MÔ HÌNH HÓA VÀ QUẢN LÝ MÔ HÌNH

ĐẠI HỌC HUẾ
TRƯỜNG ĐẠI HỌC KHOA HỌC
KHOA CÔNG NGHỆ THÔNG TIN
NHÓM 4 – CAO HỌC KHOA HỌC MÁY TÍNH B
(NĂM HỌC 2010 – 2012)
MÔ HÌNH HÓA VÀ QUẢN LÝ MÔ HÌNH
TIỂU LUẬN MÔN HỌC
HỆ HỖ TRỢ QUYẾT ĐỊNH


Thành phố Huế, tháng 3/2012
1
ĐẠI HỌC HUẾ
TRƯỜNG ĐẠI HỌC KHOA HỌC
KHOA CÔNG NGHỆ THÔNG TIN
NHÓM 4 – CAO HỌC KHOA HỌC MÁY TÍNH B
(NĂM HỌC 2010 – 2012)
MÔ HÌNH HÓA VÀ QUẢN LÝ MÔ HÌNH
TIỂU LUẬN MÔN HỌC
HỆ HỖ TRỢ QUYẾT ĐỊNH
GIÁO VIÊN GIẢNG DẠY: NHÓM HỌC VIÊN THỰC HIỆN:
TS. HOÀNG THỊ LAN GIAO TRẦN NHƯ ĐĂNG TUYÊN
LÊ BÁ MINH PHONG
NGUYỄN THỊ THANH TÂM
NGUYỄN THỊ THÀNH
NGUYỄN VŨ CÁT TƯỜNG
TRẦN THỊ MỸ NGÂN

Huế, tháng 3/2012
2
MỤC LỤC

1. Mô hình trong DSS 4
2. Mô hình tĩnh và động 6
3. Xử lí chắc chắn, không chắc chắn và nguy hiểm 6
4. Phân tích quyết định của một vài chuyển đổi (bảng quyết định hay cây quyết định) 7
5. Tối ưu hóa thông qua quy hoạch toán học 10
6. Mô phỏng 12
7. Lập trình Heuristic 16
9. Dự báo 21
11. Ngôn ngữ mô hình và các bảng tính 25
12. Mô hình hóa đa chiều 27
15. Mô hình định lượng sẵn: 32
16. Cấu trúc mô hình cơ sở và quản lý: 38
3
1. Mô hình trong DSS
Mô hình trong DSS có thể được thực hiện trong nhiều cách. Để hiểu cách
mà mô hình làm việc trong DSS, ở phần cuối sẽ có 01 ví dụ minh họa. DSS này
bao gồm 3 kiểu mô hình:
1. Mô hình thống kê (phân tích xuống), mà được dùng cho việc tìm kiếm
các mối quan hệ giữa các biến. Mô hình này được lập trình trước trong công cụ
phát triển phần mềm DSS.
2. Mô hình tài chính cho việc phát triển tình trạng thu nhập và hoạch định
dự án kế toán trong nhiều năm. Mô hình này được bán cấu trúc và được viết với
1 ngôn ngữ DSS đặc biệt được gọi IFPS.
3. Mô hình tối ưu hóa được thực hiện sử dụng mô hình quản lí khoa học
được gọi là chương trình tuyến tính tiếp cận để xác định việc lựa chọn truyền
thông. Để dùng mô hình này, DSS cần giao tiếp với các phần mềm khác.
Frazee chứng minh trường hợp mà 1 DSS có thể bao gồm nhiều mô hình,
một số chuẩn và một số tự tạo, mà được dùng chung để hỗ trợ việc quyết định
việc quảng bá trong công ty. Nó cũng chứng minh rằng 1 số mô hình có thể
được xây dựng trong các gói phát triển phần mềm; một số cần được xây dựng;

những cái khác cần được truy cập bởi DSS khi cần thiết.
Các khía cạnh của mô hình cần được xem xét như sau:
Phát hiện vấn đề và phân tích môi trường: Vấn đề này được thảo luận ở
chương 2. Một khía cạnh mà không được thảo luận là đề tài duyệt và phân tích
môi trường, mà nghiên cứu điều khiển việc duyệt, và dịch được gọi là thu thập
thông tin. Nó thường thích hợp với phân tích phạm vi vùng miền, cảnh vật và
động vật của môi trường. Cần thiết cho việc xác định văn hóa tổ chức, hợp thành
tiến trình quyết định (người đưa ra quyết định, mức độ của sự tập trung…).
Sự phát hiện ra các biến: Sự xác định của các biến khác nhau hầu như rất
quan trọng, vì vậy chúng có mối quan hệ. Các biểu đồ ảnh hưởng, mà được miêu
tả trong phần 5.8 có thể rất hữu ích trong tiến trình này.
Tiên đoán: Tiên đoán rất quan trọng trong việc xây dựng và vận động mô
hình. Tiên đoán được mô tả trong phần 9.
Mô hình : Sự giải quyết hệ thống hỗ trợ có thể bao gồm nhiều mô hình
(đôi khi 12). Một trong số các mô hình là cân bằng chuẩn và chúng được xây
dựng trong phần mềm phát triển DSS. Những cái khác là chuẩn nhưng không có
4
giá trị như hàm xây dựng trong. Thay vì chúng như phần mềm không có giá đỡ
mà có thể giao tiếp với DSS. Những mô hình không chuẩn cần được xây dựng
từ sự hỗn tạp.
Người xây dựng DSS thường phải đối mặt với vấn đề khó xử mà các mô
hình bao gồm trong DSS. Thì sự quyết định phải được làm như là để xây dựng
chúng, sử dụng một cái khác đã làm rồi, hoặc chỉnh sửa mô hình đã có.
Bảng 1 tổng hợp các loại của các mô hình được dùng trong DSS vào 7
nhóm. Nó cũng liệt kê ra nhiều thể hiện kỹ thuật trong mỗi loại và biểu đạt số
phần mà mỗi loại được thảo luận trong chương này.
Mỗi kỹ thuật có thể xuất hiện trong 1 dạng mô hình hoặc tĩnh hoặc động
(phần 2) và nó có thể được xây dựng dưới giả định chắc chắn, không chắc chắn,
hoặc nguy hiểm (phần 3).
Để giải quyết việc xây dựng các mô hình người ta có thể dùng ngôn ngữ

mô hình (phần 11-14).
Quản lí mô hình
Mô hình, gần như dữ liệu, cần được quản lí. Việc quản lí được làm với sự
giúp đỡ của phần mềm quản lí mô hình cơ sở (phần 16).
Phạm trù Quá trình và mục tiêu Kỹ thuật đại diện
Tối ưu hóa bài toán
với ít phương án
Tìm ra giải pháp tốt nhất
từ một số ít phương án
Bảng quyết định, cây
quyết định
Tối ưu hóa qua giải
thuật
Tìm ra giải pháp tốt nhất
từ một số lớn hay vô hạn
các phương án bằng quá
trình cải thiện từng bước
Mô hình quy hoạch tuyến
tính, quy hoạch toán học,
mô hình mạng lưới
Tối ưu hóa qua biểu
thức giải tích
Tìm ra giải pháp tốt nhất
trong một bước bằng một
công thức
Một số mô hình tồn kho
Mô phỏng Tìm giải pháp đủ tốt hay
tốt nhất trong số các
phương án (đã kiểm tra)
bằng thực nghiệm

Một vài loại mô phỏng
Bất kỳ Tìm giải pháp đủ tốt bằng
cách dùng các quy tắc
Quy hoạch bất kỳ, hệ
chuyên gia
Các mô hình khác Giải tình huống “what-if”
bằng cách dùng công thức
Mô hình tài chánh, hàng
đợi
Các mô hình tiên
đoán
Tiên đoán tương lai cho
một kịch bản
Các mô hình dự báo, phân
tích Markov
Bảng 1. Các phạm trù của mô hình
5
2. Mô hình tĩnh và động
DSS có thể tĩnh hoặc động
Phân tích tĩnh.
Mô hình tĩnh dẫn đế sự kết xuất nhanh đơn giản của một trạng thái. Trong
suốt sự kết xuất nhanh này mọi thứ xuất hiện trong một khoảng cách đơn lẻ, mà
có thể ngắn hay dài trong quá trình.
Ví dụ, một quyết định làm hay mua 1 sản phẩm là tĩnh trong tự nhiên. Sự
tuyên bố một quý hay một năm thu nhập là tĩnh và vì vậy để quyết định đầu tư
được chỉ ra trong phần 5.4.
Trong khi phân tích tĩnh nó được giả định là ổn định.
Phân tích động.
Mô hình động được sử dụng để định giá sự kiện mà thay đổi theo thời gian.
Một ví dụ đơn giản nên là dự án lợi tức trong 5 năm, nơi mà dữ liệu vào, như là

giá cả, số lượng bị thay đổi hàng năm.
Mô hình động là phụ thuộc thời gian. Ví dụ, để xác định bao nhiêu lỗi nên
được mở ra trong 1 siêu thị. Nó cần được xem xét thời gian trong ngày. Điều
này là vì có nhiều sự thay đổi trong số những người đến siêu thị vào những giờ
khác nhau.
Mô hình động thì quan trọng bởi vì chúng chỉ ra xu hướng và các mẫu
trong ngày. Chúng cũng chỉ ra trung bình trên một đơn vị thời gian, chuyển dịch
giá tri trung bình và phân tích so sánh (ví dụ, lợi nhuận quý này chống lại lợi
nhuận quý này trong năm trước).
3. Xử lí chắc chắn, không chắc chắn và nguy hiểm
Khái niệm chắc chắn, không chắc chắn, nguy hiểm được giới thiệu chương
2. Khi chúng ta xây dựng mô hình, bất kỳ loại nào cũng có thể xuất hiện. Sau
đây là một số phát hiện liên quan đến mỗi điều kiện:
Mô hình chắc chắn.
Mọi người đều thích mô hình chắc chắn bởi vì chúng dễ làm và có thể giải
quyết hiệu suất tối ưu. Vấn đề đặc biệt là vô hạn (hoặc rất rộng lớn) số lượng
vấn đề giải quyết khả thi. Chúng được thảo luận trong phần 5.5 và 5.7. Nhiều
mô hình tài chính được xây dựng dưới giả định chắc chắn.
Không chắc chắn.
6
Người quản lí cố gắng thử tránh không chắc chắn nhiều có thể. Thay vì họ
cố gắng giành được nhiều thông tin hơn để các vấn đề có thể được xử lí dưới
tính toán nguy hiểm. Nếu bạn không thể giành được nhiều thông tin hơn, bạn
phải xử lí vấn đề như 1 vấn đề không chắc chắn.
Nguy hiểm.
Hầu hết các quyết định kinh doanh chính được thực hiện dưới giả định
nguy hiểm. Nhiều kỹ thuật có thể được dùng để giải quyết với phân tích nguy
hiểm. Chúng được đề cập trong phần này và phần 6.
4. Phân tích quyết định của một vài chuyển đổi (bảng quyết định hay
cây quyết định).

Các tình huống quyết định mà liên quan đến một vài hạn chế và thường
không quá lớn trong một số thay đổi thì được mô phỏng bởi cách tiếp cận mà sự
thay đổi được liệt kê với khả năng của chúng dự báo sự đóng góp cho việc đến
đích, và có thể nhận thấy như là sự đóng góp, trong một bảng hay một đồ thị.
Thì, một sự ước lượng diễn ra để chọn lựa sự thay đổi tốt nhất.
Hai trường hợp được phân biệt: đơn mục tiêu và đa mục tiêu. Tình huống
đơn mục tiêu thì được tiếp cận bởi việc sử dụng các bảng quyết định hoặc cây
quyết định. Đa mục tiêu (điều kiện) có thể được tiếp cận bởi nhiều kỹ thuật (có
thể được mô tả sau).
Bảng quyết định
Bảng quyết định thì thuận lợi cho cách tổ chức thông tin trong một kiểu hệ
thống. Ví dụ: một công ty đầu tư được xem xét đầu tư 1 trong 3 thay thế: dây
buộc, hàng tồn kho hoặc chứng chỉ vật gửi. (CDs).
Công ty thích 1 mục tiêu sản lượng lớn nhất trong đầu tư sau một năm. Nếu
nó được tương thích các mục tiêu khác như an toàn hay lưu lượng tiền mặt, thì
vấn đề nên được phân loại như các phân tích quyết định đa điều kiện.
Sản lượng phụ thuộc vào tình hình kinh tế, mà có thể cả phát triển cứng,
tồn đọng, hay sự lạm phát. Giới hạn sau của sản lượng hàng năm được cho bởi
chuyên gia:
1. Nếu có sự phát triển đồng nhất trong nền kinh tế, dây buộc sẽ chiếm sản
lượng 12%; cổ phiếu 15% và tiền gửi có thời hạn 6.5%
2. Nếu sự tồn đọng chiếm ưu thế, dây buộc sẽ chiếm 6%; cổ phiếu 3% và
tiền gửi có kỳ hạn 6.5%
7
3. Nếu lạm phát chiếm ưu thế, dây buộc sẽ chiếm 3%; cổ phiếu sẽ mất giá
2%; và tiền gửi có kỳ hạn 6.5%.
Vấn đề là chọn sự đầu tư linh hoạt nhất. Chú ý: đầu tư 50% trong dây buộc
và 50% trong cổ phiếu là sự thay đổi khác, và nó có thể được cộng vào sự thay
đổi thú 4. Ngược lại, thật sự công ty có thể đối mặt với những sự thay đổi khác.
Vấn đề đầu tư có thể được tổ chức trong 1 bảng (xem bảng 2)

Alternative Solid Growth Stagnation Inflation
Bonds 12% 6% 3%
Stocks 15% 3% -2%
CDs 6.5% 6.5% 6.5%
Bảng 2 Vấn đề đầu tư
Bảng này thể hiện mô hình toán học. Theo sự xác định của chúng tôi tại
chương 2, bảng bao gồm: biến quyết định (thay đổi), biến không kiểm soát
được (trạng thái của nền kinh tế), và biến kết quả (sản lượng dự án; số bên trong
bảng).
Hai trường hợp có thể được phân biệt: không chắc chắn và nguy hiểm.
Trong trường hợp không chắc chắ, chúng ta không biết khả năng của mỗi trạng
thái tự nhiên. Trong trường hợp nguy hiểm chúng ta giả định chúng ta biết khả
năng mà mỗi trạng thái tự nhiên sẽ xuất hiện.
Xử lí không chắc chắn.
Theo phản ứng trực giác của vài nhà quản lí thì không đưa ra quyết định
dưới sự không chắc chắn đến khi thay đổi nền kinh tế có thể được đánh giá. Tuy
nhiên, nếu không có thông tin cho việc đánh giá cho các cơ hội (hoặc không có
thời gian để thu thập nhiều thông tin), một người có thể dùng một trong số
nhiều hướng tiếp cận để nắm bắt phần không chắc chắn. Ví dụ, hướng tiếp cận
tối ưu hóa bao gồm sự xem xét hậu quả tốt nhất có thể của mỗi sự thay đổi và
sự lựa chọn tốt nhất của cái tốt nhất (cố phiếu). Hướng tiếp cận yếm thế (bảo
thủ) bao gồm sự xem xét hậu quả xấu nhất có thể xảy ra cho mỗi sự thay đổi và
sự lựa chọn cái tốt nhất (CDs).
Mỗi chi tiết đó và các hướng tiếp cận khác, xem Turban và Meredith
[1994]. Tất cả các hướng tiếp cận của sự nắm bắt không chắc chắn có sự thiếu
hụt nghiêm trọng. Vì vậy, bất kỳ mô hình nào cũng nên cố gắng thu thập thông
tin đầy đủ để mà vấn đề có thể được xử lí dưới dạng chắc chắn hoặc dưới gỉa
định nguy hiểm.
8
Xử lí nguy hiểm.

Chúng ta hãy giả định rằng cơ hội của sự phát triển bền vững được giới
hạn là 50% mà sự tồn đọng 30%, và sự lạm phát 20%. Trong trường hợp bảng
quyết định được viết lại với sự thêm thông tin (xem bảng 5.3). Phương pháp
chung nhất cho việc giải quyết vấn đề phân tích sự nguy hiểm là chọn sự thay
đổi với giá trị mong đợi lớn nhất. Một giá trị mong đợi được tính toán bởi nhiều
quy tắc (hậu quả) bởi khả năng riêng của chúng và cộng thêm cả chúng. Ví dụ,
cho dây buộc: 12(0.5)+6(0.3)+3(0.2)=8.4 (đầu tư cho dây buộc, cho trung bình
trở lại 8.4%).
Cây quyết định
Một sự thể hiện thay đổi của bảng quyết định là một cây quyết định. Một
cây quyết định có 2 thuận lợi: Thứ nhất, nó chỉ ra biểu đồ của mối quan hệ của
vấn đề, và thứ hai, nó có thể giải quyết những tình huống phức tạp hơn nhiều
trong một hình dạng nhỏ gọn (ví dụ, vấn đề đầu tư đa thời kỳ).
Alterative Solid Growth
0.50
Stagnation
0.30
Inflation 0.20 Expected Value
Bonds 12% 6% 3% 8.4%(maximum)
Stocks 15% 3% -2% 8%
CDs 6.5% 6.5% 6.5% 6.5%
Bảng 3. Quyết định dưới mức nguy hiểm và sự giải quyết của nó
Alteratives Yield Safety Liquidity
Bonds 8.4% High High
Stocks 8% Low High
CDs 6.5% Very High High
Bảng 4. Đa mục tiêu
Các phương pháp khác của xử lí nguy hiểm.
Nhiều phương pháp khác của xử lí nguy hiểm được thảo luận trong sách
này. Đặc biệt: mô phỏng, tác nhân chắc chắn, logic mờ.

Đa mục tiêu
Một trường hợp đơn giản của đa mục tiêu được chỉ ra trong bảng 5.4. 3
mục tiêu (hoặc điều kiện) được xem xét: Sản lượng, an toàn,à lưu lượng tiền
mặt.
Chú ý rằng tình trạng này được giả định chắc chắn; đó là, duy chỉ 1 hậu
quả có thể là dự đoán cho cả sự thay đổi. (Ngược lại, trong một số trường hợp
phức tạp hơn, nguy hiểm hay không chắc chắn được xem xét). Chú ý rằng một
9
số kết quả là phi số nhưng định lượng (vd, cao, thấp). Với phương pháp giải
quyết đa mục tiêu xem Hwanf và Yoon [1981].
Phần mềm bao quát thì có giá trị trong giải quyết đưa ra quyết định đa điều
kiện (xem phần 5.15 và Phụ lục 5-B).
5. Tối ưu hóa thông qua quy hoạch toán học
Quy hoạch toán học
Quy hoạch toán học là tên gọi của các công cụ được thiết kế để giúp giải
quyết các vấn đề quản lý, trong đó các nhà quản lý phải quyết định phân phối tài
nguyên (như lao động, vốn, máy móc ) giữa các hoạt động khác nhau để tối ưu
hóa công việc của mình. Chẳng hạn, phân phối thời gian sử dụng máy móc khi
sản xuất các sản phẩm khác nhau sao cho đạt hiệu suất cao nhất. Việc phân phối
thường được thể hiện thông qua các đặc điểm và đòi hỏi các giả thiết sau:
Các đặc điểm:
− Một số lượng hữu hạn các nguồn lực kinh tế luôn có sẵn để phân phối.
− Các tài nguyên được sử dụng cho việc sản xuất sản phẩm hoặc dịch vụ.
− Các tài nguyên có thể được sử dụng theo nhiều cách khác nhau. Mỗi
cách được gọi là một giải pháp hoặc một một quy hoạch.
− Sự phân phối thường phải thỏa mãn các ràng buộc.
Các giả định:
− Giá trị kết quả của các sự phân phối khác nhau có thể được so sánh, có
nghĩa là chúng có thể được đo bằng các đơn vị thông thường.
− Giá trị kết quả của các sự phân phối khác nhau là độc lập, không phụ

thuộc vào nhau.
− Giá trị kết quả cuối cùng là tổng các kết quả của các hoạt động khác
nhau.
− Tất cả dữ liệu được biết một cách chắc chắn.
− Các nguồn lực được sử dụng một cách tiết kiệm nhất.
Vấn đề phân phối nói chung có thể được thực hiện như sau: Tìm cách phân
phối nguồn tài nguyên có hạn cho các hoạt động khác nhau sao cho mang lại
hiệu quả lớn nhất. Thông thường, ta sẽ có nhiều cách để phân phối. Tùy thuộc
vào các giả định cơ bản, số lượng các giải pháp có thể là vô hạn hay hữu hạn.
Thường thì các giải pháp phân phối khác nhau sẽ đem lại các kết quả năng suất
10
khác nhau. Trong đó sẽ có một (hoặc nhiều) giải pháp là tốt nhất, theo nghĩa
mức độ đạt được mục tiêu cuối cùng với nó là cao nhất. Đây được gọi là giải
pháp tối ưu, có thể được tìm thấy bằng cách sử dụng một thuật toán đặc biệt.
Quy hoạch tuyến tính
Ví dụ: Bài toán pha chế sơn (Tối ưu hóa cực tiểu)
Trong pha chế sơn Sungold, yêu cầu đặt ra là sơn phải đạt độ sáng tối thiểu
là 300D và độ bóng tối thiểu là 250D. Mức độ sáng và bóng được quyết định bởi
2 thành phần Alpha và Beta. Cả Alpha và Beta có vai trò như nhau trong việc
tạo ra độ sáng, 1 ounce của mỗi loại Alpha hoặc Beta đem lại 1D độ sáng. Tuy
nhiên, mức độ bóng thì phụ thuộc nhiều vào Alpha. 1 ounce loại Alpha đem lại
3D độ bóng. Giá 1 ounce Alpha là 45 cent, giá 1 ounce Beta là 12 cent. Hãy tìm
chi phí cực tiểu và lượng alpha, beta cần sử dụng để pha chế.
Gọi x
1
, x
2
(ounce) là lượng Alpha, Beta cần dùng. Mục tiêu của bài toán là
tìm ra chi phí cực tiểu. Giá của alpha là 45 cent/ounce, giá của beta là 12
cent/ounce. Do đó ta cần tối thiểu hàm mục tiêu z = 45x

1
+ 12x
2
.
Độ sáng tối thiểu là 300 và x
1
, x
2
có vai trò như nhau trong việc tạo ra sự
sáng nên ta có phương trình: 1x
1
+ 1x
2
≥ 300
Tương tự ta cũng có: 3x
1
+ 0x
2
≥ 250
Tóm lại, với bài toán này ta cần tìm x
1
, x
2
sao cho:
z = 45x
1
+ 12x
2
đạt cực tiểu và thỏa mãn:




≥+
≥+
25003
30011
21
21
xx
xx
Và kết quả cho ra là x
1
= 83.333; x
2
= 216.667; tổng chi phí bỏ ra là 63.50
Dạng tổng quát và các thuật ngữ
Biến quyết định (Decision Variables): Mục đích của bài toán là tìm giá trị
của các biến này. Trong ví dụ trên, x
1
và x
2
là biến quyết định.
Hàm mục tiêu (Objective Function): Đây là một cách diễn đạt toán học,
được đưa ra như 1 hàm tuyến tính, nó cho biết mối quan hệ giữa các biến quyết
định và một mục tiêu duy nhất được xem xét.
Nếu vấn đề quản lý bao gồm nhiều mục tiêu, ta tiếp cận theo 2 bước sau:
- Chọn 1 mục tiêu chính (cực đại hoặc cực tiểu)
- Biến đổi mục tiêu còn lại thành các ràng buộc.
11
Tối ưu hóa (Optimization): quy hoạch tuyến tính sẽ tìm giá trị cực đại hoặc

cực tiểu của hàm mục tiêu
Hệ số của các hàm mục tiêu (Coefficients of the Objective Function): Hệ số
của các biến trong hàm mục tiêu (Trong ví dụ trên là 45 và 12) được gọi là hệ
số lợi ích (hoặc là hệ số chi phí).
Các ràng buộc (Constraints): Các ràng buộc có thể được biểu diễn dưới
dạng các bất phương trình tuyến tính. Chúng miêu tả sự giới hạn của các tài
nguyên hoặc các yêu cầu nào đó.
Hệ số Input-Output (Input-Output Coefficients): Các hệ số trước các biến
trong các ràng buộc được gọi là hệ số Input-Output. Chúng thường xuất hiện bên
trái của các ràng buộc.
Khả năng (Capacities): Chúng được xem như là giới hạn trên và giới hạn
dưới, thường nằm bên phải các ràng buộc.
Ví dụ:
Hàm mục tiêu: Các ràng buộc:
6. Mô phỏng
Việc mô phỏng có rất nhiều công cụ, tùy thuộc vào lĩnh vực mà nó được
ứng dụng. Mô phỏng có nghĩa là giả định sự xuất hiện của các đặc tính trong
thực tế. Trong MSS, nó thường đề cập đến một kỹ thuật để tiến hành thực
nghiệm bằng máy tính trên một mô hình của một hệ thống quản lý.
Đặc điểm chính
Mô phỏng không hoàn toàn là một loại mô hình, các mô hình nói chung
thường đại diện cho thực tế, trong khi đó mô phỏng thường là giả lập.
Mô phỏng là 1 kỹ thuật để tiến hành thử nghiệm. Do đó sự mô phỏng bao
gồm việc kiểm tra các giá trị cụ thể của quyết định hoặc các biến trong mô hình
đồng thời quan sát ảnh hưởng đến các giá trị output.
12
z = 45x
1
+ 12x
2

decision variables
cost coefficients 1x
1
+ 1x
2
≥ 300
3x
1
+ 0x
2
≥ 250
capacities or
requiments
input-ouput
coefficients
Mô phỏng là một công cụ mô tả chứ không phải là một công cụ chuẩn, có
nghĩa là không có một sự tìm kiếm tự động nào cho một giải pháp tối ưu. Thay
vào đó, 1 mô phỏng mô tả và/hoặc dự đoán các đặc điểm của 1 hệ thống được
đưa ra trong những hoàn cảnh khác nhau.
Mô phỏng thường chỉ được sử dụng khi các vấn đề cần giải quyết là phức
tạp, khó xử lý bằng phương pháp tối ưu hóa.
Trong một mô hình tối ưu hóa, mô hình sẽ cho ra tập hợp các giá trị của
biến số ra quyết định để tối đa hóa hay tối thiểu hóa giá trị của hàm mục tiêu.
Trong khi đó một mô hình mô phỏng sẽ đánh giá các giá trị hàm mục tiêu đạt
được theo sự thay đổi của tập hợp các giá trị đầu vào.
Ưu và nhược điểm của mô phỏng
Ưu điểm:
− Lý thuyết mô phỏng tương đối đơn giản.
− Các mô hình mô phỏng đơn giản là sự tổng hợp của nhiều mối quan hệ
cơ bản và sự phụ thuộc lẫn nhau, chúng sẽ được đưa ra theo yêu cầu của nhà

quản lý.
− Mô phỏng có tính mô tả hơn là tính quy tắc. Nó cho phép nhà quản lý đặt
loại câu hỏi "what-if". Do đó, khi nhà quản lý sử dụng một phương pháp thử-và-
lỗi để giải quyết vấn đề thì sẽ nhanh hơn, rẻ hơn, với ít rủi ro, bằng cách sử dụng
sự trợ giúp của mô phỏng và máy tính.
− Một mô hình mô phỏng chính xác đòi hỏi người xây dựng phải thông
hiểu một cách sâu sắc vấn đề đó, do đó buộc các nhà xây dựng MMS phải trao
đổi trực tiếp với người quản lý.
− Mô hình được xây dựng từ quan điểm của nhà quản lý và theo cấu trúc
quyết định của họ.
− Mô hình mô phỏng chỉ được xây dựng cho một vấn đề nào đó mà thôi,
nó sẽ không giải quyết vấn đề khác. Do đó, không đòi hỏi nhà quản lý phải có
kiến thức sâu rộng. Mỗi thành phần trong mô hình tương ứng với một phần của
mô hình thực tế cuộc sống.
− Mô phỏng có thể xử lý các vấn đề có tính chất thay đổi thường xuyên
như hàng tồn kho, nhân viên, Ngoài ra nó cũng có thể thực hiện chức năng
cấp quản lý cao hơn như lập kế hoạch dài hạn.
13
− Nhà quản lý có thể thử nghiệm với các biến số khác nhau để xác định
phương án tối ưu nhất.
− Mô phỏng cho phép bao gồm các vấn đề phức tạp trong đời sống thực tế,
sự đơn giản hóa là không cần thiết.
− Do tính chất của mô phỏng, một lượng lớn thời gian có thể được nén,
giúp cho người quản lý có thể thấy hiệu quả lâu dài của các chính sách khác
nhau chỉ trong một vài phút.
− Ta có thể sễ dàng có được một loạt các biện pháp thực hiện trực tiếp từ
mô phỏng.
Nhược điểm:
− Không đảm bảo giải pháp đó là tối ưu.
− Xây dựng mô hình mô phỏng thường là một quá trình dài và tốn kém

− Giải pháp và những kết luận từ một nghiên cứu mô phỏng thường không
được chuyển giao cho vấn đề khác.Điều này là do sự kết hợp trong mô hình của
các yếu tố độc nhất của vấn đề.
Kỹ thuật mô phỏng
Mô phỏng liên quan đến việc thiết lập một mô hình của một hệ thống thực
và tiến hành các thử nghiệm lặp đi lặp lại trên đó. Bao gồm các bước như sau:
− Xem xét vấn đề: Các vấn đề trong thế giới thực được kiểm tra và phân
loại. Ở đây chúng ta nên xác định lý do tại sao mô phỏng là cần thiết, tại sao cần
có sự mô phỏng. Các ranh giới của hệ thống và các khía cạnh khác của vấn đề
được chỉ rõ ở đây.
− Xây dựng mô hình mô phỏng:Bước này bao gồm việc thu thập các dữ
liệu cần thiết. Trong nhiều trường hợp, ta có thể sử dụng một lược đồ để mô tả.
Sau đó, 1 chương trình máy tính sẽ được viết.
− Kiểm tra và đánh giá mô hình: Mô hình mô phỏng phải mô phỏng đúng
các hệ thống được nghiên cứu. Điều này liên quan đến quá trình hợp lệ hóa.
− Thiết kế thí nghiệm: Một khi mô hình đã được chứng minh hợp lệ, ta sẽ
thiết kế việc thí nghiệm. Trong bước này ta xác định thời gian bao lâu để chạy
các mô phỏng, ta cần chú ý đến hai mục tiêu quan trọng đó là sự chính xác và
chi phí.
− Tiến hành thí nghiệm
14
− Đánh giá kết quả: Ở đây chúng tôi đề cập đến các vấn đề như "Kết quả
như vậy có nghĩa gì?" Ngoài các công cụ thống kê chúng tôi có thể sử dụng
phân tích độ nhạy (chẳng hạn các dạng câu hỏi “what-if”)
− Triển khai: Việc triển khai các kết quả mô phỏng bao gồm những vấn
đề tương tự như triển khai các mô hình khác. Tuy nhiên, cơ hội thực hiện triển
khai sẽ cao hơn khi nhà quản lý tham gia nhiều hơn vào quá trình mô phỏng.
Hình 5.1. Quá trình mô phỏng
Các loại mô phỏng
− Mô phỏng xác suất

Mô phỏng xác suất có 2 loại: Phân phối liên tục và phân phối rời rạc
Phân phối rời rạc: Một số hữu hạn các sự kiện (hoặc biến) nhận một số hữu
hạn các giá trị.
Phân phối liên tục: Các sự kiện (hoặc biến) nhận các giá trị liên tục.
Mô phỏng xác suất được thực hiện bằng phương pháp gọi là Monte Carlo.
− Mô phỏng thời gian phụ thuộc và thời gian độc lập.
Thời gian độc lập đề cập đến một tình huống mà ta không cần quan tâm
thời gian chính xác khi sự kiện xảy ra.Ví dụ, chúng ta có thể biết rằng nhu cầu
cho một sản phẩm nào đó là 3dv mỗi ngày, nhưng chúng ta không cần quan tâm
khi nào trong ngày, người ta có nhu cầu dùng sản phẩm đó. Hoặc trong một số
trường hợp, thời gian không có thể là một yếu tố trong mô phỏng ở tất cả.
Mặt khác, trong vấn đề hàng đợi, điều quan trọng là phải biết chính xác thời
gian đến (để biết nếu khách hàng sẽ phải chờ đợi hay không). Trong tình huống
này thì chúng ta quan tâm đến thời gian phụ thuộc.
15
− Mô phỏng trực quan
Việc hiển thị đồ họa các kết quả bằng máy tính là một trong những sự phát
triển mới thành công trong sự tương tác giữa máy tính - con người và giải quyết
vấn đề.
Mô phỏng thí nghiệm (Thống kê)
Gồm 8 bước và được gọi là thủ tục Monte Carlo:
− Xác định các tiêu chuẩn phù hợp với hệ thống. Nếu cần thiết, viết ở
dạng phương trình.
− Mô tả các hệ thống và sự phân phối xác suất của các yếu tố xác suất
thích hợp của hệ thống.
− Xây dựng các phân phối xác suất tích lũy cho mỗi yếu tố ngẫu nhiên.
− Gán các số đại diện tương ứng với phân phối xác suất tích lũy.
− Với mỗi thành phần xác suất, lấy một mẫu ngẫu nhiên (tạo ra một số
ngẫu nhiên hoặc chọn từ một bảng số ngẫu nhiên)
− Nếu kết quả ổn định và như mong đợi thì lặp lại bước 5 và 6 cho đến

khi các số đo của hệ thống là ổn định
− Lặp lại bước 5-7 cho các sự thay thế khác nhau. Đưa ra giá trị của các
số đo biểu diễn và khoảng độ tin cậy của chúng, quyết định phương án thay thế
thích hợp.
7. Lập trình Heuristic
Việc xác định các giải pháp tối ưu cho một số vấn đề quyết định phức tạp
có thể liên quan đến sự ngăn cấm một số lượng thời gian và chi phí, hoặc thậm
chí có thể là một nhiệm vụ không thể. Cách khác, cách tiếp cận mô phỏng có thể
được kéo dài, phức tạp, và thậm chí không chính xác. Trong tình huống như vậy,
đôi khi có thể đi đến giải pháp thỏa đáng một cách nhanh chóng và ít tốn kém
bằng cách sử dụng Heuristics.
Trong khi Heuristics được sử dụng chủ yếu để giải quyết vấn đề thiếu cấu
trúc, chúng cũng có thể được sử dụng để cung cấp các giải pháp thỏa đáng cho
một số vấn đề phức tạp, vấn đề được cấu trúc tốt cũng nhanh hơn và rẻ hơn so
với thuật toán. Khó khăn chính trong việc sử dụng Hueristic là chúng không
phải là trường hợp chung như các thuật toán. Vì vậy, chúng thường có thể được
sử dụng duy nhất cho tình hình cụ thể mà chúng đã dự định. Một vấn đề khác
với phương pháp heuristic là chúng có thể dẫn đến một giải pháp nghèo.
16
Lập trình Heuristic là cách tiếp cận sử dụng heuristics để đạt được tính khả thi
và các giải pháp "đủ tốt" cho một số vấn đề phức tạp. "Đủ tốt" thường là trong
khoảng 90-99,9% của các giải pháp tối ưu thực sự.
Trong khi nghiên cứu các ví dụ của chương trình để phát triển ứng dụng,
một người trong những ca quan sát các nỗ lực để giảm số lượng tìm kiếm cho
một giải pháp thỏa đáng. Trong cuộc tìm kiếm như vậy, máy tính được "dạy"
làm thế nào để khám phá những con đường chỉ tương đối màu mỡ và bỏ qua
những cái tương đối không màu mỡ. Các lựa chọn của máy tính được thực hiện
bằng cách sử dụng các Hueristic có thể được cải thiện trong quá trình tìm kiếm.
Heuristic có thể được định lượng, và như vậy, chúng đóng một vai trò quan
trọng trong các cơ sở mô hình DSS. Chúng cũng có thể được chất lượng, và sau

đó chúng đóng một vai trò quan trọng trong việc cung cấp kiến thức cho các hệ
chuyên gia.
Phương pháp luận
Suy nghĩ Heuristic không nhất thiết phải tiến hành một cách trực tiếp. Nó
liên quan đến việc tìm kiếm, học hỏi, thẩm định, đánh giá, và sau đó một lần nữa
tìm kiếm, học lại, và đánh giá lại như khám phá và thăm dò diễn ra. Các kiến
thức thu được từ thành công hay thất bại tại một số điểm được đưa trở lại và
thay đổi quá trình tìm kiếm. Thường xuyên hơn không, nó là cần thiết hoặc để
xác định lại các mục tiêu, vấn đề, hoặc để giải quyết các vấn đề có liên quan
hoặc đơn giản trước khi một trong những vấn đề chính có thể được giảiquyết.
Phương pháp Heuristic đã được mô tả bởi Pearl [1984] dựa vào các chiến lược
tìm kiếm thông minh cho vấn đề máy tính giải quyết bằng cách sử dụng một số
phương pháp thaythế.
Các thủ tục heuristic cũng có thể được mô tả như việc tìm kiếm các quy tắc
giúp giải quyết ngay lập tức các bài toán con để khám phá làm thế nào để thiết
lập các subproblems cho giải pháp cuối cùng của việc tìm kiếm những con
đường hứa hẹn nhất trong việc tìm kiếm các giải pháp, tìm cách để lấy và giải
thích thông tin trên từng kinh nghiệm, và sau đó tìm kiếm các phương pháp dẫn
đến một thuật toán tính toán, giải pháp chung. Thuật ngữ heuristic đã được sử
dụng để bao gồm bất kỳ hoặc tất cả các bước sau:
Một cách tiếp cận chung để kết hợp các quy tắc:
1. Một giản đồ phân loại giới thiệu cấu trúc vào một vấn đề.
2. Phân tích các đặc điểm của các yếu tố có vấn đề.
17
3. Quy tắc lựa chọn các yếu tố từ mỗi thể loại để đạt được các chiến lược
tìm kiếm hiệu quả.
4. Quy tắc cho các lựa chọn thành công, khi được yêu cầu.
5. Một chức năng khách quan được sử dụng để kiểm tra tính đầy đủ các giải
pháp ở từng giai đoạn lựa chọn hoặc tìm kiếm.
Khi sử dụng Heuristics (per Zanakis và Evans [1981])

Sau đây là một số kịch bản mà sử dụng Hueristic (thay vì tối ưu hóa) là
thích hợp:
1. Các dữ liệu đầu vào không chính xác hoặc bị hạn chế.
2. Thực tế là rất phức tạp và các mô hình tối ưu hóa là đơn giản.
3. Một phương pháp đáng tin cậy và chính xác là không có sẵn.
4. Thời gian tính toán tối ưu hóa quá đáng.
5. Nó có thể để nâng cao hiệu quả của quá trình tối ưu hóa (ví dụ, bằng
cách tạo ra những giải pháp tốt nhất sử dụng Hueristic).
6. Các vấn đề được giải quyết thường xuyên và liên tục và tiêu tốn thời gian
máy tính (Hueristic đặc biệt thích hợp).
7. Vấn đề phức tạp mà không phải là kinh tế để tối ưu hóa hoặc mất quá lâu
thời gian và heuristic có thể cải thiện các giải pháp noncomputerized.
8. Khi biểu tượng hơn là xử lý số có liên quan (trong các hệ chuyên gia).
Ưu điểm của Heuristics
Những lợi thế chính của Hueristic:
1. Đơn giản để hiểu và do đó dễ dàng hơn để thực hiện.
2. Giúp trong việc đào tạo con người sáng tạo và đưa ra Hueristic cho các
vấn đề khác.
3. Tiết kiệm thời gian xây dựng.
4. Lưu chương trình và các yêu cầu lưu trữ trên các máy tính.
5. Tiết kiệm thời gian máy tính đang chạy .
6. Thường xuyên sản xuất nhiều giải pháp chấp nhận được.
Có một xu hướng sử dụng Hueristic như là một thay thế cho phương pháp
tối ưu. Hueristic có thể được thú vị để phát triển và sử dụng. Những gì được yêu
cầu là một sự hiểu biết về bản chất của vấn đề và sự khéo léo.
18
Vấn đề sử dụng Heuristics
Geoffrion và Văn Roy xác định những thiếu sót của Hueristic sau đây:
1. Hueristic liệt kê xem xét tất cả các kết hợp có thể có trong vấn đề thực tế
hiếm khi có thể đạt được.

2. Chuỗi lựa chọn quyết định tuần tự có thể không lường trước được hậu
quả trong tương lai của mỗi sự lựa chọn.
3. "Cải thiện địa phương" có thể ngắn mạch giải pháp tốt nhất bởi vì
phương pháp này, tương tự như mô phỏng, thiếu một viễn cảnh toàn cục.
4. Phụ thuộc lẫn nhau của một phần của một hệ thống đôi khi có thể có một
ảnh hưởng sâu sắc đến toàn bộ hệ thống.
8. Sơ đồ ảnh hưởng
Một sơ đồ ảnh hưởng cung cấp một trình bày đồ họa của một mô hình. Nó
cung cấp một giao tiếp trực quan cho các nhà xây dựng mô hình. Nó cũng phục
vụ như là một khuôn khổ để thể hiện bản chất chính xác của mối quan hệ trong
mô hình MSS. Thuật ngữ ảnh hưởng đề cập đến sự phụ thuộc của một biến vào
mức độ của một biến khác. Một sơ đồ ảnh hưởng đến tất cả các biến trong một
vấn đề quản lý.
Ảnh hưởng đến sơ đồ xuất hiện trong nhiều hình dạng. Chúng tôi sẽ sử
dụng quy ước sau đây, đề nghị của Bodily [1985].
Các biến được kết nối với các mũi tên, để chỉ hướng ảnh hưởng đến. Các
hình dạng của mũi tên cũng cho thấy các loại của mối quan hệ. Sau đây là mối
quan hệ điển hình:
19
Rectangle = a decision variable
Circle = uncontrollable or intermediate variable
Oval = result (outcome) variable; intermediate or final
1. Certainty Amount in CDs
Interest
collected
2. Uncertainty
Price
Sales
3. Random variable: place ~ above the variable’s name.
~

demand
Sales
4. Preference (usually between outcome variables). This is shown as a
double-line arrow.
Mũi tên có thể là một chiều hoặc hai chiều (bidirectional).
Sơ đồ ảnh hưởng có thể được xây dựng ở bất kỳ mức độ chi tiết và tinh tế.
Nó cho phép các nhà xây dựng mô hình ghi nhớ tất cả các mối quan hệ trong mô
hình, cũng như hướng của các ảnh hưởng.
Ví dụ. Cho một mô hình:
Thu nhập = đơn vị bán x đơn giá
Các đơn vị bán = 0,5 x số được sử dụng trong quảng cáo
Chi phí = chi phí đơn vị x đơn vị bán + chi phí cố định
Lợi nhuận = thu nhập – chi phí
Sơ đồ ảnh hưởng của mô hình đơn giản này được thể hiện trong hình 5.2.
Phần mềm. Một số sản phẩm phần mềm có sẵn cho việc thực hiện của sơ
đồ ảnh hưởng. Quá trình giải quyết của các sản phẩm này biến đổi từ vấn đề ban
đầu vào hình thức sản xuất. Sản phẩm đại diện là:
o
DAVID (from Duke University). Sản phẩm này giúp người sử dụng để
xây dựng, sửa đổi, và phân tích các mô hình trong một môi trường tương
tác đồ họa .
o
INDIA (from Decision Focus, Inc, Palo Alto, CA). Quá trình giải quyết
của sản phẩm này biến đổi các vấn đề ban đầu thành một hình thức giảm
mới trong một nỗ lực để xác định chính sách tối ưu.
o
DPL (from ADA Decision Analysis, Menlo Park, CA). Sản phẩm này
cung cấp một tổng hợp của sơ đồ ảnh hưởng và cây quyết định.
20
o

DS Lab (xem phần 5,13)
Đối với phân tích so sánh đáng tin cậy của Reliability Engineering and
system safety, 30 (1990): 115-162.
Ngoài ra, một số phần mềm máy tính đồ họa và gói CASE có thể được sử
dụng để vẽ sơ đồ ảnh hưởng.
9. Dự báo
Người đọc có thể nhớ lại rằng, quyết định đưa ra liên quan lựa chọn một
khóa thay thế của hành động bằng cách đánh giá những hậu quả có thể có của
các lựa chọn thay thế. Mặc dù sự lựa chọn là thực hiện ngày hôm nay, những
hậu quả có thể sẽ xảy ra đôi khi trong tương lai. Vì vậy, chất lượng của quyết
định phần lớn phụ thuộc vào chất lượng của dựbáo.
Các mô hình dự báo là một phần không thể thiếu của nhiều MSS. Người ta
có thể xây dựng một mô hình dự báo, người ta cũng có thể sử dụng các gói phần
mềm lập trìnhsẵn.
Nhiều công cụ phát triển MSS có một số khả năng dự báo xây dựng trong.
Việc sử dụng dự báo
Việc sử dụng chính của dự báo, vì nó liên quan đến mô hình, dự đoán giá
trị của các biến mô hình, cũng như mối quan hệ hợp lý của mô hình, tại một số
thời điểm trong tương lai. Thời gian quan tâm trong tương lai phụ thuộc vào
"khi" chúng tôi muốn đánh giá kết quả. Ví dụ, trong một quyết định đầu tư,
chúng tôi có thể quan tâm đến giá cả và thu nhập một năm từ ngày hôm nay,
21
Dollar amount spent
on advertisement
Fix
cost
Unit
cost
Units
sold

Unit
price
expensses
icome
Profit
trong khi ở một quyết định đầu tư vốn, chúng tôi có thể quan tâm đến giá dự án
và thu nhập trong năm năm tới. Nói chung, chúng tôi phân biệt giữa hai loại dự
báo: (a) ngắn hạn (lên đến một năm), dự báo được sử dụng chủ yếu trong xác
định (chắc chắn) mô hình, và (b) dài hạn (hơn một năm), dự báo được sử dụng
trong cả hai mzodels xác định và xác suất.
Mô hình dự báo và phương pháp
Có tồn tại nhiều loại mô hình dự báo vì dự báo là một nhiệm vụ vô cùng
khó khăn. Những gì sẽ xảy ra trong tương lai phụ thuộc, trong nhiều trường hợp,
trên một đa dạng của các yếu tố, hầu hết trong số đó là không thể kiểm soát
được. Hơn nữa, dữ liệu sẵn có, chính xác, chi phí, và thời gian cần thiết để làm
cho dự báo cũng đóng một vai trò quan trọng.
Phương pháp dự báo có thể được nhóm lại theo nhiều cách. Một chương
trình phân loại phân biệt giữa các kỹ thuật dự báo chính thức công nhận (chính
thức) và phương pháp tiếp cận không chính thức như trực giác, thúc đẩy thời
điểm dự đoán, và chỗ ngồi của các vị từ dự đoán. Sự chú ý của chúng tôi trong
phần này là hướng đến các phương pháp chính thức.
Phương pháp chính thức có thể được chia thành bốn loại: phương pháp
phán đoán, phương pháp tính, phương pháp chuỗi thời gian, và các hội hoặc các
phương pháp nhân quả.
Mỗi thể loại được thảo luận ngắn gọn dưới đây. Đối với một cuộc thảo luận
chi tiết hơn, theo Turban và Meredith [1994], Georgoff và Murdick [1986], và
Makridakis và Wheelwright [1982].
Phương pháp phản biện. Phương pháp phản biện là những căn cứ trên
các ước tính chủ quan và ý kiến chuyên gia, chứ không phải là trên các dữ liệu
cứng. Chúng thường được sử dụng cho các dự báo tầm xa, đặc biệt là yếu tố bên

ngoài (ví dụ, phát triển công nghệ, chính trị) có thể đóng một vai trò quan trọng.
Chúng cũng được sử dụng trong trường hợp dữ liệu lịch sử là rất hạn chế hoặc
không tồn tại, chẳng hạn như trong giới thiệu sản phẩm / dịch vụ mới.
Phương pháp đếm. Phương pháp đếm liên quan đến một số cuộc thử
nghiệm hoặc khảo sát của một mẫu với một nỗ lực để khái quát về toàn bộ thị
trường. Những phương pháp này chủ yếu được sử dụng cho nhu cầu dự báo về
sản phẩm / dịch vụ, một phần của nghiên cứu thị trường.
Đây là loại các phương pháp dự báo số lượng trong tự nhiên. Những
phương pháp này được dựa trên các dữ liệu cứng và do đó thường được coi là
khách quan hơn hơn so với những phương pháp trước đó. Chúng thường sử
22
dụng dữ liệu lịch sử và thường chia ra thành chuỗi thời gian và các phương pháp
nhân quả.
Phân tích chuỗi thời gian. Một chuỗi thời gian là một tập hợp các giá trị
của một số biến kinh doanh hoặc kinh tế, được đo liên tiếp (thường là bằng
nhau) trong một khoảng thời gian. Ví dụ, doanh số bán hàng quý của công ty tạo
nên một chuỗi thời gian, cũng như dân số trong một thành phố (tính hàng năm),
nhu cầu hàng tuần cho giường bệnh viện, và như vậy. Chúng tôi tiến hành phân
tích chuỗi thời gian trong việc ra quyết định vì chúng ta tin rằng kiến thức của
hành vi trong quá khứ của chuỗi thời gian có thể giúp hiểu biết của chúng ta (và
do đó khả năng dự đoán của chúng tôi) hành vi của chuỗi thời gian trong tương
lai. Trong một số trường hợp, chẳng hạn như thị trường chứng khoán, giả định
này có thể phi lý, nhưng trong kế hoạch quản lý, chúng tôi giả định rằng lịch sử
sẽ lặp lại chính nó và rằng xu hướng trong quá khứ sẽ tiếp tục. Nỗ lực phân tích
chuỗi thời gian kết thúc với sự phát triển của một mô hình dự báo chuỗi thời
gian mà sau đó có thể được sử dụng để dự đoán các sự kiện trong tương lai.
Hội hoặc các phương pháp nhân quả. Hội các phương pháp nhân quả
bao gồm phân tích dữ liệu cho việc tìm kiếm các hội dữ liệu, và nếu có thể, mối
quan hệ nhân-quả. Chúng có nhiều ưu thế hơn so với phương pháp chuỗi thời
gian, nhưng chúng cũng phức tạp hơn. Phức tạp của chúng đến từ hai nguồn:

Trước tiên, chúng bao gồm các biến hơn, một số trong đó bên ngoài với tình
hình dự kiến. Thứ hai, chúng sử dụng kỹ thuật tinh vi thống kê các loại khác
nhau của các biến. Phương pháp tiếp cận hệ nhân quả là thích hợp nhất của dự
báo giữa kỳ (giữa ngắn và dài hạn).
Nói chung, phản biện và phương pháp tính, chủ quan trong tự nhiên, được
sử dụng trong những trường hợp mà các phương pháp định lượng là không phù
hợp hoặc không có thể được sử dụng. Áp lực thời gian, thiếu dữ liệu, hoặc thiếu
tiền có thể ngăn chặn việc sử dụng các mô hình định lượng. Phức tạp của dữ liệu
lịch sử (do tương tác hoặc giao động) cũng có thể ức chế sự sử dụng của dữ liệu
lịch sử.
Mô hình dự báo
Sau đây là một danh sách các gói dự báo đại diện.
Autobox, BOXX Automatic Forecasting System, Inc (Hatboro, PA)
Autocast Levembach Asso. Inc (Morristown, NJ)
EXEC*U*STAT EXEC*U*STAT Inc. (Princeton, NJ)
Forecast Master Scientific System, Inc (Cambridge, MA)
23
Forecasr Plus Stat Pac, Inc (Minneapolis, MN)
Forecast Pro Business Forecast systems, Inc. (Belmart, MA)
Futurcast Futurion Assoc, Inc. (Pittsburg, CA)
Micro TSP McGraw-Hill (New York, NY)
SmartForecast Smartq Software Inc. (Belmont, MA)
Soritec Econometrics The Soritec Group (Springfield, VA)
SPSS/PC+ SPSS, Inc. (Chicago, IL)
Systat Systat Inc. (Evanston, IL)
The Forecasting edge Human Edge Software (Palo Alto, CA)
1,2,3 Forecast 1,2,3 Forecast (Salem, OR)
SAS System The SAS Institute (Cary, NC).
10. Mô hình không định lượng
Cho đến nay, các phương pháp tiếp cận mô hình hóa và các vấn đề thảo

luận đều tập trung vào mô hình định lượng. Tuy nhiên, mô hình hóa trong MMS
có thể liên quan đến mô hình không định lượng (chất lượng). Trong nhiều
trường hợp mô hình không định lượng được thể hiện theo các quy tắc. Ví dụ,
sau đây có thể được xem như là một mô hình lập kế hoạch:
1. Nếu công việc không phải là phức tạp và mất ít hơn 15 phút để hoàn
thành, thì lên kế hoạch hoàn thành sớm trong ngày.
2. Nếu công việc là phức tạp và phải mất một thời gian dài để hoàn thành,
thì lên kế hoạch hoàn thành chậm nhất là sau 10 giờ sáng.
3. Nếu công việc rất phức tạp, nhưng nó có thể được hoàn thành nhanh
chóng một khi bắt đầu, thì kế hoạch là hoàn thành trong buổi trưa.
4. Phân công các công việc ngắn cho các nhân viên không vui vẻ và công
việc dài cho các nhân viên vui vẻ trong công việc
Mô hình không định lượng có thể được thực hiện một cách riêng biệt hoặc
kết hợp với mô hình định lượng. Trong một số trường hợp, nó có thể chuyển đổi
một số giải pháp định tính sang định lượng.Ví dụ, thước đo cho sự hài lòng của
nhân viên có thể được tính trên thang điểm dao động từ "rất không hài lòng" đến
"rất hài lòng". Điểm thấp nhất nhận giá trị 1 và cao nhất nhận giá trị là 10, các
giá trị khác được đặt ở giữa.
24
11. Ngôn ngữ mô hình và các bảng tính
Mô hình có thể được viết bằng nhiều ngôn ngữ lập trình. Tiểu luận sẽ trình
bày những vấn đề sau đây:
- Bảng tính điện tử (bổ sung)
- Tài chính và mô hình lập kế hoạch.
Mô hình rất phổ biến của người dùng cuối trên các máy vi tính là các bảng
tính điện tử. Công cụ này được dựa trên cấu trúc của một bảng tính kế toán, về
cơ bản là một bảng tính gồm cột và hàng. Bảng tính điện tử được biểu diễn trong
bộ nhớ của máy tính. Giao của các cột và các hàng được gọi là các ô (cells).
Người sử dụng nhập dữ liệu là số hoặc văn bản trong các ô này. Sau đó, các lập
trình viên có thể viết một chương trình để xử lý dữ liệu (ví dụ như "Nhân ô C5

với D7"). Bảng tính này có nhiều lợi thế hơn một bảng tính kế toán. Đáng chú ý
nhất là khả năng mô hình hóa, người dùng có thể viết mô hình của mình cũng
tiến hành phân tích "những gì-nếu". Ngoài ra, có thể tổng hợp được báo cáo và
các dữ liệu có thể được tổ chức trong thứ tự chữ cái hoặc số. Những khả năng
khác bao gồm thiết lập các cửa sổ để xem một số bộ phận của bảng tính cùng
một lúc và thực hiện các thao tác toán học. Điều này cho phép các bảng tính trở
thành một công cụ quan trọng để phân tích, lập kế hoạch và mô hình hóa. Ngoài
ra với khả năng viết các mô hình với một bảng tính, những phần mềm này
thường được xây dựng đa dạng, phong phú các chức năng thống kê, toán học và
tài chính. Ngoài ra, người ta có thể sử dụng thêm phần mềm tiện ích (add-on),
trong đó bao gồm hàng chục chức năng khác.
Xu hướng mới hiện nay là tích hợp các bảng tính với sự phát triển của các
phần mềm tiện ích, chẳng hạn như phần mềm quản lý CSDL, thông tin liên lạc,
an ninh và đồ họa. Những phần mềm tích hợp nhỏ như Lotus 1-2-3, Excel và
Quattro Pro hiện đang phổ biến hơn so với phần mềm chỉ độc lập bảng tính.
Khả năng chính của các chương trình bảng tính là công thức có thể được
nhúng bằng cách sử dụng các con số trong bảng tính, những con số này có thể
được thay đổi và những tác động của những thay đổi này ngay lập tức có thể
được quan sát và phân tích.
Một bảng tính có thể được sử dụng để xây dựng mô hình tĩnh hoặc động.
Một mô hình tĩnh không bao gồm thời gian đuợc xem như là một biến. Ví dụ,
bảng tính được sử dụng để xây dựng các bảng cân đối. Một mô hình động đại
diện cho hành vi dọc theo thời gian (tức là, nó không bao gồm một yếu tố thời
25