Gestionarea informatic a resurselor umane

Lector univ. dr. Mihai Gavot

GESTIONAREA INFORMATIC A RESURSELOR UMANE

Bucureti - 2006

CUPRINS

CUPRINS......................................................................................................................3 PREZENTARE GENERAL, OBIECTIVELE I CONINUTUL CURSULUI 6 OBIECTIVE ..................................................................................................................6 CONINUTUL CURSULUI ..............................................................................................7 INTRODUCERE..........................................................................................................8 SCURT ISTORIC ........................................................................................................9 MODELE....................................................................................................................11 PREVIZIUNE I PROGNOZ................................................................................14 SERIILE CRONOLOGICE ..............................................................................................14 MODELARE I TREND ................................................................................................16 REZOLVAREA PROBLEMELOR DE PROGNOZ PRIN INTERMEDIUL UNUI PRODUS SOFTWARE SPECIALIZAT ............................................................................................19 PROGRAMAREA LINIAR...................................................................................21 PREZENTARE GENERAL ...........................................................................................21 Probleme complexe de programare liniar care au fost rezolvate prin intermediul unor produse software specializate ..................................................22 Abordarea electronic versus abordarea manual .............................................23 Despre funcia obiectiv ........................................................................................23 Optimizare............................................................................................................24 DESCRIEREA I FORMULAREA PROBLEMELOR DE PROGRAMARE LINIAR..................26 Descriere..............................................................................................................26 Formularea problemelor de programare liniar ................................................27 Exemple................................................................................................................27 Rezolvarea problemelor utiliznd un produs software specializat......................29 PROBLEMA DUAL ....................................................................................................36 Construcia problemei duale i semnificaia ei ...................................................36 Exemple................................................................................................................36 Problema dual....................................................................................................36 Problema dual....................................................................................................37 Preurile umbr calculul i semnificaia lor.....................................................38 PROBLEME REZOLVATE .............................................................................................42 Problema 1...........................................................................................................42 Rezolvarea utiliznd un produs software specializat...........................................44 Problema 2...........................................................................................................46 Explicaia economic a problemei duale.............................................................48 3

PROBLEME PROPUSE..................................................................................................48 PLANIFICAREA PROGRAMULUI DE LUCRU AL PERSONALULUI (STAFF SCHEDULING) ...........................................................................................53 REZOLVAREA PRIN INTERMEDIUL UNUI PRODUS SOFTWARE SPECIALIZAT .................54 PROGRAMAREA INTEGER..................................................................................56 REZOLVAREA PRIN INTERMEDIUL UNOR PRODUSE SOFTWARE SPECIALIZATE ............59 PROGRAMAREA SCOPURILOR (GOAL PROGRAMMING) ...........................62 VARIABILELE ABATERE .............................................................................................62 FORMULAREA MODELULUI N PROGRAMAREA SCOPURILOR ......................................63 REZOLVAREA PROBLEMELOR UTILIZND UN PRODUS SOFTWARE SPECIALIZAT .........67 ANALIZE DE TIP REEA PERT - CPM ..............................................................69 INTRODUCERE ...........................................................................................................69 FORMULAREA UNEI PROBLEME .................................................................................69 CONSTRUCIA DIAGRAMELOR DE REEA...................................................................71 REZOLVAREA PROBLEMELOR UTILIZND UN PRODUS SOFTWARE SPECIALIZAT .........72 MICROSOFT PROJECT ................................................................................................75 GRAFICUL GANTT .....................................................................................................76 VERIFICAREA GRADULUI DE REALIZARE A PROIECTULUI ...........................................77 PROBLEME PROPUSE..................................................................................................78 PROBLEMA DE TRANSPORT (TRANSPORTATION PROBLEM) ..................79 FORMULAREA MODELULUI ........................................................................................79 REZOLVAREA PROBLEMELOR UTILIZND UN PRODUS SOFTWARE SPECIALIZAT .........82 PROBLEMA DE ALOCARE (ASSIGNMENT PROBLEM) .........................84 REZOLVAREA PROBLEMELOR UTILIZND UN PRODUS SOFTWARE SPECIALIZAT .........89 PROBLEMA COMISULUI VOIAJOR ..................................................................90 REZOLVAREA PROBLEMELOR UTILIZND UN PRODUS SOFTWARE SPECIALIZAT .........91 LANURI MARKOV ..............................................................................................92 PROBABILITILE DE TRECERE .................................................................................92 COMPORTAREA SISTEMULUI ANALIZAT .....................................................................93 METODA ARBORELUI ................................................................................................95 METODA ALGEBRIC ................................................................................................96 REZOLVAREA PROBLEMELOR UTILIZND UN PRODUS SOFTWARE SPECIALIZAT .........97 PROBLEME PROPUSE..................................................................................................98 COZILE DE ATEPTARE ......................................................................................99 SCOPURI N PROIECTAREA MODELELOR DE COZI DE ATEPTARE ................................99 ELEMENTE I CARACTERISTICI ALE SISTEMELOR N CARE POT APREA COZI DE ATEPTARE ..............................................................................................................100 Mulimea surs...................................................................................................101 Sosirile de clieni................................................................................................101 Coada de ateptare ............................................................................................101 Ordinea de deservire..........................................................................................101 Deservirea..........................................................................................................102

Ieirea din sistem ...............................................................................................102 NOTAII FOLOSITE N SISTEMELE COZILOR DE ATEPTARE: .....................................104 REZOLVAREA PROBLEMELOR UTILIZND UN PRODUS SOFTWARE SPECIALIZAT .......107 PROBLEME PROPUSE................................................................................................108 PROBLEME DE ARANJARE (FACILITY LAYOUT) ........................................109 AMPLASAREA COMPARTIMENTELOR (DEPARTAMENTAL LAYOUT, FUNCTIONAL LAYOUT) ................................................................................................................................109 REZOLVAREA PROBLEMELOR UTILIZND UN PRODUS SOFTWARE SPECIALIZAT .......110 ECHILIBRAREA LINIILOR DE PRODUCIE (ASSEMBLY LINE BALANCING) .....................115 REZOLVAREA PROBLEMELOR UTILIZND UN PRODUS SOFTWARE SPECIALIZAT .......118 AMPLASAREA FACILITILOR (PUNCTELOR DE DESERVIRE) (FACILITY LOCATION) .........................................................................................122 REZOLVAREA PROBLEMELOR UTILIZND UN PRODUS SOFTWARE SPECIALIZAT .......125 ELEMENTE DE ANALIZ STATISTIC. PROGRAMUL SPSS...................129 CARACTERISTICILE STATISTICE, VARIABILE I SCALE DE MSURARE ......................129 MRIMILE MEDII, INDICATORII VARIAIEI I ASIMETRIEI ........................................130 Mrimile medii...................................................................................................130 Valorile medii de poziie i de structur ............................................................135 Indicatorii variaiei i asimetriei .......................................................................140 Scoruri standard, curba normal, ipoteze statistice, coeficientul de corelaie .145 Scorurile standard i curba normal.................................................................145 Coeficientul de corelaie Pearson......................................................................148 PROGRAMUL SPSS. ANALIZE I APLICAII .............................................................150 ncrcarea, editarea i transformarea datelor. Componenta Data Editor .......152 Componenta Output Viewer...............................................................................162 Analize i aplicaii statistice ..............................................................................166 BIBLIOGRAFIE......................................................................................................182

Prezentare general, obiectivele i coninutul cursului

n prezent orice manager modern se confrunt n activitatea curent cu foarte multe probleme de decizie. El trebuie s fie n msur s rezolve aceste probleme ntr-un mod rapid i eficient. De cele mai multe ori se impune ca deciziile pe care le ia s fie fundamentate i optimizate conform unor metode proprii cercetrilor operaionale. ntre problemele de decizie pe care un manager trebuie s le rezolve se numr problemele din domeniile resurselor umane, planificrii i prognozei, alocrii resurselor, seleciei, repartiiei optime. n prezent n majoritatea universitilor americane i europene exist cursuri asemntoare (din categoria Management Science) care asigur studenilor o pregtire sistematic corespunztoare ce i propune s fac posibile fundamentarea i luarea viitoarelor decizii ntr-un orizont scientizat, pe baza unui instrumentar software adecvat.

Obiective
n acest sens actualul curs i-a propus urmtoarele obiective: s ofere studenilor un bagaj de cunotine teoretice care s le permit abordarea, rezolvarea i interpretarea unor probleme de modelare i decizie cu ajutorul unui instrumentar software specializat; descrierea unor modele consacrate din domeniul cercetrilor operaionale, a claselor i tipurilor de probleme posibil de a fi rezolvate pe aceast cale; s ofere elemente ajuttoare pentru formularea i formalizarea problemelor de decizie n vederea gsirii soluiilor optime cu ajutorul algoritmilor clasici implementai n cadrul unui instrumentar software specializat; dezvoltarea unor abiliti practice utile lucrului cu pachete de programe expert de calcul, modelare i analiz statistic destinate rezolvrii problemelor specifice de decizie i optimizare;

Not
Pentru majoritatea studiilor de caz i tipurilor de probleme prezentate va exista un subcapitol care va trata rezolvarea acestora cu ajutorul unui produs software specializat. n acest sens vor fi date exemple de rezolvri realizate cu produse software cum sunt: Microsoft Excel, Microsoft Project, QSB, LINDO, SPSS, Whats Best!. Felurile n care se introduc datele i se obin rezultatele sunt asemntoare pentru toate produsele informatice din aceast categorie (care sunt peste 400). Operarea este asemntoare indiferent de produs i nu implic nici un fel de dificultate informatic. ntotdeauna cel mai dificil este s se formuleze corect problema de decizie iar apoi s se gseasc modelul adecvat acesteia. Identificarea obiectivelor, a resurselor, a variabilelor i a restriciilor ce trebuie respectate, scrierea modelului matematic sunt faze absolut obligatorii ce trebuie parcurse nainte de a se folosi un produs informatic. De asemenea oricine va utiliza un produs software specializat va trebui s fie n msur s poat interpreta rezultatele furnizate de acesta (situaiile finale). 6

Iat de ce prezentul curs i-a propus n primul rnd s ofere studenilor o informaie care s-i ajute s surprind corect modelul adecvat unei anumite probleme de decizie, s formalizeze corect problema, s analizeze i s interpreteze rezultatele obinute. Prezentul curs nu i-a propus s insiste pe partea informatic dect pentru exemplificri i nu dorete s-i lege pe studeni de un anumit produs software. Parcurgerea cursului nu necesit cunotine avansate de matematic sau informatic. Cursul are un profund caracter practic i poate fi parcurs fr a necesita lucrul n paralel cu un anumit produs informatic. Informaiile i abilitile dobndite dau studenilor posibilitatea ca s poat utiliza oricnd un produs informatic specializat pentru a obine rezolvri numerice. n acest sens nu se vor solicita rspunsuri numerice nici la evalurile pe parcurs nici la evaluarea final.

Coninutul cursului
n prima parte dup o scurt introducere i un istoric al acestei tiine vor fi prezentate cteva elemente teoretice generale legate de lucrul cu modele. Apoi un urmtor capitol se va ocupa de formularea i rezolvarea unor probleme de planificare i prognoz pe baza unor modele de regresie i a metodelor de interpolare. Vor fi prezentate: Principalele modele de regresie. Tipuri, definiii, particulariti i parametrii, necesari acestor modele. Exemple de utilizare. Seriile cronologice, eroarea standard de estimare, interpretarea trend-ului. Analiza i interpretarea rezultatelor. Rezolvarea acestor probleme cu ajutorul calculatorului prin intermediul unor produse software specializate.

O alt seciune important va prezenta civa algoritmi clasici de optimizare utilizai n cercetrile operaionale. Nu se va insista pe rezolvarea acestor probleme prin metode creion hrtie pe baza algoritmilor prezentai ci pe formalizarea i parametrizarea lor pentru a putea fi implementate, analizate i rezolvate n modaliti asistate de calculator cu ajutorul unor produse software special destinate pentru astfel de rezolvri moderne. Vor fi prezentate: principalele clase de probleme specifice din domeniile: o programrii liniare, o programrii scopurilor, o lanurilor Markov, o problemelor de tip reea, o problemelor de transport, o problemelor cozilor de ateptare, o problemelor de alocare, o problemelor comisului voiajor. formalizarea i parametrizarea problemelor de decizie; gsirea variantelor optime; analiz statistic; interpretarea rezultatelor; rezolvarea acestor probleme prin intermediul unor produse software; exemple de utilizare.

Introducere
n prezent decizia trebuie privit ca fiind una dintre cele mai importante componente ale managementului modern. tiina managementului este o certitudine n afara creia orice activitate de conducere devine empiric i poate avea efecte dezastruase. Managementul actual presupune fundamentarea tiinific a deciziilor. n majoritatea cazurilor ritmul alert al evenimentelor impune operativitate. Implicit luarea rapid i corect a deciziilor devine o activitate care necesit instrumente adecvate, moderne i performante. ntre acestea instrumentele matematice i informatice au o importan major. Deciziile operative, fundamentate tiinific, prin efectele lor imediate sau propagate n timp fac posibil gestionarea corect a resurselor i implicit asigur realizarea scopului propus. n acest sens instrumentele software actuale bazate pe modele matematice consacrate sunt de un real folos n luarea deciziei din orice domeniu de activitate. n literatura american tiina managementului, Management Science (MS) este sinonim cu ceea ce i la noi se studiaz n cadrul unei discipline aparte numit Cercetri operaionale - Operations Research (OR). Alte denumiri sub care mai poate fi ntlnit aceast tiin sunt: OR/MS sau ORMS, Industrial Engineering (IE) i Decision Science (DS). tiina managementului i propune s rezolve prin intermediul modelelor matematice cantitative, problemele calitative sau cantitative impuse de luarea deciziei. Cmpul problemelor rezolvate astfel acoper aplicaii din domeniul previziunii, planificrii, managementului proiectelor. Perioada de nceput a acestei tiine este plasat n timpul celui de-al doilea rzboi mondial cnd mai multe echipe formate din oameni de tiin de diferite specialiti, matematicieni, fizicieni, ingineri i psihologi au fost puse s lucreze mpreun pentru rezolvarea unor probleme militare de previziune i planificare. Cercetrile acestor echipe s-au numit Operations Research i au fundamentat luarea unor decizii care s-au dovedit corecte i care au dus la victorie. Ulterior, dup rzboi, cercetrile lor i-au gsit aplicarea n domeniul economic, al afacerilor, n planificarea produciei, n agricultur, n domeniul monetar, n politic, n administraie .a. Practic cercetrile operaionale au fost i pot fi utilizate n orice domeniu care presupune cu necesitate optimizarea deciziei manageriale. Instrumentele software create special n acest scop, uureaz i fac posibil utilizarea tiinei managementului n orice domeniu.

Scurt istoric
MS este o disciplin relativ nou care a aprut la nceputul anului 1936 cnd ministerul britanic al rzboiului a creat pe coasta de est, lng Suffolk, staia de cercetare Bawdsey. Aceast staie trebuia s fie centrul unde s se realizeze toate experimentele legate de radare. n acel timp echipamente radar experimentale deveniser performante ele putnd avea raze de aciune de peste 100 de mile. Era foarte clar c descoperirea i utilizarea radarelor ridica o serie de probleme noi ca de exemplu directivele ce trebuiau date lupttorilor pe baza informaiilor ce urmau a fi obinute cu ajutorul radarelor. O alt problem ce trebuia rezolvat era aceea de a integra informaiile oferite de radar cu cele venite de la sol. Primele experimente s-au derulat n vara anului 1937. Baza de cercetare Bawdsey a devenit operaional iar informaiile ce veneau de la ea erau introduse n sistemul general de avertizare i control aerian. La acel moment exerciiile erau ncurajatoare ns informaiile obinute de la radar dup filtrarea transmisiei prin reeaua de control nu erau satisfctoare. n iulie 1938 s-a desfurat un mare exerciiu de aprare aviatic. nc patru staii de radar au fost inaugurate pe coast i se spera c n acel moment Anglia va avea un sistem de detectare i de aprare aerian foarte performant. Fals! Exerciiul a artat c apruse o nou mare problem. Era nevoie s se coordoneze i s se confrunte datele obinute de la toate staiile radar deoarece de multe ori acestea erau diferite. Cum apropierea rzboiului era iminent, devenise din ce n ce mai clar c ceva nou era necesar pentru ca problemele legate de radar s fie rezolvate. Era nevoie de o nou manier de abordare. Dup ce exerciiile au luat sfrit, de la staia de cercetare Bawdsey s-a comunicat faptul c s-a constatat fezabilitatea tehnic a radarului n detectarea obiectelor zburtoare ns c din punct de vedere operaional el nu se ridic la standardele necesare. S-a propus imediat iniierea unui program operaional - opus celui tehnic pentru cercetarea aspectelor sistemului. Termenul cercetare operaional (Operations Research - OR) a fost considerat potrivit pentru aceast nou direcie de cercetare. Echipa de specialiti implicai n cercetare a fost selectat n aceeai zi. n vara anului 1939 Anglia a desfurat ceea ce a fost numit cel mai mare exerciiu de aprare de dinaintea rzboiului. El a implicat 33000 de militari, 1300 instrumente de zbor, 110 arme de foc, 700 de lumini de cutare i 100 de baloane. Acest exerciiu a adus mari mbuntiri pentru proiect. Contribuia echipelor OR a fost att de vizibil nct eful forelor armate a ordonat ca atunci cnd rzboiul va ncepe, acetia s-l nsoeasc la Stanmore. Iniial a fost creat Secia de cercetare Stanmore, dar n 1941 ea a fost redenumit n Secia de cercetri operaionale (ORS). Termenul Operations Research fusese acceptat oficial. Simultan au fost create astfel de secii i n alte baze militare. Responsabilitatea acestor secii era legat de felul n care trebuia fcut de ctre avioane survolarea unor zone extinse, astfel nct s fie descoperit un numr ct mai mare de submarine germane pentru a fi distruse. Printre problemele ce trebuiau rezolvate se numrau: Organizarea zborurilor i inspeciilor.

Problema care se ridica aici era o aceea de a se gsi un nou plan de organizare a zborurilor i de ntreinere a avioanelor astfel nct escadrilele s fie utilizate la 9

maxim. n acest sens ORS a propus un nou sistem de planificare a zborurilor n care un echipaj s poate pilota mai multe aeronave. Avantajul acestui sistem era acela c astfel se putea mri numrul de ore de zbor. Dezavantajul era c n acest fel se rupeau legturile dintre avion i piloi care ar fi preferat desigur s aib de fiecare dat avionul lor. ntr-o perioad de ncercare de 5 luni tipul de organizare ORS a adus o cretere a numrului de ore de zbor operaional cu 61%. Noul sistem propus a fost acceptat i implementat. mbuntirea probabilitilor de atac i distrugere a submarinelor germane.

Experienele au artat c erau necesare 170 de ore de munc uman la sol pentru a asigura o or de zbor operaional i mai mult de 200 de ore de zbor pentru a ataca un submarin german. Deci peste 34000 de ore de munca uman erau necesare doar pentru a ataca un submarin. La nceputul anului 1941 probabilitatea de atac i distrugere era de 2-3%. n acest domeniu, ORS a avut un mare aport. Erau necesare mbuntiri. Arma principal n distrugerea submarinelor era aruncarea de ncrcturi explozive pe o anumit direcie. Dup ce loveau apa, ncrcturile se scufundau n timp ce erau deviate de inerie. Atunci cnd atingeau o anumit adncime explodau, distrugnd orice submarin aflat pe o raz 5 6 metri. ase variabile erau considerate a influena probabilitatea de distrugere: stabilirea adncimii la care va exploda ncrctura; raza de distrugere; erorile de int la lansarea ncrcturii; orientarea ncrcturii; intervalul ntre lansrile succesive; indicatoarele de lansare a bombei. n urma cercetrilor realizate, probabilitatea de distrugere a crescut de la 2-3% la peste 40%. Primii specialiti OR veneau din diferite domenii de activitate precum fizic, psihologie, matematic, etc. Ceea ce au adus n plus a fost capacitatea lor de a face presupuneri, de a formula probleme, de a gndi logic, a exploata ipoteze, a analiza datele, a imagina experimente, a colecta date, a gsi modele adecvate de simulare etc. Muli dintre aceti specialiti erau foarte valoroi. Dup rzboi cel puin patru din ei au fost laureai ai premiului Nobel. n Anglia muli dintre specialitii care lucraser n OR s-au ntors la ocupaiile lor de dinainte de rzboi. Aici n anii de dup rzboi OR nu s-a extins prea mult n industrie i economie. n schimb, n USA OR a luat o foarte mare amploare i s-a integrat practic n toate domeniile de activitate. n prezent n majoritatea universitilor americane exist cursuri (de tipul Management Science MS) care asigur o pregtire sistematic n aceast direcie.

10

Modele
n activitatea lor managerii se confrunt permanent cu probleme care solicit: analiza i msurarea performanelor realizate, reducerea costurilor operaiilor pstrnd acelai nivel de calitate i aceleai profituri, oferirea unor servicii mai bune fr a crete costurile, etc. Pentru a identifica metode de mbuntire a sistemului condus ei (sau analitii lor) trebuie s se realizeze o reprezentare sintetic, un model al sistemului fizic care s fie folosit pentru a descrie efectele diferitelor soluii propuse, un model de simulare. Modelul poate fi gndit astfel nct s surprind elementele eseniale ale sistemului fr a-l reconstitui integral pe acesta. De exemplu o campanie de promoie a unui produs poate fi utilizat ca model al rspunsului clienilor. O ecuaie matematic poate fi folosit pentru a modela energia coninut de un anumit material. n fiecare din aceste exemple modelul surprinde un anumit aspect al realitii pe care ncearc sa-l reprezinte. Din moment ce un model surprinde doar anumite aspecte ale realitii el nu poate fi utilizat n orice situaie pentru c, n situaia respectiv ar putea surprinde elemente greite. De exemplu, temperatura este un model al condiiilor climatice dar daca cineva este interesat de presiunea barometric acest model ar fi greit. O ecuaie care prezice vnzrile anuale ale unui produs este un model al acelui produs dar nu este de nici un folos dac ne intereseaz costul de producere al acelui produs. Deci utilitatea modelului este dependent de aspectul din realitate pe care l reprezint. Un model se poate dovedi inadecvat chiar i atunci cnd surprinde aspectele corecte ale realitii dac o face ntr-o manier distorsionat. Un termometru care indic greit temperatura nu este de nici un folos pentru diagnoza medical. Deci un model util este acela care surprinde elementele potrivite ale realitii cu o acuratee acceptabil. Un model matematic este o ecuaie, o inegalitate sau un sistem de ecuaii sau inecuaii care reprezint anumite aspecte ale sistemului fizic modelat. Modelele de acest tip sunt foarte folosite n fizic, inginerie, afaceri, economie, etc. Un model ofer managerului (analistului) un instrument care l ajut n studierea sistemului, fr a afecta cu nimic la nivel fizic sistemul. De exemplu s presupunem c un model matematic prevede vnzrile anuale n funcie de preul unitar al unui produs. Dac cunoatem preul unui produs putem calcula cu uurin totalul vnzrilor anuale. Pentru a determina preul de vnzare care ar aduce cele mai mari profituri se pot introduce n model diferite costuri, notndu-se la fiecare cost profitul obinut, iar n final, prin tehnica ncercrii i erorii se poate determina acel cost care va aduce maximum de profit. n mod ideal, dac modelul este o reprezentare foarte corect a sistemului, n final se pot obine rezolvri la problemele sistemului real. Deci utilitatea i aplicativitatea soluiilor obinute cu ajutorul modelelor depinde direct de fidelitatea cu care modelul reprezint realitatea studiat . Pentru a defini acele condiii care vor conduce la gsirea soluiei la problemele sistemului, analistul trebuie mai nti s identifice acele criterii dup care se msoar performane sistemului. Criteriul cel mai frecvent utilizat este performana sistemului sau utilitatea lui. n aplicaiile legate de afaceri utilitatea este deseori msurat prin costuri sau profituri, sau n termeni de beneficiu-cost. tiina managementului se bazeaz aadar pe modele care de fapt reprezint anumite abstractizri ale realitii. Modelele pot fi clasificate n trei categorii: 1. Iconice 2. Analogice 3. Simbolice.

Modelele iconice sunt cel mai puin abstracte. Ele sunt modele fizice foarte asemntoare realitii. Un model iconic poate fi modelul la scar redus al unui avion, vapor sau al unei maini. Modelele analogice sunt de asemenea modele fizice dar mult mai abstracte dect cele iconice. Modelele analogice sunt destinate pentru a facilita rspunsul la ntrebarea: Ce ar fi dac ?. Astfel un grafic, o schi, un termometru, un barometru, un ceas, reprezint modele analogice. Modelele simbolice sunt cele mai abstracte. Ele conin numere i simboluri algebrice care reprezint aspecte importante ale problemelor prezentate cel mai adesea sub forma unor ecuaii. Aceste numere i simboluri sunt utilizate pentru a rezolva aspecte importante ale problemei prin gsirea valorilor unor necunoscute i a unor variabile cheie. Ele sunt modele matematice care nu seamn cu realitatea pe care o reprezint. De cele mai multe ori modelele simbolice sunt superioare modelelor iconice i celor analogice deoarece prin formalizare problemele propuse pot fi cu uurin transferate spre rezolvare calculatoarelor. Managerul sau analistul sunt interesai n a gsi valorile variabilelor de decizie ale unui model care s le asigure un profit maxim i doresc s cunoasc previziunile anumitor aciuni sau decizii (creterea unor preuri, modificarea cursului de schimb, succesul n alegeri, variaia stocurilor etc). Efortul i n acelai timp provocarea pentru manager i pentru analist constau n principal n a gsi cel mai potrivit model cu cele mai adecvate obiective, constante i variabile de decizie care s simuleze cel mai bine realitatea. Gsirea modelului, a celei mai potrivite formalizri, este o activitate chiar mai important dect rezolvarea ecuaiilor acestuia. Modelele simbolice ofer multe beneficii n rezolvarea problemelor dar prezint i anumite riscuri. Unul din principalele avantaje este c ofer specialistului posibilitatea de a-i concentra atenia doar asupra aspectelor eseniale ale problemei. n acelai timp exist riscul de a neglija unele aspecte considerate n mod eronat ca secundare i nesemnificative. Un alt avantaj const n faptul c modelele matematice cantitative l oblig pe specialist s cuantifice informaia. Dezavantajul rezid din faptul c poate fi cuantificat eronat mai ales informaia necantitativ care este dificil sau imposibil de inclus ntr-un model cantitativ. Un beneficiu incontestabil al acestor modele const n comprimarea timpului adic n timpul scurt de rspuns pe care l pot oferi comparativ cu anumite experiene reale sau studii de alt tip. Poate fi prentmpinat, evitat i prevzut efectul dezastruos sau periculos al unor experiene fizice reale. Este evident i pericolul simplificrii care s nu mai fac posibil corespondena ntre model i realitate. O alt clasificare a modelelor simbolice poate fi i n funcie de problemele pe care le rezolv. Astfel sunt modele de optimizare i modele predictive. Din punctul de vedere al tiinei managementului pentru soluionarea unei probleme prin intermediul unui model se disting urmtoarele faze i relaii:

12

Definirea problemei Construcia modelului Analiza

Feedback

Implementarea

Datorit posibilitilor pe care le ofer n transpunerea i analiza modelelor prin intermediul pachetelor de programe expert, calculatoarele moderne de tip PC au devenit instrumente de baz ale managerului modern. Acum este necesar, ca managerii i analitii s posede cunotine din domeniul informatic care s le permit s utilizeze corespunztor software-ul special destinat. n prezent, fr mijlocirea calculatorului, anumite analize i studii mai complexe devin imposibile. Dup felul n care formuleaz i rezolv problemele specifice prin intermediul modelelor, tiina managementului distinge dou mari clase de modele: 1. Modele ale programrii liniare o probleme rezolvate prin metode grafice o probleme posibil de rezolvat prin metoda Simplex o probleme de transport o probleme ale programrii n numere ntregi o probleme ale programrii scopurilor 2. Modele stochastice o probleme rezolvate prin metode statistice i teoria probabilitilor o probleme ale previziunii i prognozei o probleme de reea o probleme de planificare o probleme ale cozilor de ateptare o probleme de simulare o probleme rezolvate prin intermediul lanurilor Markov.

13

Previziune i prognoz
Planificarea i implementarea deciziilor sunt unele dintre principalele sarcini ale managerilor. Uneori efectele deciziilor rezultate pot avea efecte satisfctoare i duc la succes, alteori nu. Adesea gradul de succes este dependent de gradul de incertitudine al evenimentelor posibile viitoare. Cu ct incertitudinea este mai mare cu att este mai dificil de proiectat o decizie pe baza creia s fie formulat o planificare care s duc la rezultatele dorite. Previziunea este important deoarece poate reduce incertitudinea. Previziunea fundamentat tiinific are o importan vital n planificare.

Seriile cronologice
Seriile cronologice reprezint valori istorice ale unor variabile care au fost nregistrate la intervale periodice (ex.: cererea zilnic, sptmnal sau lunar pentru un produs, evoluia ratei de schimb valutar etc). Seriile cronologice se mai numesc i serii de timp sau dinamice. Ele sunt formate din dou iruri de date paralele din care primul ir arat variaia caracteristicii timp iar cel de-al doilea arat variaia fenomenului sau caracteristicii cercetate. Tehnicile de prognoz folosesc seriile cronologice presupunnd faptul c experiena trecut va reflecta probabil experiena viitoare. Se consider ca pattern-ul evenimentelor trecute va persista n viitor. Unele dintre cele mai comune pattern-uri observate cu uurin n seriile de date istorice sunt tendinele (trend-ul) variaiilor ciclice, de sezonalitate. Trend-ul reprezint tendina variaiilor cresctoare sau descresctoare ale unei variabile, tendin prevzut pentru un orizont de timp viitor, pe baza unor variaii reale, dintr-un interval de timp cunoscut. De cele mai multe ori totui identificarea trend-ului este o operaiune dificil pentru c n realitate prezena n datele istorice a unor variaii neregulate, aleatoare, face foarte greu de interpretat i de prognozat evenimentele viitoare. Aceste variaii pot distorsiona previziunea i de aceea este de dorit s fie identificate i eliminate.
S = 0.12452019 r = 0.92671866
0 1.9 3 1.6

Y Axis (units)

7 1.3 0 1.1 4 0.8 8 0.5 1 0.3

0.7

3.4

6.1

8.8

11.5

14.2

16.9

X Axis (units)

Pentru manager este foarte important analiza care precede calculele de prognoz i implicit fundamenteaz decizia. Reprezentarea grafic constituie unul din criteriile cele mai

14

importante pe baza crora se va alege procedeul de extrapolare. Extrapolarea are la baz metodele i procedeele de ajustare care conduc la micorarea distorsiunilor prin nivelare. O prim metod de extrapolare este previziunea naiv bazat pe bunul sim al observaiei unor serii de timp. Alt metod de previziune prin extrapolare este cea a mediilor mobile care utilizeaz o substituire a datelor seriei dintr-un interval fix, cu mediile calculate pentru interval din aproape n aproape.

Mn=
i = vrsta intervalului; n = numrul intervalelor; Ai = valoarea vrstei i.

A
i =1

unde:

Iat un exemplu de lucru cu mediile mobile: Perioada ----------1 2 3 4 5 Vrsta ---------5 4 3 2 1 Cererea --------40 44 36 42 40

MA3 = (36 + 42 +40) / 3 = 39,33

Nivelarea exponenial este o metod de extrapolare care calculeaz valoarea previzionat Ft astfel:

Ft = Ft-1 + (At-1 Ft-1) unde: Ft Ft-1 At-1

= = = = valoarea pentru momentul de timp prognozat t; valoarea prognozat pentru momentul actual t-1; constanta de nivelare; valoarea real actual a variabilei la momentul prezent t-1.

Senzitivitatea ajustrii erorii n prognoz este dat de constanta de nivelare care poate avea valori cuprinse ntre 0 i 1. Alegerea valorii constantei este foarte important i trebuie fcut pe baza unor judeci fundamentate pe cunoaterea aproximativ a evoluiei variabilei i pe studiul erorilor rezultate din ncercri succesive aplicate pe mai multe serii de date. Valorile uzuale alese pentru constant variaz ntre 0,05 i 0,5. Unele pachete de programe specializate pentru astfel de calcule ofer faciliti care permit modificarea automat a constantei n funcie de valorile erorilor de prognoz rezultate.

15

Modelare i trend
Trend-ul reprezint tendina persistent ascendent sau descendent a valorilor seriilor de date dinamice dintr-un orizont de timp. Foarte interesant pentru tiina managementului i implicit pentru manageri este gsirea unor funcii, a parametrilor acestora, care s descrie cel mai bine trend-ul unor serii dinamice paralele. Avnd un set de date (puncte) numite cel mai adesea observaii, apare problema gsirii unui model care s aproximeze cel mai bine fenomenul studiat sub forma unor ecuaii parametrice. Acest model poate fi un model polinomial simplu sau unul foarte complex cu muli parametrii. Cel mai important pentru manageri i analiti este selectarea celui mai potrivit model care s descrie cel mai bine legea de dependen existent ntre variabilele studiate prin intermediul seturilor de date care le reprezint. Iat familiile funciilor de regresie i cteva dintre ecuaiile funciilor acestora cel mai des utilizate. n aceste expresii de funcii y reprezint valorile seriei variabilei studiate (prognozate), care este n funcie de valorile seriei variabilei x.

1. Regresia liniar:
Familia funciilor liniare: Familia funciilor ptratice: Familia funciilor polinomiale: y = a+bx y = a+bx+cx^2 y = a+bx+cx^2+dx^3+....

2. Regresia neliniar:
Familia funciilor exponeniale: Modelele exponeniale au funcii de cretere exponeniale sau logaritmice. Ele descriu n general curbe convexe sau concave, dar unele funcii pot avea un punct de inflexiune i un punct de maxim sau minim. Funcia exponenial: Funcia exponenial modificat: Funcia logaritmic: Funcia logaritmic reciproc: Funcia modelului presiunii de vaporizare: Familia funciilor putere: Familia funciilor putere conine funcii de cretere de tip putere cu unul sau mai muli parametri. Ele pot descrie evoluia unei variabile independente sau a uneia dependente a cror putere este influenat de parametrul dat. Aceast familie conine un set de curbe convexe sau concave fr puncte de inflexiune sau de maxim sau minim. Funcia putere: Funcia putere modificat Funcia Powershift: y= a*x^b y = a*b^x y = a*(x-b)^c y = a*exp(b*x) y = a*exp(b/x) y = a+b*ln(x) y = 1/(a+b*ln(x)) y = exp(a+b/x+c*ln(x))

16

Funcia geometric: Funcia geometric modificat: Funcia rdcin: Modelul Hoerl: Modelul Hoerl modificat:

y = a*x^(b*x) y = a*x^(b/x) y = a^(1/x) y = a*(b^x)*(x^c) y = a*b^(1/x)*(x^c)

Familia funciilor care descriu modele de tipul recolt-densitate: Modelele de tipul recolt-densitate sunt larg utilizate, n special n aplicaiile de prognoz din agricultur. Aceste modele cronologice au fost utilizate pentru a modela relaiile dintre recoltele obinute la diferite culturi n funcie de spaierea sau densitatea plantrilor. n practic, pentru relaia recolt-densitate s-au observat n special doar dou tipuri de rspunsuri: "asimptotic" i "parabolic". Astfel dac densitatea (x) crete, recolta obinut (y) crete, apropiind-se n mod asimptotic de o valoare fix. Deci peste o anumit limit relaia este asimptotic. Pentru manageri este important s gseasc valoarea de optim, n care relaia este parabolic. Aceste tipuri de relaii ntre cele dou iruri de date (x) i (y) sunt foarte comune. Modelele care descriu cele mai bine aceste relaii sunt: Modelul reciproc: Modelul reciproc quadratic: Modelul Bleasdale: Modelul Harris: Familia funciilor de cretere: Modelele de cretere sunt caracterizate de o cretere care tinde s se plafoneze asimptotic ctre o valoare fixat. Aceste modele sunt comune n special tiinelor inginereti. Modelul exponenial Assoc (2): Modelul exponenial Assoc (3): Modelul creterii saturate: y = a*(1-exp(-bx)) y = a*(b-exp(-cx)) y = ax / (b + x) y = 1 / (a + bx) y = 1 / (a + bx + cx^2) y = (a + bx) ^ (-1/c) y = 1 / (a + bx^c)

Familia funciilor "S-shaped" (n forma literei S): Procesele care produc curbe de cretere n forma literei S ("S-shaped" sau sigmoidale) sunt comune unei largi arii de aplicaii din biologie, inginerie, agricultur i economie. Aceste curbe ncep dintr-un punct fixat i au o cretere monoton pn la un anumit punct de inflexiune, dup care n final, creterea tinde ctre o valoare asimptotic. Familia de funcii "S" este un subset al familiei de funcii de cretere dar se studiaz separat deoarece curbele acestor funcii au un comportament aparte, distinctiv. Modelul Gompertz: Modelul Logistic: y = a * exp (-exp(b - cx)) y = a / (1 + exp (b - cx))

17

Modelul Richards: y = a / (1 + exp(b - cx))^(1/d) Modelul MMF: y = (ab + cx^d)/(b + x^d) Modelul Weibull: y = a - b*exp(-cx^d) Familia funciilor diverse: Ca multe lucruri din via, exist ntotdeauna unele care nu pot fi ncadrate n anumite categorii specifice. Familia funciilor diverse este unul dintre acestea dar care totui descriu modele ale regresiei neliniare ntlnite n via. Iat cteva dintre modele: Modelul sinusoidal: Modelul Gaussian: Modelul Hiperbolic: Modelul capacitii de nclzire: Modelul funciei raionale: y = a + b*cos(c*x + d) y = a*exp((-(x - b)^2)/(2*c^2)) y = a + b/x y = a + bx + c/x^2 y = (a + bx) / (1 + cx + dx^2)

Scopul aplicrii unei metode de regresie este gsirea expresiei unei funcii teoretice f(xi) care s aproximeze cel mai bine valorile reale yi obinute pentru punctele xi culese. Deci pentru fiecare xi real, trebuie ca valorile teoretice calculate, f(xi) s fie ct mai aproape de valorile reale yi observate. Pentru a evalua curba de regresie f(x), se utilizeaz: Abaterea standard de estimare:

Sr =

( y f ( x ))
i =1 i i

n 1

18

Rezolvarea problemelor de prognoz prin intermediul unui produs software specializat

Presupunnd c au fost culese temperaturile reale pentru 34 de intervale de timp, reprezentate prin urmtoarele serii de date dinamice (X,Y - din figura de mai jos), s se determine care va fi temperatura dup al 35-lea interval. Pe axa Ox sunt reprezentate intervalele de timp n care s-au cules temperaturile reale (s presupunem 0.5 zile). Pe axa Oy sunt reprezentate temperaturile corespondente pentru fiecare interval de timp.

Iat n continuare n dialogul din stnga posibilitatea de a alege familiile modelelor de funcii pe care s le utilizeze programul, iar n dreapta reprezentarea grafic a funciei care aproximeaz cel mai bine punctele empirice (abaterea standard S=0.01, iar coeficientul de corelaie r=0.99).

Dup apsarea butonului <Info> apare expresia funciei propuse de program i pot fi consultate valorile coeficienilor a, b, c, d (imaginea din stnga). Prin intermediul meniului contextual se poate solicita o analiz (imaginea de dialog din dreapta) care ofer posibilitatea determinrii y = f(x) pentru un X ales. Dac se introduce X=35, se va obine Y=2.41862 ceea ce reprezint rspunsul cutat.

20

Programarea liniar
Prezentare general
Pan n anii 80 toate pachetele pentru rezolvarea problemelor de programare liniar (Linear Programming LP) se bazau doar pe algoritmul simplex. n anul 1984 Karmarkar a publicat un nou algoritm pentru rezolvarea problemelor de programare liniar (LP), algoritm numit interior point care este complet diferit de algoritmul simplex. Munca lui Karmarkar a adus un imens aport la rezolvarea problemelor LP att prin metodele interior point ct i prin algoritmul simplex. Din anul 1984 au aprut noi produse software specializate pentru rezolvarea problemelor de programare liniar ca de exemplu:

OSL (Optimisation Subroutine Library) - IBM Cplex (Cplex Optimisation)

Ambele produse pot utiliza att algoritmi simplex ct i interior point. n prezent exist multe produse software care pot rezolva rapid probleme de programare liniar. Calculatoarele de tip PC nu mai reprezint un lux i pe ele pot fi instalate cu uurin asemenea produse software. Dac dorim s rezolvm numeric o problem de programare liniar trebuie s ne ntrebm n primul rnd dac putem gsi un pachet software adecvat calculatorului nostru i sistemului de operare sub care acesta lucreaz i apoi dac acest pachet de programe are capacitatea s rezolve problema. Pentru pachetele software care pot rezolva probleme de tip LP este foarte important s cunoatem: numrul maxim de restricii cu care pot lucra i tipurile de calculatoare pe care pot fi rulate.

Pachetele software menionate mai sus (OSL i Cplex) au capacitatea de a lucra cu un numr maxim de 2 miliarde de variabile i 16 milioane de restricii. Aceste limite de capacitate depesc cu mult ceea ce am putea rezolva n viaa real. Iat n continuare cteva caracteristici ale unor probleme (LP) reale care au fost rezolvate folosind aceste programe:
Nume Numr de Numr de Timp de Computer Program Restricii variabile rezolvare ===================================================================== OSL 105,000 155,000 4 ore IBM 3090 750 12,000,000 27 min. IBM 3090 Cplex 145 1,000,000 6 min. Cray YMP 41,000 79,000 3 min. Cray 2

21

Probleme complexe de programare liniar care au fost rezolvate prin intermediul unor produse software specializate Determinarea facilitilor de comunicaii necesare pentru Bazinul Pacific Aici problema pe care compania AT&T a dorit s o rezolve a fost aceea de a determina: - unde i cum s fie amplasate cablurile i sateliii submarini atunci cnd vor fi necesari comunicaiilor din acest spaiu, i - numrul circuitelor necesare. Aceast problem LP a avut 28000 restricii i 77000 variabile. Determinarea dinamicii optime a resurselor umane din cadrul armatei USA Problema ce trebuia rezolvat a fost aceea de a stabili promovrile n cadrul armatei americane innd cont de noile intrri i ieiri din armat i de necesitile de instruire aferente. Problema LP a avut 21000 restricii i 43000 variabile. Evacuarea militarilor accidentai dintr-o zon de conflict Aviaia militar american a avut de rezolvat o problem de programare liniar care i propunea s determine fluxul de accidentai care pot fi evacuai dintr-o zon de conflict din America continental astfel nct acetia s fie ct mai puin timp n aer. Restriciile acestei probleme sunt: toi pacienii care trebuie s fie transportai vor fi transportai; limitele de transport vor fi impuse de capacitatea spitalelor i specializarea lor.

O astfel de problem care acoperea 50 de zile de conflict armat a avut 79000 restricii i 267000 variabile i a fost rezolvat n 10 ore. Programarea logistic militar Departamentul de aprare al USA a avut de rezolvat o problem de logistic cu privire la fezabilitatea susinerii operaiilor militare n timpul unei crize. Problema era de a determina dac diferite materiale necesare pot fi transportate peste ocean n ferestre stricte de timp. Modelul LP a inclus capacitile porturilor de mbarcare i debarcare, capacitile diferitelor mijloace de transport aeriene sau navale implicate i penalizrile ce pot fi aplicate pentru neonorarea la timp a transporturilor. O astfel de problem care a fost simulat i rezolvat presupunea 15 perioade de timp, 12 porturi de mbarcare, 7 porturi de debarcare, 9 tipuri diferite de vehicule pentru 20000 de solicitri de transport. Problema a avut 20500 restricii i 520000 variabile i a fost rezolvat n 75 minute.

22

Agenda personalului din aviaie American Airlines i-a propus rezolvarea unei probleme de tip LP prin intermediul creia s poat stabili optim agenda personalului din aviaia comercial. n urma unui studiu a rezultat c aceast problem va trebui s lucreze cu un numr de aproximativ 12000000 de variabile. Trebuia s se in seama i de faptul c n programul liniilor aeriene pot interveni rute divizate n dou pari. De exemplu ruta Chicago-Londra trebuia s treac prin New York i deci pentru ea trebuiau prevzute mai multe elemente precum ora de plecare din Chicago, ora de sosire n New York respectiv n Londra precum i disponibilitatea personalului de a nsoi ntreaga curs. Zborul putea fi nsoit de un personal diferit ntre punctele de oprire. Aceast problem de stabilire a programului personalului de zbor trebuia s mai in seama i de faptul c nu orice pilot poate pilota orice tip de avion. Deci problema era aceea de a asigura pentru fiecare rut de zbor un personal corespunztor. Alte restricii mai erau legate de orele la care personalul poate lucra. Abordarea electronic versus abordarea manual Rezolvarea problemelor complexe de programare liniar prin intermediul unor produse software specializate s-a impus deoarece:

o rezolvare manual a acestui tip de probleme (n prezent cnd exist foarte multe produse software specializate ce pot fi rulate pe calculatoare PC relativ ieftine) este aproape inutil, pentru c depete cu mult capacitile umane de rezolvare clasic i genereaz riscuri de eroare i costuri foarte mari; o rezolvare electronic este preferat n prezent pentru c este mai rapid, ofer o acuratee a soluiilor mai mare i este mult mai ieftin comparativ cu metodele manuale.

Despre funcia obiectiv Partea de model matematic care descrie utilitatea este denumit funcie obiectiv. Dac funcia obiectiv trebuie s descrie msura n care variaz utilitatea produsului, atunci ea trebuie s surprind dimensiunea utilitii i variabilele n funcie de care variaz aceasta. Variabilele sistemului pot fi mprite n variabile de decizie i parametri. O variabil de decizie este o variabil care poate fi direct controlat de cel care ia deciziile. Exist de asemenea unii parametri ale cror valori pot fi neclare pentru cei ce iau deciziile. Aceasta cere o analiz mai sensibil dup gsirea celei mai bune strategii. n practic este imposibil s se surprind ntr-o ecuaie matematic toate relaiile exacte ntre variabilele sistemului i dimensiunea utilitii. n schimb, analistul OR/MS trebuie s ncerce s identifice si apoi s surprind acele variabile care au cea mai mare importan asupra dimensiunii utilitii. El trebuie s le cuprind n ecuaii, sisteme de ecuaii, inecuaii, etc, relaia matematic fiind funcia obiectiv folosit pentru a evalua performanele sistemului studiat. Formularea unei funcii obiectiv corect este de obicei o sarcin foarte grea iar pn la gsirea ei analistul se poate lovi de multe eecuri. Aceste eecuri se pot datora faptului c analistul alege un set greit de variabile sau, chiar dac el alege variabilele

23

bune, nu reuete s surprind bine relaiile dintre variabile i dimensiunile utilitii. De asemenea analistul poate ncerca s gseasc i alte variabile care s mbunteasc modelul i s le neglijeze pe acelea care s-au dovedit a nu fi aa de importante. n orice caz nu putem afla dac aceti factori mbuntesc ntr-adevr modelul dect dac formulm i testm modele noi care conin i alte variabile. Tot procesul de selectare a variabilelor i de formulare a modelului poate necesita reiterri multiple nainte de a se gsi o funcie obiectiv satisfctoare. Analistul sper s obin cte o mbuntire a modelului la fiecare reiterare dei aceasta nu se ntmpl ntotdeauna. De cele mai multe ori succesul final aste atins dup un lung ir de eecuri i mici succese. La fiecare stadiu de dezvoltare a procesului, analistul trebuie s msoare ct de adecvat sau valid este modelul. Dou criterii sunt cel mai frecvent utilizate n acest tip de determinare. Primul implic experimentarea modelului: supunerea modelului la o varietate de condiii i nregistrarea dimensiunilor utilitii generate n fiecare caz. Dac dimensiunea utilitii variaz ntr-o manier ce difer de ateptri atunci exist motive s se cread c funcia obiectiv nu este corect. De exemplu, s presupunem c un model trebuie s estimeze valoarea de pia a caselor pentru o singur familie. Modelul trebuie s indice valoarea n dolari n funcie de numrul de metri ptrai locuibili, de numrul dormitoarelor, bilor i mrimea grdinii. Dup dezvoltarea modelului, analistul l verific aplicndu-l n evaluarea unor case care au diferite valori i caracteristici. Dac el constat c modelul su nu surprinde corect realitatea, atunci poate concluziona c acesta nu este bun i c mai trebuie fcute unele modificri. n schimb dac ntr-adevr valoarea caselor reflect cele patru caracteristici nici atunci problema nu este cu siguran rezolvat pentru c rata de cretere a valorii casei poate nu este n aceeai proporie cu fiecare dintre variabile i astfel trebuie studiat importana fiecrei variabile i coeficientul su la valoarea casei. Al doilea stadiu n validarea modelului cere o comparaie a rezultatelor modelului cu cele obinute n realitate. Optimizare Oamenii au cutat sau au ncercat s caute mult timp metode mai bune de a-i mbunti viaa zilnic. De-a lungul istoriei omenirii s-a ncercat la nceput gsirea unor surse mai bune de hran i apoi gsirea de surse de materiale, energie, etc. Relativ trziu n istoria omenirii s-a nceput s se formuleze i s se rezolve probleme cantitative, mai nti n cuvinte i apoi prin simboluri scrise. Un aspect derivat i legat de aceste probleme a fost cutarea optimului, a celui mai bun. De fapt i n prezent n cea mai mare parte a timpului managerii caut s obin o mbuntire a nivelul de performan. Eforturi masive s-au fcut pentru a descrie situaii umane i sociale complexe. Pentru ca acestea s capete o nsemntate ele trebuiau s fie descrise printr-o ecuaie matematic cu una sau mai multe variabile ale cror valori trebuiau descoperite. ntrebarea care urmeaz a se pune este: ce valori trebuie s capete aceste variabile astfel nct expresia matematic s aib cele mai bune valori (cele mai mici sau cele mai mari n funcie de cum se dorete). Acest proces general de maximizare sau minimizare este denumit optimizare. Optimizarea, denumit i programare matematic, ajut la gsirea rspunsului care duce la cel mai bun rezultat cel care aduce cel mai mare profit, sau acela care aduce cele mai mici costuri, pierderi sau

24

disconfort. Adesea aceste probleme presupun utilizarea ct mai eficient a resurselor incluznd bani, timp, utilaje, staff, etc. Problemele de optimizare sunt deseori clasificate ca fiind liniare sau neliniare n funcie de relaia din problem care este sau nu liniar n report cu variabilele. n prezent exist o varietate de pachete software care rezolv problemele de optimizare. De exemplu LINDO, QSB, LINGO i Whats Best! rezolv att modele de programare liniar ct i neliniar. Programarea matematic, se confrunt n general cu probleme ale determinrii i alocrii optimale a resurselor limitate astfel nct s se ating obiectivele propuse. Obiectivele trebuie s reprezinte scopurile celui care ia decizia. Resursele pot reprezenta de exemplu materiale, oameni, bani, etc. Dintre toate posibilitile de utilizare a resurselor este de dorit s se determine aceea sau acelea care maximizeaz sau minimizeaz calitatea numeric precum profitul sau costul. Scopul optimizrii globale este acela de a gsi cea mai bun soluie adecvat la modelele cele mai dificile n condiiile n care exist mai multe soluii posibile.

25

Descrierea i formularea problemelor de programare liniar

Descriere Programarea liniar (Linear Programming - LP) este o procedur care a gsit o larg aplicare practic n aproape toate domeniile de activitate. Ea poate fi utilizat n afaceri, n reclam, n planificare, n producie, etc. Transportul, distribuia i planificarea produciei sunt problemele tipice studiate prin LP. n USA industria petrolului pare a fi cea n care LP este cel mai mult utilizat. Un manager al unei mari companii petroliere a estimat c ntre 5% i 10% din timpul n care se utilizeaz computerele n companie este destinat analizei i crerii de modele LP. LP rezolv un tip de probleme (de programare) n care sunt liniare att funcia obiectiv care trebuie optimizat ct i relaiile dintre variabilele ce definesc resursele. Acest tip de probleme a fost formulat i rezolvat pentru prima dat la sfritul anilor 1940. Mai rar s-a ntlnit o tehnic matematic care s gseasc o asemenea rspndire practic n: afaceri, comer, aplicaii industriale i mai rar s-a ntmplat ca o tehnic de acest fel s fie dezvoltat att de mult i att de repede la nivel teoretic. Astzi programarea liniar este utilizat cu succes n probleme de bugetare a capitalului, design, diete, conservarea resurselor, jocuri de strategie, jocuri de rzboi, prevederea creterilor economice, sisteme de transport, etc. Este foarte important s se neleag c programarea liniar (LP) este diferit de programarea care se refer la programarea pe calculator. n primul caz programarea (LP) nseamn a plnui i a organiza n timp ce n al doilea caz programarea pe calculator nseamn scrierea de instruciuni pentru a realiza calcule i programe de calculator. Cunotinele ntr-una dintre programri nu au aproape nici o importan pentru cellalt tip de programare. De fapt, termenul programare liniar a fost inventat nainte ca termenul programare s fie asociat cu programarea pe calculator. Aceast confuzie este deseori evitat prin folosirea termenilor de optimizare liniar n loc de programare liniar. Orice problem LP const n existena unei funcii obiectiv i a unor restricii. Cnd se formuleaz o problem de decizie ca o problem de programare liniar trebuie verificate urmtoarele condiii: Funcia obiectiv trebuie s fie liniar. Aceasta nseamn ca toate variabilele trebuie s fie la puterea 1 i s fie doar adunate sau sczute (nu nmulite sau mprite). Obiectivul trebuie s fie ori maximizarea ori minimizarea funciei liniare numit funcia obiectiv. Obiectivul trebuie s reprezinte scopul deciziei. Restriciile trebuie s fie de asemenea liniare. Restriciile pot fi doar ecuaii sau inecuaii.

26

Formularea problemelor de programare liniar Orice problem LP este alctuit din patru componente principale: un set de variabile de decizie, parametrii, funcia obiectiv i setul de restricii.

Variabilele de decizie pot fi asimilate cu input-urile controlabile. Parametrii caracterizeaz input-urile necontrolabile. Acestea sunt de obicei valori numerice constante date. Obiectivul trebuie s reprezinte scopul decidentului. Funcia obiectiv arat cum este legat obiectivul de variabilele de decizie. Ea poate fi o funcie de maximizare sau de minimizare. Restriciile reprezint cererile ce trebuie satisfcute. Ele pot fi restricii de egalitate sau de inegalitate. Exemple n continuare se va prezenta o problem clasic de programare liniar care va ilustra aspectele prezentate mai sus. Modul n care va fi abordat aceast problem este asemntor cu modul de abordate pentru cea mai mare parte dintre problemele de programare liniar care implic luarea de deciziilor. Problema tmplarului nr.1 Un tmplar produce mese i scaune pe care le vinde n pia cu un pre de 5$ pentru o mas i 3$ pentru un scaun. El lucreaz 2 ore pentru a produce o mas i o or pentru a produce un scaun. Numrul total de ore de munc pe care le poate lucra ntr-o sptmn este de 40 ore. Cantitile de materiale brute necesare pentru producie sunt: 1 unitate pentru o mas i 2 uniti pentru un scaun. Cantitatea total de material furnizat ntr-o sptmn este de 50 uniti. Obiectivul su este acela de a afla cte mese i scaune trebuie s produc pe sptmn pentru a-i maximiza venitul. Rezolvare: Factorii restriciilor care de obicei vin din exterior sunt reprezentai aici de limitele muncii (care vin din partea familiei nu mai mult de 40 de ore pe sptmn) i resursele de material brut de care dispune ntr-o sptmn (livrrile de material se fac dup un program fix cantitatea maxim de material care poate fi furnizat ntr-o sptmn este doar de 50 de uniti). Astfel, formularea LP este: Variabile: X1 reprezint numrul de mese ce se vor produce 27

X2 reprezint numrul de scaune ce se vor produce Funcia obiectiv: Maximizarea venitului obinut: Max (5 X1 + 3 X2) Restriciile: 2 X1 + X2 40 restricia de munc X1 + 2 X2 50 restricia de material i ambele X1, X2 sunt ne-negative. Acesta este un modelul matematic al problemei expuse. Variabilele de decizie, adic input-urile controlabile sunt X1 i X2. Output-ul pentru acest model este venitul total obinut ntr-o sptmn adic: 5 X1 + 3 X2. Toate funciile folosite n model sunt liniare. Coeficienii acestor restricii sunt: 2 1 1 2

Ei mai sunt numii factori tehnologici i formeaz matricea tehnologic. n urma rezolvrii va rezulta soluia optim: vor fi produse ntr-o sptmn X1=10 mese i X2=20 scaune. Cu aceast strategie optimal va putea fi obinut un venit maxim de 110 dolari. Problema prezentat a fost real iar soluia oferit a fost o surpriz pentru tmplar deoarece el obinuia s produc ntr-o sptmn mai multe mese dect scaune gndindu-se c acestea costau mai mult. Problema tmplarului nr.2 Dup aflarea acestei soluii avnd n vedere faptul c cererea de mese pe pia era foarte mare, tmplarul a dorit s tie dac i poate permite s angajeze un ajutor astfel nct s creasc cantitatea de mese produse i s rspund n acest fel cerinelor pieei dar fr s-i diminueze venitul de 110$. Dac dorea, tmplarul i putea gsi un ajutor pe care s-l plteasc cu 2 dolari pe or i care s fie disponibil mai mult de 40 de ore pe sptmn. n esen el dorea s tie dac ar trebui s-i angajeze un ajutor, i dac da, pentru cte ore? Rezolvare: Variabile: X1 reprezint numrul de mese ce se vor produce X2 reprezint numrul de scaune ce se vor produce X3 este numrul de ore suplimentare pentru care i va angaja un ajutor Funcia obiectiv: Maximizarea venitului obinut: Max (5 X1 + 3 X2 - 2 X3) Restriciile: 2 X1 + X2 40 + X3 restricia de munc cu un numr X3 necunoscut de ore, care mai poate fi scris i sub forma: 2 X1 + X2 X3 40

28

X1 + 2 X2 50 restricia de material i X1, X2, X3 sunt ne-negative. Rezolvnd problema vom constata c soluia optim este X1=50 mese, X2=0 scaune, X3=60 ore cu un venit optim pentru tmplar de 130 dolari (5X1+3X23X3=250+0-120). n acest fel tmplarul chiar va ctiga n plus 20$. Deci el ar trebui s angajeze un ajutor pentru 60 de ore. Rezolvarea problemelor utiliznd un produs software specializat Rezolvarea problemelor cu QSB S-a ales pentru nceput exemplificarea pe baza produsului QSB. Problema tmplarului nr.1 Iat primul dialog care permite stabilirea tipului de problem, a numrului de variabile i a felului n care vor fi ncrcate datele:

Urmtoarea form matricial va fi utilizat pentru ncrcarea datelor problemei:

29

Dup rezolvare vom obine soluia optim:

Problema tmplarului nr.2 Stabilirea tipului problemei:

Introducerea datelor:

30

Soluia optim:

Rezolvarea problemelor cu Microsoft Excel Programul Excel ofer de asemenea suport software pentru rezolvarea problemelor de programare liniar prin intermediului componentei Solver (tradus ca Rezolvitor n versiunile romneti). Opiunea care lanseaz Solver-ul se afl n meniul Tools (Instrumente). n mod implicit componenta nu este instalat. Ea se poate instala prin Add-in din cadrul aceluiai meniu. Iat meniul disponibil ntr-o versiune romneasc: Opiunea Rezolvitor apare doar dup includerea ei prin Componente introduse la cerere

31

Pentru a fi posibil rezolvarea problemei cu Solver-ul (Rezolvitor-ul) mai nti trebuie introduse datele de intrare n celulele unei pagini Excel, apoi trebuie create cmpurile calculate.

n pagina Excel de mai sus pentru o mai bun vizibilitate cmpurile calculate au fost formatate cu culoarea roie. Ele reprezint valorile de ieire: X1, X2, necesarul calculat pentru fiecare resurs i valoarea funciei obiectiv (profitul total). Formulele pentru necesarul celor dou resurse i pentru profit sunt: Necesar resursa timp: Necesar resursa material: Profit total: E7=C7*C5+D7*D5 E8=C8*C5+D8*D5 C10=C6*C5+D6*D5

n continuare trebuie specificai n Solver (Rezolvitor) parametrii problemei: Celula int (adic celula care conine formula funciei obiectiv) Felul problemei (de maxim, de minim) Celulele ce se vor modifica (adic X1, X2) Restriciile

32

Dup apsarea butonului Rezolvare se va obine:

n mod similar se rezolv i problema tmplarului nr. 2:

La aceast problem formulele pentru necesarul celor dou resurse i pentru profit sunt: Necesar resursa timp: Necesar resursa material: Profit total: F7=C7*C5+D7*D5+E7*E5 F8=C8*C5+D8*D5+E8*E5 C10=C6*C5+D6*D5

Rezolvarea problemelor cu Whats Best!

33

Programul Whats Best! se instaleaz ca o component Excel. Dup instalare sub Excel apare un nou meniu WB! i o nou bar de instrumente (Whats Best!):

Definirea i rezolvarea problemei se face parcurgnd urmtorii patru pai: 1) definirea celulelor alocate variabilelor X1, X2 2) definirea tipului funciei obiectiv (Maxim sau Minim) 3) definirea tipului restriciilor (<=, >= sau =). 4) Dup apsarea butonului Solve se va obine:

Rezolvarea problemelor cu LINDO

34

Specific programului LINDO este faptul c ofer un editor de text n care poate fi nscris problema (sau adus prin Copy & Paste chiar dintr-un alt editor). Atunci cnd se lucreaz sub LINDO se poate utiliza semnul <!> drept specificator de comentariu. ntotdeauna restriciile vor fi precedate de textul SUBJECT TO.

Dup apsarea butonului

(Solve) se va obine:

35

Problema dual
Construcia problemei duale i semnificaia ei Problema dual este o problem ce poate fi asociat oricrei probleme de programare liniar (LP). Construcia problemei duale ntotdeauna ntr-o problem de programare liniar numit problema primal (iniial) sunt valabile urmtoarele reguli: dac primala este o problem de maximizare, atunci problema dual asociat ei va fi o problem de minimizare (i invers); elementele din partea dreapt a restriciilor (Right Hand Side RHS) dintr-o problem (primal sau dual) devin coeficienii funciei obiectiv ai celeilalte probleme (i invers); coeficienii matricei restriciilor unei probleme (primale sau duale) se obin din transpusa matricei coeficienilor restriciilor celeilalte probleme; va exista cte o restricie n dual pentru fiecare variabil din problema primal i invers; valorile din partea dreapt a restriciilor din dual vor fi egale cu coeficienii funciei obiectiv din primal luai n ordine i invers; coeficienii primei restricii din primal vor deveni coeficienii primei variabile n fiecare din restriciile din dual .a; tipul variabilelor din dual ( sau ) este dat sensul restriciilor ( sau ).

Exemple Fiind dat urmtoarea problem primal s se gseasc duala ei. Problema primal Variabilele de decizie: x1, x2 Funcia obiectiv: Min (x1 - 2x2) Restriciile: x1 + x2 2 x1 - x2 -1 x2 3, i x1, x2 0. Problema dual Variabilele de decizie: u1, u2, u3 Funcia obiectiv: Max (2u1 - u2 + 3u3) Restriciile: u1 + u2 1 u1 - u2 + u3 -2 u1, u2, u3 0

36

Problema tmplarului Problema primal Variabilele de decizie: x1, x2 Funcia obiectiv: Max (5x1 + 3x2) Restriciile: 2x1 + x2 40 x1 + 2x2 50 x1 0 x2 0 Problema dual Variabilele de decizie: u1, u2 Funcia obiectiv: Min (40u1 + 50u2) Restriciile: 2u1 + u2 5 u1 + 2u2 3 u1 0 u2 0

Problema dual poate fi folosit ntr-o mare varietate de aplicaii. n unele cazuri duala poate fi mai eficient dect primala. Soluia dualei ofer interpretri economice importante precum preurile umbr (shadow prices). Preurile umbr reprezint soluia problemei duale. Dac problema primal este o problem de maximizare (a profitului) atunci preurile umbr arat ct profit aduce fiecare unitate de resurs consumat. Concret n problema tmplarului u1 arat ct profit aduce o or de munc iar u2 determin profitul obinut la o unitate de material brut consumat. Aceast analiz l poate ajuta pe manager s afle care utilizare a resursei aduce cel mai mare profit.

Duala problemei tmplarului i interpretarea ei

Datele problemei primale: Mas Scaun Munc (ore) Venit net ($) 2 5 1 2 3 Disponibil 40 50

Material brut (buc) 1

Formularea LP problemei primale: X1 i X2 reprezint numrul de mese respectiv scaune care trebuie produse. Max (5 X1 + 3 X2) 2 X1 + X2 40 restricia legat de munc X1 + 2 X2 50 restricia legat de material i ambele X1, X2 sunt nenegative. S presupunem c tmplarul dorete s-i fac o asigurare pentru venitul net.

37

Din modelul dual putem desprinde urmtoarele semnificaii pentru variabile: U1 = Suma de dolari care i se pltete tmplarului pentru fiecare or de munc pierdut (datorat de exemplu mbolnvirii). U2 = Suma de dolari care i se pltete tmplarului pentru fiecare unitate de material brut pierdut (datorat de exemplu unui incendiu).

n mod clar societatea de asigurri va ncerca s minimizeze suma total de dolari (40U1 + 50U2) care trebuie pltit tmplarului de ctre compania de asigurri. Tmplarul va pretinde companiei de asigurri s-i despgubeasc ntreaga pierdere adic ntregul venit net deoarece el nu va mai putea produce acea marf. Astfel, problema companiei de asigurri devine: Min (40 U1 + 50 U2) 2U1 + 1U1 5 Venitul net de la o mas 1U1 + 2U2 3 venitul net de la un scaun i U1, U2 are nenegative. Dac rezolvm problema cu un pachet de programe specializat vom obine urmtoarea soluie optim: U1 = 2,33333$ i U2 = 0,33333$ cu valoarea optim de 110$ (exact suma pe care tmplarul se ateapt s o primeasc ca asigurare). Dup cum se observ din problem tmplarului i din duala sa, valoarea optim este ntotdeauna aceeai (110$) pentru ambele situaii. Acest fapt este cunoscut n economie ca echilibrul dintre problema primal i cea dual. Preurile umbr calculul i semnificaia lor Comportamentul schimbrilor n valorile RHS ale valorii optime RHS - Right Hand Side reprezint valoarea din partea dreapt a unei restricii. Pentru a studia schimbrile direcionale n valoarea optim innd cont de schimbrile posibile din RHS, distingem urmtoarele dou cazuri: Cazul I: Problema de maximizare Pentru restricia schimbarea se face n aceeai direcie. Deci creterea valorii RHS nu descrete valoarea optim. Pentru restricia schimbarea se face n direcia opus. Deci creterea valorii RHS nu duce la creterea valorii optime. Ea descrete sau rmne neschimbat n funcie de restricie. Pentru restricia = schimbarea se poate produce n ambele direcii.

38

Cazul II: Problema de minimizare Pentru restricia schimbarea se face n direcia opus. Deci creterea valorii RHS nu crete valoarea optim, ea descrete sau cel mult rmne aceeai. schimbarea se produce n aceeai direcie. Deci creterea Pentru restricia valorii RHS nu scade valoarea optim, ea crete sau cel mult rmne aceeai. Pentru restricia = schimbarea se poate produce n ambele direcii.

Interpretarea preului umbr Preul umbr reprezentat de o variabil dual ne arat n ce msur se va schimba valoarea funciei obiectiv dac modificm RHS-ul (adic valoarea din partea dreapt a) restriciei corespunztoare variabilei. Aceasta se mai numete i valoarea marginal, pre dual sau valoare dual. Pentru fiecare restricie, preul umbr ne spune exact cu ct se va schimba valoarea funciei obiectiv dac schimbm limitele intervalului RHS (ceea ce se afl n partea dreapt a restriciei). Pentru fiecare valoare RHS, preul umbr este raia de schimbare n valoarea optim cauzat de orice cretere sau descretere permis n RHS. Schimbarea n valoarea funciei obiectiv Preul umbr al unei resurse = Schimbarea n valoarea RHS Din nefericire exist i concepii greite cu privire la definiia preului umbr. O astfel de concepie este: n problemele de programare linear, preul umbr al unei restricii este diferena ntre valoarea optim a funciei obiectiv i valoarea funciei obiectiv obinut, atunci cnd partea dreapt (RHS) a unei restricii este crescut cu o unitate.

Discuie
S considerm urmtorul exemplu: Max (X2) X1 + X2 2 2.5X1 + 4X2 10

unde ambele variabile de decizie sunt nenegative. Aceast problem are soluia optim pentru: X1 = 0, i X2 = 2 i valoare optim rezultat = 2.

39

Dac vom dori s calculm preul umbr al primei resurse, atunci cnd RHS-ul acesteia crete cu o unitate, problema va deveni: Max (X2) X1 + X2 3 2.5X1 + 4X2 10

unde ambele variabile de decizie sunt nenegative. Noua problem are soluia optim pentru: X1 = 0, i X2 = 2.5 i valoare optim rezultat = 2.5.

De aceea pare c preul umbr pentru aceast resurs este 2.5 2 = 0.5 Dar, de fapt dac vom calcula preul umbr prin rezolvarea corect a problemei duale vom obine pentru aceast resurs preul umbr = 1.

Preul umbr este ntotdeauna nenegativ?

Rspunsul la aceast ntrebare depinde integral de formularea primalei i a dualei. Ceea ce este de reinut este c preul umbr al unui RHS dat este rata de schimbare a valorii optime innd cont i de schimbarea acelui RHS, schimbarea fiind ntre limitele senzitivitii acelui RHS. S considerm urmtorul exemplu numeric: Max (3X1 + 5X2) X1 + 2X2 50 -X1 + X2 10 X1, X2 sunt nenegative. Ne propunem s aflm preul umbr al RHS2 = 10. Pentru aceasta va trebui s formulm i apoi s rezolvm problema dual: Min (50U1 + 10U2) U1 - U2 3 2U1 + U2 5 Soluia dualei este U1 = 2,66, U2 = - 0,33. Deci preul umbr corespondent pentru RHS2 = 10 este U2 = - 0,3. Aceasta nseamn c pentru fiecare cretere/descretere cu o unitate n valoarea RHS2 valoarea optim pentru problema primal descrete cu 0,33. 40

Preuri umbr multiple

n acest sens ntrebarea care se pune este: pentru o problem LP care are o soluie optim unic, este posibil s existe pentru un RHS mai mult de un pre umbr? Rspunsul este da. S considerm urmtoarea problem: Min (16X1 + 24X2) X1 + 3X2 6 2X1 + 2X2 4 X1, X2 0 Duala ei este: Max (6U1 + 4U2) U1 + 2U2 16 3U1 + 2U2 24 U1, U2 0 Aceast dual are mai multe soluii alternative: U1 = 8, U2 = 0 i U1 = 4, U2 = 6.

Toate combinaiile convexe ale acestor puncte sunt i ele soluii. De fiecare dat cnd exist redundan n restricii sau dac soluia optim este degenerat ar putea exista mai mult dect un set de preuri duale. n general, restriciile liniare independente sunt o condiie suficient pentru unicitatea preurilor umbr. S considerm acum urmtoarea problem LP cu o restricie redundant: Max (10X1 + 13X2) X1 + X2 = 1 X1 + X2 = 1 X1 + 2X2 = 2 X1, X2 sunt nenegative. Dac rulm problema cu pachetul de programe LINDO vom obine: X1 = 0, X2 = 1 cu preurile umbr 0, 13 i 0. Dac rulm problema cu pachetul de programe QSB vom obine: X1 = 0, X2 = 1 cu preurile umbr 0,7,3.

41

n cazul redundanei, preurile umbr obinute cu un produs software LP pot diferi de cele obinute cu un altul.

Probleme rezolvate
Problema 1 O companie care asambleaz tehnic de calcul urmeaz s porneasc producia a dou tipuri de calculatoare. Fiecare din acestea necesit timp de asamblare, timp pentru testare i spaiu de depozitare. Fiecare din aceste resurse este limitat. Managerul companiei i propune s determine cantitatea din fiecare tip de calculator pe care s o produc astfel nct s maximizeze profitul obinut n urma vnzrii acestor calculatoare. Informaii suplimentare Pentru a da o soluie corect a problemei managerul a obinut de la laboratorul de producie i financiar al companieiei urmtoarele informaii: Calculator tip 1 Profit unitar Timp necesar pentru asamblare pe unitatea de produs Timp necesar pentru testare pe unitatea de produs Spaiu necesar pentru depozitarea unui produs Resurse Timp pentru asamblare Timp pentru testare Spaiu de depozitare 100h 22h 12 m cubi 60$ 4h 2h 1m cub Calculator tip 2 50$ 10h 1h 1m cub

Disponibil (zilnic)

De la compartimentul de marketing managerul afl c n orice combinaie se vor produce aceste tipuri de calculatoare pentru ntreaga cantitate exist cerere i desfacere asigurat. Rezolvare Aceast problem se prezint ca o problem de programare liniar. n principiu soluia trebuie s fie exprimat n numere ntregi ns chiar dac rezultatele sunt numere fracionare acest lucru nu afecteaz n mod semnificativ soluia optim. Totodat se face presupunerea de nenegativitate a valorilor utilizate avnd n vedere c nu au sens valori negative pentru cantiti, timp i suprafee. 42

Variabile X1=numrul de calculatoare de tipul 1 care se vor produce X2=numrul de calculatoare de tipul 2 care se vor produce Funcia obiectiv Max (60X1 + 50X2) Restricii * referitoare la timpul de asamblare: * referitoare la timpul de testare: * referitoare la spaiul de depozitare: * restricii de nenegativitate: 4X1 + 10X2 <= 100 2X1 + X2 <= 22 X1 + X2 <= 12 X1 >= 0, X2 >= 0

43

Rezolvarea utiliznd un produs software specializat Rezolvarea problemei cu QSB Stabilirea parametrilor problemei:

ncrcarea datelor:

Soluia optim:

44

Rezolvarea problemei cu LINDO

45

Problema 2 Formulai problema dual a problemei anterioare. Pentru a formula problema dual trebuie s urmm urmtorii pai: 1. Pentru funcia obiectiv : a. b. Deoarece funcia obiectiv este o maximizare, n dual ea va fi o funcie de minimizare. Valorile din partea dreapt a restriciilor devin coeficieni ai funciei obiectiv a dualei. Min (100Y1 + 22Y2 + 12Y3) S-au notat cu Y variabilele din dual pentru a le deosebi de cele din problema primal.. Va exista cte o variabil n dual pentru fiecare restricie din primal. 2. Pentru restricii : a. b. Vom avea cte o restricie n dual pentru fiecare variabil din problema primal. (Astfel, deoarece n problema primal avem dou variabile, duala va avea dou restricii) Valorile din partea dreapt a restriciilor din dual vor fi egale cu coeficienii funciei obiectiv din primal luai n ordine. Astfel, valoarea din partea dreapt a primei restricii din dual va fi egal cu coeficientul primei variabile din funcia obiectiv a primalei iar valoarea din partea dreapta a celei de-a doua restricii din dual va fi egal cu coeficientul celei de-a doua variabile din funcia obiectiv a primalei. Coeficienii primei restricii din primal vor deveni coeficienii primei variabile n fiecare din restriciile din dual. Astfel, coeficientul lui X1 din prima restricie din primal devine coeficientul lui Y1 n prima restricie din dual i coeficientul lui X2 din prima restricie din primal devine coeficientul lui Y1 n cea de-a doua restricie din dual, .a.m.d. Restriciile duale sunt : 4Y1 + 2Y2 + 1Y3 >= 60 10Y1 + 1Y2 + 1Y3 >= 50 Deci, dac problema primal este: Max (60X1 + 50X2) 4X1 + 10X2 <= 100 2X1 + 1X2 <= 22 1X1 + 1X2 <= 12 X1 >= 0, X2 >= 0

c.

46

Atunci problema dual corespunztoare va fi: Min (100Y1 + 22Y2 + 12Y3) 4Y1 + 2Y2 + 1Y3 >= 60 10Y1 + 1Y2 + 1Y3 >= 50 Y1,Y2,Y3 >= 0 Pentru a transforma o problem primal n duala ei este mai uor dac toate restriciile dintr-o problem de maximizare sunt de forma <=, i ntr-o problem de minimizare restriciile sunt de forma >=. Acest lucru se poate realiza prin nmulirea cu (1) a restriciilor care nu corespund acestor criterii. Dac o restricie este o egalitate, ea trebuie nlocuit cu dou restricii: una de >= i cealalt <=.

Exemplu: 4x1 + 5x2 = 20 poate fi nlocuit cu : 4x1 + 5x2 <= 20 i 4x1 + 5x2 >= 20 Una din aceste dou restricii se nmulete cu (-1) n funcie de tipul problemei (de minim sau de maxim). Iat n continuare soluia dual a problemei primale problema 1. (Sensitivity Analysis for RHS):

47

Explicaia economic a problemei duale Orice problem de programare liniar poate avea dou forme. Formularea iniial a problemei poart numele de forma primal iar cea de-a doua forma dual. Forma dual este un fel de imagine n oglind a celei primale deoarece att n formulare ct i n soluie valorile duale sunt versiuni flip-flop ale valorilor primalei. Soluiile problemei primale conin soluiile problemei duale i invers. Singura problem care se pune este interpretarea rezultatelor soluiei duale. Analiza problemei duale permite managerului s evalueze impactul potenial al unui nou produs i se folosete pentru a determina valorile marginale ale resurselor (restriciilor). n legtur cu un nou produs, un manager ar putea dori s tie ce impact ar avea adugarea unui nou produs asupra soluiilor cantitative i asupra profitului; n legtur cu resursele un manager ar putea folosi soluiile dualei pentru a determina ct profit aduce fiecare unitate de resurs consumat. Aceast analiz ajut managerul s aleag acea variant de utilizare a resursei care aduce mai mult profit.

Probleme propuse
Problema 3 Un productor de cereale studiaz posibilitatea introducerii pe pia a unui nou sortiment. Costul pe kg. i reeta sunt prezentate n tabelul urmtor: Fina PROTEINE (G/OZ) Carbohidrai (g/oz.) Calorii / oz. Cost / oz.. 4 20 90 0.03$ Orez 2 25 110 0.05$ Porumb 2 21 100 0.02$ Cerine pentru o cutie de 12 oz. >= 27g. >= 240g. <= 1260 calorii

Formulai modelul acestei probleme ca o problem de programare liniar avnd drept scop determinarea cantitilor optime de fain, orez i porumb pentru o cutie astfel nct s se obin un cost de producie minim.

Problema 4 Un investitor dispune de 100000$. El decide s i investeasc n obligaiuni, titluri de proprietate i o parte s-i depun ntr-un cont. Dup consultarea unor specialiti n finane el asimileaz ca necesar respectarea unor condiii suplimentare: s nu investeasc mai mult de 40% din suma n obligaiuni

48

suma depus n cont s fie cel puin dubl fa de suma investit n titluri de proprietate

Dobnda anual este 8% la obligaiuni,9% la titluri i 7% la cont. Se presupune c ntreaga sum va fi investit i c aceste dobnzi vor rmne constante ntreaga perioad. Scopul investitorului este de a maximiza profitul anual. Formulai problema ca o problem de programare liniar presupunnd c nu se percep comisioane pentru tranzacii (deschidere cont, retrageri, rscumprri titluri). Problema 5 O fabric de jucrii produce 3 variante de roboi de jucrie. Prima necesit 10 minute timp de fabricaie i ambalare i 700g de plastic, a doua variant necesit 12 minute i 1050g plastic iar cea de-a treia 15 minute i 1400g plastic. n urmtorul ciclu de producie exist 8 ore timp de fabricaie i ambalare disponibil pentru aceste sortimente i 70kg de plastic. Profitul obinut n urma comercializrii unui robot de primul tip este de 1$, al doilea tip 5$, al treilea 6$. Exist o comand anterioar care trebuie onorat din aceast producie, constnd n 10 roboi din fiecare tip. Formulai problema ca o problem de programare liniar, pentru a determina cantitile din fiecare tip ce trebuie produse pentru a asigura maximizarea profitului. Problema 6 O companie de turism are o cerere de transport pentru 500 de persoane. Aceasta companie dispune de trei tipuri de mijloace de transport cu urmtoarele caracteristici: Mijloace de transport Tip 1 Tip 2 Tip 3 Nr.de locuri 30 50 45 Consum de combustibil (l/100Km) 12 18 17 Numr de mijloace de transport disponibile 6 5 4

S se determine cte mijloace de transport din fiecare tip sunt necesare pentru transportul pasagerilor astfel nct costul transportului s fie minim.

49

Problema 7 O companie de producie are dou utilaje cu care realizeaz dou produse: A i B. Fiecare din aceste produse este prelucrat pe ambele utilaje. Tabelul urmtor prezint necesarul de timp de prelucrare a fiecrui produs pe cele dou maini i disponibilul de timp al fiecrui utilaj ntr-o lun: Utilaj 1 2 Produsul A (ore) 2 3 Produsul B (ore) 3 2 Timp disponibil ntr-o lun (ore) 180 150

Considernd c aceast companie are desfacerea asigurat pentru ntreaga producie i preul este de 50$ pentru produsul A i 60$ pentru produsul B, managerul companiei dorete s stabileasc structura produciei astfel nct s realizeze o maximizare a profitului n luna urmtoare. Problema 8 Un plan de nutriie cere consumarea a cel puin 200 uniti de proteine i 180 uniti de grsimi. Analizele chimice arat c o unitate din alimentul A conine 6 uniti de proteine i 3 uniti de grsimi, iar o unitate din alimentul B conine 3 uniti de proteine i 5 uniti de grsimi. Consumul din cele doua tipuri de alimente se face numai n uniti ntregi. Preul de cumprare este de 2.5$ pentru o unitate din produsul A i 2$ pentru o unitate din produsul B. Cte uniti din fiecare aliment trebuiesc consumate astfel nct s fie satisfcute cerinele de proteine i grsimi iar costul s fie minim ? Problema 9 Un avion cargo are 3 compartimente pentru depozitarea ncrcturii: compartimentul din fa, central, i cel din spate. Acestea au urmtoarele limitri n ceea ce privete greutatea acceptat i spaiul disponibil:
Compartiment Fa Centru Spate Greutate capacitate (tone) 10 16 8 Spaiu capacitate (metri cubi) 6800 8700 5300

n plus, greutatea ncrcturii depozitate n respectivele compartimente trebuie s fie distribuit proporional cu greutatea maxim admis n fiecare compartiment astfel nct s se menin echilibrul navei.

50

Cu urmtorul zbor trebuie transportate urmtoarele ncrcturi:

ncrctura C1 C2 C3 C4 Greutate (tone) 18 15 23 12 Volum (metri cubi/tone) 480 650 580 390 Profit ($) 310 380 350 285

Transportul acestora poate fi acceptat n orice proporii. Obiectivul este acela de a determina ct din fiecare ncrctur s fie transportat i cum s fie distribuit ncrctura ntre compartimente astfel nct profitul total pe acest zbor s fie maxim. Formulai modelul problemei de programare liniar. Ce presupuneri se fac n formularea modelului ca o problem de programare liniar ? Explicai avantajele care decurg din rezolvarea problemei ca o problem de programare liniar comparativ cu rezolvarea acesteia printr-o aproximare nefundamentat matematic. Problema 10 O companie are dou fabrici de conservare a fructelor. Exist trei furnizori de fructe proaspete n urmtoarele cantiti i la urmtoarele preuri: S1: 200t la 1100$ / t S2: 310t la 1000$ / t S3: 420t la 900$ / t

Costul transportului pe ton este: La fabrica: A B ----------------------------------------------------------De la: S1 300 $ / t 350 $ / t S2 200 $ / t 250 $ / t S3 600 $ / t 400 $ / t Capacitatea de producie n tone i costul prelucrrii pentru fiecare fabric este: Fabrica A B -----------------------------------------------------------Capacitatea de producie 460 t 560 t Costul prelucrrii 2600 $ / t 2100 $ / t Conservele de fructe se vnd tuturor distribuitorilor companiei cu 5000 $/ton. Compania are cerere pentru ntreaga cantitate de conserve pe care o produce. Obiectivul companiei este acela de a achiziiona fructe ntr-o anume proporie de la fiecare furnizor pentru a ocupa capacitatea de producie a fiecrei fabrici astfel nct s se maximizeze profitul la nivelul companiei.

51

Formulai problema ca o problem de programare liniar i explicai-o. Explicai semnificaia valorilor duale asociate cu restriciile corespunztoare (asociate) cantitilor furnizate i capacitii de producie a fabricilor. Ce presupuneri trebuie fcute pentru a exprima problema ca o problem de programare liniar.

Problema 11 O companie asambleaz 4 tipuri de produse (1, 2, 3, 4) din componente. Profitul unitar pentru fiecare produs din cele 4 tipuri este:10$ / produs, 15$ / produs, 22$ / produs si respectiv 17$ / produs. Comenzile pentru fiecare din cele patru produse (1, 2, 3, 4) n sptmna urmtoare sunt de 50, 60, 85 i respectiv 70 buci. Fiecare produs necesit pentru asamblare 3 operaii(A,B,C) care fiecare necesit un consum de om-ore pe produs diferite: Produs 3 1 1 1

Operaie

A B C

1 2 2 3

2 2 4 6

4 1 2 5

Timpul disponibil n urmtoarea sptmn pentru fiecare operaie (A,B,C) de asamblare este de: 160, 200 i respectiv 80 om-ore. Este admis ca muncitorii angajai pentru operaia B s utilizeze maximum 20% din timpul de lucru pentru a efectua operaia A (probabil cu un nivel de periculozitate ridicat sau radiaii) iar cei angajai pentru a efectua operaia C pot folosi pn la 30% din timpul de lucru pentru a efectua operaia A (altfel trebuie acordate sporuri sau trebuie s fie ncadrai n alte grupe de munc cu alt salariu). Necesitile de producie impun ca raportul dintre numrul de produse tip 1 asamblate i numrul de produse de tip 4 asamblate s fie cuprins ntre 0.9 i 1.15. Formulai modelul problemei ca o problem de programare liniar.

52

Planificarea programului de lucru al personalului (Staff Scheduling)

n problemele de planificare a programului de lucru al personalului se urmrete gsirea unei soluii care s minimizeze costul ce trebuie pltit angajailor n funcie de numrul de ore lucrate pe sptmn. Soluia va ine seama de un necesar minim de personal ce trebuie asigurat n fiecare zi a sptmnii i va determina numrul de persoane care vor lucra i care vor fi libere n fiecare zi (din sptmn). Acest tip de planificare (a turelor) se folosete foarte mult n domenii cum sunt: zborurile aeriene, programarea turelor din spitale, restaurante, magazine etc. Iat n continuare un exemplu care va uura nelegerea problemelor ncadrate n aceast categorie numit Staff Scheduling. Exemplul 1 n urma unui studiu efectuat la un magazin s-a constat urmtorul necesar de personal vnztor pentru fiecare zi a sptmnii:

Necesarul de personal pe zilele sptmnii

Duminic Smbt Vineri Joi Miercuri Mari Luni 0 5 10 Numr de persoane Un vnztor primete 60 $ pentru fiecare zi lucrtoare muncit. Dac lucreaz smbta el primete n plus 25 $ iar dac lucreaz duminica primete n plus 35 $. Fiecare vnztor poate lucra doar 5 zile pe sptmna si apoi trebuie sa aib doua zile libere consecutiv. Managerul magazinului dorete o planificare optim care s acopere necesarul de vnztori i care s ofere soluia pentru cea mai mic sum total de plat sptmnal ce trebuie pltit vnztorilor. 53 15 20 10 13 20 12 16 18 20

Rezolvare n urmtorul tabel este prezentat o planificare exaustiv (un grafic) pentru fiecare zi a sptmnii. S-au notat cu (T) zilele n care un vnztor va lucra n tur i cu (L) zilele libere:
Planificare ziua start Luni Mari Miercuri Joi Vineri Smbt Duminic Denumire variabile Luni Mari Miercuri Joi Vineri Smbt Duminic Salariu sptmnal ($)

Lu_X Ma_X Mi_X Jo_X Vi_X Sa_X Du_X

T L L T T T T

T T L L T T T

T T T L L T T

T T T T L L T

T T T T T L L

L T T T T T L

L L T T T T T

300 325 360 360 360 360 335

Funcia obiectiv Min(300Lu_X + 325Ma_X + 360Mi_X + 360Jo_X + 360Vi_X + 360Sa_X + 335Du_X) Restriciile Lu_X Lu_X Lu_X Lu_X Lu_X + + + + Ma_X Ma_X Ma_X Ma_X Ma_X + Jo_X + Vi_X + + Vi_X + + + Jo_X + Jo_X + Vi_X + Jo_X + Vi_X + + Jo_X + Vi_X + Sa_X + Du_X >= Sa_X + Du_X >= Sa_X + Du_X >= + Du_X >= >= Sa_X >= Sa_X + Du_X >= 20 13 10 12 16 18 20

+ + + +

Mi_X Mi_X Mi_X Mi_X Mi_X

Rezolvarea prin intermediul unui produs software specializat

Introducerea problemei:

Prima fereastr a soluiei:

54

A doua fereastr a soluiei:

Deci vor fi necesari 22 de vnztori, iar pentru plata acestora vor trebui 7750$. Conform planificrii (graficului) turelor: Luni vor lucra: Lu_X+Jo_X +Vi_X+Sa_X+Du_X=2+7+5+4+2=20 vnztori Mari vor lucra: Lu_X+Ma_X+Vi_X+Sa_X+Du_X=2+0+5+4+2=13 vnztori .a.

55

Programarea INTEGER
Cnd formulm o problem de programare liniar (LP) constatm deseori c unele variabile trebuie s ia valori ntregi. Astfel de probleme le ntlnim n literatura de specialitate sub denumirea Integer Programs (IP) sau Integer Linear Programming (ILP). Modelele IP sunt frecvent folosite n management deoarece multe decizii presupun n esen un numr finit de variante. Este cazul problemelor de decizie de tipul da / nu sau acioneaz / nu aciona. Alte probleme sunt astfel formulate nct nu accept o parte fracionar la soluii ci doar numere ntregi (numr de oameni, numr de maini numr de avioane, etc). Exist i tipul de probleme mixte n care unele variabile trebuie s ia numai valori ntregi i altele pot lua i valori fracionare. Acestea se ncadreaz n modelele numite programe mixte-ntregi (MIP). Problemele de programare liniar cu numere ntregi constituie gama de probleme ILP (Integer Linear Programming) care vor fi prezentate n continuare. Exemple Exemplul 1 Existnd patru proiecte care se vor derula pe durata a trei ani consecutivi i avnd fiecare urmtoarele caracteristici: ================================================= Venituri returnate pe proiecte Cereri de capital pe ani si proiecte =================================================
Proiect 1 2 3 4 Venit returnat 0.2 0.3 0.5 0.1 Anul 1 2 3

=================================================
0.5 0.3 0.2 1.0 0.8 0.2 1.5 1.5 0.3 0.1 0.4 0.1 ----------------3.1 2.5 0.4

Capital total disponibil:

================================================= Se cere s se stabileasc ce proiecte vor fi alese pentru a se maximiza venitul final total rezultat n urma derulrii acestora. Soluia n acest caz se observ foarte clar c soluia acestei probleme nu poate avea parte fracionar. Este exclus s obinem un rspuns de tipul: 1.72, 2.53, 3.09, 4.1. Proiectele pot fi doar alese sau respinse. Abordm problema n aceeai manier n care am formulat problemele de tip LP, adic vom determina care sunt: variabilele restriciile obiectivele 56

Singura modificare semnificativ n formularea IP deosebit de formularea LP este definirea variabilelor. Variabile Aici vom ncerca s decidem dac s garantm un proiect sau nu. O modalitate de rezolvare este introducerea unor variabile care s ia doar valorile ntregi 0 sau 1 i care s reprezinte decizii binare: Decizia pozitiv (se execut se garanteaz) este reprezentat de 1 Decizia negativ (nu se execut nu se garanteaz) este reprezentat de 0.

Aceste variabile sunt adesea numite variabile zero-unu sau variabile binare. Vom utiliza urmtoarea notaie xj: xj = 1 dac decidem s realizm proiectul j (j=1,...,4) altfel, xj = 0 (dac decidem s nu realizm proiectul j (j=1,...,4)) Restricii Restriciile referitoare la capitalul disponibil n fiecare an sunt: 0.5x1 + 1.0x2 + 1.5x3 + 0.1x4 <= 3.1 (anul 1) 0.3x1 + 0.8x2 + 1.5x3 + 0.4x4 <= 2.5 (anul 2) 0.2x1 + 0.2x2 + 0.3x3 + 0.1x4 <= 0.4 (anul 3) Funcia obiectiv Maximizarea venitului total posibil de obinut din proiecte. Max (0.2x1 + 0.3x2 + 0.5x3 + 0.1x4) xj = 0 sau 1 j=1,...,4

57

Exemplul 2 Un album muzical care conine 9 melodii trebuie nregistrat pe o caset matri. Durata fiecrei melodii este: Melodie Durata (min.) 1 6 2 8 3 8 4 6 5 7 6 6 7 7 8 5 9 7

Se cere s se distribuie optim melodiile pe cele dou fee ale casetei astfel nct fiecare fa s aib o durat ct mai apropiat de jumtatea (30 min.) timpului total (60 min.) al celor 9 melodii. Soluia Variabile X1, X2,, X9. Xi = 1 dac melodia <i> se nregistreaz pe fata 1, altfel este 0 (dac ea se nregistreaz pe faa 2). Funcia obiectiv Max (X1 + X2 + X3 + X4 + X5 + X6 + X7 + X8 + X9) Restricia 6X1 + 8X2 + 8X3 + 6X4 + 7X5 + 6X6 + 7X7 + 5X8 + 7X9 <= 30

58

Rezolvarea prin intermediul unor produse software specializate

Rezolvarea exemplului 1 cu QSB Pentru rezolvarea unor astfel de probleme (ILP), pachetele de programe folosesc cel mai frecvent metoda branch and bound. Datele de intrare pentru problema enunat mai sus pot fi ncrcate prin intermediul urmtoarelor formulare: Parametrii problemei:

Coeficienii funciei obiectiv i ai restriciilor:

59

Situaia final care ne ofer soluia optim este:

Se constat c decizia optim propus de soluie este aceea de a alege doar proiectele 3 i 4. Oricare alt alegere ar determina obinerea unui profit (venit) inferior sau nu ar respecta restriciile impuse. Rezolvarea exemplului 2 cu LINDO Introducerea datelor:

60

Se observ c programul a propus pentru o fa a casetei melodiile: 1, 4, 6, 7, 8 (adic 30 min. = 6 min. + 6 min. + 6 min. + 7 min. + 5 min.).

61

Programarea scopurilor (Goal programming)

Programarea scopurilor este o dezvoltare a programrii liniare utilizat pentru probleme care implic mai multe obiective. Modelele de programare a scopurilor difer de modelele de programare liniar att n ceea ce privete restriciile ct i funcia obiectiv. Obiectivele multiple poart numele de scopuri. Fiecare scop materializeaz un anumit obiectiv de atins. n programarea scopurilor, scopurile se exprim sub forma unor restricii. Restriciile de scopuri sunt diferite de restriciile prezentate la programarea liniar. Restriciile de tipul celor prezentate la programarea liniar se numesc restricii tari (hard) spre deosebire de cele specifice scopurilor, care reprezint un nivel dorit de performan i care se numesc restricii slabe (soft). Programarea scopurilor permite folosirea exclusiv a unor restricii slabe sau o combinaie de restricii tari i slabe. Soluia unei probleme n programarea scopurilor trebuie s satisfac toate restriciile tari dar nu trebuie obligatoriu s ating nivelul de performan fixat prin restriciile slabe. Acest lucru se ntmpl atunci cnd exist conflicte fie ntre scopuri fie ntre scopuri i restriciile tari. De exemplu o restricie cere ca x1=10 iar alt restricie ca x1>=20. Aceste dou restricii nu pot fi satisfcute simultan i din acest motiv n programarea liniar spunem c nu exist o soluie. n astfel de cazuri putem folosi programarea scopurilor deoarece sunt permise abateri de la restriciile slabe pentru a putea gsi o soluie acceptabil. Astfel, n programarea scopurilor obiectivul este de a satisface restriciile tari i de a obine un nivel ct mai acceptabil de satisfacere a restriciilor slabe (maleabile). n prima faz programarea scopurilor a tratat scopurile (restriciile slabe) ca fiind egale n importan pentru soluia obinut. Deci, abaterea de la un scop era acceptat n mod egal cu abaterea fa de la un alt scop. Mai recent s-a introdus o difereniere n importana scopurilor. Acest lucru se materializeaz n acordarea de coeficieni de importan (prioritate) ai scopurilor. Aceast abordare permite obinerea unor soluii ct mai acceptabile problemelor din lumea real.

Variabilele abatere
Pentru a msura abaterile de la scopuri se folosesc variabile abateri care sunt incluse n restriciile de scop. Ele reprezint diferena dintre scopul propus i cel posibil de atins n soluie. Exist dou feluri posibile de abateri de la scop: abateri sub scop i abateri peste scop. Variabilele de abatere de la scopuri sunt incluse n fiecare din restriciile de scop (slabe) sub numele: Ui pentru abaterile sub (under) scop i Vi pentru abaterile peste (over) scop (i reprezint numrul restriciei de scop). Adugnd aceste dou variabile abatere la o restricie de scop obinem restricii de tip egaliti deoarece aceste variabile abateri msoar tocmai diferena dintre scopul propus i cel posibil de atins. Exemplu: dac un manager fixeaz o restricie referitoare la numrul de ore de munc, n programarea scopurilor o transpunem sub forma unei restricii de scop de forma:

62

4X1 + 2X2 + (U1 - V1) = 100 ore X1,X2 - reprezint variabile de decizie U1 - reprezint numrul de ore de munc neutilizate (1- prima restricie) V1 - reprezint numrul de ore de munc suplimentare Au fost introduse n restricia de scop ambele tipuri de variabile de abatere ceea ce indic faptul c sunt permise abateri n ambele sensuri. Dac nu este admis abaterea ntr-unul dintre sensuri, abaterea corespunztoare nu va aprea n restricia de scop. De exemplu, dac nu este permis prestarea de ore suplimentare variabila V1 nu va aprea n restricia de scop. Remarcai semnele cu care sunt introduse variabilele abatere n restricia de scop: U reprezint un minus pn la scop iar V un surplus peste scop, deci U se adun i V se scade pentru a se obine egalitatea. Dac 4X1 + 2X2 = 80 Dac 4X1 + 2X2 = 110 => U1 = 20 ore nelucrate fa de scopul 100 => V1 = 10 ore peste program fa de scopul 100

n ambele aceste cazuri cealalt variabil abatere fa de cea precizat este =0 deoarece n mod logic ele se exclud. Dac 4X1 + 2X2 = 100 => U1 = 0 i V1 = 0.

Astfel, n fiecare restricie scop cel puin una din variabilele abatere este = 0.

Formularea modelului n programarea scopurilor

Modelul const dintr-o funcie obiectiv i un set de restricii. Restriciile pot fi numai restricii de scop (slabe) sau o combinaie de restricii de scop (slabe) i restricii obinuite (tari). La acestea se adaug restriciile de nenegativitate pentru toate variabilele (de decizie i de abatere). n modelele care includ i prioriti ale scopurilor, funcia obiectiv msoar care variabile abateri vor fi minimizate i n ce ordine de prioritate (importan) Exemplu de model de programare a scopurilor: Min (P1U1 + P2V1 + P3U2) A) B) 1) 2) 4X1 + 2X2 2X1 + 6X2 <= 40 <= 60. restricii obinuite (tari) restricii de scop (slabe)

3X1 + 3X2 + U1 - V1 = 75 X1 + 2X2 + U2 - V2 = 50 X1, X2, U1, V1, U2, V2 >= 0

n funcia obiectiv sunt prezente 3 variabile abatere:U1, V1, U2. Indicii acestora arat crei restricii de scop aparin. P-urile (P1, P2, P3) reprezint 63

prioritile, indicii lor arat ordinea de importan (i = 1 reprezint cea mai mare importan). Observm n funcia obiectiv c cea mai mare prioritate este aceea de a minimiza cantitatea cu care ne aflm sub primul scop. Urmtoarea prioritate este aceea de a minimiza cantitatea cu care ne aflm peste primul scop i cea mai mic prioritate este aceea de minimiza cantitatea cu care ne aflm sub cel de-al doilea scop. Observm c nu toate variabilele abatere trebuie s fie prezente n funcia obiectiv. Variabila V2 nu este inclus deoarece nu ne propunem s minimizm cantitatea cu care ne aflm deasupra celui de-al doilea scop (putem presupune c acest scop se refer la profit). Exemplul 1 O companie produce 3 tipuri de produse (X1,X2,X3). Consumul de materiale i timp pe unitate de produs este urmtorul: Produsul X1 X2 X3 Disponibil ==================================================== Materiale (uniti/produs) 2 4 3 600 min. Timp de producie (min/produs) 9 8 7 900 min. Timp de ambalare (min/produs) 1 2 3 300 min. Managerul a stabilit urmtoarele obiective (scopuri) n ordinea lor de importan (prioritate): 1. Minimizarea orelor suplimentare de producie (prima prioritate - P1) 2. Minimizarea timpului de producie neutilizat. (a doua prioritate - P2) 3. Minimizarea att a timpului de ambalare suplimentar ct i a celui neutilizat. (a treia prioritate - P3) Soluie La o prim analiz observm c exist 3 restricii: una asupra materialelor i dou asupra timpului. Observm c restricia asupra materialelor se exprim ca o restricie obinuit iar cele asupra timpului ca nite restricii de scop deoarece ele sunt cuprinse n lista scopurilor urmrite. Variabilele: X1 cantitatea de produs de tip 1 X2 cantitatea de produs de tip 2 X3 cantitatea de produs de tip 3 U1 (sau X4) timpul de producie neutilizat V1 (sau X5) timpul de producie utilizat suplimentar U2 (sau X6) timpul de asamblare neutilizat V2 (sau X7) timpul de asamblare utilizat suplimentar Restriciile:

64

Materiale Timp de producie Timp de asamblare

2X1 + 4X2 + 3X3 <= 600 uniti 9X1 + 8X2 + 7X3 + U1 - V1 = 900 min. 1X1 + 2X2 + 3X3 + U2 - V2 = 300 min. X1, X2, X3, U1, V1, U2, V2 >= 0

Funcia obiectiv:

Min (P1V1 + P2U1 + P3(U2 + V2))

Cuantificm cele trei prioriti n funcie de importana lor: P1 = 9, P2 = 8, P3 = 7. Relativ la formularea scopurilor problemei, funcia obiectiv poate fi mprit n trei obiective (scopuri): Min (P1V1) Min (P2U1) Min (P3(U2+V2)) Scopul 1 Scopul 2 Scopul 3

Exemplul 2 Managerul unei companii care produce dou sortimente de stof vrea s determine structura produciei pentru o sptmn redus de lucru (exist srbtori legale). Exist n acest scop suficiente stocuri de materie prim dar timpul de lucru disponibil este de 24 de ore. Fiecare metru de stof de primul tip necesit 2 ore de munc iar cea din tipul 2 necesit 3 ore de munc. Prioritile exprimate de manager, n ordinea de importan a acestora, sunt: 1. Minimizarea timpului de munc neutilizat 2. Dac sunt necesare ore suplimentare, acestea s fie de aproximativ 12 ore sau mai puin 3. S se ncerce producerea de cel puin 10 metri de stof de tip 2 4. S se evite orele suplimentare dac acest lucru este posibil. Soluie: Identificm urmtoarele variabile de decizie: X1 - cantitatea de stof de tip 1 care s se produc X2 cantitatea de stof de tip 2 care s se produc U1 (sau X3) ore de munc neutilizate V1 (sau X4) ore de munc suplimentare U2 (sau X5) ore de munc neutilizate sub cele 12 ore acceptate V2 (sau X6) ore de munc suplimentare peste cele 12 ore acceptate U3 (sau X7) cantitatea (m) de stof de tip 2 produs sub cerina de 10 m V3 (sau X8) cantitatea (m) de stof de tip 2 produs peste cerina de 10 m. Restricii: Restricia timpului de munc: 65

2X1 + 3X2 + (U1 - V1) = 24 ore Restricia privind orele suplimentare: V1 + (U2 - V2) = 12 ore Restricia privind cantitatea de stof de tipul 2: X2 + (U3 - V3) = 10 metri Funcia obiectiv: Relativ la scopurile exprimate de manager observm c: 1. Minimizarea timpului de munc neutilizat reprezint scopul 1 care poate fi asociat variabilei U1 2. Dac sunt necesare ore suplimentare, acestea s fie de aproximativ 12 ore sau mai puin reprezint scopul 2 care poate fi asociat variabilei V2 3. S se ncerce producerea de cel puin 10 metri de stof de tip 2 reprezint scopul 3 care poate fi asociat variabilei U3 4. S se evite orele suplimentare dac acest lucru este posibil reprezint scopul 4 care poate fi asociat variabilei V1. Min (P1U1 + P2V2 + P3U3 + P4V1) Cuantificm cele patru prioriti n funcie de importana lor: P1 = 9, P2 = 8, P3 = 7, P4 = 6. Relativ la formularea scopurilor problemei, funcia obiectiv poate fi mprit n patru obiective (scopuri): Min (P1U1) Min (P2V2) Min (P3U3) Min (P4V1) Scopul 1 Scopul 2 Scopul 3 Scopul 4

Unde: U1 = timpul de munc neutilizat U2 = timpul de munc neutilizat sub cele 12 ore acceptate V2 = timpul suplimentar de munc peste cele 12 ore acceptate U3 = cantitatea (metri) de stof de tipul 2 sub cerina de 10 metri V1 = numrul de ore suplimentare X1, X2, U1, V1, U2, V2, U3, V3 >= 0

66

Rezolvarea problemelor utiliznd un produs software specializat

Problema anterioar are 4 scopuri i 8 variabile: X1, X2, U1 (notat X3), V1 (notat X4), U2 (notat X5), V2 (notat X6), U3 (notat X7) i V3 (notat X8). Dialogul iniial:

Formularul pentru ncrcarea datelor:

67

Soluia final:

68

Analize de tip reea PERT - CPM

Introducere
Analiza de tip reea este o tehnic specific utilizat n planificarea i managementul proiectelor. Specific proiectelor este faptul c: ele sunt temporare, au un nceput i un sfrit; pot fi mprite n mai multe activiti separate (job-uri) n care fiecare activitate are asociat o durat i un timp de realizare (timpul cuprins ntre punctul de start i cel de terminare a activitii); exist o preceden a ordinii n care se execut activitile.

Pentru analizele de tip reea au fost dezvoltate independent n anii 1950 dou tehnici diferite: PERT (Program Evaluation and Review Technique); CPM (Critical Path Management).

PERT a fost dezvoltat de US Navy pentru planificarea i controlul rachetelor Polaris dorindu-se a se gsi cel mai scurt timp posibil pentru realizarea proiectului. CPM a fost dezvoltat de ctre Du Pont care i-a propus s gseasc un raport optim ntre costul proiectului i timpul de realizare a acestuia. Se consider c pentru unele activiti poate fi micorat timpul de realizare cheltuindu-se mai muli bani. n prezent exist numeroase produse software care pot rezolva cu succes analizele de tip reea att prin tehnica PERT ct i prin CPM. Analizele de tip reea sunt vitale n managementul proiectelor. Ele ne dau posibilitatea ca prin intermediul unor metode cantitative corespunztoare s putem conduce un proiect astfel nct acesta s fie realizat cu succes.

Formularea unei probleme

Pentru o mai bun nelegere a analizelor de tip reea, este necesar o discuie pe baza unui exemplu, care va conduce cu siguran ctre o clarificare a acestei problematici. S presupunem c se intenioneaz lansarea unui nou produs pe pia. ceea ce necesit existena unui proiect compus din mai multe etape i sarcini care vor trebui rezolvate ntr-o anumit ordine. O ntrebare logic care apare referitor la proiect este: n ct timp se va realiza proiectul ? Pentru a rspunde la ntrebare este necesar n primul rnd crearea unei liste ce va conine toate activitile principale ale proiectului precum i durata de realizare pentru fiecare activitate:

69

Numr activitate 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11.

Denumire activitate Proiectare produs Proiectare ambalaj Comanda i recepionarea componentelor necesare realizrii produsului Comanda i recepionarea componentelor necesare realizrii ambalajului Realizarea unui lot de produse ntr-o prim faz Realizarea ambalajului pentru acest lot de produse mpachetarea i studiul metodelor de mpachetare optim Testarea pieei pentru produs Revizuirea i reproiectarea corespunztoare a produsului Revizuirea i reproiectarea corespunztoare a ambalajului Prezentarea rezultatelor ctre decidenii superiori

Timp de realizare (sptmni) 6 2 3 2 4 1 1 6 3 1 1

Legat de aceast list se impun analize n detaliu ale activitilor enunate n raport cu scala timpului pe care se desfoar. Astfel trebuie identificate relaiile de preceden ale activitilor, indicnd activitile care datorit unor situaii logice trebuie s fie terminate nainte ca alte activiti s nceap. De exemplu activitatea 1 trebuie terminat nainte ca activitatea 3 s nceap. Activitatea 8 trebuie terminat nainte ca activitatea 9 s nceap. n continuare este necesar realizarea unei liste de precedene imediate a activitilor, lund n considerare relaiile care exist ntre acestea. Lista va fi construit ncercnd s rspundem pentru fiecare activitate la urmtoarea ntrebare: Ce activiti trebuie terminate nainte ca activitatea curent s nceap ? Numr activitate Activitatea 1 Activitatea 2 Activitatea 3 Activitatea 4 Activitile 5 i 6 Activitatea 7 Activitatea 8 Activitatea 8 Activitile 9 i 10 Observaii trebuie terminat nainte ca activitatea trebuie terminat nainte ca activitatea trebuie terminat nainte ca activitatea trebuie terminat nainte ca activitatea trebuie terminat nainte ca activitatea trebuie terminat nainte ca activitatea trebuie terminat nainte ca activitatea trebuie terminat nainte ca activitatea trebuie terminat nainte ca activitatea Numr activitate 3 s nceap 4 s nceap 5 s nceap 6 s nceap 7 s nceap 8 s nceap 9 s nceap 10 s nceap 11 s nceap

70

Este de notat c: activitile 1 i 2 nu apar n a treia coloan a tabelului deoarece nu exist activiti care s trebuiasc s fie terminate nainte ca ele s nceap; activitile 5 i 6 trebuie s se termine nainte ca activitatea 7 s nceap; se subneleg din list i precedenele ne-imediate: astfel activitatea 1 va trebui s fie terminat nainte ca activitatea 9 s nceap etc. Precedenele ne-imediate nu se includ n list pentru a evita o suprancrcare a acesteia. Ele pot fi deduse din sistemul de relaii i legturi ale activitilor.

Odat ce au fost completate cele dou liste (lista activitilor i lista precedenelor) vom putea combina i concentra informaiile acestora ntr-o diagram numit reea. Denumirea analizelor de tip reea vine de fapt tocmai de la aceast diagram. Dac revenim la prima ntrebare: n ct timp se va realiza proiectul ? (completnd toate activitile i respectnd precedena acestora) un rspuns imediat ar putea fi: Dac am realiza nti activitatea 1, apoi activitatea 2, activitatea 3,, activitatea 11 respectnd precedena activitilor, ntregul proiect ar putea fi realizat n 30 sptmni (suma timpilor fiecrei activiti). n acest moment o alt ntrebare pe care ar putea s o pun un bun manager este: Poate fi realizat proiectul ntr-un timp mai mic ? O reformulare pragmatic a acestei ntrebri este: Care ar putea fi timpul minim de realizare a proiectului ? n continuare vom vedea cum diagramele de tip reea ne pot ajuta s gsim rspunsul la ultima ntrebare.

Construcia diagramelor de reea

n funcie de tipul problemelor i de felul n care acestea sunt formulate, diagramele de reea pot fi construite n dou moduri: cu activitile trasate pe noduri (activity on node); cu activitile trasate pe arce (activity arc).

Pentru exemplul n discuie s-a ales ca reprezentarea activitilor s fie trasat pe noduri. Dac dorim rezolvarea problemei cu ajutorul unui pachet de programe specializat, atunci diagrama de reea nu este necesar. Pentru a gsi timpul minim, respectivului program i sunt necesare doar datele extrase din lista de precedene. Totui deoarece oamenii pot interpreta mult mai bine informaia reprezentat grafic, atunci, de cele mai multe ori managerilor le sunt necesare pe lng rezultatele numerice i diagramele de reea. Din acest considerent va fi prezentat n continuare i construcia diagramelor de tip reea.

71

n diagrama urmtoare fiecare nod (cerc) reprezint o activitate i conine dou informaii: numrul activitii i (n paranteze) timpul necesar pentru realizarea acesteia.

Aceasta este o reea de tipul activity on node (AON). n construcia diagramei (reelei): s-a trasat un nod pentru fiecare activitate s-a adugat o sgeat de la fiecare nod (activitate) (i) ctre un nod (activitate) (j) dac activitatea (i) trebuie s se termine nainte ca activitatea (j) s nceap. Toate arcele au ataate sgei indicnd direcia n care proiectul se dezvolt.

Pe diagram activitile care ncep primele s-au trasat cel mai n stnga iar ultimele activiti au fost plasate cel mai n dreapta. Odat trasat o reea este relativ simplu ca ea s fie analizat. Pentru a fi gsit drumul critic poate fi folosit un algoritm de programare dinamic. n curs nu va fi tratat un asemenea algoritm ci se va insista pe rezolvarea problemelor cu ajutorul calculatorului prin utilizarea unor pachete de programe special create pentru rezolvarea unor astfel de probleme.

Rezolvarea problemelor utiliznd un produs software specializat

De regul orice pachet de programe specializat pentru rezolvarea problemelor de tip reea prezint nti un dialog prin intermediul cruia solicit cteva informaii de identificare a problemei iar apoi ofer un formular pentru ncrcarea datelor. Iat n continuare capturile celor dou ecrane aferente problemei exemplu prezentate mai sus:

72

Dialogul iniial:

Formularul pentru ncrcarea datelor:

Situaia final cu rezolvare problemei:

73

Studiind soluia final observm c timpul minim de realizare a proiectului este de 24 sptmni. Se consider c exist suficiente resurse care s permit desfurarea mai multor activiti simultan. Astfel activitile 1 i 2 se pot executa n paralel. n coloana Slack se poate vedea pentru fiecare activitate ntrzierea care poate fi permis astfel nct timpul integral de realizare a proiectului s nu fie afectat. Activitile la care Slack (diferena) este 0 formeaz drumul critic. Aceste activiti trebuie realizate chiar n timpul alocat. Altfel poate fi afectat timpul de realizare a proiectului. De acesta sunt numite activiti critice. n cazul exemplului prezentat activitile critice sunt: 1, 3, 5, 7, 8, 9, 11. Notaiile prezente n situaia final sunt: ES (earliest start) - reprezint momentul de timp cel mai devreme la care o activitate poate s nceap. LS (latest start) - este momentul de timp cel mai trziu la care o activitate poate s nceap astfel nct timpul de realizare a proiectului s nu fie afectat. Dac LS=ES atunci activitatea n cauz este o activitate critic. EF (earliest finish) - reprezint momentul de timp cel mai devreme la care o activitate se poate termina. LF (latest finish) - este momentul de timp cel mai trziu la care o activitate se poate termina astfel nct timpul de realizare a proiectului s nu fie afectat. LF=LS+timpul de completare a activitii. O activitate este critic dac LF=LS. Slack reprezint diferena ntre ES i LS sau ntre LF i EF. Slack=LSES=LF-EF.

Este posibil ca ntr-o reea s existe mai multe drumuri critice care s aib acelai rezultat.

74

Microsoft Project
Pachetul de programe Microsoft Project ofer n plus i alte faciliti foarte folositoare managerului de proiect. Acestea sunt: Trasarea automat a diagramei de reea:

Analiza i graficul activitilor critice:

75

Graficul Gantt
Afiarea drumului critic i graficul Gantt:

Graficul Gantt a fost creat de ctre H. L. Gantt n anul 1918. Acest grafic prezint drumul critic i momentele ES, LS, EF i LF pentru fiecare activitate. Fiecare activitate este reprezentat prin dou bare una pentru ES i cealalt pentru LS. Pentru activitile critice cele dou bare au aceeai lungime. Prin intermediul graficului Gantt se evideniaz i pot fi studiate foarte uor i activitile necritice. Astfel se observ cu uurin c activitatea 2 poate s nceap n oricare dintre momentele de timp 0,1,2,3,4,5,6,7,8 i poate dura un timp corespunztor cuprins ntre 0 i 8. Putem alege n care dintre aceste momente de timp activitatea 2 poate s nceap.

76

Verificarea gradului de realizare a proiectului

Gradul de realizare a proiectului poate fi verificat oricnd pe timpul desfurrii acestuia, comparnd starea real cu cea planificat. De asemenea este posibil i o anticipare a stadiului n care se va afla proiectul dup un anumit timp. De exemplu dac se dorete o analiz dup 12 sptmni se va obine urmtoarea situaie:

n lista de mai sus se poate observa c activitile 1,2,3 i 4 au fost deja completate, activitatea 5 a fost completat ntr-o proporie de 75 % iar celelalte activiti nc nu au nceput. S-a considerat c toate activitile au nceput la momentul ES i c au durat exact ct au fost planificate.

77

Probleme propuse
Problema 1 Urmtorul tabel prezint activitile unui proiect: Activitatea Timp de realizare Activiti precedente (sptmni) ============================================= A 2 B 3 C 4 A D 3 B,A E 8 D,C F 3 C G 2 E H 3 F,G Trasai diagrama de reea. Calculai durata minim a proiectului i identificai activitile critice. Problema 2 Un proiect conine 8 activiti: Activitatea Timp de realizare Activiti precedente (zile) ============================================= A 5 B 7 C 6 D 3 A E 4 B,C F 2 C G 6 A, D H 5 E, F Trasai diagrama de reea. Calculai durata minim a proiectului i identificai activitile critice. Dac activitatea E este ntrziat cu 3 zile, va fi afectat durata proiectului? Dac activitatea F este ntrziat cu 3 zile, va fi afectat durata proiectului?

78

Problema de transport (Transportation problem)

Anumite tipuri de probleme de programare liniar pot fi rezolvate utiliznd algoritmi specializai pentru aceste probleme n loc de a folosi metoda simplex (general). Din aceast categorie fac parte problemele de transport, problemele de alocare, i cele de stabilire a unui traseu optim (problema comisului voiajor). Problema de transport este un tip special de problema a fluxurilor n reea. O problem tipic de transport include numai un set de noduri surs i un set de noduri destinaie. Obiectivul este acela de a determina acea modalitate de transport de la surse la destinaii care minimizeaz costurile (maximizeaz beneficiile) totale asociate transportului. Metoda simplex n reea este folosit pentru a rezolva problema de transport. Modelul de transport este aplicat n general acelor cazuri n care se pune problema distribuirii unor obiecte de la deintorii lor la solicitanii lor, fiecare dintre acetia (distribuitori i solicitani) fiind situai n amplasamente diferite. De exemplu, o companie poate avea 10 depozite de unde sunt aprovizionate 50 magazine de desfacere. Exist o multitudine de combinaii n care se poate face aprovizionarea magazinelor ns cu costuri diferite. Scopul utilizrii modelrii pentru rezolvarea acestei probleme este de a gsi acel plan de aprovizionare care minimizeaz costul de transport al produselor de la depozite la magazine i care ine cont de necesarul de produse al fiecrui magazin i de disponibilul din fiecare depozit. Alte cazuri n care se poate folosi modelul problemei de transport sunt transportul produselor de la fabricile productoare la depozite, transportul produselor ntre departamentele aceleiai companii sau alegerea ntre mai multe alternative de amplasare a unor fabrici sau depozite.

Formularea modelului
O problem de transport are n general un numr de locaii surs (numite i surse) i un set de locaii receptoare (numite i destinaii). Pentru formularea problemei mai avem nevoie de urmtoarele informaii: 1. Cantitile disponibile (capacitatea) fiecrei surse. 2. Cantitile cerute la fiecare destinaie. 3. Costul unitar de transport de la fiecare surs la fiecare destinaie. Modelul problemei de transport necesit o serie de precizri: toate produsele sunt omogene (orice surs poate furniza produse pentru orice destinaie) costurile de transport cresc strict liniar n funcie de cantitatea transportat pe ruta respectiv ntr-o prim abordare se presupune c pentru ntreaga cantitate disponibil exist cerere (totui pot fi rezolvate i problemele care nu ndeplinesc aceast condiie).

79

Problema 1 O companie are prin contract sarcina s aprovizioneze cu lapte 3 magazine M1, M2, M3. Laptele poate fi aprovizionat din 3 ferme A, B, C. Disponibilul de lapte n litri la fiecare ferm este: Ferma Disponibilul ( l ) ========================= A 100 B 200 C 200 Cererea de lapte n litri la fiecare magazin este: Magazin Cererea ( l ) ======================== M1 50 M2 150 M3 300 Costul transportului n $ pentru 1 litru de lapte pe fiecare rut este: La: De la ferma A B C M1 0,4 0,5 0,7 M2 0,2 0,1 0,6 M3 0,8 0,9 0,3

Managerul dorete gsirea unui plan optim de transport pentru aprovizionarea magazinelor astfel nct costul total al transportului s fie minim. Rezolvare Pentru rezolvare datele trebuie aranjate ntr-un tabel specific rezolvrii problemei de transport astfel: Variabile M1 A X11 B X21 C X31 Cerere 50 7 X32 150 5 X22 6 X33 300 500 4 X12 1 X23 3 200 M2 2 X13 9 200 M3 8 Disponibil 100

S-a notat cu Xij cantitatea din cererea j care se aprovizioneaz de la ferma (sursa) i.

80

Modelul problemei de programare liniar asociat acestei probleme de transport este prezentat n continuare. Restricii X11 + X12 + X13 = 100 X21 + X22 + X23 = 200 X31 + X32 + X33 = 200 X11 + X21 + X31 = 50 X12 + X22 + X32 = 150 X13 + X23 + X33 = 300 Funcia obiectiv: Min (4X11 + 2X12 + 8X13 + 5X21 + 1X22 + 9X23 + 7X31 + 6X32 + 3X33) X11, X12, X13, X21, X22, X23, X31, X32, X33 >= 0 Duala problemei de transport Formularea dualei sugereaz c se ncearc transportarea unor cantiti de bunuri astfel nct diferena dintre preul unitar Ui la surs (plecare) i preul unitar la destinaie (sosire) Vj s nu depeasc costul unitar de transport ntre punctul de plecare i cel de sosire. Problema 2 O companie de petrol are 3 depozite i 4 puncte de comercializare C1, C2, C3, C4. Este necesar ntocmirea unui plan de transport care s minimizeze costurile totale cu transportul astfel nct s se asigure necesarul de petrol la punctele de comercializare n condiiile cunoaterii capacitii limitate a depozitelor. Tabelul urmtor prezint valoarea cererii (n t) la punctele de comercializare, disponibilul din depozite (n t) i costurile unitare ($/t) ale transportului de la surse la destinaii: Puncte de comercializare: C1 C2 C3 C4 5 4 5 6 3 3 6 6 2 5 7 8 200 100 150 250 Capacitate depozite (t) 100 200 400 restricii asupra disponibilului

restricii asupra cererii

Depozit 1 Depozit 2 Depozit 3 Cererea la punctele de comercializare

81

Rezolvarea problemelor utiliznd un produs software specializat

Problema 1 Parametrii problemei:

Introducerea datelor:

Soluia final:

82

Problema 2 Parametrii problemei:

Introducerea datelor:

Soluia final:

83

Problema de alocare (Assignment Problem)

Problema alocrii (repartizrii) resurselor este un tip special de problem de reea sau de problem de programare liniar n care obiectele de alocat sunt repartizate unu la unu destinaiilor. Pot face obiectul alocrii anumite resurse: angajai, maini, spaii de parcare, intervale de timp, fabrici, juctori, etc. Destinatarii (beneficiarii) repartiiilor pot fi: o activitate, un amplasament, un eveniment, o cerere, o echip, etc. n format de reea att obiectele alocrii ct i beneficiarii repartiiilor sunt reprezentai ca noduri iar dac exist posibilitatea repartizrii obiectului i la beneficiarul j atunci va exista un arc de la nodul i la nodul j care are asociat un cost sau un beneficiu notat Cij. Problema alocrii este considerat ca un tip special de problem de transport avnd furnizori i beneficiari i se poate rezolva folosind metoda simplex n reea. n general este vorba despre un numr de candidai care pot ndeplini n sarcini i un cost nenegativ Cij implicat de atribuirea ctre candidatul i a sarcinii j, cost care se consider cunoscut. Obiectivul problemei este acela de a asigna fiecrui candidat cte o sarcin astfel nct s se minimizeze costul total. Se definesc variabilele binare Xij care pot lua valorile 0 sau 1. Valoarea Xij = 1, arat c se atribuie sarcina j candidatului i. Cellalt caz, Xij = 0 are loc atunci cnd nu se atribuie sarcina j candidatului i. Problemele de alocare se caracterizeaz prin cerina de a mperechea elemente dintr-un grup cu elemente din alt grup (unu la unu). Un caz particular de problem de transport este problema alocrii resurselor n care toate cererile sunt 1 i toi furnizorii sunt 1. n acest caz , integralitatea implic s existe cte un furnizor pentru fiecare cerere i cte o cerere pentru fiecare furnizor. Costul reprezint cheltuielile implicate de aprovizionarea unui anumit solicitant de la un anumit furnizor. Presupunnd c dorim s impunem condiia ca fie persoana i s nu ndeplineasc sarcina j SAU persoana k s nu ndeplineasc sarcina m, aceasta se scrie: Xij.Xkm = 0. Aceast condiie neliniar este echivalent constrngerii liniare: Xij +Xkm <= 1. Aceast constrngere trebuie adugat la setul de constrngeri. Cu aceast constrngere adugat AP (Assignment Problem) devine ILP binar care poate fi rezolvat cu ajutorul pachetelor de programe LINDO sau QSB. Formularea problemei duale propune ca s se ncerce atribuirea de persoane pentru a ndeplini sarcini astfel nct suma valorilor Ui ale persoanei i adunate cu valoarea Vj care reprezint costul pentru ndeplinirea sarcinii j s nu depeasc costul repartizrii persoanei i pentru a ndeplini sarcina j. De exemplu, un manager trebuie s repartizeze sarcini de execuie la 4 maini (fiecrei maini i revine o sarcin de lucru) sau managerul repartizeaz cte un proiect fiecrei echipe. n general timpul de lucru sau costul difer de la o main la alta sau de la o echip la alta. Scopul managerului este acela de a face acea alocare ce duce la minimizarea timpului de realizare a sarcinilor sau de minimizare a costului total. n urmtoarea problem scopul este de a asigna persoane care s rezolve anumite sarcini astfel nct s se minimizeze costul total aferent rezolvrii sarcinilor. Restriciile cer ca fiecrei sarcini s-i fie repartizat o persoan care s o rezolve i fiecare persoan s aib o sarcin de rezolvat.

84

Exist i probleme n care se urmrete maximizarea profitului obinut. Exemplul 1 ntr-o companie, o anumit lucrare care presupune 4 operaii poate fi realizat doar de 4 muncitori cu o pregtire special. Managerul cunoate n urma unei analize costurile cu care fiecare din 4 cei muncitori realizeaz fiecare din cele 4 operaii. Acestea sunt prezentate n tabelul de mai jos: Operaia 1 Operaia 2 Operaia 3 Operaia 4 Muncitor 1 15 $ 12 $ 14 $ 11 $ Muncitor 2 20 $ 17 $ 15 $ 14 $ Muncitor 3 18 $ 16 $ 19 $ 12 $ Muncitor 4 24 $ 15 $ 17 $ 13 $

Obiectivul urmrit de manager este acela de a minimiza costul total rezultat n urma executrii celor 4 operaii. Acest lucru trebuie realizat n condiiile n care cele 4 operaii se execut simultan, deci fiecare din ele trebuie repartizat altui muncitor.

85

Cerine pentru problemele de alocare Situaiile n care se aplic modelul de alocare au urmtoarele caracteristici: 1. Exist dou serii de date care trebuie mperecheate unu - la - unu. 2. Obiectivul este acela de a minimiza costurile (timpul sau distanele) sau de a maximiza profitul. 3. Se cunosc costurile sau profitul pentru fiecare pereche. Situaii speciale Exist situaii care prezint abateri fa de cerinele prezentate anterior, cum ar fi: 1. Numrul de elemente din cele dou serii care trebuie mperecheate nu este acelai (egal). 2. Obiectivul de atins este o maximizare i nu o minimizare. 3. Anumite variante de mperechere sunt imposibile (nu sunt admise). 4. Exist mai multe soluii optime. Exemplul anterior prezint cazul n care numrul de elemente din cele dou serii de date este egal. Putem acum s considerm o situaie n care trebuiesc executate 4 operaii pe 3 maini. n acest caz una din operaii va fi executat numai dup ce se va termina una din celelalte operaii. Pentru rezolvarea unei astfel de situaii vom introduce n tabelul care prezint costurile operaiilor pe maini o main virtual. Astfel una dintre operaii va fi repartizat unei maini inexistente, ceea ce arat c aceast operaie nu va fi executat simultan cu celelalte, ci ulterior. Maina 1 Maina 2 Maina 3 Maina virtual Operaia 1 15 23 20 0 Operaia 2 19 21 16 0 Operaia 3 12 18 11 0 Operaia 4 16 17 19 0

Dac obiectivul problemei este maximizarea i nu minimizarea, trebuie fcut o operaie suplimentar i anume, se identific cea mai mare valoare din fiecare coloan i apoi se scad din aceasta celelalte valori din coloana respectiv. Cu tabelul modificat care s-a obinut se rezolv problema ca i cum ar fi o problem de minimizare. Valorile modificate se numesc costuri de oportunitate. Setul de valori rezultate n urma minimizrii costurilor de oportunitate asigur i maximizarea valorilor iniiale. Exemplul 2 n tabelul urmtor sunt prezentate valori ale profitului obinut n urma executrii produselor P1, P2, P3 pe utilajele A, B, C.

86

A B C

P1 14 20 11

P2 22 18 12

P3 30 40 50

Se cere maximizarea profitului total realizat n urma executrii celor 3 produse. Dup identificarea valorilor maxime din fiecare coloan (20, 22, 50) dup scderea celorlalte valori din coloana respectiv din valoarea maxim, se obine urmtorul tabel (al costurilor de oportunitate): A B C Exemplul 3 n tabelul urmtor sunt prezentai timpii necesari fiecruia din 3 muncitori pentru executarea fiecreia din 3 operaii. S se minimizeze timpul total de executare a celor 3 operaii. Fiecare muncitor execut o singur operaie. Ce operaie va executa fiecare muncitor ? S se formuleze modelul de programare liniar al acestei probleme. Muncitor 1 Muncitor 2 Muncitor 3 Operaie 1 3 8 9 Operaie 2 5 9 2 Operaie 3 6 7 4 P1 20-14=6 20-20=0 9 P2 0 4 10 P3 50-30=20 10 0

Xij=0 dac muncitorul i nu va executa operaia j Xij=1 dac muncitorul i va executa operaia j Tabelul cu variabilele de decizie devine: Muncitor 1 Muncitor 2 Muncitor 3 Operaie 1 X11 X21 X31 Operaie 2 X12 X22 X32 Operaie 3 X13 X23 X33

Funcia obiectiv este: Min (3X11 + 5X12 + 6X13 + 8X21 + 9X22 + 7X23 + 9X31 + 2X32 + 4X33) Restriciile sunt:

87

X11+X12+X13=1 X21+X22+X23=1 X31+X32+X33=1 X11+X21+X31=1 X12+X22+X32=1 X13+X23+X33=1

Pe linii

Pe coloane

Xij=0 sau Xij=1 pentru i,j=1,2,3 Exemplul 4 (extensie a problemei 3) Dac exist 4 muncitori care pot executa fiecare oricare din cele 3 operaii, s repartizeze optim cei 3 muncitori pe cele 3 operaii i s identifice muncitorul care va fi exclus. n tabelul urmtor sunt prezentai timpii necesari fiecruia din cei 4 muncitori pentru executarea fiecreia din cele 3 operaii. Muncitor 1 Muncitor 2 Muncitor 3 Muncitor 4 Exemplul 5 O companie care asigur service pentru calculatoare are 4 clieni notai C1, C2, C3 i C4. Aceast companie are 4 tehnicieni (T1,T2,T3,T4) pentru a asigura service-ul. Datorit specializrii diferite a acestora timpul necesar pentru nlturarea defectelor reclamate de fiecare dintre clieni este prezentat n urmtorul tabel. Clieni Tehnicieni T1 T2 T3 T4 C1 3 5 2 8 C2 6 6 8 6 C3 7 3 4 5 C4 10 8 16 9 Operaie 1 3 8 9 3 Operaie 2 5 9 2 2 Operaie 3 6 7 4 4

Managerul acestei companii dorete s afle ce tehnician s repartizeze pentru fiecare client astfel nct s minimizeze timpul total de remediere a defeciunilor pentru cei 4 clieni. Exemplul 6 n vederea executrii unor misiuni de tip comando au fost pregtii 5 lupttori pentru 5 tipuri de misiuni speciale. Fiecare lupttor poate executa oricare din cele 5 tipuri de misiuni. Performanele lor cuantificate pe o scar de la 1 la 100 pentru fiecare tip de misiune sunt prezentate n urmtorul tabel: 88

Lupttori L1 L2 L3 L4 L5

M1 75 70 68 75 68

M2 70 60 72 70 61

Misiuni speciale M3 76 80 80 78 81

M4 74 73 74 74 75

M5 70 68 65 69 71

Rezolvarea problemelor utiliznd un produs software specializat

Introducerea parametrilor:

Introducerea datelor:

Soluia final:

Muncitorul 1 va executa operaia 1, muncitorul 3 operaia 3 i muncitorul 4 operaia 3. Muncitorul 2 va fi exclus.

89

Problema comisului voiajor

Problema comis-voiajor-ului presupune existena unui numr de noduri (locaii) i arcuri care leag toate nodurile. Obiectivul este acela de a parcurge toate nodurile (a vizita toate locaiile) o singur dat minimiznd distana parcurs. Pentru rezolvarea acestui tip de probleme exist algoritmi cum sunt: nearest neighbor heuristic, cheapest insertion heuristic two-way exchange improvement heuristic) branch-and-bound

n prezent toi aceti algoritmi sunt implementai n diferite pachete de programe printre care se numr i QSB i care ofer un suport software eficient pentru rezolvarea rapid a acestor probleme. Iat n continuare un exemplu: Cunoscndu-se distanele n km. dintre 8 orae prezentate n tabelul de mai jos, se cere s se determine traseul optim care s treac o singur dat prin fiecare ora astfel nct distana parcurs s fie minim. De la oraul 1 2 3 4 5 6 7 8 1 150 180 300 200 50 290 350 2 150 120 180 250 200 150 250 3 180 120 150 150 120 150 200 La oraul 4 5 300 200 180 250 150 150 300 300 320 100 25 300 60 350 6 50 200 120 320 100 300 350 7 290 150 150 25 300 300 90 8 350 250 200 60 350 350 90 -

90

Rezolvarea problemelor utiliznd un produs software specializat

Dialogul pentru introducerea parametrilor problemei anterioare este:

Introducerea datelor:

Situaia final sub form tabelar:

sau n form grafic:

91

Lanuri MARKOV
Un sistem pentru a putea fi analizat cu ajutorul lanurilor Markov trebuie s prezinte urmtoarele caracteristici: S opereze pe un numr de intervale de timp. n fiecare din perioadele de timp sistemul se poate afla ntr-un numr finit de stri. Strile n care se afl un sistem ntr-o anumit perioad se exclud reciproc (sistemul se afl ntr-o perioad n una i numai n una din strile posibile). Trecerea sistemului dintr-o stare n alta n perioade diferite poate fi descris prin probabilitile de trecere, care rmn constante. Probabilitatea ca sistemul s se afle ntr-o anumit stare ntr-un anume interval depinde numai de starea sistemului n perioada anterioar i de probabilitile de trecere dintr-o stare n alta. Exemple de probleme care pot fi analizate folosind lanurile Markov sunt: opiunile pe pia pentru anumite tipuri de produse sau servicii din aceeai gam; opiunile pentru anumite posturi TV; napoierea bunurilor nchiriate; funcionarea mainilor i utilajelor (trecerile succesive prin strile operaional-neoperaional), etc.

Utilizarea lanurilor Markov este util pentru analiza acestor tipuri de probleme, i ajut la nelegerea evoluiei n timp a sistemelor respective. Astfel se pot fundamenta deciziile pe termen scurt referitoare la repartizarea forei de munc, a capacitilor de producie, a stocurilor i a fondurilor bneti, dar i deciziile de perspectiv privind amplasarea unor capaciti de producie sau a unor puncte de asigurare a service-ului. La rndul lor deciziile curente vor conduce la adoptarea unor strategii de modificare a preurilor, de gestionare corect a reclamei sau pentru acordarea unor faciliti promoionale.

Probabilitile de trecere
Probabilitile de trecere arat tendina unui sistem (care poate fi descris ca un proces Markov) de a se modifica de la o perioad (interval de timp) la alta. Exemplul urmtor asigur o mai bun nelegere a acestui tip de probleme: O societate de nchirieri maini are dou agenii amplasate una n centrul oraului i una n apropierea aeroportului. Persoanele care nchiriaz maini de la una din agenii le pot napoia la oricare din cele dou (se consider c este vorba despre un sistem nchis n care toate mainile nchiriate sunt napoiate). Acele maini care nu ndeplinesc aceast condiie (nu rmn n circuitul celor napoiate) sunt scoase din sistem i tratate separat. Se mai presupune c toate nchirierile au durata de o zi, deci la sfritul fiecrei zile mainile se vor afla la una din cele dou agenii. 92

Se presupune c urmrindu-se activitatea ageniilor o perioad de timp s-a constatat c 70% din mainile nchiriate de la agenia aflat n centru au fost napoiate tot acolo iar 30% la agenia de la aeroport i c 90% din mainile nchiriate de la agenia de lng aeroport au fost napoiate tot acolo n timp ce 10% din acestea au fost napoiate la agenia din centru. Aceste informaii sunt prezentate n tabelul urmtor: mprumutat de la: napoiat la: Agenia-centru (A) 0.7 0.1 Agenia-aeroport (B) 0.3 0.9

Agenia-centru Agenia-aeroport

Deoarece s-a fcut presupunerea c toate mainile nchiriate sunt napoiate la una din cele dou agenii, totalul pe fiecare linie este de 1.0 (100%) dar acest lucru nu se aplic i pe coloane pentru c acestea se refer la modul de napoiere a mainilor. Probabilitatea de trecere 0.7 (70%) reprezint proporia (procentul) de maini nchiriate de la agenia din centru care se ateapt s fie napoiate la aceeai agenie. Probabilitatea de trecere 0.3 (30%) reprezint proporia (procentul) de maini nchiriate de la agenia din centru care se ateapt s fie napoiate la agenia de la aeroport. Cunoscnd c numrul total de maini din cele dou agenii este 200 i c distribuia iniial a mainilor este: 120 maini la agenia din centru (A) i 80 de maini la agenia din aeroport (B), managerul societii, n vederea lurii unor decizii privind amplasarea unor uniti de service, dorete s afle: 1. n ce proporie vor fi napoiate mainile la fiecare agenie dup o perioad de timp (cteva zile). Aceast informaie este util pentru planificarea muncii la fiecare din cele dou agenii. 2. n ce proporie vor fi napoiate mainile la fiecare agenie dup o perioad mai lung de timp.

Comportarea sistemului analizat

Probabilitile de trecere influeneaz att comportarea pe termen lung a sistemului ct i comportarea lui pe termen scurt. Comportarea sistemului pe termen scurt depinde de starea sistemului n perioada (intervalul de timp) actual i de probabilitile de trecere. Astfel, numrul de maini napoiate la fiecare din agenii este o funcie care depinde de probabilitile de trecere i de numrul mainilor nchiriate de la fiecare agenie n perioada anterioar. Cunoaterea numrului de maini existente la fiecare agenie la un moment dat constituie punctul de pornire pentru aflarea comportrii sistemului pe termen scurt. Numrul de maini existente la fiecare agenie n perioada (intervalul de timp) anterioar influeneaz numrul acestora pentru urmtoarele cteva perioade. Comportarea pe termen lung a sistemului presupune c acesta nu va fi afectat de numrul de maini existente iniial la fiecare agenie, altfel spus, procentul de maini care vor fi napoiate la fiecare agenie dup o perioad mai lung de timp nu va

93

fi influenat de condiiile iniiale. Proporiile (probabilitile la care se stabilizeaz sistemul dup o perioad mai lung de timp se numesc proporii stabilizate, ferme (steady-state proportions or probabilities). Nu toate sistemele prezint tendina de a se stabiliza, unele au tendina de a cicla iar altele de a converge ctre o stare absolut. Obiectul prezentrii urmtoare l reprezint doar sistemele al cror comportament se stabilizeaz n timp. Tendinele de evoluie pe termen scurt i pe termen lung sunt prezentate n figura urmtoare:

Procentul napoierilor la aeroportul din centru (A)

1.0

nchiriate de la (A)
0.7

0.1 2 4 6

nchiriate de la (B) Perioada

8 20

n primele cteva intervale de timp numrul iniial de maini de la fiecare agenie are un efect sesizabil asupra proporiei napoierilor dar dup aproximativ 10 intervale de timp efectul lor este din ce n ce mai mic. Orice lan Markov este definit complet prin matricea sa stochastic (o matrice ptratic) i prin distribuia iniial (care este o matrice linie). n cazul problemei noastre aceste matrici sunt: Matricea stochastic: Distribuia iniial este: Observaie: Dac nu avem distribuia iniial, atunci ea se consider cu probabiliti egale. Astfel pentru exemplul nostru putem avea: (0,5 0,5) Indiferent de distribuia iniiala stabilizarea (steady state) va fi aceeai. Dup rezolvare va rezulta un steady state la : (0,25 0,75) Comportarea acestor sisteme pe termen scurt poate fi descris prin folosirea metodei diagramei arborescente sau a matricilor de multiplicare. (0,7 (0,1 (0,6 0,3) 0,9) 0,4) diagonala principal a acestei matrici reprezint coeficientul de fidelitate (120/200=0,6 i 80/200=0,4)

94

Comportarea pe termen lung se poate analiza teoretic similar prin oricare din cele dou metode (diagramele arborescente sau matricile de multiplicare) dar din considerente practice, atunci cnd se lucreaz manual, aceste metode nu se aplic deoarece sunt laborioase. Cel mai adesea se utilizeaz (manual), metoda algebric.

Metoda arborelui
Aceast metod const dintr-o serie de ramuri care reprezint posibilele variante de evoluie a sistemului n fiecare perioad n funcie de probabilitile de trecere.

Perioada 1 nchiriat din centru (A) A 2 0.7 A 0.7 0.3 B 0.3 0.1 0.9

Probabiliti

A B A B

0.49 0.21 0.03 0.27

nchiriat de la aeroport (B) B

0.7 A 0.1 0.9 B 0.3 0.1 0.9

A B A B

0.07 0.03 0.09 0.81

Avnd iniial 100 de maini la agenia din centru (A) i 80 la cea de la aeroport (B) rezult la sfritul celei de-a doua perioade: Maini la A: 100*(0.49+0.03)+80*(0.07+0.09)=64.8 maini

95

Maini la B:

100*(0.21+0.27)+80*(0.03+0.81)=115.2 maini

Aceast metod are dezavantajul c devine complicat atunci cnd sunt mai multe elemente n sistem i cnd se dorete studiul sistemului pentru un interval de timp mai ndeprtat de cel curent ( 3,4.).

Metoda algebric
Ecuaiile algebrice necesare modelrii pe termen lung a comportrii sistemului i aflrii probabilitilor stabilizate sunt urmtoarele: Matricea de trecere, reprezentat prin probabilitile de trecere este: A B Notm cu: A = proporia de maini napoiate n centru B = proporia de maini napoiate la aeroport A=0.7A+0.1B B=0.3A+0.9B A+B=1 Eliminm una din primele 2 ecuaii pentru c avem 2 necunoscute i 3 ecuaii. B=1-A => A=0.25 B=0.75 A 0.7 0.1 B 0.3 0.9

Dac iniial avem 400 respectiv 300 de maini n ageniile A respectiv B rezult c atunci cnd sistemul atinge stadiul de stabilizare i cu condiiile acceptate la nceput (rmn toate n sistem, probabiliti de trecere constante, nu apar stri noi n care se pot afla mainile) vom avea: A=0.25*700=175 maini B=0.75*700=525 maini

96

Rezolvarea problemelor utiliznd un produs software specializat

Introducerea parametrilor:

Introducerea datelor:

Soluia final:

Analize Markov pe perioade:

97

Probleme propuse
Problema 1 Un studiu de pia a relevat tendinele de cumprare ale clienilor unei game de produse similare. n urma studiului s-a stabilit c 50% din clienii care n aceast sptmn cumpr produsul A vor cumpra i sptmna urmtoare acelai produs, 30% vor cumpra produsul B i 20% produsul C. Din cei care n aceast sptmn cumpr produsul B 50% vor cumpra sptmna urmtoare produsul A i 20% produsul C. Totodat, din cei care n aceast sptmn cumpr produsul C, 50% vor cumpra sptmna urmtoare produsul A i 30% vor cumpra produsul B. a) Scriei matricea probabilitilor de trecere b) Care sunt probabilitile stabilizate pe termen lung pentru cele trei produse? Problema 2 n urma unui studiu s-a determinat probabilitatea ca o main s se defecteze. S-a constatat c aceasta depinde de faptul c maina a fost reparat n ziua anterioar sau c n ziua anterioar a fost funcional. Probabilitile respective sunt prezentate n tabelul urmtor: Mine n funciune Defect 0.88 0.12 0.96 0.04

Azi

n funciune Defect

a) Avnd n vedere c maina este defect astzi, care este probabilitatea ca ea s fie defect i mine? b) Care este probabilitatea ca maina s fie defect peste dou zile? Dar peste trei zile?

98

Cozile de ateptare
O clas important de probleme n teoria deciziei o constituie cozile de ateptare. n viaa cotidian apar probleme frecvente de ateptare la staiile de benzin, la magazine, restaurante, etc. Aceste probleme se pun de asemenea n transporturile aeriene cnd aeronavele ateapt aprobarea de aterizare de la turnul de control, n cazul camioanelor care ateapt s fie ncrcate / descrcate, al pasagerilor care ateapt taxiuri la aeroport. Exemple de cozi de ateptare se pot ntlni la ghieele din bnci sau oficii potale, n fabrici pentru anumite procese care trebuie parcurse, maini care trebuiesc reparate, documente care trebuiesc emise, angajai care trebuie s-i introduc fia (cartela) de pontaj sau s fie servii la cantin. Acest gen de sisteme se caracterizeaz prin sosiri n sistem foarte variabile i prin rate de deservire. Astfel, dei capacitatea total de deservire a sistemului depete necesitile de prelucrare, cozile de ateptare se formeaz din cnd n cnd datorit variaiei intrrilor n sistem. Pe de alt parte, aceast variaie a intrrilor determin, n anumite perioade, surplusul de staii de deservire sau de angajai, determinate de absena temporar a intrrilor n sistem (a cererilor). Deci, cozile de ateptare tind s se formeze datorit suprancrcrilor create fie de rata de deservire, fie de rata intrrilor n sistem. Analizele i modelarea sistemelor n care apar cozi de ateptare sunt necesare managerilor care trebuie s stabileasc o capacitate optim a acestora.

Scopuri n proiectarea modelelor de cozi de ateptare

Aceste modele sunt modele predictive deoarece ele constituie un proiect al comportrii sistemelor n care pot aprea cozi de ateptare. Sistemul analizat poate fi unul n funciune dar care nu are performane satisfctoare, n acest caz se pune problema de a decide ce trebuie modificat pentru a crete performanele. n alte situaii poate fi cazul unor sisteme aflate n faza de proiectare pentru care trebuie stabilite caracteristicile astfel nct s ating performanele dorite. Un scop principal al proiectrii sistemelor n care pot aprea cozi de ateptare este acela de a gsi un echilibru ntre costul determinat de creterea punctelor de deservire i costul pe care-l implic ateptarea clienilor la cozi. Aceste dou costuri sunt invers proporionale: o scdere a costului determinat de faptul c unii clieni trebuie s atepte s fie deservii se realizeaz prin creterea costului deservirii (prin creterea numrului de puncte de deservire sau a ratei de deservire). Funcia care combin cele dou costuri (de deservire, de ateptare) numit funcia costului total are form de U. Costul total este minimizat n punctul cel mai de jos al acestei curbe. Gsirea punctului de minim implic adesea o cretere n trepte a capacitii de deservire. Deoarece creterea capacitii de deservire n cele mai multe cazuri este discret (una, dou staii de deservire) este mai indicat s reprezentm costul deservirii prin nite paliere dect printr-o linie continu. Astfel curba costului total va fi mai puin lin dect cea prezentat n figura urmtoare.

99

Costul total

Costul deservirii Costul ateptrii 0 Minim Numr puncte de deservire

n proiectarea sistemelor n care apar cozi de ateptare pot fi specificate i anumite cerine particulare. De exemplu managerul unei bnci poate cere ca numrul mediu de clieni care ateapt la coad s nu fie mai mare de 7 sau managerul unei policlinici dorete s tie cte locuri s prevad n sala de ateptare pentru pacieni.

Elemente i caracteristici ale sistemelor n care pot aprea cozi de ateptare

Aceste sisteme se difereniaz prin diferite caracteristici, cum ar fi numrul de puncte de deservire sau faptul c accesul n sistem este liber sau restricionat. Cunoaterea acestor caracteristici ajut la modelarea sistemului prin folosirea celei mai potrivite metode. Elementele componente ale acestor sisteme sunt: mulimea din care provin clienii (mulimea surs), sosirile de clieni, coada de ateptare, ordinea de deservire (procesare), deservirea i ieirea din sistem. Ordinea de deservire

Sosirile de clieni

Coada de Deservirea Ieirea din ateptare sistem

Mulimea surs

100

Mulimea surs Se refer la populaia care furnizeaz potenialele sosiri n sistem, deci sursa de clieni. Dac aceast surs este suficient de mare astfel nct probabilitatea sosirilor nu este n mod semnificativ influenat de faptul c clienii trebuie s atepte la coad, spunem c mulimea surs este infinit. Exemple de astfel de sisteme sunt: staiile de benzin, supermarket-urile, bncile, oficiile potale, ageniile de voiaj, etc. Dei mulimile surs pentru aceste sisteme nu sunt de fapt infinite, faptul c unii clieni ateapt nu mpiedic pe ali clieni s intre n sistem. Pe de alt parte exist sisteme care au un acces limitat la serviciile oferite de ele. De exemplu ntr-o fabric un operator rspunde de ncrcarea / descrcarea a 5 prese sau un depanator este responsabil de meninerea n stare de funcionare a unui numr fix de utilaje. Dac numrul de uniti sau clieni care necesit s fie deservii influeneaz probabilitatea ca s se produc o nou intrare n sistem s descreasc (deoarece procentul populaiei care furnizeaz clieni se reduce) se spune c avem o mulime surs finit sau limitat. Sosirile de clieni Clienii sunt uniti care necesit s fie deservite. n unele sisteme clienii sunt oameni, n altele pot fi automobile care trebuie reparate, vase maritime care trebuie descrcate, avioane care trebuie s aterizeze, apeluri telefonice care trebuiesc procesate, etc . n legtur cu acestea se analizeaz o serie de probleme, cum ar fi: Dac clienii sosesc n sistem cte unul sau n grupuri. De exemplu mainile sosesc la service cte una pe cnd consumatorii sosesc la restaurant n grupuri. Toate modelele prezentate n continuare consider c sosirile n sistem sunt individuale. Coada de ateptare Coada de ateptare este alctuit din clieni care au fost admii n sistem i ateapt s fie deservii. De exemplu, mainile care ateapt s fie splate la o spltorie de maini. Se pun o serie de probleme n legtur cu clienii care refuz s intre n sistem datorit faptului c trebuie s stea la coad, clienii care renun dup ce au stat un timp la coad, sau clienii care se mut la o alt coad (la supermarket se mut la o alt cas de marcat unde coada este mai mic). Modelele prezentate presupun c odat ce un client s-a aezat la o coad rmne acolo pn cnd va fi servit. n plus se presupune c exist o singur coad de ateptare de unde clienii, atunci cnd le vine rndul sunt ndrumai ctre unul din punctele de deservire libere. Ordinea de deservire Regula obinuit de deservire este primul venit-primul servit FIFO. n unele cazuri pentru a se pstra o ordine corect de servire se dau bonuri de ordine. Exist ns i cazuri n care este necesar o clasificare a clienilor intrai n sistem dup anumite criterii de prioritate. Acest lucru poate fi util la camera de gard a unui spital unde pacienii trebuie tratai n ordinea sosirii dar innd seama i de gravitatea

101

afeciunilor, n reelele de calculatoare unde timpii i ordinea de procesare ine cont de anumite prioriti sau la companii unde clienii cei mai importani sunt servii preferenial. n continuare vor fi prezentate ambele sisteme: primul venit - primul servit i sistemul de deservire preferenial. Deservirea Aceasta este caracterizat n principal prin numrul de puncte de deservire, prin numrul de faze necesare de parcurs n procesul de deservire i prin timpul necesar acestora. Un sistem poate avea un singur punct de deservire sau mai multe. Se consider c atunci cnd exist mai multe puncte de deservire acestea funcioneaz independent, deci pot fi servii simultan atia clieni cte puncte de deservire avem. Dac aceste puncte nu lucreaz independent vor fi tratate ca i cum ar fi vorba despre un singur punct de deservire. Ambele modele: cu un punct de deservire i cu mai multe puncte de deservire vor fi tratate n continuare. Procesul de deservire poate consta n una sau mai multe faze sau operaii. De exemplu o operaiune bancar poate consta n constituirea unui depozit i ncasarea unui cec (proces de deservire multifazic). Dac ar fi vorba numai de constituirea depozitului am spune c este vorba despre un proces de deservire cu o singur faz. Un alt exemplu de proces de deservire multifazic este nscrierea unui candidat pentru susinerea examenului de admitere. De regul distribuia timpului de deservire poate fi considerat Poisson. Aceast distribuie implic faptul c n majoritatea cazurilor este necesar un timp redus de procesare, o anumit proporie necesit timp mediu de procesare i o proporie foarte redus necesit timp mare de procesare. Ieirea din sistem Se pune aici problema ce fac clienii dup ce ies din sistem. Variantele posibile sunt: intrarea n mulimea surs a sistemului imediat, dup un anumit timp sau niciodat. De exemplu o main care a fost splat nu va reveni imediat pentru o alt splare, un pacient vaccinat pentru o anumit boal nu va mai reveni la spital pentru acea boal, etc. Modelele prezentate n continuare presupun o intrare imediat n mulimea surs pentru sistem (n cazurile cu mulimi surs limitate) fie sunt prezente i celelalte variante dar mulimea surs este suficient de mare nct nu au o influen msurabil asupra ratei intrrilor n sistem.

102

PSIHOLOGIA ATEPTRII Scopul acestui subcapitol este de a stabili ce decizii trebuie luate privind caracteristicile unui sistem n care pot aprea cozi de ateptare astfel nct s se asigure funcionarea lor performant. Totui exist sisteme de acest fel, n funciune, n care nu se pot face modificri astfel nct s se reduc timpii de ateptare sub anumite limite. Dou costuri sunt asociate ateptrii. Unul este un cost economic asociat spaiului necesar pentru ateptare i utilajelor care ateapt s fie reparate, altul determinat de plata angajailor i utilajelor care ateapt clieni pentru a-i deservi. Aceste costuri pot fi estimate cu un grad nalt de corectitudine. Alt cost este asociat cu pierderile poteniale determinate de renunarea clienilor la serviciile oferite din cauza cozilor pe care le percep ca prea mari. Acesta are un impact negativ asupra profitului. Acest cost mai este numit i cost psihologic i este mult mai greu de estimat. De exemplu, dac clienii consider c timpul lor este irosit prin ateptare i mai ales dac au impresia c ar putea exista o organizare mai bun care s reduc timpul de ateptare, atunci ei vor renuna la serviciul respectiv dac exist alternative. n consecin, dac clienii ar avea timpul de ateptare ocupat ntr-un mod constructiv sau printr-o form de distracie ar suporta mult mai uor acest timp inevitabil deteptare. Exemple de cazuri n care se ncearc prin metode psihologice s se atenueze impactul neplcut al ateptrii sunt: ziarele i revistele din slile de ateptare de la dentist, coafor sau chiar din mijloacele de transport, muzica i filmele care se difuzeaz n timpul zborurilor aeriene, muzica pe care o pun automat la telefon unele companii pe perioada ateptrii legturii cerute, amplasarea de oglinzi n locurile de ateptare a lifturilor n hoteluri i magazine, etc. n unele cazuri este chiar de dorit un timp moderat de ateptare. Astfel la supermarket-uri se observ amplasarea unor produse nu foarte costisitoare dar care n general fac plcere cum ar fi gum de mestecat, bomboane, igri, reviste. n timpul de ateptare se d ocazia clienilor s mai adauge mici cumprturi de plcere la cele deja achiziionate.

103

Notaii folosite n sistemele cozilor de ateptare:

A/B/C/D/E A: specific natura procesului sosirilor n sistem. Notaiile standard pentru tipurile de sosiri n sistem sunt: M: Timpul dintre sosiri este o variabil aleatoare independent, cu o distribuie exponenial. Este acelai lucru cu a spune c rata sosirilor are o distribuie Poisson. D: Timpul dintre sosiri este constant (valoare fix). E(k):Timpul dintre sosiri este o variabil aleatoare cu distribuie Erlang funcie de parametrul k. G: Timpul dintre sosiri este o variabil aleatoare cu o distribuie general avnd media i abaterea (variaia) cunoscut.

B: specific natura timpului de deservire. Notaiile standard pentru tipurile de deservire sunt: M: Timpul dintre sosiri este o variabil aleatoare independent, cu o distribuie exponenial. Este acelai lucru cu a spune c rata sosirilor are o distribuie Poisson. D: Timpul de deservire este constant (valoare fix). E(k):Timpul de deservire este o variabil aleatoare cu distribuie Erlang funcie de parametrul k. G: Timpul de deservire este o variabil aleatoare cu o distribuie general avnd media i abaterea (variaia) cunoscut.

C: specificarea numrului s de staii de deservire. Se presupune c acestea sunt identice i paralele. D: specificarea numrului maxim de clieni admii n sistem. Este egal cu (Q+s), unde Q este capacitatea cozii de ateptare i s este numrul de staii de deservire. E: specificarea dimensiunii mulimii (populaiei) surs a sistemului. Atunci cnd D sau E sunt omise, nseamn c D sau E sunt infinite. Modele posibile utilizate n rezolvarea problemelor cozilor de ateptare: M/M/1, M/G/1, D/M/1, M/M/s, M/M/s/N, M/M/s/N/K, M/M/s/s, M/G/ etc s: numrul de staii de deservire (sau canale) : Rata de deservire (miu) pentru un server. Timpul mediu de deservire pentru un client este 1/. n general rata de deservire sau timpul de deservire are o anumit comportare sau distribuie a probabilitilor. QA

104

necesit cunoaterea distribuiei timpului de deservire pentru a clasifica i rezolva problema respectiv. : Rata sosirilor (lambda). Timpul mediu ntre sosirile clienilor este 1/. n general rata sosirilor sau timpul dintre dou sosiri succesive are o anumit comportare sau distribuie a probabilitilor. QA necesit cunoaterea distribuiei timpului dintre sosiri pentru a clasifica i rezolva problema respectiv. De remarcat c atunci cnd mulimea (populaia) surs este infinit, reprezint rata sosirilor mulimii (populaiei), iar dac mulimea surs este limitat (<10000), reprezint rata sosirilor individuale. Q: Capacitatea cozii (spaiul de ateptare maxim), care reprezint numrul maxim de clieni care pot atepta s fie deservii. N: Populaia de clieni (mulimea surs) care numrul de clieni poteniali. QA consider c mulimea (populaia) este infinit atunci cnd exist mai mult de 10000 de clieni poteniali. Cs: Costul pe unitatea de timp generat de ocuparea staiei de deservire Ci: Costul pe unitatea de timp generat de staionarea (neocuparea) staiei de deservire Cw: Costul pe unitatea de timp generat de faptul c clienii trebuie s atepte Cu: Costul pe unitatea de timp generat de deservirea clienilor Ch: Costul generat de renunarea clienilor Cq: Costul unitar al cozii n: Numrul de clieni n sistem, n curs de deservire i ateptnd la coad K: Numrul de clieni admii n sistem. K=Q+s. : Coeficientul de presiune a deservirii. n general este un coeficient nenegativ cu rolul de a mri viteza de deservire atunci cnd sistemul este ocupat (ncrcat). : Coeficientul de descurajare a sosirilor. Este n general un coeficient nenegativ care are rolul de a descuraja clienii s intre n sistem atunci cnd acesta este ocupat (ncrcat = toate punctele de deservire sunt ocupate). B: Numrul mediu de clieni care renun pe unitatea de timp. B= - Rata efectiv a sosirilor. b: Mrimea grupului. Aceasta poate fi de un anume tip sau cu o anume distribuie a probabilitii. Implicit este 1. : Lq: Intensitatea traficului = / i este numrul mediu de clieni deservii Numrul mediu de clieni la coad 105

L:

Numrul mediu de clieni n sistem. L=Lq +

Lb: Numrul mediu de clieni la coad ntr-un sistem ocupat (ncrcat). Lb = Lq/Pw Wq: W: Timpul mediu de ateptare a clienilor la coad. Wq = Lq/ Timpul mediu pe care un client l consum n sistem.

Wb: Timpul mediu de ateptare la coad de ctre un client ntr-un sistem ocupat (ncrcat). Wb = Wq/Pw : P0: P(n) Factorul de utilizare a sistemului = /(s) probabilitatea ca toate staiile de deservire s fie nefolosite Probabilitatea ca s fie n sistem n clieni

Pw sau Pb, probabilitatea ca un client sosit s atepte, sistemul s fie ocupat (toate staiile de deservire s fie ocupate). Pw = P(n) pentru ns.

106

Rezolvarea problemelor utiliznd un produs software specializat

Problema 1 Proprietarul unei spltorii de maini intenioneaz s deschid nc o spltorie n alt parte a oraului. Bazndu-se pe experiena sa i pe observaiile fcute el estimeaz c rata sosirilor va fi de 20 de maini pe or iar rata de deservire va fi de 25 de maini pe or. Rata de deservire este variabil deoarece mainile sunt splate manual. Mainile sunt splate una cte una (deci este vorba de un sistem cu o singur staie de deservire i un singur canal). Determinai: 1. Numrul mediu de maini n sistem (la coad i n curs de splare). 2. Timpul mediu de stat la coad. 3. Timpul mediu pe care o main l consum n sistem (la coad i pentru deservire). 4. Utilizarea sistemului. Introducerea parametrilor:

Introducerea datelor:

Situaia final:

107

Probleme propuse
Problema 2 Rata sosirii clienilor la o agenie de bilete cu un singur ghieu este de 3 clieni pe minut i rata deservirii de 4 clieni pe minut. Calculai: 1. Utilizarea sistemului 2. Numrul mediu de clieni la coad 3. Numrul mediu de clieni n sistem 4. Timpul mediu de ateptare la coad 5. Timpul mediu petrecut n sistem 6. Probabilitatea ca n sistem s fie 0 clieni 7. Timpul mediu de ateptare pentru o sosire care nu este deservit imediat. Problema 3 Proprietarul unui magazin alimentar urmeaz s deschid o nou arip. El estimeaz pentru aceasta o rat a sosirilor de 1.2 clieni pe minut. Pentru aceast zon vor fi angajai 2 vnztori fiecare avnd o rat de deservire de 1 client pe minut. Calculai indicatorii de la exemplul anterior.

108

Probleme de aranjare (Facility layout)

Vor fi prezentate n continuare dou tipuri caracteristice de probleme din categoria problemelor de aranjare: 1. Amplasarea compartimentelor (departamental layout) 2. Echilibrarea liniilor de asamblare (assembly line balancing) Pentru o mai bun nelegere aceste tipuri de probleme vor fi prezentate prin intermediul unor exemple.

Amplasarea compartimentelor (departamental layout, functional layout)

Vom considera o instituie ale crei compartimente sunt dispuse ca n imaginea de mai jos. Exist n total 11 compartimente numerotate: 1, 2, 3,,9, A, B. Vom presupune c instituia se afl pe un singur nivel (are doar parter) i c podeaua instituiei este mprit n linii orizontale i verticale adic n rnduri i coloane ale cror intersecii formeaz ptrate, (celule de dimensiuni egale), similar unei table de ah. n cazul exemplului nostru exist 16 rnduri i 14 coloane.
Coloane 1 2 3 4 5 6 7 8 9 0 1 2 3 4 =========================== 1 1 1 1 1 1 2 3 3 3 3 3 3 3 1 1 1 1 1 1 2 3 3 8 8 8 8 8 8 8 3 3 8 8 3 3 3 3 3 3 3 8 8 5 5 4 4 4 4 4 8 8 5 5 4 4 8 8 6 6 4 4 8 8 6 6 4 4 8 8 7 7 4 4 8 8 7 7 4 4 4 4 4 8 8 A A A A B B B 8 8 8 8 8 8 8 A A B B 9 9 9 9 9 9 9 A A B B 9 9 A A B B 9 9 A A B B 9 9 9 9 9 9 9 A A A A B B B

Rnduri

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Dimensiunile celor 11 compartimente pot fi deduse din figura de mai sus. De exemplu, amplasamentul compartimentului 9 ine de la rndul 13 coloana 1, la rndul 16 coloana 7 inclusiv. Amplasamentul compartimentului 5 acoper o suprafa cuprins ntre rndul 5 coloana 8 i rndul 6 coloana 9 care ntr-o alt exprimare poate fi scris ca (5,8)-(6,9) . Managerul instituiei dorete s schimbe modul de amplasare al compartimentelor (prezentate mai sus) astfel nct activitatea instituiei s fie ct mai eficient. Schimbarea modului de aranjare a compartimentelor trebuie s in seam de urmtoarele reguli:

109

suprafaa total a instituiei nu se poate modifica; un compartiment nu poate fi mprit n mai multe pri disparate. Amplasamentul su trebuie s cuprind un lot compact de celule. Ceea ce poate fi modificat este:

modul cum sunt amplasate compartimentele unul fa de cellalt; forma diferitelor compartimente.

Pentru a amplasa ct mai eficient compartimentele este nevoie s cunoatem fluxurile sau gradul de interaciune dintre compartimente (fluxuri de materiale, de persoane, de documente). n mod logic, compartimentele ntre care exist o interaciune (un flux) mai mare ar trebui amplasate mai aproape unele de altele dect cele ntre care interaciunea (fluxul) este mai redus. De exemplu dac instituia este o fabric vom amplasa seciile fabricii astfel nct s minimizm suma tuturor produselor dintre distana de la secia i la secia j (dij) i cantitatea care reprezint fluxul de la secia i la secia j (cij): Min

dij x cij i,j=1,n

Aceste produse dintre cantitate i distan se mai numesc i distane parcurse cu ncrctura. Cuantificrile fluxurilor (interaciunilor) dintre compartimente pentru exemplul nostru reprezint de asemenea (ca i amplasarea iniial) date de intrare pentru model i sunt prezentate n tabelul de mai jos:
La: 1 100 10 10 10 15 2 40 30 20 3 40 30 40 4 20 100 30 50 80 10 5 30 10 70 6 5 80 40 40 30 20 7 20 90 8 10 40 30 30 10 9 50 90 50 A 30 10 60 40 55 B 150 20 -

De la: 1 2 3 4 5 6 7 8 9 A B

Rezolvarea problemelor utiliznd un produs software specializat

Problema enunat poate fi rezolvat pe calculator, cu ajutorul produselor software specializate. Iat felul n care se pot introduce datele de intrare dac va fi utilizat pachetul de programe QSB: Parametrii problemei:

110

Introducerea datelor:

Se poate observa c poziia iniial a fiecrui compartiment este dat de rndul i coloana (poziia) colurilor opuse de pe diagonala principal. De exemplu compartimentul 1 ine de la (1,1) (rndul 1, coloana 1) la (2,6) (rndul 2, coloana 6). Este de reinut faptul c pachetul de programe QSB cere folosirea parantezelor rotunde ( ) pentru introducerea poziiilor amplasamentului iniial, i nu a parantezelor ptrate []. Remarcm c n rezolvarea acestei probleme este necesar s stabilim modalitatea de calcul a distanei dintre dou locaii. Dac (xi,yi) i (xj,yj) reprezint coordonatele a dou locaii: i i j atunci distana dintre ele poate fi calculat folosind modelul: rectiliniar, ceea ce presupune calculul distanei dintre i i j ca: o |xi-xj|+|yi-yj| Euclidian, ceea ce presupune calculul distanei dintre i i j ca: o [(xi-xj)2 + (yi-yj)2]0.5 ptrat Euclidian, ceea ce presupune calculul distanei dintre i i j ca: o (xi-xj)2 + (yi-yj)2

111

Modelul rectiliniar este folosit mai ales atunci cnd studiem modul de aranjare a seciilor fabricilor, a oraelor americane, etc. n general atunci cnd aranjarea se face dup o gril de dreptunghiuri. Din acest motiv modelul de msurare a distanei se mai numete sistemul de msurare Manhattan. Modelul Euclidian se folosete acolo unde se poate trasa o linie dreapt, la fel ca i modelul ptratic Euclidian, numai c acesta din urm realizeaz i o descurajare a distanelor foarte mari (ridicarea la ptrat a unor numere mari, care reprezint distane, are ca rezultat numere i mai mari care fac parte din funcia obiectiv pe care dorim s o minimizm). Rezultatul obinut prin rularea pachetului de programe QSB, folosind modelul rectiliniar de msurare a distanei dintre secii, este prezentat mai jos. Menionm c s-a ales ca opiune de rezolvare a problemei schimbarea simultan a amplasrii a dou compartimente (secii).

Dup fixarea opiunilor i apsarea butonului <OK> calculatorul caut o aranjare mai bun schimbnd poziia a dou departamente. Se ncearc toate variantele posibile i se alege acea variant care mbuntete cel mai mult funcia obiectiv prin schimbarea poziiei a dou compartimente.

Soluia final:

112

Noul amplasament al compartimentelor propus de program este prezentat mai jos:

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 1 1 3 8 8 8 8 8 8 8 8 8 8 8 8 8 8 2 1 3 8 5 1 3 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8 3 1 3 8 4 1 3 8 6 1 3 9 9 9 9 9 9 9 9 9 9 9 9 9 9 7 1 3 9 9 9 9 9 9 9 9 9 9 9 9 9 9 8 1 3 2 3 5 5 6 6 7 7 4 4 4 4 4 4 9 1 3 2 3 5 5 6 6 7 7 4 1 2 3 4 1 1 3 3 3 3 3 3 3 3 3 3 A A A A A A A A A A A A A A A A 4 B B B 4 B B 4 B B 4 B B 4 B B 4 4 4 B B B 0 1 3 3 3 4 4 4 4 4 4 4

Cu un cost de 10189 acest nou aranjament al compartimentelor mbuntete considerabil costul, care iniial avea o valoare de 14147.5. Acest cost de 10189 se obine n condiiile n care se utilizeaz modelul rectiliniar de calcul a distanei dintre compartimente i fiecare compartiment se consider a fi amplasat n centrul ei. Astfel, compartimentul 1 are centrul pe linia 1 ) deoarece el este amplasat n ntregime n linia 1) i pe coloana 6.5 (deoarece secia se ntinde de la coloana 1 la coloana 12

113

inclusiv). Se alege coloana 6.5 deoarece se consider c aceast coloan are 6 coloane n stnga i 6 coloane n dreapta. Tabelul de mai jos prezint centrul calculat pentru fiecare din compartimentele prezentate n exemplul nostru.

O soluie mai bun a problemei putem obine alegnd alt opiune iniial, cum ar fi: schimbarea a 3 compartimente schimbarea a 2 i apoi a 3 compartimente schimbarea a 3 i apoi a 2 compartimente Pentru exemplul nostru, aa cum se vede n imaginea de mai jos, opiunea Schimbarea a 3 i apoi a 2 compartimente conduce la o soluie mbuntit a problemei.

114

n ambele amplasamente prezentate mai sus compartimentul 1 este amplasat de-a lungul primului rnd. n cazul n care considerm din anumite motive c ar fi mai potrivit amplasamentul iniial al compartimentului, pe primele 2 rnduri avem posibilitatea s stabilim c poziia acestui compartiment este fix i dac folosim opiunea de mbuntire a soluiei prin schimbarea a 3 i apoi a 2 compartimente vom obine:

Echilibrarea liniilor de producie (Assembly line balancing)

n problemele de echilibrare a liniilor de producie (de asamblare) ne propunem s reunim operaiile individuale (tasks) n grupuri de operaii executate la un punct de lucru (workstations) astfel nct aceste puncte de lucru s funcioneze ct mai puin n gol (s fie ct mai puin timp n lips de lucrri). Pentru a ilustra acest tip de problem, vom considera o firm de confecii care dorete s-i optimizeze producia unui anumit tip de costum. Linia de asamblare pentru producerea acestui costum presupune realizarea a 10 operaii individuale, durata fiecrei operaii i operaia imediat urmtoare sunt prezentate n tabelul de mai jos:

115

Operaia elementar 1 2 3 4 5 6 7 8 9 10

Durata (secunde) 40 30 50 40 6 25 15 20 18 30

Operaia care urmeaz 2,3 4,5 6,7 8 8 9 9 10 10 -

Se observ c operaiile 2 i 3 nu pot ncepe pn nu se termin executarea operaiei 1, operaiile 4 i 5 nu pot ncepe pn nu se termin executarea operaiei 2 .a. Reprezentarea grafic a acestui proces de producie sub form de diagram este:

n imaginea de mai jos este prezentat o posibil grupare a operaiilor n 3 puncte de lucru (PL1, PL2, PL3). Considerm c operaiile care sunt executate la acelai punct de lucru sunt executate succesiv (una dup cealalt), de ctre un singur muncitor i c activitatea se desfoar n acelai timp la toate punctele de lucru.

116

Gruparea operaiilor n puncte de lucru prezentat mai sus, face ca durata operaiilor executate la punctul de lucru PL1 s fie de 120 secunde, la punctul de lucru PL2 s fie 66 secunde iar la punctul de lucru PL3 s fie 88 secunde. La un anumit moment, de la punctul de lucru PL1 se transfer materialul prelucrat la punctul de lucru PL2, de la acesta la punctul de lucru PL3 iar apoi se trece materialul prelucrat la o alt faz a procesului de producie. Aceast modalitate de transfer a materialului prelucrat de la un punct de lucru la altul presupune ca transferul s aib loc numai n momentul n care n cadrul fiecrui punct de lucru au fost executate toate operaiile individuale. Ea (aceast modalitate) are avantajul c nu necesit existena unor puncte intermediare de depozitare i c prelucrarea ncepe imediat ce materialul a fost transferat, punctul de lucru fiind liber. n cele mai multe cazuri punctele de lucru sunt amplasate unul lng cellalt, deci nu se mai pierde timp suplimentar cu transportul. Modalitatea descris mai sus poart numele de proces n pai, adic sistemul avanseaz cu viteza celui mai ncet punct de lucru. Deoarece soluia de grupare a operaiilor n puncte de lucru respect toate condiiile tehnologice precizate n enun putem spune c am stabilit o variant de linie de asamblare cu 3 puncte de lucru, viteza liniei de asamblare fiind de 120 de secunde. Problema care se pune este aceea de a echilibra aceast linie de asamblare n sensul de a afla care este cea mai bun grupare a operaiilor n staii de lucru astfel nct s obinem o anumit vitez a sistemului (s se produc un numr de uniti ntr-o perioad dat de timp). Presupunnd c dorim s producem 60 de uniti de produs pe or, vom avea nevoie practic s producem o unitate de produs la fiecare 60 (3600/60) de secunde.

117

Avnd n vedere c o linie de asamblare este alctuit din puncte de lucru nseamn c la fiecare 60 de secunde trebuie s se produc schimbarea materialului prelucrat ntre punctele de lucru. Timpul total de prelucrare este de 40+30++18+30=274, ceea ce presupune c avem nevoie de cel puin 274/60=4.6, deci 5 puncte de lucru pentru a asigura ca o unitate de produs s fie prelucrat la fiecare 60 de secunde. Avnd ns n vedere constrngerile tehnologice legate de succesiunea operaiilor, nu exist nici un fel de garanie c cele 5 puncte de lucru vor asigura un flux de 60 de uniti pe or.

Rezolvarea problemelor utiliznd un produs software specializat

Problema echilibrrii liniei de asamblare poate fi rezolvat cu ajutorul produselor software specializate, furnizndu-se datele iniiale i datele de intrare conform dialogului i machetei matriciale de mai jos. Observm c avem posibilitatea s stabilim i anumite operaii izolate, adic operaii care pot fi executate oricnd n cadrul procesului, i care nu au predecesori sau succesori.

n continuare este prezentat soluia furnizat de pachetul de programe, utilizndu-se ca metod de gsire a soluiei "Optimizing Best Bud Search", aceasta asigurnd gsirea unei soluii cu un numr minim de puncte de lucru care s satisfac cerinele tehnologice de respectare a succesiunii operaiilor.

118

n continuare sunt prezentate sub form de diagram punctele de lucru i operaiile, aa cum rezult din soluia furnizat de calculator. Observm c ordinea de parcurgere a punctelor de lucru este: PL1, unde se execut operaia 1, apoi PL2, unde se execut operaia 3, apoi PL3, unde se execut operaiile 2 i 6, etc.

119

Pachetul de programe furnizeaz o soluie cu 6 puncte de lucru, fiecare avnd un disponibil de 60 de secunde pentru executare operaiilor repartizate lor. n total rezult un timp disponibil de 60*6=360 de secunde. Timpul necesar pentru executarea tuturor operaiilor este de 274 de secunde, deci rezult un timp de staionare de 360-274=86 secunde pentru un ciclu de producie. Astfel, rezult c (274/360)*100=76.11% din timpul total disponibil este folosit pentru producie, ceea ce mai este cunoscut sub numele de eficien a ciclului de producie i (86/360)*100=23.89% din timpul total disponibil este neutilizat, care mai este cunoscut sub numele de ntrziere a ciclului de producie. ntr-un proces ideal timpul neutilizat ar trebui s fie 0, deci la nici unul dintre punctele de lucru s nu existe timp neproductiv. Pentru a ne apropia ct mai mult de acest deziderat se pot ncerca mai multe variante de cicluri de timp n care s fie furnizat un anumit numr de uniti de produs. n continuare este prezentat soluia furnizat de calculator problemei noastre n condiiile n care se dorete producerea a 65 de uniti de produs pe or (un ciclu de producie de 55 de secunde).

120

121

Amplasarea facilitilor (punctelor de deservire) (Facility location)

La modul general, problema facilitilor (punctelor de deservire) se enun astfel: dndu-se un numr de faciliti i un numr de clieni care folosesc aceste faciliti, care dintre aceste faciliti vor fi folosite i ce clieni vor fi deservii de fiecare dintre ele astfel nct s se minimizeze costul deservirii tuturor clienilor. Vom considera c facilitile (punctele de deservire) sunt fie deschise (deservesc un client), fie nchise i exist un cost fix care este implicat de deschiderea unui punct de deservire. Ceea ce trebuie stabilit este care dintre punctele de deservire s fie deschise i care dintre ele nchise. n continuare poate fi vzut o reprezentare grafic a problemei:

O posibil soluie este prezentat mai jos:

122

Ali factori care influeneaz acest proces mai sunt: clienii au asociat un anumit nivel al cererii iar punctele de deservire au asociat o anumit capacitate limit de deservire; clienii pot fi deservii de la unul sau mai multe puncte de deservire.

Problemele dimensionrii punctelor de deservire i ale amplasrii acestora sunt strns legate ntre ele i vor fi abordate simultan. De fapt programul prezentat aici disociaz din motive de simplificare cele dou probleme i se ocup numai de amplasarea facilitilor. Exemplu Vom ilustra problema amplasrii punctelor de deservire prin intermediul urmtorului exemplu: Terminalul unui aeroport are 10 pori (notate de la A la J). O reprezentare grafic a terminalului precum i coordonatele amplasamentului porilor sunt prezentate n continuare:

123

Poarta coordonata x coordonata y ===================================== A 0 2 B 2 4 C 5 6 D 5 10 E 7 15 F 10 15 G 12 10 H 12 6 I 15 4 J 20 2

Bagajele de la zborurile care sosesc pe aeroport sunt descrcate la porile de sosire i sunt transportate de aici la un punct general de predare a bagajelor. Se estimeaz c numrul de uniti de bagaje care sosesc la fiecare din pori ntr-o zi este de: 3600, 2500, 1800, 2200, 1000, 4500, 5600, 1400, 1800 i respectiv 3000. Unde ar trebui amplasat punctul general de predare a bagajelor astfel nct s se minimizeze fluxul bagajelor transportate? Soluie Pentru a poziiona punctul general de predare a bagajelor trebuie s inem seama de cantitatea de bagaje care trebuie transportat de la fiecare poart la punctul de predare. n mod logic o poart la care sosete un numr mai mare de bagaje ar trebui s fie mai aproape de punctul de predare a bagajelor dect una la care sosesc mai puine bagaje. Altfel spus, vom amplasa punctul de predare a bagajelor astfel

124

nct s minimizm suma tuturor produselor dintre distana de la fiecare poart la punctul de predare a bagajelor(di) i numrul bagajelor de la fiecare poart (ci). Min

di x ci i=1,n

Rezolvarea problemelor utiliznd un produs software specializat

Datele iniiale ale problemei enunate anterior care vor fi furnizate pachetului de programe sunt:

Terminologia utilizat n cadrul pachetului are urmtoarea semnificaie: existing facilities se refer la acele puncte care sunt deja fixate n spaiu i ale cror coordonate le cunoatem new facilities se refer la acele faciliti ale cror poziii n spaiu dorim s le determinm cu ajutorul pachetului de programe.

Pentru a introduce datele despre porile de sosire, putem ignora n ecranul de introducere a datelor coloanele care se refer la fluxurile dintre facilitile existente, deoarece, n cazul nostru, toate fluxurile sunt ntre fiecare din porile de sosire i punctul de predare a bagajelor.

125

De remarcat c n rezolvarea acestei probleme este necesar s stabilim modalitatea de calcul a distanei dintre dou locaii. Noi nu cunoatem la momentul iniial amplasarea punctului de predare a bagajelor, deci nici distana dintre el i fiecare poart de sosire. n mod similar cu problema Functional Layout (prezentat anterior), dac (xi,yi) i (xj,yj) reprezint coordonatele a dou locaii: i i j atunci distana dintre ele poate fi calculat folosind modelul: rectiliniar, ceea ce presupune calculul distanei dintre i i j ca: o |xi-xj|+|yi-yj| Euclidian, ceea ce presupune calculul distanei dintre i i j ca: o [(xi-xj)2 + (yi-yj)2]0.5 ptratic Euclidian, ceea ce presupune calculul distanei dintre i i j ca: o (xi-xj)2 + (yi-yj)2

Rezultatele obinute prin rularea pachetului de programe QSB, folosind fiecare din modelele de msurare a distanelor prezentate anterior sunt. Modelul rectiliniar

126

Modelul Euclidian

Modelul ptratic Euclidian

Aa cum vedem din soluia furnizat de pachetul de programe, coordonatele la care ar trebui amplasat punctul general de predare a bagajelor sunt diferite n funcie de modelul folosit pentru msurarea distanelor, astfel: Modelul Rectiliniar Euclidian Ptratic Euclidian coordonata x 10 10.12 9.05 coordonata y 6 8.98 7.67

Acelai lucru este reprezentat grafic n imaginea de mai jos, folosindu-se notaiile R,E i S pentru cele trei modele de msurare a distanei: rectiliniar, Euclidian, ptratic Euclidian.

127

De remarcat c alegerea iniial a punctului de amplasare a facilitii este cel mai frecvent ntre soluia dat de modelul rectiliniar i cel Euclidian (innd cont de modul n care se desfoar fluxul bagajelor ntre pori i punctul de predare a bagajelor). Dac bagajele circul n linie dreapt, atunci este de preferat soluia obinut cu modelul ptratic Euclidian deoarece acesta descurajeaz distanele foarte mari. De remarcat c nu ne propunem s determinm o poziie exact pn la nivel de milimetri ci folosim pachetul de programe pentru a determina o regiune n care s fie amplasat punctul de predare a bagajelor, costurile fiind aproximativ egale pentru acea regiune. Pachetul de programe folosete i el o serie de aproximaii n cadrul algoritmului de calcul.. O extensie a acestei probleme rezolvabil tot cu ajutorul pachetului de programe QSB este aceea de a amplasa mai multe puncte de predare a bagajelor i de a stabili pentru fiecare dintre porile de sosire la ce punct de predare se vor transporta bagajele ei.

128

Elemente de analiz statistic. Programul SPSS

nainte de a demara prezentarea programului SPSS i a principalelor aplicaii ale acestuia sunt necesare clarificarea unei terminologii statistice cu care se va opera i nelegerea unor elemente fundamentale de statistic care vor include: caracteristicile statistice, variabile i scale de msurare, mrimile medii, indicatorii variaiei i asimetriei, valorile medii de poziie i de structur, scorurile standard, curba normal, ipotezele statistice i coeficientul de corelaie.

Caracteristicile statistice, variabile i scale de msurare

Caracteristicile statistice reprezint nsuirile fenomenelor studiate. Astfel putem deosebi caracteristici variabile ca form de manifestare sau ca nivel de dezvoltare. Caracteristicile statistice pot fi clasificate dup: coninutul caracteristicii: de timp, de spaiu sau atributive; natura variaiei: cu variaie continu, discontinu; modul de obinere: primare, derivate; forma de manifestare: alternative, nealternative. Caracteristicile statistice care pot avea mai mult dect o singur valoare cu care variaz n funcie de o serie de factori se mai numesc i variabile statistice iar formele de manifestare ale acestor caracteristici se numesc variante. Variabilele pot fi: dependente dac sunt spuse influenei altor variabile; independente dac sunt variabile ce influeneaz alte variabile; continue dac au un numr infinit al nivelurilor de msurare; discrete dac au un numr finit al nivelurilor de msurare. Dac variabila se refer la caracterstica supus msurrii, scalele de msurare se refer la modalitatea de msurare. Programul SPSS utilizeaz urmtoarele scale de msurare: Scal valorile numerice ale datelor se reprezint pe un interval sau printr-un raport. Exemplu: vrsta, venitul, temperatura, lungimea, timpul de rspuns. Variabilele reprezentate i msurate pe scal trebuie s aib valori numerice. Nominale se utilizeaz atunci cnd valorile datelor unei variabile reprezint valori de ordin neintrinsec n funcie de existena sau inexistena unei caracteristici. Exemplu: apartenena la o anumit categorie de funcii de ncadrare sau sexul: 1 masculin, 2 feminin. Ordinale (de ordin sau de rang) se folosesc atunci cnd valorile datelor reprezint categorii de ordin intrinsec care pot fi puse ntr-o anumit ordine de msurare. Exemplu nivelul de pregtire: sczut, mediu, nalt. Chiar dac o variabil (caracteristic) poate fi msurat pe oricare dintre tipurile de scale prezentate este foarte important n prelucrrile statistice ca pentru ea s fie aleas scala cea mai potrivit.

129

Mrimile medii, indicatorii variaiei i asimetriei

Mrimile medii n analiza statistic se utilizeaz foarte frecvent mrimile medii deoarece pe baza lor se poate exprima ntr-o anumit msur tendina unor fenomene. Aceste mrimi fac parte din cadrul indicatorilor derivai i au un caracter abstract. Pentru a determina valoarea tendinei centrale a unei serii statistice se utilizeaz: media aritmetic, media armonic, media ptratic i media geometric. Toate aceste medii se pot calcula ca medii simple sau ca medii ponderate.

Media aritmetic
Formula matematic de exprimare a mediei aritmetice simple este:

xi
X=
i=1

unde: X este media aritmetic simpl; xi reprezint termenii individuali ai seriei (x1, x2, xn) iar suma acestora este: x1 + x2 + + xn = n

xi
i=1

reprezint numrul de termeni pentru care se calculeaz media.

n urmtorul exemplu sunt prezentate notele obinute la teste i la interviu de ctre 5 studeni care s-au prezentat pentru promovarea unui examen: Nume studeni Student 1 Student 2 Student 3 Student 4 Student 5 Note la testul 1 10 7 7 9 10 X = 43/5 = 8,60 Note la testul 2 9 7 8 9 9 X = 42/5 = 8,40 Note la interviu 8 8 9 8 7 X = 40/5 = 8,00

n ultima linie a tabelului s-au calculat mediile aritmetice simple pentru teste i interviu. Mrimile medii ponderate se pot calcula atunci cnd fiecrei variante a unei caracteristici i se poate ataa o frecven.

130

Formula de calcul a mediei aritmetice ponderate este:

m

xifi
Xp =
i=1

unde:
Xp

fi
i=1

xi fi

este media aritmetic ponderat; reprezint termenii variantelor (x1, x2, xn); reprezint frecvena sau ponderea fiecrei variante; reprezint numrul variantelor pentru care se calculeaz media.

Dac vom organiza datele astfel nct s evideniem frecvenele pentru notele obinute n dou variante (varianta 1 corespunztoare intervalului de note cuprinse ntre 9 i 10 i varianta 2 pentru intervalul de note cuprinse ntre 7 i 8) atunci termenii variantelor vor trebui calculai ca fiind mijlocul fiecrui interval. n acest caz vom obine urmtorul tabel: Variante 9 - 10 7-8 Media ponderat Mijlocul de interval (xi) 9,5 7,5 Frecven note test 1 (fi)1 3 2 Xp = 8,7 Frecven note test 2 (fi)2 3 2 Xp = 8,7 Frecven note interviu (fi)3 1 4 Xp = 7,9

O alt aplicaie a mediei ponderate este atunci cnd se utilizeaz ponderi (coeficieni de importan) pentru termenii individuali ai seriei sau pentru intervale. Pentru exemplificare vom presupune c se dorete ca notele obinute la proba interviu s fie ponderate astfel: Nota 10 9 8 7 6 Pondere 0,4 0,3 0,2 0,1 0

Dac se lucreaz cu ponderi subunitare, atunci ntotdeauna suma ponderilor acordate trebuie s fie 1. n cazul utilizrii valorilor procentuale, suma ponderilor va trebui s fie 100. Revenind la primul tabel, conform ponderilor dorite vom avea: Note interviu 8 8 9 8 7 Xp = 7,5 Ponderi 0,2 0,2 0,3 0,2 0,1 -

131

Media armonic
Media armonic a termenilor unei serii se definete ca fiind acea valoare a crei mrime invers este media aritmetic rezultat din valorile inverse ale termenilor aceleiai serii. Dac x1, x2, xn reprezint termenii seriei, atunci valorile lor inverse vor fi: 1 , 1 ,, 1 . x1 x2 xn Formula de calcul a mediei armonice simple este:
Xa =

unde:
Xa

1/ xi
i=1

xi

este media armonic simpl; reprezint termenii individuali ai seriei (x1, x2, xn); reprezint numrul de termeni pentru care se calculeaz media.

Pentru exemplul anterior mediile armonice calculate vor fi: Nume studeni Student 1 Student 2 Student 3 Student 4 Student 5 Note la testul 1 10 7 7 9 10 Xa = 8,38 Note la testul 2 9 7 8 9 9 Xa = 8,32 Note la interviu 8 8 9 8 7 Xa = 7,95

n tabel se observ c valorile mediilor armonice calculate sunt mai mici dect cele ale mediilor aritmetice. n acest sens trebuie cunoscut faptul c, ntotdeauna dac valorile termenilor sunt pozitive atunci valorile mediilor armonice calculate vor fi mai mici dect cele ale mediilor aritmetice. Expresia mediei armonice ponderat este:

fi
Xap = m
i=1

unde:
Xap

fi/xi
i=1

xi fi

este media armonic ponderat; reprezint termenii variantelor (x1, x2, xn); reprezint frecvena sau ponderea fiecrei variante; reprezint numrul variantelor pentru care se calculeaz media.

132

Media ptratic
Media ptratic se obine n mod similar cu media aritmetic dar cu deosebirea c valorile termenilor seriei se ridic la ptrat, iar apoi se extrage radicalul de ordinul 2 din suma acestora raportat la numrul de termeni pentru care se calculeaz.

xi2
x12 + x22+ + xn2 =
i=1

Formulele de calcul ale mediei ptratice simple ( Xpa ) i ale mediei ptratice ponderate ( Xpap ) sunt:

Xpa =

x
i =1

Xpap =

x f
2 i =1 m i

f
i =1

unde:
Xpa Xpap

xi fi
n

este media ptratic simpl; este media ptratic ponderat; reprezint termenii seriei sau ai variantelor (x1, x2, xn); reprezint frecvenele sau ponderile variantelor; reprezint numrul variantelor pentru care se calculeaz media; reprezint numrul de termeni pentru care se calculeaz media.

Pentru exemplul prezentat mediile ptratice calculate vor fi: Nume studeni Student 1 Student 2 Student 3 Student 4 Student 5 Note la testul 1 10 7 7 9 10 Xpa = 8,70 Note la testul 2 9 7 8 9 9 Xpa = 8,43 Note la interviu 8 8 9 8 7 Xpa = 8,02

Este de reinut faptul c ntotdeauna media ptratic este mai mare dect media aritmetic, indiferent de semnul termenilor. Cu ct valorile termenilor sunt mai mari cu att ei vor influena mai mult valoarea mediei ptratice. Din acest motiv media ptratic se va folosi atunci cnd se dorete s se acorde o importan mai mare nivelurilor mai ridicate ale termenilor seriei.

133

Media geometric
Media geometric se calculeaz ca radical de ordinul n din produsul celor n termeni ai seriei.

x1.x2.xn =

x
i =1

Expresiile mediei geometrice simple ( Xg ) i ale mediei geometrice ponderate ( Xgp ) sunt:

Xg =

x
i =1

Xgp =

i =1

fi

xif
i =1

unde:
Xg Xgp

xi

este media geometric simpl; este media geometric ponderat; reprezint termenii seriei sau ai variantelor (x1, x2, xn);
i

x
i =1

este produsul termenilor seriei; reprezint frecvenele sau ponderile variantelor; reprezint numrul variantelor pentru care se calculeaz media; reprezint numrul de termeni pentru care se calculeaz media.

m n

fi

Este evident c prin proceduri manuale calculul mediei geometrice este foarte laborios. Pentru a putea fi calculat media geometric este necesar ca toi termenii seriei s fie pozitivi i mai mari dect 0. Este de reinut faptul c ntotdeauna media geometric va fi mai mic dect media aritmetic. Relaia ntre mediile prezentate este:
Xa < Xg < X < Xpa

134

Valorile medii de poziie i de structur Cele mai frecvent utilizate valori medii de poziie i de structur sunt mediana, modulul, cuartilele i decilele.

Mediana
Mediana (Me) reprezint valoarea central a unei serii statistice care mparte termenii unei seriei n dou pri egale. Jumtatea inferioar va conine termenii ale cror valori sunt mai mici dect valoarea medianei iar jumtatea superioar va conine termenii care au o valori mai mari dect valoarea medianei. Locul medianei (LMe) ntr-o serie de n termeni este: LMe =

n +1 2

Locul medianei (LMef) ntr-o serie de distribuie de frecvene n care n = este:

m Lmef = i =1

fi
i=1

f i +1
2

Intervalul median va fi considerat acela n care frecvenele cumulate depesc locul medianei n serie.

Formula de calcul a medianei ntr-o serie de distribuie de frecvene este:

Lmef

Me = x0 + d

fp

fm

unde: Me este mediana; x0 este limita inferioar a intervalului median; d reprezint mrimea intervalului median; Lmef reprezint locul medianei; este frecvena intervalului median; fm este frecvena intervalului precedent celui median. fp

Pentru o bun nelegere a semnificaiei i calcului medianei vom considera urmtorul exemplu care prezint rezultatele n puncte obinute de 9 studeni la un test.
Nume studeni Student 1 Student 2 Student 3 Student 4 Student 5 Student 6 Student 7 Student 8 Student 9 Puncte obinute 230 310 250 310 150 180 80 350 220

135

Se dorete organizarea datelor ntr-un alt tabel care s evidenieze frecvenele pentru urmtoarele intervale de puncte obinute de studeni: < 100, ntre 100 i 200, ntre 200 i 300, > 300. Pentru aceasta vom realiza urmtorul tabel n care vor fi nscrise i frecvenele cumulate:
Grupe de puncte obinute < 100 100 - 200 200 - 300 > 300 Total Numr de studeni (fi) 1 2 3 3 fi = 9 Frecvene cumulate

1 3 6 9

Locul medianei (LMef) va fi: m Lmef = i =1

= (9 + 1) / 2 = 5 rezult c intervalul medianei este 200 300 2 deoarece aici frecvenele cumulate depesc locul medianei n serie. Mediana (Me) va fi cuprins ntre 200 i 300 adic: 200 < Me < 300. Deci limita inferioar a intervalului median (x0) este 200. Mrimea intervalului median (d) este 100. Din tabel se observ c suma cumulat a frecvenelor precedente intervalului median (fp) este 3. De asemenea frecvena intervalului median (fm) este tot 3. Conform formulei de calcul a medianei avem: Me = x0 + d
Lmef

f i +1

fp

fm

= 200 + 100

5-3 3

= 266 puncte

136

Modulul
Modulul (Mo) reprezint valoarea termenului dintr-o serie care are frecvena maxim.

Revenind la exemplul anterior n care se prezint rezultatele n puncte obinute de 9 studeni la un test observm c doi studeni (studentul 2 i studentul 4) au obinut 310 puncte. Deci frecvena maxim este 2 i ea corespunde termenului 310, ceea ce nseamn c Mo = 310 puncte. Pentru acest exemplu media aritmetic este 231,11. Dac vom sorta tabelul dup punctele obinute vom observa c mediana Me = 230:
Nume studeni Student 7 Student 5 Student 6 Student 9 Student 1 Student 3 Student 2 Student 4 Student 8 Puncte obinute 80 150 180 220 230 250 310 310 350

Modulul poate fi calculat de asemenea i pentru o serie de intervale de distribuie de frecvene. n acest caz intervalul modal este intervalul corespondent intervalului corespondent celei mai mari frecvene. Pentru analize se va folosi media aritmetic ponderat. Deoarece ntr-o serie de distribuie de frecvene pot exista mai multe intervale corespunztoare frecvenei maxime rezult deci c pot exista mai multe module i mai multe intervale modale. n aceste cazuri seria este plurimodal. Formula de calcul a modulului ntr-o serie de intervale este: unde: Mo este modulul; reprezint limita inferioar a intervalului modal; x0 d reprezint mrimea intervalului modal; 1 = fm fm-1; 2 = fm fm+1; este frecvena intervalului modal; fm este frecvena intervalului precedent celui modal; fm-1 fm+1 este frecvena intervalului urmtor celui modal.

Mo = x0 + d

1 1 + 2

Pentru exemplificare vom considera c ntr-o companie exist urmtoarea distribuie de frecvene a veniturilor angajailor:

137

Venit ($)

0 - 500 500 - 1000 1000 - 1500 1500 - 2000 2000 - 2500 2500 - 3000 3000 - 3500

Mijlocul de interval (xi) 250 750 1250 1750 2250 2750 3250

Numr angajai (fi) 3 5 6 4 4 2 1

Se observ c frecvena cea mai mare (fm) este 6 i corespunztor acesteia intervalul modal este cel cuprins ntre 1000$ i 1500$. Deci fm-1 = 5 iar fm+1 = 4. Limita inferioar a intervalului modal (x0) este 1000$ iar d = 1500 1000 = 500. 6-5 Mo = 1000 + 500 (6 5) + (6 4) Pentru analize se recomand i calculul mediei aritmetice ponderate: (m = numrul de intervale = 7) = 1167$

xifi
Xp =
i=1

= (250x3 + 750x5 + + 3250x1) / 2 = 36750 / 25 = 1470$

fi
i=1

Deoarece valoarea modulului este mai mic dect valoarea mediei rezult concluzia c n exemplul prezentat frecvenele termenilor mai mici sunt mai numeroase dect frecvenele termenilor mai mari. n cazul unei distribuii perfect simetrice media, mediana i modulul au valori egale. Mediana poate fi utilizat pe scale ordinale i pe scale de interval (scale n SPSS). Modulul poate fi utilizat pentru orice tip de scal dar este singurul indicator pentru scala nominal.

138

Cuartile, decile, percentile

Pentru seriile cu asimetrie mare i care au o amplitudine mare a variaiei se calculeaz i ali indicatori de poziie cum sunt: quartilele, decilele, centilele i percentilele. Quartilele sunt acele valori ale termenilor care separ seria n patru pri egale. Deosebim astfel quartila inferioar (Q1) care delimiteaz sfertul inferior (25%) al termenilor, quartila a doua (medie) (Q2) care este egal cu mediana deoarece mparte termenii n dou pri egale (50%) i quartila superioar (Q3) care delimiteaz sfertul superior (75%). n mod similar decilele mpart seria n 10 pri egale iar centilele n 100 de pri egale. Rezult c vor exista 9 decile i 99 centile. Pentru exemplificare vom considera urmtorul tabel care prezint punctele obinute de studeni la un test, transformate n note:
Nume studeni Student 1 Student 2 Student 3 Student 4 Student 5 Student 6 Student 7 Student 8 Student 9 Puncte obinute 230 310 250 310 150 180 80 350 220 Nota 8 10 9 10 7 7 6 10 8

Pe baza acestui tabel vom realiza tabelul sintetic al frecvenelor:

Nota Frecvena Absolut Relativ absolut cumulat relativ cumulat (fi) (fc) (fr=fi/9) (frc) 1 1 0,11 0.11 2 3 0,22 0.33 2 5 0,22 0,55 1 6 0,11 0,66 3 9 0,34 1 9 1

6 7 8 9 10 Total

Frecvena relativ cumulat procentual (adic nmulit cu 100) se numete rang percentil. Percentilele reprezint valoarea dintr-o distribuie care corespunde unui anumit rang percentil. Quartilele sunt percentilele corespunztoare rangurilor percentile 25%, 50% i 75%. Astfel n exemplul prezentat pentru nota 8 corespunde rangul percentil 55% ceea ce nseamn c 55% dintre studeni au obinut la test o not mai mic sau egal cu 8. Putem spune i c rangului percentil 55% i corespunde percentila 8.

139

Indicatorii variaiei i asimetriei

Indicatorii simpli ai variaiei

Amplitudinea absolut a variaiei (R de la Range) se calculeaz ca diferen ntre nivelul maxim (xmax) i nivelul minim (xmin) al caracteristicii:

R = xmax - xmin
Amplitudinea relativ a variaiei (R%) se calculeaz ca raport ntre amplitudinea absolut a variaiei i nivelul mediu al variaiei:

R% = 100 (R / X )
Abaterile individuale absolute (d de la deviation) se calculeaz ca diferene ntre fiecare variant nregistrat i media aritmetic a acestora.

di = xi - X

Este evident c ntotdeauna suma abaterilor absolute este nul: ( xi - X ) = 0. n procedurile statistice se recomand calcularea acestei sume n modul: | xi - X |.

Abaterile individuale relative (d%) se calculeaz ca raport ntre abaterile absolute la nivelul mediu al caracteristicii:

di % = 100 (di / xi)

Abaterea quartil (RQ) se calculeaz ca diferen ntre quartila 3 i quartila

1: RQ = Q3 Q1
Abaterea semi-interquartil are urmtoarea expresie:

RSQ = (Q3 Q1) / 2

140

Indicatorii sintetici ai variaiei

Indicatorii sintetici ai variaiei (mprtierii) sunt: abaterea medie liniar, abaterea medie ptratic, dispersia i coeficientul de variaie.
Abaterea medie liniar (dm) se calculeaz ca o medie aritmetic a termenilor seriei de la media lor.

dm = (| xi - X |) / n
Abaterea standard (s) se calculeaz ca o medie ptratic din abaterile tuturor variantelor seriei de la media lor aritmetic:

s=

( xi x ) 2
i =1

Coeficientul de variaie (cv) se calculeaz ca raport ntre abaterea medie ptratic i nivelul mediu al seriei:

cv = s / X
Dispersia (variana s2) se calculeaz ca o medie aritmetic a ptratelor abaterilor termenilor fa de media lor

s2 =

( xi x ) 2
i =1

S-a demonstrat c valorile pentru abaterea standard i pentru dispersie calculate dup formulele de mai sus pentru un eantion conin o imprecizie (bias). Cu ct eantionul este mai mic cu att dispersia va fi influenat mai mult de valoarea de la numitor. Se poate introduce astfel o corecie n 1 (la numitor). Adic n ambele formule n loc de n putem avea n 1. Valoarea n 1 de la numitor este denumit numrul gradelor de libertate.

141

Indicatori ai formei distribuiei

Forma grafic a unei distribuii normale poate avea fa de mediana (Me) o abatere de simetrie pe orizontal orientat ctre stnga (simetrie negativ) sau ctre dreapta acesteia (simetrie pozitiv). Atunci cnd pentru o distribuie Me = Mo = X spunem despre aceasta c este perfect simetric. Urmtorul grafic ilustreaz forma acestei distribuii n care: Me = Mo = X = 550

n funcie de distribuie pot fi obinute i altfel de grafice ale curbei, prea aplatizate sau prea nalte. Pentru a corecta aceste cazuri se utilizeaz indicele de boltire (kurtosis).

142

De asemenea, aa cum am specificat anterior putem ntlni dou forme de grafice cu simetrie negativ sau cu simetrie pozitiv:

Pentru corecta simetria negativ sau pozitiv se utilizeaz indicele de simetrie sau de oblicitate (skewness).
Indicele de boltire (kurtosis) se calculeaz n mod similar cu abaterea standard dar prin ridicarea la puterea a patra. El variaz n jurul valorii 0. Indicele de boltire cu valori pozitive indic o curb nalt iar cel cu valori negative o curb aplatizat. Indicele de simetrie sau de oblicitate (skewness) se calculeaz n mod similar cu abaterea standard dar prin ridicarea la puterea a treia. Pentru valoarea 0 el indic o simetrie perfect. Valorile pozitive sau negative indic o asimetrie stnga / dreapta mai mult sau mai puin pronunat. Valorile extreme ale unei distribuii pot fi foarte bine evideniate prin intermediul unui grafic numit Box and Whisker Plot sau pe scurt Box Plot, creat de Tukey. Graficul Box Plot se prezint sub forma unui dreptunghi care are baza n dreptul quartilei 25 i latura superioar n dreptul quartilei 75. Deci nlimea acestui dreptunghi cuprinde 50% din valorile distribuiei. Mediana este reprezentat prin intermediul unei linii ce apare n interiorul dreptunghiului.

Pentru exemplificare vom considera urmtoarea distribuie care conine punctele obinute la un test: 50, 60, 70, 80, 90, 100, 110, 120, 130, 140, 141, 142, 143, 144, 145 Se observ (evideniat cu caractere nclinate) aglomerarea mai multor valori n partea superioar a distribuiei (n intervalul 140 145). Iat n continuare graficul Box Plot corespunztor acestei distribuii, realizat cu SPSS:

143

Graficul Steam and Leaf Plot (tulpin i frunz) creat tot de ctre Tukey prezint de asemenea ntr-o form sugestiv explorarea unei distribuii scond n eviden frecvenele grupate. Iat n continuare graficul Steam and Leaf Plot corespunztor aceleiai distribuii i realizat cu SPSS:

Se observ c sunt evideniate toate cele 15 valori ale distribuiei dintre care 5 se afl sub 100 ele fiind 50, 60, 70, 80, 90 avnd corespondent n grafic linia a doua: (0 . 56789). De asemenea 10 valori sunt mai mari sau egale cu 100, dintre care 6 aparin domeniului 140. Aceste valori sunt evideniate n linia a treia: (1 . 0123444444).

144

Scoruri standard, curba normal, ipoteze statistice, coeficientul de corelaie

De multe ori n analiza statistic limitarea doar la valorile unei caracteristici, la indicatorii tendinei centrale sau la indicatorii variaiei nu ofer rspunsuri satisfctoare pentru cercettor. De exemplu dac vom cunoate doar nota obinut (sau numrul de puncte obinute) de un student la un test nu putem trage prea multe concluzii deoarece nu cunoatem forma distribuiei pe care se plaseaz n raport cu ceilali studeni participani la test (mai aplatizat sau nu, deplasat spre dreapta sau spre stnga), gradul de mprtiere a notelor i abaterea de la medie. De asemenea nu putem rspunde unor ntrebri (ipoteze) mai nuanate cum ar fi: exist o legtur ntre performana realizat de studenii care au urmat anterior un curs pregtitor i cei care nu au urmat un astfel de curs? A mbuntit acest curs performana studenilor? Performana realizat este dependent de vrst, sex sau categoria social creia i aparin studenii? Performana realizat de studeni la test este superioar sau nu performanei medii realizat pe parcursul mai multor ani de ctre studenii din universitate care au susinut acest test? irul acestor ntrebri ar putea continua cu aplicaii i din alte domenii de activitate: exist o legtur ntre numrul voturilor pentru un anumit candidat i vrsta votanilor? Exist o relaie ntre atitudinea angajailor dintr-o companie fa de o anumit decizie i salariile acestora? Pentru a putea da rspunsuri pertinente unor astfel de ntrebri se utilizeaz scorurile (notele) standard, ipotezele i testele statistice.
Scorurile standard i curba normal Scorurile z (scoruri standardizate) se calculeaz pe baza valorilor caracteristicii, mediei i a abaterii standard:

zi = (xi - X ) / s

unde: zi xi X s

este scorul standardizat corespunztor termenului i; este valoarea termenului i al seriei; este media; reprezint abaterea standard.

n continuare va fi prezentat un exemplu de transformare a punctelor obinute la un test, n scoruri z. Media i abaterea standard sunt 231,11 respectiv 85,94.
Nume studeni Puncte obinute Scorul (nota) z Student 1 230 -0,012 Student 2 310 +0,917 Student 3 250 +0,219 Student 4 310 +0,917 Student 5 150 -0,943 Student 6 180 -0,594 Student 7 80 -1,758 Student 8 350 +1,383 Student 9 220 -0,129 Suma = 0 X =231,11; s=85,94; Convertirea valorilor unei distribuii n scoruri z nu modific forma acesteia. Suma scorurilor ntr-o distribuie z este ntotdeauna 0.

145

Scorurile t (Thrustone) se calculeaz pe baza scorurilor z dup urmtoarea

relaie: ti = 50 + 10 zi
SAT (Scholastic Assessement Test) se calculeaz similar tot pe baza notelor

z: SATi = 500 + 100 zi Cel mai frecvent se utilizeaz scorurile z i t. Similar se calculeaz pentru eantioane scorurile z i t. n acest caz xi se nlocuiete cu media eantionului, X cu media populaiei din care s-a extras eantionul iar s cu eroarea standard a mediei de eantionare. Corespunztor scorurilor (z i t) exist testele z i t cu ajutorul crora pot fi confirmate sau infirmate ipotezele. Pentru a lucra cu aceste teste ntotdeauna trebuie s existe ipoteza cercetrii (de exemplu: parcurgerea unui curs anterior influeneaz performanele studenilor la test) i o ipotez de nul care infirm ipoteza cercetrii (de exemplu: parcurgerea unui curs anterior nu influeneaz performanele studenilor la test). Pentru fiecare scor z sau t se calculeaz o probabilitate p corespunztoare (ce poate fi gsit n tabelele z sau t). Deoarece nu exist o garanie 100% pentru acceptarea sau respingerea unei ipoteze, atunci trebuie s fie asumat un risc de eroare. Nivelul convenional minim acceptat pentru acesta este de 5%. Nivelul de risc poate fi exprimat i prin opusul lui (95% aa cum lucreaz SPSS). n acest caz 95% nu reprezint eroarea maxim acceptat ci nivelul minim de ncredere n rezultatul experimentului. O explicitare grafic a erorii maxim acceptate este:

Dac scorul eantionului se afl n zona haurat de 5% atunci ipoteza de nul se respinge i se accept ipoteza cercetrii. Cu alte cuvinte dac p < 0,05 atunci se accept ipoteza cercetrii.

Evident problema se judec similar i pentru zona de 5% din stnga graficului. Acesta este un test statistic unilateral (one tailed). Pentru a verifica ipoteza cercetrii simultan pe ambele laturi (stnga dreapta) ale distribuiei se aplic testul z sau t bilateral (two tailed):

146

Dac scorul eantionului se afl n oricare dintre zonele haurate de 5% atunci ipoteza de nul se respinge i se accept ipoteza cercetrii. Cu alte cuvinte dac p < 0,05 atunci se accept ipoteza cercetrii.

Se recomand utilizarea testului z pentru un eantion de minim 30. Atunci cnd volumul eantionului este < 30 sau chiar > 30 se poate utiliza testul t.
Distribuia t mai este denumit i distribuia Student. Ea are toate caracteristicile unei distribuii normale, are aceeai form de clopot dar care de aceast dat depinde de numrul gradelor de libertate df (degrees of freedom). Cu ct df este mai mic cu att forma curbei devine mai aplatizat. Pentru un test statistic t aplicat unui sigur eantion expresia de calcul a df este: unde: df = N 1 df reprezint numrul gradelor de libertate; N este volumul eantionului.

Dac testul t se aplic pentru dou eantioane primul de volum N1 iar al doilea de volum N2 atunci: df = N1 + N2 2 Pentru a putea aplica testul t trebuie ca cele dou eantioane s fie omogene. Se recomand ca volumul cele dou eantioane s fie egal (N1 = N2) iar dispersiile acestora s fie apropiate. n acest sens se poate aplica un test de omogenitate Levenes Test care verific valorile dispersiilor i calculeaz un indicator F numit raportul Fisher. Dac valorile F sunt mari atunci chiar dac probabilitatea p calculat este mai mic dect 0,05 aceasta indic faptul c dispersiile sunt heterogene. Rezult astfel c ipoteza nu poate fi acceptat. SPSS ofer i o alt posibilitate de calcul a valorilor t i pentru dispersii heterogene (Unequal variances). Aceast alternativ asigur o acuratee mai mare a rezultatelor i ajut cercettorul s poat discerne cu siguran dac accept sau respinge o ipotez. Trebuie reinut c n toate testele statistice criteriul de baz pentru semnificaia statistic Sig. (Significance) este probabilitatea (p) calculat pentru testul bilateral (two tailed sau 2-tailed significance). Atunci cnd se lucreaz cu mai mult de dou eantioane odat se poate utiliza testul ANOVA (ANalisys Of VAraiance).

147

Coeficientul de corelaie Pearson

Coeficientul de corelaie Pearson se va utiliza atunci cnd se dorete msurarea valorilor a dou variabile din acelai eantion pentru a se afla dac ntre acestea exist o relaie i care este intensitatea relaiei. Dac relaia exist vom deosebi dou feluri de corelaie: pozitiv i negativ. Corelaia este pozitiv atunci cnd creterea valorilor unei variabile determin creterea valorilor celeilalte variabile. Corelaia negativ apare atunci cnd creterea valorilor unei variabile determin scderea valorilor pentru a doua variabil. Felul corelaiei se exprim prin semnul coeficientului de corelaie Pearson (r) iar intensitatea legturii dintre cele dou variabile se exprim prin valoarea acestuia. Cu alte cuvinte atunci cnd avem o valoare pozitiv a lui r spunem c ntre variabile exist o corelaie pozitiv i invers. Cu ct valoarea lui r este mai mare cu att legtura dintre variabile este mai puternic. Expresia coeficientului de corelaie este:

r=

zx z y
i =1

unde: r este coeficientul de corelaie pentru variabilele x i y; zx este scorul z al variabilei x; zy este scorul z al variabilei y; N reprezint este volumul eantionului.

Este de reinut faptul c valorile lui r pot varia doar n intervalul [-1, +1]. Numrul gradelor de libertate df = N 2. Atunci cnd se analizeaz corelaia se va alege i un nivel de risc acceptat (n mod convenional 5%) sau un nivel minim de ncredere (n mod convenional 95%). Valorile lui r se exprim pe o scal ordinal. Pentru a putea compara doi coeficieni de corelaie acetia se ridic la ptrat. r2 se numete coeficientul de determinare. O reprezentare grafic interesant a corelaiei poate fi obinut n SPSS prin intermediul unui grafic de tip Scatter Plot. Iat n continuare un exemplu elocvent: se dorete s se afle dac rezultatele obinute de 9 studeni la un test aplicat pe parcurs influeneaz notele lor finale la examen.
Numr de puncte obinute la test (variabila x) 230,00 310,00 250,00 310,00 150,00 180,00 80,00 350,00 220,00 Nota la examen (variabila y) 8 10 9 10 7 7 6 10 8

148

Coeficientul de corelaie Pearson calculat pentru cele dou variabile este r = 0,977. Valoarea acestuia arat c ntre cele dou variabile exist o legtur puternic i o corelaie pozitiv. Graficul Scatter red foarte sugestiv aceste informaii. n concluzie se poate afirma c studenii care au obinut un numr mare de puncte la test au obinut note mari la examenul final. Chiar dac n analiza statistic cel mai utilizat este coeficientul de corelaie Pearson totui se mai poate lucra i cu ali coeficieni de corelaie cum sunt Kendall i Spearman. Semnificaia acestora este similar cu cea a coeficientului de corelaie Pearson. Iat pentru exemplul prezentat valorile celor doi coeficieni calculai de ctre SPSS pentru 2-tailed significance:

Kendall's tau_b Correlation Coefficient Sig. (2-tailed) = 0,941 Spearman's rho Correlation Coefficient Sig. (2-tailed) = 0,979
Prezentarea n detaliu a acestora nu face obiectul acestui curs. Informaii teoretice suplimentare att despre testele statistice ct i despre corelaii pot fi gsite n cursurile avansate de statistic. Mai multe informaii despre utilizarea practic a testelor statistice i a coeficientului de corelaie vor fi date n urmtorul capitol n paralel cu prezentarea programului SPSS i cu aplicaiile acestuia redate prin intermediul unor studii de caz.

149

Programul SPSS. Analize i aplicaii

SPSS este n prezent unul dintre cele mai populare programe utilizate n analiza statistic. Versiunea 12 a acestui produs software ofer o puternic interfa interactiv i include foarte multe faciliti de achiziie a datelor, de procesare i analiz statistic, de prezentare a rezultatelor obinute. Dup instalarea versiunii Windows, produsul plaseaz un shortcut n desktop i creeaz un submeniu corespunztor SPSS for Windows n cadrul meniului Start al acestui sistem de operare. La lansarea n execuie (de exemplu printr-un clic dublu dat pe shortcut-ul din Desktop) SPSS va prezenta fereastra corespunztoare bazei de date i o caset de dialog prin intermediul creia vor putea fi realizate mai multe aciuni cum sunt: afiarea unui tutorial, posibilitatea de ncrcare a datelor prin tastare, ncrcarea unui set de date care exist creat anterior n urma unei interogri (query) ntr-o alt baz de date, crearea unei interogri cu ajutorul unui vrjitor (asistent software), deschiderea unui fiier (cu extensia .sav) n care au fost salvate date n format SPSS.

Dac se va selecta a doua opiune (Type in data) i se va apsa apoi butonul Ok sau dac se va rspunde cu Cancel acestui dialog se va intra n interfaa de lucru cu baza de date (vizibil n fundal SPSS Data Editor). SPSS a fost proiectat s funcioneze ca un produs software de tip deschis care s permit cu uurin schimbul de date cu alte baze de date sau produse software. Astfel prin intermediul meniului File este posibil oricnd un import / export de date, crearea unor date noi sau salvarea datelor existente. Aceste operaiuni pot fi realizate cu ajutorul opiunilor New, Open, Open Database, Read Text Data, Save, Save As din cadrul meniului File. Schimbul de date sau obiecte (tabele, grafice etc) ntre SPSS i alte programe se poate realiza foarte elegant prin intermediul mecanismului Clipboard al sistemului de operare (Copy, Paste, Cut). 150

SPSS poate ncrca direct din hard disc date din fiiere care se afl n format text, Excel, Lotus, dBase sau se poate conecta prin ODBC la alte baze de date cum sunt: MS Access, MS SQL, Paradox, Postgres, Oracle etc pentru a ncrca date din tabelele acestora sau date rezultate n urma unor interogri.

SPSS este un instrument flexibil care permite lucrul intuitiv cu meniuri i butoane ce pot fi configurate de ctre utilizatori conform preferinelor acestora. Iat modul n care pot fi configurate barele de butoane (Toolbars) i meniurile produsului: din opiunea Toolbars a meniului View poate fi lansat o caset de dialog care permite configurarea barelor de butoane iar prin intermediul meniului Utilities poate fi lansat editorul de meniuri:

151

ncrcarea, editarea i transformarea datelor. Componenta Data Editor

n SPSS tabela bazei de date este mprit n linii i coloane. Liniile reprezint nregistrrile acesteia sau cazurile (cases) cum sunt denumite n SPSS iar coloanele (cmpurile) reprezint variabilele distribuiei. n celulele de intersecie se afl valorile corespunztoare variabilelor pentru fiecare caz (case). n continuare vom presupune c am ncrcat n Data Editor, prin tastare, urmtorul set de date care conine punctele obinute de 9 studeni n urma aplicrii unui test. Acest set de date a mai fost utilizat pentru exemplificri i n capitolul anterior. n fereastra editorului vom avea: Observm c SPSS a denumit generic prima variabil VAR00001. n subsolul acestei ferestre identificm posibilitatea de a comuta n fereastra variabilelor (Variable View).

Dup un clic n Variable View va fi afiat fereastra variabilelor. Observm c exist deja o formatare implicit pentru VAR00001. Aceasta este declarat ca fiind de tip numeric, cu o lungime de 8 caractere din care 2 zecimale ce se va afia aliniat la dreapta i care va fi msurat pe o scal de tip Scale (raport / interval).

152

Dup ce vom selecta variabila (VAR00001) vom putea modifica numele acesteia prin tastare. Noul nume ales va fi Puncte1. Sub SPSS fiecare variabil poate avea o etichet care se va afia n capul de tabel al datelor sau n rapoartele finale. Presupunem c am editat similar eticheta acestei variabile - Puncte obinute la testul1. n acelai mod se va crea o nou variabil Puncte2 cu eticheta Puncte obinute la testul2 i o alt variabil nominal Sex care va conine doar dou valori: 1 pentru masculin i 2 pentru feminin. Pentru a se seta aceste valori s-a dat clic pe butonul :

Toate aceste modificri se vor reflecta instantaneu n fereastra de date:

Este de remarcat faptul c SPSS marcheaz datele nencrcate (sau lips) cu un punct. Acestea sunt numite Missing Values. Atunci cnd proceseaz datele SPSS va exclude cazurile care au valori lips sau n funcie de model le va aproxima. Dac meniurile Edit i View ne ofer funcii comune i utile pentru copierea, mutarea, tergerea i afiarea datelor i variabilelor (Copy, Paste, Cut, Clear, Fonts, Grid Lines etc), nu acelai lucru se poate afirma despre meniul Data care merit o tratare special. Prin intermediul acestui meniu pot fi definite proprietile variabilelor i ale datelor, pot fi inserate cazuri i variabile noi, seriile de date pot fi sortate, se pot aduga date din alte fiiere externe (Merge Files), liniile pot fi transformate n coloane i coloanele n linii (Transpose), pot fi identificate cazurile duplicate, se poate mpri baza de date n subgrupuri (Split File), se poate lucra cu cazuri cu greuti specifice (Weight Cases) etc. 153

Unele dintre aciunile enumerate anterior pot fi realizate att n fereastra datelor ct i n cea a variabilelor prin intermediul meniurilor contextuale sau a barei de unelte:

Deoarece nu ntotdeauna semnificaiile ultimelor trei opiuni din meniul Data (Split File, Select Cases i Weight Cases) sunt nelese corect de ctre utilizatorii SPSS nceptori, acestea vor fi prezentate i explicate n continuare prin intermediul unor exemple referitoare la utilizarea lor. Dac se dorete mprirea bazei de date n grupuri pentru o analiz detaliat n fereastra de raportare (afiare) a rezultatelor (Output SPSS Viewer), atunci va putea fi utilizat opiunea Split File al crui efect va fi vizibil doar n fereastra de afiare a rezultatelor (nu i n SPSS Data Editor). De exemplu dac se dorete afiarea mediei, medianei, modulului i a abaterii standard pentru punctele obinute la testul 1, fereastra Output SPSS Viewer va arta astfel:

154

Not Felul n care a fost obinut acest raport (Frecuencies) va fi prezentat atunci cnd va fi descris meniul (Analyze).

Pentru a mpri datele n dou grupuri conform sexului (masculin, feminin) n vederea unor analize separate vom utiliza opiunea Split File i vom specifica acest lucru n urmtorul dialog care va aprea:

n acest caz atunci cnd va fi afiat raportul solicitat, el va conine urmtoarele informaii:

155

Dac se dorete anularea efectului Split File atunci se solicit din nou aceast opiune din meniul Data i se trece variabila de grupare (Sex) napoi n subfereastra variabilelor (din partea stng), dup care se nchide dialogul:

Selectarea unor cazuri pentru aplicarea procedurilor de analiz separat, doar pentru acestea se poate realiza prin intermediul opiunii Select Cases din acelai meniu Data. Pentru exemplificare vom presupune c dorim s selectm pentru analize doar cazurile n care studenii au obinut la testul 1 un numr de puncte mai mare de 200 (Puncte1>200). n acest sens dup solicitarea Select Cases se va specifica n dialogul care va aprea variabila dorit (Puncte1) dup care se va nscrie condiia n urmtorul dialog If (tradus dac i disponibil dup apsarea butonului If):

n urma acestei aciuni fereastra Data Editor va prezenta cazurile neselectate marcate cu o linie diagonal n capul de linie. n acelai timp SPSS va crea o variabil nou filter_$ care va specifica pentru fiecare caz dac a fost selectat sau nu. Evident, n mod asemntor va putea fi realizat cu uurin i o alt selecie de exemplu doar pentru sexul masculin (Sex=1):

156

Opiunea Weight Cases d cazurilor o greutate diferit creat prin simularea unei replicri a acestora. De exemplu dac avem seria 1, 2, 4, 5, 6, 7, 3, 5 atunci 1 va fi considerat cu greutatea cea mai mic, el va avea o singur replicare. Pentru 2 chiar dac apare o singur dat n serie se vor crea dou replicri, a. Iat n continuare analiza de frecvene afiat n fereastra Output SPSS Viewer (stnga) atunci cnd Weight Cases nu este activat (modul normal de lucru) i n (dreapta) atunci cnd Weight Cases este activat:

Atenie! Dac s-a selectat Weight Cases, efectul acestuia rmne activat permanent. n datele salvate cu Weight Cases activ se va salva automat i aceast setare. Pentru revenirea la modul de lucru normal este necesar deselecarea (prin bifarea opiunii Do not weight cases).
Meniul Transform este de asemenea un meniu important al programului

SPSS. Aa cum sugereaz numele, acest meniu este important pentru transformarea i crearea datelor. Astfel pot fi generate variabile derivate (cmpuri calculate), recodificate i contorizate datele, se pot genera ranguri etc. n continuare va fi prezentat lucrul cu opiunile meniului Transform fiind folosite n acest sens cteva exemple.

157

Vom presupune c se dorete crearea unor ranguri corespunztoare valorilor variabilei Puncte1 astfel: - pentru 0 Puncte1 100 variabila RangPuncte1 = 1 - pentru 101 Puncte1 200 variabila RangPuncte1 = 2 - pentru 201 Puncte1 300 variabila RangPuncte1 = 3 - pentru 301 Puncte1 100 variabila RangPuncte1 = 4 Pentru aceasta va trebui s alegem din meniul Transform opiunea Recode. Mai nti vom crea o variabil RangPuncte1 (prin nscrierea numelui n Output variable):

Dup apsarea butonului Old and New Values vom specifica n urmtorul dialog intervalele de clas pentru ranguri:

n urma acestei aciuni n fereastra Data Editor va aprea corespunztor rangurilor alese, noua variabil RangPuncte1:

158

O alt modalitate de a ierarhiza datele conform unor ranguri este utilizarea opiunii Rank Cases. Dup apelarea acestei opiuni va aprea un dialog prin intermediul cruia se va specifica variabila pentru care se dorete crearea rangurilor:

n acest exemplu s-a ales aceeai variabil (Puncte obinute la testul 1). Dup apsarea butonului OK n fereastra editorului de date va aprea o variabil nou RPuncte1. Sortnd datele dup aceast variabil vom avea:

Iat n continuare dou exemple care vor ajuta la nelegerea utilitii opiunii Compute din cadrul meniului Transform. Deoarece dorim s realizm analize care s in seama i de vrst, am inserat n baza de date o variabil nou numit DataNasterii. Dup ncrcarea datelor corespunztoare acestei coloane fereastra editorului de date conine:

159

Va trebui s crem i s calculm o variabil Vrsta, derivat din DataNasterii. n acest sens vom avea: Varsta = 2004 Anul_Nasterii. S-a considerat anul curent ca fiind 2004. n acest sens SPSS pune la dispoziie funcia XDATE.YEAR(DateValue) care va ntoarce anul dintr-o valoare tip dat calendaristic. De exemplu XDATE.YEAR(02.12.1981) = 1981. Deci dup selectarea opiunii Compute va aprea urmtorul dialog n care am nscris n cmpul Target Variabile numele variabilei ce va fi creat (Varsta) i apoi prin redactare i cu ajutorul generatorului de formule am compus expresia (din Numeric Expression): 2004 - XDATE.YEAR(DataNasterii).

n urma acestei aciuni n SPSS Data Editor a aprut ca un cmp calculat vrsta studenilor (Varsta):

Dac se dorete obinerea unei noi variabile PunctajMediu al celor dou teste care s se calculeze dup formula: PunctajMediu = (Puncte1 + Puncte2) / 2 atunci n dialogul Compute Variable va trebui s se completeze n cmpul Target Variabile

160

numele variabilei (PunctajMediu) iar n Numeric Expression (Puncte1 + Puncte2) / 2. Dup apsarea butonului OK fereastra editorului va conine:

161

Componenta Output Viewer

Meniurile Analyze i Graphs constituie partea de for a programului SPSS care ntrete convingerea unei mari pri a comunitii tiinifice, c n prezent SPSS este unul dintre cele mai performante programe ce pot fi utilizate pentru analize statistice. Opiunile acestor meniuri asigur proceduri care fac posibil procesarea datelor existente n Data Editor astfel nct s poat fi rezolvate cu uurin probleme de statistic descriptiv, de analiz dispersional, de corelaie, de validare a unor ipoteze prin intermediul testelor statistice de vizualizare i interpretare a datelor i a rezultatelor procesrilor pe baza unor reprezentri grafice sugestive. n prezentrile fcute nu se va insista pe posibilitile de personalizare i pe setrile suplimentare pe care SPSS le ofer i care presupun cunotine avansate se Statistic. Cel mai frecvent se vor accepta variantele implicite presetate de ctre SPSS. Rezultatele, situaiile finale, rapoartele oferite de opiunile celor dou meniuri vor fi afiate ntr-o fereastr special numit SPSS Output Viewer care constituie de asemenea ca i Data Editor o component important a programului. n plus Output Viewer ofer o interfa interactiv ce permite modificarea formei de afiare a rezultatelor prin alegerea celor mai potrivite tabele i grafice de raportare, a fonturilor, culorilor, tipurilor de linii, a formatului numerelor i textelor i a coninutului acestora. Astfel de exemplu, rapoartele pot fi modificate pentru a fi afiate n limba romn. De asemenea componentele (obiectele) coninute n rapoarte pot fi copiate n alte programe (de exemplu Word) prin mecanismul Clipboard al Windows-ului (Copy & Paste). Rapoartele SPSS pot fi salvate n fiiere specifice cu extensia (.spo) n acest fel fiind posibil i o utilizare ulterioar a acestora. Fereastra Output Viewer este mprit n dou seciuni:

Seciunea din stnga n care apar pe o structur tip arbore itemii de selecie formai din titlurile componentelor fiecrui raport, i seciunea din dreapta care 162

conine titlurile, tabelele, valorile, textele ajuttoare etc ale soluiilor furnizate de SPSS i care constituie de fapt situaia final de raport. Un clic ntr-un item de selecie activeaz componenta corespondent aflat n seciunea din dreapta. n imaginea anterioar este prezentat un raport rezultat al opiunii Reports - OLAP Cubes din meniul Analyze. Vom denumi aceast imagine Output3 SPSS Viewer. Datele pe baza crora s-a realizat acest raport, existente n Data Editor sunt:

Meniul Analyze ofer toate opiunile pe baza crora pot fi realizate analize statistice sub SPSS. Prima opiune este Reports. Dup un clic dat pe opiunea OLAP (Online Analytical Processing) Cubes a submeniului Reports a aprut dialogul OLAP Cubes prin intermediul cruia s-au selectat variabilele pentru care se dorete o analiz OLAP.

Apsarea butonului Statistics ofer posibilitatea alegerii indicatorilor statistici ce se dorete a fi calculai n cadrul acestei analize (OLAP Cubes Statistics):

163

Forma iniial furnizat de SPSS pentru acest raport n Output Viewer a fost:

Raportul OLAP Cubes (la fel ca i alte rapoarte) ofer posibilitatea studierii ntr-o form interactiv a indicatorilor statistici dorii. Astfel un clic dublu dat n tabelul OLAP Cubes determin un studiu n detaliu pe baza seleciilor disponibile dup vrst

i sex: De asemenea un clic dublu dat n titlul rapoartelor sau n oricare text existent ofer posibilitatea schimbrii i formatrii acestora prin intermediul unei bare de unelte (Formatting Toolbar):

O facilitate foarte important pe care aceast bar o ofer este Pivot Controls (vezi butonul marcat din imaginea barei). Aceast facilitate este disponibil pentru configurarea ntr-un raport a oricrui tabel (cu una sau mai multe intrri). Rndurile (rows) i coloanele (columns) pot fi create interactiv prin drag & drop (tragerea lor cu ajutorul mouse-ului). n exemplul urmtor s-a dorit obinerea unui raport OLAP detaliat pe sexe i pe vrste.

Prin tragerea variabilei Sex i a variabilei Varsta pe rnduri (Rows) s-a obinut tabelul prezentat n prima imagine a acestui capitol numit Output3 SPSS Viewer. 164

O alt facilitate interesant a barei de unelte de formatare este i cea oferit pentru realizarea reprezentrii grafice a coninutului oricrui tabel dintr-un raport. Iat n continuare un grafic de tip Pie (plcint) pe vrste care a fost realizat pentru tabelul din aceeai imagine Output3 SPSS Viewer. (Vezi aceast imagine i datele din Data Editor pe baza crora a fost construit raportul din imagine).

165

Analize i aplicaii statistice

n continuare vor fi prezentate cele mai importante i frecvent utilizate opiuni ale meniului Analyze utilizndu-se exemplificri pe baza unor aplicaii practice relevante. n subcapitolul anterior n paralel cu componenta Output SPSS Viewer a fost prezentat deja prima opiune OLAP Cubes, din cadrul meniului Analyze Reports.

Indicatorii descriptivi
Opiunea Case Summaries a submeniului Reports ofer o imagine de ansamblu asupra valorii indicatorilor statistici descriptivi ai unor variabile ce pot fi prezentai grupai pe baza altor variabile. Pentru exemplificare s-a utilizat acelai set de date ca i pentru OLAP Cubes. Primul dialog care apare dup lansarea opiunii este Summarize Cases. Prin intermediul acestui dialog se pot selecta variabilele pentru analiz. n cazul nostru s-au ales Puncte1 i Varsta iar pentru grupare Sex. La apsarea butonului Statistics apare urmtorul dialog Summary Report: Statistics prin intermediul cruia vor fi selectai indicatorii statistici dorii:

Dup un clic dat pe butonul OK, SPSS va afia n Output SPSS Viewer urmtorul raport:

166

Meniul Descriptives Statistics ofer posibilitatea calcului i analizei indicatorilor statistici descriptivi.

Pentru toate exemplificrile acestui meniu vom lua n considerare urmtorul set de date:

Prima opiune a meniului este Frequencies, singura care permite analiza de frecvene. Dialogul Frequencies ofer posibilitatea selectrii variabilei (variabilelor) pentru analiz iar dialogul Statistics prezint indicatorii statistici ce pot fi calculai pentru raport.

Butonul Charts disponibilizeaz un alt dialog prin intermediul cruia se poate specifica dac se dorete ca raportul s conin o reprezentare grafic i se poate selecta tipul de grafic dorit.

Dup apsarea butonului OK, raportul prezentat n Output SPSS Viewer va conine:

167

Opiunea Descriptives, dup selectarea variabilei pentru analiz (Puncte obinute la testul 1) i alegerea indicatorilor statistici (minim, maxim, media, abaterea standard i dispersia) va oferi urmtorul raport:

Opiunea Explore este util atunci cnd se dorete un studiu complet al indicatorilor statistici descriptivi pentru una sau mai multe variabile considerate a fi dependente (Dependent List) de una sau mai multe variabile categoriale (Factors). Ca atare n prima caset de dialog care va aprea dup lansarea acestei opiuni se vor selecta variabilele de analizat n Dependent List iar (opional) n Factor List se vor selecta variabilele categoriale n funcie de care se dorete analiza. n acest dialog apare i un cmp Label cases by (rar utilizat) care permite etichetarea cazurilor la afiare.

168

n exemplul care urmeaz s-a utilizat acelai set de date (folosit anterior), alegndu-se variabila Puncte1 pentru analiz i variabila Varsta ca variabil categorial:

Raportul corespunztor afieaz (n mod implicit) un sumar al cazurilor procesate, indicatorii statistici descriptivi i reprezentrile grafice Stem-and-Leaf Plots structurate pe vrste.

169

Descriptives Puncte obtinute la testul1 Varsta 20,00 Mean 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis Mean 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis Mean 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis Mean 95% Confidence Interval for Mean 5% Trimmed Mean Median Variance Std. Deviation Minimum Maximum Range Interquartile Range Skewness Kurtosis Statistic 265,00 182,32 347,68 265,00 265,00 2700,000 51,962 220 310 90 90 ,000 -6,000 280,00 -101,19 661,19 . 280,00 1800,000 42,426 250 310 60 . . . 250,00 -1020,62 1520,62 . 250,00 20000,000 141,421 150 350 200 . . . 146,67 3,24 290,09 . 180,00 3333,333 57,735 80 180 100 . -1,732 . Std. Error 25,981

Lower Bound Upper Bound

21,00

1,014 2,619 30,000

Lower Bound Upper Bound

22,00

. . 100,000

Lower Bound Upper Bound

23,00

. . 33,333

Lower Bound Upper Bound

1,225 .

170

Opiunea Crosstab permite realizarea unor tabele cu dubl intrare.

Caseta de dialog corespunztoare ne ofer un suport interactiv pentru selectarea variabilelor reprezentate pe rnduri (Rows), pe coloane (Columns) i a valorilor din celulele de intersecie ale acestora. n mod implicit valorile celulelor vor reprezenta numrul de cazuri (Counts) ale fiecrei intersecii. Iat n continuare raportul Crosstabulation afiat n Output SPSS Viewer:

Teste statistice i analiza corelaiei

n acest subcapitol vor fi prezentate aplicaii rezolvate pe baza suportului software SPSS dedicat pentru testele statistice i studiul corelaiei. n acest sens se va insista pe facilitile oferite de opiunile meniurilor Compare Means i Corelate.

171

Aa cum s-a artat anterior testul T este util pentru testarea diferenelor ntre valorile medii ale unei variabile care pot fi msurate ntre diferite grupuri la momente diferite de timp, sau n comparaie cu o populaie statistic ale crei valori pentru respectiva variabil sunt cunoscute. Cele mai frecvente aplicaii ale testului T sunt legate de testarea diferenei ntre grupuri dependente sau independente.
Testul T pentru grupuri independente este utilizat atunci cnd aceeai variabil a fost msurat ntre dou asemenea grupuri i cercettorul vrea s tie dac diferena mediilor ntre grupuri este semnificativ statistic. Prin grupuri independente nelegem acele grupuri care conin subieci diferii.

Vom considera n continuare un set de date pe baza cruia dorim s verificm dac notele finale ale unui grup de 14 studeni compus din 7 biei i 7 fete difer semnificativ n funcie de sexul acestora. Setul de date este:
Nota final 8 9 6 8 9 8 7 7 10 7 9 6 7 8 Sex masculin masculin masculin masculin feminin feminin feminin feminin feminin masculin feminin masculin feminin masculin Vrsta 20 20 23 20 21 21 22 23 22 23 20 22 23 22

Opiunea Means (medii) a meniului Compare Means ar trebui s fie prima consultat, deoarece ea ne poate oferi o informaie interesant relativ la notele medii ale celor dou sexe. Prin intermediul primului dialog al opiunii (Means) vom selecta variabila dependent (Nota) i variabila independent (Sex). Un clic pe butonul Options va deschide un nou dialog prin care vom putea alege indicatorii statistici ce vor fi afiai.

172

Raportul final (Report) care ne va prezenta cele dou medii 7,43 pentru biei i 8,14 pentru fete este:

Pe baza acestui raport s-ar putea trage urmtoare concluzie: notele fetelor sunt mai mari, deci notele depind de sex. Dar s nu ne grbim cu aceast afirmaie care nc nu este dect o ipotez pe care va trebui s o verificm prin intermediul unui test T pentru grupuri independente.
Opiunea Independent-Samples T Test ne d aceast posibilitate. Primul dialog (Independent-Samples T Test) ne ofer suportul pentru a putea alege variabilele dorite. Am selectat ca variabil testat Nota i ca variabil de grupare Sex. Deoarece grupurile nu sunt definite (Sex (? ?)) un clic n butonul Define Groups ne va ajuta n acest sens. Pentru c variabila de grupare este Sex i pentru c atunci cnd a fost definit i s-au atribuit dou valori: 1=masculin i 2=feminin, vom specifica acest lucru n dialogul Define Groups.

Dup apsarea butonului OK va aprea urmtorul raport:

Group Statistics Sex masculin feminin N 7 7 Mean 7,43 8,14 Std. Deviation 1,134 1,215 Std. Error Mean ,429 ,459

Nota finala

Independent Samples Test Levene's Test for Equality of Variances t-test for Equality of Means 95% Confidence Interval of the Difference Lower Upper -2,083 -2,084 ,654 ,655

F Nota finala Equal variances assumed Equal variances not assumed ,090

Sig. ,769

t -1,137 -1,137

df 12 11,943

Sig. (2-tailed) ,278 ,278

Mean Difference -,714 -,714

Std. Error Difference ,628 ,628

173

Se observ n ultimul tabel testul Levene care a fost aplicat pentru verificarea omogenitii. Reamintim faptul c o valoare mic a raportului F (Ficher) i o probabilitate (Sig.) < 0,05 confirm faptul c omogenitatea dispersiilor este asigurat. Dac omogenitatea dispersiilor nu exist, atunci citirea rezultatelor trebuie fcut pe linia a doua (Equal variances not assumed). Observm c pentru acest test nota t calculat este t = -1,137, numrul gradelor de libertate df = N 2 = 12 i probabilitatea Sig.(2-tailed) = 0,278. Deoarece 0,278 > 0,05 atunci ipoteza cercetrii este infirmat i este acceptat ipoteza de nul: notele nu depind de sex.
Opiunea One-Sample T Test se poate aplica atunci cnd se verific media unui eantion fa de media unei populaii creia aparine acel eantion. n cazul exemplului nostru vom presupune c nota medie obinut la respectiva disciplin (probabil obligatorie) de ctre toi studenii absolveni ai universitii, pe parcursul mai multor ani este cunoscut, ea fiind 7. Dorim s verificm ipoteza conform creia notele studenilor din eantion se ncadreaz n aceast tendin. n acest sens vom lansa opiunea One-Sample T Test i vom specifica nota 7 n cmpul Test Value.

Raportul obinut dup apsarea butonului OK va fi:

One-Sample Test Test Value = 7 95% Confidence Interval of the Difference Lower Upper ,10 1,47

Nota finala

t 2,474

df 13

Sig. (2-tailed) ,028

Mean Difference ,786

Se observ c Sig. = 0,028 < 0,05. Rezult c ipoteza cercetrii se accept. Sub SPSS testul T poate fi aplicat i pentru grupuri dependente. Acest test necesit dou msurri ale aceleiai variabile la dou momente diferite de timp. Fiecare caz va corespunde unei singure persoane. Astfel poate fi verificat de exemplu dac absolvirea unui curs pltit de o companie pentru anumit un grup de angajai contribuie sau nu la creterea performanelor acestora. n acest sens este necesar msurarea performanelor angajailor care au urmat cursul, nainte i dup absolvire. Pe baza diferenelor care apar ntre medii se va accepta sau se va respinge ipoteza bazat pe presupunerea c respectivul curs a contribuit la creterea performanelor angajailor.
Opiunea Paired-Samples T Test (testul T pentru grupuri pereche) ne ofer posibilitatea s aplicm testul T pentru dou grupuri dependente. n cazul exemplului enunat variabila msurat va fi nota care cuantific performana angajailor nainte i dup absolvirea cursului. Vom defini dou variabile Nota1 i Nota2. Variabila Nota1 conine notele angajailor nainte de curs i variabila Nota2 notele angajailor dup curs. Setul de date care include cele dou note ale unui grup de 16 angajai ce au urmat cursul este:

174

Dup lansarea opiunii Paired-Samples T Test din cadrul meniului Compare Means, va aprea urmtorul dialog prin intermediul cruia vor fi selectate cele dou variabile supuse studiului (Nota1 i Nota2):

Raportul din Output SPSS Viewer va fi:

Se observ Sig.(2-tailed) = 0,044 care este < 0,05. Rezult c ipoteza cercetrii se accept. Cursul a contribuit la creterea performanelor angajailor.

175

Analiza dispersional ANOVA (ANalisys Of VAriance) constituie un alt instrument statistic foarte flexibil cu ajutorul cruia pot fi comparate diferenele dintre mai mult de dou valori medii ale unor variabile. Exist dou modele ANOVA ce pot fi utilizate. Primul este One-Way ANOVA care este similar cu testul T cu excepia c pot fi testate simultan mai mult de dou diferene ntre medii. Al doilea model este Two-Way Factorial ANOVA i reprezint o extensie a primului model. Diferena const n posibilitatea utilizrii unei analize factoriale care poate avea mai mult dect o singur variabil de grupare. Pentru a exemplifica lucrul cu cele dou modele ANOVA vom mai aduga tabelului de date din (Data Editor) dou variabile Varsta i Sex. Setul de date va fi:

Vom presupune c cercettorul dorete s cunoasc dac vrsta angajailor influeneaz creterea performanelor realizate de ctre acetia dup absolvirea unui curs. Deci variabila dependent va fi Nota2 iar variabila factor Varsta. Din tabelul de date se observ c vrsta angajailor este cuprins ntre 20 i 23 de ani. Opiunea One-Way ANOVA disponibil de sub acelai meniu Means va lansa un dialog prin intermediul cruia va fi setat semnificaia celor dou variabile:

176

Raportul oferit de ctre SPSS va fi:

Conform rezultatelor din raport Sig. = 0,265 > 0,05 concluzionm c se respinge ipoteza cercetrii conform creia vrsta influeneaz performanele angajailor care au absolvit cursul.
Meniul General Linear Model ofer posibilitatea unor analize ANOVA (factoriale) realizate simultan pentru una sau mai multe variabile ce pot fi influenate de mai muli factori. Vor fi prezentate n acest sens opiunile Univariate i Multivariate.

Mergnd pe acelai exemplu, vom presupune c cercettorul dorete o analiz complex prin care s studieze efectul separat i mpreun a doi factori - vrsta i sexul - asupra variabilei de performan Nota2. Ipoteza cercetrii este: vrsta i sexul influeneaz performanele angajailor msurate prin valorile variabilei Nota2.

Opiunea Univariate permite realizarea unor astfel de analize. Prin intermediul dialogului cu acelai nume se pot selecta variabilele tip factor i variabila dependent:

177

Rezultatele ntoarse de raport vor fi:

Rezult c ipoteza cercetrii nu poate fi acceptat nici separat pentru fiecare factor nici mpreun pentru cei doi factori (Varsta i Sex). Toate valorile Sig. (0,436, 0,409, 0,855) sunt mai mari dect 0,05.
Opiunea Multivariate permite lucrul cu mai multe variabile care pot fi dependente simultan de mai muli factori. Pentru exemplificare conform setului de date utilizat n exemplele anterioare vom presupune c se dorete studiul a dou variabile dependente (Nota1 i Nota2) n funcie de doi factori (Varsta i Sex). n acest sens dialogul Multivariate va fi:

178

Raportul corespunztor va prezenta urmtoarele tabele:

Descriptive Statistics Nota inainte de curs Sex masculin Varsta 20 21 22 23 Total 20 21 22 23 Total 20 21 22 23 Total 20 21 22 23 Total 20 21 22 23 Total 20 21 22 23 Total Mean 8,5333 9,0000 7,0000 6,7500 7,7625 8,3000 8,6500 8,5000 7,1500 8,1500 8,4400 8,7667 7,7500 6,9500 7,9562 8,8667 8,4000 7,8000 7,4000 8,1750 8,7000 8,8000 8,8000 7,8500 8,5375 8,8000 8,6667 8,3000 7,6250 8,3563 Std. Deviation ,55076 . 1,41421 1,06066 1,21059 1,13137 ,49497 2,12132 ,21213 1,12504 ,69857 ,40415 1,70783 ,66583 1,14657 ,60277 . 1,41421 ,56569 ,92698 ,14142 1,13137 1,41421 1,20208 ,92727 ,44159 ,83267 1,29099 ,80984 ,91504 N 3 1 2 2 8 2 2 2 2 8 5 3 4 4 16 3 1 2 2 8 2 2 2 2 8 5 3 4 4 16

feminin

Total

Nota dupa curs

masculin

feminin

Total

Tests of Between-Subjects Effects Source Corrected Model Intercept Sex Varsta Sex * Varsta Error Total Corrected Total Dependent Variable Nota inainte de curs Nota dupa curs Nota inainte de curs Nota dupa curs Nota inainte de curs Nota dupa curs Nota inainte de curs Nota dupa curs Nota inainte de curs Nota dupa curs Nota inainte de curs Nota dupa curs Nota inainte de curs Nota dupa curs Nota inainte de curs Nota dupa curs Type III Sum of Squares 9,918a 4,768b 941,788 1024,103 ,400 ,654 7,244 3,172 2,060 ,748 9,802 7,792 1032,550 1129,790 19,719 12,559 df 7 7 1 1 1 1 3 3 3 3 8 8 16 16 15 15 Mean Square 1,417 ,681 941,788 1024,103 ,400 ,654 2,415 1,057 ,687 ,249 1,225 ,974 F 1,156 ,699 768,676 1051,486 ,327 ,671 1,971 1,086 ,560 ,256 Sig. ,417 ,675 ,000 ,000 ,583 ,436 ,197 ,409 ,656 ,855

a. R Squared = ,503 (Adjusted R Squared = ,068) b. R Squared = ,380 (Adjusted R Squared = -,163)

Se observ c toate valorile Sig. (att pentru Nota1 ct i pentru Nota2) sunt mai mari dect 0,05. Rezult c pentru toate cazurile ipoteza cercetrii nu va fi acceptat. Se poate concluziona: rezultatele obinute att nainte de participarea la curs ct i cele obinute dup absolvirea cursului nu cresc semnificativ nici pe seama factorului vrsta nici pe seama factorului sex nici simultan pe baza celor doi factori.
Meniul Corelate ne ofer posibilitatea de a putea studia corelaia ntre dou variabile prin intermediul coeficienilor de corelaie. S-a artat ntr-un capitol anterior c atunci cnd se dorete msurarea valorilor a dou variabile din acelai eantion

179

pentru a se afla dac ntre acestea exist o relaie i care este intensitatea relaiei se utilizeaz coeficienii de corelaie. Cel mai frecvent se utilizeaz coeficientul de corelaie Pearson. Felul corelaiei se exprim prin semnul coeficientului de corelaie (r) iar intensitatea legturii dintre cele dou variabile se exprim prin valoarea acestuia care va fi cuprins n intervalul [-1, +1]. S considerm c dorim s studiem dac ntre notele finale obinute de un grup de studeni i numrul de ore alocate sptmnal de ctre acetia pentru studiu exist o legtur (o relaie). Vom realiza un sondaj prin care le vom solicita studenilor participani s specifice aceste date. Ipoteza cercetrii este: ntre notele finale i numrul de ore alocate sptmnal studiului exist o corelaie (legtur) semnificativ. Presupunem c datele sondajului aplicat unui grup de 14 studeni i nscrise n Data Editor sunt:

Opiunea Bivariate din cadrul meniului Corelate ne ofer posibilitatea s realizm acest studiu de corelaie. Dialogul Bivariate Corelations ne ajut s selectm variabilele pentru care dorim calculul coeficienilor de corelaie i s specificm care coeficieni de corelaie dorim s fie calculai i ce test de semnificaie vom utiliza.

Apsarea butonului OK va determina afiarea raportului corespunztor care va conine:

180

Observm c ntre cele dou variabile exist o corelaie pozitiv foarte intens (r=0,910). Rezult c ipoteza cercetrii va fi acceptat.

181

BIBLIOGRAFIE

Anderson, R., David Boldur-Lescu, Scuiu, I., ignescu, E. Dantzig, G., B. Daren, George Paul, Mallery Fred R., David Heller, Robert Hindle, Tim Hammond J., R. Keeney, H. Raiffa Kaufmann, A. Lawrence, A. John, Pasternack, Barry Lawrence, L., William, D. Marija, Norusis Schonberger, Richard Stevenson, William, J. Tummala V. Yih-Long, Chang, Sullivan, Robert Williams H., ***

Introduction to Management Science, Quantitative Approach to Decision Making, West Publishing Company, College & School Division, 1993 Cercetare operaional cu aplicaii n economie, Editura didactic i pedagogic, Bucureti, 1979 Linear Programming and Extensions, Princeton University Press, New York, 1963 SPSS for Windows Step by Step. A simple Guide and Reference, 11.0 Strategic Management, Prentice Hall PTR, 2001 Making Decision, Publisher Dorling Kindersley, Incorporated, 1997 Smart Choices: A Practical Guide to Making Better Decisions, Harvard Business School Press., 1998. Metode i modele ale cercetrii operaionale, vol.I, II Editura tiinific, Bucureti, 1967 Applied Management Science, John & Sons, Incorporated, Wiley, 2002 Quantitative Decision Making with Spreadsheet Applications, Publisher Brooks / Cole, 2001 SPSS 12.0 Guide to Data Analysis, Operations Management, Irwin, 1988, Homewood, IL 60430, Boston, MA 02116, Library of Congress Management Science,, Irwin, 1989, Homewood, IL 60430, Boston, MA 02116, Library of Congress Decision Analysis with Business Applications, Educational Publishers, 1973. QSB+ Quantitative Systems for Business Plus, Prentice Hall, Englewood Cliffs, NJ 07632, 1991 Model Building in Mathematical Programming, Wiley, 1999. Documentaie utilizare SPSS v12.0.

182