Professional Documents
Culture Documents
TO - Zadaci
TO - Zadaci
Teorijske osnove
Najpoznatije metode izbora koje primenjujemo u uslovima neizvesnosti su:
Navedene metode po ivaju na razli itim logi kim osnovama, zbog ega se i njihovi kona ni
izbori me usobno razlikuju.
Logiku svih metoda izbora objasni emo na istom ilustrativnom primeru. Tabela odlu ivanja
prikazuje ishode tri akcije izražene u nov anim dobicima ( u 000 din.), pri realizaciji etiri
mogu a doga aja:
Doga aj
Akcija
S1 S2 S3 S4
A1 1 5 16 4
A2 12 4 7 4
A3 9 9 5 5
Tabela odlu ivanja u kojoj su ishodi dati u nov anom izrazu (dobicima ili gubicima) naziva se
i tabelom isplata (ili matricom isplata).
2
doga aj maximax metod
Akcija
S1 S2 S3 S4 maxj uij maxi { maxj uij }
A1 1 5 16 4 16 16(A1)
A2 12 4 7 4 12
A3 9 9 5 5 9
3
Akcija Najgori ishod Najbolji ishod Hurvicov metod Optimalna
minj(uij)=ui maxj(uij)=Ui Ui +ui(1- ) akcija
A1 1 16 16⋅0.4+1⋅0.6=7
A2 4 12 12⋅0.4+4⋅0.6=7.2 A2(7.2)
A3 5 9 9⋅0.4+5⋅0.6=6.6
4
Doga aj Laplasov metod
Akcija
S1 S2 S3 S4 j 0.25*uij maxi { j 0.25*uij }
A1 1 5 16 4 6.5
A2 12 4 7 4 6.75
A3 9 9 5 5 7 A3(7)
verovatno a 0.25 0.25 0.25 0.25
5
1. zadatak. Posmatrajmo slede i problem izbora:
Tabela 1.
doga aj
akcija
S1 S2 S3 S4 S5
A1 7 3 5 9 15
A2 11 7 3 8 10
A3 9 4 9 10 3
A4 8 8 9 10 2
Rešenje:
a)
Optimalna
akcija Najgori ishod Najbolji ishod Hurvicov metod
akcija
A1 3 15 15*0.5+3*0.5=9 A1
A2 3 11 11*0.5+3*0.5=7
A3 3 10 10*0.5+3*0.5=6.5
A4 2 10 10*0.5+2*0.5=6
6
Tabela 5. Metod minimax kajanja (Sevidžov)
b) akcija A1 je najbolja po ve ini metoda ( etiri) pa je ona u ovom slu aju izabrana za
najbolju.
2. zadatak. Jelena Markovi planira da otvori studio za rekraciju za žene. Mogu e opcije su
aerobik i joga. Interesovanje za pojedine vidove rekreacije može biti malo, srednje i veliko.
Troškovi mese nog iznajmljivanja prostora su 700 evra, dok bi ukupni prihodi (u zavisnosti
od interesovanja) bili: za aerobik: 700, 1000 i 1500 evra (respektivno), za jogu: 500, 1200 i
1800 evra (respektivno). Postoji i mogu nost da odustane od projekta.
a. Sastavite tabelu odlu ivanja (ishode prikažite u vidu profita) i primenite sve metode
izbora (indeks optimizma je 0.3).
b. Šta bi ste sugerisali Jeleni?
c. Ako je Jelena izraziti optimista, za koju opciju e se opredeliti?
Rešenje:
a)
7
Tabela 8. Maximin metod
Optimalna
akcija Najgori ishod Najbolji ishod Hurvicov metod
akcija
A1 0 800 800*0.3+0*0.7=240 A1
A2 -200 1100 1100*0.3-200*0.7=190
b) akcija A2 je najbolja po tri primenjena metoda, dok je akcija A1 najbolja na osnovu dva
primenjena metoda. Na osnovu prethodnog zaklju ujemo da je akcija A2 bolji izbor.
c) u slu aju izrazitog optimizma izbor najbolje alternative vršimo primenom maximax
metoda i zaklju ujemo da je najbolja akcija A2.
8
3. zadatak. Posmatrajmo slede i problem izbora, u kojem proizvo a razmišlja da li da otvori
novi proizvodni pogon (ishodi predstavljaju o ekivani profit u mil.din.):
Tabela 12.
doga aj
akcija
S1-cene rastu S2-cene su stabilne S3-cene padaju
A1-mali pogon 3 2 -0.5
A2-velki pogon 4.5 1.6 -0.9
A3-ne investirati 0 0 0
a. Ako proizvo a želi da minimizira mogu e kajanje zbog loše odluke, koju akciju treba
da izabere?
b. Ako je proizvo a odlu io da svakako investira (tj. ako bira samo izmedju A1 i A2) za
koju e se akciju opredeliti na osnovu istog metoda?
c. Upredite dobijene rezultate i ako se razlikuju, objasnite uzrok.
Rešenje:
a. Formira emo tabelu gubitaka i izabrati najbolju akciju primenom Sevidžove metode:
Tabela 13.
Tabela gubitaka Sevidžov metod
akcija
S1 S2 S3 maxi kij mini {maxj kij}
A1 1.5 0 0.5 1.5
A2 0 0.4 0.9 0.9 A2
A3 4.5 2 0 4.5
9
Odlu ivanje u uslovima rizika
Teorijske osnove
A1 0.3⋅(-15)+0.6⋅465+0.1⋅800=354.5 354.5
A2 0.3⋅(-50)+0.6⋅400+0.1⋅1000=325
A3 0.3⋅(-100)+0.6⋅500+0.1⋅830=353
A4 0.3⋅0+0.6⋅0+0.1⋅0=0
10
Metod maksimalne o ekivane korisnosti (MOK)
Da bi primenili metod maksimalne o ekivane korisnosti potrebno je da sve ishode u tabeli
odlu ivanja izraziti njihovim kardinalnim korisnostima. O ekivana korisnost akcije je jednaka
zbiru proizvoda njenih ishoda (izraženim u jedinicama kardinalne korisnosti) i verovatno a
njihovog javljanja (verovatno a doga aja):
n n
u ( Ai ) = OK ( Ai ) = p j ⋅ u (ν ij ) = p j ⋅ u ij , i=1,2,....,m
j =1 j =1
Primer:
Doga aj O ekivana korisnost
Akcija MOK
S1 S2 OK(Ai)
A1 0 1 0.5⋅0+0.5⋅1=0.5
A1 0.65 0.95 0.5⋅0.65+0.5⋅0.95=0.8 0.8(A2)
Verovatno a 0.5 0.5
11
1 zadatak. Objasnite razliku izmedju ordinalne i kardinalne korisnosti.
Rešenje:
Na osnovu ordinalne korisnosti može se formirati rang-lista opcija ali se ne mogu meriti
razlike u preferencijama izmedju svake dve opcije. Kardinalne korisnosti se izražavaju na
intervalnoj skali što omogu uje da se precizno mere razlike u preferencijama izmedju svake
dve opcije.
2 zadatak. Koje uslove racionalnosti treba da ispunjavamo da bismo ishodima akcija mogli
da pridružimo kardinalne korisnosti? Koji od ovih uslova je po vašem mišljenju najteže
ispuniti?
Rešenje:
Da bismo ishodima akcija mogli da pridružimo kardinalne korisnosti potrebno je da pored
uslova asimetri nosti, kompletnosti i tranzitivnosti budu zadovoljena i slede a etiri uslova
racionalnosti:
1. kontinuitet preferencija
2. zamenljivost (mogu nost supstitucije)
3. monotonost
4. redukcija složenih lutrija
12
u(x1)=0 i u(xn)=1. Tada, korisnosti opcije xi iznosi:
u(xi)=qi·1+(1-qi)·0=qi, i=2,3,..,n-1,
2. (u(x)-u(y))/(u(y)-u(z))=(100-50)/(50-25)=50/25=2/1
sledi da alternativu x u odnosu na y preferiramo dva puta više nego što alternativu y
preferiramo u odnosu na z.
5. zadatak. Moma Markovi želi da konstruiše svoju funkciju korisnosti novca u intervalu od
–50 000 din. do 100 000 din. Ovim nov anim iznosima on je proizvoljno pripisao korisnosti 0
i 10 respektivno. Zatim je proizvoljno izabrao tri nov ana iznosa iz ovog intervala i odredio je
verovatno e sticanja dobitaka u referentnim lutrijama (D je 100 000 din., a G je -50 000 din.),
za koje bi bio indiferentan izmedju sigurnog nov anog iznosa i u eš a u igri:
Tabela 1.
13
Rešenje:
Korisnosti opcije xi ra unamo kao:
u(xi)=qi*u(xn)+(1-qi)*u(xn)
Sledi da je:
u(-25000)=0.5*10+0.5*0=5
u(0)=0.75*10+0.25*0=7.5
u(50000)=0.95*10+0.05*0=9.5
Što je prikazano i tabelarno:
Tabela 2.
Na osnovu vrednosti iz prethodne tabele crtamo grafik koji predstavlja funkciju korisnosti:
10
u(20000)=8.59
6
u(x)
u(-30000)=4
4
u(-40000)=2.19
2
Slika 1.
14
6 zadatak. Nov ani ishodi akcija su prikazani u tabeli odlu ivanja:
Tabela 3.
Nivo tražnje
Akcija
S1- Nizak S2- Prose an S3-Visok
A1 -20 40 80
A2 -50 30 100
A3 0 0 0
Verovatno a (pi) 0.30 0.60 0.10
Donosilac odluke je vrednosti nov anih ishoda izrazio u korisnostima na slede i na in:
Tabela 4.
Nov ani iznos kardinalna korisnost
-50 0
-25 5
0 7.5
50 9.5
100 10
Rešenje:
10
9.6
9.1 9.4
6 5.5
korisnost (u)
0
-40 -20 0 20 40 60 80 100
novcani ishod
Slika 2.
15
u(-20)=5.5
u(40)=9.4
u(80)=9.6
u(-50)=0
u(30)=9.1
u(100)=10
Tabela 5.
Nivo tražnje
Akcija
S1- Nizak S2- Prose an S3-Visok
A1 5.5 9.4 9.6
A2 0 9.1 10
A3 7.5 7.5 7.5
Verovatno a (pi) 0.30 0.60 0.10
U(A1)=OK(A1)=p1u11+p2u12+p3u13=0.30*5.5+0.60*9.4+0.10*9.6=8.25
U(A2)=OK(A2)=p1u21+p2u22+p3u23=0.30*0+0.60*9.1+0.10*10=6.46
U(A3)=OK(A3)=p1u31+p2u32+p3u33=0.30*7.5+0.60*7.5+0.10*7.5=7.5
16
Rešenje:
u(A1)=OK(A1)=p1u11+p2u12+p3u13=0.2*0.8+0.4*0.65+0.4*0.05=0.44
u(A2)=OK(A2)=p1u21+p2u22+p3u23=0.2*1+0.4*0.6+0.4*0=0.44
u(A3)=OK(A3)=p1u31+p2u32+p3u33=0.2*0.3+0.4*0.3+0.4*0.3=0.42
OK(A1)=OK(A2)>OK(A3)
Kardinalna korisnost
u u,=2u+3
0.8 4.6
1 5
0.3 3.6
0.65 4.3
0.6 4.2
0.3 3.6
0.05 3.1
0 3
0.3 3.6
c)
Tabela 8.
dogadjaj
akcija
S1-cene rastu S2-cene su stabilne S3-cene padaju
A1-mali pogon 4.6 4.3 3.1
A2-veliki 5 4.2 3
A3-ne investirati 3.6 3.6 3.6
u(A1)=OK(A1)=p1u11+p2u12+p3u13=0.2*4.6+0.4*4.3+0.4*3.1=3.88
u(A2)=OK(A2)=p1u21+p2u22+p3u23=0.2*5+0.4*4.2+0.4*3=3.88
u(A3)=OK(A3)=p1u31+p2u32+p3u33=0.2*3.6+0.4*3.6+0.4*3.6=2.16
OK(A1)=OK(A2)>OK(A3)
Ponovo zaklju ujemo da smo indiferentni izmedju akcija A1 i A2 koje preferiramo u odnosu
na A3.
17
8. zadatak. Razmišljate da plasirate novi proizvod na tržište, koji može biti »pun pogodak« ili
»velika greška«. Verovatno a da proizvod bude prihva en je 0.30, u kom slu aju e ostvareni
profit biti 500 000 din. U slu aju da proizvod ne bude prihva en, izgubi ete 200 000 dinara.
a) Prikažite problem drvetom odlu ivanja. i izra unajte o ekivane vrednosti akcija
(»proizvoditi« i »odustati od proizvodnje«). Šta ete odlu iti?
b) Izra unajte korisnosti mogu ih ishoda i primenite metod MOK. Da li bi se vaša odluka
sada promenila?
Rešenje:
Doga aj
akcija
Prihva en proizvod Neprihva en proizvod
A1- Proizvoditi 500 000 -200 000
A2- Odustati od proizvodnje 0 0
Verovatno a (pi) 0.3 0.7
prihvacen proizvod
0.3 500000
proizvoditi 500000
0
10000 neprihvacen proizvod
Root 0.7 -200000
-- -200000
10000
odustati od proizvodnje
0
0
Slika 3.
18
vrednosti ishoda akcija zameniti njihovim kardinalnim korisnostima. Nov ani iznosi su: 500
000 din, 0 din. i –200 000 din. Najboljem ishodu (500 000 din.) dodeljujemo korisnost 1, dok
najnepovoljnijem ishodu (-200 000 din.) dodeljujemo korisnost 0. Zatim formulišemo
referentnu lutriju L, iji je dobitak jednak najboljem ishodu 500 000 din., a gubitka najgorem
–200 000 din. Korisnost ishoda 0 din. odre ujemo na osnovu metoda standardne igre tj. za
iznos od 0 din. nalazimo odgovor na pitanje: kolika treba da je verovatno a (q) dobijanja 500
000 din. u lutriji L, za koju bismo bili indiferentni izme u sigurnog dobitka 0 din. i u eš a na
lutriji gde dobitak iznosi 500 000 din. a gubitak iznosi 200 000 din.
Pretpostavimo da smo izabrali q=0.7. Tada korisnost ishoda 0 din. ra unamo kao:
U(0)=0.7*1+(1-0.7)*0=0.7
Sada možemo formirati tabelu odlu ivanja gde emo nov ane iznose zameniti njihovm
kardinalnim korisnostima:
Tabela 10.
Doga aj
akcija
Prihva en proizvod Neprihva en proizvod
A1- Proizvoditi 1 0
A2- Odustati od proizvodnje 0.7 0.7
Verovatno a (pi) 0.3 0.7
O ekivana korisnost akcije je jednaka zbiru proizvoda njenih ishoda (izraženih u jedinicama
kardinalne korisnosti) i verovatno a njihovog javljanja (verovatno a dogadjaja):
u(A1)=OK(A1)=p1u11+p2u12+p3u13=0.3*1+0.7*0=0.3
u(A2)=OK(A2)=p1u21+p2u22+p3u23=0.3*0.7+0.7*0.7=0.7
9. zadatak. Pretpostavimo da imamo veoma bogatog prijatelja, koji nam iz hira nudi da
izaberemo jednu od slede e dve igre:
A1: Baci u nov i i ako padne »pismo« ne eš dobiti ništa, a ako padne »grb« da u ti 3
miliona dinara;
A2: Baci u nov i i ako padne »pismo« da u ti milion dinara, a ako padne »grb« da u ti 2
miliona dinara;
Metodama maksimalne o ekivane vrednosti (MOV) i maksimalne o ekivane korisnosti
(MOK) odrediti najbolje akcije i uporediti dobijene rezultate.
19
Rešenje:
20
Sada možemo formirati novu tabelu odlu ivanja gde emo nov ane iznose zameniti njihovim
kardinalnim korisnostima:
Tabela 12.
Doga aj
Akcija
S1-Pismo S2-Grb
A1 0 1
A2 0.65 0.95
Verovatno a 0.5 0.5
O ekivana korisnost akcije je jednaka zbiru proizvoda njenih ishoda (izraženih u jedinicama
kardinalne korisnosti) i verovatno a njihovog javljanja (verovatno a dogadjaja):
u(A1)=OK(A1)=p1u11+p2u12 =0.5*0+0.5*1=0.5
u(A2)=OK(A2)=p1u21+p2u22 =0.5*0.65+0.5*0.95=0.8
21
Dopunska informacija i njena cena
Teorijske osnove
Bayesova teorema
Bayesova teorema predstavlja jedan od najpoznatijih, i za teoriju odlu ivanja posebno
zna ajnih, rezultata teorije verovatno e. Ime je dobila po autoru Thomasu Bayesu (1702-
1761.), engleskom matemati aru i teologu. Ova teorema omogu uje da se, na osnovu
prikupljenih informacija, izvrše korekcije polaznih uverenja u realizaciju posmatranih
doga aja.
Posmatra se kompletan skup disjunktnih doga aja, S={S1, S2,...,Sj,...,Sn}. To zna i da se
jedan od njih mora realizovati, v( S j ) = 1 kao i da pojava jednog doga aja isklju uje
j
posteriori).
22
Potpuna (savršena) informacija i njena cena
Primer: Uprava odeljenja za marketing razmatra dve mogu e situacije vezane za novi
proizvod: predstaviti ga ili ne na tržištu, što odgovara akcijama A1 i A2, respektivno.
Pretpostavimo da uprava razmatra samo potražnju, koja se razmatra kao niska, najverovatnija
i visoka, što odgovara stanjima S1, S2 i S3, respektivno.
Na upravi je da odredi pla anja i definiše apriori verovatno e. Ukoliko se predstavi novi
proizvod, uprava o ekuje profit od -2.000.000 din. za S1, 1.500.000 din. za S2, i 4.000.000
din. za S3. U slu aju da se proizvod ne predstavi tržištu, profit je uvek jednak nuli, nezavisno
od stanja. Dodeljene apriori verovanto e su v(S1)=0.25, v(S2)=0.50 i v(S3)=0.25. Pla anje
(profit) je prikazano slede om tabelom:
Doga aj
Akcija
S1- niska tražnja S2- srednja tražnja S1- visoka tražnja
A1 -2 000 000 1 500 000 4 000 000
A2 0 0 0
Verovatno a 0.25 0.50 0.25
U idealnom slu aju mogu e je pribaviti savršenu informaciju, koja sa sigurnoš u otkriva
budu e stanje na tržištu i uslove rizika pretvara u uslove izvesnosti. Umesto rasporeda
verovatno a budu e potražnje, savršena informacija izdvaja jedno stanje. Na taj na in, ona
odluku ini trivijalnom, odnosno, svodi je na izbor akcije kojom se, u poznatim tržišnim
okolnostima, postiže najbolji rezultat. Na primer, ako informacija pokazuje da e potražnja
biti niska, v(S1)=l, onda bi se donosioc odluke opredelio za akciju A2, tj. odustajanje od
novog proizvoda; ako informacija nedvosmisleno pokazuje da e se realizovati prose na
tražnja, v(S2)=1, donosioc odluke bi se opredelio za novi proizvod A1; i ako se sa sigurnoš u
predvi a visoka potražnja, v(S3)=1, onda bi donosioc odluke sugerisao proizvodnju A1.
Ali, problem sa informacijom je nepoznat sadržaj pre kupovine, tj., prvo se treba odlu iti da li
kupiti ili ne savršenu informaciju, i tek ako se kupi, donosioc odluke saznaje budu e stanje na
tržištu i efekte akcije koja e biti izabrana u datim okolnostima.
U toj situaciji odluka o kupovini informacije donosi se na osnovu o ekivanih vrednosti u
uslovima izvesnosti (OVUI). OVUI predstavlja prose an profit koji bi bio ostvaren u dugom
nizu kada bi se odlu ivalo u uslovima izvesnosti. Tada bi donosioc odluke pre svakog izbora
akcije ta no znao budu e stanje na tržištu. Prema tome, OVUI predstavlja ponderisani zbir
verovatno a javljanja pojedinih doga aja i maksimalnih rezultata koje je u svakom od njih
mogu e posti i.
23
n
OVUI = [
p j ⋅ max i ν ij ]
j =1
24
Metod ELECTRE I (ELimination and ET Choice Translating
REality)
Energana kupac parnih kotlova je u situaciji da bira izme u etiri modela: a1, a2, a3 i a4. Izbor
e izvršiti koriste i slede e kriterijume:
REŠENJE :
170 7 1600 60 7
200 12 1200 90 9
O :=
180 9 1500 75 5
160 6 1700 50 3
61
korak 1: Izra unavanje normalizovane matrice odlu ivanja N
x ij
n ij =
m
x ij2
j=1
gde je xij – vrednost akcije ai, i = 1,2, ...,m u odnosu na atribut j, kj, j = 1,2,...,n.
Tako da su:
x12 7 7
n12 = = = = 0.397
m 2
7 + 12 + 9 + 6 2 2 2 17.60
xij2
j =1
x14 60 60
n14 = = = = 0.426
m 2
60 + 90 + 75 + 50 2 2 2 140.80
xij2
j =1
x15 7 7
n15 = = = = 0.546
m 2
7 +9 +5 +3 2 2 2 12.81
xij2
j =1
x22 12 12
n22 = = = = 0.681
m
7 2 + 12 2 + 9 2 + 6 2 17.60
xij2
j =1
62
x 24 90 90
n24 = = = = 0.639
m 2
60 + 90 + 75 + 50 2 2 2 140.80
xij2
j =1
x25 9 9
n25 = = = = 0.702
m 2
7 +9 +5 +3 2 2 2 12.81
xij2
j =1
x32 9 9
n32 = = = = 0.511
m 2
7 + 12 + 9 + 6 2 2 2 17.60
xij2
j =1
x34 75 75
n34 = = = = 0.532
m 2
60 + 90 + 75 + 50 2 2 2 140.80
xij2
j =1
x35 5 5
n35 = = = = 0.390
m 2
7 +9 +5 +3 2 2 2 12.81
xij2
j =1
x42 6 6
n42 = = = = 0.340
m
7 2 + 12 2 + 9 2 + 6 2 17.60
xij2
j =1
63
x 44 50 50
n44 = = = = 0.355
m 2 2
60 + 90 + 75 + 50 2 2 140.80
xij2
j =1
x45 3 3
n45 = = = = 0.234
m 2
7 +9 +5 +32 2 2 12.81
xij2
j =1
Donosilac odluke aktivno u estvuje u proceduri rešavanja problema i odre uje preference,
odnosno težine korisni kih kriterijuma, posle ega se izra unava težinska normalizovana
matrica odlu ivanja.
TN = N ⋅ T
64
korak 3: Odre ivanje skupova saglasnosti S i nesaglasnosti NS
U ovom koraku upore uju se parovi akcija p i r (p,r = 1,2,...,m i p ≠ r). Najpre se formira skup
saglasnosti Spr za akcije ap i ar, koji se sastoji od svih kriterijuma (J = {j|j=1,...,n}), za koje je
akcija ap poželjnija od akcije ar, odnosno:
Matrica saglasnosti odre uje se na osnovu skupa saglasnosti. Elemente matrice ine indeksi
saglasnosti, ija je vrednost jednaka sumi težinskih koeficijenata koji odgovaraju
pripadaju im elementima skupova saglasnosti.
s pr = tj
j∈S pr
s11 = 0
s12 = t2 + t3 + t4 = 0.2 + 0.1 + 0,3 = 0.6
s13 = t2 + t3 + t4 + t5 = 0,2 + 0.1 + 0.3 + 0.3 = 0.9
65
s14 = t1 + t5 = 0.1 + 0.3 = 0.4
s31 = t1 = 0.1
s32 = t2 + t3 + t4 = 0,2 + 0.1 + 0.3 = 0.6
s33 = 0
s34 = t1 + t5 = 0.1 + 0.3 = 0.4
Matrica nesaglasnosti odre uje se na osnovu skupa nesaglasnosti. Elemente matrice ine
indeksi nesaglasnosti, koji se odre uju na osnovu formule:
max tn pj − tn rj
j∈NS pr
ns pr =
max tn pj − tn rj
j∈J
0.04685
ns12 = = 0.7329
0.06392
66
0.0028
ns13 = = 0.0599
0.0468
0.0213
ns14 = = 0.22743
0.0937
0.0639
ns 21 = =1
0.0639
0.0341
ns 23 = = 0.3637
0.0937
0.0852
ns 24 = = 0.6064
0.14055
0.04685
ns31 = =1
0.04685
0.0937
ns32 = =1
0.0937
67
max ( tn32 − tn42 , tn33 − tn43 , tn34 − tn44 )
j∈NS34
ns34 =
max ( tn31 − tn41 , tn32 − tn42 , tn33 − tn43 , tn34 − tn44 , tn35 − tn45 )
j∈J
0.0531
ns34 = =1
0.0531
0.0937
ns 41 = =1
0.0937
0.1405
ns 42 = =1
0.1405
0.0468
ns 43 = = 0.8794
0.0532
68
korak 6: Odre ivanje matrice saglasne dominacije MSD
Matrica saglasne dominacije odre uje se na osnovu vrednosti praga indeksa saglasnosti, koji
se može definisati kao prose ni indeks saglasnosti:
m m
s pr
p =1 r =1
PIS =
m(m − 1)
pri emu je p ≠ r.
0 + 0.6 + 0.9 + 0.4 + 0.4 + 0 + 0.4 + 0.4 + 0.1 + 0.6 + 0 + 0.4 + 0.6 + 0.6 + 0.6 + 0 6
PIS = = = 0,50
4(4 − 1) 12
0 1 1 0
0 0 0 0
MSD : =
0 1 0 0
1 1 1 0
Matrica nesaglasne dominacije izra unava se analogno MSD; najpre se ra una prose an
indeks nesaglasnosti:
m m
ns pr
p =1 r =1
PINS =
m(m − 1)
pri emu je p ≠ r.
69
mnsdpr = 1 za nspr ≤ PINS
8,9599
= = 0.7391
12
0 1 1 1
0 0 1 1
MNSD : =
0 0 0 0
0 0 0 0
ad pr = sd pr ⋅ nsd pr
0 1 1 0
0 0 0 0
MAD : =
0 0 0 0
0 0 0 0
70
korak 9: Eliminisanje manje poželjnih akcija (“ → ” = “dominira”)
A1 A2 A3 A4
A1 0 1 1 0 A1 → A2, A3
A2 0 0 0 0 A2 ne dominira
A3 0 0 0 0 A3 ne dominira
A4 0 0 0 0 A4 ne dominira
Alternativa A1 dominira nad A2 i A3, dok ostale alternative (A2, A3 i A4) ne dominiraju, tako
da je alternativa A1 najprihvatljivija.
C1 C2 C3 C4 C5
atribut Broj
Veli ina Trajanje
Cena Efikasnost angažovanih
auditorijuma promocije
osoba.
min/max min max max max min
News 60 900 22 51 8
Herald 30 520 31 13 1
Panels 40 650 20 58 2
Mailing 92 750 60 36 3
CMM 52 780 58 90 1
NCB 80 920 4 75 6
71
Polazna matrica
C1 C2 C3 C4 C5
Tip ekstrema min max max max min
A1 60 900 22 51 8
A2 30 520 31 13 1
A3 40 650 20 58 2
A4 92 750 60 36 3
A5 52 780 58 90 1
A6 80 920 4 75 6
Tez. koef. 0.12 0.40 0.12 0.22 0.14
x ij
n ij =
m
x ij2
j=1
gde je xij – vrednost akcije ai, i = 1,2, ...,m u odnosu na atribut j, kj, j = 1,2,...,n.
Tako da su:
x11 60
n11 = = = 0.39001
m
2 60 2 + 30 2 + 40 2 + 92 2 + 52 2 + 80 2
x ij
j =1
x12 900
n12 = = = 0.47969
m
900 + 520 + 650 2 + 750 2 + 780 2 + 920 2
2 2
xij2
j =1
x13 22
n13 = = = 0.23419
m
22 + 31 + 20 2 + 60 2 + 58 2 + 4 2
2 2
xij2
j =1
x14 51
n14 = = = 0.35064
m
2 51 + 13 + 58 + 36 2 + 90 2 + 75 2
2 2 2
x ij
j =1
72
x15 8
n15 = = = 0.74600
m
2 8 + 1 + 2 + 3 2 + 12 + 6 2
2 2 2
x ij
j =1
x 21 30
n 21 = = = 0.195
m
2 60 2 + 30 2 + 40 2 + 92 2 + 52 2 + 80 2
x ij
j =1
x 22 520
n 22 = = = 0.27715
m
2 900 + 520 + 650 2 + 750 2 + 780 2 + 920 2
2 2
x ij
j =1
x 23 31
n 23 = = = 0.32999
m
2 22 2 + 312 + 20 2 + 60 2 + 58 2 + 4 2
x ij
j =1
x 24 13
n 24 = = = 0.08938
m
51 + 13 + 58 + 36 2 + 90 2 + 75 2
2 2 2
xij2
j =1
x 25 1
n 25 = = = 0.09325
m
2 8 + 1 + 2 + 3 2 + 12 + 6 2
2 2 2
x ij
j =1
x31 40
n31 = = = 0.26000
m
2 60 2 + 30 2 + 40 2 + 92 2 + 52 2 + 80 2
x ij
j =1
x32 650
n32 = = = 0.34644
m
2 900 + 520 + 650 2 + 750 2 + 780 2 + 920 2
2 2
x ij
j =1
73
x33 20
n33 = = = 0.21290
m
2 22 + 31 + 20 2 + 60 2 + 58 2 + 4 2
2 2
x ij
j =1
x34 58
n34 = = = 0.39877
m
2 51 + 13 + 58 + 36 2 + 90 2 + 75 2
2 2 2
x ij
j =1
x35 2
n35 = = = 0.18650
m
2 8 + 1 + 2 + 3 2 + 12 + 6 2
2 2 2
x ij
j =1
x 41 92
n 41 = = = 0.59801
m
2 60 + 30 + 40 + 92 2 + 52 2 + 80 2
2 2 2
x ij
j =1
x 42 750
n 42 = = = 0.39974
m
2 900 2 + 520 2 + 650 2 + 750 2 + 780 2 + 920 2
x ij
j =1
x 43 60
n 43 = = = 0.63870
m
2 22 + 31 + 20 2 + 60 2 + 58 2 + 4 2
2 2
x ij
j =1
x 44 36
n 44 = = = 0.24751
m
2 51 + 13 + 58 + 36 2 + 90 2 + 75 2
2 2 2
x ij
j =1
x 45 3
n 45 = = = 0.27975
m
2 8 2 + 12 + 2 2 + 3 2 + 12 + 6 2
x ij
j =1
74
x51 52
n51 = = = 0.33800
m
2 60 + 30 + 40 + 92 2 + 52 2 + 80 2
2 2 2
x ij
j =1
x52 780
n52 = = = 0.41573
m
2 900 2 + 520 2 + 650 2 + 750 2 + 780 2 + 920 2
x ij
j =1
x53 58
n53 = = = 0.61741
m
2 22 + 31 + 20 2 + 60 2 + 58 2 + 4 2
2 2
x ij
j =1
x54 90
n54 = = = 0.61878
m
2 51 + 13 + 58 + 36 2 + 90 2 + 75 2
2 2 2
x ij
j =1
x55 1
n55 = = = 0.09325
m
2 8 2 + 12 + 2 2 + 3 2 + 12 + 6 2
x ij
j =1
x61 80
n61 = = = 0.52001
m
2 60 + 30 + 40 + 92 2 + 52 2 + 80 2
2 2 2
x ij
j =1
x62 920
n62 = = = 0.49035
m
2 900 2 + 520 2 + 650 2 + 750 2 + 780 2 + 920 2
x ij
j =1
x63 4
n63 = = = 0.04258
m
2 22 + 31 + 20 + 60 2 + 58 2 + 4 2
2 2 2
x ij
j =1
75
x64 75
n64 = = = 0.51565
m
2 51 + 13 + 58 + 36 2 + 90 2 + 75 2
2 2 2
x ij
j =1
C1 C2 C3 C4 C5
A1 0.390 0.47969 0.23419 0.35064 0.746
A2 0.195 0.277 0.330 0.089 0.093
A3 0.260 0.346 0.213 0.399 0.187
A4 0.598 0.400 0.639 0.248 0.28
A5 0.338 0.416 0.617 0.619 0.093
A6 0.520 0.490 0.043 0.516 0.560
Donosilac odluke aktivno u estvuje u proceduri rešavanja problema i odre uje preference,
odnosno težine korisni kih kriterijuma, posle ega se izra unava težinska normalizovana
matrica odlu ivanja.
TN = N ⋅ T
C1 C2 C3 C4 C5
A1 0.047 0.192 0.028 0.077 0.104
A2 0.023 0.111 0.04 0.02 0.013
A3 0.031 0.139 0.026 0.09 0.026
A4 0.072 0.160 0.077 0.054 0.039
A5 0.041 0.166 0.074 0.136 0.013
A6 0.062 0.196 0.055 0.1134 0.078
76
korak 3: Odre ivanje skupova saglasnosti S i nesaglasnosti NS
U ovom koraku upore uju se parovi akcija p i r (p,r = 1,2,...,m i p ≠ r). Najpre se formira skup
saglasnosti Spr za akcije ap i ar, koji se sastoji od svih kriterijuma (J = {j|j=1,...,n}), za koje je
akcija ap poželjnija od akcije ar, odnosno:
77
korak 4: Odre ivanje matrice saglasnosti MS
Matrica saglasnosti odre uje se na osnovu skupa saglasnosti. Elemente matrice ine indeksi
saglasnosti, ija je vrednost jednaka sumi težinskih koeficijenata koji odgovaraju
pripadaju im elementima skupova saglasnosti.
s pr = tj
j∈S pr
S11=0
S12=t2+t4=0.40+0.22=0.62
S13=t2+t3=0.40+0.12=0.52
S14=t1+t2+t4=0.12+0.40+0.22=0.74
S15=t2=0.40
S16=t1+t3=0.12+0.12=0.24
S21=t1+t3+t5=0.12+0.12+0.14=0.38
S22=0
S23=t1+t3+t5=0.12+0.12+0.14=0.38
S24=t1+t5=0.12+0.14=0.26
S25=t1+t5=0.12+0.14=0.26
S26=t1+t3+t5=0.12+0.12+0.14=0.38
S31=t1+t4+t5=0.12+0.22+0.14=0.48
S32=t2+t4=0.40+0.22=0.62
S33=0
S34= t1+t4+t5=0.12+0.22+0.14=0.48
S35=t1=0.12
S36= t1+t3+t5=0.12+0.12+0.14=0.38
S41= t3+t5=0.12+0.14=0.26
S42=t2+t3+t4=0.40+0.12+0.22=0.74
S43= t2+t3=0.40+0.12=0.52
S44=0
S45=t3=0.12
S46= t3+t5=0.12+0.14=0.26
S51= t1+t3+t4+t5=0.12+0.12+0.22+0.14=0.60
S52= t2+t3+t4+t5=0.40+0.12+0.22+0.14=0.88
S53= t2+t3+t4+t5=0.40+0.12+0.22+0.14=0.88
S54= t1+t2+t4+t5=0.12+0.40+0.22+0.14=0.88
S55=0
S56= t1+t3+t4+t5=0.12+0.12+0.22+0.14=0.60
S61= t2+t4+t5=0.40+0.22+0.14=0.76
S62= t2+t4=0.40+0.22=0.62
S63= t2+t4=0.40+0.22=0.62
S64= t1+t2+t4=0.12+0.40+0.22=0.74
S65= t2=0.40
S66=0
78
Matrica saglasnosti:
A1 A2 A3 A4 A5 A6
A1 0 0.62 0.52 0.74 0.40 0.24
A2 0.38 0 0.38 0.26 0.26 0.38
A3 0.48 0.62 0 0.48 0.12 0.38
A4 0.26 0.74 0.52 0 0.12 0.26
A5 0.60 0.88 0.88 0.88 0 0.60
A6 0.76 0.62 0.62 0.74 0.40 0
Matrica nesaglasnosti odre uje se na osnovu skupa nesaglasnosti. Elemente matrice ine
indeksi nesaglasnosti, koji se odre uju na osnovu formule:
max tn pj − tn rj
j∈NS pr
ns pr =
max tn pj − tn rj
j∈J
ns12 = 1
ns13 = 1
ns14 = 1
79
max ( tn11 − tn51 , tn13 − tn53 , tn14 − tn54 tn15 − tn55 )
j∈ NS15
ns15 =
max( tn11 − tn51 , tn12 − tn52 , tn13 − tn53 , tn14 − tn54 , tn15 − tn55 )
j∈ J
ns15 = 1
ns16 = 1
ns 21 = 0.887
ns 23 = 1
ns 24 = 1
ns 25 = 1
ns 26 = 1
80
max ( tn32 − tn12 , tn33 − tn13 )
j ∈ NS 31
ns31 =
max( tn31 − tn11 , tn32 − tn12 , tn33 − tn13 , tn34 − tn14 , tn35 − tn15 )
j∈ J
ns 31 = 0.680
ns32 = 0.206
ns34 = 1
ns35 = 1
ns36 = 1
ns 41 = 0.490
ns 42 = 0.986
81
max ( tn41 − tn31 , tn44 − tn34 tn45 − tn35 )
j ∈ NS 43
ns43 =
max( tn41 − tn31 , tn42 − tn32 , tn43 − tn33 , tn44 − tn34 , tn45 − tn35 )
j∈ J
ns 43 = 0.794
ns 45 = 1
ns 46 = 0.825
ns 51 = 0.280
ns52 = 0.147
ns53 = 0.193
ns54 = 0.031
82
ns56 = 0.433
ns 61 = 0.633
ns 62 = 0.696
ns 63 = 0.907
ns 64 = 1
ns 65 = 1
Matrica nesaglasnosti:
A1 A2 A3 A4 A5 A6
A1 0 1.00 1.000 1.000 1.000 1.000
A2 0.887 0 1.000 1.000 1.000 1.000
A3 0.680 0.206 0 1.000 1.000 1.000
A4 0.490 0.986 0.794 0 1.000 0.825
A5 0.280 0.147 0.193 0.031 0 0.433
A6 0.633 0.696 0.907 1.000 1.000 0
83
korak 6: Odre ivanje matrice saglasne dominacije MSD
Matrica saglasne dominacije odre uje se na osnovu vrednosti praga indeksa saglasnosti, koji
se može definisati kao prose ni indeks saglasnosti:
m m
s pr
p =1 r =1
PIS =
m(m − 1)
pri emu je p ≠ r.
0 + 0.62 + 0.52 + 0.74 + 0.40 + 0.24 + 0.38 + 0 + 0.38 + ... + 0.74 + 0.40 + 0
PIS =
6(6 − 1)
15.14
= =0.505
30
Matrica saglasne dominacije:
A1 A2 A3 A4 A5 A6
A1 0 1 1 1 0 0
A2 0 0 0 0 0 0
A3 0 1 0 0 0 0
A4 0 1 1 0 0 0
A5 1 1 1 1 0 1
A6 1 1 1 1 0 0
Matrica nesaglasne dominacije izra unava se analogno MSD; najpre se ra una prose an
indeks nesaglasnosti:
m m
ns pr
p =1 r =1
PINS =
m(m − 1)
pri emu je p ≠ r.
84
Potom se formira matrica nesaglasne dominacije na osnovu slede eg kriterijuma:
A1 A2 A3 A4 A5 A6
A1 0 0 0 0 0 0
A2 0 0 0 0 0 0
A3 1 1 0 0 0 0
A4 1 0 0 0 0 0
A5 1 1 1 1 0 1
A6 1 1 0 0 0 0
ad pr = sd pr ⋅ nsd pr
85
Metodi PROMETHEE I-IV
Primer: Za potrebe objašnjenja primene metoda PROMETHEE posluži e napred dati primer.
1. zadatak. Kupac privatnog automobila je u situaciji da bira izme u etiri modela: a1, a2, a3 i
a4. Izbor e izvršiti koriste i slede e kriterijume:
A1 – maksimalna brzina (km/h)
A2 – potrošnja goriva (milja/galonu, pa se zato maksimizira)
A3 – mogu nost optere enja (kp)
A4 – cena (107 din)
A5 – pouzdanost (kvalitativna ocena)
A6 – sposobnost manevrisanja (kvalitativna ocena)
Po etna matrica odlu ivanja ima oblik:
Koriste i pristup tzv. bipolarnih skala, a za opseg skale od 0 do 10, gde je 1 – vrlo nizak nivo,
3 – nizak, 5 – srednji (prose-ni), 7 – visok, i 9 – vrlo visok nivo, matrica odlu ivanja je u
potpunosti kvantifikovana:
86
korak 1: Definisanje tipa, parametara i težina kriterijuma
Donosioc odluke aktivno u estvuje u proceduri rešavanja problema i odre uje tipove opšteg
kriterijuma, parametre i težine korisni kih kriterijuma.
U ovom slu aju, donosilac odluke je izabrao slede e parametre:
87
Tabela 17.
88
korak 2: Odre ivanje funkcija preferencije Pj(ai, as)
Funkcija preferencije odre uje se na osnovu razlike vrednosti kriterijuma odre ene alternative
ai sa ostalim alternativama as, i, s = 1,2,3,4, razmatraju i svaki kriterijum kj, j = 1,…,6.
89
korak 3: Odre ivanje indeksa preferencija IPj(ai, as)
Indeks preferencije za razmatrani par akcija (ai, as) jednak je sumi proizvoda težine
kriterijuma i vrednosti funkcije preferencije:
90
korak 4: Odre ivanje ulaznih i izlaznih tokova akcija
Za odre ivanje ulaznog toka akcije koristi se izraz:
91
Tako da su izlazni tokovi jednaki:
Odre ivanje parova potpunih poredaka vrši se na osnovu slede ih nejedna na i jedna ina:
92
93
korak 6: Odre ivanje parcijalnih poredaka svih akcija ( PI, II, R)
94
U ovom slu aju,
95
korak 7: Odre ivanje matrice viših rangova
Matricu viših rangova ine elementi 1 i 0 koji zadovoljavaju uslov:
e = 1 za ai PI as, tj. ai ima viši rang od as
e = 0, u suprotnom
Tako da je matrica viših rangova za dati primer:
96
Iz matrice viših rangova vidi se slede e:
a1 (a2, a3, a4), tj. akcija a1 dominira nad akcijama a2, a3 i a4
a2 ne dominira
a3 a2, tj. akcija a3 dominira nad akcijom a2
a4 (a2, a3), tj. akcija a4 dominira nad akcijama a2 i a3
PROMETHEE II
korak 9: Odre ivanje istih tokova akcija
U ovom koraku ra una sa razlika ulaznog i izlaznog toka svake od akcija.
97
Na slici 4. prikazan je graf višeg ranga po metodu PROMETHEE II.
98
Tabela. 18. Polazni podaci
C1 C2 C3 C4 C5
atribut Broj
Veli ina Trajanje
Cena Efikasnost angažovanih
auditorijuma promocije
osoba.
min/max min max max max min
News 60 900 22 51 8
Herald 30 520 31 13 1
Panels 40 650 20 58 2
Mailing 92 750 60 36 3
CMM 52 780 58 90 1
NCB 80 920 4 75 6
Rešenje:
Polazna tabela:
C1 C2 C3 C4 C5
Tip ekstrema min max max max min
a1 60 900 22 51 8
a2 30 520 31 13 1
a3 40 650 20 58 2
a4 92 750 60 36 3
a5 52 780 58 90 1
a6 80 920 4 75 6
Tez. koef. 0.12 0.40 0.12 0.22 0.14
-broj parametara koje treba definisati u slu aju obi nog kriterijuma: 0
-težine kriterijuma su date u tekstu zadatka.
99
korak 2: Odre ivanje vrednosti funkcija preferencije Pj(ai, as) za svaki par akcija po
svakom kriterijumu
kj ai as x=kj(ai)-kj(as) Pj(ai,as)
2 60-30=30 0
3 60-40=20 0
k1
4 60-92=-32 1
tip 1(min)
5 60-52=8 0
6 60-80=-20 1
2 900-520=380 1
3 900-650=250 1
k2
4 900-750=150 1
tip 1
5 900-780=120 1
6 900-920=-20 0
2 22-31=-9 0
3 22-20=2 1
K3
1 4 22-60=-38 0
tip 1
5 22-58=-36 0
6 22-4=18 1
2 51-13=38 1
3 51-58=-7 0
K4
4 51-36=15 1
tip 1
5 51-90=-39 0
6 51-75=-24 0
2 8-1=7 0
3 8-2=6 0
K5
4 8-3=5 0
tip 1 (min)
5 8-1=7 0
6 8-6=2 0
100
kj ai as X=kj(ai)-kj(as) Pj(ai,as)
1 30-60=-30 1
3 30-40=-10 1
k1
4 30-92=-62 1
tip 1(min)
5 30-52=-22 1
6 30-80=-50 1
1 520-900=-380 0
3 520-650=-130 0
k2
4 520-750=-230 0
tip 1
5 520-780=-260 0
6 520-920=-400 0
1 31-22=9 1
3 31-20=11 1
K3
2 4 31-60=-29 0
tip 1
5 31-58=-27 0
6 31-4=27 1
1 13-51=-38 0
3 13-58=-45 0
K4
4 13-36=-23 0
tip 1
5 13-90=-77 0
6 13-75=-62 0
1 1-8=-7 1
3 1-2=-1 1
K5
4 1-3=-2 1
tip 1 (min)
5 1-1=0 1
6 1-6=-5 1
101
kj ai as X=kj(ai)-kj(as) Pj(ai,as)
1 40-60=-20 1
2 40-30=10 0
k1
4 40-92=-52 1
tip 1(min)
5 40-52=-12 1
6 40-80=-40 1
1 650-900=-250 0
2 650-520=130 1
k2
4 650-750=-100 0
tip 1
5 650-780=-130 0
6 650-920=-270 0
1 20-22=-2 0
2 20-31=-11 0
K3
3 4 20-60=-40 0
tip 1
5 20-58=-38 0
6 20-4=16 1
1 58-51=7 1
2 58-13=45 1
K4
4 58-36=22 1
tip 1
5 58-90=-32 0
6 58-75=-17 0
1 2-8=-6 1
2 2-1=1 0
K5
4 2-3=-1 1
tip 1 (min)
5 2-1=1 0
6 2-6=-4 1
102
kj ai as X=kj(ai)-kj(as) Pj(ai,as)
1 92-60=32 0
2 92-30=62 0
k1
3 92-40=52 0
tip 1(min)
5 92-52=40 0
6 92-80=12 0
1 750-900=-150 0
2 750-520=230 1
k2
3 750-650=100 1
tip 1
5 750-780=-30 0
6 750-920=-170 0
1 60-22=38 1
2 60-31=29 1
K3
4 3 60-20=40 1
tip 1
5 60-58=2 1
6 60-4=56 1
1 36-51=-15 0
2 36-13=23 1
K4
3 36-58=-22 0
tip 1
5 36-90=-54 0
6 36-75=-39 0
1 3-8=-5 1
2 3-1=2 0
K5
3 3-2=1 0
tip 1 (min)
5 3-1=2 0
6 3-6=-3 1
103
kj ai as X=kj(ai)-kj(as) Pj(ai,as)
1 52-60=-8 1
2 52-30=22 0
k1
3 52-40=12 0
tip 1(min)
4 52-92=-40 1
6 52-80=-28 1
1 780-900=-120 0
2 780-520=260 1
k2
3 780-650=130 1
tip 1
4 780-750=30 1
6 780-920=-140 0
1 58-22=36 1
2 58-31=27 1
K3
5 3 58-20=38 1
tip 1
4 58-60=-2 0
6 58-4=54 1
1 90-51=39 1
2 90-13=77 1
K4
3 90-58=32 1
tip 1
4 90-36=54 1
6 90-75=15 1
1 1-8=-7 1
2 1-1=0 1
K5
3 1-2=-1 1
tip 1 (min)
4 1-3=-2 1
6 1-6=-5 1
104
kj ai as X=kj(ai)-kj(as) Pj(ai,as)
1 80-60=20 0
2 80-30=50 0
k1
3 80-40=40 0
tip 1(min)
4 80-92=-12 1
5 80-52=28 0
1 920-900=20 1
2 920-520=400 1
k2
3 920-650=270 1
tip 1
4 920-750=170 1
5 920-780=140 1
1 4-22=-18 0
2 4-31=-27 0
K3
6 3 4-20=-16 0
tip 1
4 4-60=-56 0
5 4-58=-54 0
1 75-51=24 1
2 75-13=62 1
K4
3 75-58=17 1
tip 1
4 75-36=39 1
5 75-90=-15 0
1 6-8=-2 1
2 6-1=5 0
K5
3 6-2=4 0
tip 1 (min)
4 6-3=3 0
5 6-1=5 0
IP(a1,a2)=0.12*0+0.40*1+0.12*0+0.22*1+0.14*0=0.62
IP(a1,a3)=0.12*0+0.40*1+0.12*1+0.22*0+0.14*0=0.52
IP(a1,a4)=0.12*1+0.40*1+0.12*0+0.22*1+0.14*0=0.74
IP(a1,a5)=0.12*0+0.40*1+0.12*0+0.22*0+0.14*0=0.4
IP(a1,a6)=0.12*1+0.40*0+0.12*1+0.22*0+0.14*0=0.24
105
IP(a2,a1)= 0.12*1+0.40*0+0.12*1+0.22*0+0.14*1=0.38
IP(a2,a3)= 0.12*1+0.40*0+0.12*1+0.22*0+0.14*1=0.38
IP(a2,a4)= 0.12*1+0.40*0+0.12*0+0.22*0+0.14*1=0.26
IP(a2,a5)= 0.12*1+0.40*0+0.12*0+0.22*0+0.14*1=0.26
IP(a2,a6)= 0.12*1+0.40*0+0.12*1+0.22*0+0.14*1=0.38
IP(a3,a1)= 0.12*1+0.40*0+0.12*0+0.22*1+0.14*1=0.48
IP(a3,a2)= 0.12*0+0.40*1+0.12*0+0.22*1+0.14*0=0.62
IP(a3,a4)= 0.12*1+0.40*0+0.12*0+0.22*1+0.14*1=0.48
IP(a3,a5)= 0.12*1+0.40*0+0.12*0+0.22*0+0.14*0=0.12
IP(a3,a6)= 0.12*1+0.40*0+0.12*1+0.22*0+0.14*1=0.38
IP(a4,a1)= 0.12*0+0.40*0+0.12*1+0.22*0+0.14*1=0.26
IP(a4,a2)= 0.12*0+0.40*1+0.12*1+0.22*1+0.14*0=0.74
IP(a4,a3)= 0.12*0+0.40*1+0.12*1+0.22*0+0.14*0=0.52
IP(a4,a5)= 0.12*0+0.40*0+0.12*1+0.22*0+0.14*0=0.12
IP(a4,a6)= 0.12*0+0.40*0+0.12*1+0.22*0+0.14*1=0.26
IP(a5,a1)= 0.12*1+0.40*0+0.12*1+0.22*1+0.14*1=0.6
IP(a5,a2)= 0.12*0+0.40*1+0.12*1+0.22*1+0.14*1=0.88
IP(a5,a3)= 0.12*0+0.40*1+0.12*1+0.22*1+0.14*1=0.88
IP(a5,a4)= 0.12*1+0.40*1+0.12*0+0.22*1+0.14*1=0.88
IP(a5,a6)= 0.12*1+0.40*0+0.12*1+0.22*1+0.14*1=0.6
IP(a6,a1)= 0.12*0+0.40*1+0.12*0+0.22*1+0.14*1=0.76
IP(a6,a2)= 0.12*0+0.40*1+0.12*0+0.22*1+0.14*0=0.62
IP(a6,a3)= 0.12*0+0.40*1+0.12*0+0.22*1+0.14*0=0.62
IP(a6,a4)= 0.12*1+0.40*1+0.12*0+0.22*1+0.14*0=0.74
IP(a6,a5)= 0.12*0+0.40*1+0.12*0+0.22*0+0.14*0=0.4
a1 a2 a3 a4 a5 a6
a1 0 0.62 0.52 0.74 0.4 0.24
a2 0.38 0 0.38 0.26 0.26 0.38
a3 0.48 0.62 0 0.48 0.12 0.38
a4 0.26 0.74 0.52 0 0.12 0.26
a5 0.6 0.88 0.88 0.88 0 0.6
a6 0.76 0.62 0.62 0.74 0.4 0
106
korak 4: Odre ivanje ulaznih i izlaznih tokova akcija
107
0.52 + 0.38 + 0 + 0.52 + 0.88 + 0.62
T-(a3)= =0.58
6 −1
T+ T- T
a1 0.50 0.50 0
a2 0.33 0.70 -0.37
a3 0.42 0.58 -0.16
a4 0.38 0.62 -0.24
a5 0.77 0.26 0.51
a6 0.63 0.37 0.26
Redosled alternativa: a5, a6, a1, a3, a4, a2 (CMM, NCB, News, Panels, Mailing, Herald)
108
Metod AHP
Metod analiti kih hijerarhijskih procesa (AHP), koji je razvio Saaty po etkom sedamdesetih
godina prošlog veka, koristi se za rešavanje kompleksnih problema odlu ivanja u kojima u-
estvuje ve i broj donosilaca odluke, ve i broj kriterijuma i u višestrukim vremenskim
periodima.
Metod se zasniva konceptu balansa koji se koristi za odre ivanje sveukupne relativne
zna ajnosti skupa atributa, aktivnosti ili kriterijuma analiziranog problema odlu ivanja. To se
postiže strukturiranjem bilo kog kompleksnog problema odlu ivanja u ve i broj hijerarhijskih
nivoa, dodeljivanjem težina u obliku serije matrica pore enja parova. Tako posmatran, metod
AHP ima etiri faze:
• strukturiranje problema,
• prikupljanje podataka,
• ocenjivanje relativnih težina, i
• odre ivanje rešenja problema.
Prvu fazu, strukturiranje problema, ini rastavljanje kompleksnog problema odlu ivanja na
niz hijerarhija, gde svaki nivo predstavlja manji broj upravljivih atributa. Oni se potom
rastavljaju u drugi skup elemenata koji odgovara slede em nivou, itd.
Druga faza ovog metoda obuhvata prikupljanje podataka i njihovu evaluaciju na svim
nivoima celokupne hijerarhije. Me usobno ocenjivanje alternativa i kriterijuma (atributa) se
vrši dodeljivanjem težina primenom tzv. skale devet ta aka, koja je data u narednoj tabeli.
113
Tabela 50. Skala devet ta aka
Donosioc odluke dodeljuje težine svakom paru posebno, kao meru koliko je jedan par atributa
zn ajniji od drugog. Ukoliko raspolaže objektivnim podacima, može ih koristiti pri
dodeljivanju težina, u suprotnom, koristi sopstvene procene i informacije. Kao rezultat dobiva
se odgovaraju a matrica upore ivanja po parovima koja odgovara svakom nivou hijerarhije.
Tre a i etvrta faza metoda AHP su isto matemati ke, i bi e objašnjene na primeru.
114
Primer: Primena metoda AHP bi e objašnjena na prethodnom primeru.
Hijerarhijska struktura problema prikazana je na narednoj slici.
115
automobila i dati u slede oj matrici:
NIVO I
korak 1: Prerada matrice upore ivanja težina u parovima na osnovu po etne matrice
odlu ivanja skale od devet ta aka
Vrednosti u zagradi predstavljaju invertovani odnos preferencija, tako da (3.0) u preseku A1 i
A2 ima realnu vrednost 1/3, koja se koristi pri prora unu.
116
korak 3: Prora un koli nika elemenata kolona sa sumom odgovaraju e kolone
Podeliti elemente svake kolone sa sumom vrednosti te kolone, koja je dobivena u prethodnom
koraku.
korak 4: Prora un normalizovanog sopstvenog vektora
Vrednosti u koloni su sume elemenata po redovima, a u zadnjoj koloni t su odgovaraju e
srednje vrednosti reda (podaci u pretposlednjoj koloni dele se brojem kriterijuma). Poslednja
kolona predstavlja normalizovani sopstveni vektor.
NIVO II
Donosioc odluke procenjuje sva etiri tipa automobila u odnosu na svaki kriterijum
pojedina no, odnosno izra unava u eš e svake alternative pojedina no u okviru posmatranog
kriterijuma.
Atribut A1
Matrica upore ivanja u odnosu na atribut A1
117
Prera ena matrica upore ivanja težina u parovima
Atribut A2
Matrica upore ivanja u odnosu na atribut A2
118
Kona ni prioritet u odnosu na atribut A2
B4 0.4348
B1 0.3593
B3 0.1485
B2 0.0574
Atribut A3
Matrica upore ivanja u odnosu na atribut A3
119
Atribut A4
Matrica upore ivanja u odnosu na atribut A4
Atribut A5
Matrica upore ivanja u odnosu na atribut A5
120
Prora un sopstvenog vektora odgovaraju ih sopstvenih vrednosti
Atribut A6
Matrica upore ivanja u odnosu na atribut A6
121
Kona ni prioritet u odnosu na atribut A6
B3 0.5989
B2 0.1982
B1 0.1109
B4 0.0919
NIVO III
Sveukupna sinteza problema izbora automobila jednaka je zbiru proizvoda težine u okviru
posmatranog kriterijuma, razmatraju i sve kriterijume.
Matemati ki prora un za sve alternative realizuje se na slede i na in:
Na osnovu dobivenih rezultata o igledno je najbolji automobil B1; analogan rezultat dobiven
je primenom metoda ELECTRE i PROMETHEE I i II.
122
1. zadatak. Pet firmi: A,B,C,D i E se prijavilo na konkurs u cilju dobijanja odre enog posla.
Rangiranje firmi e se izvršiti uzimaju i u obzir slede e faktore: dosadašnje iskustvo,
finansijsko stanje, kvalitet izvedenih radova, radna snaga, oprema, projekti u toku. Primenom
AHP metode izvršiti rangiranje prijavljenih firmi.
-Prose na
Kvalitet -Loša organiz.
-Dobra organiz. organiz. -Dobra organiz. -Dobra organiz.
-1 projekat
izvedenih -dobra -2 zaostala -dobra -dobra
prekinut
radova reputacija projekta reputacija reputacija
123
Rešenje:
Iskustvo A B C D E
A 1 (3) (2) (6) 2
B 1 2 (2) 4
C 1 (3) 3
D 1 7
E 1
korak 1: Prerada matrice upore ivanja težina u parovima na osnovu po etne matrice
odlu ivanja skale od devet ta aka
Vrednosti u zagradi predstavljaju invertovani odnos preferencija, tako da (3.0) u preseku A i
B ima realnu vrednost 1/3, koja se koristi pri prora unu:
Tabela 53.
Iskustvo A B C D E
A 1 1/3 1/2 1/6 2
B 3 1 2 1/2 4
C 2 1/2 1 1/3 3
D 6 2 3 1 7
E 1/2 1/4 1/3 1/7 1
= 12.5 4.083 6.833 2.143 17
Vrednosti vektora prioriteta su prikazane u poslednjoj koloni tabele 54. Vrednosti u ostalim
elijama tabele su dobijene deljenjem odgovaraju e vrednosti iz prethodne tabele sa sumom
124
odgovaraju e kolone ( pr. 0.08=1/12.5).
Tabela 54.
Vektor
Iskustvo A B C D E
prioriteta
A 0.08 0.082 0.073 0.078 0.118 0.086
B 0.24 0.245 0.293 0.233 0.235 0.249
C 0.16 0.122 0.146 0.155 0.176 0.152
D 0.48 0.489 0.439 0.466 0.412 0.457
E 0.04 0.061 0.049 0.066 0.059 0.055
=0.999
Vektor prioriteta se odre uje na osnovu srednjih vrednosti iz svakog pojedina nog reda
tabele, tako da je vrednost 0.086 dobijena kao:
0.086=(0.08+0.082+0.073+0.078+0.115)/5
Analogno se ra unaju i druge vrednosti vektora prioriteta tako da on, za slu aj kriterijuma
»iskustvo« ima slede i oblik:
0.086
0.249
0.152
0.457
0.055
Indeks konzistetnosti (consistency index IC) kao mera konzistetnosti odstupanja n od λmax se
može izra unati na slede i na in:
125
Indeks konzistentnosti (consistency index IC) se, zatim, ra una kao:
Na osnovu vrednosti datih u tabeli odre ujemo prose nu slu ajnu konzistentnost (avarage
random consistency RI), koja u ovom slu aju (za matricu tj. tabelu dimenzija 5X5 ) iznosi
1.12.
Tabela 55. Vrednosti RI u funkciji od veli ine matrice
Veli ina
1 2 3 4 5 6 7 8 9 10
matrice
RI 0 0 0.58 0.9 1.12 1.24 1.32 1.41 1.45 1.49
126
Finansijska Vektor
A B C D E
stabilnost prioriteta
A 1 6 3 2 7 0.425
B 1/6 1 1/4 1/2 3 0.088
C 1/3 4 1 1/3 5 0.178
D ½ 2 3 1 7 0.268
E 1/7 1/3 1/5 1/7 1 0.039
=0.998
Radna Vektor
A B C D E
snaga prioriteta
A 1 1/2 1/4 2 5 0.151
B 2 1 1/3 5 7 0.273
C 4 3 1 4 6 0.449
D 1/2 1/5 1/4 1 2 0.081
E 1/5 1/7 1/6 1/2 1 0.045
=0.999
Vektor
Oprema A B C D E
prioriteta
A 1 1/6 1/8 2 3 0.084
B 6 1 1/4 5 7 0.264
C 8 4 1 9 9 0.556
D 1/2 1/5 1/9 1 2 0.057
E 1/3 1/7 1/9 1/2 1 0.038
=0.999
Projekti u Vektor
A B C D E
toku prioriteta
A 1 1/5 1/3 3 3 0.144
B 5 1 5 6 6 0.537
C 3 1/5 1 2 2 0.173
D 1/3 1/6 1/2 1 2 0.084
E 1/3 1/6 1/2 1/2 1 0.062
=0.999
127
Tabela 56. Tabela me usobnog upore ivanja kriterijuma
Za firmu A:
Za firmu B:
Za firmu C:
Za firmu D:
128
Za firmu E:
129
Primer: Određivanje vrednosti automobila
Kompanija Sell-a-car bavi se prodajom polovnih automobila i želi da kupi vozilo na javnoj
licitaciji Vlade za prodaju službenih vozila. Generalni direktor je odlučio da razmatra potrošnju i
pouzdanost automobila, gde se potrošnja gleda u potrošenim litrima na 100 kilometara a
pouzdanost kao broj kvarova na 100000 kilometara. Nakon razgledanja izdvojio je četiri
automobila koja su prikazana u tabeli ispod.
Generalni direktor želi da iskaže svoje znanje te kaže da je potrošnja mala ako automobil troši do
3 litra na 100 kilometara, ali da smatra i delimično malom potrošnjom ako automobil troši do 10
litara. Srednjom potrošnjom smatra od 9 do 11 litara, a delimično srednjom potrošnjom smatra
ako automobil troši od 7 do 9 i od 11 do 15. Velikom potrošnjom se smatra ako vozilo troši
preko 15 litara, a delimično visoku potrošnju imaju i vozila od 10 litara. Analogno, generalni
direktor kaže da je automobil visoku pouzdan ako ima manje od 5 kvarova, ali je i dalje visoko
pouzdan ako ima do 10 kvarova, dok je nisko pouzdan ako ima više od 15 kvarova, ali je takođe
delimično nisko pouzdan ako ima 6 kvarova. Za ukupnu vrednost automobila generalni direktor
kaže da sledeće. Vrednost je mala ako je ispod 7 hiljada evra, ali je delimično mala ako je i ispod
15 hiljada evra. Srednja je između 15 i 25 hiljada evra, a delimično je srednja vrednost ako je
između 7 i 15, odnosno 25 i 40. Na kraju vrednost je velika ako je iznad 40 hiljada evra, a
delimično je visoka ako je iznad 25. Drugim rečima generalni direktor je iskazao sledeće fazi
skupove.
39
Potrošnja
Mala Z(3, 10)
Srednja T(7, 9, 11, 15)
Visoka S(10, 15)
Pouzdanost
Visoka Z(5, 10)
Niska S(6, 15)
Vrednost
Mala Z(7, 15)
Srednja T(7, 15, 25, 40)
Visoka S(25, 40)
Potrošnja
μ
Mala Srednja Velika
1
3 7 9 10 11 15 Litara/100km
Pouzdanost
μ
Visoka Niska
1
5 6 10 15 Kvarova/
100000km
40
Vrednost
μ
Mala Srednja Velika
1
7 15 25 40 nj.
Na kraju generalni direktor na osnovu znanja definiše skup uzročno posledičnih pravila:
Napomena:
Svako pravilo se takođe može predstaviti i u obliku „ako-onda“ pravila. Tako se drugo pravilo
može interpretirati kao:
Kada imamo definisane funkcije pripadnosti za ulazne i izlazne promenljive, i skup uzročno
posledičnih pravila koja povezuju te promenljive možemo da odredimo vrednost izlazne
promenljive za svaki automobil. Znamo da automobile VW kome određujemo vrednost troši 9 l
na 100 km i da ima 8 kvarova na 100000 km. Sada uz pomoć pravila proporcije određujemo
vrednost funkcije pripadnosti za obe ulazne promenljive.
Potrošnja:
• Mala: (10-9)/(10-3) = 0.143
• Srednja: (9-7)/(9-7) = 1
• Velika: 0
Pouzdanost:
• Visoka: (10-8)/(10-5) = 0.4
41
• Niska: (8-6)/(15-6) = 0.222
Zatim prelazimo na proces zaključivanja na osnovu definisanih pravila. Prvo, tabeli uočavamo
koja se pravila odnose na naše novo pojavljivanje (aktivirana pravila):
Pošto imamo dva pravila koja nam daju pripadnost za vrednost srednja vrednost (pravila 1 i 3) i
za visoku vrednost (pravila 2 i 4), moramo da odredimo koju ćemo vrednost koristiti (logičko ili
kod fuzzy skupova):
DFV
MV FMV
i i
MV i
42
Drugi automobil, Dacia, troši 12 l na 100 km i ima 14 kvarova na 100000 km. Prvo računamo
vrednosti funkcije pripadnosti za potrošnju i pouzdanost.
Potrošnja:
• Mala: 0
• Srednja: (15-12)/(15-11) = 0.75
• Velika: (12-10)/(15-10) = 0.4
Pouzdanost:
• Visoka: 0
• Niska: (14-6)/(15-6) = 0.889
Kako nemamo više pravila koja imaju pripadnost za istu vrednost onda prelazimo direktno na
fazu defazifikacije.
Treći automobil, BMW, troši 9 l na 100km i ima 5 kvarova na 100000 km. Vrednosti funkcija
pripadnosti za ulazne promenjive su:
Potrošnja:
• Mala: (10-9)/(10-3) = 0.143
• Srednja: (9-7)/(9-7) = 1
• Velika: 0
Pouzdanost:
• Visoka: 1
• Niska: 0
43
Pogledajmo koja su pravila aktivirana.
Dobijamo dva pravila koja daju funkciju pripadnosti velikoj vrednosti, te računamo koju ćemo
vrednost koristiti (ili jednu ili drugu).
VREDNOST = (1 * 40)/(1) = 40
Poslednje vozilo, Volvo, troši 15 l na 100 km i uopšte se ne kvari. Izračunamo vrednosti funkcija
pripadnosti za ulazne promenjive i dobijamo:
Potrošnja:
• Mala: 0
• Srednja: 0
• Velika: 1
Pouzdanost:
• Visoka: 1
• Niska: 0
Kako imamo samo jedno aktivirano pravilo računamo defazifikovanu fazi vrednost i dobijamo:
44
Kada smo izračunali vrednosti za svaku alternativu možemo da ih poredimo.
Bitno je napomenuti da fuzzy sistemi mogu, bez menjanja matrice odlučivanja (normalizacije),
da daju vrednost za nove slučajeve.
Nakon uspešne godine direktor prodaje firme Dime & Kole žele da prošire prodaju sistema za
predviđanje poslovanja kompanije na nova tržišta. Nakon razmatranja izabrali su tržišta
Makedonije, Bosne i Hercegovine, Mađarske i Bugarske. Kao kriterijume izabrali su veličinu
tržišta, koja se meri u hiljadama kupaca, konkurencija, koja se meri u broju proizvoda supstituta,
i zasićenost tržišta, koja se meri procentom klijenata koji imaju neki od proizvoda supstituta.
Veličina
Mala Z(10, 50)
Srednje T(30, 60, 100, 150)
Veliko S(100, 150)
Konkurencija
Niska Z(5, 10)
Visoka S(5, 12)
Zasićenost
Mala Z(5, 15)
Velika S(10, 20)
Potencijal
Mali Z(20, 50)
Srednji T(20, 50, 150, 300)
Veliki S(150, 300)
45
Veličina
μ
Mala Srednje Veliko
1
μ
Niska Visoka
1
5 10 12 Br. proizvoda
supstituta
Zasićenost
μ
Mala Velika
1
5 10 15 20 %
Potencijal
μ
Mali Srednji Veliki
1
46
Data je i sledeća tabela pravila:
Veličina
Mala: 0
Srednje: (150 - 110)/(150-100) = 0.8
Veliko: (110 - 100)/(150-100) = 0.2
Konkurencija
Niska: (10-9)/(10-5) = 0.2
Visoka: (9-5)/(12-5) = 0.571
Zasićenost
Mala: 0
Velika: (18-10)/(20-10) = 0.8
47
Na osnovu tabele pravila određujemo vrednosti pripadnosti potencijala makedonskog tržišta:
Pošto imamo dva pravila koja nam daju pripadnost za vrednost srednji potencijal, moramo da
odredimo koju ćemo vrednost koristiti:
. ∗ + . ∗ + . ∗
𝑇𝐸 𝐶 𝐴𝐿 = = .
. + . + .
Veličina
Mala: 0
Srednje: 1
Veliko: 0
48
Konkurencija
Niska: 0
Visoka: 1
Zasićenost
Mala: 0.5
Velika: 0
. ∗
𝑇𝐸 𝐶 𝐴𝐿 = =
.
Mađarsko tržište, čija je veličina 150 hiljada korisnika, ima samo 3 proizvoda supstituta, i
zasićenost je 25%, ima sledeće vrednosti funkcija pripadnosti:
Veličina
Mala: 0
Srednje: 0
Veliko: 1
Konkurencija
Niska: 1
Visoka: 0
49
Zasićenost
Mala: 0
Velika: 1
∗
𝑇𝐸 𝐶 𝐴𝐿 = =
Bugarsko tržište, koje ima 45 hiljada korisnika, 2 proizvoda supstituta i čija je zasićenost 15%
ima sledeće vrednosti funkcija pripadnosti:
Veličina
Mala: (50-45)/(50-10) = 0.125
Srednje: (60-45)/(60-30) = 0.5
Veliko: 0
Konkurencija
Niska: 1
Visoka: 0
Zasićenost
Mala: 0
Velika: (20-15)/(20-10) = 0.5
50
Zatim određujemo potencijal tržišta preko tabele pravila.
. ∗ + . ∗
𝑇𝐸 𝐶 𝐴𝐿 = =
. + .
51