Professional Documents
Culture Documents
MINISTERUL EDUCAIEI, CERCETRII, TINERETULUI I SPORTULUI COALA NAIONAL DE STUDII POLITICE I ADMINISTRATIVE FACULTATEA DE COMUNICARE I RELAII PUBLICE
CUPRINS Tema 1
PREZENTARE GENERAL, OBIECTIVELE I CONINUTUL CURSULUI ................5 OBIECTIVE.......5 CONINUTUL CURSULUI...6 INTRODUCERE...........................................................................................................................7 MODELE.......................................................................................................................................8
Tema 2
PROGRAMAREA LINIAR........11 PREZENTARE GENERAL....11 Probleme complexe de programare liniar care au fost rezolvate prin intermediul unor produse software specializate...11 Abordarea electronic versus abordarea manual......13 Despre funcia obiectiv.........................................................................................................13 Optimizare.....14 DESCRIEREA I FORMULAREA PROBLEMELOR DE PROGRAMARE LINIAR...15
Tema 3
REZOLVAREA PROBLEMELOR UTILIZND UN PRODUS SOFTWARE SPECIALIZAT..............19
Tema 4
PROBLEMA DUAL.....................................................................................................................26 Construcia problemei duale i semnificaia ei. Exemple.26 Preurile umbr calculul i semnificaia lor..28 PROBLEME REZOLVATE..31 Problema 1....31 Rezolvarea utiliznd un produs software specializat....34 Problema 2....34 Explicaia economic a problemei duale......36 PROBLEME PROPUSE...37
Tema 5
PLANIFICAREA PROGRAMULUI DE LUCRU AL PERSONALULUI (STAFF SCHEDULING)...........................................................................................................................41 CONSTRUIREA MODELULUI. EXEMPLE...41 REZOLVAREA PRIN INTERMEDIUL UNUI PRODUS SOFTWARE SPECIALIZAT......42 PROGRAMAREA INTEGER...44 CONSTRUIREA MODELULUI. EXEMPLE...44 REZOLVAREA PRIN INTERMEDIUL UNOR PRODUSE SOFTWARE SPECIALIZATE.46
Tema 6
PROGRAMAREA SCOPURILOR (GOAL PROGRAMMING).49 VARIABILELE ABATERE..49 CONSTRUIREA MODELULUI N PROGRAMAREA SCOPURILOR.......50 REZOLVAREA PROBLEMELOR UTILIZND UN PRODUS SOFTWARE SPECIALIZAT......54 2
Tema 7
ANALIZE DE TIP REEA PERT CPM...56 INTRODUCERE....56 FORMULAREA UNEI PROBLEME......56 CONSTRUCIA DIAGRAMELOR DE REEA...58 REZOLVAREA PROBLEMELOR UTILIZND UN PRODUS SOFTWARE SPECIALIZAT.....59 MICROSOFT PROJECT.61 GRAFICUL GANTT......62 VERIFICAREA GRADULUI DE REALIZARE A PROIECTULUI62 PROBLEME PROPUSE...63
Tema 8
PROBLEMA DE TRANSPORT (TRANSPORTATION PROBLEM)65 CONSTRUIREA MODELULUI.65 EXEMPLE....66 REZOLVAREA PROBLEMELOR UTILIZND UN PRODUS SOFTWARE SPECIALIZAT. 68 PROBLEMA DE ALOCARE (ASSIGNMENT PROBLEM)..70 CONSTRUIREA MODELULUI.....70 EXEMPLE....71 REZOLVAREA PROBLEMELOR UTILIZND UN PRODUS SOFTWARE SPECIALIZAT..75 PROBLEMA COMISULUI VOIAJOR76 DEFINIREA PROBLEMEI. EXEMPLE..76 REZOLVAREA PROBLEMELOR UTILIZND UN PRODUS SOFTWARE SPECIALIZAT..77
Tema 9
LANURI MARKOV78 PROBABILITILE DE TRECERE...78 COMPORTAREA SISTEMULUI ANALIZAT..79 METODA ARBORELUI..81 METODA ALGEBRIC..82 REZOLVAREA PROBLEMELOR UTILIZND UN PRODUS SOFTWARE SPECIALIZAT..83 PROBLEME PROPUSE...84
Tema 10
PROBLEME DE ARANJARE (FACILITY LAYOUT)..85 AMPLASAREA COMPARTIMENTELOR (DEPARTAMENTAL LAYOUT, FUNCTIONAL LAYOU..................85 REZOLVAREA PROBLEMELOR UTILIZND UN PRODUS SOFTWARE SPECIALIZAT..87 ECHILIBRAREA LINIILOR DE PRODUCIE (ASSEMBLY LINE BALANCING)91 REZOLVAREA PROBLEMELOR UTILIZND UN PRODUS SOFTWARE SPECIALIZAT......94
U
Tema 11
ELEMENTE DE ANALIZ STATISTIC. PROGRAMUL SPSS....98 CARACTERISTICILE STATISTICE, VARIABILE I SCALE DE MSURARE...98 MRIMILE MEDII, INDICATORII VARIAIEI I ASIMETRIEI..99 Mrimile medii.99 3
Valorile medii de poziie i de structur.....103 Indicatorii variaiei i asimetriei....108 Scoruri standard, curba normal, ipoteze statistice, coeficientul de corelaie......112 Scorurile standard i curba normal..112 Coeficientul de corelaie Pearson...115
Tema 12
ELEMENTE DE ANALIZ STATISTIC. PROGRAMUL SPSS....117 ncrcarea, editarea i transformarea datelor. Componenta Data Editor.....119 Componenta Output Viewer....128 Analize i aplicaii statistice....132
Tema 13
ELEMENTE DE ANALIZ STATISTIC. PROGRAMUL SPSS....139 Testul t pentru dou eantioane de scoruri corelate/relaionate..139 Testul t pentru dou eantioane de scoruri necorelate/nerelaionate...142 Analiza dispersional ANOVA. Exemple .143 BIBLIOGRAFIE...150
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). 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, 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: - programrii liniare; - programrii scopurilor; - lanurilor Markov; - problemelor de tip reea; - problemelor de transport; - problemelor cozilor de ateptare; - problemelor de alocare; - 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.
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. 8
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:
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.
10
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
11
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.
12
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.
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.
13
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 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 14
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 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.
15
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.
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
16
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 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.
17
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$. Dac dorea, tmplarul i putea gsi un ajutor pe care s-l plteasc cu 2 dolari pe or i care s fie disponibil mai mult de 40 de ore pe sptmn. n esen el dorea s tie dac ar trebui s-i angajeze un ajutor, i dac da, pentru cte ore? Rezolvare: Variabile: X1 reprezint numrul de mese ce se vor produce X2 reprezint numrul de scaune ce se vor produce X3 este numrul de ore suplimentare pentru care i va angaja un ajutor Funcia obiectiv: Maximizarea venitului obinut: Max (5 X1 + 3 X2 - 2 X3) Restriciile: 2 X1 + X2 40 + X3 restricia de munc cu un numr X3 necunoscut de ore, care mai poate fi scris i sub forma: 2 X1 + X2 X3 40 X1 + 2 X2 50 restricia de material i X1, X2, X3 sunt ne-negative. Rezolvnd problema vom constata c soluia optim este X1=50 mese, X2=0 scaune, X3=60 ore cu un venit optim pentru tmplar de 130 dolari (5X1+3X23X3=250+0-120). n acest fel tmplarul chiar va ctiga n plus 20$. Deci el ar trebui s angajeze un ajutor pentru 60 de ore.
18
Tema 3
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:
19
Introducerea datelor:
20
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
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.
21
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
22
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
23
Rezolvarea problemelor cu Whats Best! 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:
24
Rezolvarea problemelor cu LINDO 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.
(Solve) se va obine:
25
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
26
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.
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.
27
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.
28
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. 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
29
Dar, de fapt dac vom calcula preul umbr prin rezolvarea corect a problemei duale vom obine pentru aceast resurs preul umbr = 1.
30
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. n cazul redundanei, preurile umbr obinute cu un produs software LP pot diferi de cele obinute cu un altul.
31
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
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. 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
32
ncrcarea datelor:
Soluia optim:
33
34
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 35
c.
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):
36
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$. El decide s i investeasc n obligaiuni, titluri de proprietate i o parte s-i depun ntr-un cont. Dup consultarea unor specialiti n finane el asimileaz ca necesar respectarea unor condiii suplimentare: s nu investeasc mai mult de 40% din suma n obligaiuni suma depus n cont s fie cel puin dubl fa de suma investit n titluri de proprietate Dobnda anual este 8% la obligaiuni,9% la titluri i 7% la cont. Se presupune c ntreaga sum va fi investit i c aceste dobnzi vor rmne constante ntreaga perioad. Scopul investitorului este de a maximiza profitul anual. Formulai problema ca o problem de programare liniar presupunnd c nu se percep comisioane pentru tranzacii (deschidere cont, retrageri, rscumprri titluri). Problema 5 O fabric de jucrii produce 3 variante de roboi de jucrie. Prima necesit 10 minute timp de fabricaie i ambalare i 700g de plastic, a doua variant necesit 12 minute i 1050g plastic iar cea de-a treia 15 minute i 1400g plastic. n urmtorul ciclu de producie exist 8 ore timp de fabricaie i ambalare disponibil pentru aceste sortimente i 70kg de plastic. Profitul obinut n urma comercializrii unui robot de primul tip este de 1$, al doilea tip 5$, al treilea 6$.
37
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. 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 ?
38
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. 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
39
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 $/ton. Compania are cerere pentru ntreaga cantitate de conserve pe care o produce. Obiectivul companiei este acela de a achiziiona fructe ntr-o anume proporie de la fiecare furnizor pentru a ocupa capacitatea de producie a fiecrei fabrici astfel nct s se maximizeze profitul la nivelul companiei. Formulai problema ca o problem de programare liniar i explicai-o. Explicai semnificaia valorilor duale asociate cu restriciile corespunztoare (asociate) cantitilor furnizate i capacitii de producie a fabricilor. Ce presupuneri trebuie fcute pentru a exprima problema ca o problem de programare liniar.
Problema 11 O companie asambleaz 4 tipuri de produse (1, 2, 3, 4) din componente. Profitul unitar pentru fiecare produs din cele 4 tipuri este:10$ / 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.
40
41
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. 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 ($)
T L L T T T T
T T L L T T T
T T T L L T T
T T T T L L T
T T T T T L L
L T T T T T L
L L T T T T T
Funcia obiectiv Min(300Lu_X + 325Ma_X + 360Mi_X + 360Jo_X + 360Vi_X + 360Sa_X + 335Du_X) Restriciile Lu_X Lu_X Lu_X Lu_X Lu_X + Jo_X + Vi_X + + Vi_X + + + Jo_X + Jo_X + Vi_X + Jo_X + Vi_X + + Jo_X + Vi_X + Sa_X + Du_X >= Sa_X + Du_X >= Sa_X + Du_X >= + Du_X >= >= Sa_X >= Sa_X + Du_X >= 20 13 10 12 16 18 20
+ + + +
+ + + +
42
Deci vor fi necesari 22 de vnztori, iar pentru plata acestora vor trebui 7750$. 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.
43
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
================================================= 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
44
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 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).
45
Funcia obiectiv Max (X1 + X2 + X3 + X4 + X5 + X6 + X7 + X8 + X9) Restricia 6X1 + 8X2 + 8X3 + 6X4 + 7X5 + 6X6 + 7X7 + 5X8 + 7X9 <= 30
46
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:
47
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.).
48
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:
49
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.
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 50
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 uniti 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
51
Restriciile: 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.
52
Restricii: Restricia timpului de munc: 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
53
54
Soluia final:
55
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.
56
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
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
57
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.
58
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.
59
Dialogul iniial:
60
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.
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:
61
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.
62
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.
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.
63
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?
64
Construirea 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).
65
Exemple
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
66
S-a notat cu Xij cantitatea din cererea j care se aprovizioneaz de la ferma (sursa) i. 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
67
Introducerea datelor:
Soluia final:
68
Introducerea datelor:
Soluia final:
69
70
Exemple
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 $
71
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. 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.
72
Exemplul 2 n tabelul urmtor sunt prezentate valori ale profitului obinut n urma executrii produselor P1, P2, P3 pe utilajele A, B, C. 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
73
Funcia obiectiv este: Min (3X11 + 5X12 + 6X13 + 8X21 + 9X22 + 7X23 + 9X31 + 2X32 + 4X33) Restriciile sunt: 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.
74
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: 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
Introducerea datelor:
75
Soluia final:
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 -
76
Introducerea datelor:
77
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
78
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. 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.
79
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 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:
nchiriate de la (A)
0.7
0.1 2 4 6
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) (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)
80
Comportarea acestor sisteme pe termen scurt poate fi descris prin folosirea metodei diagramei arborescente sau a matricilor de multiplicare. 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
A B A B
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:
81
Maini la A: Maini la B:
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
82
Introducerea datelor:
Soluia final:
83
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?
84
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.
85
Schimbarea modului de aranjare a compartimentelor trebuie s in seam de urmtoarele reguli: 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
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
86
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:
87
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
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.
88
Soluia final:
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
89
linia 1) i pe coloana 6.5 (deoarece secia se ntinde de la coloana 1 la coloana 12 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.
90
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:
91
Operaia elementar 1 2 3 4 5 6 7 8 9 10
Durata (secunde) 40 30 50 40 6 25 15 20 18 30
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.
92
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.
93
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.
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.
94
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.
95
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).
96
97
98
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
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.
99
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 -
100
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.
101
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.
102
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
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:
103
LMe =
n +1 2
fi
i=1
m Lmef = i =1
f i +1
2
Intervalul median va fi considerat acela n care frecvenele cumulate depesc locul medianei n serie.
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; fm este frecvena intervalului median; fp este frecvena intervalului precedent celui median.
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 Puncte obinute Student 1 230 Student 2 310 Student 3 250 Student 4 310 Student 5 150 Student 6 180 Student 7 80 Student 8 350 Student 9 220 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
104
= (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
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.
105
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:
Venit ($) Mijlocul de interval (xi) 250 750 1250 1750 2250 2750 3250 Numr angajai (fi) 3 5 6 4 4 2 1
0 - 500 500 - 1000 1000 - 1500 1500 - 2000 2000 - 2500 2500 - 3000 3000 - 3500
Se observ c frecvena cea mai mare (fm) este 6 i corespunztor acesteia intervalul modal este cel cuprins ntre 1000$ 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
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).
106
Modulul poate fi utilizat pentru orice tip de scal dar este singurul indicator pentru scala nominal.
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%.
107
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.
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:
1: RQ = Q3 Q1
Abaterea semi-interquartil are urmtoarea expresie:
dm = (| xi - X |) / n 108
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.
109
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).
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
110
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:
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).
111
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.
112
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):
113
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).
114
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
115
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.
116
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. 117
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).
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:
118
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:
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).
119
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 :
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.
120
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. 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:
121
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:
122
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):
123
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.
124
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:
125
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:
126
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
127
numele variabilei (PunctajMediu) iar n Numeric Expression (Puncte1 + Puncte2) / 2. Dup apsarea butonului OK fereastra editorului va conine:
128
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 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:
129
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):
Forma iniial furnizat de SPSS pentru acest raport n Output Viewer a fost:
130
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. 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).
131
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.
132
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:
Meniul Descriptives Statistics ofer posibilitatea calcului i analizei indicatorilor statistici descriptivi.
Pentru toate exemplificrile acestui meniu vom lua n considerare urmtorul set de date:
133
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:
134
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. 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:
135
Raportul corespunztor afieaz (n mod implicit) un sumar al cazurilor procesate, indicatorii statistici descriptivi i reprezentrile grafice Stem-and-Leaf Plots structurate pe vrste.
136
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
21,00
22,00
. . 100,000
23,00
. . 33,333
1,225 .
137
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.
138
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:
139
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.
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. 140
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.
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
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
141
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
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:
142
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):
Se observ Sig.(2-tailed) = 0,044 care este < 0,05. Rezult c ipoteza cercetrii se accept. Cursul a contribuit la creterea performanelor angajailor.
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:
143
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:
144
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:
145
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:
146
feminin
Total
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
147
c 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 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.
148
Observm c ntre cele dou variabile exist o corelaie pozitiv foarte intens (r=0,910). Rezult c ipoteza cercetrii va fi acceptat.
149
BIBLIOGRAFIE
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. Discovering statistics using SPSS, Sage Publications, Thousand Oaks, 2005. Strategic Management, Prentice Hall PTR, 2001. Analiza statistic cu SPSS sub Windows, Editura Polirom, Iai, 2004. 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. Comunicarea organizaional i managerial la nivel microeconomic. Abordare cibernetico-economic, Editura Uranus, Bucureti, 2007. Statistic pentru psihologie. Teste i aplicaii SPSS, Iai Editura Polirom, 2008. 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.
Boldur-Lescu Gh., Scuiu, I., ignescu, E., Dantzig, G., B. Field, A, Fred R., D., Jaba, E., Grama., A., Heller, R., Hindle, T., Hammond J., R. K., Raiffa, H. Kaufmann, A. Lawrence, A. J.,, Pasternack, B., Lawrence, L., William, D. Maxim, C.,
150
Tummala V. Yih-Long, Ch., Sullivan, R., Somnea, D., Calciu, M., Vasilescu, G.
Decision Analysis with Business Applications, Educational Publishers, 1973. QSB+ Quantitative Systems for Business Plus, Prentice Hall, Englewood Cliffs, NJ 07632, 1991. Excel 5.0 cu aplicaii n management. Editura Tehnic, Bucureti, 1994. Analiza statistic economic i metode de evaluare a firmei. Editura Didactic i Pedagogic, Bucureti, 2002. Model Building in Mathematical Programming, Wiley, 1999.
Williams H.,
151