Documente Academic
Documente Profesional
Documente Cultură
2021 OneNote
Cursul 1
Wednesday, October 30, 2019 5:35 PM
Decizia este o activitate a unei ființe umane care urmărește în mod conștient anumite obiective și constă
în alegerea dintre mai multe variante decizionale și angajarea într-o anumită direcție de acțiune prin
folosirea unor resurse materiale, financiare, umane și cunoștințe acumulate. Așadar, alegerea rațională a
unei alternative de acțiune, în scopul obținerii unui rezultat dorit, este o decizie.
Definită ca opțiune pentru o alternativă, decizia nu poate fi un act întâmplător. Ea presupune eforturi de
studiere temeinică a factorilor ce pot influența rezultatele așteptate deoarece efectul aplicării unei decizii
poate fi influențat de factori care nu sunt întotdeauna controlabili de decident.
Dat fiind interesul oricărui agent economic în reglarea activității pentru obținerea unui profit cât mai
mare, decizia este un act de conducere de o deosebită importanță. Calitatea activităților decizionale
contează nu numai în realizarea unor obiective imediate ci și viitoare. Deciziile luate pe baze științifice
folosind metoda modelării, calcule matematice comparative și tehnica de calcul oferită de calculatoare
sunt așadar o necesitate.
Procesul decizional poate fi definit prin ansamblul etapelor și fazelor parcurse în pregătirea, adoptarea,
aplicarea și evaluarea consecințelor deciziei manageriale
Pentru ca o decizie să răspundă scopului urmărit de decident, trebuie să îndeplinească anumite cerințe,
printre care cele mai importante sunt:
Drept urmare, pregătirea și luarea deciziei este un proces rațional, un proces de cunoaștere, care cere o
înaltă pregătire științifică a factorilor de decizie, pe lângă experiență practică. Acolo unde practica nu
poate să pătrundă trebuie să pătrundă gândirea, prin modelarea fenomenului studiat.
Analiza deciziilor prin modelare și simulare, deși nu poate acționa asupra hazardului și nu poate atrage cu
sine manifestarea norocului, poate să-l ajute pe decident să înțeleagă mai bine problemele decizionale, să-
și îmbunătățească șansele de a obține un rezultat fericit sau să fie mai pregătit pentru a face față unor
evoluții nefavorabile, independente de voința lui.
Metoda modelării este un instrument de cunoaștere științifică și are ca obiect construirea unor reprezentări
care să permită o mai bună înțelegere și o mai profundă cunoaștere științifică a diferitelor domenii. Esența
metodei modelării constă în înlocuirea procesului real studiat printr-un model mai accesibil studiului.
Modelarea întreprinderii este utilizată pentru a construi modele ale organizației având ca scop
previzionarea și estimarea impactului pe care îl are schimbarea în interiorul organizației produs de
schimbarea care apare în mediul extern.
Este nevoie de „experiențe simulate”, de teste care implică construirea unor modele matematice și logice
care descriu comportarea sistemului real (întreprinderea) de-a lungul unei perioade mari de timp. Este
vorba despre o tehnică de cercetare orientată spre problemele complexe ale întreprinderii care, deși nu
oferă soluții exacte, scoate la lumină mai multe variante decizionale, în funcție de condițiile date la un
moment dat, iar decidenții pot testa diferite opțiuni strategice pentru realizarea obiectivelor vizate.
Această tehnică poartă denumirea de simulare. Simularea cu ajutorul modelelor economico-matematice a
efectului diverselor măsuri de politică economică a contribuit decisiv la extinderea utilizării modelării în
procesul de decizie.
Așadar, simularea poate fi definită ca un proces prin care se construiește un model al unui sistem real și
se realizează experimente cu acest model în scopul înțelegerii comportamentului sistemului și/sau
evaluării diferitelor strategii pentru sistemul analizat.
Simularea trebuie să genereze intrările și, ținând seama de stările interne ale sistemului, prin algoritmi
adecvați să determine ieșirile și să descrie evoluția în timp a stărilor interne ale sistemului. Altfel spus,
datele de intrare ale modelului sunt valorile variabilelor de decizie.
Prin simulare se evaluează criteriul de performanta al acestor variabile astfel încât, în final să poată fi
aleasă varianta care conduce la cea mai bună valoare a criteriului de performanță. Cu ajutorul simulării se
obțin mai multe variante de decizie dintre care decidentul/managerul o va alege pe cea mai bună,
corespunzătoare condițiilor date la un anumit moment.
Specific modelelor de simulare este o variabilă specială, ceasul simulării, variabilă introdusă pentru a
menține ordinea corectă a evenimentelor, pentru a le putea preciza, pentru a putea simula evoluția
sistemului de la un eveniment curent la cel următor. Tipurile de ceas cu creștere fixă și cel cu creștere
variabilă intervin în descrierea construirii algoritmului de simulare și îi diferențiază.
• Prin simulare pot fi explorate politici, proceduri de operare, reguli de decizie, fluxuri informaționale
sau proceduri organizaționale fără întreruperea activități sistemului real.
• Proiectele pentru noi echipamente, așezarea utilajelor, diferite sisteme de transport pot fi testate fără
angajarea resurselor pentru achiziționarea lor.
• Prin simulare se pot testa ipotezele despre cum și de ce anumite fenomene pot apărea.
• Timpul poate fi comprimat sau dilatat pentru a permite accelerarea sau încetinirea unui fenomen
investigat.
• Se pot observa interacțiunile dintre diferite variabile și se poate determina influența diferitelor
variabile asupra performanței sistemului.
• Se pot identifica „locurile înguste” în care procesul de producție, informațiile sau materialele sunt
întârziate excesiv.
• Se pot realiza analize de sensitivitate de tip „Ce se întâmplă dacă...?”
• Simularea poate fi utilizată pentru cuantificarea riscului inerent unui sistem sau unei decizii de
investiții.
• Asociată cu animația pentru a vizualiza modul de funcționare a unui sistem, simularea poate
contribui la creșterea capacității de intervenție a decidenților prin perceperea mai largă a
oportunităților și prin clarificarea și evaluarea efectelor unor eventuale acțiuni.
• Poate constitui o modalitate de rezolvare a problemelor pentru care soluțiile analitice sau
algoritmice nu sunt posibile. În plus, modelul poate fi construit mai degrabă pe baza preferințelor și
din perspectiva decidentului decât din cea a specialistului în modelare, care poate fi influențat de
existența unei metode de rezolvare adecvate.
• Construirea modelului de simulare necesită o instruire specială. Aceasta este o artă care se învață în
timp și prin experiență.
• Simularea nu garantează obținerea unor soluții optimale.
• Rezultatele simulării pot fi greu de interpretat. Din cauza naturii aleatoare a intrărilor modelului de
simulare, rezultatele sunt variabile stochastice și sunt necesare cunoștințe statistice pentru analiza
lor.
• Simularea poate fi consumatoare de timp și costisitoare [reducerea resurselor de modelare și analiză
poate conduce la un model de simulare necorespunzător pentru scopul analizei].
• Calitatea rezultatelor obținute prin simulare depinde de calitatea datelor folosite.
Cu toate acestea, trebuie subliniat faptul că simularea oferă doar informații pe baza cărora decidenții pot
emite decizii fundamentate; ea nu înlocuiește decidentul uman, al cărui rol este esențial în procesul de
https://onedrive.live.com/redir?resid=E923D935814478FA%2112562&authkey=%21AMLkbSPdqzOrWM8&page=View&wd=target%28Simulari si proie… 3/9
11.02.2021 OneNote
modelare și simulare. Succesul aplicării unui model în procesul decizional depinde în proporție
covârșitoare de abilitățile și implicarea decidentului. De asemenea, simularea este corectă numai dacă
datele de intrare sunt corecte și este tot atât de credibilă pe cât este demn de încredere analistul care a
realizat simularea.
Conform „Dicționarului de filozofie”, modelul este „interpretarea unui sistem formal (în logică și în
matematică) sau un sistem teoretic (logic - matematic) sau material cu ajutorul căruia pot fi studiate
indirect proprietățile și transformările unui alt sistem mai complex (sistemul original) cu care prezintă o
anumită analogie (în știință și tehnică)”.
Conform aceleiași surse, modelarea este o „metodă de cercetare și dobândire a cunoștințelor despre
sisteme complexe, greu sau imposibil de abordat în mod direct, cu ajutorul construirii de modele, pe care
se simulează sistemul original vizat”.
Un sistem poate fi orice tip de proces sau colecție de entități dependente una de alta, care formează un
întreg organizat în vederea atingerii unor obiective comune. Entitățile care nu fac parte din sistem, dar
influențează atingerea obiectivelor fără a putea fi controlate de către decident constituie mediul
sistemului
Drept urmare, modelul este un instrument de cunoaștere științifică a realității obiective, oferind
posibilitatea realizării unor experimente și repetării acestor experimente până la cunoașterea esenței
fenomenului studiat.
Modelul este orice construcțiile teoretică care sintetizează logic și coerent realitatea obiectivă și oferă un
plus de cunoaștere. Formalizarea matematică este necesară și utilă, dar nu este obligatorie. Esențial pentru
un model este să nu denatureze funcționarea sistemului real.
Evident, modelul este o reprezentare simplificată sau o abstractizare, deoarece realitatea este prea
complexă pentru a fi copiată exact. Nu întotdeauna însă prin simplificare se obține un model reprezentativ
pentru procesul real studiat. La construirea unui model economic se impune o analiză atentă pentru
identificarea caracteristicilor esențiale și reprezentative ale procesului modelat în raport cu o teorie
economică explicativă a acelui proces. Dacă această teorie se finalizează printr-o formalizare logică și
matematică rezultă un model economico - matematic.
Orice model economico-matematic va reprezenta fidel un anumit fenomen numai în măsura în care se
sprijină pe teoria economică care formulează categoriile, conceptele și legile obiective ale realității
economice. Așadar, precizarea definiției termenului de model localizat în domeniul economic, ridică noi
probleme și accentuează controversele, având în vedere particularitățile și complexitatea fenomenelor și
proceselor economice.
Dintre elementele esențiale care nu pot fi ignorate în procesul de modelare economică fără a influența
redarea exactă a realității economice se menționează:
Procesul modelării presupune abstractizarea unei situații printr-un model care reprezintă esența acelei
situații. Soluția furnizată de model va fi interpretată în raport cu sistemul real, ținând cont și de elementele
eliminate prin abstractizare. Dacă soluția este validată ea poate completa cunoștințele bazate pe intuiția și
experiența managerului și astfel procesul de modelare va contribui atât la elaborarea unei decizii mai bune
cât și la înțelegerea problemei îmbogățind astfel cunoștințele managerului.
În prima etapă este necesară definirea limitelor sistemului și scopul analizării acestui sistem, în funcție de
care se va determina complexitatea modelului. Pasul următor constă în stabilirea datelor necesare a fi
colectate și modul în care va fi organizată colectarea. Apoi se construiește modelul, care este important să
fie cât mai simplu posibil. După construirea modelului este necesar să se verifice dacă este corect și dacă
corespunde cerințelor pentru care a fost construit. Validarea nu este identică cu verificarea deoarece în
această etapă se stabilește dacă modelul produce rezultate ale căror valori corespund celor observate în
sistemul real.
În literatura de specialitate există o multitudine de clasificări ale modelelor, în funcție de diverse criterii
Un model este considerat static dacă urmărește numai rezultatul final și nu modul în care se modifică
sistemul în timp.
Modelul este considerat dinamic dacă urmărește modul în care se modifică sistemul în timp. In realitate,
toate sistemele sunt dinamice.
Un sistem este continuu dacă starea sistemului (variabilele de stare) se modifică continuu în timp.
Un sistem este discret dacă starea sistemului se modifică la anumite momente de timp, care nu sunt în
mod necesar egale.
Modelele normative sunt orientate cu deosebire asupra etapei de alegere a celei mai performante soluții,
sunt închise, în timp ce modelele descriptive ale nivelului de aspirație pornesc de la teoriile cognitive și
comportamentale și studiază decidenții ca entități prelucrătoare de informații în toate etapele procesului
decizional.
Modele deterministe sunt modelele ale căror date sunt presupuse a fi cunoscute cu certitudine.
Modelele probabiliste sau stochastice sunt modelele ale căror date de intrare nu sunt cunoscute cu
certitudine, iar variabilitatea diferitelor date de intrare poate fi descrisă cu ajutorul unei distribuții de
probabilitate.
Cuvântul „simulare“ provine din latinescul „simulatio“ (imitare). O definiție foarte generală a simulării,
dată de „Webster's Dictionary“ (S.U.A.) este următoarea: „a simula înseamnă a ajunge la esență fără
realitate”. Cunoașterea realității fără a fi necesară desfășurarea reală a fenomenelor permite, atât reducerea
timpului necesar efectuării unor studii laborioase, cât și evitarea unor cheltuieli uriașe.
Simularea analogică este o tehnică bazată pe imagine, respectiv construirea unor sisteme (dispozitive)
ale căror legi de funcționare sunt aceleași (sau aproximativ aceleași) cu legile care generează sistemul
studiat. Legile de funcționare a acestor dispozitive pot aparține diferitelor domenii ale științei: fizică,
biologie, chimie etc.
Simularea hibridă constă în aplicarea combinată a analogiilor fizice (electrice, hidraulice etc.) cu cele de
calcul numeric. Ea este folosită la conducerea proceselor din instalații ale industriei chimice, din
construcții de mașini etc.
Cursul 2
Wednesday, October 30, 2019 6:25 PM
Problema fundamentală cu care se confruntă orice întreprindere este aceea că viitorul este
necunoscut și greu de anticipat. Altfel spus, nu știm ce se va întâmpla și nici nu dispunem de
modalități sigure de a afla. În general, mediul concurențial este caracterizat prin schimbări
continue: produse noi, metode de producție și distribuție mai ieftine, firme noi pe piață, noi
reglementări fiscale etc.
Când o firma X introduce un nou produs, o altă firmă, să-i spunem Y, va încerca imediat să-l
copieze sau să-l îmbunătățească. Dacă firma X micșorează preturile pentru a deveni cea mai
ieftină de pe piață, cealaltă firmă, Y, va încerca să o depășească. Ca răspuns la provocarea firmei
concurente, firma X ar putea spera să-i surâdă norocul sau va face abstracție de situația creată.
Însă o astfel de abordare ar putea să o conducă spre eșec. De aceea este necesar un plan coerent
de acțiune, care să producă setul de rezultate dorit. Cu alte cuvinte, firma X trebuie să-și
revizuiască în mod constant poziția strategică prin prisma schimbărilor de pe piață și a celor din
interiorul său
M. Porter a dezvoltat conceptul de strategii generice tocmai pentru a explica cum o firmă ar
putea să livreze acest avantaj perceput de clienții săi.
Porter consideră că pentru a livra un beneficiu perceput clienților, firma trebuie să concureze prin
una din următoarele două modalități:
• prin diferențierea produsului sau serviciului, adică prin oferirea a ceva ce este diferit de
celelalte produse și servicii vândute;
• prin costul produsului, adică prin oferirea produselor ș serviciilor la cele mai mici prețuri
de pe piață.
Diferențierea produsului se referă la livrarea unui avantaj clientului pe care nu-l poate oferi
concurența. Dacă această diferență este apreciată de clienți, atunci firma va putea să obțină un
preț mai mare. Clienții vor fi pregătiți să plătească un preț superior în schimbul avantajului
perceput sau valorii adăugate obținute prin cumpărarea produsului diferențiat de la organizația
respectivă. Cu cât avantajul perceput va fi mai mare, cu atât mai mult firma poate percepe un
Firmele mai mici care operează în așa-numita ”piață de nișă” vor concura prin diferențiere, deși
nu este legată neapărat de produs. De exemplu, o firmă mică ce vinde frigidere nu va putea să
diferențieze produsele la vânzare. Firmele mici ar putea totuși să se diferențieze cu succes prin
furnizarea unui service post-vânzare mai bun, cum ar fi asistența prin telefon 24 ore din 24 sau
garantarea efectuării reparațiilor în două ore de la semnalare.
Strategia competitivă alternativă rezidă în concurență prin cost redus. Valoarea adăugată pentru
client constă în economia pe care o face cumpărând produsul sau serviciul respectiv. Pentru a
realiza conducerea pe bază de cost, firma trebuie să fie capabilă să-și reducă substanțial nivelul
costului, astfel încât să poată oferi clienților cel mai mic preț posibil, concomitent cu păstrarea
unei marje suficiente în cadrul vânzărilor pentru a susține organizația.
Marjele de profit tind să fie foarte mici și deci organizația trebuie să genereze un volum mare de
vânzări pentru a ajunge la pragul de rentabilitate și a fi profitabilă. Dificultatea cheie constă în
aceea că nu este suficient să fii ieftin, ci să asiguri și o anumită calitate a produsului. Pentru a
concura cu succes prin preț, firma trebuie să fie cea mai ieftină de pe piață. Dacă produsul nu
este diferențiat, atunci decizia de cumpărare se bazează doar pe mărimea prețului. Dacă
organizația nu poate să ofere cel mai mic preț, atunci este puțin probabil că ea va genera nivelul
mare de vânzări necesar pentru supraviețuire.
Porter argumentează că dacă firma nu este capabilă să concureze prin preț sau diferențierea
produsului, atunci firma este „prinsă la mijloc” și probabilitatea de a supraviețui este redusă.
Cauza de fond rezidă în faptul că potențialii clienți nu percep avantajul produsului diferențiat și
ca atare nu vor fi dispuși să plătească un preț Premium și prin urmare nici firma nu va genera
suficiente vânzări pentru a supraviețui. În mod similar, firma care concurează prin preț,
incapabilă să reducă costurile, va eșua din cauza imposibilității de a câștiga o marjă de profit la
prețul cel mai mic sau va eșua datorită faptului că va trebui să crească prețul de vânzare depășind
prețurile cele mai mici de pe piață, situație care nu va genera suficiente vânzări pentru a acoperi
nivelul mare al costurilor.
Modelul teoretic a lui Porter a fost dezbătut în ultimii ani de către mulți manageri din
întreprinderi, care pretind că acesta reprezintă un punct de vedere simplist asupra mediului de
afaceri. Se argumentează că decizia de cumpărare este mult mai sofisticată decât o relație simplă
între diferențiere și preț.
Așadar, firma trebuie să verifice și să-și revizuiască permanent direcțiile strategice prin prisma
schimbărilor continue ce au loc. În realizarea analizei trebuie să se aibă în vedere trei criterii:
Reușita apelării la modelare este condiționată de cunoașterea mai multor factori, în funcție de
care se decide asupra modelului ales. Literatura de specialitate punctează ca cei mai importanți
pe următorii:
• managementul organizației, un factor care poate avea o influență pozitivă (dat fiind faptul
că acesta cunoaște bine „nevoile” organizației în materie de strategie), dar și negativă (dacă
nu este bine informat în acest domeniu);
• misiunea organizației, stabilită de către managementul său sau de către proprietari sau
acționari, poate reprezenta un factor pozitiv, favorabil pentru alegerea celui mai adecvat
model strategic decizional sau de planificare strategică;
• cultura, organizațională și managerială care poate avea, în funcție de gradul de dezvoltare și
de integrare a modelării manageriale, o influență pozitivă sau negativă cu rezultate pe
termen mediu sau lung;
• rezultatele analizei diagnostic, care pot conduce la alegerea unui model decizional strategic
adecvat evoluției anterioare a organizației și recomandărilor formulate pentru viitor;
• mediul exogen și endogen al organizației, care poate determina, prin particularitățile sale,
orientarea spre cel mai adecvat model decizional strategic; în acest sens se poate analiza
detaliat și cuantifica fiecare categorie de factori de mediu, dintre care esențiali par a fi
pentru organizațiile românești, în momentul actual, factori legislativi, factorii politici și
factorii economici;
• strategia organizației, chiar dacă în unele modele este parte componentă, influențează
hotărâtor modelul decizional strategic ales.
Un model cunoscut este acela al școlii de la Harvard*, cunoscut sub formularea LCAG, după
numele autorilor săi (Learned, Christensen, Andrews, Guth).
*Learned A., Christensen N., Andrews J., Guth S. - Strategic Management în „Harward Business
Review”, nr. 24, 1990.
Modelul pune pe același plan analiza internă și externă a organizației, prin ceea ce este cunoscut
sub numele de analiză SWOT. Rezultatele analizei mediului și ale diagnosticului intern
determină posibilitatea enumerării și evaluării modalităților de acțiune posibile, ținând cont de
avantajele și dezavantajele fiecăreia. Intervin în model în acest moment două tipuri de valori,
esențiale în fond pentru ca modelul să dobândească dimensiunea culturală capabilă să
individualizeze organizația în contextul economic în care ea se situează: este vorba de integrarea
valorilor culturale ale organizației în mediu și responsabilitatea socială a acesteia și de integrarea
valorilor culturale ale managementului organizației, adică a elementelor care din perspectiva
echipei de conducere au un rol important în formularea strategiei. Rezultă de aici că strategia este
funcție de posibilitățile de acțiune ale organizației, integrarea sa în mediul socio-cultural și
prioritățile managementului organizației.
Modelul LCAG al școlii de la Harvard surprinde, pentru prima dată, rolul complex al „culturii”
în procesul de fundamentare, elaborare, implementare și evaluare a strategiei unei organizații
precum și responsabilitatea socială a acesteia.
Valorile culturale ale organizației reprezintă în opinia autorilor modelului un factor care mediază
între mediul ambiant exogen și formularea strategiei. Astfel, se pot „modela”, și înțelege mai
bine restricțiile mediului și adapta, pe de altă parte componentele culturii organizaționale la
particularitățile mediului exogen.
*Rue L. W., Holland P. G. - Strategic Management, Concepts and Experiences, New York, Mc.
Graw-Hill Company, 1996.
1. Formularea strategiei
2. Compararea cu strategia anterioară (dacă a existat)
3. Stabilirea misiunii
4. Stabilirea obiectivelor pe termen lung
5. Realizarea diagnosticului extern
6. Realizarea diagnosticului intern
7. Stabilirea opțiunilor strategice
8. Identificarea alternativelor de afaceri
9. Compararea alternativelor strategice
10. Formularea strategiilor funcționale
11. Precizarea particularităților modului de organizare
12. Evaluarea strategică și controlul
Dimensiunile strategiei (cantitative și calitative) și în primul rând obiectivele pe termen lung ale
acesteia sunt influențate de rezultatele diagnosticului intern și ale celui extern, iar opțiunile
strategice sunt generate de alternativele de afaceri pe care le are organizația
Dacă „situația-stimul” poate fi comună pentru mai multe organizații care acționează în aceeași
ramură și generalizând, tuturor organizațiilor românești (de exemplu, trecerea de la o economie
centralizată la o economie de piață, concurența crescândă, privatizarea și implicațiile ei în
materie de calitate și costuri etc.), celelalte etape ale procesului decizional strategic normativ
dobândesc dimensiuni particulare pentru fiecare organizație, în funcție de cel puțin două
categorii de influențe (cele exercitate de mediu și cele exercitate de decident).
Cursul 3,4,5,6,7
Wednesday, February 13, 2019 13:02
Să ne imaginăm 3 scenarii: a) un student are un proiect ce trebuie terminat in 15 zile; b) un agent de vânzări
are un anumit target de atins într-o lună dată; c) un pasionat de jocuri pe PC dorește să-și facă un calculator
capabil dar are doar 2000 RON disponibili
Putem identifica astfel 2 situații majore: maximizarea beneficiilor sau minimizarea cheltuielilor.
Acest tip de probleme se mai numesc și probleme de optimizare (în matematică).
Acest gen de probleme necesită tehnici de optimizare pentru a putea descoperi soluția ideală (optimă)
Rezolvarea în sine a problemelor necesită însă mai întâi de toate identificarea (eventuală) a tuturor factorilor
care ne pot limita/restricționa; de exemplu: nu avem resurse suficiente.
Problemele de → Găsirea unei soluții optime în cazul unei probleme supusă unor factori
optimizare restrictivi
Putem spune că încercăm să atingem un cel mai bun rezultat alocând cât mai puține resurse
Matematica ne oferă acces la diverse tehnici de optimizare - cea care ne este de inters pentru noi este
Programarea Lineara
https://onedrive.live.com/redir?resid=E923D935814478FA%2112562&authkey=%21AMLkbSPdqzOrWM8&page=View&wd=target%28Simulari si proie… 1/5
11.02.2021 OneNote
FORMULAREA PROBLEMEI:
EXEMPLUL 1
O companie produce si vinde 2 tipuri de produse: "A" si "B". Costul de producție pentru fiecare unitate "A"
este de 200 RON iar pentru "B" 150 RON. Fiecare unitate "A" aduce un profit de 20 RON iar fiecare unitate "B"
aduce un profit de 15 RON. Compania si-a estimat cererea lunara pentru ambele produse la 500 de unități in
total. Bugetul pentru producția lunara este fixat la 50.000 RON. Cate unități ar trebui sa producă compania
noastră in așa fel încât sa genereze profitul maxim (in condițiile date) prin vânzarea produselor "A" si "B"
Din enunț identificam faptul ca obiectivul companiei noastre este sa-si maximizeze profitul, însă totodată
avem o limitare clara -> bugetul de producție
Pentru a ne fi mai ușor de urmărit informațiile, haideți sa sintetizam problema sub forma unui tabel
Pentru a converti acest tabel într-o problema de programare lineara trebuie sa o exprimam intr-un format
matematica cunoscut.
Problemele clasice de matematica au următoarea structura: Ce se cere ? folosind ce cunoaștem. Poate va e
mai familiar "ce se cere si ce se da?"
Ce se cere in cazul exemplului nostru? Ce cantități din produsele de tip "A" si "B" sa fie produse !
Tot din matematica clasica suntem obișnuiți sa numim ceea ce nu știm dar dorim sa aflam sub denumirea de
"necunoscuta", iar notațiile uzuale pentru necunoscute sunt x, y, z sau x , x , x
1 2 3
Pai din problema știm costul unitar: pentru produsul A este 200 RON iar pentru produsul B este 150 RON.
Astfel daca ne-am decide sa producem exact cate o unitate din produsele A si B, am avea următorul calcul:
200 ∗ 1 + 150 ∗ 1 = 350
In cazul a x unități din tipul A si y unități din tipul B, o sa avem expresia costului total:
[Ecuație]
Cum încă nu am stabilit cine este x si y, nu putem nominaliza costul total (încă).
Interpretarea expresiei ar trebui sa fie simpla: multiplicam costul unitar cu numărul de produse de tip A +
analog pentru B.
Din enunț se specifica ca bugetul pentru producția lunara a fost fixat la 50.000 RON. Adică, orice decizie am
lua noi in final nu putem produce/cheltui mai mult decât avem in buget. Astfel putem cheltui mai puțin .. sau
egal cu 50.000 RON
[Ecuație]
Interpretarea expresiei: costul total de producție (a x unități de tip A si a y unități de tip B) nu poate depăși
bugetul fixat de 50.000 RON
[Ecuație]
Interpretarea imediata: cererea totala a celor 2 produse nu va depăși 500 de unități. Putem numi aceasta
expresie "constrângerea cererii totale". Ar trebui sa fie clar ca in cazul in care compania noastră ar dori/putea
sa producă mai mult de 500 de unități exista posibilitatea sa nu fie capabila sa le vândă. Nu este scopul nostru
sa determinam acum cum s-a ajuns la aceasta cifra (500 de unități), dar haideți sa zicem ca a rezultat dintr-o
analiza a cererilor venite din partea clienților, sau un studiu in trecut al istoricului de vânzări de produse -
unde s-a constat ca cel mai mult s-au vândut 500 unități într-o luna.
Pai, nu prea. Știu ca va uitați acum la elementele legate de profitul unitar (cei 20 RON si 15 RON), însă acestea
nu pot constitui o constrângere ci vor face parte din obiectivul nostru final. Va aduceți aminte ca problema
noastră are ca scop maximizarea profitului total. Compania noastră dorește sa știe cam cate produse de tip A
si cate de tip B sa producă pentru a putea genera profit maxim, in condițiile date.
[Ecuație]
Interpretam astfel: profitul total se va obține din profitul unitar * cu cate produse ne decidem in final sa
producem. In cazul nostru profitul unitar pentru produsul A era de 20 RON si vom produce [Ecuație]
unitati, si de 15 RON pentru produsul B cu [Ecuație] unitati produse. Astfel insumand profitul generat de
cele [Ecuație] unitati cu cel generat de cele [Ecuație] unitati obtinem profitul total.
Întotdeauna încercăm sa exprimam obiectivul final al unei probleme printr-o expresie matematica.
Maximizați [Ecuație]
Ținând cont de constrângerile:
[Ecuație] (Bugetul)
[Ecuație] (Cererea)
Întotdeauna in problemele de programare lineara, mai apare si următorul amănunt: Ținând cont ca
lucram cu cantități (de cele mai multe ori) pot lua necunoscutele noastre valori negative? Putem vinde
(minus) - 500 unități? Putem produce (minus) - 200 unități? Putem cumpăra (minus) - 3 componente de
PC? NU Astfel, întotdeauna trebuie sa lucram cu valori pozitive (pot fi cu virgula), iar acest lucru
trebuie sa apară in problema noastră, sub forma:
[Ecuație]
[Ecuație]
-----------------------------------------
In concluzie, elementele cheie ale oricărei probleme de programare lineara sunt:
• Variabilele de decizie ( [Ecuație] sau x , x , x )
1 2 3
Valoarea optima a lui z poate sa reiasă dintr-o problema de maximizare (ex. maximizarea profitului) sau
dintr-una de minimizare (ex. minimizarea costurilor, a timpului utilizat)
EXEMPLUL 2
Ca sa fim siguri ca toata lumea a înțeles, sa exersăm tehnica invatata pe următoarea problema:
Un manager de marketing se gândește sa promoveze compania la care este angajat folosindu-se de radio,
televiziune si materiale printate. In prima faza, s-a gândit sa plaseze maxim 10 spoturi publicitare la televizor
si cel puțin 15 anunțuri intr-un ziar de mare circulație. Un maxim de 35 de spoturi sunt disponibile pentru o
astfel de promovare. Sub ce combinație ar trebui sa meargă managerul nostru in așa fel încât sa minimizeze
cheltuielile cu publicitatea?
Costurile disponibile pe piață la acest moment sunt: Spoturi radio = 100 RON/spot; Spoturi TV = 1250
RON/spot; Anunțuri in ziar = 750 RON/anunț
Pentru a derula campanii de publicitate avem la dispoziție 3 tipuri de platforme: radio, televiziune si ziare. Noi
ar trebui sa aflam cate din fiecare pot fi plasate.
Fie:
[Ecuație]
[Ecuație]
[Ecuație]
Cum putem exprima ( [Ecuație] costul total de publicitate sub o expresie lineara?
[Ecuație]
Cum managerul nostru si-a propus sa își minimizeze costurile cu publicitatea, putem exprima funcția
obiectivul in felul următor:
[Ecuație]
Din problema cunoaștem ca managerul nostru ar dori sa plaseze maxim 10 spoturi la TV [Ecuație]
[Ecuație]
De asemenea se menționează cel puțin 15 anunțuri in ziar [Ecuație]
[Ecuație]
Problema ne mai zice ca un maxim de 35 spoturi sunt disponibile pentru promovare. Observam ca nu se
specifica din care tip, deci presupunem ca este vorba de toate [Ecuație]
[Ecuație]
[Ecuație]
Ținând cont de constrângerile
[Ecuație] (constragerea spoturilor TV)
[Ecuație] (constrangerea anunturilor in ziar)
[Ecuație] (constrangerea numarului total de spoturi disponibile)
[Ecuație] (constrangerile de non-negativitate)
Metoda grafica
Wednesday, October 23, 2019 10:04 PM
PROGRAMARE LINEARA
Anterior am prezentat metodologia de conversie a problemelor din realitate sub forma unor probleme de
(optimizare) matematica. In continuare vom discuta despre una din metodele de rezolvare a acestora, si
anume: Metoda Grafica
Orice problema de programare lineara care are 2 variabile de decizie poate fi rezolvata cu ajutorul metodei
grafice.
In primul nostru exemplu aveam doar 2 variabile (x, y) . In timp ce, in cel de-al doilea am avut 3 variabile (
x , x , x ) fapt ce ne impiedica sa aplicam aceeasi tehnica.
1 2 3
In acest capitol însă, ne vom concentra doar pe metoda grafica si deci lucram numai cu 2 variabile.
Pentru a rezolva o problema cu 2 necunoscute vom folosi clasicul sistem de axe XOY, care știm ca împarte
un plan in 4 cadrane (cadranul I fiind cel din dreapta sus). Așa cum am stabilit apriori, problemele de
programare lineara trebuie sa satisfacă condiția de non-negativitate a variabilelor de decizie ceea ce ne duce
la concluzia ca pe noi ne va interesa doar ce se întâmplă in cadranul I (acolo unde atât valorile lui x cat si
cele ale lui y - sunt pozitive)
EXEMPLUL 1
x + y ≤ 80
x ≥ 0; y ≥ 0
x + y ≤ 80 x + y = 80
Mai departe trebuie sa determinam coordonatele de intersecție intre dreptele de ecuație determinate
anterior si axele OX si OY.
Observație: Punctele de coordonate P (x, y) , au intotdeauna valoarea lui x in stanga, in paranteza, iar
valoarea lui y este cea din dreapta!
(înlocuim y = 0 ) (înlocuim x = 0 )
2x + y ≤ 100 2x + y = 100 (50, 0) (0, 100)
Cu ajutorul celor 4 puncte (figura 1) (doua pentru prima dreapta A (50, 0) ; B(0, 100) , doua pentru cea de-a
doua C (80, 0) ; D(0, 80) ) desenam cele 2 drepte in primul cadran al sistemului de axe XOY (figura 2).
Putem nota cu d respectiv d cele 2 drepte, si scriem acest lucru in reprezentarea grafica, ca sa nu
1 2
Care este regiunea de interes /zona comuna rezultata din reprezentarea constrângerilor noastre?
Din punct de vedere geometric, regiunea de interes este data de zona comuna rezultata din reprezentarea
(in)ecuațiilor in sistemul de axe a tuturor celor 4 constrângeri exprimate in exemplul nostru.
puncte (planul deasupra sau dedesubt delimitat de dreapta de ecuatie d ); x ≥ 0 (a treia inecuatie) ne
2
ofera o alta multime (planul de la dreapta axei OY, acolo unde avem valori pozitive ale lui x ); y ≥ 0 (a patra
inecuatie) ne ofera o alta multime (planul de deasupra axei OX, acolo unde avem valori pozitive ale lui y ).
Intersectand aceste 4 multimi (=planuri) obtine o zona comuna, si anume, regiunea de interes
Obs: Mai spunem de asemenea ca orice punct din zona de interes satisface condițiile impuse de
constrângerile noastre.
Din celelalte 2 constrângeri (reprezentate de noi prin d 1, d2 ) reducem si mai mult zona solutiilor fezabile.
cadranul I in 2 zone - tot ce e sub dreapta, spre Origine si tot ce este peste dreapta, departandu-se de
origine (spre valori mari ale lui x si y ). Solutia cautata de noi, putem spune in acest moment ca, se poate
afla in oricare din cele 2 zone. Pentru a stabili totusi care este zona "corecta" (care va forma regiunea de
interes), este suficient sa luam un punct, la intamplare, pe care il numim deobicei "punct de test" si sa
studeim daca satisface sau nu inecuatia noastra.
Sa luam mai întâi un punct din prima zona (cea de sub dreapta, spre origine). Fie el (10,10)*
*puteți lua efectiv orice punct vreți voi (cu orice coordonate) atâta timp cat se afla cu adevărat in zona pe
care ați stabilit-o.
2 ∗ 10 + 10 ≤ 100 ⇔ 30 ≤ 100 , ceea ce este adevarat! 30 este intr-adevar mai mic sau egal cu 100.
Atunci când obținem un adevăr spunem ca acea zona (din care face parte punctul de test) este zona
"corecta", zona care conține soluții posibile pentru problema noastră.
Daca ne-am opri acum, zona soluțiilor posibile delimitate de cadranul I si prima inecuație ar fi reprezentata
prin triunghiul DOC (vezi figura 2). Pana aici nu avem niciun motiv sa credem ca acest lucru nu este adevărat.
Daca ne uitam însă in enunțul problemei, știm ca mai avem o constrângere definita prin d 2
cadranul I in 2 zone - tot ce e sub dreapta, spre Origine si tot ce este peste dreapta, departandu-se de
origine (spre valori mari ale lui x si y ). Soluția căutată de noi, putem spune in acest moment ca, se poate
afla in oricare din cele 2 zone. Pentru a stabili totuși care este zona "corecta" (care va forma regiunea de
interes), este suficient sa luam un punct, la întâmplare, pe care îl numim de obicei "punct de test" si sa
studiem daca satisface sau nu inecuația noastră.
Putem folosi același punct de test ca si la prima dreapta (10,10), si înlocuim la fel coordonatele însă in
inecuația cealaltă:
10 + 10 ≤ 80 ⇔ 20 ≤ 80 , ceea ce este de asemenea adevarat! 20 este mai mic sau egal cu 80.
Pentru ca avem un adevăr, spunem ca acea zona (din care face parte punctul de test) este zona "corecta",
zona care conține soluții posibile pentru problema noastră. Si in acest caz, zona spre origine este cea
corecta.
Daca ne-am uita numai la inecuația 2, ignorând complet inecuația 1, zona soluțiilor posibile determinate de
cadranul I si a doua inecuație ar fi reprezentata prin triunghiul BOA (vezi figura 2).
Noi nu putem însă ignora niciuna din cele 4 constrângeri si astfel obținem faptul ca zona de interes (finala)
este delimitata de punctele: D, P , A, O (in figura 3 este zona hasurata)
D, A = au fost deja determinate in tabelul de mai sus
P = singurul punct "nou", al cărui coordonate nu le cunoaștem încă. Ce putem observa din grafic este ca
P = d ∩ d
1 2 - adica P se afla la intersectia celor 2 drepte
⇒ P (20, 60)
Putem spune ca orice punct din zona de interes reprezintă o soluție fezabila pentru problema noastră. Cu
alte cuvinte, coordonatele oricărui punct din zona de interes (exprimate prin (x, y) ) vor verifica oricare din
cele 4 inecuatii din problema noastra.
Pe noi însă ne interesează cea mai buna soluție, adică soluția optima.
Pentru ca zona de interes cuprinde o mulțime de puncte (care satisfac datele problemei noastre) si deci prea
multe pentru a le testa pe toate in căutarea noastră a soluției perfecte, vom folosi in continuare teorema
colturilor pentru a restrânge numărul acestora.
Teorema 1:
Fie "R " - zona de interes (numita si zona fezabila)
Fie "z = ax + by " - functia obiectiv
Atunci când z are o valoare optima, unde x si y sunt variabilele care se supun constrangerilor din problema,
atunci valoarea optima se determina intr-unul din colturile zonei de interes.
Obs.
In practica, zona de interes poate sa fie reprezentata printr-un poligon închis (ex. Triunghi, trapez, etc) sau
printr-un poligon deschis (zona comuna a tuturor constrângerilor nu se "închide").
Teorema 2:
Fie "R " - zona de interes (numita si zona fezabila)
Fie "z = ax + by " - functia obiectiv
Daca "R " este un poligon inchis atunci valoarea lui z are atat un maxim cat si un minim in interiorul lui R
(intr-unul din colturile ce delimiteaza R )
Daca ne uitam in continuare la valorile corespunzătoare ale lui z , observam ca avem un maxim (2500 in
punctul A) si un minim (0 in origine).
Obs. Atenție… nu toate problemele vor avea minimul 0 in origine!. Exista si probleme care vor avea zona de
interes undeva "mai central" in cadranul I.
Luam in continuare coordonatele celor 4 puncte (D, P , A, O ) care au delimitat zona de interes si le vom
inlocui, pe rand, in functia noastra obiectiv z . z = 50x + 18y
Evaluam valorile astfel obținute si determinam cea mai buna soluție pentru problema noastră
A(50, 0) z = 50 ∗ 50 + 18 ∗ 0 = 2500
Cum obiectivul nostru era sa maximizam z , ajungem la concluzia ca pentru x = 50, y = 0 (punctul A ) am
obtinut cea mai mare valoarea a lui z , si anume z = 2500
EXEMPLUL 2
x + 2y ≥ 10
x ≥ 0; y ≥ 0
x + 2y ≥ 10 x + 2y = 10
Mai departe trebuie sa determinam coordonatele de intersecție intre dreptele de ecuație determinate
anterior si axele OX si OY.
Observație: Punctele de coordonate P (x, y) , au intotdeauna valoarea lui x in stanga, in paranteza, iar
valoarea lui y este cea din dreapta!
(înlocuim y = 0 ) (înlocuim x = 0 )
2x + y ≥ 8 2x + y = 8 (4, 0) (0, 8)
x + 2y ≥ 10 x + 2y = 10 (10, 0) (0, 5)
Cu ajutorul celor 4 puncte (figura 4) (doua pentru prima dreapta A (4, 0) ; B(0, 8) , doua pentru cea de-a
doua C (10, 0) ; D(0, 5) ) desenam cele 2 drepte in primul cadran al sistemului de axe XOY (figura 5).
Putem nota cu d respectiv d cele 2 drepte, si scriem acest lucru in reprezentarea grafica, ca sa nu
1 2
Din punct de vedere geometric, regiunea de interes este data de zona comuna rezultata din reprezentarea
(in)ecuațiilor in sistemul de axe a tuturor celor 4 constrângeri exprimate in exemplul nostru.
Din celelalte 2 constrângeri (reprezentate de noi prin d 1, d2 ) reducem si mai mult zona solutiilor fezabile.
cadranul I in 2 zone - tot ce e sub dreapta, spre Origine si tot ce este peste dreapta, departandu-se de
origine (spre valori mari ale lui x si y ). Solutia cautata de noi, putem spune in acest moment ca, se poate
afla in oricare din cele 2 zone. Pentru a stabili totusi care este zona "corecta" (care va forma regiunea de
interes), este suficient sa luam un punct, la intamplare, pe care il numim deobicei "punct de test" si sa
studeim daca satisface sau nu inecuatia noastra.
Sa luam mai întâi un punct din prima zona (cea de sub dreapta, spre origine). Fie el (2,2)*
*puteți lua efectiv orice punct vreți voi (cu orice coordonate), doar sa fiți atenți unde anume se afla in
sistemul de axe.
2∗2+2 ≥ 8 ⇔ 6 ≥ 8 , ceea ce NU este adevarat (=FALS)! 6 nu este mai mare sau egal cu 8.
Atunci când obținem un FALS spunem ca acea zona (din care face parte punctul de test) nu este zona
"corecta"; aceasta zona nu are cum sa conțină soluții posibile pentru problema noastră.
Mai departe, daca am determinat zona care nu e buna (cea in care se afla punctul de test), înseamnă ca
zona "corecta" este de partea cealaltă a dreptei (cea deasupra, care se îndepărtează de origine).
Daca ne-am opri acum, zona soluțiilor posibile delimitate de cadranul I si prima inecuație ar fi reprezentata
printr-un poligon deschis care are ca limite punctele B si A (vezi figura 6).
cadranul I in 2 zone - tot ce e sub dreapta, spre Origine si tot ce este peste dreapta, departandu-se de
origine (spre valori mari ale lui x si y). Solutia cautata de noi, putem spune in acest moment ca, se poate afla
in oricare din cele 2 zone. Pentru a stabili totusi care este zona "corecta" (care va forma regiunea de
interes), este suficient sa luam un punct, la intamplare, pe care il numim deobicei "punct de test" si sa
studeim daca satisface sau nu inecuatia noastra.
Putem folosi același punct de test ca si la prima dreapta (2,2), si înlocuim la fel coordonatele însă in
inecuația cealaltă:
2 + 2 ∗ 2 ≥ 10 ⇔ 6 ≥ 10 , ceea ce din nou este FALS! 6 nu este mai mare sau egal cu 10.
Pentru ca avem un fals, spunem ca acea zona (din care face parte punctul de test) este zona "incorecta",
este zona care nu poate conține soluțiile noastre posibile.
Unde se afla de fapt punctul de test (2,2)? Este sub dreapta nu?
Pai si atunci daca noi acolo am stabilit ca este zona "incorecta" înseamnă ca zona "corecta" este deasupra
dreptei (vezi figura 7)
Daca ne-am uita numai la inecuația 2, ignorând complet inecuația 1, zona soluțiilor posibile determinate de
cadranul I si a doua inecuație ar fi reprezentata tot de un poligon deschis delimitat de punctele C si D
Noi nu putem însă ignora niciuna din cele 4 constrângeri si astfel obținem faptul ca zona de interes (finala)
este delimitata de punctele: B, P , C (in figura 8 este zona hasurata)
B, C = au fost deja determinate in tabelul de mai sus
P = singurul punct "nou", al cărui coordonate nu le cunoaștem încă. Ce putem observa din grafic este ca
P = d ∩ d
1 2 - adica P se afla la intersectia celor 2 drepte.
⇒ P (2, 4)
Putem spune ca orice punct din zona de interes reprezintă o soluție fezabila pentru problema noastră. Cu
alte cuvinte, coordonatele oricărui punct din zona de interes (exprimate prin (x, y) ) vor verifica oricare din
cele 4 inecuații din problema noastră.
Pe noi însă ne interesează cea mai buna soluție, adică soluția optima.
Pentru ca zona de interes cuprinde o mulțime de puncte (care satisfac datele problemei noastre) si deci prea
multe pentru a le testa pe toate in căutarea noastră a soluției perfecte, vom folosi in continuare teorema
colturilor pentru a restrânge numărul acestora.
Luam in continuare coordonatele celor 3 puncte (B, P,C ) care au delimitat zona de interes si le vom
inlocui, pe rand, in functia noastra obiectiv z . z = 50x + 70y
Evaluam valorile astfel obținute si determinam cea mai buna soluție pentru problema noastră
B (0, 8) z = 50 ∗ 0 + 70 ∗ 8 = 560
P (2, 4) z = 50 ∗ 2 + 70 ∗ 4 = 380
C (10, 0) z = 50 ∗ 10 + 70 ∗ 0 = 500
Concluzii
Metoda grafica de rezolvare a problemelor de programare lineara ne poate furniza o zona de interes
(poligon închis sau deschis). Aceasta zona se determina ca intersecția a planelor "corecte" delimitate de
(in)ecuațiile oferite de problema (=constrângerile).
In exemplul 1 observam ca zona de interes este de fapt un poligon închis iar in exemplul 2 un poligon
deschis.
Am aflat de asemenea ca metoda grafica are asociata 2 teoreme care ne ajuta sa determinam soluția optima
a oricărei probleme de programare lineara. Soluția optima are ca punct de plecare teorema colturilor, după
care in funcție de valorile pe care le obținem (înlocuind coordonatele colturilor in funcția obiectiv z )
determinam minimul sau maximul problemei.
In cazul problemelor care ne oferă o zona de interes sub forma unui poligon deschis (pe baza teoremei 2)
mai spunem ca:
M reprezintă valoarea maxima a lui z , daca semiplanul deschis determinat de inecuația ax + by > M nu
are niciun punct comun cu regiunea de interes. Altfel, z nu are valoare maximala
m reprezintă valoarea minima a lui z , daca semiplanul deschis determinat de inecuația ax + by < m nu
are niciun punct comun cu regiunea de interes. Altfel, z nu are valoare minimala.
Algoritmul simplex
Thursday, December 24, 2020 16:42
Problemele de maxim și de minim apar frecvent în cele mai diferite domenii ale matematicilor pure sau aplicate.
În domeniul economic, asemenea probleme sunt foarte naturale. Astfel, firmele încearcă să maximizeze
profiturile sau să minimizeze costurile.
Programarea liniară se ocupă de o clasă specială de probleme de optimizare care apar deseori în aplicațiile
economice. Aceste probleme constau în maximizarea sau minimizarea unei funcții liniare, numită funcție
obiectiv, ale cărei variabile trebuie să satisfacă:
• un sistem de relații date sub forma unor ecuații și/sau inecuații liniare nestricte, denumite generic
restricții;
• cerința de a lua numai valori numerice nenegative (≥0).
⎧ [opt] f = f (x)
⎪
⎨ g (x) ≤ b
⎩
⎪
x ≥ 0
unde:
1) f se numește funcție obiectiv sau funcție de eficiență;
2) g = (g 1, g2 , … , gm )
t
și reprezintă un număr de m funcții, cu n variabile cu valori reale;
3) b = (b 1, b2 , … , bm )
t
și reprezintă un vector numeric real;
Definiții:
Orice soluție a sistemului de restricții g (x) ≤ b cu x ≥ 0 se numește soluție posibilă (admisibilă) a problemei.
Orice soluție posibilă a problemei care dă funcției f valoarea optimă (maximă sau minimă) cerută se numește
soluție optimă.
Notăm cu X = {x ∈ X ∣∣f (x ) = [opt} f
o
O
p
O
} mulțimea soluțiilor optime:
x∈Xp
Observație:
1. O problemă de programare liniară are optim finit unic dacă 𝓧 conține un singur element x și dacă
o
O
2. O problemă de programare liniară are optim finit multiplu dacă X conține cel puțin două elemente și
o
De exemplu, se consideră o firmă, care produce n bunuri B1,B2,...,Bn utilizând pentru aceasta m categorii de
resurse R1,R2,...,Rm (materii prime, forță de muncă, capacități de producție, combustibili și energie etc.). Se
adoptă ipoteza că tehnologia de transformare a resurselor în bunuri este liniară în sensul că:
- pentru fiecare bun, consumul dintr-o anumită resursă este direct proporțional cu cantitatea
produsă.
- consumurile dintr-o resursă sau alta nu se condiționează reciproc.
Fie atunci aij cantitatea din resursa i utilizată pentru producerea unei unități din bunul Bj, di cantitatea disponibilă
din resursa Ri și pj prețul (sau profitul) unitar al bunului Bj.
Problema constă în determinarea unei variante de fabricație care să maximizeze venitul (sau profitul) firmei.
Se notează cu xj cantitatea din bunul Bj care urmează a fi produsă. Problema enunțată mai înainte presupune
determinarea valorilor numerice x1,x2,...,xn care maximizează funcția:
⎧ a 11 x1 + a 12 x2 + … + a 1n xn ≤ d 1
⎪
⎪
⎪
⎪
a 21 x1 + a 22 x2 + … + a 2n xn ≤ d 2
⎨
⎪………………………….……………
⎪
⎪
⎩
⎪
a m1 x1 + a m2 x2 + … + a mn xn ≤ d m
și a condițiilor de nenegativitate:
x1 ≥ 0, x2 ≥ 0, … , xn ≥ 0
Definiții:
Un ansamblu de n valori numerice care satisfac restricțiile se va numi soluție a programului. Dacă în plus sunt
verificate și condițiile de nenegativitate, ansamblul se numește soluție admisibilă.
O soluție admisibilă care maximizează sau minimizează - după caz - funcția obiectiv se va numi soluție optimă.
O restricție a unei probleme de programare liniară se numește concordantă dacă este o inegalitate de tipul „≤”
când funcția obiectiv se maximizează și de tipul „≥” când funcția obiectiv se minimizează. O restricție inegalitate
care nu este concordantă se va numi neconcordantă.
Spunem că o problemă de programare liniară este în formă canonică dacă toate restricțiile ei sunt inegalități
concordante.
Observație:
Orice problemă de programare liniară se poate pune sub o formă canonică de maximizare sau minimizare, fără
modificarea mulțimii soluțiilor admisibile.
Definiție:
Spunem că o problemă de programare liniară este în formă standard dacă toate restricțiile ei sunt egalități. În
consecință, o problemă care are și restricții inegalități va fi înlocuită - în vederea rezolvării ei - cu o alta în care
toate restricțiile sunt egalități. Noua problemă, numită forma standard a problemei se construiește așa cum se
poate observa în exemplul de mai jos:
devine
Pentru rezolvarea problemelor de optimizare putem folosi suita de aplicații Microsoft Office, mai exact
EXCEL. Ca sa putem realiza acest lucru avem nevoie sa activam un add-in (o funcție suplimentara
prezenta in EXCEL dar care nu este activata in mod implicit) numit Solver
Daca totul a decurs bine, putem regăsi aceasta funcție in banda Data/Analyze/Solver
• In B2 si C2 ar trebui sa avem răspunsul nostru final - adică cate unități din x si x trebuie sa
1 2
• In A4 am putea scrie ceva care sa identifice obiectivul nostru: profit sau pierdere
• In B4 si C4 completam cu datele oferite de problema (ex. care este profitul unitar pentru produsul
x si x )
1 2
• In D3 am putea scrie ceva care sa identifice valoarea optima finala (ex. Total)
• In D4 scriem ecuația obiectiv - B4*B2+C4*C2 (profit unitar*nr unități ce urmează a fi produse).
Putem folosi si funcția SUMPRODUCT(array1,array2,...) - care face exact același lucru = însumează
produsele intre valorile variabilelor si cele ale ”profitului”. Este extrem de utila atunci când avem
multe variabile. Obs: SUMPRODUCT(B4:C4,$B$2:$C$2) - blocam linia variabilelor. Putem colora
acest câmp deoarece conține o formula, astfel putem urmări mai ușor care celule au valori si care
au formule.
• In A5, A6, A7, etc - am putea pune denumiri care sa facă referințe la constrângerile noastre.
Folosiți ceva sugestiv; de exemplu in cazul unor probleme cu restricții de greutate si timp am
putea pune kg/ore; daca vorbim de materii prime folosite in procesul de producție am putea pune
denumirea produselor; putem sa le indicam atât printr-un nume cat si prin unitatea de măsură
specifica, daca consideram necesar .. Ex Munca (ore); Lemn (kilograme); Sârmă (metrii)
• In B5, B6, B7, etc si C5, C6, C7, etc - completam valorile specifice variabilelor noastre, extrase din
constrângerile oferite de problema. Daca am reușit sa facem transcrierea matematica, in aceste
celule trecem de fapt coeficienții inecuațiilor (termenii din stânga).
• In D5, D6, D7 - ar trebui sa apară expresia efectiva a inecuațiilor constrângeri (
ax + by ≤ sau ax + by ≥ ). In practica observam ca avem exact aceeași structura ca si la
"profitul" total si anume: resurse*variabilele definite. In acest caz, putem pur si simplu copia
formula din D4 (de asta am blocat linia variabilelor definite).
• Coloana E va fi dedicata termenilor din dreapta a inecuațiilor constrângeri, practic cheia după
care ne ghidam daca răspunsurile noastre sunt corecte (după ce vom afla valorile lui x , x 1 2
verificam daca totalul respecta sau nu cerințele problemei = termenul din dreapta. In E4 am
putea scrie ceva sugestiv, gen: membru drept).
După ce am introdus toate datele din problema noastră, trecem la utilizarea Solver-ului. In banda
Data/Analysis/Solver îl activam si obținem o fereastra de opțiuni numita Solver Parameters
• Set Objective - selectam celula care conține ecuația obiectiv; la noi ar trebui sa fie D4
(=SUMPRODUCT(B4:C4,$B$2:$C$2))
• To - selectam obiectivul Max/Min după cum cere problema (obs. Se poate folosi Solver-ul si pentru
a obține o valoare anume, daca asta dorim)
• By Changing Variable Cells - selectam celulele pe care le-am desemnat de la început ca vor conține
rezultatele dorite; la noi B2:C2
• Subject to the Constrains - in aceasta zona trecem (membrul stâng al) inecuațiile specifice
constrângerilor, așa cum au fost ele definite in problema. Apăsăm Add iar in fereastra care apare
”Add Constraint” completam in ”Cell Reference” celula specifica din coloana D (la noi), apoi
selectam ≤ sau ≥ dupa cum ne dicteaza problema, iar in "Constraint" selectam valoarea
limita a (membru drept al) inecuatiei adica celula specifica din coloana E (la noi). Atenție! La
Constraint indicați adresa si nu tastați valoarea dorita!. Asemănător, pe rând, adăugați toate
constrângerile indicate de problema.
Obs. In cazul in care avem mai multe constrângeri cu aceeași orientare (mai multe inecuații cu ≤
sau mai multe cu ≥ ), putem sa scutim din munca - in loc sa le adăugăm pe rând - adăugându-le pe
toate o data. In campul Cell Reference selectam toate celulele specifice constrangerilor (la noi, din
coloana D, gen D5:D7) iar la Constraint la fel doar ca luam coloana (la noi) E (ex E5:E7)
Obs. Deși avem aceasta opțiune care instruiește funcția sa lucreze doar cu variabile pozitive (așa
cum se cere, de fapt, in problemele de programare lineara), se recomanda sa fie totuși adăugate si
acestea, manual, in zona specifica constrângerilor .. si anume: B2:C2 >= 0 (de data asta scriem
efectiv "zero")
Obs. Odată cu apariția valorilor optime in celulele specifice variabilelor puteți observa ca si valorile
calculate ale constrângerilor se vor adapta corespunzător. Practic, pe coloana D (la noi) vom avea atât
valoarea de optim (maxim profit sau minim costuri) cat si termenul drept al inecuațiilor conform
valorilor obține. Ochiometric putem compara cu coloana E (la noi) unde avem valorile impuse de
problema.
Metoda
grafica -
Pentru rezolvarea problemelor de optimizare putem folosi suita de aplicații Microsoft Office, mai exact
EXCEL. Ca sa putem realiza acest lucru avem nevoie sa activam un add-in (o funcție suplimentara
prezenta in EXCEL dar care nu este activata in mod implicit) numit Solver
Daca totul a decurs bine, putem regăsi aceasta funcție in banda Data/Analysis/Solver
Metoda
grafica -
Începem prin a defini o zona specifica variabilelor definite:
• In B1 trecem prima variabila x (cu numele sau doar notația matematica)
1
• In D1 trecem cea de a treia variabila x . Obs: Putem avea oricâte variabile; le definim in
3
produca tipografia pentru a-și putea atinge obiectivul (in cazul de fata minimizare a costurilor); se
recomanda colorarea acestor 3 celule ca sa evidentiem ca sunt variabile ce urmeaza sa fie aflate.
La noi, Exercitiul 2 este dedicat totodata si problemelor de tip ”producem noi sau cumparam?” si
astfel avem o linie suplimentara B3, C3, D3 si pentru agendele facute de altii si cumparate de
tipografie, care vor veni in completarea la ceea ce produce deja tipografia, in vederea onorarii
comenzii la timp, in limita resurselor disponibile si urmarind minimizarea costurilor (asigurand in
acelasi timp profitul maxim in urma acestei comenzi); le vom colora si pe acestea cu aceeasi
culoare
• Pe linia a 4-a vom defini numărul total de agende (fie ca ele provin din producție proprie fie prin
subcontractare) ca suma intre cate agende produce tipografia si cate vor trebui sa subcontracteze.
(=SUM(B2:B3), respectiv pentru C si D)
• Pe linia a 5-a vom trece numărul efectiv de agende pe care trebuie sa le livram pentru fiecare
model in parte conform comenzii. Obs In practica liniile 4 si 5 vor acționa la fel ca restul de
constrângeri pe care le vom menționa mai jos. In fond trebuie sa livram fix 3000 agende model 1,
2000 agende model 2 si 900 din modelul 3... Fiind ceva ce trebuie sa onoram, informația devine o
constrângere in sine.
• In A7 si A8 trecem informațiile oferite de problema: costurile de producție cat si costurile de
subcontractare, ele fiind implicate, in mode evident, in calculul nostru final, si anume in
determinarea costului total (pe care noi încercam sa-l minimizam)
• In F7 am putea scrie ceva care sa identifice obiectivul nostru: cost total
• In F8 scriem ecuația obiectiv - (B2*B7+C2*C7+D2*D7)+(B3*B8+C3*C8+D3*D8) (costul unitar*nr
unități ce urmează a fi produse/subcontractate). Putem folosi si funcția
SUMPRODUCT(array1,array2,...) - care face exact același lucru = însumează produsele intre valorile
variabilelor si cele ale ”costurilor” aferente. Aceasta funcție este extrem de utila atunci când avem
multe variabile (=SUMPRODUCT(B7:D8,B2:D3)). Putem colora acest câmp deoarece conține o
formula, astfel putem urmări mai ușor care celule au valori si care au formule.
• In A11, A12, etc - am putea pune denumiri care sa facă referințe la constrângerile noastre; la noi
sunt cele 2 procese de producție (ștanțare si printare)
• In B11, C11, D11, B12, C12, D12 - (la noi) cunoaștem cate ore sunt necesare pentru ambele
procese implicate in producția de agende; evident atunci când determinam cate agende vom
produce in final (minus ce vom cumpăra, pentru ca va fi probabil necesar) trebuie sa ținem cont de
aceste date; la fel de evident ar trebui sa fie ca in cazul agendelor subcontractate aceste informații
nu ne mai ajuta cu nimic (pe noi nu ne interesează cate ore ii sunt necesare altei tipografii sa
printeze si sa stanțeze... Pe noi nu ne va interesa decât prețul final la care trebuie sa le
achiziționam, informație deja înregistrata in linia 8 - costuri subcontractare).
• In E11, E12 - ar trebui sa apară expresia efectiva a inecuațiilor constrângeri (
ax + by ≤ sau ax + by ≥ ). In practica observam ca avem exact aceeași structura ca si la
dreapta. In E10 si F10 am putea scrie ceva sugestiv, gen: resurse folosite respectiv disponibile
(membru drept al) inecuatiei adica celulele specifice din coloana F (la noi). Atenție! La
Constraint indicați adresa si nu tastați valoarea dorita!. Asemănător, pe rând, adăugați toate
constrângerile indicate de problema.
Obs. In cazul in care avem mai multe constrângeri cu aceeași orientare (mai multe inecuații cu ≤
sau mai multe cu ≥ ), putem sa scutim din munca - in loc sa le adăugăm pe rând - adăugându-le pe toate
o data. In campul Cell Reference selectam toate celulele specifice constrangerilor (la noi, din coloana E,
gen E11:E12) iar la Constraint la fel doar ca luam coloana (la noi) F (ex F11:F2), apoi B4:D4=B5:D5... Sa nu
uitam: la noi suplimentar avem si constrangerea legata de numarul impus prin comanda din fiecare
model de agenda, deci trebuie sa avem trecute la constrangeri si liniile 3 si 4
Obs. Deși avem aceasta opțiune care instruiește funcția sa lucreze doar cu variabile pozitive (așa cum se
cere, de fapt, in problemele de programare lineara), se recomanda sa fie totuși adăugate si acestea,
manual, in zona specifica constrângerilor .. si anume: B2:D3 >= 0 (de data asta scriem efectiv "zero")
Obs. Odată cu apariția valorilor optime in celulele specifice variabilelor puteți observa ca si valorile
calculate ale constrângerilor se vor adapta corespunzător. Practic, pe coloana E (la noi) vom avea atât
valoarea de optim (maxim profit sau minim costuri) cat si termenul drept al inecuațiilor conform
valorilor obține. Ochiometric putem compara cu coloana F (la noi) unde avem valorile impuse de
problema.
Cursul 8,9,10,11
Wednesday, February 13, 2019 13:03
Lanțuri Markov
Un Model Markov caracterizează un sistem cu ajutorul a 2 variabile aleatoare: starea sistemului și timpul de observare. Cum fiecare dintre
aceste variabile aleatoare poate să fie de tip continuu (c) sau discretă (d) rezultă ca avem 4 tipuri de modele obținute din combinațiile
posibile ale celor 2 variabile aleatoare {cc, dd, cd, dc}.
• Dacă modelul este în stare discretă și timpul de asemenea discret, el se mai numește si lanț Markov
• Dacă modelul este în stare discretă dar timpul este continuu, el se mai numește si proces Markov
Caracteristica de bază a oricărui model Markov este că, dacă sistemul se află într-o stare anume la momentul t atunci probabilitatea ca
0
acesta să se afle într-o altă stare la un moment t > t depinde numai de starea care o precede și nu depinde de modul în care sistemul a
0
Cu alte cuvinte, dacă am lua în considerare un șir de numere sau o secvență de evenimente care urmează principiile următoarei scheme:
p (x5 | x4 , x3 , x2 , x1 ) = p (x5 | x4 )
Fiecare eveniment din secvență este determinat direct doar de evenimentul care s-a petrecut imediat înainte din acea secvență (din lanț!)
Definiție:
Procesele sau lanțurile Markov: sunt experimente probabilistice care evoluează în timp și în care o stare prezentă depinde într-o anumită
măsura (probabilistic) de ceea ce s-a întâmplat în trecut.
• Un lanț Markov este un proces al cărui viitor depinde de trecut într-o anumită măsură.
• Efectul acesta al trecutului asupra viitorului este modelat prin intermediul stărilor procesului; aceste stări se schimbă conform unor
probabilități date. In plus, ne vom limita, în acest curs, la procese ale căror stări pot lua un număr finit de valori.
Definiție:
i. Un lanț Markov discret cu o mulțime finita de stări este un proces stochastic (X n)
n≥1
format din variabile aleatoare
Xn : Ω → S = {s 1 , s 2 , … , sm } care au proprietatea numită a lui Markov:
De aici încolo vom considera că vorbim numai despre lanțuri Markov omogene, discrete si cu un număr finit de stări
0 1 0
⎡ ⎤
⎢ 0 0, 1 0, 9 ⎥
⎣ ⎦
0, 6 0, 4 0
Putem vizualiza mai bine un lanț Markov dacă folosim diagramele de tranziție sau matricele de tranziție.
Din reprezentarea grafică, numită diagrama de tranziție, se poate observa că orice stare următoare depinde strict doar de starea prezentă
• dacă ne aflăm în starea x atunci există o probabilitate de 0,1 ca următorul pas este să ne întoarcem tot în x și o probabilitate de 0,9
2 2
ca să ne mutăm în starea x 3
Putem extrage aceeași informație și din matricea de tranziție P. P semnifică aici probabilitatea să ne mutăm dintr-o stare x într-o stare
ij i
x .
j
Definiție:
Un lanț Markov poate fi reprezentat printr-un digraf al tranzițiilor probabilistice: nodurile reprezintă stări posibile, iar între acestea avem
arce ce semnifică probabilitățile corespunzătoare de tranziție dintr-un nod într-altul.
Exemplu:
Dacă am fixa un punct de plecare S 0 = (0, 5; 0, 2; 0, 3)
• și interpretăm astfel: Există o probabilitate de 0,5 să ne aflăm în x , o probabilitate de 0,2 să fim în x și o probabilitate de
1 2
0,3 să ne aflăm în x 3
• și interpretăm astfel: Există o probabilitate de 0,2 să ne aflăm în x , o probabilitate de 0,6 să fim în x și o probabilitate de
1 2
0,2 să ne aflăm în x 3
• S - spațiul stărilor
• p - probabilitățile de tranziție
ij
Introducere
Exemplul 1: O companie, care vinde diferite servicii, deține 10% cota de piață. In urma unei campanii de promovare,
matricea de tranziție va fi data de:
0. 8 0. 2
P = [ ]
0. 6 0. 4
Daca am nota prima linie si prima coloana cu A iar a doua linie respectiv a doua coloana cu A' putem interpreta P astfel:
a = daca persoana folosea serviciile companiei, exista acum o probabilitate de 20% sa se reorienteze catre alte
12
companii
a = daca initial o persoana nu folosea serviciile companiei exista acum o probabilitate de 60% sa se razgandeasca si
21
sa inceapa sa le foloseasca
a = daca initial o persoana nu folosea serviciile companiei exista acum o probabilitate de 40% sa continue in
22
aceeasi maniera
Spunem astfel ca matricea de tranziție este formata din probabilitățile asociate mutării sau rămânerii dintr-o stare in alta
(este client al companiei X | nu este client al companiei X).
Ce s-ar întâmpla daca probabilitățile din matricea de tranziție P ar rămâne constante de-a lungul unei perioade lungi de
timp? Ce efect ar avea campanie de promovare, pe termen lung, asupra cotei de piață?
Pentru a răspunde la aceste întrebări sa fixam câteva elemente (care pot fi extrase din enunț):
unde:
○ 0.1 = 10% cota de piață deținută de compania noastră
○ 0.9 = 90% cota de piață deținută de competitori
Fie P matricea de tranziție de la o stare la alta, care ar rămâne constanta de-a lungul timpului (așa cum este indicat in
întrebare)
Folosind o componenta de timp, putem considera S = starea situatiei dupa 1 unitate de timp (putem vorbi de luna, semestru,
1
an, etc)
Avem:
0. 8 0. 2
S1 = S0 ∗ P = [0. 1 0. 9] ∗[ ] = [0. 62 0. 38]
0. 6 0. 4
Dar daca campania ar continua, ne punem întrebarea ce s-ar întâmpla după încă o unitate de timp!?
Avem:
0. 8 0. 2
S2 = S1 ∗ P = [0. 62 0. 38] ∗[ ] = [0. 724 0. 276]
0. 6 0. 4
Dar daca am continua experimentul nostru, pentru 3, 4, 5, … unități de timp. Ce s-ar întâmpla?
Ce observam!?
Vedeți cum cota de piață continua sa crească, dar pare sa fi încetinit teribil!? Observați o tendință de a se apropia de 75%,
dar parca nu vrea sa fie fix 75%!? Poate daca va uitați la competitori, observați cum cota lor desi e in scădere parca s-ar
stabiliza totuși undeva la 25%
Putem spune in concluzie ca matricea S ( a starilor) se apropie din ce in ce mai mult de o matrice cu valorile
[0. 75 0. 25]
Ca un experiment suplimentar … ce ar fi sa înmulțim aceasta matrice a stărilor (S) cu matricea de tranziție (P) - pe care sa
nu uitam ca am fixat-o constanta de-a lungul timpului.
0. 8 0. 2
S ∗ P = [ 0. 75 0. 25] ∗ [ ] = [ 0. 75 0. 25] = S
0. 6 0. 4
Definiție:
Numim matricea S, o matrice staționară, in care consideram ca sistemul studiat (in acest caz, lanțul Markov) a ajuns la o
stare de echilibru (adică nu mai modifica cu trecerea timpului)
Mai exact, in exemplul nostru, existența lui S ne spune ca ponderea serviciilor companiei X, pe piață, in urma unei campanii
de promovare, după o perioada de timp se stabilizează la 75% respectiv 25% pentru competitori, din clipa in care ajungem
la aceste valori → nici nu mai castiga dar nici nu va mai pierde din cota de piata.
Reflecții finale
Oare orice lanț Markov are o unică matrice staționară? (adică orice LM are matrice staționară? Iar daca ea există, este
unică?
Dacă un lanț Markov are o unică matrice staționară, atunci oare matricele stărilor succesive se vor apropia întotdeauna de
această matrice staționară? (adică S , S , S , … . S → S ?)
1 2 3 n
Definiții:
Spunem că o matrice de tranziție P, este primitivă dacă o putere a lui P conține numai valori (strict) pozitive [sau dacă
există o putere a lui P strict pozitivă]
Spunem că un lanț Markov este un lanț Markov Simplu dacă matricea proprie de tranziție - P, este primitivă.
Răspuns:
a. P are toate elementele strict pozitive (se observă că nici un element al lui P nu este egal cu zero; numerele negative
1 1
nici nu intră în discuție pentru că matricele de tranziție sunt niște matrice care lucrează cu probabilități, și după cum
bine știm probabilitățile pot lua valori doar în intervalul [0,1])
b. P are două elemente egale cu zero (p = 0 și p = 0 ). Astfel, la prima vedere putem spune că nu este o matrice
2 11 22
primitivă, însă definiția ne zice și de puterile lui P. Cu alte cuvinte considerăm că P = P , și continuăm să studiem și 1
2 3
P , P ,…
0 1 0 1 1 0
P
2
2
= [ ]∙[ ] = [ ] = I2 ⇒ adică după cum se poate observa din calcul P 2
2
= I2 (matricea identitate)
1 0 1 0 0 1
și astfel nici P nu este primitivă. Continuăm să ne uităm la puteri mai mari ale lui P, și anume P
2
2
3
În cazul nostru, pentru calculul lui P mergând pe definiția matricelor la puterea n, avem: P
3
2
3
2
= P
2
2
∙ P2
A ∙ In = In ∙ A = A
1 ⋯ 0
⎡ ⎤
In =
⎢
⎢ ⋮ ⋱
⎥
⋮ ⎥
se numește matrice identitate acea matrice care are 1 pe diagonala principală iar în rest toate
⎣ ⎦
0 ⋯ 1
P
3
2
= P
2
2
∙ P 2 = I2 ∙ P 2 = P 2 , deci și P 2
3
= P2 (și nici asta nu e primitivă)
P
4
2
= P
2
3
∙ P2 = P2 ∙ P2 = P
2
2
= I2 , deci P
2
4
= I2 (și nici asta nu e primitivă)
0, 2 0, 8 0, 2 0, 8 0, 84 0, 16
2
P = P3 ∙ P3 = [ ]∙[ ] = [ ]
3
1 0 1 0 0, 2 0, 8
Observăm că este suficient, toate elementele ale lui P sunt strict pozitive, concluzionăm că P este primitivă
2
3
3
Observații:
Dacă P are toate elementele strict pozitive, spunem că P este primitivă; dacă nu -
1
Dacă P are cel puțin un element egal cu zero, nu spunem nimic ci ne apucăm să calculăm P - dacă toate elementele lui
1 2
dacă are toate elementele egale cu zero atunci P este primitivă; - dacă cel puțin un element este egal cu zero atunci P
nu este primitivă
La nivel de clasa a XI-a ați învățat să calculați puteri ale unei matrice, din ce în ce mai mari, până când vă ”prindeați” de
P ; recomandarea era să tot faceți puteri ale lui P până vă ”prindeți”.
n
2. Plecând de la orice matrice a stării inițiale S , matricele stărilor succesive S 0 1, S2 , … , Sk se apropie de matricea
staționară S (matematic spus S → S ) k
− −
3. Puterile lui P, P se apropie de o matrice limită (notată cu P ) , unde fiecare linie a lui P sunt egale cu cele ale
k
matricei staționare S
0, 6 0, 4
Exemplul 3: Fie P o matrice de tranziție a unui lanț Markov, P = [ ] . Să se determine matricea staționară S?
0, 2 0, 8
Răspuns:
Dacă am fi avut matricea stărilor inițiale S dată, am fi putut determina matricele stărilor succesive S , S , … , S cu
0 1 2 k
ajutorul formulei S = S ∙ P , și dacă am fi avut noroc am fi ”observat” matricea staționară S (pe care ulterior am fi
n n−1
Alternativ, de ce să nu folosim proprietățile LMS (prima proprietate)? - Păi ... Nu știm dacă în enunțul nostru avem de a
face cu un LMS
0, 6 0, 4
Să analizăm P: P = [ ] se observă că are toate elementele strict pozitive și deci P este primitivă. Atunci știm că
0, 2 0, 8
lanțul nostru Markov este unul simplu, și deci putem să ne folosim de proprietatea 1
Cum P este o matrice de tipul (2, 2) , iar matricele stărilor (inclusiv cea staționară) sunt matrice linie + regula de inmulțire a
matricelor obținem (obligatoriu) că S ∙ P = S ⇔ (1, 2) ∙ (2, 2) = (1, 2) , astfel S este o matrice linie cu coloane (adică
o matrice de tipul (1, 2) )
0, 6 0, 4
Notăm cu x și y cele două elemente ale lui S, astfel încât să rescriem proprietatea astfel: [x y] ∙ [ ] = [x y]
0, 2 0, 8
Cum și matricele stărilor (inclusiv cea staționară) sunt tot matrice cu elemente exprimate prin probabilități, avem
proprietatea:
• Suma pe linie a elementelor matricelor (toate tipurile predate la capitolul Lanțuri Markov) trebuie să fie egale cu 1.
∑ pi∙ = 1
i
Conform proprietății matricelor: Două matrice A și B sunt egale dacă și numai dacă elementele lor corespunzătoare sunt
egale, obținem:
⎧ 0, 6x + 0, 2y = x
⎪
0, 6x + 0, 2y = x
{ la care adăugăm și x + y = 1 ⇒ ⎨ 0, 4x + 0, 8y = y
0, 4x + 0, 8y = y ⎩
⎪
x+ y = 1
Rezolvăm sistemul prin metoda substituției plecând întotdeauna de la ecuația a 3-a, unde îl scoate pe x și apoi înlocuim în
oricare din celelalte două ecuații ale sistemului:
OBS: În practică e mai bine să lucrăm cu fracții, măcar la calculul final, pentru că un răspuns aproximativ (cu virgulă) nu
este satisfăcător în acest capitol.
4
0, 4 10
4 2 2
Astfel: y = = = = ⇒ y =
6
0, 6 6 3 3
10
2 1
Cu y obținut ne întoarcem în ecuația a 3-a și îl determinăm și pe x: x = 1 − y ⇔ x = 1 − =
3 3
1
⇒ x =
3
1 2
Cu x și y aflați putem în sfârșit să răspundem la cerința exercițiului astfel: S = [ ]
3 3
Exemplul 4: Un nou sistem rapid de transport (metrou!?) a intrat în funcțiune într-un oraș. În prima lună de operare 25%
din locuitori au început să-l folosească, în timp ce 75% au preferat să utilizeze vechile sisteme (tramvai, autobuz, mașină
proprie).
Matricea de tranziție a fost determinată conform datelor colectate de la alte sisteme de transport, asemănătoare, sau din alte
orașe. Astfel:
0, 8 0, 2
P = [ ]
0, 3 0, 7
Determinați următoarele:
a. Matricea stării inițiale S 0
b. Ce procent de persoane vor folosi noul sistem rapid de transport după o lună?
c. Dar după două?
d. Să se determine procentul de locuitori folosind toate mijloacele de transport disponibile după o perioadă lungă de
timp
Răspuns:
a. Din enunțul problemei extragem matricea stării inițiale S = [0, 25 0, 75] . Fixăm astfel cei 25% = 0, 25 locuitori
0
care folosesc noul sistem rapid de transport, în timp ce 75% = 0, 75 cei care nu folosesc noul sistem (dar folosesc
alte sisteme)
b. Dacă am considerat S = [0, 25 0, 75] matricea stării inițiale, atunci spunem că două o (altă) lună avem S care
0 1
0, 8 0, 2
S1 = S0 ∙ P = [ 0, 25 0, 75] ∙ [ ] = [ 0, 425 0, 575]
0, 3 0, 7
Interpretare: după 1 lună 42,5% din locuitori folosesc noul sistem, în timp ce 57,5% au rămas la vechile sisteme
0, 8 0, 2
S2 = S1 ∙ P = [ 0, 425 0, 575] ∙ [ ] = [ 0, 5125 0, 4875]
0, 3 0, 7
Interpretare: după 2 luni 51,25% din locuitori folosesc noul sistem, în timp ce 48,75% au rămas la vechile sisteme.
Observăm că ponderea celor care preferă noul sistem a crescut la 3 luni după introducerea lui (prima luna ne-a dat S 0
observa că preferințele se stabilizează (la fel cum am realizat exemplul 1 din acest capitol)
Însă! Dacă ne uităm la P, observăm imediat că este o matrice primitivă și deci știm că avem de-a face cu un LMS,
astfel putem să ne folosim de proprietatea 1 pentru a determina matricea staționară
OBS. Dacă nu este clar până în acest punct, matricea staționară reprezintă acea matrice (succesivă) care nu-și mai
modifică elementele (probabilitățile) după oricâte unități de timp ar trece. Deci S → S n
Cum P este o matrice de tipul (2, 2) iar S este o matrice linie, observăm că S trebuie să fie de tipul (1, 2) conform
regulii de înmulțire a matricelor. Astfel:
Fie
⎧ 0, 8x + 0, 3y = x
⎪
0, 8 0, 2
S = [x y] ⇒ S ∙ P = S ⇔ [x y] ∙ [ ] = [x y] ⇔ ⎨ 0, 2x + 0, 7y = y ⇒ x = 1−y înlocuim în ec. 1 ⇒
0, 3 0, 7 ⎩
⎪
x+ y = 1
0, 8 ∙ (1 − y) + 0, 3y = 1 − y ⇔ 0, 8 − 0, 8y + 0, 3y = 1 − y ⇔ −0, 8y + 0, 3y + y = 1 − 0, 8 ⇒ 0, 5y = 0, 2 | : (0, 5)
0, 2
y = ⇒ y = 0, 4 ⇒ x = 1 − y ⇔ x = 1 − 0, 4 ⇒ x = 0, 6
0, 5
Astfel: S = [0, 6 0, 4]
Interpretare: Pe termen lung, ne așteptăm ca 60% din locuitori să folosească noul sistem rapid de transport iar 40% să
continue să folosească celelalte sisteme.
Definiții:
O stare într-un lanț Markov se numește stare absorbantă/atractoare dacă p ii = 1 . Odată intrat într-o stare absorbantă ea nu mai
poate fi părăsită
Matricea de tranziție P se numește ergodică dacă puterile ei tind la o matrice cu toate liniile identice.
Observație:
La fel ca și Lanțurile Markov Simple, lanțurile Markov absorbante au proprietatea că puterile matricei de tranziție se apropie de
−
matricea limită (P → P ) k
Exemplul 1: Identificați dacă există stări absorbante pentru următoarele matrice de tranziție:
1 0 0 0 0 1
⎡ ⎤ ⎞ ⎡ ⎤
a. P1 = ⎢ 0, 3 0, 7 0 ⎥; b⎟ P 2 = ⎢ 0 1 0⎥
⎣ ⎦ ⎠ ⎣ ⎦
0 0, 2 0, 8 1 0 0
Răspuns:
a. Dacă analizăm matricea P , observăm că p 1 11 = 1, p22 = 0, 7, p33 = 0, 8 . Cum p 22 și p33 sunt diferite de 1
⇒ p = 1 singura stare absorbantă
11
Interpretăm
A B C • Dacă ești în starea A ai o probabilitate de 100% să rămâi în starea A și de
A 1 0 0
0% să te muți în starea B sau C. Putem spune că rămânem ”blocați” în
P1 = starea A și deci A este o stare absorbantă;
B 0, 3 0, 7 0
• Dacă ești în starea B ai o probabilitate de 30% să te muți în starea A, o
C 0 0, 2 0, 8
probabilitate de 70% să rămâi în B și 0% să te muți în C. Observăm că B
nu este o stare absorbantă;
• Dacă ești în starea C ai o probabilitate de 0% să te muți în A, 20% să te
muți în B și 80% să rămâi în C. Observăm că C nu este o stare absorbantă
Observație:
Întotdeauna citim matricele de la stânga la dreapta, de sus în jos .. Ceea ce corespunde cu ”citirea” axei timpului, dinspre trecut în
prezent (sau din prezent în viitor).
b. Dacă analizăm matricea P , observăm că p 2 22 = 1, p11 = p33 = 0 . Cum p 11 și p33 sunt diferite de 1
⇒ p22 = 1 singura stare absorbantă
Interpretăm
• Dacă ești în starea A ai o probabilitate de 0% să rămâi în starea A, 0% să
te muți în starea B și 100% să te muți în C. Deci A nu este o stare
absorbantă;
Concluzie:
Dacă ai 1 pe diagonala principală (pe oricare poziție) spunem că avem stări absorbante
Observații:
Prezența unei stări absorbante într-o matrice de tranziție nu ne garantează că puterile lui P se vor apropia de o matrice
limită și nici că matricele stărilor dintr-un lanț Markov s-ar apropia de matricea staționară
Proprietate:
Pentru ca o matrice de tranziție P a unui lanț Markov, cu una sau mai multe stări absorbante, să aibă o matrice limită
trebuie ca lanțul să fie unul absorbant
Definiție:
Un lanț Markov este un Lanț Markov Absorbant dacă:
• Există cel puțin o stare absorbantă
• Există posibilitatea să treci din fiecare stare non-absorbantă către cel puțin o stare absorbantă într-un număr finit de
pași.
O diagramă de tranziție este o reprezentare grafică de tip grafuri. Din punct de vedere matematic, un graf este o structură
care corespunde unui grup de obiecte, în care unele perechi de obiecte sunt într-un anumit sens "legate" reciproc.
Obiectele corespund unor abstracții matematice numite noduri/vârfuri (numite și puncte) și fiecare legătură dintre
perechile de obiecte asociate se numește muchie (numită și arc sau linie, prin care este și reprezentată). De obicei, un graf
este reprezentat în formă schematică ca un set/grup de puncte pentru noduri, iar aceste sunt unite două câte două de linii
sau curbe pentru muchii. În cazul lanțurilor Markov, graful este unul orientat, adică ținem cont de starea din care ne
mutăm și de cea în care ajungem, prin desenarea unor vârfuri de săgeată în capătul muchiilor. Muchiile se desenează pe
baza valorilor matricei de tranziție P astfel:
desenăm muchie, dacă p ≠ 0 ij
−
P = (pij ) = {
i,j=1,n
ă
nu desen m muchie, dacăp ij = 0
Exemplul 2: Pentru matricele de tranziție de la Exemplul 1, determinați dacă P este matricea de tranziție a unui LMA
folosindu-vă de diagramele de tranziție.
a)
⎡
1 0 0
⎤ Pentru că matricea P este de ordinul 3 (3 linii și 3
1
De asemenea, stările B și C sunt stări non-absorbante, putem observa din diagramă că există o mutare din starea C în
starea B (cu o probabilitate de 0,2) dar și din B în A (cu o probabilitate de 0,3).
Cu alte cuvinte din ambele stări non absorbante B și C putem ajunge în starea absorbantă A, într-un număr finit de pași.
Din B în A, direct - adică 1 pas; iar din C în A în 2 pași - adică C → B → A ).
În acest caz putem spune că P este o matrice de tranziție a unui LMA.
1
b)
⎡
0 0 1
⎤ Pentru că matricea P este de ordinul 3 (3 linii și 3
2
De asemenea, stările A și C sunt stări non-absorbante, putem observa din diagramă că există o mutare din starea A în
starea C (cu o probabilitate de 1) dar și din C în A (cu o probabilitate de 1).
Cu alte cuvinte din ambele stări non absorbante C și A nu putem ajunge în starea absorbantă A, după ori câți pași am face.
În acest caz putem spune că P nu este o matrice de tranziție a unui LMA
2
Definiție:
O matrice de tranziție pentru un LMA este sub forma standard dacă liniile și coloanele ei sunt etichetate în așa fel încât toate procesele
absorbante preced toate stările non-absorbante
Observație:
Există posibilitatea să avem mai mult de o formă standard
Proprietate:
Orice formă standard poate fi partiționată în 4 sub-matrice, astfel:
A N
A - reprezintă toate stările absorbante;
A In ⋯ On
N - reprezintă toate stările non-absorbante;
In - reprezintă matricea identitate;
⋮ ⋮ ⋮
O -reprezintă matricea nulă;
n
Exemplul 1:
Să se scrie sub forma standard următoarea matrice de tranziție a unui LMA
0 0, 3 0, 3 0, 4
⎡ ⎤
⎢ 0 1 0 0 ⎥
P = ⎢ ⎥
⎢ ⎥
⎢ 0 0 1 0 ⎥
⎣ ⎦
0, 8 0, 1 0, 1 0
Pentru o înțelegere mai bună a ceea ce avem de făcut vă recomand să notați coloanele cu litere gen A,B,C,D⇒
A B C D
A 0 0, 3 0, 3 0, 4
P = B 0 1 0 0
C 0 0 1 0
D 0, 8 0, 1 0, 1 0
Conform definiției rescriem matricea de tranziție P, astfel încât stările absorbante B și C să preceadă stările non absorbante A și D
Observație: Între stările absorbante (respectiv non absorbante) nu contează ordinea; mai exact, nu contează dacă punem B si C sau C si
B (respectiv A si D sau D si A)
B C A D
B 1 0 0 0
P = C 0 1 0 0
A 0, 3 0, 3 0 0, 4
D 0, 1 0, 1 0, 8 0
Utilitatea formei standard în cazul unei matrice de tranziție a unui LMA constă în determinarea matricei limită
Definiție:
In ⋯ On
k −
Dacă o formă standard P a unui LMA este partiționată astfel P =
⋮ ⋮ ⋮
atunci P se apropie de o matrice limită P , pe măsură
R ⋯ Q
In ⋯ On
− −1
ce k crește. Astfel P =
⋮ ⋮ ⋮
iar F = (In − Q) unde F - reprezintă matricea fundamentală a lui P.
F ∙R ⋯ On
−
Proprietăți ale lui P
−
Dacă P este o matrice de tranziție, în forma standard, a unui LMA, F este matricea ei fundamentală iar P este matricea limită, atunci:
−
1. Valoarea de pe linia i și coloana j a lui P reprezintă probabilitatea, pe termen lung, de a trece din starea i în starea j. În cazul
−
stărilor non-absorbante, aceste probabilități sunt valori care se găsesc în matricea F ∙ R folosită la formarea lui P .
2. Suma valorilor de pe fiecare linie a lui F (matricea fundamentală) reprezintă numărul mediu de încercări necesare de a trece de la
o stare non-absorbantă la o stare oarecare absorbantă.
Exemplul 1:
O bancă comercială clasifică creditele auto pe care le oferă în 4 categorii:
• Împrumuturi care au fost achitat integral și deci sunt închise ( notăm cu F - full)
• Împrumuturi încă deschise, plătite la zi și nicio rată nu a fost amânată (notăm cu G - all good)
• Împrumuturi încă deschise, care au una sau mai multe plăți amânate (notăm cu D - delayed)
• Împrumuturi încă deschise, la care clientul nu a mai plătit de o vreme care vor fi declarate împrumuturi eșuate și care vor fi
vândute către altă bancă sau către o agenție de recuperare (notăm cu B - bad)
Conform datelor înregistrate în trecut, 10% din împrumuturile G sunt plătite în avans (devin F), 80% rămân în G (ratele se achită în
continuare la termen) iar 10% devin D (împrumutați încep să-și amâne din rate).
Pentru împrumuturile din D 10% ajung să fie plătite integral (deci F), 40% se duc în G, 40% rămân în D și 10% sunt declarate proaste
(deci B)
Se cere:
a. Diagrama de tranziție a modelului
b. Pe termen lung, ce procent din împrumuturi din D ajung să fie în F
c. Pe termen lung, ce procent din împrumuturi din G ajung să fie declarate proaste (B)
d. Care este numărul mediu de luni pentru ca un împrumut din D să devină fie F fie B
Răspuns:
a)
−
b. și c) și d) se răspunde la aceste cerințe prin scrierea matricea P sub forma standard și apoi determinarea lui P
F B G D
F 1 0 0 0
B 0 1 0 0
P =
G 0, 1 0 0, 8 0, 1
D 0, 1 0, 1 0, 4 0, 4
Observație: o metodă de verificare necesară (dar nu și suficientă) este să adunăm elementele pe linie și să vedem dacă ne dă 1.
Reamintim că ∑ p = 1 i
i∙
0, 1 0 0, 8 0, 1
R = ; Q =
0, 1 0, 1 0, 4 0, 4
−
Conform proprietății 1, avem nevoie de matricea fundamentală pentru a-l determina pe P
−1
Pornim de la formula matricei fundamentale: F = (I − Q) n
1 0 0, 8 0, 1 0, 2 −0, 1
I2 − Q = [ ]−[ ] = [ ]
0 1 0, 4 0, 4 −0, 4 0, 6
0, 2 −0, 1
⇒ de t(I2 − Q) = de t[ ] = 0, 2 ∙ 0, 6 − (−0, 1) ∙ (−0, 4) = 0, 08
−0, 4 0, 6
−1
1 0, 6 0, 1 7, 5 1, 25
⇒ F = (I2 − Q) = ∙[ ] = [ ]
0, 08 0, 4 0, 2 5 2, 5
• Determinăm în continuare F ∙R
7, 5 1, 25 0, 1 0 0, 875 0, 125
⇒ F ∙R = [ ]∙[ ] = [ ]
5 2, 5 0, 1 0, 1 0, 75 0, 25
In ⋯ On
− −
• Cu aceste elemente suntem gata să scriem P - matricea limită (conform definiției - P =
⋮ ⋮ ⋮
)
F ∙R ⋯ On
F B G D
F 1 0 0 0
− B 0 1 0 0
P =
G 0, 875 0, 125 0 0
D 0, 75 0, 25 0 0
Interpretări:
b. 75% din împrumuturile din categoria D vor fi plătite integral F (citim de la stânga -linia D, spre dreapta, căutând coloana F) (vezi
elementul p = 0, 75 ) 41
c. 12,5% din G ajung să fie considerate împrumuturi proaste și să fie vândute, B (citim de la stânga - linia G, spre dreapta, căutând
coloana B)(vezi elementul p = 0, 125 ). Dacă tot suntem aici, remarcăm și faptul că 87,5% din G ajung să fie achitate integral (
32
p31 = 0, 875)
−
d. Conform proprietății 2 a lui P : "Suma valorilor de pe fiecare linie a lui F (matricea fundamentală) reprezintă numărul mediu de
încercări necesare de a trece de la o stare non-absorbantă la o stare oarecare absorbantă” și analizând valorile lui F
7, 5 1, 25
⇒ F = [ ] observăm că:
5 2, 5
7, 5 + 1, 25 = 8, 75 (suma valorilor lui F de pe prima linie) - reprezintă: sunt necesare 8,75 luni ca un împrumut din G să ajungă în
F sau să ajungă în B
5 + 2, 5 = 7, 5 (suma valorilor lui F de pe a doua linie) - reprezintă: sunt necesare 7,5 luni ca un împrumut din D să fie plătit
G D
⎡ ⎤
Interpretarea vine din notarea liniilor și coloanelor corespunzătoare (conform P inițial) adică: F = ⎢ G 7, 5 1, 25 ⎥
⎣ ⎦
D 5 2, 5