Metoda analýzy datových obalů (DEA)

Rozměr: px
Začít zobrazení ze stránky:

Download "Metoda analýzy datových obalů (DEA)"

Transkript

1 Kapitola 1 Metoda analýzy datových obalů (DEA) Modely datových obalů slouží pro hodnocení technické efektivity produkčních jednotek na základě velikosti vstupů a výstupů. Hodnocenými jednotkami mohou být pobočky bank, supermarkety, nemocnice, školy, úřady apod. Protože vstupů a výstupů, podle kterých příslušné jednotky hodnotíme, může být více druhů, řadí se DEA mezi metody vícekriteriálního rozhodování. Analýza datových obalů je vhodná ke zjišťování technické efektivity jednotek, které jsou vzájemně srovnatelné. To znamená, že používají stejné vstupy k produkování stejných výstupů, avšak v jejich výkonech jsou jisté rozdíly. Jednotky jsou porovnávány mezi sebou a zjišťuje se, které z nich jsou efektivní a které nefektivní. V případě neefektivních jednotek lze metodou datových obalů zjistit, jak má taková jednotka redukovat své vstupy, popřípadě navýšit své výstupy, aby se stala efektivní. Příklad 1. Obchodní řetězec má patnáct poboček, přičemž každá z těchto poboček je charakterizována počtem zaměstnanců, režijními náklady, celkovými náklady, prodejní plochou, počtem obsloužených zákazníků a denními tržbami. Které z patnácti poboček jsou a které nejsou efektivní? Které vstupy a do jaké míry je nutné u neefektivních jednotek redukovat, popřípadě které výstupy navyšovat? Počet porovnávaných jednotek musí být dostatečně velký, protože při malém počtu srovnávaných jednotek a velkém počtu kritérií by byly považovány všechny jednotky za efektivní. Velkou pozornost je nutné věnovat výběru vhodných kritérií, podle kterých jsou jednotky hodnoceny. Důležité je vybrat kritéria, která jsou pro výkon jednotky zásadní, jsou známy jejich hodnoty u všech jednotek a zároveň to jsou kritéria, která spolu příliš nekorelují. 1.1 Podstata metody DEA Cílem této metody je rozdělení zkoumaných objektů na efektivní a neefektivní podle velikosti spotřebovávaných zdrojů a množství vyráběné produkce nebo jiného typu výstupů. DEA porovnává jednotky vzhledem k nejlepším jednotkám. Modely DEA vycházejí z Farrelova modelu pro měření efektivity jednotek s jedním vstupem a jedním výstupem, který rozšířili Charnes, Cooper a Rhodes (CCR) a Banker, Charnes a Cooper (BCC). DEA modely jsou založeny na tom, že pro daný problém existuje množina produkčních možností, tvořená všemi přípustnými kombinacemi vstupů a výstupů. Množina produkčních možností je určena efektivní hranicí. Pokud kombinace vstupů a výstupů u příslušné jednotky leží na této hranici, jedná se o efektivní jednotku. Jednotka je efektivní, pokud spotřebovává malé množství vstupů na velké množství výstupů. V případě, že jednotka efektivní není (neleží na hranici produkčních možností), je nutné upravit velikost jejích vstupů, popřípadě výstupů. Jak snížit vstupy nebo jak zvýšit výstupy lze zjistit opět pomocí řešení modelů DEA. 1

2 2 KAPITOLA 1. METODA ANALÝZY DATOVÝCH OBALŮ (DEA) 1.2 Hodnocení jednotek s jedním vstupem a jedním výstupem V případě, že uvažujeme pouze jeden vstup a jeden výstup, efektivita jednotek je dána vztahem: efektivita = výstup vstup Příklad 2. Obchodní řetězec má osm poboček, přičemž každá z těchto poboček je charakterizována počtem zaměstnanců a denními tržbami v 10 tisících Kč. Potřebné údaje naleznete v následující tabulce: A B C D E F G H Zaměstnanci (x) Tržby (y) y/x Čím je podíl y/x větší, tím je pobočka efektivnější (větší objem tržeb na zaměstnance) Výnosy z rozsahu Efektivní hranice může mít různý tvar podle toho, zda v úloze uvažujeme konstantní či variabilní výnosy z rozsahu. Konstantní výnosy z rozsahu (Constant returns to scale - CRS) Je-li kombinace vstupů a výstupů (x,y) prvkem množiny produkčních možností, pak je prvkem této množiny i kombinace této množiny (αx, αy), kde α > 0. Neboli pokud je jednotka s určitou kombinací vstupů a výstupů efektivní, pak bude efektivní i jednotka, jejíž vstupy a výstupy jsou α násobky vstupů a výstupů původní efektivní jednotky. (1.1) Množina produkčních možností a efektivní hranice pro příklad 2 jsou znázorněny na obrázku 1.1 Efektivní hranici tvoří přímka a jedinou efektivní jednotkou, která na této hranici leží, je jednotka B. Neefektivní jednotky by měly snížit množství vstupů nebo zvýšit množství výstupů. Například aby se neefektivní jednotka A stala efektivní, musela by udělat jedno z následujících opatření: Zvýšit hodnotu výstupu na hodnotu y (y = 2) při zachování současné výše vstupu x. Získáme tak virtuální jednotku U s virtuálním vstupem a výstupem (x, y ) = (2, 2). Tato virtuální jednotka je pak vzorová pro neefektivní jednotku A. Pokud by tedy jednotka A měla být efektivní a zaměstnávala dva zaměstnance, musela by zvýšit tržby z 10 tisíc Kč na 20 tisíc Kč. Toto je tzv. výstupově orientovaný model. Snížit hodnotu vstupu na hodnotu x (x = 1) při zachování současné výše výstupu y. Získáme tak virtuální jednotku U s virtuálním vstupem a výstupem (x, y) = (1, 1). I tato virtuální jednotka je pak vzorová pro skutečnou jednotku A. Pokud by tedy jednotka A měla být efektivní a měla tržby 10 tisíc Kč, musela by zaměstnávat pouze jednoho zaměstnance. Tento model je vstupově orientovaný. Kombinovat oba předchozí způsoby, například zaměstnat jednoho zaměstnance na plný úvazek, druhého na poloviční a tržby navýšit na 15 tisíc Kč. Relativní míru efektivity neefektivních jednotek lze vypočítat porovnáním tržeb na jednoho zaměstnance s tržbami na jednoho zaměstnance u efektivní jednotky. Výpočet pro jednotku A by pak byl: 0, 5/1 = 0, 5. Tato míra efektivity je relativní, neboť závisí na souboru hodnocených jednotek. Míru efektivity jednotky A můžeme počítat i z velikosti vstupů a výstupů této jednotky a virtuálních jednotek U, U :

3 1.2. HODNOCENÍ JEDNOTEK S JEDNÍM VSTUPEM A JEDNÍM VÝSTUPEM 3 Obrázek 1.1: Hranice efektivity - CRS Pokud vezmeme v úvahu výstupově orientovaný model, virtuální jednotku U, míru efektivnosti vypočteme jako y/y = 1/2 = 0, 5. Je to tedy podíl tržeb neefektivní jednotky A a tržeb virtuální jednotky U. Vzhledem k tomu, že se jedná o výstup a my chceme zjistit, jak se má výstup upravit - navýšit, je vhodné pracovat s převrácenou hodnotou y /y = 2/1 = 2. Pokud vezmeme v úvahu vstupově orientovaný model, virtuální jednotku U, míru efektivnosti vypočteme jako x /x = 1/2 = 0, 5. Je to tedy podíl počtu zaměstnanců virtuální jednotky U a skutečné neefektivní jednotky A. Zjistili jsme, jak se má vstup jednotky A upravit - snížit, a to na 1/2 původní hodnoty. Variabilní výnosy z rozsahu (Variable returns to scale - VRS) Zde neplatí požadavek, že α násobek vstupů musí být vyvážen nárůstem výstupů o stejný násobek. Jednotka tedy může být efektivní, i když poměrný nárůst výnosů bude nižší nebo vyšší než nárůst vstupů. Pro příklad 2 je množina produkčních možností a efektivní hranice znázorněna na obrázku 1.2. Efektivní hranici zde tvoří konvexní obal množiny produkčních možností (obal dat). Všimněme si, že nyní jsou efektivní jednotky tři, a to B, E a H. Obecně platí, že míra efektivity hodnocených jednotek za předpokladu VRS je stejná nebo vyšší, než za předpokladu CRS. Vezměme neefektivní jednotku D. Za předpokladu CRS je míra efektivity 0, 75/1 = 0, 75 a nezáleží na tom, zda uvažujeme vstupově či výstupově orientovaný model. V případě variabilních výnosů z rozsahu lze opět dosáhnout efektivní hranice třemi způsoby: Zvýšit hodnotu výstupu na hodnotu y (y = 3, 5) při zachování současné výše vstupu x. Získáme tak virtuální jednotku U s virtuálním vstupem a výstupem (x, y ) = (4; 3, 5). Tato virtuální jednotka je pak vzorová pro neefektivní jednotku D. Pokud by tedy jednotka D měla být efektivní a zaměstnávala čtyři zaměstnance, musela by zvýšit tržby z 30 tisíc Kč na 35 tisíc Kč. Toto je tzv. výstupově orientovaný model. Snížit hodnotu vstupu na hodnotu x (x = 3) při zachování současné výše výstupu y. Získáme tak virtuální jednotku U s virtuálním vstupem a výstupem (x, y) = (3, 3).

4 4 KAPITOLA 1. METODA ANALÝZY DATOVÝCH OBALŮ (DEA) Tržby 5 Hranice efektivity H 4 U` E 3 U``= B D G 2 C F 1 A Množina produkčních možností Zaměstnanci Obrázek 1.2: Hranice efektivity - VRS I tato virtuální jednotka je pak vzorová pro skutečnou jednotku D. Všimněte si, že velikost vstupů a výstupů u virtuální jednotky U je shodná s velikostí vstupů a výstupů u jednotky B. V tomto případě můžeme vynechat pojem virtuální jednotka. Vzorovou jednotkou pro neefektivní jednotku D je skutečná jednotka B. Pokud by tedy jednotka D měla být efektivní a měla tržby 30 tisíc Kč, musela by zaměstnávat pouze tři zaměstnance. Tento model je vstupově orientovaný. Kombinovat oba předchozí způsoby. Míru efektivity jednotky D můžeme počítat i u tohoto modelu z velikosti vstupů a výstupů této jednotky a virtuálních jednotek U, U : Pokud vezmeme v úvahu výstupově orientovaný model, virtuální jednotku U, míru efektivnosti vypočteme jako y/y = 3/3, 5 = 0, Je to tedy podíl tržeb neefektivní jednotky D a tržeb virtuální jednotky U. Vzhledem k tomu, že se jedná o výstup a my chceme zjistit, jak se má výstup upravit - navýšit, je vhodné pracovat s převrácenou hodnotou y /y = 3, 5/3 = 1, Pokud vezmeme v úvahu vstupově orientovaný model, virtuální jednotku U, míru efektivnosti vypočteme jako x /x = 3/4 = 0, 75. Je to tedy podíl počtu zaměstnanců virtuální

5 1.3. HODNOCENÍ JEDNOTEK SE DVĚMA VSTUPY A JEDNÍM VÝSTUPEM 5 jednotky U a skutečné neefektivní jednotky D. Zjistili jsme, jak se má vstup jednotky D upravit - snížit, a to na 3/4 původní hodnoty. Z výsledků je patrné, že za předpokladu VRS se míra efektivity mění v závislosti na zvoleném modelu (vstupově či výstupově orientovaný). 1.3 Hodnocení jednotek se dvěma vstupy a jedním výstupem Efektivitu jednotek, které spotřebovávají dva vstupy k produkci jednoho výstupu lze zjistit graficky i metodou, která bude popsána v kapitole 1.5. Řešený příklad 1. Obchodní řetězec má devět poboček, přičemž každá z těchto poboček je charakterizována počtem zaměstnanců, režijními náklady v tisících Kč a denními tržbami v 10 tisících Kč. Potřebné údaje naleznete v následující tabulce. A B C D E F G H I Zaměstnanci Režijní náklady Prodej Řešení. Proto, aby se úloha nechala graficky znázornit, je nutné znormovat vstupy na jednotku výstupu. Vydělíme počet zaměstnanců a režijní náklady velikostí prodeje pro každou jednotku. Například pro jednotku A budeme počítat 12/3 a 9/3. Graficky pak znázorňujeme velikost dvou vstupů potřebných pro dosažení jednotky výstupu. Grafické řešení je znázorněno na obrázku 1.3 A B C D E F G H I Zaměstnanci Režijní náklady Prodej Z grafu je patrné, že efektivní jsou jednotky C, D a E. Jsou to jednotky, ke kterým v hodnoceném souboru jednotek neexistuje žádná jednotka s lepšími hodnotami obou vstupů na jednotku výstupu. Uvedené efektivní jednotky tvoří efektivní hranici. Jednotky A, B, F, G, H, I jsou neefektivní. Modely DEA se liší tím, jak měří vzdálenost neefektivní jednotky od efektivní hranice. Jeden z možných způsobů je měření radiální, které budeme používat v našem textu. Radiální způsob měření určuje redukci obou (všech) vstupů nutnou pro dosažení efektivní hranice a realizuje se tak, že je spojena neefektivní jednotka s počátečním bodem. Tam, kde se protne tato spojnice s hranicí efektivity, zjistíme velikost vstupů, která je potřebná pro dosažení efektivity. Mohou nastat dva základní případy: Skutečná jednotka je vzorovou (peer) jednotkou, jako je tomu například v případě neefektivní jednotky H, pro kterou je vzorovou jednotkou jednotka D. Zde můžeme vynechat termín hypotetická jednotka, protože vzorová jednotka je jednotkou skutečnou, spojnice prochází bodem D. Efektivitu jednotky H pak vypočítáme jako podíl vzdálenosti jednotky D od počátku a jednotky H od počátku, tedy 0D / 0H = 0, Můžeme říci, že pro dosažení efektivity by jednotka H měla snížit své vstupy na 79,96% původní velikosti vstupů. Vzorovou jednotkou je hypotetická jednotka, která je tvořena kombinací skutečných vzorových jednotek. Například spojnice neefektivní jednotky A s počátkem protíná efektivní hranici mezi dvěma efektivními jednotkami D a E. V tomto průsečíku leží hypotetická jednotka U, která udává velikost vstupů pro jednotku A, aby dosahovala efektivity. Efektivitu jednotky A počítáme jako podíl vzdálenosti jednotky U od počátku a vzdálenosti bodu A od počátku, tedy

6 6 KAPITOLA 1. METODA ANALÝZY DATOVÝCH OBALŮ (DEA) Režijní náklady 5 4 Hranice efektivity E Množina produkčních možností G 3 2 U`` D A H F I B 1 C Zaměstnanci Obrázek 1.3: Hranice efektivity pro dva vstupy a jeden výstup 0U / 0A. Vstupy této hypotetické jednotky mohou být počítány jako kombinace velikosti vstupů dvou sousedních efektivních jednotek D a E. Tento postup si ukážeme později. 1.4 Hodnocení jednotek s jedním vstupem a dvěma výstupy Efektivitu jednotek, které spotřebovávají jeden vstup k produkci dvou výstupů, lze zjistit graficky i metodou, která je popsána v kapitole 1.5. Řešený příklad 2. Obchodní řetězec má sedm poboček, přičemž každá z těchto poboček je charakterizována počtem zaměstnanců, počtem obsloužených zákazníků za hodinu a denními tržbami v 10 tisících Kč. Potřebné údaje naleznete v následující tabulce. A B C D E F G Zaměstnanci Zákazníci Prodej

7 1.4. HODNOCENÍ JEDNOTEK S JEDNÍM VSTUPEM A DVĚMA VÝSTUPY 7 Řešení. Nejprve si znormujeme velikosti výstupů na jednotku vstupu. Provede se to tak, že vydělíme oba výstupy vstupem. Například pro jednotku A dělíme počet zákazníků a velikost tržeb počtem zaměstnanců, tedy 2/2 a 10/2. A B C D E F G Zaměstnanci Zákazníci Prodej Grafické řešení tohoto příkladu naleznete na obrázku 1.4 Tržby 7 Q B Hranice efektivity 6 E 5 A F 4 U` 3 2 C D H G 0 1 Množina produkčních možností Zákazníci Obrázek 1.4: Hranice efektivity pro jeden vstup a dva výstupy Z grafu je patrné, že efektivní jsou jednotky B, E, F, G. Jsou to jednotky, ke kterým v hodnoceném souboru jednotek neexistuje žádná jednotka s lepšími hodnotami obou výstupů na jednotku vstupu. Uvedené efektivní jednotky tvoří efektivní hranici. Jednotky A, C, D, H jsou neefektivní. I v tomto případě budeme používat radiální způsob dosažení efektivní hranice. Radiální způsob měření určuje navýšení obou (všech) výstupů, nutné pro dosažení efektivní hranice, a realizuje se tak, že je spojena neefektivní jednotka s počátečním bodem. Tam, kde se protne tato spojnice s hranicí efektivity, zjistíme velikost výstupů, která je potřebná pro dosažení efektivity. Mohou nastat dva základní případy:

8 8 KAPITOLA 1. METODA ANALÝZY DATOVÝCH OBALŮ (DEA) Skutečná jednotka je vzorovou (peer) jednotkou, jako je tomu například v případě neefektivní jednotky C, pro kterou je vzorovou jednotkou jednotka E. Zde můžeme vynechat termín hypotetická jednotka, protože vzorová jednotka je jednotkou skutečnou, spojnice prochází bodem E. Efektivitu jednotky C vypočítáme pak jako podíl vzdálenosti jednotky E od počátku a jednotky C od počátku, tedy 0E / 0C = 2. Můžeme říci, že pro dosažení efektivity by jednotka C měla zvýšit své výstupy na dvojnásobek původní velikosti výstupů. Vzorovou jednotkou je hypotetická jednotka, která je tvořena kombinací skutečných vzorových jednotek. Například spojnice neefektivní jednotky D s počátkem protíná efektivní hranici mezi dvěma efektivními jednotkami F a G. V tomto průsečíku leží hypotetická jednotka U, která udává velikost výstupů pro jednotku D, aby dosahovala efektivity. Efektivitu jednotky D počítáme jako podíl 0U / 0D, což je vzdálenost jednotky U od počátku a vzdálenosti bodu D od počátku. Výstupy této hypotetické jednotky mohou být počítány jako kombinace velikosti vstupů dvou sousedních efektivních jednotek F a G. Tento postup si ukážeme později. Poznámka. Všimněte si zvláštního případu vzorové jednotky Q (pro neefektivní jednotku A). 1.5 Hodnocení jednotek s více vstupy a výstupy V případě více spotřebovávaných vstupů na produkci více výstupů se používá míra efektivity: efektivita = vážená suma výstupu vážená suma vstupu, (1.2) což lze vyjádřit vztahem: e k = u j y jk, k = 1, 2,..., p, (1.3) v i x ik kde u j, v i jsou jednotné váhy vstupů a výstupů pro všechny hodnocené jednotky, x ik je velikost i- tého vstupu pro k-tou jednotkou a y jk je velikost j -tého výstupu pro k-tou jednotkou (celkem je hodnoceno p jednotek). Vstupní údaje můžeme zapsat do tabulky, která má charakter kriteriální matice (sloupce vstupů odpovídají hodnocení podle minimalizačního kritéria a sloupce výstupů podle maximalizačního kritéria). Je akceptována kompenzace (vyšší výstupy potřebují více vstupů při zachování efektivity spotřeby). Předpokládejme, že zkoumaný objekt zahrnuje p jednotek, jsou označeny S 1, S 2,..., S p. Každá z nich spotřebovává m vstupů na produkci n výstupů. Potom x ik je množství spotřebovávaného i-tého vstupu k-tou jednotkou a y jk je množství j-tého výstupu produkovaného k-tou jednotkou. Vstupy a výstupy lze zapsat do přehledné tabulky, viz tabulka 1.1. Vzhledem k tomu, že každé středisko je jinak zaměřené, lze uvažovat váhy odděleně pro každé středisko. Tyto váhy nejsou odvozené od ceny, ale spíše od používané technologie v jednotlivých střediskách. Z tohoto důvodu se používá termín technická efektivita, kterou vyjadřuje vztah 1.4: e k = u jk y jk, k = 1, 2,..., p, (1.4) v ik x ik

9 1.5. HODNOCENÍ JEDNOTEK S VÍCE VSTUPY A VÝSTUPY 9 Tabulka 1.1: Obecné zadání vstupní matice pro metodu DEA Vstupy Výstupy X 1 X 2 X m Y 1 Y 2 Y n S 1 x 11 x x m1 y 11 y y n1 S 2 x 12 x x m2 y 12 y y n S p x 1p x 2p... x mp y 1p y 2p... y np u jk a v ik jsou individuální váhy vstupů a výstupů pro hodnocené jednotky, x ik je velikost i-tého vstupu pro k-tou jednotkou a y jk je velikost j -tého výstupu pro k-tou jednotkou (celkem je hodnoceno p jednotek). Modely DEA tedy hledají individuální váhy pro jednotlivé hodnocené jednotky. Tyto váhy jsou hledány tak, aby byla maximalizována efektivita jednotek. V souboru hodnocených jednotek jsou některé jednotky efektivní a jiné neefektivní. Pro neefektivní jednotky lze určit tzv. hypotetickou (virtuální) jednotku, která je charakterizována jako vážený průměr určitých skutečných efektivních jednotek (peer jednotek). Tato jednotka (velikost jejích vstupů a výstupů) slouží jako vzor pro skutečnou neefektivní jednotku, která produkuje méně výstupů nebo spotřebovává více vstupů než její virtuální jednotka. V některých případech může být vzorovou jednotkou některá z efektivních skutečných jednotek. Pro hodnocení efektivity jednotek s více vstupy a výstupy bylo vyvinuto mnoho metod, které byly již dále modifikovány. V rámci našeho kurzu se budeme zabývat pouze metodami CCR a BCC (viz dále) CCR vstupově orientovaný model U modelů CCR předpokládejme konstantní výnos z rozsahu. Koeficient technické efektivity je definován jako poměr vážené sumy výstupů a vážené sumy vstupů. Jsou hledány takové váhy (koeficienty), aby koeficient technické efektivity byl z intervalu 0, 1. Jednotka s koeficientem technické efektivity rovným 1 je efektivní, koeficient menší než 1 ukazuje na neefektivní jednotku a určuje míru potřebného snížení vstupů k zajištění efektivity jednotky. Model CCR hodnotí efektivitu jednotek pro libovolný počet vstupů a výstupů. Neznámými jsou v tomto modelu váhy přidělené vstupu i a váhy přidělené výstupu j jednotkou k. Váhy jsou hledány individuálně, proto je nutno vyřešit p modelů. Tento počet modelů se řeší proto, že celkem v hodnoceném souboru je p jednotek a pro každou jednotku se sestavuje zvláštní model. Matematický model pro jednotku H (jedna z p jednotek) se skládá: z účelové funkce e H = u jh y jh max, v ih x ih (1.5) která maximalizuje poměr vážených výstupů a vážených vstupů,

10 10 KAPITOLA 1. METODA ANALÝZY DATOVÝCH OBALŮ (DEA) z omezující podmínky u jh y jk 1, k = 1, 2,..., p, v ih x ik (1.6) která zajištuje, aby poměr výstupů a vstupů s váhami pro k-tou jednotku byl u ostatních jednotek v hodnoceném souboru menší nebo roven jedné, z podmínek nezápornosti u jh 0, j = 1, 2,..., n, (1.7) v ih 0, i = 1, 2,..., m, které požadují nezápornost hledaných neznámých (vah). Model lze upravit na lineární tak, že čitatele účelové funkce budeme maximalizovat za předpokladu, že jmenovatel se bude rovnat hodnotě 1. e H = v ih x ik + u jh y jh max v ih x ih = 1 u jh y jk 0, k = 1, 2,..., p, (1.8) u jh 0, j = 1, 2,..., n, v ih 0, i = 1, 2,..., m. Poznámka. První index představuje vždy číslo vstupu a výstupu, druhý index číslo jednotky, pro kterou je model sestaven. Předpokládejme, že jednotka H není efektivní. Když sestavíme k primárnímu modelu model duální, zjistíme, které jednotky tvoří množinu peer jednotek neefektivní jednotky H a zároveň získáme koeficienty λ kh kombinace peer jednotek, které tvoří virtuální efektivní jednotku k jednotce H. Duální model se skládá z účelové funkce a omezujících podmínek x ih z H z H min (1.9) p λ kh x ik 0; i = 1, 2,..., m, (1.10) k=1 p λ kh y jk y jh, j = 1, 2,..., n, k=1 Proměnná z H může nabývat libovolných hodnot. λ kh 0, k = 1, 2,..., p.

11 1.5. HODNOCENÍ JEDNOTEK S VÍCE VSTUPY A VÝSTUPY 11 Poznámka. První index je číslo jednotky, ke které se vztahuje příslušná λ - koeficient kombinace, druhý index je číslo jednotky, pro kterou je model sestaven. Velikost vstupů a výstupů virtuální jednotky lze vypočítat jako kombinaci vstupů a výstupů peer jednotek. Pro vstupy: a pro výstupy x ih = y jh = p λ kh x ik ; i = 1, 2,..., m, (1.11) k=1 p λ kh y jk ; j = 1, 2,..., n. (1.12) k=1 Řešený příklad 3. Obchodní řetězec má sedm poboček, přičemž každá z těchto poboček je charakterizována počtem zaměstnanců, režijními náklady v tisících Kč, počtem obsloužených zákazníků za hodinu a denními tržbami v 10 tisících Kč. Potřebné údaje naleznete v následující tabulce. Pobočka A B C D E F G Zaměstnanci Režijní náklady Zákazníci Tržby Řešení. Vzhledem k tomu, že budeme hodnotit sedm poboček, je nutné sestavit sedm modelů. Primární model pro první pobočku - pobočku A: Výsledky: e 1 = u u 21 max 4v v 21 = 1 4v 11 3v 21 + u u v 11 3v u u v 11 v u u v 11 2v u u v 11 4v u u v 11 2v u u v 11 4v u u 21 0 u j1 0, j = 1, 2, v i1 0, i = 1, 2. Proměnná Hodnota e 1 0, v 11 0, v 21 0, u 11 0 u 21 0, Z výsledků je patrné, že jednotka A (první) není efektivní, neboť hodnota e 1 je menší než 1. Proto přistoupíme k sestavení duálně sdruženého modelu, jehož vyřešením získáme vhodnou kombinaci

12 12 KAPITOLA 1. METODA ANALÝZY DATOVÝCH OBALŮ (DEA) vzorových jednotek pro dosažení efektivity neefektivní jednotky A. Duální model pro první jednotku - jednotku A: z 1 min 4z 1 4λ 11 7λ 21 8λ 31 4λ 41 2λ 51 5λ 61 6λ z 1 3λ 11 3λ 21 λ 31 2λ 41 4λ 51 2λ 61 4λ 71 0 λ λ λ λ λ λ λ λ λ λ λ λ λ λ 71 5 Proměnná Hodnota z 1 0, z 1 0, λ 11 0 λ 21 0 λ 31 0 λ 41 0 λ 51 0, λ 61 0, λ 71 0 λ k1 0, k = 1, 2,..., 7 Z výsledků vyplývá, že vzorovými (peer) jednotkami pro jednotku A jsou jednotky pátá (E) a šestá (F), neboť hodnoty proměnných λ 51 a λ 61 jsou nenulové. Proměnná λ 51 se vztahuje k páté jednotce (E) - první index je 5, proměnná λ 61 se vztahuje k páté jednotce (F) - první index je 6. Známe tedy koeficienty kombinace. Nyní musíme vstupy efektivních jednotek E a F pronásobit koeficienty a pro každý vstup zvlášť tyto výsledky sečíst, abychom získali optimální velikost vstupů pro jednotku A. Konkrétně pro první vstup: Pro druhý vstup: x 11 = λ 51 x 15 + λ 61 x 16 = 0, , = 3, x 21 = λ 52 x 25 + λ 62 x 26 = 0, , = 2, Jednotka A by měla snížit svůj první vstup - počet zaměstnanců z původních 4 na 3,5 (jednomu pracovníkovi snížit úvazek zhruba na polovinu). Druhý vstup - režijní náklady by měla snížit z původních 3 tisíc Kč na zhruba 2,6 tisíc Kč. Potom bude jednotka A efektivní. Stejně jako pro jednotku A je nutné sestavit modely pro všechny ostatní jednotky a vyřešit stejným způsobem. V tabulce 1.2 jsou uvedeny výsledky pro všechny jednotky. Neuvádíme hodnotu účelové funkce duálního modelu, neboť je shodná s hodnotou účelové funkce primárního modelu CCR výstupově orientovaný model Vychází ze stejných předpokladů, jako vstupově orientovaný model. Zde je koeficient technické efektivity určen jako poměr vážené sumy vstupů a vážené sumy výstupů. Jsou hledány takové váhy, aby hodnota tohoto koeficientu byla větší nebo rovna 1. Neznámými jsou v tomto modelu váhy přidělené vstupu i a váhy přidělené výstupu j jednotkou k. I v tomto modelu jsou váhy určovány individuálně, proto je nutno vyřešit p modelů (hodnotíme soubor p jednotek). Matematický model pro jednotku H (jedna z p jednotek) se skládá:

13 1.5. HODNOCENÍ JEDNOTEK S VÍCE VSTUPY A VÝSTUPY 13 Tabulka 1.2: Výsledky primárních a duálních modelů Primární model Duální model e k v 1i v 2i u 1j u 2j λ 1k λ 2k λ 3k λ 4k λ 5k λ 6k λ 7k A 0,8696 0,087 0, , ,3804 0, B 0,9655 0,069 0, , ,0603 1, C 1 0,0682 0, , D 0,9412 0,1765 0,1471 0, ,1176 0, E 1 0,0834 0, , F 1 0,15 0,125 0, G 0,8571 0,1071 0,0893 0, ,4286 0, z účelové funkce e H = v ih x ih min, u jh y jh (1.13) která minimalizuje poměr vážených vstupů a vážených výstupů, z omezujících podmínek v ih x ik 1, k = 1, 2,..., p, u jh y jk (1.14) která zajištuje, aby poměr vstupů a výstupů s váhami pro k-tou jednotku byl u ostatních jednotek v hodnoceném souboru větší nebo roven jedné z podmínek nezápornosti u jh 0, j = 1, 2,..., n, v ih 0, i = 1, 2,..., m, které požadují nezápornost hledaných neznámých (vah). Model lze upravit na lineární tak, že váženou sumu výstupů položíme rovnou jedné a minimalizuje váženou sumu vstupů: e H = v ih x ih min v ih x ik u jh y jh = 1 u jh y jk 0, k = 1, 2,..., p (1.15) u jh 0, j = 1, 2,..., n v ih 0, i = 1, 2,..., m

14 14 KAPITOLA 1. METODA ANALÝZY DATOVÝCH OBALŮ (DEA) Poznámka. První index představuje vždy číslo vstupu a výstupu, druhý index číslo jednotky, pro kterou je model sestaven. Duální model má tvar z H max p y jh z H λ kh y jk 0, j = 1, 2,..., n, (1.16) k=1 p λ kh x ik x ih, i = 1, 2,..., m, k=1 Proměnná z H může nabývat libovolných hodnot. λ kh 0, k = 1, 2,..., p. Poznámka. První index je číslo jednotky, ke které se vztahuje příslušná λ - koeficient kombinace, druhý index je číslo jednotky, pro kterou je model sestaven. Velikost vstupů a výstupů virtuální jednotky lze vypočítat jako kombinaci vstupů a výstupů peer jednotek. Řešený příklad 4. Vyhodnoťte efektivitu jednotek z příkladu 3, použijte výstupově orientovaný CCR model. Řešení. Primární model pro první pobočku - pobočku A: Výsledky: e 1 = 4v v 21 min u u 21 = 1 4v v 21 u 11 5u v v 21 2u 11 7u v 11 + v 21 3u 11 4u v v 21 4u 11 3u v v 21 4u 11 6u v v 21 5u 11 5u v v 21 6u 11 2u 21 0 u j1 0, j = 1, 2, v i1 0, i = 1, 2. Proměnná Hodnota e 1 1,15 v 11 0,1 v 21 0,25 u 11 0 u 21 0,2 Z výsledků je patrné, že jednotka A (první) není efektivní, neboť hodnota e 1 je větší než 1. Proto přistoupíme k sestavení duálně sdruženého modelu, jehož vyřešením získáme vhodnou kombinaci

15 1.5. HODNOCENÍ JEDNOTEK S VÍCE VSTUPY A VÝSTUPY 15 vzorových jednotek pro dosažení efektivity neefektivní jednotky A. Duální model pro první jednotku - jednotku A: z 1 max 4λ λ λ λ λ λ λ λ λ 21 + λ λ λ λ λ 71 3 λ 11 λ 11 2λ 21 3λ 31 4λ 41 4λ 51 5λ 61 6λ λ 11 5λ 11 7λ 21 4λ 31 3λ 41 6λ 51 5λ 61 2λ 71 0 Proměnná Hodnota z 1 1,15 z 1 1,15 λ 11 0 λ 21 0 λ 31 0 λ 41 0 λ 51 0,4375 λ 61 0,625 λ 71 0 λ k1 0, k = 1, 2,..., 7. Z výsledků vyplývá, že vzorovými (peer) jednotkami pro jednotku A jsou jednotky pátá (E) a šestá (F), neboť hodnoty proměnných λ 51 a λ 61 jsou nenulové. Proměnná λ 51 se vztahuje k páté jednotce (E) - první index je 5, proměnná λ 61 se vztahuje k páté jednotce (F) - první index je 6. Známe tedy koeficienty kombinace. Nyní musíme výstupy efektivních jednotek E a F pronásobit koeficienty a pro každý vstup zvlášť tyto výsledky sečíst, abychom získali optimální velikost výstupů pro jednotku A. Konkrétně pro první vstup: Pro druhý vstup: y 11 = λ 51 y 15 + λ 61 y 16 = 0, , = 4, 875 y 21 = λ 52 y 25 + λ 62 y 26 = 0, , = 5, 75 Jednotka A by měla zvýšit svůj první výstup - počet obsloužených zákazníků z původního 1 na zhruba 5. Druhý výstup - tržby by měla zvýšit z původních 50 tisíc Kč na zhruba 57,5 tisíce Kč. Potom bude jednotka A efektivní. Stejně jako pro jednotku A je nutné sestavit modely pro všechny ostatní jednotky a vyřešit stejným způsobem. V tabulce 1.3 jsou uvedeny výsledky pro všechny jednotky. Neuvádíme hodnotu účelové funkce duálního modelu, neboť je shodná s hodnotou účelové funkce primárního modelu BCC modely BCC model, navržený Bankerem, Charnesem a Cooperem, je vlastně modifikace předchozího CCR modelu. Tento model uvažuje variabilní výnosy z rozsahu. Jak již bylo uvedeno výše, efektivních jednotek je při použití tohoto typu modelu více. V modelech BCC je požadováno, aby virtuální jednotka pro jednotku H byla konvexní kombinací svých vzorových jednotek. Toto se projeví v duálním modelu přidanou podmínkou, aby součet λ kh pro k = 1, 2,..., p byl roven 1. V primárním modelu se

16 16 KAPITOLA 1. METODA ANALÝZY DATOVÝCH OBALŮ (DEA) Tabulka 1.3: Výsledky primárních a duálních modelů Primární model Duální model e k v 1i v 2i u 1j u 2j λ 1k λ 2k λ 3k λ 4k λ 5k λ 6k λ 7k A 1,15 0,1 0,25 0 0, ,4375 0,625 0 B 1,036 0,0715 0, , ,0625 1,375 0 C 1 0,0682 0, , D 1,0625 0,1875 0,1563 0, ,125 0,75 0 E 1 0,0834 0, , F 1 0,15 0,125 0, G 1,1667 0,125 0,1042 0, ,5 1 0 tato podmínka projeví přidáním jedné proměnné, která představuje velikost odchylky od konstantního výnosu z rozsahu. Pro ilustraci zde budou uvedeny primární a duální vstupově orientované modely pro jednotku H. Primární model: e H = v ih x ik + u jh y jh + q H max v ih x ih = 1 u jh y jk + q H 0, k = 1, 2,..., p (1.17) u jh 0, j = 1, 2,..., n v ih 0, i = 1, 2,..., m q H R Duální model: z H min p x ih z H λ kh x ik 0, i = 1, 2,..., m, k=1 p λ kh y jk y jh, j = 1, 2,..., n, (1.18) k=1 p λ kh = 1 k=1 λ kh 0, k = 1, 2,..., p, z H R Řešený příklad 5. Předpokládejte, že výnosy z rozsahu u příkladu 3 jsou variabilní. Vyhodnoťte efektivitu jednotky A. Řešení. Nyní si pro první jednotku - jednotku A sestavíme primární model:

17 1.5. HODNOCENÍ JEDNOTEK S VÍCE VSTUPY A VÝSTUPY 17 e 1 = u u 21 + q 1 max 4v v 21 = 1 4v 11 3v 21 + u u 21 + q 1 0 7v 11 3v u u 21 + q 1 0 8v 11 v u u 21 + q 1 0 4v 11 2v u u 21 + q 1 0 2v 11 4v u u 21 + q 1 0 5v 11 2v u u 21 + q 1 0 6v 11 4v u u 21 + q 1 0 Výsledky primárního modelu pro jednotku A: u j1 0, j = 1, 2 v i1 0, i = 1, 2 q 1 R Proměnná Hodnota e 1 0,9189 v 11 0,1081 v 21 0,1892 u 11 0 u 21 0,0541 q 1 0,6486 Jednotka A je neefektivní (e 1 = 0, 9189), proto je nutné sestavit duálně sdružený model. Duální model pro jednotku A: z 1 min 4z 1 4λ 11 7λ 21 8λ 31 4λ 41 2λ 51 5λ 61 6λ z 1 3λ 11 3λ 21 λ 31 2λ 41 4λ 51 2λ 61 4λ 71 0 λ λ λ λ λ λ λ λ λ λ λ λ λ λ 71 5 Výsledky duálního modelu pro jednotku A: λ 11 + λ 21 + λ 31 + λ 41 + λ 51 + λ 61 + λ 71 = 1 λ k1 0, k = 1, 2,..., 7 Proměnná Hodnota z 1 0,9189 z 1 0,9189 λ 11 0 λ 21 0 λ 31 0 λ 41 0,1892 λ 51 0,3784 λ 61 0,4324 λ 71 0

18 18 KAPITOLA 1. METODA ANALÝZY DATOVÝCH OBALŮ (DEA) Vzorové jednotky pro jednotku A jsou čtvrtá (D), pátá (E) a šestá (F) jednotka, protože λ 41 = 0, 1892, λ 51 = 0, 3784, λ 61 = 0, 4324, ostatní jsou nulové. Aby jednotka A byla efektivní, měla by své vstupy upravit. Konkrétně pro první vstup: x 11 = λ 41 x 14 + λ 51 x 15 + λ 61 x 16 = 0, , , = 3, Pro druhý vstup: x 21 = λ 42 x 24 + λ 52 x 25 + λ 62 x 26 = 0, , , = 2, Firma by měla zaměstnávat pouze tři zaměstnance na plný úvazek a jednoho k tomu zhruba na 70%, režijní náklady by měla snížit zhruba na 2757 Kč. Ostatní pobočky se jeví při použití BCC modelu jako efektivní, proto podrobné výsledky nebudeme uvádět. Počet efektivních jednotek při použití BCC modelu je tedy skutečně vyšší než při užití CCR modelu. Obdobně bychom mohli upravit i CCR výstupově orientovaný model a vytvořit z něj BCC výstupově orientovaný model.. Podrobnější výklad tohoto typu modelů přesahuje rámec těchto skript. V případě potřeby toto naleznete v [7].

19 1.6. PŘÍKLADY Příklady Cvičení 1. Autoopravny provádějí přípravu aut na měření emisí. Určete graficky, které servisy jsou efektivní, když předpokládáte 1. konstantní výnosy z rozsahu 2. variabilní výnosy z rozsahu. Potřebné údaje naleznete v následující tabulce: A B C D E F G Počet techniků Počet aut , Cvičení 2. Pro jednotku C z příkladu 1 za předpokladu konstantních výnosů z rozsahu určete 1. její míru efektivity 2. potřebné snížení vstupu při zachování výstupu 3. potřebné zvýšení výstupu při zachování velikosti vstupu. Cvičení 3. Pro jednotku C z příkladu 1 za předpokladu variabilních výnosů z rozsahu určete 1. její míru efektivity 2. potřebné snížení vstupu při zachování výstupu 3. potřebné zvýšení výstupu při zachování velikosti vstupu. Cvičení 4. Předpokládejme, že autoopravny uvažují dva vstupy a jeden výstup. Určete graficky, které servisy jsou efektivní. Potřebné údaje naleznete v následující tabulce: A B C D E F G Počet techniků Počet PC Počet aut Určete, které jednotky jsou a které nejsou efektivní. Pro všechny neefektivní jednotky určete jejich peer jednotky. Cvičení 5. Autoopravny uvažují jeden vstup a dva výstupy, jejich hodnoty jsou uvedeny v následující tabulce. Graficky znázorněte, které jednotky jsou efektivní. A B C D E F Počet techniků Počet aut Tržby (v 10 tis. Kč ) ,7 Určete, které jednotky jsou a které nejsou efektivní. Určete peer jednotky pro neefektivní jednotky. Dále spočítejte, jak by některá neefektivní jednotka musela navýšit své výstupy, aby byla efektivní. Cvičení 6. Banka chce zhodnotit výkon svých poboček v menších městech. Jako podstatné vstupy si vybrala mzdové a provozní náklady v tis. Kč na pobočce za měsíc. Jako výstupy pro hodnocení si vybrala počet běžných účtů osobních, počet běžných účtů firemních a výnosy v tis. Kč za měsíc. Hodnoty vstupů a výstupů jsou uvedeny v tabulce.

20 20 KAPITOLA 1. METODA ANALÝZY DATOVÝCH OBALŮ (DEA) Mzdové náklady Provoz. náklady BÚ osobní BÚ firemní Výnosy A B C D E Sestavte primární vstupově orientované CCR modely pro všechny jednotky. 2. Vyřešte v Solveru. 3. Pro neefektivní jednotky sestavte duálně sdružené modely a tyto vyřešte. 4. Interpretujte výsledky. 5. Totéž proveďte u výstupově orientovaného modelu. 6. Vyřešte v programu Frontier Analyst. 1.7 Otázky Vysvětlete podstatu metody DEA. Vysvětlete pojmy množina produkčních možností, efektivní hranice, efektivní a neefektivní jednotka. Jak je v modelech DEA vyjádřena efektivita? Jaký je rozdíl mezi konstantními a variabilními výnosy z rozsahu? Jaký je rozdíl mezi vstupově a výstupově orientovaným modelem? Co je to virtuální jednotka? Co jsou peer jednotky?

21 Literatura [1] Brožová, H., Houška, M., Šubrt, T. (2003): Modely pro vícekriteriální rozhodování. ČZU, Praha. [2] Fiala, P., Jablonský, J., Maňas, M. (1997): Vícekriteriální rozhodování. VŠE, Praha. [3] Fotr J., Dědina, J. (1997): Manažerské rozhodování. Ekopress, Praha. [4] Gros, I. (2003): Kvantitativní metody v manažerském rozhodování. Grada Publishing, Praha. [5] Holman, R. (2003): Ekonomie. C. H. Beck, Praha. [6] Jablonský, J. (2002): Operační výzkum. Professional Publishing, Praha. [7] Jablonský, J., Dlouhý, M. (2004): Modely hodnocení efektivnosti produkčních jednotek. Professional Publishing, Praha. [8] Soukupová, J. (2002): Mikroekonomie. Management Press, Praha. [9] Vaněčková, E. (1996): Ekonomicko-matematické metody. ZF JU, skripta, České Budějovice. [10] Vaněčková, E. (1998): Rozhodovací modely. ZF JU, skripta, České Budějovice. 21

Metoda analýzy datových obalů (DEA)

Metoda analýzy datových obalů (DEA) Kapitola 1 Metoda analýzy datových obalů (DEA) Modely datových obalů slouží pro hodnocení technické efektivity produkčních jednotek na základě velikosti vstupů a výstupů. Hodnocenými jednotkami mohou být

Více

Analýza obalu dat úvod

Analýza obalu dat úvod Analýza obalu dat úvod Jana Klicnarová Katedra aplikované matematiky a informatiky Jihočeská Univerzita v Českých Budějovicích, Ekonomická fakulta 2010 Analýza obalu dat (DEA) Analýza obalu dat (Data envelopement

Více

Západočeská univerzita v Plzni. Fakulta aplikovaných věd. Ivana Kozlová. Modely analýzy obalu dat

Západočeská univerzita v Plzni. Fakulta aplikovaných věd. Ivana Kozlová. Modely analýzy obalu dat Západočeská univerzita v Plzni Fakulta aplikovaných věd SEMESTRÁLNÍ PRÁCE Z PŘEDMĚTU MATEMATICKÉ MODELOVÁNÍ Ivana Kozlová Modely analýzy obalu dat Plzeň 2010 Obsah 1 Efektivnost a její hodnocení 2 2 Základní

Více

Hodnocení efektivnosti podniků pomocí analýzy obalu dat

Hodnocení efektivnosti podniků pomocí analýzy obalu dat Hodnocení efektivnosti podniků pomocí analýzy obalu dat Markéta Matulová workshop Finanční matematika v praxi III, září 2013 Úvod Modely datových obalů (DEA) slouží k hodnocení technické efektivity produkčních

Více

Operační výzkum. Vícekriteriální hodnocení variant. Grafická metoda. Metoda váženého součtu.

Operační výzkum. Vícekriteriální hodnocení variant. Grafická metoda. Metoda váženého součtu. Operační výzkum Vícekriteriální hodnocení variant. Grafická metoda. Metoda váženého součtu. Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu

Více

4EK213 LINEÁRNÍ MODELY

4EK213 LINEÁRNÍ MODELY 4EK213 LINEÁRNÍ MODELY Úterý 11:00 12:30 hod. učebna SB 324 Mgr. Sekničková Jana, Ph.D. 2. PŘEDNÁŠKA MATEMATICKÝ MODEL ÚLOHY LP Mgr. Sekničková Jana, Ph.D. 2 OSNOVA PŘEDNÁŠKY Obecná formulace MM Množina

Více

Modely hodnocení efektivnosti a jejich aplikace

Modely hodnocení efektivnosti a jejich aplikace JIHOČESKÁ UNIVERZITA V ČESKÝCH BUDĚJOVICÍCH Ekonomická fakulta Katedra aplikované matematiky a informatiky Studijní program: N6208 Ekonomika a management Studijní obor: Účetnictví a finanční řízení podniku

Více

Data Envelopment Analysis (Analýza obalu dat)

Data Envelopment Analysis (Analýza obalu dat) Data Envelopment Analysis (Analýza obalu dat) Martin Branda Univerzita Karlova v Praze Matematicko-fyzikální fakulta Katedra pravděpodobnosti a matematické statistiky Optimalizace s aplikací ve financích

Více

7 Kardinální informace o kritériích (část 1)

7 Kardinální informace o kritériích (část 1) 7 Kardinální informace o kritériích (část 1) Předpokládejme stejná značení jako v předchozích cvičeních. Kardinální informací o kritériích se rozumí ohodnocení jejich důležitosti k pomocí váhového vektoru

Více

Operační výzkum. Vícekriteriální programování. Lexikografická metoda. Metoda agregace účelových funkcí. Cílové programování.

Operační výzkum. Vícekriteriální programování. Lexikografická metoda. Metoda agregace účelových funkcí. Cílové programování. Operační výzkum Lexikografická metoda. Metoda agregace účelových funkcí. Cílové programování. Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu

Více

Vícekriteriální programování příklad

Vícekriteriální programování příklad Vícekriteriální programování příklad Pražírny kávy vyrábějí dva druhy kávy (Super a Standard) ze dvou druhů kávových bobů KB1 a KB2, které mají smluvně zajištěny v množství 4 t a 6 t. Složení kávy (v procentech)

Více

4 Kriteriální matice a hodnocení variant

4 Kriteriální matice a hodnocení variant 4 Kriteriální matice a hodnocení variant V teorii vícekriteriálního rozhodování pracujeme s kritérii, kterých je obecně k, a s variantami, kterých je obecně p. Hodnotu, které dosahuje varianta i pro j-té

Více

ANALYTICKÁ GEOMETRIE V ROVINĚ

ANALYTICKÁ GEOMETRIE V ROVINĚ ANALYTICKÁ GEOMETRIE V ROVINĚ Analytická geometrie vyšetřuje geometrické objekty (body, přímky, kuželosečky apod.) analytickými metodami. Podle prostoru, ve kterém pracujeme, můžeme analytickou geometrii

Více

e-mail: RadkaZahradnikova@seznam.cz 1. července 2010

e-mail: RadkaZahradnikova@seznam.cz 1. července 2010 Optimální výrobní program Radka Zahradníková e-mail: RadkaZahradnikova@seznam.cz 1. července 2010 Obsah 1 Lineární programování 2 Simplexová metoda 3 Grafická metoda 4 Optimální výrobní program Řešení

Více

6 Ordinální informace o kritériích

6 Ordinální informace o kritériích 6 Ordinální informace o kritériích Ordinální informací o kritériích se rozumí jejich uspořádání podle důležitosti. Předpokládejme dále standardní značení jako v předchozích cvičeních. Existují tři základní

Více

Postupy při hodnocení variant a výběru nejvhodnějšího řešení. Šimon Kovář Katedra textilních a jednoúčelových strojů

Postupy při hodnocení variant a výběru nejvhodnějšího řešení. Šimon Kovář Katedra textilních a jednoúčelových strojů Postupy při hodnocení variant a výběru nejvhodnějšího řešení Šimon Kovář Katedra textilních a jednoúčelových strojů Znáte nějaké postupy hodnocení variant řešení? Vícekriteriální rozhodování Při výběru

Více

fakulty MENDELU v Brně (LDF) s ohledem na disciplíny společného základu http://akademie.ldf.mendelu.cz/cz (reg. č. CZ.1.07/2.2.00/28.

fakulty MENDELU v Brně (LDF) s ohledem na disciplíny společného základu http://akademie.ldf.mendelu.cz/cz (reg. č. CZ.1.07/2.2.00/28. Základy lineárního programování Vyšší matematika, Inženýrská matematika LDF MENDELU Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem

Více

4EK201 Matematické modelování. 2. Lineární programování

4EK201 Matematické modelování. 2. Lineární programování 4EK201 Matematické modelování 2. Lineární programování 2.1 Podstata operačního výzkumu Operační výzkum (výzkum operací) Operational research, operations research, management science Soubor disciplín zaměřených

Více

Modely analýzy obalu dat a jejich aplikace při hodnocení efektivnosti bankovních poboček

Modely analýzy obalu dat a jejich aplikace při hodnocení efektivnosti bankovních poboček Modely analýzy obalu dat a jejich aplikace při hodnocení efektivnosti bankovních poboček Josef Jablonský VŠE Praha, fakulta informatiky a statistiky nám. W. Churchilla 4, 13067 Praha 3 jablon@vse.cz, http://nb.vse.cz/~jablon

Více

Ekonomická formulace. Matematický model

Ekonomická formulace. Matematický model Ekonomická formulace Firma balící bonboniéry má k dispozici 60 čokoládových, 60 oříškových a 85 karamelových bonbónů. Může vyrábět dva druhy bonboniér. Do první bonboniéry se dávají dva čokoládové, šest

Více

Operační výzkum. Přiřazovací problém.

Operační výzkum. Přiřazovací problém. Operační výzkum Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu Fakulty ekonomiky a managementu Registrační číslo projektu: CZ..7/2.2./28.326

Více

LDF MENDELU. Simona Fišnarová (MENDELU) Základy lineárního programování VMAT, IMT 1 / 25

LDF MENDELU. Simona Fišnarová (MENDELU) Základy lineárního programování VMAT, IMT 1 / 25 Základy lineárního programování Vyšší matematika, Inženýrská matematika LDF MENDELU Podpořeno projektem Průřezová inovace studijních programů Lesnické a dřevařské fakulty MENDELU v Brně (LDF) s ohledem

Více

5 Informace o aspiračních úrovních kritérií

5 Informace o aspiračních úrovních kritérií 5 Informace o aspiračních úrovních kritérií Aspirační úroveň kritérií je minimální (maximální) hodnota, které musí varianta pro dané maximalizační (minimalizační) kritérium dosáhnout, aby byla akceptovatelná.

Více

VÍCEKRITERIÁLNÍ ROZHODOVANÍ

VÍCEKRITERIÁLNÍ ROZHODOVANÍ VÍCEKRITERIÁLNÍ ROZHODOVANÍ 1 Obsah Typy modelů vícekriteriálního rozhodování Základní pojmy Typy informací Cíl modelů Užitek, funkce užitku Grafické zobrazení Metody vícekriteriální analýzy variant 2

Více

Vícekriteriální hodnocení variant úvod

Vícekriteriální hodnocení variant úvod Vícekriteriální hodnocení variant úvod Jana Klicnarová Katedra aplikované matematiky a informatiky Jihočeská Univerzita v Českých Budějovicích, Ekonomická fakulta 2010 Vícekriteriální hodnocení variant

Více

12. Lineární programování

12. Lineární programování . Lineární programování. Lineární programování Úloha lineárního programování (lineární optimalizace) je jedním ze základních problémů teorie optimalizace. Našim cílem je nalézt maximum (resp. minimum)

Více

GEODETICKÉ VÝPOČTY I.

GEODETICKÉ VÝPOČTY I. SPŠS Č.Budějovice Obor Geodézie a Katastr nemovitostí 2.ročník GEODETICKÉ VÝPOČTY I. TABELACE FUNKCE LINEÁRNÍ INTERPOLACE TABELACE FUNKCE Tabelace funkce se v minulosti často využívala z důvodu usnadnění

Více

KOMPLEXNÍ ČÍSLA INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ

KOMPLEXNÍ ČÍSLA INVESTICE DO ROZVOJE VZDĚLÁVÁNÍ KOMPLEXNÍ ČÍSLA Gymnázium Jiřího Wolkera v Prostějově Výukové materiály z matematiky pro vyšší gymnázia Autoři projektu Student na prahu 21. století - využití ICT ve vyučování matematiky na gymnáziu INVESTICE

Více

Funkce jedné reálné proměnné. lineární kvadratická racionální exponenciální logaritmická s absolutní hodnotou

Funkce jedné reálné proměnné. lineární kvadratická racionální exponenciální logaritmická s absolutní hodnotou Funkce jedné reálné proměnné lineární kvadratická racionální exponenciální logaritmická s absolutní hodnotou lineární y = ax + b Průsečíky s osami: Px [-b/a; 0] Py [0; b] grafem je přímka (získá se pomocí

Více

Kvízové otázky Obecná ekonomie I. Teorie firmy

Kvízové otázky Obecná ekonomie I. Teorie firmy 1. Firmy působí: a) na trhu výrobních faktorů b) na trhu statků a služeb c) na žádném z těchto trhů d) na obou těchto trzích Kvízové otázky Obecná ekonomie I. Teorie firmy 2. Firma na trhu statků a služeb

Více

Obecná úloha lineárního programování. Úloha LP a konvexní množiny Grafická metoda. Jiří Neubauer. Katedra ekonometrie FEM UO Brno

Obecná úloha lineárního programování. Úloha LP a konvexní množiny Grafická metoda. Jiří Neubauer. Katedra ekonometrie FEM UO Brno Přednáška č. 3 Katedra ekonometrie FEM UO Brno Optimalizace portfolia Investor se s pomocí makléře rozhoduje mezi následujícími investicemi: akcie A, akcie B, státní pokladniční poukázky, dluhopis A, dluhopis

Více

4EK212 Kvantitativní management. 2. Lineární programování

4EK212 Kvantitativní management. 2. Lineární programování 4EK212 Kvantitativní management 2. Lineární programování 1.7 Přídatné proměnné Přídatné proměnné jsou nezáporné Mají svoji ekonomickou interpretaci, která je odvozena od ekonomické interpretace omezení

Více

Diskrétní náhodná veličina

Diskrétní náhodná veličina Lekce Diskrétní náhodná veličina Výsledek náhodného pokusu může být vyjádřen slovně to vede k zavedení pojmu náhodného jevu Výsledek náhodného pokusu můžeme někdy vyjádřit i číselně, což vede k pojmu náhodné

Více

Firma. Příklad zadání. Příklad řešení. Téma cvičení. náklady firmy. Příklady k opakování. Mikroekonomie. Příjmy, zisk Produkční analýza

Firma. Příklad zadání. Příklad řešení. Téma cvičení. náklady firmy. Příklady k opakování. Mikroekonomie. Příjmy, zisk Produkční analýza Mikroekonomie Ing. Jaroslav ŠETEK, Ph.D. Katedra ekonomiky, JČU Téma cvičení Firma Příjmy, zisk Produkční analýza zadání y k opakování náklady firmy Q FC VC TC AC AVC AFC MC 0 X X X X X X X 1 5 5 X X X

Více

Firma. Spotřebitel. Téma cvičení. Mikroekonomie. Příjmy, zisk Produkční analýza. Opakování. Příklad. Příklad. Příklad

Firma. Spotřebitel. Téma cvičení. Mikroekonomie. Příjmy, zisk Produkční analýza. Opakování. Příklad. Příklad. Příklad Mikroekonomie Ing. Jaroslav ŠETEK, Ph.D. Katedra ekonomiky, JČU Téma cvičení Firma Příjmy, zisk Produkční analýza Opakování Spotřebitel Máte danou funkci celkového užitku TU ve tvaru: 300X - 10X 2 (X značí

Více

ANALYTICKÁ GEOMETRIE LINEÁRNÍCH ÚTVARŮ V ROVINĚ

ANALYTICKÁ GEOMETRIE LINEÁRNÍCH ÚTVARŮ V ROVINĚ ANALYTICKÁ GEOMETRIE LINEÁRNÍCH ÚTVARŮ V ROVINĚ Parametrické vyjádření přímky v rovině Máme přímku p v rovině určenou body A, B. Sestrojíme vektor u = B A. Pro bod B tím pádem platí: B = A + u. Je zřejmé,

Více

Náhodný vektor a jeho charakteristiky

Náhodný vektor a jeho charakteristiky Náhodný vektor a jeho číselné charakteristiky 1 Náhodný vektor a jeho charakteristiky V následující kapitole budeme věnovat pozornost pouze dvourozměřnému náhodnému vektoru, i když uvedené pojmy a jejich

Více

Příklady ke cvičením. Modelování produkčních a logistických systémů

Příklady ke cvičením. Modelování produkčních a logistických systémů Modelování produkčních a logistických systémů Katedra logistiky, kvality a automobilové techniky Garant, přednášející, cvičící: Jan Fábry 10.12.2018 Příklady ke cvičením Opakování lineárního programování

Více

Slovní úlohy I

Slovní úlohy I ..1 Slovní úlohy I Předpoklady: 0008 Pedagogická poznámka: Slovní úlohy jsou problém, hlavně pro to, že neexistuje jednoznačný algoritmus na jejich řešení. Této první hodiny se však problémy netýkají,

Více

Matematika I, část I. Rovnici (1) nazýváme vektorovou rovnicí roviny ABC. Rovina ABC prochází bodem A a říkáme, že má zaměření u, v. X=A+r.u+s.

Matematika I, část I. Rovnici (1) nazýváme vektorovou rovnicí roviny ABC. Rovina ABC prochází bodem A a říkáme, že má zaměření u, v. X=A+r.u+s. 3.4. Výklad Předpokládejme, že v prostoru E 3 jsou dány body A, B, C neležící na jedné přímce. Těmito body prochází jediná rovina, kterou označíme ABC. Určíme vektory u = B - A, v = C - A, které jsou zřejmě

Více

4EK201 Matematické modelování. 10. Teorie rozhodování

4EK201 Matematické modelování. 10. Teorie rozhodování 4EK201 Matematické modelování 10. Teorie rozhodování 10. Rozhodování Rozhodování = proces výběru nějaké možnosti (varianty) podle stanoveného kritéria za účelem dosažení stanovených cílů Rozhodovatel =

Více

Mikroekonomie. Minulá přednáška - podstatné. Náklady firmy v krátkém a dlouhém období. Důležité vzorce. Náklady v krátkém období - graficky

Mikroekonomie. Minulá přednáška - podstatné. Náklady firmy v krátkém a dlouhém období. Důležité vzorce. Náklady v krátkém období - graficky Minulá přednáška - podstatné Mikroekonomie Ing. Jaroslav ŠETEK, Ph.D. Katedra ekonomiky, JČU Typologie nákladů firmy Náklady v krátkém období Náklady v dlouhém období Důležité vzorce TC = FC + VC AC =

Více

Parametrické programování

Parametrické programování Parametrické programování Příklad 1 Parametrické pravé strany Firma vyrábí tři výrobky. K jejich výrobě potřebuje jednak surovinu a jednak stroje, na kterých dochází ke zpracování. Na první výrobek jsou

Více

Jiří Neubauer. Katedra ekonometrie FEM UO Brno

Jiří Neubauer. Katedra ekonometrie FEM UO Brno Přednáška č. 11 Katedra ekonometrie FEM UO Brno Jedná se o speciální případ dopravních úloh, řeší např. problematiku optimálního přiřazení strojů na pracoviště. Příklad Podnik má k dispozici 3 jeřáby,

Více

14. přednáška. Přímka

14. přednáška. Přímka 14 přednáška Přímka Začneme vyjádřením přímky v prostoru Přímku v prostoru můžeme vyjádřit jen parametricky protože obecná rovnice přímky v prostoru neexistuje Přímka v prostoru je určena bodem A= [ a1

Více

1.1 Příklad z ekonomického prostředí 1

1.1 Příklad z ekonomického prostředí 1 1.1 Příklad z ekonomického prostředí 1 Smysl solidního zvládnutí matematiky v bakalářských oborech na Fakultě podnikatelské VUT v Brně je především v aplikační síle matematiky v odborných předmětech a

Více

Příklady modelů lineárního programování

Příklady modelů lineárního programování Příklady modelů lineárního programování Příklad 1 Optimalizace výroby konzerv. Podnik vyrábí nějaký výrobek, který prodává v 1 kg a 2 kg konzervách, přičemž se řídí podle následujících velmi zjednodušených

Více

Řešení domácího úkolu

Řešení domácího úkolu Úkol 1 Řešení domácího úkolu Podrobný popis řešení - analogie na seminář IV. a) Napište produkční funkce Na 1 botu potřebujeme 4 jednotky práce Na 1 tkaničku potřebujeme 2 jednotky práce b) Odvoďte v algebraické

Více

Popisná statistika kvantitativní veličiny

Popisná statistika kvantitativní veličiny StatSoft Popisná statistika kvantitativní veličiny Protože nám surová data obvykle žádnou smysluplnou informaci neposkytnou, je žádoucí vyjádřit tyto ve zhuštěnější formě. V předchozím dílu jsme začali

Více

Operační výzkum. Teorie her cv. Hra v normálním tvaru. Optimální strategie. Maticové hry.

Operační výzkum. Teorie her cv. Hra v normálním tvaru. Optimální strategie. Maticové hry. Operační výzkum Teorie her cv. Hra v normálním tvaru. Optimální strategie. Maticové hry. Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu Fakulty

Více

Simplexové tabulky z minule. (KMI ZF JU) Lineární programování EMM a OA O6 1 / 25

Simplexové tabulky z minule. (KMI ZF JU) Lineární programování EMM a OA O6 1 / 25 Simplexové tabulky z minule (KMI ZF JU) Lineární programování EMM a OA O6 1 / 25 Simplexová metoda symbolicky Výchozí tabulka prom. v bázi zákl. proměné přídatné prom. omez. A E b c T 0 0 Tabulka po přepočtu

Více

Aplikovaná numerická matematika

Aplikovaná numerická matematika Aplikovaná numerická matematika 6. Metoda nejmenších čtverců doc. Ing. Róbert Lórencz, CSc. České vysoké učení technické v Praze Fakulta informačních technologií Katedra počítačových systémů Příprava studijních

Více

5 NÁKLADY PODNIKU A JEJICH KALKULACE

5 NÁKLADY PODNIKU A JEJICH KALKULACE 5 NÁKLADY PODNIKU A JEJICH KALKULACE Náklady podniku můžeme charakterizovat jako peněžně vyjádřenou spotřebu výrobních faktorů účelně vynaložených na tvorbu podnikových výnosů včetně dalších nutných nákladů

Více

Matematika I, část I Vzájemná poloha lineárních útvarů v E 3

Matematika I, část I Vzájemná poloha lineárních útvarů v E 3 3.6. Vzájemná poloha lineárních útvarů v E 3 Výklad A. Vzájemná poloha dvou přímek Uvažujme v E 3 přímky p, q: p: X = A + ru q: X = B + sv a hledejme jejich společné body, tj. hledejme takové hodnoty parametrů

Více

Příklady k T 2 (platí pro seminární skupiny 1,4,10,11)!!!

Příklady k T 2 (platí pro seminární skupiny 1,4,10,11)!!! Příklady k T 2 (platí pro seminární skupiny 1,4,10,11)!!! Příklad 1.: Obchodník prodává pouze jeden druh zboží a ten také výhradně nakupuje. Činí tak v malém rozsahu, a proto koupil 500 výrobků po 10 Kč

Více

4EK311 Operační výzkum. 3. Optimalizační software a stabilita řešení úloh LP

4EK311 Operační výzkum. 3. Optimalizační software a stabilita řešení úloh LP 4EK311 Operační výzkum 3. Optimalizační software a stabilita řešení úloh LP 3.1 Příklad matematický model Lis: 1 x 1 + 2 x 2 120 [min] Balení: 1 x 1 + 4 x 2 180 [min] Poptávka: 1 x 1 1 x 2 90 [krabiček]

Více

T T. Think Together 2013. Jan Rydval THINK TOGETHER

T T. Think Together 2013. Jan Rydval THINK TOGETHER Česká zemědělská univerzita v Praze Provozně ekonomická fakulta Doktorská vědecká konference 4. února 2013 T T THINK TOGETHER Think Together 2013 Měření efektivnosti jazykových kurzů pomocí DEA modelů

Více

Ing. Alena Šafrová Drášilová, Ph.D.

Ing. Alena Šafrová Drášilová, Ph.D. Rozhodování Ing. Alena Šafrová Drášilová, Ph.D. Rozhodování??? video Obsah typy rozhodování principy rozhodování rozhodovací fáze základní pojmy hodnotícího procesu rozhodovací podmínky rozhodování v podmínkách

Více

Poznámka. V některých literaturách se pro označení vektoru také používá symbolu u.

Poznámka. V některých literaturách se pro označení vektoru také používá symbolu u. Vektory, operace s vektory Ž3 Orientovaná úsečka Mějme dvojici bodů, (na přímce, v rovině nebo prostoru), které spojíme a vznikne tak úsečka. Pokud budeme rozlišovat, zda je spojíme od k nebo od k, říkáme,

Více

4EK311 Operační výzkum. 1. Úvod do operačního výzkumu

4EK311 Operační výzkum. 1. Úvod do operačního výzkumu 4EK311 Operační výzkum 1. Úvod do operačního výzkumu Mgr. Jana SEKNIČKOVÁ, Ph.D. Nová budova, místnost 433 Konzultační hodiny InSIS E-mail: jana.seknickova@vse.cz Web: jana.seknicka.eu/vyuka Garant kurzu:

Více

CVIČNÝ TEST 51. OBSAH I. Cvičný test 2. Mgr. Tomáš Kotler. II. Autorské řešení 6 III. Klíč 15 IV. Záznamový list 17

CVIČNÝ TEST 51. OBSAH I. Cvičný test 2. Mgr. Tomáš Kotler. II. Autorské řešení 6 III. Klíč 15 IV. Záznamový list 17 CVIČNÝ TEST 51 Mgr. Tomáš Kotler OBSAH I. Cvičný test 2 II. Autorské řešení 6 III. Klíč 15 IV. Záznamový list 17 I. CVIČNÝ TEST VÝCHOZÍ TEXT A OBRÁZEK K ÚLOZE 1 V obchodě s kouzelnickými potřebami v Kocourkově

Více

Číselné charakteristiky a jejich výpočet

Číselné charakteristiky a jejich výpočet Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz charakteristiky polohy charakteristiky variability charakteristiky koncetrace charakteristiky polohy charakteristiky

Více

Vzdělávací oblast: Matematika a její aplikace Vzdělávací obor: Matematický kroužek pro nadané žáky ročník 9.

Vzdělávací oblast: Matematika a její aplikace Vzdělávací obor: Matematický kroužek pro nadané žáky ročník 9. Vzdělávací oblast: Matematika a její aplikace Vzdělávací obor: Matematický kroužek pro nadané žáky ročník 9. Školní rok 2013/2014 Mgr. Lenka Mateová Kapitola Téma (Učivo) Znalosti a dovednosti (výstup)

Více

4EK213 Lineární modely. 4. Simplexová metoda - závěr

4EK213 Lineární modely. 4. Simplexová metoda - závěr 4EK213 Lineární modely 4. Simplexová metoda - závěr 4. Simplexová metoda - závěr Konečnost simplexové metody Degenerace Modifikace pravidla pro volbu vstupující proměnné Blandovo pravidlo Kontrola výpočtu

Více

V předchozí kapitole jsme podstatným způsobem rozšířili naši představu o tom, co je to číslo. Nadále jsou pro nás důležité především vlastnosti

V předchozí kapitole jsme podstatným způsobem rozšířili naši představu o tom, co je to číslo. Nadále jsou pro nás důležité především vlastnosti Kapitola 5 Vektorové prostory V předchozí kapitole jsme podstatným způsobem rozšířili naši představu o tom, co je to číslo. Nadále jsou pro nás důležité především vlastnosti operací sčítání a násobení

Více

Řešení domácího úkolu

Řešení domácího úkolu Úkol 1 Řešení domácího úkolu Podrobný popis řešení - analogie na seminář IV. a) Napište produkční funkce Na 1 hektolitr Spritu potřebujeme 48 jednotek práce Na 1 hektolitr Coly potřebujeme 24 jednotek

Více

Numerická matematika. Zadání 25. Řešení diferenciální rovnice Rungovou Kuttovou metodou

Numerická matematika. Zadání 25. Řešení diferenciální rovnice Rungovou Kuttovou metodou Numerická matematika Zadání 25. Řešení diferenciální rovnice Rungovou Kuttovou metodou Václav Bubník, xbubni01, sk. 60 FIT VUT v Brně, 2004 Obsah Numerická matematika...1 1. Teorie... 3 1.1 Diferenciální

Více

8.3). S ohledem na jednoduchost a názornost je výhodné seznámit se s touto Základní pojmy a vztahy. Definice

8.3). S ohledem na jednoduchost a názornost je výhodné seznámit se s touto Základní pojmy a vztahy. Definice 9. Lineární diferenciální rovnice 2. řádu Cíle Diferenciální rovnice, v nichž hledaná funkce vystupuje ve druhé či vyšší derivaci, nazýváme diferenciálními rovnicemi druhého a vyššího řádu. Analogicky

Více

příkladů do cvičení. V textu se objeví i pár detailů, které jsem nestihl (na které jsem zapomněl) a(b u) = (ab) u, u + ( u) = 0 = ( u) + u.

příkladů do cvičení. V textu se objeví i pár detailů, které jsem nestihl (na které jsem zapomněl) a(b u) = (ab) u, u + ( u) = 0 = ( u) + u. Několik řešených příkladů do Matematiky Vektory V tomto textu je spočteno několik ukázkových příkladů které vám snad pomohou při řešení příkladů do cvičení. V textu se objeví i pár detailů které jsem nestihl

Více

Řešení domácího úkolu

Řešení domácího úkolu Úkol 1 Řešení domácího úkolu Podrobný popis řešení - analogie na seminář IV. a) Napište produkční funkce Na 1 hektolitr Smoothie potřebujeme 72 jednotek práce Na 1 hektolitr Kofoly potřebujeme 36 jednotek

Více

4. Aplikace matematiky v ekonomii

4. 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 =

Více

Definice. Vektorový prostor V nad tělesem T je množina s operacemi + : V V V, tj. u, v V : u + v V : T V V, tj. ( u V )( a T ) : a u V které splňují

Definice. Vektorový prostor V nad tělesem T je množina s operacemi + : V V V, tj. u, v V : u + v V : T V V, tj. ( u V )( a T ) : a u V které splňují Definice. Vektorový prostor V nad tělesem T je množina s operacemi + : V V V, tj. u, v V : u + v V : T V V, tj. ( u V )( a T ) : a u V které splňují 1. u + v = v + u, u, v V 2. (u + v) + w = u + (v + w),

Více

Obr. P1.1 Zadání úlohy v MS Excel

Obr. P1.1 Zadání úlohy v MS Excel Přílohy Příloha 1 Řešení úlohy lineárního programování v MS Excel V této příloze si ukážeme, jak lze řešit úlohy lineárního programování pomocí tabulkového procesoru MS Excel. Výpočet budeme demonstrovat

Více

Přehled matematického aparátu

Přehled matematického aparátu Přehled matematického aparátu Ekonomie je směsí historie, filozofie, etiky, psychologie, sociologie a dalších oborů je tak příslovečným tavicím kotlem ostatních společenských věd. Ekonomie však často staví

Více

Statistika pro geografy

Statistika pro geografy Statistika pro geografy 2. Popisná statistika Mgr. David Fiedor 23. února 2015 Osnova 1 2 3 Pojmy - Bodové rozdělení četností Absolutní četnost Absolutní četností hodnoty x j znaku x rozumíme počet statistických

Více

4EK311 Operační výzkum. 2. Lineární programování

4EK311 Operační výzkum. 2. Lineární programování 4EK311 Operační výzkum 2. Lineární programování 2.2 Matematický model úlohy LP Nalézt extrém účelové funkce z = c 1 x 1 + c 2 x 2 + + c n x n na soustavě vlastních omezení a 11 x 1 + a 12 x 2 + a 13 x

Více

Regresní a korelační analýza

Regresní 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).

Více

4EK213 LINEÁRNÍ MODELY

4EK213 LINEÁRNÍ MODELY 4EK213 LINEÁRNÍ MODELY Úterý 11:00 12:30 hod. učebna SB 324 3. přednáška SIMPLEXOVÁ METODA I. OSNOVA PŘEDNÁŠKY Standardní tvar MM Základní věta LP Princip simplexové metody Výchozí řešení SM Zlepšení řešení

Více

Cílem této kapitoly je uvedení pojmu matice a jejich speciálních typů. Čtenář se seznámí se základními vlastnostmi matic a s operacemi s maticemi

Cílem této kapitoly je uvedení pojmu matice a jejich speciálních typů. Čtenář se seznámí se základními vlastnostmi matic a s operacemi s maticemi 2.2. Cíle Cílem této kapitoly je uvedení pojmu matice a jejich speciálních typů. Čtenář se seznámí se základními vlastnostmi matic a s operacemi s maticemi Předpokládané znalosti Předpokladem zvládnutí

Více

Funkce a lineární funkce pro studijní obory

Funkce a lineární funkce pro studijní obory Variace 1 Funkce a lineární funkce pro studijní obory Autor: Mgr. Jaromír JUŘEK Kopírování a jakékoliv další využití výukového materiálu je povoleno pouze s uvedením odkazu na www.jarjurek.cz. 1. Funkce

Více

4. Křivka nabídky monopolní firmy je totožná s částí křivky mezních nákladů.

4. Křivka nabídky monopolní firmy je totožná s částí křivky mezních nákladů. Firma v nedokonalé konkurenci 1. Zdroji nedokonalé konkurence jsou: - jednak nákladové podmínky podnikání, - jednak. 2. Zapište vzorec Lernerova indexu. K čemu slouží? 3. Zakreslete celkový příjem monopolní

Více

10. 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.

10. 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

Více

Metodický list č. 1 FUNKCE, ZISK A VZTAHY MEZI ZÁKLADNÍMI EKONOMICKÝMI VELIČINAMI PODNIKU

Metodický 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,

Více

VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA EKONOMICKÁ FAKULTA KATEDRA FINANCÍ

VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA EKONOMICKÁ FAKULTA KATEDRA FINANCÍ VYSOKÁ ŠKOLA BÁŇSKÁ TECHNICKÁ UNIVERZITA OSTRAVA EKONOMICKÁ FAKULTA KATEDRA FINANCÍ Hodnocení eficience finanční výkonnosti podniků potravinářského průmyslu pomocí metody DEA Evaluation of Financial Performance

Více

Josef Keder, Lenka Janatová Český hydrometeorologický ústav

Josef Keder, Lenka Janatová Český hydrometeorologický ústav ZHODNOENÍ MOŽNOSTI SNÍŽENÍ ČETNOSTI VÝSKYTU PŘEKRAČOVÁNÍ IMISNÍH LIMITŮ ESTOU REGULAE EMISÍ Josef Keder, Lenka Janatová Český hydrometeorologický ústav MOTIVAE Potřeba aplikace vhodných opatření k expozici

Více

CVIČNÝ TEST 15. OBSAH I. Cvičný test 2. Mgr. Tomáš Kotler. II. Autorské řešení 6 III. Klíč 15 IV. Záznamový list 17

CVIČNÝ TEST 15. OBSAH I. Cvičný test 2. Mgr. Tomáš Kotler. II. Autorské řešení 6 III. Klíč 15 IV. Záznamový list 17 CVIČNÝ TEST 15 Mgr. Tomáš Kotler OBSAH I. Cvičný test 2 II. Autorské řešení 6 III. Klíč 15 IV. Záznamový list 17 I. CVIČNÝ TEST VÝCHOZÍ TEXT K ÚLOZE 1 Je dána čtvercová mřížka, v níž každý čtverec má délku

Více

4EK213 Lineární modely. 5. Dualita v úlohách LP

4EK213 Lineární modely. 5. Dualita v úlohách LP 4EK213 Lineární modely 5. Dualita v úlohách LP 5. Dualita v úlohách LP Obecné vyjádření simplexové tabulky Formulace duálního problému Formulace symetrického duálního problému Formulace nesymetrického

Více

1 Mnohočleny a algebraické rovnice

1 Mnohočleny a algebraické rovnice 1 Mnohočleny a algebraické rovnice 1.1 Pojem mnohočlenu (polynomu) Připomeňme, že výrazům typu a 2 x 2 + a 1 x + a 0 říkáme kvadratický trojčlen, když a 2 0. Číslům a 0, a 1, a 2 říkáme koeficienty a písmenem

Více

Funkce pro studijní obory

Funkce pro studijní obory Variace 1 Funkce pro studijní obory Autor: Mgr. Jaromír JUŘEK Kopírování a jakékoliv další využití výukového materiálu je povoleno pouze s uvedením odkazu na www.jarjurek.cz. 1. Funkce Funkce je přiřazení,

Více

i=1 Přímka a úsečka. Body, které leží na přímce procházející body a a b můžeme zapsat pomocí parametrické rovnice

i=1 Přímka a úsečka. Body, které leží na přímce procházející body a a b můžeme zapsat pomocí parametrické rovnice I. Funkce dvou a více reálných proměnných 1. Úvod Značení: V textu budeme používat označení: N pro množinu všech přirozených čísel; R pro množinu všech reálných čísel; R n pro množinu všech uspořádaných

Více

Operační výzkum. Teorie her. Řešení maticových her převodem na úlohu LP.

Operační výzkum. Teorie her. Řešení maticových her převodem na úlohu LP. Operační výzkum Řešení maticových her převodem na úlohu LP. Operační program Vzdělávání pro konkurenceschopnost Název projektu: Inovace magisterského studijního programu Fakulty ekonomiky a managementu

Více

4EK212 Kvantitativní management. 1. Úvod do kvantitativního managementu a LP

4EK212 Kvantitativní management. 1. Úvod do kvantitativního managementu a LP 4EK212 Kvantitativní management 1. Úvod do kvantitativního managementu a LP Mgr. Jana SEKNIČKOVÁ, Ph.D. Nová budova, místnost 433 Konzultační hodiny InSIS E-mail: jana.seknickova@vse.cz Web: jana.seknicka.eu/vyuka

Více

Projekt OPVK - CZ.1.07/1.1.00/ Matematika pro všechny. Univerzita Palackého v Olomouci

Projekt OPVK - CZ.1.07/1.1.00/ Matematika pro všechny. Univerzita Palackého v Olomouci Projekt OPVK - CZ.1.07/1.1.00/26.0047 Matematika pro všechny Univerzita Palackého v Olomouci Tematický okruh: Závislosti a funkční vztahy Gradovaný řetězec úloh Téma: graf funkce, derivace funkce a její

Více

IB112 Základy matematiky

IB112 Základy matematiky IB112 Základy matematiky Řešení soustavy lineárních rovnic, matice, vektory Jan Strejček IB112 Základy matematiky: Řešení soustavy lineárních rovnic, matice, vektory 2/53 Obsah Soustava lineárních rovnic

Více

Přílohy. Příloha 1. Obr. P1.1 Zadání úlohy v MS Excel

Přílohy. Příloha 1. Obr. P1.1 Zadání úlohy v MS Excel Přílohy Příloha 1 Řešení úlohy lineárního programování v MS Excel V této příloze si ukážeme, jak lze řešit úlohy lineárního programování pomocí tabulkového procesoru MS Excel 2007. Výpočet budeme demonstrovat

Více

Tento projekt je spolufinancován Evropským sociálním fondem a Státním rozpočtem ČR InoBio CZ.1.07/2.2.00/28.0018

Tento projekt je spolufinancován Evropským sociálním fondem a Státním rozpočtem ČR InoBio CZ.1.07/2.2.00/28.0018 Tento projekt je spolufinancován Evropským sociálním fondem a Státním rozpočtem ČR InoBio CZ.1.07/2.2.00/28.0018 Kalkulace nákladů - příklady Ekonomika lesního hospodářství 12. cvičení Náklady, vymezení

Více

6. Teorie výroby Průvodce studiem: 6.2 Produkční analýza v krátkém období celkový (fyzický) produkt (TP)

6. Teorie výroby Průvodce studiem: 6.2 Produkční analýza v krátkém období celkový (fyzický) produkt (TP) 6. Teorie výroby Firma vystupuje na trhu finální produkce v pozici nabízejícího a současně na trhu výrobních faktorů v pozici poptávajícího. Firma používá různé vstupy (výrobní faktory), které ve výrobě

Více

CVIČNÝ TEST 13. OBSAH I. Cvičný test 2. Mgr. Zdeňka Strnadová. II. Autorské řešení 6 III. Klíč 15 IV. Záznamový list 17

CVIČNÝ TEST 13. OBSAH I. Cvičný test 2. Mgr. Zdeňka Strnadová. II. Autorské řešení 6 III. Klíč 15 IV. Záznamový list 17 CVIČNÝ TEST 13 Mgr. Zdeňka Strnadová OBSAH I. Cvičný test 2 II. Autorské řešení 6 III. Klíč 15 IV. Záznamový list 17 I. CVIČNÝ TEST VÝCHOZÍ TEXT A OBRÁZEK K ÚLOZE 1 V trojúhelníku ABC na obrázku dělí úsečka

Více

4. Napjatost v bodě tělesa

4. Napjatost v bodě tělesa p04 1 4. Napjatost v bodě tělesa Předpokládejme, že bod C je nebezpečným bodem tělesa a pro zabránění vzniku mezních stavů je m.j. třeba zaručit, že napětí v tomto bodě nepřesáhne definované mezní hodnoty.

Více