Modelare Procese Ec - Lixandroiu D

Introducere
Prof. univ. dr. Dorin Lixndroiu

MODELAREA PROCESELOR
ECONOMICE

EDITURA UNIVERSITII TRANSILVANIA DIN BRAOV

2012 EDITURA UNIVERSITII TRANSILVANIA DIN BRAOV
Adresa: 500091 Braov,
B-dul Iuliu Maniu 41A
Tel:0268 476050
Fax: 0268 476051
E-mail : editura@unitbv.ro

Toate drepturile rezervate

Editur acreditat de CNCSIS
Adresa nr. 1615 din 29 mai 2002

Refereni tiinifici: Prof.univ.dr. Nicoleta Petcu
Prof.univ.dr. Niculaie Antonoaie

Descrierea CIP a Bibliotecii Naionale a Romniei
Lixndroiu, Dorin
Modelarea proceselor economice / Dorin Lixndroiu. - Braov :
Editura Universitii "Transilvania", 2012
Bibliogr.
ISBN 978-606-19-0064-0

519.86:33(075.8)

n fiecare tiin este numai atta tiin, ct matematic conine.
Immanuel Kant

Prefa

Principalul obiectiv al modelrii proceselor economice l constituie optimizarea
procesului de luare a deciziilor, ca factor determinant n trecerea de la
complexul experien-intuiie, la o abordare tiinific bazat pe informaie-
raionament. Tot mai muli manageri plaseaz astzi n topul practicilor de
management abilitatea n elaborarea i luarea deciziilor optimizate, precise i
clare. Acest proces a devenit deosebit de complex, n condiiile actuale ale
procesului de globalizare a economiei, n care firmele i desfoar activitatea
managerial i cea productiv pe ct mai multe piee i pentru ct mai muli
clieni.

Prin introducerea n multe firme a sistemelor informatice integrate (ERP), care
conin biblioteci de modele destinate optimizrii procesului de luare a
deciziilor, managerii demonstreaz c au nteles evoluia informaticii de la
instrument la arm stategic, aceasta putnd crea avantaje decisive n
competiia global.

n ansamblul ei, lucrarea este rodul experienei acumulate de autor n procesul
de nvmnt la disciplina Modelarea proceselor economice, predat
studenilor economiti din Universitatea Transilvania din Braov.
Studiile de caz i elementele teoretice prezentate permit nelegerea logic i
profund a importanei modelrii n procesul de luare a unor decizii economice
optime.

Autorul

CUPRINS

Pag.
1. INTRODUCERE N MODELAREA DECIZIEI ........................................................

3
2. MODELE ECONOMICE REZOLVATE PRIN PROGRAMARE LINIAR...................

9
3. MODELAREA DECIZIILOR MONOCRITERIALE...................................................

32
4. MODELAREA DECIZIILOR MULTICRITERIALE....................................................

53
5. MODELE N GESTIUNEA OPTIM A STOCURILOR............................................

65
6. MODELAREA DECIZIILOR CU MULIMI FUZZY ..

87
ANEXA Distribuia normal.

101
BIBLIOGRAFIE

107

Modelarea proceselor economice 1

INTRODUCERE

De-a lungul secolelor oamenii au construit i mbuntit modele pentru a explica
fenomenele observate. n domeniul lurii deciziilor, primele modele formalizate au
aprut n a doua jumtate a secolului trecut. Tehnicile de modelare i optimizare sunt
folosite nu numai n domeniul tradiional supply chain management, dar i n celelalte
arii funcionale ale organizaiilor, ca finane, contabilitate, marketing.
Suntem de acord cu prerile exprimate de ali autori c nu exist un manual care s te
nvee s modelezi un proces, un fenomen, n scopul studiului comportamentului i
optimizrii deciziei. Exist doar posibilitatea de a prezenta un instrumentar format din
metode i tehnici ce pot fi utilizate n construcia i rezolvarea modelelor. Calitatea i
complexitatea modelului construit, a gradului de fidelitate n reflectarea realitii,
depinde de persoana sau echipa care realizeaz construcia i rezolvarea modelului.
Lucrare prezint o introducere n cteva din modelele i tehnicile mai importante i mai
eficace: modele rezolvate prin metodele cercetrii operaionale, modele de decizie
monocriteriale, modele de decizie multicriteriale, modele de gestiune a stocurilor,
modele rezolvate cu mulimi fuzzy.

Obiectivele cursului
Disciplina Modelarea proceselor economice are caracter interdisciplinar, fiind
tratat ca un domeniu de grani cu economia, statistica economic,
econometria, informatica i matematica. Cursul are dou obiective principale
primul de a prezenta studenilor mai multe modele i tehnici cantitative de
asistare a deciziei manageriale ce permit rezolvarea problemelor importante
decizionale la nivel de firm, n condiii de concuren, cu ajutorul
instrumentelor informatice. Un al doilea obiectiv principal al cursului este de a
oferi studii de caz i exemple practice de modelare a deciziei manageriale. La
nceputul fiecrui capitol (unitate de nvare) se prezint n *....+ sursele
bibliografice utilizate, care ar putea fi folosite de cei interesai n dobndirea
de cunotine suplimentare i aprofundarea acestui domeniu fascinant al
managementului.

Competene oferite
Parcurgerea acestui suport de curs permite nelegerea i construcia unor
modele economice pentru fundamentarea deciziei economice, cunoaterea i
utilizarea integrativ a produselor informatice pentru modelarea i asistarea
deciziilor, analiza i interpretarea economic a rezultatelor. Studenii vor
nelege locul i rolul proceselor de optimizare a deciziilor manageriale, ca
factor determinant n trecerea de la complexul experien-intuiie, la cel de
informaie-raionament.

2 Dorin Lixndroiu

Resurse i mijloace de lucru
Mijloace informatice necesare parcurgerii materialului i rezolvrii testelor:
Microsoft Excel i pachetul software Quantitative Management (QM for
Windows) oferit (open source) de Prentice-Halls Decision Science.

Structura cursului
numrul de uniti de nvare (UI) ce compun cursul: 6
numrul temelor de control: 2
modul de transmitere al temelor de control ctre cadrul didactic i,
respectiv, a rezultatelor ctre studeni: prin ncrcarea pe platforma
eLearning, material tiprit, e-mail.

Cerine preliminare
Studiul Modelrii proceselor economice se bazeaz pe cunotinele dobndite
anterior n studiul diciplinelor: Microeconomie, Statistic economic,
Management, Bazele informaticii economice, Econometrie, Matematic.

Discipline deservite
Competenele oferite de acest curs i posibilitile date de instrumentarul
utilizat permit o abordare tiinific bazat pe complexul informaie
raionament a problemelor complexe ale deciziei manageriale dezvoltate n
cadrul celorlalte discipline de management.

Durata medie de studiu individual pentru o unitate de nvare este de 6 ore.
.

Evaluarea
Componena notei finale:
- ponderea evalurii finale (examen) 60%
- ponderea temelor de control 40%.

Modelarea proceselor economice

3
Unitatea de nvare 1
INTRODUCERE N MODELAREA DECIZIEI
*ANDRAIU, 1986+, [ANDREICA, 1998], [FILIP, 2002], [FILIP, 2007], [KAUFMANN, 1987],
[KRAJEWSKI, 2005], [IONESCU, 1999], *RAIU, 2001+

Obiectiv
Obiectivul principal al acestui capitol introductiv este de a prezenta
importana conceptului de model n procesul de optimizare a deciziei
manageriale. Se enumr principalele tipuri de modele i se prezint etapele
procesului de construcie i rezolvare a unui model economic.

Competenele unitii de nvare
Dup parcurgerea acestei pri studenii vor nelege conceptele de model,
modelare, decizie.
Se va nelege necesitatea raionamentului pe baza modelelor n analiza
proceselor economice, ca factor determinant al metodei tiinifice n
economie.

Durata medie de parcurgere a primei uniti de nvare este de 2 ore.

Tehnicile cantitative n eleborarea deciziilor manageriale prezint o mare importan
evideniat de numeroi specialiti, att teoreticieni, ct i practicieni. n urma unui
studiu statistic efectuat n 1987, n SUA, asupra unui numr de 6500 manageri s-a
constatat c cea mai important din primele zece practici de management este
abilitatea n elaborarea i luarea deciziilor precise i clare.

MODELAREA
Un instrument de cunoatere tiinific a realitii obiective; are ca scop construirea de
reprezentri (modele) care s permit nelegerea mai bun, profund, tiinific a
acesteia.

MODELUL
O reprezentarea izomorf a realitii care ofer o imagine intuitiv, dar riguroas n
sensul structurii logice, a fenomenului studiat i permite descoperirea unor legturi i
legiti greu de stabilit pe alte ci.

Termenul de MODEL este utilizat pentru prima dat de Beltrami n 1868, n ncercarea
de construire a unui model euclidian al geometriei.

Dorin Lixndroiu

4
Structura unui model cuprinde:
Variabile endogene i exogene
Constante i parametri
Relaii ntre variabile i parametri

MALINVAUD - Apariia i generalizarea cuvntului model n tiinele economice este
concomitent cu cea a unei mai mari rigori. Logica raionamentului pe modele este
astfel, fundamentul principal al metodei tiinifice n economie.

Clasificarea modelelor economico-matematice:
A. Dup sfera de reflectare a problematicii economice:
modele macroeconomice - studiaz modele de ansamblu ale economiei la
nivel de regiune, ar, zon geografic/politic;
modele microeconomice studiaz modele la nivel de firm (organizaie).
B. n funcie de domeniul de provenien i concepie:
modele cibernetico-economice permit studiul sistemelor de conducere
complexe prin evidenierea relaiilor input/output i a legturilor de feed-
back (de reglare); aceste modele surprind relaiile cantitative i calitative
existente ntre elementele sistemului i procesele evolutive care au loc la
nivelul ntregului sistem i care genereaz transformarea acestuia;
modele econometrice elementele numerice sunt determinate statistic i
permit explicarea unor tendine (trenduri) sau identificarea unor
periodiciti;
modele ale cercetrii operaionale sunt modele matematice care
ncearc s cuprind aciunea unui sistem real prin intermediul ecuaiilor
i inecuaiilor, n scopul lurii deciziei optime; rezolvarea modelului
conduce la o soluie optim sau apropiat de optim;
modele din teoria deciziei iau n considerare unul sau mai multe criterii
care pot avea niveluri de importan egale sau diferite; pot include factori
de risc, incertitudine, etc.;
modele de simulare se utilizeaz n situaia n care nu se pot realiza
modele analitice care s exprime legtura dintre variabile, atunci cnd
modelele sunt prea complicate pentru folosirea algoritmilor n scopul
gsirii soluiei sau atunci cnd decidentul dorete s evalueze direct
efectele unor alternative;
modele fuzzy n situaia unor informaii neclare, imprecise, incomplete
sau nemsurabile se pot construi modele bazate pe teoria mulimilor vagi
(fuzzy).
C. n funcie de caracterul variabilelor:
modele deterministe se lucreaz cu mrimi cunoscute, sigure;
modele stochastice / probabilistice exist mrimi care au o anumit
probabilitate de realizare, dat sub forma unor funcii de distribuie
discrete sau continue.

5
D. n funcie de factorul timp:
modele statice variabila timp nu intervine n model;
modele dinamice - variabila timp intervine explicit n model.
E. n funcie de orizontul timp:
modele discrete secveniale comportarea sistemului modelat este
studiat la momente discrete de timp: t
1
, t
2
,..., t
n
;
modele continue variabilele modelului au comportamentul modelat de
funcii continue.

DECIZIA
Exist multe definiii ale deciziei. Dintre acestea prezentm cteva:
Hotrrea luat ca urmare a examinrii unei probleme, situaii etc., soluia
adoptat (dintre mai multe posibile). (DEX, 1998)
Alegerea unei direcii de aciune. (Simon, 1960)
Alegerea unei strategii de aciune. (Fishburn, 1964)
O alegere conducnd la un anume obiectiv dorit. (Churchman, 1968)
O alocare a resurselor. (Spradlin, 1997)
Rezultatul unui tip particular de prelucrare a informaiilor, care const n
alegerea unui plan de aciune. (Bonczek,..., 1984)
Alegerea uneia dintre mai multe alternative; o afirmaie care arat angajarea
ntr-o direcie de aciune. (Power, 2000)

O definiie complet a deciziei manageriale este dat n [FILIP, 2002]:

DECIZIA reprezint rezultatul unor activiti contiente de alegere a unei direcii de
aciune i a angajrii n aceasta, fapt care implic, de obicei, alocarea unor resurse.
Decizia rezult ca urmare a prelucrrii unor informaii i cunotine i aparine unei
persoane sau grup de persoane, care dispun de autoritatea necesar i care rspund
pentru folosirea eficace a resurselor n anumite situaii date.

Cuvintele-cheie subliniate n definiie dau elementele de baz ale procesului managerial:
- decizia este o activitatea contient care urmrete realizarea unor obiective;
- presupune alegerea dintre mai multe alternative, la limit (situaie inacceptabil)
pot fi numai dou alternative decizionale, din care una este de a nu lua nicio
decizie i de a lsa lucrurile s se desfoare la voia ntmplrii;
- decizia la nivelul unei firme presupune alocarea de resurse (materiale, umane,
financiare i informaionale);
- decidentul (o persoan sau un grup de persoane) trebuie s aib autoritatea
necesar care poate rezulta din poziia n structura organizaiei sau prin
mputernicire;
- i foarte important ! rspunderea decidentului pentru utilizarea resurselor n
activitile implicate de alegerea alternativei decizionale.
Dorin Lixndroiu

6
n figura 1, se prezint situaia existent (din pcate) n managementul multor
organizaii: n faa unor situaii decizionale, bazat pe propria intuiie i experien,
managerul ia decizia. Depirea graniei Realitate Reprezentare simbolic conduce la
construcia unui model de luare a deciziei, rezolvarea lui, analiza i interpretarea
rezultatelor. Decizia final revine tot managerului care selecteaz, n baza unei analize,
decizia dintr-o mulime posibil de decizii optimale. Aceast decizie nu este necesar s
coincid cu optimul matematic rezultat din model, putndu-se gsi ntr-o vecintate a
acestuia.

Figura 1
n figura 2 se prezint etapele care trebuiesc parcurse n procesul de modelare.
Remarcm posibilitatea de ntoarcerea la pasul anterior n situaia apariiei unei erori.

Figura 2

7
n figura 3 prezentm procesul de selectare a metodei de luare a deciziei (dup Fishman).
Dup formularea problemei, n cazul existenei unui model se transpune problema n
forma impus de model (care poate presupune adoptarea unor ipoteze simplificatoare),
se rezolv modelul i apoi se analizeaz soluia pe baza datelor experimentale. n
situaia unei soluii inacceptabile se reia etapa de formulare a problemei n care au fost
definite ipotezele iniiale.
n cazul inexistenei unui model analitic sau a imposibilitii definirii lui se poate aplica
tehnica simulrii, care presupune construcia unui model de simulare i rezolvarea
acestui model. Modificarea parametrilor de intrare n modelul de simulare permite o
mai bun aproximare a realitii. Pe baza soluiilor obinute se formuleaz decizia.

Figura 3 Procesul de selectare a metodei de luare a deciziei

Celelalte metode de selectare a deciziei bazate pe enumerarea alternativelor i folosirea
intuiiei sunt inacceptabile n condiiile unui management competitiv. Atenie, nu negm
rolul intuiei i experienei managerului n adoptarea celei mai bune decizii, dar numai
Dorin Lixndroiu

8
dup ce au fost determinate mai multe soluii acceptabile ca rezultat al rezolvrii unui
model analitic sau de simulare.

S ne reamintim...
MALINVAUD - Apariia i generalizarea cuvntului model n tiinele
economice este concomitent cu cea a unei mai mari rigori. Logica
raionamentului pe modele este astfel, fundamentul principal al metodei
tiinifice n economie.

FILIP Fl.Ghe. DECIZIA reprezint rezultatul unor activiti contiente de
alegere a unei direcii de aciune i a angajrii n aceasta, fapt care implic,
de obicei, alocarea unor resurse. Decizia rezult ca urmare a prelucrrii unor
informaii i cunotine i aparine unei persoane sau grup de persoane, care
dispun de autoritatea necesar i care rspund pentru folosirea eficace a
resurselor n anumite situaii date.

Rezumat
MODELAREA este un instrument de cunoatere tiinific a realitii
obiective.
MODELUL este o reprezentarea izomorf a realitii care ofer o imagine
intuitiv, dar riguroas n sensul structurii logice, a fenomenului studiat i
permite descoperirea unor legturi i legiti greu de stabilit pe alte ci.
Modelelor economico-matematice se clasific dup mai multe criterii:
- dup sfera de reflectare a problematicii economice,
- n funcie de domeniul de provenien i concepie,
- n funcie de caracterul variabilelor,
- n funcie de factorul timp,
- n funcie de orizontul timp.
Procesul de modelare presupune parcurgerea urmtoarelor etape:
- definirea sistemului i a scopului modelrii;
- colectarea i analiza datelor;
- construirea modelului;
- verificarea modelului;
- validarea modelului.

Test de evaluare a cunotinelor
1. Explicai elementele de baz (cuvintele-cheie subliniate) din definiia
deciziei manageriale. Exemplificai i analizai.
2. Caracterizai principalele tipuri de modele economico-matematice
rezultate din clasificarea n funcie de domeniul de provenien i
concepie.
3. Analizai procesul de selectare a metodei de luare a deciziei.


Unitatea de nvare 2
MODELE ECONOMICE REZOLVATE PRIN PROGRAMARE LINIAR
[ACKOFF, 1975], [ANDREICA, 1998], [GIARD, 1998], [HILLIER, 2005], [KARMANOV, 1977],
[KAUFMANN, 1975], [KAUFMANN, 1987], [KRAJEWSKI, 2005] [IONESCU, 1999], [MALIA, 1971+,
[MIH0C, 1973+, *RAIU, 2001], [RUSU, 2001], [SZABO, 2005], [THIEL, 1990], [ZIDROIU, 1983]

Obiectiv
Obiectivul acestui capitol este de a defini i construi modele economice care
vor fi rezolvate prin programare liniar. Se prezint probleme economice
clasice, ntlnite n practic, care pot fi rezolvate prin aplicarea modelelor
matematice ale programrii liniare. Sunt abordate i modelele de alocare
problema de repartizare i problema de transport. Modelele sunt rezolvate cu
ajutorul produsului software QM (Quantitative Management).

Parcurgerea acestei uniti permite nelegerea definirii i construciei
modelelor economice care conduc la problema programrii liniare. Prin
studiile de caz prezentate i aplicaiile propuse, studenii vor fi capabili s
modeleze un proces sau fenomen din lumea real care s fie rezolvat apoi
prin programare liniar. Aceasta presupune definirea variabilelor modelului,
definirea funciei obiectiv i a restriciilor, iar n final interpretarea economic
a rezultatelor obinute prin aplicarea produsului software QM (modulele
Linear Programming, Integer Programming, Mixed Integer Programming,
Assignment, Transportation).

Durata medie de parcurgere a acestei uniti de nvare este de 8 ore.

O clas larg de modele de optimizare n economie se rezolv prin programare liniar.
Problema de programare liniar se ncadreaz n limitele generale ale modelelor
programrii matematice i se caracterizeaz prin faptul c att funcia obiectiv ct i
restriciile sunt exprimate matematic prin funcii liniare. Rezolvarea matematic a
problemei de programare liniar se bazeaz pe aparatul matematic furnizat de algebra
liniar i elaborarea unor metode eficiente de determinare a soluiilor problemei. Prima
metod general de rezolvare a problemei de programare liniar (algoritmul SIMPLEX)
este datorat lui G. Dantzig (1951) i permite determinarea soluiilor n cazul n care
acestea exist, sau poate dovedi inexistena soluiilor, degenerarea lor etc. A doua
metod general de rezolvare a problemei de programare liniar (algoritmul Simplex
dual) este datorat lui C.E. Lemke (1953). Elaborarea celor dou metode a condus la noi
cercetri n acest domeniu i rezultatele obinute au devenit capitole legate de
10 Dorin Lixndroiu

problemele de programare n numere ntregi (algoritmii lui R. Gomory, 1958, 1963),
problemele de transport, problemele de alocare (repartizare). Ulterior, metodele de
rezolvare s-au diversificat n strns legtur cu dezvoltarea calculatoarelor.

Forma general a problemei de programare liniar (PPL) este:

Max [Min]
n n
x c x c x c f + + + = ...
2 2 1 1

cu retriciile:

1 1 2 12 1 11
... b x a x a x a
n n
s + + +

2 2 2 22 1 21
... b x a x a x a
n n
s + + +
.......................................................... (1)

m n mn m m
b x a x a x a s + + + ...
2 2 1 1

i 0 ..., , 0 , 0
2 1
> > >
n
x x x

n notaie matriceal forma general a PPL este:
Max [Min] ( ) X C X f
t
=
B X A s (2)
0 > X

unde: ( ) n m A , - este matricea coeficienilor sistemului de restricii
( ) 1 , m B - este vectorul coloan al termenilor liberi
( ) 1 , n X - este vectorul coloan al celor n necunoscute
( ) n C
t
, 1 - este vectorul coloan transpus ale crui componente dau
coeficienii necunoscutelor n funcia obiectiv.
n forma general a PPL se consider c variabilele (necunoscutele) sunt numere reale.
Exist numeroase aplicaii economice de mare importan care conduc la modele n care
se pun i alte condiii asupra variabilelor. Natura concret a fenomenelor modelate
impune cerina ca variabilele supuse restriciilor problemei s nu poat lua dect valori
din anumite mulimi, cel mai frecvent numere ntregi. Distingem urmtoarele tipuri
particulare de probleme de programare liniar:

A. Programarea liniar mixt
Exist dou tipuri de variabile:

+
eR x x x
m
,..., ,
2 1

N y y y
n
e ,..., ,
2 1

Modelul presupune maximizarea (minimizarea) formei liniare:
Max [Min]

= =
+ =
m
i
n
j
j j i i
y g x f Z
1 1
(3)
cu p restricii (inecuaii sau ecuaii liniare):

= =
= s +
m
i
n
j
k j kj i ki
p k c y b x a
1 1
,..., 2 , 1 ,

B. Programarea liniar n numere ntregi
Toate variabilele sunt numere ntregi i pozitive, adic N x x x
n
e ,..., ,
2 1
. De exemplu, n
construcia modelului apar ca necunoscute: oameni, tipuri de casue de vacan,
avioane de capaciti diferite, tipuri de produse etc. i din analiza realitii ne ateptm
ca soluia optim s nu fie mare. Pentru aceste tipuri de variabile punem condiia s
fie numere ntregi. Ar fi greu de interpretat o soluie optim, de tipul: 4,35 avioane
Airbus 320 i 6,78 echipaje. Dar, dac modelul conduce la o soluie optim cu valori
mari, de tipul: produsul P1 438,78 buci, produsul P2 397,25 buci, atunci se
poate rezolva PPL cu variabile reale i apoi rotunjim soluiile obinute.

C. Programarea liniar boolean (0 1)
Necunoscutele sunt variabile booleene, adic n final soluiile problemei de programare
liniar vor fi de tip 0 / 1. La forma general a problemei adugm restriciile:
Z x x x
n
e ,..., ,
2 1
- variabile ntregi
i n i x
i
,..., 2 , 1 , 1 = s (4)
n i x
i
,..., 2 , 1 , 0 = s
Evident, singurele numere ntregi care aparin intervalului [0, 1] sunt 0 sau 1.
Aceste probleme apar n modelele n care se dorete, de exemplu, selectarea unor
proiecte dintr-o mulime dat, selectarea unor variante de aciune dintr-o mulime dat
etc. Variabila 1 =
i
x va indica alegerea proiectului i, iar 0 =
i
x va arta c proiectul i nu
este selectat.

Prezentm n continuare cteva probleme economice clasice, ntlnite n practic, care
pot fi rezolvate prin aplicarea modelelor matematice ale programrii liniare.

1. Programarea produciei [1]
Considerm un proces de producie n care se realizeaz n produse/activiti. Pentru
desfurarea procesului exist un disponibil de m resurse (materii prime, for de
munc, capaciti de producie, resurse financiare), limitate superior.
Se cunosc:
- cantitile de resurse necesare pentru producerea unei uniti din produsul
/activitatea j,
- costurile de producie i preurile de vnzare pentru fiecare unitate din produsul
/activitatea j.
Notm:
m i b
i
,..., 2 , 1 , = - nivelul cunoscut al resurselor
n j m i a
ij
,..., 2 , 1 , ,..., 2 , 1 , = = - cantitatea din resursa i folosit pentru
producerea unei uniti din produsul/activitatea j
n j c
j
,..., 2 , 1 , = - preul de vnzare al unei uniti din produsul/activitatea j
12 Dorin Lixndroiu

n j d
j
,..., 2 , 1 , = - costul de producie al unei uniti din produsul
/activitatea j
n j x
j
,..., 2 , 1 , = - nivelul necunoscut al produsului/activitii j
Se cere s se determine nivelurile celor n produse/activiti care conduc la un beneficiu
maxim.

Problema conduce la construcia urmtorului model care se rezolv prin metoda
programrii liniare.

Modelul
Funcia obiectiv:
=

n
j
j j j
x d c
1
) ( max
Restriciile:
=
= s
n
j
i j ij
m i b x a
1
,..., 2 , 1 , (5)
n j x
j
,..., 2 , 1 , 0 = >

2. Programarea produciei [2]
O firm realizeaz un produs. Pentru o perioad de n luni se cunosc cantitile lunare
contractate. Acestea pot fi realizate n avans i depozitate. Producia poate fi realizat n
orar normal sau suplimentar. Volumul produciei realizabile este limitat de capacitile
de producie existente. Costurile de producie n orar normal, n orar suplimentar,
precum i costurile de stocare difer de la o lun la alta. Se pune problema determinrii
cantitilor ce trebuie realizate lunar n orar normal, n orar suplimentar i care trebuie
stocate, astfel nct costurile de producie i stocare s fie minime, n condiiile n care la
nceputul primei luni i la sfritul perioadei stocul produsului este 0.

Notm:
n - numrul de luni
n i R
i
,..., 2 , 1 , = - cantitile lunare contractate
n i y
i
,..., 2 , 1 , = - volumul produciei lunare realizabile n program normal
n i y
s
i
,..., 2 , 1 , = - volumul produciei lunare realizabile n program suplimentar
n i c
i
,..., 2 , 1 , = - costul lunar al produciei realizabile n program normal
n i c
s
i
,..., 2 , 1 , = - costul lunar al produciei realizabile n program suplimentar
d - costul unitar de stocare
n i x
i
,..., 2 , 1 , = - cantitile ce trebuiesc produse lunar n program normal
n i x
s
i
,..., 2 , 1 , = - cantitile ce trebuiesc produse lunar n program suplimentar
n i s
i
,..., 3 , 2 , = - cantitile ce trebuiesc stocate lunar.
Se cere s se determine n i x
i
,..., 2 , 1 , = , n i x
s
i
,..., 2 , 1 , = i n i s
i
,..., 2 , 1 , = , astfel nct
costurile de producie i stocare s fie minime.

Modelul
Funcia obiectiv: ( )
(
(
+ + + +
=
n
i
s s
i
s
i
s
i i i
x c x c s d x c x c
2
1 1 1 1
mi n

Restriciile: ( )

= =
+
= = +
i
k
i
k
k i
s
k k
n i R s x x
1 1
1
1 ,..., 2 , 1 ,

n n
s
n n
R s x x = + + (6)
n i y x
i i
,..., 2 , 1 , 0 = s s
n i y x
s
i
s
i
,..., 2 , 1 , 0 = s s
n i s
i
,..., 2 , 1 , 0 = >
Modelul se rezolv prin metoda programrii liniare.

3. Problema amestecului
Cunoscut i sub numele de problema dietei sau nutriiei, problema amestecului este
una din primele probleme practice, formulat i rezolvat ca problem de programare
liniar. Problema const n determinarea unei diete dintr-un numr dat de alimente,
care s satisfac anumite cerine biologice i s fie n acelai timp ct mai ieftin. Astfel
de probleme apar n alctuirea raiilor pentru animale n zootehnie, pentru calcularea
amestecului optim de ngrminte n agricultur, n industria chimic pentru diverse
amestecuri, n industria petrolier pentru amestecuri de benzine etc.

Notm:
, ,..., 2 , 1 , ,..., 2 , 1 , n j m i a
ij
= = - cantitatea din principiul nutritiv i,
coninut ntr-o unitate din produsul/alimentul j
, ,..., 2 , 1 , m i b
i
= - numrul minim de uniti din principiul nutritiv i,
pe care trebuie s-l conin dieta
, ,..., 2 , 1 , n j c
j
= - costul unei uniti din produsul/alimentul j
, ,..., 2 , 1 , n j x
j
= - cantitatea necunoscut din produsul/alimentul j
care va intra n compoziia dietei (necunoscutele
problemei)
Modelul
Funcia obiectiv:
=

n
j
j j
x c
1
mi n
Restriciile:
=
= >
n
j
i j ij
m i b x a
1
,..., 2 , 1 , (7)
n j x
j
,..., 2 , 1 , 0 = >
Modelul construit se rezolv prin metoda programrii liniare.

14 Dorin Lixndroiu

4. Problema reducerii pierderilor la tierea materialelor
n activitile productive apar probleme de optimizare la tierea (croirea) unor materiale
(rulouri de hrtie, bare metalice, evi, scnduri, stofe etc.), prin minimizarea pierderilor
rezultate. Presupunem c materialele ce urmeaz a fi tiate/croite au aceleai
dimensiuni. Operaia de tiere/croire poate fi efectuat dup mai multe modele,
rezultnd buci de dimensiunile dorite i un rest ce reprezint o pierdere.

Notm:
, ,..., 2 , 1 , m i b
i
= - numrul de buci necesare de tipul i
, ,..., 2 , 1 , ,..., 2 , 1 , n j m i a
ij
= = - numrul de buci de tipul i care se obin
din tierea/croirea conform modelului j
, ,..., 2 , 1 , n j r
j
= - costul restului rezultat prin tierea/croirea conform
modelului j
, ,..., 2 , 1 , n j x
j
= - numrul de materiale ce urmeaz a fi tiate/croite
conform modelului j;
Modelul
Funcia obiectiv:
=

n
j
j j
x r
1
mi n
Restriciile:
=
= >
n
j
i j ij
m i b x a
1
,..., 2 , 1 , (8)
n j x
j
,..., 2 , 1 , 0 = > - numere ntregi
Modelul construit se rezolv prin metoda programrii liniare cu variabilele numere
ntregi, deoarece materialele ce urmeaz a fi tiate/croite conform unui anumit model
se presupun indivizibile.

5. Problema realizrii proiectelor
O instituie public trebuie s realizeze m proiecte (obiective) n n ani. Se pune problema
repartizrii pe ani a celor m proiecte (obiective), astfel nct beneficiile obinute s fie
maxime, n ipotezele:
- realizarea unui obiectiv dureaz maxim un an
- mai multe obiective pot fi realizate n acelai an
- nu se pot transfera sume din bugetul de finanare de la un an la altul
Notm:
, ,..., 2 , 1 , n j B
j
= - bugetul anului j
, ,..., 2 , 1 , ,..., 2 , 1 , n j m i b
ij
= = - beneficiul rezultat din realizarea n anul j a
obiectivului i
, ,..., 2 , 1 , ,..., 2 , 1 , n j m i f
ij
= = - finanarea necesitat de realizarea
obiectivului i n anul j
, ,..., 2 , 1 , ,..., 2 , 1 , n j m i x
ij
= = - variabile booleene, care indic realizarea
( ) 1 =
ij
x sau non-realizarea ( ) 0 =
ij
x obiectivului i n anul j

Modelul
Funcia obiectiv:
= =

m
i
n
j
ij ij
x b
1 1
max
Restriciile:
=
= s
m
i
j ij ij
n j B x f
1
,..., 2 , 1 , (9)

=
= =
n
j
ij
m i x
1
,..., 2 , 1 , 1
{ } n j m i x
ij
,..., 2 , 1 , ,..., 2 , 1 , 1 , 0 = = e
Modelul conduce pentru rezolvare la problema de programare liniar cu variabile
booleene (0-1).

Observaie. n cazul a 7 obiective care trebuie realizate n 4 ani, avem un model cu 28 de
variabile ntregi i 67 (4 + 7 + 28 + 28) de restricii ! Conform relaiilor (4), 56 de resticii
vor asigura condiia ca variabilele s fie booleene (0-1).

STUDIUL DE CAZ Nr. 1 Sacoa de golf
O firm realizeaz un produs (saco de golf) n dou variante: standard i de lux.
Procesul de fabricaie const n execuia a 4 operaii succesive (croit, cusut, finisaj i
control de calitate).

Timpii de execuie pe unitatea de produs (n ore) sunt:
Produsul Operaia 1 Operaia 2 Operaia 3 Operaia 4
Standard 0.6 0.5 1.1 0.1
De luxe 1 0.8 0.7 0.25

Profitul unitar obinut este de 10 u.m. pentru varianta standard i de 9 u.m. pentru cea
de lux. Timpii disponibili estimai pentru fiecare operaie sunt:

Operaia 1 Operaia 2 Operaia 3 Operaia 4
Timpii
disponibili
650 h 700 h 750 h 200 h

Determinai programul optim de fabricaie, adic numrul de produse, n cele dou
variante, care trebuie executat astfel nct profitul total obinut s fie maxim.

Notm:
1
x - numrul de sacoe standard

2
x - numrul de sacoe de lux

16 Dorin Lixndroiu

Modelul
Funcia obiectiv: ( )
2 1
9 10 max x x +
Restriciile: 650 1 6 . 0
2 1
s + x x
700 8 . 0 5 . 0
2 1
s + x x (10)
750 7 . 0 1 . 1
2 1
s + x x
200 25 . 0 1 . 0
2 1
s + x x
0 , 0
2 1
> > x x
Rezolvm cu modulul Linear Programming din produsul software Quantitative
Management (QM).

Figura1

n figura 1 se prezint soluia obinut programul optim de fabricaie presupune
realizarea a 433.82 sacoe de golf model standard i a 389.70 sacoe de golf model de
lux. Valoarea corespunztoare a funciei obiectiv va fi de 7845.59 u.m. Evident, n
realitate planul de producie optim va fi rotunjit la 433 sau 434 pentru modelul standard
i 389 sau 390 pentru modelul de lux.

Problemele de programare liniar n care intervin dou sau trei variabile se pot rezolva i
pe cale grafic. Geometric, n cazul a dou variabile, fiecare restricie determin un
semiplan, care rezult prin divizarea planului de ctre dreapta a crei ecuaie se obine
prin transformarea inecuaiei n ecuaie. n final se obine un poligon, care reprezint
mulimea soluiilor admisibile. Soluia optim trebuie cutat n vrfurile poligonului. n
figura 2 se prezint rezolvarea grafic a problemei considerate n QM.


Figura 2

Interpretarea rezultatelor
Rezolvarea n QM, permite o analiz aprofundat i o interpretare economic a soluiilor
obinute. n figura 3 sunt date rezultatele acestei analize.

Figura 3

Reduced costs - arat cu ct trebuie s se modifice coeficienii funciei obiectiv, pentru
ca n soluia final valorile variabilelor s fie pozitive.

Slack / Surplus - furnizeaz pentru fiecare restricie valorile variabilelor auxiliare. n
cazul exemplului studiat d informaii importante pentru manager, legate de
capacitile de producie neutilizate. Astfel, avem la operaia 2 un surplus de 171,32 ore,
iar la operaia 4 un surplus de 59,19 ore.

18 Dorin Lixndroiu

Dual Value - d informaii asupra valorii marginale a resurselor n soluia optim. Preul
dual asociat unei restricii arat cu ct se mbuntete valoarea optim a funciei
obiectiv la creterea cu o unitate a valorii membrului drept din restricia respectiv.

Figura 4

Astfel, dac mrim cu o or timpul afectat pentru operaia 1, de la 650 ore la 651 ore, va
rezulta o cretere a valorii funciei obiectiv cu 4,26 u.m. de la 7845,59 u.m. la 7849,85
u.m. (figura 4). Evident pentru operaiile 2 i 4, Dual Value = 0, deoarece la aceste
operaii am constatat un surplus de ore neutilizate.

Objective Coefficient Ranges - pentru variaia coeficienilor funciei obiectiv n
intervalul: (Lower Bound - Upper Bound), soluia optim rmne neschimbat.
Din figura 3, deducem c o variaie a profitului pentru sacoa de lux n intervalul (6,36
u.m. - 16,67u.m.) nu conduce la modificarea structurii optime de producie (figura 5).

Figura 5

n schimb, pentru un profit de 16,67 u.m. se renun complet la producia sacoelor
standard i se vor produce numai sacoe de lux (figura 6).

Figura 6

Right Hand Side Ranges - preul dual asociat unei restricii rmne valabil dac valoarea
resursei (membrul drept al inegalitii) variaz n intervalul (Lower Bound - Upper
Bound).
De exemplu, din figura 3 deducem c preul dual de 4,26 u.m. rmne valabil dac
timpul afectat operaiei 1 variaz n intervalul (409,09 ore 846,34 ore).

Observaie. Analiza senzitivitii se face printr-o singur modificare a unui coeficient la
un moment dat.

STUDIUL DE CAZ Nr. 2 Model de alegere a unui produs software modular
Se consider c un produs software este format din mai multe module i fiecare modul
prin execuie ndeplinete o anumit funcie, necesar utilizatorului.

Ipotezele modelului:
I1. Pentru fiecare modul se cunoate fiabilitatea i costul;
I2. Utilizatorul dispune de o sum limitat pentru achiziionarea produsului software;
I3. Utilizatorul cunoate frecvena de utilizare a fiecrei funcii din produsul software.

S se maximizeze fiabilitatea medie prin alegerea unei mulimi optime de module fr
redundan.

Datele problemei sunt:
- bugetul disponibil = 12 u.m.
- pentru funcia 1 sunt disponibile 4 module
- frecvena de utilizare = 0.75

Modulul P1 P2 P3 P4
Fiabilitatea 0.90 0.80 0.85 0.95
Costul 6 4 5 8

- pentru funcia 2 sunt disponibile 3 module
20 Dorin Lixndroiu

- frecvena de utilizare = 0.25

Modulul Q1 Q2 Q3
Fiabilitatea 0.70 0.80 0.90
Costul 2 4 6

Modelul general
Notm:
N - numrul de funcii

k
F - frecvena de utilizare a funciei k

k
m - numrul de module disponibile pentru funcia k

kj
R - fiabilitatea modulului j care execut funcia k

kj
C - costul modulului j care execut funcia k
B - bugetul disponibil

_
R - fiabilitatea medie
, 1 =
kj
x dac modulul j a fost ales pentru funcia k
, 0 =
kj
x dac modulul j nu a fost ales pentru funcia k

Funcia obiectiv:

=
=
N
k
k k
R F R
1
_
max , unde
=
=
k
m
j
kj kj k
R x R
1
(11)
Restriciile sunt:

=
= =
k
m
j
kj
N k x
1
,..., 2 , 1 , 1 (12)

= =
s
N
k
m
j
kj kj
k
B C x
1 1

{ }
k kj
m j N k x ,..., 2 , 1 , ,..., 2 , 1 , 1 , 0 = = e

Constatm c rezolvarea acestui model conduce la o problem de programare liniar cu
variabile booleene (0-1).

Modelul general particularizat pentru datele problemei prezentate mai sus, a fost
rezolvat cu modulul Integer Programming din QM. Figura 7 prezint datele problemei
introduse n QM.


Figura 7
Soluiile obinute sunt date n figura 8.

Figura 8
Rezolvarea modelului de alegere a unui produs software modular a condus la selectarea
modulului P4 pentru funcia 1 i a modulului Q2 pentru funcia 2. S-a obinut o fiabilitate
medie de 0,9125.

RESTRICII LOGICE N MODELELE DE PROGRAMARE LINIAR
Considerm un model general de alegere a unor proiecte de investiii. Avem n proiecte
de investiii pentru care se cunosc beneficiile ce ar putea rezulta din realizarea acestora.
Notm cu:
, 1 =
i
x dac proiectul i se realizeaz
, 0 =
i
x dac proiectul i nu se realizeaz
Se pune problema de a determina proiectele de investiii care se vor realiza, astfel nct
beneficiul total s fie maxim. Analizm n continuare introducerea restriciilor pentru
cteva operaii logice.

22 Dorin Lixndroiu

A. INCOMPATIBILITATEA
Dou proiecte sunt incompatibile cnd nu se pot realiza n acelai timp; se poate realiza
doar unul sau niciunul (ele presupun utilizarea aceleiai resurse limitate, sau sunt
variante tehnice cu aceeai finalitate).

0 =
j
x 1 =
j
x
0 =
i
x Da Da
1 =
i
x Da Nu

Aceasta conduce la restricia: 1 s +
j i
x x (13)
Generalizare:
- din n proiecte, se poate realiza unul sau niciunul:
=
s
n
i
i
x
1
1
- din n proiecte, se pot realiza cel mult m proiecte:
=
s
n
i
i
m x
1

B. DISJUNCIA (sau)
Cel puin unul dintre proiectele i sau j trebuie s se realizeze.

0 =
j
x 1 =
j
x
0 =
i
x Nu Da
1 =
i
x Da Da

Aceasta conduce la restricia: 1 > +
j i
x x (14)
Generalizare:
- din n proiecte, cel puin unul trebuie s se realizeze:
=
>
n
i
i
x
1
1
- din n proiecte, cel puin m trebuie s se realizeze:
=
>
n
i
i
m x
1

C. ALTERNATIVA (sau exclusiv)
Presupune s se realizeze, n cazul a dou proiecte unul sau altul, dar nu amndou.

0 =
j
x 1 =
j
x
0 =
i
x Nu Da
1 =
i
x Da Nu

Aceasta conduce la restricia: 1 = +
j i
x x (15)


Generalizare:
- din n proiecte, unul singur trebuie s se realizeze:
=
=
n
i
i
x
1
1
- din n proiecte, m proiecte trebuie s se realizeze:
=
=
n
i
i
m x
1

D. IMPLICAIA
Dac proiectul i implic proiectul j, nu se poate realiza i fr a realiza i j. Dar, dac i nu
se realizeaz, proiectul j se poate realiza sau nu.

0 =
j
x 1 =
j
x
0 =
i
x Da Da
1 =
i
x Nu Da

Aceasta conduce la restricia:
j i
x x s (16)
Implicaia poate apare n situaii mai complexe, de exemplu:

k h i
x x x + s realizarea proiectului i implic realizarea cel puin a unuia din
proiectele h i k
k h i
x x x + s 2 realizarea proiectului i implic realizarea proiectelor h i k

i k h
x x x s + 2 realizarea proiectelor h sau k implic realizarea proiectului i

STUDIUL DE CAZ Nr. 3 Model de alegere a unor obiective
Modelul general a fost formulat n cadrul Problemei realizrii proiectelor (problema 5).
Abordm cazul particular al unei instituii publice care trebuie s realizeze 6 obiective
(O1, O2,..., O6) n 5 ani.
Variabilele modelului (variabile booleene) sunt: , 5 ,..., 2 , 1 , 6 ,..., 2 , 1 , = = j i x
ij

care indic realizarea ( ) 1 =
ij
x sau non-realizarea ( ) 0 =
ij
x obiectivului i n anul j.
S stabilim ce restricii logice trebuiesc adugate modelului n urmtoarele ipoteze:

I1. Nu se pot realiza mai mult de dou obiective ntr-un an.

=
= s
6
1
5 ,..., 2 , 1 , 2
i
ij
j x
I2. Nu se pot realiza mai mult de 3 obiective n primii 2 ani.
( ) ( ) 3 ... ...
62 22 12 61 21 11
s + + + + + + + x x x x x x ,
sau mai concentrat putem scrie: ( )
=
s +
6
1
2 1
3
i
i i
x x
24 Dorin Lixndroiu

I3. Obiectivul O2 nu poate fi realizat n acelai an cu obiectivul O1.
- scriem cte o restricie de incompatibilitate pentru fiecare an:

5 ,..., 2 , 1 , 1
2 1
= s + j x x
j j

I4. Dac obiectivele O1 i O2 sunt realizate n acelai an, nici un alt obiectiv nu poate fi
realizat n acelai an.
- pentrul anul 1 avem:

21 11 31
2 x x x s

21 11 41
2 x x x s

21 11 51
2 x x x s

21 11 61
2 x x x s
- aceleai restricii vor fi adugate i pentru anii 2,3, 4 i 5.
Concentrat putem scrie cele 20 de restricii logice astfel:

5 ,..., 2 , 1 , 6 , 5 , 4 , 3 , 2
2 1
= = s j i x x x
j j ij

I5. n primul an trebuie realizate obiectivele O1 i O2 sau obiectivele O3 i O4.

2
41 31 21 11
= + + + x x x x - din cele 4 obiective doar dou se vor realiza

21 11
x x = - cele dou vor fi (O1 i O2) sau (O3 i O4)

I6. Obiectivul O1 poate fi realizat n primul an numai dac acesta este anul de realizare al
obiectivelor O2 i O3.
- recunoatem situaia analizat la implicaie: realizarea proiectului i implic realizarea
proiectelor h i k; deci, vom aduga restricia logic:

31 21 11
2 x x x + s

MODELE DE ALOCARE (Distribuirea i repartizarea resurselor)
Modelele de alocare optimizeaz modul de mprire a resurselor disponibile ntre
activitile ce urmeaz a fi executate. Obiectivul l constituie alocarea resurselor astfel
nct s se minimizeze cheltuielile totale sau se maximizeze beneficiul.
Notm:
, ,..., 2 , 1 , m i R
i
= - resursele
, ,..., 2 , 1 , n j J
j
= - activitile
, ,..., 2 , 1 , ,..., 2 , 1 , n j m i c
ij
= = - cheltuielile (sau beneficiile) care rezult
din alocarea unei uniti din resursa
i
R activitii .
j
J
, ,..., 2 , 1 , n j a
j
= - cantitile de resurse necesare
, ,..., 2 , 1 , m i b
i
= - cantitile de resurse disponibile

n figura 9 este dat matricea care definete problema de alocare.

Resurse
Activiti Cantitatea de resurs
Disponibil J1 J2 .... Jn
R1 c
11
c
12
.... c
1n
b
1
R2 c
21
c
22
.... c
2n
b
2

.... .... .... .... .... ....
Rm c
m1
c
m2
.... c
mn
b
m

Cantitatea
de resurs
necesar

a
1

a
2

....

a
n

Figura 9 Matricea problemei de alocare

Dac suma resurselor disponibile este egal cu suma cantitilor necesare, adic:

= =
=
m
i
n
j
j i
a b
1 1
(17)
problema de alocare este echilibrat.
n cazul unei probleme neechilibrate algoritmii de rezolvare determin i activitile ce
nu vor fi executate sau resursele ce nu vor fi folosite.
n clasa problemelor de alocare distingem: problema de transport i problema de
repartizare.

Problema de transport
Const n transportul unui produs care se afl n m depozite (centre de aprovizionare,
surse) ctre n consumatori (clieni, centre de desfacere), astfel nct costul de transport
s fie minim.
Notm:
, ,..., 2 , 1 , m i D
i
= - depozitele
, ,..., 2 , 1 , n j C
j
= - centrele de consum
, ,..., 2 , 1 , n j a
j
= - cantitile de produs solicitate
, ,..., 2 , 1 , m i b
i
= - cantitile de produs disponibile
, ,..., 2 , 1 , ,..., 2 , 1 , n j m i c
ij
= = - cheltuielile pentru transportul unei uniti
de produs de la depozitul
i
D la centrul de consum
j
C
, ,..., 2 , 1 , ,..., 2 , 1 , n j m i x
ij
= = - cantitatea necunoscut de produs care va
fi transportat de la depozitul
i
D la centrul de consum
j
C
Modelul
Funcia obiectiv:
= =

m
i
n
j
ij ij
x c
1 1
mi n (18)
26 Dorin Lixndroiu

Restriciile:
=
= =
n
j
i ij
m i a x
1
,..., 2 , 1 ,

=
= =
m
i
j ij
n j b x
1
,..., 2 , 1 ,
n j m i x
ij
,..., 2 , 1 , ,..., 2 , 1 , 0 = = >
Modelul problemei de transport este rezolvat n QM de modulul Transportation, care
trateaz i situaiile neechilibrate (cererea > oferta sau cererea < oferta).

Problema de repartizare
ntr-o problem de repartizare fiecare resurs poate fi alocat unei singure activiti i
fiecare activitate nu poate utiliza dect o singur resurs. Este un caz particular de
problem de transport n care toate cantitile disponibile sunt egale cu 1 i toate
cantitile necesare sunt egale tot cu 1.
Exemplul tipic de problem de repartizare: un numr m de persoane trebuie s
efectueze un numr n de activiti. Fiecare persoan are un anumit cost (randament /
performan) pentru fiecare activitate. Se ncearc formarea de perechi resurs-
activitate astfel nct s se optimizeze funcia obiectiv (minimizarea costurilor sau
maximizarea performanelor). Astfel de probleme apar cnd trebuie s repartizm
avioanele i echipajele pe zboruri, camioanele i oferii pe anumite rute, personalul
dintr-o organizaie pe anumite funcii etc. Dac exist mai multe activiti dect se pot
efectua, trebuie precizat ce activitate nu va fi realizat. Dac exist mai multe resurse
dect activiti, se va preciza ce resurse rmn nealocate.

Modelul
Funcia obiectiv:
= =

m
i
n
j
ij ij
x c
1 1
mi n (cost)
sau
= =

m
i
n
j
ij ij
x r
1 1
max (randament)
Restriciile:
=
= =
n
j
ij
m i x
1
,..., 2 , 1 , 1 (19)

=
= =
m
i
ij
n j x
1
,..., 2 , 1 , 1
, 1 =
ij
x dac resursa i a fost alocat activitii j
, 0 =
ij
x dac resursa i nu a fost alocat activitii j

Modelul problemei de repartizare este rezolvat n QM de modulul Assignment.


STUDIUL DE CAZ Nr. 4 Repartizarea echipajelor pe cursele aeriene
[ACKOFF, 1975]
O linie aerian desfoar activiti zilnice n ambele sensuri ntre dou orae A i B.
Dac echipajul are baza (domiciliul) n A i sosete n B cu un anumit zbor, atunci el
trebuie s se rentoarc n A cu unul din zborurile urmtoare (eventual a doua zi).
Compania aerian dorete s determine ce perechi de zboruri (dus-ntors) trebuie
formate astfel nct timpul total de edere pe aeroportul strin s fie minim. Apare i
problema: fiind date perechile de zboruri, unde trebuie s-i aib baza fiecare echipaj?

Activitile zilnice se desfoar conform orarului:
Numr zbor Plecare A Sosire B
A-B 1 7 h 8 h
A-B 2 8 h 9 h
A-B 3 13 h 30 min 14 h 30 min
A-B 4 18 h 30 min 19 h 30 min
A-B 5 20 h 21 h
A-B 6 23 h 30 min 0 h 30 min

Numr zbor Plecare B Sosire A
B-A 1 8 h 9 h 15 min
B-A 2 8 h 30 min 9 h 45 min
B-A 3 12 h 13 h 15 min
B-A 4 17 h 30 min 18 h 45 min
B-A 5 19 h 20 h 15 min
B-A 6 22 h 23 h 15 min

Echipajul trebuie s se odihneasc ntre zboruri cel puin 5 ore. Determinai perechile de
zboruri pentru care timpul ntreg de staionare pe un aeroport strin s fie redus la
minim. Se poate stabili baza echipajelor fie n A, fie n B. Pentru fiecare pereche de
zboruri, echipajul va fi repartizat n baza care face posibil obinerea unui timp minim de
staionare.

Rezolvare
Pasul 1. Calculm timpul de staionare pe aeroportul strin n ipoteza c baza este n A.
Pentru aceasta considerm toate perechile (A-Bi, B-Aj), cu i=1,2,,6 i j=1,2,,6.
Plecare A - Sosire B
Zbor B-A 1 B-A 2 B-A 3 B-A 4 B-A 5 B-A 6
A-B 1 24 24.5 28 9.5 11 14
A-B 2 23 23.5 27 8.5 10 13
A-B 3 17.5 18 21.5 27 28.5 7.5
A-B 4 12.5 13 16.5 22 23.5 26.5
A-B 5 11 11.5 15 20.5 22 25
A-B 6 7.5 8 11.5 17 18.5 21.5
28 Dorin Lixndroiu

Pasul 2. Calculm timpul de staionare pe aeroportul strin n ipoteza c baza este n B.
Pentru aceasta considerm toate perechile (B-Ai, A-Bj), cu i=1,2,,6 i j=1,2,,6.
Plecare B - Sosire A
Zbor B-A 1 B-A 2 B-A 3 B-A 4 B-A 5 B-A 6
A-B 1 21.75 21.25 17.75 12.25 10.75 7.75
A-B 2 22.75 22.25 18.75 13.25 11.75 8.75
A-B 3 28.25 27.75 24.25 18.75 17.25 14.25
A-B 4 9.25 8.75 5.25 23.75 22.25 19.25
A-B 5 10.75 10.25 6.75 25.25 23.75 20.75
A-B 6 14.25 13.75 10.25 28.75 27.25 24.25

Pasul 3. Combinm cele dou tabele, alegnd baza care ofer timpul de staionare cel
mai sczut pentru fiecare pereche. Noua tabel conine datele de intrare n
modulul Assignment din QM (figura 10).

Figura 10

Soluia este dat n figura 11.

Figura 11
Pasul 4. Pentru a stabili baza echipajelor identificm soluiile de repartizare (Assign) n
cele dou tabele construite la Pasul 1 i 2. Rezult c 3 perechi de zboruri vor avea baza
n A i 3 perechi de zboruri vor avea baza n B, iar durata total de ateptare pe
aeroporturile strine pentru toate cele 6 echipaje este de 49 ore i 45 minute (Optimal
cost = $49.75).

Baza A : < A - B 2 > 
< A - B 3 > 
< A - B 6 > 

Baza B : < A - B 5 >
 < A - B 4 >
 < A - B 1 >

Rezumat
- Problema de programare liniar se ncadreaz n limitele generale ale
modelelor programrii matematice i se caracterizeaz prin faptul c att
funcia obiectiv ct i restriciile sunt exprimate matematic prin funcii liniare.
-
- Tipuri particulare de probleme de programare liniar:
- programarea liniar n numere ntregi
- programarea liniar mixt
- programarea liniar boolean

Rezolvarea n QM permite o analiz aprofundat i o interpretare
economic a soluiilor obinute valoarea marginal a resurselor n soluia
optim (Dual Value), intervalele de variaie ale coeficienilor funciei obiectiv
pentru care soluia optim rmne neschimbat (Lower Bound - Upper Bound),
valorile variabilelor auxiliare (Slack / Surplus) etc.

Utilizarea variabilelor booleene permite introducerea restriciilor pentru
cteva operaii logice: incompatibilitatea, disjuncia (sau), alternativa (sau
exclusiv), implicaia. Modul de utilizare este prezentat n Studiul de caz nr.3
Model de alegere a unor obiective.

Modelele de alocare (distribuirea i repartizarea resurselor) optimizeaz
modul de mprire a resurselor disponibile ntre activitile ce urmeaz a fi
executate. Obiectivul l constituie alocarea resurselor, astfel nct s se
minimizeze cheltuielile totale sau se maximizeze beneficiul. n clasa
problemelor de alocare distingem: problema de transport i problema de
repartizare.

30 Dorin Lixndroiu

Test de evaluare a cunotinelor Probleme propuse
1. O persoan dorete s realizeze depozite bancare n valoare total de 2000
u.m. la oricare din cele 6 bnci analizate. Informaiile obinute sunt:

Banca Dobnda Situaia Anii
B1 4.5% Excelent 2009
B2 5% Foarte bun 2011
B3 6% Proast 2007
B4 5.5% Bun 2006
B5 4.5% Excelent 2010
B6 5% Foarte bun 2011

Investitorul decide c nu va plasa mai mult de 25% la o singur banc i cel puin
jumtate din fonduri vor fi plasate la bncile pentru care are informaii dup
anul 2008. Nu va investi mai mult de 30% n bncile care au situaia financiar
mai puin de foarte bun. Ce sum va depune n fiecare banc pentru a
maximiza profitul din dobnd ? Construii modelul i rezolvai-l utiliznd
produsul software QM. [RUSU, 2001]

2. Un student n managementul afacerilor la Nowledge College trebuie s se
nscrie la 65 de cursuri pentru obinerea licenei. El trebuie s aleag cel puin 23
de cursuri de specialitate (de afaceri) i cel puin 20 de cursuri complementare
(nonbusiness courses). Dispune de 3000 $ pentru cumprarea cursurilor editate.
n medie un curs de specialitate necesit 120 de ore de studiu, iar cartea cost
60$. Pregtirea unui curs complementar necesit 200 ore de studiu, iar cartea
cost 24$. Ca orice student, i pune problema cte cursuri de specialitate i
complementare s aleag pentru a nva ct mai puin. Construii modelul,
gsii soluia optim i analizai rezultatele utiliznd produsul software QM.

3. O firm de prelucrarea lemnului dispune de 69 de scnduri de dimensiuni:
290cmx25cmx4cm. Pentru o lucrare contractat, firma trebuie s livreze cte
100 de scnduri de urmtoarele dimensiuni: 50cmx25cmx4cm, 70cmx25cmx4cm
i 80cmx25cmx4cm. Cum trebuie tiate scndurile astfel nct cantitatea total
de deeuri rezultate s fie minim? Construii modelul i gsii soluia optim
utiliznd produsul software QM.

4. O unitatea comercial trebuie s rspund unei cereri de 23 uniti din
produsul P, ealonat pe o perioad de 4 luni. La nceputul fiecrei luni unitatea
se poate aproviziona cu orice cantitate din produsul respectiv la un pre ce
variaz de la o lun la alta.
- luna 1: cerere = 5 pret unitar = 10

S se defineasc un model pentru politica optim de aprovizionare a firmei
astfel nct toate cererile s fie satisfcute, tiind c n stoc se gsesc la nceputul
primei luni 4 uniti din perioada anterioar, capacitatea maxim a depozitului
este de 10 uniti, iar la sfritul ultimei luni toate produsele sunt vndute.
Determinai soluia optim utiliznd produsul software QM.

5. ntr-un model investiional se poate alege ntre 5 proiecte i exist o sum
limitat de 1100 u.m., care poate fi investit. Beneficiul rezultat din realizarea
proiectelor este:
Proiect 1 Proiect 2 Proiect 3 Proiect 4 Proiect 5
Beneficiul 75 81 85 92 63
Costul 290 250 240 330 220
n ipotezele:
I1. Alegerea proiectului 3 implic alegerea a cel puin dou din proiectele 1, 4
sau 5 i
I2. Proiectele 2 i 3 nu se pot realiza n acelai timp, formulai modelul care
conduce la un beneficiu maxim. Determinai soluia optim utiliznd produsul
software QM.

6. O firm are depozite n 4 filiale i aprovizioneaz cu acelai produs 9 centre.
Cheltuielile de transport pentru o unitate de produs, oferta i cererea sunt date
n tabelul de mai jos:
C1 C2 C3 C4 C5 C6 C7 C8 C9 Oferta
D1 31 43 40 36 37 41 47 29 42 427
D2 19 18 20 47 14 36 13 62 47 3824
D3 57 59 55 64 18 20 53 39 64 4370
D4 28 46 52 60 25 18 42 59 24 1280
Cererea 1500 1000 1000 1500 1000 1000 600 1000 1500
a) a) S se stabileasc planul de transport astfel nct cheltuielile s fie minime.
b) b) Centrele cu cererea nesatisfcut apeleaz n perioada urmtoare la un alt
furnizor pentru ntreaga cantitate. Stabilii planul de transport pentru noua
perioad, n ipoteza c oferta firmei i cererea centrelor de consum rmase, se
pstreaz neschimbate.
c) Reducei oferta pentru perioada a 3-a n filialele (depozitele) cu exces astfel
nct s se obin o problem de transport echilibrat (cererea rmne
aceeai). Rezolvai problema utiliznd produsul software QM.

7. Reluai Studiul de caz nr. 4 Repartizarea echipajelor pe cursele aeriene n
ipoteza c durata dintre zboruri este de cel puin o or. Stabilii perechile de
zboruri pentru care timpul ntreg de staionare pe un aeroport strin s fie
redus la minim. Determinai soluia optim utiliznd produsul software QM.

Dorin Lixndroiu

32
Unitatea de nvare 3
MODELAREA DECIZIILOR MONOCRITERIALE
[ACKOFF, 1975], [ANDREICA, 1998], [HILLIER, 2005], [KAUFMANN, 1987], [KRAJEWSKI, 2005]
[IONESCU, 1999], [RUSU, 2001]

Obiectiv
Obiectivul acestui capitol este de a defini i construi modele pentru
elaborarea i analiza deciziilor monocriteriale n condiii de incertitudine cu
ajutorul matricei de decizie i al arborelui de decizie. Modelele sunt rezolvate
cu ajutorul produsului software QM (Quantitative Management).

Parcurgerea acestei uniti permite nelegerea procesului de luare a deciziilor
monocriteriale n condiii de incertitudine. Studiile de caz rezolvate i
analizate se constituie n modele direct aplicabile n procesele decizionale.
Utilizarea produsului software QM (modulul Decision Analysis) pentru
rezolvarea diferitelor modele, va permite concentrarea decidentului pe partea
de definire a procesului decizional i interpretare i analiz a rezultatelor
obinute.


ANALIZA DECIZIILOR MONOCRITERIALE CU AJUTORUL MATRICEI DE DECIZIE

Cursurile alternative de aciune elaborarea deciziei, prin definiie, implic dou sau mai
multe opiuni, cursuri sau alternative de aciune (strategii). Capacitatea de a crea
alternative depinde de creativitatea i imaginaia managerilor. Managerul creativ, de
obicei, vede mai multe alternative dect realizeaz unul conservator. Sunt variabile de
decizie independente.

Strile naturii numite i evenimente posibile, sunt rezultatul unei fore necunoscute,
necontrolabile. ntr-o situaie decizional numrul strilor naturii nu este prea mare.
Sunt parametrii necontrolabili independeni.

Probabilitile strilor naturii reprezint ansele de apariie a strilor naturii. Se
consider c numai una din stri va apare n viitor. Sunt parametrii necontrolabili
independeni.
Observaie. Strile naturii formeaz un sistem complet de evenimente.


33
Plile (consecinele sau rezultatele) - sunt asociate cu o alternativ i o stare a naturii.
Sunt variabile dependente.

Matricea plilor
Strile naturii

Alternative
S
1
S
2
. . . .

S
j
. . . . . S
n
p
1
p
2
. . . .

p
j
. . . . . p
n
A
1
A
2

....
A
i
.
A
m

a
11
a
12
. . . . a
1j
. . . . . a
1n

a
21
a
22
. . . . a
2j
. . . . . a
2n

a
i1
a
i2
. . . . a
ij
. . . . . a
in

a
m1
a
m2
. . . . a
mj
. . . . . a
mn

ELABORAREA DECIZIILOR MONOCRITERIALE N CONDIII DE INCERTITUDINE

1. CRITERIUL OPTIMIST (maximax)
Decidentul are o atitudine optimist alege alternativa care i maximizeaz plata. Se
presupune c cea mai bun stare a naturii va apare.
n prima etap se va selecta plata maxim posibil pentru fiecare alternativ, apoi se va
alege alternativa cu plata cea mai mare.
Decizia optim va fi:

{ } n j m i a D
ij
j i
,..., 2 , 1 , ,... 2 , 1 , max max = = = (1)

2. CRITERIUL PESIMIST (maximin) - (Criteriul lui WALD)
Decidentul are o atitudine pesimist ncearc s maximizeze plata minim posibil. Se
presupune c cea mai rea stare a naturii se va produce, indiferent ce alternativ va
alege.
n prima etap se va selecta cea mai rea plat pentru fiecare alternativ, apoi se va alege
alternativa cu plata cea mai mare. De fapt Wald apreciaz c dac ignor strile naturii
voi adopta atitudinea cea mai prudent.


{ } n j m i a D
ij
j
i
,..., 2 , 1 , ,... 2 , 1 , min max = = = (2)

3. CRITERIUL REGRETELOR (Criteriul lui SAVAGE)
Conceptul regretului este echivalent cu determinarea pierderii oportunitii. Costul
oportunitii indic semnificaia pierderii suferite din neselectarea celei mai bune
Dorin Lixndroiu

34
alternative. Savage argumenteaz n mod logic, c un decident raional va ncerca
ntotdeauna s minimizeze cel mai mare regret posibil, anticipat. Aplicarea criteriului
regretului presupune folosirea unui criteriu de opiune de tip minimax. Calculul
furnizeaz regretul ntre alegerea efectuat i alegerea cea mai favorabil dac s-ar
cunoate strile naturii.

Pasul 1. Construim matricea regretelor (R). Regretul este diferena dintre plata cea mai
bun pentru o stare a naturii dat i celelalte pli ale alternativelor pentru respectiva
stare.

{ } n j m i a a r
ij ij
i
ij
,..., 2 , 1 , ,..., 2 , 1 , max = = = (3)
Pasul 2. Se determin regretul maxim pentru fiecare alternativ, apoi se va alege
alternativa cu cel mai mic regret posibil.


{ } n j m i r D
ij
j i
,..., 2 , 1 , ,... 2 , 1 , max min = = = (4)

4. CRITERIUL REALISMULUI (Criteriul lui HURWICZ)
Conceptul de realism presupune c un decident nu este nici complet optimist, nici
complet pesimist. Hurwicz sugereaz c fiecare decident este caracterizat de un anumit
coeficient de optimism (notat alfa), care n mod normal va fi msurat pe o scar ntre 0 i
1, n care extremele sunt:
- pesimismul total, deci alfa = 0
- optimismul total, deci alfa = 1

n mod logic decidentul va avea i un coeficient de pesimism (1-alfa), care se aplic la
plata, consecina cea mai rea. Hurwicz introduce o valoare nou de apreciere a
alternativelor candidate, care se calculeaz pentru fiecare alternativ, astfel:

plata cea mai bun x alfa + plata ce mai rea x (1 alfa)

Avantajul metodei: decidentul introduce n decizie propria argumentare bazat pe
experien, intuiie, informaie, etc.

Pasul 1. Se determin aprecierea fiecrei alternative:

{ } { } ( ) m i a a H
ij
j
ij
j
i
,..., 2 , 1 , 1 min max = + = o o (5)
Pasul 2. Decizia optim va fi:

{ } m i H D
i
i
,... 2 , 1 , max = = (6)


35
5. CRITERIUL ECHIPROBABILITII (Criteriul lui LAPLACE)
Decidentul consider c toate strile naturii sunt echiprobabile. Se calculeaz pentru
fiecare alternativ o valoare ateptat, iar apoi va fi selectat alternativa cu valoarea
ateptat maxim.

Pasul 1. Se determin coeficientul de echiprobabilitate

n
e
1
= , unde n reprezint numrul de stri ale naturii

Pasul 2. Calculm valoarea ateptat pentru fiecare alternativ:
m i a e L
n
j
ij i
,..., 2 , 1 ,
1
= =

=


{ } m i L D
i
i
,... 2 , 1 , max = = (7)

6. CRITERIUL LUI BERNOULLI
Ca i n cazul Criteriului lui Laplace decidentul consider c toate strile naturii sunt
echiprobabile, dar utilizeaz logaritmul plilor n calculul valorii ateptate. Va fi
selectat alternativa cu valoarea ateptat maxim. Evident, acest criteriu se poate
aplica dac valorile din matricea plilor sunt toate pozitive, adic

n j m i a
ij
,..., 2 , 1 , ,..., 2 , 1 , 0 = = >

Pasul 1. Se determin coeficientul de echiprobabilitate

n
e
1
= , unde n reprezint numrul de stri ale naturii

Pasul 2. Calculm valoarea ateptat pentru fiecare alternativ, :
( ) m i a e B
n
j
ij i
,..., 2 , 1 , ln
1
= =

=


{ } m i B D
i
i
,... 2 , 1 , max = = (8)

Dorin Lixndroiu

36
7. CRITERIUL LUI PASCAL (Criteriul valorii medii)
n situaia n care strile naturii nu sunt echiprobabile se calculeaz pentru fiecare
alternativ valoarea medie (valoarea ateptat), iar apoi va fi selectat alternativa cu
valoarea medie maxim.

Pasul 1. Calculm valoarea medie pentru fiecare alternativ:
m i a p P
n
j
ij j i
,..., 2 , 1 ,
1
= =

=


{ } m i P D
i
i
,... 2 , 1 , max = = (9)

STUDIUL DE CAZ Nr. 1 - Dezvoltarea unui produs
[IONESCU, 1999]

Pentru dezvoltarea unui produs, o firm are 3 alternative:
A1 extinderea capacitilor de producie existente
A2 construirea unei noi fabrici (noi capaciti de producie)
A3 subcontractarea unor capaciti de producie de la ali productori

Analiza a identificat urmtoarele stri ale naturii:
S1 - o cerere mare, datorat unei rate ridicate de acceptare a produsului pe pia
S2 o cerere moderat, datorat unei reacii concureniale semnificative
S3 o cerere mic rezultat dintr-o rat slab de acceptare a produsului
S4 un eec total, o rat zero de acceptare a produsului

Matricea plilor

Rezolvarea cu modulul Decision Analysis din produsul software Quantitative
Management (QM).

Datele problemei sunt introduse n modulul din QM (figura 1).
Strile naturii

Alternative
S1
Cerere mare
S2
Cerere
moderat
S3
Cerere mic
S4
Cerere zero
A1 Extindere 500 250 -250 -450
A2 Construcie nou 700 300 -400 -800
A3 Subcontractare 300 150 -10 -100

37

Figura 1
Soluiile n cazul urmtoarelor criterii sunt prezentate n figura 2:
1. CRITERIUL ECHIPROBABILITII (Criteriul lui LAPLACE)
2. CRITERIUL PESIMIST (maximin) - (Criteriul lui WALD)
3. CRITERIUL OPTIMIST (maximax)
4. CRITERIUL REALISMULUI (Criteriul lui HURWICZ)

Figura 2

5. CRITERIUL REGRETELOR (Criteriul lui SAVAGE)
Soluia pentru Criteriul lui Savage este dat n figura 3.

Figura 3
Dorin Lixndroiu

38
S recapitulm:
- conform criteriului lui Laplace lum decizia de subcontractare
- conform criteriului lui Wald (maximin) lum decizia de subcontractare
- conform criteriului lui Savage(regretelor) lum decizia de extindere
- conform criteriului optimist (maximax) lum decizia de construcie nou
- conform criteriului lui Hurwicz (realismului) cu alfa = 0.7 lum decizia de
construcie nou

Cele 5 criterii aplicate nu conduc la aceeai decizie. Pentru a compara diferitele criterii
de decizie n condiii de incertitudine, numeroi autori pentru a justifica decizia optim
propun realizarea unei analize prin construirea unui tabel de clasificare. Minimizarea
sumei rangurilor obinute de alternativele studiate, relativ la cele 5 criterii, ar putea
justifica alegerea deciziei optime. Este ns posibil s se ajung la rezulate de tipul
paradoxului lui Condorcet (clasamente non tranzitive).

Criteriul

Alternativa

Laplace

Wald

Savage

Optimist

Hurwicz

Suma
rangurilor

A1 Extindere

2

2

1

2
2 ( = 0.7)

2 ( = 0.3)
9 ( = 0.7)

9 ( = 0.3)

A2 Construcie nou

3

3

3

1
1 ( = 0.7)

3 ( = 0.3)
11 ( = 0.7)

13 ( = 0.3)

A3 Subcontractare

1

1

2

3
3 ( = 0.7)

1 ( = 0.3)
10 ( = 0.7)

8 ( = 0.3)

n tabelul de clasificare s-au introdus pentru Criteriului lui Hurwicz dou rezultate:
pentru cazul optimist (alegerea lui = 0.7) i pentru cazul pesimist, sau mai corect
prudent (alegerea lui = 0.3).

Concluzia final:
- un comportament prudent indic alegerea alternativei - A3 Subcontractare
- un comportament mai optimist indic alegerea alternativei - A1 Extindere

STUDIUL DE CAZ Nr. 2 - Construcia unui motel
[KAUFMANN, 1987]

Un investitor dorete construirea unui motel pe un traseu turistic frecventat intens.
Cumpr un teren cu ieire direct la osea cu 50.000 um. i propune construirea pe
acest teren a unui motel, dar nu tie nc la ce capacitate s-l realizeze: 20, 30, 40 sau 50
de camere.
Devizul cheltuielilor este urmtorul:

39
1. Cheltuieli anuale independente de numrul S al camerelor:
- amenajarea terenului, construcia, etc. cost 100.000 um
i admitem c vor amortizate n 10 ani 10.000 um
- cheltuieli de reparaii i ntreinere (partea fix) 1.500 um
- salariu paz de noapte 6.000 um
- salariu angajat ntreinere 8.000 um
-------------------------------
TOTAL 25.500 um
Not. Preul de cumprare al terenului nu este luat n calcul deoarece se consider c
valoarea acestei investiii crete aproximativ ca un capital plasat cu o rat normal a
dobnzii. Salariile care sunt prezentate reprezint total cheltuieli salariale, adic includ i
contribuia angajatorului.

2. Cheltuieli anuale proporionale cu numrul S de camere construite:

Explicaii S = 20 S = 30 S = 40 S = 50
Construcia, amenajarea, mobilarea unei camere
revine la 40.000 um i se consider o amortizare
constant pe 10 ani.

80.000

120.000

160.000

200.000
Se calculeaz o camerist pentru 10 camere cu
un salariu anual de 6.000 um.

12.000

18.000

24.000

30.000
ntreinere i reparaii: 150 um pe an i pe
camer.

3.000

4.500

6.000

7.500

Asigurri: 25 um pe an i pe camer.

500

750

1.000

1.250

TOTAL

95.500

143.250

191.000

238.750

3. Cheltuielile anuale proporionale cu numrul mediu R de camere ocupate:

Explicaii R = 0 R = 10 R = 20 R = 30 R = 40 R = 50
Splat, clcat lenjerie:
5 um / zi / camer (360 zile)

0

18.000

36.000

54.000

72.000

90.000
Electricitate, gaz i ap:

0

18.000

36.000

54.000

72.000

90.000

TOTAL

0

36.000

72.000

108.000

144.000

180.000

ncasrile
Se apreciaz c la un pre de 60 um / camer / pe zi, sumele ncasate n funcie de
cerere vor fi:
Explicaii R = 0 R = 10 R = 20 R = 30 R = 40 R = 50
ncasrile la un pre de

0

219.000

438.000

657.000

876.000

1.095.000
Dorin Lixndroiu

40
Beneficiile anuale (mii um)
R = 0 R = 10 R = 20 R = 30 R = 40 R = 50
S = 20 - 121,00 62,00 245,00 245,00 245,00 245,00
S = 30 - 168,75 14,25 197,25 380,25 380,25 380,25
S = 40 - 216,50 -33,50 149,50 332,50 515,50 515,50
S = 50 - 264,25 -81,25 101,75 284,75 467,75 650,75
Investitorul are mari probleme: dac va construi 20 de camere, poate ctiga 245.000 um, dar
risc s piard 121.000 um; pentru 30 de camere, beneficiul maximal posibil va fi mai mare
(380,25 um), dar i pierderea maxim va fi mai mare (168,75um).
Aplicarea diferitelor metode de decizie n condiiile de incertitudine date de ncasrile realizate
conduce la urmtoarele decizii:

1. Criteriul lui LAPLACE
Considerm probabilitile strilor naturii echiprobabile i egale cu 1/6. Strile naturii
sunt date de gradele de ocupare ale camerelor.

Figura 4
Conform acestui criteriu, EMV (valoarea monetar ateptat) cea mai mare (210.32)
corespunde deciziei de a construi S = 40 camere (figura 4).

2. Criteriul lui WALD
Conform celor prezentate se va alege:
(
ij
j
i
a min max
adic valoarea -121, ceea ce corespunde deciziei de a construi S = 20 camere (figura 5).

Figura 5

41
3. Criteriul lui HURWICZ
Vom prezenta rezultatele pentru diferite valori ale coeficientului de optimism alfa.

- alfa =0.1 corespunde deciziei de a construi S = 20 camere (figura 6)

Figura 6

- alfa =0.2 corespunde deciziei de a construi tot S = 20 camere (figura 7)

Figura 7


Figura 8

Dorin Lixndroiu

42

Figura 9

- alfa =0.9 corespunde deciziei de a construi tot S = 50 camere (figura 10)

Figura 10

Constatm c atitudinea pesimist dominant conduce la decizia de a construi S = 20
camere, n timp ce atitudinea optimist indic S = 50 camere.

4. Criteriul lui SAVAGE

Figura 11

Aplicarea acestui criteriu conduce la decizia de a construi S = 40 camere (figura 11).

43
Concluzie
Investitorul are de ales ntre urmtoarele soluii:
a) conform criteriului lui Laplace va construi 40 camere;
b) conform criteriului lui Wald va construi 20 camere;
c) conform criteriului lui Hurwicz va construi 20 camere dac este pesimist i 50
camere dac este optimist;
d) conform criteriului lui Savage va construi 40 camere;

Investitorul nu se poate lansa n afacere, dac nu are o informaie, cel puin parial,
asupra anselor de reuit. El obine informaii asupra cererii medii nregistrate n ultimii
ani:

Cererea 0 10 20 30 40 50
Probabilitatea 0,01 0,09 0,20 0,30 0,30 0,10

n aceast situaie poate aplica:

5. Criteriul lui PASCAL

Se calculeaz valoarea medie a ctigului n fiecare din cele 4 alternative:
( ) | | 87 , 224 1 , 0 3 , 0 3 , 0 2 , 0 245 09 , 0 62 01 , 0 121 20 20 = + + + + + = = E S
analog:
( ) 22 , 305 30 30 = = E S
( ) 675 , 330 40 40 = = E S
( ) 12 , 301 50 50 = = E S
Se observ c, soluia cea mai favorabil (valoarea maxim) este de a construi 40
camere.

Alegerea unui criteriu
Este o problem dificil, care implic evaluarea anselor de ruin i a anselor de succes.
Se consider:
probabilitatea subiectiv de a obine rezultate proaste;
probabilitatea subiectiv de a avea succes;
probabilitatea situaiilor intermediare, astfel nct:
1 = + + | o
Dac notm cu:

P - suma rezultatelor proaste;

I - suma rezultatelor intermediare;

S - suma rezultatelor satisfctoare,

atunci :

p
S
n
I
m
P

+ + | o
Dorin Lixndroiu

44
reprezint n fiecare ipotez, o estimaie subiectiv a speranei matematice, unde m, n,
p sunt numerele de rezultate reinute pentru fiecare categorie.

Problema fundamental va fi s determinm n care categorie trebuie clasificat fiecare
rezultat. O prim soluie ar fi s considerm ca rezultate proaste cele care conduc la o
pierdere, adic cele negative din tabela Beneficii anuale:

- pentru S = 40 avem: 125
2
5 , 33 5 , 216
=

=
m
P

- pentru S = 30 avem: 75 , 168
1
75 , 168
=
m
P

Aceasta contrazice intuiia, care ne spune c riscul crete cu numrul de camere
construite.

Din aceast cauz preferm o a doua soluie care consider ca rezultate proaste numai
cele de pe prima coloan din tabela Beneficii anuale (corespunztoare lui R = 0). Se
poate considera c o pierdere uoar este echivalent cu un ctig uor (de exemplu n
cazul R = 10, ctigul de14,25 pierderea de -33,5). Aceast soluie conduce natural
prin simetrie la considerarea ca rezultate satisfctoare a celor care corespund cererii
maxime R = 50.

S considerm un exemplu concret i presupunem c ntreprinztorul evalueaz la 10%
probabilitatea de ruin i cu 20% probabilitatea de succes.

Astfel, pentru 2 , 0 1 , 0 = = o , rezult c 7 , 0 = | i se pot calcula:

( ) 4 , 176 2 , 0
1
245
7 , 0
4
245 3 62
1 , 0
1
121
20 = +
+
+ = E

analog: ( ) 3 , 229 30 = E
( ) 2 , 250 40 = E
( ) 8 , 238 50 = E
ceea ce conduce la decizia de a construi 40 camere.


45
STUDIUL DE CAZ Nr. 3 - Problema investiiilor (plasamente financiare)
[IONESCU, 1999]

Departamentul investiiilor dorete s maximizeze randamentul investiiilor
(lichiditilor disponibile) pentru o perioad de un an. Problema este incert i nimeni
nu poate prezice exact micrile aciunilor i ale pieei obligaiunilor.

Studiul relaiei dintre randamentul posibilelor investiii i starea economiei, bazat pe
experiena trecut, conduce la urmtoarele concluzii:

Dac va apare o cretere economic sntoas: obligaiunile vor produce
profituri de 12 %, aciunile de 15% i depozitele la termen de 6,5%.
Dac va apare stagnarea economic: obligaiunile vor produce 6% ctiguri,
aciunile 3% , iar depozitele la termen de 6,5%.
Dac apare inflaia: obligaiunile vor produce 3% ctiguri, valoarea aciunilor va
scdea cu 2% , iar depozitele la termen vor produce normal tot 6,5%.

Matricea plilor (Tabel de decizie)

S1 -Cretere econ.
P1=0,5
S2 - Stagnare
P2=0,3
S3 - Inflaie
P3=0,2
A1 Obligaiuni 12 6 3
A2 Aciuni 15 3 -2
A3 Depozit 6,5 6,5 6,5

Dup modelul de rezolvare al Studiului de caz nr.1 Dezvoltarea unui produs, stabilii
deciziile de aciune prin aplicarea criteriilor Laplace, Wald, Hurwicz (alfa=0.3 i alfa=0.7),
Savage, Pascal i optimist.

Dorin Lixndroiu

46
ANALIZA DECIZIILOR CU AJUTORUL ARBORELUI DE DECIZIE

Arborele de decizie reprezint forma grafic a matricei plilor. Conceptul de arbore de
decizie permite o abordare sistematic a multor probleme decizionale.

Un arbore de decizie este compus din urmtoarele elemente:
- Noduri de decizie - sunt punctele arborelui n care decidentul opteaz pentru o
aciune (alternativ) din mai multe posibile; se reprezint de regul printr-un
ptrat
- Noduri ans sunt puncte de ramificaie ale arborelui n care responsabilitatea
alegerii revine naturii, adic unor factori independeni; se reprezint de regul
printr-un cerc
- Noduri terminale sunt frunzele arborelui i au asociate o plat (consecin); se
reprezint de regul printr-un romb
- Alternativele sunt reprezentate de arcele (ramurile arborelui) care pleac dintr-
un nod decizional sau un nod ans; unei alternative i se poate asocia un cost;
fiecare alternativ poate sfri ntr-un alt nod de decizie, nod ans sau nod
terminal.

Cum se construiete arborele de decizie:
- construirea arborelui se face de la stnga la dreapta, cu un nod de decizie iniial;
- alternativele posibile de decizie sunt reprezentate prin arce care ies din acest
nod;
- n continuare se adaug alte noduri de decizie sau noduri ans corespunztor cu
evenimentele sau deciziile care sunt ateptate s apar;
- arborele se dezvolt astfel spre dreapta pn sunt atinse nodurile terminale ce
au asociate o plat (consecin).

Abordm problema n care trebuie aleas la fiecare pas o decizie dintr-un numr finit de
posibiliti i ntregul proces decizional se termin dup un numr finit de pai.

STUDIUL DE CAZ Nr. 4 Lansarea pe pia a unui nou produs
[ACKOFF, 1975]

O firm de produse alimentare dorete lansarea pe pia a unui nou produs. S-au
efectuat cteva teste care au confirmat calitile produsului i plasarea bun pe pia
printre produsele similare. Departamentul de marketing apreciaz probabilitatea de
succes a produsului la 0,3 i acesta ar aduce un beneficiu anual total de 3000 u.m. n
cazul unui eec pierderea firmei va fi de 250 u.m. Firma poate alege una din cele trei
alternative:
- s renune la lansarea produsului;
- s pun imediat produsul n vnzare;
- s testeze vnzarea produsului ntr-un lan de supermagazine; n aceast situaie
costul testrii este de 50 u.m. i sunt posibile urmtoarele situaii (evenimente):

47
a) EV1- produsul va fi ncercat de mai puin de 10% din potenialii consumatori;
b) EV2- produsul va fi ncercat de mai mult de 10% din potenialii consumatori,
dar mai puin de 50% din acetia vor reveni s cumpere produsul i a doua
oar (este cunoscut faptul c prima cumprare nu inseamn neaprat i
acceptarea noului produs; aceasta poate fi doar rezulatatul curiozitii
consumatorilor);
c) EV3- produsul va fi ncercat de mai mult de 10% din potenialii consumatori,
i cel puin 50% din acetia vor reveni s cumpere produsul i a doua oar,
ceea ce nseamn acceptarea produsului.

Firma dup efectuarea testului poate alege una dintre urmtoarele alternative:
- renun la punerea n fabricaie a produsului
- lanseaz produsul pe pia.

Pe baza experienei anterioare i a estimaiilor subiective ale unor experi se apreciaz
probabilitile de succes / eec n cazul testrii produsului pe pia. Aceste rezultate sunt
date n tabelul de mai jos.

EV1 - ncearc
mai puin de
10%

EV2 - ncearc mai
mult de 10% i
revin mai puin de
50%
EV3 - ncearc
mai mult de 10%
i revin mai mult
de 50%
Probabi-
liti
S (succes)
E (eec)
0,03
0,47
0,07
0,18
0,20
0,05
0,30
0,70

Probabiliti

0,50

0,25

0,25

1

Principiile analizei:
- Valoarea fiecrui nod n care natura efectueaz alegerea nu depinde dect de
evenimentele viitoare i nu de deciziile precedente.
- n nodurile n care decizia revine decidentului se alege ntotdeauna acea decizie
pentru care urmtorul nod la care se ajunge este cel mai profitabil; valoarea
nodului actual este egal cu valoarea nodului urmtor din care se scade costul
deplasrii.
- Evaluarea intregului sistem i determinarea deciziei optime se poate face
ncepnd cu nodurile terminale i deplasndu-ne n sensul contrar celui urmat de
procesul real, pn ajungem n nodul iniial.

Arborele de decizie asociat acestei probleme este dat n figura 12.

Dorin Lixndroiu

48

Figura 12
Evaluarea arborelui
Notm cu B1, B2,..., B15 valorile calculate (beneficiile) n nodurile respective.
n nodul 1 putem ajunge din:
- Nodul 2, care corespunde renunrii la lansare i deci beneficiul este zero;
Rezult B2 = 0 u.m.;
- Nodul 3, care corespunde punerii imediate n vnzare i n acest caz, beneficiul
va fi:
. . 725 7 . 0 250 3 . 0 3000 3 m u B = =
- Nodul 4, care corespunde testrii i care are un cost de 50 u.m., va fi evaluat
pornind de la nodurile din partea dreapt a arborelui i determinm succesiv:
- valoarea nodului 13:
( ) 06 . 0 50 . 0 / 03 . 0 1 / = = EV succes P
( ) 94 . 0 50 . 0 / 47 . 0 1 sec/ = = EV e P
. . 55 94 . 0 250 06 . 0 3000 13 m u B = =
( ) ( ) . . 0 55 , 0 max 13 , 10 max 7 m u B B B = = =
( ) 28 . 0 25 . 0 / 07 . 0 2 / = = EV succes P
( ) 72 . 0 25 . 0 / 18 . 0 2 sec/ = = EV e P
. . 660 72 . 0 250 28 . 0 3000 14 m u B = =
1
2
3
5
6
4
7
8
9
10
00
00
2
11
12
13
3
14
3
15
16
00
00
2
17
00
00
2
18
00
00
2
19
00
00
2
20
00
00
02
21
00
00
02
-50
R R
R
R
L
EV1
1L
L
L
L
T
EV2
1L
EV3
1L
S
E E
E
E
S
S
S
3000
3000
3000
-250
-250
-250
-250
0
0
0
0 3000

49
( ) ( ) . . 660 660 , 0 max 14 , 11 max 8 m u B B B = = =
( ) 8 . 0 25 . 0 / 20 . 0 3 / = = EV succes P
( ) 2 . 0 25 . 0 / 05 . 0 3 sec/ = = EV e P
. . 2350 2 . 0 250 8 . 0 3000 15 m u B = =
( ) ( ) . . 2350 2350 , 0 max 15 , 12 max 9 m u B B B = = =
. . 50 . 752 25 . 0 2350 25 . 0 660 5 . 0 0 4 m u B = + + =
din aceast valoare se scade costul testrii (costul ajungerii n nodul 4) i
va rezulta:
. . 50 . 702 50 50 . 752 4 m u B = =
( ) ( ) . . 725 50 . 702 , 725 , 0 max 4 , 3 , 2 max 1 m u B B B B = = =
Rezult c testarea pieei nu este justificat i decizia va fi: produsul va fi lansat direct
pe pia. Dac costul testrii ar fi mai mic de . . 50 . 27 725 50 . 752 m u = , atunci ar putea
fi luat decizia de testare.
Rezolvarea cu modulul Decision Analysis (Decisions Trees) din produsul software
Quantitative Management (QM) este redat n figura 13.

Figura 13
Dorin Lixndroiu

50
n figura 14 este reprezentat graful corespunztor realizat n QM.

Figura 14

Rezumat
Analiza deciziilor monocriteriale cu ajutorul matricei de decizie presupune
existena mai multor elemente:
- cursurile alternative de aciune (opiuni, strategii); sunt variabile de decizie
independente;
- strile naturii numite i evenimente posibile, sunt rezultatul unei fore
necunoscute, necontrolabile; sunt parametrii necontrolabili independeni;
- probabilitile strilor naturii reprezint ansele de apariie a strilor
naturii; se consider c numai una din stri va apare n viitor; sunt parametrii
necontrolabili independeni;
- plile (consecinele sau rezultatele) - sunt asociate cu o alternativ i o stare
a naturii; sunt variabile dependente.

Pentru elaborarea deciziilor monocriteriale n condiii de incertitudine se pot
aplica mai multe criterii:
- CRITERIUL OPTIMIST (maximax)
- CRITERIUL PESIMIST (maximin) - (Criteriul lui WALD)
- CRITERIUL REGRETELOR (Criteriul lui SAVAGE)
- CRITERIUL REALISMULUI (Criteriul lui HURWICZ)
- CRITERIUL ECHIPROBABILITII (Criteriul lui LAPLACE)
- CRITERIUL LUI BERNOULLI
- CRITERIUL LUI PASCAL (Criteriul valorii medii)

51
Pentru a compara diferitele criterii de decizie n condiii de incertitudine i
pentru a justifica decizia optim se poate realiza o analiz prin construirea
unui tabel de clasificare.

Arborele de decizie reprezint forma grafic a matricei de decizie.
Un arbore de decizie este compus din urmtoarele elemente:
- Noduri de decizie - sunt punctele arborelui n care decidentul opteaz pentru
o aciune (alternativ) din mai multe posibile; se reprezint de regul printr-un
ptrat.
- Noduri ans sunt puncte de ramificaie ale arborelui n care
responsabilitatea alegerii revine naturii, adic unor factori independeni; se
reprezint de regul printr-un cerc.
- Noduri terminale sunt frunzele arborelui i au asociate o plat (consecin);
se reprezint de regul printr-un romb.
- Alternativele sunt reprezentate de arcele (ramurile arborelui) care pleac
dintr-un nod decizional sau un nod ans; unei alternative i se poate asocia un
cost; fiecare alternativ poate sfri ntr-un alt nod de decizie, nod ans sau
nod terminal.

Test de evaluare a cunotinelor Matricea de decizie (matricea plilor)
1.Definii problema deciziei monocriteriale n condiii de incertitudine.
2. Prezentai cele 7 criterii decizionale descrise.
3. Studiul de caz nr. 1 Plecnd de la matricea plilor refacei calculele pentru
cele 5 criterii fr a utiliza produsul software QM.
4. Studiul de caz nr. 2 Pentru rezultatele obinute prin aplicarea celor 5 criterii
(Lapace, Wald, Hurwicz, Savage i Pascal) construii un tabel de clasificare i
comparai rezultatul cu concluziile studiului.
5. Rezolvai Studiul de caz nr.3 prin aplicarea criteriilor Laplace, Wald, Hurwicz
(alfa=0.3 i alfa=0.7), Savage, Pascal i optimist.
6. Studiul de caz nr. 3 Analizai rezultatele obinute cu ajutorul unui tabel de
clasificare.
7. O persoan optimist ncearc s deschid o afacere n domeniul distribuiei.
Cumpr un produs perisabil cu 2 u.m./kg i l vinde cu 5 u.m./kg. Cererea este
incert i produsele nevndute la sfritul zilei sunt distruse. Dac nu le are n
stoc pierde profitul. Statistica pe ultimele dou luni este:

Cererea zilnic Numrul de zile
10 kg 6
11 kg 12
12 kg 24
13 kg 18
Determinai decizia optim de aprovizionare. Efectuai o analiz a deciziilor
obinute pe baza diferitelor criterii. [RUSU, 2001]
Dorin Lixndroiu

52

Test de evaluare a cunotinelor Arborele de decizie

1. Rezolvai Studiul de caz nr. 3 Problema investiiilor cu ajutorul arborelui de
decizie urmnd metoda de calcul prezentat.
2. Rezolvai Studiul de caz nr. 3 Problema investiiilor cu ajutorul arborelui de
decizie utiliznd QM.
3. Comparai rezultatele obinute prin cele dou metode: matricea de decizie i
arborele de decizie.


Unitatea de nvare 4
MODELAREA DECIZIILOR MULTICRITERIALE
*ANDRAIU, 1986+, [ANDREICA, 1998], [FILIP, 2002], [FILIP, 2007], [KAUFMANN, 1987],
[IONESCU, 1999], *RAIU, 2001+

Obiectiv
Obiectivul acestui capitol este de a defini i construi modele pentru
elaborarea i analiza deciziilor multicriteriale de tip multiatribut. Se prezint
diferite moduri de normalizare a matricei consecinelor i trei metode clasice
de ordonare a variantelor metoda ponderrii simple aditive, metoda Topsis
i metoda diametrelor, pentru care se construiesc algoritmii corespunztori.
Este abordat i problema determinrii coeficienilor de importan.

Parcurgerea acestei uniti permite nelegerea procesului de elaborare a
deciziilor multicriteriale de tip multiatribut. Algoritmii de calcul prezentai
pentru determinarea coeficienilor de importan i ordonarea variantelor,
precum i studiile de caz rezolvate i analizate reprezint modele aplicabile
direct n procesul decizional sau care pot ajuta decidentul n realizarea altor
modele.


Problemele de decizie multicriterial presupun alegerea unei alternative sau a unui plan
de aciune n condiiile existenei mai multor obiective, care trebuie analizate.
Obiectivele pot fi de naturi diferite i n contradicie unul cu altul.
Majoritatea situaiilor cu care ne confruntm n viaa real implic existena unor decizii
multicriteriale. De exemplu, pentru alegerea unui automobil, din clasa de pre pe care o
avem n vedere, ncercm satisfacerea simultan a mai multor obiective: pre ct mai
mic, fiabilitate mare, consum mic, cost de de ntreinere redus, sigurana n caz de
accident ct mai mare... Un alt exemplu: o firm pentru stabilirea programului optim de
producie poate lua n considerare mai multe obiective n acelai timp: costuri de
producie mici, venituri ct mai mari, satisfacerea ct mai bun a cererii,...

Din exemplele descrise se pot distinge dou tipuri de modele de decizie multicriterial:
1. Modele de decizie multiatribut sunt modele cu un numr limitat (discret) de
alternative (variante). Se pune problema alegerii alternativei (variantei) optime
dintr-o mulime finit de alternative care se compar ntre ele n raport cu mai
multe criterii (atribute) sau ordonarea tuturor variantelor n raport cu criteriile
considerate. Fiecare alternativ este caracterizat n raport cu fiecare atribut
54 Dorin Lixndroiu

cantitativ (numeric) sau calitativ (nenumeric). Fiecare atribut are un anumit scop:
maxim sau minim. Atributele pot avea importane diferite pentru decident.
2. Modele de decizie multiobiectiv sunt modele cu un numr infinit de alternative
(variante). Situaiile decizionale genereaz modele de decizie care urmresc
maximizarea sau minimizarea simultan a unor funcii de mai multe variabile.
Variabilele sunt supuse unor sisteme de restricii care sunt n general formulate
sub forma unor inegaliti sau egaliti. Se pune problema determinrii valorilor
variabilelor care optimizeaz sistemul de funcii obiectiv. Rezolvarea acestor
modele face obiectul unor capitole speciale ale programrii matematice.

MODELE DE DECIZIE MULTIATRIBUT

O problem de de decizie multiatribut are urmtoarele elemente:

V = { V
1
, V
2
, V
3
,, V
m
} - mulimea variantelor (alternativelor)
C = { C
1
, C
2
, C
3
,, C
n
} - mulimea criteriilor (atributelor)
A = {a
ij
}, i=1,2,m, j=1,2,,n - matricea consecinelor (a
ij
reprezint valoarea
variantei V
i
pentru criteriul C
j
).
n situaia n care nu toate criteriile sunt la fel de importante, se pot evalua coeficienii
de importan ai fiecrui criteriu.

Notm cu:
P = { p
1
, p
2
, p
3
,, p
n
} - mulimea coeficienilor de importan asociai criteriilor.

n general se consider:

=
=
n
j
j
p
1
1
Matricea consecinelor va fi de forma:

Criterii (atribute)

Alternative (variante)
C
1
C
2
. . . .

C
j
. . . . . C
n

V
1
V
2

....
V
i
.
V
m

a
11
a
12
. . . . a
1j
. . . . . a
1n

a
21
a
22
. . . . a
2j
. . . . . a
2n

a
i1
a
i2
. . . . a
ij
. . . . . a
in

a
m1
a
m2
. . . a
mj
. . . . a
mn

Coeficienii de importan p
1
p
2
. . . .

p
j
. . . . . p
n


Normalizarea matricei consecinelor
Valorile atributelor cantitative din matricea consecinelor sunt exprimate n general n
uniti de msur diferite. Pentru a putea fi comparate acestea trebuie s fie omogene.
Procesul de omogenizare se realizeaz prin normalizare, adic se pune n coresponden
mulimea valorilor criteriilor cu mulimea [0,1].
Pentru atributele calitative se poate considera funcia de apartenen la submulimea
fuzzy definit de atributul respectiv.
Normalizarea presupune definirea unei funcii, care transform matricea A n matricea R
cu elementele cuprinse n intervalul [0,1]. Exist mai multe moduri de a realiza
normalizarea. Prezentm n continuare unul dintre acestea:

A R unde r
ij
e [0,1], i=1,2,m, j=1,2,,n, definit astfel:

- pentru criteriile de maxim:
min max
min
j j
j ij
ij
a a
a a
r
= (1)
- pentru criteriile de minim:
min max
max
j j
ij j
ij
a a
a a
r
= (2)
unde:
ij
i
j
a a mi n
min
= iar
ij
i
j
a a max
max
=
Observaie. n cazul unui criteriu de maxim, cea mai mare valoare primete 1, iar cea mai
mic valoare primete 0. n cazul unui criteriu de minim, cea mai mic valoare primete
1, iar cea mai mare valoare primete 0. Evident, celelorlalte valori li se vor asocia prin
operaia de normalizare valori n intervalul (0,1).

Importana criteriilor
Decidentul poate atribui criteriilor coeficieni de importan diferii. Notm aceti
coeficieni subiectivi cu:
( )
n
,..., ,
2 1
= cu
=
=
n
j
j
1
1 (3)
n afara acestora se poate determina n funcie de valorile fiecrui criteriu importana n
sine a criteriului. Pentru estimarea acestor coeficieni obiectivi, exist n literatura de
specialitate mai multe metode. Prezentm n continuare metoda entropiei, care se
bazeaz pe conceptul de entropie informaional introdus de Claude Shannon n 1948,
ca msur a incertitudinii unei repartiii de probabilitate discrete simple:
( ) , l n ,..., ,
1
2 1
=
=
m
i
i i m
p p p p p H ( ) m p p p H
m
l n ,..., , 0
2 1
s s (4)
Algoritmul de calcul al coeficienilor de importan obiectivi este:

56 Dorin Lixndroiu

Pasul 1. Se transform fiecare element din matricea consecinelor astfel:
n j m i
a
a
p
m
i
ij
ij
ij
,..., 2 , 1 , ,..., 2 , 1 ,
1
= = =
=
(5)
Pasul 2. Se determin entropia
j
H asociat fiecrui criteriu:
n j p p
m
H
m
i
ij ij j
,..., 2 , 1 , l n
l n
1
1
= =

=
(6)
Avem evident | | 1 , 0 e
j
H .

Pasul 3. Gradul de diversificare al informaiei date de valorile criteriului j pentru
diferitele alternative poate fi definit astfel:

n j H d
j j
,..., 2 , 1 , 1 = = (7)

Pasul 4. Se calculeaz coeficienii de importan obiectivi:
n j
d
d
n
j
j
j
j
,..., 2 , 1 ,
1
= =
=
cu
=
=
n
j
j
1
1 (8)

Observaie. Agregarea coeficienilor de importan subiectivi cu cei obiectivi presupune
calculul unor ponderi agregate de forma:
n j p
n
j
j j
j j
j
,..., 2 , 1 ,
1
=
=

(9)

Variante (alternative) dominate
O variant (alternativ) este dominat dac exist o alt variant (alternativ) care o
depete (surclaseaz) pe prima pentru unul sau mai multe atribute i are valori egale
pentru celelalte atribute.
De exemplu, n tabelul de mai jos, constatm c A2 este dominat de A1, deoarece A1
are valori mai bune pentru criteriile (atributele): C1, C2, C5 i egale cu A2 pentru
criteriile C3 i C4.

C1(min) C2(min) C3(max) C4(min) C5(max)
A1 12500 300 19 5.2 5
A2 13500 500 19 5.2 3

n procesul de decizie, este necesar ca ntr-o prim etap s se elimine variantele
dominate.


1. METODA PONDERRII SIMPLE ADITIVE
Metoda, dup cum arat i numele, este foarte simpl. Pentru fiecare variant se
calculeaz o valoare (punctaj) ca medie ponderat a consecinelor atributelor cu
ponderile asociate fiecrui criteriu. Evident, matricea consecinelor trebuie s fie
normalizat. Metoda permite ierarhizarea variantelor n ordinea descresctoare a
valorilor calculate, sau selectarea variantei cu valoarea cea mai mare (varianta optim).
Metoda este compensatorie, deoarece n calculul valorii asociate unei variante, o
valoare slab la un criteriu poate fi compensat de valorile bune obinute la alte criterii.

Algoritmul metodei este urmtorul:

Pasul 1. Se calculeaz matricea normalizat R, conform relaiilor (1) i (2) i vectorul
ponderilor P = (p
1
, p
2
, p
3
,, p
n
)

Pasul 2. Se definete funcia R V f : i se calculeaz:
( )

=
= =
n
j
ij j i
m i r p V f
1
,..., 2 , 1 , (10)
Pasul 3. Varianta optim = ( )
i
m i
V f
s s 1
max

2. METODA DIAMETRELOR
Pentru ierarhizarea variantelor, metoda ia n calcul gradul de omogenitate al variantei n
raport cu toate criteriile. Pentru a evita compensaiile se definesc dou funcii pe baza
crora se va face ierarhizarea variantelor: o funcie de apreciere i o funcie diametru.
Astfel, o variant este cu att mai omogen, cu ct are un diametru mai mic i este cu
att mai bun, cu ct aprecierea este mai mare.

Pasul 1. Se definete funcia de apreciere: A : V R
( ) ( ) ( )
=
= =
n
j
j j i i
m i p C V loc m V A
1
,..., 2 , 1 , , (11)
unde: P = (p
1
, p
2
, p
3
,, p
n
) reprezint vectorul coeficienilor de importan
(obiectivi, subiectivi sau agregai), iar loc(V
i
,C
j
) = k, adic valoarea variantei V
i

pentru criteriul j ocup locul k n ierarhia celor m valori asociate criteriului j.

Pasul 2. Se definete funcia diametru: D : V N

( ) ( ) ( ) ( ) ( ) n j m i C V loc C V loc V D
j i
j
j i
j
i
,..., 2 , 1 , ,..., 2 , 1 , , mi n , max = = = (12)
Pasul 3. Se calculeaz funcia agregat: A&D : V R

58 Dorin Lixndroiu

( )
( ) ( ) ( )
m i
V D m V A
V D A
i i
i
,..., 2 , 1 ,
2
& =
+
= (13)
Pasul 4. Ierarhia variantelor este dat de valorile descresctoare ale funciei A&D.

3. METODA TOPSIS (Technique for Order Preference by Similarity to Ideal Solution)
Principiul acestei metode: din valorile variantelor pentru diferitele criterii se
construiete soluia ideal pozitiv i soluia ideal negativ. Variantele se ierarhizeaz
n funcie de distanele la cele dou soluii. Pentru a efectua comparaiile se calculeaz
n funcie de cele dou distane o distan relativ la soluia ideal pozitiv. Astfel, cea
mai bun variant va avea distana minim la soluia ideal pozitiv i distana maxim
la soluia ideal negativ.

Pasul 1. Se construiete matricea normalizat
( ) n j m i r R
ij
,..., 2 , 1 , ,..., 2 , 1 , = = =
prin normalizare vectorial:
n j m i
a
a
r
m
i
ij
ij
ij
,..., 2 , 1 , ,..., 2 , 1 ,
1
2
= = =
=
(14)

Pasul 2. Se construiete matricea normalizat ponderat
( )
ij j ij ij
r p v unde n j m i v V = = = = , ,..., 2 , 1 , ,..., 2 , 1 , (15)

Pasul 3. Se determin soluia ideal pozitiv V
id
i soluia ideal negativ V
ne
,
definite astfel:
( )
id
n
id id id
V V V V ,..., ,
2 1
= ( )
ne
n
ne ne ne
V V V V ,..., ,
2 1
=
- dac criteriul C
j
este de maxim:
ij
m i
id
j
V V
s s
=
1
max iar
ij
m i
ne
j
V V
s s
=
1
mi n (16)
- dac criteriul C
j
este de minim:
ij
m i
id
j
V V
s s
=
1
mi n iar
ij
m i
ne
j
V V
s s
=
1
max (17)
Pasul 4. Se calculeaz distanele dintre variante i soluia ideal pozitiv, respectiv dintre
variante i soluia ideal negativ.

( )
=
=
n
j
id
j ij
id
i
V V d
1
2
iar ( )
=
=
n
j
ne
j ij
ne
i
V V d
1
2
, n i ,..., 2 , 1 = (18)

Pasul 5. Se calculeaz apropierea relativ de soluia ideal:


n i
d d
d
d d
d
e
ne
i
id
i
ne
i
ne
i
id
i
id
i id
i
,..., 2 , 1 , 1 =
+
=
+
= (19)
rezult c: 1 0 s s
id
i
e

Pasul 6. Se realizeaz o clasificare pe mulimea V a variantelor n concordan
cu valorile descresctoare ale lui
id
i
e calculate la Pasul 5.

STUDIUL DE CAZ Nr. 1 Alegerea unui automobil

O familie analizeaz mai multe oferte pentru cumprarea unui automobil. Se decid c
alegerea va trebui s ndeplineasc mai multe criterii: (C1) preul ct mai mic, (C2)
cheltuielile de ntreinere la 10000 km ct mai mici, (C3) portbagajul i spaiul interior s
fie ct mai mare (raportat la o scar 1:20), (C4) consumul exprimat n l/100 km ct mai
mic, iar (C5) sigurana oferit n caz de accident ct mai mare (exprimat n stele NCAP
pe o scar 1:5). Datele din ofertele pentru 6 modele de automobile sunt transpuse n
tabelul 1. Pe ultima linie sunt dai coeficienii de importan subiectivi, stabilii de
decident.

C1(min) C2(min) C3(max) C4(min) C5(max)
A1 12500 300 17 5.2 4
A2 13500 500 20 5.5 5
A3 11500 400 18 5.8 3
A4 14500 450 19 6.2 4
A5 18000 350 8 6.8 5
A6 11000 400 16 5.7 3
Coef.import.
subiectivi
0.60 0.15 0.10 0.05 0.10
Tabelul 1 Matricea consecinelor i coeficienii de importan subiectivi

Rezolvare. Observm c nu exist variante (alternative) dominate i deci n procesul de
clasificare vor intra toate modelele de automobile selectate.

0. Calculul coeficienilor de importan obiectivi.
Se aplic algoritmul prezentat mai sus (relaiile 5...8).
Pasul 1 al algoritmului de calcul al coeficienilor de importan obiectivi conduce la:

0.154 0.125 0.173 0.148 0.167
0.167 0.208 0.204 0.156 0.208
0.142 0.167 0.184 0.165 0.125
0.179 0.188 0.194 0.176 0.167
0.222 0.146 0.082 0.193 0.208
0.136 0.167 0.163 0.162 0.125
60 Dorin Lixndroiu

Entropia H asociat fiecrui criteriu se determin conform relaiei (6):
( ) 9882 . 0 , 9979 . 0 , 9811 . 0 , 9927 . 0 , 9920 . 0 = H
Coeficienii de importan obiectivi calculai conform relaiilor (7) i (8) sunt:
( ) 2445 . 0 , 0442 . 0 , 3928 . 0 , 1527 . 0 , 1658 . 0 = (20)
Agregarea coeficienilor de importan subiectivi cu cei obiectivi conduce conform
relaiei (9) la urmtoarele ponderi:
( ) 1299 . 0 , 0117 . 0 , 2086 . 0 , 1216 . 0 , 5282 . 0 = p (21)

Aplicm n continuare cele 3 metode prezentate:

1. Metoda ponderrii simple aditive
Plecnd de la matricea consecinelor (Tabelul 1), se calculeaz matricea normalizat R,
conform relaiilor (1) i (2):

0.7857 1.0000 0.7500 1.0000 0.5000
0.6429 0.0000 1.0000 0.8125 1.0000
0.9286 0.5000 0.8333 0.6250 0.0000
0.5000 0.2500 0.9167 0.3750 0.5000
0.0000 0.7500 0.0000 0.0000 1.0000
1.0000 0.5000 0.6667 0.6875 0.0000

Cu relaia (10) se determin valorile funciei f pentru fiecare variant:
F(V1) = 0.7697, F(V2) = 0.6876, F(V3) = 0.7324, F(V4) = 0.5550,
F(V5) = 0.2211, F(V6) = 0.7361

Clasificarea variantelor este: V1 > V6 > V3 > V2 > V4 > V5.

2. Metoda diametrelor
Plecnd de la matricea consecinelor (Tabelul 1), se construiete matricea locurilor LOC,
unde:
loc(V
i
,C
j
) = k, adic valoarea variantei V
i
pentru criteriul j ocup locul k n ierarhia
celor m valori asociate criteriului j

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

Se calculeaz funcia de apreciere a fiecrei variante A, conform relaiei (11), funcia
diametru D, conform relaiei (12) i funcia agregat A&D dat de relaia (13).


Rezultatele obinute sunt:

A(Vi) D(Vi) A&D(Vi)
V1 3.1879 3 3.0939
V2 2.9172 4 2.4586
V3 3.5164 2 3.7582
V4 2.1370 3 2.5685
V5 1.1359 5 1.0679
V6 3.6392 4 2.8196


3. Metoda TOPSIS
Plecnd de la matricea consecinelor (Tabelul 1), se calculeaz matricea normalizat
conform relaiei (14):

0.3725 0.3022 0.4130 0.3604 0.4
0.4023 0.5037 0.4859 0.3812 0.5
0.3427 0.4030 0.4373 0.4020 0.3
0.4321 0.4534 0.4616 0.4297 0.4
0.5364 0.3526 0.1943 0.4713 0.5
0.3278 0.4030 0.3887 0.3951 0.3

Se determin matricea normalizat ponderat conform relaiei (15):

min min max min max
0.1967 0.0367 0.0861 0.0042 0.0519
0.2125 0.0612 0.1013 0.0044 0.0649
0.1810 0.0490 0.0912 0.0047 0.0389
0.2282 0.0551 0.0962 0.0050 0.0519
0.2833 0.0428 0.0405 0.0055 0.0649
0.1731 0.0490 0.0810 0.0046 0.0389

Cu relaiile (16) i (17) se stabilesc soluia ideal pozitiv V
id
i soluia ideal negativ V
ne
:

V
id
0.1731 0.0367 0.1013 0.0042 0.0649
V
ne
0.2833 0.0612 0.0405 0.0055 0.0389

Distanele dintre variante i soluia ideal pozitiv, respectiv dintre variante i soluia
ideal negativ sunt date de relaiile (18):

62 Dorin Lixndroiu

id
i
d
ne
i
d
V1 0.0309 0.1017
V2 0.0463 0.0969
V3 0.0314 0.1148
V4 0.0597 0.0796
V5 0.1260 0.0318
V6 0.0351 0.1180

Apropierea relativ de soluia ideal va fi dat de relaia (19):

V1 0.7667
V2 0.6764
V3 0.7849
V4 0.5715
V5 0.2016
V6 0.7705


Concluzii.
Cele 3 metode conduc la ierahizri diferite dar, apropiate. Astfel dac vom costrui o sintez a
locurilor ocupate n cele 3 clasamente, rezult:

Metoda ponderrii
simple aditiv
Metoda
Diametrelor
Metoda
Topsis
Punctaj
cumulat
V1 1 2 3 6
V2 4 5 4 13
V3 3 1 1 5
V4 5 4 5 14
V5 6 6 6 18
V6 2 3 2 7

Punctajul cumulat se obine prin nsumarea locurilor ocupate de fiecare variant n cele 3
metode. Se obine urmtoarea clasificare a variantelor considernd ordinea cresctoare a
punctajului realizat de fiecare variant: V3 > V1 > V6 > V2 > V4 > V5.

Observm c n toate metodele prezentate, variantele V1, V3 i V6 ocup constant
primele 3 locuri, n timp ce variantele V2, V4 i V5 ocup ultimele 3 locuri, cu meniunea
c varianta V5 este plasat pe ultimul loc. Decizia final de alegere a variantei optime
aparine n final decidentului care poate beneficia i de alte informaii necuprinse n
tabela consecinelor analizat.


Rezumat
Modele de decizie multiatribut sunt modele cu un numr limitat (discret)
de alternative (variante). Se pune problema alegerii alternativei (variantei)
optime dintr-o mulime finit de alternative care se compar ntre ele n raport
cu mai multe criterii (atribute) sau ordonarea tuturor variantelor n raport cu
criteriile considerate.

Fiecare alternativ este caracterizat n raport cu fiecare atribut cantitativ
(numeric) sau calitativ (nenumeric). Fiecare atribut are un anumit scop: maxim
sau minim. Atributele pot avea importane diferite pentru decident.

Valorile atributelor cantitative din matricea consecinelor sunt exprimate n
general n uniti de msur diferite. Pentru a putea fi comparate acestea
trebuie s fie omogene. Procesul de omogenizare se realizeaz prin
normalizare, adic se pune n coresponden mulimea valorilor criteriilor cu
mulimea [0,1]. Pentru atributele calitative se poate considera funcia de
apartenen la submulimea fuzzy definit de atributul respectiv.

Normalizarea presupune definirea unei funcii, care transform matricea A
n matricea R cu elementele cuprinse n intervalul [0,1]. Exist mai multe
moduri de a realiza normalizarea.

n afara coeficienilor subiectivi se poate determina n funcie de valorile
fiecrui criteriu importana n sine a criteriului. Pentru estimarea acestor
coeficieni obiectivi, exist n literatura de specialitate mai multe metode. n
curs este prezentat un algoritm de calcul al coeficienilor obiectivi bazat pe
metoda entropiei, care utilizeaz conceptul de entropie informaional.

Pentru cele trei metode clasice de ordonare a variantelor prezentate
metoda ponderrii simple aditive, metoda Topsis i metoda diametrelor, se
construiesc algoritmii corespunztori i se aplic pe studiul de caz - Alegerea
unui automobil.

Decizia final de alegere a variantei optime dintre variantele selectate prin
cele trei metode, aparine n final decidentului, care poate beneficia i de alte
informaii necuprinse n tabela consecinelor analizat.

64 Dorin Lixndroiu

1. Studiul de caz nr. 2 - Alegerea obiectivelor. ntr-un an electoral
administraia public local i propune relizarea mai multor obiective (de
exemplu: stadion, sal de concerte, parc de distracii, telegondol,
restaurare centru istoric, complex sportiv acoperit (bazin olimpic i sal de
sport)). Sursa bugetar fiind limitat se dorete ierarhizarea variantelor n
funcie de mai multe criterii (de exemplu: costul investiiei, impactul la
populaie, numrul de beneficiari, cheltuieli de ntreinere,...). Construii
matricea consecinelor, atribuii ponderi subiective criteriilor i realizai o
analiz multicriterial dup modelul celei prezentate n Studiul de caz nr. 1
Alegerea unui automobil.

2. Studiul de caz nr. 3 Alegerea locaiei. O firm de autoturisme dorete
s delocalizeze construcia unui nou model de autoturism. Are de ales ntre
ase ri: T1, T2,..., T6. Analiza de alegere a variantei optime evideniaz mai
multe criterii:
C1. costurile de realizare a noii capaciti de producie (min) n milioane
euro;
C2. costul forei de munc din ara respectiv (min) nivelul salariului
minim, raportat la puterea de cumprare;
C3. nivelul de pregtire tehnic al noilor angajai (max) se consider o
scal de la 1..20;
C4. nivelul infrastructurii din ara respectiv, pentru a realiza un transport
eficient al noilor produse spre punctele de export (max) - se consider o
scal de la 1..10;
C5. poziia geografic a rii, n raport cu principalele piee de desfacere,
faciliti de transport (max) - se consider o scal de la 1..10;
C6. riscul de ar (riscul asociat afacerii) (min) - se consider o scal de la
1..5;
C7. nivelul facilitilor oferite la nivel guvernamental i al administraiei
locale pentru dezvoltarea afacerii (max) - se consider o scal de la 1..10;
C8. nivelul cultural i de civilizaie (max) - se consider o scal de la 1..10;
C9. nivelul corupiei din ara respectiv (min) - se consider o scal de la
1..10.
Se cere:
a) Stabilii tabela consecinelor i atribuii pentru cele 9 criterii valori
coeficienilor de importan subiectivi.
b) Determinai coeficienii de importan obiectivi.
c) Aplicai cele 3 metode prezentate de ierarhizare a variantelor : metoda
ponderrii simple aditive, metoda Topsis i metoda diametrelor considernd
coeficienii de importan agregai (subiectivi i obiectivi).
d) Realizai o analiz multicriterial pentru stabilirea celor mai bune variante.


Unitatea de nvare 5
MODELE N GESTIUNEA OPTIM A STOCURILOR
[HILLIER, 2005], [KRAJEWSKI, 2005] [RATIU, 2001], [RATIU, 2002], RUSU, 2001], [TELLER, 1980],
[VDUVA, 1974]

Obiectiv
Obiectivul acestui capitol este de a defini i construi modele pentru gestiunea
optim a stocurilor. Pornind de la modelul clasic determinist (modelul Wilson)
al cantitii economice, sunt prezentate cele dou principii fundamentale de
reglare: metoda punctului de comand i metoda de aprovizionare periodic.
Se prezint utilizarea metodei de simulare Monte-Carlo n cadrul unei metode
de gestiune, pentru determinarea parametrilor: rata de ruptur, numrul de
zile/articol de stocare, etc.

Parcurgerea acestei uniti permite nelegerea i aplicarea mecanismelor
care asigur o gestiune optim a stocurilor, adic a politicii de reaprovizionare
care conduce la o sum minim a costurilor de aprovizionare i stocare.
Utilizarea tehnicilor de simulare n analiza metodelor de gestiune permite
nelegerea importanei modelrii i simulrii n procesul de luare a deciziei.


Discontinuitile n livrare determin managerii ntreprinderilor s stocheze mrfuri,
pentru a absorbi cererile aleatoare. Deoarece stocarea unui produs are un cost (datorat
imobilizrii de fonduri, pazei, degradrii, etc.), tendina este de a stoca o cantitate ct
mai mic. Pe de alt parte o politic de a avea stocuri ct mai mici, implic
reaprovizionri mai dese, care pot s induc: costuri de reaprovizionare i pierderi de
profit n cazul rupturilor de stoc (clienii neputnd s atepte, se adreseaz concurenei).
n faa unei cereri fluctuante, trebuie s fie definit o regul de reaprovizionare,
(momentul efecturii comenzii i cantitatea comandat), care s conduc la o sum
minim a acestor costuri.

MODELUL WILSON
Modelul Wilson este un model determinist care realizeaz calculul principalilor
parametrii de gestiune n condiiile optimizrii costurilor totale de stocare pentru un
articol.

66 Dorin Lixndroiu

Ipotezele modelului i notaii:
B
A
- cererea anual care se presupune c este repartizat uniform n timp, adic
viteza de ieire din stoc este constant.

n B M
A
/ = - cererea pe unitatea de timp (astfel n = 1, 12, 52,... dup cum unitatea de
timp este anul, luna, sptmna,...).

Q - comanda (cantitatea de aprovizionare).

S
S
- stocul de securitate; comanda sosete nainte ca stocul s se epuizeze stocul
de securitate permite satisfacerea unor cereri neprevzute. n aceast etap a
prezentrii modelului, stocul de securitate apare ca o cantitate fix, dat. Acesta nu are
nici un rol n calculul nostru de optimizare.

A
B Q n M Q P / / = = - durata unui ciclu de aprovizionare.

C
A
- costul de aprovizionare (lansare a comenzii).
Comentariu. Acest cost este diferit dac articolul este cumprat sau realizat n
ntreprindere.
- Dac articolul este cumprat acest cost cuprinde: costurile de achiziie
(alegerea furnizorului, negocierea, controlul facturilor,...) i de recepie (intrarea i
nregistrarea articolului n stoc). Aceste costuri includ cheltuieli de personal,
consumabile, cheltuieli potale i i de comunicaie, precum i amortizrile
corespunztoare. Se poate determina mprind bugetul serviciului aprovizionare la
numrul total de comenzi prelucrate.
- Dac articolul este produs de ntreprindere acest cost cuprinde: costurile de
lansare n fabricaie (reglajul mainilor, pregtirea materialelor i componentelor,
rebuturi de lansare) i costurile de recepie a articolelor fabricate.

C
S
- costul de stocare (este o fracie din preul unitar al articolului).
Comentariu. Acest cost cuprinde costul de oportunitate al capitalului imobilizat n stoc,
costurile de depozitare (amortizare, paz, nclzire/rcire, gestiune,...), costurile de
deteriorare, depire valabilitate, furt i asigurri. Acest cost se consider n general o
fracie din costul articolului, de exemplu aproximativ 0.2.

p
u
- preul unitar al articolului.

Q B N
A
/ = - numrul anual de aprovizionri.

Se obine astfel evoluia stocului redat n Figura 1:


Figura 1
Rezolvare:
Se determin:
- valoarea medie anual a stocului = ( )
S u
S Q p + 2 /
- costul anual de stocare C
1
= ( )
S u S
S Q p C + 2 /
- costul anual de aprovizionare C
2
= Q B C N C
A A A
/ =

Rezult costul total anual de stocare:

Q
B
C S
Q
p C C C CT
A
A S u S
+
|
.
|
\
|
+ = + =
2
2 1
(1)
- calculm min CT(Q)

din 0
2
2
=
+ =
u S A
A
p C
Q
B
C
dQ
dCT
=>
u S
A A
E
p C
B C
Q

=
2
(2)
unde: Q
E
reprezint cantitatea economic (lotul economic) , mrimea optim a
comenzii de aprovizionare, care minimizeaz costul total anual de stocare.
Se deduce:
- ciclul optim de aprovizionare (perioada economic):
A
E
E
B
Q
P = (n ani)
- numrul optim anual de comenzi (frecvena economic):
E
A
E
Q
B
N =

Comentariu. Cele dou costuri de aprovizionare i stocare, C
A
i C
S
, influeneaz diferit
mrimea cantitii economice Q
E
, dat de relaia (2). Astfel, o cretere a costului de
aprovizionare va conduce la creterea cantitii economice i implicit la micorarea
Q

S
S

P P
timp
M=B
A
/n
68 Dorin Lixndroiu

numrului de comenzi, n timp ce creterea costului de stocare diminueaz volumul
comenzii i implicit nivelul mediu al stocului. Evoluiile celor dou costuri anuale (C
1
i
C
2
) i a costului total (CT), n funcie de mrimea comenzii (Q) sunt redate n Figura 2.

Figura 2

METODE DE REGLARE A STOCURILOR

Pornind de la modelul clasic determinist (modelul Wilson) al cantitii economice, se
pot defini dou principii fundamentale de reglare:

A. Metoda punctului de comand - se comand cantiti fixe optime, la momente
de timp care pot s varieze n funcie de cererea aleatoare.

B. Metoda de aprovizionare periodic se comand dup o periodicitate dat (n
principiu aproape de periodicitatea optim), cantiti care pot varia n funcie de
cererea aleatoare.

A. Metoda punctului de comand
Presupunem c exist o ntrziere n livrare, D, nealeatoare, (numit i timp de avans),
care cuprinde: durata de livrare impus de furnizor, durata transportului, duratele
administrative (de redactare a comenzii, de recepie i luare n gestiune a cantitii
intrate n stoc). Pentru ca intrarea n stoc s se fac la momentul de timp fixat, este
necesar ca lansarea comenzii s se fac cu D uniti de timp n avans (Figura 3).

Q 0
Cost
C
T
=C
1
+C
2

C
2

C
1


Figura 3

Dac nu se dorete s fie afectat stocul de siguran (S
S
), nivelul stocului n momentul
lansrii comenzii va fi:

S C
S D M S + = (3)

unde: M reprezint viteza de descretere a stocului. Acest nivel (S
C
) se numete punct de
comand i permite definirea celor dou principii ale metodei:
- Se lanseaz o nou comand cnd nivelul stocului devine inferior sau egal
punctului de comand S
C
.
- Se comand o cantitate fix (Q
E
), care este cantitatea economic.

n cazul determinist, aceast metod conduce la evoluia clasic a stocului, reprezentat
de graficul dini de fierstru. Dar, atunci cnd cererea devine aleatoare cele dou
principii de gestiune constituie un mod de reglare eficient a stocului, prin stabilirea
momentelor de lansare a comenzilor.

Exemplu. Se consider: Q
E
= 6 uniti, S
S
=1, P
E
= 3 luni i D = 2 luni.
Punctul de comand va fi conform relaiei (1):
5 1 2 3 / 6 = + = + =
S C
S D M S
Presupunem c la 15 zile dup aprovizionare se nregistreaz o cerere pentru o comand
excepional de 2 uniti (Figura 4).

timp
Nivelul
stocului
S
C

S
S

D D
70 Dorin Lixndroiu

Figura 4

La acest moment stocul cade sub punctul de comand i se lanseaz o nou comand de
6 uniti, care va intra n stoc peste dou luni, adic cu 15 zile nainte de data normal
de sosire. Stocul va urca la nivelul 6 uniti i apoi va descrete cu viteza constant M =
2. n aceast situaie punctul de comand va fi atins dup 15 zile, iar livrarea se va face 2
luni mai trziu. Stocul va urca la nivelul de 7 uniti i se reia astfel ritmul normal de
lansare a comenzilor i de intrare a cantitilor livrate n stoc.

Comentariu. Metoda punctului de comand permite rezolvarea fluctuaiilor cererii
printr-o stabilire corespunztoare a momentelor de lansare a comenzilor. Astfel, n
exemplul prezentat dou cicluri de aprovizionare au o lungime de 2 luni i 15 zile n loc
de 3 luni, dup care se revine la ritmul normal, cu un decalaj total de o lun. n acest
sistem cantitatea comandat rmne constant, dar perioada de aprovizionare poate
varia n jurul perioadei economice (P
E
) n funcie de cerere. Aceast metod este cea mai
eficace i cea mai utilizat.

B. Metoda aprovizionrii periodice

Metoda const n lansarea la date fixe a comenzii ce conine cantiti variabile. Lansarea
unei noi comenzi se va face dup o perioad P, de la ultima lansare, n principiu egal cu
P
E
( perioada economic, ciclul economic). Sosirea comenzii n stoc se va face dup o
perioad D de la lansare. Rmne de stabilit pentru fiecare ciclu de aprovizionare,
mrimea comenzii ce trebuie lansate.

Dac cererea nu este aleatoare, o comand trebuie s acopere cererea pe durata unui
ciclu de aprovizionare, deci:

M P Q = (4)

P=3 D=2
S
S
=1
S
S
=5
7
timp

Stocul existent, (S
E
), n momentul comenzii, trebuie s permit satisfacerea cererii pe
durata timpului de avans, (D), adic:

S E
S M D S + = (5)

Dac apare o cerere aleatoare, este posibil ca stocul existent s nu ating nivelul
precedent. Sunt posibile dou situaii:

a) S
E
este mai mic dect nivelul precedent - atunci comanda va fi mrit pentru a acoperi
acest deficit. Valoarea comenzii va fi n acest caz:

( )
E S
S S M D M P Q + + = (6)

Rezult M P Q > .

b) S
E
este mai mare dect nivelul precedent - relaia (6) rmne valabil.
Rezult M P Q < .

Concluzie. Valoarea comenzii Q va fi determinat pentru fiecare ciclu de aprovizionare,
astfel nct:

( )
S E
S M D P S Q + + = + (6)

Expresia ( )
S
S M D P + + se numete nivel de acoperire i are o valoare constant.
Rezult c valoarea comenzii Q se determin n funcie de stocul existent S
E
.

Exemplu. Se consider o aprovizionare periodic cu: M = 2, S
S
=1, P = 3 luni i D = 2 luni.
Nivelul de acoperire este:

( ) ( ) 11 1 2 2 3 = + + = + +
S
S M D P

Presupunem c la 15 zile dup aprovizionare se nregistreaz o cerere pentru o comand
excepional de 2 uniti.

La momentul C2, mrimea comenzii va fi Q = 11 3 = 8 uniti, pentru c S
E
=3. Dou
luni mai trziu, la momentul L2, nivelul stocului devine dup aprovizionare 7 uniti,
presupunnd c cererea nesatisfcut de 1 nu s-a pierdut, ea fiind reportat. n C3
regsim valoarea normal a comenzii Q = 6 uniti (Figura 5).

72 Dorin Lixndroiu

Figura 5

Comentariu. La aceast metod, graficul aprovizionrii momentul lansrii comenzii i
momentul intrrii n stoc sunt fixate, iar mrimea comenzii se stabilete n funcie de
fluctuaiile cererii.

STOCUL DE SECURITATE

Stocul de securitate permite evitarea situaiilor de lips de stoc datorate unor cereri
aleatoare sau unor ntrzieri n livrare. n continuare vom analiza determinarea stocului
de securitate numai n cazul cererilor aleatoare. Stocul de securitate se consider
proporional cu abaterea medie ptrat a dispersiei cererii pe durata perioadei de risc
de ruptur. Coeficientul de proporionalitate va reflecta calitatea serviciului cerut, care
se poate defini n funcie de unul din parametrii urmtori: rata de ruptur de stoc, costul
rupturii de stoc, rata lipsei de stoc sau costul lipsei de stoc.

Presupunem c cererea pe unitatea de timp este aleatoare i urmeaz o distribuie
normal de medie M i abatere medie ptratic . Pentru valori mici ale mediei ( M mai
mic dect 7 sau 8) se poate considera distribuia Poisson.
Dac se consider distribuia normal, stocul de securitate va fi dat de:

D k S
S
= o (7)
n cazul metodei punctului de comand i

P D k S
S
+ = o (8)
C
1
C
2
L
1
L
2
C
3

D P
P D
Q=6 Q=8 Q=6
11
7
5
S
S
=1

n cazul metodei aprovizionrii periodice.

Observaie. n relaiile (7) i (8), coeficientul k exprim calitatea serviciului cerut i se
numete factor de protecie sau rata serviciului. Factorul k poate fi determinat pornind
de la rata de ruptur (sau riscul de ruptur) t
R
, care este raportul dintre numrul de
rupturi de stoc acceptate pe o anumit perioad i numrul total de cicluri de
aprovizionare (sau de comenzi) desfurate n aceeai perioad. Astfel, dac se accept
n rupturi de stoc ntr-un an, vom avea:
N
n
t
R
= , unde N reprezint numrul anual de
comenzi.

Exemplu. Presupunem c pe o perioad de un an s-au nregistrat urmtoarele cereri
lunare (n uniti): 14, 11, 9, 10, 6, 12, 10, 11, 8, 9, 10, 10.

Rezult:
- valoarea medie a cererii, M =10
- dispersia estimat, 2 4
11
44
1
1
2
_
= = =
|
|
.
|
\
|
=

o
i
i x
x
n
VAR

n ipoteza c timpul de avans, D = 4 luni i se accept un risc de ruptur de 2.5%, se
obine stocul de siguran: D k S
S
= o = 1.96 2 2 = 7.84 (aprox. 8 uniti)

Punctul de comand
S C
S D M S + = = 10 4 + 8 = 48 uniti.

STUDIUL DE CAZ Nr. 1

ntreprinderea W cumpr i stocheaz articolul A, pentru ca apoi s-l revnd cu un
adaus comercial. S se stabileasc o politic optim de aprovizionare care s minimizeze
costul total de gestiune a stocului, n urmtoarele ipoteze iniiale:

I1. Vnzrile sunt regulate;
I2. Cantitatea total vndut ntr-un an este de 1800 uniti;
I3. Preul unitar de cumprare al articolului este de 1 u.m.;
I4. Costul de lansare a unei comenzi este de 10 u.m.;
I5. Costul de stocare este 10% din preul articolului;
I6. Stocul de siguran are valoare nul.

A. S se determine mrimea lotului economic i numrul optim de aprovizionri.

600
1 10 . 0
1800 10 2 2
=

=
u S
A A
E
p C
B C
Q uniti

74 Dorin Lixndroiu

3
600
1800
= = N aprovizionri pe an

Dac 60 300 1 1 . 0 3 10
2
3 = + = + = =
Q
p C
Q
B
C CT N
u S
A
A
u.m.
Costul articolului este: . . 1800 . / . . 1 . 1800 m u buc m u buc =
B. Furnizorul propune un rabat comercial (discont) de 5% dac se comand cel puin 900
de uniti. Se accept propunerea?

Dac se accept remiza, ntreprinderea va comanda cel puin 900 uniti. Aceasta revine
la lansarea a dou comenzi pe an (1800 / 900), sau o singur comand de 1800 uniti.

225 . 91 900 95 . 0 095 . 0 1 10
2
1 = + = + = =
Q
p C
Q
B
C CT N
u S
A
A
u.m.

6125 . 60 450 95 . 0 095 . 0 2 10 2 = + = = CT N u.m.

Costul articolului este: . . 1710 . / . . 95 , 0 . 1800 m u buc m u buc =

Rezult c se accept propunerea de remiz cu dou comenzi pe an de volum 900
uniti.

C. ntreprinderea W decide s accepte propunerea de discont i va comanda de 2 ori pe
an cte 900 uniti. Din experien, cererea pe o perioada de 6 luni variaz dup o lege
normal N(900,90
2
). S se calculeze probabilitatea de ruptur de stoc dac
ntreprinderea constituie un stoc de siguran de volum o
2
1
. Care va fi probabilitatea
n cazul unui stoc de siguran de volum o ? Determinai volumul stocului de siguran
necesar pentru o rat a serviciului de 95%.

a) Cu un stoc de siguran S
S
= 45 uniti, ruptura de stoc se produce dac cererea pe 6
luni, 45 900+ > B uniti. Se obine:

( ) ( ) 3085 . 0 5 . 0 Pr
90
900 945
90
900
Pr 945 Pr = > =
|
.
|
\
|

>
= > u ob
B
ob B ob
unde u are o repartiie N(0,1).
Deci, riscul de ruptur de stoc este de 30%, iar rata serviciului este de 70%.

b) Dac stocul de siguran este egal cu o rezult:

( ) ( ) 1587 . 0 1 Pr
90
900 990
90
900
Pr 990 Pr = > =
|
.
|
\
|

>
= > u ob
B
ob B ob
Deci, riscul de ruptur de stoc este de 15%, iar rata serviciului este de 85%.

c) Dac se dorete o rat a serviciului de 95% avem:

( ) 05 . 0
90
Pr
90
900 900
90
900
Pr 900 Pr =
|
.
|
\
|
> =
|
.
|
\
|
+
>
= + >
S S
S
S
u ob
S B
ob S B ob
6 . 147
90
64 . 1 = =
S
S
S
S


O firm de panificaie are un necesar anual (360 zile) de 200t de gru. Costul de lansare
a comenzii este de 705 u.m., costul pe stocare pe zi/t este de 1 u.m., costul unei uniti
de produs (ton) este de 1800u.m., timpul de avans este de 4 zile, iar stocul de siguran
este de 3t. n ipotezele c vnzarea este uniform, aprovizionarea se face la intervale
egale i nu se permite lipsa produsului, s se determine elementele gestiunii optime.

Rezolvare. Apelm la produsul software QM (Quantitative Management), modulul
Inventory. Din analiza ipotezelor ne aflm n condiiile modelului Economic Order
Quantity (EOQ).

Modelul permite introducerea propriei decizii privind mrimea cantitii de
aprovizionare, realiznd n acest mod o comparaie cu soluia optim calculat. n
exemplul prezentat elementele gestiunii optime sunt comparate cu decizia de
aprovizionare periodic cu cantitatea de 10 t. Rezolvarea modelului este dat n figura 6.

Figura 6
76 Dorin Lixndroiu

n soluia obinut Reorder point reprezint nivelul de reaprovizionare, adic o nou
comand va fi lansat cnd nivelul stocului atinge nivelul de reaprovizionare. Acest nivel
va satisface cererea pe perioada timpului de avans (lead time), cu pstrarea stocului de
siguran.
n figura 7 este redat grafic evoluia costurilor de aprovizionare (Setup cost), de stocare
(Holding cost) i a costului total (Total cost). Se observ c valoarea minim a funciei
cost total ce corespunde valorii optime a lotului economic (Optimal order quantity)
corespunde interseciei graficelor celor dou costuri de aprovizionare i stocare.

Figura 7


Un productor de accesorii auto are o comand pentru un an (250 zile lucrtoare) de
500 uniti. Rata produciei anuale este de 2500 uniti. Costul lansri unei comenzi n
fabricaie este de 100 u.m., preul produsului este de 400 u.m. iar costul de stocare
pentru ntreaga perioad reprezint 10% din preul produsului. n ipoteza c cererea are
un ritm constant i nu se admit ntrzieri n livrare, cum trebuie organizat producia a..
s se realizeze o gestiune optim a stocului.

Rezolvare. Suntem n ipotezele modelului Production Order Quantity din modulul
Inventory (produsul software QM). Modelul stabilete mrimea lotului economic
(comenzii) de producie, care minimizeaz costul stocrii i al lansrii comenzilor de
producie.

Ca i n cazul modelului Economic Order Quantity se poate introduce propria decizie
privind mrimea comenzii de lansat, realiznd n acest mod o comparaie cu soluia
optim calculat.
Rezolvarea modelului este dat n figura 8.

Figura 8


O firm are un consum anual de 100 uniti dintr-un anumit produs. Costul lansrii
comenzii este de 10 u.m. iar costul de stocare anual reprezint 20% din preul
produsului. Produsul este oferit la preul de 40 u.m. pentru comenzi mai mici de 20
uniti, la preul de 39 u.m. pentru comenzi mai mari sau egale cu 20 uniti i mai mici
de 50 uniti i la preul de 38 u.m. pentru comenzi mai mari sau egale cu 50 de uniti.
Stabilii politica optim de aprovizionare a firmei.

Rezolvare. Suntem n ipotezele modelului Quantity Discount (EOQ) din modulul
Inventory (produsul software QM). Modelul este o variant a modelului clasic EOQ cu
ipoteza suplimentar c preul unitar al produsului cumprat depinde de cantitate (cu
ct cantitatea cumprat crete, preul unitar de cumprare scade).

Rezolvarea modelului este dat n figura 9.

78 Dorin Lixndroiu

Figura 9

n figura 10 se dau detaliile de cost pentru diferitele paliere de pre, iar n figura 11
graficele corespunztoare.

Figura 10

Figura 11


STUDIUL DE CAZ Nr. 5 Analiza ABC

Analiza ABC const n ierarhizarea articolelor stocate n funcie de valoarea lor n 3
categorii. n mod obinuit 70% din valoarea unui stoc este realizat de 15%-20% din
articolele stocate. Acestea sunt categoria A. Categoria B este format din articolele care
cumuleaz 20% din valoare i reprezint 30%-35% din articolele stocate. Categoria C
este format din articolele ce reprezint aproximativ 50% din articolele aflate n stoc i
care au o valoare de aproximativ 10%.

Analiza ABC realizeaz o gestiune selectiv a stocurilor. Clasificarea n 3 categorii
permite abordarea unor politici diferite de gestiune a stocurilor.
- Pentru produsele din clasa A se aplic politici de aprovizionare care s menin
cobort nivelul stocului i cantitatea comandat, aceasta presupunnd o cretere
a frecvenei de aprovizionri care corespunde la o micorare a ciclului de
aprovizionare. Aceste articole trebuie s fie supuse unui control riguros de
gestiune, existena unui stoc de securitate fiind mai puin necesar.
- Pentru produsele din clasele B i C se aplic o strategie complet diferit, care
const n creterea cantitii comandate i mrirea ciclului de aprovizionare.

Cu ajutorul metodei ABC se pot reduce investiiile n stocuri, micornd n acelai timp i
riscurile de ruptur de stoc.

Aplicaie. O societate comercial face o analiz a mrimii stocurilor de materiale
utilizate pentru procesul de producie n funcie de ponderea lor valoric i de rulajul
mediu. Pentru 8 dintre cele mai importante materiale i combustibili s-au efectuat studii
statistice i s-au obinut urmtoarele date:

Nr.crt. Denumire articol Cererea medie
anual *mii t]
Pre
[u.m./1000t]
1. Articol 1 200 150
2. Articol 2 100 400
3. Articol 3 15 20
4. Articol 4 30 17
5. Articol 5 10 30
6. Articol 6 4 5000
7. Articol 7 150 600
8. Articol 8 200 1000

Aplicnd metoda de grupare selectiv ABC a stocurilor pentru cele 8 articole,
determinai ce articole fac parte din fiecare grup.

Rezolvare. Utilizm ABC Analysis din modulul Inventory (produsul software QM).
Rezultatele sunt prezentate n figura 12.
80 Dorin Lixndroiu

Figura 12

Grupa A cuprinde { articolul 8}.
Grupa B cuprinde { articolul 7, articolul 2 i articolul 1}.
Grupa C cuprinde { articolul 6, articolul 4, articolul 5 i articolul 3}.

n figura 13 este trasat curba valorilor cumulate, rezultat n urma analizei ABC.

Figura 13


STUDIUL DE CAZ Nr. 6 APLICAREA SIMULRII LA GESTIUNEA STOCURILOR

Tehnica de simulare Monte Carlo ne permite s obinem valori artificiale ale cererii i
eventual ale duratelor de livrare, conform distribuiilor de probabilitate observate.
Utiliznd aceste valori artificiale n cadrul unei metode de gestiune, se pot calcula diveri
parametrii: rata de ruptur, costul rupturii, etc. Va fi deci posibil s comparm diverse
metode de gestiune.

Tehnica de simulare Monte Carlo ne permite s abordm diverse scenarii de gestiune a
stocurilor, care pot diferi de metodele clasice ale punctului de comand sau al
aprovizionrii periodice.

A. Obinerea unui eantion artificial al cererii
Metoda Monte Carlo permite obinerea unui eantion cu o distribuie de probabilitate
dat, plecnd de la un eantion de numere aleatoare uniform repartizate pe intervalul
(0,1).

Fie X o variabil aleatoare discret, cu distribuia:

=
=
|
|
.
|
\
|
n
i
i
n
n
p
p
x
p p
x x
X
1
2 1
2 1
1 ,
...
...
:
Algoritmul de generare al variabilei X este:
Pasul 1. Se calculeaz
=
= =
i
j
j i
n i p F
1
, 1 , .
Iniializm: i = 0
Pasul 2. Se genereaz U uniform repartizat pe (0,1).
Pasul 3. Se calculeaz: i = i+1
Pasul 4. Dac U > F
i
atunci transfer la Pasul 3.
Pasul 5. Ieire X = x
i
. Stop.

Exemplu. Considerm cazul unui distribuitor care gestioneaz stocul unui produs. El
nregistreaz cererea aleatoare a produsului i constat c probabilitatea p(n) a unei
cereri zilnice de n articole este conform cu tabelul urmtor:

Cererea
zilnic
N

0

1

2

3

4

5

6

7
Probabilitatea
p(n)
0.05 0.12 0.20 0.30 0.15 0.08 0.06 0.04
F
i
0.05 0.17 0.37 0.67 0.82 0.90 0.96 1

82 Dorin Lixndroiu

Dorim s obinem o serie aleatoare a cererii zilnice conform cu aceast distribuie de
probabilitate. De exemplu, dac valorile variabilei aleatoare uniforme U sunt: 0.29,
0.59, 0.93, aplicnd algoritmul se obin valorile cererii zilnice: 2, 3, 6 articole. Am redus
astfel problema generrii unor cereri zilnice cu o anumit distribuie de probabilitate, la
generarea unor numere aleatoare repartizate uniform n intervalul [0,1].
Utiliznd modulul Simulation din produsul software QM se pot genera serii aleatoare
ale cererii. Algoritmul de generare este cel prezentat mai sus, pentru variabile aleatoare
discrete. n figura 14 este prezentat sinteza rezultatelor obinute pentru 100 de
simulri, iar n figura 15 sunt date primele 20 cereri gennerate.

Figura 14

Figura 15

B. Simularea stocului pentru o metod de gestiune dat

Definim o metod de gestiune foarte simpl: se comand n ultima zi lucrtoare a
sptmnii (care are 5 zile lucrtoare), un numr de articole egal cu consumul mediu al
unei sptmni.

Media cererii este egal cu:
06 . 3 7 04 . 0 6 06 . 0 5 08 . 0 4 15 . 0 3 3 . 0 2 2 . 0 1 12 . 0 = + + + + + +

Deci, cererea sptmnal este de 15 articole. Se presupune n plus, c stocul iniial este
egal cu 15 articole.

Se obine evoluia urmtoare a stocului calculat la sfritul fiecrei zile, tiind c n
cazul lipsei de stoc cererea nesatisfcut nu se reporteaz pentru ziua urmtoare.

Z 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
C 0 6 2 3 4 3 2 7 5 3 3 0 6 2 1 5 3 3 3 3
S 15 9 7 4 15 12 10 3 0 15 12 12 6 4 18 13 10 7 4 16
P 2 3

unde: Z = ziua
C = cererea
S = stocul la sfritul zilei
P = penurie

Efectund simularea pentru 100 zile lucrtoare s-a calculat cererea total exprimat,
penuria total i numrul de zile de stocare/articol.

Observaie. Trebuie adugate zilele de stocare de la sfritul sptmnii; de exemplu
pentru prima sptmn se obine:
15
D
+15
L
+9
M
+7
M
+4
J
+15
V
+15
S
= 80 zile/articol de stocare.
Rezult:
- cererea total: 317
- numrul de zile/articol de stocare: 1540
- penuria total: 21
- rata de penurie: 21 / 317 = 6.6%

Dac se presupune c avem un cost de stocare de 1 u.m. / articol / zi, costul de
reaprovizionare este neglijabil, iar costul unitar al lipsei de stoc este de 50 u.m. , va
rezulta un cost total pentru 100 zile de: . . 2590 50 21 1 1540 m u = +

Concluzie. Acest cost va putea fi comparat cu cel rezultat din aplicarea altor reguli de
reaprovizionare. Totui, pentru ca rezulatatele obinute s fie stabile trebuie efectuate
simulri pentru o perioad de cel puin 300 de zile.
84 Dorin Lixndroiu

Aplicaia de gestiune a stocului realizat n Excel pe baza acestui studiu de caz permite
construcia unor grafice sugestive pentru luarea deciziei manageriale. Pe baza analizelor
efectuate n urma mai multor simulri se poate stabili o politic optim de gestiune a
stocului.

Graficele sunt redate n figurile 16, 17, 18. Ele reprezint rezultatele obinute dup
efectuarea simulrii cererii pentru 100 de zile, n condiiile metodei de gestiune definite
n acest studiu de caz.

Rata de penurie Rata serviciului

Figura 16 Rata serviciului i rata de penurie (lipsa de stoc)

0
5
10
15
20
25
30
35
40
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79 82 85 88 91 94 97 100
CERERE Stoc la inceputul zilei

Figura 17 Graficele de evoluie zilnic a cererii i a stocului la nceputul zilei


0
2
4
6
8
10
12
14
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79 82 85 88 91 94 97 100
CERERE PENURIE

Figura 18 Nivelul zilnic al stocului (sunt evideniate zilele cu lips de stoc
i mrimea cererii nesatisfcute)

Rezumat
Stocarea unui produs are un cost, deci tendina este de a stoca o cantitate
ct mai mic. Politica de a avea stocuri ct mai mici, implic reaprovizionri
mai dese, care pot s induc: costuri de reaprovizionare i pierderi de profit n
cazul rupturilor de stoc. n faa unei cereri fluctuante, trebuie s fie definit o
regul de reaprovizionare, (momentul efecturii comenzii i cantitatea
comandat), care s conduc la o sum minim a acestor costuri.
Modelul Wilson este un model determinist care realizeaz calculul
principalilor parametrii de gestiune n condiiile optimizrii costurilor totale de
stocare pentru un articol.
Pornind de la modelul clasic determinist (modelul Wilson) al cantitii
economice, se pot defini dou principii fundamentale de reglare:
- Metoda punctului de comand - se comand cantiti fixe optime, la
momente de timp care pot s varieze n funcie de cererea aleatoare.
- Metoda de aprovizionare periodic se comand dup o periodicitate dat
(n principiu aproape de periodicitatea optim), cantiti care pot varia n
funcie de cererea aleatoare.
Stocul de securitate permite evitarea situaiilor de lips de stoc datorate
unor cereri aleatoare sau unor ntrzieri n livrare.
Analiza ABC realizeaz o gestiune selectiv a stocurilor. Clasificarea n 3
categorii (A, B i C) permite abordarea unor politici diferite de gestiune a
stocurilor.
86 Dorin Lixndroiu

Tehnica de simulare Monte Carlo ne permite s obinem valori artificiale ale
cererii i eventual ale duratelor de livrare, conform distribuiilor de
probabilitate observate. Utiliznd aceste valori artificiale n cadrul unei
metode de gestiune este posibil s comparm diverse metode de gestiune.
Tehnica de simulare Monte Carlo ne permite s abordm diverse scenarii de
gestiune a stocurilor, care pot diferi de metodele clasice ale punctului de
comand sau al aprovizionrii periodice.

1. Definii ipotezele modelului Wilson i explicai grafic soluia valorii economice
optime.
2. Prezentai cele dou metode de reglare a stocurilor din modelul Wilson.
3. Studiul de caz nr. 1 Care este riscul de ruptur de stoc n cazul unui stoc de
siguran S
S
= 135 uniti ?
4. Studiul de caz nr. 1 Care este valoarea stocului de siguran n cazul unui risc
de ruptur de 1% ?
5. Studiul de caz nr. 2 Din rezultatele gestiunii optime (figura 6) deducei modul
de evaluare a nivelului de aprovizionare (Reorder point = 5.222).
6. Studiul de caz nr. 2 Dup ce analizeaz rezultatele gestiunii optime (figura
6), managerul decide s realizeze 8 aprovizionri pe an, deoarece soluia optim
este nerealizabil cu 7.15 aprovizionri/an. Cu ct crete suma costurilor totale
de aprovizionare i stocare fa de soluia optim calculat.
7. Studiul de caz nr. 3 Analizai graficele costului de stocare i al costului de
lansare n fabricaie.
8. Studiul de caz nr. 3 Analizai decizia managerului de a lansa ntr-un an 10
comenzi de fabricaie pentru acoperirea necesarului de 500 de uniti, n raport
cu soluia matematic optim a modelului.
9. Studiul de caz nr. 4 Reluai rezolvarea modelului n situaia unui cost de
lansare al comenzii de 200 u.m. Analizai soluia obinut.
10. Studiul de caz nr. 5 Explicai n ce const Analiza ABC i care sunt
avantajele aplicrii n gestiunea stocurilor.
11. Studiul de caz nr. 6 Reluai tabelul de evoluie al stocului pentru datele
simulate din figura 15 (sau generai o alta serie de cereri utiliznd Simulation din
QM) i trasai graficul evoluiei stocului pentru perioada studiat (20 de zile).
12. n metoda punctului de comand se consider:
- cantitatea economic Q
E
= 6 uniti,
- stocul de securitate S
S
=2 uniti,
- cererea anual B
A
= 36 uniti,
- ntrzierea n livrare D = 1 lun.
Determinai: perioada optim de aprovizionare (perioada economic), numrul
anual optim de comenzi (frecvena economic), nivelul stocului S
C
(punctul de
comand).


Unitatea de nvare 6
MODELAREA DECIZIILOR CU MULIMI FUZZY
[ANDREICA, 1998], [BOJADZIEV, 1995], [BOUCHON, 1995], [IONESCU, 1999], [MANSUR, 1995],
*MOISIL, 1975+, *NEGOI, 1974+, *RAIU, 2001+, *RAIU, 2002+

Obiectiv
Obiectivul acestui capitol este de a defini i construi modele economice
bazate pe conceptul de mulime vag (fuzzy set, ensemble flou). Utilizarea
mulimilor fuzzy n modelarea economic permite tratarea unor fenomene
insuficient precizate, mai puin rigide, deoarece pentru elementele acestor
mulimi exist mai multe grade de apartenen intermediare ntre
apartenena total i non-apartenena. Studiile de caz prezentate
demonstreaz multiplele posibiliti de aplicare a mulimilor fuzzy n
modelarea unor procese economice.

Parcurgerea acestei uniti permite nelegerea conceptelor fuzzy i aplicarea
lor n construcia modelelor ce conduc la problema de programare liniar i la
modelarea deciziei multicriteriale.


Conceptul de mulime vag (fuzzy set, ensemble flou) a fost introdus n matematic de
L.A. Zadeh n anul 1965. Concepetele fuzzy au aprut din necesitatea de a msura
cantitativ vagul, imprecisul. Academicianul romn G. Moisil dezvolt ideea de fuzzy set,
care ar putea fi neleas ca extensia unui predicat n logica cu o infinitate de valori.

Definia mulimii fuzzy (utiliznd un limbaj vag)
O mulime fuzzy este o mulime n care nu exist o tranziie brusc de la apartenena la
non-apartenena unui element la aceast mulime.
Ideea fundamental este urmtoarea: dac X este o mulime clasic, n care
apartenena este dichotomic, orice submulime X Ac poate fi identificat prin funcia
sa caracteristic:
{ } 1 , 0 : X
A
_ ,
unde ( )
e
e
=
A x
A x
x
A
, 0
, 1
_
deci, mulimea prilor lui X este n coresponden bijectiv cu mulimea funciilor

{ } 1 , 0 : X f .
88 Dorin Lixndroiu

Teoria clasic are ca model logica bivalent.
Modelul teoriei mulimilor fuzzy este logica continu. Submulimile fuzzy ale lui X sunt n
coresponden bijectiv cu mulimea de funcii: | | 1 , 0 : X f .
Dac A este o submulime fuzzy (vag) a lui X, aplicaia ] 1 , 0 [ : X f
A
se numete funcia
de apartenen a lui A.
O submulime fuzzy A este definit prin: ( ) ( ) { } X x x f x
A
e / , .

Observaii.
- n cazul particular n care
A
f nu ia dect dou valori 0 sau 1, submulimea fuzzy A
este o submulime clasic a lui X. Deci, o submulime clasic este un caz particular de
submulime fuzzy.
- Definiia mulimilor fuzzy clarific distincia dintre aleator i fuzzy : fenomenul
aleator este rezultatul incertitudinii n ceea ce privete apartenena sau non-
apartenena unui obiect la o clas; n cadrul unui fenomen fuzzy exist mai multe
grade de apartenen intermediare ntre apartenena total i non-apartenena.

Noiunea de mulime fuzzy permite tratarea:
- categoriilor cu limite definite neclar (centrul oraului, vechi)
- situaiile intermediare ntre totul i nimic (aproape negru)
- trecerea progresiv de la o proprietate la alta (de la aproape la departe)
- claselor evitnd utilizarea arbitrar a limitelor rigide (este dificil s spui c o cas
situat la 200 m de plaj este aproape, dar dac este la 210 m este departe) !

Exemple de submulimi fuzzy
Elementele lui X care posed o anumit proprietate constituie o submulime A a lui X, n
sensul cunoscut al teoriei mulimilor. Se noteaz Prop(A) proprietatea asociat.

1. Pentru Prop(A) = din regiunea parisian graficul este dat n figura 1.

Figura 1

2. Pentru Prop(A1) = departe i Prop(A2) = aproape o posibil reprezentare a
funciilor de apartenen este dat n figura 2.


Figura 2

De ce o posibil reprezentare ?
Din figura 2 constatm, de exemplu, pentru Prop(A2) = aproape(graficul trasat cu
albastru) c avem:

( ) 1 , 100
2
m
A
, ( ) 1 , 200
2
m
A
, ( ) 5 . 0 , 300
2
m
A
, ( ) 0 , 400
2
m
A
, ( ) 0 , 500
2
m
A

adic, pentru distane mai mari de 400 m gradul de apartenen la proprietatea
aproape este zero. Aceast reprezentare este subiectiv. Pentru o alt persoan este
posibil ca orice distan mai mic de 1 km s aib gradul de apartenen la proprietatea
aproape de 1 i gradul de apartenen 0 s nceap pentru distane mai mari de 5 km.

3. Pentru Prop(A) = este tnr n figura 3 avem o reprezentare subiectiv:

Figura 3

90 Dorin Lixndroiu

4. Pentru Prop(A) = este de vrst medie n figura 4 avem o reprezentare subiectiv:

Figura 4

5. Pentru Prop(A) = este n vrst n figura 5 avem o reprezentare subiectiv:

Figura 5

Operaii cu submulimi fuzzy

Definiia 1. Dou submulimi fuzzy A i B ale lui X sunt egale dac funciile lor de
apartenen iau aceeai valoare pentru orice element din X:
( ) ( ) x f x f X x
B A
= e , (1)

Definiia 2. Fiind date dou submulimi fuzzy A i B ale lui X, se spune c A este inclus n
B dac funciile lor de apartenen sunt astfel nct:
( ) ( ) x f x f X x
B A
s e , (2)


Definiia 3. Intersecia a dou submulimi fuzzy A i B ale lui X este submulimea fuzzy C,
astfel nct:
( ) ( ) ( ) ( ) x f x f x f X x
B A C
, mi n , = e (3)
min desemnnd operatorul de minimizare.

Definiia 4. Reuniunea a dou submulimi fuzzy A i B ale lui X este submulimea fuzzy D,
astfel nct:
( ) ( ) ( ) ( ) x f x f x f X x
B A C
, max , = e (4)
max desemnnd operatorul de maximizare.

Modelarea deciziei manageriale
Fie:
D - o decizie fuzzy reprezentat de funcia de apartenen
D
(x)
O - un obiectiv fuzzy cu funcia de apartenen
O
(x)
R - o restricie fuzzy cu funcia de apartenen
R
(x)
x - un element al mulimii de alternative A

Decizia vag este dat de: R O D = (figura 6)

( ) ( ) ( ) ( ) A x x x x
R O D
e = , , mi n
iar ( ) ( ) ( ) ( )
)
`
= = x x x x x
R O
x
D opt

, mi n max max | (5)

Figura 6

92 Dorin Lixndroiu

STUDIUL DE CAZ Nr. 1 Selectarea personalului [1]
Dorim selectarea unor persoane bine pregtite profesional i care s aib o stare bun
de sntate.

Notm :
A - mulimea persoanelor bine pregtite profesional
B - mulimea persoanelor avnd o stare bun de sntate
T - durata total (maxim) necesar pregtirii profesionale
P
max
- punctajul maxim

Pentru proprietatea A - bine pregtite profesional calculm urmtoarea funcie de
apartenen:
( )
max
P
p
T
t
x f
i i
i A
=
unde:
t
i
- durata pregtirii lui x
i

p
i
- punctajul obinut de x
i

Pentru proprietatea B - stare bun de sntate apartenena persoanei x
i
poate fi
stabilit prin analize, teste medicale pentru fiecare subsistem: nervos, circulator,
digestiv, visual, auditiv etc. Calculm urmtoarea funcie de apartenen:
( )
max max
2
2
max
1
1
....
s
is i i
i B
P
p
P
p
P
p
x f =
n final, calculm pentru fiecare persoan funcia de apartenen la proprietatea A i B:

( ) ( ) ( ) ( )
i B i A i B A
x f x f x f , mi n =

Ordonarea descresctoare a valorilor funciei de apartenen (3) va permite selectarea
persoanelor care ndeplinesc cele dou proprieti: bine pregtite profesional i stare
bun de sntate.

STUDIUL DE CAZ Nr. 2 Selectarea personalului [2]
[BOJADZIEV, 1995]

Pentru a ocupa un post ntr-o organizaie se prezint 5 candidai x
i
, i=1,2,,5. Acetia
formeaz mulimea de alternative A. Comitetul de selecie vrea s aleag candidatul
care satisface n cel mai mare grad obiectivele:
O
1
- experien,
O
2
- cunotine de utilizare a calculatorului,
O
3
- vrsta (ct mai tnr).
Comitetul de selecie are o restricie:
R - salariul acordat i acceptat s fie ct mai mic.

Dup analiza CV-urilor, scrisorilor de recomandare i desfurarea interviurilor au
rezultat urmtoarele mulimi vagi definite pe mulimea alternativelor:

O
1
= {( x
1
,0.8), ( x
2
,0.6), ( x
3
,0.3), ( x
4
,0.7), ( x
5
,0.5)}
O
2
= {( x
1
,0.7), ( x
2
,0.6), ( x
3
,0.8), ( x
4
,0.2), ( x
5
,0.3)}
O
3
= {( x
1
,0.7), ( x
2
,0.8), ( x
3
,0.5), ( x
4
,0.5), ( x
5
,0.4)}
R = {( x
1
,0.4), ( x
2
,0.7), ( x
3
,0.6), ( x
4
,0.8), ( x
5
,0.9)}

Decizia va fi dat de:
R O O O D =
3 2 1

iar funcia de apartenen
D
(x) este:
D
(x)= {( x
1
,0.4), ( x
2
,0.6), ( x
3
,0.3), ( x
4
,0.2), ( x
5
,0.3)}

Rezulatatul final: x
opt
= x
2

Candidatul x
2
are gradul de apartenen cel mai mare la cele 3 obiective i la restricia
impus de comitetul de selecie.

STUDIUL DE CAZ Nr. 3 Optimizarea structurii de producie
*RAIU, 2002+

O firm este singurul productor intern al produsului P, care se realizeaz n 3 variante:
P1, P2, P3. Stabilii pentru perioada urmtoare structura de producie care maximizeaz
gradul de satisfacere simultan a obiectivelor:
A. Obinerea unui venit ct mai mare sau ct mai aproape posibil de 3000 u.m.,
dar nu mai mic de 2800 u.m.
B. Suplimentarea cu cantiti ct mai reduse a disponibilului de resurse.
C. Realizarea produciei la nivelul cererii sau ct mai aproape de de nivelul
cererii.
Ipoteze:
I1. Cererea i preul au fost determinate prin studii de marketing.
I2. Resursele pot fi suplimentate cu maximum de 300 uniti fizice fiecare.
I3. Cererea nesatisfcut trebuie s fie mai mic de 50 uniti fizice din fiecare variant a
produsului.

Informaiile legate de consumurile unitare, resursele disponibile, cererea i preul unitar
sunt date n tabelul de mai jos:

P1 P2 P3
Resurse
disponibile
Resursa R1 3 1 3 900
Resursa R2 1 2 4 800
Cererea 200 200 150
Preul unitar 6 5 8
94 Dorin Lixndroiu

Rezolvare: Obiectivele problemei i restriciile au fost formulate vag. Se va asocia o
mulime vag fiecrui obiectiv i fiecrei restricii.

Variabilele modelului sunt:
X1 - cantitatea de produs P1
Construcia funciilor fuzzy i a restriciilor:
- funcia de apartenen pentru obiectivul venit:
fie: ( ) 0 ,
1 1
> > o o b x g
( )
( )
( ) ( )
( )
( )
>
< <

s
=
1 1
1 1 1
1 1
1 1
, 1
,
, 0
b x g
b x g b
b x g
b x g
x Z o
o
o
o
(6)

nlocuind n (6) se obine restricia corespunztoare venitului:

( )
Z
x x x
>
+ +
200
200 3000 8 5 6
3 2 1

Restricia 1 : 2800 200 8 5 6
3 2 1
> + + Z x x x

- funcia de apartenen pentru obiectivul resurse:
fie : ( ) 0 ,
2 2
> + s | | b x g
( )
( )
( ) ( )
( )
( )
+ >
+ < <
+
s
=
|
|
|
|
2 2
2 2 2
2 2
2 2
, 0
,
, 1
b x g
b x g b
x g b
b x g
x Z (7)

nlocuind n (7) se obine restricia corespunztoare resursei R1:

( ) ( )
Z
x x x
>
+ + +
300
3 3 300 900
3 2 1

Restricia 2: 1200 300 3 3
3 2 1
s + + + Z x x x

Analog pentru resursa R2 se obine :
Restricia 3: 1100 300 4 2
3 2 1
s + + + Z x x x
- funcia de apartenen pentru obiectivul cerere este de tipul (6):

( )
Z
x
>

50
50 200
1

Restricia 4: 150 50
1
> Z x
Analog pentru cererile produselor P2 i P3 se obin restriciile:
Restricia 5: 150 50
2
> Z x
Restricia 6: 100 50
3
> Z x

n final se mai adaug restriciile pentru Z:
1 0 s s Z
i condiiile de nenegativitate pentru variabilele modelului.

Funcia obiectiv este: max Z

n figura 7 se prezint datele de intrare ale problemei n modulul Linear Programming
din QM.

Figura 7

n figura 8 se dau rezultatele obinute:

Figura 8
96 Dorin Lixndroiu

Interpretarea rezultatelor:
- valoarea lui Z de 0,37 arat gradul de apartenen simultan la toate obiectivele
formulate;
- structura de producie optim este:
P1 = 180 buc. P2 = 168 buc. P3 = 118 buc.
- venitul realizat :
2800 + 0.37 x 200 = 2874 u.m.
- realizarea structurii de producie optime implic utilizarea resurselor:
R1: 1200 - 24.603 - 0.37 x 300 = 1064.397
R2: 1100 - 0.37 x 300 = 989

STUDIUL DE CAZ Nr. 4 Model de decizie multicriterial
[ANDREICA, 1998]

O firm dorete achiziionarea unui utilaj n conformitate cu exigenele procesului
tehnologic, cu urmtoarele caracteristici (atribute):
C1: pre ct mai mic (u.m.)
C2: productivitate mare (uniti fizice / unitatea de timp)
C3: cheltuieli de ntreinere mici (u.m. / unitatea de timp)
C4: consum mic de energie (unit. fizice de energie / unit. de timp)
C5: gabarit mic (mp)
Exist 6 oferte de utilaje care realizeaz operaiile tehnologice, dorite, dar avnd fiecare
alte caracteristici:

Utilaj
C1
min
C2
Max
C3
min
C4
min
C5
min
U1 12.0 19.0 0.055 2.0 1.20
U2 13.5 18.0 0.040 3.5 1.30
U3 11.0 16.0 0.050 3.8 1.00
U4 10.0 18.0 0.045 3.0 1.40
U5 10.0 20.0 0.058 2.5 1.10
U6 13.0 14.5 0.040 2.0 1.45

Din analiza datelor rezult c nici unul din utilaje nu ndeplinete simultan toate criteriile
de selecie. Deoarece cele 5 criterii au fost formulate vag, se va utiliza teoria mulimilor
fuzzy pentru fundamentarea deciziei de investiie.
Pentru realizarea investiiei, se face o analiz prealabil i se stabilete pentru fiecare
caracteristic nivelul de aspiraie i abaterea permis la aceste nivel:

C1 C2 C3 C4 C5
Nivelul de aspiraie(S) 9 20 0.04 2 1
Abaterea permis () 5 5 0.02 2 0.5

De exemplu, pentru criteriul C1 (de minim), se dorete (nivel de aspiraie) valoarea 9, i
se poate accepta cel mult 14 (nivel + abatere: 9 + 5= 14).
Pentru criteriul C2 (de maxim), se dorete (nivel de aspiraie) valoarea 20, i se poate
accepta cel mult 15 (nivel - abatere: 20 - 5 =15).

Graficul C1 minim Graficul C2 - maxim

Rezolvare:
Pasul 1. Fie { }
6 2 1
,..., , U U U E = mulimea utilajelor.
Definim 5 mulimi fuzzy corespunztoare celor 5 criterii de selecie;
rezult ( ) ( ) 5 ,..., 2 , 1 , 6 ,..., 2 , 1 , , = = j i U U
i C i
j

Pentru fiecare criteriu
j
C decidentul precizeaz un nivel de aspiraie
j
S fa de
care se admite o abatere 0 >
j
o .
Pasul 2. Se calculeaz gradul de apartenen al fiecrui utilaj
i
U la fiecare mulime fuzzy

j
C , astfel:
- notm cu ( )
i j
U V valoarea criteriului
j
C pentru utilajul
i
U
- gradul de apartenen pentru mulimile fuzzy se determin n funcie de tipul
criterului de selecie max / min
Pentru criteriile de minim, gradele de apartenen se calculeaz cu ajutorul
funciei:

( )
( )
( )
( )
( )
+ >
+ < <
s
=
j j i j
j j i j j
j
j i j
j i j
i C
S U V daca
S U V S daca
S U V
S U V daca
U
j
o
o
o
, 0
, 1
, 1
(8)

Pentru criteriile de maxim, gradele de apartenen se calculeaz cu ajutorul
funciei:

1
0
1
14 19
1
0
15 20
98 Dorin Lixndroiu

( )
( )
( )
( )
( )
s
< <
>
=
j j i j
j i j j j
j
i j j
j i j
i C
S U V daca
S U V S daca
U V S
S U V daca
U
j
o
o
o
, 0
, 1
, 1
(9)

Utilaj
1
C

2
C

3
C

4
C

5
C

U1 0.4 0.8 0.25 1 0.6
U2 0.1 0.6 1 0.25 0.4
U3 0.6 0.2 0.5 0.1 1
U4 0.8 0.6 0.75 0.5 0.2
U5 0.8 1 0.1 0.75 0.8
U6 0.2 0 1 1 0.1

Pasul 3. Pentru fiecare utilaj se calculeaz intersecia celor 5 mulimi fuzzy asociate
criteriilor . 5 ,..., 2 , 1 , = j C
j
Gradul de apartenen al fiecrui utilaj la intersecia
mulimilor fuzzy este dat de relaia:
( ) ( ) ( ) ( ) ( )
i C i C i C i
U U U U C C C C C
5 2 1
5 4 3 2 1
,..., , min
=

Rezult: max {0.25, 0.1, 0.1, 0.2, 0.1, 0} = 0.25

Pasul 4. Se alege utilajul cu cel mai mare grad de apartenen la mulimea intersecie a
celor 5 criterii de selecie.

Decizia: alegem utilajul U1 !
Datorit gradului mic de apartenen la cerinele solicitate, se impune analizarea
i a altor oferte.

Comentariu.
Modelul propus consider c toate criteriile analizate au aceeai importan. n
realitatea ponderile subiective acordate criteriilor de ctre decident sunt foarte
importante n stabilirea corect a ierarhiei variantelor.
Presupunem c decidentul acord ponderi diferite celor 5 criterii analizate:

( ) 05 . 0 , 2 . 0 , 15 . 0 , 2 . 0 , 4 . 0 = W
Aplicnd metoda Ponderrii simple aditive (prezentat n capitolul 4), calculm pentru
cele 6 variante:

( )

=
= =
5
1
6 ,..., 2 , 1 ,
j
ij j i
i w U f
unde
ij
reprezint gradul de apartenen al variantei (utilajului)
i
U la criteriul .
j
C

Obinem:
f(U1) = 0.587
f(U2) = 0.380
f(U3) = 0.425
f(U4) = 0.662
f(U5) = 0.725
f(U6) = 0.435

Ordinea de clasificare a utilajelor: U5 > U4 > U1 > U6 > U3 > U2
Decizia: alegem utilajul U5 !

Rezumat
Concepetele fuzzy au aprut din necesitatea de a msura cantitativ vagul,
imprecisul. O mulime fuzzy este o mulime n care nu exist o tranziie brusc
de la apartenena la non-apartenena unui element la aceast mulime.
Dac A este o submulime fuzzy (vag) a lui X, aplicaia ] 1 , 0 [ : X f
A
se
numete funcia de apartenen a lui A. O submulime fuzzy A este definit
prin: ( ) ( ) { } X x x f x
A
e / , .
Definiia mulimilor fuzzy clarific distincia dintre aleator i fuzzy :
fenomenul aleator este rezultatul incertitudinii n ceea ce privete apartenena
sau non-apartenena unui obiect la o clas; n cadrul unui fenomen fuzzy exist
mai multe grade de apartenen intermediare ntre apartenena total i non-
apartenena.
n cazul n care obiectivele problemei i restriciile liniare au fost formulate
vag se poate construi un model ce conduce la problema de programare liniar,
asociind o mulime vag fiecrui obiectiv i fiecrei restricii.
Dac ntr-un model de decizie multicriterial, criteriile sunt formulate vag,
se poate utiliza teoria mulimilor fuzzy pentru fundamentarea deciziei. Pentru
fiecare criteriu se stabilete un nivel de aspiraie i o abatere permis la acest
nivel. Pe baza valorilor variantelor se definesc mulimi fuzzy corespunztoare
criteriilor de selecie. Din analiza acestor mulimi fuzzy va rezulta o clasificare a
variantelor. Exist posibilitatea de a introduce n model i ponderile subiective
acordate criteriilor de ctre decident. Acestea sunt foarte importante n
stabilirea corect a ierarhiei variantelor.

1. O firm realizeaz un produs n dou variante: V1 i V2, folosind dou resurse,
R1 i R2. Pentru o unitate din V1 sunt necesare dou uniti din R1 i trei uniti
din R2, iar pentru o unitate din V2 sunt necesare trei uniti din R1 i dou
uniti R2. Cantitatea disponibil din R1 este 28, iar din R2 este 22. Profitul
100 Dorin Lixndroiu

pentru o unitate din V1 este 10 u.m., iar pentru V2 este de 9 u.m.
a) Determinai planul optim de producie i profitul maxim n situaia n care
cererea zilnic stabilit pentru V2 reprezint cel puin 70% din totalul cererii
produsului. (Construii i rezolvai modelul).
b) Firma i-a stabilit ca int de profit 120 u.m. i se accept o nerealizare de cel
mult 10%. Resursa R2 poate fi suplimentat cu cel mult 6 uniti, iar resursa R1
cu cel mult 5 uniti. Determinai planul optim de producie i profitul maxim.
(Construii i rezolvai modelul).

2. O persoan dorete s cumpere un autoturism i selecteaz 4 criterii:
C1: pre ct mai mic (mii u.m.)
C2: consum ct mai mic (l/100km)
C3: cheltuieli de ntreinere mici (u.m./10000 km)
C4: grad de confort ct mai mare, nivel dotri, siguran
(apreciere pe o scal 1...20 pct., cu max = 20 pct.)
Adun 5 oferte i analizeaz prin prisma criteriilor. Din analiza datelor rezult c
nici unul din autoturisme nu ndeplinete simultan toate criteriile de selecie.

C1
min
C2
min
C3
min
C4
max
AUTO 1 12.5 5.2 45 16
AUTO 2 14.5 5.7 50 19
AUTO 3 11.0 6.2 40 17
AUTO 4 10.0 5.8 55 15
AUTO 5 10.5 5.6 45 16

Persoana studiaz, analizeaz i stabilete c la acest moment dispune de 10 mii
u.m. i ar putea suplimenta aceast sum, dar nu ar da pe main mai mult de
15 mii u.m. Legat de consum ar dori ca autoturismul s aib un consum ct mai
mic, ntre 5 i 6 l/100km. La criteriul 4 ar dori, evident, aprecierea maxim, dar
nu mai puin de 16 pct. Consider criteriul pre cel mai important, iar la celelalte
criterii le acord ponderi subiective egale de 10%. Stabilii ierarhia celor 5
autoturisme. (Construii i rezolvai modelul de clasificare)


ANEXA REPARTIIA NORMAL

Repartiia normal, cunoscut i sub numele de legea Gauss Laplace, este cea mai
important funcie de repartiie (distribuie). Notm cu ( )
2
,o N repartiia normal de
parametrii i
2
.
Funcia de repartiie normal ( )
2
,o N este:
( ) ( )
( )
dt e x X P x F
x
t
}

= < =
2
2
2
2
1
o
t o
(1)
Densitatea de repartiie normal este:
( )
( )
0 ,
2
1 2
2
2
>

=

o
t o
o
x
e x f (2)
Funcia de repartiie normal a lui X se poate exprima cu ajutorul densitii de repartiie
prin egalitatea:
( ) ( )
}

=
x
dt t f x F (3)
Observaie. Pentru orice funcie de repartiie, aria de sub curba densitii de repartiie
este egal cu 1.
( )
}
+

=1 dt t f (4)
Valoarea medie i dispersia repartiiei normale ( )
2
,o N sunt date de:
( ) ( )
}
+

= = dx x f x X M (5)
( ) ( ) ( )
}
+

= =
2 2 2
o dx x f x X D (6)
Graficul funciei f(x) se numete curba normal sau curba lui Gauss.

Figura 1
102 Dorin Lixndroiu

Proprietile curbei normale (figura 1):
- are un punct de maxim unic, corespunztor lui = x
- graficul densitii de repartiie normale f(x) este simetric fa de = x
- punctele de abscis o sunt puncte de inflexiune, graficul fiind concav dac:
o o + < < x i convex dac o < x sau o + > x
- modificarea valorii lui translateaz curba de-a lungul axei X
- modificarea parametrului modific ascuirea curbei, cu ct este mai mic cu
att ordonata punctului de maxim este mai mare ( rmnnd constant)

Figura 2
Legtura dintre graficele funciei de repartiie i densitii de repartiie ( )
2
,o N este
dat n figura 2.

Repartiia normal redus N(0,1)
Densitatea de repartiie normal redus este:
( )
2
2
2
1
x
e x

=
t
(7)
Funcia de repartiie corespunztoare repartiiei normale reduse N(0,1) are expresia:
( ) ( )
} }

= =
x x
t
dt e dt t x
2
2
2
1
t
u (8)
Valorile funciei ( ) x u , numit i funcia lui Laplace sunt tabelate (vezi tabela din
anex).


Datorit proprietilor curbei normale reduse remarcm:
( )
2
1
0 = u
( ) ( ) 0 , 1 > = x x x u u (9)

Figura 3

Din figura 3 deducem c ( ) ( )
}

= =
5 , 0
6915 , 0 5 , 0 dt t u , aceasta fiind aria mrginit de
graficul densitii de repartiie N(0,1), axa ox i dreapta x = 0,5.

Dac X este repartizat ( )
2
,o N , atunci variabila aleatoare
o

=
X
Y este repartizat
N(0,1). Rezult c probabilitatea cu care X ia valori ntr-un interval (a,b) poate fi
calculat cu relaia:
( )
|
.
|
\
|

|
.
|
\
|

= < <
o
u
o
u
a b
b X a P (10)

Observm c, pentru orice 0 > o , din relaiile (10) i (9) obinem:
( ) ( ) 1 2
|
.
|
\
|
=
|
.
|
\
|

|
.
|
\
|
= < = + < <
o
o
u
o
o
u
o
o
u o o o X P X P (11)

- pentru o o = , rezult:
( ) ( ) 6826 , 0 1 8413 , 0 2 1 1 2 = = = + < < u o o X P

104 Dorin Lixndroiu

De exemplu, dac vnzrile urmeaz o repartiie N(90,10
2
), atunci
P(90-10 < X < 90+10) = 0,6826
adic vnzrile sunt n intervalul *80, 100+ cu o probabilitate de 68,26% (figura 3).

Figura 3
- pentru o o =2 , rezult:
( ) ( ) 9544 , 0 1 9772 , 0 2 1 2 2 2 2 = = = + < < u o o X P
2
), atunci
P(90-20 < X < 90+20) = 0,9544

Figura 4

- pentru o o =3 , rezult:
( ) ( ) 9974 , 0 1 9987 , 0 2 1 3 2 3 3 = = = + < < u o o X P

2
), atunci
P(90-30 < X < 90+30) = 0,9974

Figura 5. Regula lui 3

Regula lui 3 Probabilitatea ca abaterea, n valoare absolut, a variabilei aleatoare X
repartizat ( )
2
,o N s depeasc 3 este 1 - 0,9974 = 0,0026 = 0,26%.

106 Dorin Lixndroiu

Valorile tabelate ale funciei lui Laplace ( ) x u


BIBLIOGRAFIE

[ACKOFF, 1975] ACKOFF, R.; SASIENI, M., Bazele cercetrii operaionale, Ed. Tehnic,
Bucureti, 1975.
*ANDRAIU, 1986] ANDRAIU, M., BACIU, A., .a., Metode de decizii multicriteriale,
Editura Tehnic, Bucureti, 1986.
[ANDREICA, 1998] ANDREICA, M.; STOICA, M,; LUBAN, F., Metode cantitative n
management, Ed. Economic, 1998.
[BOJADZIEV, 1995] BOJADZIEV, G.; BOJADZIEV,M., Fuzzy Sets, Fuzzy Logic, Applications,
World Scientific Publishing, Singapore, 1995.
[BOUCHON, 1995] BOUCHON-MEUNIER, B.; La logique floue et ses applications, ditions
Addison-Wesley France, 1995.
[CARLUER, 2002] CARLUER, F.; RICHARD, A., Analyse stratgique de la dcision, Presses
Universitaires de Grenoble, 2002.
[CIUCU, 1974] CIUCU, G.; CRAIU, V.; TEFNESCU, A., Statistic matematic i cercetri
operaionale, Ed. Didactic i Pedagogic, Bucureti, 1974.
[FILIP, 2002] FILIP, Fl.Gh., Decizie asistat de calculator, Ed. Tehnic, Bucureti, 2002.
[FILIP, 2007] FILIP, Fl.Gh., Sisteme suport pentru decizii, Ed. Tehnic, Bucureti, 2007.
[GIARD, 1998] GIARD, V., Processus productifs et Programmation linaire, Ed.
Economica,Paris, 1998.
[HAMMAD, 1991] HAMMAD, P.; LAPIED, A.; TOSI, G., Analyse mathmatique des
fluctuations, Ed. Cujas, Paris, 1991.
[HILLIER, 2005] HILLIER, F.; LIEBERMAN, G., Introduction to Operations Research,
McGraw Hill, 2005.
[HNCU, 2005] HNCU, D.; ENE, N., Metode cantitative pentru administraia public,
Ed. Eficon Press, Bucureti, 2005.
[KARMANOV, 1977] KARMANOV, V., Programmation mathmatique, Ed. Mir, Moscova,
1977.
[KAUFMANN, 1975] KAUFMANN, A.; LABORDERE, H., Metode i modele ale cercetrii
operaionale, vol.3, Ed. tiinific i Enciclopedic, Bucureti, 1975.
[KAUFMANN, 1987] KAUFMANN, A.; FAURE, R., Invitation la recherche
oprationnnelle, Ed. Dunod, Paris, 1987.
[KRAJEWSKI, 2005] KRAJEWSKI, L., RITZMAN, L., Operations Management, Pearson
Education, Prentice Hall, New Jersey, 2005.
[IONESCU, 1999+ IONESCU, Gh.; CAZAN, E.; NEGRUA, A.L., Modelarea i optimizarea
deciziilor manageriale, Ed. Dacia, Cluj-Napoca, 1999.
[MALIA, 1971+ MALIA, M.; ZIDROIU, C., Matematica organizrii, Ed. Tehnic,
Bucureti, 1971.
[MANSUR, 1995] MANSUR, Y.; Fuzzy Sets and Economics, University Press, Cambridge,
1995.
[MIH0C, 1973] MIHOC, Gh,; TEFNESCU, A., Programarea matematic, Ed. Didactic i
Pedagogic, Bucureti, 1973.
108 Dorin Lixndroiu

[MOISIL, 1975] MOISIL, G.; Lecii despre logica raionamentului nuanat, Editura
tiinific i Enciclopedic, Bucureti, 1975.
*NEGOI, 1974] NEGOI, C.V.; RALESCU, D.A., Mulimi vagi i aplicaiile lor, Editura
Tehnic, Bucureti, 1974.
*RAIU, 2001+ RAIU-SUCIU, C., Modelarea & simularea proceselor economice,
Ed. Economic, Bucureti, 2001.
*RAIU, 2002+ RAIU-SUCIU, C.; LUBAN, F.; HNCU, D.; ENE, N., Modelare economic
aplicat, Ed. Economic, Bucureti, 2002.
[RUSU, 2001] RUSU, E., Decizii optime n management prin metode ale cercetrii
operaionale, Ed. Economic, Bucureti, 2001.
[SZABO, 2005] SZABO, Z. K., Cercetri operaionale. Optimizri liniare, Ed. Universitii
Petru Maior Trgu Mure, 2005.
[TELLER, 1980] TELLER, R.; TAIEH, M., Les mthodes quantitatives appliqes la gestion,
Ed. Edec, Paris, 1980.
[THPOT, 1991] THPOT, J., Optimisation pour lconomie dentreprise, Ed. Dalloz,
Paris, 1991.
[THIEL, 1990] THIEL, D., Recherche oprationnelle et management des enterprises, Ed.
Economica, Paris, 1990.
[VALLIN, 2002] VALLIN, PH.; VANDERPOOTEN, D., Aide la dcision, dition Ellipses,
Paris, 2002.
[VDUVA, 1974] VDUVA, I.; DINESCU, C.; SVULESCU, B., Modele matematice de
organizare i conducerea produciei, Ed. Didactic i Pedagogic,
Bucureti, 1974.
[ZIDROIU, 1983+ ZIDROIU, C., Programarea liniar, Ed. Tehnic, Bucureti, 1983.

Articole ale autorului n domeniul modelrii:

1. Lixndroiu D., An Algorithm for Determining the Weights in Multi-Attribute Decision
Models Under Intuitionistic Fuzzy Set Environment, In Proceedings of the 6
th

International Conference on Business Excellence, Braov, 2011, Vol.I, pag. 274-
277, ISBN 978-973-598-940-8
2. Lixndroiu D., On Some Multi-Attribute Decision Models Based on Fuzzy Techniques, In
Proceedings of the 12
th
WSEAS International Conference on Fuzzy Systems,
(FS11), April 11-13, 2011, pag. 150-154, ISBN 978-960-474-292-9
3. Lixndroiu D., Analysis Techniques in the Delphi Method, In Proceedings of the 5
th

International Conference on Business Excellence, Braov, 2010, Vol.I, pag. 247-
250, ISBN 978-973-1747-23-1
4. Lixndroiu D., A multi-attribute decision algorithm based on intuitionistic fuzzy sets, In
Proceedings of the 4
th
International Conference on Business Excellence, Braov,
2009, Vol.I, pag. 247-250, ISBN 978-973-1747-11-8
5. Lixndroiu D., On a decision model with asymetric information, Review of
Management and Economical Engineering, Vol.7, No.6 (2008), ISSN 1583-624X.

6. Lixndroiu D., Solving economic models by means of linear programming with
objective function linear on intervals, Review of Management and Economical
Engineering, Vol.6, No.5 (2007)
7. Lixndroiu D., A model of a fuzzy data base for managing the relationships with
Suppliers, Review of Accounting and Management Information Systems,
Supplement 2007, ISSN 1583-4387.
8. Lixndroiu D., On logical restrictions in economic models solved through means
of linear programming, The Proceedings of the 6 Biennial International
Economic Symposium SIMPEC 2006, Braov, vol.1, pag. 175-181.
9. Lixndroiu D., On the utility function in economic models, In Proceedings of the
International Economic Conference, Transilvania University of Brasov, vol.I, pag.
200-205, 2005.
10. Lixndroiu D., Tehnici fuzzy n management / Techniche fuzzy nel management,
Revista de Logistic i Management, nr.5, 2005, ISSN 1583-1140, pag. 57-65.
11. Lixndroiu D., Asupra unui model de pia cu ajustarea preului, n Buletinul
tiinific al Universitii "Dimitrie Cantemir" Braov, nr.6/2005, pag.182-186.
12. Lixndroiu D., On the solution regarding dynamic economic models, The
Proceedings of the 5 International Symposium SIMPEC 2004, Braov, vol.1, pag.
241-247.
13. Lixndroiu D., Modelarea probabilistic a deciziei de producie, n Buletinul
tiinific al Universitii "Dimitrie Cantemir" Braov, nr. 5/2004, pag. 329-334.
14. Lixndroiu D., Using Linear Programming in Project Management, The 13th
International Symposium Alternative Economic Strategies, pag. 292-295.
Bucureti, 2003.
15. Lixndroiu D., Petcu N., On some Models for Investment Optimum Choice, In
volumul MicroCAD 2003 - International Scientific Conference, University of
Miskolc, Hungary, 6-7 March 2003, ISBN 963-661-547-0, pag.63-67.
16. Lixndroiu D., Asupra unei msuri a inegalitii veniturilor. n lucrrile
Simpozionului Internaional de tiine Economice "SIMPEC 2002", vol.1, pag.
379-382, Universitatea Transilvania, Braov, 2002.
17. Lixndroiu D., Mathematical Models of Optimal Choice of Software. In volumul
MicroCAD 2001 - International Scientific Conference, University of Miskolc,
Hungary, 1-2 March 2001, ISBN 963-661-457-1, pag.147-152.
18. Lixndroiu D., Modelarea deciziei manageriale cu ajutorul tehnicilor fuzzy, n
Buletinul tiinific al Universitii "Dimitrie Cantemir" Braov, nr.2/2001, pag.
148-150.
19. Lixndroiu D., Modelul unui sistem economic - o analiz matematic a oscilaiilor
venitului, n lucrrile Simpozionului de tiine Economice "SIMPEC 2000", vol.1,
pag. 28-31, Universitatea Transilvania, Braov, 2000.
20. Lixndroiu D., Modelarea deciziei de alocare a unor resurse utiliznd tehnici fuzzy, n
lucrrile Simpozionului de tiine Economice "SIMPEC 2000", vol.2, pag. 177-181,
Universitatea Transilvania, Braov, 2000.

110 Dorin Lixndroiu

21. Lixndroiu D., La modlisation de la dcision commerciale en utilisant l'analyse
baysienne. In Information Technology - The Proceeding of the 3th International
Symposium of Economic Informatics, pag 499-503, Inforec Printing House,
Bucureti, 1999.
22. Lixndroiu D., Un algoritm de calcul pentru fiabilitatea sistemelor necoerente (K:L,N).
n lucrrile Simpozionului de tiine Economice "SIMPEC' 98", vol.2, pag. 168-
170, Universitatea Transilvania, Braov, 1998.
23. Lixndroiu D., Models of Estimation for Software System Release Time. In Computer
Science - The Proceeding of the 3 th International Symposium of Economic
Informatics, pag. 495-497, Inforec Printing House, Bucureti, 1997.
24. Lixndroiu D., La modlisation mathmatique des processus conomiques de
l'entreprise. n volumul Le Premir Congres International des I.A.E. Roumains,
"Management & Culture", pag. 443-446, Craiova, iunie, 1997.
25. Lixndroiu D., Modelarea politicii de pre pe termen scurt. n volumul Sesiunii
" Economia Romniei ntre realitate i viitor", Editura Mirton, Timioara, 1997.
26. Lixndroiu D., Un algoritm de clasificare neierarhic cu aplicaie n marketing.
n lucrrile Simpozionului de tiine Economice "SIMPEC 96", vol.1, pag. 317-
321, Universitatea Transilvania, Braov, 1996.

Modelare Procese Ec - Lixandroiu D

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Modelare Procese Ec - Lixandroiu D

Caricato da

Copyright:

Formati disponibili

Introducere

Prof. univ. dr. Dorin Lixndroiu

P - suma rezultatelor proaste;

I - suma rezultatelor intermediare;

S - suma rezultatelor satisfctoare,

, mi n max max | (5)

Potrebbero piacerti anche