Skripta Kvantitativne Metode

Prof.dr.sc.
Ljiljana Lovri
Ekonomski fakultet Rijeka
Diplomski studij
KVANTITATIVNE METODE ZA POSLOVNO ODLUIVANJE

(Nastavni materijali)
Sadraj:
1. MODELIRANJE U POSLOVNOM ODLUIVANJU ........................................................... 2
Model ............................................................................................................................ 2
Etape modeliranja ......................................................................................................... 2
Vrste modela ................................................................................................................. 4
Deterministiki i stohastiki modeli ................................................................................ 4
Simulacijski modeli ........................................................................................................ 5
Rjeenje analitiko, simulacijsko. ............................................................................... 5
2. ANALITIKE METODE...................................................................................................... 5
Linearno programiranje. ............................................................................................... 5
Matematiki model ........................................................................................................ 6
Rjeavanje problema linearnog programiranja ............................................................. 9
Primjena programa MS Excel Solver ............................................................................. 17
AO ALABAHTER ....................................................................................................... 24
PITANJA I ODGOVORI ................................................................................................. 25
ZADACI ZA VJEBU (Zadatak 1 4) ........................................................................... 26
Analiza osjetljivosti. ...................................................................................................... 32
PRIPREMA ZA KOLOKVIJ 1 ................................................................................................ 52
3. EKONOMETRIJA .............................................................................................................. 54
(kratki pregled prema knjizi Uvod u ekonometriju)
4. METODA SIMULACIJE ..................................................................................................... 83
Monte Carlo simulacija .................................................................................................. 83
Diskretna simulacija ...................................................................................................... 83
Prednosti i nedostaci metode simulacije........................................................................ 85
Generiranje sluajne varijable ....................................................................................... 85
-----------------------------------Linearno programiranje zbirka zadataka ............................................................................ 87
Statistike tablice ................................................................................................................... 94
Formule ................................................................................................................................. 95
Literatura i napomene ........................................................................................................... 96
Lovric - KvantMetode_Skripta2014.pdf
Page 1 of 96
KVANTITATIVNE METODE ZA POSLOVNO ODLUIVANJE

Donoenje poslovnih odluka je sve sloeniji i zahtjevniji proces, esto u uvjetima rizika, a na je
nain razmiljanja deterministiki. U kolegiju se obrauju metode koje predstavljaju neizostavan
alat za poslovno odluivanje.
Kvantitativne metode se primjenjuju kad se u praksi susretnemo s:
- kompleksnim problemima koji se ne mogu rijeiti na osnovi iskustva ili kvantitativne analize;
- problemima za koje su odluke od velikog znaaja;
- novim problemima i nepoznatim situacijama;
- problemima koji se esto ponavljaju i zahtjevni su za rjeavanje.
Cilj kolegija jest pripremiti studente za rjeavanje problema u podruju poslovnog odluivanja i to
kroz identifikaciju problema, postavljanje modela, prikupljanje podataka, rjeavanje modela, formalno testiranje rjeenja i analizu rezultata.
U kolegiju se povezuje ekonomska teorija s matematikim modeliranjem, a postupak rjeavanja
modela i analize se provodi na raunalu.
1. MODELIRANJE U POSLOVNOM ODLUIVANJU

Osnova za analizu i predvianje jesu modeli koji repliciraju strukturu poslovnog procesa odnosno
sustava tako da se mogu procijeniti efekti promjena u njemu.
Model
Model pojednostavljeni prikaz sloenog sustava.
Sustav - skup objekata i procesa koji su u meuzavisnosti.
Cilj modeliranja : razumijevanje sustava, kontrola i utjecaj na rad sustava.
U primjeni kvantitativnih metoda u ekonomiji i menedmentu javljaju se specifini problemi koji proizlaze iz kvalitativnih karakteristika ovih disciplina, sloenih struktura i meuzavisnosti koje je esto
nemogue opisati i predstaviti matematikim formulacijama. Najvaniji korak predstavlja definiranje
problema Kako bismo postigli cilj modeliranja potrebno je specificirati im jednostavniji model. Iako
se moe raditi o vrlo sloenom sustavu, to se moe postii definiranjem ogranienja u sustavu, kako bi bile ukljuene samo vane karakteristike prouavanog sustava.
Etape modeliranja
Proces modeliranja tee kroz nekoliko koraka. U tom procesu je osnovni zadatak specificiranje okretnog modela. Radi se o pojednostavljenom prikazu prouavanog sustava. Ako su ogranienja
odnosno pretpostavke neispravno definirane, model nee biti reprezentativan. Tada ga je potrebno
poboljati. Radi se o ciklusu modeliranja koji je prikazan na sl. 1.
Definiranje problema
Definiranje problema predstavlja najvaniji i najtei korak u modeliranju, poto svi daljnji koraci ovise o ovom. Potrebno je saeto definirati problem i ciljeve te utvrditi ogranienja u sustavu kako bismo se usredotoili samo na karakteristike sustava koje su nam vane u istraivanju.
Izgradnja modela
Model je zapravo, oblik predoavanja sistema i teorije o njemu. Dok je teorija uvijek verbalno izraena, model moe biti nainjen u razliitim medijima. Model slui. Model slui za objanjavanje ne-
Page 2 of 96
kih konkretnih procesa ili stanja sustava. Stoga je model zapravo, samo simplifikacija i apstrahiranje nekih kljunih elemenata teorije . Njegova je uloga provjeravanje teorije na djelu. (iljak, str.19).
Izgradnja modela ovisi o vrsti modela koji e se koristiti. Iz verbalno definiranog problema istraivanja moramo matematiki definirati uvjete i ogranienja sustava kojima se odreuje prostor moguih rjeenja.
Definiranje
problema
Izgradnja modela
Prikupljanje i
analiza podataka
Verifikacija
modela
Ispitivanje
valjanosti
modela
Slika 1. Etape modeliranja
Prikupljanje podataka
Prikupljanje podataka je vaan korak koji zahtjeva posebnu panju jer o raspoloivosti i kvaliteti
podataka ovise rezultati modeliranja. Ako potrebni podaci nisu raspoloivi u standardnom sustavu
prikupljanja podataka poslovanja, potrebno je odluiti izmeu dviju mogunosti:
- neposredni dodatni zahtjevi za prikupljanje nedostatnih podataka;
- prilagodba modela za postojeu skupinu podataka.
Dodatni zahtjevi za prikupljanjem podataka iziskuju obino znatne trokove i potrebno je analizom
utvrditi njihovu ekonomsku opravdanost. esto i s jednostavnijim modelom i skromnijim podacima
postiemo dobre rezultate.
Verifikacija i ispitivanje valjanosti modela
Verifikacija je utvrivanje korektnosti modela, tj. ispitivanje funkcionira li model onako kako oekujemo. To je formalno testiranje odgovara li rjeenje koje dobijemo svim uvjetnim ogranienjima
modela, ili kratko reeno jesmo li dobili mogue rjeenje modela.
Ispitivanjem valjanosti utvrujemo daje li model rjeenja koja se slau s opaanjima na realnom
sustavu. Ukoliko utvrdimo da postoje neslaganja ili proturjenosti, model je potrebno poboljati redefiniranjem ogranienja i pretpostavki. Taj postupak ponavljamo dok ne postignemo zadovoljavajuu reprezentativnost modela.
Page 3 of 96
Vrste modela
Postoji mnogo vrsta modela. Nae podruje interesa jesu matematiki modeli, koji spadaju u simbolike modele. To je skup matematikih i logikih veza meu pojedinim elementima sustava. Npr.
matematiki model kontrole zaliha ukljuuje potranju za proizvodom, trokove dranja zaliha i snienja nabavnih cijena za vee narudbe. Modeli mogu biti jednostavniji i sloeniji, npr. model zaliha se moe predstaviti jednom jednadbom, dok se makroekonomski model privrede moe sastojati od sustava diferencijskih jednadbi vieg reda.
Podjelu matematikih modela baziramo na vrsti sustava kojeg modeliramo. Sustavi mogu biti statiki ili dinamiki, diskretni ili kontinuirani.
Statiki sustav
- vrijeme nema vanu ulogu ili smo zainteresirani za stanje sustava u odreenom trenutku. Primjer:
financijski sustavi daju financijsko stanje poduzea u odreenom trenutku.
Dinamiki sustav
- sustav koji se mijenja kroz vrijeme. Primjer: prolaz putnika kroz zranu luku.
Diskretni i kontinuirani sustav
- stanje sustava se mijenja u diskretnim vremenskim intervalima, odnosno kontinuirano. Primjeri:
prolaz putnika u zranoj luci je diskretni dogaaj dogaa se u odreenim trenucima; prolaz nafte
kroz naftovod je kontinuirani dogaaj nema odreenih trenutaka kad nastane dogaaj.
Deterministiki i stohastiki modeli

Deterministiki modeli: modeli koji imaju egzaktno rjeenje koje se esto naziva analitiko:
- nema sluajnih utjecaja na varijable i parametre;
- izmeu varijabli je tona uzrono-posljedina veza; za odreene ulazne vrijednosti varijabli dobivaju se uvijek iste izlazne vrijednosti varijable.
Stohastiki modeli: imaju parametre (ili varijable) koje nemaju fiksne vrijednosti:
- ukljuuju sluajne varijable odnosno sluajne procese;
- nije mogue tono predvidjeti izlazne vrijednosti varijabli;
- sluajne varijable su predstavljene distribucijama vjerojatnosti.
Stohastiki modeli obuhvaaju:
modele koji se od deterministikih modela razlikuju jer ukljuuju sluajne greke - za sustave ije
bi ponaanje mogli tono predvidjeti za ulazne vrijednosti parametri i varijabli modela, kad ne bi bili
prisutni sluajni utjecaji ili greke koje prouzrokuju odstupanja od takvog ponaanja. Za tu vrstu
sluajne greke vrijede pretpostavke:
- da su raspodjeljene N (0,2);
- povezanost s deterministikim dijelom je aditivna rjee multiplikativna;
- sluajne greke su nekorelirane u vremenu (tj.stanje u trenutku nije ovisno o proteklim stanjima)
modeli s jae ukljuenim sluajnim utjecajima, npr. kao promjene u samoj strukturi sustava.
- vaan korak u analizi takvog sluajnog procesa je utvrivanje distribucije vjerojatnosti i njenih parametara, odnosno prepoznavanje oblika teorijske raspodjele koja se najbolje prilagoava empirijskim podacima.
Osnovna karakteristika primjene u poslovnom odluivanju stohastikih modela koji eksplicitno ukljuuju sluajnu varijablu jest velik broj ponovljenih uzoraka. Samo u tom sluaju imamo dobru potporu pri odluivanju u uvjetima rizika.
Page 4 of 96
Nalaenje rjeenja - analitiki i simulacijski pristup

Deterministiki modeli imaju egzaktno rjeenje analitiko rjeenje.
Stohastiki modeli:
za neke imamo analitiko rjeenje iz distribucija vjerojatnosti ulaznih podataka izraunava se
zakon distribucije izlaznih varijabli;
za veinu analitiko rjeenje ne postoji, pa koristimo simulacijski pristup. Iz dovoljno velikog broja
empirijskih simulacija sluajne varijable, dobijemo podatke o njezinoj distribuciji vjerojatnosti.
Simulacijski modeli
Veina stohastikih modela se ne moe analitiki rijeiti pa se za nalaenje rjeenja koristi numerika tehnika, simulacija. Iako je simulacija metodologija za rjeavanje odreene vrste stohastikih
modela, esto govorimo o simulacijskim modelima. To je zbog toga jer ti modeli imaju odreene
zajednike karakteristike:
- slue za prouavanje stohastikih sustava i stohastika svojstva se analiziraju na osnovi velikog
broja uzoraka (kako bi se postigla pouzdanost) iz odgovarajuih distribucija vjerojatnosti;
- modeli se sastoje od skupa pravila, logikih izraza, distribucija vjerojatnosti i matematikih jednadbi.
Metoda simulacije se najee upotrebljava u proizvodnji, transportu, uslunom sektoru, financijskom sektoru, komunikacijama itd. Osnovne vrste simulacija su:
- Monte Carlo simulacija za statike sustave;
- diskretna i kontinuirana simulacija za dinamike sustave.
2. ANALITIKE METODE
Analitiki metode su one koje za rjeavanje koriste klasine tehnike. Prouit emo neke deterministike i stohastike modele koji se rjeavaju analitikim metodama, a koriste se u poslovnom odluivanju.
Deterministiki 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 sigurnou odvija, ipak
takvi modeli predstavljaju razumnu aproksimaciju za sluajeve gdje je varijabilnost mala. Prednost
im je to su obino jednostavniji za rjeavanje od stohastikih modela.
Obradit emo modele linearnog programiranja i modele zaliha.
Linearno programiranje
Linearno programiranje (LP) je optimizacijska tehnika, jedna od metoda operacijskih istraivanja1.
LP je matematika metoda za maksimiziranje ili minimiziranje linearne funkcije cilja(kriterija) s ogranienjima u obliku linearnih nejednadbi odnosno jednadbi, te s uvjetom nenegativnosti za varijable.
S obzirom na vrstu ogranienja razlikujemo slijedee oblike problema LP:
Standardni oblik problema maksimuma

ogranienja u obliku
Standardni oblik problema minimuma
ogranienja u obliku
Kanonski oblik problema maksimuma (ili minimuma) ogranienja su jednadbe
Opi oblik problema maksimuma (ili minimuma)
ogranienja u obliku , ,=
Operacijska istraivanja predstavljaju primjenu matematikih metoda u modeliranju i analizi sustava
Page 5 of 96
MATEMATIKI MODEL
Standardni problem maksimuma
Maksimizirati funkciju cilja:
Max z = c1x1+c2x2+.....+cnxn
(1)
uz ogranienja:
a11x1+a12x2+ ...+a1nxn b1
(2)
a21x1+a22x2+ ...+a2nxn b2
am1x1+am2x2+ ...+amnxn bm
uvjet nenegativnosti:
x1, x2, ..xn 0
(3)
Model moemo pisati u saetom obliku:

n
Maxz c j x j
(4)
j 1
a
j 1
ij
x j bi ,
i=1,2..m
xj 0
(5)
(6)
gdje je:
cj = koeficijent funkcije cilja j-te varijable, j=1,2..n;
xj = strukturna varijabla, j=1,2..n;
bi = koliina i-tog ogranienja; koeficijent na desnoj strani nejednadbe, i=1,2..m;
aij= koliina i-tog ogranienja potrebnog za jedinicu j-te varijable; koeficijent uz
varijablu u ogranienju, i=1,2..m , j=1,2..n;
Model napisan u matrinom obliku:
Maxz c1 c2
a 11
a
21

a m 1
x1
x
... cn 2

xn
a 12 a 1 n x 1 b1
a 22 a 2 n x 2 b2

a m 2 a mn x n bm
x 1 0
x
2 0

x n 0
(7)
(8)
(9)
Page 6 of 96
Uvedemo li oznake,
c1
c
2
c ,

c n
x1
x
2
x , A

xn
a 11
a
21

a m 1
a 12
a 22
am2
a 1n
a 2 n
, b
a mn
b1
b
2
,

bm
gdje je c vektor koeficijenata funkcije cilja, x vektor nepoznanica i to strukturnih varijabli, A matrica
koeficijenata i to strukturnih, te b vektor slobodnih lanova.
Model (1)-(3) u matrinom obliku moemo napisati simboliki :
Max z = c'x
(10)
Axb
(11)
x0
(12)
Vektor x koji zadovoljava ogranienje (11) predstavlja rjeenje problema.

Vektor x koji zadovoljava ogranienje (11) i (12) predstavlja mogue rjeenje problema.
Vektor x koji zadovoljava ogranienje (10),(11) i (12) predstavlja optimalno rjeenje problema.
Kanonski problem
Problem maksimuma u kanonskom obliku i matrinoj notaciji:
Max z = c'x
(13)
Ax=b
(14)
x0
(15)
Kanonski problem karakteriziraju ogranienja u obliku jednadbi. Iz standardnog oblika moemo

prijei u kanonski pomou dopunskih varijabli. Dopunske varijable se ukljuuju u ogranienja (11) i
tako od nejednadbi dobivamo jednadbe. Vektor nepoznanica se sada sastoji od strukturnih i dopunskih varijabli.
Standardni problem linearnog programiranja i njegov kanonski oblik su ekvivalentni, tj. svako rjeenje jednog od tih problema ujedno je rjeenje i drugog.
Dopunske varijable u funkciji cilja imaju koeficijent jednak nuli, to znai da one nita ne pridodaju
vrijednosti nekog programa.
Standardni problem maksimuma (1) - (3) napisan u kanonskom obliku glasi:
Max z = c1x1+c2x2+.....+cnxn + 0xn+1 + 0xn+2 + ...+ 0xn+m
(16)
a11x1+a12x2+ ...+a1nxn + xn+1
(17)
a21x1+a22x2+ ...+a2nxn
= b1
+ xn+2
am1x1+am2x2+ ...+amnxn
. ..
= b2
.....
+ xn+m = bm
x1, x2, ..xn+m 0

(18)
Page 7 of 96
Problem proizvodnje
Cilj: Sastaviti proizvodni program tako da ne prekoraimo raspoloivu koliinu resursa potrebnih
za proizvodnju i da maksimiziramo ukupno postignute rezultate s obzirom na postavljeni kriterij.
Pretpostavimo da je postavljeni kriterij postizanje im veeg profita. Uvodimo oznake:

Pj
proizvod vrste j (j=1,2,...n);
Ri
resurs vrste i (i=1,2,...m);
cj
profit po jedinici proizvoda j (j=1,2,...n);
xj
koliina proizvoda vrste j (j=1,2, ...n)
aij
utroak resursa i po jedinici proizvoda j (i=1,2,...m; j=1,2,...n);
bi
raspoloiva koliina resursa i (i=1,2,...m).
z
ukupni profit
Podatke emo predstaviti u tablici:
Tablica 1. Opi podaci za problem proizvodnje
Proizvod P1
P2
Pn
Raspoloiva
jed.profit
c1 c2
... cn
kol. resursa
Resurs
R1
a11
R2
a21
am1
am2
Rm
a12
a1n
a22
a2n
b1
b2
amn
bm
Optimalni rezultat e dati odgovor kakva e biti struktura proizvodnje (kolika je proizvodnja pojedine vrste proizvoda), koliki je maksimalni ukupni profit, te kolika je iskoritenost pojedine vrste resursa.
Matematiki model:
Funkcija cilja maksimizira ukupni profit z:
Max z = c1x1+c2x2+.....+cnxn
uz ogranienja raspoloivih resursa:
a11x1+a12x2+ ...+a1nxn b1
a21x1+a22x2+ ...+a2nxn b2
(19)
(20)
x1, x2, ..xn 0
(21)
Opi problem proizvodnje ovako definiran je pojednostavljen. U programu mogu biti ukljuena dodatna ogranienja vezana uz tehnoloki proces proizvodnje, zatim plasman na trite i slino.
Pretpostavka je da se ne radi o viefaznoj proizvodnji.
Postavljeni cilj u programu moe biti jo npr. maksimizacija iskoritenosti kapaciteta strojeva, minimizacija ukupnih trokova, itd.
Page 8 of 96
RJEAVANJE PROBLEMA LINEARNOG PROGRAMIRANJA

Rjeenje problema linearnog programiranja moemo dobiti
- grafiki za probleme s najvie dvije strukturne varijable (koordinatni sustav x10x2)2
- algebarski pomou simpleks metode
Grafiko rjeenje
Primjer 1
Poduzee proizvodi dva proizvoda P1 i P2. Svaki proizvod se obrauje na dva stroja S1 i S2. Potrebno vrijeme obrade na strojevima za svaki proizvod i raspoloivi kapacitet strojeva (u satima) i profit (u kunama) po komadu proizvoda pojedine vrste iznose:
Stroj
S1 (sati)
S2 (sati)
Profit (kn)
Proizvod
P1
P2
1
2
40
1
1
60
Kapacitet
strojeva
(sati)
200
300
(Objanjenje:
stroju 1 treba 1 sat za P1 i 1 sat za P2,
moe proizvoditi do 200 sati)
Na tritu se moe prodati najvie 150 komada proizvoda P2 !

Potrebno je odrediti optimalan plan proizvodnje, tj. koliinu x1 proizvoda P1, te koliinu x2 proizvoda P2 koje je potrebno proizvesti koristei raspoloivi kapacitet strojeva i mogui plasman na tri
tu, za koje e ukupni profit biti maksimalan.
Matematiki model:
Max z = 40x1 + 60x2
(22)
x1 + x2 200
2x1 + x2 300
x2 150
x1, x2 0
(23)
(24)
Radi se o standardnom problemu maksimuma (ogranienja(23) u obliku ), sa dvije strukturne varijable i tri ogranienja (kapacitet strojeva i mogunost prodaje proizvoda).
Koraci rjeavanja grafike metode jesu:
nacrtati ogranienja;
odrediti skup moguih rjeenja;
odrediti poloaj funkcije cilja3
odrediti optimalno rjeenje, pomicanjem pravca koji predstavlja funkciju cilja paralelno u
smjeru optimizacije4 do zadnje toke skupa moguih rjeenja.
Osnovni teoremi LP
2
3
Ako problem LP ima optimalna rjeenja, tada se najmanje jedno od tih rjeenja nalazi u ekstremnoj toki skupa moguih rjeenja.
Problem LP s ogranienim, nepraznim skupom moguih rjeenja uvijek ima optimalno rjeenje.
odnosno tri strukturne varijable (prostorni koordinatni sustav x10x20x3)

umjesto crtanja funkcije cilja, optimum se moe odrediti izraunavanjem vrijednosti funkcije cilja za pojedini vrh skupa moguih rjeenja te utvrivanjem za koji od njih je vrijednost z funkcije cilja maksimalna.
kod traenja maksimuma pravac pomiemo u smjeru od ishodita koordinatnog sustava, a kod traenja
minimuma pravac pomiemo u smjeru prema ishoditu koordinatnog sustava.
Page 9 of 96
Grafiki prikaz ogranienja skupa moguih rjeenja te funkcije cilja

Ogranienje (24) nenegativnosti:
predstavlja skup toaka prvog kvadranta koordinatne ravnine x10x2 s ishoditem i pozitivnim dijelovima koordinatnih osi.
Ogranienja (23):
odredi se skup toaka koje zadovoljavaju pojedino ogranienje (oznake = i <) ,
Zatim se nae presjek tih skupova toaka.

Skup moguih rjeenja predstavlja presjek skupova toaka koje zadovoljavaju ogranienje (22) i
(24). Ovdje je to peterokut tj ima pet vrhova (ekstremnih toaka). Ovaj skup je konveksan, zatvoren i ogranien i zovemo ga konveksni politop.
Pojmovi5:
Konveksni skup skup koji za odabrane bilo koje dvije toke sadri i spojnicu meu njima
Vrste toaka ekstremne, granine i unutarnje toke.
vie o tome vidjeti npr. Nerali L. , str.200
Page 10 of 96
10
unutarnje toke
ekstremna toka
granine toke
toke
Crtanje funkcije cilja:

Prema osnovnom teoremu , najvea vrijednost funkcije cilja bit e u nekom od vrhova skupa moguih rjeenja.Najvea vrijednost funkcije cilja z je u vrhu D. optimalno rjeenje je x1 = 50, x2 = 150,
z= 11000.
Ekstremne toke skupa moguih rjeenja i pripadne vrijednosti z:

vrh
koordinate
vrha
A
B
C
D
E
(0,0)
(150,0)
(100,100)
(50,150)
(0,150)
0
6000
10000
11000
9000
Zbog ega je optimalno rjeenje u nekom od vrhova skupa moguih rjeenja?

Uzmemo li jednu od toaka npr. T (50,50), vrijednost funkcije cilja e za tu toku iznositi
z = 4050 + 6050 = 5000. Jednadba funkcije cilja kroz tu toku je 5000=40x1 + 60x2
Max Z = 40x1 + 60x2
T(50,50)
Z = 40x50 + 60x50 = 5000
5000 = 40x1 + 60x2
x2=0 5000=40x1 x1=5000/40 x1=125
x1=0 5000=60/x2 x2=5000/60 x2=83,33
T(50,100)
Z = 40x50 + 60x100 = 7000
7000 = 40x1 + 60x2
x2=0 7000=40x1 x1=7000/40 x1=175
x1=0 7000=60/x2 x2=7000/60 x2=116,66
Slika1. Grafiko rjeenje
Page 11 of 96
11
Ako izaberemo T1 (50,100), vrijednost funkcije cilja e biti z = 4050 + 60100 = 7000, a jednadba
kroz tu toku je 7000 = 40x1 + 60x2 . Dakle, jednadba z = 40x1 + 60x2, predstavlja skup pravaca s
istim nagibom.
Pomicanjem pravca funkcije cilja paralelno preko skupa moguih rjeenja, im dalje od ishodita,
do zadnje toke koju dodiruje u skupu moguih rjeenja, nalazimo optimalno rjeenje u toki D
(50,150), tj. x1 = 50, x2 = 150, a optimalna vrijednost funkcije cilja z = 11000.
Interpretacija optimalnog rjeenja:
Optimalni proizvodni program:
x1 = 50 komada proizvoda P1
x2 = 150 komada proizvoda P2
maksimalni profit z=11000 kn.
Ako bi se radilo o nekoj drugoj funkciji cilja, optimalno rjeenje bi moglo biti u nekom drugom vrhu,
a ako jednadba funkcije cilja ima nagib kao neki od pravaca ogranienja, tada se optimalno rjeenje nalazi u dva vrha i svim tokama na duini koja ih povezuje.
Nalaenje ekstremnih toaka algebarskim putem
Kod traenja rjeenja algebarskim putem, potreban nam je model u kanonskoj formi.
Kanonska forma modela:
Svakom ogranienju na lijevoj strani dodajemo po jednu nepoznanicu kako bismo dobili sustav jednadbi. To su dopunske varijable (varijable manjka). One u funkciji cilja imaju koeficijent 0 jer ne
pridonose vrijednosti z.
Max z = 40x1 + 60x2 + 0 x3 + 0x4 + 0 x5
x1 + x2 + x3
= 200
2x1 + x2
+ x4
= 300
x2
+ x5 = 150
x1, x2 , x3 , x4 , x5 0
(25)
(26)
(27)
Da bismo nali rjeenje potrebno je rijeiti sustav od tri jednadbe [relacije pod (26)] i nai ono rjeenje koje zadovoljava uvjet nenegativnosti i daje funkciji cilja maksimalnu vrijednost. Taj sustav
jednadbi ima manje jednadbi nego nepoznanica i zbog toga nema jedinstveno rjeenje.
Sustav napisan simboliki i u matrinom obliku:
Ax=b
1 1 1 0 0 x1 = 200
2 1 0 1 0 x 2 300
0 1 0 0 1 150
3

x4

x 5
1
1
1
0
0
200
2 x 1 x 0 x 1 x 0 x 300
Moe se napisati i ovako: 1 2 3 4 5
0
1
0
0
1
150
ili krae: A1 x1 + A2 x2 + A3 x3 + A4 x4 + A5 x5 = b
Ukupno imamo 5 varijabli, 2 strukturne (x1, x2) i 3 dodatne (x3 , x4 , x5). Za svaki vrh znamo vrijednost strukturnih varijabli, a sada bi trebali odrediti jo vrijednost dodatnih varijabli.
Page 12 of 96
12
Toka A(0,0)
x1=0, x2=0 , x3 =?, x4 =?, x5 =?
1
1
1
0
0
200
2 0 1 0 0 x 1 x 0 x 300

3 4 5
0
1
0
0
1
150
Prva dva produkta su jednaka nuli (jer su vrijednosti varijabli jednake nuli). Sustav sad moemo
pisati :
1 0 0 x 3 200
0 1 0 x 300
0 0 1 x 5 150
U matrici A smo izbrisali 1. i 2. stupac, a u vektoru nepoznanica izbacili varijable x1 i x2. Iz proirene matrice sustava itamo odmah rjeenje jer je matrica koeficijenata jedinina.
1 0 0 200
0 1 0 300
0 0 1 150
x3=200, x4=300 , x5 =150 .
Toka B(150,0)
Briemo 2. i 4. stupac u matrici A izbacimo varijable x2 i x4 , pa rijeimo sustav:
1 1 0 200 1 1 0 200
1 0 0 150
2 0 0 300 0 2 0 100 0 1 0 50
0 0 1 150 0 0 1 150
0 0 1 150
x1=150, x3=50 , x5 =150 .
Rjeenja za sve ekstremne toke su u tablici:
vrh prostor (x1, x2)
prostor (x1, x2, x3 , x4 , x5)
(0,0)
(0,0,200,300,150)
(150,0)
(150,0,50,0,150)
(100,100)
(100,100,0,0,50)
(50,150)
(50,150,0,50,0)
(0,150)
(0,150,50,150,0)
Zajedniko svojstvo toaka A,B,C,D,E:
3 od 5 varijabli je razliito od nule(3 zato jer su 3 ogranienja u ovom problemu LP).
Zbog toga:
sustav od 3 jednadbe i 5 nepoznanica sustav od 3 jednadbe i 3 nepoznanice;

matrica koeficijenata sustava A35 matrica koeficijenata sustava A33 ;
sustav s mnogo rjeenja sustav s jednim rjeenjem*.
Page 13 of 96
13
Karakteristike sustava*:
Vektori matrice A33 ine bazu.
Rjeenje sustava zovemo bazino rjeenje6.
Ukljuenjem uvjeta nenegativnosti varijabli dobivamo bazino mogue rjeenje problema LP.
Bazino mogue rjeenje je ekstremna toka skupa moguih rjeenja.
Meu ekstremnim tokama nalazimo optimalno rjeenje.
Optimalno rjeenje je toka D. U prostoru (x1, x2, x3 , x4 , x5) nalazimo vrijednost dodatnih varijabli.
Samo x4 je razliita od 0. To znai da je kapacitet strojeva S2 neiskoriten i to 50 sati. S1 grupa
strojeva je potpuno iskoritena kao i plasman na tritu.
Ekstremne toke skupa moguih rjeenja i optimalno rjeenje se pronalaze simpleks metodom.
Svaka iteracija simpleks metode sadri po jedno bazino rjeenje.
Standardni problem minimuma
Matematiki model problema minimuma (standardni oblik):
Min w = c1x1+c2x2+.....+cnxn
(28)
a11x1+a12x2+ ...+a1nxn b1
(29)
a21x1+a22x2+ ...+a2nxn b2
x1, x2, ..xn 0
(30)
U matrinom obliku moemo napisati simboliki :

Min w = c'x
(31)
Ax b
(32)
x0
(33)
Bazino rjeenje sustava od m jednadbi i n nepoznanica je ono rjeenje kod kojeg m varijabli ima vrijednost razliitu od nule, a preostalih (n-m) varijabli vrijednost jednaku nuli.
Page 14 of 96
14
Primjena Problem prehrane

Cilj: Sastaviti prehrambeni program tako da svaka hranjiva komponenta bude zastupljena bar u
minimalnoj koliini i prehrambeni program bude najjeftiniji.
Ovaj problem je prvi put postavio G.J.Stigler7 1945.godine. Obuhvaao je 77 namirnica i 9 hranjivih
elemenata.
Uvodimo oznake:
Nj
namirnica vrste j (j=1,2,...n);
Hi
hranjivi sastojak vrste i (i=1,2,..m);
cj
jedinina cijena namirnice j (j=1,2,...n);
xj
koliina namirnice vrste j (j=1,2, ...n)
aij
koliina hranjivog sastojka vrste i u jedinici namirnice vrste j (i=1,2,...m; j=1,2,...n);
bi
minimalna koliina hranjivog sastojka vrste i (i=1,2,...m) koji se zahtijeva u
prehrambenom programu;
w
cijena prehrambenog programa.
Podatke emo predstaviti u tablici:
Tablica 2. Opi podaci za problem prehrane
Namirnica N1
N2
Nn
jed.cijena c1
c2
... cn
Hranjivi
sastojak
H1
a11
H2
a21
am1
am2
Hm
a12
a1n
a22
a2n
Minimalna
koliina
hranjivog
sastojka
b1
b2
amn
bm
Matematiki model:
Funkcija cilja minimizira trokove w prehrambenog programa :
Min w = c1x1+c2x2+.....+cnxn
(34)
uz ogranienja vezana uz zastupljenost bar minimalnih koliina hranjivih sastojaka :

a11x1+a12x2+ ...+a1nxn b1
(35)
a21x1+a22x2+ ...+a2nxn b2
x1, x2, ..xn 0
(36)
Optimalni rezultat e dati odgovor od kojih namirnica e se sastojati obrok, koliki su minimalni tro
kovi, te kolika je zastupljenost pojedine vrste hranjivog elementa.
Rjeenje problema LP moemo dobiti
7
8
grafiki za probleme s najvie dvije strukturne varijable (koordinatni sustav x10x2)8

algebarski pomou simpleks metode (npr. Charnesove M metoda; originalna simpleks metoda primijenjena na dual ovog problema)
Marti, Lj.: Matematike metode za ekonomske analize II, Narodne novine Zagreb, 1966., str.90.
odnosno tri strukturne varijable (prostorni koordinatni sustav x10x20x3)
Page 15 of 96
15
Primjer 2
Tvornica hrane za pse u pripremi gotove hrane koristi 2 namirnice, itarice i meso. itarice sadre
masnoa 1 g/kg i bjelanevina1g/kg . Meso sadri masnoa 2g/kg i bjelanevina 4g/kg. Cijena za 1
kg itarica je 6 kn, a mesa 21 kn. Pakiranje gotove hrane mora sadravati bar 30 g masnoa i bar
40 g bjelanevina. Treba odrediti koliinu jedne i druge namirnice koju pakiranje mora sadravati, a
da pri tom budu zadovoljeni nutricijski zahtjevi i cijena bude minimalna.
Prikazat emo podatke u tablici:

Hranjivi sastojci g/kg
Namirnica
masnoe
itarice
Meso
min.kol. (g) sastojka
u pakiranju
1
2
30
Cijena u kn
bjelanevine za 1kg
1
4
40
6
21
Matematiki model:
Min w = 6x1 + 21x2
x1 + 2x2 30
(37)
(38)
x1 + 4x2 40
x1, x2 0
(39)
Radi se o standardnom problemu minimuma (ogranienja(38) u obliku ), sa dvije strukturne varijable i dva ogranienja(minimalni nutricijski zahtjevi za masnoe i bjelanevine).
Optimalno rjeenje dobiveno grafikim putem je prikazano na slici 2.
Slika 2. Grafiko rjeenje

Interpretirajte optimalno rjeenje!
Koliki je ukupni minimalni troak pakiranja?
Interpretirajte vrijednost strukturnih varijabli.
Izraunajte vrijednost dodatnih varijabli i navedite njihovo znaenje!
Interpretacija rjeenja:
Pakiranje e sadravati 20 kg itarica i 5 kg mesa. Cijena pakiranja je 225 kn.
Page 16 of 96
16
Primjena programa MS Excel Solver

Rjeavanje problema LP se provodi primjenom simpleks algoritma. To je algebarski postupak za
nalaenje mogueg bazinog rjeenja sustava jednadbi matrinim putem, a pri tom svako dobiveno rjeenje ispituje jesmo li nali bazino rjeenje koje funkciji cilja daje maksimalnu vrijednost, odnosno moe li se vrijednost z poveati prijelazom na slijedee bazino rjeenje. Geometrijski gledano, simpleks metoda kree od ishodita i dalje od vrha do vrha po skupu moguih rjeenja, poveavajui vrijednost funkcije cilja dok ne doe do optimalnog rjeenja. Poetno bazino rjeenje je
ono koje je poznato, tj. ono kod kojeg su strukturne varijable jednake nuli (nebazine), a dodatne
varijable su bazine (razliite od nule). To je ishodite koordinatnog sustava. Slijedee bazino rjeenje nalazimo elementarnom transformacijom poetne baze, tako da se jedan od vektora poetne baze zamijeni jednim od preostalih vektora matrice A, a koji nisu u bazi. Ta zamjena se odvija
prema definiranim kriterijima za odabir vektora koji e ui u bazu, te onog koji e izai iz baze.
Transformacija baze tj. nalaenje novih bazinih rjeenja se obavlja sve dok postoji mogunost
poveanja vrijednosti funkcije cilja z. Primjenom kriterija omogueno je da se doe do optimalnog
rjeenja efikasno, tj. Bez da se nalazi i ispituje sva mogua bazina rjeenja sustava.
Koristit emo MS Excel Solver program za nalaenje optimalnog rjeenja i analizu osjetljivosti rjeenja.
Nalaenje rjeenja prikazat emo na primjeru 1, str.8 , iz Metode i modeli za donoenje optimalnih
poslovnih odluka.
Radi se o problemu proizvodnje. Potrebno je odrediti optimalan plan proizvodnje, tj. koliinu x1 proizvoda P1, te koliinu x2 proizvoda P2 koje je potrebno proizvesti koristei raspoloivi kapacitet
strojeva i mogui plasman na tritu, za koje e ukupni profit biti maksimalan.
Matematiki model:
Max z = 40x1 + 60x2
x1 + x2 200
(1)
(2)
Stroj
(3)
S1 (sati)
S2 (sati)
Profit (kn)
2x1 + x2 300
x2 150
x1, x2 0
Proizvod
P1
P2
1
2
40
1
1
60
Kapacitet
strojeva
(sati)
200
300
Na tritu se moe prodati najvie 150 komada proizvoda P2 !
Matematiki model u matrinom obliku:
Max z =
(4)
(5)
(6)
Zatim unosimo podatke u radni list:
Page 17 of 96
17
1
2
3
4
5
6
7
8
9
10
11
12
13
14
A
ogranienja
S1
S2
Trite
Profit
Slika 2: Unos podataka u radni list.

B
C
P1 P2
1
1
2
1
0
1
40 60
Rjeenja
D
raspoloivo
200
300
150
1 (koliine)
Max
Fn.cilja
=SUMPRODUCT( B5:C5;B7:C7)
ogranienja
iskoriteno
S1
=SUMPRODUCT( B2:C2;$B$7:$C$7)
S2
Trite
(cijenakoliina)
raspoloivo
=D2
=D3
=D4
Za odreena rjeenja varijabli x1 i x2 , vrijednost funkcije cilja (4) i pojedinih ogranienja (5) predstavlja skalarni produkt za koje u programu imamo na raspolaganju funkciju SUMPRODUCT (prvi_niz, drugi_niz). Za poetna rjeenja
varijabli x1 i x2 postavljamo vrijednost 1, pa nam to omoguuje provjeravanje ispravnosti unesenih
formula (skalarni produkt mora biti jednak sumi koeficijenata odgovarajueg retka). Sljedei korak
je unos parametara modela. U prozoru Mogunosti uvodimo zahtjev da se radi o linearnom modelu i zahtjev o nenegativnosti varijabli. Nakon toga odabirom gumba Solve (slika 3.) rijeimo problem. Pored optimalnog rjeenja jo moemo dobiti 3 izvjea (slika 5.):
o rjeenju
o analizi osjetljivosti
o granicama.
Slika 3: Unos parametara modela
Page 18 of 96
18
Slika 4: Unos opcija parametara modela
Slika 5: Izbor izvjea

Ovo izvjee ukljuuje rjeenja varijabli (razine proizvodnje pojedine vrste proizvoda), optimalnu
vrijednost funkcije cilja (maksimalni profit) te iskoritenost ogranienja (resursa proizvodnje, plasmana). U naem primjeru dobivamo informaciju da je plasman na tritu i kapacitet strojeva S1
potpuno iskoriten (predstavljaju uska grla za poveavanje proizvodnje), dok kapacitet strojeva S2
ima neiskoritenih 50 sati.
Slika 6: Izvjee o rjeenju
Microsoft Excel 11.0 Answer Report
Worksheet: [Book1]Sheet1
Report Created: 5.1.2009 12:04:42
Target Cell (Max)
Cell
$B$9
Name
Fn.cilja
Original
Value
100
Final Value
Original
Value
1
Final Value
Max
profit
11000
opt.kol.
Adjustable Cells
Cell
$B$7
Name
Rjeenja P1
$C$7
Rjeenja P2
proizvodnje
50
150
Cell Value
200
250
150
Formula
$B$12<=$D$12
$B$13<=$D$13
$B$14<=$D$14
Constraints
Cell
$B$12
$B$13
$B$14
Name
S1 iskoriteno
S2 iskoriteno
Trite iskoriteno
Slack
raspoloivo
Page 19 of 96
Status
Binding
Not Binding
Binding
0
50
0
neiskoriteno
19
Analiza osjetljivosti
Pomou analiza osjetljivosti utvrujemo osjetljivost optimalnog rjeenja na:
promjenu koeficijenta za varijablu u funkciji cilja;

mijenjanje vrijednosti strukturne varijable koja ima vrijednost 0 u vrijednost koja nije 0;
promjenu desne strane ogranienja.
Vano je napomenuti da se ispituju promjene samo u jednom parametru. Ako se radi o promjenama u vie parametara, tada je problem sloeniji i potrebno je primijeniti parametarsko programiranje.
DEFINICIJE:
Allowable Decrease (Increase)

Dozvoljeni pad (rast) za 1 koeficijent u funkciji cilja
Najvea vrijednost za koju se koeficijent strukturne varijable u funkciji cilja moe smanjiti (poveati)
a da postojee optimalno rjeenje ostane optimalno.
Dozvoljeni pad (rast) za 1 vrijednost na desnoj strani ogranienja

Najvea vrijednost za koju se vrijednost na desnoj strani ogranienja moe smanjiti (poveati) a da
dualna cijena ostane nepromijenjena.
RHS vrijednost (vrijednost desne strane ogranienja)

Koliina raspoloivog resursa (za ogranienje ) ili minimalni zahtjev nekog kriterija (za ogranienje ).
Shadow price (dualna cijena)

Veliina promjene vrijednosti funkcije cilja za poveanje desne strane jednog ogranienja za 1 jedinicu (marginalna vrijednost resursa).
OFC vrijednost (koeficijent u funkciji cilja)

Koeficijent strukturne varijable u funkciji cilja (npr. jedinini profit, jedinini troak ).
Reduced cost (oprtunitetni troak)

Postoji kad je neka strukturna varijabla jednaka nuli u optimalnom rjeenju. To je najmanji iznos od
kojeg koeficijent u funkciji cilja uz tu strukturnu varijablu treba biti vei, kako bi optimalno rjeenje
te varijable bilo razliito od nule. To je razlika izmeu marginalnog doprinosa te varijable i potrebnih marginalnih trokova resursa.
Slack (dopunske varijable)

Razlika izmeu lijeve (LHS) i desne (RHS) strane ogranienja. Kod ogranienja obino predstavlja neiskoriteni resurs, a kod ogranienja predstavlja prekoraenje minimalnog zahtjeva.
Page 20 of 96
20
Problem asortimana proizvodnje P1 i P2:

Max z = 40x1 + 60x2
(profit)
x1 +
x2 200
(sati S1)
2x1 +
x2 300
(sati S2)
x2 150
(tr. P2)
x1,x2 0
(nenegativnost)
Optimalno rjeenje je o(50,150) i maksimalni profit z=11000.
Slika 6 Grafiko rjeenje LP.
Promjene parametra u funkciji cilja

Poveamo li profit po jedinici P1 sa 40 kn na 50 kn , funkcija cilja je: z' = 50x1 + 60x2
Slika 7 Analiza osjetljivosti
Microsoft Excel 11.0 Sensitivity Report
Worksheet: [Book1]Sheet1
Report Created: 5.1.2009 12:05:57
parametri u
funkciji cilja
dozvoljeno pove. i
smanjenje param. u
funkciji cilja
Adjustable Cells
Cell
$B$7
$C$7
Name
Rjeenja P1
Rjeenja P2
Final
Value
50
150
Reduced
Cost
0
0
Objective
Coefficient
40
Allowable
Increase
20
60
1E+30
Allowable
Decrease
40
20
Name
S1 iskoriteno
S2 iskoriteno
Trite iskoriteno
Final
Value
200
250
150
Shadow
Price
40
0
20
Constraint
R.H. Side
200
300
150
Allowable
Increase
25
1E+30
50
Allowable
Decrease
50
50
50
Constraints
Cell
$B$12
$B$13
$B$14
Page 21 of 96
21
Iz grafikog prikaza vidi se da se optimalno rjeenje ne mijenja. Kako se jedinini profit poveao,
poveava se i vrijednost z. Optimalno rjeenje e se promijeniti ako se nagib funkcije cilja vie
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 rjeenje. Tako za c1 interval vrijednosti je (0,60), a za c2 interval je (40, +).
Promjene parametra na desnoj strani ogranienja
Poveamo li desnu stranu drugog ogranienja (sati S2) na 400, mijenja se skup moguih rjeenja,
nagib funkcije cilja se ne mijenja, ali se mijenja optimalno rjeenje: z1= 28000, o(200,0).
Max z = 140x1 + 60x2
x1 + x2 200
2x1 + x2 400
x2 150
x1,x2 0
Slika 8 Novo grafiko rjeenje

Ukupni profit se poveao sa 21000 na 28000 kn, za dodatnih 100 sati rada S2. To znai da svaki
dodatni sat rada S2 poveava profit za 70 kn (ili svaki sat manje je 70kn manje profita).
Ako se mijenja desna strana ogranienja koje je potpuno iskoriteno ('usko grlo'), promjena nastaje
i u funkciji cilja. Mjerimo utjecaj promjene za 1 jedinicu desne strane pojedinog ogranienja na
promjenu u vrijednosti u funkciji cilja koju zovemo dualna cijena ili cijena u sjeni. Kad ogranienje
predstavlja resurs, dualna cijena predstavlja marginalnu vrijednost tog resursa. U izvjeu takoer
dobivamo i interval vrijednosti za desnu stranu pojedinog ogranienja unutar kojeg dualna cijena
ostaje nepromijenjena.
Dualna vrijednost (Shadow price) ili marginalna vrijednost ogranienja predstavlja promjenu vrijednosti funkcije cilja za poveanje RHS ogranienja za jedinicu. Dualna vrijednost y2 = 70 je marginalna vrijednost funkcije cilja za poveanje RHS 2.ogranienja primala. Svaki dodatni sat rada S2
poveava profit za 70 kn.
Za ogranienje koje nije 'usko grlo', dualna vrijednost je nula, jer malo poveanje RHS ne moe
poveati optimalnu vrijednost funkcije cilja. Kad se RHS mijenja unutar granica odreenog intervala, shadow price se ne mijenja.
Promjena vrijednosti funkcije cilja predstavlja umnoak dualne vrijednosti i promjene RHS.
U Excelu postoji jo i tree izvjee koje se odnosi na granice unutar kojih se kreu vrijednosti pojedine varijable, te o vrijednosti funkcije cilja koja odgovara granicama tog intervala.
Page 22 of 96
22
Poveavanje resursa.
Ulaganje u dodatne kapacitet resursa se isplati do visine dualne cijene za jedinicu resursa, ali pri
tom treba voditi rauna da ostanemo u granicama dozvoljenog intervala. Znai, ulagat emo za
dodatni sat rada kapaciteta S2 do 70kn.
Strukturna varijabla jednaka nuli
Reducirani troak (Reduced cost) ili oportunitetni troak je minimalna vrijednost za koju se treba
mijenjati parametar funkcije cilja za odreenu varijablu kako ona ne bi bila jednaka nuli u optimalnom rjeenju. To je iznos za koji e 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 poveati (smanjiti). Za P2 jedinini profit bi se trebao poveati za 10 kn kako bi bilo profitabilno proizvoditi P2.
Predstavit emo cjelokupni Excel izvjetaj za model:
Max z = 140x1 + 60x2
x1 + x2 200
2x1 + x2 300
x2 150
x1,x2 0
Slika 8. Excel izvjetaj
Target Cell (Max)

Cell
Name
$B$9
Fn.cilja P1
Adjustable Cells
Cell
Name
$B$7
Rjeenja P1
$C$7
Rjeenja P2
Constraints
Cell
Name
$B$12 S1 iskoriteno
$B$13 S2 iskoriteno
$B$14 Trite iskoriteno
Original Value
200
Final Value
21000
Original Value
1
1
Final Value
150
0
Cell Value
150
300
0
Formula
$B$12<=$D$12
$B$13<=$D$13
$B$14<=$D$14
Status
Not Binding
Binding
Not Binding
Slack
50
0
150
Na Slici 8 nalazimo optimalno rjeenje: 150 kom. P1 i 0 kom. P2. Taj plan proizvodnje uz navedena ogranienja vezana uz plasman proizvoda i kapacitet strojeva, ukupni profit je maksimalan i iznosi 21000 kn. Pri tom je kapacitet S2 potpuno iskoriten, a S1 nije za 50 sati rada. kako se P2 ne
proizvodi, uvjet plasmana tog proizvoda na tritu nije uope iskoriten.
Na Slici 9 su rezultati analize osjetljivosti. Intervali vrijednosti za jedinini profit po vrsti proizvoda
su: c1 (120, +) ; c2 (0,70). Ukoliko se jedinini profit kree unutar navedenih intervala, vrijednost optimalnog rjeenja se ne mijenja, samo ukupni profit z.
Page 23 of 96
23
Slika 9. Excel izvjetaj

Microsoft Excel 10.0 Sensitivity Report
Worksheet: [Book1.xls]Sheet1
Report Created: 3/13/2009 17:26:22
Adjustable Cells
Final Reduced
Cell
Name
Value
Cost
$B$7
Rjeenja P1
150
0
$C$7
Rjeenja P2
0
-10
Objective
Coefficient
140
60
Allowable
Increase
1E+30
10
Allowable
Decrease
20
1E+30
Constraint
R.H. Side
200
300
150
Allowable
Increase
1E+30
100
1E+30
Allowable
Decrease
50
300
150
Constraints
Cell
$B$12
$B$13
$B$14
Name
S1 iskoriteno
S2 iskoriteno
Trite iskoriteno
Final
Value
150
300
0
Shadow
Price
0
70
0
Kako je optimalna vrijednost strukturne varijable x2 jednaka nuli, imamo njezin oportunitetni troak.
To znai da minimalna vrijednost od koje bi jedinini profit P2 trebao biti vei kako bi bilo profitabilno proizvoditi P2 jest 10 kn.
Kapacitet S2 je potpuno iskoriten, dakle radi se o "uskom grlu" u proizvodnji. Dualna (marginalna)
vrijednost tog ogranienja jest 70 kn, to znai da svaki dodatni sat rada S2 poveava profit za 70
kn. To je ujedno i cijena jednog sata rada S2 do koje visine se isplati ulagati kod poveanja kapaciteta.
Intervali vrijednosti na desnoj strani svakog ogranienja unutar kojih optimalno rjeenje ostaje nepromijenjeno jesu: b1 (150, +); b2 (0, 400); b3 (0, +).
AO ALABAHTER
Promjena
Raunalni ispis
Znaenje
OFC
Interval za Cj
Optimalno rjeenje se ne mijenja
RHS
Interval za bi
Dualna cijena se ne mijenja
Shadow price (dualna cijena)

0 za usko grlo;
> 0, (z);
< 0, (z)
Marginalna vrijednost resursa (utjecaj na z

promjene resursa za 1 jedinicu)
Reduced cost (oportunitetni troak)

Za Max je < 0;
Za Min je > 0
Minimalna vrijednost od koje Cj treba biti

vea da je Xj 0 u rjeenju
Strukturna
varijabla
Xj = 0
Page 24 of 96
24
PITANJA I ODGOVORI:
P1: Koji utjecaj na profit ima promjena u potranji na tritu?

O1: Potranja na tritu nije uope iskoritena (x5 = 150), pa dodatno poveanje potranje ne pridonosi poveanju profita (shadow price = 0).
P2: Koji utjecaj na profit ima poveanje kapaciteta S2 od 50 sati?

O2: Pitanje je vezano uz dualnu cijenu, ali prije moramo utvrditi je li navedeni porast unutar dozvoljenog intervala za koji navedena dualna cijena vrijedi. Dozvoljeni rast je za 100 sati, pad za 300
sati. Porast od 50 sati je unutar dozvoljenog rasta, pa dualna cijena vrijedi: za svaki sat dodatnog
kapaciteta S2, profit raste za 70$. Ukupno poveanje je 3500$.
P3: to se dogaa ako poveamo kapacitet S2 za 300 sati? Je li utjecaj na profit isti?
O3: Poveanje od 300 sati je vee od dozvoljenog rasta, pa bi trebalo ponovno rijeiti zadatak jer
se dualna cijena mijenja.
P4: Ako ipak zahtijevamo proizvodnju P2, kako to utjee na profit?

O4: P2 se ne proizvodi jer nije dovoljno profitabilan:
60 = jedinini (granini) profitni prinos
70 = jedinini troak proizvodnje
10 = oportunitetni troak: toliko se smanji ukupni profit za 1 kom. proizvedenog P2
P5: Koliko profitabilan mora biti P2 da bi se ga isplatilo proizvoditi?
O5: Jedinini profit za P2 bi trebao biti vei od 70$. Obrazloenje: Ako pogledamo koeficijent u
funkciji cilja uz varijabilnu x2, njegov dozvoljeni interval u kojem moe varirati jest (0,70). To znai
da ako poveamo taj koeficijent na vrijednost veu od 70$, optimalno rjeenje se mijenja. Drugim
rijeima, poveamo li jedinini profit za vie od 10$ (sa 60 na npr. 75$), mijenja se i optimalno rjeenje. U novom optimalnom rjeenju e biti x2 0, jer e taj proizvod biti profitabilno proizvoditi.
Page 25 of 96
25
Page 26 of 96
26
Page 27 of 96
27
Zadatak 1.
Sirovina
P1
P2
Raspoloivo sirovina
S1 (tona)
0,4
0,5
20 (t)
S2 (tona)
0,2
5 (t)
S3 (tona)
0,6
0,3
21 (t)
PC (Prodajna Cijena $)
240
350
VT (Varijabilni Troak $)
200
320
DP (Doprinos Pokriu $)
40
30
X1
X1
Ogranienja
Doprinos pokriu = Ukupni prihod Varijabilni trokovi
a) Matematika formulacija problema

MaxZ = 40x1 + 30x2
0,4x1 + 0,5x2 20
0,2x2 5
0,6x1+ 0,3x2 21
x1, x2 0
b) Kanonski oblik i znaenje strukturnih i dopunskih varijabli
MaxZ = 40x1 + 30x2 + 0x3 + 0x4 + 0x5
0,4x1 + 0,5x2 + x3
= 20
0,2x2 +
x4
=5
0,6x1 + 0,3x2 +
x5 = 21
x1 x5 0
x1, x2 strukturne varijable, koliina proizvoda P1, P2 (kom.)
Ogranienja su raspoloive koliine sirovina S1, S2, S3 u tonama (t).
Funkcija cilja je maksimizirati doprinos pokriu Z u dolarima ($).
Dopunske varijable neiskoritene sirovine, x3, x4, x5
Dodatno ogranienje: x1 x2 0
x1, x2 koliine proizvodnje proizvoda P1 i P2 (t)

x3, x4, x5 neiskoriteni kapacitet sirovine 1, 2, 3 (t)
- neiskoriteni kapacitet
- prebaaj iznad min zahtijevane koliine
c) Dodatni zahtjev: koliina P2 ne bi smjela biti manja od P1

x2 x1
x1 + x2 0 / x(-1)
x1 x2 0
Page 28 of 96
28
Zadatak 3. (prema zadatku 1)
Page 29 of 96
29
Zadatak 2
Proizvod A + B: minimalno 350 galona idui mjesec
Proizvod A: minimalno 125 galona idui mjesec
Raspoloivo vrijeme za proizvodnju: 600 sati idui mjesec
Proizvodnja A: 2 sata za 1 galon uz troak 2$/galon
Proizvodnja B: 1 sat za 1 galon uz troak 3$/galon
Cilj: minimiziranje trokova
Vrijeme proizvodnje (sati)

Trokovi ($)
Proizvodnja (galon)
Ogranienje
X1
A
2
2
1
1
X2
B
1
3
1
0
600
350
125
a) Matematika formulacija
Min w = 2x1 + 3x2
x1 125
2x1 + 1x2 600
x1, x2 0
b) Kanonski oblik
Min w = 2x1 + 3x2 + 0x3 + 0x4 + 0x5
x1 + x2 x3
= 350
x1
x4
= 125
2x1 + x2 +
x5 = 600
x1 x5 0
Strukturne varijable:
x1 koliina proizvodnje proizvoda A (galon)
x2 koliina proizvodnje proizvoda B (galon)
Dopunske varijable:
x3 prebaaj iznad min. zahtijevane koliine (galon)
x4 prebaaj iznad minimalne zahtijeva narudbe velikog kupca (galon)
x5 neiskoriteno vrijeme proizvodnje (u satima)
c) Dodatni zahtjev (nee biti u kolokviju)
x2 = 2x1
2x1 + x2 = 0 / x(1)
2x1 x2 = 0
d) Dodatni zahtjev (nee biti u kolokviju)
x1 0,6 (x1 + x2)
x1 0,6x1 + 0,6x2
x1 0,6x1 0,6x2 0
0,4x1 0,6x2 0
Page 30 of 96
30
Zadatak 4 (prema zadatku 2)
Page 31 of 96
31
Analiza osjetljivosti
(Page 28/96)
Page 32 of 96
MaxZ = 40x1 + 30x2

0,4x1 + 0,5x2 20
0,2x2 5
0,6x1+ 0,3x2 21
x1, x2 0
1600 = 40x25 + 30x20
32
Page 33 of 96
33
Page 34 of 96
34
Page 35 of 96
35
Page 36 of 96
36
Page 37 of 96
37
Page 38 of 96
38
Page 39 of 96
39
Page 40 of 96
40
Page 41 of 96
41
Min w = 2x1 + 3x2

x1 125
2x1 + 1x2 600
x1, x2 0
(Page 30/96)
Page 42 of 96
42
Page 43 of 96
43
Page 44 of 96
44
Page 45 of 96
45
Page 46 of 96
46
Page 47 of 96
47
Page 48 of 96
48
Page 49 of 96
49
Page 50 of 96
50
Page 51 of 96
51
x1
x2
MaxZ = 8x1 + 5x2

0,1x1 + 0,5x2 = 350
0,3x1 + 0,5x2 650
0,4x1 + 0,2x2 500
x1, x2 0
Page 52 of 96
52
Max Z = 20x1 + 10x2 + 0x3 + 0x4

x1 + 3x2 + x3
= 90
x1 + x2 +
x4 = 50
x1, x2 0
z=300; x1=0; x2=30, x3=0, x4=20
Proizvodnja je optimalna ako proizvodimo

0 kom. proizvoda P1 i 30 kom. proizvoda P2.
Optimalnom proizvodnjom ostvaruju se minimalni trokovi od 300 kn.
Optimalnom proizvodnjom ispunjeni su minimalni zahtjevi
rentabilne koliine proizvodnje.
Optimalnom proizvodnjom iskoriten je dio raspoloivih sati
rada, a preostalo je neiskoritenih 20 sati rada.
Page 53 of 96
53
Page 54 of 96
54
Page 55 of 96
55
Page 56 of 96
56
Page 57 of 96
57
Page 58 of 96
58
Page 59 of 96
59
Page 60 of 96
60
Page 61 of 96
61
Page 62 of 96
62
Page 63 of 96
63
Page 64 of 96
64
Page 65 of 96
65
Page 66 of 96
66
Page 67 of 96
67
Page 68 of 96
68
Page 69 of 96
69
Page 70 of 96
70
Page 71 of 96
71
Page 72 of 96
72
Page 73 of 96
73
Page 74 of 96
74
Page 75 of 96
75
Page 76 of 96
76
Page 77 of 96
77
Page 78 of 96
78
Page 79 of 96
79
Page 80 of 96
80
Page 81 of 96
81
Page 82 of 96
82
4. METODA SIMULACIJE
Metoda simulacije se primjenjuje kada je sustav za koji je potrebno specificirati model presloen za
analitiki pristup. Izloit emo samo osnovnu proceduru ove tehnike i primjenu u podruju zaliha i
investicijskih projekata.
Simulacija je proces stvaranja modela realnog sustava i eksperimentiranja s modelom u cilju razumijevanja ponaanja sustava i/ili razvijanja raznih strategija funkcioniranja sustava (Pedgen et
al.,1995).
Monte Carlo simulacija

Simulaciju emo koristiti za sustave koji u sebi ukljuuju neizvjesnost u ponaanju, a poslovne odluke ine rizinim. Neizvjesnost se u modelima predstavlja stvaranjem uzoraka iz odgovarajue
distribucije vjerojatnosti. Takva vrsta simulacije se esto naziva Monte Carlo simulacija. To su najjednostavnije vrste simulacijskih modela. Ukratko, stohastike karakteristike sustava su definirane
sluajnim varijablama. Ulazne vrijednosti takvih varijabli su definirane distribucijama vjerojatnosti
koje ih najbolje predstavljaju. S obzirom da se radi o sluajnim vrijednostima, izlazne vrijednosti
modela se raunaju kao prosjeni pokazatelji dovoljnih broja iteracija provedenih modelom.
Osnovna su tri koraka simulacijskog modeliranja:
1. Za sluajnu varijablu izaberemo vrstu distribucije vjerojatnosti i njezine parametre koji najbolje
odraavaju ponaanje te sluajne varijable.
2. Izvedemo dovoljno velik broj iteracija, pokusa u kojima se pojavljuje takva sluajna varijabla.
3. Za svaki pokus biljeimo izlazne vrijednosti modela i na kraju za rezultate izraunavamo matematiko oekivanje, standardnu devijaciju i druge statistike pokazatelje.
Monte Carlo simulacija je shema koritenja sluajnih brojeva tj. U(0,1) sluajnih vrijednosti koje
slue za rjeavanje odreenih stohastikih ili deterministikih problema u kojima vrijeme nema vanosti (Law, Kelton, 1991). U irem smislu Monte Carlo je metoda u kojoj se koriste sluajni brojevi
za rjeenje problema. Za simulaciju diskretnih dogaaja (npr. sustavi usluivanja) taj nain nije pogodan jer se u tabelarnom prikazu ne moe na odgovarajui nain pratiti promjene kroz vrijeme.
Zbog toga za takve probleme postoje posebni programski paketi i programski jezici. Slina je situacija s kontinuiranim dogaajima.
Mi emo Monte Carlo simulaciju koristiti za probleme koji su uglavnom statiki kao to su kontrola
zaliha i analiza rizika.
Diskretna simulacija
Diskretna simulacija se primjenjuje na sustave koji se mogu opisati nizom diskretnih dogaaja. Diskretni dogaaj predstavlja skup okolnosti koje su izazvale promjenu stanja sustava. Simulacija se
odvija tako da se biljee sve promjene vezane uz nastali dogaaj i zatim prelazi na slijedei dogaaj. Drugim rijeima simulacija se odvija od dogaaja do dogaaja uz pretpostavku da se nita vano ne dogaa u vremenu izmeu dogaaja. Metoda nema ogranienja tj. mogu se pomou nje
prouavati vrlo sloeni sustavi, a za to se koriste posebni kompjuterski programi odnosno programski jezici. U kompjuterskom programu se generiraju dogaaji prema stvarnom procesu u prouavanom sustavu i prikupljaju podaci vezani uz promjene nastale simulacijom.
Problemi sustava usluivanja (sustava redova ekanja) rjeavaju se diskretnom simulacijom. U
takvim sustavima dogaaji su vezani uz dolazak potroaa i njihovo usluivanje. Kad bi dolasci i
vrijeme usluivanja bili u jednakim vremenskim razmacima radilo bi se o deterministikom sustavu
i ne bi se stvarali redovi. Ipak, u veini sustava usluivanja postoji varijabilnost u procesu dolaenja
i usluivanja. Redovi nastaju kad je potranja za uslugom vea od kapaciteta resursa koji prua
uslugu. Potroai ne dolaze u regularnim intervalima, a postoje i varijacije oko prosjene duine
vremena usluivanja. Modeliranje takvog sustava predstavlja prikupljanje uzoraka iz distribucije
Page 83 of 96
83
vremena meu dolascima i distribucije vremena usluivanja. te dvije sluajne varijable se u modelu
generiraju prema pretpostavljenim teorijskim i empirijskim distribucijama vjerojatnosti.
Odvijanje simulacije prati se vremenski, tj. simulacijskim satom. Prvi dogaaj , dolazak potroaa,
dogodi se nakon vremenskog intervala koji je generiran prema odgovarajuoj distribuciji vjerojatnosti. Kako je sustav na poetku prazan, potroa je odmah usluen i to u vremenu koji je generiran prema odreenoj distribuciji vjerojatnosti. Dogaaji dalje slijede navedene distribucije, te se
biljee statistiki podaci o broju potroaa u sustavu, u redu, za svakog potroaa vrijeme ekanja
u redu, vrijeme usluivanja, a na kraju i iskoritenost sustava za vrijeme simulacije. to se vrijeme
simulacije produuje rezultati su stabilniji i kaemo da sustav postie ravnoteno stanje. Na kraju
predvienog vremena simulacije dobivaju se prosjene vrijednosti skupljenih statistikih podataka.
Simulacijski model koji reprezentira prouavani sustav tako daje statistike pokazatelje koje nazivamo historijska simulacija. Ako u tom modelu mijenjamo ulazne parametre modela ispitujemo
funkcioniranje sustava u promijenjenim uvjetima, dakle eksperimentiramo modelom. Usporeujui
rezultate s historijskom simulacijom dobivamo vane informacije o funkcioniranju sustava i mogu
nosti njegovog poboljanja.
Podruje primjene je iroko u planiranju i organizaciji lukih postrojenja, aerodroma, skladita,
telefonskih centrala, bolnica, banaka, trgovina, ukratko svugdje gdje postoji mogunost zastoja i
uskih grla.
Za neke jednostavnije sustave usluivanja postoji analitiko rjeenje, tj. formule pomou kojih se
mogu izraunati prosjene vrijednosti pokazatelja funkcioniranja sustava. Meutim u praksi su rijetki primjeri na koje se analitiko rjeenje moe primijeniti.
Prednosti i nedostaci metode simulacije

Prednosti ove metode su viestruke. Omoguava bolje razumijevanje sustava, eksperimentiranje
modelom sustava i pripremu za nepoznate situacije u funkcioniranju sustava, omoguuje otkrivanje
uskih grla, procjenu rizinih dogaaja i bolju pripremu za donoenje poslovnih odluka u uvjetima
rizika. Ne postoji tako sloeni sustav koji se ne bi mogao metodom simulacije modelirati i istraiti.
Nedostatak metode simulacije jest to je za sloenije sustave ovo skupa metoda jer zahtijeva timski rad i skupu programsku podrku. Simulacijom ne dobivamo optimalno rjeenje. Simulacija ne
daje egzaktno rjeenje kao analitike metode. Rezultati simulacije predstavljaju uzorak, pa se stoga za statistiku analizu rezultata treba koristiti teoriju uzoraka.
Generiranje sluajne varijable

Sluajni brojevi
Sluajni brojevi su brojevi koji su uniformno distribuirani izmeu 0 i 1, tj. U (0,1).
Funkcija vjerojatnosti (slika) uniformne distribucije je:
1, 0 x 1
f(x)
inan
0 ,
Mogu biti generirani npr. izvlaenjem iz bubnja.
Page 84 of 96
84
Pseudosluajni brojevi
Pseudosluajni brojevi imaju svojstva sluajnih brojeva (nezavisnost, jednaka vjerojatnost), a izraunavaju se pomou algoritma. Njihova je prednost to se mogu ponoviti, a to je vrlo vano kod
simulacije. Naime, koritenjem istog niza sluajnih brojeva za razliite varijante modela, omoguuje
se reduciranje varijabilnosti u rezultatima i na taj nain lake otkrivanje stvarne razlike meu varijantama modela.
Postoji vie vrsta generatora (algoritama). vano da niz brojeva bude dovoljno dug i da se ne degenerira. Najvie se koristi multiplikativni kongruentni generator:
xi+1 = a xi (mod m)
x0 sjeme (seed), poetna vrijednost;
mod m modulo m a xi podijeliti sa m i zadrati ostatak.
Simulacijski programski paketi imaju ukljuene generatore koji su testirani na sluajnost i jednaku
vjerojatnost.
Generiranje sluajne varijable
Simulacijski programski paketi imaju ugraene postupke za generiranje sluajne varijable prema
teorijskoj ili empirijskoj distribuciji. Objasnit emo samo osnovni princip.
Primjer
Trgovina prodaje mlijeko u velikim paketima. Potranja je sluajna varijabla broj prodanih paketa
varira prema prikupljenim podacima u tablici 1 (empirijska distribucija vjerojatnosti).
Tablica1 Dnevna prodaja mlijeka
broj prodanih
relat.frekv. kumulativne
sredina frekvencija
paketa dnevno
(%)
frekv.(%)
10-20
15
10
16
16
20-30
25
18
28
44
30-40
35
24
37
81
40-50
45
7
11
92
50-60
55
5
8
100
ukupno
64
100
Potronju x emo predstaviti srednjom vrijednosti razreda. Distribucija vjerojatnosti je ureeni skup
parova vrijednosti varijable i pripadajue vjerojatnosti, ( x i , p( x i )) , i=1,2,...k.
Slika 1. Intervali sluajnih brojeva
92-99
00-15
81-91
16-43
44-80
Vjerojatnost potranje za podatke u tablici izraunamo kao relativnu frekvenciju (%). U cilju modeliranja potranje koristit emo sluajne brojeve. Umjesto uobiajenog raspona od 0 do 1, koristit
emo raspon od 0 do 100, to je u skladu s rasponom relativnih frekvencija u tablici. Potrebno je
pridruiti sluajne brojeve distribuciji u tablici1.Svaki sluajni broj mora biti lociran samo u jednom
intervalu u tablici. Zato je korisno izraunati vrijednosti kumulativnih frekvencija. irina intervala za
svaku vrijednost sluajne varijable x odreena je veliinom relativne frekvencije svakog razreda.
Kako su intervali razliite duine, oni ukljuuju i razliiti raspon sluajnih brojeva. to se jasnije
moe predstaviti pomou kruga
Page 85 of 96
85
Tablica 2. Intervali sluajnih brojeva

broj prodanih Sredina
relat.frekv. kumulativne
frekvencija
paketa dnevno
x
fr (%)
frekv.(%)
RN
10-20
15
10
16
16
00-15
20-30
25
18
28
44
16-43
30-40
35
24
37
81
44-80
40-50
45
7
11
92
81-91
50-60
55
5
8
100
92-99
ukupno
64
100
Potranja je sluajna varijabla koja je distribuirana s vjerojatnou koja odgovara irini razreda, a
irinu razreda odreuju originalni podaci. Prema navedenom, tablicu 1 emo upotpuniti intervalima
sluajnih brojeva (RN). (Tablica2).
Tablica 3. Simulirana potranja
RN
Potranja
35
25
Kroz viestruki postupak izvlaenja sluajnih brojeva, dobit emo u uzorku
72
35
korektni udjel potranje iz svakog intervala. Ako elimo simulirati potranju
63
35
za 10 dana, uzet emo niz od 10 sluajnih brojeva. Za svaki sluajni broj
54
35
lociramo u tablici interval u koji pripada i oitamo pripadnu koliinu potranje
12
15
(sredinu razreda). Tone vrijednosti diskretne sluajne varijable mogu se
90
45
dobiti interpolacijom. Sluajni brojevi i simulirana potranja predstavljena je
89
45
u Tablici 3., a postupak na Grafikonu 1.
60
35
21
25
37
25
Grafikon 1. Kumulativna funkcija distribucije potranje mlijeka
Za teorijske funkcije distribucije je isti postupak . Na slici je prikazan postupak generiranja kontinuirane sluajne varijable.
Slika 2. Kumulativna funkcija distribucije kontinuirane sluajne varijable
F(x)
RN
Page 86 of 96
86
Page 87 of 96
87
Page 88 of 96
88
Page 89 of 96
89
Page 90 of 96
90
Page 91 of 96
91
Page 92 of 96
92
Page 93 of 96
93
Page 94 of 96
94
Page 95 of 96
95
Page 96 of 96
96

Skripta Kvantitativne Metode

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Skripta Kvantitativne Metode

Uploaded by

Copyright:

Available Formats

Prof.dr.sc.

KVANTITATIVNE METODE ZA POSLOVNO ODLUIVANJE

KVANTITATIVNE METODE ZA POSLOVNO ODLUIVANJE

1. MODELIRANJE U POSLOVNOM ODLUIVANJU

Deterministiki i stohastiki modeli

Nalaenje rjeenja - analitiki i simulacijski pristup

Standardni oblik problema maksimuma

Operacijska istraivanja predstavljaju primjenu matematikih metoda u modeliranju i analizi sustava

x1, x2, ..xn 0

Model moemo pisati u saetom obliku:

Vektor x koji zadovoljava ogranienje (11) predstavlja rjeenje problema.

Kanonski problem karakteriziraju ogranienja u obliku jednadbi. Iz standardnog oblika moemo

a11x1+a12x2+ ...+a1nxn + xn+1

x1, x2, ..xn+m 0

Pretpostavimo da je postavljeni kriterij postizanje im veeg profita. Uvodimo oznake:

RJEAVANJE PROBLEMA LINEARNOG PROGRAMIRANJA

Na tritu se moe prodati najvie 150 komada proizvoda P2 !

odnosno tri strukturne varijable (prostorni koordinatni sustav x10x20x3)

Grafiki prikaz ogranienja skupa moguih rjeenja te funkcije cilja

odredi se skup toaka koje zadovoljavaju pojedino ogranienje (oznake = i <) ,

Zatim se nae presjek tih skupova toaka.

vie o tome vidjeti npr. Nerali L. , str.200

Crtanje funkcije cilja:

Ekstremne toke skupa moguih rjeenja i pripadne vrijednosti z:

Zbog ega je optimalno rjeenje u nekom od vrhova skupa moguih rjeenja?

Slika1. Grafiko rjeenje

x3=200, x4=300 , x5 =150 .

Briemo 2. i 4. stupac u matrici A izbacimo varijable x2 i x4 , pa rijeimo sustav:

vrh prostor (x1, x2)

prostor (x1, x2, x3 , x4 , x5)

Zajedniko svojstvo toaka A,B,C,D,E:

3 od 5 varijabli je razliito od nule(3 zato jer su 3 ogranienja u ovom problemu LP).

sustav od 3 jednadbe i 5 nepoznanica sustav od 3 jednadbe i 3 nepoznanice;

x1, x2, ..xn 0

U matrinom obliku moemo napisati simboliki :

Primjena Problem prehrane

uz ogranienja vezana uz zastupljenost bar minimalnih koliina hranjivih sastojaka :

x1, x2, ..xn 0

grafiki za probleme s najvie dvije strukturne varijable (koordinatni sustav x10x2)8

Prikazat emo podatke u tablici:

Slika 2. Grafiko rjeenje

Primjena programa MS Excel Solver

Na tritu se moe prodati najvie 150 komada proizvoda P2 !

Matematiki model u matrinom obliku:

Zatim unosimo podatke u radni list:

Slika 2: Unos podataka u radni list.

Slika 3: Unos parametara modela

Slika 4: Unos opcija parametara modela

Slika 5: Izbor izvjea

promjenu koeficijenta za varijablu u funkciji cilja;

Allowable Decrease (Increase)

Dozvoljeni pad (rast) za 1 vrijednost na desnoj strani ogranienja

RHS vrijednost (vrijednost desne strane ogranienja)

Shadow price (dualna cijena)

OFC vrijednost (koeficijent u funkciji cilja)

Reduced cost (oprtunitetni troak)

Slack (dopunske varijable)

Problem asortimana proizvodnje P1 i P2:

Optimalno rjeenje je o(50,150) i maksimalni profit z=11000.

Slika 6 Grafiko rjeenje LP.

Promjene parametra u funkciji cilja

Slika 8 Novo grafiko rjeenje

Target Cell (Max)