1. Matric Matricaa odluči odlučivan vanja ja i elemen elementi ti + primjer primjer..
St upanjobr az.
Kval i t et apr ogr .
I skust vo
I VS
Pr vost upni k
5
1
ZM
Magi st ar
7
4
TK
magi st ar
7
3
Al t er nat i ve, kr i t er i j i , posl j edi ce
2. Mat Matric ricaa plaćan plaćanja ja i elemen elementi ti + primj primjer er.. Matrica plaćanja ili matrica isplata - pomoću nje možemo zpisati informacije koje su nam dostupne. Sastoji se od alternativa, događaja, uplata/isplata i (vjerojatnosti.
Padak i š a
Nepadak i š a
Uz et i k i š obr an
: )
: (
Neuz et i k i š obr an
: (
: )
3. Pobrojati Pobrojati metode za višekri višekriterijsk terijskoo odluči odlučivanje vanje.. rangiranje na temelju ocjena rangiranje na temelju rangova rangiranje na temelju kvantitativni! vrijednosti rangiranje temeljem uspoređivanja u parovima "#$ %lektra $rometej &opsis • • • • • • • •
4. ipo ipovi vi i vrst vrstee krite kriteri rija ja.. &ipvi kriterija'
•
•
min - cilj nam je postići to manju vrijednost (npr. cijena ako ju tre)amo platiti, potronja goriva ... ma! - cilj nam je postići to veću vrijednost (cijena ako mi prodajemo, plaća ...
*rste kriterija' • •
kvantitativni - mogu se izraziti )rojem i jasno se određuju kao +min ili +ma kvalitativni - izražavaju se rijeima i tre)a i! pretvoriti u kvantitativne
". Pretvaranje kvalitativno# u kvantitativni kriterij. • • • •
odrediti tip kriterija u kvantitativnoj skali odrediti skalu kvantiativnog kriterija odrediti sve moguće vrijednosti kriterija u kvalitativnoj skali pridružiti vrijednosti iz kvalitativne u kvantitativnu skalu
$. %avesti metode za odre&ivanje te'ina(pondera(va'nosti kriterija. • •
Sing metoda 0irektna procjena
). *aatjeva skala relativne va'nosti. 1angiranje se vri na temelju uspoređivanja kriterija i alternativa u parovima. Saat2eva skala koristi se za uspoređivanje. 3ntenzitet važnosti je od 4 (gdje 4 predstavlja jednako važno do 5 (predstavlja ekstremnu važnost
,. -azlika izme&u lokalni i #lobalni prioriteta te pondera(va'nosti(te'ina kriterija. /. Postupak provjere konzistentnosti. $rvo izraunamo 63 (indeks inkonzistencije, zatim iz njega izraunamo 61 (omjer konzistencije koji mora )iti manji od 7,4 jer tada znamo da je uspoređivanje konzistentno.
10. ndeks i omjer nekonzistentnosti. 63 8 lam)da - n / n - 4 (n je )roj alternativa 61 8 63 / 13 -9 sluajni koeficijent inkonzistencije (7,:; za < alt
=mjer inkonzistencije je omjer koeficijenta inkonzistentnosti i sluajnog koeficijenta inkonzistencije (13 "ko je do)iveni )roj manji od 7,4 smatra se da je uspoređivanje u parovima provedeno konzistentno.
11. Pobrojati metode za odlučivanje u uvjetima nesi#urnosti i rizika. • • • • • • •
Maima Maimin #urviczov kriterij Savageov kriterij >aplaceov kritetij ?=* (kriterij oekivane vrijednosti Sta)lo odluivanja
12. %avesti razlike izme&u uvjeta si#urnosti nesi#urnosti i rizika. ?od uvjeta potpune sigurnosti sa 477@ sigurnosti znamo to će se dogoditi u )udućnosti. "ko nemamo vjerojatnosti onda govorimo samo o uvjetima nesigurnosti, a kada imamo vjerojatnosti onda govorimo o uvjetima nesigurnosti i rizika.
13. *vaka metoda za odlučivanje u uvjetima nesi#urnosti i rizika opisati metodu s teoretsko# stajališta. •
Maimin ($esimistini pristup, Aaldov kriterij, Bzi!erakiB - Ca svaku alternativu oda)iremo najgori mogući is!od a potom između ti! is!oda iza)iremo naj)laži najgori mogući is!od
•
Maima (=ptimistini pristup, riskantni - Ca svaku alternativu oda)iremo naj)olji mogući is!od a potom između ti! is!oda iza)iremo naj)olji Bnaj)oljiB mogući is!od
•
#uriczov kriterij (?riterij realizma - oda)iremo najveću vrijednost i pripadnu alternativu
•
Savageov kriterij (?riterij minimalnog žaljenjaD 4.korak napraviti matricu žaljenja, zatim tražimo za svaku alternativu maksimalno žaljenjeD odluka je alternativa gdje je maksimalno žaljenje minimalno
•
>a$laceov kriterij - raunanje matematikog oekivanja (oekivane vrijednosti dajući svim mogućim stanjima (događajima jednaku vjerojatnost nastanka
•
?riterij oekivane vrijednosti (?=* - Ca svaku alternativu raunamo matematiko oekivanje, )iramo alternativu s najvećim matematikim oekivanjem
•
Sta)lo odluivanja - sta)lo odluivanja je grafiki prikaz mogući! odluka i nji!ovi! posljedica
14. %a koje načine dolazimo do vjerojatnosti prilikom korištenja metoda za odlučivanja u uvjetima rizika 1aunamo matematika oekivanja. 1". 5urvizsov kriterij u odnosu na ma!imin i ma!ima!. #urviczov kriterij je ravnotežni kriterij između maimin i maima. =dredi se faktor realizma (optimizma E ili faktor pesimizma (koji iznosi 4 F E koji karakterizira stav donositelja odluke prema riziku. Ca svaku akciju odredi se #uriczova vrijednost.
1". Matrica 'aljenja i interpretacija. Matrica žaljenja ili matrica oportunitetni! trokova - za svaku alternativu rauna se maksimalno žaljenje, npr uzmemo najveći )roj alternative u stupcu i neka to )ude 5, za njega je žaljenje 7, dok je zua 7 žaljenje 5, za < žaljenje je G itd.
1$. rošak nesi#urnosti i vrijednost potpune in6ormacije. &roak nesigurnosti ili oekivana vrijednost savrene informacije (=*S3 jednaka je razlici oekivane vrijednosti uslijed sigurnosti (=*HS i oekivane vrijednosti )ez informacija (=*I3.
1). 7ranična analiza u poslovanju s diskretnom distribucijom potra'nje.
Cadane su konkretne vrij. potražnje i postoci. 3z postotaka napravimo kumulativni niz i raunamo po formuli.
1,. 7ranična analiza u poslovanju s normalnom distribucijom potra'nje.
$rvo tre)a izraunati p, zatim 4 - p. C - )it će zadan (oitava se iz neke ta)lice, to je perecntil standardne norme
1/. 8lementi stabla odlučivanja.
•
čvorovi odluke,
•
grane alternativni! aktivnosti,
•
troak ili profit akcije alternative,
•
čvorovi do#a&aja 9mo#ući posljedica: ,
•
grane mogući! posljedini! stanja,
•
vjerojatnosti pojave mogući! stanja,
•
završni čvorovi ,
•
vrijednosti konane isplate financijske koristi
20. ;oraci stabla odlučivanja. 4. izgradnja logikog modela Jsta)la odluivanja s ulaznim podacima ;. raunanje oekivani! vrijednosti odluka postupkom raunanja unatrag (roll)ack algoritam <. pronalaženje optimalnog puta postupkom raunanja prema naprijed
21. -azlika izme&u
a$lacea vjerojatnosti potencijalni! is!oda nisu poznate, već se pretpostavlja da su vjerojatnosti jednake.
22. =e6inicija matematičko# očekivanja. Matematiko oekivanje Jz)roj umnožaka vjerojatnosti događaja i najvećeg mogućeg primitka po svakom događaju
23. =e6inicije pro#noziranja. $rognoziranje služi u razliitim aspektima poslovanja' planiranje trokova, prorauna, prodaje, inventara, kapaciteta proizvodnje, rasporeda poslovni! aktivnosti i dr. Kto je predmet prognoziranja podložniji promjenama, prognoza će )iti nepreciznija.
24. Podjela metoda pro#noziranja vrste podvrste de6inicije. $rognoziranje se može podijeliti u etiri veće skupine'
kvalitativne metode> 4. miljenje eksperata, ;. grupni konsenzus, <. povijesne uspored)e, L. 0elp!i metoda, :. rass roots metoda G. istraživanje tržita i dr. analiza vremenski nizova> 4. pomini prosjek ;. ponderirani pomini prosjek <. eksponencijalno izglađivanje L. analiza trenda :. sezonska analiza kauzalne modele> 4. jednostavna regresijska analiza ;. multipla - regresijska analiza <. opći linearni modeli simulacije 2". ?rste pro#noza prema različitim podjelama.
2$. =e6inirati i opisati svaku od metoda> pomični prosjek n razdoblja Svaka toka pominog prosjeka vremenskog niza je aritmetika sredina određenog )roja uzastopni! lanova. Metoda je pogodna za kratkorone prognoze, manje pogodna za srednjorone prognoze, a nije pogodna za dugorone prognoze.
ponderirani pomični prosjek n razdoblja eksponencijalno #la&enje %ksponencijalno izglađivanje vie vrednuje podatke iz )liže prolosti. Metoda je pogodna za kratkorone prognoze, manje pogodna za srednjorone prognoze, a nije pogodna za dugorone prognoze.
2). P@A i P;A. Najpoznatije mjere za tonost prognoza su $"= i $?=.
P@A $rosjeno apsolutno odstupanje.=va mjera greke u prognozi rauna se kao prosjek apsolutni! vrijednosti razlika između prognozirani! i toni! vrijednosti.
P;A $rosjeno kvadratno odstupanje. =va mjera greke u prognozi rauna se kao prosjek kvadrata razlika između prognozirani! i toni! vrijednosti.
2,. ;oe6icijent determinacije. Mjera adekvatnosti trenda je koeficijent determinacije 1O
, ija je vrijednost između
7 i 4. Kto je )liži 4 to je poklapanje linije trenda i vrijednosti podataka )olje.
2/. =e6inicija parametra iz#la&ivanja 9alpa:. $arametar E daje najmanja odstupanja od stvarni! vrijednosti. 7 P E P 4 - parametar izglađivanja
30. Bto su sezonske promjene 31. -azlika izme&u nesezonski i sezonski vremenski nizova. 32. Apisati dva pristupa koja koristimo prilikom rješavanja sezonski promjena. Up r v o mp r i s t u puv r e me ns k i n i zs er az b i j enav i š ev r eme ns k i hn i z o v ai o nd as en a t o mek o r i s t eme t od epo mi č n ogip on de r i r an ogp omi č no gpr o sj e k a, e k sp on en ci j a l n og gl ađenj a, l i near nogt r enda.
U dr ug om p r i s t up ui z r a čun as epr os j ekpo t r a žn j et en ak o nt og arijn an ač i nd a s esvaka potražnja podijeli sa do)ivenim prosjekom, nakon toga se uzmu svi r ij iz isti!
razdo)lja (kvartala te se podijele sa nji!ovim ukupnim )rojem (do)ije se sezonski faktor, te tada ide $rognoza za naredni! etiri kvartala tako da množi prosjek (iz prvog koraka i sezonski faktor.
