4EK311 Operační výzkum. 7. Modely řízení zásob

Podobné dokumenty
4EK201 Matematické modelování. 7. Modely zásob

MODELY ŘÍZENÍ ZÁSOB nákladově orientované modely poptávka pořizovací lhůta dodávky předstih objednávky deterministické stochastické

4EK311 Operační výzkum. 7. Modely řízení zásob

Úvod Modely zásob Shrnutí. Teorie zásob. Kristýna Slabá. 9. ledna 2009

4EK311 Operační výzkum. 6. Řízení projektů

Technická univerzita v Liberci Fakulta mechatroniky, informatiky a mezioborových studií. Petr Rálek, Josef Novák, Josef Chudoba

4EK212 Kvantitativní management. 7.Řízení projektů

Stochastické modely Informace k závěrečné zkoušce

Statické modely zásob Nazývají se také modely s jedním cyklem. Pořízení potřebných zásob se realizuje jedinou dodávkou.

EKONOMIKA PODNIKU PŘEDNÁŠKA č.2

Logistika v zásobování. Modely zásob.

4EK311 Operační výzkum. 1. Úvod do operačního výzkumu

Vysoká škola technická a ekonomická v Českých Budějovicích. Institute of Technology And Business In České Budějovice

Optimalizace skladových zásob ve firmě Molat spol. s r. o. - Stavebniny

Vstup a úkoly pro 4. kapitolu LOGISTIKA V ZÁSOBOVÁNÍ. MODELY ZÁSOB. Smysl zásob

Simulační modely. Kdy použít simulaci?

Definice spojité náhodné veličiny zjednodušená verze

Řízení projektů. Konstrukce síťového grafu pro řízení projektů Metoda CPM Metoda PERT

E(X) = np D(X) = np(1 p) 1 2p np(1 p) (n + 1)p 1 ˆx (n + 1)p. A 3 (X) =

Optimalizace skladových zásob ve firmě Tradix, a. s.

X = x, y = h(x) Y = y. hodnotám x a jedné hodnotě y. Dostaneme tabulku hodnot pravděpodobnostní

Teorie zásob Logistika a mezinárodní obchod

Odhad parametrů N(µ, σ 2 )

ROZDĚLENÍ SPOJITÝCH NÁHODNÝCH VELIČIN

Definice logistiky Evropská logistická asociace - ELA:

NÁHODNÉ VELIČINY JAK SE NÁHODNÁ ČÍSLA PŘEVEDOU NA HODNOTY NÁHODNÝCH VELIČIN?

Výběrové charakteristiky a jejich rozdělení

Qopt. = (2 x C x D) / S

y = 0, ,19716x.

4EK311 Operační výzkum. 5. Teorie grafů

4EK201 Matematické modelování. 8. Modely hromadné obsluhy

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

Teorie zásob. Kvantifikace zásob. V zásobách je vázáno v průměru 20 % kapitálu (u výrobních podniků) až 50 % kapitálu (u obchodních podniků).

Příklady - Bodový odhad

Statistika a spolehlivost v lékařství Charakteristiky spolehlivosti prvků I

4EK311 Operační výzkum. 4. Distribuční úlohy LP část 1

Příklad 1. Řešení 1a. Řešení 1b. Řešení 1c ŘEŠENÉ PŘÍKLADY Z MV2 ČÁST 7

4EK213 Lineární modely. 4. Simplexová metoda - závěr

JEDNOVÝBĚROVÉ TESTY. Komentované řešení pomocí programu Statistica

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.

SYSTÉMOVÁ METODOLOGIE (VIII) Operační výzkum. Ak. rok 2011/2012 vbp 1

Aplikace při posuzování inv. projektů

ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE Fakulta dopravní. Strategie řízení zásob

STATISTICKÉ ODHADY Odhady populačních charakteristik

Odhad parametrů N(µ, σ 2 )

VI. přednáška Řízení zásob II.

STANOVENÍ SPOLEHLIVOSTI GEOTECHNICKÝCH KONSTRUKCÍ. J. Pruška, T. Parák

Téma 22. Ondřej Nývlt

P13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod.

4EK213 Lineární modely. 5. Dualita v úlohách LP

Normální rozložení a odvozená rozložení

I. D i s k r é t n í r o z d ě l e n í

VYBRANÁ ROZDĚLENÍ. DISKRÉTNÍ NÁH. VELIČINY Martina Litschmannová

Mgr. Rudolf Blažek, Ph.D. prof. RNDr. Roman Kotecký Dr.Sc.

1. Přednáška. Ing. Miroslav Šulai, MBA

p(x) = P (X = x), x R,

Modely teorie grafů, min.kostra, max.tok, CPM, MPM, PERT

PRAVDĚPODOBNOST A STATISTIKA

Celkové dopravní náklady (TTC) lze spočítat jako : Součin variabilních nákladů a přepravovaného množství zvýšený o fixní náklad

MATEMATICKÁ STATISTIKA. Katedra matematiky a didaktiky matematiky Technická univerzita v Liberci

Přednáška. Další rozdělení SNP. Limitní věty. Speciální typy rozdělení. Další rozdělení SNP Limitní věty Speciální typy rozdělení

9. T r a n s f o r m a c e n á h o d n é v e l i č i n y

Stručný úvod do testování statistických hypotéz

Matematicko-fyzikální fakulta Univerzity Karlovy

Náhodné chyby přímých měření

Jednofaktorová analýza rozptylu

VYBRANÁ ROZDĚLENÍ. SPOJITÉ NÁH. VELIČINY Martina Litschmannová

Chyby měření 210DPSM

Optimalizace řízení zásob distributora zdravotnického materiálu

4. Aplikace matematiky v ekonomii

LIMITNÍ VĚTY DALŠÍ SPOJITÁ ROZDĚLENÍ PR. 8. cvičení

Projekt: 1.5, Registrační číslo: CZ.1.07/1.5.00/ Majetek podniku

Příklady: - počet členů dané domácnosti - počet zákazníků ve frontě - počet pokusů do padnutí čísla šest - životnost televizoru - věk člověka

Sestavování rozpočtové výsledovky, rozvahy a rozpočtu peněžních toků + integrace finančního a věcného plánu

MODELY OLIGOPOLU COURNOTŮV MODEL, STACKELBERGŮV MODEL

Test z teorie VÝBĚROVÉ CHARAKTERISTIKY A INTERVALOVÉ ODHADY

4EK201 Matematické modelování. 11. Ekonometrie

Aproximace binomického rozdělení normálním

populace soubor jednotek, o jejichž vlastnostech bychom chtěli vypovídat letní semestr Definice subjektech.

Generování pseudonáhodných. Ing. Michal Dorda, Ph.D.

Osnova p ednášky Logistické systémy a jejich LOGISTICKÉ SYSTÉMY charakteristika / 2 1 / 3 Typy distribu ních systém Typy distribu

Pravděpodobnost a aplikovaná statistika

Václav Jirchář, ZTGB

Náhodné (statistické) chyby přímých měření

4EK311 Operační výzkum. 8. Modely hromadné obsluhy

Normální (Gaussovo) rozdělení

Téma 2: Pravděpodobnostní vyjádření náhodných veličin

Přednáška. Diskrétní náhodná proměnná. Charakteristiky DNP. Základní rozdělení DNP

Charakterizace rozdělení

Matematické modelování 4EK201

Časové rezervy. Celková rezerva činnosti

VYUŽITÍ PRAVDĚPODOBNOSTNÍ METODY MONTE CARLO V SOUDNÍM INŽENÝRSTVÍ

Obchodní přirážka. Procento obchodní přirážky

Teorie her a ekonomické rozhodování. 7. Hry s neúplnou informací

Jiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel

Nestranný odhad Statistické vyhodnocování exp. dat M. Čada

pravděpodobnosti 9 Některá význačná diskrétní rozdělení pravděpodobnosti

STATISTICKÉ ZJIŠŤOVÁNÍ

Časové řady, typy trendových funkcí a odhady trendů

Časové řady, typy trendových funkcí a odhady trendů

Transkript:

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 model se spojitou poptávkou Předpoklady: Stochastická poptávka Q známé pravděpodobnostní rozdělení Pořizovací lhůta dodávky d je známá a konstantní Čerpání zásob ze skladu odpovídá aktuální poptávce Velikost všech objednávek (dodávek) q je konstantní Bez rabatů nákupní cena c n nezávisí na velikosti objednávky q K doplňování skladu dochází v jednom časovém okamžiku K doplňování skladu dochází přesně v okamžiku, kdy je vyčerpán (žádný nedostatek) Mgr. Sekničková Jana, Ph.D. 3

7.4 Stochastický model se spojitou poptávkou Objednávka je vystavena v okamžiku, kdy je množství zásob na skladě rovno bodu znovuobjednávky, tedy r Pořizovací lhůta je d a během této lhůty je skutečná poptávka po zboží rovna Q d Během zásobovacího cyklu (vzhledem k náhodnosti poptávky) mohou nastat dvě možné situace: 1. Q d < r 2. Q d > r Mgr. Sekničková Jana, Ph.D. 4

1. Q d < r 7.4 Stochastický model se spojitou poptávkou Poptávka během pořizovací lhůty Q d bude nižší než bod znovuobjednávky r Nová dodávka přijde na sklad v okamžiku, kdy tam je ještě zboží Přebytek zásob na skladě Cyklus I na obrázku Mgr. Sekničková Jana, Ph.D. 5

2. Q d > r 7.4 Stochastický model se spojitou poptávkou Poptávka během pořizovací lhůty Q d bude vyšší než bod znovuobjednávky r Nová dodávka přijde na sklad v okamžiku, kdy již byly zásoby vyčerpány a došlo k neuspokojení požadavků Nedostatek zásob na skladě Cyklus II na obrázku Mgr. Sekničková Jana, Ph.D. 6

7.4 Stochastický model se spojitou poptávkou Poptávka Q je popsána Typem rozdělení (rovnoměrné, normální, apod.) Svou střední hodnotou μ Q Svou směrodatnou odchylkou σ Q (nebo rozptylem σ Q 2 ) Poptávka během pořizovací lhůty Q d má pak Střední hodnotu μ d = d μ Q Směrodatnou odchylku σ d = d σ Q Mgr. Sekničková Jana, Ph.D. 7

7.4 Stochastický model se spojitou poptávkou Pro výpočty použijeme vztahy z EOQ modelu (kde Q = μ Q ) N = c s q 2 + c d μ Q q N s = N d = N = μ Q c s c d 2 2 μ Q c s c d q = t d = q μ Q 2 μ Q c d c s r = d μ Q = μ d Mgr. Sekničková Jana, Ph.D. 8

Předpoklad: 7.4 Stochastický model se spojitou poptávkou Poptávka během pořizovací lhůty Q d má (normální) rozdělení Se střední hodnotou μ d = d μ Q Se směrodatnou odchylkou σ d = d σ Q Vystavíme-li objednávku v okamžiku, který odpovídá bodu znovuobjednávky r = μ d S pravděpodobností 50 % dojde k přebytku zásob a S pravděpodobností 50 % dojde k nedostatku zásob Mgr. Sekničková Jana, Ph.D. 9

7.4 Stochastický model se spojitou poptávkou Úroveň obsluhy γ = pravděpodobnost, že v rámci jednoho cyklu nedojde k neuspokojení požadavků pravděpodobnost, že nedojde k nedostatku zásob Pro r = r je γ = 0,5. Pro zvýšení γ je třeba vystavit objednávku dříve: v okamžiku, kdy je na skladě více zásob, tedy r > r, označme tento bod znovuobjednávky r γ Mgr. Sekničková Jana, Ph.D. 10

7.4 Stochastický model se spojitou poptávkou Úroveň obsluhy γ = pravděpodobnost, že v rámci jednoho cyklu nedojde k neuspokojení požadavků Bod znovuobjednávky pro úroveň obsluhy γ: r γ = r + w kde w představuje pojistnou zásobu = dodatečná zásoba, která umožňuje pokrýt převis poptávky v průběhu pořizovací lhůty Vyšší pojistná zásoba však zvyšuje skladovací náklady N s Střední hodnota celkových nákladů μ N = 2 μ Q c s c d + c s w Mgr. Sekničková Jana, Ph.D. 11 Skladovací náklady pojistné zásoby

7.4 Stochastický model se spojitou poptávkou Hledáme w takové, že P(Q d r + w) γ Poptávka během pořizovací lhůty nepřesáhne stav zásob (nedojde k nedostatku) Dle předpokladu má Q d ~N μ d, σ d 2 = N r, σ d 2 Transformovaná veličina (hodnoty tabelovány) z = Q d r σ d ~N 0,1 Odtud Q d = r + z γ σ d A tedy w z γ σ d Mgr. Sekničková Jana, Ph.D. 12

7.4 Spojitá poptávka Příklad Q~N(2 500; 400) ks/měsíc c s = 40 Kč/ks c d = 2 000 Kč/dodávku d = 1 10 μ Q = 2 500 σ Q = 20 = 0,1 měsíce μ d = d μ Q = 250 σ d = d σ Q = 2 q = 500 N s = 10 000 N s = 10 000 N = 20 000 t d = 1 5 r = 250 q = N s = N d = N = t d = q μ Q 2 μ Q c d c s μ Q c d c s 2 μ Q c d c s 2 2 μ Q c d c s r = d μ Q = μ d Mgr. Sekničková Jana, Ph.D. 13

7.4 Spojitá poptávka Příklad Objednáme tedy q = 500 ks v okamžiku, kdy je na skladě posledních r = 250 ks Jaká bude úroveň obsluhy? Jaká je ekonomická interpretace této hodnoty? Co musíme udělat, aby se úroveň obsluhy zvedla na 90 %? w z 0,9 σ d w z 0,9 σ d = 1,282 2 = 2,564 γ = 0,5 A tedy r = r + w 250 + 2,564 = 252,564 Objednávku vystavíme v okamžiku, kdy je na skladě 253 ks zboží. q = 500 r = 250 w z γ σ d μ d = 250 σ d = 2 Mgr. Sekničková Jana, Ph.D. 14

7.4 Spojitá poptávka Příklad Co se změní, pokud chceme úroveň obsluhy zvedla na 95 %? w z 0,95 σ d w z 0,95 σ d = 1,645 2 = 3,290 A tedy r = r + w 250 + 3,290 = 253,290 Co se změní, pokud chceme úroveň obsluhy zvedla na 99 %? w z 0,99 σ d = 2,326 2 = 4,652 A tedy r = r + w 250 + 4,652 = 254,652 Mgr. Sekničková Jana, Ph.D. 15

7.4 Spojitá poptávka Příklad γ r min w w r N s N d N w 0, 5 250 0 0 250 10 000 10 000 0 0, 9 250 2,564 3 253 10 000 10 000 120 0, 95 250 3,290 4 254 10 000 10 000 160 0, 99 250 4,652 5 255 10 000 10 000 200 N = N s + N d + N w = c s q 2 + c d Q q + c s w μ Q = 2 500 ks c s = 40 Kč/ks a měsíc c d = 2 000 Kč/dodávku Mgr. Sekničková Jana, Ph.D. 16

7.5 Stochastický model s jednorázovou zásobou Stochastický model Předpoklady: Velikost poptávky je náhodná veličina se známým rozdělením Před začátkem období je uskutečněna jediná objednávka a dodávka (zásoby nelze doplňovat) Příklad: Sezónní zboží (vánoční stromky, pomlázky apod.) Rychle se kazící zboží (ovoce, zelenina, květiny, ) Mgr. Sekničková Jana, Ph.D. 17

7.5 Stochastický model s jednorázovou zásobou Tři možné situace: 1.) Firma objedná více zboží než prodá q > Q Přebytečné zboží (q Q) firma prodá se slevou za zůstatkovou cenu c z ML = dl dq (mezní ztráta, marginal loss) ML = c n c z (ve skriptech c 1 ) Firma utrpí celkovou ztrátu: L = (c n c z )(q Q) Mgr. Sekničková Jana, Ph.D. 18

7.5 Stochastický model s jednorázovou zásobou Tři možné situace: 2.) Firma objedná méně zboží než by prodala q < Q Chybějící zboží (Q q) způsobí firmě ztrátu na ušlém zisku MPL = dpl dq (mezní ušlý zisk, marginal profit loss) MPL = c p c n (ve skriptech c 2 ) Firma má celkový ušlý zisk: PL = c p c n Q q Mgr. Sekničková Jana, Ph.D. 19

7.5 Stochastický model s jednorázovou zásobou Tři možné situace: 3.) Firma objedná právě tolik zboží kolik prodá q = Q Nedojde k žádným ztrátám ani ušlému zisku Hypotetický případ Vzhledem k nulovým ztrátám není třeba se tímto případem zabývat Mgr. Sekničková Jana, Ph.D. 20

7.5 Stochastický model s jednorázovou zásobou Předpokládejme, že první případ q > Q nastane s pravděpodobností p a druhý případ q < Q s pravděpodobností (1 p) Celkové očekávané náklady související s přebytkem a nedostatkem zásob jsou N = pl + (1 p)pl = p c n c z q Q + (1 p)(c p c n )(Q q) Mgr. Sekničková Jana, Ph.D. 21

7.5 Stochastický model s jednorázovou zásobou Cílem je stanovit takové q, aby celkové náklady N byly minimální Minimalizace (podmínky prvního řádu derivace): dn dq = 0 dn dq = d p c n c z q Q + (1 p)(c p c n )(Q q) dq Mgr. Sekničková Jana, Ph.D. 22

7.5 Stochastický model s jednorázovou zásobou dn dq = d p c n c z q Q + (1 p)(c p c n )(Q q) dq = d p c n c z q p c n c z Q + (1 p) c p c n Q (1 p) c p c n q dq = p c n c z (1 p) c p c n = pml (1 p)mpl dn = pml (1 p)mpl = 0 dq pml = 1 p MPL pml = MPL pmpl pml + pmpl = MPL p(ml + MPL) = MPL p = MPL ML + MPL Mgr. Sekničková Jana, Ph.D. 23

7.5 Stochastický model s jednorázovou zásobou Dokázali jsme (po ověření podmínek druhého řádu), že minimální náklady související s přebytkem a nedostatkem zásob jsou v případě, že MPL p = ML + MPL Pravděpodobnost nedostatku zásob nazýváme úroveň obsluhy a tedy p = γ MPL γ = ML + MPL = c 2 c 1 + c 2 Mgr. Sekničková Jana, Ph.D. 24

7.5 Stochastický model s jednorázovou zásobou MPL γ = ML + MPL = c 2 c 1 + c 2 Optimální počáteční zásoba q : P(q Q) γ Postup: Spočítáme optimální úroveň obsluhy γ Najdeme tabulkovou hodnotu pro příslušné rozdělení Dopočítáme q (zpětnou transformací tabulkové veličiny) Q~N μ Q, σ Q 2 z = Q μ Q σ Q ~N 0,1 q = μ Q + z γ σ Q Mgr. Sekničková Jana, Ph.D. 25

7.5 Jednorázová zásoba Příklad Firma v letní sezóně prodá 75 až 225 ks dámských plavek za 930 Kč za kus Tyto plavky nakupuje za 670 Kč za kus (tato cena obsahuje i dodatečné jednotkové náklady např. na skladování) Pokud plavky v letní sezóně neprodá, vyprodává je v podzimním výprodeji za cenu 550 Kč za kus Jaké množství dámských plavek má objednat, aby minimalizovala celkové náklady? c p = 930 Kč/ks c n = 670 Kč/ks c z = 550 Kč/ks Předpokládejme, že poptávka po plavkách má normální rozdělení. Q~N 150,1875 = N(150, 43,3 2 ) Mgr. Sekničková Jana, Ph.D. 26

7.5 Jednorázová zásoba Příklad c p = 930 Kč/ks c n = 670 Kč/ks c z = 550 Kč/ks ML = 670 550 = 120 Kč/ks ML = c n c z MPL = 930 670 = 260 Kč/ks MPL = c p c n S jakou pravděpodobností dojde k přebytku zásob? p = p = γ = 260 120+260 = 260 380 = 13 19 ሶ = 0,6842 = 68,42 % MPL ML + MPL Mgr. Sekničková Jana, Ph.D. 27

7.5 Jednorázová zásoba Příklad S jakou pravděpodobností dojde k přebytku zásob? γ = 260 120+260 = 260 380 = 13 Q~N(150, 43,3 2 ) 19 ሶ = 0,6842 = 68,42 % z = Q μ Q σ Q ~N 0,1 Q = μ Q + z γ σ Q z 0,6842 = 0,479 q = 150 + 0,479 43,3 = 150 + 20,7407 = 170,7407 = ሶ 171 Mgr. Sekničková Jana, Ph.D. 28

Detaily k přednášce: skripta, kapitola 7 KONEC Mgr. Sekničková Jana, Ph.D. 29