Programul de master: PCAG

PORTOFOLIU DE
APLICAȚII
MODELAREA DECIZIEI
FINANCIARE ȘI DE GESTIUNE

Elaborat: Sumedrea Iulia - Elena

Anul II

2023-2024
CUPRINS

1. APLICAȚII DE PROGRAMARE LINIARĂ...............................................................1

1.1 Problema de utilizare a resurselor limitate..........................................................................1
1.2. Problema de programare liniară mixtă / binară.................................................................5
1.3. Problema de transport........................................................................................................9
2. APLICATII DE MANAGEMENTUL PROIECTELOR (PERT/CPM).....................18
2.1 PERT/CPM – Durate aleatoare.........................................................................................18
2.2 PERT/CPM – Bugetarea costurilor / Reducerea duratelor...............................................23
3. APLICAȚII DE REȚELE (GRAFURI)......................................................................28
3.1 Metoda drumului minim....................................................................................................28
3.2 Metoda drumului minim într-un arbore extins.................................................................32
4. APLICAȚII DE PREVIZIUNE..................................................................................36
4.1 Analiza seriilor de timp......................................................................................................36
4.2 Modele de regresie.............................................................................................................52

GRILA DE EVALUARE

Problema Puncta Evaluar

j e
1.1 10
1.2 10
1.3 10
2.1 10
2.2 10
3.1 10
3.2 10
4.1 10
4.2 10
Din oficiu 10
TOTAL
NOTA
 1. APLICAȚII DE PROGRAMARE LINIARĂ

1.1 Problema de utilizare a resurselor limitate

1.1.1 Studiul de caz

O societate responsabilă de producerea și furnizarea echipamentelor medicale către
spitalele Medlife reușește să producă 3 echipamente necesare pentru tratarea pacienților cu
boli grave (P1, P2 și P3). Aceste echipamente sunt realizate cu ajutorul a 4 operații, iar timpii
necesari pentru acestea (în ore), capacitatea de producție pentru fiecare operație (în ore),
profitul unitar (în u.m.) și nivelul minim de producție (în bucăți) cerut pentru fiecare
echipament sunt evidențiate în tabelul de mai jos:

Timp unitar de realizare (ore) Profit Nivel

Echipament unitar minim de
(u.m.) producție
Operația 1 Operația 2 Operația 3 Operația 4 (buc)
E1 2 0,5 2,5 2 20 210
E2 3 1 2 2,5 25 240
E3 2,5 1 1 1,5 30 310
Capacitatea de 4500 4000 4320 4100
producție (ore)

Se cere să se determine numărul de produse care maximiează profitul și satisfac

restricțiile de capacitate pe operații, cât și nivelele minime de producție.
Modulul utilizat pentru rezolvarea acestei aplicații de programare liniară: Linear
Programming din QM.

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:

Echipamente / Variabile Disponibil

Restricții / Resurse E1 E2 E3 Capacitatea de
X1 X2 X3 producție (ore)
R1 Operația 1 2 3 2,5 <= 4500
R2 Operația 2 0,5 1 1 <= 4000
R3 Operația 3 2,5 2 1 <= 4320
R4 Operația 4 2 2,5 1,5 <= 4100
Nivel minim de producție 210 240 310
(buc)
Profit unitar (u.m.) 20 25 30 max

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

În QM utilizăm modulul Linear Programming.

În ecranul de creare a setului de date alegem opțiunea regăsită în Figura 1.1.1:
 Number of Constrains: 7
 Number of Variables: 3
 Objective: Maximize

Datele de intrare se regăsesc în Figura 1.1.2.

Rezultatele soluției calculate se regăsesc în Figura 1.1.3.
Analiza de senzitivitate se regăsește în Figura 1.1.4.

Sursă inspirație aplicație: Test de verificare laborator, varianta A.

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.

1.2. Problema de programare liniară mixtă / binară

1.2.1 Studiul de caz

Societatea Autoliv din Brașov trebuie să ia o decizie cu privire la finanțarea unor
proiecte de investiții, notate cu P1, P2, și P3, respectiv:
 P1: Modernizarea unei linii de producție;
 P2: Achiziționarea unui nou software de proces;
 P3: Extinderea unui depozit.
Valoarea actualizată netă (VAN), certințele de investiții din capital și limitările de
buget pentru fiecare proiect, pentru următorii 2 ani (exprimate în u.m.), sunt prezentate în
următorul tabel:
Proiectul VAN Anul 1 Anul 2
P1 30000 10000 9000
P2 20000 8000 6000
P3 35000 14000 10000
Buget maxim alocat 45000 40000

Definim variabilele de decizie binare (cu valorile 0 sau 1) astfel:

Xi = 1, dacă proiectul Pi este finanțat
0, dacă proiectul Pi nu este finanțat.

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}

Funcția obiectiv (VAN investiți; u.m.):

𝑚𝑎𝑥{30000𝑥1+20000𝑥2+35000𝑥3}

În QM utilizăm modulul Integer & Mixed Programming.

În ecranul de creare a setului de date alegem opțiunea regăsită în Figura 1.2.1:
 Number of Constrains: 2
 Number of Variables: 3
 Objective: Maximize

Datele de intrare se regăsesc în Figura 1.2.2.

Rezultatele soluției calculate se regăsesc în Figura 1.2.3.
Analiza de senzitivitate se regăsește în Figura 1.2.4.

Sursă inspirație aplicație: Test de verificare laborator, varianta A.

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.

1.3. Problema de transport

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

a. Să se construiască şi să se rezolve modelul care optimizează redistribuția contractelor;

b. Cunoscând costurile cererii nesatisfăcute de contracte în cele 3 oraşe care au
capacitate de execuție: 75 u.m./contract pentru Galați, 50 u.m./contract pentru Ploieşti şi 100
u.m./contract pentru Braşov reformulați şi rezolvați modelul care asigură decizia optimă de
redistribuire.

1.3.2 Modelul

a. Pentru construcția modelului definim următoarele variabile întregi:

𝑥11- numărul de contracte transferate de la Bucureşti la Braşov;
𝑥12- numărul de contracte transferate de la Bucureşti la Galați;
𝑥13- numărul de contracte transferate de la Bucureşti la Ploieşti;
𝑥21- numărul de contracte transferate de la Iași la Braşov;
𝑥22- numărul de contracte transferate de la Iași la Galați;
𝑥23- numărul de contracte transferate de la Iași la Ploieşti.

Funcția obiectiv este:

𝑚𝑖𝑛(60⋅𝑥11 + 80⋅𝑥12 + 40⋅𝑥13 + 90⋅𝑥21 + 70⋅𝑥22 + 120⋅𝑥23)

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)

Rezolvarea cu produsul software QM (modulul Integer Programming) conduce la

soluția:
𝑥11 = 0 𝑥12 = 0 𝑥13 = 8
𝑥21 = 1 𝑥22 = 9 𝑥23 = 0

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.

Funcția obiectiv devine:

𝑚𝑖𝑛(60⋅𝑥11 + 80⋅𝑥12 + 40⋅𝑥13 + 90⋅𝑥21 + 70⋅𝑥22 + 120⋅𝑥23 + 100⋅𝑦1 + 75⋅𝑦2 +
50⋅𝑦3)

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)

Rezolvarea cu produsul software QM (modulul Integer Programming) conduce la

soluția:
𝑥11 = 4 𝑥12 = 0 𝑥13 = 4
𝑥21 = 1 𝑥22 = 9 𝑥23 = 0
𝑦1 = 0 𝑦2 = 0 𝑦3 = 4
Sursă inspirație aplicație: LIXĂNDROIU, D., (2014), Modelarea deciziei economice,
Editura Economică, București – CAPITOLUL 2.5.14, pagina 73

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

b) Modulul Integer & Mixed Integer Programming

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)

2.1 PERT/CPM – Durate aleatoare

2.1.1 Studiul de caz

Pentru a dezvolta secția de chirurgie plastică, spitalul Regina Maria din București
trebuie să întreprindă 10 activități de planificare, proiectare, marketing și execuție. În
următorul tabel sunt prezentate elementele:
 Predecesorii fercărei activități;
 Duratele optimiste, realiste și pesimiste pentru fiecare activitate (în
săptămâni);
 Costul realizării fiecărei activități (u.m.);
 Durata de reducere (în săptămâni) pentru fiecare avtivitate;
 Costul de reducere pentru fiecare activitate (în u.m.).

Activitatea Predecesori Durata activității (săptămâni) Cost Durată Cost

Optimistă Realistă Pesimistă activitate reducere reducere
Activitatea 1 - 2 3 4 600 3 600
Activitatea 2 Activitatea 1 3 5 7 1000 4 1100
Activitatea 3 Activitatea 1 2 4 6 800 3 900
Activitatea 4 Activitatea 1 4 5 6 1000 5 1000
Activitatea 5 Activitatea 2 3 5 7 1000 4 1100
Activitatea 3
Activitatea 6 Activitatea 3 6 8 10 1600 7 1700
Activitatea 4
Activitatea 7 Activitatea 5 6 7 8 1800 9 1800
Activitatea 8 Activitatea 5 8 10 12 2000 9 2100
Activitatea 6
Activitatea 9 Activitatea 6 5 7 9 1200 5 1300
Activitatea 10 Activitatea 7 4 5 6 1000 5 1000
Activitatea 8
Activitatea 9

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.

Sursă inspirație aplicație: Test de verificare laborator, varianta A.

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

2.2.1 Studiul de caz

Pentru a dezvolta secția de chirurgie plastică, spitalul Regina Maria din București
trebuie să întreprindă 10 activități de planificare, proiectare, marketing și execuție. În urătorul
tabel sunt prezentate următoarele elemente:
 Predecesorii fercărei activități;
 Duratele optimiste, realiste și pesimiste pentru fiecare activitate (în
săptămâni);
 Costul realizării fiecărei activități (u.m.);
 Durata de reducere (în săptămâni) pentru fiecare avtivitate;
 Costul de reducere pentru fiecare activitate (în u.m.).
Activitatea Predecesori Durata activității (săptămâni) Cost Durată Cost
Optimistă Realistă Pesimistă activitate reducere reducere
Activitatea 1 - 2 3 4 600 3 600
Activitatea 2 Activitatea 1 3 5 7 1000 4 1100
Activitatea 3 Activitatea 1 2 4 6 800 3 900
Activitatea 4 Activitatea 1 4 5 6 1000 5 1000
Activitatea 5 Activitatea 2 3 5 7 1000 4 1100
Activitatea 3
Activitatea 6 Activitatea 3 6 8 10 1600 7 1700
Activitatea 4
Activitatea 7 Activitatea 5 6 7 8 1800 9 1800
Activitatea 8 Activitatea 5 8 10 12 2000 9 2100
Activitatea 6
Activitatea 9 Activitatea 6 5 7 9 1200 5 1300
Activitatea 10 Activitatea 7 4 5 6 1000 5 1000
Activitatea 8
Activitatea 9

Modulul utilizat pentru rezolvarea acestei aplicații de programare liniară: Cost

Budgeting din QM.

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.

Sursă inspirație aplicație: Test de verificare laborator, varianta A.

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)

3.1 Metoda drumului minim

Carte pagina 33
3.1.1 Studiul de caz
Un depozit de medicamente dorește să optimizeze activitatea de transport prin
stabilirea rutei optime între cele două farmacii principale pe care le aprovizionează. Costul
asociat drumului dintre două localități este o funcție agregată care depinde de distanță,
consumul de combustibil, timpul necesar parcurgerii. Rețeaua are 9 noduri, originea rețelei
este în nodul 1 și destinația este în nodul 9.
Ramurile conțin duratele de timp, în ore, dintre noduri. Care este drumul (ruta) cu
durata cea mai scurtă de timp, de la nodul 1 la toate celelalte noduri, până la nodul 9?

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:

Ramura Nodul inițial Nodul final Durata

Ramura 1 1 2 5
Ramura 2 1 3 4
Ramura 3 1 4 2
Ramura 4 1 5 3
Ramura 5 2 3 1
Ramura 6 2 6 4

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

Pentru rezolvarea problemei drumului minim în QM utilizăm modulul Networks, cu

opțiunea Shortest Route.
În ecranul de creare a setului de date alegem opțiunea regăsită în Figura 3.1.1:
 Number of Branches: 14
 Network type: Undirected.
Datele de intrare se regăsesc în Figura 3.1.2.
Rezultatele problemei se regăsesc în Figura 3.1.3.
Drumurile minime se regăsesc în matricea din Figura 3.1.4.

Sursă inspirație aplicație: LIXĂNDROIU, D., (2017), Modele economice rezolvate în

QM, Editura Universității Transilvania din Brașov, Brașov – Capitolul 2, subcapitolul
2.2., pagina 33

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

3.2.1 Studiul de caz

Un depozit de medicamente dorește să optimizeze activitatea de transport prin
stabilirea rutei optime între cele două farmacii principale pe care le aprovizionează. Costul
asociat drumului dintre două localități este o funcție agregată care depinde de distanță,
consumul de combustibil, timpul necesar parcurgerii. Rețeaua are 9 noduri, originea rețelei
este în nodul 1 și destinația este în nodul 9.
Ramurile conțin duratele de timp, în ore, dintre noduri. Care este durata cea mai scurtă
de timp, pentru a conecta cele 9 noduri?

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:

Ramura Nodul inițial Nodul final Durata

Ramura 1 1 2 5
Ramura 2 1 3 4
Ramura 3 1 4 2
Ramura 4 1 5 3
Ramura 5 2 3 1
Ramura 6 2 6 4

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

Pentru rezolvarea problemei drumului minim într-un arbore extins în QM utilizăm

modulul Networks, cu opțiunea Minimum Spanning Tree.
În ecranul de creare a setului de date alegem opțiunea regăsită în Figura 3.2.1:
 Number of Branches: 14
Datele de intrare se regăsesc în Figura 3.2.2.
Rezultatele problemei se regăsesc în Figura 3.2.3.

Sursă inspirație aplicație: LIXĂNDROIU, D., (2017), Modele economice rezolvate în

QM, Editura Universității Transilvania din Brașov, Brașov – Capitolul 2, subcapitolul
2.2., pagina 33

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 Analiza seriilor de timp

4.1.1 Studiul de caz

O florărie din București a înregistrat datele privind cererea de buchete de flori pentru
ultimele 12 luni în tabelul nurmător. Pe baza acestor date se dorește calcularea previziunilor
pentru luna ianuarie a anului următor.
Să se aplice metodele de previziune cu ajutorul opțiunii Time Series Analysis din
modulul Forecasting pentru perioada 13, respectiv luna ianuarie a anului următor, cu
următoarele opțiuni:
 3 perioade pentu metoda mediilor mobile;
 Perioada cea mai recentă 0,50, a doua perioadă: 0,45, a treia perioadă: 0,30
pentru metoda mediilor mobile ponderate;
 Variabilele 𝑦̂1 = 110 ,𝛼 = 0.30, pentru metoda Exponential Smoothing;
 Variabilele 𝑦̂1= 110 ,𝑡𝑟𝑒𝑛𝑑1 = 0, 𝛼 = 0.30, 𝛽 = 0.10, pentru meroda
Exponential Smoothing with Trend.

Perioada Luna Cererea

1 Ianuarie 130
2 Februarie 250
3 Martie 250
4 Aprilie 190
5 Mai 160
6 Iunie 120
7 Iulie 100
8 August 105
9 Septembrie 125
10 0ctombrie 200
11 Noiembrie 190
12 Decembrie 230

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

a) Metoda Naivă: Datele de intrare se regăsesc în Figura 4.1.2a, în care selectăm

opțiunea Naive Method. Rezolvarea sintetică și prognoza se regăsesc în Figura
4.1.3a, iar rezolvarea de detaliu și analiza erorilor se regăsesc în Figura 4.1.4a.

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.

c) Metoda Mediilor Mobile Ponderate (Weighted Moving Averages): În ecranul de

introducere a datelor, Figura 4.1.2c, alegem opțiunea Weighted Moving
Averages și 3 perioade pentru media mobilă, pentru care alegem ponderile
următoare:
o Perioada cea mai recentă: 0,50;
o A doua perioadă: 0,45;
o A treia perioadă: 0,30
Rezolvarea sintetică și prognoza se regăsesc în Figura 4.1.3c, iar rezolvarea de
detaliu și analiza erorilor se regăsesc în Figura 4.1.4c. Reprezentarea grafică a seriei de timp
și a valorilor previzionate prin metoda mediilor mobile ponderate se regăsesc în Figura
4.1.5c.

d) Metoda Netezirii exponențiale (Exponential Smoothing): În ecranul de

introducere a datelor alegem opțiunea Exponential Smoothing și valorile 𝑦̂1 =
110 ,𝛼 = 0.30. Datele de intrare completate cu valorile inițiale se regăsesc în
Figura 4.1.2d. Rezolvarea sintetică și prognoza se regăsesc în Figura 4.1.3d, iar
rezolvarea de detaliu și analiza erorilor se regăsesc în Figura 4.1.4d. Reprezentarea
grafică a seriei de timp și a valorilor previzionate prin metoda netezirii
exponențiale se regăsesc în Figura 4.1.5d.

e) Metoda Netezirii Exponențiale cu tendință (Exponențial Smoothing with

Trend): În ecranul de introducere a datelor alegem opțiunea Exponențial
Smoothing with Trend și cu valorile 𝑦̂1= 110, 𝑡𝑟𝑒𝑛𝑑1 = 0, 𝛼 = 0.30, 𝛽 = 0.10.
Datele de intrare completate cu valorile inițiale se regăsesc în Figura 4.1.2e.
Rezolvarea sintetică și prognoza se regăsesc în Figura 4.1.3e, iar rezolvarea de
detaliu și analiza erorilor se regăsesc în Figura 4.1.4e. Reprezentarea grafică a
seriei de timp și a valorilor previzionate prin metoda netezirii exponențiale cu
tendință se regăsesc în Figura 4.1.5e.

f) Metoda Tendinței Liniare (Linear Trend Line Model): În ecranul de introducere

a datelor, Figura 4.1.2f, alegem opțiunea Linear Trend Line Model. Rezolvarea
sintetică și prognoza se regăsesc în Figura 4.1.3f, iar rezolvarea de detaliu și
analiza erorilor se regăsesc în Figura 4.1.4f. Reprezentarea grafică a seriei de timp
și a valorilor previzionate prin metoda tendinței liniare se regăsesc în Figura
4.1.5f.

Sursă inspirație aplicație: LIXĂNDROIU, D., (2017), Modele economice rezolvate în

QM, Editura Universității Transilvania din Brașov, Brașov – Capitolul 2, subcapitolul
2.4., pagina 67 + Test de verificare laborator, varianta A.
4.1.3 Rezolvarea în QM
a) Metoda Naivă - opțiunea Naive Method

32
Figura 4.1.1a

Figura 4.1.2a

33
Figura 4.1.3a

Figura 4.1.4a

34
 Figura 4.1.5a

b) Metoda Mediilor Mobile – opțiunea Moving Averages

Figura 4.1.2b

35
Figura 4.1.3b

Figura 4.1.4b

36
 Figura 4.1.5b

c) Metoda Mediilor Mobile Ponderate – opțiunea Weighted Moving Averages

Figura 4.1.2c

37
Figura 4.1.3c

Figura 4.1.4c

38
 Figura 4.1.5c

d) Metoda Netezirii exponențiale – opțiunea Exponential Smoothing

Figura 4.1.2d

39
Figura 4.1.3d

Figura 4.1.4d

40
 Figura 4.1.5d

e) Metoda Netezirii Exponențiale cu tendință – opțiunea Exponențial Smoothing

with Trend

Figura 4.1.2e

41
Figura 4.1.3e

Figura 4.1.4e

42
 Figura 4.1.5e

f) Metoda Tendinței Liniare – opțiunea Linear Trend Line Model

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

4.2.1 Studiul de caz

Ne propunem să studiem dependența mediei semestriale de frecvența la ore și de
timpul afectat studiului individual, printr-un model de regresie multiplă.
Problema concretă se prezintă astfel: un student de la ciclul de licență, în Sistemul
European de Credite Transferabile (ECTS), trebuie să obțină într-un semestru 30 de puncte de
credit. Un punct de credit (pc) este apreciat la 23 – 30 ore, adică pentru promovarea unei
discipline care are 5 pc, studentul trebuie să afecteze un număr de 125 – 150 ore, prin
participarea la activități didactice și prin studiu individual.
Să presupunem că pentru obținerea unui punct de credit sunt necesare 25 ore. Pentru
obținerea într-un semestru a celor 30 pc, studentul trebuie să aloce un număr de 750 ore pe
durata semestrului (14 săptămâni de activitate didactică și 3 săptămâni de sesiune de
examene). În ipoteza că activitatea didactică ocupă 22 ore/săptămână, studentul ar trebui să
participe la 308 ore (308 ore = 22 ore/ săptămână ×14 săptămâni). Rămâm deci 750 – 308 =
442 ore de studiu individual.

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:

Student Media (Y) X1 (%) X2 (%)

Studentul 1 9.50 85 70
Studentul 2 9 80 85
Studentul 3 8 95 75
Studentul 4 7.50 40 65
Studentul 5 8.50 70 90

Pentru analiza modelului de regresie multiplă în QM utilizăm modulul Forecasting cu

opțiunea Least Squares – Simple and Multiple Regression.
În ecranul de creare a setului de date alegem opțiunile (Figura 4.2.1):
 Number of Observations: 5
 Number of Independent Variables: 2
Datele de intrare sunt redate în Figura 4.2.2.
Rezolvarea sintetică și prognoza este redată în Figura 4.2.3.
Rezolvarea de detaliu și analiza erorilor este redată în Figura 4.2.4.
Rezultatele analizei dispersionale (ANOVA) sunt redate în Figura 4.2.5.

Sursă inspirație aplicație: LIXĂNDROIU, D., (2014), Modelarea deciziei economice,

Editura Economică, București – CAPITOLUL 2.5.17, pagina 79
4.2.3 Rezolvarea în QM

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