Sisteme informatice pentru asistarea deciziei
TRUE/FALSE
1. Nivelul de detaliu sau granularitatea
hipercubului reprezinta numarul de
membri ai unei dimensiuni.
ANS: T PTS: 1
2. Utilizarea tehologiei Data Mining
presupune ca procesarea datelor se face cu interventia utilizatorilor
ANS: F PTS: 1
3. Īn cubul OLAP, dimensiunile se
materializeaza in setul de valori posibile care formeaza domeniul
caracteristicii respective, valori care poarta numele de membrii dimensiunii
ANS: T PTS: 1
4.
Īn cubul OLAP, o caracteristica a dimensiunii
este a ceea ca poate avea multipli adica grupe de valori ale dimensiunii
cu o caracteristica comuna.
ANS: T PTS: 1
5. Dimensiunile impreuna cu multiplii
lor formeaza structuri arborescente care sunt recunoscute de OLAP ca
fiind ierarhii
ANS: T PTS: 1
6. Gradul de simplificare oferit de simulare
este mult mai mare decat in cazul modelelor traditionale
ANS: F PTS: 1
7. Programarea euristica se
aplica in cazul in care datele de care se dispune pentru o problema complexa
sunt insuficiente sau are un grad mare de inexactitate, gradul de complexitate
al problemei nu permite utilizarea modelelor de optimizare, nu exista solutie
algoritmica iar modelul de simulare simplifica inadmisibil de mult problema si
trebuie obtinuta o solutie rapida.
ANS: T PTS: 1
8. Modelul ofera un mod
simplificat sau abstractizat de abordare a realitatii
ANS: T PTS: 1
9. Depozitul de date (Data Warehouse)
este o colectie de date orientate pe subiecte, integrate, corelate in timp si
volatile care sprijina decizia.
ANS: F PTS: 1
10. Popularea depozitelor de date se
face prin preluare din sisteme tranzactionale, care sunt supuse unor procese
complexe de trRASPformare ce nu corespund structurii depozitului care a fost
proiectat
ANS: F PTS: 1
11. Proiectarea structurii depozitului
de date se face prin modelare multidimensionala
ANS: T PTS: 1
12. OLAP
nu dispune de existenta unor tehnici care permit de la o navigare si
selectie simpla a datelor pana la analiza detaliata si complexa
ANS: F PTS: 1
13. Aplicatiile care se rezolva pe baza
tehnologiei OLAP au la baza analiza rapida a informatiei multidimensionala
dispersata in locatii multiple dar accesibile unui mare numar de utilizatori.
ANS: T PTS: 1
14. OLAP dispune de eficacitatea bazelor
de date multidimensionale, dar nu are posibilitatea de a construi
alternative pentru diverse probleme de decizie
ANS: T PTS: 1
15. OLAP presupune ca analiza datelor
(care pot fi de tip numeric sau statistic) poate fi predefinita de cel care
creeaza aplicatia sau chiar de utilizatorul final.
ANS: T PTS: 1
16. Prin modelare dimensionala se
ofera un model conceptual comun pentru rapoarte si pentru agreagarea lor intr-o
structura uniforma si flexibila
ANS: T PTS: 1
17. Cubul OLAP nu constituie un
element structural pentru datele din procesul on-line
ANS: T PTS: 1
18. Īn tehnologia OLAP, o caracteristica a dimensiunii
este aceea ca nu poate avea multipli
ANS: F PTS: 1
19.
Īn tehnologia OLAP, structura metadatelor este
de tip ierarhic, fiecare dimensiune fiind stocata intr-o structura
arborescenta cu o singura radacina (all) si cu o multitudine de ramuri
care pot contine frunze comune (ierarhii alternative).
ANS: T PTS: 1
20. Īn tehnologia OLAP, datele pot fi
vizualizate printr-o selectie in hipercub pe baza unui criteriu ierarhic
care ar putea fi de exemplu structura organizationala pe care o conduce un
anumit manager
ANS: T PTS: 1
21. Īn tehnologia OLAP, orice nivel
al unei ierarhii poarta un nume dar nu contine membri
ANS: F PTS: 1
22. Data Mining reprezinta un proces
de extragere de informatii noi din colectiile de date existente.
ANS: T PTS: 1
23. Prin tehnologia Data Mining se
prelucreaza date care refera perioade anterioare (date istorice), care sunt
examinate si sunt deja cunoscute
ANS: T PTS: 1
24. Īn procesul decizional, design-ul
sau modul de concepere al procesului de asistare a deciziei contine
subetapele de identificare a problemei, descompunerea ei, stabilirea
responsabilitatilor si are ca rezultat descrierea formala a problemei, a
categoriei din care aceasta face parte si a tuturor responsabilitatilor care
decurg de aici.
ANS: F PTS: 1
25. Principala caracteristica a unui
sistem informatic pentru management pe baza de modele este modelarea
analitica
ANS: F PTS: 1
26. Analiza decizionala presupune
atasarea unor valori cunoscute (precise) pentru fiecare alternativa si
care se vor inscrie intr-un tabel sau un graf
ANS: F PTS: 1
27. Īn analiza decizionala, numarul
de consecinte trebuie sa fie mai mare sau egal cu numarul de criterii.
ANS: T PTS: 1
28. Solutia finala obtinuta prin programarea
euristica poate fi un esec sau un succes
ANS: T PTS: 1
29. Īn tehnologia OLAP, defalcarea
(dicing) este operatia de proiectie a unei dimensiuni pe o
alta
ANS: T PTS: 1
MULTIPLE CHOICE
1. La modelul de programare liniara
utilizat in Sistemele informatice pentru asistarea deeciziei , in forma
canonica toate restrictiile sunt concordante si toate variabilele sunt >=0
a) |
|
d) |
|
b) |
|
e) |
|
c) |
|
f) |
|
a. |
a+b |
d. |
b+c |
b. |
a+c |
e. |
e+f |
c. |
a+d |
|
ANS: C PTS: 1
2. Care dintre urmatoarele subsisteme nu
fac parte din arhitectura unui sistem
suport pentru SIAD (SSAD)
a) |
subsistemul de gestiune a datelor; |
d) |
subsistemul de gestiune a sabloanelor; |
b) |
subsistemul de gestiune a modelelor; |
e) |
subsistemul de gestiune a parametrilor; |
c) |
subsistemul de gestiune a cunostintelor; |
f) |
subsistemul de gestiune a dialogului (sau interfata
cu utilizatorul). |
a. |
a+b |
d. |
d+f |
b. |
b+c |
e. |
a+b+c |
c. |
d+e |
|
ANS: C PTS: 1
3. Care dintre etapele de mai jos
nu sunt specifice tehnicilor de Data Mining?
a) |
identificarea surselor de date |
e) |
integrarea modelului |
b) |
colectarea si selectarea datelor |
f) |
construirea sablonului intermediar |
c) |
pregatirea datelor |
g) |
procesarea cuvintelor |
d) |
definirea si construirea modelului |
h) |
evaluarea modelului |
a. |
a+b |
d. |
e+f |
b. |
b+c |
e. |
f+g |
c. |
d+e |
|
ANS: E PTS: 1
4. Gradul de abstractizare al unui
model este dat de mai multe criterii, dupa care se face si clasificarea
lor:
a. |
modele iconice, modele
calitative, modele cantitative (matematice); |
d. |
modele calitative, modele
statistice, modele cantitative (matematice); |
b. |
modele statistice, modele
analitice, modele cantitative (matematice); |
e. |
modele iconice, modele
analitice, modele calitative (de
decizie) |
c. |
modele iconice, modele
analitice, modele cantitative (matematice) |
|
ANS: C PTS: 1
5. Principalele componente
structurale ale modelului sunt
a. |
variabilele de decizie, parametrii ce nu influenteaza rezultatul,
variabilele rezultat |
d. |
variabilele de decizie,
parametrii ce influenteaza rezultatul, variabilele rezultat |
b. |
variabilele de decizie, parametrii ce influenteaza rezultatul,
variabilele de intrare |
e. |
variabilele de intrare, parametrii ce influenteaza rezultatul,
variabilele rezultat |
c. |
variabilele de iesire, parametrii ce influenteaza rezultatul,
variabilele rezultat |
|
ANS: D PTS: 1
6. Īn cazul programarii euristice,
spatiul de rezolvare a problemelor implica
a. |
spatiul starilor, spatiul operatorilor, starea initiala, starea sau
starile finale precum si informatia asociata fiecarei stari; |
d. |
spatiul iesirilor, spatiul operatorilor, starea initiala, starea sau
starile finale precum si informatia asociata fiecarei stari; |
b. |
spatiul starilor, spatiul intrarilor, starea initiala, starea sau
starile finale precum si informatia asociata fiecarei stari; |
e. |
spatiul starilor, spatiul operatorilor, starea initiala, starea sau
starile finale precum si informatia asociata ultimei stari. |
c. |
spatiul starilor, spatiul operatorilor, starea initiala, starea sau starile
intermediare precum si informatia asociata fiecarei stari; |
|
ANS: A PTS: 1
7. Care este varianta corecta pentru clasificarea
deciziilor
a. |
decizii in conditii de certitudine, decizii in conditii de
incertitudine, decizii in conditii de risc; |
d. |
decizii in conditii de certitudine, decizii in conditii de securitate
maxima, decizii in conditii de risc; |
b. |
decizii in conditii de intelegere a contextului de luare a
deciziei, decizii in conditii de
incertitudine, decizii in conditii de risc; |
e. |
decizii in conditii de certitudine, decizii in conditii de
incertitudine, decizii in conditii impuse de piata externa |
c. |
decizii ale sistemelor informatice, decizii in conditii de
incertitudine, decizii in conditii de risc; |
|
ANS: A PTS: 1
8. In asistarea deciziilor, pentru
a gasi solutia optima, metodele analitice utilizeaza
a. |
modele euristice; |
d. |
modele nematematice |
b. |
formule matematice; |
e. |
metode euristice. |
c. |
modele de cautare exhaustiva; |
|
ANS: B PTS: 1
9. Metodele de cautare exhaustiva au la
baza
a. |
un proces neghidat, proces in urma caruia se alege solutia optima |
d. |
un model euristic; |
b. |
un proces aleator; |
e. |
o combinatie intre un model matematic si un model euristic. |
c. |
un model matematic care ofera solutii aproximativ apropiate de
evolutia fenomenului studiat; |
|
ANS: A PTS: 1
10. Pentru procesul decizional
structurat si pentru cel semistructurat se pot folosi modelele cantitative
bazate pe metode si modele ale cercetarii operationale. Aceasta
abordare presupune automatizarea totala sau partiala a procesului de
adoptare a deciziei si consta in urmatorii pasi:
a. |
descrierea si definirea problemei, gasirea categoriei din care face
parte cubul OLAP, elaborarea unui model matematic care sa se plieze cel mai
bine pe descrierea problemei, alegerea solutiei; |
d. |
descrierea si definirea modelului euristic, gasirea categoriei din
care face parte problema, elaborarea unui model matematic care sa se plieze
cel mai bine pe descrierea problemei, alegerea solutiei; |
b. |
descrierea si definirea intrarilor si iesirilor, elaborarea unui model
matematic care sa se plieze cel mai bine pe descrierea problemei, alegerea
solutiei; |
e. |
descrierea si definirea problemei, gasirea categoriei din care face
parte problema, elaborarea unui model matematic care sa se plieze cel mai
bine pe descrierea problemei, alegerea solutiei. |
c. |
descrierea si definirea problemei, gasirea categoriei din care face
parte problema, elaborarea unui model matematic care sa se plieze cel mai
bine pe descrierea problemei, alegerea acelor date de intrare care vor folosi
la crearea bazei de date; |
|
ANS: E PTS: 1
11. Analiza decizionala contine
a. |
alternative generate de crize majore ale organizatiei, alternative
decizionale, consecinte decizionale; |
d. |
stari generate de inconsistenta bazei de date, alternative
decizionale, consecinte decizionale; |
b. |
stari generale, alternative decizionale, consecinte decizionale |
e. |
stari generale, alternative la exploatarea bazei de date, consecinte
decizionale |
c. |
stari generale, alternative repetitive, consecinte decizionale; |
|
ANS: B PTS: 1
12. Pasii de urmat intr-un proces de
simulare pot fi:
a. |
definirea bazei de date, obtinerea modelului de simulare, testarea si
validarea modelului, modelul de efectuare a experimentelor, evaluarea
experimentelor, implementarea rezultatelor simularii; |
d. |
definirea problemei, obtinerea modelului de simulare, testarea si
validarea modelului , modelul de efectuare a experimentelor, evaluarea
intrarilor si iesirilor, implementarea rezultatelor simularii; |
b. |
definirea problemei, obtinerea deciziei managerului referitoare la
datele de iesire, testarea si validarea modelului , modelul de efectuare a
experimentelor, evaluarea experimentelor, implementarea rezultatelor
simularii; |
e. |
definirea problemei, obtinerea modelului semantic, testarea si
validarea modelului, implementarea testelor, evaluarea experimentelor,
implementarea rezultatelor simularii; |
c. |
definirea problemei, obtinerea modelului de simulare, testarea si
validarea modelului, modelul de efectuare a experimentelor, evaluarea
experimentelor, implementarea rezultatelor simularii |
|
ANS: C PTS: 1
13. Functiile unui SIAD sunt:
a. |
gestiunea datelor, gestiunea modelelor, gestiunea cunostintelor si
gestiunea comunicarii intre utilizator si sistem si intre intrari si iesiri |
c. |
gestiunea datelor, gestiunea iesirilor, gestiunea legaturilor si
gestiunea comunicarii intre utilizator si sistem si intre date si modele,
cunostinte; |
b. |
gestiunea datelor, gestiunea modelelor, gestiunea soft-ului si
gestiunea hard-ului. |
d. |
gestiunea datelor, gestiunea modelelor, gestiunea cunostintelor si
gestiunea comunicarii intre utilizator si sistem si intre date si modele,
cunostinte. |
ANS: D PTS: 1
14. In principiu, procesul Data Mining
poate fi aplicat asupra oricarui tip de depozit de date, precum si
asupra fluxurilor de date (trecatoare). Dintre acestea cele mai
uzuale sunt:
1. bazele de date relationale;
2. bazele de date tranzactionale;
3. bazele de date periodice;
4.
depozitele de date - Data Warehouses;
5.
bazele de date obiecturale;
6. bazele de
date in tehnologii avansate
a. |
1+2+3+4+5+6 |
d. |
1+2+4+5+6 |
b. |
1+3+6 |
e. |
1+4+6 |
c. |
2+3+5+6 |
|
ANS: D PTS: 1
15. Turban (2007) diferentiaza trei
tipuri principale de depozite de date.
Alegeti-le din urmatoarea enumerare:
1) rafturile de date, DM (Data
Marts);
2) memoriile-tampon de date operationale, ODS (Operational Data Stores);
3) sursele de date principale, MDS, Main Data Sources;
4) depozitele de date pentru acasa, HDW, Home Data Warehouse;
5) depozitele de date de tip intreprindere, EDW (Enterprise Data
Warehouse).
a. |
1+2+3 |
d. |
1+2+4 |
b. |
2+3+4 |
e. |
3+4+5 |
c. |
1+2+5 |
|
ANS: C PTS: 1
16. Integrarea datelor intr-un
depozit de date contine trei procese majore. Alegeti-le din urmatoarea
enumerare:
1) securizarea datelor;
2) accesul la date;
3) realizarea federatiei de date;
4) pregatirea speciala a personalului de specialitate;
5) reflectarea oportuna in depozitul de date a
modificarilor semnificative ale datelor provenite din sursele de date de tip
intreprindere
a. |
1+2+5 |
d. |
1+4+5 |
b. |
1+2+3 |
e. |
3+4+5 |
c. |
2+3+5 |
|
ANS: C PTS: 1
17. Caracteristicile fundamentale ale
depozitelor de date (Inmon 2005, Tuban 2007) sunt urmatoarele:
1) orientarea pe subiecte;
2) integrarea;
3) nonvolatilitatea;
4) volatilitatea;
5) variabilitatea in timp (serii de timp);
6) includerea aplicatiilor bazate pe Web;
7) utilizarea arhitecturii client/server;
8) utilizarea structurilor de baze de date relationale sau de baze de
date multidimensionale;
9) folosirea metadatelor (date despre date).
a. |
1+2+3+4+5+6+7+8+9 |
d. |
2+3+5+6+8 |
b. |
1+2+3+4+5+6+7 |
e. |
2+4+5+6 |
c. |
1+2+3+5+6+7+8+9 |
|
ANS: C PTS: 1
18. Procesul de depozitare a datelor
(Data Warehousing) contine urmatoarele componente majore:
1) Sursele de date;
2) Extragerea, transformarea si
incarcarea datelor din bazele de date operationale, ETL (Extraction,
Transformation and Load);
3) Personalul de specialitate;
4) Depozitul de date de tip
intreprindere, EDW (Enterprise Data Warehouse);
5) Metadatele (programe soft
pentru date si reguli pentru organizarea rezumatelor de date. Sunt usor de
indexat si regasit, inclusiv prin instrumente Web);
6) Instrumente de tip middleware,
ce asigura accesul la depozitul de date (OLAP, Data Mining, instrumente soft de
intocmire a rapoartelor si de vizualizare a datelor);
7) Instrumente (Tools) de
manipulare a entitatilor pe rafturile depozitului.
a. |
1+2+4+5+6 |
c. |
2+3+4+5+6 |
b. |
1+2+3+4+5+6+7 |
d. |
1+2+3+4+5+6 |
ANS: A PTS: 1
19. Simularea prin metoda Monte Carlo
presupune ca:
a. |
unei probleme deterministe i se asociaza un model aleator, numit si
probabilist, iar prin generarea unor variabile aleatoare legate de
solutie se realizeaza experienta pe
model. |
c. |
unei probleme deterministe i se asociaza un model determinist, numit
si fixist, iar prin generarea unor variabile deterministe legate de
solutie se realizeaza experienta pe
model. |
b. |
unei probleme aleatoare i se asociaza un model determinist, numit si
exact, iar prin generarea unor variabile deterministe legate de solutie se realizeaza experienta pe model. |
d. |
unei probleme aleatoare i se asociaza un model aleator, numit si
probabilist, iar prin generarea unor variabile aleatoare legate de
solutie se realizeaza experienta pe
model. |
ANS: A PTS: 1
20. Prin tehnologia Data Mining
se prelucreaza date care se refera la:
a. |
perioade viitoare (date viitoare), care sunt presupuse si nu
sunt cunoscute, pe baza lor constituindu-se un model; |
d. |
perioade anterioare (date istorice), care sunt examinate si
sunt deja cunoscute, pe baza lor constituindu-se un model; |
b. |
perioade diverse, care sunt examinate si sunt cunoscute din relatarile
expertilor, pe baza lor constituindu-se un model; |
e. |
perioade anterioare (date istorice), care nu pot fi examinate
din cauza complexitatii lor, pe baza lor constituindu-se un model. |
c. |
perioade anterioare (date istorice) si perioade viitoare (date
prognozate), care sunt examinate pe baza flerului analistilor, pe baza
lor constituindu-se un model; |
|
ANS: D PTS: 1
21. Informatiile care se pot obtine prin Data
Mining sunt:
a. |
date complexe; |
d. |
date elementare; |
b. |
retroactive; |
e. |
predictive sau descriptive. |
c. |
complementare sau periodice; |
|
ANS: E PTS: 1
22. Factorii care au dus la
necesitatea Data Mining sunt:
a) arhivele de date memorate pe suporturi informatice;
b) arhivele de date stocate in memoria operativa a
sistemului de calcul;
c) existenta si perfectionarea algoritmilor si a produselor
program dedicate;
d) arhivele de date stocate pe suport hartie;
e) cresterea capacitatii de memorare si prelucrare a
calculatoarelor care permit tratarea corelativa a volumelor mari de date.
a. |
a+b+c+d |
d. |
b+c |
b. |
a+c+e |
e. |
d+e |
c. |
c+d+e |
|
ANS: B PTS: 1
23.
Data Mining presupune parcurgerea urmatoarelor etape:
a) definirea problemei;
b) identificarea surselor de
date;
c) colectarea si selectarea datelor
d) pregatirea datelor
e) definirea si construirea modelului:
f) evaluarea modelului
g) integrarea modeluluii
a. |
a+b+c+d+e+f+g |
c. |
c+d+e |
b. |
b+c+d+e+f |
d. |
f+g |
ANS: A PTS: 1
24.
Destinatia actiunilor oferite de Data Mining
este:
a)clasificarea;
b) estimarea;
c) predictia;
d) gruparea;
e) esantionarea.
a. |
a+b+c+d |
d. |
b+d+e |
b. |
b+c+d+e |
e. |
c+e |
c. |
a+c+d+e |
|
ANS: A PTS: 1
25.
Ciclul in utilizarea Data Mining cuprinde
etapele:
a) analiza problemei;
b) definirea oportunitatilor comerciale si a datelor pe care se
face exploatarea;
c) obtinerea de informatii din colectiile de date existente prin
tehnici Data Mining;
d) adoptarea deciziilor si actiunilor in urma informatiilor
rezultate;
e) cuantificarea cat mai corecta a rezultatelor concrete pentru a identifica si alte cai de exploatare a datelor.
a. |
a+b+c+d |
d. |
a+d+e |
b. |
b+c+d+e |
e. |
a+c |
c. |
a+c+e |
|
ANS: B PTS: 1
26. Īn
cubul OLAP, defalcarea (dicing) este operatia de:
a. |
selectare prin vizualizare doar pentru un membru al unei dimensiuni, adica un plan
din cubul tridimensional. Sectiunea astfel obtinuta va apare ca un tabel
pilot cu valorile dimensiunilor pe laturi si cu specificarea
valorii alese pentru dimensiunea suprimata; |
d. |
selectare prin vizualizare a tuturor inregistrarilor din baza de date; |
b. |
proiectie a
unei dimensiuni pe o alta. De obicei o dimensiune din primul plan este
combinata cu o alta dimensiune din adancime. Acest proces se mai numeste imbricarea
dimensiunilor; |
e. |
proiectie a unei dimensiuni pe ea insasi. |
c. |
selectare prin vizualizare simultana a tuturor dimensiunilor din cubul
tridimensional; |
|
ANS: B PTS: 1
27. Īn cubul OLAP, prin sectionare (slicing)
se creeaza posibilitatea:
a. |
selectarii prin vizualizare doar pentru un membru al unei dimensiuni, adica un plan
din cubul tridimensional. Sectiunea astfel obtinuta va apare ca un tabel
pilot cu valorile dimensiunilor pe laturi si cu specificarea
valorii alese pentru dimensiunea suprimata; |
d. |
selectarii prin vizualizare a tuturor inregistrarilor din baza de date; |
b. |
selectarii prin vizualizare simultana a tuturor dimensiunilor din cubul
tridimensional; |
e. |
proiectiei unei dimensiuni pe ea insasi. |
c. |
proiectiei unei dimensiuni pe o alta. De obicei o
dimensiune din primul plan este combinata cu o alta dimensiune din adancime.
Acest proces se mai numeste imbricarea dimensiunilor; |
|
ANS: A PTS: 1
28. Īn cubul OLAP, prin operatia drill-up
se obtin:
a. |
date de conjunctura; |
d. |
date elementare; |
b. |
detalii; |
e. |
date complexe. |
c. |
date sintetice; |
|
ANS: C PTS: 1
29. Īn cubul OLAP, prin operatia drill-down
se obtin:
a. |
date de conjunctura; |
d. |
date elementare; |
b. |
detalii; |
e. |
date complexe. |
c. |
date sintetice; |
|
ANS: B PTS: 1
30. Cubul OLAP este:
: 3
a. |
o structura unidimensionala prin care se modeleaza complexul de
activitati pe o perioada indelungata de timp; |
c. |
o structura cu o singura dimensiune prin care se modeleaza
complexul de activitati pe o perioada indelungata de timp; |
b. |
o structura multidimensionala prin care se modeleaza complexul
de activitati pe o perioada indelungata de timp; |
d. |
o structura multidimensionala prin care se modeleaza complexul
de activitati numai intr-un moment de timp definit de administrator; |
ANS: B PTS: 1
31. Īn tehnologia OLAP, modelarea
multidimensionala este caracterizata de cateva concepte de
baza:
a) cuantificarea activitatii (aspectul cantitativ);
b) dimensiunile activitatii;
c) criteriile;
d) faptele;
e) consecintele.
a. |
a+b+d |
d. |
a+b+c+d |
b. |
a+b+c |
e. |
a+b+c+d+e |
c. |
b+c+d |
|
ANS: A PTS: 1
32. Īn tehnologia OLAP, nivelele unei
dimensiuni formeaza:
a. |
baza pentru nivelele altei dimensiuni; |
d. |
ierarhia; |
b. |
o baza de date; |
e. |
un raft de date. |
c. |
un depozit de date; |
|
ANS: D PTS: 1
33. Īn tehnologia OLAP, fiecare dimensiune
este definita in genere prin mai multe:
a. |
linii; |
d. |
tabele; |
b. |
coloane |
e. |
matrici. |
c. |
niveluri; |
|
ANS: C PTS: 1
34. Īn tehnologia OLAP, unitatile de
masura pot constitui:
a. |
criterii de dezagregare a datelor; |
d. |
criterii de repartizare a datelor catre utilizatori; |
b. |
criterii de agregare a datelor; |
e. |
criterii de definire contextuala a datelor. |
c. |
criterii de distributie a datelor; |
|
ANS: B PTS: 1
35. Īn tehnologia OLAP, conceptul de dimensiune
este folosit:
a. |
cu inteles de aspect, dimensiunile fiind independente si cu
unitati de masura specifice dimensiunii respective; |
d. |
cu inteles de baza de date, dimensiunile fiind dependente unele
de altele si cu unitati de masura specifice dimensiunii respective; |
b. |
cu inteles de unitate de masura; |
e. |
cu inteles definit de contextul in care se folosesc datele. |
c. |
cu inteles de generator de date, dimensiunile fiind dependente
unele de altele si cu unitati de masura specifice dimensiunii respective; |
|
ANS: A PTS: 1
36. Īn tehnologia OLAP, perspectiva
multidimensionala asupra datelor este data de posibilitatea:
a. |
de a integra un aspect care caracterizeaza activitatea unei intreprinderi
cu un aspect care caracterizeaza activitatea altei intreprinderi; |
d. |
de a integra un aspect care caracterizeaza activitatea unei intreprinderi
cu un aspect care caracterizeaza activitatea altei intreprinderi,
din perspectiva activitatilor comune; |
b. |
de a integra multiplele aspecte care caracterizeaza activitatea
unei intreprinderi si care sunt considerate dintr-o singura perspectiva (a
banilor); |
e. |
de a integra multiplele aspecte care caracterizeaza activitatea
unei intreprinderi si care sunt considerate din perspective multiple ca:
timp, bani, produse. |
c. |
de a integra un aspect care caracterizeaza activitatea unei intreprinderi
cu un aspect care caracterizeaza activitatea altei intreprinderi,
din perspectiva profitului comun; |
|
ANS: E PTS: 1
37. Tehnologia OLAP se caracterizeaza prin:
a) perspectiva unidimensionala a datelor
b) perspectiva multidimensionala a datelor;
c) capacitatea de calcul ponderat
d) capacitatea de calcul intensiv;
e) orientare in timp (time intelligence).
a. |
b+d+e |
c. |
a+b+C |
b. |
a+b+c+d+e |
d. |
a+b+d+e |
ANS: A PTS: 1
38. Testul cu 5 reguli denumit FASMI (Fast
Analysis Shared Multidimensional Information) pentru definirea
caracteristicilor unei aplicatii OLAP se refera la:
a. |
informatie unidimensionala prin analiza partajata rapida; |
d. |
informatie multidimensionala prin analiza nepartajata rapida; |
b. |
informatie multidimensionala prin analiza partajata rapida; |
e. |
informatie unidimensionala prin analiza partajata incetinita; |
c. |
informatie multidimensionala prin analiza partajata lenta; |
|
ANS: B PTS: 1
39. Testul cu 5 reguli denumit FASMI (Fast
Analysis Shared Multidimensional Information) pentru definirea
caracteristicilor unei aplicatii OLAP se refera la:
a) rapida;
b) analiza;
c) partajata;
d) multidimensionala
e) informatie
a. |
a+b+c |
c. |
a+b+c+d+e |
b. |
a+b+d+e |
d. |
b+c+d |
ANS: C PTS: 1
40.
Dintre cele 11 principii formulate de Ted Codd (1992) care
stau la baza tehnologiei OLAP, fac parte:
a) operatii nerestrictive, ceea ce da posibilitatea executarii
fara restrictii a calculelor pentru toate combinarile de dimensiuni si niveluri
ierarhice;
b) numar limitat de niveluri de agregare si de dimensiuni;
c) posibilitatea manipularii intuitive a
datelor;
d) numar nelimitat de niveluri de agregare si de dimensiuni;
e) operatii restrictive, ceea ce da
posibilitatea executarii cu restrictii a calculelor pentru toate combinarile de
dimensiuni si niveluri ierarhice;
a. |
a+b+c |
d. |
a+b+e |
b. |
a+c+d |
e. |
c+e |
c. |
c+d+e |
|
ANS: B PTS: 1
41. Dintre cele 11 principii formulate
de Ted Codd (1992) care stau la baza tehnologiei OLAP, fac parte:
a) posibilitatea de acces a unui singur utilizator
(mono-user) la aceeasi faza (etapa) de analiza;
b) utilizarea arhitecturii client-server, unde server-ul are ca
scop omogenizarea datelor;
c) posibilitatea de a efectua aceleasi operatii asupra tuturor
dimensiunilor si care poarta numele de prelucrare generica a dimensiunilor;
d) gestionarea dinamica a matricilor incrucisate prin facilitatea de a elimina combinatiile dimensionale nule, pentru a
nu incarca memoria calculatorului;
e) posibilitatile de acces simultan a mai multor utilizatori
(multi-user) la aceeasi faza (etapa) de analiza.
a. |
a+b+c+d+e |
d. |
a+b+e |
b. |
a+c+d |
e. |
c+e |
c. |
c+d+e |
|
ANS: B PTS: 1
42. Dintre cele 11 principii formulate
de Ted Codd (1992) care stau la baza tehnologiei OLAP, fac parte:
a) abordarea conceptuala multidimensionala a datelor;
b) asigurarea unei trRASPparente sporite prin existenta unei arhitecturi
deschise a sistemului;
c) accesibilitatea asigurata utilizatorului prin asistarea
implicarii acestuia in modalitatile tehnice de furnizare a datelor;
d) complexitatea dimensionala a analizei ofera performante stabile;
e) numar limitat de niveluri de agregare si de dimensiuni;
a. |
a+b+c+d |
d. |
c+d+e |
b. |
a+b+d+e |
e. |
a+c+e |
c. |
b+c+d+e |
|
ANS: A PTS: 1
43. Mediul in care se construieste si se
exploateaza un depozit de date contine urmatoarele elemente:
a) surse de date tranzactionale;
b) instrumente de proiectare-dezvoltare;
c) instrument de extractie si transformare a datelor;
d)sistemul de gestiune al bazei de date;
e) instrumente de acces si analiza a datelor;
f) instrumente de administrare.
a. |
a+b+c+d+e+f |
d. |
a+b+c+d |
b. |
b+c+d+e |
e. |
a+e+f |
c. |
a+d+e+f |
|
ANS: A PTS: 1
44. Una din subetapele design-ului
sau modului de concepere al procesului de asistare a deciziei este modelarea
ce implica
a. |
o etapa in care sunt analizate evenimentele aparute in
organizatie si depistate cauzele lor de aparitie; |
d. |
etapa de baza pentru adoptarea deciziei deoarece in cadrul ei se concretizeaza rezultatele obtinute in
celelalte etape; decidentul alege o singura actiune din multitudinea existenta in functie de
criteriul de selectie propus si de modelul decizional pe care l-a ales; |
b. |
etapa in care se face declRASParea actiunii alese (propuse) de
decident; |
e. |
atat analiza, cat si adoptarea deciziei. |
c. |
modul de concepere a problemei precum si abstractizarea
ei cantitativa si/sau calitativa; experienta decidentului isi pune amprenta
pe modul de alegere a modelului dintr-o multitudine existenta;
dezvolta proceduri mentale care ajuta la incadrarea problemei de rezolvat
intr-o anume clasa de modele existente; |
|
ANS: C PTS: 1
45. Depozitul de date (Data Warehouse)
este o colectie de date care
sprijina decizia, in care datele sunt:
a)orientate pe subiecte;
b) neintegrate;
c) corelate in timp;
d) non-volatile;
e) integrate
a. |
a+b+c+d |
d. |
a+c+e |
b. |
a+c+d+e |
e. |
b+c+d |
c. |
b+c+d+e |
|
ANS: B PTS: 1
46. Diferentele dintre depozitul de date
si baza de date sunt urmatoarele:
a)datele continute de un sistem de
prelucrare a tranzactiilor, OLTP (On-Line TrRASPaction Processing) sunt
de tip operational, iar datele continute de un depozit de date sunt specifice
asistarii deciziilor, sunt date centralizate sau derivate din date
operationale, nu se modifica in timp si sunt destinate utilizatorilor finali;
b)in cazul sistemelor tranzactionale,
performantele se refera la integritate, confidentialitate, siguranta
si timp de raspuns intrucat un numar mare de utilizatori introduc date
in sistem, in timp ce in cazul SIAD (deci a depozitelor de date) numarul
de utilizatori finali (manageri) este foarte mic. Astfel si securitatea si
siguranta in exploatare nu sunt supuse unor riscuri majore, procedurile de
salvare si restaurare fiind mai putin utilizate decit in cazul sistemelor
tranzactionale;
c) datele procesate in sistemele tranzactionale
sunt in seturi relativ mici, introduse recent si compact, astfel incat
prelucrarea se face destul de rapid. Īn procesele decizionale, datele
necesare acestora sunt in volum mare, stocate dispersat ceea ce duce la o
prelucrare mai lenta;
d)bazele de date construite pentru sisteme
tranzactionale sunt proiectate si realizate pe baza unor cerinte
cunoscute si certe, modificarile care intervin datorita adaptarii
sistemului la schimbarile intervenite reiau anumite faze ale ciclului de
viata. Dar odata implementate ele functioneaza perioade lungi de timp
fara modificari. Īn SIAD cerintele sunt cunoscute doar partial in
momentul proiectarii si realizarii lor, ceea ce obliga depozitul de date sa se
adapteze din mers cerintelor. De aceea se observa ca datele gestionate
pentru sisteme tranzactionale sunt privite ca un intreg, pe cand cele din
depozitele de date sunt organizate pe sectiuni deoarece ele sunt organizate in
functie de subiectul de analiza;
e)
sistemele tranzactionale reflecta de
obicei fluxul datelor din activitati curente, pe cand depozitele de
date sunt orientate pe subiecte cum ar fi de exemplu: resurse, produse,
clienti, furnizori.
a. |
a+b+c+d |
d. |
b+c+d+e |
b. |
a+b+c |
e. |
c+d+e |
c. |
a+b+c+d+e |
|
ANS: C PTS: 1
47. Fara ca utilizatorul sa poata
interveni, in depozitul de date se pot stoca:
a)arhive de date privind activitatea anterioara;
b)interogari curente;
c)date referitoare la tranzactii anterioare;
d)decizii ale managementului strategic;
e)hotarari ale managementului strategic;
a. |
a+b+c+d |
d. |
a+b+c |
b. |
a+c |
e. |
b+d |
c. |
c+d+e |
|
ANS: B PTS: 1
48. Sistemele de asistare a deciziei
care au la baza sinteza si analiza datelor realizeaza:
a. |
modele necesare pentru a obtine informatii care
sa reliefeze factorii care influenteaza pozitiv sau negativ performantele
companiei; |
d. |
comasarea, sistematizarea, corelarea si gruparea datelor pentru a obtine informatii care sa
reliefeze factorii care influenteaza pozitiv sau negativ performantele
companiei; |
b. |
dispersarea, distribuirea, decorelarea si regruparea datelor pentru a obtine informatii care sa
reliefeze factorii care influenteaza pozitiv sau negativ performantele
companiei; |
e. |
comasarea, sistematizarea, corelarea si gruparea datelor pentru a obtine informatii care sa
reliefeze factorii care nu influenteaza performantele companiei. |
c. |
conditionarea datelor pentru a
obtine informatii care sa reliefeze factorii care influenteaza pozitiv sau
negativ performantele companiei; |
|
ANS: D PTS: 1
49.
Īn SIAD-urile bazate pe analiza si sinteza datelor,
rezultatul procesului de observare analitica este:
a. |
obtinerea unor tipare, corelatii si uneori modele din
care se pot deduce tendinte sau se poate previziona cu o
anumita probabilitate cum vor arata datele pe o perioada ulterioara; |
d. |
obtinerea unor modele din care se pot dezvolta SIAD-uri
bazate pe modele; |
b. |
obtinerea unor tipare, corelatii si uneori modele din
care nu se pot deduce tendinte, dar se poate previziona cu o
anumita probabilitate cum vor arata datele pe o perioada ulterioara; |
e. |
obtinerea unor tipare, corelatii si uneori modele din
care nu se pot deduce tendinte sau nu se poate previziona cu o
anumita probabilitate cum vor arata datele pe o perioada ulterioara; |
c. |
obtinerea unor tipare, corelatii si uneori modele din
care se pot deduce tendinte, dar nu se poate previziona cu o anumita
probabilitate cum vor arata datele pe o perioada ulterioara. |
|
ANS: A PTS: 1
50. Īn SIAD-urile bazate pe analiza si
sinteza datelor, analiza datelor presupune:
a. |
a gasi relatii intre datele distribuite, cum ar fi: disocieri,
corelatii structurale, cauzale sau
functionale; |
d. |
a gasi relatii intre datele sintetizate cum ar fi: disocieri,
corelatii structurale, cauzale sau
functionale; |
b. |
a gasi relatii intre datele centralizate cum ar fi: asocieri,
corelatii structurale, cauzale sau
functionale; |
e. |
a gasi relatii intre datele sintetizate cum ar fi: asocieri,
corelatii structurale, cauzale sau
functionale. |
c. |
a gasi relatii intre datele tranzactionale cum ar fi: asocieri,
corelatii structurale, cauzale sau
functionale; |
|
ANS: E PTS: 1
51.
Modelul unei probleme de programare liniara poate fi sintetizat astfel:
a. |
determinarea unei valori medii pentru functia obiectiv
care depinde de una sau mai multe variabile care satisfac restrictiile
modelului (conditii implicite) sau care se refera la valorile ce pot fi
luate de variabile (conditii explicite); problemele de programare liniara au
restrictii de tip inegalitati si conditii explicite puse unora dintre
variabile; |
d. |
determinarea unei valori medii pentru functia obiectiv
care depinde de una sau mai multe variabile care satisfac restrictiile
modelului (conditii implicite) sau care se refera la valorile ce pot fi
luate de variabile (conditii explicite); problemele de programare liniara au
restrictii de tip egalitati si conditii explicite puse unora dintre
variabile; |
b. |
determinarea unui min sau max pentru functia obiectiv
care depinde de una sau mai multe variabile care satisfac restrictiile
modelului (conditii implicite) sau care se refera la valorile ce pot fi
luate de variabile (conditii explicite); problemele de programare liniara au
restrictii de tip inegalitati si conditii explicite puse unora dintre
variabile; |
e. |
determinarea unui min sau max pentru functia obiectiv
care nu depinde de nici o variabila; problemele de programare liniara au
restrictii de tip inegalitati si conditii explicite puse unora dintre variabile; |
c. |
determinarea unui min sau max pentru functia obiectiv
care depinde de una sau mai multe variabile care satisfac restrictiile
modelului (conditii implicite) sau care se refera la valorile ce pot fi
luate de variabile (conditii explicite); problemele de programare liniara au
restrictii de tip egalitati si conditii explicite puse unora dintre
variabile; |
|
ANS: B PTS: 1
52. Modelarea este considerata
esentiala pentru sistemele informatice de asistare a deciziei si implica:
a. |
partea de implementare a problemei de rezolvat; |
d. |
partea de discretizare a problemei de rezolvat; |
b. |
partea de sinteza a problemei si partea de concretizare in
expresii cantitative sau calitative; |
e. |
partea de concepere a problemei si partea de abstractizare
in expresii cantitative sau calitative. |
c. |
partea de discreditare a problemei de rezolvat; |
|
ANS: E PTS: 1
53. Sistemele informatice de sprijin al
executivului, ESS (EIS), sunt sisteme informatice:
a)destinate asistarii deciziilor pe cel mai
de jos nivel al managementului organizational;
c) ajuta la identificarea si rezolvarea
problemelor prin sesizarea de noi oportunitati;
b) destinate asistarii deciziilor pe cel mai
inalt nivel al managementului organizational;
d) au posibilitatea de a oferi decidentului
tendinte, analize pentru activitatea concurentiala;
e) destinate asistarii deciziilor pe nivelul
de mijoc al managementului organizational.
a. |
a+b+c+d |
d. |
a+b+e |
b. |
b+c+d |
e. |
a+c |
c. |
c+d+e |
|
ANS: B PTS: 1
54. Diferenta dintre sistemele
informatice pentru management (MIS) si sistemele informatice pentru asistarea
deciziei, SIAD (DSS) consta in aceea ca:
a. |
MIS pleaca de la decident si de la decizie pe cand SIAD-ul porneste de
la date si relatiile dintre acestea; |
d. |
MIS pleaca de la relatiile dintre sistemele informatice pe cand
SIAD-ul porneste de la relatiile interumane; |
b. |
MIS pleaca de la relatiile interumane pe cand SIAD-ul porneste de la
relatiile dintre sistemele informatice; |
e. |
MIS pleaca de la decident si de la decizie pe cand SIAD-ul porneste de
la relatiile interumane |
c. |
MIS pleaca de la date si relatiile dintre acestea pe cand SIAD-ul
porneste de la decident si de la decizie; |
|
ANS: C PTS: 1
55. Subsistemul de gestiune a datelor
din arhitectura unui sistem suport pentru SIAD are urmatoarele componente:
a. |
baza de cunostinte, SGBD ce este de obicei incorporat in SIAD,
dictionarul de date (Data Dictionary), facilitatile de separare a datelor ce se refera la nonexistenta
limbajelor declarative de interogare; |
d. |
baza de date, SGBD ce este de obicei incorporat in
SIAD, dictionarul de date (Data Dictionary), lipsa facilitatilor de
integrare a datelor; |
b. |
baza de date, SGBD care nu este de obicei incorporat in SIAD,
dictionarul de date (Data Dictionary), facilitatile de integrare a
datelor ce se refera la existenta limbajelor declarative de interogare; |
e. |
baza de date, SGBD ce este de obicei incorporat in SIAD, dictionarul
de date (Data Dictionary), facilitatile de integrare a datelor ce se
refera la existenta limbajelor declarative de interogare. |
c. |
baza de date, SGBD ce este de obicei incorporat in
SIAD, dictionarul de date (Data Dictionary), facilitatile de integrare a
datelor ce se refera la nonexistenta limbajelor declarative de programare; |
|
ANS: E PTS: 1
56. Subsistemul de gestiune a modelelor
din arhitectura unui sistem suport pentru SIAD are urmatoarele
componente:
a. |
modelele, sistemul de gestiune al modelelor (similar SGBD),
dictionarul (catalogul) de modele), procesul de executie si integrare a
modelelor; |
d. |
modelele, sistemul de gestiune al modelelor (similar SGBD), bazele de
date, procesul de executie si integrare a modelelor; |
b. |
metodele, sistemul de gestiune al bazelor de date, dictionarul
(catalogul) de modele), procesul de executie si integrare a modelelor; |
e. |
bazele de date, sistemul de gestiune al modelelor (similar SGBD),
dictionarul (catalogul) de modele), procesul de executie si integrare a
modelelor; |
c. |
modelele, sistemul de gestiune al modelelor (similar SGBD),
dictionarul (catalogul) de modele), procesul de creare si verificare a
modelelor; |
|
ANS: A PTS: 1
57. Analiza decizionala contine:
a. |
alternative generate de crize majore ale organizatiei, alternative
decizionale, consecinte decizionale; |
d. |
stari generate de inconsistenta bazei de date, alternative decizionale,
consecinte decizionale; |
b. |
stari generale, alternative decizionale, consecinte decizionale |
e. |
stari generale, alternative la exploatarea bazei de date, consecinte
decizionale |
c. |
stari generale, alternative repetitive, consecinte decizionale |
|
ANS: B PTS: 1
58.
Pasii de
urmat intr-un proces de simulare pot fi:
a. |
definirea problemei, obtinerea modelului semantic, testarea si
validarea modelului, implementarea testelor, evaluarea experimentelor,
implementarea rezultatelor simularii; |
d. |
definirea problemei, obtinerea modelului de simulare, testarea si
validarea modelului, modelul de efectuare a experimentelor, evaluarea
experimentelor, implementarea rezultatelor simularii; |
b. |
definirea problemei, obtinerea deciziei managerului referitoare la
datele de iesire, testarea si validarea modelului , modelul de efectuare a
experimentelor, evaluarea experimentelor, implementarea rezultatelor
simularii; |
e. |
definirea bazei de date, obtinerea modelului de simulare, testarea si
validarea modelului, modelul de efectuare a experimentelor, evaluarea
experimentelor, implementarea rezultatelor simularii; |
c. |
definirea problemei, obtinerea modelului de simulare, testarea si
validarea modelului , modelul de efectuare a experimentelor, evaluarea intrarilor
si iesirilor, implementarea rezultatelor simularii; |
|
ANS: D PTS: 1
59.
Pentru a
alcatui un model de regresie se va tine cont de urmatoarele etape:
a. |
analiza, specificarea, estimarea parametrilor modelului, testarea
semnificatiei parametrilor estimati, validarea (verificarea) modelului,
utilizarea modelului in operatii de simulare si predictie; |
d. |
analiza, sinteza, estimarea parametrilor modelului, testarea
semnificatiei parametrilor estimati, validarea (verificarea) modelului,
utilizarea modelului in operatii de simulare si predictie; |
b. |
analiza, specificarea, estimarea parametrilor modelului, testarea
semnificatiei datelor de iesire, validarea (verificarea) modelului,
utilizarea modelului in operatii de simulare si predictie; |
e. |
analiza, specificarea, estimarea datelor de intrare, testarea
semnificatiei parametrilor estimati, validarea (verificarea) modelului,
utilizarea modelului in operatii de simulare si predictie; |
c. |
analiza, specificarea, estimarea parametrilor modelului, testarea
semnificatiei parametrilor estimati, validarea (verificarea) modelului,
utilizarea rezultatelor in operatii de simulare. |
|
ANS: A PTS: 1
60.
Pentru previzionarea
variabilei Y din regresia liniara simpla Y=f(x) se poate folosi una din
urmatoarele metode:
a. |
metode exhaustive, metoda filtrajului adaptiv, metoda regresiei
liniare simple, metoda regresiei
liniare multiple; |
d. |
metoda glisajului exponential, metoda filtrajului adaptiv, metode
bazate pe puncte critice, metoda regresiei
liniare multiple; |
b. |
metoda glisajului exponential, metoda filtrajului adaptiv, metoda
regresiei liniare simple, metoda
regresiei liniare multiple; |
e. |
metode retrograde, metoda filtrajului adaptiv, metoda regresiei
liniare simple, metoda regresiei
liniare multiple. |
c. |
metoda glisajului exponential, metode empirice, metoda regresiei
liniare simple, metoda regresiei
liniare multiple; |
|
ANS: B PTS: 1
61.
Īn rationamentul
bazat pe cazuri, exista doua functii fundamentale de prelucrare:
a. |
masurarea distantei dintre
membrii cotizanti ai organizatiei; combinarea rezultatelor obtinute din
masurare pentru a obtine suma totala cotizata; |
d. |
masurarea distantei dintre vecine;
combinarea rezultatelor obtinute de la vecine in raspunsul propus
pentru cazul curent; |
b. |
masurarea distantei dintre
membrii fiecarui cuplu managerial al organizatiei pentru a afla vecinele
cele mai apropiate; combinarea rezultatelor obtinute de la vecine in
raspunsul propus pentru cazul curent; |
e. |
masurarea distantei dintre
membrii fiecarui cuplu de inregistrari pentru a afla vecinele cele mai
apropiate; combinarea rezultatelor obtinute de la vecine in
raspunsul propus pentru cazul curent; |
c. |
masurarea distantei dintre
membrii minori si majori ai organizatiei; combinarea rezultatelor obtinute de
la minori in raspunsul propus pentru majori; |
|
ANS: E PTS: 1
62.
Metoda rationamentului bazat pe cazuri se poate
aplica pentru:
a. |
clasificari si predictii; |
d. |
cupluri manageriale; |
b. |
rationamente infinite; |
e. |
revizuiri ale datelor istorice ale organizatiei |
c. |
cazuistica din procesele economice penale; |
|
ANS: A PTS: 1
63.
Tehnicile de Data Mining se pot aplica:
a. |
aleatoriu; |
d. |
numai ascendent; |
b. |
condescendent |
e. |
atat ascendent cat si descendent. |
c. |
numai descendent |
|
ANS: E PTS: 1
64.
Gradul de structurabilitate
a deciziei depinde de:
a. |
experienta acumulata de decident precum si de nivelul si importanta ei |
d. |
experienta acumulata de decident precum si de istoricul cazuisticii
acumulate |
b. |
experienta acumulata de executant precum si de nivelul si importanta
ei; |
e. |
experienta acumulata de decident precum si de afinitatile acestuia
fata de una sau alta dintre variantele existente |
c. |
experienta acumulata de colaboratori precum si de nivelul si
importanta ei |
|
ANS: A PTS: 1
65.
Procesul de adoptare a deciziilor este constituit din urmatoarele etape:
a. |
informarea generala, design-ul sau modul de alegere al procesului de
asistare a deciziei si implementarea; |
d. |
informarea generala, design-ul sau modul de concepere al procesului de
asistare a deciziei, alegerea si implementarea; |
b. |
informarea particulara, design-ul sau modul de concepere al procesului
de asistare a deciziei, alegerea si implementarea; |
e. |
informarea generala, design-ul sau modul de implementare al procesului
de asistare a deciziei si alegerea. |
c. |
informarea generala, design-ul sau modul de concepere al procesului de
implementare a deciziei si alegerea; |
|
ANS: D PTS: 1
66. Sistemele de asistare a deciziei
orientate pe date:
a. |
functioneaza pe baza sintezei si dezagregarii datelor si au ca functii
accesul imediat la date, dispun de un mecanism pentru analiza imediata a
datelor, creeaza statistici |
c. |
functioneaza pe baza segregarii cunostintelor si au ca functii accesul
imediat la cunostinte, dispun de un mecanism pentru analiza imediata a
cunostintelor, creeaza statistici; |
b. |
functioneaza pe baza analizei si agregarii datelor si au ca functii
accesul imediat la date, dispun de un mecanism pentru analiza imediata a
datelor, creeaza statistici; |
d. |
functioneaza pe baza sintezei si dezagregarii datelor si au ca functii
accesul intarziat la date, dispun de un mecanism pentru analiza intarziata a
datelor, creeaza statistici |
ANS: B PTS: 1
67.
Adoptarea deciziilor constituie un proces care pe langa suportul tehnic are nevoie de un
suport:
a. |
structural care este asigurat de partea
arhitecturala componenta integranta a sistemului decizional; |
d. |
informativ care este asigurat de partea
informatica componenta integranta a sistemului decizional; |
b. |
comportamental care este asigurat de partea
functionala componenta integranta a sistemului decizional; |
e. |
cognitiv care este asigurat de partea umana
componenta integranta a sistemului decizional. |
c. |
credibil care este asigurat de partea scrisa pe
hartie componenta integranta a sistemului decizional; |
|
ANS: E PTS: 1
68.
Sistemele informatice de
asistare inteligenta a deciziei sunt sisteme
informatice de asistare a deciziei bazate pe:
1 |
|
2 |
|
3 |
|
4 |
|
5 |
|
a. |
date; |
d. |
manageri; |
b. |
cunostinte; |
e. |
sisteme informatice. |
c. |
baze de date; |
|
ANS: B PTS: 1
MATCHING
Precizati
esenta fiecarei metode utilizate in problemele de programare liniara
multidimensionala, prin indicarea corespondentei intre denumirea metodei si enuntul care descrie esenta metodei
a. |
metoda utilitatii globale |
c. |
metoda P.O.P. |
b. |
metoda STEM |
|
1. algoritmul care descrie aceasta
metoda presupune o ordonare a solutiilor in functie de criterii de preferinta
definite de decident
2. consta in definirea unei functii de
utilitate care inlocuieste functia obiectiv
3. consta in definirea unei functii
obiectiv de sinteza cu coeficienti care
vor fi atasati fiecarui criteriu
4. problema de programare liniara este
luata drept o problema de decizie multidimensionala.
1. ANS: C PTS: 1
2. ANS: A PTS: 1
3. ANS: B PTS: 1
4. ANS: A PTS: 1
Daca
problema de decizie multicriteriala este in conditii de incertitudine,
solutia optima va fi data urmand una dintre reguli:
a. |
calculul unui indicator decizional ca medie ponderata a rezultatelor
extreme; |
c. |
regula regretului; |
b. |
nu se admite sub nici o forma riscul; |
d. |
starile se considera a fi echiprobabile. |
5. Criteriul Ward
6. Criteriul Savage
7. Criteriul Laplace
8. Criteriul Hurwics
5. ANS: B PTS: 1
6. ANS: C PTS: 1
7. ANS: D PTS: 1
8. ANS: A PTS: 1