Professional Documents
Culture Documents
KVANTITATIVNE METODE
U EKONOMIJI I MENADMENTU
SARAJEVO, 2009.
Predgovor
Kvantitativne metode u ekonomiji su uvijek imale veliki znaaj, a sa razvojem ekonomskih
istraivanja, baziranim na empirijskim podacima, i razvojem informacionih tehnologija
njihova uloga je postala nezaobilazna. Primjena kvantitativnih metoda u ekonomiji ima niz
prednosti koje doprinose kvalitetu ekonomskih istraivanja. Pretpostavke istraivanja treba
da budu precizno, jasno i eksplicitno definisane kako bi se mogle izraziti odgovarajuim
matematikim i statistikim instrumentarijem. Kvantitativni pristup istraivanju olakava
analizu dobijenih rezultata i formulisanje prijedloga za donoenje odluka. Na taj nain,
primjenom kvantitativnih metoda i odgovarajuih algoritama, mogu se efikasnije i preciznije izuavati sloene ekonomske pojave i procesi te njihove meuzavisnosti. Uvoenjem
metoda matematike analize u ekonomiju ekonomska nauka je u svojim savremenim oblicima postala kvantitativna nauka.
Ovaj udbenik ima za cilj da obradi i predstavi odabrane kvantitativne metode. Sadraj je
koncipiran prema nastavnom programu predmeta Kvantitativne metode u ekonomiji i menadmentu koji se izuava na drugoj godini Ekonomskog fakulteta u Sarajevu. To je
uslovilo izbor metoda koje e se obraivati. Udbenik je sastavljen iz etiri poglavlja sa
sljedeim naslovima: 1. Osnovne ekonometrijske funkcije, 2. Tehnike mrenog planiranja,
3. Input-output analiza i 4. Linearno programiranje.
Svako poglavlje koncepcijski predstavljaju jednu oblast, odnosno grupu metoda koje pripadaju toj oblasti, a koje se koriste u izuavanju ekonomskih fenomena. U svim poglavljima
je primijenjen jedinstven metodoloki pristup s ciljem da se na jasan i za korisnike razumljiv nain obradi prezentovani sadraj.
U udbeniku je sadraj obraen sa ekonomsko-teorijskog i kvantitativnog aspekta formalizacijom obraenih ekonomskih kategorija matematikim instrumentarijem. Teorijske
analize i matematike formulacije potom su primijenjene na odabranim numerikim primjerima koji su kompletno rijeeni. Na taj nain je omoguena direktna veza izmeu teorijskih
izlaganja i formalizacija i aplikacije steenih znanja na primjerima. U primjerima se, pored
aplikacije metoda, te istraivanja meuzavisnosti analiziranih pojava i relacija, insistira i na
interpretaciji dobijenih rezultata kao bazi za donoenje odgovarajuih odluka. Za neke
primjere aplikacija je ilustrovana i u MS Excelu. Poslije teorijske i aplikativne obrade
predstavljene materije, pripremljena su teorijska pitanja za ponavljanje, a zatim i zadaci za
vjebu sa kratkim rjeenjima.
Nadamo se da e specifinost i originalnost ovog metodolokog pristupa obradi i prezentovanju tematskih jedinica buduim korisnicima omoguiti savladavanje i primjenu metoda
obraenih u udbeniku.
5
Udbenik je namijenjen studentima dodiplomskog studija ekonomskih fakulteta, ali i ostalim zainteresovanim studentima i ekonomistima koji primjenjuju kvantitativne metode u
svom radu.
Iskrenu zahvalnost izraavamo dr elimiru Vukoviu, profesoru emeritusu Univerziteta u
Sarajevu, za zajedniki rad na predmetu Kvantitativne metode u ekonomiji i menadmentu i
njegov doprinos razvoju ovog predmeta. Znanja koja smo sticali tokom dugogodinje saradnje sa profesorom Vukoviem ine osnovu ovog udbenika koji je nastao kao rezultat
nastavnog, istraivakog i pedagokog iskustva autora iz oblasti kvantitativne ekonomije.
Udbenik Kvantitativne metode u ekonomiji i menadmentu je rezultat kontinuiranog rada
na poboljanju i unapreenju nastavnog sadraja predmeta za koji je napisan.
Posebnu zahvalnost izraavamo recenzentima prof. dr Kseniji Dumii, redovnom
profesoru Ekonomskog fakulteta u Zagrebu, i Emiru Veledaru, PhD Assistant Professor,
Emory University, Atlanta, USA. Njihove primjedbe i prijedlozi su nam bili vrlo korisni i
znaajno doprinijeli poboljanju teksta. Autori ostaju odgovorni za eventualne greke i
propuste nastale u tekstu.
Zahvaljujemo i naoj kolegici Merimi Balavac, asistentici, koja je paljivo proitala rukopis
i uestvovala u tehnikim korekcijama.
Svima koji su doprinijeli da ova knjiga bude napisana i objavljena iskreno zahvaljujemo.
Sadraj
1.
EKONOMETRIJSKE FUNKCIJE
2.2.2.
2.2.3.
2.2.4.
2.2.5.
Aktivnost .......................................................................................................234
Dogaaj .........................................................................................................236
Matrica meuzavisnosti.................................................................................237
Mreni dijagram ............................................................................................237
INPUT-OUTPUT ANALIZA
LINEARNO PROGRAMIRANJE
10
Kvantitativne metode u
ekonomiji i menadmentu
1. Ekonometrijske funkcije
1.1.
1.2.
1.3.
1.4.
1.5.
1.6.
1.7.
1.8.
1.9.
1.10.
1.11.
1.12.
1.13.
Uvod
Ukupna, granina i prosjena funkcija
i njihovi odnosi
Elastinost
Ocjena ekonomskih funkcija metodama
regresione analize
Funkcija tranje
Funkcija prihoda
Funkcija trokova
Funkcija dobiti
Funkcija ponude
Funkcije proizvodnje
Pitanja za ponavljanje
Zadaci za vjebu
Rjeenja zadataka za vjebu
Literatura
1.1. Uvod
U prvom poglavlju knjige Kvantitativne metode u ekonomiji i menadmentu su obraene i
prezentovane osnovne ekonometrijske funkcije. U samom naslovu ovog poglavlja termin
ekonometrijske ukazuje da e osnovne ekonomske funkcije biti obraene i analizirane sa
ekonometrijskog aspekta. Ovaj pristup obradi funkcija podrazumijeva da se u njihovoj analizi i prezentaciji primijenjuju ekonomske, matematike i statistike tehnike i metode.
Pojedinano posmatrane, navedene discipline nisu dovoljne za analizu i predvianje kompleksnih ekonomskih fenomena na bazi empirijskih podataka.
Ekonometrija se kao posebna nauna disciplina i fundamentalna grana ekonomije pojavila u
modernoj formi oko 1930. godine.1 Iskustvo je pokazalo da je potrebna istovremena primjena ekonomsko-teorijskog, statistikog i matematikog pristupa kako bi se istraivale
kvantitativne relacije u ekonomiji i menadmentu. Jedinstvo ova tri pristupa ini sastavne
dijelove ekonometrije, stoga ekonometrija predstavlja instrumentarij za mjerenje ekonomskih fenomena, provjeru valjanosti ekonomske teorije i predvianje kretanja ekonomskih
pojava i procesa.
Poto se termin ekonometrija sastoji od dvije grke rijei, ekonomija i mjerenje, esto su
se kvantitativna istraivanja nazivala ekonometrijskim to nije tano, jer se na taj nain
ekonometrija proiruje na sve kvantitativne metode od kojih neke i koristi, ali se od ostalih
razlikuje. Mi smo u sljedea tri poglavlja ove knjige obraivali i primjenjivali neke od drugih kvantitativnih metoda i predstavili njihovu primjenu u ekonomiji i menadmentu.
U ovom poglavlju smo, primjenjujui ekonometrijski pristup, obradili i analizirali funkcije
tranje, prihoda, trokova, dobiti, ponude i funkciju proizvodnje. Analizi pojedinih funkcija
prethodi opte razmatranje o odnosima ukupne, prosjene i granine veliine. Pored toga, u
optem sluaju je definisana i analizirana elastinost kao mjera meuzavisnost ekonomskih
veliina. Ekonometrijski pristup podrazumijeva i ocjenu parametara analiziranih funkcija.
Regresiona analiza prua odgovarajui instrumentarij za ocjenu parametara modela i matematiko izraavanje ekonomskih zavisnosti pojava koje se istrauju. U tom cilju je obraen
metod najmanjih kvadrata i ilustrovana njegova primjena u MS Excelu. Analiza rezultata
dobijenih u outputu MS Excela treba biti usmjerena na provjeru zadovoljavanja ekonomskih, statistikih i ekonometrijskih kriterija2, a zatim na kompletiranje ocijenjenog modela
analizirane funkcije.
1
2
Ove godine su Frich, R., Roos, O., i Ficher, I. osnovali Ekonometrijsko drutvo. Prema ignon, V., (2008).
Detaljnije u Somun-Kapetanovi, R., (2008), str. 111-151.
13
(1.1)
(1.2)
3
Prema konvenciji uobiajenoj u ekonomiji, varijabla, odnosno pojava koja se posmatra, oznaava se velikim slovom , a konkretne vrijednosti varijable malim slovom.
Za jedinicu mjere e se koristiti skraenica jm.
14
Ako se zavisna varijabla Y izraava eksplicitno kao funkcija vie nezavisnih varijabli piemo:
Y=F(X1, X2, ..., Xn)
(1.3)
x1
y1
x2
y2
...
...
xn
yn
Za uoavanje karakteristinih veza meu ekonomskim pojavama i detaljniju analizu koristiemo grafiki prikaz funkcije. Grafiki, funkcija jedne varijable predstavlja skup taaka u
ravni, dok funkcija vie varijabli (n varijabli) predstavlja skup taaka u n + 1 dimenzionalnom prostoru (hiperpovr).
f (x0)
x
x
x0
x0 + x
15
EKONOMETRIJSKE FUNKCIJE
do
f ( x0 + x ) .
Stepen
promjene
po
jedinici
promjene
je
y f ( x0 + x ) f ( x0 )
=
.
x
x
y
.
x
f ( x0 + x) f ( x0 )
= f ( x0 ) , kaemo da je funkcija diferencijabilna u tax
ki x0 (odnosno da ima izvod u x0 ). Izvod funkcije u x0 oznaavamo sa f ' ( x0 ) .
x 0
Piemo jo i
lim
x 0
y dy
y dy
za malo x
=
= y ' , odnosno,
x dx
x dx
(1.4)
Geometrijski gledajui, prvi izvod funkcije f u taki x0 (dakle, f ' ( x0 ) ) jednak je koeficijentu pravca tangente na krivu y = f ( x ) u taki ( x0 , f( x0 )).
Prvi izvod nam odreuje smjer promjene funkcije. Ako je f ' ( x0 ) > 0 , tu je promjena pozitivna (ako x raste onda i y raste), a ako je f ' ( x0 ) < 0 , tu je promjena negativna (s rastom x
opada y).
Granina ili marginalna ekonomska funkcija se definie kao prvi izvod ukupne funkcije i
izraava se u sljedeem obliku:
Y ' = f '( X ) =
dY
= (X )
dX
(1.5)
Ova funkcija ima svoju jedinicu mjere i izraava se u jedinicama mjere varijable Y u odnosu na jedinice mjere varijable X ( jmY / jmX ) .
Za konkretne vrijednosti varijabli X i Y izraz za graninu funkciju se moe pisati kao prvi
izvod ukupne funkcije:
y ' = f '( x) = lim
x 0
y
f ( x + x) f ( x) dy
= lim
=
= tg
0
dx
x
x
(1.6)
Dakle, ako se nezavisna varijabla X promijeni za jednu jednu jedinicu mjere u kojoj je
izraena, granina funkcija pokazuje da e se zavisna varijabla promijeniti za y' jedinica
mjere u kojima je izraena zavisna varijabla Y. Jednostavnije, moe se rei da jedinina
promjena varijable X uzrokuje promjenu zavisne varijable Y za y' jedinica.
Granina funkcija funkcije vie varijabli odreuje se kao parcijalni izvod po svakoj od
varijabli, uz pretpostavku da ostale varijable ostaju nepromijenjene:
Y F ( X 1 , X 2 ,..., X n )
=
, i = 1,..., n.
X i
X i
(1.7)
Znaenje: Ukoliko se nezavisna varijabla Xi povea za jednu svoju jedinicu mjere, a ostale
varijable ostanu nepromijenjene ( X j = 0 za j i ) , zavisna varijabla Y e se promijeniti
Y
jedinica mjere. Napomenimo da se i ovdje u tumaenju beskonano mala promjena
X i
zamjenjuje sa jedininom promjenom, to znai da e objanjenje biti preciznije to je jedinina promjena manja. U tom sluaju se greka aproksimacije smanjuje.
za
Prosjena funkcija (veliina) se dobija kada se ukupna funkcija podijeli sa nezavisnom varijablom:
Y =
Y
f (X )
=
= f (X )
X
X
(1.8)
i izraava se u jedinici mjere Y po jedinici mjere nezavisne varijable koju smo u ovom sluaju oznaili sa X ( jmY / jmX ) .
Znaenje: Prosjena funkcija pokazuje koliko u prosjeku po svakoj jedinici nezavisne varijable X dolazi jedinica zavisne varijable Y = f (X).
Za konkretnu vrijednost x varijable X i konkretnu vrijednost y varijable Y, prosjena funkcija se moe izraziti u sljedeem obliku:
y=
y f ( x)
=
= f ( x)
x
x
(1.9)
Vrijednost prosjene funkcije se na grafiku moe odrediti kao tangens ugla kojeg zaklapa
radijus vektor svake take na grafiku osnovne funkcije sa pozitivnim dijelom x ose. Na
grafikonu 2 smo pomenuti ugao oznaili sa .
17
EKONOMETRIJSKE FUNKCIJE
y=
y
= tg
x
y
f (x0) = y0
y0
0
x0
Ukoliko je radijus vektor istovremeno i tangenta na krivu y = f ( x ) , onda prosjena funkcija ima ekstrem (maksimum ili minimum).
y
C
B
xB
xC
YX i =
18
F ( X 1 , X 2 ,..., X n )
Y
=
= FX i , i = 1,..., n.
Xi
Xi
(1.10)
y ' = y ' x + y
y ' = y kada je y' x = 0, odnosno za x = 0 i/ili y ' = 0
y
za x > 0
x
(1.11)
EKONOMETRIJSKE FUNKCIJE
Taka
ekstrema
Maksimum
y = 0
y < 0
Taka
prevoja
y > 0
y = 0
Taka
prevoja
y < 0
y = 0
Rastui
prinos
Opadajui
prinos
Funkcija
ubrzano
raste
Funkcija
usporeno
raste
y > 0
y > 0
y > 0
y < 0
Funkcija
ubrzano
opada
Funkcija
usporeno
opada
y < 0
y < 0
y< 0
y > 0
Sa grafika ukupne funkcije moemo nacrtati grafik prosjene i granine funkcije, pri tome
vodei rauna da:
Kad ukupna funkcija raste, granina funkcija je vea od prosjene i obratno, kad ukupna funkcija opada, granina funkcija je manja od prosjene.
Kad ukupna funkcija ubrzano raste granina funkcija je pozitivna i raste, a kad
ukupna funkcija usporeno raste granina funkcija je pozitivna i opada.
Kad ukupna funkcija ubrzano opada granina funkcija je negativna i opada, a kad
ukupna funkcija usporeno opada granina funkcija je negativna i raste.
y f ( x)
=
= tg predstavlja tangens ugla kojeg zaklapa prava, pox
x
vuena iz koordinatnog poetka sa svakom takom na krivoj, i pozitivnim dijelom X ose.
Odavde zakljuujemo da prosjena funkcija ima vrijednost 0 u istoj taki u kojoj nulu ima i
Prosjena funkcija y =
20
osnovna funkcija, a ekstremne vrijednosti emo dobiti u takama u kojima prava tangira
grafik funkcije.
Na grafikonu 5. su prikazani grafici ukupne, granine i prosjene funkcije.
Posmatrajui uporedo ove tri funkcije mogu se analizirati sljedei odnosi:
Ukupna funkcija postie ekstremnu vrijednost kada je granina funkcija jednaka 0,
odnosno ukupna funkcija ima ekstremnu vrijednost u taki u kojoj je njen prvi izvod
jednak 0. Na grafiku je to taka C.
U intervalu ubrzanog rasta funkcije ( y ' > 0, y '' > 0) , odnosno od take 0 do take A,
granina funkcija raste, ima pozitivnu vrijednost i vea je od prosjene.
U intervalu usporenog rasta funkcije ( y ' < 0, y '' > 0) , odnosno od take A do take B,
granina funkcija opada, ima pozitivnu vrijednost i vea je od prosjene.
Maksimum
osnovne
funkcije
Maksimum
granine
funkcije
Prosjena
funkcija
B
Maksimum
prosjene
funkcije
Granina
funkcija
Minimum
granine funkcije
21
EKONOMETRIJSKE FUNKCIJE
Dodavanje fiksne vrijednosti ukupnoj funkciji ne utie na graninu funkciju. Ukupna veliina je izraena u jedinicama zavisne varijable Y, prosjena i granina veliina su izraene
jedinica mjere Y
.
u sljedeoj mjernoj jedinici:
jedinica mjere X
f(x)
y
A
yF
xA
y, y
x
xC
f(x)
x
f(x)
x
xA
xC
22
Na grafikonu 6. takoer se mogu posmatrati i analizirati odnosi ukupne, prosjene i granine funkcije. Ovo je sluaj kad je ukupna funkcija rastua i kada prosjena funkcija ima
minimum.
Na grafikonu su oznaene dvije karakterisine take xA i xC. U taki xA ukupna funkcija ima
prevoj, a granina funkcija dostie minimum. Do ove take granina funkcija f opada a
osnovna funkcija f ( x ) ima usporen rast, a nakon ove take funkcija f raste a osnovna
funkcija f (x ) ima ubrzan rast. U taki xC prosjena funkcija ima ekstrem, i to minimum. U
ovoj taki granina funkcija sijee prosjenu i ove dvije funkcije su jednake. Do take xC
prosjena funkcija opada i granina funkcija je manja od prosjene. Grafikon prosjene
funkcije se nalazi iznad grafikona granine funkcije. Poslije take xC prosjena funkcija
raste i manja je od granine funkcije. Grafik granine funkcije se nalazi iznad grafika prosjene funkcije.
Primjer 1.1.
Kroz ovaj primjer emo se prisjetiti nekih elementarnih funkcija i ponoviti njihove
osobine.
Linearna funkcija u implicitnom obliku je data sa:
ax+by+c=0 (a,b,cR),
a u eksplicitnom obliku sa:
y=kx+n (k,nR; k = -a/b)
Grafik linearne funkcije je prava.
k = -a/b
k>0
k = 0 funkcija je konstantna,
k > 0 f unkcija je rastua.
k=0
k<0
x
Grafikon 1.1. Oblici linearne funkcije
23
EKONOMETRIJSKE FUNKCIJE
a, b, c R .
a>0
D<0
Diskriminanta
a>0
D=0
a<0
D>0
4
a<0
D=0
a<0
D<0
D = b 2 4ac
a>0
D>0
6
5
Za D = 0 imamo jednu
realnu nulu parabole 3 i 4.
Za D < 0 nemamo realnih
nula parabole 2 i 5.
y = ax (a R+\{1})
Kako je y = a x 0 , to je grafik osnovne eksponencijalne funkcije uvijek iznad x ose.
y
a>1
Za 0 < a < 1 funkcija je opadajua
(usporavajui negativan prinos).
Za a > 1 funkcija je rastua
(ubrzavajui pozitivan prinos).
0<a<1
0
24
y = logax (aR+\{1})
Logaritamska funkcija je inverzna eksponencijalnoj funkciji pa je definisana samo za
pozitivne vrijednosti x, te se grafik osnovne logaritamske funkcije nalazi u I i IV kvadrantu.
y
a>1
x
0<a<1
Primjer 1.2.
x
=
2
5
x = 0 y =
Za x = 2 y 5 imamo:
2
y = 0 x = 5
x+5
2
25
EKONOMETRIJSKE FUNKCIJE
30
25
20
15
10
x = 2y-5
0
-10
-8
-6
-4
-2
-5
-10
10
y = -2x+5
-15
-20
Primjer 1.3.
Funkcija
Funkcija
Nule:
P = 200q 4q 2
je
funkcija
sa
maksimumom.
2
P = 0 200q 4q = 0 4q ( 50 q ) = 0 q1 = 0; q2 = 50;
P = 0 200 8q = 0 q = 25
Maksimum:
P ( 25 ) = 2500
26
Funkcija
Nule:
D = 5q 2 + 200q 1500
je
funkcija
sa
maksimumom
2
D = 0 5q + 200q 1500 = 0 q1 = 10; q2 = 30
D = 0 10q + 200 = 0 q = 20
Maksimum:
D ( 20 ) = 500
Presjeci C i P : C = P q1 = 10; q2 = 30
Na sljedeem grafikonu su predstavljeni grafici funkcija:
C = q 2 + 1500; P = 200q 4q 2 ; D = 5q 2 + 200q 1500
6500
4500
2500
500
-1500
10
20
30
40
50
60
70
P
-3500
-5500
-7500
P iD
Primjer 1.4.
f(x)
27
EKONOMETRIJSKE FUNKCIJE
a) nule funkcije i vrijednost funkcije za x = 0 ; b) intervale rasta i pada funkcije; c) intervale ubrzavajueg i usporavajueg rasta i pada; d) minimuma/maksimuma
prosjene funkcije; e) minimuma/maksimuma granine funkcije, a zatim na osnovu
datog grafika skicirati njegovu graninu i prosjenu funkciju
Rjeenje:
y
f(x)
x0
0
y0
x4 x1
x3
x2 x5
c) Brizna rasta, odnosno pada funkcije zavisi od njenog drugog izvoda. Ako taku
prevoja oznaimo sa x3 ( f ( x3 ) = 0 ) , onda dobijamo:
28
f ( x)
f ( x)
i x5 za min y =
x
x
( f ( x ) = 0 ) .
3
f'(x)
x4 x1
x3
x2 x5
29
EKONOMETRIJSKE FUNKCIJE
Napomena: Grafovi granine i prosjene funkcije se sijeku u onoj vrijednosti nezavisno promjenjljive x u kojoj prosjena funkcija ima stacionarnu taku (minimum,
maksimum ili prevoj), ili za x = 0 ako je 0 element definicionog podruja funkcije.
Primjer 1.5.
y (x )
60
50
40
30
20
10
0
-10
-5
10
30
10 e
x
0,2 x
y = 5 e0,2 x
15
= 10 e0,2 x
50
10
-10
-2
-50
0
12 5
Primjer 1.6.
Kubna funkcija V ( y ) = 32 y 12 y 2 + y 3 ima tri nule: y1 = 0; y2 = 4; y3 = 8 , dvije ekstremne take Max (1.63; 24.63) i Min (6.3; -24.63) i jednu prevojnu taku ( 4, 0 ) .
Kree iz - a zavrava u +.
400
24,63
-24,63
0
1,63
-400
6,3
31
EKONOMETRIJSKE FUNKCIJE
30
20
10
1,63
6, 6,3
12
-16
-20
Grafikon 1.6.a. Grafik funkcije V ;V
Primjer 1.7.
x y
. Odrediti verx+ y
tikalni presjek po x i vertikalni presjek po y, odnosno odrediti nivovske linije
funkcije z
- za x =2, x = 3, x = 4
- za y =2, y = 3, y = 4
Rjeenje:
32
x y
u I oktantu prostora 0xyz je dat na grafikonu 1.7.
x+ y
xy
x+ y
, x 0, y 0
y=2
y=3
y=4
33
EKONOMETRIJSKE FUNKCIJE
Primjer 1.8.
x y
za z = 2 ,
x+ y
z = 3, z = 4.
Rjeenje
34
ELASTINOST
1.3. Elastinost
Elastinost u ekonomiji se mjeri koeficijentom elastinosti koji se naziva i koeficijent osjetljivosti i predstavlja kvantitativni izraz meuzavisnosti izmeu ekonomskih pojava. Jedan
od osnovnih zadataka u ekonomiji je predvianje. Predvianje kretanja neke ekonomske
varijable na osnovu kretanja neke druge ekonomske varijable sa kojom je ona meuzavisna
mogue je samo na osnovu kvantitativno izraene meuzavisnosti izmeu tih varijabli.
U funkciji analize elastinosti potrebno je definisati apsolutne i relativne promjene.
35
EKONOMETRIJSKE FUNKCIJE
(1.14)
x
x
(1.15)
ry =
y
y
(1.16)
Primjer 1.9.
Prije septembarskog ispitnog roka, ispit iz statistike je poloilo 200 studenata I godine.
Nakon septembarskog roka ukupan broj studenata koji su poloili statistiku je 250.
a) Kolika je promjena broja studenata koji su poloili ispit?
b) Kolika je relativna promjena?
c) Objasnite relativnu promjenu iz b).
36
ELASTINOST
Rjeenje:
a) Promjena vrijednosti x:
x = xnovo xstaro
Promjena broja studenata je x = 250 200 = 50
b) rx relativna promjena vrijednosti x
x xnovo xstaro
=
x
xstaro
Relativna promjena iznosi: rx = 50/200 = 0,25 i tumai se u %.
rx =
c) Broj studenata koji su poloili statistiku nakon septembarskog roka je za 25% vei nego prije septembarskog ispitnog roka.
Primjer 1.10.
Broj studenata I godine koji su stekli uslov da upiu narednu godinu prije septembarskog roka bio je 160, a nakon tog roka 180.
a) Kolika je relativna promjena broja upisanih studenata?
b) Koliko je na tu promjenu uticala promjena prolaznosti iz statistike?
Rjeenje:
37
EKONOMETRIJSKE FUNKCIJE
Ey,x
y
ry
x y
y
= =
=
rx x y x
x
(1.17)
Koeficijent elastinosti se moe analizirati na luku izmeu dvije take i u jednoj taki.
Koeficijent elastinost na luku
Ey,x
y
x y
y
= =
=
rx x y x
x
ry
(1.18)
Ukoliko take na luku oznaimo sa (i) i (i+1), koeficijent elastinosti na luku ima sljedei
izraz:
Ey,x
y yi +1 yi
r
yi
x y y
y
= y =
=
= i i +1 i
rx x xi +1 xi
yi xi +1 xi
x
xi
(1.19)
38
ELASTINOST
x
100% porasta vrijednosti varijable X, varijabla Y
xi
promijenila za E y. x %.
A priori - xi je sadanja vrijednost varijable, a xi +1 = xi + x > xi budua vrijednost.
x
Ako vrijednost varijable X iz take i u taku (i+1) poraste za
100% odgovarajua
xi
y
100% . To znai da e se u prosjeku na svaki 1%
vrijednost Y e se promijeniti za
yi
x
100% porasta vrijednosti varijable X, varijabla Y promijeniti za E y . x %.
unutar
xi
Vrijednost koeficijenta elastinosti na luku ima sljedee znaenje: ako je vrijednost varix
jable X iz take i u taku (i+1) porasla za
% , odgovarajua vrijednost Y e se
xi
y
% To znai da se u prosjeku na svaki 1% porasta vrijednosti varijable X,
promijeniti za
yi
varijabla Y mijenja za Ey,x %.
Postoje i druge mjere stepena meuzavisnosti ekonomskih varijabli, kao to su koeficijent
determinacije i koeficijent korelacije. Koeficijent elastinosti je najpogodnija mjera kvantitativne meuzavisnosti dvije ili vie ekonomskih varijabli i ne zavisi od jedinice mjere
analiziranih varijabli. Koeficijent elastinosti je relativna mjera meuzavisnosti koja zbog
te osobine ima jednostavno objanjenje i ekonomsko znaenje i vrlo veliku primjenu u ekonomiji.
Navedena objanjenja koeficijenta elastinosti na luku pretpostavljaju da je luk pravolinijskog oblika i zanemaruju tok luka izmeu dvije posmatrane take. to luk vie odstupa od
pravolinijskog oblika, greka u objanjenju koeficijenta elastinosti na luku je vea. Ukoliko je luk pravolinijskog oblika, greka tumaenja e biti jednaka nuli. Greka e teiti nuli
ukoliko promjene nezavisne varijable X tee nuli X 0 .
Na sljedeim grafikonima e se ilustrovati postupak smanjenja greke koja nastaje pri mjerenju elastinosti na luku. Pitanje koje se postavlja je: Kako smanjiti ovu greku mjerenja?
39
EKONOMETRIJSKE FUNKCIJE
B
y2
y2
y1
y1
x2
x1
x1
x2
Elastinost na luku za ove dvije funkcije je jednaka jer zanemaruje tok kretanja pojave izmeu dvije posmatrane take. Greka mjerenja elastinosti na luku se smanjuje kada su
promjene varijable X manje. Greka e teiti ka nuli kada su, kao to je prethodno ve navedeno, promjene varijable X beskonano male i tee nuli, odnosno kada se na prethodnim
grafikonima take A i B poklope. U tom sluaju definie se elastinost u taki.
Elastinost u taki
x 0
x y x
y x dy x
= lim
= = y'
x
0
x y dx y
y x y
(1.20)
ELASTINOST
Ey,x =
x
y y '
y' = =
y
y
y
x
(1.21)
Savrena neelastinost
Savrena elastinost
Indiferentna elastinost
-1
Elastinost
Neelastinost
Indiferentna elastinost
Savrena
elastinost
Neelastinost
Elastinost
Koeficijent
elastinosti
EY,X = +
Elastina promjena
EY,X = 1
Neelastina promjena
EY,X =0
Neelastina promjena
EY,X = - 1
Elastina promjena
EY,X = -
41
EKONOMETRIJSKE FUNKCIJE
EYX = 0
Dokaz:
EY , X =
X ' X ' X
Y = C = 0 = 0
Y
C
C
(1.22)
EY , X =
X '
X
X
1
Y =
a b X b 1 =
a b X b = b
b
b
Y
a X
a X
X
(1.23)
EY , X =
X
X
Y =
a b X ln(b) = X ln(b)
X
Y
a b
(1.24)
E X ,Y =
Y
Y dX
1 1
1
X' =
=
=
X
X dY X dY EY , X
Y dX
(1.25)
42
ELASTINOST
Dokaz:
Y = f ( X ) EY , X =
X dY
;
Y dX
Z = g (Y ) EZ ,Y =
Z = g [ f ( X ) ] = ( X ) EZ , X =
EZ ,Y EY , X =
Y dZ
;
Z dY
X dZ
Z dX
Y dZ X dY X dZ
=
= EZ , X
Z dY Y dX Z dX
(1.26)
EY , X = EY , X 1
(1.27)
EY , X = EY , X + 1
(1.28)
EY , X
X
X Y X 2 Y ' X Y
= (Y ) ' =
Y X
Y
Y
X2
X
X '
= Y 1 = EY , X 1
Y
Za analizu elastinosti zbira, razlike, proizvoda i kolinika potrebno je definisati sljedee opte izraze:
Y = f(X)
EY , X =
X
Y
Y
Y1 = f1(X)
EY1 , X =
X '
Y1
Y1
Y2 = f2(X)
EY2 , X =
X '
Y2
Y2
(1.29)
43
EKONOMETRIJSKE FUNKCIJE
Dokaz:
EY , X =
X
X
X
'
Y =
(Y1 Y2 ) =
(Y1' Y2 + Y1 Y2' ) =
Y
Y1 Y2
Y1 Y2
X
X
X
X
Y1' Y2 +
Y1 Y2' = Y1' + Y2' = EY1 , X + EY2 , X
Y1 Y2
Y1 Y2
Y1
Y2
Y=
Y1
EY , X = EY1 , X EY2 , X
Y2
(1.30)
Dokaz:
'
EY , X
X
X Y1 X Y2 Y1' Y2 Y1 Y2' X ' X '
= Y = =
= Y1 Y2 = EY1 , X EY2 , X
2
Y1 Y2
Y
Y1
Y1
Y2
(Y2 )
Y2
Y = Y1 Y2 EY , X =
1
Y1 EY1 , X Y2 EY2 , X
Y
(1.31)
Dokaz:
X
X
X
X
Y X
Y
'
EY , X = Y = (Y1 Y2 ) = (Y1' Y2' ) = Y1' 1 Y2' 2
Y
Y
Y
Y
Y1 Y
Y2
1
Y1 EY1 , X Y2 EY2 , X
Y
varijabli
X i Y
za i = 1,..., n.
(1.32)
Y X i
Koeficijent parcijalne elastinosti pokazuje postotak promjene zavisne varijable Y koji je
rezultat poveanja nezavisne varijable Xi za 1%, uz uslov da ostale varijable ostaju nepromijenjene. Ukoliko se nezavisna varijabla Xi povea za 1%, a ostale varijable ostanu
nepromijenjene, zavisna varijabla e se promijeniti za EY , X i (%).
EY , X i =
44
(1.33)
gdje je Y zavisna promjenljiva, Xi (i = 1,..., n) su nezavisne promjenljive i parametar sluajno odstupanje. Ovaj model se naziva model viestruke regresije ili viedimenzionalni
regresioni model.
Model koji sadri zavisnu i jednu nezavisnu promjenljivu naziva se model jednostavne regresije ili jednodimenzionalni regresioni model. Model jednostavne regresije ima sljedei
oblik:
Y = f (X ) +
(1.34)
Zadatak regresione analize je istraivanje analitikog oblika veze izmeu pojava kojem se
najvie pribliavaju promjene analiziranih pojava. Zadatak korelacione analize je utvrivanje stepena i smjera povezanosti pojava.
EKONOMETRIJSKE FUNKCIJE
yi = + xi + i , i = 1,2,...,n.
(1.35)
(1.36)
Oznaimo sa
yi = a + bxi
(1.37)
funkcionalni dio modela gdje su a i b ocijenjeni parametri. Podaci su dati kao n posmatranih parova (xi, yi), a yi predstavlja ocijenjene vrijednosti Y na osnovu posmatranih
vrijednosti xi od X. Na osnovu izraza (1.36.) i (1.37) moe se napisati relacija:
yi = yi + ei
(1.38)
iz koje se izraava sluajno ili rezidualno odstupanje ei kao razlika izmeu posmatranih i
ocijenjenih vrijednosti varijable Y:
ei = yi yi
(1.39)
ei = yi a bxi
Rezidualno odstupanje je predstavljeno na sljedeem grafikonu:
y i = a + bxi
yi
ei = y i y i
y i
xi
Grafikon 8. Rezidualna odstupanja
46
Cilj je primijeniti metod za ocjenu parametara regresionog modela koji e minimizirati rezidualna odstupanja. Pitanje koje se postavlja je izbor kriterija koji e obezbijediti
minimizaciju sluajnih odstupanja.
Kriterij koji omoguava izbor najbolje regresione prave je minimiziranje zbira kvadrata
rezidualnih odstupanja:
minimum
2
i
i =1
(1.40)
Na ovom kriteriju je baziran metod najmanjih kvadrata. Minimiziranje zbira kvadrata rezidualnih odstupanja:
n
i =1
i =1
i =1
ei2 = ( yi yi )2 = ( yi a bxi )2
(1.41)
je mogue uz potrebne uslove koji zahtijevaju da parcijalni izvodi ovog zbira po parametrima a i b budu jednaki nuli:
n
ei2
i =1
= 2 ( yi a bxi )(1) = 0
i =1
ei2
i =1
= 2 ( yi a bxi )( xi ) = 0
i =1
i =1
i =1
yi = na + b xi
n
i =1
i =1
i =1
xi yi = a xi + b xi2
Rjeavanjem ovog sistema normalnih jednaina dobijaju se izrazi za ocjenu parametara a i b:
n
a=
yi
i =1
a = y bx
x
i =1
(1.42)
(1.43)
47
EKONOMETRIJSKE FUNKCIJE
i =1
i =1
i =1
xi yi = ( y bx ) xi + b xi2
n
i =1
i =1
i =1
i =1
xi yii = y xi bx xi + b xi2
n
x y
i =1
ii
n
n
n
y xi = b xi2 x xi
i =1
i =1
i =1
b=
xi yi y xi
i =1
n
i =1
n
x xi
2
i
i =1
(1.44)
i =1
b=
x y n x y
i
i =1
x
i =1
2
i
nx 2
odnosno,
1 n
xi yi x y
n i =1
b=
1 n 2
xi x 2
n i =1
(1.45)
(1.46)
je sastavljen iz dva dijela. Prvi dio modela + xi predstavlja funkcionalnu vezu pri kojoj
je Y linearno zavisna od X ako su drugi faktori konstantni. Drugi, stohastiki dio modela
( i ) predstavlja sluajne varijacije, kojima se uzima u obzir djelovanje promjena drugih varijabli koje nisu eksplicitno ukljuene u model. Pod uslovom da specifikacija modela odgovara
ekonomskoj relaciji u stvarnosti, i da bismo probleme mjerenja ekonomskih relacija preveli u
probleme statistikog ocjenjivanja parametara rasporeda vjerovatnoe, neophodno je navesti
pretpostavke o osobinama stohastinosti linearnog regresionog modela:
48
4. i : N ( 0, 2 ) ,
(normalnost)
5. E ( i , X j ) = 0 ,
Da bi se ocijenila statistika pouzadanost ocijenjenog modela potrebno je izraunati standardnu greku regresionog modela prema formuli:
n
y =
( y y )
i =1
y
y
Ocjena parametara jednostruke i viestruke ili multiple linearne regresije se moe izvriti
primjenom Microsoft Excela. Objasniemo kako se primjenom Microsoft Excela ocjenjuju
parametri modela linearne regresije. Faze u primjeni su sljedee:
1. U izborniku Excela odabire se opcija Tools
Pored navedenih, postoje i drugi pokazatelji kvaliteta pouzdanosti ocijenjenih parametara. Detaljnija analiza ovih pokazatela je predstavljena u Somun - Kapetanov, R. (2008), str.111-145.
49
EKONOMETRIJSKE FUNKCIJE
50
36
32
30
28
24
17
13
12
10
p (KM/kom.) 400 600 700 800 1000 1300 1500 1800 2000
EKONOMETRIJSKE FUNKCIJE
Postoji i drugi nain ocjene parametara regresionog modela koji se moe primijeniti u
Excelu. Postupak je sljedei:
Nacrtati dijagram rasipanja (XY Scatter).
U traci izbornika e se umjesto izbornika Data pojaviti izbornik Chart. Kliknuti na izbornik
Chart i odabrati opciju Add Trendline.
53
EKONOMETRIJSKE FUNKCIJE
U opciji Add Trendline odabire se tip grafika Type i otvara komanda Options na kojoj se
oznaavaju dvije opcije: Display equation on chart da bismo dobili jednainu regresionog
modela i opcija Display R-squared value on chart kako bi se dobila vrijednost koeficijenta
determinacije.
54
Kao to je vidljivo na gornjoj slici, dobijena je jednaina tranje kao u prethodnom sluaju:
q = 41,551-0,017p.
55
Tranja nekog dobra predstavlja koliinu tog dobra7 koja se moe prodati na odreenom
tritu u odreeno vrijeme. Tranja za nekim dobrom zavisi od velikog broja faktora. Najznaajniji faktori od kojih zavisi tranja za nekim dobrom su: cijena tog dobra, cijene
ostalih dobara, prvenstveno komplemenata i supstituta, dohodak potroaa, vrijeme, broj
potroaa, ukus i preferencije potroaa i niz drugih faktora koji posredno ili neposredno
mogu uticati na tranju. Ako se navedeni faktori posmatraju kao promjenljive veliine, tranja za nekim dobrom se izraava kao funkcija vie promjenljivih u sljedeem obliku:
q = F ( p, p1 , p2 ,..., pk , d , t , r )
(1.47)
gdje su:
Izraz (1.47) predstavlja opti oblik funkcije tranje, odnosno tranju u irem smislu. Istraivanje, ekonometrijska ocjena i analiza funkcije tranje preko relacije (1.47) je sloen zadatak.
Svi faktori od kojih zavisi tranja za nekim dobrom ne mogu se izmjeriti i na adekvatan nain
kvantificirati. Stoga se analiza pojednostavljuje smanjivanjem broja faktora koji se ukljuuju
kao nezavisne varijable. Tranja se analizira kao funkcija odreenog broja faktora koji imaju
dominantan uticaj pretpostavljajui konstantnost ostalih faktora.
Na tranju za nekim dobrom najvei uticaj ima cijena tog dobra. Polazei od te injenice, tranja se moe definisati u uem smislu kao funkcija cijene posmatranog dobra, uz pretpostavku
da su ostali faktori od kojih zavisi tranja konstantni i napisati u sljedeem obliku:
q = f ( p), odnosno q = q ( p )
7
56
(1.48)
FUNKCIJA TRANJE
gdje je:
q tranja za nekim odreenim dobrom,
p cijena tog dobra.
Odnos izmeu koliine tranje za nekim dobrom i cijene tog dobra dat relacijom (1.48)
naziva se Cournot-ov zakon tranje. Definisanje relacije (1.48), pored polazne pretpostavke
o funkcionalnom odnosu tranje i cijene, uz konstantnost ostalih faktora, implicira i pretpostavke trita potpune konkurencije. Te pretpostavke su:
a) Homogenost dobara ili identinost dobara koja ih ini meusobno savrenim supstitutima.
b) Prisustvo velikog broja kupaca i prodavaca od kojih ni jedan pojedinano svojom tranjom i ponudom nije u stanju da promijeni nivo cijene. Cijena se javlja kao
nezavisna promjenljiva u odnosu na svakog uesnika. Postoji, dakle, objektivno data
cijena po kojoj se vri promet dobara i koja se mijenja kao posljedica aktivnosti svih
prodavaca i kupaca tog dobra.
c) Svi kupci i prodavci su potupno informisani o stanju na tritu.
d) Svi kupci i prodavci slobodno stupaju u kupoprodajne odnose i mogu kada eli ui na
trite i izai sa trita.
Da bi relacija (1.48) predstavljala funkciju tranje, moraju biti ispunjeni sljedei uslovi:
1. Nenegativnost8 zavisne i nezavisne varijable: q 0, p 0 . Oblast definisanosti funkcije tranje se nalazi u intervalu:
0 p p+
q+ q 0
gdje p+ oznaava maximalnu cijenu do koje postoji tranja na tritu, a q+ oznaava
nivo zasienja, odnosno nivo tranje kad bi cijena bila 0.
Termin nenegativnost se uzima jer se pri matematskoj analizi ovih funkcija uzima da je q 0 i p 0 iako
cijena p=0 nema ekonomski smisao.
Jurin, S., ohinger, J., (1990), str. 47-48.
57
EKONOMETRIJSKE FUNKCIJE
q2
0
p1
p2
p+
p = p(q )
(1.49)
kojim se cijena p izraava kao funkcija koliine tranje q . Inverzni oblik funkcije tranje
(1.49) odreuje se rjeavanjem relacije (1.48) po cijeni p.
Inverzna funkcija tranje, kao i direktni zakon tranje, treba da zadovolji sljedee uslove:
1. Nenegativnost zavisne i nezavisne varijable, tj. inverzna funkcija tranje p i koliina
q treba da budu nenegativne: q 0, p 0 . Oblast definisanosti funkcije tranje se
nalazi u intervalu:
0 p p+
q+ q 0
58
FUNKCIJA TRANJE
Individualna funkcija tranje je funkcija tranje pojedinanog potroaa za odreenim dobrom. Ovaj oblik funkcije tranje predstavlja odnos izmeu cijene dobra i koliine tranje za
tim dobrom koju iskazuje potroa tog dobra na tritu. Individualna funkcija tranje se
moe posmatrati u irem i uem smislu. Za oznaavanje individualne funkcije tranje koristit emo simbol x.
U irem smislu, to je funkcija veeg broja faktora koji mogu uticati na individualnu tranju:
x = F ( p, p1 , p 2 ,..., p k , d , t , r )
(1.50)
gdje su:
Individualna funkcija tranje za nekim dobrom u uem smislu se definie kao funkcija cijene tog dobra:
x = x ( p)
(1.51)
gdje je:
x individualna tranja za nekim odreenim dobrom,
p cijena tog dobra.
Individualna funkcije tranje mora zadovoljiti, kao i agregatna funkcija, sljedee osobine da
bi mogla biti funkcija tranje:
1. Nenegativnost zavisne i nezavisne varijable, odnosno nenegativnost tranje i cijene:
x 0, p 0 . Oblast definisanosti funkcije tranje se nalazi u intervalu:
0 p p+
x+ x 0
2. Zakon normalnosti tranje kojim se izraava osobina da je tranja opadajua funkcija cijene. Matematski, prvi izvod funkcije tranje ima negativnu vrijednost:
x =
dx
= f ( p ) < 0.
dp
59
EKONOMETRIJSKE FUNKCIJE
q( p ) = xi ( p);
i
p D xi .
(1.52)
Zapis p Dxi znai da na tritu postoji tranja sve dok je barem jedan potroa sprei
man da kupi predmetno dobro. Prema tome, maksimalna cijena do koje postoji agregatna
tranja je p + = max( pi+ ) , a nivo agregatnog trinog zasienja je q + = xi+ ;
i
U sljedeem optem sluaju emo ilustrovati kako na osnovu dvije individualne funkcije
tranje odreujemo agregatnu funkciju tranje.
Neka su poznate funkcije individualnih tranji dva proizvoaa: x1 = x1 ( p), x2 = x2 ( p) .
Pretpostavimo da su u pitanju linearne funkcije i da je funkcija individualne tranje
x1 = x1 ( p) definisana za p(0, p1+); x1(0, x1+) i funkcija individualne tranje x2 = x2 ( p)
definisana za p(0, p2+); x2(0, x2+).
Bez ogranienja optosti, moemo uzeti da je granina cijena p2+ vea ili jednaka od granine cijene p1+ ( p2+ p1+ ) i da je nivo zasienja x2+ vei ili jednak od nivoa zasienja
x1+ ( x2+ x1+ ) . Na grafikonu 10 je dat prikaz ovih funkcija individualnih tranji.
x(p)
x2+
x1+
x1
p1+
x2
p2+
60
FUNKCIJA TRANJE
x1 + x2 za p 0, p1+
.
q( p) =
+
+
x2 za p ( p1 , p2
Nivo zasienja q + = x1+ + x2+ , a granina cijena p+ = p2+ (p2+ > p1+). Grafiki prikaz agregatne tranje, te individualnih tranji i agregatne tranje zajedno dat je na grafikonima 11 i 12.
q(p)
x(p), q(p)
q+= x1++x2+
q+ = x1+ + x2+
x1+x2
x1+x2
x2 x1
x1 +
x2
p1+
x2
x1
p2+=p+ p
p1+
p2+= p+
61
EKONOMETRIJSKE FUNKCIJE
Funkcija tranje kojom se odreuje zavisnost tranje nekog dobra od cijene tog dobra moe
imati razliite analitike oblike. Najei analitiki oblici koji se mogu koristiti za ocjenu
funkcije tranje su sljedei:10
1. q = a bp
2. q = a bp 2
3. q = (a bp) 2
b
4. q = a +
p
a
b;
5. q =
p+c
6. q = ae bp
7. q = ap b + c
8. q = bp a + c
9. q = a p 2 b p + c
10. q = p a e b ( p + c )
Uslovi koje svaka od navedenih funkcija treba zadovoljiti da bi bila funkcija tranje su:
a > 0; b > 0; c > 0 . Za sve navedene direktne zakone tranje mogu se formulisati inverzni
zakoni tranje.11
Lista predstavljenih analitikih oblika funkcije tranje nije egzostivna i u empirijskim analizama se mogu ocijeniti i drugi oblici funkcije tranje u zavisnosti od prikupljenih
empirijskih podataka.
Za funkciju tranje se moe definisati vie koeficijenata elastinosti. Definisae se i analizirati koeficijent elastinosti tranje na luku, zatim koeficijent elastinosti tranje u taki kao
i dva koeficijenta parcijalne elastinosti tranje: koeficijent elastinosti tranje posmatranog
10
11
U analizi funkcije tranje, i kasnije funkcija prihoda i dobiti, koristiemo osobinu neprekidnosti funkcija
+
tranji i pretpostavku da je q ( p ) = 0 . Ovaj uslov ne umanjuje optost analize, ali olakava matematiku interpretaciju i razumijevanje osobina navedenih ekonometrijskih funkcija. Navedeni analitiki oblici i
+
uslovi postavljeni za parametre zadovoljavaju osobinu q ( p ) = 0 ,
Vidjeti u : Vukovi, ., (2004), str. 59-60.
62
FUNKCIJA TRANJE
dobra u odnosu na dobro k, odnosno koeficijent unakrsne elastinosti i koeficijent dohodovne elastinosti tranje.
Koeficijent elastinosti tranje u prekidnom sluaju se definie polazei od opteg
izraza za koeficijent elastinosti u prekidnom sluaju:
Eq , p
q
r
p q
q
= q =
=
rp p q p
p
(1.53)
p q p
q p dq p
= lim
=
= q
p 0 q p
q p 0 p q dp q
lim Eq , p = lim
p 0
(1.54)
Eq,p
Elastinost
p=0
Eq,p =0
0 < p < p1
Neelastina tranja
p = p1
Eq,p = - 1
p1 < p < p+
Elastina tranja
p = p+
Eq,p = -
pri emu se cijena p+, za koju je q (p+) = 0, i cijena p1, za koju je Eq, p1 = -1, odreuje u
svakom konkretnom primjeru.
Polazei od izraza (1.47) za agregatnu tranju u irem smislu moe se pomou koeficijenta
parcijalne elastinosti utvrditi relativna promjena tranje koja je uslovljena relativnom
promjenom bilo koje nezavisne promjenljive. Koeficijent parcijalne elastinosti tranje
moe se utvrditi u odnosu na cijenu tog dobra, cijene ostalih dobara, dohodak potroaa i
ostale faktore.
63
EKONOMETRIJSKE FUNKCIJE
Polazei od izraza za agregatnu funkciju tranje (1.47) moe se pomou koeficijenta parcijalne elastinosti utvrditi relativna promjena tranje koja je uslovljena relativnom
promjenom bilo koje nezavisne promjenljive. Koeficijenti parcijalne elastinosti tranje se
mogu utvrditi u odnosu na cijenu tog dobra, cijene ostalih dobara, dohodak potroaa i ostale faktore.
Koeficijent parcijalne elastinosti tranje u odnosu na cijene ostalih dobara koje utiu
na tranju za posmatranim dobrom se definie u obliku sljedeih izraza u prekidnom i neprekidnom obliku i naziva i koeficijent unakrsne elastinosti tranje:
pk
q
p
= k
q
Eq , pk =
Eq , pk
q
pk
q
pk
(1.55)
(1.56)
Koeficijent parcijalne elastinosti tranje u odnosu na cijenu nekog drugog dobra, ili koeficijent unakrsne elastinosti, ukazuje na odnos posmatranog dobra i nekog drugog dobra k i
moe se predstaviti u sljedeoj tabeli:
Tabela 3. Koeficijent parcijalne elastinosti tranje
Koeficijent parcijalne
elastinosti tranje
Eq , pk > 0
Supstitutski
Eq , pk = 0
Nezavisan
Eq , pk < 0
Komplementaran
Koeficijent parcijalne elastinosti tranje u odnosu na dohodak potroaa se naziva koeficijent dohodovne elastinosti tranje i definie sljedeim izrazima, u zavisnosti od toga da li
se izraunava na luku izmeu dvije take ili u taki:
64
d q
q d
d q
=
q d
Eq ,d =
(1.57)
Eq , d
(1.58)
FUNKCIJA TRANJE
E p ,q =
q
p 0
p
(1.59)
Znaenje koeficijenta fleksibilnosti cijene u odnosu na tranju je sljedee: Ukoliko se tranja sa datog nivoa povea za 1%, tada e se cijena za datim proizvodom smanjiti za 1%.
Tabelarna i grafika analiza se vre na isti nain kao za koeficijent elestinosti tranje u
odnosu na cijenu.
U sljedeoj tabeli je prezentovan pregled intervala fleksibilnosti cijene u odnosu na tranju.
Tabela 4. Koeficijent elastinosti inverznog zakona tranje
Ep,q
Elastinost
q=0
Ep,q =0
Savrena neelastinost
0 < q < q1
Neelastinost
q = q1
Ep,q = - 1
Jedinina elastinost
q0 < q < q+
Elastinost
q = q+
Ep,q = -
Savrena elastinost
pri emu se nivo zasienja q+,za koji vrijedi q (0) = q+, i nivo q1, za koju je E p ,q1 = 1 odreuje u svakom konkretnom primjeru.
Koeficijent elastinosti individualne funkcije tranje u uem i irem smislu se moe
odrediti i analizirati na isti nain kao koeficijenti elastinosti agregatne tranje. U izraze za
izraunavanje koeficijenata elastinosti treba uvrstiti odgovarajue simbole za individualnu
tranju, odrediti ih i analizirati na analogan nain kao koeficijente agregatne tranje.
Primjer 1.11.
65
EKONOMETRIJSKE FUNKCIJE
2) q( p) =
7
1
p +1
3) q ( p ) = 100 4 p 2
2
4) q ( p ) = p 8 p + 15 .
1)
q( p) = 9 2 p
p0
q( p ) = 9 2 p 0 p 4,5 p [ 0, 4.5]
q( p) = 2 < 0
9
8
7
6
5
4
3
2
1
0
q( p)
4,5
66
FUNKCIJA TRANJE
2) q ( p ) =
6 p
;
p +1
p0
6 p
q( p) =
0 6 p 0 p 6 p [ 0, 6] ( p + = 6 q + = 6 ) q [ 0, 6] ;
p +1
7
q( p) =
0
<
( p + 1) 2
Funkcija q( p ) =
7
1 je hiperbolina funkcija. Njene asimptote su:
p +1
Ograniili smo je u oblasti definisanosti funkcije tranje p(0, 6), q(0, 6) pa je njen
grafik oblika:
q(p)
6
5
4
3
2
1
-1 0
3)
7
1
p +1
q ( p ) = 100 4 p 2
67
EKONOMETRIJSKE FUNKCIJE
p0
8 p
4 p
q( p ) =
=
< 0 ( p )
2 100 4 p 2
100 4 p 2
Funkcija q ( p ) = 100 4 p 2 je korjena funkcija koju smo ograniili u oblasti definisanosti tranje za p [0,5] .
4) q( p ) = p 2 8 p + 15
p 0;
2
q ( p ) = p 8 p + 15 0 ( p 3)( p 5) 0 p ( ,3] [5, + )
;
q( p ) = 2 p 8 < 0 p < 4
p [ 0, + ) {( ,3] [5, + )} ( , 4 )
68
FUNKCIJA TRANJE
20
q (p )
15
10
p
0
-1
-5
p
q ( p) < 0
q
p
2 p
(2) =
< 0 ; definisana za p [0, 4.5)
92p
92p
Eq , p = 0 za p = 0;
p = 4,5 vertikalna asimptota
( Eq , p ) =
18
< 0 opadajua funkcija
(9 2 p ) 2
Eq , p = 1
2 p
= 1 2 p = 9 2 p 4 p = 9 p = 2, 25
92p
69
EKONOMETRIJSKE FUNKCIJE
Eq , p
Tip
elastinosti
p=0
Eq , p = 0
Savrena
neelastinost
0 > Eq , p > -1
Neelastinost
p = 2,25
Eq , p = -1
Jedinina
elastinost
Eq , p < -1
Elastinost
p = 4,5
Eq , p = -
Savrena
elastinost
Eq,p
0
2,25
4,5
-1
p
7
7 p
=
< 0 definisana za p[0, 6)
2
6 p ( p + 1)
(6 p)( p + 1)
p +1
Eq , p = 0 za p = 0
2) Eq , p =
p = 6 vertikalna asimptota
14( p 2 + 3)
( Eq , p ) =
< 0 opadajua funkcija
2
[ (6 p)( p + 1)]
Eq , p = 1 p 2 + 2 p 6 = 0 p1,2 = 1 7; p = 1 7 (0, 6); p = 1 + 7 1, 65
Eq , p
Tip
elastinosti
p=0
Eq , p = 0
Savrena
neelastinost
p = 1,65
Eq , p = -1
Jedinina
elastinost
Eq , p < -1
Elastinost
p=6
Eq , p = -
Savrena
elastinost
Eq, p
0
1,65
70
7
1
p +1
FUNKCIJA TRANJE
3)
Eq , p
4 p 2
=
=
< 0 definisana za p[0, 5)
2
100 4 p 2 100 4 p 2 100 4 p
p
4 p
Eq , p = 0 za p = 0
p = 5 vertikalna asimptota
( Eq , p ) =
800 p
< 0 opadajua funkcija
(100 4 p 2 ) 2
Tip
elastinosti
p=0
Eq , p = 0
Savrena
neelastinost
0 > Eq , p > -1
Neelastinost
p = 3,53
Eq , p = -1
Jedinina
elastinost
Eq , p <-1
Elastinost
p=5
Eq , p = -
Savrena
elastinost
Eq, p
0
-1
3,53
4)
Eq , p =
p
2 p2 8 p
p
(2
8)
=
< 0 definisana za p[0,3)
p 2 8 p + 15
p 2 8 p + 15
Eq , p = 0 za p = 0
p = 3 vertikalna asimptota
( Eq , p ) =
4(2 p 2 + 15 p 30)
< 0 opadajua funkcija
( p 2 8 p + 15) 2
71
EKONOMETRIJSKE FUNKCIJE
Eq , p = 1 3 p 2 16 p + 15 = 0 p1,2 =
p=
16 76
;
6
16 + 76
16 76
(0,3); p =
1, 2
6
6
Eq , p
Tip
elastinosti
p=0
Eq , p = 0
Savrena
neelastinost
p = 1,2
Eq , p = -1
Jedinina
elastinost
Eq , p < -1
Elastinost
p=3
Eq , p = -
Savrena
elastinost
Eq, p
0
1,2
-1
q ( p ) = p 2 8 p + 15
Primjer 1.12.
Pri skiciranju grafika inverznih zakona tranje, iskoristit emo ve nacrtane grafike u
prethodnom primjeru i injenicu da su grafici inverznih funkcija simetrini u odnosu
na simetrali I i III kvadranta, tj. u odnosu na pravu q = p.
1. q( p ) = 9 2 p 2 p = 9 q p = p (q ) =
9q
2
1
< 0.
2
FUNKCIJA TRANJE
p
4,5
p(q) =
9q
2
6 p
6q
q( p + 1) = 6 p qp + p = 6 q p(q) =
p +1
q +1
Inverzna tranja je definisana za p[0,6]; q[0, 6].
2) q( p ) =
1
100 q 2 .
2
p
6
5
4
3
2
1
0
10
p(q) =
1
100 q 2
2
73
EKONOMETRIJSKE FUNKCIJE
4)
q( p) = p2 8 p + 15 p2 8 p + 15 q = 0 p1,2 =
8 64 4(15 p)
p1,2 = 4 1 + q
2
Zbog uslova p(q) < 0 funkcija p = 4 + 1 + q ne moe biti funkcija tranje jer vrijedi:
p(q ) =
1
>0.
2 1+ q
Odavde zakljuujemo da je funkcija p (q ) = 4 1 + q funkcija inverznog zakona tranje i ona je definisana za p[0, 3], q[0, 15].
9
8
7
6
5
4
3
2
1
0
-5
10
15
20
q
1
p(q ) =
<0
p(q)
Eq , p
5
5 1
5
p(5) = =
ili izraunamo 5 = 9 2p p = 2;
2 2
4
p (5)
2
4
5
= (2) = E p , q =5 = .
5
5
4
E p , q =5 =
Eq , p = 2
74
FUNKCIJA TRANJE
5
5 7 35
p(5) =
=
0,97 .
1
36 36
p(5)
6
1
0,167
6
1
5
2,5 3
1
75 =
3 4,33 Eq , p =
(2) = 3 E p , q =
0,58 .
2
2
5
3
5
5
1
p(5) =
0, 66 .
p(5)
4 6 2 6
Primjer 1.13.
Rjeenje:
a) Definiciono podruje funkcije individualne tranje je p > 0 x 0 x 0 . Odavde su definiciona podruja individualnih tranji data na grafikonu 1.13. i algebarski
odreena sa:
x1 = 4 0,5 p 0 p 8 p [ 0,8] ; x1 [ 0, 4] x1 = 0,5 < 0 .
75
EKONOMETRIJSKE FUNKCIJE
x2
x1
x3
6
5
4
p
0
p
0
x1+ x2 + x3 x1+ x2
0
x1
x1 + x2 + x3 za p (0, 4) 15 3 p
q( p ) = x1 + x2
za p [ 4,5 ) = 9 1,5 p
x
4 0,5 p
za p [5,8 )
1
za
za
za
p [ 0, 4 )
p [ 4,5 ) .
p [5,8]
76
FUNKCIJA TRANJE
q(p)
15
3
1,5
0
p
(3) = 1 3 p = 15 3 p 6 p = 15 p = 2,5 [ 0, 4 ) .
15 3 p
p
(1,5) = 1 1,5 p = 9 1,5 p 3 p = 9 p = 3 [ 4,5 ) .
9 1,5 p
p
(0,5) = 1 0,5 p = 4 0,5 p p = 4 [5,8] .
4 0,5 p
Ako cijenu sa nivoa p = 2,5 poveamo 1%, tranja e se sa nivoa q(2,5) = 7,5 takoer
smanjiti za 1%.
6
d) Za p = 6[5, 8], q(p) = 4 0,5p = 1, pa je Eq , p =6 = (0,5) = 3 .
1
Ako se cijena sa nivoa p = 6 povea za 1%, tranja e se sa nivoa q = 1 smanjiti za
3%.
77
EKONOMETRIJSKE FUNKCIJE
Primjer 1.14.
Prodate koliine friidera Super (q) i cijene po jedinici proizvoda (p) date su u tabeli:
Q (kom.)
36
32
30
28
24
17
13
12
10
P (KM/kom.)
400
600
700
800
1000
1300
1500
1800
2000
a) Metodom najmanjih kvadrata odrediti linearnu funkciju tranje koja najbolje aproksimira dati skup podataka,
b) Predvidjeti kolika bi bila potraivana koliina friidera za cijenu p = 2200,
c) Odrediti koliki bi bio koeficijent elastinosti tranje za cijenu p = 700 i objasniti
dobijeni rezultat,
d) Odrediti fleksibilnost cijene za nivo q = 15 kom.
Rjeenje:
a) Trai se linearna funkcija q ( p ) = ap + b , odnosno treba ocijeniti metodom najmanjih kvadrata koeficijente a i b koji omoguavaju da odstupanje ocijenjenih
vrijednosti tranje [ q(p) = ap + b ] od vrijednosti datih u tabeli budu minimalna.
qi
36
32
30
28
24
17
13
12
10
202
pi qi
14400
19200
21000
22400
24000
22100
19500
21600
20000
184200
pi2
160000
360000
490000
640000
1000000
1690000
2250000
3240000
4000000
13830000
q = a p + b n
q p = a p + b p
i
(i = 1,29 = n).
FUNKCIJA TRANJE
y = -0.017x + 41.551
R2 = 0.9668
35
30
25
20
15
10
5
0
0
500
1000
1500
2000
2500
700
700
(0, 017) =
(0, 017) = 0, 4 .
29, 65
q(700)
Ako se cijena sa nivoa p = 700 nj povea za 1%, tranja e se smanjiti za priblino 0,4%.
p q 700 2
Ili Eq , p =
=
0, 46 .
q p 30 100
d) Za q = 15 kom., p 1562,
1562
1
Eq , p =1562 =
(0, 017) 1, 77 E p ,q =15 =
0,56 .
15
1, 77
Ako se tranja sa nivoa q = 15 kom. povea za 1%, cijena e se smanjiti za priblino
0,56%.
79
Ako je cijena p nekog dobra na tritu konstantna, ukupan prihod e biti funkcija prodate
koliine, tj. funkcija tranje.
P = p y
(1.60)
p = const. P = P( y )
Kod determinisane trine cijene p=const.>0, prodata koliina ne moe biti vea od odgovarajue agregatne tranje q niti od ponuene koliine y na tritu. Zbog toga izmeu
tranje q na tritu i ponuene koliine y mogu nastupiti sljedei odnosi:
0 y < q, 0 y = q, y > q 0
U zavisnosti od odnosa y i q ukupan prihod kod konstantne, odnosno determinisane cijene
moe se napisati na sljedei nain:
p y 0 y q
(1.61)
P=
pq y > q 0
Funkcija ukupnog prihoda P za konstantnu cijenu je predstavljena na sljedeem grafikonu:
80
FUNKCIJA PRIHODA
Za ponuenu koliinu y koja je manja od maksimalne tranje na tritu pri konstantnoj cijeni p, prihod je jednak proizvodu izmeu te cijene p i koliine y. Za ponuenu koliinu y,
koja je vea od trine tranje q, ukupan prihod je jednak proizvodu izmeu konstantne
cijene i tranje na tritu koja je realizovana, dakle P = p q .
Poto je cijena p konstantna sa rastom realizovane koliine y raste i ukupan prihod P, pa
slijedi da je ukupan prihod maksimalan kada realizovana koliina y dostigne maksimalnu
koliinu tranje: (max) P = p (max y ) = p q.
Granini prihod kod determinisane cijene se moe napisati sljedeim izrazima, u zavisnosti od odnosa y koji predstavlja koliinu koja se nudi na tritu i maksimalne tranje q
koja se moe realizovati na tritu pri cijeni p.
p = const > 0 za 0 y q
, P" ( y ) = 0
P' ( y) =
0 za y > q 0
(1.62)
P'
p
0
Grafiki prikaz funkcije graninog prihoda pokazuje, kao i izvedeni izrazi za granini prihod, da je granini prihod jednak konstantoj cijeni p do iznosa koliine tranje realizovane
na tritu. Za ponuene koliine koje su vee od tranje na tritu prihod je jednak nuli.
Ako je tranja na tritu dovoljno velika da se moe realizovati sva ponuena koliina, tj.
y q , tada je funkcija graninog prihoda jednaka cijeni koja je konstantna.
Pq' =
dP
= p = const > 0
dq
(1.63)
81
EKONOMETRIJSKE FUNKCIJE
Funkcija prosjenog prihoda kod detereminisane cijene se moe napisati u sljedeem obliku:
p y
za 0 y q
y = p>0
P=
pq
za y > q 0
y
(1.64)
i predstaviti na grafikonu.
Ako je tranja na tritu dovoljno velika da se moe realizovati sva ponuena koliina, tj.
y q , tada je funkcija prosjenog prihoda takoer jednaka konstantnoj cijeni.
P=
P pq
=
= p = const > 0
q
q
(1.65)
p y 0 y q
P( y) =
pq y > q 0
elastinost prihoda je definisana sljedeim izrazom
EP , y =
82
y
P'
P
(1.66)
FUNKCIJA PRIHODA
P , y = 1% = const
za 0 y q
P , y = 0% = const za y > q 0
Zaista, EP , y
y
p y p =1
y
= P' =
P
y ( p q ) = 0
p q
0 yq
y > q 0.
,y
Kada je cijena na tritu varijabilna, odgovarajua funkcija prihoda nema konstantan pravac
pa samim tim ova funkcija nema isti grafik kao funkcija prihoda sa konstantnom trinom
cijenom.. Odredimo oblik funkcije prihoda kod se cijena mijenja po nekom zakonu tranje:
Neka je q = q ( p) funkcija tranje za predmetnim dobrom na odreenom tritu. Pretpostavimo da za razliite cijene p1 , p2 , p3 ,..., pn vrijedi sljedei odnos:
0 < p1 < p2 < p3 < ... < pn < p + .
83
EKONOMETRIJSKE FUNKCIJE
Neka su q1 , q2 , q3 ,..., qn maksimalne tranje kod posmatranih cijena, respektivno. Zbog zakona normalnosti tranje vrijedi odnos q1 > q2 > q3 > ... > qn .
q(p)
q1
q2
q3
.
.
.
qn
p1
p2
p3
. . .
pn
p+
p1 q1
pn qn
p1
p2
p3
. . . pn
p+
84
FUNKCIJA PRIHODA
Varijabilna trina cijena prati zakon agregatne tranje izraen kao direktni q = q ( p ) ili kao
inverzni zakon p = p (q ) pa se funkcija ukupnog prihoda kod varijabilne cijene moe
izraziti kao funkcija cijene p ili kao funkcija koliine q.
Napomenimo da je funkcija agregatnog prihoda definisana samo za one vrijednosti nezavisno promjenjljive (p ili q) za koje je definisana tranja.
Polazei od direktnog zakona agregatne tranje q=f(p), odnosno q = q(p) dobijamo funkciju prihoda kao funkciju cijene:
P = p q = p f ( p ) = p q( p) = Pp = P( p)
za
0 p p+
(1.67)
za
0 q q + (1.68)
p = 0 ili q = q( p) = 0 odosno p = p +
P = p q = 0 za
+
q = 0 ili p = p(q) = 0 odosno q = q
Maksimalni agregatni prihod se ostvaruje za tranju qmax = qP ako su zadovoljeni sljedei
uslovi:
P + = max P(qP )
p
P = P ( qP ) = 0
'
'
za 0 qP q + i
p+ p P 0
P "(qP ) < 0
P ' = P ' ( pP ) = 0
za 0 pP p + i
q + q( p) 0
P "(qP ) < 0
Funkcija graninog prihoda se izvodi iz funkcije ukupnog prihoda. Funkcija graninog prihoda je jednaka prvom izvodu funkcije ukupnog prihoda.
12
85
EKONOMETRIJSKE FUNKCIJE
Granini prihod kao funkcija cijene Pp' se izraava u novanoj jedinici prihoda po novnoj
jedinici cijene i pokazuje za koliko novanih jedinica e se promijeniti ukupan prihod ako
se cijena na tritu povea za jednu novanu jedinicu.
Znak graninog prihoda definie rast ili pad funkcije ukupnog prihoda. Kada je granini
prihod vei od nule, ukupan prihod raste, odnosno prihod raste za cijenu 0 < p < pP . Ukupan prihod dostie maksimum kada je granini prihod jednak nuli, odnosno za cijenu
p = pP . Kada je granini prihod manji od nule, ukupan prihod opada, i to za cijenu
pP < p p + .
P = 0 za p = pP
+
< 0 za pP < p
'
P
Poto je ukupni prihod izraen kao funkcija cijene relacijom (1.67), granini prihod kao
funkcija cijene se moe napisati u obliku sljedeeg izraza:
Pp' =
dP
= [ p f ( p ) ] = f ( p ) + p f ( p) = q + pq
dp
(1.69)
0 q q+ i 0 p p+
Granini prihod kao funkcija koliine
Kada se ukupan prihod izrazi kao funkcija koliine relacijom (1.68) granini prihod se takoer moe izraziti kao funkcija tranje, odnosno koliine q
dP
(1.70)
Granini prihod pokazuje promjenu ukupnog prihoda izazvanu jedininom promjenom tranje, odnosno koliine realizovane na tritu. Dakle, granini prihod pokazuje promjenu
ukupnog prihoda koja je rezultat porasta tranje za jednu koliinsku jedinicu. Jedinica mjere je novana jedinica po koliinskoj jedinici. Granini prihod i u ovom sluaju moe da
raste, stagnira ili opada u zavisnosti od tranje q, to se predstavlja sljedeim izrazom:
> 0 za 0 q < qP
P q = 0 za q = qP
+
< 0 za qP < q < q
'
86
FUNKCIJA PRIHODA
P = P( p) dp ili
0
P(q) dq
(1.71)
Prosjean prihod se moe izraziti kao funkcija koliine dijelei ukupan prihod sa cijenom,
ili kao funkcija cijene dijelei ukupan prihod sa koliinom, to je predstavljeno u izrazima
(1.72) i (1.73).
Pri datom nivou cijena, u prosjeku na svaku jedininu cijenu dolazi P p prihoda. Prosjean
prihod, izraen kao funkcija cijene, je pokazatelj osvarenog prihoda po jedininoj cijeni
datog proizvoda. U izrazu (1.72) vidimo da prosjean prihod predstavlja funkciju tranje.
Pp =
P( p)
= q ( p) = q
p
(1.72)
Pri datom nivou tranje, u prosjeku na svaku koliinsku jedinicu tranje dolazi P q prihoda.
Prosjean prihod u ovom sluaju je pokazatelj ostvarenog prihoda po jedinici realizovanog
proizvoda. U izrazu (1.73) vidimo da prosjean prihod predstavlja funkciju inverzne tranje
Pq =
P(q)
= p (q) = p
q
(1.73)
87
EKONOMETRIJSKE FUNKCIJE
Pmax
Pmax
qmax
q+
q+
pmax
p+
p+
q+
qmax
p+
pmax
Grafikon 19. Ukupni, granini i prosjeni prihod kao funkcija koliine q i kao funkcija cijene p
Ukupan prihod dostie maksimum u taki u kojoj je granini prihod jednak nuli. Ukupan
prihod raste u intervalu u kojem je granini prihod pozitivan, a opada u intervalu u kojem je
granini prihod negativan. Analizirane funkcije prihoda su definisane u oblasti definisanosti
tranje.
Proirivanjem izraza (1.69) i njegovim sreivanjem dobije se veza izmeu graninog prihoda i elastinosti tranje:
88
FUNKCIJA PRIHODA
P ' p = ( q + pq)
q q 2 pqq
p
=
+
= q (1 + q) = q (1 + Eq , p )
q q
q
q
(1.74)
Veza izmeu graninog prihoda kao funkcije cijene i elastinosti tranje se moe predstaviti u sljedeem obliku:
> 0 za
Pp' = 0 za
< 0 za
(E
(E
(E
q, p
q, p
+ 1) = 0
q, p
Eq , p = 1 za
p = pP , q = qP
za
Odavde vidimo da ukupan prihod raste ako je tranja neelastina u odnosu na cijenu. Ukupan prihod je maksimalan ako je elastinost tranje jedinina i ako je tranja elastina na
promjenu cijene, ukupan prihod opada.
Proirivanjem izraza (1.70) i sreivanjem dobija se veza izeu graninog prihoda kao funkcije koliine i elastinosti (fleksibilnosti) cijene u odnosu na tranju:
Pq' = ( p + qp)
p p 2 qpp
q
=
+
= p(1 + p) = p(1 + E p ,q )
p
p
p
p
(1.75)
Veza izmeu graninog prihoda kao funkcije tranje, odnosno koliine i elastinosti cijene
se moe predstaviti u sljedeem obliku:
> 0 za
P 'q = 0 za
< 0 za
(E
(E
(E
p ,q
p ,q
+ 1) = 0 E p , q = 1 za q = qP ,
p ,q
p + > p > pP
p = pP
za qP < q < q + ,
pP > p > 0
Analogno ranijem, zakljuujemo da prihod opada ako je inverzna tranja elastina a raste
ako je inverzna tranja neelastina.
Elastinost prihoda se moe analizirati u odnosu na koliinu i u odnosu na cijenu. Koeficijent elastinosti prihoda u odnosu na koliinu pokazuje za koliko postotaka e se
promijeniti ukupan prihod ako se tranja povea za 1% i po definiciji je jednak:
EP , q =
'
q ' Pq
Pq =
P
Pq
(1.76)
89
EKONOMETRIJSKE FUNKCIJE
Ako se u gornjoj relaciji Pq' zamijeni izrazom (1.75), dobija se veza izmeu elastinosti
ukupnog prihoda i elastinosti (fleksibilnosti) cijene:
EP , q =
q '
q
Pq =
p(1 + E p ,q ) = 1 + E p ,q
P
pq
(1.77)
'
p ' Pp
= Pp =
P
Pp
(1.78)
Ako se u relaciji (1.78) Pp' zamijeni sa izrazom (1.74), dobija se veza izmeu elastinosti
prihoda kao funkcije cijene i elastinosti tranje:
EP , p =
p '
p
Pp =
q(1 + Eq , p ) = 1 + Eq , p
P
pq
(1.79)
EP , p
p=0
EP , p =1 (jedinina elastinost)
0 < p < pP
p = pP
EP , p 0 (savrena neelastinost)
p2< p < p+
p = p2
EP , p = -1 (jedinina elastinost)
p2 < p < p+
EP , p <-1 (elastinost)
90
Eq , p
Eq , p = 0 (savrena neelastinost)
-1 < Eq , p < 0 (neelastinost)
Eq , p = -1 (jedinina elastinost)
-2 < Eq , p < -1 (elastinost)
Eq , p = - 2 (elastinost)
Eq , p < -2 (elastinost)
FUNKCIJA PRIHODA
Na analogan nain se moe definisati i tabelarno predstaviti veza, izmeu elastinosti prihoda u odnosu na koliinu i elastinosti cijene u odnosu na tranju, definisanu relacijom
(1.77).
Osim u izvoenju 1. 77. vezu izmeu elastinosti ukupnog i prosjenog prihoda moemo
dobiti koristei opte veze izmeu elastinosti ukupne i prosjene funkcije izvedene u dijelu
1.2. sljedeim izrazima:
EP , p = EP , p + 1
ili
EP , q = EP , q + 1
Primjer 1.15.
py 0 y q
.
P ( y) =
yq
pq
Prihod je definisan u oblasti definisanosti funkcije tranje (q 0, p 0, q < 0) ;
U ovom sluaju: q = 1 < 0 q =12 p > 0 p < 12, pa je podruje definisanosti
prihoda i tranje p(0,12).
91
EKONOMETRIJSKE FUNKCIJE
P(y)
(2)
36
(1)
(3)
32
U sva tri sluaja funkcija prihoda grafiki predstavlja pravu kroz take (0, 0) i taku
( q, pq ) koja predstavlja maksimum prihoda za odreenu cijenu p i to u sluaju 1)
kroz taku (4, 32), u sluaju 2) kroz taku (6, 36) i u sluaju 3) kroz taku (8, 32).
b) Za ponuenu koliinu manju ili jednaku odreenoj tranji predmetnog dobra (y
q) imamo da su funkcije graninog prihoda P ' ( y ) = ( py ) = p i prosjenog prihoda
py
P( y) =
= p konstantne i jednake cijeni dobra.
y
92
FUNKCIJA PRIHODA
(1)
8
(2)
(2)
6
(3)
(1)
(3)
Elastinost
prihoda
u
odnosu
na
yq
ima
vrijednost
y
y
EP , y =
P' ( y) =
p = 1 , tj. ima indiferentnu (jedininu) elastinost dok je za
P( y)
py
y > q 0 elastinost jednaka 0.
c)
Primjer 1.16.
93
EKONOMETRIJSKE FUNKCIJE
Rjeenje:
a) S obzirom da funkcija ukupnog (agregatnog) prihoda odraava realizovanu prodaju nekog dobra ovisno o prodanoj koliini i cijeni, smatrajui funkciju potranje
kao relaciju koja odraava prodaju, funkciju ukupnog prihoda emo dobiti kada funkciju tranje q = f ( p ) pomnoimo cijenom dobra tj. P = p q( p) .
Funkcija ukupnog prihoda je definisana u oblasti definisanosti funkcije tranje, odnosno za ( p > 0, q 0, q 0 ) .
U naem sluaju: q = 1 < 0 q =12 p > 0 p < 12 p(0,12) .
Analizom funkcije ukupnog prihoda P = p q ( p ) = p (12 p ) = 12 p p 2 imamo:
Oblast definisanosti: P = p q ( p ) = p (12 p ) = 12 p p 2 definisan je za p(0,12).
Nule: Prihod P = 0 p q ( p ) = p (12 p ) = 0 p = 0 q ( p ) = 0 , prihod je jednak nuli ako je p = 0 i p = p+ = 12.
Maksimum: Da bi odredili maksimalan prihod, potraimo stacionarnu taku, odnosno
granini prihod izjednaimo sa 0 i imaemo
P ' = 0 12 2 p = 0 p = 6 .
(Kako je P" < 0 za p = 6 prihod ima maksimum).
Dakle, za cijenu p = 6, traena koliina je q =12 6 = 6 i maksimalan prihod je
P+ = P(6) = 66 =36 n.j.
b) Ukupan prihod P = 12 p p 2 ; granini prihod P ' = 12 2 p ; prosjean prihod
P
P = = 12 p = q .
p
Na narednim grafikonima su dati prikazi funkcija ukupnog prihoda, te funkcije graninog i prosjenog prihoda.
Grafici su prikazani jedan ispod drugog zbog uoavanja karakteristinih veza izmeu
ukupne vrijednosti neke funkcije i njenih prosjenih i graninih veliina.
94
FUNKCIJA PRIHODA
P(p)
36
P(p)
12
P', P
12
P
0
P
6
12
Grafikon 1.16.a. i b. Funkcija agregatnog prihoda P (p) i funkcije graninog i prosjenog prihoda
Dakle, funkcija graninog prihoda je linearna i prolazi kroz take (0,12) i (6,0).
Za cijenu 0< p <6 granini prihod je pozitivan, to znai da ukupan prihod raste, za
p = 6 granini prihod je 0 gdje je maksimalan ukupan prihod i za cijenu 6< p <12
granini prihod je negativan to ima za posljedicu da ukupan prihod opada.
Funkcija prosjenog prihoda je funkcija tranje, takoer linearna, prolazi kroz take
( 0,12 ) i (12, 0 ) .
c) EP , p =
p
p
12 2 p
P ' ( p) =
(12 2 p) =
funkcija elastinosti prihoda.
P( p)
p(12 p )
12 p
(E )
P, p
12 2 p
12
=
< 0 opadajua funkcija
=
2
12 p (12 p)
EP , p = 1 za p = 0 i EP , p = 1 za p = 8.
95
EKONOMETRIJSKE FUNKCIJE
E P, p
Eq, p
1
6
12
0
-1
12
0
-1
-2
EP , p
Eq , p
p=0
EP , p =1 (jedinina elastinost)
0<p<6
Eq , p = 0 (savrena neelastinost)
-1 < Eq , p < 0 (neelastinost)
p=6
EP , p = 0 (savrena neelastinost)
6<p<8
p=8
EP , p = -1 (jedinina elastinost)
8 < p <1 2
E , p <-1 (elastinost)
Eq , p = -1 (jedinina elastinost)
-2 < Eq , p < -1 (elastinost)
Eq , p = - 2 (elastinost)
Eq , p < -2 (elastinost)
96
FUNKCIJA PRIHODA
Primjer 1.17.
P(p)
P ( p ) = 16 p 2 p 2 = p(16 2 p ) = p q ( p)
1.
q( p) = 16 2 p
32
2.
3. P ' p = 16 4 p = 0 p = 4 pa je maksimalan
+
prihod P = {(4) = 4 8 = 32 .
p
0
97
EKONOMETRIJSKE FUNKCIJE
q
def. za q (0, 16)
2
q
q2
Odavde je P (q ) = q p(q) = q(8 ) = 8q
algebarski izraz prihoda u zavisnosti
2
2
od tranje.
Analizom ove kvadratne funkcije imamo:
P(q)
1.
32
P (q ) = q p (q ) = 0
.
q = 0 p(q) = 0 q = 0 q = 16
2. P(q) = 0 8 q = 0 q = 8;
pa je P+ (8) = 32,
(primjetimo da je za cijenu p = 4 potraivana koliina q = 16 8 = 8).
4
12
16 q
e) EP , p =6 =
p
16 4 p 16 4 6
(16 4 p) =
=
= 2 ; Eq , p =6 = EP , p =6 1 = 3 .
p(16 2 p)
16 2 p 16 2 6
98
q
q
A 3q
P ' (q) =
( A q)( A 3q) =
.
2
P(q)
q( A q)
Aq
FUNKCIJA PRIHODA
P(q)
108
Definisanost:
P (q ) = q (9 q) 2 definisana za q (0,9).
Nule:
P (q ) = q (9 q) 2 = 0 za q = 0 i q+ = 9.
54
Ekstremi
Primjer 1.19.
99
EKONOMETRIJSKE FUNKCIJE
Rjeenje:
a) Definie se funkcija individualne tranje:
(p 0, x 0, x< 0)
x1= -0,5 < 0 i x1 = 4 - 0,5p >0 p < 8 p(0, 8).
x2= -1 < 0 i x2 = 5 - p >0 p < 5 p(0, 5).
Funkcija agregatne tranje je:
5,8
x
za
p
4
0,5
5,8
p
za
p
)
[
[
]
p ( 9 1,5 p ) = 0 p1 = 0 i p2 = 6 d . p.
1) Za p(0,5)
+
P = 0 9 3 p = 0 p = 3 d . p. P = P ( 3) = 13,5
p ( 4 0,5 p ) = 0 p1 = 0 d . p. i p2 = 8
2) Za p[5,8)
P = 0 4 p = 0 p = 4 d . p.
q(p)
1,5
0
100
FUNKCIJA PRIHODA
P(p)
13,5
7,5
EP , p = 2 =
EP , p = 6
101
(1.80)
Da bi matematska funkcija (1.80) predstavljala funkciju trokova mora ispuniti sljedee uslove:
1. Uslov nenegativnosti nezavisne i zavisne promjenljive: y 0, C 0 .
2. U posmatranom intervalu funkcija treba da bude diferencijabilna. Prvi izvod treba da
bude pozitivan C = C ( y ) 0 to odrava zakonitost da se rastom obima proizvodnje
y rastu i trokovi C . Funkcija ukupnih trokova C je rastua funkcija u odnosu na
obim proizvodnje y.
Da bi neka funkcija bila funkcija ukupnog troka mora zadovoljiti sljedee uslove:
y 0; C ( y ) 0; C ( y ) 0 .
Podjela trokova se vri sa raznih stanovita uzimajui u obzir razliite kriterije. U ovom
dijelu e se analizirati podjela trokova prema stepenu njihovog reagovanja na promjene
obima proizvodnje. S obzirom na ovaj kriterij, oni se dijele na:
1. Fiksne trokove F
2. Varijabilne trokove V , koji mogu biti
2.1. Proporcionalni
2.2. Neproporcionalni
Fiksni trokovi F su konstantni i ne zavise od obima proizvodnje. Utvruje se uz pretpostavku da je obim proizvodnje jednak nuli (y=0). Prema tome, kad se ne proizvodi, tj. kada
je y = 0, ukupni trokovi C su jednaki fiksnim trokovima F , odnosno C = f (0) = F .
Varijabilni trokovi reaguju na svako poveanje ili smanjenje obima proizvodnje. Varijabilni
trkovi mogu biti proporcionalni i neproporcionalni u zavisnosti od reakcije trokova na kre102
FUNKCIJA TROKOVA
tanje obima proizvodnje. Proporcionalni trokovi se mijenjaju proporcionalno, odnosno srazmjerno, a neproporcionalni nesrazmjerno sa promjenom obima proizvodnje. Rast ukupnih
trokova C je posljedica rasta varijabilnih trokova jer su fiksni trokovi konstantni.
Na osnovu navedene podjele, funkcija ukupnih trokova se moe zapisati kao zbir fiksnih i
varijabilnih trokova:
C = C ( y) = F + V ( y)
(1.81)
y 0
C
C ( y + y ) C ( y ) dC
= lim
=
0
dy
y
y
(1.82)
(1.84)
Ovim izrazom se odreuje familija funkcija kojoj pripada ova funkcija. Da bi se odredio
ukupni troak potrebno je odrediti konstantu K, a za njeno odreivanje je potrebno poznavati jo jedan podatak, naprimjer C ( 0 ) = F .
103
EKONOMETRIJSKE FUNKCIJE
F=
F ( y)
>0
y
(1.85)
i pokazuju fiksne trokove po jedinici proizvodnje. Posmatrani u odnosu na jedinicu proizvoda, fiksni trokovi su promjenljivi i smanjuju se sa porastom obima proizvodnje.
Prosjeni fiksni trokovi su pozitivni i izraavaju se u nj/kj. Ovi trokovi imaju usporavajui negativan prinos F ( y ) < 0, F ( y ) > 0 i dvije asimptote, i to Y i X osu.13
Prosjeni varijabilni trokovi proizvodnje se definiu kao varijabilni trokovi po jedinici
proizvodnje. Pokazuju koliko u prosjeku po svakoj jedinici proizvodnje dolazi varijabilnih
trokova. Jedinica mjere ovih trokova je novana po koliinskoj jedinici (nj/kj).
V =
V ( y)
= V ( y) > 0
y
(1.86)
Sa rastom nivoa proizvodnje rastu ukupni varijabilni trokovi i tada su prosjeni varijabilni
trokovi pozitivni :
y > 0 V ( y) > 0 i V = V ( y) > 0 .
Prosjeni trokovi su trokovi po jedinici proizvoda. Dobiju se dijeljenjem ukupnih trokova sa koliinom proizvedenih jedinica:
C=
C ( y)
= C ( y) > 0
y
(1.87)
C ( y) F ( y) + V ( y)
=
= F ( y) + V ( y)
y
y
(1.88)
104
FUNKCIJA TROKOVA
se izraavaju u novanoj po koliinskoj jedinici (nj/kj). Pokazuju koliko u prosjeku po svakoj proizvedenoj jedinici dolazi ukupnih rokova.
F + V (0) F
= =
Za y = 0 C (0) =
0
0
Funkcija prosjenih trokova ima vertikalnu asimptotu i to je koordinatna osa C . Na osnovu gornjeg izraza zakljuuje se da e se grafik funkcije prosjenih trokova nalaziti iznad
grafika prosjenih fiksnih i prosjenih varijabilnih trokova. Ako iskoristimo injenicu da
prosjeni fiksni trokovi opadaju sa porastom obima proizvodnje, imamo sljedeu vezu:
F
F
lim C ( y ) = lim V ( y ) + = lim V ( y ) + lim = lim V ( y ) ,
y
y
y y
y
y y
koja nam govori da se prosjeni ukupni trokovi i prosjeni varijabilni trokovi asimptotski
pribliavaju kad obim proizvodnje beskonano poveava.
Za granine i prosjene trokove vrijede odnosi koji su definisani i analizirani u dijelu 1.2. za
odnose prosjene i granine veliine. Ovi odnosi se mogu analizirati pomou sljedee relacije:
C
y C
y
C C y C
C C
C = =
= 2 =
2
y
y
y
y
za y > 0
(1.89)
< 0 za C > C
C C
C =
= 0 za C = C
y
> 0 za C > C
Dok funkcija prosjenih trokova opada, granini trokovi su vei od prosjenih. U minimumu prosjenih trokova granini i prosjeni trokovi se sijeku. Kada prosjeni troak
raste, granini trokovi su vei od prosjenih.
Analiza ekonominosti
Funkcija prosjenih trokova se koristi kao pokazatelj ekonominosti. Nii prosjeni trokovi ukazuju na ekonominiji nivo proizvodnje. Najekonominiji nivo proizvodnje se
ostvaruje u minimumu prosjenih trokova. Rjeenje relacije C = 0 daje nivo ye koji predstavlja najekonominiji nivo proizvodnje:
105
EKONOMETRIJSKE FUNKCIJE
C C y C
C = =
=0
y2
y
C y C = 0/ : y
(1.90)
C C = 0
C = C
V(y)
E1
M1
yM
V1
yV
ye
C=V
C , C
E
V
F =
M
0
yM
yV ye
F
y
106
FUNKCIJA TROKOVA
Ukupni i ukupni varijabilni trokovi rastu sa porastom obima proizvodnje y. Ukupni fiksni
trokovi su konstantni. Granini trokovi dostiu minimum u taki yM koja je taka prevoja
ukupnih trokova. U taki yB prosjeni varijabilni trokovi dostiu minimum i to je taka u
kojoj se sijeku granini i prosjeni varijabilni trokovi. Granini trokovi sijeku prosjene
trokove u minimumu prosjenih trokova, tj u taki yE i ta vrijednost predstavlja najekonominiji nivo proizvodnje. Prosjeni fiksni trokovi imaju opadajui tok.
y
F ( y ) = 0 za
F ( y)
y0
(1.91)
y
y F y2 0 F y2 F
=
F = =
2 =
= 1 < 0 za
F y
F ( y)
F
y
F y2
y
y0
(1.92)
Isti rezultat bi se dobio ako bi se primijenila veza izmeu elastinosti ukupne i prosjene
funkcije koja je izvedena i analizirana u dijelu 1.2.:
EF , y = EF , y + 1 = 1 + 1 = 0
ili
EF , y = EF , y 1 = 0 1 = 1
Elastinost varijabilnih trokova
Elastinost varijabilnih trokova je jednaka odnosu graninih i prosjenih varijabilnih trokova i moe uzimati sljedee vrijednosti:
EV , y =
y
V ( y )
V ( y ) =
V ( y)
V ( y)
0 za y 0
= 1 za V ( y ) = V ( y )
(1.93)
107
EKONOMETRIJSKE FUNKCIJE
EV , y =
y
V ( y )
V ( y)
(1.94)
Po definiciji, elastinost ukupnih trokova je jednaka odnosu graninih i prosjenih trokova, i pozitivna je, to znai da se moe kretati u intervalu od nula do plus beskonanosti.
EC , y =
y
C
C =
>0
C
C
(1.95)
y
y=0
EC,y
EC,y =0
Tip elastinosti
neelastinost
0 < y < ye
y = ye
ye < y < +
0<EC,y <1
EC,y =1
1<EC,y <+
interval neelastinosti
jedinina elastinost
interval elastinosti
Kada su granini trokovi jednaki prosjenim trokovima, a to se postie u najekonominijem nivou prizvodnje, elastinost ukupnih trokova je jednaka jedinici. Zbog toga rjeenje
jednaine EC,y =1 predstavlja najekonominiji nivo proizvodnje.
Elastinost prosjenih trokova je, po definiciji, jednaka:
15
108
FUNKCIJA TROKOVA
EC , y
y
y C y2 C y C y
=
C ( y ) = =
= C 1 = EC , y 1 .
C y
C ( y)
C
y2
C
y
(1.96)
U gornjoj relaciji je napisan, po definiciji, izraz za koeficijent elastinosti prosjene funkcije i izvedena veza izmeu elastinosti prosjenih i ukupnih rokova.
Iz izvedene relacije slijedi da je elastinost ukupnih trokova jednaka elastinosti prosjenih
trokova uveanim za jedinicu:
EC , y = EC , y + 1
(1.97)
C (q ) F (q) + V (q )
=
= F (q) + V (q)
q
q
Primjer 1.20.
109
EKONOMETRIJSKE FUNKCIJE
b) Odrediti i u istom koordinatnom sistemu prikazati funkcije graninog i prosjenog ukupnog i varijabilnog troka.
c) Da li se vea ekonominost proizvodnje ostvaruje za nivoe y = 2 ili y = 4? Za te
nivoe odrediti granini troak i protumaiti dobijene vrijednosti.
d) Tabelarno i grafiki prikazati elastinost ukupnih trokova.
Rjeenje:
a) Da bi jedna funkcija bila funkcija ukupnog troka, mora zadovoljiti sljedee uslove:
y 0; C ( y ) 0; C ( y ) 0 .
110
FUNKCIJA TROKOVA
50
45
C, V, F
V(y )
40
35
30
F(y ) = 25
25
20
15
10
5
0
-5 0
25 + 2 y + y 2 25
25
=
+2+ y =
+ V ( y ) ; V ( y ) = 2 + y.
y
y
y
(2 + 2 y ) y 25 2 y y 2 y 2 25
=
= 0 y 2 25 = 0 ye = 5.
2
2
y
y
25 + 2 y + y 2
>0,
y
2. Vertikalna asimptota je y = 0,
3. Kosa asimptota
111
EKONOMETRIJSKE FUNKCIJE
25 + 2 y + y 2
k = lim
=1
y +
y2
25 + 2 y + y 2
n = lim
y = 2
y +
y
KA : ky + n = y + 2 = V ( y ).
Grafici funkcija graninog i prosjenog ukupnog troka sijeku se za nivo nejekonominije proizvodnje ye = 5.
Funkcije graninog i varijabilnog troka su jednake za y = 0.
16
C'
14
12
E (5; 12)
10
8
6
4
2
y
0
0
Rauna se:
C (2) = 16,5;
C (4) = 12, 25
U prosjeku, na svaku jedinicu proizvodnje sa nivoa y = 2, dolazi 16,5 novanih jedinica troka, a sa nivoa y = 4 dolazi 12,25 novanih jedinica troka. Dakle, vea
ekonominost se postie za nivo proizvodnje y = 4.
C (2) = 6
C (4) = 10
FUNKCIJA TROKOVA
EC , y
y
2 y2 + 2 y
=
C ( y) = 2
0.
C ( y)
y + 2 y + 25
EC , y
EC,y
y=0
EC, y = 0
Savrena
neelastinost
0<y<5
Neelastinost
y=5
EC, y = 1
Jedinina
elastinost
y>5
Elastinost
y +
EC, y = 2
Savrena
elastinost
2
1
0
Tip
elastinosti
Primjer 1.21.
113
EKONOMETRIJSKE FUNKCIJE
Rjeenje:
C = 5e Ay
C = 5e y /5
ye = 5
a) C ( ye ) = C ' ( ye )
C=
5e Ay
= 5e Ay A
y
b) EC , y =
A=
A=
5e y /5
y
1 '
C = e y /5
5
y '
y
y
C = y /5 e y /5 =
C
5e
5
EC , y = 0
EC , y = 1
EC , y = +
y=0
y
=1
5
y
= +
5
y=5
y = +
EC,y
1
5
EC , y
y=0
EC , y =0
0<y<5
0< EC , y <1
y=5
EC , y =1
5< y <+
1< EC , y <+
y +
EC, y
Primjer 1.22.
114
FUNKCIJA TROKOVA
y 3 9 y 2 + 30 y + 729
,
y
V ( y ) = y 2 9 y + 30.
C , C, V
111
9,75
M
3
4,5
115
EKONOMETRIJSKE FUNKCIJE
Funkcije graninog i prosjenog ukupnog troka se sijeku u taki E, odnosno u minimumu prosjenih trokova.
E: ye = 9, C (9) = C (9) = 111
ili C ( ye ) = C ( ye ) .
e
4e0,25 y
C =
C=
y
0,25
( y 4) = 0 y
y2
=4
Objanjenja:
EC , ye = 1 ako obim proizvodnje poraste sa nivoa y = 4 kj za 1% ukupni trokovi e
116
FUNKCIJA TROKOVA
4e0,25 y
E (4, e)
y
Taka minimuma funkcije graninih trokova je oznaavana sa M, a kako je ova funkcija rastua, njen minimum se postie za y = 0, odnosno:
C = e0,25 y M (0, 1)
Za odreivanje funkcije prosjenih varijabilnih trokova mora se prvo odrediti vrijednost fiksnih trokova, a nakon toga formirati funkcija:
C (0) = F F = 4
V = 4e
0,25 y
4 V =
4 ( e0,25 y 1)
y
C , C, V
C
C
e
1
0
117
EKONOMETRIJSKE FUNKCIJE
Primjer 1.24.
50
8
0
10
20
30
40
50
60
70
80
Rjeenje:
a) Iz grafika proitamo traene vrijednosti:
M = min(C ) M (0, 8)
V = min(V ) V (0, 8)
Rjeavajui se dobija: k = 8, n = 8.
C ( y ) = 8 y + 8 .
C ( y ) = (8 y + 8)dy = 4 y 2 + 8 y + F .
118
FUNKCIJA TROKOVA
Kako je C (10) = 88
400 + 80 + F
= 88 F = 400.
10
Primjer 1.25.
q 3 + 15q + F
.
q
Potpun algebarski oblik ovih funkcija se dobija ako se odredi vrijednost fiksnih trokova. Iz uslova qe = 10 i odnosa prosjene i granine funkcije troka postavlja se
sljedea jednaina:
C (10) = C (10) , pa se uvrtavanjem oblika prosjene i granine funkcije dobija:
103 + 15 10 + F
= 3 102 + 15 1000 + 150 + F = 3150 F = 2000 .
10
C (q) = q 3 + 15q + 2000 .
Funkcija varijabilnih trokova V(q) je kubna funkcija (neparna, rastua, ima prevoj u
0), ograniena u intervalu definisanosti q 0.
Grafik funkcije ukupnog troka C(q) je dobiven translacijom grafika varijabilnih trokova za fiksne trokove F = 2000.
119
EKONOMETRIJSKE FUNKCIJE
C
V
2000
V (q) = q 2 + 15
C (q ) = V (q ) = 3q 2 + 15
q 3 + 15q + 2000
.
C (q) =
q
Funkcija C (q ) =
120
FUNKCIJA TROKOVA
C
V
315
15 M, V
0
10
c) EC , q =5 =
q
5
9
C (q ) =
90 =
0, 2
C (q)
2200
44
EC ,q =
a)
b)
c)
d)
e)
Rjeenje:
a) Funkcija elastinosti ukupnih trokova je uvijek pozitivna, pa slijedi:
EC , q =
2q(q + 1)
0q0
q + 2q + 10
2
121
EKONOMETRIJSKE FUNKCIJE
Uz uslov da je q 2 + 2q + 10 > 0 (q ) .
b) U nivou najekonominije proizvodnje je elasitnost ukupnih trokova jednaka 1,
pa se dobija:
EC , q =
2q(q + 1)
= 1 2q 2 + 2q = q 2 + 2q + 10 qe = 10 .
q + 2q + 10
2
q 2 10
.
q 2 + 2q + 10
2q(q + 1)
0; q 0
q + 2q + 10
1. EC , q =
2q(q + 1)
= 2 , horizontalna asimptota EC, q = 2.
q + q + 2 q + 10
2. lim
3. EC , q =
q 2 + 20q + 10
> 0 za q 0, funkcija elastinosti raste.
(q 2 + 2q + 10) 2
EC ,q
q=0
EC ,q =0
EC ,q
2
0<q<
1
10
0 < EC , q <1
q=
10
EC ,q =1
q>
10
1< EC ,q <2
q +
122
10
EC, q =2
FUNKCIJA TROKOVA
e) Ako je poznata funkcija elastinosti ukupnih trokova, kako nai funkciju ukupnih
trokova? Rjeavanjem linearne diferencijalne jednaine separacijom varijabli dobija
se:
q
C
C
2q(q + 1)
2(q + 1)dq
q
C (q )
C = 2
dq = 2
C
q + 2q + 10
C (q)
q + 2q + 10
EC , q =
123
(1.98)
Ukupan prihod P je odreen pomou funkcije tranje i trinim uslovima. Funkcija ukupnih
trokova odraava tehniko-tehnoloke uslove proizvodnje. Cilj definisanja funkcije dobiti
je integralna analiza proizvodnih i trinih uslova. Funkcija dobiti se koristi za analizu rentabilnosti.
U zavisnosti od odnosa prihoda i trokova dobit moe biti pozitivna, jednaka nuli i
negativna. U analizi rentabilnosti razlikuju se tri sljedea sluaja:
Ukoliko je prihod vei od trokova dobit e biti pozitivna i poslovanje rentabilno jer se
ostvaruje dobitak od D novanih jedinica:
P > C D = (P C) > 0.
U intervalu rentabilnog poslovanja nalazi se najrentabilniji nivo proizvodnje. Najrentabilniji nivo se odreuje nalaenjem prvog izvoda funkcije dobiti. Znakom drugog izvoda
potvruje se da se radi o maksimumu funkcije:
D = P C
D = P ' C = 0
D = 0 za P ' = C
D < 0
(1.99)
Najrentabilniji nivo proizvodnje se ostvaruje za nivo proizvodnje za koji je prvi izvod jednak
nuli, a drugi izvod manji od nule, odnosno kada je granini prihod jednak graninom troku.
Kada je prihod jednak trokovima, poslovanje je na granici rentabilnosti i ne ostvaruje se
ni dobitak ni gubitak:
P = C D = (P C) = 0
Poto je funkcija prihoda analizirana i prezentovana u sluaju konstantne i u sluaju varijabilne cijene i u analizi funkcije dobiti e se obraivati ova dva sluaja.
124
FUNKCIJA DOBITI
0 yq
yq0
(1.100)
Definisana funkcija dobiti ima dva dijela. Prvi dio predstavlja sluaj kada je agregatna tranja dovoljno velika da se sva koliina dobra koja se nudi moe prodati y q . Drugi dio
predstavlja funkciju dobiti u sluaju kada se na tritu moe prodati koliina q y , a ostae nerealizovana koliina y q > 0 .
U nastavku emo detaljno analizirati samo prvi sluaj, odnosno sluaj kad je na tritu zadovoljena tranja i realizovana sva ponuena koliina.16
Funkcija
dobiti,
ukoliko
su
poznati
D ( y)
= F < 0
> 0 ako
= 0 ako
< 0 ako
ako je
y=0
jer je tada ( 0 ) = 0 i C ( 0 ) = F
je P ( y ) > C ( y ) tj.
p > C ( y)
je P ( y ) = C ( y ) tj.
p = C ( y)
je P ( y ) < C ( y ) tj.
p < C ( y)
(1.102)
odakle zakljuujemo:
Ako se ne proizvodi, dobit je jednaka fiksnim trokovima i ostvaruje se gubitak.
Kada je prihod vei od trokova, odnosno konstantna cijena vea od prosjenih trokova,
poslovanje je rentabilno.
Granice rentabilnosti se odreuju za nivo proizvodnje za koji su prihod i trokovi jednaki,
odnosno za koji je cijena jednaka prosjenim trokovima.
Ukoliko je konstantna cijena na tritu manja od prosjenih trokova, prihod e biti manji
od trokova i dobit negativna, to znai da je takvo poslovanje nerentabilno.
16
125
EKONOMETRIJSKE FUNKCIJE
U zavisnosi od oblika funkcije dobiti (1.101) mogu se pojaviti pojedini sluajevi definisani
u izrazu (1.102). Na grafikonu 21 predstavljene su tri funkcije trokova sa odgovarajuim
fiksnim trokovima F1, F2, F3 (F1 < F2 <F3 i istim varijabilnim trokovima) i funkcija prihoda
za konstantnu cijenu.
C3
D, P, C
C2
C1
P = C1
P = C2
F3
F2
F1
F
P = C1
y1
yD
0
-F1
y2
y
D1
-F2
D2
-F3
D3
Grafikon 21. Funkcije prihoda, trokova i dobiti
Za drugu funkciju trokova postoji samo jedna taka ( yD ) u kojoj je prihod jednak trokovima i dobit je u toj taki jednaka nuli. Za ostale nivoe proizvodnje dobit je negativna.
Kada se ne bi proizvodilo dobit bi bila jednaka negativnim fiksnim trokovima (-F2). U
ovom sluaju se nivo ( yD ) poklapa sa granicama rentabilnosti, to znai da je intenrval
nerentabilnog poslovanja y [0, y D ) ( y D , q ) .
Sa treom funkcijom trokova prihod nema presjenih taaka. Trokovi su vei od prihoda i
dobit je negativna. Ukoliko se ne bi proizvodilo, dobit bi bila jednaka fiksnim trokovima i
iznosila (-F3). Nivo proizvodnje yD je i dalje nivo kod kojeg se maksimizira funkcija dobiti,
ali u ovom sluaju ne koristimo termin najrentabilniji nivo proizvodnje (jer je poslovanje
nerentabilno), ve kaemo da yD nivo proizvodnje kod kojeg se minimizira gubitak.
126
FUNKCIJA DOBITI
'
0 yq
y>q0
(1.103)
U nastavku emo detaljno analizirati prvi sluaj, odnosno sluaj kada je na tritu tranja
dovoljno velika da se realizuje sva ponuena koliina. Funkcija granine dobiti, ukoliko su
poznati p = const , q = const , q = q ( p ) = const i 0 y q = q( p) , se definie sljedeim
izrazom:
D ' ( y ) = P ' ( y ) C ( y ) = p C ' ( y )
za 0 y q
(1.104)
Funkcija granine dobiti jednaka je razlici izmeu graninog prihoda i graninih trokova,
odnosno razlici izmeu determinisane cijene i graninih trokova. Odnos determinisane
cijene i graninih trokova odreuje tok funkcije ukupne dobiti.
Poto se funkcije dobiti, prihoda i trokova izraavaju kao funkcije nivoa proizvodnje y, u
sljedeem izrazu, zbog jednostavnosti prezentacije, neemo svaki put naglaavati da su to
funkcije od y.
> 0 ako je P ' > C tj.
p > C D raste
p = C D ima ekstrem
p = C D opada
p = C ( yD )
(1.105)
Nivo proizvodnje yD je nivo za koji se ostvaruje maksimalna dobit ako je D ( yD ) > 0 i tada
se yD naziva najrentabilnijim nivoom proizvodnje. To je nivo u kojem su granini prihod i
granini trokovi jednaki, odnosno u kojem su konstantna cijena i granini troak jednaki.
Nivo proizvodnje yD je nivo za koji se minimizira gubitak ako je D ( yD ) < 0 .
Funkcija granine dobiti ima sljedee ekonomsko znaenje: Funkcija granine dobiti pokazuje za koliko novanih jedinica e se promijeniti ukupna dobit ako se nivo proizvodnje
127
EKONOMETRIJSKE FUNKCIJE
povea za jednu koliinsku jedinicu. Jedinica mjere u kojoj je izraena granina dobit je
novana jedinica po koliinskoj jedinici (nj/kj).
Kada je poznata funkcija granine dobiti, funkcija ukupne dobiti se odreuje primjenom
neodreenog integrala:
D( y ) = D ( y ) dy = D * ( y ) + K
(1.106)
Ovim izrazom se odreuje familija funkcija kojoj pripada ova funkcija. Da bi se odredila
ukupna dobit potrebno je odrediti konstantu K, a za njeno odreivanje je potrebno poznavati jo jedan podatak, naprimjer D(0 ) = F .
Funkcija prosjene dobiti kod determinisane cijene je definisana sljedeim izrazima:
p
C
( y ),
D ( y ) = pq
C ( y ),
y
0 yq
(1.107)
yq0
Za analizu prosjene dobiti e se detaljno analizirati prvi sluaj kada je na tritu tranja
dovoljno velika da se realizuje sva ponuena koliina. Funkcija prosjene dobiti, ukoliko su
poznati p = const , q = const , q = q ( p ) = const i 0 y q = q( p) , se definie sljedeim
izrazom:
D( y) =
D( y ) P( y ) C ( y ) P( y ) C ( y )
=
=
= P ( y ) C ( y ) = p C ( y ) 0 y q
y
y
y
y
(1.108)
Funkcija prosjene dobiti jednaka je razlici funkcija prosjenog prihoda i prosjenih trokova, odnosno razlici izmeu konstantne cijene i prosjenog troka. Analiza funkcije
prosjene dobiti se moe predstaviti sljedeim izrazom:
> 0 kada
D ( y ) = 0 kada
< 0 kada
je D( y ) > 0 tj.
p > C ( y)
je D( y ) = 0 tj.
p = C ( y)
je D( y ) < 0 tj.
p < C ( y)
Na osnovu ovog izraza mogu se izvesti sljedei zakljuci: Kada je cijena vea od prosjenog
troka, prosjena i ukupna dobit su pozitivne i ostvaruje se rentabilno poslovanje. Ako je
konstantna cijena jednaka prosjenim trokovima, prosjena i ukupna dobit su jednake nuli i
za taj nivo proizvodnje se ostvaruju granice rentabilnosti. Kada je cijena manja od prosjenog
troka, prosjena i ukupna dobit su negativne i poslovanje je nerentabilno.
Funkcija prosjene dobiti je pokazatelj dobiti po jedinici realizovanog proizvoda. Funkcija
prosjene dobiti pokazuje koliko se u prosjeku po svakoj jedinici proizvedenog dobra ostvari jedinica ukupne dobiti. Ukoliko je ukupna dobit pozitivna, ostvaruje se prosjean
dobitak po jedinici proizvoda. Kada je ukupna dobit negativna, ostvaruje se prosjean gubi128
FUNKCIJA DOBITI
tak. Jedinica mjere u kojoj se izraava prosjena dobit je novana jedinica po koliinskoj
jedinici (nj/kj).
Za analizu i grafiko predstavljanje funkcije prosjene dobiti potrebno je odrediti i analizirati tok funkcije prosjene dobiti. Analiza toka je predstavljena u sljedeem obliku:
> 0 kada
D( y ) = C ( y ) = 0 kada
< 0 kada
je C ( y ) < 0 za
0 < y < ye
je C ( y ) = 0 za
y = ye
je C ( y ) > 0 za
y > ye
(1.109)
Ako prosjeni trokovi opadaju, prosjena dobit raste. U najekonominijem nivou proizvodnje imamo maksimalnu vrijednost funkcije prosjene dobiti. Prosjena dobit opada kada
prosjeni trokovi rastu.
Ako se nivo proizvodnje za koji se maksimizira prosjena dobit oznai sa yD , prosjena
dobit e biti maksimalna ako su ispunjeni sljedei uslovi:
D( yD ) = 0
D( yD ) < 0
Iz ovog i iz izraza (1.109) slijedi da kod funkcije dobiti sa konstantnom cijenom vrijedi
jednakost yD = ye . To znai da je nivo proizvodnje kod kojeg se maksimizira prosjena
dobit jednak najekonominijem nivou proizvodnje.
Razliiti sluajevi funkcija prihoda, trokova i dobiti su predstavljeni i analizirani u primjerima sa kompletnim rjeenjima na kraju.
Elastinost kod konstantne cijene
y
D( y )
D( y )
(1.110)
y
D( y ) p C ( y )
D( y ) =
=
D( y )
D( y ) p C ( y )
(1.111)
odnosno,
ED , y =
EKONOMETRIJSKE FUNKCIJE
diti rauna o vrijednosti funkcije dobiti u toj taki. Ako je vrijednost funkcije negativnakoristit emo termin gubitak, a ako je pozitivna - koristit emo termin dobitak17.
Koeficijent elastinosti prosjene dobiti se odreuje pomou sljedeeg izraza:
ED , y =
y
D( y )
D( y )
(1.112)
Koeficijent elastinosti prosjene dobiti ima sljedee objanjenje: ukoliko se koliina y povea za 1%, tada e se prosjena dobit/gubitak promijeniti (poveati ako je koeficijent
elastinosti pozitivan i smanjiti ako je koeficijent elastinosti negativan) za onoliko postotaka koliko iznosi koeficijent elastinosti prosjene dobiti.
Veza izmedu elastinosti ukupne i prosjene dobite se izraava, koristei opti odnos izmeu elastinosti ukupne i prosjene funkcije, sljedeim izrazima:
ED , y = ED , y + 1
ili
E D , y = ED , y 1
P = p q = p (q) q = P(q)
C = C (q)
D(q ) = P( q) C ( q) = p( q) q C ( q) = P( q) C (q )
(1.113)
+
Funkcija dobiti D(q) se izraava kao funkcija agregatne tranje i definisana je za 0 q q .
Poto odraava proizvodne i trine uslove dobit se koristi u analizi rentabilnosti. U zavisnosti od odnosa prihoda i trokova definiu se intervali rentabilne i nerentabilne
proizvodnje i granice rentabilnosti.
Kada je prihod vei od trokova, dobit je pozitivna i sve vrijednosti nivoa proizvodnje q za
koje je dobit pozitivna odreuju interval rentabilnosti.
Ako je prohod jednak trokovima, dobit je jednaka nuli. Nivoi proizvodnje za koje je dobit
jednaka nuli predstavljaju granice rentabilnosti.
Trei sluaj je negativna dobit. Za sve nivoe proizvodnje q za koje je prihod manji od trokova dobit e biti negativna i za takve vrijednosti q imamo interval nerentabilnosti.
17
130
FUNKCIJA DOBITI
Odnosi izmeu ukupnog prihoda i ukupnih trokova te dobit koja se odreuje iz tih odnosa
su predstavljeni sljedeim izrazom:
> 0 D(q ) > 0, P (q ) > C (q )
(1.114)
C, P, D
P+
P=C
F
P=C
P
D+
q1
qD
q2
q+
-F
D
Na grafikonu 22. je predstavljen sluaj kad funkcije prihoda i troka imaju dvije zajednike
take. Nivoi proizvodnje q1 i q2 su nivoi za koje je funkcija troka jednaka funkciji prihoda i
predstavljaju granice renabilnosti. Za nivo qD se maksimizira dobit i to je najrentabilniji
nivo proizvodnje. U najrentabilnijem nivou proizvodnje je najvea razlika izmeu prihoda i
trokova. Interval q ( q1 , q2 ) je interval rentabilnosti. Intervali nerentabilnosti su za
q [ 0, q1 ) ( q2 , q + ) .
Na grafikonu 23. je predstavljen sluaj kada funkcije prihoda i trokova imaju samo jednu
zajedniku taku, taka qD je taka u kojoj je funkcija trokova jednaka funkciji prihoda. U
ovom sluaju maksimalna dobit je jednaka nuli za nivo prizvodnje qD, a za sve ostale nivoe
proizvodnje dobit je negativna jer su trokovi vei od prihoda.
131
EKONOMETRIJSKE FUNKCIJE
C, P, D
C
P+
P=C
F
F
P
D+
qD qP
q+
-F
U sluaju kada su trokovi vei od prihoda, poslovanje je nerentabilno i dobit je, kao to je
predstavljeno na grafikonu 24. uvijek negativna. Nivo prizvodnje qD je nivo proizvodnje
gdje sa minimizira gubitak.
C, P, D
C
P+
F
F
0
D+
qD qP
-F
q+
Funkcija agregatne granine dobiti se definie kao prvi izvod funkcije ukupne dobiti:
D
D(q + q) D(q) dD
= lim
=
q 0 q
q 0
q
dq
D '(q ) = lim
132
(1.115)
FUNKCIJA DOBITI
Granina dobit pokazuje za koliko novanih jedinica e se promijeniti funkcija ukupne dobiti ako se nivo proizvodnje q povea za jednu koliinsku jedinicu. Dakle, svaka dodatna
jedinica poveanja nivoa proizvodnje e rezultirati u promjeni ukupne dobiti za onoliko
novanih jedinica koliko iznosi granina dobit.
Funkcija granine dobiti jednaka je razlici izmeu graninog prihoda i graninih trokova,
odnosno:
D = P C
D = P ' C
(1.116)
Zavisno od vrijednosti funkcije granine dobiti, ukupna dobit moe da raste, stagnira ili
opada:
> 0; P ' (q ) > C (q ), D(q ) raste
(1.117)
(1.118)
Kada je poznata funkcija agregatne granine dobiti, funkcija ukupne agregatne dobiti se
odreuje primjenom neodreenog integrala:
D(q ) = D(q ) dq = D* (q) + K
(1.119)
Ovim izrazom se odreuje familija funkcija kojoj pripada ova funkcija. Da bi se odredila
ukupna dobit potrebno je odrediti konstantu K, a za njeno odreivanje je potrebno poznavati jo jedan podatak, a taj podatak je da je dobit u nuli jednaka negativnim fiksnim
trokovima D ( 0 ) = F .
Funkcija agregatne prosjene dobiti D(q) je pokazatelj dobiti po jedinici realizovanog
proizvoda.
D (q ) =
(1.120)
Funkcija prosjene dobiti jednaka je razlici funkcija prosjenog prihoda i prosjenih trokova.
133
EKONOMETRIJSKE FUNKCIJE
D(0) F
=
= , to znai da funkcija ima vertikalnu
0
0
asimptotu.
Analiza funkcije prosjene dobiti se moe predstaviti sljedeim izrazom za vrijednosti
0 < q q+ :
> 0 kada
D(q ) = 0 kada
< 0 kada
(1.121)
Nivo kod kojeg se maksimizira prosjena dobit se oznaava sa (qD > 0) . Da bi agregatna
prosjena dobit bila maksimalna treba da budu zadovoljeni sljedei uslovi:
D(qD ) = 0
D(qD ) < 0
Za nivo (qD > 0) , za koji se maksimizira prosjena dobit, prosjena i granina dobit su jednake. Poto se prvi izvod prosjenih trokova za nivo (qD > 0) nalazi u intervalu opadanja
prosjenih trokova tada je (qD qe ) . To znai da nivo proizvodnje u kojem se maksimizira prosjena dobit nije jednak najekonominijem nivou proizvodnje.18 Odnos ova dva nivoa
proizvodnje u sluaju agregatne dobiti je razliit od njihovog odnosa u sluaju dobiti kod
konstantne cijene koji smo analizirali i predstavili u dijelu 1.8.1.2. pod naslovom Funkcija
prosjene dobiti kod determinisane cijene.
Agregatna prosjena dobit se izraava u novanoj jedinici po koliinskoj jedinici i pokazuje
koliko se u prosjeku po svakoj koliinskoj jedinici proizvodnje ostvari novanih jedinica
dobiti. Nivo kod kojeg se maksimizira prosjena dobit se oznaava sa (qD > 0)
Elastinost agregatne dobiti se definie sljedeim izrazom:
ED , q =
q
D(q)
D(q)
(1.122)
i daje nam informaciju o procentualnoj promjeni funkcije dobiti ako se koliina proizvodnje
q povea za 1%.
Elastinost dobiti se moe izraziti i kao odnos granine i prosjene dobiti:
ED , q =
18
q
D(q )
D(q ) =
D(q)
D(q )
134
(1.123)
FUNKCIJA DOBITI
q
D(q)
D(q)
(1.124)
i daje nam informaciju o procentualnoj promjeni funkcije prosjene dobiti ako se koliina
proizvodnje q povea za 1%.
Veza izmedu elastinosti ukupne i prosjene dobiti se izraava koristei opti odnos izmeu
elastinosti ukupne i prosjene funkcije sljedeim izrazima:
ED , q = ED , q + 1
ili
ED , q = ED , q 1
Ako se u funkciju agregatne dobiti D=D(q) uvrsti funkcija direktnog zakona tranje q=q(p),
dobija se agregatna funkcija dobiti kao funkcija cijene:
D=D(p) koja je definisana za cijene: 0 p p + ,
p + = p (q = 0) > 0
(1.125)
(1.126)
Primjer 1.27.
Neko dobro na tritu se prodaje po cijeni p = 35 nj/kj Proizvoa tog dobra ima funkciju trokova C ( y ) = 2 y 2 + 10 y + 50 .
a) Odrediti algebarski izraz funkcije dobiti i analizirati karakteristine take;
b) Grafiki predstaviti funkcije prihoda, troka, dobiti;
135
EKONOMETRIJSKE FUNKCIJE
D( y ) = 0 y1,2 =
y = 2,5
25 625 400 25 15
=
1
y2 = 10
4
4
interval rentabilnosti:
3) D + = D( yD ) = D(6, 25) =
maksimalan dobitak
136
225
= 28,125
8
FUNKCIJA DOBITI
b)
C
C, P, D
50
28.125
0
-50
2.5
6.25
10
y
D
c)
Potrebno je odrediti algebarske izraze ovih funkcija
P ' = P = 35 ;
C = 4 y + 10 ;
C=
2 y 2 + 10 y + 50
.
y
i njihove presjeke:
P = C D = 0 y = yD = 6, 25 .
P = C D = 0 y1 = 2,5 y2 = 10 .
C = C (C ) = 0
(4 y + 10) y (2 y 2 + 10 y + 50)
=0
y2
2 y 2 50 = 0 y = ye = 5.
C (5) = C (5) = 30.
Karakteristine take su:
nivo najrentabilnije proizvodnje yD = 6,25 (taka presjeka P ' , C )
nivo najekonominije proizvodnje ye = 5 ( C (5) = C (5) = 30 )
137
EKONOMETRIJSKE FUNKCIJE
C'
C', C ,
P = P'
C
35
30
P = P ' = 35
10
0
-50
2.5
6.25
10
d)
Elastinost dobiti u odnosu na nivo proizvodnje
y
y
ED , y =
D( y ) =
( 4 y + 25) .
2
D( y )
2 y + 25 y 50
Rauna se:
17
= 4, 25 ;
4
Ako se nivo proizvodnje y = 2 povea 1%, gubitak od 8 nj e se poveati za 4,25%.
y = 5 D(5) = 25; ED , y = 1 ;
y = 2 D(2) = 8; ED , y =
28
2,5 ;
11
138
138
7, 26 ;
19
FUNKCIJA DOBITI
D( y ) = 25 y 2 y 2 10 y 50 = 2 y 2 + 15 y 50 .
Odreuju se granice rentabilnosti, odnosno nule funkcije:
D ( y ) = 0 y1,2 =
15 225 400
R , odnosno nema realnih nula.
4
C
C, P, D
115.625
93.75
50
0
-21.875
3.75
10
y
D
-50
Grafikon 1.27.b. Funkcije prihoda, troka i dobiti pri cijeni p = 25
( y )
se zakljuuje da proizvoa nerentabilno posluje, odnosno proizvoa posluje sa gubitkom. Grafiki, funkcija dobiti se nalazi u IV kvadrantu. Potrebno je odrediti na
kojem nivou proizvodnje y e proizvoa imati najmanji gubitak.
D( y ) = 0 4 y + 15 = 0 y = yD =
15
= 3, 75 i iznosi D (3, 75) = 21,875 .
4
Troak proizvoaa je uvijek vei od njegovog prihoda, odnosno grafik funkcije troka je iznad grafika funkcije prihoda pa je proizvoa u gubitku D<0. Proizvoa na
nivou yD=3,75 ima najmanji gubitak od 21,875 n.j.
139
EKONOMETRIJSKE FUNKCIJE
C'
C', C ,
P = P'
C
35
30
P = P ' = 25
10
0
-50
2.5
6.25
10
1
Poznata je funkcija agregatne tranje q = p + 90 i funkcija ukupnih prosjenih
3
2025
trokova C = 2q +
.
q
a) Pronai funkciju ukupne dobiti D (q) i grafiki prikazati funkcije prihoda, troka i
dobiti uz odreivanje intervala rentabilnosti, najrentabilnije proizvodnje i maksimalne dobiti.
b) Pronai funkcije granine i prosjene dobiti uz njihov grafiki prikaz i istai odnos nivoa najrentabilnije proizvodnje qD i nivoa qD gdje je maksimum prosjene
dobiti.
c) Odrediti elastinost dobiti i prosjene dobiti na nivou q = 50 i objasniti rezultat.
Rjeenje:
a) Zakon inverzne tranje je algebarskog oblika:
1
q = p + 90 3q = p + 270 p = 270 3q .
3
Odavde je funkcija prihoda izraena preko koliine q, oblika:
140
FUNKCIJA DOBITI
P (q ) = p q = 270q 3q 2
Karakteristine vrijednosti za funkciju prihoda, a samim tim i za funkciju dobiti, su:
podruje definisanosti (def. za p>0, q>0, q < 0 ) -3q > - 270 q < 90 tj.
q(0,90). Ove krajnje take su istovremeno i nule funkcije prihoda P ( q ) . MaksimaP + (45) = 6075 .
C, P, D
6075
P
2025
1620
0
27
45
90
-2025
D
Grafikon 1.28. Funkcije prihoda, troka i dobiti
141
EKONOMETRIJSKE FUNKCIJE
b)
5q 2 + 270q 2025
D = 10q + 270 ; D =
.
q
D', D
270
69
0
20,01
45
27
-2025
D'
Grafikon 1.28.a. Funkcije granine i prosjene dobiti
c) ED , q =50 =
q
q(10q + 270)
50 (230)
D =
=
11, 22 .
2
D
5q + 270q 2025
1025
ED ,q = ED , q 1 = 10, 22 .
FUNKCIJA DOBITI
10
12
D(y)
-20
10
20
30
25
Di
-20
10
20
30
25
65
Diyi
0
40
100
300
300
740
yi2
Diyi2
yi3
yi4
0
16
25
100
144
285
0
160
500
3000
3600
7260
0
64
125
1000
1728
2917
0
256
625
10000
20736
31617
D = a y + b y + cn
D y = a y + b y + c y
D y = a y + b y + c y
2
i
(i = 1,2..,5 = n).
143
EKONOMETRIJSKE FUNKCIJE
ED , y = 4 =
4
6, 05 = 1,93 .
12,56
15
(6, 01) = 6,88 .
13,1
Ako se nivo proizvodnje y =15 t povea 1%, dobit e se sa nivoa D=13,1 KM smanjiti za 6,88%.
e) U Microsoft Exelu se dobija kvadratna funkcija koja najbolje aproksimira skup podataka u ovom primjeru.
y = -0,5542x 2 + 10,499x - 20,505
R2 = 0,9924
Regression
40
30
20
10
0
-10 0
-20
-30
144
10
11
12
13
FUNKCIJA DOBITI
Primjer 1.30.
Na tritu je prisutna cijena nekog proizvoda: p =15 nj/kg. Tranja za tim proizvodom
je . Za konkretnog proizvoaa ovog proizvoda funkcija graninih trokova je
C = 2 y + 2 i nivo najekonominije proizvodnje je ye = 6 kg.
a) Odrediti funkcije: troka, prihoda i dobiti za datog proizvoaa;
b) Odrediti intervale rentabilnog poslovanja, nivo najrentabilnije proizvodnje;
c) Grafiki prikazati funkcije prosjenog i graninog prihoda i troka, uz naznaavanje karakteristinih taaka.
Rjeenje:
a)
C = 2 y + 2 C = y2 + 2 y + F
2
F
C = y + 2 y + 36
C ( 6) = C ( 6) 2 y + 2 = y + 2 +
F = 36
y
P ( y ) = 15 y
D ( y ) = P C = y 2 + 13 y 36
b)
Interval rentabilnosti:
y1 = 4; y2 = 9 IR y ( 4, 9 )
D = 0 2 y + 13 = 0 y = 6.5
D =0
36
y
C = 2 y + 2
= = 15
C
B
VA
Ye = 6 YD = 6,5
145
(1.128)
Ako funkcija ponude ima izvod po p u intervalu posmatranja taj izvod mora biti vei od
q
nule
> 0 , to znai da je ponuda rastua funkcija u odnosu na cijenu p . Ostali parcijalni
p
izvodi mogu biti razliitog znaka zavisno od uticaja pojedinih faktora na ponudu posmatranog dobra.
Poto najvei uticaj na ponudu nekog dobra ima cijena tog dobra ponuda se definie u uem
smislu kao funkcija jedne nezavisne varijable, a to je cijena tog dobra:
q = f ( p ), odnosno q = q ( p )
(1.129)
Razlikuju se individualna i agregatna ili trina ponuda. Funkcija individualne ponude (ponude pojedinanog proizvoaa) pokazuje kolika je koliina nekog dobra koje individualni
proizvoa nudi na prostorno i vremenski definisanom tritu po odreenoj cijeni. Funkcija
agregatne ponude predstavlja ukupnu koliinu nekog dobra koju nude svi ponuai tog dobra na odreenom tritu u odreenom vremenskom periodu. Agregatna ponuda se dobije
sabiranjem individualnih funkcija ponude. U analizi koja slijedi prvo e biti predstavljena
funkcija agregatne, a zatim i funkcija individualne ponude.
Funkcija agregatne ponude predstavlja koliinu nekog dobra koja se nudi na prostorno i
vremenski definisanom tritu po odreenoj cijeni. Funkcija agregatne ponude se dobija
kao zbir koliina nekog proizvoda koje nude razliiti individualni proizvoai na odreenom tritu u odreeno vrijeme i moe se izraziti sljedeom relacijom:
146
FUNKCIJA PONUDE
q = x i .
(1.130)
i =1
q = a + bp
q = a + bp 2
q = (a bp) 2
q = a + b p + d ;
d 0
q = a + b ln( p d );
d 0
19
147
EKONOMETRIJSKE FUNKCIJE
p
q > 0.
q
(1.131)
za p > 0, q 0, q > 0 .
Elastinost ponude je uvijek pozitivna poto su cijena i ponuda pozitivne i prvi izvod funkcije ponude pozitivan. Koeficijent elastinosti ponude pokazuje za koliko postotaka (%) e
se poveati ponuda ako se cijena povea za 1%.
Elastinost funkcije ponude je pozitivna i njene vrijednosti se mogu tabelarno predstaviti na
sljedei nain.
Tabela 7. Elastinost funkcije ponude
Eq, p
Tip elastinosti
p < p < p1
Eq, p = +
+ > Eq, p > 1
Elastinost
p > p1
Neelastinost
p = p-
Savrena elastinost
Ako se uini simplifikacija, kao kod funkcije tranje, pretpostavljajui da je uticaj ostalih
faktora na ponudu relativno mali u poreenju sa cijenom p dobra koje se nudi, funkcija
individualne ponude se definie u uem smislu kao funkcija cijene:
x = x ( p)
(1.132)
Da bi funkcija (1.132) mogla biti funkcija ponude, mora ispuniti sljedee uslove:
1. Uslov nenegativnosti na zavisnu i nezavisnu varijablu kod individualne funkcije ponude: p > 0, x > 0 . Ako se sa p- oznai minimalna cijena za koju postoji ponuda i sa
x minimalna koliina ponuena pri toj cijeni, tada se obast definisanosti ponude
moe napisati:
0 < p p , 0 x x .
148
FUNKCIJA PONUDE
x 2 = x 2 ( p ) definisana za p 2 p 2 ,+ ; x 2 (0,+ )
x ( p )
x 2
x1
p1-
p2-
Agregatna ponuda je zbir svih individualnih ponuda u oblasti njihove definisanosti, pri emu oblast definisanosti Dq i agregatne ponude predstavlja oblast definisanosti svih
individualnih ponuda D x i :
q ( p ) = xi ( p);
i
p D x i .
i
149
EKONOMETRIJSKE FUNKCIJE
Zapis p D x i nam govori da na tritu postoji ponuda kad je barem jedan ponua prisui
tan na tritu, odnosno minimalna cijena za koju postoji agregatna ponuda je p = min( pi ) .
q ( p ) =
x1 + x2 za p ( p2 , + )
Minimalna cijena je: p = p1 p1 < p 2 .
q ( p )
q ( p )
q ( p )
x 2
q ( p ) = x1 + x 2
x1
x 2
p1-
p2-
x 2
p1-
150
p
x > 0, za
x
(1.133)
FUNKCIJA PONUDE
Cilj ponuaa je da maksimizira dobit, odnosno da ponudi onu koliinu dobra koja e mu,
pri datoj trinoj cijeni, obezbijediti najveu dobit. Upravo na ovoj injenici, i uz pretpostavku da je u pitanju trite savrene konkurencije na kojem pojedinac ne utie na cijenu
izvodi se funkcija individualne ponude.
Dobit pojedinca pri trinoj cijeni p se rauna: D( y ) = P( y ) C ( y ) = p y C ( y ) , a nivo y
za koju se maksimizira dobit se odreuje kad se granina dobit izjednai sa nulom, odnosno:
D( y ) = P '( y ) C ( y ) = p C ( y ) = 0
p = C ( y )
(1.134)
Iz gornjeg izraza se zakljuuje da e ponua ostvariti najveu dobit ukoliko cijena na tritu bude jednaka graninim trokovima. Zbog toga se iz jednaine p = C ( y ) moe
eksplicitno izraziti y i dobiti direktni zakon ponude:
y = x = x ( p) .
Za konkretnu cijenu p > 0 ponuda x = x ( p) predstavlja rjeenje jednaine C ( y = x ) = p .
Zakon individualne ponude u uem smislu x = x ( p) je inverzna funkcija funkcije graninih trokova C = C ( y ) za dato p.
Na sljedeem grafikonu su predstavljene funkcije prosjenih ukupnih trokova, prosjenih
varijabilnih trokova, graninih trokova, graninog prihoda, prosjenog prihoda i konstantne cijene p. Na grafikonu je istaknuta konstantna cijena p koja je jednaka prosjenom i
graninom prihodu pri toj cijeni.
Prije analize samog grafika, analizirajmo funkciju dobiti pri konstantnoj cijeni:
151
EKONOMETRIJSKE FUNKCIJE
Poslovanje je rentabilno ako je trina cijena (prosjean prihod) vea od prosjenog troka,
to se vidi iz izraza (1.135). Poslovanje je nerentabilno ako je trina cijena (prosjean prihod) manja od prosjenog troka, a ako je je trina cijena jednaka prosjenom troku
poslovanje je na granici rentabilnosti.
>
: y >0
>
>
<
<
D( y ) = P( y ) C ( y ) = p y C ( y ) = 0 D ( y ) = p C ( y ) = 0 p = C
<
y
x
y,
p= =
C
V
pu
(1.135)
pi
M
0
yM
yV yE
152
FUNKCIJA PONUDE
Kada je cijena jednaka prosjenim trokovima p = pu = C ostvaruju se granice rentabilnosti, a ako je cijena manja od prosjenih trokova p < C = pu dobit je negativna D<0 i
poslovanje nerentabilno.
Sa pi je oznaena izlazna cijena. Ta cijena je jednaka prosjenim varijabilnim, odnosno
graninim trokovima u nivou kod kojeg su minimalni prosjeni varijabilni trokovi yV.
Ukoliko je nivo proizvodnje y = 0, tada je dobit negativna
D ( y = 0) = [P ( y = 0) C ( y = 0)] = F < 0 .
p < V ( y ) [ p V ( y )] < 0 / y [ p y V ( y )] < 0 D( y ) = F < 0 ponua nema interesa da ostane na tritu jer tada posluje sa gubitkom, odnosno polazni gubitak koji je bio
jednak fiksnim trokovima se poveava za D = [ p y V ( y )].
Rezimirajmo: Proizvoa e ui na trite ukoliko je cijena na tritu vea ili jednaka od
cijene pu (tzv. ulazna cijena). Za trinu cijenu veu od pu proizvoa e ostvariti dobitak.
to je cijena vea ponua e ostvarivati veu dobit.
Ako je trina cijena manja od pu ( p < pu ) proizvoa ima interes da kratkorono ostane na
tritu ukoliko je cijena vea od tzv. izlazne cijene pi. Ta cijena je jednaka graninim trokovima u nivou kod kojeg su minimalni prosjeni varijabilni trokovi yV. Dakle kod cijene
pi < p < pu proizvoa ostaje na tritu jer smanjuje gubitak izraen fiksnim trokovima.
20
153
EKONOMETRIJSKE FUNKCIJE
Za cijenu ( p < pi ) ponua nema interesa da ostane na tritu jer tada posluje sa gubitkom.
Zakon inverzne ponude je, za cijenu jednaku ili veu od pi, jednak funkciji graninog troka, kao to je pokazano u izrazu (1.134).
Na tritu savrene konkurencije ravnotea nastaje kada je agregatna ponuda nekog dobra
jednaka agregatnoj tranji za tim dobrom. Cijena za koju su funkcija ponude i funkcija tranje jednake naziva se ravnotena cijena. Ravnotena cijena se odreuje izjednaavanjem
funkcije tranje i ponude:
q = q
(1.136)
Za ravnotenu cijenu koliina dobra koja se nudi e biti jednaka koliini dobra koja se trai
na odreenom tritu u odreeno vrijeme. Odreivanje trine ravnotee je obraeno u
primjerima sa rjeenjima.
Primjer 1.31.
q ( p ) = 2 p 1
3) q ( p ) = e p 1 3
p
.
2
a) Za koje cijene p ove funkcije imaju ekonomskog smisla? Grafiki predstaviti date
funkcije.
b) Za funkcije ponude 1) i 2) odrediti algebarske izraze funkcije elastinosti uz grafiki i tabelarni prikaz.
4) q ( p ) = ln
Rjeenje:
a) Definiciono podruje funkcija ponude p > 0; q ( p ) > 0; q ( p ) > 0 .
1) p>0,
154
FUNKCIJA PONUDE
0 1
1,5 2
p > 2, q > 0
1
p 1
q ( p ) = p 2 3 p + 2
> 0 , p- =1, q- = 0.
p > 1; q > 0
155
EKONOMETRIJSKE FUNKCIJE
p > 1 + ln 3; q > 0
1+ln 3
0
4) p>0, q ( p ) > 0 ln
p
>0
2
q ( p) = e p 1 3
p
1
> 1 p > 2 ; q ( p ) =
> 0;
2
2p
p > 2; q > 0
156
p
2
FUNKCIJA PONUDE
E q , p =
p
q ( p) > 0 .
q ( p)
1) q ( p ) = p 2 3 p + 2
p
E q , p =
p2 3p + 2
( E q , p ) =
(2 p 3) =
2 p2 3p
p2 3p + 2
3p2 + 8 p 6
lim Eq , p
p+
E q , p = 1
2 p2 3p
2
p 3p + 2
= 1 p 2 = 2 p = 2 d . p.
Eq , p
E q , p
Elastinost
p>2
+> E q , p >2
Elastinost
2
1
2
3 p + 2
2)
q ( p ) = 2 p 1
p
E q , p =
2 p 1
1
p 1
p
> 0 definisana za p > 1
2( p 1)
157
EKONOMETRIJSKE FUNKCIJE
p = 1 (vertikalna asimptota)
1
lim E q , p = (horizontalna asimptota)
p +
2
1
( E q , p ) =
< 0 (opadajua funkcija)
2( p 1) 2
E q , p = 1 p = 2 p 2 p = 2 (jedinina elastinost)
Eq , p
E q , p
elastinost
p=1
E q , p =
savrena
elastinost
1 < p <2
> E q , p > 1
elastinost
p=2
E q , p =1
jedinina
elastinost
p >2
1> E q , p >1/2
neelastinost
1/2
0
p 1
Primjer 1.32.
a)
b)
c)
d)
x 1 = p 3 ,
x 2 = 0 ,5 p 1,
x 3 = p 6 ,
Definisati funkcije individualnih ponuda i grafiki ih predstaviti.
Odrediti zakon agregatne ponude na tritu i prikazati je grafiki.
Ako je q = 5 0,5p zakon agregatne tranje, odrediti taku ravnotee.
Odrediti elastinost ponude za ravnotenu cijenu i protumaiti rezultat.
Rjeenje:
a) Definiimo svaku od navedenih funkcija individualne ponude: x > 0, p > 0, x > 0 .
x1 > 0 p 3 > 0 p > 3; x1 = 1 > 0 , ponuda prvog proizvoaa je definisana za p >3.
158
FUNKCIJA PONUDE
x 2 > 0 0,5 p 1 > 0 p > 2; x 2 = 0,5 > 0 , ponuda drugog proizvoaa je definisana za p >2 .
x3
x 2
x1
x 2 + x1
x 2 + x1 + x3
0,5 p 1, p (2,3]
x 2 ; p (2,3]
159
EKONOMETRIJSKE FUNKCIJE
0.5
0
q, q
2.75
0.5
0
4,5
10
160
FUNKCIJA PONUDE
d) E q , p = 4,5 =
4,5
1,5 = 2,45 .
2,75
Preduzee Hlaaa , koje proizvodi hladnjake, izvrilo je analizu trita i dobilo sljedei grafikon:
q, q ( kom.)
30
14
90
160
300
a)
b)
c)
d)
161
EKONOMETRIJSKE FUNKCIJE
b) Taka ravnotee je taka u kojoj se sijeku funkcije tranje i ponude; (sa grafikona
P.3.1.). Ravnotena cijena je pR = 160 $, a ravnotena koliina qR = 14 kom.
c) Funkcija tranje je linearna funkcija pa je oblika: q(p) = ap + b.
162
FUNKCIJA PONUDE
Rjeenje:
p6
p6
; definisana za p > 6.
x ( p) =
12
12
C= V= 12y + 6.
C=
6 y 2 + 6 y + 96
y
V = 6y + 6 .
Uvode se sljedee standardne oznake:
E(yE, pE) - taka minimuma prosjenih ukupnih trokova,
V(yV, pV) - taka minimuma prosjenih varijabilnih trokova,
M(yM, pM) - taka minimuma graninih trokova.
6 y 2 + 6 y + 96
6 y 2 = 96 y E = 4 C (4) = C (4) = 54 .
y
163
EKONOMETRIJSKE FUNKCIJE
C , C ,V
x
54
30
4
2
6
V
0 2 4
0 6
30
54
164
FUNKCIJA PONUDE
Rjeenje:
a)
P (q ) = 30q 3q 2 ;
C ( q ) = A + 2q + q 2 ;
A + 2q + q 2
C (q e ) = 0 C =
q
'
'
q e = 24 kj
'
A
= 0 1 2 = 0 A = 24
q
b)
D(q) = 4q 2 + 28q 24
D(q) = 0 4q 2 + 28q 24 = 0
Nule : q1 = 1 , q2 = 6
q (0, 1) (6, + )
D max (7 / 2,60)
q1 = 1 , q2 = 6
F = 24
qD = 7 / 2
q (1, 6)
D(q)
x
Dmax(3,5;60)
60
qD=3,5
-F
Interval nerentabilnosti
c)
165
EKONOMETRIJSKE FUNKCIJE
q=
Primjer 1.36.
10
11
12
13
14
15
16
0 12 30 60 95 140 190 255 320 400 480 570 670 780 890 1020 1150
V
1400
V = 4y 2 +8y
R2 = 1
1200
1000
800
600
400
200
0
-200
10
15
y
20
166
FUNKCIJA PONUDE
Rjeenje:
a) C(y) = 4y2 +8y + 400 funkcija ukupnog troka;
C ( y) = 4 y + 8 +
400
.
y
400
= 0 y 2 = 100 y E = 10 .
2
y
C'
120
88
8
0
C
V
4.2
10
14
23.8
167
EKONOMETRIJSKE FUNKCIJE
(A, B) : P = C = 120
(4,2; 23,8) - interval rentabilnosti
D: P ' = C = 120
yD = 14 najrentabilniji nivo proizvodnje
E: C = C = 88
YE = 10 najekonominiji nivo proizvodnje
Primjer 1.37.
1
p 1
> 0 , p- =1, q- = 0.
y
=
2
p 1
y2
y2
= p 1
+ 1 = p = C ( y ) .
4
4
y2
+ 1 . Treba odrediti funkciju ukupnog
4
y2
y3
troka: C ( y ) =
+ y+F.
+ 1dy =
12
168
FUNKCIJA PONUDE
63
y3
+ 6 + F = 60 F = 36 ; C ( y ) =
+ y + 36 .
12
12
b) C ( y ) =
y2
y2
y2
36
+ 1; C ( y) =
+1+
; V ( y) =
+ 1.
4
12
12
y
C
V
(pu) 10
(pi) 1
0(yi)
6 (yu)
Ulazna cijena pu = 10 novanih jedinica i ulazna koliina yu = 6 kj iznad koje na proizvoa izlazi sa ponudom na trite, ostvaruje dobit, tj. rentabilan je;
Izlazna cijena pi je 1 novana jedinica ispod koje bi na proizvoa odustao od ponude yi = 0.
c) E q , p =10 =
p
2 p 1
1
p 1
10 5
p
=
= 0,55 .
2( p 1) 18 9
Ako se cijena sa nivoa p = 10 povea za 1%, ponuda e se sa nivoa 6 poveati za priblino 0,55%.
169
21
22
170
FUNKCIJE PROIZVODNJE
(1.137)
i = 1,2,,n.
(1.138)
To znai da u tom intervalu, pri poveanom angaovanju bilo kod faktora proizvodnje, uz
zadravanje nepromijenjenog nivoa ostalih faktora proizvodnje, proizvod ne smije biti
umanjen, odnosno mora se poveati ili ostati nepromijenjen. Ova osobina se matematiki
izraava nenegativnou parcijalnih izvoda funkcije proizvodnje.
2. Druga osobina se odnosi na zakon opadajuih prinosa kao poseban sluaj zakona varijabilnih proporcija. Zakon varijabilnih proporcija implicira promjene proizvodnje koje
nastaju kao rezultat poveanja utroka samog jednog faktora, ako su koliine ostalih faktora
nepromijenjene.
Proizvodnja se, zavisno od promjena varijabilnog faktora, mijenja razliito, ali poslije
izvjesne granice (iza neke take) marginalni prirast e poeti opadati. To je rezultat injenice da se stalnim poveanjem utroka samo jednog faktora, uz fiksni nivo ostalih
faktora, kombinacija utroaka sve vie udaljava od tehnoloki efikasnog podruja proizvodnje.
Zakon opadajuih prinosa se formulie za onaj interval varijacije promjenljivog utroka, u
kome njegova sukscesivna poveanja daju sukscesivno opadajue priraste proizvodnje.23
Zakon opadajuih prinosa vai u sljedeim uslovima: (1) tehnika proizvodnje je data i u
posmatranom trenutku vremena se ne mijenja; (2) utroak bar nekih proizvodnih usluga je
konstantan; (3) postoji mogunost variranja proporcija utroka, jer inae bi marginalni proizvod bio stalno jednak nuli i (4) iza neke take znai iza utroka koji se obino
23
171
EKONOMETRIJSKE FUNKCIJE
2Q
< 0 , i = 1,2,...,n.
X i2
(1.139)
lim
xi
Q
0 , i = 1, 2, , n.
xi
(1.140)
Proizvodna funkcija
Q = Q ( xi )
{x j = const , j i}
xi
Zakon opadajuih
prinosa
Prosjena
funkcija Q x i
A
xi
Granina
funkcija Q x i
Podruje neracionalnih odluka
172
FUNKCIJE PROIZVODNJE
(1.141)
u kojoj Q predstavlja nivo proizvodnje, a R i K faktore rad i kapital angaovane u proizvodnom procesu. Da bi funkcija proizvodnje Q = F (R, K) zadovoljila tri navedene poeljne
osobine funkcije proizvodnje, moraju biti ispunjeni sljedei uslovi:
1.
Q
0,
R
Q
0
K
(1.142)
2.
2Q
< 0,
R 2
2Q
>0,
K 2
(1.143)
3.
Q
0
R R
lim
Q
0
K K
lim
(1.144)
Granina funkcija proizvodnje se definie kao prvi izvod funkcije proizvodnje po svakom
od analiziranih faktora proizvodnje, uz pretpostavku da ostali faktori proizvodnje ostanu
konstantni.
Za funkciju Q = F ( X 1 , X 2 ,... X n ), Q 0, X i 0 , i = 1,2,n. granina funkcija ili granini proizvod se odreuju pomou parcijalnog izvoda na sljedei nain:
Q
= Qxi > 0,
X i
i = 1, 2,..., n.
(1.145)
(1.146)
173
EKONOMETRIJSKE FUNKCIJE
i pokazuje da e se ukupna proizvodnja poveati za QR jedinica ukoliko se faktor rad povea za jednu jedinicu, a faktor kapital ostane nepromijenjen.
Granina proizvodnja u odnosu na faktor kapital se odreuje sljedeim izrazom:
Q
= QK > 0
K
(1.147)
i njeno znaenje je sljedee: ukoliko se faktor kapital povea za jednu jedinicu, a faktor rad
ostane nepromijenjen, ukupna proizvodnja e se poveati za onoliko jedinica koliko iznosi
granina proizvodnja, dakle za QK jedinica.
Q
Xi
i = 1, 2,..., n.
(1.148)
U sluaju gore navedene funkcije proizvodnje moe se odrediti n prosjenih funkcija proizvodnje jer je funkcija proizvodnje definisana kao funkcija n faktora proizvodnje. Prosjena
funkcija proizvodnje pokazuje koliko se u prosjeku po svakoj jedinici angaovanog faktora
X i ostvari jedinica ukupne proizvodnje uz pretpostavku da ostali faktori proizodnje ostaju
nepromijenjeni.
Za dvofaktorsku funkciju proizvodnje Q = F (R, K) mogu se odrediti dvije funkcije prosjene proizvodnje, i to prosjena proizvodnja u odnosu na faktor R i prosjena proizvodnja u
odnosu na faktor K.
Prosjena funkcija proizvodnje u odnosu na faktor rad je jednaka:
QR =
Q
, K = const.
R
(1.149)
174
FUNKCIJE PROIZVODNJE
QK =
Q
, R = const.
K
(1.150)
Q = F (R, K = const) ) .
25
175
EKONOMETRIJSKE FUNKCIJE
176
FUNKCIJE PROIZVODNJE
Krive horizontanih presjeka proizvodne povrine pokazuju sve kombinacije utroaka faktora proizvodnje koji daju istu koliinu proizvodnje. Te krive se nazivaju izokvantama.
Izokvanta se algebarski moe izraziti implicitnom funkcijom:
F ( R, K ) = Q0 gdje je Q = const. = Q0
(1.151)
Izokvanta se moe izraziti i eksplicitnom funkcijom polazei od opteg oblika funkcije proizvodnje Q=F (R, K). Uz pretpostavku da je nivo proizvodnje konstantan, faktor K se
izraava eksplicitno kao funkcija konstantnog nivoa proizvodnje Q0 i faktora R. Analitiki
oblik izokvante u ovom sluaju je dat sljedeim izrazom:
K = F ( R, Q0 ), K = f ( R), Q0 = const.
(1.152)
Q
Q
dR +
dK
R
K
(1.153)
177
EKONOMETRIJSKE FUNKCIJE
(1.154)
(1.155)
Parcijalni izvodi na desnoj strani jednaine predstavljaju granine proizvode funkcije. Granini proizvodi funkcije imaju pozitivne vrijednosti u oblasti racionalnih odluka, pa je
nagib izokvante negativan. Izokvante su, prema tome, opadajue krive.
Spajanjem taaka u kojima nagibi izokvanti imaju istu vrijednost dobiju se krive koje se
nazivaju izokline. Algebarski izraz izokline dat je jednainom:
Q
dK
= R = k
dR
QK
k=
QR
QK
(1.156)
Nagib izokvatne koji je izveden u prethodnom dijelu i izraen relacijom (1.155) predstavlja
graninu stopu supstitucije faktora proizvodnje (R i K). Granina stopa supstitucije faktora
proizvodnje se definie kao kolinik graninih proizvoda funkcije proizvodnje:
26
178
FUNKCIJE PROIZVODNJE
S=
dK
Q
= R <0
dR
QK
(1.157)
Reciprona vrijednost izraza (1.157) predstavlja graninu stopu supstitucije rada kapitalom:
S=
Q
dR
= K <0
dK
QR
(1.158)
Ova granina stopa supstitucije pokazuje za koliko jedinica treba smanjiti utroak rada R
ako se utroak kapitala K povea za jednu jedinicu mjere u kojoj je izraen kapital da bi
nivo proizvodnje Q ostao konstantan.
Granina stopa supstitucije je negativna (1.157) jer je, u intervalu racionalnih odluka, izokvanta opadajua kriva, to znai da poveanjem ulaganja u jedan faktor proizvodnje treba
smanjiti drugi faktor da bi proizvodnja ostala ista. U intervalu racionalnih odluka, izokvanta
je konveksna prema koordinatnom poetku (zakon opadajuih prinosa) to znai da se sve
tee faktori supstituiraju sa porastom ulaganja u jedan faktor proizvodnje. Na grafikonu 34
je prikazano da se granina stopa supstitucije po apsolutnoj vrijednosti smanjuje kako se
kreemo niz izokvantu, jer se zbog djelovanja zakona opadajuih prinosa tee supstituira
faktor K faktorom R ako manje ulaemo u K a vie u R.
K
6
5
4
K1
K2 R
K3
D
R
1
0
E
R
179
EKONOMETRIJSKE FUNKCIJE
Kombinacije ulaganja faktora proizvodnje u takama A, B, C, D, E daju isti nivo proizvodnje, ali nemaju istu stopu supstitucije. Pomjerajui se iz take A u taku B, vidimo da
poveanje ulaganje u faktor R (za 1 kj) zahtijeva smanjenje ulaganja u faktor K za K1.
Dalje poveanje ulaganja u faktor R za 1 kj, zahtijevalo bi sve manje smanjivnje ulaganja u
faktor K (....< K3 < K2 < K1).
Elastinost funkcije proizvodnje se odreuje pomou sljedeih izraza za koeficijent elastinosti funkcije vie varijabli:
EQ , xi =
X i Q
Q X i
i = 1, 2,..., n.
(1.159)
Ovaj koeficijent pokazuje za koliko postotaka (%) e se poveati ukupna proizvodnja ako
se utroak faktora Xi povea za 1%, a utroci ostalih faktora ostanu nepromijenjeni.
Za funkciju proizvodnje Q = F(R, K) odreuju se dva koeficijenta elastinosti, i to koeficijent elastinosti u odnosu na faktor rad i koeficijent elastinosti u odnosu na faktor kapital.
Koeficijent elastinosti u odnosu na faktor rad pokazuje za koliko postotaka (%) e se poveati ukupna proizvodnja ako se utroak faktora rad povea za 1%, a utroak faktora
kapital ostane nepromijenjen i odreuje sljedeom formulom:
EQ , R =
R Q R
= QR
Q R Q
(1.160)
Gornji izraz za koeficijent elastinosti se moe napisati u obliku odnosa granine i prosjene funkcije proizvodnje:
Q Q
R
EQ , R = QR = R = R
(1.161)
Q QR
Q
R
Koeficijent elastinosti u odnosu na faktor kapital se odreuje sljedeom formulom:
K Q K
EQ , K =
(1.162)
= QK
Q K Q
Ovaj koeficijent pokazuje za koliko postotaka (%) e se poveati ukupna proizvodnja ako
se utroak faktora kapital povea za 1%, a utroak faktora rad ostane konstantan.
Koeficijent elastinosti proizvodnje u odnosu na faktor kapital se moe napisati u obliku
odnosa odgovarajue granine i prosjene funkcije proizvodnje:
180
FUNKCIJE PROIZVODNJE
EQ , K =
Q Q
K
QK = K = K .
Q QK
Q
K
(1.163)
Za funkciju proizvodnje Q = F ( X 1 , X 2 ,... X n ), Q 0, X i 0 , i = 1,2,n., funkcija trokova se moe definisati sljedeom relacijom
C = C ( X 1 , X 2 ,..., X n ) = C ( X )i 0, i = 1,..., n.
(1.164)
Da bi se odredili trokovi potrebno je poznavati cijene faktora proizvodnje. Analiza i odreivanje trokova proizvodnje e biti predstavljeno za funkciju Q = F (R, K).27
Ako se cijena faktora R oznai sa pR, a fakotra K sa pK, funkcija ukupnih trokova, uz
pretpostavku da se zanemare fiksni trokovi definie se sljedeim izrazom:
C = F ( R, K ) = pR R + pK K ; pR > 0, pK > 0.
(1.165)
Za dati nivo utroaka dva posmatrana faktora proizvodnje ostvario bi se nivo proizvodnje Q
0 uz odgovarajue trokove C 0.
Uz pretpostavku da su trokovi poznati i konstantni (C=const.,) definie se izocost prava. To je
prava na kojoj svaka kombinacija utroaka faktora za rezultat ima iste trokove proizvodnje:
C = pR R + pK K = CC = const.
(1.166)
Diferenciranjem gornjeg izraza se dobija izraz za koeficijent smjera, tj. nagib funkcije trokova:
dC = pR dR + pK dK
0 = pR dR + pK dK
(1.167)
p
dK
= R
dR
pK
Nalaenjem presjeka sa koordinatnim osama moe se nacrtati grafik funkcije trokova, odnosno izocost prave:
C = CC = pR R + pK K = const.
(1.168)
Presjeci sa osama su:
27
Po analogiji izocost prava se moe izvesti i za bilo koju drugu dvofaktorsku funkciju proizvodnje u kojoj
su faktori oznaeni drugim simbolima kao npr. Q=F(X1, X2) .
181
EKONOMETRIJSKE FUNKCIJE
K = 0 CC = pR R R =
CC
>0
pR
(1.169)
C
R = 0 CC = pK K K = C > 0
pK
K
CC
pK
CC
pR
FUNKCIJE PROIZVODNJE
(1.170)
Optimalna kombinacija faktora proizvodnje se postie onda kada je odnos graninih proizvoda jednak odnosu cijena utroenih faktora proizvodnje, tj. kada je granina stopa
tehnoloke supstitucije jednaka graninoj stopi ekonomske supstitucije.
Odreivanje minimalnih trokova za poznati nivo proizvodnje
(1.171)
K
QC=const.
C3
C2
K
0
P
C1
183
EKONOMETRIJSKE FUNKCIJE
Na grafikonu su predstavljene tri izocost prave C3 > C2 > C1 i izokvanta Qc koja predstavlja
odreeni konstantni nivo proizvodnje.
Optimalna kombinacija faktora koja minimizira trokove za dati nivo proizvodnje se postie u taki u kojoj je zadovoljen uslov da je koeficijent smjera (nagib) izokvante jednak
koeficijentu smjera (nagibu) izocost prave, tj.
Q R
p
= R
Q K
pK .
(1.172)
184
Q R
p
= R
Q K
pK .
FUNKCIJE PROIZVODNJE
K
Q2
Q3
Q1
CC
P
K
R
To je taka u kojoj je izocost prava tangenta na izokvantu Q2. Na grafikonu ta taka je oznaena sa P. Nivo proizvodnje Q3 se ne bi mogao realizovati uz zadate trokove jer nemaju
zajednikih taaka sa izocost pravom. Nivo proizvodnje Q1 ima presjene take sa izocost
pravom to znai da bi se mogao realizovati. Meutim, bilo bi neracionalno uz zadate trokove proizvoditi manji nivo proizvodnje Q1, jer se za iste trokove moe proizvesti vei
nivo proizvodnje, nivo Q2.
Oblici funkcija proizvodnje mogu da budu razliiti jer mnoge algebarske funkcije zadovoljavaju ekonomsko-tehnoloke karakteristike. Pored poeljnih osobina, mnoge funkcije
proizvodnje imaju i specifine karakteristike, pa izbor konkretnog oblika funkcije proizvodnje zavisi od proizvodnog procesa koji se istrauje i analizira.
Najpoznatija i najee primjenjivana od svih funkcija proizvodnje je Cobb-Douglasova
funkcija proizvodnje28 koja ima sljedei oblik:
Q = AR K
(1.173)
u kojem Q predstavlja proizvodnju, R i K faktore proizvodnje, parametar A predstavlja parametar efikasnosti, a i su parametri koje treba ocijeniti, a koji predstavljaju
koeficijente elastinosti proizvodnje u odnosu na faktor rad i faktor kapital.
28
Ovu funkciju su (uz ogranienje + = 1) 1927. godine predloili i empirijski testirali Cobb, C. W. i Douglas, P. H.
185
EKONOMETRIJSKE FUNKCIJE
Ukoliko je zbir koeficijenata elastinoti proizvodnje u odnosu na faktore R i K jednak jedinici + = 1 , funkcija proizvodnje je linearno homogena i moe se napisati u sljedeem
obliku:
Q = AR1 K
(1.174)
iz kojeg se moe izvesti prosjena funkcija proizvodnje po faktoru R, koja se naziva i funkcija produktivnosti
q=
Q AR1 K
=
= AR K
R
R
(1.175)
(1.176)
Ukoliko se u funkciju uvede kao trei faktor tehniki progres, funkcija (1.173) dobija sljedei oblik
Q = AR K e t
(1.177)
Q AR1 K e t
=
= AR K e t
R
R
(1.178)
odnosno,
K
q = A( ) e t = Ac e t .
(1.179)
R
U primjerima koji slijede poslije ovih teoretskih analiza i obrazloenja su predstavljeni i
analizirani razliiti tipovi funkcija proizvodnje.
Primjer 1.38.
Da li opti oblik funkcije Q = A R K gdje A > 0, 0 < < 1, 0 < < 1 ima poeljne osobine?
Rjeenje:
a)
Q
= A R (1 ) K > 0 za > 0
R
Q
= A R K (1 ) > 0 za > 0
K
186
FUNKCIJE PROIZVODNJE
2Q
Q
= (1 ) A 2 < 0 za < 1
2
R
R
2Q
Q
= (1 ) A 2 < 0 za < 1
2
K
K
Zadovoljen uslov opadajueg graninog prinosa.
K
1
c) lim A 1 = A K lim 1 = 0
R
R R
R
K
1
lim A 1 = A K lim 1 = 0
K
K K
R
b) izoklinu za k = 2 ,
c) linije grebena za proizvodne povrine.
Rjeenje:
187
FUNKCIJE PROIZVODNJE
2Q
Q
= (1 ) A 2 < 0 za < 1
2
R
R
2Q
Q
= (1 ) A 2 < 0 za < 1
2
K
K
Zadovoljen uslov opadajueg graninog prinosa.
1
K
c) lim A 1 = A K lim 1 = 0
R
R R
R
1
K
lim A 1 = A K lim 1 = 0
K
K K
R
b) izoklinu za k = 2 ,
c) linije grebena za proizvodne povrine.
Rjeenje:
Iz navedene funkcije Q = 8 R K slijedi da Q 2 = 64 R K , pa je
Q2
jednaina izokvante.
64 R
16 2
4
Za Q = 16 K =
K=
.
64 R
R
32 2
16
K=
.
Za Q = 32 K =
64 R
R
K=
187
FUNKCIJE PROIZVODNJE
Rjeenje:
a) Q = 4 R + 3 K R 2 + 3 R K
3 (1 + R ) K = Q 4 R + R 2
K=
Q 4 R + R2
predstavlja jednainu za izokvantu.
3 (1 + R )
6 4 R + R2
.
3 (1 + R )
9 4 R + R2
Za Q = 9 imamo sljedei izraz: K =
.
3 (1 + R )
Za Q = 15 imamo sljedei izraz: K =
b)
15 4 R + R 2
.
3 (1 + R )
Prema tome, za k =
QR
4 2 R + 3 K
= 1 vrijedi sljedei izraz k =
= 1.
3 (1 + R )
QK
To znai da 4 2 R + 3 K = 3 (1 + R ) , odnosno 3 K = 3 (1 + R ) 4 + 2 R
3 (1 + R ) 4 + 2 R
4 2 R
1 5 R
K = 1+ R +
K = +
K=
3
3
3
3
3
1 5 R
Iraz K = +
predstavlja funkciju izokline oblika K = f (R ) .
3
3
4 2 R + 3 K
= , slijedi 3 (1 + R ) = 0 . Prema tome, R = 1 preds3 (1 + R )
tavlja prvu liniju grebena.
c)
Iz relacije
Iz
relacije
4 2 R + 3 K
= 0,
3 (1 + R )
slijedi
4 2 R + 3 K = 0.
Prema
tome,
4 2 R
predstavlja drugu liniju grebena.
K = +
3
3
5 1 R
Sve izokvante imaju asimptote iste krivulje K = +
i R = 1 .
3
3
189
EKONOMETRIJSKE FUNKCIJE
d) Dvije linije grebena definiu podruje racionalnih odluka za datu funkciju proiz4 2 R
vodnje. Granice tog podruje su nejednaine K +
i R 1 . Meutim, u
3
3
ovom podruju racionalnih odluka nisu ispunjeni svi uslovi koji se odnose na nenegativnost faktora proizvodnje. Prema tome, sljedee nejednaine predstavljaju stvarno
podruje racionalnih odluka:
K
4 2 R
, R > 0 , K > 0.
+
3
3
4 2 R
K = +
3
3
R = -1
9 10 11
Primjer 1.41.
Data je funkcija proizvodnje Q = 10 R 0,5 K 0,5 .
Cijena jednog radnog sata je 10 nj. ( p R = 10) . Cijena jednog mainskog sata je 20 nj.
( p K = 20) . Fiksni trokovi su 60 nj (F = 60) .
a) Pronaite funkciju ukupnih trokova oblika K = f (R ) .
b) Pronaite funkciju ukupne proizvodnje oblika K = f (R ) .
c) Potrebno je izraunati koja kombinacija proizvodnih utroaka predstavlja najnie
trokove proizvodnje ako se poznate izokvante Q1 = 25, Q2 = 35 i Q3 = 50 jedinica finalnog proizvoda.
d) Grafiki predstaviti kompletno rjeenje.
190
FUNKCIJE PROIZVODNJE
Rjeenje:
a) Prvo treba da odredimo funkciju ukupnih trokova: C = C (R, K ) = 10 R + 20 K + 60 .
L = 10 R + 20 K + 60 10 R 0,5 K 0,5 Q
L
= 10 5 R 0,5 K 0,5 = 0
R
L
= 20 5 R 0,5 K 0,5 = 0
K
L
= Q 10 R 0,5 K 0,5 = 0
(10 5 R
0,5
K 0,5 ) 2 = ( 0 ) 2
20 5 R 0,5 K 0,5 = 0
20 10 R 0,5 K 0,5 = 20 5 R 0,5 K 0,5
10 R 0,5 K 0,5 5 R 0,5 K 0,5
=
5 R 0,5 K 0,5
5 R 0,5 K 0,5
2 K
= 1 K = 0,5 R
R
li
su
zadovoljene
osobine
funkcije
proizvodnje
za
Q
= 5 R 0 ,5 K 0 ,5 > 0
R
Q
= 5 R 0,5 K 0 ,5 > 0
K
2Q
R
191
EKONOMETRIJSKE FUNKCIJE
2Q
K
C 60 10 R
C 60 1
K=
R
20
2
20
0 ,5
0 ,5
0,5
Q
10 R 0,5
Q2
K=
100 R
25 2
100 R
R = 12,5
Za Q2 = 35 i za datu liniju ekspanzije ( K = 0,5 R ): K =
K = 0,5 12,5
K = 0,5 24,5
35 2
100 R
R = 24,5
Za Q3 = 50 i za datu liniju ekspanzije ( K = 0,5 R ): K =
50 2
100 R
R = 50
K = 0,5 50
Odgovarajui trokovi, koji ujedno i predstavljaju najnie trokove, za date nivoe proizvodnje se mogu jednostavno izraunati.
Za Q1 = 25 , R = 12,5
Za Q1 = 35 , R = 24,5 i
Za Q1 = 50 , R = 50
192
FUNKCIJE PROIZVODNJE
d)
K
8
7
6
K=0,5R
5
4
3
Q=50
Q=35
Q=25
1
0
10
11
12
R
Grafikon 1.41. Izokvante i putanja ekspanzije
Primjer 1.42.
a) Ocijenite u MS Excel-u funkciju proizvodnje tipa Cobb-Douglas ( Q = A K L )
na osnovu sljedeeg uzorka za 24 preduzea tekstilne industrije.
b) Interpretirati rezultate ocijenjenog modela.
Preduzee
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
Output (Q)
200
202
224
244
248
244
286
304
302
252
310
318
306
354
368
338
378
450
454
446
436
462
358
480
Kapital (K)
200
200
214
228
244
262
276
298
326
352
370
396
416
432
452
472
488
532
596
670
732
774
814
834
193
EKONOMETRIJSKE FUNKCIJE
Rjeenje:
a) Zavisna varijabla je Output (Q). Nezavisne varijable su dva faktora proizvodnje:
Kapital (K) i Radna snaga (L). Tri parametra koja treba ocijeniti su A, i .
Jasno nam je da Cobb-Douglas funkcija nije linearna funkcija. Prema tome, ne moemo direktno ocijeniti tu funkciju u MS Excel-u. Naime, potrebno je prvo
preformulisati datu funkciju tako da se moe ocjena izvriti u MS Excel-u. To podrazumijeva linearizaciju date forme Cobb-Douglas funkcije:
ln(Q) = ln(A K L )
Q = A K L ln(Q) = ln A + ln (K ) + ln ( L )
ln(Q) = ln A + ln K + ln L
Na Grafikonu 0.0. prve etiri kolone pokazuju sirove podatke koje smo dali u prethodnoj tabeli. Ovo kolone predstavljaju etiri varijable (Preduzee, Output, Kapital,
Radnu snagu). Sljedee tri kolone predstavljaju odgovarajue ln vrijdnosti za zavisnu
varijablu i dvije nezavisne varijable. U MS Excelu-u komanda =ln(broj elije) nam
jednostavno izrauna ln vrijednost.
194
FUNKCIJE PROIZVODNJE
Q = A K L
ln (Q ) = ln ( A) + ln (K ) + ln (L )
195
2)
3)
4)
5)
6)
7)
8)
9)
Y X
a) Eq , p 0
d) EP ,q 1
( p R )
( q R )
+
b) Eq , p 0 ( p R + )
e) ED , x 0 ( x R + )
c) EC , x 0 ( x R + )
196
PITANJA ZA PONAVLJANJE
13) Ako visina budeta poraste za 1%, a ostale determinante tranje ostanu nepromijenjene, onda e se prethodni nivo tranje smanjiti za Eq, B %. Ova situacija e se desiti ako
se radi o:
a)
b)
c)
d)
Luksuznom dobru,
Normalnom dobru,
Inferiornom dobru,
Nunom dobru.
17) Ako cijena komplementarnog dobra poraste za 1%, a ostale determinante tranje ostanu iste, tranja za predmetnim dobrom e:
a)
b)
c)
d)
opasti za Eq,pk%,
porasti za Eq,pk%,
opasti za 1%,
porasti za 1%.
18) Da bi matematska funkcija q = a - bp bila funkcija tranje trebaju biti zadovoljeni uslovi:
a) p>o; q>0; a>0; b<0,
b) p>o; q<0; a<0; b>0,
c) p>o; q>0; a<0; b<0.
19) Neka je C=C(Y) funkcija trokova. ta predstavlja rijeenje sljedee jednaine
EC .Y = 0 ? Odgovor obrazloiti.
20) Grafika kua Book je procijenila da tampanjem 6 kompleta knjiga dnevno ostvaruje
najmanji prosjean troak. Utvreno je da prosjean troak po kompletu knjiga iznosi 60
KM. Odrediti visinu graninog troka za proizvodnju 6 kompleta knjiga:
a) 10 KM/kompletu,
b) 360 KM/kompletu,
197
EKONOMETRIJSKE FUNKCIJE
c) 60 KM/kompletu,
d) 0 KM/kompletu.
21) Da bi matematska funkcija q = a + bp bila funkcija ponude trebaju biti zadovoljeni
uslovi:
a)
b)
c)
d)
D=0
P =C
D =0
P = C
a) EC , xe = 0
c) C ( xe ) = 0
b) EC , xe = 1
d) C ( xe ) = min C ( x )
x 0
198
PITANJA ZA PONAVLJANJE
a) C ( y e ) = 0
b) C ( ye ) = 1
c) D( ye ) = 0
d) C ( ye ) = C ' ( ye )
199
EKONOMETRIJSKE FUNKCIJE
37) Ako za ( X o > 0 Yo > 0) elastinost prosjene funkcije je E Y X = 3 %, izraunati odgovarajuu vrijednost elastinosti inverzne funkcije X = g (Y ) .
38) Neka je C=C(Y) funkcija trokova. Ako je za Y1=5kg C(Y1)=120 KM i za Y2=7kg
C(Y2)=130 KM, koji nivo proizvodnje je ekonominiji?
39) Utvreno je da granini troak u proizvodnji 100 kom stolnih lampi firme Alfa iznosi 4 KM/kom. Ovaj podatak nam govori da porast proizvodnje za 1 komad uzrokuje
a)
b)
c)
d)
40) Firma AV je procijenila funkciju trokova u proizvodnji hrane za pse kao C=16+x2.
Odrediti koji obim proizvodnje je najekonominiji:
a)
b)
c)
d)
q = 10,
q = 3,
q = 4,
q = 5.
41) Ako je yD najrentabilniji nivo proizvodnje, a y D nivo proizvodnje kod kojeg se maksimizira prosjena dobit, zaokruite tane izraze:
a) C ( yD ) = 0,
b) D ( yD ) = 0,
c) D ( yD ) = 0,
d) D ( yD ) = D ( yD ) .
K
Odrediti nivo proizvodnje koji
R
se ostvaruje angaovanjem 64 jedinice R i 256 jedinica K.
200
PITANJA ZA PONAVLJANJE
46) Za funkciju prihoda P(q) = 8q 3q2 izraunati P (1) i protumaiti znaenje dobijene
vrijednosti.
47) Definisati izokost pravu i navesti barem dvije njene osobine.
48) Ako je P( p ) = p 5 p 2 funkcija prihoda, odrediti odgovarajuu funkciju tranje.
49) Ako je funkcija prihoda prihoda P = 0.86q0.4, kolika je elastinost tranje?
Ep,q = 0.4 b) Ep,q = 0.4 1 c) Ep,q = 0.4+ 1 d) Ep,q = 0. 86
50) Ako je D (3) = D (3) = 10 , tada je nivo proizvodnje q = 3:
a) nivo najrentabilnije proizvodnje,
b) nivo najekonominije proizvodnje,
c) nivo u kojem se postie maksimalna prosjena dobit.
Zaokruite taan odgovor.
51) Ako su P, C i D funkcije prihoda, trokova i dobiti redom, koji od navedenih grafikona
bi mogli odgovarati ovim funkcijama?
P
C
P
C
C
D
D
a)
D
b)
c)
52) Ako je Q = Q ( x1 , x2 ,..., xn ) neka funkcija. Navesti barem tri uslova koja mora zadovoljavati funkcija Q da bi bila funkcija proizvodnje.
53) Data je funkcija Q=Q (R,K). Napiite izraze koje bi ova funkcija trebala zadovoljiti da
bi bila funkcija proizvodnje.
54) Razliita kombinacija utroaka faktora proizvodnje kojim se ostvaruje isti nivo proizvodnje naziva se:
a)
b)
c)
d)
izoklina,
izokost prava,
izokvanta,
granina stopa supstitucije.
201
EKONOMETRIJSKE FUNKCIJE
1
2
1
2
56) Data je funkcija proizvodnje Q = Q(R, K ) . Napiite izraze za funkcije granine proizvodnje i objasnite jednu od njih.
1
2
1
2
C
P
b)
c)
PITANJA ZA PONAVLJANJE
65) Ako je ye najekonominiji nivo proizvodnje, kod nivoa proizvodnji yo > ye zaokruiti
taan odnos izmeu vrijednosti prosjenih C o = C ( yo ) i graninih Co = C ( yo ) trokova:
a) C ( yo ) = C ( yo )
b) C ( yo ) > C ( yo )
c) C ( yo ) < C ( yo )
28 %,
5,87 %,
3,90 %,
9,77 %.
203
8 p
8+ p
Zadatak 1.2.
Na tritu odreenog tipa robe nalaze se tri potencijalna potroaa sa individualnim zakonima tranje:
X 1 = 12 3 p;
X 2 = 9 p;
X 3 = 3 0,5 p .
a) Odrediti funkciju agregatne tranje i agregatnog prihoda na ovom tritu uz grafiki
prikaz ovih funkcija.
b) Za koju cijenu se maksimizira ukupni prihod i koliko on iznosi?
c) Odrediti elastinost agregatne tranje Eq,p za cijenu p u kojoj se prihod maksimizira.
Objasniti rezultat.
Zadatak 1.5.
ZADACI ZA VJEBU
Neko dobro se na tritu prodaje po cijeni p =7 nj/kj. Tranja za tim dobrom je beskonana.
Proizvoa tog dobra ima funkciju trokova C ( y ) = y 2 + 10 .
a) Odrediti funkciju dobiti, analizirati je i grafiki prikazati
b) Odrediti njenu funkciju elastinosti u nivoima y =1, y = 3, y = 4, y = 6 uz tumaenja.
Zadatak 1.8.
Firma Smiley proizvodi jednu vrstu igraaka. Kretanje trokova proizvodnje je dato
sljedeom funkcijom C (q ) = q 2 + 8q + 80 ; gdje je q mjesena proizvodnja tih igraaka.
Ako je q(p) = 36 p funkcija mjesene tranje za tim igrakama treba:
a) Odrediti algebarski i grafiki prikazati funkciju mjesene dobiti ove firme.
b) Odrediti elastinost dobiti za nivo q = 3 kom. i protumaiti rezultat.
c) c) Za koju cijenu e dobit ove firme biti maksimalna?
Zadatak 1.9.
1
Data je nepotpuna funkcija agregatne tranje q = A p i funkcija agregatne ponude
3
2
q = 2 + p .
3
a) Odrediti vrijednost parametra A ako se zna da je ekvilibrij cijena p = 10 nj / kj .
b) Odrediti algebarski izraz inverznog zakona agregatne tranje p = p (q ) , a zatim odrediti, algebarske izraze funkcija ukupnog prihoda P = P (q ) i graninog prihoda
P ' = P ' ( q ) u zavisnosti od tranje.
c) Algebarski, tabelarno i grafiki odrediti elastinost prihoda u odnosu na tranju E P , q .
205
EKONOMETRIJSKE FUNKCIJE
Zadatak 1.10.
a) Izvesti zakon trine ponude q = q ( p ) uz algebarsklo odreivanje oblasti definisanosti i grafiki je predstaviti.
b) Ako je poznat zakon trine tranje q ( p ) = 25 4 p odrediti ekvilibrij cijenu i
ekvilibrij koliinu uz grafiki prikaz i obiljeavanje karakteristine take.
c) Za koju cijenu je elastinost tranje jedinina?
Zadatak 1.11.
p
4.
3
a) Pronai njegovu funkciju ukupnih trokova ako je najekonominiji nivo proizvodnje
ye = 8.
b) Odrediti koeficijent elastinost ukupnih trokova u nivou ye i objasniti znaenje dobivene vrijednosti.
Zadatak 1.12.
206
ZADACI ZA VJEBU
Zadatak 1.14.
Kod nekog proizvoaa poznata je funkcija prihoda P(q ) = 30q 3q 2 i nepotpuna funkcija
trokova C (q ) = A + 2q + q 2 .
a) Odrediti vrijednost parametra A ako se zna da je najekonominiji nivo proizvodnje
q e = 24 kj .
b) Odrediti algebarski izraz funkcije dobiti i dati grafiki prikaz uz obiljeavanje karakteristinih taaka i intervala nerentabilnosti.
c) Odrediti funkciju proizvoaeve ponude, oblast definisanosti i grafiki je predstaviti.
Zadatak 1.15.
q = 2 p 2 i potranje q =
1 2
p 4 p +8.
2
207
EKONOMETRIJSKE FUNKCIJE
Zadatak 1.18.
Poznata je funkcija proizvodnje nekog proizvoaa Q = 50 R 2 / 3 K 1 / 3 . Rad R se mjeri u radnim satima, kapital K u kapitalnim satima i nivo proizvodnje Q u tonama. Za nivo
proizvodnje Q = 5000 tona pronai funkciju izokvante K = f (R ) i nacrtati je za vrijednost
0 R 250 .
a) Formirati funkcije granine proizvodnje Q R' i prosjene proizvodnje Q R za
R = 125 rs i K = 216 ks , odrediti njihove vrijednosti i objasniti ekonomsko znaenje
datih funkcija.
b) Ako je cijena angaovanja 1 radnog sata p R = 20 nj i cijena angaovanja 1 kapitalnog sata p K = 160 nj , odrediti optimalnu kombinaciju faktora proizvodnje (R,K)
kojom e se ostvariti maksimalan nivo proizvodnje uz novana sredstva
C = 24.000 nj .
Zadatak 1.20.
ZADACI ZA VJEBU
c) Ako je cijena angaovanja 1 radnog sata p R = 10 nj i cijena angaovanja 1 kapitalnog sata p K = 640 nj , odrediti optimalnu kombinaciju faktora proizvodnje (K,R)
tako da se nivo proizvodnje Q = 12.800 komada ostvari pod minimalnim trokovima
C. Utvrditi iznos minimalnih trokova i prikazati krivu minimalnih trokova.
Zadatak 1.22.
209
EKONOMETRIJSKE FUNKCIJE
Zadatak 1.25.
210
-20
-20
-10
10
y=
8 p
8+ p
Rjeenje 1.2.
b)
P ' ( p) = 0 3 p 2 48 p + 144 = 0 p1 = 4; p 2 = 12
P " (4) < 0 p = 4, P + = 256
256
12
211
EKONOMETRIJSKE FUNKCIJE
c)
10
1, 43
7
= Eq , p =5 + 1 0, 43
Eq , p =5 =
E , p =5
a)
Za cijenu za koju se maksimizira prihod vrijedi uslov P ' ( p ) = 0 za p = 4,5 64,5=0 = 27.
b)
c)
EP , p =
27 6 p
;
27 3 p
1
4,5
9 9
-1
d)
Eq , p = 4,5 = E , p = 4,5 1 = 0 1 = 1 .
Rjeenje 1.4.
a)
24 4,5 p; za p ( 0, 4 )
q( p ) = 12 1,5 p; za p [ 4, 6 )
9 p; za p [ 6,9 )
24 p 4,5 p 2 ; za p ( 0, 4 )
P ( p ) = 12 p 1,5 p 2 ; za p [ 4, 6 ) .
9 p p 2 ; za p [ 6,9 )
212
b)
c)
q, p=
8
3
=E
P, p=
8
3
8
i iznosi P+ = 32.
3
maksimalan).
Rjeenje 1.5.
a)
C ( y ) = 2bydy = by 2 + F ; Iz uslova
C ( ye ) = C ( ye ) C (4) = C (4) 8b =
b)
c)
16b + 32
b=2
4
C ( y ) = 2 y 2 + 32
C ( y ) = 4 y
C ( y) =
2 y 2 + 32
y
EC , y =
2 y2
0
y 2 + 16
d)
E C , ye = 1
E C , ye = 0
;
Ako nivo najekonominije proizvodnje poveamo za 1%, ukupni trokovi e se poveati takoer 1 % (jedinina elastinost), a prosjeni ukupni trokovi se nee
promijeniti.
213
EKONOMETRIJSKE FUNKCIJE
Rjeenje 1.6.
a)
D(q) = q 2 + 10q 30 .
Rjeenje 1.7.
a)
D( y ) = 7 y y 2 10 .
Interval rentabilnosti (2, 5); nivo najrentabilnije proizvodnje yd =3,5; Maksimalna
dobit D+= 2,5.
b)
y =1 ED,y = -1,25.
Ako nivo proizvodnje y =1 poveamo za 1%, gubitak D = -4 e se smanjiti za 1,25 %.
y =3 ED,y = 1,5.
Ako nivo proizvodnje y =3 poveamo za 1%, dobit D = 2 e se poveati za 1,5 %.
y =4 ED,y = -2.
Ako nivo proizvodnje y = 4 poveamo za 1%, dobit D = 2 e se smanjiti za 2 %.
y =6 ED,y = 7,5.
Ako nivo proizvodnje y =6 poveamo za 1%, gubitak D = -4 e se poveati za 7,5 %.
Rjeenje 1.8.
a)
214
18
10
-80
b)
E D , q =3 =
c)
p = 29.
24
3,43
7
.
Rjeenje 1.9.
a)
b)
p (q ) = 36 3q
P(q ) = qp (q ) = 36q 3q 2
P ' (q ) = 36 6q
c)
E P,q =
36 6q
36 3q
E P ,q
q=0
E P , q =1
0<q<6
0< E P , q <1
q=6
E P , q =0
6<q<8
-1< E P , q <0
q=8
E P , q =-1
8<q<12
E P , q <-1
215
EKONOMETRIJSKE FUNKCIJE
Rjeenje 1.10.
a)
DP : p > 0,
X > 0,
X ' > 0
1 + 0,5 p > 0
X 1 :
4 + p > 0
X :
p>2
X 3 :
p>6
9 + 1,5 p > 0
p>4
4
R
7/3
1
6
4
PR=44/9
b)
q ( p ) = 25 4 p
p > 0, q ( p ) > 0, q ( p ) < 0 25 4 p > 0
q( p ) =
p<
25
i
4
4
2
=
< 0 ( p ) p ( 0;6, 25 )
2 25 4 p
25 4 p
D.P. p ( 2;6, 25 )
q ( p ) = q ( p )
25 4 p = 5 + 1,5 p
25 4 p = 25 15 p +
9 2
p 11 p = 0 p = 0 D.P.
4
9
44
4,9 qE = 5 + 1,5 4,9 = 2,3
p = 11 p =
4
9
c)
216
E q , p = 1 p =
25
.
6
9 2
p
4
Rjeenje 1.11.
a)
p = C ( y ) ;
p
4 p = 3 y 2 24 y + 60 C ( y ) = 3 y 2 24 y + 60 .
3
y = 4+
C ( y ) = (3 y 2 24 y + 60)dy = y 3 12 y 2 + 60 y + F
C (8) = C (8) F = 256
C ( y ) = y 3 12 y 2 + 60 y + 256
b)
EC , yE = 1 .
Rjeenje 1.12.
a)
C (q e ) = C (q e ) 8q =
b)
4q 2 + 160
qe = 2 10 .
q
Rjeenje 1.13.
a)
C = 5e Ay
ye = 5
C ( ye ) = C ' ( ye )
5e Ay
1
1
= 5e Ay A =
=
y
y
5
C = 5e y / 5
C=
5e y / 5
y
C = V = ey/5
'
V =
y
5
e
1
5
5(e 1)
y
Grafikon 1.13. Funkcije graninog
i prosjenog ukupnog troka i
prosjenog varijabilnog troka
217
EKONOMETRIJSKE FUNKCIJE
b)
ln
y
ln e = ln p
5
y
= ln p y = 5 ln p
5
E ( yu , pu )
yu = 5
pe = e
yi = 0
x = 5 ln p
pi = 1
1
Rjeenje 1.14.
a)
P (q ) = 30q 3q 2 ;
C (q ) = A + 2q + q 2 ;
qe = 24 kj
'
A + 2q + q 2
A
C (qe ) = 0 C =
= 0 1 2 = 0 A = 24
q
q
'
b)
'
D( q) = P( q) C (q)
D(q)
D( q) = 30q 3q 2 (q 2 + 2q + 24)
D( q) = 4q 2 + 28q 24
Dmax(3,5;60)
D( q) = 0 4q + 28q 24 = 0
Nule : q1 = 1, q2 = 6
2
interval rentabilnosti
60
qD=3,5
-F
Interval nerentabilnosti
8q + 28 = 0
qD = 7 / 2
D (qD ) = D (3,5) = 4 3,5 + 28 3,5 24 = 60
D max (7 / 2,60)
F = 24
218
c)
-1
Rjeenje 1.15.
a)
C ( y ) = y C ( y ) = y 2 + 4 y + 100
P ( y ) = 29 y
D ( y ) = P ( y ) C ( y ) = y 2 + 25 y 100
b)
C ( y ) = 0 y = ye
1
100
= 0 ye = 10
y2
12,5
20
-100
D( y ) = 0 y = yd
2 y + 25 = 0 yd = 12,5
Interval rentabilnosti: (5,
Maksimalna dobit D+ = 56,25.
c)
20);
Izlazna cijena pi = pv = 4.
219
EKONOMETRIJSKE FUNKCIJE
Rjeenje 1.16.
a)
D. P. ponude:
p > 0;
q > 0 p (1, )
q > 0
D. P. potranje:
p>0
q < 0 p ( , 4 )
D. P. trita p (1, 4 )
b)
c)
1 2
p 4 p + 8 = 2 p 2 p1 = 2 (1, 4 ) i p2 = 10 (1, 4 )
2
Taka ravnotee je R (2, 2)
q = q
Eq , p = 2 =
( p 4) =
2p
= 2
p4
1
2
( p 4)
2
Ako se cijena sa nivoa p=2 povea za 1%, agregatna tranja e se sa nivoa q = 2 smanjiti za 2%.
Rjeenje 1.17.
a)
p (q ) =
Aq
2
q
p(q)
E p ,q =
p(q)
2q
1
( ) = 1 8 = A 8 A = 16
E p ,q=8 =
2
Aq
b)
c)
220
16
Eq , p=6 = 3
Ako se cijena sa nivoa p = 6 povea
za 1%, tranja sa nivoa q = 4 e se
smanjiti za 3%.
Rjeenje 1.18.
a)
s=
b)
9
4
Rjeenje 1.19.
a)
Q = 50 R 2 / 3 K 1 / 3
5000 = 50 R
2/3
1/3
3
1000000
R2
Izokvanta Q=5000 ima oblik
1000000
K=
R2
1000000 = R 2 K K =
250
K = 216;
R = 125;
Q = 50 R
2/3
1/ 3
2
1003 K 1003 216 600
'
Q R = 50 R 1 / 3 K 1 / 3 = 3
= 3
=
= 40
3
15
3 R
3 125
50 R 2 / 3 K 1 / 3
503 K 503 216
= Q = 50 R 1 / 3 K 1 / 3 = 3
= 3
= 60
R
125
R
U prosjeku se po svakom rs faktora R ostvaruje 60 t proizvodnje.
QR =
b)
CC = pR R + pK K
24000 = 20 R + 160 K
2
50 R 1/3 K 1/3
20
1 2K
3
=
=
=
= R = 16
R
160 50 R 2/3 1 K 2/3
8
3
24000 = 20 R + 160 K 24000 = 20 16 K + 160 K
480 K = 24000
K = 50
K = 50
R = 16 50 = 800
pR QR'
=
pK QK'
221
EKONOMETRIJSKE FUNKCIJE
Rjeenje 1.20.
a)
R = 216;
Q = 1050
Q = 25 R M 1/3
1/3
k =2
k = S =
QR'
QM'
M=2R
1
25 R 2/3 M 1/3
M
3
2=
=
1
25 R1/3 M 2/3 R
3
M = 2R
c)
Q = 25 R1/ 3 M 1/ 3 ;
pK = 25nj;
pR
Q
= R
pM
Q M
Q = 250
pR = 10nj;
1
Q R = 25 R 2 / 3 M 1 / 3
3
1
Q M = 25 R 1 / 3 M 2 / 3
3
10 M
=
25
R
10 R = 25 M
10
=
25
5
5
M R = 20 = 50
2
2
1/ 3
1/ 3
250 = 25 R M
R=
10 = R 1 / 3 M 1 / 3
10 3 1000
1000
=
=
5/2M
R
R
2
M = 400 M = 20
M =
222
C
M
20
50
Grafikon 1.20.a. Optimalna
kombinacija kaktora
Najnii trokovi kojim se moe ostvariti nivo proizvodnje Q=250 tona iznose:
C = p R R + p M M = 10 50 + 25 20 = 1000 , a izotrokovna prava:
10 R + 25 M = 1000 2 R + 5M = 200 .
Rjeenje 1.21.
a)
b)
R = 300; K = 150
Q'
S = R'
QK
1
100 R 1 / 2 K 1 / 2
K
150
2
S=
= =
= 1 / 2
1
R
300
1/ 2
1 / 2
100 R K
2
Ukoliko se rad povea za jednu rs, kapital je potrebno smanjiti za 1/2 ks da bi nivo
proizvodnje Q ostao konstantan.
c)
Q = 100 R1 / 2 K 1 / 2 ; Q = 12800
pK = 640nj;
pR = 10nj;
p R QR
=
p K QK
1
QR = 100 R 1 / 2 K 1 / 2
10
2
=
640 Q = 100 R1 / 2 1 K 1 / 2
K
2
10 K
=
640 R
10 R = 640 K
R = 64 16 = 1024
R = 64 K
12800 = 100 R 1 / 2 K 1 / 2
128 = ( 64 K ) 1 / 2 K 1 / 2
16384 = 64 K
= 256 K = 16
Najnii trokovi kojim se moe ostvariti nivo proizvodnje Q=12800 komada iznose:
C = p R R + p K K = 10 1024 + 640 16 = 24480 nj , a izotrokovna prava:
10 R + 640 K = 24480 R + 64 K = 2448 .
223
EKONOMETRIJSKE FUNKCIJE
Rjeenje 1.22.
a)
EQ , K =
K
1
1
K
Q'K =
36 R1 / 4 K 1 / 2 = = 0,5
1/ 4 1/ 2
2
2
Q ( R, K )
36 R K
k = S =
QR'
QK'
1
36 R 3/ 4 K 1/ 2
K
4
=
k =00=
1
36 R1/ 4 K 1/ 2 2 R
2
c)
K
za K = 0 linija grebena
2R
K
k = =
za R = 0 linija grebena
2R
0=
Q = 36 R1 / 4 K 1 / 2 ;
pK = 200nj;
C = 30000
pR = 5nj
CC = pR R + pK K
pR QR'
=
pK QK'
30000 = 5 R + 200 K
1
36 R 3/4 K 1/2
5
4
=
=
200 36 R1/ 4 1 K 1/ 2
2
1
K
=
= R = 20 K
40 2 R
224
Rjeenje 1.23.
a)
560 = 28 K 4 R 20 = K 4 R
400
400 = K R K =
R
400
30
20
Q=560
400
1200
R
C=19200
b)
1
2
Q = 28 K R Q = 28 K
4
Q R = 7 K
1
2
R 4
i Q K = 14
1
R4
K 2
1
R4
2
4
7
K
R
16
pR
R
1
Q R
=
1
1
=
=
640
pK
40
14 K 2 R 4
2K
QK
Q = 560
400
K R = 400
K =
R = 20 K
K = 20
2
K 20 K = 400 K 20 K = 160000
R = 400
Najnii trokovi kojim se moe ostvariti nivo proizvodnje od Q = 560 kj. iznose:
C = p R R + p K K = 16 400 + 640 20 = 19200 nj. Izotrokovna prava jednaka je:
16 R + 640 K = 19200 R + 40 K = 1200 .
c)
Q K
= 20 ;
Q R
2R
= 20 R = 10 K . Na izokvanti Q=560 ova kombinacija izgleda:
K
225
EKONOMETRIJSKE FUNKCIJE
a)
34560 = 64 3600 K
K
540 = 60 K 9 = K K = 81
b)
34560 = 64 R K 540 =
540 2
291600
R K K =
K=
R
R
243
162
81
R
1200 1800
Grafikon 1.24. Izokvanta
c)
pR R + pK K = CC 270 K + 30 R = 97200
QR'
p
= R
'
QK pK
32 R 1/2 K 1/2
30
K 1
=
= R = 9K
1/2
1/2
32 R K
270
R 9
1/2
1/2
K = 180
Qmax = 64 180 1620 = 64 291600
Qmax = 64 540 = 34560
226
540 K = 97200
R = 1620
3600
Rjeenje 1.25.
a)
Q
Q2
Q = 36 R K K = 4 K = 2
36 R
36 R
b)
QK = 36
14
18 4 R 18 4 1296
=
=9
R K 2 =
2
12
K
1296
Ukoliko K=144 ks poveamo za 1 ks, a R
QK =
Na nivou ulaganja K= 144 ks i R= 1296 rs u prosjeku svaki kapitalni sat daje 18 t outputa.
c)
Q=2592 t
2592 = 364 R K
3
4
1
2
Q R
p
9R K
10
K
1
= R
=
=
R = 9K
1
1
Q K
pK
180
2 R 18
4
2
18 R K
227
EKONOMETRIJSKE FUNKCIJE
Rjeenje 1.26.
a)
b)
K = 256;
Q = 512
32 = R1/2 16
R1/ 2 = 2 R = 4
S
=
K = 230
QK'
1
16 R 1/2 K 1/2
230
K
2
S =
= =
= 2
R
115
1/2
1/2 1
16 R K
2
Jedan radni sat radnika mijenja dva sata rada kapitala, ili ako rad poveamo sa nivoa
115 za 1 rs, K se treba smanjiti za 2 ks da bi proizvodnja ostala na istom nivou.
c)
320 = 16 R 1/ 2 K 1/ 2
pR
Q R
p K Q K
400
20 = R 1/ 2 K 1/ 2
R =
K = 10
K
5
K
R = 4 K
R = 4 10 = 40
20 R
228
R + 4 K = 80 .
Literatura
Andriji, S., (2002), Matematiki modeli i metode programiranja u gospodarskom drutvu,
tree izdanje, Synopsis, Zagreb Sarajevo
Babi, M., (1989), Makroekonomski modeli, etvrto izdanje, Narodne novine, Zagreb
Babi, M., (1997), Mikroekonomska analiza, IV. izmijenjeno i dopunjeno izdanje, Mate,
Zagreb
Babi, M., (2004), Makroekonomija, XIV. dopunjeno i izmijenjeno izdanje, Mate, Zagreb
Bahovec, V., Erjavec, N., (2009), Uvod u ekonometrijsku analizu, Element, Zagreb
Bazler-Madar, M., (1975), Proizvodna funkcija u kembridskoj kontraverzi, Ekonomska
analiza, br. 1-2, Beograd
Blanchard, O., (2005), Makroekonomija, Mate, Zagreb
Chiang, A.C., (1996), Osnovne metode matematike ekonomije, tree izdanje, Mate, Zagreb
Cobb, C. W., Douglas, P. H., (1928), A Theory of Production, American Economic
Review, (Suppl), vol. 18, str. 139-165
Gujarati, D.N., (2004), Econometrie, Traduction de la 4e edition americaine par Bernard
Bernier, De Boeck, Bruxxelles
Horvat B., (1972), Ekonomska analiza I, Proizvodnja i tehnoloki progres, Oeconomica,
Beograd
Jurin, S., ohinger, J., (1990), Teorija trita i cijena, Globus, Zagreb
Jovanovi, A., Madar, Lj., (2000), Osnovi teorije razbvoja i planiranja, Savremena administracija, Beograd
Madar Lj., (1972), Osnovi teorije proizvodnje, PFV Oeconomica, Beograd
Madar Lj., (1976a), Optimizacija u teoriji proizvodnje i privrednog rasta, Savremena administracija, Beograd
Marti, Lj., (1976b), Primjena matematikih metoda u ekonomskoj analizi, II izdanje, Informator, Zagreb
Madar, Lj., (1982), Teorija i modeli agregatne tranje, Informator, Zagreb
Mankiw, N.G., (2006), Osnove ekonomije, tree izdanje, Mate, Zagreb
Marti, Lj., (1972a), Matematike metode za ekonomske analize I, Informator, Zagreb
Marti, Lj., (1972b), Matematike metode za ekonomske analize II, Informator, Zagreb
229
230
Kvantitativne metode u
ekonomiji i menadmentu
2. Tehnike mrenog
planiranja
2.1.
2.2.
2.3.
2.4.
2.5.
2.6.
2.7.
2.8.
2.9.
2.10.
Uvod
Osnovni pojmovi u mrenom planiranju
Primjena tehnika mrenog planiranja
Analiza strukture
Analiza vremena
Analiza trokova
Pitanja za ponavljanje
Zadaci za vjebu
Rjeenja zadataka za vjebu
Analiza sluaja primjenom MS Project-a
2.1. Uvod
Poveavanje broja razliitih projekata, koje je potrebno realizovati, a koji su sve sloeniji i
kompleksniji, uslovilo je potrebu za istraivanjem i nalaenjem metoda za njihovo optimalno rjeavanje. U prvoj fazi razvoja metoda koje omoguuju preglednost procesa realizacije
projekta je dizajniran gantogram. Prvi gantogram dizajnirao je H. L. Gantt izmeu 1910.1915. godine. Gantogram ilustruje poetni i zavrni datum nekih nepromjenjivih i saetih
elemenata. Sa poveanjem broja aktivnosti projekt se uslonjava, to moe prouzrokovati
nepreglednost i neitljivost grafikona. To je jedan od nedostataka gantograma koji ograniava njegovu primjenu. Zbog toga se javila potreba za razvojem novih metoda i tehnika
koje e omoguiti odgovarajui grafiki prikaz kompleksnih i sloenih projekata i njihovo
rjeavanje. Krajem pedesetih godina, razvijene su nove metode planiranja koje se nazivaju
tehnike mrenog planiranja. Ove metode se baziraju na primjeni teorije grafova, moderne
algebre i statistike. Primjenom ovih metoda mogue je jednostavnije i pouzdanije pratiti
odvijanje projekta, koordinirati aktivnosti na realizaciji projekta i otkrivati potekoe koje
mogu usporiti njegovu realizaciju. Osnovna prednost ovih metoda je mogunost odvajanja
pojedinih faza u njihovoj primjeni.
U osnovi razvoja tehnika mrenog planiranja su bila dva odvojena istraivaka projekta.
Metoda kritinog puta (Critical Path Method CPM), ili jednostavnije CPM metoda, razvijena je 1957. godine za potrebe hemijske industrije. Cilj razvoja ove metode je bio da se
izvri planiranje, odravanje i izgradnja fabrike hemijskih proizvoda. CPM metoda primjenjuje planiranje i realizaciju projekata kod kojih se vrijeme trajanja pojedinih aktivnosti
moe precizno i deterministiki odrediti. U okviru istraivakog projekta razvoja raketnog
sistema Polaris, za potrebe amerike mornarice 1958. godine razvijena je metoda za realizaciju i unapreenje upravljanja projektom. Ova metoda je poznata pod nazivom Metoda
evaluacije i revizije programa (Program Evaluation and Review Technique - PERT), ili
jednostavnije PERT metoda. Ova metoda je posebno znaajna za planiranje projekata ije
vrijeme trajanja aktivosti nije mogue deterministiki odrediti.
Postoji veliki broj modifikacija ovih metoda koje se razlikuju metodoloki i mogu se prilagoditi za rjeavanje razliitih projekata.1 Najee se koristi kombinacija CPM i PERT
metode uz podrku razliitih programskih alata, kao to je naprimjer MS Project i drugi.
Tehnika mrenog planiranja je naroito efikasna kada se planiraju procesi koji se jednokratno odvijaju, tako da se prvenstveno koristi pri planiranju naunoistraivakih i razvojnih
projekata, osvajanju novih proizvoda, projektovanju investicionih objekata, investicione
opreme (brodogradnja, velike maine, energetska postrojenja, postrojenja za procesnu industriju itd.), graevinskih radova, integracionih procesa, sve do organizacije kongresa,
konferencija, savjetovanja i drugih drutvenih aktivnosti.2
1
2
233
2.2.1. Projekt
Projekt se u Tehnici mrenog planiranja definie kao skup ekonomskih, organizacionih,
tehnikih i drugih poslova usmjerenih ka realizaciji odreenog sloenog posla. Ekonomske
mjere se odnose na trokove realizacije pojedinih aktivnosti i projekta u cjelini. Organizacione mjere su naini koordinacije predvienih aktivnosti kako bi se projekt zavrio u
predvienom roku. Tehnike mjere podrazumijevaju tipove i obim sredstava koji se angauju za izvrenje pojedinih aktivnosti istraivanog projekta.
U Tehnici mrenog planiranja pod projektom se mogu podrazumijevati: nauno istraivaki
i razvojni projekti, kao naprimjer planiranje novih proizvoda, obrada istraivakih tema,
privredni projekti, planiranje kadrova i upravljanje ljudskim resursima, drutveni i kulturni
projekti itd. Sve je vie sloenijih projekata, to je posljedica ubrzanog razvoja i uvoenja
novih tehnologija. Ove projekte, od kojih su mnogi izuzetno znaajni kako za pojedince,
tako i za drutvo u cjelini, treba na efikasan i ekonomian nain realizovati. Zbog toga veliki znaaj ima upravljanje projektima, koje podrazumijeva ne samo odreivanje trajanja
aktivnosti ve i praenje procesa njihove realizacije i poduzimanja odreenih mjera kako bi
se projekt realizovao na optimalan nain.
2.2.2. Aktivnost
Aktivnost je odreena etapa radnog procesa, kojom se obezbjeuje nuan preduslov za
start jedne ili vie narednih aktivnosti pripadnog projekta, ili finalizira rezultat predvien
pripadnim projektom.3 Aktivnost predstavlja dio projekta koja se posmatra kao posebna
cjelina i mora biti definisana tako da se moe odrediti trajanje aktivnosti, poetak i zavretak aktivnosti, kao i sredstva neophodna za njenu realizaciju.
Postoji vie podjela aktivnosti. Kriteriji za podjelu aktivnosti mogu biti sloenost, utroak
vremena i sredstava, kritinost i poloaj u mrenom dijagramu.
Prema sloenosti, aktivnosti se dijele na sloene i proste.
234
235
2.2.3. Dogaaj
Dogaaj je trenutak poetka ili zavretka jedne ili vie aktivnosti. Dogaaj se moe definisati i kao vremenska koordinata, trenutak kada poinje jedna aktivnost ili istovremeno
poinje vie aktivnosti, odnosno trenutak kada zavrava jedna ili vie aktivnosti. 4 Dogaaj
ne zahtijeva ni utroak sredstava ni protok vremena. Poto je dogaaj vremenski trenutak,
on nema vrijeme trajanja, to znai - nema aktivnosti. Kada se odredi datum dogaaja on
predstavlja rok deavanja dogaaja, odnosno rok poetka ili zavretka aktivnosti ili cijelog
projekta.
Razlikuje se vie vrsta dogaaja u zavisnosti od kriterija po kojem se dijele. Najee se
koriste dva kriterija i to kriterij pozicije, odnosno poloaja dogaaja u toku izvoenja projekta i kriterij kritinosti.
Prema poloaju u toku izvoenja projekta, dogaaji se dijele u tri grupe: poetni dogaaj, zavrni dogaaj i ostali dogaaji.
Poetni dogaaj projekta je trenutak kada otpoinje projekt, odnosno poetni dogaaj poetne ili poetnih aktivnosti u projektu. Poetni dogaaj projekta je tako
istovremeno poetni dogaaj jedne ili vie polaznih aktivnosti koje mogu otpoeti sa
poetkom projekta. Prije poetnog dogaaja nema drugih aktivnosti u tom projetku.
Zavrni dogaaj projekta je trenutak kada zavrava projekt, odnosno zavrni dogaaj
jedne ili vie aktivnosti koje se zadnje zavravaju u projetku. Poslije zavrnog dogaaja nema drugih aktivnosti u tom projektu.
Ostali dogaaji u projektu su dogaaji koji su istovremeno kod pojedinih prethodnih
aktivnosti zavrni dogaaji, a kod odgovarajuih narednih aktivnosti poetni dogaaji.
Svaka aktivnost ima svoj poetak i kraj, samim tim i poetni i zavrni dogaaj. Poetni dogaaj je trenutak kada poinje aktivnost, a zavrni je trenutak kada zavrava. Vie
aktivnosti moe imati zajedniki poetni dogaaj, pa mogu startati u isto vrijeme. Vie aktivnosti moe imati i zajedniki zavrni dogaaj, pa se mogu zavriti u istom trenutku.
Moe se desiti da zavrni dogaaj neke ili vie aktivnosti predstavlja ujedno poetni dogaaj druge ili vie aktivnosti. Svaka aktivnost, pa tim i projekt, mogu imati samo jedan
poetni i jedan zavrni dogaaj.
Prema kritinosti, dogaaji se dijele na dvije grupe: kritini dogaaji i nekritini dogaaji.
Kritini dogaaj je dogaaj u projektu koji se mora desiti tano u odreenom trenutku. Ne moe se desiti ni prije ni poslije tog odreenog trenutka.
Nekritini dogaaj je dogaaj kod koga se razlikuju najraniji trenutak kada se dogaaj
moe desiti i najkasniji trenutak kada se dogaaj mora desiti. To je dogaaj u projektu
iji je trenutak u kojem se on moe najranije desiti ispred trenutka do kojeg se on mora
najkasnije desiti.
4
236
3
Grafikon 1. Jednostavni mreni plan sa aktivnostima u granama
237
Mreni dijagram moe biti orijentisan aktivnostima ili orijentisan dogaajima. Dijagram
orijentisan aktivnostima se ee primjenjuje, jer ima odreene prednosti koje prozilaze iz
definicije projekta. Zadana aktivnost u projektu mora biti ostvarena i zadatak jedne ili vie
aktivnosti mora biti postignut. Prije nego bilo koja aktivnost pone, sve prethodne ve moraju biti zavrene. Sve aktivnosti i dogaaji unutar projekta povezani su duima
orijentisanim strelicama, odnosno strelicama. Duina dui nema poseban znaaj, a smjer
strelice ukazuje na tok odvijanja projekta. Na grafikonu 2. je predstavljen mreni dijagram
orijentisan strelicama. U ovom poglavlju e se konstruisati mreni dijagrami orijentisani
aktivnostima.
Dui na grafikonu 2. koje su oznaene punim linijama predstavljaju prave aktivnosti i aktivnosti ekanja. Dui oznaene isprekidanim linijama predstavljaju fiktivne aktivnosti.
Dogaaji su numerisani brojevima. Numeracija dogaaja se vri rastuim redoslijedom sa
lijeva na desno i odozgo prema dolje. Aktivnosti su oznaene nazivima aktivnost, velikim
slovom, ili dogaajima koje povezuju.
Put u mrenom dijagramu projekta je svaki niz vremenski neposredno nasljeivanih
aktivnosti koji povezuje poetni i zavrni dogaaj.
238
239
analiza strukture,
analiza vremena,
analiza trokova,
analiza resursa.
240
241
Aktivnosti
A
B
C
B
X
C
X
X
242
ANALIZA STRUKTURE
Dva dogaaja, dogaaj i i dogaaj j, na donjem grafikonu su povezana aktivnou Aij. Aktivnost koja povezuje dogaaj i i dogaaj j se moe oznaiti i kao aktivnost (ij).7
i< j
Pri konstrukciji mrenog dijagrama treba primjenjivati odgovarajua pravila. Osnovna pravila za konstrukciju mrenog dijagrama su:
1. Svaka aktivnost mora poeti i zavriti dogaajem.
2. Svaka aktivnost, kao i cijeli projekt, imaju jedan poetni i jedan zavrni dogaaj.
3. Ako neka aktivnosti ne moe poeti prije nego to se zavri neka druga aktivnost, tada se te dvije aktivnosti moraju predstaviti kao redosljedni niz aktivnosti. Zavrni
dogaaj prethodne aktivnosti e biti identian sa poetnim dogaajem naredne aktivnosti.
4. Ako vie aktivnosti treba biti zavreno da bi naredna aktivnost mogla otpoeti, tada se
sve prethodne aktivnosti moraju zavriti u jednom dogaaju koji je istovremeno poetni dogaaj naredne aktivnosti.
5. Ako vie aktivnosti moe otpoeti kada se zavri prethodna aktivnost, tada je zavrni
dogaaj te prethodne aktivnosti identian sa poetnim dogaajem svih narednih aktivnosti.
6. Dvije ili vie aktivnosti ne mogu imati zajedniki poetni i zavrni dogaaj. Da bi se
omoguilo potovanje ovog pravila, u mreni dijagram se uvode fiktivne aktivnosti.
Uvoenje fiktivnih akivnosti osigurava jednoznano oznaavanje aktivnosti i zadovoljenje pravila da dvije ili vie aktivnosti mogu imati zajedniki poetni ili zavrni
dogaaja, a ne mogu imati zajedniki i poetni i zavrni dogaaj, to je ilustrovano na
sljedei nain:
B
C
Postoji vie naina za uvoenje fiktivne aktivnosti. Preporuuje se uvoenje fiktivne
aktivnosti na poetku niza jer to olakava analizu vremena.
7. Ako jednim dogaajem zavrava i poinje vie aktivnosti koje nisu meusobno uslovljene, tada se prave zavisnosti predstavljaju pomou fiktivnih aktivnosti.
8. Dva uzastopna dogaaja mogu biti povezana aktivnou samo u jednom smjeru.
9. Aktivnost se u projektu moe realizovati samo jednom. Ovo pravilo iskljuuje ponavljanje istih aktivnosti i pojavu petlji u mrenom dijagramu.
7
243
Primjer 2.1.
Formirati matricu meuzavisnosti i skicirati mreni dijagram za sljedee projekte:
a) Projekt se sastoji od dvije aktivnosti A i B, pri emu aktivnost B zavisi od
aktivnosti A.
U matrici meuzavisnosti navedena zavisnost se predstavlja na sljedei nain:
A
B
X
A
B
b) Projekt se sastoji od aktivnosti A, B, C, D, E pri emu aktivnostima B i C neposredno prethodi aktivnost A, aktivnosti D neposredno prethodi aktivnost B a aktivnosti E
neposredno prethodi aktivnost C.
Matrica meuzavisnosti je oblika:
A
A
B
C
D
E
244
B
X
C
X
X
X
ANALIZA STRUKTURE
Broj praznih kolona u matrici nam govori koliko imamo i koje su to polazne aktivnosti u projektu. Polazna aktivnost je aktivnost A.
Broj praznih redova u matrici nam govori koje su to zavrne aktivnosti u projektu, pa
vidimo da su zavrne aktivnosti D i E.
U svakom projektu ima samo jedan poetni i jedan zavrni dogaaj.
3
B
A
D
5
2
C
E
4
A
A
B
C
Da bi poele aktivnosti B i C aktivnost A se treba zavriti. Zavrni dogaaj aktivnosti
A je istovremeno poetni dogaaj aktivnosti B i C. Aktivnost A zapoinje poetnim
dogaajem, a aktivnosti B i C su zavrne aktivnosti i njihov kraj je zavrni dogaaj.
Na narednom grafikonu je prikazan nezavren mreni dijagram, jer ne mogu biti dva
zavrna dogaaja.
245
B
1
2
C
4
B
A
C
246
ANALIZA STRUKTURE
Iz matrice vidimo da postoje dvije polazne aktivnosti (A i B) dok je zavrna aktivnost, aktivnost C. Aktivnost C zavisi i od A i od B to znai da aktivnosti A i B imaju
isti poetak i zavretak.
1
A
Grafikon 2.1.d. Neispravan mreni dijagram projekta d
Da bi se izbjeglo da dvije razliite aktivnosti imaju i isti poetak i isti zavretak uvodimo fiktivnu aktivnost tako to jednu aktivnost (npr B) podijelimo i posmatramo kao
da je fiktivna aktivnost njen neposredni prethodnik. Sada mreni dijagram poprima
oblik:
2
B
1
A
Grafikon 2.1.d Mreni dijagram projekta d
A
1
f
3
247
C
D
Projekt ima dvije polazne aktivnosti: A i B i dvije zavrne aktivnosti: C i D.
2
D ??
4
A
3
4
C
A
248
ANALIZA STRUKTURE
249
250
ANALIZA VREMENA
i
t i( 0 )
t i(1)
t ij
t (j0 )
j
i
t (j1)
Aktivnost (ij) povezuje dogaaje i i j. Vrijeme trajanja aktivnosti (ij) se oznaava se tij .
t (0)
= max (ti(0) + tij ),
j
i
t1(0) = 0
(2.1)
t (0)
= ti(0) + tij
j
9
(2.2)
Ovdje se moe koristiti i termin najraniji trenutak u kojem se dogaaj j moe desiti.
251
Izraz (2.2) omoguava da se poslije odreivanja najranijeg poetka bilo koje aktivnosti odredi njen najraniji zavretak poto su poznata vremena trajanja aktivnosti. Najraniji poeci
aktivnosti i najraniji zavreci aktivnosti se izraunavaju postepeno, polazei od prvog do
n-tog dogaaja u projektu i uz pretpostavku da je najraniji poetak t1(0) = 0 . Najraniji zavretak cijelog projekta se oznaava sa t n( 0 ) i predstavlja najraniji trenutak deavanja zavrnog
dogaaja u projektu.
2.5.1.2. Odreivanje najkasnijeg poetka i najkasnijeg zavretka aktivnosti
Kada se odrede najraniji poeci i najraniji zavreci pojedinih aktivnosti i cijelog projekta,
mogu se odreivati najkasniji poetak i najkasniji zavretak pojedinih aktivnosti i projekta
u cjelini. Najkasniji poetak aktivnosti (ij) se oznaava sa t i(1) , a najkasniji zavretak sa
Polazei od zavrnog ka polaznom dogaaju u projektu za izraunavanje najkasnijeg poetka aktivnosti koristi se sljedei izraz:
tn(0) = tn(1)
(2.3)
t i(1) = t (j1) t ij
(2.4)
252
ANALIZA VREMENA
Trajanje aktivnosti moe da bude jednako ili manje od maksimalno dozvoljenog trajanja
aktivnosti. Ukoliko je vrijeme trajanja aktivnosti jednako maksimalno dozvoljenom trajanju
aktivnosti, vremenska rezerva ne postoji. Ako postoje aktivnosti kod kojih je vrijeme trajaja
aktivnosti manje od maksimalno dozvoljenog vremena trajanja aktivnosti, tada te aktivnosti
imaju vremensku rezervu. Postoje aktivnosti koje nemaju vremensku rezervu jer one moraju poeti i zavriti u tano odreenom trenutku i aktivnosti koje imaju vremenske rezerve.
Vremenske rezerve su izuzetno znaajne sa aspekta trokova realizacije projekta, ukoliko
postoje vremenske rezerve vrijeme realizacije aktivnosti se moe pomjeriti i time smanjiti
trokovi. Postoje etiri vrste vremenskih rezervi:
a) Ukupna vremenska rezerva,
b) Slobodna vremenska rezerva,
c) Nezavisna vremenska rezerva,
d) Uslovna (zavisna) vremenska rezerva.
Svaku od navedenih vremenskih rezervi emo definisati i napisati izraz za njeno izraunavanje, a zatim ih uporediti na ematskom prikazu.
a) Ukupna vremenska rezerva10
Ukupna vremenska rezerva se izraunava pomou sljedeeg izraza kao razlika izmeu najkasnijeg zavretka i najranijeg poetka i vremena trajanja aktivnosti (ij):
(0)
( SU )ij = ( t (1)
j ti ) tij 0
za i < j , i = 1,..., n 1;
j = 2,..., n.
(2.5)
Ukupna vremenska rezerva pokazuje za koliko se vremenskih jedinica moe pomjeriti izvrenje aktivnosti (ij), ili za koliko se vremenskih jedinica moe produiti trajanje aktivnosti
(ij) ako njene neposredno prethodne (h- i) i neposredno naredne (jk) aktivnosti, s obzirom
( 0)
(1)
na ovo produenje, zauzimaju najpovoljnije poloaje t i i t j , a da se ne promjeni vrijeme trajanja projekta. To znai da je ukupna vremenska rezerva jednaka vremenu za koje se
moe odgoditi ili produiti izvrenje neke aktivnosti, a da to nema uticaja na zavretak projekta.
Kada se izrauna razlika izmeu najranijeg zavretka i najranijeg poetka aktivnosti (ij) i
umanji za vrijeme trajanja aktivnosti tij, dobija se slobodna vremenska rezerva:
10
Ovdje e biti obraeno izraunavanje vremenskih rezervi polazei od simbola koji se koriste u CPM metodi.
Vremenske rezerve se na isti nain odreuju i kod PERT-TIME metode ali je potrebno koristiti odgovarajue
simbole PERT-TIME metode.
253
( S S )ij = ( t (0)
j ti ) tij 0
za i < j , i = 1,..., n 1;
j = 2,..., n.
(2.6)
( S N )ij = ( t (0)
i = 1,..., n 1;
j ti ) tij za i < j ,
j = 2,..., n.
(2.7)
(2.8)
Iz navedenog izraza moe se zakljuiti da postoje dogaaji kod kojih je najraniji trenutak
deavanja dogaaja j jednak najkasnijem trenutku deavanja dogaaja j: t (j0 ) = t (j1) , odnosno
da postoje dogaaji kod kojih je zavisna vremenska rezerva jednaka nuli: ( S z ) j = 0 . Ovakve dogaaje nazivamo kritini dogaaji.
Na sljedeem grafikonu su predstavljene ukupna, slobodna, nezavisna i uslovna vremenska
rezerva:
11
254
ANALIZA VREMENA
t ij
t (0)
j
t (1)
j
Najkasniji
Najraniji
Najkasniji
poetak
zavretak
zavretak
t i(0)
t i(1)
Najraniji
poetak
aktivnosti aktivnosti
aktivnosti aktivnosti
(ij)
(ij)
(ij)
t ij
t i(0)
t ij
t i(0)
t i(0)
ti(1)
t i(0)
ti(1)
(S )
t ij
(ij)
t (1)
j
SU
SS
SN
t (0)
j
t (1)
j
t (0)
j
t (1)
j
t (0)
j
t (1)
j
Z i
(S )
Z j
255
Aktivnost kod koje su sve vremenske rezerve jednake nuli je kritina aktivnost. Kritina
aktivnost mora poeti u tano odreenom trenutku i mora se zavriti u odreenom narednom trenutku i svako kanjenje utie na realizaciju projekta. Da bi aktivnost bila kritina
treba da zadovolji sljedee uslove:
ti(0) = ti(1)
i t (0)
= t (1)
j
j
t ij = t (j0) t i(0)
(2.9)
(2.10)
Potreban uslov je da kritina aktivnost povezuje dva kritina dogaaja, to je definisano izrazom (2.9). Kritini dogaaj je dogaaj u kome su trenuci najranijeg i najkasnijeg poetka
jednaki. Ako je vrijeme trajanja aktivnosti tij jednako razlici izmeu najranijeg zavretka aktivnosti i najranijeg poetka aktivnosti slobodna vremenska rezerva je jednaka nuli (2.10). To
je dovoljan uslov da bi aktivnost bila kritina.
Kako je ukupna vremenska rezerva najvea od svih rezervi (ako je ona jednaka nuli onda su i
ostale rezerve jednake nuli), to se za aktivnost kae da je kritina ako je njena ukupna vremenska rezerva jednaka 0. Dakle, potreban i dovoljan uslov da bi aktivnost bila kritina je:
(0)
tij = t (1)
j ti
(2.11)
Vrijeme trajanja aktivnosti tij je jednako razlici izmeu najkasnijeg zavretka aktivnosti i
najranijeg poetka aktivnosti tj. maksimalno dozvoljeno vrijeme trajanja aktivnosti (i-j) je
jednako njenom vremenu trajanja.
Aktivnosti koje ne zadovoljavaju uslove (2.9) i (2.10), odnosno uslov (2.11) nisu kritine
aktivnosti.
Put u mrenom dijagramu projekta je svaki niz vremenski neposredno nasljeivanih aktivnosti koji povezuje poetni i zavrni dogaaj. Put koji povezuje poetni i zavrni dogaaj u
projektu, a koji je sastavljen od kritinih aktivnosti, predstavlja kritini put. U mrenom
dijagramu obino ima vie puteva. Svaki od tih puteva ima svoje vrijeme trajanja koje se
najee razlikuje od puta do puta. Kritini put u mrenom dijagramu ima najdue vrijeme
trajanja koje je jednako najbroj realizaciju projekta.
Na sljedeim primjerima e biti ilustrovana analiza strukture i analiza vremena po CPM
metodi.
Primjer 2.2.
ANALIZA VREMENA
aktivnost
tij
10
10
15
Kompletirati analizu strukture projekta, odrediti kritini put i odrediti najbru realizaciju datog projekta.
Rjeenje:
C
+
+
A
B
C
D
E
F
D
+
+
+
+
2
f
C
A
1
C
1
-
1
0B
1
5D
8
F
257
10
B
20
10
C
15
D
25
8
F
33
zacija projekta. Taj podatak je dat u t 6(0 ) = 33 , odnosno trenutak deavanja zavrnog
dogaaja. Vrijednost t (j1 ) za zavrni dogaaj je uvijek jednaka vrijednosti t (j 0 ) za za-
258
ANALIZA VREMENA
20
10
29
1
C
0
10
10
10
15
25
25
8
F
33
33
Na grafikon 2.2.c. smo oznaili kritini put. Za navedeni primjer, trajanje kritinog puta je
t 6(0 ) = 33 dana , odnosno najbra realizaciju projekta je 33 dana. Kritini put je put koji povezuje sljedee dogaaje: 1356, ili put koji je sastavljen od sljedeih aktivnosti: B-D-F.
Primjer 2.3.
tij
Kompletirati analizu strukture projekta, odrediti kritini put i odrediti najbru realizaciju projekta.
Rjeenje:
G
+
+
+
+
+
+
259
Iz matrice vidimo da nisu sve meuzavisnosti aktivnosti iznad dijagonale i da bi trebalo izmijeniti redoslijed aktivnosti. U novu matricu, emo zapisati prvo polazne
aktivnosti, odnosno one aktivnosti koje odgovaraju praznim kolonama u matrici meuzavisnosti. Vidimo da je to aktivnost C. Zatim dolaze one aktivnosti kole
neposredno zavise samo od C, a to su aktivnosti B, D i F. U nastavku mogu doi one
aktivnosti koje zavise od prethodno napisanih, itd. Hronoloki ispravan redosljed aktivnosti u projektu je dat u sljedeoj matrici:
C
B
+
C
B
D
F
G
E
A
D
+
F
+
+
+
+
+
+
1
0
0
-
2
3
G 5
B
3
6
2
1
F 2
4
5
6
A
10 10
5
7
14 14
6
2
Grafikon 2.3. Mreni dijagram projekta Beta sa izvrenom analizom vremena
260
ANALIZA VREMENA
261
(tij)
aij
mij
(te)ij
bij
tij
( te )ij =
(2.11)
2
ij
b a
= ij ij
6
(2.12)
Izraunata varijansa predstavlja mjeru sigurnosti da e se aktivnost (ij) izvriti u oekivanom vremenu (te)ij. Varijansa aktivnosti (ij) se definie i kao mjera grubosti definisanosti
polaznih podataka (aij, mij, bij) za svaku aktivnost (ij) odreenog MD. 13 Manja vrijednost
varijanse znai veu vjerovatnou da e se aktivnost (ij) realizovati za vrijeme (te)ij.
U drugom koraku primjene PERT-TIME metode za analizu vremena utvruju se najraniji
oekivani poeci i zavreci i najkasniji oekivani poeci i zavreci aktivnosti (ij). Za primjenu PERT-TIME metode se koriste odgovarajui simboli koji su uneeni u grafikon:
12
13
262
ANALIZA VREMENA
i
(T E ) i
(T L ) i
(te )ij
j
(T E ) j
(T L ) j
Poto se radi o stohastikim vremenima trajanja aktivnosti uvode se sljedei termini i simboli da bi se oznaili najraniji i najkasniji oekivani poeci i zavreci:
(TE ) i najraniji oekivani poetak aktivnosti (ij),
(TL )i najkasniji oekivani poetak aktivnosti (ij),
(TE ) j najraniji oekivani zavretak aktivnosti (ij),
(TL ) j najkasniji oekivani zavretak aktivnosti (ij).
Utvrivanje trenutaka deavanja dogaaja i oekivanih poetaka i zavretaka pojedinih aktivnosti i cijelog projekta se vri na isti nain kao kod CPM metode. Razlika je u simbolici
kako bi se napravila razlika izmeu deterministikog i stohastikog vremena trajanja aktivnosti.
Utvrivanje najranijeg oekivanog zavretka se vri prema formuli:
(TE )j = max (TE )i + (te )ij , (TE )i = 0
i
za 1 i < j n,
(2.13)
j = 2 ,..., n
(2.14)
Primjena PERT-TIME kao stohastike metode omoguava i procjenu vjerovatnoe ispunjenja planiranih rokova realizacije projekta. Ako se pretpostavi da deavanje dogaaja ima
263
zakon normalne distribucije i sa (TS ) j oznai planirani rok deavanja dogaaja j, tada se
odgovarajui faktor vjerovatnoe zj izraunava pomou izraza:
zj =
(TS ) j (TE ) j
(2.15)
ij2
i< j
gdje je: zj faktor vjerovatnoe, (TS ) j planirani rok deavanja dogaaja j, (TE ) j najraniji
oekivani trenutak deavanja dogaaja j i
x2
2
dx
(2.16)
-3
-2
-1
Grafikon 7.
14
Prema: Petri, J., (1983), str. 65 69. i Vukovi, ., (2003), str. 36 42.
264
ANALIZA VREMENA
-3,0
-2,9
-2,8
-2,7
-2,6
-2,5
-2,4
-2,3
-2,2
-2,1
-2,0
-1,9
-1,8
-1,7
-1,6
P(z)
0,0013
0,0019
0,0026
0,0035
0,0047
0,0062
0,0082
0,0107
0,0139
0,0179
0,0228
0,0287
0,0359
0,0446
0,0548
z
-1,5
-1,4
-1,3
-1,2
-1,1
-1,0
-0,9
-0,8
-0,7
-0,6
-0,5
-0,4
-0,3
-0,2
-0,1
P(z)
0,0668
0,0808
0,0968
0,1151
0,1357
0,1587
0,1841
0,2119
0,2420
0,2743
0,3085
0,3446
0,3821
0,4207
0,4602
z
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
P(z)
0,5000
0,5398
0,5793
0,6179
0,6554
0,6915
0,7257
0,780
0,7881
0,8159
0,8413
0,8643
0,8849
0,9032
0,9192
z
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
P(z)
0,9332
0,9452
0,9554
0,9641
0,9713
0,9772
0,9821
0,9861
0,9893
0,9918
0,9938
0,9953
0,9965
0,9974
0,9981
0,9987
Funkcija P(z) se najee predstavlja u obliku tablinih vrijednosti u zavisnosti od vrijednosti faktora z. U prethodnoj tabeli su predstavljene vrijednosti P(z) za vrijednosti faktora
vjerovatnoe 3 z 3 .
Najee se odreuju vjerovatnoe deavanja dogaaja od 25%, 50%, 75% i 100% i one se
dobivaju za sljedee vrijednosti z:
Vjerovatnoa deavanja dogaaja j e biti minimalno 25 % ukoliko je z -0,675,
Vjerovatnoa deavanja dogaaja j e biti minimalno 50 % ukoliko je z 0,
Vjerovatnoa deavanja dogaaja j e biti minimalno 75 % ukoliko je z 0,675,
Vjerovatnoa deavanja dogaaja j e biti priblino jednaka 100 % ukoliko je z 3.
Za odreivanje roka deavanja dogaaja j uz poznatu vjerovatnou P(z) koristi se sljedea
formula:15
(TS )1 = 0 za i = 1
(TS )i = Max
{(TS )h + ( te )hi + z hi } ,
h
15
1 h < i j n.
(2.17)
265
Za realizaciju nekog projekta treba izvriti sljedee aktivnosti: A, B, C, D, E, F i G. Uslovljena su otpoinjanja sa zavrecima: B, D i F sa C; G sa B; E sa D i F; A sa E i G.
Stohastika vremena trajanja su data u tabeli
Aktivnost
aij
mij
bij
A
7
8
9
B
3
5
7
C
2
4
24
D
7
7
7
E
4
8
12
F
4
5
12
G
9
10
11
Odgovor na ovo pitanje emo dobiti ako odredimo mreni dijagram i uradimo analizu
vremena sa oekivanim vremenima.
Prvo izraunajmo oekivana vremena i standardnu devijaciju za svaku aktivnost u
projektu. To radimu upotrebom formula
(te )ij =
ij
bij aij
=
6
odnosno
bij aij
.
ij =
266
ANALIZA VREMENA
A
8
2/6
(te)ij
ij
B
5
4/6
C
7
22/6
D
7
0
E
8
8/6
F
6
8/6
G
10
2/6
+
+
+
+
+
+
+
Hronoloki redoslijed i odgovarajui mreni dijagram datog projekta su dati u narednoj matrici i na grafikonu 2. 4.
C
B
+
C
B
D
F
G
E
A
D
+
F
+
+
+
+
+
+
G
B
C
D
F
f
Grafikon 2.4. Mreni dijagram projekta
267
Oekivana vremena (t e )ij upisujemo u mreni dijagram i onda na isti nain ako i kod
CPM metode odreujemo najbru oekivanu realizaciju projekta.
3
12
2
1
0
7
22/6
2
7
4/6
G 10
2/6
12
14
1
F 6
8/6
14
2
8
8/6
6
A
8
22 22
2/6
3,5
7
30 30
6
4
13
14
2
c) Da li bi smjeli potpisati rok realizacije projekta od 35 dana uz vjerovatnou ostvarenja 75% bez dodatnih ulaganja?
268
]}
ANALIZA VREMENA
i =1 h = 0
(Ts)1 = 0
i = 2 h =1
0 + 7 + 0,675 22 / 6 = 9, 475
(Ts)2 = 9, 475
i=3 h=2
(Ts)3 = 14,925
i=4 h=2
(Ts)4 = 16,375
h = 2
i=5
h = 4
h = 3
i=6
h = 5
i=7 h=6
(Ts)7 = 33,6
Najkraa mogua realizacija projekta uz vjerovatnou 75% je 33,6 dana. Poto je ponueni rok od 35 dana vei od izraunatog to znai da bismo smjeli prihvatiti rok za
realizaciju projekta od 35 dana uz vjerovatnou 75%.
b) Odrediti ukupnu vremensku rezervu aktivnosti F i objasniti znaenje dobijene vrijednosti.
( SU )ij = ((TL ) j (TE )i ) ( te )ij
( SU ) F = (14 7) 6 = 1
Aktivnost F moe kasniti ili trajati jedan dan due a da to ne utie na najraniji zavretak projekta.
269
PERT-COST je metoda za analizu trokova realizacije projekta. Uz praenje vremena trajanja aktivnosti, neophodno je pratiti i trokove pojedinih aktivnosti, ali i projekta u cjelini.
PERT-COST metoda obuhvata planiranje i praenje direktnih trokova po aktivnostima, po
nosiocima i po planskim vremenskim periodima. Osnovna ideja PERT-COST metode je
detaljno planiranje potrebnih trokova, praenje njihovog izvrenja i stalne intervencije radi
svoenja na minimum eventualnih prekoraenja.16
Za primjenu PERT-COST metode i utvrivanje kvantitativnog oblika meuzavisnosti trokova i vremena potrebno je definisati sljedea etiri pojma i njihove simbole:
Normalni troak predstavlja apsolutno najnii troak kojim se moe realizovati aktivnost (ij) i oznaava se sa C ijN .
Normalno trajanje aktivnosti (ij) je najkrae trajanje te aktivnosti uz normalne trokove. Simbol za normalno trajanje aktivnosti je t ijN .
Usiljeno trajanje aktivnosti (ij) predstavlja apsolutno najbru moguu realizaciju aktivnosti (ij) i oznaava se sa t ijU .
Usiljeni troak je minimalni troak sa kojim se moe ostvariti usiljeno trajanje aktivnosti (ij). Usiljeni troak se oznaava sa C ijU .
Normalnom vremenu trajanja aktivnosti t ijN odgovaraju normalni trokovi C ijN . Usiljenom
vremenu trajanja aktivnosti t ijU odgovaraju usiljeni trokovi C ijU .
Funkcija trokova C ij = C (t ij ) proste aktivnosti (ij) i definisana vremena i trokovi su predstavljeni na sljedeem grafikonu:
16
270
ANALIZA TROKOVA
Cij
CijU
Cij
CijN
N
tij
tij
tij
tij
Grafikon 8.
Na grafikonu su predstavljene dvije ekstremne take N i U. Taka N na grafikonu predstavlja taku ije su koordinate normalno vrijeme trajanja aktivnosti i normalni trokovi
realizacije aktivnosti ( t ijN ; C ijN ).
Taka U predstavlja taku ije su koordinate usiljeno vrijeme trajanja aktivnosti i usiljeni
trokovi realizacije aktivnosti ( t ijU ; C ijU ). Oblik veze izmeu trokova i vremena izmeu
taaka N i U moe da bude razliit: linearan, kvadratni, eksponencijalni, stepeni i zavisi o
prirodi aktivnosti i projekta koji se istrauje. Funkcija C ij = C (t ij ) moe imati razliite oblike. Zbog jednostavnosti izlaganja i objanjenja pretpostavlja se da je veza izmeu trokova i
vremena izmeu taaka N i U linearna, odnosno pravolinijska i da se funkcija trokova za aktivnost (ij) moe napisati u sljedeem obliku:
Cij = a + b t ij , 0 < t ijU t ijN
Prava trokova prolazi kroz take N i U, pa e jednaina ove linearne funkcije biti:
(C
ij
U
ij
)=
CijN CijU
tijN tijU
( tij tijU )
C N CU
C N CU
Cij = CijU ijN Uij tijU + ijN Uij tij
tij tij
tij tij
b=
CijN CijU
t t
N
ij
U
ij
CijU CijN
t t
N
ij
U
ij
Cij
tij
<0
(2.18)
271
Kod linearne funkcije trokova koja povezuje take N i U apsolutna vrijednost koeficijenta
b predstavlja prosjeni prirast trokova.
Razlika izmeu normalnog i usiljenog vremena za aktivnost (ij) pokazuje za koliko se
vremenskih jedinica moe maksimalno skratiti normalno trajanje t ijN te aktivnosti
t ij = t ijN t ijU 0 .
Razlika izmeu usiljenih i normalnih trokova Cij = (CijU CijN ) 0 aktivnosti (ij)
predstavlja minimalan prirataj trokova kod navedenog skraenja aktivnosti (ij) za tijN
vremenskih jedinica.
Odreivanje jedininog prirasta trokova
Na osnovu definisanih usiljenih i normalnih vremena trajanja pojedinih aktivnosti i usiljenih i normalnih trokova potrebnih za realizaciju tih aktivnosti izraunava se jedinini ili
prosjeni prirast trokova. Jedinini prirast trokova za aktivnost (ij) se izraunava primjenom sljedee formule:
Cij
tij
CijU CijN
tijN tijU
0, i < j , i = 1,...,n-1,
j = 2,...,n.
(2.19)
tijN tijU
CijU CijN
0, i < j, i = 1,...,n-1,
j = 2,...,n.
(2.20)
Izvedeni izraz predstavlja jedinini prirast trajanja i pokazuje za koliko je prosjeno potrebno produiti trajanje aktivnosti (ij) po svakoj novanoj jedinici smanjenja trokova.17
Ukupni trokovi realizacije projekta su jednaki zbiru svih trokova potrebnih za realizaciju
aktivnosti u posmatranom projektu:
C = CijN
i< j
17
272
(2.21)
ANALIZA TROKOVA
Primjer 2.5.
Za realizaciju nekog projekta treba izvriti sljedee aktivnosti: A, B, C, D, E i F. Uslovljena su otpoinjanja sa zavrecima: B i F sa E; C sa B; D sa B i F; A sa C i D.
Poznati su i sljedei podaci:
A
t ijN
10
14
10
mjeseci
CijN
20
30
25
15
20
20
1000 KM
t ijU
mjeseci
CijU
32
50
33
45
30
23
1000 KM
Prvo treba da kompletiramo analizu strukture projekta: matricu meuzavisnosti i mreni dijagram
273
A
A
B
C
D
E
F
X
X
X
X
X
B
X
E
B
F
C
D
A
F
X
X
X
X
X
f
C
U skicirani mreni dijagram za svaku aktivnost unesemo podatke o normalnom i usiljenom trajanju. Ovi podaci se upisuju iznad stralice i odvajamo ih sa ;. Dakle, za
svaku aktivnost upisujemo tijN ; tijU . Ispod strelice koja prezentuje aktivnost upisujemo jedinini prirast trokova.
Jedinini prirast trokova raunamo iz formule (2.19) pa imamo da je:
Aktivnosti
A
B
C
D
E
F
274
C/t
6
5
4
3
2
3
ANALIZA TROKOVA
E 10; 5
0
10
F 5; 4
10
1
B
16
D 14; 4
16
30
A 5; 3
30
35
35
5
6; 2
C 10; 8
6
3
16
16
2
CijN
20
30
25
15
20
20
1000 KM
+20.000 KM = 130.000 km
Trajanje najekonominije realizacije projekta: t 6(0 ) = 35 mjeseci
Odredimo sve puteve u projektu i duine njegovih trajanja. U projektu imamo tri puta
i unaveemo njihova vremena trajanja, normalna i usiljena. Napomenimo da je normalno trajanje puta, najbre trajanje uz finansijska sredstva 130.000 KM a usiljeno
trajanje puta je apsolutno najbre vrijeme za koje se aktivnosti na putu mogu izvriti.
KP
II
III
1 2 3 4 5 6
10/ 5 + 6/ 5 + 0 + 14/ 10 + 5 = 35 30 26 25
=
= 14
5 + 2 + 0 + 4 + 3
1 2 4 5 6
10/ 5 + 5 + 14/ 10 + 5
=
5 + 4 + 4 + 3
1 2 3 5 6
10/ 5 + 6/ 5 + 10 + 5
=
5 + 2 + 8 + 3
= 34 29 25
= 16
= 31 26 25
= 18
Na kritinom putu, najmanji prirast trokova ima aktivnost E, pa emo nju prvu skratiti.
Kratimo aktivnost E (A12) za 5 mjeseci. Prirast trokova pri ovom skraivanju je
C1 = 5 2 = 10 10 1.000 =10.000 KM
Skraivanjem aktivnosti E, skratili smo sve puteve u projektu a i sam projekat za 5
mjeseci. Sada projekat traje 30 mjeseci, a na shemi iznad vidimo da put II traje 29
mjeseci i put III traje 26 mjeseci.
Aktivnost E se ne moe vie skratiti.
Na kritinom putu sa najmanjim prirastom je sada aktivnost D. Iako se ova aktivnost
moe skratiti za 10 mjeseci (14 4), ovim skraivanjem se nabi postiglo skraenje
projekta od 10 mjeseci jer put III nee biti skraen, a on traje 26 mjeseci.
Odavde se zakljuuje da je potrebno aktivnost D skratiti ali samo onoliko mjeseci koliko e to uticati na projekat, odnosno za 4 mjeseca (30 26).
Kratimo aktivnost D (A45) za 4 mjeseca. Prirast trokova pri ovom skraivanju je
C2 = 4 3 = 12 12 1.000 =12.000 KM
Ovim skraivanjem na projekat traje 26 mjeseci i dobili smo dva puta koji traju 26
mjeseci, dakle imamo dva kritina puta.
Trokovi ubrzanja projekta do 26 mjeseci iznose:
C = 130.000 + 10.000 + 12.000 = 152.000 KM
276
ANALIZA TROKOVA
Apsolutno najbra realizacija projekta je 18 mjeseci. Nime, put III se ne moe izvriti
za vrijeme krae od 18 mjeseci pa znai da ni projekat ne moe trajati manje od 18
mjeseci.
Primjer 2.6.
t ijN
10
dana
t ijU
dana
CijN
20
12
18
15
10
16
100 KM
CijU
20
18
26
18
20
20
24
100 KM
277
A
A
B
C
D
E
F
G
+
A
+
+
B
+
+
E
7; 4
0; 0
G
4; 2
4
2
4
7
1
B 5; 2
2
4
12
14
3
E 10; 5
B
+
+
E
+
+
+
+
+
+
6
20 20
5
6; 6
A
-
D 3;2
F
G
B
E
A
D
C
1
-
C
t
C
+
5; 3
4
7
25
25
6
5
17
17
3
t 7(0 ) = 25 dana
C = 9.600 KM
KP: FEDC
278
II KP
1 3 5 6 7
III
1 2 3 4 6 7
IV
1 2 3 5 6 7
7 + 5 + 6 + 5 = 23; 21; 20
=
4 + 2 + 6 + 3 = 15
7 + 10 + 3 + 5 = 25; 23; 21; 20
=
4 + 5 + 2 + 3 = 14
4 + 0 + 5 + 6 + 5 = 20; 18; 17
=
2 + 0 + 2 + 6 + 3 = 13
4 + 0 + 10 + 3 + 5 = 22; 20; 18; 17
=
2 + 0 + 6 + 2 + 3 = 13
ANALIZA TROKOVA
400 KM
Dobili smo dva kritina puta: put II i put I. Sada imamo dvije alternativne najjeftinije
varijante:
Opcija 1:
Opcija 2:
C2 = 2 4
800 KM i
C3 = 1 (2+2) =
400 KM .
(Ss) = 12-5-7 = 0
Aktivnost B ne smije kasniti sa najranijim poetkom jer bi to ugrozilo najranije otpoinjanje narednih aktivnosti.
279
2)
3)
4)
5)
6)
7)
Navesti dvije osnovne metode za analizu vremena u Tehnici mrenog planiranja i objasniti osnovne razlike izmeu njih i kada se koja koristi.
8)
9)
(0)
11) Ako se rok realizacije nekog dogaaja ''j'' odreuje s vjerovatnoom 1,00, koja se vrijednost za Z o stavlja u test nejednainu Z j Z o ?
12) Kako na osnovu matrice meuzavisnosti u TMP-u moemo saznati koje su zavrne
aktivnosti?
13) ta u TMP predstavlja izraunata vrijednost i2, j ?
14) Objasnite sljedei izraz: ( S Z ) k = ( tk(1) tk(0) ) , k = 1,..., n
15) Ako je PERT-TIME metodom procijenjeno da projekt traje 30 dana, tada je vjerovatnoa izvrenja projekta za 33 dana:
a)
b)
c)
d)
vea od 50 %,
manja od 50%,
vea od 75%,
manja od 75%.
16) Ukoliko je varijansa vremena trajanja aktivnosti (ij) izraunata i iznosi ij2 = 0, onda
za ocijenjena vremena aij i bij vrijedi:
a) aij > bij,
b) aij < bij,
c) aij = bij.
280
PITANJA ZA PONAVLJANJE
24) U kakvom su odnosu duina trajanja aktivnosti na kritinom putu i duina trajanja
projekta ?
25) Napisati formulu za odreivanje vrijednosti (TE ) j .
26) Napiite formulu za izraunavanje vjerovatnoe da e dogaaj j nastupiti u vremenu (TS ) j .
27) Napiite izraz za izraunavanje ukupne vremenske rezerve i objasnite ga.
28) Napiite izraz za izraunavanje slobodne rezerve i objasnite ga.
29) Koja je razlika izmeu ukupne i slobodne vremenske rezerve ?
30) Napiite izraz za izraunavanje nezavisne vremenske rezerve i objasnite ga.
31) Definiite zavisnu (uslovnu) vremensku rezervu i objasnite je.
32) Napiite izraz za izraunavanje jedininog prirasta trokova.
33) Objasnite izraze: CijU i tijU i napiite kada i gdje ih koristite.
34) Slobodna vremenska rezerva aktivnosti A nam daje informaciju koliko vremenskih
jedinica moe:
a) kasniti otpoinjanje aktivnosti A da se ne ugrozi duina trajanja projekta,
b) produiti aktivnost A da se ne ugrozi najranije otpoinjanje naredne aktivnosti,
c) kasniti otpoinjanje aktivnosti A da se ne ugrozi najkasnije otpoinjanje naredne
aktivnosti.
35) Za svaku vremensku jedinicu skraenja aktivnosti Aij trokovi realizacije projekta e
se poveati za:
a) C,
b) CijN,
281
c) CijU,
d) C/ t.
36) ta je karakteristino za poetni i zavrni dogaaj projekta:
a)
b)
c)
d)
37) Ako se rok realizacije nekog dogaaja ''j'' odreuje s vjerovatnoom 0,75, koja se vrijednost za Z o stavlja u test nejednainu Z j Z o ?
38) Objasnite sljedee izraze: CijN, tijN i napiite kada i gdje ih koristite.
39) Koje od spomenutih tvrdnji vezanih za kritini put projekta su tane:
a)
b)
c)
d)
40) Koja od spomenutih izjava vezanih za kritini put projekta nije tana:
a)
b)
c)
d)
e)
vee od jedan,
sve iste i jednake vremenu trajanja aktivnosti A,
sve su 0,
manje od jedan.
42) Slobodna vremenska rezerva aktivnosti A nam daje informaciju koliko vremenskih
jedinica moe:
a) kasniti otpoinjanje aktivnosti A da se ne ugrozi duina trajanja projekta,
b) produiti aktivnost A da se ne ugrozi najranije otpoinjanje naredne aktivnosti,
c) kasniti otpoinjanje aktivnosti A da se ne ugrozi najkasnije otpoinjanje naredne
aktivnosti.
43) ta je karakteristino za poetni i zavrni dogaaj projekta:
a) uvijek su poznate njihove vrijednosti najranijeg i najkasnijeg otpoinjanja,
b) vremenske rezerve tih dogaaja su pozitivne,
282
PITANJA ZA PONAVLJANJE
283
Za realizaciju nekog projekta treba uraditi sljedee aktivnosti: A, B, C, D, E, F, G i H. Uslovljena su otpoinjanja sa zavrecima: E sa B; G sa D i F; H sa F; C sa G i H; A sa C i E.
Vremena trajanja i trokovi su dati u tabeli:
Aktivnost
t ijN
13
19
14
dana
U
ij
13
14
dana
N
ij
10
20
15
10
12
10
16
100 KM
U
ij
19
30
15
34
24
22
22
100 KM
Odrediti najekonominiju realizaciju projekta (trokove realizacije projekta, vrijeme izvrenja projekta i kritine puteve).
Zadatak 2.2.
N
ij
2,5
2,5
1,5
3,5
dana
t ijU
1,5
2,5
dana
CijN
10
7,5
2,5
100 $
CijU
10
13
10
10
12
100 $
Treba odrediti:
a) Najekonominiju realizaciju projekta (trokove realizacije projekta, vrijeme izvrenja
i kritine puteve).
b) Realizaciju projekta za 10 dana (trokove realizacije i kritine puteve).
c) Koliko dana bi trajala apsolutno najbra realizacija projekta?
284
ZADACI ZA VJEBU
Zadatak 2.3.
Za realizaciju nekog posla treba uraditi sljedee aktivnosti: A, B, C, D, E, F, G, H i I. Uslovljena su otpoinjanja sa zavrecima: B, C, D sa A; E sa B i C; F sa C; G sa F; H sa D i F;
I sa E, G i H.
Poznata su i stohastika vremena trajanja ovih aktivnosti:
Aktivnosti
aij
mij
bij
8
9
10
4
5
12
5
5
5
13
15
23
3
10
11
9
12
15
4
6
8
7
10
13
3
4
11
dana
dana
dana
aij
mij
bij
5
10
15
12
13
20
5
7
9
6
8
10
3
3
3
2
3
4
2
6
16
dana
dana
dana
Zadatak 2.6.
A
8
4
6
12
B
4
0
4
0
C
6
2
2
18
D
7
10
7
10
E
9
13
2
20
F
10
10
5
20
G
8
10
4
30
dana
100 KM
dana
100 KM
a) Nacrtati mreni dijagram i odrediti vrijeme trajanja projekta koji ima najnie trokove. Naznaiti kritini put (ili kritine puteve), vrijeme i trokove ove realizacije.
b) Optimalno programirati realizaciju projekta sa novanim sredstvima 6.000 KM. Koliko je tada trajanje projekta i koje aktivnosti su tada kritine?
c) Koliko dana bi trajala apsolutno najbra realizacija projekta?
Zadatak 2.7.
Za realizaciju nekog projekta treba izvriti sljedee aktivnosti: A, B, C, D, E, F i G. Uslovljena su otpoinjanja sa zavrecima: B, D i F sa C; G sa B; E sa D i F; A sa E i G.
Poznata su i stohastika vremena trajanja ovih aktivnosti:
Aktivnost
aij
mij
bij
3,5
4
4,5
1,5
2,5
3,5
1
2
12
3,5
3,5
3,5
2
4
6
2
2,5
6
4,5
5
5,5
a) Koja je oekivana najbra realizacija projekta i vjerovatnoa da e se ona stvarno desiti i koji su kritini putevi?
b) Da li bi smjeli potpisati rok realizacije projekta od 20 dana uz vjerovatnou ostvarenja 75% bez dodatnih ulaganja?
c) Kompletirati analizu strukture projekta i odgovarajue podatke unijeti u mreni dijagram projekta.
d) Odrediti ukupne i nezavisne vremenske rezerve nekritinih aktivnosti.
Zadatak 2.8.
Za realizaciju nekog projekta treba uraditi sljedee aktivnosti: A, B, C, D, E, F i G. Uslovljena su otpoinjanja sa zavrecima: D i G sa E; B sa D; A i F sa G; C sa A i F.
286
ZADACI ZA VJEBU
aij
mij
bij
5
7
9
9
10
11
3
3
3
2
4
6
4
5
12
1
2
3
1
4
7
dana
dana
dana
t ijN
10
10
mjeseci
U
ij
mjeseci
N
ij
10
10
1.000 KM
U
ij
20
20
12
22
20
12
1.000 KM
a) Kompletirati analizu strukture projekta. Optimalno programirati najekonominiju realizaciju projekta (trokove realizacije projekta, vrijeme izvrenja i kritine puteve).
b) Optimalno programirati apsolutno najbru realizaciju projekta. Koliki su trokovi i
vrijeme potrebno za tu realizaciju?
c) Vremena realizacije unijeti u poseban mreni dijagram.
Zadatak 2.10.
Za realizaciju nekog projekta treba uraditi sljedee aktivnosti: A, B, C, D, E, F i G. Uslovljena su otpoinjanja sa zavrecima: C i F sa G; E i B sa F; D sa E i B; A sa E.
Stohastika vremena trajanja aktivnosti su data u tabeli:
287
Aktivnost
aij
mij
bij
6
7
8
8
10
12
9
9
9
2
3
10
2
3
4
1
3
5
3
4
9
dana
dana
dana
t ijN
10
12
11
16
dana
t ijU
11
dana
CijU
40
30
40
32
40
55
50
100 $
CijN
40
22
20
14
37
20
26
100 $
Za realizaciju nekog posla treba uraditi sljedee aktivnosti: A, B, C, D, E, F, G, H i I. Uslovljena su otpoinjanja sa zavrecima: B, C, D sa A; E sa B i C; F sa C; G sa F; H sa D i F;
I sa E, G, H.
Poznata su i stohastika vremena trajanja ovih aktivnosti:
288
ZADACI ZA VJEBU
Aktivnost
Optimistiko
vrijeme
Najvjerovatnije vrijeme
Pesimistiko
vrijeme
13
dana
15
10
12
10
dana
10
12
23
11
15
13
11
dana
N
ij
10
dana
U
ij
dana
U
ij
26
15
24
20
14
16
100
CijN
20
15
16
14
100
Treba odrediti:
a) Najekonominiju realizaciju projekta (trokove realizacije projekta, vrijeme izvrenja
i kritine puteve);
b) Realizaciju projekta za 15 mjeseci (trokove realizacije i kritine puteve).
c) Koliko mjeseci bi trajala apsolutno najbra realizacija projekta?
Zadatak 2.14.
Za realizaciju nekog posla treba uraditi sljedee aktivnosti: A, B, C, D, E, F, G, H i I. Uslovljena su otpoinjanja sa zavrecima: B, C, D sa A; E sa C i D; F sa D; H i G sa B i E; I
sa F, G, H.
Poznata su i stohastika vremena trajanja ovih aktivnosti:
289
Aktivnost
aij
mij
bij
A
8
9
10
B
13
15
23
C
5
5
5
D
3
5
7
E
3
10
11
F
9
12
15
G
4
6
8
H
8
10
12
I
3
4
11
dana
dana
dana
290
A
A
B
C
D
E
F
G
H
+
+
+
+
+
+
A
B
C
D
E
F
G
H
B
D
F
E
G
H
C
A
E
+
+
+
+
+
+
+
Zavisi od
C, E
G, H
B
D, F
F
B
D
F
E
G
H
C
A
Zavisi od
B
D, F
F
G, H
C, E
Aktivnost
N
ij
13
19
14
dana
U
ij
13
14
dana
N
ij
10
20
15
10
12
10
16
100 KM
CijU
19
30
15
34
24
22
22
100 KM
C
t
291
3
8
B 8;6
5
1
0
0
-
13; 7
F
5; 3
6
4
13 13
1
0; 0
G 8; 6
E 19; 13
5
21
21
4
6
27 27
3,5
6; 6
C
-
8; 5
3
7
35 35
6
H 14; 14
t7( ) = 35 dana
0
C = 10.100 KM
C
t
1
0
0
-
O
+
+
+
f
2
3,5
1
4
6
7 M
N
+
+
R
+
+
+
+
+
+
3
N 2,5; 1
3,5 3,5
2
1
0; 0
5
2; 1
S
V
N
R
M
P
O
292
S 3,5; 2
R 5; 2,5
2
C = 4.800 $
3; 3
-
P 1,5; 1
5
6
O 2,5; 1,5
10 10
4
5
3
8,5 8,5
KP: SRPO
12,5 12,5
b)
I 1 3 4 6 7
II KP
1 3 5 6 7
III
1 2 3 4 6 7
IV
1 2 3 5 6 7
C1 = 1 2 200 $
C2 = 1 4 400 $ zatim
C3 = 0,5 (2+2) 200 $ .
KP1: 1-3-5-6-7
c)
0 )*
= 10 dana
Rjeenje 2.3.
a)
C = 12.000 KM
8 + 19 + 8 = 35; 32; 30
=
6 + 13 + 5 = 24
13 + 8 + 6 + 8 = 35; 32 30
=
7 + 6 + 6 + 5 = 24
I KP
1 3 6 7
II KP
1 4 5 6 7
III
1 2 4 5 6 7
5 + 0 + 8 + 6 + 8 = 27; 24
=
3 + 0 + 6 + 6 + 5 = 20
IV
1 2 5 6 7
5 + 14 + 6 + 8 = 33; 30
=
3 + 14 + 6 + 5 = 28
293
t 7(0 )* = 30 dana
C1 = 3 3
900 KM
C2 = 2 (2+3) 1.000 KM
C = 1.900 KM
Kritini putevi:
c)
Rjeenje 2.4.
a)
A
A
B
C
D
E
F
G
H
I
(te)ij
ij
294
+
+
+
+
+
+
+
+
9
2/6
6
8/6
5
0
16
10/6
9
8/6
12
1
6
4/6
10
1
5
8/6
b)
P(z0) = 1 z0 = 3
(Ts ) i = max (Ts) h + (t e ) hi + z o hi
h
]}
(TE )8 = 41 dan
A C F f H I
KP : 1 2 3 5 6 7 8
(Ts)1 = 0
i =1
i=2
i =3
h=0
h = 1 0 + 9 + 3 1/ 3 = 10
h = 2 10 + 5 + 3 0 = 15
i=4
h = 2 10 + 6 + 3 4 / 3 = 20
h = 3 15 + 0 + 3 0 = 15
i =5
h = 3 15 +12 + 3 1 = 30
i =6
h = 2 10 +16 + 3 5/ 3 = 31
h = 5 30 + 0 + 3 0 = 30
i =7
h = 4 20 + 9 + 3 4 / 3 = 33
h = 5 30 + 6 + 3 2 / 3 = 38
h = 6 31+10 + 31 = 44
i =8
h = 7 44 + 5 + 3 4 / 3 = 53
(Ts) 2 = 10
(Ts)3 = 15
(Ts) 4 = 20
(Ts)5 = 30
(Ts)6 = 31
(Ts)7 = 44
(Ts)8 = 53
( SU ) B = (27 9) 9 = 9
Aktivnost B moe trajati 9 dana due ili kasniti sa otpoinjanjem 9 dana, a da se time
ne ugrozi oekivano trajanje projekta od 41 dan.
Rjeenje 2.5.
a)
A
A
B
C
D
E
F
G
E
+
F
+
G
+
+
+
295
G
+
B
D
G
A
C
E
F
14
3
14
0
-
8
2/3
8
1
18
5/3
(TE )6 = 21 dan
B G
KP : 1 3 6
KP : 1
b)
D
D
2
2
P(z0) = 0,99 z0 = 3
(Ts ) i = max (Ts) h + (t e ) hi + z o hi
h
296
A E
4 6
]}
ij
14
8
7
10
7
3
3
8/6
4/6
14/6
10/6
4/6
0
2/6
A 10
(te)ij
7/3
7
2/3
18
2
KP : 1
+
+
14
4/3
1
21
F
5
18
18
4
21
3,4,5
1/3
i =1
h=0
(Ts )1 = 0
i=2
h = 1 0 + 8 + 3 2 / 3 = 10
(Ts ) 2 = 10
i=3
h = 1 0 + 14 + 3 4 / 3 = 18
(Ts ) 3 = 18
i=4
h = 2 10 + 10 + 3 5 / 3 = 25
(Ts ) 4 = 25
h = 2
h = 4
h = 3
h = 4
h = 5
i=5
i=6
c)
10 + 7 + 3 2 / 3 = 19
25 + 0 + 3 0 = 25
(Ts ) 5 = 25
18 + 7 + 3 7 / 3 = 32
25 + 3 + 3 0 = 28
25 + 3 + 3 1 / 3 = 29
(Ts ) 6 = 32
(SN)C = 3
Aktivnost C moe trajati 3 dana due, ili kasniti sa otpoinjanjem 3 dana, a da se time
ne ugroze vremanske rezerve narednih aktivnosti.
Rjeenje 2.6.
a)
A
A
B
C
D
E
F
G
C
t
B
X
C
X
A 8; 6
4
X
X
2
8
8
1
C = 4.900 KM
12
t7( ) = 31 dana
4; 4
C 6; 2
4
14
5
19
21
3
10; 5
2
f
4
14
14
2
9; 2
1
6
23
23
4
G 8; 4
5
7
31
31
6
297
b)
C =6.000 KM C = 11.00 KM
8 + 4 + 7 + 10 = 29;26
Putevi I: 1 2 3 5 7=
6 + 4 + 7 + 5 = 22
8 + 6 + 0 + 10 = 24;21
II: 1 2 4 5 7=
6 + 2 + 0 + 5 = 13
8 + 6 + 9 + 8 = 31;29;26
III: 1 2 4 6 7=
6 + 2 + 2 + 4 = 14
Kratimo aktivnost A46 za 2 dana C1 = 2 1 = 2
Kratimo istovremeno aktivnosti A57 i A46 za 3 dana C 2 = 3 3 = 9
Kraenja:
Rjeenje 2.7.
a)
A
A
B
C
D
E
F
G
+
+
+
+
+
Zavisi od
E, G
C
C
D
C
B
G
+
A
B
C
D
E
F
G
298
C
B
D
F
G
E
A
B
+
D
+
F
+
+
+
+
+
+
C
B
D
F
G
E
A
Zavisi od
C
C
C
B
D, F
E, G
3
6
1
0
3,5
11/6
2/6
3,5
3,5
1/6
2,5
G 5
F 3
4/6
3,5
4
6,5
4/6
11
11
3,5
1/6
72
15
15
5 10
61
7
2
Aktivnost
aij
mij
bij
3,5
4
4,5
4
1/6
1,5
2,5
3,5
2,5
2/6
1
2
12
3,5
11/6
3,5
3,5
3,5
3,5
0
2
4
6
4
4/6
2
2,5
6
3
4/6
4,5
5
5,5
5
1/6
(te)ij
ij
b)
(Ts)7 = 20 dana
(Ts ) i = max (Ts) h + (t e ) hi + z o hi
h
]}
i =1
h=0
i=2
h =1
i =3
i=4
i =5
(Ts)1 = 0
(Ts)2 = 4,7375
(Ts)3 = 7, 4625
(Ts) 4 = 7,9625
(Ts)5 = 8, 2375
(Ts)7 = 16,8
h=3
h=5
( S N ) F = (6,5 3,5) 3 = 0
299
Rjeenje 2.8.
a)
A
A
B
C
D
E
F
G
C
+
zavisi od
E
D E
G E
A G
F G
B D
C A, F
+
+
+
+
+
3
10
D
1
-
8/6
10
E
D
G
A
F
B
C
G
+
10
2
F 2
2/6
+
+
+
7
4/6
17
17
5
12
17
aij
mij
bij
5
7
9
7
4/6
9
10
11
10
2/6
3
3
3
3
0
2
4
6
4
4/6
4
5
12
6
8/6
1
2
3
2
2/6
1
4
7
4
6/6
(TE)7 = 20 dana P=50% KP1: 1-2-3-7 ili E-D-B KP2: 1-2-4-6-7 ili E-G-A-C
b)
(Ts)7=15 dana
(Ts ) i = max (Ts) h + (t e ) hi + z o hi
h
300
]}
3
0
Aktivnost
ij
(te)ij
4/6
D
+
B 10
2/6
10
2
72
20
20
5 10
3,6
1
i =1
h=0
(Ts)1 = 0
i=2
h = 1 0 + 6 0,675 8 / 6 = 5,1
(Ts) 2 = 5,1
i =3
(Ts)3 = 8,65
i=4
(Ts) 4 = 8,425
i =5
(Ts)5 = 10,2
i =6
(Ts)6 = 14,975
(Ts)7 = 18,425
i =7
( SU ) F = (17 10) 2 = 5
Aktivnost F moe kasniti ili trajati pet dana due a da to ne utie na najraniji zavretak
projekta.
Rjeenje 2.9.
A
A
B
C
D
E
F
G
A
E
B
D
C
G
F
+
+
+
+
+
4; 2
A
1
-
A
E
B, D
B, D
C, G
A
E
B
D
C
G
F
+
+
+
+
+
+
C/
t
5
6
4
+
2
+
2
3
F
5
B 8; 4
4
1
0
D
3
8
12
2
3; 3
E 8; 6
22
10; 5
12
zavisi od
22
4
G 5; 1
2
f 0; 0
-
6
22
22
5
F 10; 5
3
7
32 32
6
9
1
301
t7( ) = 32 mjeseca
0
IV 1 3 5 6 7
C1 = 5 2 = 10
C2 = 5 3 = 15
C3 = 1 4 = 4
C4 = 2 (4+6) = 20
C = 49
t7( ) = 19 mjeseca
C* = 84.000 KM
10.000 KM
15.000 KM
4.000 KM
20.000 KM
49.000 KM
0*
c)
5
2
4; 2
1
0
B 5; 4
4
1
3; 3
E 6; 6
D
3
6
6
1
302
14
4
f 0
0
-
5; 5
14
9 9
2,3
G 5; 1
6
14 14
4,5
F 5; 5
7
19 19
6
Rjeenje 2.10.
a)
A
A
B
C
D
E
F
G
+
+
+
+
+
+
zavisi od
G
F
G
B
F
E
F
C
G
A
E
D
B, E
F
+
E
D
G
A
F
B
C
C
+
+
+
C 9
-
1
0
0
-
G 4,7
1
2
4,7
4
4,7
10,7 14,7
E 3
2/6
F 3
4/6
3
7,7
7,7
aij
mij
bij
6
7
8
7
2/6
8
10
12
10
4/6
9
9
9
9
-
2
3
10
4
8/6
2
3
4
3
2/6
1
3
5
3
4/6
3
4
9
4,7
1
ij
8/6
17,7 17,7
12
17
3
4
Aktivnost
(te)ij
21,7
D4
5
4/6
21,7
2/6
B 10
dana
dana
dana
]}
303
i =1
h=0
(Ts ) 1 = 0
i=2
h =1
0 + 4 .7 + 0 , 675 1 = 5 .375
(Ts ) 2 = 5 .375
i=3
h=2
(Ts ) 3 = 8,825
i=4
h=3
(Ts ) 4 = 12 ,05
i=5
h = 3
h = 4
i=6
h = 2
h = 4
h = 5
(Ts ) 5 = 19 , 275
(Ts ) 6 = 24 ,175
12 ,05 + 0 + 0 ,675 0 = 12 , 05
5,375 + 9 + 0 ,675 0 = 14 ,375
12 ,05 + 7 + 0 ,675 2 / 6 = 19 , 275
19 , 275 + 4 + 0 ,675 8 / 6 = 24 ,175
Rok realizacije projekta koji bi smjeli potpisati uz vjerovatnou 75% je 24,175 dana.
c)
( S s ) A = (21, 7 10, 7) 7 = 4
( S s )C = (21, 7 4, 7) 9 = 8
( S s ) E = (10, 7 7, 7) 3 = 0
Rjeenje 2.11.
a)
C
+
A
B
C
D
E
F
G
H
D
+
+
+
+
+
+
+
+
C/t
2
4
3
1
7
6
4
22
D 12; 6
1
0
0
-
A 7; 7
-
2
7
7
1
C 10; 5
4
1
-
17
17
2
304
F 11; 8
E 5; 5
B 8; 4
t7(0 ) = 40 dana
22
3
C =17.900 KM
f 0; 0
-
6
5
22
17
6
33 33
4,5
G 16; 11
22
17
H 7; 3
6
5
3
7
40 40
6
b)
7 + 12 + 11 + 7 = 37; 34
=
7 + 6 + 8 + 3 = 24
7 + 10 + 5 + 11 + 7 = 40; 37; 34
II KP 1 2 3 4 6 7 =
7 + 5 + 5 + 8 + 3 = 28
7 + 10 + 0 + 16 + 7 = 40; 37; 34
III KP 1 2 3 5 6 7 =
7 + 5 + 0 + 11 + 3 = 26
I
1 2 4 6 7
IV
1 5 6 7
8 + 16 + 7 = 31; 28
=
4 + 11 + 3 = 18
1.200 $
1.800 $
3.000 $
A
A
B
C
D
E
F
G
H
I
(te)ij
ij
B
+
C
+
D
+
+
+
+
+
+
+
+
+
A
9
2/6
B
6
8/6
C
5
0
D
16
10/6
E
9
8/6
F
12
1
G
6
14/6
H
10
1
I
5
8/6
305
6
8/6
15
0
1
0
0
-
9
2/6
2
9
5
0
3
14
14
2
27
9
8/6
2
F 12
9
26
26
3
D
16
10/6
T1 = 0
1
T2 = 0 + 9 + 1 = 10
3
T3 = 10 + 5 + 0 = 15
4
10 + 6 + 3 = 20
T4 = max
3
15
T5 = 15 + 12 + 3 = 30
7
6
36 36
4/6
10
H 1
I 5
8/6
6
26 26
5
(TE)8 = 41 dan KP : 1
b)
A C F f H I
2 3 5 6 7 8
30 + 0 = 30
T6 = max
5
10 + 6 + 3 3 = 31
4
20 + 9 + 3 6 = 33
T7 = max 30 + 6 + 3 = 38
3
31 + 10 + 3 = 44
4
T8 = 44 + 5 + 3 = 53
3
Rok od 53 dana.
c)
( SU ) B = 27 9 6 = 12
Aktivnost B moe kasniti 12 dana a da pri tome ne ugrozi zavretak projekta.
306
8
41
41
7
Rjeenje 2.13.
a)
A B C D E F G
A
+
B
+
C
D
E
+
F
+ +
G
+
3
A 3;1
1
-
E 3; 3
3
0
C/t
3
2
1
2
4
A B G E F D C
A
+
B
+
G
+
E
+
F
+ +
D
C
C/t
3
4
2
1
2
B 2; 2
-
F 4;
2
10
4
3
10
f
D 7; 5
2
18
18
C 8; 4
G 10;5
10 10
1;4
b)
I
II
III
IV
V
3 + 3 + 4 + 7 = 17; 15
=
1 + 3 + 2 + 5 = 11
3 + 3 + 4 + 0 + 8 = 18; 16; 15
1 2 3 4 5 6 =
1 + 3 + 2 + 0 + 4 = 10
1 2 3 4 6
2 + 4 + 7 = 13; 11
=
2 + 2 + 5 = 9
2 + 4 + 0 + 8 = 14; 12
1 3 4 5 6 =
2 + 2 + 0 + 4 = 8
1 3 4 6
1 5 6
10 + 8 = 18; 16; 15
=
5 + 4 = 9
307
A
A
B
C
D
E
F
G
H
I
B
+
C
+
D
+
+
+
+
+
+
+
;3
(TE)8 = 40 dan
308
KP : 1
A B H I
2 5 7 8
(te)ij
9
16
5
5
9
12
6
10
5
ij
1/3
5/3
0
2/3
4/3
1
2/3
2/3
4/3
b)
P(z0) = 0,75 z0 = 0,675
(Ts ) i = max (Ts) h + (t e ) hi + z o hi
h
i =1
]}
h=0
(Ts)1 = 0
i = 2 h =1
0 + 9 + 0,675 1/ 3 = 9,225
i =3 h=2
(Ts)2 = 9,225
(Ts)4 = 14,675
(Ts)7 = 36,8
(S s ) E = (25 14) 9 = 2
Aktivnost E moe trajati 2 dana due ili kasniti sa poetkom dva dana, a da time ne
ugrozi najranije poetke narednih aktivnosti.
309
19
Graevinski fakultet Sveuilita u Rijeci je kreirao za svoje studente veoma koristan prirunik za MS Project.
Taj prirunik nam je zbog svog efikasnog pristupa u objanjavanju ovog programa bio vodi u kreiranju ovog
dijela poglavlja.
Lukari, S., (2006)
310
Prvi korak je da u ovoj poetnoj fazi upiemo datum poetka projekta ili krajnji rok za zavretak projekta. To emo uraditi kroz sljedee opcije: Project > Project Information > Start date ili
Project > Project Information > Finish date. Grafikon 10. predstavlja prethodne opcije.
Grafikon 10.
Grafikon 11.
311
Grafikon 12.
Aktivnosti unosimo direktno u tablicu. Naime, kliknemo na praznu eliju u koloni Task
Name i upiemo konkretan naziv aktivnosti.
U posljednjoj lijevoj koloni pojavljuje se identifikator aktivnosti
koji se pojavljuje automatski.
Procijenjeno trajanje aktivnosti
upisujemo u kolonu Duration.
Sve dok sami ne definiemo trajanje aktivnosti, MS Project
upisuje pretpostavljenu vrijednost
1 day?. Poetak pojedinanih
aktivnosti program izraunava
na temelju poetnog ili konanog datuma i trajanja prethodnih
aktivnosti. Ako kliknemo dvaput
na aktivnost, onda emo otvoriti
prozor za detaljnije postavke (grafikon 13.
312
Grafikon 13.
Resurs u kontekstu MS Project-a moe biti osoba, imovina, materijal, informacija ili kapital
koji se moe koristiti za postizanje cilja.
Grafikon 14.
Raspoloivost resursa (maximum units) odreuje kada i koliko odreeni resurs moe uestvovati u odreenim aktivnostima. Na samom poetku se postavlja vrijednost od 100%, to
znai da je resurs na raspolaganju cijelo radno vrijeme.
Ovaj sluaj je predstavljen za dvije osobe Senadu i Adu na grafikonu 15.
313
Grafikon 15.
Grafikon 16.
MS Project e se primjeniti na konkretan problem u narednom dijelu ovog poglavlja. Mreni dijagram i Gantt dijagram e biti konstruisani na osnovu skupa aktivnosti koje e se
predstaviti u analizi sluaja.
Analiza sluaja
Centar za zdravstvenu zatitu porodice, Bosna i Hercegovina
Dr. Dino Dinovi, zamjenik direktora Centra za zdravstvenu zatitu porodice, dobio je zadatak za poduavanje pet timova terenskih radnika koji e implementirati obrazovne i druge
314
aktivnosti koje su dio veeg projekta koji ima za cilj prikazati prihvatljivost nove metode
zatite od virusnih infekcija.
Ovi radnici ve su proli obuku vezanu za edukaciju o virusnim infekcijama, ali moraju
proi specifinu obuku koja se odnosi na novi metod terapije. Potrebno je, takoer, pripremiti i dva tipa materijala: (1) za poduavanje radnika i (2) za distribuciju na terenu.
Potrebno je organizovati prevoz i smjetaj uesnika, te dovesti predavae na obuku.
Dr. Dinovi je sazvao sastanak administrativnog osoblja. Zajedno su odredili koje se aktivnosti moraju provesti, njihov redosljed i vrijeme provoenja. Zakljuci sastanka su prikazani u
tabeli 2.
Tabela 2. Aktivnosti Centra za planiranje porodice
Aktivnost
A. Odrediti predavae i njihov raspored
B. Dogovoriti transport do baze
C. Odrediti i prikupiti materijal za trening
D. Dogovoriti smjetaj
E. Odrediti timove
F. Dovesti timove
G. Prevesti predavae do baze
H. Odtampati programski materijal
I. Dostaviti programski materijal
J. Upravljanje trening programom
K. Odravanje treninga
Predhodna
aktivnost
-
Vrijeme
(radni dani)
5
7
5
Potrebno
osoblje
2
3
2
A
A
B, E
A, B
C
H
D, F, G, I
J
3
7
2
3
10
7
15
30
1
4
1
2
6
3
0
0
Trokovi
Prosjena
uteda trokova po
Vrijeme Trokovi
danu (KM)
2
2 700
100
Minimum
400
1000
1450
150
400
500
50
D. Dogovoriti smjetaj
2500
3000
250
E. Odrediti timove
400
850
150
F. Dovesti timove
1000
2000
1000
1500
2000
500
10
3000
4000
200
200
600
80
J. Upravljanje programom
15
5000
10
7000
400
K. Odravanje obuke
30
10000
20
14000
400
Pitanja za diskusiju
a) Neki od zadataka u ovom projektu mogu biti uraeni istovremeno. Pripremiti dijagram koji pokuzuje zahtijevanu mreu aktivnosti i definii kritian put.
b) Koje je trajanje projekta?
c) Koji je najmanji iznos koji Dr. Dinovi moe potroiti da bi implementirao zacrtani
raspored ako je kritini put dui od 60 dana?
d) Da li projekat moe biti izveden sa 10-lanim timom?
Rjeenja pitanja za diskusiju
316
D
+
A
B
C
D
E
F
G
H
I
J
K
E
+
G
+
+
+
+
+
+
+
+
+
+
5
7
5
3
tijN
N
Cij 400 1000 400 2500
2
4
3
1
tijU
U
Cij 700 1450 500 3000
C
100 150 50 250
t
C 5; 3
1
0
A 5; 2
7
400
4
850
2
1000
1
2000
3
1500
2
2000
10
3000
5
4000
7
200
2
600
15
5000
10
7000
30
10000
20
14000
150
1000
500
200
80
400
400
6
15
7; 4
7; 4
150
f2
150
4
7
19
1
I 7; 2
80
7
250
E
f1
15
2
D 3; 1
13
100
200
1
50
H 10; 5
2
5
F 2; 1
5
12 20
3
22
22 15;10
6
400
8
37
37
7
K 30;20
400
9
67
67
8
1000
G 3; 2
500
Grafikon 17. Mreni dijagram prije kraenja (ukupno trajanje projekta 67 dana)
317
t 9(0 ) = 67 dana
Najbra realizacija projekta je 67 dana.
C = CijN = 25.400 KM
i< j
A
B
C
D
E
F
G
H
I
J
K
318
SU
8
12
0
17
8
8
12
0
0
0
0
SS
0
0
0
17
0
8
12
0
0
0
0
I (KP):
1 2 6 7 8 9
= 5 + 10 + 7 + 15 + 30
3 + 5 + 2 +10 + 20
= 67 65 60
= 40
II:
13789
= 5 + 3 + 15 + 30
2 + 1 + 10 + 20
= 53
= 33
III:
135789
= 5 + 7 + 2 + 15 + 30
2 + 4 + 1 + 10 + 20
= 59
= 37
IV:
14789
= 7 + 3 + 15 + 30
4 + 2 + 10 + 20
= 55
= 36
V:
1 3 4 5 7 8 9 = 5 + 0 + 0 + 2 + 15 + 30
2 + 0 + 0 + 1 + 10 + 20
= 52
= 33
VI:
1347 89
= 5 + 0 + 3 + 15 + 30
2 + 0 + 2 + 10 + 20
= 53
= 34
VII:
145789
= 7 + 0 + 2 + 15 + 30
4 + 0 + 1 + 10 + 20
= 54
= 35
Kratimo aktivnost C: moe se skratiti za 2 dana, smije se kratiti za 2 dana = 2 200 = 400 KM
Kratimo aktivnost I: moe se skratiti za 5 dana, smije se skratiti za 5 dana = 5 80 = 400 KM
Realizacija za 60 dana e kotati: 25.400 KM + 800 KM = 26.200 KM
H 10; 5
2
3
200
C 3
3
50
1
0
A 5; 2
E
0
7; 4
7; 4
150
f2
150
4
7
12
1
80
7
250
I 2
D 3; 1
f1
13
2
100
6
13
15
F 2; 1
5
12 13
3
15
6
J 15;10
400
8
30
30
7
K 30;20
400
9
60
60
8
1000
G 3; 2
500
319
A
B
C
D
E
F
G
H
I
J
K
SU
1
5
0
7
1
1
5
0
0
0
0
SS
0
0
0
7
0
1
5
0
0
0
0
Ukupne vremenske rezerve za aktivnosti C, H, I, J i K iznose nula. Prema tome, te aktivnosti se ne mogu pomjeriti a da pri tome se ne utie na najranije mogue poetke njihovih
narednih aktivnosti. Ostale aktivnosti imaju pozitivne ukupne vremenske rezerve i mogu se
pomjerati za broj dana koliko iznose njihove odgovarajue ukupne vremenske rezerve.
Slobodne vremenske rezerva za aktivnosti A, B, C, E, H, I, J i K iznose nula. Shodno tome,
najraniji poeci tih aktivnosti se ne mogu pomjeriti a da to ne utie na najranije mogue
poetke narednih aktivnosti. Ostale aktivnosti imaju pozitivne slobodne vremenske rezerve
i njihovi poeci se mogu pomjeriti za broj dana koliko iznose njihove odgovarajue slobodne vremenske rezerve.
U nastavku emo dati rjeenje datog sluaja, upotrebom MS Project-a.
Aktivnosti su unijete u kolonu "Task Name", trajanja aktivnosti su unijete u kolonu "Duration", i poetak prve aktivnosti je unijet u odgovarajuu eliju u koloni "Start" u kolonu
"Predecessors". Potrebno je unijeti redoslijed aktivnosti.
Poetak svake aktivnosti, MS Project automatski odredi u skladu sa poetkom prve aktivnosti. Takoer, MS Project automatski odredi kraj svake aktivnosti u skladu sa pojedinanim
trajanjem aktivnosti. Kada se unesu zavisnosti meu aktivnostima, odnosno njihov redosljed
u projetku, onda dolazi do automatske izmjene u poetku i kraju svake aktivnosti. Drugim
rijeima, datumi u kolonama "Start" i "Finish" se promjene u skladu sa releventnim informacijama za aktivnosti, njihova trajanja i meuzavisnosti. Sve neophodne informacije koje su
uneene u radnu stranicu u MS Project-u su prikazane na sljedeoj tabeli.
320
321
14 13 12 10
7 6
Na osnovu informacija iz tabele 9. potrebno je odrediti da li projekat mogue izvesti sa 10lanim timom.
Tabela 9. Potrebno osoblje za izvrenje aktivnosti Centra za planiranje porodice
A.
B.
C.
D.
E.
F.
G.
H.
I.
J.
K.
Aktivnost
Odrediti predavae i njihov raspored
Dogovoriti transport do baze
Odrediti i prikupiti materijal za obuku
Dogovoriti smjetaj
Odrediti timove
Dovesti timove
Prevesti predavae do baze
Odtampati programski materijal
Dostaviti programski materijal
Upravljanje trening programom
Odravanje obuke
Potrebno osoblje
2
3
2
1
4
1
2
6
3
0
0
Iz grafikona 20., koji predstavlja Gantt dijagram za ukupno trajanje projekta 67 dana, se moe
zakljuiti da projekat nije mogue izvesti sa 10-lanim timom bez koritenja informacije o
vremenskoj rezervi. Naime, u periodu od srijede, 06. 01. 2010. god. do ponedjeljka, 11. 01.
2010. god. potrebno je vie od 10 osoba za izradu datih aktivnosti. U tom periodu, za istovremeno kompletiranje aktivnosti B, D, E i H (odnosno, dogovoriti transport do baze,
dogovoriti smjetaj, odrediti timove i odtampati programski materijal) potreno je 14 osoba.
Za istovremeno kompletiranje aktivnosti D, E, G i H (odnosno, dogovoriti smjetaj, odrediti
timove, prevesti predavae do baze i odtampati programski materijal) potrebno je 13 osoba.
Za istovremeno kompletiranje aktivnosti E, G i H (odnosno, odrediti timove, prevesti predavae do baze i odtampati programski materijal) potrebno je 12 osoba.
Treba provjeriti da li vremenske rezerve aktivnosti dozvoljavaju da projekat zavri 10 osoba.
Znamo da aktivnost E (odrediti timove) zahtjeva 4 osobe i da je vremenska rezerva aktivnosti 8 dana. Ukoliko se aktivnost E pomjeri za 5 dana, projekat moe zavriti 10 osoba.
Dalje, ako se aktivnost E pomjeri za 5 dana (njen najraniji poetak, ponedjeljak, 11. 01. 2010.
god.), onda se aktivnost F mora pomjeriti za 5 dana (njen najraniji poetak, ponedjeljak, 18.
01. 2010. god.). Na osnovu vremenskih rezervi obje aktivnosti vidimo da to moemo uraditi.
Pomenutim pomjeranjem bi se projekat mogao izvesti sa 10lanim timom.
Ako je ukupno trajanje projekta skraeno na 60 dana, potrebno je provjeriti da li projekat moe
biti izveden sa 10-lanim timom? Studentima za dalju analizu sluaja ostavljamo da daju odgovor na ovo pitanje, detaljnijim istraivanjem alata u MS Projectu ili analizom grafikona 21.
324
Literatura
Andriji, S., (2002), Matematiki modeli i metode programiranja u gospodarskom drutvu,
tree izdanje, Synopsis, Zagreb Sarajevo
Backovi, M., Vuleta, J., (2004), Ekonomsko-matematiki metodi i modeli, Ekonomski
fakultet Univerziteta u Beogradu, Beograd
Chatfield, C., (2003), Microsoft Office Project 2003 Step by Step, Microsoft Press
Kennemer, B., (2004), Show Me: Microsoft Office Project 2003, QUE Publishing
Lukari, S., (2006), Microsoft Project osnovne upute, Graevinski fakultet Sveuilita u
Rijeci, Rijeka
Marmel, E., (2004), Microsoft Office Project 2003 Bible, Wiley Publishing, Inc.
Martinovi M., Stefanovi D., (1969), Tehnika mrenog planiranja, Institut za organizaciju
rada i automatizaciju poslovanja, Beograd
Petri, J., (1983), Mreno planiranje i upravljanje, Informator, Zagreb
Vukovi, ., Somun Kapetanovi, R., (1990), Zbirka rijeenih zadataka iz Matematikih
metoda u ekonomskim istraivanjima, peto izdanje, Ekonomski fakultet u Sarajevu, Sarajevo
Vukovi, ., (2003), Tehnike mrenog planiranja, Ekonomski fakultet u Sarajevu, Sarajevo
326
Kvantitativne metode u
ekonomiji i menadmentu
3. Input-output analiza
3.1.
3.2.
3.3.
3.4.
3.5.
3.6.
Uvod
Koliinska input-output analiza
Vrijednosna input-output analiza
Pitanja za ponavljanje
Zadaci za vjebu
Rjeenja zadataka za vjebu
Literatura
3.1. Uvod
Input-output analizu je razvio Wassily Leontief1 kome je Akademija Kraljevine vedske
dodijelila Nobelovu nagradu 1973. godine za razvoj input-output metode i njenu primjenu u
rjeavanju znaajnih ekonomskih problema. Leontief je 1919. i 1929. godine izradio inputoutput tabele za privredu SAD-a.2
Teoretska razmiljanja o input-output analizi datiraju prije Leontijeva. U 18. stoljeu francuski ekonomista Francois Quesnay3 je koristio svoje uvene ekonomske tabele kako bi
ilustrovao relacije koje postoje izmeu poljoprivrednog i drugih sektora. Stotinu godina
kasnije Karl Marx4 je analizirao veze izmeu industrijskih grana koje su proizvodile investicijska dobra i onih koji su proizvodili dobra za potronju. Francuski ekonomista Leon
Walras5 je u formulisanju generalne ravnotee u jednoj ekonomiji koristio koncept koji je
blizak konceptu tehnikih koeficijenata proizvodnje koje je koristio Leontief. Brojni matematiari su se bavili input-output analizom.
Leontief je isticao da vrijednost jednog teoretiara poinje samo onda kada je on u stanju
dobro formulisati svoju teoriju i kada je sposoban da pokae da ona moe biti primijenjena
u ekonomiji6. Njegov najznaajniji doprinos razvoju input-output analize je da se koeficijenti koji izraavaju vezu izmeu sektora mogu statistiki mjeriti i da budu dovoljno
stabilni kako bi se mogli primijeniti u komparativnoj analizi iji cilj je da evaluira efekte
razliitih ekonomskih politika. Znaajan doprinos poboljanju osnove za empirijske ekonomske analize dao je i Richard Stone7 koji je 1984. godine nagraen Nobelovom
nagradom za ekonomiju za doprinos Sistemu nacionalnih rauna.
U pojednostavljenom obliku input-output tabele, zasnovanom na otvorenom sistemu privrede koji je razradio Leontief, tabela input-output koeficijenata u svakoj koloni predstavlja
tehniku proizvodnje po kojoj je proizveden samo jedan proizvod. Zbog ove pojednostavljene pretpostavke tabela meusektorskih transakcija (odnosno tabela intermedijarne
potronje) mora biti ne samo kvadratna nego i simetrina. Model zasnovan na ovoj tabeli se
naziva simetrian input-output model. Upotreba input-output modela baziranog na ovim
pretpostavkama moe se opravdati pretpostavkom da se tehnika proizvodnje u kratkom
periodu ne mijenja. Input-output tabela u teoriji moe biti izraena u koliinskim ili monetarnim jedinicama, ili istovremeno u obje jedinice.
1
2
3
4
5
6
7
329
INPUT-OUTPUT ANALIZA
1.
Ukupno
2.
Djelatnosti
1.
Proizvodnja po proizvodu
i po djelatnosti
Ukupna proizvodnja
po djelatnosti
Inostranstvo
2.
Uvoz po proizvodu
Ukupni uvoz
Ukupno
3.
Ukupna ponuda po
proizvodu
Ukupna ponuda
Pojednostavljena tabela upotrebe dobara i usluga prema proizvodu i vrsti upotrebe prikazuje se u sljedeem obliku:
Tabela 2. Pojednostavljena tabela upotrebe
Upotrebe
Proizvodi
1.
Komponente
dodane
vrijednosti
Ukupno
2.
3.
Djelatnosti
Inostran
stvo
Finalna
potronja
1.
Intermedijarna potronja
po proizvodu i po
djelatnosti
Dodana vrijednost po
komponentama i po
djelatnosti
Ukupni input po
djelatnosti
2.
Izvoz
3.
Izdaci za
finalnu
potronju
Bruto
Ukupno
investicije u
kapital
4.
5.
Bruto
Ukupna
investicije upotreba po
u kapital
proizvodu
Prema: Europski sustav nacionalnih rauna ESA 1995, (1998), str. 263 - 265.
330
UVOD
U ovoj tabeli upotreba dobara i usluga je dezagregirana na intermedijarnu, odnosno proizvodnu potronju, izvoz, finalnu potronju koja se takoer moe dalje dezagregirati, i bruto
investicije u kapital. Pored toga ova tabela pokazuje i osnovne komponente bruto dodane
vrijednosti koje se mogu u zavisnosti od nivoa analize dalje dezagregirati. Bruto dodana
vrijednost se moe dekomponirati na plae zaposlenima, porezne subvencije umanjene za
subvencije na proizvodnju, neto mjeoviti dohodak, neto operativni viak i potronju fiksnog kapitala.
Izmeu tabela ponude i upotrebe vrijede dvije vrste identiteta - identitet po djelatnosti i
identitet po proizvodu. Identitet po djelatnosti pokazuje da je output po djelatnosti jednak
inputu po djelatnosti. To znai da bi ukupna proizvodnja po djelatnosti iz tabele 1 trebala
biti jednaka ukupnom inputu po djelatnosti iz tabele 2. Za svaku djelatnost zbir intermedijarne potronje i dodane vrijednosti je jednak outputu. Identitet po proizvodu znai da je
ukupna ponuda po proizvodu jednaka ukupnoj upotrebi po proizvodu. To znai da se realizovana proizvodnja treba utroiti, odnosno upotrijebiti. Posmatrajui ovaj identitet u dvije
prethodno prezentovane tabele konstatuje se da se output i uvoz svakog proizvoda raspodjeljuju na etiri kategorije: intermedijarnu potronju, izvoz, finalnu potronju i bruto
investicije. Ukupna ponuda po proizvodu u tabeli 1. treba da bude jednaka ukupnoj upotrebi
po proizvodu u tabeli 2.
Ove dvije grupe tabela predstavljaju bazu za konstrukciju i analizu tabela po djelatnostima.
Pored toga, tabele ponude i upotrebe sve tokove iskazuju u raunima dobara i usluga, raunu proizvodnje i raunu stvaranja dohotka.
Tabele ponude i upotrebe se mogu prikazati u obliku jedne kombinovane tabele koja je
kompleksnija i prua sve informacije koje se odnose na ponudu i upotrebu, odnosno na
stvaranje i raspodjelu outputa.
Tabela 3. Pojednostavljena kombinovana tabela ponude i upotrebe
Proizvodi
Djelatnosti
Inostranstvo
Finalna
potronja
Ukupno
1.
2.
3.
4.
5.
6.
Proizvodi
1.
Izvoz
2.
Proizvodnja
Izdaci za
finalnu
potronju
-
Bruto investicije
u kapital
Djelatnosti
Intermedijarna
potronja
-
Ukupna
upotreba po
proizvodu
Ukupna
proizvodnja
po djelatnosti
Komponente
dodane
vrijednosti
Inostranstvo
Ukupno
3.
Dodana
vrijednost
4.
5.
Uvoz
Ukupna
ponuda po
proizvodu
Ukupni input
po djelatnosti
331
INPUT-OUTPUT ANALIZA
Pored gore navedene kombinovane tabele ponude i upotrebe dobara i usluga, kompletira se,
zbog praktinih razloga, i simetrina input-output tabela iz koje je vidljivo da ukupna ponuda po proizvodu treba, na osnovu prethodno analiziranog identiteta po proizvodu, biti
jednaka ukupnoj upotrebi po proizvodu. To znai da i ukupna ponuda treba biti jednaka
ukupnoj upotrebi kao to je zapisano u polju (4,5) ove tabele.
Tabela 4. Pojednostavljena simetrina input-output tabela po proizvodima
Proizvodi
1.
Komponente
dodane vrijednosti
Inostranstvo
Ukupno
2.
Proizvodi
Inostranstvo
Finalna
potronja
1.
Intermedijarna
potronja
2.
Izvoz
-
3.
Izdaci za
finalnu
potronju
-
Dodana
vrijednost
3.
Uvoz
4. Ukupna ponuda
po proizvodu
Bruto
Ukupno
investicije
u kapital
4.
5.
Bruto
Ukupna uporaba
investicije
po proizvodu
u kapital
-
Ukupna ponuda
= ukupna
upotreba
Simetrina input-output tabela se moe kompletirati i kao tabela, odnosno matrica prema
djelatnostima (djelatnost x djelatnost)9. Treba istaknuti razliku koja postoji izmeu kombinovane tabele ponude i upotrebe i simetrine input-output tabele. U tabelama ponude i
upotrebe se povezuju proizvodi sa djelatnostima, a u simetrinim input-output tabelama
proizvodi sa proizvodima i djelatnosti sa djelatnostima, odnosno koriste se klasifikacija po
proizvodima ili klasifikacija po djelatnostima unutar tabele kako bi se evidentirali ukupna
ponuda i upotreba po proizvodu ili po djelatnosti. Ove tabele omoguavaju praenje strukture ukupne proizvodnje i njenu raspodjelu na nivou ukupne privrede jedne zemlje, na
regionalnom nivou kao i na nivou preduzea.
3.1.1. Input-output analiza i proizvodni sistem
Input-output analiza, poznata i pod nazivom Meusektorska analiza, spada u oblast kvantitativnih ekonomskih analiza. Bazira se na upotrebi linearnih formi i linearnih
transformacija koji su nuni preduvjet za razumijevanje ove oblasti.
U osnovi, posmatra se jedan otvoreni proizvodni sistem kojeg sainjavaju proizvodni sektori, tj. proizvoai povezani meusobnim isporukama i nabavkama sirovina, poluproizvoda,
9
332
UVOD
energije i proizvodnih usluga u samom sistemu, ali i nabavkama izvana. Proizvodni sistem
je, dakle, povezan sa okruenjem putem finalnih isporuka i nabave dobara izvana, za proizvodnu potronju. Meusobnim isporukama sektora unutar samog proizvodnog sistema
ostvaruju se proizvodne veze sektora koje uzrokuju promjene proizvodnje direktno putem
direktnih nabava i isporuka, ili indirektno putem nabava i isporuka drugih sektora.
Proizvodni sektor mora predstavljati zaokruenu tehnoloko - ekonomsku cjelinu koja proizvodi samo jedan tip proizvoda. Svaki tip proizvoda se klasificira u samo jedan proizvodni
sektor. Prva pretpostavka implicira potpunu homogenost proizvodnih sektora, a druga potpunu jednoznanost klasifikacije proizvoda koje oni proizvode.
U praksi se ove dvije pretpostavke ne mogu uvijek ostvariti to utie na pouzdanost analitikih rezultata dobivenih primjenom input-output modela. Kako bi se dobili pouzdaniji
analitiki rezultati i zadovoljile pretpostavke homogenosti i jednoznanosti proizvoda, proizvodni sistem se dezagregira, odnosno ralanjuje na vei broj proizvodnih sektora.
Osnovni zadatak input-output analize je utvrivanje, analitiko ralanjivanje, kvantificiranje proizvodnih meuzavisnosti direktnih i indirektnih veza proizvodnih sektora, ispitivanje
veza unutar strukture proizvodnog sistema te sloenih veza sa okruenjem. Time se osigurava praenje promjena unutar samog sistema, kao i praenje uticaja vanjskih promjena na
sistem.
Proizvodni sistem, sa stanovita koritenja metoda input-output analize meusobnih odnosa
moe biti privreda jedne zemlje ili jedne regije, kao i preduzee. U prvom sluaju se radi o
primjeni input-output analize na makronivou, a u drugom o primjeni na mikronivou. Na
makronivou input-output tabele predstavljaju sastavni dio Sistema nacionalnih rauna.
U daljem izlaganju e se analizirati proizvodni sistem sastavljen od dva i vie proizvodnih
sektora za odreeni proizvodni period. Analiza i zakljuci koji se budu odnosili na posmatrani proli period vrijedie i primjenjivae se i na istovrsni budui proizvodni period.
U prvom dijelu e se razmatrati i analizirati koliinski odnosi proizvodnog sistema koji se
predstavljaju u obliku koliinske input-output tabele. Ova tabela je baza za odgovarajue
analize meuzavisnosti proizvodnog sistema koje e rjeavati primjenom odgovarajueg
input-output modela i njegovim rjeavanjem. U drugom dijelu e se istraivati vrijednosni
ili transakcioni odnosi predstavljeni u obliku vrijednosne ili transakcione input-output tabele. Rjeavanjem odgovarajueg modela analizirati e se kompleksne meuzavisnosti koje
postoje u okviru proizvodnog sistema.
333
( e = 1,..., m ) ; ( j = 1,..., n ) .
Prethodno definisani pojmovi se mogu zapisati u matrinom obliku na sljedei nain:
10
11
12
13
334
X1
X
Vektor bruto proizvodnji (outputa) proizvoaa [ X i ]n1 = 2 ;
Xn
Xi 0
Y1
Y
Vektor finalnih potronji proizvoaa [Yi ]n1 = 2 ; 0 Yi X i
Yn
Qn1 Qn 2 Qnn
U1
U
Vektor ukupnih eksternih inputa (uvoza) u sistem [U e ]m1 = 2
U m
W11 W12
W
W22
= 21
Wm1 Wm 2
W1n
W2 n
; 0 Wej U e
Wmn
335
INPUT-OUTPUT ANALIZA
P2
Pn
Qij
Qij
Yi
Xi
P1
Q11
Q12
Q1n
Q1 j
Y1
X1
P2
Q21
Q22
Q2n
Q2 j
Y2
X2
Pn
Qn1
Qn2
Qnn
Qnj
Yn
Xn
U e = Wej
Wej
Se
S1
W11
W12
W1n
U1 = W1 j
S2
W21
W22
W2n
U 2 = W2 j
Sm
Wm1
Wm2
Wmn U m = j Wmj
Koliinska input-output (I-O) tabela predstavlja prikaz raspodjele ukupne proizvodnje svakog sektora (du redova) na reprodukcionu potronju i finalnu potronju. Du kolona
predstavljena je struktura reprodukcione potronje svakog sektora ralanjena na interne i
eksterne inpute.
Koliinska input-output tabela se moe predstaviti u pojednostavljenom obliku gdje se jednostavno u prvom redu predstavlja raspodjela ukupne proizvodnje, odnosno bruto
proizvoda na ukupne interne inpute u sistemu i finalne isporuke. U prvoj koloni su predstavljene reprodukciona potronja sistema iz internih inputa kao i reprodukciona potronja
sistema iz eksternih inputa u sistemu. U drugoj koloni tabele 6. su predstavljeni ukupni interni inputi u sistem te ukupni uvozi u sistem od eksternih dobavljaa.
336
Finalne
isporuke
Bruto
proizvod
ij
Proizvoa Pi je proizveo ukupno X i > 0 koliinskih jedinica (kj) svog outputa i raspodijelio ga na reprodukcionu potronju direktno: Qi1 kj proizvoau P1, Qi 2 kj
proizvoau P2, Qii kj u vlastitu proizvodnju, , Qin kj proizvoau Pn; odnosno
ukupno Qij 0 kj u sistem i na finalnu potronju Yi 0 kj.
j
2) Sadraj du redova donjeg dijela tabele pokazuju strukturu raspodjela pojedinih uvoza
U e > 0 proizvoaima Pj.
Od eksternog snabdjevaa Se je uvezeno u sistem ukupno U e > 0 koliinskih jedinica
i direktno rasporeeno We1 kj proizvoau P1, We2 kj proizvoau P2, ..., Wen kj proin
337
INPUT-OUTPUT ANALIZA
X i = Qij + Yi
i = 1,..., n.
(3.1)
j =1
Ukupna proizvodnja sektora Pi oznaena sa Xi raspodjeljuje se na dio koji se troi kao reprodukciona potronja ili interni input u sistemu P i dio koji predstavlja finalnu potronju
sektora i.
Poto je sistem P sastavljen od n proizvodnih sektora, jednaina (3.1) predstavlja i-tu jednainu linearnog sistema od n jednaina:
X 1 = Q11 + Q12 + .. + Q1n + Y1
X 2 = Q21 + Q22 + .. + Q2 n + Y2
.............................................
X n = Qn1 + Qn 2 + .. + Qnn + Yn
(3.2)
Q
J =1
ij
Pi.
U e = Wej
e = 1,..., m.
(3.3)
j =1
338
(3.4)
Opta jednaina (3.3) sistema (3.4) predstavlja strukturu raspodjele ukupnog eksternog
inputa (eksternog repromaterijala) Ue na proizvoae Pj.
Sistemi jednaina (3.2) i (3.4) imaju vei broj nepoznatih nego jednaina, to znai da nemaju
jednoznano rjeenje, tj. kod svakog (n+m)-dimenzionalnog proizvodnog sistema P
(n proizvoaa i m snabdjevaa) moe se kompletirati neogranien broj raznih njegovih koliinskih input-output tabela, i svaka se odnosi na njegov drugaiji proizvodni program.14
Smanjenje broja nepoznatih vodi ka pojednostavljenju sistema jednaina, tj. egzogeno se
utvrde neke koliine, a primjenom input-output modela odreuju ostale koliine.
Qij
Xj
(3.5)
kj Pi
.
kj Pj
Tehniki koeficijenti internih inputa treba da zadovolje osobine zapisane u sljedeem izrazu:
jedinice mjere
i = j 0 aii < 1
.
aij :
i j aij 0
14
15
(3.6)
339
INPUT-OUTPUT ANALIZA
Tehniki koeficijent internih inputa aij ima sljedee znaenje: proizvoa Pj po svakoj kj
svog outputa X j > 0 direktno utroi aij kj proizvodnje proizvoaa Pi.
Iz objanjenja tehnikog koeficijenta internih inputa slijedi i objanjenje osobina, odnosno
ogranienje na ove koeficijente. Ako bi neki dijagonalni element bio jednak jedinici
( aii = 1 ), to bi znailo da bi proizvoa Pi za proizvodnju jedne koliinske jedinice proizvodnje kao repromaterijal direktno koristio jednu koliinsku jedinicu vlastite proizvodnje to
ekonomski nije logino niti opravdano. Tada bi reprodukciona potronja proizvoaa Pi
dobivena iz vlastite proizvodnje bila jednaka ukupnoj proizvodnji proizvoaa Pi: Qii = X i .
Slijedei istu logiku konstatuje se da tehniki koeficijenti internih inputa ne mogu biti vei
od jedinice jer bi tada Qii >Xi to je nemogue. Vrijednost svih tehnikih koeficijenata treba
da zadovolji uslov nenegativnosti koji je ekonomski logian.
Tehnikih koeficijenata internih inputa ima koliko i odgovarajuih internih inputa Qij. Zbog
toga se moe formirati matrica tehnikih koeficijenata internih inputa dimenzije n redova i
n kolona:
A = aij
n n
a11
a
= 21
an1
a12
a22
an 2
a1n
a2 n
.
ann
(3.7)
Elementi matrice A treba da zadovolje osobinu nenegativnosti, a dijagonalni elementi matrice A, pored osobine nenegativnosti, treba da zadovolje osobinu da su manji od jedinice,
to smo prethodno zapisali u obliku izraza (3.6).
X1
X
Vektor kolona bruto proizvodnji [ X i ]n1 = 2 koju smo prethodno definisali se moe
Xn
0
X1 0
0 X
0
2
Xn
0
0
340
(3.8)
jednainu koja se koristi za izraunavanje matrice internih inputa Qij kada su poznate matrica tehnikih koeficijenata i ukupne proizvodnje proizvodnih sektora.
Iz jednaine (3.8) se moe eksplicitno izraziti matrina jednaina za izraunavanje matrice
tehnikih koeficijenata internih inputa. Obje strane jednaine (3.8) se sa desne strane mnoe
1
matricom X j :
1
Qij X j = aij X j X j
aij = Qij X j
1
X
1
0
1
gdje je X j =
proizvodnji X j .
(3.9)
0
1
X2
0
0
inverzna matrica dijagonalne matrice ukupnih
1
X n
Proizvodni sektori kao inpute u svojoj proizvodnji koriste i repromaterijal nabavljen od eksternih dobavljaa. Ako je proizvoa Pj utroio Wej kj eksternog repromaterijala od
snabdjevaa Se u svojoj proizvodnji Xj, to znai da je za svaku jedinicu svoje proizvodnje proW
sjeno utroio ej eksternog inputa (uvoza) od snabdjevaa Se. Tako definisan koeficijent se
Xj
naziva tehniki koeficijent eksternog inputa od Se ka Pj i zapisuje u obliku sljedeeg izraza:
ej =
Wej
Xj
jedinice mjere
(3.10)
kj Se
.
kj Pj
341
INPUT-OUTPUT ANALIZA
Poto tehnikih koeficijenata eksternih inputa ej ima koliko i eksternih inputa Wej, moe
se formirati matrica tehnikih koeficijenata eksternih inputa dimenzije m redova i n kolona:
= ej mn
11 12
22
= 21
m1 m 2
1n
2 n
mn
(3.11)
Na osnovu izraza (3.10) moe se napisati matrina jednaina pomou koje se izraunava
matrica eksternih inputa ukoliko su poznati tehniki koeficijenti eksternih inputa i ukupne
proizvodnje sektora:
Wej = ej X j .
(3.12)
Matrica ukupnih eksternih inputa se izraunava kao proizvod matrice tehnikih koeficijenata eksternih inputa i dijagonalne matrice ukupnih proizvodnji sektora.
Mnoenjem gornje jednaine sa desne strane sa X j
1
dobija se
Wej X j = ej X j X j
ej = Wej X j
(3.13)
jednaina za izraunavanje matrice tehnikih koeficijenata eksternih inputa ukoliko su poznati eksterni inputi u sistem i ukupne proizvodnje sektora.
Koeficijenti raspodjele rij
Koeficijent raspodjele rij se definie kao kolinik izmeu internog inputa Qij iz sektora i u
sektor j i ukupne proizvodnje Xi sektora i:
rij =
Qij
Xi
(3.14)
kj Pi
.
kj Pi
Na osnovu gornjeg definicionog izraza za koeficijent raspodjele zakljuuje se da ovaj koeficijent nema jedinice mjere i da je dakle neimenovan broj. Koeficijent raspodjele se, kao i
svi neimenovani brojevi, moe izraavati u procentima.
342
Ako je proizvoa Pi iz svoje bruto proizvodnje Xi>0 raspodijelio Qij 0 kj direktno proizvoau Pj, tada odnos internog inputa Qij i matinog outputa Xi predstavlja koeficijent
raspodjele iz Pi u Pj .
Znaenje koeficijenta raspodjele rij je sljedee: proizvoa Pi je raspodijelio rij100%
svoje ukupne proizvodnje proizvoau Pj.
Koeficijenata raspodjele ima koliko i koeficijenata internih inputa Qij. Zato se i koeficijenti
raspodjele mogu zapisati u matrinom obliku:
r11 r12
r
r
rij = 21 22
n n
rn1 rn 2
Matrica rij je dimenzije n
r1n
r2 n
.
(3.15)
rnn
redova i n kolona jer je u sistemu definisano n proizvodnih
sektora Pi.
Na osnovu definicionog izraza za koeficijent raspodjele moe se napisati sljedea matrina
jednaina:
1
rij = X i Qij .
(3.16)
Iz gornje matrine jednaine se moe izraziti matrica internih inputa Qij kao proizvod dijagonalne matrice ukupnih proizvodnji i matrice koeficijenata raspodjele:
Qij = X i rij .
(3.17)
n
1=
Q
j =1
Xi
ij
n Q
n
Yi
Y
Y
Y
= ij + i = rij + i = ri + i .
X i j =1 X i X i j =1
Xi
Xi
(3.18)
343
INPUT-OUTPUT ANALIZA
Na osnovu prethodno definisanih pojmova i relacija u koliinskoj input-output tabeli u narednim dijelovima knjige e se istraivati i analizirati odnosi i relacije u proizvodnom
sistemu. Relacije koje e biti izvedene i formulisane predstavljaju osnovne jednaine za
rjeavanje input-output modela.
Zavisnost finalnih potronji od bruto proizvodnji
Kada su poznate, odnosno egzogeno utvrene bruto proizvodnje svakog sektora (proizvoaa) finalne potronje svakog sektora se mogu utvrditi rjeavanjem jednaine input-output
modela kojom se izraava zavisnost finalnih potronji od bruto proizvodnji. Da bi se rijeio
ovaj model potrebno je poznavati sve elemente matrice tehnikih koeficijenata A za koju se
pretpostavlja da se ne mijenja u toku posmatranog proizvodnog procesa.
Uvrtavajui u jednainu raspodjele bruto proizvodnji (3.1)
n
X i = Qij + Yi ; i = 1,..., n
j =1
izraz za utvrivanje internih inputa Qij = aij X j dobija se u optem obliku jednaina za bruto
proizvodnju Xi sektora Pi:
n
X i = aij X j + Yi ; i = 1,..., n
(3.19)
j =1
a12
a22
an 2
a1n X 1 Y1
a2 n X 2 Y2
.
+
ann X n Yn
(3.20)
(3.21)
344
(3.22)
(3.23)
Y = (I A)X
Y = LX
L = lij
nn
l11 l12
l
l
= 21 22
ln1 ln 2
l1n 1 0
l2n 0 1
=
lnn 0 0
0 a11 a12
0 a21 a22
1 an1 an 2
a1n
a2 n
1 ann
(3.25)
Ukoliko se izvue jedan red (i-ti red) iz matrine jednaine (3.25), dobija se izraz:
n
Yi = lij X j .
(3.26)
j =1
Yi
X j
(3.27)
INPUT-OUTPUT ANALIZA
[ Yi ]n1 = lij nn X j n1
tj. Y = L X .
(3.28)
ij
ij
(3.29)
Dijagonalni elementi matrice treba da budu jednaki ili manji od jedinice, a vandijagonalni
elementi negativni. Ove osobine proizilaze iz konstrukcije matrice Leontiefa i osobina matrice tehnikih koeficijenata A.
Zavisnost bruto proizvodnji od finalnih potronji
Za analizu proizvodnog sistema je vrlo znaajno utvrditi veliine bruto proizvodnji sektora
sistema kada su poznate finalne potronje, odnosno plan finalnih isporuka pojedinih sektora
sistema.
U izvoenju relacije kojom se izraava zavisnost bruto proizvodnji od finalnih potronji
polazi se od jednaine koju smo oznaili sa (3.25):
lij
1
n n
1
n n
[Yi ]n1 = X j n1
odnosno
X j = b ji [Yi ]n1
n1
n n
(3.30)
(3.31)
X j = b ji Yi ;
j = 1,..., n
(3.32)
i =1
iz koje se, raunajui parcijalne izvode, dobija koeficijent matrice ukupnih utroaka internih
inputa:
X j
Yi
= b ji 0 .
(3.33)
Koeficijent matrice ukupnih utroaka internih inputa definisan gornjim izrazom ima sljedee znaenje:
Ako se eli samo finalna potronja Yi 0 poveati za jednu koliinsku jedinicu, uz
pretpostavku da finalne potronje ostalih sektora ostanu nepromijenjene, bruto
proizvodnju X j > 0 treba poveati za b ji 0 koliinskih jedinica.
Koeficijenti matrice ukupnih utroaka internih inputa treba da zadovolje sljedee osobine:
i = j; bii 1
.
b ji :
i j; b ji 0
(3.34)
Dijagonalni elementi matrice B treba da budu jednaki ili vei od jedan, a vandijagonalni
elementi nenegativni.
Objasnie se osobina (3.34)16:
Na osnovu jednaine Y = L X tj. Y = ( I A) X X A X = Y mnoei posljednju jednainu slijeva redom matricama I, A, A2, A3, slijedi beskonaan niz matrinih jednaina:
I X A X = I Y
A X A2 X = A Y
A2 X A3 X = A2 Y
A3 X A4 X = A3 Y
...............................
Sabirajui gornje jednaine (poslije ponitavanja na lijevoj strani) dobija se matrina funkcija:
X = ( I + A + A2 + A3 + ...) Y .
Uporeujui ovu jednainu sa jednainom (3.31) jedno od moguih rjeenja je:
+
B = I + A + A2 + A3 + ... tj. B = ( I + A) + As
s=2
347
INPUT-OUTPUT ANALIZA
Kako je proizvod nenegativnih matrica nenegativna matrica, to su elementi matrica As nenegativni, pa se za elemente matrice B dobija:
i = j; bii = (1 + aii ) + aiis 1
s
.
s
i
j
;
b
=
(0
+
a
)
+
a
0
s ji
ji
ji
Kada smo govorili o direktnim proizvodnim meuzavisnostima, rekli smo da tehniki koeficijent aij pokazuje direktnu proizvodnu meuzavisnost sektora i i sektora j, tj. tehniki
koeficijent aij smo definisali kao tehniku relaciju koja pokazuje veliinu proizvodnje sektora i koja se troi kao interni input u proizvodnji sektora j. Zbir elemenata u j-toj koloni
n
a ;
i =1
ij
efekata jedininog poveanja finalnih isporuka sektora j na nivo proizvodnje sektora i. Sumu svih indirektnih efekata jedininog poveanja finalnih isporuka sektora i na nivo
njegove proizvodnje, nai emo tako da od ukupnog efekta tog poveanja bii oduzmemo
(1+ aii ).
Da bi sektor i proizveo jedinicu svoje proizvodnje za finalne isporuke, mora osim te jedinice proizvesti i reprodukcioni materijal za vlastitu potronju u veliini koeficijenta aii .
Prema tome, direktni efekt jedinice finalnih isporuka tog sektora je 1 + aii . Razlika
( bii (1 + aii ) )
b
i =1
ij
i =1
i =1
bij (1 + aij ) .
Objanjenje koje smo dali za znaenje elemenata matrice B primjenjuje se i za svaku dodanu jedinicu poveanja finalne potronje i-tog sektora pa vrijedi relacija:
348
X j = b ji [ Yi ]n1
n1
n n
(3.35)
odnosno
n
X j = b ji Yi ;
j = 1,..., n .
(3.36)
i =1
Utvrivanje zavisnosti proizvodnog sistema o nabavama dobara izvana za proizvodnu potronju je sljedee bitno podruje u analizi strukture proizvodnog sistema.
Utvrivanje zavisnosti proizvodnog sistema o nabavama dobara izvana za proizvodnu potronju je sljedee bitno podruje u analizi strukture proizvodnog sistema.
U utvrivanju zavisnosti uvoza od bruto proizvodnji polazi se od sljedea dva ve definisan
j =1
j =1
U e = Wej = ej X j = e1 X 1 + e 2 X 2 + .. + en X n ;
e = 1,..., m .
(3.37)
[U e ]m1 = ej mn X j n1 .
(3.38)
(3.39)
349
INPUT-OUTPUT ANALIZA
U e = ej X j
(3.40)
[ U e ]m1 = ej mn X j n1 .
(3.41)
j =1
Da bi se definisala i formalizirala zavisnost uvoza od finalnih isporuka pojedinih sektora sistema polazi se od sljedeih jednaina koje su u prethodnim dijelovima analize ve definisane:
n
Wej = ej X j i X j = b jiYi ;
j = 1,..., n.
i =1
i =1
i =1
j = 1,..., n.
(3.42)
= ej b ji 0
(3.43)
(3.44)
i =1
gdje je ei = ej b ji .
j =1
350
(3.45)
(3.46)
(3.47)
Znaenje izraza (3.47) je sljedee: ako se eli poveati samo finalna potronja Yi za
jednu koliinsku jedinicu, a da finalne potronje ostalih sektora ostanu nepromijenjene,
ukupni eksterni input od snabdjevaa Se treba se poveati za ei koliinskih jedinica.
Navedeno objanjenje koeficijenta ukupnih eksternih utroaka vrijedi i za svaku dalje dodatnu jedinicu finalne potronje to se moe zapisati sljedeim izrazom:
(3.48)
odnosno
n
U e = ei Yi .
(3.49)
i =1
Primjer 3.1.
P2
P3
Qij
Qij
Yi
Xi
100 kom.
P1
100
P2
100
400
500 m3
P3
10
50
60
140
? kg
Wej
Ue
S1
300
500
100
S2
300
120
? kwh
600 l
351
INPUT-OUTPUT ANALIZA
P1
P2
P3
S1
S2
P1
P2
0
300
10
Qij
0
0
0
300
300
Wej
500
180
P3
Qij
j
0
100
50
0
400
60
Yi
100
100
140
Xi
100 kom.
500 m3
200 kg
Ue
100
120
900 kwh
600 l
Proizvoa P1 je svoju bruto proizvodnju X1 = 100 komada kompletno rasporedio na finalne isporuke Y1 = 100 kom. i proizvodnja proizvoaa P1 se ne
koristi u reprodukcijskoj potronji sistema.
352
1
X
1
0
1
X j =
0
1
X2
0
X1
0
gdje je X j =
X2
0
0
0
i
Xn
0
.
1
X n
353
INPUT-OUTPUT ANALIZA
Izraunava se matrica A:
1
0 0 0 100
A = aij = 300 0 100 0
10 0 50
0
0
0
0 =3
1 1
200 10
0
1
500
0
0
0
0
1
.
2
1
Wej
Xj
(kj Se )
0.
(kj Pj )
Wej = ej X j ej = Wej X j .
Izraunava se matrica :
1
100
354
0
1
500
0
3 1
0 =
9
3
1 25
200
1
2
.
3
5
0 0 0 1
0 0
1 0 0
1
1
L = 0 1 0 3 0
= 3 1 .
2
2
0 0 1
1
1
1
3
0
0
4 10
4
10
lij =
Yi
i vrijedi
X j
i = j 0 < lii 1
.
i j lij 0
Ako se samo bruto proizvodnja X2 eli poveati za 1 m3, tada finalna isporuka
Y1 treba ostati nepromijenjena ( l12 = 0 ), finalna isporuka Y2 se treba poveati
za 1 m3 ( l22 = 1 ) i finalna isporuka Y3 ostati nepromijenjena ( l32 = 0 ).
Ako se samo bruto proizvodnja X3 eli poveati za 1 kg, tada finalna isporuka
Y1 treba ostati nepromijenjena ( l13 = 0 ), finalna isporuka Y2 se treba smanjiti za
1 3
3
3
m i finalna isporuka Y3 poveati za kg ( l33 = ).
2
4
4
e) B=L-1 predstavlja zavisnost bruto proizvodnje od finalne isporuke X = B Y.
INPUT-OUTPUT ANALIZA
L1 =
1
1
L =
( L )T .
det L
det L
1
3
2
0
1
3
10
4
1
3
2
+ 0 1
3
10
4
1
0
3 1 1
3
1 3
== 1 0 0 3 + 0 0 1 =
4 10 2
4
10 4
K11= + K11 =
0
K 21 =
1
K 31 = +
0
1
3
2 = 3 K =
12
1
3 4
10
4
1
0
3 = 0 K 22 = + 1
10
4
1
3 1
1
9 1 23
2
= =
K13 = + 1
=
3
0 10
4 20 10
10
4
0
1
0
3
1
K
=
=
3
1 =
23
2
4
3
4
2
1
1
0
1 0
2 = 3 K =
= 0 K 33 = +
=1
1
32
3 1
3 4
0
10
4
3
*
L = 0
0 .
0 1
1
2
14
( A *)
356
4 0 0
23 3 1
* T
(L ) =
10 4 2
1 0 1
10
4 23 3 1 46
1
L =
1
=
3 10 4 2 15
1 0 1 2 0
10
15
2
= B.
3
4
Ivrsta1/10+ IIIvrsta
0 1 1/ 2 3 1 0
1/10 0 3/ 4 0 0 1
0 0 3/ 4 1/10 0 1
0
1
0 0
1
0 0
1 0
1 0 0
IIIvrsta(4/3)
IIIvrsta(1/2)+ IIvrsta
3 1 0 0 1 0 46 /15 1 2 / 3
0 1 1/ 2
0 0
0 0 1 2 /15 0 4 / 3
1
2 /15 0 4 / 3
0
1
Dakle, matrica B = 46 /15 1
2 /15 0
X j
i = j bii
b ji =
i vrijedi
Yi
i j b ji
0
2 / 3 .
4 / 3
1
0
Ako se eli samo finalna isporuka Y1 poveati za 1 kom., tada se trebaju: bruto
proizvodnja X1 poveati za 1 kom.(b11 =1), X2 poveati za 46/15 m3 (b21 =
46/15) i X3 poveati za 2/15 kg (b31 = 2/15).
Ako se eli samo finalna isporukaY2 poveati za 1 m3, tada trebaju: bruto proizvodnja X1 ostati nepromijenjena (b12 = 0), X2 se poveati za 1m3 (b22 = 1) i X3
ostati nepromijenjena (b32 = 0).
357
INPUT-OUTPUT ANALIZA
Ako se eli samo finalna isporuka Y3 poveati za 1 kg, tada trebaju: bruto proizvodnja X1 ostati nepromijenjena (b13 = 0), X2 se poveati za 2/3 m3 (b23 = 2/3)
i X3 poveati za 4/3 kg (b33 = 4/3).
f) Matrica = B predstavlja zavisnost ukupnog eksternog inputa Ue od finalnih
isporuka Yi tj. Ue = Y.
Izraunava se matrica = B :
3 1
=
3 9
25
ei =
1 1 0
2 46
1
3 25
5 2
0
15
0 368
2 75
=
3 2339
4 625
1
9
25
4
3
.
26
25
U e
0.
Yi
Ako se eli samo finalna isporuka Y1 poveati za 1 kom., tada treba poveati
ukupni eksterni input U1 za 368/75 kwh (11 = 368/75) i ukupan eksterni input
od S2 U2 za 2339/625 l (21 = 2339/625).
Ako se eli samo finalna isporuka Y2 poveati za 1m3 tada treba poveati ukupni eksterni input U1 za 1kwh (12 = 1) i ukupan eksterni input od S2 U2 za 9/25 l
(22 = 9/25).
Ako se eli samo finalna isporuka Y3 poveati za 1 kg, tada treba poveati ukupni eksterni input U1 za 4/3 kwh (13 = 4/3) i ukupan eksterni input od S2 U2 za
26/25 l (23 = 26/25).
g) Koeficijenti raspodjele su definisani sljedeim izrazom:
1
Q
rij = ij rij = X j Qij .
X
i
1
100
rij = 0
358
0
1
500
0
0
0
0 0 0
3
0 300 0 100 =
5
10 0 50
1
1
200
20
0
0
0
1
.
5
1
ri 100%
Yi
100%
Xi
P1
100
P2
60
20
80
20
P3
25
30
70
Objanjenje:
0,1 0 0,5
0 0
0
a) Kompletirati odgovarajuu koliinsku I-O tabelu ako su bruto proizvodnje X1 =
500 kom., X2 = 200 kg i X3 = 100 m3.
b) Kako e se promijeniti bruto proizvodnje Xj i eksterni inputi Ue ako se finalne
potronje ele promijeniti za Yi = {50, -25, 0}.
c) Odrediti i objasniti elemente b13, 13.
Rjeenje:
a)
0 0 200 150
0 1 1,5 500 0
0 0
0 0
0 100 0 0
0
359
INPUT-OUTPUT ANALIZA
0
500 0
0, 2 0 0
100 0 0
Wej = ej X j = 0,1 0 0,5 0 200 0 = 50 0 50 .
0 100
0
P1
P2
P3
S1
S2
P1
P2
P3
Qij
0
0
0
100
50
200
0
0
0
0
150
75
0
0
50
350
75
0
100
100
Yi
Xj
150
125
100
500
200
100
b) Kako vrijedi:
X = B Y
U = Y
prvo je potrebno izraunati matrice B =L-1 = (I A)-1 i = B.
1 0 0 0 1 1,5 1 1 1,5
L = 0 1 0 0 0 0, 75 = 0 1 0, 75 .
0 0 1 0 0
0 0 0
1
1
( L )T .
det L
1 0,75
0 0,75
0 1
+ 1
1,5
= 1 (1 0) + 1 (0 0) 1,5 (0 0) = 1
0
1
0
1
0 0
L = 1
1
0 .
2, 25 0, 75 1
*
360
0 0
0 0
1
0 0 1
1
0 0 1
.
1
0
0
1
1
2,
25
IIIvrsta(2,25) + Ivrsta
IIIvrsta(0,75) + IIvrsta
0 1 0 0 1 0, 75
0 0 1 0 0
1
1 1 2, 25
Dakle, matrica B = 0 1 0, 75 .
0 0
1
1 1 2, 25 50 25
X = 0 1 0, 75 25 = 25 ;
0 0
1 0 0
1
0 0
361
INPUT-OUTPUT ANALIZA
50
0, 2 0, 2 0, 05
5
U =
25 = ;
X 1
= 2, 25 ;
Y3
Ako se eli samo finalna isporuka Y3 proizvoaa P3 poveati za 1 m3, tada bruto proizvodnju X1 proizvoaa P1 treba poveati za 2,25 kom.
13 =
U1
= 0, 05 ;
Y3
Ako se eli samo finalna isporuka Y3 proizvoaa P3 poveati za 1 m3, tada ukupan
eksterni input U1 snabdjevaa S1 treba poveati za 0,05 kwh.
Primjer 3.3.
7 7
1 4
B=
i =
; U1 m, U2kom.
8 16
5 3
7 7
7 7
a) Kompletirati odgovarajuu koliinsku I-O tabelu, ako je plan bruto proizvodnji
X1 = 192 kg i X2 = 208 m2
b) Utvrditi i objasniti znaenje elemenata a21 i 21 .
Rjeenje:
a) B = L-1 L = B-1
362
1
1
B =
( B )T .
det B
det B
det B =
224
;B
49
1
2
A= I L=
1
4
1
2
Y = L X =
1
4
16
7
=
4
7
1
8
1
2
8
16
7
7
* T
(B ) =
16
8
7
7
4
1
2
7
L=
16
1
4
7
1
8
1
2
1
8 192 70
=
1 208 56
2
1
Iz = B = L =
5
7
1
Qij = aij X j = 2
1
4
7
16
Wej = ej X j = 1
1 1
4 2
3 1
7 4
1 7
16
8
=
1 1
2 4
1
8
1
8 192 0 96 26
=
1 0 208 48 104
2
0
192 0 84 0
=
1 0 208 48 26
8
Koliinska I - O tabela
P1
P2
S1
S2
P1
P2
Qij
Yi
Xi
96
48
84
48
26
104
0
26
122
152
84
74
70
56
192
208
363
INPUT-OUTPUT ANALIZA
b) a21 =
Q21 1
= Proizvoa P1 u proizvodnji svakog kg outputa X1 direktno utroi
X1 4
1 2
m internog inputa od proizvoaa P2.
4
W21 1
1
= Proizvoa P1 po svakom kg svog outputa X1 direktno utroi
X1 4
4
komada eksternog inputa od snabdjevaa S2.
21 =
Primjer 3.4.
P1
P2
S1
S2
P1
P2
Qij
Yi
Xi
45
90
20
0
60
40
30
60
105
130
75
110
180
240
L = I A; L-1 = B.
Iz poznate koliinske I- O tabele izraunavaju se matrice tehnikih koeficijenata inQ
W
ternih i eksternih inputa. Primjenom formula aij = ij , odnosno ej = ej ili
Xj
Xj
1
1
4
A=
1
2
364
1
1
9
4
i =
1
0
6
1
8
1
4
3
4
L= I A=
1
2
5
3
X = B Y =
1
1
5
3
1
4
1
B = L det L = B =
5
2
1
6
1
2 60 160
=
3 120 240
2
1
2
3
2
Qij = ej X j
1 4 1 4 160 0 40 60
Qij =
1 2 1 6 0 240 80 40
Weij = ej X j
1 9 1 8 160 0 17.8 30
Wej =
0 1 4 0 240 0 60
P1
P2
Qij
40
80
17,8
0
60
40
30
60
100
120
47,8
60
Yi
Xi
60
120
160
240
1
4
rij =
1
3
3
8
1
6
P1
P2
25 %
33,3 %
37,5 %
16,7 %
ri 100%
Yi
100%
Xi
62,5 %
50 %
37,5 %
50 %
365
INPUT-OUTPUT ANALIZA
Primjer 3.5.
0
2
6
2
L=
=
U1 l, U2 kom.
1
1
1
1
4
4 6
3
a) Ako je koliina internog inputa koju proizvoa P1 koristi od proizvoaa P2 50
m, a finalne isporuke proizvoaa P1 50 kg, sastaviti odgovarajuu koliinsku
input-output tabelu.
b) Ako bi se planiralo poveanje finalnih isporuka za 20%, kako bi se promijenili
ukupni outputi proizvoaa i ukupni eksterni inputi snabdjevaa?
Rjeenje:
1
1 0 2
a) A = I L =
0 1 1
4
1 1
6 2
=
1 1
3 4
1
6
.
2
3
Q21
1 50
=
X 1 = 200kg .
X1
4 X1
a11 =
Q11
1 Q
= 11 Q11 = 100kg.
X1
2 200
Q12
1 50
=
X 2 = 300m.
X2
6 X2
a22 =
Q22
2 Q
= 22 Q22 = 200m.
X2
3 300
Wej = 2
1
4
366
0
200 0 100 0
.
=
1 0 300 50 50
6
P2
Qij
Yi
Xi
P1
100
50
150
50
200
P2
50
200
250
50
300
S1
100
100
S2
50
50
100
10
b) X= B Y; Y = ; B = L-1.
10
8
det L= 1/6 1/24= 1/8 B = 3
2
8
X = 3
4
3 .
4
10 40
3 = ;
10
60
4
Poveanje finalnih isporuka oba proizvoaa za 20%, tj. za 10 kj, uzrokovat e poveanje outputa proizvoaa P1 za 40 kg, a proizvoaa P2 za 60 m, to iznosi
poveanje njihovih outputa takoer za 20%.
Ue =Y; = B.
1
= 2
1
4
0 8
3
1
2
6
4
U e = 3
4 4
3 = 3
4 1
2
3 ;
2
10 20
3 = .
10
20
1
Ue =Y; = B.
367
INPUT-OUTPUT ANALIZA
= 2
1
4
0 8
3
1
2
6
4
U e = 3
4 4
3 = 3
4 1
2
3
2
10 20
3 = .
10
20
1
368
1
Vektor internih cijena: [ i ] = 2 ;
n
369
INPUT-OUTPUT ANALIZA
c1
c
Vektor nabavnih cijena: [ ce ] = 2
cm
+
n X n n X n
Matrica vrijednosti internih inputa se dobija kada se matrica internih inputa izraenih
u koliinskim jedinicama mjere pomnoi sa internim cijenama:
1Q1n
Q11+ Q12 +
Q1n + 1Q11 1Q12
+
Q
+
+
2Q2 n
Q
Q22
Q2 n 2 21 2Q22
Qij + = i Qij = 21
=
nn
n n
+
+
nQnn
Qnn nQn1 n Qn 2
Qn1 Qn 2
Vektor vrijednosti internih raspodjela se dobija sabiranjem internih inputa koje koriste sektori u sistemu P:
n
+
Q1 j
j =1
+
Q
n
2
j
+
Qij = j =1
j =1
+
Qnj
j =1
370
Yn n Yn
Vektor vrijednosti ukupnih eksternih inputa, odnosno uvoza u sistem se dobija mnoenjem vektora ukupnih eksternih efekata koliinski izraenih sa nabavnim cijenama.
U1+ c1 U1
+
U 2 c2 U 2
+
U e = [ ce U e ] =
=
U m cm U m
Matrica vrijednosti eksternih inputa se kompletira mnoenjem matrice eksternih inputa izraenih u koliinskim jedinicama sa nabavnom cijenom.
Wej + = ce Wej
mn
mn
W11+ W12+
+
W
W22+
= 21
+
+
Wm1 Wm 2
c1 W1n
c2 W2 n
cm Wmn
U1+ n
+
n
U 2 + W2 j
+
+
=
Wej = U e =
j =1
j =1
U m n
+
Wmj
1
=
j
371
INPUT-OUTPUT ANALIZA
P1
P1
P2
Pn
n
Qij +
Qij +
j =1
Q11+
Q12 +
Q1n +
Q1 j
P2
Q21+
Q22 +
Q2n +
Q2 j
Pn
Qn1+
Qn 2 +
Qnn +
Qnj
Qij +
Qi1+
Qi 2 +
Qin
i =1
W11+
W12 +
Qij + = R +
j =1 j =1
W1n +
U = W1 j +
W2n +
U 2 = W2 j +
Sm
Wm1+
Wm 2 +
Wmn +
U m + = Wmj +
We 2
Wen +
U + = U e +
Mj
M1
M2
Mn
M = M j
Vj
V1
V2
Vn
V = V j
= j
e =1
Y2+
X2+
Yn+
Xn+
Y+
X+
W22 +
+
e1
X1+
j =1
+
1
W21+
Y1+
S2
Wej +
Xi+
U e + = Wej +
Wej +
Se
S1
Y i+
e=1
j =1
n
j =1
n
j=1
Vrijednosna tabela predstavlja informativnu osnovu za analizu strukture vrijednosti proizvodnog sistema. U vrijednosnoj tabeli su sadrane sljedee osnovne specifine skupine
elemenata:
372
Kolona Yi+ vrijednosti finalnih potronji (finalnih isporuka). Svaka od finalnih potronji, se moe specificirati po pojedinanim potroaima, korisnicima ili specifinim
oblicima potronje ukoliko postoji potreba za detaljnijom analizom i dekompozicijom
ove veliine. Tako, npr. u sistemu narodne privrede, vrijednost finalnih isporuka se
moe ralaniti na investicije, linu potronju, optu i zajedniku potronju, porast zaliha i izvoz. U tom sluaju, umjesto kolone, formirala bi se tabela vrijednosti finalnih
isporuka.
Kolona vrijednosti bruto proizvoda (prihoda) svakog sektora Xi+ .
n
373
INPUT-OUTPUT ANALIZA
U vrijednosnoj input-output tabeli mogue je posmatrati i analizirati osnovne strukture vrijednosti. Du redova se analiziraju strukture raspodjele ukupne proizvodnje, a du kolona
strukture stvaranja ukupne proizvodnje.
Strukture raspodjele
Struktura raspodjele vrijednosti proizvodnje svakog sektora je predstavljena du redova vrijednosne input-output tabele i zapisuje se u obliku sljedee jednaine
raspodjele:
n
i = X i + = Qij + + Yi + ;
i = 1,..., n.
(3.50)
j =1
= X + = X i + = Qij + + Yi + = R + + Y +
i =1
i =1 j =1
(3.51)
i =1
gdje je :
n
Struktura raspodjele vrijednosti eksternih inputa snabdjevaa izvan sistema se zapisuje u sljedeem izrazu:
U e + = Wej + ; e = 1,..., m.
(3.52)
U + = U e + = Wej +
e =1
(3.53)
e=1 j =1
i =1
e =1
M j = Qij + + Wej + ;
374
j = 1,..., n
(3.54)
Struktura materijalnih trokova u cijelom sistemu P predstavlja vrijednost svih internih i eksternih repromaterijala utroenih u proizvodnji sistema P.
n
M = M j = R+ + U +
(3.55)
j =1
(3.56)
V = V j = M
(3.57)
j =1
j =1
i =1
= j = i .
(3.58)
U vrijednosnoj input-output tabeli mogue je du kolona pratiti strukturu formiranja vrijednosti bruto proizvodnje pojedinih sektora i cijelog sistema.
Struktura formiranja vrijednosti bruto proizvodnje (prihoda) proizvoaa Pj
n
m
X +j = j = M j + V j = Qij + + Wej + + V j ;
e =1
i =1
j = 1,..., n.
(3.59)
Bruto proizvodnja sektora j se formira kao zbir materijalnih trokova i dodane vrijednosti. Materijalni trokovi se sastoje od materijalnih trokova za reprodukcionu
potronju iz sistema, dakle internih inputa i materijalnih trokova iz uvoza, odnosno
eksternih inputa. Za svaki sektor u sistemu se moe kompletirati i analizirati jednaina formiranja vrijednosti bruto proizvodnje.
Struktura formiranja vrijednosti svih proizvodnji u sistemu
n
j =1
j =1 i =1
X + = = j = M + V = ( R + + U + ) + V = Qij + + Wej + + V j
j =1 e =1
(3.60)
j =1
Bruto proizvodnja cijelog sistema je jednaka prihodu u cijelom sistemu i dobija se sabiranjem materijalnih trokova i dodane vrijednosti u sistemu.
Struktura vrijednosti finalnih poronji u sistemu
n
Yi + = Y +
(3.61)
i =1
375
INPUT-OUTPUT ANALIZA
X i+ = X + =
(3.62)
i =1
Bruto proizvodnja sistema je jednaka zbiru bruto proizvodnji n sektora sistema i jednaka prihodu proizvodnog sistema P.
Ravnotea u input-output modelu
U jednaini raspodjele vrijednosti proizvodnje sektora Pj (3.50) pokazano je kako se vrijednost proizvodnje raspodjeljuje na pojedine kategorije potronje. U jednaini vrijednosne
strukture (3.59) pokazano je kako se vrijednost bruto proizvoda sektora Pj sastoji od materijalnih trokova i dodane vrijednosti. Osnovno raunovodstveno pravilo je da se svaka
veliina dva puta knjii, i to jednom na prihodnoj strani i jednom na rashodnoj strani. Ove
dvije strane prihodna i rashodna moraju biti jednake. To pravilo vrijedi i u input-output
tabeli, to u sluaju bruto proizvodnje zapisujemo sljedeim izrazom Xi+ = Xj+ za i = j. Vrijednost bruto proizvodnje koja je stvorena moe se rasporeivati na razliite kategorije
potronje.
Kada se izraze jednaina raspodjele vrijednosti proizvodnje i jednaina strukture vrijednosti
proizvodnje za istog proizvoaa Pk dobija se jednakost:15
+
Qkj + Yk + = Qik + + Wek + + Vk .
j
(3.63)
ik
ik
(3.64)
Lijeva strana jednaine (3.64) predstavlja dio vrijednosti proizvodnje proizvodnog sektora
(proizvoaa) Pk koju je raspodijelio na reprodukcionu potronju drugih sektora i na njegovu finalnu potronju. Desna strana jednaine predstavlja dio vrijednosti proizvodnje
proizvoaa Pk koji je zbir vrijednosti internih repromaterijala utroenih od ostalih proizvoaa, vrijednosti utroenih eksternih repromaterijala i dodane vrijednosti.
15
376
= X + = X i + = Qij + + Yi + = R + + Y +
i =1
i =1 j =1
i =1
j =1
j =1 i =1
= j = M + V = Qij + + Wej + + V j = R + + U + + V
j =1 e =1
j =1
R+ + Y + = R+ + U + + V
(3.65)
Y + = U + +V
V =Y+ U+
(3.66)
Za analizu vrijednosnih odnosa proizvodnog sistema primjenjivae se vrijednosni koeficijenti. Ovi koeficijenti e biti formirani i analizirani po analogiji sa koliinskim
koeficijentima koji su definisani i analizirani u sluaju koliinske input-output tabele. Sve
osobine koje su definisane za koliinske koeficijente vrijede i za odgovarajue vrijednosne
koeficijente. Razlika je to se vrijednosni koeficijenti izraavaju u novanim jedinicama
mjere. Pored koliinskih koeficijenata koji su formirani i analizirani u sluaju koliinske
input-output tabele, vrijednosna input-output tabela prua mogunost definisanja dodatnih
koeficijenata koji zbog prirode jedinice mjere nisu mogli biti definisani u sluaju koliinske
input-output tabele.
Vrijednosni koeficijenti internih inputa
Vrijednosni koeficijent internog inputa pokazuje da proizvoa Pj po svakoj novanoj jedinici (nj)17 svog outputa direktno troi aij + novanih jedinica proizvodnje proizvoaa Pi:
+
aij =
Qij +
Xj
i Qij i
= a 0; i, j = 1,..., n.
j X j j ij
(3.67)
377
INPUT-OUTPUT ANALIZA
A = aij
nn
+
a11+
+
a
= 21
+
an1
a1n +
a2 n +
za ije elemente vrijedi 0 aij + < 1 18.
+
ann
a12 +
a22 +
an 2 +
Qij + = aij + X j +
aij + = Qij + X j +
(3.68)
1
(3.69)
Iz formule (3.67) dobija se veza sa tehnikim koeficijentima aij koliinskih odnosa napisanim u matrinom obliku:
aij + = [i ] aij j
odnosno
(3.70)
aij = [i ] aij + j .
1
(3.71)
novanih
18
Na osnovu formule (3.59) i relacije (3.67) brojnik i Qij 0 je dio nazivnika j Xj > 0, uz poeljnu
pretpostavku da je Vj >0, pa je Qij+ < Xj+. To vrijedi i za zbirove du kolona matrice A+.
378
Kada je kod nekog proizvoaa Pk zbir a k + = aik + blii jedinici, znai da je taj proizvoi =1
ej =
+
Wej +
Xj
ce Wej
jXj
ce
ej 0; e = 1,..., m, j = 1,..., n.
(3.72)
+ = ej + mn
11+ 12 +
+
22 +
= 21
+
+
m1 m 2
1n +
2n +
mn +
Wej + = ej + X j +
ej + = Wej + X j +
(3.73)
1
.(3.74)
(3.75)
Na osnovu formule (3.59) i relacije (3.72) brojnik ce Wej 0 je dio nazivnika j Xj > 0, uz poeljnu
pretpostavku Vj >0, pa je Wej+ < Xj+.To vrijedi i za zbirove du kolona matrice +.
379
INPUT-OUTPUT ANALIZA
odnosno
ej = [ ce ] ej + j
1
Ako se sa 0
(3.76)
e =1
+
j
novanih
rij + =
Qij +
Xi
i Qij Qij
=
= r 0; i, j = 1,..., n.
i X i X i ij
(3.77)
rij + = rij
n n
nn
r11
r
= 21
rn1
r12
r22
rn 2
r1n
r2 n
.
rnn
rij = X i + Qij +
(3.78)
+
+
Qij = X i rij
(3.79)
380
0 rij = ri 1;
i = 1,..., n.
(3.80)
j =1
Ako je kod nekog proizvoaa Pk zbir rk = rkj du k-tog reda matrice rij blii jedinici,
j =1
vj =
Vj
Xj
> 0;
j = 1,..., n.
(3.81)
v j+ =
Vj
X j+
> 0;
j = 1,..., n .
(3.82)
381
INPUT-OUTPUT ANALIZA
v1+
+
v
+
v j = 2 i vrijedi uslov 0 < v j + < 1 20.
+
vn
vj+ =
Vj
jXj
vj
(3.83)
Vrijednosni koeficijenti materijalnih trokova se definiu za pojedine sektore i za cijeli sistem kao odnos materijalnih trokova i vrijednosti bruto proizvodnje:
mj+ =
Mj
X j+
j = 1,..., n.
(3.84)
+
mn
20
21
U razlomku (3.82) brojnik Vj je dio nazivnika Xj+, pa za sve vrijedonosne koeficijente dodane vrijednosti
vrijedi ovo ogranienje.
U razlomku (3.84) brojnik Mj je dio nazivnika Xj+, pa za sve vrijedonosne koeficijente materijalnih trokova vrijedi ovo ogranienje.
382
Poto su materijalni trokovi jednaki zbiru vrijednosti utroenih internih i eksternih repromaterijala
n
i =1
e =1
M j = Qij + + Wej + ;
j = 1,..., n
Qij +
i =1
X j+
mj+ =
Wej +
e =1
X j+
odnosno
n
m j + = aij + + ej +
i =1
mj = a
(3.85)
e =1
j = 1,..., n.
U prethodnom izrazu koeficijent materijalnih trokova je izraen kao zbir zbirova elemenata matrice A+ du kolona i zbirova elemenata matrice + du kolona.
Koeficijent materijalnih trokova pokazuje da se u svakoj novanoj jedinici vrijednosti
bruto proizvoda proizvoaa Pj nalazi mj+ novanih jedinica vrijednosti utroenog
repromaterijala iz sistema i od eksternih dobavljaa.
Strukture jedininih vrijednosti bruto proizvodnji
Ako se jednaina (3.59) formiranja vrijednosti prihoda j = Xj+ proizvoaa Pj
n
i =1
e=1
odnosno
j X j = i Qij + ce Wej + V j
j
1=
Xj
i =1
e=1
Wej +
Xj
Vj
X j+
ili
n
1 = aij + + ej + + v j +
i =1
1= a
(3.86)
e=1
+
j
+
j
+ vj
j = 1,..., n
dakle,
383
INPUT-OUTPUT ANALIZA
1 = mj+ + v j+
(3.87)
+
j
i =1
+
j
Y + = L+ X + ; L+ = I A+
Zavisnost vrijednosti bruto proizvoda od vrijednosti finalnih potronji:
384
(3.88)
X + = B + Y + ; B + = ( L+ ) 1
(3.89)
U+ =+ X +
(3.90)
U + = + Y + ,
+ = + B+ .
(3.91)
lij + =
Yi +
i vrijedi
X j +
+
+
i = j 0 < lii = (1 aii ) 1
+
+
i j lij = aij 0
(3.92)
b ji =
X j +
Yi +
i vrijedi b ji
i = j; bii + 1
=
.
+
i j; b ji 0
(3.93)
Pokazuje da ako se eli samo vrijednost finalna potronja Yi+ 0 poveati za jednu
novanu jedinicu, a finalne potronje ostalih sektora ostanu nepromijenjene, vrijednost
bruto proizvodnje Xj+ 0 treba poveati za b ji + 0 novanih jedinica.
Element matrice eksternih inputa vrijednosno izraen:
U e +
= ej + 0 .
+
X j
(3.94)
385
INPUT-OUTPUT ANALIZA
Znai da ako se samo vrijednost bruto proizvodnje Xj+ proizvoaa Pj povea za jednu
novanu jedinicu, a vrijednosti bruto proizvodnji ostalih proizvoaa ostanu
nepromijenjene, tada se vrijednost ukupnog eksternog inputa od Se treba poveati za ej +
novanih jedinica.
Element matrice ukupnih utroaka eksternih inputa vrijednosno izraen:
U e +
= ei + 0 .
+
Yi
(3.95)
Elementi ove matrice imaju sljedee znaenje: Ako se eli poveati samo vrijednost
finalne potronje Yi+ za jednu novanu jedinicu, a da vrijednosti finalnih potronji ostalih
sektora ostanu nepromijenjene, treba vrijednost ukupnog eksternog inputa (uvoza) od
snabdjevaa Se poveati za ei+ novanih jedinica.
Zavisnost dodane vrijednosti Vj proizvoaa Pj od finalnih isporuka Yi proizvoaa Pi
Kako je V j = v j X j ;
V1
v1 0
V
2 = 0 v2
Vn n1 0 0
X
0
2
vn nn X n n1
V j = v j X j
n1
n n
n1
Kako je X j = b ji Yi dobija se
V1
v1 0
V
2 = 0 v2
Vn n1 0 0
0
b11 b12
b
b
0
21 22
vn nn bn1 bn 2
V j = v j b ji [Yi ]n1
n1
n n
n n
386
b1n
Y1
Y
b2 n
2
bnn nn Yn n1
Ako se oznai d ji
n n
v1b11 v1b12
v b
vb
= v j b ji = 2 21 2 22
vnbn1 vnbn 2
v1b1n
v2b2 n 22
vn bnn
(3.96)
V j = d ji Yi ;
j = 1,..., n.
(3.97)
i =1
= d ji = v j b ji 0
Yi
koji ima sljedee znaenje:
(3.98)
387
INPUT-OUTPUT ANALIZA
V j = v j + b ji + Yi + .
n1
n n
n n
n1
Ako se oznai d ji +
n n
v1+ b11+
+ +
v b
+
+
= v j b ji = 2 21
+ +
vn bn1
v1+ b12 +
v2 +b22 +
vn + bn 2 +
v1+ b1n +
v2 + b2 n + 23
vn + bnn +
moe se napisati
V j = d ji + Yi +
n1
n n
n1
(3.99)
V j = d ji + Yi + ;
j = 1,..., n.
(3.100)
i =1
= d ji + = v j + b ji + 0
(3.101)
Cijene veliina koje se nalaze u proizvodnom sistemu se mijenjaju, a time i cijene proizvodnje. Zbog toga moe doi do naruavanja ravnotee izmeu potranje i ponude proizvoda
jednog ili vie sektora. Za analizu cijena u proizvodnom sistemu i praenja uticaja njihove
promjene polazi se od pretpostavke da proporcije svakog sektora ostaju konstantne, tj. koeficijenti njihovih odnosa se ne mijenjaju uslijed promjena cijena.
23
+
+
+
Matrica d ji = v j b ji predstavlja matricu ukupnih vrijednosnih koeficijenata dodane vrijednosti.
388
= pi Yi .
(3.102)
i =1
i =1
i =1
j =1 i =1
j = pi lij ;
j =1
j =1
i =1
j = 1,..., n.
dobija se
(3.103)
i =1
(3.104)
l
=
0
pi
ij
ij
24
(3.105)
389
INPUT-OUTPUT ANALIZA
Koeficijent lij iz gornjeg izraza ima sljedee znaenje: Ako se trina cijena pi povea za
jednu novanu jedinicu, a ostale trine cijene ostanu nepromijenjene, tada internu cijenu
j treba promijeniti za lij novanih jedinica.
Navedeno objanjenje vrijedi i za svaku dodatnu promjenu trinih cijena, tj.
j = lij [ pi ]n1 .
n1
nn
T
(3.106)
Rjeavajui jednainu (3.104) po vektoru finalnih cijena, tj. mnoei je sa inverznom matricom matrice LT, odnosno matricom BT sa lijeve strane, dobija se:
[ pi ]n1 = b ji nn j n1 .
T
(3.107)
Ako se iz ovog sistema od n linearnih jednaina izdvoji i-ta jednaina, dobija se:
n
pi = j b ji ;
i = 1,..., n .
(3.108)
j =1
j
b
;
0
j
ji
(3.109)
Koeficijent bji iz gornjeg izraza ima sljedee znaenje: Ako se interna cijena j eli
poveati za jednu novanu jedinicu, a da ostale interne cijene ostanu nepromijenjene,
trina cijena pi bi se trebala poveati za bji novanih jedinica.
Pitanje koje ostaje otvoreno za diskusiju je da li se finalna potronja na tritu moe realizovati po cijenama koje su planirali proizvoai, a koje su u analizi oznaene kao trine ili
finalne cijene.
Zavisnost koeficijenta dodane vrijednosti od internih i nabavnih cijena
Ako
se
jednaina
strukture
vrijednosti
proizvodnje
proizvoaa
j X j = i Qij + ce Wej + V j podijeli sa nivoom proizvodnje Xj, dobija se:
i
i Qij
i =1
Xj
j =
390
ce Wej
e =1
Xj
Vj
Xj
Pj:
odnosno
n
i =1
e=1
j = i aij + ce ej + v j .
(3.110)
i =1
e=1
v j = j i aij ce ej = j j a jj i aij ce ej =
j i
e =1
e=1
i =1
e=1
e=1
j i
i =1
e =1
v j = i lij ce ej
(3.111)
v j
v j
ce
(3.112)
(3.113)
= ej 0 .(3.114)
Znaenje parcijalnog izvoda (3.113) je sljedee: Ako se samo interna cijena i povea za
jednu novanu jedinicu, a sve ostale interne cijene, kao i cijene nabave ostanu
nepromijenjene, koeficijent dodane vrijednosti kod proizvoaa Pj e se promijeniti za lij
novanih jedinica.
Znaenje parcijalnog izvoda (3.114) je sljedee: Ako se samo nabavna cijena ce povea
za jednu novanu jedinicu, a ostale cijene nabavne, kao i interne cijene, ostanu
nepromijenjene, koeficijent dodane vrijednosti kod proizvoaa Pj e se smanjiti za ej
novanih jedinica.
Prethodna dva objanjenja vrijede i za svaku dodanu promjenu:
v j = lij [ i ] ej [ ce ] .
T
(3.115)
391
INPUT-OUTPUT ANALIZA
[ i ] = b ji
v j + b ji ej [ ce ] odnosno
[ i ] = b ji
v j + [ ei ] [ ce ] ;
i, j = 1,..., n ; e = 1,..., m.
(3.116)
j =1
e =1
i = v j b ji + ce ei .
(3.117)
(3.118)
i
= ei 0 .
ce
(3.119)
1 = aij + + ej + + v j +
i =1
1= a
e=1
+
j
+
j
+ v j+ ;
j = 1,..., n.
Na isti nain moe se izraunati struktura jedininih vrijednosti proizvodnje za svakog proizvoaa (j = 1,...,n), pa se dobija sistem od n linearnih jednaina:
1 = ( a11+ + a21+ + .. + an1+ ) + (11+ + 21+ + .. + m1+ ) + v1+
1 = ( a12 + + a22 + + .. + an 2 + ) + (12 + + 22 + + .. + m 2 + ) + v2 +
(3.120)
(3.121)
(3.122)
[1]1n = [1]1m + mn B + nn + v j + 1n B + nn
odnosno, poto je +B+ = +, slijedi
[1]1n = [1]1m + mn + v j + 1n B + nn .
(3.123)
e =1
i =1
e =1
i =1
1 = ej + + vi+ bij +
1 = ej + + dij +
1=
+
j
+d
(3.124)
+
j
393
INPUT-OUTPUT ANALIZA
Primjer 3.6.
P1
P2
P3
S1
S2
P1
P2
0
300
10
Qij
0
0
0
300
300
Wej
500
180
P3
Qij
j
0
100
50
0
400
60
Yi
Xi
100
100
140
100 kom.
500 m3
200 kg
Ue
100
120
900 kwh
600
394
j = lij [ pi ]
T
1
100
0 0 0
A = aij = 300 0 100 0
10 0 50
0
0
1
500
0
0
0
0 =3
1 1
200 10
0
0
0
1
2
1
0 0 0 1
0 0
1 0 0
1
1
= 3 1 .
L = lij = 0 1 0 3 0
2
2
0 0 1
1
1
1
3
0
0
4 10
4
10
1
1 3 10 23 13
j = 0 1 0 3 = 3 .
1 3 10 6
0
2
4
Mnoei proizvodnje proizvoaa odgovarajuim internim cijenama dobija se odgovarajua transakciona (vrijednosna) input-output tabela:
395
INPUT-OUTPUT ANALIZA
P1
P2
Qij+
P3
Qij+
Yi +
X i+
P1
P2
P3
0
900
60
0
0
0
0
300
300
0
1200
360
1300
300
840
1300
1500
1200
Qij+
960
600
R+=1560
Y+=2440
X+=4000
Wej+
Wej+
j
S1
S2
150
60
250
36
50
24
450
120
Wej+
210
286
74
U+=570
Mj
Vj
j
1170
130
1300
286
1214
1500
674
526
1200
M=2130
V=1870
=4000
Proizvoa P1 je ostvario prihod X1+ = 1300 KM samo kroz prodaju svoje finalne isporuke.
Proizvoa P2 je ostvario prihod X2+ = 1500 KM, i to 300 KM kroz prodaju
svoje finalne isporuke i 1200 KM u reprodukcijskoj potronji u sistemu, od toga
kroz proizvodnju proizvoaa P1 900 KM i kroz proizvodnju proizvoaa P3
300KM.
Proizvoa P3 je ostvario prihod X3+ = 1200 KM, i to 840 KM kroz prodaju
svoje finalne isporuke i 360 KM u reprodukcijskoj potronji u sistemu, od toga
kroz proizvodnju proizvoaa P1 60 KM i kroz vlastitu proizvodnju 300 KM.
Zbirno u sistemu je ostvaren prihod X+ = 4000 KM, i to kroz vrijednost izvoza
Y+ = 2440KM i vrijednost reprodukcijske potronje u sistemu R+ = 1560KM.
R + = Qij + ; X + = R + + Y + .
i
Kod proizvoaa P1 prihod je 1 = 1300 KM i predstavlja zbir materijalnih trokova M1 = 1170 KM koji je zbir 960 KM vrijednosti internog repromaterijala
(900 KM dobijenog od P2 i 60 KM dobijenog od P3) i 210 KM vrijednosti eksternog repromaterijala (150 KM dobijenog od S1 i 60 KM dobijenog od S2) i
dodane vrijednosti V1 = 130KM.
Kod proizvoaa P2 prihod je 2 = 1500 KM i predstavlja zbir materijalnih trokova M2 = 286KM samo kao vrijednost eksternog repromaterijala (250 KM
dobijenog od S1 i 36KM dobijenog od S2) i dodane vrijednosti V2 = 1214 KM.
Kod proizvoaa P3 prihod je 3 = 1200 KM i predstavlja zbir materijalnih trokova M3 = 674 KM koji je zbir 600 KM vrijednosti internog repromaterijala
(300 KM dobijenog od P2 i 300 KM kroz vlastitu proizvodnju) i 74 KM vrijednosti eksternog repromaterijala (50 KM dobijenog od S1 i 24 KM dobijenog od
S2) i dodane vrijednosti V3 = 526 KM.
U sistemu je ostvaren prihod = 4000KM i predstavlja zbir materijalnih trokova sistema M = 2130 KM koji je zbir vrijednosti reprodukcijske potronje u
sistemu R+ = 1560 KM i vrijednosti uvoza u sistem U+ = 570 KM i dodane vrijednosti sistema V = 1870 KM.
Napomena: M = R+ + U+; = M + V.
b) Rauna se
1
0
0
1300
0 0
0 0 0
1
= 9 0
aij + = Qij + X j + = 900 0 300 0
0
13
1500
60 0 300
1
3
0
0
0
1200 65
1
.
4
1
397
INPUT-OUTPUT ANALIZA
+
+
utroio je a23
= 1/ 4 vrijednosti proizvodnje proizvoaa P2 i a33
= 1/ 4 vrijednosti svoje proizvodnje.
Rauna se
1
0
0
1300
1
1
3
150
250
50
1
= 26 6 24
ej+ = Wej + X j + =
0
0
3
6
1
1500
60 36 24
1 65 25 50
0
0
1200
1 = aij + + ej + + v j +
i =1
1= a
398
e=1
+
j
+
j
+ v j+ ;
j = 1, 2,3
P1
0
9/13
3/65
48/65
3/26
3/65
21/130
117/130
13/130
1
P1
P2
P3
S1
S2
mj+
vj+
P2
0
0
0
0
1/6
6/25
61/150
61/150
89/150
1
P3
0
1/4
1/4
1/2
1/24
1/50
37/600
337/600
263/600
1
Objanjenje:
0 0 0
3
1
0
d) Kako je rij+ = rij i iz izraunate matrice rij =
slijedi:
5
5
1
1
0
4
20
rij+ 100%
P1
P2
P3
0
60
5
0
0
0
ri + 100%
0
20
25
0
80
30
Yi +
100%
X i+
100
20
70
399
INPUT-OUTPUT ANALIZA
Objanjenje:
0,1
0
0,1 0, 4
10 140 1400
a) Y + =
=
8 125 1000
1
X + = B + Y + ; B + = L+
0,8 0,1
L+ = I A+ =
0,1 0, 6
47
100 0, 6 0,1
B+ =
100
47 0,1 0,8
100 0, 6 0,1 1400 2000
X + = B+ Y + =
det L+ =
0 400 200
0, 2 0,1 2000
Qij+ = ij+ X +j =
2000 200 800
0,1 0, 4 0
400
0 100 80
0, 05 0, 04 2000
Wij+ = ej+ X +j =
0,1 0
2000 0 200
0
Transakciona input-output tabela:
P1
P2
Qij+
Yi +
X i+
P1
P2
400
200
200
800
600
1000
1400
1000
2000
2000
Qij+
600
1000
1600
2400
4000
S1
S2
100
0
80
200
180
200
Wej+
100
280
380
M
V
P
700
1300
2000
1280
720
2000
1980
2020
4000
P1
P2
S1
S2
P1
P2
40
25
20
0
20
100
16
50
Qij
Yi
Xi
60
125
36
50
140
125
200
250
401
INPUT-OUTPUT ANALIZA
1300 = 200 1* 40 1* + 25 2* + 20 6 + 0 5
720 = 250 2* 20 1* + 100 2* + 16 6 + 50 5
284 = 32 1* 5 2*
533 = 10 1* + 75 2*
1* = 10.42
2* = 9.88
Dakle, ako se cijene uvoza poveaju za 1nj, interne cijene bi se poveale 1 za 0,42
nj, a 2 za 1,88 nj.
Primjer 3.8.
+
ij
P2
Qij+
Yi +
X i+
2100
2500
3000
P1
P2
1250
600
Q
i
+
ij
Wej+
Wej+
j
S1
S2
0
1200
100
160
Wej+
e
Mj
Vj
j
a) Kompletirati vrijednosnu I-O tabelu.
b) Napisati jednainu raspodjele vrijednosti proizvodnje u sistemu.
c) Koliko proizvoa P1 direktno utroi u svojoj proizvodnji internog inputa proizvoaa P2 ?
d) Formirati koliinsku input-output tabelu.
402
+
ij
P2
Qij+
Yi +
X i+
1250
600
1250
900
1250
2100
2500
3000
1850
2150
3350
5500
P1
P2
0
300
Qij+
300
+
ej
W
j
+
ej
S1
S2
0
1200
100
160
100
1360
Wej+
1200
260
1460
Mj
Vj
j
1500
1000
2500
2110
890
3000
3610
1890
5500
c) Q21 =
Q21+
i =1
300
= 20m .
15
d) Dijelei vrijednosti internih i eksternih inputa proizvoaa sa odgovarajuim internim i nabavnim cijenama, dobijamo koliinsku I- O tabelu:
P1
P2
S1
S2
P1
P2
Qij
0
20
0
60
50
40
10
8
50
60
10
68
Yi
Xi
50
140
100
200
403
INPUT-OUTPUT ANALIZA
0
1250
2500
e) aij + = Qij + X j =
300 600 0
1
2500
0
100
ij + = Wej + X j =
1200 160 0
a12 + =
5
0 0
12
=
1
1 3
3000 25 5
0 0
=
1 12
3000 25
1
30
.
4
75
5
1
; 12 + =
12
30 .
5
12
1
vrijednosti uvoza od snabdjevaa S1.
30
V2
890
=
0, 296 .
+
X2
3000
Primjer 3.9.
Kod jednog proizvodnog sistema u tekuem periodu poznate su matrice:
A+
a)
b)
c)
d)
404
1 1
8 4
400
1
+
=
0 , X + =
, =
.
4
600
1 1
4 3
Kompletirati odgovarajuu vrijednosnu I- O tabelu proizvodnog sistema ;
Izraunati vrijednosnu matricu koeficijenata ukupnih eksternih inputa [+] i komentarisati vrijednosti koeficijenata direktnih i ukupnih utroaka eksternih inputa
za sektor P2;
Izraunati vrijednosne direktne i ukupne koeficijente dodane vrijednosti [v+] i
[d+] i komentirati dobivene rezultate za sektor P2 ;
Napisati vrijednosnu strukturu jedinine proizvodnje za svaki sektor pomou direktnih koeficijenata (polaznu strukturu), a zatim pomou ukupnih koeficijenata
(dekomponiranu strukturu).
Rjeenje:
a) Izraunavaju se:
Qij+ = ij+ X +j = 8
1
4
1
+
+
+
Wej = ej X j = 4
1
4 400 0 50 150
=
+
ij
P2
Qij+
Yi +
X i+
200
300
500
200
300
500
400
600
1000
P1
P2
50
100
150
Qij+
i
150
200
350
Wej+
Wej+
j
S1
Mj
Vj
j
100
250
150
400
0
350
250
600
100
600
400
1000
b) + = +B+; B+ = (L+)-1.
1
4
2
3
32
25
1
+
(
)
B+ =
L
det L+
12
25
12
25
42
25
405
INPUT-OUTPUT ANALIZA
32
1
25
Sada matrica + =
0
4
12
25
12
25 8
=
42 25
25
3
.
25
Iz dobivenih matrica traeni direktni vrijednosni koeficijent eksternih inputa za proizvoaa P2 je 12+ = 0 i pokazuje da proizvoa P2 u svojoj proizvodnji ne troi
vrijednost eksternog repromaterijala.
3 U1+
pokazuje da jedinica vrijednosti finalne isporuke proizvoa=
Nadalje =
25 Y2+
a P2 uvjetuje potronju eksternog repromaterijala kod svih proizvoaa u vrijednosti
od 3/25 nj.
+
12
c) Iz v +j =
Vj
3 5
v+ =
X
8 12
+
j
3
32
0
25
8
+
+
+
d = v B =
12
5
0
12 25
12 12
25 25
=
42 1
25 5
9
50
7
10
1 = aij + + ej + + v j +
i =1
1= a
e =1
+ vj+ ;
j = 1, 2.
1 1 1 3
Za sektor P1: ( + ) + + = 1
8 4 4 8
406
U jednoj novanoj jedinici proizvodnje sektora P1 se nalazi 3/8 nj vrijednosti utroenog internog repromaterijala, vrijednosti utroenog eksternog repromaterijala i 3/8
nj dodane vrijednosti.
1 1
5
Za sektor P2: ( + ) + 0 + = 1
4 3
12
U jednoj novanoj jedinici proizvodnje sektora P2 se nalazi 7/12 nj vrijednosti utroenog internog repromaterijala, nita vrijednosti eksternog repromaterijala i 5/12 nj
dodane vrijednosti.
Dekomponirana struktura vrijednosti jedininih proizvodnji:
m
e =1
i =1
1 = ej + + vi+ bij + ;
1 = ej + + dij + ;
e =1
1=
i =1
+d
Za sektor P1:
8
12 1
8 17
+( + ) =
+
=1
25 25 5 25 25
U jednoj novanoj jedinici proizvodnje sektora P1 se nalazi 8/25 nj vrijednosti eksternih inputa i 17/25 nj dodane vrijednosti formirane u sistemu, a sadranih u jedinici
vrijednosti izvoza ovog sektora.
Za sektor P2:
3
9 7
3 22
+( + ) =
+
=1
25 50 10 25 25
U jednoj novanoj jedinici proizvodnje sektora P2 se nalazi 3/25 nj vrijednosti eksternih inputa i 22/25 nj dodane vrijednosti formirane u sistemu, a sadranih u jedinici
vrijednosti izvoza ovog sektora.
Primjer 3.10.
b ji + = 3
2
3
10
1
9 + 25
ej =
20
4
9
25
1
30
407
INPUT-OUTPUT ANALIZA
4
3
a) X + = B + Y + =
2
3
10
1
1
9 2000 5000
I A+ = ( B + ) A+ = I ( B + )
=
20 2100 6000
9
10
20
T
20
9
9
det B + = ; ( B + *) =
2
4
9
3
3
10
1
20
1
1
9
9
9
2
L+ = ( B + ) =
=
3
4 3
20 2
3 10 5
3
1
2
A+ = I L+ =
3 2
10 5
Izraunava se:
0
+
+
+
Qij = ij X j = 3
10
1
Wej+ = ej+ X +j = 25
4
15
408
1
0 0
3000
2 5000
=
2 0
6000 1500 2400
5
0
0 200 0
5000
=
1 0
6000 800 200
30
P2
Qij+
Yi +
X i+
P1
P2
0
1500
3000
2400
3000
3900
2000
2100
5000
6000
Qij+
1500
5400
6900
4100
11000
S1
S2
200
800
0
200
200
1000
:20
:40
Wej+
1000
200
1200
Mj
Vj
Xj+
2500
2500
5000
5600
400
6000
8100
2900
11000
P2
Qij
60
130
10
25
:50
:30
0
50
10
20
60
80
0
5
Yi
40
70
Xi
100
200
b)
ei + = ej+ b +ji = 25
4
25
+
U
2
12+ = 1+ =
45
Y2
4
0
3
1 2
30 3
10 4
2
9
75
45
=
20 53
34
9 225 135
Ako se vrijednost izvoza od P2 eli poveati za 1KM, tada vrijednost uvoza od S1 tre2
KM.
ba poveati za
45
c) v1+ = 2500/5000 = 0,5.
409
INPUT-OUTPUT ANALIZA
Primjer 3.11.
Qij+
Qij+
Yi +
X i+
Industrija
Turizam
150
50
0
100
120
0
50
80
100
300
250
100
Qij+
200
220
230
R+=650
Poljoprivreda
Wej+
200
150
200
500
400
300
Y+=550 X+=1200
Wej+
j
S(uvoz)
Mj
Vj
j
200
400
100
500
100
320
80
400
50
280
20
300
350
M=1000
V=200
=1200
0 100
0
0
410
0
1
400
0
3 1 1
0
10 4 6
1
3 4
0 =
10 10 15
1
1
0 0
300
3
Qij +
X j+
objanjava se:
ai1+ =
i
4
= 0, 4 ;
10
U milionu vrijednosti outputa sektora 1 (industrije) nalazi se 0,4 miliona vrijednosti interne reprodukcione potronje sistema, ili u vrijednosti outputa sektora
industrije uee vrijednosti domae ili interne potronje je 40%.
ai 2 + =
i
11
= 0,55 ;
20
U milionu vrijednosti outputa sektora poljoprivrede nalazi se 0,55 miliona vrijednosti interne potronje sistema.
ai 3+ =
i
23
0,77 ;
30
411
INPUT-OUTPUT ANALIZA
7
10
1
+
( I A ) =
10
1
4
7
10
1
6
4
.
15
2
3
1
( L+ )
det L+
1
7
15 15
31
1
7
+
+
+ * T
det L =
; L = (( L ) ) =
6 15
100
11 21
60 100
7 1
0
15 6
1 7
=
0
15 15
93
0 0
200
11
60
21
100
93
200
140 50 55
93 93 93
B =
0, 22 1,51 0, 68 .
93 93 31
0
1,5
0
3
0
0
2
+
X j
b ji + =
predstavlja zavisnost vrijednosti outputa sektora j uslovljena jedininom
Yi +
promjenom vrijednosti finalnih isporuka (izvoza) sektora i.
Objanjenje:
0
0
1,5 0 0
+
Vrijednost outputa sektora industrije bi se poveao za 27 miliona, sektora poljoprivrede za 75,5 miliona, a vrijednost outputa sektora turizma bi ostao isti.
U + = + Y +
2
1
6
1
4
+ =
5
2
U =
5
+
0
1
50 = 12,5 .
6
0
1
4
26
U elementu b ji
ini jedinica vrijednosti izvoza sektora i, stoga se formira iz direktnih i indirektnih efekata. Direktni efekt
+
je predstavljen sa a ji , stoga je b ji - a ji (ij), odnosno bii -(1+ aii ) predstavlja veliinu indirektnih
efekata. Kako suma
+
ji
+
ji
413
INPUT-OUTPUT ANALIZA
Primjer 3.12.
Neka je u nekom proteklom proizvodnom periodu poznata transakciona I-O tabela jednog proizvodnog sistema (u $), kao i interne cijene proizvodnji i nabavne cijene:
10
10
i = , ce =
5
20
Transakciona I-O tabela:
P1
Qij+
P2
Qij+
Yi +
X i+
P1
P2
0
2000
1000
1000
1000
3000
3000
3000
4000
6000
Qij+
2000
2000
4000
6000
10000
Wej+
Wej+
j
S1
S2
1000
0
500
500
1500
500
Wej+
1000
1000
2000
Mj
Vj
j
3000
1000
4000
3000
3000
6000
6000
4000
10000
414
0
+
A =
1
2
1 1
6
4
12
+
+
+
; =
;L = I A =
1
1
0 1
2
6
12
10
9
1
B + = ( L+ ) =
2
3
1
v + =
4
2
1
3
9
+
+
+
; = B =
4
1
18
3
1
6
5
6
1
6
;
1
9
1
; [ v ] = [ 2,5 10]
2
e =1
i =1
1 = ej + + vi+ bij + ;
1 = ej + + dij + ;
e =1
1=
i =1
+
j
+d
+
j
5 1
dij + = 18 18
1 2
3 3
Za proizvoaa P1:
1 1
5 1
7 11
1= 1 +d 1 = ( + )+( + ) = +
3 18
18 3 18 18 .
Proizvoa P1 po svakoj novanoj jedinici vrijednosti proizvodnje obraunava 7/18
novanih jedinica vrijednosti uvezenog repromaterijala uzrokovanih jedinicom izvoza
i 11/18 novanih jedinica dodane vrijednosti formirane u sistemu, a sadranih u jedinici vrijednosti finalne isporuke (izvoza).
415
INPUT-OUTPUT ANALIZA
Za proizvoaa P2:
1 1
1 2
5 13
1= 2 +d 2 = ( + )+( + ) = +
6 9
18 3 18 18 .
Proizvoa P2 po svakoj novanoj jedinici vrijednosti proizvodnje obraunava 5/18
novanih jedinica vrijednosti uvezenog repromaterijala uzrokovanih jedinicom izvoza
i 13/18 novanih jedinica dodane vrijednosti formiranih u sistemu, a sadranih u novanoj jedinici izvoza.
b) Obzirom da su poznate cijene proizvodnji i nabavne cijene, kompletiramo odgovarajuu koliinsku I-O tabelu:
P1
P2
S1
S2
P1
P2
Qij
Yi
Xi
0
100
100
0
100
50
50
100
100
150
150
100
300
150
400
300
0
A=
1
4
1
1
4
3
; =
1
0
6
10 4
9 9
1
B = ( L) =
;
1 4
3 3
Vrijedi
1
6
;L = I A =
1
1
3
4
1
= B = 3
1
9
1
3
5
6
1
3
;
4
9
v1
= 11 = 0, 25 .
c1
800
100% = 20% .
1000
Do ovog rezultata smo mogli doi i ovako: V1 = 4000 -(2000 + 10012) = 800.
v2
1
= 12 = , to e se prethodni koeficijent dodane vrijednosti proizvoc1
6
aa P2 smanjiti za 1/3, tj. bie 10-1/3 = 29/3, rauna se V2 = 29/3 300 = 2900.
Kako je
To
znai da se dodana
2900
100%
100% = 3,33% .
3000
vrijednost
proizvoaa
P2
smanjila
za
1
1
= 11 = i kako je ovo jedinina promjena, a c1 = 2 , to e se cijec1
3
na proizvoda proizvoaa P1 poveati za 21/3 = 2/3, odnosno nova interna cijena
proizvoaa P1 e biti 1 = 10 + 0, 67 = 10, 67 , tj, poveat e se za 6,67%.
c) Iz odnosa
2
1
= 12 = , pa e se cijena proizvoda proizvoaa P2 poveati za 2/3, tj.
c1
3
bie 2 = 20 + 0, 67 = 20, 67 . Dakle, poveat e se za 3,33%.
Slino,
d)
2
4
= b22 = 1,33 , nova interna cijena poveat e se za 1,33 novane jedinice, bie
v2
3
417
INPUT-OUTPUT ANALIZA
Qij+
P2
Qij+
Yi +
X i+
1033,3
3200
4233,3
3100
3200
6300
4133,3
6400
10533,3
P1
P2
+
ij
0
2133,3
2133,3
1033,3
1066,7
2100
Wej+
Wej+
j
S1
S2
1000
0
500
500
1500
500
Wej+
1000
1000
2000
Mj
Vj
j
3133,3
1000
4133,3
3100
3300
6400
6233,3
4300
10533,3
418
2)
3)
i =1
4)
5)
6)
7)
e =1
e=1
8)
9)
U matrinoj funkciji j = [?] [ pi ] koju konkretnu matricu treba napisati umjesto matrice [?] ?
10) Kako se odreuju i koje je znaenje veliina U e+ i Wej+ u vrijednosnoj input-output tabeli?
11) Koja od sljedeih jednaina predstavlja jednainu strukture jedinine vrijednosti proizvodnje proizvoaa Pj .
a)
i =1
b)
+
ij
e =1
i =1
e =1
+
ej
+ v +j = 0
aij + ej + v j = 1
n
c)
a +
m
a +
i =1
+
ij
e =1
+
ej
+ v +j = 1
419
INPUT-OUTPUT ANALIZA
12) U matrinoj funkciji X j = [?] [Yi ] koju matricu treba upisati umjesto matrice [?]
13) Napisati emu je jednak element lii matrice lij .
n
pi
?
k
pi
i
Ce
Yi
420
PITANJA ZA PONAVLJANJE
b) W39+ = 50 KM i X 9+ > 0
m
W
e =1
+
e3
= 400 KM .
kwh
.
kg
kom
u odnosu na matrinu jednainu X j = b ji [ Yi ]
t
421
INPUT-OUTPUT ANALIZA
3 0.1 0
a) 0.5 1
0
0.2 0.2 1.2
0.4 0.10 0
b) 0.1 0.2 0
0.2 0.4 0
0
0
0.6
c) 0.1 0.8 0
0.2 0.4 1
l
u odnosu na matrinu jednait
0.4 0.10 0
b) 0.1 0.2 0
0.2 0.4 0
0
0
0.6
c) 0.1 0.8 0
0.2 0.4 1
+
45) Rijeima objasniti znaenje vrijednosti a42
= 0,5.
l
u odnosu na matrinu jednait
48) Napisati relaciju kojom se izraava matrica tehnikih koeficijenata internih inputa .
422
PITANJA ZA PONAVLJANJE
a) X j = rji Yi
i =1
n
b) X j = a ji Yi
i =1
n
c) X j = ji Yi
i =1
n
d) X j = b ji Yi
i =1
lii
lii
lii
lii
= aii
= 1 aii
= 1 + aii
= aii
n
423
INPUT-OUTPUT ANALIZA
1,3 0, 2
1 0,5
c)
0
1,3
56) Ako je poznato u jednom proizvodnom sistemu da je bruto proizvodnja jednog proizvoaa 500kg, i da je 10 % svoje bruto proizvodnje raspodijelio na reprodukcijsku
potronju u sistemu, kolika je njegova finalna potronja?
a) 50 kg
b) 450 kg
c) 500 kg.
n
i =1
e =1
424
PITANJA ZA PONAVLJANJE
T
T
v
59) Iz matrine jednaine v j = lij [ i ] ej [ ce ] je dobijeno 2 = 5 . Objasniti
c3
znaenje vrijednosti tog parcijalnog izvoda i napisati koji element predstavlja ova vrijednost.
T
T
v2
= 2 . Objasniti
60) Iz matrine jednaine v j = lij [ i ] ej [ ce ] je dobijeno
3
znaenje vrijednosti tog parcijalnog izvoda i napisati koji elemenat predstavlja ova vrijednost.
68) Napisati vezu izmeu tehnikih koeficijenata i vrijednosnih koeficijenata internih inputa i navesti razlike.
69) U proizvodnji svakog kg bruto proizvodnje proizvoa P3, izmeu ostalog, treba direktno utroiti 3m proizvodnje proizvoaa P5. Broj 3 je vrijednost koeficijenta:
a) a35
b) a53
425
INPUT-OUTPUT ANALIZA
c) 35
d) l53
70) Ako se planira samo finalna isporuka proizvoaa P3 poveati za 1kg, izmeu ostalog,
mora se bruto proizvodnja proizvoaa P5 poveati za 10m. Broj 10 je vrijednost koeficijenta:
a) a35
b) l53
c) b53
71) Zaokruite faktor koji ne predstavlja determinantu individualne tranje u irem smislu:
a)
b)
c)
d)
e)
f)
426
33
i j qij = (i + j ) 10
i = j qii = 10
;
3
i =1
j =1
1 3
1 3
2
;
;
Date su matrice A =
B
C
=
=
2 5
3 ; D = [ 3 2] .
2 4
Izraunati: A +B; A B; B A; A C; C D; D C; A-1.
Zadatak 3.3.
A = 2 3 4 , D = 0 x2
0 0
0 1 2
0
0 .
x3
Zadatak 3.4.
2 0
1 3
Date su matrice A =
;B =
.
0 3
2 1
Rijeiti matrine jednaine:
a) AXB = I
b) AX+X = B
c) XA = B-2X.
Zadatak 3.5.
Preduzee PHONTELE prodaje dva tipa telefona: super i compact, preko dva prodajna
mjesta P1 i P2. Vrijednost prodaje u $, za septembar i oktobar, date su u matricama A i B
redom:
427
INPUT-OUTPUT ANALIZA
A
P1
P2
septembar
sup er
compact B
18000
35000 P1
25000
27000 P2
oktobar
sup er compact
20000
40000
30000
25000
Neko preduzee proizvodi tri tipa friidera: super, compact i delux. Svaki tip mora proi
kroz tri razliita postrojenja P1- proizvodnja dijelova, P2-sklapanje dijelova i P3- pakovanje.
Trajanje tih prolaza (u satima) po jedinici proizvoda data su u tabeli
P1
P2
P3
super
0,4
0,25
0,2
compact
0,5
0,3
0,2
delux
0,5
0,4
0,2
Postrojenja P1, P2 i P3 raspolau sedminim kapacitetom odredom 37, 25, 16 sati respektivno.
Koliko se friidera mora sedmino proizvoditi da bi preduzee radilo punim kapacitetom?
Input-output analiza
Zadatak 3.7.
428
Ukupno
P1
50
50
50
100
P2
20
40
60
140
200
kom
S1
10
10
S2
20
25
kg
ZADACI ZA VJEBU
a) Ako se u narednom periodu planiraju finalne potronje Y1 = 90 t i Y2 = 162 kom, kompletirati novu koliinsku I-O tabelu.
b) Objasniti znaenje elemenata b21 i a21 .
c) Ako su poznate finalne cijene p1 = 30 KM/t i p2 = 40 KM/kom, kao i nabavne cijene c1
= 10 KM/m i c2 = 10 KM/kg odrediti u kojem periodu e se ostvariti vea dodana vrijednost, tekuem ili planiranom.
Zadatak 3.8.
0,5 0, 6
0, 2 0, 025
a) Ako je plan finalne potronje Y1 = 40 kg i Y2 = 70 t, formirati odgovarajuu koliinsku IO tabelu.
b) Ako su poznate finalne cijene p1 = 100 nj/kg i p2 = 100 nj/t, a nabavne cijene c1 = 20
nj/kom i c2 = 40 nj/m3, kompletirati odgovarajuu transakcionu I-O tabelu i odrediti matrice [aij+ ] i [ej+].
Zadatak 3.9.
2
0
40 +
25 100
aij + =
ej =
3
3 1
0
50
5 40
50
20
15 9
30
+
B+ =
=
= c=
30
40
4 4
12 4
25 75
25 3
429
INPUT-OUTPUT ANALIZA
a) Ako je plan neto proizvodnje Y1 = 50t i Y2 = 140kom., kompletirati odgovarajuu transakcionu I-O tabelu
b) Kompletirati koliinsku I-O tabelu
c) Ako su uslijedile promjene cijena uvoza: c1=10 nj i c2 =10 nj, kolike treba da budu
interne cijene 1 nj/t i 2 nj/kom pa da proizvoai P1 i P2 ostvaruju iste dodane vrijednosti kao u a).
d) Objasniti znaenje elemenata 12+ i b12+.
Zadatak 3.11.
7 7
1 4
B=
i =
8
16
5 3
7 7
7 7
a) Ako je plan bruto proizvodnji X1 = 192 kg i X2 = 208 m2, sastaviti odgovarajuu koliinsku I-O tabelu
b) Ako su poznate finalne cijene p1 = 32 nj/kg, p2 = 24 nj/m2 i cijene nabave c1 =3 nj/kwh,
c2 = 2 nj/m3, sastaviti odgovarajuu transakcionu I-O tabelu
+
i 21+ . Objasniti njihovo znaenje.
c) Koliki su koeficijenti a21
Zadatak 3.12.
0, 2 0, 25
1 1
4 3
a) Ako je plan finalne potronje Y1= 50 kom, Y2 = 50 kg, kompletirati odgovarajuu koliinsku I-O tabelu.
b) Ako su poznate interne cijene 1 = 50 nj/kom i 2 = 30 nj/kg, kao i cijene nabave c1= 20
nj/m2 i c2 = 6 nj/kwh kompletirati transakcionu tabelu.
c) Ako se bruto proizvodnja prvog proizvoaa povea za 100 kom, a kod drugog ostane
nepromijenjena kako e se promijeniti finalne isporuke i uvoz u sistem?
Zadatak 3.13.
430
ZADACI ZA VJEBU
0 1 1,5
0, 2 0 0
aij = 0 0 0, 75 i ej =
0,1 0 0,5
0 0
P2
50
Uvoz
20
Ukupno
60
130
Finalne
isporuke
40
Ukupna
proizvodnja
70
a) Ako se u narednom periodu planira izvoz Y1 = 60 kg i Y2 = 150 kom, kompletirati odgovarajuu koliinsku I O tabelu.
b) Ako su poznate finalne cijene p1 = 50 $/kg i p2 = 30 $/kom, i nabavna cijena c1 = 20 $/l.
Odrediti ukupan prihod sistema u tekuem i narednom periodu, kao i njihove dodane
vrijednosti u sistemu.
c) Ako bi bruto proizvodnju prvog proizvoaa poveali za 1kg, kako bi se trebali promijeniti izvoz proizvoaa i uvoz u sistem?
Zadatak 3.15.
431
INPUT-OUTPUT ANALIZA
Zadatak 3.16.
P2
Q+ij
Y+i
75000
6000
25000
12000
25000
X+i
30000
93000
1250
750
2000
100000
30000
130000
50
kao i cijene = ; c1 = 10 .
30
a) Kompletirati datu tabelu.
b) Ako se planiraju novi izvozi u vrijednosti Y1+ = 90000, Y2+ = 30000, odrediti materijalne trokove proizvoaa, kao i dodane vrijednosti u prihodima proizvoaa
c) Koliko bi se po jednoj koliinskoj jedinici proizvodnje proizvoaa ostvarivalo dodane
vrijednosti proizvoaa u narednom periodu?
d) Ako se nabavna cijena povea za jedinicu, a interne cijene ostanu nepromijenjene, kako
e se to odraziti na koeficijente dodane vrijednosti proizvoaa?
432
q
j =1
1j
q
i =1
i3
Matrica Q je simetrina pa je QT = Q .
Rjeenje 3.2.
1 + (1) 3 + (3) 0 0
A+ B =
.
=
4 + 5 4 9
2+2
1 (1) + 3 2 1 (3) + 3 5 5 12
A B =
=
.
2 (1) + 4 2 2 (3) + 4 5 6 14
7 15
B A =
.
12 26
1 2 + 3 3 11
AC =
= .
2 2 + 4 3 16
6 4
CD =
.
9 6
D C = [3 2 + 2 3] = [12] .
1
A ; A = ( A* )T , pa raunamo det A= 1 4 - 2 3= - 2.
det A
3
4 2
4 3
1 4 3
2 .
1
A* =
A
A
=
=
2 1
1
2 2 1
3 1
1
2
A1 =
433
INPUT-OUTPUT ANALIZA
Rjeenje 3.3.
2
0
1
0
0 1|1 0 0
1 0
Ivrsta ( 2) + IIvrsta
3 4|0 1 0
0 3
0 1
1 2|0 0 1
0 1| 1 0 0 IIvrsta( 3) + IIIvrsta 1
1 2| 0 0 1 0
0
3 2| 2 1 0
1| 1 0 0 IIvrsta
zamjenjena
IIIvrstom
2| 2 1 0
2| 0 0 1
IIIrstu
0 1 | 1 0 0 dije
lim o
sa ( 4)
1 2 | 0 0 1
0 4| 2 1 3
0
0 IIIvrsta( 1) + Ivrsta 1 0 0|1/ 2 1/ 4 3 / 4
1 0 1| 1
0 1 2| 0
IIIvrsta( 2) + IIvrsta
0
1
0 1 0| 1 1/ 2 1/ 2
0 0 1|1/ 2 1/ 4 3 / 4
0 0 1|1/ 2 1/ 4 3 / 4
1/ 2 1/ 4 3 / 4
Dakle, A = 1 1/ 2 1/ 2 .
1/ 2 1/ 4 3 / 4
1
x1
Rjeenje 3.4.
0
1
x2
0
0 .
x3
a)
AXB=I (mnoimo sa A-1 slijeva i B-1 zdesna) X = A-1 B-1.
1/10 3 /10
1/ 2 0 1 1/ 5 3 / 5
;B =
imamo da je X =
Kako je A1 =
.
2 /15 1/15
0 1/ 3
2 / 5 1/ 5
b)
1/ 3 0 1 3 1/ 3 1
(A+I) X = B X = (A+I)-1B =
=
.
0 1/ 4 2 1 1/ 2 1/ 4
c)
1/ 4 3 / 5
XA + 2X = B X(A+2I) = B X = B(A+2I)-1 =
.
1/ 2 1/ 5
434
Rjeenje 3.5.
a) A+B;
2000 5000
b) B A =
to znai da prodajno mjesto P2 gubi 2000 $ vrijednosti prodaje
5000 2000
compact telefona u odnosu na septembar.
c) 0,05A;
d) 0,03A+0,032B.
Rjeenje 3.6.
x1- broj super friidera, x2- broj compact friidera, x3- broj delux friidera.
Na zadatak se svodi na rjeenje sistema jednaina u matrinom obliku AX=B, gdje je
0, 4 0,5 0,5
x1
37
A = 0, 25 0,3 0, 4 ;
X = x2 ;
B = 25
0, 2 0, 2 0, 2
x3
15
pa je rjeenje
30
1
X = A B = 25 .
25
Mora se proizvoditi 30 super, 25 compact i 25 delux friidera da bi preduzee radilo punim
kapacitetom.
Rjeenje 3.7.
0
0 4
a) A =
; =
1
1 1
5 5
5
-1
X=BY; B=L = (I-A)-1
16
15
B=
4
15
1
150
3
; X =
4
240
3
1
20
1
40
P1
P2
S1
S2
P1
0
30
0
30
P2
60
48
12
6
Qij
60
78
12
36
Yi
90
162
Xi
150
240
435
INPUT-OUTPUT ANALIZA
0 0,3
A= I L=
;
0,5 0, 4
0
Qij = ij X j =
1
5
1
4 150 0 0 60
=
1 0 240 30 48
5
Wej = ej X j = 1
1
20 150 0 0 12
=
1 0 240 30 6
40
4
;
15
Ako neto proizvodnju Y1 poveamo za 1 t, bruto proizvodnju X2 treba poveati za
4
b21 = kom.
15
1
a21 = ;
5
1
Po svakoj toni proizvoa P1 direktno utroi a21 = komada proizvodnje proizvoaa P2.
5
b) b21 =
T
5 30 22
j = lij [ pi ] =
=
1 4 40 24,5
5
4
U tekuem periodu V = 4180 KM, u planiranom V = 5469 KM.
Rjeenje 3.8.
a)
4
3
X = B Y ; B = L1 =
10
9
100
X =
200
436
2
3
;
20
9
0 0,3
A= I L=
;
P1 P2 Qij Yi Xi
0,5 0, 4
P1
0 60
60 40 100
0 0,3 100 0 10 0
0 100 0 0 60 S1 10
0,1
0
10
Wej = ej X j =
0, 2 0,025 0 200 = 50 80
S2 20
5
25
b)
1
T
2 100 50
j = lij [ pi ] =
=
3 3 100 30
10 5
Mnoei dijelove proizvodnje internim cijenama i uvoz nabavnim cijenama dobijamo transakcionu tabelu ovog proizvodnog sistema:
P1
P2
S1
S2
Mj
Vj
Xj+
P1
P2
Y+
X+
0
1500
1500
200
800
1000
2500
2500
5000
3000
2400
5400
0
200
200
5600
400
6000
3000
3900
6900
200
1000
1200
8100
2900
11000
2000
2100
4100
5000
6000
11000
0 0,5
A+ =
0,3 0, 4
+ = 25
4
25
0
.
1
30
437
INPUT-OUTPUT ANALIZA
Rjeenje 3.9.
a) Primjenom formula:
1
1
1
ej + = [ ce ] ej j ej = [ ce ] ej + j
dobijaju se
1
5 0 0
aij =
0 1 3
10 5
1
ej = 2
0
2
0
25
1
0
4
0
5
0
40
=
1 0 10 3
10
40
1
20
1
40
3
1
50 5 0 5
=
3 0 10
0
50
3
10
.
3
20
0
+
Qij =
3
5
1
0 0 100
40 500
=
6
2
500
0 40 240
Wej+ = 25 100
=
3 0 4000 0 240
0
50
V
c) [vj+] = 1+
X1
V2 160
=
X 2+ 500
P1
P2
S1
S2
Mj
Vj
Xj+
P1
P2
Y+
X+
3320
= [ 0.32 0.83]
4000
438
Rjeenje 3.10.
2500
a) Y + =
;
4200
16
15
X + = B +Y + =
4
25
5
9 2500 5000
=
4 4200 6000
3
5
5
1
0
12
12
+
+
L+ = ( B + ) 1 =
A = I L =
1
3 4
3
25 5
25 5
5
0 0 2500
12 5000
Qij + =
=
1 0
6000 600 1200
3
25 5
Wej+ = ej+ X +j
0 5000
0 0
200
0,1
Wej+ =
S1
S2
Mj
Vj
Xj+
P1
P2
Y+
X+
0
600
600
0
2400
2400
3000
2000
5000
2500
1200
3700
200
320
520
4220
1780
6000
2500
1800
4300
200
2720
2920
7220
3780
11000
2500
4200
6700
5000
6000
11000
b) Dijelei ostvarene vrijednosti proizvodnje i njenih dijelova proizvoaa sa odgovarajuim internim cijenama i uvoz sa nabavnim cijenama, dobijamo koliinsku I-O tabelu:
439
INPUT-OUTPUT ANALIZA
P1
P2
Qij
Yi
Xi
0
20
0
60
50
40
10
8
50
60
10
68
50
140
100
200
1
30
Proizvoa P2 po svakoj novanoj jedinici vrijednosti svoje proizvodnje direktno utroi
1/30 novane jedinice vrijednosti eksternog repromaterijala od snabdjevaa S1.
U +1 1
=
Ili +12 =
X + 2 30
Ako poveamo samo vrijednost proizvodnje proizvoaa P2 za jednu novanu jedinicu,
tada e se vrijednost uvoza od S1 poveati za 1/30 novanih jedinica.
5
b +12 =
9
Ako elimo vrijednost izvoza proizvoaa P2 poveati za jednu novanu jedinicu, tada moramo vrijednost proizvodnje proizvoaa P1 poveati za 5/9 novanih jedinica.
d) +12 =
Rjeenje 3.11.
a) B = L-1 L = B-1
1
2
224
det B =
L=
49
1
4
1
2
A= I L=
1
4
440
1
8
1
2
1
8
1
2
1
2
Y = LX =
1
4
1
= L =
5
7
Qij = 2
1
4
1
8 192 70
=
1 208 56
2
1 1
1 7
16
4
2
8
=
3 1
1 1
7 4
2 4
1
8 192
1 0
2
7
16
W ej = 1
1
8
0 96 26
=
208 48 104
0
192
1 0
8
0 84
=
208 48
0
26
P1
P2
Qij
Yi
Xi
96
48
84
48
26
104
0
26
122
152
84
74
70
56
192
208
b) Transakciona IO tabela
P1
P2
Q+ij
S1
S2
W+ej
M
V
P
P1
P2
Q+ij
Y +i
X +i
960
384
1344
252
96
348
1692
228
1920
260
832
1092
0
52
52
1144
520
1644
1220
1216
2436
252
148
400
2836
748
3584
700
448
1148
1920
1664
3584
441
INPUT-OUTPUT ANALIZA
384
96
+
= 0, 2; 21
=
= 0, 05 c)
1920
1920
Proizvoa P1 po svakoj novanoj jedinici vrijednosti svoje bruto proizvodnje direktno utroi 0,2 nj vrijednosti proizvodnje od P2 i 0,05 nj vrijednosti eksternog inputa od S2.
+
a21
=
Rjeenje 3.12.
a) X =BY
B = L-1
8 3 4 3
1
B=
4
8
2
1 1
2 6
L = I A A= I L =
1 2
4 3
8 3 4 3 50 200
=
X = B Y =
4 50 300
2
det L =
Qij = aij X j
1
2
1 6 200 0 100 50
Qij =
1 4 2 3 0 300 50 200
Wej = ej X j
0.1
0 200 0 20 0
Wej =
442
P1
P2
Qij
Yi
Xi
100
50
20
40
50
200
0
75
150
250
20
115
50
50
200
300
P1
P2
Q+ij
S1
S2
W+ej
M
V
P
P1
P2
Q+ij
Y +i
X +i
5000
1500
6500
400
240
640
7140
2860
10000
2500
6000
8500
0
450
450
8950
50
9000
7500
7500
15000
400
690
1090
16080
2910
19000
2500
1500
4000
10000
9000
19000
c)
100
X =
0
Y = L X
1 2 1 6 100 50
Y =
=
1 4 1 3 0 25
U = X
0.1 0 100 10
U =
=
0.2 0.25 0 20
Rjeenje 3.13.
a) j = lij [ pi ]
L= I A
T
1 0 0 0 1 1,5 1 1 1,5
L = 0 1 0 0 0 0, 75 = 0 1 0, 75
0 0 1 0 0
0 0 0
1
0
0
1
T
lij = 1
1
0
1,5 0, 75 1
443
INPUT-OUTPUT ANALIZA
0
0 10 10 1
1
j = 1
1
0 20 = 10 2
1,5 0, 75 1 60 30 3
b) X j = b ji [Yi ]
1
1
T
b ji = lij =
( L *)
det L
1 1 1,5
det L = 0 1 0, 75 = 1
0 0
1
( L *)
1 1 2, 25
= 0 1 0, 75
0 0
1
0
0
1
1
0
( L *) = 1
2, 25 0, 75 1
1 1 2, 25
b ji = 0 1 0, 75
0 0
1
1 1 2, 25 150 500
X j = b ji [Yi ] = 0 1 0, 75 125 = 200
0 0
1 100 100
Qij = aij X j
0 0 200 150
0 1 1,5 500 0
Qij = 0 0 0, 75 0 200 0 = 0 0
75
0 0
0 0
0 100 0 0
0
Wej = ej X j
0
500 0
0, 2 0 0
100 0 0
Wej =
0 200 0 =
0,1 0 0,5
50 0 50
0
0
100
444
P1
P2
P3
2
Qij
Wej
Yi
Xi
j =1
P1
200
150
350
150
500
P2
75
75
125
200
kg 10nj / kg
P3
100
100
m3 30nj / m3
Se
S1
S2
Wej
Wej
100
50
0
0
j =1
0
50
l 2nj / l
kwh 3nj / kwh
100
100
V
P
P1
P2
P3
Q+ij
Y+i
X+i
0
0
0
0
200
150
350
350
4650
5000
2000
0
0
2000
0
0
0
2000
0
2000
1500
750
0
2250
0
150
150
2400
600
3000
3500
750
0
4250
200
300
500
4000
6000
10000
1500
1250
3000
5750
5000
2000
3000
10000
Rjeenje 3.14.
a)
P1
60
60
Finalne
isporuke
40
P2
50
80
130
70
Uvoz
20
25
Proizvoai
Ukupno
Ukupna
proizvodnja
100
200
445
INPUT-OUTPUT ANALIZA
0 0,3
A=
; = [ 0, 2 0, 025]
0,5 0, 4
0,3
1
L=
0,5 0, 6
2
4
3
3
B = L1 =
10 20
9
9
180
X = B Y =
400
Qij = aij X j
0 0,3 180 0 0 120
Qij =
P1
120
120
Finalne
isporuke
60
P2
90
160
250
150
Uvoz
36
10
46
Proizvoai
Ukupno
Ukupna
proizvodnja
180
400
1 2 50 35
j = lij [ pi ] = 3 3 30 = 3
10 5
T
Ukupan prihod u sistemu u tekuem periodu iznosi 4100$, a u narednom periodu 7500$.
Dodane vrijednosti za tekui period 4100- 2990 =1110, za naredni 7500-5870 =1630.
446
c)
Y1
Y2
= l11 = 1;
= l21 = 0,5
X 1
X 1
U
= 11 = 0, 2
X 1
Ako bi poveali bruto proizvodnju prvog proizvoaa za jedan kg, onda bi njegovu finalnu
potronju morali poveati takoer za 1 kg, finalnu potronju drugog proizvoaa smanjili za
0,5 kom, a uvoz poveali za 0,2 l.
Rjeenje 3.15.
a)
0
A = I L = 0
0
0 0,1
[Q ] = 0 0, 2
0 0
0,1 0, 2
0, 2 0, 4 ;
0 0,5
0, 2 100 0
0 0 0,1X 2 0, 2 X 3
0, 4 0 X 2 0 = 0 0, 2 X 2 0, 4 X 3
0,5 0
0 X 3 0
0
0,5 X 3
Iz jednaine raspodjele bruto proizvodnji dobijamo sistem tri jednaine sa tri nepoznate:
0,1X2 + 0,2X3 +Y1 =100
0,2X2 +0,4X3 + 50 = X2
0,5X3 +100 = X3
Rjeavanjem dobijamo:
X3 = 200, X2 = 162,5, Y1 = 43,75.
Sada moemo kompletirati traenu koliinsku IO tabelu:
Proizvoai
Ukupno
Finalne
isporuke
Ukupna
proizvodnja
P1
16,25
40
56,25
43,75
100
P2
32,5
80
112,5
50
162,5
P3
100
100
100
200
Uvoz
50
20
70
20
0,1231 .
162,5
Potrebno je priblino 0,1231 kwh uvoza da bi se proizveo kg proizvodnje proizvoaa P2.
b) 12 =
447
INPUT-OUTPUT ANALIZA
Rjeenje 3.16.
a)
P1
P2
Q+ij
S1
M
V
P
P1
P2
Q+ij
Y+i
25000
6000
31000
1250
32250
67750
10000
0
0
6000
6000
750
6750
23250
25000
12000
37000
2000
39000
91000
75000
18000
93000
30000
130000
1
4
b) A+ =
3
50
X + = B +Y +
4
3
B+ =
1
10
0
1
+
; =
1
80
0
,
5
4
X+i
100000
30000
130000
1
40
120000
X+ =
46500
Qij+ = ij+ X +j = 4
3
50
0
0 30000
0
12000
=
3 0
46500 7200 9300
4
0
1 140 12000
Wij+ = ej+ X +j =
= [1500 1162,5]
0
80
46500
V
V2
c) v = 1
= [33,875 23, 25] .
X1 X 2
Proizvoa P1 po svakoj koliinskoj jedinici svoje proizvodnje ostvari 33,875 KM dodane
vrijednosti, a proizvoa P2 po svakoj koliinskoj jedinici svog proizvoda ostvari 23,25 KM
dodane vrijednosti.
448
1 50 0 25 15
1
d) [ ] = c + j = 10
=
2
80 40 0 30 4
v j
v
25 v
15
= ej 1 = ; 2 = .
4 c1
2
ce
c1
Ako se nabavna cijena povea za jedinicu, koeficijent dodane vrijednosti prvog proizvoaa e se smanjiti za 6,25 KM, a kod drugog proizvoaa za 7,5 K
449
INPUT-OUTPUT ANALIZA
Literatura
450
Kvantitativne metode u
ekonomiji i menadmentu
4. Linearno programiranje
4.1.
4.2.
4.3.
4.4.
4.5.
4.6.
4.7.
4.8.
4.9.
4.10.
Uvod
Model linearnog programiranja
Bazne teoreme linearnog programiranja
Teorija dualnosti u linearnom programiranju
Metode za rjeavanje problema linearnog programiranja
Specifini oblici problema linearnog programiranja
Pitanja za ponavljanje
Zadaci za vjebu
Rjeenja zadataka za vjebu
Literatura
4.1. Uvod
O pojmu matematikog programiranja
Iz potrebe za optimizacijom rjeenja, koja je oduvijek bila prisutna u ljudskoj svijesti, razvila se oblast matematikog programiranja. Problemi programiranja se bave efikasnou
koritenja ili alokacije ogranienih resursa s ciljem da se zadovolji objektivnost. Ove probleme karakterie veliki broj rjeenja koja zadovoljavaju bazine uslove svakog problema.
Poeci matematikog programiranja datiraju iz vremena II svjetskog rata, kad je jedan od
osnovnih problema bio kako da se rasporedi ograniena koliina vojnog materijala i ljudi za
odreene vojne operacije na to djelotvorniji nain. Nakon rata postalo je jasno da se matematiko programiranje moe uspjeno primijeniti i u mnogim drugim oblastima: u
ekonomiji, vazduhoplovstvu, tehnikim naukama i industriji.
Najpoznatiji ekonomski problemi koji se rjeavaju matematikim programiranjem su: odreivanje optimalnog proizvodnog plana, optimalno voenje zaliha, optimalni izbor
investicijskog projekta, problem optimalnog transporta, optimalne alokacije resursa, optimalne raspodjele kadrova na radne zadatke, problem trgovakog putnika, problem
optimalnog otpada itd. Razne metode matematikog programiranja postale su posebne naune discipline. Meu najpoznatijim su: linearno programiranje, dinamiko programiranje,
viekriterijalno programiranje, stohastiko programiranje i analiza omeivanja podataka.
Danas se ove metode preklapaju i sa mnogim drugim podrujima kao to su teorija aproksimacija, teorija vjerovatnoe, klasina mehanika i raun varijacija.
Najznaajnija imena u oblasti linearnog programiranja
Matematski model linearnog programiranja konceptualno je postavljen prije II svjetskog
rata od strane poznatog sovjetskog matematiara Leonida Kantorovicha. Njegov rad Matematiki metodi organizacije i planiranja proizvodnje iz 1939.g. se smatra zaetkom
ubrzanog razvoja ovog modela, kao i ekonomsko-matematikih modela uopte.
George Dantzing, Marshall Wood i saradnici pri US odjelu vazdunih snaga 1947. godine,
u projektu pod nazivom SCOOP (Scientific Computation of Optimum Programs), daju matematiku osnovu i razvijaju metodu (simplex metoda ili Dantzingov algoritam) za
rjeavanje problema linearnog programiranja sa velikim brojem varijabli. Dantzingov originalni primjer na kojem je pokazao primjenu simplex algoritma je pronalaenje najboljeg
naina rasporeda 70 ljudi na 70 radnih mjesta. Iste godine (1947), povezujui teoriju linearnog programiranja i teoriju ''matrinih igara'', J. Von Neumann razvija teoriju dualnosti.
Teorija dualnosti u linearnom programiranju omoguava i postoptimalnu analizu i parametarsko linearno programiranje.
453
LINEARNO PROGRAMIRANJE
( x ) = ( ) x
( + ) x = x + x
(x + y ) = x + y
1 x = x
( , R;
x, y V )
a m1
[ ]
a12
a 22
am2
a1n
a 2 n
a mn
454
UVOD
Skup svih matrica dimenzije n x 1 nad poljem realnih brojeva ini jedan vektorski prostor
nad poljem R. Taj vektorski prostor oznait emo sa Vn, a elemente tog prostora (matrice
tipa n x 1) zvaemo vektorima (vektor kolone).
Podskup K skupa Vn je konveksan skup ako i samo ako za svaki par elemenata iz K vrijedi
da je i njihova konveksna kombinacija takoer u K. Elemente skupa K zvaemo takama.
Svaka taka na segmentu koji povezuje dvije take skupa K moe se izraziti kao konveksna
kombinacija tih taaka, i obrnuto1. (1)
Taka konveksnog skupa K koja se ne moe izraziti kao konveksna kombinacija bilo kojih
drugih razliitih taaka u K naziva se ekstremna taka skupa K.
455
d1
.
.
.
.
.
.
.
.
.
.
dm
Rjeenje (x1, x2, , xn) u primjenama najee ima znaenje plana ili programa (proizvodnje, transporta), pa je otuda ovaj problem dobio naziv "programiranje", a naziv "linearno
programiranje" potie od toga to su ogranienja varijabli, kao i funkcija cilja, linearni.
Proizvoljno rjeenje sistema nejednaina predstavlja taku n-dimenzionalnog prostora, to
jest (x1, x2, , xn) Rn.
Nenegativno rjeenje sistema nejednaina S naziva se dopustivim ili moguim rjeenjem. U
zavisnosti od oblika skupa moguih rjeenja, za problem linearnog programiranja vrijedi
jedna od sljedeih osobina:
1. Ima konano optimalno rjeenje (jedinstveno ili ne) ako je skup moguih rjeenja S
ogranien konveksan skup.
2. Optimalno rjeenje je beskonano (optimalan program je neizvediv). Ovo se moe
desiti (ali i ne mora, zavisi od funkcije cilja) u sluaju da je skup moguih rjeenja
neogranien.
3. Nema optimalnog rjeenja ako je skup moguih rjeenja prazan skup.
456
Za problem linearnog programiranja rei emo da ima rjeenje ako veliina fmax (fmin) ima
konanu vrijednost na skupu S dopustivih rjeenja, a nema rjeenja ako je skup S prazan
skup, ili ako veliina fmax (fmin) nema konanu vrijednost.
Linearnim programiranjem moe se rijeiti svaki problem koji se moe predstaviti odgovarajuim modelom linearnog programiranja.
Osnovne pretpostavke modela linearnog programiranja2
Linearnost: Pretpostavka linearnosti podrazumijeva postojanje linearnih zavisnosti izmeu
promjenljivih u zadatku linearnog programiranja. Ova pretpostavka zadovoljena je tako to
su funkcija cilja i ograniavajui uslovi u modelu linearnog programiranja izraeni linearnim funkcijama. Kao posljedica linearnosti u modelu linearnog programiranja zadovoljene
su takoer dvije osnovne pretpostavke: proporcionalnost i aditivnost.
Izvjesnost: Svi parametri modela linearnog programiranja su unaprijed jednoznano odreeni, to znai da su koeficijenti funkcije cilja i sistema ogranienja deterministiki
odreeni i ne mijenjaju se u toku rjeavanja modela. S obzirom na ovu osobinu, model linearnog programiranja smatramo deterministikim modelom.
Djeljivost: Ova pretpostavka podrazumijeva da promjenljive u modelu linearnog programiranja ne moraju biti cijeli brojevi. Prema tome, u optem obliku modela linearnog
programiranja ne postavlja se tzv. uslov cjelobrojnosti rjeenja, to znai da vrijednosti
promjenljivih mogu biti izraene i u obliku decimalnih brojeva. Ukoliko se, meutim, iz
odreenih razloga zahtijeva cjelobrojnost promjenljivih, onda je u pitanju specijalan oblik
zadatka - model cjelobrojnog linearnog programiranja.
Nenegativnost: Uslov nenegativnosti promjenljivih predstavlja jednu od osnovnih pretpostavki modela linearnog programiranja. Ova pretpostavka ima svoj metodoloki i sutinski
(ekonomski) znaaj. Naime, kako opti algoritam rjeavanja modela linearnog programiranja predstavlja simplex metod, to je za primjenu ovog metoda neophodno zadovoljenje
uslova nenegativnosti promjenljivih, to ini metodoloki aspekt uslova nenegativnosti
promjenljivih. S druge strane, kako promjenljive u modelu linearnog programiranja, koji se
koristi za odreene ekonomske analize, predstavljaju odreene ekonomske veliine, jasno
je da one ne mogu biti negativne. Jasno je, naprimjer, da ukoliko koritenjem modela linearnog programiranja elimo da odredimo optimalan program proizvodnje nekog preduzea,
promjenljive modela pokazuju vrijednost (koliinu) proizvodnje odreenih proizvoda koja
ne moe biti negativna. Zbog toga uslov nenegativnosti, pored funkcije cilja i sistema ogranienja (predstavljenih u vidu nejednaina i jednaina), predstavlja jedan od osnovnih
elemenata modela linearnog programiranja.
457
LINEARNO PROGRAMIRANJE
i objasnit emo kako se iz opteg polaznog primalnog modela formira simetrini model.
Standardizovani primalni model LP-a u sljedeim oblicima:
ekstezivni (razvijeni) oblik,
kondenzovani oblik,
matrini oblik.
4.2.1. Opti polazni primalni model LP-a
Funkcija cilja u problemu LP-a izraava osnovni cilj, odnosno ono to elimo postii rjeavanjem modela i mora biti unaprijed definisana (npr. maksimizirati prihod).
Oznaimo sa x1 , x2 , , xn R nepoznate veliine u problemu linearnog programiranja
(npr. koliine proizvoda koje trebamo proizvesti, ili resursa koje trebamo rasporediti) i neka
su c1 , c2 , , cn R poznati parametri koji karakteriu fukciju cilja (npr. prihod ili troak
po jedinici proizvoda ili resursa koji odreujemo). Kako je zadatak linearnog programiranja
odreivanje ekstremne vrijednosti funkcije (funkcije cilja), uz dati skup linearnih ogranienja (sistem ogranienja i uslovi nenegativnosti), to ustvari znai da trebamo odrediti one
vrijednosti nepoznatih x1 , x 2 ,, xn kojima bi se maksimizirala/minimizirala linearna
kombinacija vektora X = x p = [x1 x 2 x n ] i vektora c p = [c1 c 2 c n ] .
[ ]
[ ]
458
Max.
) f = c1 x1 + c 2 x 2 + ... + c n x n
Min.
ili kondenzovano (
n
Max.
) f = cpxp
Min.
p =1
i matrino:
Max.
) f = cp T xp
Min.
[ ] [ ]
= (npr. moraju se iskoristiti svi resursi) i ovo ogranienje nazivamo ogranienjem III
tipa.
Polaznih ogranienja tipa moe biti vie, npr KNo, pa skup svih polaznih primalnih
ogranienja I tipa moemo zapisati:
a1,1 x1 + a1, 2 x 2 + ... + a1,n x n d 1
a 2,1 x1 + a 2, 2 x 2 + ... + a 2, n x n d 2
..................................................
a K ,1 x1 + a K , 2 x 2 + ... + a K , n x n d K
ili kondenzovano
n
a
p =1
kp
x p d k za k = 1, K
459
LINEARNO PROGRAMIRANJE
ili kondenzovano
n
a
p =1
lp
x p d l za l = K + 1, K + L .
a K + L + R ,1 x1 + a K + L + R , 2 x 2 + ... + a K + L + R , n x n = d K + L + R
ili kondenzovano
n
a
p =1
rp
x p = d r za r = K + L + 1, K + L + R .
Na osnovu prethodnog, matematski zapisi opteg primalnog modela LP-a imaju sljedee
forme:
Opti polazni primalni oblik LP-a ekstezivni oblik
n
Max.
) f = cpxp
Min.
p =1
..................................................
a K ,1 x1 + a K ,2 x 2 + ... + a K , n x n d K
460
.............................................................
a K + L,1 x1 + a K + L,2 x 2 + ... + a K + L, n x n d K + L
(4.1)
a K + L +1,1 x1 + a K + L +1,2 x 2 + ... + a K + L +1, n x n = d K + L +1
a K + L + 2,1 x1 + a K + L + 2,2 x 2 + ... + a K + L + 2, n x n = d K + L + 2
........................................................................
a K + L + R,1 x1 + a K + L + R,2 x 2 + ... + a K + L + R, n x n = d K + L + R
x p 0 za p = 1, n
gdje su aip, di, cp R poznate konstante, za p = 1, n i i = 1, m i gdje je ukupan broj ogranienja m = K + L + R i n ukupan broj polaznih primalnih varijabli.
Usvojimo da su svi di 0, to se moe mnoenjem 1 spornih polaznih jednaina u (i) uvijek obezbijediti.
Opti polazni primarni oblik LP-a u kondenzovanom obliku je dat sa:
n
Max.
f = cp xp
Min.
p =1
II
III
a
p =1
kp
a
p =1
lp
a
p =1
rp
xp dk
za
k = 1,K
x p dl
"
l = K + 1,K + L
xp = dr
"
r = (K + l) + 1,(K + L) + R
xp 0
"
p = 1,n ;
(4.1')
m = (K + L + R)
Ako poznate parametre u funkciji cilja i polazne primalne varijable zapiemo kao ndimenzionalne vektore c p n1 i x p n1 , te poznate koeficijente u ogranienjima kao m x n
m1
461
LINEARNO PROGRAMIRANJE
[ ] [ ]
Max.
) f = cp T xp
1n
n1
Min.
I
II
III
[akp ] Kn [x p ] n1 [d k ] K1
[alp ] Ln [x p ] n1 [d l ] L1
[arp ] Rn [x p ] n1 = [d r ] R1
m = ( K + L + R)
(4.1'')
x p 0
n1
gdje je x p n1 vektor polaznih primalnih varijabli, c p n1 vektor parametara koji karakteriu funkciju cilja,
[ di ] m1
ogranienjima.
Kod problema maksimizacije prirodno je oekivati barem jedno ogranienje tipa (odozgo) jer bi u suprotnom optimalna vrijednost bila beskonano velika i analogno kod
problema minimizacije, ako nemamo donjeg ogranienja (tipa ), optimum bi bio u nuli
(zbog uslova nenegativnosti). Upravo iz ovih razloga se esto u literaturi kao polazni model
linearnog programiranja uzima tzv. simetrian model.
Za model emo rei da je simetrian ako funkcija cilja i skup ogranienja zadovoljavaju
sljedee osobine:
funkcija cilja je max f , a sva ogranienja u modelu su tipa , odnosno I tipa.
funkcija cilja je min f , a sva ogranienja u modelu su tipa , odnosno II tipa.
Kad polazni model nije simetrian moemo ga, jednostavnim transfomacijama skupa ogranienja, pretvoriti u simetrian. Postupak je opisan u nastavku:
Kod funkcije cilja max f , potrebno je transformisati skup ogranienja tako da sva ogranienja u modelu imaju oblik . To znai da ogranienja I tipa neemo transformisati,
ogranienja II tipa emo mnoiti sa (-1), dok emo ogranienja tipa = razdvojiti na dvije
jednaine sa istim oblikom, samo to jedna jednaina ima oblik , a druga oblik .
Postupak transformacije opteg polaznog primalnog modela 4.1' (opteg modela datog u
kondenzovanom obliku) sa ciljem max f u simetrini model:
462
SLUAJ (Max.)f
n
( Max.) f = c p x p
p =1
II
III
p =1
akp x p d k
p =1
n
alp x p dl
a
p =1
rp
x p = dr
xp 0
p =1
p =1
( Max.) f = c p x p
(-a
p =1
akp x p
lp
) xp
dk
- dl
n
arp x p d r
p =1
n
(a ) x d
rp
p
r
p =1
xp 0
k
l
r
odnosno, model 4.1'. u sluaju maksimuma ima svoj ekvivalentan simetrian oblik:
n
(Max.)f = c p x p
p =1
a x p d i
p =1
ip
xp 0
, i = 1,m , m = m + R
(4.1''')
p = 1,n
gdje su:
m = [ m + R ] = [(K + L + R) + R ] = K + L + 2 R
akp
i d i = d k
za p = 1,n
k = 1,K
i=k
= alp " di = d l
aip
"
"
l = K + 1,K + L
i=l
a rp " d i = d r
"
"
r = K + L + 1,K + L + R
i=r
"
"
"
i = m + 1,m + R
a rp " d i = d r
pa se ovaj simetrian model 4.1'''. moe posmatrati kao polazni model LP-a.
463
LINEARNO PROGRAMIRANJE
Kod funkcije cilja min f , potrebno je transformisati skup ogranienja tako da sva ogranienja u modelu imaju oblik . To znai da ogranienja I moramo transformisati i to tako
to emo ovaj tip ogranienja pomnoiti sa (-1). Ogranienja II tipa emo prepisati, dok
emo ogranienja tipa = razdvojiti na dvije jednaine sa istim oblikom, samo to jedna
jednaina ima oblik , a druga oblik .
Sluaj (Min.)f
n
( Min.) f = c p x p
p =1
II
III
a
p =1
kp
a
p =1
lp
a
p =1
rp
( Min.) f = c p x p
p =1
xp dk
x p dl
xp = dr
xp 0
(- a
) xp - dk
alp x p d l
a rp x p d r
p =1
n
p =1
p =1
kp
(a
p =1
rp
) x p d r
xp 0
odnosno, model 4.1'. u sluaju minimuma ima svoj ekvivalentan simetrian oblik:
n
( Min)f = c p x p
p =1
a x p di
p =1
ip
xp 0
, i = 1,m , m = m + R
p = 1,n
gdje su:
m = [m + R ] = [(K + L + R) + R ] = K + L + 2 R
464
(4.1''''.)
akp
aip = alp
arp
a
rp
d i = d k
"
d i =
"
d i = d r
za p = 1,n
dl
"
"
"
k = 1,K
i=k
l = K + 1,K + L
i=l
r = K + L + 1,K + L + R
"
i=r
d i = d r
"
"
"
i = m + 1,m + R
"
x1 +
x2 + 3 x3 1000
2 x2 +
x3 200
x2
x3 = 100
x1 ,
x2 ,
x3 0
transformisati dati model u simetrian, pa ga zapisati u matrinom obliku.
Rjeenje:
2 x1 x 2 3 x3 1000
2 x1 + x 2 + 3 x3 1000
I
x1 + x 2 x3 = 100
x1 + x 2 x3 100
x1 + x 2 x3 100
x1 x 2 + x3 100
x1 + x 2 x3 100
2 x1
x2 3 x3 1000
2 x2 +
x3
200
x1
x2 +
x3 100
x1 +
x2
x3
100
x1 ,
x2 ,
x3
465
LINEARNO PROGRAMIRANJE
Definiimo matrice:
2 1 3
1000
80
x1
0
200
2
1
A=
; d=
; c = 120 i x = x 2
1 1 1
100
80
x3
1
1
1
100
x0
4.2.2. Standardni (opti) model LP-a
[ ]mxn
U nastavku emo objasniti nain uvoenja novih varijabli u polazni model i njihovo znaenje.
Polaznom modelu LP-a dodajemo dvije vrste varijabli:
Izravnavajue varijable (dopunske ili oslabljene) za koje mora vrijediti uslov nenegativnosti i koje imaju ekonomsko znaenje;
Vjetake varijable (umjetne, eng. artificial), koje nemaju ekonomsko znaenje i u optimalnom sluaju moraju imati vrijednost 0.
Kod svih ogranienja I tipa () imamo manju vrijednost na lijevoj strani u ogranienju, pa
dodajemo neku pozitivnu vrijednost, odnosno uvodimo izravnavajuu varijablu sa znakom
(+1). Izravnavajua varijabla pridruena ogranienju k oznaava se sa x n + k i mjeri se u
istoj jedinici mjere kao i ogranienje (naziv: izravnavajua I tipa3 ili neiskoritena ili oslabljena varijabla, eng. slack).
Npr., da bi izvrili standardizaciju kod 3. ogranienja I tipa u optem modelu 4.1. LP-a
a3,1 x1 + a3, 2 x 2 + ... + a3,n x n d 3
moramo dodati izravnavajuu varijablu x n +3 0 , pa bi sad ogranienje 3 poprimilo oblik:
a3,1 x1 + a3, 2 x 2 + ... + a3,n x n + x n +3 = d 3 .
Varijabla x n +3 0 oznaava koliko u ponuenom rjeenju (ne mora biti optimalno) nedostaje jedinica ogranienja 3 da bi se ovo ogranienje potpuno iskoristilo.
Kod svih ogranienja II tipa () imamo veu vrijednost na lijevoj strani nejednakosti u ogranienju, pa da bi izravnali ogranienje oduzimamo neku pozitivnu vrijednost, odnosno
uvodimo izravnavajuu varijablu sa znakom (-1) i jednu vjetaku sa znakom (+1).
Izravnavajua varijabla pridruena ogranienju l oznaava se sa x n +l i mjeri se u istoj jedinici mjere kao i ogranienje (izravnavajua II tipa ili suviak, eng. surplus), dok se
vjetaka varijabla oznaava sa x n*+l i nema ekonomsko znaenje (vjetaka II tipa, eng.
artificial)
Npr., da bi izvrili standardizaciju kod petog ogranienja koje je II tipa:
a5,1 x1 + a5, 2 x 2 + ... + a5,n x n d 5
uvodimo izravnavajuu varijablu x n +5 i vjetaku x n*+5 na sljedei nain:
a5,1 x1 + a5, 2 x 2 + ... + a5,n x n x n +5 + x n*+5 = d 5 ,
467
LINEARNO PROGRAMIRANJE
Prilikom standardizacije ogranienja III tipa, odnosno kod ogranienja tipa =, vidimo da
nema potrebe za uvoenjem izravnavajue varijable jer je ogranienje ve izravnato, ali se
uvodi vjetaka varijabla sa znakom (+1) i oznaava sa x n*+ r (vjetaka varijabla III tipa).
U funkciji cilja, izravnavajue varijable imaju koeficijent 0, dok vjetake imaju koeficijent
M (+M ako je cilj min f i M ako je cilj max f) gdje je M jako veliki realni broj.
Napomenimo jo jedanput da vjetake varijable II i III tipa nemaju ekonomsko tumaenje i
u optimalnom rjeenju problema LP-a njihove vrijednosti uvijek moraju biti 0. Prilikom
uvoenja i tumaenja dualnih varijabli vidjeemo da se vjetaka varijabla III tipa koristi
pri izraunavanju njene dualne vrijednosti.
Izravnavajue (slack) varijable pridruene ogranienju tipa u ogranienjima imaju koeficijent +1, pa e one initi dio jedinine matrice u standardnom modelu LP-a. Meutim,
izravnavajue (surplus) varijable pridruene ogranienju tipa e u ogranienjima imati
koeficijent -1 (oduzimamo od lijeve strane nejednakosti) i one nee biti dio jedinine matrice. Upravo vjetake varijable koje su pridruene ogranienjima II i III tipa omoguavaju
sa
kompletiranje jedinine matrice, odnosno proirenje matrice ogranienja A = aip
[ ]mxn
jedininom matricom.
Na osnovu izloenog imamo da je standardizovani polazni model LP-a u kondenzovanom
obliku dat sa:
n
(2)
(3)
p =1
n
akp x p
p =1
n
alp x p
p =1
+ xn + k
= dk ,
xn + l
+ x* n + l
arp x p
p =1
x p 0 ; xn + k 0 ; xn + l 0 , xn + r = 0 ; x*n + l = 0 ,
odnosno, krae:
468
(k )
= dl ,
(l )
+ xn + r = d r ,
(r )
(p, k, l, r )
N
Max
f
=
cs xs
Min
s =1
N
a
s =1
is
xs = d i ,
xs 0
i = 1, m m = K + L + R
(4.2)
s = 1, N N = n + (K + L + R ) = n + m
i u matrinom obliku:
Max
T
T
f = [c s ] [x s ] [c s ] je (1 N ) dim
Min
[ais ] [x s ] = [d i ] [x s ] " (N 1) dim ,
[x s ] 0
[ais ] " (m N ) dim
[d i ] "
(m 1)
(4.2')
dim
Kod ogranienja I tipa (tipa ) uvodimo jednu izravnavajuu varijablu sa koeficijentom +1.
Kod ogranienja II tipa (tipa ) uvodimo jednu izravnavajuu varijablu sa koeficijentom
-1 i jednu vjetaku varijablu sa koeficijentom +1.
Kod ogranienja III tipa (tipa =) uvodimo jednu vjetaku varijablu sa koeficijentom +1.
Izravnavajue varijable su nenegativne i imaju svoje ekonomsko znaenje, dok vjetake
varijable nemaju ekonomsko znaenje i njihova vrijednost mora biti 0. Izravnavajua varijabla xn+i nam govori koliko nedostaje da se zadovolji ili koliki je suviak u
ogranienju i .
U funkciji cilja, izravnavajue varijable imaju koeficijent 0, dok vjetake varijable imaju
koeficijent M (gdje je M neki veliki realni broj), i to M kod cilja max f i + M kod
cilja min f .
469
LINEARNO PROGRAMIRANJE
Primjer 4.2.
2 x1 + x 2 + 3 x3 1000
2 x 2 + x3 200
x1 + x 2 x3 = 100
x1 , x 2 , x3 0
Standardizacija ogranienja:
Ogranienje I tipa:
2 x1 + x2 + 3x3 1000
(4.2. a)
(4.2. a')
Ogranienje II tipa:
2 x 2 + x3 200
(4.2. b)
gdje je x1 , x 2 , x3 0 .
U ovom sluaju imamo viak na lijevoj strani nejednakosti (4.2. b). Da bi izravnali
ogranienje, potrebno je oduzeti od lijeve strane nejednakosti (4.2. b) neki pozitivan
broj, oznaimo ga sa x5 . Varijabla x5 predstavlja izravnavajuu varijablu II tipa
(suviak varijabla, eng. surplus). Osim izravnavajue, moramo dodati i vjetaku varijablu x5* , a ogranienje (4.2. b) poprima ekvivalentan oblik (4.2. b''):
2 x 2 + x3 x5 + x5* = 200
x1 , x 2 , x3 , x5 0; x5* = 0
(4.2. b'')
x1 + x 2 x3 = 100
(4.2. c)
gdje je x1 , x 2 , x3 0 .
U ovom sluaju uvodimo samo jednu vjetaku varijablu III tipa, oznaimo je sa x6* ,
i ogranienje (4.2. c) poprima ekvivalentan oblik:
x1 + x2 x3 + x6* = 100
(4.2. c)
2 x1
+ x3
2 x2
x1 + x2
+ 3x3 + x4
= 1000
x5
+ x
= 200
*
5
x3
+ x6*
= 100
x1 , x2 , x3 , x4 , x5 0; x5* = x6* = 0
M ] x1
x2
x3
x4
x5
x5 *
x6 *
x1
x
2
2 1 3 1 0 0 0 x3 1000
0 2 1 0 1 1 0 x = 200
1 1 1 0 0 0 1 x5 100
*
x5
x *
6
[x
x2
x3
x4
x5
x5 *
x6*
471
4.3.
Naveemo osnovne teoreme na bazi kojih je definisan nain rjeavanja problema i osnovne osobine modela linearnog programiranja.4 U navoenju osnovnih teorema koristiemo
standardizovani opti model LP-a dat u jednom od sljedea dva ekvivalentna zapisa:
f = cT X
AX = d
X 0
(4.3)
f = N c x
j j
j =1
N
Aj x j = d
j =1
xj 0
(4.4)
j =1, N
gdje su c = [c1 c2 c N ] ; d = [d 1
a11
A =
a m1
d2
d m ] ; A j = a1 j
a2 j
a mj i
a1N
x1
poznati koeficijenti u modelu, a X = nepoznat vektor u modelu.
x N
a mN
Teorema 4.3.1:
Treba pokazati da je bilo koja konveksna kombinacija mogueg rjeenja LP-a takoer
mogue rjeenje istog LP-a.
Neka su X1 i X2 dva razna mogua rjeenja problema (1), a to znai da X1 i X2 zadovoljavaju uslove:
AX1 = d
X1
X1 VN
4
5
AX2 = d
X2 0.
X2 VN.5
472
Neka je
X = X1 + (1-)X2,
[0, 1]
slijedi
odnosno X K.
Dakle, konveksna kombinacija bilo koja dva elementa iz K je element iz K, tj. K je
konveksan skup
Oznaili smo konveksan skup rjeenja LP-a sa K. Poto je K odreeno sa presjekom konanog broja ogranienja, to skup K moe biti ili prazan skup, ili konveksan poligon, ili
konveksna regija koja je neograniena sa jedne strane. Ukoliko je K prazan skup, problem
LP-a nema ni jedno rjeenje. Ukoliko je K konveksan poligon, problem LP-a ima rjeenje
sa konanom vrijednou objektivne funkcije f. Ukoliko je K konveksna regija koja je neograniena sa jedne strane, to problem LP-a moe imati konano ili beskonano rjeenje.
U nastavku emo pretpostaviti da je K konveksan poligon.
Teorema 4.3.2:
Neka ekstremnu vrijednost funkcija cilja ima u taki X0, odnosno min f(X) = f(X0), slijedi
f (X0) f (X), za sve X K.
Ako je X0 ekstremna taka poligona K, onda je prvi dio teoreme dokazan.
Pretpostavimo da X0 nije ekstremna taka skupa K. Tada se X0 moe napisati kao
konveksna kombinacija ekstremnih taaka poligona K:
p
X 0 = e X e ,
e =1
e 0 i
e =1
=1
(4.5)
473
LINEARNO PROGRAMIRANJE
f ( X 0 ) = e f (X e )
(4.6)
e =1
Neka je
p
e=1, p
e=1
Iz (4.6) i (4.7) imamo da je f (X0) = f (Xmin), to znai da se u ektremnoj taki Xmin minimizira funkcija cilja. Prvi dio teoreme je dokazan.
Neka je npr. f ( X 1 ) = f (X 2 ) = . . . = f (X q ) = f (q p), odnosno neka funkcija cilja
dostie minimalnu vrijednost f u ekstremnim takama X 1 , X 2 , . . . , X q . Pokazaemo
da je za svaku konveksnu kombinaciju ovih q vektora vrijednost funkcije cilja minimalna. Neka je X proizvoljna konveksna kombinacija elemenata: X 1 , X 2 , . . . , X q ,
tada je
q
X = e X e ,
e 0 i
e =1
e =1
=1
(4.8)
e =1
e=1
f ( X ) = e f ( X e ) = e f = f
Ovim je teorema dokazana
Za sljedeu teoremu koristit emo model linearnog progamiranja u obliku (4.4). Napomenimo da kolone matrice A predstavljaju m dimenzionalne vektore, oznaili smo ih sa Ai, i
da je d takoer m dimenzionalan vektor sastavljen od elemenata di 0.
Teorema 4.3.3:
474
tada je taka X = (x1, x2,. .. ,xk, 0,.. ., 0) ekstremna taka skupa moguih rjeenja. Ovo
znai da je X jedan N dimenzionalni vektor kod kojeg su zadnjih N k elemenata
jednaki 0.
Dokaz:
Teorema pretpostavlja da vektor X zadovoljava uslove (i) i (ii) modela (4.4), pa je takvo X mogue rjeenje problema LP-a (X K).
Pretpostavimo da X nije ekstremna taka skupa K.
To znai da X moe biti napisana kao linearna kombinacija druge dvije take X1 i X2
iz K :
X = X1 + (1 - )X2 za 0 < <1
Kako vrijedi da je 1 > > 0 i (1 - ) > 0 i da su svi elementi xi vektora X nenegativni,
imamo da je posljednjih (n k) elemenata u X1 i u X2 takoer jednako 0.
Poto X1, X2 K slijedi
AX1
= d odnosno x1(1) P1
+ x2(1) P2
+ . . . + xk(1) Pk
AX 2
= d odnosno x1( 2) P1
+ x2( 2) P2
+ . . . + xk( 2) Pk
A ( X1 X 2 ) = 0 odnosno
+
= d ( 1)
=d
( x( ) x( ) ) P + ( x( ) x( ) ) P + . . . + ( x( ) x( ) ) P = 0
1
1
1
2
2
2
1
k
Ovo znai da se X ne moe izraziti kao konveksna kombinacija dvije razliite take iz
K, pa X mora biti ekstremna taka u skupu K. Time je teorema dokazana
Teorema 4.3.4:
Ako je X = (x1, x2,. .. ,xn) ekstremna taka skupa moguih rjeenja K, tada m dimenzionalni vektori P1, P2,.. ., Pk koji su asocirani7 sa pozitivnim koeficijentima xi
ine linearno nezavisan skup. Odavde slijedi da je najvie m od ovih xi pozitivno.
Dokaz:
Za vektore Pi, i = 1..k, emo rei da su asocirani sa xi ako vrijedi x1P1 + x2P2 + . . . + xkPk = P0 i xi > 0
475
LINEARNO PROGRAMIRANJE
x P =d.
i =1
(4.9)
(4.10)
. . + (x k dd k )Pk = d
. . + ( x k + dd k )Pk = d
(x1 dd1) > 0; (x2 dd2) > 0;. . .(xk ddk) > 0
pa imamo da su
1
1
X 1 + X 2 , to je u suprotnosti sa pretpostavkom da je X ektremna
2
2
taka. To znai da skup vektora P1, P2,.. ., Pk mora biti linearno nezavisan.
Odavde je X =
Kako je svaki skup od (m+1) vektora u m dimenzionalnom prostoru linearno zavisan, ne moe postojati vie od m pozitivnih xi, i=1,...,n. Time je teorema dokazana
Moemo, bez gubitka optosti, pretpostaviti da u skupu vektora {A1 ,A2,. .. ,An} uvijek postoji podskup od m linearno nezavisnih vektora. (Ukoliko to ne bi bio sluaj, onda moemo
proiriti skup {A1 ,A2,. .. ,An} vektora dok ne dobijemo da su linearno nezavisni i traiti rjeenje proirenog problema.)
Kao posljedicu prethodnih teorema imamo sljedei korolar:
Korolar 4.3.1:
476
Postoji ektremna taka skupa K u kojoj funkcija cilja f uzima optimalnu vrijednost;
Svako bazino mogue rjeenje odgovara ekstremnoj taki u K;
Svaka ektremna taka u K ima m linearno nezavisnih vektora iz datog skupa od
n asociranih sa njom.
[ ]
[ ]mn
478
y n + i je
jm funkcije cilja
i ove varijable ne moraju biti nenegativne;
jm ogranienja
[ ]
[ ]n1
cpxp
p =1
n
aip x p d i
, i = 1, m
p =1
xp 0 ,
p = 1, n
yn + i
i = 1, m
Ogranienju i pridruujemo odgovarajuu
dualnu varijablu yn+ i
Min. g = d i y n + i
i =1
m
aip y n + i c p
p = 1, n
i =1
yn + i 0 ,
i = 1, m
479
LINEARNO PROGRAMIRANJE
p =1
i =1
0 y p + di yn + i
Min. g =
y p + aip y n + i = c p ,
p = 1, n
i =1
yp 0
yn + i 0
Napomenimo da se u standardizovanom dualnom modelu obino ne uvode vjetake varijable. Od ovog pravila odstupamo jedino u sluaju da koristimo dualni model kao primalni8
pri rjeavanju nekog problema linearnog programiranja.
Kod simetrinog polaznog primalnog modela LP-a sa ciljem min. f
Min. f =
cpxp
p =1
n
aip x p d i
, i = 1, m
p =1
xp 0 ,
yn + i
p = 1, n
Max. g = d i y n + i
i =1
m
aip y n + i c p
p = 1, n
i =1
yn + i 0 ,
i = 1, m
0 y p + d i y n+i
p =1
i =1
+ y p + a ip y n + i = c p ,
p = 1, n
i =1
yp 0
8
y n +i 0
Dual se moe rjeavati kao polazni model samo kad je odgovarajui primalni model simetrian. Pogledati
teoreme dualnosti.
480
Max.
f = cp xp
Min.
p =1
akp x p d k
za
k = 1, K
yn + k
za
l = K + 1, K + L
yn + l
p =1
n
II
alp x p d l
p =1
n
III
arp x p = d r
r = ( K + L) + 1, ( K + L) + R
za
p =1
xp 0
yn + r
p = 1, n ; m = ( K + L + R)
K
K +L
K + L+ R
Min.
) g = d k yn + k + d l yn + l + d r yn + r
Max.
k =1
l = K +1
r = K + L +1
K+L
K + L+ R
akp y n + k + alp y n + l +
k =1
l = K +1
yn + k
yn + l
r = K + L +1
yn + r = 0 ,
a rp Yn + r
c p , p = 1, n
k,l, r
n
Min.
) g = 0 y p + d k yn + k + d l y n + l + d r y n + r
Max.
p =1
k
l
r
y p + a kp y n + k + alp y n + l + a rp y n + r = c p , p = 1, n
k
yp 0
yn + k
yn + l
y n + r = 0 , p, k,l,r
481
LINEARNO PROGRAMIRANJE
Kod mogueg rjeenja (opeg) dualnog modela LP-a, dualne varijable moraju imati
sljedee uslove (pred)znaka:
Tip ogranienja
Izravnavajue
dualne varijable
yp 0
dk
Min. f Max.g
y n+k 0
y n+k 0
dl
"
"
y n+ l 0
y n+ l 0
= dr
"
"
y n + r <> 0
y n + r <> 0
Dokaz
f . = c p x p + 0 x n + k + 0 x n +l + ( M ) x n + r
Min.
p =1
k
l
r
II
III
a
p =1
kp
a
p =1
lp
a
p =1
rp
xp
+ 1 xn+k
xp
= d k y n + k k
1 x n +l
xp
xp 0
+ 1 x n + r = d r y n + r r
xn+k 0
x n +l 0
482
= d l y n +l l
x n + r < 0
p,k,l,r
K
K +L
K + L+ R
Min.
f.
d
y
d
y
=
K +L
K + L+ R
k =1
l = K +1
r = K + L +1
akp y n+k +
1 y n+k
alp y n+l +
a rp y n + r
c p , p = 1,n
k
1 y n +l
l
1 y n+ r
-M
+M
y n+ k
(k );
y n +l
(l );
y n+r < 0
(r );
to je i trebalo dokazati.
Teorema 4.4.3.2.
Samo kod simetrinog polaznog primarnog modela LP-a dual od njegovog duala je
primal jer je i dual od duala takoer simetrian polazni model LP-a.
Dokaz:
Dokaz ove teoreme je posljedica prethodne teoreme, odnosno injenice da kod simetrinog primalnog modela odgovarajue polazne dualne varijable moraju biti
nenegativne, pa se dualni model moe posmatrati kao polazni model (primal).
Polazni (alternativni) simetrini primarni model LP-a je:
(1)
(2)
n
Max.
f = cp xp
Min.
p =1
n
a
p =1
(3)
ip
xp
di
xp 0
i = 1,m
p = 1,n
483
LINEARNO PROGRAMIRANJE
Max.
i =1
m
a
i =1
ip
/ (-1 )
yn + i
cp
p = 1,n
yn + i 0
/ (-1 )
i = 1,m
Min.
i =1
m
(a
i =1
ip
) yn + i
( c p )
p = 1,n
yn + i 0
i = 1,m
( f ) = ( c p ) x p
Max.
p =1
n
(a
p =1
ip
) xp
/ (-1)
(di )
xp 0
i = 1,m
/ (-1)
p = 1,n
Ako su f i g neke mogue vrijednosti a f i g optimalne vrijednosti, funkcija cilja primala i duala istog problema LP-a:
a ) kod odnosa Max.f Min.f uvijek je f ' f g g '
b) kod odnosa Min.f Max.g uvijek je f ' f g g '
484
Teorema 4.4.3.4.
Ako jedan od modela (primalni ili dual) istog problema LP-a ima neogranienu optimalnu vrijednost svoje funkcije cilja, drugi njemu odgovarajui model nema ni jedno
mogue rjeenje.
Teorema 4.4.3.5.
Ako jedan od modela (primal ili dual) istog problema LP-a ima svoje optimalno rjeenje, tada
a) i drugi model ima svoje optimalno rjeenje, kao i
b) optimalne vrijednosti funkcije cilja su im jednake: f = g
Teorema 4.4.3.6.
s = k :
s = l :
s = r :
s = p :
0
y n+ k = (c n+ k fn+ k ) = fn+ k
0
0
y n+l = (cn+l fn+l ) = fn+l
0
(c
n+ r f n+ r) M = f n+ r
y n+ r =
(c n+ r f n+ r) + M = f n+ r
(c p f p ) 0
y p =
(c p f p ) 0
<0
<0
Uvijek je optimalno:
x s y s = 0
za s = 1, N
485
LINEARNO PROGRAMIRANJE
Teorema 4.4.3.8.
{
{ y p}, { y
}
i z},
n +i
za i = z
za i = z
y n + z
{
{ y
}{
p} ,{ y
- primalnog modela LP - a : x ip p , x ni +i i z , x ni + z
- dualnog modela LP - a :
i
p
i
n +i
za i = z
i z , y ni + z
za
i=z
A - kod primala
)(
f = f i , x p = x ip p = 1, n , x n +i = x ni +i i z ; x n + z = x ni + z : H z
B - kod duala
g = g i ,
(y
) (y
= y ip p = 1, n ,
n+i
= y ni +i i z ; y n + z = y ni + z H z
Kako za optimalnu vrijednost dualnih varijabli dobijamo optimalnu vrijednost funkcije cilja
i kod primala, to imamo da vrijedi:
m
g = d i y n+i = f
i =1
486
a odavde je
g
f
=
= y n+i .
d i d i
(4.11)
Na osnovu tumaenja parcijalnog izvoda dobiemo znaenje optimalne vrijednosti polazne dualne varijable:
Ukoliko se ogranienje i povea za jednu svoju jedinicu ( d i = 1 jedinica i ), a ostala ogranienja se ne mijenjaju, optimalna vrijednost funkcije cilja e se promijeniti za y n+i .
Drugim rijeima, varijabla y n+i nam govori koliki uticaj na optimalnu vrijednost funkcije cilja ima jedinina promjena ogranienja i.
Na osnovu principa oslabljene komplementarnosti (teorema 4.4.3.7) imamo da je za
y n +i > 0 ili za y n+i < 0 odgovarajua primalna varijabla x n +i obavezno jednaka 0
(x n+i = 0) . Primalna varijabla x n+i predstavlja izravnavajuu varijablu vezanu za ogranianje i, pa kako je x n+i = 0 , to znai da je ogranienje i potpuno iskoriteno, odnosno
usko grlo programa. Dakle, poboljanje optimalne vrijednosti funkcije cilja f se moe
postii ukoliko se mijenjaju ogranienja koja predstavljaju uska grla programa. Efekat koji na f ima pomjeranje uskog grla programa za jednu njegovu jedinicu mjere iznosit
e y n +i . Ukoliko je odgovarajue y n +i = 0 , onda pomjeranje uskog grla programa za ogranienje i nee uticati na popravak funkcije cilja, pa se ovo ogranienje ne bi trebalo
mijenjati.
Takoer, iz principa oslabljene komplementarnosti imamo da u sluajevima kad neko ogranienje i nije u potpunosti iskoriteno, tj. x n+i > 0 , odgovarajua dualna varijabla y n +i
mora biti jednaka nuli y n+i = 0 , pa je jasno da se pomjeranjem ovog ogranienja ne moe
popraviti funkcija cilja.
Napomenimo da se iz 4.6. moe proitati i jedinica mjere za dualnu varijablu y n +i :
jm funkcije cilja
.
jm ogranicenja i
Pogledajmo sada kakvu nam informaciju daju optimalne vrijednosti izravnavajuih dualnih
varijabli.
Iz principa oslabljene komplementarnosti imamo da je u sluajevima kad je polazna primalna varijabla ula u program, tj. x p > 0 odgovarajua dualna varijabla jednaka nuli
y p = 0 , pa moemo rei da kad je y p = 0 , odgovarajue x p je konkurentno da ue u
program. Termin konkurentno da ue u program smo iskoristili jer se moe desiti da je i
x p = 0 i y p = 0 , a to bi znailo da je x p ulo u program, ali ima vrijadnost 0, pa imamo
487
LINEARNO PROGRAMIRANJE
degenerisano rjeenje ili da x p nije ulo u ponueni optimalni program, ali imamo jo jedno optimalno rjeenje.
U sluaju y p > 0 10 imamo da je x p = 0 , pa odgovarajua varijabla nije ula u program.
Ako varijabla nije ula u program, to znai da nije bila dovoljno konkurentna, odnosno da
vrijednost njenog koeficijenta c p u funkciji cilja nije bila dovoljno velika (kod cilja max f),
ili dovoljno mala (kod cilja min f).
Ako elimo da ukljuimo varijablu x p u program, postavlja se pitanje kako se treba promijeniti koeficijent u funkciji cilja da bi to mogli uraditi.
Na osnovu teoreme 4.4.3.6. imamo da je
y p
(c p f p ) 0
(c p f p ) 0
Ako elimo da promijenimo koeficijent c p , onda ta promjena mora biti takva da odgovarajue y p * = 0 , odnosno iz prethodnog imamo:
c + y f = y * = 0
(p
10
488
Grafika metoda;
Simplex metoda;
Transportni problem;
Asignacija.
Grafika metoda linearnog programiranja obino se primjenjuje kada polazni oblik modela
linearnog programiranja sadri 2 promjenljive {x1; x2}, ili se moe svesti na dvije promjenjljive. Ako model sadri 3 promjenljive {x1; x2; x3}, onda primjena grafike metode
zahtijeva upotrebu nacrtne geometrije (predstavljanje 3-dimenzionalnog prostora u ravni).
Ova metoda nam omoguava da lake shvatimo:
Grafika metoda rjeavanja problema linearnog programiranja se sastoji od grafikog prikaza cijelog modela LP u 2-dim koordinatnom sistemu x10x2. Uslovne jednaine su
predstavljene pravcima, a uslovne nejednaine poluravnima. Funkcija kriterija je predstavljena jednoparametarskom familijom pravaca.
489
LINEARNO PROGRAMIRANJE
(1)
Max.
f = c1 x1 + c 2 x 2
Min.
( 2 )
a11 x1 + a12 x2 d1
a21 x1 + a22 x2 d 2
K ogranienja I tipa
aK 1 x1 + aK 2 x2 d K
aK +1,1 x1 + aK +1,2 x2 d K +1
aK + 2,1 x1 + aK + 2,2 x2 d K + 2
L ogranienja II tipa
aK + L ,1 x1 + aK + L ,2 x2 d K + L
aK + L +1,1 x1 + aK + L +1,2 x2 = d K + L +1
aK + L + 2,1 x1 + aK + L + 2,2 x2 = d K + L + 2
R ogranienja III tipa
aK + L + R ,1 x1 + aK + L + R ,2 x2 = d K + L + R
(3)
x1 0;
x2 0
ili kondenzovano:
(1)
Max.
f = c1 x1 + c 2 x 2
Min.
(2) II
III
(3)
a k1 x1 + a k 2 x 2 d k
al1 x1 + al 2 x 2 d l
k = 1, K
l = K + 1, K + L
(4.12)
a r1 x1 + a r 2 x 2 = d r r = K + L + 1, K + L + R
x1 0; x 2 0
Na osnovu baznih teorema linearnog programiranja, imamo da je skup svih moguih rjeenja problema linearnog programiranja konveksan skup i da se optimalna vrijednost nalazi u
rubnoj taki tog konveksnog skupa.
490
Upotreba grafike metode je zasnovana na tome da se predstavi skup moguih rjeenja (konveksan skup) datog problema u koordinatnom sistemu x10x2, a zatim da se od svih moguih
rjeenja izabere ono najbolje, odnosno da se izabere rubna taka koja predstavlja optimum.
Pogledajmo sada kako se grafiki prikazuju razni tipovi ogranienja. Kod svih ogranienja
trebamo prikazati poluravni odreene linearnim nejednainama datim u modelu (4.12), odnosno trebamo prvo prikazati pravu koja predstavlja rub poluravni pa izabrati poluravan.
Napomenimo da se zbog uslova nenegativnosti posmatra samo I kvadrant u koordinatnom
sistemu x10x2.
Ogranienje I tipa : ak1 x1 + ak 2 x2 d k
(4.13.)
Potrebno je prikazati pravu koja predstavlja rub poluravni pa izabrati koji dio ravni zadovoljava ogranienje.
Ako je a k1 > 0 i a k 2 > 0 , onda su odsjeci na koordinatnim osama:11
x1 = 0 x2 =
dk
d
> 0 ; x2 = 0 x1 = k > 0
ak 2
ak1
i prava koja predstavlja rub poluravni 4.4.je opadajua prava. Kako koordinatni poetak, tj.
taka (0, 0 ) zadovoljava nejednainu ak1 x1 + ak 2 x2 d k za a k1 > 0 i a k 2 > 0 , to ogranienje I tipa predstavlja sljedeu poluravan12:
x2
dk
ak 2
Ogranienje I tipa
Skup moguih
rjeenja za dato
ogranienje
0
dk
a k1
x1
11
12
491
LINEARNO PROGRAMIRANJE
dk
>0
ak 2
x 2 = 0 x1 =
dk
<0
a k1
i prava koja predstavlja rub poluravni 4.4 je rastua prava. Kako koordinatni poetak, tj.
taka (0, 0 ) zadovoljava nejednainu ak1 x1 + ak 2 x2 d k za a k1 < 0 i a k 2 > 0 , to ogranienje I tipa predstavlja sljedeu poluravan:13
x2
Ogranienje I tipa
dk
ak 2
Skup moguih
rjeenja za dato
ogranienje
dk
a k1
x1
13
x1 = 0 x 2 =
dk
<0
ak 2
x 2 = 0 x1 =
dk
>0
a k1
492
i prava koja predstavlja rub poluravni je rastua prava. Kako koordinatni poetak, tj. taka
(0, 0) zadovoljava nejednainu ak1 x1 + ak 2 x2 d k za ak1 > 0 i ak 2 < 0 , to ogranienje
I tipa predstavlja sljedeu poluravan:
x2
Skup moguih
rjeenja za dato
ogranienje
0
Ogranienje I tipa
x1
dk
a k1
dk
ak 2
x2
Ogranienje I tipa
Ogranienje I tipa
dk
ak 2
Skup moguih
rjeenja za dato
ogranienje
Skup moguih
rjeenja za dato
ogranienje
x1
dk
a k1
x1
493
LINEARNO PROGRAMIRANJE
Ukoliko je d k = 0 , onda ograniavajua prava prolazi kroz koordinatni poetak, pa za izbor odgovarajue poluravni treba uvrstiti neku taku koja se ne nalazi na pravoj, npr. bilo
koja taka sa koordinatnih osa.
Moe se pokazati da je, zbog uslova nenegativnosti, skup moguih rjeenja u sluaju
d k = 0 i a k1 > 0 i a k 2 > 0 prazan skup, dok u sluajevima d k = 0 i a k1 < 0 i a k 2 > 0
ili d k = 0 i a k1 > 0 i a k 2 < 0 imamo sljedee poluravni:
x2
x2
Skup moguih
rjeenja za dato
ogranienje
Ogranienje I tipa
Ogranienje I tipa
Skup moguih
rjeenja za dato
ogranienje
x1
x1
Ogranienje II tipa : a l1 x1 + al 2 x 2 d l
(4.14.)
dl
>0
al 2
x 2 = 0 x1 =
dl
>0
a l1
i prava koja predstavlja rub poluravni 4.5. je opadajua prava. Kako koordinatni poetak, tj.
taka (0, 0 ) ne zadovoljava nejednainu al1 x1 + al 2 x 2 d l za al1 > 0 i al 2 > 0 , to
ogranienje II tipa predstavlja sljedeu poluravan14:
14
494
x2
dl
al 2
Ogranienje II tipa
x1
dl
a l1
Izgled skupa moguih rjeenja ogranienja 4.5. u sluaju rastuih ograniavajuih pravih ili
u sluaju da je d l = 0 se odreuje analogno ranije opisanom postupku, pa kod ogranienja
II tipa moe imati i sljedee oblike:
x2
x2
Skup moguih
rjeenja za dato
ogranienje
Ogranienje II tipa
dl
al 2
Skup moguih
rjeenja za dato
ogranienje
dl
al 2
dl
al1
x1
dl
al1
x2
x2
Ogranienje II tipa
dl
al 2
dl
al1
dl
al 2
Skup moguih
rjeenja za dato
ogranienje
x1
dl
al1
Ogranienje II tipa
x1
Skup moguih
rjeenja za dato
ogranienje
Ogranienje II tipa
x1
495
LINEARNO PROGRAMIRANJE
(4.15)
Kod ovog tipa ogranienja, skup moguih rjeenja su samo one take u I kvadrantu koje se
nalaze na pravoj a r1 x1 + a r 2 x 2 = d r .
Ako je a r1 > 0 i a r 2 > 0 , onda je skup moguih rjeenja oblika:
x2
dr
ar 2
Ogranienje III tipa
dr
a r1
x1
x2
Skup moguih rijeenja predstavlja du BC.
B (IIII)
C (IIIII)
A (III)
x1
0
Ogranienje III tipa
=
Ogranienje I tipa
Ogranienje II tipa
ak1 x1 + ak 2 x2 d k
496
Grafiki se skup moguih rjeenja polaznog modela 4.3. dobije kada se odredi presjek svih
ograniavajuih poluravni i pravaca datih u modelu.
Ukoliko bi model 4.3. imao samo tri ogranienja, i to ona data na grafikonima 1, 8 i 10.,
onda bi skup svih moguih rjeenja modela imao oblik prikazan na grafikonu 11.
Na osnovu baznih teorema, sigurno je optimalna ili taka B ili toka C, zavisno od funkcije cilja
to je predstavljeno na grafionu 12.
Ako je cilj max f, biramo onu taku koja e dati najveu vrijednost, odnosno grafiki biramo onu pravu na pravcu funkcije cilja koja je najudaljenija od koordinatnog poetka.
Obratno, ako je cilj min f, biramo onu taku koja e dati najmanju vrijednost funkciji cilja,
odnosno onu taku koja je najblia koordinatnom poetku.
x2
Skup moguih rijeenja predstavlja du BC.
B (IIII)
f0
translacija
C (IIIII)
A (III)
f0
Pravac funkcije cilja
x2
Ogranienje I tipa
Ogranienje II tipa
Kroz ovaj uopteni prikaz rjeavanja problema LP-a grafikom metodom, a na osnovu baznih teorema LP-a, moemo istai sljedee:
Ukoliko je presjek svih ogranienja u modelu prazan skup, onda model LP-a nema
rjeenja.
Ukoliko je presjek svih ogranienja u modelu zatvorena povr (konveksan poligon),
model LP-a ima konano optimalno rjeenje bez obzira da li je cilj min f ili max f.
Ukoliko su dvije take konveksnog poligona optimalne, onda je optimalna i svaka taka
izmeu te dvije take, odnosno pravac funkcije cilja je paralelan sa ogranienjem koje
sadri optimalne take i tada imamo beskonano mnogo optimalnih rjeenja.
497
LINEARNO PROGRAMIRANJE
Ukoliko je presjek svih ogranienja otvorena konveksna povr, onda model ima
konano rjeenje ako je cilj min f, a nema rjeenja, odnosno rjeenje je
beskonano ako je cilj max f.
Taka koja predstavlja optimalno rjeenje problema LP-a nam, osim informacije o
optimalnom planu, daje i informaciju o ogranienjima koja e biti potpuno iskoritena
u optimalnom sluaju tzv. uskim grlima programa.
Kad se odredi optimalno rjeenje problema LP-a pod datim uslovima, postavlja se pitanje
koliko je to rjeenje stabilno, odnosno koliko je osjetljivo (eng. sensitive) na promjenu pojedinih parametara u problemu. Analiza promjena parametara u modelu spada u tzv.
postoptimalnu ili senzitivnu analizu. Dio te analize e biti praktino prikazan kroz upotrebu
dualnog modela, ali napomenimo da se sa grafikona moe vidjeti kad e promjena ogranienja ili pravca funkcije cilja uticati na promjenu optimalnog rjeenja.
Na osnovu prethodnih razmatranja vidimo da se grafiki metod odreivanja rjeenja zadatka linearnog programiranja sastoji od sljedeih aktivnosti:
1. Formulisanje problema u obliku zadatka linearnog programiranja;
2. Grafiko predstavljanje pravih koje reprezentuju (ne)jednaine sistema ogranienja;
3. Identifikacija skupa moguih rjeenja za koja su zadovoljene sve (ne)jednaine sistema ogranienja i opti uslov nenegativnosti;
4. Odreivanje prave koja reprezentuje pravac funkcije cilja f0;
5. Translacija prave funkcije cilja slijeva udesno ili obratno (zavisno od funkcije cilja),
sve dok ne ucrtamo jednu takvu pravu koja sa skupom moguih rjeenja ima samo jednu zajedniku taku;
6. Utvrivanje optimalnih vrijednosti promjenljivih x1 i x2 u vidu koordinata ekstremne
take skupa moguih rjeenja najudaljenije, odnosno najblie koordinatnom poetku
u zavisnosti od cilja. Utvrivanje optimalnih vrijednosti se moe uraditi identifikacijom sa grafikona ili rjeavanjem sistema jednaina pravih na ijem presjeku se taka
nalazi;
7. Odreivanje vrijednosti funkcije cilja za optimalne vrijednosti promjenljivih.
Pogledajmo na primjerima kako se koristi grafiki metod u rjeevanju problema linearnog
programiranja.
Primjer 4.3.
Istraivanje trita kazuje da se mjeseno moe prodati najvie 6 000 jedinica dobra
A i 5 000 jedinica dobra B.
Dobit po jedinici dobra A je 140 KM, a dobra B je 80 KM.
Cilj je ostvarenje maksimalne dobiti za kompaniju, pa treba:
a) formirati model LP-a;
b) izraunati optimalan program proizvodnje;
c) izvriti analizu optimalnog programa.
Rjeenje:
Rjeavanjem zadatka trebamo dati odgovor na pitanje: Koliko jedinica dobra A i dobra B treba proizvoditi mjeseno da bi se time maksimizirala dobit? Koliko iznosi ta
maksimalna mjesena dobit?
Nepoznate vrijednosti u zadatku (modelu) su: x1 mjeseni broj jedinica dobra A i x2
mjeseni broj jedinica dobra B.
Funkcija cilja: Cilj je maksimizirati dobit. Iz postavke zadatka vidimo da je dobit po
jedinici dobra A 140 KM , a dobra B 80 KM . Ako proizvodimo x1 jedinica dobra A
dobit e biti 140 x1 , dok e dobit za proizvodnju x2 jedinica dobra B iznositi 80 x 2 .
Ako istovremeno proizvodimo x1 jedinica dobra A i x2 jedinica dobra B, dobit e iznositi 140 x1 + 80 x 2
Odavde funkcija cilja ima oblik:
max f = 140 x1 + 80 x 2
Odredimo sad ogranienja u modelu. Iz teksta zadatka vidimo da su mjeseni kapacitet rada maina i radnika unaprijed dati i da bez dodatnih ulaganja ove vrijednosti
mjeseno ne mogu biti vee. Takoer se vidi da je unaprijed poznata maksimalna potranja za proizvodima A i B na tritu, pa se bez promjene osobina proizvoda ili bez
osvajanja novih trita ova koliina ne bi trebala prekoraiti (stvaraju se dodatne zalihe i time poveavaju trokovi, odnosno smanjuje dobit i ovaj zadatak se mijenja).
Ogranienje I: Mainski kapacitet (max 24 000 mainskih sati)
Jedinica dobra A moe se izraditi za 3 sata, a jedinica dobra B za 2 sata rada maina. Ako se izradi x1 jedinica dobra A, maine moraju raditi 3 x1 sati, a ako se uradi
x2 jedinica dobra B, maine moraju raditi 2 x 2 sati. Ako izradimo istovremeno x1 jedinica dobra A i x2 jedinica dobra B, maine moraju raditi 3 x1 + 2 x 2 sati. Odavde
se dobije prvo ogranienje:
499
LINEARNO PROGRAMIRANJE
Potrebno vrijeme za izradu jedinice dobra A je 2,5 sata, a jedinice dobra B je 5 sati.
Ako se izradi x1 jedinica dobra A, radnici moraju raditi 2,5 x1 sati, a ako se uradi x2
jedinica dobra B, radnici moraju raditi 5 x 2 sati. Ako izradimo istovremeno x1 jedinica dobra A i x2 jedinica dobra B, radnici moraju raditi 2,5 x1 + 5 x 2 sati. Odavde
se dobije drugo ogranienje:
2,5 x1 + 5 x 2 35 000 (r. s.)
II
Istraivanje trita kazuje da se mjeseno moe prodati najvie 6000 jedinica dobra
A. Odavde je tree ogranienje dato sa:
III
x1 6 000 (kom A)
Istraivanje trita kazuje da se mjeseno moe prodati najvie 5 000 jedinica dobra
B. Odavde je tree ogranienje dato sa:
IV
x 2 5 000 (kom B)
Uslovi nenegativnosti: x1 0; x 2 0
Na osnovu prethodnih razmatranja, model linearnog programiranja (LP-a) koji odgovara postavljenom problemu ima oblik:
(1)
(2)
max f = 140 x1 + 80 x2
(3)
3 x1 + 2 x2 24 000 (m.s.)
6 000 kom A
x1
x2
5 000 kom B
x1 , x2 0
(odgovor pod a)
Napomena: Dati model LP-a je simetrian16.
15
16
Jedinica mjere nepoznatih x1 i x2 je komad. Potrebni mainski sati za izradu kom. A ili B imaju jedinicu
mjere ms/kom, pa je ogranenje I izraeno u ms (mainskim satima).
Simetrian model: Cilj max i sva ogranienja su , ili cilj min i sva ogranienja su .
500
8000
x1
Prava 3 x1 + 2 x 2 = 24 000 dijeli ravan x1 0x 2 na dvije poluravni i ako elimo odabrati ba onu poluravan za koju vrijedi I 3 x1 + 2 x 2 24 000 izabraemo
proizvoljnu taku iz jedne poluravni i provjeriti da li je zadovoljena nejednaina I.
Najlake je uzeti koordinatni poetak ( x1 , x 2 ) = (0, 0 ) , pa uvrtavanjem u I imamo:
3 0 + 2 0 24 000 0 24 000 to je tano. Dakle, u pitanju je poluravan koja sadri koordinatni poetak.
Ako pri grafikoj interpretaciji uzmemo u obzir uslove nenegativnosti (3) (tj. posmatramo samo prvi kvadrant), onda skup svih moguih taaka koje zadovoljavaju
ogranienje I i uslove nenegativnosti (3) moemo prikazati kao osjenenu povrinu na
grafikonu 4.3.a.
501
LINEARNO PROGRAMIRANJE
12 000
8000
x1
Dodajmo prethodnom drugo ogranienje u modelu. Odnosno, grafiki trebamo odrediti skup taaka koje istovremeno zadovoljavaju i I i II ogranienje. Ovaj skup taaka
ustvari predstavlja sve one odluke o koliini mjesene proizvodnje proizvoda A i B za
koje imamo dovoljno i radnika (mjeseni kapacitet 35 000 radnih sati) i maina (mjeseni kapacitet 24 000 mainskih sati).
Prikaimo u koordinatnom sistemu x1 0x 2 ogranienje II: 2,5 x1 + 5 x 2 35 000
Na analogan nain, kao i ranije, odredit emo grafiki prikaz prave
2,5 x1 + 5 x 2 = 35 000 , a zatim odabrati koja poluravan odgovara ogranienju II
2,5 x1 + 5 x 2 35 000 .
Presjene take prave 2,5 x1 + 5 x 2 = 35 000 sa koordinatnim osama su:
x1 = 0 x2 = 7 000
x2 = 0 x1 = 14 000
pa je grafikon prave dat na slici 4.3. b, dok je poluravan II data na slici 4.3. b.
x2
x2
7 000
7 000
x1
x1
0
14 000 II
502
14 000
II
Ako se oba ogranienja prikau zajedno, onda se na grafiku 4.3. c vidi skup svih moguih taaka (osjenen) koje zadovoljavaju ogranienje I i II.
x2
12 000
7 000
x1
14 000 II
8 000 I
U nastavku bismo trebali ukljuiti i ogranienja III i IV, te ove poluravni presjei sa
poluravnima I i II.
Prikaimo u koordinatnom sistemu x1 0x 2 ogranienja III: x1 6 000 i IV:
x 2 5 000
Prave x1 = 6 000 i x 2 = 5 000 su paralelne sa koordinatnim osama 0x 2 i 0x1 respektivno, a poluravni III i IV su date na sljedeim grafikonima:
x2
x2
III
5 000
IV
x1
0
6 000
Grafikon 4.3.d. Poluravan x1 6 000
x1
0
Grafikon 4.3.e. Poluravan x1 5 000
Ako bismo sva ogranienja prikazali na istom grafikonu i odredili presjek, dobili bi
skup moguih rjeenja datog modela LP-a, odnosno svaka taka u osjenenom esto503
LINEARNO PROGRAMIRANJE
uglu MNCDEO na grafikonu 4.3.f predstavlja izvodljivu (moguu) kombinaciju mjesene proizvodnje proizvoda A i B.
x2
12 000
7 000
5 000
IV
E
C
N
M
6 000
III
x1
8 000
14 000
I
II
Od svih moguih rjeenja trebamo izabrati ono najbolje. Vidjeli smo da sva mogua
rjeenja dobijemo presjekom svih ogranienja u modelu i uslova nenegativnosti, a
najbolje rjeenje zavisi od funkcije cilja.
Po teoremi17, optimalno rjeenje e biti jedna od taaka M, N, C, D, E, O, a koja od
njih - to zavisi od funkcije cilja.
Vrijednost funkcije cilja u taki O (0, 0) je 0 KM, dok je u taki E(0, 5000) njena vrijednost 400 000 KM. U nekoj drugoj taki iz skupa moguih rjeenja vrijednost
funkcije cilja e biti drugaija. Ono to je sigurno, jeste da je vrijednost funkcije cilja
vea to je ona (prava koja predstavlja pravac funcije cilja) udaljenija od koordinatnog poetka. Nas zanima najvea vrijednost funkcije cilja, odnosno najudaljenija
taka po pravcu funkcije cilja.
Odaberimo proizvoljno taku P koja pripada skupu moguih rjeenja i odredimo kolika je vrijednost funkcije cilja u toj taki. Uzmimo da su koordinate take P (3 000,
2 000), pa je vrijednost funkcije cilja:
f ( x1 = 3000, x 2 = 2000 ) = 580 000 ,
odnosno prava koja pripada pravcu funkcije cilja i prolazi kroz taku P ima
jednainu:
17
Teorema 4.3.2: Funkcija cilja f dostie svoju optimalnu vrijednost u ekstremnim takama konveksnog skupa moguih rjeenja. Ako se desi da f prima optimalnu vrijednost za vie od jedne ekstremne take, onda e
problem LP-a imati optimalnu vrijednost za svaku konveksnu kombinaciju tih ekstremnih taaka.
504
x2
12 000
7 000
7250
5 000
IV
E
C
P
N
M
6 000 8 000
III
x1
14 000
I
II
III
x2
7 000
7250
5 000
IV
E
C
P
N
f0
6 000
II
M
8 000
x1
I
Grafikon 4.3.h. Skup moguih i optimalno rjeenje
505
LINEARNO PROGRAMIRANJE
Koordinate take N dobijamo kao presjek prave I i III, odnosno rjeavanjem sistema:
3 x1 + 2 x 2 = 24 000
x1 = 6000
{C} = I II
f (C ) = 1 060 000 KM
{D} = II IV
x 2 = 5 000
2,5 x1 + 5 x 2 = 35 000
f (D ) = 960 000 KM
D (4000, 5000)
18
506
Kompjuterska koorporacija MSA prizvodi dva modela mini kompjutera Alfa 4 i Beta
5. Firma zapoljava 5 tehniara. Svaki od njih radi 160 sati mjeseno na montai.
Za sklapanje kompjutera Alfa 4 potrebno je 20 sati rada tehniara, dok je za model
Beta 5 potrebno 25 sati rada. U narednom mjesecu MSA eli proizvesti barem 10
kompjutera Alfa 4 i barem 15 kompjutera Beta 5.
Svaki kompjuter Alfa 4 ostvaruje profit od 1200 USD, a Beta 5 profit od 1800 USD.
a) Odrediti najprofitabilniji broj mini kompjutera koje treba proizvesti u narednom
mjesecu.
b) Napisati odgovarajui standardni model i odrediti znaenje optimalne vrijednosti
izravnavajuih varijabli.
c) Formirati dualni model datog problema LP-a i odrediti optimalne vrijednosti dualnih varijabli.
d) Koliko bi primanje jo jednog radnika unaprijedilo funkciju cilja?
507
LINEARNO PROGRAMIRANJE
Rjeenje:
a) Oznaimo varijable:
I 20 x1 + 25 x 2 800 (rs)
II ogranienje: U narednom mjesecu MSA eli proizvesti barem 10 kompjutera Alfa
4.Odavde je II ogranienje dato sa:
II x1 10 (kom)
III ogranienje: U narednom mjesecu MSA eli proizvesti barem 15 kompjutera Beta
5. Odavde je III ogranienje dato sa:
III x 2 15 (kom)
Funkcija cilja: Svaki kompjuter Alfa 4 ostvaruje profit od 1200 USD, a Beta 5 profit
od 1800 USD. Proizvodnjom x1 komada kompjutera Alfa 4, ostvaruje se dobit od
1200 x1 a proizvodnjom x 2 komada kompjutera Beta 5, ostvaruje se dobit od
1800 x 2 . Odavde je funkcija cilja data sa:
max f = 1200 x1 + 1800 x 2
20 x1 +
II
x1
III
25 x 2 800
10
x 2 15
x1 , x 2 0
508
I:
Presjene take prave
x2
20 x1 + 25 x2 = 800
II
sa koordinatnim osama:
32
C
III
15
A
II:
Paralelna sa x 2 osom
10
x = 0; x2 = 32
1
x2 = 0; x1 = 40
40
x1
III:
Paralelna sa x1 osom
x1
25 x 2 = 800
= 10
x1 = 10; x2 = 24
f = 1200 10 + 1800 24 = 55 200
19
Izabrana taka ne mora biti u skupu moguih rjeenja jer nam je potrebna samo zbog odreivanja pravca
funkcije cilja, ali se radi bolje preglednosti najee bira taka iz skupa moguih rjeenja.
509
LINEARNO PROGRAMIRANJE
x2
II
32
B
f0
x1 = 0; x2 = 25
x2 = 0; x1 = 37,5
III
15
10
foptimalno
40
x1
Odgovor pod a)
Najprofitabilniji broj mini kompjutera koje treba proizvesti u narednom mjesecu je
x1 = 10 kompjutera Alfa 4 i x 2 = 24 kompjutera Beta 5. Oekivani najvei profit iznosit e: f = 55 200 USD .
Sa grafikona vidimo da su ogranienja I i II uska grla programa, odnosno mjeseni
broj radnih sati montaera i ugovoreni minimalan broj kompjutera Alfa 4 predstavljaju ogranienja zbog kojih se ne moe ostvariti vea vrijednost funkcije cilja. Ova
analiza nam govori da, ako bismo eljeli unaprijediti funkciju cilja, onda bismo morali mijenjati ogranienja I ili II, ali ne i ogranienje IV.
b)
Prilikom formiranja standardnog modela LP-a moramo uvesti odreen broj dopunskih varijabli - izravnavajuih i vjetakih20.
Standardni model ovog problema LP-a ima oblik:
20
Kod ogranienja uvodimo jednu izravnavajuu sa koeficijentom +1, kod ogranienja uvodimo jednu
izravnavajuu sa koeficijentom -1 i vjetaku sa koeficijentom +1, dok kod ogranienja = uvodimo jednu
vjetaku sa koeficijentom +1. U funkciji cilja izravnavajue varijable imaju koeficijent 0, dok vjetake
imaju koeficijent M u zavisnosti od funkcije cilja (+M kod cilja min f i M kod cilja max f).
510
II
x4 + x4*
x1
III
= 10
x5 + x5* = 15
x2
x1 , x2 , x3 , x 4 , x5 0;
x 4* , x5* = 0
20 x1 +
II
x1
III
25 x 2 800 y3
10
x 2 15
y4
y5
x1 , x 2 0
min g = 800 y3 + 10 y 4 + 15 y5
21
Dualni model je simetrian; Matrica A koja se nalazi u ogranienjima primalnog modela je transponovana
u ogranienjima kod dualnog modela; Cilj max f kod primala min g kod duala i min f kod primala
max g kod duala; Polazne dualne varijable ne moraju biti 0.
511
LINEARNO PROGRAMIRANJE
1200
25 y3
Znak polaznih dualnih varijabli y n + i zavisi od znaka u ogranienju i kojem je pridruena odgovarajua varijabla y n + i . Ako znak u ogranienju primala odgovara
simetrinom modelu22, onda je dualna varijabla y n + i 0 , u suprotnom je y n + i 0 .
Dakle, imamo:
y3 0 ; y 4 0; y5 0
Na osnovu prethodnog razmatranja, odgovarajui dualni model ima oblik:
min g = 800 y3 + 10 y 4 + 15 y5
20 y3 + y 4
25 y3
1200
+ y5 1800
y3 0 ; y 4 0; y5 0
Za odreivanje optimalnih vrijednosti dualnih varijabli potrebno je izvriti standardizaciju dualnog modela i iskoristiti princip oslabljene komplementarnosti23.
Prilikom strandardizacije dualnog modela uvodimo izravnavajue varijable yi koje
obavezno moraju biti nenegativne (vjetake dualne varijable nije potrebno uvoditi).
Standardni dualni model ima oblik:
min g = 800 y3 + 10 y 4 + 15 y5
y1 + 20 y3 + y 4
= 1200
y 2 + 25 y3
+ y5 = 1800
y1 , y 2 0; y3 0 ; y 4 0; y5 0
22
23
Za cilj max f ogranienje traba biti , a za cilj min f ogranienje treba biti .
x i y i = 0; i = 1, m
512
Na osnovu principa oslabljene komplementarnosti i optimalnih vrijednosti svih primalnih varijabli, imamo:
x1 = 10 y1 = 0 ;
x 5 = 9 y 5 = 0
x 2 = 24 y 2 = 0
x 3 = 0 y 3 = ? ,
x 4 = 0 y 4 = ?
Iz prethodnog sistema, moemo odrediti vrijednost ostalih nepoznatih dualnih varijabli, odnosno vrijednost y 3 i y 4 .
20 y3 + y 4 = 1200
y 3 = 72, y 4 = 240
25 y3 = 1800
jm xi
513
LINEARNO PROGRAMIRANJE
d)
x2
II
32
C
C
III
15
B
I
10
40
x1
Do istog ovog rezultata smo mogli doi da smo iskoristili vrijednost i znaenje dualne
varijable y 3 = 72 . Poveanjem granice I za 160 rs, funkcija cilja e se poveati za
160 72 = 11 520 USD , odnosno nova vrijednost funkcije cilja e biti
f = 55 200 + 11 520 = 66 720 USD
Napomena: Kako se nova optimalana vrijednost u stvarnosti ne moe realizovati (proizvodnja 30,4 komada kompjutera Beta 5 nije mogua), mi emo uzeti cjelobrojno
rjeenje najblie optimalnom koje se nalazi u skupu moguih rjeenja.
514
Primjer 4.5
Napraviti standardizirani model modela LP iz primjera 4.3. i pronai optimalne vrijednosti svih varijabli. Objasniti njihovo znaenje.
Rjeenje:
(1)
max f = 140 x1 + 80 x 2 + 0 x3 + 0 x 4 + 0 x5 + 0 x 6
3 x1 + 2 x 2
2,5 x1 + 5 x 2
(2)
(3)
= 24 000 ( m.s.)
+ x4
= 35 000 (r.s.)
+ x5
x1
+ x3
x2
= 6 000 kom A
+ x 6 = 5 000 kom B
x1 , x 2, x3 , x 4, x5 , x 6, 0
Napraviti odgovarajui dualni model modela LP iz primjera 4.3. pa odrediti optimalne vrijednosti dualnih promjenjljivih i objasniti njihovo znaenje.
Rjeenje:
Primal:
(1)
(2)
max f = 140 x1 + 80 x2
3 x1 + 2 x 2 24 000 (m.s.)
2,5 x1 + 5 x2 35 000 (r.s.)
(3)
y3
y4
6 000 kom A y5
x 2 5 000 kom B y 6
x1 , x 2 0
x1
515
LINEARNO PROGRAMIRANJE
Dual:
min g = 24 000 y3 + 35 000 y 4 + 6 000 y5 + 5 000 y 6
3 y3 + 2,5 y 4 + y5 140
2 y3 + 5 y 4
+ y 6 80
y3 ; y 4 ; y5 ; y 6 0
Standardizacija duala:
min g = 24 000 y3 + 35 000 y 4 + 6 000 y5 + 5 000 y 6
y1
+ 3 y3 + 2,5 y 4 + y5
y 2 + 2 y3 + 5 y 4
= 140
+ y 6 = 80
y1 ; y 2 ; y3 ; y 4 ; y5 ; y 6 0
x 5 = 0
x 6 = 2000 y 6 = 0
rati jo jedan dodatni komad proizvoda tipa A, funkcija cilja e se poveati za 20 KM.
Izravnavajue dualne varijable y1 = 0 i y 2 = 0 nam govore da se koeficijenti u funkciji cilja (dobit po jedinici proizvoda A i dobit po jedinici proizvoda B) ne moraju
mijenjati da bi x1 i x 2 ule u optimalan plan.
516
Primjer 4.7.
U proizvodnom pogonu firme mogu se proizvoditi dva proizvoda (P1, P2). Strojevi
prvog pogona (S1) imaju mjeseni kapacitet 450 sati, a drugog (S2) kapacitet od 600
sati. Potreban broj sati rada strojeva u proizvodnji jedinice proizvoda je sljedei:
S1
2
1
P1
P2
S2
2
2
Na temelju analize trokova zna se da treba proizvesti najmanje 100 jedinica P1.
Ako je prihod po jedinici P1 10 KM i po jedinici P2 takoer 10 KM, treba odrediti optimalan plan proizvodnje koji omoguava maksimalan prihod.
Rjeenje:
max f = 10 x1 + 10 x 2
Ogranienja:
Strojevi prvog pogona (S1) imaju mjeseni kapacitet 450 sati. Za x1 jedinica proizvoda P1 potrebno je 2 x1 sati, a za x2 jedinica proizvoda P2 potrebno je 1 x2 sati.
2 x1 + 1x 2 450 (m.s.) S1
Strojevi drugog pogona (S2) imaju mjeseni kapacitet 600 sati. Za x1 jedinica proizvoda P1 potrebno je 2 x1 sati, a za x2 jedinica proizvoda P2 potrebno je 2 x2 sati.
2 x1 + 2 x 2 600 (m.s.) S 2
Na temelju analize trokova zna se da treba proizvesti najmanje 100 jedinica P1.
100 kom P1
1x1
Model:
(1)
(2)
(3)
max f = 10 x1 + 10 x 2
2 x1 + 1x 2 450 (m.s.) S1
2 x1 + 2 x 2 600 (m.s.) S 2
1x1
100 kom P1
x1 , x 2 0
0
LINEARNO PROGRAMIRANJE
450
300
C (IIIII)
P
100
D
0
III
100
B (III)
A
225 I300
f0
II
x1
foptimal-
Grafikon 4.7.a. Skup moguih rjeenja, pravac funkcije cilja i optimalno rjeenje
x1
150
100
x = 150 + (1 ) 200
[0,1]
Primjer 4.8.
Preduzee koristi tri stroja, S1, S2, S3, da bi proizvelo dva tipa plastine mase - P1, P2.
Jedan sat rada stroja S1 kota 10 KM, S2 kota 7 KM i S3 kota 12 KM.
Svake sedmice preduzee mora proizvesti barem 7 kg plastine mase tipa P1 i barem
4 kg mase tipa P2.
Podaci o obradi plastinih masa u jednom satu dati su u sljedeoj tabeli:
P1
P2
S1
1 kg
2 kg
S2
1 kg
1 kg
S3
2 kg
1 kg
I
II
x1 + x 2 + 2 x3 7
2 x1 + x2 + x3 4
Model:
min f = 10 x1 + 7 x 2 + 12 x3
x1 + x 2 + 2 x3 7
2 x1 + x 2 + x3 4
x1 0; x 2 0; x3 0
519
LINEARNO PROGRAMIRANJE
y5 0
2 x1 + x 2 + x3 4
2 y 4 + y5 12
x1 0; x 2 0
y 4 0; y5 0
Na grafikonu 4.8.a. vidimo da je skup moguih rjeenja petougao ABCOD i da je optimalno rjeenje taka A.
Koordinate rubnih taaka
skupa moguih rjeenja:
A: II III = (5, 2); B: III I
= (4, 3); C (6, 0);
D (0, 5); O (0, 0);
y5
12
gmax
74 + 42 = 36
g0: 7y4 + 4y5 = 36 (y4 = 0
y5 = 9)
B
M
A
g0
D
III
y4
10
7
II
Izravnavajue dualne: y1 = 1; y 2 = 0; y 3 = 0;
520
Optimalno rjeenje:
gmax = g (A) = 43 za
y 4 = 5; y 5 = 2;
x 4 = 0 kg govori nam da je ogranienje I usko grlo programa, odnosno da e se u optimalnom planu proizvesti minimalno potrebna koliina plastine mase P1.
Primjer 4.9.
Trgovinsko preduzee ima na raspolaganju 25 000 $ koje namjerava potroiti na TV reklamu. Svi spotovi bi se emitovali na jednoj TV stanici. Relevantni su sljedei podaci:
Vrijeme emitovanja
Trokovi
7:00 18:00
18:00 23:00
23:00 02:00
1200 $
2500 $
1500 $
Broj potencijalnih
gledalaca
15 000
25 000
18 000
a)
LINEARNO PROGRAMIRANJE
x1 +
x2 +
x3 15
y4 0
1200 x1 + 2500 x 2 + 1500 x3 25000 y5 0
x1 0; x 2 0; x3 0
Dualni model:
min g = 15 y 4 + 25000 y 5
y 4 + 1200 y5 15000
y 4 + 2500 y 5 25000
y 4 + 1500 y5 18000
y 4 0; y5 0
Koordinate presjenih taaka:
y5
(1000)
D12,5
g0
A
10
12
M
B
Optimalno rjeenje:
gmin
0
15
18
III
C
25
y4 u hiljadama KM
II
522
y 4 = 7; y 5 = 7,5;
Odgovarajue
izravnavajue
dualne
varijable
imaju
vrijednosti:
y1 = 1000; y 2 = 0; y 3 = 0; . Odavde su primalne varijable: x1 = 0; x 4 = 0; x 5 = 0; a
iz modela 4.1.8 imamo:
x2 +
x3 = 15
x2 = 2.5; x3 = 12.5
c)
y1 = 1000 govori da bi se gledanost u terminu 7:00 do 18:00 trebala poveati za 1000
da bi se u optimalnom planu izabralo emitovanje spotova u tom terminu.
y 4 = 7000 nam govori da bi se broj potencijalnih gledalaca (vrijednost funkcije cilja)
poveao za 7 000 ukoliko bismo poveali planirani broj spotova za 1 (ogranienje 1).
523
LINEARNO PROGRAMIRANJE
Rjeenje:
a)
x1-tone jabuka u A (transportovane i prodate) dobit od prodaje u A: 25-(10+5) = 10 nj
x2-tone jabuka u B (transportovane i prodate) dobit od prodaje u B: 30-(10+2) = 18 nj
x3-tone jabuka u C (transportovane i prodate) dobit od prodaje u C: 28-(10+3) = 15 nj
Funkcija cilja: maximalna dobit max f = 10 x1 + 18 x 2 + 15 x3
Ogranienja:
x1 + x 2 + x3 = 1000
x3 500
II
III
x1 + x 2
IV
x1
600
150
x1 0; x 2 0; x3 0;
U pitanju je model koji ima tri nepoznate. Model nije simetrian, ali postoji jedno ogranienje treeg tipa (tipa =) i ono nam omoguava da model transformiemo u model
sa dvije nepoznate.
Transformacija se vri za svako ogranienje i to na sljedei nain:
Iz I x3 = 1000 ( x1 + x 2 ) 0 x1 + x 2 1000 ;
Iz II x3 500 1000 ( x1 + x 2 ) 500 x1 + x 2 500 ;
Iz III x1 + x 2 600 (ostaje isto)
Iz IV x1 150 (ostaje isto)
Iz max f = 10x1 + 18x2 + 15x3 = 10x1 + 18x2 + 15 (1000 x1 x2 ) = 5x1 + 3x2 + 15000
524
x1 + x 2 600
150
x1
x1 0; x 2 0
Pravac funkcije cilja moemo odrediti ako izaberemo proizvoljnu taku (iz skupa
moguih rjeenja ili ne) i uvrstimo u izraz max f = 5 x1 + 3 x 2 + 15000 , odnosno na
isti nain kao i ranije. Meutim, kako je funkcija cilja rastua funkcija (znak ispred
jedne nepoznate) i kako ima konstantni lan (15 000), najlaki nain za odreivanje
pravca je da izraz max f izjednaimo sa 0. Na ovaj nain smo pravac funkcije cilja izrazili funkcijom f0, odnosno sa:
5 x1 + 3x 2 + 15000 = 0
1200
f max
1000
f0
800
600
400
200
I
C
0
-200
-400
-600
100 200 300 400 500 600 700 800 900 1000 1100
III
IV
II
Grafikon 4.10.a. Skup moguih rjeenja, pravac funkcije cilja i optimalno rjeenje
Elementi optimalnog rjeenja su: A (150, 150) i f (A) =15 600, odnosno:
x1 = 150; x 2 = 150; x 3 = 1000 (150 + 150) = 700;
525
LINEARNO PROGRAMIRANJE
Odgovor: Optimalan plan prodaje jabuka je 150 t u gradu A, 150 t jabuka u gradu B i
700 t jabuka u gradu C i sa ovim planom e se ostvariti maksimalna dobit od 15 600
KM.
b)
y4 +
y6 +
y 7 10
y4 +
y6 +
18
y4 +
y4
y5 +
15
0; y 5 0; y 6 0; y 7 0;
x 4 = 0 y 4 = 15
x 5 = 100 y 5 = 0
x 6 = 0 y 6 = 3
x 7 = 0 y 7 = 8
f
= 8nj / t
d 4
Preduzee proizvodi tri vrste tkanina: A, B, C. Za njih su potrebne tri vrste vune: crvena, bijela i plava. Za 1 m tkanine A potrebno je 2 kg crvene, 1 kg plave i 1 kg bijele
vune; za 1m tkanine B potrebno je 4 kg crvene i 4 kg bijele vune, dok je za tkaninu C
potrebno 6 kg crvene, 2 kg plave i 4 kg bijele vune.
Moe se utroiti maksimalno 48 kg crvene i 32 kg bijele vune, dok je potrebno utroiti tano 18 kg plave vune. Treba odrediti onu kombinaciju proizvodnje tkanina koja
e obezbijediti najvei prihod preduzeu ako je prihod po metru tkanine A 10 KM,
tkanine B 20 KM i tkanine C 10 KM.
526
a) Slobodno izabranom metodom pronai optimalno rjeenje i izvriti analizu ispunjenja ogranienja;
b) Formirati odgovarajui dualni model i odrediti optimalne vrijednosti dualnih
promjenljivih.
Rjeenje:
a)
max f = 10 x1 + 20 x 2 + 10 x3
2 x1 + 4 x 2 + 6 x3 48
x1 + 4 x2 + 4 x3 32
x1
+ 2 x3 = 18
x1 0; x 2 0; x3 0;
Ponovo vidimo da postoji jedno ogranienje treeg tipa (III ogranienje) i ono nam
omoguava da imodel transformiemo u model sa dvije nepoznate na sljedei nain:
III x1 + 2 x3 = 18 x1 = 2 x3 + 18 0 x3 9
I 2 x1 + 4 x 2 + 6 x3 48 2( 2 x3 + 18) + 4 x 2 + 6 x3 48 4 x 2 + 2 x3 12
II x1 + 4 x 2 + 4 x3 32 ( 2 x3 + 18) + 4 x 2 + 4 x3 32 4 x 2 + 2 x3 14
LINEARNO PROGRAMIRANJE
10
x3
9
8
7
6
5
4
3
2
1
0
0
x2
4
Max
f = cs xs
Min
s =1
N
ais x s = d i ,
i = 1, m
s =1
xs 0
528
s = 1, N
f =
Min
[ cs ] [ xs ]
T
[ ais ] [ xs ] = [ di ]
[ xs ] 0
Kolone matrice [ais ] oznaimo kao vektore As , a vektor ogranienja [d i ] oznaimo sa A.
Kako su vektori A i As , (s = 1,..., N ) m dimenzionalni, to je skup ogranienja, pa i cijeli
problem LP-a, smjeten u m - dimenzionalan vektorski prostor Vm. Na zadatak je da odredimo vektore koji e predstavljati bazu tog vektorskog prostora.
Uvoenjem ovih oznaka skup ogranienja u modelu 4.2 se moe zapisati kao linearna kombinacija vektora As :
N
A = x s As
(4.16)
s =1
pri emu je x s 0
(s = 1,..., N )
Ako pretpostavimo da sistem ograniavajuih jednaina ima rang m i time barem jedno
rjeenje, onda se iz skupa {A1 , A2 , , AN } moe izabrati barem jedna kombinacija od m
vektora, oznaimo ih sa Ab , koji su linearno nezavisni i koji predstavljaju rjeenje sistema
4.16. Ovi vektori mogu predstavljati bazu vektorskog prostora Vm. Bazu vektorskog prostora Vm oznaimo sa B.
Ako postoji baza B = {Ab } vektorskog prostora Vm, onda se moe pronai m bazinih varijabli xb 0 za koje vrijedi:
A = xb Ab
(4.17)
Bazine varijable xb 0 ine m baznih komponenti vektora [x s ] , dok su ostale komponente ovog vektora jednake nuli x s = 0; s b . Vektor bazinih varijabli oznaimo sa XB.
Na osnovu teoreme 4.3.3, imamo da je ovaj vektor XB ekstremna taka skupa moguih rjeenja, a odgovarajua vrijednost funkcije cilja za XB iznosi:
529
LINEARNO PROGRAMIRANJE
f = cb xb = c s x s
(4.18)
s =1
(4.19)
(4.20)
530
X B = xb1
xb2
xbm
B = Ab1 ,
, Av ,
, Abm ,
pri emu nam indexi bi , i = 1,..., m govore o kojim varijablama je konkretno rije, odnosno u pitanju su konkretni indeksi iz skupa {1,2, , N }
Ako u ovoj bazi vektor Av elimo zamijeniti sa nekim nebaznim vektorom Au , dobiemo
novu bazu vektorskog prostora Vm :
B = Ab1 ,
, Au ,
, Abm ,
X B = x b 1
xb 2
xb m
+ x v Av +
+ xbm Abm
(4.21.)
Svaki vektor As se moe izraziti kao linearna kombinacija baznih vektora, pa i vektor Au ,
odnosno iz (4.19) slijedi:
m
+ K vs Av +
+ K vu Av +
+ K bm s Abm
+ K bmu Abm
(4.22.)
(4.23.)
Ako jednainu (4.23). pomnoimo sa nekim 0 i oduzmemo od jednaine (4.21), dobiemo relaciju:
531
LINEARNO PROGRAMIRANJE
+ ( xv K vu ) Av +
(4.24)
= xb i K biu Abi + Au
i =1
a odavde vidimo da je
X B = xb1 K b1u
x v K vu
x bm K bmu
xbi
za i = 1,..., m
K biu
(4.25)
Poto ovo novo rjeenje mora biti bazino, to jedna pozitivna komponenta vektora XB' treba
da uzme vrijednost 0. Izaberemo takvo da odgovara najmanjem od svih kolinika (4.25),
odnosno neka je
xbi
,
bi K bi u
= min
i = 1, , m ,
(4.26)
i ako je samo jedan ovakav , onda e bazno rjeenje imati m nenegativnih veliina i
N m vrijednosti e biti 0.25
Pretpostavimo da najmanja vrijednost odgovara indeksu v i tada je x v K vu = 0
novo bazno rjeenje:
X B = x b 1
xb 2
xb m
xv
Kbi u
K vu
bi u
za
(4.27)
xv
K vu
a odavde je xv = 0 .
, Au ,
, Abm
U sluaju da imamo vie istih minimalnih , onda bi se pojavio degenarisani problem LP-a i postoji opasnost da simpleks algoritam ne pronae optimalno rjeenje u konanom broju koraka.
532
Kb u
Kb u
1
Au 1 Ab1 m Abm
K vu
K vu
K vu
Kb u
K
As = K b1s 1 K vs Ab1 + + vs Au +
K vu
K vu
Kb u
K
= K bi s i K vs Abi + vs Au
K vu
K vu
bi u
Kb u
+ K bm s K bm s m K vs Abm
K vu
= K bs
K bs
=
K bu
K bu
K vs
K vu
za
bu
(4.28)
K vs
K vu
(4.29)
i =1
+ cbm K bm s = cbi K bi s
(4.30)
i =1
(4.31)
i =1
LINEARNO PROGRAMIRANJE
cb (xb
bi u
K biu + cu
(4.32)
xv K vu = 0 , odavde je i
c v ( x v K vu ) = 0 cv x v c v K vu = 0
(4.33)
cb (xb
bi u
K biu + cu =
cb
bi u
xbi
cb
bi u
K biu + cu + cv xv cv K vu =
m
m
c
x
c
K
f
c
cbi K biu = f + (cu f u )
=
+
bi bi
bi biu
u
u
i =1
i =1
i =1
Odnosno, veza izmeu vrijednosti funkcije cilja u novoj i staroj bazi je data sa:
f = f + (cu fu )
(4.34)
Iz izraza (4.34). imamo da, zbog > 0 , vrijednost (cu f u ) pokazuje smjer promjene funkcije cilja, dok izraz (cu f u ) pokazuje njen intenzitet. Dakle, ako je (cu f u ) > 0 ,
vrijednost funkcije cilja e biti vea u novoj bazi nego u staroj i to za (cu f u ) > 0 ,
Izraz (4.34) nam omoguava odreivanje kriterija za ulazak novog vektora u bazu:
Ako je cilj max f, a postoji neki nebazni vektor As kod kog je (c s f s ) > 0 , onda e se
vrijednost funkcije cilja poveati za (c s f s ) > 0 , pa su samim tim svi As sa ovom
xb
osobinom korisni vektori za ulazak u bazu, gdje je = min i ,
bi K bi s
26
534
i = 1, , m .
Ako je cilj min f, a postoji neki nebazni vektor As kod kog je (c s f s ) < 0 , onda e se
vrijednost funkcije cilja smanjiti za (c s f s ) > 0 , pa su samim tim svi As sa ovom
xb
osobinom korisni vektori za ulazak u bazu, gdje je = min i ,
bi K bi s
i = 1, , m .
Najkorisniji je onaj vektor koji e najvie popraviti funkciju cilja, odnosno od svih korisnih
As traimo onaj sa najveim (c s f s ) .
Opiimo sada algoritam simplex metode:
1) Odredimo bazu B vektorskog prostora Vm.
2) Izraunamo vrijednosti baznih varijabli, odnosno odredimo bazni vektor X B :
Iz izraza (4.17) imamo A = xb Ab = X B B , odnosno X B = B 1 A
b
f = cb xb = c s x s f s = cb K bs
b
s =1
f s ) 0 (s ) dobili smo optimalno rjeenje i optimalna vrijednost programa je X B u trenutnoj bazi. Algoritam se zaustavlja i dobijamo optimalno
rjeenje.
7) Ako je cilj min f i
(c s
535
LINEARNO PROGRAMIRANJE
(c s
xb
, a onda biramo da u bazu ulazi onaj koristan vektor Au koji
b K bs
s = min
f s ) 0 (s ) dobili smo optimalno rjeenje i optimalna vrijednost programa je X B u trenutnoj bazi. Algoritam se zaustavlja i dobijamo optimalno
rjeenje.
8) Na osnovu u izaberemo vektor Av koji izlazi iz baze i formiramo novu bazu.
(c s
x
Av je onaj bazni vektor koji ima osobinu da je u = min b ,
b K bu
9) U novoj bazi raunamo vrijednosti baznih varijabli kao:
xb = xb
xu =
xv
K bu za
K vu
bu
xv
K vu
= K bs
K bs
K bu
K vs
K vu
za
bu
K vs
K vu
10) Vraamo se na korak 4.
=
K bu
Simplex tabela
Algoritam simplex metode se moe pojednostaviti upotrebom simplex tabele. Tabela omoguava jednostavniji prikaz toka rjeavanja modela i jednostavniji raun.
Vrijednosti pojedinih koeficijenata koje smo raunali u simplex algoritmu su smjeteni u
tabelu i svaka iteracija, odnosno prelazak na novu bazu se prikazuje novom tabelom. Opti
oblik simplex tabele je dat u sljedeoj tabeli.
536
Cb
Ab
Xb
Cs
As
Kbs
(Cs-fs)
(2)
(3)
p =1
n
akp x p
p =1
+ xn + k
alp x p
p =1
= dk ,
xn + l
+ x*n + l
arp x p
p =1
x p 0 ; x n + k 0 ; x n + l 0 , xn + r = 0 ; x * n + l = 0 ,
(k )
= dl ,
(l )
+ xn + r = d r ,
(r )
(p, k , l, r )
537
LINEARNO PROGRAMIRANJE
odgovaraju vjetakim varijablama II tipa) i A* r , r = K + L + 1, K + L + R (koji odgovaraju vjetakim varijablama III tipa).
Komponente baznog mogueg rjeenja xb su elementi ogranienja A, odnosno u kolonu Xb
d1
upisujemo vrijednosti: .
d m
Ostale elemente u tabeli raunamo iz formula (4.17) (4.20).
Sada iz algoritma trebamo:
Odrediti korisne vektore (po kriteriju);
Izabrati vektor koji ulazi u bazu i vektor koji naputa bazu;
Napraviti novu simplex tabelu pomou formula:
xb = xb
xu =
xv
K bu za
K vu
bu
xv
K vu
= K bs
K bs
=
K bu
K bu
K vs
K vu
za
bu
K vs
K vu
Cilj min. f :
(c j f j' ) > 0
xbi
K bi s
za i = 1,..., m
Vrijednost j ne smije biti vea ni od jednog navedenog kolinika, a mora biti jednaka
bar jednom (za b = v) od tih kolinika i mora biti pozitivna. To e biti ako je ispunjen
uslov:
xbi
,
K bi s
= min
bi
i = 1, , m
f vs = ( f f ) = s (C s f s )
i prednost dati onom vektoru kod kojeg je apsolutna vrijednost prirataja najvea.
Kod max. f u bazu ulazi vektor kod kojeg je vrijednost j (C j f j' ) maksimalno pozitivna.
Kod min. f u bazu ulazi vektor kod kojeg je vrijednost j (C j f j' ) maksimalno negativna.
Optimalno rjeenje je dobijeno ako u simplex tabeli :
vrijednosti svake od N varijabli Xs zadovoljavaju uslove nenegativnosti;
vrijednost funkcije cilja je konana i ako su:
Kod cilja max.f sve razlike (C s f s' ) < 0 ;
Kod cilja min.f sve razlike (C s f s' ) > 0 .
Primjer 4.12.
Zadatak je bio da se odredi broj jedinica dobra A i broj jedinica dobra B koje treba
proizvoditi sa ciljem maksimizacije mjesene dobiti. Spomenuti problem LP-a ima
dvije nepoznate i mi smo ga rjeavali grafikom metodom. Da bi se na polazni model
LP-a mogao primijeniti simplex algoritam, potrebno je prethodno napraviti standardni
539
LINEARNO PROGRAMIRANJE
(1)
max f = 140 x1 + 80 x2
(2)
3 x1 + 2 x2 24 000 (m.s.)
(3)
6 000 kom A
x1
x2
5 000 kom B
x1 , x2 0
Standardni model:
max f = 140 x1 + 80 x2 + 0 x3 + 0 x4 + 0 x5 + 0 x6
3 x1 + 2 x2 + 1x3 + 0 x4 + 0 x5 + 0 x6 = 24 000
2,5 x1 + 5 x2 + 0 x3 + 1x4 + 0 x5 + 0 x6 = 35 000
27
0
1
e 2 = ;
0
0
540
0
0
e3 = ;
1
0
0
0
e 4 = ;
0
1
C0
Koeficijenti u
funkciji
cilja uz
bazne
varijable
A0
A1
A2
A3
Vrijednost
vektora ...
A2 u
datoj bazi
A4
...
A5
A6
Vrijednost
vektora
A6 u
datoj bazi
...
Vrijednost
funkcije (Cs fs) Doprinos vektora As promjeni vrijednosti funkcije
cilja u
cilja izraen u datoj bazi B
datoj bazi
C0
A0
0
0
0
0
A3
A4
A5
A6
24000
35000
6000
5000
140
A1
3
2,5
1
0
80
A2
2
5
0
1
0
A3
1
0
0
0
0
A4
0
1
0
0
0
A5
0
0
1
0
0
A6
0
0
0
1
Posljednji red u simplex tabeli se sastoji od vrijednosti funkcije cilja u datoj bazi
(zapisuje se u koloni A0) i doprinosa koji svaki vektor daje promjeni funkcije cilja
(zapisuje se u kolonama As i oznaava se sa cs fs).
541
LINEARNO PROGRAMIRANJE
Uvrtavanjem ovih vrijednosti u tabelu (4.11a) dobiemo popunjenu prvu simplex tabelu.
Tabela 4.12.b. Prva simplex tabela problema LP 4.11
C0
A0
0
0
0
0
A3
A4
A5
A6
24000
35000
6000
5000
0
140
A1
3
2,5
1
0
140
80
A2
2
5
0
1
80
0
A3
1
0
0
0
0
0
A4
0
1
0
0
0
0
A5
0
0
1
0
0
0
A6
0
0
0
1
0
Dalje emo koristiti osobinu da je kod baznih vektora vrijednost (Cs fs) uvijek jednaka nuli28.
Iz prve tabele vidimo da bi vrijednost funkcije cilja u trenutnoj bazi (A3, A4, A5, A6)
bila 0. U posljednjem redu prve simplex tabele gledamo koliki doprinos funkciji cilja
daje svaki nebazni vektor. Ukoliko je doprinos cs fs pozitivan, kod cilja maximum,
kaemo da je vektor As koristan i analogno, kod cilja minimum korisni su oni vektori koji imaju negativne doprinose cs fs.
U naem primjeru korisni vektori su A1 i A2. Podatak (c1 f1) = 140 govori da bi ulaskom vektora A1 u bazu sa vrijednou X1 = 1, funkcija cilja se poveala za 140
KM, dok podatak (c2 f2) = 80 govori da bi ulaskom vektora A2 u bazu sa vrijednu X2 = 1, funkcija cilja se poveala za 80 KM.
28
542
c b K bb
b
= c b jer je K =1.
bb
Za formiranje naredne simplex tabele trebamo izabrati koji od korisnih vektora ubaciti u bazu i koji bazni izbaciti. Za odreivanje najboljeg para (ulazni, izlazni)
vektora, kriterij je najvei popravak funkcije cilja uz osiguravanje nenegativnosti
baznih (svih) varijabli.
Maksimalnu vrijednost koju nebazna varijabla Xs moe imati pri ulasku u bazu oznaiemo sa s i raunamo je kao s = Min(Kbs/Xb) za sve b iz B.
U naem primjeru imamo:
1 = Min (24000/3; 35000/2.5; 6000/1; -)29 = Min (8000; 14000; 6000; -) = 6000.
Veliina 6000 odgovara treem elementu u koloni, to znai da je trei element u trenutnoj bazi kandidat za izlazak.
2 = Min (24000/2; 35000/5; -; 5000/1) = Min (12000; 7000; -; 5000) = 5000.
Veliina 5000 odgovara etvrtom elementu u koloni, to znai da je etvrti element u
trenutnoj bazi kandidat za izlazak.
Vrijednost 1 daje informaciju da je najvea vrijednost koju vektor A1 moe poprimiti
pri ulasku u bazu jednaka X1 = 1 = 6000 i da e se u tom sluaju funkcija cilja poveati za:
1 (c1 f1) = 6000 140 = 840 000 KM
Vrijednost 2 daje informaciju da je najvea vrijednost koju vektor A2 moe poprimiti
pri ulasku u bazu jednaka X2 = 2 = 5000 i da e se u tom sluaju funkcija cilja poveati za:
2 (c2 f2) = 5000 80 = 400 000 KM
Iz ovih razmatranja zakljuujemo da je bolje u bazu ukljuiti vektor A1 i da u tom
sluaju iz baze izlazi vektor A5.
Druga simplex tabela se dobije transformacijom prve tabele tako to se u bazu ubaci
najkorisniji vektor, a iz baze izbaci vektor koji smo odredili preko .
29
Dijeljenje sa 0 nije mogue, a sa negativnim vrijednostima nije dozvoljeno jer se gubi nenegativnost varijabli.
543
LINEARNO PROGRAMIRANJE
0
0
A1 = ;
1
0
Red koji odgovara izlaznom vektoru (bazni red) podijelimo sa elementom (bazni
element) koji se nalazi na presjeku baznog reda i kolone koja odgovara ulaznom
vektoru (bazna kolona) (Tabela 4.11c).
U naem sluaju, bazni element je 1 i bazni red se prepie.
II
Bazna kolona je bazni vektor, to znai da su joj svi elementi jednaki 0, osim
baznog koji mora biti 1.
III
K us
K bv , gdje je Kbs bazni element a Kus element u baznoj koloni i Kbv
K bs
element u baznom redu.
= K uv
K uv
2,5
6000 = 20000
Kolona A0: X 4 = 35000
1
Tabela 4.12b'. Prva simpex tabela problema LP 4.1.1 sa oznaenim baznim redom, kolonom i elementom
544
C0
A0
0
0
0
0
A3
A4
A5
A6
24000
35000
6000
5000
0
140
A1
3
2,5
1
0
140
80
A2
2
5
0
1
80
0
A3
1
0
0
0
0
0
A4
0
1
0
0
0
0
A5
0
0
1
0
0
0
A6
0
0
0
1
0
K 12
K
Kolona A2: 22
K 32
K
42
0
= 2 3 = 2
1
0
= 5 2,5 = 5
Kolona A5:
1
= K 32 = 0
0
= 1 0 = 1
1
K 15
K
25
K 35
K
45
1
= 0 3 = 3
1
1
= 0 2,5 = 2,5
1
= K 35 = 1
0
= 0 1 = 0
1
0
1
A4 = ;
0
0
0
0
A1 = ;
1
0
0
0
A6 = ;
0
1
Ove transformacije moemo zapisati u drugu simplex tabelu 4.2. 1. c u kojoj ostaje
jo da se izrauna posljedni red.
Tabela 4.12.c. Druga simplex tabela problema LP 4.11
C0
0
0
140
0
A3
A4
A1
A6
A0
6000
20000
6000
5000
140
A1
0
0
1
0
80
A2
2
5
0
1
0
A3
1
0
0
0
0
A4
0
1
0
0
0
A5
-3
-2,5
1
0
0
A6
0
0
0
1
( bazni )
c2 f 2 = 80 ( 0 2 + 0 5 + 140 0 + 0 1) = 80
c3 f 3 = 0 ( bazni )
c1 f1 = 0
545
LINEARNO PROGRAMIRANJE
( bazni )
c5 f5 = 0 ( 0 ( 3) + 0 ( 2,5 ) + 140 1 + 0 0 ) = 140
c6 f 6 = 0 ( bazni )
c4 f 4 = 0
C0
A0
0
0
140
0
A3
A4
A1
A6
6000
20000
6000
5000
840000
140
A1
0
0
1
0
0
80
A2
2
5
0
1
80
0
A3
1
0
0
0
0
0
A4
0
1
0
0
0
0
A5
-3
-2,5
1
0
-140
0
A6
0
0
0
1
0
A2 = ;
0
0
0
1
A4 = ;
0
0
0
0
A1 = ;
1
0
0
0
A6 =
;
0
1
= K uv
Sa preostalim elementima radimo krunu transformaciju: K uv
546
K us
K bv
K bs
Kolona A0:
6000
X 1 = 6000 2 0 = 6000
K 13
K
Kolona A3: 23
K
33
K 43
K 13
1
= (bazni red )
2
2
5
5
= 0 1 =
Kolona A5:
2
2
0
= 0 1 = 0
2
1
1
= 0 1 =
2
2
K 15
K
25
K
35
K 45
K 15
3
= (bazni red
2
2
5
= 2 ,5 ( 3 ) = 5
2
0
= 1 ( 3 ) = 1
2
3
1
= 0 ( 3 ) =
2
2
1
5
1
c3 f 3 = 0 80 + 0 + 140 0 + 0 = 40
2
2
2
3
3
c5 f 5 = 0 80 + 0 5 + 140 1 + 0 = 20
2
2
Odavde vidimo da nemamo vie korisnih vektora i da smo dobili posljednju, optimalnu simplex tabelu.
Tabela 4.12.d. Trea i zavrna simpleks tabela problema LP 4.11
C0
A0
80
0
140
0
A2
A4
A1
A6
3000
5000
6000
2000
1080000
140
A1
0
0
1
0
0
80
A2
1
0
0
0
0
0
A3
1/2
-5/2
0
-1/2
-40
0
A4
0
1
0
0
0
0
A5
-3/2
5
1
3/2
-20
0
A6
0
0
0
1
0
547
LINEARNO PROGRAMIRANJE
Optimalne vrijednosti funkcije cilja primala i duala su iste (ako optimum postoji) i iznose:
f = g = 1 080 000 KM
Optimalne vrijednosti primalnih varijabli itamo iz kolone A0, odnosno:
x1 = 6000 ; x 2 = 3000 ; x 3 = 0 ; x 4 = 5000 ; x 5 = 0 ; x 6 = 2000 ;
Optimalne vrijednosti dualnih varijabli itamo iz posljednjeg reda u optimalnoj
simplex tabeli, i odavde je:
y1 = 0 ; y 2 = 0 ; y 3 = 40 ; y 4 = 0 ; y 5 = 20 ; y 6 = 0 ;
30
Primjer 4.13.
Preduzee proizvodi tri proizvoda A, B, C koji se obrauju u dva pogona. Tehnikotehnoloki uslovi proizvodnje su dati u tablici:
Proizvodni pogoni
P1
P2
Raspoloivi
fond sati
6000
9000
a)
Znak dualne promjenljive zavisi od ogranienja za koje je vezana dualna varijabla, s tim da su sve izravnavajue dualne varijable nenegativne.
548
A0
0
0
A4
A3
6000
9000
0
20
A1
6
4
20
25
A2
5
5
25
12
A3
2
6
12
0
A4
1
0
0
0
A5
0
1
0
Ponovo je cilj maximum, pa su korisni vektori A1, A2 i A3. Za svaki od njih treba odrediti odgovarajue :
1 = Min{6000/6; 9000/4} = 1000
2 = Min{6000/5; 9000/5} = 1200
3 = Min{6000/2; 9000/6} = 1500
Vrijednost 1 daje informaciju da je najvea vrijednost koju vektor A1 moe poprimiti
pri ulasku u bazu jednaka x1 = 1 = 1000 i da e se u tom sluaju funkcija cilja poveati za:
1 (c1 f1) = 1000 20 = 20 000 KM
Vrijednost 2 daje informaciju da je najvea vrijednost koju vektor A2 moe poprimiti
pri ulasku u bazu jednaka x2 = 2 = 1200 i da e se u tom sluaju funkcija cilja poveati za:
2 (c2 f2) = 1200 25 = 30 000 KM
Vrijednost 3 daje informaciju da je najvea vrijednost koju vektor A3 moe poprimiti
pri ulasku u bazu jednaka x3 = 3 = 1500 i da e se u tom sluaju funkcija cilja poveati za:
3 (c3 f3) = 1500 12 = 18 000 KM
Iz ovih razmatranja zakljuujemo da je najbolje u bazu ukljuiti vektor A2 i da u tom
sluaju iz baze izlazi vektor A4.
549
LINEARNO PROGRAMIRANJE
Bazni element iznosi Kbs' = 5 i bazni red je prvi red, to znai da bazni red dijelimo sa
1
5. Bazna kolona je druga kolona, pa su njene koordinate .
0
Ranije opisanim krunim transformacijama dobiemo narednu simplex tabelu:
C0
A0
25
0
A2
A5
1200
3000
30000
Cs fs
20
A1
6/5
-2
-10
25
A2
1
0
0
12
A3
2/5
4
2
0
A4
1/5
-1
-5
0
A5
0
1
0
Iz tabele vidimo da je koristan samo jedan vektor, i to vektor A3, i odgovarajue 3 iz1200 3000
nosi 3 = Min
;
= 750 , to znai da u bazu ulazi vektor A3, a iz baze
4
25
izlazi vektor A5 i ukupna vrijednost funkcije cilja e se poveati za
3 (c3 f 3 ) = 750 2 = 1500 .
Bazni element iznosi Kbs'' = 4 i bazni red je drugi red, to znai da bazni red dijelimo
0
sa 4. Bazna kolona je trea kolona, pa su njene koordinate .
1
Ponavljamo opisane korake iteracije i dobijemo treu simplex tabelu, u kojoj nemamo
pozitivnih vrijednosti c s f s pa to znai da nemamo vie korisnih vektora, odnosno
dobili smo optimalnu simplex tabelu.
C0
A0
25
12
A2
A3
900
750
31500
Cj-fj
20
A1
8/5
-1/2
-14
25
A2
1
0
0
12
A3
0
1
0
0
A4
3/10
-1/4
-4,5
550
x 4 = 0
x5 = 0
f = 3150
0
A5
-1/10
1/4
-0,5
5 y 4 + 5 y5 25
2 y 4 + 6 y5 12
y 4 ; y5 0
y1 = 14
y 2 = 0
y 3 = 0
y 4 = 4,5
y 5 = 0,5
g = 3150
Primjer 4.14.
a)
x1 broj jedinica A
x2 broj jedinica B
551
LINEARNO PROGRAMIRANJE
b) Standardizacija
= 10
4 x 1 + x 2 - x 4 + x *4 = 12
x 1 0; x 2 0; x 3 0; x 4 0; x *4 = 0
Prva simplex tabela:
C0
A0
0
M
A3
A*4
10
12
12M
Cs-fs
24
A1
1
4
24 - 4M
25
A2
5
1
25 - M
0
A3
1
0
0
0
A4
0
-1
M
M
A*4
0
1
0
U ovoj simplex tabeli se pojavio parametar M. Za njega smo rekli da predstavlja jako
veliki pozitivan broj, pa emo ga i u svim algebarskim izrazima u kojima se pojavljuje tako i tretirati.
U problemu 4.13. cilj je minimum, te se za korisne vektore uzimaju negativne vrijednosti cs fs, pa imamo:
Korisni vektori za ulazak u bazu su A1 i A2. Odgovarajue 1 = Min{10/1; 12/4} = 3,
odnosno 2 = Min{10/5; 12/1} = 2.
Ulaskom vektora A1 u bazu, iz baze bi izaao vektor A4* i funkcija cilja bi se promijenila za
1 (c1 f1) = 3 (24 4M) = 72 12M.
Ulaskom vektora A2 u bazu, iz baze bi izaao vektor A3 i funkcija cilja bi se promijenila za
2 (c2 f2) = 2 (25 M) = 50 2M
C0
A0
0
24
A3
A1
7
3
72
Cs-fs
552
24
A1
0
1
0
25
A2
19/4
1/4
19
0
A3
1
0
0
0
A4
1/4
-1/4
6
M
A*4
-1/4
1/4
M-6
Nemamo vie korisnih vektora, pa je ova tabela istovremeno i optimalna i odgovarajue optimalne vrijednosti polaznog modela su:
f = 72; x1 = 3; x 2 = 0; x 3 = 7; x 4 = 0; x * 4 = 0
Minimalni trokovi proizvodnje iznose 72 KM i ostvaruju se pri proizvodnji 3 jedinice dobra A, dok dobro B ne moramo proizvoditi. Provjerom uslova vidjeemo da su
zadovoljene pretpostavke zadatka.
Izravnavajua varijabla x3 = 7 nam govori da prvo ogranienje nije u potpunosti iskoriteno.
c) Dualni model
max g = 10 y 3 + 12 y 4
y 3 + 4 y 4 24
5 y 3 + y 4 25
y 3 0; y4 0
y1 = 0; y 2 = 19; y 3 = 0; y 4 = 6
g = 72
Na osnovu vrijednosti izravnavajue dualne varijable y 2 = 19 vidimo da je potrebno
trokove po jedinici proizvoda B smanjiti za najmanje 19 KM da bi proizvod B uao
u optimalan plan proizvodnje.
Na osnovu vrijednosti polazne dualne varijable y 4 = 6 vidimo da je drugo ogranienje usko grlo programa (minimalan broj radnih sati radnika dnevno) i da bi se
poveanjem ovog ogranienja za 1 rs, funkcija cilja poveala za 6 KM.
Primjer 4.15.
Fabrika duhana proizvodi tri vrste cigareta: light (L), superlight (SL), ultralight (UL),
koje kao gotovi proizvodi prolaze kroz dva procesa: P1 kontrola i P2 pakiranje.
Tehniko- tehnoloki uslovi ova dva procesa obrade, kao i raspoloivi sedmini fond
sati, dati su u tabeli:
Kutija (20 cigareta)
P1
P2
L
1
3
SL
1
1
UL
5
1
553
LINEARNO PROGRAMIRANJE
a)
x1 broj kutija L
x2 broj kutija SL
x3 broj kutija UL
554
Nakon postavljenog modela (to ukljuuje jasno napisane zavisne varijable, funkciju cilja i sva ogranienja), otvorite opciju Solver.
U otvorenom prozoru treba izabrati Options, te u novom prozoru Options selektirati redove Assume linear i Assume nonnegative. Time je zadovoljen uslov
nenegativnosti.
Na mjestu Subject To Constraints se upisuju sva ogranienja na nain da se nova dodaju putem Add, a ve unesena se eventualno mijenjaju putem Change.
Ovdje je vano znati da se vrijednosti koeficijenata u ogranienjima moraju upisati u odgovarajue elije i da se vrijednosti ogranienja moraju nalaziti u
konkretnim elijama.
Ako dodajete novo ogranienje, kada kliknete Add, otvara vam se novi prozor. Na
Cell Reference unosite cell iz modela koji oznaava lijevi dio vaeg ogranienja. Desno od Cell Reference unosite kojeg tipa je ogranienje, s tim da int
znai integer i podrazumijeva da rezultat ogranienja mora biti cijeli broj. Na kraju, Constraint oznaava desni dio vaeg ogranienja. Kada unesete sve potrebne
podatke, kliknite OK i automatski se vraate na prozor Solvera.
Kada ste unijeli sva ogranienja, kliknite Solve i, ukoliko su svi podaci tano
uneseni, Excel e nai optimalno rjeenje problema.
Primijeniemo gore opisani niz koraka na na konkretan problem. Na odabranoj radnoj stranici unijet emo koeficijente u funkciji cilja, koeficijente u ogranienjima i
ogranienja na sljedei nain:
555
LINEARNO PROGRAMIRANJE
Napomenimo da su naslovi dati pojedinim elijama da bi se lake moglo proitati optimalno rjeenje. Prije pristupa rjeavanju zadatka potrebno je koeficijente iz modela
unijeti u odabrane elije u excel sheetu (polja C7:E7, za funkciju cilja i C9:E10, za
ogranienja).
Za optimalne vrijednosti (bazne varijable) u modelu odabrali smo elije
C4:E4.Funkcija SUMPRODUCT, koja se nalazi u elijama F9, F10, mjeri iskoritenost kapaciteta u datoj bazi, dok funkcija SUMPRODUCT, koja se nalazi u eliji F7,
mjeri vrijednost funkcije cilja u datoj bazi (C4: E4).
Pokretanjem opcije Solver, popuniti o Opcijama: Assume linear i Assume nonnegative i u prozoru solvera izabrati eliju u kojoj e biti rezultat (maksimalna
vrijednost funkcije cilja). Kod nas je to elija F7.
556
557
LINEARNO PROGRAMIRANJE
Sensitivity Report za ovaj zadatak je dat u tabeli 4.14b. i u njemu su date optimalne
vrijednosti polaznih dualnih varijabli (kolona Shadow Price) i optimalne vrijednosti
izravnavajuih dualnih varijabli (kolona Reduced Cost).
Kolone Allowable Increase i Allowable Decrease nam pokazuju dozvoljeno poveanje ili smanjenje koeficijenata u funkciji cilja (gornji dio tabele), odnosno ogranienja
(donji dio tabele), a da se optimalno rjeenje ne promijeni.
Tabela 4.15.b. Microsoft Excel 10.0 Sensitivity Report
Adjustable Cells
Cell
$C$4
$D$4
$E$4
Name
vrijednosti varijabli broj
kutija L
vrijednosti varijabli broj
kutija SL
vrijednosti varijabli broj
kutija UL
Final
Value
-1
15
825
75
10
Allowable
Decrease
1E+30
4 0,285714286
2
Final
Shadow Constraint Allowable
Value
Price
R.H. Side Increase
1200
1
1200
3300
900
5
900
300
Allowable
Decrease
300
660
Constraints
Cell
Name
$F$9 I Iskoritenost kapaciteta
$F$10 II Iskoritenost kapaciteta
558
Transport robe od odreenog broja proizvoaa do odreenog broja potroaa izaziva obino velike trokove distribucije i prevoza. Stoga minimizacija ovih trokova predstavlja
jedan od uslova efikasne organizacije i finansijskog uspjeha poslovanja velikog broja preduzea. Ovaj zahtjev, s obzirom na direktni uticaj transportnih trokova na cijenu
proizvoda, predstavlja interes i proizvodnih i prometnih preduzea, kao i krajnjih potroaa.
Problemi poput ovog se veoma efikasno mogu modelirati i rjeavati upotrebom modela
linearnog programiranja Kao osnovni zahtjev optimizacije transporta robe najee se postavlja problem minimizacije ukupnih trokova prevoza i na taj nain funkcija cilja izraavala bi ukupne trokove prevoza robe, dok bi sistem ogranienja izraavao ogranieni iznos
ponude homogene vrste robe razliitih proizvoaa (ponuaa), odnosno iznos tranje pojedinih odredita (potroaa).
Ovaj specifian problem linearnog programiranja, koji u optom sluaju i ne mora biti formulisan iskljuivo kao problem minimizacije, naziva se transportni problem i postoje
razliiti algoritmi prilagoeni za rjeavanje upravo ovakvih problema.
Formulacija modela transporta
Pretpostavimo da postoji konaan broj mjesta ponude (ishodita) koja raspolau sa odreenom homogenom vrstom robe za ije koritenje je izraena tranja u konano mnogo
mjesta tranje (odredita). Transportni problem je dio problema linearnog programiranja
koji rjeava problem prijevoza (transporta) istovrsnog tereta iz vie ishodita
( I i , (i = 1,2, , m ) ) u vie odredita ( O j , ( j = 1, , n ) ), odnosno iz m ishodita u n odredita.
Ishodita imaju fiksnu ponudu ai, (i = 1,2, , m ) , dok odredita imaju fiksnu potranju bj,
( j = 1,2, , n ) .
Oznaimo sa cij troak prijevoza po jedinici tereta od ishodita Ii do odredita Oj i ove veliine su nam unaprijed poznate.
Nepoznate koliine transporta na relaciji i j, odnosno od ishodita i do odredita j oznaimo sa xij.
Zadatak transportnog problema je minimizacija trokova prijevoza na relacijama izmeu
ishodita i odredita, uz uslov da se zadovolje potrebe odredita i u potpunosti iskoriste ponude ishodita.
559
LINEARNO PROGRAMIRANJE
(4.35a)
+ c m1 x m1 + c m 2 x m 2 + + c mn x mn
dok se ogranienja u modelu mogu zapisati:
x11 + x12 + . . . +x1n = a1
x21 + x22 + . . . +x2n = a2
.
(4.35b)
(4.35c)
xij = ai
j =1
m
xij = b j
i =1
( i = 1, 2,, m )
(4.36)
( j = 1, 2,, n )
xij 0 ( i = 1, 2, , m ) ; ( j = 1, 2, , n )
Istaknimo da, iako je razvoj ovakvih specifinih modela zasnovan na ideji minimizacije
trokova transporta, postoji i niz drugih problema koji se mogu interpretirati kao problemi
transporta, a da im nije cilj minimizacija transpotrnih trokova. Ako bi, naprimjer, vrijednosti cij predstavljale zaradu za jedinicu transporta iz mjesta i do mjesta j, onda bi cilj bio
napraviti takav transport kojim bi se maksimizirala zarada i zadovoljila transportna ogranienja.
Prema tome, opti oblik modela transporta se moe zapisati u obliku:
560
n m
min
f = cij xij
max
j =1 i =1
n
xij = ai
j =1
m
xij = b j
i =1
( i = 1, 2,, m )
(4.37)
( j = 1, 2,, n )
xij 0 ( i = 1, 2, , m ) ; ( j = 1, 2, , n ).
Mi emo u nastavku izlaganja pretpostaviti da je cilj u modelu minimalna vrijednost transportnih trokova i, ukoliko bude potrebno, izdvojiti zakljuivanja koja su razliita kod cilja
min f i kod cilja max f .
Transportni problem se moe zapisati u obliku tabele sa m redova (koji predstavljaju ishodita) i n kolona (koji predstavljaju odredita) i u toj tabeli se unose podaci o cijenama
transporta i koliini transporta.
Tabela 2. Tablini izgled transportnog problema
O1
O2
I1
x11
x 12
...
...
I2
x 21
x 22
...
.
.
.
.
.
.
.
.
.
Im
x m1
x m2
.
.
.
...
bj
c11
c21
cm1
b1
c12
ai
x 1n
a1
x 2n
a2
.
.
.
.
.
.
c1n
c22
cm2
b2
On
c2n
x mn
cmn
...
am
bn
U donji desni ugao transportne tabele se upisuju podaci o cijenama transporta (trokovima
transporta po jedinici tereta) na relaciji i j, dok se u gornji lijevi ugao upisuju koliine
transporta.
Openiti primjer transportnog problema mogue je prikazati i pomou mree koja sadri m
ishodita, n odredita te m n veza izmeu pojedinih ishodita i odredita.
561
LINEARNO PROGRAMIRANJE
ISHODITA
ODREDITA
c11, x11
a1
b1
a2
b2
.
.
.
.
.
.
.
.
.
am
.
.
.
bn
Kao to se vidi iz sistema jednaina (4.36), transportni problem je problem linearnog programiranja koji se sastoji od m + n jednaina i od m n varijabli. U nastavku emo navesti,
sa dokazima, teoreme koje daju uslove za rjeavanje problema transporta.
Osnovne teoreme transportnog modela
Teorema 4.6.1.1.
i =1
j =1
ai = b j ,
(4.38)
xij = ai ,
i =1 j =1
odnosno,
562
i =1
(4.39)
xij = b j .
j =1 i =1
(4.40)
j =1
Kako su lijeve strane u izrazima (4.39) i (4.40) jednake, to moraju biti jednake i desne
strane, odnosno mora vrijediti:
( i = 1, 2,, m )
Ovim smo pokazali da je uslov (4.38) potreban da bi model transporta bio rjeiv.
Pokaimo da je ovaj uslov i dovoljan, odnosno da, ako vrijedi (4.38), onda se moe
pronai barem jedno rjeenje transportnog problema (4.36).
Neka je
xij =
ai b j
m
ai
i =1
ai b j
n
bj
, ( i = 1, 2,, m ) , ( j = 1, 2,, n )
(4.41)
j =1
xij =
i =1
i =1
ai b j
m
ai
i =1
1
m
ai
ai b j =
i =1
i =1
bj
m
ai
ai = b j
i =1
i =1
odnosno,
n
xij =
j =1
j =1
ai b j
n
bj
j =1
1
n
bj
j =1
ai b j =
i =1
ai
n
bj
b j = ai
j =1
j =1
i odavde vidimo da xij definisano kao (4.41) zadovoljava ogranienja u modelu, odnosno vidimo da predstavlja mogue rjeenje problema. Time je teorema dokazana
Vidimo da je ( i = 1, 2,, m ) potreban i dovoljan uslov za postojanje rjeenja transportnog
problema. Transportni problem kod kojeg vrijedi relacija (4.38) se naziva zatvoreni problem transporta.
Model transporta ima m + n jednaina, ali se postavlja pitanje koliko tih jednaina je linearno zavisno, odnosno postavlja se pitanje koliko imamo baznih varijabli. Naredna teorema
nam daje tu informaciju.
563
LINEARNO PROGRAMIRANJE
Teorema 4.6.1.2.
Broj linearno nezavisnih jednaina sistema ogranienja zatvorenog transportnog modela (4.36) je m + n 1.
Dokaz
Da bi dokazali tvrdnju teoreme, potrebno je pokazati da svako rjeenje koje zadovoljava proizvoljnih m + n 1 jednaina u skupu ogranienja modela transporta (4.36),
zadovoljava i ono koje je preostalo.
Bez
ogranienja
optosti,
moemo
pretpostaviti
da
je
xij 0
( i = 1, 2,, m ) , ( j = 1, 2,, n )
takav skup vrijednosti koji zadovoljava sva ogranienja u modelu (4.36), osim prvog.
Trebamo pokazati da on onda mora zadovoljavati i prvo ogranienje, odnosno da vrijedi:
n
x1 j = a1
(4.42)
j =1
( i = 1, 2,, m ) ,
odnosno, izraavanjem a1 :
n
j =1
i =2
a1 = b j ai ,
(4.43)
Iz pretpostavke da su xij 0 ( i = 1, 2,, m ) , ( j = 1, 2,, n ) rjeenja ostalih m + n 1 jednaina u skupu ogranienja imamo da vrijedi:
n
xij = ai
j =1
m
xij = b j
i =1
( i = 2,, m )
( j = 1, 2,, n )
(4.44)
564
Teorema 4.6.1.3.
Otvoreni transportni problem je transportni problem kod kojeg suma kapaciteta ishodita
nije jednaka sumi kapaciteta odredita.
ai b j
i
Viak koji se javlja mogu je na strani ishodita ili na strani odredita, te se prema tome
moe rei da postoje dvije vrste otvorenog transportnog problema, a to su:
1) otvoreni transportni problem sa vikom u ponudi,
2) otvoreni transportni problem sa vikom u potranji.
Kod otvorenog transportnog problema sa vikom u ponudi, viak se javlja na strani ishodita, odnosno suma kapaciteta ishodita vea je od sume potranje odredita.
ai > b j
i
(4.45a)
+ c m1 x m1 + c m 2 x m 2 + + c mn x mn
Ogranienja za ishodita:
x11 + x12 + . . . + x1n a1
x21 + x22 + . . . + x2n a2
(4.45b)
..........
565
LINEARNO PROGRAMIRANJE
Ogranienja za odredita:
x11 + x21 + . . . +xm1 = b1
x12 + x22 + . . . +xm2 = b2
. . . . . . . . .
xij 0
(i = 1,2, , m ) , ( j = 1,2, , n )
(4.45c)
Da bi bilo mogue rijeiti ovaj tip otvorenog transportnog problema potrebno je otvoreni
transportni problem pretvoriti u zatvoreni transportni problem. Drugim rijeima, potrebno
je dodati fiktivno odredite (Of) iji je kapacitet (bf) onoliki koliko je vea ponuda od
potranje.
n
b f = ai b j
i
j =1
Jedinini trokovi prijevoza su nula i dobili smo zatvoreni transportni problem. Tabelarni
prikaz bi tada izgledao:
Tabela 3. Otvoreni transportni problem sa vikom u ponudi nakon zatvaranja
O1
I1
x11
x 12
...
...
I2
x 21
x 22
...
x m2
.
.
.
...
.
.
.
Im
bj
c11
c21
.
.
.
x m1
cm1
b1
O2
c12
c22
.
.
.
cm2
b2
On
x 1n
x1,f
x 2n
x2,f
c1n
...
Of
c2n
.
.
.
x mn
cmn
bn
ai
0
0
a2
.
.
.
xm,f
bf
566
a1
am
(4.46a)
+ c m1 x m1 + c m 2 x m 2 + + c mn x mn + 0 x mf
Ogranienja za ishodita:
Ogranienja za odredita:
.
.
.
.
(4.46b)
Uslovi nenegativnosti
(4.46c)
Otvoreni transportni problem sa vikom u potranji je problem kod kojeg je suma ishodita manja od sume odredita, to znai da je ponuda manja od potranje,
ai < b j .
i
(4.47a)
+ c m1 x m1 + c m 2 x m 2 + + c mn x mn
Ogranienja za ishodita:
x11 + x12 + . . . + x1n = a1
x21 + x22 + . . . + x2n = a2
(4.47b)
..........
567
LINEARNO PROGRAMIRANJE
Ogranienja za odredita:
x11 + x21 + . . . +xm1 b1
x12 + x22 + . . . +xm2 b2
. . . . . . . . .
(4.47c)
a f = b j ai
i =1
O1
I1
x11
x 12
...
...
I2
x 21
x 22
...
.
.
.
c11
c21
.
.
.
O2
c12
c22
.
.
.
Im
x m1
x m2
If
x f1
x f2
...
bj
0
b1
cm2
0
b2
a1
x 2n
a2
c2n
.
.
.
.
.
.
x mn
am
x fn
af
cmn
...
ai
x 1n
c1n
.
.
.
...
cm1
On
0
bn
568
(4.48a)
+ c m1 x m1 + c m 2 x m 2 + + c mn x mn +
+0 x f 1 + 0 x f 2 + + 0 x fn
Ogranienja za ishodita:
x11 + x12 + . . . +x1n = a1
x21 + x22 + . . . +x2n = a2
.
Ogranienja za odredita:
x11 + x21 + . . . + xm1 + x f 1 = b1
x12 + x22 + . . . + xm2 + x f 2 = b2
.
.
.
.
.
(4.48b)
Uslovi nenegativnosti:
xij 0 ( i = 1, 2, , m ) , ( j = 1, 2, , n )
(4.48c)
Rezimirajmo:
Problem transporta se moe rijeiti ako i samo ako je zatvoren.
U sistemu ogranienja modela transporta imamo m + n jednaina, ali je samo m + n 1
nezavisnih, pa zbog toga rjeenje problema transporta mora sadravati m + n 1 pozitivnih vrijednosti xij.
Bazino rjeenje problema transporta ima m + n 1 pozitivnih vrijednosti:
Ako neko od rjeenja transportnog problema sadri manje od m + n 1 pozitivnih vrijednosti xij tada je to rjeenje degenerisano31.
Ukoliko je problem transporta otvoren, potrebno je model zatvoriti da bi se mogao rjeavati.
Da bi odredili optimalno rjeenje naeg transportnog problema, neophodno je prvo odrediti poetni program transporta (poetno bazino rjeenje), a zatim se koritenjem
metoda optimizacije ovo rjeenje mora popraviti.
31
Degenerisano rjeenje potrebno je nadopuniti tako da ono postane nedegenerisano, to e biti objanjeno u
primjerima.
569
LINEARNO PROGRAMIRANJE
Odrediti poetno bazino rjeenje transportnog problema ako su u tabeli date transportne cijene, te koliine ponuda (bj) raznih ishodita Ij i koliine potreba (ai) raznih
odredita Oi.
I1
I2
I3
I4
Potrebe
bj
O1
O2
O3
O4
O5
O6
Ponude ai
3
12
13
7
8
11
9
17
13
8
11
10
6
7
23
6
7
18
6
4
19
10
5
11
30
40
10
70
50
20
15
30
30
150
Rjeenje:
Iz tabele vidimo da imamo est odredita i etiri ishodita, te da su ukupne tranje ishodita iste kao i ukupne ponude odredita (150)32.
Broj c11 = 3, koji se nalazi u prvom redu i prvoj koloni, govori kolika je cijena transporta jedinice predmetnog dobra od ishodita I1 do odredita O1, analogno broj c31 =
13, koji se nalazi u treem redu i prvoj koloni, govori nam kolika je cijena transporta
jedinice predmetnog dobra od ishodita I3 do odredita O1. Broj 40 iz kolone Ponu32
Zatvoren model
570
de, govori kolika je ukupna koliina koju ishodite I2 moe isporuiti, a broj 15 iz
reda Potrebe govori kolika je koliina predmetnog dobra koja treba odreditu O3.
Prilikom obavljanja transporta sa konkretnog ishodita i do konkretnog odredita j mi
emo u tabeli popuniti konkretno polje (i-j) i popunjenu vrijednost zvati transport xij.
Radi lakeg oznaavanja mi emo i polje na koje stavljamo transport oznaavati sa xij.
Metode za odreivanje polaznog bazinog rjeenja u transportnom problemu su: metod gornji lijevi ugao, metod jedininih koeficijenata i Vogelov metod. Svaki od ovih
metoda ima zadatak da popuni odreenom koliinom transporta najvie (m + n 1)
polja u tabeli33.
a) Metoda gornji lijevi ugao
O2
O3
O4
O5
Ponude
ai
O6
30
3
13
19
I2
12
11
18
10
I3
13
11
23
17
10
11
I4
Potrebe
bj
50
20
15
30
30
30
40
10
70
150
Sljedee polje koje treba popuniti je polje x21. Vidimo da odredite O1 nije zadovoljilo
svoju potranju i da mu nedostaje 20 jedinica predmetnog dobra. S druge strane, isho33
571
LINEARNO PROGRAMIRANJE
dite I2 nudi 40 jedinica predmetnog dobra. Transport koji se moe obaviti na ovom polju je manja vrijednost, dakle x21 = 20 i u ovom sluaju odredite O1 je zadovoljeno.
Tabela 4.16.b. Ispranjeno ishodite I1 i zadovoljeno odredite O1. U ishoditu I2 je preostalo 20 jedinica predmetnog dobra.
O1
I1
30
I2
20
O2
I3
I4
Potrebe
bj
O3
O4
O5
Ponude
ai
O6
13
19
12
11
18
10
13
11
23
17
10
11
50
20
15
30
30
40
10
70
30
150
Sljedee prazno polje (gornji lijevi ugao) je polje x22. Vidimo da odredite O2 trai 20
jedinica, a u ishoditu I2 je preostalo 20 jedinica predmetnog dobra. Transport koji se
moe obaviti na ovom polju je x22 = 20 i u ovom sluaju i odredite O2 i ishodite I2 je
zadovoljeno (tabela 4.16.c.).
Ukoliko se u odreivanju polaznog bazinog rjeenja u transportu u isto vrijeme zadovolje i ponuda konkretnog ishodita i potranja konkretnog odredita, a nije
kompletiran cjelokupan transport (kao to je sluaj u tabeli 4.16a), onda se pojavljuje
degenerisano polazno bazino rjeenje.
Postupak opisan ranije nastavljamo dok se ne iscrpe sva ishodita i ne zadovolje sva
odredita. Polazno bazino rjeenje dobijeno metodom gornji lijevi ugao je prikazano u tabeli 4.15d, a odgovarajue vrijednosti transporta su:
x11 = 30; x21 = 20; x22 = 20; x33 = 10; x43 = 5; x44 = 30; x45 = 5; x46 = 30
Tabela 4.16.c. Zadovoljena odredita O1 i O2 ,a ispranjena ishodita I1 i I2.
O1
I1
30
I2
20
O3
O4
O5
Ponude
ai
O6
13
19
30
12
11
18
10
40
I3
13
11
23
10
I4
17
10
11
70
Potrebe
bj
572
O2
3
50
20
20
15
30
30
150
30
I2
20
O2
O3
O4
O5
Ponude
ai
O6
13
19
30
12
11
18
10
40
I3
13
11
23
10
I4
17
11
70
Potrebe
bj
20
10
5
50
20
30
10
15
30
30
30
150
Ako pogledamo broj punih polja u tabeli 4.16.d., vidimo da smo napravili ukupno
8 transporta, a broj polja koja bi trebala biti popunjena je m + n -1 = 6 + 4 1.
Odgovarajua vrijednost funkcije cilja je:
f =303 + 2012 + 2011 + 1011 + 510 + 306 + 54 + 3011 = 1240
b) Metoda jedininih koeficijenata
Nedostatak metode gornji lijevi ugao je to nam daje isto polazno rjeenje bez obzira da li je cilj transportnog problema minimum ili maksimum. Bolje polazno
rjeenje se postie metodom jedininih koeficijenata, pri emu pod terminom bolje podrazumijevamo manju ili (veu) vrijednost funkcije cilja. U naem zadatku se
u tabeli nalaze cijene transporta svih kombinacija ishodita do svih kombinacija odredita, pa samim tim nama je cilj ostvariti to manje transportne trokove.
Metod jedininih keficijenata se sastoji u tome da se u cijeloj tabeli pronae polje sa
najmanjom cijenom cij (odnosno, polje sa najveom cijenom cij ako je cilj max f) i na
to polje postavimo najvei mogui transport. Postupak se ponavlja dok se ne popune
sva odredita i ne iscrpe sva ishodita.
Ako pogledamo polaznu tabelu 4.16.a. vidimo da je najmanji element u njoj c11 = 3 i
na ovo polje trebamo napraviti najvei mogui transport. Ponuda ishodita I1 je 30, a
potranja odredita O1 je 50 jedinica predmetnog dobra. Najvei transport koji moemo napraviti je x11 = 30. Ovom odlukom smo iscrpili ishodite I1, pa se red 1 vie
ne uzima u razmatranje (tabela 4.16.a.).
U nastavku potraimo najmanju transportnu cijenu u preostalim kolonama i redovima
tabele. Najmanji element je c45 = 4 i na ovo polje trebamo napraviti najvei mogui
transport. Ponuda ishodita I4 je 70, a potranja odredita O5 je 5 jedinica predmetnog
dobra. Najvei transport koji moemo napraviti je X45 = 5. Ovom odlukom smo iscrpili odredite O5, pa se kolona 5 vie ne uzima u razmatranje (tabela 4.16.e.).
573
LINEARNO PROGRAMIRANJE
O2
O3
O4
O5
Ponude
ai
O6
30
3
13
19
30
I2
12
11
18
10
40
I3
13
11
23
10
I4
17
10
11
70
I1
Potrebe
bj
50
20
15
30
30
150
Po prethodno opisanoj proceduri, naredni element je x36 = 10 (jer je c36 = 5), zatim x44
= 30 (jer je c44 = 6), zatim x41 = 20 (jer je c41 = 7), zatim x23 = 15 (jer je c23 = 8), zatim
x26 = 20 (jer je c26 = 10), zatim x22 = 5 (jer je c22 = 11) i na kraju je x42 = 15.
Polazno bazino rjeenje dobijeno metodom jedininih koeficijenata je dato u tabeli 4.16.f.
Tabela 4.16.f. Polazno bazino rjeenje dobijeno metodom
jedininih koeficijenata
O1
I1
O4
O5
Ponude
ai
O6
13
15
19
30
10
40
20
12
11
18
13
11
23
10
17
10
11
70
10
I3
Potrebe
bj
O3
30
I2
I4
O2
20
15
7
50
20
30
15
5
6
30
30
150
Ako pogledamo broj punih polja u tabeli 4.16.f. vidimo da smo napravili ukupno 9
transporta, a broj polja koja bi trebala biti popunjena je 9 (m + n-1), dakle ovo polazno rjeenje nije degenerisano.
Odgovarajua vrijednost funkcije cilja je:
f = 303 + 207 + 511 + 1517 + 158 + 306 + 54 + 2010 + 105 = 1110.
Vidimo da je poetno rjeenje koje se dobije metodom jedininih koeficijenata bolje od
rjeenja koje se dobije metodom gornji lijevi ugao (ima manju vrijednost funkcije cilja).
574
c) Vogelova metoda
Procedura za odreivanje bazinog rjeenja pomou Vogelove metode poinje odreivanjem razlika izmeu dva najmanja (u problemu minimuma), ili dva najvea (u
problemu maksimuma) koeficijenta cij u svakom redu i koloni transportne tabele. Zatim odaberemo kolonu ili red sa najveom razlikom i u njemu polje sa najmanjim
(problem minimuma) ili najveim (problem maksimuma) koeficijentom cij. Neka je to
polje (r, s). U odabrano polje upisujemo broj jednak min{a r , bs }.
Ako je a r < bs , tada je varijabla xrs = ar, a ako je a r > bs ,onda je xrs = bs.
Ako uzmemo da vrijedi prvi odnos, tada je poslije upisivanja vrijednosti varijable xrs
= ar u polje (r, s) ishodite Ir iscrpljeno. Skraujemo tablicu za r red.
Na reduciranoj tablici ponavljamo postupak. To inimo sve dok ne dobijemo poetno
bazino mogue rjeenje.
Kako je kod nas cilj minimum, to smo u dodatnoj koloni i dodatnom redu izraunali
razlike dva najmanja koeficijenta po redovima i kolonama respektivno. Od izraunatih razlika, najvea iznosi 5 i odgovara estoj kolini. U odabranoj koloni odredimo
najmanji koeficijent i u njega upiemo najvei mogui transport. Odabrano je polje
(3, 6) i najvei mogui transport iznosi 10 (x36 = 10). Nakon ovog transporta vidimo
da je ishodite I3 iscrpljeno pa moemo reducirati tabelu tako da trei red vie ne posmatramo.
Tabela 4.16.g. Vogelovom metodom popunjen dio tabele
Min
O1
I1
I2
O3
O4
O5
O6
I4
Potrebe bj
13
19
12
11
18
10
13
11
23
17
10
11
50
4
20
1
15
2
30
0
5
2
30
Razlike dva
najmanja cij
Ponude ai
10
I3
Razlike dva
najmanja cij
O2
30
40
10
70
150
U reduciranoj tabeli ponovo odreujemo razlike dva najmanja elementa, a kako smo
izbacili red, to se promijenila razlika samo po kolonama. Nove razlike upiemo u dodatni red i ponovo traimo najveu razliku.
575
LINEARNO PROGRAMIRANJE
O1
O4
O5
Ponude
ai
O6
I4
Razlike dva
najmanja cij
13
19
30
12
11
18
10
40
13
11
23
10
17
10
11
70
10
I3
Razlike dva
najmanja cij
O3
30
I2
Potrebe
bj
O2
50
20
4, 4
15
1, 3
30
2, 2
0, 0
30
2, 3
150
5, 1
O4
O5
Ponude
ai
O6
13
19
30
8
11
18
10
40
12
11
23
10
13
17
10
11
70
I4
50
Razlike dva
najmanja cij
10
I3
Razlike dva
najmanja cij
O3
30
I2
Potrebe
bi
O2
O1
20
15
30
4, 4, 5, 1, 3, 6, 2, 2, 4, 0, 0, 1,
30
2, 3,
14,
5, 1, 1
150
576
x22 = 20
x41 = 20
x44 = 30
x23 = 15
O1
3
Razlike dva
najmanja cij
20
O4
O5
Ponude
ai
O6
13
15
30
3*
40
1, 1, 1, 2,
10
10
1*
70
2, 1, 4, 1
11
12
11
18
13
11
23
17
10
20
50
30
20
4, 4, 5, 1,
5*,
6*,
15
15
30
Razlike dva
najmanja cij
19
10
I3
Potrebe
bi
O3
30
I2
I4
O2
30
150
3, 2, 2, 4, 0, 0, 1, 2,
3, 5, 1, 1,
2,
1,
14*
1
Popunjeno je devet polja sa odgovarajuim transportom (polazno rjeenje nije degenerisano), pa polazno bazino rjeenje dobijeno Vogelovom metodom ima vrijednost
funkcije cilja.
f = 303 + 207 + 2011 + 158 + 306 + 54 + 510 + 105 + 1511 = 1035 $
a odgovarajui transporti su:
x11 = 30; x22 = 20; x23 = 15; x41 = 20; x44 = 30; x45 = 5; x26 = 5; x36 = 10; x46 = 15.
Od spomenute tri metode, Vogelova daje poetno mogue rjeenje koje ima najmanju
vrijednost funkcije cilja. Kako se trai minimalna vrijednost funkcije cilja, to znai da
je ona dala najbolje poetno rjeenje.
577
LINEARNO PROGRAMIRANJE
Primjer 4.17.
Stepping Stone je iterativna metoda koja omoguava da dobijemo optimalno rjeenje iteracijama putem niza moguih bazinih rjeenja (mora biti popunjeno (m + n -1) polja).
Bazirana je na testiranju praznih polja i utvrivanju onih polja koja bi nam omoguila popravak vrijednosti funkcije cilja. Ako je cilj max, onda nas interesuje
poveanje, a ako je cilj min, interesuje nas smanjenje vrijednosti funkcije cilja. Od
svih korisnih prijedloga realizira se samo onaj koji ima najbolji efekt, najvee poveanje (smanjenje) vrijednosti funkcije cilja.
Testiranje praznih polja se sastoji u odreivanju efekata dodjeljivanja pozitivne vrijednosti nekom polju za koje je xij = 0. Promjena jednog transporta zahtijeva
preraspodjelu ranijih transporta da bi se ouvala ravnotea potreba odredita i ponude
ishodita. Ove preraspodjele se vre po zatvorenom poligonalnom putu koji povezuje
testirano i puna polja u polaznoj tabeli. Ako se napravi jedinina preraspodjela
transporta, onda se promjena vrijednosti funkcije cilja mjeri sa koeficijentom dij.34
Postupak odreivanja vrijednosti d12 za prazno polje u tabeli 4.16.f. je sljedei:
d12 = c12 c 42 + c 41 c11 = 8 17 + 7 3 = 5
Element d12 oznaava promjenu vrijedosti funkcije cilja ako bismo jednu kj predmetnog dobra transportovali na polje (1, 1). Opisani poligon ustvari pokazuje da transport
veliine na polje (2, 2) zahtijeva oduzimanje te vrijednosti sa polja (4, 2) jer je odredite O2 zadovoljeno (20 jedinica je ve rasporeeno odreditu O2), ali time se
remeti ponuda ishodita I4, pa se ranije oduzeta vrijednost mora dodati polju (4, 1),
a dodavanje ove vrijednosti ovom polju remeti O1, pa se dodata vrijednost mora
oduzeti polju (1, 1). Ovim je ravnotea uspostavljena (ovo prebacivanje vrijednosti je
i opravdanje zato se ovaj metod zove skakanje s kamena na kamen). Ako je = 1,
promjena vrijednosti je izraunata i iznosi d12 = 5 .
34
578
O4
O5
Ponude
ai
O6
13
15
19
30
10
40
20
12
11
18
13
11
23
10
17
10
11
70
10
I3
Potrebe
bj
O3
30-
I2
I4
O2
20+ 15-
7
50
20
30
15
5
6
30
30
150
LINEARNO PROGRAMIRANJE
5+
O4
O5
Ponude
ai
O6
13
15-
19
30
10
40
10
11
70
20-
12
11
18
13
11
23
10
I3
Potrebe
bj
O3
30-
I2
I4
O2
20+ 15-
7
+
17
50
20
30
10
15
5
6
30
30
150
Kod odabranih korisnih polja vidimo da je doprinos polja (2, 1) isti kao i polja (4, 6) i
iznosi 21 d 21 = 46 d 46 = 5 15 = 75 i predstavlja najvei doprinos popravci
funkcije cilja pa se u ova polja treba napraviti transport.
Kod polja (4, 3) taj doprinos bi bio 43 d 43 = 4 15 = 60
Izaberimo proizvoljno jedno od odabranih polja, npr. polje (2, 1), i prebacimo transport veliine 12 = 15, tada e poboljano rjeenje transporta izgledati:
Tabela 4.17.a. Poboljano rjeenje problema dobijeno stepping stone metodom
O1
I1
15
O4
O5
Ponude
ai
O6
13
15
19
30
10
40
20
12
11
18
13
11
23
10
17
10
11
70
10
I3
Potrebe
bj
O3
15
3
I2
I4
O2
35
50
30
20
15
5
6
30
30
150
Sa ovim poboljanjem vrijednost funkcije cilja e biti za 75 nj manja od polazne vrijednosti f = 1100 f = 1100 75 = 1035 .
Da bismo provjerili da li je ovo optimalno, trebalo bi ponovo testirati sva prazna polja
i provjeriti da li ima korisnih.
580
Kako je ovaj postupak dosta dugaak, razvijena je modificirana stepping stone metoda koja nam omoguava da se na laki nain odrede vrijednosti d ij ; (i, j )
b) Modi metod
Kod modi metode se uvode dualne varijable za svako ishodite i za svako odradite
(tj. za svako ogranienje). Varijable koje odgovaraju kolonama oznaiemo sa kj, a
varijable koje odgovaraju redovima oznaiemo sa ri.
Veza koja postoji izmeu dualnih varijabli i koeficijenata u transportnoj tabeli je data sa:
ri + k j + d ij = cij
(i = 1, m) (j = 1, n)
(4.49)
Kod baznih polja (punih polja) znamo da je distanca d ij = 0 , pa imamo da kod baznih polja vrijedi
ri + k j = cij
(i, j B )
(4.50)
k1 = 7
r2 + k 2 = 11
r2 + k 3 = 8
k 2 = 17
k4 = 6
r2 + k 6 = 10
k5 = 4
r3 + k 6 = 5 za proizvoljno npr. r4 = 0 r1 + k1 = r1 + 7 = 3 r1 = 4
r4 + k1 = 7
r4 + k 2 = 17
r2 + k 2 = r2 + 17 = 11 r2 = 6
r2 + k 3 = 8 6 + k 3 = 8 k 3 = 14
r4 + k 4 = 6
r4 + k 5 = 4
r2 + k 6 = 10 6 + k 6 = 10 k 6 = 16
r3 + k 6 = 5 r3 + 16 = 5 r3 = 11
581
LINEARNO PROGRAMIRANJE
k1 = 7
k2 =17 k3 =14 k4 =6
O1
r1 = -4
I1
r2 = -6
I2
r3 = -11
I3
r4 = 0
I4
O2
O3
k5 =4
O4
k6 =16
O5
Ponude
ai
O6
30
8
13
15
19
30
10
40
20
12
11
18
13
11
23
10
17
10
11
70
10
20
15
7
Potrebe
bj
50
20
30
15
5
6
30
30
150
d ij = cij ri + k j
) (i = 1, m) (j = 1, n)
(4.51)
Primjenom 4.37 izraunaemo vrijednost diferencija za sva prazna polja u tabeli 4.15 f.
d12 = 8 ( 4 + 17 ) = 5 d 21 = 12 ( 6 + 7 ) = 11 d 33 = 11 ( 11 + 14) = 8
d13 = 13 ( 4 + 14) = 3 d 24 = 7 ( 6 + 6) = 7
d 34 = 23 ( 11 + 6) = 28
d14 = 6 ( 4 + 6) = 4
d15 = 7 ( 4 + 4 ) = 7
d 25 = 18 ( 6 + 4 ) = 16 d 35 = 6 ( 11 + 4 ) = 13
d 31 = 13 ( 11 + 7 ) = 17 d 43 = 10 (0 + 14) = 4
d16 = 19 ( 4 + 16) = 7 d 32 = 9 ( 11 + 17 ) = 3 d 46 = 11 (0 + 16 ) = 5
Kako je nama cilj minimum funkcije transporta, to su nam korisna polja ona koja
imaju negativan doprinos, odnosno polja (1, 2); (4, 3) i (4, 6).
Vidimo da se vrijednosti diferencija poklapaju sa vrijednostima koje smo dobili stepping stone metodom. Postupak optimizacije rjeenja je u nastavku isti kao i kod
stepping stone metode - modi metoda se koristi samo kao modificirana stepping stone
metoda jer omoguava bri izraun diferencija.
Rezimirajmo:
Korisna polja za transport sa ciljem min f su ona kod kojih je vrijednost diferencije dij
negativna.
Korisna polja za transport sa ciljem max f su ona kod kojih je vrijednost diferencije dij
pozitivna.
582
Kriterij za izlazak veliine xit iz baze (pranjenje polja i-t) je odreivanje sa osobi-
nama da je = min xit , pri emu oznaka - govori da koristimo sva polja sastavljena
Primjer 4.18.
Tri rudnika (R1, R2, R3) snabdijevaju ugljenom 4 grada (G1, G2, G3, G4). Rudnik R1
moe da isporui 45000 t, rudnik R2 15000 t i rudnik R3 40000 t uglja.
Potrebe gradova G1, G2, G3, G4 su: 10 000 t, 30 000 t, 25 000 t i 35 000 t uglja respektivno. Trokovi transporta po toni uglja dati su u tabeli (u KM):
G1
G2
G3
G4
R1
R2
R3
3
6
5
8
a) Nai program snabdijevanja da trokovi prevoza ukupne koliine uglja budu najnii,
b) Izraunati iznos tih trokova.
Poetno rjeenje odrediti metodom jedininih koeficijenata, a optimum stepping stone
metodom.
Rjeenje:
Potrebe gradova zbirno iznose: 10 000 + 30 000 + 25 000 + 35 000 = 100 000 t uglja.
Ponude rudnika zbirno iznose: 45 000 + 15 000 + 40 000 = 100 000 t uglja, pa je u pitanju zatvoreni problem transpotra.
Cilj je minimalan troak, pa se metod jedininih koeficijenata sastoji u pronalasku polja sa najmanjim koeficijentom cij u tabeli i smjetanja najveeg transporta u to polje.
583
LINEARNO PROGRAMIRANJE
G1
G2
R1
R2
R3
G3
25
G4
20
15
10
15
15
10
30
25
35
45
15
40
100
584
G1
G3
G4
G1
25- 20+
R1
15
R2
R3
G2
10
15
3
10
30
15-
5
25
35
G3
G4
10
45
R1
15
R2
40
R3 10
100
G2
5
35
15
8
15
3
10
15
6
30
25
35
45
15
40
100
Ponovo testirajmo prazna polja i vidjeemo da su svi dij pozitivni, odnosno da nemamo vie korisnih polja. Prema tome, ponueno rjeenje u tabeli 4.18.c. je optimalno:
d11 = 5 4 + 5 3 = 3 d 23 = 7 5 + 6 4 = 4
d12 = 7 4 + 5 6 = 2 d 24 = 9 4 + 6 5 + 4 5 = 5
d 21 = 8 4 + 6 3 = 7 d 34 = 8 5 + 4 5 = 2
Najmanji trokovi transporta kojim bi se transpotrovalo 100 000 t uglja iz tri rudnika
u etiri grada iznose 470 KM, a optimalan plan transporta uglja bi bio:
Iz rudnika R1 u grad G3 transportovati 10 000 tona uglja (x13 = 10) i 35 000 tona uglja
u grad G4 (x14 = 35).
Iz rudnika R2 u grad G2 transportovati 15 000 tona uglja (x22 = 15).
Iz rudnika R3 u grad G1 transportovati 10 000 tona uglja (x31 = 10); 15 000 tona uglja
u grad G2 (x32 = 15) i 15 000 tona uglja u grad G3 (x33 = 15).
Primjer 4.19.
Korporacija DL planira postavljanje novih maina u postojeim fabrikama na lokacijama Decatur, East St. Luis i St. Luis. Analizirajui samo trokove transporta po
jedinici treba:
a) Odrediti optimalan plan transporta maina iz pojedinih skladita B, C i D. Trokovi transporta po jedinici, kao i kapaciteti i potrebe su dati u tabeli:
B
C
D
Potrebe
St. Luis
27
30
31
150
Decatur
20
25
22
300
Kapacitet
250
200
350
585
LINEARNO PROGRAMIRANJE
a) Ponuda maina u skladitima je 250 + 200 + 350 = 800, a potranja fabrika za mainama iznosi 150 + 150 + 300 = 600.
Vea je ponuda nego potranja, pa uvodimo fiktivnu kolonu sa potrebama 200. Kod
fiktivne kolone (poto ona ne postoji) uzimamo da su svi trokovi transporta 0 (ci4 = 0).
Tabela 4.19.a. Poetno bazino rjeenje dobijeno Vogelovom metodom
East St.
Luis
100
50
Potrebe
kj
St. Luis
150
29
20
25
300
31
150
3,
28
Kapacitet
200
30
30
fiktivna
-
27
30
150
1,
30
Decatur
22
300
4
22
200
2, *
0
ri
250
20, 7, 2
-1
200
25, *
350
22, 8, 1
800
0, *
Vogelovom metodom smo dobili degenerisano poetno rjeenje. Funkcija cilja ima
vrijednost f = 15050.
Zbog degenerisanog poetnog rjeenja ne moe se primijeniti ni stepping stone ni
modi metoda za unapreenje rjeenja. Zbog toga se nekom praznom polju dodijeli
mali teret 0 i time obezbijediti popunjenost m + n -1 polja. Izbor polja na koji
emo staviti mali teret 0 je proizvoljan, ali treba da nam omogui koritenje metoda za unapreenje rjeenja. (Npr. polje (3, 2) nije dobro za mali teret 0, dok
polje (3, 4) jeste).
Odredimo vrijednosti dualnih varijabli:
586
r1 + k1 = 29
k1 = 30
r1 + k 2 = 27
k 3 = 22
r2 + k 4 = 0
k =0
za proizvoljno npr. r3 = 0 4
r3 + k1 = 30
r1 + k1 = r1 + 30 = 29 r1 = 1
r3 + k 3 = 22
r1 + k 2 = 1 + k 2 = 27 k 2 = 28
r3 + k 4 = 0
r2 + k 4 = 0 r2 + 0 = 0 r2 = 0
d 21 = 30 (30 + 0) = 0
d 22 = 30 (28 + 0) = 2
d 23 = 25 (22 + 0) = 3
d 32 = 31 (28 + 0) = 3
i dobili smo da je korisno polje (1, 3), odnosno d13 = -1, a odgovarajue = 100.
Napravimo transport veliine 100 na odabrano polje (X13 = 100) i odredimo novu
transportnu tabelu:
Tabela 4.19.b. Transportna tabela dobijeno nakon popunjavanja polja (1, 3)
East St.
Luis
B
St. Luis
Decatur
150
27
20
30
30
100
29
150
fiktivna
200
30
25
200
31
22
Potrebe
150
150
300
200
ri
30
29
22
Kapacitet
kt
250
-2
200
350
800
Testiranjem slobodnih polja vidimo da je popravljeno rjeenje optimalno sa vrijednosti funkcije cilja f = 14950.
Optimalan plan transporta je: 150 maina prebaciti iz skladita D u East St. Luis, 150
maina transportovati iz skladita B do St. Luisa i 100 maina transportovati iz skladita A, a 200 iz sladita B do Decatura. U skladitu C e ostati 200 maina.
b) Skladite C nee biti ispranjeno.
587
LINEARNO PROGRAMIRANJE
c) S obzirom da kod optimalnog rijeenja imamo d21 = 0, to znai da postoji vie optimalnih rjeenja i novo optimalno rjeenje emo dobiti ako napravimo transport
na polje (2, 1), a zbog 21 = 150 novo optimalno rjeenje ima oblik predstavljen u
tabeli 4.19.c.
Tabela 4.19.c. Drugo optimalno rjeenje problema 4.3.4.
St. Luis
150
27
29
150
Decatur
100
20
30
25
200
30
50
30
-
fiktivna
150
22
31
Potrebe
150
150
300
200
kj
30
29
22
Kapacitet
ri
250
-2
200
350
800
Primjer 4.20.
Korporacija DL planira postavljanje novih maina u postojeim fabrikama na lokacijama Decatur, Minneapolis i Carbondale. Stoga je nabavila tri tipa maina.
Analizirajui potrebe i karakteristike fabrika, te efikasnost pojedinih maina na konkretnim pozicijama u fabrikama, sainjena je tabela oekivanih sedminih dobiti kroz
lociranja konkretne vrste maina na konkretno mjesto.
a) Odrediti optimalan plan rasporeivanja maina tipa B, C ili D na konkretne lokacije ako su procijenjene sedmine dobiti, potrebe fabrika i broj maina dati u tabeli:
B
C
D
Potrebe
Decatur
20
25
22
300
Minneapolis
17
27
25
200
Carbondale
21
20
22
150
Broj maina
250
200
350
b) Odrediti po tom optimalnom planu koliko i kojeg tipa maina e ostati nerasporeeno.
c) Odrediti vrijednost dualne varijable k2 i napisati koju informaciju nam ona nudi.
Napomena: Problem rijeiti koristei Vogelov metod za polazno rjeenje i modi metod za optimizaciju.
588
Rjeenje:
Kako je vei broj maina nego potrebe za njima (otvoreni problem transporta), potrebno je uvesti fiktivnu lokaciju (kolonu) sa potrebama 150.
Transportni problem se postavlja sa ciljem maksimizacije dobiti pa je upotreba Vogelove metode malo drugaija nego u ranije opisanim primjerima. Sad se u svakoj
koloni i u svakoj vrsti trae dva najvea koeficijenta cij i rauna njihova razlika. Od
svih razlika biramo najveu i u odgovarajuoj koloni ili redu upisujemo transport u
polje sa najveim cij. Postupak ponavljamo dok ne iscrpimo ishodita i ne zadovoljimo odredita.
Tabela 4.20.a. Polazno i optimalno rjeenje problema 4.19
Minneapolis
Decatur
B
C
D
Potrebe
kj
20
200
17
200
20
50
25
200
2, 8*
25
Kapacitet
27
22
300
3, 2*,
22
21
25
100
CarbonFiktivno
dale
100
150
22
150
1, 1,
22
150
0
1
ri
250
1, 1
-1
200
2*
350
3,
2*
0,
800
589
LINEARNO PROGRAMIRANJE
Primjer 4.21.
Problem je potrebno napisati u excel stranici. Voditi rauna da trebamo podatke o trokovima upisati u konkretna polja (B4:E4), a podatke o transportu (elije koje excel
mijenja sa ciljem odreivanja minimuma ili maksimuma) u neka druga konkretna polja (B10:E12).
590
Da bi izrazili funkciju cilja (target cell B18), moramo pratiti ukupne transportne trokove. Nakon to se u elije od B10 do E12 unesu probne vrijednosti za isporuku iz
svake take ponude do svake regije, ukupne transportne trokove moemo izaunati
na sljedei nain:
(koliina poslata iz LA u regiju East) (troak po komadu poslatom iz LA u regiju East) + koliina poslata iz LA u regiju Midwest) (troak po komadu poslatom iz LA u
regiju Midwest) + (koliina poslata iz LA u regiju South) (troak po komadu poslatom iz LA u regiju South) + (koliina poslata iz LA u regiju West) (troak po
komadu poslatom iz LA u regiju West) + ...+ (koliina poslata iz NY u regiju West)
(troak po komadu poslatom iz NY u regiju West).
Upravo ovo radi funkcija SUMPRODUCT. Funkcija SUMPRODUCT (zbir umnoaka) moe umnoiti odgovarajue elemente u dva razliita pravougaonika (sve dok su
ti pravougaonici iste veliine) i zbrojiti te proizvode u jedan iznos. elije od B4 do E6
su na slici prikazani kao trokovi, a elije od B10 do E12 se zovu transport.
Iz ovoga slijedi da ukupne trokove (proizodnja i tansport) moemo izraunati u eliji
B18 koristee funkciju SUMPRODUCT (B4:E6,B10:E12).
Da bi izrazili nae ogranienje, prvo emo izraunati transportne iznose iz svake take ponude. Koristei funkciju SUM(B10:E10) u eliji F12 zbir elija od B10 do
E10, izraunat emo ukupne transportovane koliine iz Los Angelesa (LA do East +
LA do Midwest + LA do South + LA do West). Kopirajui ovu formulu u elije F11 i
F12 izraunat emo i transportovane koliine iz Atlantae i New Yorka. Kasnije emo
dodati ogranienja (koja se zovu ogranienja ponude) koja osiguravaju iznos transportovan iz svake lokacije, a koji nije prekoraio kapacitet fabrike.
Slijedi izraunavanje ukupnog iznos koji primi svaka taka potranje. Prvo se u eliju
B13 unese formula SUM(B10:B12). Ova formula izraunava ukupan broj komada lijekova primljen u regiju East (broj komada transportovan iz LA u East + broj komada
transportovan iz Atlantae u East + broj komada transportovan iz NY u East). Ova
formula se, potom, kopira iz elije B13 u elije od C13 do E13 kako bi se izraunala
koliina lijekova koja je primljena i u ostale regije (Midwest, South, West). Kasnije
se dodaju ogranienja (koja se zovu ogranienja potranje) jer osiguravaju da svaka
regija primi minimalan iznos lijekova koji potrauje.
Sad otvaramo opciju Solver Parameters tako to u meniju Tools kliknemo na Solver, a potom popunimo dialog box na sljedei nain:
591
LINEARNO PROGRAMIRANJE
Transportovati 9000 komada lijekova iz New Yorka u regiju East i 3000 komada
iz New Yorka u regiju Midwest.
4.6.2. Asignacija
Kod problema rasporeivanja, izmeu broja objekata m i broja mjesta n moe biti prisutan
jedan od tri sljedea odnosa:
1) m = n svi objekti mogu biti rasporeeni i sva mjesta mogu biti popunjena;
2) m > n - svi objekti ne mogu biti rasporeeni, ali sva mjesta mogu biti popunjena;
3) m < n svi objekti mogu biti rasporeeni, ali sva mjesta ne mogu biti popunjena.
Kako je asignacija specijalan oblik transportnog problema, to znamo da problem rasporeivanja ima rjeenja ako je u pitanju zatvoren problem.
cit xit
i =1 t =1
Min
m
xit = 1 i = 1, m
t =1
(4.52)
xit = 1 t = 1, m
i =1
xit {0,1} , i = 1, m, t = 1, m
593
LINEARNO PROGRAMIRANJE
Ukoliko broj objekata nije jednak broju mjesta na koja vrimo rasporeivanje, odnosno ako je
mn
imaemo otvoreni problem asignacije. U optimalnom rjeenju nee biti popunjena sva
mjesta ili nee biti rasporeeni svi objekti.
Kod otvorenog problema rasporeivanja razlikujemo situaciju kad:
m > n imamo vie objekata nego mjesta,
m < n imamo vie mjesta nego objekata.
Opti oblik modela otvorenih problema asignacije i nain njihovog zatvaranja su opisani u
nastavku.
f = cit xit
i =1 t =1
Min
n
xit 1 i = 1, m
t =1
(4.53)
xit = 1 t = 1, n
i =1
xit {0,1} , i = 1, m, t = 1, n
Zbog odnosa n < m, svako od n mjesta bit e popunjeno, ali svi objekti nee biti rasporeeni. Otvoreni model rasporeivanja m > n se moe uvijek zatvoriti uvoenjem (m n)
fiktivnih mjesta (kolona). Svaki od vika objekata koji bude rasporeen na fiktivno mjesto
u stvarnosti e ostati nerasporeen.
Za razliku od transportnog modela, gdje smo dodavali samo jednu fiktivnu kolonu (odredite) sa ukupnom tranjom koja je jednaka razlici ukupne ponude i potranje, kod asignacije
je potranja svakog mjesta 1, pa moramo dodati m n fiktivnih mjesta.
Zatvaranje modela (4.53) bi izgledalo:
m n
m m
Max
t =1
t = n +1
xit + xit = 1 i = 1, m
m
xit = 1
t = 1, n
i =1
m
xit = 1t = n + 1, m
i =1
xit {0,1} , i = 1, m, t = 1, m
594
(4.54)
f = cit xit
i =1 t =1
Min
n
xit = 1 i = 1, m
(4.55)
t =1
m
xit 1 t = 1, n
i =1
xit {0,1} , i = 1, m, t = 1, n
Zbog odnosa n > m, svako od m objekata e biti rasporeeno, ali sva mjesta nee biti popunjena. Otvoreni model rasporeivanja m < n se moe uvijek zatvoriti uvoenjem (n m)
fiktivnih objekata (redova). Svaki od fiktivnih objekata koji bude rasporeen na odreeno
mjesto u stvarnosti znai da e mjesto ostati nepopunjeno.
Dakle, zatvaranje modela (4.55) bi izgledalo:
m n
n
n
Max
xit = 1
i = 1, m
t =1
n
xit = 1i = m + 1, n
(4.56)
t =1
m
i =1
i = m +1
xit + xit = 1
t = 1, n
xit {0,1} , i = 1, n, t = 1, n
Napomenimo da svaki zatvoreni model rasporeivanja ima najmanje jedno mogue rjeenje, odnosno uvijek je rjeiv.
4.6.2.2. Maarska metoda
1. Reduciranje matrice
u svakom redu odredimo najmanji element pa ga odbijemo od ostalih elemenata tog
reda,
zatim, u svakoj koloni odreujemo najmanji element i odbijemo ga od ostalih elemenata te kolone.
Rezultat je matrica koja u svakom redu i u svakoj koloni ima bar jednu nulu.
595
LINEARNO PROGRAMIRANJE
2. Kategorizacija nula
a) polazimo od prvog reda i nalazimo redove u kojima je samo jedna neoznaena 0. Ta
nula se oznai sa 0, a ostale nule u toj koloni se precrtaju,
b) isti postupak zatim primjenjujemo na kolone.
Postupak a) i b) ponavljamo dok sve 0 ne oznaimo na jedan od navedenih naina. Ukoliko
imamo u svakom redu i u svakoj koloni oznaenu 0 asignacija je zavrena, ako to nije sluaj prelazimo na 3. korak
3. Nova matrica:
a) oznaimo strelicom redove bez asignacije ,
b) oznaimo strelicom kolone koje u oznaenim redovima imaju precrtanu nulu,
c) oznaimo redove koji u oznaenim kolonama imaju zaokruenu nulu,
d) nastavljamo korake b) i c) dok se lanac ne zavri,
e) povuku se linije kroz oznaene kolone i neoznaene redove. Kroz svaku zaokruenu
nulu mora prolaziti jedna i samo jedna linija, to znai linija imamo koliko i zaokruenih nula,
f) piemo novu reduciranu matricu tako to najmanji nepokriveni element
oduzmemeo od svih ostalih nepokrivenih,
dodamo elementima dva puta precrtanim.
Ponavlja se 2. korak, pa ako nema rjeenja ponavljamo i 3. korak, i tako dok ne izvrimo
asignaciju.
Primjer 4.22.
Dobro
I
II
III
IV
V
1
7
1
2
1
1
2
5
4
3
7
9
Stroj
3
3
5
1
3
4
4
1
6
2
6
10
5
6
6
4
6
8
596
Rjeenje:
5
4
3
7
9
3
5
1
3
4
1
6
2
6
10
6
6
4
6
8
-1
-1
-1
-1
-1
4
3
2
6
8
-2
2
4
0
2
3
-0
0
5
1
5
9
-0
5
5
3
5
7
-3
Rezultat je matrica koja u svakom redu i u svakoj koloni ima bar jednu nulu.
6
0
1
0
0
2
1
0
4
6
2
4
0
2
3
0
5
1
5
9
2
2
0
2
4
0
0
4
6
2
3
5
9
2
4
0
0
4
6
2
3
5
9
2
4
597
LINEARNO PROGRAMIRANJE
2
0
0
3
5
2
3
0
1
2
0
4
1
4
8
2
1
0
1
3
2
0
0
2
4
2
3
0
0
1
0
4
1
3
7
2
1
0
0
2
598
3
0
0
2
0
0
1
3
0
0
Prilikom kategorizacije preostale dvije nule u matrici vidimo da su ravnopravni njihovi poloaji i po kolonama i po redovima, to znai da imamo dva optimalna
rjeenja. Proizvoljnim biranjem jedne opcije dobiemo jedno rjeenje, a izborom druge opcije dobiemo drugo rjeenje.
I rjeenje:
8
599
LINEARNO PROGRAMIRANJE
nje zadatka, a 1 oni koji uopte ne odgovaraju). Samo jedan specijalist je odreen za
svaki let, te ne uestvuje u drugoj misiji dok svi ostali ne odlete barem jednom.
a) Ko bi trebao biti odreen za svaki let?
b) NASA je obavijetena da je Andersonovo vjenanje zakazano za februar i da
namjerava tada provesti medeni mjesec u Evropi. Kako e to promijeniti konaan
raspored?
Podaci o ocjenama svakog astronauta za svaku planiranu misiju su dati u tabeli 4.23.
Zadatak rijeiti upotrebom solvera.
Tabela 4.23. Ocjene svakog astronauta za svaku planiranu misiju
Astronaut
Vincze
Veit
Anderson 442
Herbert
Schatz
Plane
Cerato
Moses
Brandon
Drtina
Jan.
12
9
8
2
4
10
1
9
3
5
10
2
3
10
10
9
5
8
7
5
9
1
4
10
9
9
7
8
6
9
7
10
7
1
9
8
9
9
4
10
6
9
9
4
9
9
7
1
3
10
7
8
7
7
1
1
10
1
9
5
5
2
4
6
3
1
9
2
7
9
8
6
4
7
4
1
2
9
9
8
8
Rjeenje:
Zadatak se moe posmatrati kao problem transporta gdje su ponude svih ishodita jednake 1 i potrebe svih odredita jednaka 1 i prema postupku koritenja solvera za
transportne probleme koji je prethodno obraen zadatak se moe rijeiti.
600
Tabela 4.23.a.
Prvo emo prenijeti tabelu i zaglavlja na Excelovu stranicu. Zatim definisati prostor
za asignaciju (kod nas je to u elijama odmah ispod, odnosno sa zaglavljima zauzeli
smo prostor A16:K27). Asignaciju radimo na poljima B20:K29 i ovaj prostor moramo popuniti proizvoljnim vrijednostima ili ostaviti prazan.
U koloni i redu UKUPNO raunamo zbir popunjenih polja (U eliji B28 kucamo
SUM(B18:B27) i razvuemo formulu, odnosno u eliji L18 kucamo SUM(B18:K18)
i razvuemo formulu).
U kolonama i redovima sa nazivom kapacitet (potrebe) unosimo vrijednosti 1 jer je u
pitanju asignacija.
U eliji B32 sa nazivom vrijednost rasporeda unosimo vrijednost proizvoljnog (poetnog) rjeenja koje se dobije kao zbir ocjena svakog astronauta rasporeenog za neki
let. Ovu vrijednost raunamo koristei formulu SUMPRODUCT i vodei rauna da
dvije tabele koje povezujemo budu istih dimenzija (istog tipa)
(SUMPRODUCT(B3:K12;B18:K27)).
Pokretanjem opcije Solver u Tools meniju, otvorie nam se prozor za solver parametre:
601
LINEARNO PROGRAMIRANJE
Tabela 4.23.b.
U polju Subject to the Constraints unosimo da je kolona UKUPNO manja ili jednaka
koloni KAPACITET i red UKUPNO je vei ili jednak od reda POTREBE (ako je problem asignacije zatvoren, moemo koristiti znak = i kod kapaciteta i kod potranje).
U prostor Set Target Cell unosimo eliju u kojoj elimo da nam se prikae vrijednost
funkcije cilja, odnosno vrijednost asignacije. Kod nas je to polje B32.
U prostor By Changing Cells unosimo adresu tabele u kojoj elimo de se uradi asignacija. Kod nas je to B18:K27.
Potom se u Solver Parameters meniju klikne na Options i oznae opcije Assume
Linear Model i Assume Non-Negative. Nakon toga se klikom na Solve (rijei) u
Solver Parameters dobije optimalno rjeenje problema. (tabela 4.23.)
Vidimo da je vrijednost asignacije 96 i vidimo raspored pojedinih astronauta na konkretne letove.
AstroVincze
nauti
Mar
Letovi
26
602
Veit
Apr
12
Feb
26
Feb
5
Jan
12
Plane
Cerato
Moses
Brandon
Drtina
Jun
9
Sept
19
Maj
1
Aug
20
Jan
27
Tabela 4.23.c
603
LINEARNO PROGRAMIRANJE
Astro- Vincze
nauti
Letovi
604
Mar
26
Veit
Apr
12
Maj
1
Feb
5
Feb
26
Plane
Cerato
Moses
Brandon
Drtina
Jun
9
Jan
27
Sept
19
Aug
20
Jan
12
(b )
(c )
x1
20
x 2 40
60
60
2 x1 + 2 x 2 100
x 2 40
x1
D
(c)
C
(a)
A
0
0
20
x 2 40
x1 , x 2 0
10
20
30
40
50
x1
60
x2
F
50
40
x1 , x 2 0
(a )
(b )
(c )
(b)
20
20
40
10
x1
50
30
x1 , x 2 0
(a )
(b )
(c )
x2
(b)
E
D
(c)
C
30
20
(a)
10
A
0
0
60
20
30
40
50
x1
60
x2
F
50
40
10
(b)
E
D
(c)
C
30
20
(a)
10
A
0
0
10
20
30
40
50
x1
60
605
LINEARNO PROGRAMIRANJE
(a )
(b )
(c )
x2
F
50
2 x1 + 2 x 2 100
x1
20
x 2 40
40
x1 , x 2 0
(a )
(b )
60
x1 2 x 2 10
(b)
E
D
(c)
C
30
20
(a)
10
A
0
0
50
40
2 x1 + 2 x 2 80 ,
30
x1 , x 2 0
20
10
20
30
40
50
x1
60
x2
D
A (30, 10)
10
C
40
x1
50
Ako je u prethodnom modelu cilj max f = x1 + x2, odrediti optimalnu vrijednost funkcije cilja.
a)
b)
c)
d)
606
optimalna je taka A,
optimalna je taka B,
optimalna je taka C,
optimalna je du AC.
PITANJA ZA PONAVLJANJE
7)
U ''polaznom dualnom modelu LP-a'' broj ogranienja je n = 4 , a broj polaznih dualnih varijabli {Yn+i } je m = 3. Koliko odgovarajui ''polazni primalni model LP-a'' ima
ogranienja:
a) 3,
b) 4,
c) 7,
d) nije mogue utvrditi bez konkretnog zadatka.
8)
U ''polaznom dualnom modelu LP-a'' broj ogranienja je n = 4 , a broj polaznih dualnih varijabli {Yn+i } je m = 3. Koliko odgovarajui ''polazni primalni model LP-a'' ima
polaznih primalnih varijabli:
a) 3,
b) 4,
c) 7,
d) nije mogue utvrditi bez konkretnog zadatka.
9)
Ako primal ima cilj Min.f, kojeg su oblika polazna dualna ogranienja ?
a) Sva su ogranienja tipa ,
b) Sva su ogranienja tipa ,
c) Sva su ogranienja tipa =,
d) Ogranienje u dualu zavisi od ogranienja u primalu.
10) U standardnom primalnom modelu LP-a broj ogranienja je m = 7 , a broj svih (polaznih i izravnavajuih) varijabli { X s } = X p + { X n+i } je N=11. Koliko u tom modelu
{ }
{ }
607
LINEARNO PROGRAMIRANJE
c) f > g
d ) g > f
e) g = f
16) Ako primalni model ima m ogranienja i n varijabli, tada dualni model mora imati:
a) m polaznih varijabli,
b) n polaznih varijabli,
608
PITANJA ZA PONAVLJANJE
x1 + x23 80
LINEARNO PROGRAMIRANJE
PITANJA ZA PONAVLJANJE
Koji kriterij mora da zadovolji nebazini vektor Aj kod simplex tabele linearnog problema maksimizacije da bi eventualno uao u bazu? Odgovor obrazloiti.
39) Napisati kondezovani opti oblik dualnog modela linearnog programiranja koji odgovara polaznom primalnom modelu:
n
Max( f ) = c p x p
p =1
a
p =1
kp
x p d k , k=1K
lp
x p d l , l=K+1,K+L
a
p =1
x p 0 , p=1, ..n
40) U polaznom dualnom modelu LP-a broj ogranienja je n = 4 , a broj 'polaznih dualnih
varijabli {Yn+i } je m=3. Ako primal ima cilj Min.f, kojeg su oblika polazna dualna
ogranienja ?
41) U standardnom primalnom modelu LP-a broj ogranienja je m = 8 , a broj svih (polaznih i izravnavajuih) varijabli { X s } = X p + { X n+i } je N=12.
{ }
a)
b)
611
LINEARNO PROGRAMIRANJE
43) Kako se u grafikoj metodi LP manifestuju situacija da problem LP-a ima beskonano
mnogo optimalnih rjeenja i kako ih nalazimo?
44) Objasniti ekonomsko znaenje optimalnih dualnih promjenjivih.
45) Objasniti znaenje konkretne optimalne vrijednosti izravnavajue dualne promjenljive
KM
.
y 2 = 5
kom
46) Napisati u kondenzovanom obliku simetrian model LP iji je cilj maksimum.
47) Kako se u grafikoj metodi LP manifestuje situacija da problem LP- a nema optimalno rjeenje?
48) Objasniti znaenje konkretne optimalne vrijednosti polazne dualne promjenjljive
KM
.
y n + 2 = 5
ms
49) Ako postoje optimalna rjeenja, kakav je odnos izmeu vrijednost funkcije cilja primala i vrijednosti funkcije cilja duala?
50) Ako primalni model ima m ogranienja i n varijabli, tada dualni model mora imati m
ili n varijabli.
51) Koji od sljedeih odgovora nije karakteristika problema linearnog programiranja:
a) ogranienja,
b) softverski paket,
c) optimizacija funkcije cilja,
d) linearne jednaine i nejednaine?
52) Optimalno rjeenje problema linearnog programiranja:
a) se dostie u ekstremnoj taki skupa moguih rjeenja,
b) moe biti bilo koja taka iz skupa moguih rjeenja,
c) je jedinstveno,
d) mora uvijek biti cjelobrojno.
53) Napiite izraz za opti polazni model linearnog programiranja kod grafike metode.
612
PITANJA ZA PONAVLJANJE
55) Napiite izraz za kondenzovani oblik funkcije cilja "f" u primalnom modelu LP.
56) Napiite izraz za kondenzovani oblik primalnog ogranienja "prvog tipa" u primalnom
modelu LP.
57) Napiite izraz za kondenzovani oblik primalnog ogranienja "drugog tipa" u primalnom modelu LP-a.
58) Napiite izraz za kondenzovani oblik primalnog ogranienja "treeg tipa" u primalnom modelu LP.
59) ta predstavlja sljedei izraz: X i Yi = 0 i = 1, N ?
60) Kako matematski glasi teorema ''Princip oslabljene komplementarnosti'' u LP-u? Objasniti kako se taj princip primjenjuje na odreivanje optimuma duala ako je poznato
optimalno rjeenje primala?
61) Na osnovu ega se utvruje postojanje viestrukog optimalnog rjeenja u zadatku linearnog programiranja grafikim i simplex algoritmom?
62) Napisati u kondenzovanom obliku polazni primalni model linearnog programiranja.
63) Napisati u kondenzovanom obliku polazni dualni model linearnog programiranja.
64) Koji uslovi trebaju biti zadovoljeni da bi simplex tabela, koja odgovara linearnom
programu maksimizacije, bila optimalna?
65) Po definiciji, kako se u tekuoj bazi B izraava vektor A ?
613
LINEARNO PROGRAMIRANJE
66)
Koji kriterij mora da zadovolji nebazini vektor Aj kod simplex tabele linearnog problema maksimizacije da bi eventualno uao u bazu? Odgovor obrazloiti.
67) Kod nekog problema linearnog programiranja poznata je optimalna simplex tabela:
CS
10
10
-M
CB
A0
A1
A2
A3
A4
A5
A5*
A3
50
-1
10
A2
200
-1
10
A1
100
-1
3000
-5
-M
CS - fS
614
25
A2
5
5
12
A3
2
6
0
A4
1
0
0
A5
0
1
20
25
12
A0
0
0
X4
X3
Cj-fj
a)
b)
c)
d)
6000
9000
20
A1
6
4
C0
PITANJA ZA PONAVLJANJE
e)
f)
Ako bismo vektor A2 ukljuili u bazu, koliku vrijednost on treba uzeti i koliko bi
se tada popravila vrijednost funkcije cilja?
Da li je bolje ukljuiti u bazu vektor A2 ili A1? Obrazloiti odgovor.
69) Napisati kondezovani opti oblik dualnog modela linearnog programiranja koji odgovara polaznom primalnom modelu:
n
Max( f ) = c p x p
p =1
a
p =1
kp
x p d k , k=1K
lp
x p d l , l=K+1,K+L
a
p =1
x p 0 , p=1, ..n
70) Koje metode se koriste za dobivanje polaznog plana transportnog modela?
71) Koje metode se koriste za unapreenje tekueg plana transportnog modela?
72) U modelu transporta a>b, broj izravnavajuih primalnih varijabli je jednak:
a) broju ishodita
b) broju odredita
c) nema izravnavajuih varijabli jer je model zatvoren.
73) U optimalnom rjeenju problema asignacije dobijena je sljedea vrijednost x 35 = 0 .
Objasniti znaenje dobijenog izraza.
74) Navesti korake u primjeni metode asignacije.
75) Koliko pozitivnih vrijednosti xij mora biti u rjeenju transportnog modela sa m ishodita i n odredita da bi rjeenje bilo degenerisano?
615
BROJ RADNIH
SATI PO PARU
SKIJA T2
5
5
40$
4
2
30$
ODJEL ZA PROIZVODNJU
ODJEL ZA FINALIZACIJU
PROFIT PO SKIJI
KAPACITET U
SATIMA (mjeseni)
750
450
Ispitivanjem trita preduzee je odluilo da proizvodnja skija za slalom bude najmanje dva
puta vea od proizvodnje skija za tranje. Treba:
a) Pronai optimalan program proizvodnje u cilju maksimizacije mjesenog profita predu-
Zadatak 4.2.
Jedan lanac restorana eli proiriti svoju djelatnost otvarajui nove restorane u odreenim
gradovima.
Za jedan novi restoran tipa FAST FOOD potrebno je 20 000 KM i 2 nova radnika, a oekivani godinji prihod je 200 000 KM.
Za jedan novi restoran tipa CLASIC potrebno je 30 000 KM i 4 nova radnika, a oekivani
godinji prihod je 500 000 KM.
Preduzee ima na raspolaganju 600 000 KM i zakonski ugovor zahtijeva da uposli najmanje
44 nova radnika.
Istraivanje trita je pokazalo da restorana tipa FAST FOOD treba biti najmanje za 10 vie
od restorana tipa CLASIC.
a) Pronai optimalan program program irenja djelatnosti u cilju maksimizacije profita i
analizirati rjeenje.
b) Ako bi se naknadnim istraivanjem trita u gradovima ustanovilo da ne treba vie od 6
restorana tipa CLASIC, kako bi to uticalo na optimalan plan proizvodnje?
616
ZADACI ZA VJEBU
Zadatak 4.3.
Electrocom korporacija proizvodi dva tipa proizvoda: klima ureaje i velike ventilatore.
Proces proizvodnje za svaki proizvod je slian: zahtijeva se odreena koliina oiavanja i
odreena koliina buenja.
Svaki klima ureaj trai 3 sata oiavanja i 2 sata buenja, a za svaki ventilator treba 2 sata
oiavanja i 1 sat buenja.
U narednom proizvodnom periodu raspolaemo sa 240 sati oiavanja i do 140 sati buenja.
Svaki klima ureaj donosi profit od 25 USD, a svaki ventilator donosi profit od 15 USD.
Menadment kompanije je potpisao ugovor kojim se garantuje isporuka 20 klima ureaja.
Ispitivanjem trita su ustanovili da ponudu ventilatora treba ograniiti na maksimalno 80
komada u narednom proizvodnom periodu.
a) Odrediti optimalnu kombinaciju proizvodnje klima ureaja i ventilatora u narednom
periodu koja e osigurati najvei profit Electocomu;
b) Izvriti analizu optimalnog programa proizvodnje;
c) Formirati dualni model i odrediti optimalne vrijednosti dualnih promjenljivih.
Zadatak 4.4.
Preduzee proizvodi dva proizvoda (A i B). Oba proizvoda se proizvode na strojevima kapaciteta 250 sati mjeseno. Za jedan sat rada strojeva izradi se 3 jedinice A proizvoda, ili
1,5 jedinica B proizvoda.
Prodaja proizvoda B je ograniena na 300 jedinica mjeseno.
Iz jedinice osnovne sirovine moe se proizvesti 6 jedinica A proizvoda ili 10 jedinica B
proizvoda.
Mjeseno se moe obezbijediti najvie 90 jedinica te sirovine.
Dobit po jedinici A proizvoda je 20 KM a po jedinici B proizvoda je 50 KM.
Treba:
a) Odrediti program proizvodnje koji osigurava najveu dobit;
b) Izvriti analizu optimalnog programa;
c) Odrediti da li e biti promijenjen optimalni program proizvodnje ako je naknadno ustanovljeno da se mora proizvesti najmanje 100 jedinica proizvoda A mjeseno.
Uputstvo: (Potrebno je prethodno izraziti koliko sati ili sirovine treba za jedinicu proizvoda
A ili B. Npr: Za jedan sat rada strojeva izradi se 3 jedinice A proizvoda, ili 1,5 jedinica B
proizvoda za jedinicu dobra A potrebno je 1/3 sata rada strojeva ...)
617
LINEARNO PROGRAMIRANJE
Zadatak 4.5.
Kandidat za gradonaelnika u gradu XYZ je izdvojio 40 000 USD za oglaavanje u posljednjem danu pred izbore. Planirano je da se koriste dva tipa oglaavanja: radio i televizija.
Oglas na radiju kota 200 USD i procjenjuje se da e svako oglaavanje na radiju uti novih
3000 osoba.
Oglas na TV kota 500 USD i procjenjuje se da svaki TV oglas informie novih 7 000 osoba.
U planiranju reklamne kampanje menader bi elio da oglase uje to vie ljudi, ali ugovorom su ogranieni da:
- moraju imati najmanje 10 oglasa svakog tipa i
- da radio oglasa mora biti najmanje toliko koliko i TV oglasa.
a) Odrediti koliko oglaavanja svakog tipa treba koristiti da bi se informisalo to vie ljudi
i koliko maksimalno ljudi e uti oglase.
b) Izvriti analizu optimalnog programa;
c) Ako bi ugovorom bilo odreeno da moramo imati najmanje 20 TV oglasa, a ostali uslovi ugovora ostaju nepromijenjeni, da li bi tada vie ljudi bilo informisano?
Zadatak 4.6.
Brokerska firma BLW je izvrila analizu i preporuila dvije dionice jednom investitorskom
klubu profesora. Profesori su bili zainteresovani za faktore kao to su: kratkoroni rast vrijednosti, srednjoroni rast vrijednosti i stope dividendi.
Traeni podaci za svaku dionicu su:
Faktor
3,6%
2,4%
20%
25%
4%
8%
ZADACI ZA VJEBU
Zadatak 4.7.
Uspjena firma koja gradi dva tipa skladita (Maxi i Mini) je odluila da razvije posao na
teritoriji X. Zakonski ugovor im dozvoljava koritenje maksimalno 8000 m2 prostora i to
100 m2 po Maxi, a 50 m2 po Mini tipu skladita.
Istraivanje trita je pokazalo da na ovoj teritoriji ne treba vie od 60 skladita tipa Maxi.
Raspoloivi mjeseni budet firme za oglaavanje je 400 $, i to 2 $ po Maxi i 4 $ po Mini.
Ako je mjeseni profit firme 50 $ po Maxi tipu i 20 $ po Mini tipu skladita, napraviti optimalan program izgradnje ovih tipova skladita da bi firma ostvarila maximalan profit.
Analizirati rjeenje i odrediti kakav bi efekat na optimalno rjeenje imao mjeseni porast
profita po Mini tipu skladita za 50% .
Zadatak 4.8.
Dekan Western Business Collegea mora isplanirati ponude kurseva za jesenji semestar.
Ugovor fakulteta diktira najmanje 55 obaveznih i izbornih kurseva ukupno.
Studenti zahtijevaju bar 20 izbornih kurseva.
Na svaki obavezan kurs fakultet zapoljava 2 nastavnika, a na svaki izborni 3 nastavnika,
dok fakultet raspolae sa najvie 150 nastavnika za jesenji semestar.
Analizom trokova je utvreno da svaki obavezan kurs kota 3000$, a svaki izborni 2500$.
a) Napraviti optimalan plan broja obaveznih i izbornih kurseva da bi se minimizirali trokovi fakulteta.
b) Da li bi se trokovi fakulteta poveali ako bi studenti traili barem 30 izbornih kurseva?
Zadatak 4.9.
Neka su na raspolaganju samo dva artikla dnevne prehrane A1 - hljeb i A2 - meso koji sadre hranjive sastojke H1 - bjelanevine, H2 - masti, H3 - ugljikohidrate. Svi potrebni podaci i
minimalne dnevne potrebe hranjivih sastojaka za osobu odreene teine i dobi, kao i cijene
dati su u tabeli:
Hranjivi sastojci
(u gramima)
H1
H2
H3
Cijena po 100gr.
A1 (u 100 gr.)
A2 (u 100 gr.)
8
2
50
0,70 KM
16
24
0
4,00 KM
Dnevne potrebe
u gr.
104
66
360
619
LINEARNO PROGRAMIRANJE
a) Odrediti optimalan program dnevne prehrane s tim da trokovi za hranu budu minimalni. Protumai dobiveno rjeenje!
b) Formirati dualni model i, ako se zna da je y 4 = 0,13 KM/gr, objasniti znaenje ove vrijednosti.
Zadatak 4.10.
Jedno poduzee izvozi dva proizvoda A, B u dvije zemlje Z i W.
Za zemlju Z vrijednost izvoza je ograniena na 30 000$, po cijeni od 1$ za komad proizvoda A i 2$ za proizvod B.
Za zemlju W vrijednost izvoza je ograniena na 60 000$, po cijeni od 3$ za komad proizvoda A i 2$ za proizvod B.
Proizvod A se mora izvesti u koliini od najmanje 6 000 komada.
Devizni efekat po komadu proizvoda A iznosi 180$, a proizvoda B 120$.
a) Odrediti optimalan program izvoza proizvoda A i B za koji e se ostvariti maksimalan
devizni efekat.
b) Ako se devizni efekat po proizvodu B povea za 10%, da li biste onda odabrali drugaiji optimalan plan?
Zadatak 4.11.
Novi pogon nekog preduzea treba da proizvodi proizvode A, B, C. Istraivanja trita su
pokazala da: proizvoda A treba proizvoditi najvie 1800 jedinica, proizvoda B treba proizvoditi najmanje 4200 jedinica, proizvoda C treba proizvoditi najmanje 2400 jedinica.
Za proizvodnju ovih proizvoda treba da obui radnike kvalifikacija K1 i K2. Trokovi obuke
jednog radnika kvalifikacije K1 iznose 300 KM, a radnika K2 400 KM. Jedan radnik jedne
ili druge kvalifikacije moe u toku radnog vremena da proizvede sljedeu koliinu proizvoda A, B, C:
Jedan
radnik
K1
K2
A (jed.)
B (jed.)
C (jed.)
1
1
3
2
1
4
a) Koliko radnika kvalifikacija K1, K2 treba obuiti da trokovi preduzea budu minimalni?
b) Izvriti standardizaciju modela i analizirati rjeenje.
620
ZADACI ZA VJEBU
Zadatak 4.12
Fabrika obue je u program proizvodnje uvrstila novi model mukih cipela i enskih izmica za iju proizvodnju se koriste iste sirovine. Za obradu jednog para cipela koristi se 1 m
koe, a za izmice 2 m koe. Za obradu jednog para cipela neophodno je utroiti 6 sati rada,
a za proizvodnju izmica 3 sata rada. Za potrebe izrade prve serije nabavljeno je 2400 m
koe i moe se angaovati 4500 radnih sati. Ustanovljeno je da proizvodnja enskih izmica mora biti bar dva puta vea od mukih cipela!
Profit po jednom paru cipela je 25 KM, a po jednom paru izmica 30 KM.
a) Odrediti optimalan program proizvodnje u jednoj seriji za koji bi se ostvario maksimalan profit poduzea.
b) Formirati dualni model, izraunati i protumaiti dualnu varijablu y 3 .
Zadatak 4.13.
Pobjednik na teksakom lotou je odluio da godinje investira do 50000$ u dionice. U razmatranje su uzete dionice Petrohemije i JP Vodovod i Elektroprivreda. Plan je da se na dui
vremenski period dobije to vei povrat. Uzeti su u obzir i rizici od ulaganja u dionice koje
su na tritu. Index rizika na skali od 1-10 (sa 10 kao najrizinijom skupinom) je dodijeljen
svakoj dionici. Ukupni rizik portfolija se dobije mnoei rizik svake dionice sa ulaganjem u
tu dionicu.
U tabeli je prikazan povrat i rizik.
Petrohemiska industrija
JP. Vodovod i Elektroprivreda
Oekivani povrat
Rizik
12%
6%
9
4
Investitor bi elio da maximizira povrat, ali prosjean rizik ne smije biti vei od 6.
Koliko bi trebalo biti investirano u svaku dionicu? Koji je prosjean rizik? Koji je oekivani povrat?
Zadatak 4.14.
U tampariji se tampaju tri vrste knjiga: A, B, C, uz jedinine trokove: 15 KM/kom A,
10 KM/kom B, 12 KM/kom C.
Istraivanjem trita je ustanovljeno da knjiga tipa A treba proizvesti najmanje 100 kom
vie nego knjiga B i C zajedno. Dogovoreno je da se u takvoj proizvodnji angauje minimalno 420 r, a zna se da se treba utroiti: 2 r/kom A, 3 r/kom B i 4 r/kom C.
a) Formirati model datog problema ako je cilj minimizirati trokove;
621
LINEARNO PROGRAMIRANJE
Zadatak 4.15.
U hranjenju pilia dnevni obrok treba da sadri najmanje 18 jedinica hranljivog sastojka A,
16 jedinica hranljivog sastojka B i 24 jedinice hranljivog sastojka C. Dvije vrste hrane I i II
koje se koriste u spravljanju dnevnog obroka sadre sljedei broj jedinica hranljivih sastojaka:
A
B
C
I
6
2
2
II
2
4
12
Zadatak 4.16.
Davalac usluga Com.co za kompjutersku obradu podataka ima cijene 1000 KM na minutu visokoprioritetnog vremena i 600 KM na minutu niskoprioritetnog vremena. Korisnicima
njihovih usluga treba najmanje 5 minuta visokoprioritetnog vremena dnevno, a davalac
usluga moe obezbijediti najvie 40 minuta za obradu podataka i to najvie 10 minuta visokoprioritetnog vremena, dnevno.
a) Koliko kojeg vremena bi trebalo biti kupljeno pa da Com.co maksimizira svoj prihod?
b) Ispitati da li e rjeenje ostati optimalno ukoliko davalac usluga snizi cijenu visokoprioritetnog vremena za 20% .
Zadatak 4.17.
Napravljeni su projekti za dva prigradska naselja M i N koja se mogu etapno izgraivati. Za
prvu etapu njihove izgradnje grad je obezbijedio sljedea namjenska investiciona sredstva:
200 nj za puteve, 130 nj za vodovod i 108 nj za kanalizaciju.
Prema projektima, za navedene infrastrukture na svakih 1000 stanovnika treba utroiti :
622
ZADACI ZA VJEBU
Za puteve
Za vodovod
Za kanalizaciju
Naselje M
2,5
2
1,8
Naselje N
5
2
1,2
Zadatak 4.18.
Predviena je proizvodnja dva proizvoda A i B. U proizvodnji se koristi stroj iji je maksimalan mjeseni kapacitet 1200 m. Za izradu jedinice proizvoda A potrebna su 2 m i za
izradu jedinice proizvoda B potrebna su 2 m. Za proizvodnju ovih proizvoda potrebno je
obezbijediti najmanje 400 kg sirovine mjeseno. Iz 1 kg sirovine proizvede se jedinice
proizvoda A ili 1 jedinica proizvoda B.
Istraivanjem trita ustanovljeno je da se mjeseno moe prodati najvie 500 jedinica proizvoda B i da se na svaku jedinicu proizvoda A mora proizvesti najmanje proizvoda B.
Dobit po jedinici proizvoda A je 40 KM, a proizvoda B je 50 KM.
a) Utvrditi program proizvodnje koji osigurava najveu dobit i izvriti analizu optimalnog
rjeenja;
b) Utvrditi posljedice na optimalno rjeenje ako se dobit po jedinici proizvoda B povea za
60%;
c) Formirati dualni model i odrediti optimalne vrijednosti dualnih promjenljivih koje odgovaraju rjeenju b).
Zadatak 4.19.
Tvornica gume isporuuje proizvoau traktora gume za male traktore trotokae i standardne traktore. Cijena isporuke gume za zadnji toak malog traktora G1 je 600 nj/kom, za
prednji toak G2 je 1000 nj/kom i za standardni traktor je 1200 nj/kom.
Na strojevima mjesenog kapaciteta 6 000 sati izradi se jedna guma G1 za 0,5 h, G2 za 0,5
h i G3 za 0,5 sati.
623
LINEARNO PROGRAMIRANJE
Za jednu gumu G1 treba 1,5 kg uvozne sirovine, za G2 gumu 2 kg i za G3 gumu 5 kg sirovine. Uvoz je ogranien na najvie 42 t na mjesec.
Proizvoa traktora preuzima itavu proizvodnju, s tim da guma G1 bude 2 puta vie nego
guma G2. Treba:
a) Odrediti mjeseni proizvodni program tvornice guma ako je cilj ostvarenje maksimalnog ukupnog prihoda;
b) Izvriti analizu ovog optimalnog programa isporuke;
c) Formirati dualni model, odrediti optimalne vrijednosti dualnih promjenljivih i dati njihovo ekonomsko znaenje.
Zadatak 4.20.
Jedan rudnik ugljena opskrbljuje tri potrona mjesta. Rudnik moe isporuiti najvie 1000
vagona uglja. Prvo i drugo mjesto troe zajedno 100 vagona ugljena vie od treeg mjesta, a
drugo i tree mjesto zajedno troe najmanje 200 vagona. Trokovi prevoza po vagonu od
rudnika do svakog mjesta potronje su: prvog 80 KM, drugog 120 KM i treeg 80 KM.
a) Odrediti program opskrbe koji osigurava najnie trokove prevoza;
b) Izvriti analizu najpovoljnijeg rjeenja;
c) Formirati dualni model, odrediti optimalne vrijednosti dualnih promjenljivih i dati njihovo ekonomsko znaenje.
Zadatak 4.21.
Preduzee proizvodi tri vrste proizvoda A, B i C. Strojevi koji se koriste u proizvodnji imaju mjeseni kapacitet 1000 ms koji se mora u potpunosti iskoristiti. Jedinica proizvoda A
moe se izraditi za 1 sat, jedinica proizvoda B moe se izraditi za 2 sata i C za 4 sata rada
strojeva. Moe se raunati sa najvie 2500 rs radnika, a potrebno vrijeme za izradu jedinice
proizvoda A je 2 sata, proizvoda B 1 sat i proizvoda C 2 sata.
Istraivanjem trita je ustanovljeno da se moe prodati najvie 400 jedinica proizvoda A.
Dobit po jedinici proizvoda A je 20 nj, proizvoda B 10 i proizvoda C 30 nj.
a) Ako je cilj maksimizirati dobit, izraunati optimalan program proizvodnje i izvriti analizu optimalnog programa;
b) Formirati odgovarajui dualni model i odrediti optimalne vrijednosti dualnih promjenljivih;
c) Dati ekonomsko znaenje vrijednosti y 2 i y 5 .
Zadatak 4.22.
Preduzee eli da odredi optimalan program proizvodnje tri tipa proizvoda: C, D, E, tako da
minimizira ukupne trokove. Zna se da su trokovi proizvodnje: 1 KM/kg C, 2KM/m D i 3
KM/kom E.
624
ZADACI ZA VJEBU
Smije se utroiti maksimalno 150 KM za kupovinu repromaterijala, a zna se da treba utroiti 1 KM/kg C, 0 KM/m D i 2 KM/kom E.
Raspoloivi fond je 200 radnih sati (rs) i on se mora u potpunosti iskoristiti, a zna se da
treba angaovati 2 rs/kg C, 4 rs/m D i 1 rs/komE.
a) Proizvoljno izabranom metodom nai sve elemente oba optimalna programa proizvodnje i izvriti analizu ispunjenja ogranienja. Kojem programu biste dali prednost i
zato?
b) Formirati dualni model ovog problema i pronai elemente njegovog optimalnog rjeenja
koje odgovara programu iz a).
Zadatak 4.23.
Preduzee proizvodi dva proizvoda (A i B). U procesu proizvodnje koriste se: strug kapaciteta 50000 radnih sati, glodalice kapaciteta 40000 radnih sati i builica kapaciteta 24000
radnih sati. Da bi se proizvela jedinica proizvoda A potreban je rad struga u trajanju od 8
sati, glodalice 4 sata i builice 4 sata, a za jedinicu proizvoda B rad struga od 4 sata i glodalice 8 sati. Istraivanje trita je pokazalo da se na tritu mora plasirati najmanje 1000
jedinica proizvoda A. Takoer treba uzeti u obzir da se proizvod A treba proizvesti u koliini najvie dva puta veoj od koliine proizvoda B.
Cilj preduzea je ostvarenje najvee dobiti.
a) Utvrditi takav program proizvodnje koji osigurava najveu dobit ako su dobiti po jedinici proizvoda A i B jednake;
b) Izvriti analizu optimalnog programa proizvodnje;
c) Formirati dualni model i odrediti optimalne vrijednosti dualnih promjenljivih. ta moemo zakljuiti o polaznom rjeenju?
Zadatak 4.24.
Neko poljoprivredno dobro snabdijeva jabukama tri pijace A, B i C. Dobro moe dnevno da
isporui maksimalno 600 kg jabuka.
Na pijacama A i B mora se ukupno isporuiti najmanje 10 kg vie nego na pijacu C.
a) Ako su prodajne cijene jabuka na svim pijacama 100 nj/kg i ako su cijene transporta po
kilogramu jabuka od dobra do pojedinanih pijaca: 10 nj do A, 15 nj do B i 10 nj do C,
kakav treba da bude optimalni plan isporuke jabuka pa da dobro ostvaruje najveu dobit?
b) Izvriti analizu ovog optimalnog programa isporuke;
c) Formirati dualni model, odrediti optimalne vrijednosti dualnih promjenljivih i dati njihovo ekonomsko znaenje.
625
LINEARNO PROGRAMIRANJE
Zadatak 4.25.
Fabrika konfekcije proizvodi dva tipa mukih odijela, A i B. Odijela se proizvode od istog
tofa, pri emu se za odijelo A utroi 2,5 m platna, a za odijelo B 2,7 m.
Za ivenje odijela A utroi se 5 rs, dok za odijelo B treba 3 radna sata. Fabrika raspolae sa
27 000 m tofa i 42 000 radnih sati mjeseno.
S obzirom na ugovorene obaveze, odijela B se mora proizvoditi najmanje 3000 kom mjeseno.
Profit po odijelu A iznosi 90 KM, a po odijelu B 55 KM.
a) Treba odrediti optimalan plan mjesene proizvodnje odijela i izvriti analizu optimalnog programa.
b) Formirati odgovarajui dualni model i odrediti optimalne vrijednosti dualnih promjenljivih.
Zadatak 4.26.
Jedan mlin snabdijeva branom tri pekare A, B, C. Mlin moe da isporui najvie 1000 tona
brana u toku mjeseca.
U pekare A i B zajedno mora isporuiti 100 tona brana vie nego pekari C. Pekarama B i C
zajedno mora isporuiti najmanje 200 tona brana.
Trokovi prevoza brana od mlina do pekare po jednoj toni iznose: 80 KM do pekare A, 120
KM do pekare B i 80 KM do pekare C.
Treba utvrditi program isporuke brana koji osigurava da ukupni trokovi prevoza budu
najmanji te izvriti analizu tog optimalnog rjeenja.
Zadatak 4.27.
Kod nekog problema linearnog programiranja poznata je optimalna simplex tabela:
CB
0
10
10
B
A3
A2
A1
CS - fS
CS
A0
50
200
100
3000
10
A1
0
0
1
0
10
A2
0
1
0
0
0
A3
1
0
0
0
0
A4
-
0
-5
626
0
A5
1
1
-1
0
-M
A5*
-1
-1
1
-M
ZADACI ZA VJEBU
Zadatak 4.28.
Jedna graevinska firma treba distribuirati tri vrste materijala A, B, C uz jedinine trokove
15 KM/ m3 materijala A, 10 KM/m3 materijala B i 12 KM/m3 materijala C. Ustanovljeno
je:
- da materijala A treba distribuirati 90 m3 vie nego materijala B i C zajedno.
- da se takvom distribucijom treba angaovati minimalno 120 radnih sati i to: 1 rs/m3 materijala A, 2 rs/m3 materijala B i 2 rs/m3 materijala C.
a) Formirati model ako je cilj minimizirati trokove distribucije.
b) Simplex metodom pronai optimalno rjeenje problema. Kako bi se zadatak rijeio grafikom metodom?
c) Analizirati ogranienja.
Zadatak 4.29.
Fabrika duhana proizvodi tri vrste cigareta: light (L), superlight (SL), ultralight (UL), koje
kao gotovi proizvodi prolaze kroz dva procesa: P1 kontrola i P2 pakiranje. Tehnikotehnoloki uslovi ova dva procesa obrade, kao i raspoloivi sedmini fond sati, dati su u
tabeli:
Kutija (20 cigareta)
P1
P2
L
1
3
SL
1
1
UL
5
1
Ako je prihod po kutiji (L), (SL), (UL) redom 15 KM, 6 KM, 10 KM treba:
a) Formirati model ako je cilj maksimizirati prihod fabrike.
b) Simplex metodom pronai optimalno rjeenje problema.
c) Za koliko e se poveati prihod ako fond sati pakiranja P2 poveamo za 1 rs?
627
LINEARNO PROGRAMIRANJE
Zadatak 4.30.
Kompanija R proizvodi madrace i krevete. Prioritetni ugovor zahtijeva da kompanija proizvede najmanje 30 madraca ili kreveta u bilo kojoj kombinaciji. Kao dodatak, Unija
sindikata ima dogovor sa poslodavcem da maine moraju raditi najmanje 40 sati sedmino,
to predstavlja jedan proizvodni period. Za svaki krevet je neophodno 2 sata rada, a za svaki madrac 1 sat rada maine. Proizvedeni madrac kota 20 $, dok svaki proizvedeni krevet
kota 24 $.
a) Rijeiti problem tako da se minimiziraju ukupni trokovi proizvodnje. Problem rijeiti
koristei simplex metod.
b) Protumaiti znaenje dualne promjenjljive y3
Zadatak 4.31.
BK korporacija u toku razvoja nove hrane za make nazvane Yum-Mix suoila se sa problemom mijeanja hrane. Standardima je utvreno da svaka konzerva Yum-Mixa mora
sadravati najmanje 30 jedinica proteina i 80 jedinica riboflavina. Ova dva sastojka su dostupna od strane dva konkurentska proizvoaa komponenti za maiju hranu.
Kod proizvoaa A dodatak po kilogramu kota 9$, dok kod proizvoaa B dodatak kota
15$ po kilogramu.Kilogram dodatka proizvoaa A obezbijedi 1 jedinicu proteina i 1 jedinicu riboflavina po konzervi, dok kilogram dodatka B obezbjeuje 2 jedinice proteina i 4
jedinice riboflavina po konzervi. Korporacija BK mora zadovoljiti standarde uz minimalne
trokove.
a) Nai najbolju kombinaciju kupovine ova dva dodatka (A i B) da bi se ispunili zahtjevi
uz minimalni troak. Optimalno rjeenje naite koristei simplex metod.
b) Potumaite vrijednost dualne promjenljive y1.
Zadatak 4.32.
Dva tipa vitamina V1 i V2 mogu se konzumirati putem dva tipa tableta T1 i T2, koji se mogu
kupiti po cijeni 24 nj za T1 i 25 nj za T2.
Dnevno treba konzumirati minimalno 10 jedinica V1, a maksimalno 12 jedinica V2. Tableta
T1 sadri 1 jedinicu V1 i 4 jedinice V2, dok tableta T2 sadri 5 jedinica V1 i 1 jedinicu V2.
Treba odrediti onu kombinaciju konzumiranja tableta dnevno koja najmanje kota.
a) Formirati model datog problema;
b) Simplex metodom pronai optimalno rjeenje datog problema;
c) Formirati odgovarajui dualni model, odrediti optimalne vrijednosti dualnih promjenljivih i objasni znaenje dualne promjenljive y1.
628
ZADACI ZA VJEBU
Zadatak 4.33.
Za neki problem LP-a postavljen je sljedei model:
max f = 10 x1 + 5 x 2 + 10 x3
4 x1 + x 2 + 2 x3 10
2 x1 + x 2 + x3 50
x1 0; x 2 0; x3 0;
Zadatak 4.34.
Kod nekog problema minimuma nakon jedne iteracije dobivena je sljedea simplex tabela.
65
50
45
A1
20
1
10
A2
5
1
55
A3
10
1
0
A4
-1
0
M
A*4
1
0
0
A5
0
1
65M
45-20M
10-5M
55-10M
Cb
A0
M
0
A*4
A5
Cs-Fs
Zadatak 4.35.
Za neki problem LP-a postavljen je sljedei model:
min f = 9 x1 + 2 x 2 + 11x3
8 x1 + 2 x 2 + 4 x3 26
x1 + x 2 + x3 50
x1 0; x 2 0; x3 0;
629
LINEARNO PROGRAMIRANJE
Zadatak 4.36.
Kod nekog problema minimuma nakon jedne iteracije dobivena je sljedea simplex tabela.
Cb
A0
10
A1
1/2
3/2
7
A2
1/2
1/2
7/2
12 A3
*
M A5
1/2
42+(M/2) 4 - (3M/2) 1 - (M/2)
Cs-fs
12
A3
1
0
0
0
A4
-1/2
1/2
M
A4*
1/2
-1/2
6 - (M/2) (3M/2) - 6
0
A5
0
-1
M
A5*
0
1
Zadatak 4.37.
Tri mlina snabdijevaju 4 pekare branom. Dnevni kapaciteti mlinova su: M1 25 t, M2 10;
M3 35 t brana.
Dnevne potrebe pekara P1, P2, P3, P4 iznose: 45 t, 15 t, 20 t, 30 t respektivno. Trokovi prevoza za tonu brana dati su u tabeli (u nekim nj):
M1
M2
M3
P1
10
12
14
P2
20
10
15
P3
14
8
12
P4
22
18
14
Zadatak 4.38.
Tri tvornice dema (T1, T2, T3) istog vlasnika, izvoze dem u tri grada (G1, G2, G3). Koliina dema koju tvornice nude u toku mjeseca su: T1 7000 kg, T2 12500 kg i T3 15 500 kg,
dok su mjesene potrebe gradova sljedee: G1 6500 kg, G2 9000 kg, G3 16 500 kg. Dobiti
vlasnika tvornica po kg dema date su u sljedeoj tabeli (u nekim nj):
T1
T2
T3
630
G1
7
8
9
G2
8
3
6
G3
6
7
3
ZADACI ZA VJEBU
Zadatak 4.39.
etiri proizvoaa neke sirovine (F1, F2, F3, F4) podmiruju potrebe tri pogona (P1, P2, P3) za
tom sirovinom. Dnevni kapaciteti fabrika (F1, F2, F3, F4) su: 20, 50, 75, 55 tona respektivno,
dok su dnevne potrebe pogona (P1, P2, P3) za sirovinom: 60, 50, 80 tona redom.
Utvreno je da ne postoji mogunost prevoza sirovine iz F3 u P1. Trokovi prevoza po toni
sirovine dati su u tabeli (u nekim nj):
P1
7
9
10
F1
F2
F3
F4
P2
4
7
5
5
P3
7
8
6
6
Cilj je utvrditi takav program snabdijevanja kojim bi se osigurao prevoz cjelokupne koliine sirovine uz najmanje trokove.
Zadatak 4.40.
Vlasnik lanca trgovina treba iz svojih skladita dostaviti brano u 5 prodajnih centara (PC).
U skladitu S1 nalazi se 200t, u skladutu S2 200t, u skladitu S3 150t i u skladitu S4 200t
brana.
Prodajnim centrima treba: 100t za PC1, 200t za PC2, 400t za PC3, 200t za PC4 i 100t za
PC5. Cijene transporta (po toni) od skladita do centra dati su u tabeli:
S1
S2
S3
S4
PC1
3
7
5
10
PC2
10
5
8
12
PC3
4
8
15
10
PC4
2
4
7
8
PC5
3
10
12
4
Treba odrediti:
a) Plan transporta robe koji e najmanje kotati i skladita koja e biti ispranjena.
b) Navesti metode koje ste koristili za dobijanje polaznog optimalnog rijeenja.
631
LINEARNO PROGRAMIRANJE
Zadatak 4.41.
Vlasnik lanca treba iz svojih skladita dostaviti eer u 5 prodajnih centara (PC). U skladitu S1 nalazi se 30t, u skladutu S2 20t, u skladitu S3 50t eera.
Prodajnim centrima treba: 25t za PC1, 15t za PC2, 55t za PC3, 20t za PC4 i 5. Cijene transporta (po toni) od skladita do centra dati su u tabeli (transport od S3 do PC1 nije mogu).
PC1
PC2
PC3
PC4
PC5
S1
S2
S3
10
Treba odrediti:
a) Plan transporta robe koji e najmanje kotati, koliko kota planirani transport i koji centri e biti snabdjeveni.
b) Navesti metode koje ste koristili za dobijanje polaznog optimalnog rijeenja.
Zadatak 4.42.
Za potrebe tri industrijska centra (C1, C2 i C3) uvozi se jedna vrsta materijala iz tri zemlje
(Z1, Z2 i Z3) prema sljedeim uslovima:
Ponuda zemalja: a1 = 7000; a2 = 12500; a3 = 15500 kj materijala mjeseno;
Tranja industrijskih centara: b1 =6500; b2 = 9000;b3 = 16500 kj materijala mjeseno;
Transportni trokovi po jedinici prevezenog materijala su (u nekim nj):
c11 = 7
c12 = 8
c13 = 6
c21 = 8
c22 = 3
c23 = 7
c32 = 6
c33 = 5
c31 = 9
Nai optimalan plan transporta materijala za koji e ukupni trokovi transporta biti najmanji
i odredi te trokove. Analizirati optimalan plan.
Da li ima vie optimalnih rjeenja? Ako ima - napisati ih, a ako nema - objasniti zato.
Zadatak 4.43.
Korporacija DL planira postavljanje novih maina u postojeim fabrikama na lokacijama
Decatur, Minneapolis i Carbondale. Analizirajui samo trokove transporta po jedinici treba:
a) Odrediti optimalan plan transporta maina iz pojedinih skladita B, C i D. Trokovi
transporta po jedinici, kapaciteti i potrebe su dati u tabeli:
632
ZADACI ZA VJEBU
Decatur
B
C
D
Potrebe
20
25
22
300
Zadatak 4.44.
Na konkurs raspisan za prijem po jednog prevodioca za engleski (E), francuski (F), panski
() i njemaki jezik (Nj) prijavila su se tri kandidata. Nakon testiranja, dobili smo sljedee
vrijednosti:
E
F
NJ
K1
3
2
5
4
K2
6
4
7
8
K3
1
6
3
7
Jedan kandidat moe biti primljen za prevodioca samo za jedan jezik.
a) Izvriti optimalan raspored tako da zbir poena koje su kandidati dobili na testu bude
maksimalan.
b) Koje radno mjesto e ostati nepopunjeno?
Zadatak 4.45.
Na nova radna mjesta M1, M2, M3 konkurisali su kandidati K1, K2, K3, K4 i K5. Odgovarajue kvalifikacije nemaju: K2 za M2, K4 za M1 i K5 za M3.
Za ostala mjesta svi kandidati imaju odgovarajue kvalifikacije. Nakon testiranja, kandidatima su dodijeljeni odgovarajui negativni poeni i to redom po radnim mjestima: K1: 5, 11,
17; K2: 6, -, 18; K3: 7, 12, 19; K4: -, 13, 20; K5: 8, 14, -;
a) Kompletirati matricu rezultata kandidata.
b) Izvriti optimalan raspored kandidata na odgovarajua radna mjesta tako da zbir negativnih poena bude minimalan.
c) Koji kandidati nee biti primljeni?
633
LINEARNO PROGRAMIRANJE
Zadatak 4.46.
Na raspisani oglas za obavljanje etiri poslovna zadatka (A, B, C, D) prijavilo se pet kandidata. Kandidati imaju iste uslove za obavljanje posla, ali su dali izjavu da e, u sluaju
neizvravanja ugovora, platiti sljedee nadoknade (u nekim nj):
Poslovi
A
B
C
D
K1
21
18
16
10
K2
24
20
20
14
Kandidati
K3
K4
18
15
20 19
15
22
12
16
634
K5
20
15
18
11
x 2 2 x1
x1 0; x 2 0
x2
III
22
C
187,5
B
M
A
fmax
f0
90
x1
II
15
LINEARNO PROGRAMIRANJE
Pravac funkcije cilja emo odrediti izborom proizvoljne take M (30, 100), pa njenim
uvrtavanjem u f = 40 x1 + 30 x 2 imamo 4030 + 30100 = 4200.
Prava koja prolazi kroz M i paralelna je funkciji cilja je data sa f0: 40x1 + 30x2 = 4200
x = 0 x1 = 105
Presjeci sa osama ove prave su 2
x1 = 0 x 2 = 140
Napominjemo da je dovoljno odrediti presjek sa jednom osom jer je druga taka kroz koju
prolazi prva f0 ustvari taka M.
22
C
187,5
B
M
A
fmax
II
0
90
f0
x1
15
636
Rjeenje 4.2.
a) x1 broj novih restorana tipa FAST FOOD
x2 broj novih restorana tipa CLASIC
Funkcija cilja maksimalan prihod max f = 200000 x1 + 500000 x 2
Ogranienja:
Za irenje djelatnosti imamo na raspolaganju 600 000 KM
20000 x1 + 30000 x 2 600000
Zakonski ugovor o minimalnom broju radnika koje treba zaposliti 2 x1
Istraivanje trita x1 10 + x 2
Model:
+ 4 x 2 44
x2
20
III
+ 4 x2 44
x1 10 + x2
11
x1 0; x2 0
A
f0
A: II III = (14, 4)
B: III I = (18, 8)
C (22, 0)
D (30, 0)
fmax
10
22
C
D x1
30
II
637
LINEARNO PROGRAMIRANJE
Optimalno rjeenje:
fmax = f (B) = 7 600 000
za x1 = 18; x 2 = 8;
x2
20
III
Odgovor:
Optimalno bi bilo otvoriti 18 restorana
tipa FAST FOOD i 8 rastorana tipa
CLASIC, a oekivani maksimalni prihod je 7 600 000 KM
Analiza rjeenja:
11
B
A
E
M
10
f0
fmax
22
C
IV
x1
30
II
I
ogranienja I i III predstavljaju
usko grlo programa, odnosno noGrafikon 4.2.a. Model sa dodatnim ogranienjem
vac koji preduzee ima na
raspolaganju i trina potranja su uska grla programa;
Rjeenje 4.3.
x1 broj klima ureaja
x2 broj ventilatora
Model:
max f = 25 x1 + 15 x 2
3x1 + 2 x 2 240
2 x1 + x 2 140
x1
20
x 2 80
x1 0; x 2 0
638
Optimalno rjeenje:
fmax = 1900
za x1 = 40; x 2 = 60;
Optimalno rjeenje duala:
gmmin = 1900
za y 3 = 5; y 4 = 5; y 5 = 0; y 6 = 0
Rjeenje 4.4.
Model:
max f = 20 x1 + 50 x 2
1
1
x1 +
x 2 250
3
1,5
x 2 300
Optimalno rjeenje:
Analiza:
Ogranienja II i III su uska
grla programa
1
1
x1 + x 2 90
6
10
x1 0, x 2 0
b) Dodavanje ogranienja
x1 100 nece uticati na optimalno rjeenje
Rjeenje 4.5.
a) max f = 3000x1 + 7000x2
I 200 x1 + 500 x2
II
x1
III
x2
- x2
IV
x1
40 000 USD
10
10
x1 0; x2 0
Treba koristiti 175 oglasa na radiju i 10 oglasa na TV da bi informisali 595 000 ljudi.
639
LINEARNO PROGRAMIRANJE
Rjeenje 4.6.
Optimalno rjeenje:
x1 = 10 000; x 2 = 15 000; f = 25 000
Rjeenje 4.7.
Optimalno rjeenje:
x1 = 60; x 2 = 40; f = 3 800
640
Rjeenje 4.8.
Optimalno rjeenje:
x1 = 15; x 2 = 40; f = 145 000
b) Skup moguih rjeenja bi se promijenio ako se promijeni ogranienje II,
ali bi optimalno rjeenje ostalo isto.
Ve im je u optimalnom sluaju ponueno 40 izbornih kurseva.
Rjeenje 4.9.
Optimalno rjeenje: x1 = 9; x 2 = 2; f = 14,3
Rjeenje 4.10.
Optimalno rjeenje:
Bazino 1:
x1 = 20 000; x 2 = 0; f = 3 600 000
Bazino 2:
x1 = 15 000; x 2 = 7 500; f = 3 600 000
Sva optimalna rjeenja imaju oblik:
x1
20000
15000
x = 0 + (1 ) 7500
2
b) Optimalno rjeenje bi bila samo taka
2, odnosno x1 = 15 000; x 2 = 7 500; ali
bi vrijednost funkcije cilja bila vea.
Grafikon 4.10. Odreivanje optimalnog rjeenja.
Dvije rubne take su optimalne.
Rjeenje 4.11.
x1 = 1200; x 2 = 300; f = 480 000
641
LINEARNO PROGRAMIRANJE
Rjeenje 4.12.
max f = 25 x1 + 30 x 2
1x1 + 2 x 2 2400
6 x1 + 3 x 2 4500
x1
2 x2
x1 0; x 2 0
Rjeenje 4.13.
x1 = 20 000; x 2 = 30 000; f = 4 2 00
Rjeenje 4.14.
x1 = 136.6667; x 2 = 36.6667; f = 2490
Rjeenje 4.15.
642
Rjeenje 4.16.
x1 = 10; x 2 = 30; f = 28000
b) Nee
Grafikon 4.16.
Odreivanje optimalnog rjeenja
Rjeenje 4.17.
x1 = 50; x 2 = 15; f = 65
Grafikon 4.17.
Odreivanje optimalnog rjeenja
Rjeenje 4.18.
x1 = 100; x 2 = 500; f = 29000
Grafikon 4.18.
Odreivanje optimalnog rjeenja
643
LINEARNO PROGRAMIRANJE
Rjeenje 4.19.
Model zadatka
max f = 600 x1 + 1000 x 2 + 1200 x3
0,5 x1 + 0,5 x 2 + 0,5 x3 6000
1,5 x1 + 2 x 2
x1
+ 5 x3 4200
= 2 x2
x1 0; x 2 0; x3 0
Optimalno rjeenje: x1 = 3 600; x 2 = 1800; x 3 = 6600; f = 11 880 000
Zadatak se moe rijeiti grafikom metodom ili simplex algoritmom. Upotrebom simplex
algoritma moemo primijetiti da se u prvoj simplex tabeli dobije degenerisano bazino rjeenje jer vjetaka varijabla koja je dodijeljena treem ogranienju x6* u prvoj tabeli ima
vrijednost 0. U ovakvim sluajevima se moe desiti da simplex algoritam ne funkcionie
najbre, odnosno postoji opasnost od beskonanog ponavljanja degenerisanog bazinog
rjeenja. Koraci su pri rjeavanju sljedei: u prvoj iteraciji iz baze izlazi vjetaka varijabla
x6* dodijeljena treem ogranienju, a ulazi polazna varijabla x1 , u narednoj iteraciji treba
iz baze izbaciti izravnavajuu varijablu x 4 , a u bazu ubaciti varijablu x 2 . Na kraju iz baze
izlazi varijabla x5 , a ulazi x3
Grafikim rjeavanjem u koordinatnom sistemu x2Ox3 rjeenje ima oblik:
644
Rjeenje 4.20.
Zadatak se moe rijeiti grafikom metodom ili simplex algoritmom.
Simplex algoritam izgleda:
Cb
M
M
Cs-Fs
M
A0
0 A4
A*5
A*6
1000
100
200
0
300
(Cs-Fs)Q
M
Cb
A0
0 A4
120 A2
M
A*6
Cs-Fs
M
80
A1
120
A2
1
1
1
1
0
1
80
120
-1
-2
Koristan! Koristan!
8000
12000
-100
-200
80
A1
900
100
100
12000
100
0
1
-1
-40
1
0 A4
120 A2
80 A3
Cs-Fs
M
A0
80
A1
120
A2
80
A3
0
1
0
0
0
0 M
A*5
1
0
0
0
0
A4
1
-1
1
80
0
120
A2
(Cs-Fs) Q
M
Cb
80
A3
M
A*5
A4
800
1
0
0
150
0,5
1
0
50
-0,5
0
1
22000
60
0
0
0
0
0
0
Nema vie korisnih vektora, dobili ste optimum!
0
1
0
0
0
0 M
A*5
A6
1
-1
0
1
0
-1
0
-120
0
2
A4
2
-1
2
200
-2
Koristan!
10000
-100
80
A3
A6
1
0
0
0
0
0
0,5
-0,5
-20
1
0 M
A*6
0
0
-1
0
1
0
0
1
0
0
0 M
A*6
0
0
-1
0
1
0
0
1
0
0
0
A6
1
-0,5
-0,5
100
0
M
A*6
-1
0,5
0,5
-100
1
Rjeenje 4.21.
Zadatak se moe rijeiti grafikom metodom ili simplex algoritmom.
Optimalno rjeenje: x1 = 400; x 2 = 0; x 3 = 150; f = 12 500
Rjeenje 4.22.
Optimalno rjeenje 1: x1 = 100; x 2 = 0; x 3 = 0; f = 100
Optimalno rjeenje 2: x1 = 0; x 2 = 50; x 3 = 0; f = 100
U oba optimalna rjeenja II ogranienje je usko grlo, ali kod optimalnog plana 2 ostaje 150
KM za kupovinu repromaterijala pa bi ovom programu trebalo dati prednost.
645
LINEARNO PROGRAMIRANJE
Rjeenje 4.23.
Optimalno rjeenje:
x1 = 5000; x 2 = 2500; f = 7500
Rjeenje 4.24.
Model zadatka
max f = (100 10 )x1 + (100 15)x 2 + (100 10 )x3
x1 + x 2 + x 3 600
x1 + x 2 10 + x3
x1 0; x 2 0; x 3 0
Rjeenje 4.25.
Optimalno rjeenje:
x1 = 5400; x 2 = 5000; f = 761 000
646
Rjeenje 4.26.
Model:
(1)
min f = 80 x1 + 120 x 2 + 80 x3
x1 + x 2 + x3 1000
x1 + x 2 x3 = 100
x 2 + x3 200
x1 , x 2 , x3 0
Standardizacija:
min f = 80 x1 + 120 x2 + 80 x3 + 0 x4 + Mx5 + 0 x6 + Mx6
*
1x1 + 1x2 1x3 + 0 x4 + 1x5 + 0 x6 + 0 x6 = 100
*
0 x1 + 1x2 + 1x3 + 0 x4 + 0 x5 1x6 + 1x6 = 200
*
x1 , x2 , x3 , x4 , x6 0 ; x5 , x6 = 0
A0
0
M
M
A4
A5
A6*
1000
100
200
300M
80
A1
1
1
0
120
A2
1
1
1
80
A3
1
-1
1
0
A4
1
0
0
M
A*5
0
1
0
0
A6
0
0
-1
M
A6*
0
0
1
80
120
A2
0
1
0
80
A3
2
-1
2
0
A4
1
0
0
M
A*5
-1
1
1
0
A6
0
0
-1
M
A6*
0
0
1
200-2M
-120
80 M 120 2M
A0
0
120
M
A4
A2
A6*
900
100
100
80
A1
0
1
-1
12000+100
-40 + M
M
koristan
koristan
647
LINEARNO PROGRAMIRANJE
800
150
50
80
A1
1
1/2
-1/2
120
A2
0
1
0
80
A3
0
0
1
0
A4
1
0
0
M
A*5
-2
3/2
1/2
0
A6
1
-1/2
-1/2
M
A6*
-1
1/2
1/2
22000
60
M-220
100
M-100
C0
A0
0
120
80
A4
A2
A3
Optimalno rjeenje
Rjeenje 4.27.
a)
ii)
i) max f = 3000
I ogranienje tipa ; II ogranienje tipa ; III ogranienje tipa
iii)
b)
i) g = 3000
ii) Y3 = 0 Y4 = 5 Y5 = 0 (polazne varijable)
Y1 = 0 Y2 = 0 (izravanavajue varijable)
c)
CS
A0
10
A1
10
A2
0
A3
0
A4
0
A5
-M
A5*
A5
50
-1
10
A2
150
-1
10
A1
150
3000
-10
-M-10
CS - fS
Napomenimo da u sluaju postojanja dva optimalna bazna rjeenja mi ustvari imamo beskonano mnogo optimalnih opcija i sve te opcije se mogu dobiti kao konveksna linearna
kombinacija bazna dva, tj.
648
x1
100
150
x
200
150
2
x3 = 50 + (1 ) 0 ;
x4
0
0
x5
0
50
[0,1]
Rjeenje 4.28.
Model:
(1)
min f = 15 x1 + 10 x 2 + 12 x3
x1 x 2 x3 = 90
x1 + 2 x 2 + 2 x3 120
x1 , x 2 , x3 0
Rjeenje 4.29.
Model:
(1)
max f = 15 x1 + 6 x 2 + 10 x3
x1 + x 2 + 5 x3 1200
3 x1 + x 2 + x3 900
x1 , x 2 , x3 0
Rjeenje 4.30.
Prva simplex tabela
Cb
M
M
Cs-Fs
M
B
A*3
A*4
24
A0
A1
30
40
0
70
1
2
24
-3
Koristan!
20
A2
1
1
20
-2
Koristan!
0
A3
0
A*3
-1
0
0
1
A4
1
0
0
0
M
A*4
0
-1
0
1
0
1
0
0
649
LINEARNO PROGRAMIRANJE
...
Posljednja simplex tabela
Cb
20
24
Cs-Fs
M
A2
A1
24
A0
A1
20
10
640
0
20
A2
0
1
0
0
A3
1
0
0
0
0
A*3
-2
1
16
0
A4
2
-1
-16
1
M
A*4
1
-1
4
0
-1
1
-4
1
Rjeenje 4.31.
Optimalno rjeenje:
x1 = 0; x 2 = 20; f = 300
y1 = 10
Rjeenje 4.32.
Cb
M
0
A*3
A4
10
12
0
10
Cs-Fs
M
Cb
B
25
0
Cs-Fs
M
650
A2
A4
24
A0
25
A1
A2
1
4
24
-1
Koristan!
5
1
25
-5
Koristan!
A3
0
A*3
-1
0
0
1
A4
1
0
0
0
0 M
A3
A*3
2
0,2
1
-0,2
0,2
10
3,8
0
0,2
-0,2
50
19
0
5
-5
0
0
0
0
1
Nema vie korisnih vektora, naeno je optimalno rjeenje.
A0
24
A1
0
1
0
0
25
A2
0
A4
0
1
0
0
Rjeenje 4.33.
a) Dualni model:
(1)
min g = 10 y 4 + 50 y 5
4 y 4 + 2 y 5 10
y 4 + y5 5
2 y 4 + y 5 10
y 4 0; y 5 0
max f = 10 x1 + 5 x 2 + 10 x 3 + 0 x 4 M x * 4 +0 x 5
4 x1 + x 2 + 2 x3 x 4 + x * 4 = 10
b)
2 x1 + x 2 + x3
+ x5 = 50
x1 0; x 2 0; x 3 0; x 4 0; x5 0
Cb
-M
0
10
A1
5
A2
10
A3
4
2
10
4
Koristan!
25+10M
1
1
5
1
Koristan!
50+10M
2
1
10
2
Koristan!
50+10M
A0
A*4
A5
10
50
0
-10
Cs-Fs
M
(Cs-Fs)*Q
0
A4
-M
A*4
-1
0
0
-1
0
A5
1
0
0
0
0
1
0
0
Rjeenje 4.34.
Tabela nije optimalna.
(1)
max f = 26 y 4 + 50 y 5
8 y 4 + 1y 5 9
2 y 4 + 1y 5 2
4 y 4 + y 5 11
y 4 0; y 5 0
651
LINEARNO PROGRAMIRANJE
M
0
A0
A*4
A5
26
50
0
26
Cs-Fs
M
9
A1
2
A2
11
A3
0
A4
8
1
9
-8
Koristan!
2
1
2
-2
Koristan!
4
1
11
-4
Koristan!
M
A*4
-1
0
0
1
0
A5
1
0
0
0
0
1
0
0
Rjeenje 4.36.
Nije optimalna tabela jer je cilj minimum, a imamo negativnih Cs-fs. Osim toga, u bazi se
ne smije nalaziti vjetaka varijabla.
Oba ogranienja su tipa
U bazu ulazi A2 a izlazi A*5
Rjeenje 4.37.
kj
ri
-4
-4
0
-14
d12 = 20 ( 4 + 15) = 9
d13 = 14 ( 4 + 12 ) = 4
M1
14
15
12
P1
P2
P3
14
P4
25
10
20
12
10
14
22
18
12
14
10
M2
M3
M4
10
15
45
15
20
30
10, 2, 4
10, 5,
5, *
8, 6, 2
14,*
14
10
15
30
10
0
d 21 = 12 ( 4 + 14 ) = 2
25
4, 4,*
10
2,*
35
2, 2,
40
0,*
d 34 = 14 (0 + 14) = 0
d 22 = 10 ( 4 + 15) = 1 d 42 = 0 ( 14 + 15) = 1
d14 = 22 ( 4 + 14) = 12 d 24 = 18 ( 4 + 14) = 8 d 43 = 0 ( 14 + 12 ) = 2
Korisna su polja (2, 2) i (4, 2). Kako je 22 = 10 i 42 = 10, sasvim je svejedno koje polje
emo popuniti transportom.
652
kj
ri
-4
-5
0
-14
d12 = 9
d13 = 4
M1
14
15
12
P1
P2
P3
14
P4
25
10
20
14
22
10
18
14
10
M2
12
M3
M4
10
45
20
14
15
12
30
10
15
20
25
10
35
40
30
d 21 = 12 ( 5 + 14 ) = 3 d 34 = 14 (0 + 14) = 0
d 23 = 8 ( 5 + 12) = 1
d 42 = 0 ( 14 + 15) = 1
d14 = 12 d 24 = 18 ( 5 + 14) = 9 d 43 = 0 ( 14 + 12 ) = 2
Korisno polje (4, 2). 42 = 5, pa imamo:
kj
ri
10
10
14
0
M1
-2
P1
P2
P3
0
P4
25
10
20
14
22
12
10
18
14
15
12
14
10
M2
M3
M4
15
45
20
30
5
0
15
20
25
10
35
40
30
d12 = 10 d 21 = 2 d 32 = 1
d13 = 6 d 23 = 0 d 34 = 0
d14 = 12 d 24 = 8 d 43 = 2
Dobili smo optimalan transport.
Zadatak nije jednoznano rjeiv jer postoje dva polja (2, 3) i (3, 4) koja takoer mogu ui u optimalan program transporta.
653
LINEARNO PROGRAMIRANJE
P1
P2
P3
P4
25
M1
10
20
M2
14
22
18
14
12
10
14
15
12
M3
M4
20
15
45
15
20
30
P1
P2
P3
P4
30
10
0
25
10
35
40
M1
10
20
14
22
12
10
18
14
15
12
10
M2
20
M3
M4
20
45
15
15
5
0
15
14
20
25
10
35
40
30
Rjeenje 4.38.
Cilj je maksimum.
Optimalan plan transporta je dat u tabeli.
Vrijednost funkcije cilja je 257 000
T1
T2
T3
G1
0
0
9500
G2
3000
0
6000
G3
4000
12500
0
Rjeenje 4.39.
Cilj je minimum. Optimalan plan transporta je dat u tabeli. Vrijednost funkcije cilja je 1230 nj.
Rjeenje 4.40.
Cilj je minimum. Optimalan plan transporta je dat u tabeli. Vrijednost funkcije cilja je 6050 nj.
654
S1
S2
S3
S4
PC1
0
0
0
100
PC2
0
0
100
100
PC3
150
200
50
0
PC4
50
0
0
0
PC5
0
0
0
0
Rjeenje 4.41.
Cilj je minimum. Optimalan plan transporta je dat u tabeli. Vrijednost funkcije cilja je 455 nj.
S1
S2
S3
S4
PC1
25
0
0
0
PC2
0
0
15
0
PC3
5
20
10
20
PC4
0
0
20
0
PC5
0
0
5
0
Rjeenje 4.42.
Kako su vei kapaciteti nego potrebe (otvoreni problem transporta), potrebno je uvesti fiktivnu lokaciju (kolonu) sa potrebama 150.
Decatur
B
C
D
Potrebe
Ri
50
Minneapolis
200
20
300
2,
0
27
150
25
200
8,*
-3
20
22
Fiktivno
21
150
25
200
17
50
Carbondale
22
150
1,
-5
150
0,*
-22
Kapacitet
Kt
250
17, 3, 1
20
200
20, 5, 5
25
350
22, 0, 0
22
800
Vogelov metod nam je dao polazno rijeenje (nedegenerisano) sa odgovarajuom vrijednosti funkcije cilja: f = 13050.
Modi metodom provjeravamo da li je rjeenje optimalno.
Testiranjem slobodnih polja dobijamo:
d24 = -3 <0 i = 50
655
LINEARNO PROGRAMIRANJE
Postaviemo novi plan transporta i nova vrijednost funkcije cilja je za 150 nj (3*50) manja
od polazne.
Minneapolis
200
Decatur
B
C
D
Potrebe
Ri
50
20
Carbondale
-
250
17
21
150
25
20
200
-3
100
25
300
0
50
27
22
Fiktivno
22
150
-2
150
-22
Kapacitet
Kt
250
20
200
22
350
22
800
Rjeenje 4.43.
U pitanju je problem asignacije iji je cilj maksimizirati vrijednost funkcije cilja
Tabela na kojoj provodimo algoritam maarske metode je oblika (zatvoreni model):
3
6
1
0
-6
2
4
6
0
-6
5
7
3
0
-7
4
8
7
0
-8
656
4
2
0
6
2
0
3
7
4
0
1
8
4
2
0
6
2
0
3
7
-2
0
0
-6
4
0
1
8
1
0
5
0
2
2
0
0
0
0
3
1
2
0
1
2
Odavde vidimo da e K1 biti primljen za prevodioca njemakog, K2 za prevodioca panskog, K3 za prevodioca francuskog i K4 za prevodioca engleskog jezika.
Kako K4 ne postoji, to e ovo mjesto ostati nepopunjeno.
Vrijednost funkcije cilja je
max f = 19 poena
Rjeenje 4.44.
Matrica rezultata:
M1
M2
M3
K1
5
11
17
K2
6
18
K3
7
12
19
K4
13
20
K5
8
14
-
657
LINEARNO PROGRAMIRANJE
Min
M1
M2
M3
fiktivno
fiktivno
K1
5
11
17
0
0
K2
6
M
18
0
0
K3
7
12
19
0
0
K4
M
13
20
0
0
K5
8
14
M
0
0
I faza (od svih elemenat u redu oduzmemo najmanji element u tom redu)
5
11
17
0
0
6
M
18
0
0
7
12
19
0
0
M
13
20
0
0
8
14
M
0
0
-5
-11
-17
-0
-0
II i III korak
0
0
0
0
0
1
M
1
0
0
2
1
2
0
0
M
2
3
0
0
3
3
M
0
0
Asignacija je zavrena. Zbog proizvoljnog izbora prve nule imamo vie optimalnih planova:
658
I plan:
K1 na radno mjesto M1,
K2 na radno mjesto M3,
K3 na radno mjesto M2,
min f = 5 + 18 + 12 = 35
II plan:
K1 na radno mjesto M3,
K2 na radno mjesto M1,
K3 na radno mjesto M2,
min f = 17 + 6 + 12 = 35
659
Literatura
Andriji, S., (2002), Matematiki modeli i metode programiranja u gospodarskom drutvu,
tree izdanje, Synopsis, Zagreb Sarajevo
Backovi, M., Vuleta, J., (2008), Ekonomsko Matematike Metode i Modeli, esto izdanje,
Centar za izdavaku djelatnost Ekonomskog fakulteta u Beogradu, Beograd.
Chiang, A. C., (1996), Osnovne metode matematike ekonomije, tree izdanje, Mate, Zagreb
Dantzing, G., (2003), Linear Programming and Extensions, Princeton University Press,
New Jersey
Dantzing, G., Thapa, (2003), M., Linear Programming: Theory and Extensions, Springer
Verlag, New York
Dorfman R.,Samuelson P., Solov, R., (1986), Linear Programming and Economic Analysis,
Dover Publications, New York
Gass, S., (1970), An Illustrated Guide to Linear Programming, McGraw Hill, New York
Gass, Saul I. (1985), Linear Programing: Methods and Applications, 5-th edition, McGraw
Hill, Inc. New York
Lasserre, J., B., (2009), Linear and integer programming vs. linear integration and counting:a duality viewpoint, Springer, New York
Maros, I., (2003), Computational Techniques of the simplex method, Kluwer Academic
Publisher, Boston
Peri, V., (1980), Algebra, Svjetlost, Sarajevo
Render, B., Stair, R., Hanna, M.,(2003), Quantitative Analysis for Management, Eighth
Edition, Prentice Hall, New Jersey
Stanojevi, R., (1966), Linearno programiranje, Institut za ekonomiku industrije, Beograd
Stojanovi, D., (1975), Matematike metode u ekonomiji preduzea, Savremena administracija, Beograd
660
lanci
N. Karmarkar, (1984), New polynomial-time algorithm for linear programming,
http://www.eecs.berkeley.edu/~orecchia/working/kar
Ioannis Z. Emiris, John, John F. Canny, (1991), A General Approach To Removing Degeneracies, http://www.cs.berkeley.edu/~jfc/papers/95/ECsiam95
Bartl, D.,(2007), Farkas' Lemma, other theorems of the alternative, and linear programming
in infinite-dimensional spaces: a purely linear-algebraic approach, Linear & Multilinear
Algebra; Jul2007, Vol. 55 Issue 4, Academic Search Complete, EBSCO,
McCarl, B.A., Spreen, T.H., (2002), Duality in linear programming,
http://agecon2.tamu.edu/people/faculty/mccarl-bruce/mccspr/new04.pdf
Linkovi
http://en.wikipedia.org/wiki/Linear_programming
http://encyclopedia2.thefreedictionary.com/Linear+programming+duality
http://www.
Questions;
unix.mcs.anl.gov/otc/guide/faq/
Linear
Programing
Frequentli
Asked
661
O autorima
Prof. dr. Rabija Somun-Kapetanovi, vanredni profesor, rukovodilac Katedre za kvantitativnu ekonomiju na Ekonomskom fakultetu u Sarajevu. Izvodila je i izvodi nastavu na predmetima
Kvantitativne metode u ekonomiji i menadmentu, Statistika u ekonomiji i menadmentu, Ekonomska analiza, Poslovna statistika na dodiplomskom i predmetima Ekonometrija,
Eksperimentalna statistika i Metodologija nauno-istraivakog rada na postdiplomskom studiju. Od 1994. godine ima status vanrednog profesora i uestvuje u nastavnom procesu i
istraivanjima na Fakultetu ekonomskih nauka i upravljanja Univerziteta Louis Pasteur u Strasbourgu u Francuskoj.
Autor je knjiga Statistika u ekonomiji i menadmentu (2006. i 2008.) i Deskriptivna statistika
(2004.) u izdanju Ekonomskog fakulteta u Sarajevu. Koautor je knjige Statistika (NUTS) regionalizacija BiH (2009.) u izdanju Ekonomskog instituta Sarajevo i Odbora za ekonomske
nauke ANU BiH, te koautor Zbirke zadataka iz matematikih metoda u ekonomskim istraivanjima, u izdanju Ekonomskog fakulteta u Sarajevu, koja je od 1980. do 1990. godine imala pet
izdanja.
Mr. sc. Almira Arnaut-Berilo, diplomirani matematiar i magistar ekonomskih nauka, saradnik je u nastavi na predmetima Kvantitativne metode u ekonomiji i menadmentu i Operaciona
istraivanja na Ekonomskom fakultetu u Sarajevu. Kao asistent je bila angaovana i na predmetu Statistika u ekonomiji i menadmentu, a kao spoljni saradnik na predmetu Algebra na
Prirodno-matematikom fakultetu u Sarajevu. Od 2008. godine ima status vieg asistenta na
oblasti Kvantitativna ekonomija. Prijavila je temu doktorske disertacije Multivarijacioni dinamiki modeli optimizacije portfolija na tritu vrijednosnih papira na Ekonomskom fakultetu u
Sarajevu.
Ensar ehi je diplomirao na Ekonomskom fakultetu Simon Fraser University, Kanada, i asistent je na oblasti Kvantitativna ekonomija na Ekonomskom fakultetu u Sarajevu. Uestvovao je
u realizaciji nastavnog procesa na predmetima Kvantitativne metode u ekonomiji i menadmentu,
Operaciona istraivanja, Statistika u ekonomiji i menadmentu i Business Mathematics and Statistics, u okviru Sarajevo Business School studija u saradnji sa Griffith College Dublin. Prijavio je
magistarski rad na temu Kvantitativna analiza povezanosti ljudskog kapitala i meudravnog konflikta na Ekonomskom fakultetu u Sarajevu.
Elma Kahvi-Begi, diplomirani matematiar, profesor je matematike u Prvoj gimnaziji u Sarajevu. U zvanju asistent - spoljni saradnik angaovana je na predmetima Kvantitativne metode
u ekonomiji i menadmentu i Operaciona istraivanja na Ekonomskom fakultetu u Sarajevu.
Student je postdiplomskog studija na smjeru Primijenjene matematike na Prirodnomatematikom fakultetu u Sarajevu.
662