Documente Academic
Documente Profesional
Documente Cultură
Portofoliu de Aplicatii MDFG - Pcag - Template - Sumedrea - Iulia - Elena
Portofoliu de Aplicatii MDFG - Pcag - Template - Sumedrea - Iulia - Elena
PORTOFOLIU DE
APLICAȚII
MODELAREA DECIZIEI
FINANCIARE ȘI DE GESTIUNE
2023-2024
CUPRINS
GRILA DE EVALUARE
1.1.2 Modelul
Considerăm următoarele variabile ale problemei de programare liniară:
X1 – numărul de echipamente E1;
X2 – numărul de echipamente E2;
X3 – numărul de echipamente E3.
Datele de intrare sunt organizate in tabelul următor, pentru a putea defini mai ușor
problema în QM:
1
Restricțiile PPL:
2X1 + 2X2 + 2,5X3 <= 500
1,5X1 + 2X2 + 2,5X3 <= 550
2,5X1 + 2,5 X2 + 3X3 <= 600
2X1 + 2,5X2 + 2,5X3 <= 650
X1 >= 200
X2 >= 150
X3 >= 150
Funcția obiectiv:
max 25X1 + 30X2 + 35X3
1.1.3 Rezolvarea în QM
Figura 1.1.1
2
Figura 1.1.2
Figura 1.1.3
3
Figura 1.1.4
1.1.4 Concluzii
Pe baza informațiilor prezentate, numărul de echipamente care maximizează profitul
și satisfac restricțiile de capacitate este 1344 bucăți.
4
Se cere să se decidă asupra proiectelor ce vor fi finanțate, în condițiile maximizării
VAN și încadrării în bugetul maxim alocat.
Modulul utilizat pentru rezolvarea acestei aplicații de programare liniară: Integer &
Mixed Programming din QM.
1.2.2 Modelul
Considerăm următoarele variabile ale problemei de programare liniară cu variabile
binare:
X1 = 1, dacă proiectul P1 este finanțat
0, dacă proiectul P1 nu este finanțat
X2 = 1, dacă proiectul P2 este finanțat
0, dacă proiectul P2 nu este finanțat
X3 = 1, dacă proiectul P3 este finanțat
0, dacă proiectul P3 nu este finanțat
Datele de intrare sunt organizate in tabelul următor, pentru a putea defini mai ușor
problema în QM:
Restricții / Resurse Proiecte / Variabile Disponibil
P1 P2 P3 Bugetul anual
X1 X2 X3 alocat (u.m.)
R1 Finanțare anul 1 10000 8000 14000 <= 45000
R2 Finanțare anul 2 9000 6000 10000 <= 40000
VAN proiect (u.m.) 30000 20000 35000 max
Restricțiile PPL:
1000X1 + 8000X2 + 14000X3 <= 45000
9000X1 + 6000X2 + 10000X3 <= 40000
X1, X2, X3 ∈ {0,1}
1.2.3 Rezolvarea în QM
5
Figura 1.2.1
Figura 1.2.2
6
Figura 1.2.3
Figura 1.2.4
1.2.4 Concluzii
Pe baza informațiilor prezentate, societatea Autoliv din Brașov poate finanța toate cele
3 proiecte.
7
1.3.1 Studiul de caz
O firmă de transporturi rutiere are filiale în mai multe oraşe. Lucrează pe bază de
contract pentru organizații din zonă. Firma doreşte să redistribuie o parte din contracte pentru
a corecta încărcarea inegală a echipelor de șoferi şi pentru a nu pierde clienții care au solicitat
servicii. Filialele din București şi Iași au prea multe contracte – cea din Bucureşti cu 8 în plus
şi cea din Iași cu 10 în plus. Filialele din alte oraşe sunt mai puțin încărcate şi ar putea fi
transferate: la Braşov până la 5 contracte, la Galați până la 9 contracte şi Ploieşti până la 8
contracte. Costurile suplimentare legate de execuția contractului de o altă filială (şi care vor
diminua profitul) sunt:
Brașov Galați Ploiești
București 60 80 40
Iași 90 70 120
1.3.2 Modelul
cu restricțiile:
- de disponibil de transfer:
𝑥11 + 𝑥12 + 𝑥13 = 8 (R1)
𝑥21 + 𝑥22 + 𝑥23 = 10 (R2)
- de cerere de transfer:
𝑥11 + 𝑥21 <= 5 (R3)
𝑥12 + 𝑥22 <= 9 (R4)
𝑥13 + 𝑥23 <= 8 (R5)
8
b. În ipoteza că există o evaluare a costurilor cererilor nesatisfăcute de contracte, pentru
construcția modelului introducem şi variabilele întregi:
𝑦1 - numărul de contracte ce ar mai putea fi transferate la Braşov;
𝑦2 - numărul de contracte ce ar mai putea fi transferate la Galați;
𝑦3 - numărul de contracte ce ar mai putea fi transferate la Ploieşti.
cu restricțiile:
- de disponibil de transfer:
𝑥11 + 𝑥12 + 𝑥13 = 8 (R1)
𝑥21 + 𝑥22 + 𝑥23 = 10 (R2)
- de cerere de transfer cu evidențierea cererilor nesatisfăcute:
𝑥11 + 𝑥21 + 𝑦1 = 5 (R3)
𝑥12 + 𝑥22 + 𝑦2 = 9 (R4)
𝑥13 + 𝑥23 + 𝑦3 = 8 (R5)
1.3.3 Rezolvarea în QM
a) 1. Modulul Integer & Mixed Integer Programming
Figura 1.3.1a
9
Figura 1.3.2a
Figura 1.3.3a
10
Figura 1.3.4a
a) 2. Modulul Transportation
Figura 1.3.1.1a
11
Figura 1.3.1.2a
Figura 1.3.1.3a
12
Figura 1.3.1.4a
Figura 1.3.1b
13
Figura 1.3.2b
Figura 1.3.3b
14
Figura 1.3.4b
1.3.4 Concluzii
a) Din Bucureşti transferăm 8 contracte la Ploieşti, iar din Iași transferăm 1 contract la
Braşov şi 9 contracte la Galați, iar valoarea funcției obiectiv este 1040 u.m.
Notă. Aceeaşi soluție se obține cu modulul Transportation, considerând o problemă
de transport clasică neechilibrată în care cererea > oferta.
b) Din Bucureşti transferăm 4 contracte la Braşov şi 4 contracte la Ploieşti, iar din Iași
transferăm 1 contract la Braşov şi 9 contracte la Galați, iar valoarea funcției obiectiv este
1040 u.m.
15
2. APLICATII DE MANAGEMENTUL PROIECTELOR
(PERT/CPM)
Modulul utilizat pentru rezolvarea acestei aplicații de programare liniară: Triple time
estimate din QM.
2.1.2 Modelul
Determinarea drumului critic pentru duratele incerte sau aleatoare în QM cu modulul
Project Management (PERT/CPM), cu opțiunea Three time estimate. În ecranul de creare a
setului de date alegem opțiunile regăsite în Figura 2.1.1:
Number of Activities: 10
Table Structure: Immediate predecessor list.
Datele de intrare se regăsesc în Figura 2.1.2. cu opțiunea Three time estimate.
Rezultatele soluției calculate se regăsesc în Figura 2.1.3 și Figura 2.1.4.
Rețeaua proiectului (graful de precedență) se regăsește în Figura 2.1.5.
16
Graficele Gantt (drumul critic) se regăsește în Figura 2.1.6.
2.1.3 Rezolvarea în QM
Figura 2.1.1
Figura 2.1.2
17
Figura 2.1.3
Figura 2.1.4
18
Figura 2.1.5
Figura 2.1.6
2.1.4 Concluzii
Pe baza informațiilor prezentate, drumul critic este reprezentat de activitățile 1, 4, 6, 8
și 10.
19
2.2 PERT/CPM – Bugetarea costurilor / Reducerea duratelor
2.2.2 Modelul
Pentru bugetarea costurilor, vom considera datele din coloanele Durata Realistă și
Cost activitate. Utilizăm în QM modulul Project Management (PERT/CPM), cu opțiunea
Cost Budgeting. În ecranul de creare a setului de date alegem opțiunile regăsite în Figura
2.2.1:
Number of Activities: 9
Table Structure: Immediate predecessor list.
Datele de intrare se regăsesc în Figura 2.2.2. cu opțiunea Cost Budgeting.
Rezultatele soluției calculate se regăsesc în Figura 2.2.3.
Repartizarea bugetului cel mai devreme / cel mai târziu se regăsește în Figura 2.2.4 și
2.2.5.
20
Graficul eșalonării bugetului se regăsește în Figura 2.2.6.
2.2.3 Rezolvarea în QM
Figura 2.2.1
Figura 2.2.2
21
Figura 2.2.3
Figura 2.2.4
22
Figura 2.2.5
Figura 2.2.6
2.2.4 Concluzii
Pe baza informațiilor prezentate, drumul critic este reprezentat de activitățile 1, 4, 6, 8
și 10.
23
3. APLICAȚII DE REȚELE (GRAFURI)
Modulul utilizat pentru rezolvarea problemei drumului minim: Networks din QM, cu
opțiunea Shortest Route.
3.1.2 Modelul
Pe baza rețelei de mai sus rezultă următoarele ramuri:
24
Ramura 7 3 6 3
Ramura 8 3 7 2
Ramura 9 3 8 4
Ramura 10 4 8 6
Ramura 11 5 8 1
Ramura 12 6 9 7
Ramura 13 7 9 2
Ramura 14 8 9 3
3.1.3 Rezolvarea în QM
Figura 3.1.1
25
Figura 3.1.2
Figura 3.1.3
26
Figura 3.1.4
3.1.4 Concluzii
Pe baza informațiilor prezentate, drumul cel mai scurt este cel format din ramurile 4,
11, și 14.
27
3.2 Metoda drumului minim într-un arbore extins
Modulul utilizat pentru rezolvarea problemei drumului minim într-un arbore extins:
Networks din QM, cu opțiunea Minimum Spanning Tree.
3.2.2 Modelul
Pe baza rețelei de mai sus rezultă următoarele ramuri:
28
Ramura 7 3 6 3
Ramura 8 3 7 2
Ramura 9 3 8 4
Ramura 10 4 8 6
Ramura 11 5 8 1
Ramura 12 6 9 7
Ramura 13 7 9 2
Ramura 14 8 9 3
3.2.3 Rezolvarea în QM
Figura 3.2.1
29
Figura 3.2.2
Figura 3.2.3
3.2.4 Concluzii
Pe baza informațiilor prezentate, durata cea mai scurtă de timp pentru a conecta cele 9
noduri este 17 ore.
30
4. APLICAȚII DE PREVIZIUNE
4.1.2 Modelul
Pentru analiza seriilor de timp în QM utilizăm modulul Forecasting, cu opțiunea
Time Series Analysis. În ecranul de creare a setului de date alegem opțiunea regăsită în
Figura 4.1.1:
Number of Past Periods: 12
31
b) Metoda Mediilor Mobile (Moving Averages): În ecranul de introducere a datelor,
Figura 4.1.2b, alegem opțiunea Moving Average și 3 perioade pentru media
mobilă (T = 3). Rezolvarea sintetică și prognoza se regăsesc în Figura 4.1.3b, iar
rezolvarea de detaliu și analiza erorilor se regăsesc în Figura 4.1.4b. Reprezentarea
grafică a seriei de timp și a valorilor previzionate prin metoda mediilor mobile se
regasesc în Figura 4.1.5b.
32
Figura 4.1.1a
Figura 4.1.2a
33
Figura 4.1.3a
Figura 4.1.4a
34
Figura 4.1.5a
Figura 4.1.2b
35
Figura 4.1.3b
Figura 4.1.4b
36
Figura 4.1.5b
Figura 4.1.2c
37
Figura 4.1.3c
Figura 4.1.4c
38
Figura 4.1.5c
Figura 4.1.2d
39
Figura 4.1.3d
Figura 4.1.4d
40
Figura 4.1.5d
Figura 4.1.2e
41
Figura 4.1.3e
Figura 4.1.4e
42
Figura 4.1.5e
Figura 4.1.2f
43
Figura 4.1.3f
Figura 4.1.4f
44
Figura 4.1.5f
4.1.4 Concluzii
Pe baza informațiilor prezentate rezultă următoarele:
a) Folosind Metoda Naivă - opțiunea Naive Method, florăria va avea, în luna
Ianuarie a anului următor, o cerere de 230 buchete de flori;
b) Folosind Metoda Mediilor Mobile – opțiunea Moving Averages, florăria
va avea, în luna Ianuarie a anului următor, pentru 3 perioade a mediei
mobile, o medie de 206,667 cereri;
c) Folosind Metoda Mediilor Mobile Ponderate – opțiunea Weighted
Moving Averages, florăria va avea, în luna Ianuarie a anului următor,
pentru 3 perioade a mediei mobile, o medie de 208,4 cereri;
d) Folosind Metoda Netezirii exponențiale – opțiunea Exponential
Smoothing, florăria va avea, pentru variabilele 𝑦̂1 = 110 ,𝛼 = 0.30, o
cerere de 182,681 buchete de flori;
e) Folosind Metoda Netezirii Exponențiale cu tendință – opțiunea
Exponențial Smoothing with Trend, florăria va avea, pentru valorile 𝑦̂1=
110, 𝑡𝑟𝑒𝑛𝑑1 = 0, 𝛼 = 0.30, 𝛽 = 0.10, o cerere de 186.988 buchete de flori;
f) Folosind Metoda Tendinței Liniare – opțiunea Linear Trend Line Model,
florăria va avea, în luna Ianuarie a anului următor, o cerere de 164,015
buchete de flori.
45
4.2 Modele de regresie
4.2.2 Modelul
Notăm cu:
𝑋1= participarea la activitățile didactice (număr ore / 308 ore, exprimat în %)
𝑋2= timpul alocat studiului individual (număr ore / 442 ore, exprimat în %)
𝑌= media semestrială.
Datele de intrare pentru un număr de cinci studenți sunt date în tabelul următor:
46
Figura 4.2.1
Figura 4.2.2
47
Figura 4.2.3
Figura 4.2.4
48
Figura 4.2.5
4.2.4 Concluzii
Soluția obținută arată o bună corelație (Correction coefficient = .578) între media
obținută la sfârșitul semestrului (Y) și cele două variabile independente – participarea la
activitățile didactice (X1) și timpul acordat studiului individual (X2). Polinomul de regresie
liniară multiplă este de forma:
Y = 0.02 * X1 + 0.01 X2 + 6.261.
49