1.

Operacijske raziskave (opredelitev pojma)

so interdisciplinarna veda. Nastala je iz nizov problemov, v katerih se i e optimalno stanje/gibanje
nekega sistema.
Gre za sklop metod, metodologijo, postopke, identifikacijo, algoritmacijo in implementacijo
problemov in njihovih reitev na podlagi delovanja/operacij sistema. So sredstvo za generiranje
alternativnih (optimalnih) reitev, med katerimi izbira nosilec odlo anja.
2. Konveksna linearna kombinacija (dveh ali veih tok)
Konveksna linearna kombinacija dveh ali ve to k je linearna kombinacija, pri kateri so koeficienti <1
in >0, njihova vsota pa je 1.
Lin. komb. vektorjev/to k x1, x2, , xn vektorskega prostora V s koeficienti p1, p2, , pn 
p1x1 + p2x2 ++ pnxn, kjer so koeficienti p1, p2, , pn > 0 in < 1 ter velja: p1+p2++pn=1, se imenuje
konveksna linearna kombinacija/sestava danih vektorjev/tok.
Geom: Vsaka to ka, ki je konveksna lin. komb. dveh to k, lei na daljici, ki ima ti dve to ki za
kraji i in obratno (vsako to ko na daljici je mogo e izraziti kot konveksno lin. komb. kraji daljice).
3. Konveksne mnoice (poljubni dve toki)
Konveksne so mn. to k (M), za katere je zna ilno, da e sta x1 in x2 poljubna elementa te mnoice, je
tudi vsaka njuna konveksna linearna kombinacija element te mnoice. Lei v vekt. prostoru (V).
Geo: Poljubna mnoica M je konveksna, e je s poljubnima dvema to kama A in B iz M tudi cela
daljica AB v M.
primeri: ena sama to ka; daljica, premica; krog, trikotnik, pravokotnik; ravnina, polravnina, to ke med
dvema krakoma ostrega kota; krogla, kocka, tetraeder, valj, stoec, ves prostor,
To ke konveksne mnoice delimo na ekstremne in neekstremne:
4. Ekstremna toka konveksne mnoice tok
je vsaka to ka, ki jo ni mogo e izraziti kot konv. linearno komb. nobenih dveh to k mnoice (npr.
kraji i daljice; vse to ke na povrini kocke+ogli a)
5. Neekstremna toka konveksne mnoice tok
je vsaka to ka, ki jo je mogo e izraziti kot konv. linearno komb. vsaj dveh drugih to k mnoice
(npr. ostale to ke kocke, brez ogli ; notranje to ke krogle brez tistih, na povrini)
6. Konveksni polieder
je omejena konveksna mnoica to k s kon nim tevilom ekstremnih to k (na katere je napet)
vektorskega prostora V.
Vse konveksne linearne kombinacije poljubnega kon nega tevila to k vektorskega prostora
sestavljajo konveksno mnoico, ki jo imenujemo konveksni polieder. To ke tega konveksnega
poliedra so potemtakem vse konveksne linearne kombinacije kon nega tevila to k x1, x2, xn,
katerih koeficienti pi (i=1n) so < 1 in > 0, njihova vsota pa je 1. e je to ka x konveksnega poliedra
linearna kombinacija to k x1, x2,x3 xn, in e je to ka x1 linearna kombinacija to k x2,x3 xn, je
to ka x tudi konveksna linearna kombinacija teh to k x2, x3, xn.
e iz sistema to k x1, x2, xn, izpustimo vse tiste to ke, ki so konveksne linearne kombinacije
preostalih to k, se prvotno definirani konveksni polieder ne spremeni. To ke konveksnega poliedra je
mogo e izraziti kot konveksne linearne kombinacije ekstremnih to k.
7. Linearno programiranje kot posebna matematina metoda
je panoga uporabne matematike, ki obi ajno reuje probleme optimalne porabe ali alokacijo
kakrnihkoli sredstev, ki so na razpolago le v omejenih koli inah. Bistvo za linearno programiranje je,
da je namenska funkcija linearna in da so tudi vse pogojne neena be ali ena be linearne.
Def: Lin. progr. je posebna matemati na metoda, ki jo uporabljamo pri obravnavi problema vezanega
ekstrema z linearno namensko (kriterialno) funkcijo, kjer pogoje (omejitve) sestavlja sistem linearnih
ena b oz. neena b z dodatno zahtevo, da imajo spremenljivke nenegativno vrednost.
1

Loimo dve vrsti linearnega programiranja: za minimum, ali za maksimum namenske funkcije.
8. Linearni program za minimum (oz. maksimum) namenske funkcije v obliki neenab oz.
enab
MIN: (za max sta le neenaaja obrnjena:
)
Doloiti je treba vrednosti spremenljivk x1, x2, , xs, ki zadoajo pogojem nenegativnosti in
a11x1 + ...+ a1s xs
b1
linearnim enabam:

...
tako, da ima namenska (oz. kriterialna funkcija
am1x1 + ...+ amxs
bm

f (x1,...,xs ) = c1X 1 + ...+ cs xs minimum.

m,n sta poljubni naravni tevili
aij, cj poljubna realna tevila
bi
poljumna nenegativna tevila
9. Linearni program za minimum (oz. maksimum) v matrini obliki
a11 ... a1s
x1
b1
c = c1 ... cs
A'= : ... :
x= :
b= :
am1 ... ams
xs
bm
Doloiti je treba vektor x, ki zadoa pogoju nenegativnosti in matrini neenabi A'x
b, tako, da
ima namenska funkcija f(x)=cx minimum.
10. Linearni program za minimum (oz. maksimum) v vektorski obliki
Uvedemo vektorje:
b1
a11
a1s
1
s
0
p = : , p = : , . ,
p = : .
bm
am1
ams
Doloiti je treba vrednosti spremenljivk x1, x2, xs, ki zadoajo pogojem nenegativnosti in
xi p1 + ...+ xs ps
p0 tako, da ima namenska funkcija f(x1,x2,,xs)=
vektorski neenabi
c1x1+c2x2++csxs minimum.
11. Dopolnilne spremenljivke (neenabe spremenimo v enabe)
kje pridejo v potev (pri max jih ni); navidezno spremenijo program; pripadajoi umetni vektorji
tvorijo st. bazo
uvedemo, ko moramo pogoje, ki nastopajo v obliki neenab spremeniti v enabe, da bi linearni
program postal primeren za numerino reevanje. Neenabi ai1 + ...+ ais xs
b1 dodamo e en len,
da dobimo enabo:
ai1 + ...+ ais xs
xs+i = b1
Tako dobimo nov program z pogojnimi enabami namesto neenab. Nato moramo za zaetek
numerinega reevanja v vsako pogojno enabo vstaviti e po eno umetno spremenljivko (s tem smo
lin. progr. spremenili le navidezno, saj umetna spremenljivka lahko zavzema le vrednost 0 in tako
optimalna reitev ostane nespremenjena. V programu za maksimum pa umetnih spremenljivk ni treba
uvajati, saj njihovo vlogo sprejemajo dopolnilne spremenljivke.
Umetni vektorji so enaki standardni bazi.
12. Umetne spremenljivke
Z njimi dobimo izhodino nedegenirano bazno mono reitev razirjeno formulacijo problema.
13. Strukturni vektorji, dopolnilni vektorji, umetni vektorji
2

Linearen program v vektorski obliki:

b1
p = :
bm
0

a11
p = :
am1
1

a1n
p = :
amn
n

Dolo iti je treba vrednosti spremenljivk x1,x2,...xn, ki zado ajo pogojem xi
0(i = 1,2,...,n) in
vektorski ena bi x1 p1 + ...+ xn pn = p0 , tako, da ima namenska funkcija f (x1,...,xn ) = c1x1 + ...+ cn xn
minimum.
Vektorje p1, ..., ps imenujemo STRUKTURNI vektorji. Vektorje ps+1, ..., ps+m imenujemo
DOPOLNILNI vektorji in ti so enaki vektorjem e1, -e2,...,-em. To so torej z (-1) pomnoeni vektorji
standardne baze v vektorskem prostoru m-teric Vm. Vektorje ps+m+1, ..., pn pa imenujemo UMETNI
vektorji in so enaki standardni bazi e1,...,em vektorskega prostora Vm.
14. Mnoica K vseh monih reitev linearnega programa (opredelitev in lastnosti)
polieder; optimalna reitev se bo pojavila vsaj v eni reitvi tega konveksnega poliedra
Mona reitev je reitev, ki zado a pogojem nenegativnosti in pogojni ena bi Ax=b, ne glede na
vrednosti, ki jo ima zanj namenska funkcija. Za mone reitve veljajo izreki:
I.
Mnoica K vseh monih reitev linearnega programa je konveksna. Vzemimo, da je
konveksna mnoica monih reitev linearnega programa K neprazna in omejena (z kon no
mnogo hiperravninami, zato je ta mnoica konveksni polieder).
II.
Med ekstremnimi to kami konveksnega poliedra K monih reitev lin. progr. obstaja vsaj
ena, v kateri ima namenska funkcija minimum. ( e je le ena, je ta to ka njegova ekstremna
to ka, e pa ima minimum v ve poliedrovih to kah, tedaj ima minimum v ve ekstremnih
to kah in tudi v kakih neekstremnih to kah.)
III.
e ima namenska funkcija minimum v ve ekstremnih to kah konveksnega poliedra K,
ima minimum tudi v vseh to kah poliedra, ki so konveksne linearne kombinacije teh
ekstremnih to k (reitev je konveksni polieder: mnoica monih+optimalnih reitev).
!!!!Ker je vsaka optimalna reitev linearnega programa konveksna linearna kombinacija
samo tistih ekstremnih to k konveksnega poliedra monih reitev, ki so optimalne, je
mnoica optimalnih reitev tudi konveksni polieder.
IV.
+3-je izreki za bazne mone reitve
e obstaja kak km linearno odvisnih vektorjev p1,,pk tako da velja vektorska ena
ba
x1p1++xkpk=p0, je ustrezna bazna mona reitev x=[x1, x2,,xk,0,0,,0]T ekstremna
to
ka konveksnega poliedra monih reitev
V.
vektorji p1,,pk (km), ki ustrezajo kako bazni moni reitvi, ki je ekstremna to
ka
konveksnega poliedra monih reitev, so linearno neodvisni.  ekstremna to
ka konv.
poli. K ima kve
jemu M pozitivnih koeficientov/koordinat.
VI.
Vsaki bazni moni reitvi lin. progr., ki je ekstremna to
ka konveksnega poliedra monih
reitev, je mono med vektorji p1,,pn prirediti natan
no m linearno neodvisnih vektorjev
(bazo vektorskega prostora Vm)
Vsaka mona reitev ima po n komponent, kjer je n=s+m+m. Mona reitev je nebazna, e ima ve ,
kot m pozitivnih komponent in je bazna, e ima m ali manj pozitivnih komponent.
Bazna reitev je nedegenerirana, e ima natan no m pozitivnih komponent in degenerirana, e ima
manj kot m pozitivnih komponent.
Mona reitev x je to ka (ali vektor) vektorskega prostora V.
15. Mnoica optimalnih reitev linearnega programa (opredelitev in lastnosti)
vsaj v eni to
ki konveksnega poliedra bo reitev (ali pa v ve
ekstremnih to
kah)
e sta dve, potem je
reitev tudi vsaka linearna kombinacija teh dveh to
k
Optimalna mona reitev je reitev, ko vektor x zado a vsem pogojem in ima hkrati zanj namenska
funkcija optimalno vrednost.
3

16. Grafino reevanje linearnega programa

narii primer, e imamo 2 spr.
vsak pogoj je ena polravnina;narii namensko funkcijo + vzporedni premik, dokler nima e kakne
skupne toke z reitvami (ali vogal, ali se prekriva s premico in bo reitev daljica)
17.
Metoda simpleksov (opis)
gre za zamenjavo v bazi do naslednje ko bo mona reitev bolja
MS je najbolj splona metoda za numeri no reevanje problemov LP. Izhajamo iz LP po uvedbi
dopolnilnih in umetnih spremenljivk. Najprej vzamemo neko znano bazno mono reitev, ki je
ekstremna to ka konveksnega poliedra K monih reitev; vsaki od teh baznih monih reitev pa
ustreza dolo ena baza vektorskega prostora Vm. V bazi zamenjamo kak njen vektor s kakim
vektorjem, ki ga e ni, tako, da dobimo novo bazo, njej ustrezno novo ekstremno to ko in njej
ustrezno novo vrednost namenske funkcije. e je nova vrednost manja od prejnje, dobimo boljo
reitev linearnega programa. Izberemo tako zamenjavo baznih vektorjev, da obstoje o mono lin.
reitev izboljamo. Postopek ponovimo tolikokrat, da dobimo po iterativnih izboljavah mone reitve
optimalno reitev.
18.
Prisojene cene (Zj vrednost vektorja v bazi)
Zj vrednost vektorja, izraenega v enem iteracijskem koraku, na koncu pa
+ za umetne !!!
+ za dopolnilne spremenljivke !!!
Reitev primarnega programa sta prisojeni ceni, ki ustrezata prvi moni bazni reitvi
Prisojene cene so tevila zj, ki so obi ajno v spodnji vrstici tabele: zj pomeni vrednost vektorja pj v
primeru, ko je njegov sestav izraen z baznimi vektorji. Prisojena cena pomeni realno vrednost
sestavin vektorja pj, torej npr. tablete Tj. e je trna cena kakega vektorja oz. tablete ve ja od ustrezne
prisojene cene, ta vektor oz. tableta ne nastopi v optimalni reitvi.
19.

Dispozicija raunanja po metodi simpleksov (v koraku)

1) matemati ni zapis lin. programa 2) dopolnilne 3) 1 mona reitev; zamenjava v bazi
1) LP formuliramo v MA obliki, s pogoji nenegativnosti, s pogojnimi lin. neena bami ali ena bami in
z linearno namensko funkcijo.
2) pogojne linearne neena be in namensko funkcijo z dopolnilnimi spremenljivkami.
3) e gre za minimum namenske funkcije, uvedemo e umetne spremenljivke, sicer pa ne.
4) Sestavimo tabelo; pri tem pazimo, kateri vektorji so bazni: e gre za minimum namenske funkcije,
so bazni tisti vektorji, ki ustrezajo umetnim spremenljivkam; pri max pa tisti, ki ustrezajo dopolnilnim
spremenljivkam.
5) V zadnjo vrstico tabele zapiemo koeficiente am+1,j=zj-cj (j=0,1,...n)
6) Dolo imo vektor pk, ki ga uvedemo v novo bazo:
e gre za min namenske funkcije, dolo imo v zadnji vrstici najve jo pozitivno vrednost
razlike zj-cj  zk-ck=max(zj-cj )  Tej najve ji vrednosti ustreza vektor pk, ki ga uvedemo
v novo bazo.
!!!! e gre za max nam. funkcije, dolo imo v zadnji vrstici po absolutni vrednosti najve je
negativno tevilo zj-cj  zk-ck=max I(zj-cj )I za zj-cj < 0  temu tevilu ustreza vektor
pk, ki ga uvedemo v novo bazo.
7) Dolo imo vektor pr, ki ga odstranimo iz baze. Vsako komponento vektorja p0 delimo z istoleno
komponento vektorja pk pri tem upotevamo samo pozitivne komponente vektorja pk. Najmanji od
x
x
teh ulomkov : r = min i (ark>0) dolo a vektor pr, ki ga odstranimo iz prvotne baze.
i
ark
aik
8) Vse koeficiente v tabeli transformiramo po transformacijskem zakonu: R'=SR
9) Po transformaciji dobimo novo mono reitev in njej ustrezno tabelo.
10) Ugotovimo, ali je mogo e novo mono reitev e izboljati. Izboljava je mona:
4

 e je v primeru min. namenske funkcije e kak koeficient v zadnji vrstici pozitiven

e je v primeru max. namenske funkcije e kak koeficient v zadnji vrstici negativen
11) e je izboljava mona, iteracijo ponovimo, e pa izboljava ni mona, je dobljena mona reitev
optimalna.
20.
Interpretacija rezultatov linearnega programa (izpisa v POM-u)
prisojene cene
21.
Primarni in dualni program (priredba in povezanost reitev)
kako so reitve povezane: min-max
Vsakemu linearnemu programu je mogo e prirediti drug linearen program. Oba programa sta tako
tesno povezana, da lahko izberemo optimalno mono reitev prvega br, ko poznamo optimalno
mono reitev drugega. Prvotni linearni program se imenuje primarni program, njemu prirejeni pa
dualni program. Programu na min torej priredimo program za max in obratno.
Primarni linearni program dolo iti je treba vrednosti spremenljivk x1, x2,xs, ki zado ajo pogojem
neengativnosti in linearnim neena bam, tako da ima namenska funkcija min.
Dualni program dolo iti je treba vrednosti spremenljivk y1,y2,,ym, ki zado ajo pogojem
nenegativnosti in linearnim neena bam, tako da ima namenska funkcija max.
e ima eden od obeh linearnih programov kon no optimalno mono reitev, jo ima tudi drugi in
ekstremni vrednosti obeh namenskih funkcij sta enaki. e pa eden od programov nima kon ne
optimalne reitve, je drugi protisloven in nima nobene mone reitve.
22.
Normativna teorija odloanja, opisna teorija odloanja
Normativna teorija odlo anja govori o tem, kako naj racionalni odlo evalec oceni zaelenost posledic
preko zastavljenih ciljev in o tem, za katero izmed zastavljenih alternativ se odlo iti, potem ko je e
opredelil svoj model odlo anja.
Opisna teorija odlo anja pa ugotavlja, kako se ljudje v resnici odlo ajo. Izkae se, da je odlo anje
posameznikov pogosto precej druga no od 'racionalnega' (tistega, ki ga dani situaciji priporo a
normativna teorija). Med drugim se ukvarja z vpraanji, v kolikni meri je treba te razlike pripisati
dejavnikom, ki jih model ni zajel in v kolikni meri iracionalnosti odlo evalcev.
23.
Stroga preferenna relacija in njene lastnosti
Odlo evalec zna svoje elje izraziti s pomo jo neke relacije.
ARB  A>B (kadar je za odlo evalca alternativa A bolj zaelena kot alternativa B).
Preferen na relacija ima naslednje lastnosti:
Aksiom A
asimetri nost: e za alternativi A in B velja A>B, potem ni res, da je B>A
Aksiom T
tranzitivnost: e za alternative A, B in C velja A>B in B>C, potem velja tudi
A>C
Strogo-delna urejenost relacija na neki mnoici, ki je asimetri na in tranzitivna
24.
Indeferenna relacija in njene lastnosti
relacija med A in B, kadar med njima ne velja niti A>B niti B>A; odlo evalec se lahko odlo i, da
toda zaveda se njune enakovrednosti. Na ta na in je indiferenca porojena iz stroge preferen ne
relacije.
Lastnosti indireren ne relacije:
Refleksivnost: za vsako alternativo A je A~A
Simetri nost: e za alternativo A in B velja A~B, potem je tudi B~A
Radi bi, da bi bila tudi ta relacija tranzitivna, kar v splonem e ne sledi iz do sedaj privzetih
aksiomov.
Aksiom 1 tranzitivnost indiference: e za alternative A, B in C velja A~B in B~C, potem
velja tudi A~C.
Stroga preferen na relacija in iz nje porojena indiferen na relacija imata naslednje lastnosti:

I. e za neke alternative A, B in C velja A~B in B>C, potem velja tudi A>C.

II. e za neke alternative A, B in C velja A>B in B~C, potem velja tudi A>C.
e veljajo aksiomi A, T, I ekvivalenna relacija (ki je tudi indiferenna relacija). Vedno pa velja
ena relacija: ali B>A ali A>B ali A~B
25.
ibka preferenna relacija in lastnosti L1, L2, L3, L4
AB A je vsaj tako dober kot B; odnosno velja, da B ni bolj i od A.
Poljubna 2 objekta sta primerljiva po tej relaciji stroga sovisnost/univerzalna primerljivost.
ima naslednje lastnosti:
L1~ Univerzalna primerljivost: za poljubni alternativi A in B velja vsaj ena od mo
nosti AB ali BA
L2~ Tranzitivnost: e za neke alternative A, B in C velja AB in BC, potem velja tudi AC.
L3~ Konsistentnost indiference s ibko preferenco: za poljubni alternativi A in B velja A~B natanko
tedaj, kadar velja AB in BA.
L4~ Konsistentnost stroge preference s ibko preferenco: za poljubni alternativi A in B velja AB
natanko tedaj, kadar ni res, da je B>A.
e na neki mo
nosti obstaja relacija, ki je univerzalno primerljiva in tranzitivna, pravimo, da ta
relacija to mno
ic ibko ureja.
26.
Ordinalna vrednostna funkcija (opredelitev, obstoj in enolinost)
ibka preferenna relacija bo izra
ena na ekvivalenten nain s pomojo ordinalnih vrednostnih
funkcij, ki jih bomo vpeljali. Omejili se bomo le na primer, ko imamo konno mnogo alternativ.
Zgled 2.3.1: Direktor eli zaposliti praktikanta. Izbira med A, B, C in D. AD, DB, AB, AC, AD,
CB, CD

Asimetrinost je vidna v tabeli (glede na diagonalo).

Tranzitivnost: s permutacijo elementov mno
ice dose
emo, da so krogci pod diagonalno, kri
ci pa nad
njo.
 kandidati so razvr eni v 3 razrede: A; C in B,D. Indiferenni razredi {A}, {C}, {B,D}
Lastnosti indiferenni razredi imajo naslednje lastnosti:
Za poljubni 2 alternativi A in B velja A~B natanko tedaj, kadar je I(A)=I(B)
Za poljubni 2 alternativi A in B je bodisi I(A) I(B)=0 bodisi I(A)=I(B)
e za neki alternativi A in B velja A>B in je C
I(A) ter D
I(B) potem je tudi C>B
Mno
ica alternativ razpade an paroma disjunktne indiferenne razrede, med katerimi obstaja relacija
stroge preference >, ki jo simbolino zapi emo I(A)>I(B).
Realna funkcija r je ordinalna vrednostna funkcija, ki se ujema s ibko preferenno relacijo Z, e zanjo
velja r(A)v(B) natanko tedaj, ko velja AB
V zgledu smo dobili 3 indif. razrede, ki so opisani na naslednji nain {A}>{C}>{B,D}. Podobno
lahko definiramo indif. razrede vsake ibke preferenne relacije, kar bomo storoili s pomojo
ordinalne vrednostne funkcije.
Imejmo neko realno funkcijo v definiramo na alternativah. Zanjo reemo, da je ordinalna vrednostna
funkcija, ki se ujema s ibko preferenno relacijo Z, e zanjo velja: v(A)v(B) natanko takrat, ko je
AB. Predstavitev ibke preferenne relacije z ordinalno vrednostno funkcijo ima praktine prednosti,
saj so nam realna tevila zelo blizu. Ima pa tudi konceptualne prednosti, saj je celotna relacija
predstavljena s konno mnogo tevili.
Pojem ordinalna pomeni, da je pomembno le to, katera vrednost je veja in katera manj a, ne smemo
pa jih se tevati, raunati,
27.

Intervalna vrednostna funkcija (aksioma U1 in U2)

6

Preferen
ne relacije povedo le katera alternativa je bolj zaelena, ne pa v kakni meri. Za izmero tega
vpeljemo pojem zamenjave. (AB) pomeni, da alternativo B zamenjamo z A. Poleg ibke preference
in alternativah vpeljemo e ibko preferenco na zamenjavah. Takrat velja (AB)z(CD), da je
zamenjava B z A odlo
evalcu vsaj tako ve
kot zamenjava D s C.
Dobro je imeti vrednosti funkcije v, ki se ujema z obema relacijama.

Aksiom U1: ujemanje z relacijo na alternativah. Za poljubni alternativi A in B velja AB
natanko takrat, ko v(A)v(B)

Aksiom U2: ujemanje z relacijo na zamenjavah. Za poljubne alter. A, B, C, D naj velja
(AB) z(CD) natanko takrat, ko velja v(A)-v(B)v(C)-v(D)
Realno funkcijo na alternativah, ki izpolnjuje aksiom U1 samo poimenovali ordinalna vrednostna
funkcija. Kadar funkcija v izpolnjuje oba aksioma U1 in U2, jo imenujemo intervalna vrednostna
funkcija.
28.
Zadostni pogoji za obstoj intervalne vrednostne funkcije (P1, P2, P3, P4, P5, R1, R2)
P1: relaciji  na alternativah in z na zamenjavah sta univerzalno primerljivi in tranzitivni, zato
pravimo, da sta ibki preferen
ni relaciji na alternativah oz na zamenjavah.
P2: za poljubni alternativi A in B velja AB natanko tedaj, ko velja (AB) z (CD)
P3: za poljubne alternative A, B, C, D velja (AB) z (CD) natanko tedaj, ko velja
(DC) z (BA)
P4: za poljubne alt. A, B, C, D, E, F iz dejstva, da je (AB) z (DE) in (BC) z (EF) SLEDI,
da je (AC) z (DF).
P5: za poljubno alt. B v standardnem zaporedju velja, da obstaja kve
jemu kon
no mnogo
lenov Ak
z lastnostjo BzAk
Pogoja reljivosti:
R1: za poljubne alt. B, C, D obstaja taka alt. A, da velja (AB) ~z (CD)
R2: za poljubni alt. A, C obstaja taka alt. B, da velja (AB) ~z (BC)
e ibki preferen
ni relaciji zado
ata zadostnim pogojem od P1 do P5 in pogojema reljivosti R1,
R2, tedaj obstaja intervalna vrednostna funkcija, ki se z njima ujema.
29.
Pozitivna afina transformacija intervalne vrednostne funkcije
Funkcije oblike f ( x) =
x +  pri
> 0 imenujemo pozitivna afina transformacija. e sta poleg
zadostnih pogojev od P1 do P5 izpolnjena e pogoja reljivosti R1 in R2, potem je intervalna
vrednostna funkcija enoli
na do pozitivne afine transformacije. Pravimo, da so pozitivne afine
transformacije dopustne transformacije intervalnih vrednostnih funkcij.
30.
Tabela odloanja
je na
in shemati
nega prikazovanja rezultatov predhodne analize odlo
anja.
Vse dejavnike, ki vplivajo na opazovani pojav, razdelimo na 2 skupini:
(1) dejavniki, na katere lahko odlo
evalec vpliva. Med te dejavnike opredelimo alternative/izbire.
(2) v (2) pa so zunanji dejavniki (stanja narave), na katere ne moremo vplivati, imajo pa posledice na
rezultat njegovih odlo
itev. Ti dejavniki pa dolo
ajo stanja.
Alternative morajo biti opredeljene tako, da so izbire lahko le izklju
ujo
e in vseobsegajo
e (ni
alternativ, ki ne bi bile vklju
ene v model).
Pri dolo
itvi stanj pa morajo biti upotevani vsi tisti dejavniki opazovanega problema odlo
anja, na
katere odlo
evalec nima vpliva. Stanja morajo biti dolo
ena tako, da se zgodi natanko eno stanje.
Stanje, ki se v resnici zgodi, imenujemo resni
no stanje. V teoriji verjetnosti re
emo, da tvorita
mnoica alternativ kot mnoica stanj popolni sistem dogodkov.
V tabeli odlo
anja so alternative/izbire vrstice tabele; stanja pa so stolpci. Za vsako alternativo in
vsako stanje vpiemo v tabelo posledico te alternative v tem stanju.
Vijposledice alternative Ai, ko se zgodi Sj, za i=1,2,,m in j=1,2,,n (predpostavljamo, da so
tevila intervalne vrednostne funkcije. Posledice so odvisne od sprejetih odlo
itev in stanja, ki
dejansko nastopi. Izkaejo se lahko tevilsko ali opisno.
7

31.
Odloanje v gotovosti, odloanje s tveganjem, odloanje v popolni negotovosti

Kadar je stanje eno (n=1), je odlo anje bolj enostavno, kot v primeru n>1, saj odlo evalec to no
ve posledice odlo itve.  odlo anje v gotovosti.

V splonem je stanj ve in tvorijo popoln sistem dogodkov. V primeru, da je odlo evalec pozna
verjetnost stanj (P(sj)), pravimo, da gre za odlo anje s tveganjem. Ker menimo, da so posledice
odlo itev izraene z vrednostmi, dobljenimi s pomo jo intervalne vrednostne funkcije, lahko
n

izra unamo pri akovano vrednost i-te alternative Ai =
Vij P( s j ) .

j =1

Obi ajno je v tem primeru vredn. funk. Neka uporabnostna funkcija (pri akovana vrednost je
pri akovana uporabnost). V tem primeru se odlo imo za tisto alternativo, pri kateri je ta pri akovana
uporabnost najve ja.

Najteji pa so problemi odlo anja v popolni negotovosti. V tem primeru je stanj ve in o tem,
katero stanje se bo uresni ilo, nimamo nobenih informacij (poznamo 4 kriterije za odlo anje):
32.
Waldov kriterij maksimalno minimalnega vra ila
Poi emo v vsaki vrstici tabele odlo anja (za vsako alternativo) element z najmanjo vrednostjo
(vra ilom). Potem pa se odlo imo za tisto vrstico/alternativo, pri kateri je ta element najve ji. To je
najve je izmed najmanjih vra il oz maksimalno minimalno vra ilo. Stopnja varnosti alternative Ai.:
pesimistien (upoteva le, kar je slabega)
S i = min Vij  S k = max S i
j =1,..., m

i =1,..., m

33.
Hurwiczev kriterij (krit. S Hurwiczovim optimisti no pesimisti nim indeksom)
Minimizirati najve jo izgubo je preve pesimisti no, max najve ji dobi ek pa je preve optimisti no.
Odlo evalec izbere svoj optimalni pesimisti ni indeks 
[0,1] , s katerim se bo postavil nekam med
oba ekstrema. e je Oi najve ji, Si pa najmanji element i-te vrstice tabele odlo anja, potem
odlo evalec po H kriteriju maksimizira S i + (1
 )Oi po vseh i (alternativah).
Stopnja optimizma alternativ Ai: Oi = max Vij . Pri danem indeksu
bo po H izbrana alternativa Ai,
j =1,..., n

pri katerem je S K + (1
 )Ok = max[S i + (1
 )Oi ] .

i =1,..., m

H kriterij ima prednost pred W, da lahko pri njegovi uporabi s spreminjanjem optimisti no
pesimissti nega indeksa vplivali na to, v koliki meri je optimisti en oz pesimisti en.
34.
Savagev kriterij minimalno maksimalnega obalovanja
Vsaki tabeli odlo anja priredimo tabelo obalovanj po pravilu, da vsak 'dobi ek' v nekem okencu
prvotne tabele odlo anja odtejemo od najve jega 'dobi ka' v istem stolpcu. Tako dobljeno tevilo
pomeni, koliko bi izgubili, e bi se odlo ili za alternativo, ki jo dolo a ta vrstica in bi se zgodilo
stanje, ki ga dolo a ta stolpec, v primerjavi z najve jim monim dobi kom istega stanja. Obalovali
bomo torej zamujeno prilonost (razlika med najve jim monim dobi kom v tem stanju in naim
dejanskim dobi kom). Wi = max Vij  najve ja izmed vrednosti stanja Sj. Najve je obalovanje:
i =1,..., m

i = max rij  izberemo alternativo Ak, pri kateri
k = min
i

j =1,..., n

i =1,..., m

35.
Laplaceov kriterij enakega verjetja
Izra unamo povpre je vsake vrstice tabele odlo anja, potem pa se odlo imo za vrstico/alternativo, pri
kateri je to povpre je max. To je verjetno najstareji kriterij odlo anja, zasnovan na predpostavki, da
je to, da o stanju ni esar ne vemo, enakovredno s tem, da so vsa stanja enako verjetna. Kriterij:
1 n
t i =
Vij  izberemo alternativo Ai, kjer je t , = max t i
i =1,..., m
n j =1
36.

Aksiomi racionalnega odloanja, lastnosti tirih kriterijev

8

Lastnosti, za katere elimo, da jih izpolnjujejo kriterij odlo anja ~ aksiomi racionalnega odlo anja:
1) Razvrstitev alternativ: kriterij razvrsti alternative od najbolj do najmanj zaelene, pri emer
dopu a monost, da je ve alternativ razvr enih na isto mesto.
2) Neodvisnost od tabele: e stanja ali alt. vpiemo v tabelo v kakem drugem vrstnem redu, potem
mora dati kriterij smiselno isti rezultat.
3) Neodvisnost od vrednostne lestvice: e vsem vrednostim v tabeli pritejemo isto konstanto ali jih
pomnoimo z isto pozitivno konstanto, potem mora dati kriterij iste rezultate
4) Stroga dominantnost: e je pri dveh alt./vrsticah tabele vrednost v eni vrstici ve ja od vrednosti v
drugi in v vseh stolpcih hkrati, potem mora kriterij razvrstiti prvo od teh dveh alternativ pred drugo.
5) Neodvisnost od irelavantnih alternativ: dve tabeli odlo anja se razlikujeta le po tem, da je v drugi
ena alternativa ve kot v prvi. Tedaj mora kriterij odlo anja rangirati v obeh primerih vse ostale
alternative enako.
6) Neodvisnost od pritevanja konstante k stolpcu: e k vsem vrednostim nekega stolpca tabele
odlo anja pritejemo isto konstanto, potem mora kriterij rangirati alt. enako kot prej.
7) !!! Neodvisnost od permutacije vrstice: e so v neki tabeli v 2 vrsticah iste vrednosti, eprav v
prenesenem/permutiranem vrstnem redu, mora kriterij odlo anja obe vrstici rangirati enako.
Neodvisnost od ponovitve stolpca: e v neki tabeli enega od stolpcev ponovimo, mora kriterij vse alt.
rangirati enako kot prej.
Prvih 6 lastnosti je primernih za vsako odloitveno pravilo, ne glede ali se uporablja v popolni
negotovosti ali ne. 7 in 8 predstavljata poizkus karateriziranja okoliin popolne negotovosti.
Vsi 4 kriteriji zadoajo prvim 4 aksiomom.Vendar Savagev ne izpolnjuje 5, 7; Hurwiczev ne 6;
Waldov ne 6; in Laplacev ne 8
37.

Ali obstaja kriterij odloanja v popolni negotovosti, ki zadoa vsem 8 aksiomom

racionalnega odloanja? (izrek 3.4.1) ne
Izrek 3.4.1: V popolni negotovosti ne obstaja krit., ki bi zado al vsem 8 aksiomom rac. odlo anja. Ta
rezultat nas vzpodbudi k premisleku o pravilnosti privzetka vseh 8 lastnosti/aksiomov. Tudi po
ponovnem premisleku prvi 4 aksiomi niso vpraljivi. ele pri 5. se prvi pojavijo dvomi
38. ENOSTAVNA LOTERIJA, SESTAVLJENA LOTERIJA, POMONI EKSPERIMENT:
Vpeljimo pojem loterije (v ojem pomenu besede). To bo vsaka porazdelitev verjetnosti po kon no
mnogo zadetkih. Mnoico vseh zadetkov bomo ozna ili z X = {x1, x2, . . ., xn}. Tipi no loterijo lahko
predstavimo z zapisom l = <p1, x1; p2, x2; . . . ; pn, xn >, kjer je 0 <= pi <=1 verjetnost za zadetek xi
za i =1, 2, . . ., n, torej je vsota vseh p-jev enaka 1. Fiksirajmo mnoico zadetkov X in si oglejmo vse
loterije s temi zadetki. Loterijo na teh zadetkih, kot smo jo opredelili v ojem pomenu te besede,
poimenujemo tudi enostavna loterija.
Sestavljene loterije so loterije oblike <q1, l1; q2, l2; . . . ; qm, lm> kjer je qi verjetnost za zadetek li, ki
pomeni vstop v loterijo li za i=1,2, . . . , m. Seveda je spet 0 <= qi <=1 za i =1, 2, . . ., m in vsota vseh
q-jev je enaka 1.
Tvegana alternativa. Z verjetnostjo p se zgodi posledica x1 (najbolja monost), z verjetnostjo 1- p
pa posledica xn (najslaba monost). Tu opisani tvegani alternativi pravimo pomoni eksperiment in
jo ozna imo z x1 p xn.
39. Uporabnostna funkcija na mnoici L (aksioma UF1, UF2)
Aksiom UF1. (Ujemanje z relacijo na loterijah) Za poljubni l1 in l2 iz L velja l1>=l2 natanko tedaj,
kadar je u(l1)>=u(l2).
Aksiom UF2. (Formula o matemati nem upanju) Za poljubno loterijo l = <p1, l1; p2, l2; . . . ; pm,
lm> velja
m

u(l)=
p i u (l i ) .
i =1

40. Zadostni in potrebni pogoji za obstoj uporabnostne funkcije na mnoici L (VNM1, VNM2,
VNM3, R, N)
Aksiom VNM1. (Preference na loterijah) Mnoico L ureja neka ibka preferen na relacija.
Aksiom VNM2. (Neodvisnost loterij) e za l1
L in l2
L velja l1 < l2, potem velja l1 q l3 < l2 q
l3 za vsako tevilo q strogo med 0 in 1 neodvisno od izbire l3
L.
Aksiom VNM3. (Arhimedska lastnost na loterijah) e za l1, l2, l3
L velja l1<l2 in l2 < l3, potem
obstajata taki tevili p in q strogo med 0 in 1, da je l1 p l3 < l2 in l2 < l1 q l3 .
Aksiom R. (Redukcija loterij) Izidi loterije l = <q1, l1; q2, l2; . . . ; qs, ls> naj predstavljajo vstope v
loterije, ki so enakovredne naslednjim enostavnim loterijam lj = <pj1, x1; pj2, x2; . . . ; pjn, xn >, za j
= 1, 2,...,s. Naj za enostavno loterijo l' = <p1, x1; p2, x2; . . . ; pn, xn > velja pi = q1 p1i + q2 p2i +
+
qs psi za i=1,2,...,n. Tedaj mora biti l ~ l'.
Aksiom N. (Neindiferentnost) Med zadetki obstajata taka zadetka xi in xj, da je xi < xj.
41. Strateko ekvivalentni uporabnostni funkciji
Naj bosta u in v uporabnostni funkciji na mnoici L. Zanju re emo, da sta strateko ekvivalentni,
kadar predstavljata isto preferen no relacijo. To pomeni, za poljubni loteriji l, l'
L velja, da je u(l)
>= u(l') natanko tedaj, kadar je v(l) >= v(l').
Pod pogoji VNM1, VNM2, VNM3, R in N sta dve uporabnostni funkciji na L strateko ekvivalentni
natanko tedaj, kadar obstaja med njima pozitivna afina transformacija.
50. Uporabnostna funkcija za dve vzajemno uporabnostno neodvisna kriterija
(izrek 5.1.4.).
Naj bosta X in Y vzajemno uporabnostno neodvisna in naj bo u(x, y) uporabnostna funkcija na X  Y .
Tedaj za poljubna x0  X in y0  Y obstaja taka konstanta k, da velja
u(x, y) = u(x0, y0) + (x) +
(y) + k (x)
(y)

(5.1.1)

kjer je (x) = u(x, y0)
u(x0, y0) in
(y) = u(x0, y)
u(x0, y0).
Funkcija (x) je robna uporabnostna funkcija kriterija X, saj je strateko ekvivalentna funkciji u(x, y0)
. Funkcija
(y) je strateko ekvivalentna funkciji u(x0, y), torej je robna uporabnostna funkcija
kriterija Y.
Zapiimo zdaj izraz (5.1.1.) e nekoliko druga e. Odtejmo u(x0, y0) na obeh straneh, pomnoimo s
konstanto k in pritejmo 1, da dobimo
1+ k (u(x, y)
u(x0, y0)) = (1 + k (x)) (1 + k
(y)).
Loimo tri primere:
1. e je konstanta k strogo pozitivna, je
w(x, y) = 1 + k (u(x, y)
u(x0, y0))
k funkciji u(x, y) strateko ekvivalentna uporabnostna funkcija, funkcija w1(x) =1 + k(x) je robna
uporabnostna funkcija kriterija X, funkcija w2(y) = 1 + k
(y) je robna uporabnostna funkcija kriterija
Y in velja
w(x, y) = w1(x) w2(y).
2. e je konstanta k strogo negativna, je uporabnostna funkcija
w(x, y) =
(1 + k (u(x, y)
u(x0, y0)))
strateko ekvivalentna k funkciji u(x,y), funkcija w1(x) =
(1 + k (x)) je robna uporabnostna funkcija
kriterija X, funkcija w2(y) =
(1 + k
(y)) je robna uporabnostna funkcija kriterija Y in velja
w(x, y) =
w1(x) w2(y).
3. e pa je konstanta k enaka 0, je funkcija
w(x, y) = u(x, y)
u(x0, y0)
10

strateko ekvivalentna k funkciji u(x,y), funkcija w1(x) = (x) je robna uporabnostna funkcija kriterija
X, funkcija w2(y) = (y) je robna uporabnostna funkcija kriterija Y in velja
w(x, y) = w1(x) + w2(y).
V prvih dveh primerih re emo, da je uporabnostna funkcija multiplikativna, v tretjem pa, da je
aditivna. V splonem pa lahko re emo, da je uporabnostna funkcija po dveh vzajemno neodvisnih
kriterijih vselej bodisi multiplikativna bodisi aditivna.
51. Linearna vrednostna funkcija. Opredelitev in pogoji!
Za vrednostno funkcijo v, definirano na P (pravokotnik v ravnini), pravimo, da je linearna vrednostna
funkcija, e je oblike
v(x) = w1 x1 + w2 x2 + + wq xq,
kjer so w1, w2, , wq neni elne konstante, ki jim re emo utei. Ta funkcija opredeljuje neko
preferen no relacijo na P. V tem primeru so kriteriji vzajemno preferen no neodvisni in so vse robne
preferen ne urejenosti spet podane z linearnimi vrednostnimi funkcijami.
Rekli bomo, da se i-ti in j-ti kriterij konstantno relativno kompenzirata, e obstaja taka konstanta
ij,
da velja
(x1, , xi, , xj, , xq )  (x1, , xi +
ij k, , xj
k, , xq ) ,
za vse x  P in za vsak k. To pomeni: e se vrednost j-tega kriterija zmanja za tevilo k, se to
zmanjanje lahko kompenzira s pove anjem vrednosti i-tega kriterija za tevilo
ijk. tevilu
ij
re emo kompenzacijski faktor.
Kompenzacijski faktorji v linearni vrednostni funkciji so

ij =

wj
wi

11

Zanje velja:
1. Za vse i, j je ij ji = 1.
2. Za vse i, j, l je il = ij jl .
e se poljubna dva kriterija konstantno relativno kompenzirata, potem so indiferen ne krivulje v
dveh razsenostih vzporedne premice, v treh pa vzporedne ravnine.
Eksistenco linearne vrednostne funkcije zagotavljajo naslednji trije pogoji:
Aksiom LIN1. Mnoico alternativ P = q ureja ibka preferen na relacija f .
~

Aksiom LIN2. Poljubna dva kriterija se konstantno relativno kompenzirata.

Aksiom LIN3. (Monotonost) Obstaja taka alternativa x f (0, 0, , 0), da za vsak
~

y  P in vsak  > 0 velja y +  x f y.

~

Izrek 5.2.1. Na mnoici alternativ P = q obstaja linearna vrednostna funkcija usklajena s

preferen no relacijo f natanko tedaj, kadar veljajo aksiomi LIN1, LIN2 in LIN3.
~

52. Enolinost linearne vrednostne funkcije in standardna oblika.

Linearne vrednostne funkcije so enoli ne do podobnostnih transformacij. Tako pravimo vsaki realni
funkciji oblike (x) =
x, kjer je
> 0.
Trditev 5.2.2. Dve linearni vrednostni funkciji
q

v(x) =

w x

i i

in

v(x) =

wx

i i

i =1
i =1
se ujemata z isto preferen no relacijo
natanko takrat, kadar
obstaja tak
> 0, da je v(x)=
v(x),
oziroma ekvivalentno, kadar je wi =
wi za vse i=1, 2, , q.
Z izbiro tevila
lahko doseemo, da ima eden od kriterijev, recimo prvi, ute +1 ali
1. S tem
pogojem je linearna vrednostna funkcija povsem enoli no dolo ena, zato v tem primeru pravimo, da
ima standardno obliko.

53. Skupinsko odloanje in drubena izbira.

Gre za to, kako lahko v neki skupini ljudi iz hotenja posameznikov pridemo po im bolj pravi ni poti
do odlo itve cele skupine.

Skupine navadno odlo ajo preko neke vrste glasovanja. Med modeli skupinskega odlo anja je
najpogosteje uporabljano naelo enostavne veine. Po tem na elu pogosto odlo ajo poslovni
odbori velikih podjetij ali drutev, uporabljajo ga v parlamentih in e marsikje. Delovanje
najlaje razloimo na preprostem primeru.
Zaradi enostavnosti izraanja vpeljimo nekaj pojmov. Vsem posameznikom v skupini, ki o
em odlo a, recimo volivci.

Druga monost je, da za poljubni dve alternativi obvelja relacija za skupino natanko tedaj,
kadar glasuje za to relacijo ve lanov skupine, kot za nasprotno. Kadar obstaja alternativa, ki
jo v primerjavi z vsako drugo alternativo ocenjuje ve ina volivcev kot boljo, ji re emo
Condorcetov zmagovalec. Ta ne obstaja vselej.

Condorcetov paradoks je verjetno eden od glavnih razlogov, zakaj pojma enostavne ve ine
navadno ne posploujemo na ta na in. Eden od na inov, ki se uporablja, je glasovanje po
parih z izloanjem. To pomeni, da najprej izberemo dve alternativi ter glasujemo med njima,
nato pa zavremo tisto, ki je dobila manj glasov, ''zmagovalko'' primerjamo s tretjo itd.
12

V politi
nem odlo
anju so zelo popularne dvokrone volitve. V prvem krogu volitev zmaga
alternativa, ki je najbolj ve
ve
ini, torej ve
kot polovici volivcev. e take alternative ni, se v
drugem krogu pomerita le tisti dve alternativi, ki sta dobili najve
glasov v prvem krogu. Tudi
ta metoda ni brez pomanjkljivosti

Metoda vrstinih vsot: Bordovo tetje Privzamemo, da noben volivec ni indiferenten med
nobenima dvema alternativama. Ideja je v tem, da vsak volivec vse alternative, med katerimi
se odlo
a, uredi povrsti, pravimo, da jih rangira. Vsak rang, to je zaporedno tevilo alternative
v tej ureditvi od najbolj do najmanj zaelene, pa da alternativi dolo
eno tevilo to
k. Ti rangi
se potem setejejo in zmaga tista alternativa, ki ima najmanjo vsoto to
k. Eden od glavnih
problemov tega pravila je, da je njegov rezultat odvisen od izbora alternativ, ki smo jih vzeli v
obzir.

Poskusi izboljanja volitvenih postopkov: Nansenov in Coombov algoritem V obzir vzamemo

najprej vse mone alternative. Volivci jim dolo
ijo range, nato pa v Nansenovem algoritmu
izlo
imo tiste alternative, ki imajo najve
jo vsoto rangov, v Coombovem pa tiste, ki jih najve

volivcev uvrsti na zadnje mesto. Zdaj ponovimo ta postopek na preostalih alternativah. Zmaga
tista alternativa, ki ostane neizlo
ena. Potem ko pridemo do "zmagovite" alternative, celotni
postopek ponovimo na preostalih. Tako dobimo drugo alternativo, itd.

58.Sr funkcije veta: e pri neki alternativi B obstaja neka potencialna koalicija K volivcev, z mo
jo
k in neka podmnoica alternativi A', z mo
jo w(k), za katero velja, da je za vsako alternativo A
A'
in za vsakega volivca i
K izpolnjeno a>iB, potem ima ta potencialna koalicija mo
veta, s katero
lahko izlo
i vsako alternativo, ki ni A', med drugi tudi alternativo B. Vse tiste alternative za katere
taka potencialna koalicija in taka druina alternativ ne obstajata pa uvrstimo v sr funkcije veta. Za
neko funkcijo ne vemo ali ima neprazno sr, za proporcionalno funkcijo veta pase izkae, da njena
sr vselej neprazna. Sr je neprazna natanko tedaj, kadar je navzgor omejena s proporcionalno
funkcijo veta le-ta je torej tudi optimalna funkcija veta, saj daje vsaki koaliciji najve
je mono t.
Pravic do veta, ki nas e zmerom privede do neprazne mnoice alternativ, za katere veto ni bil
uporabljen.
59. in 6o. Igra: model neke konfliktne situacije/dogajanja, v katerem so posledice odvisne od
odlo
itev udeleencev igre, lahko tudi zunanjih dejavnikov. Privzamemo da so igralci racionalni
odlo
evalci. Vsak ocenjuje posledice igre s svojo preferen
no relacijo. Strateka igra (mat model
konfliktne situacije). Mnoica igralcev N={1,2n}, z mnoico alternativ 1 ozna
imo mnoico
alternativ i-tega igralca za i
N. Ko igrallec iz mnoice alternativ izbere eno Ai nastane profil izbora
A=(A1,A2An), oznaka A=(Ai)i
N. Mnoica vseh profilov izbora je  in je enaka kartezi
nemu
produktu (A1A2An) mnoic alternativ posameznih igralcev. Igra je kon
ana, ko je mnoica
profilov izbora kon
ana. Za vsak profil izbora A
 pri poljubnem i
N vpeljemo oznako Ai=(Aj)j
N{i}. To je zoeni profil izbora (izpustimo alternativo Ai). Profil izbora A*
, za katerega
velja ui(A*)>=ui(A*-i,B) za vse B
i in vsak i
N, poimenujemo rvnoteni profil. Velja, da noben
igralec ne more samo z zamenjavo svojega izbora alternative spremeniti tako, da bi mu bila posledica
potem ve
.
Razlika med p. odlo
anja vs. Strateke igre: v p.o. je rezultat odvisen od odlo
eval
eve alternative in
morebitnih zunanjih dejavnikov, pri s.i. pa so posledice poleg obojega odvisne od odlo
itev vseh
drugih igralcev.
61. ={A1,An} mnoica alternativ 1. igralca in ={B1,Bn} mn. alternativ 2. igralca. Profili
izbora oz. posledice so dvojice (Ai,Bj) za i=1,2m in j=1,2n. Za vsako posledico poznamo
uporabnost posledice za prvega igralca u(Ai,Bj) in drugega u(Ai,Bj). Uporabnosti zapiemo v
uporabnostno matriko:
13

U= napii na roko
Ker je za uporabnostno matriko igra natan
no dolo
ena, imenujemo kon
ne antagonisti
ne strateke
igre med dvema igralcema kar matrine igre.

Operacijske raziskava; odgovori na vpraanja 62 65.

62. Sedlo matrine igre, uporabnost matrine igre ali vrednost matrine igre.
Profil (A*, B*), pri katerem je

u ( A , B  ) = max min u ( Ai , B j ) = min max u ( Ai , B j ) ,

Ai
A B j
B

B j
B Ai
A

to imenujemo sedlo matrine igre.

Primer: Matri
na igra je podana s pla
ilno matriko

2 1 5
2 6 1  .


3 5 4
V tej igri so dobi
ki prvega igralca hkrati izgube drugega igralca. Vsak od teh igralcev ima na izbiro
tri alternative. e na primer igralec 1 izbere svojo tretjo alternativo (tretjo vrstico) in igralec 2 izbere
svojo drugo alterantivo (drugi stolpec), pla
a drugi igralec prvemu 5 d.e. Uporabimo Waldov kriterij
za prvega igralca. Minimalna vrednost prve vrstice je 1, druge 1 in tretje 3. Najve
ja od teh vrednosti
je 3, doseena na se
i
u tretje vrstice s prvim stolpcem. Uporabimo Waldov kriterij e za drugega
igralca. Po stolpcih so najve
je vrednosti po vrsti 3, 6 in 5. Najmanja od teh vrednosti je 3, doseena
na se
i
u tretje vrstice s prvim stolpcem. To je torej primer igre s sedlom z vrednostjo igre 3. Z
izborom tretje vrstice si igralec 1 zagotovi, da bo dobil vsaj 3 d.e., z izborom prvega stolpca pa si
igralec 2 zagotovi, da ne bo izgubil ve
kot 3 d.e. V tej igri torej igralca zlahka najdeta optimalni na
in
igre, to je ravnoteni profil.
Kadar ima matri
na igra sedlo (A*,B*), imenujemo vrednost u(A*,B*) uporabnost matrine igre ali
vrednost matrine igre.

63. Izrek o minimaksu.

Pokazali smo, da je vsak ravnoteni profil matri
ne igre tudi njeno sedlo. Izkae se, da to velja tudi v
obratni smeri. Temu spoznanju pravimo izrek o minimaksu:
Izrek 2.1. Za matri
no igro velja:
1. e ima igra ravnoteni profil, potem je vsak njen ravnoteni profil tudi njeno sedlo.
2. e ima igra sedlo, potem je vsako njeno sedlo tudi njen ravnoteni profil.
64.Meana raziritev matrine igre.
Nova igra je v nekem smislu raziritev prvotne matri
ne igre. Prvotni alternativi prvega igralca AiA
ustreza med meanimi strategijami ''neprava'' porazdelitev, opredeljena s pi = 1 in pj = 0 za j  i. Tem
strategijam pravimo iste strategije za razliko od ''resni
no'' meanih strategij. Analogno vpeljemo
pojem
istih strategij drugega igralca. Tako smo mnoico alternativ A razirili do mnoice novih
alternativ prvega igralca P(A), mnoico B pa do mnoice P(B). Funkcijo u, ki je kot uporabnostna
funkcija prvega igralca definirana na A x B, smo razirili do funkcije u(p, q) = E(u | p,q), ki je
definirana na P(A)x P(B). Na
istih strategijah se uporabnost profila izbora ujema z uporabnostjo
neposrednega izida. Nova strateka antagonisti
na igra je torej raziritev prvotne, zato ji pravimo
meana raziritev matrine igre.
14

65. Strateki ravnoteni profil, izrek 2.3. oz. 7.5.

Poljubni matri ni igri smo priredili njeno meano raziritev. e ima ta meana raziritev ravnoteni
profil, ga imenujemo strateki ravnoteni profil matri ne igre.
Izrek 2.3. Vsaka matri na igra ima strateki ravnoteni profil.
Dokaz.
Lema (pomoni izrek) 2.2.
1.
Vsaka linearna preslikava je hkrati konveksna in konkavna funkcija.
2.
Uporabnostna funkcija u(p, q) = pTU q je zvezna, kvazikonkavna in kvazikonveksna.
3.

Mnoica P(A) je neprazna, konveksna, zaprta in omejena podmnoica m. Mnoica P(B) je

neprazna, konveksna, zaprta in omejena podmnoica n.

Po tretji to ki leme sta mnoici alternativ obeh igralcev v meani raziritvi matri ne igre neprazni,
konveksni, zaprti in omejeni podmnoici m oziroma n. Po drugi to ki leme je uporabnostna
funkcija prvega igralca u kvazikonkavna in zvezna. Uporabnostna funkcija drugega igralca je enaka -u
in je prav tako zvezna. Ker je po drugi to ki leme funkcija u tudi kvazikonveksna, je funkcija -u
kvazikonkavna. Zato lahko uporabimo izrek 1.1, po katerem ima meana raziritev obravnavane igre
ravnoteni profil.

15