Simulari de Marketing-Curs

UNIVERSITATEA VASILE ALECSANDRI DIN BACǍU
FACULTATEA DE ŞTIINŢE ECONOMICE

DEPARTAMENTUL PENTRU ÎNVĂŢĂMÂNT LA DISTANŢĂ
SPECIALIZAREA MARKETING
SIMULĂRI DE MARKETING
- note de curs -
Laura Cătălina Ţimiraş
2012
Referenţi ştiinţifici:
Prof. univ. dr. Gheorghe EPURAN, Universitatea “Vasile Alecsandri” din Bacău;
Conf. univ. dr. Bogdan NICHIFOR, Universitatea “Vasile Alecsandri” din Bacău.
Descrierea CIP a Bibliotecii Naţionale a României

ŢIMIRAŞ, LAURA
Simulări de marketing : note de curs / Ţimiraş Laura Cătălina. -
Bacău : Alma Mater, 2012
Bibliogr.
ISBN 978-606-527-223-1
519.876.5:339.138(075.8)
ISBN: 978-606-527-223-1
Simulări de marketing. Note de curs
INTRODUCERE
Lucrarea Simulări de marketing. Note de curs realizează o prezentare a unora

dintre noţiunile de primă importanţă cu privire la simularea de marketing, elementele de
natură teoretică fiind combinate cu aspecte practice, prin inserarea diferitelor aplicaţii.
În primele patru capitole ale lucrării sunt prezentate o serie de aspecte referitoare
la conţinutul şi rolul simulărilor de marketing, tipologia precum şi componentele şi etapele
realizării modelelor de simulare.
Capitolul V al lucrării prezintă unele modele de simulare frecvent utilizate în
practica cercetărilor de marketing, iar în capitolul VI sunt redate modalităţi concrete de
realizare a simulărilor cu ajutorul programului EXCEL.
Lucrarea oferă informaţii necesare studenţilor de la specializarea Marketing în
procesul de pregătire ca viitori profesionişti în domeniu, dar poate constitui un material util
şi pentru studenţii de la alte specializări economice.
AUTORUL
Bacău, octombrie 2012
3
4
CUPRINS
1. Conţinutul şi rolul simulărilor de marketing…………………………................... 7
2. Clasificarea tehnicilor de simulare…………………………………...................... 15
3. Componentele sistemelor de simulare de marketing………………...................... 19
4. Etapele simulărilor de marketing…………………………………….................... 23
5. Modele de simulare ………………………………………………......................... 27

5.1. Generarea numerelor şi variabilelor aleatoare……………................ 28
5.2. Metoda de simularea Monte Carlo……………………….................. 30
5.3. Simularea evoluţiei cotelor de piaţă pentru produse concurenţiale ... 39
5.4. Jocuri de simulare……………………………………….................... 47
5.5. Simularea de tip Forrester……………………………….................... 56
6. Simulare cu ajutorul programului EXCEL....…………………….................….... 61

6.1. Simulare folosind comanda “Table” din Excel…………………….. 61
6.2. Simulări cu ajutorul funcţiilor ce descriu forma şi intensitatea 66
legăturilor dintre variabile …………….……….…………………..
Anexe………………………………………………………………………....................... 75
Bibliografie……………………………………………………………....................……... 81
5
6
CAPITOLUL I
CONŢINUTUL ŞI ROLUL SIMULĂRILOR DE MARKETING
Cuvinte cheie Obiectivele învăţării:

Simulare de marketing; După parcurgerea acestui capitol va trebui să
Model; cunoaşteţi:
Model de simulare; - Ce reprezintă simularea;
Variabile de intrare; - În ce situaţii se foloseşte simularea pentru
Variabile de ieşire. investigarea fenomenelor de marketing;
- Care este semnificaţia modelului;
- Care sunt avantajele şi dezavantajele
utilizării simulării în procesul de
investigarea a fenomenelor economice,
implicit de marketing;
- Caracteristicile ce stau la baza evaluării
tehnicilor de simulare.
Simularea constituie o modalitate de obţinere a informaţiilor utilizată în cercetările

de marketing, care permite înţelegerea evoluţiei fenomenelor de marketing, previzionarea
acestora, identificarea şi măsurarea relaţiilor de cauzalitate dintre variabilele investigate; a
modalităţii de desfăşurare concretă a acestor fenomene prin intermediul experimentelor de
marketing.
Din punct de vedere etimologic noţiunea de simulare semnifică capacitatea de a
reproduce, reprezenta, imita ceva.
Astfel, autorii Gelu Alexandrescu, Elena Doval1, precizează că prin simulare se
poate înţelege:
 o tehnică de construire a unei reprezentări a unui proces real, care trebuie studiat
din punctul de vedere al comportamentului său normal sau influenţat de anumiţi
stimuli;
 o analogie a unui fenomen real, bazată pe/sau reprezentată de o tehnică ce permite
studiul unor procese complexe reproduse pe modele de laborator sau în teren;
1
, “Simularea – metodă de studiu a realităţii”, Buletinul Universităţii de Apărare Carol I, nr 2 /2006
7
 o reprezentare dinamică a unei părţi a lumii reale, realizată prin construirea unui
model abstract ce poate fi mişcat în timp sau direct influenţat de acesta;
 o metodă de cercetare bazată pe anticiparea rezultatelor unui ansamblu de ipoteze
care au la bază elemente tehnice şi relaţiile dintre acestea;
 o tehnică ce poate realiza o cale de testare, evaluare şi manipulare a unui proces
sau sistem fără a acţiona direct asupra acestuia;
 o tehnică numerică pentru conducerea experimentelor pe un calculator, care
implică anumite tipuri de modele matematice şi logice care descriu comportarea
viitoare a unui sistem;
 o tehnică de studiu a unor laturi ale comportamentului unui sistem, fără a acţiona
direct asupra lui, utilizând analogii fizice, chimice sau de calcul.
După alţi specialişti, “simularea, este o tehnică de realizare a experimentelor cu

calculatorul electronic, care implică utilizarea unor modele matematice şi logice care
descriu comportarea unui sistem real de-a lungul unei perioade mari de timp”2.
Deci, simularea presupune realizarea de experimente asupra unor modele care
reprezintă fenomenele reale cercetate şi care sunt studiate prin intermediul calculatorului;
rezultatele obţinute constituindu-se în informaţii utile managerilor în cadrul procesul
decizional.
În consecinţă tehnica simulării presupune construirea unui model care să reprezintă
fenomenul cercetat.
“Modelul este o reprezentare izomorfă a realităţii care oferă o imagine intuitivă,
dar riguroasă, în sensul structurii logice a fenomenului studiat, şi permite descoperirea
unor legături şi legităţi greu de stabilit pe alte căi.”3
Simularea de marketing este, în consecinţă, în strânsa legătură cu modelarea
fenomenelor de marketing.
Modelarea proceselor economice în general, a fenomenelor de marketing în special
a rezultat din complexitatea problemelor cu care se confruntă managerii, din numărul mare
de variabile şi dependenţele stochastice dintre acestea, situaţie în care studierea diferitele
fenomene cu ajutorul unor modele matematice “pure” este imposibilă. În consecinţă, au
apărut modelele economico – matematice, având la bază teoria economică, care sunt
2
Raţiu – Suciu, Camelia, Modelarea & simularea proceselor economice – Teorie şi practică, Ediţia a patra,
Editura Economică, Bucureşti, 2005, p. 38.
3
Idem, p. 26.
8
deosebit de elastice, şi care reprezintă legitatea şi dinamica fenomenelor economice
(implicit de marketing).
Scopul unui model economico-matematic este acela de a determina valorile unor
variabile necontrolabile (de ieşire) în funcţie de valorile variabilelor de intrare
(controlabile) ţinând cont de interdependenţele dintre acestea, respectiv dintre acestea şi
mediul extern, în condiţiile satisfacerii anumitor criterii de performanţă.
Modelul
Variabile de intrare Variabile de ieşire
→ economico - →
(controlabile) (necontrolabile)
matematic
În cazul în care interdependenţele ce stau la baza determinării valorilor variabilelor

de ieşire în funcţie de valorile variabilelor de intrare dată fiind complexitatea lor nu pot fi
descrise şi rezolvate printr-un model analitic necesitând utilizarea calculatorului electronic,
modelul economico-matematic devine model de simulare. Comparativ cu celelalte modele,
modelul de simulare simplifică într-o mai mică măsură realitatea.
Rezolvarea unor probleme de marketing prin intermediul unui model economico-
matematic se realizează pe cale deductivă. Simularea presupune, însă realizarea de
experimente asupra sistemului S’ care constituie o reprezentare a sistemului real S,
caracterul său fiind procedural. Astfel, nu se mai urmăreşte obţinerea soluţiei optime ca în
cazul utilizării metodelor analitice, ci prin intermediul experimentelor, sunt verificate şi
selectate diferitele variante de decizie avute în vedere. Se cunoaşte astfel modul în care un
sistem reacţionează în anumite împrejurări, în funcţie de aceasta obţinându-se mai multe
variante decizionale, ce stau la baza selectării acelei variante ce corespunde cel mai bine
condiţiilor concrete de desfăşurarea a fenomenului investigat. Aceasta poate fi adesea
diferită de varianta selectată printr-un model analitic (considerat mai precis, dar, aşa cum
am precizat imposibil de aplicat pentru rezolvarea tuturor probleme economice, implicit de
marketing, datorită complexităţii lor).
În consecinţa simularea este o metodă descriptivă care oferă adesea soluţii
suboptimale şi nu soluţia “optimă”.
Datorită complexităţii fenomenelor pe care le reprezintă modelele de simulare sunt
construite adesea secvenţial, deci nu este de la început un model exhaustiv. Pentru început
modelul de simulare constituie mai degrabă un ansamblu de mai multe modele simple ce
reprezintă legăturile dintre diverse variabile ale sistemului real.
9
Simularea este adesea efectuată adesea pe eşantioane de date reprezentative pentru
o “colectivitate” de date cercetată ceea ce implică utilizarea teoriei sondajului.
AVANTAJELE ŞI DEZAVANTAJELE SIMULĂRII DE MARKETING
Avantaje
Utilizarea simulării în cercetarea de marketing se datorează unor avantaje
incontestabile comparativ cu alte metode.
Principalul avantaj al utilizării ca metodă de obţinere a datelor a simulării rezultă
din faptul că permite testarea diferitelor alternative de acţiune pe un sistem înlocuitor şi nu
pe cel real, respectiv fără a determina modificări în evoluţia reală a fenomenelor
investigate. Astfel este posibil a se testa eficienţa unui număr mare de combinaţii de acţiuni
posibile ceea este imposibil de realizat în realitate4. Se pot, astfel, determina într-un timp
foarte scurt (câteva secunde, de exemplu) comportamente ale unor fenomene de marketing
în anumite condiţii date.
Datorită utilizării calculatorului electronic simularea asigură o reprezentare a
fenomenelor de marketing cu un grad scăzut de simplificare şi permite studierea diferitelor
relaţii dintre variabilele sistemului, sau dintre acestea şi variabilele externe. Altfel spus dă
posibilitatea manevrării unui număr mare de variabile, caracterizându-se printr-un grad
ridicat de fezabilitate.
Simularea permite cunoaşterea pe termen lung a rezultatelor diferitelor acţiuni
datorită posibilităţii de compresie a timpului.
Se poate utiliza pentru studierea unor fenomene extrem de diverse legate de mediul
de marketing intern şi extern, permiţând adoptarea unor decizii imediate sau pentru
perioade lungi de timp. Astfel, prin intermediul simulării de marketing este stabilită
alternativa decizională ce se va adopta într-o situaţie dată, momentul adoptării (eventual
succesiunea deciziilor şi momentele în care aceste vor fi puse în aplicare), precum şi
deciziile de rezervă.
Pentru realizarea simulărilor de marketing există produse software relativ uşor de
utilizat.
4
În cadrul experimentelor de marketing se testează diferite alternative de acţiune, adesea în cadrul lumii
reale, în schimb numărul acestora este relativ redus.
10
Dezavantaje
O serie de dezavantaje ale simulării rezultă din dificultatea şi uneori imposibilitatea
realizării modelelor de simulare care să reproducă cu fidelitate procesele şi fenomenele
reale. Conceperea modelelor de simulare presupune adesea eforturi financiare
considerabile, timp îndelungat pentru realizarea lor, experienţă îndelungată şi nu în ultimul
rând tehnică de calcul avansată.
De asemenea, rezultatele aplicării tehnicii de simulare sunt direct dependente de
măsura în care modelul de simulare reprezintă modelul real; o singură asociere greşită între
două variabile (de exemplu), putând duce la decizii total eronate.
Identificarea soluţiei optime sau foarte bune nu se poate realiza decât după
adoptarea deciziei, respectiv după ce rezultatele respectivei decizii s-au produs (faţă de
cazul modelelor analitice care permit identificarea de la început a “soluţiei optime”).
Soluţiile obţinute din realizarea unei simulări anterioare nu pot fi utilizate şi pentru
o altă problemă decizională, modelul de simulare S’ reprezentând un singur model real S.
Datorită uşurinţei în utilizarea programelor pentru simularea anumitor fenomene de
marketing se renunţă adesea la utilizarea modelării economico – matematice, rolul acesteia
din urmă fiind incontestabil în anumite situaţii date.
UTILIZĂRI ALE SIMULĂRII DE MARKETING
 cunoaşterea şi înţelegerea interdependenţelor dintre variabilele de marketing,

estimarea valorilor anumitor variabile precum şi a formei funcţionale a
legăturilor dintre variabilele modelului;
 evaluarea şi previzionarea consecinţelor diferitelor acţiuni (adoptarea anumitor
strategii, tactici de marketing), fără însă ca, pe parcursul experimentării să
intervină schimbări în evoluţia sistemului real;
 verificarea şi / sau demonstrarea într-un timp scurt a avantajelor şi riscurilor
anumitor acţiuni care în condiţiile reale s-ar produce după perioade lungi de
timp;
 determinarea acelor alternative decizionale care duc la soluţii optime sau
suboptime (ce pot duce aproximativ la cea mai bună rezolvare a problemei
decizionale);
11
 studierea fenomenelor de marketing recursive (anumite schimbări ale
fenomenului cercetat au repercusiuni asupra altor fenomene). De exemplu:
schimbări la nivelul unei anumite verigi din lanţul de distribuţie poate declanşa
modificări în amontele traseului ducând la amplificarea consecinţelor acţiunii
întreprinse;
 studierea efectelor decalate în timp ale anumitor acţiuni întreprinse, ce nu pot fi
exprimate prin intermediul modelelor analitice;
 studierea proceselor de tranziţie (de exemplu studierea evoluţiei în timp a
percepţiilor consumatorilor faţă de anumiţi stimuli);
 realizarea de teste de senzitivitate, respectiv studierea modului în care
fenomenele de marketing sunt influenţate de variaţia anumitor variabile
externe;
 mai buna structurare a problemei cu care se confruntă decidentul şi
fundamentarea căilor de rezolvare a acesteia.
EVALUAREA TEHNICILOR DE SIMULARE
Tehnicile utilizate în simulările de marketing, pot fi evaluate după şase

caracteristici de bază5:
 funcţionalitatea (gradul de complexitate şi capacitatea de a produce rezultate
plauzibile pe baza unor date de intrare care înregistrează valori situate şi în
afara anumitor limite);
 costurile legate de dezvoltarea modelului şi adaptarea la specificul problemelor
investigate;
 tehnicile de rulare, respectiv costurile de rulare, timpul necesar pentru obţinerea
rezultatelor, uşurinţa comunicării atât la intrarea cât şi la ieşirea datelor;
 contextul utilizării (domeniile investigate şi frecvenţa cu care se apelează la
simulare pentru a găsi răspunsurile dorite);
 gradul de validitate şi valoarea rezultatelor obţinute prin folosirea simulării.
5
Cătoiu, Iacob (coordonator), Cercetări de marketing, Editura Uranus Bucureşti, 2002, p 421.
12
Discuţii finale:
- Definiţi simularea şi rolul său in investigarea fenomenelor de marketing;
- Identificaţi similitudinile şi diferenţele dintre simulare şi modelarea economico-
matematică;
- Identificaţi avantajele şi dezavantajele utilizării simulării în procesul de investigare a
fenomenelor economice, implicit de marketing;
Temă propusă:
Realizaţi un referat cu tema “Importanţa simulării în investigarea fenomenelor de
marketing”.
13
14
CAPITOLUL II
CLASIFICAREA TEHNICILOR DE SIMULARE

Simulare analogică; După parcurgerea acestui capitol va trebui
Simulare numerică; să cunoaşteţi care sunt principalele
Simulare hibridă; tipuri de metode de simulare (având în
Simulare deterministă; vedere principalele criterii de
Simulare întâmplătoare; clasificare) şi principalele lor
Simulare simulare deterministă cu caracteristici.
perturbaţii întâmplătoare;
Simulare în timp real;
Simulare pseudotimp;
Antesimulare;
Postsimulare;
Simulare convenţională;
Simulare interactivă vizuală;
Simulare virtuală;
Simulare fundamentate matematic;
Simulare interactivă euristică.
Există mai multe criterii de clasificare a tehnicilor de simulare. Astfel:

 În funcţie de tipul modelului utilizat pentru realizarea simulării există:
 metode de simulare analogică – se bazează pe analogii cu alte sisteme
(fizice, biologice etc.);
 metode de simulare numerică, ce presupune utilizarea modelelor
matematice pentru reprezentarea fenomenelor investigate. Aceasta este
categoria de metode cea mai frecvent folosită în cercetările de
marketing. Dintre metodele de simulare numerică amintim: tehnica
Monte Carlo, simularea de tip “joc” şi tip Forrester;
 metode de simulare hibridă, care reprezintă o îmbinare între simularea
analogică şi cea numerică.
15
 În funcţie de natura algoritmilor utilizaţi tehnicile de simulare sunt:
 metode de simulare deterministă (dirijată) – variabilele (în cadrul
aceluiaşi ciclu de simulare) sau parametrii (de la un ciclu de simulare la
altul) capătă în cadrul fiecărui ciclu de simularea valori deterministe
(valori date sau rezultate dintr-un anumit procedeu de calcul);
 metode de simulare întâmplătoare – cel puţin una dintre variabilele
sau parametrii modelului capătă valori întâmplătoare sau
pseudoîntâmplătoare;
 metode de simulare deterministă cu perturbaţii întâmplătoare –
variabilele sunt atât deterministe cât si întâmplătoare, acestea din urmă
nefiind în măsură să schimbe evoluţia generală a funcţionării sistemului.
Prezenţa acestor variabile conferă însă un plus de realism modelului de
simulare.
 În funcţie de timpul necesar realizării simulării există:

 simulare în timp real – timpul de simularea este identic cu timpul în
care fenomenele se produc în realitate. Astfel de simulări nu sunt
utilizate în cercetările de marketing (în cercetarea fenomenelor
economice, în general);
 simulare în pseudotimp – timpul de simularea este (în cazul aplicaţiilor
economice şi implicit de marketing) mult mai redus decât timpul în care
fenomenele s-ar produce în realitate.
 În funcţie de momentul efectuării simulării există:

 antesimulare – simularea are loc anterior producerii în realitate a
fenomenului investigat. Astfel de modele se utilizează pentru
proiectarea sistemelor economice şi realizarea de prognoze;
 postsimulare – simularea are loc după producerea în realitate a
fenomenului investigat. Utilizarea acesteia are rolul de a perfecţiona
anumite sisteme, precum şi de a duce la dobândirea de experienţe în
conducerea fenomenelor şi proceselor reale.
 În funcţie de interacţiunea om-calculator tehnicile de simulare se împart în:
16
 tehnici de simulare convenţională – rezultatele diferitelor experimente
sunt raportate statistic la sfârşit, utilizatorii modelelor neavând
posibilitatea de a interveni în procesul de simulare pentru a proceda la
diverse modificări pe parcursul desfăşurării experimentelor şi a evalua
impactul acestor intervenţii asupra rezultatelor. Aceste tehnici presupun
calculul intervalului de încredere al modelului;
 tehnici de simulare interactivă vizuală – fiind dintre cele mai noi
tehnici de simulare, tehnicile de simulare interactivă vizuală permit
intervenţia utilizatorului în procesul de simulare şi evidenţierea
rezultatelor diverselor sale acţiuni pe parcursul desfăşurării
experimentelor. Aceste modele asigură redarea vizuală statică
(imaginile sunt afişate pe rând) sau dinamică (evoluţia sistemului este
prezentată în timp prin imagini animate) a rezultatelor diferitelor
intervenţii ale utilizatorului. Avantajele acestor tehnici sunt
incontestabile în condiţiile în care stimulii vizuali sunt adesea mult mai
bine percepuţi, iar utilizatorii prin interacţiune cu modelul pot testa, pe
parcursul desfăşurării experimentelor, diferite alternative de acţiune –
ceea ce duce creşterea încrederii în rezultatele obţinute şi ameliorarea
efectelor învăţării.
 tehnici de simulare virtuală – presupun crearea unui mediu artificial
(virtual), la care, prin echipamente adecvate (aparate audio, căşti,
senzori etc.) utilizatorul este conectat. Sunt evaluate deopotrivă acţiunile
sistemului cât şi ale utilizatorului.
 În funcţie de precizia rezultatelor distingem:

 tehnici de simulare fundamentate matematic – presupun utilizarea
metodelor statistico-matematice, a teoriei probabilităţilor, ceea ce
permite asigurarea unui anumit grad de precizie şi realizarea de estimări
ale erorilor asociate modelului;
 tehnici de simulare interactivă euristică – nu vizează îndeplinirea
condiţiilor legate de precizia rezultatelor, urmărindu-se îndeosebi
creşterea operativităţii.
17
Discuţii finale:
Identificaţi şi descrieţi caracteristicile diferitelor tehnici de simulare pornind de la
următoarele criterii de clasificare:
- tipul modelului utilizat;
- natura algoritmilor utilizaţi;
- timpul necesar realizării simulării;
- momentul efectuării simulării;
- interacţiunea om-calculator;
- precizia rezultatelor.
18
CAPITOLUL III
COMPONENTELE SISTEMELOR DE SIMULARE DE MARKETING

Sistem; După parcurgerea acestui capitol va
Element (componentă); trebui să cunoaşteţi:
Stare; - Care sunt principalele concepte cu
Conexiune (legătură); care operează simulare;
Traiectorie; - Care sunt elementele unui sistem de
Optimizare; simulare.
Model;
Modelare;
Model de simulare;
Simulator;
Eveniment;
Proces;
Activitate;
Jucătorii (operatorii);
Date de intrare;
Variabile de intrare;
Parametri de intrare;
Date de ieşire;
Variabile perturbatoare;
Variabile intermediare.
CONCEPTE SPECIFICE SIMULĂRII
Există o serie de concepte specifice simulării:

 sistem – o mulţime de elemente în interacţiune. Un sistem cuprinde:
operatori umani, echipamente tehnologice;
 element (componentă) – o unitate identificabilă ce poate fi complet
definită, aflată în conexiune cu una sau mai multe unităţi ale sistemului. În
orice moment de timp componenta se caracterizează printr-o stare;
19
 stare (a unei componente) – reunire de atribute ce caracterizează
componenta. Stările componentelor principale descriu starea sistemului
propriu-zis. De fapt, obiectivul principal al simulării este în înţelegerea
evoluţiei stărilor sistemului, a modului în care acestea se modifică, controlul
şi predicţia lor, în condiţiile îmbunătăţirii performanţelor acestuia;
 conexiune (legătură) – interacţiunea dintre două sau mai multe
componente, sau dintre acestea şi mediul extern;
 traiectorie – secvenţa de stări specifice sistemului într-un interval de timp
considerat;
 optimizare – idealul simulării este de a determina acele performanţe
maxime (optime) posibile;
 model – vezi pag. 8;
 modelare – modalitate de cercetare a unor fenomene utilizând ca
instrument modelul;
 model de simulare - vezi pag. 9;
 simulator – sistem echivalent (analog) care se comportă similar sistemului
real pe care îl reprezintă. Construcţia sistemului echivalent / analog
(simulatorul) presupune fie “păstrarea” din sistemul real a ceea ce este
esenţial (se vor elimina acele legături cu şanse reduse de a se produce, acele
componente a căror probabilitate de apariţie este scăzută etc.), fie reunirea
unor componente diferite de sistemul real, dar care în interacţiunea dintre
ele se comportă similar cu sistemul simulat;
 eveniment – schimbarea stării unei componente a sistemului;
 proces – secvenţă de evenimente ordonate în timp;
 activitate – un ansamblu de operaţii ce modifică starea unei componente;
ELEMENTE ALE SISTEMULUI DE SIMULARE
Un sistem tipic de simulare, utilizat în cercetările de marketing, este format din

următoarele elemente:
 modelul;
 jucătorii (operatorii);
 datele de intrare, care sunt reprezentate de
20
 variabile de intrare, care pot fi întâmplătoare sau deterministe
înregistrează valori discrete care se schimbă în permanenţă în cadrul
ciclului de simulare;
 parametri de intrare – înregistrează valori constante de-a lungul
ciclului de simulare
 datele de ieşire – sunt variabile care depind de valorile variabilelor şi
parametrilor de intrare; dependenţa dintre acestea fiind ilustrate prin
algoritmul ce stă la baza modelului de simulare.
În afara datelor de intrare şi de ieşire un sistem de simulare mai cuprinde:

 variabile perturbatoare – constituie variabile necontrolabile ce generează
schimbarea stării unei / unor componente ale sistemului (evenimente).
Apariţia acestor evenimente poate fi previzibilă sau aleatoare.
 variabile intermediare – valori ce atestă starea unei componente a
sistemului la un anumit moment dat.
Discuţii finale:
- Definiţi principalele concepte specifice simulării;
- Identificaţi elementele unui model de simulare.
21
22
CAPITOLUL IV
ETAPELE SIMULĂRILOR DE MARKETING

Problemă de marketing; După parcurgerea acestui capitol va
Estimare a parametrilor şi trebui să cunoaşteţi care sunt
variabilelor modelului de simulare; etapele ce se parcurg în procesul de
Performanţă a modelului de realizare a experimentelor de
simulare; simulare şi ce activităţi se desfăşoară
Validare a sistemului de simulare; în cadrul fiecărei etape.
Program de simulare.
Demersul întreprins pentru realizarea sistemului S’ care să reprezinte cât mai fidel
sistemul real S implică desfăşurarea unor activităţi într-o anumită succesiune. Astfel,
realizarea experimentului de simulare presupune parcurgerea următoarelor etape:
 formularea problemei, a scopului şi obiectivelor urmărite – presupune

identificarea problemei de marketing cu care se confruntă cercetătorul – a
gradului său de complexitate (în funcţie de acest aspect justificându-se sau
nu utilizarea ca metodă de investigare a simulării). În această etapă
sistemul cercetat este analizat pentru a cunoaşte trăsăturile caracteristicile,
componentele sale şi relaţiile dintre acestea. Se realizează o delimitare
temporală, spaţială şi funcţională a sistemului de mediul extern. Se
definesc, de asemenea, criteriile de performanţă ce trebuie atinse. În
anumite situaţii există posibilitatea optării pentru simularea doar a unor
componente ale sistemului cercetat şi nu în întregul său. Pe baza analizării
sistemului cercetat are loc definirea variabilelor şi parametrilor modelului
precum şi alternativele de acţiune ce urmează a fi experimentate;
 culegerea şi prelucrarea preliminară a datelor reale – acestea vor sta la

baza sugerării ipotezelor pentru formularea modelelor matematice. De
23
asemenea, se pot aduce o serie de îmbunătăţiri unor modele deja existente
şi se poate verifica valabilitatea acestora;
 construirea modelului – presupune precizarea ipotezelor, a variabilelor şi

parametrilor modelului (de intrare, de ieşire, perturbatoare, intermediare), a
relaţiilor dintre acestea, definirea relaţiilor funcţionale şi algoritmului ce stă
la baza obţinerii valorilor datelor de ieşire în baza valorilor datelor de
intrare;
 estimarea mărimii parametrilor sau variabilelor de intrare – utilizând

fie procedeele de statistică matematică (estimarea valorilor datelor de
intrare pe baza valorilor datelor reale culese), fie prin generarea de numere
şi variabile aleatoare;
 evaluarea performanţelor modelului – modelul construit este testat cu

ajutorul valorilor unor date de intrare pentru care sunt cunoscute
rezultatele. În acest sens sunt utilizate teste de concordanţă: Kolmogorov,
Smirnov, Pearson sau χ2. În urma testării se procedează fie la reluarea
formulării modelului de simulare (dacă se constată existenţa anumitor
deficienţe) fie validarea acestuia;
 construirea algoritmului de simulare;
 scrierea programelor de simulare – presupune utilizarea fie a unor

limbaje generale de programare (EXCEL) sau specializate (GPSS,
SIMSCRIPT, SIMULA etc.) acestea din urmă oferind o serie de facilităţi;
 validarea sistemului de simulare – prin testarea programului de simulare

pentru o anumită situaţie pentru care se cunosc rezultatele sau prin
compararea valorilor de ieşire cu valorile obţinute prin observarea unor
situaţii similare;
24
 realizarea propriu-zisă a simulării – presupune rularea pe calculator a
programelor de simulare prin considerarea succesivă a cât mai multor
valori ale datelor de intrare. Se urmăreşte, astfel, acoperirea a cât mai
multor situaţii reale; în funcţie de valorile obţinute ale variabilelor de ieşire
se formulează decizii (se selectează anumite valori ale datelor de intrare) în
măsură să genereze îmbunătăţirea performanţelor sistemului simulat.
 analiza şi interpretarea datelor – presupune prelucrarea datelor simulate,

testarea semnificaţiei lor statistice, compararea şi evaluarea alternativelor
decizionale, realizarea de tabele, grafice etc. şi interpretarea rezultatelor.
În procesul de simulare parcurgerea acestor etape nu trebuie privită cu rigiditate,

acestea neconstituind întotdeauna paşi distincţi şi, de asemenea, nu în toate cazurile
succesiunea este cea prezentată.
După selectarea celei ai bune alternative decizionale se va proceda la realizarea
unui raport ce va cuprinde: scopul, obiectivele şi ipotezele, datele de intrare, aspectele
referitoare la validarea modelului şi modul de proiectare a experimentelor, rezultatele,
concluziile şi recomandările.
Exploatarea rezultatelor simulării va permite utilizatorilor perfecţionarea sistemelor
de simulare.
Discuţii finale:
- Indicaţi şi descrieţi etapele ce se parcurg pentru realizarea experimentelor de
simulare de marketing.
25
26
CAPITOLUL V
MODELE DE SIMULARE

Generare de numere aleatoare; După parcurgerea acestui capitol va
Generator de numere aleatoare; trebui să cunoaşteţi şi să înţelegeţi:
Număr aleatoriu; - Care este utilitatea şi cum sunt
Simulare monte carlo; generate numerele aleatoare;
Lanţuri Markov; - Care sunt cerinţele satisfăcute de un
Joc de întreprindere; număr pseudoaleator (aleator);
Joc pentru întreaga întreprindere; - Principalele metode de generare de
Joc funcţional; numere aleatoare;
Joc complex; - Caracteristicile, utilitatea şi modul de
Joc pentru alte zone de specialitate; utilizare a metodei Monte Carlo în
Joc concurenţial; investigarea fenomenelor economice;
Joc interdependent; - Previzionarea cotelor de piaţă ale
Joc independent; unor produse concurente utilizând
Joc cooperativ; metoda Lanţurilor Markov şi simularea
Joc contra naturii; Monte Carlo;
Pachete de autoînvăţare; - Caracteristicile şi utilitatea jocurilor
Joc pe calculator; de întreprindere;
Joc manual; - Clasificarea şi caracteristicile
Joc de instruire; principalelor tipuri de jocuri de
Joc pentru fundamentarea deciziilor întreprindere;
operative; - Cunoaşterea etapelor specifice
Tehnici de dinamică industrială; desfăşurării jocurilor de întreprindere;
Model dinamic; - Cunoaşterea utilităţii şi a principalelor
Variabile de nivel; caracteristici ale jocurilor de dinamică
Variabile de ritm; industrială.
Variabile auxiliare.
27
5.1. Generarea numerelor şi variabilelor aleatoare
În simularea proceselor economice, inclusiv de marketing, atunci când valorile unor

parametri / variabile de intrare nu se cunosc se impune generarea de numere aleatore
(alese la întâmplare), aceasta realizându-se cu ajutorul calculatorului electronic6. În
programele de simulare generarea numerelor aleatoare ocupă o pondere relativ mare în
timpul total de rulare al calculatorului. Acest fapt este justificat prin numărul mare al
evenimentelor perturbatoare care afectează procesele economice, cel mai adesea acestea
având caracter aleator. În consecinţă algoritmii utilizaţi în procesul de simulare a
fenomenelor economice trebuie să fie astfel construiţi încât să fie în concordanţă cu teoria
economică.
Se consideră număr aleator orice număr care este obţinut astfel încât valoarea sa
nu poate fi prevăzută anticipat.
Generarea, cu ajutorul calculatorului a numerelor aleatoare, având la bază reguli
prestabilite (algoritmi de generare) afectează într-o anumită măsură caracterul aleator al
acestui proces. Astfel, numerele obţinute sunt considerate pseudoaleatoare.
Numerele pseudoaleatoare satisfac următoarele cerinţe:

 sunt repartizate uniform în intervalul standard [0,1]. Funcţia de repartiţie uniformă
se defineşte astfel:
0, daca x  0

F ( x)   x, daca x  (0,1)
1, daca x  1

În cazul în care, utilizând un procedeu de generare de numere aleatoare s-a
obţinut un şir de numere repartizate uniform în intervalul (0, A), A fiind un
număr întreg, iar n un anumit număr din cadrul şirului generat, se face
transformarea x = n /A, obţinându-se un şir de valori uniform repartizate în
intervalul (0, 1);
6
Există şi modalităţi de generare de numere aleatoare ce nu presupun utilizarea calculatorului electronic
(utilizarea de zaruri, rulete, urne cu bile etc.). Datorită vitezei reduse, astfel de metode nu sunt folosite în
simularea proceselor economice.
28
 sunt statistic independente (nu sunt autocorelate) - există o serie de teste statistice
ce studiază independenţa dintre variabile (ex: testul χ2 , testul Student, testul
Kolmogorov etc.) ce pot fi utilizate pentu verificarea acestei condiţii;
 sunt reproductibile, respectiv, utilizând acelaşi algoritm cu aceleaşi valori iniţiale se
obţine acelaşi şir de numere;
 funcţia de repartiţie este stabilă, respectiv nu se produc schimbări ale repartiţiei în
cursul rulării programului de simulare;
 şirul enumerat are o perioadă de repetiţie mare (teoretic şirurile de numere aleatore
nu trebuie să conţină repetiţii, ceea ce, prin utilizarea generatoarelor nu este
posibil). Având în vedere aceste aspecte perioada de repetiţie trebuie să fie în
consecinţă cât mai mare.
Metodele utilizate pentru generarea de numere aleatoare (care, de fapt, generează

numere pseudoaleatoare), asigură o apropiere semnificativă a şirurilor generate de şirurile
aleatoare. De aceea se utilizează noţiunea de aleatoare şi pentru categoria şirurilor
pseudoaleatoare.
METODE DE GENERARE A NUMERELOR ALEATOARE
Principalele clase de metode de generare a numerelor aleatoare sunt:

 metode manuale – presupun utilizarea de zaruri, rulete, urne cu bile etc. Se
caracterizează prin viteza redusă motiv pentru care, în cele mai multe situaţii, nu
sunt folosite;
 metode fizice – au la bază analogii cu diferite procese fizice (procese radioactive,
electronice etc.). Prezintă dezavantajul că nu asigură reproductibilitatea datelor;
 metode de memorizare – presupun utilizarea unor tabele cu numere aleatoare.
Prezintă dezavantajul unui consum de memorie a calculatorului ridicat;
 metode care constau în consultarea specialiştilor – prezintă dezavantajul
subiectivismului precum şi viteză lentă;
 metode analitice – presupun utilizarea anumitor algoritmi de calcul. Se impune ca
aceşti algoritmi să asigure un consum minim de timp şi memorie pe parcursul
rulării pe calculator. Aceste metode sunt cele mai utilizate în procesul de simulare a
fenomenelor de marketing (fenomenelor economice, în general).
29
5.2. Metoda de simulare Monte Carlo
Atunci când sunt investigate prin simulare fenomene stochastice, pentru a imita sau
reproduce comportamentul sistemului simulat se impune generarea de numere aleatoare.
Procesul prin care sunt generate numere sau variabile în mod aleator poartă numele
de metoda Monte Carlo.
După cum am precizat în subcapitolul anterior pentru generarea numerelor aleatore
- numere aleatoare uniform distribuite în intervalul [0, 1] - se impune utilizarea
generatorilor de numere aleatoare. Astfel de generatori, verificaţi şi testaţi, sunt conţinuţi
de toate limbajele de programare generale şi limbajele speciale de simulare.
Metoda Monte Carlo reprezintă o metodă de simulare prin care se urmăreşte
studierea realităţii prin procese probabilistice. De fapt, denumirea metodei provine după
cazinourile de la Monte Carlo ale căror rulete pot fi considerate generatoare de numere
aleatoare.
La momentul actual, metoda de simulare Monte Carlo se aplică din ce în ce mai
mult pentru studierea fenomenelor economice (implicit a fenomenelor de marketing),
pentru studierea problemelor stochastice sau în condiţii de risc, respectiv în situaţia în care
aceleaşi direcţii de acţiune pot genera mai multe rezultate, ale căror probabilităţi se pot
estima.
Având la bază teoria probabilităţii, cu ajutorul metodei Monte Carlo sunt realizate
evaluări, ierarhizări care permit adoptarea deciziei în legătură cu diferite probleme de
marketing. Altfel spus, metoda Monte Carlo asociază problemei investigate un model
aleatoriu, iar prin generarea unor variabile aleatorii care sunt legate funcţional de soluţie se
realizează experimente asupra modelului obţinându-se informaţii în legătură cu problema
investigată.
Pentru asigurarea succesului în utilizarea metodei se impune ca variabilele generate
aleator să fie estimate astfel încât să se înregistreze o abatere în probabilitate cât mai mică
comparativ cu a variabilelor considerate reale.
Precizia metodei creşte pe măsură ce creşte numărul încercărilor, dar este
dependentă şi de variaţia acestora. În fapt, metoda Monte Carlo este un mod de simulare
bazat pe sondaj.
30
PRECIZIA ŞI PROPRIETĂŢILE METODEI MONTE CARLO
În procesul de utilizarea a simulărilor Monte-Carlo pentru investigarea fenomenelor

se vor avea în vedere următoarele aspecte:
 Considerând n experimente în urma cărora a rezultat o frecvenţă relativă de apariţie
a unei anumite valori este f*’, frecvenţa relativă reală f* (probabilitatea de producere
a evenimentului) se estimează cu ajutorul intervalului:
f * '   f *  f * '  ,
unde:
f * ' (1  f * ' )
  t , n 1 - eroarea ataşată probabilităţii de producere a
n
evenimentului;
t; n-1 - coeficientul ce corespunde probabilităţii de garantare a rezultatelor, citit din
tabelul repartiţiei Student (anexa 1), pentru n – 1 grade de libertate şi un nivel de
semnificaţie  ( = 1 – P), determinat în funcţie de probabilitatea P cu care se
doreşte a se garanta rezultatele.
Exemplu
Considerăm 20 experimente (n = 20), în urma cărora s-a obţinut o frecvenţă f*’ =
0,6, şi un nivel de semnificaţie de  = 0,05, rezultă o frecvenţă reală de apariţie a
evenimentului cuprinsă în intervalul:
0,6(1  0,6) 0,6(1  0,6)

0,6  2,093  f *  0,6  2,093  0,37  f *  0,83 ;
20 20
t0,05; 20-1 , citit din tabelul repartiţiei Student = 2,093.
Deci probabilitatea de apariţie a fenomenului real este cuprinsă între (0,37, 0,83),
respectiv (37%, 83%). În acest caz eroarea ataşată probabilităţii de producere a
evenimentului ∆ este ±0,23 sau ±23%.
31
 În cazul în care se doreşte ca eroarea asociată probabilităţii (p) de apariţie a
evenimentului considerat să nu depăşească un anumit nivel ∆, atunci se impune ca
numărul de repetiţii ale experimentului să fie:
Exemplu
Dacă pentru probabilitatea de apariţie a evenimentului p = 0,6 se doreşte asigurarea
unei erori care să nu depăşească nivelul ±3%, în condiţiile unui nivel de semnificaţie de
0,05 atunci n va fi:
2,0932  0,6(1  0,6)
n  1169 .
0,032
Valoarea p poate fi considerată pentru început ca fiind egală cu probabilitate de
apariţiei a evenimentului obţinută în baza primelor încercări realizate, ulterior urmând a fi
ajustată pe măsură ce numărul de experimente realizate creşte.
 Estimarea mediei reale ( x0 ) pe baza mediei determinate a unei variabile ( x ) după
n experimente de simulare se realizează cu ajutorul intervalului:
x - Δ < x 0 < x + Δ, 65ip
unde:
x - constituie media aritmetică a valorilor înregistrate a variabilei simulate (xi) după
n
x i
n experimente: x  i 1
;
n
S
  t , n 1 - eroarea ataşată mediei reale;
n
 x 
2
i x
S - estimator al abaterii medii pătratice a valorilor xi.
n 1
Exemplu
Dacă în cazul a n = 20 experimente s-a obţinut o medie x =105, pentru care S = 15,
rezultă media variabilei reale se va încadra în intervalul:
32
105 – 7,02 < x0 < 105 + 7,02  97,98 < x0 < 112,02, unde:
În condiţiile unui nivel de semnificaţie de 0,05,

15
  2,093  7,02
20
 În cazul în care se impune de la început o anumită eroare maximă admisă Δ, se va

proceda la determinarea numărului de experimente ce pot asigura o astfel de eroare;
creşterea numărului de experimente ducând implicit la creşterea gradului de
precizie. Pornind de la formula pentru determinarea erorii maxime admise, obţinem
următoarea formulă de calcul a lui n:
S2
n  t2 , n 1 .
2
Exemplu
Considerăm că după n = 20 experimente a rezultat o valoare medie x = 105, pentru
care S = 15 şi o valoare Δ = 6,7, în condiţiile unui nivel de semnificaţie de  = 0,05. Se
doreşte determinarea numărului de experimente necesar a se realiza pentru a obţine o
precizie a rezultatelor Δ = 2.
15 2
n  2,093 2  247 .
22
De fapt, creşterea preciziei de m ori, impune o creştere a numărului de experimente

de simulare de m2 ori.
În cazul în care probabilitatea de apariţie a unor fenomene este redusă metoda
Monte Carlo nu este indicată, asigurarea unui anumit grad de precizie impunând un număr
foarte de mare de experimente de simulare.
 se consideră suficient pentru precizia metodei Monte Carlo o probabilitate de

garantare a rezultatelor cuprinsă între 0,99 şi 0,997.
33
APLICAŢII ALE METODEI MONTE CARLO
Cu ajutorul Metodei Monte Carlo şi pornind de la valorile înregistrate ale unei

variabile se pot realiza estimări cu privire la valorile parametrilor ce caracterizează
respectiva variabilă investigată.
Considerând următoarea distribuţie a variabilei cercetate:
Valorile înregistrate ale variabilei Frecvenţe absolute
investigate “x” fi
x1 f1
x2 f2
. .
. .
xi fi
. .
. .
xr fr
Total f
Estimarea mediei variabilei investigate pe baza valorilor înregistrate, prezentate în

tabelul anterior, presupune parcurgerea următorului algoritm:
 sunt determinate frecvenţele relative, care indică probabilităţile de apariţie a unei
anumite valori a variabilei cercetate (pi) şi frecvenţele relative cumulate:
fi
pi  f i *  r
f
i 1
i
Valorile înregistrate ale Probabilităţi Probabilităţi cumulate

variabilei investigate “x” pi p’i
x1 p1 p’1 = p1
x2 p2 p’2 = p1 + p2
. . .
. . .
xi pi p’i = p1 + p2+...+pi
. . .
. . .
xr pr p’r = p1 + p2+...+pi+...+pr=1
Total 1 -
34
 se reprezintă grafic valorile înregistrate ale variabilei investigate şi probabilităţile
cumulate corespunzătoare. Considerând pentru exemplificare un număr de 6 valori
xi, graficul se prezintă astfel:
p'6
1
0.9
p'5
probabilitati cumulate 0.8
0.7
0.6
p'4
0.5
0.4
p'3
0.3
p'2
0.2
p'1
0.1
0
x1 x2 x3 x4 x5 x6
 se realizează un anumit număr de selecţii n cu ajutorul unui generator de numere

aleatoare. La îndemâna oricui este funcţia RAND() din Excel, care este un generator
de numere aleatoare.
 valoarea xi corespunzătoarea fiecărei valori aleatoare generate se citeşte cu ajutorul
graficul reprezentat anterior. Numărul generat constituie un punct pe axa Oy. Se
trasează o paralelă la Ox din respectivul punct până în locul de intersecţie cu prima
coloană, valoarea xi corespunzătoare coloanei intersectate fiind de fapt valoarea xi
corespunzătoare numărului aleator generat. Considerând un număr de 10 repetiţii
rezultatele se prezintă astfel:
Număr Valoare
Număr aleator
repetiţii xi
1 0.582924 x5
2 0.053644 x1
3 0.887214 x6
4 0.942867 x6
5 0.783511 x5
6 0.181114 x2
7 0.591019 x5
8 0.388166 x4
9 0.026283 x1
10 0.888168 x6
35
Cu ajutorul acestor date se pot realiza estimări ale parametrilor variabilei
investigate (media, dispersia, coeficientul de variaţie, abaterea medie pătratică).
Exemplu
Considerăm un eşantion de 200 persoane supus unei cercetări, pentru care s-a
înregistrat frecvenţa de cumpărare (numărul de cumpărături) al unui anumit produs “X”, în
cursul unei luni. Rezultatele centralizate se prezintă astfel:
Numărul de cumpărături Frecvenţe
ale produsului “X” în absolute
decursul unei luni (bucăţi) (persoane)
0 15
1 19
2 36
3 53
4 41
5 18
6 11
7 7
Total 200
Pe baza acestor date se doreşte a se estima evoluţia pentru perioada următoare a
cumpărărilor din produsul “X”. Se consideră un nivel de semnificaţie de 0,05.
 determinăm probabilităţile de apariţie a fiecărei valori xi, precum şi probabilităţile

cumulate:
Numărul de cumpărături Frecvenţe Probabilităţi
Probabilităţi
ale produsului “X” în absolute cumulate
pi
decursul unei luni (bucăţi) fi p’i
0 15 0.075 0.075
1 19 0.095 0.170
2 36 0.180 0.350
3 53 0.265 0.615
4 41 0.205 0.820
5 18 0.090 0.910
6 11 0.055 0.965
7 7 0.035 1.000
Total 200 1.000
36
 se reprezintă grafic valorile înregistrate ale variabilei investigate şi probabilităţile
cumulate corespunzătoare:
0.965 1.000
1.0 0.910
0.9 0.820
probabilitati cumulate
0.8
0.7 0.615
0.6
0.5
0.4 0.350
0.3
0.170
0.2
0.075
0.1
0.0
0 1 2 3 4 5 6 7
numar produse achizitionate
 se realizează un număr de 25 selecţii cu ajutorul funcţiei RAND()şi se ataşează

valoarea xi corespunzătoare citită cu ajutorul graficului:
Număr repetiţii Număr aleator xi
1 0.2798 2
2 0.9862 7
3 0.6863 4
4 0.5229 3
5 0.3966 3
6 0.1808 2
7 0.9184 6
8 0.3931 3
9 0.9619 6
10 0.1439 1
11 0.8448 5
12 0.3823 3
13 0.1812 2
14 0.4835 3
15 0.7619 4
16 0.8278 5
17 0.7686 4
18 0.6407 4
19 0.7704 4
20 0.0629 0
21 0.0618 0
22 0.0600 0
23 0.8646 5
24 0.0152 0
25 0.2870 2
37
Cu ajutorul acestei distribuţii se pot realiza estimări cu privire la cumpărăturile
medii realizate de către consumatori, precum şi a altor indicatori de caracterizare a
distribuţiei:
Număr repetiţii xi (xi- x )2
1 2 1.2544
2 7 15.054
3 4 0.7744
4 3 0.0144
5 3 0.0144
6 2 1.2544
7 6 8.2944
8 3 0.0144
9 6 8.2944
10 1 4.4944
11 5 3.5344
12 3 0.0144
13 2 1.2544
14 3 0.0144
15 4 0.7744
16 5 3.5344
17 4 0.7744
18 4 0.7744
19 4 0.7744
20 0 9.7344
21 0 9.7344
22 0 9.7344
23 5 3.5344
24 0 9.7344
25 2 1.2544
Total 78 94,6400
x i
78
 Media celor 25 valori selectate: x  i 1
  3,12 ;
n 25
 Intervalul în care se va încadra media reală:

x - Δ < x 0 < x + Δ  3,12 – 0,82 < x 0 < 3,12 + 0,82
 2,3 < x 0 < 3,94, unde:

38
S 1,986
  t , n 1  2,064  0,820 ,
n 25
t0,05; 25-1 citit din tabelul repartiţiei Student = 2,064;
 Estimator al abaterii medii pătratice S;
 x  x 
2
94,64
S i
  1,986 ;
n 1 25  1
 Estimator dispersiei S2:
 x  x 
2
94,64
S 2
 i
  3,943 ;
n 1 25  1
S 1,986
 Coeficientul de variaţie: v   100   100  63,7% .
x 3,12
5.3. Simularea evoluţiei cotelor de piaţă pentru produse

concurenţiale
Metoda Lanţurilor Markov permite realizarea de previziuni ale cotelor de piaţă ale
unor produse concurente ţinând cont de modificarea preferinţelor consumatorilor.
Pornind de la această metodă şi prin asocierea anumitor probabilităţi de realizare
(prin generarea de numere aleatoare) acţiunilor viitoare ale consumatorilor, se pot
previziona prin simulare cotele de piaţă ale produselor concurente, asigurându-se un grad
mai mare de certitudine estimărilor realizate tocmai datorită caracterului aleatoriu al
fenomenelor economice.
5.3.1. Metoda Lanţurilor Markov
Previziunea cotelor de piaţă ale unor produse concurente se poate realiza cu

ajutorul metodei lanţurilor Markov, care presupune utilizarea coeficienţilor de fidelitate /
probabilităţilor de tranziţie ce reflectă modificările de la o perioadă la alta în privinţa
preferinţelor şi fidelităţii faţă de produsele (serviciile) care-şi dispută consumatorii în
cadrul unei pieţe. Un produs pierde cumpărători în favoarea altor produse (servicii) sau
39
poate câştiga noi cumpărători. Considerând modificările intervenite, se pot estima cotele de
piaţă în noile condiţii, după care este posibilă previzionarea vânzărilor în relaţie cu
previziunile realizate pentru întreaga piaţă avută în vedere.
În cazul lanţurilor Markov de ordinul întâi, se presupune că probabilitatea ca un
cumpărător să opteze pentru un produs (serviciu) este determinată de cea mai recentă
cumpărare. Mult mai realiste sunt însă lanţurile Markov de ordin superior, care permit ca o
probabilitate de tranziţie să fie determinată nu numai de cea mai recentă cumpărare ci şi de
cele mai vechi.
Previziunea cu ajutorul lanţurilor Markov are şi anumite limite, ca urmare a
presupunerilor impuse de natura matematică a acestei metode. Practica acestui domeniu
sugerează însă multe modalităţi de depăşire a cadrului restrictiv existent.
Exemplu
Pentru trei produse concurente: A, B, C, D se consideră următoarele cote de piaţă la
momentul “t”, respectiv: 30%, 40%, 25% şi 5%.
Coeficienţii de fidelitate asociaţi fiecăruia din cele trei produse (ponderea
consumatorilor care repetă cumpărarea) sunt:
- 0,7 (70%) pentru produsul A;
- 0,5 (50%) pentru produsul B;
- 0,65 (65%) pentru produsul C;
- 0,8 (80%) pentru produsul D.
De asemenea se consideră următoarele:
 din cei 30% consumatori care părăsesc produsul A, 10% vor achiziţiona
produsul B, 15% vor achiziţiona produsul C şi 5% vor achiziţiona produsul
D;
 din cei 50% consumatori care părăsesc produsul B, 15% vor achiziţiona
produsul A, 15% vor achiziţiona produsul C şi 20% vor achiziţiona
produsul D.
 din cei 35% consumatori care părăsesc produsul C, 10% vor achiziţiona
produsul A, 5% vor achiziţiona produsul B şi 20% vor achiziţiona produsul
D;
40
 din cei 20% consumatori care părăsesc produsul D, 5% vor achiziţiona
produsul A, 5% vor achiziţiona produsul B şi 10% vor achiziţiona produsul
C.
Pe baza acestor informaţii se pot previziona cotele de piaţă ale celor trei produse
pentru n momente ulterioare.
Considerăm n = 4.
Coeficienţii de fidelitate şi probabilităţile de tranziţie asociate celor trei produse vor
lua forma matricei:
 p AA  0,70 p AB  0,10 p AC  0,15
p AD  0,05 
 
 p BA  0,15 p BB  0,50 p BC  0,15 p BD  0,20 
p ,
 0,10 p CB  0,05 p CC  0,65 p CD  0,20 
 CA 
p  0,05 p DB  0,05 p DC  0,10 p DD  0,80 
 DA
unde pij reprezintă probabilitatea ca după achiziţia produsului i să se achiziţioneze produsul
j.
Valorile previzionate ale cotelor de piaţă pentru momentul “t+1” vor fi:
- pentru produsul A: 30 . 0,70 + 40 . 0,15 + 25 . 0,10 + 5 . 0,05 = 29,75%;
- pentru produsul B: 30 . 0,10 + 40 . 0,50 + 25 . 0,05 + 5 . 0,05 = 24,50%;
- pentru produsul C: 30 . 0,15 + 40 . 0,15 + 25 . 0,65 + 5 . 0,10 = 27,25%;
- pentru produsul D: 30 . 0,05 + 40 . 0,20 + 25 . 0,20 + 5 . 0,80 = 18,50%;
Similar se vor previziona cotele de piaţă şi pentru următoarele perioade:
Cota de piaţă la momentul:
Produsul
t t+1 t+2 t+3 t+4
A 30 29.75 28.15 26.43 24.99
B 40 24.50 17.51 14.29 12.75
C 25 27.25 27.70 27.52 27.17
D 5 18.50 26.64 31.76 35.09
Notă: Previziunea cu ajutorul lanţurilor Markov este o metodă ce se utilizează în

previzionarea cotei de piaţă pe intervale scurte de timp ca urmare a faptului că
probabilităţile de tranziţie cunosc modificări pe perioade mai lungi de timp.
Această limită a metodei poate fi compensată prin reactualizarea în permanenţă a
probabilităţilor de tranziţie prin intermediul studiilor de piaţă in profil longitudinal.
41
5.3.2. Simulare utilizând metoda Monte Carlo (şi metoda Lanţurilor Markov)
Pentru a simula evoluţia cotelor de piaţă pentru produse concurente metoda Monte
Carlo presupune ataşarea anumitor probabilităţi de realizare (prin generarea de numere
aleatoare) acţiunilor viitoare ale consumatorilor. Modelul presupune parcurgerea
următoarelor etape:
 determinarea probabilităţilor de tranziţie cumulate pentru fiecare produs
(vom lua în calcul inclusiv coeficienţii de fidelitate);
 ataşarea fiecărui produs a unui interval de numere aleatoare uniform
distribuite pe baza valorilor probabilităţilor de tranziţie cumulate;
 generarea de numere aleatoare pentru numărul de etape ulterioare pentru
care se doreşte a se estima evoluţia cotei de piaţă;
 determinarea la nivelul fiecărui moment a produsului pe care îl va
achiziţiona cumpărătorul ţinând cont de valoarea numărului aleator
corespunzător şi ultima cumpărare realizată (modelul se bazează pe metoda
Lanţurilor Markov de ordinul întâi ce presupune că probabilitatea ca un
cumpărător să opteze pentru un anumit produs este determinată de cea mai
recentă cumpărare)
 se realizează în mod similar un anumit număr de experimente în funcţie de
obiectivele urmărite (aşa cum am precizat anterior, creşterea numărului de
experimente va determina obţinerea de rezultate mai precise).
Exemplu
Vom continua exemplul anterior (prezentat la metoda Lanţurilor Markov) şi vom
determina cota de piaţă şi probabilităţile de tranziţie cumulate.
Produsul Probabilitate Interval de
Probabilitate
Produsul imediat de tranziţie numere
de tranziţie
urmator cumulate aleatoare
A 0.70 0.70 [0 - 0,70)
B 0.10 0.80 [0,70 - 0,80)
A
C 0.15 0.95 [0,80 - 0,95)
D 0.05 1,00 [0,95 - 1,00)
42
Produsul Probabilitate Interval de
Probabilitate
Produsul imediat de tranziţie numere
de tranziţie
urmator cumulate aleatoare
A 0.15 0.15 [0 - 0,15)
B 0.50 0.65 [0,15 - 0,65)
B
C 0.15 0.8 [0,65 - 0,80)
D 0.20 1,00 [0,80 - 1,00)
A 0.10 0.10 [0 - 0,10)
B 0.05 0.15 [0,10 - 0,15)
C
C 0.65 0.8 [0,15 - 0,80)
D 0.20 1,00 [0,80 - 1,00)
A 0.05 0.05 [0 - 0,05)
B 0.05 0.10 [0,05 - 0,10)
D
C 0.10 0.20 [0,10 - 0,20)
D 0.80 1,00 [0,20 - 1,00)
Vom genera, cu ajutorul funcţiei RAND() din Excel numere aleatoare pentru 4
momente ulterioare pentru care se doreşte a se realiza estimarea. Vom realiza simularea
cotelor de piaţă pe baza coeficienţilor de fidelitate şi probabilităţilor de tranziţie estimate
pentru produsul C de exemplu.
Vom considera n = 15 experimente.
Numere aleatoare generate:
Nr. Momentul
Experiment t+1 t+2 t+3 t+4
1 0.5709 0.7883 0.4761 0.1631
2 0.9303 0.8631 0.6958 0.1081
3 0.1303 0.9102 0.1925 0.6333
4 0.9803 0.5561 0.3261 0.0061
5 0.5352 0.8389 0.0686 0.6134
6 0.4001 0.9932 0.6960 0.3809
7 0.2966 0.0393 0.6971 0.0147
8 0.5994 0.5701 0.7497 0.9645
9 0.5783 0.9309 0.1351 0.0962
10 0.4729 0.6656 0.1219 0.4565
11 0.4797 0.1937 0.7068 0.8034
12 0.8013 0.0162 0.3811 0.1608
13 0.4247 0.8046 0.8122 0.7393
14 0.3120 0.9762 0.5562 0.3965
15 0.8800 0.0940 0.4972 0.9511
43
Se determină pe baza numerelor aleatoare generate produsele ce se vor achiziţiona
la momentele 1, 2, 3 şi 4, astfel:
În cazul experimentului 1: la momentul 1 numărul aleator generat este 0.5709. În
tabelul în care sunt prezentate probabilităţile de tranzitie, pentru produsul C, valoarea
0.5709 se încadrează în intervalul [0,15 - 0,80), care de asemenea, corespunde produsului
C; deci următorul produs cumpărat va fi C. Numărul generat pentru momentul 2 este
0.7883 care aparţine intervalului [0,15 - 0,80); deci la momentul 2 se va achiziţiona tot C,
ş.a.m.d..
În cazul experimentului 2, prima valoare generată este 0.9303, care aparţine
intervalului [0,80 - 1,00); deci produsul achiziţionat la momentul 1 va fi D. La momentul 2
valoarea generată este 0.8631, ce aparţine intervalului [0,20 - 1,00), deci se va achiziţiona
tot D, ş.a.m.d..
Produse achiziţionate la momentele 1, 2, 3 şi 4:
Momentul
Nr. experiment
t+1 t+2 t+3 t+4
1 C C C C
2 D D D C
3 B D C C
4 D D D A
5 C D B B
6 C D D D
7 C A A A
8 C C C D
9 C D C A
10 C C B B
11 C C C D
12 D A A A
13 C D D D
14 C D D D
15 D B B D
Frecventa de alegere a produsului:
A - 2 2 4
B 1 1 3 2
C 10 4 5 3
D 4 8 5 6
Probabilititatea de tranziţie
C-A 0.000 0.133 0.133 0.267
C-B 0.067 0.067 0.200 0.133
C-C (coeficienţi de fidelitate) 0.667 0.267 0.333 0.200
C-D 0.267 0.533 0.333 0.400
44
Pe baza frecevenţelor de apariţie a fiecărui produs, fiecare dintre cele 4 momente se

determină coeficienţii de fidelitate, respectiv probabilităţile de tranziţie. Astfel, la
momentul 1, probabilitatea ca după achiziţia produsului C să fie achiziţionat tot C este de
66,7%. De asemenea, există o probabilitate de 6,7% de achiziţie a produsului B şi respectiv
26,7% de achiziţie a lui D.
Similar se pot determina coeficienţii de fidelitate, respectiv probabilităţile de
tranziţie pentru produsele A, B şi D, putându-se astfel estima cotele de piaţă pentru cele 4
produse concurente după modelul prezentat la Metoda Lanţurilor Markov.
Astfel, în urma a 15 experimente se simulare realizate pentru fiecare dintre
produsele A, B şi D am estimat coeficienţii de fidelitate şi probabilităţile de tranziţie
corespunzători celor 4 momente ulterioare:
- pentru produsul A:
Momentul
Nr. experiment
t+1 t+2 t+3 t+4
A-A (coeficienţi de
0.733 0.533 0.533 0.267
fidelitate)
A-B 0.133 0.133 0.133 0.200
A-C 0.133 0.267 0.200 0.200
A-D 0.000 0.067 0.133 0.333
- pentru produsul B:
Momentul
Nr. experiment
t+1 t+2 t+3 t+4
B-A 0.333 0.200 0.267 0.267
B-B (coeficienţi de
0.400 0.333 0.200 0.200
fidelitate)
B-C 0.133 0.200 0.200 0.200
B-D 0.133 0.267 0.333 0.333
- pentru produsul D:
Momentul
Nr. experiment
t+1 t+2 t+3 t+4
D-A 0.000 0.000 0.133 0.133
D-B 0.133 0.200 0.000 0.067
D-C 0.133 0.067 0.133 0.067
D-D (coeficienţi de
0.733 0.733 0.733 0.733
fidelitate)
45
Pe baza valorilor cotelor de piaţă de la momentul t şi a coeficienţilor de fidelitate /

probabilităţilor de tranziţie estimate pentru momentul t+1 şi care sunt prezentate în
matricea de mai jos, previzionăm cotele de piaţă de la momentul t+1:
 p AA  0,733 p AB  0,133 p AC  0,133 p AD  0,000 
 
 p BA  0,333 p BB  0,400 p BC  0,133 p BD  0,133 
p  0,000 p CB  0,067 p CC  0,667 p CD  0,267 
 CA 
p  0,000 p DB  0,133 p DC  0,133 p DD  0,733 
 DA
Valorile previzionate ale cotelor de piaţă pentru momentul “t+1” vor fi:
- pentru produsul A: 30 . 0,733 + 40 . 0,333 + 25 . 0,000 + 5 . 0,000 = 35,33%;
- pentru produsul B: 30 . 0,133 + 40 . 0,400 + 25 . 0,067 + 5 . 0,133 = 22,33%;
- pentru produsul C: 30 . 0,133 + 40 . 0,133 + 25 . 0,667 + 5 . 0,133 = 26,67%;
- pentru produsul D: 30 . 0,000 + 40 . 0,133 + 25 . 0,267 + 5 . 0,733= 15,67%;
De asemenea, pe baza valorilor cotelor de piaţă de la momentul t+1 şi a

coeficienţilor de fidelitate / probabilităţilor de tranziţie estimate pentru momentul t+2,
previzionăm cotele de piaţă de la momentul t+2. ş.a.m.d.
În urma calculelor făcute au rezultat următoarele valori estimate ale cotelor de piaţă
pentru cele 4 momente:
Cota de piaţă la momentul:

Produsul
t t+1 t+2 t+3 t+4
A 30 35.33 33.35 30.29 27.60
B 40 22.33 17.51 16.17 15.78
C 25 26.67 27.56 28.03 28.28
D 5 15.67 21.58 25.51 28.34
Bineânţeles, pentru uşurinţa determinărilor numărul expermintelor este unul redus

(15), pentru obţinerea unor rezultate cu un grad ridicat de certitudine impunându-se
realizarea unui număr mult mai mare de experimente.
46
5.4. Jocuri de simulare
Simularea tip joc presupune utilizarea unui model matematic, experimentarea

constând în atribuirea de valori variabilelor din model şi monitorizarea impactului asupra
uneia sau mai multor funcţii obiectiv. Astfel de simulări sunt des utilizate în aplicaţii
militare. (De fapt, apariţia şi dezvoltarea jocurilor de simulare îşi au originea în jocurile de
război, care urmăreau stabilirea unor strategii de luptă şi antrenarea ofiţerilor prin
simularea unor situaţii militare).
Jocurile de simulare utilizate pentru simularea proceselor economice, implicit de
marketing, cunoscute şi sub numele de joc de conducere (management game) sau joc de
întreprindere (business game), au, în primul rând un important rol educaţional.
Jocurile de întreprindere sunt modele de simulare care presupun participarea mai
multor participanţi şi care sunt angajaţi într-un proces informaţional-decizional ce
simulează o situaţie de competiţie reală.
Interesul pentru jocurile de întreprindere a crescut foarte mult, organizaţii din
întreaga lume folosesc jocuri în procesul de pregătire a personalului de conducere; metoda
putând fi folosită şi în procesul de testare a competenţei salariaţilor.
Printre scopurile educaţionale majore ale utilizării jocurilor de întreprindere sunt:

 crearea la nivelul persoanelor ce ocupă funcţii de conducere a deprinderilor în
rezolvarea diferitelor probleme cu care se pot confrunta în desfăşurarea propriei
activităţi;
 proiectarea şi aplicarea de strategii şi politici;
 fundamentarea ştiinţifică a deciziilor; posibilitatea de testa o serie de ipoteze
asupra naturii deciziilor, precum identificarea efectelor probabile ale diverselor
decizii;
 anticiparea consecinţelor folosirii resurselor în cele mai diverse situaţii,
bineînţeles fără utilizarea efectivă a acestora;
 organizarea muncii managerilor;
 crearea şi dezvoltarea spiritului de echipă;
 abordarea sistematică a organizaţiei şi a componentelor sale;
 stimularea creativităţii participanţilor şi dezvoltarea simţului de răspundere - pe
perioada desfăşurării jocului participanţii pot să-şi manifeste pe deplin
47
personalitatea, să-şi verifice cunoştinţele asimilate, puterea de a raţiona corect
etc.
 datorită echipamentelor necesare, jocurile de întreprindere duc la familiarizarea
participanţilor cu aspectele specifice implicate de utilizarea calculatorului în
procesele manageriale.
Aplicaţiile jocurilor de simulare pentru rezolvarea unor probleme de marketing

reale nu sunt foarte numeroase datorită necesităţii adaptării acestora la nivelul fiecărui caz
particular, costurile fiind în consecinţă foarte mari.
Dintre motivele care ar putea justifica utilizarea jocurilor pentru rezolvarea
problemelor de marketing amintim:
 grad ridicat de implicare a participanţilor la desfăşurarea jocului şi, implicit,
creşterea motivaţiei învăţării;
 aplicarea conceptelor de marketing, îndeosebi cele referitoare la managementul
activităţii de marketing;
 adoptarea deciziilor în mediu concurenţial;
 creşterea curbei învăţării datorită succeselor şi greşelilor realizate, a căror
consecinţe sunt în timp scurt observabile;
 dezvoltarea spiritului de echipă si a capacităţii de a lua decizii sub presiunea
timpului.
Exemple de jocuri de simulare:

“Jocul ABC Market - mai multe echipe concurează pe aceeaşi piaţă. Pe baza
unui buget iniţial, echipele vor cumpăra, produce şi vinde. Va câştiga echipa cu cea mai
bunaă strategie, înţelegere a pieţei şi notorietate comercială. Jocul induce ideea de a
acţiona strategic pe o piaţă în locul unei simple reacţii la schimbările conjuncturale.
Fiecare participant simulează o companie din sfera producţiei aflată în competiţie
cu toate firmele simulate de către ceilalţi participanţi la programul de instruire. Firmele
dispun de acelaşi buget iniţial. Pe piaţa astfel formată există 3 tipuri de materii prime (a, b
şi c) prin a căror combinare după o reţetă de producţie se pot obţine 4 produse finite (x, y,
z şi w). La fel ca şi în economia reală, aceste materii prime nu se găsesc în cantităţi
nelimitate, astfel încât nu toate firmele prezente pe piaţă vor reuşi aprovizionarea. Acest
proces se face prin licitaţie directă închisă (fiecare firmă îşi va elabora oferta de
cumpărare cuprinzând cantităţile cerute din fiecare materie primă precum şi preţul pe care
este dispusă să-l plătească). Firmele care nu au reuşit aprovizionarea vor înregistra
48
penalităţi - cheltuielile fixe legate de funcţionarea companiei. Firmele care au reuşit
aprovizionarea vor trece la stabilirea strategiei de producţie: combinând materiile prime
(conform reţetelor de fabricaţie) vor realiza produse finite în cantităţile si sortimentele
alese. Aceste produse vor fi scoase la vânzare pe o piaţă concurenţială într-un mod
similar cu procesul de aprovizionare: licitaţie directă. Vor reuşi vânzarea acele firme care
au cerut pentru produsele lor un preţ mai mic sau egal cu cel mediu stabilit pe piaţă în
urma procesărilor tuturor ofertelor de vânzare. Firmele care intră în dificultăţi financiare
pot solicita credite de la banca. Aceste credite se gajează cu valoarea stocurilor de materii
prime şi/sau produse finite şi sunt purtătoare de dobândă. Creditul(ele) şi dobânda
aferentă se scad la sfârşitul jocului din bugetul firmei.
Jocul Managementul Vânzărilor - fiecare echipă joacă rolul unui Director

Regional de Vânzări şi concurează una împotriva celeilalte. Printre deciziile care trebuiesc
luate amintim: alegerea pieţelor de desfacere, selectarea produselor ce trebuie cumpărate
şi vândute, fixarea preţurilor, stabilirea dimensiunii parcului auto si a rutelor, modalitatea
de vânzare, mărimea propriei structuri de angajaţi, decizii privind activitatea de marketing,
planificarea şi stabilirea strategiilor manageriale etc.
Jocul a fost elaborat datorită unui fenomen extrem de evident pe piaţa
românească de forţă de muncă, în special în sectorul de vânzări: marea majoritate area
sales managerilor sunt promovaţi din rândul agenţilor de vânzări care au rezultate
deosebite în activitate. Faptul că sunt foarte buni agenţi de vânzări nu garantează că vor fi
şi buni manageri în vânzări. Prima tentaţie care apare la o astfel de persoană este să-şi
păstreze comportamentul, adică să vândă mult. Astfel, noul ASM provenit din rândul
agenţilor de vânzări poate neglija anumite atribute manageriale în vânzări (recrutare de
noi agenţi, instruirea acestora - inclusiv "on the job", motivarea lor etc.) alocându-şi tot
timpul disponibil vânzărilor personale. Prin acest joc se permite fiecărui participant
adoptarea tuturor atributelor manageriale în vânzări: recrutare, training, motivare, training
on the job şi vânzare personală.
Jocul Promoţiilor - pe baza unui buget iniţial şi a unui portofoliu de produse

similare, echipele vor concura pe aceeaşi piaţă. Ele vor trebui să decidă ce categorii de
clienţi trebuie să abordeze şi ce tipuri de produse pot fi vândute. Nu în ultimul rând,
participanţii vor decide cum să-şi promoveze produsele către aceste categorii de clienţi.
Clienţii vor alege produsele cu cea mai atractivă promovare şi care li se par cele mai
49
convenabile. În final, ei vor decide ce să cumpere şi de la care echipă, oferind astfel
jucătorilor avantaj competitiv.” 7
Într-un joc de întreprindere se poate utiliza atât metoda de simulare Monte Carlo
(dacă intervin variabile aleatorii) sau tehnicile de simulare Forrester, alături de metodele
cercetării operaţionale sau statistico-matematice. Astfel, având în vedere că un model
matematic asigură o evaluare în termeni cantitativi a unui fenomen, în timp ce orice proces
economic complex impune în momentul luării deciziei considerarea şi a factorilor
calitativi, utilizatorul va combina cele două categorii de metode (cantitative şi calitative).
Un joc de întreprindere trebuie astfel conceput încât să fie caracterizat prin
elasticitate; un model rigid neputând pune în valoare inteligenţa şi creativitatea
participanţilor şi, de asemenea, pe măsura derulării experimentărilor nu permite
perfecţionarea sistemului.
CLASIFICAREA JOCURILOR DE SIMULARE
Jocurile de întreprindere sunt clasificate după numeroase criterii, dintre care mai
importante sunt8:
 După sfera de acţiune, jocurile se clasifică în:
 Jocurile pentru întreaga întreprindere (Total Entreprise sau Top
Management) - simulează funcţiile principale ale întreprinderii, astfel
încât participanţii la joc să poată înţelege diversele legităţi ale unităţii
economice în ansamblu, în condiţiile influenţei reciproce atât dintre
subsistemele interne, cât şi dintre acestea şi mediul exterior.
 Jocul funcţional (Functional game) se referă la o funcţie specifică a
întreprinderii analizate, participanţii la joc putând experimenta diferite
decizii în cadrul compartimentului care îndeplineşte funcţia simulată
(serviciul de aprovizionare, serviciul de investiţii, serviciul de producţie
etc.) şi estima eventualele consecinţe pentru alte compartimente cu care
acţionează în strânsă legătură.
7
Preluat după www.smartbox.ro
8
Preluat după Raţiu – Suciu, Camelia, Modelarea & simularea proceselor economice – Teorie şi practică,
Ediţia a patra, Editura Economică, Bucureşti, 2005, pp. 254-257.
50
 Jocurile complexe analizează mai multe funcţii ale întreprinderii şi
relaţiile principale cu alte compartimente sau chiar cu mediul exterior
întreprinderii. În acest caz, jucătorii trebuie să estimeze implicaţiile unei
decizii adoptate într-un anumit compartiment asupra altor compartimente
ale întreprinderii. De asemenea, se urmăreşte evaluarea efectelor unor
perturbaţii asupra compartimentului considerat chiar dacă aceste
perturbaţii au apărut în afară, de pildă, într-un compartiment cu care
există strânse legături.
 Jocurile pentru alte zone de specialitate permit testarea unor strategii
politice, economice, tehnico-organizatorice privind o ramură de activitate
economică dintr-o anumită zonă geografică. De exemplu, dacă se
consideră diverse programe de lucru ale unor unităţi de distribuţie, se pot
constata efectele economice la nivelul unităţilor beneficiare sau se pot
stabili consecinţele pentru unităţile de distribuţie analizate, corelate cu
comportamentul unităţilor consumatoare.
 După elementul competitiv, jocurile pot fi:

 Jocuri concurenţiale sunt acelea în care fiecare participant adoptă astfel
de decizii încât să-şi depăşească adversarul (adversarii). Ele pot fi: jocuri
interdependente şi jocuri independente.
o Jocurile interdependente sunt acele jocuri în care
succesul unui participant este influenţat atât de propriile
decizii, cât şi de deciziile concurenţilor. În acest caz,
funcţia de performanţă economică a unui jucător depinde
atât de propriile acţiuni, cât şi de acţiunile adversarului
sau adversarilor săi. Sunt jocuri specifice pentru
economia de piaţă.
o Jocurile independente sunt acele jocuri în care fiecare
realizează îmbunătăţirea propriilor performanţe
economice, fără a acţiona asupra celorlalţi jucători.
Practic, jucătorul adoptă diverse decizii cu scopul de a-şi
îmbunătăţi indicatorii economici, fără a leza interesele
partenerului de joc. În cadrul coaliţiilor de jucători se
poate considera că jocul este independent, atunci când
51
jucătorii din cadrul coaliţiei se ajută reciproc. Coaliţia
poate fi însă în competiţie cu alte coaliţii, această
competiţie putând avea caracter dependent (dacă
coaliţiile îşi influenţează rezultatele reciproc) sau caracter
independent, în caz contrar.
 Jocurile cooperative sunt acele jocuri în care doi parteneri convin ca,
cel puţin în privinţa anumitor clase de decizii şi acţiuni, acestea să nu fie
îndreptate împotriva intereselor celuilalt partener. Aceste jocuri
simulează situaţii reale de la nivelul economiei de piaţă, ca de exemplu,
convenţii între doi sau mai mulţi parteneri prin care aceştia îşi împart
piaţa pentru anumite produse conform unor principii precum: fiecare
partener îşi desface mărfurile pe piaţa cea mai apropiată, fiecare
partener vinde unui număr de clienţi proporţional cu volumul producţiei
etc.
 Jocurile contra naturii sunt acele jocuri în care un decident real îşi
îndreaptă acţiunea împotriva unui “partener virtual”, care reprezintă, de
fapt, mediul ambiental. Acest partener poate acţiona atât în favoarea
decidentului, cât şi în defavoarea acestuia. Diferenţa dintre modul în
care acţionează natura şi modul în care acţionează un “partener” virtual
este că acest “partener” acţionează conştient, în timp ce mediul
acţionează fără intenţie (fără scop). În concluzie, aceste acţiuni
constituie, de fapt, perturbaţii. În majoritatea cazurilor participantul la
joc se găseşte în interacţiune cu mediul (natura). Pentru a contracara
efectele negative ale perturbaţiilor mediului este necesar să se adopte o
serie de măsuri preventive, care reduc probabilitatea de apariţie a
evenimentelor nedorite;
 Pachete de auto – învăţare – permit participanţilor să înveţe prin
exerciţii practice preluate din afaceri. Aceste pachete sunt realizate
astfel încât să furnizeze atât teorie cât şi practică privind concepte
fundamentale de afaceri (în Cătoiu, Iacob -coordonator, Cercetări de
marketing, Editura Uranus Bucureşti, 2002, p 439).
 După prelucrarea rezultatelor, distingem:

 Jocuri pe calculator
52
 Jocuri manuale.
În cazul jocurilor complexe se elaborează programe de calcul care determină
efectele economice ale deciziilor adoptate de parteneri. În cazul unui joc
simplu, calculele pot fi efectuate fie manual, fie cu ajutorul unui
minicalculator.
 După scopul urmărit, pot fi:

 Jocurile de instruire sunt acele jocuri care permit participanţilor să
înveţe să adopte decizii optime în condiţiile unor situaţii ipotetice, dar
foarte posibil a fi regăsite în practica unităţilor economice. La aceste
jocuri calculatorul efectuează operaţii de rutină sau adoptă decizii
simple. Deciziile importante trebuie să fie adoptate însă de jucători
raţionali. Prin solicitări repetate se reuşeşte, de cele mai multe ori,
perfecţionarea stilului de adoptare a deciziilor de către jucători.
 Jocurile de întreprindere pentru fundamentarea deciziilor operative
sunt jocuri care permit specialiştilor să adopte decizii mai bune pentru
situaţii reale. Aceste jocuri necesită utilizarea calculatorului electronic,
deoarece deciziile se adoptă pe baza unui algoritm complex, care
analizează efectele economice ale mai multor soluţii (care constau în
diferite variante sau strategii) în condiţiile unor perturbaţii. În acest caz,
decidentul poate cunoaşte consecinţele asupra performanţelor
economice atât ale soluţiei optime (sau suboptime), cât şi ale soluţiilor
ineficiente, ceea ce îi permite ca, în afară de instruire, să obţină un spor
semnificativ de economii de resurse.
ETAPELE DESFĂŞURĂRII UNUI JOC DE ÎNTREPRINDERE
Jocurile de întreprindere se desfăşoară sub conducerea unui administrator (arbitru)

şi presupun parcurgerea mai multor etape, dintre care, cele mai importante sunt:
 Descrierea generală a jocului şi instruirea participanţilor. În această etapă sunt
comunicate:
 regulile jocului;
 obiectivele jocului;
53
 valorile iniţiale ale parametrilor de stare precum şi evoluţiile probabile
ale unor indicator; posibile perturbaţiile şi eventual probabilitatea de
realizare etc.;
 restricţiile de joc (respectiv restricţii în legătură cu resursele la
dispoziţia participanţilor, informaţiile pe care le deţine sau le poate
obţine un participant, opţiunile posibile şi decizia pe care trebuie să o
adopte pentru realizarea obiectivului impus, restricţii de acţiune etc.),
 obiectivele întreprinderii sau compartimentului pe care îl reprezintă
fiecare jucător;
 Adoptarea deciziilor de către participanţi.

Participanţii la joc trebuie să adopte deciziile pe care le consideră cele mai bune
pentru obiectivul urmărit, cu respectarea condiţiilor impuse iniţial şi comunicate în etapa
anterioară. De regulă, arbitrul nu pune la dispoziţia jucătorilor nici un fel de algoritm,
pentru găsirea celei mai bune soluţii, decizia fiind adoptată pe baza competenţei, a unui
algoritm euristic elaborat în timpul jocului sau cunoscut anterior şi adaptat condiţiilor
concrete ale jocului sau prin tatonare (se aleg la întâmplare valori numerice ale
parametrilor economici şi se evaluează consecinţele). Direcţia de acţiune a fiecărui
participant poate, în consecinţă, să fie schimbată pe parcursul desfăşurării jocului pentru
îmbunătăţirea performanţelor.
Fiecare decizie adoptată de către participanţi constituie o iteraţie (ciclu) a jocului,
numărul total de iteraţii putând fi precizat de arbitru în prima etapă a jocului. În unele
cazuri el nu anunţă de la început acest număr de cicluri, aceasta stabilindu-se pe parcursul
derulării jocului în funcţie de rezultate.
 Efectuarea de către arbitru a calculelor şi evaluarea deciziilor adoptate.

În baza deciziile adoptate de către fiecare participant şi a perturbaţiilor apărute,
administratorul rulează programul de simulare şi evaluează consecinţele acestor decizii
asupra performanţelor economice ale întreprinderilor, sau compartimentelor pe care le
reprezintă jucătorii.
Astfel, arbitrul poate evalua măsură în care jucătorii stăpânesc fenomenele
economice şi poate estima atât timpul de instruire cât şi capacitatea participanţilor de a
conduce un compartiment / întreprinderea în totalitate.
54
 Comunicare de către arbitru a unei informări asupra rezultatelor obţinute.

După evaluarea rezultatelor fiecărei iteraţii arbitrul, anunţă rezultatele obţinute
fiecărui participant. Sunt comunicate atât informaţii cu caracter general (care privesc toţi
participanţii la joc), dar şi informaţii destinate fiecărei echipe (confidenţiale echipelor
concurente). Unele informaţii pot fi obţinute doar contra cost.
Jucătorii fac o analiză a rezultatelor. În baza căreia se ia decizia de a menţine
direcţia de acţiune sau de a adopta o altă strategie.
 Efectuarea de către arbitru a unui test de continuare, respectiv încetare a jocului.

Arbitrul ia decizia de a continua numărul de iteraţii sau de a înceta jocul. Această
decizie se poate baza fie pe realizarea numărului de iteraţii stabilit încă de la începutul
jocului, fie pe o evaluare a situaţiei, astfel:
 dacă se constată că toţi participanţii şi-au însuşit jocul cu mult înainte de
terminarea numărului prestabilit de cicluri se procedează la finalizarea
jocului;
 dacă se constată, însă, că participanţii nu şi-au însuşit jocul, arbitrul poate
mări numărul faţa de cel stabilit iniţial.
Pe parcursul derulării jocului unii participanţi pot părăsi jocul (ex: în cazul jocurilor
concurenţiale, în situaţie de faliment).
 Anunţarea sfârşitului jocului şi a rezultatelor finale.

În baza evaluării evoluţiei de ansamblu a fiecărui participant, arbitrul evaluează
rezultatele jocului. Astfel, sunt calculaţi diverşi indicatori de performanţă în baza cărora se
va determina calificativul global al fiecărui participant la joc şi care va sta la baza
ierarhizării participanţilor. De asemenea, se recomandă elaborarea de către fiecare echipă a
unei prezentări care să cuprindă deciziile adoptate. Aceasta va putea permite evaluarea
măsurii în care participanţii s-au folosit de aspectele învăţate anterior şi coerenţa acţiunilor
întreprinse.
55
LIMITE ALE JOCURILOR DE ÎNTREPRINDERE
 consumul mare de timp şi experienţă în diverse domenii (economic, matematică,

inginerie, informatică, programare) pentru concepere, modelare şi punerea la
punct a unui astfel de joc;
 rezultatele scontate apar după un anumit număr de ani (în timp ce implementarea
acestuia este extrem de costisitoare).
5.5. Simularea cu ajutorul tehnicilor Forrester
Modelarea dinamică (dinamica industrială) a fost elaborată de Jay Forrester în

perioada anilor '60. La baza acesteia stă faptul că funcţionarea unui sistem presupune
cunoaşterea interacţiunilor dintre fluxurile de informaţii, comenzi, resurse materiale şi
umane etc.
Un model dinamic surprinde comportarea sistemelor complexe, evidenţiind modul
în care structura acestora determină traiectoria, respectiv comportarea în timp.
Tehnicile Forrester au fost utilizate deopotrivă la nivel microeconomic şi
macroeconomic. Astfel, la nivel microeconomic aplicaţiile au vizat alocarea capacităţilor,
programarea şi urmărirea producţiei, organizarea desfacerilor de produse, controlul
stocurilor. La nivel macroeconomic aceste tehnici au fost utilizate pentru organizarea
cercetării ştiinţifice şi protecţia mediului ambiant.
Instrumentele utilizate de dinamica industrială combină metodele de natură
calitativă cu cele cantitative.
La baza modelării dinamice stă ciclul informaţie – decizie – acţiune. Acesta se
constituie din două căi:
 calea directă: intrare (decizie) - ieşire (starea sistemului);
 calea de reacţie inversă (feed-back-ul): ieşire (starea sistemului) - informaţie
despre ieşire (eventual prelucrată) - intrare (decizie).
56
AVANTAJELE UTILIZĂRII TEHNICILOR DE DINAMICĂ INDUSTRIALĂ:
 constituie o modalitate de analiză globală, sistemică a fenomenelor economice

complexe, evidenţiind elementele de intercondiţionare, precum şi procesele de
feed-back;
 oferă posibilitatea rezolvării unor probleme de mare complexitate prin simulare,
utilizând deopotrivă relaţii cantitative şi calitative;
 bazându-se pe analize şi interpretări calitative, tehnicile de tip Forrseter evită
rigiditatea modelelor matematice.
Tehnicile de dinamică industrială operează cu următoarele categorii de variabile

(mărimi ce sunt influenţate de deciziile din interiorul sistemului):
 variabile care reprezintă acumulări de cantităţi, ce sunt măsurabile (se pot
măsura nivelurile acestora la un moment dat). De exemplu, nivelul
desfacerilor la un anumit moment dat;
 variabile care exprimă modul de desfăşurare a unor procese (variabile de
ritm). De exemplu, ritmul desfacerilor într-o anumită perioadă de timp;
 variabile auxiliare – constituie părţi ale ecuaţiilor de ritm care exprimă
concepte cu înţeles independent.
Variabilele de ritm sunt constante pe durata unui interval, în timp ce variabilele de
nivel capătă valori distincte la momente diferite
În afara acestor variabile tehnicile de dinamică industrială conţin şi parametri ai
căror valori nu sunt influenţate de deciziile din interiorul sistemului analizat. Valorile
parametrilor pot fi modificate de la o simulare la alta.
Comportarea sistemului este descrisă cu ajutorul unui sistem de ecuaţii ce cuprind:
 ecuaţii de nivel (variaţia unei variabile de stare);
 ecuaţii de ritm (ritmul variaţiei stării);
 ecuaţii auxiliare (dependenţa unei variabile de altă variabilă sau parametru).
57
Discuţii finale:
Descrieţi principele caracetristici ale următoarelor modele de simulare:
- Generarea numerelor şi variabilelor aleatoare;
- Metoda de simularea Monte Carlo;
- Simularea evoluţiei cotelor de piaţă pentru produse concurenţiale;
- Jocuri de simulare;
- Simularea de tip Forrester.
Teme propuse:
1. Consideraţi 30 experimente în urma cărora s-a obţinut o frecvenţă relativă de
apariţie a unei anumite valori f*’ de 0,7 şi un nivel de semnificaţie de  = 0,01.
Determinaţi frecvenţa reală de apariţie a evenimentului.
2. Determinaţi numărul de experimente necesar cunoscând că probabilitatea de

apariţie a evenimentului cercetat este 0,7, iar nivelul de semnificaţie considerat este
0,01. Se doreşte asigurarea unei erori care să nu depăşească nivelul ±5%.
3. Consideraţi 25 experimente - în urma cărora s-a obţinut o medie a variabilei

cercetate x = 200 şi o abatere faţă de medie S = 12 - şi un nivel de semnificaţie de
 = 0,05. Determinaţi media reală a variabilei cercetate.
4. Considerând că după n = 25 experimente, a rezultat o medie x = 200, pentru care S

= 12, se doreşte determinarea numărului de experimente necesar pentru a obţine o
precizie a rezultatelor Δ = 2,5.
5. Consideraţi un eşantion de 100 persoane supus unei cercetări, pentru care s-a
înregistrat frecvenţa de vizitare a unui anumit anumit magazin, în decursul unei
luni. Rezultatele centralizate se prezintă astfel:
58
Frecvenţe
Numărul de vizite realizate
absolute
0 23
1 31
2 18
3 17
4 11
Total 100
Utilizând metoda Monte-Carlo estimaţi evoluţia pentru perioada următoare a

numărului de vizite ale respectivului magazin. Se consideră un nivel de
semnificaţie de 0,05. Consideraţi un număr de 30 experimente.
6. Pentru trei produse concurente: A, B, C se cunosc cotele de piaţă la momentul “t”,

respectiv: 35%, 40% şi 25%.
Coeficienţii de fidelitate asociaţi fiecăruia din cele trei produse sunt:
- 0,75 (75%) pentru produsul A;
- 0,70 (70%) pentru produsul B;
- 0,85 (85%) pentru produsul C.
Din cei 25% consumatori care părăsesc produsul A, 10% vor achiziţiona produsul
B şi 15% vor achiziţiona produsul C.
Din cei 30% consumatori care părăsesc produsul B, 15% vor achiziţiona produsul
A şi 15% vor achiziţiona produsul C.
Din cei 15% consumatori care părăsesc produsul C, 10% vor achiziţiona produsul
A şi 5% vor achiziţiona produsul B.
Previzionaţi cotele de piaţă ale celor trei produse pentru 3 momente ulterioare
utilizând Metoda Lanţurilor Markov.
7. Pentru datele prezentate la problema anterioară, previzionaţi cotele de piaţă ale

celor trei produse pentru 3 momente ulterioare utilizând metoda Monte Carlo (şi
metoda Lanţurilor Markov).
59
60
CAPITOLUL VI
SIMULARE CU AJUTORUL PROGRAMULUI EXCEL

simulare cu o singură variabilă După parcurgerea acestui capitol va
simulare cu două variabile trebui să cunoaşteţi şi să înţelegeţi:
regresie - realizarea de simulări cu o
corelaţie variabilă şi cu două variabile
utilizând comanda “TABLE” din
meniul “DATA”;
- realizarea de simulări cu ajutorul
funcţiei “LINEST”.
6.1. Simulare folosind comanda “Table” din Excel
Comanda “TABLE” din meniul “DATA”, permite realizarea de simulări pe baza

valorilor ale unei sau două variabile de intrare.
6.1.1. Simulare cu o singură variabilă
În cazul în care se doreşte a se determina valorile de ieşire ale unei variabile yi în

funcţie de valorile de intrare ale unei singure variabile se procedează astfel:
- se defineşte funcţia yi = F(xi) ce descrie relaţia dintre variabila de ieşire yi şi
variabila de intrare xi;
- se determină valoarea F(xi) pentru o anumită valoarea x0;
- se defineşte o zonă de simulare unde pe o coloană (sau pe rând) sunt trecute
valorile pe care le poate lua variabila xi;
- în celula situată pe coloana imediat următoare, respectiv, pe rândul aflat deasupra
primei valori a variabilei xi se copie celula în care a fost determinată funcţia F(xi)
pentru valoarea x0;
61
- se selectează coloanele în care sunt trecute valorile xi şi, respectiv, unde urmează să
fie generate rezultatele - yi (cuprinzând şi celulele situate deasupra respectivelor
coloane indicate);
- se accesează comanda TABLE din mediul DATA, iar prin selecţia casetei din
dreptul opţiunii Column input cell (Row input cell, dacă valorile lui xi sunt trecute
pe rând) se “indică” variabila în funcţie de care se va realiza simularea; respectiv,
se va accesa celula în care este trecută valoarea lui x0;
- se activează OK.
Exemplu
Considerând pentru o anumită populaţie un eşantion cercetat de n = 1000 unităţi
(valoarea abaterii medii pătratice a colectivităţii este σ = 8), se doreşte a se determina
eroarea faţă de media colectivităţii considerând diferite nivele de semnificaţie α (pe baza
căreia putem determina intervalul de încredere corespunzător).
Clarificări conceptuale
În cazul cercetărilor selective de tip sondaj intervalul de încredere este definit
ca intervalul cuprins între limita inferioară şi limita superioară unde este probabil
să se încadreze parametrul cercetat al colectivităţii studiate.
Intervalul de încredere pentru media colectivităţii poate fi scris ( x  ; x  ; ),

încadrarea mediei în acest interval fiind garantată cu o anumită probabilitate (P),
unde: x = media eşantionului cercetat;

 = eroarea maximă admisă.

= zα . ,
n
unde: zα = coeficientul ce corespunde nivelului de semnificaţie α, respectiv
probabilităţii P cu care se garantează rezultatele, citit din tabelul funcţiei Gauss
– Laplace (Anexa 2);
 = abaterea medie pătratică a colectivităţii.
Astfel, pentru a determina abaterile faţă de medie putem utiliza formula prezentată
anterior sau putem folosi funcţia CONFIDENCE din Excel.
62
Vom calcula pentru început valoarea abaterii pentru un nivel de semnificaţie α =
0,05. Pentru a putea aplica funcţia CONFIDENCE, datele se vor organiza în foia de lucru
astfel:
A B
1 α 0,05
2 S 8
3 n 1000
4 =CONFIDENCE(B1,B2,B3)
rezultând o abatere faţă de medie de ±0,495836.
Dacă dorim să estimăm valoarea abaterii faţă de medie pentru diferite nivele de
smnificaţie vom proceda astfel.
- în celula B6 copiem celula B4 (=B4);
- selectăm zona de simulare - (A6:B16);
- accesăm comanda TABLE din mediul DATA;
- selectâm caseta din dreptul opţiunii Column input cell şi executăm click pe celula
B1 (se indică astfel că simularea se va face pe baza diferitelor valori ale lui α).
- se activează OK.
Rezultatele se prezintă în tabelul:
A B
1 α 0,05
2 S 8
3 n 1000
4 0,495836
5
6 0,495836
7 0,005 0,7101296
8 0,01 0,651639
9 0,015 0,6153486
10 0,02 0,5885246
11 0,025 0,567035
12 0,03 0,5489943
13 0,035 0,5333772
14 0,04 0,5195619
15 0,045 0,5071419
16 0,05 0,495836
17
63
Din tabel rezultă, aşadar, valorile abaterilor în + sau – faţă de medie pentru diferite
nivele de semnificaţie. De exemplu, pentru un nivel de semnificaţie de 0,005 rezultă o
abatere de ± 0,7101296, iar pentru un nivel de semnificaţie de 0,01 rezultă o abatere de ±
0,651639, ş,a,m,d,
Cunoscând media eşantionului de 40 de exemplu, se pot determina intervalele de
încredere ale mediei colectivităţii cercetate pentru diferite nivele de semnnificaţie,
respectiv:
- pentru un nivel de semnificaţie de 0,005, intervalul de încredere pentru media
colectivităţii este 40 ± 0,71013 (39,28987; 40,71013);
- pentru un nivel de semnificaţie de 0,01 intervalul de încredere pentru media
colectivităţii este 40 ± 0,65164 (39,34836; 40,65164) etc.
6.1.2. Simulare cu două variabile
În cazul în care se doreşte a se determina valorile de ieşire ale unei variabile yi în

funcţie de valorile de intrare pentru două variabile se procedează astfel:
- se defineşte funcţia zi = F(xi, yi) ce descrie relaţia dintre variabila de ieşire zi şi cele
două variabile de intrare xi; yi;
- se determină valoarea F(xi, yi) pentru anumite valori x0 şi y0;
- într-o celulă amplasată în funcţie de zona de simulare aleasă (zona de simulare va fi
de forma unui tabel) se va copia celula în care a fost determinată funcţia F(xi, yi)
pentru valorile x0 şi y0; respectiv această celulă va fi amplasată în colţul din stânga
– sus al tabelului în care vor fi generate rezultale;
- pe primul rând şi prima coloană ale respectivei zone de simulare se vor trece
valorile pe care le pot lua variabilele xi şi yi;
- se selectează întreaga zonă de simulare;
- se accesează comanda TABLE din mediul DATA, selectându-se casetele din
dreptul opţiunilor Column input cell şi Row input cell. Se “indică” variabilele în
funcţie de care se va realiza simularea; respectiv se vor accesa celulele în care sunt
trecute valoarile lui x0 şi y0 corespunzător poziţionării valorilor posibile ale
variabilelor xi şi yi în cadrul zonei de simulare;
- se activează OK.
64
Exemplu
Continuând exemplul prezentat la subcapitolul 6.1.1., dorim să determinăm eroarea
faţă de medie considerând diferite nivele de semnificaţie şi diferite dimensiuni ale
eşantionului cercetat.
Deci datele iniţiale vor fi organizate similar:
A B
1 α 0,05
2 S 8
3 n 1000
4 =CONFIDENCE(B1,B2,B3)
În continuare se va proceda astfel:

- în celula B6 copiem celula B4 (=B4);
- selectăm zona de simulare (A6:G16);
- accesăm comanda TABLE din mediul DATA;
- selectâm caseta din dreptul opţiunii Column input cell şi executăm click pe celula
B1;
- selectâm caseta din dreptul opţiunii Row input cell şi executăm click pe celula B3;
- se activează OK.
Rezultatele se prezintă în tabelul:
A B C D E F G
1 α 0,05
2 S 8
3 n 1000
4 0,495836
5
6 0,495836 500 600 700 800 900 1000
7 0,005 1,0042749 0,9167734 0,8487672 0,793949 0,7485423 0,7101296
8 0,01 0,9215567 0,8412623 0,7788576 0,7285545 0,6868878 0,651639
9 0,015 0,8702344 0,7944117 0,7354823 0,6879807 0,6486344 0,6153486
10 0,02 0,8322995 0,759782 0,7034215 0,6579905 0,6203594 0,5885246
11 0,025 0,8019086 0,7320391 0,6777365 0,6339644 0,5977074 0,567035
12 0,03 0,7763951 0,7087485 0,6561737 0,6137942 0,5786908 0,5489943
13 0,035 0,7543092 0,688587 0,6375077 0,5963338 0,5622289 0,5333772
14 0,04 0,7347715 0,6707516 0,6209953 0,5808879 0,5476664 0,5195619
15 0,045 0,717207 0,6547174 0,6061505 0,5670019 0,5345745 0,5071419
16 0,05 0,701218 0,6401216 0,5926374 0,5543615 0,5226571 0,495836
17
65
Din tabel rezultă, aşadar, valorile abaterilor în + sau – faţă de medie pentru diferite
nivele de semnificaţie şi pentru diferite dimensiuni ale eşationului. De exemplu, pentru un
nivel de semnificaţie de 0,005 şi un eşantion de 500 rezultă o abatere de ± 1,0042749.
Pe baza abaterilor determinate se pot calcula intervalele de încredere ale mediei
colectivităţii cercetate pentru diferite nivele de semnnificaţie şi diferite dimensiuni ale
eşantioanelor cercetate conform modalităţii prezentate anterior.
6.2. Simulări cu ajutorul funcţiilor ce descriu forma şi intensitatea

legăturilor dintre variabile
Cunoscând forma legăturilor dintre variabile, precum şi intensitatea şi semnificaţia

acestora se pot realiza estimări ale variabilelor dependente pentru diferite nivele ale
variabilelor independente.
Prin intermediul funcţilor sale (LINEST – pentru legături liniare, GROWTH -
pentru legături exponenţiale etc.) programul Excel ne permite determinarea facilă a formei,
intensităţii si semnificaţiei legăturilor dintre variabile pentru un număr mare de
caracteristici considerate, ceea ce poate fi extrem de dificil în absenţa utilizării unor
programe specializate.
La baza determinării formei, intensităţii si semnificaţiei legăturilor dintre o
variabilă dependentă şi una sau mai multe variabile independente stă analiza de regresie şi
corelaţie.
Clarificări conceptuale
Metoda regresiei reprezintă o metodă statistică utilizată pentru determinarea
ecuaţiei ce descrie forma legăturii dintre o variabilă dependentă măsurată pe scală
metrică şi una sau mai multe variabile independente, măsurată(e) pe scală metrică
sau nemetrică. Aproximarea formei legăturii dintre variabilele cercetate se
realizează cu ajutorul unei funcţii, denumită funcţie de regresie.
Exprimarea matematică a funcţiei de regresie se prezintă astfel:
yi =f( x1i , x 2i , x 3i , ...... x mi )+,
unde:
yi - variabila dependentă sau rezultativă;
66
x1i , x 2i , x3i , ...... x mi - variabile independente sau factoriale;
 = eroare aleatoare,
Alegerea funcţiei de regresie presupune reprezentarea grafică, cu ajutorul
corelogramei (norului de puncte), a fiecărei perechi de variabile yi - xi , rezultând,
astfel, m grafice, în funcţie de numărul variabilelor independente considerate în

analiză. În funcţie de forma norului de puncte se va alege modelul matematic care
aproximează cel mai bine forma legăturii dintre fiecare pereche de variabile
corelate. Determinarea parametrilor ecuaţiei de regresie presupune utilizarea
metodei celor mai mici pătrate.
Pentru a măsura intensitatea legăturilor dintre variabilele de marketing se poate
utiliza raportul de corelaţie. Raportul de corelaţie se calculează după una din
următoarele formulele:
 Y   y  Yi  ,
2 2
i y i
Ry / x  , sau Ry / x  1 
 y  y  y 
2 2
i i  y
unde:
y i - valorile reale ale variabilei dependente (obţinute din observare);
y - media aritmetică a valorilor reale;

Yi - valorile teoretice obţinute prin înlocuirea în ecuaţia de regresie a
valorilor variabilei / variabilelor independente xi .
Raportul de corelaţie ia valori între 0 şi 1. În funcţie de valorile lui R y / x se poate
caracteriza şi intensitatea legăturii dintre variabilele analizate. Respectiv, cu cât

valoarea raportului de corelaţie se apropie de 1, cu atât legătura este mai
puternică şi cu cât se apropie mai mult de 0, cu atât legătura dintre variabile este
mai slabă.
Pe baza raportului de corelaţie se poate determina coeficientul de determinaţie
( R 2 y / x ), Acest coeficient se exprimă în procente şi arată ponderea influenţei
variaţiei variabilei / variabilelor independente asupra variaţiei variabilei

dependente.
Verificarea semnificaţiei modelului de regresie se poate face cu ajutorul analizei

dispersionale.
Se lansează ipoteza nulă conform căreia ecuaţia de regresie nu este
semnificativă.
67

Pornind de la formulele de calcul ale variaţiei factoriale -  Y  y 
i
2
şi ale variaţiei
reziduale -  y i  Yi  2, se poate determina valoarea Fc:

 2
Fc 
 Y i  y
:
 y i  Yi 
,
f n  f 1
unde: f = numărul variabilelor independente;
n = numărul valorilor observate ale caracteristicii y.
Valoare Fc se compară cu valoarea tabelată, citită din tabelele funcţiei Fisher,
pentru f şi, respectiv, n-f-1 grade de libertate şi un anumit nivel de semnificaţie 
determinat în funcţie de probabilitatea P cu care se doreşte a se garanta
rezultatele (a se vedea anexele 3,4,5).
Dacă: Fc < F tabelat => ipoteza nulă se acceptă, modelul de regresie nu este
semnificativ;
Fc > F tabelat => ipoteza nulă se respinge, modelul de regresie este
semnificativ, putând fi extins, pentru probabilitatea de garantare a rezultatelor
considerată, la nivelul întregii colectivităţi cercetate.
Simulare cu ajutorul funcţiei “LINEST”
Funcţia “LINEST” este utilizată pentru determinarea parametrilor ecuaţiei de

regresie, precum şi a raportului de determinaţie şi valorii calculate Fc, pentru cazul
legăturilor liniare dintre o variabilă dependentă şi una sau mai multe variabile
independente. Astfel, ecuaţia de regresie are următoarea formă:
Yi = a  b1 x1i  b2 x 2i ,  ......  bm x mi
Cunoscând valorile variabilelor yi şi x1i , x 2i , x3i , ......x mi , pentru un anumit număr de
unităţi cercetate, se procedează astfel:

- se înregistrează pe câte o coloană valorile fiecărei variabile cercetare, pe fiecare
rând corespunzând valori ale unei singure unităţi cercetate;
- într-o celulă amplasată în funcţie de zona în care se doreşte a se obţine rezultatele,
se accesează funcţia “LINEST”;
- selectăm casetele din dreptul opţiunii Known_y’s şi Known_x’s, indicându-se
valorile variabilei dependente yi şi respectiv independente x1i , x 2i , x3i , ......x mi ;
68
- selectăm caseta din dreptul opţiunii const şi indicăm TRUE în cazul în care
parametrul a este diferit de zero sau FALSE dacă acesta se consideră nul, caz în
care valorile b1 , b2 ,...., bm sunt calculate astfel încât să se respecte ecuaţia Yi =
b1 x1i  b2 x 2i ,  ......  bm x mi ;
- selectăm caseta din dreptul opţiunii stats şi indicăm TRUE pentru a se calcula
valorile coeficienţilor b1 , b2 ,...., bm ;
- se activează OK;
- se selectează o zonă ce include celula în care s-a accesat funcţia LINEST,
cuprinzând 4 rânduri sub respectiva celula şi respectiv un număr de coloane în
partea dreaptă a celulei, egal cu numărul variabilelor independente. Se accesează
F2 şi ulterior CTRL+SHIFT+ENTER. Se obţin (printre altele) următoarele valori:
 valorile parametrilor ecuaţiei de regresie, în următoarea ordine
bm , bm 1 ,...., b1 , a ;
 coeficientul de determinaţie;
 valoarea calculată Fc;
 variaţia factorială şi reziduală.
În cazul în care ecuaţia de regresie este semnificativă pentru probabilitatea de

garantare a rezultatelor considerată, se vor putea realiza estimări ale variabilei Y pentru
diferite nivele ale variabilelor xi .
Exemplu
Se cunosc valorile înregistrate pentru 5 variabile la nivelul a 10 unităţi comerciale,
respectiv: desfacerile, suprafaţa comercială, cheltuielile promoţionale, diversitatea ofertei
(număr articole comercializate), orarul zilnic (numărul orelor de program).
Pornind de la aceste valori, se doreşte identificarea ecuaţiei de regresie care va sta
la baza estimării vânzărilor pentru diferite nivele ale celorlalte 4 variabile considerate.
Valorile variabilelor cercetate se vor trece într-o pagină EXCEL (celulele A3:F12),
astfel:
69
1 A B C D E F G
Suprafaţa Cheltuieli
Număr Număr ore
Nr. Desfaceri comercială promoţionale
articole de program
crt (u.m.) yi (m2) (u.m.)
x3 x4
2 x1 x2
3 1 50 110 8.5 105 16
4 2 80 105 9.7 115 24
5 3 25 74 4.6 74 10
6 4 64 125 4.6 94 14
7 5 30 87 5.1 75 10
8 6 40 75 6.2 78 12
9 7 55 125 4.8 78 14
10 8 89 126 6.8 104 16
11 9 32 45 4.5 64 10
12 10 68 94 6.3 78 24
13
Prin reprezentarea grafică cu ajutorul corelogramei a desfacerilor (variabila

dependentă) în raport de fiecare dintre celelalte 4 variabile (independente) se constată că,
în toate cazurile, norul de puncte descrie o legătură liniară. Deci ecuaţia de regresie este de
forma:
Yi = a  b1 x1i  b2 x 2  b3 x3i  b4 x 4
În continuare se procedează astfel:

- în celula B14 (de exemplu) accesăm funcţia LINEST (=LINEST(…..);
- în caseta din dreptul opţiunii Known_y’s selectăm celulele (B3:B12);
- în caseta din dreptul opţiunii Known_x’s selectăm celulele (C3:F12);
- selectăm caseta din dreptul opţiunii const şi scriem TRUE;
- selectăm caseta din dreptul opţiunii stats şi scriem TRUE;
- se activează OK;
- după determinarea valorii corespunzătoare se selectează zona B14:F18 şi se apasă
F2, apoi CTRL+SHIFT+ENTER.
70
Rezultatele se prezintă astfel:
1 A B C D E F
Suprafaţa Cheltuieli
Număr Număr ore
Nr. Desfaceri comercială promoţionale
2 articole de program
crt (u.m.) yi (m2) (u.m.)
x3 x4
x1 x2
3 1 50 110 8.5 105 16
4 2 80 105 9.7 115 24
5 3 25 74 4.6 74 10
6 4 64 125 4.6 94 14
7 5 30 87 5.1 75 10
8 6 40 75 6.2 78 12
9 7 55 125 4.8 78 14
10 8 89 126 6.8 104 16
11 9 32 45 4.5 64 10
12 10 68 94 6.3 78 24
13
14 2.848842 (b4) 0.96148 (b3) -6.91061 (b2) 0.085816 (b1) -38.6667 (a)
15 1.174276 0.728344 6.241199 0.283911 21.95006
0.841364
16 11.68847 #N/A #N/A #N/A
( R2 y/ x )
17 6.629687 (Fc) 5 #N/A #N/A #N/A
3622.999 683.1014
18 (variaţia (variaţia #N/A #N/A #N/A
factorială) reziduală)
19
Notă: au fost trecute în paranteze semnificaţiile diferitelor valori utilizate în analiza de faţă.
În consecinţă:
- ecuaţia de regresie poate fi scrisă astfel:
Yi = -38.6667 + 0.085816 x1 - 6.91061 x2+ 0.96148 x3 + 2.848842 x4;
- coeficientul de determinaţie este R 2 y / x este 84,14%;
- valoarea calculată Fc este 6.629687.
Considerând un nivel de semnificaţie de 5%, valoarea tabelată citită din tabelele

funcţiei Fisher, pentru 4 şi, respectiv, 5 grade de libertate este 5,19 < Fc => modelul de
regresie este semnificativ, putând fi extins, pentru probabilitatea de garantare a rezultatelor
71
considerată (95%), la nivelul întregii colectivităţi cercetate şi, implicit, putându-se realiza
estimări ale variabilei Yi pentru diferite nivele ale variabilelor xi.
De exemplu, continuând pe aceeaşi foaie de lucru, putem introduce în celulele C20,
C21, C22, C23 valorile variabilelor x1 , x2, x3, x4 pentru care se doreşte a se estima variabila
Y, iar în celula C24 se va introduce formula de calcul corespunzătoare.
A B C
.
.
20 x1
21 x2
22 x3
23 x4
24 =-38.6667+0.085816*C20-
Y
6.91061*C21+0.96148*C22+2.848842*C23
Astfel, estimăm desfacerile pentru următoarele valori ale variabilelor independente:

A B C
.
.
20 x1 140
21 x2 10
22 x3 120
23 x4 24
24 Y 88
Rezultă aşadar o valoare estimată a variabilei Y de 88 u.m. Trebuie precizat că

această valoare reprezintă centrul intervalului în care este probabil ca variabila Y să se
încadreze pentru respectivele valori ale variabilelor independente xi.
Discuţii finale:
Prezentaţi câteva dintre modalităţile concrete de utilizare a programul EXCEL
pentru realizarea de simulări de marketing.
72
Teme propuse:
1. Folosind comanda “TABLE” realizaţi simulări cu o singură variabilă şi, respectiv,
cu două variabile, pornind de la un set de date de intrare / modele ce atestă
legăturile dintre variabile, la alegere.
2. Folosind funcţia “LINEST” realizaţi simulări pornind de la un set de date de intrare
la alegere. Consideraţi un număr de 4 variabile studiate pentru care dispuneţi de
valori înregistrate la nivelul a 15 unităţi.
73
74
Anexa nr. 1
Tabel cu valorile repartiţiei Student în funcţie de nivelul de semnificaţie α
şi numărul f al gradelor de libertate
α Nivel de semnificaţie pentru testul bilateral
f 0,50 0,20 0,10 0,05 0,02 0,01 0,002 0,001 0,0001

1 1,000 3,078 6,314 12,706 31,821 63,657 318,309 636,618 6366,198
2 0,816 1,886 2,920 4,303 6,695 9,925 22,327 31,598 99,992
3 0,765 1,638 2,353 3,182 4,541 5,841 10,214 12,924 28,000
4 0,741 1,533 2,132 2,776 3,747 4,604 7,173 8,610 15,544
5 0,727 1,476 2,015 2,571 3,365 4,032 5,893 6,869 11,178

6 0,718 1,440 1,943 2,447 3,143 3,707 5,208 5,959 9,082
7 0,711 1,415 1,895 2,365 2,998 3,499 4,785 5,408 7,885
8 0,706 1,397 1,860 2,306 2,896 3,355 4,501 5,041 7,120
9 0,703 1,383 1,833 2,262 2,821 3,250 4,297 4,781 6,594
10 0,700 1,372 1,812 2,228 2,764 3,169 4,144 4,587 6,211

11 0,697 1,363 1,796 2,201 2,718 3,106 3,025 4,437 5,921
12 0,695 1,356 1,782 2,179 2,681 3,055 3,930 4,318 5,694
13 0,694 1,350 1,771 2,160 2,650 3,102 3,852 4,221 5,513
14 0,692 1,345 1,761 2,145 2,624 2,977 3,787 4,140 5,363
15 0,691 1,341 1,753 2,131 2,602 2,947 3,733 4,073 5,239

16 0,690 1,337 1,746 2,120 2,583 2,921 3,686 4,015 5,134
17 0,689 1,333 1,740 2,110 2,567 2,898 3,646 3,965 5,014
18 0,688 1,330 1,734 2,101 2,552 2,878 3,610 3,922 4,966
19 0,688 1,328 1,729 2,093 2,539 2,861 3,579 3,883 4,897
20 0,687 1,325 1,725 2,086 2,528 2,845 3,552 3,850 4,837

21 0,686 1,323 1,721 2,080 2,518 2,831 3,527 3,819 4,784
22 0,686 1,321 1,717 2,074 2,508 2,819 3,505 3,792 4,736
23 0,685 1,319 1,714 2,069 2,500 2,807 3,485 3,767 4,693
24 0,685 1,318 1,711 2,064 2,492 2,797 3,467 3,745 4,654
25 0,684 1,316 1,708 2,060 2,485 2,787 3,450 3,725 4,619

26 0,684 1,315 1,706 2,056 2,479 2,779 3,435 3,707 4,587
27 0,684 1,314 1,703 2,052 2,472 2,771 3,421 3,690 4,558
28 0,683 1,313 1,701 2,048 2,467 2,763 3,408 3,674 4,530
29 0,683 1,311 1,699 2,045 2,462 2,756 3,396 3,659 4,506
30 0,683 1,310 1,697 2,042 2,457 2,750 3,385 3,646 4,482

35 0,682 1,306 1,690 2,030 2,438 2,724 3,340 3,491 4,389
40 0,681 1,303 1,684 2,021 2,423 2,704 3,307 3,551 4,321
45 0,680 1,301 1,679 2,014 2,412 2,690 3,281 3,520 4,269
50 0,679 1,299 1,676 2,009 2,403 2,678 3,261 3,496 4,228
60 0,679 1,296 1,671 2,000 2,390 2,660 3,232 3,460 4,169

70 0,678 1,294 1,667 1,994 2,381 2,648 3,211 3,435 4,127
80 0,678 1,292 1,664 1,970 2,374 2,639 3,195 3,416 4,096
90 0,677 1,291 1,662 1,987 2,368 2,632 3,183 3,402 4,072
100 0,677 1,290 1,660 1,984 2,364 2,626 3,174 3,390 4,053
120 0,677 1,289 1,658 1,980 2,358 2,617 3,160 3,373 4,025
200 0,676 1,286 1,653 1,972 2,345 2,601 3,131 3,310 3,970
500 0,675 1,283 1,648 1,965 2,334 2,586 3,107 3,310 3,922
1000 0,675 1,282 1,646 1,962 2,330 2,581 3,098 3,300 3,906
∞ 0,675 1,282 1,645 1,960 2,326 2,576 3,090 3,290 3,891
α 0,25 0,10 0,05 0,025 0,01 0,005 0,001 0,0005 0,00005
f Nivel de semnificaţie pentru testul unilateral
75
Anexa 2
Tabel cu valorile funcţiei Gauss – Laplace
z P(z) z P(z) z P(z) z P(z) z P(z)
0,00 0,0000 0,52 0,3969 1,04 0,7017 1,56 0,8812 2,16 0,9692
0,01 0,0080 0,53 0,4039 1,05 0,7063 1,57 0,8836 2,18 0,9707
0,02 0,0160 0,54 0,4108 1,06 0,7109 1,58 0,8859 2,20 0,9722
0,03 0,0239 0,55 0,4177 1,07 0,7154 1,59 0,8882 2,22 0,9734
0,04 0,0319 0,56 0,4245 1,08 0,7199 1,60 0,8904 2,24 0,9749
0,05 0,0399 0,57 0,4313 1,09 0,7243 1,61 0,8926 2,26 0,9762
0,06 0,0478 0,58 0,4331 1,10 0,7287 1,62 0,8948 2,28 0,9774
0,07 0,0558 0,59 0,4448 1,11 0,7330 1,63 0,8969 2,30 0,9786
0,08 0,0638 0,60 0,4515 1,12 0,7375 1,64 0,8990 2,32 0,9797
0,09 0,0717 0,61 0,4581 1,13 0,7415 1,65 0,9011 2,34 0,9807
0,10 0,0797 0,62 0,4647 1,14 0,7457 1,66 0,9031 2,36 0,9817
0,11 0,0876 0,63 0,4713 1,15 0,7499 1,67 0,9051 2,38 0,9827
0,12 0,0955 0,64 0,4778 1,16 0,7540 1,68 0,9070 2,40 0,9836
0,13 0,1034 0,65 0,4843 1,17 0,7560 1,69 0,9090 2,42 0,9845
0,14 0,1113 0,66 0,4907 1,18 0,7620 1,70 0,9109 2,44 0,9853
0,15 0,1192 0,67 0,4971 1,19 0,7660 1,71 0,9127 2,46 0,9861
0,16 0,1271 0,68 0,5035 1,20 0,7699 1,72 0,9146 2,48 0,9869
0,17 0,1350 0,69 0,5098 1,21 0,7737 1,73 0,9164 2,50 0,9876
0,18 0,1428 0,70 0,5161 1,22 0,7775 1,74 0,9181 2,52 0,9883
0,19 0,1507 0,71 0,5223 1,23 0,7813 1,75 0,9199 2,54 0,9889
0,20 0,1585 0,72 0,5285 1,24 0,7850 1,76 0,9216 2,56 0,9895
0,21 0,1663 0,73 0,5346 1,25 0,7887 1,77 0,9233 2,58 0,9901
0,22 0,1741 0,74 0,5407 1,26 0,7923 1,78 0,9249 2,60 0,9907
0,23 0,1819 0,75 0,5467 1,27 0,7959 1,79 0,9265 2,62 0,9912
0,24 0,1897 0,76 0,5527 1,28 0,7995 1,80 0,9281 2,64 0,9917
0,25 0,1974 0,77 0,5587 1,29 0,8030 1,81 0,9297 2,66 0,9922
0,26 0,2051 0,78 0,5646 1,30 0,8064 1,82 0,9312 2,68 0,9926
0,27 0,2128 0,79 0,5705 1,31 0,8098 1,83 0,9328 2,70 0,9931
0,28 0,2205 0,80 0,5763 1,32 0,8132 1,84 0,9342 2,72 0,9935
0,29 0,2282 0,81 0,5821 1,33 0,8165 1,85 0,9357 2,74 0,9939
0,30 0,2358 0,82 0,5878 1,34 0,8198 1,86 0,9371 2,76 0,9942
0,31 0,2434 0,83 0,5935 1,35 0,8230 1,87 0,9385 2,78 0,9946
0,32 0,2510 0,84 0,5991 1,36 0,8262 1,88 0,9399 2,80 0,9949
0,33 0,2586 0,85 0,6047 1,37 0,8293 1,89 0,9412 2,82 0,9952
0,34 0,2661 0,86 0,6102 1,38 0,8324 1,90 0,9426 2,84 0,9955
0,35 0,2737 0,87 0,6157 1,39 0,8355 1,91 0,9439 2,86 0,9958
0,36 0,2812 0,88 0,6211 1,40 0,8385 1,92 0,9454 2,88 0,9960
0,37 0,2886 0,89 0,6265 1,41 0,8415 1,93 0,9464 2,90 0,9962
0,38 0,2961 0,90 0,6319 1,42 0,8444 1,94 0,9476 2,92 0,9965
0,39 0,3035 0,91 0,6372 1,43 0,8478 1,95 0,9488 2,94 0,9967
0,40 0,3108 0,92 0,6424 1,44 0,8501 1,96 0,9500 2,96 0,9969
0,41 0,3182 0,93 0,6476 1,45 0,8529 1,97 0,9512 2,98 0,9971
0,42 0,3255 0,94 0,6528 1,46 0,8557 1,98 0,9523 3,00 0,9973
0,43 0,3328 0,95 0,6579 1,47 0,8584 1,99 0,9534 3,20 0,9986
0,44 0,3401 0,96 0,6629 1,48 0,8611 2,00 0,9545 3,40 0,9993
0,45 0,3473 0,97 0,6680 1,49 0,8638 2,02 0,9566 3,60 0,99968
0,46 0,3545 0,98 0,6729 1,50 0,8664 2,04 0,9587 3,80 0,99986
0,47 0,3626 0,99 0,6778 1,51 0,8690 2,06 0,9606 4,00 0,999938
0,48 0,3688 1,00 0,6827 1,52 0,8715 2,08 0,9625 4,50 0,999993
0,49 0,3759 1,01 0,6875 1,53 0,8740 2,10 0,9643 5,00 0,999999
0,50 0,3829 1,02 0,6923 1,54 0,8764 2,12 0,9660
0,51 0,3899 1,03 0,6970 1,55 0,8789 2,14 0,9676
76
Anexa 3
Valorile raportului dispersiilor F, corespunzătoare unui

nivel de semnificaţie de 5% sau 0,05 (P = 95% sau 0,95)
şi pentru f1 şi, respectiv, f2 grade de libertate
f1
f2 1 2 3 4 5 6 8 12 24 ∞
1 161,4 199,5 215,7 224,6 230,2 234,0 238,9 243,9 249,0 254,3
2 18,51 19,00 19,16 19,25 19,30 19,33 19,37 19,41 19,45 19,50
3 10,31 9,55 9,28 9,12 9,01 8,94 8,84 8,74 8,64 8,53
4 7,71 6,94 6,59 6,39 6,26 6,16 6,04 5,91 5,77 5,63
5 6,61 5,79 5,41 5,19 5,05 4,95 4,82 4,68 4,53 4,36
6 5,99 5,14 4,76 4,53 4,39 4,28 4,15 4,00 3,84 3,67
7 5,58 4,74 4,35 4,12 3,97 3,87 3,73 3,57 3,41 3,23
8 5,32 4,46 4,07 3,84 3,69 3,58 3,44 3,28 3,12 2,93
9 5,12 4,26 3,86 3,63 3,48 3,37 3,23 3,07 2,90 2,71
10 4,96 4,10 3,71 3,48 3,33 3,22 3,07 2,91 2,74 2,54
11 4,84 3,98 3,59 3,36 3,20 3,09 2,95 2,79 2,61 2,40
12 4,75 3,88 3,49 3,26 3,11 3,00 2,85 2,69 2,50 2,30
13 4,67 3,80 3,41 3,18 3,02 2,92 2,77 2,60 2,42 2,21
14 4,60 3,74 3,34 3,11 2,96 2,85 2,70 2,53 2,35 2,13
15 4,54 3,68 3,29 3,06 2,90 2,79 2,64 2,48 2,29 2,07
16 4,49 3,63 3,24 3,01 2,85 2,74 2,59 2,42 2,24 2,01
17 4,45 3,59 3,20 2,96 2,81 2,70 2,55 2,38 2,19 1,96
18 4,41 3,55 3,16 2,93 2,77 2,66 2,51 2,34 2,15 1,92
19 4,38 3,52 3,13 2,90 2,74 2,63 2,48 2,31 2,11 1,88
20 4,35 3,49 3,10 2,87 2,71 2,60 2,45 2,28 2,08 1,84
21 4,32 3,47 3,07 2,84 2,68 2,57 2,42 2,25 2,05 1,81
22 4,30 3,44 3,05 2,82 2,66 2,55 2,40 2,23 2,03 1,78
23 4,28 3,42 3,03 2,80 2,64 2,53 2,38 2,20 2,00 1,76
24 4,26 3,40 3,01 2,78 2,62 2,51 2,36 2,18 1,98 1,73
25 4,24 3,38 2,99 2,76 2,60 2,49 2,34 2,16 1,96 1,71
26 4,22 3,37 2,98 2,74 2,59 2,47 2,32 2,15 1,95 1,69
27 4,21 3,35 2,96 2,73 2,57 2,46 2,30 2,13 1,93 1,67
28 4,20 3,34 2,95 2,71 2,56 2,44 2,29 2,12 1,91 1,65
29 4,18 3,33 2,93 2,70 2,54 2,43 2,28 2,10 1,90 1,64
30 4,17 3,32 2,92 2,69 2,53 2,42 2,27 2,09 1,89 1,62
40 4,08 3,23 2,84 2,61 2,45 2,34 2,18 2,00 1,79 1,51
60 4,00 3,15 2,76 2,52 2,37 2,25 2,10 1,92 1,70 1,39
120 3,92 3,07 2,68 2,45 2,29 2,17 2,02 1,83 1,61 1,25
∞ 3,84 2,99 2,60 2,37 2,21 2,09 1,94 1,75 1,52 1,00
77
Anexa 4

nivel de semnificaţie de 1% sau 0,01 (P = 99% sau 0,99)
f1
f2 1 2 3 4 5 6 8 12 24 ∞
1 4052 4999 5403 5625 5764 5859 5981 6106 6234 6366
2 98,49 99,00 99,17 99,25 99,30 99,33 99,36 99,42 99,46 99,50
3 34,12 30,81 29,46 28,71 28,24 27,91 27,49 27,05 26,60 26,12
4 21,20 18,00 16,69 15,98 15,52 15,21 14,80 14,37 13,93 13,46
5 16,26 13,27 12,06 11,39 10,97 10,67 10,27 9,89 9,47 9,02
6 13,74 10,92 9,78 9,15 8,75 8,47 8,10 7,72 7,31 6,88
7 12,25 9,55 8,45 7,85 7,46 7,19 6,84 6,47 6,07 5,65
8 11,26 8,65 7,59 7,01 6,63 6,37 6,03 5,67 5,28 4,86
9 10,56 8,02 6,99 6,42 6,06 5,80 5,47 5,11 4,73 4,31
10 10,04 7,56 6,55 5,99 5,64 5,39 5,06 4,71 4,33 3,91
11 9,65 7,20 6,22 5,67 5,32 5,07 4,74 4,40 4,02 3,60
12 9,33 6,93 5,95 5,41 5,06 4,82 4,50 4,16 3,78 3,36
13 9,07 6,70 5,74 5,20 4,86 4,62 4,30 3,96 3,59 3,16
14 8,86 6,51 5,56 5,03 4,69 4,46 4,14 3,80 3,43 3,00
15 8,68 6,36 5,42 4,89 4,56 4,32 4,00 3,67 3,29 2,87
16 8,53 6,23 5,29 4,77 4,44 4,20 3,89 3,55 3,18 2,75
17 8,40 6,11 5,18 4,67 4,34 4,10 3,79 3,45 3,08 2,65
18 8,28 6,01 5,09 4,58 4,25 4,01 3,71 3,37 3,00 2,57
19 8,18 5,93 5,01 4,50 4,17 3,94 3,63 3,30 2,92 2,49
20 8,10 5,85 4,94 4,43 4,10 3,87 3,56 3,23 2,86 2,42
21 8,02 5,78 4,87 4,37 4,04 3,81 3,51 3,17 2,80 2,36
22 7,94 5,72 4,82 4,31 3,99 3,76 3,45 3,12 2,75 2,31
23 7,88 5,66 4,76 4,26 3,94 3,71 3,41 3,07 2,70 2,26
24 7,82 5,61 4,72 4,22 3,90 3,67 3,36 3,03 2,66 2,21
25 7,77 5,57 4,68 4,18 3,86 3,63 3,32 2,99 2,62 2,17
26 7,72 5,53 4,64 4,14 3,82 3,59 3,29 2,96 2,58 2,13
27 7,68 5,49 4,60 4,11 3,78 3,56 3,26 2,93 2,55 2,10
28 7,64 5,45 4,57 4,07 3,75 3,53 3,23 2,90 2,52 2,06
29 7,60 5,42 4,54 4,04 3,73 3,50 3,20 2,87 2,49 2,03
30 7,56 5,39 4,51 4,02 3,70 3,47 3,17 2,84 2,47 2,01
40 7,31 5,18 4,31 3,83 3,51 3,29 2,99 2,66 2,29 1,80
60 7,08 4,98 4,13 3,65 3,34 3,12 2,82 2,50 2,12 1,60
120 6,85 4,79 3,96 3,48 3,17 2,96 2,66 2,34 1,95 1,38
∞ 6,64 4,60 3,78 3,32 3,02 2,80 2,51 2,18 1,79 1,00
78
Anexa 5

nivel de semnificaţie de 0,1% sau 0,001 (P = 99,9% sau 0,999)
f1
f2 1 2 3 4 5 6 8 12 24 ∞
1 405284 500000 540379 562500 576405 585937 598144 610667 623497 636619
2 998,5 999,0 999,2 999,2 999,3 999,3 999,4 999,4 999,5 999,5
3 167,5 148,5 141,1 137,1 134,6 132,8 130,6 128,3 125,9 123,5
4 74,14 61,25 56,18 53,44 51,71 50,53 49,00 47,41 45,77 44,05
5 47,04 36,61 33,20 31,09 29,75 28,84 27,64 26,42 25,14 23,78
6 35,51 27,00 23,70 21,90 20,81 20,03 19,03 17,99 16,89 15,75
7 29,22 21,69 18,77 17,19 16,12 15,52 14,63 13,71 12,73 11,69
8 25,42 18,49 15,83 14,39 13,49 12,86 12,04 11,19 10,30 9,34
9 22,86 16,39 13,90 12,56 11,71 11,13 10,37 9,57 8,72 7,81
10 21,04 14,91 12,55 11,28 10,48 9,92 9,20 8,45 7,64 6,76
11 19,69 13,81 11,56 10,35 9,58 9,05 8,35 7,63 6,85 6,00
12 18,64 12,97 10,80 9,63 8,89 8,38 7,71 7,00 6,25 5,42
13 17,81 12,31 10,21 9,07 8,35 7,86 7,21 6,52 5,78 4,97
14 17,14 11,78 9,73 8,62 7,92 7,43 6,80 6,13 5,41 4,60
15 16,59 11,34 9,34 8,25 7,57 7,09 6,47 5,81 5,10 4,31
16 16,12 10,97 9,00 7,94 7,27 6,81 6,19 5,55 4,85 4,06
17 15,72 10,66 8,73 7,68 7,02 6,56 5,96 5,32 4,63 3,85
18 15,38 10,39 8,49 7,46 6,81 6,35 5,76 5,13 4,45 3,67
19 15,08 10,16 8,28 7,26 6,61 6,18 5,59 4,97 4,29 3,52
20 14,82 9,95 8,10 7,10 6,46 6,02 5,44 4,82 4,15 3,38
21 14,59 9,77 7,94 6,95 6,32 5,88 5,31 4,70 4,03 3,26
22 14,38 9,61 7,80 6,81 6,19 5,76 5,19 4,58 3,92 3,15
23 14,19 9,47 7,67 6,69 6,08 5,65 5,09 4,48 3,82 3,05
24 14,03 9,34 7,55 6,59 5,98 5,55 4,99 4,39 3,74 2,97
25 13,88 9,22 7,45 6,49 5,88 5,46 4,91 4,31 3,66 2,89
26 13,74 9,12 7,36 6,41 5,80 5,38 4,83 4,24 3,59 2,82
27 13,61 9,02 7,27 6,33 5,73 5,31 4,76 4,17 3,52 2,75
28 13,50 8,93 7,19 6,25 5,66 5,24 4,69 4,11 3,46 2,70
29 13,39 8,85 7,12 6,19 5,59 5,18 4,64 4,05 3,41 2,64
30 13,29 8,77 7,05 6,12 5,53 5,12 4,58 4,00 3,36 2,59
40 12,61 8,25 6,60 5,70 5,13 4,73 4,21 3,64 3,01 2,23
60 11,97 7,76 6,17 5,31 4,76 4,37 3,87 3,31 2,69 1,90
120 11,38 7,31 5,79 4,95 4,42 4,04 3,55 3,02 2,40 1,56
∞ 10,83 6,91 5,42 4,62 4,10 3,74 3,27 2,74 2,13 1,00
80
BIBLIOGRAFIE
1. Alexandrescu Gelu, Elena Doval, “Simularea – metodă de studiu a realităţii”, Buletinul

Universităţii de Apărare Carol I, nr, 2 /2006,
2. Balaure, Virgil (coordonator) (2002), Marketing, Editura Uranus, Bucureşti,
3. Baron, T,, E, Biji, L, Tövissi, P, Wagner, Al, Isaic – Maniu, M, Korka, D, Porojan
(1996), Statistică teoretică şi economică, Editura Didactică şi Pedagogică – R, A,,
Bucureşti,
4. Cătoiu, Iacob (coordonator) (2002), Cercetări de marketing, Editura Uranus, Bucureşti,
5. Datculescu, Petre (2006), Cercetarea de Marketing, Cum pătrunzi în mintea
consumatorului, cum măsori şi cum analizezi informaţia, IRSOP Market Research &
Consulting, Brandbuilders Group, Bucuresti,
6. Demetrescu, M, C, (2000), Metode de analiză în marketing, Editura Teora, Bucureşti,
7. Dobre Ion, Floare Mustaţă Horpos (2006), Simularea proceselor economice, Editura
ASE, Bucreşti,
8. Drăgan, J, C,, M, C, Demetrescu (1996), Practica prospectării pieţei, Tehnici de
cercetare în marketing, Editura Europa Nova, Bucureşti,
9. Gheorghiţă Mircea (2001), Modelarea & simularea proceselor economice, Editura ASE,
Bucreşti,
10. Harja Eugenia, Laura C, Ţimiraş (2009), Metode statistice utilizate în cercetarea de
marketing, Editura Alma Mater a Universităţii din Bacău,
11. Florescu, C (coordonator) (1992), Marketing, Editura Marketer, Bucureşti,
12. Isaic – Maniu, Alexandru, Constantin Mitruţ, Virgil Voineagu (1995), Statistică pentru
managementul afacerilor, Editura Economică, Bucureşti,
13. http://office.microsoft.com,
14. www.smartbox.ro.
81

Simulari de Marketing-Curs

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Simulari de Marketing-Curs

Încărcat de

Drepturi de autor:

Formate disponibile

UNIVERSITATEA VASILE ALECSANDRI DIN BACǍU

FACULTATEA DE ŞTIINŢE ECONOMICE

Laura Cătălina Ţimiraş

Descrierea CIP a Bibliotecii Naţionale a României

Lucrarea Simulări de marketing. Note de curs realizează o prezentare a unora

Bacău, octombrie 2012

1. Conţinutul şi rolul simulărilor de marketing…………………………................... 7

2. Clasificarea tehnicilor de simulare…………………………………...................... 15

3. Componentele sistemelor de simulare de marketing………………...................... 19

4. Etapele simulărilor de marketing…………………………………….................... 23

5. Modele de simulare ………………………………………………......................... 27

6. Simulare cu ajutorul programului EXCEL....…………………….................….... 61

Cuvinte cheie Obiectivele învăţării:

Simularea constituie o modalitate de obţinere a informaţiilor utilizată în cercetările

După alţi specialişti, “simularea, este o tehnică de realizare a experimentelor cu

În cazul în care interdependenţele ce stau la baza determinării valorilor variabilelor

AVANTAJELE ŞI DEZAVANTAJELE SIMULĂRII DE MARKETING

UTILIZĂRI ALE SIMULĂRII DE MARKETING

 cunoaşterea şi înţelegerea interdependenţelor dintre variabilele de marketing,

EVALUAREA TEHNICILOR DE SIMULARE

Tehnicile utilizate în simulările de marketing, pot fi evaluate după şase

Cuvinte cheie Obiectivele învăţării:

Există mai multe criterii de clasificare a tehnicilor de simulare. Astfel:

 În funcţie de timpul necesar realizării simulării există:

 În funcţie de momentul efectuării simulării există:

 În funcţie de interacţiunea om-calculator tehnicile de simulare se împart în:

 În funcţie de precizia rezultatelor distingem:

Cuvinte cheie Obiectivele învăţării:

CONCEPTE SPECIFICE SIMULĂRII

Există o serie de concepte specifice simulării:

ELEMENTE ALE SISTEMULUI DE SIMULARE

Un sistem tipic de simulare, utilizat în cercetările de marketing, este format din

În afara datelor de intrare şi de ieşire un sistem de simulare mai cuprinde:

Cuvinte cheie Obiectivele învăţării:

 formularea problemei, a scopului şi obiectivelor urmărite – presupune

 culegerea şi prelucrarea preliminară a datelor reale – acestea vor sta la

 construirea modelului – presupune precizarea ipotezelor, a variabilelor şi

 estimarea mărimii parametrilor sau variabilelor de intrare – utilizând

 evaluarea performanţelor modelului – modelul construit este testat cu

 construirea algoritmului de simulare;

 scrierea programelor de simulare – presupune utilizarea fie a unor

 validarea sistemului de simulare – prin testarea programului de simulare

 analiza şi interpretarea datelor – presupune prelucrarea datelor simulate,

În procesul de simulare parcurgerea acestor etape nu trebuie privită cu rigiditate,

Cuvinte cheie Obiectivele învăţării:

5.1. Generarea numerelor şi variabilelor aleatoare

În simularea proceselor economice, inclusiv de marketing, atunci când valorile unor

Numerele pseudoaleatoare satisfac următoarele cerinţe:

Metodele utilizate pentru generarea de numere aleatoare (care, de fapt, generează

METODE DE GENERARE A NUMERELOR ALEATOARE

Principalele clase de metode de generare a numerelor aleatoare sunt:

5.2. Metoda de simulare Monte Carlo

PRECIZIA ŞI PROPRIETĂŢILE METODEI MONTE CARLO

În procesul de utilizarea a simulărilor Monte-Carlo pentru investigarea fenomenelor

0,6(1  0,6) 0,6(1  0,6)

t0,05; 20-1 , citit din tabelul repartiţiei Student = 2,093.

 Estimarea mediei reale ( x0 ) pe baza mediei determinate a unei variabile ( x ) după

n experimente de simulare se realizează cu ajutorul intervalului:

x - Δ < x 0 < x + Δ, 65ip

În condiţiile unui nivel de semnificaţie de 0,05,

 În cazul în care se impune de la început o anumită eroare maximă admisă Δ, se va

De fapt, creşterea preciziei de m ori, impune o creştere a numărului de experimente

 se consideră suficient pentru precizia metodei Monte Carlo o probabilitate de