
Pentru valorile γi din enunţ, avem valorile simulate xi = 2; 0; 2; 4; 1; 1; 2; 1; 0; 2 cu media
simulată xs  1.5 în timp ce media reală este M(X) = np = 0.6
b) Fie variabila Poisson cu parametrul λ = 0.2; cu ε = 0.0001 variabila Poisson X trunchiată
 0 1 2 3 4 
la valorile xi pentru care pi > ε, va fi: X :   deci vom lua:
 0.8187 0.1637 0.0164 0.0011 0.0001
xi = 0 dacă 0 < γi < 0.8187
xi = 1 dacă 0.8187 < γi < 0.9824
xi = 2 dacă 0.9824 < γi < 0.9988
xi = 3 dacă 0.9988 < γi < 0.9999
xi = 4 dacă 0.9999 < γi < 1
Pentru valorile γi din enunţ avem valorile simulate xi = 0; 0; 0; 1; 0; 0; 0; 0; 0; 1 cu media
simulată xs  0.2 în timp ce media reală este λ = 0.2
c) Fie variabila exponenţială X cu parametrul λ = 3.

Funcţia de repartiţie este F(X) = 1 – e -λx deci vom avea 1 – e-3xi = γi de unde x   ln(1  γ i ) .
i
3
82
Pentru valorile γi din enunţ, avem valorile simulate xi = 0.42; 0.04; 0.35; 1.30; 0.09; 0.21;
1
0.27; 0.12; 0.02; 0.57 cu media simulată xs  0.339 în timp ce M(X) =  0.333

d) Fie variabila normală X cu parametrii μ = 3; σ = 0.5
Xμ
Fie U  deci X = μ + σ . U
σ
Variabila U este variabilă N(0, 1) cu funcţia de repartiţie F(u).
Vom lua F(xi) = γi.
Pentru F(ui) = γi > 0.5 vom folosi tabela 1 pentru ui > 0 iar pentru F(ui) = γi < 0.5 avem ui <
0 deci folosim relaţia F(- ui) = 1 – F(ui) = 1 – γi > 0.5 deci obţinem pe ui > 0 din tabelă cu ajutorul
lui 1 – γi > 0.5.
Pentru valorile γi din enunţ, avem valorile simulate ui = 1.23; 0.38; 2.06; -0.07; 0.13; -0.52;
-1.65; 0.92.
Valorile simulate xi ale lui X se obţin din relaţia xi = 3 + 0,5 . ui deci vom avea: xi = 3.29;
2.39; 3.19; 3.03; 2.63; 2.97; 3.07; 2.74; 2.18; 3.46 cu media simulată xs  2.895 în timp ce M(X) = 3.
5.3.2. Fiabilitatea echipamentelor
Fie T variabila aleatoare pozitivă a timpului de funcţionare fără defecţiuni a unui element
constructiv al unui echipament.
Notăm cu F(t) funcţia de repartiţie şi cu f(t) densitatea de probabilitate a variabilei aleatoare T.
Fiabilitatea elementului constructiv considerat este probabilitatea funcţionării lui fără
defecţiuni în intervalul de timp [0, t] adică:
R(t) = P(T > t) = 1 – F(t)
Teorema 2.1. se transcrie pentru R(t) astfel:
1) R ia valori între 0 şi 1; R(0) = 1; lim R(t )  0 ;
t 
2) R este continuă la stânga: lim R(t )  R(t0 ) ;

t t0
3) R este funcţie descrescătoare: t1 < t2  R(t1) > R(t2);

4) P(a < T < b) = R(a) – R(b);P(T< b) = =1–
R(b); P(a < T) = R(a). R(t)
Graficul fiabilităţii are forma:
Ritmul defectării unui element constructiv este 1

densitatea de probabilitate de defectare a sa la momentul
t, condiţionată de faptul că funcţionarea sa a fost fără
defecţiuni în intervalul [0, t] adică:
P(T  t ) ( t  T  t  Δt )
λ( t )  lim
Δt  0 Δt
0 t
Avem P(T  t ) ( t  T  t  Δt )  1  P(T  t  Δt )  1  R ( t  Δt ) deci:
P (T  t ) t R (t )
P(T  t ) ( t  T  t  Δt ) R ( t  Δt )  R ( t ) 1 deci trecând la limită pentru Δt  0
 
Δt Δt R (t)
obţinem:
83
t
 λ (s ) ds
R ' (t) f ( t ) . Reciproc, avem: R (t)  e0
λ( t )   
R ( t ) 1  F( t )
Graficul ritmului de defectare are forma:
λ (t)
II
I IIIII III
Avem trei perioade0 în evoluţia funcţionării
tr unui element
tu constructiv
t în timp:
I) Perioada de rodaj [0; tr] în care apar un număr mare de defecte de fabricaţie;
II) Perioada de viaţă utilă [tr; tu] în care ritmul de defectare este scăzut şi constant;
III) Perioada de uzură fizică [tu; +] în care ritmul de defectare creşte din nou datorită
uzurii fizice.
În prezent multe elemente constructive nu mai ating perioada de uzură fizică datorită
înlocuirii lor, fiind uzate moral.
Timpul mediu de funcţionare fără defecţiuni al unui element constructiv se numeşte
durabilitatea elementului şi este media variabilei aleatoare T adică:

M(T)   R ( t )dt
0
Exemple
1) T = variabilă exponenţială deci F(t) = 1  e λt aşa că R ( t )  e  λt ; λ(t) = λ; M(T) = 1
Acest caz se întâlneşte în perioada II) de viaţă utilă când λ(t) = constant.
Dacă probabilitatea funcţionării fără defecţiuni a unui element constructiv într-un interval de
timp de lungime t, nu depinde de funcţionarea anterioară a elementului ci numai de lungimea t a
intervalului de timp, atunci T este variabilă exponenţială.
 λt α
2) T = variabilă Weibull deci F( t )  1  e aşa că:
 1

 λt α α 1  
R (t )  e ; λ( t )  αλt ; M (T )  
1
 
 
În cazul 0 < α < 1, λ(t) descreşte (cazul elementelor cu defecte de fabricaţie multe da care se
uzează lent); în cazul α = 1 avem λ(t) = λ = constant adică cazul 1) al fiabilităţii exponenţiale de mai
sus; în cazul α > 1, λ(t) creşte (cazul elementelor cu defecte de fabricaţie puţine dar care se uzează
rapid).
t

 s   2
3) T = variabilă normală deci F (t )  1 cu valori în tabele, după transformarea
2
e

2 2
Tμ .
U
σ
84
Rezultă R(t) = 1 – F(t); f ( t ) ; M(T) = μ
λ( t ) 
1  F( t )
( t   )2
1 
Aici f (t )  e 2 este densitatea de probabilitate a variabilei aleatoare normale N(;).
2
2
Dacă două elemente constructive independente între ele, au fiabilităţile R1(t), R2(t) atunci
legându-le în serie avem un element compus cu fiabilitatea R(t) = R1(t) . R2(t) iar legându-le în
paralel, avem un element compus cu fiabilitatea R(t) = R1(t) + R2(t) – R1(t) . R2(t).
Exemplu
Două elemente constructive independente ale unui tractor au fiabilităţile exponenţiale
R1(t) = e - 0.5t; R2(t) = e - 1.5t. Să se calculeze fiabilitatea elementului compus din cele 2 elemente
precedente în montaj serie şi paralel.
Soluţie
Pentru montajul serie avem Rs(t) = e-0,5t . e-1,5t = e-2t deci λs(t) = 2; M s (T )  1  0.5 .
2
Pentru montajul paralel avem Rp(t) = e + e – e deci  (t )   p ) şi
-0,5t -1,5t -2t R ' (t
p
R p (t )

 p
Mp(T) = R (t )dt .
0
5.3.3. Înlocuirea optimă a echipamentelor
Echipamentele suferă în timpul utilizării uzură fizică deci necesită cheltuieli de întreţinere şi
reparare.
Apariţia de echipamente noi provoacă uzura morală a celor vechi care trebuie înlocuite.
Momentul optim al înlocuirii echipamentelor vechi are ca scop minimizarea cheltuielilor
medii de întreţinere şi reparare luân în calcul şi cheltuielile de cumpărare şi instalare şi valoarea de
recuperare prin revînzare sau casare(valorificarea materialelor refolosibile şi recondiţionarea
pieselor vechi) a acestor echipamente.
A. Modele discrete de înlocuire optimă a echipamentelor
Fie C0 cheltuielile de cumpărare şi instalare a unui echipament la momentul 0 şi fie C1 ,…, Cn

cheltuielile de întreţinere şi reparare a echipamentului la momentele de timp 1,…, n.
Fie Vn valoarea de recuperare prin revânzare sau casare a echipamentului la momentul de
timp n.
Cheltuielile medii pe perioada de timp 0; n sunt:
f(n) = ( C0 – Vn ) + (C1+…+Cn ) / n
care trebuie să fie minime la momentul optim n0 cu f(n0 – 1) > f(n0) < f(n0 + 1).
În cazul în care dorim actualizarea cheltuielilor, fie d rata dobânzii şi  = 1 / (1+d)
coeficientul de actualizare (0 <  < 1).
În acst caz cheltuielile medii pe perioada de timp 0; n vor fi:
g(n) = ( C0 – n. Vn ) + (C1+ .C2 +…+ n – 1 .Cn ) / n
care trebuie să fie minime la momentul optim n0 cu g(n0 – 1) > g(n0) < g(n0 + 1).
Pentru d = 0 deci  = 1 reobţinem modelul fără actualizarea cheltuielilor.
Exemplu
Fie un echipament cu C0 = 50 unităţi monetare şi valorile descrescătoare V1,…,Vn şi
respectiv crescătoare C1,…,Cn în aceleaşi unităţi monetare, date de tabelul următor penztru n = 10 ani:
85
N 1 2 3 4 5 6 7 8 9 10
Vn 30 25 22 18 15 10 8 7 5 0
Cn 2 5 8 14 21 25 28 30 34 38
a) Se cere momentul optim n0 al înlocuirii echipamentului fără actualizarea cheltuielilor;

b) Se cere momentul optim n0 al înlocuirii echipamentului cu actualizarea cheltuielilor la o
rată a dobânzii d = 5 % deci  = 0.95
Soluţie
a) Calculele se exprimă în tabelul de mai jos.
N Vn Cn C0 – Vn C1+…+Cn (C0 - Vn )+(C1+…+Cn) f(n)

1 30 2 20 2 22 22
2 25 5 25 7 32 16
3 22 8 28 15 43 14.33
4 18 14 32 29 61 15.25
5 15 21 35 50 85 17
6 10 25 40 75 115 19.17
7 8 28 42 103 145 20.71
8 7 30 43 133 176 22
9 5 34 45 167 212 23.55
10 0 38 50 205 255 25.5
Avem n0 = 3 ani cu cheltuieli medii minime f(n0) = 14.33 unităţi monetare.
b) Calculele se exprimă în tabelul de mai jos.
N Vn Cn n.Vn C0 –  n.Vn n – 1.Cn C1+…+  n – 1. Cn (C0 - Vn )+(C1+…+  n – 1.Cn) f(n)

1 30 2 28.50 21.50 2 2 22 22
2 25 5 22.56 27.44 4.45 6.75 32 16
3 22 8 18.26 31.14 7.22 13.97 43 14.33
4 18 14 14.66 35.34 12 25.97 61 15.25
5 15 21 11.61 38.39 17.10 43.07 85 17
6 10 25 7.35 42.65 19.34 62.41 115 19.17
7 8 28 5.59 44.41 20.58 82.99 145 20.71
8 7 30 4.64 45.36 20.95 103.94 176 22
9 5 34 3.15 46.85 22.56 126.50 212 23.55
10 0 38 0 50 23.95 150.45 255 25.5
Avem n0 = 3 ani cu cheltuieli medii minime actualizate f(n0) = 15.04 unităţi monetare.
B. Modele continue de înlocuire optimă a echipamentelor
Fie C0 cheltuielile de cumpărare şi punere în funcţiune a unui echipamenta la momentul de

timp t = 0.
Fie (t) funcţia de depreciere a echipamentului în intervalul de timp 0; t; ea este o funcţie
descrescătoare cu (0) = 1 şi (t)  0 pentru t  ∞.
Valoarea de recuperare prin revânzare sau casare a echipamentului va fi C0. (t).
Fie C(t) cheltuielile de ăntreţinere şi reparare a echipamentului la momentul de timp t deci
cheltuielile cumulate de întreţinere şi reparare a echipamentului în intervalul de timp 0; t vor fi:
86
t
(t)   C(s)ds
0
Avem β(0) = 0 şi β(t) este crescătoare pe [0; +∞].
Cheltuielile medii pe perioada de timp [0; t] sunt f(t) = {C0. [1 – α(t)] +β(t)} / t care trebuie
să fie minime la momentul de timp t0 care este rădăcina pozitivă a ecuaţiei f ‘(t) = 0.
Deoarece f ‘’(t0) > 0, t0 va fi valoare de minim a cheltuielilor medii f(t). Cheltuielile medii
minime vor fi f0 = f(t0).
În cazul în care dorim actualizarea cheltuielilor, fie d rata dobânzii şi δ(t) = 1 / (1+d)t funcţia
de actualizare a cheltuielilor.
În acest caz cheltuielile medii pe perioada de timp [0; t] vor fi:
g(t) = {C0. [1 – α(t). δ(t)] +β(t). δ(t) } / t
care trebuie să fie minime la momentul de timp t0 care este rădăcina pozitivă a ecuaţiei g ‘(t) = 0.
Deoarece f ‘’(t0 ) > 0, t0 va fi valoare de minim a cheltuielilor medii actualizate g(t).
Cheltuielile medii minime vor fi f0 = f(t0).
Pentru d = 0 deci δ = 0 reobţinem modelul continuu fără actualizarea cheltuielilor.
Exemplu
Fie un echipament cu α(t) = b / (at+b) care îndeplineşte condiţiile (0) = 1 şi (t)  0
pentru t  ∞.
Fie C(t) = C.t deci β(t) = C.t2 / 2 care verifică condiţiile β(0) = 0 şi β(t) este crescătoare pe
[0; +∞].
Avem f(t) = {V0[1- b / (at+b)] + C.t2 / 2 } / t adică f(t) = (aV0) / ( at+b) + (C.t ) / 2 aşa că:
f ‘(t) = - (a2.V0 ) / (at+b)2 + C / 2 = 0 cu soluţia pozitivă t0 = ( 2V0 / C) 1/2 – b / a .
Cum f ’’(t0 ) > 0, t0 este punct de minim al cheltuielilor medii f(t), iar f0 = f(t0) sunt
cheltuielile medii minime.
În cazul actualizării cheltuielilor cu rata dobînzii d, avem funcţia de actualizare a
cheltuielilor δ(t) = 1 / (1+d)t deci cheltuielile medii au forma:
 b 1  Ct 2 1
V0  1   t 
 
g(t)=  at  b (1  d)  2 (1  d) t
t
t0 va fi soluţia pozitivă a ecuaţiei g’(t) = 0. Cum g ‘’(t0) > 0, t0 va fi punct de minim iar valoarea
cheltuielilor medii actualizate minime este g0 = g(t0).
5.4. Rezumat
În acest capitol se prezintă stocuri optime deterministe şi aleatoare de produse precum şi

fiabilitatea şi înlocuirea optimă a echipamentelor.
5.5. Întrebări
1. Cum se clasifică şi cum se optimizează stocurile deterministe

2. Cum se optimizează stocurile aleatoare?
3. Cum se optimizează înlocuirea echipamentelor?
87
5.6. Bibliografie
1. Stănăşilă O. „Analiză liniară şi geometrie”, Vol. I - II, Editura All, 2000 - 2001
88
Capitolul 6. SISTEME CU CERERE ŞI SERVIRE ALEATOARE
Obiective: Însuşirea de către studenţi a conceptelor de sistem cu cerere şi servire aleatoare cu

aşteptare, mixt şi cu refuz.
Cuprins:
6.1 Sisteme cu aşteptare cu s staţii
6.2 Sisteme mixte cu s staţii
6.3 Sisteme cu refuz cu s staţii
6.4 Rezumat
6.5 Întrebări
6.6 Bibliografie
Cuvinte-cheie: flux de cereri, flux de serviri, număr de staţii de servire.
Variabilele aleatoare Poisson şi exponenţială au fost expuse în secţiunea 5.3

Variabilele aleatoare Poisson şi exponenţială apar împreună în următoarea teoremă fundamentală:
Teorema 6.1
Dacă producerea unor evenimente în timp verifică condiţiile:
1) Probabilitatea producerii unui număr de k evenimente într-un interval de timp de
lungime t, este funcţie numai de k şi t;
2) Numărul evenimentelor produse într-un interval de timp de lungime t este independent
de numărul evenimentelor produse în orice alt interval de timp de lungime t, disjunct de primul;
3) Într-un interval de timp arbitrar de mic, nu se poate produce mai mult de un eveniment,
atunci:
4) Variabila aleatoare X(t) a numărului de evenimente produse în orice interval de timp de
lungime t, este o variabilă Poisson cu media λt (λ = numărul mediu de evenimente produse în
unitatea de timp, adică:
PX( t )  k  
λt k  λt
e
k!
5) Variabila aleatoare T(t) a intervalelor de timp între producerea a două evenimente
1
consecutive este o variabilă exponenţială cu media adică:
λ
PT  t   1  e λt
Demonstraţie
Fie Pk(t) = P(X(t) = k) (k = 0, 1, 2, …)
Conform condiţiilor 1) – 3) ale ipotezei, în intervalul de timp [t; t + Δt] avem:
Pk(t + Δt) = Pk(t).[1 - λ Δt – O(Δt)] + Pk-1(t).[ λ Δt + O(Δt)] + Pk-i(t). . P>i(Δt).O(Δt) unde
P>i(Δt) = O(Δt) este probabilitatea de a se produce mai mult de i evenimente în intervalul de timp [t;
O  t 
t + Δt] iar lim  0.
t 0 t
Rezultă:
Pk (t  t )  Pk (t ) O(t )
  Pk (t )   Pk 1 (t )  deci pentru Δt  0 obţinem:
t t
P’k(t) = λ[Pk-1(t) – Pk(t)]
89
Pentru k = 0 obţinem P’0(t) = - λP0(t) = e-λt deci t este variabilă exponenţială cu funcţia de
repartiţie P(T < t) = F(t) = 1 – e- λt şi concluzia 5) este demonstrată.
Pentru k = 1 avem P’1(t) = λ[P0(t) – P1(t)] = - λP1(t) + λe-λt şi cum
P1(0) = 0 rezultă P1 ( t )  λt e  λt .
1!
Pentru k = 2 obţinem în mod analog P2 ( t )  λt  e  λt deci prin inducţie matematică rezultă:
2
2!
Pk ( t ) 
λt  e  λt aşa că X(t) este variabilă Poisson şi concluzia 4) este demonstrată. Q.E.D.
k
k!
Variabila aleatoare X(t) este de fapt proces aleator Poisson (vezi secţiunea 5.3).
Un sistem cu cerere şi servire aleatoare se compune din următoarele elemente:
1) Fluxul de cereri: se presupune că cererile sunt aleatoare şi independente între ele.
Numărul mediu de cereri în unitatea de timp se numeşte intensitatea fluxului de cereri şi se
1
notează cu λ. Intervalul de timp mediu între două cereri consecutive este .
λ
Numărul total al cererilor poate fi finit sau infinit, ele pot sosi individual sau în grup.
Dacă cererile care nu sunt servite la sosirea lor, aşteaptă să fie servite mai târziu, avem
sistem cu aşteptare; dacă cererile care nu sunt servite la sosirea lor părăsesc sistemul fără a fi
servite, sistemul este cu pierderi.
Părăsirea sistemului se face deoarece cererea nu poate aştepta (sistem cu refuz) sau poate
aştepta un timp limitat sau şirul de aşteptare are un număr finit de locuri (sistem mixt).
2) Staţiile de servire: avem s > 1 staţii dispuse în serie sau paralel. Disciplina sistemului este
modul cum sunt servite cererile. Ea poate fi naturală (primul venit este primul servit) sau cu
prioritate.
3) Fluxul de serviri: se presupune că servirile sunt aleatoare şi independente între ele.
Numărul mediu de serviri în unitatea de timp se numeşte intensitatea fluxului de serviri şi se
notează cu μ. Intervalul de timp mediu între două serviri este 1 .
μ
Raportul ρ 
λ se numeşte factorul de servire al unei staţii iar ρ
ρ*  se numeşte factorul de
μ s
servire al sistemului.
Pentru a nu forma şiruri de aşteptare de lungime infinită, trebuie să avem ρ < 1 respectiv ρ* < 1.
Servirea poate fi făcută individual sau în grup.
Parametrii principali ai sistemului cu cerere şi servire aleatoare sunt:
a) Probabilitatea pk (k = 0, 1, 2, …) a existenţei a k cereri în sistem (în şirul de aşteptare şi
în curs de servire);
b) Numărul mediu U de cereri în sistem;
c) Timpul mediu de aşteptare W în sistem;
d) Numărul mediu L de staţii ocupate;
e) Probabilitatea Pr de a refuza cereri;
f) Probabilitatea Pt de a aştepta în sistem un timp superior lui t.
Vom presupune că numărul de cereri în unitatea de timp este o variabilă Poisson iar timpul
între două serviri consecutive este o variabilă exponenţială (vezi teorema 6.1).
90
6.1. Sisteme cu aşteptare cu s staţii (cu şir de aşteptare de lungime N= )
Teorema 6.2
În condiţiile 1) – 3) ale teoremei 6.1 avem:
a) Probabilitatea existenţei a k cereri în sistem este pk (k = 0, 1, 2, …) unde:
1
 ρ ρ s 1 ρs 1 
p 0  1   ...    
 1! (s  1)! s! 1  ρ * 
ρ k
 p0 ; (k  1, 2, ..., s)
 k!
pk   k
 ρ p ; (k  s  1, s  2, ...)
 s! s k - s 0
b) Numărul mediu de cereri în sistem este:
ρs ρ*
Uρ   p0
s! (1  ρ*) 2
c) Timpul mediu de aşteptare în sistem este:
U
W
λ
d) Numărul mediu de staţii ocupate este L = ρ
e) Probabilitatea de a refuza cereri este Pr = 0
f) Probabilitatea de a aştepta în sistem un timp superior lui t este:
ρs 1
Pt   p 0 e  μst (1 ρ*)
s! 1  ρ *
Demonstraţie
Ca şi în teorema 6.1, probabilităţile Pk (k = 0, 1, 2, …) satisfac sistemul recurent de ecuaţii
liniare:
 p0   p1


   j   p j   p j 1   j  1  p j 1 ; (j  1, ..., s-1)

   s  p j   p j 1  s  p j 1
 ; (j  s, s  1, ...)
din a cărui rezolvare rezultă formulele de la punctul a).
b) U = 0 . p0 + 1 . p1 + … + npn + … deci rezultă formula de la punctul b).
c) Evident.
d) Numărul mediu de staţii neocupate este:
sp0 + (s – 1) p1 + … + (s-j)pj + … + 1 . ps-1 = s – ρ deci L = ρ
e) Evidentă
f) Probabilitatea ca o cerere să aştepte este:
pa = ps + ps+1 + … = ρs
p0
s!(1  ρ*)
Probabilitatea ca o cerere să aştepte în sistem un timp cel puţin egal cu t este:
Pt  e stμ (1 ρ*)  p a adică formula de la punctul f). Q.E.D.
În particular pentru s = 1 avem ρ* = ρ deci formulele precedente capătă forma simplificată:
a) p0 = 1 – ρ; pk = ρk(1 – ρ) (k = 1, 2, …)
b) U = ρ/(1 – ρ); c) W = U/ λ; d) L = ρ
- t μ(1 – ρ)
e) Pr = 0; f) Pt = ρe
91
6.2. Sisteme mixte cu s staţii (cu şir de aşteptare de lungime finită N)
Teorema 6.3
În condiţiile teoremei 6.1 avem:

a) Probabilitatea existenţei a k cereri în sistem este pk (k = 0, 1, 2, …,s + N) unde:
1
   s 1    * 
N 1
 s 1
p0  1   ...    
 1! ( s  1)! s ! 1  * 

 k
 p0 ; (k  1, 2, ...,s)
k!
pk   k
  p ; (k  s  1,s  2, ...,s  N)
 s ! s k  s o
U = 0 . p0 + 1 . p1 + … + (s + N) ps +N adică:
s 1  ( N  1)( *) N  N ( *) N 1 
U    p0  *  s(  *) N 
s!  (1  *) 2

c) Timpul mediu de aşteptare în sistem este: W  U
λ
d) Numărul mediu de staţii ocupate este:
(1 . p1 + … + s . ps) + s(ps+1 + … + pN) adică:
   s 1  s 1  (  *) N 
L   1   ...   
( s  1)! s ! 1   * 
p0
 1!
e) Probabilitatea de a refuza cereri este:
s
Pr = pS+N adică Pr  (  *) N  p0
s!
f) Probabilitatea ca o cerere să aştepte în sistem un timp superior lui t, este:
1 s   st    st (  st ) N 1 
Pt   p0 e  1    *     * ( *)   ...  ( *) N 1  ( *) N  
N N
1   * s!    1! ( N  1)! 
a) p 0 
1 ρ ρ k (1  ρ)
N2
; pk  N2
; (k  1, ..., N  1) ;
1 ρ 1 ρ
ρ 1  ( N  2)ρ N 1  ( N  1)ρ N  2
b) U   ;
1 ρ 1  ρN2
N 1
d) L  ρ 1  ρ
N 1
c) W  U ; ; e) P  ρ  ρN2
N2
;
1  ρN2
r
λ 1 ρ
f) Pt  ρ
e  μt


 ρ N

μt
ρ  ρN
 
μt N 1 N 1
 ρ  ρN


 1 ... 
1  ρ N  2  1! N  1! 
Pentru N   cazul II) se reduce la cazul I).
Pentru N = 0 cazul II) se reduce la cazul III).
92
6.3. Sistem cu refuz cu s staţii (cu şir de aşteptare de lungime N=0)
Teorema 6.4
În condiţiile teoremei 6.1 avem:

a) probabilitatea existenţei a k cereri în sistem este pk (k = 0, 1, …, s) unde:
1
  s 
p0  1   ... 
 1! s ! 
k
pk  p0 ; (k  1,2, ..., s)
k!
 s 1
U  p0
s!
c) Timpul mediu de aşteptare în sistem este:
U
W
λ
d) Numărul mediu de staţii ocupate este:
   s 1 s 1 
L   1   ...     p0
 1!  s  1  ! s ! 1   * 
e) Probabilitatea de a refuza cereri este:
s
Pr  p0
s!
f) Probabilitatea ca o cerere să aştepte în sistem un timp superior lui t este:
1 s
Pt   p0 e  st
1   * s!
1   U 1
a) p0  ; p1  ; b) U  ; c) W  ; d) L  ;
1  1  1   1- 2
 
e) Pr  ; f) Pt  e  t
1  1 2
Toate calculele din acest capitol pot fi făcute cu programul SISTALEA din Anexa 2.
Exemple
1) La un depozit en-gros de legume fructe sosesc în medie ρ = 36 maşini pe zi şi sunt servite
în medie μ = 12 maşini pe zi. Dacă depozitul are s = 4 echipe de servire, se cer:
a) Probabilitatea p5 a existenţei a 5 maşini în sistem;
c) Timpul mediu W de aşteptare în sistem;
d) Numărul mediu L de echipe de servire ocupate;
f) Probabilitatea P0.5 de a aştepta în sistem cel puţin ½ de zi.
Soluţie
Avem un sistem de aşteptare cu s = 4 staţii.
  3
Avem λ = 36; μ = 12; s = 4 deci:    3; *    0.75  1; t  0.5
 S 4
93
1
a) p0  1            1   0.04; p5    p0  0.1

2 3 4 5 5
 1! 2! 3! 4! 5! 1   *  5!4
b) U       * p0  4.53 cereri în sistem
5
5! 1   *2
U
c) W   0.13 zile

d) L = ρ = 3 echipe de servire ocupate
e) Pr = 0 de refuz cereri
s 1
f) Pt    p0 e  st (1  *)  0.0013
s! 1   *
2) La un tomograf cu s = 1 aparat sosesc în medie λ = 8 solicitanţi pe zi şi sunt serviţi în

medie μ = 10 solicitanţi pe zi.
Lungimea şirului de aşteptare în sistem este de N = 5 bonuri. Se cere:
a) Probabilitatea p2 a existenţei a două cereri în sistem;
c) Timpul mediu W de aşteptare în sistem;
d) Numărul mediu L de staţii ocupate;
f) Probabilitatea P0.5 ca o cerere să aştepte în sistem mai mult de o ½ zi.
Soluţie
Avem un sistem mixt cu s = 1 staţie.

Avem λ = 8; μ = 10; s = 1 deci    0.8  1 , t = 0.5, N = 5

1 
a) p0   0.25; p2 = ρ2 . p0 = 0.16
1  N 1
 1   N  2   N 1   N  1  N  2
b) U    2.25 cereri în sistem
1  1   N 2
U
c) W   0.75 zile

1   N 1
d) L    0.8 staţii ocupate
1   N 2
 N 1   N  2
e) Pr   0.07
1   N 2
  t  
N 1
e  t t
f) Pt   1           ... 
N N
  N 1
  N
  0.09
1   N 2 1! 4! 
3) La o centrală telefonică cu s = 2 numere sosesc în medie λ = 160 apeluri pe zi şi sunt
servite în medie μ = 100 apeluri pe zi.
Se cer:
a) Probabilitatea p4 a existenţei a 4 cereri în sistem,
b) Numărul mediu U de cereri în sistem,
c) Timpul mediu W de aşteptare în sistem,
d) Numărul mediu L de staţii ocupate,
e) Probabilitatea Pr de a refuza cereri,
f) Probabilitatea P0.01 ca o cerere să aştepte în sistem un timp superior lui 0.01 zile.
94
Soluţie
Avem un sistem cu refuz.

Avem λ = 160; μ = 100; ρ = 1.6;  *   0.8  1 , t = 0.01
s
1
 2 
a) p0  1     0.26
 2 
4
p4  p0  0.07
4!
3
b) U    p0  1.07 cereri în sistem
3!
U
c) W   0.007 zile

 2 1 
d) L   1    p0  3.71 staţii
 2! 1   * 
2
e) Pr  p0  0.33
2!
1 s
f) P0.01   p0 e  st  0.22
1   * s!
6.4. Rezumat
În acest capitol se prezintă sisteme cu cerere şi servire aleatoare cu aşteptare, mixte şi cu

refuz precum şi parametrii lor de intrare/ieşire.
6.5. Întrebări
1 Care sunt parametrii de intrare/ieşire ai unui sistem cu cerere şi servire aleatoare cu aşteptare?
2. Care sunt parametrii de intrare/ieşire ai unui sistem cu cerere şi servire aleatoare mixt?
3. Care sunt parametrii de intrare/ieşire ai unui sistem cu cerere şi servire aleatoare cu refuz?
6.6. Bibliografie
1. D. Ene, M. Drăghici, I.N. Alecu „Statistică aplicată în agricultură”, Ed. Ceres, 2003
2. M. Iosifescu şi col. „Mică enciclopedie de statistică”, Ed. Ştiinţifică şi Enciclopedică, 1985
3. Anuarul statistic al României, 1990-2003
95
Capitolul 7. PROGNOZE PRIN CORELAŢII ŞI REGRESII
Obiective: Însuşirea de către studenţi a conceptelor de corelaţie şi regresie liniară şi neliniară între
două caractere, precum şi a tehnicilor de prognoză efectuate pe baza lor.
Conţinut:
7.1 Ajustarea dinţilor în seriile dinamice
7.2 Corelaţia şi regresia liniară
7.3 Corelaţii şi regresii neliniare
7.4 Rezumat
7.5 Întrebări
7.6 Bibliografie
Cuvinte cheie: covarianţă, coeficient de corelaţie liniară, coeficienţi de regresie liniară, raport de
corelaţie neliniară, coeficienţi de regresie neliniară, cross-corelaţie şi autocorelaţie.
7.1. Ajustarea dinţilor în seriile cronologice
Fie o populaţie statistică pe care o studiem din punct de vedere al însuşirii cantitative X.
Dacă însuşirea X ia valori întregi, datele unui sondaj extras din populaţie la momentele de
timp t1, t2, …, tn sunt valori instantanee x1, …, xn măsurate în acele momente de timp.
Dacă însuşirea X ia valori reale, datele unui sondaj extras din populaţie în intervalele de
timp [t1, t2), [t2, t3), …, [tn-1, tn] sunt valori medii x1, …, xn măsurate în acele intervale de timp cu
lungimile t2-t1, t3-t2, …, t n – t n – 1.
Măsurătorile sunt echidistante dacă t2–t1 = t3–t2 = … = tn-tn – 1 = r şi neechidistante în caz
contrar.
Prezentarea grafică a datelor de sondaj de evoluţie instantanee se face prin poligonul
valorilor în raport cu axele (ti, xi) iar a datelor de sondaj de evoluţie se face prin cronograma în
raport cu axele ([ti, ti+1), xi).
Indicatori statistici de sondaj de evoluţie
I) Media cronologică
Dacă X se măsoară prin valori instantanee x1, …, xn la momentele de timp t1, …, tn avem:
x  x 2  ...  x n
(1) X  1
n
Media de sondaj dată de (1) se mai numeşte şi medie aritmetică.
1
Se foloseşte în anumite cazuri şi media geometrică: X g  x1x 2 ...x n n de unde
log X1  ...  log X n . Avem Xg≤ X.
log X g 
n
Dacă X1,…,Xn sunt depuse în celulele A1:An din coloana A în EXCEL media X este dată de
funcţia EXCEL scrisă în celula B1: = AVERAGE(A1: An), media geometrică X g este dată de
funcţia EXCEL scrisă în celula B2: = GEOMEAN (A1:An).
96
Dacă X se măsoară prin valori medii x1, …, xn în intervalele de timp [t1, t2), [t2, t3), …, [tn-1, tn]
avem:
x1  x 2
t 2  t1   x 2  x 3 t 3  t 2   ...  x n 1  x n t n  t n 1 
(2) X m  2 2 2
t n  t1
În cazul măsurătorilor echidistante în timp, avem t2 - t1 = t3 - t2 =, …,= t n - t n - 1 = r şi t n - t1
= (n - 1).r deci:
X1 X
 X 2  ...  X n 1  n
(3) Xm  2 2
n 1
II) Ritmul mediu valoric (absolut) de evoluţie
Abaterile valorice ale datelor de sondaj consecutive sunt D1 = X2 – X1, …, Dn-1 = X n – Xn-1.
Ritmul mediu valoric de evoluţie al datelor de sondaj va fi:
(4) D 
x 2  x1 t 2  t1   x 3  x 2 t 3  t 2   ...  x n  x n 1 t n  t n 1 
t n  t1
În cazul măsurătorilor echidistante avem t2 = t1 + r, t3 = t1 + 2r, …, tn = t1 + (n – 1)r deci:
(5) D  X n  X1
n 1
Neajunsul lui D din relaţia (5) este că nu ţine cont decât de X1 şi Xn, indiferent de valorile
intermediare X2 ,...,Xn –1.
III) Ritmul mediu procentual(relativ) de evoluţie
Abaterile procentuale ale datelor de sondaj consecutive sunt:

X X X
I1  2 , I2  3 , ..., I n - 1  n
X1 X2 X n1
Ritmul mediu procentual de evoluţie a datelor de sondaj va fi:
1
 X t2 t1  X t3 t2  Xn  n 1
tn tn 1 t t
(6) I   2
  
3
  ...    
 X 1   X2   X n 1  
Dacă logaritmăm relaţia precedentă, obţinem:
 logX2  log X1  t2  t1   ...   logXn  log X n1  tn  tn1 
(7) log I 
tn  t1
deci logaritmul lui I este ritmul mediu valoric de evoluţie al valorilor de sondaj logaritmate.
Dacă măsurătorile sunt echidistante avem:
t2 - t1 = t3 – t2 = … = t n – t n – 1 = r iar tn – t1 = (n – 1).r deci avem:
log X n  log X 1
log I  adică:
n 1
1
 X  n 1
(9) I   n 
 X1 
Neajunsul lui I din relaţia (9) este că nu ţine cont decât de X1 şi Xn, indiferent de valorile
intermediare X2,...,Xn-1.
Fie seria cronologică X1,…,Xn cu diviziunile de timp echidistante de lungime 1:

t2 - t1 = t3 - t2 = … = t n - t n-1 = 1
97
Neajunsul lui D din relaţia (6) şi al lui I din relaţia (9) de a nu ţine cont de valorile
intermediare X2,…, Xn-1 , se poate remedia prin două metode:
7.1.1. Metoda uniformizării înclinării dinţilor de fierăstrău ai seriei cronologice
a) Corecţia lui D
Avem diferenţele de ordin 1: Di = Xi+1 – Xi.
Di este înclinarea (panta) segmentului care uneşte punctele de coordonate (ti, Xi) şi (ti+1, Xi+1).
Dacă Di < 0 avem Xi > Xi+1 deci pe tronsonul ti, ti+1 caracterul X are variaţie
descrescătoare.
Dacă Di = 0 caracterul X este staţionar.
Dacă Di > 0 avem Xi < Xi+1 deci pe tronsonul ti, ti+1 caracterul X are variaţie crescătoare.
Vom înlocui pe D cu ritmurile medii valorice(absolute) următoare:
RV1 < 0 este media aritmetică a diferenţelor Di < 0 iar RV2 > 0 este media aritmetică a
diferenţelor Di > 0.
Valorile lui X1,...,Xn vor fi ajustate cu ajutorul lui RV1 şi RV2 astfel:
XV1  X1 ;
Xi  RV1 dacă Di < 0

XVi 1  Xi dacă Di =0 ; (i=1,...,n-1)
X  RV dacă D  0
 i 2 i
Eroarea pătratică relativă în ajustarea valorilor observate Xi cu valorile calculate XVi este
EV = (Xi - XVi )2 /  (Xi -X )2.
Prognoza valorii necunoscute Xn+1 se face cu valoarea:
X n  RV1 dacă ne aşteptăm ca X să scadă ;

XVn 1  X n dacă ne aşteptăm ca X să fie staţionar ;
X  RV dacă ne aşteptăm ca X să crească
 n 2
b) Corecţia lui I
Avem rapoartele de ordin 1: Ri = Xi+1 / Xi.
Ri este înclinarea (panta) segmentului care uneşte punctele de coordonate (ti, log Xi) şi (ti+1,
log Xi+1).
Dacă Ri < 1 avem log Xi > log Xi+1 deci pe tronsonul ti, ti+1 caracterul log X are variaţie
descrescătoare.
Dacă Ri = 1 avem log Xi = log Xi+1 deci pe tronsonul ti, ti+1 caracterul log X este staţionar.
Dacă Ri > 0 avem log Xi < log Xi+1 deci pe tronsonul ti, ti+1 caracterul log X are variaţie
crescătoare.
Vom înlocui pe I cu ritmurile medii procentuale(relative) următoare:
RP1 < 1 este media geometrică a rapoartelor Ri < 1 iar RP2 > 1 este media geometrică a
rapoartelor Ri > 1.
Valorile lui X1,...,Xn vor fi ajustate cu ajutorul lui RP1 şi RP2 astfel:
XP1  X1 ;
Xi  RP1 dacă R i < 1

XPi 1  X i dacă R i =1 ; (i=1,...,n-1)
X  RP dacă R  1
 i 2 i
98
Eroarea pătratică relativă în ajustarea valorilor observate Xi cu valorile calculate XPi este EP
= (Xi - XPi)2 /  (Xi -X)2.
X n  RP1 dacă ne aşteptăm ca X să scadă ;


XPn 1  X n dacă ne aşteptăm ca X să fie staţionar ;
X  RP dacă ne aşteptăm ca X să crească .
 n 2
Exemplu de ajustare a dinţilor cu înclinare comună
Xi Di XVi DVi RI XPi DPi

2 0 2 0 1 2 0
3 1 4.6 -1.6 1.5 3.19 - 0.19
5 2 5.6 1 1.67 4.78 0.22
4 -1 3 0.4 0.8 3.79 0.21
7 3 6.6 0.4 1.75 6.38 0.62
11 4 9.6 1.4 1.57 11.16 - 0.16
8 -3 9 -1 0.73 8.34 - 0.34
6 -2 6 0 0.75 6.07 - 0.07
6 0 6 0 1 6.07 - 0.07
9 3 8.6 0.4 1.5 9.57 - 0.57
61 -2 2.6 - - 0.758 1.595 - -
Notaţii: Di = Xi+1 – Xi; DVi = Xi – XVi; Ri = Xi+1 / Xi; DPI = Xi+1 / Xi

AvemX = 6.1 (pentru valori instantanee) respectiv Xm = 6.167(pentru valori medii).
Din tabel rezultă RV1 = -2 (pentru ramuri descrescătoare) şi RV2 = 2.6 (pentru ramuri
crescătoare). De asemenea RP1 = 0.758 (pentru ramuri descrescătoare) şi RP2 = 1.595 (pentru
ramuri crescătoare). În final EVR = 0.104 şi EVP = 0.014
Prognoză cu RV1 = - 2 şi RV2 = 2.6:
7 dacă ne aşteptăm ca X să scadă ;


XV11  9 dacă ne aşteptăm ca X să fie staţionar ;
11.6 dacă ne aşteptăm ca X să crească .

Prognoză cu RP1 = 0.758 şi RV2 =1.595:
6.82 dacă ne aşteptăm ca X să scadă ;


XP11  9 dacă ne aşteptăm ca X să fie staţionar ;
14.36 dacă ne aşteptăm ca X să crească .

Programul DINAMICA din Anexă face aceste ajustări, numeric şi grafic.
7.1.2. Medoda uniformizării ariilor dinţilor de fierăstrău ai seriei cronologice
c) Avem diferenţele de ordin 1: Di = Xi+1 – Xi şi diferenţele de ordin II:

Si = ( Di+1 – Di ) / 2 = (Xi + Xi+2 ) / 2 – Xi+1
99
Fie punctele A(ti,Xi), B(ti+1,Xi+1), C(ti+2, Xi+2) şi M,N,P proiecţiile lui A,B,C pe axa Ot deci
M(ti), N(ti+1), P(ti+2) şi AM=Xi, BN = Xi+1; CP= Xi+2.
Presupunem că MN= ti+1 – ti= 1 şi NP= ti+2 – t i+1=1.
Si este aria triunghiului ABC care are forma de dinte:
Într-adevăr, această arie este egală cu aria trapezului ACPN din care se scad ariile trapezelor
ABNM şi BCPN:
Aria(ABC) = MP.(AM+CP) / 2 –MN.(AM+BN)/2 – NP.(BN+CP) / 2 = 2.(Xi + Xi+2 ) / 2 –
1.(Xi + Xi+1 ) / 2 – 1. (Xi+1 + Xi+2 ) / 2 = (Xi + Xi+2 ) / 2 – Xi+1 = Si.
Dacă Si < 0 linia poligonală ABC este concavă deci pe tronsonul ti, ti+1 caracterul X are
variaţie încetinită.
Dacă Si = 0 linia poligonală ABC este o dreaptă deci pe tronsonul ti, ti+1 caracterul X are
variaţie liniară.
Dacă Si > 0 linia poligonală ABC este convexă deci pe tronsonul ti, ti+1 caracterul X are
variaţie accelerată.
Vom înlocui pe D cu ritmurile medii valorice(absolute) următoare:
RV1 < 0 este media aritmetică a ariilor Si < 0 iar RV2 > 0 este media aritmetică a ariilor Si > 0.
Valorile lui X1,...,Xn vor fi ajustate cu ajutorul lui RV1 şi RV2 astfel :
XV1  X1 ;
(Xi  Xi  2 ) / 2  RV1 dacă Si  0 ;

XVi 1  Xi+1 dacă Si =0 ; (i=1,...,n-2)
(X  X ) / 2  RV dacă S  0 .
 i i2 2 i
X n 1  RV1 dacă X n -1 > X n ;


XVn  X n-1 dacă X n - 1 =X n ;
X  RV dacă X  X .
 n -1 2 n-1 n
RV1 şi RV2 din expresia lui XVn au se mn ificaţia de la punctul I a) de mai sus.
Eroarea pătratică relativă în ajustarea valorilor observate Xi cu valorile calculate XVi este
EV = (Xi - XVi )2 /  (Xi -X )2.
2  XVn  X n 1  2RV1 dacă X va avea variaţie încetinită ;

XVn 1  XVn dacă X va avea variaţie liniară ;
2  XV  X  2RV dacă X va avea variaţie accelerată .
 n n 1 2
100
În adevăr, dacă X va avea variaţie încetinită, avem (Xn + Xn+1) / 2 – RV1 = XVn deci XVn+1
= Xn+1 = 2.XVn – Xn – 1 +2.RV1. Analog pentru X cu variaţie accelerată.
d) Corecţia lui I
Avem rapoartele de ordin 1: Ri = Xi+1 / Xi şi rapoartele de ordin 2.
Ti= (Ri+1 / Ri)1 / 2 = (Xi.Xi+2)1 / 2 / Xi+1
Ti este logaritmul ariei triunghiului ABC unde vârfurile au coordonatele A (ti, log Xi), B(ti+1,
log Xi+1) şi C (ti+2, log Xi+2).
Dacă Ti < 1, pe tronsonul ti, ti+2 caracterul log X are variaţie încetinită.
Dacă Ti = 1, pe tronsonul ti, ti+2 caracterul log X are variaţie liniară.
Dacă Ti > 0, pe tronsonul ti, ti+2 caracterul log X are variaţie accelerată.
Vom înlocui pe I cu ritmurile medii procentuale(relative) următoare:
RP1 < 1 este media geometrică a ariilor Ti < 1 iar RP2 > 1 este media geometrică a ariilor Ti > 1.
XP1  X1 ;
 Xi  Xi  2 / RP1 dacă Ti  1 ;

XPi 1  Xi+1 dacă Ti =1 ; (i=1,...,n-2)

 Xi  Xi  2 / RP2 dacă Ti  1 .
Valorile lui X1,...,Xn vor fi ajustate cu ajutorul lui RP1 şi RP2 astfel:
X n 1  RP1 dacă X n -1 > X n ;

XPn  X n-1 dacă X n - 1 =X n ;
X  RP dacă X  X .
 n -1 2 n-1 n
RP1 şi RP2 din expresia lui XPn au se mn ificaţia de la punctul I b) de mai sus.
Eroarea pătratică relativă în ajustarea valorilor observate Xi cu valorile calculate XPi este EP
= (Xi - XPi )2 /  (Xi -X )2.
 (XPn ) 2 / X n 1   (RP1 ) 2 dacă X va avea variaţie încetinită ;

  

XPn 1  XPn dacă X va avea variaţie liniară ;

 
 (XPn ) / X n 1   (RP2 ) dacă X va avea variaţie accelerată .
2 2

Într-adevăr, dacă Ti <1 avem (Xn-1.Xn+1)1 / 2 / RP1 = XPn deci XPn+1 = Xn+1 =  (XPn )2 / Xn-1
.(RP1)2. Analog dacă Ti > 1.
Exemplu de ajustare a dinţilor cu arie comună
Lucrăm cu aceleaşi date ca la punctul I.

Xi Si XVi DVi Ti XPi DPI
2 0 2 0 1 2 0
3 0.5 2.5 0.5 1.054 2.69 0.31
5 -1.5 6 -1 0.693 4.53 0.47
4 2 5 -1 1.479 5.03 -1.03
7 0.5 6.5 0.5 0.948 8.68 -1.68
11 -3.5 10 1 0.680 9.79 1.21
8 0.5 7.5 0.5 1.016 6.91 1.09
6 1 6 0 1.155 5.90 0.10
6 1.5 6.5 -0.5 1.225 6.25 - 0.25
9 0 8.6 0.4 1 9.57 -0.57
61 -2.5 1 - - 0.764 1.175 - -
101
Notaţii: Si = (Xi + Xi+2) – Xi+1 ; DVi = Xi – XVi ; Ti = (Xi.Xi+2) / Xi+1 ; DPi =Xi - XPi
AvemX = 6.1 (pentru valori instantanee) respectiv Xm = 6.167 (pentru valori medii).
Din tabel rezultă RV1 = - 2.5 (pentru ramuri concave) şi RV2 = 1 (pentru ramuri convexe).
De asemenea RP1 = 0.764 (pentru ramuri concave) şi RP2 = 1.175 (pentru ramuri convexe).
În final EVR = 0.0164 şi EVP = 0.0157
XV10 = X9 +RV2 =6+2.6=8.6 (RV2 = 2.6 din exemplul 1); XP10 =X9.RP2=6 x 1.595=9.57
(RP2 = 1.595 din exemplul 1).
Prognoză cu RV1 = - 2.5 şi RV2 =1:
2  XV10 -X9 +2  RV1 =6.2 dacă X va avea varia'ie încetinită ;


XV11  X10 =9 dacă X va avea variaţie liniară ;
2  XV -X +2  RV =13.2 dacă X va avea variaţie accelerată .
 10 9 2
Prognoză cu RP1 = 0.764 şi RV2 =1.175:
 (XP10 ) 2 / X9   (RP1 )=8.91 dacă X va abea variaţie încetinită ;

  

XP11  X10 =9 dacă X va avea variaţie liniară ;

 
 (XP10 ) / X9   (RP2 )=21.07 dacă X va avea variaţie accelerată .
2

7.2. Corelaţia şi regresia liniară
Măsura cantitativă a influenţei variaţiei unui factor controlat X asupra variaţiei factorului Y,
se numeşte corelaţie între X şi Y iar funcţia care stabileşte dependenţa cantitativă a lui Y şi X se
numeşte funcţie de regresie a lui Y după X.
Din populaţie se aleg n exemplare pe care se măsoară însuşirile cantitative X şi Y obţinând
perechile de date de sondaj (x1, y1), …, (xn, yn).
Se reprezintă grafic în raport cu axele Ox, Oy punctele de coordonate (x1, y1), …, (xn, yn)
obţinând un nor de puncte în planul Oxy. După forma acestui nor de puncte funcţia de regresie
poate fi liniară (rectilinie) sau neliniară (curbilinie). Norul de puncte se poate reprezenta grafic cu
produsele informatice EXCEL şi TCWIN.
Din datele de sondaj calculăm următorii indicatori statistici de sondaj:
Indicatorii de sondaj proprii fiecărui caracter:

I) Mediile de sondaj:
1 1
MX= X   X i ; MY = Y   Yi ;
n n
II) Varianţele de sondaj:
S2X 
1
 Xi  X 2 ; S2Y  1  Yi  Y 2 ;
n 1 n 1
III) Abaterile standard de sondaj:
SX  S2X ; SY  S2Y ;
IV) Coeficienţii de variabilitate de sondaj:
SX SY
CX  .100(%); CY  .100(%)
X Y
102
Indicatorii de sondaj de legătură între caractere:
 Xi  X Yi  Y ;
1
V) Covarianţa de sondaj: SXY 
n 1
VI) Coeficientul de corelaţie liniară de sondaj
S XY
R
S X  SY
Dacă X1,…,Xn sunt depuse în celulele A1:An din coloana A în EXCEL iar Y1,…,Yn sunt
depuse în celulele B1:Bn din coloana B, atunci mediile de sondaj MX şi MY sunt date de funcţiile
EXCEL scrise în celulele C1: = AVERAGE(A1:An) respectiv C2: = AVERAGE(B1:Bn), varianţele
de sondaj SX2 şi SY2 sunt date de funcţiile EXCEL scrise în celulele C3: = VAR(A1:An) respectiv C4:
= VAR(B1:Bn), covarianţa Sxy este dată de funcţia EXCEL scrisă în celula C5: =
COVAR((A1:An),(B1:Bn)) iar coeficientul de corelaţie liniară R este dat de funcţia EXCEL scrisă în
celula C6: =CORREL((A1:An),(B1:Bn)). Valorea lui Sxy poate fi obţinută în EXCEL şi prin
deschiderea ferestrei TOOLS în care activăm opţiunea COVARIANCE în care declarăm celulele
A1:An , B1:Bn în care se găsesc datele. Valoarea lui Sxy se obţine fie în foaia de calcul Nr. 2 fie tot în
foaia de calcul Nr. 1 în care se găsesc datele, prin declararea ca celule de rezultate a altor celule
decât cele din blocul de date A1:Cn.
Coeficientul de corelaţie liniară R se obţine exact ca şi Sxy, dacă în DATA ANALYSIS
activăm opţiunea CORRELATION.
Dacă  este coeficientul de corelaţie liniară necunoscut între X şi Y în întreaga populaţie,
testarea ipotezei H:  = 0 faţă de alternativa H :   0, se face comparînd pe R cu valorile critice
R/2 cu n – 2 GL extrase din tabela din Anexă.
VII) Coeficienţii de regresie liniară de sondaj:
 SXY
 2 dacă regresia este cu termen liber (B0  0)
B1   SX
 X Y / X dacă regresia este fără termen liber (B  0)
 i i  i 0
Y  B1  X dacă regresia este cu termen liber (B0  0)

B0  
0 dacă regresia este fără termen liber (B0  0)
Relaţiile de la punctul VI) care dă pe R şi relaţiile de la punctul VII) care dau pe B1 şi B0
rezultă după cum urmează:
1) Dacă regresia este cu termen liber (B0  0) vom minimiza variaţia reziduală cu
necunoscutele B0, B1:
SPAY.X = (y1 – B1x1 – B0)2 + … + (yn – B1xn – B0)2 = minim
(metoda celor mai mici pătrate)
Anulând derivatele parţiale ale lui SPAY.X în raport cu B1, B0, obţinem sistemul de ecuaţii
normale cu necunoscutele B1, B0:
B1  x i2  B0  x i   x i y i


B1  x i  nB0   y i

Eliminând B0 între cele două ecuaţii normale, găsim B  SXY , apoi din a II-a ecuaţie
1 2
SX
.
normală împărţită cu n, găsim B0 = Y -B1 X
Ecuaţia dreptei de regresie se scrie Y  Y  B1X   B1  X adică Y - Y = B1(X - X ) deci
dreapta de regresie Y = B0 + B1X trece prin centrul de greutate ( X , Y ) al norului de puncte {(xi,
yi); (i = 1, …, n}.
103
2) Dacă regresia este fără termen liber (B0 = 0) avem variaţia reziduală minimă:
SPAY.X = (y1- B1x1)2 + … + (yn – B1xn)2 = minim.
Anulând derivata lui SPAY.X în raport cu B1, găsim ecuaţia normală necunoscuta B1:
B1  Xi2   Xi Yi de unde B1   Xi Yi /  Xi2 .
Dacă B  SXY ; B0 = Y - B1 . X , se verifică prin calcul relaţia:
1 2
SX
 Yi  Y    B1Xi  B0  Y    Yi  B1Xi  B0 2 adică:

2 2
SPAY = SPAR + SPAY.X (1)

cu n – 1 = 1 + (n – 2) grade de libertate.
Definim coeficientul de corelaţie liniară R astfel:

SPAY  X
R  1 (2)
SPAY
deci conform relaţiei (1) avem:
 B X  B  Y 
2
SPAR
R 
1 i 0
 Y  Y 
2
SPAY
i
S XY
şi înlocuind pe B1  SXY ; B0 = Y - B1 X rezultă prin calcul: R  .
S2X S X  SY
Această relaţie rezultă şi pentru regresia fără termen liber (B0 = 0)
Între coeficientul de corelaţie liniară R şi coeficientul de regresie B1 există relaţia: B1=

R.(SY/SX)
Coeficienţii B1 şi B0 de sondaj sunt o măsură a legăturii bijective a caracterelor X, Y dată de
ecuaţia Y = B0 + B1X.
Aceasta reprezintă grafic dreapta de regresie care trece prin centrul de greutate ( X , Y ) al
norului de puncte căci Y = Y + B1(X - X ).
ΔY
Coeficientul de regresie B1 este egal cu deci B1 este valoarea marginală cu care creşte
ΔX
sau scade Y când X creşte cu o unitate.
Termenul liber al regresiei B0 este valoarea-martor a lui Y când X = 0.
Dacă X1,…,Xn sunt depuse în celulele A1:An din coloana A în EXCEL iar Y1,…,Yn sunt
depuse în celulele B1:Bn din coloana B, atunci coeficientul de regresie liniară B1 este dat de funcţia
EXCEL scrisă în celula C3: = SLOPE((A1:An),(B1:Bn)) iar termenul liber al regresiei B0 este dat de
funcţia EXCEL scrisă în celula C4: = INTERCEPT((A1:An),(B1:Bn))
Pentru prognoza valorii Y(0) = B0 + B1.X(0) se foloseşte funcţia EXCEL scrisă în celula C5: =
FORECAST (X(0) , (A1:An),(B1:Bn)).
Lăţimea fâşiei de încredere este:
 n  1 1  R 2 
  SY  t ; n - 2 GL
2 n  n  2 2
Valorile Student t /2 ; n-2 GL se extrag din tabela 2 din Anexa 1.

Aporturile variaţiei lui X, E la variaţia lui Y sunt A X  rXY
2
; AE = 1-AX
104
SY S
Avem B1  R de unde R  B1 X aşa că valorile Yai calculate din dreapta de regresie Y
SX SY
= Y + B1(X - X ) conform relaţiei:
Yai = Y + B1(Xi - X ); (i = 1, …, n)
se numesc valori aşteptate ale lui Y.
Valorile Yci calculate conform relaţiei:
Yci = Yi – B1(Xi - X ) = Y + (Yi – Yai)); (i = 1, …, n)
se numesc valori corectate ale lui Y.
Proprietăţi
1) Pentru valorile aşteptate Ya = (Ya1, …, Yan) avem:

Media Ya  Y ; Varianţa SYa2  B12  S X2  R2  SY2 ; Covarianţa SX,Ya = SXY;
Coeficientul de corelaţie liniară RX,Ya = 1
2) Pentru valorile corectate Yc = (Yc1, …, Ycn) avem:

Media Yc  Y ; Varianţa SYc2  SY2  B12  S X2  (1  R2 )  SY2 ; Covarianţa SX,Yc = 0;
Coeficientul de corelaţie liniară RX,Yc = 0
Exemple
1) Fie X = înălţimea la greabăn a viţeilor (cm) şi Y = greutatea în viu a viţeilor (kg). Populaţia este
formată din N = 100 viţei din care extragem un sondaj de n = 10 viţei, pe care măsurăm înălţimea la
greabăn şi greutatea, obţinând datele de sondaj:
xi 70 68 71 72 69 66 70 67 71 72
yi 55 54 56 60 54 50 56 53 56 58
Se cere semnificaţia lui R, diagrama aporturilor şi dreapta de regresie

Y=B0+B1X + δ0.025 cu prognoză pentru x = 75 cm.
Soluţie
Se reprezintă grafic norul de puncte cu coordonatele (xi, yi) cu unul din produsele
informatice EXCEL, TCWIN.
Forma alungită a norului de puncte indică o dependenţă liniară. Deoarece pentru talia X = 0
avem greutatea Y = 0, regresia este fără termen liber.
Calcule:
a) Indicatorii de sondaj proprii fiecărui caracter

Mediile: MX= X   696 xi
 69.6 cm 
10 n
MY= Y   i 
y 552
 55.2 kg
n 10
Abaterile – standard:
 x 
2
i X 38.40
SX    4.27  2.07 cm
n 1 10  1
105
 y 
2
i Y 67.60
SY    7.51  2.74 kg
n 1 10  1
Coeficienţii de variabilitate:
2.07 2.74
CX   100  3% ; CY   100  5%
69.6 55.2
b) Indicatorii de sondaj de legătură între caractere:
Covarianţa S XY 
 xi X  y  Y   47.80  5.31 cm x kg
i
n 1 10  1
Coeficientul de corelaţie liniară de sondaj:

S XY 5.31
R   0.938
S X  SY 2.07  2.74
Valorile critice din tabela 7 din Anexa 1, pentru 10 – 2 = 8 GL sunt:
R0.05 = 0.632; R0.01=0.765; R0.001 = 0.872
Deoarece R = 0.936 > R0.001 = 0.872 corelaţia liniară între X, Y pentru toţi viţeii din care
provin cei 10, este foarte semnificativă aşa că R= 0.936***
AX = R2 = 88%; AE = 1 – Ax = 12%
AE = 12%
Variaţia totală a lui Y = 100%
Ax = 88%
Concluzie: 88% din variaţia lui Y este datorată variaţiei lui X, restul de 12% se datoreşte
variaţiei altor factori necontrolaţi numiţi Eroare.
Coeficienţii de regresie liniară de sondaj:
B1 
x yi 38467 0.793 kg crestere greutate
i


x 2
48480
i 1 cm crestere talie
B0 = 0 kg (regresie fără termen liber).
 n  1 1  R 2 
Relaţia:     SY  t / 2;( n2)GL
2 n  n  2
10  1 1  0.9382 
 0.025   2.74  2.31  0.736
devine: 10 10  2 
cu t 0.025 ; 8 GL  2.31 extras din tabelul 2 al Anexei 1
Ecuaţia dreptei de regresie cu fâşia de încredere Y  B0  B1 X   devine Y = 0.793X +
2
0.736.
Cu ajutorul acestei ecuaţii se pot face prognoze cu asigurarea de 95% astfel:
Pentru X = 75 cm avem valorile aşteptate:
106
60.211 kg (Maxima)
Ya = 0.793 x 75 + 0.736 = 59.475 kg (Media)
59.739 kg (Minima)
Pentru talia viţeilor Xa = 75 cm, ne aşteptăm ca greutatea viţeilor din care provine sondajul
să fie cuprins între [58.739 kg; 60.211 kg] cu o încredere de 95%.
Există semiriscul 2.5% ca această greutate să fie sub 58.739 kg atunci când sondajul a fost
ales performant ca greutate.
În mod analog există semiriscul 2.5% ca această greutate să fie peste 60.211 kg atunci când
sondajul a fost ales neperformant ca greutate.
 X a  75 cm
Ipoteza H :  se acceptă deoarece Ya = 60 kg [58.739; 60.211].
 Ya  60 kg
Valorile aşteptate Ya ale lui Y se calculează cu relaţia Ya = 0.793X iar valorile corectate Yc
ale Y sunt date de relaţia:
Yc  Y  Y  Ya 
Avem tabelul:
xi yi yai Δyi=yi-yai yci  y  yi

70 55 55.54 - 0.54 54.66
68 54 53.96 0.04 55.24
71 56 56.34 - 0.34 54.86
72 60 57.13 2.87 58.07
69 54 54.75 - 0.75 54.45
66 50 52.37 - 2.37 52.83
70 56 55.54 0.46 55.66
67 53 53.16 - 0.16 55.04
71 56 56.34 - 0.34 54.86
72 58 57.13 0.87 56.07
Calculele precedente privitoare la regresia liniară pot fi fi făcute în EXCEL astfel: Valorile
X1,…,Xn se înscriu în celulele A1:An din coloana A iar valorile Y1,…,Yn se înscriu în celulele
B1:Bn din coloana B a foii de calcul Nr. 1. Deschidem fereasta TOOLS în care activăm opţiunea
DATA ANALYSIS. Aici activăm opţiunea REGRESSION în care declarăm celulele A1:An şi B1:Bn
unde se află datele.
Rezultatele regresiei liniare se găsesc fie în foaia de calcul Nr. 2,fie tot în foaia de calcul Nr.
1 cu date, prin declararea ca celule de rezultate a altor celule decât cele din blocul de date A1:Cn.
Cross - corelaţia şi autocorelaţia seriilor de timp
În cele de mai sus, caracterele X,Y au fost măsurate în acelaşi moment de timp dând la
sondajul de repartiţie (x1,y1),…., (xn,yn) pentru vectorul aleator Z=(X,Y).
Dacă măsurătorilor sunt efectuate succesiv în timp la momentele t=1,2,…,n obţinem
sondajul de evoluţie (x1,y1),….,(xn,yn) pentru procesul aleator Z(t) = (X(t), Y(t)).
Valorile consecutive în timp (x1,…,xn) respectiv (y1,….,yn) se numesc şi serii de timp
pentru caracterele X,Y.
Uneori mai importantă decât corelaţia perechilor (x i,yi) este cross-corelaţia perechilor
(xi, yi+1).
Astfel resursa X aplicată la plante sau animale în momentul t=i are efect asupra valorii
producţiei Y la momentul următor t’=i+1.
Exemple
1) X=precipitaţii în săptămâna t = i
Y = talia plantei în săptămâna următoare t’=i+1
107
2) X = cantitatea de proteină digestibilă în raţia vacilor cu lapte în ziua t=i
Y = producţia zilnică de lapte în ziua următoare t’=i+1
Exemplu
X = proteina digestibilă în raţia unei vaci cu lapte (g/zi) în 11 zile consecutive
Y = producţia zilnică de lapte (litri/zi) în 11 zile consecutive.
Date de sondaj:
Xi 1000 1020 1040 1060 1080 1100 1120 1140 1160 1180 1200
Yi 9.6 9.6 9.7 9.8 9.9 9.9 9.9 10.1 10.3 10.4 10.6
Yi+1 9.6 9.7 9.8 9.9 9.9 9.9 10.1 10.3 10.4 10.6 -
Aplicând corelaţia şi regresia liniară între valorile (xi, yi+1) pentru primale n = 10 zile,
obţinem:
Mediile: MX=1090 g/zi; MY’=10.02 l/zi
Abaterile standard: SX=60.553 g/zi; SY,=0.322 l/zi
Covarianţa: SXY,=18.889 g x l/zi
Coeficientul de cross-corelaţie liniară: R=0.967
Coeficienţii de cross-regresie liniară:
B0=4.405; B1=0.005
Lăţimea fâşiei de încredere 2.5% =0.063;
Ecuaţia de cross-regresie este: Yt+1=B0+B1.Xt /2
Autocorelaţia pentru caracterul Y este corelaţia între valorile yi la momentul t=i şi valorile
yi+1 la momentul t’=i+1.
Astfel valoarea producţiei yi+1 la momentul t’=i+1 depinde atât de valoarea resursei xi
la momentul anterior t=i cât şi de valoarea producţiei yi la momentul anterior t=i.
De exemplu, producţia de lapte yi+1 în ziua t’=i+1 depinde atât de cantitatea de proteină
digestibilă xi în ziua precedentă t=i (cauză externă) cât şi de producţia de lapte yi în ziua
precedentă t=i (cauză internă).
Exemplu
Prin corelaţia şi regresia liniară a valorilor (yi, yi+1) din exemplul precedent, obţinem:
Mediile: Y = 9.92 l/zi Y ’ = 10.02 l/zi
Abaterile standard:
SY = 0.274 l/zi; SY’ =0.322 l/zi
Autocovarianţa SYY’ = 0.086
Coeficientul de autocorelaţie liniară:
R=0.976
Coeficienţii de autoregresie liniară:
B0=-1.367; B1=1.148
Lăţimea fâşiei de încredere:  2.5%=0.054
Ecuaţia de autoregresie Yt+1 = B0+B1.Yt    / 2
7.3. Corelaţii şi regresii neliniare
Am văzut în capitolul 3 că două variabile aleatoare independente X,Y sunt necorelate liniar
sau prin negaţie două variabile X, Y corelate liniar sunt dependente. Reciproca nu este în
general adevărată, adică există variabile X,Y dependente, care nu sunt corelate liniar, dar pot fi
corelate neliniar.
108
În cazul corelaţiei şi regresiei neliniare a variabilelor X,Y forma norului de puncte (xi,yi)
(I = 1 ,..., n) indică o anumită formă a funcţiei de regresie Y = f(X,B0, B1,..., Bd-1), unde B0,
B1,........., Bd-1 sunt d parametri necunoscuţi ai funcţiei de regresie.
Parcurgem următoarele etape:
a) Calculul parametrilor de regresie B0, B1,..., Bd-1 se face ca şi în cazul regresiei liniare, prin
metoda celor mai mici pătrate:
Vom minimiza variaţia reziduală:
SPAY.X = [y1-f(x1, B0, B1,..., Bd-1)]2 + ... + [yn- f(xn, B0, B1,..., Bd-1)]2 = minim
Anulând derivatele parţiale ale lui SPAY.X în raport cu B0, B1,....., Bd-1 obţinem sistemul de d
ecuaţii normale cu d necunoscute: B0, B1,..., Bd-1:
SPAY . X SPAY . X
 0,................., 0
B 0 Bd  1
b) După calculul celor d parametri de regresie B0, B1,..., Bd-1, vom calcula raportul de
corelaţie neliniar Rc printr-o formulă asemănătoare cu cea pentru R:
SPAY . X
Rc= 1  (1)
SPAY
Aici SPAY=  ( yi  Y ) 2 este varianţa totală a valorilor lui Y cu n-1 GL.
SPAY.X =  [yi-f(xi , B0, B1,..., Bd-1)]2 este varianţa reziduală a valorilor aşteptate f(xi, B0,
B1,..., Bd-1) ale lui Y faţă de valorile observate yi ale ale lui Y n-d grade de libertate (d este numărul
parametrilor B0, B1,..., Bd-1 ai regresiei).
Diferenţa SPAY-SPAY.X = SPAR se numeşte varianţa regresiei neliniare şi are n-1-(n-d) =
d-1GL
Se arată că:
este variabilă Fisher cu (d-1;n-d ) GL.
Rc2 d 1
F : (2)
1  Rc n  d
2
R2 1
F : (3)
1 R n  2
2
În cazul dreptei de regresie Y = B0 + B1X avem d = 2 parametrii necunoscuţi B0, B1, deci:
este variabilă Fisher cu (1;n-2) GL, deci t = F  R
n  2 este variabilă Student cu n-2 GL.
1  R2
Deosebirea între R şi Rc este accea că R[-1;1], iar Rc[0;1]
7.3.1. Corelaţia şi regresia polinomială
Funcţia de regresie are forma: Y = f(X, B0, B1,..., Bm) = B0 + B1X + ... + BmXm în care avem
d = m + 1, parametri de regresie necunoscuţi B0, B1,..., Bm.
Sistemul cu d = m + 1 ecuaţii normale cu necunoscutele B0, B1,..., Bm are forma:
Bm  xi2 m  ...  B1  xim1  B0  xim   xim yi

.....................................................................
Bm  xim1  ...  B1  xi2  B0  xi   xi yi
Bm  xim  ...  B1  xi  nB0   yi
109
 x1m x1m 1.............1
 
Notăm X =  ........................  de tip n x (m+1)
 xnm xnm 1.............1
 
 Bm 
T
X este matricea transpusă a lui X, de tip (m+1) x n, B=  Bm1  este vectorul - coloană de
..........
 
 Bo 
 y1 
tip (m + 1)x 1 al coeficienţilor de regresie polinomială, iar Y =  ....  este vectorul coloană de tip n x 1
 
 yn 
pentru valorile lui Y.
Sistemul precedent capătă forma matricială: XT.X.B = XT.Y
Dacă matricea simetrică XT.X de ordin m + 1 este nesingulară (det(XT.X)  0), sistemul de
ecuaţii normale are soluţie unică scrisă matricial: B = (XT.X)-1.XT.Y
Cu d = m + 1, raportul Fisher F capătă forma:
Rc2 m
Fp  : (4)
1  Rc n  m  1
2
cu (m; n-m-1) GL.

În cazul regresiei polinomiale fără termen liber (B0 = 0) ecuaţiile normale au forma:
Bm  xi2 m  ...  B1  xim1   xim yi
.........................................................
Bm  xim1  ...  B1  xi2   xi yi
Avem un sistem liniar de m ecuaţii cu m necunoscute B1,..., Bm, deci numărul parametrilor
de regresie este d = m.
Cu d = m raportul Fisher capătă forma:
Rc2 m 1
Fp  : (5)
1  Rc n  m
2
cu (m-1; n-m) GL
Exemplu:
Fie X = cantitatea de azotat de amoniu (kg/ha) şi Y = producţia de grâu (quintale/ha).

Avem un sondaj de volum n = 10:
xI 0 30 60 90 120 150 180 210 240 270

yI 15 17 20 22 25 29 34 36 38 40
Folosim funcţia de regresie polinomială de grad m = 3 având forma: Y=Bo+B1X+B2X2+B3X3

Coeficienţii de regesie daţi de sistemul de ecuaţii normale au valorile:
B0 = 15.27849; B1 = 0.032527; B2 = 0.000653; B3 = -0.0000016
Valorile xi, valorile observate yi, valorile aşteptate yai = B0 + B1 .xi + B2 xi2 + B3 xi3 şi
diferenţele yi = yi - yai, sunt date de tabelul:
110
xi yi yai yi
0 15 15.28 -0.28
30 17 16.80 0.20
60 20 19.23 0.77
90 22 22.32 -0.32
120 25 25.80 -0.80
150 29 29.40 -0.40
180 34 32.88 1.12
210 36 35.97 0.03
240 38 38.40 -0.40
270 40 39.92 0.08
Variaţia totală este SPAY=742.4, iar variaţia reziduală este SPAY.X = 3.025 aşa că raportul de
SPAY . X
corelaţie va fi : Rc = 1  =0.99796.
SPAY
Raportul Fisher Fp are forma (4) (regresia este cu termen liber) şi pentru n = 10; m = 3
capătă valoarea Fp = 488.7 cu (3;6) GL.
Valorile critice Fisher din tabelele 4, 5, 6 din Anexa 1, cu (3;6) GL sunt: F0.05 = 4.76; F0.01 =
9.78; F0.001 = 23.70.
Cum Fp = 488.7  F0.001 = 23.70, corelaţia polinomială în populaţia din care provine sondajul
este foarte semnificativă.
7.3.2. Corelaţia şi regresia trigonometrică
Funcţia de regresie are forma:
Y = To + (S1sinx + C1cosx) + ... + (Sksinkx + Ckcoskx), (k ≤ n/2)

în care avem 2k + 1 parametri de regresie necunoscuţi T0, S1, C1,..., Sk,Ck.
Sistemul cu d = k + 1 ecuaţii normale cu necunoscutele Y0, S1, C1,..., Sk, Ck dă aceste valori
astfel:
T0 = MY
2 n 2 n
S1 =  yi sin xi ; C1 =  yi cos xi
n i 1 n i 1
...................................................……
2 n 2 n
Sk =  yi sin kxi ; Ck =  yi cos kxi
n i 1 n i 1
Pentru a aduce date de sondaj xi în carcul trigonometric [0;2], vom înlocui pe xi cu
(n  1) x  ( x  nx ) 2
xci= i n 1
 după ce în prealabil valorile xi au fost reordonate în ordine crescătoare.
xn  x1 n
Dacă xi  [x1;xn], atunci xci = [0;2] iar xcn = 2
Dacă xi = x1 + (i-1)r (xi sunt echidistante), atunci:
xc1 = 2/n, xc2 = 2(2/n),..., xcn = n(2/n) = 2.
Calculul raportului de corelaţie neliniar Rc se face cu formula (1) de mai sus.
Testarea corelaţiei trigonometrice în populaţia din care provine sondajul adică varificarea
ipotezei H: c = 0 faţă de alternativa H: c  0 se face cu relaţia (2) de mai sus în care F este
variabilă Fisher cu (d-1; n-d) GL, unde d este numărul parametrilor de regresie necunoscuţi T0, S1,
C1,..., Sk, Ck, deci d = 2k + 1, aşa că F renotat cu Ft are forma:
111
Ft = [Rc2/(1 - Rc2)] : [2k/(n-2k-1)] (6)
cu (2k ; n-2k-1) GL
Prin regresia trigonometrică se ajustează date cu caracter periodic (ciclic) mai ales când x
este timpul măsurat sezonier (în secunde, minute, ore, zile, săptămâni, luni, trimestre, semestre, ani,
decenii, secole, milenii).
De exemplu în cazul X = timpul, Y poate fi caracter meteorologic (precipitaţii, căldură,
lumină, secete, inundaţii, îngheţuri, grindină etc.) sau geologic (cutremure, alunecări de teren) sau
biologic (cicluri de reproducţie şi lactaţie, serii la îngrăşat pentru animale domestice, perioade de
vegetaţie pentru plantele de cultură) sau economic (perioade de avânt economic şi de recesiune).
Exemple:
1) X = timpul în luni
Y = temperatura medie lunară a aerului în perioada 1901-1990 la staţia meteo Bucureşti-
Filaret (0C).
Z = precipitaţiile medii lunare în perioada 1901-1990 la staţia meteo Bucureşti-Filaret
(m3/ha).
Date de sondaj:
Luna X Temperatura Y Precipitaţii Z
1 -2.4 406
2 -0.3 340
3 5.2 374
4 11.6 444
5 16.9 681
6 20.6 860
7 22.8 578
8 22.3 512
9 17.8 391
10 11.8 411
11 5.5 485
12 0.4 411
Funcţia de regresie trigonometrică pentru temperatura medie lunară Y cu k = 2 armonice are

coeficienţii:
T0 = MY = 11.01667 oC
S1 = - 6.5409; C1 = - 10.5161;
S2 = - 0.4908; C2 = - 0.5500.
Valorile echidistante xi, valorile din cerc xci = i.(2/12), valorile observate yi, cele aşteptate
yai = T0 + [s1.sin(xci) + c1.cos(xci)] + [s2.sin(2.xci) + c2.cos(2.xci)] şi diferenţele yi=yi-yai sunt:
xi Xci Yi yai yi
1 0.5235989 -2.4 -2.06 -0.34
2 1.047198 -0.3 -0.06 -0.24
3 1.570797 5.2 5.03 0.17
4 2.094395 11.6 11.31 0.29
5 2.617994 16.9 17.00 -0.10
6 3.141593 20.6 20.98 -0.38
7 3.665192 22.8 22.69 0.11
8 4.188791 22.3 21.79 0.51
9 4.712390 17.8 18.11 -0.31
10 5.235988 11.8 12.12 -0.32
11 5.759587 5.5 5.33 0.17
12 6.283186 0.4 -0.05 0.45
112
Variaţia totală este SPAY=2381.04, variaţia reziduală este SPAY.X=1.148, deci raportul de
corelaţie trigonometrică dat de relaţia (1) va fi Rc=0.999759
Raportul Fisher este dat de relaţia (6) şi pentru n = 12; k = 2 capătă valoarea: Ft = 3629 cu
(4;7)GL.
Valorile critice Fisher din tabelele 4, 5, 6 din Anexa 1, cu (4;7)GL sunt F0.05 = 4.12; F0.01 =
7.85; F0.001 = 17.19
Cum Ft = 3629 F0.001 = 17.19, corelaţia trigonometrică în populaţia din care provine
sondajul, este foarte semnificativă.
Media de sondaj de evoluţie este:
Y1 Y
 Y2  ...  Yn 1  n
MYc  2 n  12.10 C
n 1
b) Funcţia de regresie trigonometrică pentru precipitaţiile medii lunare Z cu k = 5

armonice, are coeficienţii:
T0 = 491.0834 m3/ha
S1 = -20.8963; C1 = -145.0328;
S2 = -26.7024; C2 = 121.2500;
S3 = 6.8334; C3 = -40.6666;
S4 = -25.8362; C4 = 17.9168;
S5 = 19.2296; C5 = - 38.8806
Valorile echidistante xi, valorile din cerc xci = i.(2/ 12), valorile observate zi, valorile
aşteptate
5
zai  T0  [ s j .sin( j.xci )  c j cos( j.xci )]
j 1
şi diferenţele zi=zi - zai sunt date de tabelul de mai jos.
xi xci zi zai zi

1 0.5235989 406 411.25 - 5.25
2 1.047198 340 334.75 5.25
3 1.570797 374 379.25 - 5.25
4 2.094395 444 438.75 5.25
5 2.617994 681 686.25 - 5.25
6 3.141593 860 854.75 5.25
7 3.665192 578 583.25 - 5.25
8 4.188791 512 506.75 5.25
9 4.712390 391 396.25 - 5.25
10 5.235988 411 405.75 5.25
11 5.759587 485 490.25 - 5.25
12 6.283186 411 405.75 5.25
Variaţia totală este SPAZ = 3142985, variaţia reziduală este SPAZ.X = 331, deci raportul de
corelaţie trigonometrică dat de relaţia (6) este: Rc = 0.9999474
Raportul Fisher Ft dat de relaţia (1), pentru n = 12, k = 5 capătă valoarea Ft = 950.9893 cu
(10;1) GL.
Valorile critice Fisher pentru (10;1) GL extrase din tabelele 4, 5, 6 din Anexa 1, sunt F0.05 =
241.9; F0.01 = 6056; F0.001 = 605600
Cum F0.05 < Ft < F0.01, corelaţia trigonometrică în populaţia din care provine sondajul este
semnificativă. Media de sondaj de evoluţie este: MZc = 498.6 m3 & ha.
113
7.3.3. Corelaţia şi regresia polinomial-trigonometrică
Funcţia de regresie are forma:

y = [B0 + B1x + ... + Bmxm] + [T0 + S1sinx + C1cosx + ... + Sksinkx + Ckcoskx]
a) Partea polinomială din prima paranteză pătrată din membrul doi, este neperiodică şi se
numeşte tendinţă (trend), coeficienţii B0, B1, ..., Bm, se stabilesc ca în secţiunea 6.3.1 de mai sus,
prelucrând datele primare (xi, yi) (1 i  n).
Valorile aşteptate ale regresiei polinomiale sunt date de relaţia
yapi = B0 + B1xi + ... + Bmxim, iar ypi = yi - yapi.
Testarea ipotezei H: ρcp = 0 faţă de alternativa H: ρcp  0 adică a inexistenţei sau a
existenţei trendului polinomial în populaţia din care face parte sondajul, se face cu raportul Fisher
dat de relaţia (4):
Fp = [Rcp2/(1-Rcp2] : [m/(n-m-1)], care are (m; n-m-1) GL.
Aici raportul de corelaţie polinomială Rcp are forma din relaţia (1):
SPAY . X
Rcp= 1  ,
SPAY
n n
cu SPAY=  ( yi  y )2 ;SPAY.X=  ( yi  yapi )2 .
i 1 i 1
a) Partea trigonometrică din a doua paranteză pătrată din membrul doi al funcţiei de regresie
de mai sus, este periodică şi se numeşte parte ciclică sau sezonieră, coeficienţii T0, S1, C1,..., Sk, Ck
se stabilesc ca în secţiunea 10.3.2 de mai sus, prelucrând datele reziduale (xi; ypi) de la regresia
polinomială, unde ypi = yi-yapi (1 i  n).
Valorile aşteptate ale regresiei trigonometrice sunt date de relaţia:
yati = T0 + S1sin xi + C1cos xi+ ...+ Sksin kxi + Ckcos kxi.
Diferenţele ypti = ypi - yati are forma ypti = yi - yapi - yati.
Valorile aşteptate ale regresiei polinomial-trigonometrice sunt:
yapti = yapi + yati, aşa că ypti = yi - yapti.
Testarea ipotezei H: ρct = 0 faţă de alternativa H:ρct  0, adică a inexistenţei sau a
existenţei părţii ciclice în populaţia din care face parte sondajul, se face cu raportul Fisher dat de
relaţia (6), şi anume:
Ft = [(Rct)2/(1-(Rct)2)] : [2k/(n-2k-1)] cu (2k; n-2k-1) GL.
Aici raportul de corelaţie trigonometrică are forma din relaţia (1), şi anume:
SPADY . X
Rct= 1 
SPADY
n n
unde SPADY =  (ypi  ypi ) 2 şi SPADY.X =  (ypi  yati )2
i 1 i 1
Exemplul 1
X = timpul (zile trecute de la data fătării)
Y = producţia zilnică de lapte de vacă (litri/zi)
Date de sondaj:
xi 28 56 84 112 140 168 196 224 252 280 308
yi 15 18 20 21 22 19 16 12 8 4 2
a) Regresia polinomială:
Pentru funcţia polinomială alegem gradul m = 3, deci y = B0 + B1x + B2x2 + B3x3.
Sistemul de 4 ecuaţii normale are ca soluţii coeficienţii de regresie:
B0 =7.61776; B1 = 0.28246; B2 =- 0.00166; B3 = 0.0000022.
114
Valorile echidistante xi, valorile în cerc xci = i.(2 / 11), valorile observate yi, valorile
aşteptate yapi = B0 + B1 .xi + B2 xi2 + B3 xi3 ale regresiei polinomiale şi diferenţele ypi = yi-yapi se
găsesc în tabelul de mai jos.
Avem SPAY = 478.182; SPAY.X = 5.481, deci Rcp = 0.994252 cu (3; 7)GL.
Valoarea Fisher este Fp = 201.22, iar valorile critice din tabelele 4, 5, 6 din Anexa 1, pentru
(3;7) GL sunt: F0.05 = 4.35; F0.01 = 8.45; F0.001 = 18.77
Cum Fp = 201.22  F0.001 = 18.77, corelaţia polinomială este foarte semnificativă în populaţia
din care provine sodajul.
b) Regresia trigonometrică:
Perechile de valori (xi; ypi) din tabelul de mai jos se prelucrează cu regresia trigonometrică
cu k = 2 armonice, deci: yp = S0 + (S1sinx + C1cosx) + (S2sin2x + C2cos2x).
Conform secţiunii 10.3.2 de mai sus, avem coeficienţii de regresie trigonometrică:
T0 = 0.00000217
S1 = -0.0548; C1 = -0.2158;
S2 = 0.3089; C2 = 0.7362;
Valorile aşteptate ale regresiei polinomial-trigonometrice
yapti = [B0 + B1 .xi + B2 xi2 +B3 xi3] + [T0 +s1.sin(xci) + c1.cos(xci) + s2.sin(2.xci) + c2.cos(2.xci)]
şi diferenţele ypti = yi-yapti se găsesc în tabelul de mai jos:
xI yi xci yapi ypi Yapti ypti

28 15 0.5711987 14.27 0.73 14.65 0.35
56 18 1.142397 18.61 -0.61 18.22 -0.22
84 20 1.713596 20.92 -0.92 20.10 -0.10
112 21 2.284795 21.49 -0.49 21.18 -0.18
140 22 2.855994 20.62 1.38 21.27 0.73
168 19 3.427193 18.60 0.40 19.61 -0.61
196 16 3.998391 15.71 0.29 16.09 -0.09
224 12 4.569590 12.24 -0.24 11.71 0.29
252 8 5.140789 8.49 -0.49 7.74 0.26
280 4 5.711987 4.75 -0.75 4.62 -0.62
308 2 6.283186 1.30 0.70 1.82 0.18
Avem SPADY = 5.481; SPAY.X = 1.702, deci Rct = 0.8302674 cu (4; 6)GL.
Valoarea Fisher este Ft = 3.328, iar valorile critice din tabelele 4, 5, 6 din Anexă, pentru (4;
6) GL sunt F0.05 = 4.53; F0.01 = 9.15; F0.001 = 21.92.
Cum Ft = 3.328  F0.05 = 4.53, corelaţia trigonometrică este nesemnificativă în populaţia din
care provine sondajul.
Y1 Y
 Y2  ...  Yn 1  n
MYc  2 2  14.85 litri lapte/zi
n 1
Exemplul 2
X = timpul (zile trecute de la data ecloziunii ouălelor de găină)
Y = greutate pui broiler (grame)
Date de sondaj:
xi 0 7 14 21 28 35 42 49 56
yi 21 92 213 378 580 791 1005 1220 1432
115
a) Regresia polinomială:
Luăm m = 3, deci:
B0 = 19.74748; B1 = 6.16912; B2 = 0.63531; B3 = - 0.0052885
Valorile echidistante xi, valorile în cerc xci = i.(2/9), valorile observate yi, valorile
aşteptate yapi = B0 + B1 .xi + B2 xi2 + B3 xi3 ale regresiei polinomiale şi diferenţele ypi = yi-yapi
se găsesc în tabelul de mai jos.
SPAY = 2057641; SPAY.X = 108; Rcp = 0.9999738 cu (3; 5)GL;
Fp = 31804.948***
Din tabelele 4, 5, 6 din Anexa 1 avem :F0.05 = 5.41; F0.01 = 12.06; F0.001 = 33.20 < Fp
Corelaţia polinomială în populaţia din care provine sondajul este foarte semnificativă.
b) Regresia trigonometrică:
Luăm k = 2 armonice, deci:
T0 = - 0.00007354;
S1 = -0.4810; C1 = -0.7903;
S2 = 4.0881; C2 = 1.6168
Valorile aşteptate ale regresiei polinomial-trigonometrice
yapti = [B0 + B1 .xi + B2 xi2 + B3 xi3] + [T0 + s1.sin(xci) + c1.cos(xci) + s2.sin(2.xci) + c2.cos(2.xci)]
şi diferenţele ypti = yi-yapti se găsesc în tabelul de mai jos:
SPAy = 107.72; SPAy.x = 16.90; Rct = 0.9182102 cu (4; 4)GL;
Din tabelele 4, 5, 6 din Anexa 1 avem Ft = 5.374; F0.05 = 9.28; F0.01 = 29.46; F0.001 = 141.10
Ft < F0.05 deci corelaţia trigonometrică este nesemnificativă în populaţia din care provine sondajul.
Y1 Y
 Y2  ...  Yn 1  n
MYc  2 2  625.7 g
n 1
Tabelul final cu rezultate este:
xi xci yi zapi ypi yapti ypti

0 0.6981318 21 19.75 1.25 23.14 -2.14
7 1.396264 92 92.25 -0.25 91.52 0.48
14 2.094395 213 216.12 -3.12 211.75 1.25
21 2.792527 378 380.49 -2.49 379.68 -1.68
28 3.490659 580 574.47 5.53 579.25 0.75
35 4.188791 791 787.18 3.83 790.72 0.28
42 4.886923 1005 1007.72 -2.72 1005.14 -0.14
49 5.585055 1220 1225.22 -5.22 1221.18 -1.18
56 6.283186 1432 1428.80 3.20 1429.62 2.38
7.4. Rezumat
În acest capitol se prezintă corelaţia şi regresia liniară precum şi corelaţiile şi regresiile

neliniare exemplificate prin corelaţiile şi regresiile polinomială, trigonometrică, polinomial-
trigonometrică.
116
7.5. Întrebări
1. Ce sunt coeficientul de corelaţie liniară şi coeficienţii de regresie liniară?

2. Ce sunt raportul de corelaţie neliniară şi coeficienţii de regresie neliniară?
3. Ce este autocorelaţia şi cross-corelaţia seriilor de timp?
4. Ce avantaje prezintă corelaţia şi regresia polinomial-trigonometrică?
7.6. Bibliografie
2. M. Iosifescu şi colab. „Mică enciclopedie de statistică”, Ed. Ştiinţifică şi Enciclopedică, 1985
3. Anuarul statistic al României, 1990 - 2005
117
Capitolul 8. TESTE ALE CONTROLULUI CALITĂŢII
ȘI FIABILITĂŢII ÎN AGRICULTURĂ
Obiective: Însuşirea de către studenţi a tehnicilor de control statistic al calităţii produselor agricole
şi al fiabilităţii maşinilor agricole în cursul procesului de producţie şi la recepţie (control
simplu şi secvenţial).
Conţinut:
8.1 Controlul statistic al calităţii în cursul procesului de producţie
8.2 Controlul statistic al calităţii la recepţie
8.3 Controlul statistic al fiabilităţii la recepţie
8.4 Rezumat
8.5 Întrebări
8.6 Bibiliografie
Cuvinte cheie: fişe de control, control simplu, control secvenţial, însuşire cantitativă, însuşire
calitativă, fiabilitate.
Produsele agricole de origine vegetală sau animală sunt destinate în principal consumului
uman, consumului zootehnic şi ca materie primă pentru industrie.
Produsele de consum uman pot fi consumate direct (alimente proaspete) sau după
prelucrare/conservare (făină, mălai, zahăr, ulei, brânzeturi, mezeluri, băuturi etc.).
Calitatea alimentelor destinate consumului uman este un complex de însuşiri fizice, chimice,
biologice şi estetice care trebuie îndeplinite faţă de anumite baremuri (standarde) astfel ca să asigure
la nivel optim nevoile omului.
Aceleași cerinţe se impun şi pentru produsele de consum zootehnic (furaje proaspete sau
prelucrate/conservate).
Materiile prime pentru industrie (alimentară, textilă, energetică, cosmetică etc.) privesc
standarde de calitate asupra capacităţii de prelucrare sau conservare în vederea satisfacerii la nivel
optim a cerinţelor ca produse finite (alimente, îmbrăcăminte, încălţăminte, biogaz, produse
fitofarmaceutice și cosmetice etc.).
Maşinile agricole pentru producţia vegetală sau zootehnică trebuie să aibă capacităţi
funcţionale şi de economicitate privind combustibilii conform unor standarde care să le permită
amortizarea cheltuielilor de fabricaţie şi obţinerea de profit în urma utilizării lor.
Cel mai important indicator de calitate al masinilor agricole este siguranţa lor în funcţionare
(fiabilitatea) care trebiue să îndeplinească bareme de timp privind funcţionarea fără defecţiuni la
exploatarea în condiţii reale.
Controlul calităţii produselor agricole şi a fiabilităţii masinilor agricole are caracter oficial si
cheltuielile necesare acestui control se amortizează prin vandabilitatea crescută pe piaţa internă şi
mai ales cea externă.
Controlul calităţii si fiabilităţii în agricultură se face în toate etapele procesului de producţie
cât şi la recepţia produselor sau masinilor agricole.
Acest control poate fi exhaustiv (pentru toate produsele sau masinile) sau selectiv (prin
sondaj).
Utilitatea statisticii în controlul calităţii şi fiabilităţii rezultă din faptul că agricultura este un
domeniu de predilecţie al acţiunii întâmplării (hazardului) prin variabilitatea genetică a plantelor sau
animalelor şi prin variabilitatea condiţiilor de mediu în care acestea trăiesc.
118
Astfel orice însuşire cantitativă (măsurabilă) sau calitativă (atributivă) X este o variabilă
aleatoare în jurul standardului de calitate.
Timpul T de funcţionare fără defecţiuni al unei maşini agricole este tot o variabilă aleatoare
calitativă în jurul standardului de calitate.
Dacă X este însuşire cantitativă (măsurabilă) trebuie ca M(X) = μ şi V(X) < W2 iar dacă X
este însuşire calitativă(atributivă) trebuie ca frecvenţa sa de apariţie relativă fn(X) să tindă către
probabilitatea P.
8.1. Controlul statistic al calităţii în cursul procesului de producţie
Fie X o caracteristică de calitate care poate fi cantitativă (măsurabilă) sau calitativă

(atributivă).
În cursul procesului de producţie în agricultură, asupra caracretisticii X acţionează o
multitudine de factori care provoacă asupra valorilor lui X variaţii accidentale (cu cauze
necontrolabile) şi variaţii sistematice (cu cauze controlabile).
Obiectul controlului de calitate este în acest caz,supravegherea variaţiilor sistematice şi
eliminarea lor prin corecţii aduse procesului de producţie.
De fapt caracteristica de calitate X este un proces aleator Xt; 0 ≤ t ≤ DS unde DS este durata
unei serii în agricultură (DS = durata perioadei de vegetaţie la plante şi DS = durata unui ciclu de
exploatare a animalelor).
Realizările Xi, i = 0,1,2,… ale lui Xt se presupun a fi variabile aleatoare normale N(μ,σ),
independente câte două.
Împărţim intervalul de timp [0; DS] în m subinrtervale de timp egale: [t0 = 0; t1), [t1; t2],
[tm-1; tm = DS] şi efectuăm la momentele de timp t1, t2,…, tm = DS, m sondaje toate de volum n,
obţinând datele de sondaj:
x11,x12,…,x1n la momentul t1;
x21, x22,…,x2n la momentul t2;
………………………………
xm1, xm2,…, xmn la momentul tm.
a) Dacă X este însuşire cantitativă (măsurabilă), din datele de sondaj calculăm mediile sondajelor:
1 n
xi   xij
n j 1
abaterile-standard de sondaj:
1 n
si  
n  1 j 1
( xij  xi )2
precum şi media totală:

1 m n
x  xij
mn i 1 j 1
respectiv abaterea-standard totală:
m n
1
s  ( xij  x)2
mn  1 i 1 j 1
Fie xi,min = min xij; xi,max = max xij deci avem amplitudinile de sondaj ai = xi,max – xi,min.
1≤j≤n 1≤j≤n
119
b) Dacă X este însuşire calitativă (atributivă) avem xij = 1 dacă obiectul numărul j din sondajul
numărul i este rebut şi xij = 0 în caz contrar, deci:
n
di  x
j 1
ij
va fi numărul de rebuturi în sondajul numărul i iar:

m n
d   x
i 1 j 1
ij
Dacă populaţia este de volum N, raportul f = n/N se numeşte factor de sondaj.

Mărimea lui f şi cadenţa luării probelor m depind de rapiditatea apariţiei variaţiilor
sistematice şi de costul luării probelor.
Pentru caracteristica de calitate X controlăm doi parametri: M care ne indică tendinţa
centrală şi D care ne indică împrăştierea valorilor lui X.
Pentru aceasta se construiesc intervalele de încredere IM pentru M şi ID pentru D.
În controlul propriu-zis, dacă o valoare Mi a lui M cade în afara intervalului IM sau dacă o
valoare Di a lui D cade în afara intervalului ID, se aduc corecţii procesului de producţie.
Intervalele de încredere IM şi ID au forma: [LCI; LCS] cu încrederea 1 – α şi riscul α.
LCI se numeşte limita de control inferioară pentru X iar LCS se numeşte limita de
control superioară pentru X.
Aceste limite se prezintă grafic pe fişele de control al calităţii de forma:
8.1.1. Cazul unei însuşiri cantitative
În acest caz în rolul lui M vom lua mediile de sondaj xi sau medianele de sondaj Mei iar în
rolul lui D vom lua abaterile-standard de sondaj si sau amplitudinile de sondaj ai
Avem de verificat prin control al calităţii, ipoteza H: μ = μ0 faţă de alternativa Ĥ: μ ≠ μ0
respectiv H: σ = σ0 faţă de alternativa H: σ > σ0.
a) Fişa de control pentru medie(fişa X)

Mediile sondajelor x1,…,xm sunt variabile aleatoare normale N(μ0, σ0/√n) deci vom lua:
0 0
LCI ( x)  0  u / 2 ; LCS ( x)  0  u / 2 (1)
n n
Dacă μ0 nu este cunoscut, se aproximează cu xˉ iar dacă σ0 nu este cunoscut, se aproximează
cu s.
De regulă se ia uα/2 = 3, deci din tabelul 1 din Anexa 1 avem 1- α = 99.865 % şi α = 0.135 %.
120
b) Fişa de control pentru abaterea-standard (fişa s).
Mărimile (n-1)si2 / σ02 sunt variabile aleatoare χ2 cu n-1 GL deci vom lua:
12 / 2 2 / 2
LCI ( s)  . 0 ; LCS ( s)  . 0 (2)
n 1 n 1
Pentru controlul calităţii abaterii-standard se foloseşte numai LCS.
În locul fişei de control b) pentru abaterea-standard se poate folosi:
c) Fişa de control pentru amplitudine (fişa R)
Amplitudinea unui sondaj de volum n, notată a = xmax – xmin este variabilă aleatoare deci este
variabilă aleatoare şi raportul w = a/σ.
Mediaw are valorile date de tabela de mai jos.
Un estimator al lui σ este σˆ= a /w deci limitele de control pentru medie din relaţiile (1)
devin:
a a
LCI ( x)  x  3  ; LCS ( x)  x  3  (3)
n w n w
Notăm:
3
 
n w
cu valori în tabela de mai jos, deci limitele de control pentru medie devin:
LCI ( x)  x   .a ; LCS ( x)  x   .a (4)
Din relaţia a = wσ rezultă σ(a) = σ(w). σ şi cum σ nu se cunoaşte, va fi estimat de σˆ = a / w

aşa că un estimator pentru σ(a) va fi σˆ(a) = σ(w).a / w, deci limitele de control pentru a capătă
forma:
 (w)  ( w)
LCI (a)  a  3. .a ; LCS (a)  a  3. .a (5)
w w
Cu notaţiile:
 ( w)  ( w)
D1  1  3. ; D2  1  3.
w w
care au valori în tabela de mai jos, limitele de control pentru a, capătă forma:
LCI (a)  D1 .a ; LCS(a)=D2 .a (6)
Tabel cu valori critice pentru fişe de control al calităţii
Vol.sondaj n w δ D1 D2
2 1.128 1.880 0 3.267
3 1.693 1.023 0 2.575
4 2.059 0.729 0 2.282
5 2.326 0.577 0 2.115
6 2.534 0.483 0 2.004
121
7 2.704 0.419 0.076 1.924
8 2.847 0.373 0.136 1.864
9 2.970 0.337 0.184 1.816
10 3.078 0.308 0.223 1.777
11 3.173 0.285 0.256 1.744
12 3.258 0.266 0.284 1.716
13 3.336 0.249 0.308 1.692
14 3.407 0.235 0.329 1.671
15 3.472 0.223 0.348 1.652
16 3.532 0.212 0.364 1.636
17 3.588 0.203 0.379 1.621
18 3.640 0.194 0.392 1.608
19 3.689 0.187 0.404 1.596
20 3.735 0.180 0.414 1.586
21 3.778 0.173 0.425 1.575
22 3.819 0.167 0.434 1.566
23 3.858 0.16 0.443 1.557
24 3.895 0.157 0.452 1.548
25 3.931 0.153 0.459 1.541
Exemplu
Fie X greutatea puilor de carne la 40 zile.

Luăm m = 10 sondaje în 10 serii diferite, a câte n = 4 valori fiecare şi obţinem datele de
sondaj din tabelul următor:
Nr. Date sondaj xij Xi,min xi xi,max ai si

sondaj
1 1000;1100;1050;1010 1000 1040 1100 100 45.46
2 950;980;1030;1000 950 990 1030 80 33.67
3 1100;1020;1010;990 970 1010 1050 80 33.67
4 970;1020;1000;990 990 1030 1100 110 48.30
5 1100;1030;990;960 960 1020 1010 140 60.55
6 1020;1010;1050;1000 1000 1020 1050 50 21.60
7 970;1010;990;1030 970 1000 1030 60 25.82
8 980;990;1010;1100 980 1020 1100 120 54.77
9 1040;1020;1030;910 910 1000 1040 130 60.55
10 970;990;1020;1020 970 1000 1020 50 24.49
TOTAL xmin = 910 x = 1013 Xmax = 1100 a = 92 s = 40.84
Pentru n = 4, din tabela precedentă avem δ = 0.729, deci relaţiile (4) devin:
LCI(x ) = 1013 – 0.729 x 92 = 945.932
LCS(x ) = 1013 + 0.792 x 92 = 1080.68
Toate valorile xi sunt între aceste limite deci X corespunde la controlul calităţii în cursul
procesului de producţie, ca tendinţă centrală a valorilor.
Pentru n = 4, din tabela de mai sus avem D1 = 0; D2 = 2.282 deci relaţiile (6) devin:
LCI(a) = 0 ; LCS(a) = 2.282 x 92 = 209.944
Niciuna din valorile ai nu depăşeşte pe LCS(a) deci X corespunde la controlul calităţii în
cursul procesului de producţie, ca împrăştiere a valorilor.
În cazul măsurătorilor individuale, volumele sondajelor sunt egale cu 1 şi limitele de
control pentru cele m valori individuale xi vor fi:
122
am am
LCI ( x)  x  3. ; LCS ( x)  x  3. (7bis)
w w
Aici w se culege din tabela de mai sus pentru n = 2 iar am este media diferenţelor
succesive aim = |xi - x i-1| numite amplitudini mobile.
Exemplu
X = producţia zilnică de lapte de vacă(litri/zi) în a 28-a zi de la fătare (controlul Nr. 1).
Avem m = 10 sondaje a câte n = 1 vaci fiecare cu producţiile xi:
xi 9.5 10 10.4 9.9 11 10.7 10.5 12.4 11.7 10.9 x = 10.8

|xi-xi-1| - 0.5 0.4 0.5 1.1 0.3 0.2 1.9 0.7 0.8 am = 0.71
Din tabela de mai sus, pentru n = 2 valori în amplitudinile mobile, avem w = 1.128 deci:
LCI(x) = 10.8 – 3 .(0.71/1.128) = 8.91
LCS(x) = 10.8 + 3 .(0.71/1.128) = 12.69
Toate cele 10 producţii individuale sunt între limitele precedente, deci caracteristica X
corespunde calităţii.
8.1.2. Cazul unei însuşiri calitative
În acest caz vom avea un singur parametru M în rolul căruia vom lua fie numărul di de
exemplare-rebut din sondajul nr. i, fie frecvenţa rebuturilor fi = di / n din sondajul nr. i;
(i=1,2,…,m).
di este variabilă binomială adică:
P(di = k) = Cnk p0k (1- p0) n – k
unde p0 este proporţia rebuturilor în cursul procesului de producţie.
Avem de verificat ipoteza H : p = p0 faţă de alternativaH: p > p0.
Fie k1(α) cel mai mare număr natural pentru care avem:
k1 ( )

P(d  k1 ( ))  C
k 0
k
n p0k (1  p0 )nk  1 
2
Fie k2(α) cel mai mare număr natural pentru care avem:
n

P(d  k2 ( ))  
k  k2 ( ) 1
Cnk p0k (1  p0 )n k  1 
2
Avem:
LCI(d) = k1(α); LCS(d) = k2(α) (7)
Din păcate, limitele (7) implică calcule laborioase deaceea pentru n ≥ 40 şi p0 ≤ 0.1,
variabila binomială poate fi aproximată cu variabila normală.
a) Fişa de control pentru frecvenţa rebuturilor (fişa p)
Un estimator pentru p0 este fi = di /n unde di este numărul rebuturilor din sindajul nr. i de
volum n.
Avem:
M(fi) = p0 şi V(fi) = p0(1- p0)/n
123
deci limitele de control pentru p0 vor fi:
p0 (1  p0 ) p (1  p0 )
LCI ( p0 )  p0  3. ; LCS ( p0 )  p0  3. 0 (8)
n n
Cum p0 nu se cunoaşte, se aproximează cu:

1 m 1 m 1 m n
f   fi   di   xij
m i 1 mn i 1 mn i 1 j 1
aşa că limitele de control pentru p0 devin:
f (1  f ) f (1  f )
LCI ( p0 )  f  3. ; LCS ( p0 )  f  3. (9)
n n
Dacă LCI(p0) < 0, luăm LCI(p0) = 0.
Exemplu
X = starea de ecloziune a ouălelor de găină în a 18-a zi de incubaţie.
Se efectuează m = 10 sondaje a câte n = 100 ouă în 10 serii de incubaţie, găsindu-se numărul
di de ouă neeclozionate în aceste sondaje şi frecvenţele de rebut fi:
Nr. 1 2 3 4 5 6 7 8 9 10 TOTAL
sond
di 3 5 2 0 4 7 8 3 2 6 d=4
fi 0.03 0.05 0.02 0 0.04 0.07 0.08 0.03 0.02 0.06 f=0.04
Avem f = 0.04 deci din relaţiile (9) obţinem:
0.04  0.96
LCI ( p0 )  0.04  3  0.04  0.059  0 deci LCI(p0 )  0
100
0.04  0.96
LCS ( p0 )  0.04  3  0.04  0.059  0.099 0.10
100
a)
Se observă că toate valorile fi nu depăşesc limita superioară LCS(p0) deci X corespunde la
controlul calităţii în cursul procesului de producţie ca proporţie a rebuturilor.
b) Fişa de control pentru numărul rebuturilor (fişa C)
În acest caz numărul di al rebuturilor într-un sondaj de volum n poate fi considerată variabilă
Poisson cu media şi varianţa λ, deci limitele de control pentru d au forma:
LCI (d )    3  ; LCS (d )    3  (10)

Cum λ nu se cunoaşte, îl aproximăm cu:
1 m
d  di
m i 1
deci limitele precedente capătă forma:
124
LCI (d )  d  3 d ; LCS (d )  d  3 d (11)
Dacă LCI(d) <0 luăm LCI(d) = 0.
Exemplu
Pentru exemplul anterior avem d = 4 aşa că:
LCI (d )  4  3 4  2 deci LCI(d)=0
LCS(d)=4+3 4  10
Niciuna din valorile di din cele 10 sondaje nu depăşeşte pe LCS(d) deci X corespunde la
controlul calităţii în cursul procesului de producţie ca număr de rebuturi.
8.2. Controlul statistic al calităţii la recepţie
D
Fie un lot de N produse din care D au defecte şi fie p  proporţia acestor defecte.
N
Efectuăm un control selectiv al calităţii produselor astfel:extragem din lot un sondaj de n
n
produse (factorul de sondaj este ) şi le controlăm, găsind  produse defecte.
N
Dacă δ  c , lotul se acceptă ca fiind corespunzator calităţii X controlate,iar dacă δ  c , lotul
se respinge ca fiind necorespunzator calităţii X controlate. În lotul respins se înlocuiesc produsele
defecte cu altele bune.
Probabilitatea de acceptare a lotului ca funcţie de p (proporţia produselor defecte în întregul
lot) se notează cu L(p) şi se numeste caracteristica operativă a controlului de calitate.
Graficul său are forma:
α  1  Lp 0  este eroarea de ordin I, adică probabilitatea respingerii unui lot cu defecte
putine, deci este riscul furnizorului.
β  Lp1  este eroarea de ordin II, adică probabilitatea acceptării unui lot cu defecte
multe, deci este riscul beneficiarului.
p 0 se va numi calitate de acceptare, iar p1 calitate limită admisă.
125
Controlul calitatii revine deci la verificarea ipotezei H : p  p 0 faţă de alternativa
H : p  p1 .
c
Evident L  p   P  δ  c    P  δ  d  .
d 0
În plus valoarea medie pentru volumul n de sondaj este: n  n  L  p   N 1  L  p   .

Observăm că pentru p = 0 avem n  n , iar pentru p = 1 avem n  N .
 este variabilă hipergeometrică deoarece obiectele controlate deja (între care pot fi şi
rebuturi) nu se mai întorc în populaţie, de aceea avem:
n d
CdD  CnNdD CN p  CN1p 
d
P δ  d   .
CDN CNN p
δ δ D
Prin calcul rezultă că ca variabila aleatoare, are media M    şi varianţa
n n N
 δ  1 N  n D  N  D δ
V     deci este o estimaţie absolut corectă pentru proporţia reală
 n  n N 1
2
N n
D
p de produse defecte ale lotului, deoarece:
N
δ D δ
M    , iar lim V    0 .
n N n 
n
Pentru ,  daţi, trebuie să aflăm pe n şi c astfel ca:
L  p0   1  α; L  p1   β ,
adică:
c CdNp1  CnN1dp0 

d 0 C NNp0
 1 α ;
c CdNp1  CnN1dp1 

d 0C NNp1
β.
Aceste ecuaţii în raport cu n şi c sunt foarte greu de rezolvat datorită calculelor cu

combinări. În unele cazuri variabila hipergeometrică poate fi inlocuită cu variabila binomială,
Poisson sau normală.
n
1) Dacă este mult mai mic ca 1, avem:
N
c
L  p    Cdn  pd 1  p 
n d
d 0
încât n și c satisfac ecuaţiile:
c n d
C
d 0
d
n  p  1  p0 
d
0  1 α ;
c
C  p1d  1  p1 
n d
d
n β.
d 0
n
2) Dacă p şi sunt mult mai mici ca 1, avem:
N
c
λd
L  p     e λ
d  0 d!
126
n
unde λ  n  p  D , deci n şi c satisfac ecuaţiile:
N
 n  p 0   n p0
d
c

d 0 d!
e  1 α ;
 n  p1 
d
c

d 0 d!
 e np1  β .
3) Dacă n este foarte mare, avem:

 c  np 
L  p  F ,
 np 1  p  
 
unde F este funcţia de repartiţie N(0,1) aşa că n şi c satisfac ecuaţiile:
 c  np 
F 0
  1 α ;
 np0 1  p0  
 
 c  np 
F 1
 β.
 np1 1  p1  
 
Prezentăm mai departe două tipuri de control al calităţii şi fiabilităţii: controlul simplu şi
controlul secvenţial.
8.2.1. Controlul unei însuşiri cantitative
A. Controlul simplu al unei însuşiri cantitative
Fie Tmax limita superioară admisă pentru valorile însuşirii cantitative (măsurabile) X.
Pentru ,  şi p 0 , p1 daţi, trebuie să găsim volumul sondajului n şi pragul de acceptare c al
lotului la controlul calităţii.
Lotul este acceptat dacă la sondajul efectuat găsim media X  Tmax  cσ .
Această condiţie se mai scrie: X  μ   Tmax  μ   cσ sau:
Xμ T μ 
n   max  c n .
σ  σ 
Dar proporţia de produse defecte este:
T μ T μ
p  1  F  max  , aşa că max  Up .
 σ  σ
Xμ
Aşadar lotul se acceptă dacă: n   Up  c  n .
σ
Pentru p  p0 obţinem:
X  μ 
P 
n  U p0  c  n   1 α ,
 σ 
iar pentru p  p1 obţinem:
127
X  μ 
P  
n  U p1  c n   β .
 σ 
Xμ
σ
n este variabilă N(0,1), deci avem: Uα  Up0  c   
n; U1β  U p1  c  n
Ţinând cont că: U1β  Uβ , am demonstrat:
Teorema 8.1
În cazul testului simplu al controlului calităţii avem:

2
 U α  Uβ  U α  U p1  Uβ  U p0
n  ;c  (1)
 Up  Up  U α  Uβ
 0 1 
 c2 
Dacă  = necunoscută, luăm   S, deci c rămâne neschimbat, iar n creşte de 1   ori.
 2
Dacă Tmin este limita inferioară admisă pentru valorile lui X, lotul este acceptat dacă la
sondajul efectuat găsim media:
X  Tmin  c  σ , ceea ce duce la aceleaşi valori ca mai sus pentru n şi c.
Fie T limita (superioară sau inferioară) pentru valorile lui X.
 T  μ0   T  μ1 
Fie 1  F    p0 ; F    p1 , aşa că:
 σ   σ 
μ 0  T  Up0  σ; μ1  T  Up1  σ
T  μ0 μ T
deoarece U p0  ; U p1  1
σ σ
Verificarea ipotezei H : p  p0 faţă de alternativa H : p  p1 devine: H : μ  μ 0 faţă de
alternativa H : μ  μ1 iar valorile din teorema 8.1 devin:
  U α  Uβ  σ   Uα  μ1  Uβ  μ 0    Uα  Uβ  T
n ; c  (2)
 2T   σ0  σ1   σ   U α  Uβ 
Exemple:
1) Se controlează X = greutatea unui lot de pui livraţi (kg) pentru care limita inferioară de
calitate este Tmin = 1 kg. Dacă se ştie că  = 0,1 kg şi se dau  = 3%;  = 7%; p0  1%; p1  4% , să
se determine volumul n al sondajului şi limita de acceptare Tmin  c  σ pentru media de sondaj X .
Soluție:
Din tabelul 1 din Anexa 1 obţinem F  U3%   97%  0.9700 deci
U3%  1.88;F  U7%   93%  0.9300 , deci U7%  1.48;F  U1%   99%  0.9900 , deci
U1%  2.33;F  U4%   96%  0.9600 deci U4%  1.75.
Din relaţiile de mai sus obţinem: μ0 = 0.767 kg; μ1=1.175 kg.
Înlocuind aceste valori în relaţia (1) găsim:
n = 34; c = 2 deci Tmin  cσ  1.2kg .
128
Lotul se acceptă dacă dintr-un sondaj de n = 34 de pui livraţi, greutatea medie al acestora
este de cel puţin 1,2 kg.
2) Se controlează X = grosimea stratului de grăsime la greabăn al porcilor livraţi (cm) pentru

care limita superioară de calitate este Tmax  4cm .
Dacă se ştie că  = 0,1 cm şi se dau  = 5%;  = 10%; p0  2%; p1  7% , să se determine
volumul sondajului n şi limita de acceptare Tmax  c  σ pentru media de sondaj X .
Soluție:
Din tabelul 1 din Anexa 1 obţinem ca în exemplul anterior:
U5%  1.65; U10%  1.28; U2%  2.06; U7%  1.48 ;
Din formulele precedente obţinem: μ0 = 3.794 cm; μ1 = 4.148 cm.
Din formula (1) rezultă: n = 12; c = 1.7; Tmax  cσ  3.83 cm.
Lotul se acceptă dacă într-un sondaj de n = 12 porci, grosimea medie a stratului de grăsime
la greabăn nu depăşeste 3.83 cm.
B. Controlul secvenţial al unei însuşiri cantitative
În acest caz volumul n al sondajului nu se mai determină în prealabil, ci se face controlul în

lot, produs cu produs, până la acceptarea sau respingerea lotului la controlul de calitate.
În acest fel,dacă p este mult mai mic ca p 0 (lot foarte bun) sau mult mai mare ca p1 (lot
foarte prost), volumul n de sondaj este mult mai mic ca în cazul sondajului simplu.
Fie Tmax limita superioară admisă pentru valorile însuşirii cantitative X şi fie μ 0 , μ1
 T  μ0   T  μ1 
definite de relaţiile: 1  F  max   p0 ; F  max   p1 ,
 σ   σ 
de unde rezultă: μ 0  Tmax  Up0  σ; μ1  Tmax  Up1  σ .
Controlul de calitate revine a la verifica ipoteza H : μ  μ 0 faţă de alternativa H : μ  μ1 .

Fie Pn 0 probabilitatea de a obţine valorile de sondaj x1 ,..., x n în cazul în care este
adevarată ipoteza H şi Pn1 probabilitatea de a obţine valorile x1 ,..., x n în cazul în care este
adevarată ipoteza alternativă H .
Avem cazurile:
β P 1 β
1)  n1  , în care caz se continuă măsurătorile;
1  α Pn 0 α
P β
2) n 1  , în care caz se ia decizia acceptării ipotezei H : μ  μ 0 ;
Pn 0 1  α
P 1 β
3) n 1  , în care caz se ia decizia acceptării ipotezei alternative H : μ  μ1 .
Pn 0 α
Populaţia fiind presupusă normală şi datele de sondaj independente, avem:
  x i μ 0    x i μ1 
2 2
1  1 
Pn 0  şi Pn 1 
2 2
e 2σ e 2σ ,
   
n n
2π  σ 2π  σ
de unde rezultă:
  x i μ 0     x i μ 1 
2 2
Pn 1
e
2
2σ
Pn 0
129
Pn 1 μ1  μ 0  n  μ 0  μ1  
aşa că avem: ln   x i  
Pn 0 σ 2
 2 
Cu notaţiile:
μ 0  μ1 σ2 β σ2 1- β
a ; b0  ln  0 ; b1  ln >0 (3)
2 μ1  μ 0 1  α μ1  μ 0 α
cazurile 1)-3) de mai sus, prin logaritmare în baza e, duc la:
Teorema 8.2
Avem cazurile:
1) a.n  b0   x i  a.n  b1 , în care caz se continuă măsuratorile;
2)  x i  a.n  b0 , în care caz se acceptă ipoteza H : μ  μ 0 ;
3)  x i  a.n  b1 , în care caz se acceptă ipoteza alternativa H : μ  μ1 .
Practic, se reprezintă grafic dreptele x  a.n  b0 şi x  a.n  b1 , în sistemul de axe cu
abscisa n şi ordonata x i şi se continuă măsuratorile până când punctul de coordonate  n ;  x i 
trece prin una din zonele 2 sau 3:
Tmax fiind limită superioară pentru X, acceptarea ipotezei H duce la acceptarea lotului la
controlul calităţii, deci zona 2 este zona de acceptare a lotului, în timp ce acceptarea ipotezei
alternative duce la respingerea lotului la controlul calităţii, deci zona 3 este zona de respingere a
lotului. Dacă Tmin este limită inferioară pentru X, situaţia este inversă.
Exemple:
1) X=greutatea porcilor la livrare(kg) limitată inferior. Dacă se dau  = 5%; = 2% şi se ştie
că  = 5 kg, să se verifice ipoteza H : μ  100kg faţă de H : μ  110kg prin control secvenţial.
Soluție:
Avem μ 0  100kg; μ1  110kg; σ  5kg; α  5%; β  2% ,deci conform formulelor (3)
obţinem: a  105kg; b 0  9.65; b1  7.44 .
Tabelul de calcul cu datele de sondaj x i şi sumele x i este:
n xi 105n-9.65 x1    x n 105n+7.44
1 107 95.35 107 112.44
2 103 200.35 210 217.44
3 109 305.35 319 322.44
4 96 410.35 415 427.44
5 103 515.35 518 532.44
6 105 620.35 623 637.44
7 100 725.35 723 742.44
130
După n = 7 măsuratori, avem x
 a.n  b0 , deci se acceptă H, aşa că lotul se respinge la
i
controlul calităţii deoarece X este limitată inferior.
2) X = grosimea stratului de grăsime la greabăn pentru porci (cm) limitată superior.

Dacă se dau  = 6%;  = 9% şi se ştie că  = 1 cm, să se verifice ipoteza H : μ  3cm faţă
de alternativa H : μ  4cm , prin control secvenţial.
Soluție:
Avem μ 0  3cm; μ1  4cm; σ  1cm; α  6%; β  9% , deci conform formulelor (3) obţinem:
a  3.5cm; b 0  2.35; b1  2.72
Tabelul de calcul cu datele de sondaj x i şi sumelor x i , este:
x1    x n
n xi 3.5n-2.35 3.5n+2.72
1 3.6 1.15 3.6 6.22

2 4.1 4.65 7.7 9.72
3 3.1 8.15 10.8 13.22
4 3.0 11.65 13.8 16.72
5 3.8 15.15 17.6 20.22
6 2.9 18.65 20.5 23.72
7 2.6 22.15 23.1 27.22
8 3.0 25.65 26.1 30.72
9 2.7 29.15 28.8 34.22
Dacă n = 9 măsurători, avem x i  a.n  b0 , deci se acceptă H, aşa că lotul se acceptă la

controlul calităţii deoarece X este limitată superior.
8.2.2. Controlul unei însuşiri calitative
C. Controlul simplu al unei însuşiri calitative
Pentru α, β, p 0 , p1 daţi,trebuie să găsim volumul n al sondajului şi pragul de acceptare c al

lotului la controlul de calitate.
Lotul este acceptat dacă la sondajul efectuat găsim numărul de rebuturi δ  c .
1 2
Se poate arăta că p   p cu 2(c+1) grade de libertate.
2n
1 2 1 2
Pentru p  p 0 avem 1α  p0 , iar pentru p  p1 avem β  p1 , de unde rezultă:
2n 2n
Teorema 8.3
12α β2
Avem n   cu 2(c+1) grade de libertate.
2p0 2p1
12α β2
În concluzie vom căuta pentru câte grade de libertate (egale cu 2(c+1)) avem:  ,
p0 p1
deci găsim pe c, apoi din teorema 8.3 găsim pe n.
131
Exemplu:
X = ecloziunea unui lot de ouă de găină în a 18-a zi de incubaţie.
Dacă se dau α  5%; β  5%; p 0  3%; p1  6% , se cere volumul sondajului n şi pragul de
acceptare c al lotului la controlul calităţii.
Soluție:
 0.95
2
 0.05
2
Trebuie să avem:  sau 3 0.95
2
  0.05
2
, egalitate care se realizează în tabelul 3 din
0.03 0.06
Anexa 1 pentru 2(c+1)=19 GL, pentru că în acest caz avem  0.95
2
 10.12; 0.05
2
 30.14 .
10.12
Rezultă că c = 9 şi n   167 .
2  0.03
Lotul se acceptă dacă dintr-un sondaj de n = 167 de ouă, cel mult c = 9 ouă sunt
neeclozionate.
D. Controlul secvenţial al unei însuşiri calitative
1, dacă al i-lea produs din sondaj este defect faţă de însuşirea X

Fie: x i  
0, în caz contrar

deci dacă x i sunt independente, x i este variabilă binominală de parametri p  Px i   1 şi n.
Controlul de calitate revine la verificarea ipotezei H : p  p 0 faţă de alternativa H : p  p1 .
În cazul nostru avem:
Pn 0  Cnk p0k 1  p0  ; Pn 1  Cnk p1k 1  p1  ,
n k n k
unde k   x i este numărul produselor din sondaj care sunt rebuturi faţă de însuşirea calitativă X.
k n k
P  p   1  p1  Pn 1 p   1  p1 
Avem n 1   1     , deci: ln  k.ln  1    n  k  .ln  .
Pn 0  p0   1  p0  Pn 0  p0   1  p0 
Dându-se  şi , respectiv p 0 , p1 avem cazurile:
β P 1 β
1)  n1  , în care caz se continuă măsurătorile;
1  α Pn 0 α
P β
2) n 1  , în care caz se decide că H : p  p 0 este adevărată;
Pn 0 1  α
P 1 β
3) n 1  , în care caz se decide că alternativa H : p  p1 este adevărată.
Pn 0 α
Cu notațiile:
1  p0 β 1 β
ln ln ln
1  p1 1 α ;b  α
a ;b  (4)
p1 1  p0  0 p1 1  p0  1 p1 1  p0 
ln ln ln
p0 1  p1  p0 1  p1  p0 1  p1 
cazurile 1)-3) de mai sus prin logaritmare în baza e, conduc la:
132
Teorema 8.4
Avem cazurile:
1) a.n  b0  k  a.n  b1 , în care caz se continuă măsurătorile;
2) k  a.n  b0 , în care caz se acceptă ipoteza H;
3) k  a.n  b1 , în care caz se acceptă alternativa H .
Practic, se reprezintă grafic dreptele x  a.n  b0 şi x  a.n  b1 în sistemul de axe cu
abscisa n şi ordonata k   x i şi se continuă măsurătorile până când punctul de coordonate (n,k)
trece în una din zonele 2 sau 3.
Acceptarea ipotezei H duce la acceptarea lotului la controlul calităţii, deci zona 2 este zona
de acceptare a lotului în timp ce acceptarea alternativei H duce la respingerea lotului la controlul de
calitate, deci zona 3 este zona de respingere a lotului.
Exemplu:
X = viabilitatea puilor de găină în vârstă de o zi.
Se dau  = 4%;  = 6%.
Să se verifice ipoteza H:p<10% faţă de alternativa H : p  90% prin controlul secvenţial.
Soluție:
Avem α  0.04; β  0.06; p 0  0.1; p1  0.9 , deci conform formulelor (4) obţinem:
a  0.5; b 0  0.63; b1  0.72 .
Tabelul de calcul cu datele de sondaj x i şi sumele k   x i , este:
n xi 0.5n-0.63 k  x1   xn 0.5n+0.72
1 0 -0.13 0 1.22
2 1 0.37 1 1.72
3 1 0.87 2 2.22
4 0 1.37 2 2.72
5 0 1.87 2 3.22
6 1 2.37 3 3.72
7 0 2.87 3 4.22
8 0 3.37 3 4.72
După n = 8 pui controlaţi se acceptă ipoteza H, deci lotul se acceptă la controlul calităţii.
8.3. Controlul fiabilităţii maşinilor agricole la recepţie
E. Controlul simplu al fiabilităţii maşinilor agricole
Dacă pentru produsele agricole destinate consumului este important controlul statistic al
calităţii lor in raport cu diferite însuşiri X, măsurabile sau atributive, pentru maşinile agricole este
important controlul statistic al siguranţei în functionare sau al fiabilitatii lor.
Definiţia fiabilităţii a fost dată în secţiunea 4.3
Fiabilitatea este o însuşire calitativă(atributivă) pentru care p 0 şi p1 sunt înlocuiţi cu T0
(timpul mediu de funcţionare fără defecţiuni acceptat), respectiv T1 (timpul mediu de funcţionare
fără defecţiuni limită admis),deci trebuie verificată ipoteza H : t  T0 faţă de alternativa H : t  T1 ,
unde avem T0 >T1 spre deosebire de p 0  p1 la însuşirile X atributive.
133
În cadrul testului simplu al controlului fiabilităţii, pentru α;β;T0 ;T1 daţi, trebuie găsite
numărul de defecţiuni acceptate c şi timpul de acceptare t c al lotului la controlul fiabilităţii.
Lotul este acceptat dacă:
a) timpul de funcţionare până la apariţia a c defecţiuni este t  t c sau
b) numărul de defecţiuni apărute în timpul de funcţionare t c este k  c.
În caz contrar lotul se respinge la controlul fiabilităţii.
2t
Se poate arăta că t  2c cu 2(c+1) grade de libertate.
p
2t c 2t c
Pentru t  T0 avem: T0  , iar pentru t  T1 avem: T1  , de unde rezultă:
2
1 α  β2
Teorema 8.5
T0 2 T
Avem t c  1α  1 β2 cu 2(c+1) grade de libertate.
2 2
Vom căuta în tabela 3 din Anexă, pentru câte grade de libertate, adică 2(c+1), avem
T0 12α  T1 β2 , deci obţinem pe c, apoi din teorema 8.5 obţinem pe t c .
Exemplu:
Pentru controlul fiabilităţii unor maşini agricole de împrăştiat îngrăşăminte chimice, se dau
α  5%;β  5%;T0  160 ore; T1  80 ore.
Să se determine numărul c de maşini defecte acceptat şi timpul de acceptare t c la controlul
fiabilităţii.
Soluție:
Trebuie să avem T0 12α  T1 β2 , adică 160 0.95
2
 80 0.05
2
sau 2 0.95
2
  0.05
2
ceea ce se
întâmplă în tabelul 3 din Anexa 1 pentru 2(c+1)=40 GL.
În acest caz  0.95
2
 26.51; 0.05
2
 55.76 .
160
De aici rezultă că c=19; t c  26.51  2120 ore.
2
În concluzie, lotul se acceptă dacă timpul de funcţionare până la defectarea a 19 maşini este
de cel puţin 2120 ore sau dacă numărul de maşini care s-au defectat după 2120 ore de funcţionare
este de cel putin 19 maşini.
În caz contrar, lotul se respinge la controlul fiabilităţii.
F. Controlul secvenţial al fiabilităţii maşinilor agricole
Dorim să verificăm ipoteza H : t  T0 faţă de alternativa H : t  T1 , unde T0>T1.

t este timpul de funcţionare fără defecţiuni al unei maşini,iar datele de sondaj privind
funţionarea sa fără defecţiuni sunt: t 1 ,, t n .
Conform teoremei 6.1, probabilitatea de a avea k defecţiuni într-un interval de timp de
 λ  t   λt
k
lungime t, este: P  k   e .
k!
k
t
  t

Cu λ  avem: P  k     e  .
1
 k!
 este timpul mediu între apariţia a două defecţiuni consecutive.
134
Fie Pn 0 probabilitatea de a obţine datele de sondaj t 1 ,, t n în cazul că ipoteza H este
adevarată şi Pn 1 probabilitatea de a obţine datele de sondaj t 1 ,, t n în cazul că alternativa H
este adevarată. Avem:
k k
 t   t 
  t   t
Pn 0   o  e T0 ; Pn 1 
T  T1  e T1 , deci:
k! k!
k 1 1
Pn 1  T0   t  T1  T0 
  e ,
Pn 0  T1 
P T 1 1
de unde: ln n 1  k.ln o  t    .
Pn 0 T1  T1 T0 
Avem cazurile:
β P 1 β
1)  n1  , în care caz se continuă măsurătorile;
1  α Pn 0 α
P β
2) n 1  , în care caz se acceptă ipoteza H;
Pn 0 1  α
P 1 β
3) n 1  , în care caz se acceptă ipoteza alternativa H .
Pn 0 α
1 1
 β 1 β
ln ln
; b 0  1  α ; b1 
T1 T0 α
Cu notațiile: a  (5)
T T T
ln 0 ln 0 ln 0
T1 T1 T1
prin logaritmare în baza e, cazurile 1)-3) de mai sus conduc la:
Teorema 8.6
Avem cazurile:
1) a.t  b0  k  a.t  b1 , în care caz se continuă măsurătorile;
2) k  a.t  b0 , în care caz se acceptă ipoteza H;
3) k  a.t  b1 , în care caz se acceptă ipoteza alternativă H .
Practic, se reprezintă grafic dreptele x  a.t  b0 şi x  a.t  b1 , în sistemul de axe cu

abscisa t şi ordonata k   t i şi se continuă măsurătorile până când punctul de coordonate (t,k)
trece prin una din zonele 2 sau 3.
Zona 2 este zona de acceptare al lotului la controlul fiabilităţii,iar zona 3 este zona de
respingere al lotului la controlul fiabilităţii.
Exemplu:
Pentru controlul fiabilităţii unor staţii pentru epurarea dejecţiilor la porci, avem  = 5%;
 = 10%.
Să se verifice ipoteza H: t > 4 luni faţă de alternativa H : t  1 lună prin control secvenţial.
Soluţie:
Avem α  5%;β  10%;T0  4;T1  1 , deci conform formulelor (5) găsim:
a  0.54; b 0  1.62; b1  2.08 .
135
Tabelul de calcul cu datele de sondaj t i şi sumele k   ti , este:
t ti 0.54t-1.62 k  t1   tn 0.54t+2.08
1 0 -1.08 0 2.62
2 1 -0.54 1 3.16
3 0 0 1 3.70
4 0 0.54 1 4.24
5 1 1.08 2 4.78
6 0 1.62 2 5.32
7 0 2.16 2 5.86
Se acceptă ipoteza H: t > 4 luni după t = 7 luni de funcţionare deci lotul de staţii de
epurare se acceptă la controlul calităţii.
8.4. Rezumat
În acest capitol se prezintă controlul statistic al calităţii în cursul procesului de producţie

prin fişe de control al unei însuşiri cantitative respectiv calitative.
Se prezintă controlul simplu şi secvenţial al controlului statistic de recepţie pentru însuşiri
cantitative, caliative şi fiabilitate.
8.5. Întrebări
1. Ce fişe de control se folosesc pentru controlul calităţii în cursul procesului de fabricaţie?

2. În ce constă controlul simplu al calităţii la recepţie?
3. În ce constă controlul secvenţial al calităţii la recepţie?
4. În ce caz controlul secvenţial este preferat controlului simplu?
8.6. Bibliografie
2. M. Iosifescu şi colab. „Mică enciclopedie de statistică”, Ed. Ştiinţifică şi Enciclopedică, 1985
3. Anuarul statistic al României, 1990 - 2003
136
BIBLIOGRAFIE
1. Ackoff R.L., Sasieni M.V. “Bazele cercetării operaţionale”, Ed. Tehnică, 1975
2. Andreica M., Stoica M., Luban F. “Metode cantitative în management”, Ed. Economică, 1998
3. Aurian J., Boldur Gh., Lazăr S. “Cercetarea operaţională în construcţii”, Ed. Ştiinţifică, 1967
4. Barbu Gh. “Metode de simulare cu aplicaţii în fiabilitate”, Ed. Tehnică, 1992
5. Beju V. “Preţuri”, Ed. Economică, 2000
6. Bellman R.E., Dreyfus S.E. “Programare dinamică aplicată”, Ed. Tehnică, 1967
7. Berge C. ”Teoria grafurilor şi aplicaţiile ei”, Ed. Tehnică, 1969
8. Bârsan O., Atanasiu D., Georgescu I. “Conducerea ştiinţifică şi cercetarea operaţională în
construcţii” Ed. Tehnică, 1968
9. Boldur-Lăţescu Gh., Săcuiu I., Ţigănescu E.”Cercetare operaţională cu aplicaţii în economie”,
Ed. Didactică şi pedagogică, 1979
10. Butescu V. “Statistica”, Ed. Sylvi, 2005
11. Ciucu I., Craiu V., Ştefănescu A. “Statistică matematică şi cercetări operaţionale”, Ed. Didactică
şi Pedagogică, 1978
12. Cocan M., Vasilescu A. “Programarea matematică folosind MS Excel SOLVER, Management
Scientist, MATHLAB“, Ed. Albastră, 1999
13. Cormen T.H., Lieserson C.E., Rivest R.R. ”Introducere în algoritmi”, Ed. Computer Libris
Agora, 2000
14. Craiu I., Mihoc Gh., Craiu V. ”Matematici pentru economişti”, Vol. III, Ed. Tehnică, 1971
15. Ene D. “Teoria sistemelor agricole”, Departamentul pentru învăţământ la distanţă al USAMV,
2004
16. Ene D., S. Gogonea “Metode numerice”, Ed. Cartea Universitară, 2005
17. Ene D. “Matematică aplicată în agricultură”, Ed. Ceres, 2006
18. Ene D., Drăghici M., Alecu I. ”Statistică aplicată în agricultură”, Ed. Ceres, 2003
19. Ermakov S.M. ”Metoda Monte-Carlo şi probleme înrudite”, Ed. Tehnică, 1976
20. Ghiţă M. ”Sistemul costurilor”, Ed. Economică, 2000
21. Gogonea S., Ene D. “Analiză numerică”, Ed. Cartea Universitară, 2005
22. Hlaciuc E. “Metode moderne de calculaţie a costurilor”, Ed. Polirom, 1999
23. Ionescu H., Dinescu C., Burlacu V. ”Teoria grafelor cu unele aplicaţii în economie”, Ed. Ştiinţifică,
1969
24. Ionescu-Bujor Cl., Alexe Gh., Găzdaru A., Jijie Gh. ”Optimizări în lucrările de îmbunătăţiri
funciare”
25. Ioniţescu E., Angelescu C. ”Model arhitectural privind accesul transparent al exploataţiilor
agricole la bazele de date naţionale şi transnaţionale”, Ed. Ceres, 2005
26. Kaufmann A. “Metode şi modele ale cercetărilor operaţionale”, Vol. I, II, Ed. Ştiinţifică, 1967
27. Kaufmann A., Desbazeille A. “Metoda drumului critic”, Ed. Tehnică, 1971
28. Maliţa M., Zidăroiu C. ”Matematica organizării”, Ed. Tehnică, 1971
29. Mihoc Gh., Ciucu Gh. “Introducere în teoria aşteptării”, Ed. Tehnică, 1967
30. Mihoc Gh., Ciucu Gh., Muja A.“Modele matematice ale aşteptării”, Ed. Academiei RSR, 1973
31. Nădejde I.şi col. ”Probleme de cercetare operaţională-programare matematică”, Ed. Academiei
RSR, 1971
32. Negură I., Dimulescu S., Găburici A. ”Cercetare operaţională în agricultură”, Ed. Ceres, 1975
33. Olaru M. şi colab. “Tehnici şi instrumente utilizate în managementul calităţii”, Ed. Economică,
2000
34. Owen G. ”Teoria jocurilor”, Ed. Militară, 1967
35. Popescu O. şi colab. ”Matematici aplicate în economie”, Vol. I, II, Ed. Didactică şi Pedagogică,
1993
36. Rafiroiu M. ”Metode ale cercetării operaţionale aplicate în construcţii”, Ed. Tehnică, 1980
137
37. Raţiu-Suciu C. ”Modelarea şi simularea proceselor economice”, Ediţia a III-a, Ed. Economică,
2003
38. Rădescu N., Rădescu E. “Probleme de teoria grafurilor”, Ed. Scrisul românesc, 1982
39. Roşu Al. ”Teoria jocurilor strategice”, Ed. Militară, 1967
40. Rusu E. ”Decizii optime în management, prin metode ale cercetării operaţionale”, Ed. Economică,
2001
41. Stăncioiu I. ”Cercetări operaţionale pentru optimizarea deciziilor economice”, Ed. Economică,
2004
42. Ştefănescu A., Zidăroiu C. “Cercetări operaţionale”, Ed. Didactică şi Pedagogică, 1981
43. Teodorescu N. şi colab. ”Metode ale cercetării operaţionale în gestiunea treprinderilor”,
Ed. Tehnică, 1972
44. Tomescu I. ”Grafuri şi programare liniară”, Ed. Didactică şi Pedagogică, 1975
45. Vasilescu V. ”Optimizarea transporturilor în unităţile agricole”, Ed. Ceres, 1978
46. Văduva I., Stoica M, Odăgescu E. ”Simularea proceselor economice”, Ed. Tehnică, 1983
47. Vrănceanu Gh., Mititelu Şt. “Probleme de cercetare operaţională”, Ed. Tehnică, 1978
48. Zaharia L. “Management agricol”, Ed. Economică, 1999
49. Zidăroiu C. ” Programare dinamică discretă”, Ed. Tehnică, 1975
138
ANEXA 1
TABELE STATISTICE
Tabelul 1
Funcția de repartiție N(0;1): F( U/2 ) = 1 - /2
U 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.500 0.503 0.507 0.511 0.515 0.519 0.523 0.527 0.531 0.535
0.1 00
0.539 99
0.543 98
0.547 97
0.551 95
0.555 94
0.559 92
0.563 90
0.567 88
0.571 86
0.575
0.2 83
0.579 79
0.583 76
0.587 72
0.590 67
0.594 62
0.598 56
O.602 49
0.606 42
0.610 34
0.614
0.3 26
0.617 17
0.621 06
0.625 95
0.629 83
0.633 71
0.636 57
0.640 42
0.644 26
0.648 09
0.651
0.4 91
0.655 72
0.659 51
0.662 30
0.666 07
0.670 83
0.673 58
0.677 31
0.680 03
0.648 73
0.687
0.5 42
0.691 10
0.694 76
0.698 40
0.701 03
0.705 64
0.708 24
0.712 82
0.715 38
0.719 93
0.722
0.6 46
0.725 97
0.729 47
0.732 94
0.735 40
0.738 84
0.742 26
0.745 66
0.748 04
0.751 40
0.754
0.7 75
0.758 07
0.761 37
0.764 65
0.767 91
0.770 15
0.773 37
0.776 57
0.779 75
0.782 90
0.785
0.8 03
0.788 15
0.791 24
0.793 30
0.796 35
0.799 37
0.802 37
0.805 35
0.807 30
0.810 23
0.813
0.9 14
0.815 03
0.818 89
0.821 73
0.823 54
0.826 34
0.828 10
0.831 85
0.833 57
0.836 27
0.838
1.0 94
0.841 59
0.843 21
0.846 81
0.848 39
0.850 94
0.853 47
0.855 97
0.857 46
0.859 91
0.862
1.1 34
0.864 75
0.866 13
0.868 49
0.870 83
0.872 14
0.874 43
0.876 69
0.879 93
0.881 14
0.882
1.2 33
0.884 50
0.886 64
0.888 76
0.890 85
0.892 93
0.894 97
0.896 00
0.897 00
0.899 97
0.901
1.3 93
0.903 86
0.904 77
0.906 65
0.908 51
0.909 35
0.911 16
0.913 96
0.914 73
0.916 47
0.917
1.4 20
0.919 90
0.920 58
0.922 24
0.923 88
0.925 49
0.926 08
0.927 65
0.929 21
0.930 73
0.931
1.5 24
0.933 73
0.934 19
0.935 64
0.936 06
0.938 47
0.939 85
0.940 22
0.941 56
0.942 89
0.944
1.6 19
0.945 48
0.946 74
0.947 99
0.948 22
0.949 43
0.950 62
0.951 79
0.952 95
0.953 08
0.954
1.7 20
0.955 30
0.956 38
0.957 45
0.958 50
0.959 53
0.959 54
0.960 54
0.961 52
0.962 48
0.963
1.8 43
0.964 37
0.964 28
0.965 18
0.966 07
0.967 94
0.967 80
0.968 64
0.969 46
0.969 27
0.970
1.9 07
0.971 85
0.971 62
0.972 37
0.973 11
0.973 84
0.974 56
0.975 26
0.975 95
0.976 62
0.976
2.0 28
0.977 93
0.977 57
0.978 20
0.978 81
0.979 41
0.979 00
0.980 58
0.980 15
0.981 70
0.981
2.1 25
0.982 78
0.982 31
0.983 82
0.983 32
0.983 82
0.984 30
0.984 77
0.985 24
0.985 69
0.985
2.2 14
0.986 57
0.986 00
0.986 41
0.987 82
0.987 22
0.987 61
0.988 00
0.988 37
0.988 74
0.988
2.3 10
0.989 45
0.989 79
0.989 13
0.990 45
0.990 78
0.990 09
0.990 40
0.991 70
0.991 99
0.991
2.4 28
0.991 56
0.992 83
0.992 10
0.992 36
0.992 61
0.992 86
0.993 11
0.993 34
0.993 58
0.993
2.5 80
0.993 02
0.993 24
0.994 45
0.994 66
0.994 86
0.994 05
0.994 24
0.994 43
0.995 61
0.995
2.6 79
0.995 96
0.995 13
0.995 30
0.995 46
0.995 61
0.995 77
0.996 92
0.996 06
0.996 20
0.996
2.7 34
0.996 47
0.996 60
0.996 73
0.996 85
0.996 98
0.997 09
0.997 21
0.997 32
0.997 43
0.997
2.9 53
0.997 64
0.997 74
0.997 83
0.997 93
0.997 02
0.997 11
0.997 20
0.997 28
0.998 36
0.998
2.9 44
0.998 52
0.998 60
0.998 67
0.998 74
0.998 81
0.998 88
0.998 95
0.998 01
0.998 07
0.998
3.0 13
0.998 19
0.998 25
0.998 31
0.998 36
0.998 41
0.998 46
0.998 51
0.998 56
0.998 61
0.999
3.1 65
0.999 69
0.999 74
0.999 78
0.999 82
0.999 86
0.999 89
0.999 93
0.999 97
0.999 00
0.999
3.2 03
0.999 06
0.999 10
0.999 13
0.999 16
0.999 18
0.999 21
0.999 24
0.999 26
0.999 29
0.999
3.3 31
0.999 34
0.999 36
0.999 38
0.999 40
0.999 42
0.999 44
0.999 46
0.999 48
0.999 50
0.999
3.4 52
0.999 53
0.999 55
0.999 57
0.999 58
0.999 60
0.999 61
0.999 62
0.999 64
0.999 65
0.999
3.5 66
0.999 68
0.999 69
0.999 70
0.999 71
0.999 72
0.999 73
0.999 74
0.999 75
0.999 76
0.999
3.6 77
0.999 78
0.999 78
0.999 79
0.999 80
0.999 81
0.999 81
0.999 82
0.999 83
0.999 83
0.999
3.7 84
0.999 85
0.999 85
0.999 86
0.999 86
0.999 87
0.999 87
0.999 88
0.999 88
0.999 89
0.999
3.8 89
0.999 90
0.999 90
0.999 90
0.999 91
0.999 91
0.999 92
0.999 92
0.999 92
0.999 92
0.999
3.9 93
0.999 93
0.999 93
0.999 94
0.999 94
0.999 94
0.999 94
0.999 95
0.999 95
0.999 95
0.999
95 95 96 96 96 96 96 96 97 97
139
Tabelul 2
Valorile Student t/2 si t: P(| t | > t/2 ) = P(t > t) = 
→ 0.40 0.25 0.10 0.05 0.025 0.01 0.005 0.0025 0.001 0.0005
GL↓
1 0.325 1.000 3.078 6.314 12.706 31.821 63.657 127.32 318.31 636.62
2 0.289 0.816 1.886 2.920 4.303 6.965 9.925 14.089 23.326 31.598
3 0.277 0.765 1.638 2.353 3.182 4.541 5.841 7.453 10.213 12.924
4 0.271 0.741 1.533 2.132 2.776 3.747 4.604 5.598 7.173 8.610
5 0.267 0.727 1.476 2.015 2.571 3.365 4.032 4.773 5.893 6.869
6 0.265 0.718 1.440 1.943 2.447 3.143 3.707 4.317 5.208 5.959
7 0.263 0.711 1.415 1.895 2.365 2.998 3.499 4.029 4.785 5.408
8 0.262 0.706 1.397 1.860 2.306 2.896 3.355 3.833 4.501 5.041
9 0.261 0.703 1.383 1.833 2.262 2.821 3.250 3.690 4.297 4.781
10 0.260 0.700 1.372 1.812 2.228 2.764 3.169 3.581 4.144 4.587
11 0.260 0.697 1.363 1.796 2.201 2.718 3.106 3.497 4.025 4.437
12 0.259 0.695 1.356 1.782 2.179 2.681 3.055 3.428 3.930 4.318
13 0.259 0.694 1.350 1.771 2.160 2.650 3.012 3.372 3.852 4.221
14 0.258 0.692 1.345 1.761 2.145 2.624 2.977 3.326 3.787 4.140
15 0.258 0.691 1.341 1.753 2.131 2.602 2.947 3.286 3.733 4.073
16 0.258 0.690 1.337 1.746 2.120 2.583 2.921 3.252 3.686 4.015
17 0.257 0.689 1.333 1.740 2.110 2.567 2.898 3.222 3.646 3.965
18 0.257 0.688 1.330 1.734 2.101 2.552 2.878 3.197 3.610 3.922
19 0.257 0.688 1.328 1.729 2.093 2.539 2.861 3.174 3.579 3.883
20 0.257 0.687 1.325 1.725 2.086 2.528 2.845 3.153 3.552 3.850
21 0.257 0.686 1.323 1.721 2.080 2.518 2.831 3.135 3.527 3.819
22 0.256 0.686 1.321 1.717 2.074 2.508 2.819 3.119 3.505 3.792
23 0.256 0.685 1.319 1.714 2.069 2.500 2.807 3.104 3.485 3.767
24 0.256 0.685 1.318 1.711 2.064 2.492 2.797 3.091 3.467 3.745
25 0.256 0.684 1.316 1.708 2.060 2.485 2.787 3.078 3.450 3.725
26 0.256 0.684 1.315 1.706 2.056 2.479 2.779 3.067 3.435 3.707
27 0.256 0.684 1.314 1.703 2.052 2.473 2.771 3.057 3.421 3.690
28 0.256 0.683 1.313 1.701 2.048 2.467 2.763 3.047 3.408 3.674
29 0.256 0.683 1.311 1.699 2.045 2.462 2.756 3.038 3.396 3.659
30 0.256 0.683 1.310 1.697 2.042 2.457 2.750 3.030 3.385 3.646
40 0.255 0.681 1.303 1.684 2.021 2.423 2.704 2.971 3.307 3.551
50 0.255 0.679 1.299 1.676 2.009 2.403 2.678 2.937 3.261 3.496
60 0.254 0.679 1.296 1.671 2.000 2.390 2.660 2.915 3.232 3.460
70 0.254 0.678 1.294 1.667 1.994 2.381 2.648 2.899 3.211 3.435
80 0.254 0.678 1.292 1.664 1.990 2.374 2.639 2.887 3.195 3.416
90 0.254 0.677 1.291 1.662 1.987 2.368 2.632 2.878 3.183 3.402
100 0.254 0.677 1.290 1.660 1.984 2.364 2.626 2.871 3.174 3.390
 0.253 0.674 1.282 1.645 1.960 2.326 2.576 2.807 3.090 3.291
140
Tabelul 3
2
Valorile hi pătrat ( ): P ( > 2
2) =
→ 0.9995 0.995 0.975 0.05 0.025 0.01 0.005 0.001 0.0005

GL↓
1 0.0639 0.0439 0.0398 3.84 5.02 6.63 7.88 10.83 12.12
2 0.001 0.01 0.05 5.99 7.38 9.21 10.60 13.82 15.20
3 0.02 0.07 0.22 7.81 9.35 11.34 12.84 16.27 17.73
4 0.06 0.21 0.48 9.49 11.14 13.28 14.86 18.47 20.00
5 0.16 0.41 0.83 11.07 12.83 15.09 16.75 20.51 22.10
6 0.30 0.68 1.24 12.59 14.45 16.81 18.55 22.46 24.10
7 0.48 0.99 1.69 14.07 16.01 16.48 20.28 24.32 26.12
8 0.71 1.34 2.18 15.51 17.53 20.09 21.96 26.12 27.87
9 0.97 1.73 2.70 16.92 19.02 21.67 23.59 27.88 29.67
10 1.26 2.16 3.25 18.31 20.48 23.21 25.19 29.59 31.42
11 1.50 2.60 3.92 19.68 21.92 24.72 26.76 31.26 33.14
12 1.93 3.07 4.40 21.03 23.34 26.22 28.30 32.91 34.82
13 2.30 3.57 5.01 22.36 24.74 27.69 29.82 34.53 36.48
14 2.70 4.07 5.63 23.68 26.12 29.14 31.32 36.12 38.11
15 3.11 4.60 6.87 25.00 27.49 30.58 32.80 37.70 39.72
16 3.54 5.14 6.91 26.20 28.85 32.00 34.27 39.25 41.31
17 3.98 5.70 7.56 27.59 30.19 33.41 35.72 40.79 42.88
18 4.44 6.26 8.23 28.87 31.53 34.81 37.16 42.31 44.43
19 4.91 6.84 8.91 30.14 32.85 36.19 38.58 43.82 45.97
20 5.40 7.43 9.59 31.41 34.17 37.57 40.00 45.31 47.50
21 5.90 8.03 10.28 32.67 35.48 38.93 41.40 46.80 49.01
22 6.40 8.64 10.98 33.92 36.78 40.29 42.80 48.27 50.51
23 6.92 9.26 11.69 35.17 38.08 41.64 44.18 49.73 52.00
24 7.45 9.89 12.40 36.42 39.36 42.98 45.56 51.18 53.48
25 8.00 10.52 13.12 37.65 40.65 44.31 46.93 52.62 54.95
26 8.54 11.16 13.84 38.89 41.92 45.64 48.29 54.05 56.41
27 9.09 11.81 14.57 40.11 43.19 46.96 49.64 55.48 57.86
28 9.66 12.46 15.31 41.34 44.46 48.28 50.99 56.89 59.30
29 10.23 13.12 16.05 42.56 45.72 49.59 52.34 58.30 60.73
30 10.80 13.79 16.79 43.77 46.98 50.89 53.67 59.70 62.16
40 16.91 20.71 24.43 55.76 59.34 63.69 66.77 73.40 76.09
50 23.46 27.99 32.36 67.50 71.42 76.15 79.49 86.66 89.56
60 30.34 35.53 40.48 79.08 83.30 88.38 91.95 99.61 102.69
70 37.47 43.27 48.76 90.53 95.02 100.42 104.21 112.32 115.58
80 44.79 51.17 57.15 101.88 106.63 112.33 116.32 124.84 128.26
90 52.28 59.20 65.65 113.14 118.14 124.16 128.30 137.21 140.78
100 59.90 67.33 74.22 124.34 129.56 135.81 140.17 149.45 153.17
141
Tabelul 4
Valorile Fisher (F0.05): P (F > F0.05) = 0.05
GL 1→ 1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120 
GL 2 ↓
1 161.4 199.5 215.7 224.6 230.2 234.0 236.8 238.9 240.5 241.9 243.9 245.9 248.0 249.1 250.1 251.1 252.2 253.3 254.3
2 18.51 19.00 19.16 19.25 19.30 19.33 19.35 19.37 19.38 19.40 19.41 19.43 19.45 19.45 19.46 19.47 19.48 19.49 19.50
3 10.13 9.55 9.28 9.12 9.01 8.94 8.89 8.85 8.81 8.79 8.74 8.70 8.66 8.64 8.62 8.59 8.57 8.55 8.53
4 7.71 6.94 6.59 6.39 6.26 6.16 6.09 6.04 6.00 5.96 5.91 5.86 5.80 5.77 5.75 5.72 5.69 5.66 5.63
5 6.61 5.79 5.41 5.19 5.05 4.95 4.88 4.82 4.77 4.74 4.68 4.62 4.56 4.53 4.50 4.46 4.43 4.40 4.36
6 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.10 4.06 4.00 3.94 3.87 3.84 3.81 3.77 3.74 3.70 3.67
7 5.59 4.74 4.35 4.12 3.97 3.87 3.79 3.73 3.68 3.64 3.57 3.51 3.44 3.41 3.38 3.34 3.30 3.27 3.23
8 5.32 4.46 4.07 3.84 3.69 3.58 3.50 3.44 3.39 3.35 3.28 3.22 3.15 3.12 3.08 3.04 3.01 2.97 2.93
9 5.12 4.26 3.86 3.63 3.48 3.37 3.29 3.23 3.18 3.14 3.07 3.01 2.94 2.90 2.86 2.83 2.79 2.75 2.71
10 4.96 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3.02 2.98 2.91 2.85 2.77 2.74 2.70 2.66 2.62 2.58 2.54
11 4.84 3.98 3.59 3.36 3.20 3.09 3.01 2.95 2.90 2.85 2.79 2.72 2.65 2.61 2.57 2.53 2.49 2.45 2.40
12 4.75 3.89 3.49 3.26 3.11 3.00 2.91 2.85 2.80 2.75 2.69 2.62 2.54 2.51 2.47 2.43 2.38 2.34 2.30
13 4.67 3.81 3.41 3.18 3.83 2.92 2.83 2.77 2.71 2.67 2.60 2.53 2.46 2.42 2.38 2.34 2.30 2.25 2.21
14 4.60 3.74 3.34 3.11 2.96 2.85 2.76 2.70 2.65 2.60 2.53 2.46 2.39 2.35 2.31 2.27 2.22 2.18 2.13
15 4.54 3.68 3.29 3.06 2.90 2.79 2.71 2.64 2.59 2.54 2.48 2.40 2.33 2.29 2.25 2.20 2.16 2.11 2.07
16 4.49 3.63 3.24 3.01 2.85 2.74 2.66 2.59 2.54 2.49 2.42 2.35 2.28 2.24 2.19 2.15 2.11 2.06 2.01
17 4.45 3.59 3.20 2.96 2.81 2.70 2.61 2.55 2.49 2.45 2.38 2.31 2.23 2.19 2.15 2.10 2.06 2.01 1.96
18 4.41 3.55 3.16 2.93 2.77 2.66 2.58 2.51 2.46 2.41 2.34 2.27 2.19 2.15 2.11 2.06 2.02 1.97 1.92
19 4.38 3.52 3.13 2.90 2.74 2.63 2.54 2.48 2.42 2.38 2.31 2.23 2.16 2.11 2.07 2.03 1.98 1.93 1.88
20 4.35 3.49 3.10 2.87 2.71 2.60 2.51 2.45 2.39 2.35 2.28 2.20 2.12 2.08 2.04 1.99 1.95 1.90 1.84
21 4.32 3.47 3.07 2.84 2.68 2.57 2.49 2.42 2.37 2.32 2.25 2.18 2.10 2.05 2.01 1.96 1.92 1.87 1.81
22 4.30 3.44 3.05 2.82 2.66 2.55 2.46 2.40 2.34 2.30 2.23 2.15 2.07 2.03 1.98 1.94 1.89 1.84 1.78
23 4.28 3.42 3.03 2.80 2.64 2.53 2.44 2.37 2.32 2.27 2.20 2.13 2.05 2.01 1.96 1.91 1.86 1.81 1.76
24 4.26 3.40 3.01 2.78 2.62 2.51 2.42 2.36 2.30 2.25 2.18 2.11 2.03 1.98 1.94 1.89 1.84 1.79 1.73
25 4.24 3.39 2.99 2.76 2.60 2.49 2.40 2.34 2.28 2.24 2.16 2.09 2.01 1.96 1.92 1.87 1.82 1.77 1.71
26 4.23 3.37 2.98 2.74 2.59 2.47 2.39 2.32 2.27 2.22 2.15 2.07 1.99 1.95 1.90 1.85 1.80 1.75 1.69
27 4.21 3.35 2.96 2.73 2.57 2.46 2.37 2.31 2.25 2.20 2.13 2.06 1.97 1.93 1.88 1.84 1.79 1.73 1.67
28 4.20 3.34 2.95 2.71 2.56 2.45 2.36 2.29 2.24 2.19 2.12 2.04 1.96 1.91 1.87 1.82 1.77 1.71 1.65
29 4.18 3.33 2.93 2.70 2.55 2.43 2.35 2.28 2.22 2.18 2.10 2.03 1.94 1.90 1.85 1.81 1.75 1.70 1.64
30 4.17 3.32 2.92 2.69 2.53 2.42 2.33 2.27 2.21 2.16 2.09 2.01 1.93 1.89 1.84 1.79 1.74 1.68 1.62
40 4.08 3.23 2.84 2.61 2.45 2.34 2.25 2.18 2.12 2.08 2.00 1.92 1.84 1.79 1.74 1.69 1.64 1.58 1.51
60 4.00 4.15 2.76 2.53 2.37 2.25 2.17 2.10 2.04 1.99 1.92 1.84 1.75 1.70 1.65 1.59 1.53 1.47 1.39
120 3.93 3.07 2.29 2.45 2.29 2.17 2.09 2.02 1.96 1.91 1.83 1.75 1.66 1.61 1.55 1.50 1.43 1.35 1.25
 3.84 3.00 2.60 2.37 2.21 2.10 2.01 1.94 1.88 1.83 1.75 1.67 1.57 1.52 1.46 1.39 1.32 1.22 1.00
142
Tabelul 5
GL 1 → 1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120 
GL 2 ↓
1 4052 4999 5403 5625 5764 5859 5928 5982 6022 6056 6106 6157 6209 6235 6261 6287 6313 6339 6366
2 98.50 99.00 99.17 99.25 99.30 99.33 99.36 99.37 99.39 99.40 99.42 99.43 99.45 99.46 99.47 99.47 99.48 99.49 99.50
3 34.12 30.82 29.46 28.71 28.24 27.91 27.67 27.49 27.35 27.23 27.05 26.87 26.69 26.60 26.50 26.41 26.32 26.22 26.13
4 21.20 18.00 16.69 15.98 15.52 15.21 14.98 14.80 14.66 14.55 14.37 14.20 14.02 13.93 13.84 13.75 13.65 13.56 13.46
5 16.26 13.27 12.06 11.39 10.97 10.67 10.46 10.29 10.16 10.05 9.89 9.72 9.55 9.47 9.38 9.29 9.20 9.11 9.02
6 13.75 10.92 9.78 9.15 8.75 8.47 8.26 8.10 7.98 7.87 7.72 7.56 7.40 7.31 7.23 7.14 7.06 6.97 6.88
7 12.25 9.55 8.45 7.85 7.46 7.19 6.99 6.84 6.72 6.62 6.47 6.31 6.16 6.07 5.99 5.91 5.82 5.74 5.65
8 11.26 8.65 7.59 7.01 6.63 6.37 6.18 6.03 5.91 5.81 5.67 5.52 5.36 5.28 5.20 5.12 5.03 4.95 4.46
9 10.56 8.02 6.99 6.42 6.06 5.80 5.61 5.47 5.35 5.26 5.11 4.96 4.81 4.73 4.65 4.57 4.48 4.40 4.31
10 10.04 7.56 6.55 5.99 5.64 5.39 5.20 5.06 4.94 4.85 4.71 4.56 4.41 4.33 4.25 4.17 4.08 4.00 3.91
11 9.65 7.21 6.22 5.67 5.32 5.07 4.89 4.74 4.63 4.54 4.40 4.25 4.10 4.02 3.94 3.86 3.78 3.69 3.60
12 9.33 6.93 5.95 5.41 5.06 4.82 4.64 4.50 4.39 4.30 4.16 4.01 3.86 3.78 3.70 3.62 3.54 3.45 3.36
13 9.07 6.70 5.74 5.21 4.86 4.62 4.44 4.30 4.19 4.10 3.96 3.82 3.66 3.59 3.51 3.43 3.34 3.25 3.17
14 8.86 6.51 5.56 5.04 4.69 4.46 4.28 4.14 4.03 3.94 3.80 3.66 3.51 3.43 3.35 3.27 3.18 3.09 3.00
15 8.68 6.36 5.42 4.89 4.36 4.32 4.14 4.00 3.89 3.80 3.67 3.52 3.37 3.29 3.21 3.13 3.05 2.96 2.87
16 8.53 6.23 5.29 4.77 4.44 4.20 4.03 3.89 3.78 3 .69 3.55 3.41 3.26 3.18 3.10 3.02 2.93 2.84 2.75
17 8.40 6.11 5.18 4.67 4.34 4.10 3.93 3.79 3.68 3.59 3.46 3.31 3.16 3.08 3.00 2.92 2.83 2.75 2.65
18 8.29 6.01 5.09 4.58 4.25 4.01 3.84 3.71 3.60 3.51 3.37 3.23 3.08 3.00 2.92 2.84 2.75 2.66 2.57
19 8.18 5.93 5.01 4.50 4.17 3.94 3.77 3.63 3.52 3.43 3.30 3.15 3.00 2.92 2.84 2.76 2.67 2.58 2.49
20 8.10 5.85 4.94 4.43 4.10 3.87 3.70 3.56 3.46 3.37 3.23 3.09 2.94 2.86 2.78 2.69 2.61 2.52 2.42
21 8.02 5.78 4.87 4.37 4.04 3.81 3.64 3.51 3.40 3.31 3.17 3.03 2.88 2.80 2.72 2.64 2.55 2.46 2.36
22 7.95 5.72 4.82 4.31 3.99 3.76 3.59 3.45 3.35 3.26 3.12 2.98 2.83 2.75 2.67 2.58 2.50 2.40 2.31
23 7.88 5.66 4.76 4.26 3.94 3.71 3.54 3.41 3.30 3.21 3.07 2.93 2.78 2.70 2.62 2.54 2.45 2.35 2.26
24 7.82 5.61 4.72 4.22 3.90 3.67 3.50 3.36 3.26 3.17 3.03 2.89 2.74 2.66 2.58 2.49 2.40 2.31 2.21
25 7.77 5.57 4.68 4.18 3.85 3.63 3.46 3.32 3.22 3.13 2.99 2.85 2.70 2.62 2.54 2.45 2.36 2.27 2.17
26 7.72 5.53 4.64 4.14 3.82 3.59 3.42 3.29 3.18 3.09 2.96 2.81 2.66 2.58 2.50 2.42 2.33 2.23 2.13
27 7.68 5.49 4.60 4.11 3.78 3.56 3.39 3.26 3.15 3.06 2.93 2.78 2.63 2.55 2.47 2.38 2.29 2.20 2.10
28 7.64 5.45 4.57 4.07 3.75 3.53 3.36 3.23 3.12 3.03 2.90 2.75 2.60 2.52 2.44 2.35 2.26 2.17 2.06
29 7.60 5.42 4.54 4.04 3.73 3.50 3.33 3.20 3.09 3.00 2.87 2.73 2.57 2.49 2.41 2.33 2.23 2.14 2.03
30 7.56 5.39 4.51 4.02 3.70 3.47 3.30 3.17 3.07 2.98 2.84 2.70 2.55 2.47 2.39 2.30 2.21 2.11 2.01
40 7.31 5.18 4.31 3.83 3.51 3.29 3.12 2.99 2.89 2.80 2.66 2.52 2.37 2.29 2.20 2.11 2.02 1.92 1.80
60 7.08 4.98 4.13 3.65 3.34 3.12 3.95 2.82 2.72 2.63 2.50 2.35 2.20 2.12 2.03 1.94 1.84 1.73 1.60
120 6.85 4.79 3.95 3.48 3.17 2.96 2.79 2.66 2.56 2.47 2.34 2.19 2.03 1.95 1.86 1.76 1.66 1.53 1.38
 6.63 4.61 378 3.32 3.02 2.80 2.64 2.51 2.41 2.32 2.18 2.04 1.88 1.79 1.70 1.59 1.47 1.32 1.00
143
Tabelul 6
GL 1 → 1 2 3 4 5 6 7 8 9 10 12 15 20 24 30 40 60 120 
GL 2 
1 40532 50002 54042 56252 57642 58592 59292 59812 60232 60562 61072 61582 62092 62352 62612 62872 63132 63402 63662
2 998.5 999.0 999.2 999.2 999.3 999.3 999.4 999.4 999.4 999.4 999.4 999.4 999.4 999.5 999.5 999.5 999.5 999.5 999.5
3 167.0 148.5 141.1 137.1 134.6 132.8 131.6 130.6 129.9 129.2 128.3 127.4 126.4 125.9 125.4 125.0 124.5 124.0 123.5
4 74.14 61.25 56.18 53.44 51.71 50.53 49.66 49.00 48.47 48.05 47.41 46.76 46.10 45.77 45.43 45.09 44.75 44.40 44.05
5 47.18 37.12 33.20 31.09 29.75 28.84 28.16 27.64 27.24 26.92 26.42 25.91 25.39 25.14 24.87 24.60 24.33 24.06 23.79
6 35.51 27.00 23.70 21.92 20.81 20.03 19.46 19.03 18.69 18.41 17.99 17.56 17.12 16.89 16.67 16.44 16.21 15.99 15.75
7 29.25 21.69 18.77 17.19 16.21 15.52 15.02 14.63 14.33 14.08 13.71 13.32 12.93 12.73 12.53 12.33 12.12 11.91 11.70
8 25.42 18.49 15.83 14.39 13.49 12.86 12.40 12.04 11.77 11.54 11.19 10.84 10.48 10.30 10.11 9.92 9.73 9.53 9.33
9 22.86 16.39 13.90 12.56 11.71 11.13 10.70 10.37 10.11 9.89 9.57 9.24 8.90 8.72 8.55 8.37 8.19 8.00 7.81
10 21.04 14.91 12.55 11.28 10.48 9.92 9.52 9.20 8.96 8.75 8.45 8.13 7.80 7.64 7.47 7.30 7.12 6.94 6.76
11 19.69 13.81 11.56 10.35 9.58 9.05 8.66 8.35 8.12 7.92 7.63 7.32 7.01 6.85 6.68 6.52 6.35 6.17 6.00
12 18.64 12.97 10.80 9.63 8.89 8.38 8.00 7.71 7.48 7.29 7.00 6.71 6.40 6.25 6.09 5.93 5.76 5.59 5.42
13 17.81 12.31 10.21 9.07 8.35 7.86 7.42 7.21 6.98 6.80 6.52 6.23 5.93 5.78 5.63 5.47 5.30 5.14 4.97
14 17.14 11.78 9.73 8.62 7.92 7.43 7.08 6.80 6.58 6.40 6.13 5.85 5.56 5.41 5.25 5.10 4.94 4.77 4.60
15 16.59 11.34 9.34 8.25 8.57 7.09 6.74 6.47 6.26 6.08 5.81 5.54 5.25 5.10 4.95 4.80 4.64 4.47 4.31
16 16.12 10.97 9.00 7.94 7.27 6.81 6.46 6.19 5.98 5.81 5.55 5.27 4.99 4.85 4.70 4.54 4.39 4.23 4.06
17 15.72 10.66 8.73 7.68 7.02 6.56 6.22 5.96 5.75 5.58 5.32 5.05 4.78 4.63 4.48 4.33 4.18 4.02 3.85
18 15.38 10.39 8.49 7.46 6.81 6.35 6.02 5.76 5.56 5.39 5.13 4.87 4.59 4.45 4.30 4.15 4.00 3.84 3.67
19 15.08 10.16 8.28 7.26 6.62 6.18 5.85 5.59 5.39 5.22 4.97 4.70 4.43 4.29 4.14 3.99 3.84 3.68 3.51
20 14.82 9.95 8.10 7.10 6.46 6.02 5.69 5.44 5.24 5.08 4.82 4.56 4.29 4.15 4.00 3.86 3.70 3.54 3.38
21 14.59 9.77 7.94 6.95 6.32 5.88 5.56 5.31 5.11 4.95 4.70 4.44 4.17 4.03 3.88 3.74 3.58 3.42 3.26
22 14.38 9.61 7.80 6.81 6.19 5.76 5.44 5.19 4.99 4.83 4.58 4.33 4.06 3.92 3.78 3.63 3.48 3.32 3.15
23 14.19 9.47 7.67 6.69 6.08 5.65 5.33 5.09 4.89 4.73 4.48 4.23 3.96 3.82 3.68 3.53 3.38 3.22 3.05
24 14.03 9.34 7.55 6.59 5.98 5.55 5.23 4.99 4.80 4.64 4.39 4.14 3.87 3.74 3.59 3.45 3.29 3.14 2.97
25 13.88 9.22 7.45 6.49 5.88 5.46 5.15 4.91 4.71 4.56 4.31 4.06 3.79 3.66 3.52 3.37 3.22 3.06 2.89
26 13.74 9.12 7.36 6.41 5.80 5.38 5.07 4.83 4.64 4.48 4.24 3.99 3.72 3.59 3.44 3.30 3.15 2.99 2.82
27 13.61 9.02 7.27 6.33 5.73 5.31 5.00 4.76 4.57 4.41 4.17 3.92 3.66 3.52 3.38 3.23 3.08 2.92 2.75
28 13.50 8.93 7.19 6.25 5.66 5.24 4.93 4.69 4.50 4.35 4.11 3.86 3.60 3.46 3.32 3.18 3.02 2.86 2.69
29 13.39 8.85 7.12 6.19 5.59 5.18 4.87 4.64 4.45 4.29 4.05 3.80 3.54 3.41 3.27 3.12 2.97 2.81 2.64
30 13.29 8.77 7.05 6.12 5.53 5.12 4.82 4.58 4.39 4.24 4.00 3.75 3.49 3.36 3.22 3.07 2.92 2.76 2.59
40 12.61 8.24 6.60 5.70 5.13 4.73 4.44 4.21 4.02 3.87 3.64 3.40 3.15 3.01 2.87 2.73 2.57 2.41 2.23
60 11.97 7.76 6.17 5.31 4.76 4.37 4.09 3.87 3.69 3.54 3.31 3.08 2.83 2.69 2.55 2.41 2.25 2.08 1.89
120 11.38 7.32 5.79 4.95 4.42 4.04 3.77 3.55 3.38 3.24 3.02 2.78 2.53 2.40 2.26 2.11 1.95 1.76 1.54
 10.83 6.91 5.42 4.62 4.10 3.74 3.47 3.27 3.10 2.96 2.74 2.51 2.27 2.13 1.99 1.84 1.66 1.45 1.00
144
Tabelul 7
Valori critice R/2 ale coeficientului de corelaţie liniară R
GL↓  → 0.05 0.01 0.001 GL ↓ → 0.05 0.01 0.001

1 0.997 0.999 1.000 24 0.388 0.496 0.608
2 0.950 0.990 0.999 25 0.381 0.487 0.597
3 0.878 0.959 0.991 26 0.374 0.478 0.588
4 0.811 0.917 0.974 27 0.367 0.470 0.579
5 0.754 0.874 0.951 28 0.361 0.463 0.571
6 0.707 0.834 0.925 29 0.355 0.456 0.563
7 0.666 0.798 0.898 30 0.349 0.449 0.554
8 0.632 0.765 0.872 35 0.325 0.418 0.519
9 0.602 0.735 0.847 40 0.304 0.393 0.490
10 0.576 0.708 0.823 45 0.288 0.372 0.465
11 0.553 0.684 0.801 50 0.273 0.354 0.443
12 0.532 0.661 0.780 60 0.250 0.325 0.408
13 0.514 0.641 0.760 70 0.232 0.302 0.380
14 0.497 0.623 0.742 80 0.217 0.283 0.357
15 0.482 0.606 0.725 90 0.202 0.267 0.338
16 0.468 0.590 0.708 100 0.195 0.254 0.321
17 0.456 0.575 0.693 125 0.174 0.228 0.293
18 0.444 0.561 0.679 150 0.159 0.208 0.260
19 0.433 0.549 0.665 200 0.138 0.181 0.230
20 0.423 0.537 0.652 300 0.113 0.148 0.190
21 0.413 0.526 0.641 400 0.098 0.128 0.160
22 0.404 0.515 0.630 500 0.088 0.115 0.150
23 0.396 0.505 0.619 1000 0.062 0.081 0.110
Tabelul 8
Cursul mediu anual de schimb în perioada 1990-2005
ANUL DOLAR ECU / EURO

1990 22.43 lei -
1991 76.39 lei -
1992 307.95 lei -
1993 760.05 lei ECU = 884.60 lei
1994 1655.09 lei ECU = 1967.56 lei
1995 2033.26 lei ECU = 2629.51 lei
1996 3082.60 lei ECU = 3862.90 lei
1997 7167.94 lei ECU = 8090.93 lei
1998 8875.55 lei ECU = 9989.90 lei
1999 15332.93 lei EURO = 16295.30 lei
2000 21692.74 lei EURO = 19955.90 lei
2001 29060.87 lei EURO = 26026.91 lei
2002 33055.46 lei EURO = 31255.26 lei
2003 33200.07 lei EURO = 37555.87 lei
2004 32636.57 lei EURO = 40532.11 lei
2005 29136.55 lei EURO = 36234.38 lei
145
ANEXA 2
PROGRAME BASIC
Notă: Instrucţiunile de la 1 la 999 conţin datele de intrare în program, iar instrucţiunile de la 1000
înainte, efectuează calcule şi listează rezultate pe ecran.
1. SISTEM.BAS: găseşte soluţia generală a unui sistem liniar prin substituţie.

2. SISPAT: rezolvă iterativ un sistem patratic prin metoda Newton-Raphson.
3. PRET: calculează preţurile optime avînd ca scop maximizarea valorii băneşti a produselor
agricole vândute, pentru produse de necesitate nespecificată, mare, mijlocie şi mică.
4. OPTMF.BAS: calculează soluţia bazică optimă pentru o problemă de programare liniară cu funcţii
auxiliare.
5. DCRITIC.BAS: optimizează eşalonarea activităţilor unui proiect prin metoda drumului critic.
6. VARCLAS.BAS: calculează elementele unor variabile aleatoare clasice şi simulează valori ale
lor.
7. SISTALEA.BAS: calculează parametrii sistemelor cu cerere şi servire aleatoare cu aşteptare,
mixte şi cu refuz.
8. DINAMICA.BAS: calculează indicatorii de sondaj de evoluţie şi ajustează datele de evoluţie
cu ajutorul lor, numeric şi grafic.
9. C2P1.BAS: calculează indicatorii de sondaj de legătură, intervale de încredere pentru ρ, β1, β0
şi testeză ipoteze asupra lor pentru două caractere într-o populaţie.
10. C2P1M.BAS: calculează elementele corelaţiei şi regresiei liniare simple în cazul observaţiilor
multiple.
11. POLTRIG.BAS: calculează elementele corelaţiilor neliniare simple polinomială, trigonometrică
şi polinomial-trigonometrică.
1.SISTEM.BAS
10 REM"DATE DE INTRARE IN PROGRAM"

20 REM"NUMARUL DE ECUATII ESTE M"
30 M=2
40 REM"NUMARUL DE NECUNOSCUTE ESTE N"
50 N=2
60 REM"MATRICEA A A COEFICIENTILOR DIN MEMBRUL I ,LINIE CU LINIE:"
70 DATA 2,3,1,6
110 REM"TERMENII LIBERI DIN MEMBRUL II :"
120 DATA 8,13
1000 KEY OFF:CLS
1010 PRINT"PROGRAM REZOLVARE SISTEM LINIAR(SISTEM)"
1020 PRINT"---------------------------------------"
1030 PRINT"AUTOR: ENE P.DUMITRU , CNP:1420720400340"
1040 PRINT"----------------------------------------"
1050 PRINT"NUMARUL DE ECUATII ALE SISTEMULUI ESTE M =";M
1060 PRINT"NUMARUL DE NECUNOSCUTE ALE SISTEMULUI ESTE N =";N:PRINT
1070 DEF FNR(X)=INT(1000*X+.5)/1000
1080 P=(M+N-ABS(M-N))/2:R=0
1090 DIM A(M,N+1),B(N,N-R),C(N),U(M),V(N+1),W(M,N+1),S(M),X(N-R),XP(N)
1100 FOR I=1 TO M
1110 FOR J=1 TO N
1120 READ A(I,J)
1130 NEXT J
1140 NEXT I
1150 FOR I=1 TO M
1160 READ A(I,N+1)
1170 NEXT I
1180 FOR L=1 TO P
146
1190 IF A(L,L)<>0 THEN 1220
1200 IF L=P THEN 1350
1210 GOSUB 2040
1220 PV=1/A(L,L)
1230 FOR K=1 TO N+1
1240 A(L,K)=A(L,K)*PV
1250 NEXT K
1260 FOR H=1 TO M
1270 IF H=L THEN 1330
1280 PV=-A(H,L)
1290 FOR K=1 TO N+1
1300 A(H,K)=A(H,K)+A(L,K)*PV
1310 IF ABS(A(H,K))<.01 THEN A(H,K)=0
1320 NEXT K
1330 NEXT H
1340 NEXT L
1350 FOR L=1 TO P
1360 IF A(L,L)<>0 THEN R=R+1 ELSE 1380
1370 NEXT L
1380 PRINT"RANGUL MATRICII A ESTE R = ";R
1390 FOR I=R+1 TO M
1400 S(I)=0
1410 NEXT I
1420 FOR I=R+1 TO M
1430 IF A(I,N+1)<>0 THEN S(I)=1
1440 NEXT I
1450 T=0
1460 FOR I=R+1 TO M
1470 T=T+S(I)
1480 NEXT I
1490 IF T<>0 THEN PRINT"SISTEMUL ESTE INCOMPATIBIL":GOTO 2030
1500 IF R=N THEN PRINT"SISTEMUL ESTE COMPATIBIL DETERMINAT" ELSE GOTO 1550
1510 PRINT"SOLUTIA UNICA :"
1520 FOR I=1 TO R
1530 PRINT"X(";I;")=";FNR(A(I,N+1))
1540 NEXT I:GOTO 2030
1550 IF N-R>1 THEN 1570
1560 PRINT"SISTEMUL ESTE COMPATIBIL NEDETERMINAT CU ";N-R;" NECUNOSCUTA
ARBITRARA X(";R+1;")":GOTO 1580
1570 PRINT"SISTEMUL ESTE COMPATIBIL NEDETERMINAT CU ";N-R;" NECUNOSCUTE
ARBITRARE X(";R+1;"),...,X(";N;")"
1580 FOR I=1 TO R
1590 FOR J=1 TO N-R
1600 B(I,J)=-A(I,J+R)
1610 NEXT J
1620 NEXT I
1630 FOR I=R+1 TO N
1640 FOR J=1 TO N-R
1650 IF I-R=J THEN B(I,J)=1 ELSE B(I,J)=0
1660 NEXT J
1670 NEXT I
1680 PRINT"SISTEMUL FUNDAMENTAL DE SOLUTII AL SISTEMULUI OMOGEN ESTE FORMAT
DIN";N-R"VECTORI-COLOANA :"
1690 FOR I=1 TO N
1700 FOR J=1 TO N-R
1710 PRINT"B(";I;";";J;")=";FNR(B(I,J));";";
1720 NEXT J:PRINT
1730 NEXT I
1740 FOR I=1 TO P
1750 IF I<=M THEN C(I)=A(I,N+1) ELSE C(I)=0
1760 NEXT I
1770 PRINT"SOLUTIA PARTICULARA BAZICA A SISTEMULUI NEOMOGEN ESTE VECTORUL :"
1780 FOR I=1 TO N
147
1790 PRINT"X0(";I;")=";FNR(C(I));";";
1800 NEXT I:PRINT:PRINT
1810 INPUT"DORITI O SOLUTIE PARTICULARA A SISTEMULUI NEOMOGEN ? D/N ",A$
1820 IF A$="N" OR A$="n" THEN 2030
1830 PRINT"DATI VALORI PARTICULARE VARIABILELOR ARBITRARE :"
1840 FOR I=R+1 TO N
1850 PRINT"X("I;") =";:INPUT X(I)
1860 NEXT I
1870 FOR I=1 TO N
1880 FOR J= R+1 TO N
1890 XP(I)=0
1900 NEXT J
1910 NEXT I
1920 FOR I=1 TO N
1930 FOR J=R+1 TO N
1940 XP(I)=XP(I)+B(I,J-R)*X(J)
1950 NEXT J
1960 XP(I)=XP(I)+C(I)
1970 NEXT I
1980 PRINT"SOLUTIA PARTICULARA ESTE :
1990 PRINT"-------------------------"
2000 FOR I=1 TO N
2010 PRINT"XP(";I;") =";FNR(XP(I))
2020 NEXT I
2030 END
2040 REM"SUBRUTINA MUTARE LINII/COLOANE NULE"
2050 FOR I=L TO M
2060 FOR J=L TO N
2070 W(I,J)=0
2080 NEXT J
2090 NEXT I
2100 FOR I=L TO M
2110 FOR J=L TO N
2120 IF A(I,J)<>0 THEN W(I,J)=1
2130 NEXT J
2140 NEXT I
2150 FOR I=L TO M
2160 U(I)=0
2170 NEXT I
2180 FOR I=L TO M
2190 FOR J=L TO N
2200 U(I)=U(I)+W(I,J)
2210 NEXT J
2220 NEXT I
2230 FOR I=L TO M
2240 IF U(I)>0 THEN 2280
2250 FOR J=L TO N+1
2260 SWAP A(I,J),A(M,J)
2270 NEXT J
2280 NEXT I
2290 FOR J=L TO N
2300 V(J)=0
2310 NEXT J
2320 FOR J=L TO N
2330 FOR I=L TO M
2340 V(J)=V(J)+W(I,J)
2350 NEXT I
2360 NEXT J
2370 FOR J=L TO N
2380 IF V(J)>0 THEN 2420
2390 FOR I=L TO M
2400 SWAP A(I,J),A(I,N)
2410 NEXT I
148
2420 NEXT J
2430 RETURN
2. SISPAT.BAS

20 REM"NUMERUL DE ECUATII SI NECUNOSCUTE ESTE N "
30 N=3
40 REM"HIPERMATRICEA COEFICIENTILOR PATRATICI A :"
50 REM"ECUATIA 1 :"
60 DATA 1,0,0
70 DATA 0,1,0
80 DATA 0,0,1
90 REM"ECUATIA 2 :"
100 DATA 2,0,0
110 DATA 0,1,0
120 DATA 0,0,0
130 REM"ECUATIA 3 :"
140 DATA 3,0,0
150 DATA 0,0,0
160 DATA 0,0,1
170 REM"MATRICEA COEFICIENTILOR LINIARI B :"
180 REM"ECUATIA 1"
190 DATA 0,0,0
200 REM"ECUATIA 2"
210 DATA 0,0,-4
220 REM"ECUATIA 3"
230 DATA 0,-4,0
240 REM"VECTORUL TEMENILOR CONSTANTI C :"
250 DATA -1,0,0
260 REM"VECTORUL SOLUTIEI INITIALE X(0) :"
270 DATA 0.5,0.5,0.5
280 REM"EROAREA DE VERIFICARE ESTE EV"
290 EV=.000001
1000 KEY OFF:CLS
1010 PRINT"PROGRAM REZOLVARE SISTEM PATRATIC CU METODA NEWTON(SISPAT)"
1020 PRINT"----------------------------------------------------------"
1030 PRINT"AUTOR : ENE P.DUMITRU ; CNP:1420720400340"
1040 PRINT"-----------------------------------------"
1050 DEF FNR(X)=INT(10000*X+.5)/10000:M=0
1060 PRINT"NR.DE ECUATII PATRATICE SI DE NECUNOSCUTE ESTE N =",N
1070 PRINT"EROAREA DE VERIFICARE PT.TOATE ECUATIILE ESTE EV =",EV
1080 DIM
A(N,N,N),B(N,N),C(N),F(N),X(N),XA(N,100),JA(N,N),KA(N,N),TA(N),T(N),AP(N,N),AE(N
,2*N),AC(N,N),U(N,2*N),S2(N,N),ST2(N),S1(N),EP(N),EV(N)
1090 FOR I=1 TO N
1100 FOR J=1 TO N
1110 FOR K=1 TO N
1120 READ A(I,J,K)
1130 NEXT K
1140 NEXT J
1150 NEXT I
1160 FOR I=1 TO N
1170 FOR J=1 TO N
1180 READ B(I,J)
1190 NEXT J
1200 NEXT I
1210 FOR I=1 TO N
1220 READ C(I)
1230 NEXT I
1240 FOR I=1 TO N
1250 READ X(I)
1260 NEXT I
149
1270 M=M+1
1280 FOR I=1 TO N
1290 FOR J=1 TO N
1300 S2(I,J)=0
1310 NEXT J
1320 NEXT I
1330 FOR I=1 TO N
1340 FOR J=1 TO N
1350 FOR K=1 TO N
1360 S2(I,J)=S2(I,J)+A(I,J,K)*X(J)*X(K)
1370 NEXT K
1380 NEXT J
1390 NEXT I
1400 FOR I=1 TO N
1410 T2(I)=0
1420 NEXT I
1430 FOR I=1 TO N
1440 FOR J=1 TO N
1450 ST2(I)=ST2(I)+S2(I,J)
1460 NEXT J
1470 NEXT I
1480 FOR I=1 TO N
1490 S1(I)=0
1500 NEXT I
1510 FOR I=1 TO N
1520 FOR J=1 TO N
1530 S1(I)=S1(I)+B(I,J)*X(J)
1540 NEXT J
1550 NEXT I
1560 FOR I=1 TO N
1570 F(I)=0
1580 NEXT I
1590 FOR I=1 TO N
1600 F(I)=F(I)+ST2(I)+S1(I)+C(I)
1610 NEXT I
1620 FOR I=1 TO N
1630 FOR J=1 TO N
1640 JA(I,J)=B(I,J)
1650 NEXT J
1660 NEXT I
1670 FOR I=1 TO N
1680 FOR J=1 TO N
1690 A(I,J,J)=2*A(I,J,J)
1700 NEXT J
1710 NEXT I
1720 FOR I=1 TO N
1730 FOR J=1 TO N
1740 FOR K=1 TO N
1750 JA(I,J)=JA(I,J)+A(I,J,K)*X(K)
1760 NEXT K
1770 NEXT J
1780 NEXT I
1790 FOR I=1 TO N
1800 FOR J=1 TO N
1810 A(I,J,J)=A(I,J,J)/2
1820 NEXT J
1830 NEXT I
1840 FOR I=1 TO N
1850 FOR J=1 TO N
1860 AP(I,J)=JA(I,J)
1870 NEXT J
1880 NEXT I
1890 GOSUB 2480
150
1900 FOR I=1 TO N
1910 FOR J=1 TO N
1920 KA(I,J)=AC(I,J)
1930 NEXT J
1940 NEXT I
1950 FOR I=1 TO N
1960 TA(I)=0
1970 NEXT I
1980 FOR I=1 TO N
1990 FOR J=1 TO N
2000 TA(I)=TA(I)-KA(I,J)*F(J)
2010 NEXT J
2020 NEXT I
2030 FOR I=1 TO N
2040 X(I)=X(I)+TA(I)
2050 NEXT I:PRINT
2060 PRINT"SOLUTIILE IN ITERATIA NR.";M;":"
2070 FOR I=1 TO N
2080 PRINT"X(";I;") =";X(I);";";
2090 NEXT I
2100 FOR I=1 TO N
2110 XA(I,M)=X(I)
2120 NEXT I
2130 FOR I=1 TO N
2140 T(I)=0
2150 NEXT I
2160 FOR I=1 TO N
2170 IF ABS(F(I))<EV THEN T(I)=1
2180 NEXT I
2190 PR=1
2200 FOR I=1 TO N
2210 PR=PR*T(I)
2220 NEXT I
2230 IF PR=0 THEN 1270
2240 PRINT:PRINT:PRINT"NR.ITERATII ESTE M =";M:PRINT
2250 INPUT"APASA O TASTA...",A$:CLS
2260 PRINT"SOLUTIA SISTEMULUI PATRATIC :"
2270 PRINT"-----------------------------"
2280 FOR I=1 TO N
2290 PRINT"X(";I;") =";X(I)
2300 NEXT I:PRINT
2310 FOR I=1 TO N
2320 EP(I)=ABS(XA(I,M)-XA(I,M-1))
2330 NEXT I
2340 EPMAX=EP(1)
2350 FOR I=2 TO N
2360 IF EP(I)>EPMAX THEN EPMAX=EP(I)
2370 NEXT I
2380 PRINT"EROAREA POSTCALCULATA ESTE EP =";:PRINT USING"#.#######";EPMAX:PRINT
2390 FOR I=1 TO N
2400 EV(I)=ABS(F(I))
2410 NEXT I
2420 EVMAX=EV(1)
2430 FOR I=2 TO N
2440 IF EV(I)>EVMAX THEN EVMAX=EV(I)
2450 NEXT I
2460 PRINT"EROAREA DE VERIFICARE ESTE EV =";:PRINT USING"#.#######";EVMAX
2470 END
2480 REM"SUBPROGRAM INVERSARE MATRICE"
2490 FOR I=1 TO N
2500 FOR J=1 TO N
2510 AE(I,J)=AP(I,J)
2520 NEXT J
151
2530 NEXT I
2540 FOR I=1 TO N
2550 FOR J=N+1 TO 2*N
2560 IF J=I+N THEN AE(I,J)=1 ELSE AE(I,J)=0
2570 U(I,J)=0
2580 NEXT J
2590 NEXT I
2600 FOR J=1 TO N
2610 FOR I=J TO 2*N
2620 IF AE(I,J)<>0 THEN 2660
2630 NEXT I
2640 PRINT"MATRICEA A NU ARE INVERSA"
2650 GOTO 2900
2660 FOR K=1 TO 2*N
2670 SWAP AE(I,K),AE(J,K):U(I,J)=U(I,J)+1
2680 NEXT K
2690 PV=1/AE(J,J)
2700 FOR K=1 TO 2*N
2710 AE(J,K)=AE(J,K)*PV
2720 NEXT K
2730 FOR H=1 TO N
2740 IF H=J THEN 2790
2750 PV=-AE(H,J)
2760 FOR K=1 TO 2*N
2770 AE(H,K)=AE(H,K)+AE(J,K)*PV
2780 NEXT K
2790 NEXT H
2800 NEXT J
2810 FOR I=1 TO N
2820 FOR J=N+1 TO 2*N
2830 IF U(I,J)=0 THEN 2870
2840 FOR K=1 TO 2*N
2850 SWAP AE(I,J),AE(I,K)
2860 NEXT K
2870 AC(I,J-N)=AE(I,J)
2880 NEXT J
2890 NEXT I
2900 RETURN
4.OPTIMF.BAS

20 REM"NUMARUL INECUATIILOR <= ESTE L"
30 L=1
40 REM"NUMARUL ECUATIILOR ESTE E"
50 E=1
60 REM"NUMARUL INECUATIIOR >= ESTE G"
70 G=1
80 REM"NUMARUL VARIABILELOR PRIMALE PROPRII ESTE P"
90 P=2
100 REM"TIPUL FUNCTIEI-OBIECTIV : MAX(Z=1) ; MIN(Z=-1)"
110 Z=1
120 REM"MATRICEA A ,LINIE CU LINIE :"
130 DATA 4,1
140 DATA 3,2
150 DATA 2,3
160 REM"VECTORUL TERMENILOR LIBERI B:"
170 DATA 5,7,10
180 REM"VECTORUL COEF.FUNCTIEI-OBIECTIV C :"
190 DATA 6,3
200 REM"NUMARUL FUNCTIILOR AUXILIARE EXISTENTE ESTE NF"
210 NF=1
220 REM"COEFICIENTII FUNCTIEI AUXILIARE :"
152
230 DATA 5,8
1000 KEY OFF:CLS
1010 PRINT"M E T O D A S I M P L E X (OPTIMF)"
1020 PRINT"-------------------------------------"
1030 PRINT"AUTOR :ENE P.DUMITRU ;CNP :1420720400340"
1040 PRINT"----------------------------------------"
1050 PRINT"PARAMETRII MODELULUI LINIAR :"
1060 PRINT"-----------------------------"
1070 PRINT"NR.RESTRICTII DE TIP <= ESTE L =";L
1080 PRINT"NR.RESTRICTII DE TIP = ESTE E =";E
1090 PRINT"NR.RESTRICTII DE TIP >= ESTE G =";G
1100 M=L+E+G
1110 PRINT"NR. TOTAL DE RESTRICTII ESTE M =";M
1120 PRINT"NR.VARIABILE PROPRII ESTE P =";P
1130 N=P+M
1140 PRINT"NR.DE VARIABILE PROPRII SI DE EGALIZARE ESTE N =";N
1150 INPUT"PROBLEMA ESTE DE MAXIM(Z=1) SAU DE MINIM(Z=-1) ? DECIDETI : Z =",Z
1160 Z=-Z
1170 INPUT"EXISTA FUNCTII-OBIECTIV AUXILIARE ? (D/N) ",S$
1180 IF S$="N" OR S$="n" THEN 1200
1190 PRINT"NR.FUNCTII-OBIECTIV AUXILIARE ESTE NF =";NF:PRINT
1200 DIM
AP(M,P),BP(M),CP(P),DP(NF,P),VF(NF),A(M+2,N+G+1),B(M),X(P),XE(M),YE(P),Y(M)
1210 DEF FNR(X)=INT(1000*X+.5)/1000
1220 PRINT"COEFICIENTII NECUNOSCUTELOR DIN RESTRICTII :"
1230 PRINT"--------------------------------------------"
1240 FOR I=1 TO M
1250 FOR J=1 TO P
1260 READ AP(I,J)
1270 NEXT J
1280 NEXT I
1290 FOR I=1 TO M
1300 FOR J=1 TO P
1310 PRINT"A(";I;";";J") =";AP(I,J);";";
1320 NEXT J:PRINT
1330 NEXT I:PRINT
1340 PRINT"TERMENII LIBERI DIN RESTRICTII :"
1350 PRINT"--------------------------------"
1360 FOR I=1 TO M
1370 READ BP(I)
1380 NEXT I
1390 FOR I=1 TO M
1400 PRINT"B(";I;") =";BP(I);";";
1420 PRINT"COEFICIENTII FUNCTIEI-OBIECTIV F :"
1430 PRINT"----------------------------------"
1440 FOR J=1 TO P
1450 READ CP(J)
1460 NEXT J
1470 FOR J=1 TO P
1480 PRINT"C(";J;") =";CP(J);";";
1490 NEXT J:PRINT:PRINT
1500 IF S$="N" OR S$="n" THEN 1630
1510 PRINT"COEFICIENTII FUNCTIILOR AUXILIARE,LINIE CU LINIE :"
1520 PRINT"--------------------------------------------------"
1530 FOR I=1 TO NF
1540 FOR J=1 TO P
1550 READ DP(I,J)
1560 NEXT J
1570 NEXT I
1580 FOR I=1 TO NF
1590 FOR J=1 TO P
1600 PRINT"D(";I;";";J;") =";DP(I,J);";";
153
1610 NEXT J:PRINT
1620 NEXT I:PRINT
1630 INPUT"DORITI RULARE PAS CU PAS ?(D/N) ",B$:CLS
1640 PRINT"A S T E P T A T I R E Z U L T A T E L E !"
1650 PRINT"=============================================="
1660 FOR I=1 TO M
1670 FOR J=1 TO P
1680 A(I,J)=AP(I,J)
1690 NEXT J
1700 NEXT I
1710 FOR I=1 TO M
1720 FOR J=1 TO P
1730 IF I<=L THEN 1750
1740 A(M+1,J)=A(M+1,J)-A(I,J)
1750 NEXT J
1760 IF I>L THEN 1800
1770 B(I)=P+I
1780 A(I,P+I)=1
1790 GOTO 1860
1800 B(I)=P+G+I
1810 A(I,P+G+I)=1
1820 IF I>L+E THEN 1840
1830 GOTO 1860
1840 A(I,P+I-E)=-1
1850 A(M+1,P+I-E)=1
1860 NEXT I
1870 FOR I=1 TO M
1880 A(I,N+G+1)=BP(I)
1890 NEXT I
1900 FOR J=1 TO P
1910 A(M+2,J)=CP(J)
1920 NEXT J
1930 IF B$="N" OR B$="n" THEN 2040
1940 PRINT"TABLOUL INITIAL(FORMA STANDARD) :"
1950 PRINT"TERM.LIBERI SINT PE ULTIMA COLOANA,COEF.FUNCTIEI SINT PE ULTIMA
LINIE,PENULTIMA LINIE ESTE ACTIVA IN CAZUL EXISTENTEI A DOUA FAZE"
1960 FOR I=1 TO M+2
1970 FOR J=1 TO N+G+1
1980 PRINT A(I,J);";";
1990 NEXT J:PRINT
2000 NEXT I
2010 INPUT"APASA O TASTA PT.INCEPEREA ITERATIILOR...",A$:CLS
2020 PRINT"ITERATIA NR. 1"
2030 PRINT"--------------"
2040 FOR J=1 TO P
2050 A(M+2,J)=Z*A(M+2,J)
2060 NEXT J
2070 H=M+1
2080 GOSUB 2290
2090 FOR I=1 TO M
2100 IF B(I)<=P+L+G THEN 2210
2110 IF A(I,N+G+1)<=.00001 THEN 2140
2120 PRINT"PROBLEMA NU ARE SOLUTII POSIBILE"
2130 GOTO 2280
2140 FOR J=1 TO P+L+G
2150 IF ABS (A(I,J))<=.00001 THEN 2200
2160 R=I
2170 S=J
2180 GOSUB 2540
2190 J=P+L+G
2200 NEXT J
2210 NEXT I
2220 H=M+2
154
2230 GOSUB 2290
2240 PRINT"S F I R S I T I T E R A T I I !"
2250 PRINT"===================================="
2260 INPUT"APASA O TASTA PT. CONTINUARE...",A$:CLS
2270 GOSUB 2910
2280 END
2290 IF B$="N" OR B$="n" THEN 2310
2300 PRINT"RUTINA DE OPTIMIZARE"
2310 PV=-.00001
2320 FOR J=1 TO P+L+G
2330 IF A(H,J)>=PV THEN 2360
2340 S=J
2350 PV=A(H,J)
2360 NEXT J
2370 IF PV=-.00001 THEN 3590
2380 GOSUB 2440
2390 IF Q<>9.999999E+37 THEN 2420
2400 PRINT"PROBLEMA ARE OPTIM INFINIT"
2410 GOTO 2280
2420 GOSUB 2540
2430 GOSUB 2290
2440 IF B$="N" OR B$="n" THEN 2460
2450 PRINT"SCHIMBAREA BAZEI"
2460 Q=9.999999E+37
2470 FOR I=1 TO M
2480 IF A(I,S)<=.00001 THEN 2520
2490 IF A(I,N+G+1)/A(I,S)>=Q THEN 2520
2500 R=I
2510 Q=A(I,N+G+1)/A(I,S)
2520 NEXT I
2530 RETURN
2540 IF B$="N" OR B$="n" THEN 2570
2550 PRINT"PIVOTUL ESTE A(";R;";";S;")=";A(R,S)
2560 PRINT"REZULTATUL PIVOTARII PE TABLOUL ANTERIOR"
2570 PV=A(R,S)
2580 FOR I=1 TO M+2
2590 IF I=R THEN 2660
2600 FOR J=1 TO N+G+1
2610 IF J=S THEN 2650
2620 A(I,J)=A(I,J)-A(I,S)*A(R,J)/PV
2630 IF ABS(A(I,J))>=.00001 THEN 2650
2640 A(I,J)=0
2650 NEXT J
2660 NEXT I
2670 FOR J=1 TO N+G+1
2680 A(R,J)=A(R,J)/PV
2690 NEXT J
2700 FOR I=1 TO M+2
2710 A(I,S)=0
2720 NEXT I
2730 A(R,S)=1
2740 B(R)=S
2750 W=W+1
2760 IF B$="N" OR B$="n" THEN 2820
2770 FOR I=1 TO M+2
2780 FOR J=1 TO N+G+1
2790 PRINT FNR(A(I,J));";";
2800 NEXT J:PRINT
2810 NEXT I
2820 O=-Z*A(M+2,N+G+1)
2830 PRINT"VALOAREA FUNCTIEI PT.ITERATIA NR.";W;"ESTE = ";:PRINT
USING"############.###";O
2840 IF B$="N" OR B$="n" THEN 2900
155
2850 PRINT"SFIRSIT ITERATIE NR.";W
2860 PRINT"------------------------"
2870 INPUT"APASA O TASTA PT.ITERATIA URMATOARE...",A$:CLS
2880 PRINT"ITERATIA NR. ";W+1
2890 PRINT"----------------"
2900 RETURN
2910 PRINT"EDITAREA SOLUTIILOR OPTIME SI A OPTIMULUI :"
2920 PRINT"==========================================="
2930 PRINT"SOLUTIA BAZICA OPTIMA ARE NR.";W:PRINT
2940 PRINT"SOLUTIA BAZICA OPTIMA PT.PRIMALA:"
2950 PRINT"---------------------------------"
2960 PRINT"I.AVEM P=";P;"VAR.PRIMALE PROPRII DIN CARE NENULE :"
2970 FOR J=1 TO P
2980 FOR I=1 TO M
2990 IF B(I)<>J THEN 3030
3000 X(J)=FNR(A(I,N+G+1))
3010 PRINT"X(";J;")=";X(J);";";
3020 I=M
3030 NEXT I
3040 NEXT J:PRINT
3050 PRINT"II.AVEM M=";M;"VAR.PRIMALE DE EGALIZ.DIN CARE NENULE:"
3060 FOR J=P+1 TO P+L
3070 FOR I=1 TO M
3080 IF B(I)<>J THEN 3120
3090 XE(J-P)=FNR(A(I,N+G+1))
3100 PRINT "XE(";J-P;")=";XE(J-P);";";
3110 I=M
3120 NEXT I
3130 NEXT J
3140 FOR J=P+L+1 TO N
3150 FOR I=1 TO M
3160 IF B(I)<>J THEN 3200
3170 XE(J-P)=FNR(A(I,N+G+1))
3180 PRINT "XE(";J+E-P;")=";XE(J-P);";";
3190 I=M
3200 NEXT I
3210 NEXT J:PRINT
3220 PRINT"SOLUTIA BAZICA OPTIMA PT.DUALA:"
3230 PRINT"-------------------------------"
3240 PRINT"III.AVEM P=";P;"VAR.DUALE DE EGALIZ.DIN CARE NENULE:"
3250 FOR J=1 TO P
3260 IF A(M+2,J)=0 THEN 3290
3270 YE(J)=FNR(ABS(A(M+2,J)))
3280 PRINT"YE(";J;")=";YE(J);";";
3290 NEXT J:PRINT
3300 PRINT"IV.AVEM M=";M;"VAR.DUALE PROPRII DIN CARE NENULE:"
3310 FOR J=P+1 TO P+L
3320 IF A(M+2,J)=0 THEN 3350
3330 Y(J-P)=FNR((-Z*A(M+2,J)))
3340 PRINT "Y(";J-P;")=";Y(J-P);";";
3350 NEXT J
3360 FOR J=P+L+1 TO P+L+E
3370 IF A(M+2,J+G)=0 THEN 3400
3380 Y(J-P)=FNR((-Z*A(M+2,J+G)))
3390 PRINT "Y(";J-P;")=";Y(J-P);";";
3400 NEXT J
3410 FOR J=P+L+E+1 TO N
3420 IF A(M+2,J-E)=0 THEN 3450
3430 Y(J-P)=FNR((Z*A(M+2,J-E)))
3440 PRINT "Y(";J-P;")=";Y(J-P);";";
3450 NEXT J:PRINT
3460 O=-Z*A(M+2,N+G+1):PRINT
3470 PRINT"VALOAREA OPTIMULUI PT.PRIMALA SI DUALA :"
156
3480 PRINT"-----------------------------------------"
3490 PRINT"F OPTIM = G OPTIM =";:PRINT USING "############.###";O:PRINT
3500 IF S$="N" OR S$="n" THEN 3590
3510 FOR I=1 TO NF
3520 FOR J=1 TO P
3530 VF(I)=VF(I)+DP(I,J)*X(J)
3540 NEXT J
3550 NEXT I
3560 FOR I=1 TO NF
3570 PRINT"VALOAREA FUNCTIEI AUXILIARE NR.";I;" ESTE VF(";I;" ) =";:PRINT
USING"############.###";VF(I)
3580 NEXT I
3590 RETURN
5.DCRITIC.BAS
10 PRINT"DATE DE INTRARE I PROGRAM(CAMPANIE VARA ORZ-GRIU)"

20 REM"NR.STADII DE EXECUTIE ESTE N :"
30 N=10
40 REM"NR.MAXIM ACTIVITATI CARE UNESC DOUA STADII ESTE P :"
50 P=2
60 REM"DURATELE ACTIVITATI PE RUTE,DINTR-UN STADIU LA STADIILE URMATOARE :"
70 REM"STADIUL V1 CATRE STADIILE V2-V10 :"
80 DATA 5,0, 0,0, 0,0, 0,0, 0,0, 0,0, 0,0, 0,0, 0,0
100 DATA 4,6, 0,0, 0,0, 0,0, 0,0, 0,0, 0,0, 0,0
120 DATA 3,0, 0,0, 0,0, 0,0, 0,0, 0,0, 0,0
140 DATA 8,0, 0,0, 0,0, 5,0, 0,0, 5,0
160 DATA 6,8, 0,0, 0,0, 0,0, 0,0
180 DATA 4,0, 0,0, 0,0, 4,3
200 DATA 6,0, 0,0, 5,0
220 DATA 2,0 ,0,0
230 REM"STADIUL V9 CATRE STADIUL V10 :"
240 DATA 3,0
1000 KEY OFF:CLS
1010 PRINT"PROGRAM DRUM CRITIC(DCRITIC)"
1020 PRINT"----------------------------"
1030 PRINT"AUTOR :ENE P.DUMITRU ; CNP:1420720400340"
1040 PRINT"----------------------------------------"
1050 DIM A(N,N,P),T(N),TS(N),P1(N,N,P),P2(N,N,P),S1(N,N,P),S2(N,N,P)
1060 DIM RT(N,N,P),RL(N,N,P),RS(N,N,P),A$(N,N,P)
1070 PRINT"NR.STADII DE EXECUTIE ESTE N =";N
1080 PRINT"NR.MAXIM ACTIVITATI CARE UNESC DOUA STADII ESTE P =";P:PRINT
1090 PRINT"DURATELE ACTIVITATI PE RUTE,DINTR-UN STADIU LA STADIILE URMATOARE :"
1100 PRINT"-------------------------------------------------------------------"
1110 FOR I=1 TO N
1120 FOR J=I+1 TO N
1130 FOR H=1 TO P
1140 READ A(I,J,H)
1150 NEXT H
1160 NEXT J
1170 NEXT I
1180 FOR I=1 TO N
1190 FOR J=I+1 TO N
1200 FOR H=1 TO P
1210 PRINT A(I,J,H);";";
1220 NEXT H
157
1230 NEXT J:PRINT
1240 NEXT I:PRINT
1260 T(1)=0
1270 FOR J=2 TO N
1280 T(J)=T(1)+A(1,J,1)
1290 FOR I=1 TO J-1
1300 FOR H=1 TO P
1310 IF T(I)+A(I,J,H)<=T(J) OR A(I,J,H)=0 THEN 1330
1320 T(J)=T(I)+A(I,J,H)
1330 NEXT H
1340 NEXT I
1350 NEXT J
1360 TS(N)=T(N)
1370 FOR I=N-1 TO 1 STEP -1
1380 TS(I)=TS(N)-A(I,N,1)
1390 FOR J=I+1 TO N
1400 FOR H=1 TO P
1410 IF TS(J)-A(I,J,H)>=TS(I) OR A(I,J,H)=0 THEN 1430
1420 TS(I)=TS(J)-A(I,J,H)
1430 NEXT H
1440 NEXT J
1450 NEXT I
1460 PRINT"TABEL 1 CU STADII DE EXECUTIE SI INTERVALE DE FLUCTUATIE :"
1470 PRINT"----------------------------------------------------------"
1480 PRINT" STADIU TMIN TMAX"
1490 PRINT"---------------------------"
1500 FOR I=1 TO N
1510 PRINT"V(";I;") | ";T(I);" ; ";TS(I)
1520 NEXT I
1530 PRINT"--------------------------"
1550 FOR I=1 TO N
1560 FOR J=I+1 TO N
1570 FOR H=1 TO P
1580 P1(I,J,H)=T(I)
1590 P2(I,J,H)=TS(J)-A(I,J,H)
1600 S1(I,J,H)=T(I)+A(I,J,H)
1610 S2(I,J,H)=TS(J)
1620 IF TS(J)-T(I)=A(I,J,H) THEN A$(I,J,H)="CRITICA"ELSE A$(I,J,H)=""
1630 NEXT H
1640 NEXT J
1650 NEXT I:PRINT
1660 PRINT"TABEL 2 CU ACTIVITATI,MOMENTE MIN/MAX DE PLECARE/SOSIRE SI STARE
CRITICA :"
1670 PRINT"-----------------------------------------------------------------"
1680 PRINT" A C T I V I T A T E"
1690 PRINT" PLECARE SOSIRE RUTA P1 P2 S1 S2 STARE"
1700 PRINT"-----------------------------------------------------------------"
1710 FOR I=1 TO N
1720 FOR J=I+1 TO N
1730 FOR H=1 TO P
1740 IF A(I,J,H)=0 THEN 1760
1750 PRINT" V(";I;") ; V(";J;") ; ";H;" ; ";P1(I,J,H);"; ";P2(I,J,H);";
";S1(I,J,H);"; ";S2(I,J,H);"; ";A$(I,J,H)
1760 NEXT H
1770 NEXT J
1780 NEXT I
1790 PRINT"------------------------------------------------------------"
1810 PRINT"DRUMUL CRITIC ESTE SUCCESIUNEA ACTIVITATILOR CRITICE PRECEDENTE DE LA
STADIUL INITIAL LA STADIUL FINAL CU LUNGIMEA MAXIMA ";T(N)
158
1820 PRINT"DURATA TOTALA MINIMA A PROIECTULUI ESTE DE ";T(N);"UNITATI DE
TIMP":PRINT
1830 FOR I=1 TO N
1840 FOR J=I+1 TO N
1850 FOR H=1 TO P
1860 RT(I,J,H)=TS(J)-T(I)-A(I,J,H)
1870 IF A(I,J,H)=0 OR TS(J)-T(I)=A(I,J,H) THEN 1900
1880 RL(I,J,H)=T(J)-T(I)-A(I,J,H)
1890 RS(I,J,H)=T(J)-TS(I)-A(I,J,H)
1900 NEXT H
1910 NEXT J
1920 NEXT I
1930 PRINT"TABEL 3 CU REZERVELE TOTALA/LIBERA/SIGURA ALE ACTIVITATILOR NECRITICE :"
1940 PRINT"--------------------------------------------------------------------"
1950 PRINT" A C T I V I T A T E"
1960 PRINT"PLECARE SOSIRE RUTA RT RL RS"
1970 PRINT"------------------------------------------"
1980 FOR I=1 TO N
1990 FOR J=I+1 TO N
2000 FOR H=1 TO P
2010 IF A(I,J,H)=0 OR RT(I,J,H)=0 THEN 2030
2020 PRINT" V(";I;"); V(";J;"); ";H;" | ";RT(I,J,H);"; ";RL(I,J,H);";
";RS(I,J,H)
2030 NEXT H
2040 NEXT J
2050 NEXT I
2060 PRINT"-------------------------------------------"
2070 END
6.VARCLAS.BAS
1000 KEY OFF:CLS

1010 PRINT"PROGRAM CALCUL SI SIMULARE VARIABILE ALEATOARE CLASICE(VARCLAS)"
1020 PRINT"--------------------------------------------------------------"
1030 PRINT"AUTOR: ENE P.DUMITRU ; CNP:1420720400340"
1040 PRINT"----------------------------------------"
1050 DEF FNR(X)=INT(10000*X+.5)/10000
1060 PRINT"A L E G E T I :":PRINT
1070 PRINT"------------------"
1080 PRINT"1.VARIABILA BINOMIALA":PRINT
1090 PRINT"2.VARIABILA HIPERGEOMETRICA":PRINT
1100 PRINT"3.VARIABILA PASCAL":PRINT
1110 PRINT"4.VARIABILA POISSON":PRINT
1120 PRINT"5.VARIABILA EXPONENTIALA":PRINT
1130 PRINT"6.VARIABILA NORMALA":PRINT
1140 PRINT"7.EXIT":PRINT
1150 PRINT"------------------"
1160 INPUT"NR.OPTIUNE = ",D:CLS
1170 IF D<1 OR D>8 THEN PRINT"OPTIUNE GRESITA !":GOTO 1060
1180 ON D GOSUB 1210,1910,2660,3360,4020,4690,6090
1190 INPUT"REPETATI OPTIUNEA ? (D/N) ",D$
1200 IF D$="D" OR D$="d" THEN 1060 ELSE GOTO 6090
1210 REM"SUBRUTINA VARIABILEI BINOMIALE"
1220 REM"------------------------------"
1230 INPUT"NR.BILE ALBE ESTE A = ",A:PRINT
1240 INPUT"NR.BILE NEGRE ESTE B = ",B:PRINT
1250 INPUT"NR.BILE EXTRASE CU BILA REVENITA ESTE N = ",N:CLS
1260 P=A/(A+B):Q=1-P
1270 DIM X(N+1),F(N+1),FC(N+1)
1280 F(0)=Q^N:FC(0)=F(0)
1290 FOR K=1 TO N
1300 X(K)=K
1310 F(K)=(F(K-1)*P*(N-K+1))/(Q*K)
159
1320 NEXT K
1330 FOR K=1 TO N
1340 FC(K)=FC(K-1)+F(K)
1350 NEXT K
1360 PRINT"VALOARE DENSIT.PROBAB. FUNCTIE PROBAB."
1370 PRINT"------------------------------------------"
1380 FOR K=0 TO N
1390 PRINT" ";X(K);" ";FNR(F(K));" ";FNR(FC(K))
1400 NEXT K
1410 PRINT"------------------------------------------"
1420 PRINT"PRECIZATI LIMITELE INTERVAL INCREDERE PT. X "
1430 INPUT"L MIN = ",LMIN
1440 INPUT"L MAX = ",LMAX:PRINT
1450 CI=FC(LMAX)-FC(LMIN)
1460 PRINT"INTERVALUL DE INCREDERE [";LMIN;";";LMAX;" ] ARE COEF.INCREDERE =
";FNR(CI)
1470 INPUT"NR.VALORI SIMULATE ESTE M = ",M:PRINT
1480 DIM NA(M),XS(M)
1490 RANDOMIZE TIMER
1500 FOR J=1 TO M
1510 NA(J)=RND
1520 NEXT J:PRINT
1530 FOR J=1 TO M
1540 FOR I=1 TO N
1550 IF NA(J)>FC(I-1) AND NA(J)<=FC(I) THEN XS(J)=I
1560 NEXT I
1570 NEXT J
1580 FOR J=1 TO M
1590 PRINT"XS (";J;" ) = ";XS(J);";";
1610 MXS=0:VXS=0
1620 FOR J=1 TO M
1630 MXS=MXS+XS(J)/M
1640 NEXT J
1650 FOR J=1 TO M
1660 VXS=VXS+((XS(J)-MXS)^2)
1670 NEXT J
1680 SXS=SQR(VXS/(M-1))
1690 MX=N*P
1700 PRINT"MEDIA ESTE MX = ";FNR(MX)
1710 PRINT"MEDIA SIMULATA ESTE MXS = ";FNR(MXS):PRINT
1720 SX=SQR(N*P*Q)
1730 PRINT"ABATEREA-STANDARD ESTE SX = ";FNR(SX):PRINT
1740 PRINT"ABATEREA-STANDARD SIMULATA ESTE SXS = ";FNR(SXS):PRINT
1750 DIM XC(N),YC(N),XT(N),YT(N)
1760 FOR I=1 TO N
1770 XC(I)=X(I)
1780 YC(I)=F(I)
1790 NEXT I
1800 INPUT"APASA O TASTA PT.GRAFIC POLIGON",A$
1810 GOSUB 5700
1830 FOR I=1 TO N
1840 XC(I)=X(I)
1850 YC(I)=FC(I)
1860 NEXT I
1870 INPUT"APASA O TASTA PT.GRAFIC CUMULATA",A$
1880 GOSUB 5700
1890 ERASE F,FC,NA,XS,X
1900 RETURN
1910 REM"SUBRUTINA VARIABILEI HIPERGEOMETRICE"
1920 REM"------------------------------------"
1930 INPUT"NR.BILE ALBE ESTE A = ",A:PRINT
160
1940 INPUT"NR.BILE NEGRE ESTE B = ",B:PRINT
1950 MINAB=(A+B-ABS(A-B))/2
1960 PRINT"NR.BILE EXTRASE CU BILA NEREVENITA N < ";MINAB;" ESTE = ";:INPUT
N:CLS
1970 P=A/(A+B):Q=1-P
1980 DIM X(N+1),PM(A+B),F(N+1),FC(N+1)
1990 PM(1)=1
2000 FOR I=2 TO A+B
2010 PM(I)=PM(I-1)*I
2020 NEXT I
2030 F(0)=(PM(B)*PM(A+B-N))/(PM(B-N)*PM(A+B)):FC(0)=F(0)
2040 FOR K=1 TO N
2050 X(K)=K
2060 F(K)=F(K-1)*(A-K+1)*(N-K+1)/((B-N+K)*K)
2070 NEXT K
2080 FOR K=1 TO N
2090 FC(K)=FC(K-1)+F(K)
2100 NEXT K
2120 PRINT"------------------------------------------"
2130 FOR K=0 TO N
2150 NEXT K
2160 PRINT"------------------------------------------"
2170 PRINT"PRECIZATI LIMITELE INTERVALULUI DE INCREDERE":PRINT
2180 INPUT"L MIN = ",LMIN:PRINT
2210 PRINT"INTERVALUL DE INCREDERE [";LMIN;";";LMAX;" ] ARE COEF. DE INCREDERE =
";FNR(CI):PRINT
2250 FOR J=1 TO M
2260 NA(J)=RND
2270 NEXT J:PRINT
2280 FOR J=1 TO M
2290 FOR I=1 TO N
2310 NEXT I
2320 NEXT J
2330 FOR J=1 TO M
2340 PRINT"XS (";J;" ) = ";XS(J);";";
2360 MXS=0:VXS=0
2370 FOR J=1 TO M
2390 NEXT J
2400 FOR J=1 TO M
2420 NEXT J
2440 MX=N*P
2460 PRINT"MEDIA SIMULATA ESTE MXS = ";FNR(MXS)
2470 SX=SQR(N*P*Q*(A+B-1)/(A+B-N)):PRINT
2480 PRINT"ABATEREA-STANDARD ESTE SX = ",FNR(SX)
2510 FOR I=1 TO N
2520 XC(I)=X(I)
2530 YC(I)=F(I)
2540 NEXT I
161
2560 GOSUB 5700
2580 FOR I=1 TO N
2590 XC(I)=X(I)
2600 YC(I)=FC(I)
2610 NEXT I
2630 GOSUB 5700
2640 ERASE F,FC,NA,XS,X,PM
2650 RETURN
2660 REM"SUBRUTINA VARIABILEI PASCAL"
2670 REM"---------------------------"
2680 INPUT"NR.SUCCESE S = ",S:PRINT
2690 INPUT"PROBABILITATEA SUCCESULUI P = ",P:PRINT
2700 INPUT"NR.MAXIM DE INCERCARI (CEL PUTIN S) ESTE N = ",N:CLS
2710 Q=1-P
2720 DIM X(N+1),F(N+1),FC(N+1)
2730 X(S)=S:F(S)=P^S:FC(S)=F(S)
2740 FOR K=S+1 TO N
2750 X(K)=K
2760 F(K)=F(K-1)*(K-1)*Q/(K-S)
2770 NEXT K
2780 FOR K=S+1 TO N
2790 FC(K)=FC(K-1)+F(K)
2800 NEXT K
2820 PRINT"------------------------------------------"
2830 FOR K=S TO N
2850 NEXT K
2860 PRINT"------------------------------------------"
2870 PRINT"PRECIZATI LIMITELE INTERVALULUI DE INCREDERE PT. X ":PRINT
2910 PRINT"INTERVALUL DE INCREDERE [";LMIN;";";LMAX;" ] ARE COEF. DE INCREDERE =
";FNR(CI):PRINT
2950 FOR J=1 TO M
2960 NA(J)=RND
2970 NEXT J:PRINT
2980 FOR J=1 TO M
2990 FOR I=S TO N
3010 NEXT I
3020 NEXT J
3030 FOR J=1 TO M
3040 PRINT"XS (";J;" ) = ";XS(J);";";
3060 MXS=0:VXS=0
3070 FOR J=1 TO M
3090 NEXT J
3100 FOR J=1 TO M
3120 NEXT J
3140 MX=S*Q/P
162
3170 SX=SQR(S*Q)/P
3180 PRINT"ABATEREA-STANDARD ESTE SX = ";FNR(SX)
3210 FOR I=1 TO N
3220 XC(I)=X(I)
3230 YC(I)=F(I)
3240 NEXT I
3260 GOSUB 5700
3280 FOR I=1 TO N
3290 XC(I)=X(I)
3300 YC(I)=FC(I)
3310 NEXT I
3330 GOSUB 5700
3350 RETURN
3360 REM"SUBRUTINA VARIABILEI POISSION"
3370 REM"-----------------------------"
3380 INPUT"NR.MEDIU BILE ALBE ESTE L = ",L:PRINT
3390 INPUT"NR.MAXIM DE BILE EXTRASE ESTE N = ",N:CLS
3400 DIM X(N+1),F(N+1),FC(N+1)
3410 X(0)=0:F(0)=EXP(-L):FC(0)=F(0)
3420 FOR K=1 TO N
3430 X(K)=K
3440 F(K)=F(K-1)*L/K
3450 NEXT K
3460 FOR K=1 TO N
3470 FC(K)=FC(K-1)+F(K)
3480 NEXT K
3500 PRINT"------------------------------------------"
3510 FOR K=0 TO N
3530 NEXT K
3540 PRINT"------------------------------------------"
3550 PRINT"PRECIZATI LIMITELE INTERVALULUI DE INCREDERE PT. X "
3570 INPUT"L MAX = ",LMAX
3590 PRINT"INTERVALUL DE INCREDERE [ ";LMIN;";";LMAX;" ] PT. X ARE COEF.DE
INCREDERE = ";FNR(CI)
3600 INPUT"DATI NR.DE VALORI SIMULATE M = ",M
3630 FOR J=1 TO M
3640 NA(J)=RND
3650 NEXT J:PRINT
3660 FOR J=1 TO M
3670 FOR I=1 TO N
3690 NEXT I
3700 NEXT J
3710 FOR J=1 TO M
3720 PRINT"XS (";J;" ) = ";XS(J);";";
3740 MXS=0:VXS=0
3750 FOR J=1 TO M
3770 NEXT J
3780 FOR J=1 TO M
163
3800 NEXT J
3820 PRINT"MEDIA ESTE MX = ";FNR(L)
3840 PRINT"ABATEREA-STANDARD ESTE SX = ";FNR(SQR(L))
3870 FOR I=1 TO N
3880 XC(I)=X(I)
3890 YC(I)=F(I)
3900 NEXT I
3920 GOSUB 5700
3940 FOR I=1 TO N
3950 XC(I)=X(I)
3960 YC(I)=FC(I)
3970 NEXT I
3990 GOSUB 5700
4010 RETURN
4020 REM"SUBRUTINA VARIABILEI EXPONENTIALE"
4030 REM"---------------------------------"
4040 INPUT"NR.MEDIU DE EVENIMENTE IN UNITATEA DE TIMP ESTE L = ",L:PRINT
4050 INPUT"X MIN = ",XMIN:PRINT
4060 INPUT"X MAX = ",XMAX:PRINT
4070 INPUT"PAS X = ",H:CLS
4080 N=INT((XMAX-XMIN)/H)+1
4090 PRINT"SE VOR AFISA ";N;" SETURI DE VALORI":PRINT
4100 DIM X(N),F(N),FC(N)
4110 FOR K=1 TO N
4120 X(K)=XMIN+(K-1)*H
4130 F(K)=L*EXP(-L*X(K))
4140 FC(K)=1-EXP(-L*X(K))
4150 NEXT K
4170 PRINT"----------------------------------------------"
4180 FOR K=1 TO N
4200 NEXT K
4210 PRINT"------------------------------------------"
4220 PRINT"PRECIZATI LIMITELE INTERVAL DE INCREDERE PT. X "
4240 INPUT"L MAX = ",LMAX
4250 CI=EXP(-L*LMIN)-EXP(-L*LMAX)
4260 PRINT"INTERVALUL DE INCREDERE [";LMIN;";";LMAX;" ] ARE COEF.INCREDERE = ";CI
4300 FOR J=1 TO M
4310 NA(J)=RND
4320 NEXT J:PRINT
4330 FOR J=1 TO M
4340 FOR I=1 TO N
4350 IF NA(J)>FC(I-1) AND NA(J)<=FC(I) THEN XS(J)=X(I)
4360 NEXT I
4370 NEXT J
4380 FOR J=1 TO M
4390 PRINT"XS (";J;" ) = ";XS(J);";";
4410 MXS=0:VXS=0
164
4420 FOR J=1 TO M
4440 NEXT J
4450 FOR J=1 TO M
4470 NEXT J
4490 PRINT"MEDIA ESTE MX = ";FNR(1/L)
4510 PRINT"ABATEREA-STANDARD ESTE SX = ";FNR(1/L^2)
4540 FOR I=1 TO N
4550 XC(I)=X(I)
4560 YC(I)=F(I)
4570 NEXT I
4590 GOSUB 5700
4610 FOR I=1 TO N
4620 XC(I)=X(I)
4630 YC(I)=FC(I)
4640 NEXT I
4660 GOSUB 5700
4680 RETURN
4690 REM"SUBRUTINA VARIBILEI NORMALE"
4700 REM"---------------------------"
4710 INPUT"MEDIA ESTE MX = ",MX
4720 INPUT"ABATEREA-STANDARD ESTE SX = ",SX
4730 INPUT"U MIN = ",UMIN:PRINT
4740 INPUT"U MAX = ",UMAX:PRINT
4750 INPUT"PAS U = ",H:PRINT
4760 N=INT((UMAX-UMIN)/H)+1
4770 PRINT"SE VOR AFISA ";N;" SETURI DE VALORI":PRINT
4780 DIM U(N),UT(N),F(N),FC(N)
4790 FOR I=1 TO N
4800 S=1
4810 U(I)=UMIN+(I-1)*H
4820 IF U(I)<0 THEN S=-1
4830 U(I)=S*U(I)
4840 F(I)=.3989422*EXP(-(U(I)^2)/2)
4850 A1=.31938153#:A2=-.356563792#:A3=1.781477937#:A4=-
1.821255978#:A5=1.330274429#
4860 UT(I)=1+.2316419*U(I)
4870 FC(I)=1-.3989422*EXP(-
U(I)^2/2)*(A1/UT(I)+A2/(UT(I)^2)+A3/(UT(I)^3)+A4/(UT(I)^4)+A5/(UT(I)^5))
4880 IF S=-1 THEN FC(I)=1-FC(I)
4890 IF S=-1 THEN U(I)=-U(I)
4900 NEXT I
4910 EC=INT(N/20)
4920 PRINT"NR.ECRANE AFISATE ESTE = ";EC+1:PRINT
4940 FOR I=1 TO EC
4950 PRINT"VAL.NORMATA DENSIT.PROBAB. FUNCTIE PROBAB."
4960 PRINT"----------------------------------------------"
4970 FOR L=20*(I-1)+1 TO 20*I
4980 PRINT USING"##.###";U(L);:PRINT" ";:PRINT
USING".#####";F(L);:PRINT" ";:PRINT USING".#####";FC(L)
4990 NEXT L
5000 PRINT"----------------------------------------------"
165
5020 NEXT I
5030 PRINT"VAL.NORMATA DENSIT.PROBAB. FUNCTIE PROBAB."
5040 PRINT"----------------------------------------------"
5050 FOR L=20*EC+1 TO N
5060 PRINT USING"##.###";U(L);:PRINT" ";:PRINT
USING".#####";F(L);:PRINT" ";:PRINT USING".#####";FC(L)
5070 NEXT L
5080 PRINT"----------------------------------------------"
5090 PRINT"PRECIZATI LIMITELE INTERVALULUI DE INCREDERE PT. X "
5120 UMI=(LMIN-MX)/SX
5130 UMA=(LMAX-MX)/SX
5140 S=1
5150 IF UMA<0 THEN S=-1
5160 UMA=S*UMA
5170 UTA=1+.2316419*UMA
5180 FRA=1-.3989422*EXP(-
UMA^2/2)*(A1/UTA+A2/(UTA^2)+A3/(UTA^3)+A4/(UTA^4)+A5/(UTA^5))
5190 IF S=-1 THEN FRA=1-FRA
5200 T=1
5210 IF UMI<0 THEN T=-1
5220 UMI=T*UMI
5230 UTI=1+.2316419*UMI
5240 FRI=1-.3989422*EXP(-
UMI^2/2)*(A1/UTI+A2/(UTI^2)+A3/(UTI^3)+A4/(UTI^4)+A5/(UTI^5))
5250 IF T=-1 THEN FRI=1-FRI
5260 CI=FRA-FRI
5270 PRINT"INTERVALUL DE INCREDERE [ ";LMIN;";";LMAX;" ] ARE COEF.DE
INCREDERE = ";FNR(CI)
5310 FOR J=1 TO M
5320 NA(J)=RND
5330 NEXT J:PRINT
5340 FOR J=1 TO M
5350 FOR I=1 TO N
5370 NEXT I
5380 NEXT J
5390 FOR J=1 TO M
5400 PRINT"XS (";J;" ) = ";XS(J);";";
5420 MXS=0:VXS=0
5430 FOR J=1 TO M
5450 NEXT J
5460 FOR J=1 TO M
5480 NEXT J
5550 FOR I=1 TO N
5560 XC(I)=U(I)
5570 YC(I)=F(I)
5580 NEXT I
5600 GOSUB 5700
166
5620 FOR I=1 TO N
5630 XC(I)=U(I)
5640 YC(I)=FC(I)
5650 NEXT I
5670 GOSUB 5700
5680 ERASE U,UT,F,FC,NA,XS
5690 RETURN
5700 REM"PROGRAM GRAFIC FUNCTIE O VARIABILA(GRAFIC1)"
5710 FOR I=1 TO N
5720 IF YC(I)<0 THEN YC(I)=0
5730 NEXT I
5740 YCMAX=YC(1)
5750 FOR I=2 TO N
5760 IF YC(I)<YCMAX THEN 5780
5770 YCMAX=YC(I)
5780 NEXT I
5790 FOR I=1 TO N
5800 XT(I)=(634*XC(I)+5*XC(N)-639*XC(1))/(XC(N)-XC(1))
5810 YT(I)=(317*YC(I)+5*YCMAX)/YCMAX
5820 NEXT I
5830 KEY OFF
5840 CLS
5850 SCREEN 2
5860 CLS
5870 WINDOW (0,0)-(639,349)
5880 LOCATE 24,75:PRINT FNR(XC(N))
5890 LOCATE 23,2:PRINT FNR(XMIN)
5900 LINE (5,5)-(639,5)
5910 FOR I=0 TO 5
5920 PSET(634+I,I)
5930 PSET(634+I,10-I)
5940 NEXT I
5950 LINE (5,5)-(5,349)
5960 FOR I=0 TO 5
5970 PSET(I,317+I)
5980 PSET(10-I,317+I)
5990 NEXT I
6000 LOCATE 22,3:PRINT"0"
6010 LOCATE 1,1:PRINT FNR(YCMAX)
6020 FOR I=1 TO N-1
6030 LINE (XT(I),YT(I))-(XT(I+1),YT(I+1))
6040 NEXT I
6050 INPUT" ",A$
6060 SCREEN 0
6070 ERASE XC,YC,XT,YT
6080 RETURN
6090 END
7.SISTALEA.BAS
1000 KEY OFF:CLS

1010 PRINT"SISTEME CU CERERE SI SERVIRE ALEATOARE(SISTALEA)"
1020 PRINT"------------------------------------------------"
1030 PRINT"AUTOR : ENE P.DUMITRU ; CNP :1420720400340"
1040 PRINT"------------------------------------------"
1050 DEF FNR(X)=INT(10000*X+.5)/10000
1060 PRINT"VARIANTE :"
1070 PRINT"----------"
1080 PRINT"1.SISTEM CU ASTEPTARE(CU SIR DE ASTEPTARE DE LUNGIME N = INFINITA)"
1090 PRINT"2.SISTEM MIXT(CU SIR DE ASTEPTARE DE LUNGIME N = FINITA)"
1100 PRINT"3.SISTEM CU REFUZ(CU SIR DE ASTEPTARE DE LUNGIME N = ZERO)"
167
1110 PRINT"4.EXIT":PRINT
1120 INPUT"ALEGETI NUMARUL VARIANTEI M = ",M:CLS
1130 IF M<0 OR M>4 THEN PRINT"ALEGERE GRESITA !":GOTO 1210
1140 ON M GOTO 1150,1530,1980,2420
1150 PRINT"SISTEME CU ASTEPTARE(SIR DE ASTEPTARE DE LUNGIME N = INFINITA"
1160 PRINT"-------------------------------------------------------------"
1170 PRINT"DATE DE INTRARE :"
1180 PRINT"-----------------"
1190 INPUT"NUMARUL MEDIU DE CERERI IN UNITATEA DE TIMP ESTE LD =",LD
1200 INPUT"NUMARUL STATIILOR DE SERVIRE ESTE S = ",S
1210 INPUT"NUMARUL MEDIU DE SERVIRI IN UNITATEA DE TIMP ESTE MI =",MI
1220 RO=LD/MI:ROS=RO/S
1230 IF ROS>=1 THEN PRINT"DEOARECE ROS>= 1 REPETATI ALEGEREA DATELOR DE INTRARE
!":GOTO 1060
1240 PRINT"FACTORUL DE SERVIRE AL UNEI STATII ESTE RO =";RO
1250 PRINT"FACTORUL DE SERVIRE AL SISTEMULUI ESTE ROS =";ROS
1260 INPUT"NUMARUL DE CERERI IN SISTEM ESTE K =",K
1270 H=(K+S+ABS(K-S))/2
1280 DIM F(H),P(H)
1290 SP=1:GOSUB 2340
1300 FOR I=1 TO S-1
1310 SP=SP+(ROÎ)/F(I)
1320 NEXT I
1330 P(0)=SP+RO^S/(F(S)*(1-ROS)):P(0)=1/P(0)
1340 FOR I=1 TO S
1350 P(I)=(ROÎ)*P(0)/F(I)
1360 NEXT I
1370 FOR I=S+1 TO K
1380 P(I)=(ROÎ)*P(0)/(F(S)*(S^(I-S)))
1390 NEXT I
1400 PRINT"PROBABILITATEA EXISTENTEI A ";K;" CERERI IN SISTEM ESTE P(";K;" )
=";FNR(P(K))
1410 U1=(RO^S)*ROS*P(0)/F(S):U2=(1-ROS)^2:U=RO+U1/U2
1420 PRINT"NUMARUL MEDIU DE CERERI IN SISTEM ESTE U =";FNR(U)
1430 W=U/LD
1440 PRINT"TIMPUL MEDIU DE ASTEPTARE IN SISTEM ESTE W =";FNR(W)
1450 PRINT"NUMARUL MEDIU DE STATII OCUPATE ESTE L =";FNR(RO)
1460 PR=0
1470 PRINT"PROBABILITATEA DE A REFUZA CERERI ESTE PR =";PR
1480 INPUT"LIMITA MINIMA DE ASTEPTARE IN SISTEM ESTE T =",T
1490 PT1=(RO^S)*P(0)*EXP(-MI*S*T*(1-ROS)):PT2=F(S)*(1-ROS):PT=PT1/PT2
1500 PRINT"PROBABILITATEA DE A ASTEPTA IN SISTEM UN TIMP SUPERIOR LUI";T;" ESTE
PT = ";FNR(PT)
1510 ERASE F:ERASE P
1520 GOTO 2400
1530 PRINT"2.SISTEM MIXT(CU SIR DE ASTEPTARE DE LUNGIME N = FINITA)"
1540 PRINT"---------------------------------------------------------"
1560 PRINT"-----------------"
!":GOTO 1170
1620 PRINT"FACTORUL DE SERVIRE AL UNEI STATII ESTE RO =";FNR(RO)
1630 PRINT"FACTORUL DE SERVIRE AL SISTEMULUI ESTE ROS =";FNR(ROS)
1640 INPUT"LUNGIMEA FIRULUI DE ASTEPTARE ESTE N =",N
1650 PRINT"NUMARUL DE CERERI IN SISTEM K <= ";S+N;" ESTE = ";:INPUT K
1660 H=(K+S+N+ABS(K-S-N))/2
1670 DIM F(H),P(H)
1680 SP=1:GOSUB 2340
1690 FOR I=1 TO S-1
168
1710 NEXT I
1720 P(0)=SP+(RO^S)*(1-ROS^(N+1))/(F(S)*(1-ROS)):P(0)=1/P(0)
1730 FOR I=1 TO S
1740 P(I)=(ROÎ)*P(0)/F(I)
1750 NEXT I
1760 FOR I=S+1 TO K
1770 P(I)=(ROÎ)*P(0)/(F(S)*(S^(I-S)))
1780 NEXT I
1790 PRINT"PROBABILITATEA EXISTENTEI A ";K;"<=";S+N;" CERERI IN SISTEM ESTE
P(";K;" ) =";FNR(P(K))
1800 U1=(RO^S)*ROS*P(0)/F(S):U2=1-(N+1)*ROS^N+N*ROS^(N+1):U3=(1-
ROS)^2:U4=S*ROS^N:U=RO+U1*(U2/U3+U4)
1820 W=U/LD
1830 L1=SP:L2=RO^S*(1-ROS^N):L3=F(S)*(1-ROS):L=RO*(L1+L2/L3)*P(0)
1840 PRINT"TIMPUL MEDIU DE ASTEPTARE IN SISTEM ESTE W =";FNR(L)
1850 PRINT"NUMARUL MEDIU DE STATII OCUPATE ESTE L =";FNR(RO)
1860 PR=RO^S*ROS^N*P(0)/F(S)
1870 PRINT"PROBABILITATEA DE A REFUZA CERERI ESTE PR =";FNR(PR)
1890 PT1=(RO^S)*P(0)*EXP(-MI*S*T):PT2=F(S)*(1-ROS)
1900 SM=1-ROS^N:GOSUB 2340
1910 FOR I=1 TO N-1
1920 SM=SM+((MI*S*T)Î)*(ROSÎ-ROS^N)/F(I)
1930 NEXT I
1940 PT=PT1*SM/PT2
PT = ";FNR(PT)
1970 GOTO 2400
1980 PRINT"3.SISTEM CU REFUZ(CU SIR DE ASTEPTARE DE LUNGIME N = ZERO)"
1990 PRINT"----------------------------------------------------------"
2010 PRINT"-----------------"
!":GOTO 1170
2070 PRINT"FACTORUL DE SERVIRE AL UNEI STATII ESTE RO =";FNR(RO)
2080 PRINT"FACTORUL DE SERVIRE AL SISTEMULUI ESTE ROS =";FNR(ROS)
2090 PRINT"NUMARUL DE CERERI IN SISTEM K <= ";S;" ESTE = ";:INPUT K
2100 H=(K+S+ABS(K-S))/2
2110 DIM F(H),P(H)
2120 SP=1:GOSUB 2340
2130 FOR I=1 TO S-1
2150 NEXT I
2160 P(0)=1/(SP+RO^S/F(S))
2170 FOR I=1 TO S
2180 P(I)=(ROÎ)*P(0)/F(I)
2190 NEXT I
2200 PRINT"PROBABILITATEA EXISTENTEI A ";K;" CERERI IN SISTEM ESTE P(";K;" )
=";FNR(P(K))
2210 U=RO-RO^(S+1)*P(0)/F(S)
2230 W=U/LD
2240 PRINT"TIMPUL MEDIU DE ASTEPTARE IN SISTEM ESTE W =";FNR(W)
2250 L=RO*P(0)*(SP+RO^S/(F(S)*(1-ROS)))
2260 PRINT"NUMARUL MEDIU DE STATII OCUPATE ESTE L =";FNR(L)
2270 PR=(RO^S)*P(0)/F(S)
169
2280 PRINT"PROBABILITATEA DE A REFUZA CERERI ESTE PR =";FNR(PR)
2300 PT1=(RO^S)*P(0)*EXP(-MI*S*T):PT2=F(S)*(1-ROS):PT=PT1/PT2
PT = ";PT
2330 GOTO 2400
2340 REM"SUBPROBRAM CALCUL FACTORIAL"
2350 F(1)=1
2360 FOR I=2 TO H
2370 F(I)=F(I-1)*I
2380 NEXT I
2390 RETURN
2400 PRINT:INPUT"DORITI ALTA ALEGERE ? (D / N ) ",A$:CLS
2410 IF A$="D" OR A$="d" THEN 1060
2420 END
9.DINAMICA.BAS
1000 KEY OFF:CLS

1010 PRINT"PROGRAM COEF.EVOLUTIE (DINAMICA)"
1020 PRINT"--------------------------------"
1030 PRINT"AUTOR: ENE P.DUMITRU ; CNP:1420720400340"
1040 PRINT"----------------------------------------"
1050 INPUT"NUMARUL DATELOR DE EVOLUTIE Y ESTE N = ",N:PRINT
1060 INPUT"CARACTERUL Y ARE VALORI INSTANTANEE (D=1) SAU MEDII (D=2) ? ",D:PRINT
1070 DEF FNR(Y)=INT(1000*Y+.5)/1000
1080 DIM X(N),Y(N),YV(N),YP(N),XR(N),YR(N),ZR(N),Z(N),D1(N),D2(N),R1(N),R2(N)
1090 PRINT"INTRODUCETI DATELE DE EVOLUTIE Y :"
1100 PRINT"----------------------------------"
1110 FOR I=1 TO N
1120 PRINT"VALOAREA DE EVOLUTIE Y(";I;") ESTE = ";:INPUT Y(I)
1130 NEXT I:PRINT:CLS
1140 SR=0:SPA=0:TPA=0
1150 FOR I=1 TO N
1160 SR=SR+Y(I)
1170 NEXT I
1180 MDI=SR/N:MDM=(SR-((Y(1)+Y(N))/2))/(N-1)
1190 IF D=1 THEN MD=MDI ELSE MD=MDM
1200 U0=0
1210 FOR I=2 TO N
1220 IF Y(I)=Y(I-1) THEN D1(I)=0 AND D2(I)=0:U0=U0+1
1230 NEXT I
1240 U1=0
1250 FOR I=2 TO N
1260 IF Y(I)>Y(I-1) THEN D1(I)=Y(I)-Y(I-1):U1=U1+1
1270 NEXT I
1280 RV1=0
1290 FOR I=2 TO N
1300 RV1=RV1+D1(I)
1310 NEXT I
1320 IF U2=N-U0-1 THEN RV1=0:GOTO 1340
1330 RV1=RV1/U1
1340 U2=0
1350 FOR I=2 TO N
1360 IF Y(I)<Y(I-1) THEN D2(I)=Y(I)-Y(I-1):U2=U2+1
1370 NEXT I
1380 RV2=0
1390 FOR I=2 TO N
1400 RV2=RV2+D2(I)
1410 NEXT I
1420 IF U1=N-U0-1 THEN RV2=0:GOTO 1440
1430 RV2=RV2/U2
170
1440 FOR I=1 TO N
1450 R1(I)=1:R2(I)=1
1460 NEXT I
1470 V0=0
1480 FOR I=2 TO N
1490 IF Y(I)=Y(I-1) THEN V0=V0+1
1500 NEXT I
1510 V1=0
1520 FOR I=2 TO N
1530 IF Y(I)>Y(I-1) THEN R1(I)=Y(I)/Y(I-1):V1=V1+1
1540 NEXT I
1550 RP1=1
1560 FOR I=2 TO N
1570 RP1=RP1*R1(I)
1580 NEXT I
1590 RP1=RP1^(1/V1)
1600 V2=0
1610 FOR I=2 TO N
1620 IF Y(I)<Y(I-1) THEN R2(I)=Y(I)/Y(I-1):V2=V2+1
1630 NEXT I
1640 RP2=1
1650 FOR I=2 TO N
1660 RP2=RP2*R2(I)
1670 NEXT I
1680 RP2=RP2^(1/V2)
1690 PRINT"REZULTATE :"
1700 PRINT"***********"
1710 PRINT"LISTA INDICATORI EVOLUTIE :"
1720 PRINT"---------------------------"
1730 PRINT"MEDIA CRONOLOGICA ESTE MD = ";FNR(MD)
1740 PRINT"RITMUL MEDIU VALORIC CRESCATOR ESTE RV1 = ";FNR(RV1)
1750 PRINT"RITMUL MEDIU VALORIC DESCRESCATOR ESTE RV2 = ";FNR(RV2)
1760 PRINT"RITMUL MEDIU PROCENTUAL CRESCATOR ESTE RP1 = ";FNR(RP1)
1770 PRINT"RITMUL MEDIU PROCENTUAL DESCRESCATOR ESTE RP2 = ";FNR(RP2):PRINT
1780 INPUT"APASA O TASTA PT. CONTINUARE...",A$:CLS
1790 YV(1)=Y(1)
1800 FOR I=2 TO N
1810 IF Y(I)>Y(I-1) THEN YV(I)=Y(I-1)+RV1
1820 NEXT I
1830 FOR I=2 TO N
1840 IF Y(I)<Y(I-1) THEN YV(I)=Y(I-1)+RV2
1850 NEXT I
1860 FOR I=2 TO N
1870 IF Y(I)=Y(I-1) THEN YV(I)=YV(I-1)
1880 NEXT I
1890 YP(1)=Y(1)
1900 FOR I=2 TO N
1910 IF Y(I)>Y(I-1) THEN YP(I)=Y(I-1)*RP1
1920 NEXT I
1930 FOR I=2 TO N
1940 IF Y(I)<Y(I-1) THEN YP(I)=Y(I-1)*RP2
1950 NEXT I
1960 FOR I=2 TO N
1970 IF Y(I)=Y(I-1) THEN YP(I)=YP(I-1)
1980 NEXT I
1990 PRINT"TABEL CU VALORI OBSERVATE Y,CALCULATE YV,YP SI DIFERENTE DYV,DYP :"
2000 PRINT"------------------------------------------------------------------"
2010 PRINT"VAL.Y| VAL.YV| DIFER.DYV| VAL.YP| DIFER.DYP"
2020 PRINT"-------------------------------------------"
2030 FOR I=1 TO N
2040 PRINT USING"####";Y(I);:PRINT" ";:PRINT USING"####.##";YV(I);:PRINT"
";:PRINT USING"####.##";Y(I)-YV(I);:PRINT" ";:PRINT
USING"####.##";YP(I);:PRINT" ";:PRINT USING"####.##";Y(I)-YP(I)
171
2050 NEXT I
2060 PRINT"-------------------------------------------"
2070 SPAT=0:SPAV=0:SPAP=0
2080 FOR I=1 TO N
2090 SPAT=SPAT+(Y(I)-MDI)^2
2100 SPAV=SPAV+(Y(I)-YV(I))^2
2110 SPAP=SPAP+(Y(I)-YP(I))^2
2120 NEXT I
2130 EV=SPAV/SPAT:EP=SPAP/SPAT
2140 PRINT"EROAREA PROCENTUALA IN AJUSTAREA EVOLUTIEI DATELOR CU RV ESTE
=";FNR(EV)
2150 PRINT"EROAREA PROCENTUALA IN AJUSTAREA EVOLUTIEI DATELOR CU RP ESTE
=";FNR(EP):PRINT
2160 INPUT"APASA O TASTA PT.CONTINUARE...",A$:CLS
2170 FOR I=1 TO N
2180 X(I)=I
2190 NEXT I
2200 FOR I=1 TO N
2210 Z(I)=YV(I)
2220 NEXT I
2230 PRINT"GRAFIC VALORI Y OBSERVATE SI VALORI YV CALCULATE CU RV "
2240 PRINT"-------------------------------------------------------"
2250 GOSUB 2330
2260 FOR I=1 TO N
2270 Z(I)=YP(I)
2280 NEXT I
2290 PRINT"GRAFIC VALORI Y OBSERVATE SI VALORI YP CALCULATE CU RP "
2300 PRINT"-------------------------------------------------------"
2310 GOSUB 2330
2320 END
2330 REM"SUBPROGRAM PT.GRAFIC DATE DE EVOLITIE Y,YV,YP"
2340 FOR I=1 TO N
2350 FOR J=1 TO N
2360 IF X(J)>X(I) THEN SWAP X(I),X(J) :SWAP Y(I),Y(J):SWAP Z(I),Z(J)
2370 NEXT J
2380 NEXT I
2390 MINX=X(1):MAXX=X(N)
2400 XMI1=X(1):MINY=Y(1)
2410 FOR I=1 TO N
2420 IF Y(I)>MINY THEN 2440
2430 XMI1=X(I):MINY=Y(I)
2440 NEXT I
2450 XMA1=X(1):MAXY=Y(1)
2460 FOR I=1 TO N
2470 IF Y(I)<MAXY THEN 2490
2480 XMA1=X(I):MAXY=Y(I)
2490 NEXT I
2500 XMI2=X(1):MINZ=Z(1)
2510 FOR I=1 TO N
2520 IF Z(I)>MINZ THEN 2540
2530 XMI2=X(I):MINZ=Z(I)
2540 NEXT I
2550 XMA2=X(1):MAXZ=Z(1)
2560 FOR I=1 TO N
2570 IF Z(I)<MAXZ THEN 2590
2580 XMA2=X(I):MAXZ=Z(I)
2590 NEXT I
2600 AX=MAXX-MINX
2610 AT=(MAXY+MAXZ+ABS(MAXY-MAXZ))/2
2620 BT=(MINY+MINZ-ABS(MINY-MINZ))/2
2630 FOR I=1 TO N
2640 XR(I)=(634*X(I)+5*X(N)-639*MINX)/AX
2650 YR(I)=(317*Y(I)+5*MAXY)/AT
172
2660 ZR(I)=(317*Z(I)+5*MAXZ)/AT
2670 NEXT I
2690 SCREEN 2
2700 PRINT"DATE OBSERVATE :":LINE (150,0)-(360,0)
2710 LOCATE 4,1:PRINT"DATE CALCULATE :":LINE (150,30)-(360,30),,,1
2720 LOCATE 24,1:INPUT" ",A$
2730 CLS
2740 WINDOW (0,0)-(639,349)
2750 LINE (5,5)-(639,5)
2760 LOCATE 24,75:PRINT FNR(MAXX)
2770 LOCATE 23,2:PRINT FNR(MINX)
2780 FOR I=0 TO 5
2790 PSET (634+I,I)
2800 PSET (634+I,10-I)
2810 NEXT I
2820 LINE (5,5)-(5,349)
2830 FOR I=0 TO 5
2840 PSET (I,317+I)
2850 PSET (10-I,317+I)
2860 NEXT I
2870 LOCATE 21,2:PRINT FNR(BT)
2880 LOCATE 1,1:PRINT FNR(AT)
2890 FOR I=1 TO N-1
2900 LINE (XR(I),YR(I))-(XR(I+1),YR(I+1))
2910 NEXT I
2920 FOR I=1 TO N-1
2930 LINE (XR(I),ZR(I))-(XR(I+1),ZR(I+1)),,,1
2940 NEXT I
2950 INPUT" ",A$
2960 SCREEN 0
2970 RETURN
9. C2P1.BAS

20 REM"NUMARUL PERECHILOR (X,Y) DE DATE DE SONDAJ ESTE N"
30 N=10
40 REM"VALORILE CARACTERULUI X DIN PERECHILE (X,Y) ORDONATE CRESCATOR :"
50 DATA 1,2,3,4,5,6,7,8,9,10
60 REM"VALORILE CARACTERULUI Y DIN PERECHILE (X,Y) :"
70 DATA 21,23,20,24,26,30,27,28,32,30
1000 KEY OFF:CLS
1010 PRINT"PROGRAM ESTIMATII/TESTE PT.DOUA CARACTERE INTR-O POPULATIE(C2P1)"
1020 PRINT"----------------------------------------------------------------"
1030 PRINT"AUTOR: ENE P.DUMITRU ; CNP :1420720400340"
1040 PRINT"-----------------------------------------"
1050 PRINT"NR.PERECHI DE VALORI (X,Y) ESTE N = ";N:PRINT
1060 INPUT"REGRESIA ESTE CU TERMEN LIBER ? (D/N) ",B$:PRINT
1070 DEF FNR(X)=INT(1000*X+.5)/1000
1080 DIM X(N),Y(N),DF(N)
1090 FOR I=1 TO N
1100 READ X(I)
1110 NEXT I
1120 FOR I=1 TO N
1130 READ Y(I)
1140 NEXT I
1150 MX=0:MY=0:SPAX=0:SPAY=0:SPAXY=0:SPX=0:SPXY=0
1160 FOR I=1 TO N
1170 MX=MX+X(I)/N
1180 MY=MY+Y(I)/N
1190 NEXT I
1200 FOR I=1 TO N
173
1210 SPAX=SPAX+(X(I)-MX)^2
1220 SPX=SPX+X(I)^2
1230 SPAY=SPAY+(Y(I)-MY)^2
1240 NEXT I
1250 FOR I=1 TO N
1260 SPAXY=SPAXY+(X(I)-MX)*(Y(I)-MY)
1270 SPXY=SPXY+X(I)*Y(I)
1280 NEXT I
1290 VX=SPAX/(N-1):VY=SPAY/(N-1)
1300 SX=SQR(VX):SY=SQR(VY)
1310 CX=(SX*100)/MX:CY=(SY*100)/MY
1320 SXY=SPAXY/(N-1)
1330 R=SXY/SQR(VX*VY)
1340 AX=(R^2)*100:AE=100-AX
1350 B1=SPAXY/SPAX:B0=MY-B1*MX:B10=SPXY/SPX
1370 PRINT"I.INDICATORI DE SONDAJ PROPRII:"
1380 PRINT"==============================="
1390 PRINT"INDICATORI PT.CARACTERUL X:"
1400 PRINT"---------------------------"
1420 PRINT"VARIANTA ESTE VX = ";FNR(VX)
1440 PRINT"COEF.VARIATIE ESTE CX = ";INT(CX);"%":PRINT
1450 PRINT"INDICATORI PT.CARACTERUL Y :"
1460 PRINT"----------------------------"
1470 PRINT"MEDIA ESTE MY = ";FNR(MY)
1480 PRINT"VARIANTA ESTE VY = ";FNR(VY)
1490 PRINT"ABATEREA-STANDARD ESTE SY = ";FNR(SY)
1500 PRINT"COEF.VATIATIE ESTE CY = ";INT(CY);"%":PRINT
1520 PRINT"II.INDICATORI DE SONDAJ DE LEGATURA :"
1530 PRINT"====================================="
1540 PRINT"COVARIANTA ESTE SXY = ";FNR(SXY)
1550 PRINT"COEF.CORELATIE LINIARA ESTE R = ";FNR(R)
1560 PRINT"APORTUL VARIATIEI LUI X LA VARIATIA LUI Y ESTE AX = ";INT(AX);" %"
1570 PRINT"APORTUL VARIATIEI ERORII LA VARIATIA LUI Y ESTE AE = ";100-INT(AX);" %"
1580 IF B$="N" OR B$="n" THEN B1=B10:B0=0
1590 PRINT"COEF.REGRESIE LINIARA ESTE B1 = ";FNR(B1)
1600 PRINT"TERMENUL LIBER AL DREPTEI DE REGRESIE ESTE B0 = ";FNR(B0):PRINT
1620 PRINT"III.ESTIMATII/TESTE PT.CORELATIE :"
1630 PRINT"================================="
1640 Q(1)=.05:Q(2)=.01:Q(3)=.001
1650 Z(1)=1.6449:Z(2)=2.3261:Z(3)=3.092
1660 FOR I=1 TO 3
1670 DLS(I)=((1+R)-(1-R)*EXP(2*Z(I)/SQR(N-3)))/((1+R)+(1-R)*EXP(2*Z(I)/SQR(N-3)))
1680 DLD(I)=((1+R)-(1-R)*EXP(-2*Z(I)/SQR(N-3)))/((1+R)+(1-R)*EXP(-2*Z(I)/SQR(N-3)))
1690 PRINT"INTERVALUL DE INCREDERE PT.COEF.DE CORELATIE RO AL POPULATIEI,CU
ASIGURAREA DE ";(1-Q(I))*100;"% ESTE [";FNR(DLS(I));";";FNR(DLD(I));"]"
1700 NEXT I:PRINT
1710 PRINT"TESTUL UNEI VALORI DATE PT. COEF.CORELATIE LINIARA RO AL POPULATIEI:"
1720 INPUT"VAL.TESTATA PT.COEF.CORELATIE LINIARA RO AL POPULATIEI ESTE =
",ROT:PRINT
1730 IF ROT<DLS(1) OR ROT>DLD(1) THEN 1750
1740 PRINT"COEF.CORELATIE LINIARA RO AL POPULATIEI ESTE EGAL CU ";ROT:GOTO 1800
1750 IF ROT<DLS(2) OR ROT>DLD(2) THEN 1770
1760 PRINT"COEF.CORELATIE LINIARA RO AL POPULATIEI DIFERA SEMNIFICATIV DE
";ROT:GOTO 1700
1770 IF ROT<DSL(3) OR ROT>DLD(3) THEN 1790
1780 PRINT"COEF.CORELATIE LINIARA RO AL POPULATIEI DIFERA DISTINCT SEMNIFICATIV
DE ";ROT:GOTO 1800
174
1790 PRINT"COEF.CORELATIE LINIARA RO AL POPULATIEI DIFERA FOARTE SEMNIFICATIV DE
";ROT
1800 PRINT
1820 PRINT"III.ESTIMATII/TESTE PT.REGRESIE :"
1830 PRINT"======================================"
1840 PRINT"VALOAREA CRITICA STUDENT PT.";N-2;" GL SI ALFA/2=0.025 ESTE =";:INPUT T(1)
1850 PRINT"VALOAREA CRITICA STUDENT PT.";N-2;" GL SI ALFA/2=0.005 ESTE =";:INPUT T(2)
1860 PRINT"VALOAREA CRITICA STUDENT PT.";N-2;" GL SI ALFA/2=0.0005 ESTE
=";:INPUT T(3):PRINT
1870 FOR I=1 TO 3
1880 DL0(I)=T(I)*SQR(((1-R^2)*((N-1)*VX+N*(MX^2))*VY)/(N*(N-2)*VX))
1890 PRINT"INTERVALUL DE INCREDERE PT. TERMENUL LIBER BETA0 AL REGRESIEI
POPULATIEI,CU ASIGURAREA DE ";(1-Q(I))*100;"% ESTE [";FNR(B0-
DL0(I));";";FNR(B0+DL0(I));"]"
1900 NEXT I:PRINT
1910 PRINT"TESTUL UNEI VALORI DATE PT.TERM.LIBER BETA0 AL REGRESIEI POPULATIEI:"
1920 INPUT"VAL.TESTATA PT.TERMENUL LIBER BETA0 AL REGRESIEI POPULATIEI ESTE =
",B0T:PRINT
1930 IF ABS(B0T-B0)>DL0(1) THEN 1950
1940 PRINT"TERM.LIBER BETA0 AL REGRESIEI POPULALIEI ESTE EGAL CU ";B0T:GOTO 2000
1950 IF ABS(B0T-B0)>DL0(2) THEN 1970
1960 PRINT"TERM.LIBER BETA0 AL REGRESIEI POPULATIEI DIFERA SEMNIFICATIV DE
";B0T:GOTO 2000
1970 IF ABS(B0T-B0)>DL0(3) THEN 1990
1980 PRINT"TERM.LIBER BETA0 AL REGRESIEI POPULATIEI DIFERA DISTINCT SEMNIFICATIV
DE ";B0T:GOTO 2000
1990 PRINT"TERM.LIBER BETA0 AL REGRESIEI POPULATIEI DIFERA FOARTE SEMNIFICATIV
DE ";B0T
2000 PRINT
2010 FOR I=1 TO 3
2020 DL1(I)=T(I)*SQR(((1-R^2)*VY)/(N*(N-2)*VX))
2030 PRINT"INTERVALUL DE INCREDERE PT. COEF.DE REGRESIE BETA1 AL POPULATIEI ,CU
ASIGURAREA DE ";(1-Q(I))*100;"% ESTE [";FNR(B1-
DL1(I));";";FNR(B1+DL1(I));"]"
2040 NEXT I:PRINT
2050 PRINT"TESTUL UNEI VALORI DATE PT.COEF.DE REGRESIE BETA1 AL POPULATIEI:"
2060 INPUT"VAL.TESTATA PT.COEF.REGRESIE BETA1 AL POPULATIEI ESTE = ",B1T:PRINT
2070 IF ABS(B1T-B1)>DL1(1) THEN 2090
2080 PRINT"COEF.REGRESIE BETA1 AL POPULATIEI ESTE EGAL CU ";B1T:GOTO 2140
2090 IF ABS(B1T-B1)>DL1(2) THEN 2110
2100 PRINT"COEF.REGRESIE BETA1 AL POPULATIEI DIFERA SEMNIFICATIV DE ";B1T:GOTO 2140
2110 IF ABS(B1T-B1)>DL1(3) THEN 2130
2120 PRINT"COEF.REGRESIE BETA1 AL POPULATIEI DIFERA DISTINCT SEMNIFICATIV DE
";B1T:GOTO 2140
2130 PRINT"COEF.REGRESIE BETA1 AL POPULATIEI DIFERA FOARTE SEMNIFICATIV DE ";B1T
2140 PRINT:INPUT"APASA O TASTA PT.CONTINUARE...",A$:CLS
2150 PRINT"IV.ESTIMATII PT.PROGNOZA Y :"
2160 PRINT"============================"
2170 FOR I=1 TO 3
2180 DL(I)=T(I)*SQR((N-1)*(1-R^2)*VY/(N*(N-2)))
2190 PRINT"DL(";I;") =";FNR(DL(I));";";
2210 INPUT"VALOAREA X PT.PROGNOZA ESTE XP = ";XP:PRINT
2220 FOR I=1 TO 3
2230 PRINT"INTERVALUL DE INCREDERE CU ASIGURAREA DE ";(1-Q(I))*100"; PT. Y
ASTEPTAT ESTE [ ";FNR(B1*XP+B0-DL(I));";";FNR(B1*XP+B0+DL(I));"]"
2240 NEXT I:PRINT
2250 INPUT"APASA O TASTA PT.GRAFIC...",A$:CLS
2260 GOSUB 2280
2270 END
2280 REM"PROGRAM GRAFIC DREAPTA DE REGRESIE CU FASIA DE INCREDERE"
2290 DIM YR(N),YC(N),ZC(N),WC(N),XT(N),YT(N),ZT(N),WT(N)
175
2300 FOR I=1 TO N
2310 YC(I)=B0+B1*X(I)-DL(1)
2320 ZC(I)=B0+B1*X(I)
2330 WC(I)=B0+B1*X(I)+DL(1)
2340 NEXT I
2350 PRINT" X Y YC-DL YC YC+DL"
2360 PRINT"--------------------------------------------------------------"
2370 FOR I=1 TO N
2380 PRINT USING"###.###";X(I);:PRINT" ";:PRINT USING"###.####";Y(I);:PRINT"
";:PRINT USING"###.####";YC(I);:PRINT" ";:PRINT
USING"###.####";ZC(I);:PRINT" ";:PRINT USING"###.####";WC(I)
2390 NEXT I
2400 PRINT"--------------------------------------------------------------"
2410 INPUT"APASATI O TASTA PT.CONTINUARE...",A$:CLS
2420 YMAX=Y(1)
2430 FOR I=2 TO N
2440 IF Y(I)<YMAX THEN 2460
2450 YMAX=Y(I)
2460 NEXT I
2470 YMIN=Y(1)
2480 FOR I=2 TO N
2490 IF Y(I)>YMIN THEN 2510
2500 YMIN=Y(I)
2510 NEXT I
2520 FOR I=1 TO N
2540 IF ZC(I)<0 THEN ZC(I)=0
2550 IF WC(I)<0 THEN WC(I)=0
2560 NEXT I
2570 YCMAX=YC(1)
2580 FOR I=2 TO N
2600 YCMAX=YC(I)
2610 NEXT I
2620 YCMIN=YC(1)
2630 FOR I=2 TO N
2640 IF YC(I)>YCMIN THEN 2660
2650 YCMIN=YC(I)
2660 NEXT I
2670 ZCMAX=ZC(1)
2680 FOR I=2 TO N
2690 IF ZC(I)<ZCMAX THEN 2710
2700 ZCMAX=ZC(I)
2710 NEXT I
2720 ZCMIN=ZC(1)
2730 FOR I=2 TO N
2740 IF ZC(I)>ZCMIN THEN 2760
2750 ZCMIN=ZC(I)
2760 NEXT I
2770 WCMAX=WC(1)
2780 FOR I=2 TO N
2790 IF WC(I)<WCMAX THEN 2810
2800 WCMAX=WC(I)
2810 NEXT I
2820 WCMIN=WC(1)
2830 FOR I=2 TO N
2840 IF WC(I)>WCMIN THEN 2860
2850 WCMIN=WC(I)
2860 NEXT I
2870 VC(1)=YMAX:VC(2)=YCMAX:VC(3)=ZCMAX:VC(4)=WCMAX
2880 VCMAX=VC(1)
2890 FOR I=2 TO 4
2900 IF VC(I)<VCMAX THEN 2920
176
2910 VCMAX=VC(I)
2920 NEXT I
2930 UC(1)=YMIN:UC(2)=YCMIN:UC(3)=ZCMIN:UC(4)=WCMIN
2940 UCMIN=UC(1)
2950 FOR I=2 TO 4
2960 IF UC(I)>UCMIN THEN 2980
2970 UCMIN=UC(I)
2980 NEXT I
2990 FOR I=1 TO N
3000 XT(I)=(634*X(I)+5*X(N)-639*X(1))/(X(N)-X(1))
3010 YR(I)=(317*Y(I)+5*VCMAX)/VCMAX
3020 YT(I)=(317*YC(I)+5*VCMAX)/VCMAX
3030 ZT(I)=(317*ZC(I)+5*VCMAX)/VCMAX
3040 WT(I)=(317*WC(I)+5*VCMAX)/VCMAX
3050 NEXT I
3060 CLS
3070 SCREEN 2
3080 PRINT"L E G E N D A"
3090 LOCATE 4,1:PRINT"DREAPTA DE REGRESIE":LINE (250,30)-(360,30)
3100 LOCATE 8,1:PRINT"FASIA INCREDERE":LINE (250,60)-(360,60),,,1
3110 LOCATE 12,1:PRINT"NOR PUNCTE":LINE (250,90)-(360,90),,,1000
3120 LOCATE 24,1:INPUT"APASA O TASTA PT.CONTINUARE",A$
3130 CLS
3140 WINDOW (0,0)-(639,349)
3150 LINE (5,5)-(639,5)
3160 FOR I=0 TO 5
3170 PSET (634+I,I)
3180 PSET (634+I,10-I)
3190 NEXT I
3200 LOCATE 24,74:PRINT FNR(X(N))
3210 LOCATE 23,2:PRINT FNR(X(1))
3220 LINE (5,5)-(5,349)
3230 FOR I=0 TO 5
3240 PSET (I,317+I)
3250 PSET (10-I,317+I)
3260 NEXT I
3270 LOCATE 22,2:PRINT FNR(UCMIN)
3280 LOCATE 1,1:PRINT FNR(VCMAX)
3290 FOR I=1 TO N-1
3300 LINE (XT(I),YT(I))-(XT(I+1),YT(I+1)),,,1
3310 NEXT I
3320 FOR I=1 TO N-1
3330 LINE (XT(I),ZT(I))-(XT(I+1),ZT(I+1))
3340 NEXT I
3350 FOR I=1 TO N-1
3360 LINE (XT(I),WT(I))-(XT(I+1),WT(I+1)),,,1
3370 NEXT I
3380 FOR I=1 TO N-1
3390 LINE (XT(I),YR(I))-(XT(I+1),YR(I+1)),,,1000
3400 NEXT I
3410 INPUT" ",A$
3420 SCREEN 0
3430 RETURN
10. C2P1M.BAS

20 REM"NUMARUL SETURILOR (X,Y) DE DATE DE SONDAJ ESTE N"
30 N=8
40 REM"NUMARUL VALORILOR Y ASOCIATA CU O VALOARE X ESTE P"
50 P=3
60 REM"VALORILE CARACTERULUI X DIN SETURILE (X,Y), ORDONATE CRESCATOR :"
70 DATA 1,1.05,1.1,1.15,1.2,1.25,1.3,1.35
177
80 REM"VALORILE MULTIPLE ALE CARACTERULUI Y DIN SETURILE (X,Y),LINIE CU LINIE:"
90 DATA 4.5,4.5,4.8
100 DATA 5,5,5.3
110 DATA 5.4,5.3,5.5
120 DATA 6,5.9,6.1
130 DATA 6.3,6.3,6.6
140 DATA 6.9,7,7.1
150 DATA 7.5,7.4,7.6
160 DATA 7.9,8.1,8
1000 KEY OFF:CLS
1010 PRINT"PROGRAM OBSERVATII MULTILPE PT.2 CARACTERE INTR-O POPULATIE(C2P1M)"
1020 PRINT"------------------------------------------------------------------"
1030 PRINT"AUTOR: ENE P.DUMITRU ; CNP :1420720400340"
1040 PRINT"-----------------------------------------"
1050 PRINT"NR.PERECHI DE VALORI (X,Y) ESTE N = ";N
1060 PRINT"NR.REPETITII Y PT.FIECARE VALOARE X ESTE P =";P:PRINT
1090 DEF FNR(X)=INT(1000*X+.5)/1000
1100 DIM X(N),Y(N,P),DF(N)
1110 FOR I=1 TO N
1120 READ X(I)
1130 NEXT I
1140 FOR I=1 TO N
1150 FOR J=1 TO P
1160 READ Y(I,J)
1170 NEXT J
1180 NEXT I
1190 FOR I=1 TO N
1200 YM(I)=0
1210 NEXT I
1220 FOR I=1 TO N
1230 FOR J=1 TO P
1240 YM(I)=YM(I)+Y(I,J)/P
1250 NEXT J
1260 NEXT I
1270 MX=0:MYM=0:SPAX=0:SPAY=0:SPAYM=0:SPAXYM=0:SPX=0:SPXY=0:SPARYX=0:SPAE=0
1280 FOR I=1 TO N
1290 MX=MX+X(I)/N
1300 MYM=MYM+YM(I)/N
1310 NEXT I
1320 FOR I=1 TO N
1330 SPAX=SPAX+(X(I)-MX)^2
1340 SPX=SPX+X(I)^2
1350 SPAYM=SPAYM+(YM(I)-MYM)^2
1360 NEXT I
1370 FOR I=1 TO N
1380 SPAXYM=SPAXYM+(X(I)-MX)*(YM(I)-MYM)
1390 SPXYM=SPXYM+X(I)*YM(I)
1400 NEXT I
1410 VX=SPAX/(N-1):VYM=SPAYM/(N-1)
1420 SXYM=SPAXYM/(N-1)
1430 R=SXYM/SQR(VX*VYM)
1440 IF B$="N" OR B$="n" THEN B1=SPXYM/SPX:B0=0:GOTO 1460
1450 B1=SPAXYM/SPAX:B0=MYM-B1*MX
1460 FOR I=1 TO N
1470 FOR J=1 TO P
1480 SPAY=SPAY+(Y(I,J)-MYM)^2
1490 NEXT J
1500 NEXT I
1510 FOR I=1 TO N
1520 FOR J=1 TO P
1530 SPARYX=SPARYX+(Y(I,J)-B0-B1*X(I))^2
178
1540 NEXT J
1550 NEXT I
1560 FOR I=1 TO N
1570 FOR J=1 TO P
1580 SPAE=SPAE+(Y(I,J)-YM(I))^2
1590 NEXT J
1600 NEXT I
1610 SPAR=SPAY-SPARYX
1620 SPAA=SPARYX-SPAE
1630 SPAX=SPAY-SPAE
1640 R=SQR(1-SPARYX/SPAY):IC=SQR(1-SPAE/SPAY)
1650 PRINT"REZULTATE :"
1660 PRINT"==========="
1670 PRINT"MEDIA CARACTERULUI X ESTE MX = ";FNR(MX)
1680 PRINT"MEDIA CARACTERULUI Y ESTE MYM= ";FNR(MYM)
1690 IF B$="N" OR B$="n" THEN 1720
1710 PRINT"TERMENUL LIBER AL REGRESIEI ESTE B0 =";B0:GOTO 1740
1730 PRINT"TERMENUL LIBER AL REGRESIEI ESTE B0 = 0"
1740 PRINT:PRINT"VARIATII PATRATICE :"
1750 PRINT"-------------------"
1760 PRINT"VARIATIA TOTALA A LUI Y ESTE SPAY =";FNR(SPAY):PRINT
1770 PRINT"VARIATIA REGRESIEI INTRE X SI Y ESTE SPAR =";FNR(SPAR)
1780 PRINT"VARIATIA ABATERILOR DE LA REGRESIE ESTE SPAA ";FNR(SPAA)
1790 PRINT"VARIATIA INTRACLASE DATORATA ERORII ESTE SPAE =";FNR(SPAE)
1800 PRINT"VARIATIA INTERCLASE DATORATA LUI X ESTE SPAX=SPAR+SPAA =";FNR(SPAX)
1810 PRINT"VARIATIA REZIDUALA A REGRESIEI INTRE X SI Y ESTE SPARYX=SPAA+SPAE
=";FNR(SPARYX):PRINT
1820 PRINT"COEFICIENTUL DE CORELATIE LINIARA INTRE X SI Y ESTE R=";FNR(R)
1830 PRINT"INDICELE DE CORELATIE INTRE X SI Y ESTE IC=";FNR(IC):PRINT
1850 PRINT"TESTELE CORELATIEI SI REGRESIEI LINIARE PT.OBSERVATII MULTILPE :"
1860 PRINT"================================================================"
1870 PRINT"1.TESTUL IPOTEZEI HX :ETA = 0 IN POPULATIE"
1880 PRINT"------------------------------------------"
1890 FX=(IC^2*N*(P-1))/((1-IC^2)*(N-1))
1900 PRINT"FX =";FNR(FX):PRINT
1910 PRINT"VALOAREA CRITICA FISHER CU (";N-1;";";N*(P-1);") GL SI ALFA =0.05
ESTE =";:INPUT FX1
ESTE =";:INPUT FX2
ESTE =";:INPUT FX3:PRINT
1940 IF FX>=FX1 THEN 1960
1950 PRINT"ETA =0 IN POPULATIE":GOTO 2010
1970 PRINT"ETA DIFERA SEMNIFICATIV DE 0 IN POPULATIE":GOTO 2010
1990 PRINT"ETA DIFERA DISTINCT SEMNIFICATIV DE 0 IN POPULATIE":GOTO 2010
2000 PRINT"ETA DIFERA FOARTE SEMNIFICATIV DE 0 IN POPULATIE"
2010 PRINT:PRINT"2.TESTUL IPOTEZEI HR :RO = 0 IN POPULATIE"
2020 PRINT"-----------------------------------------"
2030 FR=(R^2*(N*P-2))/(1-R^2):TR=SQR(FR)
2040 PRINT"FR = ";FNR(FR);" ; TR =";FNR(TR):PRINT
2050 PRINT"VALOAREA CRITICA STUDENT CU ";N*P-2;" GL SI ALFA =0.05 ESTE =";:INPUT TR1
2060 PRINT"VALOAREA CRITICA STUDENT CU ";N*P-2;" GL SI ALFA =0.01 ESTE =";:INPUT TR2
2070 PRINT"VALOAREA CRITICA STUDENT CU ";N*P-2;" GL SI ALFA =0.001 ESTE
=";:INPUT TR3:PRINT
2080 IF TR>=TR1 THEN 2100
2090 PRINT"RO = 0 IN POPULATIE":GOTO 2150
2110 PRINT"RO DIFERA SEMNIFICATIV DE 0 IN POPULATIE":GOTO 2150
179
2130 PRINT"RO DIFERA DISTINCT SEMNIFICATIV DE 0 IN POPULATIE":GOTO 2150
2140 PRINT"RO DIFERA FOARTE SEMNIFICATIV DE 0 IN POPULATIE"
2150 PRINT:PRINT"3.TESTUL IPOTEZEI HA :RO IM MODUL = ETA IN POPULATIE"
2160 PRINT"----------------------------------------------------"
2170 FA=((IC^2-R^2)*(N*P-1))/((1-IC^2)*(N-2))
2180 PRINT"FA = ";FNR(FA):PRINT
2190 PRINT"VALOAREA CRITICA FISHER CU (";N-2;";";N*P-1;") GL SI ALFA =0.05 ESTE
=";:INPUT FA1
=";:INPUT FA2
=";:INPUT FA3:PRINT
2220 IF FA>=FA1 THEN 2240
2230 PRINT"RO IN MODUL = ETA IN POPULATIE":GOTO 2290
2250 PRINT"RO IN MODUL DIFERA SEMNIFICATIV DE ETA IN POPULATIE":GOTO 2290
2270 PRINT"RO IN MODUL DIFERA DISTINCT SEMNIFICATIV DE ETA IN POPULATIE":GOTO 2290
2280 PRINT"RO IN MODUL DIFERA FOARTE SEMNIFICATIV DE ETA IN POPULATIE"
2290 PRINT:PRINT"4.INTERVALE DE INCREDERE PT.REGRESIA LINIARA IN POPULATIE"
2300 PRINT"---------------------------------------------------------"
2310 PRINT"VALOAREA CRITICA STUDENT PT.";N-2;" GL SI ALFA/2=0.025 ESTE =";:INPUT TL(1)
2320 PRINT"VALOAREA CRITICA STUDENT PT.";N-2;" GL SI ALFA/2=0.005 ESTE =";:INPUT TL(2)
2330 PRINT"VALOAREA CRITICA STUDENT PT.";N-2;" GL SI ALFA/2=0.0005 ESTE
=";:INPUT TL(3):PRINT
2340 FOR I=1 TO 3
2350 DL(I)=SQR(((N-1)*(1-R^2))/(N*(N-2)))*VYM*TL(I)
2360 PRINT"DL(";I;") =";FNR(DL(I));" ;";
2370 NEXT I:PRINT
2380 Q(1)=.05:Q(2)=.01:Q(3)=.001:PRINT
2390 INPUT"VALOAREA X PT.PROGNOZA ESTE XP = ";XP:PRINT
2400 FOR I=1 TO 3
2410 PRINT"INTERVALUL DE INCREDERE CU ASIGURAREA DE ";(1-Q(I))*100" % PT. Y
ASTEPTAT ESTE [ ";FNR(B1*XP+B0-DL(I));";";FNR(B1*XP+B0+DL(I));"]"
2420 NEXT I
2430 END
11.POLTRIG.BAS

20 REM"VOLUMUL DATELOR DE SONDAJ ESTE N"
30 N=12
40 REM"DATE DE SONDAJ PT.CARACTERUL X :"
50 DATA 1,2,3,4,5,6,7,8,9,10,11,12
60 REM"DATE DE SONDAJ PT.CARACTERUL Y :"
70 DATA 1,3,6,4,7,12,9,5,8,13,14,8
1000 KEY OFF:CLS
1010 PRINT"PROGRAM REGRESIE POLINOMIAL-TROGONOMETRICA DE GRAD M (POLTRIG)"
1020 PRINT"--------------------------------------------------------------"
1030 DEF FNR(X)=INT(1000*X+.5)/1000
1040 PRINT"NR.PERECHI DE VALORI X,Y ESTE N =";N:PRINT
1050 PRINT"GRADUL M AL POLINOMULUI DE REGRESIE ESTE CUPRINS INTRE 1 SI ";N-2
1070 INPUT"GRADUL M AL POLINOMULUI DE REGRESIE ESTE = ",M:PRINT
1080 DIM X(N),XR(N),Y(N),YC(N),YR(N),YT(N),DY(N),S1(M),S2(M,M),T1(M),D1(N),
A(M+1,M+2),C(M),DR(N),ER(N)
1090 D=M+1
1100 FOR I=1 TO N
1110 READ X(I)
1120 NEXT I
1130 D=M+1
1140 FOR I=1 TO N
1150 READ Y(I)
180
1160 NEXT I
1170 MCY=0
1180 FOR I=2 TO N
1190 MCY=MCY+((Y(I-1)+Y(I))/2)*(X(I)-X(I-1))
1200 NEXT I
1210 MCY=MCY/(X(N)-X(1))
1220 RVY=0
1230 FOR I=2 TO N
1240 RVY=RVY+(Y(I)-Y(I-1))*(X(I)-X(I-1))
1250 NEXT I
1260 RVY=RVY/(X(N)-X(1))
1270 RPY=1
1280 FOR I=2 TO N
1290 RPY=RPY*(Y(I)/Y(I-1))^(X(I)-X(I-1))
1300 NEXT I
1310 RPY=ABS(RPY)^(1/(X(N)-X(1)))-1
1340 REM"CALCUL SUME"
1350 T0=0
1360 FOR I=1 TO M
1370 S1(I)=0:T1(I)=0
1380 NEXT I
1390 FOR I=1 TO M
1400 FOR J=1 TO M
1410 S2(I,J)=0
1420 NEXT J
1430 NEXT I
1440 FOR L=1 TO N
1450 T0=T0+Y(L)
1460 NEXT L
1470 FOR I=1 TO M
1480 FOR L=1 TO N
1490 S1(I)=S1(I)+X(L)Î
1500 T1(I)=T1(I)+(X(L)Î)*Y(L)
1510 NEXT L
1520 NEXT I
1530 FOR I=1 TO M
1540 FOR J=1 TO M
1550 FOR L=1 TO N
1560 S2(I,J)=S2(I,J)+(X(L)Î)*(X(L)^J)
1570 NEXT L
1580 NEXT J
1590 NEXT I
1600 REM"ALCATUIRE SISTEM"
1610 FOR I=1 TO M
1620 FOR J=1 TO M
1630 A(I,J)=S2(M-I+1,M-J+1)
1640 NEXT J
1650 NEXT I
1660 FOR I=1 TO M
1670 A(I,M+1)=S1(M-I+1)
1680 NEXT I
1690 FOR J=1 TO M
1700 A(M+1,J)=S1(M-J+1)
1710 NEXT J
1720 A(M+1,M+1)=N
1730 FOR I=1 TO M
1740 A(I,M+2)=T1(M-I+1)
1750 NEXT I
1760 A(M+1,M+2)=T0
1770 IF B$="D" OR B$="d" THEN 1820
1780 FOR I=1 TO M+1
1790 SWAP A(I,D),A(I,D+1)
181
1800 NEXT I
1810 D=D-1
1820 INPUT"APASA O TASTA PT.CONTINUARE...",X$:CLS
1830 REM"REZOLVARE SISTEM"
1840 FOR J=1 TO D
1850 FOR I=J TO D
1860 IF A(I,J)<>0 THEN 1900
1870 NEXT I
1880 PRINT"SISTEMUL NU ARE SOLUTIE UNICA"
1890 GOTO 5230
1900 FOR K=1 TO D+1
1910 SWAP A(I,K),A(J,K)
1920 NEXT K
1930 PV=1/A(J,J)
1940 FOR K=1 TO D+1
1950 A(J,K)=A(J,K)*PV
1960 NEXT K
1970 FOR H=1 TO D
1980 IF H=J THEN 2030
1990 PV=-A(H,J)
2000 FOR K=1 TO D+1
2010 A(H,K)=A(H,K)+A(J,K)*PV
2020 NEXT K
2030 NEXT H
2040 NEXT J:CLS
2050 PRINT"R E Z U L T A T E :"
2060 PRINT"****************************"
2070 PRINT"I.INDICATORI DE SONDAJ DE EVOLUTIE"
2080 PRINT"----------------------------------"
2090 PRINT"MEDIA DE SONDAJ DE EVOLUTIE ESTE MCY = ";FNR(MCY)
2100 PRINT"RITMUL MEDIU VALORIC DE EVOLUTIE ESTE RVY = ";FNR(RVY)
2110 PRINT"RITMUL MEDIU PROCENTUAL DE EVOLUTIE ESTE RPY = ";FNR(RPY)*100;"
%":PRINT
2130 PRINT"II.INDICATORI DE SONDAJ DE LEGATURA POLINOMIALA"
2140 PRINT"-----------------------------------------------"
2150 PRINT"LISTA COEFICIENTILOR FUNCTIEI DE REGRESIE POLINOMIALA :"
2160 PRINT"-------------------------------------------------------"
2170 IF B$="D" OR B$="d" THEN C0=A(D,D+1) ELSE W=0
2180 PRINT"TERMENUL LIBER AL FUNCTIEI DE REGRESIE ESTE C0 =";C0:PRINT
2190 FOR I=1 TO M
2200 C(I)=A(M-I+1,D+1)
2210 PRINT"COEFICIENTUL LUI X LA PUTEREA ";I;"ESTE C(";I;")=";C(I)
2220 NEXT I:PRINT
2240 REM"CALCUL VALORI ASTEPTATE SI DIFERENTE VALORI OBSERVATE-ASTEPTATE"
2250 FOR L=1 TO N
2260 D1(L)=0
2270 NEXT L
2280 FOR L=1 TO N
2290 FOR I=1 TO M
2300 D1(L)=D1(L)+C(I)*(X(L)Î)
2310 NEXT I
2320 NEXT L
2330 IF B$="D" OR B$="d" THEN 2350
2340 C0=0
2350 FOR L=1 TO N
2360 YC(L)=D1(L)+C0
2370 DY(L)=Y(L)-YC(L)
2380 NEXT L
2390 PRINT"VALORI PT.FUNCTIA POLINOMIALA"
2400 PRINT"============================="
2410 PRINT" VAL. X VAL.OBSERV.Y VAL.CALC.YC DIFER.DY"
2420 PRINT"------------------------------------------------"
182
2430 EC=INT(N/20)
2440 FOR I=1 TO EC
2450 FOR L=20*(I-1)+1 TO 20*I
2460 PRINT USING"#####";X(L);:PRINT" ";:PRINT USING"#####.##";Y(L);:PRINT"
";:PRINT USING"#####.##";FNR(YC(L));:PRINT" ";:PRINT
USING"#####.##";FNR(DY(L))
2470 NEXT L
2490 NEXT I
2500 FOR L=20*EC+1 TO N
2510 PRINT USING"#####";X(L);:PRINT" ";:PRINT USING"#####.##";Y(L);:PRINT"
";:PRINT USING"#####.##";FNR(YC(L));:PRINT" ";:PRINT
USING"#####.##";FNR(DY(L))
2520 NEXT L
2530 PRINT"------------------------------------------------"
2550 PRINT"CALCUL SI TESTARE RAPORT CORELATIE POLINOMIALA"
2560 PRINT"----------------------------------------------"
2570 SPAYX=0
2580 IF B$="D" OR B$="d" THEN 2600
2590 C0=0
2600 FOR L=1 TO N
2610 SPAYX=SPAYX+(Y(L)-D1(L)-C0)^2
2620 NEXT L
2630 SY=0:SY2=0
2640 FOR L=1 TO N
2650 SY=SY+Y(L):SY2=SY2+(Y(L)^2)
2660 NEXT L
2670 SPAY=SY2-((SY^2)/N)
2680 SPAP=SPAY-SPAYX
2690 PRINT"VARIATIA TOTALA Y ESTE SPAY = ";FNR(SPAY)
2700 PRINT"VARIATIA REGRESIE Y ESTE SPAR = ";FNR(SPAP)
2710 IF SPAYX>SPAY THEN PRINT"RAPORTUL DE CORELATIE NU EXISTA":GOTO 3020
2720 RCP=SQR(1-(SPAYX/SPAY))
2730 PRINT"RAPORTUL DE CORELATIE POLINOMIALA ESTE RCP =";RCP:PRINT
2740 IF N>D AND D>1 THEN 2770
2750 PRINT"TESTAREA SEMNIFICATIEI CORELATIEI POLINOMIALE NU SE POATE FACE"
2760 GOTO 2990
2770 Q(1)=.05:Q(2)=.01:Q(3)=.001
2780 PRINT"VALOAREA CRITICA FISHER PT.(";D-1;";";N-D;") GL SI ALFA=0.05 ESTE
=";:INPUT F(1)
=";:INPUT F(2)
=";:INPUT F(3):PRINT
2810 PRINT"VALORI CRITICE ALE RAPORTULUI DE CORELATIE PT.(";D-1;";";N-D;") GL :"
2820 PRINT"-------------------------------------------------------------"
2830 FOR I=1 TO 3
2840 RAC(I)=SQR(F(I)*(D-1)/(F(I)*(D-1)+N-D))
2850 IF RAC(I)>1 THEN RAC(I)=1
2860 PRINT"VALOAREA CRITICA RAC(";I;") CU INCREDEREA ";100*(1-Q(I));"% ESTE
";RAC(I)
2870 NEXT I:PRINT
2880 IF RCP=1 THEN 2980
2890 IF RCP>=RAC(1) THEN 2920
2900 PRINT"CORELATIA POLINOMIALA ESTE NESEMNIFICATIVA"
2910 GOTO 2990
2930 PRINT"CORELATIA POLINOMIALA ESTE SEMNIFICATIVA"
2940 GOTO 2990
2960 PRINT"CORELATIA POLINOMIALA ESTE DISTINCT SEMNIFICATIVA"
2970 GOTO 2990
183
2980 PRINT"CORELATIA POLINOMIALA ESTE FOARTE SEMNIFICATIVA":PRINT
2990 ERASE F:PRINT:INPUT"APASA O TASTA...",A$:CLS
3000 PRINT"CORELATIE SI REGRESIE SEZONIERA"
3010 PRINT"--------------------------------"
3020 PRINT"NR.K DE ARMONICE ESTE CUPRINS INTRE 0 SI ";INT(N/2)-1
3030 PRINT"DACA SE IA K=0 ,AVEM NUMAI REGRESIA POLINOMIALA !":PRINT
3040 INPUT"NR.DE ARMONICE ESTE K = ";K:PRINT
3050 IF K=0 THEN 4080
3060 DIM XP(N),YTC(N),SXT(K,N),CXT(K,N),D2Y(N),A1(K),B1(K)
3070 U=(N-1)/(X(N)-X(1))
3080 V=(X(N)-N*X(1))/(X(N)-X(1))
3090 FOR I=1 TO N
3100 XP(I)=(U*X(I)+V)*6.283186/N
3110 NEXT I
3120 SYT=0
3130 FOR I=1 TO N
3140 SYT=SYT+DY(I)
3150 NEXT I
3160 MYT=SYT/N
3170 FOR J=1 TO K
3180 FOR I=1 TO N
3190 SXT(J,I)=SIN(J*XP(I)):CXT(J,I)=COS(J*XP(I))
3200 NEXT I
3210 NEXT J
3220 FOR J=1 TO K
3230 A1(J)=0:B1(J)=0
3240 NEXT J
3250 FOR J=1 TO K
3260 FOR I=1 TO N
3270 A1(J)=A1(J)+DY(I)*SXT(J,I):B1(J)=B1(J)+DY(I)*CXT(J,I)
3280 NEXT I
3290 A1(J)=A1(J)*2/N:B1(J)=B1(J)*2/N
3300 NEXT J:CLS
3310 PRINT"III.INDICATORI DE SONDAJ DE LEGATURA POLINOMIAL-TRIGONOMETRICA"
3320 PRINT"--------------------------------------------------------------"
3330 PRINT"COEFICIENTII DE REGRESIE TRIGONOMETRICA :"
3340 PRINT"-----------------------------------------"
3350 PRINT"TERMENUL LIBER AL REGRESIEI ESTE = ";:PRINT
USING"####.########";MYT:PRINT
3360 PRINT"COEFICIENTII SINUSURILOR :"
3370 FOR J=1 TO K
3380 PRINT"A(";J;")=";:PRINT USING"####.####";A1(J);:PRINT" ; ";
3390 NEXT J:PRINT
3400 PRINT"COEFICIENTII COSINUSURILOR :"
3410 FOR J=1 TO K
3420 PRINT"B(";J;")=";:PRINT USING"###.####";B1(J);:PRINT" ; ";
3430 NEXT J:PRINT
3440 FOR I=1 TO N
3450 YTC(I)=0
3460 NEXT I
3470 FOR I=1 TO N
3480 FOR J=1 TO K
3490 YTC(I)=YTC(I)+A1(J)*SXT(J,I)+B1(J)*CXT(J,I)
3500 NEXT J
3510 NEXT I
3520 FOR I=1 TO N
3530 YTC(I)=YTC(I)+MYT
3540 YC(I)=YC(I)+YTC(I)
3550 D2Y(I)=Y(I)-YC(I)
3560 NEXT I:PRINT
3580 PRINT"VALORI PT.FUNCTIA POLINOMIAL-TRIGONOMETRICA"
3590 PRINT"==========================================="
184
3600 PRINT" VAL. X VAL.XP VAL.OBSERV.Y VAL.CALC.YC DIFER.DY "
3610 PRINT"-----------------------------------------------------------"
3620 EC=INT(N/20)
3630 FOR I=1 TO EC
3640 FOR L=20*(I-1)+1 TO 20*I
3650 PRINT USING"#####";X(L);:PRINT" ";:PRINT XP(L);:PRINT
USING"#####.##";Y(L);:PRINT" ";:PRINT USING"#####.##";YC(L);:PRINT"
";:PRINT USING"#####.##";D2Y(L)
3660 NEXT L
3670 INPUT"APASA O TASTA...",A$
3680 NEXT I
3690 FOR L=20*EC+1 TO N
3700 PRINT USING"#####";X(L);:PRINT" ";:PRINT XP(L);:PRINT
USING"#####.##";Y(L);:PRINT" ";:PRINT USING"#####.#####";YC(L);:PRINT"
";:PRINT USING"#####.#####";D2Y(L)
3710 NEXT L
3720 PRINT"-----------------------------------------------------------"
3740 SPADYX=0
3750 FOR I=1 TO N
3760 SPADYX=SPADYX+(DY(I)-YTC(I))^2
3770 NEXT I
3780 SPAC=SPAYX-SPADYX
3790 PRINT"VARIATIA TOTALA DY ESTE SPADY = ";FNR(SPAYX)
3800 PRINT"VARIATIA REGRESIEI TRIGONOMETRICE ESTE SPAC = ";FNR(SPAC)
3810 RCC=SQR(1-SPADYX/SPAYX)
3820 PRINT"RAPORTUL DE CORELATIE SEZONIERA ESTE RCC = ";RCC
3830 IF RCC<=1 THEN 3860
3840 PRINT"TESTAREA SEMNIFICATIEI CORELATIEI SEZONIERE NU SE POATE FACE"
3850 GOTO 4080
3860 Q(1)=.05:Q(2)=.01:Q(3)=.001:PRINT
3870 PRINT"VALOAREA CRITICA FISHER PT.(";2*K;";";N-2*K-1;") GL SI ALFA=0.05
ESTE=";:INPUT F(1)
ESTE=";:INPUT F(2)
ESTE=";:INPUT F(3):PRINT
3900 PRINT"VALORI CRITICE ALE RAPORTULUI DE CORELATIE PT.(";2*K;";";N-2*K-1;")
GL :"L"
3910 PRINT"--------------------------------------------------------------------"
3920 FOR I=1 TO 3
3930 RAC(I)=SQR(F(I)*2*K/(F(I)*2*K+N-2*K-1))
3940 IF RAC(I)>1 THEN RAC(I)=1
3950 PRINT" RAC(";I;") CU INCREDEREA ";100*(1-Q(I));" % ESTE = ";RAC(I)
3960 NEXT I:PRINT
3970 IF FNR(RCC)=1 THEN 4070
3980 IF RCC>=RAC(1) THEN 4010
3990 PRINT"CORELATIA SEZONIERA ESTE NESEMNIFICATIVA"
4000 GOTO 4080
4020 PRINT"CORELATIA SEZONIERA ESTE SEMNIFICATIVA"
4030 GOTO 4080
4050 PRINT"CORELATIA SEZONIERA ESTE DISTINCT SEMNIFICATIVA"
4060 GOTO 4080
4070 PRINT"CORELATIA SEZONIERA ESTE FOARTE SEMNIFICATIVA"
4080 REM"PROGRAM GRAFIC DREAPTA DE REGRESIE CU FASIA DE INCREDERE"
4090 YMAX=Y(1)
4100 FOR I=2 TO N
4110 IF Y(I)<YMAX THEN 4130
4120 YMAX=Y(I)
4130 NEXT I
4140 YMIN=Y(1)
185
4150 FOR I=2 TO N
4160 IF Y(I)>YMIN THEN 4180
4170 YMIN=Y(I)
4180 NEXT I
4190 FOR I=1 TO N
4210 NEXT I
4220 YCMAX=YC(1)
4230 FOR I=2 TO N
4250 YCMAX=YC(I)
4260 NEXT I
4270 YCMIN=YC(1)
4280 FOR I=2 TO N
4290 IF YC(I)>YCMIN THEN 4310
4300 YCMIN=YC(I)
4310 NEXT I
4320 VCMAX=(YMAX+YCMAX+ABS(YMAX-YCMAX))/2
4330 VCMIN=(YMIN+YCMIN-ABS(YMIN-YCMIN))/2
4340 FOR I=1 TO N
4350 XR(I)=(634*X(I)+5*X(N)-639*X(1))/(X(N)-X(1))
4360 YR(I)=(317*Y(I)+5*VCMAX)/VCMAX
4370 YT(I)=(317*YC(I)+5*VCMAX)/VCMAX
4380 NEXT I:PRINT
4390 KEY OFF
4410 SCREEN 2
4420 PRINT"L E G E N D A :"
4430 LOCATE 4,1:PRINT"CURBA DE REGRESIE":LINE (250,30)-(360,30)
4440 LOCATE 8,1:PRINT"NOR PUNCTE":LINE (250,60)-(360,60),,,1000
4450 LOCATE 24,1:INPUT"APASA O TASTA...",A$:CLS
4460 WINDOW (0,0)-(639,349)
4470 LINE (5,5)-(639,5)
4480 FOR I=0 TO 5
4490 PSET (634+I,I)
4500 PSET (634+I,10-I)
4510 NEXT I
4520 LOCATE 24,75:PRINT FNR(X(N))
4530 LOCATE 23,2:PRINT FNR(X(1))
4540 LINE (5,5)-(5,349)
4550 FOR I=0 TO 5
4560 PSET (I,317+I)
4570 PSET (10-I,317+I)
4580 NEXT I
4590 LOCATE 22,2:PRINT FNR(VCMIN)
4600 LOCATE 1,1:PRINT FNR(VCMAX)
4610 FOR I=1 TO N-1
4620 LINE (XR(I),YT(I))-(XR(I+1),YT(I+1))
4630 NEXT I
4640 FOR I=1 TO N-1
4650 LINE (XR(I),YR(I))-(XR(I+1),YR(I+1)),,,1000
4660 NEXT I
4670 INPUT" ",A$
4680 SCREEN 0
4690 END
186
ANEXA 3
REALIZĂRI ALE AGRICULTURII ROMÂNEŞTI DUPĂ 1990
Baza de date cu suprafeţe (mii ha) cultivate cu cereale

An Grâu + Orz + Ovaz Porumb Mazăre Fasole Floarea- Soia Sfeclă Cartof
Secară Orzoaică boabe boabe soarelui zahăr toamnă
1990 2297.7 749 144.3 2466.7 52 72 394.7 190.2 162.7 204.7
1991 2217.1 1017.7 209.9 2575 33.4 46.2 476.8 108 201.6 204.7
1992 1475.4 628.4 303.8 3335.9 22.2 46.4 615.1 165.6 179.9 192.3
1993 2307.4 637.1 364.5 3065.7 31.6 34.4 588.4 75.1 97.2 216.1
1994 2440.9 785 334.1 2983.4 34.3 31.9 582.2 64.5 130 216
1995 2501.4 581.7 238.9 3109.2 32.2 29.9 714.5 73.4 133.2 211.7
1996 1797.7 515.4 233.9 3277 27.7 37.8 916.8 80.2 135.9 224
1997 2424.4 626.5 219.1 3037.7 22 29.9 780.4 63.1 128.8 229.9
1998 2033.4 517.2 228.1 3128.9 14 29.9 962.2 147.3 117.8 229
1999 1686.9 415.5 248.2 3013.4 15.6 28.1 1043 99.8 65.5 238.5
2000 1954.3 411.9 232.3 3049.4 13.1 26.2 876.8 117 48.4 246.5
2001 2558.6 528.8 219.4 2974 11.7 21.5 800.3 44.8 39 241.6
2002 2309.8 578.8 239.4 2894.5 16.1 27 906.2 71.8 41.6 246.7
2003 1748 329.6 233.4 3199.6 18.8 27.3 1188 128.8 45.2 247.5
Baza de date cu producţii cereale (mii tone)
An Grâu + Orz + Ovăz Porumb Mazăre Fasole Floarea- Soia Sfeclă Cartofi
Secară Orzoaică boabe boabe soarelui zahăr toamnă
1990 7379 2679.6 234 6809.6 49.4 57.5 556.2 141.2 3277.7 2830.9
1991 5558.9 2950.7 258.2 10497.3 32.3 46 612 178.6 4702.1 1634.1
1992 3227.6 1678 507.7 6828.3 33.2 41.2 774 126.8 2896.7 2332.2
1993 5354.3 1552.8 553.6 7987.5 36.4 48.4 695.8 95.4 1776.3 3354.1
1994 6186.5 2133.6 496.8 9343.2 38.1 37.4 763.7 100.1 2763.8 2620.1
1995 7709.3 1816.3 404.4 9923.1 54.3 41.8 939.2 107.9 2654.6 2681.3
1996 3164.1 1107.5 290.5 9607.9 33.7 42.8 1095.6 113.1 2848.2 3246.3
1997 7185.6 1889.3 325.4 12686.7 27.3 50.2 858.1 121.1 2725.5 2851
1998 5207.9 1238 362.1 8623.4 24.4 46.9 1073.3 200.8 2361.4 2952.8
1999 4682.5 1018.6 389.6 10934.8 27 47.7 1300.9 183.4 1414.9 3518.2
2000 4456.2 867 243.8 4897.6 14.2 21.8 720.9 69.5 666.9 3132.1
2001 7763.8 1580 382.4 9119.2 21.7 36.5 823.5 72.7 875.5 3591.7
2002 4441.1 1160.4 327.4 8399.8 20.5 33.6 1002.8 145.9 954.6 3696.7
2003 2496.4 540.8 323.1 9577 23.5 36.7 1506.4 224.9 764.5 3568.3
Baza de daze cu efective de animale (mii capete)

Efective Bovine Vaci + Cabaline Ovine Oi + Caprine Capre Păsări Găini ouă Albine
Bivoliţe Mioare (mii fam.)
1990 6291 2468 663 15435 9292 1017 796 113968 49390 1201
1991 5381 2123 670 14062 9050 1005 697 121379 51475 1091
1992 4355 2266 749 13879 11496 954 734 106032 50213 1207
1993 3683 2025 921 12079 8854 805 613 87725 42406 780
1994 3597 1979 751 11499 8731 776 562 76532 37981 759
1995 3481 1963 784 10897 8049 745 542 70157 36233 747
1996 3496 1983 806 10381 7688 705 514 80524 38574 696
1997 3435 1939 816 9663 7188 654 475 78478 38883 656
1998 3235 1844 822 8937 6714 610 453 6662 35089 626
1999 3143 1794 839 8409 6354 585 429 6948 37272 620
2000 3051 1769 858 8121 6166 558 411 69143 38497 614
2001 2870 1775 865 7657 5870 538 404 70076 40760 649
2002 2800 1746 865 7251 5823 525 406 71413 42156 745
2003 2878 1759 852 7312 5795 633 469 77379 44667 781
2004 2897 1757 872 7447 5879 678 491 76616 44122 840
187
Baza de date cu producţii zootehnice
Anul Lapte vacă + Lână Ouă Carne Carne Carne Carne Miere Peşte
bivoliţă (tone) găină vită porc oaie pasăre (tone) (tone)
(mii hl) (mil. bucăţi) (tii tone) (mii tone) (mii tone) (mii tone)
1990 33057 38167 7701 425 1054 172 561 10579 63497
1991 35107 32537 6859 375 1012 162 459 8279 52008
1992 33593 28020 5801 403 907 169 406 10410 37769
1993 35594 26011 5316 421 962 167 376 9936 26373
1994 41663 25141 5091 466 893 160 325 9820 28577
1995 44759 24323 5263 412 897 162 367 10435 25383
1996 45453 23165 5459 427 911 149 373 11157 23857
1997 44984 22120 4953 421 820 138 318 10543 19381
1998 43763 19967 4956 371 825 130 340 10198 17925
1999 42292 18983 5323 364 687 120 342 11153 13528
2000 41719 17997 5257 362 600 119 327 11746 17099
2001 43233 16880 5524 357 579 112 360 12598 13417
2002 44980 16659 5771 399 640 129 429 13434 16232
2003 47060 16879 6028 460 669 136 428 17409 10050
*
Fără consum viţei
Baza de date cu suprafeţe (mii ha) cultivate cu furaje

An Lucernă Trifoi Anuale Fân Porumb Rădăcinoase
Masă verde Masă verde Masă verde Siloz Nutreţ
1990 442.1 153.7 464.1 560.5 84.9
1991 449 122.6 417.3 225.6 59.7
1992 351.2 118.8 393.9 225.6 49.2
1993 345.7 118.4 355.6 278.4 44.3
1994 340.3 123.7 371.3 170.8 40.6
1995 343.1 129.4 337.7 134.8 41.9
1996 337.2 130.5 345.1 113.7 40.8
1997 343.9 135.8 286 132.1 39.6
1998 335 141.8 302.6 79.7 39.5
1999 336.2 140.1 384.4 86.9 39
2000 323.1 137.7 310.5 57.6 35.6
2001 322.3 133 269.8 50.1 33.7
2002 345.5 142.1 351.1 48.1 35.3
2003 367.4 142 392.6 38.5 35.8
Baza de date cu producţii de furaje (mii tone)
An Lucernă Trifoi Anuale Fân Porumb Rădăcinoase

Masă verde Masă verde Masă verde Siloz Nutreţ
1990 8057.2 1926 6882.6 6549.5 2575
1991 9661.2 2054.3 5645.8 4930 2139.3
1992 6409.6 1792.6 4077.6 2827.2 1343.4
1993 6879.4 1988.1 3971.1 2842.5 1465.1
1994 6944.4 2059.3 4155.9 2193.5 1245.3
1995 7081.2 2367 4124.7 1771.8 1322.4
1996 6984.8 2400.6 3930.4 1978.8 1301.1
1997 7727.6 2725.5 3741.4 1534.9 1247.9
1998 7004.1 2632 3773.7 1095.4 1119.5
1999 7738 2863.1 4334.5 974.2 1174.6
2000 5120.7 2018.4 2840.4 444 800.6
2001 6476.8 2494.5 3146.2 542.2 1032.2
2002 6887.4 2534.6 3816.9 517.5 1042.5
2003 7237.5 2421.3 4118.6 545.7 985.6
188
Baza de date cu resurse mecanice pentru agricultură
Anul Tractoare Pluguri Cultivatoare Semănători Maşini Maşini Combine Combine Combine Vindrovere Prese
îngrăşăminte stropit păioase porumb furaje furaje balotat paie
chimice prăfuit
1990 127065 73159 27339 35778 10810 14991 35813 4882 5569 4981 21706
1991 132761 73384 23868 34988 9871 14088 34497 3117 5194 4805 20663
1992 146790 80730 23223 37048 10563 13698 34473 2919 5294 4712 21579
1993 158126 95850 23632 43921 10694 12828 34552 2757 4866 4491 19200
1994 161223 103805 23446 47682 10498 12099 35649 2732 4356 4062 18475
1995 163370 107253 23376 50395 10259 11788 36125 1996 4135 3764 16346
1996 165281 113955 23899 51608 9981 10950 35936 1775 3600 3446 14519
1997 163016 114721 28369 53853 10061 9957 35959 1746 3082 3093 12831
1998 164756 121620 28057 55678 9912 9424 31483 1593 2729 2779 11050
1999 163883 122956 27988 56173 8940 8202 29934 1334 2101 2153 8544
2000 160053 123192 26212 57709 8635 7371 26783 1301 1656 1780 6753
2001 164221 126905 26037 59979 9250 6898 24716 1068 1267 1661 5575
2002 169240 131252 27433 62061 9656 7191 24231 1084 1091 1512 4921
2003 169177 132142 27366 63149 9525 6814 23935 1113 910 1408 4730
Baza de date cu resurse de fertilizare (mii tone) pentru agricultură

Anul Azotat de amoniu Superfosfat Sare potasică Îngrăşăminte naturale
1990 656 313 144.3 24791
1991 275 145 44 16910
1992 258 133 31 15792
1993 346 165 27 17125
1994 313 149 17 16945
1995 306 149 15 17423
1996 368 153 14 17871
1997 262 129 13 16513
1998 254 114 15 15842
1999 225 93 13 16685
2000 239 88 15 15813
2001 268 87 14 15327
2002 239 73 14 15746
2003 252 95 15 17262
189
190

Cercetari Operationale in Agricultura

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Cercetari Operationale in Agricultura

Încărcat de

Drepturi de autor:

Formate disponibile

DUMITRU ENE

Acest curs face o prezentare succintă a metodelor cercetărilor operaţionale aplicate în

Aprilie 2006 Autorii

Obiective: însuşirea de către studenţi a modelelor liniare şi neliniare de optimizare a producţiei

1.1. Modele liniare de optimizare în producţia agricolă şi dualitatea lor

Metoda modelării proceselor biologice, tehnice şi economice a apărut odată cu utilizarea

A. Modelul raţiei furajere optime pentru animale domestice

Furajele pentru animale domestice se clasifică în următoarele grupe principale:

Substanţele nutritive principale prezente în aceste furaje sunt:

Cerinţe unitare SU UN PD Ca P Caroten Sare

Prin înmulţirea funcţiilor vitale cu 5 şi a liniei producţiei de lapte cu 15 litrizi, obţinem

Cerinţe totale SU UN PD Ca P Caroten Sare

În mod analog se calculează cerinţele totale pe cap şi pe zi pentru oi în lactaţie de 50 kg şi

Furaje Fân Porumb Sfeclă Tărâţe Norme

Furaje Fân Porumb Sfeclă Tărâţe Semn Limite

Furaje Fân Porumb Sfeclă Tărâţe Semn Limite

Tabelul 4 care urmează, furnizează datele necesare pentru elaborarea micromodelului

Culturi Grâu Porumb Floarea- Sfeclă Limite

Culturi Grâu Porumb Floarea- Sfeclă Semn Limite

Culturi Grâu Porumb Fl.soarelui Sfeclă Semn Limite

Modele liniare de optimizare conţinute în tabelul 5 (model V) şi tabelul 6 (model VI) se

C. Modelul rotaţiei optime a culturilor vegetale

Premergătoare Limita Limita

1800 1900 2000

2000 1900 1800

PREMERGĂTOARE GRÂU PORUMB SOIA

PREMERGĂTOARE GRÂU PORUMB SOIA

D. Modelul cupajului optim al vinurilor

E. Dualitatea modelelor liniare de optimizare

Proprietăţi ale dualităţii

Teorema 1.1 (Teorema de dualitate)

Teorema 1.2 (a ecarturilor complementare)

Fie X soluţie posibilă a problemei primale:

Fie X o soluţie optimă a primalei:

În concluzie, variabilele yi măsoară variaţia funcţiei-obiectiv a primalei Δf provocată de

SOLUŢIA BAZICĂ OPTIMĂ PRIMALĂ SOLUŢIA BAZICĂ OPTIMĂ DUALĂ

Rezolvarea cu SOLVER din EXCEL:

După închiderea cu OK a acestei ferestre, restricţiile precedente apar în căsuţa de sub

Modelul V (Venit maxim cu cheltuieli limitate) din tabelul 2 are soluţiile:

SOLUŢIA BAZICĂ OPTIMĂ PRIMALĂ SOLUŢIA BAZICĂ OPTIMĂ DUALĂ

Modelul VI (Cheltuieli minime cu venit garantat) din tabelul 2 are soluţiile:

SOLUŢIA BAZICĂ OPTIMĂ PRIMALĂ SOLUŢIA BAZICĂ OPTIMĂ DUALĂ

Indicatori economici ai modelului liniar VI:

Modelul V (Venit maxim cu cheltuieli limitate) din tabelul 5 are soluţiile:

SOLUŢIA BAZICĂ OPTIMĂ PRIMALĂ SOLUŢIA BAZICĂ OPTIMĂ DUALĂ

Indicatori economici ai modelului liniar V:

Modelul VI (Cheltuieli minime cu venit garantat) din tabelul 6 are soluţiile:

SOLUŢIA BAZICĂ OPTIMĂ PRIMALĂ SOLUŢIA BAZICĂ OPTIMĂ DUALĂ

Modelul V (Venit maxim cu cheltuieli limitate) din tabelul 8 are soluţiile:

SOLUŢIA BAZICĂ OPTIMĂ PRIMALĂ SOLUŢIA BAZICĂ OPTIMĂ DUALĂ

Indicatori economici ai modelului liniar V:

SOLUŢIA BAZICĂ OPTIMĂ PRIMALĂ SOLUŢIA BAZICĂ OPTIMĂ DUALĂ

D. CUPAJUL OPTIM AL VINURILOR

Reoptimizarea modelelor liniare

Probleme de optimizare speciale

Probleme de optimizare cu mai multe funcţii-obiectiv

Probleme de optimizare cu necunoscute întregi sau bivalente

Există modele de optimizare în care necunoscutele sunt numere întregi.

1.3. Modele de optimizare tip transport şi de repartiţie (assignment)

De la furnizorii F1, …, Fm la beneficiarii B1, …, Bn trebuie transportate produse; fie cij

F\B B1 B2 B3* Oferte

Transformăm acest tabel pentru a aplica metoda simplex:

După rezolvare avem:

Soluţie bazică optimă primală Soluţie bazică optimă duală