Řízení zásob ZÁSOBY JSOU IDENTIFIKÁTOREM NESCHOPNOSTI MANAGEMENTU FIRMU ŘÍDIT ZÁSOBY JSOU ZDROJEM VÍCENÁKLADŮ, ZTRÁT, NÍZKÉ EFEKTIVNOSTI KAPITÁLU
|
|
- Alžběta Jiřina Černá
- před 8 lety
- Počet zobrazení:
Transkript
1 Řízení zásob ZÁSOBY JSOU IDENIFIKÁOREM NESCHOPNOSI MANAGEMENU FIRMU ŘÍDI ZÁSOBY JSOU ZDROJEM VÍCENÁKLADŮ, ZRÁ, NÍZKÉ EFEKIVNOSI KAPIÁLU GEOGRAFICKÁ FUNKCE ZÁSOB VYROVNÁVACÍ FUNKCE ZÁSOB ECHNOLOGICKÁ FUNKCE ZÁSOB SPEKULAIVNÍ FUNKCE ZÁSOB SÁNÍ HMONÉ REZERVY ÚZEMNÍ SPECIALIZACE, PŘIBLÍŽENÍ RHU, OPIMÁLNÍ LOKALIZACE KAPACI, VYROVNÁVÁNÍ KAPACINÍHO, ČASOVÉHO, NESOULADU MEZI VÝROBOU A SPOŘEBOU SKLADOVÁNÍ ZÁSOB SURVIN, POLOOVARŮ, VÝROBKŮ JAKO SOUČÁS ECHNOLOGIE VÝROBKU SPEKULAIVNÍ UDRŽOVÁNÍ ZÁSOB SURVIN, POLOOVARŮ, VÝROBKŮ SRAEGICKÉ ZÁSOBY PRO PŘÍPAD MIMOŘÁDNÝCH UDÁLOSÍ
2 Řízení zásob Funkce zásob POJISNÁ ZÁSOBA x p ECHNOLOGICKÁ ZÁSOBA x t BĚŽNÁ ZÁSOBA x b KONSANNÍ V ČASE, REZERVA PŘED NÁHODNÝMI VÝKYVY POPÁVKY, PORUCHAMI KONSANNÍ V ČASE, SKLADOVÁNÍ ZÁSOB SUROVIN, POLOOVARŮ, VÝROBKŮ PROMĚNNÁ V ČASE, ZÁVISLÁ NA ZPOŮSOBU POŘIZOVÁNÍ A ČERPÁNÍ ZÁSOB x t
3 Řízení zásob Klasifikace zásob v dodavatelském řetězci Zásoby SUROVIN, PALIV POLOOVARŮ, DÍLŮ, KOMPONEN HOOVÝCH VÝROBKŮ Interpretace Paretova pravidla na analýzu zásob Podle něho by mělo platit, že při analýze zásob zjistíme,že 80% zásob v peněžním vyjádření tvoří cca 0% skladovaných položek, 80% skladovaných položek dodává zhruba 0% dodavatelů 80% rychloobrátkových zásob tvoří zhruba 0% sladovaných položek atd.
4 Řízení zásob Členění zásob na bázi analýzy ABC Interpretace Paretova pravidla na analýzu zásob c.p. q c c.p. q c c.p. q c c.p. q c č.p. číslo položky q skladované množství jedn. c cena Kč/jedn.
5 Řízení zásob Členění zásob na bázi analýzy ABC (5) (4) (3) () (1) (5) (4) (3) () (1)
6 Řízení zásob Členění zásob na bázi analýzy ABC Podíl na stavu zásob % podíl počtu položek % Skladované položky je možno v naší ilustraci rozdělit na 3 skupiny: A, které představují 81% stavu zásob a kterých je pouze 13% z celkového počtu 38, konkrétně 5 položek 31, 3, 11, 8, a 5. B, tvořenou dalšími 3-13 = 19% položkami, jejichž stav zásob činí = 6%, konkrétně 6 položek 1,18,3,17,9,7, a, a konečně C, kde zůstalo zbývajících = 68% položek, které se podílejí na stavu zásob = 5%
7 Řízení zásob Členění zásob na bázi analýzy XYZ Členění zásob podle průběhu jejich spotřeby v čase PRŮBĚH SPOŘEBY V ČASE Pravidelná bez větších výkyvů PŘEDVÍDAELNOS SPOŘEBY Velmi dobrá předvídatelnost SKUPINA X Spotřeba s většími výkyvy Omezená předvídatelnost SKUPINA Y SKUPINA Z Velmi nepravidelná, sporadická.. Velmi obtížná předpověď???
8 Základní pojmy Lokalizace zásob v dodavatelském řetězci Zpětné toky Recyklační organizace Z Výrobce surovin Výrobce dílů Výrobce dílů Výrobce polotovarů, mont. skupin Výrobce polotovarů, mont. skupin Výrobce finálního výrobku Výrobce finálního výrobku Distribuční organizace Á K A Z N Í C Vertikální rozšíření I Výrobce dílů Výrobce finálního výrobku Horizontální rozšíření
9 Řízení zásob Náklady spojené s pořizováním a udržováním zásob NÁKLADY NA POŘÍZENÍ ZÁSOB NÁKLADY SPOJENÉ S UDRŽOVÁNÍM ZÁSOB ZRÁY Z NEDOSAKU ZÁSOB nákupem Zásoba je pořizována: Objednací, pořizovací náklady na: nákupní proces administrativu (objednávky ) náklady na dopravu kvalitativní a kvantitativní přejímku vlastní nákup zboží (při množstevních rabatech) vlastní výrobou Jednorázové náklady na: seřízení strojů, linek čistění aparátů administrativu (výrobní příkazy, operační listy ) ztráta zbytkového množství ned. výroby kontrolu kvality pojistné skladovaných položek ztráty vázáním kapitálu v zásobách skladovací náklady na vlastní sklad nájemné externích skladů ztráty z neprodejnosti výrobků skladovací ztráty (prošlé záruční lhůty) (rozprachem, vytěkáním..) Vícenáklady na dodatečnou objednávku, ztráta tržeb, zisku Prostoje, mimořádné směny náklady na změnu programu porušení plynulosti výroby
10 Řízení zásob Faktory působící na náklady spojené s existencí zásob Průměrná zásoba x za sledované období On line výpočet průměrné zásoby x x Výpočet průměrné zásoby z dílčích stavů zásob (inventury) x x = x + x + x x 1 x x 4 + x 3 + x 3 x x
11 Řízení zásob Faktory působící na náklady spojené s existencí zásob Průměrná zásoba x i působí na náklady N si spojené s udržováním zásoby i-té položky za sledované období N si = nsici xi = n si c i x i n si c si x i náklady spojené s udržováním zásob v % průměrné zásoby v Kč cena i-té položky v Kč/jedn. délka sledovaného období v časových jednotkách stav zásob v jedn./jedn.času Nákladová položka Skladovací náklady Úroková míra, výnosnost kapitálu Pojistné zásob Ztráty zpusobené znehodnocením zásob, zcizením Celkem Procent z prumerné zásoby Pramen materiály EU
12 Řízení zásob Faktory působící na náklady spojené s existencí zásob Počet dodávek (objednávek) o i působí na celkové pořizovací náklady N oi spojené s realizací dodávek i-té položky za sledované období N = n si oi o i n oi náklady spojené s realizací jedné dodávky v Kč/1 dodávku Pruzkum v Holandsku ukázal, že náklady na jednu objednávku se v EU pohybují mezi EUR, Dignum F.:E-commerce in production, Integrated Manufacturing Systems 13/5 (00 )page V ČR cca Kč na jednu objednávku Průměrné množství x zi i - té položky, které se nedostává za sledované období působí na celkové ztráty z nedostatku zásob N zi N = n si zi x zi n zi ztráty spojené s nedostatkem položky v Kč/jedn.,období
13 Řízení zásob vstup Zdroj: externí dodavatel vlastní výroba Způsob dodávek: po dávkách kontinuální Dodací lhůta: zanedbatelná konstantní náhodná Objednané množství: spojité nespojité Sklad výstup Poptávka: konstantní v čase proměnná v čase náhodná spojitá nespojitá
14 Řízení zásob Optimální velikost objednávky Na období potřebujeme S i = konst. jednotek i-té suroviny o ceně c i = konst. Q i spojitá proměnná Stanovit velikost objednávek Q i <= S i a dodací cykly tak, aby suma nákladů na udržování zásob N 1 a pořizovacích nákladů N byla minimální xi = Qi / Q i N t ci ( Qi + x N1 = nsiciqi / i = ciqi / i = Si Q N = nsisi / Qi i o / ) = N1 + N = noisi / Qi nsiciqi / i si Q i opt = Sin c n oi i opt N( Q ) = S n i si n oi c i t ci = ( S i / Q opt i ) = n Sn si ji c i
15 Řízení zásob Optimální velikost objednávky Na období potřebujeme S i = konst. jednotek i-té suroviny o ceně c i = konst. Q i nespojitá proměnná Q i = q, q, 3q Stanovit velikost objednávek Q i <= S i a dodací cykly tak, aby suma nákladů na udržování zásob N 1 a pořizovacích nákladů N byla minimální opt N( Q ) = Sn s n o c N( Q q) = n S /( Q q) + n c( Q q) / N( Q + q) = n S /( Q + q) + n c( Q q) / o s opt N( Q q) N( Q ) N( Q + q)) Sn j Q( Q q) Q( Q + q) cn s o s + q q 3q 4q 5q
16 Řízení zásob Optimální velikost objednávky Je-li termín vyřízení objednávky t vo >0, je nutné určit dolní objednací mez (signální stav zásob) x s. Jakmile dosáhne zásoba tuto hranici,, je třeba vystavit objednávku na dodávku stanovené velikosti Q. pro t vo < t c x s = st vo kde s = S/ pro t vo = t c V okamžiku příchodu objednávky objednat další pro t vo > t c x s je neceločíselný zbytek podílu s.t vo / Q Celá část podílu vyjadřuje kolik celých dodávek během t vo přijde a bude krýt poptávku Analýza citlivosti nákladů na změnu Q opt i Q i N( Q ) / N( 1 ) 1 opt Q i / Q i
17 Řízení zásob ve skladech Metody doplňování stavu zásob ve skladech Stav zásob Problém kdy objednat a kolik? Počáteční stav zásob Jaké pravidlo zvolit, jakou řídící veličinu použít? Dvě možnosti: Dosažený stav zásob Dosažený časový okamžik Čas
18 Řízení zásob ve skladech Metody doplňování stavu zásob ve skladech Základní požadavky na vstupní informace Charakteristiky poptávky po skladované položce: p náhodná poptávka za časový interval dt p odhad průměrné poptávky za časový interval dt s p odhad rozptylu poptávky f(p) odhad tvaru funkce hustoty pravděpodobnosti poptávky t p termín vyřízení objednávky dodavatelem Nákladové údaje: n j jednorázové náklady v Kč/1 objednávku n s náklady na udržování zásob v % průměrné zásoby v Kč n z ztráty z předčasného vyčerpání zásoby v Kč/jednotku nedodaného zboží x on line stav zásoby položky na skladě
19 Řízení zásob ve skladech Metody doplňování stavu zásob ve skladech Q systém Systémy s pevnou velikostí doplňovací objednávky a proměnným objednacím termínem Signální stav zásob - Dolní objednací mez x s Jakmile stav zásob x klesne pod x s, je třeba objednat Signální stav zásob musí pokrýt náhodné výkyvy v poptávce a spotřebu po dobu průměrného termínu pořízení objednávky
20 x Řízení zásob ve skladech Metody doplňování stavu zásob ve skladech Q systém t c Dodací cyklus Q x d 1.objednávka t p.objednávka t p.dodávka 1.dodávka Čas
21 Řízení zásob ve skladech Metody doplňování stavu zásob ve skladech Q systém Metody stanovení základních řídících veličin: A. Jednoduchý odhad: 1. Určíme velikost objednávky podle vztahu nebo jinou metodou. Určíme velikost pojistné zásoby podle vztahu 3. Určíme dolní objednací mez podle vztahu Q = S. n. n x p = σ p x s = x p + s. t p s c j
22 Řízení zásob ve skladech Metody doplňování stavu zásob ve skladech Q systém B. Přesná metoda, kriterium minimalizace nákladů a ztrát z předčasného vyčerpání zásoby: 1. Náklady na vystavování a příjem objednávek. Náklady na udržování běžné zásoby N N = 1 = x t c n j p. n s. c. 3. Náklady na udržování pojistné zásoby N 0,5. Q.. c. = Q = S. t c n s 4. Ztráty z předčasného vyčerpání zásoby N = 0,5. S. c. t c. n s N 3 = nz. f ( p) tc x = x + t. s s p p dp
23 Řízení zásob ve skladech Metody doplňování stavu zásob ve skladech Q systém B. Přesná metoda, kriterium minimalizace nákladů a ztrát z předčasného vyčerpání zásoby: N( t c, x p ) = t c n j + x p.. c. n s + 0,5. S. t c. c. n s + t c n z. x s f ( p) dp Řešení: ( t, x ) = c p argmin N( t ( t, c x p ) c, x p )
24 Řízení zásob ve skladech Metody doplňování stavu zásob ve skladech Q systém B. Přesná metoda, kriterium minimalizace nákladů a ztrát z předčasného vyčerpání zásoby: ( ).[ ] 0.., ) ( = + = p f s x z c s p p c n t n c x x t N ( ) ) ( 1... s p p z c n c t p x f n t + =
25 Řízení zásob ve skladech Metody doplňování stavu zásob ve skladech Q systém B. Přesná metoda, kriterium minimalizace nákladů a ztrát z předčasného vyčerpání zásoby: N( t c t, x c p ) = n ( ) = j S nsc n z f p dp t t c c x s 0 t [ 1 F ( x )] [ n + n ] j z c = S. c. n s s ()
26 Řízení zásob ve skladech Metody doplňování stavu zásob ve skladech Q systém Do () dosadíme za t c výraz (1), dostaneme výraz a iteračním postupem určíme velikost pojistné zásoby x p f ( x + p. t ) p p =. c. n s [ n + n [ 1 F ( x + p. t ) ] j z S. n z p p a z něho iteračním postupem určíme velikost pojistné zásoby x p dále t c dosazením za x p do vztahu (1) a poté Q = S.t c /
27 Řízení zásob ve skladech Metody doplňování stavu zásob ve skladech P systém Systémy s proměnnou velikostí doplňovací objednávky a pevným objednacím termínem Signální stav zásob - Horní objednací mez x h Objednává se v pevných termínech proměnlivé množství Q = x h - x Horní mez stavu zásob musí pokrýt náhodné výkyvy v poptávce a spotřebu po dobu průměrného termínu pořízení objednávky a průměrného dodacího cyklu x h = x p + p( t p + t c )
28 Řízení zásob ve skladech Metody doplňování stavu zásob ve skladech P systém x Q 1 Q Q 3 t p1 tc1 t p1 Interval nejistoty Čas
29 Řízení zásob ve skladech Metody doplňování stavu zásob ve skladech PQ systém Systémy s proměnnou velikostí doplňovací objednávky a proměnným objednacím termínem Dolní objednací mez x s - Horní objednací mez x h Objednává se v proměnných termínech proměnlivé množství Q = x h - x x h = x + p( t + t ) x = x + st. p p c s p p
30 Řízení zásob ve skladech Metody doplňování stavu zásob ve skladech PQ systém x x h Q 1 Q x d 1.objednávka.objednávka Čas
31 Řízení zásob ve skladech Metody doplňování stavu zásob ve skladech QP systém Systémy s pevnou velikostí doplňovací objednávky a pevným objednacím termínem Objednává se v pevných termínech konstantní množství Q
32 Řízení zásob ve skladech Metody doplňování stavu zásob ve skladech P systém x Q Q t p1 tc1 t p1 Čas
33 Řízení zásob ve skladech Metody doplňování stavu zásob ve skladech Ps systém Systémy s proměnnou velikostí doplňovací objednávky a pevným objednacím termínem Objednává se v pevných termínech množství rovné spotřebě od poslední objednávky
34 Řízení zásob ve skladech Metody doplňování stavu zásob ve skladech Ps systém x Q 1 Q Q 3 Čas
35 Distribuce Řízení zásob v distribučním řetězci Řízení zásob poptávkou Na každém stupni distribučního řetězce jsou vystavovány objednávky v okamžiku, kdy zásoba klesne pod objednací mez Velikost objednávky je většinou konstantní, někdy proměnná a optimální ve vazbě na distribuční náklady Předpoklady funkce: Všechny segmenty trhu jsou pro podnikatele rovnocenné Kapacity výrobní, přepravní skladovací jsou teoreticky neomezené Možnost pružných změn dodacích cyklů, velikosti dodávek
36 Distribuce Řízení zásob v distribučním řetězci Řízení zásob plánem DRP Na základě předpovědi poptávky je sestaven podrobný plán dodávek v celém distribučním řetězci Předpoklady funkce: Možnost detailní předpovědi poptávky na nejnižším distribučním stupni Možnost detailního sledování pohybu zboží na všech stupních distribučního řetězce
37 Distribuce Řízení zásob v distribučním řetězci Kombinované metody Změny vnějších podmínek vyžadují adekvátní reakci v řízení zásob Změna strategie v čase: Výroba a distribuce potravin Období sklizně Řízení plánem Mimosezonní období Řízení poptávkou Změna strategie v prostoru: Nákup: Řízení plánem Dodávky výrobků: Řízení poptávkou
38 Distribuce Řízení zásob v distribučním řetězci Kombinované metody Změny vnějších podmínek vyžadují adekvátní reakci v řízení zásob Změny podle segmentu trhu: A B C Řízení plánem Kombinované řízení Řízení poptávkou
39 Předpovědi poptávky Předpověď je jako sex ve společnosti: potřebujeme to, nemůžeme se bez toho obejít, každý to tím, nebo jiným způsobem dělá, ale nikdo si není jist, že správným způsobem Plossel Předpověď poptávky je systematický postup vedoucí k odhadu velikosti poptávky na zvolené období opírající se o intuitivní, metodické, matematické a statistické metody. Budoucnost nelze předpovědět, budoucnost je třeba vytvořit! Nejlepším zdrojem budoucnosti je minulost! (Byron)
40 Předpovědi poptávky Vše, co podnikatel uskutečňuje je založeno na jeho odhadu - předpovědi - budoucího vývoje! Dobrá předpověď= kombinace intuice zkušenosti analýzy minulosti
41 Předpovědi poptávky Poptávka s trendem trend Dos avadní vývoj prodeje P alkydu Základní typy časových řad Basic groups of the time series Stagnující poptávka Stagnation Vývoj prodeje Melformu XL Sezónní poptávka Seasonality Spotřeba zemního plynu tun tun m il. m m ě síc mě síc mě síc tis.tu n Cyklická poptávka Periodicity Prodej stavebních hmot ro k ks Sporadická poptávka Intermittend demand Spotřeba náhadního dílu měsíc Ústav ekonomiky a řízení chemického a potravinářského průmyslu VŠCH Praha
42 Předpovědi poptávky 1. Grafické metody Graphical methods Ηodnoty jsou zobrazeny v přehledné, srozumitelné formě Data representation in the transparent and comprehensible form Na malém prostoru lze znázornit velké množství údajů On the small space is possible to draw lagre amount of date Do sava dní vývoj prodej Recent consumption development yp grafu graph type Bodové nebo spojnicové grafy! Point or line graphs Do sava dní vývoj pro de je Re ce nt consumption developme nt Přímo z grafu lze odhadnout trend vývoje Directly from the graph is possible to estimate a development trend Z grafu jsou zřejmé anomálie ve vývoji Directly from the graph is possible to see trend anomalies V grafu je možno srovnávat vývoj více veličin vedle sebe On the graphs is possible directly compare the development of more time series Jednotek Units Mě s íc Monthh Me lform P alkyd Plyn Jednotek Units NE! No! Mě s íc Month Melform P alkyd Plyn Ústav ekonomiky a řízení chemického a potravinářského průmyslu VŠCH Praha
43 Předpovědi poptávky 1. Metoda klouzavých průměrů S i Τ Východiskem je časová řada dosavadního vývoje poptávky... S +1 P+,+1 P +1, Často je nahrazována řadou prodejů! Předpověď uskutečněná v tém období na , Nechť je skutečnost v +1. období S +1. Předpověď na další +. období bude rovna P P Τ Τ+1 Τ+ + 1, +, S S + S i= 0 i = = P 1 S S i= i + 1 = = S 1 + S S 1, + 1 P + 1, = ( S + 1 S 1 ) t Ústav ekonomiky a řízení chemického a potravinářského průmyslu VŠCH Praha
44 Předpovědi poptávky 1. Metoda klouzavých průměrů exponenciální vyrovnání Μetodika: Vyrovnáme nejdříve řadu známých hodnot S 1 S S : Odhad na.období P,1 = ( 1 α) S1 + αs1 = S1 P 3, = ( 1 α ) P,1 + αs = (1 α) S1 + αs P ( 1 ) 4,3 = α P 3, + αs3 = αs3 + (1 α )((1 α ) S1 + αs Odhad na 3.období Odhad na 4.období = αs První předpověď na +1.období bude rovna P P + 1, = (1 ) P, 1 α + αs 3 + α 1 α ) S + (1 α ) ( S 1 + 1, = αs + α( 1 α) S 1 + α(1 α) S...(1 α) S1 1 )
45 Předpovědi poptávky 1. Metoda klouzavých průměrů exponenciální vyrovnání Vzhledem k tomu, že se α pohybuje v intervalu (0, 1) je zřejmé, že při tomto postupu dáváme při odhadu největší váhu historicky nejmladším hodnotám a nejmenší váhu hodnotám nejstarším. Koeficienty při hodnotách S i splňují požadavek na váhy- jejich suma je rovna jedné, jak se můžeme přesvědčit např. na našem příkladě řady 3 historických hodnot: α + α(1 α) + (1 α) = α + α α + 1 α + α U řad vykazující trend klasické metody klouzavých úhrnů zaostávají předpovědi za trendem = 1. Metoda klouzavých průměrů exponenciální vyrovnání úprava pro řady s trendem Jako další kriterium je používána diference mezi po sobě jdoucími obdobími d = S S 1 a časovou řadu vyrovnáváme včetně diferencí podle vztahů kde β je opet koeficient volený v intervalu (0, 1) první diference bude S -S 1 a první předpověď na +1. období bude rovna P d + 1, = ( 1 α )( P, 1 + d 1) + αs = 1 ( 1 β ) d + β ( P + 1, P, 1) P + 1, = P, 1 + d 1
46 Předpovědi poptávky. Metoda klouzavých průměrů exponenciální vyrovnání úprava pro řady s trendem Μetodika: Vyrovnáme nejdříve řadu známých hodnot S 1 S S od 3. období Odhad pro.období P,1 = S První diference bude d1 = S - S 1 Odhad pro 3. období P d 3, = ( 1 α )( P,1 + d 1) + αs 3 = ( 1 β ) d + β ( P 3, P, 1) 1 atd.
47 Předpovědi poptávky 3. Regresní analýza Vyrovnání časové řady vhodně volenou křivkou metodou nejmenších čtverců ( a, b ) i = arg min a, b t = i 1 ( S t P t ) Používané křivky: P = a + b t + b t nejčastěji 1 P = 1 a + b t P = a + b1t + t P = a. b b t bt P = a. e b t k k Polynom t-tého stupně přímka kvadratická funkce exponenciální funkce Pro výpočty lze využít nástrojů Excelu: LINREND,LINREGRESE, LOGLINREGRESE
48 Předpovědi poptávky 3. Regresní analýza Vhodnost použitých křivek je třeba otestovat, kriteria výběru: Korelační index: Protože testujeme stejnou řadu hodnot stačí jako kriterium jen čitatel zlomku: s I i= 1 = 1 1 i= 1 ( S i ( S i P ) i S) S, t = ( Si Pi ) i= 1 P vyrovnané hodnoty S skutečné hodnoty délka časové řady Vzhledem k tomu, že s rostoucím počtem stupňů volnosti automaticky roste i hodnota těchto ukazatelů bez ohledu na to, zda jde opravdu o vhodnější křivku, doporučují se jiné míry. Schwarzovo kriterium SIC = k 1 i= 1 ( S i P ) i Akaikovo kriterium AIC = k exp 1 i= 1 ( S i P ) i
49 Předpovědi poptávky Ιlustrace Dosavadní vývoj prodeje Vyrovnání řady prodeje P alkydu 35 35, ,00 5 5,00 tun I II III IV V VI VII VIII IX X XI XII měsíc tun 0,00 15,00 10,00 5,00 0,00 II III IV V VI VII VIII IX X XI XII měsíc P alkyd PE R45 P skut. P a = 0, P a = 0,5 P Holt přímka
50 Předpovědi poptávky Ιlustrace 6,81 0,95 7,0 1,19,75 1,3 1, XII 5,48-0,4 4,9 1,38 5,50 1,9 1, XI 4,16 1,47 7,10 10,75 4,00 11,86 0, X,83 1,51 5,68 11,51,01 1,3 19, IX 1,50 1,39 3,98 13,0,0 1,90 18,4 10 VIII 0,17,18 3,78 13,03 1,03 1,88 17, VII 18,84,49,07 14,06 17,06 13,10 15, VI 17,51 1,31 17,8 13,13 16,13 1,6 14, V 16,18 1,4 16,40 1,5 1,5 1,8 13, IV 14,85-0,0 13,00 13,50 14,50 1,60 14, III 13,53 1, , , II 1 14 I d P PE R45 P alkyd PE R45 P alkyd PE R45 P alkyd P alkyd 0,5 0, Skutecná poptávka Mesíc prímkou 0,4 0,5 Exponenciální vyrovnání Vyrovnání Holtova metoda 1,5 = (1-0,5)* *11 3,78 = (1-0,5)* *( )+0.5*3 1,47 = (1-0,4)* *( ) Výpočet pomocí funkce LINREND (Excel)
51 Předpovědi poptávky Ιlustrace PE R45 Vyrovnání PE tun 16,00 14,00 1,00 10,00 8,00 6,00 4,00,00 0,00 II III IV V VI VII VIII IX X XI XII měsíc PE skut PE a=0, PE a=0,5 PE primka
52 Předpovědi poptávky Ιlustrace Mesíc Skutecná poptávka PE skut Exponenciální vyrovnání PE α=0, PE α=0,5 Vyrovnání prímkou PE primka Výpočet pomocí funkce LINREND (Excel) II III 15,00 11,00 1,00 1,60 1,00 13,50 13,73 13,47 13,13 = (1-0,5)* *14 IV 14,00 1,8 1,5 13, V 15,00 1,6 13,13 1,96 VI 1,00 13,10 14,06 1,71 VII 13,00 1,88 13,03 1,45 VIII 10,00 1,90 13,0 1,0 IX 10,00 1,3 11,51 11,95 X 14,00 11,86 10,75 11,69 XI 1,00 1,9 1,38 11,44 XII 11,00 1,3 1,19 11,18
53 Předpovědi poptávky Metody. Metoda klouzavých průměrů exponenciální vyrovnání úprava pro řady se sezónními výkyvy Problém volby délky s časové řady historických hodnot:! řada hodnot musí být alespoň tak dlouhá, aby zachytila sezónnost! Řad může být více Příklady: Spotřeba zemního plynu kolísá během roku délka časové řady alespoň s =1 měsíců Spotřeba pohonných hmot v krátkodobém časovém horizontu kolísá během týdne délka časové řady alespoň s = 7 dnů Spotřeba elektřiny výrazně kolísá během dne délka časové řady alespoň s = 4 hodin
54 Předpovědi poptávky Metody. Μetody klouzavých průměrů úprava pro řady se sezónními výkyvy Navíc jsou používány ještě sezónní indexy I = S s S i = 1 i kde s je délka sezónní řady s a časovou řadu vyrovnáváme včetně diferencí a indexů podle vztahů P d S ( P d α I + 1, = 1 α)(, 1 + 1) + I = s ( 1 β ) d + β ( P + 1, P, 1) S + 1 = γ + ( 1 γ ) I + 1 s P + 1, (1) () (3) kde γ je opet koeficient volený v intervalu (0, 1)
55 Předpovědi poptávky Metody. Μetody klouzavých průměrů úprava pro řady se sezónními výkyvy Předpověď na dalších např. k-té období dostaneme podle vztahu P + i ( P 1, + = id ) I 1 + i s pro i= k (4) Metodika: Vypočteme sezónní indexy v každé sezónní řadě a pro každé období vypočteme jejich průměr Odhadneme první diferenci jako rozdíl průměrných spotřeb posledních dvou sezón dělený délkou sezóny Odhadneme vyrovnaný centrovaný klouzavý průměr pro poslední období poslední sezóny jako průměr poslední sezóny plus násobek odhadnuté průměrné diference Vypočteme vyrovnané klouzavé průměry podle vztahů (1) () a (3) Podle vztahu (4) vypočteme předpověď pro další sezónu
56 Předpovědi poptávky Ilustrace Prodej Melformu X tun I II III IV V VI VII VIII IX X XI XII měsíc
57 Předpovědi poptávky.33 = 0,78*(9,09-0,46) 0, 41 = (8,9-4) / 1-0,71=0,3*(5,36-7,78)+(1-0,3)*(-0,46) Mesíc I II III IV V VI VII VIII IX X XI XII suma prum. Skutecná poptávka Melform X0 rok ,9 Výpocet sezónních indexu 7,78 = 0,5*(1 / 0,78) + 0,5*(9,09-0,46) 001 1,50 1,17 0,83 0,75 0,75 0,9 1,5 1,33 1,08 1,13 0,83 0,46 1, ,80 0,97 0,73 0,5 0,69 0,90 1,45 1,07 0,76 1,56 0,97 0,59 1, ,17 = 8,9 + 5,5*0.41 Vyrovnání Holt-Winters prumerný v mesíci 1,65 1,07 0,78 0,63 0,7 0,91 1,35 1,0 0,9 1,34 0,90 0,5 I 1,00 1 centrovaný klouzavý prumer pro 1/00 31,17 31,56 9,09 7,78 5,36 5,94 6,95 8,93 7,59 5,69 9,3 30,53 31,9 340,64 8,39 vyrovnání 00 α β 0,5 0,3 P d 0,41 5,08 0,40 34,11-0,46,33-0,71 17,17-1,3 17,39-0,68,93-0,18 36,17 0,47 35,35-0,07 5,37-0,6 33,60 0,65 7,00 0,8 16,40 0,99 339,91-0,61 8,33 γ 0, I 1,65 1,05 0,77 0,63 0,73 0,9 1,37 1,19 0,91 1,38 0,90 0,5 1,0 predpoved spotreby Melform X0 1,8 = (5,36-1,3*4)*0,63 5,70 9,49 19,88 1,80 16,46 3,80 44,18 3,05 18,7 49,47 35,77 3,0 357, ,00 9,8 0,5 = 0,*(17 / 31.9) + (1-0,)*0,5 k
58 Předpovědi poptávky Metody Vyrovnání a předpověď na tun I II III IV V VI VII VIII IX X XI XII měsíc Mel skut. Mel vyr. předp.03
59 Předpovědi poptávky Metody Regresní analýza, vyrovnání přímkou P = ( 0,159. t + 4,46). I t 4,6 = ,159*1 (první měsíc) 1,13 = 8 / 4.6 1,71 = ( )/ 48,68 = ( ,159*5)*1.71 Indexy Indexy Por.císlo Indexy Predpoved Mesíc Spotreba Vyrovnání 001 Spotreba Vyrovnání 00 mesíce prumerné prodeje 001 prímkou v mesíci 00 prímkou v mesíci rok 003 v mesíci 003 I 36 4,6 1,46 5 6,54 1,96 5 1,71 48,68 II 8 4,78 1,13 8 6,70 1,05 6 1,09 31,17 III 0 4,94 0,80 1 6,86 0,78 7 0,79,78 IV 18 5,10 0,7 15 7,0 0,56 8 0,64 18,40 V 18 5,6 0,71 0 7,18 0,74 9 0,7 1,07 VI 5,4 0,87 6 7,34 0, ,91 6,57 VII 30 5,58 1,17 4 7,50 1, ,35 39,71 VIII 3 5,74 1,4 31 7,66 1,1 3 1,18 34,95 IX 6 5,90 1,00 7,81 0, ,90 6,68 X 7 6,06 1, ,97 1, ,3 39,5 XI 0 6, 0,76 8 8,13 1, ,88 6,41 XII 11 6,38 0,4 17 8,9 0, ,51 15,37
60 Předpovědi poptávky Metody Srovnání předpovědních metod 80,00 60,00 tun 40,00 0,00 0,00 I II III IV V VI VII VIII IX X XI XII měsíc Regrese Holt Regrese 1
Teorie zásob. Kvantifikace zásob. V zásobách je vázáno v průměru 20 % kapitálu (u výrobních podniků) až 50 % kapitálu (u obchodních podniků).
Teorie zásob Souhrn matematických metod používaných k modelování a optimalizaci procesů hromadění různých položek k zabezpečení plynulého chodu zásobovaných složek. Kvantifikace zásob V zásobách je vázáno
VíceMODELY ŘÍZENÍ ZÁSOB nákladově orientované modely poptávka pořizovací lhůta dodávky předstih objednávky deterministické stochastické
MODELY ŘÍZENÍ ZÁSOB Význam zásob spočívá především v tom, že - vyrovnávají časový nebo prostorový nesoulad mezi výrobou a spotřebou - zajišťují plynulou výrobu nebo plynulé dodávky zboží i při nepředvídaných
VíceEKONOMIKA PODNIKU PŘEDNÁŠKA č.2
MATERIÁL 5.1. CHARAKTERISTIKA EKONOMIKA PODNIKU PŘEDNÁŠKA č.2 Ing. Jan TICHÝ, Ph.D. jan.tich@seznam.cz Materiál: a) základní materiál b) pomocný materiál c) provozní hmoty d) obaly ad a) zpracovává se
VíceDefinice logistiky Evropská logistická asociace - ELA:
Definice logistiky Evropská logistická asociace - ELA: Organizace, plánování, řízení a výkon toků zboží, vývojem a nákupem počínaje, výrobou a distribucí podle objednávky finálního zákazníka konče tak,
Více4EK311 Operační výzkum. 7. Modely řízení zásob
4EK311 Operační výzkum 7. Modely řízení zásob 7. Charakter poptávky Poptávka Deterministická Stochastická Deterministické modely zásob Stochastické modely zásob Mgr. Sekničková Jana, Ph.D. 2 7.4 Stochastický
VíceÚvod Modely zásob Shrnutí. Teorie zásob. Kristýna Slabá. 9. ledna 2009
Teorie zásob Kristýna Slabá 9. ledna 2009 Obsah 1 Úvod Teorie Klasifikace zásob 2 Modely zásob Teorie Klasifikace modelů zásob Model zásob s okamžitou dodávkou Příklad Model zásob s postupnou dodávkou
VíceLogistika. Souhrnné analýzy. Radek Havlík tel.: URL: listopad 2012 CO ZA KOLIK PROČ KDE
Logistika Souhrnné analýzy listopad 2012 KDE PROČ KDY CO ZA KOLIK JAK KDO Radek Havlík tel.: 48 535 3366 e-mail: radek.havlik@tul.cz URL: http:\\www.kvs.tul.cz Paretova, ABC a XYZ analýzy Obsah Paretova
VíceForecasting, demand planning a řízení zásob: Skrytý potenciál. Tomáš Hladík Logio
Forecasting, demand planning a řízení zásob: Skrytý potenciál Tomáš Hladík Logio 14.3.2012 Obsah Cíl správného řízení zásob Proč segmentovat portfolio? Dobrý forecasting je základ Jak na pomaluobrátkové
Více4EK201 Matematické modelování. 7. Modely zásob
4EK201 Matematické modelování 7. Modely zásob 7. Zásobovací procesy poptávka objednávka Firma Prodejna výdej Firemní sklad dodávka Dodavatel Velkosklad Mgr. Sekničková Jana, Ph.D. 2 7. Charakter poptávky
VícePoužívané modely v řízení zásob
Mendelova univerzita v Brně Provozně ekonomická fakulta Používané modely v řízení zásob Semestrální práce David Bezděkovský, xbezdek1 Brno 2016 Klíčová slova: logistika, řízení zásob, modely Úvod a cíl
VíceVysoká škola technická a ekonomická v Českých Budějovicích. Institute of Technology And Business In České Budějovice
OPERAČNÍ VÝZKUM 11. TEORIE ZÁSOB Vysoká škola technická a ekonomická v Českých Budějovicích Institute of Technology And Business In České Budějovice Tento učební materiál vznikl v rámci projektu "Integrace
Více4. Aplikace matematiky v ekonomii
4. Aplikace matematiky v ekonomii 1 Lineární algebra Soustavy 1) Na základě statistických údajů se zjistilo, že závislost množství statku z poptávaného v průběhu jednoho týdne lze popsat vztahem q d =
VíceSTATISTIKA I Metodický list č. 1 Název tématického celku:
STATISTIKA I Metodický list č. 1 Analýza závislostí Základním cílem tohoto tématického celku je seznámit se s pokročilejšími metodami zpracování statistických údajů.. 1. kontingenční tabulky 2. regresní
VíceTeorie zásob Logistika a mezinárodní obchod
Teorie zásob Logistika a mezinárodní obchod 1 ZÁSOBY JSOU IDENTIFIKÁTOREM NESCHOPNOSTI MANAGEMENTU FIRMU ŘÍDIT 2 Řízení zásob. www2.humusoft.cz/www/akce/witkonf07/.../gros_rizeni_zasob.pdf Teorie zásob
VíceAnalýza časových řad. John Watters: Jak se stát milionářem.
5.2 Analýza časových řad Nechal jsem si udělat prognózu růstu své firmy od třech nezávislých odborníků. Jejich analýzy se shodovaly snad pouze v jediném - nekřesťanské ceně, kterou jsem za ně zaplatil.
VíceVstup a úkoly pro 4. kapitolu LOGISTIKA V ZÁSOBOVÁNÍ. MODELY ZÁSOB. Smysl zásob
Vstup a úkoly pro 4. kapitolu LOGISTIKA V ZÁSOBOVÁNÍ. MODELY ZÁSOB. Smysl zásob Smyslem zásob je zajistit bezporuchový a plynulý výdej skladovaných položek do spotřeby. Jejich výše je ovlivněna požadavkem
VíceMĚŘENÍ STATISTICKÝCH ZÁVISLOSTÍ
MĚŘENÍ STATISTICKÝCH ZÁVISLOSTÍ v praxi u jednoho prvku souboru se často zkoumá více veličin, které mohou na sobě různě záviset jednorozměrný výběrový soubor VSS X vícerozměrným výběrovým souborem VSS
VíceMěření závislosti statistických dat
5.1 Měření závislosti statistických dat Každý pořádný astronom je schopen vám předpovědět, kde se bude nacházet daná hvězda půl hodiny před půlnocí. Ne každý je však téhož schopen předpovědět v případě
VíceRole logistiky v ekonomice státu a podniku 1
Obsah KAPITOLA 1 Role logistiky v ekonomice státu a podniku 1 Úvod 2 Definice logistického řízení 2 Vývoj logistiky 5 Systémový přístup/integrace 8 Role logistiky v ekonomice 10 Role logistiky v podniku
VíceTomáš Karel LS 2012/2013
Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chb v této presentaci mě prosím upozorněte. Děkuji. Tto slid berte pouze jako doplňkový materiál není v nich
VíceČasové řady, typy trendových funkcí a odhady trendů
Statistika II Katedra ekonometrie FVL UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz Stochastický proces Posloupnost náhodných veličin {Y t, t = 0, ±1, ±2 } se nazývá stochastický proces
VíceČasové řady, typy trendových funkcí a odhady trendů
Časové řady, typy trendových funkcí a odhady trendů Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel 973 442029 email:jirineubauer@unobcz Jiří Neubauer (Katedra ekonometrie UO Brno) Časové
VíceYou created this PDF from an application that is not licensed to print to novapdf printer (http://www.novapdf.com)
Závislost náhodných veličin Úvod Předchozí přednášky: - statistické charakteristiky jednoho výběrového nebo základního souboru - vztahy mezi výběrovým a základním souborem - vztahy statistických charakteristik
VíceStatické modely zásob Nazývají se také modely s jedním cyklem. Pořízení potřebných zásob se realizuje jedinou dodávkou.
Statiké modely zásob Nazývají se také modely s jedním yklem. Pořízení potřebnýh zásob se realizuje jedinou dodávkou. Náklady na pořízení zásob jsou finí a nemohou ovlivňovat rozhodovaí strategii. Statiký
VíceStatistika (KMI/PSTAT)
Statistika (KMI/PSTAT) Cvičení dvanácté aneb Regrese a korelace Statistika (KMI/PSTAT) 1 / 18 V souboru 25 jedinců jsme měřili jejich výšku a hmotnost. Výsledky jsou v tabulce a grafu. Statistika (KMI/PSTAT)
VíceSimulační modely. Kdy použít simulaci?
Simulační modely Simulace z lat. Simulare (napodobení). Princip simulace spočívá v sestavení modelu reálného systému a provádění opakovaných experimentů s tímto modelem. Simulaci je nutno považovat za
VíceManažerská ekonomika přednáška OPTIMALIZACE ZÁSOB, MODERNÍ PŘÍSTUPY K ŘÍZENÍ ZÁSOB, STRATEGIE NÁKUPU 1. OPTIMALIZACE ZÁSOB
Manažerská ekonomika přednáška OPTIMALIZACE ZÁSOB, MODERNÍ PŘÍSTUPY K ŘÍZENÍ ZÁSOB, STRATEGIE NÁKUPU 1. OPTIMALIZACE ZÁSOB Jaký je základní přístup k řízení zásob? Je to tzv. optimalizační přístup, který
Více1. Číselné posloupnosti - Definice posloupnosti, základní vlastnosti, operace s posloupnostmi, limita posloupnosti, vlastnosti limit posloupností,
KMA/SZZS1 Matematika 1. Číselné posloupnosti - Definice posloupnosti, základní vlastnosti, operace s posloupnostmi, limita posloupnosti, vlastnosti limit posloupností, operace s limitami. 2. Limita funkce
VíceInovace bakalářského studijního oboru Aplikovaná chemie
http://aplchem.upol.cz CZ.1.07/2.2.00/15.0247 Tento projekt je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky. Regrese Závislostproměnných funkční y= f(x) regresní y= f(x)
VíceOběžný majetek. Peníze Materiál Nedokončená výroba Hotové výrobky Pohledávky Peníze. Plánování a normování materiálových zásob.
Součástí oběžného majetku jsou: zásoby oběžný finanční majetek pohledávky Oběžný majetek Charakteristickým rysem oběžného majetku je jednorázová spotřeba, v procesu výroby mění svoji formu. Tato změna
VíceVI. přednáška Řízení zásob II.
VI. přednáška Řízení zásob II. 1. Řízení zásob 2.1. Podstata, úkoly a nástroje řízení zásob Úkolem řízení zásob je jejich udržování na úrovni, která umožňuje kvalitní splnění jejich funkce: vyrovnávat
VíceSystémy plánování a řízení výroby AROP III
Tento materiál vznikl jako součást projektu, který je spolufinancován Evropským sociálním fondem a státním rozpočtem ČR. Systémy plánování a řízení výroby AROP III Technická univerzita v Liberci Výrobní
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie ZS 2015/16 Cvičení 7: Časově řady, autokorelace LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 1. Časové řady Data: HDP.wf1
VíceMetodický list č. 1 FUNKCE, ZISK A VZTAHY MEZI ZÁKLADNÍMI EKONOMICKÝMI VELIČINAMI PODNIKU
Metodické listy pro kombinované studium předmětu MANAŽERSKÁ EKONOMIKA Přednášející: Ing. Jana Kotěšovcová Metodický list č. 1 Název tematického celku: ZALOŽENÍ PODNIKU, VÝNOSY, NÁKLADY, NÁKLADOVÉ FUNKCE,
VíceLogistika v zásobování. Modely zásob.
Logistika v zásobovz sobování. Modely zásob. z. Logistika v zásobovz sobování. Zásoby především tvoří suroviny, rozpracovaný materiál a polotovary. Za zásoby dále považujeme rozpracované výrobky, které
Více1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004.
Prostá regresní a korelační analýza 1 1 Tyto materiály byly vytvořeny za pomoci grantu FRVŠ číslo 1145/2004. Problematika závislosti V podstatě lze rozlišovat mezi závislostí nepodstatnou, čili náhodnou
Více10. cvičení z PST. 5. prosince T = (n 1) S2 X. (n 1) s2 x σ 2 q χ 2 (n 1) (1 α 2 ). q χ 2 (n 1) 2. 2 x. (n 1) s. x = 1 6. x i = 457.
0 cvičení z PST 5 prosince 208 0 (intervalový odhad pro rozptyl) Soubor (70, 84, 89, 70, 74, 70) je náhodným výběrem z normálního rozdělení N(µ, σ 2 ) Určete oboustranný symetrický 95% interval spolehlivosti
VíceKGG/STG Statistika pro geografy. Mgr. David Fiedor 4. května 2015
KGG/STG Statistika pro geografy 11. Analýza časových řad Mgr. David Fiedor 4. května 2015 Motivace Úvod chceme získat představu o charakteru procesu, která časová řada reprezentuje Jaké jevy lze znázornit
VíceRegresní analýza. Eva Jarošová
Regresní analýza Eva Jarošová 1 Obsah 1. Regresní přímka 2. Možnosti zlepšení modelu 3. Testy v regresním modelu 4. Regresní diagnostika 5. Speciální využití Lineární model 2 1. Regresní přímka 3 nosnost
VíceZásobovací činnost podniku
Zásobovací činnost podniku Didaktické zpracování učiva pro střední školy Činnost obchodního úseku Obchodní úsek Logistika (zásobování) Marketing (odbyt) plánování nákup skladování Osnova učiva 1. Zařazení
VíceObsah. Nákup jako základní podniková funkce 3. Řízení podnikové funkce nákupu 13. Zákon krajností v souvislosti s časem 11
Obsah Kapitola 1 Nákup jako základní podniková funkce 3 1.1 Základní podnikové funkce a jejich vazby 4 1.2 Charakteristika podnikové funkce nákupu 6 1.3 Objekty a formy nákupu 8 Shrnutí 10 Otázky a náměty
VícePřednáška č.7 Ing. Sylvie Riederová
Přednáška č.7 Ing. Sylvie Riederová 1. Aplikace klasifikace nákladů na změnu objemu výroby 2. Modelování nákladů Podstata modelování nákladů Nákladové funkce Stanovení parametrů nákladových funkcí Klasifikační
VíceVÝVOJ INDEXŮ SPOTŘEBITELSKÝCH CEN
ČESKÁ ZEMĚDĚLSKÁ UNIVERZITA V PRAZE Fakulta provozně ekonomická Katedra statistiky Studijní obor: Veřejná správa a regionální rozvoj Teze k diplomové práci VÝVOJ INDEXŮ SPOTŘEBITELSKÝCH CEN Vypracovala:
VíceRychlost a doba obratu zásob, optimální výše dodávky, celkové náklady na skladování
Rychlost a doba obratu zásob, optimální výše dodávky, celkové náklady na skladování Příklad 1: Celková zásoba, rychlost a doba obratu zásob Firma ročně spotřebuje 25 tis. ks polotovarů. Velikost jedné
VícePareto analýza. Průmyslové inženýrství. EduCom. Jan Vavruška Technická univerzita v Liberci
Tento materiál vznikl jako součást projektu, který je spolufinancován Evropským sociálním fondem a státním rozpočtem ČR. Pareto analýza Technická univerzita v Liberci Průmyslové inženýrství Technická univerzita
Více4.1 Metoda horizontální a vertikální finanční analýzy
4. Extenzívní ukazatelé finanční analýzy 4.1 Metoda horizontální a vertikální finanční analýzy 4.1.1 Horizontální analýza (analýza vývojových trendů -AVT) AVT = časové změny ukazatelů (nejen absolutních)
VíceOBSAH. Seznam zkratek... XIII Seznam zkratek některých použitých právních předpisů...xiv Úvod... XV
OBSAH Seznam zkratek.... XIII Seznam zkratek některých použitých právních předpisů...xiv Úvod... XV 1 Účetnictví... 1 1.1 Účetnictví jako informační systém.... 2 1.2 Vývoj účetnictví... 2 1.3 Přístupy
VíceCvičení 9 dekompozice časových řad a ARMA procesy
Cvičení 9 dekompozice časových řad a ARMA procesy Příklad 1: Dekompozice časové řady Soubor 18AEK-cv09.xls obsahuje dvě časové řady (X a Y) se 72 pozorováními. Použijte časovou řadu Y. a) Pokuste se na
VíceŘÍZENÍ MATERIÁLOVÝCH TOKŮ V LOGISTICKÉM ŘETĚZCI
ŘÍZENÍ MATERIÁLOVÝCH TOKŮ V LOGISTICKÉM ŘETĚZCI - maximalizace zisku zvýšení tržeb, snížení nákladů - logistický řetězec - veškeré subjekty, které se podílejí na vytváření hodnoty (výroby, dodavatelé,
VíceRegresní a korelační analýza
Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).
VíceMANŽERSKÁ EKONOMIKA. O autorech Úvod... 13
SYNEK Miloslav a kolektiv MANŽERSKÁ EKONOMIKA Obsah O autorech... 11 Úvod... 13 1. Založení podniku... 19 1.1 Úvod... 20 1.2 Činnosti související se založením podniku... 22 1.3 Volba právní formy podniku...
VíceUniverzita Pardubice. Fakulta chemicko-technologická Katedra analytické chemie. Licenční studium Statistické zpracování dat
Univerzita Pardubice Fakulta chemicko-technologická Katedra analytické chemie Licenční studium Statistické zpracování dat Semestrální práce Interpolace, aproximace a spline 2007 Jindřich Freisleben Obsah
VíceStatistika. Regresní a korelační analýza Úvod do problému. Roman Biskup
Statistika Regresní a korelační analýza Úvod do problému Roman Biskup Jihočeská univerzita v Českých Budějovicích Ekonomická fakulta (Zemědělská fakulta) Katedra aplikované matematiky a informatiky 2008/2009
VíceRegresní a korelační analýza
Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).
VíceFINANČNÍ A SPRÁVNÍ. Metodický list č. 1. Název tématického celku: Vymezení problematiky oceňování podniku. Analýza makroprostředí a odvětví
Metodický list č. 1 Vymezení problematiky oceňování podniku. Analýza makroprostředí a odvětví Studenti by měli pochopit pojem oceňování podniku, jeho účel, kdo oceňování provádí, rozlišit pojmy cena a
VíceParametry hledáme tak, aby součet čtverců odchylek byl minimální. Řešením podle teorie je =
Příklad 1 Metodou nejmenších čtverců nalezněte odhad lineární regresní funkce popisující závislost mezi výnosy pšenice a množstvím použitého hnojiva na základě hodnot výběrového souboru uvedeného v tabulce.
VíceTomáš Karel LS 2012/2013
Tomáš Karel LS 2012/2013 Doplňkový materiál ke cvičení z předmětu 4ST201. Na případné faktické chyby v této presentaci mě prosím upozorněte. Děkuji. Tyto slidy berte pouze jako doplňkový materiál není
VíceCíl: seznámení s pojetím peněz v ekonomické teorii a s fungováním trhu peněz. Peníze jako prostředek směny, zúčtovací jednotka a uchovatel hodnoty.
Vysoká škola finanční a správní, o. p. s. Akademický rok 2006/07, letní semestr Kombinované studium Předmět: Makroekonomie (Bc.) Metodický list č. 3 7) Peníze a trh peněz. 8) Otevřená ekonomika 7) Peníze
Více2011 (datový soubor life expectancy CR.txt). Budeme predikovat vývoj očekávané doby dožití pomocí
Příklady užití časových řad k predikci rizikových jevů 1 Očekávaná doba dožití v ČR Máme k dispozici časovou řadu udávající očekávanou dobu dožití v České republice od roku 1960 do roku 2011 (datový soubor
VíceManažerská ekonomika přednáška Výroba Co rozumíme výrobou? V nejširším pojetí se výrobou rozumí každé spojení výrobních
Manažerská ekonomika přednáška Výroba Co rozumíme výrobou? V nejširším pojetí se výrobou rozumí každé spojení výrobních faktorů (práce, kapitálu, půdy) za účelem získání určitých výrobků (výrobků a služeb
VíceMikroekonomie Nabídka, poptávka
Téma cvičení č. 2: Mikroekonomie Nabídka, poptávka Ing. Jaroslav ŠETEK, Ph.D. Katedra ekonomiky, JČU Podstatné z minulého cvičení Matematický pojmový aparát v Mikroekonomii Důležité minulé cvičení kontrolní
VíceObsah podle jednotlivých kapitol
podle jednotlivých kapitol Předmluva 1 CÍL PUBLIKACE 1 PRÁCE S PUBLIKACÍ 2 1 Mezinárodní harmonizace účetnictví a účetního výkaznictví 3 1.1 MEZINÁRODNÍ HARMONIZACE ÚČETNICTVÍ 3 1.2 MEZINÁRODNÍ STANDARDY
Více5 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza
5 Vícerozměrná data - kontingenční tabulky, testy nezávislosti, regresní analýza 5.1 Vícerozměrná data a vícerozměrná rozdělení Při zpracování vícerozměrných dat se hledají souvislosti mezi dvěma, případně
VíceRegresní a korelační analýza
Přednáška STATISTIKA II - EKONOMETRIE Katedra ekonometrie FEM UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Regresní analýza Cíl regresní analýzy: stanovení formy (trendu, tvaru, průběhu)
VíceNormální (Gaussovo) rozdělení
Normální (Gaussovo) rozdělení Normální (Gaussovo) rozdělení popisuje vlastnosti náhodné spojité veličiny, která vzniká složením různých náhodných vlivů, které jsou navzájem nezávislé, kterých je velký
Více4EK211 Základy ekonometrie
4EK Základy ekonometrie Odhad klasického lineárního regresního modelu II Cvičení 3 Zuzana Dlouhá Klasický lineární regresní model - zadání příkladu Soubor: CV3_PR.xls Data: y = maloobchodní obrat potřeb
VíceŘÍZENÍ ZÁSOB POMOCÍ STATISTICKÝCH METOD INVENTORY MANAGEMENT USING STATISTICAL METHODS
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA PODNIKATELSKÁ ÚSTAV INFORMATIKY FACULTY OF BUSINESS AND MANAGEMENT INSTITUTE OF INFORMATICS ŘÍZENÍ ZÁSOB POMOCÍ STATISTICKÝCH METOD INVENTORY
VícePojem investování a druhy investic
Investiční činnost Pojem investování a druhy investic Rozhodování o investicích Zdroje financování investic Hodnocení efektivnosti investic Metody hodnocení investic Ukazatele hodnocení efektivnosti investic
VíceMíra růstu dividend, popř. zisku
Míra růstu dividend, popř. zisku Vstupy pro ohodnocovaní metody FA Úroveň vnitřní hodnoty je determinována několika faktory, které představuje nezbytné údaje pro metody FA Míra růstu dividend, popř. zisku
VíceV praxi pracujeme s daty nominálními (nabývají pouze dvou hodnot), kategoriálními (nabývají více
9 Vícerozměrná data a jejich zpracování 9.1 Vícerozměrná data a vícerozměrná rozdělení Při zpracování vícerozměrných dat, hledáme souvislosti mezi dvěmi, případně více náhodnými veličinami. V praxi pracujeme
VíceP13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod.
P13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod. Matematický přístup k výsledkům únavových zkoušek Náhodnost výsledků únavových zkoušek. Únavové
Více10. Předpovídání - aplikace regresní úlohy
10. Předpovídání - aplikace regresní úlohy Regresní úloha (analýza) je označení pro statistickou metodu, pomocí nichž odhadujeme hodnotu náhodné veličiny (tzv. závislé proměnné, cílové proměnné, regresandu
VíceManažerská ekonomika KM IT
KVANTITATIVNÍ METODY INFORMAČNÍ TECHNOLOGIE (zkouška č. 3) Cíl předmětu Získat základní znalosti v oblasti práce s ekonomickými ukazateli a daty, osvojit si znalosti finanční a pojistné matematiky, zvládnout
VíceVYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA METALURGIE A MATERIÁLOVÉHO INŽENÝRSTVÍ KATEDRA KONTROLY A ŘÍZENÍ JAKOSTI
VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA FAKULTA METALURGIE A MATERIÁLOVÉHO INŽENÝRSTVÍ KATEDRA KONTROLY A ŘÍZENÍ JAKOSTI Elektronická sbírka příkladů k předmětům zaměřeným na aplikovanou statistiku
VíceProjekt: 1.5, Registrační číslo: CZ.1.07/1.5.00/ Majetek podniku
Hospodaření se zásobami Majetek podniku Aby byl zajištěn plynulý chod výroby a celkové náklady s ním spojené byly na co nejnižší úrovni, musíme se zásobami správně hospodařit. Hospodaření zahrnuje: - plánování
VíceSTATISTIKA. Inovace předmětu. Obsah. 1. Inovace předmětu STATISTIKA... 2 2. Sylabus pro předmět STATISTIKA... 3 3. Pomůcky... 7
Inovace předmětu STATISTIKA Obsah 1. Inovace předmětu STATISTIKA... 2 2. Sylabus pro předmět STATISTIKA... 3 3. Pomůcky... 7 1 1. Inovace předmětu STATISTIKA Předmět Statistika se na bakalářském oboru
VíceAnalýza rozvahy a výkazu zisků a ztrát. Vertikální a horizontální analýza
Analýza rozvahy a výkazu zisků a ztrát Vertikální a horizontální analýza Členění rozvahy Položky na straně aktiv jsou členěny podle likvidnosti - od položek nejméně likvidních (stálá aktiva) k položkám
VíceUniverzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium Management systému jakosti
Univerzita Pardubice Fakulta chemicko technologická Katedra analytické chemie Licenční studium Management systému jakosti 3.3 v analýze dat Autor práce: Přednášející: Prof. RNDr. Milan Meloun, DrSc Pro
Víceaktivita A0705 Metodická a faktografická příprava řešení regionálních disparit ve fyzické dostupnosti bydlení v ČR
aktivita A0705 Metodická a faktografická příprava řešení regionálních disparit ve fyzické dostupnosti bydlení v ČR 1 aktivita A0705 Metodická a faktografická příprava řešení regionálních disparit ve fyzické
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc.
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika 2010 1.týden (20.09.-24.09. ) Data, typy dat, variabilita, frekvenční analýza
VíceSemestrální práce z předmětu MAB
Západočeská univerzita v Plzni Fakulta aplikovaných věd Semestrální práce z předmětu MAB Modely investičního rozhodování Helena Wohlmuthová A07148 16. 1. 2009 Obsah 1 Úvod... 3 2 Parametry investičních
VíceNáhodné chyby přímých měření
Náhodné chyby přímých měření Hodnoty náhodných chyb se nedají stanovit předem, ale na základě počtu pravděpodobnosti lze zjistit, která z možných naměřených hodnot je více a která je méně pravděpodobná.
VícePOLYNOMICKÁ REGRESE. Jedná se o regresní model, který je lineární v parametrech, ale popisuje nelineární závislost mezi proměnnými.
POLYNOMICKÁ REGRESE Jedná se o regresní model, který je lineární v parametrech, ale popisuje nelineární závislost mezi proměnnými. y = b 0 + b 1 x + b 2 x 2 + + b n x n kde b i jsou neznámé parametry,
VíceKALIBRACE. Definice kalibrace: mezinárodní metrologický slovník (VIM 3)
KALIBRACE Chemometrie I, David MILDE Definice kalibrace: mezinárodní metrologický slovník (VIM 3) Činnost, která za specifikovaných podmínek v prvním kroku stanoví vztah mezi hodnotami veličiny s nejistotami
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA STROJNÍHO INŽENÝRSTVÍ ÚSTAV AUTOMATIZACE A INFORMATIKY FACULTY OF MECHANICAL ENGINEERING INSTITUTE OF AUTOMATION AND COMPUTER SCIENCE
VíceTOKOZ PRODUCTION SYSTEM (TPS) procesní systém pro plánování a řízení výroby
TOKOZ PRODUCTION SYSTEM (TPS) procesní systém pro plánování a řízení výroby Jak v TOKOZu řídíme a plánujeme výrobu. Klíčová omezení: široký sortiment, malé dávky, sdílené technologie. Zadání pro TOKOZ
VíceLineární regrese. Komentované řešení pomocí MS Excel
Lineární regrese Komentované řešení pomocí MS Excel Vstupní data Tabulka se vstupními daty je umístěna v oblasti A1:B11 (viz. obrázek) na listu cela data Postup Základní výpočty - regrese Výpočet základních
VíceObor účetnictví a finanční řízení podniku
Obor účetnictví a finanční řízení podniku TEST Z FINANČNÍHO ÚČETNICTVÍ celkem 40 bodů Zvolte nejvhodnější odpověď na následující otázky (otázky se nevztahují k žádnému z početních příkladů a nijak na sebe
VícePravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz
Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická statistika Doc. RNDr. Gejza Dohnal, CSc. dohnal@nipax.cz Pravděpodobnost a matematická
VíceRegresní a korelační analýza
Regresní a korelační analýza Mějme dvojici proměnných, které spolu nějak souvisí. x je nezávisle (vysvětlující) proměnná y je závisle (vysvětlovaná) proměnná Chceme zjistit funkční závislost y = f(x).
VíceRegresní analýza. Ekonometrie. Jiří Neubauer. Katedra ekonometrie FVL UO Brno kancelář 69a, tel
Regresní analýza Ekonometrie Jiří Neubauer Katedra ekonometrie FVL UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Jiří Neubauer (Katedra ekonometrie UO Brno) Regresní analýza 1 / 23
VíceStatistická analýza jednorozměrných dat
Statistická analýza jednorozměrných dat Prof. RNDr. Milan Meloun, DrSc. Univerzita Pardubice, Pardubice 31.ledna 2011 Tato prezentace je spolufinancována Evropským sociálním fondem a státním rozpočtem
Více3/10 Plánování zásob ve v robním procesu
EFEKTIVNÍ V ROBA část 3, díl 10, str. 1 3/10 Plánování zásob ve v robním procesu V dnešní době nelze hovořit o úspěšném zvládnutí výrobních a provozních činností a přitom nevěnovat bedlivou pozornost problematice
Více13.1. Úvod Cílem regresní analýzy je popsat závislost hodnot znaku Y na hodnotách
13 Regrese 13.1. Úvod Cílem regresní analýzy je popsat závislost hodnot znaku Y na hodnotách znaku X. Přitom je třeba vyřešit jednak volbu funkcí k vystižení dané závislosti a dále stanovení konkrétních
Více8 ANALÝZA ČASOVÝCH ŘAD SEZÓNNÍ SLOŽKA
8 ANALÝZA ČASOVÝCH ŘAD SEZÓNNÍ SLOŽKA RYCHLÝ NÁHLED KAPITOLY Následující kapitolou pokračujeme v tématu analýza časových řad a blíže se budeme zabývat problematikou jich pravidelné kolísavost, která je
VíceKomoditní karta Květen 2018 S k o t, h o v ě z í m a s o
Komoditní karta Květen 2018 S k o t, h o v ě z í m a s o Vývoj početních stavů skotu celkem a krav dle kategorií k 1.4. ks Kategorie 2002 2003 2004 2006 2007 2008 2009 Skot celkem 1 520 136 1 473 828 1
Vícesoubor činností, jejichž cílem je zjistit a vyhodnotit komplexně finanční situaci podniku Systematický rozbor dat, získaných především z účetních
Soňa Bartáková soubor činností, jejichž cílem je zjistit a vyhodnotit komplexně finanční situaci podniku Systematický rozbor dat, získaných především z účetních výkazů posouzení základních vývojových tendencí
VíceTECHNIKA UMĚLÝCH PROMĚNNÝCH V PRŮŘEZOVÉ ANALÝZE A V MODELECH ČASOVÝCH ŘAD
TECHNIKA UMĚLÝCH PROMĚNNÝCH V PRŮŘEZOVÉ ANALÝZE A V MODELECH ČASOVÝCH ŘAD Umělé (dummy) proměnné se používají, pokud chceme do modelu zahrnout proměnné, které mají kvalitativní či diskrétní charakter,
Více4EK211 Základy ekonometrie
4EK211 Základy ekonometrie ZS 2016/17 Cvičení 3: Lineární regresní model LENKA FIŘTOVÁ KATEDRA EKONOMETRIE, FAKULTA INFORMATIKY A STATISTIKY VYSOKÁ ŠKOLA EKONOMICKÁ V PRAZE 1. Seznámení s EViews Upřesnění
Více