Modeli U Odlucivanju

Teorija odlu civanja
predavanja 2010.
Lavoslav

Caklovi c
SVEU

CILITE U ZAGREBU, PMF MATEMATI

CKI ODJEL
E-mail address: caklovic@math.hr
Sadraj
Poglavlje 1. Odlu civanje uz jaku nesigurnost 5
1. Umjesto uvoda 6
2. Slaba preferencija 15
3. O mjerenju 19
4. Izmjerivost. Racionalna teorija odlu civanja 21
5. Zadaci 27
6. Stablo odlu civanja 29
7. Teorija izbora 31
Poglavlje 2. Logika i psihologija odlu civanja 49
1. Moe li se miljenje modelirati? 49
2. kola dobrog miljenja 59
3. Uloga emocija u odlu civanju 74
Poglavlje 3. Hijerarhijsko odlu civanje 89
1. Hijerarhijska struktura odluke 89
2. Metoda svojstvenog vektora 91
3. Metoda potencijala 102
Bibliograja 117
3
POGLAVLJE 1
Odlu civanje uz jaku nesigurnost
0.1.

Cetiri kriterija.
0.2. Socijalni aksiomi.
0.3. Diskusija.
5
6 1. ODLU cIVANJE UZ JAKU NESIGURNOST
1. Umjesto uvoda
1.1. Ekvivalentne zamjene. Zamjena doga daja je jednostavna tehni-
ka donoenja odluke u problemima s vie atributa (kriterija) koji nemaju
uto cite u formalnoj relaciji preferencije. Tehniku cemo ilustrirati na slje-
de cem primjeru.
PRIMJER 1.1. Advokatska rma eli iznajmiti novi ured zbog pove ca-
nog obujma posla. Nakon eliminacije velikog broja potencijalnih lokacija
koje nisu zadovoljavale osnovne zahtjeve ostalo ih je u uem izboru samo
pet. Direktor rme pri donoenju odluke obra ca panju na pet kriterija,
zvat cemo ih atributi, koje utje cu na nalnu odluku. To su:
udaljenost od centralnog ureda (izraeno u minutama);
blizina klijenata (izraeno u postotku klijenata koji ive u blizini
ureda);
opremljenost ureda, mjereno na skali s tri nivoa:
A sve pogodnosti,
B telefon i faks,
C bez pogodnosti;
veli cina ureda mjereno u kvadratnim stopama;
visina mjese cnog najma izraeno u dolarima
Procjena svakog ureda prema atributima dana je u tablici 1.1. Konzultant
a b c d e
udaljenost 45 25 20 25 30
klijenti 50 80 70 85 75
opremljenost A B C A C
veli cina 800 700 500 950 700
najam 1850 1700 1500 1900 1750
TABLICA 1.1. Procjena lokacija prema atributima.
u donoenju odluke dao je, na temelju te tablice, preferencije za svaki od
atributa nezavisno od ostalih atributa. Preferencije rastu s brojem bliskih
klijenata, nivoom opremljenosti i veli cinom, a padaju s ve com cijenom i
udaljeno cu.
Tehni cki naziv za ured je alternativa. Re ci cemo da je alternativa x do-
minirana s alternativomy ako je y jednako prihvatljiva kao x ako ne i bolja
za sve atribute dok je strogo preferirana bar za jedan atribut. Dominirane
alternative o cito nisu kandidati za izbor najbolje lokacije.
1. UMJESTO UVODA 7
- U ovom primjeru je o cito alternativa e je dominirana alternativom
b, pa prema tome alternativu e moemo izbaciti iz natjecanja. To
je jedini slu caj " ciste" dominacije u tabeli.
- Alternativa d je prihvatljivija od a za svaki kriterij osim po cijeni
najma po kojem je alternativa a prihvatljivija jer je 50 $ jeftinija.
Cini se ipak da je taj nedostatak od 50 $ kompenziran i prvagnut u

ostalim atributima, udaljenost (20 min), klijenti (35 %), i veli cina
(150 kv. stopa), tako da alternativu a tako der moemo izbaciti iz
utrke za prvo mjesto.
U borbi za prvo mjesto ostale su dakle alternative b, c i d:
b c d
udaljenost 25 20 25
klijenti 80 70 85
opremljenost B C A
veli cina 700 500 950
najam 1700 1500 1900
TABLICA 1.2. Reducirana tabela.
Prirodan put za nastavak je odre divanje ekvivalentnih zamjena. Pri-
mijetimo da sve alternative, osim c, imaju jednako vrijednu udaljenost.
Moemo pitati konzultanta, imaju ci u vidu alternativu c, koliki gubitak u
atributu klijenti moe kompenzirati prednost od 5 min u atributu udalje-
nost. Trai se dakle hipoteti cka alternativa c
za koju je vrijednost atributa

udaljenost jednaka 25 i svi ostali atributi su jednako vrijedni kao i kod
c osim u atributu klijenti. Pronalaenje ekvivalentne zamjene (eng. trade
c c
udaljenost 20 25
klijenti 70 70+
opremljenost C C
veli cina 500 500
najam 1500 1500
TABLICA 1.3. Ekvivalentna zamjena.
off) igra klju cnu ulogu u teoriji odlu civanja i u praksi je to najdelikatniji
trenutak kojem treba obratiti dovoljno panje. Ako se atributi mjere na dis-
kretnoj skali, to ovog trenutka nije slu caj, moe se desiti da ekvivalentnu
zamjenu nije mogu ce odrediti.
Pretpostavimo da je odgovor konzultanta = 8, tada su c i c
jednako
vrijedne alternative i tablica 1.1 se zamijeni ekvivalentnom tablicom 1.4.
U toj, ekvivalentnoj tabeli, alternative se ne razlikuju po prvom atributu
b c d
udaljenost 25 25 25
klijenti 80 78 85
opremljenost B C A
veli cina 700 500 950
najam 1700 1500 1900
TABLICA 1.4. Ekvivalentna reducirana tabela.
pa ih prema njemu ne moemo razlikovati. Stoga nema smisla uvaava-
ti taj atribut i moemo ga brisati iz tabele to daje novu tabelu 1.5. U
b c d
klijenti 80 78 85
opremljenost B C A
veli cina 700 500 950
najam 1700 1500 1900
TABLICA 1.5. Ekvivalentna reducirana tabela II.
novoj reduciranoj tabeli nema slu caja dominacije i prinu deni smo traiti
nove ekvivalentne zamjene. Prvo moramo odrediti alternativu kojoj na-
lazimo ekvivalentnu zamjenu, neka to bude c
, a zatim atribute s kojima

cemo trgovati. Jedan od ta dva atributa ce biti neutraliziran i izba cen
iz razmatranja u ovom ili moda sljede cem koraku. Konzultant se odlu cio
za neutralizaciju atributa opremljenost s kompenzacijama u atributu najam.
Zato? Razlog je u tome to je mjerna skala atributa opremljenost diskretna
i ekvivalentne zamjene je lake na ci na kontinuiranoj skali (cijena). Tabli-
ca ekvivalentnih zamjena je: Slobodno moemo zaboraviti ulogu atributa
opremljenost u daljnjem odlu civanju i brisati drugi redak tabele. Ako to
u cinimo onda je o cito da je alternativa c
dominirana alternativom b. Nova

1. UMJESTO UVODA 9
b c d
klijenti 80 78 85
opremljenost B B B
veli cina 700 500 950
najam 1700 1750 1800
TABLICA 1.6. Ekvivalentna reducirana tabela III.
b d
klijenti 80 85
veli cina 700 950
najam 1700 1800
TABLICA 1.7. Ekvivalentna reducirana tabela IV.
tabela bez alternative c
i atributa opremljenost je tabela 1.7 Na nesre cu,

u novoj tabeli nema slu cajeva dominacije pa moramo traiti ekvivalentne
zamjene. Imaju ci u vidu aternativu b i atribut veli cina, pitamo konzultanta
koliki je ekvivalent pove canog najma mjese cno kako bi veli cinu ureda b
pove cali za 250 kvadratnih stopa. Grubi odgovor je 250 $ i suo ceni smo
s novom tabelom 1.8. Atribut veli cina sada moemo izbaciti kao kriterij
b d
klijenti 80 85
veli cina 950 950
najam 1950 1800
TABLICA 1.8. Ekvivalentna reducirana tabela V.
u donoenju odluke. U cinimo li to, onda je jasno da d
dominira u od-
nosu na b
. Nakon takve analize preporu ceno je da se unajmi ured d kao

najpovoljniji izbor.
Sumirajmo klju cne korake u rjeavanju gornjeg primjera. Kona cna
preporuka je bila da treba iznajmiti ured d. To zna ci da imamo razloga
vjerovati da je ured d preferiran u odnosu na ostale. Ako relaciju preferen-
cije ozna cimo s to zna ci da je d a i d b i d c i d e. Kako
smo logi cki doli do tog zaklju cka? Na temelju podataka iz prve tabele,
koriste ci dominiranost po svim atributima zaklju cili smo b e i d a.
Nakon to smo odredili ekvivalenciju nekih zamjena zaklju cili smo, opet
koriste ci domoniranost, da je b c
, gdje je c
bio konstruiran tako da je

indiferentan u odnosu na c
, a c
je bio konstruiran tako da je bio indife-

rentan u odnosu na c. Simboli cki pisano, c c
i c
gdje relacija
ozna cava indiferentnost. Nakon toga smo konstruirali d
koji je indiferen-
tan u odnosu d, tj. d d
i alternativu b
koja je indiferentna b tj. b b
.
Nakon toga smo zaklju cili, opet koriste ci dominiranost da je d
preferirano
u odnosu na b
tj. d
. Dakle, ono to znademo je:

d a, b e,
c
, c
c, b c
d d
, b b
, d
.
Ako elimo biti konzistentni u zaklju civanju onda zahtjevamo od gornjih
relacija da budu tranzitivne, dakle lako se vidi da posljednji redak implicira
d b. Kako je b e onda je i d e. Ostaje jo pokazati da je d c.
Iz drugog retka zaklju cujemo da je b c, a kako je d b onda je zbog
tranzitivnosti i d c to smo i htjeli dokazati.
Ovaj primjer zasluuje nekoliko komentara. Kao prvo, broj alternati-
va i atributa je relativno malen i nije trebalo traiti mnogo ekvivalentnih
zamjena. Prigovor takvoj proceduri je taj bismo je trebali ponoviti ako naj-
bolju alternativu izbacimo iz konkurencije zbog nekog razloga, na primjer
ako traimo drugu alternativu po vanosti, ili ako naknadno dodamo novu
alternativu. Osim toga, ova tehnika ne uvaava nepreciznost u odre diva-
nju ekvivalentnih zamjena i moglo bi se desiti da male pogreke u procjeni
izbace neku drugu alternativu kao optimalnu.
Prvi korak u izgra divanju modela odlu civanja bio bi formalizacija ko-
raka iz gornjeg primjera. Poteko ca u odre divanju ekvivalentnih zamjena
lei u nemogu cnosti mjerenja atributa ponu denih alternativa. To je po-
sebno teko u ciniti u situaciji kad oni nisu nezavisni. Nezavisnost smo
intuitivno pretpostavili u naem primjeru.
1.2. Mjerenje duljine. U ovom primjeru cemo opisati jednostavnu
situaciju mjerenja, a to je mjerenje duljine tapova. Mjerenja u socijalnim
znanostima predstavljaju poseban problem i oni kojima je dana ta mogu c-
nost, kao zi carima na primjer, ne razmiljaju o tehni ckim i lozofskim
pitanjima koje iz te mogu cnosti proizlaze, barem ne u kontekstu Newtono-
ve zike.
Pretpostavimo da na raspolaganju imamo nekoliko ravnih krutih tapo-
va i elimo odrediti duljinu svakog od njih. Prvi i najjednostavniji pokuaj
mjerenja bio bi da ih objesimo na horizontalan strop i usporedimo poloa-
je donjih krajeva tapova. Mogu ce su dvije situacije: ili su donji krajevi,
1. UMJESTO UVODA 11
za dva odabrana tapa, poravnati ili je jedan od njih dulji. Eksperiment
sugerira da uvedemo relaciju u prvom i slu caju na sljede ci na cin:
r r
ako je tap r dulji od r
,
r r
ako su tapovi r i r
jednako duga cki.

Ako duljinu smatramo kvalitetom tapa koja je mjerljiva onda je za o ce-
kivati da su relacije i tranzitivne i da r r
& r
povla ci
r r
. Iako izgledaju prirodni, to su prili cno jaki zahtjevi i cesta je situ-

acija u praksi da su oni narueni, naro cito ako je mjerenje loe obavljeno,
a kvaliteta koju mjerimo je priblino jednako zastupljenja u oba objekta
koja uspore dujemo. Ti su zahtjevi idealizacija onoga to o cekujemo od
savrenog mjerenja, a to je konzistentnost.
U ovom smo trenutku jo uvijek daleko od instrumenta koji mjeri du-
ljinu tapa. Me dutim, ove su informacije dovoljne da svakom tapu pridje-
limo broj tako da uspore divanje tih brojeva u potpunosti reektira eksperi-
mentalni rezultat dobiven uspore divanjem. Ako je ispunjen zahtjev konzis-
tentnosti onda je mogu ce konstruirati funkciju , teorem2.3 na str. 16, koja
ce svakom tapu pridjeliti numeri cku vrijednost na na cin da je zadovoljeno
sljede ce:
r r
(r) > (r
)
r r
(r) = (r
).
Ako je eksperiment skup ili neizvediv onda je poznavanje takve funkcije
dragocjeno jer objedinjuje sve rezultate dobivene eksperimentom.
Sljede ci vaan korak prema konstrukciji mjere koju bismo zvali du-
ljina tapa je spoznaja da je mogu ce formirati nove tapove spajanjem
postoje cih nadovezuju ci ih u jedan, ali dui tap. Nazovimo taj proces
konkatenacija i ozna cimo ga krui cem . Imaju ci duljinu u primisli o ce-
kujemo od funkcije da je invarijantna na komutativnost i asocijativnost
konkatenacije, tj. da r s ima istu duljinu kao i s r, a (r s) t ima
istu duljinu kao i r (s t). Je li mogu ce izra cunati duljinu tapa nasta-
log konkatenacijom ako je poznata duljina svakog pojedinog tapa. Dru-
gim rije cima ne elimo ponavljati eksperiment s konkaterniranim tapom
ve c elimo imati mogu cnost izra cunavanja duljine konkateniranih tapova.
Najjednostavnije je prihvatiti, imaju ci u vidu bogato iskustvo u mjerenju
duljine da je
(r r
) = (r) + (r
).
Gornja pretpostavka je dodatni zahtjev na prirodu kvalitete (objekata) koju
mjerimo. To je ujedno i dodatni zahtjev na ishod eksperimenta uspore di-
vanja koji nuno moraju biti kompatibilni s konkatenacijom, tj.
r r
& t t
= r t r
.
Cest je slu caj u praksi da su i ti zahtjevi narueni, no mi bismo i dalje htjeli

imati teoriju koja bi rekonstruirala funkciju .
Primijetimo da nas elja za ra cunanjem duljine konkateniranih tapova
vodi u apstraktnu konstrukciju dovoljno bogate strukture ciji jedan, i to
kona can dio, cine nai polazni objekti. Imaju ci u vidu elju da rezultat
mjerenja bude broj, ta apstraktna struktura mora biti dovoljno bogata da
ima strukturu koja je na neki na cin bliska strukturi realnih brojeva. To su
u cinili von Neumann i Morgenstern i o tome ce kasnije biti govora.
Evo jednostavnog primjera. Pretpostavimo da imamo pet tapova r
1
, r
2
,
r
3
, r
4
, r
5
i da zbog nedostatka prostora moemo konkatenirati najvie dva
tapa i da, jo k tome, nisu mogu ce ba sve konkatenacije. Osim toga, pret-
postavimo da ne postoji mogu cnost repliciranja pojedinih tapova, tako da
konkatenacija tapa sa samim sobom tako der nije izvediva. Pretpostavimo
da su rezultati uspore divanja duljine konkateniranih tapova sljede ci:
r
1
r
5
r
3
r
4
r
1
r
2
r
5
r
4
r
3
r
2
r
1
.
Na je problem konstruirati funkciju za koju ce ra cun duljine konkateni-
ranih tapova biti u skladu s eksperimentom. U sljede coj tablici dane su tri
mogu ce takve funkcije.

r
1
14 10 14
r
2
15 91 16
r
3
20 92 17
r
4
21 93 18
r
5
28 100 29
Sve tri funkcije jednako dobro reektiraju eksperiment uspore divanja ne-
konkateniranih tapova, jer su kompozicije

1
i

1
strogo
rastu ce. Me dutim, samo prva i tre ca su u skladu s konkatenacijom jer je
(r
1
r
5
) = 110 a (r
3
r
4
) = 185 to nije u skladu s eksperimentom
r
1
r
5
r
3
r
4
.
Od ovakvih numeri ckih reprezentacija duljine imamo ograni cenu ko-
rist. Izazivaju covjeka da predvi da duljinu konkatenacije koju nije mogao
izvriti. Tako na primjer, mogli bismo zaklju citi da je r
2
r
3
r
1
r
4
jer
je (r
2
) +(r
3
) = 15+20 = 14+21 = (r
1
) +(r
4
), a kad bi umjesto
koristili
dobili bismo zaklju cak r

2
r
3
r
1
r
4
.
U cemu smo pogrijeili? to je to to jo nismo uo cili a implicitno je
sadrano u svakom mjerenju? To je postojanje standardnog ili etalon metra
koji slui kao jedinica za mjerenje, ozna cimo ga s s
0
. Zatim pretpostavlja-
mo da mogu ce u ciniti dovoljan broj kopija s
1
, s
2
, . . . od s
0
. Imamo dakle
s
0
s
1
, s
0
s
2
, s
0
s
3
, . . .
1. UMJESTO UVODA 13
Dogovorimo se tako der da je duljina od s
0
jednaka 1. Koriste ci s
0
i nje-
gove kopije moemo bez sumnje odrediti duljini svakog pojedina cnog i
konkateniranog tapa na sljede ci na cin. Prvo odredimo standardne nizove
duljine n koje cemo ozna citi s S(n) = s
1
s
2
s
n
, to su sloeni objekti
nastali konkatenacijom n savrenih kopija standardnog metra s
0
. Mjerna
duljina od S(n) je to cno n.
Uzmimo sada proizvoljan tap r i usporedimo ga sa standardnim nizo-
vima: S(1), S(2), . . . Dva su mogu ca slu caja. Postoji standardni niz S(k)
tako da je r S(k), u tom slu caju je mjerni broj (r) = k, ili postoje
dva uzastopna niza S(k 1) i S(k) takva da je r S(k 1) i S(k) r.
To zna ci da je (r) takav da je k 1 < (r) < k.

Cini se da smo u
gabuli jer jo uvijek nismo to cno odredili (r). Kako nastaviti dalje? To
ovisi o tehnologiji pravljenja savrenih kopija. Pretpostavimo da je mo-
gu ce napraviti savrenu kopiju, ne samo etalon metra, nego i bilo kojeg
drugog tapa. Ako je to tako onda moemo replicirati tap r i napraviti
niz savrenih kopija r
1
, r
2
, . . . tog tapa. Kao i ranije sada uspore dujemo
r
1
r
2
sa standardnim nizovima S(1), S(2), . . . i moemo odrediti vrijed-
nost (r
1
r
2
) = 2(r) unutar intervala duljine 1. To drugim rije cima
zna ci da moemo (r) odrediti unutar intervala duljine 1/2. Ponavljaju-
ci isti postupak za konkatenaciju r
1
r
2
r
n
moemo odrediti (r)
unutar intervala duljine 1/n, dakle s proizvoljnom to cno cu. Govoreno
matemati ckim rje cnikom moemo konstruirati konvergentan niz ciji je li-
mes jednak (r).
Pretpostavka da je mogu ce savreno replicirati bilo koji objekt je jaki
tehnoloki zahtjev. Ako to nije mogu ce, izlaz moemo potraiti u usitnja-
vanju standardnog metra i pravljenju savrenih kopija njegovih dijelova.
Matemati cki aparat koji je u pozadini mjernog procesa gore opisanog, ba-
ziran je na teoriji ure denih grupa i lijepo je opisan u knjizi [22].
Korisno je gore opisani proces imati na umu kod sloenijih mjerenja
u socijalnim znanostima na primjer. Osnovni koraci su, ponovimo to jo
jednom, sljede ci:
relacije i koje izraavaju eksperimentalne cinjenice uspore-
divanja objekata,
operaciju konkatenacije koja dozvoljava konstrukciju sloenih
objekata,
konzistentnost , i ,
mogu cnost izrade savrenih kopija pojedinih objekata za izgrad-
nju standardnih nizova.
U prethodnom primjeru izbora lokacije za novi ured traili smo ekvi-
valentne zamjene. U tom procesu izjedna cavali smo duljinu, moda je
bolje u ovom slu caju re ci vanost, intervala preferencije za razli cite atribu-
te. Prisjetimo se kako smo odredili alternativu c
: izjavili smo da interval

[25, 20] za atribut udaljenost ima istu duljinu kao interval [70, 78] za atri-
but klijenti.
Zamislimo sada alternativu f koja bi bila identi cna alternativi c osim
po vrijednosti atributa klijenti koja iznosi 78% na primjer. Ponovno moe-
mo pitati koliko pove canje u postotku klijenata ce kompenzirati gubitak od
5 minuta u udaljenosti. Uspore dujemo dakle, sljede ce dvije alternative u
tablici:
f f
udaljenost 20 25
klijenti 78 78+
opremljenost C C
veli cina 500 500
najam 1500 1500
Pretpostavimo da je odgovor da ce za vrijednost = 10 alternative f i f
biti indiferentne. To zna ci da interval [25, 20] u atributu udaljenost ima istu
duljinu kao i interval [78, 88] u atributu klijenti. Sada znamo da intervali
[70, 78] i [78, 88] imaju istu duljinu pa smo u sli cnoj situaciji kao kod
odre divanja standardnih nizova samo to smo to postigli koriste ci drugi
atribut u ulozi posrednika.
1.3. Preferencijalna zavisnost kriterija. Pogledajmo jo jedan pri-
mjer, ovaj puta se radi o ocjenjivanju u cenika. Ocjenjivanje je posebno
teko modelirati jer tu dolazi do izraaja efekt interakcije me du kriterijima
koji naruava aditivnost kriterija kakvu smo imali do sada. Evo primjera
za ilustraciju.
PRIMJER 1.2.

Cetiri u cenika su pristupila ispitima iz zike, matema-
tike i ekonomije i rezultati tih ispita dani su u sljede coj tablici:
F M E
a 18 12 6
b 18 7 11
c 5 17 8
d 5 12 13
Svaki redak u gornjoj tablici predstavlja sve ocjene tog studenta-retka, ka-
emo da je to njegov prol, a cijela tablica je skup prola. Uobi cajen
tehnika donoenja zajedni cke ocjene za sve kriterije je ra cunanje srednje
2. SLABA PREFERENCIJA 15
ocjene po formuli
o =
n
i=1
w
i
o
i
,
gdje je n broj kriterija (parcijalnih ocjena) s teinama w
1
, . . . , w
n
,
n
i=1
w
i
=
1 i o
i
parcijalna ocjena studenta na temelju kriterija c
i
. Srednje ocjene stu-
denata a, b su jednake i iznose 12, a isto tako su jednake i srednje ocjene
studenata c, d i iznose 10.
Pogledajmo sada kako razmilja nastavnik, donosilac odluke. Napo-
menimo jo da je maksimalna mogu ca ocjena 20 i da je prag prolaznosti
10. Tablica sugerira da studente a i b rangiramo ispred sudenata c i d.
Student c je podbacio u dva predmeta i razumno ga je staviti na dno lis-
te. Student a ima ve ci zbroj ocjena iznad praga od studenta b pa nastavnik
smatra da bi studenta a trebalo rangirati ispred b. Slijede ci istu nit raz-
miljanja student d je bolji od studenta c jer ima ocjene iz matematike i
ekonomije iznad praga dok student c ima samo jednu takvu ocjenu. Stoga
je razumno studenta d rangirati ispred c. Rezultat ovakvog razmiljanja je
rangiranje
a b d c.
Gornje rangiranje nije u skladu s metodom srednje ocjene to se vidi
iz sljede ceg razmatranja. Ozna cimo teine kurseva s w
F
, w
M
i w
E
.
Ako je srednja ocjena od a ve ca nego srednja ocjena od b onda je
nuno w
M
> w
E
. Zaista,
18w
F
+ 12w
M
+ 6w
E
> 18w
F
+ 7w
M
+ 11w
E
w
M
> w
E
,
ako je srednja ocjena od d ve ca nego srednja ocjena od c onda je
nuno w
E
> w
M
. Zaista,
5w
F
+ 12w
M
+ 13w
E
> 5w
F
+ 17w
M
+ 8w
E
w
E
> w
M
,
to vodi na kontradikciju.
Aritmeti cka sredina je dobar primjer metode koja ima odraava svoj-
stvo preferencijalne nezavisnosti kriterija. Preciznije:
ako dva studentska prola imaju istu vrijednost ocjene
po nekom kriteriju onda se promjenom teine tog krite-
rija ne moe promijeniti odnos preferencija u ukupnom
poretku izra cunatom na temelju svih kriterija.
2. Slaba preferencija
DEFINICIJA 2.1. Binarna relacija na skupu S je:
reeksivna ako je a a,
potpuna ako je a b ili b a,
simetri cna ako a b = b a,
antisimetri cna ako a b = b , a,
tranzitivna ako a b & b c = a c,
za svako a, b, c S. Za ure dajnu relaciju kaemo da je slaba preferen-
cija ako potpuna i tranzitivna. Za zadanu slabu preferenciju deniramo
relaciju stroge preferencije
a b ako i samo ako a b & b , a
i relaciju indiferencije
a b ako i samo ako a b & b a.
ZADATAK 2.2. Dokazati da:
je relacija ekvivalencije
a b & b c = a c,
a b & b c = a c,
za sve a, b, c S.
Relacija slabe preferencije na nekom skupu alternativa izraava raci-
onalnu strukturu osobnih preferencija donosioca odluke. Donosilac odlu-
ke, kad izraava svoje osobne preferencije na velikom skupu alternativa
moe biti i nekonzistentan u smislu da njegove preferencije nisu tranzi-
tivne. Ako te preferencije shvatimo kao usmjeren graf onda je inkonzis-
tentnost ekvivalentna egistenciji pozitivnih/negativnih ciklusa u tom grafu.
Sljede ci teorem govori o vanosti tranzitivnosti osobnih preferencija za nji-
hovu numeri cku reprezentaciju.
TEOREM 2.3 (Savage, 1954). Neka je relacija slabe preferencije na
skupu S. Tada postoji funkcija V : S R koja je u skladu s relacijom tj.
(2.1) x y V (x) V (y).
DOKAZ. Denirajmo
V (x) = #S(x)
gdje je #oznaka za broj elemenata skupa i S(x) = y S [ x y . Tada
je V traena funkcija. Pretpostavimo da je x y. Tada je S(y) S(x)
i skupovi S(x) i S(y) su jednaki ako je x y, a S(y) je strogi podskup
od S(x) ako je x y jer tada S(y) sigurno ne sadri element x. Time je
dokazana nejednakost V (x) V (y).
Obratno, pretpostavimo da je V (x) V (y) i x , y. To zna ci da je y
x pa je prema prethodnoj tvrdnji V (y) > V (x) to vodi na kontradikciju.
2. SLABA PREFERENCIJA 17
Funkcija V iz teorema je jedna ordinalna skala na kojoj smo izmjerili
elemente skupa S i svaku funkciju V koja je u skladu sa slabom preferen-
cijom nazivamo ordinalnom funkcijom vrijednosti. Funkcija vrijednosti
nije jedinstvena to se vidi iz sljede ceg teorema.
TEOREM 2.4. Neka je V funkcija vrijednosti na S. Tada je W funkcija
vrijednosti na S ako i samo ako je W = h V gdje je h : R R strogo
rastu ca funkcija.
DOKAZ. Pretpostavimo da je h : R R strogo rastu ca funkcija i
W = h V . Tada je
x y V (x) V (y) h V (x) h V (y)
zbog monotonosti od h, to dokazuje uskla denost slabe preferencije i funk-
cije W. Obratno, neka su W, V dvije funkcije vrijednosti na S. Tvrdimo
da postoji strogo rastu ca funkcija takva da je W = h V . Denirajmo
h(V (x)) = W(x), x S.
Funkcija h je denirana na skupu V (S) s vrijednostima u R. Tvrdimo
da je strogo rastu ca. U tu svrhu pretpostavimo da je V (x) < V (y). Zbog
uskla denosti V i slabe preferencije ja tada y x. Sad iskoristimo cinjenicu
da je W funkcija vrijednosti to daje W(y) > W(x) i dokazuje strogu
monotonost od h. Jedino preostaje dokazati da se funkcija h sa skupa V (S)
moe proiriti na cijeli skup realnih brojeva tako da stroga monotonost
ostane sa cuvana. Taj detalj ostavljamo citaocu.
ZADATAK 2.5. Zamislimo situaciju u kojoj je skup S prebrojiv. Da li
i tada vrijede teoremi 2.3 i 2.4?
U primjeru 1.2 vidjeli smo da srednja vrijednost nije uvijek dobar na-
cin za rangiranje kandidata. S tom napomenom u vidu, ispitiva c je uzeo u
obzir prol svakog kandidata i uspore divao je prole, a ne pojedine ocje-
ne. Njegovo je razmiljanje bilo vie intuitivnog karaktera. Pokuajmo
ga malo vie formalizirati na na cin da konstruiramo relaciju dobivenu iz
uspore divanja po parovima na skupu prola
T = (a), (b), (c), (d).
Sve takve preferencije moemo slikovito prikazati usmjerenim grafom, v.
sliku 1 u kojem strelica (a) (b) zna ci da prol (b) preferiramo u
osnosu na prol (a). Ekvivalenciju, u grafu, ozna cavamo dvosmjernom
strelicom (a)(b). Po dogovoru smatramo da je (a)(a) za
svaki prol (a), ali to ne cemo u grafu posebno ozna cavati. Na temelju
takvog usmjerenog grafa treba donijeti rang listu kandidata ako je to uop ce
(a)
(b) (c)
(d)
SLIKA 1. Graf preferencija
mogu ce. Inkonzistentnost se o cituje u postojanju usmjerenog ciklusa u
grafu, npr. u gornjem grafu je prisutan usmjeren ciklus
(a) (b) (c) (a).
Postojanje usmjerenih ciklusa naruava tranzitivnost relacije i nije mogu ce
konstruirati funkciju vrijednosti prema teoremu 2.3 koja bi bila uskla dena
s relacijom. Jedan na cin modeliranja takvog problema koji bi opravdao
nastavnikovo rangiranje je pomo cu fuzzy integrala. Drugi jednostavniji
na cin je pomo cu metode potencijala koju cemo kasnije objasniti.
2.1. Tabli cni zapis preferencija. Preferencije donosioca odluke na
skupu alternativa S predstavljaju relaciju koja nije nuno relacija slabe
preferencije. Preciziranje te relacije u praksi se naziva uspore divanjem u
parovima jer se za svaki par alternativa precizira kojoj se alternativi daje
prednost, ili se iskazuje njihova ekvivalentnost. Te se preferencije mogu
zapisati u matrici ili tablici preferencija na sljede ci na cin. Jednostavnosti
radi ozna cimo S = 1, 2, . . . , n. Tada u matrici preferencija R piemo
r
ij
=
_
, ako je i j
_, ako je j i
O cito je r
ii
= _ za svaki i S jer je i i i
r
ij
= r
ji
= _ ako i samo ako je i j.
Prema teoremu 2.3, ako je relacija slabe preferencije onda je vrijednost
funkcije vrijednosti V (i) jednaka broju u i-tom retku.
Tablica preferencija iz primjera s ocjenama 1.2 je dana u tabeli 2.1.
Primijetite da je na dijagonali tablice _ jer je relacija slabe preferencije
reeksivna, tj. p p za svaki p T.
3. O MJERENJU 19
(a) (b) (c) (d)
(a) _ _ _
(b) _ _ _
(c) _ _ _
(d) _ _
TABLICA 2.1. Tabli cni zapis relacije iz slike 1.
3. O mjerenju
U apstraktnom smislu mjerenje na skupu S je funkcija koja svakom
elementu skupa S pridjeljuje neku numeri cku vrijednost. Uvrijeeni ter-
min za numeri cku vrijednost obiljeja kojeg mjerimo je statistika. Lju-
di elementima skupa S pridjeljuju obiljeja (kvalitetu) i onda ta obiljeja
mjere. Tako na primjer, za svakog u cenika iz nekog razreda moemo mje-
riti njegovu visinu, teinu ili prosje can uspjeh iz matematike. Uo cavanjem
jednog obiljeja elemenata skupa S i mjerenjem istog omogu cavamo ana-
lizu tog obiljeja ra cunanjem raznih statistika kao i usporedbe razli citih
skupova na temelju izra cunatih statistika.
U odlu civanju je proces mjerenja neto otean jer mjerenje nije niti
direktno niti egzaktno. Primjer direktnog mjerenja je mjerenje zikalnih
veli cina kao to je mjerenje irine stola, mase nekog objekta ili zapremnine
neke posude, gdje direktno uspore dujemo dvije veli cine iste kvalitete.
Mjerenje sile je neto sloenije jer nju mjerimo dinamometrom ko-
ji mjeri relativno produljenje opruge i zatim, uvaavaju ci zikalni odnos
izme du sile i relativnog produljenja elasti cne opruge, izbacuje iznos iz-
mjerene sile. Drugim rije cima, mjerimo jednu zikalnu veli cinu i zatim
izra cunavamo drugu. To izra cunavanje je ugra deno u instrument i jedino
to treba u ciniti je dobro ga badariti tj. odrediti mjernu skalu. U pozadi-
ni donoenja odluke je sli can proces. Mi uspore dujemo dvije alternative i
jednoj od njih dajemo prednost (A B).
Ako nije jo sasvimjasno zbog cega je rangiranje alternativa indirektno
onda se vratimo na po cetak i prisjetimo se naeg cilja. Cilj nam je rangi-
rati alternative ali ih ne moemo direktno mjeriti nego to cinimo tako da
ih uspore dujemo prema nekom obiljeju. Mjerimo intenzitet preferencije a
zatim ra cunamo rang ili vrijednost objakata pomo cu neke metode. Direk-
tno mjerenje uo cenog obiljeja, npr. zadovoljstvo kupnjom ili odre divanje
razine nezadovoljstva poslom je na prvi pogled teko izvedivo. Prihvatlji-
vije je dati preferencije jednoj od dviju kupovina ili usporediti koji od dva
uzroka nezadovoljstva na poslu ima ve ci utjecaj na psihi cko stanje.
3.1. Kvantitativna smislenost. Funkcija vrijednosti denirana u te-
oremu 2.3 naziva se jo i ordinalna funkcija ili ordinalna skala. Teorem
2.4 tvrdi da je ordinalna skala jedinstvena do na kompoziciju sa strogo ras-
tu com funkcijom. Slobodnije re ceno, strogo rastu ce funkcije su dozvoljene
transformacije ordinalne skale. Sljede ca lema pokazuje da pri manipulira-
nju s ordinalnom skalom moramo biti vrlo oprezni i ne donositi zaklju cke
na temelju nedozvoljenih manipulacija.
LEMA 3.1. Nejednakost izme du aritmeti ckih sredina nije invarijant-
na na strogo rastu ce transformacije. Drugim rije cima, ako je V ordinalna
funkcija onda
n
i=1
i
V (a
i
)
n
i=1
i
V (a
i
)
ne povla ci da za svaku strogo rastu cu funkciju h vrijedi
n
i=1
i
h(V (a
i
))
n
i=1
i
h(V (a
i
)),
gdje je
i
,
i
0 i
n
i=1
i
= 1,
n
i=1
i
= 1.
Dokaz leme ostavljamo citaocu. U knjizi French [?] mogu se na ci
interesantni primjeri iz svakodnevnog ivota kao i dokaz leme.
Gornja lema sugerira da se uvede pojam kvantitativne smislenosti ne-
ke tvrdnje.
DEFINICIJA 3.2. Za neku tvrdnju koja uklju cuje skalu kaemo da je
kvantitativno smislena ako njezina vrijednost istinitosti ne ovisi o dozvo-
ljenoj transformaciji skale.
Prethodna lema zaklju cuje da tvrdnja:
Srednja ordinalna vrijednost jedne grupe objekata je
ve ca od srednje ordinalne vrijednosti druge grupe obje-
kata.
nije kvantitativno smislena. To zna ci da za ordinalne skale nema smisla us-
pore divati njihove srednje vrijednosti. Za omjernu, intervalnu i apsolutnu
skalu me dutim, to ima smisla. Ako je V ordinalna skala i h strogo rastu ca
transformacija tada je jedina kvantitativno smislena tvrdnja:
V (a) V (b) h(V (a)) h(V (b)).
4. IZMJERIVOST. RACIONALNA TEORIJA ODLU
CIVANJA 21
3.1.1. Klasikacija skala. Poznavaju ci skup dozvoljenih transforma-
cija, skale moemo klasicirati na sljede ci na cina:
Ordinalna skala: Dozvoljene transformacije cine skup strogo ras-
tu cih funkcija. Ordinalna funkcija vrijednosti je jedan primjer
ordinalne skale.
Intervalna skala: Dozvoljene transformacije cine skup svih pozi-
tivnih anih transformacija. To su transformacije oblika
h(t) = t +, > 0, t R.
Primjer takve skale je izmjeriva funkcija vrijednosti, aditivna funk-
cija vrijednosti i potencijal. Temperatura se mjeri intervalnom
skalom ako zaboravimo apsolutnu nulu.
Omjerna skala: Dozvoljene transformacije cine skup svih transfor-
macija sli cnosti. To su transformacije oblika
h(t) = t, > 0.
Primjer takve skale je linearna funkcija vrijednosti, mjerenje te-
ine tako der spada u tu vrstu skale.
Apsolutna skala: Jedina dozvoljena transformacija je identiteta, tj.
h(t) = t, t R. Primjer takve skale je vjerojatnost na nekom
skupu.
3.2. Kvalitativna smislenost. Neka tvrdnja moe biti kvantitativno
smislena ali je i dalje besmislena za korisnika ako ne odraava neki kva-
litativni, substancijalni smisao. To prvenstveno zna ci da tvrdnja koja nas-
toji biti kvalitativno smislena mora prvo biti kvantitativno smislena. Tako
na primjer, za potencijal X deniran na cvorovima usmjerenog grafa raz-
lika potencijala ima kvantitativni smisao ali ako je ta razlika takva da je u
skladu s nekom relacijom slabe preferencije onda tvrdnja
X(a) X(b), = (b, a) /
postaje kvalitativno smislena jer odraava jedan kvalitativni odnos me du
cvorovima, a to je prisutan ure daj slabe preferencije. Razlika izme du kvan-
titativne i kvalitativne smislenosti je vrlo subtilna i najbolje ju je pojasniti
primjerom.
4. Izmjerivost. Racionalna teorija odlu civanja
U osnovi konstrukcije funkcije vrijednosti je relacija slabe preferenci-
je. Na prvi pogled izgleda razumno re ci da donosilac odluke preferira a u
odnosu na b vie nego nego to preferira c u odnosu na d ako i samo ako
je vie spreman odustati od b u zamjenu za a nego odustati od d u zamjenu
za c.
Ozna cimo s (a b) prihva canje a u zamjenu za b ili kra ce zamje-
na. Donosilac odluke sada ima dvije relacije slabe prefferencije s kojima
se mora suo citi, jedna je relacija na objektima, a druga je relacija
e
na
zamjenama. Svaka relacija za sebe generira funkciju vrijednosti s napome-
nom da je prva denirana na skupu objekata, a druga na skupu zamjena.
Nas interesira njihova uskla denost, odnosno odgovor na pitanje je li mogu-
ce na ci takvu funkciju vrijednosti v na skupu objekata S koja zadovoljava:
ab v(a) v(b) (4.1)
(a b)
e
(c d) v(a) v(b) v(c) v(d). (4.2)
Takvu funkciju, ako postoji, zvati cemo izmjerivom funkcijom vrijednosti.
O cito je v ordinalna funkcija vrijednosti, dok (4.2) zahtijeva da je razlika
v(a) v(b) ordinalna funkcija vrijednosti na skupu zamjena uskla dena s
e
.
TEOREM 4.1. Sljede ci aksiomi su nuni i dovoljni za egzistenciju iz-
mjerive funkcije vrijednosti:
Aksiom 4.1.1. (Slabi ure daj) Relacija je relacija slabe preferencije na
skupu objekata, a relacija
e
je relacija slabe preferencije na skupu
zamjena.
Aksiom 4.1.2. (Uskla denost i
e
) a, b S
ab (a b)
e
(c c) c S.
Aksiom 4.1.3. (Inverzija) a, b, c, d S
(a b)
e
(c d) (d c)
e
(b a).
Aksiom 4.1.4. (Konkatenacija) a, b, c, d, e, f
(a b)
e
(d e)
(b c)
e
(e f)
_
= (a c)
e
(d f).
Aksiom 4.1.5. (Rjeivost) b, c, d S a S tako da je
(a b)
e
(c d).
b, c S a S tako da je
(b a)
e
(a c).
Aksiom 4.1.6. (Arhimedovost) Svaki strogo ome deni standardni niz je ko-
na can.
DOKAZ. bit ce
CIVANJA 23
4.0.1. Jedinstvenost izmjerive funkcije vrijednosti. Ordinalna funkci-
ja vrijednosti jedinstvena je do na strogo rastu ce transformacije, v. teorem
2.3. Izmjeriva funkcija zadovoljava vie zahtjeva od ordinalne pa je za o ce-
kivati da klasa dozvoljenih transformacija bude manja. Jedno je o cigledno,
ako je (t) = t +, > 0, onda je kompozicija v tako der izmjeriva
funkcija vrijednosti jer je
v(a) v(b) v(c) v(d)
_
v(a) v(b) v(c) v(d)
_
(v(a)) (v(b)) (v(c)) (v(d))
i o cigledno je zadovoljen zatjev (4.2) za kompoziciju v. Pitanje je vrijedi
li obrat. Sljede ci primjer pokazuje da to nije istina.
PRIMJER 4.2. Neka je S = a, b, c i pretpostavimo da vrijedi:
a c b c; (a c)
e
(a b)
e
(b c).
Tada su v(a) = 10, v(b) = 3, v(c) = 0 i w(a) = 12, w(b) = 4, w(c) =
0 izmjerive funkcije vrijednosti povezane strogo rastu comfunkcijom(10) =
12, (3) = 4, (0) = 0 koja nije ana transformacija gorjeg tipa jer
12 4
10 3
,=
3 0
4 0
.
Sljede ci teorem pokazuje da jedinstvenost izmjerive funkcije do na po-
zitivnu anu transformaciju zahtijeva izvjesno bogatstvo skupa S.
TEOREM 4.3. Pretpostavimo da je ispunjen zahtjev slabe rjeivosti:
a, b, c S x S tako da je
(x c)
e
(a b).
Tada je izmjeriva funkcija vrijednosti jedinstvena do na pozitivnu anu
transformaciju. Drugim rije cima, ako su v i w dvije izmjerive funkcije
vrijednosti onda postoje realni brojevi > 0 i tako da je
w(a) = v(a) + a S.
4.1. Kvalitativna i kvantitativna smislenost. Neka je S zadani ko-
na can skup v : S R i , R
n
. Lako se vidi da
n
i=1
i
v(a
i
)
n
i=1
i
v(a
i
)
ne implicira da je za svaku strogo rastu cu funkciju ,
n
i=1
i
(v(a
i
))
n
i=1
i
(v(a
i
)).
Posljedica toga je da srednja vrijednost ordinalne funkcije vrijednosti
nije invarijantna na rastu ce transformacije skale. Drugim rije cima, kvan-
titativne operacije s ordinalnim vrijednostima nisu smisleni pokazatelji na
kojima se mogu bazirati bilo kakvi zaklju cci. Iz gornje cinjenice moemo
izvesti jo jedan zaklju cak, a taj je da ure daj me du razlikama ordinalnih
vrijednosti tako der nije sa cuvan, drugim rije cima:
v(a
1
) v(a
2
) v(a
3
) v(a
4
)
ne implicira da je za svaku strogo rastu cu funkciju ,
(v(a
1
)) (v(a
2
)) (v(a
3
)) (v(a
4
)).
Ta je tvrdnja specijalan slu caj prethodne ako speciciramo
1
= 1;
2
= 1 i
i
= 0 za prostale vrijednosti indeksa i;
3
= 1;
4
= 1 i
i
= 0 za prostale vrijednosti indeksa i.
Ovdje je zgodan trenutak da se objasni pojam kvalitativne i kvanti-
tativne smislenosti neke tvrdnje. Tvrdanja je kvantitativno smislena ako
je invarijantna na dozvoljene transformacije skale. Za ordinalnu funkci-
ju vrijednosti dozvoljene transformacije su kompozicije sa strogo rastu cim
funkcijama. Uspore divanje aritmeti ckih sredina dviju ordinalnih funkcija
vrijednosti nije kvantitativno smisleno. Kvalitativna smislenost je funda-
mentalniji pojam. Ona zahtijeva od donosioca odluke da jasno razumije
kvalitativne odnose izraene relacijama i
e
na primjer. Sljede ci pri-
mjer pokazuje vanost razumijevanja odnosa me du zamjenama.
PRIMJER 4.4. Pretpostavimo da je S = a, b, c, d skup sljede cih sce-
narija:
a savrenog ste zdravlja i dobili ste 50000 kn na lotu
b savrenog ste zdravlja i dobili ste 49999 kn na lotu
c loeg ste zdravlja, bez bolova. Nemate neka velika o cekivanja
od ivota. Niste dobili dobitak na lotu.
d umirete s tekim bolovima, ostalo vam je jo 48 sati ivota.
Ve cina ce se sloiti da je skok u kvaliteti ivljenja ve ci na zamjeni (c d)
nego u zamjeni (a b). O cigledno je dakle (c d)
e
(a b). Ali
ako pitamo koju bi zamjenu najradije odabrali ljudi uglavnom odgovara-
ju: (a b), to je posljedica njihove ksiranosti na stanje, tj. oni bi radije
zavrili u stanju a nego u stanju c.
To je tipi cna greka da ljudi kod uspore divanja zamjena uspore duju
rezultat zamjene, a ne same zamjene. Vidi tako der zadatak 5.1.
CIVANJA 25
4.2. Deskriptivni modeli odlu civanja. U naem izlaganju mi cemo
uglavnomopisivati kako bi racionalan donosilac odluke trebao odlu civati.
Sociolozi i psiholozi prou caju i deskriptivne modele tj. kako ljudi donose
odluke u stvarnosti, gdje i u kojoj mjeru odstupaju od normativnog modela
i pokuavaju objasniti zato je to tako. Deskriptivni modeli se doista razli-
kuju od normativnih koji su na glavni interes. Ovdje cemo ukratko opisati
neke od tih modela i uputiti zainteresiranog citaoca na literaturu iz tog po-
dru cja. Mi cemo kratko opisati dva osnovna tipa descriptivnih modela,
jedan baziran na poluure daju s drugi baziran na stohasti ckoj preferenciji.
4.2.1. Poluure daj i intervalni ure daj. Empiri cki gledano jedan od glav-
nih problema u odlu civanju je intranzitivnost relacije indiferencije . To
je posljedica neodlu civosti donosioca odluke da razlikuje situacije karak-
terizirane bliskim vrijednostima nekih parametara. Tako na primjer, ako u
kavu dodamo li cicu e cera osjetiti cemo razliku u slatko ci, ako dodamo
jedno zrno e cera to ce biti znatno tee. Ako s v ozna cimo koncentraci-
ju e cera u kavi onda ce donosilac odluke mo ci kvalitativno razlikovati te
koncentracije ako se dovoljno razlikuju numeri cki tj.
(4.3) a P b v(a) > v(b) +
za neku konstantu > 0. Ako je razlika koncentracija manja onda je
indiferentan tj.
(4.4) a I b v(b) v(a) v(b) +
Ovo je samo primjer i motivacija za deniciju aksiomatske denicije polu-
ure daja.
DEFINICIJA 4.5. Relaciju P nazivamo puluure dajem ako zadovoljava
sljede ce zahtjeve
Aksiom 4.5.1. P je antireeksivna, tj. a S a P a.
Aksiom 4.5.2. a, b, c, d S
(a P b & b P c) = ili a P d ili d P c ili oboje.
Aksiom 4.5.3. a, b, c, d S
(a P b & c P d) = ili a P d ili c P b ili oboje.
Aksiom 4.5.4. (Konzistentnost I i P ) a, b S
a I b a P b i b P a.
Nije sasvim jasno to aksiomi 4.5.13 govore pa je dobro ilustrirati to
na kvantitativnoj reprezentaciji. Neka su a, b, c takvi da je a P b & b P
c. Intervali [v(b), v(a)] i [v(c), v(b)] oba imaju duljinu koja je ve ca od .
Prema aksiomu 4.5.2 ne postoji to cka v(d) na udaljenosti manjoj od od
v(a) i v(c). Da bi razumjeli to tvrdi aksiom 4.5.3 pretpostavimo a P b i
c P d. Tada je v(a) > v(b) + i v(c) > v(d) + . Dvije su mogu cnosti
sada, v(a) v(c) ili v(c) v(a) (ili obje). Tada
v(a) v(c), v(c) > v(d) + = v(a) > v(d) + a P d
v(c) v(a), v(a) > v(b) + = v(c) > v(b) + c P b.
PROPOZICIJA 4.6. Ako P i I zadovoljavaju zahtjeve 4.5.14 onda je P
antisimetri cna i tranzitivna, a I je simetri cna i reeksivna.
DOKAZ. Dokazujemo tranzitivnost relacije P. Pretpostavimo da je
a P b & b P c. Prema aksiomu 4.5.2, ako speciciramo d = c, onda je
a P c ili c P c ili oboje. Kako je mogu cnost c P c isklju cena zbog aksioma
4.5.1 to je a P c to dokazuje tranzitivnost od P.
Antisimetri cnost relacije P. U suprotnom je a P b & b P a pa prema
aksiomu 4.5.3 slijedi a P a ili b P b to je u suprotnosti s aksiomom 4.5.1.
Simetri cnost relacije I slijedi direktno iz njene denicije, dok je njena
reeksivnost direktna posljedica aksioma 4.5.1.
TEOREM 4.7. Aksiomi 4.5.14 su nuni i dovoljni za kvantitativnu
reprezentaciju (4.3) i (4.4) uz pretpostavku da je S kona can skup.
DOKAZ. Vidi, Roberts [31].
Koncept poluure daja moe se i oslabiti na intervalni ure daj. To je ure-
daj koji koji zadovoljava aksiome 4.5.1 i 4.5.3; dakle, nema zahtjeva da
zadovoljava aksiom 4.5.2. Poluure daj je intervalni ure daj ali obrnuto ne
vrijedi. Kvantitativna reprezentacija intervalnog ure daja je sljede ca: pos-
toje dvije funkcije v i takve da je (a) > 0 a S i
a P b v(a) v(b) +(b).
Oba ure daja opisuju istu ideju, tj. dva objekta se razlikuju ako je jedan
dovoljno bolji od drugoga, s tim da je konstanta kod poluure daja i ovisi
o b kod intervalnog ure daja. Detaljnije o intervalnom ure daju moe se na ci
u knjizi Fishburn [14] i Roberts [31].
4.2.2. Stohasti cka preferencija. Ako vam je ponu den izbor izme du
banane i jabuke u vie navrata ho cete li uvijek birati bananu ili cete kat-
kad birati bananu a katkad jabuku ovisno o raspoloenju. Za ve cinu ljudi
nema pravila i to je situacija koja inspirira drugu klasu descriptivnnih mo-
dela, stohasti cki model preferencije.
Svakom paru objekata iz S ovaj model pridruuje vjerojatnost p
ab
ko-
ja se interpretira kao naklonost donosioca odluke da izabere a ako mu je
ponu den izbor izme du a i b. Tako na primjer, ako je p
ab
= 0.6 onda je
time izraena spremnost donosioca odluke da u 60% slu cajeva izabere a,
5. ZADACI 27
ako mu je ponu den izbor izme du a i b. Pri tome je razumno zahtijevati da
da se izbor jedne od ponu dene dvije alternative mora izvriti tj.
p
ab
+p
ba
= 1,
uz dogovor paa =
1
2
. Pitanje je da li u pozadini zadanih vjerojatnosti
p
ab
[ a, b S stoji neka struktura. Ako je vjerojatnost p
ab

1
2
onda tu
informaciju moemo interpretirati kao preferiranje alternative a u odnosu
na alternativu b od strane donosioca odluke. Razumno je denirati relaciju
a b p
ab

1
2
i pitati se za njenu tranzitivnost. Ako su preferencije donosioca odluke
dovoljno strukturirane onda, v. teorem ??, onda postoji kvantitativna re-
prezentacija stohasti cke preferencije u obliku
p
ab
=
V (a)
V (a) +V (b)
za neku realnu funkciju V na skupu alternativa. Tada je V (a) apsolutna
prihvatljivost od a, a p
ab
relativna prihvatljivost od a u ozboru a ili b.
Odli can pregled probabilisti ckih modela dan je u knjizi Roberts, [31].
5. ZADACI
ZADATAK 5.1. Ponu den vam je na izbor ru cak u nom restoranu ili,
kao alternativa, dvije karte za kazalite. Vi ste neodlu cni i osoba koja vam
to nudi daje i vau omiljenu cokoladu kao ekstra ponudu na karte. Da
su u pitanju karte i karte s cokoladom vi biste naravno odabrali karte s
cokoladom. Jeste li i dalje neodlu cni, diskutirajte nastalu situaciju.
5.1. Qualications. It is said that the day you feel a dispassion (ne-
pristran) for the mundane pleasure of life, and a yearning (udnja) for spi-
ritual life, you should take sannyasa. And the day you awaken to a higher
sense for discrimination (razlikovanje), you should become a karma san-
nyasin. Discrimination and dispassion are two jewels which every spiritual
aspirant should try to cultivate.
Just as there is higher and lower discrimination, there is higher and
lower dispassion. Lower dispassion results in detachment towards external
life, external pleasures. Out of that arises a higher dispassion which is
detachment towards the inner emotions, such as like and dislike, joy and
sorrow, and all the dualities of life.
Lower discrimination is that faculty which determines our sense of tas-
te, touch, smell, sound and sight. For instance, we discriminate between
certain foods, certain music, certain lms. We prefer certain people, situ-
ations, events and circumstances, according to our level of discrimination.
One person may prefer to spend most of his spare time listening to satsang
or reading books on yoga and higher philosophy, while another may prefer
to watch television or go to a party.
Some may discriminate between foods they eat and only take those
which are conductive to their health, while others will eat just anything.
This is lower discrimination for, after all, even an animal has discrimination
for food. If you give him food which is alien (strana) to his nature, he will
simply sniff at it and turn his head away. Each person chooses according
to his level of discrimination. This lower discrimination, if experienced
in daily life, ultimatively gives rise to higher discrimination. Man has the
inherent power to reason. It is this faculty which distinguishes him from
animals, plants and other living creatures, and it is this which leads him to
higher discrimination.
Higher discrimination arises out of self-study and self analysis. At ti-
mes, you try to asses your values, principles and motivation in life. It is
when you begin to realize that the purpose of life is far deeper and nobler
than just eating, sleeping and procreating, that you are ready for karma san-
nyasa. Then you begin to reassess and re-evaluate your contribution to life
and to your own growth, and you nd that it is severely lacking (nestaica,
manjak). You nd that your extrovert nature has inhibited (sprije citi) the
innite potential of your inner being.
Ordinarily you act on the basis of the senses which feed you informa-
tion, and according to your likes and dislikes, you respond. But there is
another faculty within you, which is the source of indirect knowledge or
intuition. And this is the basis of higher discrimination. If you are able to
tap this source, you will have unearthed (prona ci, i cerkati, otkriti) an ex-
tremely valuable asset (imovina, vrijednost). Then, no mater who or what
you are, you will shine in your particular area of life.
6. STABLO ODLU
CIVANJA 29
6. Stablo odlu civanja
Stablo odlu civanja koristimo kad treba odabrati jednu od mogu cih ak-
cija (poteza) u riskantnim situacijama. Mnoge poslovne odluke upadaju u
tu kategoriju. Na primjer, proizvo da c mora prvo proizvesti proizvod da bi
precizno znao kakva je potranja. Advokat mora izabrati izme du parnice i
vanparni cne nagodbe. Burzovni meetar mora odlu citi da li da kupi dioni-
ce ne; po kojoj cijeni ce ih prodati to unaprijed ne moe znati. U svim tim
situacijama donosilac odluke je suo cen s rizi cnom odlukom jer nije u sta-
nju pecizno predvidjeti budu ce okolnosti koje utje cu na njen ishod. I bez
obzira na to donosilac odluke ima neko znanje o tome koje su mogu ce situ-
acije i u cestalost njihovog pojavljivanja. Ta se informacija moe iskoristiti
za izbor opcije koja ima najve ce o cekivanje povoljnog dobitka. Stablo od-
lu civanja uzima u obzir sve pojedinosti i jednostavno je za razumijevanje.
Dijagram ilustriran na slici 2 nazivamo stablo odlu civanja.

Cita se s lijeva
SLIKA 2. Stablo odlu civanja
na desno.

Cvor sasvim lijevo nazivamo korijenom stabla ili cvorom odluke
(eng. root); ozna cavamo ga kvadrati cem. Grane koje izlaze iz cvora odluke
predstavljaju mogu ce alternative. Samo jednu od njih je mogu ce odabrati.
Nazvali smo ih opcija_1 i opcija_2. Svaka opcija ima svoju vrijed-
nost ( cisti dobitak ili ulog) koji su posljedice izbora te opcije. Te brojeve
upisujemo iznad crte i lijevo od sljede ceg cvora. Vrijednost prve opcije je
100 to znai da toliko iznose trokovi izbora te opcije. Vrijednost druge
opcije iznosi 300 i to je cisti dobitak ako odaberemo tu opciju.
Cvorove prikazane krui cima nazivamo cvorom izbora to izraava

mogu cnost izbora daljnjih opcija iz tog cvora. U primjeru je samo jedan
takav cvor. Iz izbornog cvora idu nove grane i svakoj od njih je pridruena
vjerojatnost njenog izbora. Postotak desno od izbornog cvora je vjero-
jatnost grane izraena u postocima.

Cvor druge opcije nije izboran nego
SLIKA 3. Izborni cvor.
je terminalan ili krajnji cvor. Isplata pridruena terminalnom cvoru
jednaka je cistom dobitku umanjenom za izbor grane koja vodi do tog
cvora. Isplata na terminalnom cvoru ishod_1 kod prve opcije iznosi
500 100 = 400 to je razlika izme du cistog dobitka i trokova izbora
grane opcija_1.
Odluka se provodi tako da se svakoj grani koja izlazi iz korijena pri-
drui neka vrijednost i onda se odabere ona grana koja ima povoljniju vri-
jednost. Opciji dva pridruena je vrijednost isplate 300 na njenom termi-
nalnom cvoru. Vrijednost prve opcije, koja vodi na izborni cvor, izra cunati
cemo tako da ra cunamo o cekivanu vrijednost svih opcija koje izlaze iz tog
cvora uvaavaju ci vjerojatnosti tih opcija. Prema tome, vrijednost prve op-
cije jednaka je
0.60 400 + 0.40 600 = 480
i zapisana je ispod trokova za tu opciju.
Kod sloenijih stabala
7. TEORIJA IZBORA 31
7. Teorija izbora
Grupno odlu civanje je najsloeniji oblik donoenja odluke. U principu
se ono ne razlikuje od veekriterijske odluke osim u organizaciji hijerarhije
i redosljedu izvo denja pojedinih koraka u odlu civanju.
Po cetkom grupnog odlu civanja, i odlu civanja uop ce, moe se smatrati
Bordina kritika pravila ve cine kod izbora za Francusku akademiju znanos-
ti 1784. godine. Ve c sljede ce godine Condorcet nalazi zamjerke Bordinoj
metodi i od tada ne prestaju prepiske i rasprave o metodama sve do sredine
prolog stolje ca kad se Teorija odlu civanja formira kao matemati cka disci-
plina. Umjesto da pronalaze nove metode matemati cari su po celi zasnivati
kriterije (aksiome) koje bi pravedna procedura za odlu civanje trebala za-
dovoljavati s naglaskom na demokraciju. Demokrati cnost je dola pod
upitnik kad je Keneth Arrow (1951) dokazao svoj poznati impossibility
teorem.
7.1. Pravilo ve cine. Promatrajmo primjer u kojem 23 glasa ca treba
izabrati jednog od tri kandidata na temelju javnog/tajnog izjanjavanja sva-
kog glasa ca o njegovom izboru. Pretpostavimo da je 9 glasa ca izabralo
kandidata a, 6 glasa ca glasalo je za b i 8 glasa ca za c. Ako prihvatimo pra-
vilo da je pobjednik onaj od kandidata koji je dobio najvie glasova onda
je to a.
Pogledajmo taj izbor iz druge perspektive. Ve cina
1
glasa ca, njih 6 +
8 = 14 bi radije vidjelo nekog drugog kao pobjednika umjesto a. Ta pri-
mjedba dovodi u sumnju pravednost gornjeg izbora i Borda predlae meto-
du koja se bazira na sumi rangova, kasnije nazvana po njemu. On predlae
da svaki glasa c na glasa cki listi c ispie svoju rang listu kandidata na na cin
kao to je to u cinjeno u tablici 7.1. U tablici smo ve c organizirali rangi-
ranja po broju jednakih: 5 glasa ca dalo je poredak a b c, 4 glasa ca
poredak a c b itd. Broj od 9 prvih mjesta dobio je kandidat a, 6 prvih
mjesta dobio je kandidat b i 8 prvih mjesta dobio je kandidat c kao to smo
ve c ranije ustanovili. Bordino pravilo je jednostavno: za osvojeno prvo
1. mjesto a a b b c
2. mjesto b c a c b
3. mjesto c b c a a
Broj glasa ca 5 4 2 4 8
TABLICA 7.1. Grupni prol glasanja.
1
Pod ve cinom podrazumijevamo podskup od 51% glasa ca ili vie.
mjesto, na svakom glasa ckom listi cu, kandidat dobiva 2 boda, za osvojeno
drugo mjesto dobiva 1 bod i 0 bodova za posljednje mjesto. Da je bilo n
kandidata onda bi osvojeni bodovi bili n1 za prvo mjesto, n2 za drugo
itd. Suma bodova za svakog kandidata je
Kandidat Bodovi
a 2 (5 + 4) + 1 2 = 20
b 2 (2 + 4) + 1 8 = 25
c 2 8 + 1 (4 + 4) = 24
to jednozna cno odlu cuje o Bordinom pobjedniku, to je b. Primjenom Bor-
dinog pravila, prijanji pobjednik a je sada pao na posljednje, tre ce mjesto.
Napomenimo da Bordino pravilo dozvoljava da dva ili vie kandidata za-
uzimaju isti rang na glasa ckom listi cu.
Detaljnija analiza rezultata glasovanja u tablici 7.1 ukazuje da ve cina
glasa ca, njih 12, bi radije da c bude na prvom mjesto umjesto b. To je
navelo Condorcet-a (1785) da predloi metodu baziranu na kolektivnom
uspore divanju u parovima. Njegov je prijedlog da se promatra broj v(x, y)
glasa ca koji u svojim glasa ckim listi cima preferiraju x u odnosu na y. Ka-
emo da je x drutveno preferiran prema y ako je
v(x, y) v(y, x).
U naem primjeru je v(b, a) = 14, v(c, b) = 12 i v(c, a) = 12. U prethod-
nim usporedbama u parovima, c u svakom slu caju ima ve cinu glasova za
sebe, vie od 50%, i poredak socijalne preferencije je
c b a.
Kandidata c nazivamo Condorcetovim pobjednikom. Graf socijalne prefe-
rencije ne daje uvijek Condorcetovog pobjednika, tako na primjer za prol
grupe dan u sljede coj tabeli graf socijalne preferencije ima ciklus i takva
se situacija naziva Effet Condorcet ili Condorcetov efekt.
a b b c
c a c b
b c a a
3 1 1 2
TABLICA 7.2. Condorcetov efekt.
7.2. Medijan. Primjer u tablici 7.2 pokazuje da Condorcetova proce-
dura ne daje uvijek pobjednika. Kemeny (1959) je postavio jedan model
grupne odluke zasnovan na varijacionom pristupu. Da bismo ga opisali
formalizirajmo malo nau diskusiju.
Grupu donosilaca odluke ozna cimo s G = 1, . . . , n i pretpostavimo
da svaki od clanova grupe donosi svoj ure daj slabe preferencije
i
, i G
na kona cnom skupu alternativa A. Problem grupne odluke
2
sastoji se u
tome da se trai ure daj slabe preferencije
G
na skupu alternativa koji
cemo zvati konsenzusom
3
i koji kao ulazne podatke koristi sve relacije
i
,
i G. Ure denu n-torku slabih preferencija = (
1
, . . . ,
n
) nazivamo
prolom grupe, a konsensus je funkcija (
A
:
G
,
(
A
: T
n
A
T
A
denirana na skupu svih mogu cih prola u skup svih slabih preferencija
T
A
na skupu alternativa A.
Za zadani grupni prol = (
1
, . . . ,
n
) linearnih ure daja na A, Ke-
menyjev medijan je takav linearan ure daj koji minimizira sumu
n
i=1
(,
i
),
gdje je (
i
,
j
) = #(
i

j
) #(
i

j
) udaljenost simetri cne razlike
me du relacijama. Kemenyjev medijan ure daj uvijek postoji za razliku od
Condorcetovog pobjednika.
Kemenyjev medijan je u uskoj vezi s Condorcetovim pravilom to se
vidi iz sljede ce diskusije. Ako je kardinalni broj grupe donosioca odluke
G neparan onda je Condorcetovo pravilo, ozna cimo ga s (, denirano s:
x(()y v(x, y) v(y, x)
ili, to je ekvivalentno
v(x, y) > (#G)/2.
Za o cekivati je da ce broj neslaganja svakog luka u Condorcetovom grafu
s prolom grupe biti minimalan upravo zbog pravila ve cine. Moda je
2
u argonu procedure donoenja grupne odluke
3
Ostali nazivi su: grupna odluka, socijalna preferencija, statut.
razumljivije ako to izrazimo formulom
#G
i=1
(,
i
) =
#G
i=1
xy
x
i
y
1 +
#G
i=1
xy
x
i
y
1
=
#G
i=1
xy
y
i
x
1 +
#G
i=1
xy
x
i
y
1
=
xy
v(y, x) +
xy
v(x, y)
= 2
xy
v(y, x).
Tada je (() jedinstveno rjeenje problema minimizacije
min
P
A
#G
i=1
(,
i
).
U slu caju da je kardinalni broj grupe Gparan moe se desiti, kao to smo to
vidjeli u prethodnom primjeru, da Condorcetov pobjednik ne postoji, dok
medijan postoji ali nije jedinstven. Ostavljamo citaocu da sam provjeri
navedene tvrdnje.
Veza izme du medijana i Condorcetovog pravila uo cena je u clanku
Barbut [1] (1967). Kemenyjev medijan vezan je tako der uz poznati feed-
back arc set problem (FAS) koji je NP-potpun, v. Karp (1972) [?]. Jedan
drugi pokuaj da se spasi Condorcetova procedura je prikazana u knjizi
Dogson [?] (1976), v. tako der Barthlmy [?] (1989).
7.3. Taktizirano glasovanje. Pogledajmo je jedan primjer situacije
gdje pravilo ve cine omogu cava taktiziranje kod izbora kji se vre u dva
kruga. Pretpostavimo da grupa G ima tri clana i da su individualne pre-
ferencije dane sljede com tablicom. Pravilo ve cine vodi na intranzitivnu
a b c
b c a
c a b
1 1 1
relaciju odnosno ciklus pa nema pobjednika. U praksi se, me dutim, pravi-
lo ve cine rijetko kad koristi na cijelom skupu alternativa. Primjer su izbori
u dva ili vie krugova kao to cemo sada vidjeti. Pretpostavimo da se u
prvom krugu bira izme du alternativa a i b, a zatim izme du c i pobjedni-
ka u prvom krugu. Takav postupak vodi, u skladu s gornjim glasa ckim
preferencijama, na c kao pobjednika:
a
b
_
a
c
_
c.
Da smo u prvom krugu birali izme du b i c imali bismo za pobjednika a:
b
c
_
b
a
_
a.
A da smo zapo celi s a i c onda bi pobjednik bio b:
c
a
_
c
b
_
b.
Pobjednik dakle ovisi o tome tko je biran u prvom krugu. Ima jo jedna
zabrinjavaju ca situacija u ovom problemu. Pretpostavimo da prvi glasa c
zna kakve su preferencije drugih glasa ca. Tada je mogu c sljede ci scenario:
Ako se u prvom krugu bira izme du a i b tada prvi glasa c moe predvidjeti
da ce na kraju biti izabran c pa on moe sakriti svoje prave namjere i glasati
prora cunato s preferencijama b
1
a
1
c. Tada je kona cni izbor b:
a
b
_
b
c
_
b.
To pokazuje da prvi igra c taktiziranjem moe sprije citi da c, njegov najlo-
iji izbor, bude izabran. Pravilo ve cine ga nagoni da lae i taktizira kako bi
postigao svoje ciljeve.
7.4. Arrowljev teorem.
Ademocracy cannot exist as a permanent form
of government. It can exist only until the vo-
ters discover they can vote themselves large-
sse (dened as a liberal gift) out of the pu-
blic treasury. From that moment on, the ma-
jority always votes for the candidate promi-
sing the most benets from the public tre-
asury, with the result that democracy always
collapses over a loose scal policy, always to
be followed by a dictatorship.
Alexander Fraser Tyler
(17471813)
U stvarnom ivotu pravila za formiranje grupne odluke razlikuju se
od slu caja do slu caja. Do sada smo vidjeli Bordino pravilo, Condorceto-
vo pravilo, metoda potencijala je neto op cenitija i njezina restrikcija na
T
n
A
je tako der jedna grupna odluka. Odlu civanje za Pjesmu Eurovizije
provodilo se, koliko je autoru ovog teksta poznato, po nekoj varijanti Bor-
dine metode. Novinari u Hrvatskoj svake godine biraju najboljeg sportaa,
a vinokusci odre duju koje ce vino na sajmu vina dobiti zlatnu medalju.
Bez obzira na raznolikost metoda matemati cari su izdvojili nekoliko pravi-
la (aksioma) koja koje bi svaka grupna odluka trebala zadovoljavati. Jedan
od aksioma koji smo ve c implicitno uklju cili je:
A1: Slabi ure daj Svaka relacija
i
, i G, i grupni konsenzus
G
su
ure daji slabe preferencije na skupu alternativa A.
Drugi aksiom je tako der ve c implicitno uklju cen
A2: Univerzalnost domene. Podru cje denicije od ( je cijeli skup T
n
A
.
Condorcetovo pravilo ne zadovoljava ovaj aksiom to se vidi iz
primjera u tablici 7.2 gdje graf socijalne preferencije nije slaba prefe-
rencija, ima ciklus.
Sljede ci aksiom ne treba posebno komentirati.
A3: Netrivijalnost.
(i) Grupa G ima bar dva clana.
(ii) Skup A ima bar tri alternative.
A4: Binarna ovisnost Neka su A i A
dva skupa alternativa i a, b

A A
tj. alternative a i b su u oba skupa. Pretpostavimo da su proli

T
A
i
T
A
takvi da je
a
i
b a
i
b
b
i
a b
i
a.
tj. da svaki clan grupe preferira a u odnosu na b (ili obratno) neovis-
no o ostalim alternativama. Tada od grupne odluke zahtijevamo da
zadovoljava:
a
G
b a
G
b
b
G
a b
G
a.
A5: Stroga preferencija. Ako za svaki i Gvrijedi a
i
b onda je a
G
b.
A6: Ne diktatorstvu. Ne postoji i G tako da je
G
=
i
.
Aksiomi 16 predstavljaju razumne zahtjeve koji se o cekuju od jedne
razumne i demokratske procedure za donoenje grupne odluke. Sljede ci
teorem tvrdi da takva procedura ne postoji i u tom smislu svaka glasa cka
shema, bez obzira kako suptilna bila, krije u sebi iracionalno i nede-
mokratsko grupno ponaanje pa je svojevremeno taj teorem oneraspolo-
io, blago re ceno, sve zaljubljenike u zapadnu demokraciju. Godine 1972.
Kenneth Arrow dobio je Nobelovu nagradu iz ekonomije.
TEOREM 7.1. Ne postoji grupni konsensus (
A
: T
n
A
T
A
koji zado-
voljava aksiome A1A6.
Prije nego li dokaemo teorem istaknimo da on ne tvrdi da svaki kon-
senzus kri bar jedan aksiom ve c da je svaki konsenzus potencijalno ne-
pravedan u smislu da postoj bar jedna individualna preferencija
i
koja ce
onemogu citi konstrukciju funkcije (
A
.
Denirajmo jo pojam odlu civog skupa koji cemo koristiti u dokazu
teorema.
DEFINICIJA 7.2. Podskup M Gje odlu civ za ure den par alternativa
(a, b) ako
a
i
b, i M
b
i
a, i / M
a
G
b.
Drugim rije cima podgrupa M ima sposobnost da njena koherentnost u
preferencijama za alternative a i b ima snagu da isforsira isto grupno mi-
ljenje unato c suprotnim miljenjima svih ostalih clanova grupe koji nisu u
M.
DEFINICIJA 7.3. Podskup M G je minimalni odlu civ podskup ako
je odlu civ za bar jedan par (a, b) i takav da za svaki drugi par (c, d) ne
postoji pravi podskup od M koji je odlu civ za taj par.
DOKAZ. Dokaz provodimo u dvije faze. Prvo cemo dokazati da mini-
malni odlu civi podskup mora biti jedno clan skup, a zatim cemo dokazati
da je on nuno diktator.
Neka je M minimalni odlu civi podskup i odlu civ za par (a, b). Pret-
postavimo da M sadri vie od jednog elementa i neka je g jedan od njih.
Ozna cimo N = M g i M
= G M. Odaberimo individualne prefe-

rencije za alternative a, b, c kao u sljede coj tablici.
g N M
1. a c b
2. b a c
3. c b a
U tablici, u drugom stupcu na primjer, oznaka zna ci da vrijedi c
i
a
i
b
za svaki i N.
Prema aksiomu A3 grupni konsenzus postoji bez obzira na preferencije
na ostalim alternativama, a zbog aksioma A4 te preferencije ne utje cu na
grupni konsenzus na a, b, c. O cito vrijedi da je a
G
b jer je M odlu civ
skup za par (a, b). Tako der je b
G
c jer bi u suprotnom N bio odlu civ
skup za par (c, b). Kako je grupna odluka slabi ure daj zbog A1 to zbog
tranzitivnosti vrijedi a
G
c. Pogledamo li paljivije odabrane ure daje u
tablici, vidimo da samo g zahtjeva a
g
c to zna ci da je jedno clan skup
g odlu civ za par (a, c) to je u kontradikciji s minimalno cu od M. Jedini
na cin da izbjegnemo kontradikciju je prihvatiti da M bude jedno clan skup.
Sada cemo dokazati da je g, koji je odlu civ za (a, b) diktator, tj.
G
=
g
.
Prvo cemo dokazati da a
g
d a
G
d za svaki d ,= b. Odaberimo sad
sljede ci odnos me du alternativama
g G g
1. a b
2. b d
3. d a.
Poto je g odlu civ za (a, b) to implicira a
G
b. S druge strane, svi cla-
novi grupe preferiraju b u odnosu na d pa to mora ciniti i grupni konsenzus
zbog aksioma A5. Zbog tranzitivnosti konsenzusa je sada a
G
d to smo
i htjeli dokazati. Tako der vrijedi i a
g
d a
G
d to je trivijalna
posljedica upravo dokazanog.
Sljede ci korak je dokazati da c
g
d c
G
d za c ,= a. U tu svrhu
promatrajmo ovakav odnos me du alternativama a, d, c u kojem jedino g
zahtijeva c
G
d:
g G g
1. c d
2. a c
3. d a.
Prema A5 slijedi
c
G
a.
Od ranije imamo
a
G
d,
pa zbog tranzitivnosti
c
G
d,
to se i htjelo dokazati. Jo je jedino preostalo dokazati da c
g
a c
G
a. U tu svrhu pogledajmo takav odnos me du alternativama c, d, a u kojem
jedino g zahtijeva c
G
a:
g G g
1. c d
2. d a
3. a c.
Prema prethodnom je
c
G
d.
Zbog A5 je
d
G
a,
pa zbog tranzitivnosti
c
G
a,
to dokazuje traenu implikaciju. Time smo dokazali da vrijedi implikacija
x
g
y x
G
y to dokazuje diktatorstvo od g i u kontradikciji je s
aksiomom A6. Zaklju cak, grupni konsenzus koji zadovoljava A1A6 ne
postoji.
7.5. Potraga za demokracijom.
Democracy: the belief in freedom and equ-
ality between people, or a system of gover-
nment based on this belief, in which power
is either held by elected representatives or di-
rectly by the people themselves.
Cambridge International
Dictionary of English
Arrowljev teorem ima daleko ve cu primjenu nego to se to na prvi po-
gled cini. Neki ce prigovoriti da je ve cina procedura glasanja takva da
glasa c nije obavezan dati slabu preferenciju na skupu alternativa, kao to
to pretpostavka teorema zahtijeva, ve c se samo trai da predloi svoj naj-
bolji izbor. Arrowljev teorem odnosi se i na takve procedure, na cin na koji
se formira grupna preferencija nije uop ce vaan u dokazu pa takve situaci-
je gdje je jedan dio informacija naprosto zanemaren predstavljaju legalne
procedure. Teorem vrijedi cak i kad glasa ci ne znaju da glasaju kao to je
to situacija kod kupovanja glasova.
Potraga za demokracijom okomila se na pretpostavke teorema tj. na
aksiome A1A6 pokuavaju ci ih diskreditirati. Diskutirati cemo svaki od
pokuaja da se aksiomi pokau neadekvatnim ili prezahtjevnim. Zapo cni-
mo s aksiomom A6 koji onemogu cava diktatorstvo.
Taj aksiom ne samo da onemogu cava vidljivog nego i nevidljivog dik-
tatora i to bez obzira da li pojedinac (ne)zna da je diktator ili to (ne)znaju i
ostali clanovi grupe.
Aksiom A5 (stroga preferencija) je univerzalno prihva cen. Ako sva-
ki pojedinac iz grupe preferira a u odnosu na b onda bi to trebala ciniti i
grupna odluka. Aksiom koji smo mi prihvatili to zahtijeva za strogu prefe-
renciju. Ja ca verzija aksioma koja zahtijevaju to isto ali za slabu preferen-
ciju je kontroverznija i tako der razmatrana. tovie, moe se pokazati da
isti rezultat kao i Arrowljev vrijedi i bez aksioma A5 (Wilson, [?]) on
zasigurno nije razlog nepostojanja grupne odluke.
Aksiom netrivijalnosti A3 nije potrebno posebno komentirati. Teko
da se moe tvrditi da skup od jednog clana cini grupu. to se ti ce zahtjeva
da broj alternativa bude najmanje tri taj je zahtjev posve opravdan jer se
moe pokazati da za dvije alternative jednostavno pravilo ve cine zadovo-
ljava sve ostale aksiome.
Aksiom A1 koji zahtjeva da sve relacije budu relacije slabog ure daja
cini se na prvi pogled prezahtjevan. Praksa pokazuje da su ljudi rijetko
kad racionalni u smislu da njihove preferencije bude tranzitivne, a nije
cest slu caj da cak nisu u stanju usporediti niti sve parove. Ima li smisla
taj aksiom oslabiti? Ako bi i dokazali egzistenciju grupne odluke s tako
oslabljenim zahtjevom onda bi ispalo da samo iracionalni pojedinci mogu
biti demokrati cni. Nemogu cnost i dalje implicitno ostaje prisutna:
to se univerzalnosti domene ti ce, aksiom A2, on je u dokazu teorema
odigrao klju cnu ulogu. Moda bi suavanjem domene grupnog konsenzu-
sa ipak omogu cili demokratsku grupnu odluku. Prihva canje tog aksioma
je ujedno i pitanje gra danskog suvereniteta. Moralo bi se dozvoliti sva-
ko individualno miljenje bez ikakve restrikcije. Postoje cisto pragmati cni
razlozi protiv tog aksioma. Pojedinci se udruuju u grupe i donose mi-
ljenje zato jer imaju neki zajedni cki interes. Stoga su njihove individualne
preferencije korelirane ba zbog tog zajedni ckog interesa. Obrazloenja
tog tipa cine se prili cno demagoka i teko je vjerovati da bi drutvene gru-
pe sukobljene po pitanju nekih socijalnih prava pristale na restrikciju svojih
zahtjeva.
Jedan od na cina na koji se pokuavalo zaobi ci taj aksiom su preferen-
cije s jedinstvenim maksimumom ali takve preferencije nemaju ba neki
socijalni smisao, v. tako der diskusiju u French [?].
Aksiom koji zsluuje neto vie panje je A4 (binarna ovisnost). Ori-
ginalni Arrowljev teorem pretpostavlja sljede ci aksiom
A4: Nezavisnost o irelevantnim alternativama Pretpostavimo da su ne-
ke od alternativa uklonjene iz skupa alternativa A. Tada, ako niti jedan
clan grupe nije promijenio svoje preferencije me du preostalim alterna-
tivama, tada grupna preferencija na novom skupu alternativa mora biti
ista kao i stara.
Dokazati cemo, v. poglavlje 7.6, da je aksiom A4 posljedica aksioma neza-
visnosti irelevantnih alternativa, a kako dokaz Arrowljevog teorema koris-
ti nezavisnost irelevantnih alternativa preko binarne ovisnosti onda smo
pretpostavili samo A4. tovie ti su aksiomi ekvivalentni.
Aksiom A4 je najkontroverznija pretpostavka u cijeloj teoriji odlu civa-
nja. Evo jednog primjera koji ne govori u prilog tog aksioma. Dva prijate-
lja, Ivo i Mate, razmiljaju o tome da li da skuhaju caj ili kavu. Umjesto
da jednostavno izraze svoje preferencije u vezi s problemom oni su si dali
truda i svaki od njih je rangirao sedam pi ca:
kava
1
pivo
1
mlijeko
1
limunada
1
cokolada
1
cola
1
caj
caj
2
kava
2
pivo
2
mlijeko
2
limunada
2
cokolada
2
cola
Iako su interesi u koniktu jer je kava
1
caj i caj
2
kava svatko
razuman ce re ci da bi grupni interes trebao biti
kava
G
caj.
Za Matu je caj prvi izbor, a kava drugi. kava je prvi izbor za Ivu dok
mu je caj posljednji na listi. Ostala pi ca, njih pet, za Ivu imaju ve ci priori-
tet od caja i manji prioritet od kave to nudi zaklju cak da snaga preferencije
kava
1
caj i snaga preferencije caj
2
kava nisu jednake. Tih pet
alternativa je stoga bilo ralevantno kod donoenja grupne preferencije. Ak-
siom A4 ovdje nije potovan.
Stvari nisu sasvim takve kako se na prvi pogled cini. Ako ve c uvaava-
mo snagu preferencije onda je mogu ca i situacija kao na slici 4 gdje su Ivo
i Mate predloili svoje preferencije na nekoj skali (vie je bolje). Sasvim je
mogu ce da sada grupna preferencija bude na strani caja jer se cini da Ivo
ima male razlike u preferencijama dok mate izuzetno preferira caj i izgleda
ne mari za ostalo. Ovdje se implicitno pretpostavlja da i Ivo i Mate mjere
svoje preferencije na istoj skali. Ovaj primjer inicira lavinu pitanja i svako
od njih je sutinskog karaktera.
Kao prvo, cini se da aksiom A4 onemogu cava bilo kakav pojam snage
preferencije u proceduru zaklju civanja. Drugo, izbor mjerne skale moe
predstavljati ozbiljan problem. U stvarnosti svaki donosilac odluke za-
milja svoju mjernu skalu i trebalo bi osmisliti neki test ili proceduru radi
provjere uskla denosti tih skala.
Cak i da svi clanovi grupe savreno uskla deno koriste jednu te istu
skalu postoji jo jedna zbunjuju ca situacija. Prisjetimo se, na trenutak,
konstrukcije intervalne skale na temelju relacije slabe preferencije i relaci-
je slabe preferencije na zamjenama, teorem ?? na str. ??. U toj konstrukciji
vanu ulogu su imale hipoteti cke alternative, mi smo ih nazivali igrama, s
kojima smo proirili skup alternativa jer je za interpolaciju funkcije vrijed-
nosti izvan kona cnog skupa nuno imati dovoljno mnogo elemenata. Ta je
ideja jasna i razumljiva i navela je von Neumanna i Morgensterna na spo-
menutu konstrukciju. Ako pretpostavimo aksiom binarne ovisnosti, onda
te hipoteti cke alternative ne bi smjele biti relevantne za grupnu odluku, pa
stoga ni snaga preferencije, kao posljedica dobivene mjerne skale, tako der
ne bi smjela biti relevantna. Na primjer, naprotiv, kazuje sasvim suprot-
no. U cemu je problem? Pa to, rekao bi netko sa strane, ako odbacimo
aksiom A4. to se tada mijenja? U hiperboli ckoj geometriji postoje vi-
e paralela sa zadanim pravcem kroz zadanu to cku pa se nitko oko toga
previe ne uzbu duje. Situacija je sli cna ovoj samo je u pitanju Euklidov
V aksiom a ne aksiom A4. Problem uop ce nije mali kako moda izgleda
na prvi pogled. Razne kole odlu civanja sukobljuju se ve c desetlje cima
opovrgavaju ci argumente jedni drugima.
Ivo
kava
pivo
mlijeko
lumunada
cokolada
cola
caj
Mate
caj
kava
pivo
mlijeko
lumunada
cokolada
cola
SLIKA 4. Preferencije s teinom
Cini se da je u pozadini tog sukoba nerazjanjenost pojma hipoteti cka

alternativa. Problem odluke je prisutan ako postoji problem izbora iz za-
danog skupa alternativa. To su realne ili mogu ce alternative. U procesu
odlu civanja realna je mogu cnost da se promijene ciljevi ili uklju ce nove al-
ternative u razmatranje ali jo uvijek imamo posla s realnim alternativama,
one mogu biti izabrane. Hipoteti cke alternative su pomo cnog karaktera i
pojavljuju se u trenutku kad donosilac odluke vri konstrukciju funkcije
vrijednosti. One mu pomau da proni svoje preferencije i relevantne su
za konstrukciju funkcije vrijednosti. Ako elimo zadrati aksiom A4 onda
ga treba zahtjevati samo sa realne alternative.
Dopustimo li mogu cnost da svaki clan grupe konstruira svoju izmje-
rivu funkciju vrijednosti tada se ponovno aktualizira pitanje egzistencije
grupne funkcije vrijednosti u duhu Arrowljevog teorema. Odgovor je pot-
vrdan.
TEOREM 7.4. Neka su v
1
, . . . , v
n
izmjerive funkcije vrijednosti clano-
va grupe G = 1, . . . , n. Neka je V : R
n
R diferencijabilna funkcija
sa strogo rastu cim derivacijama. Tada relacija
G
denirana s
a
G
b V (v
1
(a), . . . , v
n
(a)) V (v
1
(b), . . . , v
n
(b))
zadovoljava sljede ca svojstva:
i) Slaba preferencija.
G
je slaba preferencija.
ii) Netrivijalnost.
G
je denirana za svaki skup alternativa.
iii) Univerzalnost domene.
G
je denirana za svaku n-torku funk-
cija vrijednosti (v
1
, . . . , v
n
).
iv) Binarna ovisnost. Ure daj na paru (realnih) alternativa ne ovisi o
ostalim alternativama.
v) Stroga preferencija. Ako za svakog clana grupe i vrijedi v
i
(a) >
v
i
(b), tada je v
G
(a) v
G
(b).
vi) Ne diktatorstvu. Ne postoji clan grupe i takav da vrijedi v
i
(a) >
v
i
(b) v
G
(a) v
G
(b).
DOKAZ. i) Relacija
G
je slaba preferencija jer je denirana preko
ure daja na skupu vrijednosti funkcije V (v
1
(), . . . , v
n
()).
ii) O cito.
iii) O cito.
iv) O cito.
v) Poto su se sve parcijalne derivacije pozitivne, funkcija V je rastu ca u
svakoj varijabli, pa v
i
(a) > v
i
(b) za svaki indeks i o cito povla ci
4
V (v
1
(a), . . . , v
n
(a)) > V (v
1
(b), . . . , v
n
(b)).
vi) Pretpostavimo da za par alternativa a, b clan 1 grupe daje prednost
alternativi a, npr.
v
1
(a) = v
1
(b) +
1
gdje je
1
pozitivan. Mi cemo pokazati da, bez obzira na vrijednost od
1
,
nije nuno a
G
b, to zna ci da 1 nije diktator. Isti argument nam moe
posluiti kao dokaz da niti jedan clan grupe nije diktator.
Po pretpostavci je
V
v
k
> 0 za svako k. Pretpostavimo da clan k grupe
preferira b u odnosu na a,
v
k
(b) = v
k
(a) +
k
a svi ostali su indiferentni tj. v
j
(a) = v
j
(b) za svaki j razli cit od 1, k. Tada
je
V (v
1
(b), . . . , v
n
(b)) V (v
1
(a), . . . , v
n
(a))
=
V
v
1
(
1
) +
V
v
k
k
+ clanovi vieg reda
> 0,
za
1
dovoljno malo i
k
=
_
1 +
V
v
1
V
v
k
_

1
,
to zna ci da preferencija prvog clana moe biti prevagnuta s preferencijom
k-tog clana.
4
Primjetite da je za ovu tvrdnju dovoljno da je bar jedna parcijalna derivacija pozitiv-
na, a ostale nenegativne.
Isti dokaz teorema prolazi i u slu caju da su samo dvije parcijalne de-
rivacije strogo pozitivne, a ostale nenegativne. Interesantno je da je u tom
slu caju mogu ca diktatorska koalicija, v. [?, Problem 8.8.7].
Koliko je vrijedan gornji rezultat? Pretpostavke teorema su prili cno
zahtjevne jer se trai da funkcije v
i
, i G budu izmjerive funkcije na (is-
tom) skupu alternativa. Zbog jedinstvenosti izmjerive funkcije, do na pozi-
tivnu anu transformaciju, to zna ci da mjerne jedinice skale clanova grupe
moraju biti usporedive. Drugim rije cima, smisleno je postaviti pitanje je li
clan grupe i jednako (vie, manje) preferira alternativu a u odnosu na b
kao i clan j alternativu c u odnosu na d. Takva interpersonalna usporedba
mora biti mogu ca i ako to nije mogu ce u ciniti onda je slaba korist od te-
orema. Do sada, uz mnoge pokuaje, to nije nikome polo za rukom. Vidi
tako der diskusiju u knjizi French [?, str. 298].
Vano je tako der uo citi da teorem uspostavlja samo slabu grupnu pre-
ferenciju i ne tvrdi da je V (v
1
(), . . . , v
n
()) izmjeriva funkcija vrijednosti
nego (samo) ordinalna funkcija vrijednosti.
Pogledajmo jo samo samo kakve sve funkcije V zadovoljavaju uvjet
teorema. To moe biti suma komponenata ili aritmeti cka sredina. Isto
tako, ako su v
i
pozitivne funkcije, to se lako moe posti ci dodavanjem
konstante, onda to moe biti i geometrijska sredina (s teinama ili bez) ili
neka druga sredina.
7.6. Jo o socijalnim aksiomima.
LEMA 7.5. Aksiom binarne ovisnosti posljedica je aksioma nezavis-
nosti o irelevantnim alternativama.
DOKAZ. Pretpostavimo da
i
, i = 1, . . . , n; A i
i
, i = 1, . . . , n; A
zadovoljavaju hipoteze aksioma A4. Zanemarimo li u skupu A sve alter-

native osim a, b i u skupu A
sve alternative osim a, b tada prema aksiomu

nezavisnosti o irelevantnim alternativama (dva puta primjenjeno) dobijemo
a
G
b a
G
b
b
G
a b
G
a
to dokazuje aksiom A4.
Vrijedi i obrat:
LEMA 7.6. Aksiom nezavisnosti o irelevantnim alternativama poslje-
dica je aksioma binarne ovisnosti.
DOKAZ. Pretpostavimo da vrijedi A4 i neka je A
nastao iz skupa A
brisanjem nekih alternativa. Tada primjenimo A4 na svaki par alternativa
a, b iz A
.
Sljede ca dva aksioma pokazuju se jednako interesantnima i vanima
kao i aksiomi u pretpostavci Arrowog teorem. Pokazati cemo njihov odnos
prema aksiomoma A1A4.
Aksiom pozitivne asocijacije socijalne i individualne vrijednosti. Pretpostavimo
da za prol = (
1
, . . . ,
n
) i grupnu odluku
G
vrijedi a
G
b za
par alternativa a, b A. Pretpostavimo da clanovi grupe promjene
svoje preferencije tako da:
i) preferencije koje ne uklju cuju a ostaju nepromjenjene;
ii) preferencije koje uklju cuju a mogu biti promijenjene u korist a,
tj. c
i
a moe biti promijenjeno u a
i
c, a a
i
c moe biti
promijenjeno u a
i
c.
U tom slu caju za grupnu odluku na novom prolu vrijedi i dalje a
G
b.
Aksiom gra danskog suvereniteta. Za svaki par alternativa a, b A pos-
toji prol takav da je a
G
b.
LEMA 7.7. Aksiom pozitivne asocijacije socijalne i individualne vri-
jednosti, aksiom gra danskog suvereniteta i aksiom binarne relevantnosti
povla ce aksiom stroge dominacije A4.
DOKAZ. Pretpostavimo da je a
i
b, i = 1, . . . , n. Prema aksiomu
gra danskog suvereniteta postoji prol = (
1
, . . . ,
n
) takav da je a
G
b. Sada promijenimo relacije
i
na sljede ci na cin:
a
i
b ne mijenjamo;
a
i
b promijenimo u a
i
b;
b
i
a promijenimo u a
i
b.
Prema aksiomu pozitivne asocijacije socijalne i individualne vrijednosti
grupna odluka za novi prol i dalje dri da je a
G
b. S druge strane, novi
prol i polazni prol se podudaraju na paru a, b pa prema aksiomu binarne
relevantnosti grupna odluka za oba prola daje isti odnos za taj par, a to je
a
G
b.
PRIMJER 7.8. Bordina metoda zadovoljava sve aksiome Arrowljevog
teorema osim aksioma binarne ovisnosti A4.
Promatrajmo sljede ci grupni prol nad alternativama A = a, b, c, d
za grupu sudaca G = s1, s2, s3, s4, s5, s6, s7.
s1 s2 s3 s4 s5 s6 s7
1. a b c a b c a
2. b c d b c d b
3. c d a c d a c
4. d a b d a b d
Broj bodova za svaku alternativu, ra cunat po Bordinoj metodi, je
a 4 + 1 + 2 + 4 + 1 + 2 + 4 = 18
b 3 + 4 + 1 + 3 + 4 + 1 + 3 = 19
c 2 + 3 + 4 + 2 + 3 + 4 + 2 = 20
d 1 + 2 + 3 + 1 + 2 + 3 + 1 = 13,
to pokazuje da je c pobjednik. Eliminiramo li alternativu d iz konkurencije
i ponovno provedemo ra cun dobijemo a kao pobjednika,
a 3 + 1 + 2 + 3 + 1 + 2 + 3 = 15
b 2 + 3 + 1 + 2 + 3 + 1 + 2 = 14
c 1 + 2 + 3 + 1 + 2 + 3 + 1 = 13,
to pokazujemo da grupni poredak izme du a i c ovisi o ostalim alternativa-
ma, pa nije zadovoljen aksiom nezavisnosti o irelevantnim alternativama.
Zbog ekvivalencije tog aksioma i aksioma A4 nije zadovoljen niti aksiom
A4 to se i eljelo pokazati
5
.
Ostavljamo citaocu za vjebu da sm dokae da Bordina metoda zado-
voljava ostale aksiome.
5
Konstruirajte primjer koji direktno pokazuje da aksiom binarne ovisnosti nije
zadovoljen.
POGLAVLJE 2
Logika i psihologija odlu civanja
1. Moe li se miljenje modelirati?
Ne razumijemo kako um radi niti pribli-
no onako dobro kao to razumijemo kako ra-
di tijelo, a zasigurno ne dovoljno dobro da bi
stvorili utopiju ili izlije cili nesre cu.
S. Pinker, psiholog
U ovom poglavlju dati cemo kratki prikaz onog dijela psihologije koji
opisuje na cine donoenja odluka, tj. descriptivnim aspektom odlu civanja.
Postoji i drugi aspekt, tzv. normativni aspekt u kojem se prou cavaju pra-
vila kako bi ljudi trebali donositi odluke. Devijacije izme du toga kako se
ljudi ponaaju i kako bi se, u ovom kontekstu, trebali ponaati zaokupljaju
psihologe posljednjih pedeset godina, posebno nakon radova von Neuman-
na i Morgensterna sredinom prolog stolje ca [39]. Napomenimo samo da
je Daniel Kahneman god. 2002 dobio Nobelovu nagradu iz ekonomije za
istraivanja vezana uz odlu civanje, posebno na zasnivanju i razvoju tzv.
Prospect theory [21]. Ta teorija objanjava razloge devijacija izme du nor-
mativnog i deskriptivnog ponaanja ljudi u sferi odlu civanja. Moderne me-
tode u marketingu i socijalnoj psihologiji bazirane su i ujedno slue kao
eksperimentalno polje za tu teoriju.
1.1. Ciljno miljenje.
Inteligencija je mogu cnost postizanja ciljeva
usprkos zaprekama uz pomo c odluka donee-
nih na temelju racionalnih (istinipodlonih)
na cela.
S. Pinker (psiholog)
49
50 2. LOGIKA I PSIHOLOGIJA ODLU
CIVANJA
Da bi bolje razumjeli tehnike donoenja odluke, kao to je hijerarhijski
model na primjer, nije na odmet raspraviti o tome to je to miljenje kao
jedna od funkcija mozga i to podrazumijevamo pod miljenjem s ciljem
ili ciljnim miljenjem.
Miljenje je prema Petzu [28] nejednozna can termin, koji pokriva raz-
li cite pojave. U irem smislu, uklju cuje svaki kognitivni proces obrade
ideja, predodbi, slika, simbola i pojmova. Stoga u okvir miljenja ulaze
razli citi procesi od asociranja, sje canja i matanja, preko stjecanja pojmo-
va, do logi ckog rezoniranja (rasu divanja) i stvarala ckog miljenja.
Dva su obiljeja zajedni cka svim ovim varijetetima miljenja. Prvo,
misaoni procesi u prikriveni, implicitni procesi koji se ne mogu neposred-
no opaati. O njihovu postojanju zaklju cujemo na temelju introspektivnog
iskaza opaanika ili na temelju nekog ponaanja koje upu cuje na implicit-
no miljenje (npr. na temelju toga to je neki sloeni problem uspjeno
rijeen). Drugo, misaoni procesi su simboli cni procesi; obiljeava ih upo-
treba simbola koji predstavljaju objekte i doga daje. Kada promatramo neki
objekt mi nemoramo nita misliti; ali ako elimo opisati nae promatranje,
u trenutku kad se ono ne odvija, mi moramo prije ci na simboli cki plan,
koji je svojstven misaonim procesima. Na taj na cin u naem su miljenju
prisutni zapam ceni i zamiljeni sadraji, a ne samo aktuelno perciprani;
sadraj miljenja nadilazi neposrednu razinu percipirane datosti.
Kada simbol odraava op ca i bitna obiljeja neke klase sadraja zajed-
ni ckih svojstava nazivamo ga pojmom. Pojamje produkt misaonih procesa,
ali on je i pretpostavka miljenju; bez pojmova ne bi bilo mogu ce apstrak-
tno miljenje. Pojmovi se u miljenju proimaju s predodbenim slikama
i rije cima, koje su oblik postojanja pojmova. Miljenje je zato usko pove-
zano i s govorom; osim to je sredstvo komunikacije, govor predstavlja i
sustav simbola i pravila, koji olakavaju miljenje.
Miljenje predstavlja najsloeniji vid covjekove psihi cke aktivnosti,
vid po kojem se covjek i ponajvie razlikuje od ostalih ivih bi ca. Nje-
govu zioloku osnovu tvore sloeni procesi u iv canom sustavu, osobito
u sivoj kori velikog mozga. Kao sloena psihi cka aktivnost odraavanja
op cih i bitnih svojstava pojava, miljenje je oblik posrednog spoznavanja
stvarnosti. Miljenje se razvilo kroz covjekovo prakti cno djelovanje i do-
prinosi njegovoj uspjenijoj prilagodbi u svijetu.
U fazi izgradnje matemati ckog modela nekog procesa ljudi uo cavaju
objekte, i njima pridruene varijable, koji sudjeluju u tom procesu i uo ca-
vaju odnose me du tim varijablama. Sama potreba za modelom ve c nosi
u sebi i neku predstavu o tome kakvi bi odnosi me du varijablama trebali
biti. Detalji i opravdanje dodatnih heuristka (pretpostavki) nunih za funk-
cionalnost modela zahtjevaju eksperimentalnu provjeru i potvrdu. Ono to
1. MOE LI SE MILJENJE MODELIRATI? 51
je pri tome vano istaknuti je da funkcionalnost modela ne ovisi o kvali-
tativnim svojstvima objekata cije odnose elimo
1
modelirati ve c samo o
njihovim me dusobnim odnosima (u modelu). U tom smislu je matematika
apstraktna znanost jer isti nodel moe biti primjenjen na razne realne situ-
acije. U tom smislu je matematika i besmislena jer ne daje odgovore na
pitanje zato ve c kako.
U modeliranju procesa donoenja odluke, ako slijedimo gornju misao,
potrebno je nabrojiti sve elemente, sudionike odlu civanja. Mi cemo ih na-
zivati imenima iz svakidanjeg ivota i stoga implicitno sugeriramo i nji-
hove odnose jer svaki takav pojam unosi u model i neko nae iskustvo. to
se mentalnih procesa ti ce iskustva su individualna, a model koji gradimo je
transpersonalan i u tom smislu je civilizacijsko dostignu ce. Kad govorimo
o odnosu me du varijablama u modelu, ne zna ci da ti odnosi moraju nuno
biti izraeni formulama. Formula je samo jedan tip matemati ckog objekta,
drugi su relacije, skupovi, funktori, strukture. . .
Model miljenja koji ovdje izgra dujemo nazivati cemo, prema Baro-
nu [3], search-inference okvir. Miljenje zapo cinje kad smo u nedoumici
kako djelovati, u to vjerovati ili to eljeti. U tim situacijama cilj razmi-
ljanja je osloba danje tih nedumica, tih sumnji. Odluka koje prethodi nekoj
akciji je posljedica razmiljanja, izbor osobnih ciljeva i formiranje uvjere-
nja tako der. Elementi odlu civanja su: ciljevi, mogu cnosti (za postizanje tih
ciljeva) te uvjerenja
Mogu cnosti: ili alternative predstavljaju razne puteve (na cine) pos-
tizanja ciljeva. Pretpostavljamo, jednostavnosti radi, da se te mo-
gu cnosti me dusobno isklju cuju
2
.
Cilj: slui za procjenu mogu cnosti, pa ih moemo shva cati i kao
standarde za procjenu. Drugi naziv za cilj je kriterij, svrha ili
obiljeje koje je zajedni cko za dvije ili vie alternativa.
Razlikujemo ciljeve za razmiljanje i osobne ciljeve koji su
usvojeni ve c u ranom djetinjstvu. Odre den dio osobnih ciljeva
prisutan je u svakom razmiljanju dok je ve ci dio njih irelevantan,
za konkretan proces razmiljanja.
Uvjerenje: ima dvojako zna cenje. S jedne strane je to naznaka u
kojoj mjeri neka mogu cnost ispunjava zadani cilj. To moemo
shvatiti i kao uvjerljovost postizanja cilja. Drugo zna cenje ne
1
Nije ba sasvim tako jer kvalitativna svojstva objekata jesu uzrok takvih odnosa, ali
za model nisu vie bitna. Bitna su za interpretaciju.
2
Ostavimo po strani pitanje egzistencije takvih mogu cnosti. Za po cetak elimo
objasniti osnovni princip kojeg cemo kasnije poboljavati i prilago davati specijalnim
situacijama.
CIVANJA
odnosi se samo na jednu mogu cnost i ne treba ga mijeati s tei-
nom ili preferencijom koju pridjeljujemo mogu cnosti. Uvjerenje
je prije svega sposobnost razlu civanja, uo cavanja razli citosti, me-
du mogu cnostima i ono je u slubi ciljeva. Uo cena razlika me du
mogu cnostima ima to ve ci utjecaj na kona cnu odluku koliko su
vaniji nadre deni ciljevi.
Drugi naziv za uvjerenje je: stav, dokaz, dogma. Uvjerenje
je katkada obojeno emocijama to zna ci da su emocije tako der
jedan od elemenata u donoenju odluke.
REZIMIRAJMO:
Razmiljanje s ciljem (goaldirected thinking) je spoznajni proces koji
nam pomae pri:
donoenju odluke u zadovoljavanju osobnih ciljeva,
usvajanju uvjerenja koje su akcije ekasnije,
prihva canju ciljeva uskla denim s naim viim ciljevima, uklju cu-
ju ci i zadovoljstvo vlastitim ivotom.
Ono se moe opisati kao zaklju civanje temeljeno na: alternativama, uvje-
renjima i ciljevima. Odnos elemenata u odlu civanju moemo prikazati ski-
com. Uvjerenje (U) utje ce na teinu mogu cnosti (M) ali u slubi ciljeva
w
M
M
w
M
M
U
U
U
C C
SLIKA 1. Uzorak ciljnog miljenja.
(C). Pri tome neki ciljevi mogu promijeniti poredak vanosti alternativa
(manje je bolje). Opisani proces nazivamo jo i miljenjem o mogu cnos-
tima. Kraj takvog razmiljanja je odluka koja prethodi ostvarivanju jedne
od mogu cnosti akciji. Opisana struktura misaonog procesa je uzorak
koji moe biti prepoznat i u sloenijem misaonom procesu kao na primjer
u kasnije opisanoj situaciji u kojoj i ciljevi postaju predmet miljenja, v.
poglavlje 1.1.1.
Ciljevi, alternative i uvjerenja u procesu odlu civanja nisu stalni. Ako
uvjerenje u razli citost dviju mogu cnosti nije dovoljno snano potraiti ce-
mo novo obiljeje zajedni cko tim alternativama i pokrenuti novi misaoni
postupak za vrednovanje, sada novih, ciljeva s ciljem postizanja uo cljivije
razlike me du alternativama. U tom sekundarnom misaonom procesu novi
ciljevi postaju mogu cnosti za evaluaciju u odnosu na vie ciljeve. Pri tome
se preispituju i uvjerenja i novi ciljevi s tim da se ne isklju cuje mogu cnost
ponovnog uklju civanja nekih starih mogu cnosti koje smo ranije izbacili iz
razmatranja kao nebitne ili smo ih identicirali s nekom od postoje cih.
U potrazi za sekundarnim ciljevima kao u gornjoj situaciji, isto kao i
u procesu razlikovanja alternativa, mi prosu dujemo. Nismo puno pogrije-
ili ako prosu divanje shvatimo kao tehniku ili primjenu odre denog skupa
pravila cije (ne)korektnosti moemo i ne moramo biti svjesni
3
. Pravila ko-
jima se rukovodimo u prosu divanju su dio naeg bi ca bilo da su uro dena ili
nau cena. Otkrivanje tih pravila je tako der jedan od zadataka teorije odlu-
civanja, v. poglavlje 2.3.3.
Evo jednog prakti cnog primjera u kojem se trai stan. Mogu cnosti
su stanovi na raspolaganju. Oni mogu biti prisutni u naoj svijesti i prije
nego li razmiljanje po cne, a mogu biti dodani i tokom same potrage za
odlukom, npr. iz oglasa u novinama. Ciljevi su razni aspekti po kojima se
stanovi razlikuju i slue za vrednovanje stanova: cijena najma, udaljenost
od kole ili radnog mjesta, sigurnost kvarta, kvaliteta izrade. Najvii cilj je
imati krov nad glavom
4
. Na temelju uvjerenja i stavova vrimo prosudbe
i dajemo prednosti nekim stanovima. Uvjerenja mogu biti u formi jednos-
tavnih izjava kao: "Najam je 500 kn", a moe biti i gomila argumenata,
izmiljenih scenarija ili primjera. Snaga uvjerenja ne daje automatski tei-
nu odre denom stanu ve c radije pove cava diferenciranost izme du stanova.
Prednost nekom stanu kontrolira donosilac odluke ovisno o vanosti ciljeva
kojima slue pojedina uvjerenja.
1.1.1. Potraga za uvjerenjima. Ciljevi kao predmet miljenja su sva-
kodnevna pojava i ovdje cemo spomenuti neke od tih situacija. Osnovni
uzorak miljenja s ciljem, shematski prikazan slikom 1, str. 52 je i ovdje
prisutan.
1.1.2. Medicinska dijagnoza. U postavljanju dijagnoze neke bolesti
cilj je otkriti od cega pacijent boluje. Simptomi su prisutni i trae se uzroci.
Alternative su sada uzroci bolesti, a znakovi bolesti su kriteriji po kojima
razlikujemo uzroke. Ovdje treba biti oprezan, i ne mijeati uzroke bolesti
3
Cesta je uzre cica, ako ne razumijemo ne ciju odluku: "Preispitaj malo svoju logiku"
4
Zna cenje tog cilja je individualno. Za nekoga je to ator ili kamp prikolica. Ovisno
o tome skup alternativa moe sadravati razli cite elemente. U izboru alternativa koristimo
se i metodom eliminacije.
CIVANJA
s bolestima odnosno njihovim posljedicama. Alternative nisu bolesti nego
uzroci bolesti. Kao rezultat odluke dobiti cemo, u najboljem slu caju, neki
dominantni skup uzroka koje moemo ili ne prepoznati kao uzroke neke
bolesti.
Ovdje je potraga za dokazima samo djelomi cno pod kontrolom lije c-
nika jer ne moe pacijenta pitati: "Dajte mi bar neke dokaze da se radi o
ciru na elucu". Pacijent nije svjestan ni to su pravi znakovi bolesti, on se
eventualno moe aliti na neki sekundarni znak, a kamoli da jo povezuje
uzroke i posljedice u tako sloenom problemu.
Dijagnoza kvarova tehni ckih ure daja je istog tipa s tom razlikom to je
broj alternativa kona can.
1.1.3. Znanstvena istraivanja. Dobar dio nau cnih metoda svodi se na
testiranje hipoteza o prirodi nekog fenomena. Dokazi su ovdje promatranja
i eksperimenti. Pasteur je na primjer zaklju cio da su uzro cnici nekih bo-
lesti bakterije nakon to je ustanovio da kuhanje kontaminiranih predmeta
spre cava irenje bolesti eksperiment. Tako der ih je promatrao i kroz
mikroskop.
Za razliku od dijagnoze ovdje je situacija jednostavnija jer je potraga za
dokazima manje-vie pod kontrolom ali se ciljevi mijenjaju. Rjeavanjem
jednog problema moe se na ci odgovor na neto sasvim drugo. U potrazi
za dokazima znanstvenik je u sli cnoj poziciji kao i lije cnik, nema komu
postaviti pitanje: "Daj mi rezultat koji podupire moju hipotezu".
Uzmimo kao primjer najnovija istraivanja iz evolucione biologije M.
Profet [30] o mu cnini u prvim mjesecima trudno ce. Smatra se da je to po-
sljedica djelovanja hormona, ali zato bi hormoni uzrokovali povra canje i
averziju na hranu radije nego npr. hiperaktivnost ili agresivnost. Frojdov-
sko objanjenje da je to je posljedica averzije prema muevima i nesvjesna
elja da ena oralno pobaci fetus je tako der nezadovoljavaju ce.
Profet je pretpostavila da postoji neka korist od tako reduciranog uno-
sa hrane u organizam. Funkcija povra canja je spre cavanje unoenja tok-
sina koje organizam izbacuje prije nego u du u stomak i u cine kakvu tetu
fetusu. Na taj na cin organizam budu ce majke titi fetus od tetnog djelova-
nja toksina. Odrastao organizam razvio je sistem onemogu cavanja tetnog
djelovanja toksina dok fetus, organizam u vrlo delikatnom razvoju to nije.
Po cetak trudno ce je vrlo osjetljiva razvojna faza ploda kad mu je potrebna
stabilna okolina za razvoj.
Koja su sve opravdanja za tu hipotezu? Ne ulazimo u detalje jesu li
nie navedena opravdanja prihvatljiva ili ne ve c elimo istaknuti strukturu
razmiljanja u potrazi za argumentima. Uz tu hipotezu potrebna je bar jo
jedna, a to mogu biti i sve dosadanje poznate hipoteze. Znanstvene istine
5
5
Znanstvena istinitost neke tvrdnje je relativan pojam i vremenski cesto ograni cen.
koje govore u prilog hipotezi su sinteza stotinjak nezavisnih istraivanja.
Navedimo neke od njih:
(1) Biljni toksini koje odrasli toleriraju mogu uzrokovati ote cenje
ploda i poba caj. Osim toga, jetra fetusa jo nisu razvijena i uno-
enje toksina moe naruiti djetetov hormonalni sustav;
(2) Mu cnine po cinju u trenutku kad se organi embrija po cinju formi-
rati i kad je embrio najranjiviji na teratogene (ote cenja uzrokova-
na kemikalijama), u tom trenutku embrio ima umjerenu potrebu
za hranom;
(3) Mu cnine prestaju u trenutku kad su organi embrija ve c formirani
i kad po cinje rasti potreba za hranom;
(4) Trudnice selektivno izbjegavaju jako za cinjenu kao i novu hranu;
(5) enin osjet mirisa se poja cava u tom periodu i vra ca se opet na
normalu nakon to smetnje prestaju;
(6) ene s poja canim simptomima u manjoj mjeri ra daju defektnu
djecu.
Uvjerljivo opravdanje znanstvene hipoteze je strukturirano kao miljenje s
ciljem. Za svaki dokaz koji govori u prilog jednoj od hipoteza potrebno
je vidjeti govori li on u prilog drugoj hipotezi i u kojoj mjeri. Za svaku
hipotezu potrebno je na ci argumente koji govore njoj u prilog kao i one koji
je opovrgavaju. Ako hipoteze nemaju zajedni cka opravdanja kao kriterije
onda moraju imati neki vii zajedni cki smisao (sekundarni cilj). Ako se
takvi ciljevi ne mogu na ci onda je pitanje radi li se o hipotezama istih
pojava.
1.1.4. U cenje iz vlastitog ponaanja. U mnogim ivotnim situacijama
u socijalnim kontaktima, na poslu, u koli, u porodici u cimo kako
nae ponaanje utje ce na druge i nas same. Takvo u cenje u ve cini situacija
deava se i bez razmiljanja. U pozadini naeg djelovanja je traenje situ-
acije, nazovimo je eksperiment, koji ima za posljedicu preispitivanje naih
uvjerenja. Mogu cnosti su ovdje razne akcije koje moemo poduzeti. Ci-
ljevi su dvojaki: u cenje o situaciji i postizanje trenuta cnog zadovoljstva ili
nagrade.
Primjer u cenja iz ponaanja, koje je od velike vanosti u odgoju i obra-
zovanju, je u cenje o postupcima u samim misonim zadacima na primjer,
u potrebi uo cavanja razloga zato bismo mogli imati krivo prije nego to
zaklju cimo da imamo pravo.
Posljedice takvog u cenja iz ponaanja su uvjerenja to je najbolje za
postizanje raznih ciljeva u raznim situacijama. Ta uvjerenja dalje koristi-
mo u pravljenju planova, scenarija i usvajanje osobnih ciljeva za kasnije
odluke. Na primjer, ludi koji koji uo cavaju da su omiljeni u drutvu kad
CIVANJA
pri caju viceve, mogu usvojiti kao cilj razvijanje te osobine i traenje mo-
gu cnosti da je pokazuju.
1.1.5. Hijerarhijska struktura. U ciljnom razmiljanju ljudski um tra-
i uvjerenje (dokaz) potpomognuto kriterijima da odredi koja je mogu cnost
najuvjerljivija. Hijerarhijska struktura ovakvog razmiljanja predstvaljena
je slikom 2, s mogu cnostima ili alternativama na dnu hijerarhije. Glavni
cilj je na vrhu hijerarjije, zatim slijede podciljevi, kriteriji. . . svi elementi
Alternative
Podciljevi (Kriteriji)
Cilj
SLIKA 2. Hijerarhija ciljnog razmiljanja.
odlu civanja grupiraju se u nivoe koji su linearno ure deni. Hijerarhija je
strukturno i funkcionalno stabilna; strukturno, jer omogu cava dodavanje
i oduzimanje pojedinih elemenata a da se ne narui cijela organizacija, a
funkcionalno jer omogu cava protok iformacija odozgo prema dolje. U pra-
vilu se konkretniji elementi odlu civanja nalaze pri dnu hijerarhije, dok se
op cenitiji i neodre deniji nalaze pri vrhu. irina utjecaja jednog nivoa je
samo do njenog susjeda, tj. nivoa ispod. Elementi iz istog nivoa nemaju
utjecaja jedni na druge.
Procedura rangiranja zapo cinje od cilja kao kriterija s rangom 1. Za
svaki element ve c rangiranog nivoa, kao kriterij, rangiraju se elementi ni-
eg nivoa sve dok i posljednji nivo ne bude rangiran. Pod odlukomna skupu
od n alternativa podrazumijevamo nenegativnu funkciju w, nazivamo je jo
i rangiranje, sa svojstvom
n
i=1
w
i
= 1.
Hijerarhijsku struktura kao model koriste mnoge metode odlu civanja,
a najvie je koritena u Saatijevoj AHP metodi (Analytic Hierrarchy Pro-
ces), [32]. AHP metoda (sa svojim varijantama) jedna je od najkoritenijih
metoda odlu civanja. Glavni je razlog njena eksibilnost i prilago denost
velikoj ve cini korisnika putem vrlo dobro napisanog softvera Expert Cho-
ice. Mana metode jest ta da korisnik mora usporediti sve alternative to je
vremenski i mentalno zahtjevno za korisnika. U posljednje vrijeme raste
broj clanaka koji osporavaju njenu akasnost ali to ne obeshrabruje njezine
korisnike.
1.2. Priroda racionalnosti.
Ako krenje zakona formalne logike vodi vje c-
nom zadovoljstvu, onda cemo to krenje sma-
trati racionalnim (uz pretpostavku da svi tei-
mo vje cnom zadovoljstvu).
Jonathan Baron, psiholog
Autor gore navedene izreke u svojoj knjizi Thinking and Deciding po-
jam racionalno razmiljanje ozna cava bilo koju vrstu razmiljanja koje
najbolje pomae ljudima u ispunjavanju njihovih ciljeva. S prakti cnog sta-
novita to je beskorisna denicija jer ljudi ni sami nisu sigurni to je za
njih dobro a to nije, a ta se kvalikacija odnosi i na njihove ciljeve. S for-
malnog gledita se pak postavlja pitanje kako usporediti ekasnost dviju
metoda, odnosni koja od njih bolje pomae u ostvarenju ciljeva. Teko da
se gornja izreka moe shvatiti kao denicija racionalnosti iz jednostavnog
razloga to obuhva ca preiroko podru cje ljudske aktivnosti. Moda je bolje
na nju gledati kao na uputu u kom smjeru treba gledati kod formalizacije
ljudskog miljenja.
Nije nerazumljivo to su ljudi, u tenji da proniknu u strukturu misli,
prvo prou cavali one ljudske aktivnosti koje su ve c same po sebi strukturi-
rane, kao to je govor, pisani tekst, odlu civanje u sportu ili ekonomiji. Tu
su ciljevi jasni i iskristalizirani tokom dugog vremenskog perioda upra-
njavanja tih aktivnosti. Struktura govora i pisma podre dene su to jasnijem
prenoenju informacije. U tom smislu treba gledati i nove prodore u ma-
temati ckoj logici motivirane razvojem kompjutorske tehnologije. U sportu
i ekonomiji postoje jasna pravila to se smije ili to se eli. Govorna i
pisana komunikacija me du ljudima su usko grlo u prenoenju informaci-
ja i struktura jezika podre dena je mediju koji slui za komunikaciju. Isto
se moe re ci i za komunikaciju me du strojevima. Misaone strukture ko-
je omogu cavaju takvu komunikaciju slobodno moemo zvati linearnim ili
sekvencijalnim.
Komunikacija covjeka sa samim sobom je neto posve drugo. Infor-
macije i cuvstva cuvamo kao simbole i za procesiranje simbola u mozgu
nije ih potrebno pretvarati u rije ci ili neke druge artikulirane pojave. Do-
noenje vrlo sloenih odluka moe trajati nevjerojatno kratko i cilj teorije
odlu civanja je razumijevanje upravo tih procesa. Brzina irenja elektri c-
nih impulsa me du neuronima je vrlo mala i ne igra nikakvu ulogu u brzini
donoenja odluka. Ono to je o cito vano je struktura i organizacija tog
procesa
CIVANJA
Konstrukcija searchinference okvira uklju cuje potragu za mogu cnos-
tima, uvjerenjima i ciljevima. Potraga i zaklju civanje moraju biti korektni
u smislu da nisu pod utjecajima drugih faktora osim ciljeva za razmiljane.
Dobar donosilac odluke koristi najbolje metode zalju civanja o cemu ce biti
govora u sljede cem poglavlju. U okvir moraju biti uklju cene sve mogu c-
nosti; kakva je korist od odluke ako smo zanemarili neku od mogu cnosti
bilo zbog povrnosti ili iz neznanja da i ta mogu cnost vodi ka ispunjenju
naih ciljeva. Isto je i s uvjerenjima. Nije dobro koristiti svoja uvjerenja na
na cin da se favoriziraju mogu cnosti koje su ve c same po sebi jake. Time
stvaramo predrasude i onemogu cavamo druge aspekte koji moda ne go-
vore u prilog favoriziranih mogu cnosti. Drugim rije cima jako je vano biti
otvoren i spreman promijeniti svoju misaonu strukturu ako se to pokae
potrebnim.
Racionalnost se odnosi na metode koje koristimo u miljenju a ne na
zaklju cke do kojih dolazimo. Racionalnost nije isto to i preciznost, a ira-
cionalnost nije isto to i greka. Mi moemo koristit izvanredne metode i
do ci do katastrofalnih zaklju caka ili koristiti slabe metode i, uz sre cu, do ci
do ispravnih zaklju caka. Isto tako moe se govoriti i o racionalnosti soci-
jalnih institucija i citavih zajednica. Kriterij je, kao i kod pojedinaca, da li
one donose kolektivne odluke koji zadovoljavaju ciljeve njihovih clanova.
Kao to je ve c ranije re ceno racionalnost ne isklju cuje emocije. Emoci-
je su samo neka vrsta uvjerenja. Lo osje caj o izboru moe biti i argument
protiv. To je ujedno i signal da treba nastaviti potragu za novim uvjere-
njima. Racionalnost nije sebi cnost. Moralni ciljevi, uklju cuju ci i brigu za
tu de osje caje, su ciljevi koje je pohvalno usvojiti kao nae vlastite.

Cest
je prigovor da racionalni ljudi nisu sretni. Sre ca cesto uklju cuje samoza-
varavanje. Ako poblie ispitamo ne cija uvjerenja mogli bismo otkriti da
doti cni i nije tako uspjean, kompetentan ili voljen kao to misli.
Istraivanja i nae vlastito iskustvo pokazuju da ljudi ne slijede u pot-
punosti normativne principe. Da li to zna ci da je greka u modelu ili za to
postoje neki drugi razlozi? U sljede cem poglavlju analizirati cemo razloge
takvog ljudskog ponaanja na izabranim primjerima. Zaista postoje situ-
acije u kojima ljudi ispadaju racionalni, iako se cini da to nisu i obratno.
Cilj teorije odlu civanja nije da kvalicira da li je neto dobro ili loe ve c
da razumije otkrije zbog cega ljudi smatraju da je A bolje od B i kakve su
posljedice tog izbora.
2. kola dobrog miljenja
Nije pitanje misle li strojevi, pitanje je cine li
to ljudi.
B. F. Skinner (bihejviorist)
2.1. Formalna logika. Mnogi autori uzimaju formalnu logiku kao
normativni model miljenja. U svakodnevnom rije cniku sinonimi za lo-
gi cno su racionalno ili razumno. Obrazovanje je prihvatilo logiku kao
osnovu za izgradnju znanstvene misli. Pojmovi kao to su premisa, kon-
tradikcija ili implikacija ve c su dio svakodnevnog rje cnika.
U normativnom modelu miljenja logika ima centralno mjesto. Ovdje
nam nije cilj razvijati logi cko miljenje ve c ukazati potrebu za njim. Os-
novni i najvaniji pojam u logici sudova je pojam istinitosti. Svi smo u
srednjoj koli culi za semanti cke tablice, neki su ih uzeli kao neto prirodno
i prihvatljivo, a neki u njih sumnjaju jo i dan danas jer su ih nau cili na-
pamet. One nam omogu cavaju, zajedno s pravilima izvoda da provjerimo
vrijednost istinitosti suda (logi cke formule), v. Vukovi c [41].
Sud intuitivno shva camo kao izjavu koja moe biti istinita ili lana
(ne oboje) i jedan od zadataka formalne logike je prou cavanje operacija na
sudovima i odre divanje na cina za provjeru njihove istinitosti. Prije nego
li i formalno deniramo pojam istinitosti i interpretacije zadrimo se jo
trenutak na intuitivnom nivou.
2.1.1. Valjanost forme zaklju civanja. Pravilo ili formu zaklju civanja
ozna cavamo
P
1
, P
2
, . . . , P
n
[= Q
gdje sudove P
1
, P
2
, . . . , P
n
nazivamo pretpostavkama ili premisama, a Q
zaklju ckom ili konkluzijom. Gornji zapis citamo: Q je logi cna posljedica
od P
1
, P
2
, . . . , P
n
. Forma zaklju civanja je valjana ako je zaklju cak istinit
kad god su premise istinite.
Denicija valjanosti ne kae da premise moraju biti istinite i da zaklju-
cak mora biti istinit. Evo primjera:
Svi psi imaju est nogu.
Predsjednik je pas.
[= Predsjednik ima est nogu.
Psi, bar oni kakve mi znamo, nemaju est nogu niti je Predsjednik pas.
Valjanost forme i dalje je prisutna, jer ona zahtijeva da, ako se kojim slu-
cajem desi da su premise istinite onda zaklju cak mora biti istinit. Ono to
CIVANJA
formu zaklju civanja cini valjanom je njezina forma, zato kod provjere va-
ljanosti nekog zaklju civanja ne gledamo sadraj nego formu. Formalizirani
zapis gornjeg primjera je:
Svi P su Q.
x je P.
[= x je Q
i u tom zapisu stoje apstraktne varijable umjesto sudova.
2.1.2. Modus ponens. Forma zvana modus ponens je specijalna for-
ma
6
zaklju civanja. U literarnom smislu modus je manifestacija ili forma,
ponens zna ci potvr divanje. Modus ponens bismo mogli prevesti kao forma
potvr divanja i njen je oblik:
Ako P onda Q, P [= Q
ili simboli cki pisano,
P Q, P [= Q
Argumenata zato je modus ponens prihvatljiva forma ima vie nego ova
knjiga slova. U intuitivnom pristupu logici se ta forma zaklju civanja uzima
kao valjana forma.
Interesantna je pri ca od Lewis Carroll [6] u kojoj kornja ca izaziva Ahi-
la i prisiljava ga da snagomlogike prihvati njene argumente
7
. Na kraju Ahil
odustaje jer ga mudra kornja ca uvla ci u beskona cnu regresiju sve slabijih i
slabijih argumenata.
2.1.3. Logika sudova. Osnovne logi cke operacije (bulovski veznici)
sa sudovima su sljede ce binarne operacije:
konjunkcija (i)
disjunkcija (ili)
implikacija (ako. . . onda)
ekvivalencija (ako i samo ako)
i unarna opreacija
negacija (ne).
U logici sudova polazimo od nekih osnovnih sudova koje cemo zvati
propozicijske varijable. Uz pomo c bulovskih veznika i pomo cnih oznaka,
zareza i zagrade, gradimo sloene sudove ili logi cke formule. Pri tome je:
svaka propozicijska varijabla P, Q je formula ili atomarna (ne-
djeljiva) formula;
6
Srodna forma joj je modus tollens ili negacijska forma.
7
http://www.wikipedia.org/wiki/Modus ponens
Ako su P i Q formule tada su i (P Q), (P Q), (P Q),
(P Q) i ( P) formule;
nove formule se grade od starih uz upotrebu kona cnog broja
veznika.
Ta pravila deniraju sintaksu logike sudova i ona nam na cin na koji se
grade sudovi.
Semantika
8
se, u logi ckom kontekstu, bavi istinito cu formula i na-
vedena sintakti cka pravila odre duju kao prvi korak semantike odre divanje
vrijednosti istinitosti formula duljine jedan, tj. formula nastalih iz pro-
pozicijskih varijabli upotrebom jednog veznika. To se moe kompaktno
zapisati pomo cu semanti cke tablice
P Q P P Q P Q P Q P Q
0 0 1 0 0 1 1
0 1 1 0 1 1 0
1 0 0 0 1 0 0
1 1 0 1 1 1 1
DEFINICIJA 2.1. Svaku funkciju I : P, Q, R, . . . 0, 1 deni-
ranu na skupu propozicijskih varijabli s vrijednostima u dvo clanom skupu
0, 1 nazivamo interpretacijom.
Sljede ci korak je proiriti interpretaciju I na skup svih formula logi-
ke sudova. To je mogu ce u ciniti koriste ci semanti cku tablicu indukcijom
po duljini formule, v. Vukovi c [41]. Sada moemo i formalno denirati
valjanost forme zaklju civanja.
DEFINICIJA 2.2. Forma zaklju civanja P
1
, P
2
, . . . , P
n
[= Q je valjana
ako je I(Q) = 1 za svaku interpretaciju I za koju je I(P
i
) = 1, i =
1, . . . , n.
Na kraju ovog odjeljka dokaimo da je modus ponens valjana for-
ma zaklju civanja. Treba dokazati da je za svaku interpretaciju I za koju
su premise istinite i zaklju cak istinit. Neka je I interpretacija za koju je
I(P Q) = 1 i I(P) = 1. Iz denicije interpretacije logi ckog veznika
u semanti ckoj tablici tada slijedi I(Q) = 1 to se i htjelo dokazati.
8
semanticos, gr c. zna cenje
CIVANJA
2.2. Poteko ce u logi ckom rezoniranju.
Onaj razum koji krivo
prosu duje o stvarima,
ne zna dobro rasuditi
to je pravo, to pogreno,
ni to treba u ciniti,
a to pak ne u ciniti
takav razum naziva se
strasnim ili rajasi cnim
9
.
Bhagavad Gt a, XVII, 31
U tehni ckom smislu formalna logika se ne odnosi na racionalnost op-
cenito nego u zaklju civanju o istinitosti neke tvrdnje iz istinitosti drugih
tvrdnji baziranoj na formi, a ne na sadrajima tvrdnji. Analizirati cemo ne-
koliko primjera pogrenog zaklju civanja u svakodnevnom ivotu i vidjeti
da su poteko ce uglavnom psiholoke naravi.
2.2.1. Poteko ce s modus ponens. U primjeru koji slijedi dana je jedna
forma zaklju civanja koje se cesto zamjenjuje s modus ponens.
PRIMJER 2.3.

Cak je strastveni biciklist i redovito na posao ide bicik-
lom. Svakog dana, pri dolasku na posao, portir zabiljei vrijeme njegovog
dolaska na posao kao i vrijeme odlaska. Tokom niza godina portir je usta-
novio da kad pada kia

Cak ne dolazi biciklom na posao i zaklju cio da:
Ako pada kia,

Cak ne koristi bicikl.
Jednog dana

Cak je doao autobusom i portir je zaklju cio:
Danas je

Cak doao autobusom.
Zna ci da pada kia.
Kako je portireva ku cica u unutranjosti velike hale koja slui kao parki-
ralite on nije primjetio da je tog dana padao snijeg. Njegov je zaklju cak
o cito bio kriv. to je tu krivo? Formalizirajmo portirev zaklju cak:
P Q, Q [= P.
Umjesto P i Q stoje njegovi sudovi.
Koji su razlozi loeg zaklju civanja u primjeru? Jedan od njih je je
vrlo vjerojatno dvosmislenost rije ci ako u svakodnevnom govoru. Njeno
uvjetno zna cenje, kao u izjavi "ako P onda Q", zna ci da je Qistinito ako je
P istinito i ne isklju cuje se mogu cnost da je Q istinito ako P nije istinito.
Njeno biuvjetno zna cenje isklju cuje mogu cnost da je Q istinito kad P nije
9
rajas, skt. aktivnost.
istinito. Matemati cari u tom slu caju govore ako i samo ako da
se istakne biuvjetno zna cenje.
U svakodnevnom govoru iz konteksta se moe naslutiti o kojem se
smislu termina ako radi. Pretpostavimo da ja kaem: "Po cet cu vika-
ti ako ne zauti." Vi cete biti vrlo vjerojatno iznena deni ako ja po cnem
vritati iako ste vi zautili. U toj re cenici ako nosi biuvjetno zna cenje.
Bez obzira na zna cenje, uvjetno ili biuvjetno, u izjavi: "Ako P onda Q i P
je istinito," moemo uvijek zaklju citi Q.
Da portireva forma zaklju civanja nije valjana vidi se i iz sljede ceg
razmatranja. U formalnom, kao i u intuitivnom pristupu sud (P Q) je
istinit ako je Q istinit. Pretpostavimo li da postoji bar jedan istinit sud Q i
pretpostavimo li da je portireva forma valjana onda je svaki sud P istinit.
Zaista, P Q, Q [= P.
2.2.2. Poteko ce s logikom sudova.
PRIMJER 2.4. U svakodnevnom zaklju civanju cesto moemo susresti
sljede cu konstrukciju:
Covjek moe biti znanstvenik.

Znanstvenik moe biti astronaut.
[= Marko moe biti astronaut.
Dobar donosilac odluke, me dutim, trai argumente za i argumente protiv
neke mogu cnosti. Ako na de primjer kad pravilo nije primjenjivo onda je
naao kontraprimjer. Pokuajmo li s vrijednostima za P, Q i R:
P = mukarac,
Q = znanstvenik/ca,
R = ena,
dobivamo apsurdan zaklju cak da mukarac moe biti ena.
Stoga zaklju cujemo da pravilo nije univerzalno primjenjivo, tj. nije va-
ljana forma zaklju civanja. Evo jo jednog kontraprimjera za model rezoni-
ranja u primjeru 2.4.
A je desno od B.
B je desno od C.
[= A je desno od C.
Izgleda da je ovdje sve OK! A sad se zapitajmo to zna ci biti desno od.
to ako A, B, C sjede za okruglim stolom?
2.2.3. Poteko ce s kvantikatorima. Osim u prethodna dva primjera,
s logikom sudova ljudi izgleda da nemaju ve cih poteko ca. Intuitivno za-
klju civanje kojim se sluimo u svakodnevnom zaklju civanje izgleda da je
tu dovoljno. Stvari nisu tako jednostavne kad se upletu kvantikatori kao
to su: svaki, neki, postoji,. . . .
CIVANJA
PRIMJER 2.5. Grupi studenata ponu den je sljede ci logi cki zadatak: U
sobi se nalaze arheolozi, biolozi i ahisti. Svi biolozi su ahisti. Niti jedan
od arheologa nije biolog.
Ve cina studenata je zaklju cila da niti jedan arheolog nije ahista, to
nije korektan zaklju cak. Niti jedan student nije zaklju cio da neki ahisti
nisu arheolozi, to je valjan zaklju cak.
PRIMJER 2.6.
Niti jedan A nije B.
Svi B-ovi su C-ovi.
? Zaklju cak ?
Mnogi ce zaklju citi: "Niti jedan A nije C", to je krivi zaklju cak. Psi-
hologiju zanimaju razlozi takvog (krivog) zaklju civanja.
Evo nekih objanjenja za krivo zaklju civanje u gornjim primjerima:
Ljudi cesto izokrenu jednu od premisa, v. Chapman (1959) [8].
Ako premisa kae: "Svi A-ovi su B-ovi" onda on automatski
shva ca i "Svi B-ovi su A-ovi", to je krivo jer "neki B-ovi ne
moraju biti A-ovi." Neka istraivanja govore u prilog toj hipote-
zi. Ceraso i Provitera [7] (1971) su reducirali dobar dio krivih
odgovora postavljanjem jasnog pitanja u kojem umjesto "Svi A-
ovi su B-ovi" stoji: "Svi A-ovi su B-ovi, ali neki B-ovi mogu ne
biti A-ovi".
Greke u zaklju civanju nisu logi cke greke ve c posljedica nera-
zumijevanja i krive interpretacije, Henle [17] (1962). Ljudi raz-
miljaju o istinitosti premisa, a ne o formi zaklju civanja. Oni
zapravo odbijaju rijeiti logi cki zadatak jer njihov mentalni sklop
ne prihva ca sve mogu cnosti kao input. Tipi cni primjer tog feno-
mena je dan u Scribner [33, str. 490] (1977) u kojem je farmeru
iz plemena Kpelle (zap. Afrika) postavljeno sljede ce pitanje:
Svi pripadnici Kpelle plemena uzgajaju riu.
G. Smith ne uzgaja riu.
Je li on pripadnik plemena Kpelle?
Odgovor:
Ne poznajemnikakvog g. Smitha. Nisamga nikad upoz-
nao.
Pitanje:
Ali razmislite o tvrdnji jo jednom.
O:
Kad bih ga poznavao, mogao bih odgovoriti na pitanje.
Poto ga ne poznam osobno ne mogu nita o njemu re ci.
P:
Ali posluajte svoj vlastiti razum.
O:
Ako poznajete osobu i ako do de pitanje o njoj tada mo-
ete odgovoriti na pitanje. Ali ako osobu ne poznate
tada je teko bilo to re ci o njoj.
U ovom razgovoru ispitanik odbija prihvatiti premise kao osnovu
za razmiljanje.
Scribner predlae kao dobru vjebu za formalizirano milje-
nje obi cnu aritmetiku. Ako djetetu postavimo pitanje: "Janica
ima tri olovke i dobije jo dvije" odgovor na pitanje: "Koliko
olovaka sada ima Janica?" sigurno ne ce biti: "Oprostite, ali ja
Janicu ne poznam."
2.2.4. Poteko ce s negacijom implikacije. Jo jedna prepreka u korek-
tnom zaklju civanju su predrasude i ljudska sklonost da uo cavaju situacije
koje ih potvr duju, a ne opovrgavaju. Tipi can primjer koji se prepri cava
u literaturi konstruirao je psiholog Peter Wason, [42], sa eljom da ispita
kako obi cni ljudi negiraju hipoteze.
PRIMJER 2.7.

Cetiri karte su poloene na stol i svaka od njih ima na
jednoj strani broj, a na drugoj slovo.
D F 3 7
Koje je karte dovoljno okrenuti da bi ispitali istinitost tvrdnje: Ako karta
ima slovo D na jednoj strani onda ima broj 3 na drugoj strani.
Korektan odgovor je D i 7 . Ve cina ispitanika izabrala je kartu D
ili karte D i 3 . Karta 3 je irelevantna, a 7 je klju cna karta jer ako je
D na suprotnoj strani onda pravilo nije istinito. To cne odgovore dalo je
izme du 5 i 10 posto ispitanika. Iz njihovih odgovora se ne moe zaklju citi
da su oni interpretirali "Ako D onda 3" kao "Ako D onda 3 i obratno" jer
bi u tom slu caju okrenuli sve cetiri karte.
U konkretniim ivotnim situacijama ljudi korektno zaklju cuju u ve cem
postotku nego u ovom apstraktnom primjeru. Iskustvo ih u ci da primjenju-
ju usvojene modele u onim situacijama koje su ceste u nihovom ivotu, a
u sli cnim situacijama zaklju cuju po analogiji. Na primjeru barmena koji
ne smije prodavati pivo osobama od 18 godina to se lijepo vidi. Pitanje
je koga ce provjeravati: osobu koja pije pivo, osobu koja pije Coca Colu,
dvadesetipetgodinjaka ili petnaestgodinjaka. Ve cina korektno zaklju cuje
da treba provjeriti onoga koji pije pivo i petnaestgodinjaka.
CIVANJA
Ispitivanja su tako der pokazala, Leda Cosmides, [9], da ljudi korektno
zaklju cuju ako je implikacija u obliku ugovora. Krenje ugovora je situ-
acija ekvivalentna postojanju varalice u baru. U ovoj situaciji gotovo da
i nema pogreaka jer je otkrivanje kritelja ugovora vezano uz nancijsku
dobit i osobni interes.
Ljudi izgleda da imaju ugra den mentalni modul za otkrivanje varalica,
zaklju cuje S. Pinker, [29, str. 337]. Taj modul izgleda da ima "logiku" koja
je obojena osobnim ciljevima i interesima. Evo primjera kako taj modul
radi. Promatrajmo sljede cu implikaciju: "Ako zaposlenik dobiva penziju
zna ci da je radio deset godina. Tko kri pravilo?" S to cke gledita zaposle-
nika trait cemo radnika s dvanaest godina staa bez penzije; s to cke gledi-
ta poslodavca traiti cemo one koji su penziju dobili nakon osam godina
staa. Kad se formalna logika i logika otkrivanja varalice podudaraju ljudi
djeluju poput logi cara. Psiholozi evolucionisti isti cu da je postojanje takvih
mentalnih modula posljedica iskustva baziranih na osobnim ciljevima, a ne
posljedica genetskog naslje da. To se posebno lijepo vidi u kreiranju men-
talnog modela za matematiku koji islju civo ovisi o obrazovnom sistemu i
nastavniku matematike. Mnogi isti cu da su djeca u SAD loije obrazovana
od djece u drugim industrijski razvijenim zemljama upravo zbog nebrige
drutva za obrazovanje. Ako nastavnik kreira okuenje u kojem je u cenik
potaknut na samostalno vjebanje, "drill" i na interaktivnu komunikaciju s
nastavnikom tada ce mo ci razviti mentalne matemati cke koncepte za koje
je, u historijskom smislu, potrebno i vie tisu ca godina.
2.3. Potraga za racionalno cu. Formalna logika, bez obzira na nje-
nu normativnu vanost u donoenju zaklju caka, gotovo da se i ne koristi u
svakodnevnom ivotu. Jedan od razloga je taj to je za logi cko zaklju ci-
vanje potreban trening ili bar neka vrsta formalnog obrazovanja, a drugi je
to su premise u svakodnevnom ivotu, na temelju kojih bi trebali donijeti
zaklju cak, nejasno formulirane ili cak nepoznate. Osim toga, svojim osob-
nim stavovima i emocijama, cak i ako su premise sasvim odre dene i jasne,
ljudi izbjegavaju logi can zalju cak vo deni ne cim to je ja ce od njih samih.
Poteko ce su vie psihi ckog nego formalnog karaktera.
2.3.1. Mentalni modeli. Formalna logika, po svojoj prirodi, nije pot-
puna teorija miljenja. Poto se bavi samo zaklju civanjem nije u stanju
objasniti uzroke greaka u zaklju civanju i dati upute kako ih otkloniti. Raz-
matranje logi ckih problema i analiza ljudskih postupaka pri njihovom rje-
avaju je dobar primjer koji govori u prilog strukturiranog miljenja o ko-
jem smo ve c govorili, a to je ciljno miljenje. JohnsonLaird i dr. ([18],
[20], [19]) je svojim ispitanicima zadavao hipoteti cke silogizme
10
, zapravo
10
Hipoteti cki silogizam je valjana forma P Q, Q R |= P R.
samo premise, i promatrao kako ljudi donose zaklju cak na temelju danih
premisa. Njegov je zaklju cak da ljudi kreiraju mentalne modele (primjere)
koji opravdavaju njihov zalju cak. Paljivi mislilac ce potraiti alternativni
mentalni model, kontraprimjer
11
, u kojem njegov zaklju cak nije istinit i ako
ga ne na de zaklju cuje da je zaklju cak korektan. Vrlo malo ispitanika poku-
ava na ci i tre ci alternativni model koji bi potvrdio ili opovrgnuo njegovu
formu zaklju civanja.
PRIMJER 2.8. Evo jednostavnog primjera:
Svi umjetnici su drutvenjaci.
Svi drutvenjaci su spavalice (jer kasno lijeu).
Da bi donijeli zaklju cak na temelju danih premisa mi zamiljamo neku
vrstu mentalnog modela. Zamiljamo nekoliko osoba U (umjetnika) i ne-
koliko osoba D (drutvenjaka) i ustanovimo na primjer da je
U = (D)
gdje zagrada zna ci da neki od drutvenjaka nisu umjetnici. Zatim zami-
ljamo drugi mentalni model i zaklju cimo da je
D = (S)
gdje (S) u zagradi zna ci zna ci da neki od spavalica iz naeg modela ni-
je drutvenjak. Pokuavamo li na ci neki drugi mentalni model ustanoviti
cemo da ga ne moemo ba tako jednostavno na ci i donijeti zaklju cak:
Svi umjetnici su drutvenjaci
Svi drutvenjaci su spavalice
[= Svi umjetnici su spavalice
Istraivanje tako der pokazuje da ljudima predstavljaju poteko cu oni
silogizmi u kojima je izokrenut redoslijed premisa. Tako na primjer ljudi
ne ce imati poteko ca donijeti bilo kakav zaklju cak na temelju premisa:
Neki A je B
Svi B su C
dok ce imati poteko ca s premisama:
Neki B je A
Svi B su C
U sljede cem, malo teem primjeru,
Neki A su B
Neki B su C
11
Kontraprimjer nije nita drugo nego konstrukcija ili model jedne interpretacije za
koju zaklju cak, u formi zaklju civanja, nije istinit iako su premise istinite.
CIVANJA
ispitanici su dali vie primjera. Naj ce ci je onaj u kojem su zaklju civali da
su neki od A-ova B-ovi i da su neki od tih B-ova C-ovi to je greka. Oni
koju su ili dalje u potrazi za modelima doli su do sljede ceg modela
(A) = B
(B) = C
koji vodi na zaklju cak da oni A-ovi koji su B-ovi ne moraju nuno biti
C-ovi pa je kona can zaklju cak da se nita suvislo ne moe zalju citi o vezi
izme du A-ova i C-ova, to je korektan zaklju cak.
to pokazuju ovi primjeri? Kao prvo, izgleda da ljudi a priori prihva-
caju vie mogu cnosti, bilo kao kandidata za rjeenje problema ili kao put
ka kona cnom rjeenju, a zatim nalaze dodatne argumente ili za eliminaciju
ili za prihva canje svake od mogu cnosti.
U prilog mentalnih modela govori i istraivanje Galotti, Baron i Sabini
[15]. Njihovi ispitanici su bili podvrgnuti rjeavanju niza logi ckih pro-
blema. U po cetku je vrijeme rjeavanja bilo ograni ceno, a nakon toga je
omogu ceno svakom ispitaniku da ispravi svoj zaklju cak ako smatra da nije
korektan. Dobri rjeava ci su troili u prosjeku dvostruko vie vremena na
rjeavanje od loih jer su provjeravali svoje zaklju cke na vie mentalnih
modela. Oni su tako der ce ce korigirali svoje zaklju cke koje su donijeli
u prvoj fazi kad je vrijeme bilo ograni ceno jer je za pronalaenje novih
mentalnih modela ipak potrebno vrijeme.
2.3.2. Formalizacija svakodnevnog zalju civanja. Jedan pokuaj for-
malizacije zaklju civanja u svakodnevnom ivotu dao je Toulmin [36]. Os-
novna struktura zaklju cka, prikazana shematski na slici, ima cetiri osnovna
elementa: podatak, tvrdnju, razlog i pozadinu.
PODATAK TVRDNJA
RAZLOG
POZADINA
Na primjer, u re cenici:
"Pietro je ro deni Sicilijanac. Sigurno ima crnu kosu,"
podatak ( cinjenica) je da je Pietro ro den na Siciliji. Zaklju cak je da ima
crnu kosu. Razlog ovdje nije eksplicitno iskazan, a mogao bi biti: "Svi
Sicilijanci imaju crnu kosu," Pozadina je opravdanje za takav razlog i u
ovom slu caju bi pozadina mogla biti: "Svi Sicilijanci koje sam vidio imali
su crnu kosu."
Primijetimo rije c sigurno koja prethodi zaklju cku. Toulmin ju je na-
zvao kvalikator jer potencira, sugerira, prihva canja zaklju cka. Kvalika-
tor implicitno unosi i mogu cnost ne prihva canja zaklju cka pod izvjesnim
okolnostima. Te su okolnosti nepovoljne za zaklju cak i ne govore njemu
u prilog. Toulmin ih naziva rebuttal to bismo mogli prevesti kao opovr-
gavanje. U ovom slu caju to bi mogla biti cinjenica da su Pietrovi roditelji
stranci. Proirena forma gornjeg zaklju cka je:
"Pietro je ro deni Sicilijanac. Kako Sicilijanci uglavnom
imaju crnu kosu, to sam zaklju cio iz vlastitog proma-
tranja, to sigurno i Pietro ima crnu kosu, osim ako mu
roditelji kojim slu cajem nisu stranci."
PODATAK KVALIFIKATOR, TVRDNJA
RAZLOG REBUTTAL
POZADINA
Primijetite da opovrgavanje po cinje s rije ci osim. Drugi mogu ci kvali-
katori su: vjerojatno, o cito,. . .
Toulminov formalizam je specijalni oblik hijerarhijske strukture o ko-
joj smo ve c govorili. Podatak odgovara uvjerenju. Ako je mogu cnost
sugerirana uvjerenjem tada slobodno moemo identicirati tvrdnju i mo-
gu cnost. Ako kvalikator nije potreban zna ci da je uvjerenje dovoljno za
prihva canje mogu cnosti i razmiljanje tu prestaje. Ako je kvalikator po-
treban tada u razmatranje ulaze druge mogu cnosti. Toulmin uvaava druge
mogu cnosti samo kroz rebuttal, dok hijerarhijska struktura miljenja mo-
gu cnosti smatra (kvalitativno) ravnopravnima. UToulminovoj strukturi cilj
nije istaknut. Uve denjem novih razloga za istu tvrdnju zna cilo bi uvo de-
nje novih ciljeva, a time i novih mogu cnosti. Ovisno o razlozima tvrdnje-
mogu cnosti mogu imati ve cu ili manju teinu. Iako predstavlja poop cenje
logi ckih formi zaklju civanja Toulminov je pristup ograni cen u smislu da se
bavi zaklju civanjem a ne potragom za mogu cnostima.
Razlozi mogu biti speci cni za odre dena podru cja kao to su: zakono-
davstvo i dravne slube, znanost, ljudsko ponaanje op cenito ili odrava-
nje ode denih sistema, aparata i naprava. U tablici 2.1 dana je klasikacija
12
razloga prema Voss i dr. [40, Vol. 1, str. 213].
12
Ovo je neto prera dena klasikacija i nije identi cna izvornoj.
CIVANJA
Tip razloga Denicija tipa Primjer
Meta Zasnovan na metoda-
ma rjeavanja proble-
ma
Rjeavanje problema zahtijeva
odre divanje uvjeta na parametre.
Za funkcionalnu jednadbu u ma-
tematici to bi zna cilo odre divanje
podru cja denicije i vrijednos-
ti za transformacije kojima je
podvrgnuta varijabla.
Logi cki Zasnovan na logi c-
kom razmiljanju i
common sense
Ako je pristup neekasan trebalo
bi potraiti novi.
Zakonski Zasnovan na zakon-
skim uredbama i sud-
skoj praksi
Presuda bi mogla biti ponitena na
viestepenomsudu jer nije potiva-
na procedura u prikupljanju dokaz-
nog materijala.
Psiholoki Zasnovan na op cim
principima ljudskog
ponaanja
Ljudi bolje i vie rade ako su moti-
virani.
Analogni Zasnovani na pozna-
vanju funkcioniranja
drugog sli cnog siste-
ma
U Latinskoj Americi, seljaci nala-
ze ekstra legalne na cine za dodatnu
zaradu. To je vjerojatno istina i za
Hrvatsku.
TABLICA 2.1. Klasikacija razloga prema Vossu.
2.3.3. Mentalni modul za vjerojatnost. O mentalnom modulu za ma-
tematiku i modulu za otkrivanje varalice bilo je ranije govora
13
. Uz ta dva
modula posebno je vaan modul za vjerojatnost koji ima klju cnu ulogu u
donoenju odluke to je i glavna tema ove knjige. Njime cemo se detaljnije
pozabaviti.
Ljudi vole predvi dati budu ce doga daje. Ako se neki doga daj ve c po-
navljao u prolosti tada u tom sljedu doga danja oni pokuavaju prona ci
zakonitosti i na temelju njih predvidjeti budu cnost. Vjerojatnost je priru c-
na, intuitivno jasna i cesto jedina mogu ca tehnika. Osniva ci teorije vjero-
jatnosti, kao i osniva ci formalne logike, vjeruju da su samo formalizirali
zdrav razum (eng. common sense).

Cesto se doga da da taj zdrav razum
govori suprotno od onoga to ljudi odlu ce. Razlog tome lei u psiholokoj
13
Vidi odjeljak 2.2.4 na str. 66
obojenosti odluke koja je vie projekcije njihovih elja a moe biti i pos-
ljedica krive interpretacije pojma vjerojatnosti. Evo nekoliko primjera iz
svakidanjeg ivota koje su sakupili matemati car Amos Tverski i psiholog
Daniel Kahneman.
(Porez na budale) Ljudi upla cuju loto i ostale igre na sre cu u
ogromnim nov canim iznosima. Oni moda nisu svjesni da orga-
nizator mora osigurati izvjesnu dobit i da igra c u prosjeku mora
izgubiti.
Strah od aviona je ve ci nego strah od automobila iako statistika
govori da je postotak poginulih/unesre cenih u cestovnom prome-
tu daleko ve ci. Isto se tako boje i nuklearne energije iako je broj
stradalih od ugljena daleko ve ci.
(Kockareva zabluda) Mnogi su uvjereni da ako je kuglica na rule-
tu est puta za redom pala ne crveno polje da je sedmi put duna
pasti na crno iako kuglica nema memoriju.
(Vjerojatnost bolesti) Sljede ci problemje zadan studentima i osob-
lju Harvardske medicinske kole: "Test za ispitivanje bolesti cija
je pojavnost 1/1000 ima lano pozitivnu procjenu od 5% to zna-
ci da u 5% slu cajeva test sugerira bolest iako je osoba zdrava.
Koja je vjerojatnost da osoba koja ima pozitivan test boluje od te
bolesti? Naj ce ci odgovor je bio 0.95 iako je korektan odgovor
0.0196. Pretpostavljamo da je P(BT) = P(B) tj. da nema lano
negativnih nalaza na testu
14
.
Rjeenje lako na demo pomo cu Bayesove formule. Neka je B
dio bolesne populacije, Z dio zdrave populacije i P vjerojatnost.
Zadano je P(B) = 1/1000, P(T/Z) = 0.05, a P(B/T) se trai.
Tada je
P(B/T) =
P(BT)
P(BT) +P(ZT)
=
1
1 +
P(ZT)
P(BT)
= 0.0196.
Jedan od uzroka pogreke je taj to ljudi krivo interpretiraju
pojam lano pozitivna procjena kao postotak pozitivnih rezultata
na testu koji dolazi od zdrave populacije umjesto postotka zdravih
ljudi na kojima je test pozitivan. Najve ci je problem to ljudi
ignoriraju vjerojatnost P(B) = 0.001 koja im kazuje da se radi
14
Praksa pokazuje da to nije istina i da svaki test ima i lano pozitivne i lano nega-
tivne nalaze. Me dutim, lako se pokae da u slu caju kad je P(BT) < P(B) onda je
1
1 +
P(ZT)
P(BT)
<
1
1 +
P(ZT)
P(B)
to zna ci da je vjerojatnost bolesti, u slu caju kad test ima lano negativnih nalaza, manja
od izra cunate.
CIVANJA
o rijetkoj bolesti pa misle da je malo vjerojatna cak i za osobu
s pozitivnim testom. To je zabluda tipa: "Ako zebra ima pruge
onda je ivotinja s prugama zebra." Ispitivanja su pokazala da
mnogi lije cnici plae svoje pacijente ako imaju pozitivan test za
rijetke bolesti.
(Stereotip) "Sanja ima 31 godinu, neudata je, bistra i bez dlake na
jeziku. Zavrila je lozoju na Sveu cilitu u Zagrebu. Kao stu-
dent bila je estoki borac za pravdu i sudionik antiratnih demons-
tracija. Kolika je vjerojatnost da je Sanja bibliotekarka? Kolika
je vjerojatnost da je Sanja bibliotekarka i borac za enska prava?"
Ce ci su odgovori da je Sanja bibliotekarka i borac za enska pra-

va nego da je Sanja bibliotekarka, to nije mogu ce jer je vjerojat-
nost presjeka dva skupa manja ili jednaka vjerojatnosti svakog od
skupova koji cine presjek.
Socijalni psiholozi zaklju cuju da ljudski um nije u stanju do-
se ci zakone vjerojatnosti, iako su univerzalni. Um moe procesi-
rati vrlo malo informacija i umjesto da "izra cunava teoreme" on
koristi ste cena pravila. Jedno od pravila je: "Ono cega se sje cam
je vjerojatnije da se desi." Sje cam se strane avionske nesre ce
prije deset godina, stoga su letovi jako opasni. Drugo je pravilo:
"Ako je neto (netko) blie stereotipu ve ca je vjerojatnost da spa-
da u tu kategoriju." Sanja je po opisu blia bibliotekarki borcu za
enska prava nego bibliotekarki.
Zablude koje navode Kahneman i Tversky su me du najprovokativni-
jima u psihologiji. Gotovo nevjerojatno zvu ci da nekoliko triliona sinapsi
u mozgu nije u stanju isprocesirati jednu Bayesovu formulu. Kako bilo
da bilo, ljudsko razmiljanje nije tako glupo kako to izgleda u prethodnim
primjerima. Kockareva zabluda je zabluda samo u kockarnici i rijetko je
zabluda u ivotu. Kockarska maina je savreno napravljen stroj koji gene-
rira doga daje neovisno o povijesti
15
i od covjeka koji voli predvi dati lako
napravi budalu. Zaklju citi da je covjek u zabludi na temelju kockareve za-
blude je jednako krivo kao re ci da su ljudske ruke loe napravljene jer nisu
u stanju napraviti avion.
Vjerojatnost kao broj pridruen nekom doga daju, koji ima smisla samo
kao procjena subjektivne pouzdanosti, je danas uvrijeen na cin komunici-
ranja: sutra ce padati kia s vjerojatno cu 30%, Hajduk ce u nalu kupa
pobijediti Dinamo s vjerojatno cu 60%. Ljudski um je razvio osje caj za
vjerojatnost kao relativnu frekvenciju na dugu stazu, a ne kao broj koji
pokazuje pouzdanost jednog jedinog doga daja. Vjerojatnost, kao matema-
ti cka disciplina, je zapo ceta u 17 st., a upotreba postotaka je dola kasnije,
15
U vjerojatnosti se takvo neto naziva generator slu cajnih brojeva.
nakon francuske revolucije i uvo denja metri ckog sistema i prvobitno se
koristila samo kao izraz za kamatne stope i visinu taksi. Sam pojam vje-
rojatno nai su preci doivljavali iskustveno kao mjeru o citovanja nekog
doga daja na temelju pojavljivanja istog u prolosti. Poteko ca kod donoe-
nja odluke je li pacijent bolestan kao i u problemu stereotipa (to je Sanja)
lee tako der i u looj formulaciji zadatka koji ne odgovara intuitivnoj pre-
dodbi vjerojatnosti kao frekvenciji. Postoji samo jedna Sanja i ona je
bibliotekarka ili nije bibliotekarka. "Vjerojatnost da je ona bibliotekarka"
nije izra cunljiva. Pogledajmo iste probleme ali druga cije formulirane. Je-
dan od tisu cu Evropljana ima speci cnu bolest, pedeset od tisu cu zdravih
ljudi ima pozitivan test. U uzorku od tisu cu ljudi, koliko test-pozitivnih
boluje od te bolesti? Stotinu ljudi odgovara Sanjinom opisu, koliko ih je
bibliotekara, koliko ih je bibliotekara i feministica? Na ovako formulirana
pitanja ve cina ljudi cak do 92%daje ispravan odgovor.
U posljednje vrijeme u cestalost HIV-a, virusa AIDS-a, van rizi cne sku-
pine je 0.01%, a lano pozitivnih testova je 0.01%. Uz takvu preciznost
testa, izgled pacijenta da ima AIDS (uz pozitivan test) je velik. Pogledaj-
mo problem s druge strane. Od 10 000 ljudi van rizi cne skupine o cekujemo
da je jedan zaraen HIV-om. Od preostalih 9 999 ljudi jo jedan ima pozi-
tivan test. Dakle, imamo dva s pozitivnim testom. Ako ste vi jedan od njih
onda je ansa 50-50 da imate AIDS. Ovako formulirane probleme bolje ra-
zumiju i lije cnici i pacijenti kao i sudionici drugih tipova odlu civanja kao
to su sudske presude, na primjer.
Shva canje vjerojatnosti kao relativne frekvencije, s druge strane, pos-
taje besmisleno ako se radi o pojedinim slu cajevima. Kakvog smisla ima
ra cunati relativnu frekvenciju ako ne znamo od cega. Richad von Mises,
pionir teorije vjerojatnosti dao je lijep primjer. U uzorku ameri ckih ena
izme du 35 i 50 godina, kod 4 od 100 njih razvije se rak dojke u periodu od
godine dana. Zna ci li to da g da Smith, 49 godinja lady ima 4% anse da
oboli od raka dojke u sljede cih godinu dana? Nema odgovora. Pretposta-
vimo da u uzorku ena od 45 do 90 godina, u koji spada g da Smith, 11 od
100 oboli od raka dojke unutar godine dana. Da li je ansa g de Smith da
oboli od raka dojke sada 4% ili 11%? Pretpostavimo da je i njena majka
imala rak dojke, a 22 od 100 ena izme du 45 i 90 godina cija je majka
imala rak dojke oboljeva od iste bolesti. Da li je njena ansa 4%, 11%
ili 22%? Ona je i ovisnik o cigareti, ima dvoje djece, gr ckog je porijek-
la. . . Ako postoje samo dvije ene na svijetu i jedna ima rak dojke moe li
se re ci da g da Smith ima 50% anse da oboli od raka dojke? U grani cnom
slu caju klasa koja u svemu opisuje g du Smith je ona sama. U jedno clanom
skupu relativna frekvencija gubi svaki smisao.
CIVANJA
Ova lozofska rasprava o zna cenju vjerojatnosti nije akademska i utje-
ce na nae odluke. Godine 1995. odvjetnik branitelj na jednom sudskom
procesu za ubojstvo je izjavio da me du muevima koji tuku svoje supru-
ge, samo 1/1000 ide tako daleko da je i ubije. U pismu casopisu Nature,
jedan je statisti car istaknuo da me du muevima koji tuku svoje supruge i
ciju je suprugu netko ubio, vie od 50% ih je ubojica. Primjer g de Smith
nije matemati cka tvrdnja koja je lana ili istinita i oni koji trae odgovor
nisu u zabludi. Odluke i predvi danja o pojedina cnim doga dajima ne moe
izra cunati ra cunalo. One moraju biti analizirane vaganjem dokaza, ispiti-
vanjem uvjerljivosti argumenata, jasnijim sagledavanjem uz pomo c neke
druge formulacije i svim ostalim tehnikama koje mi smrtnici koristimo za
predikciju nepoznate budu cnosti.
Psiholog Gigerenzer je predloio "psiholoko poimanje" vjerojatnosti
kao stupanj uvjerljivosti, jam cevinu, predo cene informacije. Takva deni-
cija vjerojatnosti nalazi se i u nekim rje cnicima a koristi se i u sudnici.
3. Uloga emocija u odlu civanju
Iz uma, isklju civo iz njega izvire zadovolj-
stvo, sre ca, smijeh i ala, jednako kao i naa
tuga, bol i jad.
Hippocrates
Emocije su zasigurno jedan od vanijih aspekata spoznaje koji je do-
brim djelom bio ignoriran od strane "spoznajnih, kognitivnih znanosti" da-
nanjeg vremena. O prirodi emocija u psihologiji se raspravlja ve c cijelo
stolje ce. Formalna debata po cinje pitanjem Williama Jamesa: Bjeimo li
od medvjeda jer smo uplaeni ili smo uplaeni jer tr cimo? James sugerira
da smo uplaeni jer tr cimo i samo je upola u pravu.
Psiholoka rasprava o emocijama se fokusirala na pitanje to uzrokuje
subjektivna stanja nae svijesti koja zovemo osje caji ili emocionalna iskus-
tva. Teorije emocionalnog iskustva uglavnom se razlikuju po tome koliko
razli citih emocionalnih stanja postoji i grupiraju ih u nekoliko kategorija
ovisno o tome kako ih interpretiraju: teorije povratne sprege, centralne,
teorije pobude i spoznajne teorije. Iako vrlo razli cite u pristupima svaka
od tih teorija pretpostavlja da je emocionalno iskustvo posljedica ranijeg
emocionalnog procesa. Feedback teorija i teorija pobude pretpostavljaju
da mozak detektira emocionalno zna cajne doga daje i na poticaj proizvodi
odgovaraju ci odgovor koji zatim slui kao signal za odre divanje sadraja
emocionalnog iskustva. Centralne i teorije kognitivne (spoznajne) procjene
3. ULOGA EMOCIJA U ODLU
CIVANJU 75
pretpostavljaju da je emocionalno iskustvo zasnovano na prethodnoj pro-
cjeni situacija; te procjene tada odre duju sadraj iskustva.
Iako razli cite, sve te teorije ukazuju na isti mehanizam sistem pro-
cjene koji ode duje je li neka situacija potencijalno tetna ili korisna za po-
jedinca. Poto su te procjene prethodnica svjesnog emocionalnog iskustva
zna ci da to moraju nuno biti nesvjesni procesi. Ti procesi su zanemare-
na polovica u Jamesovom razmatranju, tj. mi bjeimo od medvjeda jer na
mozak signalizira da bi medvjed mogao biti opasan.
Dananje teorije o emocijama uglavnom se slau da one izgra duju mo-
can sistem koji utje ce na zapaanja, u cenje i racionalno donoenje odluka
kojeg nazivamo motivacija. Motivacija i emocija slue kao lteri koji vode
zapaanja i utje cu na procjenu vanosti zapaene informacije, Buck [5].
Nestabilna stanja se javljaju u svakom sistemu za procesiranje informacija
kad nema dovoljno sredstava (na cina) da se zadovolje sadanji i vii ciljevi.
To se moe desiti ne samo na nivou ciljeva nego i na svim ostalim nivo-
ima jer ciljevi utje cu na ponaanje sistema i izbor akcije. Sistem mora biti
u stanju prepoznati ta emociji sli cna stanja (eng. emotion-like) ili u ciniti
neki kompromis u izvravanju zadataka. Stoga je vano razumjeti utjecaj
emocija na donoenje odluka, kako za razumjevanje ljudskog ponaanja
tako i za potporu zaklju civanja automata i njihove autonomije.
U cemu sa dananji znanstveni pogledi na emocije slau? to se lo-
zofskog pristupa ti ce, teorije o emocijama trebale bi uvaiti u obzir sljede ce
karakteristike emocija:
(1) emocije su uglavnom svjesnog karaktera;
(2) one uklju cuju vie iskrivljenih tjelesnih manifestacija nego bilo
koje drugo svjesno stanje;
(3) podlone su promjenama u intenzitetu, tipu i irini objekata koje
uklju cuju . . .
(4) bije ih glas da su emocije u suprotnosti s racionalno cu;
(5) igraju izuzetno vanu ulogu u odre divanju kvalitete ivota poje-
dinca;
(6) zna cajno doprinose deniranju naih ciljeva i prioriteta;
(7) imaju klju cnu ulogu u regulaciji drutvenog ivota;
(8) imaju centralnu ulogu u odreivanju ivotnih i moralnih stavova.
Ovdje ne cemo opisivati neuralne osnove emocija, citaoca upu cujemo
na clanak Emotional Circuits, LeDoux i dr. [13] ako ga to zanima, ve c ce-
mo dati kratki pregled trenuta cnih spoznaja o prirodi emocija i razmatrati
neke pokuaje koji su doveli do ra cunalne implementacije aspekata emoci-
ja.
3.1. Emocionalni krug, LeDoux. LeDoux koristi pojam emocional-
no procesiranje za na cin na koji nam na mozak omogu cava da preivimo,
CIVANJA
ostanemo zdravi, nalazimo hranu ili partnera. Tvrdi da mora postojati krug
izme du ulaznog i izlaznog sistema koji prevodi informacije iz okoline u
speci cne odgovore kad do de do odre dene vrste pobude. Emocija moe
biti denirana kao proces kojim na mozak moe odrediti ili izra cunati vri-
jednost pobude i predloiti da se neto poduzme nakon toga.
Informacija prihva cena od naeg senzornog aparata dakle aktivira emo-
cionalni krug koji vrednuje zna caj pobude i aktivira odgovor. Taj krug se
aktivira samo na odgovaraju cu ulaznu pobudu, a ta detekcija ulaznog sig-
nala i reakcija kruga deavaju se na podsvjesnom nivou, automatski. Po-
kretanje emocionalnog odgovora odvija se na dva na cina: brzo, tj. direktno
od talamusa do amygdale ili sporo, na na cin da je informacija procesirana
prvo u modanoj kori i zatim proslije dena amygdali.
Aktiviranje emocionalnog kruga ima dvije posljedice. Jedna je auto-
matski programiran odgovor, na primjer bijeg ispred medvjeda, a druga
je aktiviranje ciljno orijentiranog sistema zasnovanog na iskustvu ili do-
noenje trenuta cne odluke. Na primjer, ako smo gladni moemo do ci do
hrane na razli cite na cine od kojih niti jedan nije nuna posljedica iskazane
potrebe za hranom.
Iako je LeDouxova teorija emocionalnog iskustva zasnovana na pro-
u cavanju straha, moe posluiti i kao op ca teorija koja je primjenjiva za sve
vrste emocionalnog iskustva: ljutnju, veselje, mrnju ili ljubav. U emoci-
onalno nabijenim situacijama pojavljaju se jo i druge pobude (zvuk, njuh,
svjetlo) koje su tako der vane i odre duju kontekst emocije. Kontekst je
CIVANJU 77
psiholoki koncept, neka vrsta usputne memorije o raznim faktorima koji
odre duju emocionalnu situaciju.
3.2. Hipoteza o tjelesnim pokazateljima, Damasio. Jedna od poz-
natijih hipoteza o prirodi emocija je hipoteza o tjelesnim pokazateljima
(Somatic Marker Hypothesis) koja tvrdi da odluke doneene u situacijama
koje mogu biti potencijalno tetne ili pak povoljne, a sli cne su prethod-
nim iskustvima, uzrokuju tjelesnu reakciju koja obiljeuje ishod. Kada se
sli cna situacija opet pojavi, tjelesni pokazatelj ce signalizirati opasnost ili
povoljnost. Stoga, ako je negativni tjelesni pokazatelj vezan uz odre den
budu ci ishod on slui kao poziv na uzbunu i oprez kod poduzimanja tak-
ve akcije. Ako je pak pozitivni tjelesni pokazatelj vezan uz taj ishod onda
je on poticaj i podupire takvu akciju. Glavni zagovornik tog pristupa je
A. Damasio [11] koji denira emociju kao poreme caj stanja skupa varija-
bli ljudskog tijela, uzrokovan nekom situacijom ili mislima. Te varijable
uklju cuju, na primjer, krvni pritisak, aktivnost endokrinih ljezda, mii cne
parametre. . . S druge strane, osje caj, prema Damasiju, je asocijacija emo-
cionalnog iskustva s mentalnom slikom situacije koja ju uzrokuje. Vie o
tome pogledaj na str. 81.
3.3. Limbi cki sistem. Limbi cki sistem nije struktura ve c nakupina
nervnih puteva smjeenih duboko unutar modane polutke (po jedna u sva-
koj, dakle dvije ukupno), ciji su glavni dijelovi amygdala i hippocampus.
Gledaju ci iz dananje znanstvene perspektive, od svih modanih centara
amygdala je najue povezana s emocijama, LeDoux [26]. To je najvani-
ja komponenta mrene strukture koja obra duje emocionalne informacije.
Osim povezanosti s modanom korom, bijelom materijom i brainstem
dobro je povezan i sa autonomnim nervnim istemom kao i sa endokrinim
lijezdama. Osnovna mu je zada ca kontrola i izraavanje raspoloenja i
CIVANJA
emocija, procesiranje i smjetavanje kratke memorije te kontrola apetita i
emocionalnih odgovora na hranu. to se emocija ti ce, funkcija ove struktu-
re je u pridjeljivanju vanosti emocionalnoj pobudi. Jednostavnije re ceno,
svaka nova pobuda se obradi u amygdali koja objavljuje ostatku mozga radi
li se o ne cem ugodnom ili pak opasnom po organizam.
3.3.1. Kako amygdala zna to je dobro a to loe po organizam? Pre-
programirani obrasci ponaanja su zapisani u neuralnoj mrei koja je izgra-
dena u vrijeme razvoja nervnog sistema i mogu se smatrati nasljednima, na
primjer obrambene reakcije, seksualni nagoni i dr. To su one emocije koje
je Damasio [10] nazvao primarnim emocijama. Sekundarne emocije svat-
ko za sebe usvaja tokom ivota, to je njegovo iskustvo. Pobude koje su
u principu neutralne poprimaju neki karakter, postaju emocionalno oboja-
ne. To nastaje stoga jer povezujemo objekte i situacije s kojima dolazimo
u kontakt s primarnim emocijama. Rezultat toga je da svaka kombinacija
podraaja u nekom trenutku posjeduje odre den emocionalan naboj koje je
manje vie svjestan.
3.3.2. Kako amygdala organizira odgovor na emocionalni podraaj?
Struktura takvog odgovora je dobro prou cena, naro cito u slu caju straha.
Izvor tih odgovora lei u centralnoj jezgri amygdale i moe se podijeliti u
najmanje cetiri tipa, Damasio [10], LeDoux [24]:
odgovori koji utje cu na ponaanje
automatski odgovori
lu cenje endokrinih lijezda
op ce promjene u na cinu procesiranja informacija u mozgu.
Razjasnimo to na primjeru. Zamislimo situaciju u kojoj smo suo ceni s
zi ckom agresijom. Moemo izabrati izme du bjeanja i suo cavanja s agre-
sorom. Odgovori amygdale koji utje cu na ponaanje, to su oni najvidljiviji,
su popra ceni nizom ziolokih promjena koje dozvoljavaju organizmu da
poja ca cirkulaciju krvi i mobilizira energiju potrebnu za bijeg ili borbu. Isto
tako, krvni pritisak i puls se pove cavaju i pripremaju organizam za akciju.
To su automatski odgovori jer ih regulira vegetativni nervni sistem. U isto
vrijeme poja cava se izlu civanje adrenalina u krv, jedne vrsta hormonalne
supstance, kao i mobilizacija metabolita potrebnih za proizvodnju energi-
je. I na kraju, deavaju se op ce promjene u radu nervnog sistema u smislu
optimizacije nervnog sistema za slu caj opasnosti: izotrava se percepci-
ja, ubrzava se brzina procesiranja, . . . Neke od ovih rekcija su vidljive, a
neke ostaju nezamje cene. Interesantno je da sve te promjene mogu ostati
nezapaene od strane samog subjekta. U tom slu caju on/ona nije u stanju
povezati te reakcije sa situacijom koja ih je uzrokovala.
Lanac doga danja pokrenut odgovorom amygdale na poticaj nije jo
zaustavljen na na cin kako smo opisali. Promjene se deavaju na tjelesnim
CIVANJU 79
organima i zamije cene su od strane mozga putemnervnih vlakana koji nose
informacije iz periferije u centralni nervni sistem. Na primjer, ubrzano ku-
canje srca, crvenilo ili bljedilo lica, znojenje, . . . to su organske promjene i
one nisu nezamjetljive za mozak koji neprestano prima informacije o stanju
cijelog organizma. Time se zatvara krug signala potaknutih emocionalnim
vrednovanjem pobude i mozak otkriva to su posljedice emocionalne reak-
cije koju je sam pokrenuo.
Mnogi smatraju da taj feedback nije toliko bitan ali da moe biti od
vanosti samo u ekstremnim slu cajevima; to me dutim nije tako. Ovaj tok
informacija od periferije ka mozgu o stanju svih dijelova organizma je sta-
lan i bez zastoja. Ve ci dio vremena mi ga ne zamje cujemo, odnosno nismo
ga svjesni, uzimamo ga zdravo za gotovo i doivljavamo ga kao pozadi-
nu naeg mentalnog ivota. Damasio ga naziva tjelesni krajolik. Krajolik
koji je uvijek prisutan i u stalnoj promjeni. Arterije se kontrahiraju, li-
jezde izlu cuju svoje izlu cevine, otkucaji srca slabe ili se ubrzavaju, jednjak
se gr ci, neki dijelovi tijela se pune krvlju dok drugi presuuju. Promjene
u tom tjelesnog krajoliku posljedice su emocionalnih podraaja, a mozak
moemo zamisliti kao stalnog promatra ca koji ih prati i zapisuje. Ne samo
da mozak registrira te promjene nego je doslovce preplavljen hormonskim
izlu cevinama ovisno o emocionalnim promjenama.
Opisali smo kako se formira emocionalno iskustvo, ne samo kao pro-
cess vrednovanja pobude u centralnom nervnom sistemu, ne samo kroz
primarne i tjelesne reakcije pomo cu kojih nervni sistem odgovara na to
vrednovanje nego i kroz na cin na koji mozak percipira te primarne i tje-
lesne reakcije nakon to su se desile. Za one koji vole sistematizaciju,
spomenuti procesi se mogu grupirati u tri razli cite kategorije LeDoux [25]:
vrednovanje pobude
izraavanje emocije
iskustvo tjelesnih promjena.
To iskustvo tjelesnih promjena je ono to Damasio naziva osje canja i razli-
kuje ga od ostalih dijelova emocionalnog iskustva. Govore ci Damasiovim
rje cnikom, osje canja su nita drugo nego percepcija tjelesnog krajolika.
Vratimo se na trenutak na svjesnost vlastitih emocija. Pridruivanje
vrijednosti odre denom poticaju moe se odvijati bez nae svijesti o tome.
Uglavnom jesmo svjesni svojih emocija, ali u mnogim slu cajevima i ni-
smo. Deava se cak da tjelesne reakcije na emocionalni sadraj proteknu
bez svjesnog zapaanja. To ovisi ne samo o genetskim faktorima ve c i o
svijesti o vlastitom tijelu koju smo razvili u djetinjstvu i adolescenciji. Dje-
ca smo civilizacije koja ne pridaje dovoljnu panju oslukivanju vlastitog
tijela i mnogi pojedinci ive svjesni ivot odijeljen od tijela i tjelesnih is-
kustava, a u ekstremnim slu cajevima postoji istinska podijeljenost izme du
CIVANJA
pshi ckih iskustava i tjelesnih senzacija. Mogu c je i sljede ci slijed doga da-
nja: afektivni karakter pobude nije svjesno registriran ali je subjekt svjestan
tjelesnih reakcija, znojenja, probavnih smetnji. . . U tom slu caju tijelo samo
govori da se neto vano doga da bez poznavanja uzroka tim promjenama
i upozorava nas da sami odredimo uzrok. Ako su te tjelesne reakcije jake
ili pak dugotrajne mogu se pojaviti ozbiljni poreme caji u radu pojedinih
organa poznatim pod nazivom psihosomatske bolesti. Emocije koje nisu
svjesne i ne nalaze pogodan izlaz na neki drugi na cin manifestiraju se u
tijelu i, to je paradoksalno, subjekt doivljava tjelesni poreme caj kao ne-
to vanjsko, neto to on/ona ne prepoznaje i uzrok je njegovih problema i
patnje.
3.4. Emocije i odlu civanje. Najprimitivniji organizmi ne moraju do-
nositi neke kompleksne odluke zbog jednostavnosti njihovog repertoara
ponaanja. To su uglavnom genetski programirani procesi. to je organi-
zam razvijeniji ovim uro denim mehanizmima ponaanja pridruuje se ve ca
sposobnost spoznavanja okoline i mogu cnost interakcije s tom okolinom.
Sposobnosti koje je razvio ljudski mozak (modana kora) posebno su
zanimljive. Ona sakuplja informacije o prolim doga dajima na na cin da
prola iskustva ostavljaju trag u mozgu koji ce utjecati, ne posve odrediti,
budu cu odluku. Ta ista modana kora omogu cava kreiranje modela bu-
du ce stvarnosti u obliku slika. Te se slike generiraju iz zapisa o prolom
iskustvu, znanju o svijetu i na cinu kako on funkcionira ste cenom kroz is-
kustvo. Tu sposobnost imaginacije nazivamo memorija budu cnosti jer je
uglavnom bazirana na memorijskim zapisima. Podru cje mozga koje pove-
zuje te vie funkcije za planiranje je prednji reanj, kojeg znanstvenici u
posljednje vrijeme po cinju bolje razumijevati. Tijekom evolucijskog pro-
cesa sve ove sloenije sposobnosti za obra divanje informacije morale su se
integrirati u ve c postoje ce osnovne funkcije koje su ostale nepromijenjene.
Imaju ci emocije u vidu, amygdala i ostatak limbi cke strukture sa cuvali su
prvobitnu ulogu koju su imali i kod prvih sisavaca, a to je da pridrue po-
draaju emocionalnu vanost i da pokrenu odgovaraju ce odgovore u skladu
s tom prosudbom. Ono to amygdala danas ima na raspolaganju, slue ci se
kompjutorskom metaforom, je ve ca baza podataka koju mora konzultirati u
svom procesiranju. Bez obzira na iznijansiranost i kompleksnost modane
kore kod ljudi zadatak svih tih razmatranja amygdale je ostala ista: uvaiti
ili odbaciti.
to se ti ce odlu civanja u svakodnevnom ivotu izgleda da klju cnu ulo-
gu ima prednji reanj modane kore. On sam ima tre cinu ukupnog vo-
lumena mozga to nije slu caj kod otalih ivotinjskih vrsta, kod cimpanze
17%, a kod ma cke samo 3%. Mnogi testovi pokazuju da je covjek sposo-
ban jako dobro rjeavati testove inteligencije ili zadatke umjetno kreirane
CIVANJU 81
u laboratoriju, a da istovremeno ima velikih poteko ca u rjeavanju ivot-
nih problema.

Cini se da teorijsko i apstraktno razmiljanje ili rjeavanje
umjetno kreiranih zadataka ne garantira i dobru sposobnost socijalne adap-
tacije i razumno donoenje odluka u osobnom ivotu. Ovdje cemo iznijeti
samo neke od argumenata koji su naveli Damasia na zaklju cak o vanosti
prednjeg renja u odlu civanju. To je prekrasno opisano u njegovoj knjizi
Descartes Error [11].
3.4.1. Hipoteza o tjelesnimpokazateljima. Damasiovo objanjenje na-
cina donoenja odluka zasnovano je na hipotezi o tjelesnim pokazateljima
(Somatic Marker Hypothesis). Na neurobiolokom nivou ti markeri proiz-
laze iz suradnje izme du prednjeg renja i primitivne strukture amygdale i
ostalih limbi ckih podru cja vezanih s njom. Strogo racionalni procesi nisu
jedini odgovorni za ve cinu odluka koje donosimo u svakodnevnom ivotu
jer nisu sposobni donijeti brzi i odgovaraju ci odgovor na postavljen pro-
blem.

Cisto racionalno rjeenje mnogih problema s kojima se susre cemo
zahtijeva enormno mnogo vremena za razmatranje svih mogu cih situaci-
ja i predlaganje rjeenja kao i za ra cunanje svih trokova i prednosti kod
uspore divanja hipoteti ckih situacija. Usporedno cuvanje svih rezultata iz-
ra cunavanja koje cinimo za ve cinu naih odluka zahtijevalo bi memorijski
kapacitet i vrijeme s kojima naprosto ne raspolaemo. To ipak ne zna ci
da racionalni procesi nisu prisutni, oni su svesrdno potpomognuti drugim
mehanizmima emocionalne prirode.
to se doga da kad smo suo ceni s izborom jedne izme du mnotva al-
ternativa? Sjetimo se samo nedavnih odluka koje smo donijeli ili koje ce-
mo donositi u budu cnosti. Sve te odluke mogu biti vrlo vrlo razli cite, na
primjer: izbor zaposlenja, izbor ivotnog partnera ili lije cnika, gdje cemo
provesti godinji odmor ili na koji na cin do ci do stana. Naravno da u sva-
koj od gornjih odluka vanu ulogu imaju racionalni elementi, na primjer
nancijski trokovi, ali osnovni faktor u odluci predstavljaju emocije.
Na koji to na cin emocije utje cu na odluku? Hipoteza o tjelesnim poka-
zateljima to objanjava ovako: suo cena s vie mogu cnosti izbora, prednja
modana kora koristi svoju sposobnost vizualizacije raznih scenarija kao
posljedicu svake pojedine odluke. To su uglavnom slike ili fragmenti slika
koji sadre ne samo opisne elemente situacije nego slue i kao skica za iza-
zivanje emocionalnih reakcija koje bi ta situacija izazvala u nama, a ujedno
uklju cuju i (pred)iskustvo instinktivnih i tjelesnih reakcija vezanih uz emo-
ciju. Upravo te zi cke promjene Damasio naziva tjelesni pokazatelji, jer
za tu zamiljenu situaciju, kandidata za realnost realnost, one generiraju
izgled tjelesnog krajolika kao dio mogu ceg emocionalnog iskustva. Pro-
mjena tjelesnog krajolika moe biti pozitivna, ugodna, ili negativna ako
probudi neprijatne senzacije. Posljedice takvog ozna cavanja dozvoljavaju
CIVANJA
mozgu da brzo i ekasno eliminiraju akcije koje ostaju, da tako kaemo,
nisko rangirane na tom emocionalnom ispitu. Za one akcije koje su ozna-
cene kao pozitivne otvorena je mogu cnost za ponovno preispitivanje prije
kona cnog izbora. Takva procedura odvija se brzinom koju nije mogu ce
posti ci strogo racionalnim prora cunima. Treba naglasiti da se tjelesno oz-
na cavanje mogu cih izbora prezentiranih putem scenarija ne odvija uvijek
na svjesnom nivou, no to ga ne spre cava da se postigne efekt potreban za
donoenje odluke.
Karakteristika opisanog mehanizma je da omogu cava sasvim osobne
procjene prezentiranih scenarija. To nisu apstraktne simulacije dobrih i lo-
ih strana mogu ceg rjeenja, ve c radije isprobavanje haljina ako smijemo
povu ci takvu paralelu, koriste ci pri tome vrlo ne procjene i uvaavaju ci
nau vlastitu osobnost i iskustvo. Pacijenti s ozljedama prednjeg renja u
stanju su rjeavati probleme koji zahtijevaju apstraktnu inteligenciju vrlo
dobro, ali nisu u stanju baratati sa situacijama koje zahtijevaju povezivanje
s osobnom emocionalnom povije cu i njeno stavljanje u kontekst. Upravo
kod osobnih odluka oni pokazuju svoju nesposobnost jer je komunikacija
izme du prednjeg renja i limbi cke strukture prekinuta. Takvi pacijenti su
prisiljeni koristiti obilje resursa koje zahtijevaju cisto racionalni mehaniz-
mi, a oni su neprikladni za rjeavanje ve cine tekih problema u stvarnom
ivotu.
Vie i detaljnije o tome moe se na ci u knjizi Damasio, Descartes
Error u kojoj je detaljno razvijen ovaj univerzalni model za ljudske emo-
cije. Damasio je odbacio Dekartovski dualizam tijeloum koji je otetio
znanstvene pokuaje da razumiju ljudsko ponaanje i razvio novu teoriju
na vlastitim neuropsiholokim eksperimentima. Njegova je pretpostavka
da je ljudsko znanje skup dostupnih predstava (slika) sa cuvanih u mozgu.
Misao shva ca kao proces koji ure duje i rukuje tim predstavama.
Jedna od tih predstava je nae vlastito tijelo, bazirana na podacima (in-
formacijama) dobivenih od centralnog i perifernog nervnog sistema. Emo-
ciju shva ca kao kombinaciju mentalnih vrijednostnih procesa, jednostavnih
i sloenih, s raspoloivim odgovorima na te procese, na primjer izraz lica.
Emocije ne trebaju misaoni proces, one se automatski odvijaju. To su os-
novni mehanizmi potrebni za odravanje ivota.
Damasio razlikuje emociju od osje caja (eng. feeling). Osje caj je men-
talna predodba (percepcija) stanja tijela. Osje caj je prepoznavanje da se
neto deava, dok je emocija vizuelni efekt tog doga daja. Emocije su tje-
lesnog, a osje caji su mentalnog karaktera. Emocije prethode osje cajima i
mogu se smatrati njihovim pokreta cima. Osje caj moemo shva cati i kao
trajnu memoriju emocija. To zna ci da osje caji pomau odravanju ivotu
na dugu stazu.
CIVANJU 83
Neuroloki mehanizmi emocija i osje caja kod ljudi su evoluirali i ra-
zvili situacijama prilago dena ponaanja koja ne zahtjevaju svjesno razmi-
ljanje. Dalmasio tvrdi da vremenski zahtjevni procesi racionalnog razmi-
ljanja cesto umanjuju ansu za preivljavanje u situaciji kad je potrebna
trenuta cna odluka upravo zbog ranije spomenute zahtjevnosti za memorij-
ske kapacitete i vremenski su spori.
3.5. Rizik. Iako je odlu civanje pod rizikom centralna tema u teoriji
odlu civanja, modeli odlu civanja pod rizikom su uglavnom ignorirali va-
nost emocija. Dok su neki teoreti cari prou cavali utjecaj emocija doivlje-
nih nakon odluke, vrlo malo panje je posve ceno utjecaju emocija proiv-
ljenih za vrijeme procesa donoenja odluke. Ljudi dvojako reagiraju na
rizik: procjenjuju ga racionalno i reagiraju na njega emocionalno. Iako
me dusobno isprepletene; kognitivna procjena uzrokuje emocije i emocije
utje cu na procjenu, te reakcije imaju razli cite determinants. Kognitivne
procjene rizika su osjetljive na vrijednosti varijabli u odlu civanju, na vjero-
jatnosti i na poeljnost (atraktivnost) alternativa. Emocije mogu biti i jesu
posljedice kognitivnih procjena ali se isto tako pojavljuju bez ili uz mi-
nimalno svjesno procesiranje informacija. Na primjer, ljudi proivljavaju
strahove i bez poznavanja uzroka tim strahovima. Za razliku od kognitiv-
nih procjena emocionalne reakcije su osjetljive na jasno cu pridruenih im
predstava, bliskost u vremenu i na mnoge druge varijable koje igraju po-
svezanemarivu ulogu u kognitivnim procjenama. Posljedica spomenutih
razlika je da ljudi doivljavaju neslaganje izme du proivljavljenog straha
uvjetovanog odre denom rizi cnom situacijom i kognitivnom procjenom pri-
jetnje uzrokovane tim rizikom.
Loewenstein [27] razlikuje dvije vrste emocija: o cekivane (eng. anti-
cipated) i predodre dene (eng. anticipatory). O cekivane emocije su sastavni
dio o cekivane posljedice odluke. To su emocije koje o cekujemo da ce nas
preplaviti nakon proivljavanja posljedice odluke. To nisu emocije koje su
doivljene u trenutku donoenja odluke. Moemo ih shva cati kao implicit-
ne emocije vezane uz mogu cu posljedicu odluke. Predodre dene emocije su
trenuta cne visceralne reakcije (strah, nemir, strava) na rizi cnu ili nede-
niranu situaciju.
Dok su se znanstvenici iz podru cja odlu civanja fokusirali uglavnom na
prou cavanje tih implicitnih emocija, znanstvenici izvan tog podru cja, na
primjer iz socijalne psihologija i neuroznanosti, po celi su izu cavati ulogu
predodre denih emocija kod donoenja odluke. Dugo se smatralo da emo-
cije i strasti imaju razaraju ci utjecaj na donoenje odluke. Tek u posljed-
nje vrijeme isti ce se vanost emocije kao informati ckog inputa u odluci i
opisuju se posljedice odluka kod kojih su emocije blokirane. Na primjer,
CIVANJA
Somatic Marker Hypothesis tvrdi da je normalno donoenje odluke vo de-
no tjelesnim reakcijama na relativnu poeljnost alternativa. Kao potvrdu
takvoj tvrdnji Bechara i dr. [4] i Damasio [11] pokazuju da neke neurolo-
ke abnormalnosti blokiraju takve tjelesne reakcije to zna cajno oslabljuje
donoenje odluke u riskantnoj situaciji. Istraivanja Wilson i dr. [43] te
Wilson i Schooler [44] dokazuju da kvaliteta odluke pada kada se sma-
njuje afektivi udio u njenom donoenju i kad je donosilac odluke prisiljen
sistematski uvaavati sve za i sve protiv. Razlog tome je to su affektiv-
ne reakcije na podraaj bre nego kognitivne evaluacije, vidi LeDoux [23]
i Bargh [2]. Takvi trenuta cni odgovori osiguravaju ivotinjama i ljudima
brzo i sirovo analiziranje mogu cih reakcija na prijetnju ili podraaj i omo-
gu cava gotovo trenutnu reakciju.
Na podru cju klini cke, socijalne i kognitivne psihologije dolo se do
spoznaje o dva kvalitativno razli cita na cina procesiranja informacija. Slo-
man [35] na primjer, razlikuje asocijativno procesiranje informacija kod
donoenja odluke od onog koje je podvrgnuto pravilima. Pravilima pod-
vrgnuto procesiranje potuje formalna pravila logike i dokaza i odvija se
na svjesnoj razini. Asocijativno procesiranje je spontanije i zasnovano je
na principu sli cnosti i vremenskoj bliskosti i to je sli cnost izme du dva kon-
cepta ve ca to smo skloniji prenositi obrasce zaklju civanja iz jednog u dru-
gi. Kako asocijativno procesiranje nije rukovo deno svjesnim procjenama
to je vrlo teko sprije citi njegov utjecaj na rasu divanje i odlu civanje. Slo-
man pronalazi primjere rasu divanja i kategoritacije iz svakodnevnog ivota
u kojima ljudi dolaze do koniktnih odgovora procesiraju ci informacije na
oba spomenuta na cina. Mnogi primjeri pokazuju da asocijativno procesira-
nje kontekstualnih informacija utje ce na prosudbu subjektivne vjerojatnos-
ti cak i u situacijama kad su numeri cke procjene tih vjerojatnosti egzaktno
izra cunljive.
Loewenstein [27] integrira ove dvije potke shva canja emocija, jednu
koja pokazuje da emocije odluku hrane podacima i drugu koja pokazuje da
emocionalni odgovori na riskantnu situaciju pokazuju zna cajnu razliku od
kognitivne evaluacije u teorijski koncept risk-as-feeling hipotezu, kako ju
je sam nazvao. Emocionalne reakcije i kognitivne evaluacije uglavnom su
uskla dene i kao takve moduliraju zaklju civanje i donoenje odluke. Me du-
tim, predodre dene emocionalne reakcije katkada odudaraju od kognitivnih
evaluacija i, kada se se to desi, onda pokazuju dominantan utjecaj na po-
naanje. Risk-as-feeling hipoteza pokuava objasniti kako i kada takve
emocionalne razlike odudaraju od kognitivne procjene rizika i objanjava
kako te reakcije utje cu na ponaanje.
Klasi can pristup utjecaju emocija na odlu civanje pretpostavlja da su
ljudi sposobni procijeniti estinu i vjerojatnost mogu ce posljedice izbora
CIVANJU 85
SLIKA 3. Klasi can model odluke.
i integrirati tu informaciju preko neke vrste ra cuna baziranog na o cekiva-
noj koristi u kona cnu odluku. Oslobo dene emocije u trenutku donoenja
odluke nisu integrirane u sam proces. U tom smislu teoreti cari (klasi ca-
ri) odlu civanja pretpostavljaju, implicitno ili eksplicitno, da je donoenje
odluke u svakodnevnoj pa i u riskantnoj situaciji svjesna aktivnost.
Na slici 3 prikazana je shema klasi cnog pristupa upotpunjenog s o ceki-
vanim emocijama kao nadopunom o cekivanih situacija. Donoslilac odluke
kod uspore divanja mogu cih ishoda promatra i o cekivane emocije vezane
uz te usporedbe i koristi ih u procjeni preferencija tih ishoda. U risk-as-
SLIKA 4. Risk-as-feelings model odluke.
feeling modelu, slika 4, pretpostavlja se da je odgovor na riskantnu situaci-
ju, uklju cuju ci i odlu civanje, djelomi cno i rezultat direktnog emocionalnog
utjecaja koji ne ide preko prednjeg renja a uklju cuje i osje canja kao to su
briga, strah, strava ili tjeskoba.
CIVANJA
Risk-as-feelings hipoteza pretpostavlja da ljudi procjenjuju rizi cne al-
ternative na svjesnom nivou, kao u tradicionalnom modelu, na temelju vje-
rojatnosti i poeljnosti pridruenih im posljedica. Takve kognitivne pro-
cjene imaju afektivne posljedice, emocionalna stanja, koje opet povratno
utje cu na te procjene. Istodobno, ta emocionalna stanja usko su povezana s
faktorima, kao neposrednost rizika na primjer, koji ne utje cu na kognitivnu
procjenu rizika a tako der su obojana vjerojatnostima i izlaznim vrijed-
nostima na na cin koji se razlikuje od onog na koji te varijable ulaze u kog-
nitivnu evaluaciju. Kao to je prikazano na slici 4 ponaanje je odre deno
me duigrom ovih, cesto puta koniktnih, stanja u rizi cnoj situaciji. Primi-
jetimo da je termin odluka na slici 3 zamijenjen terminom ponaanje na
slici 4. Ta zamjena termina posljedica je opaanja da ve cina emocionalno
pokrenutih i s rizikom povezanih ponaanja ne odgovara terminu odluka u
smislu u kojem se termin odluka ina ce koristi.
3.6. Emocije i umjetna inteligencija. Istraivanja na podru cju umjet-
ne inteligencije daju vanost emocijama, ili emociji sli cnim stanjima, kao
osnovu za proirenje autonomije inteligentnih sistema. Inteligentni siste-
mi u svom zaklju civanju uzimaju informaciju kao gotovu cinjenicu, bilo
djelomi cno, unutar neke vjerojatnostne strukture, bilo potpuno ako je nji-
hovo zaklju civanje zasnovano na formalnoj logici, i koriste je kao osnovu
za daljnje razmiljanje. To razmiljanje moe dovesti do viih uvjerenja
i omogu cava izbor ciljeva, planova i ponaanja. Naj ce ce se to svodi na
izbor jednog od alternativnih odgovora koji su ugra deni u sistem ili ih je
sistem prihvatio u procesu u cenja. Izbor je baziran na raspoloivim in-
formacijama koriste ci ugra denu mjere sli cnosti me du njima ili na a priori
zadanom rangiranju alternativnih ponaanja.
Inteligencija sistema proizlazi iz njegove interakcije s korisnikom, po-
sebno u situacijama kad su sistemski ciljevi i namjere u koniktu. Takva
interakcija tako der je jedan od sistemskih ciljeva, bilo eksplicitan ili impli-
citan i moe biti neispunjena ako sistem nije u stanju izvesti odgovaraju ce
postupke, za to mu je opet potrebna odre dena autonomija. Kakvu ulogu u
svemu tome imaju emocije?
Inkompatibilni ciljevi, nedovoljna uvjebanost ili nedostatak sredstava
za pokretanje akcije glavni su uzroci nestabilnosti ne samo kod inteligent-
nih sistema ve c i kod ljudi. U takvoj situaciji pove cava se rizik od pogrene
odluke jer sistem nije u stanju nositi se s takvom situacijom. Jedna mo-
gu cnost za pove canje autonomije sistema je ugraditi ra cunarski anlogon
emocije u samu sr sistema. To pove cava stupanj autonomije sistema jer
mu daje mogu cnost vrednovanja ciljeva i sredstvo za izbor akcije i regu-
liranje vlastitog ponaanja. Ta emocijalna jezgra mu tako der omogu cava
CIVANJU 87
da prepozna prolazna, sporedna kao i postojana, trajna stanja. Arhitek-
tura ra cunarske tehnologije ide u takve speci cnosti da denira primarne,
sekundarne i tercijarne emocije, v. Sloman [34] i Davis [12], za tehni cku
realizaciju takvih sistema.
3.7. Motivacija, u cenje. napisati
POGLAVLJE 3
Hijerarhijsko odlu civanje
Ciljevi i vrijednosti su pojmovi u kojima men-
talno zahva camo nae iskustvo. To su iredu-
cibilni pojmovi i koncepti vieg nivoa se de-
niraju pomo cu njih.
S. Pinker (psiholog)
1. Hijerarhijska struktura odluke
Hijerarhijska struktura, kra ce hijerarhija, je matemati cki model cilj-
nog razmiljanja. Svi elementi odlu civanja grupiraju se u nivoe koji su
linearno ure deni. U najviem nivou nalaze se ciljevi, jedan ili vie njih,
zatim podciljevi, kriteriji, podkriteriji. . . i na dnu hijerarhije su razni sce-
nariji (opcije) ili alternative koje elimo rangirati. Elemente odlu civanja
koji imaju zajedni cki kriterij nazivamo jo i njegovim listovima djecom a
kriterij je njihov korijen ili roditelj. Primjeri kriterija u praksi su:
u sportu: op ci dojam, sloenost vjebe, preciznost, originalnost
(vjeba ca);
kod izbora zaposlenika: kvaliciranost, znanje (stranog jezika,
. . . ), radni sta;
kod kupnje ku ce: udaljenost od tramvajske stanice, cijena, starost
ku ce, mogu cnost dobivanja kredita.
U pravilu se konkretniji elementi odlu civanja nalaze pri dnu hijerarhije,
dok se op cenitiji i neodre deniji nalaze pri vrhu. irina utjecaja jednog
nivoa je samo do njenog susjeda, tj. nivoa ispod
1
. Elementi iz istog nivoa
nemaju utjecaja jedni na druge.
1
To nije ba sasvim to cno. Mogu ce je da neki elementi odlu civanja imaju kriterije iz
raznih nivoa ali je vano da su sva djeca iz istog nivoa.
89
90 3. HIJERARHIJSKO ODLU cIVANJE
C1
3
C2
4
C3
1
C4
2
Q12AQ12D Q22 Q2 Q3 Q4 Q18AQ18FQ18GQ18H Q18I
Comp 1
. . .
Comp 95
. . .
Comp 190
O1 O2 O3 O4 O5 O6 O7 O8 O8 O10 O11
SLIKA 1. Hijerarhijska struktura
Ima puno argumenata za takav na cin provo denja odluke u praksi i u
organizaciji drutva, ivotnih struktura, vojske. U svakodnevnom ivotu
brojanje nov canica, na primjer, organiziramo tako da ih podijelimo u grupe
po vrstama nov canica i izbrojimo nov canice u svakoj grupi. U slu caju
greke lake je ponovno brojati nov canice u jednoj grupi nego ponavljati
cijeli postupak od po cetka. U ciljeve i kriterije cesto stavljamo i atribute
tako da se hijerarhija koristi i u vieatributnom odlu civanju. Hijerarhija je
strukturno i funkcionalno stabilna. Strukturno, jer omogu cava dodavanje
i oduzimanje pojedinih elemenata a da se ne narui cijela organizacija, a
funkcionalno jer omogu cava protok iformacija odozgo prema dolje.
Na slici 1 imamo cetiri nivoa i cetiri cilja u prvom nivou. Ti ciljevi nisu
svi jednako vani i njihova relativna vanost je 3, 4, 1, 2 respektivno.
Postavlja se pitanje kako se odre duju elementi odlu civanja i kako se
organizira hijerarhija. To je na granici umjetnosti i znanosti. Jedno je inte-
resantno, iskustvo pokazuje da bez obzira na hijerarhiju, rangiranje nije ta-
ko osjetljivo kako se cini na prvi pogled ali ono to je vanije od hijerarhije
je (in)konzistentnost. O inkonzistentnosti ulaznih podataka ce kasnije biti
govora i ako se ona pokae velika onda treba redenirati hijerarhiju. Vie
o hijerarhijskim modelima i aksiomatskom pristupu hijerarhijskoj strukturi
moe se na ci u Saaty [32].
2. METODA SVOJSTVENOG VEKTORA 91
Posebnu ulogu u hijerarhijskoj odluci ima vrhunski kriterij ili cilj. U
lingvisti ckom smislu cilj je neto to elimo posti ci, neto cemu teimo.
Sredstva za ostvarenje cilja, alternative, stoje nam na raspolaganju ali ni-
su sva jednako ekasna. Neka sredstva su ograni cena, recimo u vremenu,
druga nisu pouzdana, tre ca su na raspolaganju uz odre dene ustupke. Ona
se razlikuju i ono po cemu se razlikuju nazivamo zajedni ckim imenom kri-
terij(i) ili atributi. Ono to procesom odlu civanja elimo posti ci je analizi-
rati sposobnost, potencijal svakog mogu ceg sredstva koje nas vodi ka cilju
i rangirati ih prema tim sposobnostima. Takav na cin razmiljanja u psiho-
logiji se naziva ciljnim razmiljanjem i jedna od funkcija uma je upravo
takvo razmiljanje u svakodnevnom zadovoljavanju naih potreba. Pri to-
me alternative mogu biti i sekundarni ciljevi, a jednako tako i argumenti
kojima uvjeravamo sebe i ostale u njihovu vanost. Zbog svega re cenog
cilj je u hijerrahijskom odlu civanju uvijek prisutan i u njega donosilac od-
luke implicitno ugra duje svoje iskustvo, pa cak i zadovoljstvo vlastitim
ivotom. Alternativni naziv za cilj je kontekst odluke kojeg je u pojedinim
situacijama lake odrediti, ali ne nosi u sebi smisao stremljenja koji ima
termin cilj.
1.1. Procedura donoenja odluke u hijerarhiji. Procedura odlu ci-
vanja u hijerarhiji je sljede ca: Teina ciljeva u prvom nivou mora biti zada-
na. Ako je cilj samo jedan onda mu pridjelimo teinu 1. Donosilac odluke
rangira elemente po nekoj metodi u nivou ispod i ponavlja proces dok po-
sljednji nivo ne bude rangiran. Najvanija procedura u rangiranju nivoa
je konsenzus koji se provodi za sve kriterije tog nivoa. Opisati cemo dvije
metode za rangiranje, Saatyjevu metodu svojstvenog vektora [32] i metodu
potencijala [37]. Konstrukcija konsenzusa u principu je neovisna o metodi
iako metoda sugerira i konsenzus.
U grupnoj odluci svaki clan grupe denira svoju hijerarhiju napravi
se konsensus na nivou alternativa. To ima smisla naro cito ako se donosioci
odluke ne slau oko izbora kriterija. Jedan drugi razlog koji govori u prilog
takvog modela grupnog odlu civanja je mogu cnost mjerenja udaljenosti
me du odlukama clanova grupe, v.

Caklovi c [?] i diskusiju u poglavlju ??.
Ako se pokae da clanovi grupe imaju uskla dena miljenja to se ti ce ran-
giranja alternativa, onda nema potrebe inzistirati na usaglaavanju stavova
oko izbora kriterija.
2. Metoda svojstvenog vektora
2.1. Konzistentnost. Rezultate uspore divanja po parovima moemo
organizirati u matricu. Ako je u igri n alternativa onda moemo u ciniti naj-
vie n
2
usporedbi. Rezultat usporedbe i-te alternative s j-tom izraavamo
pozitivnim brojem a(i, j) koji iskazuje preferenciju jedne od alternativa.
Tako na primjer, ako je a(i, j) = 5 to zna ci da je i-ta alternativa 5 puta
vanija za donosioca odluke od j-te na mjernoj skali u njegovoj mentalnoj
slici. Prirodno je pretpostaviti da je a(i, i) = 1, i = 1, . . . , n. Nadalje, da
bi se smanjio broj usporedbi pretpostavljamo da je
a(i, j) = a(j, i)
1
recipro cnost
jer je u tom slu caju dovoljno u ciniti
_
n
2
_
n usporedbi. Matricu A =
a(i, j), i = 1, . . . , n s takvim svojstvom nazivamo recipro cna matrica.
DEFINICIJA 2.1. Re ci cemo da je matrica A konzistentna ako je
(2.1) a(i, j)a(j, k) = a(i, k) za svako i, j, k = 1, . . . , n.
Konzistentnost izraava dosljednost i preciznost donosioca odluke u
uspore divanju. Broj a(i, j) izraava teinu alternative i mjerenu na skali,
nazovimo je j-ta skala, u kojoj je teina alternative j jednaka 1. U takvoj
interpretaciji je a(j, j) = 1 prirodan zahtjev. Zahtjev (2.1) je zahtjev na
proporcionalnost k-te i j-te skale i faktor proporcionalnosti iznosi upravo
a(j, k).
TEOREM 2.2. Pozitivna matrica Aje konzistentna ako i samo ako pos-
toje pozitivni brojevi w
i
> 0, i = 1, . . . , n tako da vrijedi
(2.2) a(i, j) =
w
i
w
j
.
DOKAZ. Jednakost (2.2) evidentno povla ci (2.1). Obratno, neka vrije-
di (2.1). Denirajmo
w
i
=
a(i, j)
a(s, j)
, za ksno s.
Tada je
a(i, j) =
a(i, k)
a(j, k)
=
a(i, k)
a(s, k)

a(s, k)
a(j, k)
=
w
i
w
j
.
Svaka konzistentna matrica W je produkt jednostup cane matrice

w =
_
_
w
1
.
.
.
w
n
_
_
i jednoret cane matrice
1
w
=
_
1
w
1
1
w
2
. . .
1
w
n
_
,
tj.
W =
_
_
w
1
.
.
.
w
n
_
_
_
1
w
1
1
w
2
. . .
1
w
n
_
.
O cito je da su svi stupci od W proporcionalni pa je rang matrice jednak 1.
Odavde slijedi:
(1) Nula je svojstvena vrijednost od W kratnosti n 1,
(2) a provjerom se vidi da je w je jedinistveni (do na faktor) svojstve-
ni vektor od W kratnosti 1 sa svojstvenom vrijedno cu n.
TEOREM 2.3. Pozitivna recipro cna matrica A je konzistentna ako i
samo ako je njena maksimalna, po modulu, svojstvena vrijednost
max
=
n.
DOKAZ. Neka je A pozitivna recipro cna matrica i
max
maksimalna,
po modulu, svojstvena vrijednost od A i w svojstveni vektor. Tada je
Aw =
max
w
j
a
ij
w
j
=
max
w
i
, i = 1, . . . , n
ako gornju jednakost skalarno pomnoimo s
1
w
i
i zbrojimo, dobivamo
n
max
=
j
a
ij
w
j
w
i
1
=
i=j
a
ij
w
j
w
i
1
+
i
a
ii
.
n
max
n =
1i<jn
(a
ij
w
j
w
i
1
+a
1
ij
w
i
w
j
1
).
Zagrada na desnoj strani u gornjem izrazu je oblika x +
1
x
> 0 i poprima
jednistveni minimum za x = 1. Dakle,
(2.3) n
max
n 2
_
n
2
_
= n
2
n.
Ako je A konzistentna tj. vrijedi (2.1) onda je A = W i
max
= n.
Obratno, ako vrijedi
max
= n tada u gornjoj nejednakosti stoji jednakost
i svaki sumand poprima svoju majmanju vrijednost tj.
a
ij
w
j
w
i
1
= 1 za i, j = 1, . . . , n,
to smo i htjeli dokazati.
2.2. Mjera inkonzistentnosti. Prirodno se name ce ideja da se svoj-
stveni vektor koji pripada svojstvenoj vrijednosti
max
matrice A uzme
kao vektor rangova za elemente odlu civanja na svakom nivou hijerarhije.
Jo samo ostaje pitanje kako izra cunati taj vektor.
Iz formule 2.3 vidimo da je
max
n za svaku recipro cnu matricu
i
max
= n ako i samo ako je matrica konzistentna. Prema tome razli-
ku
max
n moemo uzeti kao mjeru odstupanja recipro cne matrice od
konzistentnosti. to je taj broj manji to su mjerenja dobivena uspore diva-
njem po parovima preciznija. Iz nekih razloga kao mjera se uzima indeks
konzistentnosti
CI :=

max
n
n 1
.
S korisni cke strane bilo bi zgodno imati neku gornju granicu dopustive
inkonzistentnosti ulaznih podataka. Jedan od na cina je da se generiranjem
slu cajnih AHP matrica (dimenzije n) generira distribucija od CI i izra cuna
o cekivanje MCI te distribucije. Zatim se ra cuna
CR(n) =
CI
MCI
i ako je CR < 0.1 ulazni podaci se smatraju konzistentnima. U tablici 2.1
izra cunate su srednje vrijednosti slu cajne varijable RCI u ovisnosti o redu
matrice A.
n 1 2 3 4 5 6 7 8 9 10
MCI 0 0 0.58 0.9 1.12 1.24 1.32 1.41 1.45 1.49
TABLICA 2.1. Srednja vrijednost od CI.
2.3. Perronov teorem.
TEOREM 2.4 (Perron
2
, 1907). Neka je A pozitivna matrica.
Tada A ima prostu pozitivnu svojstvenu vrijednost
max
koja je
ve ca po modulu od svih ostalih svojstvenih vrijednosti od A.
Pripadni svojstveni vektor ima pozitivne komponente i jedinstven
je do na mnoenje pozitivnim brojem.

max
ima min-max karakterizaciju
max
= max
x0
min
1in
(Ax)
i
x
i
(2.4)
= min
x0
max
1in
(Ax)
i
x
i
. (2.5)
2
Oskar Perron, 1880 1975, njema cki matemati car.
Svojstveni vektor w iz Perronovog teorema nazivamo Perronovim vek-
torom a pripadnu svojstvenu vrijednost Perronovim korijenom. Za dokaz
teorema potrebno je uvesti nekoliko oznaka i pojmova i dokazati niz po-
mo cnih tvrdnji. Za po cetak promatrajmo parcijalnu relaciju ure daja na R
n
deniranu s
x y x
i
y
i
i = 1, . . . , n.
Skup svih nenegativnih vektora je konus R
n
+
. Nadalje,
0 < x 0 < x
i
i = 1, . . . , n.
Ako je A nenegativna matrica tada je o cito
0 x = 0 Ax
to zna ci da je nenegativan konus invarijantan na operator mnoenja matri-
com A kojeg cemo, jednostavnosti radi, ozna citi istim slovom A. Posljedi-
ca gornje nejednakosti jest da A cuva ure daj tj.
x y = Ax Ay.
Neka je sada a R
n
, 0 < a pozitivan vektor i
B
a
= x R
n
[ a < x < a
interval odre den vektorom a. B
a
je otvoren konveksan skup i pripadni
funkcional Minkowskog
3
[[x[[
a
= inft > 0 [ x tB
a
je norma na R
n
. Specijalno, ako je a vektor cije su sve komponente jednake
1, onda je to max-norma. Nije teko vidjeti da je [[a[[
a
= 1 i da je pripadna
operatorska norma od A denirana s
[[A[[
a
= sup
||x||a1
[[Ax[[
a
jednaka [[A[[
a
= [[Aa[[
a
.
LEMA 2.5. Neka je A > 0 matrica s pozitvnim elementima i 0
w svojstveni vektor od A. Tada je 0 < w (strogo pozitivan) i pripadna
svojstvena vrijednost je pozitivna.
DOKAZ. Zbog netrivijalnosti w je 0 < Aw = w odakle slijedi tvrd-
nja.
LEMA 2.6. Neka je 0 < w svojstven vektor od A.
i) (maksimalnost) Ako je > 0 pripadna svojstvena vrijednost.
Tada je jednaka spektralnom radijusu od A tj.
= (A).
3
U literaturi se jo naziva i badarnom funkcijom (eng. gauge).
ii) (jedinstvenost) w je jedinstven do na mnoenje pozitivnim bro-
jem.
DOKAZ. i) [[ [[
w
jer norma jer je 0 < w. Sada je
[[A[[
w
= [[Aw[[
w
= [[w[[
w
= ,
odnosno = (A) jer je (A) [[A[[ za svaku normu [[ [[.
ii) Pretpostavimo da je u svojstveni vektor za istu svojstvenu vrijednost
i da je > 0, u ,= w. Promatrajmo z
t
= tu + (1 t)w. Tada postoji
t R takav da je 0 z
t
netrivijalan i da mu je bar jedna komponenta
jednaka nuli (lei na rubu konsa R
n
+
). Kako je
Az
t
= z
t
tako der nenegativan svojstveni vektor to je 0 < z
t
to je u suprotnosti s
izborom od t. Dakle, u = w za neki > 0 to dokazuje jedinstvenost
svojstvenog vektora.
LEMA 2.7 (Egzistencija pozitivnog svojstvenog vektora). Matrica A
posjeduje svojstveni vektor cije su sve komponente ve ce od nule.
DOKAZ. Za svaki nenegativan vektor x 0 postoji broj > 0 tako
da je
(2.6) Ax x.
Jedan takav je
(x) := min
i
(Ax)
i
x
i
.
Zbog kompaktnosti jedini cne sfere postoji jedini cni vektor w > 0 na kojem
se postie maksimum s desne strane u (2.6) tj.
(w) = max
x0
min
i
(Ax)
i
x
i
.
O cito je (w) > 0 i w je svojstven vektor od A za svojstvenu vrijednost
(w). U suprotnom je Aw > (w)w pa za y = Aw vrijedi Ay > (w)y
odnosno (y) > (w) to je u suprotnosti s konstrukcijom od (w).
Istim razmiljanjem zaklju cujemo da postoji > 0 tako da je
(2.7) x Ax.
Jedan takav je
(x) := max
i
(Ax)
i
x
i
.
Zbog kompaktnosti jedini cne sfere postoji jedini cni vektor u > 0 na kojem
se postie maksimum s desne strane u (2.7) tj.
(u) = min
x0
max
i
(Ax)
i
x
i
i da je (u) svojstvena vrijednost od Ai u pripadni svojstveni vektor. Zbog
jedinstvenosti, lema (2.6), je (u) = (w) i u = w do na mnoenje pozi-
tivnim brojem.
2.4. Ra cunanje Perronovog korijena u praksi. U daljnjem tekstu
vektor cije su sve komponente jednake 1 ozna citi cemo s e. Pozitivnu ma-
tricu S u kojoj je suma komponenata svakog retka jednaka 1 nazivamo
stohasti ckom po recima. O cito je Se = e. Matricu T u kojoj je suma
komponenata svakog stupca jednaka 1 nazivamo stohasti ckom po stupci-
ma. O cito je e
T = e
. Nadalje, standardnim simpleksom u R

n
nazivamo
skup := [ > 0,
n
i=1
i
= 1.
Nekoliko sljede cih teorema odnose se na stohasti cke matrice i uvod su
u glavni teorem ovog odjeljka, teorem 2.10, koji ce nam omogu citi ra cuna-
nje svojstvenog vektora od A pomo cu formule (2.10) i posljedice 2.12.
LEMA 2.8. Neka je T stohasti cka matrica po stupcima.
i) Tada postoji jedinstveni v takav da je Tv = v.
ii) Ako je (T), ,= 1 tada je [[ < 1.
iii) x
lim
n+
T
n
x = v.
DOKAZ. i) Prema Perronovom teoremu postoji v > 0 i > 0 tako
da je Tv = v. Slobodno moemo pretpostaviti da je

n
i=1
v
i
= 1. Tada
je produkt Tv , jer je Tv konveksna kombinacija stupaca od T, odakle
slijedi = 1. Jedinstvenost od v je posljedica leme 2.6.
ii) Potprostor Y := e
svih vektora koji su okomiti na e je invarijantan

na T. Dovoljno je dokazati da je svaka svojstvena vrijednost od restrikcije
T[
Y
manja, po apsolutnoj vrijednosti, od 1.
Ako postoji y Y, Ty = y onda postoji > 0 tako da je vektor
:= v + y . No tada je T = to se protivi jedinstvenosti pozi-
tivnog svojstvenog vektora. Isto tako, ako postoji kompleksna svojstvena
vrijednost (T[
Y
) i [[ = 1, tada je restrikcija od T na odgovaraju ci
dvodimenzionarni korijeni potprostor Y
rotacija pa postoji y Y
tako da
je := v +y u unutranjosti od a T = v +Ty na rubu od . Zbog
stroge pozitivnosti matri cnih elemenata od T slika T() je u (relativnoj)
unutranjosti od to vodi na kontradikciju. Dakle, [[ < 1.
iii) Dati cemo dva dokaza ove tvrdnje. Jedan koristi cinjenicu da je spek-
tralni radijus inmum shih operatorskih normi matrice a drugi je elemen-
tarniji i koristi samo Jordanovu formu matrice.
Prvi dokaz: Za x, y je razlika x y element prostora Y := e
koji
je invarijantan na T. Zaista, Y = e
T = 0 jer je e
T = e
.
Nadalje, restrikcija T[
Y
: Y Y je kontrakcija u nekoj normi jer je,
prema prethodnom, spektralni radijus (T[
Y
) < 1.
Drugi dokaz: Ozna cimo Y := e
. Y je invarijantan potprostor za T.
Pretpostavimo, za po cetak, da je T[
Y
= I + J (kompleksna) Jordanova
forma preslikavanja i [ < 1[. Tada je za m > n,
S
m
= (I +J)
m
=
m
_
I +
J
_
n
gdje je n red matrice. Sada je o cito S

m
0 za m +. U slu caju da
restrikcija S[
Y
ima vie od jedne svojstvene vrijednosti Jordanova forma
je direktna suma od kona cno blokova gornjeg tipa pa vrijedi isti zaklju cak.
LEMA 2.9. Neka je S stohasti cka matrica po recima. Tada postoji

v takav da je
i) v
S = v
,
ii) lim
n+
S
n
= ev
.
DOKAZ. Tardnja i) je posljedica teorema (2.8) jer je S
stohasti cka
po stupcima. Za dokaz ii) odaberimo i primijenimo teorem (2.8) ii).
Tada je
lim
n+
S
n
= v
,
odnosno
lim
n+
S
n
= lim
n+
e
S
n
= ev
Uvedimo jo pojam lijevog svojstvenog vektora od A. To je vektor y ,= 0

koji zadovoljava
y
A = y
za neku ,= 0 dok desni svojstveni vektor x od A zadovoljava

Ax = x
za neku ,= 0. Ako je = (A) onda se lijevi i desni svojstveni vektori
nazivaju glavnim lijevim i glavnim desnim svojstvenim vektorom.
LEMA 2.10. Neka je A > 0 i Perronov korijen od A. Tada je
(2.8) lim
n+
_
A
_
n
= wv
gdje je w glavni desni svojstveni vektor od A i v glavni lijevi svojstveni

vektor od A koji zadovoljavaju v
w = 1.
DOKAZ. Neka je Aw = w. Ozna cimo D := diag(w
1
, . . . , w
n
)
matrica s komponentama vektora w na dijagonali. Tada je w = De i
D
1
_
A
_
De = e.
Gornja jednakost kazuje da je matrica S := D
1
_
A
_
D stohasti cka po
recima pa prema teoremu 2.9 i) postoji takav da je
(2.9)
S =
i lim
n+
S
n
= e
.
Sada je
lim
n+
_
D
1
_
A
_
D
_
n
= e
,
lim
n+
D
1
_
A
_
n
D = e
,
odnosno
lim
n+
_
A
_
n
= De
D
1
= wv
,
gdje je v
D
1
. Sada je o cito da je v lijevi glavni svojstveni vektor
jer je, zbog (2.9)
D
1
A
D =
odnosno
v
A = v
i
v
w =
D
1
De =
e = 1.
Time je teorem u potpunosti dokazan.
LEMA 2.11. Neka je 0 < a proizvoljan vektor i
x
n
:=
A
n
a
[[A
n
a[[
a
, n N.
Tada je
lim
n+
x
n
= w
gdje je =
1
wa
.
DOKAZ. Denicionu relaciju za x
n
moemo zapisati i na sljede ci na-
cin
_
_
_
_
_
A
_
n
a
_
_
_
_
a
x
n
=
_
A
_
n
a,
odakle prema teoremu 2.10
(2.10) lim
n+
x
n
=
w(v
a)
|w(v
a)|
a
=
w
|w|
a
.
POSLJEDICA 2.12.
lim
n+
A
n
e
e
A
n
e
= w, za neko > 0.
DOKAZ. Izraz u nazivniku je 1-norma od A
n
e, dok [[ [[
e
sada postaje
max-norma. Dakle,
z
n
:=
A
n
e
[[A
n
e[[
1
=
A
n
e
[[A
n
e[[
e
[[A
n
e[[
e
[[A
n
e[[
1
=
x
n
|x
n
|
1
w
|w|
1
.
Posljedica 2.12 sugerira metodu za aproksimativno ra cunanje svoj-

stvenog vektora w i Perronovog korijena. Odaberemo proizvoljan pozi-
tivan vektor, naj ce ce je to e, stavimo x
1
= Ae i ra cunamo niz x
n+1
=
Ax
n
, n 1 s tim da vektor x
n
normiramo prije ra cunanja sljede ce iteraci-
je.
LEMA 2.13. Neka je A > 0 i svojstvena vrijednost od A razli cita od
= (A). Tada je [[ < .
DOKAZ. Ax = x = A
n
x =
n
x i
_
A
_
x =
_
_
x. Zbog (2.8)
postoji limes
(2.11) lim
n+
_
_
n
x = w(v
x)
pa je nuno

1. Jo treba vidjeti da je [[ < . Za = e

i
gornji
limes ne postoji to je u suprotnosti s (2.8). Dakle, [[ < , to se i htjelo
dokazati.
POSLJEDICA 2.14. Glavni lijevi svojstveni vektor okomit je na svaki
desni svojstveni vektor razli cit od glavnog. Glavni desni svojstveni vektor
okomit je na svaki lijevi svojstveni vektor razli cit od glavnog.
DOKAZ. Neka je Ax = x desni svojstveni vektor od A i [[ < .
Iz formule (2.11) zaklju cujemo da je w(v
x) = 0. Zbog w > 0 je sada

v
x = 0.
LEMA 2.15. Svojstvena vrijednost = (A) je algebarske kratnosti
1, tj. ne postoji vektor u R
n
takav da je (AI)
2
u = 0 i (AI)u ,= 0
DOKAZ. Pretpostavimo da takav u postoji. Tada je w = (A I)u
desni glavni svojstveni vektor zbog jedinstvenosti istog. Sada je
Au = u +w,
A
u = u +
w
,
_
A
_
n
u =
_
A
_
n1
u +
w
, n N.
U limesu, premi lemi (2.10), lijeva strana i prvi sumand na desnos strani
konvergiraju prema w pa je nuno
w
= 0. No to je u suprotnosti s cinjeni-
com da je w > 0.
2.5. Brouwerov teorem. Spomenimo jo i poznati Brouwerov
4
te-
orem, bez dokaza, o egzistenciji ksne to cke neprekidnog preslikavanja
koji je, historijski gledano, nastao kasnije od Perronovog. U literaturi ga
ljudi cesto koriste za dokaz egzistencije Perronovog korijena.
TEOREM 2.16 (Brouwer). Neka je = R
n
[
i
= 1 i
f : neprekidno preslikavanje. Tada postoji to cka x koja je
ksna to cka tog preslikavanja tj.
f(x) = x.
Ako je A pozitivna matrica i ako u Brouwerovom teoremu stavimo
(x) :=
Ax
|Ax|
1
onda je jasno da je ksna to cka x od svojstven vektor od A i |Ax|
1
je
pripadna svojstvena vrijednost.
U Perronovom teoremu rije c je o linearnom preslikavanju to je dale-
ko ja ci zahtjev nego samo neprekidnost koju zahtijeva Brouwerov teorem.
Stoga je za o cekivati da se Perronov teorem moe dokazati elementatnijim
sredstvima to je i u cinjeno.
4
Luitzen Egbertus Jan Brouwer, 18811966, Holandski matemati car i lozof.
3. Metoda potencijala
3.1. Potencijal potpunog grafa. Kod uspore divanja u parovima, do-
nosilac odluke, za svaki par alternativa jednoj od njih daje preferenciju ili
ih proglaava jednako preferiranima (indiferentnima).
Za razliku od metode svojstvenog vektora koja koristi recipro cnu pozi-
tivnu matricu kao na cin organiziranja ulaznih podataka metoda potencijala
ih organizira u graf preferencije. To je usmjerni graf s teinama u kojem
je svakoj preferenciji pridjeljen i nenegativni broj, intenzitet preferencije,
na nekoj skali. Cilj donosioca odluke je uklju citi u svoju odluku ne samo
preferencije nego i njihov intenzitet.
PRIMJER 3.1. Pretpostavimo da imamo cetiri alternative i da je dono-
silac odluke dao preferencije kao na slici 2. Preferenciji B A dan je
intenzitet nula to drugim rje cima zna ci da je tako der i A B, odnosno
da je donosilac odluke indiferentan kad su u pitanju te dvije alternative. U
tom slu caju je svejedno u kojem smjeru je orijentirana strelica.
A
B C
D
0
2
4
1
1
3
SLIKA 2. Graf preferencije.
Cilj donosioca odluke je alternativama pridjeliti brojeve koji ce odraa-
vati njihovu vrijednost i ujedno dati rangiranje. Jedan mogu ca procedura
je sljede ca. . .
. . . strelicu B
1
D moemo interpretirati kao da je s te-
ku ceg ra cuna (u banci) alternativi B uzeta jedna kuna i
preba cena na teku ci ra cun alternative D. Isto je tako D
svoje cetiri kune dao alternativi A itd. Nakon to je zavr-
io proces darivanja izra cunamo saldo na ra cunu svake
alternative.
Jednostavnosti radi pretpostavimo da je u samom po cetku saldo na sva-
kom ra cunu iznosio nula kuna. To zna ci da ce nakon darivanja neki biti u
3. METODA POTENCIJALA 103
minusu a neki u plusu. Za graf na slici 2 taj saldo iznosi
X
A 6
B 2
C 4
D 4
Ovako denirana funkcija saldo, u daljnjem tekstu potencijal i u ozna-
ci X, postoji uvijek bez obzira na to da li je relacija preferencije tranzitivna
ili ne. U ovom primjeru ordinalna funkcija vrijednosti, u smislu teorema
2.3, ne postoji jer je u grafu prisutan ciklus C B D C koji
naruava tranzitivnost.
PITANJE.
Da li potencijal X i ordinalna funkcija vrijednosti V , ako takva postoji,
daju isto rangiranje, tj. da li postoji strogo rastu ca funkcija h : R R
takva da je X = h V ?
Evo jednog primjera prije nego li odgovorimo na postavljeno pitanje.
PRIMJER 3.2 (Inkonzistentnost slabe preferencije i potencijala). Graf
na slici 3 lijevo predstavlja relaciju slabe preferencije
C B A
i (njoj) pridruena funkcija vrijednosti V , dana u tablici 3.1 uskla dena je s
tom relacijom Desni graf razlikuje se od lijevog po tome to su preferen-
A
B C
A
B C
1
1
4
SLIKA 3. Potencijal i funkcija vrijednosti.
cijama pridjeljene teine. Potencijal izra cunat iz tih teina je X i dan je u
tablici 3.1 na str. 104. O cito je da X nije u skladu sa slabom preferencijom
jer bi ina ce V i X odre divali jednak poredak alternativa.
V X
A 1 5
B 2 3
C 3 2
TABLICA 3.1. Inkonzistentnost potencijala i slabe preferencije.
Ovaj primjer sugerira zaklju cak da postoje situacije kad postoji i funk-
cija vrijednosti V i potencijal X koji nije u skladu sa slabompreferencijom.
Da li je to ujedno i odgovor na postavljeno pitanje? Pro citajmo pitanje jo
jednom.
Na funkciju vrijednosti V i na potencijal treba gledati kao na dvije
razli cite metode. Pravo pitanje je to daju te dvije metode kad se primjene
na isti graf, a ne na dva razli cita grafa kao to je to u prethodnom primjeru.
Lijevi graf dobije se od desnog zanemarivanjem intenziteta preferencije.
Nakon toga smo metodu funkcije vrijednosti primjenili na lijevi graf, a
metodu potencijala na desni graf. Stupac X i stupac V u tablici 3.1 su
dobiveni razli citimmetodama primjenjenimna razli citimgrafovima i stoga
nije neo cekivano da daju razli cito rangiranje.
Ako elimo usporediti dvije metode onda ih moramo primjeniti na is-
tom grafu. Korektan postupak je sljede ci: Graf pridruen relaciji slabe pre-
ferencije moemo pretvoriti u graf s teinama tako da svakoj preferenciji
pridruimo teinu 1. Time uvaavamo cinjenicu da je preferencija kvalita-
tivna (substancijalna) kategorija, a ne kvantitativna kao to je to intenzitet
preferencije. Na takvom grafu moemo sada ra cunati i potencijal i funkciju
vrijednosti. Sada je o cito da je saldo za x S
(3.1) X(x) = #y S [ x y #y S [ y x.
TEOREM 3.3. Ako relaciji slabe preferencije na skupu S pridruimo
usmjeren graf s teinama na gore opisani na cin onda je potencijal X : S
R pridruen tom grafu funkcija vrijednosti.
DOKAZ. Iz formule (3.1) slijedi da je
X(x) = 2V (x) #[x] #S
gdje je [x] oznaka za klasu ekvivalencije od x tj.
[x] := y S [ y x.
Ako je y x tada je evidentno [x] = [y] i V (x) = V (y) to povla ci
X(x) = X(y). Neka je sada x y, tj. x y i x , y. Tada je
X(x) X(y) = V (x) V (y) +V (x) #[x] (V (y) #[y])
> V (x) #[x] (V (y) #[y])
= #z S [ x z #z S [ y z
to zbog tranzitivnosti relacije i x y povla ci nejednakost
X(x) X(y) 0.
Time smo dokazali da
(3.2) x y X(x) X(y).
Jo preostaje dokazati implikaciju X(x) X(y) x y. Pretpostavimo
li, suprotno tvrdnji, da implikacija nije istinita, tada postoje x, y S takvi
da je X(x) X(y) i y x. Zbog (3.2) je sada X(y) X(x), a kako je
y , x to je X(y) > X(x) to je u kontradikciji s pretpostavkom. Time su
implikacija, a ujedno i teorem, dokazani.
3.2. Veza izme du potencijala X i toka T. Ono to je potrebno za
daljnju analizu i teoriju je kompaktniji zapis veze izme du potencijala i to-
ka koji ce biti mogu ce poop citi. Radi jednostavnijeg zapisa pretpostavimo
da je skup alternativa S = 1, . . . , n i da je graf preferencije potpun, tj.
ima
_
n
2
_
lukova. Ako je i j onda je deniran luk = (i, j), od manje
preferirane alternative prema ve coj, a odgovaraju ci intenzitet preferencije
ozna cimo s T
. Skup svih lukova ozna cimo s /. Potencijal X

i
za alter-
nativu i denirali smo kao sumu svih uplata i isplata na njen teku ci ra cun
tj.
(3.3) X
i
=
j
T
(i,j)
j
T
(j,i)
.
Gornju formulu za potencijal moemo pojednostaviti ako uvedemo matricu
toka F deniranu na sljede ci na cin
F
ij
=
_
F
(i,j)
, ako (i, j) /
F
(j,i)
, ako (j, i) /.
Ako jo stavimo da je po deniciji F
ii
= 0 za svako i = 1, . . . , n onda
je matrica F antisimetri cna. Gornja formula za potencijal se sada svodi na
ra cunanje sume elemenata u i-tom retku matrice F. Pokazuje se boljim ko-
ristiti formulu za potencijal u kojoj se ra cuna srednja vrijednost elemenata
u retku matrice F. Razlog tome ce kasnije biti jasan. Dakle,
(3.4) X
i
=
1
n
n
j=1
F
ij
,
Iz formule (3.4) slijedi da je potencijal X (za potpuni graf preferencija)
aritmeti cka sredina stupaca matrice toka F.
3.3. Konzistentnost toka.
Inkonzistentnost je vie od nedostatka tranzi-
tivnosti. Ona navodi na zaklju cak da nikakva
optimizacijska procedura ne stoji cak ni iza
najjednostavnijih izbora koje ljudi cine i da
uniformnost trinog ponaanja ljudi moda
izvire iz principa koji su potpuno druga cije
prirode od op cenito prihva cenih.
Grether and Plott, 1979.
U lingvisti ckom smislu biti konzistentan zna ci biti u skladu (sa svojim
postupcima), biti nekontadiktoran. U terminima grafa preferencija to zna ci
da za cikluse u usmjerenom grafu s teinama poput ovog na slicu 4 vrijedi
i
j
k
SLIKA 4. Konzistentan ciklus.

relacija F
+ F
= F
. Takvu preciznost je teko posti ci posebno ako se

radi o subjektivnim procjenama za intenzitete F
, F
, F
. Op cenito govo-
re ci tok T smatrati cemo konzistentnim ako je za svaki ciklus grafa suma
(algebarskih) komponenata toka du ciklusa jednaka nuli. Ako je luk
uklju cen u ciklus onda u sumu ulazi T
, ako je uklju cen u ciklus onda

u sumu ulazi T
. Preciznije, ako je y =
i
y
i
i
ciklus, tada je y
i
=
i
ovisno o tome je li orijentacija luka
i
u skladu s orijentacijom ciklusa ili
nije. Tok je konzistentan ako i samo ako je za svaki ciklus y
k
i=1
y
i
T
i
= 0. (3.5)
ili, to je ekvivalentno, da je skalarni produkt
y
T = 0.
Posebno zanimljivo u metodi potencijala je da ona nudi mjeru inkonzi-
stentnosti, a to je broj koji ukazuje koliko je dani tok daleko od inkon-
zistentog toka. Op cenito govore ci, mjera inkonzistentnosti je broj (T)
pridruen ulaznim parametrima, u ovom slu caju je to tok T, koji je jed-
nak nuli ako i samo ako je T konzistentan tok u gornjem smislu, (v. teorem
3.4). Cilj svake teorije koja ima takvu mjeru je odrediti grani cnu vrijednost
prihvatljivosti
> 0 sa svojstvom da tok smatramo prihvatljivim ako je

(T)
. Granica prihvatljivosti
, naravno, ovisi o broju alternativa.

Za geometrijski smisao konzistentnosti vidi poglavlje 3.7.
3.4. Nuan i dovoljan uvjet za konzistentnost. Nuan i dovoljan
uvjet za konzistentnost toka je direktna posljedica denicije (3.5).
TEOREM 3.4. Tok T je konzistentan ako i samo ako je T linearna
kombinacija stupaca matrice incidencije A pridruenog grafa preferencije,
odnosno ako i samo ako postoji X R
n
tako da je
(3.6) AX = T.
DOKAZ. Zbog y
T = 0 je tok T okomit na svaki ciklus y pa je oko-

mit i na potprostor generiran ciklusima, a to je jezgra transponirane matrice
A
. Ova posljednja tvrdnja je posljedica teorema o rangu i dekompozicije

(3.7) R(A) N(A
) = R
m
.
Ortogonalnost T N(A
) ima za posljedicu T R(A) to se i htjelo

dokazati.
Obratno, pretpostavimo da je AX = T za neki X R
n
. Tada za svaki
ciklus y N(A
) vrijedi, zbog dekompozicije (3.7), y
T = y
AX = 0
to dokazuje tvrdnju.
3.5. Potencijal nepotpunog grafa. Jednadba (3.6) odre duje poten-
cijal ako i samo ako je T konzistentan. Ako taj uvjet nije ispunjen onda ima
smisla traiti najbolju aproksimaciju od T u prostoru stupaca matrice A.
Jedan od na cina da se to napravi jest na ci minimum kvadrati cne funkcije
(3.8) Q(y) =
1
2
(y T)
(y T)
uz uvjet y R(A). Ekvivalentan uvjet je y
z = 0 za svaki z N(A
)
to je posljedica ortogonalne dekompozicije (3.7). Minimizacija funkci-
je, pogotovo ako se radi o uvjetnoj minimizaciji, nije nimalo lak zadatak.
Ovdje imamo dvije pogodnosti, jedna je da je funkcija koju minimiziramo
kvadrati cna, a druga da su uvjeti linearni.
TEOREM 3.5. To cka y R(A) je to cka minimuma restrikcije Q
R(A)
ako i samo ako postoji z N(A
) i X R
n
tako da vrijedi
(3.9) y z = T, y = AX.
DOKAZ. Ozna cimo M := R(A) i pretpostavimo da je y to cka mini-
muma restrikcije Q
M
. To zna ci da je
Q(y) Q(y +tv) t R i v M
odakle slijedi
lim
t0
1
t
Q(y +tv) Q(y) = Q
(y)v 0.
Zamjenom v s v u gornjoj nejednakosti zaklju cujemo da je
(3.10) Q
(y)v = 0, za svaki v M.
Primijetimo da je dosadanji ra cun proveden za bilo koju diferencijabilnu
funkciju Q. Speciciramo li sada da je Q kvadrati cna funkcija dana for-
mulom (3.8) tada je derivacija od Q jednaka Q
(y) = y
pa gornju
formulu moemo zapisati u obliku
(y T)
v = 0, za svaki v M,
to zbog dekompozicije N(A
) R(A) = R
m
implicira da je y T
N(A
). Tada postoji X R
n
i z N(A
) tako vrijedi (3.9).

Obratno, pretpostavimo da vrijedi (3.9). Za dokaz tvrdnje dovoljno je
dokazati nejednakost Q(y + tv) Q(y) za svaki realni broj t R i svaki
v M. U tu svrhu ra cunamo
Q(y +tv) =
1
2
(y +tv T)
(y +tv T)
=
1
2
(y T)
(y T) +
1
2
t
2
v
v +t(y T)
v
= Q(y) +
1
2
t
2
v
v,
jer je y T M, to dokazuje traenu nejednakost.
POSLJEDICA 3.6. To cka y R(A) je to cka minimuma restrikcije
Q
R(A)
ako i samo ako postoji X R
n
tako da je y = AX i
(3.11) A
AX = A
T.
DOKAZ. Pomnoimo li jednadbu (3.9) s A
dobije se jednadba A
AX =
A
T jer je z N(A
). Obratno, ako vrijedi (3.11) onda je A
(AXT) =
0 to zna ci da je AX T N(A
) i vrijedi (3.9) za y = AX.

Jednadbu (3.11) nazivamo normalnomjednadbomkoja je pridruena
jednadbi AX = T. Sada moemo denirati pojam normalnog integrala
zadanog toka T koji je centralni pojam u teoriji potencijala.
DEFINICIJA 3.7. Neka je T 0 zadani nenegativni tok deniran na
lukovima usmjerenog grafa. Potencijal od T je rjeenje jednadbe AX =
T ako je T R(A) ili jednadbe A
AX = A
T ako T , R(A). U oba

slu caja zahtjevamo
i
X
i
= 0 zbog jedinstvenosti.
Uvjet
i
X
i
= 0 zasluuje komentar. Matrica A, ako je graf povezan,
ima jednodimenzionalnu jezgru generiranu vektorom 1 cije su sve kom-
ponenete jednake 1. Ako graf ima vie komponenata povezanosti tada je
jezgra od A tolike dimenzije koliki je broj komponenata povezanosti. U
tom slu caju, umjesto zahtjeva

i
X
i
= 0 zahtjevati cemo da je rjeenje
X normalne jednadbe (3.11) okomito na karakteristi cnu funkciju svake
komponente povezanosti. U daljnjem tekstu pretpostavljamo da je graf po-
vezan.
3.6. Lapaceova matrica grafa. Ako je A matrica incidencije grafa
onda matricu A
A nazivamo Laplaceovom matricom grafa i moemo je

jednostavno izra cunati. Izvan dijagonale, tj. za j ,= k
(A
A)
jk
=
_
1. ako su j, k susjedni cvorovi,
0, ina ce.
To se najbolje vidi ako direktno pomnoimo A
i A. j-ti redak od A
je
j-ti stupac od A; ako je j ,= k i postoji luk od cvora j do cvora k onda je
x
1
x
2
x
3
x
4
5
SLIKA 5. Nepotpun graf.
produkt j-tog i k-tog stupca jednak 1, ina ce je taj produkt jednak nuli.
Na glavnoj dijagonali matri cni elementi su pozitivni
(A
A)
kk
= broj susjednih cvorova od k.
Kao primjer za ilustraciju uzmimo mreu s cetiri nodalne varijable i pet
lukova na slici 5. Njegova matrica incidencije A i matrica A
A su
A =
_
_
1 1 0 0
1 0 1 0
0 1 1 0
1 0 0 1
0 1 0 1
_
_
, A
A =
_
_
3 1 1 1
1 3 1 1
1 1 2 0
1 1 0 2
_
_
.
Matrica A
A je simetri cna ali nije pozitivno denitna jer A ima netrivijal-

nu jednodimenzionalnu jezgru.
Interesantno je prou citi Laplaceovu matricu za potpun graf. Tada svaki
cvor u grafu ima n1 susjeda i Laplaceova matrica ima svuda na dijagonali
broj n 1, dok su ostali matri cni elementi jednaki 1. U tom slu caju
je potencijal jednostavno izra cunati i to na sljede ci na cin. Svakom retku
normalnog sistema jednadbi (3.11) pribrojimo uvjet

i
X
i
= 0 i dobiti
cemo ekvivalentan sistem jednadbi s dijagonalnom matricom jednakom
nI. Rjeenje tog sistema je
n X
i
= (A
T)
i
, i = 1, . . . , n.
Pogledamo li malo paljivije desnu stranu gornjeg sistema uo cit cemo da je
(za ksni i) desna strana dobivene jednadbe upravo razlika izme du ulaz-
nog i izlaznog toka u cvoru i to smo ranije nazvali saldo, v. jednadbu
(3.3) na str. 105. To zna ci da je potencijal potpunog grafa jednak srednjoj
vrijednosti stupaca matrice toka F pridruene toku T kao u formuli (3.4).
3.7. Inkonzistentnost. Geometrijski smisao. Kao i u slu caju potpu-
nog grafa tok T smatramo konzistentnim ako vrijedi AX = T za neki
X R
n
. U slu caju da T nije konzistentan tada kao mjeru inkonzistent-
nosti moemo sam kut izme du toka T i njegove aproksimacije AX ili broj
(3.12) (T) =
|AX T|
|T|
gdje je X potencijal od T i | | euklidska norma. AX je najbolja aproksi-
macija od T u prostoru R(A) i gornja mjera je sinus kuta izme du vektora
T i tog prostora. to je taj kut ve ci to zna ci da su procjene intenziteta
preferencija u grafu loije. Specijalno, svaki ciklus koji se pojavljuje u
grafu pove cava komponentu od T koja je okomita na R(A) i time pove-
cava inkonzistentnost. Razlog tome je taj to je prostor N(A
) generiran
ciklusima, v. formulu (3.7).
Proces rangiranja metodom potencijala na zadanom skupu alternativa
zapo cinje utvr divanjem grafa preferencije, odre divanjem njegove matrice
incidencije A, mjerenjem nenegativnog toka preferencije T i ra cunanjem
normalnog integrala X. Dobiveni potencijal X ne mora nuno biti funkcija
vrijednosti, ali jest ako je unimodularni graf preferencije slaba preferencija.
Tako der je o cito, to je posljedica teorema 3.4, da konzistentan tok gene-
rira potencijal koji je funkcija vrijednosti. Formulirajmo to kao posebnu
tvrdnju.
TEOREM 3.8. Potencijal X pridruen nenegativnom toku T je funkci-
ja vrijednosti ako je tok preferencija T konzistentan.
DOKAZ. Ako je T R(A) i X potencijal od T onda je o cito AX =
T prema posljedici 3.6. No tada je za svaki luk = (a, b)
(AX)
0 X
a
X
b
F
0 a b,
a to pokazuje da je X funkcija vrijednosti.
Obrat teorema nije istinit to se vidi iz sljede ceg primjera. U primjeru
3.2 na str. 103 promijenimo teinu preferencije A
4
B na A
2
B, dok
teine ostalih preferencija ostavljamo kakve jesu. Novi tok nije konzis-
tentan ali je novi potencijal funkcija vrijednosti to se vidi iz tablice 3.2.
Funkcija vrijednosti V ostala je ista.
V X
A 1 2
B 2 1
C 3 2
TABLICA 3.2. Inkonzistentan tok generira funkciju vrijednosti.
Gornji kontraprimjer otvara sljede ci problem:
ZADATAK 3.9. Na ci dovoljan uvjet na T da bi njegov potencijal bila
funkcija vrijednosti.
Paljiviji citalac ce odmah prigovoriti da je denicija konzistentnosti
toka, T R(A), prestroga. Prigovor je na mjestu sa kvalitativne (substan-
cijalne) gledita. Trenuta cni odgovor na prigovor je da zato imamo mjeru
inkonzistentnosti toka koja mjeri njegovu udaljenost od skupa konzistent-
nih tokova. Ovisno o gornjoj granici prihvatljive inkonzistentnosti
(v.
diskusiju u 3.3) moemo biti manje ili vie strogi to se ti ce prihva canja
odluke.
To jo nije odgovor na postavljeno pitanje kako oslabiti pojam inkon-
zistentnosti. Razuman pristup bio bi sljede ci: Ako graf preferencije gene-
rira ure daj slabe preferencije i nije konzistentan onda moemo re ci da je
T slabo konzistentan. Ako je T slabo konzistentan to jo uvijek ne zna-
ci da je njegov potencijal funkcija vrijednosti to se vidi iz primjera 3.2.
Druga mogu cnost je umjesto potencijala uzme neki hibrid koji ce ujediniti
i svojstva potencijala i biti uskla den s relacijom preferencije. Takav hibrid
postoji i nazivamo ga ordinalnim potencijalom od T, v. V. ego
[?].
3.8. Analiza primjera 1.2. Ovdje cemo sugerirati nekoliko na cina
kako se moe modelirati razmiljanje donosioca odluke u primjeru 1.2 (str.
14) pomo cu metode potencijala.
3.8.1. Direktan pristup. Udirektnompristupu koristiti cemo kao ulaz-
ne podatke one iz tablice u na str. 14. Matrica toka je, poto sad nemamo
subjektivne procjene ve c egzaktne podatke, odre dena razlikama zadanih
vrijednosti. To zna ci da je komponenta matrice toka F na mjestu ab jedna-
ka
F
ab
= (18 18) + (7 12) + (11 6) = 0 5 + 5 = 0,
a na mjestu ac
F
ac
= 18 5 + (12 17) + (6 8) = 13 5 2 = 6.
Izra cunamo li komponente toka za ostale parove dobije se matrica toka i
potencijal X u pretposljednjem stupcu prema formuli (3.4):
a b c d X SO
a 0 0 6 6 3 9
b 0 0 6 6 3 9
c 6 6 0 0 3 7.5
d 6 6 0 0 3 7.5
U krajnjem desnom stupcu (SO) smo zapisali srednju ocjenu dobivenu iz
tablice na str. 14. Vidimo da niti potencijal niti srednja ocjena ne razlikuju
studenta a od b niti studenta c od studenta d. U cemu je onda prednost
metode potencijala? U ovako strukturiranom modelu njena prednost nije
mogla do ci do izraaja. Primjer samo vodi na zaklju cak da u modelima
gornjeg tipa gdje moemo ra cunati srednju vrijednost i potencijal i srednja
vrijednost daju isto rangiranje. Taj je zaklju cak sasvim u redu jer je poten-
cijal za potpuni graf dobijemo kao srednju vrijednost stupaca matrice toka
T.
3.8.2. Subjektivan pristup. Analiziramo li tok misli ocjenjiva ca (do-
nosioca odluke) u primjeru 1.2 do ci cemo do grafa preferencija me du pro-
lima kao na slici 6. Tu smo uvaili konstataciju da su preferencije od a i
(a)
(b) (c)
(d)
4
4
1 1
4
4
SLIKA 6. Subjektivne preferencije iz primjera 1.2.
b u odnosu na c i d jednake teine i to u korist a i b. Malu prednost ima d
u odnosu na c i istu toliku a u odnosu na b. Matrica toka i potencijal su
a b c d X
a 0 1 4 4 2.25
b 1 0 4 4 1.75
c 4 4 0 1 2.25
d 4 4 1 0 1.75
to daje poredak
a b d c
kao i u primjeru 1.2.
3.8.3. Nepotpuni podaci. Iskoristimo je jednu mogu cnost metode da
dozvoljava nepotpun graf preferencije. Crtkane strelice predstavljaju za-
boravljene preferencije iz potpunog grafa. Preferencija (c)
4
(a) da-
je odnos izme du klasa, a preferencije (b)
1
(a) i (c)
1
(d) daju
odnose unutar svake klase. Takav model daje sljede ce rezultate u tablici
3.3. Inkonzistentnost toka iznosi (T) = 0 jer nema suvinih podataka.
3.8.4. Uvo denje novih kriterija. Interakciju kriterija kao u primjeru
1.2 zvati cemo koalicijom. Jedan od na cina modeliranja takvih problema
dan je u clanku Grabish [16] i to tehnikom fuzzy logike. Ovdje cemo dati
dva modela koriste ci metodu potencijala. U svakom od modela uvode se
(a)
(b) (c)
(d)
1 1
4
SLIKA 7. Nepotpune preferencije iz primjera 1.2.
X w
a 2 0.593
b 1 0.296
c -2 0.037
d -1 0.074
TABLICA 3.3. Nepotpuni podaci.
novi kriteriji. U prvom cemo uvesti kriterije FM, ME, FE koji predstav-
ljaju koalicije od po dva kriterija. Snaga koalicije je suma bodova svakog
clana koalicije. Smatramo da je koalicija labava ako je njena snaga ispod
20 bodova
5
. U slu caju labave koalicije naprosto ne cemo uvaavati njenu
snagu tj. broj bodova i praviti se kao da ne postoji taj podatak. Nova tabli-
ca, s proirenim skupom kriterija, je tablica 3.4. U njoj je sa zvjezdicom
() ozna cena labava koalicija. U drugom retku tablice su dane relativne
5
Ovdje se o cito vidi utjecaj praga prolaznosti koji iznosi 10 bodova za ljestvicu 120.
F M E FM ME FE
5 5 5 2 2 2
a 18 12 6 30 24
b 18 7 11 25 29
c 5 17 8 22 25
d 5 12 13 25
TABLICA 3.4. Koalicija kriterija.
teine pojedinih kriterija. Teine kriterija smo odredili tako da svi kriteriji
imaju jednake teine i sve koalicije imaju jednake teine s tom razlikom to
su teine koalicija manje jer smatramo da bi njihov utjecaj trebao biti mala
perturbacija u odnosu na rangove koje bi dobili bez koalicija
6
. Rezultati
rangiranja pomo cu metode potencijala su
PM rang
a 0.286
b 0.281
d 0.221
c 0.212
to je prili cno u skladu s razmiljanjem iz primjera 1.2.
3.8.5. Oscilacija kao kriterij. Neki nastavnici smatraju da je dobro
uvesti novi kriterij varijacija ocjena. Razmiljanje u primjeru 1.2 sugerira
da za dva studenta s istim zbrojem bodova bolji je onaj cije ocjene manje
variraju. Kao mjeru oscilacije uzet cemo najjednostavniju, a to je razlika
izme du najve ceg i najmanjeg podatka. U tom slu caju tablica izgleda
F M E V
4 4 4 1
a 18 12 6 12
b 18 7 11 11
c 5 17 8 12
d 5 12 13 8
gdje je V oznaka za varijaciju. U drugom retku tablice zapisali smo teine
kriterija, a teinu varijacije kao kriterija uzeli smo da je cetiri puta manja u
odnosu na teinu kriterija iz istog razloga kao i ranije za koaliciju. Istakni-
mo da se manja varijacija smatra boljom. Rezultati rangiranja su sada:
rang
b 0.298
a 0.297
d 0.204
c 0.200
Uvo denjem kriterija oscilacija uspjeli smo posti ci da d bude bolje rangi-
ran nego c ali ne i da a bude bolje rangiran od b jer b ima manju oscilaciju
6
U primjeni teorije potencijala na egzaktne podatke uvodi se novi parametar FN,
ownorm, kojeg smo odredili tako da je jednak za sve kriterije i ima vrijednost 2. Za
deniciju FN v.

Caklovi c [38].
ocjena. Sama oscilacija kao dodatni kriterij o cito nije dovoljna za obja-
njenje ispitiva cevog na cina razmiljanja.
3.9. Primjer grupne odluke.
PRIMJER 3.10. Na takmi cenju iz matematike bila su 4 zadatka. Ko-
misija je odredila jednak broj bodova za svaki exercise. Nakon takmi cenja
uo ceno je da su neki zadaci tei od ostalih pa je svaki clan komisije za-
moljen da, nezavisno od ostalih, odredi graf preferencija (teine) u odnosu
na svaki od sljede cih kriterija: Teorijska sloenost (TS), Ra cunska slo-
enost (RS), Logika (L). Ako je za rjeavanje zadatka nuno neko pred-
znanje u formi teorema onda ce TS-komponenta zadatka biti dominantna,
ako je za rjeavanje zadatka potrebna vjetina u ra cunanju ili programi-
ranju onda ce RS-komponenta zadatka biti dominantna, a ako nije nuno
poznavanje teorije i nema ra cuna ve c se zahtjeva povezivanje ili se tra-
i neka struktura onda je L-komponenta dominantna. Svaki ocjenjiva c je
odre divao i vanost kriterija i teinu exercisea uspore divanjem u parovima
po vlastitoj procjeni. Rezultati grupne odluke, temeljene na teoriji poten-
cijala, prikazani su u tablici 3.5 U tablici su prikazani sljede ci podaci (od
Teina u postocima
exercise

Clan A

Clan B

Clan C

Clan D Grupa
1 16.8 15.9 13.8 21.2 17.7
2 24.0 8.7 23.1 23.7 19.5
3 32.8 16.6 25.2 34.6 27.7
4 26.4 58.8 38.0 20.5 35.1
TABLICA 3.5. Grupna odluka.
lijeva na desno):
rangovi svakog clana komisije prema gornjim kriterijima izraeni
u postocima;
grupni konsenzus.
Na pitanje slau li se sa svojomodlukom clanovi su odgovorili: "Uglav-
nomda", a na pitanje da li se slau s grupnomodlukomodgovor je bio neto
pozitivniji.
Bibliograja
1. M. Barbut, Mdians, Condorcet et Kendall, Mathmatiques et Sciences Humaines
(1980), no. 69, 513.
2. J. A. Bargh, Automatic and conscious processing of social information, vol. 3, pp. 1
43, Hillsdale, NJ, Erlbaum, 1984.
3. J. Baron, Thinking and deciding, ambridge Univ. Press, 1994.
4. A. Bechara, H. Damasio, D. Tranel, and A. R. Damasio, Deciding advantageously
before knowing the advantageous strategy, Science (1997), no. 275, 12931295.
5. Ross Buck, Human motivation and emotion, Wiley.
6. L. Carroll, What the Tortoise Said to Achilles, Mind, n.s., no. 4, 278280.
7. J. Ceraso and A. Provitera, A sources of error in syllogistic reasoning, Cognitive Psyc-
hology, no. 2, 400410.
8. L. J. Chapman and J. P. Chapman, Atmosphere effect reexamined, J. of Experimental
Psychology, no. 58, 220226.
9. L. Cosmides, Deduction or Darwinian algorithm? An explanation of the "elusive"
content effect on the Wason selection task, Ph.D. thesis, Dept. of Psych., Harvard,
1985.
10. A. R. Damasio, Toward a Neurobiology of Emotion and Feeling: Operational Concep-
ts and Hypotheses., The Neuroscientist (1995), no. 1, 1925.
11. Antonio Damasio, Descartes error: Emotion, reason and the human brain, Macmil-
lan, 1996.
12. D. N. Davis, Minds have personalities - Emotion is the core, ht-
tp://www.cs.bham.ac.uk/ axs/aisb2000/papers/darryl.paper.pdf.
13. J-M. Fellous, J. L. Armony, and J. E. LeDoux, Emotional Circuits, The Handbok of
Brain Theory and Neural Networks (M. A. Arbib, ed.), 2003.
14. P. C. Fishburn, Utility theory for decision making, John Wiley, 1970.
15. K. M. Galotti, J. Baron, and J. Sabibi, Individual differences in syllogistic reasoning:
Deduction rules or mental models, J. of Experimental Psych., no. 115, 1625.
16. Michel Grabisch, The application of fuzzy integrals in multicriteria decision making,
European Journal of Operational Research 89 (1996), no. 3, 445456.
17. M. Henle, On the relation between logic and thinking, Psychological Review, no. 69,
366378.
18. P. N. Johnson-Laid, Mental models: Towards a cognitive science of language, inferen-
ce and consciousness, Cambridge, Mass., Harvard Univ. Press., 1983.
19. P. N. Johnson-Laid and B. G. Bara, Syllogistic inference, Cognition (1984), no. 16,
161.
20. P. N. Johnson-Laid and M. Steedman, The psychology of syllogisms, Cognitive Psyc-
hology (1978), no. 10, 6499.
21. Daniel Kahneman and Amos Tversky, Prospect theory: An analysis of decision under
risk., Econometrica 47 (1979), 263291 (English).
117
118 BIBLIOGRAFIJA
22. D. H. Krantz, R. D. Luce, P. Suppes, and A. Tversky, Foundations of measurements,
vol. 1: Additive and polinomial representations, Academic Press, New York, 1971.
23. J. LeDoux, The emotional brain, Simon & Schuster, New York, 1996.
24. J. E. LeDoux, Emotion: Clues from the Brain, Annual Review of Psychology, no. 46,
209235.
25. , The neurobiology of emotion, Mind and Brain. Dialogues in cognitive neuros-
cience (J. E. LeDoux and W. Hirst, eds.), Cambridge University Press, 1986, pp. 301
354.
26. , Emotion and the Amygdala, The Amygdala: Neurobiological Aspects of
Emotion, Memory and Mental Dysfunction (J. P. Aggleton, ed.), WileyLiss, 1992,
pp. 339351.
27. G. F. Loewenstein, E. U. Weber, C. K. Hsee, and N. Welch, Risk as Feelings, Psycho-
logical Bulletin (2001), no. 2, 267286.
28. Boris Petz, Psihologijski rje cnik, Prosvjeta, Zagreb, 1992.
29. Steven Pinker, How the Mind Works, Penguin, London, 1997.
30. M. Profet, Protecting Your Baby-To-Be: Preventing Birth Defects in the First Trimes-
ter, Perseus Publishing, 1995.
31. F. S. Roberts, Measuremenr theory, Addision Wesley, 1979.
32. T. L. Saaty, The analytic hierarchy process, RWS Publications, Pittsburg, 1996.
33. S. Scribner, Modes of thinking and ways of speaking: Culture and logic recinsidered,
Thinking: Readings in cognitive science (New York) (P. N. Johnson-Laird and P. C.
Wason, eds.), Cambridge Univ. Press, 2003, pp. 483500.
34. A. Sloman, Architectural requirements for human-like agents both natural and arti-
cial, Benjamins Publishing, Dautenhahn, K., 1999.
35. S. A. Sloman, The empirical case for two systems of reasoning, Psychological Bulletin
(1996), no. 119, 322.
36. S. E. Toulmin, The uses of argument, Cambridge Univ. Press, 1958.
37. L.

Caklovi c, Decision making via potential method.
38. Lavoslav

Caklovi c and Vedran ego, Potential Method applied on exact data, Pro-
ceedings of KOI 2002 (Kristina ori c, Tihomir Hunjak, and Rudolf Scitovski, eds.),
Croational Operational Research Society, Trogir, Croatia, October 2-4.2002, pp. 237
248.
39. John von Neumann and Oskar Morgenstern, Theory of games and economic behavior.
1st paperback ed. (Repr. of 3rd ed. H/C)., Princeton, New Jersey: Princeton University
Press. XX, 641 p. $ 13.00 , 1980 (English).
40. J. F. Voss, S. W. Tyler, and L. A. Yengo, Individual differences in the solving of social
science problems Vol. 1, Individual differences in cognition (R. F. Dillon and R. R.
Schmeck, eds.), Academic Press, New York, 1983, pp. 205232.
41. M Vukovi c, Matemati cka logika 1, Sveu cilite u Zagrebu, Matemati cki odjel, Zagreb,
1999.
42. P. Wason, Reasoning, New horizons in psychology (B. M. Foss, ed.), London, Penguin,
1966.
43. T. D. Wilson, D. J. Lisle, J. W. Schooler, S. D. Hodges, K. J. Klaaren, and S. J. LaFle-
ur, Introspecting about reasons can reduce post-choice satisfaction, Personality and
Social Psychology Bulletin 19 (1993), 331339.
44. T. D. Wilson and J. W. Schooler, Thinking too much: Introspection can reduce the
quality of preferences and decisions, Journal of Personality and Social Psychology 60
(1991), 181192.

Modeli U Odlucivanju

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Modeli U Odlucivanju

Uploaded by

Copyright:

Available Formats

Teorija odlu civanja

Cini se ipak da je taj nedostatak od 50 $ kompenziran i prvagnut u

za koju je vrijednost atributa

, a zatim atribute s kojima

dominirana alternativom b. Nova

i atributa opremljenost je tabela 1.7 Na nesre cu,

. Nakon takve analize preporu ceno je da se unajmi ured d kao

bio konstruiran tako da je

je bio konstruiran tako da je bio indife-

koja je indiferentna b tj. b b

. Dakle, ono to znademo je:

ako je tap r dulji od r

jednako duga cki.

. Iako izgledaju prirodni, to su prili cno jaki zahtjevi i cesta je situ-

Cest je slu caj u praksi da su i ti zahtjevi narueni, no mi bismo i dalje htjeli

dobili bismo zaklju cak r

: izjavili smo da interval

Cvorove prikazane krui cima nazivamo cvorom izbora to izraava

dva skupa alternativa i a, b

tj. alternative a i b su u oba skupa. Pretpostavimo da su proli

= G M. Odaberimo individualne prefe-

Cini se da je u pozadini tog sukoba nerazjanjenost pojma hipoteti cka

zadovoljavaju hipoteze aksioma A4. Zanemarimo li u skupu A sve alter-

sve alternative osim a, b tada prema aksiomu

Covjek moe biti znanstvenik.

Ce ci su odgovori da je Sanja bibliotekarka i borac za enska pra-

Svaka konzistentna matrica W je produkt jednostup cane matrice

. Nadalje, standardnim simpleksom u R

svih vektora koji su okomiti na e je invarijantan

gdje je n red matrice. Sada je o cito S

LEMA 2.9. Neka je S stohasti cka matrica po recima. Tada postoji

Uvedimo jo pojam lijevog svojstvenog vektora od A. To je vektor y ,= 0

za neku ,= 0 dok desni svojstveni vektor x od A zadovoljava

gdje je w glavni desni svojstveni vektor od A i v glavni lijevi svojstveni

Posljedica 2.12 sugerira metodu za aproksimativno ra cunanje svoj-

1. Jo treba vidjeti da je [[ < . Za = e

x) = 0. Zbog w > 0 je sada

. Skup svih lukova ozna cimo s /. Potencijal X

SLIKA 4. Konzistentan ciklus.

. Takvu preciznost je teko posti ci posebno ako se

, ako je uklju cen u ciklus onda

> 0 sa svojstvom da tok smatramo prihvatljivim ako je

, naravno, ovisi o broju alternativa.

T = 0 je tok T okomit na svaki ciklus y pa je oko-

. Ova posljednja tvrdnja je posljedica teorema o rangu i dekompozicije

) ima za posljedicu T R(A) to se i htjelo

) vrijedi, zbog dekompozicije (3.7), y

) tako vrijedi (3.9).

). Obratno, ako vrijedi (3.11) onda je A

) i vrijedi (3.9) za y = AX.

T ako T , R(A). U oba

A nazivamo Laplaceovom matricom grafa i moemo je

A je simetri cna ali nije pozitivno denitna jer A ima netrivijal-

You might also like