На бирже курсовых и дипломных проектов можно найти образцы готовых работ или получить помощь в написании уникальных курсовых работ, дипломов, лабораторных работ, контрольных работ, диссертаций, рефератов. Так же вы мажете самостоятельно повысить уникальность своей работы для прохождения проверки на плагиат всего за несколько минут.

ЛИЧНЫЙ КАБИНЕТ 

 

Здравствуйте гость!

 

Логин:

Пароль:

 

Запомнить

 

 

Забыли пароль? Регистрация

Повышение уникальности

Предлагаем нашим посетителям воспользоваться бесплатным программным обеспечением «StudentHelp», которое позволит вам всего за несколько минут, выполнить повышение уникальности любого файла в формате MS Word. После такого повышения уникальности, ваша работа легко пройдете проверку в системах антиплагиат вуз, antiplagiat.ru, etxt.ru или advego.ru. Программа «StudentHelp» работает по уникальной технологии и при повышении уникальности не вставляет в текст скрытых символов, и даже если препод скопирует текст в блокнот – не увидит ни каких отличий от текста в Word файле.

Результат поиска


Наименование:


Лекции Процесс и методы принятия решений. Типы прогнозов и подходы к прогнозированию. Теория очередей, линейные системы ожидания. Стадии разработки товара, влияние жизненного цикла товара на операционные стратегии. Управление спросом и мощностью предприятия.

Информация:

Тип работы: Лекции. Предмет: Менеджмент. Добавлен: 12.06.2010. Сдан: 2010. Уникальность по antiplagiat.ru: --.

Описание (план):


Министерство науки и образования Украины
Крымская академия природоохранного и курортного строительства
Факультет экономики и менеджмента
Кафедра маркетинга и менеджмента
Опорный конспект лекций
по дисциплине
«Операционный менеджмент»
Процесс принятия решений
Каковы преимущества и ограничения использования моделей
В чем суть табличного и графического метода принятия решений
Дать характеристику типам и видам моделей решений
Прогнозирование
Типы прогнозов и подходы к прогнозированию
Шаги системы прогнозирования
Дать определение компонентам временных серий
Характеристика методов прогноза
3. Теория очередей
Дать определение характеристикам прибытия линейных систем ожидания
Дать определение характеристике очереди линейных систем ожидания
Характеристика конфигураций систем обслуживания
Определение моделей очередей
4. Стратегия товара
Дать определение стадиям разработки товара
Как используется командный подход при разработке товара?
Влияние жизненного цикла товара на операционные стратегии
Документирование товара
5. Стратегия процесса
Сравнительная характеристика процессов (сфокусированный на процессе, сфокусированный на продукте, повторяющийся процесс)
Управление спросом и управление мощностью предприятия
Провести анализ критической точки
1. Процесс принятия решений
Преимущества и ограничения использования моделей решений

«Хорошее» решение использует аналитическое принятие решений, базируется на логике, рассматривает все возможные данные, возможные альтернативы и предполагает следующие шесть шагов.
1. Определение проблемы и факторов, которые влияют на нее. Это означает необходимость установить проблему четко и осознанно, что в большинстве случаев является наиболее важным и трудным шагом.
2. Установка критерия решения и целей. Менеджеры должны разработать специфические и измеряемые цели. Большинство фирм имеет более чем одну цель максимизации прибыли.
3. Формулировка моделей и связей между целями и переменны ми. Разрабатывается формализованное представление ситуации -- модель. Большинство моделей, представленных в этой книге, содержит одну и более переменных. Переменная -- это измеряемое количество, которое может меняться или которое есть пред мет изменения.
4. Определение и оценка альтернатив. Этот шаг означает гене рацию наибольшего количества решений проблемы (обычно бы строго). Диапазон или набор альтернатив -- это то, что менеджеры хотят получить.
5. Выбор наилучшей альтернативы. Это решение, которое наилучшим образом удовлетворяет и наиболее соответствует установленным целям.
6. Внедрение решения. Выполнение действий в соответствии с выбранной альтернативой -- это иногда наиболее сложная фаза. принятия решения, требующая привязки задач и расписания внедрения.
Следует отметить, что эти шаги не всегда идут друг за другом без некоторых возвратов и циклов. Обычно приходится модифицировать один или более шагов, прежде чем конечный результат будет внедрен. Принятия «хороших» решений в операционных проблемах требует выполнения всех шести вышеуказанных шагов.
Преимущества и недостатки использования моделей. Математические модели являются инструментами, широко принятыми менеджерами по следующим причинам.
1. Модели менее дороги и требуют меньше времени, чем экспериментирование с реальными системами.
2. Они разрешают операционным менеджерам задавать, на пример, вопрос «Что будет, если...» («Что будет, если мои затраты на запасы увеличатся на 3% в следующем году,-- как изменится моя прибыль0»).
3. Они построены для решения проблем менеджмента и по поощряют ввод данных во стороны менеджера.
4. Они способствуют содержательному систематическому под ходу к анализу проблем.
5. Они требуют от менеджеров уточнять ограничения и цели по отношению к проблеме.
6. Они могут помочь сократить время, необходимое для принятия решений
Основные ограничения при использовании моделей
1. Модели могут быть дорогими и требующими длительного времени на разработку и тестирование.
2. Они часто не используются и неправильно понимаются по причине их математической сложности.
3. Они уменьшают роль и значение не поддающейся вычислению информации.
1. Они часто имеют такие предпосылки, которые слишком упрощают переменные реального мира
Табличный и графический методы принятия решений

Основы теории принятия решений. Вне зависимости от сложности решения или сложности средства, используемого для анализа решения, все, принимающие решения, сталкиваются с альтернативами и состоянием природы. Будем использовать следующие обозначения.
1. Термины: а) альтернатива -- направление действия или стратегия, которая может быть выбрана принимающим решение (например, не брать зонт завтра); б) состояние природы -- ситуация, на которую принимающий решение не может влиять или имеет очень слабое влияние (например, завтрашняя погода).
2. Символы, используемые для дерева решений:
а) -- это узел решения, из которого может быть выбрана одна или несколько альтернатив;
б) -- это узел состояния природы, из которого может появиться одно состояние природы.
Чтобы представлять альтернативы решений менеджера, мы можем развивать деревья решений или таблицы решений, используя вышеупомянутые обозначения.
При конструировании дерева решений (дерева целей) мы должны быть уверены, что все альтернативы или состояния природы находятся на правильных и логических местах и что мы включили все возможные альтернативы и состояния природы.
ПРИМЕР 1
Компания рассматривает возможность производства и маркетинга складских навесов. Рассмотрение этого проекта требует разработки большого или малого завода. Рынок для этого товара может быть благоприятным или неблагоприятным. Компания, конечно, имеет еще и такой выбор, как не строить производственную линию вообще. Дерево решений для этой ситуации представлено на рис. 1.
Рис 1. Дерево решений компании по производству складских навесов
Табличный метод принятия решений. Мы можем также по строить таблицу решений или платежную таблицу, чтобы помочь компании определить ее альтернативы. Для любых альтернатив и определенного состояния природы имеется следствие или выход, который обычно представляется в денежном выражении. Это называется условным значением. Заметим, что все альтернативы в примере 2 записываются в левой части таблицы, а состояния природы записываются в верхней части таблицы, условные значения (платы) находятся внутри таблицы.
ПРИМЕР 2
Мы создаем таблицу для компании, включающую условные значения, которые базируются на следующей информации. Случай благоприятного рынка -- большой завод даст чистую прибыль компании 200 тысяч долларов, если рынок неблагоприятный, то чистые потери будут 180 тысяч долларов. А малый завод принесет 100 000 долларовый доход в случае благоприятного рынка; чистые потери в 20 тысяч долларов появятся, если рынок будет неблагоприятным.
Таблица 1
Решения с условными значениями
Альтернативы
Состояния природы
Благоприятный рынок, тыс. $
Неблагоприятный рынок, тыс. $
Строить большой завод
Строить малый завод
Ничего не строить
200
100
0
-180
-20
0
Принятие решений в условиях неопределенности. Если имеется полная неопределенность того, какое состояние природы в таблице решений может появиться (это значит, что мы даже не можем оценить вероятность для каждого возможного исхода), то в этом случае мы обращаемся к трем критериям для принятия решений в условиях неопределенности.
1. Махimax -- этот критерий находит альтернативу, которая максимизирует максимальный выход или следствие для каждой альтернативы. Мы находим максимальный выход внутри каждой альтернативы и затем выбираем альтернативу с максимальным значением. Поскольку этот критерий решения располагается на альтернативе с наивысшим возможным результатом, его можно назвать «оптимистическим» критерием решения.
2. Махimin -- этот критерий отыскивает альтернативы, которые максимизируют минимальный выход или следствие для каждой альтернативы, т. е. сначала мы находим минимальный выход внутри каждой альтернативы и затем выбираем альтернативу с максимальным значением. Поскольку этот критерий решения позволяет найти альтернативу с наименьшей возможной потерей, его можно назвать «пессимистическим» критерием решения.
3. Равновероятный критерий -- этот критерий решения находит альтернативу с наивысшим средним выходом. Сначала мы рассчитываем средний выход для каждой альтернативы, который является суммой всех исходов, деленной на количество исходов. Затем выбираем альтернативу с максимальным значением. Равно вероятный подход предполагает, что вероятности появления состояний природы равны и поэтому каждое состояние природы равновероятно.
ПРИМЕР 3
Рассматриваем каждый из этих подходов для компании. Используя таблицу решений из примера 2, определим maximax и maximin и равновероятный критерии решения.
1. Мaximax-выбор--строить большой завод. Это есть максимум от максимального значения внутри каждого ряда или альтернативы.
2. Маximin-выбор -- ничего не делать. Это максимум из минимальных значений внутри каждого ряда или альтернативы.
3. Равновероятный выбор -- строить малый завод. Это максимум из средних значений каждой альтернативы. Этот подход предполагает, что нес выходы для каждой альтернативы равновероятны.
Таблица 2
Решения в условиях неопределенности
Альтернативы
Состояния природы
Максимум, в ряду, $
Минимум в ряду, $
Среднее по ряду, $
Благоприятный рынок, $
Неблагоприятный рынок, $
Строить большой завод
Строить малый завод
Ничего не строить
200 000
100000
0
-180000
-20 000
0
200 000
100000
0
-180000
-20 000
0
10000
40000
0
Махimax Махimin Равновероятный
Типы и виды моделей решений

Теория принятия решений -- это аналитический подход для вы бора альтернативы или направления действия.
Существуют три типа моделей решений в теории принятия решений. Они зависят от степени определенности возможных выходов или последствий, с которыми встречается принимающий решения.
1. Принятие решений в условиях определенности -- принимающий решение знает с определенностью последствия или выход любой альтернативы или выбранного решения.
Например, принимающий решение знает с полной определенностью, что 100-долларовый депозит на счете даст увеличение на 100$ в балансе его счета.
2. Принятие решений в условиях риска -- принимающий решение знает вероятность появления результата или последствий для каждого выбора. Мы можем не знать, будет ли дождь завтра утром, но мы можем знать, что вероятность дождя -- 0,3.
3. Принятие решений в условиях неопределенности -- принимающий решения не знает вероятность появления результата для каждой альтернативы. Например, вероятность того, что демократ будет президентом через 20 лет от сегодняшнего дня, неизвестна.
Категории математических моделей. Общая структура проблемы, с которой мы сталкиваемся, количество доступной информации и вид данных, которые мы можем собрать,-- все это поможет определить соответствие модели рассматриваемой проблеме.
Перечислим некоторые модели, упомянутые в тексте.
1. Алгебраические модели. Алгебра--это основной математический инструмент, который может быть использован для решения общих операционных проблем, таких, как анализ критической точки и анализ затрата-прибыль.
2. Статистические модели. Поскольку многие решения включают неопределенность, очень важно использовать вероятностное распределение и статистическую теорию. Представлены три вида статистических моделей.
а) Прогнозирование -- процесс создания проекций на будущее таких переменных, как продажи, затраты.
б) Контроль качества -- помогает измерять и регулировать степень соответствия, до которой продукт или сервис отвечает специфическим стандартам.
в) Теория решений -- используется в деревьях решений и таблицах решений, чтобы помочь представить и решить проблемы при условии риска.
3. Модели линейного и математического программирования. Линейное программирование широко используется в решениях о смешивании продуктов, анализе размещения, планировании производства, распределении рабочей силы и других областях операционного анализа. Более общий термин -- математическое программирование -- также используется в этой книге.
4. Модели теории очередей. Анализ очередей помогает оценить системы сервиса путем определения таких факторов, как длина очереди, время ожидания и коэффициент использования.
5. Имитационные модели. Компьютерная имитация реальных систем -- это ценный инструмент для анализа сложных систем сервиса, политики обслуживания оборудования и инвестиционного выбора.
6. Модель запасов. Модели учета запасов используются, чтобы помочь управлять активами фирмы путем выдачи рекомендаций по наилучшему количеству и времени заказа.
7. Сетевые модели. Средства, такие как РЕRT (оценка и средства обзора), СРМ (метод критического пути), помогают менеджерам составить график, контролировать и отслеживать большие проекты, такие как строительство корабля или торгового центра.
Литература:
Козловский В.А. и др. Производственный и операционный менеджмент.
Учебник - СПб: «Специальная Литература», 1998. с.41
Макаренко М.В., Махалина О.М. Производственный менеджмент: Учеб. пособие для вузов.- М.: «Издательство ПРИОР», 1998. - 384 с.
Ричард Чейз и др. Производственный и операционный менеджмент. - М.: Издательский дом «Вильямс», 2001.- 704 с.
2. Прогнозирование
Типы прогнозов и подходы к прогнозированию

Прогнозирование -- это искусство и наука предсказания событий будущего. Оно может также использовать исторические данные и проектировать их на будущее с применением математической модели..
Временные горизонты прогнозирования. Прогнозы обычно классифицируются по будущим временным горизонтам, которые они описывают. Три категории, полезные для операции менеджеров, таковы.
1. Краткосрочный прогноз. Такой прогноз охватывает период до одного года, но обычно меньше, чем три месяца. Используется для планирования закупок, работ, уровней рабочей силы, распре деления работ и объема производства.
2. Среднесрочный прогноз. Охватывает обычно период от трех месяцев до трех лет. Используется в планировании сбыта, планировании производства и распределения бюджета, бюджетировании наличности, анализе различных оперативных планов.
3. Долгосрочный прогноз. Обычно на три года и более. Долго срочный прогноз используется в планировании новых товаров, расходов по основным фондам, в определении местоположения завода и его расширения, в исследованиях и разработках.
Организации используют три основных типа прогнозов в планировании своих будущих операций.
1. Экономические прогнозы адресуются бизнес-циклу путем предсказания уровня информации, обеспечения деньгами и других планируемых индикаторов.
2. Технологические прогнозы касаются уровня технологического прогресса, который можно привести к рождению новых товаров, требующих новых заводов и оборудования.
3. Прогнозы спроса -- это проекции спроса на товары и услуги компании. Эти прогнозы, называемые также прогнозами сбыта, ведут производство компании, мощности и системы планирования и обслуживаются с входными данными о финансах и маркетинге, о планировании и персонале.
Существуют два основных подхода к прогнозированию:
Первый -- это количественный анализ; другой -- качественный подход. Количественные прогнозы используют варианты математических моделей, чтобы на основе прошлых данных и/или случайных переменных прогнозировать спрос.
Субъективные, или качественные, прогнозы включают важные факторы, такие как интуицию принимающих решения, эмоции, личный опыт.
Обзор качественных методов. Рассмотрим четыре разные техники качественного прогнозирования.
1. Жюри из мнений исполнителей. Этот метод базируется на мнениях малой группы менеджеров высокого уровня, часто в комбинации со статистическими моделями, результатом чего является групповая оценка спроса.
2. Усиление продаж. В этом подходе каждое лицо, продающее товар, оценивает, какие продажи будут в его регионе; прогнозы затем рассматриваются, чтобы гарантировать их реалистичность.
3. Метод Дельфи. Этот итеративный групповой процесс позволяет экспертам, которые могут занимать различные позиции, создавать прогнозы. Существуют три различных типа участия в процессе метода Дельфи: принимающие решения, штатный персонал и ответственные. Принимающие решения -- это обычно группа от пяти до десяти экспертов, которые будут делать текущий прогноз. Штатный персонал помогает принимающим решения перерабатывать, распределять, объединять и суммировать серии вопросов и рассматривать результаты. Ответственные -- это группа людей, объединяющих полученные суждения. Эта группа обеспечивает данными принимающих решения перед тем, как делать прогноз.
4. Обзор рынка покупателей. Это метод получения данных от покупателей или потенциальных покупателей, рассматривающих будущие планы своих покупок. Это может помочь не только в разработке прогноза, но также в продвижении проектируемого товара и планировании новых товаров.
Обзор количественных методов. В этой главе мы обращаемся к пяти методам количественного прогнозирования:
1.Простейший метод
2.Метод меняющегося среднего Модели временных серий
3.Экспоненциальное сглаживание
4.Трендовое регулирование
5.Линейная регрессия } Причинная модель
Модели временных серий. Первые четыре из перечисленных называются моделями временных серий. Они предсказывают на базе предположения, что будущее есть функция прошлого. Другими словами, мы видим, что случилось за истекший период времени и используем серию прошлых данных, чтобы сделать прогноз. Если мы предсказываем недельные продажи газонокосилок, мы используем прошлые недельные продажи газонокосилок, делая прогноз.
Причинные модели. Линейная регрессия, причинная модель, объединяет в модели переменные, или факторы, которые могут влиять на количество в будущем периоде. Причинная модель для продаж газонокосилок может включать такие факторы, как новое начавшееся строительство домов, затраты на рекламу и цены конкурентов.
Шаги системы прогнозирования
Дать определение компонентам временных серий

Восемь шагов системы прогнозирования. Кроме методов, используемых для прогнозирования, имеются следующие восемь шагов прогнозирования.
1. Определение пользы прогноза, т. е. какие объекты мы рассматриваем
2. Отбор объектов, которые будут прогнозироваться.
3. Определение временных горизонтов прогноза--является он краткосрочным, среднесрочным или долгосрочным.
4. Отбор модели (моделей) прогнозирования.
5. Сбор данных, необходимых для прогноза.
6. Обоснование модели прогнозирования.
7. Выполнение прогноза.
8. Отслеживание результатов.
Эти шаги следует осуществлять системным путем, инициируя, решая и отслеживая систему EMV прогнозирования. Когда система используется для генерации прогнозов регулярно в течение времени, данные должны быть соответствующим образом собраны, и текущие расчеты прогнозов могут делаться автоматически, обычно на компьютере.
ВРЕМЕННЫЕ ИНТЕРВАЛЫ ПРОГНОЗИРОВАНИЯ
Временные серии базируются на последовательности равных промежутков (недельных, месячных, квартальных и т. д.) между точками данных.
Декомпозиция временных серий. Анализ временных серий ведется посредством разбивания прошлых данных на компоненты и затем проецированием их вперед. Временные серии обычно имеют четыре компоненты: тренд, сезонность, циклы и случайные вариации .
1. Тренд (Т) является градацией повышения или понижения данных за период.
2. Сезонность (5) является моделью данных, которая повторяется через определенные промежутки, измеряемые днями, неделями, месяцами или кварталами (чаще термин «сезонность» относится к наступлению зимы, весны, лета и осени).
3. Циклы (С) -- это модели данных, которые встречаются каждые несколько лет. Они обычно связаны с циклами в бизнесе и, главным образом, важны в краткосрочном анализе и планировании бизнеса.
4. Случайные вариации (К) -- это «блики» в данных, связанные со случайными и необычными ситуациями; они, следователь но, безразличны для модели.
Существуют две основные формы временных серий моделей в статистике. Наиболее широко используется мультипликативная модель, которая предполагает, что спрос является продуктом четырех компонент:
Спрос =ТхSхСхR.
Аддитивная модель требует прогнозирования суммированием компонент друг с другом. Это выглядит так:
Спрос =Т+S+С+R.
Рис 1. Спрос на товар за четыре года с трендом и сезонными колебаниями.
В большинстве реальных моделей прогнозирующие предполагают, что случайные вариации усредняются за рассматриваемый период. Тогда они концентрируют внимание только на сезонных компонентах и компонентах, которые являются комбинацией тренда и циклических факторов.
Характеристика методов прогноза

1. Простейший метод. Простейший (наивный) метод прогноза предполагает, что спрос в следующем периоде эквивалентен спросу в большинстве текущих периодов. Другими словами, если продажи товара, скажем, сотовых телефонов, были 68 единиц в январе, мы можем прогнозировать, что февральские продажи также будут 68 единиц.
2. Метод меняющегося среднего. Метод меняющегося среднего успешно применим, если мы можем предположить, что рыночный спрос будет довольно стабильным в данном периоде. Четырехмесячное меняющееся среднее находят простым суммированием спроса в течение последних четырех месяцев и делением на четыре. С каждым следующим месяцем текущие месячные данные суммируются с предыдущими данными трех месяцев, а самый ранний месяц вычеркивается. Этот подход сглаживает на кратко срочном периоде нерегулярности в сериях данных.
Математически простая меняющаяся средняя (которая служит как прогноз спроса на следующий период) определяется формулой
где п -- это число периодов в меняющейся средней, например, четыре, пять или шесть месяцев назад для четырех-, пяти-, или шестимесячной меняющейся средней.
3. Экспоненциальное сглаживание. Экспоненциальное сглаживание -- это метод прогнозирования, который чаще и эффективнее применяется с помощью компьютера, хотя использует очень мало записей, относящихся к прошлым данным. Базовая формула экспоненциального сглаживания может быть показана следующим образом:
Новый прогноз = Прогноз прошлого периода +
+ ? (Текущий спрос прошлого периода - Прогноз прошлого периода),
где ? -- вес, или константа сглаживания, которая расположена между 0 и 1.
Уравнение (4.3) может быть также записано математически:
Ft = Ft-1+? (A t-1 - Ft-1) (4.4)
где Ft, -- новый прогноз;
Ft-1 -- прошлый прогноз;
? -- константа сглаживания (0?1);
A t-1 -- текущий спрос прошлого периода. Прошлый прогноз спроса эквивалентен старому прогнозу, существуют различия между текущим спросом прошлого периода и старым прогнозом.
Константа сглаживания ??может быть изменена для придания большего веса текущим данным (когда а высока) или большего веса прошлым данным (когда ее низка).
Выбор константы сглаживания. Метод экспоненциального сглаживания прост в использовании и может быть успешно применен в банках, производственных компаниях, оптовой торговле и других организациях. Определение значения константы сглаживания к может дать различия между точным прогнозом и неточным прогнозом. Выбирая значение константы сглаживания, добиваются более точных прогнозов. В общем, точность модели прогнозирования может быть определена сравнением прогнозного значения с текущим, или наблюдаемым, значением.
Ошибка прогноза определяется формулой
Ошибка прогноза = Спрос - Прогноз
Измерение всех ошибок прогноза для модели является средним абсолютным отклонением (МАД). Оно рассчитывается суммированием абсолютных значение индивидуальных ошибок прогноза и делением на число периодов данных п:
(4.6)
4. Экспоненциальное сглаживание с трендовым регулированием. Как и другие методы меняющегося среднего, простое экспоненциальное сглаживание не приспособлено к регулированию тренда. Иллюстрируя более сложную модель экспоненциального сглаживания, рассмотрим, что требуется для регулирования тренда. Идея заключается в расчете прогноза простым экспоненциальным сглаживанием, а затем в определении положительного или отрицательного лага в тренде.
Формула имеет вид следующего равенства:
Прогноз, включающий тренд (FIT t ) = Новый прогноз( F t ) + Коррекция тренда(T t)
Сглаживая тренд, уравнение для коррекции тренда использует константу сглаживания ?, так же как в простой экспоненциальной модели использовалась ?
Т t рассчитывается с помощью равенства
T t = ( 1 - ? ) T t-1 + ?( F t - F t-1 ) (4.7)
где T t -- сглаженный тренд для периода t,
Т t-1 -- сглаженный тренд для предыдущего периода;
? -- константа сглаживания, которую мы выбираем;
F t -- прогноз простого экспоненциального сглаживания для периода t ,
F t-1 -- прогноз для предыдущего периода.
Имеются три шага расчета прогноза с регулируемым трендом.
Шаг 1. Расчет простого экспоненциального прогноза для периода t (Ft)
Шаг 2. Расчет тренда с использованием уравнения T t = ( 1- ?) T t-1 + ? (F t - F t-1 )
Для начала шага 2 для первого периода начальное значение тренда должно быть заложено (или как хорошее предположение, или как обзор прошлых данных). После этого рассчитывается тренд.
Шаг 3. Расчет прогноза с регулируемым трендом методом экспоненциального сглаживания по формуле FIT t = F t + T t
5. Трендовое проектирование. Метод прогнозирования на основе прошлых временных серий, который мы будем обсуждать, называется трендовым проектированием. Этот метод устанавливает линию тренда по серии точек прошлых данных, а затем проектирует линию в будущее для средне- и долгосрочных прогнозов. Ряд математических уравнений-трендов может быть использован (на пример, экспоненциальные и квадратные), но в данной секции мы будем рассматривать только линейные (прямолинейные) тренды.
Если мы решили развивать линейный тренд линейно точным статистическим методом, то можем применить метод наименьших квадратов. Этот метод позволяет получить прямую линию, которая минимизирует сумму квадратов вертикальных разностей между линией и каждым текущим наблюдением.
Линия, полученная методом наименьших квадратов, описывается в терминах ее значения (высотой, отсекаемой ею на оси у) и ее наклоном (линейным углом). Если мы можем рассчитать отсекаемое значение и наклон, то можем описать линию следующим уравнением:
у = а + bх, (4.8)
где у -- расчетное значение предсказываемой переменной (зависимой переменной);
а -- отрезок, отсекаемый прямой на оси у;
b -- наклон линии регрессии (или коэффициент изменения значения у по отношению к изменению значения х);
х -- независимая переменная (в данном случае время).
Статистически, имея уравнение, мы можем найти значения а и b для некоторой линии регрессии. Наклон линии регрессии находим так:
(4.9)
где b-- наклон линии регрессии;
-- сумма значений;
х-- значения независимой переменной;
у -- значения зависимой переменной;
-- среднее значение х;
-- среднее значение у,
п -- число точек данных, или наблюдений. Мы можем рассчитать отрезок о, отсекаемый на оси у.
а = - (4.10)
Литература:
Козловский В.А. и др. Производственный и операционный менеджмент.
Учебник - СПб: «Специальная Литература», 1998. с.58
Макаренко М.В., Махалина О.М. Производственный менеджмент: Учеб. пособие для вузов.- М.: «Издательство ПРИОР», 1998. - 384 с.
Ричард Чейз и др. Производственный и операционный менеджмент. - М.: Издательский дом «Вильямс», 2001.- 704 с.
3. Теория очередей
Дать определение характеристикам прибытия линейных систем ожидания
Основные знания о линиях обслуживания называются теорией очередей.
Сервисные затраты возрастают при попытке фирмы увеличивать уровень сервиса. Менеджеры в таком сервисном центре могут варьировать мощность установкой машин и персонала на специальных сервисных станциях, предотвращать или сокращать излишне длинные очереди. На складах бакалейных магазинов менеджеры и служащие могут работать, когда это необходимо, за чековыми аппаратами. В банках и аэропортах частично занятые работники могут быть позваны на помощь. По мере совершенствования сервиса (например, его ускорение) уменьшаются затраты времени, расходуемые на ожидание обслуживания, что показано убывающей линией. Затраты ожидания могут отражать потерянную производительность рабочих, пока их инструменты или машины ожидают ремонта, или просто могут быть оценены затратами потери покупателей по причине плохого сер виса и длинных очередей. 3 таких сервисных системах (например, в неотложной «скорой помощи») цена долгого ожидания может быть невыносимо высока.
Рис. 1. Соотношение между затратами ожидания и сервисными затратами
Обзор трех частей линейных систем ожидания, или очередей:
1) прибытия, или входы системы;
2) дисциплина очереди, или собственно система ожидания;
3) сервисное оборудование.
Эти три компонента имеют определенные характеристики, которые должны быть изучены прежде, чем математические модели очереди могут быть разработаны.
Характеристики прибытия. Входной источник, который генерирует прибытия или клиентов сервисной системы, имеет три главные характеристики. Такими тремя важными характеристика ми являются размер источника, модели прибытия в систему очередей и поведения прибытия.
1. Размер источника. Размер прибытия рассматривается либо как неограниченный (практически бесконечный), либо как ограниченный (конечный). Когда число клиентов или прибытии в любой момент происходит лишь малыми порциями от числа потенциальных прибытии, источник прибытии рассматривается неограниченным, или бесконечным. В практической жизни приме рами неограниченных источников могут быть автомобили на автозаправках, покупатели в супермаркете, студенты, записывающиеся на занятия в большом университете. Большинство моделей очередей допускают такие неограниченные источники прибытии.
Пример ограниченного, или конечного, источника -- это центр копирования только с восьмью копировальными аппаратами, которые могут выйти из строя и потребовать обслуживания.
2. Образец прибытии в систему. Заказчики приходят в пункт обслуживания либо по какому-то известному расписанию (напри мер, один пациент каждые 15 минут или один студент на консультацию каждые полчаса), либо случайным образом. Прибытия считаются случайными, если они независимы друг от друга и их появление невозможно точно предсказать.
Часто в теории очередей число прибытии за единицу времени может быть определено с помощью распределения вероятности, известного как распределение Пуассона. Для любого заданного количества -прибытий ( два заказчика в час или четыре грузовика в минуту) дискретное распределение Пуассона может быть определено формулой:
для х=0, 1, 2, 3, 4...
где Р (х) -- вероятность х прибытии;
х -- число прибытии в единицу времени;
а -- среднее количество прибытии;
е-- основание натурального логарифма 2,7183.
Поведение прибытии. Большинство моделей очередей полагают, что приходящие заказчики являются «терпеливыми». Терпеливые клиенты -- это люди или машины, которые ожидают своей очереди до тех пор, пока их не обслужат, и не меняют очередь. К сожалению, жизнь сложнее, поскольку люди не всегда бывают терпеливыми. Клиенты, которые являются нетерпеливыми, отказываются присоединиться к очереди, потому что она слишком длинная, что не соответствует их запросам и интересам. Другая разновидность нетерпеливых клиентов -- это те, которые, становясь в очередь, затем оказываются нетерпеливыми и покидают ее без завершения действия. Действительно, обе эти ситуации только подчеркивают необходимость теории очередей и анализа ожидания в очередях.
Дать определение характеристике очереди линейных систем ожидания
Характеристика очереди. Сама по себе очередь ожидания -- это второй компонент системы очередей. Длина очереди может быть или ограниченной, или неограниченной. Очередь является ограниченной, если она не может по закону или физическим ограничениям увеличиваться до бесконечности. Это может быть в случае небольшой парикмахерской, которая имеет только ограниченное количество мест для ожидания. Аналитические модели очередей, рассматриваемые в этой главе, работают с неограниченными по длине очередями. Очередь является неограниченной, если нет ограничений на ее размер, как в примере обслуживания прибывающих автомобилей.
Вторая характеристика очередей относится к дисциплине очереди. Это касается правила, по которому клиенты в очереди получают обслуживание. Большинство систем использует дисциплину очереди, известную как правило: «первый пришел -- первый ушел» (F1FО).
В госпитале или в супермаркете на экспресс-узле расчета различные приоритеты могут не соответствовать правилу F1FО. Пациенты в госпитале, которые находятся в критическом состоянии, могут идти и т.д.................


Перейти к полному тексту работы



Смотреть похожие работы


* Примечание. Уникальность работы указана на дату публикации, текущее значение может отличаться от указанного.