Upload
ivanko-zekic
View
88
Download
0
Embed Size (px)
Citation preview
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 1/45
1
Prof.dr.sc. Ljiljana Lovrić
Ekonomski fakultet Rijeka
Diplomski studij
P R E D A V A N J A
KVANTITATIVNE METODE ZA POSLOVNO
ODLUČIVANJE
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 2/45
2
Sadržaj:
1. MODELIRANJE U POSLOVNOM ODLUČIVANJUModel
Etape modeliranja
Vrste modela
Deterministički i stohastički modeli
Simulacijski modeli
Rješenje – analitičko, simulacijsko.
2. ANALITIČKE METODE
Linearno programiranje. Analiza osjetljivosti.
Modeli zaliha.
Ekonometrijski modeli
3. METODA SIMULACIJE
Monte Carlo simulacija
Diskretna simulacija
Prednosti i nedostaci metode simulacije
Generiranje slučajne varijable
Simulacija kontrole zaliha
Simulacija investicijskih ulaganja
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 3/45
3
KVANTITATIVNE METODE ZA POSLOVNO
ODLUČIVANJE
Donošenje poslovnih odluka je sve složeniji i zahtjevniji proces, često u uvjetima
rizika, a naš je način razmišljanja deterministički. U kolegiju se obrañuju metode
koje predstavljaju neizostavan alat za poslovno odlučivanje.
Kvantitativne metode se primjenjuju kad se u praksi susretnemo s:
- kompleksnim problemima koji se ne mogu riješiti na osnovi iskustva ilikvantitativne analize;
- problemima za koje su odluke od velikog značaja;
- novim problemima i nepoznatim situacijama;
- problemima koji se često ponavljaju i zahtjevni su za rješavanje.
Cilj kolegija jest pripremiti studente za rješavanje problema u području poslovnog
odlučivanja i to kroz identifikaciju problema, postavljanje modela, prikupljanje
podataka, rješavanje modela, formalno testiranje rješenja i analizu rezultata.
U kolegiju se povezuje ekonomska teorija s matematičkim modeliranjem, a
postupak rješavanja modela i analize se provodi na računalu.
1. MODELIRANJE U POSLOVNOM ODLUČIVANJU
Osnova za analizu i predviñanje jesu modeli koji repliciraju strukturu poslovnog
procesa odnosno sustava tako da se mogu procijeniti efekti promjena u njemu.
Model
Model – pojednostavljeni prikaz složenog sustava.
Sustav - skup objekata i procesa koji su u meñuzavisnosti.
Cilj modeliranja : razumijevanje sustava, kontrola i utjecaj na rad sustava.
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 4/45
4
U primjeni kvantitativnih metoda u ekonomiji i menedžmentu javljaju se specifični
problemi koji proizlaze iz kvalitativnih karakteristika ovih disciplina, složenih
struktura i meñuzavisnosti koje je često nemoguće opisati i predstaviti
matematičkim formulacijama. Najvažniji korak predstavlja definiranje problema
Kako bismo postigli cilj modeliranja potrebno je specificirati čim jednostavniji
model. Iako se može raditi o vrlo složenom sustavu, to se može postići
definiranjem ograničenja u sustavu, kako bi bile uključene samo važne
karakteristike proučavanog sustava.
Etape modeliranjaProces modeliranja teče kroz nekoliko koraka. U tom procesu je osnovni zadatak
specificiranje okretnog modela. Radi se o pojednostavljenom prikazu
proučavanog sustava. Ako su ograničenja odnosno pretpostavke neispravno
definirane, model neće biti reprezentativan. Tada ga je potrebno poboljšati. Radi
se o ciklusu modeliranja koji je prikazan na slici 1.
Definiranje problema
Definiranje problema predstavlja najvažniji i najteži korak u modeliranju, pošto svi
daljnji koraci ovise o ovom. Potrebno je sažeto definirati problem i ciljeve te
utvrditi ograničenja u sustavu kako bismo se usredotočili samo na karakteristike
sustava koje su nam važne u istraživanju.
Izgradnja modela
Model je zapravo, oblik predočavanja sistema i teorije o njemu. Dok je teorija
uvijek verbalno izražena, model može biti načinjen u različitim medijima. Model
služi. Model služi za objašnjavanje nekih konkretnih procesa ili stanja sustava.
Stoga je model zapravo, samo simplifikacija i apstrahiranje nekih ključnih
elemenata teorije . Njegova je uloga provjeravanje teorije na djelu. (Žiljak, str.19).
Izgradnja modela ovisi o vrsti modela koji će se koristiti. Iz verbalno definiranog
problema istraživanja moramo matematički definirati uvjete i ograničenja sustava
kojima se odreñuje prostor mogućih rješenja.
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 5/45
5
Slika 1. Etape modeliranja
Prikupljanje podataka
Prikupljanje podataka je važan korak koji zahtjeva posebnu pažnju jer o
raspoloživosti i kvaliteti podataka ovise rezultati modeliranja. Ako potrebni podaci
nisu raspoloživi u standardnom sustavu prikupljanja podataka poslovanja,
potrebno je odlučiti izmeñu dviju mogućnosti:
- neposredni dodatni zahtjevi za prikupljanje nedostatnih podataka;
- prilagodba modela za postojeću skupinu podataka.
Dodatni zahtjevi za prikupljanjem podataka iziskuju obično znatne troškove i
potrebno je analizom utvrditi njihovu ekonomsku opravdanost. Često i s
jednostavnijim modelom i skromnijim podacima postižemo dobre rezultate.
Definiranje problema
Izgradnja modela
Prikupljanje ianaliza podataka
Ispitivanje
valjanosti
modela
Verifikacijamodela
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 6/45
6
Verifikacija i ispitivanje valjanosti modela
Verifikacija je utvrñivanje korektnosti modela, tj. ispitivanje funkcionira li model
onako kako očekujemo. To je formalno testiranje odgovara li rješenje koje
dobijemo svim uvjetnim ograničenjima modela, ili kratko rečeno jesmo li dobili
moguće rješenje modela.
Ispitivanjem valjanosti utvrñujemo daje li model rješenja koja se slažu s
opažanjima na realnom sustavu. Ukoliko utvrdimo da postoje neslaganja ili
proturječnosti, model je potrebno poboljšati redefiniranjem ograničenja ipretpostavki. Taj postupak ponavljamo dok ne postignemo zadovoljavajuću
reprezentativnost modela.
Vrste modela
Postoji mnogo vrsta modela. Naše područje interesa jesu matematički modeli,
koji spadaju u simboličke modele. To je skup matematičkih i logičkih veza meñu
pojedinim elementima sustava. Npr. matematički model kontrole zaliha uključuje
potražnju za proizvodom, troškove držanja zaliha i sniženja nabavnih cijena za
veće narudžbe. Modeli mogu biti jednostavniji i složeniji, npr. model zaliha se
može predstaviti jednom jednadžbom, dok se makroekonomski model privrede
može sastojati od sustava diferencijskih jednadžbi višeg reda.
Podjelu matematičkih modela baziramo na vrsti sustava kojeg modeliramo.
Sustavi mogu biti statički ili dinamički, diskretni ili kontinuirani.
Statički sustav
- vrijeme nema važnu ulogu ili smo zainteresirani za stanje sustava u odreñenom
trenutku. Primjer: financijski sustavi daju financijsko stanje poduzeća u
odreñenom trenutku.
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 7/45
7
Dinamički sustav
- sustav koji se mijenja kroz vrijeme. Primjer: prolaz putnika kroz zračnu luku.
Diskretni i kontinuirani sustav
- stanje sustava se mijenja u diskretnim vremenskim intervalima, odnosno
kontinuirano. Primjeri: prolaz putnika u zračnoj luci je diskretni dogañaj –
dogaña se u odreñenim trenucima; prolaz nafte kroz naftovod je kontinuirani
dogañaj – nema odreñenih trenutaka kad nastane dogañaj.
Deterministički i stohastički modeli
Deterministički modeli: modeli koji imaju egzaktno rješenje koje se često naziva
analitičko:
- nema slučajnih utjecaja na varijable i parametre;
- izmeñu varijabli je točna uzročno-posljedična veza; za odreñene ulazne
vrijednosti varijabli dobivaju se uvijek iste izlazne vrijednosti varijable.
Stohastički modeli: imaju parametre (ili varijable) koje nemaju fiksne vrijednosti:
- uključuju slučajne varijable odnosno slučajne procese;
- nije moguće točno predvidjeti izlazne vrijednosti varijabli;
- slučajne varijable su predstavljene distribucijama vjerojatnosti.
Stohastički modeli obuhvaćaju:
• modele koji se od determinističkih modela razlikuju jer uključuju slučajne greške
- za sustave čije bi ponašanje mogli točno predvidjeti za ulazne vrijednosti
parametri i varijabli modela, kad ne bi bili prisutni slučajni utjecaji ili greške koje
prouzrokuju odstupanja od takvog ponašanja. Za tu vrstu slučajne greške
vrijede pretpostavke:
o da su raspodjeljene N (0,σ2);
o povezanost s determinističkim dijelom je aditivna rjeñe multiplikativna;
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 8/45
8
o slučajne greške su nekorelirane u vremenu (tj.stanje u trenutku nije
ovisno o proteklim stanjima)
• modeli s jače uključenim slučajnim utjecajima, npr. kao promjene u samojstrukturi sustava.
- važan korak u analizi takvog slučajnog procesa je utvrñivanje distribucije
vjerojatnosti i njenih parametara, odnosno prepoznavanje oblika teorijske
raspodjele koja se najbolje prilagoñava empirijskim podacima.
Osnovna karakterisitka primjene u poslovnom odlučivanju stohastičkih modela
koji eksplicitno uključuju slučajnu varijablu jest velik broj ponovljenih uzoraka.
Samo u tom slučaju imamo dobru potporu pri odlučivanju u uvjetima rizika.
Nalaženje rješenja - analitički i simulacijski pristup
Deterministički modeli imaju egzaktno rješenje – analitičko rješenje.
Stohastički modeli:
o za neke imamo analitičko rješenje – iz distribucija vjerojatnosti ulaznih podataka
izračunava se zakon distribucije izlaznih varijabli;
o za većinu analitičko rješenje ne postoji, pa koristimo simulacijski pristup. Iz
dovoljno velikog broja empirijskih simulacija slučajne varijable, dobijemo podatke
o njezinoj distribuciji vjerojatnosti.
Simulacijski modeli
Većina stohastičkih modela se ne može analitički riješiti pa se za nalaženje
rješenja koristi numerička tehnika, simulacija. Iako je simulacija metodologija za
rješavanje odreñene vrste stohastičkih modela, često govorimo o simulacijskim
modelima. To je zbog toga jer ti modeli imaju odreñene zajedničke karakteristike:
- služe za proučavanje stohastičkih sustava i stohastička svojstva se analiziraju
na osnovi velikog broja uzoraka (kako bi se postigla pouzdanost) iz
odgovarajućih distribucija vjerojatnosti;
- modeli se sastoje od skupa pravila, logičkih izraza, distribucija vjerojatnosti i
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 9/45
9
matematičkih jednadžbi.
Metoda simulacije se najčešće upotrebljava u proizvodnji, transportu, uslužnom
sektoru, financijskom sektoru, komunikacijama itd.
Osnovne vrste simulacija su:
- Monte Carlo simulacija – za statičke sustave;
- diskretna i kontinuirana simualcija – za dinamičke sustave.
Obradit ćemo Monte Carlo simulaciju na primjerima odlučivanja u uvjetima rizika iu kontroli zaliha.
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 10/45
10
2. ANALITIČKE METODE
Analitički metode su one koje za rješavanje koriste klasične tehnike. Proučit
ćemo neke determinističke i stohastičke modele koji se rješavaju analitičkim
metodama, a koriste se u poslovnom odlučivanju.
Deterministički modeli su modeli u kojima je pretpostavljeno da nema
neizvjesnosti u varijablama i parametrima modela. Iako u praksi nema takvih
primjera gdje se sve sa sigurnošću odvija, ipak takvi modeli predstavljaju
razumnu aproksimaciju za slučajeve gdje je varijabilnost mala. Prednost im je što
su obično jednostavniji za rješavanje od stohastičkih modela.
Obradit ćemo modele linearnog programiranja i modele zaliha.
Linearno programiranje
Linearno programiranje (LP) je optimizacijska tehnika, jedna od metoda
operacijskih istraživanja. Operacijska istraživanja predstavljaju primjenu
matematičkih metoda u modeliranju i analizi sustava, kao pomoć u poslovnom
odlučivanju.
Matematički model problema maksimuma LP je:
Max { cx ; x ≥ 0 ∧ Ax ≤ b },
gdje su :
====
n x
x
x
x M
2
1
vektor nepoznanica,
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 11/45
11
====
nb
b
b
bM
2
1
vektor slobodnih članova,
====
mnmm
n
n
aaa
aaa
aaa
A
L
MLMM
L
L
21
22221
11211
matrica koeficijenata ograničenja,
====
nc
cc
cM
2
1
vektor koeficijenata funkcije cilja.
Svi vektori x koji zadovoljavaju uvjetna ograničenja predstavljaju skup mogućih
rješenja
={ 021 ≥≥≥≥≤≤≤≤∈∈∈∈ x b Ax R x x x n
n ;,),...,( }
Dalje o LP poglavlja 1.,2. i 3. iz „Metode i modeli za donošenje optimalnih
poslovnih odluka“.
Rješavanje problema LP se provodi primjenom simpleks algoritma.
To je algebarski postupak za nalaženje mogućeg bazičnog rješenja sustava
jednadžbi matričnim putem, a pri tom svako dobiveno rješenje ispituje jesmo li
našli bazično rješenje koje funkciji cilja daje maksimalnu vrijednost, odnosno
može li se vrijednost z povećati prijelazom na slijedeće bazično rješenje.
Geometrijski gledano, simpleks metoda kreće od ishodišta i dalje od vrha do vrha
po skupu mogućih rješenja, povećavajući vrijednost funkcije cilja dok ne doñe do
optimalnog rješenja. Početno bazično rješenje je ono koje je poznato, tj. ono kod
kojeg su strukturne varijable jednake nuli (nebazične), a dodatne varijable su
bazične (različite od nule). To je ishodište koordinatnog sustava. Slijedeće
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 12/45
12
bazično rješenje nalazimo elementarnom transformacijom početne baze, tako
da se jedan od vektora početne baze zamijeni jednim od preostalih vektora
matrice A, a koji nisu u bazi. Ta zamjena se odvija prema definiranim kriterijima
za odabir vektora koji će ući u bazu, te onog koji će izaći iz baze. Transformacija
baze tj. nalaženje novih bazičnih rješenja se obavlja sve dok postoji mogućnost
povećanja vrijednosti funkcije cilja z. Primjenom kriterija omogućeno je da se
doñe do optimalnog rješenja efikasno, tj. Bez da se nalazi i ispituje sva moguća
bazična rješenja sustava.
Koristit ćemo MS Excel Solver program za nalaženje optimalnog rješenja ianalizu osjetljivosti rješenja.
Nalaženje rješenja prikazat ćemo na primjeru 1, str.8 , iz Metode i modeli za
donošenje optimalnih poslovnih odluka.
Radi se o problemu proizvodnje. Potrebno je odrediti optimalan plan proizvodnje,
tj. količinu x1 proizvoda P1, te količinu x2 proizvoda P2 koje je potrebno proizvesti
koristeći raspoloživi kapacitet strojeva i mogući plasman na tržištu, za koje će
ukupni profit biti maksimalan.
Matematički model:
Max z = 40x1 + 60x2 (1)
x1 + x2 ≤ 200 (2)
2x1 + x2 ≤ 300
x2 ≤ 150
x1, x2 ≥ 0 (3)
Matematički model u matričnpm obliku:
Max z = (4)
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 13/45
13
(5)
(6)
Za odreñena rješenja varijabli x1 i x2 , vrijednost funkcije cilja (4) i pojedinih
ograničenja (5) predstavlja skalarni produkt za koje u programu imamo na
raspolaganju funkciju SUMPRODUCT (prvi_niz, drugi_niz). Za početna rješenja
varijabli x1 i x2 postavljamo vrijednost 1, pa nam to omogućuje provjeravanje
ispravnosti unešenih formula (skalarni produkt mora biti jednak sumi koeficijenata
odgovarajućeg retka).
Unosimo podatke u radni list:
A B C D
1 P1 P2 ograničenja
2S1 1 1 200
3S2 2 1 300
4 Tržište 0 1 1505
Profit 40 606
7Rješenja 1 1 (količine)
8
9Fn.cilja =SUMPRODUCT( B5:C5,B7:C7) (cijena⋅⋅⋅⋅količina)
10
11 ograničenja iskorišteno raspoloživo
12 S1 =SUMPRODUCT( B2:C2,$B$7:$C$7) ≤ =D213
S2=SUMPRODUCT( B3:C3,$B$7:$C$7) ≤ =D3
14Tržište
=SUMPRODUCT( B4:C4,$B$7:$C$7) ≤ =D4
Slika 2: Unos podataka u radni list.
Unosimo parametre modela:
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 14/45
14
Slika 3: Unos parametara modela
U prozoru Mogućnosti uvodimo zahtjev da se radi o linearnom modelu i zahtjev o
nenegativnosti varijabli.
Slika 4: Unos opcija parametara modela
Nakon toga odabirom gumba Solve (slika 3.) riješimo problem.
Pored optimalnog rješenja još možemo dobiti 3 izvješća (slika 5.):
- o rješenju
- o analizi osjetljivosti
- o granicama.
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 15/45
15
Slika 5: Izbor izvješća.
Microsoft Excel 11.0 Answer Report
Worksheet:[Book1]Sheet1Report Created: 5.1.2009 12:04:42
Target Cell (Max)
Cell NameOriginal
Value Final Value$B$9 Fn.cilja P1 100 11000
Adjustable Cells
Cell Name
Original
Value Final Value$B$7 Rješenja P1 1 50
$C$7 Rješenja P2 1 150
Constraints
Cell NameCell
Value Formula Status Slack$B$12 S1 iskorišteno 200 $B$12<=$D$12 Binding 0
$B$13 S2 iskorišteno 250 $B$13<=$D$13NotBinding 50
$B$14 Tržište iskorišteno 150 $B$14<=$D$14 Binding 0
Slika 6: Izvješće o rješenju.
Ovo izvješće uključuje rješenja varijabli (razine proizvodnje pojedine vrste proizvoda),
optimalnu vrijednost funkcije cilja (maksimalni profit) te iskorištenost ograničenja
(resursa proizvodnje, plasmana). U našem primjeru dobivamo informaciju da je plasman
na tržištu i kapacitet strojeva S1 potpuno iskorišten (predstavljaju uska grla za
povećavanje proizvodnje), dok kapacitet strojeva S2 ima neiskorištenih 50 sati.
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 16/45
16
Analiza osjetljivosti
Pomoću analiza osjetljivosti utvrñujemo osjetljivost optimalnog rješenja
na promjenu :
1. jednog parametra u funkciji cilja (OFC)
2. jednog parametra na desnoj strani ograničenja (RHS)
Problem asortimana proizvodnje P1 i P2:
Max z = 40x1 + 60x2 (profit)
x1 + x2 ≤ 200 (sati S1)
2x1 + x2 ≤ 300 (sati S2)x2 ≤ 150 (trž. P2)
x1,x2 ≥ 0 (nenegativnost)
Optimalno rješenje je o(50,150) i maksimalni profit z=11000.
Slika 6 Grafičko rješenje LP.
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 17/45
17
OFC promjene
Povećamo li profit po jedinici P1 sa 40 kn na 50 kn , funkcija cilja je:
z' = 50x1 + 60x2
Iz grafičkog prikaza vidi se da se optimalno rješenje ne mijenja. Kako se jedinični
profit povećao, povećava se i vrijednost z. Optimalno rješenje će se promijeniti
ako se nagib funkcije cilja više promijeni, npr. z1 = 140x1 + 60x2 , o1(150,0),
z1=21000
Postoji interval vrijednosti za pojedini parametar u funkciji cilja, unutar kojeg
intervala optimalna vrijednost ostaje nepromijenjena, a mijenja se samo
vrijednost funkcije cilja. Ako parametar poprima vrijednosti van navedenog
intervala, mijenja se i optimalno rješenje. Tako za c1 interval vrijednosti je (0,60),
a za c2 interval je (40, +∞).
Microsoft Excel 11.0 Sensitivity Report
Worksheet: [Book1]Sheet1Report Created: 5.1.2009 12:05:57
Adjustable CellsFinal Reduced Objective Allowable Allowable
Cell Name Value Cost Coefficient Increase Decrease
$B$7 Rješenja P1 50 0 40 20 40
$C$7 Rješenja P2 150 0 60 1E+30 20
Constraints
Final Shadow Constraint Allowable AllowableCell Name Value Price R.H. Side Increase Decrease
$B$12 S1 iskorišteno 200 40 200 25 50$B$13 S2 iskorišteno 250 0 300 1E+30 50
$B$14 Tržište iskorišteno 150 20 150 50 50
Slika 7 Analiza osjetljivosti
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 18/45
18
RHS promjene
Povećamo li desnu stranu drugog ograničenja (sati S2) na 400, mijenja se skup
mogućih rješenja, nagib funkcije cilja se ne mijenja, ali se mijenja optimalno
rješenje: z1= 28000, o(200,0).
Max z = 140x1 + 60x2
x1 + x2 ≤ 200
2x1 + x2 ≤ 400x2 ≤ 150
x1,x2 ≥ 0
Slika 8 Novo grafičko rješenje
Ukupni profit se povećao sa 21000 na 28000 kn, za dodatnih 100 sati rada S2.
To znači da svaki dodatni sat rada S2 povećava profit za 70kn (ili svaki sat manje
je 70kn manje profita).
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 19/45
19
Ako se mijenja desna strana ograničenja koje je potpuno iskorišteno ('usko grlo'),
promjena nastaje i u funkciji cilja. Mjerimo utjecaj promjene za 1 jedinicu desne
strane pojedinog ograničenja na promjenu u vrijednosti u funkciji cilja koju
zovemo dualna cijena ili cijena u sjeni. Kad ograničenje predstavlja resurs,
dualna cijena predstavlja marginalnu vrijednost tog resursa. U izvješću takoñer
dobivamo i interval vrijednosti za desnu stranu pojedinog ograničenja unutar
kojeg optimalno rješenje ostaje nepromijenjeno.
Dualna vrijednost (Shadow price) ili marginalna vrijednost ograničenja
predstavlja promjenu vrijednosti funkcije cilja za povećanje RHS ograničenja za jedinicu. Dualna vrijednost y2 = 70 je marginalna vrijednost funkcije cilja za
povećanje RHS 2.ograničenja primala. Svaki dodatni sat rada S2 povećava profit
za 70 kn.
Za ograničenje koje nije 'usko grlo', dualna vrijednost je nula, jer malo povećanje
RHS ne može povećati optimalnu vrijednost funkcije cilja. Kad se RHS mijenja
unutar granica odreñenog intervala, shadow price se ne mijenja.
Promjena vrijednosti funkcije cilja predstavlja umnožak dualne vrijednosti i
promjene RHS.
U Excelu postoji još i treće izvješće koje se odnosi na granice unutar kojih se
kreću vrijednosti pojedine varijable, te o vrijednosti funkcije cilja koja odgovara
granicama tog intervala.
Povećavanje resursa.
Ulaganje u dodatne kapacitet resursa se isplati do visine dualne cijene za
jedinicu resursa, ali pri tom treba voditi računa da ostanemo u granicama
dozvoljenog intervala. Znači, ulagat ćemo za dodatni sat rada kapaciteta S2 do
70kn.
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 20/45
20
Strukturna varijabla jednaka nuli
Reducirani trošak ( Reduced cost) ili oportunitetni trošak je minimalna vrijednost
za koju se treba mijenjati parametar funkcije cilja za odreñenu varijablu kako ona
ne bi bila jednaka nuli u optimalnom rješenju. To je iznos za koji će se vrijednost
funkcije cilja promijeniti , ako varijabla umjesto 0 poprimi vrijednost 1. Ako se radi
o problemu maksimuma (minimuma), reduced cost je vrijednost za koju se
parametar u funkciji cilja treba povećati (smanjiti). Za P2 jedinični profit bi se
trebao povećati za 10 kn kako bi bilo profitabilno proizvoditi P2.
Predstavit ćemo cjelokupni Excel izvještaj za model:
Max z = 140x1 + 60x2
x1 + x2 ≤ 200
2x1 + x2 ≤ 300
x2 ≤ 150
x1,x2 ≥ 0
Target Cell (Max)
Cell NameOriginal
Value Final Value
$B$9 Fn.cilja P1 200 21000
Adjustable Cells
Cell NameOriginal
Value Final Value$B$7 Rješenja P1 1 150
$C$7 Rješenja P2 1 0
Constraints
Cell Name Cell Value Formula Status Slack
$B$12 S1 iskorišteno 150 $B$12<=$D$12NotBinding 50
$B$13 S2 iskorišteno 300 $B$13<=$D$13 Binding 0
$B$14 Tržište iskorišteno 0 $B$14<=$D$14NotBinding 150
Tablica 1 Excel izvještaj
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 21/45
21
U Tablici 1 nalazimo optimalno rješenje :150 kom. P1 i 0 kom. P2. Taj plan proizvodnje uz
navedena ograničenja vezana uz plasman proizvoda i kapacitet strojeva, ukupni profit je
maksimalan i iznosi 21000 kn. Pri tom je kapacitet S2 potpuno iskorišten, a S1 nije za 50
sati rada. kako se P2 ne proizvodi, uvjet plasmana tog proizvoda na tržištu nije uopće
iskorišten.
Microsoft Excel 10.0 Sensitivity ReportWorksheet: [Book1.xls]Sheet1Report Created: 3/13/2009 17:26:22Adjustable Cells
Final Reduced Objective Allowable Allowable
Cell Name Value Cost Coefficient Increase Decrease$B$7 Rješenja P1 150 0 140 1E+30 20
$C$7 Rješenja P2 0 -10 60 10 1E+30
ConstraintsFinal Shadow Constraint Allowable Allowable
Cell Name Value Price R.H. Side Increase Decrease
$B$12 S1 iskorišteno 150 0 200 1E+30 50$B$13 S2 iskorišteno 300 70 300 100 300$B$14 Tržište iskorišteno 0 0 150 1E+30 150
Tablica 2 Excel izvještaj
U Tablici 3 su rezultati analize osjetljivosti. Intervali vrijednosti za jedinični profit po vrsti
proizvoda su: c1 є (120, +∞) ; c2 є (0,70). Ukoliko se jedinični profit kreće unutar
navedenih intervala, vrijednost optimalnog rješenja se ne mijenja, samo ukupni profit z.
Kako je optimalna vrijednost strukturne varijable x2 jednaka nuli, imamo njezin
oportunitetni trošak. To znači da minimalna vrijednost za koju bi trebalo povećati jedinični
profit P2 jest 10 kn, kako bi bilo profitabilno proizvoditi P2.
Kapacitet S2 je potpuno iskorišten, dakle radi se o "uskom grlu" u proizvodnji. Dualna
(marginalna) vrijednost tog ograničenja jest 70 kn, što znači da svaki dodatni sat rada S2
povećava profit za 70 kn. To je ujedno i cijena jednog sata rada S2 do koje visine se
isplati ulagati kod povećanja kapaciteta.
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 22/45
22
Intervali vrijednosti na desnoj strani svakog ograničenja unutar kojih optimalno rješenje
ostaje nepromijenjeno jesu: b1 є (150, +∞); b2 є (0, 400); b3 є (0, +∞).
Na kraju ćemo ukratko ponoviti.
Analiza osjetljivosti se odnosi na:
- promjenu OFC za varijablu;
-mijenjanje vrijednosti strukturne varijable koja ima vrijednost 0 u vrijednost koja nije 0;
- promjenu RHS ograničenja.
Važno je napomenuti da se ispituju promjene samo u jednom parametru. Ako se radi o
promjenama u više parametara, tada je problem složeniji i potrebno je primijeniti
parametarsko programiranje.
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 23/45
23
Modeli zaliha
Zalihe su vrlo važne u poslovnom procesu jer su neophodne za nesmetano
odvijanje procesa. Prevelike zalihe znače zamrznuta sredstva koja stvaraju
troškove, a premale mogu uzrokovati zastoj u poslovnom procesu i velike štete u
poslovanju. Zbog toga zalihe trebaju biti optimalne.
Cilj ; Odrediti plan naručivanja (kada i koliko) koji će minimizirati troškove zaliha,
ali i troškove naručivanja i dostave.
Izložit ćemo osnovni model zaliha sa stalnom potražnjom, a nema nedostatka
zaliha. To je pojednostavljeni problem koji je osnova i za sve ostale modele
zaliha. Izračunava se optimalna veličina narudžbe.
Pretpostavke:
- potražnja je poznata i konstantna u jedinici vremena;
- pošiljke popunjavaju skladište u trenutku kad se zalihe iscrpe i nemanedostatka zaliha;
- količina narudžbe je konstantna;
- troškovi skladišta po jedinici zaliha i fiksni troškovi narudžbe su konstantni.
Na slici 10 je prikazano kretanje stanja zaliha prema navedenim pretpostavkama.
Slika 10 Kretanja stanja zaliha
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 24/45
24
Uvodimo oznake:
TC – ukupni troškovi zaliha;
Cs – ukupni troškovi skladištenja;
Cn - ukupni troškovi narudžbe;
C – troškovi jedne narudžbe;
Q – količina narudžbe;
h – troškovi skladištenja jedinice zaliha;
D – potražnja u jedinici vremena.
Potrebno je odrediti optimum pomoću funkcije ukupnih troškova:TC = Cs + Cn
2
QhCs ⋅⋅⋅⋅====
Q
CDCn ====
Troškovi skladištenja su odreñeni srednjom vrijednosti količina punog i praznog
skladišta, a to je2
Q.
Q
CDQ
hTC ++++⋅⋅⋅⋅==== 2
Optimum ćemo naći pomoću diferencijalnog računa:
22 Q
CDh
Q
TC −−−−====
∂∂∂∂
∂∂∂∂
02 2
====−−−−Q
CDh
22
h
Q
CD====
Tako dobivamo optimalnu količinu narudžbeh
CDQo
2==== .
Optimalno vrijeme naručivanja zaliha:hD
C
hD
CD
D
Q Z o
o
222============ .
Ukupni optimalni troškovi iznose:o
o
oQ
CDQhTC ++++====
2.
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 25/45
25
Grafičko rješenje je na slici 11:
Slika 11 Grafičko rješenje problema zaliha
Razina optimalne narudžbe, Qo je pri jednakosti Cs=Cn , odnosno2
hQ
Q
CD==== ,
iz koje se dobivah
CDQo
2==== .
Stohastički model zaliha
Stohastički modeli uključuju bar jednu stohastičku varijablu. Vrijednosti te
varijable su predstavljene distribucijama vjerojatnosti – to je način definiranja
raspona mogućih vrijednosti koje varijabla može poprimiti. Stohastički modeli su
bliže stvarnosti od determinističkih. U poslovnoj ekonomiji i poslovnom
odlučivanju češće su prisutni problemi u kojima nisu precizno determiniraniuzročno posljedični odnosi meñu varijablama u modelu kao što nisu ni poznate
sve vrijednosti parametara koji su potrebni za dobivanje jedinstvenog rješenja.
Vrlo su česti problemi u kojima je kod donošenja odluka prisutan rizik, slučajni
utjecaji te nedostatak informacija. Stohastičko modeliranje je važno područje
modeliranja koje ćemo objasniti samo kroz jednostavnije primjere u poslovnom
odlučivanju. Ipak, u praktičnom smislu, ne samo kod složenijih i opsežnijih
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 26/45
26
problema, teško je specificirati matematički model kao i naći analitičko rješenje.
U takvim slučajevima koristimo metodu simulacije.
U modelima zaliha mogu postojati razni izvori slučajne varijabilnosti - kao
vrijeme isporuke, različiti troškovi, ali ipak najvažnija je potražnja koju smo u
determinističkom modelu uzimali kao prosječnu vrijednost. Varijabilnost potražnje
nije jako važna do trenutka kad se naručuje. Ako u tom trenutku naglo poraste
potražnja, zalihe će pasti brže od očekivanja. Zalihe se mogu iscrpsti prije nego
nove doñu. Zbog toga mnoga poduzeća održavaju rezervne zalihe (vidi sliku 12).
Rezervne zalihe se koriste ako potražnja poraste za vrijeme perioda isporuke.Pitanje je koliko velike te rezerve trebaju biti. Ako su premale može stati
poslovanje, a ako su prevelike, kapital je vezan u nepotrebnim zalihama.
Odgovor dobijemo ako znamo distribuciju vjerojatnosti potražnje.
Slika 12 Kretanje zaliha uz održavanje rezerve
Uniformna distribucija vjerojatnosti potražnje
Svaka količina potražnje jednako vjerojatna. Potražnja za vrijeme perioda
isporuke varira izmeñu minimalne vrijednosti a i maksimalne vrijednosti b.
Prosječna potražnja za vrijeme isporuke jest2
ab ++++====µ µµ µ . Poduzeće može odlučiti
da ima zaliha dovoljno za najveću razinu potražnje, a to znači da mora održavati
količinu b-µ rezervne zalihe. Alternativa je nešto manja razina i time riskira
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 27/45
27
nastanak zastoja poslovanja. Npr. ako želi riskirati da ostane bez zaliha u 5%
slučajeva, lako je dobiti rješenje jer je svaka potražnja jednako vjerojatna (slika
13).
Slika 13 Uniformna distribucija vjerojatnosti potražnje
Primjer
Potražnja za proizvodom varira od 120 do 800 komada dnevno. Vrijeme isporuke
je 2 dana. Troškovi jednog komada proizvoda na zalihi je 2 kn dnevno. Kolike
moraju biti rezervne zalihe kako bi se osiguralo poslovanje u 95% slučajeva?
Odredite količinu narudžbe za održavanje tih zaliha.
h= 2
D dnevna : a= 120 ; b= 800;
D za 2 dana: a= 240 ; b= 1600; µ = 920
100% osiguranje zaliha:
Rezervne zalihe su b-µ = 1600 – 920 = 680 kom
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 28/45
28
95% osiguranje zaliha:
c= a + 0.95(b-a) = 240 + 0.95(1600-240) = 1532 kom – je potražnja koja će se
dogoditi u ne više od 95% slučajeva
Rezervne zalihe su c-µ = 1532 – 920 = 612 kom
Troškovi održavanja rezervnih zaliha su: 612 ·2 = 1224 kn dnevno.
Normalna distribucija vjerojatnosti potražnje
Potražnja varira s velikom vjerojatnošću, a srednje vrijednosti i vjerojatnost naglo
padaju na nižim i višim razinama potražnje.
Normalna distribucija vjerojatnosti : N(µ,σ)
Standardna normalna distribucija : N(0,1) → vrijednosti u tablici.
σ σσ σ
µ µµ µ −−−−====x
z → transformacija nestandardne normalne distribucije u standardnu;
x – vrij.slučajne varijable; µ,σ - parametri njezine normalne raspodjele.
Primjer
Normalna distribucija potražnje:
D dnevna: µ = 460, σ=180 ;
D za 2 dana: µ =920 , 6254180180 22 .====++++====σ σσ σ
Tražimo razinu potražnje x koja nije prekoračena u više od 5% slučajeva.
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 29/45
29
Radi se o površini ispod desnog repa normalne distribucije koja iznosi 5%. Za
standardnu normalnu distribuciju u tablici nalazimo odgovarajući z=1.65.
Potražnja x koja će se dogoditi u ne više od 5% slučajeva za zadanu distribuciju
potražnje jest:
x = z·σ + µ = 1.65 · 254.6 + 920 = 1340.1 ≈ 1340
To će biti količina narudžbe za održavanje zaliha.
Rezervne zalihe su: x - µ =1340 – 920 = 420 .
-------------------
Ekonometrijski modeli
Predavanja prema knjizi Lj.Lovrić: Uvod u ekonometriju, Ekonomski fakultet
Rijeka, 2005.
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 30/45
30
3. METODA SIMULACIJE
Metoda simulacije se primjenjuje kada je sustav za koji je potrebno specificirati
model presložen za analitički pristup. Izložit ćemo samo osnovnu proceduru ove
tehnike i primjenu u području zaliha i investicijskih projekata.
„Simulacija je proces stvaranja modela realnog sustava i eksperimentiranja s
modelom u cilju razumijevanja ponašanja sustava i/ili razvijanja raznih strategija
funkcioniranja sustava“ (Pedgen et al.,1995).
Monte Carlo simulacija
Simulaciju ćemo koristiti za sustave koji u sebi uključuju neizvjesnost u
ponašanju, a poslovne odluke čine rizičnim. Neizvjesnost se u modelima
predstavlja stvaranjem uzoraka iz odgovarajuće distribucije vjerojatnosti. Takva
vrsta simulacije se često naziva Monte Carlo simulacija. To su najjednostavnije
vrste simulacijskih modela. Ukratko, stohastičke karakteristike sustava su
definirane slučajnim varijablama. Ulazne vrijednosti takvih varijabli su definirane
distribucijama vjerojatnosti koje ih najbolje predstavljaju. S obzirom da se radi o
slučajnim vrijednostima, izlazne vrijednosti modela se računaju kao prosječni
pokazatelji dovoljnih broja iteracija provedenih modelom.
Osnovna su tri koraka simulacijskog modeliranja:
1. Za slučajnu varijablu izaberemo vrstu distribucije vjerojatnosti i njezine
parametre koji najbolje odražavaju ponašanje te slučajne varijable.
2. Izvedemo dovoljno velik broj iteracija, pokusa u kojima se pojavljuje takva
slučajna varijabla.
3. Za svaki pokus bilježimo izlazne vrijednosti modela i na kraju za rezultate
izračunavamo matematičko očekivanje, standardnu devijaciju i druge
statističke pokazatelje.
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 31/45
31
Monte Carlo simulacija je shema korištenja slučajnih brojeva tj. U(0,1) slučajnih
vrijednosti koje služe za rješavanje odreñenih stohastičkih ili determinističkih
problema u kojima vrijeme nema važnosti (Law, Kelton, 1991). U širem smisluMonte Carlo je metoda u kojoj se koriste slučajni brojevi za rješenje problema. Za
simulaciju diskretnih dogañaja (npr. sustavi usluživanja) taj način nije pogodan jer
se u tabelarnom prikazu ne može na odgovarajući način pratiti promjene kroz
vrijeme. Zbog toga za takve probleme postoje posebni programski paketi i
programski jezici. Slična je situacija s kontinuiranim dogañajima.
Mi ćemo Monte Carlo simulaciju koristiti za probleme koji su uglavnom statički
kao što su kontrola zaliha i analiza rizika.
Diskretna simulacija
Diskretna simulacija se primjenjuje na sustave koji se mogu opisati nizom
diskretnih dogañaja. Diskretni dogañaj predstavlja skup okolnosti koje su izazvale
promjenu stanja sustava. Simulacija se odvija tako da se bilježe sve promjene
vezane uz nastali dogañaj i zatim prelazi na slijedeći dogañaj. Drugim riječimasimulacija se odvija od dogañaja do dogañaja uz predpostavku da se ništa važno
ne dogaña u vremenu izmeñu dogañaja. Metoda nema ograničenja tj. mogu se
pomoću nje proučavati vrlo složeni sustavi, a za to se koriste posebni
kompjuterski programi odnosno programski jezici. U kompjuterskom programu se
generiraju dogañaji prema stvarnom procesu u pručavanom sustavu i prikupljaju
podaci vezani uz promjene nastale simulacijom.
Problemi sustava usluživanja (sustava redova čekanja) rješavaju se diskretnom
simulacijom. U takvim sustavima dogañaji su vezani uz dolazak potrošača i
njihovo usluživanje. Kad bi dolasci i vrijeme usluživanja bili u jednakim
vremnskim razmacima radilo bi se o determinističkom sustavu i ne bi se stvarali
redovi. Ipak, u većini sustava usluživanja postoji varijabilnost u procesu dolaženja
i usluživanja. Redovi nastaju kad je potražnja za uslugom veća od kapaciteta
resursa koji pruža uslugu. Potrošači ne dolaze u regularnim intervalima, a postoje
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 32/45
32
i varijacije oko prosječne dužine vremena usluživanja. Modeliranje takvog
sustava predstavlja prikupljanje uzoraka iz distribucije vremena meñu dolascima i
distribucije vremena usluživanja. te dvije slučajne varijable se u modelugeneriraju prema pretpostavljenim teorijskim i empirijskim distribucijama
vjerojatnosti.
Odvijanje simulacije prati se vremenski, tj. simulacijskim satom. Prvi dogañaj ,
dolazak potrošača, dogodi se nakon vremenskog intervala koji je generiran
prema odgovarajućoj distribuciji vjerojatnosti. Kako je sustav na početku prazan,
potrošač je odmah uslužen i to u vremenu koji je generiran prema odreñenoj
distribuciji vjerojatnosti. Dogañaji dalje slijede navedene distribucije, te se bilježe
statistički podaci o broju potrošača u sustavu, u redu, za svakog potrošača
vrijeme čekanja u redu, vrijeme usluživanja, a na kraju i iskorištenost sustava za
vrijeme simulacije. Što se vrijeme simulacije produžuje rezultati su stabilniji i
kažemo da sustav postiže ravnotežno stanje. Na kraju predviñenog vremena
simulacije dobivaju se prosječne vrijednosti skupljenih statističkih podataka.
Simulacijski model koji reprezentira proučavani sustav tako daje statističke
pokazatelje koje nazivamo historijska simulacija. Ako u tom modelu mijenjamoulazne parametre modela ispitujemo funkcioniranje sustava u promijenjenim
uvjetima, dakle eksperimentiramo modelom. Usporeñujući rezultate s
historijskom simulacijom dobivamo važne informacije o funkciniranju sustava i
mogućnosti njegovog poboljšanja.
Područje primjene je široko – u planiranju i organizaciji lučkih postrojenja,
aerodroma, skladišta, telefonskih centrala, bolnica, banaka, trgovina, ukratkusvugdje gdje postoji mogućnost zastoja i „uskih grla“.
Za neke jednostavnije sustave usluživanja postoji analitičko rješenje, tj. formule
pomoću kojih se mogu izračunati prosječne vrijednosti pokazatelja funkconiranja
sustava. Meñutim u praksi su rijetki primjeri na koje se analitičko rješenje može
primijeniti.
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 33/45
33
Prednosti i nedostaci metode simulacije
Prednosti ove metode su višestruke. Omogućava bolje razumijevanje sustava,eksperimentiranje modelom sustava i pripremu za nepoznate situacije u
funkcioniranju sustava, omogućuje otkrivanje uskih grla, procjenu rizičnih
dogañaja i bolju pripremu za donošenje poslovnih odluka u uvjetima rizika. Ne
postoji tako složeni sustav koji se ne bi mogao metodom simulacije modelirati i
istražiti.
Nedostatak metode simulacije jest što je za složenije sustave ovo skupa metoda
jer zahtijeva timski rad i skupu programsku podršku. Simulacijom ne dobivamo
optimalno rješenje. Simulacija ne daje egzaktno rješenje kao analitičke metode.
Rezultati simulacije predstavljaju uzorak, pa se stoga za statističku analizu
rezultata treba koristiti teoriju uzoraka.
Generiranje slučajne varijable
Slučajni brojeviSlučajni brojevi su brojevi koji su uniformno distribuirani izmeñu 0 i 1, tj. U (0,1).
Funkcija vjerojatnosti ( slika ) uniformne distribucije je:
<<<<<<<<
====inačn ,0
1 x 0 ,1 ) x ( f
Mogu biti generirani npr. izvlačenjem iz bubnja.
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 34/45
34
Pseudoslučajni brojevi
Pseudoslučajni brojevi imaju svojstva slučajnih brojeva (nezavisnost, jednakavjerojatnost), a izračunavaju se pomoću algoritma. Njihova je prednost što se
mogu ponoviti, a to je vrlo važno kod simulacije. Naime, korištenjem istog niza
slučajnih brojeva za različite varijante modela, omogućuje se reduciranje
varijabilnosti u rezultatima i na taj način lakše otkrivanje stvarne razlike meñu
varijantama modela.
Postoji više vrsta generatora (algoritama). važno da niz brojeva bude dovoljno
dug i da se ne degenerira. Najviše se koristi multiplikativni kongruentni generator:
xi+1 = a xi (mod m)
x0 – sjeme (seed), početna vrijednost;
mod m – modulo m → a xi podijeliti sa m i zadržati ostatak.
Simulacijski programski paketi imaju uključene generatore koji su testirani na
slučajnost i jednaku vjerojatnost.
Generiranje slučajne varijable
Simulacijski programski paketi imaju ugrañene postupke za generiranje slučajne
varijable prema teorijskoj ili empirijskoj distribuciji. Objasnit ćemo samo osnovni
princip.
Primjer
Trgovina prodaje mlijeko u velikim paketima. Potražnja je slučajna varijabla – brojprodanih paketa varira prema prikupljenim podacima u tablici 1 (empirijska
distribucija vjerojatnosti).
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 35/45
35
Tablica1
broj prodanih
paketa dnevnosredina frekvencija
relat.frekv.
(%)
kumulativne
frekv.(%)
10-20
20-30
30-40
40-50
50-60
15
25
35
45
55
10
18
24
7
5
16
28
37
11
8
16
44
81
92
100
ukupno 64 100
Potrošnju x ćemo predstaviti srednjom vrijednosti razreda. Distribucijavjerojatnosti je ureñeni skup parova vrijednosti varijable i pripadajuće
vjerojatnosti, {{{{ }}}} )) x ( p , x ( i i , i=1,2,...k.
Vjerojatnost potražnje za podatke u tablici izračunamo kao relativnu frekvenciju
(%). U cilju modeliranja potražnje koristit ćemo slučajne brojeve. Umjesto
uobičajenog raspona od 0 do 1, koristit ćemo raspon od 0 do 100, što je u skladu
s rasponom relativnih frekvencija u tablici. Potrebno je pridružiti slučajne brojeve
distribuciji u tablici1.Svaki slučajni broj mora biti lociran samo u jednom intervalu
u tablici. Zato je korisno izračunati vrijednosti kumulativnih frekvencija. Širina
intervala za svaku vrijednost slučajne varijable x odreñena je veličinom relativne
frekvencije svakog razreda. Kako su intervali različite dužine, oni uključuju i
različiti raspon slučajnih brojeva. Što se jasnije može predstaviti pomoću kruga
(slika):
0 - 1516 - 43
44 - 80
81 - 91
92 - 99
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 36/45
36
Potražnja je slučajna varijabla koja je distribuirana s vjerojatnošću koja odgovara
širini razreda, a širinu razreda odreñuju originalni podaci. Prema navedenom,
tablicu 1 ćemo upotpuniti intervalima slučajnih brojeva (RN). (tablica2).Tablica 2
broj prodanih
paketa dnevno
Sredina
xfrekvencija
relat.frekv.
fr (%)
kumulativne
frekv.(%) RN
10-20
20-30
30-40
40-50
50-60
15
25
35
45
55
10
18
24
7
5
16
28
37
11
8
16
44
81
92
100
00-15
16-43
44-80
81-91
92-99ukupno 64 100
Kroz višestruki postupak izvlačenja slučajnih brojeva, dobit ćemo u uzorku
korektni udjel potražnje iz svakog intervala. Ako želimo simulirati potražnju za 10
dana, uzet ćemo niz od 10 slučajnih brojeva. Za svaki slučajni broj lociramo u
tablici interval u koji pripada i očitamo pripadnu količinu potražnje (sredinu
razreda). Točne vrijednosti diskretne slučajne varijable mogu se dobiti
interpolacijom. Slučajni brojevi i simulirana potražnja predstavljena je u tablici, a
postupak na grafikonu.
RN Potražnja
35
72
63
54
12
90
89
60
21
37
25
35
35
35
15
45
45
35
25
25
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 37/45
37
Slika Kumulativna funkcija distribucije potražnje mlijeka
Za teorijske funkcije distribucije je isti postupak . Na slici je prikazan postupak
generiranja kontinuirane slučajne varijable.
Slika Kumulativna funkcija distribucije kontinuirane slučajne varijable
RN
x X
F(x)
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 38/45
38
Simulacija kontrole zaliha
Predstavit ćemo simulacijski model zaliha trgovine koja prodaje mlijeko i za koju
su prikupljeni podaci o potražnji tijekom 64 dana (tablica 1).
Količina (Q) koja se naručuje je fiksna vrijednost. Kritične zalihe (R) predstavljaju
razinu zaliha kad robu treba naručiti. To znači ako su, ako su zalihe krajem dana
na razini jednakoj ili manjoj od kritičnih zaliha, roba se naručuje. Ukupni troškovi
obuhvaćaju osim troškove naručivanja i troškove manjka zaliha.
Podaci:
Fiksni troškovi jedne narudžbe iznose 180 kn.
Trošak zaliha (skladištenja) jednog paketa dnevno je 0,45 kn.
Trošak manjka zaliha je gubitak koji nastaje kad potrošač ne može kupiti mlijeko
u toj trgovini jer su zalihe ponestale i procijenjen je na 5 kn po paketu.
Vrijeme potrebno da naručena roba stigne od trenutka naručivanja je 2 dana.
Potrebno je odrediti: količinu narudžbe Q, kritične zalihe R, za danu potražnju D
koja je slučajna varijabla, te ukupne troškove, troškove zaliha, troškove manjka
zaliha.
Problem ćemo riješiti si mulacijom. Potražnju ćemo generirati po empirijskoj
distribuciji (Tablica 1).
Početni uvjeti simulacije:Zalihe na početku su jednake nuli i prvi dan dospijeva naručena količina Q.
Potražnju možemo utvrditi iz distribucije vjerojatnosti (Tablica 1) tj. iz prikupljenih
podataka za 64 dana poslovanja. Očekivana potražnja je:
D= 327031 ≈≈≈≈====⋅⋅⋅⋅====∑∑∑∑ .)(i
i i fr x x E paketa.
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 39/45
39
Kako se radi o stohastičkoj varijabli s empirijskom distribucijom vjerojatnosti,
nemamo analitičko rješenje problema. Približne vrijednosti ćemo dobiti koristeći
analitičko rješenje determinističkog modela, što znači da ćemo uzeti da jepotražnja fiksna vrijednost.
D= 32 paketa
h=0.45 kn/dan
C= 180 kn
160450
321802
====⋅⋅⋅⋅⋅⋅⋅⋅
==== .Q paketa
CS= knQh
362
====⋅⋅⋅⋅
dnevno
CN= knQ
DC 36====
⋅⋅⋅⋅dnevno
532450
18022====
⋅⋅⋅⋅
⋅⋅⋅⋅========
.hD
C Z dana
Kritična razina zaliha (R):
Vrijeme koje je potrebno da naručitelj dostavi robu od trenutka naručivanja iznosi
2 dana, a dnevna očekivana potražnja je 32 paketa, pa je R=2⋅ 32 = 64 paketa.
Tako smo dobili osnovne parametre za simulaciju (historijska) : Q=160, R=64,
potražnja generirana po empirijskoj distribuciji.
Simulaciju ćemo provesti za 30 dana. Odmah 1.dan stiže prva pošiljka od 160paketa i nema zaliha. Nova narudžba kreće kad zalihe padnu ispod 64 paketa i
potrebno je 2 dana da stigne. Potražnja je generirana po diskretnoj empirijskoj
distribuciji (slika).
Simulaciju provodimo u tablici pomoću programa MS Excel.
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 40/45
40
Ponavljanje simulacije
Simulacija od 30 dana daje 4 vrste troškova. Ukoliko ponovimo simulaciju
rezultati će biti drukčiji jer se mijenjaju slučajni brojevi. Radi se o stohastičkom
sustavu. Zbog toga je potrebno simulaciju od 30 dana ponavljati što više puta
kako bismo dobili informacije o distribuciji vjerojatnosti prema kojoj se slučajne
varijable ponašaju. Ponovit ćemo simulaciju 200 puta, izračunat prosječne
vrijednosti iz dobivenih 200 podataka za 4 vrste troškova koji nas zanimaju.
Za ponavljanje simulacija koristimo Excel proceduru Data Table.
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 42/45
42
Simulacijski eksperimenti
Pretpostavimo da trgovina zaista posluje prema Q=160, R=65. Tada se
simulacija koju smo izveli naziva historijska simulacija. Ona oponaša (simulira)
poslovni sustav prema stvarnim parametrima.
Svrha ovakvog simulacijskog modela jest eksperimentiranje. Mijenjanjem ulaznih
vrijednosti parametara želimo doći do važnih saznanja o sustavu koja će nam
pomoći u kvalitetnijem poslovnom odlučivanju.
Pomoću našeg simulacijskog modela želimo utvrditi količinu narudžbe Q i kritične
zalihe R s kojima će se smanjiti ukupni mjesečni troškovi. Svaki eksperiment će
uzeti odreñene kombinacije razina Q i R, ponoviti simulaciju 200 puta i izračunati
prosječne vrijednosti troškova. Tako ćemo usporeñujući prosječne izlazne
vrijednosti doći do odgovora koja razina Q i R smanjuje ukupne troškove.
Pri tom koristimo Excel proceduru Scenario Manager (Tools/ Scenarios).
Pored sadašnjeg stanja (historijske simulacije) još je izvedeno 5 scenarija.rezultati su na slici... Najmanje ukupne troškove daje scenarij „sadašnje stanje“.
Ipak visoka je razina manjka zaliha. Druge je pitanje koliko je dobro za
poslovanje da potrošači ne mogu dobiti robu uvijek kad ju traže.
Eksperimentiranje je često svrha simulacijskog modeliranja, a želi se utvrditi
efekte promjene nekog parametra u modelu. To mogu biti, osim količine
narudžbe, razina kod koje treba ponoviti narudžbu, troškovi zaliha, vrijeme
isporuke. Mogu se ispitivati i promjene u strukturi modela, npr.promjene
ditribucije potražnje, varijabilno vrijeme isporuke umjesto fiksnog itd.
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 43/45
43
Slika Scenario Manager rezultati.
Simulacija investicijskih ulaganja
U modelima zaliha simulaciju smo koristili za utvrditi vjerojatnost nestanka zaliha.
Analiza rizika je povezana sa investicijskim procjenama. Svaki projekt koji traje
nekoliko godina nosi rizik. Ako kamate rastu bit će skuplji, ako se pojavi
konkurencija smanjit će se očekivani profit. Nemoguće je predvidjeti budućnost,
ali simulacija može pomoći u procjeni rizika od financijskih gubitaka.
Oznake:
NPV - neto sadašnja vrijednost;
D(n) – godišnji donosi;
I (0) – početni ulog;
i – diskontna stopa.
NPV se izračunava ovako:
)()(
)(
)(
)(
)(
)(02
11
2
1
1 I
i
n D
i
D
i
D NPV
n−−−−
++++++++++++
++++++++
++++==== L
Godišnji donosi predstavljaju slučajnu varijablu. Obično se ponaša po normalnoj
distribuciji (donosi su simetrično raspodijeljeni oko sredine). Ako su veći donosi
vjerojatniji, tada je neka asimetrična distribucija, kao trokutasta prikladnija.
Analiza rizika se temelji na pretpostavkama i zbog toga ih treba pažljivo
razmatrati. Moguće su promjenljive varijance distribucije kroz vrijeme ili donosi
5/14/2018 KMBpredavanja - slidepdf.com
http://slidepdf.com/reader/full/kmbpredavanja 44/45
44
mogu biti u korelaciji i slično. U takvim složenijim slučajevima potrebno je koristiti
posebne programe (u Excelu je to @RISK).
Literatura:
Anderson, D., R., Sweeney, D.J., Williams, T.A.,: Quantitative Methods for
Business, Edition, Thomson, Ohio, 2004.
Barković, D.: Operacijska istraživanja, Ekonomski fakultet Osijek, Osijek, 2002.
Chiang,A.C.: Osnovne metode matematičke ekonomije, MATE, Zagreb, 1994.
Martić, Lj.: Matematičke metode za ekonomske analize II, Informator, Zagreb
1974.
Neralić,L. : Uvod u matematičko programiranje, Element, Zagreb, 2003.
Waner, S., Costenoble, S.R.: Finite Mathematics and Applied Calculus, Fourth
Edition, Thomson, Belmont, 2007.