You are on page 1of 45

1

Prof.dr.sc. Ljiljana Lovri


Ekonomski fakultet Rijeka



Diplomski studij

P R E D A V A N J A


KVANTITATIVNE METODE ZA POSLOVNO
ODLUIVANJE










2
Sadraj:
1. MODELIRANJE U POSLOVNOM ODLUIVANJU
Model
Etape modeliranja
Vrste modela
Deterministiki i stohastiki modeli
Simulacijski modeli
Rjeenje analitiko, simulacijsko.

2. ANALITIKE METODE
Linearno programiranje. Analiza osjetljivosti.
Modeli zaliha.
Ekonometrijski modeli

3. METODA SIMULACIJE
Monte Carlo simulacija
Diskretna simulacija
Prednosti i nedostaci metode simulacije
Generiranje sluajne varijable
Simulacija kontrole zaliha
Simulacija investicijskih ulaganja





3
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.
4
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 slici 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 nekih 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.
5

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.


Definiranje
problema
Izgradnja modela
Prikupljanje i
analiza podataka
Ispitivanje
valjanosti
modela
Verifikacija
modela
6

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.

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.

7
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:
o da su raspodjeljene N (0,
2
);
o povezanost s deterministikim dijelom je aditivna rjee multiplikativna;
8
o 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 karakterisitka 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.

Nalaenje rjeenja - analitiki i simulacijski pristup

Deterministiki modeli imaju egzaktno rjeenje analitiko rjeenje.
Stohastiki modeli:
o za neke imamo analitiko rjeenje iz distribucija vjerojatnosti ulaznih podataka
izraunava se zakon distribucije izlaznih varijabli;
o 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
9
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 simualcija za dinamike sustave.

Obradit emo Monte Carlo simulaciju na primjerima odluivanja u uvjetima rizika i
u kontroli zaliha.

















10
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 istraivanja. Operacijska istraivanja predstavljaju primjenu
matematikih metoda u modeliranju i analizi sustava, kao pomo u poslovnom
odluivanju.

Matematiki model problema maksimuma LP je:

Max { cx ; x 0 Ax b },
gdje su :

( (( (
( (( (
( (( (
( (( (

( (( (






= == =
n
x
x
x
x
M
2
1
vektor nepoznanica,
11

( (( (
( (( (
( (( (
( (( (

( (( (






= == =
n
b
b
b
b
M
2
1
vektor slobodnih lanova,
( (( (
( (( (
( (( (
( (( (

( (( (






= == =
mn m m
n
n
a a a
a a a
a a a
A
L
M L M M
L
L
2 1
2 22 21
1 12 11
matrica koeficijenata ogranienja,


( (( (
( (( (
( (( (
( (( (

( (( (






= == =
n
c
c
c
c
M
2
1
vektor koeficijenata funkcije cilja.

Svi vektori x koji zadovoljavaju uvjetna ogranienja predstavljaju skup moguih
rjeenja
={ 0
2 1
x b Ax R x x x
n
n
; , ) ,... , ( }

Dalje o LP poglavlja 1.,2. i 3. iz Metode i modeli za donoenje optimalnih
poslovnih odluka.

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
12
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 x
1
proizvoda P
1
, te koliinu x
2
proizvoda P
2
koje je potrebno proizvesti
koristei raspoloivi kapacitet strojeva i mogui plasman na tritu, za koje e
ukupni profit biti maksimalan.

Matematiki model:

Max z = 40x
1
+ 60x
2
(1)
x
1
+ x
2
200 (2)
2x
1
+ x
2
300
x
2
150
x
1
, x
2
0 (3)

Matematiki model u matrinpm obliku:

Max z = (4)
13
(5)

(6)

Za odreena rjeenja varijabli x
1
i x
2
, 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 x
1
i x
2
postavljamo vrijednost 1, pa nam to omoguuje provjeravanje
ispravnosti uneenih formula (skalarni produkt mora biti jednak sumi koeficijenata
odgovarajueg retka).

Unosimo podatke u radni list:
A B C D
1 P1 P2 ogranienja
2
S1 1 1 200
3
S2 2 1 300
4
Trite 0 1 150
5
Profit 40 60
6

7
Rjeenja 1 1 (koliine)
8

9
Fn.cilja =SUMPRODUCT( B5:C5,B7:C7) (cijena koliina)
10

11
ogranienja iskoriteno raspoloivo
12
S1
=SUMPRODUCT( B2:C2,$B$7:$C$7) =D2
13
S2
=SUMPRODUCT( B3:C3,$B$7:$C$7) =D3
14
Trite
=SUMPRODUCT( B4:C4,$B$7:$C$7) =D4
Slika 2: Unos podataka u radni list.

Unosimo parametre modela:
14

Slika 3: Unos parametara modela

U prozoru Mogunosti 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.) rijeimo problem.
Pored optimalnog rjeenja jo moemo dobiti 3 izvjea (slika 5.):
- o rjeenju
- o analizi osjetljivosti
- o granicama.
15

Slika 5: Izbor izvjea.

Microsoft Excel 11.0 Answer Report
Worksheet:
[Book1]Sheet1
Report Created: 5.1.2009 12:04:42


Target Cell (Max)
Cell Name
Original
Value Final Value
$B$9 Fn.cilja P1 100 11000


Adjustable Cells
Cell Name
Original
Value Final Value
$B$7 Rjeenja P1 1 50
$C$7 Rjeenja P2 1 150


Constraints
Cell Name
Cell
Value Formula Status Slack
$B$12 S1 iskoriteno 200 $B$12<=$D$12 Binding 0
$B$13 S2 iskoriteno 250 $B$13<=$D$13
Not
Binding 50
$B$14 Trite iskoriteno 150 $B$14<=$D$14 Binding 0
Slika 6: Izvjee o rjeenju.

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.

16
Analiza osjetljivosti
Pomou analiza osjetljivosti utvrujemo osjetljivost optimalnog rjeenja
na promjenu :
1. jednog parametra u funkciji cilja (OFC)
2. jednog parametra na desnoj strani ogranienja (RHS)

Problem asortimana proizvodnje P1 i P2:
Max z = 40x
1
+ 60x
2
(profit)
x
1
+ x
2
200 (sati S1)
2x
1
+ x
2
300 (sati S2)
x
2
150 (tr. P2)
x
1
,x
2
0 (nenegativnost)

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


Slika 6 Grafiko rjeenje LP.




17
OFC promjene

Poveamo li profit po jedinici P1 sa 40 kn na 50 kn , funkcija cilja je:
z' = 50x
1
+ 60x
2

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 = 140x
1
+ 60x
2
, 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, +).

Microsoft Excel 11.0 Sensitivity Report
Worksheet: [Book1]Sheet1
Report Created: 5.1.2009 12:05:57


Adjustable Cells
Final Reduced Objective Allowable Allowable
Cell Name Value Cost Coefficient Increase Decrease
$B$7 Rjeenja P1 50 0 40 20 40
$C$7 Rjeenja P2 150 0 60 1E+30 20

Constraints
Final Shadow Constraint Allowable Allowable
Cell Name Value Price R.H. Side Increase Decrease
$B$12 S1 iskoriteno 200 40 200 25 50
$B$13 S2 iskoriteno 250 0 300 1E+30 50
$B$14 Trite iskoriteno 150 20 150 50 50


Slika 7 Analiza osjetljivosti


18

RHS promjene

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 = 140x
1
+ 60x
2

x
1
+ x
2
200
2x
1
+ x
2
400
x
2
150
x
1
,x
2
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 70kn (ili svaki sat manje
je 70kn manje profita).

19
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 optimalno rjeenje ostaje nepromijenjeno.

Dualna vrijednost (Shadow price) ili marginalna vrijednost ogranienja
predstavlja promjenu vrijednosti funkcije cilja za poveanje RHS ogranienja za
jedinicu. Dualna vrijednost y
2
= 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.

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.

20
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 = 140x
1
+ 60x
2

x
1
+ x
2
200
2x
1
+ x
2
300
x
2
150
x
1
,x
2
0

Target Cell (Max)
Cell Name
Original
Value Final Value
$B$9 Fn.cilja P1 200 21000


Adjustable Cells
Cell Name
Original
Value Final Value
$B$7 Rjeenja P1 1 150
$C$7 Rjeenja P2 1 0


Constraints
Cell Name Cell Value Formula Status Slack
$B$12 S1 iskoriteno 150 $B$12<=$D$12
Not
Binding 50
$B$13 S2 iskoriteno 300 $B$13<=$D$13 Binding 0
$B$14 Trite iskoriteno 0 $B$14<=$D$14
Not
Binding 150
Tablica 1 Excel izvjetaj

21
U Tablici 1 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.

Microsoft Excel 10.0 Sensitivity Report
Worksheet: [Book1.xls]Sheet1
Report Created: 3/13/2009 17:26:22
Adjustable Cells
Final Reduced Objective Allowable Allowable
Cell Name Value Cost Coefficient Increase Decrease
$B$7 Rjeenja P1 150 0 140 1E+30 20
$C$7 Rjeenja P2 0 -10 60 10 1E+30

Constraints
Final Shadow Constraint Allowable Allowable
Cell Name Value Price R.H. Side Increase Decrease
$B$12 S1 iskoriteno 150 0 200 1E+30 50
$B$13 S2 iskoriteno 300 70 300 100 300
$B$14 Trite iskoriteno 0 0 150 1E+30 150
Tablica 2 Excel izvjetaj

U Tablici 3 su rezultati analize osjetljivosti. Intervali vrijednosti za jedinini profit po vrsti
proizvoda su: c
1
(120, +) ; c
2
(0,70). Ukoliko se jedinini profit kree unutar
navedenih intervala, vrijednost optimalnog rjeenja se ne mijenja, samo ukupni profit z.

Kako je optimalna vrijednost strukturne varijable x
2
jednaka nuli, imamo njezin
oportunitetni troak. To znai da minimalna vrijednost za koju bi trebalo poveati jedinini
profit P2 jest 10 kn, kako bi bilo profitabilno proizvoditi P2.

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.

22
Intervali vrijednosti na desnoj strani svakog ogranienja unutar kojih optimalno rjeenje
ostaje nepromijenjeno jesu: b
1
(150, +); b
2
(0, 400); b
3
(0, +).


Na kraju emo 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 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.















23
Modeli zaliha

Zalihe su vrlo vane u poslovnom procesu jer su neophodne za nesmetano
odvijanje procesa. Prevelike zalihe znae zamrznuta sredstva koja stvaraju
trokove, a premale mogu uzrokovati zastoj u poslovnom procesu i velike tete u
poslovanju. Zbog toga zalihe trebaju biti optimalne.

Cilj ; Odrediti plan naruivanja (kada i koliko) koji e minimizirati trokove zaliha,
ali i trokove naruivanja i dostave.

Izloit emo osnovni model zaliha sa stalnom potranjom, a nema nedostatka
zaliha. To je pojednostavljeni problem koji je osnova i za sve ostale modele
zaliha. Izraunava se optimalna veliina narudbe.

Pretpostavke:
- potranja je poznata i konstantna u jedinici vremena;
- poiljke popunjavaju skladite u trenutku kad se zalihe iscrpe i nema
nedostatka zaliha;
- koliina narudbe je konstantna;
- trokovi skladita po jedinici zaliha i fiksni trokovi narudbe su konstantni.

Na slici 10 je prikazano kretanje stanja zaliha prema navedenim pretpostavkama.

Slika 10 Kretanja stanja zaliha

24
Uvodimo oznake:
TC ukupni trokovi zaliha;
Cs ukupni trokovi skladitenja;
Cn - ukupni trokovi narudbe;
C trokovi jedne narudbe;
Q koliina narudbe;
h trokovi skladitenja jedinice zaliha;
D potranja u jedinici vremena.

Potrebno je odrediti optimum pomou funkcije ukupnih trokova:
TC = Cs + Cn

2
Q
h Cs = == =
Q
CD
Cn = == =
Trokovi skladitenja su odreeni srednjom vrijednosti koliina punog i praznog
skladita, a to je
2
Q
.

Q
CD Q
h TC + ++ + = == =
2

Optimum emo nai pomou diferencijalnog rauna:

2
2 Q
CD h
Q
TC
= == =



0
2
2
= == =
Q
CD h


2
2
h
Q
CD
= == =
Tako dobivamo optimalnu koliinu narudbe
h
CD
Q
o
2
= == = .
Optimalno vrijeme naruivanja zaliha:
hD
C
hD
CD
D
Q
Z
o
o
2 2
2
= == = = == = = == = .
Ukupni optimalni trokovi iznose:
o
o
o
Q
CD Q
h TC + ++ + = == =
2
.
25
Grafiko rjeenje je na slici 11:


Slika 11 Grafiko rjeenje problema zaliha
Razina optimalne narudbe, Q
o
je pri jednakosti Cs=Cn , odnosno
2
hQ
Q
CD
= == = ,
iz koje se dobiva
h
CD
Q
o
2
= == = .


Stohastiki model zaliha

Stohastiki modeli ukljuuju bar jednu stohastiku varijablu. Vrijednosti te
varijable su predstavljene distribucijama vjerojatnosti to je nain definiranja
raspona moguih vrijednosti koje varijabla moe poprimiti. Stohastiki modeli su
blie stvarnosti od deterministikih. U poslovnoj ekonomiji i poslovnom
odluivanju ee su prisutni problemi u kojima nisu precizno determinirani
uzrono posljedini odnosi meu varijablama u modelu kao to nisu ni poznate
sve vrijednosti parametara koji su potrebni za dobivanje jedinstvenog rjeenja.
Vrlo su esti problemi u kojima je kod donoenja odluka prisutan rizik, sluajni
utjecaji te nedostatak informacija. Stohastiko modeliranje je vano podruje
modeliranja koje emo objasniti samo kroz jednostavnije primjere u poslovnom
odluivanju. Ipak, u praktinom smislu, ne samo kod sloenijih i opsenijih
26
problema, teko je specificirati matematiki model kao i nai analitiko rjeenje.
U takvim sluajevima koristimo metodu simulacije.

U modelima zaliha mogu postojati razni izvori sluajne varijabilnosti - kao
vrijeme isporuke, razliiti trokovi, ali ipak najvanija je potranja koju smo u
deterministikom modelu uzimali kao prosjenu vrijednost. Varijabilnost potranje
nije jako vana do trenutka kad se naruuje. Ako u tom trenutku naglo poraste
potranja, zalihe e pasti bre od oekivanja. Zalihe se mogu iscrpsti prije nego
nove dou. Zbog toga mnoga poduzea odravaju rezervne zalihe (vidi sliku 12).
Rezervne zalihe se koriste ako potranja poraste za vrijeme perioda isporuke.
Pitanje je koliko velike te rezerve trebaju biti. Ako su premale moe stati
poslovanje, a ako su prevelike, kapital je vezan u nepotrebnim zalihama.
Odgovor dobijemo ako znamo distribuciju vjerojatnosti potranje.


Slika 12 Kretanje zaliha uz odravanje rezerve

Uniformna distribucija vjerojatnosti potranje

Svaka koliina potranje jednako vjerojatna. Potranja za vrijeme perioda
isporuke varira izmeu minimalne vrijednosti a i maksimalne vrijednosti b.
Prosjena potranja za vrijeme isporuke jest
2
a b + ++ +
= == = . Poduzee moe odluiti
da ima zaliha dovoljno za najveu razinu potranje, a to znai da mora odravati
koliinu b- rezervne zalihe. Alternativa je neto manja razina i time riskira
27
nastanak zastoja poslovanja. Npr. ako eli riskirati da ostane bez zaliha u 5%
sluajeva, lako je dobiti rjeenje jer je svaka potranja jednako vjerojatna (slika
13).

Slika 13 Uniformna distribucija vjerojatnosti potranje



Primjer
Potranja za proizvodom varira od 120 do 800 komada dnevno. Vrijeme isporuke
je 2 dana. Trokovi jednog komada proizvoda na zalihi je 2 kn dnevno. Kolike
moraju biti rezervne zalihe kako bi se osiguralo poslovanje u 95% sluajeva?
Odredite koliinu narudbe za odravanje tih zaliha.
h= 2
D
dnevna
: a= 120 ; b= 800;
D
za 2 dana
: a= 240 ; b= 1600; = 920

100% osiguranje zaliha:
Rezervne zalihe su b- = 1600 920 = 680 kom

28
95% osiguranje zaliha:
c= a + 0.95(b-a) = 240 + 0.95(1600-240) = 1532 kom je potranja koja e se
dogoditi u ne vie od 95% sluajeva
Rezervne zalihe su c- = 1532 920 = 612 kom

Trokovi odravanja rezervnih zaliha su: 612 2 = 1224 kn dnevno.


Normalna distribucija vjerojatnosti potranje

Potranja varira s velikom vjerojatnou, a srednje vrijednosti i vjerojatnost naglo
padaju na niim i viim razinama potranje.

Normalna distribucija vjerojatnosti : N(,)
Standardna normalna distribucija : N(0,1) vrijednosti u tablici.


= == =
x
z transformacija nestandardne normalne distribucije u standardnu;
x vrij.sluajne varijable; , - parametri njezine normalne raspodjele.

Primjer
Normalna distribucija potranje:
D
dnevna
: = 460, =180 ;
D
za 2 dana
: =920 , 6 254 180 180
2 2
. = == = + ++ + = == =

Traimo razinu potranje x koja nije prekoraena u vie od 5% sluajeva.
29
Radi se o povrini ispod desnog repa normalne distribucije koja iznosi 5%. Za
standardnu normalnu distribuciju u tablici nalazimo odgovarajui z=1.65.
Potranja x koja e se dogoditi u ne vie od 5% sluajeva za zadanu distribuciju
potranje jest:
x = z + = 1.65 254.6 + 920 = 1340.1 1340
To e biti koliina narudbe za odravanje zaliha.
Rezervne zalihe su: x - =1340 920 = 420 .









-------------------


Ekonometrijski modeli

Predavanja prema knjizi Lj.Lovri: Uvod u ekonometriju, Ekonomski fakultet
Rijeka, 2005.



30

3. 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.

31
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 predpostavku 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 pruavanom 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
vremnskim 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
32
i varijacije oko prosjene duine vremena usluivanja. Modeliranje takvog
sustava predstavlja prikupljanje uzoraka iz distribucije 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 funkciniranju sustava i
mogunosti njegovog poboljanja.

Podruje primjene je iroko u planiranju i organizaciji lukih postrojenja,
aerodroma, skladita, telefonskih centrala, bolnica, banaka, trgovina, ukratku
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 funkconiranja
sustava. Meutim u praksi su rijetki primjeri na koje se analitiko rjeenje moe
primijeniti.

33
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:


< << < < << <
= == =
inan , 0
1 x 0 , 1
) x ( f

Mogu biti generirani npr. izvlaenjem iz bubnja.



34
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:
x
i+1
= a x
i
(mod m)
x
0
sjeme (seed), poetna vrijednost;
mod m modulo m a x
i
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).





35
Tablica1
broj prodanih
paketa dnevno
sredina 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

Potronju x emo predstaviti srednjom vrijednosti razreda. Distribucija
vjerojatnosti je ureeni skup parova vrijednosti varijable i pripadajue
vjerojatnosti, { {{ { } }} } )) x ( p , x (
i i
, i=1,2,...k.
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
(slika):
0 - 15
16 - 43
44 - 80
81 - 91
92 - 99

36
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 2
broj prodanih
paketa dnevno
Sredina
x
frekvencija
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
92-99
ukupno 64 100
Kroz viestruki postupak izvlaenja sluajnih brojeva, dobit emo u uzorku
korektni udjel potranje iz svakog intervala. Ako elimo simulirati potranju za 10
dana, uzet emo niz od 10 sluajnih brojeva. Za svaki sluajni broj lociramo u
tablici interval u koji pripada i oitamo pripadnu koliinu potranje (sredinu
razreda). Tone vrijednosti diskretne sluajne varijable mogu se dobiti
interpolacijom. Sluajni brojevi i simulirana potranja predstavljena je u tablici, a
postupak na grafikonu.

RN Potranja
35
72
63
54
12
90
89
60
21
37
25
35
35
35
15
45
45
35
25
25


37
Slika Kumulativna funkcija distribucije potranje mlijeka

Za teorijske funkcije distribucije je isti postupak . Na slici je prikazan postupak
generiranja kontinuirane sluajne varijable.

Slika Kumulativna funkcija distribucije kontinuirane sluajne varijable









RN
x X
F(x)
38

Simulacija kontrole zaliha

Predstavit emo simulacijski model zaliha trgovine koja prodaje mlijeko i za koju
su prikupljeni podaci o potranji tijekom 64 dana (tablica 1).
Koliina (Q) koja se naruuje je fiksna vrijednost. Kritine zalihe (R) predstavljaju
razinu zaliha kad robu treba naruiti. To znai ako su, ako su zalihe krajem dana
na razini jednakoj ili manjoj od kritinih zaliha, roba se naruuje. Ukupni trokovi
obuhvaaju osim trokove naruivanja i trokove manjka zaliha.

Podaci:
Fiksni trokovi jedne narudbe iznose 180 kn.
Troak zaliha (skladitenja) jednog paketa dnevno je 0,45 kn.
Troak manjka zaliha je gubitak koji nastaje kad potroa ne moe kupiti mlijeko
u toj trgovini jer su zalihe ponestale i procijenjen je na 5 kn po paketu.
Vrijeme potrebno da naruena roba stigne od trenutka naruivanja je 2 dana.

Potrebno je odrediti: koliinu narudbe Q, kritine zalihe R, za danu potranju D
koja je sluajna varijabla, te ukupne trokove, trokove zaliha, trokove manjka
zaliha.

Problem emo rijeiti simulacijom. Potranju emo generirati po empirijskoj
distribuciji (Tablica 1).

Poetni uvjeti simulacije:
Zalihe na poetku su jednake nuli i prvi dan dospijeva naruena koliina Q.

Potranju moemo utvrditi iz distribucije vjerojatnosti (Tablica 1) tj. iz prikupljenih
podataka za 64 dana poslovanja. Oekivana potranja je:
D= 32 70 31 = == = = == =

. ) (
i
i i
fr x x E paketa.
39
Kako se radi o stohastikoj varijabli s empirijskom distribucijom vjerojatnosti,
nemamo analitiko rjeenje problema. Pribline vrijednosti emo dobiti koristei
analitiko rjeenje deterministikog modela, to znai da emo uzeti da je
potranja fiksna vrijednost.

D= 32 paketa
h=0.45 kn/dan
C= 180 kn

160
45 0
32 180 2
= == =

= == =
.
Q paketa
C
S=
kn
Q h
36
2
= == =

dnevno
C
N
= kn
Q
D C
36 = == =

dnevno
5
32 45 0
180 2 2
= == =


= == = = == =
. hD
C
Z dana

Kritina razina zaliha (R):
Vrijeme koje je potrebno da naruitelj dostavi robu od trenutka naruivanja iznosi
2 dana, a dnevna oekivana potranja je 32 paketa, pa je R=2 32 = 64 paketa.
Tako smo dobili osnovne parametre za simulaciju (historijska) : Q=160, R=64,
potranja generirana po empirijskoj distribuciji.

Simulaciju emo provesti za 30 dana. Odmah 1.dan stie prva poiljka od 160
paketa i nema zaliha. Nova narudba kree kad zalihe padnu ispod 64 paketa i
potrebno je 2 dana da stigne. Potranja je generirana po diskretnoj empirijskoj
distribuciji (slika).
Simulaciju provodimo u tablici pomou programa MS Excel.


40
Ponavljanje simulacije

Simulacija od 30 dana daje 4 vrste trokova. Ukoliko ponovimo simulaciju
rezultati e biti drukiji jer se mijenjaju sluajni brojevi. Radi se o stohastikom
sustavu. Zbog toga je potrebno simulaciju od 30 dana ponavljati to vie puta
kako bismo dobili informacije o distribuciji vjerojatnosti prema kojoj se sluajne
varijable ponaaju. Ponovit emo simulaciju 200 puta, izraunat prosjene
vrijednosti iz dobivenih 200 podataka za 4 vrste trokova koji nas zanimaju.
Za ponavljanje simulacija koristimo Excel proceduru Data Table.
41

42
Simulacijski eksperimenti
Pretpostavimo da trgovina zaista posluje prema Q=160, R=65. Tada se
simulacija koju smo izveli naziva historijska simulacija. Ona oponaa (simulira)
poslovni sustav prema stvarnim parametrima.

Svrha ovakvog simulacijskog modela jest eksperimentiranje. Mijenjanjem ulaznih
vrijednosti parametara elimo doi do vanih saznanja o sustavu koja e nam
pomoi u kvalitetnijem poslovnom odluivanju.

Pomou naeg simulacijskog modela elimo utvrditi koliinu narudbe Q i kritine
zalihe R s kojima e se smanjiti ukupni mjeseni trokovi. Svaki eksperiment e
uzeti odreene kombinacije razina Q i R, ponoviti simulaciju 200 puta i izraunati
prosjene vrijednosti trokova. Tako emo usporeujui prosjene izlazne
vrijednosti doi do odgovora koja razina Q i R smanjuje ukupne trokove.

Pri tom koristimo Excel proceduru Scenario Manager (Tools/ Scenarios).
Pored sadanjeg stanja (historijske simulacije) jo je izvedeno 5 scenarija.
rezultati su na slici... Najmanje ukupne trokove daje scenarij sadanje stanje.
Ipak visoka je razina manjka zaliha. Druge je pitanje koliko je dobro za
poslovanje da potroai ne mogu dobiti robu uvijek kad ju trae.

Eksperimentiranje je esto svrha simulacijskog modeliranja, a eli se utvrditi
efekte promjene nekog parametra u modelu. To mogu biti, osim koliine
narudbe, razina kod koje treba ponoviti narudbu, trokovi zaliha, vrijeme
isporuke. Mogu se ispitivati i promjene u strukturi modela, npr.promjene
ditribucije potranje, varijabilno vrijeme isporuke umjesto fiksnog itd.





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 e skuplji, ako se pojavi
konkurencija smanjit e se oekivani profit. Nemogue je predvidjeti budunost,
ali simulacija moe pomoi u procjeni rizika od financijskih gubitaka.
Oznake:
NPV - neto sadanja vrijednost;
D(n) godinji donosi;
I
(0)
poetni ulog;
i diskontna stopa.

NPV se izraunava ovako:
) (
) (
) (
) (
) (
) (
) (
0
2
1 1
2
1
1
I
i
n D
i
D
i
D
NPV
n

+ ++ +
+ ++ + + ++ +
+ ++ +
+ ++ +
+ ++ +
= == = L
Godinji donosi predstavljaju sluajnu varijablu. Obino se ponaa po normalnoj
distribuciji (donosi su simetrino raspodijeljeni oko sredine). Ako su vei donosi
vjerojatniji, tada je neka asimetrina distribucija, kao trokutasta prikladnija.
Analiza rizika se temelji na pretpostavkama i zbog toga ih treba paljivo
razmatrati. Mogue su promjenljive varijance distribucije kroz vrijeme ili donosi
44
mogu biti u korelaciji i slino. U takvim sloenijim sluajevima 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.
Barkovi, D.: Operacijska istraivanja, Ekonomski fakultet Osijek, Osijek, 2002.
Chiang,A.C.: Osnovne metode matematike ekonomije, MATE, Zagreb, 1994.
Marti, Lj.: Matematike metode za ekonomske analize II, Informator, Zagreb
1974.
Nerali,L. : Uvod u matematiko programiranje, Element, Zagreb, 2003.
Waner, S., Costenoble, S.R.: Finite Mathematics and Applied Calculus, Fourth
Edition, Thomson, Belmont, 2007.



















45