ࡱ> CE@AB{j9 bjbj&nnllllx11182|3k 5 6060606C7C7C7gggggggXm xogC7?7C7C7C7gB0606kBBBC780606gBC7gB6 B!L ]_065  +1C7 ^&_k0k^6pA6p_Bdr.sc. Marijana Zeki-Suaac Sveu iliate J.J. Strossmayera u Osijeku Ekonomski fakultet u Osijeku tel: (385) 31 224 442 fax: (385) 31 211 604 e-mail:  HYPERLINK mailto:marijana@efos.hr marijana@efos.hr Edo Musser CPM International Zagreb tel/fax: (385) 31 571 360 e-mail:  HYPERLINK "mailto:emusser@inet.hr" emusser@inet.hr Neuronske mre~e u predvianju ponude i potra~nje prehrambenih proizvoda Sa~etak: Zbog svojih mogunosti predvianja na nelinearnim modelima gdje su podaci esto neizvjesni i fuzzy, neuronske mre~e se kao kvantitativna metoda umjetne inteligencije sve viae primjenjuju u poslovanju. Dosadaanja istra~ivanja pokazuju da su meu poslovnim problemima s pomou neuronskih mre~a naj eae istra~ivana podru ja proizvodnje i operacija, zatim financija i ulaganja, te marketinga. Ponuda i potra~nja prehrambenih proizvoda zbog duljine ciklusa i teakoa u prikupljanju podataka vrlo je slabo zastupljena u primjenama neuronskih mre~a. Meutim, zbog prisutne nelinearnosti i neizvjesnosti tr~iata, te povratnih efekata u cijenama, na zahtjeve ovog podru ja teako mogu odgovoriti standarne statisti ke metode. Cilj ovog rada je prikazati mogunosti neuronskih mre~a u predvianju ponude i potra~nje prehrambenih proizvoda na modelima koji uklju uju nominalne, kategorijalne, binarne i fuzzy podatke. Testirano je etiri razli ita algoritma neuronskih mre~a (mre~a  airenje unatrag , mre~a s radijalno zasnovanom funkcijom, mre~a ope regresije i modularna mre~a) i analizirana kvaliteta njihovog rezultata. Mogunosti ove metodologije ilustrirane su na primjeru predvianja prodaje preraevina od raj ica i dane su smjernice za daljnja istra~ivanja. Klju ne rije i: neuronske mre~e, ponuda, potra~nja, predvianje prodaje prehrambenih proizvoda Abstract: Neural networks in Predicting Supply and Demand of Food Products Because of its prediction abilities on nonlinear models where the data are frequently uncertain and fuzzy, neural networks as a quantitative artificial intelligence method have been more intensively applied in business. Previous research show that, among all business areas, production and operations are mostly investigated with neural networks, followed by finance and investing, than marketing. Supply and demand of food products is rarely present in neural network applications due to the cycle length and difficulties in data collection. However, because of the nonlinearity and uncertainty of the market, as well as feedback effects in prices, this area requests more than standard statistical methods. The aim of this paper is to show the abilities of neural networks in predicting supply and demand of food products on models that include nominal, categorical, binary, and fuzzy data. Four different neural network algorithms were tested (Backpropagation, Radial-Basis, General Regression and Modular) and the quality of their result is analysed. Abilities of this methodology are illustrated on the example of sale prediction of tomato products in a localized area and guidelines for further research are given. Keywords: demand, neural networks, predicting food product sale, supply Uvod Informacijska tehnologija doprinijela je ogromnom rastu metodoloakog spektra raspolo~ivog donositeljima odluka u podru ju poslovanja. Osim statisti kih metoda i metoda operacijskih istra~ivanja, umjetna inteligencija temeljena na teoriji u enja unaprijedila je mogunost koriatenja prethodnog znanja (kroz ekspertne sustave) i podataka (kroz neuronske mre~e) u cilju donoaenja u inkovitih odluka. Naglasak ovog rada je na neuronskim mre~ama (NM) i upotrebi njihovih algoritama u predvianju prodaje kao informacijske podloge za planiranje ponude i potra~nje proizvoda. Neuronske mre~e mogu se upotrebljavati za predvianja, klasifikaciju i asocijaciju u razli itim problemskim podru jima. Budui da su one robustan alat, namijenjen radu s velikim koli inama fluktuirajuih podataka i podataka sa smetnjama, koji uklju uju skrivene nelinearne zavisnosti, izabrali smo ih testirati na tr~iatu prehrambenih proizvoda zbog prisutne nelinearnosti i neizvjesnosti tog tr~iata, te povratnih efekata u cijenama. Drugi razlog je ato standarne statisti ke metode, a posebno linearni modeli u takvim uvjetima daju slabe rezultate i ne mogu slu~iti kao u inkoviti prognosti ki sustavi. U mnogim radovima o primjenama neuronskih mre~a spominje se samo jedan od mnogih NM algoritama bez testiranja viae raspolo~ivih algoritama i moguih arhitektura. Nedostatak standariziranih paradigmi koje e odrediti u inkovitost pojedinog NM algoritma i arhitekture u pojedinom problemskom podru ju i na pojedinim karakteristikama podataka naglaaeno je kod mnogih autora. Cilj nam je prevladati taj nedostatak provoenjem komparativnog istra~ivanja s razli itim NM algoritmima kako bismo ponudili u inkovit prognosti ki sustav za predvianje prodaje prehrambenih proizvoda, testiran na primjeru preraevina od raj ica. Sustav se temelji na testiranju etiri NM algoritma: mre~i "airenje unatrag" (backpropagation network), mre~i s radijalno zasnovanom funkcijom (radial basis function network), mre~i ope regresije (general regression network) i modularnoj mre~i (modular network). U svrhu u inkovitog iskoriatenja NM metodologije u predvianju prodaje prehrambenih proizvoda, u radu je predlo~ena strategija upotrebe NM kroz korake pripreme podataka, procedure treniranja i testiranja mre~e, te tuma enja rezultata, prilagoena takvoj vrsti problema. Dio 2 donosi sa~eti pregled NM metodologije koriatene u istra~ivanju uklju ujui etiri NM algoritama za predvianje, kao i napredne optimizacijske tehnike provedene u cilju dobivanja najboljih struktura i parametara neuronskih mre~a. Rezultati prethodnih istra~ivanja opisani su u treem dijelu rada, izlu ujui osnovne prednosti i nedostatke prethodnih primjena neuronskih mre~a na tr~iatima prehrambenih proizvoda. Dio 4 donosi opis na ina i mogunosti primjene NM u predvianju prodaje i potra~nje prema predlo~enoj strategiji. U dijelu 5 dana je konkretizacija predlo~ene strategije na primjeru predvianja prodaje preraevina od raj ica, dok posljednji dio opisuje zaklju na razmatranja i smjernice za daljnja istra~ivanja. 2. Metodologija neuronskih mre~a Neuronske mre~e su metoda umjetne inteligencije (UI) strukturirane prema ljudskom mozgu. Zajedno s geneti kim algoritmima i fuzzy logikom, NM pripadaju u simboli ke metode UI za inteligentna izra unavanja na principima tzv. mekog ra unanja (soft computing). Iako postoji i bioloaki pristup neuronskim mre~ama sa stajaliata istra~ivanja funkcioniranja ljudskog mozga, ovaj rad je koncentiran na drugi pristup koji tretira neuronske mre~e kao tehnoloake sustave za slo~enu obradu informacija. Prema tom pristupu se neuronske mre~e ocjenjuju s obzirom na svoju u inkovitost u radu sa slo~enim problemima, posebno u podru ju asocijacije, klasifikacije i predvianja. Razlozi ato neuronske mre~e esto rezultiraju bolje nego statisti ke metode le~e u njihovoj mogunosti da analiziraju nedostatne podatke, podatke sa smetnjama, zatim da uspijevaju rjeaavati probleme koji nemaju jasno jednostrano rjeaenje, te da u e na proalim podacima. Zbog takvih prednosti neuronske mre~e su pokazale uspjeh u predvianjima razli itih serija podataka koje imaju visok stupanj variranja i fluktuacije. Od nedostataka NM potrebno je spomenuti nedostatak testova statisti ke zna ajnosti modela neuronskih mre~a i procijenjenih parametara. Nadalje, ne postoje utvrene paradigme za odlu ivanje o tome koja arhitektura NM je najbolja za odreene probleme i tipove podataka, te ovaj rad testira viae razli itih NM algoritama na jednom problemu. Uprkos navedenim nedostacima, rezultati mnogih istra~ivanja pokazuju da neuronske mre~e mogu rijeaiti gotovo sve probleme u inkovitije nego tradicionalne metode modeliranja i statisti ke metode. Matemati ki je dokazano (koristei Ston-Weierstrass, Hahn-Banach i ostale teoreme i korolare) da su troslojne neuronske mre~e koje imaju neograni eno osjetljivu prijenosnu funkciju u mogunosti aproksimirati bilo koju nelinearnu funkciju. 2.1. U enje u neuronskim mre~ama Neuronske mre~e se sastoje od dva ili viae slojeva ili skupina elemenata obrade nazvanih neuronima. Neuroni su spojeni u mre~u na na in da izlaz svakog neurona predstavlja ulaz u jedan ili viae drugih neurona. Prema smjeru, veza izmeu neurona mo~e biti jednosmjerna ili dvosmjerna, a prema intenzitetu mogua je pobuujua (egzitatorna) ili smirujua (inhibitorna) veza. Tri su osnovna tipa slojeva neurona: ulazni, skriveni i izlazni. Ulazni sloj prima ulazne podatke iz vanjske okoline i aalje ih u jedan ili viae skrivenih slojeva. U skrivenom sloju informacije neurona se obrauju i aalju u neurone izlaznog sloja. Informacije zatim putuju unatrag kroz mre~u, a vrijednosti te~ina veza izmeu neurona prilagoavaju se prema ~eljenom izlazu. Proces se ponavlja u mre~i u onoliko mnogo iteracija koliko je potrebno za dostizanje izlaza koji je najbli~e ~eljenom (stvarnom) izlazu. Kona no, mre~ni izlaz se predstavlja korisniku. U enje neuronskih mre~a u osnovi je proces kojim sustav dolazi do vrijednosti te~ina veza meu neuronima. Te~ina veze je snaga veze izmeu dva neurona. Ako je, na primjer, neuron j povezan s neuronom i, wji ozna ava te~inu veze od neurona j prema neuronu i (wij je te~ina obrnute veze od neurona i prema neuronu j). Ako je neuron i spojen s neuronima 1,2,...,n, njihove te~ine su pohranjene u varijablama w1i, w2i, ..., wni. Promjena te~ina obavlja se prema nekom od pravila u enja, a naj eae se koristi Delta pravilo u enja prema formuli:  EMBED Equation.2 , (1) gdje je  EMBED Equation.3  vrijednost prilagoavanja te~ine veze od neurona j prema neuronu i izra unatom prema:  EMBED Equation.3  (2) gdje je ycj vrijednost izlaza izra unatog u neuronu j, (i je sirova greaka izra unata prema:  EMBED Equation.2  (3) gdje je ( koeficijent u enja, a ydi je ~eljeni (stvarni) izlaz koji se upotrebljava za izra unavanje greake. Neuron prima onoliko ulaza koliko ima ulaznih veza prema tom neuronu, te proizvodi jedan izlaz prema odreenoj prijenosnoj funkciji. Process dizajniranja neuronske mre~e sastoji se od etiri faze: (1) rasporeivanje neurona u razli ite slojeve, (2) odreivanje tipa veze izmeu neurona (inter-slojne i intra-slojne veze), (3) odreivanje na ina na koji neuroni primaju ulaze i proizvode izlaze, (4) odreivanje pravila u enja. Ovisno o temeljnim formulama koje se koriste za u enje, ulazne i izlazne funkcije, postoje razli iti algoritmi NM, a unutar svakog algoritma mogue su intervencije u strukturi mre~e (topologiji) i izboru parametara u enja, te tako postoji airoki spektar NM arhitektura. 2.2. Algoritmi neuronskih mre~a U radu su upotrijebljeni tzv. nadgledani algoritmi NM koji zahtijevaju poznate izlazne vrijednosti iz proalosti da bi u ili na proalim podacima, budui da su namijenjeni problemima predvianja, dok su tzv. nenadgledani algoritmi viae prilagoeni problemima klasifikacije i prepoznavanja uzoraka. Algoritam mre~e  airenje unatrag uklju uje optimizaciju greake koristei deterministi ki algoritam gradijentnog opadanja. Mre~a se sastoji od ulaznog sloja, izlaznog sloja i najmanje jednog skrivenog sloja, s vezom unaprijed. Tipi na arhitektura  airenje unatrag prikazana je na slici 1 (zbog jasnoe je prikazan samo jedan skriveni sloj): Slika 1. Arhitektura mre~e "airenje unatrag"  Cilj procesa u enja u ovoj mre~i je minimizirati globalnu greaku E koja se ra una prema formuli:  EMBED Equation.3  (4) gdje je dk ~eljeni (stvarni) izlaz, dok je xk izlaz mre~e, a k je indeks izlazne komponente, tj. broj izlaznih jedinica. Greaka se airi unatrag u veze meu neuronima kroz mre~u sve do ulaznog sloja, te slu~i za podeaavanje te~ina, kako bi mre~a u kona nici rezultirala vrijednostima te~ina koje daju ato manju globalnu greaku. Naj eaa pravila po kojima mre~a u i su: delta pravilo i normalizirano kumulativno delta pravilo, a naj eae prijenosne funkcije prema kojima se ra una izlaz koji neuroni prosljeuju jedan drugome su sigmoidna i tangens-hiperbolna. Glavni nedostatak ove mre~e je opasnost od pronala~enja lokalnog umjesto globalnog minimuma greake, te mogunost pretreniranja, koja je svojstvena gotovo svim NM algoritmima. Kako bi se otklonili navedeni nedostaci, u radu su koriatene dodatne procedure koje unapreuju algoritam "airenje unatrag". U cilju ubrzanja procesa u enja koriateno je proaireno delta-bar-delta (EDBD) pravilo u enja umjesto standardnog delta pravila. EDBD pravilo uvodi razli itu stopu u enja  EMBED Equation.3  i momentum  EMBED Equation.3  za svaku vezu. U cilju prevladavanja problema lokalnog minimuma koristimo stohasti ku metodu simuliranog kaljenja dodajui smetnje u rezultat ulazne funkcije u neurone. Interval smetnji odreen je parametrom temperature, s donjom granicom od -0.01*t i gornjom od +0.01*t. Temperatura je po etno postavljena na neku visoku vrijednost, zatim postupno smanjivana u cilju navoenja izlazne funkcije u podru je globalnog minimuma. Pretreniranje je izbjegnuto s pomou tzv. save best optimizacijske procedure, jedne vrste unakrsne validacije koja alternativno trenira i testira mre~u (upotrebom posebnog uzorka za testiranje) sve dok se rezultat mre~e na uzorku za testiranje ne prestane poboljaavati u n pokuaaja. Nakon ato je izabrana najbolja mre~a, testirana je na novom uzorku za validaciju, kako bi se odredila sposobnost generalizirana mre~e. Takoer je koriatena metoda za izbjegavanje saturacije te~ina dodavanjem male vrijednosti F faktora u derivaciju prijenosne funkcije prema prijedlogu iz prethodnih istra~ivanja. Mre~a s radijalno zasnovanom funkcijom, predlo~ena od strane M.J.D. Powel-a, mre~a je ope namjene koja se mo~e upotrebljavati u istim situacijama kao i Mre~a  airenje unatrag ; za probleme predvianja kao i za probleme klasifikacije. Budui da upotrebljava radijalno simetri nu i radijalno ograni enu prijenosnu funkciju u svom skrivenom sloju, mo~e se smatrati poopenim oblikom probabilisti ke i mre~e ope regresije. Ova mre~a prevazilazi neke nedostatke mre~e  airenje unatrag kao ato su problemi sporog u enja i lokalnog minimuma, ali zahtijeva viae ra unanja u fazi opoziva u cilju aproksimiranja funkcije ili klasifikacije. Mre~a ope regresije u na elu izvodi nelinearnu regresijsku analizu. Mo~e se koristiti za modeliranje i za predvianje, a posebna joj je kvaliteta u radu sa raspraenim i nestacionarnim podacima. Njezini nedostaci, kao ato su troaenje mnogo memorije i vremena u fazi opoziva, nisu ograni avajui imbenici za danaanja brza ra unala. Jedna od glavnih prednosti mre~e ope regresije je njezina sposobnost tretiranja nestacionarnih podataka (tj. vremenskih serija ija se statisti ka svojstva mijenjaju tokom vremena). Modularnu mre~u predlo~ili su Jacobs, Jordan, Nowlan i Hinton. Ona je sustav viae zasebnih mre~a (obi no mre~a  airenje unatrag ), gdje svaka od njih u i preuzeti jedan podskup ukupnog skupa slu ajeva za treniranje. Stoga je u mogunosti unaprijediti rezultat mre~e  airenje unatrag u slu ajevima kada se uzorak za treniranje mo~e prirodno podijeliti na podskupove koji odgovaraju razli itim podzadacima. Razlog za izbor ove mre~e za naae eksperimente je pretpostavka da e mre~a pojedina ne lokalne eksperte zadu~iti za rjeaavanje slu ajeva koji su odgovorni za zasebno za padove i poraste prodaje. 3. Pregled prethodnih istra~ivanja Uprkos airokoj upotrebi NM u brojnim podru jima poslovanja (financije, predvianje bankrota, investicijsko ulaganje, i sl.), istra~ivanja u prodaji i marketingu poznata su odnedavno. Sve do 1993. samo je nekoliko radova govorilo o potencijalnom doprinosu metodologije NM u tom podru ju. Nakon tog razdoblja, eksperimentalna istra~ivanja po inju svoj brzi razvoj, da bi danas primjena NM posebno u ciljanom marketingu postala jednim od najzna ajnijih podru ja poslovanja. Prema istra~ivanjima Venugopal-a i Baets-a, mogu se identificirati nekoliko najzna ajnijih podru ja primjene NM u prodaji i marketingu, kao ato su: izravni marketing, ciljani marketing i marketing u maloprodaji. Poseban zna aj NM u prognoziranju prodaje i ulogu u marketing informacijskom sustavu opisuju Lin i Bruwer. Zbog svojih mogunosti rada sa slo~enim i fuzzy podacima, NM se mogu koristiti za potporu odlu ivanju o reakcijama kupaca. Eksperimenti Bejou, Barry and Thomas pokazuju mogunost upotrebe NM u kvantificiranju imbenika va~nih za odnos kupac-prodavatelj. Neki radovi usporeuju karakteristike NM sa statisti kom multiplom regresijom, diskriminantnom analizom, ili modelima izbora, te zaklju uju da: 1) NM pokazuju bolju to nost od diskriminantne analize i logisti ke regresije u identificiranju segmenata kupaca; 2) NM to nije identificiraju determinante za odnos kupac-prodavatelj od multiple regresije; i 3) NM pokazuju istu to nost kao i diskretni modeli izbora u predvianju reakcije kupaca. Kvaal and Djupvik, koristili su mre~u "airenje unatrag" za predvianje segmenata kupaca. Radovi u podru ju predvianja prodaje prehrambenih proizvoda vrlo su rijetki. NM uspjeano se primjenjuju u biotehnologiji za modeliranje procesa, procjenu parametara i stanja procesa. Iako postoji raznolikost u podru jima primjene, prethodna istra~ivanja u prodaji i marketingu ne odra~avaju raznolikost i u primjenjenim NM algoritmima. Zbog nedostatka pravila o upotrebi jednog algoritma u pojedinim problemskim podru jima, prethodna istra~ivanja prikazuju samo mali dio mogunosti upotrebe NM u predvianjima varijabli u ovom podru ju. Usporedba sa statisti kim metodama pokazuje da NM u veini slu ajeva uspijevaju to nije predvidjeti i klasificirati od npr. linearne, logisti ke regresije, diskriminantne analize. Ovakva otkria otvaraju niz mogunosti za upotrebu metodologije NM u razli itim problemima prodaje i marketinga. 4. Strategija upotrebe neuronskih mre~a u predvianju prodaje i potra~nje Zbog razloga nepostojanja vrstih paradigmi o upotrebi pojedinih NM algoritama u pojedinim podru jima primjene, smatrali smo potrebnim u radu istaknuti teorijske i heuristi ke naputke za pronala~enje u inkovitog NM modela u predvianju prodaje i potra~nje do kojih smo doali kako analizom prethodnih istra~ivanja, tako i eksperimentalno na temelju provedenih vlastitih testova. Naputci su formulirani u obliku predlo~ene strategije i navedeni u glavnim koracima u nastavku. 4.1. Priprema podataka i modeliranje Kako je priprema podataka za neuronske mre~e vrlo va~na faza koja umnogome utje e na u inkovitost modela, opisani su postupci pripreme u predvianju ponude i potra~nje prehrambenih proizvoda na modelima koji uklju uju nominalne, kategorijalne, binarne i fuzzy podatke. Prilikom dizajniranja modela neuronske mre~e za predvianje npr. ponude proizvoda, potrebno je definirati cilj modela, tj. izlaznu varijablu koja se nastoji predvidjeti ili kategorizirati u klase. Ukoliko se s pomou NM ~eli predvidjeti apsolutna vrijednost ponude (odnosno prodaje, ako pretpostavimo da ponuda treba slijediti koli ine koje se mogu prodati), potrebno je specificirati vremensko razdoblje predvianja (dnevno, tjedno, mjese no, ili dr.), te u skladu s tim definirati i vremensko razdoblje prikupljanja podataka u uzorku. Izbor vremenskog razdoblja ovisit e najviae o vremenskom ciklusu planiranja narud~bi i prodaje za promatrani proizvod koji je prisutan u poslovnom sustavu. Naredni korak je po etni izbor ulaznih varijabli za modele neuronskih mre~a, koji ovdje nije ograni en zahtjevima nezavisnosti meu varijablama kao ato je to slu aj kod npr. linearne regresije, te se zato mo~e svesti na korisnikov izbor svih varijabli za koje pretpostavlja da bi mogle utjecati na izlaznu varijablu, ili na praenje nekog teorijskog modela. Tzv. vremenski pomaci (lags) u smislu prodaje iz proalih razdoblja u veini modela utje u na prodaju u narednom razdoblju, pa je potrebno odlu iti koji e se vremenski pomaci koristiti kao ulazne varijable u modelu. Ostale varijable, koje nisu vezane uz prola kretanja izlazne varijable (tzv. egzogene varijable), mogu se proizvoljno ugraditi u model, kao npr. financijski pokazatelji poslovanja tvrtke, cijene proizvoda, postojanje propagandnih i akcijskih prodaja, cijene konkurencije, i sl. Pri prikupljanju podataka va~no je da se oni mogu numeri ki izraziti, bilo u nominalnom, kategorijalnom, binarnom ili fuzzy obliku. Kroz podeaavanje te~ina veza izmeu varijabli u procesu u enja mre~e, pojedine ulazne varijable, kao i meu-varijable u obliku skrivenih neurona dobit e svoj zna aj za model prema tome kakav je njihov utjecaj na izlaz mre~e. Ukoliko je po etni broj prikupljenih ulaznih varijabli vrlo velik, njihova dimenzija mo~e se prije ulaska u NM reducirati s pomou statisti kih metoda faktorske analize ili analize osnovnih komponenti i sli nih metoda za redukciju varijabli. Va~no je spomenuti da je veli ina uzorka va~an imbenik za u inkovitost NM, budui da mre~a u i na proalim podacima, te je po~eljno imati ato vei ukupni uzorak. injenica da se kod predvianja prodaje i potra~nje radi o vremenskim nizovima, uvjetuje neke prethodne postupke koje je nu~no provesti na podacima, kao ato su eliminacija trenda i eliminacija sezonskih utjecaja u cilju dobivanja stacionarnih vrijednosti. Eliminacija trenda provodi se kako bi se otklonili neki o iti smjerovi kretanja pojave, ato bi omoguilo mre~i otkrivanje skrivenih nelinearnih kretanja. Iako se postupkom diferenciranja originalnih podataka uklanja vei dio nestacionarnosti, odreeni stupanj joa uvijek ostaje kod nekih varijabli. Nestacionarnost ima utjecaja na u inkovitost algoritama i arhitektura neuronskih mre~a te je stoga kod takvih podataka nu~no testirati viae algoritama kako bi se otkrili oni koji se mogu nositi s preostalom nestacionarnoau. U radu je primijenjena metoda prvih diferencija za uklanjanje utjecaja trenda, a budui da o igledni sezonski utjecaji nisu bili prisutni u podacima, nisu koriatene metode za uklanjanje ove pojave. 4.2. Upotreba fuzzy varijabli Fuzzy ili neizrazita logika upotrebljava se u airokom spektru podru ja, najviae u sustavima kontrole rada strojeva i procesa, dok se u ekonomskim znanostima najviae koristi u managementu i sustavima za potporu odlu ivanju, financijama, marketingu, analizi troakova i dobiti, ocjenjivanju investicija i drugim podru jima. Fuzzy podaci sastoje se od vrijednosti koje ozna avaju neizvjesnu pripadnost nekom skupu prema odreenoj vjerojatnosti. Suprotno od izrazitih vrijednosti gdje je pripadnost nekom skupu odreena binarno s vrijednostima 0 i 1 ("ne pripada" ili "pripada" nekom skupu), pripadnost kod fuzzy podataka nije potpuno izvjesna, te se numeri ki izra~ava vrijednoau u intervalu izmeu 0 i 1, a tuma i se kao vjerojatnost da neki element pripada nekom skupu. Npr. ukoliko se ~eli izraziti da li se neki dogaaj zbio u dalekoj proalosti, bli~oj proalosti ili nedavno, mogue je definirati raspon godina koje ulaze u pojedine kategorije (npr. sve godine do 1950. e se smatrati "dalekom proaloau", sve od 1951-1970. "bli~om proaloau", a od 1971. godine do danas kao "nedavno"). Fuzzy vrijednosti se numeri ki izra~avaju prema pripadnosti jednom od polariteta, npr. neka fuzzy varijabla se mo~e definirati kao "relativna novost nekog dogaaja" ili kao "relativna starost nekog dogaaja" pri emu vrijednosti izmeu 0 i 1 izra~avaju vjerojatnost pripadanja u tu kategoriju. Fuzzy varijable posebno se preporu uju kod vremenskih nizova, kada informacija o vremenskom razdoblju ima utjecaj na izlaznu varijablu. Postupak izra unavanja vrijednosti fuzzy varijabli je sljedei: potrebno je odrediti logi ki minimum i maksimum vrijednosti neke varijable prisutan u uzorku na temelju kojih e se kreirati fuzzy varijabla, npr. za varijablu "relativna novost dogaaja" koja e se kreirati na temelju godine dogaaja, logi ki minimum mo~e biti npr. 1800. godina, a logi ki maksimum npr. 2002. godina, odrediti fuzzy vrhove: po etnu to ku za fuzzy vjerojatnosti, vrhunac (koji mo~e biti ili jedna to ka ili interval to aka), te kraj fuzzy vjerojatnosti, npr. za varijablu "relativna novost dogaaja" po etak koji predstavljao razdoblje od kojeg taj dogaaj pripada u relativnu novost mo~e biti npr. 1951. godina, a vrhunac sve godine od 2000-2002. Kraj je ovdje posljednja, 2002. godina. Nakon izra unavanja pripadnih vjerojatnosti, varijabla "relativna novost dogaaja" ima ovakvu distribuciju vrijednosti: Slika 1. Primjer distribucije fuzzy vrijednosti  EMBED Excel.Chart.8 \s  Zavrana to ka fuzzy vjerojatnosti esto nije jednaka i zadnoj vrijednosti u intervalu vrhunca, pa tada funkcija distribucije vjerojatnosti ima oblik trokuta ili trapezoida. Korisnost fuzzy varijabli za model velika je ukoliko se neke zna ajne varijable ne mogu izraziti izvjesnim vrijednostima, a njihov utjecaj na izlaznu varijablu nije zanemariv. Budui da pri vremenskom predvianju prodaje i potra~nje proizvoda va~an imbenik mogu biti vremenska terminiranja nekih dogaaja ili poslovnih promjena, ovakve varijable korisno je uklju iti u model. 4.3. Provoenje treniranja i testiranja neuronskih mre~a Na kvalitetu rezultata NM osim izbora varijabli velik utjecaj ima ispravna podjela ukupnog uzorka na poduzorke za treniranje, testiranje i validaciju mre~e, te sam na in provoenja u enja i validacije mre~e. Osim proizvoljnog odabiranja veli ine poduzoraka (smjernice su samo u smislu ostavljanja veine slu ajeva za treniranje, npr. 70%, jednog malog dijela za testiranje, npr. 10%, i preostalog dijela za validaciju mre~e, npr. 20%), istra~iva ima je na raspolaganju i proizvoljan odabir na ina razmjeataja podataka u poduzorke. Iako su kod veine autora prisutne metode slu ajne raspodjele ukupnog uzorka prema proizvoljno utvrenim postocima na poduzorke, kod vremenskih serija va~no je istaknuti smjernice Masters-a koji upozorava na pogreaku koju mnogi autori ine ako kod vremenskih serija slijede slu ajan raspored podataka u poduzorke. Prema njegovoj analizi poduzorci kod vremenskih nizova trebaju slijediti vremenski tijek promatranja, ime se najstariji podaci smjeataju u uzorak za treniranje mre~e, neato noviji u uzorak za testiranje, a najnoviji u uzorak za validaciju mre~e. Ova je smjernica primijenjena u naaem eksperimentu objaanjenom u dijelu 5. Procedura treniranja i testiranja mre~e provodi se na proizvoljnom broju iteracija pri emu se potreban broj iteracija u enja ne mo~e unaprijed odrediti. U cilju izbjegavanja problema pretreniranja mre~e, koriste se optimizacijske procedure koje najprije treniraju mre~u na odreenom broju iteracija, zatim unakrsno treniranjem i testiranjem mre~e nastoje optimirati potreban broj daljnih iteracija za treniranje. Budui da poduzorak koriaten za ovakvo unakrsno optimiranje mre~e utje e na u enje, nije ga dozvoljeno upotrijebiti za tuma enje kona nog rezultata mre~e. Nakon odreivanja optimalne du~ine treniranja, nau enu mre~u nu~no je dodatno testirati na poduzorku koji u prethodnoj proceduri nije imao utjecaj na treniranje mre~e, tj. poduzorku za validaciju. Pri tome mre~a nau ena u prethodnom koraku sada biva samo primijenjena na uzorku koji do tada nije bio u upotrebi. Te~ine u mre~i su sada fiksne, a mre~a na drugim podacima pokuaava predvidjeti izlazne vrijednosti na osnovu ulaza. Dobivena greaka mre~e na uzorku za validaciju je rezultat kojim se tuma i uspjeanosti ili neuspjeanost neuronske mre~e i njezina korisnost u primjeni za predvianje na buduim podacima. U slu aju upotrebe viae NM algoritama, potrebno je na osnovu rezultata na uzorku za validaciju mre~e donijeti kona nu ocjenu o najboljem modelu NM za dani problem. Mjerila na osnovu kojih se ova odluka donosi ovise o tipu problema (predvianje vs. klasifikacija), prirodi problema (je li profit ostvaren upotrebom mre~e zna ajniji od veli ine njezine greake), i sl. Pogodnost upotrebe pojedinih mjerila opisana je u nastavku. 4.4. Tuma enje rezultata neuronskih mre~a i izbor najboljeg modela Rezultat mre~e mo~e se tuma iti kroz: a) tuma enje izlaznog rezultata, b) tuma enje te~ina u mre~i, c) analizu osjetljivosti (tuma enje zna ajnosti ulaznih varijabli). U veini slu ajeva, cilj treniranja neuronske mre~e je dobiti ato manju greaku. Prihvatljivost greake ovisna je o problemu i ne postoji pravilo o dovoljno maloj greaci koje se generalno mo~e primijeniti. RMS greaka se tuma i kao odstupanje izra unatog od ~eljenog (stvarnog) outputa, a izra unava se prema formuli:  EMBED Equation.2  (5) gdje je ti izra unati output, a oi ~eljeni (stvarni) output, a i je broj izlaznih neurona u mre~i. Npr. greaka od 0.01 zna i da izlaz koji daje mre~a u prosjeku odstupa 1% od stvarnog izlaza. Greaka se uprosje uje prema broju izlaznih varijabli i u odnosu na broj slu ajeva u uzorku na kojem se ra una. Kod problema klasifikacije se u veini istra~ivanja koristi stopa klasifikacije kao mjerilo ocjenjivanja mre~e, dok se kod problema predvianja naj eae se koriste RMS greaka, MSE (Mean Square Error), MAE (Mean Absolute Error), koeficijent korelacije i dr.), ali Masters naglaaava posebno kod financijskih problema potrebu koriatenja financijskih mjerila (npr. ostvareni simulacijski profit, prosje ni profit i sl.). Budui da su te~ine u mre~i u odreenoj mjeri pokazatelj zna ajnosti varijabli u neuronskoj mre~i, korisna je i analiza njihovih veli ina nakon faze treniranja mre~e. Vee vrijednosti te~ina ukazuju da vrijednost odreene varijable u mre~i ima vei utjecaj na izra unavanje vrijednosti izlaza, meutim ove se vrijednosti ne mogu tuma iti kao parametri u regresiji, budui da skriveni sloj posreduje izmeu ulaznog i izlaznog. Nakon validacije mre~e, NM omoguuju analizu osjetljivosti odnosno zna ajnosti ulaznih varijabli u modelu, pri emu se dobiveni utjecaj pojedinih varijabli mo~e koristiti za remodeliranje u smislu izbacivanja nekih varijabli iz modela, te ponavljanja postupka u enja i validacije na novom modelu druga ijih ulaznih dimenzija. 5. Predvianje prodaje preraevina od raj ica s pomou neuronskih mre~a Kao ilustracija mogunosti NM metodologije u usklaivanju ponude i potra~nje izabran je primjer preraevina od raj ice zbog prirodnih uvjeta za razvoj ove kulture koji postoje u kontinentalnom dijelu Republike Hrvatske, kao i zbog nedovoljne razvijenosti ove proizvodnje za kojom svakako postoje nezanemarive turisti ke potrebe kako u ugostiteljstvu, tako i u maloprodaji. Tehnologija proizvodnje raj ice je poznata i omoguuje kvalitetnu i uspjeanu proizvodnju. S druge strane, nedostatne potrebe tr~iata oslikava pokazatelj da je dozvoljena uvozna kvota za drugo polugodiate 2001. godine i to samo iz Republike Makedonije iznosila 1.000 tona za svje~e, te joa dodatnih 750 tona za raj ice pripremljene ili konzervirane na drugi na in. To nas dovodi do pretpostavke da postoji tr~iana niaa koju treba popuniti domaom proizvodnjom, budui da dodatni troakovi transporta uvoznog proizvoda daju domaoj proizvodnji konkurentnost na tr~iatu. Iz statisti kih podataka vidljivo je da najveu proizvodnju preraevina od raj ice u Republici Hrvatskoj trenutno ima Istra, zbog postojeih preradbenih kapaciteta, iako i kontinentalne regije imaju prirodne uvjete za razvoj i preradu ove kulture. Upotreba neuronskih mre~a u predvianju prodaje i potra~nje raj ice mo~e svakako doprinijeti veoj sigurnosti ulaganja u ovu kulturu, te boljoj organizaciji nabave sirovina, ponude i prodaje. 5.1. Podaci Kako je cilj bio predvidjeti vrijednost prodaje preraevina od raj ica u sljedeem mjesecu, u tom je smislu definirana i izlazna varijabla kao vrijednost prodaje za sljedei mjesec promatranja. Tri vrste preraevina su zasebno predviane: ke ap, umak i sok, te je u skladu s tim kreirano tri odvojena modela sa po jednom izlaznom varijablom. Kod izbora ulaznih varijabli pretpostavilo se da prodaje iz proalih mjeseci imaju utjecaj na prodaju sljedeeg mjeseca, te su kao ulazne varijable s vremenskim pomakom izabrane prodaja u sadaanjem mjesecu, te prodaja u istom mjesecu proale godine. Od egzogenih varijabli, pretpostavljeno je da na prodaju utje u i procijenjena vrijednost prodaje konkurencije u istom razdoblju, postojanje izravne promocije u smislu oglaaavanja tog proizvoda i akcijskih prodaja, te postojanje neizravne promocije u smislu publiciteta u lokalnim glasilima o korisnosti odreene namirnice npr. za zdravlje i sl. Obzirom da je razdoblje promatranja jedan mjesec, u cilju u inkovitog u enja mre~e koje zahtijeva veu koli inu podataka iz proalosti, razdoblje koje ulazi u uzorak je 11 godina (od sije nja 1990. do prosinca 2001), inei ukupno 144 promatranja. Zbog preglednosti, u tablici 1. dan je prikaz varijabli samo za model 1 - predvianje prodaje ke apa s opisima vrijednosti varijabli, dok su za ostala dva modela - predvianje prodaje soka i umaka upotrijebljene iste varijable s odgovarajuim vrijednostima za taj proizvod. Tablica 1. Varijable u predvianju prodaje ke apa ModelPredvianje prodaje ke apaNaziv varijableTip i opis varijableIzlazna varijablaprodaja ke apa u sljedeem mjesecunominalna, kontinuirana, min. 37260.44, max.90221.34, st.dev.11223.58 Ulazne varijableprodaja ke apa u proalom mjesecunominalna, kontinuirana, min. 37260.44, max. 90221.34, st.dev. 11311.43prodaja ke apa u u istom mjesecu proale godinenominalna, kontinuirana, min. 37260.44, max. 90221.34, st.dev. 12143.77broj konkurentnih tvrtkinominalna, diskretna, min. 2.00, max. 9.00, st.dev. 1.62 izravna promocijabinarna, 50% s vrijednoau 0, 50% s vrijednoau 1neizravna promocijabinarna, 51% s vrijednoau 0, 49% s vrijednoau 1utjecaj sezonefuzzy, min. 0.00, max. 1.00, st.dev. 0.38  Budui da se radi o ilustrativnom primjeru ija je svrha prikaz mogunosti NM metodologije, podaci o vrijednostima varijabli dobiveni su na na in da je za 2001. godinu upotrijebljena subjektivna heuristi ka procjena eksperta, dok su za razdoblja od 1990-2000. godine podaci simulirani dodavanjem funkcije smetnji na podatke iz 2002. godine prema formuli:  EMBED Equation.3 , (x=1,2,3), (i=1,2,& ,12) (6) gdje x predstavlja godinu promatranja, i je oznaka za promatrani mjesec u godini x, a f je funkcija koja generira slu ajni broj u intervalu [-0.25,0.25], te mno~i y(1,i) s tim slu ajnim brojem. Ovom funkcijom ~eljela se dobiti distribucija vrijednosti koja slu ajno odstupa u intervalu (25% od procijenjenih vrijednosti prodaje u prvoj godini, ato ne mora biti slu aj pri stvarnim podacima. Zato se rezultati dobiveni u ovom primjeru ne mogu koristiti u smislu donoaenja zaklju aka o kretanju vrijednosti prraevina od raj ice, ve u tu svrhu treba provesti treniranje i testiranje mre~e na stvarnim podacima. Jednaka formula upotrijebljena je i za generiranje vrijednosti varijabli konkurencija, promocija i neizravna promocija. Iako na temelju statisti ke analize kretanja vrijednosti prodaje nisu utvrene sezonske oscilacije, pretpostavili smo da u odreenom stupnju doba godine ipak utje e na prodaju promatrane vrste proizvoda, te je osim navedenih, u model uklju ena i fuzzy varijabla koja ima za cilj prikazati utjecaj sezone na prodaju preraevina od raj ica, s pretpostavkom da je sezona za prodaju ovakvih vrsta proizvoda u zimskim, jesenskim i proljetnim mjesecima, dok se pretpostavlja da u ljetnim mjesecima svje~a raj ica ima prioritet u prodaji. Odreeno je da je po etak sezone 31.09, vrhunac od 01.11. do 31.03 , a kraj sezone 31.07. U svrhu eliminacije trenda, umjesto izvornih vrijednosti prodaje upotrijebljene su prve diferencije. Prema kretanju prvih diferencija prodaje ke apa prikazanom na slici 2. mo~e se uo iti da je ovako diferencirana pojava u velikoj mjeri stacionarna, te je na tako transformiranim podacima mogue primijeniti NM. Slika 2. Kretanje mjese ne prodaje ke apa nakon izra unavanja prvih diferencija  EMBED Excel.Chart.8 \s  Na temelju gore navedenog izbora varijabli, kreirana su tri modela: ke ap, umak i sok, te su na svakom trenirana i testirana 4 razli ita reprezentativna algoritma NM namijenjena problemima predvianja, opisana u odjeljku 2.2. Po etna struktura mre~a bila je 6-50-1 sa aest ulaznih, maksimalno 50 skrivenih i jednim izlaznim neuronom. Broj skrivenih neurona optimiran je u proceduri save best. Ukupni uzorak od 143 promatranja (nakon izra unatih prvih diferencija) podijeljen je na na in da je prvih 60% (85) promatranja ostavljeno u datoteci za treniranje mre~e, 20% narednih promatranja (29) inilo je datoteku za testiranje mre~e u optimizacijskim procedurama, dok je posljednjih 20% (29) ostavljeno za kona nu validaciju svake mre~e kako bi se usporedio njihov rezultat. Svi NM algoritmi testirani su na ukupno 100.000 iteracija, s unakrsnim treniranjem od 5.000 iteracija i testiranjem mre~e sve dok 10 puta uzastopno rezultat nije mogao biti poboljaan. 5.2. Rezultati neuronskih mre~a Rezultati neuronskih mre~a mjereni su pomou RMS greake opisane u odjeljku 4.4. budui da je to naj ea funkcija cilja kod mre~a za predvianje. U tablici 2. prikazani su rezultati za prvi model - predvianje prodaje ke apa, a navedene su posebno RMS greake nakon faze treniranja mre~e, te RMS greake u fazi validacije mre~e za svaki od testirana etiri NM algoritma. RMS greaka validacije je mjerilo koje je relevantno za ocjenu to nosti NM, jer su podaci u uzorku za validaciju novi za mre~u i nisu sudjelovali u procesu u enja, te se ta greaka mo~e smatrati mjerilom generalizacije mre~e na novim podacima. RMS greaka treniranja prikazana je samo radi usporedbe. Sve mre~e osim mre~e ope regresije testirane su posebno koriatenjem EDBD pravila u enja i sigmoidne prijenosne funkcije, te normaliziranim kumulativnim delta pravilom u enja i adekvatnom tangens-hiperbolnom prijenosnom funkcijom (vidi odjeljak 2.2). Kod mre~e ope regresije rezultati su dobiveni s pomou Euklidove i City-Block udaljenosti. Tablica 2. Rezultati neuronskih mre~a na modelu predvianja prodaje ke apa NM algoritamArhitektura mre~eRMS greaka treniranjaRMS greaka validacijeMre~a "airenje unatrag"EDBD pravilo u enja, Sigmoidna prijenosna funkcija, 6-50-10.14310.1255Norm.Cum.Delta pravilo u enja, Tangens-hiperbolna prijenosna funkcija, 6-50-10.37970.3384Mre~a s radijalno zasnovanom funkcijomEDBD pravilo u enja, Sigmoidna prijenosna funkcija, 6-50-10.14370.1340Norm.Cum.Delta pravilo u enja, Tangens-hiperbolna prijenosna funkcija, 6-50-10.42440.4111Mre~a ope regresijeEuklidska udaljenost, 6-50-10.22290.1988City-block udaljenost, 6-50-10.22950.2012Modularna mre~aEDBD pravilo u enja, Sigmoidna prijenosna funkcija, 6-50-10.14290.1250*Norm.Cum.Delta pravilo u enja, Tangens-hiperbolna prijenosna funkcija, 6-50-10.37180.3117* najbolja NM za predvianje prodaje ke apa Iz tablice 2 vidljivo je da najbolji rezultat u predvianju mjese ne prodaje ke apa daje modularna mre~a, s RMS greakom validacije 0.1250, tj. da je prosje no odstupanje mre~e u predvianju prodaje ke apa 12.50% na uzorku za validaciju. Struktura ove mre~e je 6 ulaznih, 50 skrivenih i 1 izlazni neuron, a koristi EDBD pravilo u enja i sigmoidnu prijenosnu funkciju. Druga po uspjeanosti je mre~a "airenje unatrag" s vrlo sli nom RMS greakom 0.1255, zatim slijede mre~a s radijalno zasnovanom funkcijom, te mre~a ope regresije. Tablica 3. prikazuje rezultate NM dobivene na modelu predvianja prodaje umaka od raj ice, iz kojih je vidljivo da je najuspjeanija mre~a na prethodnom modelu i ovdje polu ila najbolji rezultat. Modularna mre~a s EDBD pravilom u enja i sigmoidnom prijenosnom funkcijom na ovom modelu daje neato veu RMS greaku validacije: 0.1372, dok su rezultati i svih ostalih NM algoritama u odreenoj mjeri loaiji nego na modelu prodaje ke apa. Mre~a s radijalno zasnovanom funkcijom druga je po redu po to nosti predvianja, dok je najloaiji rezultat dobiven s mre~om koja je i najbolja, ali koriatenjem normaliziranog kumulativnog delta pravila u enja, te tangens-hiperbolnom prijenosnom funkcijom (RMS=0.5022). Tablica 3. Rezultati neuronskih mre~a na modelu predvianja prodaje umaka od raj ice NM algoritamArhitektura mre~eRMS greaka treniranjaRMS greaka validacijeMre~a "airenje unatrag"EDBD pravilo u enja, Sigmoidna prijenosna funkcija, 6-50-10.14840.1777Norm.Cum.Delta pravilo u enja, Tangens-hiperbolna prijenosna funkcija, 6-50-10.36280.4063Mre~a s radijalno zasnovanom funkcijomEDBD pravilo u enja, Sigmoidna prijenosna funkcija, 6-50-10.13800.1699Norm.Cum.Delta pravilo u enja, Tangens-hiperbolna prijenosna funkcija, 6-50-10.36960.4433Mre~a ope regresijeEuklidska udaljenost, 6-50-10.23290.2792City-block udaljenost, 6-50-10.12790.2951Modularna mre~aEDBD pravilo u enja, Sigmoidna prijenosna funkcija, 6-50-10.12120.1372*Norm.Cum.Delta pravilo u enja, Tangens-hiperbolna prijenosna funkcija, 6-50-10.44410.5022* najbolja NM za predvianje prodaje umaka od raj ice Kod predvianja prodaje soka od raj ice, rezultati u smislu RMS greake bolji su od rezultata prethodna dva modela. Ovdje je najni~a greaka (0.1097) dobivena s pomou Mre~e "airenje unatrag" s EDBD pravilom u enja i sigmoidnom prijenosnom funkcijom, dok mre~a s radijalno zasnovanom funkcijom (RMS=0.1186) ima neato veu greaku takoer koristei isto pravilo u enja i prijenosnu funkciju. Najloaiji rezultat ponovo je dobiven s pomou modularne mre~e koristei normalizirano kumulativno delta pravilo u enja te tangens-hiperbolnu prijenosnu funkciju. Tablica 4. Rezultati neuronskih mre~a na modelu predvianja prodaje soka od raj ice NM algoritamArhitektura mre~eRMS greaka treniranjaRMS greaka validacijeMre~a "airenje unatrag"EDBD pravilo u enja, Sigmoidna prijenosna funkcija, 6-50-10.09160.1097*Norm.Cum.Delta pravilo u enja, Tangens-hiperbolna prijenosna funkcija, 6-50-10.28090.3437Mre~a s radijalno zasnovanom funkcijomEDBD pravilo u enja, Sigmoidna prijenosna funkcija, 6-50-10.09040.1186Norm.Cum.Delta pravilo u enja, Tangens-hiperbolna prijenosna funkcija, 6-50-10.25290.3827Mre~a ope regresijeEuklidska udaljenost, 6-50-10.15910.2021City-block udaljenost, 6-50-10.15550.2260Modularna mre~aEDBD pravilo u enja, Sigmoidna prijenosna funkcija, 6-50-10.10170.1342Norm.Cum.Delta pravilo u enja, Tangens-hiperbolna prijenosna funkcija, 6-50-10.25040.4009* najbolja NM za predvianje prodaje soka od raj ice Rezultati na sva tri testirana modela zajedno pokazuju razli itost u to nosti NM algoritama te time opravdavaju potrebu za testiranjem viae razli itih algoritama i arhitektura mre~a, budui da ne postoji paradigma o izboru odreene arhitekture u ovisnosti o modelu ili vrsti podataka. Meutim, mo~e se uo iti odreena pravilnost u konstantnom postizanju boljih rezultata ako se koristi EDBD pravilo u enja i sigmoidna prijenosna funkcija, navodei nas na zaklju ak da neka pravila i funkcije daju bolje rezultate za ovu vrstu vremenskih nizova koje se koriste u predvianju prodaje prehrambenih proizvoda. Osim uvida u RMS greaku, rezultate NM svakako je korisno razmatrati i uvidom u predviene vrijednosti izra unate od strane najbolje mre~e na uzorku za validaciju, te grafi ki promatranjem odstupanja krivulje stvarne prodaje od krivulje prodaje predviene mre~om. Slika 3. prikazuje grafikon tih odstupanja za najbolju mre~u dobivenu na predvianju ke apa, iz kojeg se mo~e uo iti da mre~a u na elu prati liniju stvarne prodaje s malim kaanjenjem u previanju, posebno kod velikih fluktuacija. Slika 3. Krivulje stvarnih i mre~om predvienih mjese nih prodaja ke apa na najboljem NM modelu  EMBED Excel.Chart.8 \s  5.3. Analiza zna ajnosti ulaznih varijabli Kao jedna od a-posteriori analiza modela dobivenog s pomou NM mogua je analiza zna ajnosti ulaznih varijabli, koja se naj eae provodi putem analize osjetljivosti inputa, na na in da se na ve nau enoj mre~i vrijednosti ulaznih varijabli promijene slu ajno u zadanom intervalu (npr. (5%), te se promatra utjecaj svake od ulaznih varijabli na vrijednost izlaza. U tablici 5. navedeni su rezultati analize osjetljivosti dobiveni na modelu predvianja prodaje sve tri preraevine raj ice, a koeficijenti u tablici prikazuju postotnu promjenu izlazne varijable (mjese ne prodaje), ako se pojedina ulazna varijabla promijeni za jednu jedinicu. Tablica 5. Analiza osjetljivosti izlaza na ulazne varijable Ulazna varijablaPromjena izlazne varijable (u %)Model 1 - prodaja ke apaModel 2 - prodaja umaka od raj iceModel 3 - prodaja soka od raj iceprodaja u proalom mjesecu-17.722*-54.682*-1.312prodaja u u istom mjesecu proale godine4.982-27.0361.182broj konkurentnih tvrtki-1.727-6.6851.691*izravna promocija4.2020.1390.587neizravna promocija-3.449-0.498-1.378utjecaj sezone-1.232-1.1580.072* najzna ajnije varijable za svaki model Iz tablice je vidljivo da u modelu 1 i modelu 2 najvei utjecaj na izlaznu varijablu ima prodaja u proalom mjesecu, nakon toga prodaja u istom mjesecu proale godine, dok je to kod modela 3 broj konkurentnih tvrtki. Redosljed zna ajnosti ostalih varijabli razli it je u ovisnosti o promatranom modelu, pa tako kod ke apa nakon izravne promocije slijedi neizravna promocija, broj konkurentnih tvrtki i na kraju utjecaj sezone, dok na prodaju umaka od raj ice vei utjecaj ima broj konkurentnih tvrtki, zatim sezona, pa izravna i neizravna promocija. Kod soka je situacija bitno razli ita, budui da nakon broja konkurentnih tvrtki odmah po zna aju dolazi neizravna promocija, zatim prodaja u proalom mjesecu, prodaja u istom mjesecu proale godine, a najmanji utjecaj imaju izravna promocija i utjecaj sezone. U na elu bi se nakon analize osjetljivosti varijable koje su pokazale vrlo mali utjecaj na izlaz mogle izbaciti iz modela. Potrebno je upozoriti da rezultate prikazane u gornjim tablicama treba shvatiti samo ilustrativno, budui da nisu dobiveni na stvarnim podacima. 6. Zaklju ak i smjernice za daljnja istra~ivanja Cilj rada bio je prikazati mogunosti metodologije neuronskih mre~a u predvianju prodaje prehrambenih proizvoda, te je u tu svrhu predlo~ena strategija za u inkovitu upotrebu etiri algoritama neuronskih mre~a u ovom podru ju. U glavnim koracima je predlo~ena procedura pripreme podataka, upotrebe fuzzy varijabli, treniranja i testiranja mre~a, te tuma enja izlaznih rezultata pogodna za rad s vremenskim nizovima i vrstama podataka kakvi se mogu susresti u problemima predvianja prodaje. Strategija je ilustrirana na primjeru predvianja prodaje preraevina od raj ica, iz razloga postojanja prirodnih i ekonomskih uvjeta za razvoj takve proizvodnje u kontinentalnom dijelu Republike Hrvatske, te potencijalne izravne koristi za zadovoljavanje turisti ke potroanje ovim proizvodima. Prikazan je na in tuma enja izlaznih rezultata tabli no i grafi ki, te analiza zna ajnosti ulaznih varijabli koja se mo~e koristiti u smislu tuma enja i dodatnog poboljaanja modela. Uz mnogostruke prednosti ove metodologije (mogunost aproksimacije nelinearnih funkcija, rad s fuzzy i nedostatnim podacima, i dr.) treba spomenuti i nedostatke kao ato su nepostojanje vrstih paradigmi o upotrebi pojedinog algoritma na odreene probleme i nedostatnog statisti kih testova zna ajnosti rezultata. Meutim, mo~e se zaklju iti da je metodologija neuronskih mre~a, ukoliko se koristi na sustavni na in (ato podrazumijeva detaljnu pripremu podataka te sustavnu primjenu optimizacijskih tehnika pri treniranju mre~e) u mogunosti predvidjeti s odreenom greakom prodaju prehrambenih proizvoda, te je temelju tih rezultata mogue u inkovitije planirati ponudu, te vremenski bolje uskladiti ponudu i potra~nju. Osim doprinosa u vremenskom predvianju, ova metoda mo~e umnogome pomoi i u samom modeliranju izlu ivanjem zna ajnih varijabli koje utje u na prodaju, odnosno na ponudu prehrambenih proizvoda. Kao smjernice za daljnja istra~ivanja svakako je va~no navesti potrebu provoenja u ovom radu predlo~ene strategije na stvarnim podacima, kako bi rezultati dobili upotrebnu dimenziju, zatim uvrstiti joa viae algoritama neuronskih mre~a, te ispitati mogunosti tzv. hibridnih metoda koje e neuronske mre~e povezati s ekspertnim sustavima, stablima odlu ivanja i drugim metodama umjetne inteligencije u cilju izgraivanja inteligentnog sustava za potporu odlu ivanju u ovom podru ju. Literatura: Bejou, D., Barry, W., Thomas, I.N. (1996), Determinants of Relationship Quality: An Artificial Neural Network Analysis, Journal of Business Research, New York, Vol. 36, No. 2, pp. 137-143. Dasgupta, C.G., Dispensa, G.S., Ghose, S. (1994), Comparing the Predictive Performance of a Neural Network Model with Some Traditional Market Response Models, International Journal of Forecasting, Vol. 10, No. 2, p. 235. Gaynor, P.E., Kirkpatrick, R.C. (1994), Time-series Modeling and Forecasting in Busines and Economics, McGraw Hill. Jacobs, R.A., Jordan, M.I., Nowlan, S., Hinton, G.E. (1991), Adaptive Mixtures of Local Experts, Neural Computation, No. 3, pp. 79-87. Kartalopoulos, S.V. (1996), Understanding Neural Networks and Fuzzy Logic, Basic Concepts and Application, IEEE Press. Kurtanjek, }. (1992), Modelling and Control by Artifical Neural Networks, Automatika, Vol. 3, pp. 147-150. Kurtanjek, }. (1993), Modelling and Control of Baker's Yeast Fermentation by Use of Artifical Neural Networks, KOREMA 38, 38. Meuanrodni godianji skup KOREMA, od 26.04-29.04.1993, Zagreb, Kecman, V. (ur), pp. 450-454. Kvaal, K., Djupvik, H. (1996), Prediction of Customer Segments With Neural Networks, Marketing and Research Today, November, pp. 247-253. Li, E.Y. (1994), Artificial Neural Networks and Their Business Applications, Information & Management, vol. 27, pp. 303-313. Lin, B., Bruwer (1995), J., Neural Network Applications in Marketing, Journal of Computer Information Systems, Winter 1995-1996, pp. 15-20. Masters, T. (1993), Practical Neural Network Recipes in C++, Academic Press. Masters, T. (1998), Just what are we optimizing anyway?, International Journal of Forecasting, Vol. 14, pp. 277-290. Ministarstvo gospodarstva (2001), Natje aj za raspodjelu carinskih kvota pri uvozu pri uvozu poljoprivrednih I prehrambenih proizvoda podrijetlom iz Repbulike Makedonije u Republiku Hrvatsku za drugo polugodiate 2001. godine, http://www.mingo.hr/hrvatski/Natjecaji/Mak2001Pol/natjecaj.html. NeuralWare (1998), Neural Computing, A Technology Handbook for NeuralWorks Professional II/Plus and NeuralWorks Explorer, NeuralWare, Aspen Technology, Inc. Proctor, R.A. (1992), Marketing Decision Support Systems: A Role for Neural Networking, Marketing Intelligence & Planning, Vol. 10., No. 1, pp. 21-26. Rao, V.B., Rao, H.V. (1995), Neural Networks and Fuzzy Logic, MIS Press. Refenes, A.N., Zapranis, A., Francis, G. (1997), Stock Performance Modeling Using Neural Networks: A Comparative Study with Regression Models, Neural Networks, vol. 7, No. 2, pp. 375-388. Specht, D.F. (1991), A General Regression Neural Network, IEEE Transactions on Neural Networks, Vol. 2, No. 6, pp. 568-576. Venugopal, V., Baets, W. (1994), Neural Nets and Their Application in Marketing Management, Journal of Systems Management, September 01, 1994, Vol. 45, No. 9., pp. 16-21. Wong, B.K., Bodnovich, T.A., Selvi, Y. (1997), Neural Network Applications in Business: A Review and Analysis of the literature (1988-95), Decision Support Systems, vol. 19, pp. 301-320. Zahavi, J., Levin, N. (1997), Applying Neural Computing to Target Marketing, Journal of Target Marketing, Vol. 11, No. 4, pp. 76-93. Zahedi, F. (1993), Intelligent Systems for Business, Expert Systems With Neural Networks, Wodsworth Publishing Inc. Zahedi, F. (1996), A Meta-Analysis of Financial Applications of Neural Networks, International Journal of Computational Intelligence and Organizations, Vol. 1, No. 3, pp. 164-178.  Li, E.Y. (1994), Artificial Neural Networks and Their Business Applications, Information & Management, vol. 27, pp. 303-313.  Zahedi, F. (1993), Intelligent Systems for Business, Expert Systems With Neural Networks, Wodsworth Publishing Inc.  Refenes, A.N., Zapranis, A., Francis, G. (1997), Stock Performance Modeling Using Neural Networks: A Comparative Study with Regression Models, Neural Networks, vol. 7, No. 2, pp. 375-388. 4 Masters, T. (1993), Practical Neural Network Recipes in C++, Academic Press.  Zahedi, F. (1993), Intelligent Systems for Business, Expert Systems With Neural Networks, Wodsworth Publishing Inc.  Zahedi, F. (1996), A Meta-Analysis of Financial Applications of Neural Networks, International Journal of Computational Intelligence and Organizations, Vol. 1, No. 3, pp. 164-178.  NeuralWare (1998), Neural Computing, A Technology Handbook for NeuralWorks Professional II/Plus and NeuralWorks Explorer, NeuralWare, Aspen Technology, Inc.  Kartalopoulos, S.V. (1996), Understanding Neural Networks and Fuzzy Logic, Basic Concepts and Application, IEEE Press.  Specht, D.F. (1991), A General Regression Neural Network, IEEE Transactions on Neural Networks, Vol. 2, No. 6, pp. 568-576  Jacobs, R.A., Jordan, M.I., Nowlan, S., Hinton, G.E. (1991), Adaptive Mixtures of Local Experts, Neural Computation, No. 3, pp. 79-87.  Proctor, R.A. (1992), Marketing Decision Support Systems: A Role for Neural Networking, Marketing Intelligence & Planning, Vol. 10., No. 1, pp. 21-26.  Venugopal, V., Baets, W. (1994), Neural Nets and Their Application in Marketing Management, Journal of Systems Management, September 01, 1994, Vol. 45, No. 9., pp. 16-21.  Lin, B., Bruwer (1995), J., Neural Network Applications in Marketing, Journal of Computer Information Systems, Winter 1995-1996, pp. 15-20.  Bejou, D., Barry, W., Thomas, I.N. (1996), Determinants of Relationship Quality: An Artificial Neural Network Analysis, Journal of Business Research, New York, Vol. 36, No. 2, pp. 137-143.  Dasgupta, C.G., Dispensa, G.S., Ghose, S. (1994), Comparing the Predictive Performance of a Neural Network Model with Some Traditional Market Response Models, International Journal of Forecasting, Vol. 10, No. 2, p. 235.  Bejou, D., Barry, W., Thomas, I.N. (1996), Determinants of Relationship Quality: An Artificial Neural Network Analysis, Journal of Business Research, New York, Vol. 36, No. 2, pp. 137-143.  Zahavi, J., Levin, N. (1997), Applying Neural Computing to Target Marketing, Journal of Target Marketing, Vol. 11, No. 4, pp. 76-93.  Kvaal, K., Djupvik, H. (1996), Prediction of Customer Segments With Neural Networks, Marketing and Research Today, November, pp. 247-253.  Kurtanjek, }. (1993), Modelling and Control of Baker's Yeast Fermentation by Use of Artifical Neural Networks, KOREMA 38, 38. Meuanrodni godianji skup KOREMA, od 26.04-29.04.1993, Zagreb, Kecman, V. (ur), pp. 450-454.  Gaynor, P.E., Kirkpatrick, R.C. (1994), Time-series Modeling and Forecasting in Busines and Economics, McGraw Hill.  Refenes, A.N., Zapranis, A., Francis, G. (1997), Stock Performance Modeling Using Neural Networks: A Comparative Study with Regression Models, Neural Networks, vol. 7, No. 2, pp. 375-388.  Rao, V.B., Rao, H.V. (1995), Neural Networks and Fuzzy Logic, MIS Press.  Masters, T. (1993), Practical Neural Network Recipes in C++, Academic Press.  NeuralWare (1998), Neural Computing, A Technology Handbook for NeuralWorks Professional II/Plus and NeuralWorks Explorer, NeuralWare, Aspen Technology, Inc.  Masters, T. (1993), Practical Neural Network Recipes in C++, Academic Press.  Masters, T. (1998), Just what are we optimizing anyway?, International Journal of Forecasting, Vol. 14, pp. 277-290.  Ministarstvo gospodarstva (2001), Natje aj za raspodjelu carinskih kvota pri uvozu pri uvozu poljoprivrednih I prehrambenih proizvoda podrijetlom iz Repbulike Makedonije u Republiku Hrvatsku za drugo polugodiate 2001. godine, http://www.mingo.hr/hrvatski/Natjecaji/Mak2001Pol/natjecaj.html.  NeuralWare (1998), Neural Computing, A Technology Handbook for NeuralWorks Professional II/Plus and NeuralWorks Explorer, NeuralWare, Aspen Technology, Inc. PAGE  8*,rtv(*rtv.2FH, 0 =>NQVW#y CJmHsH56;>*CJ\]5;>*CJ\;CJ6CJ]mHsH 6CJ]6;>*CJ]5;mHsH5;jCJUmHsHjCJUmHsH0JCJmHsHjCJU jCJU CJmHsHCJ5CJ,8.02FH,$da$ $d`a$$a$$a$׍,=>NOPQVW>@ **///000>$7`7a$ $ & Fda$$da$ $d`a$$a$$a$##r&&&0'b''''//0000018112N33399>>>>>>AGGGGGGGGGGGHHH H$HjHlH󼴼К H*OJQJ6H*OJQJ 6OJQJOJQJOJQJmHsH5CJ\mHsH CJmH sH 6CJ]aJCJaJ<B*CJaJmH phsH  CJmHsH5;>*CJ\mHsH5;>*CJ\ 6CJ]CJj0JCJU2>>>>VJ]$da$$a$ $d`a$$a$$^a$$a$ $d`a$lHHHHHHHFIHILIRIVIfIjIVJXJ~JJJJLKNKtKvKxKzKKKKL(L*LPLRLTLVLL MMMMdMfMjMlMnMMMM㸯㙐㌫{ je6CJCJH* 6CJH*CJ]jCJEHU#j4Te@ CJUVmHnHsHtH6CJjCJEHUjW; CJUVmHnHujCJEHU#j5Te@ CJUVmHnHsHtHCJ jCJU6H*OJQJ 6OJQJOJQJ0MMMMNNNNNNP QQUBUBZZZf[h[[[[[Z\\\^\\\\\\``\d^ddddddddǿڶڰڰڑڄ~ڄ~ڄڶtkjDCJEHUj%@ CJUV 6CJH*6CJj BCJEHU#j2Te@ CJUVmHnHsHtHj< CJUmHnHu 5CJ\j0JCJU6H*OJQJ 6OJQJ jhOJQJOJQJCJ jCJUjCJEHU#j3Te@ CJUVmHnHsHtH*>]@]bbllqquuzzzzz8TV VXt$da$ $d`a$ $d`a$ddddf|hhFjHj^jllNmjmlmLsNsRsuNvPvzzzzzzzzzzzzzzz{{ { {{{{ {*{,{4{6{J{N{`{d{p{r{z{|{͹ͣ⹬5;>*CJ\5;>*CJ\mHsHj0JCJUj0JCJUmHsH CJmHsHj0JCJUmHsH CJmHsH6CJ 6CJ]CJ\CJ jCJUjpFCJEHUj%@ CJUV7|{{{{{{{{{{{{{{{{{{{||||&|(|,|.|@|D|J|L|P|^|f|h|l|n|~|||||||||||||||||||} } }}}} }"}(}*}<}@}^}`}j}l}x}z}~}}}}}}}}}}}}}}}}}}}}}j0JCJU CJmHsHCJ^}}}}~~~~(~*~6~8~<~>~J~L~Z~\~f~h~l~n~~~~~~~~~~~~~~~~~~~~~~~~ ".0>@JLPRbdhjln|~.2@BHJNPj0JCJUCJ CJmHsH^PTVXZtvʀ̀ڀ܀  "*,68@BFHNPXZ\^hjz~Ɓȁԁց؁ځ$(24:<HJL\^fhprj0JCJU CJmHsHCJ^‚ƂȂ΂ЂԂւ ,.46RTXZ^`prxzăƃփڃ  $.24DFPRVX`dhjĄƄȄʄ  j0JCJU CJmHsHCJ^ "*,HJbdhjtvąƅʅ̅ԅ؅څ $&24@BDFRT\^np|~†Ɔʆ̆ΆԆ$&28DFHJTVZ\hjj0JCJUCJ CJmHsH^jrt‡Їԇ؇ڇ *,02HJX\lnȈʈ "$.0<>@BPRTVjlprz|‰Ɖȉމj0JCJU CJmHsHCJ^&(46HJLN`bxzҊԊ܊ފ ".0<>PRTV^`jlptʋ̋Ћҋ֋؋ڋ܋"$:<>@Z\CJ CJmHsHa\`bhl|Ȍʌ،܌ (*.0@BZ\`bdfprz|ƍڍ܍  "*,:<>@JLRTV^`5CJ\mHsH5;>*CJ\5;>*CJ\mHsHmHsH CJmHsHCJR`npŽĎ֎؎܎ގ  "26FHNPbdfhprďƏʏ̏ڏ܏"$,.<>@BLNTVZ\fhnptvz|Ɛ CJmHsHCJaƐʐҐԐ֐ؐ "$68F XT`ʔ  .0BDHJVXlntvx|Ěƚޚ $&*,24:>NPbfjlp| 6CJ] 5CJ\5CJ\mHsHCJ CJmHsHXtvln |~xznpJL$a$$ & F a$$a$ $d`a$ěƛ؛ڛޛ .046DFX\bdhjprz|ʜ̜؜ܜ  2468<>DFRT\^`bfhvxz| 6CJ]CJ CJmHsH_ʝ̝ҝԝܝ$%&'-/56?AEFJKQRTUXY[\delmvx{̞͞؞ٞ!")+12>@ABD CJmHsHCJaDFIJVW_`  "*,8:>@PT\^`bvz̠Рؠڠ *,.0>@BDLNTVX\lnz|̡Ρ 6CJ]CJ CJmHsH_  ",.8:BDNPTVbdrtxz¢Ģܢޢ (*<>BDFHLNXZfhjlpr£ģ֣أ CJmHsHCJa&(*,24:<HJNPbdvz~ʤ̤ФҤ֤ڤ  $&,.02468:>@FHNP`dhjnptv¥ҥԥإڥޥCJ CJmHsHa &(0246J`prz|ΦЦԦ֦$&(*@BTVfhjlvx§اڧ &(0246<>Nj0JCJU CJmHsHCJ^NP`bntxz~Ȩʨ68NP`bprvxz|ȩʩΩҩީ68>@PRVXZ\prªĪƪʪ̪ЪҪܪުCJ CJmHsHa $&*,.0DFNPTVZ\jlrt|~Ыԫ֫ثޫ $&<@DFZ\lnz~̬ά֬ج j0JCJU CJmHsHCJ^ (*68<>RTZ\hlx*,0:bl.8zйڹؼ~6@x 6CJ] j.HCJUjHb@ CJUV jCJUj0JCJUmHsH6CJ]mHsH56CJ\] 5CJ\5CJ\mHsHCJ CJmHsHB (*:<NPjnpr~ "$2468BDJL^`dfjn|~ .0>@DFCJ CJmHsHaFPRXZ\^hnp>@vxH(,<>DFHJNPRTXZbdjltxz~B*CJmHphsH B*CJph 5CJ\j0JCJUmHsH CJmHsH5CJ\mHsH5CJ\mHsH CJmHsHCJH*,xz^`b@B$d$If`a$ $d`a$$a$ $d`a$ $(02:<BDRTbdv|~ 8:@BFHTVZ\^`prtvz| B*CJphB*CJmHphsH^"$(*.08:<>DFZ\dfrtx| ,468:ZдjLCJEHU#j1Te@ CJUVmHnHsHtHCJ jCJU CJmHsHB*CJhphB*CJhmHphsH B*CJphB*CJmHphsHC &*8<HLNPRTXZbdtv"*.0@BNRXZ^`d6B*CJhphB*CJhmHphsHB*CJhphCJ 6CJH*6CJ CJmHsHPdftv|~  $&,068HJdfjlnptv|~ $&686CJ]mHsH CJmHsHB*CJhphB*CJhmHphsHVLNtx028:<@NPTVXZhjz| B*CJphB*CJmHphsHj0JCJUmHsH CJmHsH6CJ]mHsHR "$,.46HJLNTVXZ`bfhjlz| $&8:<>PT\^`bfhxz^b5CJ\mHsH CJmHsH B*CJphB*CJmHphsHUbjtv~ 0:BDHJPRXZrtz|  "$,.8:j0JCJUCJ CJmHsH5;>*CJ\5;>*CJ\mHsHU:JLTVZ\tx46:<@BDFJNRTdfln~  028:DHPR`bfh~ CJmHsHCJa"$*,:>NPdflnprtv*,.068FJNP\^vx 5CJ\5CJ\mHsHCJ CJmHsH[(*8:DFPRVX^`fhj "6BDZ^dfpr|~ CJmHsHCJ5CJ\mHsH] "24@BFHLNZ\ln (*8:>@Ndrvz|"&(68:<FHVX^`dfr CJmHsHCJarx|~*,:<TVXZdfx|"&*,@jlnz  "$(.:<@BFHZ\rCJ CJmHsHa  "$*,6:LNVXbdfhtvz"$<@BFRZ`bfhtv CJmHsHCJa"&,.248:FHNP\bnpxz "(*:BN    4 6 \ ^ ` b h x jOCJEHU#j0Te@ CJUVmHnHsHtH jCJUj0JCJU 6CJ] CJmHsH 5CJ\CJ CJmHsHH 6$d$If`a$n$$Ifl440 "x064 la68\.0~nnnn$d$If`a$$$Ifl44F  "xx 06    4 la02T&qqh $$Ifa$$d$If`a$~$$IflF  "xx 06    4 la&(*ooo$d$If`a$$$Ifl4F  "xx 06    4 laNNPRToofoooo o $$Ifa$$d$If`a$$$Ifl4F  "xx 06    4 la Rz T V X Z ofo^$da$ $$Ifa$$$Ifl4F  "xx 06    4 la$d$If`a$ Z " $   V"X"""''~****+$da$ $d`a$$a$ $d`a$x ~    < >     .4@,.NTVhlnpz| (*46:<BDJNPRlnrtxz jCJmHsH6CJ]mHsH CJmHsH 6CJ]CJW$(.046PRVXZ\jl~ ",.24BDHJPR\^fhxz jQCJUj0c@ CJUVmH sH  jCJU5CJ\mHsH 5CJ\ CJmHsHCJ CJmHsHM .2BDHJPR^bfhlpxz|~   $&<>RT`bjn|~ "*<>@BN CJmHsH 5CJ\CJ jCJU\NP`brvV""N*b*~*+X+++t,v,-0-2- 1N1x1z1 ;; <b<d<&=(====ABW@WBWDWFWWWYY\]^ _ jCJ j^\Ujd@ CJUVmH sH  jU CJmHsHCJ5CJ\mHsH CJmHsH 5CJ\ 6CJ]CJ CJmHsHF+4+X++++++X,f,t,[$$Ifl44\<8R 064 la$d$If`a$ t,v,x,-"-0-jxZZZZ$d$If`a$$$Ifl4\<8R 064 la0-2---..jZZZZ$d$If`a$$$Ifl4\<8R 064 la......jxZZZZ$d$If`a$$$Ifl4\<8R 064 la...4/B/P/jZZZZ$d$If`a$$$Ifl4\<8R 064 laP/R/T////jZZZZ$d$If`a$$$Ifl4\<8R 064 la///D0R0b0jlZZZZ$d$If`a$$$Ifl4\<8R 064 lab0d0f0111jxZZZZ$d$If`a$$$Ifl4\<8R 064 la1 1x1z155; ;;;j^^^^^^RR $d`a$ $d`a$$$Ifl4\<8R 064 la ;; <6<L<b<d<< ==&=[$$Ifl44\<8R 064 la$d$If`a$ &=(=*====jxZZZZ$d$If`a$$$Ifl4\<8R 064 la==2>>>>jZZZZ$d$If`a$$$Ifl4\<8R 064 la>>>d?r??jxZZZZ$d$If`a$$$Ifl4\<8R 064 la?????@jZZZZ$d$If`a$$$Ifl4\<8R 064 la@@@B@P@^@jZZZZ$d$If`a$$$Ifl4\<8R 064 la^@`@@@AAjlZZZZ$d$If`a$$$Ifl4\<8R 064 laAAAAAAjxZZZZ$d$If`a$$$Ifl4\<8R 064 laAA>B@BFFG:Gj^^^^RR $d`a$ $d`a$$$Ifl4\<8R 064 la:GTGxGGGGGHxHHH[$$Ifl44\<8R 064 la$d$If`a$ HHH6IDIRIjxZZZZ$d$If`a$$$Ifl4\<8R 064 laRITIIJ&J4JjZZZZ$d$If`a$$$Ifl4\<8R 064 la4J6J8JJJJjxZZZZ$d$If`a$$$Ifl4\<8R 064 laJJKVKdKrKjZZZZ$d$If`a$$$Ifl4\<8R 064 larKtKvKKKKjZZZZ$d$If`a$$$Ifl4\<8R 064 laKKKfLtLLjhZZZZ$d$If`a$$$Ifl4\<8R 064 laLLL"M0M>MjxZZZZ$d$If`a$$$Ifl4\<8R 064 la>M@MMMlRnRJVLVV Wj^^^^^^RR $d`a$ $d`a$$$Ifl4\<8R 064 la WFWWW\\]<]~]]]]]jl$$Ifl40OE064 la$d$If`a$ $d`a$ $d`a$ ]>^@^t^^^^\$$Ifl4\Of}064 la$d$If`a$^^^__ _"_T_b_p_~_n^^^^n^^^^$d$If`a$$$Ifl\Of}064 la _"_f`g$iikkqq|.|0||}}~~s~~)4 GBi~|WvVyՊ׊݊%D !5q֍׍ʼʵʼʼʼʼʼʼʼʼʼʼʼʮʼʵʼʵ6CJOJQJ CJOJQJ CJmHsH 6CJ]CJ]6CJCJCJ 5CJ\6CJ]mHsH5;>*CJ\mHsH CJmH sH  CJmHsHmHsH?~________```n^^^^n^^^^$d$If`a$$$Ifl\Of}064 la ``<`J`X`d`f``n^QQQnE $d`a$ $$If`a$$d$If`a$$$Ifl\Of}064 la`` i$iiiq qHxJx||.|0|}}~~()PR( $ & Fda$$a$$ & Fa$$da$ $d`a$(*yzTUʅ˅9:@A $ & Fda$ $d`a$ & F$ & Fa$$a$$ & Fa$$a$Aij%&!"֍׍V͎ڏۏQ ' $ & Fda$ $d`a$$ & Fa$$`a$$a$$ & Fa$׍؍$VWk͎Ύ\ȏڏۏ܏5QRf  !7Z%'(?ٓۓmn(tYƖXYؘژHIJN}~țɛޛCJ]6CJ CJmHsH0JCJ 6CJ]CJj0JCJUV'mXؘI}ț}h]h&`#$ $d`a$$`a$$a$ޛ͜?}~~~ CJmHsH0J j0JUj0JCJUCJ 6CJ] $d`a$$. A! "M # $ %DyK marijana@efos.hryK 0mailto:marijana@efos.hrDyK emusser@inet.hryK .mailto:emusser@inet.hrNDd|P  S A? "2u0B9HAI`!~u0B9HA` `0Lxcdd``dd``baV d,FYzP1n:N! KA?H1 @D깡jx|K2B* R&ͤ `[YB2sSRs۾ 1#X r8 Jyg#7c"ȫYAV,H>+&$_L wW&0;Es 0sKۣg`:4{sm#οA*dE0p5ؿ.\- 0y{@I)$5$€,kfDdB  S A? 2VXM2I`!*XMͤ`:hxcdd`` @bD"L1JE `x,56~) M @ k+0깡jx|K2B* R.t! A601d++&18] F\3@ʄ@& `>Mj`T)$pM Maߊԅ C.p(0M)#RpeqIj.CZ?9DDdP   S A ? "2mp8]VƓM88P|I`!tmp8]VƓM88Pp hBxڝQJ@$n1XX 9+A [-k-".b. t\'XW@.n6&Lv۷&3}lzh3h2Mp:/DS(1k^(<]{FYTG4.4 /4;( d>H ɋ6s w\:$ZEmkEWƺzgLZj}KJ(Oxtnh_|]t>PG{H3ӷZpUcQaq8u]4[,b4Dd`,P   S A ? "2\1RyzbuhlLI`!d\1RyzbuhX 2xڝQJAfosg.V"I/P xg ڦD'+sf]fwff m9&@aZlmU{HEaڪbUoo=mBF8g-w{~Sq8/F,ά [VU+#4Ni2wldy|l=sKS?@ABCDEFGHIJKLMNOPQRSTUVWXYZ[\]^_`abcdefghijklmnopqrstuvwxyz{|}~      !"#$%&'()*+,-./012345679:;<=>?=DH GIJKLNMOPRQSTVUWqaYZ[\]^_`rcdefghijklmnopstuxvwzy }~Root EntryN F F)Data 8cWordDocumentM&nObjectPoolPP  _1080382517FP P Ole PIC LMETA   #%&'()*+,-./147:;DGHIKLMNQSTUVWXYZ[\]^_`abcdfijknqruxyz|}~L8 w .1  &@x & MathTypepHRTimes- 2 @w 2 w2 ` outputbb 2 ?gres 2 kaHRTimes- 2 8JjiYY 2 Bnova 2 8 jiYY2 Bstara|Yi 2 8jY 2 8iYSymbol- 2 - 2  = 2  X 2 X 2  aHRTimes- 2 { & "System-CompObj fObjInfo Equation Native r_999774126 FΨ Ψ  FMicrosoft Equation 3.0 DS Equation Equation.39qzVx$ wji="ycj" i FMicrosoft Equation 3.0 DS Equation Equation.39qOle CompObj fObjInfoEquation Native @$PII w, ji  FMicrosoft Equation 3.0 DS Equation Equation.39qڐ`~II w, ji =w ji  nova "w _1080382516FP۫ P۫ Ole CompObjfObjInfoEquation Native _1080382515Fa a Ole !PIC "Lji  staraL  [ .1  &`8 & MathTypePHRTimes- 2 @gres 2 ka2 outputbMETA $CompObj0fObjInfo2Equation Native 3lb2  eljenibbb2 youtputbbHRTimes- 2 8iY 2 8h iY2 B stari|YiY 2 8iYHRTimes- 2 { 2 + `sSymbol- 2 = 2 S - & "System-"System- FMicrosoft Equation 3.0 DS Equation Equation.39qP$vIpI  i =y ci "y di FMicrosoft Equation 3.0 DS Equation Equation.39q_1080382514)F0o 0o Ole 5CompObj6fObjInfo 8|`~II E=12d k "x k () 2k "\Ā|jMEOW Equation Native 9_1076221907 %#Fp| p| Ole <ObjInfo"$=Equation Native >,_1076221932'F  Ole ?ObjInfo&(@|jMEOW  !FMicrosoft Excel ChartBiff8Excel.Chart.89q Oh+'0@H\p  Equation Native A,_1080164936!8+!F  Ole BPRINT*-X'U  -   ''  Arial---Arial-Arial------------"System-'-  "-- q!! "---'--- - "- $LLL "----'--- Hg LL---'--- g "-L LL---'---  "-L -LL....MM..---'--- p!!---'--- L---'--- LV%- "- _ $$u---'---  L---'---  ------'---  K7 K@Arial-.-2 KRelativna novost dogaaja5))'-)--'-)---)-)).-----'---  ---'---  ----'---    2 0% 2 Xm0.5%% 2 1% 2 $m1.5%%---'---  ---'---    2 S1930%%%% 2 S1940%%%% 2 S1950%%%% 2 Sf2000%%%% 2 S+2002%%%%---'---  ------'---  -br 2 |godina))))%----'---  - "- - h---'--- f---'--- f "-*3 **~2 Fuzzy)%!!!---'--- f---'--- ---'---  "-V%- q!!- -'  '  'CompObjCbObjInfo,/EWorkbookbSummaryInformation(.0F A@\pMarijana Ba=(f =hK: 9X@"1Arial1Arial1Arial1Arial1"Arial1Arial1Arial1Arial1Arial1Arial1Arial1Arial#,##0\ "kn";\-#,##0\ "kn"##,##0\ "kn";[Red]\-#,##0\ "kn"$#,##0.00\ "kn";\-#,##0.00\ "kn")$#,##0.00\ "kn";[Red]\-#,##0.00\ "kn">*9_-* #,##0\ "kn"_-;\-* #,##0\ "kn"_-;_-* "-"\ "kn"_-;_-@_->)9_-* #,##0\ _k_n_-;\-* #,##0\ _k_n_-;_-* "-"\ _k_n_-;_-@_-F,A_-* #,##0.00\ "kn"_-;\-* #,##0.00\ "kn"_-;_-* "-"??\ "kn"_-;_-@_-F+A_-* #,##0.00\ _k_n_-;\-* #,##0.00\ _k_n_-;_-* "-"??\ _k_n_-;_-@_-                + ) , *  `gChart1Sheet1Sheet2Sheet3`iZR3  @@  GodinaFuzzy D  A@MHP LaserJet 1100bw dXX210 x 297 mmHP LaserJet 1100LPT1:@@PdH" dXX??3`  `  `   `  ?3d23 M NM4 3Q: FuzzyQ ;Q ;Q3_  NM  MM<4E4D $% M 3O& Q4$% M 3O& Q4FAS 3Oqt [ 3 b#M43*#M! M4% X [M3O)&Q godina'4523  O43"  3O % M,3OQ443_ M NM  MM<444% rZM3O&Q 6Relativna novost dogaaja'44e(@P@x@@@H@e??e>  A@  dMbP?_*+%"??U  (@P@x@@@?H@?d(  p  6NMM? @]`p"l  A@"p"??3`  `  `   `  Vп3d23 M NM4 3Q: FuzzyQ ;Q ;Q3_  NM  MM<4E4D $% M 3O& Q4$% M 3O& Q4FA 3OZ 3 b#M43*#M! M4% z M3O;&Q godina'4523  O43"  J3O % M,3OQ443_ M NM  MM<444% oRM3O &Q 6Relativna novost dogaaja'44eee >@  7 A@  dMbP?_*+%"??vU>@7 A@  dMbP?_*+%"??vU>@7 Marijana  Marijana Microsoft Excel@}t@Tav ՜.+,0 PXd lt| 1 Sheet1Sheet2Sheet3Chart1  WorksheetsChartsDocumentSummaryInformation8J,_10803825133F* * Ole OPIC 25PLLe e7 E .1  &@ & MathType-    -  - Ym Ym Y,Times New Roman4- 2 SRMS@ 2 META RCompObj46efObjInfo7gEquation Native hERR 2 ' n 2 # tl 2 oTimes New Roman- 2 ` iQ 2 `JiQ 2  iQ 2 y nSymbol- 2 A= 2 k-Symbol- 2 A = 2 y~ -Symbol- 2 B wTimes New Roman- 2  1Times New Roman4- 2 Tc2 2  0 2 y 1Times New Roman- 2  ( 2 ) &  "System- FMicrosoft Equation 3.0 DS Equation Equation.39qz L RMS  ERR= 1n(t i "o i ) 2i=0n"1 "  FMicrosoft Equation 3.0 DS Equation Equation.39q_1080382512=1:FPE PE Ole lCompObj9;mfObjInfo<oEquation Native p_1080242350E?!FR R Ole sPRINT>A|,'zeL y(x,i)=y(1,i)+f(y(1,i)) !FMicrosoft Excel ChartBiff8Excel.Chart.89q Oh+'0@ %:  *   @''  Arial---Arial-----"System-'- @ "--  !! "---'--- @- "- $~~~ "----'--- z EE~~---'--- @ "-~ ~~ "-~-  EE~~  % % % % % % % % % %   % %   %, ,%8 8%C C%O O%[ [%g g%r r%~ ~% % % % % % % % % % % %   % %" "%. .%: :%F F%Q Q%] ]%i i%u u% % % % % % % % % % % % %   % %% %%0 0%< <%H H%T T%_ _%k k%w w% % % % % % % % % % % % % % %' '%3 3%> >%J J%V V%b b%m m%y y% % % % % % % % % % % % % % %) )%5 5%A A%L L%X X%d d%p p%{ {% % % % % % % % % % % % % %   %, ,%7 7%C C%O O%[ [%f f%r r%~ ~% % % % % % % % % % % %   % %" "%. .%: :%E E%Q Q%] ]%i i%t t% ---'--- !!---'--- ~---'--- ~- "- pp**~~Z&Z&(2(2==IIUUCaCallxx  aaVV88}}LL<<6(6( 4 4@@LLWWcc"o"owzwz  00##n+n+@6@6BBNNZZee2q2q(}(}ggMMII77| | !!--99DDPP\\hh9s9s!!oo]]ssee%%4 4 88y#y#//;;}G}GRR^^jjvv,,yy))88%&%&1111==II-U-U``llxx==++88    UU((.4---'--- ~---'--- @------'--- ;# T1@Arial-.*2 T1Mjesena prodaja keapaO5555;5;%;;555555;5.-----'--- @---'--- @----'--- @ 2 mn-40000,,,,,2 n-20000,,,,, 2 80,2 20000,,,,,2 P40000,,,,,---'--- @---'--- @ Arial-2 tt1-Arial-2 13-Arial-2 25-Arial-2 37-Arial-2 49-Arial-2 461-Arial-2 73-Arial-2 N85-Arial-2 97-Arial- 2 h109-Arial- 2 121-Arial- 2 133-Arial- 2 145----'--- @---'--- @ "--  !!--' @ '  'CompObjtbObjInfo@CvWorkbookSummaryInformation(BDw  <; !"#$%&'()*+,-./0123456789:g>?@ABCDEFGHIJKLMNOPQRSTUVWXYZ[\]^_`abcdefhilmnopqrstuvwxyz{|}~ A@\pMarijana Ba=H~ =xxK9X@"1Arial1Arial1Arial1Arial1 Arial1$Arial1Arial1Arial11Arial1Arial1Arial1Arial1Arial1Arial#,##0\ "kn";\-#,##0\ "kn"##,##0\ "kn";[Red]\-#,##0\ "kn"$#,##0.00\ "kn";\-#,##0.00\ "kn")$#,##0.00\ "kn";[Red]\-#,##0.00\ "kn">*9_-* #,##0\ "kn"_-;\-* #,##0\ "kn"_-;_-* "-"\ "kn"_-;_-@_->)9_-* #,##0\ _k_n_-;\-* #,##0\ _k_n_-;_-* "-"\ _k_n_-;_-@_-F,A_-* #,##0.00\ "kn"_-;\-* #,##0.00\ "kn"_-;_-* "-"??\ "kn"_-;_-@_-F+A_-* #,##0.00\ _k_n_-;\-* #,##0.00\ _k_n_-;_-* "-"??\ _k_n_-;_-@_-"$"#,##0_);\("$"#,##0\)!"$"#,##0_);[Red]\("$"#,##0\)""$"#,##0.00_);\("$"#,##0.00\)'""$"#,##0.00_);[Red]\("$"#,##0.00\)72_("$"* #,##0_);_("$"* \(#,##0\);_("$"* "-"_);_(@_).)_(* #,##0_);_(* \(#,##0\);_(* "-"_);_(@_)?:_("$"* #,##0.00_);_("$"* \(#,##0.00\);_("$"* "-"??_);_(@_)61_(* #,##0.00_);_(* \(#,##0.00\);_(* "-"??_);_(@_)                                 `: Chart1 List1s 1diferencije List3`ibZ  3  @@  v kecap1kecap2 reklama_kkonk_k ireklama_kMJ_FSEZkecap3maxminstdevsum % jedinica Y  A@MHP LaserJet 1100bw dXX210 x 297 mmHP LaserJet 1100LPT1:@@PdH" dXX??3`  `   `  ?3d23 M NM4 3Q: kecap3Qi ;QQ3_4E4D $% M 3O&Q4$% M 3O& Q4FAX~ 3Oq[ 3 b+MZ43*#M! M4523  O43" 3_ M NM  MM<444% N"M3O& Q 2Mjese na prodaja ke apa'44eev@Ps_@H@l0's|6Q BJ@ c@ ½ b@ X<@ (;  ` @~ @FSi#ڇ[,@<]6Դ2)Wqh|ߎŴ@܂F-@Hѻ  RJ@HYܳX[BQu@:ry2i7@뭴IPCHZJ@{&Xk@ j7*}!|MI",1@#໅r$+T%@ďlv&`}@'9(kjN@).J *Z-8@+ĵW,Kf@-c(@.Qv@/J0ǻ#A@1)U:2̪@30yR@4G75b6,JO7$ Pj.?݃@@|EK2@AgBЈĺY@CpE DKUګ@E0F,i@GH@H2#KIVڋo@JuK[w@LPkf@M NW`@O߻ PXı@Qw @R)b@S`zh@T& U%kVpFR@Ww̜X!GY']fZhX[gg@\Pدc]xAka@^.fpբ_Լ9L@``fB.a0 &b/~@cvQՄd͐eLqf4Y@gp6% @hBT;i#s@j. @k<0n@lT1m"nL@o@p @@@qѳ-rؑ+Y@sD@nNtȹ@ud> @v`>uin@wM`@xTYy p `zr&|@{ @|^ WH} i~@X @5.@\x#*E)5@} t@@@Ln,@{@E@@@ne]xe> ne A@  dMbP?_*+%"??U}              ).@V-? @?@?7e@7e@Q>@?@?IEj@IEj@Oj@@?7 @7 @s@@7d?:L#@:L#@d48@@K=U?gj@gj@L.@@?ۦ2@ۦ2@]^m@?@ioT?M@M@尤@?@-!lV?e@ e@ o @ @? /?@ /?@ m @ ?@?? =3@ =3@ ; ^@ @?? 't@ 't@ .*l@ ? @? u_左@ u_左@ ).@ ?@?? 3f@3f@7e@?@?C6]@C6]@IEj@?@? Nr@ Nr@7 @@7d?%Ԅ/@%Ԅ/@:L#@?@?K=U?o~@o~@gj@@?ƋPh@ƋPh@ۦ2@?@ioT?ԛ@ԛ@M@@-!lV?gP F@gP F@e@@?_W,@_W,@/?@?@v@v@=3@?@??;@;@'t@@??4@4@u_左@@??SiV@SiV@3f@?@??x[@x[@C6]@?@?P,?W@P,?W@ Nr@?@?78`@78`@%Ԅ/@@?7d?T*u@T*u@o~@?@K=U?Yx]{E@Yx]{E@ƋPh@@??l!:@DlbXXXddXddXXXXXXXddXddXXXXXXXXdd !"#$%&'()*+,-./0123456789:;<=>? l!:@ ԛ@ @ ioT? yK- @!yK- @!gP F@!?@?!-!lV?!8^FQ@"8^FQ@"_W,@"@?"|@#|@#v@# @#ِyn@$ِyn@$;@$@??$]ٲMy@%]ٲMy@%4@%@??%3ck@&3ck@&SiV@&@??&@'@'x[@'@?'$9@($9@(P,?W@(?@?(;*@);*@)78`@)@?);Kռ8?@*;Kռ8?@*T*u@*@*7d?*_/T@+_/T@+Yx]{E@+@?+K=U?+v Ye@,v Ye@,l!:@,?@??,.,@-.,@-yK- @-@-ioT?-@.@.8^FQ@. @.-!lV?.04f@/04f@/|@/@/k@0k@0ِyn@0?@?0T;@1T;@1]ٲMy@1?@??1"@2"@23ck@2@??2JT"@3JT"@3@3?@??3Xi5 @4Xi5 @4$9@4?@??4X祤_A@5X祤_A@5;*@5@??5 -J@6 -J@6;Kռ8?@6?@??6(G@7(G@7_/T@7?@77d?7D@8D@8v Ye@8?@8K=U?8W_@9W_@9.,@9@??9R\0@:R\0@:@: @:ioT?:a,V@;a,V@;04f@;?@;-!lV?; @< @<k@<@<e;[@=e;[@=T;@=@=?@Ϡ@>?@Ϡ@>"@>?@?>@?@?JT"@??@??<$'t@D lddXXXXXXXXddXddXXXXXXXXddXddXXX@ABCDEFGHIJKLMNOPQRSTUVWXYZ[\]^_@<$'t@@Xi5 @@?@?@x\@Ax\@AX祤_A@A@?A@MFA@B@MFA@B -J@B@??B#XN@C#XN@C(G@C@??C9@D9@DD@D?@?D7d?Dq1@Eq1@EW_@E?@?EK=U?E.eQ@F.eQ@FR\0@F?@??F c:]@G c:]@Ga,V@G?@GioT?Gї ^I@Hї ^I@H @H?@H-!lV?H;^@I;^@Ie;[@I@?I04g@J04g@J?@Ϡ@J@?J !@K !@K@K?@?Kz@Lz@L<$'t@L@??LCw@MCw@Mx\@M?@?MS1za@NS1za@N@MFA@N?@?N+kR3@O+kR3@O#XN@O?@?Oo@Po@P9@P?@?P2l@Q2l@Qq1@Q? @Q7d?QG@RG@R.eQ@R@?RK=U?RMy@SMy@S c:]@S@??S0n@T0n@Tї ^I@T @TioT?Tyy@Uyy@U;^@U@?U-!lV?U ;@V ;@V04g@V?@V6]@W|@( @W4!Lp@W@?WS(r@XS(r@Xk|@X@?Xn?*@Yn?*@Ys@Y@??Y{,@Z{,@ZG3D@Z@??ZO}w@[O}w@[2@[?@?[3Nr@\3Nr@\XI|@\@?\F@]F@])?Jw@]@??]b;ҩ@^b;ҩ@^yTV@^@?^7d?^~@_~@_7lh@_@?_K=U?_yx1@D lXXXXddXddXXXXXXXXddXddXXXXXXXXd`abcdefghijklmnopqrstuvwxyz{|}~`yx1@`x4!@`? @??` -@a -@a.03@a@aioT?a@b@bqI@b@b-!lV?b^{@c^{@c|@( @c?@c0@d0@dS(r@d?@d 2t[i@e 2t[i@en?*@e?@?e*`@f*`@f{,@f?@?f׉3@l@g׉3@l@gO}w@g?@?g$`%@h$`%@h3Nr@h@?h .p@i .p@iF@i@??i 5#@j 5#@jb;ҩ@j@?jKnD@kKnD@k~@k?@k7d?kq{2g@lq{2g@lyx1@l?@?lK=U?l:_@Jt@m:_@Jt@m -@m?@??m.=T@n.=T@n@n@?nioT?n@o@o^{@o?@?o-!lV?oKQO@pKQO@p0@p?@p|ї0@q|ї0@q 2t[i@q@?qbի@rbի@r*`@r@?rBd@sBd@s׉3@l@s?@??s.|A@tE}@t.@t@??t N@u N@u8[Գ@u@??uSPj@vSPj@vB/@v@??vdL"]~@wdL"]~@wy@w @?wJC@xJC@x+PN@x? @x7d?x_U@y_U@y iɞL@y@?yK=U?yWg @zWg @z_щa@z@??zUj"@{Uj"@{ԩ@{?@?{ioT?{Jp@|Jp@|# J~@|@?|-!lV?|@}@}mĘ@}?@}Hf@~Hf@~!@~@?~r1@r1@Etg@?@??rj4@D lXddXXXXXXXXddXddXXXXXXXXddXddXXrj4@E}@?@??:¿@:¿@ N@?"@??R[@R[@SPj@@?Yo@Yo@dL"]~@?@?Kv@Kv@JC@$? @??@~ @_U@?@7d?~ @~ @Wg @@K=U?~ @~ @Uj"@$?@?P-@~ P-@Jp@?@ioT?~  @~  @@?@?-!lV?~ @~ @Hf@$@?-@~ -@r1@$@?@~ @rj4@$@?? @~  @:¿@$?@??@~ @R[@$?@?@~ @Yo@$?@?d@~ d@Kv@?@??| @$#r1@ %B#r1@ %B# %B#@ %B# %B# %B#r1@ %B "#;^@ %B#;^@ %B#? %B#"@ %B#? %B#? %B#;^@ %B "#T3o@ %B #R@ %B #[VK? %B #PF? %B #< ? %B #]L$ ? %B #U"ك@ %B  " #R@ %#@ %#Q@ %#V@ %  " ? Dqq? D   "0 XXXXL\\H\\HHHHHH|EEE(  p  6NMM? x]`\:l  A@"\:??3`  `  =?3d23 M NM4 3Q: kecap3Q ;QQ3_4E4D $% M 3O&Q4$% M 3O&Q4FA g3Oa 3 b+MZ43*#M! M4523  O43" N K,3ON K% M,3OQ443_ M NM  MM<444% YM3O3Q'44ee      !"#$%&'()*+,-./0123456789:;<=>?@ABCDEFGHIJKLMNOPQRSTUVWXYZ[\]^_`abcdefghijklmnopqrstuvwxyz{|}~e >@?7 A@  dMbP?_*+%"???U}              %kZZ%r ZZ?@?%v@ZZ%v@ZZ%@,DRZZ@?%Ps_@ZZ%Ps_@ZZ%`;&$ZZ@7d?%H@ZZ%H@ZZ%]Vd@ZZ@K=U?%l0'sZZ%l0'sZZ%hs\-!IZZ@?%|6QZZ%|6QZZ%7tZZ?@ioT?% BJ@ZZ% BJ@ZZ%fbg ZZ?@-!lV?% c@ ZZ%  c@ Z Z% ø Z Z @?%  ½ Z Z%  ½ Z Z % {?@ Z Z  ?@??% b@ Z Z % b@ Z Z % @@ Z Z  @??% X<@ Z Z % X<@ Z Z % fe4@ Z Z  ? @?% (; Z Z % (; Z Z % 5Z Z  ?@??% Z Z %ZZ %kZZ ?@?%` @ZZ %` @ZZ%v@ZZ?@?%~ @ZZ%~ @ZZ%Ps_@ZZ@7d?%FSiZZ%FSiZZ%H@ZZ?@?K=U?%#ڇZZ%#ڇZZ%l0'sZZ@?%[,@ZZ%[,@ZZ%|6QZZ?@ioT?%<]6ZZ%<]6ZZ% BJ@ZZ@-!lV?%Դ2)WqZZ%Դ2)WqZZ% c@ZZ@?%h|ߎŴ@ZZ%h|ߎŴ@ZZ% ½ZZ?@%܂F-@ZZ%܂F-@ZZ%b@ZZ?@??%HѻZZ%HѻZZ%X<@ZZ@??%  RJ@ZZ%  RJ@ZZ%(;ZZ@??%HZZ%HZZ%ZZ?@??%YܳZZ%YܳZZ%` @ZZ?@?%X[BQu@ZZ%X[BQu@ZZ%~ @ZZ?@?%:ry2ZZ%:ry2ZZ%FSiZZ@?7d?%i7@ZZ%i7@ZZ%#ڇZZ?@K=U?%뭴IZZ%뭴IZZ%[,@ ZZ@??%PCHZJ@ ZZBXb !"#$%&'()*+,-./0123456789:;<=>?% PCHZJ@ Z Z% <]6!Z Z @ ioT?% {&Xk@!Z Z%!{&Xk@!Z!Z %!Դ2)Wq"Z!Z !?@?!-!lV?%!j7*}"Z!Z %"j7*}"Z"Z!%"h|ߎŴ@#Z"Z!"@?%"|MI#Z"Z!%#|MI#Z#Z"%#܂F-@$Z#Z"# @%#,1@$Z#Z"%$,1@$Z$Z#%$Hѻ%Z$Z#$@??%$໅r%Z$Z#%%໅r%Z%Z$%%  RJ@&Z%Z$%@??%%+T&Z%Z$%&+T&Z&Z%%&H'Z&Z%&@??%&@ďlv'Z&Z%%'@ďlv'Z'Z&%'Yܳ(Z'Z&'@?%'`}@(Z'Z&%(`}@(Z(Z'%(X[BQu@)Z(Z'(?@?%(9)Z(Z'%)9)Z)Z(%):ry2*Z)Z()@?%)kjN@*Z)Z(%*kjN@*Z*Z)%*i7@+Z*Z)*@*7d?%*.J +Z*Z)%+.J +Z+Z*%+뭴I,Z+Z*+@?+K=U?%+Z-8@,Z+Z*%,Z-8@,Z,Z+%,PCHZJ@-Z,Z+,?@??%,ĵW-Z,Z+%-ĵW-Z-Z,%-{&Xk@.Z-Z,-@-ioT?%-Kf@.Z-Z,%.Kf@.Z.Z-%.j7*}/Z.Z-. @.-!lV?%.c(@/Z.Z-%/c(@/Z/Z.%/|MI0Z/Z./@%/Qv@0Z/Z.%0Qv@0Z0Z/%0,1@1Z0Z/0?@?%0J1Z0Z/%1J1Z1Z0%1໅r2Z1Z01?@??%1ǻ#A@2Z1Z0%2ǻ#A@2Z2Z1%2+T3Z2Z12@??%2)U:3Z2Z1%3)U:3Z3Z2%3@ďlv4Z3Z23?@??%3̪@4Z3Z2%4̪@4Z4Z3%4`}@5Z4Z34?@??%40yR@5Z4Z3%50yR@5Z5Z4%596Z5Z45@??%5G76Z5Z4%6G76Z6Z5%6kjN@7Z6Z56?@??%6b7Z6Z5%7b7Z7Z6%7.J 8Z7Z67?@77d?%7,JO8Z7Z6%8,JO8Z8Z7%8Z-8@9Z8Z78?@8K=U?%8$ Z=Z<=@%=`m->Z=Z<%>`m->Z>Z=%>ǻ#A@?Z>Z=>?@?%>0U?Z>Z=%?0U?Z?Z>%?)U:@Z?Z>??@?%?Pj.@Z?Z>Dl@ABCDEFGHIJKLMNOPQRSTUVWXYZ[\]^_%@Pj.@Z@Z?%@̪@AZ@Z?@?@?%@݃@AZ@Z?%A݃@AZAZ@%A0yR@BZAZ@A@?%A|EK2@BZAZ@%B|EK2@BZBZA%BG7CZBZAB@??%BgCZBZA%CgCZCZB%CbDZCZBC@??%CЈĺY@DZCZB%DЈĺY@DZDZC%D,JOEZDZCD?@?D7d?%DpE EZDZC%EpE EZEZD%E$ O530@XZXZW%X\uY@YZXZWX@?%Xw̜YZXZW%Yw̜YZYZX%Ysײ@ZZYZXY@??%Y!GZZYZX%Z!GZZZZY%Z![ZZZYZ@??%Z']f[ZZZY%[']f[Z[ZZ%[Xj \Z[ZZ[?@?%[hX\Z[ZZ%\hX\Z\Z[%\.4@]Z\Z[\@?%\gg@]Z\Z[%]gg@]Z]Z\%](ؒ.S^Z]Z\]@??%]Pدc^Z]Z\%^Pدc^Z^Z]%^>]@_Z^Z]^@?^7d?%^xAka@_Z^Z]%_xAka@_Z_Z^%_D" @`Z_Z^_@?_K=U?%_.fpբ`Z_Z^Dl`abcdefghijklmnopqrstuvwxyz{|}~%`.fpբ`Z`Z_%`v8+aZ`Z_`? @??%`Լ9L@aZ`Z_%aԼ9L@aZaZ`%aPϩ@bZaZ`a@aioT?%a`fB.bZaZ`%b`fB.bZbZa%b@9TcZbZab@b-!lV?%b0 &cZbZa%c0 &cZcZb%c@{x@dZcZbc?@%c/~@dZcZb%d/~@dZdZc%d>O530@eZdZcd?@%dvQՄeZdZc%evQՄeZeZd%ew̜fZeZde?@?%e͐fZeZd%f͐fZfZe%f!GgZfZef?@?%fLqgZfZe%gLqgZgZf%g']fhZgZfg?@?%g4Y@hZgZf%h4Y@hZhZg%hhXiZhZgh@?%hp6% @iZhZg%ip6% @iZiZh%igg@jZiZhi@??%iBT;jZiZh%jBT;jZjZi%jPدckZjZij@?%j#s@kZjZi%k#s@kZkZj%kxAka@lZkZjk?@k7d?%k. @lZkZj%l. @lZlZk%l.fpբmZlZkl?@?lK=U?%l<0n@mZlZk%m<0n@mZmZl%mԼ9L@nZmZlm?@??%mT1nZmZl%nT1nZnZm%n`fB.oZnZmn@?nioT?%n"oZnZm%o"oZoZn%o0 &pZoZno?@?o-!lV?%oL@pZoZn%pL@pZpZo%p/~@qZpZop?@%p@qZpZo%q@qZqZp%qvQՄrZqZpq@?%q @@@rZqZp%r @@@rZrZq%r͐sZrZqr@?%rѳ-sZrZq%sѳ-sZsZr%sLqtZsZrs?@??%sؑ+Y@tZsZr%t@tZtZs%t`A,njuZtZst@??%tD@nNuZtZs%uqoݭ@uZuZt%u0!c&ѵ@vZuZtu@??%uȹ@vZuZt%vȹ@vZvZu%v"D9@wZvZuv@??%vd> @wZvZu%wd> @wZwZv%w=&xZwZvw @?%w`>uin@xZwZv%x`>uin@xZxZw%x2L@yZxZwx? @x7d?%xM`@yZxZw%yM`@yZyZx%y`4/* @zZyZxy@?yK=U?%yTYzZyZx%zTYzZzZy%z"r7{ZzZyz@??%z p `{ZzZy%{ p `{Z{Zz%{ @|Z{Zz{?@?{ioT?%{r&|@|Z{Zz%|r&|@|Z|Z{%|d @}Z|Z{|@?|-!lV?%| @}Z|Z{%} @}Z}Z|%}n 1@~Z}Z|}?@%}^ WH~Z}Z|%~^ WH~Z~Z}%~`R4Z~Z}~@?%~ iZ~Z}% iZZ~%ޞYLZZ~?@??%@X @ZZ~Dl%@X @ZZ%W w@ZZ?@??%5.@ZZ%5.@ZZ%qoݭ@ZZ?"@??%\x#ZZ%\x#ZZ%ȹ@ZZ@?%*EZZ%*EZZ%d> @ZZ?@?%)5@ZZ%)5@ZZ%`>uin@ZZ? @??%} t@ZZ%} t@ZZ%M`@ZZ?@7d?%ZZ%ZZ%TYZZ@K=U?%@ZZ%@ZZ% p `ZZ?@?%@ZZ%@ZZ%r&|@ZZ?@ioT?%LZZ%LZZ% @ZZ?@?-!lV?%nZZ%nZZ%^ WHZZ@?%ZZ%ZZ% iZZ@?%,@ZZ%,@ZZ%@X @ZZ@??%{@ZZ%{@ZZ%5.@ZZ?@??%E@ZZ%E@ZZ%\x#ZZ?@?%@ZZ%@ZZ%*EZZ?@?%@ZZ%@ZZ%)5@ZZ?@??%ne]xZZ # %B#@ %B# %B# %B #? %B#"@ %B#? %B#? %B #ZVK? %B #惛? %B #, ~ ? %B #3? %B  #Q@ %#ȅ@ %#Q@ %#@V@ % 88? Dqq? D 2 (  p  6NMM?+- ]`:l  A@":??3`  `   `  пh?3d23 M NM4 3Q: kecap3Q ;QQ3_4E4D $% M 3O& Q4$% M 3O& Q4FA 3OUC 3 b+MZ43*#M! M4523  O43" 3_ M NM  MM<444% I!M3O$& Q 2Mjese na prodaja ke apa'44ee      !"#$%&'()*+,-./0123456789:;<=>?@ABCDEFGHIJKLMNOPQRSTUVWXYZ[\]^_`abcdefghijklmnopqrstuvwxyz{|}~e >@  7 A@  dMbP?_*+%" ??dU>@7 H\p  Marijana  Marijana Microsoft Excel@?0@@[* ՜.+,0 PXh px EFOSCh List1 1diferencijeList3Chart1  WorksheetsChartsDocumentSummaryInformation8{4_1080335334G!F( ( Ole PRINTFId !FMicrosoft Excel ChartBiff8Excel.Chart.89q Oh+'08@Th  Marijana  Marijana Microsoft Excel@`-'  f   x ''   Arial----- Arial------Arial-------------"System-'- x "-- X !! "---'--- x - "- $ppp "----'--- p3~ a_p p---'--- x 3~ a_ "-p pp---'--- x "-p p-SpSpSpppp>>gg  66__--VV%%NNww---'--- W !!---'--- p---'--- pR- "-  SS;;**SS||((!!JJttPPOOBBkkDDOOww99bbvvVVh "- XX&*&*#S#S||aah!h!JJtt}}KBKBkkPPTTzz99bbttf---'--- p---'--- x -------'---  w <B NL@ Arial- .f2 NL?Stvarna i predviena (NM) mjesena prodaja keapa na uzorku za -%%)%)%)%)%)%09<%%%%)%)))%%%%%%)%)%)")%)"%.- 2  validaciju%%)%%)----'--- x ---'--- x ----'--- x   2 052 50000555552 100000555555---'--- x ---'--- x  Arial- 2 YJ1- Arial- 2 Y5- Arial- 2 Y9- Arial- 2 913- Arial- 2 17- Arial- 2 21- Arial- 2 '25- Arial- 2 29- ---'--- x ------'---  2  promatranje))<%%)%----'--- x -----'--- d  Arial- 2 tvrijednost prodaje- ----'--- x - "- - 4~ a_---'---  2} b`---'---  2} b` "- w  2 qStvarna prodaja-!%%%%%%%%---'--- 2} b`---'--- 2} b` "-w  @ Arial-."2 Predviena prodaja-%%!%%%%%%%%%.----'--- 2} b`---'--- x ---'--- x "-R- X !!- -' x  '  'CompObjbObjInfoHKWorkbook7SummaryInformation(JL A@\pMarijana Ba=^ =hKm9X@"1Arial1Arial1Arial1Arial1Arial1Arial1Arial1Arial1Arial1Arial1Arial1Arial1Arial1Arial1Arial#,##0\ "kn";\-#,##0\ "kn"##,##0\ "kn";[Red]\-#,##0\ "kn"$#,##0.00\ "kn";\-#,##0.00\ "kn")$#,##0.00\ "kn";[Red]\-#,##0.00\ "kn">*9_-* #,##0\ "kn"_-;\-* #,##0\ "kn"_-;_-* "-"\ "kn"_-;_-@_->)9_-* #,##0\ _k_n_-;\-* #,##0\ _k_n_-;_-* "-"\ _k_n_-;_-@_-F,A_-* #,##0.00\ "kn"_-;\-* #,##0.00\ "kn"_-;_-* "-"??\ "kn"_-;_-@_-F+A_-* #,##0.00\ _k_n_-;\-* #,##0.00\ _k_n_-;_-* "-"??\ _k_n_-;_-@_-                + ) , *  `Chart1 dk_vl`iZR3  @@  AStvarna prodajaPredviena prodaja u  A@MHP LaserJet 1100bw dXX210 x 297 mmHP LaserJet 1100LPT1:@@PdH" dXX??3`  `  `   `  ` ?I3d23 M NM4 3Q: "Stvarna prodajaQ ;QQ3_4E4 3Q: (Predviena prodajaQ ;QQ3_4E4D $% M 3O&Q4$% M 3O& Q4FAl53O*@ F 3 b+MZ43*#M! M4% J M3OH& Q  promatranje'4% g)MZ3Oi& Q (vrijednost prodaje'4523  O43"  3O % M,3O&Q443_ M NM  MM<444% KK M3O/$& Q IStvarna i predviena (NM) mjese na prodaja ke apa na uzorku za validaciju'44ee O@W@bj@\(@G]~@lh@C@CV6M@U@#ȅ@S/@#07N@.X"@!l@,p@Lm% @Pթ@ @ Lmf@ esռrI@ 0*1@ `Z'@ K4@ *@ ڎ;¿@ k@ :/S[@ [C@@?|V@`Zgv@@S*@\>@T@ @T@@S*P-@&?Iv@S* @Sc@T@P(w@T-@g(+@T@K`O@T @uh@T@{@T@\='ۓ@S*d@5ڥ@SI @dTه@e> dT A@  dMbP?_*+%"??U      ~ Kٍ  1NB! O@ DD!W@ DD O@W@ȹ@~!bj@ DD!\(@ DDbj@\(@> @e!G]~@ DD!lh@ DDG]~@lh@Bhn@'!C@ DD!CV6M@ DDC@CV6M@N%@a@P4`@!U@ DD!#ȅ@ DDU@#ȅ@Y!!S/@ DD!#07N@ DDS/@#07N@@ `Ym_ð@!.X"@ DD!!l@ DD.X"@!l@'|@|!,p@ DD!Lm% @  DD,p@Lm% @ y@ o Ϝ! Pթ@  D D!  @  D D Pթ@  @ WH  `b@! Lmf@  D D ! esռrI@  D D  Lmf@ esռrI@ 8 i ;_f@! 0*1@  D D ! `Z'@  D D  0*1@ `Z'@ 8 @ @ߜ@! K4@  D D ! *@  D D  K4@ *@ o 5.@ cMn! ڎ;¿@  D D ! k@ D D  ڎ;¿@ k@`x#M!:/S[@ DD ![C@ DD :/S[@[C@1E@ @!@ DD!?|V@ DD@?|V@y@;_@!`Zgv@ DD!@ DD`Zgv@@Ϡ t@`c!S*@ DD!\>@ DDS*@\>@~ `c@!T@ DD! @ DDT@ @~ @+/@!T@ DD!@ DDT@@~ @o{!S*P-@ DD!&?Iv@ DDS*P-@&?Iv@~ L8X!S* @ DD!Sc@ DDS* @Sc@~ n]!T@ DD!P(w@ DDT@P(w@~ _U!T-@ DD!g(+@ DDT-@g(+@~ ,@->p.@!T@ DD!K`O@ DDT@K`O@~ {@xEʙ!T @ DD!uh@ DDT @uh@~ E@`$!T@ DD!{@ DDT@{@~ @a.%!T@ DD!\='ۓ@ DDT@\='ۓ@~ @9@5r@!S*d@ DD!5ڥ@ DDS*d@5ڥ@ \x ɧ!SI @ DD!dTه@ DDSI @dTه@@DB(  p  6NMM? pi]` l  A@" ??3` ` ` `   `  @|3d23 M NM4 3Q: "Stvarna prodajaQ ;QQ3_4E4 3Q: (Predviena prodajaQ ;QQ3_4E4D $% M 3O& Q4$% M 3O& Q4FA3D3O C 3 b+MZ43*#M! M4%  C6M3OH&Q  promatranje'4% YMZ3Oi&Q (vrijednost prodaje'4523  O43" z 13Oz % M,3O&Q443_ M NM  MM<444% 3J9 NM3Oe(&Q IStvarna i predviena (NM) mjese na prodaja ke apa na uzorku za validaciju'44ee          e >@?7 DocumentSummaryInformation81Tablek6pSummaryInformation(ODocumentSummaryInformation8 ՜.+,0 PXd lt| 1 dk_vlChart1  WorksheetsChartsOh+'0 (4 P \ ht|I26G\m %(P/-D@JQ^ZRi<@Ԥl(yDz$2PғI d 'b8@# ԫDm %(P<@z#2PztE)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/dC)%(P/mX0{ ;Z:/P򈂓^_ŠUG.>w1_ѿA@] Wj}bп*PUZ ŠUG.>w1_ѿA@] Wj}bп*PUZ ŠUG.>w1_ѿA@] Wj}bп*Pſ(yDK֧OJQp+)sG\ʮ KRUFҹ[4zx';PM^B j}Ũ ұVUտmMNJ$ҷj}JMãYd:6RK<A޿֟\trk_Wj}TAl{x:}eC ߃ZۇHESW\ĭ}=Ƞp Tcf_3mjݽ`JпZPSl}B=۵.[t]APm_)V ?\>ex@ܿpQ_r}`*b*>kbc۶ g}Op&$ۯcq>Wnv`?{]zm0 ܭ@+\I$BIYmtuw0@fsI$*_yڿCHRtw1)V e':kZÅI$תּnYe'9x{S q$Mw Qd] {y8 d$J=GleM9Lq$ ߗ]}d5I[NMlT8L zv|D>#$Uk$\ eՑG3 Adؿ{  2Ify/\{I){_F2)f{vC?9Lq 3c͡@3%hHLGeo6r@P]%A&n1K,mx;b]ܱtx5:3nF\51?p*B\ 6>Ҵ.'EIO=Ӧ# zv?0_)kϿw?kx 0D"[=5CU̿V IM5}~DMߴԑGb!9־T^bԡ%Vkfb{۷ڨrƉߠQ,%Ƈ+=#u+ԡ$={;lo.V< 7+h+Da_n_#ƴ-~"v|7v}p` l`wsb~Pܦs洞k,czQ߱@ w{8}H ҏ'D$Tv,ͭw;`G+#FDb*)}1<$v>ǔΟŝi0 ЕuL){X}+?I8k(M+|d8Vc"ACzFgh~AΣ;78=Kf{G8#_ξo{`<ҿRvaa*q0sBomgz2S_[^O+#4籠s0Z>w_|" KTzu\'گTrZT}Q+?H \=~mQ>58 \wCbjvTZ JAH%W @75#0KTo*fC8!@KYĤ *oinjzӿdj|m۹7~8[sx" t;ר&w{3jT/%)Zx_ SKogJ{Ǿo~Fr^9N۫p7J&ww1<;w;Iwԟ.͵>ٽ"}rͿ?WF΄ :0_b/JE\ao>@ A"+RB R8O?Mv\>?~?B|qk&wy;=?aĈ/ϩ6pW{۵6D]\ۍ[zo~FՈU߿.Ƽyvh`G"gMc{-zisTh <䎈`'{%^;V1w4G9o!ZS8W/<W^X>7v^-;zL!mXN&j{-٘t%V7B9l #M^;H2Zs&[+s|%jNi5ٿ&/Ȟ4IWiո4Qirw~_Ws7H [:cgr7o!?Tuxɪ6|]^wGO吅 ʍJ]Z.[:0o_y?"۶-62ul},+ǧl{3|]ϩ;Ovf d V_!9Ƨo)̿ ض7h8%o9= \ƽن.aӯ.w7E26 uI|N6?5(¸Un4 ^xqJy/^YKuP򈂿^YEKP]ze.A*%(+u'pjQ*_l:p@(yDa^YM|]orjM8zQ _ ܀Q~c, ?~}~>K5kw |cg5:x` Ӄux&uxux<{kqJq8Yޮ]/onﶭWo GxU{{]U ں~u\o/6?WͿWqn {|-.M d-{=~<|OAߑ ۉs7wkYq%*=>mܭmN_}zS /kD3|D  #ۺq>A"dʒ@a_|DȔ.աݎl uy%x /D [ua_0ˈ}q/gJn}N.wO)P%Z-̽I%Kۧz!?S~*0|]r'ⰰO9R52=4ҿ%xkp13@װH!&u)[P|m۶ &yÓ;o]4CB_$8?sqzM? _ڼex𯃆{]/g#b_  i[_T{7qR>R9~?uKI=u'x7> -S ]7se6C.# 'cO7S+\9թCʁ9my~ވ!zipT.:8e1`8v"M] /Vɋw ٠/I:9I&O-!m!=oث֫(,C>+-vU,WtgԪURC#>MՄeKE>)ܿ\wHO'X}=A.44X|b+һI.W8^:'.}Mxu.-VYF>{7Z;e]2Ykj~m_kUϾٚ뱢^C_NU*-I>{ `ϳ9;-$X׼ hpoG`bP.e 4^buwlg %®֋Paj,ltѻKP2hr;:$Ԫ$ھ7j ;H8&HX^6,,XYZd:Q})/XGY]ۄYZ5dqi}8c;;H@BA~ieY$Ԫ$7gkR1FBK Cƒz||1FBKw.kL1FB:$~MiI1FB%uT_ctxKb)x'n$JR=OX^$J/J5Ŀ [GCӯ}RJR߶i1W{}jK8(H($3b SIDAT7! _d R K( ;Ewئ;e_l$JZ\ a y; DOEB:]*uo%$|Xw,mtqZA T}.w8((9XΐqTQ)EM;-,:X1%!Rwt \/s_(PqTQ)t|籶,Gih?Q4pd>dT# sָwH8*}ȨmvOG]}'GRo)tGRoDr\oWz^ZqTQ)uMO &Q3~d>dT*lnjqTQ)}Mg.Qq*:u)$!R5U:[]g҅B9{ǫ \FGaBFzjqy9w9,](TWM-C}E~sG  rEup; w,_M|_9 nyZ E&b҅BuTltM}ߦEÐQoSiˮ!PY{jge-sXQ\.[Z*4ID P5#x\Q^wC|_9 )=.m\8)u׷ ?p2&NEu:SF0N#R.Ȥ)_{x 0)u(j+/}?6ҁ%N6]4M? Z>ɦ,xaR'Kڞ[f; L :Y]oZŲy@[ːC2)@RdUf})mFO@GfVx)^0`fGJ{aLCn&ֳL 2߷,._1'@Rʔ|ge I)66/$LWhe$HK2Yu8.o|2%oդ"n)`RdGw5ۏCJWYL-1CH`&LƋ~y|d/90I)Mn5 cH`dOJti{o!`R&%iJ_P0*r'JKs&{:D J+NF]BS5p~'fO9G59Ur^ 9<]#Ӛ*y7u-" 7|URǛ9:rLkrTzSpΑiMN\V1=sdZS%զ&ppxsdZS%&5zV1FsdZS&W?0e 92ɩZ:Ew_՛J>ÑS${=NǽŠ;=94)R}q4sMcrwG9kסc%4&Hwzt;y|NN919E\(ľޖ2L5ړCӘ"tV)84&H5{7k1919Er"<&kZwBܫ͘AshS$]Fo-m7d 94)Mxގf96mɩM=}_h!>95m7HM96mI}X9ws{tlT#ґ^HSpұiJR,nZh lYHE]A&_M@ҒMSj4bKd1MLtlT7C7[nY(:N6I5r3Q/iIo!j亘;cP{t3I5B~O@5w䎤 ڇpwzj_ʢ'TQnZ^Ƽʵve#8^BJ4lBma#d'B 5~7P~j7GJ$Uhׁ׿hycVDRwqعUWkWdU}y:cӭ G Bλ Ͽ/ogU!W*>b| C> ҆iXƝQ_RVydUͿÿ^uCʟBVD'vpǓU!JT)̦`yL B0&OAK 8 ds+R*!@FP"!Yae'@)$vJ:|X!| #F-aʑޚCsK錞<K6Dzg%0r7SZ7`g`0qnw75%T”3ؿ֟Z4ZA(`m؈S S[M,J|(.e=L>ڵCҟU5&yĩ)̿C@H+q^8d”cQ_y^[o0tvv!FL0([С߻`jV˺ x Sƿu_F~d ^SL9d"JQ+a&z{gkW2Ô#KrЊQ򈂿^dS(KF# Jzr$>;f<0Bd)G7_iX!z%~^;\<_/:G]$v|<6/Dy5w Lk:>EVU9%(%[Gَ1g?W]MX߇?jz[L47s JQ I|qGBҟ%D8 2Z}aC!LqdtiR#a%$Ga (&8 SND 4Qr$JI6”ӛ(J(yD!_”ә(ʾ 9GJ~r ;V 7(yDGd҇)ƿ3E# >z%S>L9D7ߠ') fd[CR,_BQ<(UeyP E# ԫ2GWeA)%(P*ȃR(JQ^UP<@,#J(yDzUYFBQ<(UeyP E# ԫ2GWeA)%(P*ȃR(JQ^UP<@,#J(yDzUYFBQ<(UeyP E# ԫ2GWeA)%(P*ȃR(JQ^UP<@,#J(yDzUYFBQ<(UeyP E# ԫ2GWeA)%(P*ȃR(JQ^UP<@,#J(yDzUYFBQ<(UeyP E# ԫ2GWeA)%(P*ȃR(JQ^UP<@,#J(yDzUYFBQ<(UeyP E# ԫ2GWeA)%(P*ȃR(JQ^UP<@,#J(yDzUYFBQ<(UeyP E# ԫ2GWeA)%(P*ȃR(JQ^UP<@,#J(yDzUYFBQ<(UeyP E# ԫ2GWeA)%(P*ȃR(JQ^UP<@,#J(yDzUYFBQ<(UeyP E# ԫ2GWeA)%(P*ȃR(JQ^UP<@,#J(yDzU<ą%$./!q KH\_BBпą%$./!q KH\_BBпą%$./!q KH\_BBпą%$./!q KH\_BHeIENDB`Dd|DP   S A ? "2& }$vz5dBI`!& }$vz5.` xcdd``g 2 ĜL0##0KQ* Wô9KRcgbR C<3PT obIFHeA*/&`b]F"LK@,a ˑL>UN9 +ssGٹ۾ 1#XLF]F\od4*1<;1HrThBuǀߝո 1 jS3HS t]t Bǹ-0{@,@{B2sSRss0pB#^L]clO b"&3Ӂ?&0A̅|J.h>)=I)$5$m P'f8íbDd0   # A 25DDKQ{DI`! DDKQ{6@x=P; @}37] bea'6,}4K`'X fv]KRe4o, G| I/cyhQ/!vէH> (Dd0   # A 2: gsyd>X:FI`! gsyd>X:B``!!x=PQ=3kF!D4 D $NB/HĚ;̙sfν0:uf)B$"})2dJEJP@:2Hmi_%r2WŔS8x|FpbM|= G. !TvZ?m6kǛ/|8pSIvy*bnM]X'l|('|Dd J  C A? "2+ ^KͥrHI`!+ ^KͥL( .xڽXOA3ݶZbC ћh% 4 &pЋ'Y=ȁ ^ċ7&u>~زM3y}HX[)6~%?MuZ6٤CP1NA/XHRDŽ&{<qI?is[_W0H6gBң5e:O@\; zFF"#OH!#=j2J5RݟjnӇS#Ywv N:9w~5NeU w~}?;Tߘp -f\u=%|ӕ5j{bJ hyK\Мڟ:@:햘PLz(tm%0ͼ շ!6eżUM7t΍k(_ZdDdp,J  C A? "2-گ0dAOI`!-گ0dA hxcdd``ed``baV d,FYzP1n: B@?b x ㆪaM,,He`?&,e`abM-VK-WMc`oZ.`  ,@RF\< 'ij} :p>o5 |vFPȊj^"+;LٙPaG?#Ig?؟p{_sip6TXPW0ʗ]XG2@cG& Ma(w aj0 p{3\TNiS v 0y{@ #RpeqIj.H ,,kdu DdT J  C A? "2 B3R 槫 -RI`! B3R 槫&l4(@y xڽ xs'/`twEPThhTd_D 5BP1Ⱦ#lREuŭFj\juAZTq s‹&_w{3ܹsgΛ$S$G(k#?_f` $E w ~gu)viQtxqeeKgJzy6*j_oml= %1zǯ-NXFGƯyH9ϥGKUB@moGy;mWR4MMߦDY>V=.%_:W%X2ob/ۓܿǣvOPQ<.a@\z.FYVc~/wfGWW]iӦUs [zuK-'x<_?+˒\lF]PX(JRmTl*V`X~u[̖!m6X;ku:bNX z`^Xo7alV```bblv>v>6c0l6FbXl,6M&bl 6Mæa3Ll&vv6acc Bl![]]]]]]-`K2l[V`+*lv v v+v+v;v;v'v'[ݍݍ݋݋ݏݏ========`%ccX)V============a/a/a``bbcco`o`obobococbbaa``aaccgglۈm6a77wwVl+VaΙ9` ,jaXVeaY~~XX].vvvvvvvvvvv$v$k5accM&X6bXS) kZ`-X+v2v2v v vvv:v:kaXG#uźbݱXO'v&v&b~X?6ЕWGV\+k zM=h)Ta/kKY;hd},^NWRmU}Ԗcm59C( I5`hT2wV,], 1]͢0X,=, rEapQ( YjrEa0ZiS/fQ\'W( .B5 bM"5*9O͢0:p,.P;K.T( S+ͧ~/Y5`R( F5`Sy=2I"-S., YrE;]\fQ,Yjyͦs|Eө, rEa0JTbePN"}׳}׫-,.]n, &5`Q"77 Rȟq^ަ6XP( ]j|ɷs{ﻏ{S[.Vȏ5591<|#jdEapE͢0I4ic}v?Tk'Q 7~x)רϹF}εK_, %EKWhk-[-~d~gƮ8llXXҜmK9U51lg:_t6llvf?nIj!OegsQ69vvkšή,s}gs}g㹁܀>mHZtfQ\%"?l;N"E~oV,2cCZi99;soޜ;;Ab9Q"?^Nb~(PrEii^ꢹJkO[rE~lt`ltuurv_ƺ8n=ܿn{ۓߞ2%M,gmYNu۷]uttvg]wf'Ng:]xm ڶo2&њr~ТE/*?bC _XpD2%?q-Ue~?av*X= F}ˎ~:|{?$'q#'>R7ކx 'mUyݙ?ĶO]g3fܬJ?s<<ɫi8OnˮieqfMkgMyy!ӢeM|iy2)Lj>99'8Sv2SӜg̔M]qww odNI}Xk'dLJT⍮lkmT߀^6-ފwbDd J  C A? "2Q>: ̰EM\I`!Q>: ̰EMؒ:؎ fxڽmhGǟۻ$VC7-6 V/m?[.lr0$HjTڊPEh)XRKA*RB(33%qwfy@)-'jwHbeJBQnE'/3,YύVIƨTYMғ=^W矧.q[K$w_u{c^"&E G{4P?q:`Yj`95ZME;zc-DK#ؔzsٴ*3qy\\Yh1^NqTt/3vP!ja8'7K?R ۭζY, l&0sӟ?w^loEHm yj}]WYD0fjh_3cV\녬 Uk_ &Bm={ yn)_z@ﶰc>fuuuul7=`c`c`;v0#`G;vI`NMM; v< `.] v*u`nv>#G`Qhkc~0P :?Պ6C, Ǖw=t_[Lϭ|v<̭1O)9$MbڲXib[aV̡QŴewibڲD1m bbڲXRL[릯Ӗ[Ŵe^1mYl; vD&9ŴeŴ%]uiKv]Q! {CbuCCJaqxO7,Zej,"V2V200E}( EmPT2U(ʁz(ʁ( ꂢCQۡPN(*EU EPTE5E @Q@QY(* EuBQULi.LlֱuWjWwFջ k_#-a1ܦ:۪}_)zŕpkkdzd6WȤKٻ~[oM2휝gn}vv;.8(mjq}w׋VS`-L2pkɲ,ٴݑ 5D_Qr. ǯ\WZ)A+$K/Kũ~EU>Cn-ݢJ_ 6ҍ疨M&|K3K=hd4I"r/?{2Cm{D~Jφy>#d[||0_??K?n߮)Y-*w:O3&c vo.&cr~^x;W׸@#h6< Y$Jl.uj%¥Mi'n azL='DଆiYH65-Zw^wˍ#CeoZK+|;=î(k|2i>Ouk !V}2 Bۄjq͛]JDu5q4^49Kgfgqr_]hyW 7w1܈lb3Neuronske mree u usklaivanju ponude i potranje eurMarijana i Denis usari Normal.dotD MarijanatD15iMicrosoft Word 9.0s@.!3@ q@v ՜.+,D՜.+,` hp|   dgV, 3Neuronske mree u usklaivanju ponude i potranje Naslov 8@ _PID_HLINKSA\#mailto:emusser@inet.hrfDmailto:marijana@efos.hr,}Z-D:\radnja\radnja_docs\figures\Fig2.3_hrv.GIF  FDokument Microsoft Worda MSWordDocWord.Document.89q i4@4 NormalCJ_HmH sH tH 6@6 Naslov 1$@& 5mHsHB@B Naslov 2$$@&a$5CJ\mHsH6@6 Naslov 3$@& 6mH sH 6A@6 Zadani font odlomkaXC@X Uvu eno tijelo teksta7dh`7 mH sH u(U@( Hiperveza>*B*.B@. Tijelo teksta@Z@"@ Obi an tekstCJOJQJmH sH XS@2X Tijelo teksta, uvlaka 37dh`7mH sH *)@A* Broj straniceTR@RT Tijelo teksta, uvlaka 2 `OJQJ2@b2 Tekst fusnoteCJ@V@q@ SlijeenaHiperveza >*B* ph0 @0 Podno~je  _$8"@8 Opis slike$a$ 5CJ\2@2 Zaglavlje  _$6&@6 Referenca fusnoteH*c]5(06'7:;>?@ABTCCCDTVXfijzs-z z1IP$ r A /mpnDaw LMNO,=>  N O P Q V W stOPQrs%&&&M''((**++-----%..//y1z166V9W9[;\;=====DDDQGRGGGwIxIIIJJSSWWWW]_aaCa`aaabbccccVhWhllnnnnp=qttuuwwwMwNw||||tuȂɂʂڂ%klm~`ab{ɄCDET~JK'(эҍ#@A !anŖ^elmϗ֗ݗޗߗ-4;<Qnu|}~U\cdcdǞٞY`ghişƟ(/678ǠΠՠ֠נOV^_`aq~դ !ov}~>ELMb̦elst CZw$%arѯ '(PV^de~Ͱ԰۰01dfcd޾߾hiDEMN()bcDE~*+mnLh^.{Z- >x>ef0000000000000000000000000000000000 000000000000000000000000000000000000000000000000000000000000000000000000 0 0000a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a@0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a0a 0a0a 0a0a 0a0a 0a0a 0a0a 0a0a 0a0a 0a0a 0a0a 0 a0a 0 a0a 0 a0a 0 a0a 0 a0a 0a0a 0a0a 0a0a 0a0a 0a0a 0a0a 0a0a 0a0a 0a0a@0@0@0@0@0@0@0@0@0@0@0@0@0@0@0@0@0@0@0@0@0@0@0@0@0@0@0@0@0@0 0@0@0@0@0@0 000 #lHMd|{}P j\`ƐDNFdb:rx N _׍ޛ   -35,>>]t60&RZ +t,0-..P//b01;&==>?@^@AA:GHRI4JJrKKL>M W]^~_``(A'   !"#$%&'()*+,./01246:J%%%&,&.&&&&M'a'c'%.9.;.222222Ca\a^appp#<>ZsuXX::::::::::::!l,2$1U٬I@0(  B S  ?adwz*/)+O\ W : <  rtE8: 9;oq8:t^sACTY!!!E""""N#O#~##$$!$$$P%R%&&&&''z(|([)d)**+1+2+<+++<,,,,R-T---....`/b/00z111u2v222333444477::::\;====>>>O?T???@@AArAABBD[D\DDDbEEE6F8FFFFPGRGUGHHIvIIIJJJNN#O%O.P1P3P>PRRRRqSsSSTNUOUUUUVVWWW]]__aaBaaabbbCcFclnnnooo]ppp9q@XZa %.~!bfɄЄELTY "(ΆԆ KO &{ЍJLɏeg!pqwȒ68<>fn "~ǡhxCEaev~|~$ƭȭ#MO(/ ò _a1z`ln!333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333333awOQs%&&&M''--%..aCap=qɄ!ǞaqͰ߾MarijanaC:\Documents and Settings\Administrator\Application Data\Microsoft\Word\AutomatskiOporavak spremanje zekic_musser_rad_corrected.asdMarijanaC:\Documents and Settings\Administrator\Application Data\Microsoft\Word\AutomatskiOporavak spremanje zekic_musser_rad_corrected.asdMarijanaC:\Documents and Settings\Administrator\Application Data\Microsoft\Word\AutomatskiOporavak spremanje zekic_musser_rad_corrected.asdMarijanaC:\Documents and Settings\Administrator\Application Data\Microsoft\Word\AutomatskiOporavak spremanje zekic_musser_rad_corrected.asdMarijana4D:\kontinentalni_skup\zekic_musser_rad_corrected.docMarijanaC:\Documents and Settings\Administrator\Application Data\Microsoft\Word\AutomatskiOporavak spremanje zekic_musser_rad_corrected.asdMarijanaC:\Documents and Settings\Administrator\Application Data\Microsoft\Word\AutomatskiOporavak spremanje zekic_musser_rad_corrected.asdMarijanaC:\Documents and Settings\Administrator\Application Data\Microsoft\Word\AutomatskiOporavak spremanje zekic_musser_rad_ispravljen.asdMarijana5D:\kontinentalni_skup\zekic_musser_rad_ispravljen.docMarijana5D:\kontinentalni_skup\zekic_musser_rad_ispravljen.docUzM 2ȐX]& 8GbM& 1B >Q tQ)i.H^h8d`  B` vh8dt:Ơeb |B *hhh^h`o()h 88^8`OJQJo(hL^`L.h  ^ `.h  ^ `.hxLx^x`L.hHH^H`.h^`.hL^`L. hh^h`OJQJo(h^`.h^`.hpLp^p`L.h@ @ ^@ `.h^`.hL^`L.h^`.h^`.hPLP^P`L.hh^h`)hh^h`.hh^h`o() hh^h`OJQJo(hh^h`)^`OJPJQJ^Jo(- ^`OJQJo(o pp^p`OJQJo( @ @ ^@ `OJQJo( ^`OJQJo(o ^`OJQJo( ^`OJQJo( ^`OJQJo(o PP^P`OJQJo(hhh^h`.88^8`.L^`L.  ^ `.  ^ `.xLx^x`L.HH^H`.^`.L^`L.hh^h`.hh^h`o(.8 hh^h`OJQJo(8 hh^h`OJQJo(o8 88^8`OJQJo(8 ^`OJQJo(8   ^ `OJQJo(o8   ^ `OJQJo(8 xx^x`OJQJo(8 HH^H`OJQJo(o8 ^`OJQJo(hhh^h`.h88^8`.hL^`L.h  ^ `.h  ^ `.hxLx^x`L.hHH^H`.h^`.hL^`L. hh^h`OJQJo(>Q}MtQ&Uzd` B`bM&1eb |vh2.H^8dt} @ ^`OJQJo(}(20                $                 20                 U9:Z;= DQGȂɂʂڂ%lm~`ab{ɄCDETanŖ^elmϗ֗ݗޗߗ-4;<Qnu|}~U\cdǞٞY`ghişƟ(/678ǠΠՠ֠נOV^_`q~դ !ov}~>ELMb̦elstarѯ '(PV^de~Ͱ԰۰}mLg]-zY, =w=e@r rrrr$r'r-r.r1r5r>r?r@rArBrCrDrErFrGrHrIrMrNrOPQRSTUVY[abinopqrtz{|}~ԀԁԂԃԆԇԉԊԋԍԎԑԖԗԘԟԠԤԥԫ԰ԼԿbb```$@``*`0`2`H`N`Z`\`b`j`|`~`````````````<@````````````````````````````` ```````"`,`.`0`>`@`H`J`V```x`@``@``@``4@``@@UnknownGz Times New Roman5Symbol3& z Arial?5 z Courier NewY New YorkTimes New Roman;Wingdings"1hWd3fnVg!20d, 2Q2Neuronske mre~e u usklaivanju ponude i potra~nje Marijana i DenisMarijanaCompObjk