Информационные системы менеджмента - Бажин И.И
..pdfГлава 3. Математические модели в менеджменте |
191 |
рис.3.16, соответствующей f6(0).
Анализ оптимальных вариантов производственной программы, приведенных в таблице рис.3.17, свидетельствует о том, что январский выпуск зависит от длительности планового периода. При возрастании числа месяцев N с 1 до 5 оптимальный январский выпуск возрастает. Однако при N = 6 производство в январе должно составить всего лишь 4 единицы (при N = 5 эта величина была равна 5 единицам). Таким образом, удлинение планового периода может вы звать как рост, так и сокращение январского объема производства, причем для N = 4 имеются две альтернативные оптимальные программы. Из таблицы рис.3.17 ясно, каким образом среднемесячные затраты зависят от N. Отметим, что при увеличении N от 2 до 6 среднемесячные затраты не убывают монотонно, а испытывают колебания.
Оптимальная программа для N = 5 заслуживает особого внимания. В этом случае уровень запасов возрастает в январе, феврале и апреле. Таким образом, майский спрос, по существу, удовлетворяется 2 единицами апрельского выпуска и 1 единицей февральского. При подобных условиях оптимальным оказывается наличие запасов на начало как февраля, так и апреля, хотя в течение обоих месяцев фирма несет расходы, связанные с переналадкой.
Для определения зависимости оптимальной программы от уровня запасов на начало планового периода применительно к январскому выпуску рассмотрим
таблицу, приведенную на рис.3.18. |
|
|
|
|
|
|
|
|
|
Цена предыдуще |
|
|
|
|
|
го единичного при |
|
Длительность |
Январский выпуск |
ращения исходно |
|||
планового |
|
|
|
го запаса |
|
периода |
io = 0 |
io = 1 |
io = 2 |
io = 1 |
io = 2 |
1 |
3 |
2 |
1 |
2 |
2 |
2 |
3 |
5 |
4 |
12 |
2 |
3 |
4 |
5 |
4 |
3 |
2 |
4 |
3 , 4 |
5 |
5 |
3 |
10 |
5 |
5 |
5 |
4 |
5 |
2 |
6 |
• 4 |
5 |
4 |
3 |
2 |
Рис.3.18. Цена единичного приращения исходного запаса фирмы "Партнер"
Если плановый период включает всего лишь один месяц, каждое увеличе ние исходного запаса на 1 единицу приводит к снижению на 1 единицу январско го выпуска. Однако при N = 2, 3, 4 или 6 месяцам увеличение исходного запаса от нуля до 1 приводит не к сокращению, а к росту январского производства. Увеличение же исходного уровня запасов с 1 единицы до 2 единиц приводит к разным результатам в зависимости от значения N. Выпуск продукции в январе может сократиться (однако не до объема, соответствующего i0 = 0 при N =2) или остаться прежним (при N = 4).
192 |
Часть 1. Новые принципы работы |
В двух последних столбцах таблицы рис.3.18 отражено снижение общей суммы затрат при единичном приращении исходного запаса. Рассмотрим, на пример, длительность планового периода N, равную двум месяцам. При нуле вом исходном уровне запасов общая сумма затрат составляет 38 (рис.3.16). На личие 1 единицы исходного запаса позволяет снизить затраты до 26, а 2 единиц - до 24. Таким образом, цена первого единичного приращения исходного запаса равна 12, а второго -только 2 (рис.3.18). Подчеркнем, что эта цена существенно зависит от длительности планового периода, а также от того, рассматривается ли первое или второе единичное приращение исходного запаса. Читателю ре комендуется построить оптимальные варианты программы для N = 4 и N=6, i0 = 1 и io = 2 и выяснить причину наблюдаемых различий в снижении суммы затрат.
Следует заметить, что численные значения параметров в приведенном примере были подобраны специальным образом (пример заимствован из книги Г.Вагнера "Основы исследования операций"), однако общая ситуация описана в нем достаточно реалистично. Так, производственные затраты включают услов но-постоянные расходы на подготовительные операции, а также пропорцио нальные (переменные) затраты; затраты на содержание запасов, линейно зави сящие от их уровня на конец отрезка. На размеры выпуска и уровень запасов наложены простые ограничения сверху. В приведенном примере величина оп тимального выпуска продукции существенно зависит от длительности планового периода. Трудно установить, насколько часто такая высокая чувствительность встречается в реальных ситуациях, и насколько серьезны экономические по следствия неправильного выбора программы выпуска. Однако на данном при мере можно понять, что степень и значимость чувствительности управляющих решений сложно определить, не выполнив в каждом конкретном случае строгий оптимизационный анализ. Только что изученный подход, основанный на опера ционных идеях, является фундаментальным методом выполнения подобных ис следований.
Известно, что математическая модель нередко является достаточно общей для того, чтобы охватить множество различных реальных ситуаций. Поэтому со держательная оценка приведенной модели должна, в первую очередь, основы ваться на анализе системы исходных предположений. К этим предположениям относятся:
1.Прогноз является точным. Хотя фирме редко удается совершенно точно предсказать спрос на несколько месяцев вперед, размеры ошибки достаточно малы и детерминированная модель дает хорошую аппроксимацию действи тельности. Если же ошибки прогнозирования существенны, необходим переход к другим моделям, описанию которых посвящена следующая глава.
2.Длительность изготовления продукции пренебрежимо мала. В реальных условиях делается другое предположение, согласно которому можно опреде лить длительность периода производства с пренебрежимо малой ошибкой. Ес ли, например, изготовление партии изделий длится две недели, то при исполь зовании приведенных выше рекуррентных соотношений, нужно учитывать, что для удовлетворения спроса следующего месяца запуск партии в производство предыдущего месяца необходимо осуществить на две недели раньше.
Глава 3. Математические модели в менеджменте |
193 |
Другим аспектом данного предположения является возможность определе ния длительности изготовления партии вне связи с изготовлением других зака зов. Если несколько различных видов изделий обрабатываются на одном и том же оборудовании, производственная мощность которого ограничена, то совокуп ность программ выпуска, каждая из которых получена с помощью обособленной модели, может оказаться несовместимой. В таком случае следует перейти на другой ранг изучаемой системы и построить модель, соответствующую более высокому рангу системы.
3.Затраты по каждому отрезку зависят от текущего выпуска и от уров
ня запасов на конец отрезка; спрос на каждом отрезке полностью и свое временно удовлетворяется. Эти два предположения без особого труда можно обобщить на значительно более широкий круг ситуаций. Описание методов тако го обобщения выходит за рамки данной книги, однако можно заметить, что из ложенные в данной книге общие методы математического программирования (включая нелинейные) позволяют строить математические модели, достаточно приближенные к реальным ситуациям, без каких-либо серьезных упрощающих исходных предположений.
Контрольные вопросы и задания
I. Какие типы моделей Вы знаете, и как они могут быть классифицированы? 2.Дайте определение и приведите классификацию систем.
З.Опишите метод построения операционных математических моделей. 4. По каким принципам выбирается критерий эффективности? б.Опишите основные требования к критерию эффективности.
7.Что такое система ограничений математической модели? 8.Какие виды критериев используются в математических моделях?
9.Опишите методы свертки критериев в многокритериальных задачах. 10. Приведите математические модели управления производством.
I I . В чем отличительные особенности моделей целочисленного линейного про граммирования?
12,Опишите модели сетевого планирования (транспортная задача).
13.Какие параметры управленческих задач приводят к нелинейным моделям?
14.Как можно преобразовать нелинейную модель в задачу целочисленного про граммирования?
15.Как можно учесть нелинейности при сохранении структуры линейной модели? 16.Что такое динамическое программирование, и как формируются модели ди намического программирования?
17.0пишите динамическую модель управления запасами.
194
То, что мы знаем, - ограниченно,
а то, чего мы не знаем, - бесконечно.
Пьер Симон .Лаплас
Глава 4. СТОХАСТИЧЕСКИЕ МОДЕЛИ УПРАВЛЕНИЯ
Бпредыдущей главе рассматривались оптимизационные модели, для практической реализации которых необходимо полностью детерминированное представление всех исходных данных. Именно так, в частности, обстояло дело с линейными моделями, при построении которых подразумевалось, что удельная прибыль
иудельные затраты, потребительский спрос, уровни запасов и т.д. являются ве личинами, определяемыми совершенно однозначно, и задание их числовых значений не сопряжено с какой бы то ни было неопределенностью. В реальных же условиях, по крайней мере, некоторые из параметров рассмотренных ранее моделей известны лишь приближенно. Это обстоятельство может вызвать со мнение относительно практической ценности представленных выше моделей. Заверим читателя, что детерминистские модели находят широкое применение в практике менеджмента. Вопрос заключается лишь в том, в каких случаях воз можно применение такого рода моделей для решения реальных задач управле ния. Исключительно важно (и далеко не всегда просто) найти правильный ответ именно на этот вопрос.
Вэтой главе приводятся соображения, связанные с решением этой пробле мы, и рассмотрены модели принятия решений при наличии случайных факторов
инедостатке информации.
4.1. ЭЛЕМЕНТЫ ТЕОРИИ ВЕРОЯТНОСТЕЙ
Читатель, очевидно, согласится, что чем более непредсказуем результат, тем сложнее, но тем и интереснее принимать решение. Как правило, возможные исходы известны, но вопрос состоит в том, какому из них суждено сбыться. Теория вероятностей предлагает нам пути уменьшения неопределенности, именно поэтому важно ею овладеть. Студентам бывает трудно ее освоить из-за множества новых концепций, правил, понятий. Поэтому читателю предлагается постараться представлять себе реальные ситуации, в которых может встретить ся предложенная проблема, и подумать, что логично в этой ситуации предпри нять. Просчитайте, какие последствия повлечет то или иное решение. Итак, рас смотрев теоретически возможные исходы (с практической точки зрения), вы де лаете дальнейшее формальное вычисление вероятности каждого из них про стым делом.
Глава 4. Стохастические модели управления |
195 |
4.1.1. ОБЩИЕ ПОНЯТИЯ
Начало теории вероятностей было положено в середине XVII века, когда французские математики Блез Паскаль и Пьер Ферма по заказу известных игро ков в азартные игры разработали математическую модель, описывающую веро ятность исходов в играх, зависящих от случая. При игре в "кости", рулетку, как и при опросах, исследованиях (физических, экономических, социологических и т.д.), результаты меняются от раза к разу даже при сохранении неизменных ус ловий.
Деловые люди принимают решения в таких же условиях. Например, спе циалист по маркетингу никогда не сможет точно предсказать объемы реализа ции нового товара. Так же, как, заключая пари, невозможно предвидеть, выигра ешь или проиграешь. И в том, и в другом случае присутствует неопределен ность. Теория вероятностей как раз и оперирует этим понятием. Изучение тео рии вероятностей, основанной на игре случая, обеспечивает надежный инстру мент измерения и контроля различных форм неопределенности, с которыми имеют дело лица, принимающие решения.
Определим вначале некоторые понятия теории вероятностей.
Опыт - действие, результат которого заранее неизвестен. Например, ре зультат бросания монеты или игральной кости.
Эксперимент - один или несколько опытов. Например, бросание монеты 7
раз.
Исход - возможный результат эксперимента. Например, монета брошена 7 раз, результат: "решка", "решка", "решка", "орел", "орел", "решка", "решка".
Событие - один или несколько исходов эксперимента. Например, монета брошена 7 раз, событие: 2 "орла", 5 "решек".
Вероятность - числовая характеристика степени возможности появления какого-либо случайного события при тех или иных определенных, могущих по вторяться неограниченное число раз условиях.
В качестве иллюстрации рассмотрим бросание монеты. Существует два возможных исхода - "орел" и "решка". С какой вероятностью будет выпадать "решка"? Бросим монету 10 раз, а результаты запишем. А потом увеличим число экспериментов до 100, 1000 и так далее. В каждом эксперименте будем опреде лять отношение интересующих нас событий к общему числу опытов в экспери менте. Так в каждом эксперименте будет определяться частота появления того
или иного события (например, появления "орла"). |
Возможные результаты могут |
|||
быть таковы |
|
|
|
|
Число |
|
Число |
Соотношение |
|
бросков |
"орлов" |
"решек" |
"орлов" |
"решек" |
10 |
6 |
4 |
0,6 |
0,4 |
100 |
64 |
36 |
0,64 |
0,36 |
1000 |
643 |
357 |
0,643 |
0,357 |
10000 |
6431 |
3569 |
0,6431 |
0,3569 |
196 Часть 1. Новые принципы работы
По мере увеличения числа бросков выявляется стремление частоты появ ления "орлов" к определенной величине. В данном примере их доля - 0,643 при точности трех знаков после запятой. На основе данных приведенной выше таб лицы можно предсказать, что при 10001-м броске вероятность выпадения "орла" больше, нежели "решки", и составит примерно 0,643.
Таким образом, вероятность может быть определена как отношение чис
ла интересующих нас исходов эксперимента к общему числу опытов при числе опытов, стремящемся к бесконечности.
На практике вероятность обычно заменяют частотой появления интере сующего нас события при конечном (по возможности достаточно большом) чис ле опытов.
Из того, что вероятность является соотношением, следуют два важных вы вода. Если обозначить вероятность исхода эксперимента р, то можно сказать следующее:
1.Числовое значение вероятности находится в интервале от 0 до 1, включая концы интервала, то есть 0 < р < 1.
2.Сумма вероятностей всех возможных исходов эксперимента (вероятность полной группы событий) равна 1, то есть Zp = 1. Полную группу событий, напри мер, образуют все опыты по бросанию монеты, включающие выпадение как "орла", так и "решки" (строго говоря, также и падение монеты "на ребро", что, впрочем, практически невероятно).
Таким образом, значение вероятности, приближающееся к 1, свидетельст вует о большей определенности рассматриваемого события (значение р = 1 со ответствует достоверному событию, например, вероятность того, что день сме нит ночь). И наоборот - уменьшающееся к нулю значение вероятности сигнали зирует об увеличении неопределенности события (значение р = 0 соответствует невозможному событию, например, вероятность, того, что подброшенный на Земле камень упадет на Солнце).
4.1.2. ДЕЙСТВИЯ С ВЕРОЯТНОСТЯМИ
Серия опытов и комбинация всех возможных исходов представляют собой сложные события. Для сложных событий важны следующие определения.
Независимыми событиями А и В называются такие, если появление одного из них не изменяет вероятности появления другого. Например: по одному разу брошены монета и кость, выпали - "решка" и "6". Результаты обоих событий друг на друга не влияют, поэтому они являются независимыми.
Несовместимыми событиями А и В называются в том случае, если может произойти только одно из них, то есть появление одного из событий исключает появление другого. Например, при бросании игральной кости будем считать со бытием А выпадение четного числа, а выпадение нечетного - событием В. Если кость брошена один раз, то А и В произойти одновременно не могут, поэтому они - несовместимые события.
Вероятность сложных событий определяется двумя правилами - правилом
Глава 4. Стохастические модели управления |
197 |
сложения вероятностей и правилом умножения вероятностей.*1
Правило сложения вероятностей
Для простоты рассмотрим лишь два события - А и В. Правило сложения вероятностей применяется для подсчета вероятности осуществления событий А или В, или их обоих сразу
Р(А+В) = Р(А) + Р(В) - Р(АВ)
То есть вероятность того, что произойдет или событие А или событие В, равна сумме вероятностей каждого из событий за вычетом вероятности того, что оба события произойдут одновременно.
Если события А и В несовместимы, то они не могут произойти одновремен но, значит
Р(АВ) = О
и для несовместимых событий
Р(А+В) = Р(А) + Р(В)
Пример 1. Игральная кость брошена один раз. Какова вероятность выпадения "двойки" или нечетного числа?
Возможны 6 исходов - 1, 2, 3, 4, 5 и 6. Назовем событием А выпадение "двойки", а событием В - выпадение "единицы", "тройки" или "пятерки".
Несложно определить, что вероятность выпадения "двойки" Р(А) = 1/6. Ве роятность выпадения нечетного числа (т.е.1, 3 или 5) составляет (В) = 3/6. Со бытия А и В несовместимы, поэтому вероятность выпадения или "двойки" или какого-либо нечетного числа определяется по формуле сложения вероятностей для несовместимых событий
Р(А+В) = Р(А) + Р(В) = 1/6 + 3/6 = 4/6
Пример 2. Игральная кость брошена один раз. Какова вероятность выпадения "двойки" или четного числа?
От предыдущего этот пример отличается тем, что события А (выпадение "двойки") и В (выпадение четного числа) могут произойти одновременно, так как двойка - четное число. Вероятность выпадения "двойки" - Р(А) = 1/6. Вероят ность впадения четного числа (т.е. 2, 4 или 6) - Р(В) = 3/6. Так как события А и В совместимы, то необходимо определить вероятность того, что события А и В произойдут одновременно (иными словами, вероятность выпадения "двойки"). Эта вероятность Р(АВ) = 1/6. Таким образом, по правилу сложения вероятно стей для совместимых событий
Р(А+В) = Р(А) + Р(В) - Р(АВ) = 1/6 + 3/6 - 1/6 = 3/6
198 |
Часть 1. Новые принципы работы |
Условная вероятность
Рассмотрим два события - Е и F, которые происходят друг за другом. Р(Е) - вероятность события Е. Возможны две альтернативные ситуации:
1.F от Е не зависит, и на вероятность события F не влияет то, произошло ли уже событие Е или нет.
2.Е и F зависимы, то есть вероятность события F зависит от того, произошло ли уже событие Е или нет. В этом случае вероятность события F называется
условной.
Вероятность F при условии, что Е произошло, обозначается так
P(F при условии Е) или P(F/E)
Если Е и F независимы, тогда P(F/E) = P(F)
Пример. В коробке 6 голубых шаров и 8 красных. Какова вероятность того, что из двух вытащенных наугад шаров последний будет красным?
Здесь возможны два варианта:
1.Первым вытащен красный шар, в коробке осталось 7 красных и 6 голубых шаров.
2.Первым вытащен голубой шар, осталось 8 красных и 5 голубых шаров.
Итак, здесь интересующее нас событие F состоит в том, что при втором опыте будет вытащен красный шар. Вероятность этого события является условной, за висящей от исхода другого события - Е, отвечающего либо варианту 1, либо ва рианту 2.
В случае 1 вероятность того, что второй вытащенный шар будет красным, равна
P(F/E) = 7/13, в случае 2 вероятность P(F/E) = 8/13.
Правило умножения вероятностей
Это правило применяется тогда, когда требуется найти вероятность того, что события А и В произойдут одновременно, и состоит в следующем
Р(АВ) = Р(А) х Р(В/А)
Если А и В независимы, то Р(В/А) = Р(В), и правило умножения вероятно стей выглядит так
Р(АВ) = Р(А) х Р(В)
Пример 1. Игральная кость брошена дважды. Событие А - выпадение "двойки" при первом бросании, событие В - выпадение нечетного числа при втором бро-
Глава 4. Стохастические модели управления |
199 |
сании. Какова вероятность того, что события А и В произойдут в одном экспери менте?
Так как результат второго опыта не зависит от результата первого, то собы тия А и В - независимы, тогда по формуле умножения вероятностей
Р(АВ) = Р(А) х Р(В) = 1/6x3/6 = 3/36
При изучении сложных событий для рассмотрения всех возможных исходов удобно использовать "дерево вероятностей" - граф, в котором опыты представ лены вершинами (кружочками), а каждый исход - ребром графа (линией). Веро ятность соответствующего исхода указывается около ветви, а возможные исхо ды и вероятность всего сложного события - в конце каждой ветви.
Покажем решение приведенного примера с использованием "дерева веро ятностей" (рис.4.1).
Результат верхней "ветви" - это решение нашей задачи - 3/36, как и в пер вом варианте решения.
Пример 2. На станции отправления имеется 8 заказов на отправку товара: пять - внутри страны, а три - на экспорт. Какова вероятность того, что два выбран ных наугад заказа окажутся предназначенными для потребления внутри страны?
Событие А - первый, взятый наугад заказ - внутри страны. Событие В - второй, тоже взятый наугад заказ. Нам необходимо найти вероятность Р(АВ), поэтому по формуле для зависимых событий получим
Р(АВ) = Р(А) х Р(В/А) = 5/8 х 4/7 = 20/56
200 |
Часть 1. Новые принципы работы |
Правила вычисления вероятностей: число событий больше двух
Рассмотренные правила применимы также, если событий более чем два. Для несовместимых событий правило сложения вероятностей приобретает сле дующий вид
Р(А+В+С+ . . .) = Р(А) + Р(В) + Р(С) + . . .
Для совместимых событий формула приобретает очень сложный вид, и это описание можно найти в специальной литературе по теории вероятностей.
Для независимых событий правило умножения вероятностей имеет сле дующий вид
Р(А и В и С и . . .) = Р(А) х Р(В) х Р(С) х . . .
Если события не являются независимыми, то правило умножения вероятно стей запишется так
Р(АхВхС. . .х. . .) = Р(А) х Р(В/А) х Р(С/АВ) х . . .
Пример. Станок работает при условии одновременного функционирования уз лов А, В и С, которые работают независимо друг от друга. Вероятность поломки этих узлов равна 0,2; 0,3; 0,1, соответственно. Какова вероятность, что станок выйдет из строя?
Станок функционирует только в случае бесперебойной работы каждого узла, в противном случае происходит остановка оборудования. Для каждого узла ве роятности таковы:
Р(поломка узла А) = 0,2, следовательно, Р(узел А работает) = 1 - 0,2 = 0,8 Р(поломка узла В) = 0,3, следовательно, Р(узел В работает) = 1 - 0,3 = 0,7 Р(поломка узла С) = 0,1, следовательно, Р(узел С работает) = 1 - 0,1 = 0,9
Вероятность совместной бесперебойной работы всех узлов определяется в ви де
Р(работает А и работает В и работает С) =
= Р(работает А) х Р(работает В) х Р(работает С) = 0,8x0,7x0,9 = 0,504
Поскольку в задаче требуется определить вероятность поломки оборудова ния, вычислим ее, используя понятие полной группы событий
Р(поломка) = 1 - Р(бесперебойная работа) = 1 - 0,504 = 0,496
Читателю рекомендуется проанализировать эту задачу с использованием "дерева вероятностей".