Professional Documents
Culture Documents
Matematske Metode, Knjiga
Matematske Metode, Knjiga
Matematske Metode, Knjiga
Autori:
Prof. dr Rabija Somun-Kapetanović
Mr Almira Arnaut-Berilo
Ensar Šehić
Elma Kahvić-Begić
Izdavač:
Ekonomski fakultet u Sarajevu
Recenzenti:
Prof. dr Ksenija Dumičić, redovni profesor Ekonomskog fakulteta u Zagrebu
Emir Veledar, PhD Assistant Professor, Emory University, Atlanta, USA
DTP:
Mešanović Engin
Lektor:
Softić dr Aiša
Štampa:
VMG Grafika, Mostar
Tiraž:500
Godina izdanja:
2009.
ISBN
COBISS.BH-ID
KVANTITATIVNE METODE
U EKONOMIJI I MENADŽMENTU
SARAJEVO, 2009.
Predgovor
Ovaj udžbenik ima za cilj da obradi i predstavi odabrane kvantitativne metode. Sadržaj je
koncipiran prema nastavnom programu predmeta Kvantitativne metode u ekonomiji i me-
nadžmentu koji se izučava na drugoj godini Ekonomskog fakulteta u Sarajevu. To je
uslovilo izbor metoda koje će se obrađivati. Udžbenik je sastavljen iz četiri poglavlja sa
sljedećim naslovima: 1. Osnovne ekonometrijske funkcije, 2. Tehnike mrežnog planiranja,
3. Input-output analiza i 4. Linearno programiranje.
Svako poglavlje koncepcijski predstavljaju jednu oblast, odnosno grupu metoda koje pripa-
daju toj oblasti, a koje se koriste u izučavanju ekonomskih fenomena. U svim poglavljima
je primijenjen jedinstven metodološki pristup s ciljem da se na jasan i za korisnike razum-
ljiv način obradi prezentovani sadržaj.
5
Udžbenik je namijenjen studentima dodiplomskog studija ekonomskih fakulteta, ali i osta-
lim zainteresovanim studentima i ekonomistima koji primjenjuju kvantitativne metode u
svom radu.
Zahvaljujemo i našoj kolegici Merimi Balavac, asistentici, koja je pažljivo pročitala rukopis
i učestvovala u tehničkim korekcijama.
Svima koji su doprinijeli da ova knjiga bude napisana i objavljena iskreno zahvaljujemo.
6
Sadržaj
1. EKONOMETRIJSKE FUNKCIJE
1.1. UVOD .........................................................................................................................13
1.2. UKUPNA, GRANIČNA I PROSJEČNA FUNKCIJA
I NJIHOVI ODNOSI.................................................................................................14
1.2.1. Osnovna ukupna funkcija................................................................................14
1.2.2. Granična funkcija ............................................................................................15
1.2.3. Prosječna funkcija ...........................................................................................17
1.2.4. Analiza odnosa ukupne, granične i prosječne funkcije ...................................19
1.3. ELASTIČNOST.........................................................................................................35
1.3.1. Apsolutne promjene ........................................................................................35
1.3.2. Relativne promjene..........................................................................................36
1.3.3. Koeficijenti elastičnosti – kvantitativni izraz međuzavisnosti
između ekonomskih pojava .............................................................................38
1.3.4. Osobine elastičnosti.........................................................................................42
1.3.5. Koeficijent parcijalne elastičnosti ...................................................................44
1.4. OCJENA EKONOMSKIH FUNKCIJA METODAMA
REGRESIONE ANALIZE .......................................................................................45
1.4.1. Kriterij izbora regresione prave i metod najmanjih kvadrata..........................45
1.4.2. Pretpostavke o osobinama stohastičnosti modela ...........................................48
1.5. FUNKCIJA TRAŽNJE .............................................................................................56
1.5.1. Agregatna funkcija tražnje ..............................................................................56
1.5.2. Individualna funkcija tražnje...........................................................................59
1.5.3. Analitički oblici funkcije tražnje.....................................................................62
1.5.4. Koeficijenti elastičnosti tražnje .......................................................................62
1.6. FUNKCIJA PRIHODA.............................................................................................80
1.6.1. Funkcija prihoda za konstantnu (determinisanu) cijenu..................................80
1.6.2. Elastičnost prihoda kod konstantne cijene ......................................................82
1.6.3. Agregatni prihod..............................................................................................83
1.6.4. Veza između graničnog prihoda i elastičnosti tražnje.....................................88
1.6.5. Elastičnost prihoda ..........................................................................................89
7
1.7. FUNKCIJA TROŠKOVA.......................................................................................102
1.7.1. Ukupni troškovi ............................................................................................102
1.7.2. Granični troškovi ..........................................................................................103
1.7.3. Prosječni troškovi ..........................................................................................103
1.7.4. Elastičnost troškova.......................................................................................107
1.7.5. Funkcija agregatnih troškova ........................................................................109
1.8. FUNKCIJA DOBITI ...............................................................................................124
1.8.1. Funkcija dobiti kod determinisane cijene......................................................125
1.8.2. Funkcija agregatne dobiti u odnosu na količinu ...........................................130
1.8.3. Funkcija agregatne dobiti u odnosu na cijenu ..............................................135
1.9. FUNKCIJA PONUDE.............................................................................................146
1.9.1. Funkcija agregatne (tržišne) ponude .............................................................146
1.9.2. Funkcija individualne ponude .......................................................................148
1.9.3. Određivanje individualne funkcije ponude iz funkcije troškova...................151
1.9.4. Tržišna ravnoteža (ekvilibrij) ........................................................................154
1.10. FUNKCIJE PROIZVODNJE .................................................................................170
1.10.1. Osobine funkcija proizvodnje .......................................................................171
1.10.2. Granična funkcija proizvodnje ......................................................................173
1.10.3. Prosječna funkcija proizvodnje .....................................................................174
1.10.4. Vertikalni i horizontalni presjeci proizvodne površine .................................175
1.10.5. Granična stopa supstitucije faktora proizvodnje ...........................................178
1.10.6. Elastičnost funkcije proizvodnje ...................................................................180
1.10.7. Prava troškova proizvodnje – izocost prava..................................................181
1.10.8. Optimalna kombinacija faktora proizvodnje.................................................182
1.10.9. Oblici funkcija proizvodnje...........................................................................185
1.11. PITANJA ZA PONAVLJANJE .............................................................................196
1.12. ZADACI ZA VJEŽBU ............................................................................................204
1.13. RJEŠENJA ZADATAKA ZA VJEŽBU................................................................211
LITERATURA.........................................................................................................229
8
2.2.2. Aktivnost .......................................................................................................234
2.2.3. Događaj .........................................................................................................236
2.2.4. Matrica međuzavisnosti.................................................................................237
2.2.5. Mrežni dijagram ............................................................................................237
2.3. PRIMJENA TEHNIKA MREŽNOG PLANIRANJA .........................................239
2.4. ANALIZA STRUKTURE .......................................................................................241
2.5. ANALIZA VREMENA ...........................................................................................250
2.5.1. Metoda kritičnog puta (CPM)..........................................................................250
2.5.1.1. Određivanje najranijeg početka i najranijeg
završetka aktivnosti .........................................................................................251
2.5.1.2. Određivanje najkasnijeg početka i najkasnijeg
završetka aktivnosti .........................................................................................252
2.5.2. Vremenske rezerve ..........................................................................................253
2.5.3. PERT-TIME metoda........................................................................................261
2.6. ANALIZA TROŠKOVA .........................................................................................270
2.6.1. PERT-COST metoda .......................................................................................270
2.7. PITANJA ZA PONAVLJANJE .............................................................................280
2.8. ZADACI ZA VJEŽBU ............................................................................................284
2.9. RJEŠENJA ZADATAKA ZA VJEŽBU................................................................291
2.10. ANALIZA SLUČAJA PRIMJENOM MS PROJECT-a......................................310
LITERATURA.........................................................................................................326
3. INPUT-OUTPUT ANALIZA
3.1. UVOD .......................................................................................................................329
3.1.1. Input-output analiza i proizvodni sistem .......................................................332
3.2. KOLIČINSKA INPUT-OUTPUT ANALIZA ......................................................334
3.2.1. Formiranje količinske input-output tabele ....................................................335
3.2.2. Koeficijenti količinskih input-output odnosa ................................................339
3.2.3. Analiza proizvodnog sistema ........................................................................344
3.3. VRIJEDNOSNA INPUT-OUTPUT ANALIZA ...................................................369
3.3.1. Formiranje vrijednosne input-output tabele ..................................................370
3.3.2. Strukture vrijednosti u transakcionoj input-output tabeli..............................374
3.3.3. Koeficijenti vrijednosnih input-output odnosa..............................................377
9
3.3.4. Analiza proizvodnog sistema u vrijednosnoj strukturi..................................384
3.3.5. Analiza cijena u proizvodnom sistemu i uticaja njihove promjene...............388
3.4. PITANJA ZA PONAVLJANJE .............................................................................419
3.5. ZADACI ZA VJEŽBU ............................................................................................427
3.6. RJEŠENJA ZADATAKA ZA VJEŽBU................................................................433
LITERATURA.........................................................................................................450
4. LINEARNO PROGRAMIRANJE
4.1. UVOD .......................................................................................................................153
4.2. MODEL LINEARNOG PROGRAMIRANJA .....................................................456
4.2.1. Opšti polazni primalni model LP-a ...............................................................458
4.2.2. Standardni (opšti) model LP-a ......................................................................466
4.3. BAZNE TEOREME LINEARNOG PROGRAMIRANJA .................................472
4.4. TEORIJA DUALNOSTI U LINEARNOM PROGRAMIRANJU .....................478
4.4.1. Osnovne karakteristike ..................................................................................478
4.4.2. Formulisanje dualnog modela .......................................................................479
4.4.3. Teoreme dualnosti .........................................................................................482
4.4.4. Ekonomsko tumačenje optimalnih vrijednosti dualnih varijabli...................486
4.5. METODE ZA RJEŠAVANJE PROBLEMA LINEARNOG
PROGRAMIRANJA ...............................................................................................489
4.5.1. Grafička metoda ............................................................................................489
4.5.2. Simplex metoda.............................................................................................528
4.6. SPECIFIČNI OBLICI PROBLEMA LINEARNOG PROGRAMIRANJA......559
4.6.1. Transportni problem ......................................................................................559
4.6.2. Asignacija......................................................................................................592
4.7. PITANJA ZA PONAVLJANJE .............................................................................605
4.8. ZADACI ZA VJEŽBU ............................................................................................616
4.9. RJEŠENJA ZADATAKA ZA VJEŽBU................................................................635
LITERATURA.........................................................................................................660
10
Kvantitativne metode u
ekonomiji i menadžmentu
1. Ekonometrijske funkcije
1.1. Uvod
1.2. Ukupna, granična i prosječna funkcija
i njihovi odnosi
1.3. Elastičnost
1.4. Ocjena ekonomskih funkcija metodama
1.5. regresione analize
Funkcija tražnje
1.6. Funkcija prihoda
1.7. Funkcija troškova
1.8. Funkcija dobiti
1.9. Funkcija ponude
1.10. Funkcije proizvodnje
1.11. Pitanja za ponavljanje
1.12. Zadaci za vježbu
1.13. Rješenja zadataka za vježbu
Literatura
1.1. Uvod
1
Ove godine su Frich, R., Roos, O., i Ficher, I. osnovali Ekonometrijsko društvo. Prema ignon, V., (2008).
2
Detaljnije u Somun-Kapetanović, R., (2008), str. 111-151.
13
Ukupna, granična i prosječna funkcija
1.2. i njihovi odnosi
3
Prema konvenciji uobičajenoj u ekonomiji, varijabla, odnosno pojava koja se posmatra, označava se veli-
kim slovom , a konkretne vrijednosti varijable malim slovom.
4
Za jedinicu mjere će se koristiti skraćenica jm.
14
UKUPNA, GRANIČNA I PROSJEČNA FUNKCIJA I NJIHOVI ODNOSI
Ako se zavisna varijabla Y izražava eksplicitno kao funkcija više nezavisnih varijabli pišemo:
Y=F(X1, X2, ..., Xn) (1.3)
Najčešći oblik izražavanja funkcionalne zavisnosti obilježja X i Y je tabelarni prikaz. Kod
mjerenja ekonomskih pojava podaci se prikupljaju u tabelu a kasnije se statističkom anali-
zom određuje odgovarajući algebarski oblik.
X x1 x2 ... xn
Y y1 y2 ... yn
U ispitivanju ekonomskih pojava osim statičke analize - analize trenutnog stanja na tržištu,
veoma je važna i dinamička analiza – analiza promjena koje nastaju mijenjanjem nekih
uslova na tržištu.
Stepen promjene određene varijable y, koja zavisi samo od x, pri nekoj promjeni varijable
x može biti izražen kvalitativno i kvantitativno. Kvalitativno, zanima nas da li sa porastom
x dolazi do porasta ili smanjivanja y-a i kvantitativno, zanima nas kolika je ta promjena.
f (x0 + Δx)
Δy Δy
f (x0) β
Δx
Δx
0 x0 x0 + Δx x
15
EKONOMETRIJSKE FUNKCIJE
Pišemo još i
Δy dy Δy dy
lim = = y ' , odnosno, ≈ za malo Δx (1.4)
Δx → 0 Δx dx Δx dx
Geometrijski gledajući, prvi izvod funkcije f u tački x0 (dakle, f ' ( x0 ) ) jednak je koefici-
jentu pravca tangente na krivu y = f ( x ) u tački ( x0 , f( x0 )).
Prvi izvod nam određuje smjer promjene funkcije. Ako je f ' ( x0 ) > 0 , tu je promjena pozi-
tivna (ako x raste onda i y raste), a ako je f ' ( x0 ) < 0 , tu je promjena negativna (s rastom x
opada y).
Granična ili marginalna ekonomska funkcija se definiše kao prvi izvod ukupne funkcije i
izražava se u sljedećem obliku:
dY
Y ' = f '( X ) = = φ(X ) (1.5)
dX
Ova funkcija ima svoju jedinicu mjere i izražava se u jedinicama mjere varijable Y u odno-
su na jedinice mjere varijable X ( jmY / jmX ) .
Za konkretne vrijednosti varijabli X i Y izraz za graničnu funkciju se može pisati kao prvi
izvod ukupne funkcije:
Δy f ( x + Δx) − f ( x) dy
y ' = f '( x) = lim = lim = = tg β (1.6)
Δx → 0 Δx Δx → 0 Δx dx
Značenje granične funkcije u ekonomiji proizilazi iz značenja i objašnjenja prvog izvoda
funkcije. Granična funkcija pokazuje promjenu zavisne varijable Y uzrokovanu infinitezi-
malnom, odnosno beskonačno malom promjenom nezavisne varijable X (Δx → 0) . Često
se pretpostavlja da je infinitezimalna promjena jedinična zbog jednostavnijeg objašnjenja.
16
UKUPNA, GRANIČNA I PROSJEČNA FUNKCIJA I NJIHOVI ODNOSI
Dakle, ako se nezavisna varijabla X promijeni za jednu jednu jedinicu mjere u kojoj je
izražena, granična funkcija pokazuje da će se zavisna varijabla promijeniti za y' jedinica
mjere u kojima je izražena zavisna varijabla Y. Jednostavnije, može se reći da jedinična
promjena varijable X uzrokuje promjenu zavisne varijable Y za y' jedinica.
Granična funkcija funkcije više varijabli određuje 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. (1.7)
∂X i ∂X i
Značenje: Ukoliko se nezavisna varijabla Xi poveća za jednu svoju jedinicu mjere, a ostale
varijable ostanu nepromijenjene ( ΔX j = 0 za j ≠ i ) , zavisna varijabla Y će se promijeniti
∂Y
za jedinica mjere. Napomenimo da se i ovdje u tumačenju beskonačno mala promjena
∂X i
zamjenjuje sa jediničnom promjenom, što znači da će objašnjenje biti preciznije što je jedi-
nična promjena manja. U tom slučaju se greška aproksimacije smanjuje.
Prosječna funkcija (veličina) se dobija kada se ukupna funkcija podijeli sa nezavisnom vari-
jablom:
Y f (X )
Y = = = f (X ) (1.8)
X X
i izražava se u jedinici mjere Y po jedinici mjere nezavisne varijable koju smo u ovom slu-
čaju označili sa X ( jmY / jmX ) .
Značenje: Prosječna funkcija pokazuje koliko u prosjeku po svakoj jedinici nezavisne vari-
jable X dolazi jedinica zavisne varijable Y = f (X).
Za konkretnu vrijednost x varijable X i konkretnu vrijednost y varijable Y, prosječna funkci-
ja se može izraziti u sljedećem obliku:
y f ( x)
y= = = f ( x) (1.9)
x x
Vrijednost prosječne funkcije se na grafiku može odrediti kao tangens ugla kojeg zaklapa
radijus vektor svake tačke na grafiku osnovne funkcije sa pozitivnim dijelom x – ose. Na
grafikonu 2 smo pomenuti ugao označili sa α .
17
EKONOMETRIJSKE FUNKCIJE
y
y= = tgα
x
A
f (x0) = y0
y0
α
0 x0 x
B
αB
0 xB xC x
18
UKUPNA, GRANIČNA I PROSJEČNA FUNKCIJA I NJIHOVI ODNOSI
19
EKONOMETRIJSKE FUNKCIJE
Tačka
ekstrema
Maksimum
y’ = 0
y’’ < 0
Tačka Tačka
prevoja prevoja
y’ > 0 y’ < 0
y’’ = 0 y’’ = 0
Sa grafika ukupne funkcije možemo nacrtati grafik prosječne i granične funkcije, pri tome
vodeći računa da:
Kad ukupna funkcija raste, granična funkcija je veća od prosječne i obratno, kad uku-
pna funkcija opada, granična funkcija je manja od prosječne.
Kad ukupna funkcija ubrzano raste ⇒ granična funkcija je pozitivna i raste, a kad
ukupna funkcija usporeno raste ⇒ granična funkcija je pozitivna i opada.
Kad ukupna funkcija ubrzano opada ⇒ granična funkcija je negativna i opada, a kad
ukupna funkcija usporeno opada ⇒ granična funkcija je negativna i raste.
y f ( x)
Prosječna funkcija y = = = tg β predstavlja tangens ugla kojeg zaklapa prava, po-
x x
vučena iz koordinatnog početka sa svakom tačkom na krivoj, i pozitivnim dijelom X ose.
Odavde zaključujemo da prosječna funkcija ima vrijednost 0 u istoj tački u kojoj nulu ima i
20
UKUPNA, GRANIČNA I PROSJEČNA FUNKCIJA I NJIHOVI ODNOSI
osnovna funkcija, a ekstremne vrijednosti ćemo dobiti u tačkama u kojima prava tangira
grafik funkcije.
Na grafikonu 5. su prikazani grafici ukupne, granične i prosječne funkcije.
Posmatrajući uporedo ove tri funkcije mogu se analizirati sljedeći odnosi:
Ukupna funkcija postiže ekstremnu vrijednost kada je granična funkcija jednaka 0,
odnosno ukupna funkcija ima ekstremnu vrijednost u tački u kojoj je njen prvi izvod
jednak 0. Na grafiku je to tačka C.
U intervalu ubrzanog rasta funkcije ( y ' > 0, y '' > 0) , odnosno od tačke 0 do tačke A,
granična funkcija raste, ima pozitivnu vrijednost i veća je od prosječne.
U intervalu usporenog rasta funkcije ( y ' < 0, y '' > 0) , odnosno od tačke A do tačke B,
granična funkcija opada, ima pozitivnu vrijednost i veća je od prosječne.
0 A B C D
funkcije
osnovne
Maksimum
Maksimum
granične
funkcije
Prosječna
funkcija
A B C Granična
0 D
funkcija
Maksimum
prosječne
Minimum
funkcije
granične funkcije
21
EKONOMETRIJSKE FUNKCIJE
f(x)
y
C
•
A
•
yF
0 xA xC x
f(x)
y’, y f’(x) x
x
C’
A’’
0 xA xC x
22
UKUPNA, GRANIČNA I PROSJEČNA FUNKCIJA I NJIHOVI ODNOSI
Primjer 1.1.
Kroz ovaj primjer ćemo se prisjetiti nekih elementarnih funkcija i ponoviti njihove
osobine.
Linearna funkcija u implicitnom obliku je data sa:
ax+by+c=0 (a,b,c∈R),
a u eksplicitnom obliku sa:
y=kx+n (k,n∈R; k = -a/b)
Grafik linearne funkcije je prava.
k = -a/b
y
k < 0 funkcija opada,
k>0
k = 0 funkcija je konstantna,
k > 0 f unkcija je rastuća.
k=0
k<0
0 x
23
EKONOMETRIJSKE FUNKCIJE
y = ax 2 + bx + c; a, b, c ∈ R .
Grafik kvadratne funkcije je parabola.
a>0 y Diskriminanta
D<0 a>0 D = b 2 − 4ac
a>0
D=0 D>0 Za D > 0 imamo dvije
2
4 realne nule parabole 1 i 6.
Za D = 0 imamo jednu
x realnu nulu parabole 3 i 4.
a<0 a<0 6
D>0 1 a<0 Za D < 0 nemamo realnih
D=0 3 5 nula parabole 2 i 5.
D<0
a>1
y
Za 0 < a < 1 funkcija je opadajuća
(usporavajući negativan prinos).
Za a > 1 funkcija je rastuća
(ubrzavajući pozitivan prinos).
0<a<1
0 x
24
UKUPNA, GRANIČNA I PROSJEČNA FUNKCIJA I NJIHOVI ODNOSI
0 x
0<a<1
Primjer 1.2.
Ispitati i na istom grafiku nacrtati funkcije: y = −2 x + 5 i x = 2 y − 5 , a zatim odrediti
koordinate presječne tačke.
Rješenje:
⎧x = 0 ⇒ y = 5
⎪
Odsječci sa osama: Za y = −2 x + 5 imamo: ⎨ 5 ;
⎪⎩ y = 0 ⇒ x =
2
⎧ 5
⎪x = 0 ⇒ y =
Za x = 2 y − 5 imamo: ⎨ 2
⎪⎩ y = 0 ⇒ x = −5
25
EKONOMETRIJSKE FUNKCIJE
30
y
25
20
15
10
x = 2y-5
5
x
0
-10 -8 -6 -4 -2 0 2 4 6 8 10
-5
-10
y = -2x+5
-15
-20
Primjer 1.3.
Na istom grafiku prikazati funkcije:
C = q 2 + 1500; P = 200q − 4q 2 ; D = −5q 2 + 200q − 1500
Odrediti njihove zajedničke tačke, intervale u kojima su funkcije pozitivne, maksi-
malne vrijednosti.
Rješenje:
Odredimo karakteristične tačke svake od posmatranih kvadratnih funkcija:
Funkcija C = q 2 + 1500 je parna funkcija sa minimumom.
Nule: C = 0 ⇒ q 2 = −1500 ⇒ nema nula
⎧⎪C ′ = 0 ⇒ 2q = 0 ⇒ q = 0 ⇒
Minimum: ⎨
⎪⎩C ( 0 ) = 1500
Funkcija P = 200q − 4q 2 je funkcija sa maksimumom.
Nule: P = 0 ⇔ 200q − 4q = 0 ⇔ 4q ⋅ ( 50 − q ) = 0 ⇒ q1 = 0; q2 = 50;
2
⎧⎪ P′ = 0 ⇒ 200 − 8q = 0 ⇒ q = 25
Maksimum: ⎨
⎪⎩ P ( 25 ) = 2500
26
UKUPNA, GRANIČNA I PROSJEČNA FUNKCIJA I NJIHOVI ODNOSI
⎧⎪ D′ = 0 ⇒ −10q + 200 = 0 ⇒ q = 20
Maksimum: ⎨
⎪⎩ D ( 20 ) = 500
Presjeci C i P : C = P ⇒ q1 = 10; q2 = 30
Na sljedećem grafikonu su predstavljeni grafici funkcija:
C = q 2 + 1500; P = 200q − 4q 2 ; D = −5q 2 + 200q − 1500
6500
4500 C
2500
500 q
0 10 20 30 40 50 60 70
-1500
P
-3500
-5500
D
-7500
Primjer 1.4.
Na grafiku funkcije y = f ( x ) označiti:
y
f(x)
0 x
27
EKONOMETRIJSKE FUNKCIJE
Rješenje:
y
f(x)
• x0 x4 x1 x3 x2 x5
0 x
y0
•
Grafikon 1.4. Karakteristične vrijednosti funkcije
28
UKUPNA, GRANIČNA I PROSJEČNA FUNKCIJA I NJIHOVI ODNOSI
f ( x)
d) Maksimum/minimum prosječne funkcije y = se može odrediti tako što se
x
f ( x)
odredi najveći/najmanji koeficijent pravca prave ( tan φ = ) koja spaja koor-
x
dinatni početak sa tačkama na krivoj y = f ( x ) . Najveći/najmanji koeficijent
pravca će imati tangente povučene iz koordinatnog početka na funkciju
y = f ( x) .
f ( x) f ( x)
Na grafikonu su to tačke x4 za max y = i x5 za min y =
x x
e) Granična funkcija y′ = f ′ ( x ) ima ekstrem u tački prevoja x3 ( f ′′ ( x ) = 0 ) .
3
y'
y f'(x)
y
•
•
•x • •
0 0 x4 x1 x3 x2 x5 x
29
EKONOMETRIJSKE FUNKCIJE
Primjer 1.5.
Data je funkcija y = 10 ⋅ e0,2 x
a) Nacrtati grafik funkcije,
b) Odrediti njenu graničnu i prosječnu funkciju i prikazati ih u istom koordinatnom
sistemu.
Rješenje:
a)
70 y (x )
60
50
40
30
20
10
x
0
-10 -5 0 5 10 15
30
UKUPNA, GRANIČNA I PROSJEČNA FUNKCIJA I NJIHOVI ODNOSI
50
10
-50
-10 -2 0 5 12 5 x
Primjer 1.6.
Nacrtati grafik funkcije V ( y ) = 32 y − 12 y 2 + y 3 , a zatim grafike granične V’(y) i
prosječne funkcije V ( y ) .
Rješenje:
Kubna funkcija V ( y ) = 32 y − 12 y 2 + y 3 ima tri nule: y1 = 0; y2 = 4; y3 = 8 , dvije ek-
stremne tačke Max (1.63; 24.63) i Min (6.3; -24.63) i jednu prevojnu tačku ( 4, 0 ) .
Kreće iz -∞ a završava u +∞.
400 V
24,63
-24,63
0
-400 1,63 4 6,3 8 x
31
EKONOMETRIJSKE FUNKCIJE
30
20
10
0 1,63 4 6, 6,3 8 12 x
-16
-20
Primjer 1.7.
x⋅ y
Prikazati u nenegativnom koordinatnom sistemu 0xyz površ z = . Odrediti “ver-
x+ 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
Rješenje:
x⋅ y
Grafički prikaz površi z = u I oktantu prostora 0xyz je dat na grafikonu 1.7.
x+ y
32
UKUPNA, GRANIČNA I PROSJEČNA FUNKCIJA I NJIHOVI ODNOSI
xy
Grafikon 1.7. Grafik funkcije z = , x ≥ 0, y ≥ 0
x+ y
x=2 y=2
x=3 y=3
x=4 y=4
33
EKONOMETRIJSKE FUNKCIJE
Primjer 1.8.
x⋅ y
Odrediti i grafički prikazati “horizontalne presjeke po z” površi z = za z = 2 ,
x+ y
z = 3, z = 4.
Rješenje
Horizontalne presjeke dobijamo kao presjek površi z = F ( x, y ) i ravni z = const.
34
ELASTIČNOST
1.3. Elastičnost
Elastičnost u ekonomiji se mjeri koeficijentom elastičnosti koji se naziva i koeficijent osjet-
ljivosti i predstavlja kvantitativni izraz međuzavisnosti između ekonomskih pojava. Jedan
od osnovnih zadataka u ekonomiji je predviđanje. Predviđanje kretanja neke ekonomske
varijable na osnovu kretanja neke druge ekonomske varijable sa kojom je ona međuzavisna
moguće je samo na osnovu kvantitativno izražene međuzavisnosti između tih varijabli.
U funkciji analize elastičnosti potrebno je definisati apsolutne i relativne promjene.
35
EKONOMETRIJSKE FUNKCIJE
Primjer 1.9.
Prije septembarskog ispitnog roka, ispit iz statistike je položilo 200 studenata I godine.
Nakon septembarskog roka ukupan broj studenata koji su položili statistiku je 250.
a) Kolika je promjena broja studenata koji su položili ispit?
b) Kolika je relativna promjena?
c) Objasnite relativnu promjenu iz b).
36
ELASTIČNOST
Rješenje:
a) Promjena vrijednosti x:
Δx = xnovo – xstaro
Promjena broja studenata je Δx = 250 – 200 = 50
b) rx – relativna promjena vrijednosti x
Δx xnovo − xstaro
rx = =
x xstaro
Relativna promjena iznosi: rx = 50/200 = 0,25 i tumači se u %.
c) Broj studenata koji su položili statistiku nakon septembarskog roka je za 25% ve-
ći nego prije septembarskog ispitnog roka.
Primjer 1.10.
Broj studenata I godine koji su stekli uslov da upišu narednu godinu prije septembar-
skog 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?
Rješenje:
a) Relativna promjena upisanih studenata ry je:
Δy/y = (180-160)/160 = 20/160 = 0,125
Nakon septembarskog ispitnog roka broj studenata koji su upisali narednu godinu
je 12,5% veći nego prije.
b) Porast prolaznosti iz statistike je 25% a ukupna prolaznost je porasla za 12,5%.
Možemo reći da u prosjeku na svakih 1% porasta prolaznosti iz statistike raste i
broj upisanih za 0,5%.
Kroz ova dva prakična primjera prisjetili smo se pojma i tumačenja relativne promjene i
uvidjeli potrebu da se posmatraju odnosi (količnici) dviju relativnih promjena i to nas do-
vodi do pojma elastičnosti.
37
EKONOMETRIJSKE FUNKCIJE
38
ELASTIČNOST
Δx
prosjeku na svaki 1% unutar ⋅100% porasta vrijednosti varijable X, varijabla Y
xi
promijenila za E y. x %.
Vrijednost koeficijenta elastičnosti na luku ima sljedeće značenje: ako je vrijednost vari-
Δx
jable X iz tačke i u tačku (i+1) porasla za % , odgovarajuća vrijednost Y će se
xi
Δy
promijeniti za % ⋅ To znači da se u prosjeku na svaki 1% porasta vrijednosti varijable X,
yi
varijabla Y mijenja za Ey,x %.
Postoje i druge mjere stepena međuzavisnosti ekonomskih varijabli, kao što su koeficijent
determinacije i koeficijent korelacije. Koeficijent elastičnosti je najpogodnija mjera kvanti-
tativne međuzavisnosti dvije ili više ekonomskih varijabli i ne zavisi od jedinice mjere
analiziranih varijabli. Koeficijent elastičnosti je relativna mjera međuzavisnosti koja zbog
te osobine ima jednostavno objašnjenje i ekonomsko značenje i vrlo veliku primjenu u eko-
nomiji.
Navedena objašnjenja koeficijenta elastičnosti na luku pretpostavljaju da je luk pravolinij-
skog oblika i zanemaruju tok luka između dvije posmatrane tačke. Što luk više odstupa od
pravolinijskog oblika, greška u objašnjenju koeficijenta elastičnosti na luku je veća. Ukoli-
ko je luk pravolinijskog oblika, greška tumačenja će biti jednaka nuli. Greška će težiti nuli
ukoliko promjene nezavisne varijable X teže nuli Δ X → 0 .
Na sljedećim grafikonima će se ilustrovati postupak smanjenja greške koja nastaje pri mje-
renju elastičnosti na luku. Pitanje koje se postavlja je: Kako smanjiti ovu grešku mjerenja?
39
EKONOMETRIJSKE FUNKCIJE
B
y2 y2 B
y1 A y1 A
x1 x2 x1 x2
Elastičnost na luku za ove dvije funkcije je jednaka jer zanemaruje tok kretanja pojave iz-
među dvije posmatrane tačke. Greška mjerenja elastičnosti na luku se smanjuje kada su
promjene varijable X manje. Greška će težiti ka nuli kada su, kao što je prethodno već na-
vedeno, promjene varijable X beskonačno male i teže nuli, odnosno kada se na prethodnim
grafikonima tačke A i B poklope. U tom slučaju definiše se elastičnost u tački.
Elastičnost u tački
Ako je zavisnost varijable Y od varijable X izražena neprekidno, odnosno kontinuirano,
elastičnost se mjeri u svakoj tački razmaka u kome je međuzavisnost definisana. Tada je
riječ o koeficijentu elastičnosti u tački koji se definiše sljedećim izrazom:
x Δy x Δy x dy x
E y , x = lim ⋅ = ⋅ lim ⋅ = ⋅ = ⋅ y' (1.20)
Δx → 0 y Δx y Δx → 0 Δx y dx y
Koeficijent elastičnosti je relativna mjera stepena međuzavisnosti varijabli, što znači da ne
zavisi od jedinica mjere analiziranih varijabli. Koeficijent elastičnosti u tački pokazuje rela-
tivnu promjenu varijable Y koja je rezultat relativne promjene varijable X. Veća vrijednost
koeficijenta elastičnosti znači da je varijabla Y elastičnija ili osjetljivija na promjenu varija-
ble X. Analogno tome, manja vrijednost koeficijenta elastičnosti ukazuje na manju
elastičnost, odnosno osjetljivost promjene varijable Y na promjenu varijable X.
Značenje koeficijenta elastičnosti u tački: ako se vrijednost nezavisne varijable X poveća
za 1%, tada će se vrijednost zavisne varijable Y promijeniti za Ey,x % u zavisnosti od zna-
ka koeficijenta elastičnosti.
Koeficijent elastičnosti varijable Y na promjene varijable X se može izraziti i kao odnos
granične i prosječne promjene varijable Y:
40
ELASTIČNOST
x y′ y '
Ey,x = ⋅ y' = = (1.21)
y y y
x
Koeficijent elastičnost može uzimati vrijednosti od -∞ do +∞, što se može ilustrovati na
sljedeći način:
Savršena neelastičnost
Savršena elasti- Savršena
elastičnost
čnost Indiferentna elastičnost Indiferentna elastičnost
-∞ -1 0 1 +∞
Neelastičnost Neelastičnost
Elastičnost Elastičnost
41
EKONOMETRIJSKE FUNKCIJE
Dokaz:
X ' X ' X
EY , X = ⋅Y = ⋅ C = ⋅ 0 = 0 (1.22)
Y C C
Elastičnost stepene funkcije je jednaka stepenu date funkcije: Y = a·Xb ⇒
EY , X = b = const.
Dokaz:
X ' X X 1
EY , X = ⋅Y = ⋅ a ⋅ b ⋅ X b −1 = ⋅ a ⋅b ⋅ X b ⋅ = b (1.23)
Y a⋅ X b
a⋅ X b
X
Elastičnost eksponencijalne funkcije: Y = a ⋅ b X ⋅ ⇒ EY ⋅ X = X ⋅ ln(b)
Dokaz:
X X
EY , X = ⋅Y ′ = ⋅ a ⋅ b X ⋅ ⋅ ln(b) = X ⋅ ln(b) (1.24)
Y a ⋅b X
Dokaz:
Y Y dX 1 1 1
E X ,Y = ⋅X' = ⋅ = ⋅ = (1.25)
X X dY X dY EY , X
Y dX
Elastičnost složene funkcije jednaka je proizvodu posmatranih funkcija, odnosno za
Z = Z ⎣⎡Y ( X ) ⎦⎤ ⇒ EZ,X = EZ,Y · EY,X,
42
ELASTIČNOST
Dokaz:
X dY Y dZ
Y = f ( X ) ⇒ EY , X = ⋅ ; Z = g (Y ) ⇒ EZ ,Y = ⋅ ;
Y dX Z dY
X dZ
Z = g [ f ( X ) ] = φ ( X ) ⇒ EZ , X = ⋅
Z dX
Y dZ X dY X dZ
EZ ,Y ⋅ EY , X = ⋅ ⋅ ⋅ = ⋅ = EZ , X (1.26)
Z dY Y dX Z dX
Odnos elastičnosti prosječne i ukupne funkcije:
EY , X = EY , X − 1 (1.27)
EY , X = EY , X + 1 (1.28)
Dokaz:
'
X X ⎛ Y ⎞ X 2 ⎛ Y ' ⋅ X −Y ⎞ X '
EY , X = ⋅ (Y ) ' = ⋅ = ⋅⎜ ⎟ = ⋅ Y − 1 = EY , X − 1
Y Y ⎜⎝ X ⎟⎠ Y ⎝ X2 ⎠ Y
X
Za analizu elastičnosti zbira, razlike, proizvoda i količnika potrebno je definisati slje-
deće opšte izraze:
Y = f(X) Y1 = f1(X) Y2 = f2(X)
X X ' X '
EY , X = ⋅Y ′ EY1 , X = ⋅ Y1 EY2 , X = ⋅ Y2
Y Y1 Y2
gdje funkcija Y = f(X) može biti odgovarajuća algebarska kombinacija funkcije Y1 =
f1(X) i funkcije Y2 = f2(X).
Elastičnost proizvoda dvije funkcije je jednaka zbiru elastičnosti ove dvije funkcije:
Y = Y1·Y2 ⇒ EY , X = EY1 , X + EY2 , X (1.29)
43
EKONOMETRIJSKE FUNKCIJE
Dokaz:
X X X
⋅ (Y1 ⋅ Y2 ) = ⋅ (Y1' ⋅ Y2 + Y1 ⋅ Y2' ) =
'
EY , X = ⋅Y ′ =
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
Osobina proizvoda se može generalizirati i primijeniti i za n funkcija.
Elastičnost količnika:
Y1
Y= ⇒ EY , X = EY1 , X − EY2 , X (1.30)
Y2
Dokaz:
'
X X ⎛ Y1 ⎞ X ⋅ Y2 Y1' ⋅ Y2 − Y1 ⋅ Y2' X ' X '
EY , X ′
= ⋅Y = ⋅ ⎜ ⎟ = ⋅ = ⋅ Y1 − ⋅ Y2 = EY1 , X − EY2 , X
Y1 ⎝ Y2 ⎠ (Y2 )
2
Y Y1 Y1 Y2
Y2
Elastičnost zbira/razlike je jednaka sljedećem izrazu:
1
Y = Y1 ± Y2 ⇒ EY , X =
Y
(
⋅ Y1 ⋅ EY1 , X ± Y2 ⋅ EY2 , X ) (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
=
Y
(
⋅ Y1 ⋅ EY1 , X ± Y2 ⋅ EY2 , X )
X i ∂Y
EY , X i =⋅ za i = 1,..., n. (1.32)
Y ∂X i
Koeficijent parcijalne elastičnosti pokazuje postotak promjene zavisne varijable Y koji je
rezultat povećanja nezavisne varijable Xi za 1%, uz uslov da ostale varijable ostaju nepro-
mijenjene. Ukoliko se nezavisna varijabla Xi poveća za 1%, a ostale varijable ostanu
nepromijenjene, zavisna varijabla će se promijeniti za EY , X i (%).
44
OCJENA EKONOMSKIH FUNKCIJA METODAMA REGRESIONE ANALIZE
Kada se pomoću statističkih metoda istražuje jedna pojava nezavisno od ostalih, radi se o
jednodimenzionalnoj statističkoj analizi. Statističkim metodama mogu se analizirati i me-
đusobni odnosi više pojava. U tom slučaju se radi o višedimenzionalnoj analizi. Ovim
metodama se ne analiziraju uzroci ni posljedice pojava, već zavisnost pojava i njihovih
promjena. Veze među pojavama mogu biti funkcionalne i stohastičke. Statistička analiza
odnosa između dvije ili više pojava se vrši metodama deskriptivne i inferencijalne statisti-
ke. Stepen statističke povezanosti između pojava se istražuje metodama korelacione
analize. Za određivanje analitičkog odnosa među pojavama primjenjuju se regresioni mode-
li. Veza među pojavama je funkcionalna ako su vrijednostima jedne pojave u potpunosti
određene vrijednosti druge pojave. U tom slučaju za svaku vrijednost nezavisne varijable se
može precizno odrediti vrijednost zavisne varijable. Funkcionalne veze su najčešće u priro-
dnim naukama i u manjoj mjeri u društvenim naukama. Kada jednoj vrijednosti nezavisno
promjenljive X, odgovara više vrijednosti zavisno promjenljive Y, kažemo da je njihova
veza stohastička.
Opšti oblik regresionog modela se može napisati u sljedećem obliku::
Y = f ( X 1 , X 2 ,...., X n ) + ε (1.33)
gdje je Y zavisna promjenljiva, Xi (i = 1,..., n) su nezavisne promjenljive i parametar ε slu-
čajno odstupanje. Ovaj model se naziva model višestruke regresije ili višedimenzionalni
regresioni model.
Model koji sadrži zavisnu i jednu nezavisnu promjenljivu naziva se model jednostavne reg-
resije ili jednodimenzionalni regresioni model. Model jednostavne regresije ima sljedeći
oblik:
Y = f (X ) +ε (1.34)
Zadatak regresione analize je istraživanje analitičkog oblika veze između pojava kojem se
najviše približavaju promjene analiziranih pojava. Zadatak korelacione analize je utvrđiva-
nje stepena i smjera povezanosti pojava.
45
EKONOMETRIJSKE FUNKCIJE
yi = α + β xi + ε i , i = 1,2,...,n. (1.35)
Potrebno je izvršiti ocjenu parametara α i β . Ocijenjene vrijednosti parametara će se
označiti sa a i b , te se model može napisati u sljedećem obliku:
yi = a + bxi + ei , i = 1,2,...,n. (1.36)
Označimo sa
yˆi = a + bxi (1.37)
funkcionalni dio modela gdje su a i b ocijenjeni parametri. Podaci su dati kao n posmatra-
nih parova (xi, yi), a yˆi predstavlja ocijenjene vrijednosti Y na osnovu posmatranih
vrijednosti xi od X. Na osnovu izraza (1.36.) i (1.37) može se napisati relacija:
yi = yˆi + ei (1.38)
iz koje se izražava slučajno ili rezidualno odstupanje ei kao razlika između posmatranih i
ocijenjenih vrijednosti varijable Y:
ei = yi − yˆi
(1.39)
ei = yi − a − bxi
Rezidualno odstupanje je predstavljeno na sljedećem grafikonu:
y yˆ i = a + bxi
yi • •
ei = y i − yˆ i •
ŷ i •
•
•
•
•
• •
xi x
46
OCJENA EKONOMSKIH FUNKCIJA METODAMA REGRESIONE ANALIZE
Cilj je primijeniti metod za ocjenu parametara regresionog modela koji će minimizirati re-
zidualna odstupanja. Pitanje koje se postavlja je izbor kriterija koji će obezbijediti
minimizaciju slučajnih odstupanja.
Kriterij koji omogućava izbor najbolje regresione prave je minimiziranje zbira kvadrata
rezidualnih odstupanja:
n
minimum ∑e i =1
2
i (1.40)
Na ovom kriteriju je baziran metod najmanjih kvadrata. Minimiziranje zbira kvadrata rezi-
dualnih odstupanja:
n n n
je moguće uz potrebne uslove koji zahtijevaju da parcijalni izvodi ovog zbira po paramet-
rima a i b budu jednaki nuli:
n
∂ ∑ ei2 n
i =1
= 2∑ ( yi − a − bxi )(−1) = 0
∂a i =1
n
∂ ∑ ei2 n
i =1
= 2∑ ( yi − a − bxi )(− xi ) = 0
∂b i =1
∑ yi = na + b∑ xi
i =1 i =1
n n n
∑ xi yi = a∑ xi + b∑ xi2
i =1 i =1 i =1
∑ yi ∑x i
a= i =1
−b i =1
(1.42)
n n
a = y − bx (1.43)
Zamjenom izraza za izračunavanje parametra a u drugu normalnu jednačinu dobija se izraz
za izračunavanje parametra b:
47
EKONOMETRIJSKE FUNKCIJE
n n n
∑ xi yi = ( y − bx )∑ xi + b∑ xi2
i =1 i =1 i =1
n n n n
∑ xi yii = y ∑ xi − bx ∑ xi + b∑ xi2
i =1 i =1 i =1 i =1
n n
⎛ n n
⎞
∑x y
i =1
i ii − y ∑ xi = b ⎜ ∑ xi2 − x ∑ xi ⎟
i =1 ⎝ i =1 i =1 ⎠
n n
∑ xi yi − y ∑ xi
b= i =1
n
i =1
n
(1.44)
∑x
i =1
2
i − x ∑ xi
i =1
∑ x y − n⋅ x ⋅ y i i
b= i =1
n
∑x
i =1
2
i − nx 2
odnosno,
1 n
∑ xi yi − x ⋅ y
n i =1
b= (1.45)
1 n 2
∑
n i =1
xi − x 2
48
OCJENA EKONOMSKIH FUNKCIJA METODAMA REGRESIONE ANALIZE
∑ ( y − yˆ )
i i
2
σ yˆ = i =1
n
σ yˆ
kao i koeficijent varijacije regresionog modela5: kVyˆ =
y
Ocjena parametara jednostruke i višestruke ili multiple linearne regresije se može izvršiti
primjenom Microsoft Excela. Objasnićemo kako se primjenom Microsoft Excela ocjenjuju
parametri modela linearne regresije. Faze u primjeni su sljedeće:
5
Pored navedenih, postoje i drugi pokazatelji kvaliteta pouzdanosti ocijenjenih parametara. Detaljnija anali-
za ovih pokazatela je predstavljena u Somun - Kapetanovć, R. (2008), str.111-145.
49
EKONOMETRIJSKE FUNKCIJE
50
OCJENA EKONOMSKIH FUNKCIJA METODAMA REGRESIONE ANALIZE
Prodate količine frižidera «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
51
EKONOMETRIJSKE FUNKCIJE
52
OCJENA EKONOMSKIH FUNKCIJA METODAMA REGRESIONE ANALIZE
Postoji i drugi način ocjene parametara regresionog modela koji se može primijeniti u
Excelu. Postupak je sljedeći:
Nacrtati dijagram rasipanja (XY Scatter).
U traci izbornika će 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
označavaju dvije opcije: Display equation on chart da bismo dobili jednačinu regresionog
modela i opcija Display R-squared value on chart kako bi se dobila vrijednost koeficijenta
determinacije.
6
Op. cit., str. 126-128.
54
OCJENA EKONOMSKIH FUNKCIJA METODAMA REGRESIONE ANALIZE
Kao što je vidljivo na gornjoj slici, dobijena je jednačina tražnje kao u prethodnom slučaju:
q = 41,551-0,017p.
55
1.5. Funkcija tražnje
U teorijskoj i empirijskoj analizi razlikuju se individualna i agregatna tržišna tražnja. U
prvom dijelu će se definisati, prezentovati i analizirati agregatna tržišna tražnja, a zatim i
individualna tržišna tražnja za nekim dobrom.
Tražnja nekog dobra predstavlja količinu tog dobra7 koja se može prodati na određenom
tržištu u određeno vrijeme. Tražnja za nekim dobrom zavisi od velikog broja faktora. Naj-
značajniji faktori od kojih zavisi tražnja za nekim dobrom su: cijena tog dobra, cijene
ostalih dobara, prvenstveno komplemenata i supstituta, dohodak potrošača, vrijeme, broj
potrošača, ukus i preferencije potrošača i niz drugih faktora koji posredno ili neposredno
mogu uticati na tražnju. Ako se navedeni faktori posmatraju kao promjenljive veličine, tra-
žnja za nekim dobrom se izražava kao funkcija više promjenljivih u sljedećem obliku:
q = F ( p, p1 , p2 ,..., pk , d , t , r ) (1.47)
gdje su:
q količina tražnje određenog dobra ,
p cijena tog dobra,
p1 , p2 ,..., pk cijene ostalih dobara na tržištu ,
d dohodak (budžet) potrošača,
t vrijeme,
r ostali faktori koji utiču na tražnju za određenim dobrom (broj potrošača, ukus i pre-
ferencije potrošača, itd.).
Izraz (1.47) predstavlja opšti oblik funkcije tražnje, odnosno tražnju u širem smislu. Istraži-
vanje, ekonometrijska ocjena i analiza funkcije tražnje preko relacije (1.47) je složen zadatak.
Svi faktori od kojih zavisi tražnja za nekim dobrom ne mogu se izmjeriti i na adekvatan način
kvantificirati. Stoga se analiza pojednostavljuje smanjivanjem broja faktora koji se uključuju
kao nezavisne varijable. Tražnja se analizira kao funkcija određenog broja faktora koji imaju
dominantan uticaj pretpostavljajući konstantnost ostalih faktora.
Na tražnju za nekim dobrom najveći uticaj ima cijena tog dobra. Polazeći od te činjenice, traž-
nja se može definisati u užem smislu kao funkcija cijene posmatranog dobra, uz pretpostavku
da su ostali faktori od kojih zavisi tražnja konstantni i napisati u sljedećem obliku:
q = f ( p), odnosno q = q ( p ) (1.48)
7
Kao sinonim za dobro koristiće se termin proizvod.
56
FUNKCIJA TRAŽNJE
gdje je:
q tražnja za nekim određenim dobrom,
p cijena tog dobra.
Odnos između količine tražnje za nekim dobrom i cijene tog dobra dat relacijom (1.48)
naziva se Cournot-ov zakon tražnje. Definisanje relacije (1.48), pored polazne pretpostavke
o funkcionalnom odnosu tražnje i cijene, uz konstantnost ostalih faktora, implicira i pretpo-
stavke tržišta potpune konkurencije. Te pretpostavke su:
a) Homogenost dobara ili identičnost dobara koja ih čini međusobno savršenim supstitu-
tima.
b) Prisustvo velikog broja kupaca i prodavaca od kojih ni jedan pojedinačno svojom tra-
žnjom i ponudom nije u stanju da promijeni nivo cijene. Cijena se javlja kao
nezavisna promjenljiva u odnosu na svakog učesnika. Postoji, dakle, objektivno data
cijena po kojoj se vrši 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 tržištu.
d) Svi kupci i prodavci slobodno stupaju u kupoprodajne odnose i mogu kada želi ući na
tržište i izaći sa tržišta.
Da bi relacija (1.48) predstavljala funkciju tražnje, moraju biti ispunjeni sljedeći uslovi:
1. Nenegativnost8 zavisne i nezavisne varijable: q ≥ 0, p ≥ 0 . Oblast definisanosti fun-
kcije tražnje se nalazi u intervalu:
0 ≤ p ≤ p+
q+ ≥ q ≥ 0
gdje p+ označava maximalnu cijenu do koje postoji tražnja na tržištu, a q+ označava
nivo zasićenja, odnosno nivo tražnje kad bi cijena bila 0.
2. Zakon normalnosti tražnje, kojim se izražava osobina da je tražnja opadajuća funkcija
cijene, matematički se izražava negativnom vrijednošću prvog izvoda funkcije tražnje
dq
q′ = = f ′ ( p ) < 0.
dp
3. Tražnja je neprekidna funkcija 0 < q′ < +∞.
8
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.
9
Jurin, S., Šohinger, J., (1990), str. 47-48.
57
EKONOMETRIJSKE FUNKCIJE
q
q+
q1
q2
0 p1 p2 p+ p
Grafikon 9. Funkcija tražnje
58
FUNKCIJA TRAŽNJE
gdje je:
x individualna tražnja za nekim određenim dobrom,
p cijena tog dobra.
Individualna funkcije tražnje mora zadovoljiti, kao i agregatna funkcija, sljedeće osobine da
bi mogla biti funkcija tražnje:
1. Nenegativnost zavisne i nezavisne varijable, odnosno nenegativnost tražnje i cijene:
x ≥ 0, p ≥ 0 . Oblast definisanosti funkcije tražnje se nalazi u intervalu:
0 ≤ p ≤ p+
x+ ≥ x ≥ 0
2. Zakon normalnosti tražnje kojim se izražava osobina da je tražnja opadajuća funkci-
ja cijene. Matematski, prvi izvod funkcije tražnje ima negativnu vrijednost:
dx
x′ = = f ′ ( p ) < 0.
dp
59
EKONOMETRIJSKE FUNKCIJE
Funkcija agregatne tražnje se dobija kao zbir svih individualnih tražnji na određenom tržiš-
tu u određenom vremenu za nekim dobrom u oblasti njihove definisanosti. Oblast
definisanosti Dq agregatne tražnje predstavlja uniju oblasti definisanosti svih individualnih
tražnji Dx̂ :
q( p ) = ∑ xi ( p); p ∈ ∪ D xi . (1.52)
i i
Zapis p ∈ ∪ Dxi znači da na tržištu postoji tražnja sve dok je barem jedan potrošač spre-
i
man da kupi predmetno dobro. Prema tome, maksimalna cijena do koje postoji agregatna
tražnja je p + = max( pi+ ) , a nivo agregatnog tržišnog zasićenja je q + = ∑ xi+ ;
i i
U sljedećem opštem slučaju ćemo ilustrovati kako na osnovu dvije individualne funkcije
tražnje određujemo agregatnu funkciju tražnje.
Neka su poznate funkcije individualnih tražnji dva proizvođača: x1 = x1 ( p), x2 = x2 ( p) .
Pretpostavimo da su u pitanju linearne funkcije i da je funkcija individualne tražnje
x1 = x1 ( p) definisana za p∈(0, p1+); x1∈(0, x1+) i funkcija individualne tražnje x2 = x2 ( p)
definisana za p∈(0, p2+); x2∈(0, x2+).
Bez ograničenja opštosti, možemo uzeti da je granična cijena p2+ veća ili jednaka od grani-
čne cijene p1+ ( p2+ ≥ p1+ ) i da je nivo zasićenja x2+ veći ili jednak od nivoa zasićenja
x1+ ( x2+ ≥ x1+ ) . Na grafikonu 10 je dat prikaz ovih funkcija individualnih tražnji.
x(p)
x2+
x1+
x2
x1
p1+ p2+ p
60
FUNKCIJA TRAŽNJE
Na osnovu pretpostavke ( p2+ ≥ p1+ ) slijedi da je agregatna tražnja definisana za p ∈ ⎡⎣0, p2+ ⎤⎦ .
Na tržištu su prisutna oba potrošača ako je cijena predmetnog dobra manja ili jednaka od
p1+ , odnosno ako je p ∈ ⎡⎣0, p1+ ⎤⎦ . Ako je cijena predmetnog dobra veća od p1+ , potrošač x1
odustaje od tražnje i za cijenu p ∈ ( p1+ , p2+ ) na tržištu će biti prisutan samo x2 . Odavde je
zakon agregatne tražnje definisan sa:
⎧ x1 + x2 za p ∈ ⎡0, p1+ ⎤
⎪ ⎣ ⎦
q( p) = ⎨ .
⎪⎩ x2 za p ∈ ( p1 , p2 ⎤⎦
+ +
Nivo zasićenja q + = x1+ + x2+ , a granična cijena p+ = p2+ (p2+ > p1+). Grafički prikaz agrega-
tne tražnje, te individualnih tražnji i agregatne tražnje zajedno dat je na grafikonima 11 i 12.
x1+x2 x1+x2
+
x2 Δ x1
x1 + x2
x2
Δ x1
p1+ p2+=p+ p p1+ p2+= p+ p
Grafikon 11. Funkcija agregatne tražnje Grafikon 12. Funkcija agregatne tražnje
61
EKONOMETRIJSKE FUNKCIJE
Funkcija tražnje kojom se određuje zavisnost tražnje nekog dobra od cijene tog dobra može
imati različite analitičke oblike. Najčešći analitički oblici koji se mogu koristiti za ocjenu
funkcije tražnje su sljedeći:10
1. q = a − bp
2. q = a − bp 2
3. q = (a − bp) 2
b
4. q = a +
p
a
5. q = − b;
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 tražnje su:
a > 0; b > 0; c > 0 . Za sve navedene direktne zakone tražnje mogu se formulisati inverzni
zakoni tražnje.11
Lista predstavljenih analitičkih oblika funkcije tražnje nije egzostivna i u empirijskim ana-
lizama se mogu ocijeniti i drugi oblici funkcije tražnje u zavisnosti od prikupljenih
empirijskih podataka.
10
U analizi funkcije tražnje, i kasnije funkcija prihoda i dobiti, koristićemo osobinu neprekidnosti funkcija
tražnji i pretpostavku da je q ( p ) = 0 . Ovaj uslov ne umanjuje opštost analize, ali olakšava matematičku in-
+
11
Vidjeti u : Vučković, Ž., (2004), str. 59-60.
62
FUNKCIJA TRAŽNJE
Pošto funkcija tražnje u intervalu definisanosti ima opadajući tok, koeficijent elastičnosti
tražnje će se kretati u intervalu −∞ ≤ Eq , p ≤ 0.
Vrijednosti koje uzima koeficijent elastičnosti tražnje se mogu predstaviti tabelarno (tabela 2),
p Eq,p Elastičnost
p=0 Eq,p =0 Savršeno neelastična tražnja
0 < p < p1 0 > Eq,p > - 1 Neelastična tražnja
p = p1 Eq,p = - 1 Jedinično elastična tražnja
p1 < p < p+ - 1 > Eq,p > - ∞ Elastična tražnja
p = p+ Eq,p = - ∞ Savršeno elastična tražnja
pri čemu se cijena p+, za koju je q (p+) = 0, i cijena p1, za koju je Eq, p1 = -1, određuje u
svakom konkretnom primjeru.
Polazeći od izraza (1.47) za agregatnu tražnju u širem smislu može se pomoću koeficijenta
parcijalne elastičnosti utvrditi relativna promjena tražnje koja je uslovljena relativnom
promjenom bilo koje nezavisne promjenljive. Koeficijent parcijalne elastičnosti tražnje
može se utvrditi u odnosu na cijenu tog dobra, cijene ostalih dobara, dohodak potrošača i
ostale faktore.
63
EKONOMETRIJSKE FUNKCIJE
64
FUNKCIJA TRAŽNJE
q Ep,q Elastičnost
q=0 Ep,q =0 Savršena neelastičnost
0 < q < q1 0 > Ep,q > - 1 Neelastičnost
q = q1 Ep,q = - 1 Jedinična elastičnost
q0 < q < q+ - 1 > Ep,q > - ∞ Elastičnost
q = q+ Ep,q = - ∞ Savršena elastičnost
pri čemu se nivo zasićenja q+,za koji vrijedi q (0) = q+, i nivo q1, za koju je E p ,q1 = −1 od-
ređuje u svakom konkretnom primjeru.
Koeficijent elastičnosti individualne funkcije tražnje u užem i širem smislu se može
odrediti i analizirati na isti način kao koeficijenti elastičnosti agregatne tražnje. U izraze za
izračunavanje koeficijenata elastičnosti treba uvrstiti odgovarajuće simbole za individualnu
tražnju, odrediti ih i analizirati na analogan način kao koeficijente agregatne tražnje.
Primjer 1.11.
Date su funkcije agregatne tražnje u zavisnosti od cijene p :
1) q( p ) = 9 − 2 p
65
EKONOMETRIJSKE FUNKCIJE
7
2) q( p) = −1
p +1
3) q ( p ) = 100 − 4 p 2
4) q ( p ) = p − 8 p + 15 .
2
Rješenje:
a) Definiciono područje funkcije tražnje q = q(p) je: p ≥ 0; q ( p) ≥ 0; q′( p) < 0
1) q( p) = 9 − 2 p
p≥0 ⎫
⎪
q( p ) = 9 − 2 p ≥ 0 ⇒ p ≤ 4,5⎬ ⇒ p ∈ [ 0, 4.5] ⇒
q′( p) = −2 < 0 ⎪
⎭
p+ = 4,5 (maksimalna cijena do koje postoji tražnja),
q+ = q(0) = 9 (q+ nivo zasićenja).
Funkcija q( p ) = 9 − 2 p je linearna ⇒ grafik je prava
⎧p = 0⇒ q = 9
q( p) = 9 − 2 p ⇒ ⎨
⎩q = 0 ⇒ p = 4.5
9 q( p)
8
7
6
5
4
3
2
1 4,5 p
0 1 2 3 4 5 6 7 8
66
FUNKCIJA TRAŽNJE
6− p
2) q ( p ) = ;
p +1
⎫
p≥0 ⎪
⎪
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 ⎭
7
Funkcija q( p ) = − 1 je hiperbolična funkcija. Njene asimptote su:
p +1
p = −1 (Vertikalna asimptota jer je lim q ( p ) = +∞ )
p →−1
Ograničili smo je u oblasti definisanosti funkcije tražnje p∈(0, 6), q∈(0, 6) pa je njen
grafik oblika:
q(p)
7
2
1
-1 0 1 2 3 4 5 6 7 8 p
7
Grafikon 1.11.b. Funkcija tražnje q ( p ) = −1
p +1
3) q ( p ) = 100 − 4 p 2
67
EKONOMETRIJSKE FUNKCIJE
⎫
p≥0 ⎪
⎪
⎪
100 − 4 p 2 ≥ 0 ⇒ p 2 ≤ 25 ⇒ −5 ≤ p ≤ 5 ∧ p ≥ 0 ⎬ ⇒ p ∈ [ 0,5] ⇒ p + = 5, q + = 10 ⇒ q ∈ [ 0,10]
−8 p −4 p ⎪
q′( p ) = = < 0 ( ∀p ) ⎪
2 100 − 4 p 2 100 − 4 p 2 ⎪⎭
4) q( p ) = p 2 − 8 p + 15
⎧ p ≥ 0;
⎪
⎨q ( p ) = p − 8 p + 15 ≥ 0 ⇒ ( p − 3)( p − 5) ≥ 0 ⇒ p ∈ ( −∞,3] ∪ [5, +∞ )
2
0 3 4 5
68
FUNKCIJA TRAŽNJE
20
q (p )
15
10
p
0
-1 0 1 2 3 4 5 6 7 8
-5
p
b) Funkcija elastičnosti tražnje u odnosu na cijenu E q , p = ⋅ q ′( p) < 0
q
p −2 p
1) Eq , p = ⋅ (−2) = < 0 ; definisana za p ∈ [0, 4.5)
9−2p 9−2p
Eq , p = 0 za p = 0;
69
EKONOMETRIJSKE FUNKCIJE
Eq , p Tip
Eq,p p
elastičnosti
Eq , p = 0 Savršena
p=0
0 2,25 neelastičnost
4,5 p
-1
0 < p < 2,25 0 > Eq , p > -1 Neelastičnost
Eq , p = -1 Jedinična
p = 2,25
elastičnost
Eq , p = -∞ Savršena
p = 4,5
elastičnost
p −7 −7 p
2) Eq , p = ⋅ = < 0 definisana za p∈[0, 6)
6 − p ( p + 1) 2
(6 − p)( p + 1)
p +1
Eq , p = 0 za p = 0
p = 6 vertikalna asimptota
−14( p 2 + 3)
( Eq , p )′ = < 0 opadajuća funkcija
[ (6 − p)( p + 1)]
2
Eq, p Eq , p Tip
p
elastičnosti
Eq , p = 0 Savršena
p=0
0 1,65 6 neelastičnost
p
0 < p < 1,65 0 > Eq , p > -1 Neelastičnost
Eq , p = -1 Jedinična
p = 1,65
elastičnost
Eq , p = -∞ Savršena
p=6
elastičnost
7
Grafikon 1.11.b’. Funkcija elastičnosti tražnje q ( p ) = −1
p +1
70
FUNKCIJA TRAŽNJE
3)
p −4 p −4 p 2
Eq , p = ⋅ = < 0 definisana za p∈[0, 5)
100 − 4 p 2 100 − 4 p 2 100 − 4 p
2
Eq , p = 0 za p = 0
p = 5 vertikalna asimptota
−800 p
( Eq , p )′ = < 0 opadajuća funkcija
(100 − 4 p 2 ) 2
Eq , p Tip
p
Eq, p elastičnosti
Eq , p = 0 Savršena
p=0
neelastičnost
0 3,53 5 p
-1 0 < p < 3,53 0 > Eq , p > -1 Neelastičnost
Eq , p = -1 Jedinična
p = 3,53
elastičnost
Eq , p = -∞ Savršena
p=5
elastičnost
4)
p 2 p2 − 8 p
Eq , p = ⋅ (2 p − 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
4(−2 p 2 + 15 p − 30)
( Eq , p )′ = < 0 opadajuća funkcija
( p 2 − 8 p + 15) 2
71
EKONOMETRIJSKE FUNKCIJE
16 ± 76
Eq , p = −1 ⇒ 3 p 2 − 16 p + 15 = 0 ⇒ p1,2 = ;
6
16 + 76 16 − 76
p= ∉ (0,3); p = ≈ 1, 2
6 6
Eq , p Tip
p
Eq, p elastičnosti
Eq , p = 0 Savršena
p=0
0 1,2 3 neelastičnost
p
-1 0 < p < 1,2 0 > Eq , p > -1 Neelastičnost
Eq , p = -1 Jedinična
p = 1,2
elastičnost
Eq , p = -∞ Savršena
p=3
elastičnost
Primjer 1.12.
Neka su date funkcije tražnje iz primjera 1.11.
a) Naći funkcije inverznog zakona tražnje i grafički ih predstaviti.
b) Odrediti fleksibilnosti cijena u odnosu na potraživanu količinu q = 5 u svim slu-
čajevima i protumačiti rezultate.
Rješenje:
a) Inverzni zakon agregatne tražnje p = p (q) definisan za q ≥ 0 ∧ p ≥ 0 ∧ p′(q) < 0 .
Pri skiciranju grafika inverznih zakona tražnje, iskoristit ćemo već nacrtane grafike u
prethodnom primjeru i činjenicu da su grafici inverznih funkcija simetrični u odnosu
na simetrali I i III kvadranta, tj. u odnosu na pravu q = p.
9−q
1. q( p ) = 9 − 2 p ⇒ 2 p = 9 − q ⇒ p = p (q ) =
2
−1
Inverzna tražnja je definisana za q ∈ [ 0,9] ; p ∈ [ 0, 4.5] ∧ p′(q) = < 0.
2
72
FUNKCIJA TRAŽNJE
p
4,5
0 9 q
9−q
Grafikon 1.12.a Funkcija inverznog zakona tražnje p(q) =
2
6− p 6−q
2) q( p ) = ⇒ q( p + 1) = 6 − p ⇒ qp + p = 6 − q ⇒ p(q) =
p +1 q +1
Inverzna tražnja je definisana za p∈[0,6]; q∈[0, 6].
U ovom primjeru su funkcije direktnog i inverznog zakona agregatne tražnje jedna te
ista funkcija, pa su njihovi grafici isti.
1
3) q( p ) = 100 − 4 p 2 ⇒ q 2 = 100 − 4 p 2 ⇒ 4 p 2 = 100 − q 2 ⇒ p = ± 100 − q 2 .
2
Kako moraju biti zadovoljeni uslovi q ≥ 0 ∧ p ≥ 0 ∧ p′(q) < 0 , to za funkciju tražnje
1
uzimamo funkciju p = 100 − q 2 definisanu za q∈[0, 10] ∧ p∈[0,5].
2
p
6
5
4
3
2
1
0 2 4 6 8 10 q
1
Grafikon 1.12.c. Funkcija inverznog zakona tražnje p(q) = 100 − q 2
2
73
EKONOMETRIJSKE FUNKCIJE
4)
8 ± 64 − 4(15 − p)
q( p) = p2 − 8 p + 15 ⇒ p2 − 8 p + 15 − q = 0 ⇒ p1,2 = ⇒ p1,2 = 4 ± 1 + q
2
Zbog uslova p′(q) < 0 funkcija p = 4 + 1 + q ne može biti funkcija tražnje jer vrijedi:
1
p′(q ) = >0.
2 1+ q
9
8
7
6
5
4
3
2
1
0
-5 0 5 10 15 20
q 1
b) Funkcija fleksibilnosti cijene u odnosu na tražnju E p ,q = ⋅ p′(q ) = <0
p(q) Eq , p
1) Fleksibilnost cijene u odnosu na tražnju q = 5 možemo računati kao
5
E p , q =5 = ⋅ p′(5)
p(5)
5 5 −1 5
E p , q =5 = ⋅ p′(5) = ⋅ = − ili izračunamo 5 = 9 – 2p ⇒ p = 2;
p (5) 2 2 4
2 4 5
Eq , p = 2 = ⋅ (−2) = − ⇒ E p , q =5 = − .
5 5 4
74
FUNKCIJA TRAŽNJE
Primjer 1.13.
Na nekom tržištu postoje tri potrošača sa individualnim zakonima tražnje:
x1 = 4 − 0,5 p
x2 = 5 − p
x3 = 6 − 1,5 p
a) Definisati svaku od funkcija individualne tražnje uz grafički prikaz,
b) Odrediti funkciju agregatne tražnje uz grafički prikaz,
c) Za koju cijenu je elastičnost agregatne tražnje jedinična,
d) Odrediti elastičnost tražnje za cijenu p = 6 i protumačiti rezultat.
Rješenje:
a) Definiciono područje funkcije individualne tražnje je p > 0 ∧ x ≥ 0 ∧ x′ ≤ 0 . Odav-
de su definiciona područja individualnih tražnji data na grafikonu 1.13. i algebarski
određena sa:
x1 = 4 − 0,5 p ≥ 0 ⇒ p ≤ 8 ⇒ p ∈ [ 0,8] ; x1 ∈ [ 0, 4] ∧ x1′ = −0,5 < 0 .
75
EKONOMETRIJSKE FUNKCIJE
x1 x2 x3
6
5
4
p p p
0 1 2 3 4 5 6 7 8 0 1 2 3 4 5 6 7 8 0 1 2 3 4 5 6 7 8
x1+ x2 + x3 x1+ x2 x1
0 4 5 8 p
⎧ x1 + x2 + x3 za p ∈ (0, 4) ⎧ 15 − 3 p za p ∈ [ 0, 4 )
⎪ ⎪
q( p ) = ⎨ x1 + x2 za p ∈ [ 4,5 ) = ⎨9 − 1,5 p za p ∈ [ 4,5 ) .
⎪ x za p ∈ [5,8 ) ⎪4 − 0,5 p za p ∈ [5,8]
⎩ 1 ⎩
p+ = 8 (granična cijena); q+ = 15 (nivo zasićenja)
Kako je agregatna tražnja q(p) sastavljena od tri linearne funkcije definisane u različi-
tim intervalima, to ćemo za izradu grafičkog prikaza agregata ove tri linearne funkcije
koristiti rubne tačke intervala njihove definisanosti.
Za p∈[0, 4), prava koja prolazi kroz tačke (0, 15), (4,3).
Za p∈[4, 5), prava koja prolazi kroz tačke(4, 3), (5, 1.5).
Za p∈[5, 8], prava koja prolazi kroz tačke (5, 1.5), (8, 0).
76
FUNKCIJA TRAŽNJE
q(p)
15
3
1,5
0 4 5 p
77
EKONOMETRIJSKE FUNKCIJE
Primjer 1.14.
Prodate količine frižidera «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 tražnje koja najbolje ap-
roksimira dati skup podataka,
b) Predvidjeti kolika bi bila potraživana količina frižidera za cijenu p = 2200,
c) Odrediti koliki bi bio koeficijent elastičnosti tražnje za cijenu p = 700 i objasniti
dobijeni rezultat,
d) Odrediti fleksibilnost cijene za nivo q = 15 kom.
Rješenje:
a) Traži se linearna funkcija q ( p ) = ap + b , odnosno treba ocijeniti metodom najma-
njih kvadrata koeficijente a i b koji omogućavaju da odstupanje ocijenjenih
vrijednosti tražnje [ q(p) = ap + b ] od vrijednosti datih u tabeli budu minimalna.
78
FUNKCIJA TRAŽNJE
40
y = -0.017x + 41.551
35 R2 = 0.9668
30
25
20
15
10
5
0
0 500 1000 1500 2000 2500
79
1.6. Funkcija prihoda
Prihod proizvođača odražava realizaciju nekog dobra na tržištu zavisno od prodajne cijene i
količine. Ako se količina tražnje za nekim dobrom koja se realizuje na tržištu pomnoži sa
cijenom tog dobra dobije se ukupan prihod proizvođača.
Funkcija ukupnog prihoda se definiše kao proizvod između cijene nekog dobra i tražnje za
tim dobrom koja je realizovana na tržištu.
Funkciju prihoda ćemo analizirati za slučajeve konstantne i varijabilne tržišne cijene.
Ako je cijena p nekog dobra na tržištu konstantna, ukupan prihod će biti funkcija prodate
količine, tj. funkcija tražnje.
P = p⋅ y
(1.60)
p = const. ⇒ P = P( y )
Kod determinisane tržišne cijene p=const.>0, prodata količina ne može biti veća od odgo-
varajuće agregatne tražnje q niti od ponuđene količine y na tržištu. Zbog toga između
tražnje q na tržištu i ponuđene količine y mogu nastupiti sljedeći odnosi:
0 ≤ y < q, 0 ≤ y = q, y > q ≥ 0
U zavisnosti od odnosa y i q ukupan prihod kod konstantne, odnosno determinisane cijene
može se napisati na sljedeći način:
⎧p⋅ y 0 ≤ y ≤ q
P=⎨ (1.61)
⎩p⋅q y > q ≥ 0
Funkcija ukupnog prihoda P za konstantnu cijenu je predstavljena na sljedećem grafikonu:
0 q y
80
FUNKCIJA PRIHODA
Za ponuđenu količinu y koja je manja od maksimalne tražnje na tržištu pri konstantnoj cije-
ni p, prihod je jednak proizvodu između te cijene p i količine y. Za ponuđenu količinu y,
koja je veća od tržišne tražnje q, ukupan prihod je jednak proizvodu između konstantne
cijene i tražnje na tržištu koja je realizovana, dakle P = p ⋅ q .
Pošto je cijena p konstantna sa rastom realizovane količine y raste i ukupan prihod P, pa
slijedi da je ukupan prihod maksimalan kada realizovana količina y dostigne maksimalnu
količinu tražnje: (max) P = p ⋅ (max y ) = p ⋅ q.
Granični prihod kod determinisane cijene se može napisati sljedećim izrazima, u zavis-
nosti od odnosa y koji predstavlja količinu koja se nudi na tržištu i maksimalne tražnje q
koja se može realizovati na tržištu pri cijeni p.
⎧ p = const > 0 za 0 ≤ y ≤ q
P' ( y) = ⎨ , P" ( y ) = 0 (1.62)
⎩ 0 za y > q ≥ 0
Na sljedećem grafikonu je predstavljena funkcija graničnog prihoda.
P'
0 q y
Grafički prikaz funkcije graničnog prihoda pokazuje, kao i izvedeni izrazi za granični pri-
hod, da je granični prihod jednak konstantoj cijeni p do iznosa količine tražnje realizovane
na tržištu. Za ponuđene količine koje su veće od tražnje na tržištu prihod je jednak nuli.
Ako je tražnja na tržištu dovoljno velika da se može realizovati sva ponuđena količina, tj.
y ≤ q , tada je funkcija graničnog prihoda jednaka cijeni koja je konstantna.
dP
Pq' = = p = const > 0 (1.63)
dq
81
EKONOMETRIJSKE FUNKCIJE
0 q y
Ako je tražnja na tržištu dovoljno velika da se može realizovati sva ponuđena količina, tj.
y ≤ q , tada je funkcija prosječnog prihoda također jednaka konstantnoj cijeni.
P p⋅q
P= = = p = const > 0 (1.65)
q q
82
FUNKCIJA PRIHODA
Ε P , y = 0% = const za y > q ≥ 0
⎧ y
⎪ p⋅ y ⋅ p =1 0≤ y≤q
y ⎪
Zaista, EP , y = ⋅P' = ⎨
P ⎪ y ⋅ ( p ⋅ q )′ = 0 y > q ≥0.
⎩⎪ p ⋅ q
Elastičnost prihoda u odnosu na količinu y će biti jedinična ili indiferentna ukoliko se y
nalazi u intervalu 0 ≤ y ≤ q . Ako se ponuđena (u ovom slučaju i realizovana) količina po-
veća za 1% i ukupan prihod će se povećati za 1%.
Ako se ponuđena količina y > q (koja u ovom slučaju nije realizovana, jer je realizovano
samo q) poveća za 1% i ukupan prihod se neće promijeniti (EP,y = 1%).
Elastičnost prihoda će biti savršeno neelastična za vrijednosti y iz intervala y > q ≥ 0 .
ΕΡ
,y
0 q y
Kada je cijena na tržištu varijabilna, odgovarajuća funkcija prihoda nema konstantan pravac
pa samim tim ova funkcija nema isti grafik kao funkcija prihoda sa konstantnom tržišnom
cijenom.. Odredimo oblik funkcije prihoda kod se cijena mijenja po nekom zakonu tražnje:
Neka je q = q ( p) funkcija tražnje za predmetnim dobrom na određenom tržištu. Pretposta-
vimo da za različite cijene p1 , p2 , p3 ,..., pn vrijedi sljedeći odnos:
83
EKONOMETRIJSKE FUNKCIJE
Neka su q1 , q2 , q3 ,..., qn maksimalne tražnje kod posmatranih cijena, respektivno. Zbog za-
kona normalnosti tražnje vrijedi odnos q1 > q2 > q3 > ... > qn .
q(p)
q1
q2
q3
.
.
.
qn
0 p1 p2 p3 . . . pn p+
q(p)
p3 q3
p2 q2
p1 q1
pn qn
0 p1 p2 p3 . . . pn p+
84
FUNKCIJA PRIHODA
Varijabilna tržišna cijena prati zakon agregatne tražnje izražen kao direktni q = q ( p ) ili kao
inverzni zakon p = p (q ) pa se funkcija ukupnog prihoda kod varijabilne cijene može
izraziti kao funkcija cijene p ili kao funkcija količine q.
Napomenimo da je funkcija agregatnog prihoda definisana samo za one vrijednosti nezavi-
sno promjenjljive (p ili q) za koje je definisana tražnja.
Polazeći od direktnog zakona agregatne tražnje q=f(p), odnosno q = q(p) dobijamo funkci-
ju prihoda kao funkciju cijene:
P = p ⋅ q = p ⋅ f ( p ) = p ⋅ q( p) = Pp = P( p) za 0 ≤ p ≤ p+ (1.67)
P = P ( qP ) = 0
' '
za 0 ≤ qP ≤ q + i p+ ≥ p P ≥ 0
P "(qP ) < 0
Analogno, maksimalni agregatni prihod se ostvaruje za cijenu pmax = pP ako su zadovoljeni
sljedeći uslovi:
P + = max P( pP )
p
P ' = P ' ( pP ) = 0 za 0 ≤ pP ≤ p + i q + ≥ q( p) ≥ 0
P "(qP ) < 0
12
Iskorištena je pretpostavka da kod funkcije tražnje q=q(p), vrijedi q(p+)=0 i p(q+)=0.
85
EKONOMETRIJSKE FUNKCIJE
⎪ +
⎩< 0 za pP < p
Pošto je ukupni prihod izražen kao funkcija cijene relacijom (1.67), granični prihod kao
funkcija cijene se može napisati u obliku sljedećeg izraza:
dP ′
Pp' = = [ p ⋅ f ( p ) ] = f ( p ) + p ⋅ f ′( p) = q + pq′ (1.69)
dp
0 ≤ q ≤ q+ i 0 ≤ p ≤ p+
⎪ +
⎩< 0 za qP < q < q
86
FUNKCIJA PRIHODA
Ukoliko se prihod posmatra kao funkcija cijene, granični prihod će također biti izražen kao
funkcija cijene i pokazivaće promjenu ukupnog prihoda izazvanu jediničnom promjenom
cijene. Značenje: ukoliko se cijena datog proizvoda poveća za jednu novčanu jedinicu po
količinskoj jedinici, ukupan prihod će se promijeniti za onoliko novčanih jedinica koliko
nj
iznosi granični prihod. Jedinica mjere graničnog prihoda u ovom slučaju je .
nj kj
Ukoliko se ukupni i granični prihod izraze kao funkcija tražnje, odnosno tražene količine,
tada granični prihod pokazuje promjenu ukupnog prihoda koja je rezultat jedinične prom-
jene tražnje. Značenje: ukoliko se tražnja promijeni za jednu količinsku jedinicu, granični
prihod pokazuje za koliko će se novčanih jedinica promijeniti ukupan prihod. Jedinica
mjere graničnog prihoda u ovom slučaju (nj/kj).
Kada je poznata funkcija graničnog prihoda ukupna prihod se utvrđuje kao integral te fun-
kcije, u zavisnosti od toga da li se prihod analizira kao funkcija cijene ili količine:
p q
Pri datom nivou tražnje, u prosjeku na svaku količinsku jedinicu tražnje dolazi P q prihoda.
Prosječan prihod u ovom slučaju je pokazatelj ostvarenog prihoda po jedinici realizovanog
proizvoda. U izrazu (1.73) vidimo da prosječan prihod predstavlja funkciju inverzne tražnje
P(q)
Pq = = p (q) = p (1.73)
q
87
EKONOMETRIJSKE FUNKCIJE
Pmax Pmax
0 qmax q+ 0 p+
pmax
q+ p+
0 q+ 0 p+
qmax pmax
Grafikon 19. Ukupni, granični i prosječni prihod kao funkcija količine q i kao funkcija cijene p
Ukupan prihod dostiže maksimum u tački u kojoj je granični prihod jednak nuli. Ukupan
prihod raste u intervalu u kojem je granični prihod pozitivan, a opada u intervalu u kojem je
granični prihod negativan. Analizirane funkcije prihoda su definisane u oblasti definisanosti
tražnje.
Proširivanjem izraza (1.69) i njegovim sređivanjem dobije se veza između graničnog priho-
da i elastičnosti tražnje:
88
FUNKCIJA PRIHODA
q q 2 pq′q p
P ' p = ( q + pq′) ⋅ = + = q (1 + ⋅ q′) = q (1 + Eq , p ) (1.74)
q q q q
Veza između graničnog prihoda kao funkcije cijene i elastičnosti tražnje se može predstavi-
ti u sljedećem obliku:
⎧> 0 za
⎪
(E q, p + 1) > 0 ⇔ 0 > Eq , p > −1 za 0 < p < pP , q + > q > qP
⎪
Pp' ⎨= 0 za (E q, p + 1) = 0 ⇔ Eq , p = −1 za p = pP , q = qP
⎪
⎪⎩< 0 za (E q, p + 1) < 0 ⇔ − 1 > Eq , p > −∞ za pP < p <, p + , qP > q > 0
Odavde vidimo da ukupan prihod raste ako je tražnja neelastična u odnosu na cijenu. Uku-
pan prihod je maksimalan ako je elastičnost tražnje jedinična i ako je tražnja elastična na
promjenu cijene, ukupan prihod opada.
Proširivanjem izraza (1.70) i sređivanjem dobija se veza izeđu graničnog prihoda kao fun-
kcije količine i elastičnosti (fleksibilnosti) cijene u odnosu na tražnju:
p p 2 qp′p q
Pq' = ( p + qp′) ⋅ = + = p(1 + ⋅ p′) = p(1 + E p ,q ) (1.75)
p p p p
Veza između graničnog prihoda kao funkcije tražnje, odnosno količine i elastičnosti cijene
se može predstaviti u sljedećem obliku:
⎧> 0 za
⎪
(E p ,q + 1) > 0 ⇒ 0 > E p , q > −1 za 0 ≤ q < qP , p + > p > pP
⎪
P 'q ⎨= 0 za (E p ,q + 1) = 0 ⇒ E p , q = −1 za q = qP , p = pP
⎪
⎪⎩< 0 za (E p ,q + 1) < 0 ⇒ − 1 > E p ,q > −∞ za qP < q < q + , pP > p > 0
Analogno ranijem, zaključujemo da prihod opada ako je inverzna tražnja elastična a raste
ako je inverzna tražnja neelastična.
89
EKONOMETRIJSKE FUNKCIJE
Ako se u gornjoj relaciji Pq' zamijeni izrazom (1.75), dobija se veza između elastičnosti
ukupnog prihoda i elastičnosti (fleksibilnosti) cijene:
q ' q
EP , q = ⋅ Pq = ⋅ p(1 + E p ,q ) = 1 + E p ,q (1.77)
P p⋅q
Ako se u relaciji (1.78) Pp' zamijeni sa izrazom (1.74), dobija se veza između elastičnosti
prihoda kao funkcije cijene i elastičnosti tražnje:
p ' p
EP , p = ⋅ Pp = ⋅ q(1 + Eq , p ) = 1 + Eq , p (1.79)
P p⋅q
p EP , p Eq , p
p=0 EP , p =1 (jedinična elastičnost) Eq , p = 0 (savršena neelastičnost)
0 < p < pP 0< EP , p <1 (neelastičnost) -1 < Eq , p < 0 (neelastičnost)
p = pP EP , p 0 (savršena neelastičnost) Eq , p = -1 (jedinična elastičnost)
p2< p < p+ -1< EP , p <0 (neelastičnost) -2 < Eq , p < -1 (elastičnost)
p = p2 EP , p = -1 (jedinična elastičnost) Eq , p = - 2 (elastičnost)
p2 < p < p+ EP , p <-1 (elastičnost) Eq , p < -2 (elastičnost)
gdje je p2 cijena za koju je EP , p = -1 .
90
FUNKCIJA PRIHODA
Na analogan način se može definisati i tabelarno predstaviti veza, između elastičnosti pri-
hoda u odnosu na količinu i elastičnosti cijene u odnosu na tražnju, definisanu relacijom
(1.77).
Osim u izvođenju 1. 77. vezu između elastičnosti ukupnog i prosječnog prihoda možemo
dobiti koristeći opšte veze između elastičnosti ukupne i prosječne funkcije izvedene u dijelu
1.2. sljedećim izrazima:
EP , p = EP , p + 1 ili EP , q = EP , q + 1
Primjer 1.15.
Poznata je funkcija agregatne tražnje oblika q = 12 − p .
a) Odrediti algebarski i grafički funkciju prihoda ako su poznate sljedeće tržišne ci-
jene:
p = 4 nj/kj,
p = 6 nj/kj,
p = 8 nj/kj.
b) U sva tri slučaja izvesti algebarske izraze za granični i prosječni prihod i grafički
ih predstaviti.
c) Pronaći elastičnost prihoda u odnosu na ponuđenu količinu predmetnog dobra.
Rješenje:
a) S obzirom da je cijena p = const. radi se o prihodu kod determinisane tržišne cijene
⎧ py 0 ≤ y ≤ q
P ( y) = ⎨ .
⎩ pq y≥q
Prihod je definisan u oblasti definisanosti funkcije tražnje (q ≥ 0, p ≥ 0, q′ < 0) ;
U ovom slučaju: q′ = −1 < 0 ∧ q =12 – p > 0 ⇒ p < 12, pa je područje definisanosti
prihoda i tražnje p∈(0,12).
91
EKONOMETRIJSKE FUNKCIJE
P(y) (2)
36
(1) (3)
32
0 4 6 8 y
U sva tri slučaja funkcija prihoda grafički predstavlja pravu kroz tačke (0, 0) i tačku
( q, pq ) koja predstavlja maksimum prihoda za određenu cijenu p i to u slučaju 1)
kroz tačku (4, 32), u slučaju 2) kroz tačku (6, 36) i u slučaju 3) kroz tačku (8, 32).
92
FUNKCIJA PRIHODA
P P (1)
8 (1) 8
(2)
6 (2) 6
(3)
4 (3)
4
0 4 6 8 0
y 4 6 8 y
Primjer 1.16.
Poznata je funkcija agregatne tražnje oblika q = 12 − p .
a) Odrediti algebarski i grafički funkciju agregatnog prihoda, te odrediti za koju ci-
jenu i količinu se ostvaruje maksimalan prihod i koliko iznosi.
b) Odrediti granični i prosječni prihod i dati njihov grafički prikaz
c) Odrediti funkciju elastičnosti prihoda i tražnje u odnosu na cijenu dobra uz gra-
fički i tabelarni prikaz, a zatim protumačiti elastičnost prihoda i tražnje za cijenu
p = 8.
93
EKONOMETRIJSKE FUNKCIJE
Rješenje:
a) S obzirom da funkcija ukupnog (agregatnog) prihoda odražava realizovanu pro-
daju nekog dobra ovisno o prodanoj količini i cijeni, smatrajući funkciju potražnje
kao relaciju koja odražava prodaju, funkciju ukupnog prihoda ćemo dobiti kada fun-
kciju tražnje q = f ( p ) pomnožimo cijenom dobra tj. P = p ⋅ q( p) .
Funkcija ukupnog prihoda je definisana u oblasti definisanosti funkcije tražnje, odno-
sno za ( p > 0, q ≥ 0, q′ ≤ 0 ) .
94
FUNKCIJA PRIHODA
P(p)
36
P(p)
0 6 12 p
P', P
12
P′ P
0 6 12 p
Grafikon 1.16.a. i b. Funkcija agregatnog prihoda P (p) i funkcije graničnog i prosječnog prihoda
Dakle, funkcija graničnog prihoda je linearna i prolazi kroz tačke (0,12) i (6,0).
Za cijenu 0< p <6 granični prihod je pozitivan, što znači da ukupan prihod raste, za
p = 6 granični prihod je 0 gdje je maksimalan ukupan prihod i za cijenu 6< p <12
granični prihod je negativan što ima za posljedicu da ukupan prihod opada.
Funkcija prosječnog prihoda je funkcija tražnje, također linearna, prolazi kroz tačke
( 0,12 ) i (12, 0 ) .
p p 12 − 2 p
c) EP , p = ⋅ P ' ( p) = ⋅ (12 − 2 p) = funkcija elastičnosti prihoda.
P( p) p(12 − p ) 12 − p
Analizirajući ovu funkciju, dobivamo:
EP , p = 0 za p = 6
p = 12 vertikalna asimptota
′
′ ⎛ 12 − 2 p ⎞ −12
(E )
P, p =⎜ ⎟ = < 0 opadajuća funkcija
⎝ 12 − p ⎠ (12 − p)
2
EP , p = 1 za p = 0 i EP , p = −1 za p = 8.
95
EKONOMETRIJSKE FUNKCIJE
E P, p Eq, p
1 1
6 8 12 6 8 12
0 0
-1 -1
-2
p EP , p Eq , p
p=0 EP , p =1 (jedinična elastičnost) Eq , p = 0 (savršena neelastičnost)
0<p<6 0< EP , p <1 (neelastičnost) -1 < Eq , p < 0 (neelastičnost)
p=6 EP , p = 0 (savršena neelastičnost) Eq , p = -1 (jedinična elastičnost)
6<p<8 -1< EP , p <0 (neelastičnost) -2 < Eq , p < -1 (elastičnost)
p=8 EP , p = -1 (jedinična elastičnost) Eq , p = - 2 (elastičnost)
8 < p <1 2 EΠ , p <-1 (elastičnost) Eq , p < -2 (elastičnost)
96
FUNKCIJA PRIHODA
Primjer 1.17.
Data je nepotpuna funkcija graničnog prihoda Π ′p = A − 4 p .
a) Odrediti parametar A ako je granična cijena p+ = 8 nj/kj;
b) Za cijene p = 2, p = 4, p = 6 izračunati granični prihod i protumačiti rezultate;
c) Odrediti algebarski i grafički funkciju prihoda u zavisnosti od cijene;
d) Odrediti algebarski i grafički funkciju prihoda u zavisnosti od tražnje;
e) Odrediti elastičnost prihoda i tražnje za cijenu p = 6 i protumačiti rezultate.
Rješenje:
a) P ( p ) = ∫ P ' ( p)dp = ∫ ( A − 4 p )dp = Ap − 2 p 2 + const
Kao što znamo, prihod je jednak 0 kada je p = 0 ili p = p+, to imamo P (0) = 0 ⇒
const = 0 i P(8) = 0 ⇒ 8A – 128 = 0 ⇒ A = 16.
Dobijamo da je P ( p ) = 16 p − 2 p 2 .
b) P ' p = 16 − 4 p ; Za p = 2 računamo P ' p (2) = 16 − 4 ⋅ 2 = 8 .
Ako se cijena sa nivoa p = 2 poveća za jedinicu, ukupan prihod će se povećati za 8
novčanih jedinica.
Slično, P ' p (4) = 16 − 4 ⋅ 4 = 0 .
Ako se cijena sa nivoa p = 4 poveća za jedinicu, prihod će ostati nepromijenjen.
P ' p (6) = 16 − 4 ⋅ 6 = −8 .
Ako se cijena sa nivoa p = 6 poveća za jedinicu, prihod će se smanjiti za 8 novčanih
jedinica.
c) Već smo odredili funkciju prihoda u zavisnosti od cijene P ( p ) = 16 p − 2 p 2 .
0 4 8
97
EKONOMETRIJSKE FUNKCIJE
q
d) Iz inverznog zakona tražnje q = 16 − 2 p ⇒ 2 p = 16 − q ⇒ p = 8 − 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 tražnje.
p 16 − 4 p 16 − 4 ⋅ 6
e) EP , p =6 = ⋅ (16 − 4 p) = = = −2 ; Eq , p =6 = EP , p =6 − 1 = −3 .
p(16 − 2 p) 16 − 2 p 16 − 2 ⋅ 6
Ako se cijena p sa nivoa p = 6 nj poveća za 1%, prihod će sa nivoa P(6) = 24 smanjiti
za 2%, a tražnja sa nivoa q(6) = 4 će se smanjiti za 3%.
Primjer 1.18.
Data je nepotpuna funkcija agregatnog prihoda P(q) = q ⋅ ( A − q) 2 .
a) Odrediti nepoznat parametar A ako se zna da je elastičnost prihoda EP,q = -3 za
q =6 kj;
b) Protumačiti vrijednost EP,q = -3 za q = 6 kj;
c) Grafički predstaviti funkciju prihoda uz analizu karakterističnih tačaka.
Rješenje:
q q A − 3q
a) EP ,q = ⋅ P ' (q) = ⋅ ( A − q)( A − 3q) = .
P(q) q( A − q) 2
A−q
98
FUNKCIJA PRIHODA
P (q ) = q ⋅ (9 − q) 2 = 0 za q = 0 i q+ = 9.
P
54
Ekstremi
Primjer 1.19.
Na tržištu određenog tipa robe nalaze se dva potencijalna potrošača sa individualnim
zakonima tražnje: x1 = 4 - 0,5p; x2 = 5 – p.
a) Odrediti funkciju agregatne tražnje i agregatnog prihoda uz grafički prikaz;
b) Odrediti za koju cijenu je ukupan prihod maksimalan i koliko iznosi;
c) Odrediti elastičnost prihoda za cijene p = 2 i p = 6. Protumačiti rezultate.
99
EKONOMETRIJSKE FUNKCIJE
Rješenje:
a) Definiše se funkcija individualne tražnje:
(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 tražnje je:
⎧ x1 + x2 za p ∈ (0,5) ⎪⎧ 9 − 1,5 p za p ∈ [ 0,5 )
q( p) = ⎨ =⎨ .
⎩ x1 za p ∈ [ 5,8 ) ⎪
⎩ 4 − 0,5 p za p ∈ [ 5,8 ]
Kako je agregatni prihod Π(p) = p⋅ q(p), funkcija agregatnog prihoda je:
⎪⎧ 9 p − 1,5 p za p ∈ [ 0,5 )
2
P( p) = ⎨ .
⎪⎩4 p − 0,5 p za p ∈ [5,8]
2
⎧⎪ 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.
9 q(p)
1,5
0 5 8 p
100
FUNKCIJA PRIHODA
P(p)
13,5
7,5
0 3 6 8 p
Grafikon 1.19.a. Funkcija agregatnog prihoda
c)
p 3
EP , p = 2 = ⋅ (9 − 3 p ) = = 0,5
p (9 − 1,5 p ) 6
p
EP , p = 6 = ⋅ (4 − p ) = −2
p (4 − 0,5 p )
P (2)= 2⋅6 = 12 nj i P(6) = 6⋅1= 6 nj
Ako se cijena sa nivoa p = 2 nj poveća za 1%, prihod će se sa nivoa P= 12 nj povećati
za 0,5%.
Ako se cijena sa nivoa p = 6 nj poveća za 1%, prihod će se sa nivoa P = 6 nj smanjiti
za 2%.
101
1.7. Funkcija troškova
Proizvodnja novih dobara ili učinaka uslovljena je trošenjem odgovarajućih faktora proizvodnje
(rad, sredstva rada, predmeti rada itd.). Pored količinskog izražavanja (kg, kom, sat), utrošeni
faktori se mogu iskazati i u zajedničkom imenitelju, tj. u novčanom izrazu. Vrijednosni izraz
faktora utrošenih u proizvodnju novih proizvoda ili ostvarenje učinaka naziva se troškovima. U
daljem tekstu će se analizirati vrste troškova i njihovi međusobni odnosi i osobine.
102
FUNKCIJA TROŠKOVA
Ovim izrazom se određuje „familija“ funkcija kojoj pripada ova funkcija. Da bi se odredio
ukupni trošak potrebno je odrediti konstantu K, a za njeno određivanje je potrebno pozna-
vati još jedan podatak, naprimjer C ( 0 ) = F .
Prosječni fiksni troškovi se dobijaju dijeljenjem ukupnih fiksnih troškova sa obimom pro-
izvodnje y:
103
EKONOMETRIJSKE FUNKCIJE
F ( y)
F= >0 (1.85)
y
i pokazuju fiksne troškove po jedinici proizvodnje. Posmatrani u odnosu na jedinicu proiz-
voda, fiksni troškovi su promjenljivi i smanjuju se sa porastom obima proizvodnje.
Prosječni fiksni troškovi su pozitivni i izražavaju se u nj/kj. Ovi troškovi imaju usporavaju-
ći negativan prinos F ′( y ) < 0, F ′′( y ) > 0 i dvije asimptote, i to Y i X osu.13
Prosječni varijabilni troškovi proizvodnje se definišu kao varijabilni troškovi po jedinici
proizvodnje. Pokazuju koliko u prosjeku po svakoj jedinici proizvodnje dolazi varijabilnih
troškova. Jedinica mjere ovih troškova je novčana po količinskoj jedinici (nj/kj).
V ( y)
V = = V ( y) > 0 (1.86)
y
Sa rastom nivoa proizvodnje rastu ukupni varijabilni troškovi i tada su prosječni varijabilni
troškovi pozitivni :
y > 0 ⇒ V ( y) > 0 i V = V ( y) > 0 .
Ukupni varijabilni troškovi se mijenjaju zavisno od promjene obima proizvodnje. Prosječni
varijabilni proporcionalni troškovi su konstantni za svaki nivo proizvodnje. Prosječni vari-
jabilni neproporcionalni troškovi mogu da opadaju ili rastu, zavisno od toga da li je rast
troškova slabijeg ili jačeg intenziteta u odnosu na rast obima proizvodnje14.
13
Dokaz vidjeti u: Vučković, Ž., (2004), str. 95.
14
Dokaze vidjeti u: Ibid., str. 96 - 97.
104
FUNKCIJA TROŠKOVA
koja nam govori da se prosječni ukupni troškovi i prosječni varijabilni troškovi asimptotski
približavaju kad obim proizvodnje beskonačno povećava.
Za granične i prosječne troškove vrijede odnosi koji su definisani i analizirani u dijelu 1.2. za
odnose prosječne i granične veličine. Ovi odnosi se mogu analizirati pomoću sljedeće relacije:
⎛ C⎞
′ y ⎜ C′ − ⎟
⎛ C ⎞ C ′y − C y C′ − C
C′ = ⎜ ⎟ = 2
= ⎝ 2 ⎠ = za ∀ y > 0 (1.89)
⎝ y⎠ y y y
⎧< 0 za C ′ > C
C′ − C ⎪
C′ = ⎨= 0 za C ′ = C
y ⎪
⎩> 0 za C ′ > C
Dok funkcija prosječnih troškova opada, granični troškovi su veći od prosječnih. U mi-
nimumu prosječnih troškova granični i prosječni troškovi se sijeku. Kada prosječni trošak
raste, granični troškovi su veći od prosječnih.
Analiza ekonomičnosti
Funkcija prosječnih troškova se koristi kao pokazatelj ekonomičnosti. Niži prosječni troš-
kovi ukazuju na ekonomičniji nivo proizvodnje. Najekonomičniji nivo proizvodnje se
ostvaruje u minimumu prosječnih troškova. Rješenje relacije C ′ = 0 daje nivo ye koji preds-
tavlja najekonomičniji nivo proizvodnje:
105
EKONOMETRIJSKE FUNKCIJE
′
⎛ C ⎞ C ′y − C
C′ = ⎜ ⎟ = =0
⎝ y⎠ y2
C ′y − C = 0/ : y (1.90)
C′ − C = 0
C′ = C
Za nivo proizvodnje za koji su prosječni troškovi najniži, tj. za najekonomičniji nivo,
prosječni troškovi su jednaki graničnim troškovima. Najekonomičniji nivo proizvodnje
ćemo označavati sa ye.
Ukupni, prosječni i granični troškovi imaju različit tok razvoja počev od nultog pa do mak-
simalnog obima proizvodnje. Pri nultom obimu proizvodnje ukupni troškovi su jednaki
fiksnim troškovima. Povećanjem obima proizvodnje pojavljuju se pored fiksnih i varijabilni
troškovi koji rastu sa rastom obima proizvodnje.
Grafička ilustracija razvojnog toka ukupnih prosječnih i graničnih troškova je predstavljena
na sljedećim grafikonima:
C(y)
C
V(y)
E1
•
M1
•
V1
M’ •
• F
F
0 yM yV ye y
C
C’=V’
C , C′
E V
V
F
M F =
y
0 yM yV ye y
106
FUNKCIJA TROŠKOVA
Ukupni i ukupni varijabilni troškovi rastu sa porastom obima proizvodnje y. Ukupni fiksni
troškovi su konstantni. Granični troškovi dostižu minimum u tački yM koja je tačka prevoja
ukupnih troškova. U tački yB prosječni varijabilni troškovi dostižu minimum i to je tačka u
kojoj se sijeku granični i prosječni varijabilni troškovi. Granični troškovi sijeku prosječne
troškove u minimumu prosječnih troškova, tj u tački yE i ta vrijednost predstavlja najeko-
nomičniji nivo proizvodnje. Prosječni fiksni troškovi imaju opadajući tok.
107
EKONOMETRIJSKE FUNKCIJE
y
EV , y = ⋅ V ′( y ) (1.94)
V ( y)
Na osnovu veze između elastičnosti ukupne i prosječne funkcije može se zapisati:
EV , y = EV , y + 1
EV , y = EV , y − 1
15
Dokaz vidjeti u : Vučković, Ž., (2004), str. 105-106.
108
FUNKCIJA TROŠKOVA
′
y y ⎛ C ⎞ y2 C′ ⋅ y − C y
EC , y = ⋅ C ′( y ) = ⋅ ⎜ ⎟ = ⋅ = ⋅ C ′ − 1 = EC , y − 1 . (1.96)
C ( y) C ⎝ y⎠ C y2 C
y
U gornjoj relaciji je napisan, po definiciji, izraz za koeficijent elastičnosti prosječne funkci-
je i izvedena veza između elastičnosti prosječnih i ukupnih roškova.
Iz izvedene relacije slijedi da je elastičnost ukupnih troškova jednaka elastičnosti prosječnih
troškova uvećanim za jedinicu:
EC , y = EC , y + 1
Primjer 1.20.
Neka je C(y) = 25 + 2y + y2 funkcija ukupnog troška jednog proizvođača gdje je y ≥ 0
nivo proizvodnje.
a) Odrediti i u istom koordinatnom sistemu grafički prikazati funkcije ukupnog, fik-
snog i varijabilnog troška.
109
EKONOMETRIJSKE FUNKCIJE
Rješenje:
a) Da bi jedna funkcija bila funkcija ukupnog troška, mora zadovoljiti sljedeće uslove:
y ≥ 0; C ( y ) ≥ 0; C ′( y ) ≥ 0 .
Potrebno je provjeriti da li data funkcija ispunjava navedene uslove. Provjerava se da
li je funkcija nenegativna: C(y) > 0 ⇒ 25 + 2y + y2 > 0 za ∀y (jer je koeficijent is-
pred kvadratnog člana pozitivan, a diskriminanta negativna D = 4 – 100 = - 96 < 0),
Provjerava se C´ (y) = 2 + 2y > 0 za y ≥ 0.
Na osnovu provjerenih uslova zaključuje se da data funkcija može predstavljati fun-
kciju troška za svako y ≥ 0.
Potrebo je odrediti fiksni i varijabilni trošak. Fiksni trošak je trošak koji postoji i kada
je obim proizvodnje jednak nuli, odnosno F = C(0) = 25 je funkcija fiksnih troškova.
Varijabilni trošak predstavlja razliku ukupnog troška i fiksnog troška, pa funkcija va-
rijabilnog troška ima sljedeći oblik V(y) = C(y) – F = 2y + y2.
Funkcije ukupnih i varijabilnih troškova su kvadratne funkcije sa minimumom (U oblik).
Ove funkcije su na osnovu definicionog područja u prvom kvadrantu uvijek rastuće dok
je funkcija fiksnih troškova konstantna (prava paralelna sa horizontalnom osom).
Grafički prikaz ovih funkcija je dat na grafikonu 1.20. (Na osnovu definicionog pod-
ručja nas interesuje samo prvi kvadrant.)
Funkcija varijabilnog troška V (y) grafički predstavlja parabolu sa polaznom tačkom
u I kvadrantu (0, 0), ograničenu u oblasti definisanosti troška. Minimum ove funkcije
je y = -1 a ovo ne pripada oblasti definisanosti funkcije troška.
Funkcija ukupnog troška je također grafički parabola sa polaznom tačkom (0, 25); tj.
translirani grafik funkcije varijabilnog troška za fiksne troškove F = 25.
110
FUNKCIJA TROŠKOVA
50
C, V, F
45
V(y )
40
35
30
F(y ) = 25
25
20
15
10
5
0
y
-5 0 1 2 3 4 5 6 7
(2 + 2 y ) y − 25 − 2 y − y 2 y 2 − 25
C ′( y ) = 2
= 2
= 0 ⇒ y 2 − 25 = 0 ⇒ ye = 5.
y y
C ( ye ) = C ′( ye ) = 12 . (Iz odnosa prosječne i granične funkcije).
Analizirajući funkciju prosječnog troška, određuju se:
25 + 2 y + y 2
1. Pozitivnost: C ( y ) = >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 graničnog i prosječnog ukupnog troška sijeku se za nivo nejekono-
mičnije proizvodnje ye = 5.
Funkcije graničnog i varijabilnog troška su jednake za y = 0.
16
C'
14
12 C
E (5; 12)
10
V
8
2
y
0
0 1 2 3 4 5 6 7 8 9
112
FUNKCIJA TROŠKOVA
y 2 y2 + 2 y
EC , y = ′
⋅ C ( y) = 2 ≥ 0.
C ( y) y + 2 y + 25
Analizira se funkcija elastičnosti ukupnih troškova u odnosu na nivo proizvodnje y.
d)
1) Ispituje se monotonost ove funkcije:
(4 y + 2)( y 2 + 2 y + 25) − (2 y 2 + 2 y )(2 y + 2) 2 y 2 + 100 y + 50
EC′ , y = = 2 > 0 , za y ≥ 0.
( y 2 + 2 y + 25) 2 ( y + 2 y + 25) 2
2) Horizontalna asimptota lim EC , y = 2 .
3) Za y = 0, EC , y = 0 .
Primjer 1.21.
Kod nekog proizvođača poznata je nepotpuna funkcija ukupnih troškova C = 5e Ay .
a) Odrediti parametar A ako je najekonomičniji nivo proizvodnje ye = 5 a zatim od-
rediti algebarske izraze za funkcije ukupnih, prosječnih i graničnih troškova.
b) Algebarski, tabelarno i grafički odrediti elastičnost troškova u odnosu na količinu
proizvodnje EC , y .
113
EKONOMETRIJSKE FUNKCIJE
Rješenje:
C = 5e y /5
C = 5e Ay ye = 5
5e y /5
a) C ( ye ) = C ' ( ye ) C=
y
5e Ay 1 1 '
= 5e Ay ⋅ A ⇒ A= ⇒ A= C = e y /5
y y 5
y ' y y
b) EC , y = ⋅ C = y /5 ⋅ e y /5 =
C 5e 5
EC , y = 0 ⇒ y=0
y
EC , y = 1 ⇒ =1 ⇒ y=5
5
y
EC , y = +∞ ⇒ = +∞ ⇒ y = +∞
5
y EC , y
EC,y
y=0 EC , y =0
1
y=5 EC , y =1
5 y
5< y <+∞ 1< EC , y <+∞
y → +∞ EC, y →∞
Primjer 1.22.
Neki proizvođač ima graničnu funkciju troškova: C ′ ( y ) = 3 ⋅ y 2 − 18 ⋅ y + 30 i najeko-
nomičniji nivo proizvodnje ye = 9.
a) Pronaći njegovu funkciju ukupnog troška.
b) Na istom grafiku prikazati funkcije C , C ′, V , uz isticanje karakterističnih vri-
jednosti (tačke: M, V, E).
114
FUNKCIJA TROŠKOVA
Rješenje:
a) C ( y ) = ∫ (3 y 2 − 18 y + 30)dy = y 3 − 9 y 2 + 30 y + F .
Dakle, C ( y ) = y 3 − 9 y 2 + 30 y + 729.
b)
C ′( y ) = 3 y 2 − 18 y + 30,
y 3 − 9 y 2 + 30 y + 729
C ( y) = ,
y
V ( y ) = y 2 − 9 y + 30.
Pronađimo karakteristične tačke M, V, E:
M = minC ′( y ) ⇒ (C ′)′ = 0 ⇒ 6 y − 18 = 0 ⇒ y = 3, C ′(3) = 3 ⇒ M (3,3)
y
C , C′, V
111
E
9,75
V
3
M
0 3 4,5 9 y
115
EKONOMETRIJSKE FUNKCIJE
Primjer 1.23.
Kod nekog proizvođača poznata je funkcija troškova: C = 4e0,25 y .
a) Odrediti nivo najekonomičnije proizvodnje i za taj nivo odrediti vrijednosti
EC , ye , C ′ ( ye ) i C ( ye ) i objasni njihovo značenje;
b) Na istom grafiku prikazati funkcije C ′, C i V .
Rješenje:
a) Nivo najekonomičnije proizvodnje se određuje iz uslova:
C ′ ( ye ) = 0 ili C ( ye ) = C ′ ( ye ) .
C=
4e0,25 y
⇒ C′ =
e 0,25
( y − 4) = 0 ⇒ y =4
e
y y2
Odavde je nivo najekonomičnije proizvodnje ye = 4
Vrijednosti: EC , ye = EC , ye + 1 = 1
C ( ye ) = C ′ ( ye ) = e ≈ 2, 78
Objašnjenja:
EC , ye = 1 ⇒ ako obim proizvodnje poraste sa nivoa y = 4 kj za 1% ukupni troškovi će
porasti za 1% (indiferentna elastičnost).
C ( ye ) = e ≈ 2, 78 ⇒ ako je obim proizvodnje y = 4 kj u prosjeku na svaku količinsku
jedinicu y dolazi e novčanih jedinica troška.
116
FUNKCIJA TROŠKOVA
C , C′, V C
C′
E
e
1
0 4 y
117
EKONOMETRIJSKE FUNKCIJE
Primjer 1.24.
Na sljedećem grafikonu su predstavljene funkcije prosječnih, graničnih ukupnih i va-
rijabilnih troškova.
a) Sa grafikona odrediti karakteristične tačke M, V, E.
b) Ako se pretpostavi da je granični trošak linearna funkcija, treba, na osnovu grafi-
ka, odrediti matematske funkcije graničnog i ukupnog troška.
400
350
300
250
200
150
100
88
• •
50
8
0 • •
0 10 20 30 40 50 60 70 80
Rješenje:
a) Iz grafika pročitamo tražene vrijednosti:
M = min(C ′) ⇒ M (0, 8)
V = min(V ) ⇒ V (0, 8) .
E = min(C ) ⇒ E (10, 88)
b) Pretpostavljajući linearnost funkcije graničnog troška C ′( y ) = ky + n (grafik je
prava koja prolazi kroz dvije tačke (0, 8) i (10,88)) postavlja se sistem jednačina:
8=n
88 = 10k + n
Rješavajući 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 TROŠKOVA
400 + 80 + F
Kako je C (10) = 88 ⇒ = 88 ⇒ F = 400.
10
Funkcija ukupnog troška je jednaka: C ( y ) = 4 y 2 + 8 y + 400 .
Primjer 1.25.
Poznata je funkcija prosječnih varijabilnih troškova preduzeća cementa
V (q) = q 2 + 15 i nivo najekonomičniji nivo proizvodnje qe = 10 tona.
a) Odrediti funkciju ukupnih troškova, varijabilnih i fiksnih troškova i prikazati ih
grafički.
b) Grafički prikazati funkcije ukupnih prosječnih troškova, graničnih troškova i pro-
sječnih varijabilnih troškova.
c) Koliki je koeficijent elastičnosti ukupnih troškova za nivo proizvodnje q = 5 to-
na?
Rješenje:
a) Ukupni varijabilni troškovi imaju oblik:
V (q ) = q ⋅V (q) = q 3 + 15q = q (q 2 + 15) ≥ 0; q ≥ 0 .
Kako su granični ukupni i granični varijabilni troškovi uvijek isti, vrijedi sljedeća re-
lacija: C ′(q ) = V ′(q ) = 3q 2 + 15 > 0
q 3 + 15q + F
Ukupni troškovi su C (q) = V (q) + F = q 3 + 15q + F , a prosječni C (q ) = .
q
Potpun algebarski oblik ovih funkcija se dobija ako se odredi vrijednost fiksnih troš-
kova. Iz uslova qe = 10 i odnosa prosječne i granične funkcije troška postavlja se
sljedeća jednačina:
C (10) = C ′(10) , pa se uvrštavanjem oblika prosječne i granične funkcije dobija:
103 + 15 ⋅10 + F
= 3 ⋅102 + 15 ⇒ 1000 + 150 + F = 3150 ⇒ F = 2000 .
10
C (q) = q 3 + 15q + 2000 .
Funkcija varijabilnih troškova V(q) je kubna funkcija (neparna, rastuća, ima prevoj u
0), ograničena u intervalu definisanosti q ≥ 0.
Grafik funkcije ukupnog troška C(q) je dobiven translacijom grafika varijabilnih troš-
kova za fiksne troškove F = 2000.
119
EKONOMETRIJSKE FUNKCIJE
C
V
2000 F
0 q
q 3 + 15q + 2000
C (q) = .
q
Funkcije V (q) = q 2 + 15 i C ′(q) = 3q 2 + 15 su parabole sa minimumom u tački
M = V (0, 15)
q 3 + 15q + 2000
Funkcija C (q ) = je racionalna funkcija i ima minimum u tački
q
E (10, 315) i u toj tački siječe grafik funkcije C ′(q ) .
Vertikalna asimptota je fukcije C (q) je q = 0, a nema horizontalne i kose asimptote,
osim toga pozitivna je za q > 0.
120
FUNKCIJA TROŠKOVA
C′
C
V
315
E
15 M, V
0 10 q
q 5 9
c) EC , q =5 = ⋅ C ′(q ) = ⋅ 90 = ≈ 0, 2
C (q) 2200 44
Ako se nivo proizvodnje q = 5 kj poveća za 1%, ukupni troškovi će se sa nivoa
C = 2200 nj povećati za 0,2 %.
Primjer 1.26.
Dat je koeficijent elastičnosti ukupnih troškova:
2q(q + 1)
EC ,q = gdje je sa q označen nivo proizvodnje.
q + 2q + 10
2
Rješenje:
a) Funkcija elastičnosti ukupnih troškova je uvijek pozitivna, pa slijedi:
2q(q + 1)
EC , q = ≥0⇒q≥0
q + 2q + 10
2
121
EKONOMETRIJSKE FUNKCIJE
2q(q + 1)
2. lim = 2 , horizontalna asimptota EC, q = 2.
q →+∞ q + 2 q + 10
2
q 2 + 20q + 10
3. EC′ , q = > 0 za q ≥ 0, funkcija elastičnosti raste.
(q 2 + 2q + 10) 2
EC ,q q EC ,q
q=0 EC ,q =0
2
1
q= 10 EC ,q =1
122
FUNKCIJA TROŠKOVA
e) Ako je poznata funkcija elastičnosti ukupnih troškova, kako naći funkciju ukupnih
troškova? Rješavanjem linearne diferencijalne jednačine separacijom varijabli dobija
se:
q
EC , q = ⋅ C′
C
q 2q(q + 1) C ′(q ) 2(q + 1)dq
⋅ C′ = 2 ⇒∫ dq = ∫ 2
C q + 2q + 10 C (q) q + 2q + 10
Rješavajući ove integrale dobija se:
ln C (q) = ln(q 2 + 2q + 10) + ln K ⇒ C (q ) = K (q 2 + 2q + 10) .
Iz uslova da je fiksni trošak F = 100 slijedi da je za q = 0 ukupni trošak jednak fik-
snom trošku: C = F = 100, odnosno: 100 = 10K⇒ K =10.
Funkcija ukupnog troška, čija je funkcija elastičnosti data u primjeru, ima oblik:
C (q) = 10(q 2 + 2q + 10) = 10q 2 + 20q + 100 .
123
1.8. Funkcija dobiti
Uporedna analiza funkcije prihoda i funkcije troškova omogućava određivanje intervala
proizvodnje u kojem se ostvaruje dobit s obzirom na tržišne i proizvodne uslove. Dobit se
definiše kao razlika između ukupnog prihoda i ukupnih troškova i izražava u novčanim
jedinicama (nj):
D = P −C (1.98)
Ukupan prihod P je određen pomoću funkcije tražnje i tržišnim uslovima. Funkcija ukupnih
troškova odražava tehničko-tehnološke uslove proizvodnje. Cilj definisanja funkcije dobiti
je integralna analiza proizvodnih i tržišnih uslova. Funkcija dobiti se koristi za analizu ren-
tabilnosti.
U zavisnosti od odnosa prihoda i troškova dobit može biti pozitivna, jednaka nuli i
negativna. U analizi rentabilnosti razlikuju se tri sljedeća slučaja:
Ukoliko je prihod veći od troškova dobit će biti pozitivna i poslovanje rentabilno jer se
ostvaruje dobitak od D novčanih jedinica:
P > C ⇒ D = (P −C) > 0.
124
FUNKCIJA DOBITI
D ( y ) = ⎡⎣ P ( y ) − C ( y ) ⎤⎦ = p ⋅ y − C ( y ) = y ⎣⎡ p − C ( y ) ⎦⎤ za 0 ≤ y ≤ q = q( p) (1.101)
Na osnovu izvedenog izraza (1.101) može se izvršiti analiza rentabilnosti i prezentovati u
sljedećem obliku:
⎧= − F < 0 ako je y=0 jer je tada Π ( 0 ) = 0 i C ( 0 ) = F
⎪
⎪ > 0 ako je P ( y ) > C ( y ) tj. p > C ( y)
D ( y) ⎨ (1.102)
⎪ = 0 ako je P ( y ) = C ( y ) tj. p = C ( y)
⎪< 0 ako je P ( y ) < C ( y ) tj. p < C ( y)
⎩
odakle zaključujemo:
Ako se ne proizvodi, dobit je jednaka fiksnim troškovima i ostvaruje se gubitak.
Kada je prihod veći od troškova, odnosno konstantna cijena veća od prosječnih troškova,
poslovanje je rentabilno.
Granice rentabilnosti se određuju za nivo proizvodnje za koji su prihod i troškovi jednaki,
odnosno za koji je cijena jednaka prosječnim troškovima.
Ukoliko je konstantna cijena na tržištu manja od prosječnih troškova, prihod će biti manji
od troškova i dobit negativna, što znači da je takvo poslovanje nerentabilno.
16
Za drugi dio analize vidjeti Vučković, Ž., (2004), str. 121 – 122.
125
EKONOMETRIJSKE FUNKCIJE
U zavisnosi od oblika funkcije dobiti (1.101) mogu se pojaviti pojedini slučajevi definisani
u izrazu (1.102). Na grafikonu 21 predstavljene su tri funkcije troškova sa odgovarajućim
fiksnim troškovima F1, F2, F3 (F1 < F2 <F3 i istim varijabilnim troškovima) i funkcija prihoda
za konstantnu cijenu.
C3
D, P, C C2
C1 P
P = C1
F3 P = C2
F2 F
P = C1
F1
y1 yD y2
y
0
-F1 D1
-F2
D2
-F3
D3
Grafikon 21. Funkcije prihoda, troškova i dobiti
126
FUNKCIJA DOBITI
⎪⎧ p − C ( y ); 0≤ y≤q
'
D ( y ) = ⎡⎣ P ( y ) − C ′( y ) ⎤⎦ = ⎨ '
' '
(1.103)
⎪⎩−C ( y ); y>q≥0
U nastavku ćemo detaljno analizirati prvi slučaj, odnosno slučaj kada je na tržištu tražnja
dovoljno velika da se realizuje sva ponuđena količina. Funkcija granične dobiti, ukoliko su
poznati p = const , q = const , q = q ( p ) = const i 0 ≤ y ≤ q = q( p) , se definiše sljedećim
izrazom:
D ' ( y ) = ⎡⎣ P ' ( y ) − C ′( y ) ⎤⎦ = ⎡⎣ p − C ' ( y ) ⎤⎦ za 0 ≤ y ≤ q (1.104)
Funkcija granične dobiti jednaka je razlici između graničnog prihoda i graničnih troškova,
odnosno razlici između determinisane cijene i graničnih troškova. Odnos determinisane
cijene i graničnih troškova određuje tok funkcije ukupne dobiti.
Pošto se funkcije dobiti, prihoda i troškova izražavaju kao funkcije nivoa proizvodnje y, u
sljedećem izrazu, zbog jednostavnosti prezentacije, nećemo svaki put naglašavati da su to
funkcije od y.
⎧> 0 ako je P ' > C ′ tj. p > C ′ ⇒ D raste
⎪
D′ = P ' − C ′ ⎨= 0 ako je P ' = C ′ tj. p = C ′ ⇒ D ima ekstrem
⎪< 0 ako je P ' = C ′ tj. p = C ′ ⇒ D opada
⎩
Iz gornjeg izraza slijedi da u zavisnosti od odnosa cijene i graničnog troška, odnosno od
odnosa graničnog prihoda i graničnog troška, koja određuje vrijednost granične dobiti, uku-
pna dobit može da raste, stagnira ili opada.
Nivo proizvodnje za koji je granična dobit jednaka nuli se označava sa yD, odnosno imamo
da vrijedi:
D′( y ) = P ' ( y ) − C ′( y ) = p − C ′( y )
D′( yD ) = 0 za P ' ( yD ) = C ′( yD ) tj. za p = C ′( yD ) (1.105)
D′′( yD ) < 0
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 granični prihod i
granični troškovi jednaki, odnosno u kojem su konstantna cijena i granični trošak jednaki.
Nivo proizvodnje yD je nivo za koji se minimizira gubitak ako je D ( yD ) < 0 .
Funkcija granične dobiti ima sljedeće ekonomsko značenje: Funkcija granične dobiti poka-
zuje za koliko novčanih jedinica će se promijeniti ukupna dobit ako se nivo proizvodnje
127
EKONOMETRIJSKE FUNKCIJE
poveća za jednu količinsku jedinicu. Jedinica mjere u kojoj je izražena granična dobit je
novčana jedinica po količinskoj jedinici (nj/kj).
Kada je poznata funkcija granične dobiti, funkcija ukupne dobiti se određuje primjenom
neodređenog integrala:
D( y ) = ∫ D ′( y ) ⋅ dy = D * ( y ) + K (1.106)
Ovim izrazom se određuje „familija“ funkcija kojoj pripada ova funkcija. Da bi se odredila
ukupna dobit potrebno je odrediti konstantu K, a za njeno određivanje je potrebno poznava-
ti još jedan podatak, naprimjer D(0 ) = − F .
Funkcija prosječne dobiti kod determinisane cijene je definisana sljedećim izrazima:
⎧ −
⎪ p − C ( y ), 0≤ y≤q
D ( y ) = ⎨ pq − (1.107)
⎪ − C ( y ), y≥q≥0
⎩ y
Za analizu prosječne dobiti će se detaljno analizirati prvi slučaj kada je na tržitu tražnja
dovoljno velika da se realizuje sva ponuđena količina. Funkcija prosječne dobiti, ukoliko su
poznati p = const , q = const , q = q ( p ) = const i 0 ≤ y ≤ q = q( p) , se definiše sljedećim
izrazom:
D( y ) P( y ) − C ( y ) P( y ) C ( y )
D( y) = = = − = ⎡⎣ P ( y ) − C ( y ) ⎤⎦ = ⎡⎣ p − C ( y ) ⎤⎦ 0 ≤ y ≤ q (1.108)
y y y y
Funkcija prosječne dobiti jednaka je razlici funkcija prosječnog prihoda i prosječnih troš-
kova, odnosno razlici između konstantne cijene i prosječnog troška. Analiza funkcije
prosječne dobiti se može predstaviti sljedećim izrazom:
⎧> 0 kada je D( y ) > 0 tj. p > C ( y)
⎪
D ( y ) ⎨= 0 kada je D( y ) = 0 tj. p = C ( y)
⎪< 0 kada je D( y ) < 0 tj. p < C ( y)
⎩
Na osnovu ovog izraza mogu se izvesti sljedeći zaključci: Kada je cijena veća od prosječnog
troška, prosječna i ukupna dobit su pozitivne i ostvaruje se rentabilno poslovanje. Ako je
konstantna cijena jednaka prosječnim troškovima, prosječna i ukupna dobit su jednake nuli i
za taj nivo proizvodnje se ostvaruju granice rentabilnosti. Kada je cijena manja od prosječnog
troška, prosječna i ukupna dobit su negativne i poslovanje je nerentabilno.
Funkcija prosječne dobiti je pokazatelj dobiti po jedinici realizovanog proizvoda. Funkcija
prosječne dobiti pokazuje koliko se u prosjeku po svakoj jedinici proizvedenog dobra os-
tvari jedinica ukupne dobiti. Ukoliko je ukupna dobit pozitivna, ostvaruje se prosječan
dobitak po jedinici proizvoda. Kada je ukupna dobit negativna, ostvaruje se prosječan gubi-
128
FUNKCIJA DOBITI
tak. Jedinica mjere u kojoj se izražava prosječna dobit je novčana jedinica po količinskoj
jedinici (nj/kj).
Za analizu i grafičko predstavljanje funkcije prosječne dobiti potrebno je odrediti i analizi-
rati tok funkcije prosječne dobiti. Analiza toka je predstavljena u sljedećem obliku:
⎧> 0 kada je C ′( y ) < 0 za 0 < y < ye
⎪
D′( y ) = −C ′( y ) ⎨= 0 kada je C ′( y ) = 0 za y = ye (1.109)
⎪
⎩< 0 kada je C ′( y ) > 0 za y > ye
Ako prosječni troškovi opadaju, prosječna dobit raste. U najekonomičnijem nivou proizvo-
dnje imamo maksimalnu vrijednost funkcije prosječne dobiti. Prosječna dobit opada kada
prosječni troškovi rastu.
Ako se nivo proizvodnje za koji se maksimizira prosječna dobit označi sa yD , prosječna
dobit će biti maksimalna ako su ispunjeni sljedeći 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 znači da je nivo proizvodnje kod kojeg se maksimizira prosječna
dobit jednak najekonomičnijem nivou proizvodnje.
Različiti slučajevi funkcija prihoda, troškova i dobiti su predstavljeni i analizirani u primje-
rima sa kompletnim rješenjima na kraju.
129
EKONOMETRIJSKE FUNKCIJE
diti računa o vrijednosti funkcije dobiti u toj tački. Ako je vrijednost funkcije negativna-
koristit ćemo termin gubitak, a ako je pozitivna - koristit ćemo termin dobitak17.
Koeficijent elastičnosti prosječne dobiti se određuje pomoću sljedećeg izraza:
y
ED , y = ⋅ D′( y ) (1.112)
D( y )
Koeficijent elastičnosti prosječne dobiti ima sljedeće objašnjenje: ukoliko se količina y po-
veća za 1%, tada će se prosječna dobit/gubitak promijeniti (povećati ako je koeficijent
elastičnosti pozitivan i smanjiti ako je koeficijent elastičnosti negativan) za onoliko posto-
taka koliko iznosi koeficijent elastičnosti prosječne dobiti.
Veza izmedu elastičnosti ukupne i prosječne dobite se izražava, koristeći opšti odnos izme-
đu elastičnosti ukupne i prosječne funkcije, sljedećim izrazima:
ED , y = ED , y + 1 ili E D , y = ED , y − 1
17
Obrazloženje vidjeti u : Vučković, Ž. (2004), str. 24. i str. 134.
130
FUNKCIJA DOBITI
Odnosi između ukupnog prihoda i ukupnih troškova te dobit koja se određuje iz tih odnosa
su predstavljeni sljedećim izrazom:
⎧> 0 ⇒ D(q ) > 0, P (q ) > C (q )
⎪
D(q ) = P( q) − C (q ) ⎨= 0 ⇒ D(q ) = 0, P(q ) = C (q ) (1.114)
⎪< 0 ⇒ D(q ) < 0, P (q ) < C (q )
⎩
C, P, D C
P+ P=C
P=C P
F
D+
0 q1 qD q2 q+ q
-F
Na grafikonu 22. je predstavljen slučaj kad funkcije prihoda i troška imaju dvije zajedničke
tačke. Nivoi proizvodnje q1 i q2 su nivoi za koje je funkcija troška jednaka funkciji prihoda i
predstavljaju granice renabilnosti. Za nivo qD se maksimizira dobit i to je najrentabilniji
nivo proizvodnje. U najrentabilnijem nivou proizvodnje je najveća razlika između prihoda i
troškova. Interval q ∈ ( q1 , q2 ) je interval rentabilnosti. Intervali nerentabilnosti su za
q ∈ [ 0, q1 ) ∪ ( q2 , q + ) .
Na grafikonu 23. je predstavljen slučaj kada funkcije prihoda i troškova imaju samo jednu
zajedničku tačku, tačka qD je tačka u kojoj je funkcija troškova jednaka funkciji prihoda. U
ovom slučaju maksimalna dobit je jednaka nuli za nivo prizvodnje qD, a za sve ostale nivoe
proizvodnje dobit je negativna jer su troškovi veći od prihoda.
131
EKONOMETRIJSKE FUNKCIJE
C, P, D
C
P+
P=C
F
F P
D+
0 qD qP q+ q
-F D
U slučaju kada su troškovi veći od prihoda, poslovanje je nerentabilno i dobit je, kao što je
predstavljeno na grafikonu 24. uvijek negativna. Nivo prizvodnje qD je nivo proizvodnje
gdje sa minimizira gubitak.
C, P, D
C
P+
F
F Π
0 qD qP q+ q
D+
D
-F
Funkcija agregatne granične dobiti se definiše kao prvi izvod funkcije ukupne dobiti:
ΔD D(q + Δq) − D(q) dD
D '(q ) = lim = lim = (1.115)
Δq → 0 Δq Δq →0 Δq dq
132
FUNKCIJA DOBITI
Granična dobit pokazuje za koliko novčanih jedinica će se promijeniti funkcija ukupne do-
biti ako se nivo proizvodnje q poveća za jednu količinsku jedinicu. Dakle, svaka dodatna
jedinica povećanja nivoa proizvodnje će rezultirati u promjeni ukupne dobiti za onoliko
novčanih jedinica koliko iznosi granična dobit.
Funkcija granične dobiti jednaka je razlici između graničnog prihoda i graničnih troškova,
odnosno:
D = P −C
D ′= P ' − C ′ (1.116)
Zavisno od vrijednosti funkcije granične dobiti, ukupna dobit može da raste, stagnira ili
opada:
⎧> 0; P ' (q ) > C ′(q ), D(q ) raste
⎪
D′(q ) = P ' (q ) − C ′(q ) ⎨= 0; P ' (q ) = C ′(q ), D(q ) ima ekstrem (1.117)
⎪< 0; P ' (q ) < C ′(q ), D(q ) opada
⎩
Maksimalna dobit, odnosno najrentabilniji nivo proizvodnje se ostvaruje kada je granična
dobit jednaka nuli, odnosno kada je granični prihod jednak graničnim troškovima. Najren-
tabilniji nivo proizvodnje se označava sa qD.
D′(qD ) = 0, D′′(qD ) < 0 :
Ovim izrazom se određuje „familija“ funkcija kojoj pripada ova funkcija. Da bi se odredila
ukupna dobit potrebno je odrediti konstantu K, a za njeno određivanje je potrebno poznava-
ti još jedan podatak, a taj podatak je da je dobit u nuli jednaka negativnim fiksnim
troškovima D ( 0 ) = − F .
133
EKONOMETRIJSKE FUNKCIJE
D(0) − F
Ukoliko je q = 0, tada je D(0) = = = − ∞ , što znači da funkcija ima vertikalnu
0 0
asimptotu.
Analiza funkcije prosječne dobiti se može predstaviti sljedećim izrazom za vrijednosti
0 < q ≤ q+ :
Nivo kod kojeg se maksimizira prosječna dobit se označava sa (qD > 0) . Da bi agregatna
prosječna dobit bila maksimalna treba da budu zadovoljeni sljedeći uslovi:
D′(qD ) = 0
D′′(qD ) < 0
Za nivo (qD > 0) , za koji se maksimizira prosječna dobit, prosječna i granična dobit su jed-
nake. Pošto se prvi izvod prosječnih troškova za nivo (qD > 0) nalazi u intervalu opadanja
prosječnih troškova tada je (qD ≤ qe ) . To znači da nivo proizvodnje u kojem se maksimizi-
ra prosječna dobit nije jednak najekonomičnijem nivou proizvodnje.18 Odnos ova dva nivoa
proizvodnje u slučaju agregatne dobiti je različit od njihovog odnosa u slučaju dobiti kod
konstantne cijene koji smo analizirali i predstavili u dijelu 1.8.1.2. pod naslovom Funkcija
prosječne dobiti kod determinisane cijene.
Agregatna prosječna dobit se izražava u novčanoj jedinici po količinskoj jedinici i pokazuje
koliko se u prosjeku po svakoj količinskoj jedinici proizvodnje ostvari novčanih jedinica
dobiti. Nivo kod kojeg se maksimizira prosječna dobit se označava sa (qD > 0)
Elastičnost agregatne dobiti se definiše sljedećim izrazom:
q
ED , q = ⋅ D′(q) (1.122)
D(q)
i daje nam informaciju o procentualnoj promjeni funkcije dobiti ako se količina proizvodnje
q poveća za 1%.
Elastičnost dobiti se može izraziti i kao odnos granične i prosječne dobiti:
q D′(q )
ED , q = ⋅ D′(q ) = (1.123)
D(q) D(q )
18
Dokaz i izvođenje vidjeti u : Vučković, Ž., (2004), str. 153.
134
FUNKCIJA DOBITI
Ako se u funkciju agregatne dobiti D=D(q) uvrsti funkcija direktnog zakona tražnje 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)
Mogu se definisati funkcija granične dobiti
D′p = D′( p ) (1.126)
Primjer 1.27.
Neko dobro na tržištu se prodaje po cijeni p = 35 nj/kj Proizvođač tog dobra ima fun-
kciju troškova C ( y ) = 2 y 2 + 10 y + 50 .
a) Odrediti algebarski izraz funkcije dobiti i analizirati karakteristične tačke;
b) Grafički predstaviti funkcije prihoda, troška, dobiti;
135
EKONOMETRIJSKE FUNKCIJE
Rješenje:
a) Funkcija dobiti je razlika ukupnog prihoda i ukupnog troška i kod determinisa-
ne cijene vrijedi:
D(y) = P(y) - C(y) = py – C (y).
Kako je cijena p = 35, to je prihod P(y) = 35 y, pa je algebarski izraz funkcije dobiti
D( y ) = 35 y − 2 y 2 − 10 y − 50 = −2 y 2 + 25 y − 50 .
Primjetimo da je D(0) = - F = - 50 (startni gubitak).
Analizom ove funkcije dobijaju se:
1)
granice rentabilnosti:
−25 ± 625 − 400 −25 ± 15 y = 2,5
D( y ) = 0 ⇔ y1,2 = = ⇔ 1
−4 −4 y2 = 10
interval rentabilnosti:
D( y ) > 0 ⇔ y ∈ (2,5; 10)
intervali nerentabilnosti:
D( y ) < 0 ⇔ y ∈ (0; 2,5) ∪ (10; + ∞)
2) D′( y ) = 0 ⇔ −4 y + 25 = 0 ⇔ yD = 6, 25
nivo najrentabilnije proizvodnje
225
3) D + = D( yD ) = D(6, 25) = = 28,125
8
maksimalan dobitak
136
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 ;
2 y 2 + 10 y + 50
C= .
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.
Karakteristične tačke su:
nivo najrentabilnije proizvodnje yD = 6,25 (tačka presjeka P ' , C ′ )
nivo najekonomičnije proizvodnje ye = 5 ( C ′(5) = C (5) = 30 )
137
EKONOMETRIJSKE FUNKCIJE
C'
C', C ,
P = P'
C
35 P = P ' = 35
30
10
0
-50 2.5 5 6.25 10 y
d)
Elastičnost dobiti u odnosu na nivo proizvodnje
y y
ED , y = ⋅ D′( y ) = ⋅ (− 4 y + 25) .
D( y ) −2 y + 25 y − 50
2
Računa se:
17
y = 2 ⇒ D(2) = − 8; ED , y = − = − 4, 25 ;
4
Ako se nivo proizvodnje y = 2 poveća 1%, gubitak od 8 nj će se povećati za 4,25%.
y = 5 ⇒ D(5) = 25; ED , y = 1 ;
138
FUNKCIJA DOBITI
e)
Ako je cijena p = 25, tada je funkcija dobiti proizvođača
D( y ) = 25 y − 2 y 2 − 10 y − 50 = −2 y 2 + 15 y − 50 .
Određuju se granice rentabilnosti, odnosno nule funkcije:
−15 ± 225 − 400
D ( y ) = 0 ⇒ y1,2 = ∉ R , odnosno nema realnih nula.
−4
C
C, P, D
P
115.625
93.75
50
0 3.75
10 y
-21.875
D
-50
Funkcija dobiti je uvijek negativna ( D ( y ) < 0 ( ∀y ) jer nema realnih nula i D''<0, pa
se zaključuje da proizvođač nerentabilno posluje, odnosno proizvođač posluje sa gu-
bitkom. Grafički, funkcija dobiti se nalazi u IV kvadrantu. Potrebno je odrediti na
kojem nivou proizvodnje y će proizvođač imati najmanji gubitak.
15
D′( y ) = 0 ⇒ −4 y + 15 = 0 ⇒ y = yD = = 3, 75 i iznosi D (3, 75) = −21,875 .
4
Trošak proizvođača je uvijek veći od njegovog prihoda, odnosno grafik funkcije troš-
ka je iznad grafika funkcije prihoda pa je proizvođač u gubitku D<0. Proizvođač 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 5 6.25 10 y
Primjer 1.28.
1
Poznata je funkcija agregatne tražnje q = − p + 90 i funkcija ukupnih prosječnih
3
2025
troškova C = 2q + .
q
a) Pronaći funkciju ukupne dobiti D (q) i grafički prikazati funkcije prihoda, troška i
dobiti uz određivanje intervala rentabilnosti, najrentabilnije proizvodnje i maksi-
malne dobiti.
b) Pronaći funkcije granične i prosječne dobiti uz njihov grafički prikaz i istaći od-
nos nivoa najrentabilnije proizvodnje qD i nivoa qD gdje je maksimum prosječne
dobiti.
c) Odrediti elastičnost dobiti i prosječne dobiti na nivou q = 50 i objasniti rezultat.
Rješenje:
a) Zakon inverzne tražnje je algebarskog oblika:
1
q = − p + 90 ⇒ 3q = − p + 270 ⇒ p = 270 − 3q .
3
Odavde je funkcija prihoda izražena preko količine q, oblika:
140
FUNKCIJA DOBITI
P (q ) = p ⋅ q = 270q − 3q 2
Karakteristične vrijednosti za funkciju prihoda, a samim tim i za funkciju dobiti, su:
područje definisanosti (def. za p>0, q>0, q′ < 0 ) ⇒ -3q > - 270 ⇒ q < 90 tj.
q∈(0,90). Ove krajnje tačke su istovremeno i nule funkcije prihoda P ( q ) . Maksima-
lan prihod računamo iz P ' (q) = 270 − 6q = 0 ⇔ q = 45; pa je P + (45) = 6075 .
Funkciju troška računamo iz funkcije prosječnih troškova, odnosno:
C (q) = C ⋅ q = 2q 2 + 2025 .
Funkcija troška je rastuća funkcija i njena najmanja vrijednost su fiksni troškovi, od-
nosno F=2025. Ovo nam govori da se prilikom grafičkog prikaza funkcije troška
koristi onaj dio parabole koji se nalazi u I kvadrantu i koji raste.
Sada možemo izračunati i funkciju dobiti
D(q ) = P(q) − C (q) = −5q 2 + 270q − 2025 .
Analizirajmo funkciju dobiti:
1. D=0 ⇒ q1 = 45, q2 = 9 granice rentabilnosti
2. D> 0⇒ q∈(9, 45) interval rentabilnosti
3. D′ = 0 ⇒ −10q + 270 = 0 ⇒ qD = 27; D + = D(27) = 1620
(najrentabilniji nivo proizvodnje i maksimalna dobit)
C, P, D
6075 C
2025
1620
0 9 27 45 90 q
-2025
D
141
EKONOMETRIJSKE FUNKCIJE
b)
−5q 2 + 270q − 2025
D′ = −10q + 270 ; D = .
q
Pronađimo njihov presjek, tačku u kojoj se maksimizira prosječna dobit.
2025
D′ = D ⇔ −10q + 270 = −5q + 270 − ⇔ qD = 405 ≈ 20,1 .
q
D(20,1) = D′(20,1) ≈ 69 .
Zaključujemo; q1 < qD < qD < q2 .
D', D
270
69
0 9 20,01 27 45 q
-2025 D
D'
Primjer 1.29.
Neko poljoprivredno poduzeće Agropro proizvodi y - (tona) pšenice i ostvaruje dobit
od D(y) (stotina KM).
Statistički podaci su dati u sljedećoj tabeli:
142
FUNKCIJA DOBITI
Y 0 4 5 10 12
D(y) -20 10 20 30 25
Rješenje:
a) Napravimo radnu tabelu:
yi Di Diyi yi2 Diyi2 yi3 yi4
0 -20 0 0 0 0 0
4 10 40 16 160 64 256
5 20 100 25 500 125 625
10 30 300 100 3000 1000 10000
12 25 300 144 3600 1728 20736
Σ 31 Σ 65 Σ 740 Σ 285 Σ 7260 Σ 2917 Σ 31617
Postavljaju se normalne jednačine:
∑ D = a∑ y + b∑ y + cn
i
2
i i
∑ D ⋅ y = a ∑ y + b∑ y + c∑ y
i i i
3
i
2
i
∑ D ⋅ y = a ∑ y + b∑ y + c∑ y
i i
2
i
4
i
3
i
2
(i = 1,2..,5 = n).
Zamijenjujući u gornji sistem vijednosti iz posljednjeg reda gornje tabele dobija se
sljedeći sistem jednačina:
65 = 285a + 31b + 5c
740 = 2917 a + 285b + 31c
7260 = 31617 a + 2917b + 285c
Rješavajući ovaj sistem dobijaju se vrijednosti koeficijenata:
a = −0,55; b = 10, 49; c = −20,505.
143
EKONOMETRIJSKE FUNKCIJE
d)
4
ED , y = 4 = ⋅ 6, 05 = 1,93 .
12,56
Ako se nivo proizvodnje y = 4 poveća 1% ,dobit će se sa nivoa D=12,56 povećati
1,93%.
15
ED , y =15 = ⋅ (−6, 01) = −6,88 .
13,1
Ako se nivo proizvodnje y =15 t poveća 1%, dobit će se sa nivoa D=13,1 KM smanji-
ti za 6,88%.
e) U Microsoft Exelu se dobija kvadratna funkcija koja najbolje aproksimira skup po-
dataka u ovom primjeru.
144
FUNKCIJA DOBITI
Primjer 1.30.
Na tržištu je prisutna cijena nekog proizvoda: p =15 nj/kg. Tražnja za tim proizvodom
je ∞. Za konkretnog proizvođača ovog proizvoda funkcija graničnih troškova je
C ′ = 2 y + 2 i nivo najekonomičnije proizvodnje je ye = 6 kg.
a) Odrediti funkcije: troška, prihoda i dobiti za datog proizvođača;
b) Odrediti intervale rentabilnog poslovanja, nivo najrentabilnije proizvodnje;
c) Grafički prikazati funkcije prosječnog i graničnog prihoda i troška, uz naznača-
vanje karakterističnih tačaka.
Rješenje:
a) C′ = 2 y + 2 ⇒ C = y2 + 2 y + F ⎫
⎪
⎬ ⇒ C = y + 2 y + 36
2
F
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
c) P = P ' = 15
36
C = y+2+
y
C′ = 2 y + 2
C′
C
A D B
Π = Π ′ = 15 VA
E
0 4 Ye = 6 YD = 6,5 9 y
145
1.9. Funkcija ponude
Ponuda je konačan stadij procesa proizvodnje u tržišnoj privredi. Količina nekog dobra
(proizvoda) koja se nudi na tržištu po određenoj cijeni predstavlja ponudu tog dobra. U us-
lovima slobodnog djelovanja ekonomskih zakonitosti ponuda zavisi od tržišne cijene
proizvoda p i od cijena ostalih proizvoda koji mogu biti u vezi sa tehničko-tehnološkim
uslovima proizvodnje. To se odnosi na cijene, količine i kvalitet utrošenih faktora proizvo-
dnje, tj. na troškove proizvodnje C f . Ponuda zavisi i od vremena t , od geografskog
područja G , sezone s , itd. Na ovaj način definisana ponuda predstavlja funkciju ponude u
širem smislu, koja se izražava kao funkcija više promjenljivih:
qˆ = F ( p, C f , t , G, s ) (1.128)
Ako funkcija ponude ima izvod po p u intervalu posmatranja taj izvod mora biti veći od
∂qˆ
nule > 0 , što znači da je ponuda rastuća funkcija u odnosu na cijenu p . Ostali parcijalni
∂p
izvodi mogu biti različitog znaka zavisno od uticaja pojedinih faktora na ponudu posmatra-
nog dobra.
Pošto najveći uticaj na ponudu nekog dobra ima cijena tog dobra ponuda se definiše u užem
smislu kao funkcija jedne nezavisne varijable, a to je cijena tog dobra:
qˆ = f ( p ), odnosno qˆ = qˆ ( p )
(1.129)
Razlikuju se individualna i agregatna ili tržišna ponuda. Funkcija individualne ponude (po-
nude pojedinačnog proizvođača) pokazuje kolika je količina nekog dobra koje individualni
proizvođač nudi na prostorno i vremenski definisanom tržištu po određenoj cijeni. Funkcija
agregatne ponude predstavlja ukupnu količinu nekog dobra koju nude svi ponuđači tog do-
bra na određenom tržištu u određenom vremenskom periodu. Agregatna ponuda se dobije
sabiranjem individualnih funkcija ponude. U analizi koja slijedi prvo će biti predstavljena
funkcija agregatne, a zatim i funkcija individualne ponude.
Funkcija agregatne ponude predstavlja količinu nekog dobra koja se nudi na prostorno i
vremenski definisanom tržištu po određenoj cijeni. Funkcija agregatne ponude se dobija
kao zbir količina nekog proizvoda koje nude različiti individualni proizvođači na određe-
nom tržištu u određeno vrijeme i može se izraziti sljedećom relacijom:
146
FUNKCIJA PONUDE
N
qˆ = ∑ xˆ i .
i =1
(1.130)
19
Vidjeti osobine u Vučković, Ž., (2004), str. 172.
147
EKONOMETRIJSKE FUNKCIJE
za p > 0, qˆ ≥ 0, qˆ ′ > 0 .
Elastičnost ponude je uvijek pozitivna pošto su cijena i ponuda pozitivne i prvi izvod fun-
kcije ponude pozitivan. Koeficijent elastičnosti ponude pokazuje za koliko postotaka (%) će
se povećati ponuda ako se cijena poveća za 1%.
Elastičnost funkcije ponude je pozitivna i njene vrijednosti se mogu tabelarno predstaviti na
sljedeći način.
Ako se učini simplifikacija, kao kod funkcije tražnje, pretpostavljajući da je uticaj ostalih
faktora na ponudu relativno mali u poređenju sa cijenom p dobra koje se nudi, funkcija
individualne ponude se definiše u užem smislu kao funkcija cijene:
xˆ = xˆ ( p)
(1.132)
Da bi funkcija (1.132) mogla biti funkcija ponude, mora ispuniti sljedeće uslove:
1. Uslov nenegativnosti na zavisnu i nezavisnu varijablu kod individualne funkcije po-
nude: p > 0, xˆ > 0 . Ako se sa p- označi minimalna cijena za koju postoji ponuda i sa
x̂ − minimalna količina ponuđena pri toj cijeni, tada se obast definisanosti ponude
može napisati:
0 < p − ≤ p , 0 ≤ xˆ − ≤ xˆ .
148
FUNKCIJA PONUDE
x̂ ( p )
x̂ 2
x̂1
0 p1- p2- p
Agregatna ponuda je zbir svih individualnih ponuda u oblasti njihove definisanosti, pri če-
mu oblast definisanosti Dqˆ i agregatne ponude predstavlja oblast definisanosti svih
individualnih ponuda D xˆ i :
qˆ ( p ) = ∑ xˆi ( p); p ∈ ∪ D xˆ i .
i i
149
EKONOMETRIJSKE FUNKCIJE
Zapis p ∈ ∪ D xˆ i nam govori da na tržištu postoji ponuda kad je barem jedan ponuđač prisu-
i
tan na tržištu, odnosno minimalna cijena za koju postoji agregatna ponuda je p − = min( pi− ) .
i
U ovom primjeru imamo da je agregatna ponuda definisana za p ∈ p1− ,+∞ , jer smo pret- ( )
( ]
postavili odnos p1− ≤ p 2− . Za cijenu p ∈ p1− , p 2− na tržištu je prisutan samo jedan
ponuđač sa ponudom x̂1 , dok ponuđač sa ponudom x̂ 2 ulazi na tržište ako je cijena veća od
( )
p 2− . Za cijenu p ∈ p 2− ,+∞ na tržištu su prisutna oba ponuđača sa ponudama x̂1 i x̂ 2 .
⎧ xˆ1
⎪ za p ∈ ( p1− , p2− ⎤⎦
qˆ ( p ) = ⎨
⎪⎩ xˆ1 + xˆ2 za p ∈ ( p2 , +∞ )
−
q̂ ( p ) q̂ ( p ) q̂ ( p )
x̂ 2
x̂1 qˆ ( p ) = xˆ1 + xˆ 2
Δx̂ 2
Δx̂ 2
0 p1- p2- p 0 p1- p
Grafikon 26. Funkcije individualnih ponuda Grafikon 27. Funkcija agregatne ponude
i agregatne ponude
150
FUNKCIJA PONUDE
Cilj ponuđača je da maksimizira dobit, odnosno da ponudi onu količinu dobra koja će mu,
pri datoj tržišnoj cijeni, obezbijediti najveću dobit. Upravo na ovoj činjenici, i uz pretpos-
tavku da je u pitanju tržište savršene konkurencije na kojem pojedinac ne utiče na cijenu
izvodi se funkcija individualne ponude.
Dobit pojedinca pri tržišnoj cijeni p se računa: D( y ) = P( y ) − C ( y ) = p ⋅ y − C ( y ) , a nivo y
za koju se maksimizira dobit se određuje kad se granična dobit izjednači sa nulom, odnos-
no:
D′( y ) = P '( y ) − C ′( y ) = p − C ′( y ) = 0
(1.134)
p = C ′( y )
Iz gornjeg izraza se zaključuje da će ponuđač ostvariti najveću dobit ukoliko cijena na tržiš-
tu bude jednaka graničnim troškovima. Zbog toga se iz jednačine p = C ′( y ) može
eksplicitno izraziti y i dobiti direktni zakon ponude:
y = xˆ = xˆ ( p) .
151
EKONOMETRIJSKE FUNKCIJE
Poslovanje je rentabilno ako je tržišna cijena (prosječan prihod) veća od prosječnog troška,
što se vidi iz izraza (1.135). Poslovanje je nerentabilno ako je tržišna cijena (prosječan pri-
hod) manja od prosječnog troška, a ako je je tržišna cijena jednaka prosječnom trošku
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 (1.135)
< < <
y’, y
x C’ C
p=Ρ’ = Ρ
E V
pu
V
pi
M
0 yM yV yE y
Grafikon 28. Određivanje funkcije ponude iz funkcije troškova
152
FUNKCIJA PONUDE
veća od ukupnih prosječnih troškova p > C . Za cijenu p = C' se maksimizira dobit kao
što je pokazano u relaciji (1.134).
Kada je cijena jednaka prosječnim troškovima p = pu = C ostvaruju se granice rentabil-
nosti, a ako je cijena manja od prosječnih troškova p < C = pu dobit je negativna D<0 i
poslovanje nerentabilno.
Sa pi je označena izlazna cijena. Ta cijena je jednaka prosječnim varijabilnim, odnosno
graničnim troškovima u nivou kod kojeg su minimalni prosječni varijabilni troškovi yV.
Ukoliko je nivo proizvodnje y = 0, tada je dobit negativna
D ( y = 0) = [P ( y = 0) − C ( y = 0)] = − F < 0 .
Ostvaruje se tzv. polazni gubitak koji je jednak fiksnim troškovima.
U slučaju kada je cijena na tržištu jednaka prosječnim varijabilnim troškovima p = pi ta-
kođer se ostvaruje polazni gubitak kao u prethodnom slučaju.
p = V ( y ) → [ p − V ( y ) ] = 0 /⋅ y → [ p ⋅ y − V ( y )] < 0 → D ( y ) = − F .
Ukoliko se tržišna cijena nalazi u granicama pi < p < pu tada vrijedi:
Ako je tržišna cijena manja od pu ( p < pu ) proizvođač ima interes da kratkoročno ostane na
tržištu ukoliko je cijena veća od tzv. izlazne cijene pi. Ta cijena je jednaka graničnim troško-
vima u nivou kod kojeg su minimalni prosječni varijabilni troškovi yV. Dakle kod cijene
pi < p < pu proizvođač ostaje na tržištu jer smanjuje gubitak izražen fiksnim troškovima.
20
Vučković, Ž. , (2004), str. 178-181.
153
EKONOMETRIJSKE FUNKCIJE
Za cijenu ( p < pi ) ponuđač nema interesa da ostane na tržištu jer tada posluje sa gubitkom.
Zakon inverzne ponude je, za cijenu jednaku ili veću od pi, jednak funkciji graničnog tro-
ška, kao što je pokazano u izrazu (1.134).
Na tržištu savršene konkurencije ravnoteža nastaje kada je agregatna ponuda nekog dobra
jednaka agregatnoj tražnji za tim dobrom. Cijena za koju su funkcija ponude i funkcija tra-
žnje jednake naziva se ravnotežna cijena. Ravnotežna cijena se određuje izjednačavanjem
funkcije tražnje i ponude:
q = qˆ (1.136)
Za ravnotežnu cijenu količina dobra koja se nudi će biti jednaka količini dobra koja se traži
na određenom tržištu u određeno vrijeme. Određivanje tržišne ravnoteže je obrađeno u
primjerima sa rješenjima.
Primjer 1.31.
Date su funkcije ponude:
1) qˆ ( p ) = p 2 − 3 p + 2
qˆ ( p ) = 2 p − 1
2)
3) qˆ ( p ) = e p −1 − 3
p
4) qˆ ( p ) = ln .
2
a) Za koje cijene p ove funkcije imaju ekonomskog smisla? Grafički predstaviti date
funkcije.
b) Za funkcije ponude 1) i 2) odrediti algebarske izraze funkcije elastičnosti uz gra-
fički i tabelarni prikaz.
Rješenje:
a) Definiciono područje funkcija ponude p > 0; qˆ ( p ) > 0; qˆ ′( p ) > 0 .
1) p>0,
qˆ ( p ) = p 2 − 3 p + 2 > 0 ⇒ ( p − 1) ⋅ ( p − 2 ) > 0 ⇒ p ∈ (− ∞,1) ∪ (2,+∞ ) ,
qˆ ′( p) = 2 p − 3 > 0 ⇒ p > 3 / 2 ,
154
FUNKCIJA PONUDE
0 1 1,5 2
q̂
Funkcija ponude je parabola
sa minimumom i definisana je za:
p > 2, qˆ > 0
0 1 2 p
1
2) p - 1>0 ⇒ p >1, qˆ ( p ) > 0 , qˆ ′( p) = > 0 , p- =1, q- = 0.
p −1
0 1 p
155
EKONOMETRIJSKE FUNKCIJE
q̂
Funkcija ponude je eksponenci-
jalna funkcija definisana za
p > 1 + ln 3; qˆ > 0
1+ln 3
0 1 p
p p 1
4) p>0, qˆ ( p ) > 0 ⇒ ln >0⇒ > 1 ⇒ p > 2 ; qˆ ′( p ) = > 0;
2 2 2p
0 2 p
p
Grafikon 1.31.c. Funkcija ponude qˆ ( p ) = ln
2
156
FUNKCIJA PONUDE
1) qˆ ( p ) = p 2 − 3 p + 2
p 2 p2 − 3p
– E qˆ , p = ⋅ (2 p − 3) = > 0 definisana za p > 2
p2 − 3p + 2 p2 − 3p + 2
− 3p2 + 8 p − 6
– ( E qˆ , p )′ = < 0 za p > 2 (opadajuća funkcija)
( p 2 − 3 p + 2) 2
– lim Eqˆ , p = 2 (horizontalna asimptota)
p→+∞
2 p2 − 3p
– E qˆ , p = 1 ⇒ = 1 ⇒ p 2 = 2 ⇒ p = 2 ∉ d . p.
2
p − 3p + 2
Eqˆ , p p E qˆ , p Elastičnost
p>2 +∞> E qˆ , p >2 Elastičnost
2 p
2) qˆ ( p ) = 2 p − 1
p 1 p
– E qˆ , p = ⋅ = > 0 definisana za p > 1
2 p −1 p −1 2( p − 1)
157
EKONOMETRIJSKE FUNKCIJE
– p = 1 (vertikalna asimptota)
1
– lim E qˆ , p = (horizontalna asimptota)
p → +∞ 2
−1
– ( E qˆ , p )′ = < 0 (opadajuća funkcija)
2( p − 1) 2
– E qˆ , p = 1 ⇒ p = 2 p − 2 ⇒ p = 2 (jedinična elastičnost)
Eqˆ , p p E qˆ , p elastičnost
E qˆ , p = ∝ savršena
p=1
elastičnost
Primjer 1.32.
Na tržištu određenog tipa robe prisutna su tri proizvođača sa zakonima individualne
ponude:
xˆ 1 = p − 3 ,
xˆ 2 = 0 ,5 p − 1,
xˆ 3 = p − 6 ,
a) Definisati funkcije individualnih ponuda i grafički ih predstaviti.
b) Odrediti zakon agregatne ponude na tržištu i prikazati je grafički.
c) Ako je q = 5 – 0,5p zakon agregatne tražnje, odrediti tačku ravnoteže.
d) Odrediti elastičnost ponude za ravnotežnu cijenu i protumačiti rezultat.
Rješenje:
a) Definišimo svaku od navedenih funkcija individualne ponude: xˆ > 0, p > 0, xˆ ′ > 0 .
xˆ1 > 0 ⇒ p − 3 > 0 ⇒ p > 3; xˆ1′ = 1 > 0 , ponuda prvog proizvođača je definisana za p >3.
158
FUNKCIJA PONUDE
xˆ 2 > 0 ⇒ 0,5 p − 1 > 0 ⇒ p > 2; xˆ 2′ = 0,5 > 0 , ponuda drugog proizvođača je definisa-
na za p >2 .
xˆ 3 > 0 ⇒ p − 6 > 0 ⇒ p > 6; xˆ 3′ = 1 > 0 , ponuda trećeg proizvođača je definisana za
cijenu p >6.
x̂ 2 x̂3
x̂1
0 3 p 0 2 p 0 6 p
159
EKONOMETRIJSKE FUNKCIJE
q̂
0.5
0 2 3 6 p
q, qˆ
R
2.75
0.5
0 2 3 4,5 6 10 p
160
FUNKCIJA PONUDE
4,5
d) E qˆ , p = 4,5 = ⋅ 1,5 = 2,45 .
2,75
Ako cijenu p sa ravnotežne cijene pR = 4,5 povećamo za 1%, ponuda sa ravnotežnog
nivoa 2,75 će se povećati za približno 2,45 %.
Primjer 1.33.
Preduzeće « Hlaaa », koje proizvodi hladnjake, izvršilo je analizu tržišta i dobilo slje-
deći grafikon:
q, qˆ ( kom.)
30
14
0 90 160 300
Rješenje:
a) Zna se da je funkcija tražnje u zavisnosti od cijene opadajuća, a funkcija ponude u
zavisnosti od cijene rastuća funkcija. Sa grafikona se uočava:
Tražnja q(p) definisana za p∈ (0, 300) i q(p)∈(0, 30);
Ponuda qˆ ( p) definisana za p > 90.
161
EKONOMETRIJSKE FUNKCIJE
b) Tačka ravnoteže je tačka u kojoj se sijeku funkcije tražnje i ponude; (sa grafikona
P.3.1.). Ravnotežna cijena je pR = 160 $, a ravnotežna količina qR = 14 kom.
c) Funkcija tražnje je linearna funkcija pa je oblika: q(p) = ap + b.
Sa grafikona se određuje da je granična cijena do koje tražnja postoji p+ =300, q = 0 i
nivo zasićenja q+ = 30, p = 0.
Rješavajući sistem jednačina, dobija se:
0 = 300⋅a + b
30 = a⋅0 + b ⇒ b = 30, a = -1/10 = -0,1.
Funkcija tražnje je q(p) = -0,1p + 30.
Funkcija ponude je linearna funkcija pa je oblika qˆ ( p) = cp + d.
Sa grafikona se određuje da je najniža cijena za koju ponuda postoji p- = 90, qˆ ( p) =0;
i za p = 160, qˆ ( p) =14. Uvrštavajući ove vrijednosti u funkciju ponude qˆ ( p ) = cp + d
dobija se sistem jednačina:
0 = 90c + d
14 = 160c + d
Rješavanjem ovog sistema određuju se vrijednosti koeficijenata: c = 0,2, d = -18, od-
nosno funkcija ponude je qˆ ( p) = 0,2p – 18.
d) Za cijenu p < 150 $ tražnja je veća od ponude, što znači da će preduzeće sve hlad-
njake prodati.
e) Kako je q´(p) = - 0,1 i qˆ ′( p ) = 0,2, to će za jedinično povećanje cijene tražnja
opasti za 0,1, a ponuda porasti za 0,2 kom.
Primjer 1.34.
Za konkretnog proizvođača nekog proizvoda poznata je funkcija troškova
C(y) = 6y2 + 6y + 96.
a) Odrediti njegovu funkciju ponude i količinu ponude kod poznate tržišne cijene p =30
b) Da li je njegovo poslovanje rentabilno?
c) Odrediti ulaznu cijenu pu i ulaznu količinu yu iznad koje naš proizvođač izlazi sa
ponudom na tržište, izlaznu cijenu pi i izlaznu količinu yi ispod koje bi naš proiz-
vođač odustao od ponude; grafički predstaviti funkcije prosječnog ukupnog i
varijabilnog troška, graničnog troška i ponude.
162
FUNKCIJA PONUDE
Rješenje:
a) Vodeći se kriterijem rentabilnosti, cilj je ostvariti maksimalnu dobit
D´= 0 ⇒ C´ = P´ ⇒ C´ = p (inverzno) ⇒ xˆ ( p) .
p−6 p−6
C´(y) = 12 y +6 = p ⇒ y = ⇒ xˆ ( p) = ; definisana za p > 6.
12 12
Proizvođačeva ponuda pri cijeni p =30 bi bila: xˆ (30) = 2k . j.
163
EKONOMETRIJSKE FUNKCIJE
C ′, C ,V
x̂
54
E
30
4
2
6 V 0 6 30 54 p
0 2 4 y
Grafikon 1.34. Funkcije prosječnog ukupnog Grafikon 1.34.a. Funkcija ponude proizvođača
troška, prosječnog varijabilnog troška i granič- (grafik funkcije ponude je inverzan grafiku
nog troška funkcije graničnog troška)
Primjer 1.35.
Kod nekog proizvođača poznata je funkcija prihoda P (q) = 30q − 3q 2 i nepotpuna
funkcija troškova C (q) = A + 2q + q 2 .
a) Odrediti vrijednost parametra A ako se zna da je najekonomičniji nivo proizvod-
nje q e = 24 kj .
b) Odrediti algebarski izraz funkcije dobiti i dati grafički prikaz, uz obilježavanje
karakterističnih tačaka i intervala nerentabilnosti.
c) Odrediti funkciju proizvođačeve ponude, oblast definisanosti i grafički je preds-
taviti.
164
FUNKCIJA PONUDE
Rješenje:
a)
P (q ) = 30q − 3q 2 ; C ( q ) = A + 2q + q 2 ; q e = 24 kj
'
' ⎛ A + 2q + q 2
' ⎞ A
C (q e ) = 0 ⇒ C = ⎜⎜ ⎟⎟ = 0 ⇒ 1 − 2 = 0 ⇒ A = 24
⎝ q ⎠ q
b)
D(q) = P(q) − C (q)
D(q) = 30q − 3q 2 − (q 2 + 2q + 24) ekstrem: D ' (q) = (−4q 2 + 28q − 24) ' = 0
D(q) = −4q 2 + 28q − 24 − 8q + 28 = 0
D(q) = 0 ⇒ −4q 2 + 28q − 24 = 0 qD = 7 / 2
Nule : q1 = 1 , q2 = 6 D(q D ) = D(3,5) = −4 ⋅ 3,5 + 28 ⋅ 3,5 − 24 = 60
q ∈ (0, 1) ∪ (6, + ∞) D max (7 / 2,60)
q1 = 1 , q2 = 6 F = 24
q ∈ (1, 6)
D(q)
x̂
Dmax(3,5;60)
60
0 1 6 q 0 2 p
qD=3,5
-F
Interval nerentabilnosti
c)
165
EKONOMETRIJSKE FUNKCIJE
Primjer 1.36.
Grafička kuća „Book“ je procijenila troškove štampanja i uvezivanja kompleta knjiga
za potrebe Gradske biblioteke. Utvrđeno je da su fiksni troškovi F = 400 KM. U tabe-
li su bilježeni varijabilni troškovi proizvodnje jednog kompleta knjiga i metodom
najmanjih kvadrata procijenjena je funkcija varijabilnih troškova:
Broj knjiga 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Varijabilni
0 12 30 60 95 140 190 255 320 400 480 570 670 780 890 1020 1150
trošak
V
1400
V = 4y 2 +8y
1200
R2 = 1
1000
800
600
400
200
0
y
0 5 10 15 20
-200
166
FUNKCIJA PONUDE
Rješenje:
a) C(y) = 4y2 +8y + 400 funkcija ukupnog troška;
400
Funkcije graničnog i prosječnog troška su: C ′( y ) = 8 y + 8; C ( y) = 4 y + 8 + .
y
Da bi našli minimum prosječnih troškova proizvodnje:
400
C ′( y ) = 0 ⇒ 4 − 2
= 0 ⇒ y 2 = 100 ⇒ y E = 10 .
y
Dakle, najekonomičnije bi bilo štampati 10 kompleta knjiga.
b) Ako je p =120 KM jednog kompleta, tada bi prihod Π(y) =120y, pa bi funkcija do-
biti bila D(y) = Π(y) – C(y) = - 4y2 +112y – 400.
D´(y)= -8y + 112 = 0 ⇒ yD =14 .
Najbolje bi bilo štampati 14 kompleta knjiga, jer bi tada grafička kuća ostvarila mak-
simalnu dobit.
c) D(y) = 0 ⇒ y1 = 4,2; y2 = 23,8. D(y) > 0 za y∈(4,2; 23,8), tj. poslovanje grafičke
kuće bi bilo rentabilno ako bi štampali između 4 i 24 kompleta knjiga. Ako bi ponudi-
li 10 kompleta, bili bi rentabilni.
d) Najmanja cijena pri kojoj bi optimalna ponuda obezbijedila grafičkoj kući renta-
bilno poslovanje je pE = C´(yE) = 88 KM.
C' C
V
120 A D B
88 E
8
0 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 – najekonomičniji nivo proizvodnje
Primjer 1.37.
Poznata je funkcija ponude jednog proizvođača xˆ ( p ) = 2 p − 1 .
a) Odrediti funkciju ukupnog troška ovog proizvođača ako se zna da je najekonomi-
čniji nivo njegove proizvodnje ye = 10 k.j.
b) Odrediti funkcije prosječnog ukupnog i varijabilnog troška, graničnog troška i
grafički ih predstaviti uz obilježavanje karakterističnih tačaka (yu, yi, pu, pi). Pri
kojoj cijeni bi ovaj proizvođač bio rentabilan?
c) Izračunati elastičnost ponude za cijenu p = pu i objasniti rezultat.
Rješenje:
a) Definiše se funkcija ponude:
1
p - 1>0 ⇒ p >1, xˆ ( p) > 0 , xˆ ′( p) = > 0 , p- =1, q- = 0.
p −1
Označva se sa y = xˆ ( p ) > 0 nivo proizvodnje ovog proizvođača koji će ponuditi na
tržištu.
y y2 y2
y = 2 p −1 ⇒ = p −1 ⇒ = p −1 ⇒ + 1 = p = C ′( y ) .
2 4 4
y2
Dakle, funkcija graničnog troška je C ′( y ) = + 1 . Treba odrediti funkciju ukupnog
4
⎛ y2 ⎞ y3
troška: C ( y ) = ∫ ⎜⎜ + 1⎟⎟dy = + y+F.
⎝ 4 ⎠ 12
Kako je poznat nivo najekonomičnije proizvodnje ye = 6, to je C (6) = C ′(6) = 10 do-
biva se:
168
FUNKCIJA PONUDE
63 y3
+ 6 + F = 60 ⇒ F = 36 ; C ( y ) = + y + 36 .
12 12
y2 y2 36 y2
b) C ′( y ) = + 1; C ( y) = +1+ ; V ( y) = + 1.
4 12 y 12
Analiza funkcija troškova:
1. Funkcije C ′( y ) i V ( y ) su pozitivne kvadratne funkcije koje imaju za y ≥ 0 mini-
malnu vrijednost 1 za y =0 ⇒ M = V = (0, 1).
2. Funkcija C ( y ) je pozitivna funkcija čija je vertikalna asimptota y = 0, i ima mini-
mum za y = ye = 6 čija vrijednost iznosi 10 ⇒ E = (6, 10).
C′
C
V
(pu) 10
(pi) 1
0(yi) 6 (yu) y
Ulazna cijena pu = 10 novčanih jedinica i ulazna količina yu = 6 kj iznad koje naš pro-
izvođač izlazi sa ponudom na tržište, ostvaruje dobit, tj. rentabilan je;
Izlazna cijena pi je 1 novčana jedinica ispod koje bi naš proizvođač odustao od ponu-
de yi = 0.
p 1 p 10 5
c) E qˆ , p =10 = ⋅ = = = ≈ 0,55 .
2 p −1 p −1 2( p − 1) 18 9
169
1.10. Funkcije proizvodnje
Funkcije proizvodnje su, kao instrumenti ekonomske analize, prvo definisane na mikroni-
vou kao relacije između utrošaka pojedinih faktora proizvodnje i obima proizvodnje, gdje
su utrošci i obim proizvodnje izraženi u količinskim jedinicama. Proizvodna funkcija kao
instrument mikroekonomske analize može se, uz izvjesne modifikacije, primijeniti na nivou
većih privrednih cjelina, pa i na nivou cijele privrede.
«Sve dok se na neki način može izmjeriti masa proizvodnih utrošaka, s jedne, i količina
različitih gotovih proizvoda i usluga, s druge strane, i sve dok se između tih dvaju kategori-
ja mogu uspostaviti izvjesne analitičke veze, proizvodna funkcija može da posluži kao
pogodan i efikasan instrument u teoriji proizvodnje i na nivoima koji su viši od nivoa pre-
duzeća. Od velikog je značaja činjenica da proizvodna funkcija primenjena na celu privredu
ima ista analitička svojstva kao i proizvodna funkcija na nivou preduzeća, a njena ekonom-
ska interpretacija na tom znatno višem nivou potpuno je analogna njenoj interpretaciji na
najnižem nivou, tj. na nivou jednog proizvodnog procesa ili nekog homogenog, i zato rela-
tivno malog, proizvodnog kompleksa».21
Funkcije proizvodnje se kao instrument ekonomske analize primjenjuju na makronivou, uz
pretpostavku da relacije između posmatranih agregata održavaju tehnologiju date privrede,
kao što odgovarajuće relacije na mikronivou odražavaju tehnologiju datog proizvodnog
procesa.
Funkcije proizvodnje predstavljaju analitički izraz proizvodnje koji specificira tehnološke
relacije između proizvodnje i faktora koji su utrošeni u tu proizvodnju. Ove funkcije defini-
šu vezu koja postoji između angažovanih inputa i izraz su tehnoloških znanja koja
egzistiraju u određenom skupu proizvodnih procesa i koja definišu sve kombinacije gotovih
proizvoda, koje se mogu dobiti na osnovu odgovarajućih kombinacija faktora proizvodnje,
kao i kombinacije svih faktora proizvodnje koje rezultiraju u određenoj kombinaciji gotovih
proizvoda.
Polazeći od pretpostavke da se faktori proizvodnje koriste na najefikasniji način, ovim fun-
kcijama se izražava maksimalan output kao funkcija varijabilnih inputa. Iako je
funkcija proizvodnje osnovni analitički instrument u kvantitativnoj analizi rasta, ona je pre-
dmet brojnih kontraverzi u pogledu opravdanosti njene primjene.22
21
Madžar, Lj., (1976), str. 131.
22
Vidjeti detaljnije u Bazler-Madžar, M., (1975).
170
FUNKCIJE PROIZVODNJE
2. Druga osobina se odnosi na zakon opadajućih prinosa kao poseban slučaj zakona varija-
bilnih proporcija. Zakon varijabilnih proporcija implicira promjene proizvodnje koje
nastaju kao rezultat povećanja utroška samog jednog faktora, ako su količine ostalih faktora
nepromijenjene.
Proizvodnja se, zavisno od promjena varijabilnog faktora, mijenja različito, ali poslije
izvjesne granice («iza neke tačke») marginalni prirast će početi opadati. To je rezultat či-
njenice da se stalnim povećanjem utroška samo jednog faktora, uz fiksni nivo ostalih
faktora, kombinacija utrošaka sve više udaljava od tehnološki efikasnog područja proizvod-
nje.
Zakon opadajućih prinosa se formuliše «za onaj interval varijacije promjenljivog utroška, u
kome njegova sukscesivna povećanja daju sukscesivno opadajuće priraste proizvodnje».23
Zakon opadajućih prinosa važi u sljedećim uslovima: « (1) tehnika proizvodnje je data i u
posmatranom trenutku vremena se ne mijenja; (2) utrošak bar nekih proizvodnih usluga je
konstantan; (3) postoji mogućnost variranja proporcija utroška, jer inače bi marginalni proi-
zvod bio stalno jednak nuli i (4) «iza neke tačke» znači iza utroška koji se obično
23
Madžar, Lj., (1972), str. 31.
171
EKONOMETRIJSKE FUNKCIJE
Proizvodna funkcija
Q = Q ( xi )
{x j = const , ∀j ≠ i}
0 A B C xi
Zakon opadajućih
prinosa
Prosječna
funkcija Q x i
0 A B C xi
Granična
funkcija Q ′x i
Područje racionalnih odluka Područje neracionalnih odluka
24
Horvat, B., (1972), str. 16.
172
FUNKCIJE PROIZVODNJE
Granična funkcija proizvodnje se definiše 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. granična funkcija ili granič-
ni proizvod se određuju pomoću parcijalnog izvoda na sljedeći način:
∂Q
= Qx′i > 0, i = 1, 2,..., n. (1.145)
∂X i
Ekonomsko objašnjenje prethodnog izraza je sljedeće: ukoliko se utrošak faktora Xi poveća
za jednu jedinicu mjere u kojoj je faktor izražen, a ostali faktori ostanu konstantni, nivo
ukupne proizvodnje Q će se povećati za onoliko jedinica koliko iznosi granični proizvod, tj.
za Q x′i jedinica.
Može se izračunati onoliko graničnih funkcija proizvodnje koliko ima faktora koji su uklju-
čeni u funkciju proizvodnje. Za prethodnu funkciju se može odrediti n graničnih funkcija
proizvodnje.
Za dvofaktorsku funkciju proizvodnje Q = F (R, K) mogu se odrediti dvije funkcije granič-
ne proizvodnje i to granična proizvodnja po faktoru R i granična proizvodnja po faktoru K.
Granična proizvodnja u odnosu na faktor rad je jednaka:
∂Q
= QR′ > 0 (1.146)
∂R
173
EKONOMETRIJSKE FUNKCIJE
i pokazuje da će se ukupna proizvodnja povećati za QR′ jedinica ukoliko se faktor rad pove-
ća za jednu jedinicu, a faktor kapital ostane nepromijenjen.
Granična proizvodnja u odnosu na faktor kapital se određuje sljedećim izrazom:
∂Q
= QK′ > 0 (1.147)
∂K
i njeno značenje je sljedeće: ukoliko se faktor kapital poveća za jednu jedinicu, a faktor rad
ostane nepromijenjen, ukupna proizvodnja će se povećati za onoliko jedinica koliko iznosi
granična proizvodnja, dakle za QK′ jedinica.
174
FUNKCIJE PROIZVODNJE
Q
QK = , R = const. (1.150)
K
Prosječna funkcija proizvodnje u odnosu na faktor kapital pokazuje koliko se u prosjeku po
svakoj utrošenoj jedinici faktora kapital ostvari jedinica ukupne proizvodnje uz pretpostav-
ku da je faktor rad ostao konstantan. Ova funkcija naziva se i funkcijom produktivnosti,
odnosno efikasnosti kapitala.
25
Somun-Kapetanović, R., (1986), str. 43 - 44.
175
EKONOMETRIJSKE FUNKCIJE
176
FUNKCIJE PROIZVODNJE
Krive horizontanih presjeka proizvodne površine pokazuju sve kombinacije utrošaka fakto-
ra proizvodnje koji daju istu količinu proizvodnje. Te krive se nazivaju izokvantama.
Izokvanta se algebarski može izraziti implicitnom funkcijom:
Izokvanta se može izraziti i eksplicitnom funkcijom polazeći od opšteg oblika funkcije pro-
izvodnje Q=F (R, K). Uz pretpostavku da je nivo proizvodnje konstantan, faktor K se
izražava eksplicitno kao funkcija konstantnog nivoa proizvodnje Q0 i faktora R. Analitički
oblik izokvante u ovom slučaju je dat sljedećim izrazom:
K = F ( R, Q0 ), K = f ( R), Q0 = const. (1.152)
Totalnim diferenciranjem jednačine Q = F ( R, K ) dobija se relacija:
∂Q ∂Q
dQ = ⋅ dR + ⋅ dK (1.153)
∂R ∂K
177
EKONOMETRIJSKE FUNKCIJE
QR′
k= (1.156)
QK′
u kojoj je k nagib izokline. Za pozitivne vrijednosti nagiba izokline k definisano je područje
racionalnih odluka, odnosno područje u kome su granični proizvodi faktora pozitivni.
U tom području povećanje utroška jednog faktora izaziva smanjenje utroška drugog faktora
da bi ukupna proizvodnja ostala nepromijenjena.
Izokline za k = 0 i k = + ∞ predstavljaju granične slučajeve jer omeđuju područje racionalnih
odluka u kome su ispunjene poželjne osobine funkcija proizvodnje i nazivaju se linije grebena
proizvodne površine (g1 i g2 na grafikonu 32.).
Izokvante karakterišu i sljedeće osobine: izokvante koje su više udaljene od koordinatnog
početka odgovaraju većem nivou proizvodnje jer je funkcija proizvodnje rastuća. Izokvante
se ne sijeku i konveksne su u odnosu na koordinatni početak.26
Nagib izokvatne koji je izveden u prethodnom dijelu i izražen relacijom (1.155) predstavlja
graničnu stopu supstitucije faktora proizvodnje (R i K). Granična stopa supstitucije faktora
proizvodnje se definiše kao količnik graničnih proizvoda funkcije proizvodnje:
26
Dokaz za ove osobine vidjeti u Vučković, Ž., (2004), str. 210 - 220.
178
FUNKCIJE PROIZVODNJE
dK Q′
S= =− R <0 (1.157)
dR QK′
Granična stopa supstitucije pokazuje kvantitativne odnose između faktora proizvodnje (R
i K) i njihove infinitezimalne promjene pri kretanju na izokvanti i ima preciznu ekonomsku
interpretaciju. Granična stopa supstitucije izražena relacijom (1.157) predstavlja graničnu
stopu supstitucije kapitala radom i pokazuje za koliko jedinica treba smanjiti utrošak kapi-
tala K ako dođe do jediničnog povećanja utroška rada R, da bi proizvodnja ostala
nepromijenjena.
Recipročna vrijednost izraza (1.157) predstavlja graničnu stopu supstitucije rada kapitalom:
dR Q
S= =− K <0 (1.158)
dK QR
Ova granična stopa supstitucije pokazuje za koliko jedinica treba smanjiti utrošak rada R
ako se utrošak kapitala K poveća za jednu jedinicu mjere u kojoj je izražen kapital da bi
nivo proizvodnje Q ostao konstantan.
Granična stopa supstitucije je negativna (1.157) jer je, u intervalu racionalnih odluka, izok-
vanta opadajuća kriva, što znači da povećanjem ulaganja u jedan faktor proizvodnje treba
smanjiti drugi faktor da bi proizvodnja ostala ista. U intervalu racionalnih odluka, izokvanta
je konveksna prema koordinatnom početku (zakon opadajućih prinosa) što znači da se sve
teže faktori supstituiraju sa porastom ulaganja u jedan faktor proizvodnje. Na grafikonu 34
je prikazano da se granična stopa supstitucije po apsolutnoj vrijednosti smanjuje kako se
krećemo niz izokvantu, jer se zbog djelovanja zakona opadajućih prinosa teže supstituira
faktor K faktorom R ako manje ulažemo u K a više u R.
5
A
4 ΔK1
3 ΔR B
ΔK2 ΔR C
2 D E
ΔK3
ΔR ΔR
1
0 1 2 3 4 5 R
179
EKONOMETRIJSKE FUNKCIJE
180
FUNKCIJE PROIZVODNJE
K Q′ Q′
EQ , K = ⋅ QK′ = K = K . (1.163)
Q Q QK
K
27
Po analogiji izocost prava se može izvesti i za bilo koju drugu dvofaktorsku funkciju proizvodnje u kojoj
su faktori označeni drugim simbolima kao npr. Q=F(X1, X2) .
181
EKONOMETRIJSKE FUNKCIJE
CC
K = 0 ⇒ CC = pR ⋅ R ⇒ R = >0
pR
(1.169)
C
R = 0 ⇒ CC = pK ⋅ K ⇒ K = C > 0
pK
CC
pK
0 CC R
pR
Grafikon 35. Izocost prava
182
FUNKCIJE PROIZVODNJE
K
QC=const.
C3
C2
K̂ P
C1
0 R
R̂
Grafikon 36. Određivanje minimalnih troškova za konstantan nivo proizvodnje
183
EKONOMETRIJSKE FUNKCIJE
Na grafikonu su predstavljene tri izocost prave C3 > C2 > C1 i izokvanta Qc koja predstavlja
određeni konstantni nivo proizvodnje.
Optimalna kombinacija faktora koja minimizira troškove za dati nivo proizvodnje se posti-
že u tački 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 .
184
FUNKCIJE PROIZVODNJE
K
Q3
Q2
Q1
CC
P
K̂
R̂ R
Grafikon 37. Određivanje maksimalne proizvodnje uz zadate troškove
To je tačka u kojoj je izocost prava tangenta na izokvantu Q2. Na grafikonu ta tačka je oz-
načena sa P. Nivo proizvodnje Q3 se ne bi mogao realizovati uz zadate troškove jer nemaju
zajedničkih tačaka sa izocost pravom. Nivo proizvodnje Q1 ima presječne tačke sa izocost
pravom što znači da bi se mogao realizovati. Međutim, bilo bi neracionalno uz zadate troš-
kove proizvoditi manji nivo proizvodnje Q1, jer se za iste troškove može proizvesti veći
nivo proizvodnje, nivo Q2.
Oblici funkcija proizvodnje mogu da budu različiti jer mnoge algebarske funkcije zadovo-
ljavaju ekonomsko-tehnološke karakteristike. Pored poželjnih osobina, mnoge funkcije
proizvodnje imaju i specifične karakteristike, pa izbor konkretnog oblika funkcije proizvo-
dnje zavisi od proizvodnog procesa koji se istražuje i analizira.
Najpoznatija i najčešće primjenjivana od svih funkcija proizvodnje je Cobb-Douglasova
funkcija proizvodnje28 koja ima sljedeći oblik:
Q = ARα K β (1.173)
Q > 0, A > 0, R > 0, K > 0, α + β = 1
u kojem Q predstavlja proizvodnju, R i K faktore proizvodnje, parametar A predstavlja pa-
rametar efikasnosti, a α i β su parametri koje treba ocijeniti, a koji predstavljaju
koeficijente elastičnosti proizvodnje u odnosu na faktor rad i faktor kapital.
28
Ovu funkciju su (uz ograničenje α+ β = 1) 1927. godine predložili i empirijski testirali Cobb, C. W. i Do-
uglas, P. H.
185
EKONOMETRIJSKE FUNKCIJE
Primjer 1.38.
Da li opšti oblik funkcije Q = A ⋅ R α ⋅ K β gdje A > 0, 0 < α < 1, 0 < β < 1 ima po-
željne osobine?
Rješenje:
∂Q
a) = α ⋅ A ⋅ R −(1−α ) ⋅ K β > 0 za α > 0
∂R
∂Q
= β ⋅ A ⋅ R α ⋅ K −(1− β ) > 0 za β > 0
∂K
186
FUNKCIJE PROIZVODNJE
⎧ Kβ ⎫ 1
lim ⎨β ⋅ A ⋅ 1−α ⎬ = α ⋅ A ⋅ K α ⋅ lim 1−α = 0
K →∞
⎩ R ⎭ K →∞ K
Primjer 1.39.
Data je funkcija proizvodnje Q = 8 ⋅ R ⋅ K .
Potrebno je utvrditi i grafički prikazati
a) izokvante za Q = 16 i Q = 32 ,
b) izoklinu za k = 2 ,
c) linije grebena za proizvodne površine.
Rješenje:
Iz navedene funkcije Q = 8 ⋅ R ⋅ K slijedi da Q 2 = 64 ⋅ R ⋅ K , pa je
Q2
K= jednačina izokvante.
64 ⋅ R
16 2 4
Za Q = 16 → K = → K= .
64 ⋅ R R
32 2 16
Za Q = 32 → K = → K= .
64 ⋅ R R
187
FUNKCIJE PROIZVODNJE
⎧ Kβ ⎫ 1
lim ⎨β ⋅ A ⋅ 1−α ⎬ = α ⋅ A ⋅ K α ⋅ lim 1−α = 0
K →∞
⎩ R ⎭ K →∞ K
Primjer 1.39.
Data je funkcija proizvodnje Q = 8 ⋅ R ⋅ K .
Potrebno je utvrditi i grafički prikazati
a) izokvante za Q = 16 i Q = 32 ,
b) izoklinu za k = 2 ,
c) linije grebena za proizvodne površine.
Rješenje:
Iz navedene funkcije Q = 8 ⋅ R ⋅ K slijedi da Q 2 = 64 ⋅ R ⋅ K , pa je
Q2
K= jednačina izokvante.
64 ⋅ R
16 2 4
Za Q = 16 → K = → K= .
64 ⋅ R R
32 2 16
Za Q = 32 → K = → K= .
64 ⋅ R R
187
FUNKCIJE PROIZVODNJE
Rješenje:
a) Q = 4 ⋅ R + 3 ⋅ K − R 2 + 3 ⋅ R ⋅ K
3 ⋅ (1 + R ) ⋅ K = Q − 4 ⋅ R + R 2
Q − 4 ⋅ R + R2
K= predstavlja jednačinu za izokvantu.
3 ⋅ (1 + R )
6 − 4 ⋅ R + R2
Za Q = 6 imamo sljedeći izraz: K = .
3 ⋅ (1 + R )
9 − 4 ⋅ R + R2
Za Q = 9 imamo sljedeći izraz: K = .
3 ⋅ (1 + R )
15 − 4 ⋅ R + R 2
Za Q = 15 imamo sljedeći izraz: K = .
3 ⋅ (1 + R )
4 − 2 ⋅ R + 3⋅ K
c) Iz relacije = ∞ , slijedi 3 ⋅ (1 + R ) = 0 . Prema tome, R = −1 preds-
3 ⋅ (1 + R )
tavlja prvu liniju grebena.
4 − 2 ⋅ R + 3⋅ K
Iz relacije = 0, slijedi 4 − 2⋅ R + 3⋅ K = 0. Prema tome,
3 ⋅ (1 + R )
4 2⋅ R
K =− + predstavlja drugu liniju grebena.
3 3
5 1⋅ R
Sve izokvante imaju asimptote iste krivulje K = − + i R = −1 .
3 3
189
EKONOMETRIJSKE FUNKCIJE
d) Dvije linije grebena definišu područje racionalnih odluka za datu funkciju proiz-
4 2⋅ R
vodnje. Granice tog područje su nejednačine K ≥ − + i R ≥ −1 . Međutim, u
3 3
ovom području racionalnih odluka nisu ispunjeni svi uslovi koji se odnose na nenega-
tivnost faktora proizvodnje. Prema tome, sljedeće nejednačine predstavljaju stvarno
područje racionalnih odluka:
4 2⋅ R
K ≥− + , R > 0 , K > 0.
3 3
4 2⋅ R
K =− +
3 3
R = -1 0 1 2 3 4 5 6 7 8 9 10 11 R
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 mašinskog sata je 20 nj.
( p K = 20) . Fiksni troškovi su 60 nj (F = 60) .
a) Pronađite funkciju ukupnih troškova oblika K = f (R ) .
b) Pronađite funkciju ukupne proizvodnje oblika K = f (R ) .
c) Potrebno je izračunati koja kombinacija proizvodnih utrošaka predstavlja najniže
troškove proizvodnje ako se poznate izokvante Q1 = 25, Q2 = 35 i Q3 = 50 je-
dinica finalnog proizvoda.
d) Grafički predstaviti kompletno rješenje.
190
FUNKCIJE PROIZVODNJE
Rješenje:
a) Prvo treba da odredimo funkciju ukupnih troškova: C = C (R, K ) = 10 ⋅ R + 20 ⋅ K + 60 .
Langrange-ova funkcija i parcijalni izvodi su sljedeći:
(
L = 10 ⋅ R + 20 ⋅ K + 60 − λ ⋅ 10 ⋅ R 0,5 ⋅ K 0,5 − Q )
∂L
= 10 − 5 ⋅ λ ⋅ R −0,5 ⋅ K 0,5 = 0
∂R
∂L
= 20 − 5 ⋅ λ ⋅ R 0,5 ⋅ K −0,5 = 0
∂K
∂L
= Q − 10 ⋅ R 0,5 ⋅ K 0,5 = 0
∂λ
Iz prethodnog sistema jednačina slijedi
(10 − 5 ⋅ λ ⋅ R −0,5
⋅ K 0,5 ) ⋅ 2 = ( 0 ) ⋅ 2
20 − 5 ⋅ λ ⋅ R 0,5 ⋅ K −0,5 = 0
2⋅ K
= 1 → K = 0,5 ⋅ R
R
Prethodna relacija predstavlja liniju ekspanzije po kojoj vrijedi da za svaku jedinicu
proizvodnog utroška M koristimo dvije jedinice proizvodnog utroška K.
Provjeravamo da li su zadovoljene osobine funkcije proizvodnje za
Q = 10 ⋅ R 0,5 ⋅ K 0,5 :
∂Q
= 5 ⋅ R − 0 ,5 ⋅ K 0 ,5 > 0
∂R
∂Q
= 5 ⋅ R 0,5 ⋅ K − 0 ,5 > 0
∂K
∂ 2Q
2
= −2,5 ⋅ R −1,5 ⋅ K 0,5 < 0 za α = 0,5
∂R
191
EKONOMETRIJSKE FUNKCIJE
∂ 2Q
2
= −2,5 ⋅ R 0,5 ⋅ K −1,5 < 0 za β < 1
∂K
35 2
Za Q2 = 35 i za datu liniju ekspanzije ( K = 0,5 ⋅ R ): K =
100 ⋅ R
→ R = 24,5 i K = 0,5 ⋅ 24,5
50 2
Za Q3 = 50 i za datu liniju ekspanzije ( K = 0,5 ⋅ R ): K =
100 ⋅ R
→ R = 50 i K = 0,5 ⋅ 50
Odgovarajući troškovi, koji ujedno i predstavljaju najniže troškove, za date nivoe pro-
izvodnje se mogu jednostavno izračunati.
Za Q1 = 25 , R = 12,5 i K = 0,5 ⋅ 12,5 , C = 10 ⋅ 12,5 + 20 ⋅ 0,5 ⋅ 12,5 + 60 = 131
192
FUNKCIJE PROIZVODNJE
d) K
8
7
6
K=0,5R
5
4
3 Q=50
2 Q=35
Q=25
1
0 1 2 3 4 5 6 7 8 9 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 α ⋅ Lβ )
na osnovu sljedećeg uzorka za 24 preduzeća tekstilne industrije.
b) Interpretirati rezultate ocijenjenog modela.
Preduzeće Output (Q) Kapital (K) Radna snaga (L)
1 200 200 200
2 202 200 210
3 224 214 220
4 244 228 236
5 248 244 246
6 244 262 232
7 286 276 250
8 304 298 266
9 302 326 276
10 252 352 242
11 310 370 280
12 318 396 288
13 306 416 290
14 354 432 304
15 368 452 308
16 338 472 298
17 378 488 308
18 450 532 364
19 454 596 392
20 446 670 400
21 436 732 386
22 462 774 386
23 358 814 294
24 480 834 322
193
EKONOMETRIJSKE FUNKCIJE
Rješenje:
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, α i β .
Jasno nam je da Cobb-Douglas funkcija nije linearna funkcija. Prema tome, ne mo-
žemo direktno ocijeniti tu funkciju u MS Excel-u. Naime, potrebno je prvo
preformulisati datu funkciju tako da se može ocjena izvršiti u MS Excel-u. To podra-
zumijeva linearizaciju date forme Cobb-Douglas funkcije:
ln(Q) = ln(A ⋅ K α ⋅ L β )
Q = A ⋅ K α ⋅ L β → ln(Q) = ln A + ln (K α ) + ln ( L β )
ln(Q) = ln A + α ⋅ ln K + β ⋅ ln L
Na Grafikonu 0.0. prve četiri kolone pokazuju sirove podatke koje smo dali u pretho-
dnoj tabeli. Ovo kolone predstavljaju četiri varijable (Preduzeće, Output, Kapital,
Radnu snagu). Sljedeće tri kolone predstavljaju odgovarajuće ln vrijdnosti za zavisnu
varijablu i dvije nezavisne varijable. U MS Excelu-u komanda =ln(broj ćelije) nam
jednostavno izračuna ln vrijednost.
194
FUNKCIJE PROIZVODNJE
Q = A ⋅ K α ⋅ Lβ
ln (Q ) = ln ( A) + α ⋅ ln (K ) + β ⋅ ln (L )
ln (Q ) = −0,394 + 0,207 ⋅ ln (K ) + 0,870 ⋅ ln (L )
195
1.11. Pitanja za ponavljanje
196
PITANJA ZA PONAVLJANJE
13) Ako visina budžeta poraste za 1%, a ostale determinante tražnje ostanu nepromijenje-
ne, onda će se prethodni nivo tražnje smanjiti za Eq, B %. Ova situacija će se desiti ako
se radi o:
a) Luksuznom dobru,
b) Normalnom dobru,
c) Inferiornom dobru,
d) Nužnom dobru.
14) Neka je C=C(Y) funkcija troškova. Šta predstavlja rješenje sljedeće jednačine
E C , y = 1 ? Odgovor obrazložiti.
17) Ako cijena komplementarnog dobra poraste za 1%, a ostale determinante tražnje osta-
nu iste, tražnja za predmetnim dobrom će:
a) opasti za Eq,pk%,
b) porasti za Eq,pk%,
c) opasti za 1%,
d) porasti za 1%.
18) Da bi matematska funkcija q = a - bp bila funkcija tražnje 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 troškova. Šta predstavlja riješenje sljedeće jednačine
EC .Y = 0 ? Odgovor obrazložiti.
20) Grafička kuća „Book“ je procijenila da štampanjem 6 kompleta knjiga dnevno ostvaruje
najmanji prosječan trošak. Utvrđeno je da prosječan trošak po kompletu knjiga iznosi 60
KM. Odrediti visinu graničnog troška za proizvodnju 6 kompleta knjiga:
a) 10 KM/kompletu,
b) 360 KM/kompletu,
197
EKONOMETRIJSKE FUNKCIJE
c) 60 KM/kompletu,
d) 0 KM/kompletu.
23) Data je funkcija dobiti D (x) = – 5x2 + 20x – 30. Odrediti xr i objasni značenje te količine.
28) Kod neke funkcije troškova C = C (Y ) , ako je Y= 4 kg, C=10 KM i EC.Y=7? Objasniti
značenje navedene elastičnosti.
29) Neka je C=C(Y) funkcija troškova. Šta predstavlja rješenje sljedeće jednačine
EC , y = 0 ? Odgovor obrazložiti.
198
PITANJA ZA PONAVLJANJE
34) Kod funkcije proizvodnje Q = Q(R, K ) granična stopa supstitucije faktora R sa fakto-
rom K iznosi S R , K = 0.25 . Kolika je granična stopa supstitucije faktora K sa
faktorom R? Objasniti njeno značenje.
199
EKONOMETRIJSKE FUNKCIJE
39) Utvrđeno je da granični trošak u proizvodnji 100 kom stolnih lampi firme „Alfa“ izno-
si 4 KM/kom. Ovaj podatak nam govori da porast proizvodnje za 1 komad uzrokuje
a) Porast graničnog troška za 4%,
b) Porast graničnog troška za 4 KM,
c) Porast ukupnog troška za 4 %,
d) Porast ukupnog troška za 4 KM.
40) Firma „AV“ je procijenila funkciju troškova u proizvodnji hrane za pse kao C=16+x2.
Odrediti koji obim proizvodnje je najekonomičniji:
a) q = 10,
b) q = 3,
c) q = 4,
d) q = 5.
41) Ako je yD najrentabilniji nivo proizvodnje, a y D nivo proizvodnje kod kojeg se mak-
simizira prosječna dobit, zaokružite tačne izraze:
a) C ′ ( yD ) = 0, b) D ( yD ) = 0, c) D′ ( yD ) = 0, d) D ( yD ) = D′ ( yD ) .
K
45) Poznata je funkcija produktivnosti rada: QR = 100 Odrediti nivo proizvodnje koji
R
se ostvaruje angažovanjem 64 jedinice R i 256 jedinica K.
200
PITANJA ZA PONAVLJANJE
46) Za funkciju prihoda P(q) = 8q – 3q2 izračunati P (1) i protumačiti značenje dobijene
vrijednosti.
51) Ako su P, C i D funkcije prihoda, troškova i dobiti redom, koji od navedenih grafikona
bi mogli odgovarati ovim funkcijama?
P P P
C
C C
D
D D
a) b) c)
52) Ako je Q = Q ( x1 , x2 ,..., xn ) neka funkcija. Navesti barem tri uslova koja mora zadovo-
ljavati funkcija Q da bi bila funkcija proizvodnje.
53) Data je funkcija Q=Q (R,K). Napišite izraze koje bi ova funkcija trebala zadovoljiti da
bi bila funkcija proizvodnje.
54) Različita kombinacija utrošaka faktora proizvodnje kojim se ostvaruje isti nivo proiz-
vodnje naziva se:
a) izoklina,
b) izokost prava,
c) izokvanta,
d) granična stopa supstitucije.
201
EKONOMETRIJSKE FUNKCIJE
1 1
−
55) Poznata je funkcija prosječne proizvodnje: QK = 50 K 2
R . Odredite funkciju ukupne
2
proizvodnje Q.
56) Data je funkcija proizvodnje Q = Q(R, K ) . Napišite izraze za funkcije granične proiz-
vodnje i objasnite jednu od njih.
1 −1
61) Ukoliko je elastičnost ukupnih troškova jedinična, u kakvom se odnosu nalaze prosje-
čni i granični troškovi? Napišite odgovarajući izraz.
64) Utvrđeno je da je poslovanje firme „Luzer“ uvijek nerentabilno. Koji od grafičkih pri-
kaza funkcija prihoda, troška i dobiti odgovara poslovanju ove firme?
C C C
P
P P
D D D
a) b) c)
202
PITANJA ZA PONAVLJANJE
65) Ako je ye najekonomičniji nivo proizvodnje, kod nivoa proizvodnji yo > ye zaokružiti
tačan odnos između vrijednosti prosječnih C o = C ( yo ) i graničnih Co′ = C ′( yo ) troš-
kova:
a) C ( yo ) = C ′( yo )
b) C ( yo ) > C ′( yo )
c) C ( yo ) < C ′( yo )
203
1.12. Zadaci za vježbu
Zadatak 1.1.
8− p
Nacrtati grafik funkcije: y =
8+ p
Zadatak 1.2.
Data je funkcija tražnje q ( p) = p 2 − 24 p + 144 .
a) Odrediti oblast definisanosti funkcije tražnje i algebarski izraz funkcije prihoda Π(p).
b) Za koju cijenu se maksimizira prihod. Grafički predstaviti funkciju prihoda.
c) Odrediti elastičnost tražnje E q , p i prihoda E P , p za cijenu p =5 i protumačiti rezultat.
Zadatak 1.3.
Zadana je nepotpuna funkcija graničnog prihoda P'p = α - 6p.
a) Odredi parametar α ako se prihod maksimizira za cijenu p = 4,5 nj/kj.
b) Odrediti algebarske izraze funkcija agregatnog prihoda P = P(p), graničnog prihoda
P'=P'(p) i agregatne tražnje.
c) Algebarski, tabelarno i grafički odrediti elastičnost prihoda u odnosu na cijenu EP,p
d) Ako je tržišna cijena p = 4,5 nj/kj, kolika je elastičnost tražnje Eq,p. Protumačiti re-
zultat.
Zadatak 1.4.
Na tržištu određenog tipa robe nalaze se tri potencijalna potrošača sa individualnim zako-
nima tražnje:
X 1 = 12 − 3 p; X 2 = 9 − p; X 3 = 3 − 0,5 p .
a) Odrediti funkciju agregatne tražnje i agregatnog prihoda na ovom tržištu uz grafički
prikaz ovih funkcija.
b) Za koju cijenu se maksimizira ukupni prihod i koliko on iznosi?
c) Odrediti elastičnost agregatne tražnje Eq,p za cijenu p u kojoj se prihod maksimizira.
Objasniti rezultat.
Zadatak 1.5.
Data je nepotpuna funkcija graničnih troškova: C ′( y ) = 2 ⋅ b ⋅ y
a) Odrediti parametar b ako je najekonomičniji nivo proizvodnje 4 kj, a fiksni troškovi
proizvodnje su 32 nj.
b) Kakvi su algebarski izrazi funkcija C = C ( y ), C ′ = C ′( y ), C = C ( y ) ?
204
ZADACI ZA VJEŽBU
Zadatak 1.6.
Poznata je funkcija granične dobiti D ′( q ) = 10 − 2q . Odrediti algebarske izraze funkcije
dobiti D(q)
a) ako je maksimalna dobit D+ = 0,
b) ako su fiksni troškovi proizvodnje F= 30,
c) Grafički predstaviti obje funkcije uz isticanje karakterističnih tačaka.
Zadatak 1.7.
Neko dobro se na tržištu prodaje po cijeni p =7 nj/kj. Tražnja za tim dobrom je beskonačna.
Proizvođač tog dobra ima funkciju troškova C ( y ) = y 2 + 10 .
a) Odrediti funkciju dobiti, analizirati je i grafički prikazati
b) Odrediti njenu funkciju elastičnosti u nivoima y =1, y = 3, y = 4, y = 6 uz tumačenja.
Zadatak 1.8.
Firma « Smiley » proizvodi jednu vrstu igračaka. Kretanje troškova proizvodnje je dato
sljedećom funkcijom C (q ) = q 2 + 8q + 80 ; gdje je q mjesečna proizvodnja tih igračaka.
Ako je q(p) = 36 – p funkcija mjesečne tražnje za tim igračkama treba:
a) Odrediti algebarski i grafički prikazati funkciju mjesečne dobiti ove firme.
b) Odrediti elastičnost dobiti za nivo q = 3 kom. i protumačiti rezultat.
c) c) Za koju cijenu će dobit ove firme biti maksimalna?
Zadatak 1.9.
1
Data je nepotpuna funkcija agregatne tražnje q = A − p i funkcija agregatne ponude
3
2
qˆ = 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 tražnje p = p (q ) , a zatim od-
rediti, algebarske izraze funkcija ukupnog prihoda P = P (q ) i graničnog prihoda
P ' = P ' ( q ) u zavisnosti od tražnje.
c) Algebarski, tabelarno i grafički odrediti elastičnost prihoda u odnosu na tražnju E P , q .
205
EKONOMETRIJSKE FUNKCIJE
Zadatak 1.10.
Na tržištu određenog tipa robe posmatrana su tri proizvođača sa individualnim zakonima
ponude:
Xˆ 1 = −1 + 0,5 p
Xˆ 2 = −4 + p
Xˆ = −9 + 1,5 p
3
Zadatak 1.11.
p
Neki proizvođač ima funkciju ponude: xˆ = 4 + −4.
3
a) Pronaći njegovu funkciju ukupnih troškova ako je najekonomičniji nivo proizvodnje
ye = 8.
b) Odrediti koeficijent elastičnost ukupnih troškova u nivou ye i objasniti značenje do-
bivene vrijednosti.
Zadatak 1.12.
Poznate su funkcije graničnog prihoda P ' = 100 − 12 q i graničnih troškova C ′ = 8q . Za
nivo proizvodnje q = 10 kj ukupni troškovi proizvodnje iznose 560 nj.
a) Izračunati nivo najekonomičnije proizvodnje.
b) Izračunati nivo najrentabilnije proizvodnje.
Zadatak 1.13.
Kod nekog proizvođača poznata je nepotpuna funkcija ukupnih troškova C = 5e .
Ay
206
ZADACI ZA VJEŽBU
Zadatak 1.14.
Kod nekog proizvođača poznata je funkcija prihoda P(q ) = 30q − 3q 2 i nepotpuna funkcija
troškova C (q ) = A + 2q + q 2 .
a) Odrediti vrijednost parametra A ako se zna da je najekonomičniji nivo proizvodnje
q e = 24 kj .
b) Odrediti algebarski izraz funkcije dobiti i dati grafički prikaz uz obilježavanje karak-
terističnih tačaka i intervala nerentabilnosti.
c) Odrediti funkciju proizvođačeve ponude, oblast definisanosti i grafički je predstaviti.
Zadatak 1.15.
Na tržištu je prisutna cijena p = 29 KM za jedinicu određenog proizvoda. Za konkretnog
100
proizvođača tog proizvoda imamo poznatu funkciju prosječnih troškova: C = 4 + y +
y
(pretpostavićemo da je potražnja za proizvodom beskonačna i da pojedinac ne utiče na trži-
šnu cijenu). Treba odrediti:
a) Funkcije ukupnih troškova, prihoda i dobiti datog proizvođača.
b) Nivoe najekonomičnije i najrentabilnije proizvodnje i dati grafički prikaz funkcija
ukupnih troškova, prihoda i dobiti datog proizvođača.
c) Odrediti funkciju ponude za datog proizvođača, količinu ponude pri zatečenoj tržiš-
noj cijeni i tržišnu cijenu kod koje bi naš proizvođač odustao od proizvodnje.
Zadatak 1.16.
1 2
Date su funkcije tržišne ponude qˆ = 2 ⋅ p − 2 i potražnje q = ⋅ p − 4⋅ p +8.
2
a) Odrediti za koje cijene su definisane funkcije ponude i potražnje;
b) Odrediti ravnotežnu cijenu i količinu;
c) Elastičnost tražnje u tački ravnoteže i objasniti značenje dobijene vrijednosti.
Zadatak 1.17.
Poznata je nepotpuna funkcija agregatne tražnje q = q( p ) = A − 2 ⋅ p .
a) Odrediti parametar A i odgovarajuću funkciju inverznog zakona tražnje p = p(q )
tako da fleksibilnost cijene bude E p , q = −1 za q = 8 kj.
b) Za nađeno A dati grafički prikaz funkcije tražnje, odrediti definiciono područje i za
cijenu p = 6nj/kj odrediti i protumačiti značenje elastičnosti E q , p .
c) Tabelarno i grafički obraditi elastičnost E q , p .
207
EKONOMETRIJSKE FUNKCIJE
Zadatak 1.18.
Data je funkcija produktivnosti rada Q R = 100 ⋅ R −0,5 ⋅ K 0,5 .
a) Odredite funkciju proizvodnje Q = Q ( R, K ) .
b) Izračunati graničnu stopu supstitucije rada kapitalom za R = 4 i K = 9 .
Zadatak 1.19.
Poznata je funkcija proizvodnje nekog proizvođača Q = 50 R 2 / 3 K 1 / 3 . Rad R se mjeri u rad-
nim satima, kapital K u kapitalnim satima i nivo proizvodnje Q u tonama. Za nivo
proizvodnje Q = 5000 tona pronaći funkciju izokvante K = f (R ) i nacrtati je za vrijednost
0 ≤ R ≤ 250 .
a) Formirati funkcije granične proizvodnje Q R' i prosječne proizvodnje Q R za
R = 125 rs i K = 216 ks , odrediti njihove vrijednosti i objasniti ekonomsko značenje
datih funkcija.
b) Ako je cijena angažovanja 1 radnog sata p R = 20 nj i cijena angažovanja 1 kapital-
nog sata p K = 160 nj , odrediti optimalnu kombinaciju faktora proizvodnje (R,K)
kojom će se ostvariti maksimalan nivo proizvodnje uz novčana sredstva
C = 24.000 nj .
Zadatak 1.20.
Poznata je funkcija proizvodnje nekog proizvođača Q = 25R1/ 3 M 1 / 3 (pri čemu se rad R
mjeri u radnim satima, mašine M u kapitalnim satima i nivo proizvodnje Q u tonama).
a) Odrediti koliko mašinskih sati treba da bi se uz angažovanje R=216 radnih sati os-
tvario nivo proizvodnje od 1050 tona.
b) Odrediti funkciju izokline M=f(R) za k=2 i grafički je predstaviti.
c) Ako je cijena angažovanja 1 mašinskog sata p K = 25 nj i cijena angažovanja 1 rad-
nog sata p R = 10 nj , odrediti optimalnu kombinaciju faktora proizvodnje (K,R) tako
da se nivo proizvodnje Q = 250 tona ostvari pod minimalnim troškovima C. Utvr-
diti iznos minimalnih troškova i prikazati krivu minimalnih troškova.
Zadatak 1.21.
Poznata je funkcija proizvodnje nekog proizvođača Q = 100 R1 / 2 K 1 / 2 (pri čemu se rad R
mjeri u radnim satima, kapital K u kapitalnim satima i nivo proizvodnje Q u komadima).
a) Odrediti koliki nivo proizvodnje se može ostvariti angažovanjem 196 radnih sati i
256 kapitalnih sati.
b) Ako je R = 300 r.s. i K = 150 k .s. odrediti graničnu stopu supstitucije (s) i dati eko-
nomsko značenje.
208
ZADACI ZA VJEŽBU
Zadatak 1.22.
Poznata je funkcija proizvodnje nekog proizvođača Q = 36 R 1 / 4 K 1 / 2 (pri čemu se rad R
mjeri u radnim satima, kapital K u kapitalnim satima i nivo proizvodnje Q u komadima).
a) Odrediti elastičnost proizvodnje u odnosu na kapital i dati ekonomsko značenje.
b) Odrediti linije grebena proizvodnje.
c) Ako je cijena angažovanja 1 radnog sata p R = 5 nj i cijena angažovanja 1 kapitalnog
sata p K = 200 nj , odrediti optimalnu kombinaciju faktora proizvodnje (R,K) kojom će
se ostvariti maksimalan nivo proizvodnje uz novčana sredstva od 30.000 nj.
Zadatak 1.23.
Poznata je funkcija proizvodnje nekog proizvođača Q = 28 ⋅ K ⋅ 4 R (pri čemu se rad R
mjeri u radnim satima, mašine M u mašinskim satima i proizvod Q u tonama).
a) Za nivo proizvodnje Q = 560 t pronaći funkciju izokvante K=f(R) i nacrtati je za vri-
jednosti 0 ≤ R ≤ 1200 .
b) Ako je cijena angažovanja 1 kapitalnog sata pK = 640 nj i cijena angažovanja 1 rad-
nog sata pR = 16 nj, kako će izgledati optimalna kombinacija faktora proizvodnje (K,
R) pa da se nivo proizvodnje Q=560 ostvari pod minimalnim troškovima C. Utvrditi
iznos minimalnih troškova i prikazati krivu minimalnih troškova na grafiku pod a)
c) Na izokvanti Q = 560 odrediti onu vrijednost (K, R) u kojoj 1 mašinski sat supstitui-
ra 20 radnih sati.
Zadatak 1.24.
Poznata je funkcija proizvodnje nekog proizvođača Q = 64 ⋅ R ⋅ K (pri čemu se rad R
mjeri u radnim satima, kapital K u kapitalnim satima i proizvod Q u tonama).
a) Odrediti koliko kapitalnih sati treba da bi se uz angažovanje 3600 radnih sati ostva-
rio nivo proizvodnje od 34 560 tona.
b) Formirati funkciju izokvante K = f (R ) za Q = 34560 t i i nacrtati je za vrijednosti
0 ≤ R ≤ 3600 .
c) Ako je cijena angažovanja 1 kapitalnog sata pK = 270 nj i cijena angažovanja 1 rad-
nog sata pR = 30 nj, odrediti maksimalan nivo proizvodnje koji se može ostvariti uz
novčana sredstva C = 97200 nj. Kako će izgledati optimalna kombinacija faktora
proizvodnje (K, R)?
209
EKONOMETRIJSKE FUNKCIJE
Zadatak 1.25.
Poznata je funkcija proizvodnje nekog proizvođača Q = 36 ⋅ 4 R ⋅ K (pri čemu se rad R
mjeri u radnim satima, kapital K u kapitalnim satima i proizvod Q u tonama).
a) Odrediti koliko kapitalnih sati treba da bi se uz angažovanje 1296 radnih sati ostva-
rio nivo proizvodnje od 2592 tone.
b) Formirati funkcije QK′ i QK i na osnovu datih podataka iz a) odrediti vrijednosti i
ekonomsko značenje datih funkcija.
c) Ako je cijena angažovanja 1 kapitalnog sata pK = 180 nj i cijena angažovanja 1 rad-
nog sata pR = 10 nj, kako će izgledati optimalna kombinacija faktora proizvodnje (K,
R) pa da se nivo proizvodnje Q=2592 t ostvari pod minimalnim troškovima C?
Utvrditi iznos minimalnih troškova i prikazati krivu minimalnih troškova.
Zadatak 1.26.
Poznata je funkcija prizvodnje nekog proizvođača Q = 16 R1 / 2 K 1 / 2 (pri čemu se rad R mjeri
u radnim satima, mašine K u mašinskim satima i nivo proizvodnje Q u komadima).
a) Odrediti koliko radnih sati treba da bi se uz angažovanje K=256 kapitalnih sati os-
tvario nivo proizvodnje od Q = 512 komada.
b) Ako je R = 115 i K = 230 , odrediti graničnu stopu supstitucije (s) i dati ekonomsko
značenje.
c) Ako je cijena angažovanja 1 kapitalnog sata p K = 20 nj i cijena angažovanja 1 rad-
nog sata p R = 5 nj , odrediti optimalnu kombinaciju faktora proizvodanje (K,R) tako
da se nivo proizvodnje Q = 320 komada ostvari pod minimalnim troškovima C.
Utvrditi iznos minimalnih troškova.
210
1.13. Rješenja zadataka za vježbu
Rješenje 1.1.
y
20
10
-20
-20 -10 0 10 p
8− p
Grafikon 1.1. Prosječna funkcija y=
8+ p
Rješenje 1.2.
Definiciono područje funkcije tražnje je p∈(0, 12); q∈(0, 144).
a) Prihod P ( p ) = p ⋅ q( p) = p 3 − 24 p 2 + 144 p = p( p − 12) 2 ; definisan za p∈(0, 12).
P ' ( p) = 0 ⇒ 3 p 2 − 48 p + 144 = 0 ⇒ p1 = 4; p 2 = 12
P " (4) < 0 ⇒ p = 4, P + = 256
256
4 8 12
211
EKONOMETRIJSKE FUNKCIJE
c) −10
Eq , p =5 = ≈ −1, 43
7
EΠ , p =5 = Eq , p =5 + 1 ≈ −0, 43
Rješenje 1.3.
a) Za cijenu za koju se maksimizira prihod vrijedi uslov P ' ( p ) = 0 za p = 4,5 ⇒ α -
6⋅4,5=0⇒α = 27.
b) P ( p ) = ∫ (27 − 6 p )dp = 27 p − 3 p 2 ; P ' ( p) = 27 − 6 p ; P( p) = 27 − 3 p .
27 − 6 p
c) EP , p = ;
27 − 3 p
9 9
4,5 6
-1
d) Eq , p = 4,5 = EΠ , p = 4,5 − 1 = 0 − 1 = −1 .
Rješenje 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
RJEŠENJA ZADATAKA ZA VJEŽBU
8
b) Prihod je maksimalan za cijenu p = i iznosi P+ = 32.
3
c) E 8 =E 8 − 1 = 0 − 1 = −1 . (Jedinična elastičnost tražnje za cijenu za koju je prihod
q, p= P, p=
3 3
maksimalan).
Rješenje 1.5.
a) C ( y ) = ∫ 2bydy = by 2 + F ; Iz uslova
16b + 32
C ′( ye ) = C ( ye ) ⇒ C ′(4) = C (4) ⇒ 8b = ⇒b=2
4
b) C ( y ) = 2 y 2 + 32
C ′( y ) = 4 y
2 y 2 + 32
C ( y) =
y
2 y2
c) EC , y = ≥0
y 2 + 16
d) E C , ye = 1
E C , ye = 0
;
Ako nivo najekonomičnije proizvodnje povećamo za 1%, ukupni troškovi će se pove-
ćati također 1 % (jedinična elastičnost), a prosječni ukupni troškovi se neće
promijeniti.
213
EKONOMETRIJSKE FUNKCIJE
Rješenje 1.6.
a) D ′(q ) = 0 ⇔ q = q d ;10 − 2q = 0 ⇒ q d = 5 (nivo najrentabilnije proizvodnje),
D + = D(q d ) ⇒ 0 = 50 − 25 − F ⇒ F = 25
D(q) = −q 2 + 10q − 25
b) D(q) = −q 2 + 10q − 30 .
Rješenje 1.7.
a) D( y ) = 7 y − y 2 − 10 .
Rješenje 1.8.
a) p(q) = 36-q inverzni zakon agregatne tražnje;
D(q) = P(q ) − C (q) = q(36 − q) − q 2 − 8q − 80 = −2q 2 + 28q − 80 .
Interval rentabilnosti (4, 10); nivo najrentabilnije proizvodnje qD = 7; maksimalna do-
bit D+=18.
214
RJEŠENJA ZADATAKA ZA VJEŽBU
18
4 7 10
-80
− 24
b) E D , q =3 = ≈ −3,43
7 .
c) p = 29.
Rješenje 1.9.
a) Iz uslova tržišne ravnoteže q (10) = qˆ (10) ⇒ A = 12.
b) p (q ) = 36 − 3q
P(q ) = qp (q ) = 36q − 3q 2
P ' (q ) = 36 − 6q
36 − 6q
c) E P,q =
36 − 3q
q 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
Rješenje 1.10.
0 2 4 6
PR=44/9
b) q ( p ) = 25 − 4 p
25
p > 0, q ( p ) > 0, qˆ ( p ) < 0 ⇒ 25 − 4 p > 0 ⇒ p< i
4
−4 −2
q′( p ) = = < 0 ( ∀p ) ⇒ p ∈ ( 0;6, 25 )
2 ⋅ 25 − 4 p 25 − 4 p
D.P. p ∈ ( 2;6, 25 )
9 2
q ( p ) = qˆ ( p ) ⇒ 25 − 4 p = −5 + 1,5 p ⇒ 25 − 4 p = 25 − 15 p + p
4
9 2
⇒ p − 11 p = 0 ⇒ p = 0 ∉ D.P.
4
9 44
p = 11 ⇒ p = ≈ 4,9 ⇒ qE = −5 + 1,5 ⋅ 4,9 = 2,3
4 9
25
c) E q , p = −1 ⇒ p = .
6
216
RJEŠENJA ZADATAKA ZA VJEŽBU
Rješenje 1.11.
a) p = C ′( y ) ;
p
y = 4+ − 4 ⇒ p = 3 y 2 − 24 y + 60 ⇒ C ′( y ) = 3 y 2 − 24 y + 60 .
3
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 .
Rješenje 1.12.
a) C (q) = ∫ 8qdq = 4q 2 + F ; C (10) = 560 ⇒ F = 160 .
4q 2 + 160
C ′(q e ) = C (q e ) ⇒ 8q = ⇒ qe = 2 10 .
q
b) D′ = 0 ⇔ P ' = C ′ ⇒ 100 − 12q = 8q ⇒ qd = 5 .
Rješenje 1.13.
a) C = 5e Ay ye = 5
C ( ye ) = C ' ( ye ) C′ C
V
5e Ay 1 1
= 5e Ay ⋅ A ⇒ = ⇒ =
y y 5
C = 5e y / 5
e
5e y / 5
C=
y
1
C = V ′ = ey/5
'
5
y
5(e − 1)
5
V =
y
Grafikon 1.13. Funkcije graničnog
i prosječnog ukupnog troška i
prosječnog varijabilnog troška
217
EKONOMETRIJSKE FUNKCIJE
Rješenje 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)
60
D( q) = 0 ⇒ −4q + 28q − 24 = 0
2
Nule : q1 = 1, q2 = 6
q ∈ (0,1) ∪ (6, +∞) interval rentabilnosti
q1 = 1, q2 = 6 granice rentabilnosti
0 1 6 q
q ∈ (1,6) interval rentabilnosti qD=3,5
-F
ekstrem : D ' (q) = (−4q 2 + 28q − 24)' = 0 Interval nerentabilnosti
− 8q + 28 = 0
qD = 7 / 2 Grafikon 1.14. Funkcija dobiti
D (qD ) = D (3,5) = −4 ⋅ 3,5 + 28 ⋅ 3,5 − 24 = 60
D max (7 / 2,60)
F = 24
218
RJEŠENJA ZADATAKA ZA VJEŽBU
2 p
-1
Rješenje 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
P
b) Nivo najekonomičnije proizvodnje: C
C ′( y ) = 0 ⇒ y = ye
100
1− = 0 ⇒ ye = 10
y2 5 12,5 20
D′( y ) = 0 ⇒ y = yd
−2 y + 25 = 0 ⇒ yd = 12,5 Grafikon 1.15. Funkcija dobiti
Interval rentabilnosti: (5, 20);
Maksimalna dobit D+ = 56,25.
c) Izlazna cijena pi = pv = 4.
219
EKONOMETRIJSKE FUNKCIJE
Rješenje 1.16.
p > 0;⎫
⎪
qˆ > 0 ⎬ ⇒ p ∈ (1, ∞ )
qˆ ′ > 0 ⎪⎭
a) D. P. ponude:
p>0 ⎫
⎪
q > 0 ⇒ p ∈ (− ∞, 4 ) ∪ (4, + ∞ )⎬ ⇒ p ∈ (0, 4 )
q ′ < 0 ⇒ p ∈ (− ∞ , 4 ) ⎪
D. P. potražnje: ⎭
D. P. tržišta p ∈ (1, 4 )
1 2
b) q = qˆ ⇒ p − 4 p + 8 = 2 p − 2 ⇒ p1 = 2 ∈ (1, 4 ) i p2 = 10 ∉(1, 4 )
2
Tačka ravnoteže je R (2, 2)
p 2p
c) Eq , p = 2 = ⋅ ( p − 4) = = −2
1 p−4
( p − 4)
2
2
Ako se cijena sa nivoa p=2 poveća za 1%, agregatna tražnja će se sa nivoa q = 2 sma-
njiti za 2%.
Rješenje 1.17.
A−q
a) p (q ) =
2
16
q
E p ,q = ⋅ p′(q)
p(q)
2q 1
E p ,q=8 = ⋅ (− ) = −1 ⇒ 8 = A − 8 ⇒ A = 16
A−q 2
c) Eq , p=6 = −3 8
220
RJEŠENJA ZADATAKA ZA VJEŽBU
Rješenje 1.18.
9
a) Q = Q( R, K ) = 100 ⋅ R 0,5 ⋅ K 0,5 b) s=−
4
Rješenje 1.19.
a) Q = 50 R 2 / 3 ⋅ K 1 / 3
K
5000 = 50 R 2/3
⋅K 1/3
3
100 = R 2/3 ⋅ K 1/3
1000000
1000000 = R 2 ⋅ K ⇒ K =
R2
Izokvanta Q=5000 ima oblik
1000000 0 250 R
K=
R2
b) CC = pR ⋅ R + pK ⋅ K ⇒ 24000 = 20 ⋅ R + 160 ⋅ K
2
50 ⋅ R −1/3 ⋅ K 1/3
pR QR' 20 3 1 2K
= ⇒ = = ⇒ = =⇒ R = 16
pK QK' 160 50 ⋅ R 2/3 ⋅ 1 K −2/3 8 R
3
24000 = 20 ⋅ R + 160 ⋅ K ⇒ 24000 = 20 ⋅16 K + 160 K
480 K = 24000
K = 50
Kˆ = 50 Rˆ = 16 ⋅ 50 = 800
Qmax = 50 ⋅ R 2/3 ⋅ K 1/3 = 30 ⋅ 3 8002 ⋅ 3 50
Qmax = 9524, 41
221
EKONOMETRIJSKE FUNKCIJE
Rješenje 1.20.
a) R = 216; Q = 1050
Q = 25 ⋅ R ⋅ M 1/3
1/3
b QR'
k =2⇒ k = −S = M
QM' M=2R
1
25 ⋅ R −2/3 ⋅ M 1/3
3 M
2= =
1
25 ⋅ R1/3 ⋅ ⋅ M −2/3 R
3
M = 2R
c) Q = 25 ⋅ R1/ 3 ⋅ M 1/ 3 ; Q = 250 R
pK = 25nj; pR = 10nj;
pR Q′
= R ⇒ Grafikon 1.20. Izoklina k=2
pM Q M′
1
Q R′ = 25 ⋅ R − 2 / 3 ⋅ M 1 / 3
10 3
=
25 1 C
Q M′ = 25 ⋅ R 1 / 3 ⋅ ⋅ M − 2 / 3
3
10 M M
=
25 R
10 R = 25 M
5 5 20
R= ⋅ M ⇒ Rˆ = ⋅ 20 = 50
2 2
250 = 25 ⋅ R ⋅ M
1/ 3 1/ 3
R
50
10 = R 1 / 3 ⋅ M 1 / 3
10 3 1000 1000 Grafikon 1.20.a. Optimalna
M = = = kombinacija kaktora
R R 5/2⋅M
ˆ
M = 400 ⇒ M = 20
2
222
RJEŠENJA ZADATAKA ZA VJEŽBU
Najniži troškovi kojim se može ostvariti nivo proizvodnje Q=250 tona iznose:
C = p R ⋅ Rˆ + p M ⋅ Mˆ = 10 ⋅ 50 + 25 ⋅ 20 = 1000 , a izotroškovna prava:
10 ⋅ R + 25 ⋅ M = 1000 ⇒ 2 R + 5M = 200 .
Rješenje 1.21.
b) R = 300; K = 150
1
100 ⋅ R −1 / 2 ⋅ K 1 / 2
Q' 2 K 150
S = − R' ⇒ S=− =− =− = −1 / 2
QK 1 −1 / 2 R 300
100 ⋅ R ⋅ ⋅ K
1/ 2
2
Ukoliko se rad poveća 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 K ⇒ Rˆ = 64 ⋅ 16 = 1024
12800 = 100 ⋅ R 1 / 2 ⋅ K 1 / 2
128 = ( 64 K ) 1 / 2 ⋅ K 1 / 2 2
16384 = 64 K 2
⇒ K 2
= 256 ⇒ Kˆ = 16
Najniži troškovi kojim se može ostvariti nivo proizvodnje Q=12800 komada iznose:
C = p R ⋅ Rˆ + p K ⋅ Kˆ = 10 ⋅ 1024 + 640 ⋅ 16 = 24480 nj , a izotroškovna prava:
10 ⋅ R + 640 ⋅ K = 24480 ⇒ R + 64 K = 2448 .
223
EKONOMETRIJSKE FUNKCIJE
Rješenje 1.22.
K K 1 1
a) EQ , K = ⋅ Q'K = 1/ 4 1/ 2
⋅ 36 R1 / 4 K −1 / 2 = = 0,5
Q ( R, K ) 36 R K 2 2
Ukoliko se utrošak K promijeni za 1%, Q će se povećati za 0,5%.
QR'
b) k = −S =
QK'
1
36 ⋅ R −3/ 4 ⋅ K 1/ 2
4 K
k =0⇒0= =
1
36 ⋅ R1/ 4 ⋅ K −1/ 2 2 R
2
K
c) 0= za K = 0 linija grebena
2R
K
k =∞⇒ ∞= za R = 0 linija grebena
2R
Q = 36 ⋅ R1 / 4 ⋅ K 1 / 2 ; C = 30000
pK = 200nj; pR = 5nj
CC = pR ⋅ R + pK ⋅ K ⇒ 30000 = 5 ⋅ R + 200 ⋅ K
1
36 ⋅ R −3/4 ⋅ K 1/2
pR QR' 5 4 1 K
= ⇒ = = ⇒ = = ⇒ R = 20 K
pK QK' 200 36 ⋅ R1/ 4 1 ⋅ K −1/ 2 40 2 R
2
224
RJEŠENJA ZADATAKA ZA VJEŽBU
Rješenje 1.23.
a) 560 = 28 K ⋅ 4 R ⇒ 20 = K ⋅ 4 R 2
K
400
⇒ 400 = K ⋅ R ⇒ K =
R
400 30
Izokvanta Q=560 ima oblik K = 20
R Q=560
0 400 1200 R
C=19200
1 1
b) Q = 28 ⋅ K ⋅ R ⇒ Q = 28 ⋅ K ⋅
4 2 R4 ⇒
1 3 1 1
− −
Q R′ = 7 ⋅ K 2 ⋅R 4 i Q K′ = 14 ⋅ K 2 ⋅ R4
⎪ 7 ⋅ K 2
⋅ R 4
16
⎧ Q R′ pR = ⎧ R 1
⎪ ′ = ⎪ −
1 1
640 ⎪ =
⎨ QK pK ⇒ ⎨ 14 ⋅ K 2 ⋅ R 4 ⇒ ⎨ 2⋅K 40 ⇒
⎪ Q = 560 ⎪ ⎪
⎩ ⎪ K =
400 ⎩ K ⋅ R = 400
⎩ R
⎧⎪ R = 20 K ⇓ ⎪⎧ Kˆ = 20
⇒⎨ ⇒ ⎨
⎪⎩ K ⋅ 20 K = 400 ⇒ K ⋅ 20 K = 160000 ⎪⎩ Rˆ = 400
2
Najniži troškovi kojim se može ostvariti nivo proizvodnje od Q = 560 kj. iznose:
C = p R ⋅ Rˆ + p K ⋅ Kˆ = 16 ⋅ 400 + 640 ⋅ 20 = 19200 nj. Izotroškovna prava jednaka je:
16 ⋅ R + 640 ⋅ K = 19200 ⇒ R + 40 K = 1200 .
Q K′
c) Granična stopa supstitucije mašina radom iznosi -20 ⇒ s = − = −20 ;
Q R′
2R
Odnosno, = 20 ⇒ R = 10 K . Na izokvanti Q=560 ova kombinacija izgleda:
K
225
EKONOMETRIJSKE FUNKCIJE
Rješenje 1.24.
a) 34560 = 64 ⋅ 3600 ⋅ K ⇒
540 = 60 ⋅ K ⇒ 9 = K ⇒ K = 81 K
34560 = 64 ⋅ R ⋅ K ⇒ 540 =
b) 243
540 2 291600
R⋅ K ⇒ K = ⇒K=
R R
162
81
R
1200 1800 3600
226
RJEŠENJA ZADATAKA ZA VJEŽBU
Rješenje 1.25.
a)
K
Q Q2
Q = 36 R K ⇒ K = 4 ⇒ K = 2
4
36 R 36 R
Za Q=2592 t i R=1296 r.s.⇒ K= 144 k.s. C
144
b)
1
14 18 4 R 18 4 1296
QK ′ = 36 ⋅
−
R ⋅K 2 = = =9
2 K 12 R
1296
c) Q=2592 t
2592 = 364 R K
3 1
−
Q R′ p 9R ⋅ K 4
10
2
K 1
= R ⇒ = ⇒ = ⇒ R = 9K
Q K′ pK 1
−
1
180 2 R 18
18 R ⋅ K
4 2
227
EKONOMETRIJSKE FUNKCIJE
Rješenje 1.26.
a) K = 256; Q = 512 ⇒ Q = 16 ⋅ R1/2 ⋅ K 1/ 2 ⇒ 512 = 16 ⋅ R1/2 ⋅ 256
⇒ 32 = R1/2 ⋅16 ⇒ R1/ 2 = 2 ⇒ R = 4
b) Za Q = 512 t i K = 256 k.s. ⇒ R = 4 r.s.
1
R = 115 ⎫ 16 ⋅ R −1/2 ⋅ K 1/2
QR' 2 K 230
⎬ ⇒ S = − ⇒ S =− =− =− = −2
K = 230 ⎭ QK' 1/2 1 −1/2 R 115
16 ⋅ R ⋅ ⋅ K
2
Jedan radni sat radnika mijenja dva sata rada kapitala, ili ako rad povećamo sa nivoa
115 za 1 rs, K se treba smanjiti za 2 ks da bi proizvodnja ostala na istom nivou.
c) Optimalnu kombinaciju dobijamo rješavanjem sljedećeg sistema jednačina:
320 = 16 ⋅ R 1/ 2 ⋅ K 1/ 2 ⎫ ⎧ 20 = R 1/ 2 ⋅ K 1/ 2 ⎧ 400
⎪ ⎪ ⎪R = ⎪⎧ Kˆ = 10
pR Q R′ ⎬⇒ ⎨ 5 K ⇒⎨ K ⇒⎨
= ⎪ ⎪ = ⎪⎩ R = 4 K ˆ
⎩⎪ R = 4 ⋅ 10 = 40
p K Q K′ ⎭ ⎩ 20 R
Najniži troškovi kojim se može ostvariti nivo proizvodnje Q=320 iznose:
C = p R ⋅ Rˆ + p M ⋅ Kˆ = 5 ⋅ 40 + 20 ⋅ 10 = 400 nj, a izotroškovna prava:
5 ⋅ R + 20 ⋅ K = 400 ⇒ R + 4 K = 80 .
228
Literatura
229
Mignon, V., (2008), Econometrie, Theorie et application, Economica, Paris
Samuelson, Paul A., Nordhaus, William D., (2007), Ekonomija, XVIII izdanje, Mate, Zagreb
Somun-Kapetanović, R., (1986), „Doprinosi faktora proizvodnje privrednom razvoju Bosne
i Hercegovine - ekonometrijski pristup i analiza“, Doktorska disertacija, Ekonomski fakul-
tet, Sarajevo
Somun-Kapetanovć, R., (2008), Statistika u ekonomiji i menadžmentu, Ekonomski fakultet
u Sarajevu, Sarajevo
Stojanović,D., (1975), Matematičke metode u ekonomiji preduzeća, Savremena administra-
cija, Beograd
Vučković, Ž., Somun-Kapetanović, R., (1990), Zbirka zadaka iz Matematičkih metoda u
ekonomskim istraživanjima, Ekonomski fakultet u Sarajevu, Sarajevo
Vučković, Ž., (2004), Ekonometrijske funkcije, Ekonomski fakultet u Sarajevu, Sarajevo
Vujković, T., (1976), Ekonometrijske metode i tehnike, Informator, Zagreb
Žugaj, M., et all., (2006) Temelji znanstvenoistraživačkog rada, Metodologija i metodika,
Fakultet organizacije i informatike, Varaždin.
230
Kvantitativne metode u
ekonomiji i menadžmentu
2. Tehnike mrežnog
planiranja
2.1. Uvod
2.2. Osnovni pojmovi u mrežnom planiranju
2.3. Primjena tehnika mrežnog planiranja
2.4. Analiza strukture
2.5. Analiza vremena
2.6. Analiza troškova
2.7. Pitanja za ponavljanje
2.8. Zadaci za vježbu
2.9. Rješenja zadataka za vježbu
2.10. Analiza slučaja primjenom MS Project-a
2.1. Uvod
Povećavanje broja različitih projekata, koje je potrebno realizovati, a koji su sve složeniji i
kompleksniji, uslovilo je potrebu za istraživanjem i nalaženjem metoda za njihovo optimal-
no rješavanje. U prvoj fazi razvoja metoda koje omogućuju preglednost procesa realizacije
projekta je dizajniran gantogram. Prvi gantogram dizajnirao je H. L. Gantt između 1910.-
1915. godine. Gantogram ilustruje početni i završni datum nekih nepromjenjivih i sažetih
elemenata. Sa povećanjem broja aktivnosti projekt se usložnjava, što može prouzrokovati
nepreglednost i nečitljivost grafikona. To je jedan od nedostataka gantograma koji ograni-
čava njegovu primjenu. Zbog toga se javila potreba za razvojem novih metoda i tehnika
koje će omogućiti odgovarajući grafički prikaz kompleksnih i složenih projekata i njihovo
rješavanje. Krajem pedesetih godina, razvijene su nove metode planiranja koje se nazivaju
tehnike mrežnog planiranja. Ove metode se baziraju na primjeni teorije grafova, moderne
algebre i statistike. Primjenom ovih metoda moguće je jednostavnije i pouzdanije pratiti
odvijanje projekta, koordinirati aktivnosti na realizaciji projekta i otkrivati poteškoće koje
mogu usporiti njegovu realizaciju. Osnovna prednost ovih metoda je mogućnost odvajanja
pojedinih faza u njihovoj primjeni.
U osnovi razvoja tehnika mrežnog planiranja su bila dva odvojena istraživačka projekta.
Metoda kritičnog puta (Critical Path Method – CPM), ili jednostavnije CPM metoda, razvi-
jena je 1957. godine za potrebe hemijske industrije. Cilj razvoja ove metode je bio da se
izvrši planiranje, održavanje i izgradnja fabrike hemijskih proizvoda. CPM metoda primje-
njuje planiranje i realizaciju projekata kod kojih se vrijeme trajanja pojedinih aktivnosti
može precizno i deterministički odrediti. U okviru istraživačkog projekta razvoja raketnog
sistema Polaris, za potrebe američke mornarice 1958. godine razvijena je metoda za reali-
zaciju i unapređenje 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 značajna za planiranje projekata čije
vrijeme trajanja aktivosti nije moguće deterministički odrediti.
Postoji veliki broj modifikacija ovih metoda koje se razlikuju metodološki i mogu se prila-
goditi za rješavanje različitih projekata.1 Najčešće se koristi kombinacija CPM i PERT
metode uz podršku različitih programskih alata, kao što je naprimjer MS Project i drugi.
Tehnika mrežnog planiranja „je naročito efikasna kada se planiraju procesi koji se jednok-
ratno odvijaju, tako da se prvenstveno koristi pri planiranju naučnoistraživačkih i razvojnih
projekata, osvajanju novih proizvoda, projektovanju investicionih objekata, investicione
opreme (brodogradnja, velike mašine, energetska postrojenja, postrojenja za procesnu indu-
striju itd.), građevinskih radova, integracionih procesa, sve do organizacije kongresa,
konferencija, savjetovanja i drugih društvenih aktivnosti.“2
1
Detaljan pregled modifikovanih metoda je predstavljen u : Petrić, J., (1983), str. 4 - 5.
2
Ibid., str. 5.
233
TEHNIKE MREŽNOG PLANIRANJA
2.2.1. Projekt
2.2.2. Aktivnost
3
Vučković, Ž., (2003), str. 3.
234
OSNOVNI POJMOVI U MREŽNOM PLANIRANJU
Prosta aktivnost se ne može razložiti na još prostije aktivnosti. Ona se obavlja samo
jednim nedjeljivim sredstvom.
Složena aktivnost zahtijeva angažovanje više različitih sredstava, pa se takva aktiv-
nost može raščlaniti na više prostih aktivnosti koje se obavljaju pojedinim sredstvima.
Složena aktivnost predstavlja određeni potprojekt u okviru cijelog projekta. Može se
reći i da je sam projekt složena aktivnost jer se sastoji od niza prostih aktivnosti.
Prema angažovanju vremena i sredstava, aktivnosti se dijele na tri grupe: prave aktiv-
nosti, aktivnosti čekanja i fiktivne aktivnosti.
Prava aktivnost je dio radnog procesa za čiju je realizaciju potrebno angažovanje
sredstava i protok vremena za njihovo korištenje.
Aktivnost čekanje traži samo protok vremena (ali ne angažovanje bilo kakvih sreds-
tava). Kao primjeri aktivnosti čekanje se obično navode hemijski ili biološki procesi
koji se moraju odvijati poslije odgovarajućih pravih aktivnosti.
Fiktivna aktivnost je aktivnost koja ne traži angažovanje i sredstava i vremena. Ova
aktivnost stvarno ne postoji jer nema vremenskog trajanja i nema troškova realizacije.
Ove aktivnosti se uvode da bi se mrežni dijagram pravilno konstruisao i predstavile
prave međuzavisnosti između aktivnosti. Ove aktivnosti se još nazivaju vještačke ili
prividne aktivnosti.
Aktivnosti se prema kriteriju kritičnosti dijele u dvije grupe: kritične aktivnosti i nekriti-
čne aktivnosti.
Kritična aktivnost mora početi u tačno određenom trenutku, mora se završiti u odre-
đenom narednom trenutku i vrijeme njenog trajanja treba da bude jednako
vremenskom razmaku između ova dva navedena trenutka.
Nekritična aktivnost ima trajanje kraće od vremenskog razmaka između najranijeg
mogućeg početka aktivnosti i najkasnijeg mogućeg završetka aktivnosti.
Aktivnosti se dijele prema mjestu u toku izvođenja projekta na tri grupe: polazne aktiv-
nosti, završne aktivnosti i ostale aktivnosti.
Polazna aktivnost ne traži prethodni završetak ni jedne druge aktivnosti u okviru is-
tog projekta, pa ona može odmah početi u trenutku otpočinjanja analiziranog
projekta. Sve polazne aktivnosti u projektu mogu da počnu zajedno u trenutku počet-
ka projekta.
Završna aktivnost ne prethodi ni jednoj drugoj aktivnosti u istom projektu. Njenim
završetkom nije uslovljeno otpočinjanje ni jedne druge aktivnosti u okviru istog pro-
jekta.
Ostale aktivnosti, koje nisu ni polazne ni završne, nalaze se između odgovarajućih
prethodnih i narednih aktivnosti u projektu.
235
TEHNIKE MREŽNOG PLANIRANJA
2.2.3. Događaj
Događaj je trenutak početka ili završetka jedne ili više aktivnosti. Događaj se može defini-
sati i kao „vremenska koordinata, trenutak kada počinje jedna aktivnost ili istovremeno
počinje više aktivnosti, odnosno trenutak kada završava jedna ili više aktivnosti.“ 4 Događaj
ne zahtijeva ni utrošak sredstava ni protok vremena. Pošto je događaj vremenski trenutak,
on nema vrijeme trajanja, što znači - nema aktivnosti. Kada se odredi datum događaja on
predstavlja rok dešavanja događaja, odnosno rok početka ili završetka aktivnosti ili cijelog
projekta.
Razlikuje se više vrsta događaja u zavisnosti od kriterija po kojem se dijele. Najčešće se
koriste dva kriterija i to kriterij pozicije, odnosno položaja događaja u toku izvođenja pro-
jekta i kriterij kritičnosti.
Prema položaju u toku izvođenja projekta, događaji se dijele u tri grupe: početni doga-
đaj, završni događaj i ostali događaji.
Početni događaj projekta je trenutak kada otpočinje projekt, odnosno početni doga-
đaj početne ili početnih aktivnosti u projektu. Početni događaj projekta je tako
istovremeno početni događaj jedne ili više polaznih aktivnosti koje mogu otpočeti sa
početkom projekta. Prije početnog događaja nema drugih aktivnosti u tom projetku.
Završni događaj projekta je trenutak kada završava projekt, odnosno završni događaj
jedne ili više aktivnosti koje se zadnje završavaju u projetku. Poslije završnog doga-
đaja nema drugih aktivnosti u tom projektu.
Ostali događaji u projektu su događaji koji su istovremeno kod pojedinih prethodnih
aktivnosti završni događaji, a kod odgovarajućih narednih aktivnosti početni događaji.
Svaka aktivnost ima svoj početak i kraj, samim tim i početni i završni događaj. Početni do-
gađaj je trenutak kada počinje aktivnost, a završni je trenutak kada završava. Više
aktivnosti može imati zajednički početni događaj, pa mogu startati u isto vrijeme. Više ak-
tivnosti može imati i zajednički završni događaj, pa se mogu završiti u istom trenutku.
Može se desiti da završni događaj neke ili više aktivnosti predstavlja ujedno početni doga-
đaj druge ili više aktivnosti. Svaka aktivnost, pa tim i projekt, mogu imati samo jedan
početni i jedan završni događaj.
Prema kritičnosti, događaji se dijele na dvije grupe: kritični događaji i nekritični događaji.
Kritični događaj je događaj u projektu koji se mora desiti tačno u određenom trenut-
ku. Ne može se desiti ni prije ni poslije tog određenog trenutka.
Nekritični događaj je događaj kod koga se razlikuju najraniji trenutak kada se događaj
može desiti i najkasniji trenutak kada se događaj mora desiti. To je događaj u projektu
čiji je trenutak u kojem se on može najranije desiti ispred trenutka do kojeg se on mora
najkasnije desiti.
4
Radulović A., Radojević M., (1988), str. 12.
236
OSNOVNI POJMOVI U MREŽNOM PLANIRANJU
1 2 5
237
TEHNIKE MREŽNOG PLANIRANJA
Mrežni dijagram može biti orijentisan aktivnostima ili orijentisan događajima. Dijagram
orijentisan aktivnostima se češće primjenjuje, jer ima određene prednosti koje prozilaze iz
definicije projekta. Zadana aktivnost u projektu mora biti ostvarena i zadatak jedne ili više
aktivnosti mora biti postignut. Prije nego bilo koja aktivnost počne, sve prethodne već mo-
raju biti završene. Sve aktivnosti i događaji unutar projekta povezani su dužima
orijentisanim strelicama, odnosno strelicama. Dužina duži nema poseban značaj, a smjer
strelice ukazuje na tok odvijanja projekta. Na grafikonu 2. je predstavljen mrežni dijagram
orijentisan strelicama. U ovom poglavlju će se konstruisati mrežni dijagrami orijentisani
aktivnostima.
Duži na grafikonu 2. koje su označene punim linijama predstavljaju prave aktivnosti i ak-
tivnosti čekanja. Duži označene isprekidanim linijama predstavljaju fiktivne aktivnosti.
Događaji su numerisani brojevima. Numeracija događaja se vrši rastućim redoslijedom sa
lijeva na desno i odozgo prema dolje. Aktivnosti su označene nazivima aktivnost, velikim
slovom, ili događajima koje povezuju.
Put u mrežnom dijagramu projekta je svaki niz vremenski neposredno nasljeđivanih
aktivnosti koji povezuje početni i završni događaj.
238
2.3. Primjena tehnika mrežnog planiranja
Tehnike mrežnog planiranja se primjenjuju za rješavanje problema organizacije određenih
poslova koji su obično veoma složeni jer zahtijevaju obavljanje velikog broja različitih ak-
tivnosti za čiju realizaciju je potrebno angažovanje i/ili utrošak različitih sredstava kao što
su: rad, kapital, sirovine, alati, mašine itd. Kod optimalnog rješavanja ovakvog problema
obično se nastoje ostvariti dva cilja. Prvi bi bio realizacija projekta u najkraćem roku ukoli-
ko su troškovi unaprijed poznati. Drugi cilj bi mogao biti nalaženje najnižih troškova
realizacije projekta za unaprijed određeno vrijeme trajanja. U prvom slučaju bi se radilo o
najproduktivnijem, a u drugom najekonomičnijem rješenju problema. Da bismo pronašli
optimalnu realizaciju jednog složenog posla, moraju se imati u vidu i određena ograničenja
prilikom rješavanja datog problema. Neka od njih su sljedeća:5
a) Tokom takvog posla treba obaviti veliki broj različitih aktivnosti;
b) Za takve aktivnosti treba imati odgovarajuća sredstva;
c) Trajanje svake pojedine aktivnosti zavisi od angažovane vrste i obima takvih sredsta-
va;
d) Za otpočinjanje svake od tih aktivnosti, pored potrebnih sredstava, trebaju biti obezbi-
jeđeni i drugi preduslovi, koji su najčešće rezultat jedne ili više drugih prethodnih
aktivnosti u okviru ovakvog istog složenog posla;
e) Potrebno je odrediti međusobno uslovljene neposredne redoslijede odgovarajućih ak-
tivnosti u okviru istog složenog posla (koja ili koje moraju biti završene da bi
posmatrana aktivnost mogla otpočeti);
f) Aktivnosti koje nemaju međusobno uslovljeni neposredni ili posredni redoslijed mo-
gu se vremenski paralelno obavljati, što omogućava bržu realizaciju cijelog pripadnog
složenog posla.
Kako bi se složeni poslovi definisani projektom mogli realizovati, neophodno je izraditi
projektni plan. Izrada projektnog plana podrazumijeva obavljanje sljedećih ativnosti:
a) Izrada strukture mrežnog plana koja obuhvata definisanje aktivnosti i modelizaciju
njihovih zavisnosti;
b) Utvrđivanje resursa koji će se koristiti;
c) Planiranje datuma za završetak aktivnosti u projektu;
d) Utvrđivanje vremena trajanja projekta i određivanje kritičnog puta;
e) Analiza troškova realizacije projekta.
Složeni poslovi, koji imaju navedene osobine, mogu se optimalno programirati primjenom
tehnika mrežnog planiranja (TPM) za četiri vrste analiza koje se realizuju kao četiri faze,
odnosno etape u primjeni ovih metoda. To su:
5
Vučković, Ž., (2003), str. 1-2.
239
TEHNIKE MREŽNOG PLANIRANJA
analiza strukture,
analiza vremena,
analiza troškova,
analiza resursa.
Navedene analize se ne obavljaju odvojeno, već kombinovano, jer se ne može znati koliko
će trajati neka aktivnost ako se prethodno ne zna koja će sredstva biti angažovana za izvr-
šenje određene aktivnosti. Troškovi koji će uslijediti kod izvršavanja pojedine aktivnosti
zavise od vrste, obima i vremena angažovanja odgovarajućih sredstava. Analiza strukture je
prva faza, ona se obavlja odvojeno od ostalih analiza i prethodi svim ostalim fazama koje je
potrebno obaviti kako bi se utvrdilo optimalno rješenje.
240
2.4. Analiza strukture
Analiza strukture je prva faza u primjeni tehnika mrežnog planiranja. Ova faza se sastoji iz
sljedećih postupaka:
definisanje i izrada liste aktivnosti koje je potrebno završiti da bi se projekt realizovao;
utvrđivanje međuzavisnosti definisanih aktivnosti;
konstrukcija mrežnog dijagrama;
kontrola mrežnog dijagrama.
Tehnika mrežnog planiranja spada u savremene naučne metode analitičke procjene realiza-
cije složenih zadataka i poslova. Ove tehnike se zasnivaju na cjelovitom predstavljanju
detaljno planiranih zadataka određenog projekta pomoću mrežnog dijagrama.
Prilikom primjene tehnike mrežnog planiranja projekt se, kao složen posao, razlaže na po-
jedinačne sastavne poslove i zadatke. Svaki pojedinačan posao se naziva akivnost.
Prvi korak u analizi strukture je proučavanje projekta, podataka o projektu, njegovih karak-
teristika, ograničenja uz koje se projekt realizuje a koji bi trebali omogućiti utvrđivanje
poslova i zadataka vezanih za projekt, sastavljanje liste aktivnosti neophodnih za realizaciju
projekta i utvrđivanje njihovog logičkog redoslijeda. Često se pretpostavlja da je lista ak-
tivnosti neophodnih za realizaciju nekog projekta poznata na osnovu prethodnih
istraživanja i iskustava. Kada to nije slučaj, neophodno je detaljno proučiti projekt i sastavi-
ti listu aktivnosti od kojih se projekt sastoji. Projekt se može razložiti na osnovne etape, a
zatim se svaka etapa dalje raščlanjuje na jednostavnije poslove za čiju realizaciju se zatim
definišu aktivnosti. Za definisanje i sastavljanje liste aktivnosti neophodno je koristiti iskus-
tva stručnjaka iz pojedinih oblasti za koje se projekt realizuje.
Međuzavisnost aktivnosti
Kada se sastavi lista aktivnosti, potrebno je utvrditi međuzavisnost aktivnosti i logički redo-
slijed njihove realizacije. Osnova za konstrukciju mrežnog dijagrama je lista aktivnosti i
njihova međuzavisnost. Međuzavisnost aktivnosti se obično predstavlja u matrici međuza-
visnosti što olakšava konstrukciju mrežnog dijagrama.
Matrica međuzavisnosti je definisana kao pregledan prikaz svih međusobno uslovljenih
neposrednih redosljeda odgovarajućih aktivnosti u projektu. Ona je kvadratnog oblika i ima
onoliko redova i kolona koliko ima aktivnosti u projektu. U zaglavlju kolona i redova mat-
rice se stavljaju nazivi aktivnosti.
241
TEHNIKE MREŽNOG PLANIRANJA
Aktivnosti A B C …
A X X
B X X
C
…
Aktivnosti se u mrežnom dijagramu, kao što je već rečeno, označavaju linijama orijentisa-
nim strelicama i povezuju događaje označene krugom i numerisane rastućim redoslijedom
sa lijeva na desno i odozgo prema dolje. Ovaj način grafičkog prikazivanja omogućuje da
se aktivnosti jednostavnije pronalaze u mrežnom dijagramu i vrši njihova kontrola.
Oznake za aktivnost i događaj u mrežnom dijagramu su sljedeće:
Aktivnost:
Događaj:
6
Primjer petlje je tzv. kružno definisanje zavisnosti: A zavisi od B, B zavisi od C, a C zavisi od A.
242
ANALIZA STRUKTURE
Dva događaja, događaj i i događaj j, na donjem grafikonu su povezana aktivnošću Aij. Ak-
tivnost koja povezuje događaj i i događaj j se može označiti i kao aktivnost (i–j).7
i j
i< j
Pri konstrukciji mrežnog dijagrama treba primjenjivati odgovarajuća pravila. Osnovna pra-
vila za konstrukciju mrežnog dijagrama su:
1. Svaka aktivnost mora početi i završiti događajem.
2. Svaka aktivnost, kao i cijeli projekt, imaju jedan početni i jedan završni događaj.
3. Ako neka aktivnosti ne može početi prije nego što se završi neka druga aktivnost, ta-
da se te dvije aktivnosti moraju predstaviti kao redosljedni niz aktivnosti. Završni
događaj prethodne aktivnosti će biti identičan sa početnim događajem naredne aktiv-
nosti.
4. Ako više aktivnosti treba biti završeno da bi naredna aktivnost mogla otpočeti, tada se
sve prethodne aktivnosti moraju završiti u jednom događaju koji je istovremeno poče-
tni događaj naredne aktivnosti.
5. Ako više aktivnosti može otpočeti kada se završi prethodna aktivnost, tada je završni
događaj te prethodne aktivnosti identičan sa početnim događajem svih narednih ak-
tivnosti.
6. Dvije ili više aktivnosti ne mogu imati zajednički početni i završni događaj. Da bi se
omogućilo poštovanje ovog pravila, u mrežni dijagram se uvode fiktivne aktivnosti.
Uvođenje fiktivnih akivnosti osigurava jednoznačno označavanje aktivnosti i zadovo-
ljenje pravila da dvije ili više aktivnosti mogu imati zajednički početni ili završni
događaja, a ne mogu imati zajednički i početni i završni događaj, što je ilustrovano na
sljedeći način:
B
C
Postoji više načina za uvođenje fiktivne aktivnosti. Preporučuje se uvođenje fiktivne
aktivnosti na početku niza jer to olakšava analizu vremena.
7. Ako jednim događajem završava i počinje više aktivnosti koje nisu međusobno uslov-
ljene, tada se prave zavisnosti predstavljaju pomoću fiktivnih aktivnosti.
8. Dva uzastopna događaja mogu biti povezana aktivnošću samo u jednom smjeru.
9. Aktivnost se u projektu može realizovati samo jednom. Ovo pravilo isključuje ponav-
ljanje istih aktivnosti i pojavu petlji u mrežnom dijagramu.
7
Za označavanje aktivnosti će se koristiti dvije sljedeće oznake: Aij ili (i–j).
243
TEHNIKE MREŽNOG PLANIRANJA
Primjer 2.1.
Formirati matricu međuzavisnosti i skicirati mrežni dijagram za sljedeće projekte:
a) Projekt se sastoji od dvije aktivnosti A i B, pri čemu aktivnost B zavisi od
aktivnosti A.
U matrici međuzavisnosti navedena zavisnost se predstavlja na sljedeći način:
A B
A X
B
A B
1 A 2 B 3
A B C D E
A X X
B X
C X
D
E
244
ANALIZA STRUKTURE
Broj praznih kolona u matrici nam govori koliko imamo i koje su to polazne aktivnos-
ti u projektu. Polazna aktivnost je aktivnost A.
Broj praznih redova u matrici nam govori koje su to završne aktivnosti u projektu, pa
vidimo da su završne aktivnosti D i E.
U svakom projektu ima samo jedan početni i jedan završni događaj.
3 D
B
A 5
1 2
C E
A B C
A X X
B
C
245
TEHNIKE MREŽNOG PLANIRANJA
3
B
A
1 2
C
3 f
B
A
1 2 4
C
A B C
A X
B X
C
246
ANALIZA STRUKTURE
1 B 2 C 3
Da bi se izbjeglo da dvije različite aktivnosti imaju i isti početak i isti završetak uvo-
dimo fiktivnu aktivnost tako što jednu aktivnost (npr B) podijelimo i posmatramo kao
da je fiktivna aktivnost njen neposredni prethodnik. Sada mrežni dijagram poprima
oblik:
2
f
B
1 3 4
C
A
A 2 f
1 3 4
B C
247
TEHNIKE MREŽNOG PLANIRANJA
2
B
D ??
4
1
C
A
B D
1 4
C
A 3
248
ANALIZA STRUKTURE
249
2.5. Analiza vremena
Analiza strukture definiše prvu fazu primjene tehnike mrežnog planiranja i predstavlja teh-
nološki model realizacije projekta. Analiza strukture predstavlja uslov i osnovu za analizu
vremena i analizu troškova i nužno im prethodi. Značajna specifičnost tehnika mrežnog
planiranja, u odnosu na klasične tehnike planiranja, je mogućnost potpunog razdvajanja
analize strukture od analize vremena. „Razdvojenošću ovih dvaju faza obezbjeđuje se po-
seban kvalitet planiranja, koji omogućuje postizanje optimalnog odnosa između tehnologije
i vremena izvršenja plana, što do sada nijedna poznata klasična metoda planiranja nije
omogućavala, bar ne na jedan egzaktan način kakav je primenjen u tehnici mrežnog plani-
ranja“8
Analiza vremena podrazumijeva utvrđivanje vremena trajanja svake aktivnosti, izračunava-
nje početaka i završetaka aktivnosti i vremena realizacije cijelog projekta.
Analiza vremena se izvodi potpuno odvojeno od analize strukture projekta, bez obzira koja
metoda se primjenjuje za analizu vremena. To je značajna prednost tehnike mrežnog plani-
ranja jer se izrada analize strukture, koja predstavlja tehnološki model projekta, može
povjeriti stručnjacima iz date oblasti koji će ovu fazu stručno i kvalitetno realizovati. Anali-
za vremena predstavlja primjenu odgovarajućih postupaka, odnosno algoritama, koju mogu
izvoditi obučeni kadrovi primjenom računara. Naglasimo da sva vremena trajanja aktivnosti
moraju biti izražena u istoj vremenskoj jedinici.
Za analizu vremena najčešće se primjenjuju dvije metode:
Metoda kritičnog puta CPM,
PERT-TIME metoda.
8
Martinović M., Stefanović D., (1969), str. 74.
250
ANALIZA VREMENA
i t ij j
t i( 0 ) t i(1) t (j0 ) t (j1)
? i
Grafikon 3. Označavanje karakterističnih veličina u CPM metodi
Aktivnost (i–j) povezuje događaje i i j. Vrijeme trajanja aktivnosti (i–j) se označava se tij .
Najraniji početak aktivnosti (i–j) se označava sa t i( 0 ) . Aktivnost (i–j) može otpočeti poslije
dešavanja događaja i. Ako događaju i prethodi više aktivnosti, događaj i će se desiti kada se
završi aktivnost koja najduže traje. To znači da, ukoliko u događaj i ulazi više puteva, do-
gađaj se može desiti poslije završetka puta sa najdužim trajanjem. Najraniji početak
aktivnosti (i–j) t i( 0 ) će biti određen vremenom trajanja najdužeg puta koji ulazi u događaj i,
odnosno vremenom trajanja one prethodne aktivnosti za čiju realizaciju je potrebno najduže
vrijeme. Postupak određivanja najranijih početaka se vrši prema rastućoj numeraciji doga-
đaja od početnog do završnog događaja u projektu.
Ako do događaja j vodi više puteva, tada se najraniji početak bilo koje aktivnosti koja
ima j kao početni događaj9 izračunava pomoću sljedećeg izraza:
t (0)
j = max (ti(0) + tij ), t1(0) = 0 (2.1)
i
t (0)
j = ti(0) + tij (2.2)
9
Ovdje se može koristiti i termin najraniji trenutak u kojem se događaj j može desiti.
251
TEHNIKE MREŽNOG PLANIRANJA
Izraz (2.2) omogućava da se poslije određivanja najranijeg početka bilo koje aktivnosti od-
redi njen najraniji završetak pošto su poznata vremena trajanja aktivnosti. Najraniji počeci
aktivnosti i najraniji završeci aktivnosti se izračunavaju postepeno, polazeći od prvog do
n-tog događaja u projektu i uz pretpostavku da je najraniji početak t1(0) = 0 . Najraniji zavr-
šetak cijelog projekta se označava sa t n( 0 ) i predstavlja najraniji trenutak dešavanja završnog
događaja u projektu.
Kada se odrede najraniji počeci i najraniji završeci pojedinih aktivnosti i cijelog projekta,
mogu se određivati najkasniji početak i najkasniji završetak pojedinih aktivnosti i projekta
u cjelini. Najkasniji početak aktivnosti (i–j) se označava sa t i(1) , a najkasniji završetak sa
t (j1) . Da bi se odredile ove vrijednosti polazi se od pretpostavke da je u završnom događaju
projekta trenutak najranijeg dešavanja događaja jednak trenutku najkasnijeg dešavanja do-
gađaja tj.
t n( 0 ) = t n(1) .
252
ANALIZA VREMENA
Trajanje aktivnosti može 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 mora-
ju početi i završiti u tačno određenom trenutku i aktivnosti koje imaju vremenske rezerve.
Vremenske rezerve su izuzetno značajne sa aspekta troškova realizacije projekta, ukoliko
postoje vremenske rezerve vrijeme realizacije aktivnosti se može pomjeriti i time smanjiti
troškovi. Postoje četiri 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 ćemo definisati i napisati izraz za njeno izračuna-
vanje, a zatim ih uporediti na šematskom prikazu.
Ukupna vremenska rezerva se izračunava pomoću sljedećeg izraza kao razlika između naj-
kasnijeg završetka i najranijeg početka i vremena trajanja aktivnosti (i–j):
Ukupna vremenska rezerva pokazuje za koliko se vremenskih jedinica može pomjeriti izvr-
šenje aktivnosti (i–j), ili za koliko se vremenskih jedinica može produžiti trajanje aktivnosti
(i–j) ako njene neposredno prethodne (h- i) i neposredno naredne (j–k) aktivnosti, s obzirom
( 0) (1)
na ovo produženje, zauzimaju najpovoljnije položaje t i i t j , a da se ne promjeni vrije-
me trajanja projekta. To znači da je ukupna vremenska rezerva jednaka vremenu za koje se
može odgoditi ili produžiti izvršenje neke aktivnosti, a da to nema uticaja na završetak pro-
jekta.
Kada se izračuna razlika između najranijeg završetka i najranijeg početka aktivnosti (i–j) i
umanji za vrijeme trajanja aktivnosti tij, dobija se slobodna vremenska rezerva:
10
Ovdje će biti obrađeno izračunavanje vremenskih rezervi polazeći od simbola koji se koriste u CPM metodi.
Vremenske rezerve se na isti način određuju i kod PERT-TIME metode ali je potrebno koristiti odgovarajuće
simbole PERT-TIME metode.
253
TEHNIKE MREŽNOG PLANIRANJA
Iz navedenog izraza može se zaključiti da postoje događaji kod kojih je najraniji trenutak
dešavanja događaja j jednak najkasnijem trenutku dešavanja događaja j: t (j0 ) = t (j1) , odnosno
da postoje događaji kod kojih je zavisna vremenska rezerva jednaka nuli: ( S z ) j = 0 . Ovak-
ve događaje nazivamo kritični događaji.
Na sljedećem grafikonu su predstavljene ukupna, slobodna, nezavisna i uslovna vremenska
rezerva:
11
Vučković, Ž., (2003), str. 24.
254
ANALIZA VREMENA
i t ij j
t i(0) t i(1) t (0)
j
t (1)
j
t ij
t i(0) SU t (1)
j
t ij
t i(0) SS t (0)
j t (1)
j
t ij
t i(0) ti(1) SN t (0)
j t (1)
j
255
TEHNIKE MREŽNOG PLANIRANJA
Aktivnost kod koje su sve vremenske rezerve jednake nuli je kritična aktivnost. Kritična
aktivnost mora početi u tačno određenom trenutku i mora se završiti u određenom nared-
nom trenutku i svako kašnjenje utiče na realizaciju projekta. Da bi aktivnost bila kritična
treba da zadovolji sljedeće uslove:
ti(0) = ti(1) i t (0)
j = t (1)
j (2.9)
Potreban uslov je da kritična aktivnost povezuje dva kritična događaja, što je definisano izra-
zom (2.9). Kritični događaj je događaj u kome su trenuci najranijeg i najkasnijeg početka
jednaki. Ako je vrijeme trajanja aktivnosti tij jednako razlici između najranijeg završetka ak-
tivnosti i najranijeg početka aktivnosti slobodna vremenska rezerva je jednaka nuli (2.10). To
je dovoljan uslov da bi aktivnost bila kritična.
Kako je ukupna vremenska rezerva najveća od svih rezervi (ako je ona jednaka nuli onda su i
ostale rezerve jednake nuli), to se za aktivnost kaže da je kritična ako je njena ukupna vre-
menska rezerva jednaka 0. Dakle, potreban i dovoljan uslov da bi aktivnost bila kritična je:
tij = t (1)
j − ti
(0)
(2.11)
Vrijeme trajanja aktivnosti tij je jednako razlici između najkasnijeg završetka aktivnosti i
najranijeg početka 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 kritične
aktivnosti.
Put u mrežnom dijagramu projekta je svaki niz vremenski neposredno nasljeđivanih aktiv-
nosti koji povezuje početni i završni događaj. Put koji povezuje početni i završni događaj u
projektu, a koji je sastavljen od kritičnih aktivnosti, predstavlja kritični put. U mrežnom
dijagramu obično ima više puteva. Svaki od tih puteva ima svoje vrijeme trajanja koje se
najčešće razlikuje od puta do puta. Kritični put u mrežnom dijagramu ima najduže vrijeme
trajanja koje je jednako najbržoj realizaciju projekta.
Na sljedećim primjerima će biti ilustrovana analiza strukture i analiza vremena po CPM
metodi.
Primjer 2.2.
Projekat »Alfa« se sastoji od šest aktivnosti: A, B, C, D, E i F. Uslovljena su otpoči-
njanja sa završecima: C sa A i B; D sa A i B; E sa C; F sa D.
Vremena trajanja u danima su data u tabeli:
256
ANALIZA VREMENA
aktivnost A B C D E F
tij 8 10 10 15 4 8
Kompletirati analizu strukture projekta, odrediti kritični put i odrediti najbržu realiza-
ciju datog projekta.
Rješenje:
Formirajmo matricu međuzavisnosti:
A B C D E F
A + +
B + +
C +
D +
E
F
2 4
f
A C
1 3 5 6
B D
C
1 3 5 6
1 1 8
0B 5D F
-
Grafikon 2.2.a. Mrežni dijagram projekta «Alfa» sa unešenim determinističkim
vremenima trajanja aktivnosti
257
TEHNIKE MREŽNOG PLANIRANJA
2 4
20
8
3
C
1 3 5 6
0 10 10 15 25 8 33
B D F
Već sad sa nepotpunom analizom vremena, možemo utvrditi kolika je najkraća reali-
zacija projekta. Taj podatak je dat u t 6(0 ) = 33 , odnosno trenutak dešavanja završnog
događaja. Vrijednost t (j1 ) za završni događaj je uvijek jednaka vrijednosti t (j 0 ) za za-
vršni dograđaj, pa je t 6(1) = 33 . Da bi se odredila vrijednost t i( 1 ) za svaki prethodni
događaj potrebno je vrijeme trajanja aktivnosti koja povezuje događaj i i događaj j,
tij , oduzeti od najkasnijeg završetka aktivnosti (i-j), odnosno od t (j1 ) . Ukoliko je do-
gađaj j povezan sa više neposredno prethodnih događaja i, onda se uzima manja
razlika t (j1 ) i tij kao vrijednost t (j 0 ) . Grafikon 2.2.c. predstavlja rezultat primjene ovog
pravila.
258
ANALIZA VREMENA
2 4
8 10 20 29
1 3
C
1 3 5 8 6
10 10 10
15 25 25 33 33
0 0
- B 1 D 3 F 5
Na grafikon 2.2.c. smo označili kritični put. Za navedeni primjer, trajanje kritičnog puta je
t 6(0 ) = 33 dana , odnosno najbrža realizaciju projekta je 33 dana. Kritični put je put koji po-
vezuje sljedeće događaje: 1–3–5–6, ili put koji je sastavljen od sljedećih aktivnosti: B-D-F.
Primjer 2.3.
Za realizaciju projekta «Beta», treba izvršiti slijedeće aktivnosti: A, B, C, D, E, F i G.
Uslovljena su otpočinjanja sa završecima: B, D i F sa C; G sa B; E sa D i F; A sa E i G.
Vremena trajanja u mjesecima su data u tabeli:
aktivnost A B C D E F G
tij 4 1 3 3 4 2 5
Kompletirati analizu strukture projekta, odrediti kritični put i odrediti najbržu realiza-
ciju projekta.
Rješenje:
Odredimo prvo matricu međuzavisnosti:
A B C D E F G
A
B +
C + + +
D +
E +
F +
G +
259
TEHNIKE MREŽNOG PLANIRANJA
C B D F G E A
C + + +
B +
D +
F +
G +
E +
A
3
G 5
4 5
2
1
B
1 C 3 2 D 3 5 E 4 6 A 4 7
0 0 3 3 6 6 10 10 14 14
- 1 2 5 6
F 2
4
5 6 f
2
260
ANALIZA VREMENA
261
TEHNIKE MREŽNOG PLANIRANJA
β(tij)
12
Detaljan izvod izraza je predstavljen u Petrić, J., (1983), str. 57-61.
13
Ibid., str. 61.
262
ANALIZA VREMENA
i (te )ij j
(T E ) i (T L ) i (T E ) j (T L ) j
? i
Pošto se radi o stohastičkim vremenima trajanja aktivnosti uvode se sljedeći termini i sim-
boli da bi se označili najraniji i najkasniji očekivani počeci i završeci:
(TE ) i najraniji očekivani početak aktivnosti (i–j),
(TL )i najkasniji očekivani početak aktivnosti (i–j),
(TE ) j najraniji očekivani završetak aktivnosti (i–j),
(TL ) j najkasniji očekivani završetak aktivnosti (i–j).
263
TEHNIKE MREŽNOG PLANIRANJA
zakon normalne distribucije i sa (TS ) j označi planirani rok dešavanja događaja j, tada se
odgovarajući faktor vjerovatnoće zj izračunava pomoću izraza:
(TS ) j − (TE ) j
zj = (2.15)
∑ σ ij2
i< j
gdje je: zj faktor vjerovatnoće, (TS ) j planirani rok dešavanja događaja j, (TE ) j najraniji
očekivani trenutak dešavanja događaja j i ∑ σ ij2 zbir varijansi svih aktivnost koje prethode
i< j
događaju j, a nalaze se na putu sa najdužim trajanjem. Faktor vjerovatnoće zj je raspoređen
po standardizovanoj normalnoj distribuciji zj ~ N(0, 1).
Faktor vjerovatnoće zj predstavlja vjerovatnoću da će događaj j desiti u vremenu (Ts)j i mo-
že se odrediti za sve događaje u projektu. Određivanje faktora vjerovatnoće predstavlja prvi
korak u određivanju vjerovatnoće. Drugi korak se sastoji u određivanju vjerovatnoće ispu-
njenja postavljenih rokova na bazi izračunatih faktora vjerovatnoće. Veličina zj se
aproksimativno ponaša po teorijskom zakonu normalne distribucije, pa se vjerovatnoća
nastupanja događaja j u vremenu (Ts)j računa kao P(zj) iz tabela normalnog rasporeda.
Kriva vjerovatnoće P, izražena kao funkcija faktora vjerovatnoće zj, je definisana izrazom:
z x2
1 −
P( z ) =
2π
∫e
−∞
2
dx (2.16)
1,0
0,5
-3 -2 -1 0 1 2 3
Grafikon 7.
14
Prema: Petrić, J., (1983), str. 65 – 69. i Vučković, Ž., (2003), str. 36 – 42.
264
ANALIZA VREMENA
15
Prema Vučković, Ž., (2003), str 42.
265
TEHNIKE MREŽNOG PLANIRANJA
[ ]
gdje je (t e )hi + z ⋅ σ hi trajanje aktivnosti (h-i) sa unaprijed zadatom vjerovatnoćom P(z), a
(TS )h je realizacija događaja h, koji neposredno prethodi događaju i, sa unaprijed zadatom
vjerovatnoćom P(z).
U tablici se za poznato P(z) nalazi odgovarajući faktor vjerovatnoće za svaki i-ti događaj
koji prethodi događaju j i primjenom gornje formule određuje se odgovarajući najkraći rok
dešavanja događaja j.
Primjer 2.4.
Za realizaciju nekog projekta treba izvršiti sljedeće aktivnosti: A, B, C, D, E, F i G. Us-
lovljena su otpočinjanja sa završecima: B, D i F sa C; G sa B; E sa D i F; A sa E i G.
Stohastička vremena trajanja su data u tabeli
Aktivnost A B C D E F G
aij 7 3 2 7 4 4 9
mij 8 5 4 7 8 5 10
bij 9 7 24 7 12 12 11
266
ANALIZA VREMENA
A B C D E F G
(te)ij 8 5 7 7 8 6 10
σij 2/6 4/6 22/6 0 8/6 8/6 2/6
B A
E
C D
F
f
267
TEHNIKE MREŽNOG PLANIRANJA
Očekivana vremena (t e )ij upisujemo u mrežni dijagram i onda na isti način ako i kod
CPM metode određujemo najbržu očekivanu realizaciju projekta.
3
G 10
12 12
2 2/6
5
B 4/6
1 C 7 2 5 6 7
D 7 E 8 A 8
0 0 7 7 14 14 22 22 30 30
22/6 0 8/6 3,5 2/6
- 1 2 6
F 6
4 f
8/6 13 14
2
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 ⇒ 9, 475 + 5 + 0,675 ⋅ 4 / 6 = 14,925 ⇒ (Ts)3 = 14,925
i=4 h=2 ⇒ 9, 475 + 6 + 0,675 ⋅ 8 / 6 = 16,375 ⇒ (Ts)4 = 16,375
⎧h = 2 ⇒ 9, 475 + 7 + 0,675 ⋅ 0 = 16, 475 ⇒ (Ts)5 = 16, 475
i=5 ⎨
⎩h = 4 ⇒ 16,375 + 0 + 0,675 ⋅ 0 = 16,375
⎧h = 3 ⇒ 14,925 + 10 + 0,675 ⋅ 2 / 6 = 25,15 ⇒ (Ts)6 = 25,375
i=6 ⎨
⎩h = 5 ⇒ 16, 475 + 8 + 0,675 ⋅ 8 / 6 = 25,375
i=7 h=6 ⇒ 25,375 + 8 + 0,675 ⋅ 2 / 6 = 33,6 ⇒ (Ts)7 = 33,6
Najkraća moguća realizacija projekta uz vjerovatnoću 75% je 33,6 dana. Pošto je po-
nuđeni rok od 35 dana veći od izračunatog to znači da bismo smjeli prihvatiti rok za
realizaciju projekta od 35 dana uz vjerovatnoću 75%.
Aktivnost F može kasniti ili trajati jedan dan duže a da to ne utiče na najraniji završe-
tak projekta.
269
2.6. Analiza troškova
Normalnom vremenu trajanja aktivnosti t ijN odgovaraju normalni troškovi C ijN . Usiljenom
vremenu trajanja aktivnosti t ijU odgovaraju usiljeni troškovi C ijU .
16
Radulović, A., Radojević, M., (1988), str.136.
270
ANALIZA TROŠKOVA
Cij
U
CijU ↑
Δ Cij
↓ N
CijN
← Δ tij →
tij
U N
0 tij tij
Grafikon 8.
Tačka U predstavlja tačku čije su koordinate usiljeno vrijeme trajanja aktivnosti i usiljeni
troškovi realizacije aktivnosti ( t ijU ; C ijU ). Oblik veze između troškova i vremena između
tačaka N i U može da bude različit: linearan, kvadratni, eksponencijalni, stepeni i zavisi o
prirodi aktivnosti i projekta koji se istražuje. Funkcija C ij = C (t ij ) može imati različite obli-
ke. Zbog jednostavnosti izlaganja i objašnjenja pretpostavlja se da je veza između troškova i
vremena između tačaka N i U linearna, odnosno pravolinijska i da se funkcija troškova za ak-
tivnost (i–j) može napisati u sljedećem obliku:
Cij = a + b ⋅ t ij , 0 < t ijU ≤ t ijN
Prava troškova prolazi kroz tačke N i U, pa će jednačina ove linearne funkcije biti:
CijN − CijU
(C ij −C U
ij )= tijN − tijU
⋅ ( tij − tijU )
⎡ C N − CU ⎤ C N − CU
Cij = ⎢CijU − ijN Uij ⋅ tijU ⎥ + ijN Uij ⋅ tij ⇒
⎢⎣ tij − tij ⎥⎦ tij − tij
271
TEHNIKE MREŽNOG PLANIRANJA
Kod linearne funkcije troškova koja povezuje tačke N i U apsolutna vrijednost koeficijenta
b predstavlja prosječni prirast troškova.
Razlika između normalnog i usiljenog vremena za aktivnost (i–j) pokazuje za koliko se
vremenskih jedinica može maksimalno skratiti normalno trajanje t ijN te aktivnosti
( )
Δ t ij = t ijN − t ijU ≥ 0 .
Razlika između usiljenih i normalnih troškova ΔCij = (CijU − CijN ) ≥ 0 aktivnosti (i–j)
predstavlja minimalan priraštaj troškova kod navedenog skraćenja aktivnosti (i–j) za ΔtijN
vremenskih jedinica.
17
Vučković, Ž., (2003), str 53.
272
ANALIZA TROŠKOVA
Primjer 2.5.
Za realizaciju nekog projekta treba izvršiti sljedeće aktivnosti: A, B, C, D, E i F. Us-
lovljena su otpočinjanja sa završecima: B i F sa E; C sa B; D sa B i F; A sa C i D.
Poznati su i sljedeći podaci:
A B C D E F
t ijN 5 6 10 14 10 5 mjeseci
CijN 20 30 25 15 20 20 1000 KM
t ijU 3 2 8 4 5 4 mjeseci
CijU 32 50 33 45 30 23 1000 KM
273
TEHNIKE MREŽNOG PLANIRANJA
A B C D E F
A
B X X
C X
D X
E X X
F X
B f
274
ANALIZA TROŠKOVA
1 E 10; 5 2 F 5; 4 4 D 14; 4 5 A 5; 3 6
0 0 10 10 16 16 30 30 35 35
2 3 3 6
- 1 3 4 5
B 6; 2 f
5 0
3 C 10; 8
16 16 6
2
CijN 20 30 25 15 20 20 1000 KM
275
TEHNIKE MREŽNOG PLANIRANJA
Odredimo sve puteve u projektu i dužine njegovih trajanja. U projektu imamo tri puta
i unavešćemo njihova vremena trajanja, normalna i usiljena. Napomenimo da je nor-
malno trajanje puta, najbrže trajanje uz finansijska sredstva 130.000 KM a usiljeno
trajanje puta je apsolutno najbrže vrijeme za koje se aktivnosti na putu mogu izvršiti.
⎧10/ 5 + 6/ 5 + 0 + 14/ 10 + 5 = 35 30 26 25
I KP
1− 2 − 3 − 4 − 5 − 6 =⎨
⎩5 + 2 + 0 + 4 + 3 = 14
⎧10/ 5 + 5 + 14/ 10 + 5 = 34 29 25
II 1− 2 − 4 − 5 − 6 =⎨
⎩5 + 4 + 4 + 3 = 16
⎧10/ 5 + 6/ 5 + 10 + 5 = 31 26 25
III 1− 2 − 3 − 5 − 6 =⎨
⎩5 + 2 + 8 + 3 = 18
Na kritičnom putu, najmanji prirast troškova ima aktivnost E, pa ćemo nju prvu skra-
titi.
Kratimo aktivnost E (A12) za 5 mjeseci. Prirast troškova pri ovom skraćivanju je
ΔC1 = 5 ⋅ 2 = 10 ⇒ 10 ⋅ 1.000 =10.000 KM
Skraćivanjem 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 može više skratiti.
Na kritičnom putu sa najmanjim prirastom je sada aktivnost D. Iako se ova aktivnost
može skratiti za 10 mjeseci (14 – 4), ovim skraćivanjem se nabi postiglo skraćenje
projekta od 10 mjeseci jer put III neće biti skraćen, a on traje 26 mjeseci.
Odavde se zaključuje da je potrebno aktivnost D skratiti ali samo onoliko mjeseci ko-
liko će to uticati na projekat, odnosno za 4 mjeseca (30 – 26).
Kratimo aktivnost D (A45) za 4 mjeseca. Prirast troškova pri ovom skraćivanju je
ΔC2 = 4 ⋅ 3 = 12 ⇒ 12 ⋅ 1.000 =12.000 KM
Ovim skraćivanjem naš projekat traje 26 mjeseci i dobili smo dva puta koji traju 26
mjeseci, dakle imamo dva kritična puta.
Troškovi ubrzanja projekta do 26 mjeseci iznose:
C = 130.000 + 10.000 + 12.000 = 152.000 KM
276
ANALIZA TROŠKOVA
Primjer 2.6.
Kod nekog projekta aktivnosti su: A, B, C, D, E, F i G. Uslovljena su otpočinjanja sa
završecima: B i E sa F i G; A sa B; D sa E; C sa A i D.
Poznati su i sljedeći podaci:
A B C D E F G
t ijN 6 5 5 3 10 7 4 dana
t ijU 6 2 3 2 5 4 2 dana
CijN 20 12 18 15 10 5 16 100 KM
CijU 20 18 26 18 20 20 24 100 KM
277
TEHNIKE MREŽNOG PLANIRANJA
1 7; 4 3 B 5; 2 4 6
6; 6 C 5; 3 7
0 0 7 7 12 14 20 20
F 5 2 A - 25 25
- 0; 0 1 3 5 4
6
G D 3;2
4; 2 f - 3
4
2 5
4 7 E 10; 5
17 17
1 2 3
t 7(0 ) = 25 dana
C = 9.600 KM KP: F–E–D–C
278
ANALIZA TROŠKOVA
279
2.7. Pitanja za ponavljanje
11) Ako se rok realizacije nekog događaja ''j'' određuje s vjerovatnoćom 1,00, koja se vri-
jednost za Z o stavlja u test nejednačinu Z j ≥ Z o ?
12) Kako na osnovu matrice međuzavisnosti u TMP-u možemo saznati koje su završne
aktivnosti?
13) Šta u TMP predstavlja izračunata vrijednost σ i2, j ?
15) Ako je PERT-TIME metodom procijenjeno da projekt traje 30 dana, tada je vjerovat-
noća izvršenja projekta za 33 dana:
a) veća od 50 %,
b) manja od 50%,
c) veća od 75%,
d) manja od 75%.
16) Ukoliko je varijansa vremena trajanja aktivnosti (i–j) izračunata i iznosi σij2 = 0, onda
za ocijenjena vremena aij i bij vrijedi:
a) aij > bij,
b) aij < bij,
c) aij = bij.
280
PITANJA ZA PONAVLJANJE
281
TEHNIKE MREŽNOG PLANIRANJA
c) CijU,
d) Δ C/Δ t.
36) Šta je karakteristično za početni i završni događaj projekta:
a) uvijek su poznate njihove vrijednosti najranijeg i najkasnijeg otpočinjanja,
b) vremenske rezerve tih događaja su pozitivne,
c) u pitanju su kritični događaji,
d) početni događaj ima veću vremensku rezervu nego završni događaj?
37) Ako se rok realizacije nekog događaja ''j'' određuje s vjerovatnoćom 0,75, koja se vri-
jednost za Z o stavlja u test nejednačinu Z j ≥ Z o ?
38) Objasnite sljedeće izraze: CijN, tijN i napišite kada i gdje ih koristite.
39) Koje od spomenutih tvrdnji vezanih za kritični put projekta su tačne:
a) Vremenske rezerve na kritičnom putu su uvijek veće od nula.
b) Kritični put je najkraći put u projektu.
c) Može postojati najviše jedan kritični put u svakom projektu.
d) Može postojati barem jedan kritični put u svakom projektu.
40) Koja od spomenutih izjava vezanih za kritični put projekta nije tačna:
a) Vremenske rezerve na kritičnom putu su nula.
b) Kritičan put je najduži put u projektu.
c) Svi događaji na kritičnom putu su kritični.
d) Može postojati najviše jedan kritičan put u svakom projektu.
e) Mora postojati barem jedan kritičan put u svakom projektu.
41) Ako se aktivnost A nalazi na kritičnom putu, onda su njene rezerve:
a) veće od jedan,
b) sve iste i jednake vremenu trajanja aktivnosti A,
c) sve su 0,
d) manje od jedan.
42) Slobodna vremenska rezerva aktivnosti A nam daje informaciju koliko vremenskih
jedinica može:
a) kasniti otpočinjanje aktivnosti A da se ne ugrozi dužina trajanja projekta,
b) produžiti aktivnost A da se ne ugrozi najranije otpočinjanje naredne aktivnosti,
c) kasniti otpočinjanje aktivnosti A da se ne ugrozi najkasnije otpočinjanje naredne
aktivnosti.
43) Šta je karakteristično za početni i završni događaj projekta:
a) uvijek su poznate njihove vrijednosti najranijeg i najkasnijeg otpočinjanja,
b) vremenske rezerve tih događaja su pozitivne,
282
PITANJA ZA PONAVLJANJE
47) Da bi bili sigurni da je neki projekt u TMP-u izvodljiv, kakva mora biti njegova matri-
ca međuzavisnosti?
48) Kada se u TMP-u primjenjuje PERT-TIME metoda?
49) Kada se primjenjuje CPM metoda u TMP-u?
50) Kako na osnovu matrice međuzavisnosti u TMP-u možemo saznati koje su završne
aktivnosti?
51) Šta predstavlja izračunata vrijednost (t e )i, j ?
283
TEHNIKE MREŽNOG PLANIRANJA
Zadatak 2.1.
Za realizaciju nekog projekta treba uraditi sljedeće aktivnosti: A, B, C, D, E, F, G i H. Uslov-
ljena su otpočinjanja sa završecima: E sa B; G sa D i F; H sa F; C sa G i H; A sa C i E.
Vremena trajanja i troškovi su dati u tabeli:
Aktivnost A B C D E F G H
t ijN 8 8 6 13 19 5 8 14 dana
U
t ij 5 6 6 7 13 3 6 14 dana
N
C ij 10 20 15 10 12 10 16 8 100 KM
U
C ij 19 30 15 34 24 22 22 8 100 KM
Zadatak 2.2.
Kod nekog projekta aktivnosti su: M, N, O, P, R, S i V. Uslovljena su otpočinjanja sa zavr-
šecima: N i R sa S i V; M sa N; P sa R; O sa M i P.
Poznati su i sljedeći podaci:
Aktivnost M N O P R S V
N
t ij 3 2,5 2,5 1,5 5 3,5 2 dana
t ijU 3 1 1,5 1 2,5 2 1 dana
CijN 10 6 9 7,5 5 2,5 8 100 $
CijU 10 9 13 9 10 10 12 100 $
Treba odrediti:
a) Najekonomičniju realizaciju projekta (troškove realizacije projekta, vrijeme izvršenja
i kritične puteve).
b) Realizaciju projekta za 10 dana (troškove realizacije i kritične puteve).
c) Koliko dana bi trajala apsolutno najbrža realizacija projekta?
284
ZADACI ZA VJEŽBU
Zadatak 2.3.
Za projekat iz zadatka 2.1.
a) Optimalno programirati realizaciju projekta sa novčanim sredstvima 12.000 KM.
b) Koliko je tada trajanje projekta i koji su putevi kritični?
c) Koliko dana bi trajala apsolutno najbrža realizacija projekta?
Zadatak 2.4.
Za realizaciju nekog posla treba uraditi sljedeće aktivnosti: A, B, C, D, E, F, G, H i I. Us-
lovljena su otpočinjanja sa završecima: 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 stohastička vremena trajanja ovih aktivnosti:
Aktivnosti A B C D E F G H I
aij 8 4 5 13 3 9 4 7 3 dana
mij 9 5 5 15 10 12 6 10 4 dana
bij 10 12 5 23 11 15 8 13 11 dana
a) Kompletirati analizu strukture projekta, odrediti najkraće očekivano trajanje projekta i
njegove kritične puteve.
b) Koji bi rok ostvarenja smjeli potpisati uz vjerovatnoću 100 % (bez dodatnih ulaganja)?
c) Odrediti ukupnu vremensku rezervu aktivnosti B i objasniti značenje dobijene vrijed-
nosti.
Zadatak 2.5.
Za realizaciju nekog posla treba uraditi sljedeće aktivnosti: A, B, C, D, E, F i G. Uslovljena
su otpočinjanja sa završecima: C i A sa D; F sa A i C; E sa A; G sa B.
Poznata su i stohastička vremena trajanja ovih aktivnosti:
Aktivnosti A B C D E F G
aij 5 12 5 6 3 2 2 dana
mij 10 13 7 8 3 3 6 dana
bij 15 20 9 10 3 4 16 dana
a) Kompletirati analizu strukture projekta, odrediti najkraće očekivano trajanje projekta i
njegove kritične puteve.
b) Koji bi rok ostvarenja smjeli potpisati uz vjerovatnoću 99 % (bez dodatnih ulaganja)?
c) Odrediti nezavisnu vremensku rezervu aktivnosti C i objasniti značenje dobijene vri-
jednosti.
285
TEHNIKE MREŽNOG PLANIRANJA
Zadatak 2.6.
Kod nekog projekta uočene su sljedeće aktivnosti: A, B, C, D, E, F i G. Uslovljena su otpo-
činjanja sa završecima: B i C sa A; D sa B; E sa C; F sa C i D; G sa E.
Poznati su i sljedeći podaci:
Aktivnosti A B C D E F G
Normalno vrijeme 8 4 6 7 9 10 8 dana
Normalni trošak 4 0 2 10 13 10 10 100 KM
Usiljeno vrijeme 6 4 2 7 2 5 4 dana
Usiljeni trošak 12 0 18 10 20 20 30 100 KM
a) Nacrtati mrežni dijagram i odrediti vrijeme trajanja projekta koji ima najniže troško-
ve. Naznačiti kritični put (ili kritične puteve), vrijeme i troškove ove realizacije.
b) Optimalno programirati realizaciju projekta sa novčanim sredstvima 6.000 KM. Koli-
ko je tada trajanje projekta i koje aktivnosti su tada kritične?
c) Koliko dana bi trajala apsolutno najbrža realizacija projekta?
Zadatak 2.7.
Za realizaciju nekog projekta treba izvršiti sljedeće aktivnosti: A, B, C, D, E, F i G. Uslov-
ljena su otpočinjanja sa završecima: B, D i F sa C; G sa B; E sa D i F; A sa E i G.
Poznata su i stohastička vremena trajanja ovih aktivnosti:
Aktivnost A B C D E F G
aij 3,5 1,5 1 3,5 2 2 4,5
mij 4 2,5 2 3,5 4 2,5 5
bij 4,5 3,5 12 3,5 6 6 5,5
Zadatak 2.8.
Za realizaciju nekog projekta treba uraditi sljedeće aktivnosti: A, B, C, D, E, F i G. Uslov-
ljena su otpočinjanja sa završecima: D i G sa E; B sa D; A i F sa G; C sa A i F.
286
ZADACI ZA VJEŽBU
Zadatak 2.9.
Kod nekog projekta poznate su aktivnosti: A, B, C, D, E, F i G. Uslovljena su otpočinjanja
sa završecima: B sa A; C i G sa B i D; D sa E; F sa C i G.
Poznati su i sljedeći podaci:
Aktivnost A B C D E F G
t ijN 4 8 10 3 8 10 5 mjeseci
U
t ij 2 4 5 3 6 5 1 mjeseci
N
C ij 10 4 2 0 10 5 4 1.000 KM
U
C ij 20 20 12 0 22 20 12 1.000 KM
Zadatak 2.10.
Za realizaciju nekog projekta treba uraditi sljedeće aktivnosti: A, B, C, D, E, F i G. Uslov-
ljena su otpočinjanja sa završecima: C i F sa G; E i B sa F; D sa E i B; A sa E.
Stohastička vremena trajanja aktivnosti su data u tabeli:
287
TEHNIKE MREŽNOG PLANIRANJA
Aktivnost A B C D E F G
aij 6 8 9 2 2 1 3 dana
mij 7 10 9 3 3 3 4 dana
bij 8 12 9 10 4 5 9 dana
Zadatak 2.11.
Kod nekog projekta poznate su aktivnosti: A, B, C, D, E, F, G i H. Uslovljena su otpočinja-
nja sa završecima: C i D sa A; E sa C; F sa E i D; G sa B i C; H sa F i G.
Poznati su i sljedeći podaci:
Aktivnost A B C D E F G H
t ijN 7 8 10 12 5 11 16 7 dana
t ijU 7 4 5 6 5 8 11 3 dana
CijU 40 30 40 32 0 40 55 50 100 $
CijN 40 22 20 14 0 37 20 26 100 $
Zadatak 2.12.
Za realizaciju nekog posla treba uraditi sljedeće aktivnosti: A, B, C, D, E, F, G, H i I. Us-
lovljena su otpočinjanja sa završecima: 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 stohastička vremena trajanja ovih aktivnosti:
288
ZADACI ZA VJEŽBU
Aktivnost A B C D E F G H I
Optimističko
8 4 5 13 3 9 4 7 3 dana
vrijeme
Najvjerovatni-
9 5 5 15 10 12 6 10 4 dana
je vrijeme
Pesimističko
10 12 5 23 11 15 8 13 11 dana
vrijeme
Zadatak 2.13.
Kod nekog projekta aktivnosti su: A, B, C, D, E, F i G. Uslovljena su otpočinjanja sa zavr-
šecima: E sa A; F sa B i E; D sa F; C sa F i G.
Poznati su i sljedeći podaci:
Aktivnost A B C D E F G
N
t ij 3 2 8 7 3 4 10 dana
U
t ij 1 2 4 5 3 2 5 dana
U
C ij 26 15 24 20 14 8 16 100 €
CijN 20 15 8 16 14 6 6 100 €
Treba odrediti:
a) Najekonomičniju realizaciju projekta (troškove realizacije projekta, vrijeme izvršenja
i kritične puteve);
b) Realizaciju projekta za 15 mjeseci (troškove realizacije i kritične puteve).
c) Koliko mjeseci bi trajala apsolutno najbrža realizacija projekta?
Zadatak 2.14.
Za realizaciju nekog posla treba uraditi sljedeće aktivnosti: A, B, C, D, E, F, G, H i I. Us-
lovljena su otpočinjanja sa završecima: 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 stohastička vremena trajanja ovih aktivnosti:
289
TEHNIKE MREŽNOG PLANIRANJA
Aktivnost A B C D E F G H I
aij 8 13 5 3 3 9 4 8 3 dana
mij 9 15 5 5 10 12 6 10 4 dana
bij 10 23 5 7 11 15 8 12 11 dana
290
2.9. Rješenja zadataka za vježbu
Rješenje 2.1.
A B C D E F G H B D F E G H C A
A B +
B + D +
C + F + +
D + E +
E + G +
F + + H +
G + C +
H + A
Zavisi od Zavisi od
A C, E B -
B - D -
C G, H F -
D - E B
E B G D, F
F - H F
G D, F C G, H
H F A C, E
Aktivnost A B C D E F G H
N
t ij 8 8 6 13 19 5 8 14 dana
U
t ij 5 6 6 7 13 3 6 14 dana
N
C ij 10 20 15 10 12 10 16 8 100 KM
CijU 19 30 15 34 24 22 22 8 100 KM
ΔC
3 5 - 4 2 6 3 -
Δt
291
TEHNIKE MREŽNOG PLANIRANJA
3 E 19; 13
B 8;6 8 8
5 1 2
1 13; 7 4 G 8; 6 5 6
6; 6 A 8; 5 7
0 0 13 13 21 21 27 27 35 35
D 4 3 C -
- 0; 0 1 4 3,5 3
F 6
5; 3 f -
2 H 14; 14
6
5 7
1 -
t7( ) = 35 dana
0
C = 10.100 KM KP1: 1-3-6-7 ili B-E-A
KP2: 1-4-5-6-7 ili D-G-C-A
Rješenje 2.2.
a)
M N O P R S V S V N R M P O
M + S + +
N + V + +
O N +
P + R +
R + M +
S + + P +
V + + O
ΔC
- 2 4 3 2 5 4
Δt
1 S 3,5; 2 3 4 6
N 2,5; 1 O 2,5; 1,5 7
0 0
5
3,5 3,5 6 7 M 3; 3
10 10 12,5 12,5
1 2 -
- 0; 0 3 5 4 6
V 2; 1 P 1,5; 1
4 2 f - 3
5
2 3,5 R 5; 2,5
8,5 8,5
1 2 3
292
RJEŠENJA ZADATAKA ZA VJEŽBU
b)
⎧3,5 + 2,5 + 3 + 2,5 = 11,5; 10
I 1− 3 − 4 − 6 − 7 =⎨
⎩2 + 1 + 3 + 1,5 = 7,5
Rješenje 2.3.
a) C = 12.000 KM
⎧8 + 19 + 8 = 35; 32; 30
I KP 1− 3 − 6 − 7 =⎨
⎩6 + 13 + 5 = 24
⎧13 + 8 + 6 + 8 = 35; 32 30
II KP 1− 4 − 5 − 6 − 7 =⎨
⎩7 + 6 + 6 + 5 = 24
⎧5 + 0 + 8 + 6 + 8 = 27; 24
III 1− 2 − 4 − 5 − 6 − 7 =⎨
⎩3 + 0 + 6 + 6 + 5 = 20
⎧5 + 14 + 6 + 8 = 33; 30
IV 1− 2 − 5 − 6 − 7 =⎨
⎩3 + 14 + 6 + 5 = 28
293
TEHNIKE MREŽNOG PLANIRANJA
Rješenje 2.4.
a)
A B C D E F G H I
A + + +
B +
C + +
D +
E +
F + +
G +
H +
I
(te)ij 9 6 5 16 9 12 6 10 5
σij 2/6 8/6 0 10/6 8/6 1 4/6 1 8/6
294
RJEŠENJA ZADATAKA ZA VJEŽBU
b) P(z0) = 1 ⇒ z0 = 3
{ [
(Ts ) i = max (Ts) h + (t e ) hi + z o ⋅ σ hi
h
]}
(TE )8 = 41 dan
A C F f H I
KP : 1 2 3 5 6 7 8
i =1 h=0 ⇒ (Ts)1 = 0
i=2 h = 1 ⇒ 0 + 9 + 3 ⋅1/ 3 = 10 ⇒ (Ts) 2 = 10
i =3 h = 2 ⇒10 + 5 + 3 ⋅ 0 = 15 ⇒ (Ts)3 = 15
⎧h = 2 ⇒10 + 6 + 3⋅ 4 / 3 = 20
i=4 ⎨ ⇒ (Ts) 4 = 20
⎩h = 3 ⇒15 + 0 + 3 ⋅ 0 = 15
i =5 h = 3 ⇒15 +12 + 3 ⋅1 = 30
⇒ (Ts)5 = 30
⎧h = 2 ⇒10 +16 + 3⋅ 5/ 3 = 31
i =6 ⎨ ⇒ (Ts)6 = 31
⎩h = 5 ⇒ 30 + 0 + 3 ⋅ 0 = 30
⎧h = 4 ⇒ 20 + 9 + 3 ⋅ 4 / 3 = 33
⎪ ⇒ (Ts)7 = 44
i =7 ⎨h = 5 ⇒ 30 + 6 + 3 ⋅ 2 / 3 = 38
⎪h = 6 ⇒ 31+10 + 3⋅1 = 44
⎩
⇒ (Ts)8 = 53
i =8 h = 7 ⇒ 44 + 5 + 3 ⋅ 4 / 3 = 53
Rješenje 2.5.
a)
A B C D E F G
A + +
B +
C +
D + +
E
F
G
295
TEHNIKE MREŽNOG PLANIRANJA
B D G A C E F (te)ij σij
B + 14 8/6
D + + 8 4/6
G 7 14/6
A + + 10 10/6
C + 7 4/6
E 3 0
F 3 2/6
B 14 3
G 7
14 14
1 7/3
4/3
1 2 4 6
0 0
D 8 A 10
18 18
E 3
21 21
8 8
- 2/3 1 5/3 2 0 3,4,5
f 3
F 1/3
5
C 7 18 18
2/3
4
(TE )6 = 21 dan
B G
KP : 1 3 6
D A E
KP : 1 2 4 6
D A f F
KP : 1 2 4 5 6
b) P(z0) = 0,99 ⇒ z0 = 3
{ [
(Ts ) i = max (Ts) h + (t e ) hi + z o ⋅ σ hi
h
]}
296
RJEŠENJA ZADATAKA ZA VJEŽBU
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 ⇒ 10 + 7 + 3 ⋅ 2 / 3 = 19
i=5 ⎨ ⇒ (Ts ) 5 = 25
⎩h = 4 ⇒ 25 + 0 + 3 ⋅ 0 = 25
⎧h = 3 ⇒ 18 + 7 + 3 ⋅ 7 / 3 = 32
⎪
i=6 ⎨h = 4 ⇒ 25 + 3 + 3 ⋅ 0 = 28 ⇒ (Ts ) 6 = 32
⎪h = 5 ⇒ 25 + 3 + 3 ⋅ 1 / 3 = 29
⎩
c) (SN)C = 3
Aktivnost C može trajati 3 dana duže, ili kasniti sa otpočinjanjem 3 dana, a da se time
ne ugroze vremanske rezerve narednih aktivnosti.
Rješenje 2.6.
a)
A B C D E F G
A X X
B X
C X X
D X
E X
F
G
ΔC
4 - 4 - 1 2 5
Δt
t7( ) = 31 dana
0
C = 4.900 KM Kritičan put: 1–2–4–6–7
3 5
D 7; 7
12 14 19 21
-
2 3 F
4; 4 10; 5
- 2
B f
1 A 8; 6 2 C 6; 2 4 E 9; 2 6 7
G 8; 4
0 0 8 8 14 14 23 23 31 31
- 4 1 4 2 1 4 5 6
297
TEHNIKE MREŽNOG PLANIRANJA
b) C =6.000 KM ⇒ ΔC = 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
Kraćenja: Kratimo aktivnost A46 za 2 dana ⇒ ΔC1 = 2 ⋅ 1 = 2
Kratimo istovremeno aktivnosti A57 i A46 za 3 dana⇒ ΔC 2 = 3 ⋅ 3 = 9
t 7(0 )* = 26 dana Kritični putevi: 1-2-3-5-7 i 1-2-4-6-7
Rješenje 2.7.
a)
A B C D E F G C B D F G E A
A C + + +
B + B +
C + + + D +
D + F +
E + G +
F + E +
G + A
Zavisi od Zavisi od
A E, G C -
B C B C
C - D C
D C F C
E D G B
F C E D, F
G B A E, G
298
RJEŠENJA ZADATAKA ZA VJEŽBU
3
G 5
6 6
2 1/6
2,5
B 2/6
1 C 3,5 2 5 6 A 4 72
D 3,5 E 4
0 0 3,5 3,5 7 7 11 11 15
5 10 15
11/6 1 0 2 4/6 3,5 1/6 61
- F 3
4/6 4
6,5 7 f
2
Aktivnost A B C D E F G
aij 3,5 1,5 1 3,5 2 2 4,5
mij 4 2,5 2 3,5 4 2,5 5
bij 4,5 3,5 12 3,5 6 6 5,5
(te)ij 4 2,5 3,5 3,5 4 3 5
σij 1/6 2/6 11/6 0 4/6 4/6 1/6
P = 50% (TE)7 = 15 dana KP1: 1-2-3-6-7 ili C-B-G-A KP2: 1-2-5-6-7 ili C-D-E-A
b)
(Ts)7 = 20 dana
{ [
(Ts ) i = max (Ts) h + (t e ) hi + z o ⋅ σ hi
h
]}
i =1 h=0 ⇒ (Ts)1 = 0
i=2 h =1 ⇒ 0 + 3.5 + 0, 675 ⋅11/ 6 = 4,7375 ⇒ (Ts)2 = 4,7375
i =3 h = 2 ⇒ 4,7375 + 2,5 + 0,675 ⋅ 2 / 6 = 7, 4625 ⇒ (Ts)3 = 7, 4625
i=4 h = 2 ⇒ 4, 7375 + 3 + 0, 675 ⋅ 2 / 6 = 7,9625 ⇒ (Ts) 4 = 7,9625
i =5 h = 2 ⇒ 4,7375 + 3,5 + 0,675 ⋅ 0 = 8, 2375 ⇒ (Ts)5 = 8, 2375
h = 4 ⇒ 7,9625 + 0 + 0,675 ⋅ 0 = 7,9625
i=6 h=3 ⇒ 7, 4625 + 5 + 0, 675 ⋅1 / 6 = 12, 575
h=5 ⇒ 8, 2375 + 4 + 0, 675 ⋅ 4 / 6 = 12, 6875 ⇒ (Ts ) 6 = 12, 6875
i = 7 h = 6 ⇒ 12,6875 + 4 + 0,675 ⋅1/ 6 = 16,8 ⇒ (Ts)7 = 16,8
(Ts)7 = 20 > 16,8 = (TE)7 ⇒ prihvatamo projekat
299
TEHNIKE MREŽNOG PLANIRANJA
Rješenje 2.8.
a)
A B C D E F G zavisi od E D G A F B C
A + E - E + +
B D E D +
C G E G + +
D + A G A +
E + + F G F +
F + B D B
G + + C A, F C
3
B 10
10 10
2/6
2
4
D 4/6
1 2 4 6 72
E 6 G 4 A 7 C 3
0 0 6 6 10 10 17 17 20
5 10 20
8/6 1 4/6 4 0 3,6
- 1 2 F 2 1
5
2/6
12 17 f
4
Aktivnost A B C D E F G
aij 5 9 3 2 4 1 1
mij 7 10 3 4 5 2 4
bij 9 11 3 6 12 3 7
(te)ij 7 10 3 4 6 2 4
σij 4/6 2/6 0 4/6 8/6 2/6 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 ⋅ σ hi
h
]}
300
RJEŠENJA ZADATAKA ZA VJEŽBU
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 h = 2 ⇒ 5,1 + 4 − 0,675⋅ 4 / 6 = 8,65 ⇒ (Ts)3 = 8,65
i=4 h = 2 ⇒ 5,1 + 4 − 0,675⋅1 = 8,425 ⇒ (Ts) 4 = 8,425
i =5 h = 4 ⇒ 8,425+ 2 − 0,675⋅ 2 / 6 = 10,2 ⇒ (Ts)5 = 10,2
⎧h = 4 ⇒ 8,425+ 7 − 0,675⋅ 4 / 6 = 14,975 ⇒ (Ts)6 = 14,975
i =6 ⎨
⎩h = 5 ⇒ 10,2 + 0 − 0,675⋅ 0 = 10,2
⎧h = 3 ⇒ 8,65 + 10 − 0,675⋅ 2 / 6 = 18,425 ⇒ (Ts)7 = 18,425
i =7 ⎨
⎩h = 6 ⇒ 14,975+ 3 − 0,675⋅ 0 = 17,975
(Ts)7 < (TE)7 nećemo prihvatiti projekat
( SU )ij = ((TL ) j − (TE )i ) − ( te )ij
( SU ) F = (17 − 10) − 2 = 5
Aktivnost F može kasniti ili trajati pet dana duže a da to ne utiče na najraniji završetak
projekta.
Rješenje 2.9.
∆C/∆
A B C D E F G zavisi od A E B D C G F
t
A + A - A + 5
B + + E - E + 6
C + B A B + + 4
D + + D E D + + -
E + C B, D C + 2
F G B, D G + 2
G + F C, G F + 3
5
2 22 22 f 0; 0
4 4 B 8; 4 10; 5 4
4; 2 -
1 4 C 2
A 5
4 6 F 10; 5 7
1 G 5; 1
12 12 22 22 32 32
0 0 2 2 5 3 6
- E 8; 6 3; 3
6 3 D -
8 9
1
301
TEHNIKE MREŽNOG PLANIRANJA
t7( ) = 32 mjeseca
0
b)
⎧4 + 8 + 10 + 0 + 10 = 32; 27; 22; 21;19
I KP 1 − 2 − 4 − 5 − 6 − 7 = ⎨
⎩2 + 4 + 5 + 0 + 5 = 16
⎧4 + 8 + 5 + 10 = 27; 22; 21;19
II 1 − 2 − 4 − 6 − 7 = ⎨
⎩2 + 4 + 1 + 5 = 12
⎧8 + 3 + 10 + 0 + 10 = 31; 26; 21;19
III 1 − 3 − 4 − 5 − 6 − 7 = ⎨
⎩6 + 3 + 5 + 0 + 5 = 19
⎧8 + 3 + 5 + 10 = 26; 21;19
IV 1 − 3 − 5 − 6 − 7 =⎨
⎩6 + 3 + 1 + 5 = 15
C* = 84.000 KM
c)
5
2 14 14 f 0
4 4 B 5; 4 5; 5 4
4; 2
1 C
A 4
G 5; 1 6 F 5; 5 7
1 9 9 14 14 19 19
0 0 2,3 4,5 6
- E 6; 6 3; 3
3 D
6 6
1
302
RJEŠENJA ZADATAKA ZA VJEŽBU
Rješenje 2.10.
a)
A B C D E F G zavisi od G F B E C A D
A G - E + +
B + F G D + +
C B F G +
D E F A + +
E + + C G F
F + + A E B
G + + D B, E C
C 9
-
1 2 4 A 7 6
G 4,7 21,7 21,7
0 0 4,7 4,7 10,7 14,7
2/6
1 3 5
- 1 E 3 f
F 3
2/6 - D4
4/6
8/6
3 5
B 10
7,7 7,7 12 17
17,7 17,7
2 4/6 3
4
Aktivnost A B C D E F G
aij 6 8 9 2 2 1 3 dana
mij 7 10 9 3 3 3 4 dana
bij 8 12 9 10 4 5 9 dana
(te)ij 7 10 9 4 3 3 4,7
σij 2/6 4/6 - 8/6 2/6 4/6 1
303
TEHNIKE MREŽNOG PLANIRANJA
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 ⇒ 5 .375 + 3 + 0 ,675 ⋅ 4 / 6 = 8,825 ⇒ (Ts ) 3 = 8,825
i=4 h=3 ⇒ 8,825 + 3 + 0 ,675 ⋅ 2 / 6 = 12 ,05 ⇒ (Ts ) 4 = 12 ,05
⎧h = 3 ⇒ 8,825 + 10 + 0 ,675 ⋅ 4 / 6 = 19 , 275 ⇒ (Ts ) 5 = 19 , 275
i=5 ⎨
⎩h = 4 ⇒ 12 ,05 + 0 + 0 ,675 ⋅ 0 = 12 , 05
⎧h = 2 ⇒ 5,375 + 9 + 0 ,675 ⋅ 0 = 14 ,375 ⇒ (Ts ) 6 = 24 ,175
⎪
i=6 ⎨h = 4 ⇒ 12 ,05 + 7 + 0 ,675 ⋅ 2 / 6 = 19 , 275
⎪h = 5 ⇒ 19 , 275 + 4 + 0 ,675 ⋅ 8 / 6 = 24 ,175
⎩
Rok realizacije projekta koji bi smjeli potpisati uz vjerovatnoću 75% je 24,175 dana.
( 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
Rješenje 2.11.
a) A B C D E F G H ∆C/∆t
A + + -
B + 2
C + + 4
D + 3
E + -
F + 1
G + 7
H 6
4
22 22 F 11; 8
D 12; 6 3
E 5; 5 1
3 7
1 2 C 10; 5 3 - 6 H 7; 3
A 7; 7 40 40
0 0 7 7 17 17 33 33
- 6 6
- 1 4 2 f 0; 0 G 16; 11 4,5
- 6
5 7
B 8; 4 22
17 22
17
2 5
3
304
RJEŠENJA ZADATAKA ZA VJEŽBU
b)
⎧7 + 12 + 11 + 7 = 37; 34
I 1− 2 − 4 − 6 − 7 =⎨
⎩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
⎧8 + 16 + 7 = 31; 28
IV 1− 5 − 6 − 7 =⎨
⎩4 + 11 + 3 = 18
Rješenje 2.12.
a)
A B C D E F G H I
A + + +
B +
C + +
D +
E +
F + +
G +
H +
I
A B C D E F G H I
(te)ij 9 6 5 16 9 12 6 10 5
σij 2/6 8/6 0 10/6 8/6 1 14/6 1 8/6
305
TEHNIKE MREŽNOG PLANIRANJA
6 4 E 9
B 8/6 15 27
8/6
2
0
3 5 7 8
1 A 9 2 C 5 F 12 G 6 I 5
14 14 26 26 36 36 41 41
0 0 9 9 0 9 4/6 8/6
2/6 2 3 6 7
- 1
f 0 10
D
16 H 1
6
10/6 26 26
5
A C F f H I
(TE)8 = 41 dan KP : 1 2 3 5 6 7 8
b)
T1 = 0 ⎧30 + 0 = 30
⎪
1 T6 = max ⎨ 5
T2 = 0 + 9 + 1 ⋅ = 10 ⎪⎩10 + 6 + 3 ⋅ 3 = 31
3
T3 = 10 + 5 + 0 = 15 ⎧ 4
⎧ 4 ⎪20 + 9 + 3 ⋅ 6 = 33
⎪10 + 6 + 3 ⋅ = 20 ⎪
T4 = max ⎨ 3 ⎪ 2
T7 = max ⎨30 + 6 + 3 ⋅ = 38
⎪⎩15 3
⎪
T5 = 15 + 12 + 3 = 30 ⎪31 + 10 + 3 = 44
⎪
⎩
4
T8 = 44 + 5 + 3 ⋅ = 53
3
Rok od 53 dana.
c) ( SU ) B = 27 − 9 − 6 = 12
306
RJEŠENJA ZADATAKA ZA VJEŽBU
Rješenje 2.13.
a)
A B C D E F G ΔC/Δt A B G E F D C ΔC/Δt
A + 3 A + 3
B + - B + -
C 4 G + 2
D 2 E + -
E + - F + + 1
F + + 1 D 2
G + 2 C 4
2
3 3
1
A 3;1 E 3; 3
3 -
1 3 4 6
0 0 B 2; 2 6 6
F 4; D 7; 5
10 10 18 18
- - 2 2 3 2 5
f
C 8; 4
4
G 10;5 5
10 10
2 1;4
b)
⎧3 + 3 + 4 + 7 = 17; 15
I 1− 2 − 3 − 4 − 6 =⎨
⎩1 + 3 + 2 + 5 = 11
⎧3 + 3 + 4 + 0 + 8 = 18; 16; 15
II 1− 2 − 3 − 4 − 5 − 6 = ⎨
⎩1 + 3 + 2 + 0 + 4 = 10
⎧2 + 4 + 7 = 13; 11
III 1− 3 − 4 − 6 =⎨
⎩2 + 2 + 5 = 9
⎧2 + 4 + 0 + 8 = 14; 12
IV 1− 3 − 4 − 5 − 6 = ⎨
⎩2 + 2 + 0 + 4 = 8
⎧10 + 8 = 18; 16; 15
V 1− 5 − 6 =⎨
⎩5 + 4 = 9
307
TEHNIKE MREŽNOG PLANIRANJA
1. Kratimo F i G
može za 2
FiG ⇒ kratimo i F i G za 2 ⇒ ΔC1 = (1 + 2) ⋅ 2 = 6 ⇒ 600 €
smije za 2
2. Kratimo C
može za 4
C ⇒ kratimo C za 1 ⇒ ΔC2 = 1 ⋅ 4 = 4 ⇒ 400 €
smije za 1
t6(0 )* = 15 mjeseci C*= 8.500 + 600 + 400 = 9.500 €
Apsolutno najbrža realizacija projekta je 11 mjeseci.
Rješenje 2.14.
a) A B C D E F G H I (te)ij σij
A + + + 9 1/3
B + + 16 5/3
C + 5 0
D + + 5 2/3
E + + 9 4/3
F + 12 1
G + 6 2/3
H + 10 2/3
I 5 4/3
;3
A B H I
(TE)8 = 40 dan KP : 1 2 5 7 8
308
RJEŠENJA ZADATAKA ZA VJEŽBU
b)
P(z0) = 0,75 ⇒ z0 = 0,675
{ [
(Ts ) i = max (Ts) h + (t e ) hi + z o ⋅ σ hi
h
]}
i =1 h=0 ⇒ (Ts)1 = 0
i = 2 h =1 ⇒ 0 + 9 + 0,675 ⋅1/ 3 = 9,225 ⇒ (Ts)2 = 9,225
i =3 h=2 ⇒ 9,225 + 5 + 0,675 ⋅ 2 / 3 = 14,675 ⇒ (Ts)3 = 14,675
⎧h = 2 ⇒14,675 + 0 + 0,675 ⋅ 0 = 14,675 ⇒ (Ts)4 = 14,675
i=4 ⎨
⎩h = 3 ⇒ 9,225 + 5 + 0,675 ⋅ 0 = 14,225
⎧h = 2 ⇒ 9,225 +16 + 0,675 ⋅ 5/ 3 = 26,35 ⇒ (Ts)5 = 26,35
i =5 ⎨
⎩h = 4 ⇒14,675 + 9 + 0,675 ⋅ 4 / 3 = 24,575
i = 6 h = 5 ⇒ 26,35 + 6 + 0,675 ⋅ 2 / 3 = 32,8 ⇒ (Ts)6 = 32,8
⎧h = 3 ⇒14,675 +12 + 0,675 ⋅1 = 27,35
⎪
i = 7 ⎨h = 5 ⇒ 26,35 +10 + 0,675 ⋅ 2 / 3 = 36,8 ⇒ (Ts)7 = 36,8
⎪h = 6 ⇒ 32,8 + 0 + 0,675 ⋅ 0 = 32,8
⎩
i = 8 h = 7 ⇒ 36,8 + 5 + 0,675 ⋅ 4 / 3 = 42,7 ⇒ (Ts)8 = 42,7
Sa vjerovatnoćom 75 % smjeli bi prihvatiti realizaciju projekta od 42,7 dana.
c) (S s ) E = (25 − 14) − 9 = 2
Aktivnost E može trajati 2 dana duže ili kasniti sa početkom dva dana, a da time ne
ugrozi najranije početke narednih aktivnosti.
309
2.10. Analiza slučaja primjenom MS Project-a
18
Građevinski fakultet Sveučilišta u Rijeci je kreirao za svoje studente veoma koristan priručnik za MS Project.
Taj priručnik nam je zbog svog efikasnog pristupa u objašnjavanju ovog programa bio vodič u kreiranju ovog
dijela poglavlja.
19
Lukarić, S., (2006)
310
ANALIZA SLUČAJA PRIMJENOM MS PROJECT-a
Prvi korak je da u ovoj početnoj fazi upišemo datum početka projekta ili krajnji rok za završe-
tak projekta. To ćemo uraditi kroz sljedeće opcije: Project > Project Information > Start date ili
Project > Project Information > Finish date. Grafikon 10. predstavlja prethodne opcije.
Grafikon 10.
Grafikon 11.
311
TEHNIKE MREŽNOG PLANIRANJA
Grafikon 12.
Aktivnosti unosimo direktno u tablicu. Naime, kliknemo na praznu ćeliju u koloni „Task
Name“ i upišemo konkretan naziv aktivnosti.
U posljednjoj lijevoj koloni po-
javljuje se identifikator aktivnosti
koji se pojavljuje automatski.
Procijenjeno trajanje aktivnosti
upisujemo u kolonu „Duration“.
Sve dok sami ne definišemo tra-
janje aktivnosti, MS Project
upisuje pretpostavljenu vrijednost
„1 day?“. Početak pojedinačnih
aktivnosti program izračunava
“na temelju početnog ili konač-
nog datuma i trajanja prethodnih
aktivnosti.” Ako kliknemo dvaput
na aktivnost, onda ćemo otvoriti
prozor za detaljnije postavke (gra-
fikon 13. Grafikon 13.
312
ANALIZA SLUČAJA PRIMJENOM MS PROJECT-a
Resurs u kontekstu MS Project-a može biti osoba, imovina, materijal, informacija ili kapital
koji se može koristiti za postizanje cilja.
Grafikon 14.
Nakon povezivanja resursa i aktivnosti možemo dati odgovore na sljedeća pitanja:
Ko i kada radi na određenoj aktivnosti?
Raspolažemo li sa količinom resursa koja odgovara obimu projekta?
Očekujemo li da resurs obavlja određenu aktivnost za vrijeme kada nije na raspolaga-
nju za rad na projektu?
Jesmo li resursu pridružili više aktivnosti nego što radni kapacitet tog resursa dopušta?
Raspoloživost resursa (maximum units) određuje kada i koliko određeni resurs može učes-
tvovati u određenim aktivnostima. Na samom početku se postavlja vrijednost od 100%, što
znači da je resurs na raspolaganju cijelo radno vrijeme.
313
TEHNIKE MREŽNOG PLANIRANJA
Grafikon 15.
Raspoloživost resursa se može prilagoditi po potrebi, kao što je to pokazano na grafikonu
16. za osobu Dado. Jediničnu cijenu definišemo ukoliko želimo izračunati iznos koštanja
određenog resursa.
Grafikon 16.
Analiza slučaja
Centar za zdravstvenu zaštitu porodice, Bosna i Hercegovina
Dr. Dino Dinović, zamjenik direktora Centra za zdravstvenu zaštitu porodice, dobio je za-
datak za podučavanje pet timova terenskih radnika koji će implementirati obrazovne i druge
314
ANALIZA SLUČAJA PRIMJENOM MS PROJECT-a
aktivnosti koje su dio većeg projekta koji ima za cilj prikazati prihvatljivost nove metode
zaštite od virusnih infekcija.
Ovi radnici već su prošli obuku vezanu za edukaciju o virusnim infekcijama, ali moraju
proći specifičnu obuku koja se odnosi na novi metod terapije. Potrebno je, također, pripre-
miti i dva tipa materijala: (1) za podučavanje radnika i (2) za distribuciju na terenu.
Potrebno je organizovati prevoz i smještaj učesnika, te dovesti predavače na obuku.
Dr. Dinović je sazvao sastanak administrativnog osoblja. Zajedno su odredili koje se aktiv-
nosti moraju provesti, njihov redosljed i vrijeme provođenja. Zaključci sastanka su prikazani u
tabeli 2.
315
TEHNIKE MREŽNOG PLANIRANJA
Pitanja za diskusiju
a) Neki od zadataka u ovom projektu mogu biti urađeni istovremeno. Pripremiti dijag-
ram koji pokuzuje zahtijevanu mrežu aktivnosti i definiši kritičan put.
b) Koje je trajanje projekta?
c) Koji je najmanji iznos koji Dr. Dinović može potrošiti da bi implementirao zacrtani
raspored ako je kritični put duži od 60 dana?
d) Da li projekat može biti izveden sa 10-članim timom?
316
ANALIZA SLUČAJA PRIMJENOM MS PROJECT-a
A B C D E F G H I J K
A + + +
B + +
C +
D +
E +
F +
G +
H +
I +
J +
K
A B C D E F G H I J K
tijN 5 7 5 3 7 2 3 10 7 15 30
N
Cij 400 1000 400 2500 400 1000 1500 3000 200 5000 10000
tijU 2 4 3 1 4 1 2 5 2 10 20
U
Cij 700 1450 500 3000 850 2000 2000 4000 600 7000 14000
ΔC
100 150 50 250 150 1000 500 200 80 400 400
Δt
2 H 10; 5 6
5 5 15 15
200 2
1 I 7; 2
C 5; 3 3
5 13
D 3; 1 80
50 A 5; 2 7 J 8
1 250 K 30;20 9
1 100 22 22 15;10 37 37 67 67
0 0 E 7; 4 F 2; 1 6 400 7 400 8
5
-
150 12 20 1000
f1 0 3
B 7; 4 f2
0
150
4 G 3; 2
7 19
1 500
Grafikon 17. Mrežni dijagram prije kraćenja (ukupno trajanje projekta 67 dana)
317
TEHNIKE MREŽNOG PLANIRANJA
Tabela 6.
SU SS
A 8 0
B 12 0
C 0 0
D 17 17
E 8 0
F 8 8
G 12 12
H 0 0
I 0 0
J 0 0
K 0 0
318
ANALIZA SLUČAJA PRIMJENOM MS PROJECT-a
I (KP): 1 – 2 – 6 –7 –8 – 9 = 5 + 10 + 7 + 15 + 30 = 67 65 60
3 + 5 + 2 +10 + 20 = 40
II: 1–3–7–8–9 = 5 + 3 + 15 + 30 = 53
2 + 1 + 10 + 20 = 33
III: 1–3–5–7–8–9 = 5 + 7 + 2 + 15 + 30 = 59
2 + 4 + 1 + 10 + 20 = 37
IV: 1–4–7–8–9 = 7 + 3 + 15 + 30 = 55
4 + 2 + 10 + 20 = 36
V: 1 – 3 – 4 – 5 – 7 – 8 – 9 = 5 + 0 + 0 + 2 + 15 + 30 = 52
2 + 0 + 0 + 1 + 10 + 20 = 33
VII: 1–4–5–7–8–9 = 7 + 0 + 2 + 15 + 30 = 54
4 + 0 + 1 + 10 + 20 = 35
Kratimo aktivnost C: može se skratiti za 2 dana, smije se kratiti za 2 dana = 2⋅ 200 = 400 KM
Kratimo aktivnost I: može se skratiti za 5 dana, smije se skratiti za 5 dana = 5⋅ 80 = 400 KM
Realizacija za 60 dana će koštati: 25.400 KM + 800 KM = 26.200 KM
2 H 10; 5 6
3 3 13 13
200 2
1 I 2
C 3 3
5 6
D 3; 1 80
50 A 5; 2 7 8
1 250 J 15;10 K 30;20 9
1 100 15 15 30 30 60 60
0 0 E 7; 4 F 2; 1 6 400 7 400 8
5
-
150 12 13 1000
f1 0 3
B 7; 4 f2
0
150
4 G 3; 2
7 12
1 500
319
TEHNIKE MREŽNOG PLANIRANJA
Tabela 7.
SU SS
A 1 0
B 5 0
C 0 0
D 7 7
E 1 0
F 1 1
G 5 5
H 0 0
I 0 0
J 0 0
K 0 0
320
ANALIZA SLUČAJA PRIMJENOM MS PROJECT-a
321
Grafikon 19. Mrežni dijagram (ukupno trajanje projekta 67 dana)
2
7 14 13 12 10 7 6 3 0 0
Iz grafikona 20., koji predstavlja Gantt dijagram za ukupno trajanje projekta 67 dana, se može
zaključiti da projekat nije moguće izvesti sa 10-članim timom bez korištenja informacije o
vremenskoj rezervi. Naime, u periodu od srijede, 06. 01. 2010. god. do ponedjeljka, 11. 01.
2010. god. potrebno je više od 10 osoba za izradu datih aktivnosti. U tom periodu, za istov-
remeno kompletiranje aktivnosti B, D, E i H (odnosno, dogovoriti transport do baze,
dogovoriti smještaj, odrediti timove i odštampati programski materijal) potreno je 14 osoba.
Za istovremeno kompletiranje aktivnosti D, E, G i H (odnosno, dogovoriti smještaj, odrediti
timove, prevesti predavače do baze i odštampati programski materijal) potrebno je 13 osoba.
Za istovremeno kompletiranje aktivnosti E, G i H (odnosno, odrediti timove, prevesti preda-
vače do baze i odštampati programski materijal) potrebno je 12 osoba.
Treba provjeriti da li vremenske rezerve aktivnosti dozvoljavaju da projekat završi 10 osoba.
Znamo da aktivnost E (odrediti timove) zahtjeva 4 osobe i da je vremenska rezerva aktiv-
nosti 8 dana. Ukoliko se aktivnost E pomjeri za 5 dana, projekat može završiti 10 osoba.
Dalje, ako se aktivnost E pomjeri za 5 dana (njen najraniji početak, ponedjeljak, 11. 01. 2010.
god.), onda se aktivnost F mora pomjeriti za 5 dana (njen najraniji početak, ponedjeljak, 18.
01. 2010. god.). Na osnovu vremenskih rezervi obje aktivnosti vidimo da to možemo uraditi.
Pomenutim pomjeranjem bi se projekat mogao izvesti sa 10–članim timom.
Ako je ukupno trajanje projekta skraćeno na 60 dana, potrebno je provjeriti da li projekat može
biti izveden sa 10-članim timom? Studentima za dalju analizu slučaja ostavljamo da daju odgo-
vor na ovo pitanje, detaljnijim istraživanjem alata u MS Projectu ili analizom grafikona 21.
324
Grafikon 21. Gantt dijagram (ukupno trajanje projekta skraćeno na 60 dana)
Literatura
Chatfield, C., (2003), Microsoft Office Project 2003 Step by Step, Microsoft Press
Kennemer, B., (2004), Show Me: Microsoft Office Project 2003, QUE Publishing
Lukarić, S., (2006), Microsoft Project osnovne upute, Građevinski fakultet Sveučilišta u
Rijeci, Rijeka
Marmel, E., (2004), Microsoft Office Project 2003 Bible, Wiley Publishing, Inc.
Martinović M., Stefanović D., (1969), Tehnika mrežnog planiranja, Institut za organizaciju
rada i automatizaciju poslovanja, Beograd
Vučković, Ž., Somun – Kapetanović, R., (1990), Zbirka riješenih zadataka iz Matematičkih
metoda u ekonomskim istraživanjima, peto izdanje, Ekonomski fakultet u Sarajevu, Sarajevo
Vučković, Ž., (2003), Tehnike mrežnog planiranja, Ekonomski fakultet u Sarajevu, Sarajevo
326
Kvantitativne metode u
ekonomiji i menadžmentu
3. Input-output analiza
3.1. Uvod
3.2. Količinska input-output analiza
3.3. Vrijednosna input-output analiza
3.4. Pitanja za ponavljanje
3.5. Zadaci za vježbu
3.6. Rješenja zadataka za vježbu
Literatura
3.1. Uvod
Input-output analizu je razvio Wassily Leontief1 kome je Akademija Kraljevine Švedske
dodijelila Nobelovu nagradu 1973. godine za razvoj input-output metode i njenu primjenu u
rješavanju značajnih ekonomskih problema. Leontief je 1919. i 1929. godine izradio input-
output tabele za privredu SAD-a.2
Teoretska razmišljanja o input-output analizi datiraju prije Leontijeva. U 18. stoljeću fran-
cuski ekonomista Francois Quesnay3 je koristio svoje čuvene „ekonomske tabele“ kako bi
ilustrovao relacije koje postoje između poljoprivrednog i drugih sektora. Stotinu godina
kasnije Karl Marx4 je analizirao veze između industrijskih grana koje su proizvodile inves-
ticijska dobra i onih koji su proizvodili dobra za potrošnju. Francuski ekonomista Leon
Walras5 je u formulisanju generalne ravnoteže u jednoj ekonomiji koristio koncept koji je
blizak konceptu tehničkih koeficijenata proizvodnje koje je koristio Leontief. Brojni mate-
matičari su se bavili input-output analizom.
Leontief je isticao da „vrijednost jednog teoretičara počinje samo onda kada je on u stanju
dobro formulisati svoju teoriju i kada je sposoban da pokaže da ona može biti primijenjena
u ekonomiji“6. Njegov najznačajniji doprinos razvoju input-output analize je da se koefici-
jenti koji izražavaju vezu između sektora mogu statistički mjeriti i da budu dovoljno
stabilni kako bi se mogli primijeniti u komparativnoj analizi čiji cilj je da evaluira efekte
različitih ekonomskih politika. Značajan doprinos poboljšanju osnove za empirijske eko-
nomske analize dao je i Richard Stone7 koji je 1984. godine nagrađen Nobelovom
nagradom za ekonomiju za doprinos Sistemu nacionalnih računa.
U pojednostavljenom obliku input-output tabele, zasnovanom na otvorenom sistemu priv-
rede koji je razradio Leontief, tabela input-output koeficijenata u svakoj koloni predstavlja
tehniku proizvodnje po kojoj je proizveden samo jedan proizvod. Zbog ove pojednostavlje-
ne pretpostavke tabela međusektorskih transakcija (odnosno tabela intermedijarne
potrošnje) mora biti ne samo kvadratna nego i simetrična. Model zasnovan na ovoj tabeli se
naziva simetričan input-output model. Upotreba input-output modela baziranog na ovim
pretpostavkama može se opravdati pretpostavkom da se tehnika proizvodnje u kratkom
periodu ne mijenja. Input-output tabela u teoriji može biti izražena u količinskim ili mone-
tarnim jedinicama, ili istovremeno u obje jedinice.
1
Wassily Leontief (1906. -1999.), dobitnik Nobelove nagrade za 1973. godinu.
2
Objavljene u radu: The Structure of the American Economie 1919-1929, Harvard University Press, 1941.
3
Francois Quesnay (1694. - 1774.)
4
Karl Marx (1818. - 1883.)
5
Leon Walras (1834. -1910.)
6
Roux, D., (2002.), str. 87.
7
Richard Stone (1913. – 1991.)
329
INPUT-OUTPUT ANALIZA
Pojednostavljena tabela upotrebe dobara i usluga prema proizvodu i vrsti upotrebe prikazu-
je se u sljedećem obliku:
8
Prema: Europski sustav nacionalnih računa ESA 1995, (1998), str. 263 - 265.
330
UVOD
331
INPUT-OUTPUT ANALIZA
Pored gore navedene kombinovane tabele ponude i upotrebe dobara i usluga, kompletira se,
zbog praktičnih razloga, i simetrična input-output tabela iz koje je vidljivo da ukupna po-
nuda po proizvodu treba, na osnovu prethodno analiziranog identiteta po proizvodu, biti
jednaka ukupnoj upotrebi po proizvodu. To znači da i ukupna ponuda treba biti jednaka
ukupnoj upotrebi kao što je zapisano u polju (4,5) ove tabele.
Simetrična input-output tabela se može kompletirati i kao tabela, odnosno matrica prema
djelatnostima (djelatnost x djelatnost)9. Treba istaknuti razliku koja postoji između kombi-
novane tabele ponude i upotrebe i simetrične input-output tabele. U tabelama ponude i
upotrebe se povezuju proizvodi sa djelatnostima, a u simetričnim 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 omogućavaju praćenje struk-
ture ukupne proizvodnje i njenu raspodjelu na nivou ukupne privrede jedne zemlje, na
regionalnom nivou kao i na nivou preduzeća.
Input-output analiza, poznata i pod nazivom Međusektorska analiza, spada u oblast kvanti-
tativnih ekonomskih analiza. Bazira se na upotrebi linearnih formi i linearnih
transformacija koji su nužni preduvjet za razumijevanje ove oblasti.
U osnovi, posmatra se jedan otvoreni proizvodni sistem kojeg sačinjavaju proizvodni sekto-
ri, tj. proizvođači povezani međusobnim isporukama i nabavkama sirovina, poluproizvoda,
9
Djelatnost puta djelatnost znači djelatnosti po vrstama i kolonama.
332
UVOD
energije i proizvodnih usluga u samom sistemu, ali i nabavkama izvana. Proizvodni sistem
je, dakle, povezan sa okruženjem putem finalnih isporuka i nabave dobara izvana, za proiz-
vodnu potrošnju. Međusobnim 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 zaokruženu tehnološko - ekonomsku cjelinu koja proi-
zvodi samo jedan tip proizvoda. Svaki tip proizvoda se klasificira u samo jedan proizvodni
sektor. Prva pretpostavka implicira potpunu homogenost proizvodnih sektora, a druga pot-
punu jednoznačnost klasifikacije proizvoda koje oni proizvode.
U praksi se ove dvije pretpostavke ne mogu uvijek ostvariti što utiče na pouzdanost anali-
tičkih rezultata dobivenih primjenom input-output modela. Kako bi se dobili pouzdaniji
analitički rezultati i zadovoljile pretpostavke homogenosti i jednoznačnosti proizvoda, proi-
zvodni sistem se dezagregira, odnosno raščlanjuje na veći broj proizvodnih sektora.
Osnovni zadatak input-output analize je utvrđivanje, analitičko raščlanjivanje, kvantificira-
nje proizvodnih međuzavisnosti direktnih i indirektnih veza proizvodnih sektora, ispitivanje
veza unutar strukture proizvodnog sistema te složenih veza sa okruženjem. Time se osigu-
rava praćenje promjena unutar samog sistema, kao i praćenje uticaja vanjskih promjena na
sistem.
Proizvodni sistem, sa stanovišta korištenja metoda input-output analize međusobnih odnosa
može biti privreda jedne zemlje ili jedne regije, kao i preduzeće. U prvom slučaju 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 računa.
U daljem izlaganju će se analizirati proizvodni sistem sastavljen od dva i više proizvodnih
sektora za određeni proizvodni period. Analiza i zaključci koji se budu odnosili na posmat-
rani prošli period vrijediće i primjenjivaće se i na istovrsni budući proizvodni period.
U prvom dijelu će se razmatrati i analizirati količinski odnosi proizvodnog sistema koji se
predstavljaju u obliku količinske input-output tabele. Ova tabela je baza za odgovarajuće
analize međuzavisnosti proizvodnog sistema koje će rješavati primjenom odgovarajućeg
input-output modela i njegovim rješavanjem. U drugom dijelu će se istraživati vrijednosni
ili transakcioni odnosi predstavljeni u obliku vrijednosne ili transakcione input-output tabe-
le. Rješavanjem odgovarajućeg modela analizirati će se kompleksne međuzavisnosti koje
postoje u okviru proizvodnog sistema.
333
3.2. Količinska input-output analiza
Kvantitativne vrijednosti elemenata proizvodnog sistema i veličina koje ga povezuju sa
okruženjem mogu se predstaviti pregledno u tabelarnom obliku. Tabela sadrži potpune in-
formacije o tokovima proizvedenih dobara u proizvodnom sistemu, njihovim tokovima u
odnosima sa okruženjem izraženim količinama proizvoda u njihovim jedinicama.10
Posmatra se proizvodni sistem P sastavljen od n proizvodnih sektora (proizvođača):
P1 , P2 ,..., Pn .
Dio proizvoda svakog proizvođača se koristi u proizvodnoj, tj. reprodukcionoj potrošnji11
tog i ostalih proizvođača kao interni input, a dio se troši izvan proizvodnog sistema kao
finalne potrošnje (finalne isporuke ili neto proizvodnje).12
Za predstavljanje, analizu i kompletiranje količinske input-output tabele uvode se sljedeći
pojmovi i simboli:
Bruto proizvodnja (ukupna proizvodnja, output) proizvođača Pi koja će se označavati sa Xi
gdje i uzima vrijednost od 1 do n: ( i = 1,..., n ) .
Interni input Qij predstavlja dio proizvodnje proizvođača Pi koji se utroši kao interni rep-
romaterijal u proizvodnji proizvođača Pj 13 gdje i i j uzimaju vrijednosti od 1 do n:
( i = 1,..., n ) ; ( j = 1,..., n ) .
U proizvodnom sistemu P koriste se kao repromaterijali i inputi izvan sistema jer ne postoji
proizvodni sistem koji sve potrebne repromaterijale proizvodi sam. Neka se sa S1 , S2 ,..., Sm
označi m eksternih snabdjevača izvan sistema čiji se proizvodi koriste za reprodukcionu
potrošnju u sistemu P.
( e = 1,..., m ) ; ( j = 1,..., n ) .
Prethodno definisani pojmovi se mogu zapisati u matričnom obliku na sljedeći način:
10
Prema Vučković, Ž., (2003), str.1-7.
11
Termini proizvodna potrošnja, reprodukciona potrošnja i intermedijarna potrošnja će se u tekstu upotreb-
ljavati kao sinonimi.
12
Termini finalna potrošnja, finalna isporuka, neto proizvodnja, izvoz će se u tekstu upotrebljavati kao sino-
nimi.
13
Proizvodna potrošnja proizvođača Pj proizvoda proizvođača Pi ili utrošak proizvoda proizvođača Pi u
proizvodnoj potrošnji proizvođača Pj .
334
KOLIČINSKA INPUT-OUTPUT ANALIZA
⎡ X1 ⎤
⎢X ⎥
Vektor bruto proizvodnji (outputa) proizvođača [ X i ]n×1 = ⎢ 2 ⎥ ; Xi ≥ 0
⎢ ⎥
⎢ ⎥
⎣Xn ⎦
⎡ Y1 ⎤
⎢Y ⎥
Vektor finalnih potrošnji proizvođača [Yi ]n×1 = ⎢ 2 ⎥ ; 0 ≤ Yi ≤ X i
⎢ ⎥
⎢ ⎥
⎣Yn ⎦
⎡ U1 ⎤
⎢U ⎥
Vektor ukupnih eksternih inputa (uvoza) u sistem [U e ]m×1 = ⎢ 2 ⎥
⎢ ⎥
⎢ ⎥
⎣U m ⎦
335
INPUT-OUTPUT ANALIZA
Sektori davaoci
⎡⎣Qij ⎤⎦ ∑ Qij Yi Xi
Pi j
Se ⎡⎣Wej ⎤⎦ U e = ∑ Wej
j
Količinska input-output (I-O) tabela predstavlja prikaz raspodjele ukupne proizvodnje sva-
kog sektora (duž redova) na reprodukcionu potrošnju i finalnu potrošnju. Duž kolona
predstavljena je struktura reprodukcione potrošnje svakog sektora raščlanjena na interne i
eksterne inpute.
Količinska input-output tabela se može predstaviti u pojednostavljenom obliku gdje se jed-
nostavno u prvom redu predstavlja raspodjela ukupne proizvodnje, odnosno bruto
proizvoda na ukupne interne inpute u sistemu i finalne isporuke. U prvoj koloni su preds-
tavljene reprodukciona potrošnja sistema iz internih inputa kao i reprodukciona potrošnja
sistema iz eksternih inputa u sistemu. U drugoj koloni tabele 6. su predstavljeni ukupni in-
terni inputi u sistem te ukupni uvozi u sistem od eksternih dobavljača.
336
KOLIČINSKA INPUT-OUTPUT ANALIZA
Proizvođač Pi je proizveo ukupno X i > 0 količinskih jedinica (kj) svog outputa i ras-
podijelio ga na reprodukcionu potrošnju direktno: Qi1 kj proizvođaču P1, Qi 2 kj
proizvođaču P2, Qii kj u vlastitu proizvodnju, …, Qin kj proizvođaču Pn; odnosno
ukupno ∑ Qij ≥ 0 kj u sistem i na finalnu potrošnju Yi ≥ 0 kj.
j
2) Sadržaj duž redova donjeg dijela tabele pokazuju strukturu raspodjela pojedinih uvoza
U e > 0 proizvođačima Pj.
Od eksternog snabdjevača Se je uvezeno u sistem ukupno U e > 0 količinskih jedinica
i direktno raspoređeno We1 kj proizvođaču P1, We2 kj proizvođaču P2, ..., Wen kj proi-
n
zvođaču Pn, odnosno ukupno U e = ∑ We j količinskih jedinica.
j =1
3) Sadržaj duž kolona tabele pokazuje strukturu kompletiranja potrošnji proizvođača Pj.
Kako se veličine duž kolona j odnose na različite inpute, one su izražene u različitim
količinskim jedinicama pa se ne mogu međusobno sabirati.
Proizvođač Pj u proizvodnji svog outputa X j > 0 kj direktno je utrošio:
interne repromaterijale (gornji dio tabele) iz sistema: Q1j kj dobijenog od proizvođača
P1, Q2j kj od proizvođača P2,..., Qjj kj iz vlastite proizvodnje,. .., Qnj kj od proizvođača
Pn.
eksterne repromaterijale (donji dio tabele) izvan sistema: W1j kj od snabdjevača S1,
W2j kj od snabdjevača S2,…, Wmj kj od snabdjevača Sm.
Iz formiranja količinske input-output tabele na temelju njenih redova mogu se napisati jed-
načine raspodjele bruto proizvodnje svakog pojedinog proizvodnog sektora kao i jednačine
raspodjele ukupnog eksternog inputa svakog pojedinog snabdjevača.
337
INPUT-OUTPUT ANALIZA
Ukupna proizvodnja sektora Pi označena sa Xi raspodjeljuje se na dio koji se troši kao rep-
rodukciona potrošnja ili interni input u sistemu P i dio koji predstavlja finalnu potrošnju
sektora i.
Pošto je sistem P sastavljen od n proizvodnih sektora, jednačina (3.1) predstavlja i-tu jed-
načinu linearnog sistema od n jednačina:
X 1 = Q11 + Q12 + .. + Q1n + Y1
X 2 = Q21 + Q22 + .. + Q2 n + Y2
(3.2)
.............................................
X n = Qn1 + Qn 2 + .. + Qnn + Yn
sa 2n+n2 varijabli: n varijabli Xi, n varijabli Yi i n2 varijabli Qij.
Opšta jednačina (3.1) sistema (3.2) predstavlja strukturu raspodjele bruto proizvodnje
(outputa) pripadnog proizvođača Pi na dva dijela i to:
n
∑Q
J =1
ij ≥ 0 za reprodukcione potrošnje u sistemu i Yi ≥ 0 za finalne potrošnje proizvođača
Pi.
338
KOLIČINSKA INPUT-OUTPUT ANALIZA
Opšta jednačina (3.3) sistema (3.4) predstavlja strukturu raspodjele ukupnog eksternog
inputa (eksternog repromaterijala) Ue na proizvođače Pj.
Sistemi jednačina (3.2) i (3.4) imaju veći broj nepoznatih nego jednačina, što znači da nemaju
jednoznačno rješenje, tj. kod svakog (n+m)-dimenzionalnog proizvodnog sistema P
(n proizvođača i m snabdjevača) može se kompletirati neograničen broj raznih njegovih koli-
činskih input-output tabela, i svaka se odnosi na njegov drugačiji proizvodni program.14
Smanjenje broja nepoznatih vodi ka pojednostavljenju sistema jednačina, tj. egzogeno se
utvrde neke količine, a primjenom input-output modela određuju ostale količine.
339
INPUT-OUTPUT ANALIZA
Tehnički koeficijent internih inputa aij ima sljedeće značenje: proizvođač Pj po svakoj kj
svog outputa X j > 0 direktno utroši aij kj proizvodnje proizvođača Pi.
340
KOLIČINSKA INPUT-OUTPUT ANALIZA
jednačinu koja se koristi za izračunavanje matrice internih inputa Qij kada su poznate matri-
ca tehničkih koeficijenata i ukupne proizvodnje proizvodnih sektora.
Iz jednačine (3.8) se može eksplicitno izraziti matrična jednačina za izračunavanje matrice
tehničkih koeficijenata internih inputa. Obje strane jednačine (3.8) se sa desne strane množe
−1
matricom ⎡⎣ Xˆ j ⎤⎦ :
−1 −1
⎡⎣Qij ⎤⎦ ⋅ ⎡ Xˆ j ⎤ = ⎡⎣ aij ⎤⎦ ⋅ ⎡ Xˆ j ⎤ ⋅ ⎡ Xˆ j ⎤ ⇒
⎣ ⎦ ⎣ ⎦ ⎣ ⎦
−1
⎡⎣ aij ⎤⎦ = ⎡⎣Qij ⎤⎦ ⋅ ⎡ Xˆ j ⎤ (3.9)
⎣ ⎦
⎡1 ⎤
⎢X 0 0 ⎥
⎢ 1 ⎥
⎢ 1 ⎥
0 0 ⎥
gdje je ⎣ X j ⎦ = ⎢⎢
−1
⎡ ˆ ⎤ X2
⎥ inverzna matrica dijagonalne matrice ukupnih
⎢ ⎥
⎢ ⎥
⎢ 0 1 ⎥
0
⎢⎣ X n ⎥⎦
proizvodnji ⎡⎣ Xˆ j ⎤⎦ .
Proizvodni sektori kao inpute u svojoj proizvodnji koriste i repromaterijal nabavljen od eks-
ternih dobavljača. Ako je proizvođač Pj utrošio Wej kj eksternog repromaterijala od
snabdjevača Se u svojoj proizvodnji Xj, to znači da je za svaku jedinicu svoje proizvodnje pro-
W
sječno utrošio ej eksternog inputa (uvoza) od snabdjevača Se. Tako definisan koeficijent se
Xj
naziva tehnički koeficijent eksternog inputa od Se ka Pj i zapisuje u obliku sljedećeg izraza:
Wej
α ej = ≥0 (3.10)
Xj
kj Se
jedinice mjere .
kj Pj
341
INPUT-OUTPUT ANALIZA
Pošto tehničkih koeficijenata eksternih inputa α ej ima koliko i eksternih inputa Wej, može
se formirati matrica tehničkih koeficijenata eksternih inputa dimenzije m redova i n kolona:
⎡ α11 α12 α1n ⎤
⎢α α 22 α 2 n ⎥⎥
α = ⎡⎣α ej ⎤⎦ m×n = ⎢ 21 . (3.11)
⎢ ⎥
⎢ ⎥
⎣α m1 α m 2 α mn ⎦
Na osnovu izraza (3.10) može se napisati matrična jednačina pomoću koje se izračunava
matrica eksternih inputa ukoliko su poznati tehnički koeficijenti eksternih inputa i ukupne
proizvodnje sektora:
⎡⎣Wej ⎤⎦ = ⎡⎣α ej ⎤⎦ ⋅ ⎡ Xˆ j ⎤ . (3.12)
⎣ ⎦
Matrica ukupnih eksternih inputa se izračunava kao proizvod matrice tehničkih koeficijena-
ta eksternih inputa i dijagonalne matrice ukupnih proizvodnji sektora.
−1
Množenjem gornje jednačine sa desne strane sa ⎡⎣ Xˆ j ⎤⎦ dobija se
−1 −1
⎡⎣Wej ⎤⎦ ⋅ ⎡ Xˆ j ⎤ = ⎡⎣α ej ⎤⎦ ⋅ ⎡ Xˆ j ⎤ ⋅ ⎡ Xˆ j ⎤ ⇒
⎣ ⎦ ⎣ ⎦ ⎣ ⎦
−1
⎡⎣α ej ⎤⎦ = ⎡⎣Wej ⎤⎦ ⋅ ⎡ Xˆ j ⎤ (3.13)
⎣ ⎦
jednačina za izračunavanje matrice tehničkih koeficijenata eksternih inputa ukoliko su poz-
nati eksterni inputi u sistem i ukupne proizvodnje sektora.
Koeficijent raspodjele rij se definiše kao količnik između internog inputa Qij iz sektora i u
sektor j i ukupne proizvodnje Xi sektora i:
Qij
rij = ≥0 (3.14)
Xi
kj Pi
kod kojih se jedinica mjere skrati tj. .
kj Pi
Na osnovu gornjeg definicionog izraza za koeficijent raspodjele zaključuje se da ovaj koe-
ficijent nema jedinice mjere i da je dakle neimenovan broj. Koeficijent raspodjele se, kao i
svi neimenovani brojevi, može izražavati u procentima.
342
KOLIČINSKA INPUT-OUTPUT ANALIZA
Ako je proizvođač Pi iz svoje bruto proizvodnje Xi>0 raspodijelio Qij ≥ 0 kj direktno proiz-
vođaču Pj, tada odnos internog inputa Qij i matičnog outputa Xi predstavlja koeficijent
raspodjele iz Pi u Pj .
∑Q ij
Yi n Q
Y n
Y Y
1= j =1
+ = ∑ ij + i = ∑ rij + i = ri + i . (3.18)
Xi X i j =1 X i X i j =1 Xi Xi
343
INPUT-OUTPUT ANALIZA
Kada su poznate, odnosno egzogeno utvrđene bruto proizvodnje svakog sektora (proizvo-
đača) finalne potrošnje svakog sektora se mogu utvrditi rješavanjem jednačine input-output
modela kojom se izražava zavisnost finalnih potrošnji od bruto proizvodnji. Da bi se riješio
ovaj model potrebno je poznavati sve elemente matrice tehničkih koeficijenata A za koju se
pretpostavlja da se ne mijenja u toku posmatranog proizvodnog procesa.
Uvrštavajući u jednačinu raspodjele bruto proizvodnji (3.1)
n
X i = ∑ Qij + Yi ; i = 1,..., n
j =1
izraz za utvrđivanje internih inputa Qij = aij X j dobija se u opštem obliku jednačina za bruto
proizvodnju Xi sektora Pi:
n
X i = ∑ aij X j + Yi ; i = 1,..., n (3.19)
j =1
344
KOLIČINSKA INPUT-OUTPUT ANALIZA
Ukoliko se izvuče jedan red (i-ti red) iz matrične jednačine (3.25), dobija se izraz:
n
Yi = ∑ lij ⋅ X j . (3.26)
j =1
345
INPUT-OUTPUT ANALIZA
Dijagonalni elementi matrice treba da budu jednaki ili manji od jedinice, a vandijagonalni
elementi negativni. Ove osobine proizilaze iz konstrukcije matrice Leontiefa i osobina mat-
rice tehničkih koeficijenata A.
Za analizu proizvodnog sistema je vrlo značajno utvrditi veličine bruto proizvodnji sektora
sistema kada su poznate finalne potrošnje, odnosno plan finalnih isporuka pojedinih sektora
sistema.
U izvođenju relacije kojom se izražava zavisnost bruto proizvodnji od finalnih potrošnji
polazi se od jednačine koju smo označili sa (3.25):
[Yi ]n×1 = ⎡⎣lij ⎤⎦ n×n ⋅ ⎡⎣ X j ⎤⎦ n×1
−1
Množeći gornju jednačinu sa ⎡⎣lij ⎤⎦ sa lijeva dobija se:
n× n
−1
⎡⎣lij ⎤⎦
n× n
[Yi ]n×1 = ⎡⎣ X j ⎤⎦ n×1
odnosno
⎡⎣ X j ⎤⎦ = ⎡⎣b ji ⎤⎦ ⋅ [Yi ]n×1 (3.30)
n×1 n× n
−1
gdje se sa ⎡⎣b ji ⎤⎦ = ⎡⎣lij ⎤⎦ , odnosno B = L-1 označava matricu ukupnih utrošaka internih
inputa.
Jednačina (3.30) se može zapisati jednostavnije u sljedećem obliku:
X=B·Y (3.31)
gdje je B = L−1 inverzna matrica matrice Leontiefa L.
Rješavanjem gornje jednačine input-output modela izračunavaju se bruto proizvodnje poje-
dinih sektora kada je poznat plan finalnih potrošnji.
Napiše li se jedan red iz sistema jednačina (3.30), dobija se jednačina:
346
KOLIČINSKA INPUT-OUTPUT ANALIZA
n
X j = ∑ b ji ⋅ Yi ; j = 1,..., n (3.32)
i =1
iz koje se, računajući parcijalne izvode, dobija koeficijent matrice ukupnih utrošaka internih
inputa:
∂X j
= b ji ≥ 0 . (3.33)
∂Yi
Koeficijent matrice ukupnih utrošaka internih inputa definisan gornjim izrazom ima sljede-
će značenje:
Koeficijenti matrice ukupnih utrošaka internih inputa treba da zadovolje sljedeće osobine:
⎧ i = j; bii ≥ 1
b ji : ⎨ . (3.34)
⎩i ≠ j; b ji ≥ 0
Dijagonalni elementi matrice B treba da budu jednaki ili veći od jedan, a vandijagonalni
elementi nenegativni.
Objasniće se osobina (3.34)16:
Na osnovu jednačine Y = L ⋅ X tj. Y = ( I − A) ⋅ X ⇒ X − A ⋅ X = Y množeći posljednju jed-
načinu slijeva redom matricama I, A, A2, A3, … slijedi beskonačan niz matričnih jednačina:
I ⋅ X − A ⋅ X = I ⋅Y
A ⋅ X − A2 ⋅ X = A ⋅ Y
A2 ⋅ X − A3 ⋅ X = A2 ⋅ Y
A3 ⋅ X − A4 ⋅ X = A3 ⋅ Y
...............................
Sabirajući gornje jednačine (poslije poništavanja na lijevoj strani) dobija se matrična funkcija:
X = ( I + A + A2 + A3 + ...) ⋅ Y .
Upoređujući ovu jednačinu sa jednačinom (3.31) jedno od mogućih rješenja je:
+∞
B = I + A + A2 + A3 + ... tj. B = ( I + A) + ∑ As
s=2
347
INPUT-OUTPUT ANALIZA
Kada smo govorili o direktnim proizvodnim međuzavisnostima, rekli smo da tehnički koe-
ficijent aij pokazuje direktnu proizvodnu međuzavisnost sektora i i sektora j, tj. tehnički
koeficijent aij smo definisali kao tehničku relaciju koja pokazuje veličinu proizvodnje sek-
tora i koja se troši kao interni input u proizvodnji sektora j. Zbir elemenata u j-toj koloni
n
matrice tehničkih koeficijenata A, ∑a ;
i =1
ij ( j = 1,..., n) pokazuje udio internih inputa cijelog
∑b
i =1
ij . Pošto je direktni efekt jedinice finalnih isporuka sektora j na proizvodnju čitavog
n n n
sistema 1 + ∑ aij , to je suma indirektnih efekata ∑ bij − (1 + ∑ aij ) .
i =1 i =1 i =1
Objašnjenje koje smo dali za značenje elemenata matrice B primjenjuje se i za svaku doda-
nu jedinicu povećanja finalne potrošnje i-tog sektora pa vrijedi relacija:
348
KOLIČINSKA INPUT-OUTPUT ANALIZA
odnosno
n
ΔX j = ∑ b ji ΔYi ; j = 1,..., n . (3.36)
i =1
n n
U e = ∑ Wej = ∑ α ej X j = α e1 X 1 + α e 2 X 2 + .. + α en X n ; e = 1,..., m . (3.37)
j =1 j =1
Ovo objašnjenje vrijedi i za svaku dodanu jedinicu bruto proizvodnje. To se može izraziti
sljedećim relacijama:
349
INPUT-OUTPUT ANALIZA
n
ΔU e = ∑ α ej ΔX j (3.40)
j =1
Ako se želi samo finalna potrošnja Yi i-tog sektora povećati za jednu količinsku jedinicu,
a finalne potrošnje ostalih sektora ostaju nepromijenjene, tada se eksterni input Wej od Se
ka Pj treba povećati za α ej b ji količinskih jedinica.
n
gdje je β ei = ∑ α ej b ji .
j =1
350
KOLIČINSKA INPUT-OUTPUT ANALIZA
Značenje izraza (3.47) je sljedeće: ako se želi povećati samo finalna potrošnja Yi za
jednu količinsku jedinicu, a da finalne potrošnje ostalih sektora ostanu nepromijenjene,
ukupni eksterni input od snabdjevača Se treba se povećati za βei količinskih jedinica.
Navedeno objašnjenje koeficijenta ukupnih eksternih utrošaka vrijedi i za svaku dalje doda-
tnu jedinicu finalne potrošnje što se može zapisati sljedećim izrazom:
[ ΔU e ]m×1 = [ βei ]m×n ⋅ [ ΔYi ]n×1 (3.48)
odnosno
n
ΔU e = ∑ β ei ΔYi . (3.49)
i =1
Primjer 3.1.
Za protekli proizvodni period proizvodnog sistema poznata je sljedeća nekompletna
količinska input-output tabela:
P1 P2 P3
⎡⎣Qij ⎤⎦ ∑ Qij Yi Xi
j
351
INPUT-OUTPUT ANALIZA
Rješenje:
n
a) Primjenom jednačine raspodjele internih inputa X i = ∑ Qij + Yi (i =1,…, n) i jed-
j =1
n
načine raspodjele eksternih inputa U e = ∑ Wej (e = 1,..., m), popunjava se tabela:
j =1
P1 P2 P3
⎡⎣Qij ⎤⎦ ∑ Qij Yi Xi
j
352
KOLIČINSKA INPUT-OUTPUT ANALIZA
353
INPUT-OUTPUT ANALIZA
Izračunava se matrica A:
⎡ 1 ⎤
⎢ 0 0 ⎥ ⎡ ⎤
⎢0 0 0⎥
⎡ 0 0 0 ⎤ ⎢100 ⎥ ⎢ ⎥
1 1⎥
A = ⎡⎣ aij ⎤⎦ = ⎢⎢300 0 100 ⎥⎥ ⋅ ⎢ 0 0 ⎥=⎢3 0 .
⎢ 500 ⎥ ⎢ 2⎥
⎢⎣ 10 0 50 ⎥⎦ ⎢ ⎥
⎢ 0 1 ⎥ ⎢1 1⎥
0 ⎢ 0 ⎥
⎣⎢ 200 ⎦⎥ ⎣10 4⎦
Wej (kj Se )
c) Tehnički koeficijenti eksternog inputa iz Se u Pj: α ej = = ≥ 0.
Xj (kj Pj )
−1
⎡⎣Wej ⎤⎦ = ⎡⎣α ej ⎤⎦ ⋅ ⎡ Xˆ j ⎤ ⇒ ⎡⎣α ej ⎤⎦ = ⎡⎣Wej ⎤⎦ ⋅ ⎡ Xˆ j ⎤ .
⎣ ⎦ ⎣ ⎦
Izračunava se matrica α:
⎡ 1 ⎤
⎢100 0 0 ⎥
⎡ 1⎤
⎢ ⎥ ⎢3 1
⎡300 500 100 ⎤ ⎢ 1 2⎥
α = ⎡⎣α ej ⎤⎦ = ⎢ ⎥⋅ 0 0 ⎥=⎢ ⎥.
⎣300 180 120 ⎦ ⎢ 500 ⎥ ⎢ 9 3⎥
⎢ ⎥ ⎢3
⎢ 0 1 ⎥ ⎣ 25 5 ⎦⎥
0
⎣⎢ 200 ⎦⎥
354
KOLIČINSKA INPUT-OUTPUT ANALIZA
355
INPUT-OUTPUT ANALIZA
( A *)
14 T
Za adjungovanu matricu matrice A koristit ćemo oznaku . Za označavanje ove matrice može se
356
KOLIČINSKA INPUT-OUTPUT ANALIZA
⎡ 1 0 0 ⎤
Dakle, matrica B = ⎢⎢ 46 /15 1 2 / 3⎥⎥ .
⎢⎣ 2 /15 0 4 / 3⎥⎦
∂X j ⎧ i = j ⇒ bii ≥1
b ji = i vrijedi ⎨ .
∂Yi ⎩i ≠ j ⇒ b ji ≥0
357
INPUT-OUTPUT ANALIZA
Ako se želi samo finalna isporuka Y3 povećati za 1 kg, tada trebaju: bruto proi-
zvodnja X1 ostati nepromijenjena (b13 = 0), X2 se povećati za 2/3 m3 (b23 = 2/3)
i X3 povećati za 4/3 kg (b33 = 4/3).
⎡ ⎤
⎡ 1⎤ ⎢ 1 0 0 ⎥ ⎡ 368 4⎤
⎢3 1 ⎢ ⎥ 1
2 ⎥ ⎢ 46 2 ⎥ ⎢ 75 3⎥
β =⎢ ⎥⋅ 1 =⎢ ⎥.
⎢3 9 3 ⎥ ⎢ 25 3 ⎥ ⎢ 2339 9 26 ⎥
⎢ 4 ⎥ ⎢⎣ 625
⎢⎣ 25 5 ⎥⎦ ⎢ 2 ⎥ 25 25 ⎥⎦
0
⎣ 15 3⎦
∂U e
β ei = ≥0.
∂Yi
Objašnjenje elemenata matrice β u odnosu na gornju relaciju:
Ako se želi samo finalna isporuka Y1 povećati za 1 kom., tada treba povećati
ukupni eksterni input U1 za 368/75 kwh (β11 = 368/75) i ukupan eksterni input
od S2 U2 za 2339/625 l (β21 = 2339/625).
Ako se želi samo finalna isporuka Y2 povećati za 1m3 tada treba povećati ukup-
ni eksterni input U1 za 1kwh (β12 = 1) i ukupan eksterni input od S2 U2 za 9/25 l
(β22 = 9/25).
Ako se želi samo finalna isporuka Y3 povećati za 1 kg, tada treba povećati uku-
pni eksterni input U1 za 4/3 kwh (β13 = 4/3) i ukupan eksterni input od S2 U2 za
26/25 l (β23 = 26/25).
⎡ 1 ⎤ ⎡ ⎤
⎢100 0 0 ⎥
⎢0 0 0⎥
⎢ ⎥ ⎡ 0 0 0 ⎤ ⎢ ⎥
1 3 1⎥
⎡⎣ rij ⎤⎦ = ⎢ 0 0 ⎥ ⋅ ⎢⎢300 0 100 ⎥⎥ = ⎢ 0 .
⎢ 500 ⎥ ⎢5 5⎥
⎢ ⎥ ⎢⎣ 10 0 50 ⎥⎦ ⎢
⎢ 0 1 ⎥ 1 1⎥
0 ⎢ 0 ⎥
⎢⎣ 200 ⎥⎦ ⎣ 20 4⎦
358
KOLIČINSKA INPUT-OUTPUT ANALIZA
Yi
rij ⋅100% ∑ ri ⋅100% ⋅100%
Xi
P1 0 0 0 0 100
P2 60 0 20 80 20
P3 5 0 25 30 70
Objašnjenje:
Proizvođač P1 je kompletno svoju bruto proizvodnju rasporedio na finalnu pot-
rošnju 100%.
Proizvođač P2 je svoju bruto proizvodnju rasporedio 20% na finalnu potrošnju i
80% na interne inpute u sistem i to 60% proizvođaču P1 i 20% proizvođaču P3.
Proizvođač P3 je svoju bruto proizvodnju rasporedio 70% na finalnu potrošnju i
30% na interne inpute u sistem od čega je 5% proizvođaču P1 i 25% u vlastitu
proizvodnju.
Primjer 3.2.
Kod nekog složenog proizvodnog sistema poznate su sljedeće matrice:
⎡ 0 1 1,5 ⎤
⎡ 0, 2 0 0 ⎤
⎡⎣ aij ⎤⎦ = ⎢ 0 0 0, 75⎥ i ⎡⎣α ej ⎤⎦ = ⎢ U1→kwh, U2→l.
⎢ ⎥
⎣ 0,1 0 0,5⎥⎦
⎢⎣ 0 0 0 ⎥⎦
a) Kompletirati odgovarajuću količinsku I-O tabelu ako su bruto proizvodnje X1 =
500 kom., X2 = 200 kg i X3 = 100 m3.
b) Kako će se promijeniti bruto proizvodnje ΔXj i eksterni inputi ΔUe ako se finalne
potrošnje žele promijeniti za ΔYi = {50, -25, 0}.
c) Odrediti i objasniti elemente b13, β13.
Rješenje:
a)
⎡0 1 1,5 ⎤ ⎡500 0 0 ⎤ ⎡0 200 150 ⎤
⎡ ∧
⎤
⎡⎣Qij ⎤⎦ = ⎡⎣ aij ⎤⎦ ⋅ ⎢ X j ⎥ = 0 0 0, 75 ⋅ 0 200 0 ⎥ = ⎢0 0
⎢ ⎥ ⎢
⎢ ⎥ ⎢ ⎥ ⎢ 75 ⎥⎥ .
⎣ ⎦
⎢⎣0 0 0 ⎥⎦ ⎢⎣ 0 0 100 ⎥⎦ ⎢⎣0 0 0 ⎥⎦
359
INPUT-OUTPUT ANALIZA
⎡500 0 0 ⎤
⎡ ∧
⎤ ⎡0, 2 0 0 ⎤ ⎢ ⎥ ⎡100 0 0 ⎤
⎣⎡Wej ⎦⎤ = ⎣⎡α ej ⎦⎤ ⋅ ⎢⎣ X j ⎥⎦ = ⎢ 0,1 0 0,5⎥ ⋅ ⎢ 0 200 0 ⎥ = ⎢ 50 0 50 ⎥ .
⎣ ⎦ ⎢ ⎣ ⎦
⎣ 0 0 100 ⎥⎦
P1 P2 P3 ∑ Qij Yi Xj
j
b) Kako vrijedi:
ΔX = B ⋅ ΔY
ΔU = β ⋅ ΔY
prvo je potrebno izračunati matrice B =L-1 = (I – A)-1 i β = α⋅ 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 ⎥⎦
360
KOLIČINSKA INPUT-OUTPUT ANALIZA
⎢⎣ 0 0 1 ⎥⎦
⎡1 1 2, 25⎤
Dakle, matrica B = ⎢⎢0 1 0, 75 ⎥⎥ .
⎢⎣0 0 1 ⎥⎦
⎡1 1 2, 25⎤ ⎡ 50 ⎤ ⎡ 25 ⎤
ΔX = ⎢⎢ 0 1 0, 75 ⎥⎥ ⋅ ⎢⎢ −25⎥⎥ = ⎢⎢ −25⎥⎥ ;
⎢⎣ 0 0 1 ⎥⎦ ⎢⎣ 0 ⎥⎦ ⎢⎣ 0 ⎥⎦
361
INPUT-OUTPUT ANALIZA
⎡ 50 ⎤
⎡0, 2 0, 2 0, 05 ⎤ ⎢ ⎡ 5 ⎤
ΔU = ⎢ ⎥ ⋅ ⎢ −25⎥⎥ = ⎢ ⎥ ;
⎣ 0,1 0,1 0, 725⎦ ⎢ ⎣ 2,5⎦
⎣ 0 ⎥⎦
Ukupan eksterni input U1 će se povećati za 5 kwh, a U2 će se povećati 2,5 l.
∂X 1
c) b13 = = 2, 25 ;
∂Y3
Ako se želi samo finalna isporuka Y3 proizvođača P3 povećati za 1 m3, tada bruto pro-
izvodnju X1 proizvođača P1 treba povećati za 2,25 kom.
∂U1
β13 = = 0, 05 ;
∂Y3
Ako se želi samo finalna isporuka Y3 proizvođača P3 povećati za 1 m3, tada ukupan
eksterni input U1 snabdjevača S1 treba povećati za 0,05 kwh.
Primjer 3.3.
Kod nekog proizvodnog sistema poznate su sljedeće matrice:
⎡16 4 ⎤ ⎡ 1⎤
⎢7 7⎥ ⎢1 4⎥
B=⎢ ⎥ i β =⎢ ⎥ ; U1→ m, U2→kom.
⎢ 8 16 ⎥ ⎢5 3⎥
⎢⎣ 7 7 ⎥⎦ ⎢⎣ 7 7 ⎥⎦
a) Kompletirati odgovarajuću količinsku I-O tabelu, ako je plan bruto proizvodnji
X1 = 192 kg i X2 = 208 m2
b) Utvrditi i objasniti značenje elemenata a21 i α 21 .
Rješenje:
a) B = L-1⇒ L = B-1
Određuje se matrica L kao inverzna matrica matrice B:
1 1
L= ⋅B = ⋅ ( B∗ )T .
det B det B
362
KOLIČINSKA INPUT-OUTPUT ANALIZA
⎡ 16 −8 ⎤ ⎡ 16 −4 ⎤ ⎡ 1 1⎤
⎢7 − ⎥
224 ∗ 7⎥ ⎢7 7 ⎥ ⎢ 2 8
det B = ;B =⎢ ⎥ ⇒ (B ) = ⎢
* T
⎥⇒L=⎢ ⎥
49 ⎢ −4 16 ⎥ ⎢ −8 16 ⎥ ⎢− 1 1 ⎥
⎣⎢ 7 7⎦⎥ ⎢⎣ 7 ⎥
7 ⎦ ⎢⎣ 4 2 ⎥⎦
⎡1 1⎤
⎢2 8⎥
A= I −L=⎢ ⎥
⎢1 1⎥
⎣⎢ 4 2 ⎦⎥
⎡ 1 1⎤
⎢ 2 − ⎥
8 ⎡192 ⎤ ⎡70 ⎤
Y = L⋅ X = ⎢ ⎥⋅ =
⎢− 1 1 ⎥ ⎢⎣ 208⎥⎦ ⎢⎣56 ⎥⎦
⎢⎣ 4 2 ⎥⎦
⎡ 1⎤ ⎡ 1 1⎤ ⎡ 7 ⎤
⎢1 − ⎥ ⎢ 0⎥
4⎥ ⎢ 2 8 16
Iz β = α ⋅ B ⇒ α = β ⋅ L = ⎢ ⎥⋅⎢ ⎥=⎢ ⎥
⎢5 3⎥ ⎢ 1
−
1 ⎥ ⎢1 1⎥
⎣⎢ 7 7 ⎦⎥ ⎣⎢ 4 2 ⎦⎥ ⎣⎢ 4 8 ⎦⎥
⎡1 1⎤
⎢ 8 ⎥ ⎡192 0 ⎤ ⎡96 26 ⎤
⎡⎣Qij ⎤⎦ = ⎡⎣ aij ⎤⎦ ⋅ ⎡⎢ X j ⎤⎥ = ⎢ 2
∧
⎥⋅ =
⎣ ⎦ ⎢1 1 ⎥ ⎢⎣ 0 208⎥⎦ ⎢⎣ 48 104 ⎥⎦
⎣⎢ 4 2 ⎦⎥
⎡7 ⎤
0⎥
⎡ ⎤ ⎢16
∧ ⎡192 0 ⎤ ⎡84 0 ⎤
⎣⎡Wej ⎦⎤ = ⎣⎡α ej ⎦⎤ ⋅ ⎢⎣ X j ⎥⎦ = ⎢ 1 ⎥⋅⎢ =
1 ⎥ ⎣ 0 208⎥⎦ ⎢⎣ 48 26 ⎥⎦
⎢
⎢⎣ 4 8 ⎥⎦
Količinska I - O tabela
P1 P2 ∑Qij Yi Xi
P1 96 26 122 70 192
P2 48 104 152 56 208
S1 84 0 84
S2 48 26 74
363
INPUT-OUTPUT ANALIZA
Q21 1
b) a21 = = ⇒ Proizvođač P1 u proizvodnji svakog kg outputa X1 direktno utroši
X1 4
1 2
m internog inputa od proizvođača P2.
4
W21 1 1
α 21 = = ⇒ Proizvođač P1 po svakom kg svog outputa X1 direktno utroši
X1 4 4
komada eksternog inputa od snabdjevača S2.
Primjer 3.4.
Poznata je sljedeća input-output tabela jednog proizvodnog sistema:
P1 P2 ∑Qij Yi Xi
P1 45 60 105 75 180
P2 90 40 130 110 240
S1 20 30
S2 0 60
Rješenje:
a) X =B·Y
L = I – A; L-1 = B.
Iz poznate količinske I- O tabele izračunavaju se matrice tehničkih koeficijenata in-
Q W
ternih i eksternih inputa. Primjenom formula aij = ij , odnosno α ej = ej ili
Xj Xj
−1 −1
⎡⎣ aij ⎤⎦ = ⎡⎣Qij ⎤⎦ ⋅ ⎡ Xˆ j ⎤ , odnosno ⎡⎣α eij ⎤⎦ = ⎡⎣Wej ⎤⎦ ⋅ ⎡ Xˆ j ⎤ dobijaju se tražene matrice:
⎣ ⎦ ⎣ ⎦
⎡1 1⎤ ⎡1 1⎤
⎢4 4 ⎥ ⎢9 8⎥
A=⎢ ⎥ i α =⎢ ⎥
⎢1 1⎥ ⎢0 1⎥
⎣⎢ 2 6 ⎦⎥ ⎣⎢ 4 ⎦⎥
364
KOLIČINSKA INPUT-OUTPUT ANALIZA
⎡ 3 1⎤ ⎡5 1⎤
⎢ 4 − ⎥ ⎢3
4 −1 1 2⎥
L= I −A=⎢ ⎥ ⇒ B = L ⇒ det L = ⇒ B = ⎢ ⎥
⎢− 1 5 ⎥ 2 ⎢1 3⎥
⎢⎣ 2 6 ⎦⎥ ⎢⎣ 2 ⎥⎦
⎡5 1⎤
⎢3 2 ⎥ ⎡ 60 ⎤ ⎡160 ⎤
X = B ⋅Y = ⎢ ⎥⋅ =
⎢1 3 ⎥ ⎢⎣120 ⎥⎦ ⎢⎣ 240 ⎥⎦
⎣⎢ 2 ⎦⎥
⎡⎣Qij ⎤⎦ = ⎡⎣α ej ⎤⎦ ⋅ ⎡ Xˆ j ⎤
⎣ ⎦
⎡1 4 1 4 ⎤ ⎡160 0 ⎤ ⎡ 40 60 ⎤
⎡⎣Qij ⎤⎦ = ⎢ ⎥⋅⎢ ⎥=⎢ ⎥
⎣1 2 1 6 ⎦ ⎣ 0 240 ⎦ ⎣80 40 ⎦
⎡⎣Weij ⎤⎦ = ⎡⎣ β ej ⎤⎦ ⋅ ⎡ Xˆ j ⎤
⎣ ⎦
⎡1 9 1 8 ⎤ ⎡160 0 ⎤ ⎡17.8 30 ⎤
⎡⎣Wej ⎤⎦ = ⎢ ⎥⋅⎢ ⎥=⎢ ⎥
⎣ 0 1 4 ⎦ ⎣ 0 240 ⎦ ⎣ 0 60 ⎦
Količinska I-O tabela u narednom periodu bi bila sljedeća:
P1 P2 ∑Qij Yi Xi
P1 40 60 100 60 160
P2 80 40 120 120 240
S1 17,8 30 47,8
S2 0 60 60
365
INPUT-OUTPUT ANALIZA
Primjer 3.5.
Poznate su matrice tehnologije jednog proizvodnog sistema i tehničkih koeficijenata
eksternih inputa:
⎡ 1 −1 ⎤ ⎡1 ⎤
⎢2 ⎥ ⎢ 0⎥
6 2
L=⎢ ⎥ α =⎢ ⎥ U1→ l, U2→ kom.
⎢ − 1 1 ⎥ ⎢ 1 1⎥
⎢⎣ 4 3 ⎥⎦ ⎢⎣ 4 6 ⎥⎦
a) Ako je količina internog inputa koju proizvođač P1 koristi od proizvođača P2 50
m, a finalne isporuke proizvođača P1 50 kg, sastaviti odgovarajuću količinsku
input-output tabelu.
b) Ako bi se planiralo povećanje finalnih isporuka za 20%, kako bi se promijenili
ukupni outputi proizvođača i ukupni eksterni inputi snabdjevača?
Rješenje:
⎡1 −1 ⎤ ⎡ 1 1⎤
⎡1 0 ⎤ ⎢ 2 6 ⎥ ⎢2 6⎥
a) A = I − L = ⎢ ⎥−⎢ ⎥=⎢ ⎥.
⎣0 1 ⎦ ⎢ −1 1 ⎥ ⎢1 2⎥
⎣⎢ 4 3 ⎦⎥ ⎣⎢ 4 3 ⎦⎥
Poznato je Q21 = 50m; Y1 = 50kg
Izračunava se:
Q21 1 50
a21 = ⇒ = ⇒ X 1 = 200kg .
X1 4 X1
Q11 1 Q
a11 = ⇒ = 11 ⇒ Q11 = 100kg.
X1 2 200
Q12 = X 1 − Q11 − Y1 = 200 − 100 − 50 = 50kg .
Q12 1 50
a12 = ⇒ = ⇒ X 2 = 300m.
X2 6 X2
Q22 2 Q
a22 = ⇒ = 22 ⇒ Q22 = 200m.
X2 3 300
⎡1 ⎤
⎢ 0⎥
⎡ 200 0 ⎤ ⎡100 0 ⎤
⎡⎣Wej ⎤⎦ = ⎢ 2 ⎥⋅⎢ = .
⎢1 1 ⎥ ⎣ 0 300 ⎥⎦ ⎢⎣ 50 50 ⎥⎦
⎣⎢ 4 6 ⎦⎥
366
KOLIČINSKA INPUT-OUTPUT ANALIZA
P1 P2 ∑Qij Yi Xi
P1 100 50 150 50 200
P2 50 200 250 50 300
S1 100 0 100
S2 50 50 100
⎡10 ⎤
b) ΔX= B⋅ ΔY; ΔY = ⎢ ⎥ ; B = L-1.
⎣10 ⎦
⎡8 4⎤
det L= 1/6 – 1/24= 1/8 ⇒ B = ⎢ 3 3⎥ .
⎢ ⎥
⎣2 4⎦
⎡8 4⎤
⎡10 ⎤ ⎡ 40 ⎤
ΔX = ⎢ 3 3⎥⋅⎢ ⎥ = ⎢ ⎥ ;
⎢ ⎥ 10 60
⎣2 4⎦ ⎣ ⎦ ⎣ ⎦
Povećanje finalnih isporuka oba proizvođača za 20%, tj. za 10 kj, uzrokovat će pove-
ćanje outputa proizvođača P1 za 40 kg, a proizvođača P2 za 60 m, što iznosi
povećanje njihovih outputa također za 20%.
ΔUe =β⋅ΔY; β = α⋅B.
⎡1 ⎤
⎢ 0 ⎥ ⎡8 4⎤ ⎡4 2⎤
β = ⎢2 ⎥ ⋅ ⎢3 3⎥ = ⎢3 3⎥ ;
⎢1 1⎥ ⎢ ⎥ ⎢ ⎥
⎢⎣ 4 ⎣2 4⎦ ⎣1 1⎦
6 ⎥⎦
⎡4 2⎤
⎡10 ⎤ ⎡ 20 ⎤
ΔU e = ⎢ 3 3⎥⋅⎢ ⎥ = ⎢ ⎥ .
⎢ ⎥ 10 20
⎣1 1⎦ ⎣ ⎦ ⎣ ⎦
Ukupni eksterni inputi koje koriste proizvođači će se također povećati za 20%.
ΔUe =β⋅ΔY; β = α⋅B.
367
INPUT-OUTPUT ANALIZA
⎡1 ⎤
⎢ 0 ⎥ ⎡8 4⎤ ⎡4 2⎤
β = ⎢2 ⎥ ⋅ ⎢3 3⎥ = ⎢3 3⎥
⎢1 1⎥ ⎢ ⎥ ⎢ ⎥
⎢⎣ 4 ⎣2 4⎦ ⎣1 1⎦
6 ⎥⎦
⎡4 2⎤
⎡10 ⎤ ⎡ 20 ⎤
ΔU e = ⎢ 3 3⎥⋅⎢ ⎥ = ⎢ ⎥ .
⎢ ⎥ 10 20
⎣1 1⎦ ⎣ ⎦ ⎣ ⎦
Ukupni eksterni inputi koje koriste proizvođači će se također povećati za 20%.
368
3.3. Vrijednosna input-output analiza
Kvantitativne vrijednosti svih elemenata proizvodnog sistema i veličina koje ga povezuju,
kao i tokovi proizvedenih dobara u samom proizvodnom sistemu i njegovom okruženju
mogu se pregledno i jasno predstaviti vrijednosno, u monetarnim odnosno novčanim poka-
zateljima. U tako izraženoj strukturi proizvoda su uključene cijene. Vrijednosna tabela, za
razliku od količinske, ima veću informacijsku i analitičku vrijednost.
Svakoj količinskoj input-output tabeli može se pridružiti odgovarajuća vrijednosna input-
output tabela kojoj su pojedinačne i zbirne količine izražene vrijednosno u istim novčanim
jedinicama. U vrijednosnoj tabeli je, pored sabiranja elemenata duž redova, dozvoljeno i
sabiranje elemenata duž kolona. Zbog toga vrijednosna input-output tabela pruža potpunije
i kompleksnije informacije o poslovanju istraživanog složenog proizvodnog sistema u pos-
matranom periodu.
Vrijednosna input–output tabela omogućava sagledavanje transakcija između proizvodnih
sektora pa se naziva i transakciona input-output tabela.
Da bi se u proizvodnom sistemu mogle ostvariti proizvodnje moraju se obezbijediti prihodi,
odnosno novac kojim će platiti interne i eksterne repromaterijale, amortizaciju opreme, lič-
ne dohotke, doprinose i poreze, vraćanje kredita i slično.
369
INPUT-OUTPUT ANALIZA
⎡ c1 ⎤
⎢c ⎥
Vektor nabavnih cijena: [ ce ] = ⎢ 2 ⎥
⎢ ⎥
⎢ ⎥
⎣ cm ⎦
370
VRIJEDNOSNA INPUT-OUTPUT ANALIZA
⎢ ⎥ ⎢ ⎥
U 2 + ⎥ ⎢ ∑ W2 j ⎥
+
⎡ n +⎤ ⎢
⎢ ∑ Wej ⎥ = ⎡⎣U e ⎤⎦ = ⎢
+
=
⎣ j =1 ⎦ ⎥ ⎢ j =1 ⎥
⎢ +⎥ ⎢ ⎥
⎢⎣U m ⎥⎦ ⎢ n ⎥
⎢ +⎥
⎢∑ Wmj ⎥
⎣ j =1 ⎦
Unoseći definisane elemente u tabelu kompletira se sljedeća vrijednosna input-output
tabela:
371
INPUT-OUTPUT ANALIZA
Sektori primaoci
Pj P1 P2 … Pn
Sektori davaoci n
Pi ⎡⎣Qij + ⎤⎦ ∑ Qij + Y i+ Xi+
j =1
P1 ∑ Q1 j
+
Q11+ Q12 + … Q1n +
j
Y1+ X1+
+
P2 Q21+ Q22 + … Q2n + ∑ Q2 j Y2+ X2+
j
+
Pn Qn1+ Qn 2 + … Qnn + ∑ Qnj Yn+ Xn+
j
n n n
∑ Qi1+
+
∑ Qij + ∑ Qi 2 + … ∑ Qin ∑ ∑ Qij + = R + Y+ X+
i =1 i i j =1 j =1
i
n
Se ⎡⎣Wej + ⎤⎦ U e + = ∑ Wej +
j =1
m m
∑Wej + … ∑Wen + U + = ∑U e +
e =1 ∑W e1
+
∑We 2 +
e e=1
e e
n
Mj M1 M2 … Mn M = ∑M j
j =1
n
Vj V1 V2 … Vn V = ∑V j
j =1
n
Πj Π1 Π2 … Πn Π = ∑Π j
j=1
372
VRIJEDNOSNA INPUT-OUTPUT ANALIZA
Kolona Yi+ vrijednosti finalnih potrošnji (finalnih isporuka). Svaka od finalnih potro-
šnji, se može specificirati po pojedinačnim potrošačima, korisnicima ili specifičnim
oblicima potrošnje ukoliko postoji potreba za detaljnijom analizom i dekompozicijom
ove veličine. Tako, npr. u sistemu narodne privrede, vrijednost finalnih isporuka se
može raščlaniti na investicije, ličnu potrošnju, opštu i zajedničku potrošnju, porast za-
liha i izvoz. U tom slučaju, umjesto kolone, formirala bi se tabela vrijednosti finalnih
isporuka.
Kolona vrijednosti bruto proizvoda (prihoda) svakog sektora Xi+ .
n
Red reprodukcione potrošnje svakog od sektora ∑ Qij + , reprodukciona potrošnja cije-
i =1
n n
log sistema ∑ ∑ Qij + = R + , ukupna vrijednost finalne potrošnje cijelog sistema Y+ i
i =1 j =1
373
INPUT-OUTPUT ANALIZA
Strukture raspodjele
Struktura raspodjele vrijednosti proizvodnje svakog sektora je predstavljena duž re-
dova vrijednosne input-output tabele i zapisuje se u obliku sljedeće jednačine
raspodjele:
n
Π i = X i + = ∑ Qij + + Yi + ; i = 1,..., n. (3.50)
j =1
gdje je :
n n
∑ ∑ Qij + = R + vrijednost reprodukcijskih potrošnji cijelog sistema (vrijednost utroše-
i =1 j =1
374
VRIJEDNOSNA INPUT-OUTPUT ANALIZA
U vrijednosnoj input-output tabeli moguće je duž kolona pratiti strukturu formiranja vrijed-
nosti bruto proizvodnje pojedinih sektora i cijelog sistema.
Struktura formiranja vrijednosti bruto proizvodnje (prihoda) proizvođača Pj
X +j = Π j = M j + V j = ⎛⎜ ∑ Qij + + ∑ Wej + ⎞⎟ + V j ;
n m
j = 1,..., n. (3.59)
⎝ i =1 e =1 ⎠
Bruto proizvodnja sektora j se formira kao zbir materijalnih troškova i dodane vrijed-
nosti. Materijalni troškovi se sastoje od materijalnih troškova za reprodukcionu
potrošnju iz sistema, dakle internih inputa i materijalnih troškova iz uvoza, odnosno
eksternih inputa. Za svaki sektor u sistemu se može kompletirati i analizirati jednači-
na formiranja vrijednosti bruto proizvodnje.
Struktura formiranja vrijednosti svih proizvodnji u sistemu
n n n n m n
X + = Π = ∑ Π j = M + V = ( R + + U + ) + V = ∑ ∑ Qij + + ∑ ∑Wej + + ∑V j (3.60)
j =1 j =1 i =1 j =1 e =1 j =1
Bruto proizvodnja cijelog sistema je jednaka prihodu u cijelom sistemu i dobija se sa-
biranjem materijalnih troškova i dodane vrijednosti u sistemu.
Struktura vrijednosti finalnih porošnji u sistemu
n
∑ Yi + = Y + (3.61)
i =1
375
INPUT-OUTPUT ANALIZA
Bruto proizvodnja sistema je jednaka zbiru bruto proizvodnji n sektora sistema i jed-
naka prihodu proizvodnog sistema P.
Lijeva strana jednačine (3.64) predstavlja dio vrijednosti proizvodnje proizvodnog sektora
(proizvođača) Pk koju je raspodijelio na reprodukcionu potrošnju drugih sektora i na njego-
vu finalnu potrošnju. Desna strana jednačine predstavlja dio vrijednosti proizvodnje
proizvođača Pk koji je zbir vrijednosti internih repromaterijala utrošenih od ostalih proizvo-
đača, vrijednosti utrošenih eksternih repromaterijala i dodane vrijednosti.
15
Prema Vučković, Ž., (2003), str. 70-73.
376
VRIJEDNOSNA INPUT-OUTPUT ANALIZA
Ovi identiteti vrijede ne samo za pojedine proizvodne sektore (proizvođače) već i za cijeli
proizvodni sistem. Sabirajući po i =1,...,n jednačine raspodjele vrijednosti proizvodnje pro-
izvođača i po j =1,...,n jednačine formiranja vrijednosti proizvodnji proizvođača dobija se:
n n n n
Π = X + = ∑ X i + = ∑ ∑ Qij + + ∑ Yi + = R + + Y +
i =1 i =1 j =1 i =1
n n n n m n
Π = ∑ Π j = M + V = ∑ ∑ Qij + + ∑ ∑ Wej + + ∑ V j = R + + U + + V
j =1 j =1 i =1 j =1 e =1 j =1
+
Qij + π i ⋅ Qij π i
aij = = = ⋅ a ≥ 0; i, j = 1,..., n. (3.67)
Xj +
π j ⋅ X j π j ij
Vrijednosni koeficijent internog inputa se može objasniti i na sljedeći način:
377
INPUT-OUTPUT ANALIZA
+
Kod proizvođača Pj po jednoj novčanoj jedinici njegovog prihoda dolazi a j novčanih
jedinica vrijednosti internog repromaterijala utrošenog iz sistema.
18
Na osnovu formule (3.59) i relacije (3.67) brojnik πi ⋅ Qij ≥ 0 je dio nazivnika πj ⋅Xj > 0, uz poželjnu
pretpostavku da je Vj >0, pa je Qij+ < Xj+. To vrijedi i za zbirove duž kolona matrice A+.
378
VRIJEDNOSNA INPUT-OUTPUT ANALIZA
n
Kada je kod nekog proizvođača Pk zbir a k + = ∑ aik + bliži jedinici, znači da je taj proizvo-
i =1
đač u većem stepenu primalac repromaterijala proizvedenih u sistemu njegova proizvodnja
je više zavisna od repromaterijala iz sistema.
19
Na osnovu formule (3.59) i relacije (3.72) brojnik ce ⋅ Wej ≥ 0 je dio nazivnika πj ⋅Xj > 0, uz poželjnu
pretpostavku Vj >0, pa je Wej+ < Xj+.To vrijedi i za zbirove duž kolona matrice α+.
379
INPUT-OUTPUT ANALIZA
odnosno
380
VRIJEDNOSNA INPUT-OUTPUT ANALIZA
n
0 ≤ ∑ rij = ri ≤ 1; i = 1,..., n. (3.80)
j =1
n
Ako je kod nekog proizvođača Pk zbir rk = ∑ rkj duž k-tog reda matrice ⎡⎣ rij ⎤⎦ bliži jedinici,
j =1
381
INPUT-OUTPUT ANALIZA
⎡ v1+ ⎤
⎢ +⎥
v
⎡⎣ v j ⎤⎦ = ⎢ 2 ⎥ i vrijedi uslov 0 < v j + < 1 20.
+
⎢ ⎥
⎢ +⎥
⎣⎢vn ⎦⎥
20
U razlomku (3.82) brojnik Vj je dio nazivnika Xj+, pa za sve vrijedonosne koeficijente dodane vrijednosti
vrijedi ovo ograničenje.
21
U razlomku (3.84) brojnik Mj je dio nazivnika Xj+, pa za sve vrijedonosne koeficijente materijalnih troško-
va vrijedi ovo ograničenje.
382
VRIJEDNOSNA INPUT-OUTPUT ANALIZA
Pošto su materijalni troškovi jednaki zbiru vrijednosti utrošenih internih i eksternih repro-
materijala
n m
M j = ∑ Qij + + ∑ Wej + ; j = 1,..., n
i =1 e =1
odnosno
n m
m j + = ∑ aij + + ∑ α ej +
i =1 e =1 (3.85)
+
mj = a j
+
+α j
+
j = 1,..., n.
U prethodnom izrazu koeficijent materijalnih troškova je izražen kao zbir zbirova elemena-
ta matrice A+ duž kolona i zbirova elemenata matrice α+ duž kolona.
odnosno
π j X j = ∑ π i ⋅ Qij + ∑ ce ⋅Wej + V j
j e
383
INPUT-OUTPUT ANALIZA
1 = mj+ + v j+ (3.87)
384
VRIJEDNOSNA INPUT-OUTPUT ANALIZA
X + = B + ⋅ Y + ; B + = ( L+ ) −1 (3.89)
Zavisnost uvoza od bruto proizvodnji:
U+ =α+ ⋅ X + (3.90)
Zavisnost uvoza od finalnih potrošnji:
U + = β + ⋅Y + , β + = α + ⋅ B+ . (3.91)
U analizi navedenih međuzavisnosti u proizvodnom sistemu u vrijednosnom obliku koriste
se: matrica tehnologije, matrica ukupnih utrošaka internih inputa i matrica ukupnih utrošaka
eksternih inputa vrijednosno izražene. Značenja ovih matrica se daju po analogiji sa objaš-
njenjima koja su predstavljena u dijelu 3.2.3. za ove matrice u količinskom izrazu.
Predstaviće se elementi navedenih matrica vrijednosno izraženi i objasniti njihovo značenje.
Element matrice tehnologije u vrijednosnom izrazu se zapisuje u sljedećem obliku:
Ako se želi samo vrijednost bruto proizvodnje Xj+ proizvođača Pj povećati za jednu
novčanu jedinicu, a vrijednosti bruto proizvodnji ostalih proizvođača ostanu
nepromijenjene, tada vrijednost neto proizvodnje Yi+ proizvođača Pi treba promijeniti za
lij + novčanih jedinica.
+
∂X j + +
⎧⎪ i = j; bii + ≥ 1
b ji = i vrijedi b ji =⎨ +
. (3.93)
∂Yi + ⎪⎩i ≠ j; b ji ≥ 0
Pokazuje da ako se želi samo vrijednost finalna potrošnja Yi+ ≥ 0 povećati za jednu
novčanu jedinicu, a finalne potrošnje ostalih sektora ostanu nepromijenjene, vrijednost
bruto proizvodnje Xj+ ≥ 0 treba povećati za b ji + ≥ 0 novčanih jedinica.
385
INPUT-OUTPUT ANALIZA
Znači da ako se samo vrijednost bruto proizvodnje Xj+ proizvođača Pj poveća za jednu
novčanu jedinicu, a vrijednosti bruto proizvodnji ostalih proizvođača ostanu
nepromijenjene, tada se vrijednost ukupnog eksternog inputa od Se treba povećati za α ej +
novčanih jedinica.
Elementi ove matrice imaju sljedeće značenje: Ako se želi povećati samo vrijednost
finalne potrošnje Yi+ za jednu novčanu jedinicu, a da vrijednosti finalnih potrošnji ostalih
sektora ostanu nepromijenjene, treba vrijednost ukupnog eksternog inputa (uvoza) od
snabdjevača Se povećati za βei+ novčanih jedinica.
⎡V1 ⎤ ⎡v1 0 0⎤ ⎡ X1 ⎤
⎢V ⎥ ⎢ ⎥ ⎢X ⎥
⎢ 2 ⎥ = ⎢ 0 v2 0⎥
⋅⎢ 2⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣Vn ⎦ n×1 ⎣ 0 0 vn ⎦ n×n ⎣ X n ⎦ n×1
⎡⎣V j ⎤⎦ = ⎡⎣ vˆ j ⎤⎦ ⋅ ⎡⎣ X j ⎤⎦
n×1 n× n n×1
386
VRIJEDNOSNA INPUT-OUTPUT ANALIZA
Naime, element bji pokazuje veličinu proizvodnje j-tog sektora koja je direktno i indirektno
uslovljena količinskom jedinicom finalnih isporuka i-tog sektora. Ako se veličinu proizvo-
dnje j- tog proizvođača pomnoži veličinom dodane vrijednosti tog proizvođača koju on
ostvaruje po količinskoj jedinici svoje proizvodnje, dobit će se veličina dodane vrijednosti
tog proizvođača uslovljena količinskom jedinicom finalnih isporuka i-tog proizvođača (sek-
tora).
Analogno, može se pokazati zavisnost dodane vrijednosti Vj proizvođača Pj od vrijednosti
finalne potrošnje Yi+ proizvođača Pi.
Pošto je V j = v j + ⋅ X j + ; j = 1,..., n , gdje je vj+ vrijednosni koeficijent dodane vrijednosti, u
matričnom obliku se može zapisati
⎡⎣V j ⎤⎦ = ⎡⎣ vˆ j + ⎤⎦ ⋅ ⎡⎣ X j + ⎤⎦
n×1 n× n n×1
22
Matrica ⎡⎣ d ji ⎤⎦ = ⎡⎣ vˆ j ⎤⎦ ⋅ ⎡⎣b ji ⎤⎦ predstavlja matricu ukupnih koeficijenata dodane vrijednosti.
387
INPUT-OUTPUT ANALIZA
Ako se samo vrijednost finalne potrošnje Yi+ proizvođača Pi poveća za jednu novčanu
jedinicu, a ostale finalne potrošnje ostaju nepromijenjene, dodana vrijednost u prihodu
proizvođača Pj će se povećati za dji+ novčanih jedinica.
Cijene veličina koje se nalaze u proizvodnom sistemu se mijenjaju, a time i cijene proizvo-
dnje. Zbog toga može doći do narušavanja ravnoteže između potražnje i ponude proizvoda
jednog ili više sektora. Za analizu cijena u proizvodnom sistemu i praćenja uticaja njihove
promjene polazi se od pretpostavke da proporcije svakog sektora ostaju konstantne, tj. koe-
ficijenti njihovih odnosa se ne mijenjaju uslijed promjena cijena.
nosti.
388
VRIJEDNOSNA INPUT-OUTPUT ANALIZA
24
Vučković, Ž., (2003), str. 45.
389
INPUT-OUTPUT ANALIZA
Koeficijent lij iz gornjeg izraza ima sljedeće značenje: Ako se tržišna cijena pi poveća za
jednu novčanu jedinicu, a ostale tržišne cijene ostanu nepromijenjene, tada internu cijenu
πj treba promijeniti za lij novčanih jedinica.
Rješavajući jednačinu (3.104) po vektoru finalnih cijena, tj. množeći je sa inverznom matri-
com matrice LT, odnosno matricom BT sa lijeve strane, dobija se:
Ako se iz ovog sistema od n linearnih jednačina izdvoji i-ta jednačina, dobija se:
n
pi = ∑ π j ⋅ b ji ; i = 1,..., n . (3.108)
j =1
Koeficijent bji iz gornjeg izraza ima sljedeće značenje: Ako se interna cijena πj želi
povećati za jednu novčanu jedinicu, a da ostale interne cijene ostanu nepromijenjene,
tržišna cijena pi bi se trebala povećati za bji novčanih jedinica.
Pitanje koje ostaje otvoreno za diskusiju je da li se finalna potrošnja na tržištu može reali-
zovati po cijenama koje su planirali proizvođači, a koje su u analizi označene kao tržišne ili
finalne cijene.
n π i ⋅ Qij m ce ⋅ Wej Vj
πj =∑ +∑ +
i =1 Xj e =1 Xj Xj
390
VRIJEDNOSNA INPUT-OUTPUT ANALIZA
odnosno
n m
π j = ∑ π i ⋅ aij + ∑ ce ⋅ α ej + v j . (3.110)
i =1 e=1
⎡⎣ v j ⎤⎦ = ⎡⎣lij ⎤⎦ ⋅ [π i ] − ⎡⎣α ej ⎤⎦ ⋅ [ ce ] .
T T
(3.112)
Iz (3.111) slijede parcijalni izvodi:
∂v j ⎧i = j ⇒ 0 < lii = (1 − aii ) ≤ 1
= lij za koje ⎨ (3.113)
∂π i ⎩ i ≠ j ⇒ lij = − aij ≤ 0
∂v j
= −α ej ≤ 0 .(3.114)
∂ce
Značenje parcijalnog izvoda (3.113) je sljedeće: Ako se samo interna cijena πi poveća za
jednu novčanu jedinicu, a sve ostale interne cijene, kao i cijene nabave ostanu
nepromijenjene, koeficijent dodane vrijednosti kod proizvođača Pj će se promijeniti za lij
novčanih jedinica.
Značenje parcijalnog izvoda (3.114) je sljedeće: Ako se samo nabavna cijena ce poveća
za jednu novčanu jedinicu, a ostale cijene nabavne, kao i interne cijene, ostanu
nepromijenjene, koeficijent dodane vrijednosti kod proizvođača Pj će se smanjiti za αej
novčanih jedinica.
391
INPUT-OUTPUT ANALIZA
T
Množeći jednačinu (3.112) sa lijeve strane sa matricom ⎡⎣b ji ⎤⎦ dobija se:
[π i ] = ⎡⎣b ji ⎤⎦ ⋅ ⎡⎣v j ⎤⎦ + [ β ei ] ⋅ [ ce ] ;
T T
i, j = 1,..., n ; e = 1,..., m. (3.116)
Značenje koeficijenta βei zapisanog u izrazu (3.119) je sljedeće: Ako se samo nabavna
cijena ce poveća za jednu novčanu jedinicu, a da sve ostale nabavne cijene ostanu iste,
kao i koeficijenti dodanih vrijednosti, internu cijenu πi kod proizvođača Pi treba povećati
za βei novčanih jedinica.
1= a j
+
+α j
+
+ v j+ ; j = 1,..., n.
Jedinica vrijednosti proizvodnje j-tog sektora formira se tako što jediničnim vrijednosnim
utrošcima internih i eksternih repromaterijala, dakle jediničnim materijalnim troškovima,
doda dodana vrijednost koja se ostvaruje u jediničnoj vrijednosti proizvodnje j-tog sektora.
392
VRIJEDNOSNA INPUT-OUTPUT ANALIZA
Na isti način može se izračunati struktura jediničnih vrijednosti proizvodnje za svakog pro-
izvođača (j = 1,...,n), pa se dobija sistem od n linearnih jednačina:
1 = ( a11+ + a21+ + .. + an1+ ) + (α11+ + α 21+ + .. + α m1+ ) + v1+
1= β j
+
+d j
+
393
INPUT-OUTPUT ANALIZA
Primjer 3.6.
Poznata je količinska input-output tabela jednog proizvodnog sistema
P1 P2 P3
⎡⎣Qij ⎤⎦ ∑ Qij Yi Xi
j
25
Andrijić, S.,(2002.) str. 229.
394
VRIJEDNOSNA INPUT-OUTPUT ANALIZA
Rješenje:
a) Prvo se izračunavaju interne cijene po kojima se obračunavaju pojedine proizvod-
nje i njihovi dijelovi (interni inputi i izvoz).
⎡⎣π j ⎤⎦ = ⎡⎣lij ⎤⎦ ⋅ [ pi ]
T
⎡ 1 ⎤
⎢100 0 0 ⎥ ⎡ ⎤
⎢0 0 0⎥
⎡ 0 0 0 ⎤ ⎢ ⎥ ⎢ ⎥
1 1⎥
A = ⎡⎣ aij ⎤⎦ = ⎢⎢300 0 100 ⎥⎥ ⋅ ⎢ 0 0 ⎥=⎢3 0
⎢ 500 ⎥ ⎢ 2⎥
⎢⎣ 10 0 50 ⎥⎦ ⎢ ⎥
⎢ 0 1 ⎥ ⎢1 1⎥
0 ⎢ 0 ⎥
⎢⎣ 200 ⎥⎦ ⎣10 4⎦
⎡ ⎤ ⎡ ⎤
⎢ 0 0 0⎥ ⎢ 1 0 0 ⎥
⎡1 0 0 ⎤ ⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ 1⎥ ⎢ 1⎥
L = ⎡⎣lij ⎤⎦ = ⎢0 1 0 ⎥ − 3 0 = −3 1 − .
⎢ 2⎥ ⎢ 2⎥
⎢⎣0 0 1 ⎥⎦ ⎢ ⎥ ⎢
1 1 1 3 ⎥
⎢ 0 ⎥ ⎢− 0 ⎥
⎣10 4 ⎦ ⎣ 10 4 ⎦
⎡ −1 ⎤
⎢1 −3 10 ⎥ ⎡ 23⎤ ⎡13⎤
⎢ ⎥
π j = ⎢0 1 0 ⎥ ⋅ ⎢⎢ 3 ⎥⎥ = ⎢⎢ 3 ⎥⎥ .
⎢ −1 3 ⎥ ⎢⎣10 ⎥⎦ ⎢⎣ 6 ⎥⎦
⎢0 ⎥
⎣ 2 4⎦
Množeći proizvodnje proizvođača odgovarajućim internim cijenama dobija se odgo-
varajuća transakciona (vrijednosna) input-output tabela:
395
INPUT-OUTPUT ANALIZA
P1 P2 P3
Qij+ ∑ Qij+ Yi + X i+
j
P1 0 0 0 0 1300 1300
P2 900 0 300 1200 300 1500
P3 60 0 300 360 840 1200
∑ Qij+ 960 0 600 R+=1560 Y+=2440 X+=4000
i
Wej+ ∑Wej+
j
396
VRIJEDNOSNA INPUT-OUTPUT ANALIZA
b) Računa se
⎡ 1 ⎤
⎢1300 0 0 ⎥ ⎡ ⎤
⎢0 0 0⎥
⎡ 0 0 0 ⎤ ⎢ ⎥ ⎢ ⎥
1 ⎥=⎢ 9 0 1⎥
⎡⎣ aij + ⎤⎦ = ⎡⎣Qij + ⎤⎦ ⋅ ⎡ Xˆ j + ⎤ = ⎢900 0 300 ⎥ ⋅ ⎢ 0 0 .
⎣ ⎦ ⎢ ⎥ ⎢ 1500 ⎥ ⎢ 13 4⎥
⎢⎣ 60 0 300 ⎥⎦ ⎢ ⎥ ⎢
⎢ 0 1 ⎥ 3 1⎥
0 ⎢ 0 ⎥
⎢⎣ 1200 ⎥⎦ ⎣ 65 4⎦
397
INPUT-OUTPUT ANALIZA
1= a j
+
+α j
+
+ v j+ ; j = 1, 2,3
398
VRIJEDNOSNA INPUT-OUTPUT ANALIZA
P1 P2 P3
P1 0 0 0
P2 9/13 0 1/4
P3 3/65 0 1/4
∑ 48/65 0 1/2
S1 3/26 1/6 1/24
S2 3/65 6/25 1/50
∑ 21/130 61/150 37/600
mj+ 117/130 61/150 337/600
vj+ 13/130 89/150 263/600
1 1 1
Objašnjenje:
Proizvođač P1 u svakoj novčanoj jedinici (KM) vrijednosti bruto proizvodnje
obračunava 48/65 KM vrijednosti ukupnog internog repromaterijala i 21/130
KM vrijednosti eksternog repromaterijala, tj. ukupno 117/130 KM materijalnih
troškova i 13/130 KM dodane vrijednosti.
Proizvođač P2 u svakoj svojoj KM vrijednosti bruto proizvoda obračunava
61/150 KM vrijednosti eksternog repromaterijala i time isto materijalnih troš-
kova i 89/150 KM dodane vrijednosti.
Proizvođač P3 u svakoj novčanoj jedinici (KM) vrijednosti bruto proizvodnje
obračunava 1/2 KM vrijednosti ukupnog internog repromaterijala i 37/600 KM
vrijednosti eksternog repromaterijala, tj. ukupno 337/600 KM materijalnih troš-
kova i 263/600 KM dodane vrijednosti.
⎡ ⎤
⎢ 0 0 0⎥
⎢ ⎥
3 1⎥
d) Kako je ⎡⎣ rij+ ⎤⎦ = ⎡⎣ rij ⎤⎦ i iz izračunate matrice ⎡⎣ rij ⎤⎦ = ⎢ 0 slijedi:
⎢5 5⎥
⎢1 1⎥
⎢ 0 ⎥
⎣ 20 4⎦
Yi +
rij+ ⋅100% ri + ⋅100% ⋅100%
X i+
P1 0 0 0 0 100
P2 60 0 20 80 20
P3 5 0 25 30 70
399
INPUT-OUTPUT ANALIZA
Objašnjenje:
Proizvođač P1 je svoj prihod kompletno rasporedio na vrijednost svoje finalne
potrošnje.
Proizvođač P2 je svoj prihod rasporedio 20% na vrijednost finalne potrošnje i 80%
na vrijednost interne raspodjele - 60% proizvođaču P1 i 20% proizvođaču P3.
Proizvođač P3 je svoj prihod rasporedio 70% na vrijednost finalne potrošnje i 30%
na vrijednost internih inputa, i to 5% proizvođaču P1 i 25% u vlastitu proizvodnju.
Primjer 3.7.
Kod jednog proizvodnog sistema poznate su sljedeće matrice:
⎡0, 2 0,1 ⎤ + ⎡0, 05 0, 04 ⎤
A+ = ⎡⎣ aij+ ⎤⎦ = ⎢ ⎥ α = ⎡⎣α ej+ ⎤⎦ = ⎢
⎣ 0,1 0, 4 ⎦ ⎣ 0 0,1 ⎥⎦
Rješenje:
⎡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⎤
det L+ = ⇒ B+ = ⋅
100 47 ⎢⎣ 0,1 0,8⎥⎦
100 ⎡ 0, 6 0,1⎤ ⎡1400 ⎤ ⎡ 2000 ⎤
X + = B+ ⋅Y + = ⋅ ⋅ = ⇒
47 ⎢⎣ 0,1 0,8⎥⎦ ⎢⎣1000 ⎥⎦ ⎢⎣ 2000 ⎥⎦
400
VRIJEDNOSNA INPUT-OUTPUT ANALIZA
P1 P2 ∑ Qij+ Yi + X i+
j
S1 100 80 180
S2 0 200 200
∑ Wej+ 100 280 380
e
P1 P2 ∑Qij Yi Xi
P1 40 20 60 140 200
P2 25 100 125 125 250
S1 20 16 36
S2 0 50 50
⎢ ⎥
c) V j = Π j − M j = X j ⋅ π j * − ⎢ ∑ Qij ⋅ π j * + ∑ Wej ⋅ ce* ⎥ ;
⎣ i e ⎦
gdje su πj* nove interne cijene po kojima se obračunavaju bruto proizvodnje i njeni
dijelovi i ce* nove cijene nabave.
401
INPUT-OUTPUT ANALIZA
284 = 32 ⋅ π 1* − 5 ⋅ π 2*
533 = −10 ⋅ π 1* + 75 ⋅ π 2*
π 1* = 10.42
π 2* = 9.88
Dakle, ako se cijene uvoza povećaju za 1nj, interne cijene bi se povećale π 1 za 0,42
nj, a π 2 za 1,88 nj.
Primjer 3.8.
Poznata je nepotpuna vrijednosna input-output tabela, kao i vektori internih cijena
⎡ 25⎤ nj / kom ⎡10 ⎤ nj / kwh
π =⎢ ⎥ i nabavnih cijena c = ⎢ ⎥ .
⎣15 ⎦ nj / m ⎣ 20 ⎦ nj / kom
P1 P2
+
Q ij ∑ Qij+ Yi + X i+
j
P1 0 1250 2500
P2 600 2100 3000
∑Q +
ij
i
Wej+ ∑Wej+
j
S1 0 100
S2 1200 160
∑Wej+
e
Mj
Vj
Πj
402
VRIJEDNOSNA INPUT-OUTPUT ANALIZA
Rješenje:
a) Vrijednosna I-O tabela
P1 P2
+
Q
ij ∑ Qij+ Yi + X i+
j
S1 0 100 100
S2 1200 160 1360
∑Wej+ 1200 260 1460
e
2 2 2
b) Π = X + = ∑∑ Qij + + ∑ Yi + = R + + Y + ⇒ 5500 = 2150 + 3350 .
i =1 j =1 i =1
Q21+ 300
c) Q21 = = = 20m .
π2 15
d) Dijeleći vrijednosti internih i eksternih inputa proizvođača sa odgovarajućim inter-
nim i nabavnim cijenama, dobijamo količinsku I- O tabelu:
P1 P2 ∑Qij Yi Xi
P1 0 50 50 50 100
P2 20 40 60 140 200
S1 0 10 10
S2 60 8 68
403
INPUT-OUTPUT ANALIZA
⎡ 1 ⎤ ⎡ 5⎤
⎢ 0 ⎥ ⎢0
−1 ⎡ 0 1250 ⎤ 2500 12 ⎥
e) ⎣⎡ aij + ⎦⎤ = ⎣⎡Qij + ⎦⎤ ⋅ ⎣⎡ Xˆ j ⎦⎤ = ⎢ ⎥ ⋅⎢ ⎥=⎢ ⎥
⎣300 600 ⎦ ⎢ 0 1 ⎥ ⎢3 1⎥
⎢⎣ 3000 ⎥⎦ ⎢⎣ 25 5 ⎥⎦
⎡ 1 ⎤ ⎡ 1⎤
⎢ 2500 0 ⎥ ⎢0
−1 ⎡
⎡⎣α ij + ⎤⎦ = ⎡⎣Wej + ⎤⎦ ⋅ ⎡ Xˆ j ⎤ = ⎢
0 100 ⎤ 30 ⎥
⎣ ⎦ ⎥ ⋅ ⎢ ⎥=⎢ ⎥.
⎣1200 160 ⎦ ⎢ 0 1 ⎥ ⎢ 12 4⎥
⎢⎣ 3000 ⎥⎦ ⎢⎣ 25 75 ⎥⎦
5 1
a12 + = ; α12 + =
12 30 .
5
U svakoj novčanoj jedinici vrijednosti proizvodnje proizvođač P2 direktno utroši
12
1
vrijednosti proizvodnje proizvođača P1 i vrijednosti uvoza od snabdjevača S1.
30
V2 890
f) v2 + = +
= ≈ 0, 296 .
X2 3000
Primjer 3.9.
Kod jednog proizvodnog sistema u tekućem periodu poznate su matrice:
⎡1 1⎤
⎢8 4⎥ ⎡1 ⎤ ⎡ 400 ⎤
A+ ⎥, α = ⎢
+
=⎢ 0⎥ , X + = ⎢ ⎥.
⎢1 1⎥ ⎣4 ⎦ ⎣ 600 ⎦
⎢⎣ 4 3 ⎥⎦
a) Kompletirati odgovarajuću vrijednosnu I- O tabelu proizvodnog sistema ;
b) Izračunati vrijednosnu matricu koeficijenata ukupnih eksternih inputa [β+] i ko-
mentarisati vrijednosti koeficijenata direktnih i ukupnih utrošaka eksternih inputa
za sektor P2;
c) Izračunati vrijednosne direktne i ukupne koeficijente dodane vrijednosti [v+] i
[d+] i komentirati dobivene rezultate za sektor P2 ;
d) Napisati vrijednosnu strukturu jedinične proizvodnje za svaki sektor pomoću di-
rektnih koeficijenata (polaznu strukturu), a zatim pomoću ukupnih koeficijenata
(dekomponiranu strukturu).
404
VRIJEDNOSNA INPUT-OUTPUT ANALIZA
Rješenje:
a) Izračunavaju se:
⎡1 1⎤
⎢ 4 ⎥ ⎡ 400 0 ⎤ ⎡ 50 150 ⎤
⎡⎣Qij+ ⎤⎦ = ⎡⎣α ij+ ⎤⎦ ⋅ ⎡ Xˆ +j ⎤ = ⎢ 8 ⎥⋅ =
⎣ ⎦
⎢1 1 ⎥ ⎣⎢ 0 600 ⎦⎥ ⎣⎢100 200 ⎦⎥
⎣⎢ 4 3 ⎦⎥
⎡ ˆ +⎤ ⎡
1 ⎤ ⎡ 400 0 ⎤
⎣⎡Wej ⎦⎤ = ⎣⎡α ej ⎦⎤ ⋅ ⎣ X j ⎦ = ⎢ 4 ⎥ = [100 0]
+ +
0⎥ ⋅ ⎢
⎣ ⎦ ⎣ 0 600 ⎦
Dobija se vrijednosna I-O tabela:
P1 P2
+
Q
ij ∑ Qij+ Yi + X i+
j
Wej+ ∑ Wej+
j
S1 100 0 100
Mj 250 350 600
Vj 150 250 400
Πj 400 600 1000
b) β+ = α+·B+; B+ = (L+)-1.
Računa se matrica B+:
⎡7 −1 ⎤
⎢8 4⎥
L+ = ( I − A+ ) = ⎢ ⎥
⎢ −1 2⎥
⎣⎢ 4 3 ⎦⎥
25
det L+ =
48
⎡ 32 12 ⎤
1 ⎢ 25 25 ⎥
B+ = ⋅ ( L+
) = ⎢ ⎥
det L+ ⎢ 12 42 ⎥
⎣⎢ 25 25 ⎦⎥
405
INPUT-OUTPUT ANALIZA
⎡ 32 12 ⎤
⎡ 1 ⎤ ⎢ 25 25 ⎥ ⎡ 8 3⎤
Sada matrica β + = ⎢ 0⎥ ⋅ ⎢ ⎥= .
⎣4 ⎦ ⎢ 12 42 ⎥ ⎢⎣ 25 25 ⎥⎦
⎢⎣ 25 25 ⎥⎦
Iz dobivenih matrica traženi direktni vrijednosni koeficijent eksternih inputa za proiz-
vođača P2 je α12+ = 0 i pokazuje da proizvođač P2 u svojoj proizvodnji ne troši
vrijednost eksternog repromaterijala.
3 ∂U1+
Nadalje β = =+
12 pokazuje da jedinica vrijednosti finalne isporuke proizvođa-
25 ∂Y2+
ča P2 uvjetuje potrošnju eksternog repromaterijala kod svih proizvođača u vrijednosti
od 3/25 nj.
Vj ⎡3 5 ⎤
c) Iz v +j = ⇒ v+ = ⎢
⎣ 8 12 ⎥⎦
+
X j
⎡3 ⎤ ⎡ 32 12 ⎤ ⎡ 12 9⎤
0⎥ ⎢
⎢ 8 25 25 ⎥ ⎢ 25 50 ⎥
⎣⎡ d ⎦⎤ = ⎣⎡vˆ ⎦⎤ ⋅ B = ⎢
+ + +
⎥⋅⎢ ⎥=⎢ ⎥
⎢0 5 ⎥ ⎢ 12 42 ⎥ ⎢ 1 7⎥
⎢⎣ 12 ⎥⎦ ⎢⎣ 25 25 ⎥⎦ ⎢⎣ 5 10 ⎥⎦
To znači da je direktni vrijednosni koeficijent dodane vrijednosti proizvođača P2
5
v2+ = i pokazuje da se u jednoj novčanoj jedinici vrijednosti proizvodnje proizvo-
12
đača P2 nalazi 5/12 nj dodane vrijednosti.
Dalje, ukupni vrijednosni koeficijent dodane vrijednosti proizvođača P2 je
9 7 22
d +2 = d12+ + d 22+ = + = i pokazuje da jedinica vrijednosti finalne isporuke pro-
50 10 25
izvođača P2 sadrži 22/25 nj dodane vrijednosti formirane u svim sektorima
proizvodnog sistema i to: u prvom 9/50 nj, u drugom 7/10 nj.
1= a j
+
+α j
+
+ vj+ ; j = 1, 2.
1 1 1 3
Za sektor P1: ( + ) + + = 1
8 4 4 8
406
VRIJEDNOSNA INPUT-OUTPUT ANALIZA
1= β j
+
+d j
+
8 12 1 8 17
Za sektor P1: +( + ) = + =1
25 25 5 25 25
U jednoj novčanoj jedinici proizvodnje sektora P1 se nalazi 8/25 nj vrijednosti ekster-
nih inputa i 17/25 nj dodane vrijednosti formirane u sistemu, a sadržanih u jedinici
vrijednosti izvoza ovog sektora.
3 9 7 3 22
Za sektor P2: +( + ) = + =1
25 50 10 25 25
U jednoj novčanoj jedinici proizvodnje sektora P2 se nalazi 3/25 nj vrijednosti ekster-
nih inputa i 22/25 nj dodane vrijednosti formirane u sistemu, a sadržanih u jedinici
vrijednosti izvoza ovog sektora.
Primjer 3.10.
Kod nekog proizvodnog sistema poznate su sljedeće matrice
⎡4 10 ⎤ ⎡1 ⎤
⎢ 0⎥
⎡⎣b ji + ⎤⎦ = ⎢ 3 9 ⎡ + ⎤ ⎢ 25
⎥
⎥ α ej ⎦ = ⎢ ⎥
⎢2 20 ⎥ ⎣ ⎢4 1⎥
⎣⎢ 3 9 ⎦⎥ ⎣⎢ 25 30 ⎦⎥
407
INPUT-OUTPUT ANALIZA
Rješenje:
⎡4 10 ⎤
⎢3 9 ⎥ ⎡ 2000 ⎤ ⎡5000 ⎤
I − A+ = ( B + ) ⇒ A+ = I − ( B + )
−1 −1
a) X + = B + ⋅ Y + = ⎢ ⎥⋅⎢ ⎥ =⎢ ⎥
⎢2 20 ⎥ ⎣ 2100 ⎦ ⎣6000 ⎦
⎢⎣ 3 9 ⎥⎦
⎡ 20 10 ⎤
⎢ − ⎥
20
det B + = ; ( B + *) = ⎢
T 9 9
⎥ ⇒
9 ⎢− 2 4 ⎥
⎢⎣ 3 3 ⎥⎦
⎡ 20 10 ⎤ ⎡ 1⎤
⎢ − ⎥ ⎢ 1 − ⎥
9
L+ = ( B + ) = ⋅ ⎢
−1 9 9 2
⎥= ⎢ ⎥⇒
20 ⎢ 2 4 ⎥ ⎢ 3 3 ⎥
− −
⎣⎢ 3 3 ⎦⎥ ⎣⎢ 10 5 ⎥⎦
⎡ 1⎤
⎢ 0
2⎥
⇒ A+ = I − L+ = ⎢ ⎥
⎢ 3 2⎥
⎢⎣10 5 ⎥⎦
Izračunava se:
⎡ 1⎤
⎢0 2 ⎥ ⎡5000 0 ⎤ ⎡ 0 3000 ⎤
⎡ ⎤ˆ
⎣⎡Qij ⎦⎤ = ⎣⎡α ij ⎦⎤ ⋅ ⎣ X j ⎦ = ⎢ 3
+ + +
⎥⋅⎢ =⎢
⎢ 2⎥ ⎣ 0 6000 ⎦ ⎣1500 2400 ⎥⎦
⎥
⎢⎣10 5 ⎥⎦
⎡1 ⎤
⎢ 0⎥
⎡5000 0 ⎤ ⎡ 200 0 ⎤
⎡⎣Wej+ ⎤⎦ = ⎡⎣α ej+ ⎤⎦ ⋅ ⎡ Xˆ +j ⎤ = ⎢ 25 ⎥⋅⎢ =
⎣ ⎦
⎢4 1⎥ ⎣ 0 6000 ⎥⎦ ⎢⎣800 200 ⎥⎦
⎣⎢ 15 30 ⎦⎥
408
VRIJEDNOSNA INPUT-OUTPUT ANALIZA
409
INPUT-OUTPUT ANALIZA
Primjer 3.11.
U proteklom periodu poznata je vrijednosna input-output trosektorska tabela jedne
privrede (u milionima $):
Wej+ ∑ Wej+
j
Rješenje:
⎡ 1 ⎤ ⎡3 1 1⎤
⎢ 0 0 ⎥ ⎢
⎡150 100 50 ⎤ ⎢ 500 10 4 6 ⎥
⎥ ⎢ ⎥
1 1 3 4⎥
a) A+ = ⎡⎣Qij + ⎤⎦ ⋅ ⎡⎣ Xˆ j + ⎤⎦ = ⎢⎢ 50 120 80 ⎥⎥ ⋅ ⎢ 0
−1
0 = ⎥ ⎢
⎢ 400 ⎥ ⎢10 10 15 ⎥
⎣⎢ 0 0 100 ⎦⎥ ⎢ ⎥ ⎢
1 ⎥ ⎢ 1⎥
⎥
⎢ 0 0 0 0
⎢⎣ 300 ⎥⎦ ⎢⎣ 3 ⎥⎦
410
VRIJEDNOSNA INPUT-OUTPUT ANALIZA
+
Qij +
ili primjenom relacije aij = objašnjava se:
X j+
Sektor industrije po svakom milionu vrijednosti outputa direktno utroši:
3 1
a11+ = miliona vrijednosti vlastite proizvodnje, a21+ = miliona vrijednosti
10 10
proizvoda poljoprivrede, a31+ = 0 ništa od vrijednosti koju daje sektor turizma.
Sektor poljoprivrede po svakom milionu vrijednosti outputa direktno utroši:
1 3
a12 + = miliona vrijednosti proizvoda prvog sektora (industrije), a22 + = mili-
4 10
ona vrijednosti vlastite proizvodnje, a32 + = 0 ništa od vrijednosti koju daje sektor
turizma.
Sektor turizma po svakom milionu vrijednosti svog outputa direktno utroši:
1 4
a13+ = miliona vrijednosti proizvoda sektora industrije, a23+ = miliona vri-
6 15
1
jednosti proizvoda poljoprivrede, a33+ = miliona vrijednosti vlastitog outputa.
3
411
INPUT-OUTPUT ANALIZA
⎡ 7 1 1⎤
⎢ 10 − − ⎥
4 6
⎢ ⎥
1 7 −4 ⎥
( I − A ) = ⎢−
+
.
⎢ 10 10 15 ⎥
⎢ ⎥
⎢ 0 2 ⎥
0
⎣⎢ 3 ⎥⎦
1
Pronađimo inverznu matricu tj. B + = ( L+ )
det L+
T
⎡7 1 ⎤ ⎡7 1 11 ⎤
⎢ 15 15 0 ⎥ ⎢15 6 60 ⎥
⎢ ⎥ ⎢ ⎥
31 1 7 1 7 21 ⎥
+
det L = ; L = (( L ) ) = ⎢
+ + * T
0 ⎥ =⎢
100 ⎢ 6 15 ⎥ ⎢15 15 100 ⎥
⎢ ⎥ ⎢ ⎥
⎢ 11 21 93 ⎥ ⎢0 0 93 ⎥
⎣⎢ 60 100 200 ⎥⎦ ⎢⎣ 200 ⎥⎦
⎡140 50 55 ⎤
⎢ 93 93 93 ⎥
⎢ ⎥ ⎡ 1,51 0,54 0,59 ⎤
20 140 21 ⎥ ⎢
B =+ ⎢ ≈ 0, 22 1,51 0, 68⎥⎥ .
⎢ 93 93 31 ⎥ ⎢
⎢ ⎥ ⎢ 0 0 1,5 ⎥⎦
⎢ 0 3⎥ ⎣
0
⎣⎢ 2 ⎦⎥
+
∂X j
b ji + = predstavlja zavisnost vrijednosti outputa sektora j uslovljena jediničnom
∂Yi +
promjenom vrijednosti finalnih isporuka (izvoza) sektora i.
Objašnjenje:
Ako povećamo vrijednost izvoza samo sektora 1(industrije) za milion, tada će se
njegova bruto vrijednost povećati za b11+ = 1,51 miliona, bruto vrijednost sektora 2
(poljoprivrede) za b21+ = 0, 22 miliona, a bruto vrijednost sektora 3 (turizma) će os-
tati ista b31+ = 0 ;
Ako povećamo vrijednost izvoza samo sektora 2 (poljoprivrede) za milion, tada će
se bruto vrijednost sektora 1 (industrije) povećati za b12 + = 0,54 miliona, vlastita
bruto vrijednost za b22 + = 1,51 miliona i bruto vrijednost sektora 3 (turizma) se ne-
će promjeniti b32 + = 0 ;
412
VRIJEDNOSNA INPUT-OUTPUT ANALIZA
e) ΔX + = B + ⋅ ΔY +
⎡ 1,51 0,54 0,59 ⎤ ⎡ 0 ⎤ ⎡ 27 ⎤
ΔX = ⎢ 0, 22 1,51 0, 68⎥ ⎢50 ⎥ = ⎢ 75,5⎥
+
⎢ ⎥⎢ ⎥ ⎢ ⎥
⎢⎣ 0 0 1,5 ⎥⎦ ⎢⎣ 0 ⎥⎦ ⎢⎣ 0 ⎥⎦
⎡2 1 1⎤
β+ = ⎢
⎣5 4 6 ⎥⎦
⎡0⎤
⎡2
+ 1 1⎤ ⎢ ⎥
ΔU = ⎢ ⋅ 50 = 12,5 .
⎣5 4 6 ⎥⎦ ⎢ ⎥
⎢⎣ 0 ⎥⎦
+
26
U elementu b ji sadržan je ukupni efekat što ga na vrijednost outputa sektora j putem složenog sistema
čini 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 (i≠j), odnosno bii -(1+ aii ) predstavlja veličinu indirektnih
efekata. Kako suma ∑b j
ji
+
predstavlja efekat jedinice vrijednosti finalnih isporuka (izvoza) sektora i na
413
INPUT-OUTPUT ANALIZA
Primjer 3.12.
Neka je u nekom proteklom proizvodnom periodu poznata transakciona I-O tabela je-
dnog proizvodnog sistema (u $), kao i interne cijene proizvodnji i nabavne cijene:
⎡10 ⎤ ⎡10 ⎤
π i = ⎢ ⎥ , ce = ⎢ ⎥
⎣ 20 ⎦ ⎣5⎦
Transakciona I-O tabela:
P1 P2
Qij+ ∑ Qij+ Yi + X i+
j
Wej+ ∑Wej+
j
414
VRIJEDNOSNA INPUT-OUTPUT ANALIZA
Rješenje:
a) Izračunavaju se matrice:
⎡ 1⎤ ⎡1 1 ⎤ ⎡ −1 ⎤
⎢0 6 ⎥ ⎢ 4 12 ⎥ ⎢ 1 6⎥
⎥; α = ⎢
+ + + +
A =⎢ ⎥;L = I − A = ⎢ ⎥
⎢1 1⎥ ⎢0 1 ⎥ ⎢− 1 5⎥
⎢⎣ 2 6 ⎥⎦ ⎢⎣ 12 ⎥⎦ ⎢⎣ 2 6 ⎥⎦
⎡10 2⎤ ⎡1 1⎤
⎢9 ⎥ ⎢3 6⎥
B + = ( L+ ) = ⎢
−1 9
⎥; β = α ⋅ B = ⎢
+ + +
⎥;
⎢2 4⎥ ⎢1 1⎥
⎢⎣ 3 3 ⎥⎦ ⎢⎣18 9 ⎥⎦
⎡1 1⎤
⎡⎣ v + ⎤⎦ = ⎢ ; [ v ] = [ 2,5 10]
⎣4 2 ⎥⎦
m n
1 = ∑ β ej + + ∑ vi+ ⋅ bij + ;
e =1 i =1
m n
1 = ∑ β ej + + ∑ dij + ;
e =1 i =1
1= β j
+
+d j
+
⎡5 1⎤
⎢ ⎥
⎡⎣ dij + ⎤⎦ = ⎢18 18 ⎥
⎢1 2⎥
⎣⎢ 3 3 ⎥⎦
Za proizvođača P1:
1 1 5 1 7 11
1= β 1 +d 1 = ( + )+( + ) = +
3 18 18 3 18 18 .
Proizvođač P1 po svakoj novčanoj jedinici vrijednosti proizvodnje obračunava 7/18
novčanih jedinica vrijednosti uvezenog repromaterijala uzrokovanih jedinicom izvoza
i 11/18 novčanih jedinica dodane vrijednosti formirane u sistemu, a sadržanih u jedi-
nici vrijednosti finalne isporuke (izvoza).
415
INPUT-OUTPUT ANALIZA
Za proizvođača P2:
1 1 1 2 5 13
1= β 2 +d 2 = ( + )+( + ) = +
6 9 18 3 18 18 .
Proizvođač P2 po svakoj novčanoj jedinici vrijednosti proizvodnje obračunava 5/18
novčanih jedinica vrijednosti uvezenog repromaterijala uzrokovanih jedinicom izvoza
i 13/18 novčanih jedinica dodane vrijednosti formiranih u sistemu, a sadržanih u nov-
čanoj jedinici izvoza.
b) Obzirom da su poznate cijene proizvodnji i nabavne cijene, kompletiramo odgova-
rajuću količinsku I-O tabelu:
P1 P2 ∑Qij Yi Xi
P1 0 100 100 300 400
P2 100 50 150 150 300
S1 100 50 150
S2 0 100 100
416
VRIJEDNOSNA INPUT-OUTPUT ANALIZA
Do ovog rezultata smo mogli doći i ovako: V1′ = 4000 -(2000 + 100⋅12) = 800.
∂v2 1
Kako je = −α12 = − , to će se prethodni koeficijent dodane vrijednosti proizvo-
∂c1 6
đača P2 smanjiti za 1/3, tj. biće 10-1/3 = 29/3, računa se V2′ = 29/3⋅ 300 = 2900.
To znači da se dodana vrijednost proizvođača P2 smanjila za
2900
100% − ⋅100% = 3,33% .
3000
∂π 1 1
c) Iz odnosa = β11 = i kako je ovo jedinična promjena, a Δc1 = 2 , to će se cije-
∂c1 3
na proizvoda proizvođača P1 povećati za 2⋅1/3 = 2/3, odnosno nova interna cijena
proizvođača P1 će biti π 1′ = 10 + 0, 67 = 10, 67 , tj, povećat će se za 6,67%.
∂π 2 1
Slično, = β12 = , pa će se cijena proizvoda proizvođača P2 povećati za 2/3, tj.
∂c1 3
biće π 2′ = 20 + 0, 67 = 20, 67 . Dakle, povećat će se za 3,33%.
Do istog rezultata se moglo doći rješavajući sistem jednačina:
1000 = 400π 1′ − (100π 2′ + 1200)
.
3000 = 300π 2′ − (100π 1′ + 50π 2′ + 50 ⋅12 + 100 ⋅ 5)
∂π 1 1
d) = b21 = ≈ 0,33 te će se nova interna cijena povećati za 0,33 novčane jedini-
∂v2 3
ce, biće π 1′ = 10 + 0,33 = 10,33 . Procentualno povećanje je za 3,33%.
∂π 2 4
= b22 = ≈ 1,33 , nova interna cijena povećat će se za 1,33 novčane jedinice, biće
∂v2 3
π 2′ = 20 + 1,33 = 21,33 . Procentualno povećati će se za 6,6%.
Do ovih rezultata moglo se doći rješavajući sistem jednačina:
400π 1′ = 100π 2′ + 1000 + 1000
.
300π 2′ = 100π 1′ + 50π 2′ + 1000 + 3300
417
INPUT-OUTPUT ANALIZA
P1 P2
Qij+ ∑ Qij+ Yi + X i+
j
Wej+ ∑Wej+
j
418
3.4. Pitanja za ponavljanje
n
1) Objasniti značenje izraza ∑ Q2 j = 50 kg .
j =1
n
3) Šta predstavlja izraz ∑ aij+ ?
i =1
n
4) Šta se može zaključiti ako je zbir aoj+ = ∑ aij+ bliži jedinici ?
i =1
m m
7) Šta predstavlja izraz ∑ Ce ⋅ Wej = ∑Wej+ ?
e =1 e=1
9) U matričnoj funkciji ⎡⎣π j ⎤⎦ = [?] ⋅ [ pi ] koju konkretnu matricu treba napisati umjesto mat-
rice [?] ?
10) Kako se određuju i koje je značenje veličina U e+ i Wej+ u vrijednosnoj input-output tabeli?
11) Koja od sljedećih jednačina predstavlja jednačinu strukture jedinične vrijednosti proiz-
vodnje proizvođača Pj .
n m
a) ∑ a + ∑α
i =1
+
ij
e =1
+
ej + v +j = 0
n m
b) ∑ aij + ∑ α ej + v j = 1
i =1 e =1
n m
c) ∑ a + ∑α
i =1
+
ij
e =1
+
ej + v +j = 1
419
INPUT-OUTPUT ANALIZA
12) U matričnoj funkciji ⎡⎣ X j ⎤⎦ = [?] ⋅ [Yi ] koju matricu treba upisati umjesto matrice [?]
n n
14) Napisati značenje izraza ∑ ∑ Qij+ u vrijednosnoj input-output tabeli .
i =1 j =1
∂pi
16) Koje je značenje vrijednosti izraza ?
∂π k
420
PITANJA ZA PONAVLJANJE
m
34) Objasniti značenje vrijednosti ∑W
e =1
+
e3 = 400 KM .
kwh
35) Objasniti značenje vrijednosti α 42 = 3 .
kg
kom
36) Objasniti vrijednost b48 = 3 u odnosu na matričnu jednačinu ⎡⎣ X j ⎤⎦ = ⎡⎣ b ji ⎤⎦ ⋅ [ Yi ]
t
421
INPUT-OUTPUT ANALIZA
n n
39) Objasniti značenje vrijednosti ∑ ∑ Qij+ = 5000 KM .
i =1 j =1
l
41) Riječima i matematički objasniti vrijednost β 28 = 0.5 u odnosu na matričnu jednači-
t
nu [ U e ] = [ β ei ] ⋅ [ Yi ]
+
45) Riječima objasniti značenje vrijednosti a42 = 0,5.
l
47) Riječima i matematički objasniti vrijednost α 28 = 0.3 u odnosu na matričnu jednači-
t
nu [ U e ] = ⎡⎣ α ej ⎤⎦ ⋅ ⎡⎣ X j ⎤⎦
48) Napisati relaciju kojom se izražava matrica tehničkih koeficijenata internih inputa .
422
PITANJA ZA PONAVLJANJE
n
49) Šta se može zaključiti ako je zbir ri + = ∑ rij+ bliži jedinici ?
j =1
a) lii = −aii
b) lii = 1 − aii
c) lii = 1 + aii
d) lii = aii
n n
52) U “vrijednosnoj input-output“ analizi koje je značenje zbira ∑ ∑ Qij+ ?
i =1 j =1
423
INPUT-OUTPUT ANALIZA
a) Qij+ = π i ⋅ Qij +
b) Qij+ = ci ⋅ Qij
c) Qij+ = pi ⋅ Qij
d) Qij+ = π i ⋅ Qij
55) Koja od sljedećih matrica može biti matrica tehnologije jednog proizvodnog sistema:
⎡ 1 −0,5⎤
a) ⎢
⎣ −1,3 2 ⎥⎦
⎡ 1 −0,5⎤
b) ⎢ ⎥
⎣ −1,3 0, 2 ⎦
⎡ 1 −0,5⎤
c) ⎢
⎣1,3 0 ⎥⎦
56) Ako je poznato u jednom proizvodnom sistemu da je bruto proizvodnja jednog proiz-
vođača 500kg, i da je 10 % svoje bruto proizvodnje raspodijelio na reprodukcijsku
potrošnju u sistemu, kolika je njegova finalna potrošnja?
a) 50 kg
b) 450 kg
c) 500 kg.
n m
57) Šta predstavlja izraz Π j − ∑ π i ⋅ Qij − ∑ ce ⋅ Wej ? Objasniti dijelove.
i =1 e =1
58) Ako je poznato a23+ = 0,1 i Q23+ = 150KM, koliki je prihod proizvođača P3 ?
a) 15 KM,
b) 1500 KM ,
c) 149,9 KM.
424
PITANJA ZA PONAVLJANJE
∂v
59) Iz matrične jednačine ⎡⎣ v j ⎤⎦ = ⎡⎣lij ⎤⎦ ⋅ [π i ] − ⎡⎣α ej ⎤⎦ ⋅ [ ce ] je dobijeno 2 = −5 . Objasniti
T T
∂c3
značenje vrijednosti tog parcijalnog izvoda i napisati koji element predstavlja ova vri-
jednost.
∂v2
60) Iz matrične jednačine ⎡⎣ v j ⎤⎦ = ⎡⎣lij ⎤⎦ ⋅ [π i ] − ⎡⎣α ej ⎤⎦ ⋅ [ ce ] je dobijeno
T T
= −2 . Objasniti
∂π 3
značenje vrijednosti tog parcijalnog izvoda i napisati koji elemenat predstavlja ova vri-
jednost.
65) Koje informacije o proizvodnom sistemu sadrže vrste u vrijednosnoj input -output ta-
beli?
∂π 3
66) Iz matrične jednačine [π i ] = ⎡⎣b ji ⎤⎦ ⋅ ⎡⎣v j ⎤⎦ + [ β ei ] ⋅ [ ce ] je dobijeno
T T
= 0,5 . Objas-
∂v2
niti značenje vrijednosti tog parcijalnog izvoda i napisati koji element predstavlja ova
vrijednost.
∂π 2
67) Iz matrične jednačine [π i ] = ⎡⎣b ji ⎤⎦ ⋅ ⎡⎣v j ⎤⎦ + [ β ei ] ⋅ [ ce ] je dobijeno
T T
= 2. Objasniti
∂c2
značenje vrijednosti tog parcijalnog izvoda i napisati koji element predstavlja ova vri-
jednost.
68) Napisati vezu između tehničkih koeficijenata i vrijednosnih koeficijenata internih inpu-
ta i navesti razlike.
69) U proizvodnji svakog kg bruto proizvodnje proizvođač P3, između ostalog, treba direk-
tno utrošiti 3m proizvodnje proizvođača P5. Broj 3 je vrijednost koeficijenta:
a) a35
b) a53
425
INPUT-OUTPUT ANALIZA
c) α 35
d) l53
70) Ako se planira samo finalna isporuka proizvođača P3 povećati za 1kg, između ostalog,
mora se bruto proizvodnja proizvođača P5 povećati za 10m. Broj 10 je vrijednost koe-
ficijenta:
a) a35
b) l53
c) b53
71) Zaokružite faktor koji ne predstavlja determinantu individualne tražnje u širem smislu:
a) cijena predmetnog dobra
b) cijena supstitutskog dobra
c) dohodak pojedinca
d) ponuda predmetnog dobra
e) cijena komplementarnog dobra
f) godišnje doba
426
3.5. Zadaci za vježbu
Osnovni matrični račun
Zadatak 3.1.
Sastaviti matricu Q = ⎡⎣ qij ⎤⎦ za čije elemente vrijedi
3×3
⎧i ≠ j ⇒ qij = (i + j ) ⋅10
⎨
⎩ i = j ⇒ qii = 10 ;
3 3
a zatim pronaći q13 , q31 , q33 , ∑ qi 3 , ∑ q1 j , QT .
i =1 j =1
Zadatak 3.2.
⎡1 3 ⎤ ⎡ −1 −3 ⎤ ⎡2⎤
Date su matrice A = ⎢ ⎥ ; B = ⎢2 5⎥ ; C = ⎢ 3 ⎥ ; D = [ 3 2] .
⎣2 4⎦ ⎣ ⎦ ⎣ ⎦
Izračunati: A +B; A ⋅ B; B ⋅ A; A ⋅ C; C ⋅ D; D ⋅ C; A-1.
Zadatak 3.3.
Odrediti inverzne matrice matrica
⎡1 0 1 ⎤ ⎡ x1 0 0⎤
A = ⎢ 2 3 4 ⎥ , D = ⎢⎢ 0 x2
⎢ ⎥ 0 ⎥⎥ .
⎢⎣ 0 1 2 ⎥⎦ ⎢⎣ 0 0 x3 ⎥⎦
Zadatak 3.4.
⎡2 0⎤ ⎡ 1 3⎤
Date su matrice A = ⎢ ⎥ ;B = ⎢ ⎥.
⎣0 3⎦ ⎣ 2 1⎦
Riješiti matrične jednačine:
a) A⋅X⋅B = I
b) A⋅X+X = B
c) X⋅A = B-2X.
Zadatak 3.5.
Preduzeće 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
septembar oktobar
A sup er compact B sup er compact
P1 18000 35000 P1 20000 40000
P2 25000 27000 P2 30000 25000
a) Kolika je ukupna prodaja preduzeća u ta dva mjeseca po pojedinom prodajnom mjestu i
pojedinom tipu telefona?
b) Koliko je povećanje prodaje u oktobru u odnosu na septembar po pojedinom prodajnom
mjestu i tipu telefona? Komentirajte.
c) Ako je provizija na prodaju 5%, izračunajte proviziju za svako prodajno mjesto po po-
jedinom tipu telefona za mjesec septembar.
d) Ako je porez na prihod u septembru bio 3%, a u oktobru 3,2%, izračunajte ukupan po-
rez preduzeća po pojedinom prodajnom mjestu i tipu telefona.
Zadatak 3.6.
Neko preduzeće proizvodi tri tipa frižidera: super, compact i delux. Svaki tip mora proći
kroz tri različita postrojenja P1- proizvodnja dijelova, P2-sklapanje dijelova i P3- pakovanje.
Trajanje tih prolaza (u satima) po jedinici proizvoda data su u tabeli
super compact delux
P1 0,4 0,5 0,5
P2 0,25 0,3 0,4
P3 0,2 0,2 0,2
Postrojenja P1, P2 i P3 raspolažu sedmičnim kapacitetom odredom 37, 25, 16 sati respektivno.
Koliko se frižidera mora sedmično proizvoditi da bi preduzeće radilo punim kapacitetom?
Input-output analiza
Zadatak 3.7.
U tekućem proizvodnom periodu poznata je količinska I-O tabela proizvodnog sistema
Proizvođači Ukupno Y X
P1 0 50 50 50 100 t
P2 20 40 60 140 200 kom
S1 0 10 10 m
S2 20 5 25 kg
428
ZADACI ZA VJEŽBU
Zadatak 3.8.
Kod nekog složenog proizvodnog sistema P poznate su matrice :
⎡ 1 −0,3⎤ ⎡ 0,1 0 ⎤
⎡⎣lij ⎤⎦ = ⎢ ⎥ ⎡⎣α ej ⎤⎦ = ⎢ ⎥
⎣ −0,5 0, 6 ⎦ ⎣0, 2 0, 025⎦
a) Ako je plan finalne potrošnje Y1 = 40 kg i Y2 = 70 t, formirati odgovarajuću količinsku I-
O 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 odgovarajuću transakcionu I-O tabelu i odrediti mat-
rice [aij+ ] i [αej+].
Zadatak 3.9.
Kod nekog proizvodnog sistema poznate su sljedeće matrice
⎡ 1⎤ ⎡2 6 ⎤
⎢ 0 ⎥ ⎢
40 ⎡ + ⎤ 25 100 ⎥
⎡⎣ aij + ⎦⎤ = ⎢ ⎥ ⎣α ej ⎦ = ⎢ ⎥
⎢3 1 ⎥ ⎢0 3 ⎥
⎣⎢ 5 40 ⎦⎥ ⎣⎢ 50 ⎦⎥
a) Ako su poznate interne cijene π1 = 5 KM/kg; π2 = 10 KM/m, kao i nabavne cijene c1 =
2 KM/l i c2 = 4 KM/kom, odrediti matrice ⎡⎣ aij ⎤⎦ i ⎡⎣α ej ⎤⎦ .
b) Ako je plan bruto proizvodnje X1 = 100 kg i X2 = 400 m, kompletirati odgovarajuću
transakcionu tabelu.
c) Odrediti vektor vrijednosnih koeficijenata dodane vrijednosti [vj+] i objasniti značenje
elementa v1+.
Zadatak 3.10.
Kod nekog proizvodnog sistema poznati su sljedeći podaci:
⎡ 16 5 ⎤ ⎡ 1⎤
⎢ ⎥ ⎢ 0
15 9 30 ⎥ ⎡50 ⎤ ⎡ 20 ⎤
B+ = ⎢ ⎥ α =⎢ ⎥ π =⎢ ⎥ c=⎢ ⎥
+
⎢ 4 4⎥ ⎢ 12 4 ⎥ ⎣30 ⎦ ⎣ 40 ⎦
⎣⎢ 25 3 ⎦⎥ ⎣⎢ 25 75 ⎦⎥
429
INPUT-OUTPUT ANALIZA
Zadatak 3.11.
Kod nekog proizvodnog sistema poznate su matrice
⎡16 4 ⎤ ⎡ 1⎤
⎢7 7⎥ ⎢1 4⎥
B=⎢ ⎥ i β =⎢ ⎥
⎢ 8 16 ⎥ ⎢5 3⎥
⎢⎣ 7 7 ⎥⎦ ⎢⎣ 7 7 ⎥⎦
a) Ako je plan bruto proizvodnji X1 = 192 kg i X2 = 208 m2, sastaviti odgovarajuću koli-
činsku 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 odgovarajuću transakcionu I-O tabelu
c) Koliki su koeficijenti a21 +
i α 21+ . Objasniti njihovo značenje.
Zadatak 3.12.
Kod nekog proizvodnog sistema poznate su matrice
⎡ 1 1⎤
⎢ 2 − 6⎥ ⎡ 0,1 0 ⎤
L = ⎡⎣lij ⎤⎦ = ⎢ ⎥ i α = ⎡⎣α ej ⎤⎦ = ⎢ ⎥
⎢− 1 1 ⎥ ⎣0, 2 0, 25⎦
⎣⎢ 4 3 ⎦⎥
a) Ako je plan finalne potrošnje Y1= 50 kom, Y2 = 50 kg, kompletirati odgovarajuću koli-
činsku I-O tabelu.
b) Ako su poznate interne cijene π1 = 50 nj/kom i π2 = 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 proizvođača poveća za 100 kom, a kod drugog ostane
nepromijenjena kako će se promijeniti finalne isporuke i uvoz u sistem?
Zadatak 3.13.
Kod nekog složenog proizvodnog sistema poznate su matrice
430
ZADACI ZA VJEŽBU
⎡ 0 1 1,5 ⎤
⎡ 0, 2 0 0 ⎤
⎡⎣ aij ⎤⎦ = ⎢ 0 0 0, 75⎥ i ⎡⎣α ej ⎤⎦ = ⎢
⎢ ⎥
⎣ 0,1 0 0,5⎥⎦
⎢⎣ 0 0 0 ⎦⎥
a) Ako su finalne cijene p1 = 10 nj/kom, p2 = 20 nj/kg, p3 = 60 nj/m3 i nabavne cijene c1 = 2
nj/l i c2 = 3 nj/kwh, kolike su interne cijene{π1, π2, π3} ?
b) Ako su finalne potrošnjeY1 =150 kom,Y2 =125 kg, Y3 =100 m3 kompletirati odgovara-
juću količinsku I-O tabelu,
c) Kompletirati odgovarajuću vrijednosnu (transakcionu) tabelu.
Zadatak 3.14.
Poznata je sljedeća nekompletna količinska I-O tabela.
Finalne Ukupna
Proizvođači Ukupno
isporuke proizvodnja
P1 0 60 40
P2 50 130 70
Uvoz 20 5
Zadatak 3.15.
Poznate su matrice tehnologije jednog proizvodnog sistema i uvoza u sistem:
⎡1 −0,1 −0, 2 ⎤
L = ⎢⎢0 0,8 −0, 4 ⎥⎥ ; U = [50 20 0] (kwh)
⎢⎣0 0 0,5 ⎥⎦
a) Ako je ukupni output prvog sektora 100 kom., finalne isporuke drugog sektora 50
kg i finalne isporuke trećeg sektora 100 l, sastaviti količinsku I-O tabelu.
b) Koliko je potrebno kwh eksternog repromaterijala od snabdjevača da bi se proizveo
kg proizvodnje drugog proizvođača?
431
INPUT-OUTPUT ANALIZA
Zadatak 3.16.
Poznata je nepotpuna transakciona tabela u tekućem proizvodnom periodu (u KM):
⎡50 ⎤
kao i cijene π = ⎢ ⎥ ; c1 = 10 .
⎣30 ⎦
a) Kompletirati datu tabelu.
b) Ako se planiraju novi izvozi u vrijednosti Y1+ = 90000, Y2+ = 30000, odrediti materijal-
ne troškove proizvođača, kao i dodane vrijednosti u prihodima proizvođača
c) Koliko bi se po jednoj količinskoj jedinici proizvodnje proizvođača ostvarivalo dodane
vrijednosti proizvođača u narednom periodu?
d) Ako se nabavna cijena poveća za jedinicu, a interne cijene ostanu nepromijenjene, kako
će se to odraziti na koeficijente dodane vrijednosti proizvođača?
432
3.6. Rješenja zadataka za vježbu
Rješenje 3.1.
⎡10 30 40 ⎤
Q = ⎢⎢30 10 50 ⎥⎥ ,
⎣⎢ 40 50 10 ⎥⎦
3
q13 = 40, q31 = 41, q33 = 10, ∑q
i =1
i3 = q13 + q23 + q33 = 40 + 50 + 10 = 100 ,
3
∑q
j =1
1j = q11 + q12 + q13 = 10 + 30 + 40 = 80 .
Matrica Q je simetrična pa je QT = Q .
Rješenje 3.2.
⎡1 + (−1) 3 + (−3) ⎤ ⎡ 0 0 ⎤
A+ B = ⎢ = .
⎣ 2+2 4 + 5 ⎥⎦ ⎢⎣ 4 9 ⎥⎦
⎡ 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⎤
A⋅C = ⎢ ⎥=⎢ ⎥.
⎣ 2 ⋅ 2 + 4 ⋅ 3⎦ ⎣16 ⎦
⎡6 4 ⎤
C⋅D = ⎢ ⎥.
⎣9 6 ⎦
D ⋅ C = [3 ⋅ 2 + 2 ⋅ 3] = [12] .
1
A−1 = A ; A = ( A* )T , pa računamo det A= 1⋅ 4 - 2⋅ 3= - 2.
det A
⎡ 3⎤
⎢ −2
⎡ 4 −2 ⎤
A* = ⎢ ⇒ =
⎡ 4 −3⎤
⇒ −1
=
−1 ⎡ 4 −3⎤
= 2 ⎥.
⎥ A ⎢ −2 1 ⎥ A ⎢ ⎥
⎣ −3 1 ⎦ ⎣ ⎦ 2 ⎢⎣ −2 1 ⎥⎦ ⎢ −1 ⎥
1
⎣⎢ 2 ⎦⎥
433
INPUT-OUTPUT ANALIZA
Rješenje 3.3.
Koristićemo Gausov metod pronalaženja inverzne matrice.
⎡1 0 1|1 0 0 ⎤ ⎡1 0 1| 1 0 0 ⎤ IIvrsta
zamjenjena
⎢ 3 4|0 1 0 ⎥⎥ ⎯⎯⎯⎯⎯⎯
Ivrsta •( −2) + IIvrsta
→ ⎢⎢0 3 2| −2 1 0 ⎥⎥ ⎯⎯⎯⎯
IIIvrstom
→
⎢2
⎢⎣ 0 1 2|0 0 1 ⎥⎦ ⎢⎣0 1 2| 0 0 1 ⎥⎦
⎡1 0 1| 1 0 0 ⎤ IIvrsta•( −3) + IIIvrsta ⎡1 0 1 | 1 0 0 ⎤ dije IIIrstu
lim o
⎢0 1 2| 0 0 1 ⎥⎥ ⎯⎯⎯⎯⎯⎯→ ⎢⎢0 1 2 | 0 0 1 ⎥⎥ ⎯⎯⎯→ sa ( −4)
⎢
⎢⎣ 0 3 2| −2 1 0 ⎥⎦ ⎢⎣0 0 −4| −2 1 −3⎥⎦
⎡1 0 1| 1 0 0 ⎤ IIIvrsta•( −1) + Ivrsta ⎡1 0 0|1/ 2 1/ 4 −3 / 4 ⎤
⎢ 0 1 2| 0 0 1 ⎥⎥ ⎯⎯⎯⎯⎯⎯
IIIvrsta⋅( −2) + IIvrsta
→ ⎢⎢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
⎢⎣1/ 2 −1/ 4 3 / 4 ⎥⎦
⎡1 ⎤
⎢ 0 0⎥
⎢ x1 ⎥
⎢ 1 ⎥
D je dijagonalna matrica pa je njena inverzna matrica D −1 = ⎢ 0 0 ⎥.
⎢ x2 ⎥
⎢ 1⎥
⎢0 0 ⎥
⎣ x3 ⎦
Rješenje 3.4.
a)
A⋅X⋅B=I (množimo sa A-1 slijeva i B-1 zdesna) ⇒ X = A-1⋅ B-1.
⎡1/ 2 0 ⎤ −1 ⎡ −1/ 5 3 / 5 ⎤ ⎡ −1/10 3 /10 ⎤
Kako je A−1 = ⎢ ⎥ ;B = ⎢ ⎥ imamo da je X = ⎢ ⎥.
⎣ 0 1/ 3⎦ ⎣ 2 / 5 −1/ 5⎦ ⎣ 2 /15 −1/15⎦
b)
⎡1/ 3 0 ⎤ ⎡1 3⎤ ⎡1/ 3 1 ⎤
(A+I) ⋅X = B ⇒ X = (A+I)-1⋅B = ⎢ ⎥⋅⎢ ⎥=⎢ ⎥.
⎣ 0 1/ 4 ⎦ ⎣ 2 1⎦ ⎣1/ 2 1/ 4 ⎦
c)
⎡1/ 4 3 / 5⎤
X⋅A + 2X = B ⇒ X⋅(A+2I) = B ⇒ X = B⋅(A+2I)-1 = ⎢ ⎥.
⎣1/ 2 1/ 5 ⎦
434
RJEŠENJA ZADATAKA ZA VJEŽBU
Rješenje 3.5.
a) A+B;
⎡ 2000 5000 ⎤
b) B − A = ⎢ ⎥ što znači da prodajno mjesto P2 gubi 2000 $ vrijednosti prodaje
⎣5000 −2000 ⎦
compact telefona u odnosu na septembar.
c) 0,05A;
d) 0,03A+0,032B.
Rješenje 3.6.
x1- broj super frižidera, x2- broj compact frižidera, x3- broj delux frižidera.
Naš zadatak se svodi na rješenje sistema jednačina u matričnom obliku A⋅X=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 rješenje
⎡30 ⎤
X = A B = ⎢⎢ 25⎥⎥ .
−1
⎢⎣ 25⎥⎦
Mora se proizvoditi 30 super, 25 compact i 25 delux frižidera da bi preduzeće radilo punim
kapacitetom.
Rješenje 3.7.
⎡ 1⎤ ⎡ 1⎤
⎢0 4 ⎥ ⎢0 20 ⎥
a) A = ⎢ ⎥; α = ⎢ ⎥
⎢1 1 ⎥ ⎢1 1⎥
⎣⎢ 5 5 ⎦⎥ ⎣⎢ 5 40 ⎦⎥
X=B·Y; B=L = (I-A)-1
-1
P1 P2 ∑Qij Yi Xi
⎡16 1⎤
⎢15 P1 0 60 60 90 150
3⎥ ⎡150 ⎤
B=⎢ ⎥; X = ⎢ ⎥ P2 30 48 78 162 240
⎢4 4⎥ ⎣ 240 ⎦
⎢⎣15 3 ⎥⎦ S1 0 12 12
S2 30 6 36
435
INPUT-OUTPUT ANALIZA
⎡ 0 0,3 ⎤
A= I −L=⎢ ⎥;
⎣0,5 0, 4 ⎦
⎡ 1⎤
⎢0 4 ⎥ ⎡150 0 ⎤ ⎡ 0 60 ⎤
⎡⎣Qij ⎤⎦ = ⎡⎣α ij ⎤⎦ ⋅ ⎡ Xˆ j ⎤ = ⎢ ⎥⋅ =
⎣ ⎦
⎢1 1 ⎥ ⎢⎣ 0 240 ⎥⎦ ⎢⎣30 48⎥⎦
⎣⎢ 5 5 ⎦⎥
⎡ 1⎤
⎢0 20 ⎥ ⎡150 0 ⎤ ⎡ 0 12 ⎤
ˆ
⎡ ⎤
⎣⎡Wej ⎦⎤ = ⎣⎡α ej ⎦⎤ ⋅ ⎣ X j ⎦ = ⎢ 1 ⎥⋅ =
1 ⎥ ⎣⎢ 0 240 ⎦⎥ ⎣⎢30 6 ⎦⎥
⎢
⎢⎣ 5 40 ⎥⎦
4
b) b21 = ;
15
Ako neto proizvodnju Y1 povećamo za 1 t, bruto proizvodnju X2 treba povećati za
4
b21 = kom.
15
1
a21 = ;
5
1
Po svakoj toni proizvođač P1 direktno utroši a21 = komada proizvodnje proizvođača P2.
5
c) Izračunavaju se interne cijene po kojima se obračunavaju proizvodnje i njeni dijelovi.
⎡ 1⎤
⎢ 1 − ⎥
⎡⎣π j ⎤⎦ = ⎡⎣lij ⎤⎦ ⋅ [ pi ] = ⎢
T 5 ⎡30 ⎤ ⎡ 22 ⎤
⎥⋅⎢ ⎥ = ⎢ ⎥
⎢ −1 4 ⎥ ⎣ 40 ⎦ ⎣ 24,5⎦
⎣⎢ 4 5 ⎦⎥
U tekućem periodu V = 4180 KM, u planiranom V = 5469 KM.
Rješenje 3.8.
a)
⎡4 2⎤
⎢3 3⎥
X = B ⋅ Y ; B = L−1 = ⎢ ⎥;
⎢10 20 ⎥
⎢⎣ 9 9 ⎥⎦
⎡100 ⎤
X =⎢ ⎥
⎣ 200 ⎦
436
RJEŠENJA ZADATAKA ZA VJEŽBU
⎡ 0 0,3⎤
A= I −L=⎢ ⎥;
⎣0,5 0, 4⎦ P1 P2 ∑Qij Yi Xi
⎡ 0 0,3⎤ ⎡100 0 ⎤ ⎡10 0⎤ P1 0 60 60 40 100
⎡ˆ ⎤
⎣⎡Qij ⎦⎤ = ⎣⎡aij ⎦⎤ ⋅ ⎣ X j ⎦ = ⎢0,5 0, 4⎥ ⋅ ⎢ 0 200⎥ = ⎢20 5⎥ ⇒
⎣ ⎦ ⎣ ⎦ ⎣ ⎦ P2 50 80 130 70 200
⎡ 0,1 0 ⎤ ⎡100 0 ⎤ ⎡ 0 60⎤ S1 10 0 10
⎡⎣Wej ⎦⎤ = ⎣⎡αej ⎦⎤ ⋅ ⎡ Xˆ j ⎤ = ⎢
⎣ ⎦ 0, 2 0,025⎥ ⋅ ⎢ 0 200⎥ = ⎢50 80⎥
⎣ ⎦ ⎣ ⎦ ⎣ ⎦ S2 20 5 25
b)
⎡ 1⎤
⎢ 1 − ⎥
⎡⎣π j ⎤⎦ = ⎡⎣lij ⎤⎦ ⋅ [ pi ] = ⎢
T 2 ⎡100 ⎤ ⎡50 ⎤
⎥⋅⎢ ⎥ = ⎢ ⎥
⎢ −3 3 ⎥ ⎣100 ⎦ ⎣30 ⎦
⎣⎢ 10 5 ⎦⎥
Množeći dijelove proizvodnje internim cijenama i uvoz nabavnim cijenama dobijamo tran-
sakcionu tabelu ovog proizvodnog sistema:
P1 P2 ∑ Y+ X+
P1 0 3000 3000 2000 5000
P2 1500 2400 3900 2100 6000
∑ 1500 5400 6900 4100 11000
S1 200 0 200
S2 800 200 1000
∑ 1000 200 1200
Mj 2500 5600 8100
Vj 2500 400 2900
Xj+ 5000 6000 11000
⎡1 ⎤
⎢ 0⎥
⎡ 0 0,5 ⎤
A+ = ⎢ ⎥ α + = ⎢ 25 ⎥.
⎣ 0,3 0, 4 ⎦ ⎢4 1⎥
⎢⎣ 25 30 ⎥⎦
437
INPUT-OUTPUT ANALIZA
Rješenje 3.9.
a) Primjenom formula:
−1
⎡⎣ aij + ⎤⎦ = [πˆi ] ⋅ ⎡⎣ aij ⎤⎦ ⋅ ⎡⎣πˆ j ⎤⎦ ⇔ ⎡⎣ aij ⎤⎦ = [πˆi ] ⋅ ⎡⎣ aij + ⎤⎦ ⋅ ⎡⎣πˆ j ⎤⎦
−1
−1 −1
⎡⎣α ej + ⎤⎦ = [ ce ] ⋅ ⎡⎣α ej ⎤⎦ ⋅ ⎡⎣πˆ j ⎤⎦ ⇔ ⎡⎣α ej ⎤⎦ = [ ce ] ⋅ ⎡⎣α ej + ⎤⎦ ⋅ ⎡⎣π j ⎤⎦
dobijaju se
⎡1 ⎤ ⎡ 1⎤ ⎡ 1⎤
⎢5 0 ⎥ ⎢0 40 ⎥ ⎡ 5 0 ⎤ ⎢0 20 ⎥
⎡⎣ aij ⎤⎦ = ⎢ ⎥⋅⎢ ⎥⋅ =⎢ ⎥
⎢0 1 ⎥ ⎢3 1 ⎥ ⎢⎣0 10 ⎥⎦ ⎢ 3 1⎥
⎢⎣ 10 ⎥⎦ ⎢⎣ 5 40 ⎥⎦ ⎢⎣10 40 ⎥⎦
⎡1 ⎤ ⎡2 3⎤ ⎡1 3⎤
0⎥ ⎢
⎢
⎡⎣α ej ⎤⎦ = ⎢ 2 25 50 ⎡ 5 0 ⎤ ⎢ 5
⎥ 10 ⎥
⎥⋅⎢ ⎥⋅ =⎢ ⎥.
⎢0 1⎥ ⎢ 3 ⎥ ⎢⎣ 0 10 ⎥⎦ ⎢ 3⎥
0 0
⎢⎣ 4 ⎥⎦ ⎢⎣ 50 ⎥⎦ ⎢⎣ 20 ⎥⎦
⎡ 1⎤ P1 P2 ∑ Y+ X+
⎢0 40 ⎥ ⎡500 0 ⎤ ⎡ 0 100 ⎤
⎡⎣Qij ⎤⎦ = ⎢
+
⎥⋅⎢ = P1 0 100 100 400 500
⎢3 1 ⎥ ⎣ 0 4000 ⎥⎦ ⎢⎣300 100 ⎥⎦ P2 300 100 400 3600 4000
⎢⎣ 5 40 ⎥⎦ ∑ 300 200 500 4000 4500
⇒ S1 40 240 280
⎡2 6 ⎤ S2 0 240 240
⎢ ⎥ ⎡500 0 ⎤ ⎡ 40 240 ⎤ ∑ 40 480 520
⎡⎣Wej+ ⎤⎦ = ⎢ 25 100 ⎥ ⋅ ⎢ =
⎢0 3 ⎥ ⎣ 0 4000 ⎥⎦ ⎢⎣ 0 240 ⎥⎦ Mj 340 680 1020
⎢⎣ Vj 160 3320 3480
50 ⎥⎦
Xj+ 500 4000 4500
⎡V V2 ⎤ ⎡ 160 3320 ⎤
c) [vj+] = ⎢ 1+ ⎥= = [ 0.32 0.83]
⎣ X1 X 2+ ⎦ ⎢⎣ 500 4000 ⎥⎦
438
RJEŠENJA ZADATAKA ZA VJEŽBU
Rješenje 3.10.
⎡ 2500 ⎤
a) Y + = ⎢ ⎥;
⎣ 4200 ⎦
⎡ 16 5⎤
⎢ 15 9 ⎥ ⎡ 2500 ⎤ ⎡5000 ⎤
X + = B +Y + = ⎢ ⎥⋅ =
⎢4 4 ⎥ ⎢⎣ 4200 ⎥⎦ ⎢⎣6000 ⎥⎦
⎢⎣ 25 3 ⎥⎦
⎡ −5 ⎤ ⎡ 5⎤
⎢ 1 ⎥ ⎢ 0
12 12 ⎥
L+ = ( B + ) −1 = ⎢ +
⎥⇒ A = I −L =⎢
+
⎥
⎢ −3 4 ⎥ ⎢3 1⎥
⎢⎣ 25 5 ⎥⎦ ⎢⎣ 25 5 ⎥⎦
⎡ 5⎤
⎢ 0
⎡⎣Qij + ⎤⎦ = ⎢ 12 ⎥ ⎡5000 0 ⎤ ⎡ 0 2500 ⎤
⎥⋅⎢ =
⎢3 1⎥ ⎣ 0 6000 ⎥⎦ ⎢⎣600 1200 ⎥⎦
⎢⎣ 25 5 ⎥⎦
⎡⎣Wej+ ⎤⎦ = ⎡⎣α ej+ ⎤⎦ ⋅ ⎡ Xˆ +j ⎤
⎣ ⎦
⎡ 0,1 0 ⎤ ⎡5000 0 ⎤ ⎡ 0 200 ⎤
⎡⎣Wej+ ⎤⎦ = ⎢ ⎥ ⋅⎢ =⎢
⎣0, 2 0.025⎦ ⎣ 0 6000 ⎦ ⎣ 2400 320 ⎥⎦
⎥
439
INPUT-OUTPUT ANALIZA
1
d) α +12 =
30
Proizvođač P2 po svakoj novčanoj jedinici vrijednosti svoje proizvodnje direktno utroši
1/30 novčane jedinice vrijednosti eksternog repromaterijala od snabdjevača S1.
∂U +1 1
Ili α +12 = =
∂X + 2 30
Ako povećamo samo vrijednost proizvodnje proizvođača P2 za jednu novčanu jedinicu,
tada će se vrijednost uvoza od S1 povećati za 1/30 novčanih jedinica.
5
b +12 =
9
Ako želimo vrijednost izvoza proizvođača P2 povećati za jednu novčanu jedinicu, tada mo-
ramo vrijednost proizvodnje proizvođača P1 povećati za 5/9 novčanih jedinica.
Rješenje 3.11.
a) B = L-1⇒ L = B-1
⎡ 1 1⎤
⎢ 2 − ⎥
224 8
det B = ⇒L=⎢ ⎥
49 ⎢− 1 1 ⎥
⎣⎢ 4 2 ⎦⎥
⎡1 1⎤
⎢2 8⎥
A= I −L=⎢ ⎥
⎢1 1⎥
⎢⎣ 4 2 ⎥⎦
440
RJEŠENJA ZADATAKA ZA VJEŽBU
⎡ 1 1⎤
⎢ 2 − ⎥
8 ⎡192 ⎤ ⎡ 70 ⎤
Y = L⋅X = ⎢ ⎥⋅ =
⎢− 1 1 ⎥ ⎢⎣ 208 ⎥⎦ ⎢⎣ 56 ⎥⎦
⎢⎣ 4 2 ⎥⎦
⎡ 1⎤ ⎡ 1 1⎤ ⎡ 7 ⎤
⎢1 ⎥ ⎢ − ⎥ ⎢ 0⎥
4 2 8 16
α = β ⋅L = ⎢ ⎥⋅⎢ ⎥=⎢ ⎥
⎢5 3⎥ ⎢ 1
−
1 ⎥ ⎢1 1⎥
⎢⎣ 7 7 ⎥⎦ ⎢⎣ 4 2 ⎥⎦ ⎢⎣ 4 8 ⎥⎦
⎡1 1⎤
⎢ 8 ⎥ ⎡192 0 ⎤ ⎡ 96 26 ⎤
⎡⎣ Qij ⎤⎦ = ⎢ 2 ⎥⋅ =
⎢1 1 ⎥ ⎢⎣ 0 208 ⎥⎦ ⎢⎣ 48 104 ⎥⎦
⎣⎢ 4 2 ⎦⎥
⎡ 7 ⎤
⎢ 16 0⎥
⎡192 0 ⎤ ⎡ 84 0 ⎤
⎣⎡W ej ⎦⎤ = ⎢ 1 ⎥⋅
1 ⎥ ⎢⎣ 0
=
208 ⎥⎦ ⎢⎣ 48 26 ⎥⎦
⎢
⎣⎢ 4 8 ⎦⎥
b) Transakciona IO tabela
P1 P2 ∑Q+ij Y +i X +i
P1 960 260 1220 700 1920
P2 384 832 1216 448 1664
∑Q+ij 1344 1092 2436 1148 3584
S1 252 0 252
S2 96 52 148
∑W+ej 348 52 400
M 1692 1144 2836
V 228 520 748
P 1920 1644 3584
441
INPUT-OUTPUT ANALIZA
384 96
+
a21 = = 0, 2; α 21
+
= = 0, 05 c)
1920 1920
Proizvođač P1 po svakoj novčanoj jedinici vrijednosti svoje bruto proizvodnje direktno ut-
roši 0,2 nj vrijednosti proizvodnje od P2 i 0,05 nj vrijednosti eksternog inputa od S2.
Rješenje 3.12.
a) X =B·Y 1 ⎡8 3 4 3⎤
B = L-1 det L = ⇒B=⎢
8 ⎣ 2 4 ⎥⎦
⎡1 1⎤
⎢2 6⎥
L = I − A⇒ A= I −L = ⎢ ⎥
⎢1 2⎥
⎢⎣ 4 3 ⎥⎦
⎡8 3 4 3⎤ ⎡50 ⎤ ⎡ 200 ⎤
X = B ⋅Y = ⎢ ⋅ =
⎣ 2 4 ⎥⎦ ⎢⎣50 ⎥⎦ ⎢⎣300 ⎥⎦
⎡⎣Qij ⎤⎦ = ⎡⎣ aij ⎤⎦ ⋅ ⎡ Xˆ j ⎤
⎣ ⎦
⎡1 2 1 6 ⎤ ⎡ 200 0 ⎤ ⎡100 50 ⎤
⎡⎣Qij ⎤⎦ = ⎢ ⎥⋅⎢ ⎥=⎢ ⎥
⎣1 4 2 3⎦ ⎣ 0 300 ⎦ ⎣ 50 200 ⎦
⎡⎣Wej ⎤⎦ = ⎡⎣α ej ⎤⎦ ⋅ ⎡ Xˆ j ⎤
⎣ ⎦
⎡ 0.1 0 ⎤ ⎡ 200 0 ⎤ ⎡ 20 0 ⎤
⎡⎣Wej ⎤⎦ = ⎢ ⎥⋅⎢ ⎥=⎢ ⎥
⎣0.2 0.25⎦ ⎣ 0 300 ⎦ ⎣ 40 75⎦
⇒
442
RJEŠENJA ZADATAKA ZA VJEŽBU
P1 P2 ∑Q+ij Y +i X +i
P1 5000 2500 7500 2500 10000
P2 1500 6000 7500 1500 9000
∑Q+ij 6500 8500 15000 4000 19000
S1 400 0 400
S2 240 450 690
∑W+ej 640 450 1090
M 7140 8950 16080
V 2860 50 2910
P 10000 9000 19000
c)
⎡100 ⎤
ΔX = ⎢ ⎥
⎣ 0 ⎦
ΔY = L ⋅ ΔX
⎡ 1 2 −1 6 ⎤ ⎡100 ⎤ ⎡ 50 ⎤
ΔY = ⎢ ⎥⋅⎢ ⎥ = ⎢ ⎥
⎣ −1 4 1 3 ⎦ ⎣ 0 ⎦ ⎣ −25⎦
ΔU = α ⋅ ΔX
⎡ 0.1 0 ⎤ ⎡100 ⎤ ⎡10 ⎤
ΔU = ⎢ ⎥⋅⎢ ⎥ = ⎢ ⎥
⎣0.2 0.25⎦ ⎣ 0 ⎦ ⎣ 20 ⎦
Rješenje 3.13.
a) ⎡⎣π j ⎤⎦ = ⎡⎣lij ⎤⎦ ⋅ [ pi ]
T
L= I – A
⎡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 0 0⎤
T ⎢
⎡⎣lij ⎤⎦ = −1 1 0 ⎥⎥
⎢
⎢⎣ −1,5 −0, 75 1 ⎥⎦
443
INPUT-OUTPUT ANALIZA
⎡ 1 0 0 ⎤ ⎡10 ⎤ ⎡10 ⎤ π 1
⎢
⎡⎣π j ⎤⎦ = −1 1 0 ⎥⎥ ⋅ ⎢⎢ 20 ⎥⎥ = ⎢⎢10 ⎥⎥ π 2
⎢
⎢⎣ −1,5 −0, 75 1 ⎥⎦ ⎢⎣ 60 ⎥⎦ ⎢⎣30 ⎥⎦ π 3
b) ⎡⎣ X j ⎤⎦ = ⎡⎣b ji ⎤⎦ ⋅ [Yi ]
−1 1
( L *)
T
⎡⎣b ji ⎤⎦ = ⎡⎣lij ⎤⎦ =
det L
1 −1 −1,5 ⎡ 1 0 0⎤
⎢ 0 ⎥⎥
det L = 0 1 −0, 75 = 1 ( L *) = ⎢ 1 1
0 0 1 ⎢⎣ 2, 25 0, 75 1 ⎥⎦
⎡1 1 2, 25⎤ ⎡1 1 2, 25⎤
( L *) = ⎢⎢0 1 0, 75 ⎥⎥ ⎡⎣b ji ⎤⎦ = ⎢⎢0 1 0, 75 ⎥⎥
T
⎢⎣ 0 0 1 ⎥⎦ ⎢⎣0 0 1 ⎥⎦
⎡⎣Qij ⎤⎦ = ⎡⎣ aij ⎤⎦ ⋅ ⎡ Xˆ j ⎤
⎣ ⎦
⎡0 1 1,5 ⎤ ⎡500 0 0 ⎤ ⎡ 0 200 150 ⎤
⎡⎣Qij ⎤⎦ = 0 0 0, 75 ⋅ 0 200 0 ⎥ = ⎢ 0 0
⎢ ⎥ ⎢ 75 ⎥⎥
⎢ ⎥ ⎢ ⎥ ⎢
⎢⎣0 0 0 ⎥⎦ ⎢⎣ 0 0 100 ⎥⎦ ⎢⎣ 0 0 0 ⎥⎦
⎡⎣Wej ⎤⎦ = ⎡⎣α ej ⎤⎦ ⋅ ⎡ Xˆ j ⎤
⎣ ⎦
⎡500 0 0 ⎤
⎡0, 2 0 0 ⎤ ⎢ ⎡100 0 0 ⎤
⎡⎣Wej ⎤⎦ = ⎢ ⎥ ⋅ ⎢ 0 200 0 ⎥⎥ = ⎢ ⎥
⎣ 0,1 0 0,5⎦ ⎢ ⎥ ⎣ 50 0 50 ⎦
⎣ 0 0 100 ⎦
444
RJEŠENJA ZADATAKA ZA VJEŽBU
Rješenje 3.14.
a)
Finalne Ukupna
Proizvođači Ukupno
isporuke proizvodnja
P1 0 60 60 40 100
P2 50 80 130 70 200
Uvoz 20 5 25
445
INPUT-OUTPUT ANALIZA
⎡ 0 0,3 ⎤
A=⎢ ⎥ ; α = [ 0, 2 0, 025]
⎣0,5 0, 4 ⎦
⎡ 1 −0,3⎤
L=⎢ ⎥
⎣ −0,5 0, 6 ⎦
⎡4 2⎤
⎢ 3 3⎥
B = L−1 = ⎢ ⎥
⎢10 20 ⎥
⎢⎣ 9 9 ⎥⎦
⎡180 ⎤
X = B ⋅Y = ⎢ ⎥
⎣ 400 ⎦
⎡⎣Qij ⎤⎦ = ⎡⎣ aij ⎤⎦ ⋅ ⎡ Xˆ j ⎤
⎣ ⎦
⎡ 0 0,3 ⎤ ⎡180 0 ⎤ ⎡ 0 120 ⎤
⎡⎣Qij ⎤⎦ = ⎢ ⎥⋅⎢ ⎥=⎢ ⎥
⎣0,5 0, 4 ⎦ ⎣ 0 400 ⎦ ⎣90 160 ⎦
⎡⎣Wej ⎤⎦ = ⎡⎣α ej ⎤⎦ ⋅ ⎡ Xˆ j ⎤
⎣ ⎦
⎡180 0 ⎤
⎣⎡Wej ⎦⎤ = [ 0, 2 0, 025] ⋅ ⎢ 0 400 ⎥ = [36 10]
⎣ ⎦
Finalne Ukupna
Proizvođači Ukupno
isporuke proizvodnja
P1 0 120 120 60 180
P2 90 160 250 150 400
Uvoz 36 10 46
⎡ 1⎤
⎢ 1 − 2 ⎥ ⎡50 ⎤ ⎡35⎤
⎣⎡π j ⎦⎤ = ⎣⎡lij ⎦⎤ ⋅ [ pi ] = ⎢ −3 3 ⎥ ⋅ ⎢30 ⎥ = ⎢ 3 ⎥
T
⎢ ⎥ ⎣ ⎦ ⎣ ⎦
⎢⎣ 10 5 ⎥⎦
Ukupan prihod u sistemu u tekućem periodu iznosi 4100$, a u narednom periodu 7500$.
Dodane vrijednosti za tekući period 4100- 2990 =1110, za naredni 7500-5870 =1630.
446
RJEŠENJA ZADATAKA ZA VJEŽBU
c) ∂Y1 ∂Y2
= l11 = 1; = l21 = −0,5
∂X 1 ∂X 1
∂U
= α11 = 0, 2
∂X 1
Ako bi povećali bruto proizvodnju prvog proizvođača za jedan kg, onda bi njegovu finalnu
potrošnju morali povećati također za 1 kg, finalnu potrošnju drugog proizvođača smanjili za
0,5 kom, a uvoz povećali za 0,2 l.
Rješenje 3.15.
a)
⎡0 0,1 0, 2 ⎤
A = I − L = ⎢⎢0 0, 2 0, 4 ⎥⎥ ;
⎢⎣0 0 0,5 ⎥⎦
⎡0 0,1 0, 2 ⎤ ⎡100 0 0 ⎤ ⎡ 0 0,1X 2 0, 2 X 3 ⎤
[Q ] = ⎢⎢0 0, 2 0, 4 ⎥ ⋅ ⎢ 0 X 2 0 ⎥⎥ = ⎢⎢ 0 0, 2 X 2 0, 4 X 3 ⎥⎥
⎥ ⎢
⎢⎣0 0 0,5 ⎥⎦ ⎢⎣ 0 0 X 3 ⎥⎦ ⎢⎣ 0 0 0,5 X 3 ⎥⎦
Iz jednačine raspodjele bruto proizvodnji dobijamo sistem tri jednačine sa tri nepoznate:
0,1X2 + 0,2X3 +Y1 =100
0,2X2 +0,4X3 + 50 = X2
0,5X3 +100 = X3
Rješavanjem dobijamo:
X3 = 200, X2 = 162,5, Y1 = 43,75.
Sada možemo kompletirati traženu količinsku IO tabelu:
20
b) α12 = ≈ 0,1231 .
162,5
Potrebno je približno 0,1231 kwh uvoza da bi se proizveo kg proizvodnje proizvođača P2.
447
INPUT-OUTPUT ANALIZA
Rješenje 3.16.
a)
P1 P2 ∑Q+ij Y+i X+i
P1 25000 0 25000 75000 100000
P2 6000 6000 12000 18000 30000
∑Q+ij 31000 6000 37000 93000 130000
S1 1250 750 2000
M 32250 6750 39000
V 67750 23250 91000
10000
P 30000 130000
0
⎡1 ⎤
⎢4 0⎥
⎡1 1⎤
b) A+ = ⎢ ⎥; α = ⎢
+
⎢3 1⎥ ⎣ 80 40 ⎥⎦
⎢⎣ 50 ⎥
5⎦
X + = B +Y +
⎡4 ⎤
⎢3 0⎥
⎡120000 ⎤
B+ = ⎢ ⎥, X+ =⎢ ⎥
⎢1 5⎥ ⎣ 46500 ⎦
⎢⎣10 4 ⎥⎦
⎡1 ⎤
⎢ 0⎥
⎡12000 0 ⎤ ⎡30000 0 ⎤
⎡⎣Qij+ ⎤⎦ = ⎡⎣α ij+ ⎤⎦ ⋅ ⎡ Xˆ +j ⎤ = ⎢ 4 ⎥⋅⎢ =⎢
⎣ ⎦
⎢3 3⎥ ⎣ 0 46500 ⎦ ⎣ 7200 9300 ⎥⎦
⎥
⎣⎢ 50 4 ⎦⎥
⎡ 1 140 ⎤ ⎡12000 0 ⎤
⎡⎣Wij+ ⎤⎦ = ⎡⎣α ej+ ⎤⎦ ⋅ ⎡ Xˆ +j ⎤ = ⎢ ⎥⎦ ⋅ ⎢ 0 = [1500 1162,5]
⎣ ⎦ ⎣ 80
⎣ 46500 ⎥⎦
M1 = 38700; M2 = 10462,5; V1 = 81300; V2 = 36037,5.
⎡V V2 ⎤
c) v = ⎢ 1 ⎥ = [33,875 23, 25] .
⎣ X1 X 2 ⎦
Proizvođač P1 po svakoj količinskoj jedinici svoje proizvodnje ostvari 33,875 KM dodane
vrijednosti, a proizvođač P2 po svakoj količinskoj jedinici svog proizvoda ostvari 23,25 KM
dodane vrijednosti.
448
RJEŠENJA ZADATAKA ZA VJEŽBU
⎡1 1 ⎤ ⎡50 0 ⎤ ⎡ 25 15 ⎤
d) [α ] = c ⋅ ⎣⎡α + ⎦⎤ ⋅ ⎡⎣πˆ j ⎤⎦ = 10 ⋅ ⎢ ⋅⎢ ⎥=
⎣ 80 40 ⎥⎦ ⎣ 0 30 ⎦ ⎢⎣ 4 2 ⎥⎦
∂v j ∂v 25 ∂v 15
= −α ej ⇒ 1 = − ; 2 = − .
∂ce ∂c1 4 ∂c1 2
Ako se nabavna cijena poveća za jedinicu, koeficijent dodane vrijednosti prvog proizvođa-
ča će se smanjiti za 6,25 KM, a kod drugog proizvođača za 7,5 K
449
INPUT-OUTPUT ANALIZA
Literatura
Babić, M., (1989), Makroekonomski modeli, četvrto izdanje, Narodne novine, Zagreb
Babić, M., (2004), Makroekonomija, XIV. dopunjeno i izmijenjeno izdanje, Mate, Zagreb
Europski sustav nacionalnih računa ESA 1995., (1998), Eurostat, Prevod: Državni zavod za
statistiku Republike Hrvatske, Zagreb
Sustav nacionalnih računa 1993, (1997), UN, Svjetska banka, Washington D.C. Prevod:
Vučković, Ž., Somun –Kapetanović, R., (1990), Zbirka zadataka iz Matematičkih metoda u
ekonomskim istraživanjima, Ekonomski fakultet u Sarajevu, Sarajevo
450
Kvantitativne metode u
ekonomiji i menadžmentu
4. Linearno programiranje
4.1. Uvod
4.2. Model linearnog programiranja
4.3. Bazne teoreme linearnog programiranja
4.4. Teorija dualnosti u linearnom programiranju
4.5. Metode za rješavanje problema linearnog programiranja
4.6. Specifični oblici problema linearnog programiranja
4.7. Pitanja za ponavljanje
4.8. Zadaci za vježbu
4.9. Rješenja zadataka za vježbu
4.10. Literatura
4.1. Uvod
Iz potrebe za optimizacijom rješenja, koja je oduvijek bila prisutna u ljudskoj svijesti, razvi-
la se oblast matematičkog programiranja. Problemi programiranja se bave efikasnošću
korištenja ili alokacije ograničenih resursa s ciljem da se zadovolji objektivnost. Ove prob-
leme karakteriše veliki broj rješenja koja zadovoljavaju bazične uslove svakog problema.
Počeci matematičkog programiranja datiraju iz vremena II svjetskog rata, kad je jedan od
osnovnih problema bio kako da se rasporedi ograničena količina vojnog materijala i ljudi za
određene vojne operacije na što djelotvorniji način. Nakon rata postalo je jasno da se ma-
tematičko programiranje može uspješno primijeniti i u mnogim drugim oblastima: u
ekonomiji, vazduhoplovstvu, tehničkim naukama i industriji.
Najpoznatiji ekonomski problemi koji se rješavaju matematičkim programiranjem su: odre-
đivanje optimalnog proizvodnog plana, optimalno vođenje zaliha, optimalni izbor
investicijskog projekta, problem optimalnog transporta, optimalne alokacije resursa, opti-
malne raspodjele kadrova na radne zadatke, problem trgovačkog putnika, problem
optimalnog otpada itd. Razne metode matematičkog programiranja postale su posebne nau-
čne discipline. Među najpoznatijim su: linearno programiranje, dinamičko programiranje,
višekriterijalno programiranje, stohastičko programiranje i analiza omeđivanja podataka.
Danas se ove metode preklapaju i sa mnogim drugim područjima kao što su teorija aprok-
simacija, teorija vjerovatnoće, klasična mehanika i račun varijacija.
453
LINEARNO PROGRAMIRANJE
454
UVOD
Skup svih matrica dimenzije n x 1 nad poljem realnih brojeva čini jedan vektorski prostor
nad poljem R. Taj vektorski prostor označit ćemo sa Vn, a elemente tog prostora (matrice
tipa n x 1) zvaćemo vektorima (vektor kolone).
{
Skup vektora {A1 , A 2 , ..., A n } = A j j = 1, n } n
je linearno nezavisan ako je ∑ α j Aj = 0 samo
j =1
Podskup K skupa Vn je konveksan skup ako i samo ako za svaki par elemenata iz K vrijedi
da je i njihova konveksna kombinacija također u K. Elemente skupa K zvaćemo tačkama.
Svaka tačka na segmentu koji povezuje dvije tačke skupa K može se izraziti kao konveksna
kombinacija tih tačaka, i obrnuto1. (1)
Tačka konveksnog skupa K koja se ne može izraziti kao konveksna kombinacija bilo kojih
drugih različitih tačaka u K naziva se ekstremna tačka skupa K.
455
4.2. Model linearnog programiranja
Linearno programiranje predstavlja skup metoda i postupaka kojima se određuju ekstremne
vrijednosti takve linearne funkcije čije područje definicije određuje sistem linearnih jedna-
čina ili nejednačina.
Matematski zapisano, problem linearnog programiranja glasi: naći ono nenegativno rješenje
(x1, x2, …, xn), (xi ≥ 0, i = 1, 2, …, n) sistema linearnih nejednačina (ograničenja, uvjeta)
≤
a11x1 + a12x2 + … + a1nxn d1
≥
≤
a21x1 + a22x2 + … + a2nxn d2
≥
S . . . . .
. . . . .
≤
am1x1 + am2x2 + … + amnxn dm
≥
456
MODEL LINEARNOG PROGRAMIRANJA
Za problem linearnog programiranja reći ćemo da ima rješenje ako veličina fmax (fmin) ima
konačnu vrijednost na skupu S dopustivih rješenja, a nema rješenja ako je skup S prazan
skup, ili ako veličina fmax (fmin) nema konačnu vrijednost.
Linearnim programiranjem može se riješiti svaki problem koji se može predstaviti odgova-
rajućim modelom linearnog programiranja.
2
Prema: Backović, M., Vuleta, J. (2008), str. 197-198.
457
LINEARNO PROGRAMIRANJE
Funkcija cilja u problemu LP-a izražava osnovni cilj, odnosno ono što želimo postići rješa-
vanjem modela i mora biti unaprijed definisana (npr. maksimizirati prihod).
Označimo sa x1 , x2 ,… , xn ∈ R nepoznate veličine u problemu linearnog programiranja
(npr. količine proizvoda koje trebamo proizvesti, ili resursa koje trebamo rasporediti) i neka
su c1 , c2 , …, cn ∈ R poznati parametri koji karakterišu fukciju cilja (npr. prihod ili trošak
po jedinici proizvoda ili resursa koji određujemo). Kako je zadatak linearnog programiranja
određivanje ekstremne vrijednosti funkcije (funkcije cilja), uz dati skup linearnih ograniče-
nja (sistem ograničenja i uslovi nenegativnosti), to ustvari znači 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
MODEL LINEARNOG PROGRAMIRANJA
n
Max.
ili ˝kondenzovano˝ ( ) f = ∑cpxp
Min. p =1
i matrično: (
Max.
Min.
[ ] [ ]
) f = cp T ⋅ xp
ili ˝kondenzovano˝
n
∑a
p =1
kp x p ≤ d k za k = 1, K
Polaznih ograničenja tipa ≥ može biti više, npr. L∈N0, pa skup svih polaznih primalnih
ograničenja II tipa možemo zapisati:
a K +1,1 x1 + a K +1, 2 x 2 + ... + a K +1, n x n ≥ d K +1
a K + 2,1 x1 + a K + 2, 2 x 2 + ... + a K + 2, n x n ≥ d K + 2
.............................................................
a K + L ,1 x1 + a K + L , 2 x 2 + ... + a K + L , n x n ≥ d K + L
459
LINEARNO PROGRAMIRANJE
ili ˝kondenzovano˝
n
∑a
p =1
lp x p ≥ d l za l = K + 1, K + L .
I ograničenja tipa „=“ može biti više, npr. R∈N0, pa skup svih polaznih primalnih ograni-
čenja III tipa možemo zapisati:
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
ili ˝kondenzovano˝
n
∑a
p =1
rp x p = d r za r = K + L + 1, K + L + R .
Na osnovu prethodnog, matematski zapisi opšteg primalnog modela LP-a imaju sljedeće
forme:
Opšti polazni primalni oblik LP-a – ekstezivni oblik
n
Max.
( ) f = ∑cpxp
Min. p =1
460
MODEL LINEARNOG PROGRAMIRANJA
x p ≥ 0 za p = 1, n
⎧ n
⎪I ∑a kp ⋅ xp ≤ dk za k = 1,K
⎪ p =1
⎪⎪ n
xp ≥ 0 " p = 1,n ; m = (K + L + R)
Ako poznate parametre u funkciji cilja i polazne primalne varijable zapišemo kao n-
dimenzionalne vektore ⎡⎣c p ⎤⎦ n×1 i ⎡⎣ x p ⎤⎦ n×1 , te poznate koeficijente u ograničenjima kao m x n
- dimenzionalnu matricu aip [ ] m x n , a sva ograničenja kao [d ] i m×1
vektor ograničenja, onda
se može dati i matrični oblik opšteg polaznog primalnog modela LP-a:
461
LINEARNO PROGRAMIRANJE
(
Max.
Min.
[ ] [ ]
) f = cp T ⋅ xp
1n n1
I [akp ] Kn ⋅ [x p ] n1 ≤ [d k ] K1 ⎫
⎪⎪
II [alp ] Ln ⋅ [x p ] n1 ≥ [d l ] L1 ⎬⎯ ⎯→ m = ( K + L + R) (4.1'')
III [arp ] Rn ⋅ [x p ] n1 = [d r ] R1 ⎪
⎪⎭
⎡⎣ x p ⎤⎦ ≥ 0
n×1
gdje je ⎡⎣ x p ⎤⎦ n×1 vektor polaznih primalnih varijabli, ⎡⎣ c p ⎤⎦ n×1 vektor parametara koji karakte-
rišu funkciju cilja, [ di ] m×1 vektor ograničenja i A = ⎡⎣ aip ⎤⎦
mxn
matrica koeficijenata u
ograničenjima.
Kod problema maksimizacije prirodno je očekivati barem jedno ograničenje tipa ≤ („odoz-
go”) jer bi u suprotnom optimalna vrijednost bila beskonačno velika i analogno kod
problema minimizacije, ako nemamo „donjeg” ograničenja (tipa ≥ ), optimum bi bio u nuli
(zbog uslova nenegativnosti). Upravo iz ovih razloga se često u literaturi kao polazni model
linearnog programiranja uzima tzv. simetričan model.
Za model ćemo reći da je simetričan ako funkcija cilja i skup ograničenja zadovoljavaju
sljedeće osobine:
funkcija cilja je max f , a sva ograničenja u modelu su tipa ≤ , odnosno I tipa.
funkcija cilja je min f , a sva ograničenja u modelu su tipa ≥ , odnosno II tipa.
Kad polazni model nije simetričan možemo ga, jednostavnim transfomacijama skupa ogra-
ničenja, pretvoriti u simetričan. Postupak je opisan u nastavku:
Kod funkcije cilja max f , potrebno je transformisati skup ograničenja tako da sva ograni-
čenja u modelu imaju oblik ≤ . To znači da ograničenja I tipa nećemo transformisati,
ograničenja II tipa ćemo množiti sa (-1), dok ćemo ograničenja tipa „=“ razdvojiti na dvije
jednačine sa istim oblikom, samo što jedna jednačina ima oblik ≤ , a druga oblik ≥ .
Postupak transformacije opšteg polaznog primalnog modela 4.1' (opšteg modela datog u
kondenzovanom obliku) sa ciljem max f u simetrični model:
462
MODEL LINEARNOG PROGRAMIRANJA
SLUČAJ (Max.)f
n n
( Max.) f = ∑ c p ⋅ x p → ( Max.) f = ∑ c p ⋅ x p
p =1 p =1
⎧
⎪
⎪
⎪ n n
⎪I
⎪
∑ akp ⋅ x p ≤ d k
p =1
→ ∑
p =1
akp ⋅ x p ≤ dk ∀k
⎪
⎪ n n
⎨ II ∑ alp ⋅ x p ≥ dl → ∑ (-a lp )⋅ xp ≤ - dl ∀l
⎪ p =1 p =1
⎪ ⎧ n
⎪ ⎪ ∑ arp ⋅ x p ≤ d r ∀r
⎪ n
⎪ p =1
⎪ III ∑a rp ⋅ x p = dr → ⎨ n
⎪ (−a ) ⋅ x ≤ −d
⎪⎩ ∑
⎪ p =1
⎪⎩ p =1
rp p r
xp ≥ 0 → xp ≥ 0 ∀p
odnosno, model 4.1'. u slučaju maksimuma ima svoj ekvivalentan simetričan oblik:
n
(Max.)f = ∑ c p ⋅ x p
p =1
n
∑ a ⋅ x p ≤ d i∗
∗
ip , i = 1,m ∗ , m ∗ = m + R (4.1''')
p =1
xp ≥ 0 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
⎪
∗ ⎪
aip = ⎨ − alp " di∗ = − d l " " l = K + 1,K + L i=l
⎪
⎪⎧ a rp " d i∗ = d r " " r = K + L + 1,K + L + R i=r
⎪⎪ m
⎪⎨
⎪⎩⎪⎩− a rp " d i∗ = −d r " " " i = m + 1,m + R
pa se ovaj simetričan model 4.1'''. može posmatrati kao polazni model LP-a.
463
LINEARNO PROGRAMIRANJE
Kod funkcije cilja min f , potrebno je transformisati skup ograničenja tako da sva ograni-
čenja u modelu imaju oblik ≥ . To znači da ograničenja I moramo transformisati i to tako
što ćemo ovaj tip ograničenja pomnožiti sa (-1). Ograničenja II tipa ćemo prepisati, dok
ćemo ograničenja tipa „=“ razdvojiti na dvije jednačine sa istim oblikom, samo što jedna
jednačina ima oblik ≤ , a druga oblik ≥ .
Slučaj (Min.)f
n n
( Min.) f = ∑ c p ⋅ x p → ( Min.) f = ∑ c p ⋅ x p
p =1 p =1
⎧
⎪
⎪
⎪ n n
⎪I
⎪
∑a
p =1
kp ⋅ xp ≤ dk → ∑ (- a
p =1
kp ) ⋅ xp ≥ - dk ∀k
⎪
⎪ n n
⎨ II ∑a lp ⋅ x p ≥ dl → ∑ alp ⋅ x p ≥ d l ∀l
⎪ p =1 p =1
⎪ ⎧ n
⎪
⎪
⎪ ∑ a rp ⋅ x p ≥ d r ∀r
n
⎪
∑a
p =1
⎪ III rp ⋅ xp = dr → ⎨ n
⎪
⎪
⎪⎩
p =1
⎪⎩ ∑ (−a
p =1
rp ) ⋅ x p ≥ −d r
xp ≥ 0 → xp ≥ 0 ∀p
odnosno, model 4.1'. u slučaju minimuma ima svoj ekvivalentan simetričan oblik:
n
( Min)f = ∑ c p ⋅ x p
p =1
n
∑ a ⋅ x p ≥ di∗
∗
ip , i = 1,m∗ , m∗ = m + R (4.1''''.)
p =1
xp ≥ 0 p = 1,n
gdje su:
m ∗ = [m + R ] = [(K + L + R) + R ] = K + L + 2 R
464
MODEL LINEARNOG PROGRAMIRANJA
⎧
⎪
⎪
⎪ − akp i d i∗ = − d k za p = 1,n k = 1,K i=k
⎪ .
aip∗ = ⎨ alp " d i∗ = dl " " l = K + 1,K + L i=l
⎪
⎪ ⎧⎪ arp " d i∗ = d r " " r = K + L + 1,K + L + R i=r
⎪⎨ m
⎪⎪−a " d i∗ = − d r " " " i = m + 1,m + R
⎩ ⎩ rp
Na osnovu prethodnog izvođenja vidimo da se (uz naglašavanje izvedenih transformacija)
simetrični modeli mogu uzimati za polazne modele linearnog programiranja, što brojni au-
tori i rade.
Primjer 4.1.
Dat je opšti polazni model LP-a
min f = 80 x1 + 120 x2 + 80 x3
I 2 x1 + x2 + 3 x3 ≤ 1000
ΙΙ 2 x2 + x3 ≥ 200
ΙΙΙ x1 + x2 − x3 = 100
x1 , x2 , x3 ≥ 0
transformisati dati model u simetričan, pa ga zapisati u matričnom obliku.
Rješenje:
Kako je u pitanju min f, to se sva ograničenja moraju svesti na oblik ≥ , što znači da
ćemo transformisati ograničenja I i ograničenje III datog modela:
Ι 2 x1 + x 2 + 3 x3 ≤ 1000 ⇔ − 2 x1 − x 2 − 3 x3 ≥ −1000
⎧ x1 + x 2 − x3 ≤ 100 ⎧− x1 − x 2 + x3 ≥ −100
ΙΙI x1 + x 2 − x3 = 100 ⇔ ⎨ ⇔ ⎨
⎩ x1 + x 2 − x3 ≥ 100 ⎩ x1 + x 2 − x3 ≥ 100
Odnosno, ekvivalentan simetričan zapis polaznog modela LP-a ima oblik:
min f = 80 x1 + 120 x2 + 80 x3
Ι − 2 x1 − x2 − 3 x3 ≥ −1000
ΙΙ 2 x2 + x3 ≥ 200
ΙΙΙ − x1 − x2 + x3 ≥ − 100
x1 + x2 − x3 ≥ 100
x1 , x2 , x3 ≥ 0
465
LINEARNO PROGRAMIRANJE
Definišimo matrice:
⎡− 2 − 1 − 3⎤ ⎡− 1000⎤
⎢0 ⎥ ⎢ 200 ⎥ ⎡ 80 ⎤ ⎡ x1 ⎤
2 1⎥
A= ⎢ ; d= ⎢ ⎥ ; c = ⎢120⎥ i x = ⎢⎢ x 2 ⎥⎥
⎢ ⎥
⎢−1 −1 1 ⎥ ⎢ − 100 ⎥
⎢ ⎥ ⎢ ⎥ ⎢⎣ 80 ⎥⎦ ⎢⎣ x3 ⎥⎦
⎣ 1 1 − 1 ⎦ ⎣ 100 ⎦
Matrični zapis modela bi sada izgledao ovako:
min f = c T ⋅ x
A⋅x≥ d .
x≥0
466
MODEL LINEARNOG PROGRAMIRANJA
U nastavku ćemo objasniti način uvođenja novih varijabli u polazni model i njihovo značenje.
Polaznom modelu LP-a dodajemo dvije vrste varijabli:
Izravnavajuće varijable (dopunske ili oslabljene) za koje mora vrijediti uslov nenegativ-
nosti i koje imaju ekonomsko značenje;
Vještačke varijable (umjetne, eng. artificial), koje nemaju ekonomsko značenje i u opti-
malnom slučaju moraju imati vrijednost 0.
Kod svih ograničenja I tipa (≤) imamo manju vrijednost na lijevoj strani u ograničenju, pa
dodajemo neku pozitivnu vrijednost, odnosno uvodimo izravnavajuću varijablu sa znakom
(+1). Izravnavajuća varijabla pridružena ograničenju k označava se sa x n + k i mjeri se u
istoj jedinici mjere kao i ograničenje (naziv: izravnavajuća I tipa3 ili neiskorištena ili oslab-
ljena varijabla, eng. slack).
Npr., da bi izvršili standardizaciju kod 3. ograničenja I tipa u opštem modelu 4.1. LP-a
a3,1 x1 + a3, 2 x 2 + ... + a3,n x n ≤ d 3
Varijabla x n +3 ≥ 0 označava koliko u ponuđenom rješenju (ne mora biti optimalno) nedos-
taje jedinica ograničenja 3 da bi se ovo ograničenje potpuno iskoristilo.
Kod svih ograničenja II tipa (≥) imamo veću vrijednost na lijevoj strani nejednakosti u og-
raničenju, pa da bi izravnali ograničenje oduzimamo neku pozitivnu vrijednost, odnosno
uvodimo izravnavajuću varijablu sa znakom (-1) i jednu vještačku sa znakom (+1).
Izravnavajuća varijabla pridružena ograničenju l označava se sa x n +l i mjeri se u istoj jedi-
nici mjere kao i ograničenje (izravnavajuća II tipa ili suvišak, eng. surplus), dok se
vještačka varijabla označava sa x n*+l i nema ekonomsko značenje (vještačka II tipa, eng.
artificial)
Npr., da bi izvršili standardizaciju kod petog ograničenja koje je II tipa:
a5,1 x1 + a5, 2 x 2 + ... + a5,n x n ≥ d 5
3
Vučković, Ž., (1989), str. 6.
467
LINEARNO PROGRAMIRANJE
Prilikom standardizacije ograničenja III tipa, odnosno kod ograničenja tipa =, vidimo da
nema potrebe za uvođenjem izravnavajuće varijable jer je ograničenje već izravnato, ali se
uvodi vještačka varijabla sa znakom (+1) i označava sa x n*+ r (vještačka varijabla III tipa).
U funkciji cilja, izravnavajuće varijable imaju koeficijent 0, dok vještačke imaju koeficijent
± M (+M ako je cilj min f i –M ako je cilj max f) gdje je M jako veliki realni broj.
Napomenimo još jedanput da vještačke varijable II i III tipa nemaju ekonomsko tumačenje i
u optimalnom rješenju problema LP-a njihove vrijednosti uvijek moraju biti 0. Prilikom
uvođenja i tumačenja dualnih varijabli vidjećemo da se vještačka varijabla III tipa koristi
pri izračunavanju njene dualne vrijednosti.
Izravnavajuće (slack) varijable pridružene ograničenju tipa „≤” u ograničenjima imaju koe-
ficijent +1, pa će one činiti dio jedinične matrice u standardnom modelu LP-a. Međutim,
izravnavajuće (surplus) varijable pridružene ograničenju tipa „≥” će u ograničenjima imati
koeficijent -1 (oduzimamo od lijeve strane nejednakosti) i one neće biti dio jedinične matri-
ce. Upravo vještačke varijable koje su pridružene ograničenjima II i III tipa omogućavaju
kompletiranje jedinične matrice, odnosno proširenje matrice ograničenja A = aip sa [ ]mxn
jediničnom matricom.
Na osnovu izloženog imamo da je standardizovani polazni model LP-a u kondenzovanom
obliku dat sa:
n
(1)⎛⎜ Max. ⎞⎟ f = ∑C p ⋅ x p + ∑ 0 ⋅ xn + k +∑ 0 ⋅ xn +l + ∑ ∓ M ⋅ x*n +l + ∑ ∓ M ⋅ xn + r
⎝ Min. ⎠ p =1 ∀k ∀l ∀l ∀r
⎧ n
⎪
⎪
Ι ∑ akp ⋅ x p + xn + k = dk , (∀k )
p =1
⎪
⎪ n
(2) ⎪⎨ ΙΙ ∑ alp ⋅ x p − xn + l + x* n + l = dl , (∀l )
⎪ p =1
⎪ n
⎪
⎪ ΙΙΙ ∑ arp ⋅ x p + xn + r = d r , (∀r )
⎪⎩ p =1
468
MODEL LINEARNOG PROGRAMIRANJA
⎛ Max ⎞ N
⎜ ⎟
⎝ Min ⎠
f = ∑
s =1
cs ⋅ xs
N
∑a
s =1
is ⋅ xs = d i , i = 1, m ← m = K + L + R (4.2)
xs ≥ 0 s = 1, N ← N = n + (K + L + R ) = n + m
i u matričnom obliku:
⎛ Max ⎞
⎟ f = [c s ] ⋅ [x s ] → [c s ] je (1 ⋅ N ) − dim
T T
⎜
⎝ Min ⎠
[ais ] ⋅ [x s ] = [d i ] → [x s ] " (N ⋅ 1) − dim , (4.2')
[x s ] ≥ 0 → [ais ] " (m ⋅ N ) − dim
→ [d i ] " (m ⋅ 1) − dim
gdje je matrica [ais ] proširena matrica koeficijenata u ograničenjima po već opisanom pravilu.
Rezimirajmo, standardizacija polaznog primalnog modela se vrši tako što se skup polaz-
nih varijabli proširuje i uvode se dva tipa varijabli: izravnavajuće
( xn+i i = 1,…, K + L ) i vještačke ( x*n+ j j = K + 1,…, m ) .
Kod ograničenja I tipa (tipa ≤) uvodimo jednu izravnavajuću varijablu sa koeficijentom +1.
Kod ograničenja II tipa (tipa ≥) uvodimo jednu izravnavajuću varijablu sa koeficijentom
-1 i jednu vještačku varijablu sa koeficijentom +1.
Kod ograničenja III tipa (tipa =) uvodimo jednu vještačku varijablu sa koeficijentom +1.
Izravnavajuće varijable su nenegativne i imaju svoje ekonomsko značenje, dok vještačke
varijable nemaju ekonomsko značenje i njihova vrijednost mora biti 0. Izravnavajuća va-
rijabla xn+i nam govori koliko nedostaje da se zadovolji ili koliki je suvišak u
ograničenju i .
U funkciji cilja, izravnavajuće varijable imaju koeficijent 0, dok vještačke 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.
Dat je opšti polazni model LP-a
min f = 80 x1 + 120 x 2 + 80 x3
I 2 x1 + x 2 + 3 x3 ≤ 1000
ΙΙ 2 x 2 + x3 ≥ 200
ΙΙΙ x1 + x 2 − x3 = 100
x1 , x 2 , x3 ≥ 0
Izvršiti standardizaciju modela pa ga zapisati u matričnom obliku.
Rješenje:
Standardizacija ograničenja:
Ograničenje I tipa:
2 x1 + x2 + 3x3 ≤ 1000 (4.2. a)
Da bi izravnali ovo ograničenje, potrebno je dodati lijevoj strani nejednakosti (4.2. a)
neki pozitivan broj, označimo ga sa x 4 . Varijabla x 4 predstavlja izravnavajuću va-
rijablu I tipa (neiskorištena ili oslabljena varijabla, eng. slack), a ograničenje (4.2. a)
poprima ekvivalentan oblik (4.2. a'):
2 x1 + x2 + 3x3 + x4 = 6
. (4.2. a')
x1, x2 , x3 , x4 ≥ 0
Ograničenje II tipa:
2 x 2 + x3 ≥ 200 (4.2. b)
gdje je x1 , x 2 , x3 ≥ 0 .
U ovom slučaju imamo višak na lijevoj strani nejednakosti (4.2. b). Da bi izravnali
ograničenje, potrebno je oduzeti od lijeve strane nejednakosti (4.2. b) neki pozitivan
broj, označimo ga sa x5 . Varijabla x5 predstavlja izravnavajuću varijablu II tipa
(suvišak varijabla, eng. surplus). Osim izravnavajuće, moramo dodati i vještačku va-
rijablu x5* , a ograničenje (4.2. b) poprima ekvivalentan oblik (4.2. b''):
2 x 2 + x3 − x5 + x5* = 200
. (4.2. b'')
x1 , x 2 , x3 , x5 ≥ 0; x5* = 0
Ograničenje III tipa:
470
MODEL LINEARNOG PROGRAMIRANJA
x1 + x 2 − x3 = 100 (4.2. c)
gdje je x1 , x 2 , x3 ≥ 0 .
U ovom slučaju uvodimo samo jednu vještačku varijablu III tipa, označimo je sa x6* ,
i ograničenje (4.2. c) poprima ekvivalentan oblik:
⎡ x1 ⎤
⎢x ⎥
⎢ 2⎥
⎡2 1 3 1 0 0 0⎤ ⎢ x3 ⎥ ⎡1000⎤
⎢0 2 1 0 − 1 1 0⎥ ⋅ ⎢ x ⎥ = ⎢ 200 ⎥
⎢ ⎥ ⎢ 4⎥ ⎢ ⎥
⎢⎣1 1 − 1 0 0 0 1⎥⎦ ⎢ x5 ⎥ ⎢⎣ 100 ⎥⎦
⎢ *⎥
⎢ x5 ⎥
⎢x * ⎥
⎣ 6 ⎦
[x1 x2 x3 x4 x5 x5 * x6* ]
Τ
≥0
471
4.3. Bazne teoreme linearnog programiranja
Navešćemo osnovne teoreme na bazi kojih je definisan način rješavanja problema i osnov-
ne osobine modela linearnog programiranja.4 U navođenju osnovnih teorema koristićemo
standardizovani opšti model LP-a dat u jednom od sljedeća dva ekvivalentna zapisa:
⎧ f = cT X
⎪
⎨ AX = d (4.3)
⎪ X ≥0
⎩
⎧f = N c x
⎪ ∑ j j
j =1
⎪N
⎪
⎨∑ Aj x j = d (4.4)
⎪ j =1
⎪ xj ≥ 0 j =1, N
⎪
⎩
gdje su c = [c1 c2 … c N ]Τ ; d = [d 1 d2
Τ
[
… d m ] ; A j = a1 j a2 j … a mj Τ i]
⎡ a11 a1N ⎤ ⎡ x1 ⎤
A = ⎢⎢ ⎥ poznati koeficijenti u modelu, a X = ⎢ ⎥ nepoznat vektor u modelu.
⎥ ⎢ ⎥
⎢⎣a m1 a mN ⎥⎦ ⎢⎣ x N ⎥⎦
Teorema 4.3.1:
Skup K svih mogućih rješenja problema linearnog programiranja je konveksan skup.
Dokaz:
Treba pokazati da je bilo koja konveksna kombinacija mogućeg rješenja LP-a također
moguće rješenje istog LP-a.
Neka su X1 i X2 dva razna moguća rješenja problema (1), a to znači da X1 i X2 zadovo-
ljavaju uslove:
AX1 = d i AX2 = d
X1 ≥ 0 X2 ≥ 0.
X1 ∈ VN X2 ∈VN.5
4
Arnaut-Berilo A., (2000)
5
VN (skup svih N-dimenzionalnih vektora) predstavlja vektorski prostor nad poljem realnih brojeva.
472
BAZNE TEOREME LINEARNOG PROGRAMIRANJA
Teorema 4.3.2:
Objektivna funkcija f postiže svoju optimalnu vrijednost (minimum ili maksimum) u
ekstremnim tačkama konveksnog poligona K. Ako se desi da f prima optimalnu vrije-
dnost za više od jedne ektremne tačke, onda će problem LP-a imati optimalnu
vrijednost za svaku konveksnu kombinaciju tih ekstremnih tačaka.
Dokaz:
Uzet ćemo da je u pitanju minimum (analogno zaključivanje bi izvršili i za maksimum).
Prema pretpostavci, skup K je konveksan poligon. Slijedi da K ima konačno mnogo
ekstremnih tačaka, recimo p. Označimo te ekstremne tačke sa : X 1 , X 2 , . . . , X p sa
odgovarajućim vrijednostima funkcije cilja: f ( X 1 ), f ( X 2 ), . . . , f (X p ) .
Neka ekstremnu vrijednost funkcija cilja ima u tački X0, odnosno min f(X) = f(X0), sli-
jedi
f (X0) ≤ f (X), za sve X∈ K.
Ako je X0 ekstremna tačka poligona K, onda je prvi dio teoreme dokazan.
Pretpostavimo da X0 nije ekstremna tačka skupa K. Tada se X0 može napisati kao
konveksna kombinacija ekstremnih tačaka poligona K:
p p
X 0 = ∑α e X e , αe ≥ 0 i ∑α e =1 (4.5)
e =1 e =1
473
LINEARNO PROGRAMIRANJE
Neka je
p
f ( X min ) = min f ( X i ) ⇒ f ( X e ) ≥ f ( X min ) ⇒ f ( X 0 ) ≥ ∑αe f ( X min ) = f ( X min ) (4.7)
e=1, p
e=1
Iz (4.6) i (4.7) imamo da je f (X0) = f (Xmin), što znači da se u ektremnoj tački Xmin mi-
nimizira 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
dostiže minimalnu vrijednost f u ekstremnim tačkama X 1 , X 2 , . . . , X q . Pokazaćemo
da je za svaku konveksnu kombinaciju ovih q vektora vrijednost funkcije cilja mini-
malna. Neka je X proizvoljna konveksna kombinacija elemenata: X 1 , X 2 , . . . , X q ,
tada je
q q
X = ∑α e X e , αe ≥ 0 i ∑α e =1 (4.8)
e =1 e =1
Teorema 4.3.3:
Ako postoji podskup {P1 , P2 , ..., Pk } od k ≤ m linearno nezavisnih vektora skupa
{A1 , A 2 , ..., A N } , takvih da je
x1P1 + x2P2 +. .. + xkPk = B i xi ≥ 0 (∀i = 1,.., k)
6
Iskorištena je činjenica da VN predstavlja vektorski prostor.
474
BAZNE TEOREME LINEARNOG PROGRAMIRANJA
tada je tačka X = (x1, x2,. .. ,xk, 0,.. ., 0) ekstremna tačka skupa mogućih rješenja. Ovo
znači 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 ta-
kvo X moguće rješenje problema LP-a (X ∈ K).
Pretpostavimo da X nije ekstremna tačka skupa K.
To znači da X može biti napisana kao linearna kombinacija druge dvije tačke X1 i X2
iz K :
X = αX1 + (1 - α)X2 za 0 < α <1
Kako vrijedi da je 1 > α > 0 i (1 - α) > 0 i da su svi elementi xi vektora X nenegativni,
imamo da je posljednjih (n – k) elemenata u X1 i u X2 također jednako 0.
Pošto X1, X2 ∈ K slijedi
AX1 = d odnosno x1(1) P1 + x2(1) P2 + . . . + xk(1) Pk =d ⎫⎪
⎬+
AX 2 = d odnosno x1( 2) P1 + x2( 2) P2 + . . . + xk( 2) Pk = d ⋅ ( −1) ⎪⎭
A ( X1 − X 2 ) = 0 odnosno ( x( ) − x( ) ) P + ( x( ) − x( ) ) P + . . . + ( x( ) − x( ) ) P = 0
1
1
1
2
1 2
1
2
2
2 k
1
k
2
k
Teorema 4.3.4:
Ako je X = (x1, x2,. .. ,xn) ekstremna tačka skupa mogućih rješenja K, tada m – di-
menzionalni vektori P1, P2,.. ., Pk koji su asocirani7 sa pozitivnim koeficijentima xi
čine linearno nezavisan skup. Odavde slijedi da je najviše m od ovih xi pozitivno.
Dokaz:
Neka su nenulti xi prvih k koeficijenata u X, to na osnovu teoreme 4.3.3 imamo
7
Za vektore Pi, i = 1..k, ćemo reći da su asocirani sa xi ako vrijedi x1P1 + x2P2 + . . . + xkPk = P0 i xi > 0
475
LINEARNO PROGRAMIRANJE
∑x P =d.
i =1
i i
Korolar 4.3.1:
Asociran sa svakom ekstremnom tačkom iz skupa mogućih rješenja, K je podskup od
m linearno nezavisnih vektora iz pripadnog skupa {A1 ,A2,. .. ,An}.
Kao rezultat prethodnih teorema imamo:
476
BAZNE TEOREME LINEARNOG PROGRAMIRANJA
Postoji ektremna tačka skupa K u kojoj funkcija cilja f uzima optimalnu vrijed-
nost;
Svako bazično moguće rješenje odgovara ekstremnoj tački u K;
Svaka ektremna tačka u K ima m linearno nezavisnih vektora iz datog skupa od
n asociranih sa njom.
Iz ranije navedenog možemo zaključiti da trebamo provjeriti samo ektremne tačke, a
⎛n⎞
to znači da treba provjeriti najviše ⎜⎜ ⎟⎟ vrijednosti. Kako m i n mogu biti jako veliki,
⎝ m⎠
to su razvijene tehnike za rješavanje problema linearnog programiranja.
Dvije familije tehnika za rješavanje LP-a danas su u širokoj upotrebi. Ove tehnike
uzimaju kao input samo modele LP-a u standardnoj formi i određuju rješenje vezano
za standardizirani model LP-a.
Ove tehnike se zasnivaju na progresivnom unapređivanju rješenja dok se ne postigne
rješenje koje zadovoljava uslove za optimum. Simplex metode, koje je uveo Dantzig
pedesetih godina, koriste bazično rješenje, odnosno ekstremne tačke skupa mogućih
rješenja i krećući se po tim tačkama dolazimo do optimalnog rješenja. Za razliku od
simleks, barrier ili interior-point metoda koristi tačke unutar skupa mogućih rješenja.
Ove tehnike su se razvile iz tehnika nelinearnog programiranja, koje su razvili i popu-
larizirali šezdesetih godina XX stoljeća Fiacco i McCormick, a njihova aplikacija u
linearnom programiranju potiče od Karmarkarove analize iz 1984.godine.
Upotrebom računara, problemi linearnog programiranja od nekoliko hiljada varijabli i
uslova su regularno rješivi. Softveri za rješenje problema LP-a su rađeni za Pentium
PC i nekoliko varijanti za Unix.
Najpoznatiji softveri (free - kodovi) bazirani na ksimplex metodi su: lp_solve, koji
može (po autoru) riješiti modele od 30 000 varijabli i 50 000 uslova (pisan u C-u).
Verzija 3.0 je dostupna pod Lesser GNU Public License. LP – Optimizer je simplex
baziran kod za linearno i integer programiranje. SoPlex je orijentisan za primjenu
primalnog i dualnog simplex algoritma (dostupni su besplatni source kodovi za ne-
komercijalne i akademske institucije).
Najpoznatiji programi (free - kodovi) bazirani na inter-point metodi su: PCx, (dostu-
pan besplatno, Fortran ili C verzija, za bilo koju verziju Windowsa); BPMPD (za
linearno i konveksno kvadratne programe, za Linux operativni sistem); HOPDM (za
LP i konveksne QP, Fortran verzija dostupna, ali C verzija nije).
Kod MATLAB, mogu se koristiti korisni optimizacijski paketi: Optimization
Toolbox; TOMLAB Optimization Enviroment; milp.m; LPMEX.
477
4.4. Teorija dualnosti u linearnom programiranju
U teoriji optimizacije princip dualnosti nam govori da se svaki problem optimizacije može
posmatrati sa dva aspekta - kao primalni problem ili kao dualni problem.
Teoriju dualnosti u linearnom programiranju je razvio John Von Newman 1947. godine.
Problem linearnog programiranja se ne može u potpunosti razumjeti, niti se značaj informa-
cija koje dobijamo određujući optimalno rješenje može pravilno sagledati bez upotrebe
teorije dualnosti. Osnovna ideja je da se optimizacijski problem može uvijek sagledati sa
dva aspekta, na dva ekvivalentna načina sa suprotno definisanim optimizacijskim ciljevima.
Ideja za razvoj i matematičko definisanje dualnih problema kod linearnog programiranja je
nastala proučavanjem konkurentskih matričnih igara dva igrača suma nula, gdje je jednom
igraču cilj maksimum, a drugom cilj minimum.
U nastavku ćemo dati osnovne karakteristike dualnih modela, vezu između dualnog i pri-
malnog modela, načine označavanja i tumačenje dualnih varijabli. Osim toga, biće izložene
(jedan dio sa dokazima) osnovne teoreme dualnosti kao matematska osnova osobina i rela-
cija koje vrijede između primalnih i dualnih problema.
478
TEORIJA DUALNOSTI U LINEARNOM PROGRAMIRANJU
479
LINEARNO PROGRAMIRANJE
8
Dual se može rješavati kao polazni model samo kad je odgovarajući primalni model simetričan. Pogledati
teoreme dualnosti.
480
TEORIJA DUALNOSTI U LINEARNOM PROGRAMIRANJU
xp ≥ 0 , p = 1, n ; m = ( 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 l r
≥ ≤ ≥
yp ≥ 0 yn + k 0 yn + l 0 y n + r = 0 , ∀p, k,l,r
≤ ≥ ≤
481
LINEARNO PROGRAMIRANJE
Teorema 4.4.3.1.
Kod mogućeg rješenja (opšeg) dualnog modela LP-a, dualne varijable moraju imati
sljedeće uslove (pred)znaka:
≤ dk yp ≥ 0 ∀p y n+k ≥ 0 ∀k y n+k ≤ 0 ∀k
≥ dl " " y n+ l ≤ 0 ∀l y n+ l ≥ 0 ∀l
= dr " " y n + r <> 0 ∀r y n + r <> 0 ∀r
Dokaz
Posmatrajmo opšti standardni primarni model LP-a i svakom ograničenju pridružimo
odgovarajuće dualne varijable:
⎛ Max. ⎞ n
⎜ ⎟ f . = ∑ c p ⋅ x p + ∑ 0 ⋅ x n + k + ∑ 0 ⋅ x n +l + ∑ (∓ M ) ⋅ x n + r
⎝ Min. ⎠ p =1 ∀k ∀l ∀r
⎧ n
⎪I ∑a kp ⋅ xp + 1 ⋅ xn+k = d k ← y n + k ∀k
⎪ p =1
⎪⎪ n
⎨ II ∑a lp ⋅ xp − 1 ⋅ x n +l = d l ← y n +l ∀l
⎪ p =1
⎪ n
⎪ III
⎪⎩
∑a
p =1
rp ⋅ xp + 1 ⋅ x n + r = d r ← y n + r ∀r
9
Prema: Vučković Ž., (1989), str. 179-231.
482
TEORIJA DUALNOSTI U LINEARNOM PROGRAMIRANJU
K +L K + L+ R
⎛ Min. ⎞ K
⎜ ⎟
⎝ Max. ⎠
f. = ∑
k =1
d k ⋅ y n+ k + ∑ l n+l r = K∑+ L+1 d r ⋅ y n+r
l = K +1
d ⋅ y +
K K +L K + L+ R
≥
∑ akp ⋅ y n+k +
k =1
∑ alp ⋅ y n+l +
l = K +1
∑
r = K + L +1
a rp ⋅ y n + r
≤
c p , p = 1,n
≥
1 ⋅ y n+k 0 ∀k
≤
≥
− 1 ⋅ y n +l 0 ∀l
≤
≥ -M
1 ⋅ y n+ r ∀r
≤ +M
pa iz posljednjih K+L+R nejednakosti imamo dokazanu tvrdnju teorema, odnosno:
≥ ≤
y n+ k 0 (∀k ); y n +l 0 (∀l ); ≥
y n+r < 0 (∀r );
≤ ≥
što je i trebalo dokazati.
Teorema 4.4.3.2.
Samo kod simetričnog polaznog primarnog modela LP-a dual od njegovog duala je
primal jer je i dual od duala također simetričan polazni model LP-a.
Dokaz:
Dokaz ove teoreme je posljedica prethodne teoreme, odnosno činjenice da kod simet-
ričnog primalnog modela odgovarajuće polazne dualne varijable moraju biti
nenegativne, pa se dualni model može posmatrati kao polazni model (primal).
Polazni (alternativni) simetrični primarni model LP-a je:
⎛ Max. ⎞ n
(1) ⎜ ⎟ f = ∑cp ⋅ xp
⎝ Min. ⎠ p =1
n
≤
(2) ∑a
p =1
ip ⋅ xp
≥
di i = 1,m
(3) xp ≥ 0 p = 1,n
483
LINEARNO PROGRAMIRANJE
⎜ ⎟
⎝ Max. ⎠
g = ∑
i =1
d i ⋅ yn + i / ⋅(-1 )
m
≥
∑a
i =1
ip ⋅ yn + i
≤
cp p = 1,n / ⋅(-1 )
yn + i ≥ 0 i = 1,m
Polazni dualni model, nakon množenja sa (-1), postaje:
⎛ Max. ⎞ m
⎜ ⎟
⎝ Min. ⎠
( − g ) = ∑
i =1
( − d i ) ⋅ yn + i
m
≤
∑ (−a
i =1
ip ) ⋅ yn + i
≥
( −c p ) p = 1,n
yn + i ≥ 0 i = 1,m
⎛ Min. ⎞ n
⎜ ⎟ ( − f ) = ∑ ( −c p ) ⋅ x p / ⋅ (-1)
⎝ Max. ⎠ p =1
n
≥
∑ (−a
p =1
ip ) ⋅ xp
≤
(−di ) i = 1,m / ⋅ (-1)
xp ≥ 0 p = 1,n
Odnosno, množenjem sa (-1) dobićemo pokalazni model.
Ostale teoreme navodimo bez dokaza.
Teorema 4.4.3.3.
Ako su f ′ i g ′ neke moguće vrijednosti a fˆ i ĝ optimalne vrijednosti, funkcija ci-
lja primala i duala istog problema LP-a:
a ) kod odnosa Max.f ↔ Min.f uvijek je f ' ≤ fˆ ≤ gˆ ≤ g '
b) kod odnosa Min.f ↔ Max.g uvijek je f ' ≥ fˆ ≥ gˆ ≥ g '
484
TEORIJA DUALNOSTI U LINEARNOM PROGRAMIRANJU
Teorema 4.4.3.4.
Ako jedan od modela (primalni ili dual) istog problema LP-a ima neograničenu opti-
malnu vrijednost svoje funkcije cilja, drugi njemu odgovarajući model nema ni jedno
moguće rješenje.
Teorema 4.4.3.5.
Ako jedan od modela (primal ili dual) istog problema LP-a ima svoje optimalno rje-
šenje, tada
a) i drugi model ima svoje optimalno rješenje, kao i
b) optimalne vrijednosti funkcije cilja su im jednake: fˆ = gˆ
Teorema 4.4.3.6.
U odnosu na opšti (standardni) primarni model LP-a i njemu odgovarajući opšti
(standardni) dualni model LP-a, optimalne vrijednosti odgovarajućih dualnih varijabli
su:
⎧≥ 0 kod Max.f ↔ Min.g
∀s = k : yˆ n+ k = −(c n+ k − fˆn+ k ) = fˆn+ k ⎨
⎩≤ 0 kod Min.f ↔ Max.g
⎧≤ 0 kod Max.f ↔ Min.g
∀s = l : yˆ n+l = (cn+l − fˆn+l ) = − fˆn+l ⎨
⎩≥ 0 kod Min.f ↔ Max.g
⎧⎪− (c ˆ ˆ ≥
n+ r − f n+ r) − M = f n+ r <0 kod Max.f ↔ Min.g
∀s = r : yˆ n+ r = ⎨
≥
⎪⎩− (c n+ r − fˆ n+ r) + M = fˆ n+ r <0 kod Min.f ↔ Max.g
⎧− (c p − fˆ p ) ≥ 0 kod Max.f ↔ Min.g
⎪
∀s = p : yˆ p = ⎨
⎪⎩ (c p − fˆ p ) ≥ 0 kod Min.f ↔ Max.g
485
LINEARNO PROGRAMIRANJE
Teorema 4.4.3.8.
Ako je optimalno primalno rješenje bazično nedegenerisano, tada je optimalno dualno
rješenje jednoznačno.
Ako je optimalno primalno rješenje bazično degenerisano, tada optimalno dualno rje-
šenje nije jednoznačno.
Ove izjave vrijede obratno (dual → primal).
Teorema 4.4.3.9.
Ako se usvoje sljedeće primjedbe:
1. Elementi optimalnog rješenja su kod optimalnog standardnog:
{
- primalnog modela LP - a : { xˆ p ∀p}, xˆ n +i ∀i ≠ z , xˆ n + z } za i = z
- dualnog modela LP - a : { yˆ ∀p}, { yˆ
p n +i
∀i ≠ z}, yˆ n + z za i = z
2. Ako neko polazno primalno ograničenje i = z pomnožimo sa nekom konstantom
H z ≠ 0 dobićemo transformirani „i“ polazni primalni model LP-a uz sigurnu je-
dnakost fˆ i = fˆ .
3. Elementi optimalnog rješenja su kod transformiranog standardnog
{ }{
- primalnog modela LP - a : xˆ ip ∀p , xˆ ni +i ∀i ≠ z , xˆ ni + z } za i = z
- dualnog modela LP - a : { yˆ i
p ∀p} ,{ yˆ i
n +i }
∀i ≠ z , yˆ ni + z za i=z
Kako za optimalnu vrijednost dualnih varijabli dobijamo optimalnu vrijednost funkcije cilja
i kod primala, to imamo da vrijedi:
m
gˆ = ∑ d i ⋅ yˆ n+i = fˆ
i =1
486
TEORIJA DUALNOSTI U LINEARNOM PROGRAMIRANJU
∂gˆ ∂fˆ
a odavde je = = yˆ n+i . (4.11)
∂d i ∂d i
Na osnovu tumačenja parcijalnog izvoda dobićemo značenje optimalne vrijednosti polaz-
ne dualne varijable:
jm funkcije cilja
.
jm ogranicenja i
Pogledajmo sada kakvu nam informaciju daju optimalne vrijednosti izravnavajućih dualnih
varijabli.
Iz principa oslabljene komplementarnosti imamo da je u slučajevima kad je polazna pri-
malna varijabla ušla u program, tj. xˆ p > 0 odgovarajuća dualna varijabla jednaka nuli
yˆ p = 0 , pa možemo reći da kad je yˆ p = 0 , odgovarajuće x̂ p je konkurentno da uđe u
program. Termin konkurentno da uđe u program smo iskoristili jer se može desiti da je i
xˆ p = 0 i yˆ p = 0 , a to bi značilo da je x̂ p ušlo u program, ali ima vrijadnost 0, pa imamo
487
LINEARNO PROGRAMIRANJE
degenerisano rješenje ili da x̂ p nije ušlo u ponuđeni optimalni program, ali imamo još jed-
no optimalno rješenje.
U slučaju yˆ p > 0 10 imamo da je xˆ p = 0 , pa odgovarajuća varijabla nije ušla u program.
Ako varijabla nije ušla u program, to znači 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 želimo da uključimo varijablu x̂ p u program, postavlja se pitanje kako se treba promi-
jeniti koeficijent u funkciji cilja da bi to mogli uraditi.
Na osnovu teoreme 4.4.3.6. imamo da je
⎧− (c p − fˆ p ) ≥ 0 kod Max.f ↔ Min.g
⎪
yˆ p = ⎨ ,
⎪⎩ (c p − fˆ p ) ≥ 0 kod Min.f ↔ Max.g
10
yˆ p < 0 se ne može desiti po definiciji izravnavajućih dualnih varijabli.
488
Metode za rješavanje problema
4.5. linearnog programiranja
U nastavku će teorijski i praktično biti izložene najčešće korištene metode za rješavanje
problema linearnog programiranja:
1. Grafička metoda;
2. Simplex metoda;
3. Transportni problem;
4. Asignacija.
Grafička metoda linearnog programiranja obično se primjenjuje kada polazni oblik modela
linearnog programiranja sadrži 2 promjenljive {x1; x2}, ili se može svesti na dvije promjenj-
ljive. Ako model sadrži 3 promjenljive {x1; x2; x3}, onda primjena grafičke metode
zahtijeva upotrebu nacrtne geometrije (predstavljanje 3-dimenzionalnog prostora u ravni).
Ova metoda nam omogućava da lakše shvatimo:
Oblast svih mogućih rješenja;
Kada je neko ograničenje suvišno;
Šta je jednoznačno, a šta višeznačno rješenje;
Postojanje ’’uskih grla’’ kod optimuma i sl.
Grafička metoda rješavanja problema linearnog programiranja se sastoji od grafičkog pri-
kaza cijelog modela LP u 2-dim koordinatnom sistemu x10x2. Uslovne jednačine su
predstavljene pravcima, a uslovne nejednačine poluravnima. Funkcija kriterija je predstav-
ljena jednoparametarskom familijom pravaca.
489
LINEARNO PROGRAMIRANJE
⎛ Max. ⎞
(1) ⎜ ⎟ f = c1 ⋅ x1 + c 2 ⋅ x 2
⎝ Min. ⎠
⎧ a11 ⋅ x1 + a12 ⋅ x2 ≤ d1 ⎫
⎪ ⎪
⎪ a21 ⋅ x1 + a22 ⋅ x2 ≤ d 2 ⎪
⎪I ⎬ K ograničenja 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
( 2 ) ⎪⎨ΙΙ ⎪
⎬ L ograničenja 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 ⎪
⎪ΙΙΙ ⎬ R ograničenja III tipa
⎪ ⎪
⎪
⎩ aK + L + R ,1 ⋅ x1 + aK + L + R ,2 ⋅ x2 = d K + L + R ⎪⎭
(3) x1 ≥ 0; x2 ≥ 0
ili kondenzovano:
⎛ Max. ⎞
(1) ⎜ ⎟ f = c1 ⋅ x1 + c 2 ⋅ x 2
⎝ Min. ⎠
⎧ I a k1 ⋅ x1 + a k 2 ⋅ x 2 ≤ d k k = 1, K
⎪
(2) ⎪⎨ II al1 ⋅ x1 + al 2 ⋅ x 2 ≥ d l l = K + 1, K + L (4.12)
⎪
⎪⎩ III a r1 ⋅ x1 + a r 2 ⋅ x 2 = d r r = K + L + 1, K + L + R
(3) x1 ≥ 0; x 2 ≥ 0
Na osnovu baznih teorema linearnog programiranja, imamo da je skup svih mogućih rješe-
nja problema linearnog programiranja konveksan skup i da se optimalna vrijednost nalazi u
rubnoj tački tog konveksnog skupa.
490
METODE ZA RJEŠAVANJE PROBLEMA LINEARNOG PROGRAMIRANJA
Upotreba grafičke metode je zasnovana na tome da se predstavi skup mogućih rješenja (kon-
veksan skup) datog problema u koordinatnom sistemu x10x2, a zatim da se od svih mogućih
rješenja izabere ono najbolje, odnosno da se izabere rubna tačka koja predstavlja optimum.
Pogledajmo sada kako se grafički prikazuju razni tipovi ograničenja. Kod svih ograničenja
trebamo prikazati poluravni određene linearnim nejednačinama datim u modelu (4.12), od-
nosno 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.
Ograničenje I tipa „≤”: ak1 ⋅ x1 + ak 2 ⋅ x2 ≤ d k (4.13.)
Potrebno je prikazati pravu koja predstavlja rub poluravni pa izabrati koji dio ravni zadovo-
ljava ograničenje.
Ako je a k1 > 0 i a k 2 > 0 , onda su odsječci na koordinatnim osama:11
dk d
x1 = 0 ⇒ x2 = > 0 ; x2 = 0 ⇒ x1 = k > 0
ak 2 ak1
i prava koja predstavlja rub poluravni 4.4.je opadajuća prava. Kako koordinatni početak, tj.
tačka (0, 0 ) zadovoljava nejednačinu ak1 ⋅ x1 + ak 2 ⋅ x2 ≤ d k za a k1 > 0 i a k 2 > 0 , to ogra-
ničenje I tipa predstavlja sljedeću poluravan12:
x2
dk
ak 2 Ograničenje I tipa
Skup mogućih
rješenja za dato
ograničenje
0 dk
x1
a k1
11
Već smo ranije istakli da smatramo da je dk ≥ 0.
12
Biramo onu poluravan koja sadrži koordinatni početak.
491
LINEARNO PROGRAMIRANJE
x2 Ograničenje I tipa
dk
ak 2
Skup mogućih
rješenja za dato
ograničenje
dk 0 x1
a k1
13
Uključili smo i uslove nenegativnosti, odnosno posmatramo samo I kvadrant.
492
METODE ZA RJEŠAVANJE PROBLEMA LINEARNOG PROGRAMIRANJA
i prava koja predstavlja rub poluravni je rastuća prava. Kako koordinatni početak, tj. tačka
(0, 0) zadovoljava nejednačinu ak1 ⋅ x1 + ak 2 ⋅ x2 ≤ d k za ak1 > 0 i ak 2 < 0 , to ograničenje
I tipa predstavlja sljedeću poluravan:
x2
0 dk
x1
a k1
dk
ak 2
x2 x2
Ograničenje I tipa
Ograničenje I tipa
dk
ak 2
0 x1 0 dk x1
a k1
Grafikon 4. Skup mogućih rješenja kod ak1 = 0 Grafikon 5. Skup mogućih rješenja kod ak 2 = 0
493
LINEARNO PROGRAMIRANJE
x2 x2
Skup mogućih
rješenja za dato
ograničenje Ograničenje I tipa
Ograničenje I tipa
Skup mogućih
rješenja za dato
ograničenje
0 x1 0 x1
Grafikon 6. Moguća rješenja kod ak1 > 0 i ak 2 < 0 Grafikon 7. Skup mogućih rješenja kod
ak1 < 0 i ak 2 > 0
dl
x1 = 0 ⇒ x 2 = >0
al 2
dl
x 2 = 0 ⇒ x1 = >0
a l1
i prava koja predstavlja rub poluravni 4.5. je opadajuća prava. Kako koordinatni početak, tj.
tačka (0, 0 ) ne zadovoljava nejednačinu al1 ⋅ x1 + al 2 ⋅ x 2 ≥ d l za al1 > 0 i al 2 > 0 , to
ograničenje II tipa predstavlja sljedeću poluravan14:
14
Biramo onu poluravan koja ne sadrži koordinatni početak.
494
METODE ZA RJEŠAVANJE PROBLEMA LINEARNOG PROGRAMIRANJA
x2
Ograničenje II tipa
0 dl x1
a l1
Izgled skupa mogućih rješenja ograničenja 4.5. u slučaju rastućih ograničavajućih pravih ili
u slučaju da je d l = 0 se određuje analogno ranije opisanom postupku, pa kod ograničenja
II tipa može imati i sljedeće oblike:
x2 x2
Skup mogućih
rješenja za dato
ograničenje
Ograničenje II tipa
Ograničenje II tipa
dl
Skup mogućih
rješenja za dato al 2
ograničenje
0
dl
dl x1 dl 0
al1 al1 > 0; al 2 < 0; d l > 0 al1 < 0; al 2 > 0; d l > 0 x1
al 2 al1
x2 x2
Ograničenje II tipa Skup mogućih
rješenja za dato
ograničenje
dl
al 2 dl
Skup mogućih Ograničenje II tipa
dl rješenja za dato al 2
al1 ograničenje
495
LINEARNO PROGRAMIRANJE
x2
dr
ar 2
0 dr x1
a r1
x2
B (I∩III)
C (II∩III) A (I∩II)
0 x1
Ograničenje III tipa Ograničenje II tipa
’’=’’ Ograničenje I tipa ’’≥’’
’’≤’’
⎧ak1 ⋅ x1 + ak 2 ⋅ x2 ≤ d k
⎪
Grafikon 11. Skup mogućih rješenja za sistem ograničenja ⎨al1 ⋅ x1 + al 2 ⋅ x2 ≥ dl
⎪a ⋅ x + a ⋅ x = d
⎩ r1 1 r2 2 r
ak1, ak 2, al1, al 2,ar1, ar 2 > 0
496
METODE ZA RJEŠAVANJE PROBLEMA LINEARNOG PROGRAMIRANJA
Grafički se skup mogućih rješenja polaznog modela 4.3. dobije kada se odredi presjek svih
ograničavajućih poluravni i pravaca datih u modelu.
Ukoliko bi model 4.3. imao samo tri ograničenja, i to ona data na grafikonima 1, 8 i 10.,
onda bi skup svih mogućih rješenja modela imao oblik prikazan na grafikonu 11.
Na osnovu baznih teorema, sigurno je optimalna ili tačka B ili točka C, zavisno od funkcije cilja
što je predstavljeno na grafionu 12.
Ako je cilj max f, biramo onu tačku koja će dati najveću vrijednost, odnosno grafički bira-
mo onu pravu na pravcu funkcije cilja koja je najudaljenija od koordinatnog početka.
Obratno, ako je cilj min f, biramo onu tačku koja će dati najmanju vrijednost funkciji cilja,
odnosno onu tačku koja je najbliža koordinatnom početku.
x2
B (I∩III)
f0
translacija
C (II∩III) A (I∩II)
f0
Pravac funkcije cilja
0 x2
Ograničenje III tipa Ograničenje II tipa
’’=’’ Ograničenje I tipa ’’≥’’
’’≤’’
Kroz ovaj uopšteni prikaz rješavanja problema LP-a grafičkom metodom, a na osnovu baz-
nih teorema LP-a, možemo istaći sljedeće:
Ukoliko je presjek svih ograničenja u modelu prazan skup, onda model LP-a nema
rješenja.
Ukoliko je presjek svih ograničenja u modelu zatvorena površ (konveksan poligon),
model LP-a ima konačno optimalno rješenje bez obzira da li je cilj min f ili max f.
Ukoliko su dvije tačke konveksnog poligona optimalne, onda je optimalna i svaka tačka
između te dvije tačke, odnosno pravac funkcije cilja je paralelan sa ograničenjem koje
sadrži optimalne tačke i tada imamo beskonačno mnogo optimalnih rješenja.
497
LINEARNO PROGRAMIRANJE
Ukoliko je presjek svih ograničenja otvorena konveksna površ, onda model ima
konačno rješenje ako je cilj min f, a nema rješenja, odnosno rješenje je
beskonačno ako je cilj max f.
Tačka koja predstavlja optimalno rješenje problema LP-a nam, osim informacije o
optimalnom planu, daje i informaciju o ograničenjima koja će biti potpuno iskorištena
u optimalnom slučaju tzv. uskim grlima programa.
Kad se odredi optimalno rješenje problema LP-a pod datim uslovima, postavlja se pitanje
koliko je to rješenje stabilno, odnosno koliko je osjetljivo (eng. sensitive) na promjenu po-
jedinih parametara u problemu. Analiza promjena parametara u modelu spada u tzv.
postoptimalnu ili senzitivnu analizu. Dio te analize će biti praktično prikazan kroz upotrebu
dualnog modela, ali napomenimo da se sa grafikona može vidjeti kad će promjena ograni-
čenja ili pravca funkcije cilja uticati na promjenu optimalnog rješenja.
Na osnovu prethodnih razmatranja vidimo da se grafički metod određivanja rješenja zadat-
ka linearnog programiranja sastoji od sljedećih aktivnosti:
1. Formulisanje problema u obliku zadatka linearnog programiranja;
2. Grafičko predstavljanje pravih koje reprezentuju (ne)jednačine sistema ograničenja;
3. Identifikacija skupa mogućih rješenja za koja su zadovoljene sve (ne)jednačine siste-
ma ograničenja i opšti uslov nenegativnosti;
4. Određivanje 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 mogućih rješenja ima samo je-
dnu zajedničku tačku;
6. Utvrđivanje optimalnih vrijednosti promjenljivih x1 i x2 u vidu koordinata ekstremne
tačke skupa mogućih rješenja najudaljenije, odnosno najbliže koordinatnom početku
u zavisnosti od cilja. Utvrđivanje optimalnih vrijednosti se može uraditi identifikaci-
jom sa grafikona ili rješavanjem sistema jednačina pravih na čijem presjeku se tačka
nalazi;
7. Određivanje vrijednosti funkcije cilja za optimalne vrijednosti promjenljivih.
Pogledajmo na primjerima kako se koristi grafički metod u rješevanju problema linearnog
programiranja.
Primjer 4.3.
Neka kompanija proizvodi dobra A i B. Mašine koje se koriste u proizvodnji imaju
maksimalan mjesečni kapacitet 24 000 sati (ms – mašinski sati). Jedinica dobra A
može se izraditi za 3 sata, a jedinica dobra B za 2 sata rada mašina.
Mjesečno se može računati sa najviše 35 000 radnih sati radnika (rs). Potrebno vrije-
me za izradu jedinice dobra A je 2,5 sata, a jedinice dobra B je 5 sati.
498
METODE ZA RJEŠAVANJE PROBLEMA LINEARNOG PROGRAMIRANJA
Istraživanje tržišta kazuje da se mjesečno može prodati najviše 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) izračunati optimalan program proizvodnje;
c) izvršiti analizu optimalnog programa.
Rješenje:
Rješavanjem zadatka trebamo dati odgovor na pitanje: Koliko jedinica dobra A i dob-
ra B treba proizvoditi mjesečno da bi se time maksimizirala dobit? Koliko iznosi ta
maksimalna mjesečna dobit?
Nepoznate vrijednosti u zadatku (modelu) su: x1 mjesečni broj jedinica dobra A i x2
mjesečni 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 će biti 140 ⋅ x1 , dok će dobit za proizvodnju x2 jedinica dobra B iznositi 80 ⋅ x 2 .
Ako istovremeno proizvodimo x1 jedinica dobra A i x2 jedinica dobra B, dobit će iz-
nositi 140 x1 + 80 x 2
Odavde funkcija cilja ima oblik:
max f = 140 x1 + 80 x 2
Odredimo sad ograničenja u modelu. Iz teksta zadatka vidimo da su mjesečni kapaci-
tet rada mašina i radnika unaprijed dati i da bez dodatnih ulaganja ove vrijednosti
mjesečno ne mogu biti veće. Također se vidi da je unaprijed poznata maksimalna pot-
ražnja za proizvodima A i B na tržištu, pa se bez promjene osobina proizvoda ili bez
osvajanja novih tržišta ova količina ne bi trebala prekoračiti (stvaraju se dodatne zali-
he i time povećavaju troškovi, odnosno smanjuje dobit i ovaj zadatak se mijenja).
Ograničenje I: Mašinski kapacitet (max 24 000 mašinskih sati)
Jedinica dobra A može se izraditi za 3 sata, a jedinica dobra B za 2 sata rada maši-
na. Ako se izradi x1 jedinica dobra A, mašine moraju raditi 3 ⋅ x1 sati, a ako se uradi
x2 jedinica dobra B, mašine moraju raditi 2 ⋅ x 2 sati. Ako izradimo istovremeno x1 je-
dinica dobra A i x2 jedinica dobra B, mašine moraju raditi 3 ⋅ x1 + 2 ⋅ x 2 sati. Odavde
se dobije prvo ograničenje:
499
LINEARNO PROGRAMIRANJE
15
Jedinica mjere nepoznatih x1 i x2 je komad. Potrebni mašinski sati za izradu kom. A ili B imaju jedinicu
mjere ms/kom, pa je ogrančenje I izraženo u ms (mašinskim satima).
16
Simetričan model: Cilj max i sva ograničenja su ≥ , ili cilj min i sva ograničenja su ≤ .
500
METODE ZA RJEŠAVANJE PROBLEMA LINEARNOG PROGRAMIRANJA
x2
12 000
0 8000 x1
I
501
LINEARNO PROGRAMIRANJE
12 000
0 8000 x1
I
7 000 7 000
x1 x1
0 14 000 II 0 14 000
II
Grafikon 4.3.b. Prava 2,5 ⋅ x1 + 5 ⋅ x2 = 35 000 Grafikon 4.3.b´. Poluravan 2,5 ⋅ x1 + 5 ⋅ x2 ≤ 35 000
502
METODE ZA RJEŠAVANJE PROBLEMA LINEARNOG PROGRAMIRANJA
Ako se oba ograničenja prikažu zajedno, onda se na grafiku 4.3. c vidi skup svih mo-
gućih tačaka (osjenčen) koje zadovoljavaju ograničenje I i II.
x2
12 000
7 000
x1
0 8 000 I 14 000 II
U nastavku bismo trebali uključiti i ograničenja III i IV, te ove poluravni presjeći sa
poluravnima I i II.
Prikažimo u koordinatnom sistemu x1 0x 2 ograničenja 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 res-
pektivno, a poluravni III i IV su date na sljedećim grafikonima:
x2 x2
III
5 000 IV
x1 x1
0 6 000 0
Ako bismo sva ograničenja prikazali na istom grafikonu i odredili presjek, dobili bi
skup mogućih rješenja datog modela LP-a, odnosno svaka tačka u osjenčenom šesto-
503
LINEARNO PROGRAMIRANJE
x2
12 000
7 000
5 000 IV
E D
C
N
x1
M
0 6 000 8 000 14 000
I II
III
Od svih mogućih rješenja trebamo izabrati ono najbolje. Vidjeli smo da sva moguća
rješenja dobijemo presjekom svih ograničenja u modelu i uslova nenegativnosti, a
najbolje rješenje zavisi od funkcije cilja.
Po teoremi17, optimalno rješenje će biti jedna od tačaka M, N, C, D, E, O, a koja od
njih - to zavisi od funkcije cilja.
Vrijednost funkcije cilja u tački O (0, 0) je 0 KM, dok je u tački E(0, 5000) njena vri-
jednost 400 000 KM. U nekoj drugoj tački iz skupa mogućih rješenja vrijednost
funkcije cilja će biti drugačija. Ono što je sigurno, jeste da je vrijednost funkcije cilja
veća što je ona (prava koja predstavlja pravac funcije cilja) udaljenija od koordinat-
nog početka. Nas zanima najveća vrijednost funkcije cilja, odnosno najudaljenija
tačka po pravcu funkcije cilja.
Odaberimo proizvoljno tačku P koja pripada skupu mogućih rješenja i odredimo koli-
ka je vrijednost funkcije cilja u toj tački. Uzmimo da su koordinate tačke 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 tačku P ima
jednačinu:
17
Teorema 4.3.2: Funkcija cilja f dostiže svoju optimalnu vrijednost u ekstremnim tačkama konveksnog sku-
pa mogućih rješenja. Ako se desi da f prima optimalnu vrijednost za više od jedne ekstremne tačke, onda će
problem LP-a imati optimalnu vrijednost za svaku konveksnu kombinaciju tih ekstremnih tačaka.
504
METODE ZA RJEŠAVANJE PROBLEMA LINEARNOG PROGRAMIRANJA
x2
12 000
7 000 7250
5 000 IV
E D
C
P N
x1
M
0 6 000 8 000 14 000
I II
III
x2 III
7 000 7250
5 000 IV
E D
C
P II
N fˆ
f0 M
0 6 000 8 000 x1
I
505
LINEARNO PROGRAMIRANJE
Koordinate tačke N dobijamo kao presjek prave I i III, odnosno rješavanjem sistema:
⎧3 ⋅ x1 + 2 ⋅ x 2 = 24 000
⎨
⎩ x1 = 6000
odakle se dobije xˆ1 = 6000; xˆ 2 = 3000 i ove vrijednosti predstavljaju optimalan plan
proizvodnje.18 Vrijednost funkcije cilja je u ovoj tački veća od njene vrijednosti u
svakoj drugoj tački skupa mogućih rješenja i iznosi:
fˆ = 140 ⋅ 6000 + 80 ⋅ 3000 = 1 080 000 KM
Provjerimo koliko iznosi vrijednost funkcije cilja u ostalim rubnim tačkama skupa
mogućih rješenja:
M (6000, 0)
f (M ) = 840 000 KM
E (0,5000)
f (E ) = 400 000 KM
⎧ 3 x1 + 2 x 2 = 24 000
{C} = I ∩ II ⇒ ⎨ ⇒ C (5000, 4500)
⎩2,5 x1 + 5 x 2 = 35 000
f (C ) = 1 060 000 KM
⎧ x 2 = 5 000
{D} = II ∩ IV ⇒ ⎨ ⇒ D (4000, 5000)
⎩2,5 x1 + 5 x 2 = 35 000
f (D ) = 960 000 KM
Vidimo da je zaista najveća vrijednost funkcije cilja u tački N i na osnovu prethodne
analize možemo ponuditi sljedeći optimalan plan proizvodnje:
Uz ponuđena ograničenja optimalna mjesečna proizvodnja iznosi 6 000 komada proi-
zvoda A i 3 000 komada proizvoda B ( xˆ1 = 6000; xˆ 2 = 3000 ). Maksimalna mjesečna
dobit iznosi 1 080 000 KM (odgovor pod b).
Pod analizom optimalnog plana podrazumijevaćemo analizu ispunjenosti ograniče-
nja, iako se pod ovim pojmom može raditi i puno šira analiza.
Ograničenje I: Mašinski kapacitet (max 24 000 mašinskih sati, mjesečno) je potpuno
iskorišten u optimalnom planu. Za ovo ograničenje kažemo da predstavlja „usko grlo“
programa.
18
Oznaku ˆ koristimo ukoliko smo odredili optimalan plan.
506
METODE ZA RJEŠAVANJE PROBLEMA LINEARNOG PROGRAMIRANJA
Ograničenje II: Radni kapacitet radnika (max 35 000 radnih sati mjesečno) nije u
potpunosti iskorišten. Po optimalnom programu proizvodnje mjesečno ostaje 5 000
radnih sati radnika neiskorišteno.
II 2,5 ⋅ 6000 + 5 ⋅ 3000 = 30 000 ≤ 35 000 (r. s.)
Ograničenje III: Plasman proizvoda A na tržištu (max 6 000 kom, mjesečno) preds-
tavlja „usko grlo“ programa, odnosno tržište će biti u potpunosti zadovoljeno
proizvodima A.
III 6 000 = 6 000 (kom A)
Ograničenje IV: Plasman proizvoda B na tržištu (max. 5 000 kom) nije u potpunosti
zadovoljen. Na tržištu se može plasirati još 2000 komada proizvoda B mjesečno.
IV 3 000 ≤ 5 000 (kom B)
Napomena: Uska grla programa se mogu vidjeti direktno sa grafikona 4.8, jer one
prave (ograničenja) koje određuju optimalnu tačku istovremeno predstavljaju usko gr-
lo programa. Kod nas su to prave I i III.
Primjer 4.4.
Kompjuterska koorporacija MSA prizvodi dva modela mini kompjutera Alfa 4 i Beta
5. Firma zapošljava 5 tehničara. Svaki od njih radi 160 sati mjesečno na montaži.
Za sklapanje kompjutera Alfa 4 potrebno je 20 sati rada tehničara, dok je za model
Beta 5 potrebno 25 sati rada. U narednom mjesecu MSA želi 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 odgovarajući standardni model i odrediti značenje optimalne vrijednosti
izravnavajućih varijabli.
c) Formirati dualni model datog problema LP-a i odrediti optimalne vrijednosti du-
alnih varijabli.
d) Koliko bi primanje još jednog radnika unaprijedilo funkciju cilja?
507
LINEARNO PROGRAMIRANJE
Rješenje:
a) Označimo varijable:
x1 – broj kompjutera Alfa 4
x2 – broj kompjutera Beta 5
I ograničenje: Firma zapošljava 5 tehničara. Svaki od njih radi 160 sati mjesečno na
montaži. Ovo znači da imamo na raspolaganju 800 radnih sati montažera mjesečno.
Za sklapanje kompjutera Alfa 4 potrebno je 20 sati rada tehničara, dok je za model
Beta 5 potrebno neophodno 25 sati rada. Odavde je prvo ograničenje dato sa:
I 20 ⋅ x1 + 25 ⋅ x 2 ≤ 800 (rs)
III ograničenje: U narednom mjesecu MSA želi proizvesti barem 15 kompjutera Beta
5. Odavde je III ograničenje 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
Ako još uključimo i uslove nenegativnosti, onda je model problema 4.4.dat sa:
max f = 1200 x1 + 1800 x 2
I 20 x1 + 25 x 2 ≤ 800
II x1 ≥ 10
III x 2 ≥ 15
x1 , x 2 ≥ 0
Odredimo grafički skup mogućih rješenja:
508
METODE ZA RJEŠAVANJE PROBLEMA LINEARNOG PROGRAMIRANJA
I:
x2 Presječne tačke prave
II 20 ⋅ x1 + 25 ⋅ x2 = 800
sa koordinatnim osama:
32
C ⎧ x = 0; x2 = 32
⇒⎨ 1
⎩ x2 = 0; x1 = 40
15 III
A B II:
Paralelna sa x 2 osom
III:
0 10 40 Paralelna sa x1 osom
x1
I
Grafikon 4.4.a. Skup mogućih rješenja za LP 2
x1 = 10; x2 = 24 ⇒
fˆ = 1200 ⋅ 10 + 1800 ⋅ 24 = 55 200
19
Izabrana tačka ne mora biti u skupu mogućih rješenja jer nam je potrebna samo zbog određivanja pravca
funkcije cilja, ali se radi bolje preglednosti najčešće bira tačka iz skupa mogućih rješenja.
509
LINEARNO PROGRAMIRANJE
x2
Presječne tačke prave
II
f 0 ≡ 1200x1 + 1800x2 = 45 000
32
sa koordinatnim osama:
C
⎧ x1 = 0; x2 = 25
15 III ⇒⎨
A B ⎩ x2 = 0; x1 = 37,5
foptimalno
f0
0 10 40 x1
I
Odgovor pod a)
Najprofitabilniji broj mini kompjutera koje treba proizvesti u narednom mjesecu je
xˆ1 = 10 kompjutera Alfa 4 i xˆ 2 = 24 kompjutera Beta 5. Očekivani najveći profit iz-
nosit će: fˆ = 55 200 USD .
Sa grafikona vidimo da su ograničenja I i II uska grla programa, odnosno mjesečni
broj radnih sati montažera i ugovoreni minimalan broj kompjutera Alfa 4 predstavlja-
ju ograničenja zbog kojih se ne može ostvariti veća vrijednost funkcije cilja. Ova
analiza nam govori da, ako bismo željeli unaprijediti funkciju cilja, onda bismo mora-
li mijenjati ograničenja I ili II, ali ne i ograničenje IV.
b)
Prilikom formiranja standardnog modela LP-a moramo uvesti određen broj dopun-
skih varijabli - izravnavajućih i vještačkih20.
Standardni model ovog problema LP-a ima oblik:
20
Kod ograničenja ≤ uvodimo jednu izravnavajuću sa koeficijentom +1, kod ograničenja ≥ uvodimo jednu
izravnavajuću sa koeficijentom -1 i vještačku sa koeficijentom +1, dok kod ograničenja = uvodimo jednu
vještačku sa koeficijentom +1. U funkciji cilja izravnavajuće varijable imaju koeficijent 0, dok vještačke
imaju koeficijent ± M u zavisnosti od funkcije cilja (+M kod cilja min f i –M kod cilja max f).
510
METODE ZA RJEŠAVANJE PROBLEMA LINEARNOG PROGRAMIRANJA
x1 , x2 , x3 , x 4 , x5 ≥ 0; x 4* , x5* = 0
Kako su nam već izračunate optimalne vrijednosti polaznih primalnih varijabli u
modelu xˆ1 = 10 i xˆ 2 = 24 , to su odgovarajuće optimalne vrijednosti izravnavajućih
primalnih varijabli u modelu: xˆ 3 = 0 , xˆ 4 = 0 i xˆ5 = 9
Izravnavajuće varijable x̂3 , x̂ 4 su vezane za uska grla programa, pa je njihova vrije-
dnost 0. Ako je vrijednost izravnavajuće varijable jednaka nula, onda je ograničenje
kojem izravnavajuća varijabla pripada ustvari usko grlo programa.
Varijabla x̂5 je vezana za treće ograničenje u modelu, odnosno za minimalno potre-
ban broj mini kompjutera Beta 5, pa xˆ 5 = 9 nam govori da se 9 kompjutera tipa Beta
5 proizvodi više od minimalno potrebne količine.
c)
Dualni model polaznog primalnog modela određujemo tako da svakom ograničenju
i pridružimo odgovarajuću polaznu dualnu varijablu y n + i :
max f = 1200 x1 + 1800 x 2
I 20 x1 + 25 x 2 ≤ 800 ⇐ y3
II x1 ≥ 10 ⇐ y4
III x 2 ≥ 15 ⇐ y5
x1 , x 2 ≥ 0
Na osnovu osobina duala21 formiraćemo odgovarajući dualni model.
Funkcija cilja u dualu: Označimo odgovarajuću dualnu funkciju sa g. Kako je u
primalu cilj max f, to je u dualu cilj min g. Koeficijenti u ograničenjima kod primala
nalaze se u funkciji cilja kod duala:
min g = 800 y3 + 10 y 4 + 15 y5
21
Dualni model je simetričan; Matrica A koja se nalazi u ograničenjima primalnog modela je transponovana
u ograničenjima 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
22
Za cilj max f ograničenje traba biti ≤ , a za cilj min f ograničenje treba biti ≥.
23
(
xˆ i ⋅ yˆ i = 0; ∀i = 1, m )
512
METODE ZA RJEŠAVANJE PROBLEMA LINEARNOG PROGRAMIRANJA
20 y3 + y 4 = 1200⎫
25 y3 = 1800 ⎬ ⇒ yˆ 3 = 72, yˆ 4 = −240
⎭
513
LINEARNO PROGRAMIRANJE
d)
Primanje još jednog radnika će direktno uticati na I ograničenje. Primanjem jednog
novog radnika broj radnih sati montažera će se povećati za 160, odnosno I ograniče-
nje će imati oblik:
20 ⋅ x1 + 25 ⋅ x 2 ≤ 960
Na grafikonu vidimo da će skup mogućih rješenja promijeniti (prava I će se pomjeriti
prema “gore”) i optimalna tačka C će se pomjeriti u tačku C´. Kako se pravac funkci-
je cilja nije promijenio, to će novo rješenje biti x1=10; x2=30,4, odnosno funkcija
cilja će se povećati za 11 520 USD.
x2
II
32 C´
15 III
A B
I
0 10 x1
40 I´
Do istog ovog rezultata smo mogli doći da smo iskoristili vrijednost i značenje dualne
varijable yˆ 3 = 72 . Povećanjem granice I za 160 rs, funkcija cilja će se povećati za
160 ⋅ 72 = 11 520 USD , odnosno nova vrijednost funkcije cilja će biti
fˆ ′ = 55 200 + 11 520 = 66 720 USD
Napomena: Kako se nova optimalana vrijednost u stvarnosti ne može realizovati (pro-
izvodnja 30,4 komada kompjutera Beta 5 nije moguća), mi ćemo uzeti cjelobrojno
rješenje najbliže optimalnom koje se nalazi u skupu mogućih rješenja.
514
METODE ZA RJEŠAVANJE PROBLEMA LINEARNOG PROGRAMIRANJA
Primjer 4.5
Napraviti standardizirani model modela LP iz primjera 4.3. i pronaći optimalne vrije-
dnosti svih varijabli. Objasniti njihovo značenje.
Rješenje:
(1) max f = 140 x1 + 80 x 2 + 0 x3 + 0 x 4 + 0 x5 + 0 x 6
Ι 3 x1 + 2 x 2 + x3 = 24 000 ( m.s.)
(2) ΙΙ 2,5 x1 + 5 x 2 + x4 = 35 000 (r.s.)
ΙΙΙ x1 + x5 = 6 000 kom A
ΙV x2 + x 6 = 5 000 kom B
(3) x1 , x 2, x3 , x 4, x5 , x 6, ≥ 0
Primjer 4.6.
Napraviti odgovarajući dualni model modela LP iz primjera 4.3. pa odrediti optimal-
ne vrijednosti dualnih promjenjljivih i objasniti njihovo značenje.
Rješenje:
Primal:
(1) max f = 140 x1 + 80 x2
Ι 3 x1 + 2 x 2 ≤ 24 000 (m.s.) ⇐ y3
(2) ΙΙ 2,5 x1 + 5 x2 ≤ 35 000 (r.s.) ⇐ y4
ΙΙΙ x1 ≤ 6 000 kom A ⇐ y5
ΙV x 2 ≤ 5 000 kom B ⇐ y 6
(3) x1 , x 2 ≥ 0
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 = 140
− y 2 + 2 y3 + 5 y 4 + y 6 = 80
y1 ; y 2 ; y3 ; y 4 ; y5 ; y 6 ≥ 0
Pomoću principa oslabljene komplementarnosti:
xˆ1 = 6000 ⇒ yˆ1 = 0
xˆ 2 = 3000 ⇒ yˆ 2 = 0
xˆ 3 = 0 3 y3 + y5 = 140⎫
sistem 4.6. poprima oblik:
2 y3 = 80 ⎬ ⇒ yˆ 3 = 40; yˆ 5 = 20
xˆ 4 = 5000 ⇒ yˆ 4 = 0 ⎭
xˆ 5 = 0
xˆ 6 = 2000 ⇒ yˆ 6 = 0
Polazne dualne varijable yˆ 4 = 0 i yˆ 6 = 0 nam govore da ograničenja II i IV nisu do
kraja iskorištena, pa pomjeranjem ovih ograničenja nećemo promijeniti funkciju cilja.
⎡ KM ⎤
Polazna dualna varijabla yˆ3 = 40 ⎢ ⎥ nam govori da će se funkcija cilja povećati za
⎣ ms ⎦
40 KM ako se ograničenje I poveća za 1 mašinski sat.
⎡ KM ⎤
Polazna dualna varijabla yˆ5 = 20 ⎢ ⎥ nam govori da ako na tržištu uspijemo plasi-
⎣ komA ⎦
rati još jedan dodatni komad proizvoda tipa A, funkcija cilja će se povećati za 20 KM.
Izravnavajuće dualne varijable yˆ1 = 0 i yˆ 2 = 0 nam govore da se koeficijenti u fun-
kciji cilja (dobit po jedinici proizvoda A i dobit po jedinici proizvoda B) ne moraju
mijenjati da bi x1 i x 2 ušle u optimalan plan.
516
METODE ZA RJEŠAVANJE PROBLEMA LINEARNOG PROGRAMIRANJA
Primjer 4.7.
U proizvodnom pogonu firme mogu se proizvoditi dva proizvoda (P1, P2). Strojevi
prvog pogona (S1) imaju mjesečni kapacitet 450 sati, a drugog (S2) kapacitet od 600
sati. Potreban broj sati rada strojeva u proizvodnji jedinice proizvoda je sljedeći:
S1 S2
P1 2 2
P2 1 2
Na temelju analize troškova zna se da treba proizvesti najmanje 100 jedinica P1.
Ako je prihod po jedinici P1 10 KM i po jedinici P2 također 10 KM, treba odrediti op-
timalan plan proizvodnje koji omogućava maksimalan prihod.
Rješenje:
x1 – broj proizvoda P1; x2 – broj proizvoda P2
Funkcija cilja: max f = 10 x1 + 10 x 2
Ograničenja:
Strojevi prvog pogona (S1) imaju mjesečni kapacitet 450 sati. Za x1 jedinica proizvo-
da P1 potrebno je 2 x1 sati, a za x2 jedinica proizvoda P2 potrebno je 1 x2 sati.
Ι 2 x1 + 1x 2 ≤ 450 (m.s.) S1
Strojevi drugog pogona (S2) imaju mjesečni kapacitet 600 sati. Za x1 jedinica proiz-
voda P1 potrebno je 2 x1 sati, a za x2 jedinica proizvoda P2 potrebno je 2 x2 sati.
ΙΙ 2 x1 + 2 x 2 ≤ 600 (m.s.) S 2
Na temelju analize troškova zna se da treba proizvesti najmanje 100 jedinica P1.
ΙΙΙ 1x1 ≥ 100 kom P1
Model:
(1) max f = 10 x1 + 10 x 2
Ι 2 x1 + 1x 2 ≤ 450 (m.s.) S1
(2) ΙΙ 2 x1 + 2 x 2 ≤ 600 (m.s.) S 2
ΙΙΙ 1x1 ≥ 100 kom P1
(3) x1 , x 2 ≥ 0
0 0
Za grafički prikaz vidimo da prava I siječe ose u x1 = 225; x 2 = 450 , te da prava II
0 0
siječe ose u x1 = 300; x 2 = 300 .
517
LINEARNO PROGRAMIRANJE
x2
450
300
C (II∩III)
B (I∩II)
P
100
D A
0 100 225 I300 x1
III f0 II
foptimal-
Grafikon 4.7.a. Skup mogućih rješenja, pravac funkcije cilja i optimalno rješenje
518
METODE ZA RJEŠAVANJE PROBLEMA LINEARNOG PROGRAMIRANJA
Primjer 4.8.
Preduzeće koristi tri stroja, S1, S2, S3, da bi proizvelo dva tipa plastične mase - P1, P2.
Jedan sat rada stroja S1 košta 10 KM, S2 košta 7 KM i S3 košta 12 KM.
Svake sedmice preduzeće mora proizvesti barem 7 kg plastične mase tipa P1 i barem
4 kg mase tipa P2.
Podaci o obradi plastičnih masa u jednom satu dati su u sljedećoj tabeli:
P1 P2
S1 1 kg 2 kg
S2 1 kg 1 kg
S3 2 kg 1 kg
Rješenje:
a) x1 – broj radnih sati S1
x2 – broj radnih sati S2
x3 – broj radnih sati S3
Funkcija cilja: min f = 10 x1 + 7 x 2 + 12 x3
Ograničenja: Zahtjevi za minimalnom potrebnom količinom plastičnih masa P1 i P2.
I x1 + x 2 + 2 x3 ≥ 7
II 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
520
METODE ZA RJEŠAVANJE PROBLEMA LINEARNOG PROGRAMIRANJA
Primjer 4.9.
Trgovinsko preduzeće ima na raspolaganju 25 000 $ koje namjerava potrošiti na TV rek-
lamu. Svi spotovi bi se emitovali na jednoj TV stanici. Relevantni su sljedeći podaci:
Broj potencijalnih
Vrijeme emitovanja Troškovi
gledalaca
7:00 – 18:00 1200 $ 15 000
18:00 – 23:00 2500 $ 25 000
23:00 – 02:00 1500 $ 18 000
Rješenje:
a) x1 – broj spotova od 7:00 do 18:00
x2 – broj spotova od 18:00 do 23:00
x3 – broj spotova od 23:00 do 02:00
521
LINEARNO PROGRAMIRANJE
Model:
max f = 15000 x1 + 25000 x 2 + 18000 x3
x1 + x2 + x3 ≤ 15
← y4 ≥ 0
1200 x1 + 2500 x 2 + 1500 x3 ≤ 25000 ← y5 ≥ 0
x1 ≥ 0; x 2 ≥ 0; x3 ≥ 0
b) Simetričan primal ⇒ „ dual duala je primal“
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
522
METODE ZA RJEŠAVANJE PROBLEMA LINEARNOG PROGRAMIRANJA
c)
yˆ1 = 1000 govori da bi se gledanost u terminu 7:00 do 18:00 trebala povećati za 1000
da bi se u optimalnom planu izabralo emitovanje spotova u tom terminu.
yˆ 4 = 7000 nam govori da bi se broj potencijalnih gledalaca (vrijednost funkcije cilja)
povećao za 7 000 ukoliko bismo povećali planirani broj spotova za 1 (ograničenje 1).
yˆ 5 = 7,5 nam govori da bi se broj potencijalnih gledalaca (vrijednost funkcije cilja)
povećao za 7,5 ukoliko bismo povećali novac planiran za oglašavanje za 1$ (ograni-
čenje 2).
Primjer 4.10.
Poljoprivredno dobro proizvelo je 1000 t jabuka i prodavaće ih u gradovima A, B i C
po cijenama: 25 nj / t u gradu A, 30 nj / t u gradu B i 28 nj / t u gradu C.
Troškovi proizvodnje po toni jabuka iznose 10 nj , a transportne cijene su: 5 nj / t
do grada A, 2 nj / t do grada B i 3 nj / t do grada C.
Proizvedenu količinu jabuka treba kompletno prodati.
U gradu C se može prodati maksimalno 50% jabuka, dok se u gradovima A i B može
prodati zbirno maksimalno 600 t jabuka.
U gradu A već je ugovorena prodaja od minimalno 150 t jabuka.
a) Naći optimalan plan prodaje proizvedene količine koji će biti najrenatabilniji za
proizvođača;
b) Napraviti dualni model datog problema LP-a i naći optimalne vrijednosti dualnih
varijabli;
c) Protumačiti značenje optimalnih dualnih varijabli yˆ 6 i yˆ 7 .
523
LINEARNO PROGRAMIRANJE
Rješenje:
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
Ograničenja:
Proizvedenu količinu treba kompletno prodati ⇒ I ) x1 + x 2 + x3 = 1000
x1 ≥ 0; x 2 ≥ 0; x3 ≥ 0;
U pitanju je model koji ima tri nepoznate. Model nije simetričan, ali postoji jedno og-
raničenje trećeg tipa (tipa =) i ono nam omogućava da model transformišemo u model
sa dvije nepoznate.
Transformacija se vrši za svako ograničenje i to na sljedeći način:
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
METODE ZA RJEŠAVANJE PROBLEMA LINEARNOG PROGRAMIRANJA
1200
f max
1000
800 f0
600
A
400
B
200 I
0 C D
0 100 200 300 400 500 600 700 800 900 1000 1100
-200
-400 III
IV II
-600
Grafikon 4.10.a. Skup mogućih rješenja, pravac funkcije cilja i optimalno rješenje
Elementi optimalnog rješenja su: A (150, 150) i f (A) =15 600, odnosno:
xˆ1 = 150; xˆ 2 = 150; xˆ 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 će se ostvariti maksimalna dobit od 15 600
KM.
b)
Odgovarajući dualni model ima oblik:
min g = 1000 y 4 + 500 y5 + 600 y 6 + 150 y 7
y4 + y6 + y 7 ≥ 10
y4 + y6 + ≥ 18
y4 + y5 + ≥ 15
≤
y4 0; y 5 ≥ 0; y 6 ≥ 0; y 7 ≤ 0;
≥
Po principu oslabljene komplementarnosti i iz gornjeg sistema imamo:
xˆ i ⋅ yˆ i = 0 xˆ 4 = 0 → yˆ 4 = 15
xˆ1 = 150 → yˆ1 = 0 xˆ 5 = 100 → yˆ 5 = 0
xˆ 2 = 450 → yˆ 2 = 0 xˆ 6 = 0 → yˆ 6 = 3
xˆ 3 = 400 → yˆ 3 = 0 xˆ 7 = 0 → yˆ 7 = −8
Primjer 4.11.
Preduzeće proizvodi tri vrste tkanina: A, B, C. Za njih su potrebne tri vrste vune: cr-
vena, 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.
Može se utrošiti maksimalno 48 kg crvene i 32 kg bijele vune, dok je potrebno utroši-
ti tačno 18 kg plave vune. Treba odrediti onu kombinaciju proizvodnje tkanina koja
će obezbijediti najveći prihod preduzeću ako je prihod po metru tkanine A 10 KM,
tkanine B 20 KM i tkanine C 10 KM.
526
METODE ZA RJEŠAVANJE PROBLEMA LINEARNOG PROGRAMIRANJA
Rješenje:
a) x1 – kg tkanine A; x2 – kg tkanine B; x3 – kg tkanine C
Funkcija cilja: maximalan prihod ⇒ max f = 10 x1 + 20 x 2 + 10 x3
Ograničenja:
I: Može se utrošiti maksimalno 48 kg crvene vune ⇒ 2 x1 + 4 x 2 + 6 x3 ≤ 48
527
LINEARNO PROGRAMIRANJE
528
METODE ZA RJEŠAVANJE PROBLEMA LINEARNOG PROGRAMIRANJA
A = ∑ xb ⋅ Ab (4.17)
b
Bazične varijable xb ≠ 0 čine m baznih komponenti vektora [x s ] , dok su ostale komponen-
te ovog vektora jednake nuli x s = 0; ∀s ≠ b . Vektor bazičnih varijabli označimo sa XB.
Na osnovu teoreme 4.3.3, imamo da je ovaj vektor XB ekstremna tačka skupa mogućih rje-
šenja, a odgovarajuća vrijednost funkcije cilja za XB iznosi:
529
LINEARNO PROGRAMIRANJE
N
f = ∑ cb ⋅ xb = ∑ c s ⋅ x s (4.18)
b s =1
Za vrijednost f kažemo da predstavlja vrijednost vektora A manifestovanog u odgovaraju-
ćoj bazi.24
Kako je B = {Ab } baza vektorskog prostora Vm, to znači i da se svaki vektor iz skupa
{A1 , A2 , … , AN } može izraziti kao linearna kombinacija vektora iz baze:
As = ∑ K bs ⋅ Ab (4.19)
b
f s = ∑ cb ⋅ K bs (4.20)
b
c s − f s = c s − ∑ cb ⋅ K bs
b
24
Vučković Ž., (1989), str 103.
530
METODE ZA RJEŠAVANJE PROBLEMA LINEARNOG PROGRAMIRANJA
pri čemu nam indexi bi , i = 1,..., m govore o kojim varijablama je konkretno riječ, odnos-
no u pitanju su konkretni indeksi iz skupa {1,2, … , N }
Ako u ovoj bazi vektor Av želimo zamijeniti sa nekim nebaznim vektorom Au , dobićemo
novu bazu vektorskog prostora Vm :
{
B ′ = Ab1 , , Au , }
, Abm ,
Svaki vektor As se može izraziti kao linearna kombinacija baznih vektora, pa i vektor Au ,
odnosno iz (4.19) slijedi:
m
As = ∑ K bi s ⋅ Abi = K b1s ⋅ Ab1 + + K vs ⋅ Av + + K bm s ⋅ Abm (4.22.)
i =1
m
Au = ∑ K biu ⋅ Abi = K b1u ⋅ Ab1 + + K vu ⋅ Av + + K bmu ⋅ Abm (4.23.)
i =1
531
LINEARNO PROGRAMIRANJE
(
A = xb1 − θ ⋅ K b1u ⋅ Ab1 + ) + ( xv − θ ⋅ K vu ) ⋅ Av + ( )
+ xbm − K bmu ⋅ Abm + θ ⋅ Au =
m (4.24)
( )
= ∑ xb i − θ ⋅ K biu ⋅ Abi + θ ⋅ Au
i =1
a odavde vidimo da je
[
X B = xb1 − θ ⋅ K b1u x v − θ ⋅ K vu x bm − θ ⋅ K bmu 0 θ 0 ]
moguće rješenje modela.
Zbog uslova nenegativnosti u modelu imamo da xbi − θ ⋅ K biu ≥ 0 (∀i ) , odakle slijedi da je:
xbi
0 <θ ≤ za i = 1,..., m (4.25)
K biu
Pošto ovo novo rješenje mora biti bazično, to jedna pozitivna komponenta vektora XB' treba
da uzme vrijednost 0. Izaberemo θ takvo da odgovara najmanjem od svih količnika (4.25),
odnosno neka je
⎧⎪ xbi ⎫⎪
θ = min ⎨ ⎬, i = 1, … , m , (4.26)
bi ⎪ K bi u ⎪
⎩ ⎭
i ako je samo jedan ovakav θ , onda će bazno rješenje imati m nenegativnih veličina i
N − m vrijednosti će biti 0.25
Pretpostavimo da najmanja vrijednost θ odgovara indeksu v i tada je x v − θ ⋅ K vu = 0
novo bazno rješenje:
X B′ = x b′ 1 [ xb′ 2 xb′ m 0 0 ]
i njegove komponente su oblika:
xv
xb′ i = xbi − ⋅ Kbi u za bi ≠ u
K vu
(4.27)
xv
xu′ =
K vu
a odavde je xv′ = 0 .
sa novim sistemom baznih vektora: B ′ = Ab1 , { , Au , , Abm }
25
U slučaju da imamo više istih minimalnih θ, onda bi se pojavio degenarisani problem LP-a i postoji opas-
nost da simpleks algoritam ne pronađe optimalno rješenje u konačnom broju koraka.
532
METODE ZA RJEŠAVANJE PROBLEMA LINEARNOG PROGRAMIRANJA
1 Kb u Kb u
Av = Au − 1 ⋅ Ab1 − … − m ⋅ Abm
K vu K vu K vu
i uvrštavamo ga u (4.22) pa nakon sređivanja dobijamo:
⎛ Kb u ⎞ K ⎛ Kb u ⎞
As = ⎜ K b1s − 1 ⋅ K vs ⎟ ⋅ Ab1 + + vs ⋅ Au + + K bm s ⎜ K bm s − m ⋅ K vs ⎟ ⋅ Abm
⎜ K vu ⎟ K vu ⎜ K vu ⎟
⎝ ⎠ ⎝ ⎠
⎛ Kb u ⎞ K
= ∑ ⎜ K bi s − i ⋅ K vs ⎟ ⋅ Abi + vs ⋅ Au
⎜ K vu ⎟ K vu
bi ≠u ⎝ ⎠
odnosno, koeficijenti vektora As u novoj bazi B ′ se izražavaju sljedećim relacijama:
K bu
′ = K bs −
K bs ⋅ K vs za b≠u
K vu
(4.28)
K vs
′ =
K bu
K vu
533
LINEARNO PROGRAMIRANJE
f ′ = ∑ cb i ⋅ xb′ i = ∑ cb ⋅ (xb
i i
)
− θ ⋅ K biu + θ ⋅ cu , (4.32)
bi bi ≠u
f ′= ∑ cb ⋅ (xb
i i
)
− θ ⋅ K biu + θ ⋅ cu = ∑ cb i
⋅ xbi − θ ⋅ ∑ cb i
⋅ K biu + θ ⋅ cu + cv ⋅ xv − θ ⋅ cv ⋅ K vu =
bi ≠u bi ≠u bi ≠u
m m ⎛ m ⎞
= ∑ bi bi
c ⋅ x + θ ⋅ cu − θ ⋅ ∑ bi biu
c ⋅ K = f + θ ⋅ ⎜ cu − ∑ cbi ⋅ K biu ⎟ = f + θ ⋅ (cu − f u )
⎜ ⎟
i =1 i =1 ⎝ i =1 ⎠
Odnosno, veza između vrijednosti funkcije cilja u novoj i staroj bazi je data sa:
f ′ = f + θ ⋅ (cu − fu ) (4.34)
Iz izraza (4.34). imamo da, zbog θ > 0 , vrijednost (cu − f u ) pokazuje smjer promjene fun-
kcije cilja, dok izraz θ ⋅ (cu − f u ) pokazuje njen intenzitet. Dakle, ako je (cu − f u ) > 0 ,
vrijednost funkcije cilja će biti veća u novoj bazi nego u staroj i to za θ ⋅ (cu − f u ) > 0 ,
odnosno biće manja za θ ⋅ (cu − f u ) ako je (cu − f u ) > 0 .
Izraz (4.34) nam omogućava određivanje 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 će se
vrijednost funkcije cilja povećati za θ ⋅ (c s − f s ) > 0 , pa su samim tim svi As sa ovom
⎧⎪ xb ⎫⎪
osobinom korisni vektori za ulazak u bazu, gdje je θ = min ⎨ i ⎬, i = 1, … , m .
bi ⎪ K bi s ⎪
⎩ ⎭
26
Ne mora se naglasiti bi ≠ v jer je zbog (4.33) ovo svakako 0).
534
METODE ZA RJEŠAVANJE PROBLEMA LINEARNOG PROGRAMIRANJA
Ako je cilj min f, a postoji neki nebazni vektor As kod kog je (c s − f s ) < 0 , onda će se
vrijednost funkcije cilja smanjiti za θ ⋅ (c s − f s ) > 0 , pa su samim tim svi As sa ovom
⎧⎪ xb ⎫⎪
osobinom korisni vektori za ulazak u bazu, gdje je θ = min ⎨ i ⎬, i = 1, … , m .
bi ⎪ K bi s ⎪
⎩ ⎭
Najkorisniji je onaj vektor koji će najviše popraviti funkciju cilja, odnosno od svih korisnih
As tražimo onaj sa najvećim θ ⋅ (c s − f s ) .
535
LINEARNO PROGRAMIRANJE
(c s −
f s ) ≥ 0 (∀s ) dobili smo optimalno rješenje i optimalna vrijednost prog-
rama je X B u trenutnoj bazi. Algoritam se zaustavlja i dobijamo optimalno
rješenje.
8) Na osnovu θ u izaberemo vektor Av koji izlazi iz baze i formiramo novu bazu.
⎧ x ⎫
Av je onaj bazni vektor koji ima osobinu da je θ u = min ⎨ b ⎬,
b ⎩ K bu ⎭
9) U novoj bazi računamo vrijednosti baznih varijabli kao:
xv
xb′ = xb − ⋅ K bu za b≠u
K vu
xv
xu′ =
K vu
i komponente vektora As kao:
K bu
′ = K bs −
K bs ⋅ K vs za b≠u
K vu
K vs
′ =
K bu
K vu
10) Vraćamo se na korak 4.
Simplex tabela
Algoritam simplex metode se može pojednostaviti upotrebom simplex tabele. Tabela omo-
gućava jednostavniji prikaz toka rješavanja modela i jednostavniji račun.
Vrijednosti pojedinih koeficijenata koje smo računali u simplex algoritmu su smješteni u
tabelu i svaka iteracija, odnosno prelazak na novu bazu se prikazuje novom tabelom. Opšti
oblik simplex tabele je dat u sljedećoj tabeli.
536
METODE ZA RJEŠAVANJE PROBLEMA LINEARNOG PROGRAMIRANJA
← Cs →
B A ← As →
↑ ↑ ↑ ↑
Cb Ab Xb ← Kbs →
↓ ↓ ↓ ↓
f ← (Cs-fs) →
(3) x p ≥ 0 ; x n + k ≥ 0 ; x n + l ≥ 0 , xn + r = 0 ; x * n + l = 0 , (∀p, k , l, r )
537
LINEARNO PROGRAMIRANJE
( ) ( )
Ak , k = 1, K (koji odgovaraju izravnavajućim varijablama), A*l , l = K + 1, K + L (koji
( )
odgovaraju vještačkim varijablama II tipa) i A* r , r = K + L + 1, K + L + R (koji odgova-
raju vještačkim varijablama III tipa).
Komponente baznog mogućeg rješenja xb su elementi ograničenja A, odnosno u kolonu Xb
⎡ d1 ⎤
upisujemo vrijednosti: ⎢⎢ ⎥⎥ .
⎢⎣d m ⎥⎦
K bu
′ = K bs −
K bs ⋅ K vs za b≠u
K vu
K vs
′ =
K bu
K vu
i formula (4.17) – (4.20).
Istaknimo:
538
METODE ZA RJEŠAVANJE PROBLEMA LINEARNOG PROGRAMIRANJA
xbi
Treba izračunati m količnika za i = 1,..., m
K bi s
Vrijednost θj ne smije biti veća ni od jednog navedenog količnika, a mora biti jednaka
bar jednom (za b = v) od tih količnika i mora biti pozitivna. To će biti ako je ispunjen
uslov:
⎪⎧ xbi ⎪⎫
θ = min ⎨ ⎬, i = 1,… , m za svaki koristan vektor As
bi
⎪⎩ K bi s ⎪⎭
Primjer 4.12.
Riješiti problem LP iz primjera 4.3. simplex metodom.
Rješenje:
Zadatak je bio da se odredi broj jedinica dobra A i broj jedinica dobra B koje treba
proizvoditi sa ciljem maksimizacije mjesečne dobiti. Spomenuti problem LP-a ima
dvije nepoznate i mi smo ga rješavali grafičkom metodom. Da bi se na polazni model
LP-a mogao primijeniti simplex algoritam, potrebno je prethodno napraviti standardni
539
LINEARNO PROGRAMIRANJE
Polazni model:
(1) max f = 140 x1 + 80 x2
Ι 3 x1 + 2 x2 ≤ 24 000 (m.s.)
(2) ΙΙ 2,5 x1 + 5 x2 ≤ 35 000 (r.s.)
ΙΙΙ x1 ≤ 6 000 kom A
ΙV x2 ≤ 5 000 kom B
(3) 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 ⎪⎪
⎬
1x1 + 0 x2 + 0 x3 + 0 x4 + 1x5 + 0 x6 = 6 000 ⎪
0 x1 + 1x2 + 0 x3 + 0 x4 + 0 x5 + 1x6 = 5 000 ⎪⎭
x1 , x2 , x3 , x4 , x5 , x6 ≥ 0
Simplex tabela omogućava prikaz svih vektora As (sastavljanih od koeficijenata uz
nepoznatu Xs) i vektora ograničenja A0 (sastavljnog od vrijednosti ograničenja u sva-
koj jednačini) izraženih u odabranoj bazi u m – dimenzionalnom vektorskom
prostoru.
U našem slučaju mi ćemo prikazati vektore A1, A2, A3, A4, A5, A6 i vektor A0 u četve-
rodimenzionalnom prostoru. Napomenimo da svaki vektor koji bude odabran za bazni
u ovom prostoru mora imati jedan od sljedećih oblika:
⎡1 ⎤ ⎡0 ⎤ ⎡0 ⎤ ⎡0 ⎤
⎢0 ⎥ ⎢1 ⎥ ⎢0 ⎥ ⎢0 ⎥
e1 = ⎢ ⎥; e 2 = ⎢ ⎥; e3 = ⎢ ⎥ ; e 4 = ⎢ ⎥;
⎢0 ⎥ ⎢0 ⎥ ⎢1 ⎥ ⎢0 ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎣0 ⎦ ⎣0 ⎦ ⎣0 ⎦ ⎣1⎦
27
Primjer 4.3. i Primjer 4.4.
540
METODE ZA RJEŠAVANJE PROBLEMA LINEARNOG PROGRAMIRANJA
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 označava se sa cs – fs).
Vrijednost funkcije cilja u datoj bazi se određuje iz formule f = ∑ cb ⋅ xb , odnosno
b
f = 0 ⋅ 24000 + 0 ⋅ 35000 + 0 ⋅ 6000 + 0 ⋅ 5000 = 0
Doprinos vektora As promjeni funkcije cilja se određuje iz c s − f s = c s − ∑ cb ⋅ K bs
b
gdje je Kbs komponenta b vektora As, odnosno
541
LINEARNO PROGRAMIRANJE
Uvrštavanjem ovih vrijednosti u tabelu (4.11a) dobićemo popunjenu prvu simplex ta-
belu.
28
Dokaz je vrlo lagan, potrebno je samo u c s − f s = c s − ∑ c b ⋅ K bs uvrstiti da je s = b i iskoristiti činje-
b
542
METODE ZA RJEŠAVANJE PROBLEMA LINEARNOG PROGRAMIRANJA
29
Dijeljenje sa 0 nije moguće, a sa negativnim vrijednostima nije dozvoljeno jer se gubi nenegativnost varijabli.
543
LINEARNO PROGRAMIRANJE
⎡0 ⎤
⎢0 ⎥
A1′ = ⎢ ⎥ ;
⎢1 ⎥
⎢ ⎥
⎣0 ⎦
Tabelarna interpretacija elementarnih transformacija nad matricom u prethodnoj
simplex tabeli se može iskazati na sljedeći način:
I 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 našem slučaju, bazni element je 1 i bazni red se prepiše.
II Bazna kolona je bazni vektor, što znači da su joj svi elementi jednaki 0, osim
baznog koji mora biti 1.
III Sve ostale elemente u matrici ćemo dobiti „kružnom“ transformacijom:
K us
′ = K uv −
K uv ⋅ K bv , gdje je Kbs bazni element a Kus element u baznoj koloni i Kbv
K bs
element u baznom redu.
Konkretno, vrijednosti pojedinih elemenata u tabeli su:
⎧ 3
⎪ X 3′ = 24000 − 1 ⋅ 6000 = 6000
⎪
⎪ 2,5
Kolona A0: ⎨ X 4′ = 35000 − ⋅ 6000 = 20000
⎪ 1
⎪ 0
⎪ X 6′ = 5000 − 1 ⋅ 6000 = 5000
⎩
Tabela 4.12b'. Prva simpex tabela problema LP 4.1.1 sa označenim baznim redom, kolo-
nom i elementom
140 80 0 0 0 0
C0 B A0
A1 A2 A3 A4 A5 A6
0 A3 24000 3 2 1 0 0 0
0 A4 35000 2,5 5 0 1 0 0
0 A5 6000 1 0 0 0 1 0
0 A6 5000 0 1 0 0 0 1
0 140 80 0 0 0 0
544
METODE ZA RJEŠAVANJE PROBLEMA LINEARNOG PROGRAMIRANJA
⎧ 0 ⎧ 1
⎪ K 12′ = 2 − ⋅3 = 2
1 ⎪ K 15′ = 0 − ⋅ 3 = −3
1
⎪ ⎪
⎪⎪ K ′ 0 ⎪⎪ K ′ 1
= 5 − ⋅ 2,5 = 5 = 0 − ⋅ 2,5 = −2,5
Kolona A2: ⎨ 22 1 Kolona A5: ⎨
25
1
⎪ K 32
′ = K 32 = 0 ⎪ K 35
′ = K 35 = 1
⎪ ⎪
⎪K ′ 0 ⎪K ′ 0
= 1− ⋅0 = 1 = 0 − ⋅1 = 0
⎩⎪ ⎩⎪
42 45
1 1
c1 − f1 = 0 ( bazni )
c2 − f 2 = 80 − ( 0 ⋅ 2 + 0 ⋅ 5 + 140 ⋅ 0 + 0 ⋅1) = 80
c3 − f 3 = 0 ( bazni )
545
LINEARNO PROGRAMIRANJE
c4 − f 4 = 0 ( bazni )
c5 − f5 = 0 − ( 0 ⋅ ( −3) + 0 ⋅ ( −2,5 ) + 140 ⋅1 + 0 ⋅ 0 ) = −140
c6 − f 6 = 0 ( bazni )
546
METODE ZA RJEŠAVANJE PROBLEMA LINEARNOG PROGRAMIRANJA
⎧ K 13′ 1 ⎧ K 15′ 3
⎪ K 13′ ′ = = (bazni red ) ⎪ K 15′ ′ = = − (bazni red )
2 2 2 2
⎪ ⎪
⎪ K ′′ 5 5 ⎪ K ′′ 5
= 0 − ⋅1 = − = − 2 ,5 − ⋅ (− 3 ) = 5
Kolona A3: ⎪ 23 2 2 Kolona A5: ⎪ 25 2
⎨ ⎨
0 0
⎪ K ′′ = 0 − ⋅1 = 0 ⎪ K ′′ = 1 − ⋅ (− 3 ) = 1
⎪ 33 2 ⎪ 35 2
⎪ 1 1 ⎪ 1 3
⎪ K 43
′′ = 0 − ⋅1 = − ⎪ K 45
′′ = 0 − ⋅ (− 3 ) =
⎩ 2 2 ⎩ 2 2
Odredimo i posljednji red tabele:
Vrijednost funkcije cilja u datoj bazi
f = 80 ⋅ 3000 + 0 ⋅ 5000 + 140 ⋅ 6000 + 0 ⋅ 2000 = 1 080 000
Doprinos vektora A3 i A5 promjeni funkcije cilja:
⎡ 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 više korisnih vektora i da smo dobili posljednju, optimal-
nu simplex tabelu.
547
LINEARNO PROGRAMIRANJE
Optimalne vrijednosti funkcije cilja primala i duala su iste (ako optimum postoji) i iz-
nose:
fˆ = gˆ = 1 080 000 KM
Optimalne vrijednosti primalnih varijabli čitamo iz kolone A0, odnosno:
xˆ1 = 6000 ; xˆ 2 = 3000 ; xˆ 3 = 0 ; xˆ 4 = 5000 ; xˆ 5 = 0 ; xˆ 6 = 2000 ;
Optimalne vrijednosti dualnih varijabli čitamo iz posljednjeg reda u optimalnoj
simplex tabeli, i odavde je:
30
yˆ1 = 0 ; yˆ 2 = 0 ; yˆ 3 = 40 ; yˆ 4 = 0 ; yˆ 5 = 20 ; yˆ 6 = 0 ;
Primjer 4.13.
Preduzeće proizvodi tri proizvoda A, B, C koji se obrađuju u dva pogona. Tehničko-
tehnološki uslovi proizvodnje su dati u tablici:
Rješenje:
a) x1 – broj jedinica dobra A
x 2 – broj jedinica dobra B
x 3 – broj jedinica dobra C
Model koji odgovara ovom problemu je:
max f = 20 x 1 + 25 x 2 + 12 x 3
6 x 1 + 5 x 2 + 2 x 3 ≤ 6000
4 x 1 + 5 x 2 + 6 x 3 ≤ 9000
x 1 ≥ 0; x 2 ≥ 0; x 3 ≥ 0
30
Znak dualne promjenljive zavisi od ograničenja za koje je vezana dualna varijabla, s tim da su sve izravna-
vajuće dualne varijable nenegativne.
548
METODE ZA RJEŠAVANJE PROBLEMA LINEARNOG PROGRAMIRANJA
20 25 12 0 0
C0 B A0
A1 A2 A3 A4 A5
0 A4 6000 6 5 2 1 0
0 A3 9000 4 5 6 0 1
0 20 25 12 0 0
Ponovo je cilj maximum, pa su korisni vektori A1, A2 i A3. Za svaki od njih treba od-
rediti odgovarajuće θ:
θ1 = Min{6000/6; 9000/4} = 1000
θ2 = Min{6000/5; 9000/5} = 1200
θ3 = Min{6000/2; 9000/6} = 1500
Vrijednost θ1 daje informaciju da je najveća vrijednost koju vektor A1 može poprimiti
pri ulasku u bazu jednaka x1 = θ1 = 1000 i da će se u tom slučaju funkcija cilja pove-
ćati za:
θ1 ⋅(c1 – f1) = 1000 ⋅20 = 20 000 KM
Vrijednost θ2 daje informaciju da je najveća vrijednost koju vektor A2 može poprimiti
pri ulasku u bazu jednaka x2 = θ2 = 1200 i da će se u tom slučaju funkcija cilja pove-
ćati za:
θ2 ⋅(c2 – f2) = 1200 ⋅25 = 30 000 KM
Vrijednost θ3 daje informaciju da je najveća vrijednost koju vektor A3 može poprimiti
pri ulasku u bazu jednaka x3 = θ3 = 1500 i da će se u tom slučaju funkcija cilja pove-
ćati za:
θ3 ⋅(c3 – f3) = 1500 ⋅12 = 18 000 KM
Iz ovih razmatranja zaključujemo da je najbolje u bazu uključiti vektor A2 i da u tom
slučaju iz baze izlazi vektor A4.
549
LINEARNO PROGRAMIRANJE
Bazni element iznosi Kbs' = 5 i bazni red je prvi red, što znači da bazni red dijelimo sa
⎛1⎞
5. Bazna kolona je druga kolona, pa su njene koordinate ⎜⎜ ⎟⎟ .
⎝ 0⎠
Ranije opisanim »kružnim» transformacijama dobićemo narednu simplex tabelu:
20 25 12 0 0
C0 B A0
A1 A2 A3 A4 A5
25 A2 1200 6/5 1 2/5 1/5 0
0 A5 3000 -2 0 4 -1 1
Cs – fs 30000 -10 0 2 -5 0
Iz tabele vidimo da je koristan samo jedan vektor, i to vektor A3, i odgovarajuće θ3 iz-
⎧1200 3000 ⎫
nosi θ3 = Min⎨ ; ⎬ = 750 , što znači da u bazu ulazi vektor A3, a iz baze
⎩25 4 ⎭
izlazi vektor A5 i ukupna vrijednost funkcije cilja će se povećati za
θ 3 ⋅ (c3 − f 3 ) = 750 ⋅ 2 = 1500 .
Bazni element iznosi Kbs'' = 4 i bazni red je drugi red, što znači da bazni red dijelimo
⎛ 0⎞
sa 4. Bazna kolona je treća kolona, pa su njene koordinate ⎜⎜ ⎟⎟ .
⎝1⎠
Ponavljamo opisane korake iteracije i dobijemo treću simplex tabelu, u kojoj nemamo
pozitivnih vrijednosti c s − f s pa to znači da nemamo više korisnih vektora, odnosno
dobili smo optimalnu simplex tabelu.
20 25 12 0 0
C0 B A0
A1 A2 A3 A4 A5
25 A2 900 8/5 1 0 3/10 -1/10
12 A3 750 -1/2 0 1 -1/4 1/4
Cj-fj 31500 -14 0 0 -4,5 -0,5
550
METODE ZA RJEŠAVANJE PROBLEMA LINEARNOG PROGRAMIRANJA
Primjer 4.14.
Preduzeće proizvodi dva tipa proizvoda A i B. Trošak za izradu jedinice proizvoda A
je 24 nj, a proizvoda B je 25 nj. Da bi se izradila 1 jedinica proizvoda A potrebno je 1
sat rada mašine i 4 sata rada radnika, dok je za izradu jedinice proizvoda B potrebno 5
sati rada mašine i 1 sat rada radnika. Dnevno se maksimalno može koristiti 10 sati ra-
da mašine, a minimalno 12 sati rada radnika.
Treba odrediti onu kombinaciju dnevne proizvodnje da se pri datim uslovima mini-
miziraju troškovi proizvodnje.
a) Formirati model datog problema;
b) Simplex metodom pronaći optimalno rješenje datog problema;
c) Formirati odgovarajući dualni model, odrediti optimalne vrijednosti dualnih
promjenljivih i objasni značenje dualne promjenljive y4.
Rješenje:
a) x1 – broj jedinica A
x2 – broj jedinica B
min f = 24x1 + 25x2
x1 + 5x2 ≤ 10
4x1 + x2 ≥ 12
x1 ≥ 0; x2 ≥ 0
551
LINEARNO PROGRAMIRANJE
b) Standardizacija
min f = 24x1 + 25x2 + 0 x 3 + 0 x 4 + M x *4
x1+ 5 x2+ x3 = 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
552
METODE ZA RJEŠAVANJE PROBLEMA LINEARNOG PROGRAMIRANJA
fˆ = 72; xˆ1 = 3; xˆ 2 = 0; xˆ 3 = 7; xˆ 4 = 0; xˆ * 4 = 0
Minimalni troškovi proizvodnje iznose 72 KM i ostvaruju se pri proizvodnji 3 jedini-
ce dobra A, dok dobro B ne moramo proizvoditi. Provjerom uslova vidjećemo da su
zadovoljene pretpostavke zadatka.
Izravnavajuća varijabla x3 = 7 nam govori da prvo ograničenje nije u potpunosti isko-
rišteno.
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
yˆ1 = 0; yˆ 2 = 19; yˆ 3 = 0; yˆ 4 = 6
gˆ = 72
Na osnovu vrijednosti izravnavajuće dualne varijable yˆ 2 = 19 vidimo da je potrebno
troškove po jedinici proizvoda B smanjiti za najmanje 19 KM da bi proizvod B ušao
u optimalan plan proizvodnje.
Na osnovu vrijednosti polazne dualne varijable yˆ 4 = 6 vidimo da je drugo ograniče-
nje usko grlo programa (minimalan broj radnih sati radnika dnevno) i da bi se
povećanjem ovog ograničenja za 1 rs, funkcija cilja povećala 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.
Tehničko- tehnološki uslovi ova dva procesa obrade, kao i raspoloživi sedmični fond
sati, dati su u tabeli:
553
LINEARNO PROGRAMIRANJE
Rješenje:
a) x1 – broj kutija L
x2 – broj kutija SL
x3 – broj kutija UL
max f = 15x1 + 6x2 + 10x3
x1 + x2 + 5x3 ≤ 1200
3x1 + x2 + x3 ≤ 900
x1 ≥ 0; x2 ≥ 0; x3 ≥ 0
b)
Za rješavanje zadataka linarnog programira-
nja putem Excel koristi se opcija Solver.
Ukoliko Solver nije korišten ranije, potrebno
ga je instalirati na sljedeći način:
Na meniju “Tools” treba izabrati “Add-
Ins”
Na otvorenom prozoru Add-Ins, selektira-
ti kvadratić do reda gdje piše “Solver
Add-in” i kliknuti OK.
Pojaviće se poruka da Solver Add-in nije
trenutno instaliran na vašem kompjuteru, i
treba izabrati opciju “Yes” da ga instalira-
te.
Ponovnim izborom Tools na glavnom meniju
vidjećemo da se u sub-meniju nalazi opcija
“Solver”.
Kada je Solver instaliran, potrebno je unijeti
sve podatke o konkretnom problemu u Excel
stranicu.
554
METODE ZA RJEŠAVANJE PROBLEMA LINEARNOG PROGRAMIRANJA
Nakon postavljenog modela (što uključuje jasno napisane zavisne varijable, fun-
kciju cilja i sva ograničenja), otvorite opciju Solver.
U otvorenom prozoru treba izabrati Options, te u novom prozoru Options selekti-
rati redove “Assume linear” i “Assume nonnegative”. Time je zadovoljen uslov
nenegativnosti.
Nakon selektiranja, kliknite OK i automatski se vraćate na prozor Solvera.
Na mjestu gdje piše “Set
Target Cell”, potrebno je oz-
načiti ćeliju u kojoj će biti
upisana optimalna vrijednost
funkcije cilja.
Kod opcije “Equal To”, treba
označiti da li je funkcija cilja
minimum, maksimum ili tač-
no određena vrijednost.
U polju “By Changing Cells”
treba izabrati ćelije u radnom
sheetu koje Excel treba mije-
njati (po principu simleks tabele), da bi došao do optimalnog rješenja. U ovim će-
lijama će se nalaziti optimalne vrijednosti polaznih varijabli.
Na mjestu “Subject To Constraints” se upisuju sva ograničenja na način da se no-
va dodaju putem “Add”, a već unesena se eventualno mijenjaju putem “Change”.
Ovdje je važno znati da se vrijednosti koeficijenata u ograničenjima moraju upisa-
ti u odgovarajuće ćelije i da se vrijednosti ograničenja moraju nalaziti u
konkretnim ćelijama.
Ako dodajete novo ograničenje, kada kliknete Add, otvara vam se novi prozor. Na
“Cell Reference” unosite cell iz modela koji označava lijevi dio vašeg ograniče-
nja. Desno od Cell Reference unosite kojeg tipa je ograničenje, s tim da “int”
znači integer i podrazumijeva da rezultat ograničenja mora biti cijeli broj. Na kra-
ju, “Constraint” označava desni dio vašeg ograničenja. Kada unesete sve potrebne
podatke, kliknite OK i automatski se vraćate na prozor Solvera.
Kada ste unijeli sva ograničenja, kliknite “Solve” i, ukoliko su svi podaci tačno
uneseni, Excel će naći optimalno rješenje problema.
Primijenićemo gore opisani niz koraka na naš konkretan problem. Na odabranoj rad-
noj stranici unijet ćemo koeficijente u funkciji cilja, koeficijente u ograničenjima i
ograničenja na sljedeći način:
555
LINEARNO PROGRAMIRANJE
556
METODE ZA RJEŠAVANJE PROBLEMA LINEARNOG PROGRAMIRANJA
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
izravnavajućih dualnih varijabli (kolona Reduced Cost).
Kolone Allowable Increase i Allowable Decrease nam pokazuju dozvoljeno poveća-
nje ili smanjenje koeficijenata u funkciji cilja (gornji dio tabele), odnosno ograničenja
(donji dio tabele), a da se optimalno rješenje ne promijeni.
Constraints
Final Shadow Constraint Allowable Allowable
Cell Name Value Price R.H. Side Increase Decrease
$F$9 I Iskorištenost kapaciteta 1200 1 1200 3300 300
$F$10 II Iskorištenost kapaciteta 900 5 900 300 660
558
4.6. Specifični oblici problema linearnog programiranja
Transport robe od određenog broja proizvođača do određenog broja potrošača izaziva obič-
no velike troškove distribucije i prevoza. Stoga minimizacija ovih troškova predstavlja
jedan od uslova efikasne organizacije i finansijskog uspjeha poslovanja velikog broja pre-
duzeća. Ovaj zahtjev, s obzirom na direktni uticaj transportnih troškova na cijenu
proizvoda, predstavlja interes i proizvodnih i prometnih preduzeća, kao i krajnjih potrošača.
Problemi poput ovog se veoma efikasno mogu modelirati i rješavati upotrebom modela
linearnog programiranja Kao osnovni zahtjev optimizacije transporta robe najčešće se pos-
tavlja problem minimizacije ukupnih troškova prevoza i na taj način funkcija cilja izraža-
vala bi ukupne troškove prevoza robe, dok bi sistem ograničenja izražavao ograničeni iznos
ponude homogene vrste robe različitih proizvođača (ponuđača), odnosno iznos tražnje po-
jedinih odredišta (potrošača).
Ovaj specifičan problem linearnog programiranja, koji u opštom slučaju i ne mora biti for-
mulisan isključivo kao problem minimizacije, naziva se transportni problem i postoje
različiti algoritmi prilagođeni za rješavanje upravo ovakvih problema.
Pretpostavimo da postoji konačan broj mjesta ponude (ishodišta) koja raspolažu sa određe-
nom homogenom vrstom robe za čije korištenje je izražena tražnja u konačno mnogo
mjesta tražnje (odredišta). Transportni problem je dio problema linearnog programiranja
koji rješava problem prijevoza (transporta) istovrsnog tereta iz više ishodišta
( I i , (i = 1,2, … , m ) ) u više odredišta ( O j , ( j = 1, … , n ) ), odnosno iz m ishodišta u n odre-
dišta.
Ishodišta imaju fiksnu ponudu ai, (i = 1,2,… , m ) , dok odredišta imaju fiksnu potražnju bj,
( j = 1,2, … , n ) .
Označimo sa cij trošak prijevoza po jedinici tereta od ishodišta Ii do odredišta Oj i ove veli-
čine su nam unaprijed poznate.
Nepoznate količine transporta na relaciji i – j, odnosno od ishodišta i do odredišta j označi-
mo sa xij.
Zadatak transportnog problema je minimizacija troškova prijevoza na relacijama između
ishodišta i odredišta, uz uslov da se zadovolje potrebe odredišta i u potpunosti iskoriste po-
nude ishodišta.
559
LINEARNO PROGRAMIRANJE
+ c m1 ⋅ x m1 + c m 2 ⋅ x m 2 + … + c mn ⋅ x mn
dok se ograničenja u modelu mogu zapisati:
Istaknimo da, iako je razvoj ovakvih specifičnih modela zasnovan na ideji minimizacije
troškova transporta, postoji i niz drugih problema koji se mogu interpretirati kao problemi
transporta, a da im nije cilj minimizacija transpotrnih troškova. Ako bi, naprimjer, vrijed-
nosti 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 ograni-
čenja.
Prema tome, opšti oblik modela transporta se može zapisati u obliku:
560
SPECIFIČNI OBLICI PROBLEMA LINEARNOG PROGRAMIRANJA
min n m
f = ∑ ∑ cij ⋅ xij
max j =1 i =1
n
∑ xij = ai ( i = 1, 2,…, m )
j =1 (4.37)
m
∑ xij = b j ( j = 1, 2,…, n )
i =1
O1 O2 ... On ai
x11 x 12 ... x 1n
I1 a1
c11 c12 c1n
x 21 x 22 ... x 2n
I2 a2
c21 c22 c2n
. . . . . .
. . . . . .
. . . . . .
x m1 x m2 ... x mn
Im am
cm1 cm2 cmn
bj b1 b2 ... bn
U donji desni ugao transportne tabele se upisuju podaci o cijenama transporta (troškovima
transporta po jedinici tereta) na relaciji i – j, dok se u gornji lijevi ugao upisuju količine
transporta.
Općeniti primjer transportnog problema moguće je prikazati i pomoću mreže koja sadrži m
ishodišta, n odredišta te m ⋅ n veza između pojedinih ishodišta i odredišta.
561
LINEARNO PROGRAMIRANJE
ISHODIŠTA ODREDIŠTA
c11, x11
a1 b1
a2 b2
. .
. . . .
. . . .
. .
am bn
Kao što se vidi iz sistema jednačina (4.36), transportni problem je problem linearnog prog-
ramiranja koji se sastoji od m + n jednačina i od m ⋅ n varijabli. U nastavku ćemo navesti,
sa dokazima, teoreme koje daju uslove za rješavanje problema transporta.
Teorema 4.6.1.1.
Transportni problem ima rješenje ako i samo ako je
m n
∑ ai = ∑ b j , (4.38)
i =1 j =1
Dokaz
Pretpostavimo da je xij ≥ 0 ( i = 1, 2,…, m ) , ( j = 1, 2,…, n ) jedno rješenje transportnog
problema i pokažimo da tada mora vrijediti uslov (4.37). Ukoliko u ograničenjima u
modelu (4.36) saberemo prvih m jednačina i posljednjih n jednačina imaćemo:
m n m
∑ ∑ xij = ∑ ai , (4.39)
i =1 j =1 i =1
odnosno,
562
SPECIFIČNI OBLICI PROBLEMA LINEARNOG PROGRAMIRANJA
n m n
∑ ∑ xij = ∑ b j . (4.40)
j =1 i =1 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 rješiv.
Pokažimo da je ovaj uslov i dovoljan, odnosno da, ako vrijedi (4.38), onda se može
pronaći barem jedno rješenje transportnog problema (4.36).
Neka je
ai ⋅ b j ai ⋅ b j
xij = m
= n
, ( i = 1, 2,…, m ) , ( j = 1, 2,…, n ) (4.41)
∑ ai ∑ bj
i =1 j =1
i =1 i =1 i =1
odnosno,
n n ai ⋅ b j 1 m ai n
∑ xij = ∑ n
= n
⋅ ∑ ai ⋅ b j = n
⋅ ∑ b j = ai
j =1 j =1
∑ bj ∑ bj i =1
∑ bj j =1
j =1 j =1 j =1
i odavde vidimo da xij definisano kao (4.41) zadovoljava ograničenja u modelu, od-
nosno vidimo da predstavlja moguće rješenje problema. Time je teorema dokazana ♦
Vidimo da je ( i = 1, 2,…, m ) potreban i dovoljan uslov za postojanje rješenja transportnog
problema. Transportni problem kod kojeg vrijedi relacija (4.38) se naziva zatvoreni prob-
lem transporta.
Model transporta ima m + n jednačina, ali se postavlja pitanje koliko tih jednačina je line-
arno 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 jednačina sistema ograničenja zatvorenog transportnog mo-
dela (4.36) je m + n – 1.
Dokaz
Da bi dokazali tvrdnju teoreme, potrebno je pokazati da svako rješenje koje zadovo-
ljava proizvoljnih m + n – 1 jednačina u skupu ograničenja modela transporta (4.36),
zadovoljava i ono koje je preostalo.
Bez ograničenja opštosti, možemo pretpostaviti da je xij ≥ 0
( i = 1, 2,…, m ) , ( j = 1, 2,…, n )
takav skup vrijednosti koji zadovoljava sva ograničenja u modelu (4.36), osim prvog.
Trebamo pokazati da on onda mora zadovoljavati i prvo ograničenje, odnosno da vri-
jedi:
n
∑ x1 j = a1 (4.42)
j =1
j =1 i =2 j =1 i =1 i = 2 j =1 j =1 i =1 j =1 i = 2 j =1 ⎝ i =1 i=2 ⎠ j =1
pokazali da vrijedi (4.42), odnosno dokazali smo teoremu♦
564
SPECIFIČNI OBLICI PROBLEMA LINEARNOG PROGRAMIRANJA
Teorema 4.6.1.3.
Matrica koeficijenata sistema ograničenja našeg zatvorenog transportnog problema
(4.36) ima rang m + n – 1 ♦
Vidjeli smo da model transporta ima rješenja ako je zatvoren, ali šta u slučajevima da mo-
del transporta nije zatvoren? Da li to znači da takvi modeli transporta nemaju rješenje?
Problemi transporta koji ne zadovoljavaju relaciju (4.38) se nazivaju otvoreni problemi
transporta.
Otvoreni transportni problem je transportni problem kod kojeg suma kapaciteta ishodišta
nije jednaka sumi kapaciteta odredišta.
∑ ai ≠ ∑ b j
i j
Višak koji se javlja moguć je na strani ishodišta ili na strani odredišta, te se prema tome
može reći da postoje dvije vrste otvorenog transportnog problema, a to su:
1) otvoreni transportni problem sa viškom u ponudi,
2) otvoreni transportni problem sa viškom u potražnji.
Kod otvorenog transportnog problema sa viškom u ponudi, višak se javlja na strani ishodi-
šta, odnosno suma kapaciteta ishodišta veća je od sume potražnje odredišta.
∑ ai > ∑ b j
i j
+ c m1 ⋅ x m1 + c m 2 ⋅ x m 2 + … + c mn ⋅ x mn
Ograničenja za ishodišta:
565
LINEARNO PROGRAMIRANJE
Ograničenja za odredišta:
x11 + x21 + . . . +xm1 = b1
x12 + x22 + . . . +xm2 = b2
. . . . . . . . .
x1n + x2n + . . . +xmn = bn
Uslovi nenegativnosti:
xij ≥ 0 (i = 1,2, … , m ) , ( j = 1,2, … , n ) (4.45c)
Da bi bilo moguće riješiti ovaj tip otvorenog transportnog problema potrebno je otvoreni
transportni problem pretvoriti u zatvoreni transportni problem. Drugim riječima, potrebno
je dodati „fiktivno“ odredište (Of) čiji je kapacitet (bf) onoliki koliko je veća ponuda od
potražnje.
n
b f = ∑ ai − ∑ b j
i j =1
Jedinični troškovi prijevoza su nula i dobili smo zatvoreni transportni problem. Tabelarni
prikaz bi tada izgledao:
O1 O2 ... On Of ai
x11 x 12 ... x 1n x1,f
I1 a1
c11 c12 c1n 0
x 21 x 22 ... x 2n x2,f
I2 a2
c21 c22 c2n 0
. . . . . .
. . . . . .
. . . . . .
x m1 x m2 ... x mn xm,f
Im am
cm1 cm2 cmn 0
bj b1 b2 ... bn bf
566
SPECIFIČNI OBLICI PROBLEMA LINEARNOG PROGRAMIRANJA
+ c m1 ⋅ x m1 + c m 2 ⋅ x m 2 + … + c mn ⋅ x mn + 0 ⋅ x mf
Uslovi nenegativnosti
xij ≥ 0 (i = 1,2, … , m ) , ( j = 1,2, … , n ) (4.46c)
Otvoreni transportni problem sa viškom u potražnji je problem kod kojeg je suma ishodiš-
ta manja od sume odredišta, što znači da je ponuda manja od potražnje,
∑ ai < ∑ b j .
i j
+ c m1 ⋅ x m1 + c m 2 ⋅ x m 2 + … + c mn ⋅ x mn
Ograničenja za ishodišta:
567
LINEARNO PROGRAMIRANJE
Ograničenja za odredišta:
x11 + x21 + . . . +xm1 ≤ b1
x12 + x22 + . . . +xm2 ≤ b2
. . . . . . . . .
x1n + x2n + . . . +xmn ≤ bn
Uslovi nenegativnosti:
xij ≥ 0 ( i = 1, 2,… , m ) , ( j = 1, 2,… , n ) (4.47c)
Jednako kao i u prethodnom slučaju, kod otvorenog transportnog problema sa viškom u
ponudi, i otvoreni transportni problem sa viškom u potražnji potrebno je pretvoriti u zatvo-
reni transportni problem, a to se postiže dodavanjem „fiktivnog“ ishodišta (If) čiji kapacitet
(af) je onoliki kolika je razlika između ponude i potražnje, a jedinični troškovi prijevoza
jednaki su nuli.
m
a f = ∑ b j − ∑ ai
j i =1
O1 O2 ... On ai
x11 x 12 ... x 1n
I1 a1
c11 c12 c1n
x 21 x 22 ... x 2n
I2 a2
c21 c22 c2n
. . . . . .
. . . . . .
. . . . . .
x m1 x m2 ... x mn
Im am
cm1 cm2 cmn
x f1 x f2 ... x fn
If af
0 0 0
bj b1 b2 ... bn
568
SPECIFIČNI OBLICI PROBLEMA LINEARNOG PROGRAMIRANJA
Uslovi nenegativnosti:
xij ≥ 0 ( i = 1, 2,… , m ) , ( j = 1, 2,… , n ) (4.48c)
Rezimirajmo:
Problem transporta se može riješiti ako i samo ako je zatvoren.
U sistemu ograničenja modela transporta imamo m + n jednačina, ali je samo m + n – 1
nezavisnih, pa zbog toga rješenje problema transporta mora sadržavati m + n – 1 pozi-
tivnih vrijednosti xij.
Bazično rješenje problema transporta ima m + n – 1 pozitivnih vrijednosti:
Ako neko od rješenja transportnog problema sadrži manje od m + n – 1 pozitivnih vri-
jednosti xij tada je to rješenje degenerisano31.
Ukoliko je problem transporta otvoren, potrebno je model zatvoriti da bi se mogao rje-
šavati.
Da bi odredili optimalno rješenje našeg transportnog problema, neophodno je prvo od-
rediti početni program transporta (početno bazično rješenje), a zatim se korištenjem
metoda optimizacije ovo rješenje mora popraviti.
31
Degenerisano rješenje potrebno je nadopuniti tako da ono postane nedegenerisano, što će biti objašnjeno u
primjerima.
569
LINEARNO PROGRAMIRANJE
Primjer 4.16.
Odrediti početno bazično rješenje transportnog problema ako su u tabeli date tran-
sportne cijene, te količine ponuda (bj) raznih ishodišta Ij i količine potreba (ai) raznih
odredišta Oi.
O1 O2 O3 O4 O5 O6 Ponude ai
I1 3 8 13 6 7 19 30
I2 12 11 8 7 18 10 40
I3 13 9 11 23 6 5 10
I4 7 17 10 6 4 11 70
Potrebe
bj
50 20 15 30 5 30 150
Rješenje:
Iz tabele vidimo da imamo šest odredišta i četiri ishodišta, te da su ukupne tražnje is-
hodišta iste kao i ukupne ponude odredišta (150)32.
Broj c11 = 3, koji se nalazi u prvom redu i prvoj koloni, govori kolika je cijena tran-
sporta jedinice predmetnog dobra od ishodišta I1 do odredišta O1, analogno broj c31 =
13, koji se nalazi u trećem redu i prvoj koloni, govori nam kolika je cijena transporta
jedinice predmetnog dobra od ishodišta I3 do odredišta O1. Broj 40 iz kolone «Ponu-
32
Zatvoren model
570
SPECIFIČNI OBLICI PROBLEMA LINEARNOG PROGRAMIRANJA
de», govori kolika je ukupna količina koju ishodište I2 može isporučiti, a broj 15 iz
reda «Potrebe» govori kolika je količina predmetnog dobra koja treba odredištu O3.
Prilikom obavljanja transporta sa konkretnog ishodišta i do konkretnog odredišta j mi
ćemo u tabeli popuniti konkretno polje (i-j) i popunjenu vrijednost zvati transport xij.
Radi lakšeg označavanja mi ćemo i polje na koje stavljamo transport označavati sa xij.
Metode za određivanje polaznog bazičnog rješenja u transportnom problemu su: me-
tod gornji lijevi ugao, metod jediničnih koeficijenata i Vogelov metod. Svaki od ovih
metoda ima zadatak da «popuni» određenom količinom transporta najviše (m + n – 1)
polja u tabeli33.
a) Metoda gornji lijevi ugao
Ovaj metod se sastoji u tome da se ponude i potrebe zadovoljavaju polazeći od polja
x11, odnosno od «gornjeg lijevog ugla», pa sve dok se ne iscrpe sva ishodišta i zado-
volje sva odredišta. Napominjemo da se zbog jednakosti suma svih potreba i svih
ponuda (150) ovo može uraditi.
Ako krenemo od polja x11, vidimo da ishodište I1 nudi 30 jedinica predmetnog dobra, dok
odredište O1 traži 50 jedinica tog dobra. Na polje x11 upisujemo manji broj, dakle 30.
Kao rezultat ove odluke, ishodište I1 će biti potpuno iscrpljeno. Na osnovu ove činje-
nice, ni jedan drugi transport u prvom redu tabele više nije moguć.
Prilikom rješevanja zadatka to možemo zapisati sjenčenjem polja na kojima transport
više nije moguć:
Sljedeće polje koje treba popuniti je polje x21. Vidimo da odredište O1 nije zadovoljilo
svoju potražnju i da mu nedostaje 20 jedinica predmetnog dobra. S druge strane, isho-
33
(m + n – 1) je maksimalan broj nenultih vrijednosti transporta xij od ishodišta i do odredišta j. Ukoliko je
broj nenultih varijabli xij manji od (m + n – 1), onda je u pitanju degenerisano rješenje. (m je broj ishodišta
a n je broj odredišta).
571
LINEARNO PROGRAMIRANJE
dište I2 nudi 40 jedinica predmetnog dobra. Transport koji se može obaviti na ovom po-
lju je manja vrijednost, dakle x21 = 20 i u ovom slučaju odredište O1 je zadovoljeno.
572
SPECIFIČNI OBLICI PROBLEMA LINEARNOG PROGRAMIRANJA
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.
Odgovarajuća vrijednost funkcije cilja je:
f =30·3 + 20·12 + 20·11 + 10·11 + 5·10 + 30·6 + 5·4 + 30·11 = 1240
b) Metoda jediničnih koeficijenata
Nedostatak metode «gornji lijevi ugao» je što nam daje isto polazno rješenje bez ob-
zira da li je cilj transportnog problema minimum ili maksimum. Bolje polazno
rješenje se postiže metodom «jediničnih koeficijenata», pri čemu pod terminom «bo-
lje» podrazumijevamo manju ili (veću) vrijednost funkcije cilja. U našem zadatku se
u tabeli nalaze cijene transporta svih kombinacija ishodišta do svih kombinacija odre-
dišta, pa samim tim nama je cilj ostvariti što manje transportne troškove.
Metod jediničnih keficijenata se sastoji u tome da se u cijeloj tabeli pronađe polje sa
najmanjom cijenom cij (odnosno, polje sa najvećom cijenom cij ako je cilj max f) i na
to polje postavimo najveći mogući transport. Postupak se ponavlja dok se ne popune
sva odredišta i ne iscrpe sva ishodišta.
Ako pogledamo polaznu tabelu 4.16.a. vidimo da je najmanji element u njoj c11 = 3 i
na ovo polje trebamo napraviti najveći mogući transport. Ponuda ishodišta I1 je 30, a
potražnja odredišta O1 je 50 jedinica predmetnog dobra. Najveći transport koji mo-
žemo napraviti je x11 = 30. Ovom odlukom smo iscrpili ishodište I1, pa se red 1 više
ne uzima u razmatranje (tabela 4.16.a.).
U nastavku potražimo najmanju transportnu cijenu u preostalim kolonama i redovima
tabele. Najmanji element je c45 = 4 i na ovo polje trebamo napraviti najveći mogući
transport. Ponuda ishodišta I4 je 70, a potražnja odredišta O5 je 5 jedinica predmetnog
dobra. Najveći transport koji možemo napraviti je X45 = 5. Ovom odlukom smo iscrpi-
li odredište O5, pa se kolona 5 više ne uzima u razmatranje (tabela 4.16.e.).
573
LINEARNO PROGRAMIRANJE
I2 5 15 20 40
12 11 8 7 18 10
I3 10 10
13 9 11 23 6 5
I4 20 15 30 5 70
7 17 10 6 4 11
Potrebe
bj 50 20 15 30 5 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 polaz-
no rješenje nije degenerisano.
Odgovarajuća vrijednost funkcije cilja je:
f = 30·3 + 20·7 + 5·11 + 15·17 + 15·8 + 30·6 + 5·4 + 20·10 + 10·5 = 1110.
Vidimo da je početno rješenje koje se dobije metodom jediničnih koeficijenata bolje od
rješenja koje se dobije metodom gornji lijevi ugao (ima manju vrijednost funkcije cilja).
574
SPECIFIČNI OBLICI PROBLEMA LINEARNOG PROGRAMIRANJA
c) Vogelova metoda
Procedura za određivanje bazičnog rješenja pomoću Vogelove metode počinje odre-
đivanjem razlika između dva najmanja (u problemu minimuma), ili dva najveća (u
problemu maksimuma) koeficijenta cij u svakom redu i koloni transportne tabele. Za-
tim odaberemo kolonu ili red sa najvećom razlikom i u njemu polje sa najmanjim
(problem minimuma) ili najvećim (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) ishodište Ir iscrpljeno. Skraćujemo tablicu za r red.
Na reduciranoj tablici ponavljamo postupak. To činimo sve dok ne dobijemo početno
bazično moguće rješenje.
Kako je kod nas cilj minimum, to smo u dodatnoj koloni i dodatnom redu izračunali
razlike dva najmanja koeficijenta po redovima i kolonama respektivno. Od izračuna-
tih razlika, najveća iznosi 5 i odgovara šestoj kolini. U odabranoj koloni odredimo
najmanji koeficijent i u njega upišemo najveći mogući transport. Odabrano je polje
(3, 6) i najveći mogući transport iznosi 10 (x36 = 10). Nakon ovog transporta vidimo
da je ishodište I3 iscrpljeno pa možemo reducirati tabelu tako da treći red više ne po-
smatramo.
I1
3 8 13 6 7 19
30 3
I2
12 11 8 7 18 10
40 1
I3 10 10 1
13 9 11 23 6 5
I4
7 17 10 6 4 11
70 2
Potrebe bj
50 20 15 30 5 30 150
Razlike dva
najmanja cij
4 1 2 0 2 5
U reduciranoj tabeli ponovo određujemo razlike dva najmanja elementa, a kako smo
izbacili red, to se promijenila razlika samo po kolonama. Nove razlike upišemo u do-
datni red i ponovo tražimo najveću razliku.
575
LINEARNO PROGRAMIRANJE
I2
12 11 8 7 18 10
40 1
I3 10 10 1
13 9 11 23 6 5
I4
7 17 10 6 4 11
70 2
Potrebe
bj 50 20 15 30 5 30 150
Razlike dva
najmanja cij
4, 4 1, 3 2, 2 0, 0 2, 3 5, 1
576
SPECIFIČNI OBLICI PROBLEMA LINEARNOG PROGRAMIRANJA
x22 = 20 (Najveća razlika je 6 i odabrana je kolona 2 i u njoj polje (2, 2). Iscrpljeno
je odredište O2.)
x41 = 20 (Najveća razlika je 5 i odabrana je kolona 1 i u njoj polje (4, 1). Iscrpljeno
je odredište O1.)
x44 = 30 (Najveća razlika je 4 i odabran je red 4 i u njemu polje (4, 4). Iscrpljeno je
odredište O4.)
x23 = 15 (Najveća razlika je 2 u drugom redu i u drugoj koloni. Treba izabrati ono
polje u kojem imamo manji cij. Odabrano je polje (2, 3) i iscrpljeno je od-
redište O3.)
x26 = 5; x46 = 15 (Preostala polja popunimo da ispraznimo ishodišta i zadovoljimo od-
redišta).
577
LINEARNO PROGRAMIRANJE
Primjer 4.17.
Izvršiti optimizaciju rješenja određenog pomoću metode jediničnih koeficijenata
koristeći:
a) Stepping Stone – metodu,
b) Modi metodu.
Rješenje:
Stepping Stone je iterativna metoda koja omogućava da dobijemo optimalno rješenje ite-
racijama putem niza mogućih bazičnih rješenja (mora biti popunjeno (m + n -1) polja).
Bazirana je na testiranju «praznih» polja i utvrđivanju onih polja koja bi nam omogu-
ćila popravak vrijednosti funkcije cilja. Ako je cilj max, onda nas interesuje
povećanje, a ako je cilj min, interesuje nas smanjenje vrijednosti funkcije cilja. Od
svih korisnih prijedloga realizira se samo onaj koji ima najbolji efekt, najveće pove-
ćanje (smanjenje) vrijednosti funkcije cilja.
Testiranje praznih polja se sastoji u određivanju efekata dodjeljivanja pozitivne vri-
jednosti nekom polju za koje je xij = 0. Promjena jednog transporta zahtijeva
preraspodjelu ranijih transporta da bi se očuvala ravnoteža potreba odredišta i ponude
ishodišta. Ove preraspodjele se vrše po zatvorenom poligonalnom putu koji povezuje
testirano i «puna» polja u polaznoj tabeli. Ako se napravi jedinična preraspodjela
transporta, onda se promjena vrijednosti funkcije cilja mjeri sa koeficijentom dij.34
Postupak određivanja vrijednosti d12 za prazno polje u tabeli 4.16.f. je sljedeći:
d12 = c12 − c 42 + c 41 − c11 = 8 − 17 + 7 − 3 = −5
Element d12 označava promjenu vrijedosti funkcije cilja ako bismo jednu kj predmet-
nog dobra transportovali na polje (1, 1). Opisani poligon ustvari pokazuje da transport
veličine θ na polje (2, 2) zahtijeva oduzimanje te vrijednosti sa polja (4, 2) jer je od-
redište O2 zadovoljeno (20 jedinica je već raspoređeno odredištu O2), ali time se
remeti ponuda ishodišta I4, pa se ranije oduzeta vrijednost θ mora dodati polju (4, 1),
a dodavanje ove vrijednosti ovom polju remeti O1, pa se dodata vrijednost θ mora
oduzeti polju (1, 1). Ovim je ravnoteža uspostavljena (ovo prebacivanje vrijednosti je
i opravdanje zašto se ovaj metod zove «skakanje s kamena na kamen»). Ako je θ = 1,
promjena vrijednosti je izračunata i iznosi d12 = −5 .
34
Vrijednost dij je analogna vrijednosti cs – fs u linearnom programiranju.
578
SPECIFIČNI OBLICI PROBLEMA LINEARNOG PROGRAMIRANJA
I2 5 15 20 40
12 11 8 7 18 10
I3 10 10
13 9 11 23 6 5
I4 20+θ 15-θ 30 5 70
7 17 10 6 4 11
Potrebe
bj 50 20 15 30 5 30 150
579
LINEARNO PROGRAMIRANJE
I3 10 10
13 9 11 23 6 5
I4 20+θ 15-θ +θ 30 5 +θ 70
7 17 10 6 4 11
Potrebe
bj 50 20 15 30 5 30 150
Kod odabranih korisnih polja vidimo da je doprinos polja (2, 1) isti kao i polja (4, 6) i
iznosi θ 21 ⋅ d 21 = θ 46 ⋅ d 46 = −5 ⋅ 15 = −75 i predstavlja najveći doprinos popravci
funkcije cilja pa se u ova polja treba napraviti transport.
Kod polja (4, 3) taj doprinos bi bio θ 43 ⋅ d 43 = −4 ⋅ 15 = −60
Izaberimo proizvoljno jedno od odabranih polja, npr. polje (2, 1), i prebacimo tran-
sport veličine θ12 = 15, tada će poboljšano rješenje transporta izgledati:
I2 5 15 20 40
12 11 8 7 18 10
I3 10 10
13 9 11 23 6 5
I4 35 30 5 70
7 17 10 6 4 11
Potrebe
bj 50 20 15 30 5 30 150
580
SPECIFIČNI OBLICI PROBLEMA LINEARNOG PROGRAMIRANJA
Kako je ovaj postupak dosta dugačak, razvijena je modificirana stepping stone meto-
da koja nam omogućava da se na lakši način odrede vrijednosti d ij ; (∀i, ∀j )
b) Modi – metod
Kod modi metode se uvode dualne varijable za svako ishodište i za svako odradište
(tj. za svako ograničenje). Varijable koje odgovaraju kolonama označićemo sa kj, a
varijable koje odgovaraju redovima označićemo sa ri.
Veza koja postoji između 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 baz-
nih polja vrijedi
ri + k j = cij (∀i, j ∈ B ) (4.50)
581
LINEARNO PROGRAMIRANJE
r2 = -6 I2 5 15 20 40
12 11 8 7 18 10
r3 = -11 I3 10 10
13 9 11 23 6 5
r4 = 0 I4 20 15 30 5 70
7 17 10 6 4 11
Potrebe
bj 50 20 15 30 5 30 150
Primjenom 4.37 izračunaćemo 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 d 25 = 18 − (− 6 + 4 ) = 16 d 35 = 6 − (− 11 + 4 ) = 13
d15 = 7 − (− 4 + 4 ) = 7 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 step-
ping stone metodom. Postupak optimizacije rješenja je u nastavku isti kao i kod
stepping stone metode - modi metoda se koristi samo kao modificirana stepping stone
metoda jer omogućava brži izračun 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
SPECIFIČNI OBLICI PROBLEMA LINEARNOG PROGRAMIRANJA
Kriterij za izlazak veličine xit iz baze (pražnjenje polja i-t) je određivanje θ sa osobi-
nama da je θ = min xit− , pri čemu oznaka «-« govori da koristimo sva polja sastavljena
−
od popunjenih mjesta u prethodnom rješenju, a koja trebamo umanjiti prilikom novog
transporta.
Kriterij za ulazak veličine xuv u bazu (popunjavanje polja u –v) je izbor polja sa najve-
ćim proizvodom θ ⋅ d ij pri čemu je i − j korisno polje.
Optimalno rješenje smo dobili ako nema više korisnih polja, odnosno ako:
kod min f vrijedi d ij ≥ 0 (∀i )(∀j )
Primjer 4.18.
Tri rudnika (R1, R2, R3) snabdijevaju ugljenom 4 grada (G1, G2, G3, G4). Rudnik R1
može da isporuči 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 respek-
tivno. Troškovi transporta po toni uglja dati su u tabeli (u KM):
G1 G2 G3 G4
R1 5 7 4 5
R2 8 4 7 9
R3 3 6 5 8
a) Naći program snabdijevanja da troškovi prevoza ukupne količine uglja budu najniži,
b) Izračunati iznos tih troškova.
Početno rješenje odrediti metodom jediničnih koeficijenata, a optimum stepping stone
metodom.
Rješenje:
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 pi-
tanju zatvoreni problem transpotra.
Cilj je minimalan trošak, pa se metod jediničnih koeficijenata sastoji u pronalasku po-
lja sa najmanjim koeficijentom cij u tabeli i smještanja najvećeg transporta u to polje.
583
LINEARNO PROGRAMIRANJE
G1 G2 G3 G4
R1 25 20 45
5 7 4 5
R2 15 15
8 4 7 9
R3 10 15 15 40
3 6 5 8
10 30 25 35 100
584
SPECIFIČNI OBLICI PROBLEMA LINEARNOG PROGRAMIRANJA
G1 G2 G3 G4 G1 G2 G3 G4
R1 25-θ 20+θ 45 R1 10 35 45
5 7 4 5 5 7 4 5
R2 15 15 R2 15 15
8 4 7 9 8 4 7 9
R3 10 15 +θ 15-θ 40 R3 10 15 15 40
3 6 5 8 3 6 5 8
10 30 25 35 100 10 30 25 35 100
Ponovo testirajmo prazna polja i vidjećemo da su svi dij pozitivni, odnosno da nema-
mo više korisnih polja. Prema tome, ponuđeno rješenje 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 troškovi transporta kojim bi se transpotrovalo 100 000 t uglja iz tri rudnika
u četiri 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 mašina u postojećim fabrikama na lokaci-
jama Decatur, East St. Luis i St. Luis. Analizirajući samo troškove transporta po
jedinici treba:
a) Odrediti optimalan plan transporta mašina iz pojedinih skladišta B, C i D. Troš-
kovi transporta po jedinici, kao i kapaciteti i potrebe su dati u tabeli:
East St. Luis St. Luis Decatur Kapacitet
B 29 27 20 250
C 30 30 25 200
D 30 31 22 350
Potrebe 150 150 300
585
LINEARNO PROGRAMIRANJE
Rješenje:
a) Ponuda mašina u skladištima je 250 + 200 + 350 = 800, a potražnja fabrika za ma-
šinama iznosi 150 + 150 + 300 = 600.
Veća je ponuda nego potražnja, pa uvodimo fiktivnu kolonu sa potrebama 200. Kod
fiktivne kolone (pošto ona ne postoji) uzimamo da su svi troškovi transporta 0 (ci4 = 0).
586
SPECIFIČNI OBLICI PROBLEMA LINEARNOG PROGRAMIRANJA
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
Modi metodom testiramo slobodna polja
d13 = 20 − (22 − 1) = −1
d14 = 0 − (0 − 1) = 3
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 odgovarajuće θ = 100.
Napravimo transport veličine 100 na odabrano polje (X13 = 100) i odredimo novu
transportnu tabelu:
587
LINEARNO PROGRAMIRANJE
c) S obzirom da kod optimalnog riješenja imamo d21 = 0, to znači da postoji više op-
timalnih rješenja i novo optimalno rješenje ćemo dobiti ako napravimo transport
na polje (2, 1), a zbog θ21 = 150 novo optimalno rješenje ima oblik predstavljen u
tabeli 4.19.c.
Primjer 4.20.
Korporacija DL planira postavljanje novih mašina u postojećim fabrikama na lokaci-
jama Decatur, Minneapolis i Carbondale. Stoga je nabavila tri tipa mašina.
Analizirajući potrebe i karakteristike fabrika, te efikasnost pojedinih mašina na kon-
kretnim pozicijama u fabrikama, sačinjena je tabela očekivanih sedmičnih dobiti kroz
lociranja konkretne vrste mašina na konkretno mjesto.
a) Odrediti optimalan plan raspoređivanja mašina tipa B, C ili D na konkretne lokaci-
je ako su procijenjene sedmične dobiti, potrebe fabrika i broj mašina dati u tabeli:
Decatur Minneapolis Carbondale Broj mašina
B 20 17 21 250
C 25 27 20 200
D 22 25 22 350
Potrebe 300 200 150
b) Odrediti po tom optimalnom planu koliko i kojeg tipa mašina će ostati neraspore-
đeno.
c) Odrediti vrijednost dualne varijable k2 i napisati koju informaciju nam ona nudi.
Napomena: Problem riješiti koristeći Vogelov metod za polazno rješenje i modi me-
tod za optimizaciju.
588
SPECIFIČNI OBLICI PROBLEMA LINEARNOG PROGRAMIRANJA
Rješenje:
Kako je veći broj mašina nego potrebe za njima (otvoreni problem transporta), potre-
bno je uvesti fiktivnu lokaciju (kolonu) sa potrebama 150.
Transportni problem se postavlja sa ciljem maksimizacije dobiti pa je upotreba Voge-
love metode malo drugačija nego u ranije opisanim primjerima. Sad se u svakoj
koloni i u svakoj vrsti traže dva najveća koeficijenta cij i računa njihova razlika. Od
svih razlika biramo najveću i u odgovarajućoj koloni ili redu upisujemo transport u
polje sa najvećim cij. Postupak ponavljamo dok ne iscrpimo ishodišta i ne zadovolji-
mo odredišta.
589
LINEARNO PROGRAMIRANJE
Primjer 4.21.
Upotrebom Solvera u Excelu riješiti sljedeći problem transporta lijekova.
Farmaceutska kompanije proizvodi lijekove u Los Angelesu, Atlantai i New Yorku.
Fabrika u Los Angelesu može mjesečno proizvesti količinu od 10 000 komada lijeko-
va, fabrika u Atlantai 12 000 komada lijekova, dok fabrika u New Yorku mjesečno
proizvodi 14 000 komada lijekova.
Svakog mjeseca, farmaceutska kompanije mora isporučiti lijekove u 4 regije Sjedi-
njenih Američkih Država (East, Midwest, South i West). Količine koje se trebaju
isporučiti su prikazane u ćelijama od B2 do E2 na slici 4.3.6.a (npr. regija West (Za-
pad) mora mjesečno primiti najmanje količinu od 13000 komada lijekova).
Jedinični troškovi (troškovi za proizvodnju i transport jednog komada lijeka u svakoj
fabrici do svake regije) su prikazani u ćelijama od B4 do E6 (npr. da bi se 1 komad li-
jeka proizveo u Los Angelesu i transportovao u regiju Midwest treba potrošiti 3,5$).
Koji je najjeftiniji način da bi svaka regija dobila količinu lijekova koju treba?
Rješenje:
Problem je potrebno napisati u excel stranici. Voditi računa da trebamo podatke o tro-
škovima upisati u konkretna polja (B4:E4), a podatke o transportu (ćelije koje excel
mijenja sa ciljem određivanja minimuma ili maksimuma) u neka druga konkretna po-
lja (B10:E12).
590
SPECIFIČNI OBLICI PROBLEMA LINEARNOG PROGRAMIRANJA
Da bi izrazili funkciju cilja (target cell B18), moramo pratiti ukupne transportne troš-
kove. Nakon što se u ćelije od B10 do E12 unesu probne vrijednosti za isporuku iz
svake tačke ponude do svake regije, ukupne transportne troškove možemo izačunati
na sljedeći način:
(količina poslata iz LA u regiju East) ⋅ (trošak po komadu poslatom iz LA u regiju Ea-
st) + količina poslata iz LA u regiju Midwest) ⋅ (trošak po komadu poslatom iz LA u
regiju Midwest) + (količina poslata iz LA u regiju South) ⋅ (trošak po komadu posla-
tom iz LA u regiju South) + (količina poslata iz LA u regiju West) ⋅ (trošak po
komadu poslatom iz LA u regiju West) + ...+ (količina poslata iz NY u regiju West) ⋅
(trošak po komadu poslatom iz NY u regiju West).
Upravo ovo radi funkcija SUMPRODUCT. Funkcija SUMPRODUCT (zbir umnoža-
ka) može umnožiti odgovarajuće elemente u dva različita pravougaonika (sve dok su
ti pravougaonici iste veličine) i zbrojiti te proizvode u jedan iznos. Ćelije od B4 do E6
su na slici prikazani kao troškovi, a ćelije od B10 do E12 se zovu transport.
Iz ovoga slijedi da ukupne troškove (proizodnja i tansport) možemo izračunati u ćeliji
B18 koristeće funkciju SUMPRODUCT (B4:E6,B10:E12).
Da bi izrazili naše ograničenje, prvo ćemo izračunati transportne iznose iz svake tač-
ke ponude. Koristeći funkciju SUM(B10:E10) u ćeliji F12– zbir ćelija od B10 do
E10, izračunat ćemo ukupne transportovane količine iz Los Angelesa (LA do East +
LA do Midwest + LA do South + LA do West). Kopirajući ovu formulu u ćelije F11 i
F12 izračunat ćemo i transportovane količine iz Atlantae i New Yorka. Kasnije ćemo
dodati ograničenja (koja se zovu ograničenja ponude) koja osiguravaju iznos tran-
sportovan iz svake lokacije, a koji nije prekoračio kapacitet fabrike.
Slijedi izračunavanje ukupnog iznos koji primi svaka tačka potražnje. Prvo se u ćeliju
B13 unese formula SUM(B10:B12). Ova formula izračunava ukupan broj komada li-
jekova 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 ćelije B13 u ćelije od C13 do E13 kako bi se izračunala
količina lijekova koja je primljena i u ostale regije (Midwest, South, West). Kasnije
se dodaju ograničenja (koja se zovu ograničenja potražnje) jer osiguravaju da svaka
regija primi minimalan iznos lijekova koji potražuje.
Sad otvaramo opciju Solver Parameters tako što u meniju Tools kliknemo na Sol-
ver, a potom popunimo dialog box na sljedeći način:
591
LINEARNO PROGRAMIRANJE
4.6.2. Asignacija
592
SPECIFIČNI OBLICI PROBLEMA LINEARNOG PROGRAMIRANJA
Kod problema raspoređivanja, između broja objekata m i broja mjesta n može biti prisutan
jedan od tri sljedeća odnosa:
1) m = n – svi objekti mogu biti raspoređeni i sva mjesta mogu biti popunjena;
2) m > n - svi objekti ne mogu biti raspoređeni, ali sva mjesta mogu biti popunjena;
3) m < n – svi objekti mogu biti raspoređeni, ali sva mjesta ne mogu biti popunjena.
Kako je asignacija specijalan oblik transportnog problema, to znamo da problem raspoređi-
vanja ima rješenja ako je u pitanju zatvoren problem.
Ako je m = n, odnosno ako imamo jednak broj objekata i mjesta, to će svi objekti biti ras-
poređeni i sva mjesta biti popunjena.
Zatvoreni model asignacije se može napisati kao:
⎛ Max ⎞ m m
⎜ ⎟ f = ∑ ∑ cit ⋅ xit
⎝ Min ⎠ i =1 t =1
m
∑ xit = 1 i = 1, m
t =1 (4.52)
m
∑ 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 vršimo raspoređivanje, odnosno ako je
m≠n
imaćemo otvoreni problem asignacije. U optimalnom rješenju neće biti popunjena sva
mjesta ili neće biti raspoređeni svi objekti.
Kod otvorenog problema raspoređivanja razlikujemo situaciju kad:
m > n imamo više objekata nego mjesta,
m < n imamo više mjesta nego objekata.
Opšti oblik modela otvorenih problema asignacije i način njihovog zatvaranja su opisani u
nastavku.
Model m > n - otvoreni problem raspoređivanja
⎛ Max ⎞ m n
⎜ ⎟ f = ∑ ∑ cit ⋅ xit
⎝ Min ⎠ i =1 t =1
n
∑ xit ≤ 1 i = 1, m
t =1 (4.53)
m
∑ 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 će popunjeno, ali svi objekti neće biti raspoređe-
ni. Otvoreni model raspoređivanja m > n se može uvijek zatvoriti uvođenjem (m – n)
fiktivnih mjesta (kolona). Svaki od viška objekata koji bude raspoređen na fiktivno mjesto
u stvarnosti će ostati neraspoređen.
Za razliku od transportnog modela, gdje smo dodavali samo jednu fiktivnu kolonu (odrediš-
te) sa ukupnom tražnjom koja je jednaka razlici ukupne ponude i potražnje, kod asignacije
je potražnja svakog mjesta 1, pa moramo dodati m – n fiktivnih mjesta.
Zatvaranje modela (4.53) bi izgledalo:
⎛ Max ⎞ m n m m
m
∑ xit = 1 t = 1, n
i =1
m
∑ xit = 1t = n + 1, m (4.54)
i =1
xit ∈ {0,1} , i = 1, m, t = 1, m
594
SPECIFIČNI OBLICI PROBLEMA LINEARNOG PROGRAMIRANJA
⎜ ⎟ f = ∑ ∑ cit ⋅ xit
⎝ Min ⎠ i =1 t =1
n
∑ xit = 1 i = 1, m
t =1 (4.55)
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 će biti raspoređeno, ali sva mjesta neće biti popu-
njena. Otvoreni model raspoređivanja m < n se može uvijek zatvoriti uvođenjem (n – m)
fiktivnih objekata (redova). Svaki od fiktivnih objekata koji bude raspoređen na određeno
mjesto u stvarnosti znači da će mjesto ostati nepopunjeno.
Dakle, zatvaranje modela (4.55) bi izgledalo:
⎛ Max ⎞ m n n n
xit ∈ {0,1} , i = 1, n, t = 1, n
Napomenimo da svaki zatvoreni model raspoređivanja ima najmanje jedno moguće rješe-
nje, odnosno uvijek je rješiv.
595
LINEARNO PROGRAMIRANJE
2. Kategorizacija nula
a) polazimo od prvog reda i nalazimo redove u kojima je samo jedna neoznačena 0. Ta
nula se označi 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 označimo na jedan od navedenih načina. Ukoliko
imamo u svakom redu i u svakoj koloni označenu 0 asignacija je završena, ako to nije slu-
čaj prelazimo na 3. korak
3. Nova matrica:
a) označimo strelicom redove bez asignacije ,
b) označimo strelicom kolone koje u označenim redovima imaju precrtanu nulu,
c) označimo redove koji u označenim kolonama imaju zaokruženu nulu,
d) nastavljamo korake b) i c) dok se lanac ne završi,
e) povuku se linije kroz označene kolone i neoznačene redove. Kroz svaku zaokruženu
nulu mora prolaziti jedna i samo jedna linija, to znači linija imamo koliko i zaokruže-
nih nula,
f) pišemo novu reduciranu matricu tako što najmanji nepokriveni element
oduzmemeo od svih ostalih nepokrivenih,
dodamo elementima dva puta precrtanim.
Ponavlja se 2. korak, pa ako nema rješenja ponavljamo i 3. korak, i tako dok ne izvršimo
asignaciju.
Primjer 4.22.
Pet dobara se može proizvoditi na pet strojeva. Istovremeno se može proizvoditi na
jednom stroju samo jedno dobro. Troškovi proizvodnje dobra, ovisno o stroju na ko-
jem se proizvodi, (u nekim nj) su:
Stroj
Dobro
1 2 3 4 5
I 7 5 3 1 6
II 1 4 5 6 6
III 2 3 1 2 4
IV 1 7 3 6 6
V 1 9 4 10 8
Treba naći kombinaciju proizvodnje koja obezbjeđuje najniže troškove.
596
SPECIFIČNI OBLICI PROBLEMA LINEARNOG PROGRAMIRANJA
Rješenje:
1. korak: Reduciramo matricu tako da u svakom redu odredimo najmanji element i
oduzmemo ga od ostalih elemenata u tim redovima:
7 5 3 1 6 -1
1 4 5 6 6 -1
2 3 1 2 4 -1
1 7 3 6 6 -1
1 9 4 10 8 -1
Zatim u svakoj koloni oduzmemo najmanji element iz kolone:
6 4 2 0 5
0 3 4 5 5
1 2 0 1 3
0 6 2 5 5
0 8 3 9 7
-0 -2 -0 -0 -3
Rezultat je matrica koja u svakom redu i u svakoj koloni ima bar jednu nulu.
6 2 2 0 2
0 1 4 5 2
1 0 0 1 0
0 4 2 5 2
0 6 3 9 4
2. korak - kategorizacija nula:
6 2 2 0 2
0 1 4 5 2
1 0 0 1 0
0 4 2 5 2
0 6 3 9 4
3. korak -nova matrica:
6 2 2 0 2
0 1 4 5 2
1 0 0 1 0
0 4 2 5 2
0 6 3 9 4
597
LINEARNO PROGRAMIRANJE
7 2 2 0 2
0 0 3 4 1
2 0 0 1 0
0 3 1 4 1
0 5 2 8 3
2. korak -kategorizacija nula:
7 2 2 0 2
0 0 3 4 1
2 0 0 1 0
0 3 1 4 1
0 5 2 8 3
3. korak - nova matrica:
7 2 2 0 2
0 0 3 4 1
2 0 0 1 0
0 3 1 4 1
0 5 2 8 3
8 2 2 0 2
1 0 3 4 1
3 0 0 1 0
0 2 0 3 0
0 4 1 7 2
598
SPECIFIČNI OBLICI PROBLEMA LINEARNOG PROGRAMIRANJA
Primjer 4.23.
Posada astronauta NASA ima 10 specijalista sa doktorskim zvanjem iz astrofizike ili
astromedicine koji odlaze u misije u svemir. Jedan od specijalista bit će upisan na
svakom od 10 rasporeda letenja u sljedećih devet mjeseci. Specijalisti su odgovorni
za izvođenje znanstvenih i medicinskih eksperimenata u svemiru ili za lansiranje,
pronalaženje ili popravljanje satelita.
Šef astronautskog osoblja, i sam bivši član posade koji je već učestvovao u tri misije,
mora odlučiti ko bi trebao biti treniran za svaku od ovih, veoma različitih misija. Jas-
no da su astronauti koji imaju medicinsko obrazovanje najpogodniji za misije koje su
vezane za biološke ili medicinske eksperimente, dok će inženjeri i fizičari biti raspo-
ređeni na druge vrste misija. Šef ocjenjuje svakog astronauta ocjenama na skali od 1
do 10 za svaku pojedinačnu misiju (10 dobivaju astronauti koji su savršeni za izvrše-
599
LINEARNO PROGRAMIRANJE
nje zadatka, a 1 oni koji uopšte ne odgovaraju). Samo jedan specijalist je određen za
svaki let, te ne učestvuje u drugoj misiji dok svi ostali ne odlete barem jednom.
a) Ko bi trebao biti određen za svaki let?
b) NASA je obaviještena da je Andersonovo vjenčanje zakazano za februar i da
namjerava tada provesti medeni mjesec u Evropi. Kako će to promijeniti konačan
raspored?
Podaci o ocjenama svakog astronauta za svaku planiranu misiju su dati u tabeli 4.23.
Zadatak riješiti upotrebom solvera.
Jan. Jan. Feb. Feb. Mar. Apr. Maj Jun. Aug. Sep.
Astronaut
12 27 5 26 26 12 1 9 20 19
Vincze 9 7 2 1 10 9 8 9 2 6
Veit 8 8 3 4 7 9 7 7 4 4
Anderson 442 2 1 10 10 1 4 7 6 6 7
Herbert 4 4 10 9 9 9 1 2 3 4
Schatz 10 10 9 9 8 9 1 1 1 1
Plane 1 3 5 7 9 7 10 10 9 2
Cerato 9 9 8 8 9 1 1 2 2 9
Moses 3 2 7 6 4 3 9 7 7 9
Brandon 5 4 5 9 10 10 5 4 9 8
Drtina 10 10 9 7 6 7 5 4 8 8
Rješenje:
Zadatak se može posmatrati kao problem transporta gdje su ponude svih ishodišta je-
dnake 1 i potrebe svih odredišta jednaka 1 i prema postupku korištenja solvera za
transportne probleme koji je prethodno obrađen zadatak se može riješiti.
600
SPECIFIČNI OBLICI PROBLEMA LINEARNOG PROGRAMIRANJA
Tabela 4.23.a.
Prvo ćemo prenijeti tabelu i zaglavlja na Excelovu stranicu. Zatim definisati prostor
za asignaciju (kod nas je to u ćelijama odmah ispod, odnosno sa zaglavljima zauzeli
smo prostor A16:K27). Asignaciju radimo na poljima B20:K29 i ovaj prostor mora-
mo popuniti proizvoljnim vrijednostima ili ostaviti prazan.
U koloni i redu UKUPNO računamo zbir popunjenih polja (U ćeliji B28 kucamo
SUM(B18:B27) i razvučemo formulu, odnosno u ćeliji L18 kucamo SUM(B18:K18)
i razvučemo formulu).
U kolonama i redovima sa nazivom kapacitet (potrebe) unosimo vrijednosti 1 jer je u
pitanju asignacija.
U ćeliji B32 sa nazivom vrijednost rasporeda unosimo vrijednost proizvoljnog (poče-
tnog) rješenja koje se dobije kao zbir ocjena svakog astronauta raspoređenog za neki
let. Ovu vrijednost računamo koristeći formulu SUMPRODUCT i vodeći računa da
dvije tabele koje povezujemo budu istih dimenzija (istog tipa)
(SUMPRODUCT(B3:K12;B18:K27)).
Pokretanjem opcije Solver u Tools meniju, otvoriće 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 veći ili jednak od reda POTREBE (ako je prob-
lem asignacije zatvoren, možemo koristiti znak = i kod kapaciteta i kod potražnje).
U prostor Set Target Cell unosimo ćeliju u kojoj želimo da nam se prikaže vrijednost
funkcije cilja, odnosno vrijednost asignacije. Kod nas je to polje B32.
U prostor By Changing Cells unosimo adresu tabele u kojoj želimo de se uradi asig-
nacija. Kod nas je to B18:K27.
Potom se u Solver Parameters meniju klikne na Options i označe opcije Assume
Linear Model i Assume Non-Negative. Nakon toga se klikom na Solve (riješi) u
Solver Parameters dobije optimalno rješenje problema. (tabela 4.23.)
Vidimo da je vrijednost asignacije 96 i vidimo raspored pojedinih astronauta na kon-
kretne letove.
Ander-
Astro- Bran-
Vincze Veit son Herbert Schatz Plane Cerato Moses Drtina
nauti don
442
Mar Apr Feb Feb Jan Jun Sept Maj Aug Jan
Letovi
26 12 26 5 12 9 19 1 20 27
602
SPECIFIČNI OBLICI PROBLEMA LINEARNOG PROGRAMIRANJA
Tabela 4.23.c
Tabela 4.23.d
603
LINEARNO PROGRAMIRANJE
Mar Apr Maj Feb Feb Jun Jan Sept Aug Jan
Letovi
26 12 1 5 26 9 27 19 20 12
604
4.7. Pitanja za ponavljanje
(b ) x1 ≥ 20 40
G E D
,
(c ) x 2 ≥ 40 30 C
(c)
x1 , x 2 ≥ 0 20
(a)
tada je oblast mogućih rješenja: 10
a) prazan skup, 0
A B
x1
b) trougao ABC, 0 10 20 30 40 50 60
c) trougao CDE,
d) petougao OACEG,
e) neograničen konveksan skup sa je-
dnim tjemenom u D.
x2
60
2. Ako je skup ograničenja nekog mode-
F (b)
la dat sa: 50
G E D
(a ) 2 x1 + 2 x 2 ≥ 100 40
(c)
(b ) x1 ≥ 20 30 C
,
(c ) x 2 ≥ 40 20
(a)
x1 , x 2 ≥ 0 10
A B
0 x1
koje ograničenje se može izbaciti, a da 0 10 20 30 40 50 60
skup mogućih rješenja i dalje bude isti?
F (b)
(a ) 2 x1 + 2 x 2 ≥ 100 50
G E D
(b ) x1 ≥ 20 40
(c)
(c ) x 2 ≥ 40 30 C
20
x1 , x 2 ≥ 0 (a)
10
A B
kad problem LP-a neće imati rješenje? 0 x1
a) ako je cilj max f, 0 10 20 30 40 50 60
605
LINEARNO PROGRAMIRANJE
D
40
(a ) x1 − 2 x 2 ≥ 10
(b ) 2 x1 + 2 x 2 ≤ 80 ,
30
x1 , x 2 ≥ 0 20
A (30, 10)
10
6. Odrediti skup mogućih rješenja B C
x1
0
a) prazan skup,
0 10 20 30 40 50
b) trougao ABC, -10
c) trougao CDO,
d) četverougao OBAD,
e) neograničen konveksan skup sa jednim tjemenom u D, a drugim u A.
6) Ako je u prethodnom modelu cilj max f = x1 + x2, odrediti optimalnu vrijednost funkci-
je cilja.
a) optimalna je tačka A,
b) optimalna je tačka B,
c) optimalna je tačka C,
d) optimalna je duž AC.
606
PITANJA ZA PONAVLJANJE
9) Ako primal ima cilj Min.f, kojeg su oblika polazna dualna ograničenja ?
a) Sva su ograničenja tipa ≥,
b) Sva su ograničenja tipa ≤,
c) Sva su ograničenja tipa =,
d) Ograničenje u dualu zavisi od ograničenja u primalu.
10) U standardnom primalnom modelu LP-a broj ograničenja je m = 7 , a broj svih (polaz-
{ }
nih i izravnavajućih) varijabli { X s } = X p + { X n+i } je N=11. Koliko u tom modelu
ima polaznih dualnih varijabli?
a) 7,
b) 11,
c) 4,
d) 18.
11) U standardnom primalnom modelu LP-a broj ograničenja je m = 7 , a broj svih (polaz-
{ }
nih i izravnavajućih) varijabli { X s } = X p + { X n+i } je N=11. Koliko u tom modelu
ima ''izravnavajućih dualnih varijabli?
a) 7,
b) 11,
c) 4,
d) 18.
607
LINEARNO PROGRAMIRANJE
15) Ako postoje optimalna rješenja, kakav je odnos između vrijednost funkcije cilja pri-
mala i vrijednosti funkcije cilja duala?
a) fˆ ≥ gˆ
b) gˆ ≥ fˆ
a) c) fˆ > gˆ
d ) gˆ > fˆ
e) gˆ = fˆ
16) Ako primalni model ima m ograničenja i n varijabli, tada dualni model mora imati:
a) m polaznih varijabli,
b) n polaznih varijabli,
608
PITANJA ZA PONAVLJANJE
20) Koje od sljedećih ograničenja ne može biti ograničenje problema linearnog programi-
ranja?
a) 4 x1 + 2 x 2 = 820
b) 4 x1 + x 2 ≥ 820
c) 4 x1 + 2 x 2 ≤ 820
d) x1 + x23 ≤ 80
22) Kod optimalnog rješenja primala LP-a svi su (C s − f s ) ≤ 0 . Kakav je cilj kod odgova-
rajućeg dualnog modela?.
a) max g,
b) min g.
609
LINEARNO PROGRAMIRANJE
27) Napisati izraz za kriterij ulaska vektora u bazu ako je cilj LP minimum.
31) Koji uslovi trebaju biti zadovoljeni da bi simplex tabela koja odgovara linearnom pro-
gramu maksimizacije bila optimalna?
32) Koji je bio cilj primalnog modela ukoliko su kod optimalnog rješenja primala LP-a
sve razlike {C s − f s }≤ 0 ?
33) Koji je bio cilj dualnog modela ukoliko su kod optimalnog rješenja primara LP-a sve
razlike {C s − f s }≤ 0 ?
610
PITANJA ZA PONAVLJANJE
{
34) Po definiciji, kako se u tekućoj bazi B izražavaju vektori As s = 1, N ? }
{ }
35) Napisati opšti oblik izražavanja vektora As s = 1, N u novoj bazi B ′( Au ; Ab ∀b ≠ v ) .
′ (∀s ≠ b ) .
′ i K bs
36) Napisati formule za izračunavanje K us
38) Koji kriterij mora da zadovolji nebazični vektor Aj kod simplex tabele linearnog pro-
blema maksimizacije da bi eventualno ušao u bazu? Odgovor obrazložiti.
39) Napisati kondezovani opšti oblik dualnog modela linearnog programiranja koji odgo-
vara polaznom primalnom modelu:
n
Max( f ) = ∑ c p x p
p =1
n
∑a
p =1
kp x p ≤ d k , k=1…K
n
∑a
p =1
lp x p ≥ d l , l=K+1,…K+L
x p ≥ 0 , p=1, ..n
40) U polaznom dualnom modelu LP-a broj ograničenja je n = 4 , a broj 'polaznih dualnih
varijabli {Yn+i } je m=3. Ako primal ima cilj Min.f, kojeg su oblika polazna dualna
ograničenja ?
41) U standardnom primalnom modelu LP-a broj ograničenja je m = 8 , a broj svih (polaz-
{ }
nih i izravnavajućih) varijabli { X s } = X p + { X n+i } je N=12.
a) Koliko u tom modelu ima polaznih dualnih varijabli?
b) Koliko u tom modelu ima izravnavajućih dualnih varijabli?
611
LINEARNO PROGRAMIRANJE
43) Kako se u grafičkoj metodi LP manifestuju situacija da problem LP-a ima beskonačno
mnogo optimalnih rješenja i kako ih nalazimo?
44) Objasniti ekonomsko značenje optimalnih dualnih promjenjivih.
47) Kako se u grafičkoj metodi LP manifestuje situacija da problem LP- a nema optimal-
no rješenje?
49) Ako postoje optimalna rješenja, kakav je odnos između vrijednost funkcije cilja pri-
mala i vrijednosti funkcije cilja duala?
50) Ako primalni model ima m ograničenja i n varijabli, tada dualni model mora imati m
ili n varijabli.
53) Napišite izraz za opšti polazni model linearnog programiranja kod grafičke metode.
612
PITANJA ZA PONAVLJANJE
55) Napišite izraz za kondenzovani oblik funkcije cilja "f" u primalnom modelu LP.
56) Napišite izraz za kondenzovani oblik primalnog ograničenja "prvog tipa" u primalnom
modelu LP.
57) Napišite izraz za kondenzovani oblik primalnog ograničenja "drugog tipa" u primal-
nom modelu LP-a.
58) Napišite izraz za kondenzovani oblik primalnog ograničenja "trećeg tipa" u primal-
nom modelu LP.
60) Kako matematski glasi teorema ''Princip oslabljene komplementarnosti'' u LP-u? Ob-
jasniti kako se taj princip primjenjuje na određivanje optimuma duala ako je poznato
optimalno rješenje primala?
61) Na osnovu čega se utvrđuje postojanje višestrukog optimalnog rješenja u zadatku li-
nearnog programiranja grafičkim i simplex algoritmom?
64) Koji uslovi trebaju biti zadovoljeni da bi simplex tabela, koja odgovara linearnom
programu maksimizacije, bila optimalna?
613
LINEARNO PROGRAMIRANJE
66) Koji kriterij mora da zadovolji nebazični vektor Aj kod simplex tabele linearnog pro-
blema maksimizacije da bi eventualno ušao u bazu? Odgovor obrazložiti.
67) Kod nekog problema linearnog programiranja poznata je optimalna simplex tabela:
CS 10 10 0 0 0 -M
CB B A0 A1 A2 A3 A4 A5 A5*
0 A3 50 0 0 1 -½ 1 -1
10 A2 200 0 1 0 ½ 1 -1
10 A1 100 1 0 0 0 -1 1
CS - fS 3000 0 0 0 -5 0 -M
20 25 12 0 0
C0 B A0
A1 A2 A3 A4 A5
0 X4 6000 6 5 2 1 0
0 X3 9000 4 5 6 0 1
Cj-fj 0 20 25 12 0 0
614
PITANJA ZA PONAVLJANJE
e) Ako bismo vektor A2 uključili u bazu, koliku vrijednost on treba uzeti i koliko bi
se tada popravila vrijednost funkcije cilja?
f) Da li je bolje uključiti u bazu vektor A2 ili A1? Obrazložiti odgovor.
69) Napisati kondezovani opšti oblik dualnog modela linearnog programiranja koji odgo-
vara polaznom primalnom modelu:
n
Max( f ) = ∑ c p x p
p =1
n
∑a
p =1
kp x p ≤ d k , k=1…K
n
∑a
p =1
lp x p ≥ d l , l=K+1,…K+L
x p ≥ 0 , p=1, ..n
a) broju ishodišta
b) broju odredišta
c) nema izravnavajućih varijabli jer je model zatvoren.
75) Koliko pozitivnih vrijednosti xij mora biti u rješenju transportnog modela sa m ishodiš-
ta i n odredišta da bi rješenje bilo degenerisano?
615
4.8. Zadaci za vježbu
Zadatak 4.1.
Neko preduzeće proizvodi dva tipa skija, skije za trčanje T1 i skije za slalom T2. Relevantni
podaci o proizvodnom programu dati su u tabeli.
Ispitivanjem tržišta preduzeće je odlučilo da proizvodnja skija za slalom bude najmanje dva
puta veća od proizvodnje skija za trčanje. Treba:
a) Pronaći optimalan program proizvodnje u cilju maksimizacije mjesečnog profita predu-
zeća i analizirati rješenje;
b) Ako bi se povećao profit po paru skija za slalom za 10$ ,kakva bi bila posljedica po
optimalnom programu proizvodnje?
Zadatak 4.2.
Jedan lanac restorana želi proširiti svoju djelatnost otvarajući nove restorane u određenim
gradovima.
Za jedan novi restoran tipa FAST FOOD potrebno je 20 000 KM i 2 nova radnika, a očeki-
vani godišnji prihod je 200 000 KM.
Za jedan novi restoran tipa CLASIC potrebno je 30 000 KM i 4 nova radnika, a očekivani
godišnji prihod je 500 000 KM.
Preduzeće ima na raspolaganju 600 000 KM i zakonski ugovor zahtijeva da uposli najmanje
44 nova radnika.
Istraživanje tržišta je pokazalo da restorana tipa FAST FOOD treba biti najmanje za 10 više
od restorana tipa CLASIC.
a) Pronaći optimalan program program širenja djelatnosti u cilju maksimizacije profita i
analizirati rješenje.
b) Ako bi se naknadnim istraživanjem tržišta u gradovima ustanovilo da ne treba više od 6
restorana tipa CLASIC, kako bi to uticalo na optimalan plan proizvodnje?
616
ZADACI ZA VJEŽBU
Zadatak 4.3.
Electrocom korporacija proizvodi dva tipa proizvoda: klima uređaje i velike ventilatore.
Proces proizvodnje za svaki proizvod je sličan: zahtijeva se određena količina ožičavanja i
određena količina bušenja.
Svaki klima uređaj traži 3 sata ožičavanja i 2 sata bušenja, a za svaki ventilator treba 2 sata
ožičavanja i 1 sat bušenja.
U narednom proizvodnom periodu raspolažemo sa 240 sati ožičavanja i do 140 sati buše-
nja.
Svaki klima uređaj donosi profit od 25 USD, a svaki ventilator donosi profit od 15 USD.
Menadžment kompanije je potpisao ugovor kojim se garantuje isporuka 20 klima uređaja.
Ispitivanjem tržišta su ustanovili da ponudu ventilatora treba ograničiti na maksimalno 80
komada u narednom proizvodnom periodu.
a) Odrediti optimalnu kombinaciju proizvodnje klima uređaja i ventilatora u narednom
periodu koja će osigurati najveći profit Electocomu;
b) Izvršiti analizu optimalnog programa proizvodnje;
c) Formirati dualni model i odrediti optimalne vrijednosti dualnih promjenljivih.
Zadatak 4.4.
Preduzeće proizvodi dva proizvoda (A i B). Oba proizvoda se proizvode na strojevima ka-
paciteta 250 sati mjesečno. Za jedan sat rada strojeva izradi se 3 jedinice A proizvoda, ili
1,5 jedinica B proizvoda.
Prodaja proizvoda B je ograničena na 300 jedinica mjesečno.
Iz jedinice osnovne sirovine može se proizvesti 6 jedinica A proizvoda ili 10 jedinica B
proizvoda.
Mjesečno se može obezbijediti najviše 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 najveću dobit;
b) Izvršiti analizu optimalnog programa;
c) Odrediti da li će biti promijenjen optimalni program proizvodnje ako je naknadno usta-
novljeno da se mora proizvesti najmanje 100 jedinica proizvoda A mjesečno.
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 gradonačelnika u gradu XYZ je izdvojio 40 000 USD za oglašavanje u poslje-
dnjem danu pred izbore. Planirano je da se koriste dva tipa oglašavanja: radio i televizija.
Oglas na radiju košta 200 USD i procjenjuje se da će svako oglašavanje na radiju čuti novih
3000 osoba.
Oglas na TV košta 500 USD i procjenjuje se da svaki TV oglas informiše novih 7 000 osoba.
U planiranju reklamne kampanje menadžer bi želio da oglase čuje što više ljudi, ali ugovo-
rom su ograničeni da:
- moraju imati najmanje 10 oglasa svakog tipa i
- da radio oglasa mora biti najmanje toliko koliko i TV oglasa.
a) Odrediti koliko oglašavanja svakog tipa treba koristiti da bi se informisalo što više ljudi
i koliko maksimalno ljudi će čuti oglase.
b) Izvršiti analizu optimalnog programa;
c) Ako bi ugovorom bilo određeno da moramo imati najmanje 20 TV oglasa, a ostali uslo-
vi ugovora ostaju nepromijenjeni, da li bi tada više ljudi bilo informisano?
Zadatak 4.6.
Brokerska firma BLW je izvršila analizu i preporučila dvije dionice jednom investitorskom
klubu profesora. Profesori su bili zainteresovani za faktore kao što su: kratkoročni rast vri-
jednosti, srednjoročni rast vrijednosti i stope dividendi.
Traženi podaci za svaku dionicu su:
Luizijana Gas Trimex Insulation
Faktor
& Power Company
Očekivani kratkoročni rast po
3,6% 2,4%
uloženom dolaru
Očekivani srednjoročni rast (u toku
20% 25%
naredne 3 godine) po uloženom dolaru
Očekivana stopa dividendi (godišnja) 4% 8%
Članovi kluba imaju sljedeće investicijske ciljeve:
Porast vrijednosti ne manji od 720 $ za kratkoročni period,
Porast vrijednosti ne manji od 5 750 $ za srednjoročni period,
Prihod od dividendi ne manji od 200 $ na godišnjem nivou.
Koja je najniža suma koju klub profesora treba uložiti kako bi postigao gore navedene ci-
ljeve i uz koju kombinaciju ulaganja? Odrediti „uska grla” optimalnog programa i koje
ograničenje je suvišno.
618
ZADACI ZA VJEŽBU
Zadatak 4.7.
Uspješna firma koja gradi dva tipa skladišta (Maxi i Mini) je odlučila da razvije posao na
teritoriji X. Zakonski ugovor im dozvoljava korištenje maksimalno 8000 m2 prostora i to
100 m2 po Maxi, a 50 m2 po Mini tipu skladišta.
Istraživanje tržišta je pokazalo da na ovoj teritoriji ne treba više od 60 skladišta tipa Maxi.
Raspoloživi mjesečni budžet firme za oglašavanje je 400 $, i to 2 $ po Maxi i 4 $ po Mi-
ni.
Ako je mjesečni profit firme 50 $ po Maxi tipu i 20 $ po Mini tipu skladišta, napraviti op-
timalan program izgradnje ovih tipova skladišta da bi firma ostvarila maximalan profit.
Analizirati rješenje i odrediti kakav bi efekat na optimalno rješenje imao mjesečni porast
profita po Mini tipu skladišta 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 zapošljava 2 nastavnika, a na svaki izborni 3 nastavnika,
dok fakultet raspolaže sa najviše 150 nastavnika za jesenji semestar.
Analizom troškova je utvrđeno da svaki obavezan kurs košta 3000$, a svaki izborni 2500$.
a) Napraviti optimalan plan broja obaveznih i izbornih kurseva da bi se minimizirali troš-
kovi fakulteta.
b) Da li bi se troškovi fakulteta povećali ako bi studenti tražili barem 30 izbornih kurseva?
Zadatak 4.9.
Neka su na raspolaganju samo dva artikla dnevne prehrane A1 - hljeb i A2 - meso koji sadr-
že hranjive sastojke H1 - bjelančevine, H2 - masti, H3 - ugljikohidrate. Svi potrebni podaci i
minimalne dnevne potrebe hranjivih sastojaka za osobu određene težine i dobi, kao i cijene
dati su u tabeli:
619
LINEARNO PROGRAMIRANJE
a) Odrediti optimalan program dnevne prehrane s tim da troškovi za hranu budu minimal-
ni. Protumači dobiveno rješenje!
b) Formirati dualni model i, ako se zna da je ŷ 4 = 0,13 KM/gr, objasniti značenje ove vri-
jednosti.
Zadatak 4.10.
Jedno poduzeće izvozi dva proizvoda A, B u dvije zemlje Z i W.
Za zemlju Z vrijednost izvoza je ograničena na 30 000$, po cijeni od 1$ za komad proizvo-
da A i 2$ za proizvod B.
Za zemlju W vrijednost izvoza je ograničena na 60 000$, po cijeni od 3$ za komad proiz-
voda A i 2$ za proizvod B.
Proizvod A se mora izvesti u količini 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 će se ostvariti maksimalan
devizni efekat.
b) Ako se devizni efekat po proizvodu B poveća za 10%, da li biste onda odabrali drugači-
ji optimalan plan?
Zadatak 4.11.
Novi pogon nekog preduzeća treba da proizvodi proizvode A, B, C. Istraživanja tržišta su
pokazala da: proizvoda A treba proizvoditi najviše 1800 jedinica, proizvoda B treba proiz-
voditi najmanje 4200 jedinica, proizvoda C treba proizvoditi najmanje 2400 jedinica.
Za proizvodnju ovih proizvoda treba da obuči radnike kvalifikacija K1 i K2. Troškovi obuke
jednog radnika kvalifikacije K1 iznose 300 KM, a radnika K2 400 KM. Jedan radnik jedne
ili druge kvalifikacije može u toku radnog vremena da proizvede sljedeću količinu proizvo-
da A, B, C:
Jedan
A (jed.) B (jed.) C (jed.)
radnik
K1 1 3 1
K2 1 2 4
a) Koliko radnika kvalifikacija K1, K2 treba obučiti da troškovi preduzeća budu mini-
malni?
b) Izvršiti standardizaciju modela i analizirati rješenje.
620
ZADACI ZA VJEŽBU
Zadatak 4.12
Fabrika obuće je u program proizvodnje uvrstila novi model muških cipela i ženskih čizmi-
ca za čiju proizvodnju se koriste iste sirovine. Za obradu jednog para cipela koristi se 1 m
kože, a za čizmice 2 m kože. Za obradu jednog para cipela neophodno je utrošiti 6 sati rada,
a za proizvodnju čizmica 3 sata rada. Za potrebe izrade prve serije nabavljeno je 2400 m
kože i može se angažovati 4500 radnih sati. Ustanovljeno je da proizvodnja ženskih čizmi-
ca mora biti bar dva puta veća od muških cipela!
Profit po jednom paru cipela je 25 KM, a po jednom paru čizmica 30 KM.
a) Odrediti optimalan program proizvodnje u jednoj seriji za koji bi se ostvario maksima-
lan profit poduzeća.
b) Formirati dualni model, izračunati i protumačiti dualnu varijablu ŷ 3 .
Zadatak 4.13.
Pobjednik na teksaškom lotou je odlučio da godišnje investira do 50000$ u dionice. U raz-
matranje su uzete dionice Petrohemije i JP Vodovod i Elektroprivreda. Plan je da se na duži
vremenski period dobije što veći povrat. Uzeti su u obzir i rizici od ulaganja u dionice koje
su na tržištu. Index rizika na skali od 1-10 (sa 10 kao najrizičnijom skupinom) je dodijeljen
svakoj dionici. Ukupni rizik portfolija se dobije množeći rizik svake dionice sa ulaganjem u
tu dionicu.
U tabeli je prikazan povrat i rizik.
Očekivani povrat Rizik
Petrohemiska industrija 12% 9
JP. Vodovod i Elektroprivreda 6% 4
Investitor bi želio da maximizira povrat, ali prosječan rizik ne smije biti veći od 6.
Koliko bi trebalo biti investirano u svaku dionicu? Koji je prosječan rizik? Koji je očekiva-
ni povrat?
Zadatak 4.14.
U štampariji se štampaju tri vrste knjiga: A, B, C, uz jedinične troškove: 15 KM/kom A,
10 KM/kom B, 12 KM/kom C.
Istraživanjem tržišta je ustanovljeno da knjiga tipa A treba proizvesti najmanje 100 kom
više nego knjiga B i C zajedno. Dogovoreno je da se u takvoj proizvodnji angažuje mini-
malno 420 rč, a zna se da se treba utrošiti: 2 rč/kom A, 3 rč/kom B i 4 rč/kom C.
a) Formirati model datog problema ako je cilj minimizirati troškove;
621
LINEARNO PROGRAMIRANJE
Zadatak 4.15.
U hranjenju pilića dnevni obrok treba da sadrži 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 sadrže sljedeći broj jedinica hranljivih sastojaka:
I II
A 6 2
B 2 4
C 2 12
Nabavna cijena I vrste hrane je 8 KM, a hrane II je 12 KM. Treba:
a) Izračunati sastav obroka koji osigurava najjeftiniju hranu i cijenu koštanja obroka;
b) Izvršiti analizu ovog optimalnog programa isporuke;
c) Formirati dualni model, odrediti optimalne vrijednosti dualnih promjenljivih i dati nji-
hovo ekonomsko značenje.
Zadatak 4.16.
Davalac usluga »Com.co« za kompjutersku obradu podataka ima cijene 1000 KM na minu-
tu visokoprioritetnog vremena i 600 KM na minutu niskoprioritetnog vremena. Korisnicima
njihovih usluga treba najmanje 5 minuta visokoprioritetnog vremena dnevno, a davalac
usluga može obezbijediti najviše 40 minuta za obradu podataka i to najviše 10 minuta viso-
koprioritetnog vremena, dnevno.
a) Koliko kojeg vremena bi trebalo biti kupljeno pa da »Com.co« maksimizira svoj pri-
hod?
b) Ispitati da li će rješenje ostati optimalno ukoliko davalac usluga snizi cijenu visokoprio-
ritetnog vremena za 20% .
Zadatak 4.17.
Napravljeni su projekti za dva prigradska naselja M i N koja se mogu etapno izgrađivati. Za
prvu etapu njihove izgradnje grad je obezbijedio sljedeća 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 utrošiti :
622
ZADACI ZA VJEŽBU
Naselje M Naselje N
Za puteve 2,5 5
Za vodovod 2 2
Za kanalizaciju 1,8 1,2
Zadatak 4.18.
Predviđena je proizvodnja dva proizvoda A i B. U proizvodnji se koristi stroj čiji je maksi-
malan mjesečni kapacitet 1200 mč. Za izradu jedinice proizvoda A potrebna su 2 mč i za
izradu jedinice proizvoda B potrebna su 2 mč. Za proizvodnju ovih proizvoda potrebno je
obezbijediti najmanje 400 kg sirovine mjesečno. Iz 1 kg sirovine proizvede se ½ jedinice
proizvoda A ili 1 jedinica proizvoda B.
Istraživanjem tržišta ustanovljeno je da se mjesečno može prodati najviše 500 jedinica proi-
zvoda B i da se na svaku jedinicu proizvoda A mora proizvesti najmanje ½ proizvoda B.
Dobit po jedinici proizvoda A je 40 KM, a proizvoda B je 50 KM.
a) Utvrditi program proizvodnje koji osigurava najveću dobit i izvršiti analizu optimalnog
rješenja;
b) Utvrditi posljedice na optimalno rješenje ako se dobit po jedinici proizvoda B poveća za
60%;
c) Formirati dualni model i odrediti optimalne vrijednosti dualnih promjenljivih koje od-
govaraju rješenju b).
Zadatak 4.19.
Tvornica gume isporučuje proizvođaču traktora gume za male traktore trotočkaše i standar-
dne traktore. Cijena isporuke gume za zadnji točak malog traktora G1 je 600 nj/kom, za
prednji točak G2 je 1000 nj/kom i za standardni traktor je 1200 nj/kom.
Na strojevima mjesečnog 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
Zadatak 4.20.
Jedan rudnik ugljena opskrbljuje tri potrošna mjesta. Rudnik može isporučiti najviše 1000
vagona uglja. Prvo i drugo mjesto troše zajedno 100 vagona ugljena više od trećeg mjesta, a
drugo i treće mjesto zajedno troše najmanje 200 vagona. Troškovi prevoza po vagonu od
rudnika do svakog mjesta potrošnje su: prvog 80 KM, drugog 120 KM i trećeg 80 KM.
a) Odrediti program opskrbe koji osigurava najniže troškove prevoza;
b) Izvršiti analizu najpovoljnijeg rješenja;
c) Formirati dualni model, odrediti optimalne vrijednosti dualnih promjenljivih i dati nji-
hovo ekonomsko značenje.
Zadatak 4.21.
Preduzeće proizvodi tri vrste proizvoda A, B i C. Strojevi koji se koriste u proizvodnji ima-
ju mjesečni kapacitet 1000 ms koji se mora u potpunosti iskoristiti. Jedinica proizvoda A
može se izraditi za 1 sat, jedinica proizvoda B može se izraditi za 2 sata i C za 4 sata rada
strojeva. Može se računati sa najviše 2500 rs radnika, a potrebno vrijeme za izradu jedinice
proizvoda A je 2 sata, proizvoda B 1 sat i proizvoda C 2 sata.
Istraživanjem tržišta je ustanovljeno da se može prodati najviše 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, izračunati optimalan program proizvodnje i izvršiti ana-
lizu optimalnog programa;
b) Formirati odgovarajući dualni model i odrediti optimalne vrijednosti dualnih promjenljivih;
c) Dati ekonomsko značenje vrijednosti ŷ 2 i ŷ 5 .
Zadatak 4.22.
Preduzeće želi da odredi optimalan program proizvodnje tri tipa proizvoda: C, D, E, tako da
minimizira ukupne troškove. Zna se da su troškovi proizvodnje: 1 KM/kg C, 2KM/m D i 3
KM/kom E.
624
ZADACI ZA VJEŽBU
Zadatak 4.23.
Preduzeće proizvodi dva proizvoda (A i B). U procesu proizvodnje koriste se: strug kapaci-
teta 50000 radnih sati, glodalice kapaciteta 40000 radnih sati i bušilica kapaciteta 24000
radnih sati. Da bi se proizvela jedinica proizvoda A potreban je rad struga u trajanju od 8
sati, glodalice 4 sata i bušilice 4 sata, a za jedinicu proizvoda B rad struga od 4 sata i gloda-
lice 8 sati. Istraživanje tržišta je pokazalo da se na tržištu mora plasirati najmanje 1000
jedinica proizvoda A. Također treba uzeti u obzir da se proizvod A treba proizvesti u koli-
čini najviše dva puta većoj od količine proizvoda B.
Cilj preduzeća je ostvarenje najveće dobiti.
a) Utvrditi takav program proizvodnje koji osigurava najveću dobit ako su dobiti po jedi-
nici proizvoda A i B jednake;
b) Izvršiti analizu optimalnog programa proizvodnje;
c) Formirati dualni model i odrediti optimalne vrijednosti dualnih promjenljivih. Šta mo-
žemo zaključiti o polaznom rješenju?
Zadatak 4.24.
Neko poljoprivredno dobro snabdijeva jabukama tri pijace A, B i C. Dobro može dnevno da
isporuči maksimalno 600 kg jabuka.
Na pijacama A i B mora se ukupno isporučiti najmanje 10 kg više 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 pojedinačnih 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 najveću do-
bit?
b) Izvršiti analizu ovog optimalnog programa isporuke;
c) Formirati dualni model, odrediti optimalne vrijednosti dualnih promjenljivih i dati nji-
hovo ekonomsko značenje.
625
LINEARNO PROGRAMIRANJE
Zadatak 4.25.
Fabrika konfekcije proizvodi dva tipa muških odijela, A i B. Odijela se proizvode od istog
štofa, pri čemu se za odijelo A utroši 2,5 m platna, a za odijelo B 2,7 m.
Za šivenje odijela A utroši se 5 rs, dok za odijelo B treba 3 radna sata. Fabrika raspolaže sa
27 000 m štofa i 42 000 radnih sati mjesečno.
S obzirom na ugovorene obaveze, odijela B se mora proizvoditi najmanje 3000 kom mjesečno.
Profit po odijelu A iznosi 90 KM, a po odijelu B 55 KM.
a) Treba odrediti optimalan plan mjesečne proizvodnje odijela i izvršiti analizu optimal-
nog programa.
b) Formirati odgovarajući dualni model i odrediti optimalne vrijednosti dualnih promjen-
ljivih.
Zadatak 4.26.
Jedan mlin snabdijeva brašnom tri pekare A, B, C. Mlin može da isporuči najviše 1000 tona
brašna u toku mjeseca.
U pekare A i B zajedno mora isporučiti 100 tona brašna više nego pekari C. Pekarama B i C
zajedno mora isporučiti najmanje 200 tona brašna.
Troškovi prevoza brašna 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 brašna koji osigurava da ukupni troškovi prevoza budu
najmanji te izvršiti analizu tog optimalnog rješenja.
Zadatak 4.27.
Kod nekog problema linearnog programiranja poznata je optimalna simplex tabela:
CS 10 10 0 0 0 -M
CB B A0 A1 A2 A3 A4 A5 A5*
0 A3 50 0 0 1 -½ 1 -1
10 A2 200 0 1 0 ½ 1 -1
10 A1 100 1 0 0 0 -1 1
CS - fS 3000 0 0 0 -5 0 -M
626
ZADACI ZA VJEŽBU
Zadatak 4.28.
Jedna građevinska firma treba distribuirati tri vrste materijala A, B, C uz jedinične troškove
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 više nego materijala B i C zajedno.
- da se takvom distribucijom treba angažovati minimalno 120 radnih sati i to: 1 rs/m3 mate-
rijala A, 2 rs/m3 materijala B i 2 rs/m3 materijala C.
a) Formirati model ako je cilj minimizirati troškove distribucije.
b) Simplex metodom pronaći optimalno rješenje problema. Kako bi se zadatak riješio gra-
fičkom metodom?
c) Analizirati ograničenja.
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. Tehničko-
tehnološki uslovi ova dva procesa obrade, kao i raspoloživi sedmični fond sati, dati su u
tabeli:
Kutija (20 cigareta) L SL UL Raspoloživi fond sati
P1 1 1 5 1200 r.s.
P2 3 1 1 900 r.s.
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 pronaći optimalno rješenje problema.
c) Za koliko će se povećati prihod ako fond sati pakiranja P2 povećamo za 1 rs?
627
LINEARNO PROGRAMIRANJE
Zadatak 4.30.
Kompanija R proizvodi madrace i krevete. Prioritetni ugovor zahtijeva da kompanija proiz-
vede najmanje 30 madraca ili kreveta u bilo kojoj kombinaciji. Kao dodatak, Unija
sindikata ima dogovor sa poslodavcem da mašine moraju raditi najmanje 40 sati sedmično,
što predstavlja jedan proizvodni period. Za svaki krevet je neophodno 2 sata rada, a za sva-
ki madrac 1 sat rada mašine. Proizvedeni madrac košta 20 $, dok svaki proizvedeni krevet
košta 24 $.
a) Riješiti problem tako da se minimiziraju ukupni troškovi proizvodnje. Problem riješiti
koristeći simplex metod.
b) Protumačiti značenje dualne promjenjljive y3
Zadatak 4.31.
BK korporacija u toku razvoja nove hrane za mačke nazvane Yum-Mix suočila se sa prob-
lemom miješanja hrane. Standardima je utvrđeno da svaka konzerva Yum-Mixa mora
sadržavati najmanje 30 jedinica proteina i 80 jedinica riboflavina. Ova dva sastojka su dos-
tupna od strane dva konkurentska proizvođača komponenti za mačiju hranu.
Kod proizvođača A dodatak po kilogramu košta 9$, dok kod proizvođača B dodatak košta
15$ po kilogramu.Kilogram dodatka proizvođača A obezbijedi 1 jedinicu proteina i 1 jedi-
nicu riboflavina po konzervi, dok kilogram dodatka B obezbjeđuje 2 jedinice proteina i 4
jedinice riboflavina po konzervi. Korporacija BK mora zadovoljiti standarde uz minimalne
troškove.
a) Naći najbolju kombinaciju kupovine ova dva dodatka (A i B) da bi se ispunili zahtjevi
uz minimalni trošak. Optimalno rješenje nađite koristeći simplex metod.
b) Potumačite 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 sadrži 1 jedinicu V1 i 4 jedinice V2, dok tableta T2 sadrži 5 jedinica V1 i 1 jedinicu V2.
Treba odrediti onu kombinaciju konzumiranja tableta dnevno koja najmanje košta.
a) Formirati model datog problema;
b) Simplex metodom pronaći optimalno rješenje datog problema;
c) Formirati odgovarajući dualni model, odrediti optimalne vrijednosti dualnih promjenlji-
vih i objasni značenje dualne promjenljive y1.
628
ZADACI ZA VJEŽBU
Zadatak 4.33.
Za neki problem LP-a postavljen je sljedeći 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;
a) Formirati odgovarajući dualni model:
b) Napraviti standardni model, popuniti I simplex tabelu i odrediti najkorisniji vektor za
ulazak u bazu u narednoj iteraciji.
Zadatak 4.34.
Kod nekog problema minimuma nakon jedne iteracije dobivena je sljedeća simplex tabela.
45 10 55 0 M 0
Cb B A0
A1 A2 A3 A4 A*4 A5
M A*4 65 20 5 10 -1 1 0
0 A5 50 1 1 1 0 0 1
Cs-Fs 65M 45-20M 10-5M 55-10M M 0 0
Zadatak 4.35.
Za neki problem LP-a postavljen je sljedeći 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;
a) Formirati odgovarajući dualni model;
b) Napraviti standardni model, popuniti I simleks tabelu i odrediti najkorisniji vektor za
ulazak u bazu u narednoj iteraciji.
629
LINEARNO PROGRAMIRANJE
Zadatak 4.36.
Kod nekog problema minimuma nakon jedne iteracije dobivena je sljedeća simplex tabela.
10 7 12 0 M 0 M
Cb B A0
A1 A2 A3 A4 A4* A5 A5*
12 A3 7/2 1/2 1/2 1 -1/2 1/2 0 0
*
M A5 1/2 3/2 1/2 0 1/2 -1/2 -1 1
Cs-fs 42+(M/2) 4 - (3M/2) 1 - (M/2) 0 6 - (M/2) (3M/2) - 6 M 0
Zadatak 4.37.
Tri mlina snabdijevaju 4 pekare brašnom. Dnevni kapaciteti mlinova su: M1 25 t, M2 10;
M3 35 t brašna.
Dnevne potrebe pekara P1, P2, P3, P4 iznose: 45 t, 15 t, 20 t, 30 t respektivno. Troškovi pre-
voza za tonu brašna dati su u tabeli (u nekim nj):
P1 P2 P3 P4
M1 10 20 14 22
M2 12 10 8 18
M3 14 15 12 14
Zadatak 4.38.
Tri tvornice džema (T1, T2, T3) istog vlasnika, izvoze džem u tri grada (G1, G2, G3). Količi-
na džema koju tvornice nude u toku mjeseca su: T1 7000 kg, T2 12500 kg i T3 15 500 kg,
dok su mjesečne potrebe gradova sljedeće: G1 6500 kg, G2 9000 kg, G3 16 500 kg. Dobiti
vlasnika tvornica po kg džema date su u sljedećoj tabeli (u nekim nj):
G1 G2 G3
T1 7 8 6
T2 8 3 7
T3 9 6 3
630
ZADACI ZA VJEŽBU
Zadatak 4.39.
Četiri proizvođača 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.
Utvrđeno je da ne postoji mogućnost prevoza sirovine iz F3 u P1. Troškovi prevoza po toni
sirovine dati su u tabeli (u nekim nj):
P1 P2 P3
F1 7 4 7
F2 9 7 8
F3 - 5 6
F4 10 5 6
Cilj je utvrditi takav program snabdijevanja kojim bi se osigurao prevoz cjelokupne količi-
ne sirovine uz najmanje troškove.
Zadatak 4.40.
Vlasnik lanca trgovina treba iz svojih skladišta dostaviti brašno u 5 prodajnih centara (PC).
U skladištu S1 nalazi se 200t, u skladuštu S2 200t, u skladištu S3 150t i u skladištu S4 200t
brašna.
Prodajnim centrima treba: 100t za PC1, 200t za PC2, 400t za PC3, 200t za PC4 i 100t za
PC5. Cijene transporta (po toni) od skladišta do centra dati su u tabeli:
Treba odrediti:
a) Plan transporta robe koji će najmanje koštati i skladišta koja će biti ispražnjena.
b) Navesti metode koje ste koristili za dobijanje polaznog optimalnog riješenja.
631
LINEARNO PROGRAMIRANJE
Zadatak 4.41.
Vlasnik lanca treba iz svojih skladišta dostaviti šećer u 5 prodajnih centara (PC). U skladiš-
tu S1 nalazi se 30t, u skladuštu S2 20t, u skladištu S3 50t šećera.
Prodajnim centrima treba: 25t za PC1, 15t za PC2, 55t za PC3, 20t za PC4 i 5. Cijene tran-
sporta (po toni) od skladišta do centra dati su u tabeli (transport od S3 do PC1 nije moguć).
PC1 PC2 PC3 PC4 PC5
S1 2 3 4 5 6
S2 4 3 5 2 8
S3 - 4 10 5 5
Treba odrediti:
a) Plan transporta robe koji će najmanje koštati, koliko košta planirani transport i koji cen-
tri će biti snabdjeveni.
b) Navesti metode koje ste koristili za dobijanje polaznog optimalnog riješenja.
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 sljedećim uslovima:
Ponuda zemalja: a1 = 7000; a2 = 12500; a3 = 15500 kj materijala mjesečno;
Tražnja industrijskih centara: b1 =6500; b2 = 9000;b3 = 16500 kj materijala mjesečno;
Transportni troškovi po jedinici prevezenog materijala su (u nekim nj):
c11 = 7 c12 = 8 c13 = 6
c21 = 8 c22 = 3 c23 = 7
c31 = 9 c32 = 6 c33 = 5
Naći optimalan plan transporta materijala za koji će ukupni troškovi transporta biti najmanji
i odredi te troškove. Analizirati optimalan plan.
Da li ima više optimalnih rješenja? Ako ima - napisati ih, a ako nema - objasniti zašto.
Zadatak 4.43.
Korporacija DL planira postavljanje novih mašina u postojećim fabrikama na lokacijama
Decatur, Minneapolis i Carbondale. Analizirajući samo troškove transporta po jedinici treba:
a) Odrediti optimalan plan transporta mašina iz pojedinih skladišta B, C i D. Troškovi
transporta po jedinici, kapaciteti i potrebe su dati u tabeli:
632
ZADACI ZA VJEŽBU
Zadatak 4.44.
Na konkurs raspisan za prijem po jednog prevodioca za engleski (E), francuski (F), španski
(Š) i njemački jezik (Nj) prijavila su se tri kandidata. Nakon testiranja, dobili smo sljedeće
vrijednosti:
E F Š NJ
K1 3 2 5 4
K2 6 4 7 8
K3 1 6 3 7
Jedan kandidat može biti primljen za prevodioca samo za jedan jezik.
a) Izvršiti optimalan raspored tako da zbir poena koje su kandidati dobili na testu bude
maksimalan.
b) Koje radno mjesto će ostati nepopunjeno?
Zadatak 4.45.
Na nova radna mjesta M1, M2, M3 konkurisali su kandidati K1, K2, K3, K4 i K5. Odgovara-
juće kvalifikacije nemaju: K2 za M2, K4 za M1 i K5 za M3.
Za ostala mjesta svi kandidati imaju odgovarajuće kvalifikacije. Nakon testiranja, kandida-
tima su dodijeljeni odgovarajući 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) Izvršiti optimalan raspored kandidata na odgovarajuća radna mjesta tako da zbir nega-
tivnih poena bude minimalan.
c) Koji kandidati neće biti primljeni?
633
LINEARNO PROGRAMIRANJE
Zadatak 4.46.
Na raspisani oglas za obavljanje četiri poslovna zadatka (A, B, C, D) prijavilo se pet kandi-
data. Kandidati imaju iste uslove za obavljanje posla, ali su dali izjavu da će, u slučaju
neizvršavanja ugovora, platiti sljedeće nadoknade (u nekim nj):
Kandidati
Poslovi
K1 K2 K3 K4 K5
A 21 24 18 15 20
B 18 20 20 19 15
C 16 20 15 22 18
D 10 14 12 16 11
634
4.9. Rješenja zadataka za vježbu
Rješenje 4.1.
a) x1 – broj skija za trčanje,
x2 – broj skija za slalom.
Funkcija cilja: Profit po skiji T1 je 40$, a po skiji T2 je 30$.
max f = 40 x1 + 30 x 2
Ograničenje I: Kapacitet odjela za proizvodnju je 750 sati, pa slijedi 5 x1 + 4 x 2 ≤ 750
Ograničenje II: Kapacitet odjela za finalizaciju je 450 sati, pa slijedi 5 x1 + 2 x 2 ≤ 450
Ograničenje III: Proizvodnja skija za slalom treba da bude najmanje dva puta veća od
proizvodnje skija za trčanje, odnosno x 2 ≥ 2 x1
Model:
max f = 40 x1 + 30 x 2
5 x1 + 4 x 2 ≤ 750
5 x1 + 2 x 2 ≤ 450
x 2 ≥ 2 x1
x1 ≥ 0; x 2 ≥ 0
x2
22 III
C
187,5 B
M
A
fmax
f0 x1
0 90 15 I
II
635
LINEARNO PROGRAMIRANJE
Pravac funkcije cilja ćemo odrediti izborom proizvoljne tačke M (30, 100), pa njenim
uvrštavanjem u f = 40 x1 + 30 x 2 imamo 40·30 + 30·100 = 4200.
Prava koja prolazi kroz M i paralelna je funkciji cilja je data sa f0: 40·x1 + 30·x2 = 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 tačka kroz koju
prolazi prva f0 ustvari tačka M.
Optimalna tačka je ona rubna tačka koja je najudaljenija od koordinatnog početka, po
pravcu funkcije cilja. U našem slučaju to je tačka B.
Elementi optimalnog plana su xˆ 1 = 30; xˆ 2 = 150; odnosno najbolje je mjesečno proizvo-
diti 30 pari skija za trčanje i 150 pari skija za slalom i odgovarajući najveći profit će biti:
fmax = f (B) = 5700$
Analiza rješenja: Ograničenja I i II predstavljaju usko grlo programa, odnosno odjeli za
proizvodnju i finalizaciju rade punim kapacitetom; proizvodi se 90 skija za slalom više od
minimalno potrebne količine.
b) Ako bi se povećao profit po paru skija za slalom za 10$, onda bi se promijenila funkcija
cilja i njen novi oblik bi bio:
max f0= 40·x1 + 40·x2
Ovom promjenom, mijenja se i pravac funkcije cilja, ali skup mogućih rješenja ostaje isti.
x2
22 III
C
187,5 B
M
A fmax
f0
II I x1
0 90 15
636
RJEŠENJA ZADATAKA ZA VJEŽBU
Rješenje 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
Ograničenja:
Za širenje djelatnosti imamo na raspolaganju 600 000 KM ⇒
20000 x1 + 30000 x 2 ≤ 600000
Zakonski ugovor o minimalnom broju radnika koje treba zaposliti ⇒ 2 x1 + 4 x 2 ≥ 44
Istraživanje tržišta ⇒ x1 ≥ 10 + x 2
Model:
x2
f0
A: II ∩ III = (14, 4) D x1
B: III ∩ I = (18, 8) 0 10 22 30
C
C (22, 0) II I
D (30, 0)
Grafikon 4.2. Određivanje optimalnog rješenja
637
LINEARNO PROGRAMIRANJE
Optimalno rješenje: x2
fmax = f (B) = 7 600 000
20
za xˆ1 = 18; xˆ 2 = 8; III
Odgovor:
Optimalno bi bilo otvoriti 18 restorana 11
tipa FAST FOOD i 8 rastorana tipa B
CLASIC, a očekivani maksimalni pri- A E
hod je 7 600 000 KM fmax IV
M
f0
D x1
Analiza rješenja: 0 10 22 30
− ograničenja I i III predstavljaju C
II I
usko grlo programa, odnosno no- Grafikon 4.2.a. Model sa dodatnim ograničenjem
vac koji preduzeće ima na
raspolaganju i tržišna potražnja su uska grla programa;
− program nudi upošljavanje 24 radnika više od minimalno zahtijevane granice;
Rješenje 4.3.
638
RJEŠENJA ZADATAKA ZA VJEŽBU
Optimalno rješenje:
fmax = 1900
za xˆ1 = 40; xˆ 2 = 60;
Rješenje 4.4.
Rješenje 4.5.
a) max f = 3000x1 + 7000x2
I 200 x1 + 500 x2 ≤ 40 000 USD
II x1 ≥ 10
III x2 ≥ 10
IV x1 - x2 ≥ 0
x1 ≥ 0; x2 ≥ 0
Treba koristiti 175 oglasa na radiju i 10 oglasa na TV da bi informisali 595 000 ljudi.
b) Mijenja se ograničenje III, pa se optimalna tačka pomjera. Novo optimalno rješenje je
150 radio oglasa i 20 TV oglasa i f = 590 000, odnosno 5000 ljudi manje bi čulo oglase.
639
LINEARNO PROGRAMIRANJE
Rješenje 4.6.
Optimalno rješenje:
xˆ1 = 10 000; xˆ 2 = 15 000; fˆ = 25 000
Rješenje 4.7.
Optimalno rješenje:
xˆ1 = 60; xˆ 2 = 40; fˆ = 3 800
640
RJEŠENJA ZADATAKA ZA VJEŽBU
Rješenje 4.8.
Optimalno rješenje:
xˆ1 = 15; xˆ 2 = 40; fˆ = 145 000
b) Skup mogućih rješenja bi se promi-
jenio ako se promijeni ograničenje II,
ali bi optimalno rješenje ostalo isto.
Već im je u optimalnom slučaju ponu-
đeno 40 izbornih kurseva.
Rješenje 4.9.
Optimalno rješenje: xˆ1 = 9; xˆ 2 = 2; fˆ = 14,3
Rješenje 4.10.
Optimalno rješenje:
Bazično 1:
xˆ1 = 20 000; xˆ 2 = 0; fˆ = 3 600 000
Bazično 2:
xˆ1 = 15 000; xˆ 2 = 7 500; fˆ = 3 600 000
Sva optimalna rješenja imaju oblik:
⎡ xˆ1 ⎤ ⎡20000⎤ ⎡15000⎤
⎢ xˆ ⎥ = λ ⋅ ⎢ 0 ⎥ + (1 − λ ) ⋅ ⎢ 7500 ⎥
⎣ 2⎦ ⎣ ⎦ ⎣ ⎦
b) Optimalno rješenje bi bila samo tačka
2, odnosno xˆ1 = 15 000; xˆ 2 = 7 500; ali
bi vrijednost funkcije cilja bila veća.
Grafikon 4.10. Određivanje optimalnog rješenja.
Dvije «rubne» tačke su optimalne.
Rješenje 4.11.
xˆ1 = 1200; xˆ 2 = 300; fˆ = 480 000
641
LINEARNO PROGRAMIRANJE
Rješenje 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
Rješenje 4.13.
xˆ1 = 20 000; xˆ 2 = 30 000; fˆ = 4 2 00
Rješenje 4.14.
xˆ1 = 136.6667; xˆ 2 = 36.6667; fˆ = 2490
Rješenje 4.15.
642
RJEŠENJA ZADATAKA ZA VJEŽBU
Rješenje 4.16.
Grafikon 4.16.
Određivanje optimalnog rješenja
Rješenje 4.17.
Grafikon 4.17.
Određivanje optimalnog rješenja
Rješenje 4.18.
Grafikon 4.18.
Određivanje optimalnog rješenja
643
LINEARNO PROGRAMIRANJE
Rješenje 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 + 5 x3 ≤ 4200
x1 = 2 x2
x1 ≥ 0; x 2 ≥ 0; x3 ≥ 0
644
RJEŠENJA ZADATAKA ZA VJEŽBU
Rješenje 4.20.
Zadatak se može riješiti grafičkom metodom ili simplex algoritmom.
Simplex algoritam izgleda:
80 120 80 0 M 0 M
Cb B A0
A1 A2 A3 A4 A*5 A6 A*6
0 A4 1000 1 1 1 1 0 0 0
M A*5 100 1 1 -1 0 1 0 0
M A*6 200 0 1 1 0 0 -1 1
Cs-Fs 0 80 120 80 0 0 0 0
M 300 -1 -2 0 0 0 1 0
Koristan! Koristan!
(Cs-Fs)⋅Q 8000 12000
M -100 -200
80 120 80 0 M 0 M
Cb B A0
A1 A2 A3 A4 A*5 A6 A*6
0 A4 900 0 0 2 1 -1 0 0
120 A2 100 1 1 -1 0 1 0 0
M A*6 100 -1 0 2 0 -1 -1 1
Cs-Fs 12000 -40 0 200 0 -120 0 0
M 100 1 0 -2 0 2 1 0
Koristan!
(Cs-Fs) ⋅Q 10000
M -100
80 120 80 0 M 0 M
Cb B A0
A1 A2 A3 A4 A*5 A6 A*6
0 A4 800 1 0 0 1 0 1 -1
120 A2 150 0,5 1 0 0 0,5 -0,5 0,5
80 A3 50 -0,5 0 1 0 -0,5 -0,5 0,5
Cs-Fs 22000 60 0 0 0 -20 100 -100
M 0 0 0 0 0 1 0 1
Nema više korisnih vektora, dobili ste optimum!
Rješenje 4.21.
Zadatak se može riješiti grafičkom metodom ili simplex algoritmom.
Optimalno rješenje: xˆ1 = 400; xˆ 2 = 0; xˆ 3 = 150; fˆ = 12 500
Rješenje 4.22.
Optimalno rješenje 1: xˆ1 = 100; xˆ 2 = 0; xˆ 3 = 0; fˆ = 100
Optimalno rješenje 2: xˆ1 = 0; xˆ 2 = 50; xˆ 3 = 0; fˆ = 100
U oba optimalna rješenja II ograničenje je usko grlo, ali kod optimalnog plana 2 ostaje 150
KM za kupovinu repromaterijala pa bi ovom programu trebalo dati prednost.
645
LINEARNO PROGRAMIRANJE
Rješenje 4.23.
Optimalno rješenje:
xˆ1 = 5000; xˆ 2 = 2500; fˆ = 7500
Rješenje 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
Optimalno rješenje: xˆ1 = 305; xˆ 2 = 0; xˆ 3 = 295; fˆ = 54 000
Rješenje 4.25.
Optimalno rješenje:
xˆ1 = 5400; xˆ 2 = 5000; fˆ = 761 000
646
RJEŠENJA ZADATAKA ZA VJEŽBU
Rješenje 4.26.
Model:
(1) min f = 80 x1 + 120 x 2 + 80 x3
Ι x1 + x 2 + x3 ≤ 1000
ΙΙ x1 + x 2 − x3 = 100
ΙΙΙ 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 + 1x4 + 0 x5 + 0 x6 + 0 x6 = 1000⎫
*
*
⎪⎪
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
647
LINEARNO PROGRAMIRANJE
Optimalno rješenje
Rješenje 4.27.
a) i) max fˆ = 3000
ii) I – ograničenje tipa ≤ ; II – ograničenje tipa ≤ ; III – ograničenje tipa ≥
iii) X̂ 1 = 100 X̂ 2 = 200 (polazne varijable)
X̂ 3 = 50 X̂ 4 = 0 X̂ 5 = 0 (izravnavajuće varijable)
b) i) ĝ = 3000
ii) Ŷ3 = 0 Yˆ4 = 5 Yˆ5 = 0 (polazne varijable)
Yˆ1 = 0 Yˆ2 = 0 (izravanavajuće varijable)
c) Rješenje nije jedinstveno jer nebazna varijabla A5 ima vrijednost c5 − f 5 = 0 . Dakle,
rješenje sa neće promijeniti ukoliko A5 uđe u bazu.
A5 ulazi, a A3 izlazi iz baze, pa je druga optimalna simplex tabela data sa:
CS 10 10 0 0 0 -M
CB B A0 A1 A2 A3 A4 A5 A5*
0 A5 50 0 0 1 -½ 1 -1
10 A2 150 0 1 -1 1 0 0
10 A1 150 1 0 1 -½ 0 1
CS - fS 3000 0 0 0 -10 0 -M-10
Napomenimo da u slučaju postojanja dva optimalna bazna rješenja mi ustvari imamo bes-
konačno mnogo optimalnih opcija i sve te opcije se mogu dobiti kao konveksna linearna
kombinacija bazna dva, tj.
648
RJEŠENJA ZADATAKA ZA VJEŽBU
⎡ x1 ⎤ ⎡100 ⎤ ⎡150⎤
⎢x ⎥ ⎢200⎥ ⎢150⎥
⎢ 2⎥ ⎢ ⎥ ⎢ ⎥
⎢ x3 ⎥ = λ ⋅ ⎢ 50 ⎥ + (1 − λ ) ⋅ ⎢ 0 ⎥; λ ∈ [0,1]
⎢ ⎥ ⎢ ⎥ ⎢ ⎥
⎢ x4 ⎥ ⎢ 0 ⎥ ⎢ 0 ⎥
⎢⎣ x5 ⎥⎦ ⎢⎣ 0 ⎥⎦ ⎢⎣ 50 ⎥⎦
Rješenje 4.28.
Model:
(1) min f = 15 x1 + 10 x 2 + 12 x3
Ι x1 − x 2 − x3 = 90
ΙΙ x1 + 2 x 2 + 2 x3 ≥ 120
x1 , x 2 , x3 ≥ 0
Rješenje 4.29.
Model:
(1) max f = 15 x1 + 6 x 2 + 10 x3
Ι x1 + x 2 + 5 x3 ≤ 1200
ΙΙ 3 x1 + x 2 + x3 ≤ 900
x1 , x 2 , x3 ≥ 0
649
LINEARNO PROGRAMIRANJE
...
Posljednja simplex tabela
24 20 0 M 0 M
Cb B A0
A1 A2 A3 A*3 A4 A*4
20 A2 20 0 1 -2 2 1 -1
24 A1 10 1 0 1 -1 -1 1
Cs-Fs 640 0 0 16 -16 4 -4
M 0 0 0 0 1 0 1
Rješenje 4.31.
Optimalno rješenje:
xˆ1 = 0; xˆ 2 = 20; fˆ = 300
yˆ1 = 10
Rješenje 4.32.
24 25 0 M 0
Cb B A0
A1 A2 A3 A*3 A4
M A*3 10 1 5 -1 1 0
0 A4 12 4 1 0 0 1
Cs-Fs 0 24 25 0 0 0
M 10 -1 -5 1 0 0
Koristan! Koristan!
24 25 0 M 0
Cb B A0
A1 A2 A3 A*3 A4
25 A2 2 0,2 1 -0,2 0,2 0
0 A4 10 3,8 0 0,2 -0,2 1
Cs-Fs 50 19 0 5 -5 0
M 0 0 0 0 1 0
Nema više korisnih vektora, nađeno je optimalno rješenje.
650
RJEŠENJA ZADATAKA ZA VJEŽBU
Rješenje 4.33.
a) Dualni model:
(1) min g = 10 y 4 + 50 y 5
Ι 4 y 4 + 2 y 5 ≥ 10
ΙΙ y 4 + y5 ≥ 5
ΙΙΙ 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
10 5 10 0 -M 0
Cb B A0
A1 A2 A3 A4 A*4 A5
-M A*4 10 4 1 2 -1 1 0
0 A5 50 2 1 1 0 0 1
Cs-Fs 0 10 5 10 0 0 0
M -10 4 1 2 -1 0 0
Koristan! Koristan! Koristan!
(Cs-Fs)*Q 25+10M 50+10M 50+10M
Rješenje 4.34.
Tabela nije optimalna.
U narednoj iteraciji u bazu ulazi A2, a izlazi A*4
Rješenje 4.35.
Dualni model:
(1) max f = 26 y 4 + 50 y 5
Ι 8 y 4 + 1y 5 ≤ 9
ΙΙ 2 y 4 + 1y 5 ≤ 2
ΙΙΙ 4 y 4 + y 5 ≤ 11
y 4 ≥ 0; y 5 ≤ 0
651
LINEARNO PROGRAMIRANJE
Rješenje 4.36.
Nije optimalna tabela jer je cilj minimum, a imamo negativnih Cs-fs. Osim toga, u bazi se
ne smije nalaziti vještačka varijabla.
Oba ograničenja su tipa ≥
U bazu ulazi A2 a izlazi A*5
Rješenje 4.37.
kj 14 15 12 14
ri P1 P2 P3 P4 Σ
-4 25 25 4, 4,*
M1 10 20 14 22
-4 10 10 2,*
M2 12 10 8 18
0 10 15 10 35 2, 2,
M3 14 15 12 14
-14 M4 30 40 0,*
10
0 0 0 0
Σ 45 15 20 30
10, 2, 4 10, 5, 8, 6, 2 14,*
5, *
652
RJEŠENJA ZADATAKA ZA VJEŽBU
kj 14 15 12 14
ri P1 P2 P3 P4 Σ
-4 25 25
M1 10 20 14 22
-5 10 10
M2 12 10 8 18
0 10 5 20 35
M3 14 15 12 14
-14 M4 10 30 40
0 0 0 0
Σ 45 15 20 30
d12 = 9 d 21 = 12 − (− 5 + 14 ) = 3 d 34 = 14 − (0 + 14) = 0
d13 = 4 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
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 jednoznačno rješiv jer postoje dva polja (2, 3) i (3, 4) koja također mogu ući u optima-
lan program transporta.
653
LINEARNO PROGRAMIRANJE
Rješenje 4.38.
Cilj je maksimum.
Optimalan plan transporta je dat u tabeli.
Vrijednost funkcije cilja je 257 000
G1 G2 G3
T1 0 3000 4000
T2 0 0 12500
T3 9500 6000 0
Rješenje 4.39.
Cilj je minimum. Optimalan plan transporta je dat u tabeli. Vrijednost funkcije cilja je 1230 nj.
Rješenje 4.40.
Cilj je minimum. Optimalan plan transporta je dat u tabeli. Vrijednost funkcije cilja je 6050 nj.
654
RJEŠENJA ZADATAKA ZA VJEŽBU
Rješenje 4.41.
Cilj je minimum. Optimalan plan transporta je dat u tabeli. Vrijednost funkcije cilja je 455 nj.
PC1 PC2 PC3 PC4 PC5
S1 25 0 5 0 0
S2 0 0 20 0 0
S3 0 15 10 20 5
S4 0 0 20 0 0
Rješenje 4.42.
Kako su veći kapaciteti nego potrebe (otvoreni problem transporta), potrebno je uvesti fik-
tivnu lokaciju (kolonu) sa potrebama 150.
Minnea- Carbon-
Decatur Fiktivno Kapacitet Kt
polis dale
50 200 - -
B 250 17, 3, 1 20
20 17 21 0
50 - 150 -
C 200 20, 5, 5 25
25 27 20 0
200 - - 150
D 350 22, 0, 0 22
22 25 22 0
Potrebe 300 200 150 150 800
2, 8,* 1, 0,*
Ri 0 -3 -5 -22
655
LINEARNO PROGRAMIRANJE
Postavićemo novi plan transporta i nova vrijednost funkcije cilja je za 150 nj (3*50) manja
od polazne.
Minnea-
Decatur Carbondale Fiktivno Kapacitet Kt
polis
50 200 - -
B 250 20
20 17 21 0
- - 150 50
C 200 22
25 27 20 0
250 - - 100
D 350 22
22 25 22 0
Potrebe 300 200 150 150 800
Ri 0 -3 -2 -22
Rješenje 4.43.
U pitanju je problem asignacije čiji je cilj maksimizirati vrijednost funkcije cilja
Tabela na kojoj provodimo algoritam mađarske metode je oblika (zatvoreni model):
3 2 5 4
6 4 7 8
1 6 3 7
0 0 0 0
-6 -6 -7 -8
656
RJEŠENJA ZADATAKA ZA VJEŽBU
3 4 2 4 -2 1 2 0 2
0 2 0 0 0 0 2 0 0
5 0 3 1 0 ⇒ 5 0 3 1
6 6 7 8 -6 0 0 1 2
Odnosno, kompletirana asignacija izgleda:
1 2 0 2
0 2 0 0
5 0 3 1
0 0 1 2
Rješenje 4.44.
Matrica rezultata:
K1 K2 K3 K4 K5
M1 5 6 7 - 8
M2 11 - 12 13 14
M3 17 18 19 20 -
657
LINEARNO PROGRAMIRANJE
Min K1 K2 K3 K4 K5
M1 5 6 7 M 8
M2 11 M 12 13 14
M3 17 18 19 20 M
fiktivno 0 0 0 0 0
fiktivno 0 0 0 0 0
I faza (od svih elemenat u redu oduzmemo najmanji element u tom redu)
5 6 7 M 8 -5
11 M 12 13 14 -11
17 18 19 20 M -17
0 0 0 0 0 -0
0 0 0 0 0 -0
II i III korak
0 1 2 M 3
0 M 1 2 3
0 1 2 3 M
0 0 0 0 0
0 0 0 0 0
0 0 1 M 2
0 M 0 1 2
0 0 1 2 M
1 0 0 0 0
1 0 0 0 0
Asignacija je završena. Zbog proizvoljnog izbora prve nule imamo više optimalnih planova:
658
RJEŠENJA ZADATAKA ZA VJEŽBU
0 0 1 M 2
0 M 0 1 2
0 0 1 2 M
1 0 0 0 0
1 0 0 0 0
I plan: II plan:
K1 na radno mjesto M1, K1 na radno mjesto M3,
K2 na radno mjesto M3, K2 na radno mjesto M1,
K3 na radno mjesto M2, K3 na radno mjesto M2,
min f = 5 + 18 + 12 = 35 min f = 17 + 6 + 12 = 35
659
Literatura
Backović, M., Vuleta, J., (2008), Ekonomsko Matematičke Metode i Modeli, šesto izdanje,
Centar za izdavačku djelatnost Ekonomskog fakulteta u Beogradu, Beograd.
Chiang, A. C., (1996), Osnovne metode matematičke ekonomije, treće izdanje, Mate, Zag-
reb
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 coun-
ting:a duality viewpoint, Springer, New York
Maros, I., (2003), Computational Techniques of the – simplex method, Kluwer Academic
Publisher, Boston
Render, B., Stair, R., Hanna, M.,(2003), Quantitative Analysis for Management, Eighth
Edition, Prentice Hall, New Jersey
660
Tourki, M., Backovic, M. (1994, Matematički modeli i metodi u ekonomiji, Ekonomski
fakultet, Beograd
Vučković, Ž., Kapetanović –Somun, R., (1988), Zbirka zadataka iz matematičkih metoda u
ekonomskim istraživanjima, Ekonomski fakultet u Sarajevu, Sarajevo
Članci
Ioannis Z. Emiris, John, John F. Canny, (1991), A General Approach To Removing Dege-
neracies, 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,
Linkovi
http://en.wikipedia.org/wiki/Linear_programming
http://encyclopedia2.thefreedictionary.com/Linear+programming+duality
661
O autorima
Mr. sc. Almira Arnaut-Berilo, diplomirani matematičar i magistar ekonomskih nauka, sarad-
nik je u nastavi na predmetima Kvantitativne metode u ekonomiji i menadžmentu i Operaciona
istraživanja na Ekonomskom fakultetu u Sarajevu. Kao asistent je bila angažovana i na predme-
tu Statistika u ekonomiji i menadžmentu, a kao spoljni saradnik na predmetu Algebra na
Prirodno-matematičkom fakultetu u Sarajevu. Od 2008. godine ima status višeg asistenta na
oblasti Kvantitativna ekonomija. Prijavila je temu doktorske disertacije „Multivarijacioni dina-
mički modeli optimizacije portfolija na tržištu vrijednosnih papira“ na Ekonomskom fakultetu u
Sarajevu.
Ensar Šehić je diplomirao na Ekonomskom fakultetu Simon Fraser University, Kanada, i asis-
tent je na oblasti Kvantitativna ekonomija na Ekonomskom fakultetu u Sarajevu. Učestvovao je
u realizaciji nastavnog procesa na predmetima Kvantitativne metode u ekonomiji i menadžmentu,
Operaciona istraživanja, Statistika u ekonomiji i menadžmentu i Business Mathematics and Sta-
tistics, u okviru Sarajevo Business School studija u saradnji sa Griffith College Dublin. Prijavio je
magistarski rad na temu “Kvantitativna analiza povezanosti ljudskog kapitala i međudržavnog kon-
flikta“ na Ekonomskom fakultetu u Sarajevu.
662