II KOLOKVIJUM IZ POSLOVNOG ODLUCIVANJA

13. DRVO ODLUCIVANJA I SEKVENCIJALNO ODLUCIVANJE

Drvo odlucivanja predstavlja zapravo graficku interpretaciju analiza odlucivaja bez uzorkovanja I
analize odlucivanja sa uzorkovanjem. Drvo odlucivanja ima svoj teorijski I prakticni znacaj I ono
je veoma vazno za modeliranje problema sekvencijalnog odlucivanja. Da bi se objasnilo
sekvencijalno odlucivanje, prvo treba predstaviti tehniku drveta odlucivanja.
-Drvo odlucivanja u slucaju bez uzorkovanja
Drvo odlucivanja pocinje prvim cvorom granjanja, koji se oznacava kvadratom I naziva se cvor
odlucivanja. Na tom mestu donosilac odluke vrsi izbog izmedju raspolozivih akcija. Akcije su
predstavljenje granama na cijim krajevima se nalaze cvorovi mogucnosti, koji se obelezavaju
krugom. Mogucnosti postoje za sve akcije, koje se odnose na odigravanje nepoznatih stanja
prirode. Koliko postoje stanja prirode, iz svakog cvora ce izaci toliko grana. Na krajevima tih
grana nalaze se odgovarajuce vrednosti iz tabele zaljenja, dok su iznad navedene verovatnoce
stanja prirode. Izracunavanje se vrsi u povratnom smeru. Za svaki cvor mogucnosti racuna se
ocekivano zaljenje, kao suma vrednosti zaljenja I verovatnoca.
-Drvo odlucivanja u slucaju sa jednim uzorkovanjem je prelazna etapa ka sekvencijalnom
odlucivanju. Ovde se preko jednog uzorkovanja prikupljaju dodatne informacije I primenjuje
Bayesova teorema. Ovde postoji akcija koja podrazumeva uzorkovanje. Ako je OZ bar jedne
akcije manja od samih troskova uzorkovanja, onda je ta akcija uvek povoljnija od onih koje bi se
dobile uzorkovanjem. Tada uzorkovanje ne bi imalo smisla. DODAJ JOS NESTO OVDE
-Sekvencijalno odlucivanje podrazumeva vrsenje niza uzastopnih uzorkovanja sve dok
donosilac odluke u nekom momentu ne bude zadovoljan prikupljenim informacijama ili do
momenta kada troskovi uzorkovanja premase korist. Uzorkovanje teoretski moze beskonacno
mnogo puta da se ponavlja. To u praksi cesto nije potrebno. Zbog toga postoji pravilo
zaustavljanja koje kaze da uzorkovanje ne treba vrsiti ukoliko na bilo kom delu drveta postoji
akcija cije je ocekivano zaljenje manje od troskova uzorkovanja.

14. POJAM RIZIKA

Rec rizik je potice od reci rissiko koja je italijanskog porekla,I od reci risique koja je francuskog
porekla. One imaju vise znacenja. Mnogi autori su definisali pojam rizika I neki od njih su
* Willet – Rizik je objektivizirana neizvesnost koja se po pravilu odigrava kao zbijanje
nepozeljnog dogadjaja
* Knight –Rizik je merljiva neizvesnost
* Denenburg – Rizik je neizvesnost gubitka, odnosno zaljenja.
Neizvesnost se moze meriti subjektivno I objektivno. Na procene ne treba gledati iskljucivo
kriticki, kao I na izvor subjektivnosti u postupku odlucivanja, vec ove procene mogu u sebi da
sadrze I pozeljne elemente kao sto su intuicija, iskustvo, kreativnost, domisljanost donosioca
odluke.
Rizik obuhvata dve osnovne komponente:
1. Nezeljeni gubitak ili posledica
2. Neizvesnost u odigravanju posledica.
Rizik je mogucnost realizacije nezeljene posledice nekog dogadjaja. Postavljanjem pitanja “Koliki
je rizik?” zapravo su postavljena tri pitanja a to su:
1. Sta se moze dogoditi?
2. Koliko se to cesto desava?
3. Kakve su posledice ukoliko se to dogodi?
Rizik se najbolje utvrdjuje preko dve velicine: verovatnoce pojave nekog stetnog dogadjaja I
ozbiljnosti posledica tog dogadjaja.
R(T)=P(T)*C(T) , gde je:
T- rizicni dogadjaj,
R- rizik od stetnog dogadjaja T,
P- verovatnoca pojave stetnog dogadjaja T,
C- posledica pojave stetnog dogadjaja T.
15. POSTUPAK ANALIZE RIZIKA
Analiza rizika obezbedjuje logicku, kvantitativnu procedure za procenu neizvesnosti I evaluaciju
raspolozivih alternative odlucivanja. Postupak analize rizika sastoji se iz sledecih 7 koraka:
1. Identifikovanje kriterijumske promenljive I relevantnih promenljivih koje uticu na nju
Na bazi verovatnoce kriterijumske promenljive, vrsi se evaluacija projekta. Primeri za
kriterijumske promenljive mogu biti: ekonomska mera povracaja ulozenih sredstava, ukupni
troskovi, zarada po akciji itd. U poslovnom odlucivanju najcesce se desava da na kriterijumsku
promenljivu utice veci broj faktora. Zbog toga je potrebno identifikovati I ove relevantne
promenljive. One nose neizvesnost, pa ih treba posmatrati kao slucajne promenljive. Zbog
jednostavnostavnosti, te promeljive se uzimaju kao nezavisne.
2. Opis mogucnosti merenja svih promenljivih
Merenje promenljivih moze biti kvantitativno ili kvalitativno, sto zavisi od same prirode velicine
koja se meri. Kvantitativne promenljive se mogu iskazati nekom brojnom vrednoscu, kao sto su
razni troskovi, broj zaposlenih I slicno. Kvalitativne promenljive ne mogu da se iskazu preko
brojeva, npr. Kvalitet promocije, kvalitet proizvoda I slicno. Kod kvalitativnih promenljivih se
primenjuju odgovarajuce skale.
3. Ispitivanje I ustanovljanje veza zavisnosti – nezavisnosti izmedju promenljivih
Kriterijumska promenljiva zavisi od promenljivih, izmedju kojih se moguce ustanoviti
funkcionalnu zavisnost. Ako je kriterijumska funkcija ekonomska mera povecanja, tada moze da
vazi sledeca relacija EMP = f. Ako su sve promenljive sa desne strane izraza medjusobno
nezavisne, onda se raspodela verovatnoce EMP odredjuje bez vecih problema. Pri tome se
koriste raspodele verovatnoca promenljivih I primenjuju razne metode. Problemi mogu nastati
u slucaju da sun eke od promenljivih medjusobno zavisne. Tada je odredjivanje raspodela
znatno komplikovanije. Tada se postavlja pitanje Kako se zna da li je neka promenljiva nezavisna
od ostalih? To se odredjuje statisticki, preko koeficijenata korelacije: ako on ima vrednost blisku
nuli, onda se analizirane promenljive mogu posmatrati kao nezavisne. Da bi se mogli izracunati
svi koeficijenti korelacije, neophodno je raspolagati podacima za vrednosti promnljivih iz
proslosti.
4. Ocenjivanje raspodele verovatnoce za sve promenljive koje uticu na kiterijumsku
promeljivu
Kada se promenljive identifikuju kao nezavisne, potrebno je definisati njihove raspodele
verovatnoca. Pri tome donosilac odluke koristi objektivne podatke, ali cesto se do njih ne moze
doci, ili ne postoje. Zbog toga donosilac odluke, pored objektivnih podataka, mora da koristi I
sopstvena ubedjenja, iskustva, intuiciju I kreativnost. Takodje mogu se vrsiti I istrazivanja u cilju
sakupljanja misljenja eksperata iz odgovarajuce oblasti. U svakom slucaju u ovom I slicnim
koracima analize rizika koriscenje subjektivnih podataka je neminovno. U nastavku su prikazane
neke metodeza ocenu raspodele verovatnoce.
a) Direktna metoda podrazumeva ocenu pojedinacnih verovatnoca za sve moguce rezultate.
Metoda se moze koristiti samo ako su raspodele verovatnoca diskretne I ako su rezultati koji se
odnose na raspodele konacni.
b) Parametarska metoda. Svaku raspodelu verovatnoca karakterisu odredjeni parametari. Tako
normalna raspodela ima dva parametra: srednju vrednost I standarnu devijaciju.
c) Metoda ocene 5 tacaka. Kod ove metode, donosilac odluke procenjuje 5 vrednosti koje mogu
predstavljati odredjena stanja, najmanju I najvecu vrednost. Ako se ocenjuje potraznja u
jedinicama za neki proizvod onda 25% vrednosti predstavlja vredsnost potraznje pri kojoj
verovatnoca potraznje iznosi 0.25 . Na slican nacin mogu se definisati I ostale procentualne
vrednosti. Donosilac odluke prvo procenjuje 50% vrednosti, koja se naziva medijana. Zatim se
procenjuje 25% I 75% vrednoti, a na kraju najmanja I najveca vrednosti. Sada se crta grafik koji
povezuje procenjene tacke.
d) Delfi metoda je kvalitativna metoda predvidjanja koriscenjem, kombinovanjem, I
objedinjavanjem nezavisnih misljenja veceg broja strucnjaka o nekom slozenom problem I
predvidjanju njegovog kretanja u buducnosti.
5. Odredjivanje raspodele verovatnoce kriterijumske promenljive, koristeci raspodele
verovatnoca dobijene u koraku 4.
Kao sto je receno, kriterijumska promenljiva zavisi od veceg broja promenljivih. Ovim
promenljivima moguce je dodeliti raspodele verovatnoca prema nekoj od prethodno navedenih
metoda. Sada treba dobiti raspodelu verovatnoce kriterijumske promenljive. Normalna
raspodela ima sledecu osobinu: zbir normalnih raspodela u rezultatu takodje daje normalnu
raspodelu. Postupak dobijanja raspodele verovatnoce kriterijumske promenljive ne moze se
koristiti kada su promenljive zavisne. Tada se za odredjivanje raspodele moraju koristiti znatno
slozeniji matematicki modeli.
6. Primena Monte Carlo simulacije za dobijanje zadovoljavajuce raspodele verovatnoce
kriterijumske promenljive
Simulacija se koristi kao labaratorijski instrument za istrazivanje dinamickih Sistema I slozenih
pojava, koje se drugim metodama I instrumentima, u velikom broju slucajeva, ne mogu
ispitivati. Simulacijski modeli se koriste za ispitivanje ponasanja jednog odredjenog dinamiskog
Sistema pod osredjenim uslovima I za proveru odredjene hipoteze na modelu. Simulacioni
sistemi jednostavno pokazuju sta ce se desiti ako se sistem ponasa na odredjeni nacin, odnosno
kako ce se sistem ponasati pri odredjenim vrednostima parametara I promenljivih. Metoda
Monte Carlo je jedna od najznacajnih metoda simulacije. Monte Carlo je simulaciona tehnika
koja koristi nekoliko uzorka relevantne promenljive pri razlicitim stanjima I kombinuje rezultate
u cilju dobijanja raspodele verovatnoce za kriterijumsku promenljivu. Ovaj proces se nastavlja
sve dok se ne generise dovoljno rezultata za ocenu raspodelu verovatnoce. Raspodela mora biti
konzistentna sa uverenjima I procenama. Kada se dobije takva raspodela, ona predstavlja punu
informaciju I osnovu za evaluaciju projekta.
7. Evaluacija projekta uz koriscenje informacija o raspodeli verovatnoce kriterijumske
promenljive
U ovom koraku, donosilac odluke koristi punu informaciju sadrzanu u raspodeli verovatnoce za
kriterijumsku promenljivu u cilju evaluacije projekta I preduzimanja najbolje akcije. U
tradicionalnim metodama donosilac odluke evaluaciju projekta vrsi na osnovu pojedinacne
procene. Ovakve procene pruzaju samo deo infomacije I zbog toga mogu ponekad dovesti do
pogresnih zakljucaka. Ovde se uocava razlicitost pristupa kod tradicionalnih metoda I tehnike
analize rizika.
16. POSTUPAK ANALIZE RIZIKA (PESIMISTICKO – OPTIMISTICKA METODA)
Ova metoda koristi pesimisticke, ocekivane I optimisticke procene za sve ili za neke promenljive
koje su vazne za projekat. Pesimisticka procena opisuje zbivanja nezeljenih posledica, ocekivana
procena opisuje zbivanja najverovatnijih posledica, dok optimisticka procena opsisuje zbivanja
pozeljnih posledica. Sustina je da se nadju tri vrednosti za neto godisnju vrednost I da se na bazi
ovako dobijenih vrednosti izvrsi evaluacija projekta. MOZDA BUDE TREBALO JOS
17. PISTUPI ANALIZI RIZIKA ( KVALITATIVNA ANALIZA RIZIKA)
Postoje dva osnovna pristupa analizi rizika:
1. Kvalitativna analiza rizika
2. Kvantitativna analiza rizika
Za oba pristupa zajednicko je to sto treba izvrsitit dve procene:
1. Procena verovatnoce nastanka neke pojave
2. Procena posledica te pojave
Razlika izmedju ova dva pristupa je u tome sto se u kvalitativnom pristupu, procene vrse
kvalitativnim ocenama, a u kvantitativnom pristupu procene se vrse kvantitativnim ocenama. U
kvalitativnom pristupu verovatnoca nastanka neke pojave opisuje se recima (retko, vrlo retko,
verovatno..), a posledice neke pojave se opisuju recima (beznacajne,kriticne, katastrofalne..). Sa
druge strane u kvantitativnom pristupu verovtnoca nastanka neke pojave I posledica neke
pojave iskazuju se numerickim vrednostima.
Kvalitativna analiza rizika zasniva se na dodeljivanju kvalitativnih vrednosti verovatnoce neke
pojave I posledicama te pojave, a zatim se na osnovu tih vrednosti determinise kvalitativni
factor rizika. Kvalitativna analiza rizika predstavlja subjektivni pristup po kome se resursi, rizici I
protiv mere posmatraju relativno. Za sprovodjenje kvalitativne analize treba poznavati njihov
znacaj za pojedine poslovne procese. Rezultat kvalitativne analize iskazuje samo relativan odnos
vrednosti steta nastalih delovanjem neke opasnosti I uvodjenjem protiv mera. Kvalitativni
pristup analizi rizika odvija se po sledecim koracima:
1. Identifikovanje potencijalno rizicnih pojava
2. Determinisanje kvalitativne verovatnoce pojave za svaki rizik, na podesan nacin I na osnovu
realnog kriterijuma
3. Determinisanje kvalitativnih vrednosti posledica pojave za svaki rizik na podesan nacin I na
osnovu realnog kriterijuma
4. Formiranje matrice rizika. Matrica rizika po vrstama ima verovatnoce pojave, a po kolonama
posledice pojave. Formiranje matrice rizika podrazumeva da se svakom polju matrice dodeli
vrednost nivoa rizika. U matrici je izvrsena kategorizacija na 3 nivoa rizika ( nizak,srednji I visok )
5. Odredjivanje nivoa rizika na bazi preseka kvalitativnih vrednosti za verovatnoce I posledice
neke pojave u matrici rizika.
18. KVANTITATIVNA ANALIZA RIZIKA
Zasniva se na dodeljivanju kvantitativnih vrednosti verovatnoci neke pojave I posledicama te
pojave, a zatim se na osnovu tih kvantitativnih vrednosti determinise kvantitativni factor rizika.
Metod je koristan za definisanje prioriteta aktivnosti posebno u slucaju kad postoji veliki broj
identifikovanih rizicnih situacija.
Kvalitativna analiza rizika koristi jednacinu za factor rizika: RF=P*C , gde je
RF- faktor rizika
P- verovatnoca pojave
C- posledica pojave
Kvantitativni pristup analizi rizika odvija se po sledecim koracima:
1. Identifikovanje potencijalno rizicnih pojava
2. Determinisanje kvantitativne verovatnoce pojave za svaki rizik na podesan nacin I na osnovu
realnog kriterijuma. Kvatitativna verovatnoca se izrazava kao broj iz intervala I0,1I, pri cemu
broj 0 oznacava nemoguc dogadjaj, a 1 oznacava dogadjaj koji ce se realizovati sa
verovatnocom 100%.
3. Determinisanje kvantitativnih vrednosti posledica pojave za svaki rizik, na podesan nacin I na
osnovu realnog kriterijuma
4. Preko formule RF=P*C ,determinise se faktor rizika za svaku identifikovanu pojavu
5. Odredjivanje nivoa rizika za svaku analiziranu pojavu.
Kljucne karakteristike kvalitativnog pristupa analizi rizika su:
1. Obezbedjuje kvalitativno definisanje rizika, ali na osnovu kvantitativnih podataka o nivou
rizika
2. Pruza finiju izdiferenciranost unutar nivoa rizika.
19. METODE ZA ANALIZU RIZIKA (FMEA, metod Markova)
Postoji znacajan broj metoda za analizu rizika. Neke od njih su kvalitativne a neke su
kvantitativne. Metode se dele I prema pristupu sistemske analize I identifikacije opasnosti.
Metode analize rizika mogu biti indukcione I dedukcione. Indukcioni pristup bazira se na
zakljucivanju od pojedinacnog ka opstem, dok je kod dedukcionog pristupa obrnuto,odnosno od
opsteg ka pojedinacnom.
FMEA je jedna od najstarijih I najcesce koriscenih metoda za analizu razika. Prvo je primenjena
u avio industriji. Predstavlja induktivnu, uglavnom kvalitativnu metodu analize s ciljem da
otkrije moguce otkaze I predvidi njegove efekte na sistem. Metodom se vrsi analiza Sistema I
medjusobnih osnosa njegovih delova, pod razlicitim uslovima rada, u cilju utvrdjivanja
verovatne lokacije otkza,vidova I mehanizma otkaza.
Metodologija FMEA se sastoji iz sledecih koraka:
1. Definisanje Sistema I njegovih funkcionalnih zahteva
2. Generisanje liste svih podsistema I komponenti
3. Generisanje liste svih modova otkaza, opisa otkaza I identifikacije
4. Dodeljivanje verovatnoca otkaza za bilo koji vid otkaza komponenti
5. Generisanje liste svih efekata otkaza na podsisteme, sisteme I okruzenje
6. Unosenje zapazanja za identifikovane modele otkaza
7. Pregled kriticnih modela otkaza I preduzimanje odgovarajucih korektivnih mera.
FMEA nije primenljiva za otkrivanje kriticnih kombinacija otkaza komponente. FMEA pruza
sistematican pregled znacajnih sekvenci otkaza Sistema I predstavlja dobru osnovu za sve
obuhvatnije kvantitativne analize kao sto je FTA.
Metod Markova se koristi u izvodnju analize raspolozivosti inzenjerskih Sistema. Osnovne
postavke ove metode su:
1. Verovatnoca prelaza Sistema iz jednog stanja u drugo u konacnom vremenskom interval ∆t,
data je sa α∆t, pri cemu je α koeficijent prelaza iz jednog stanja u drugo
2. Svi dogadjaji su nezavisni jedan od drugog
3. Verovatnoca pojave vise od jednog prelaza iz jednog stanja Sistema u drugo u konacnom
vremenskom intevalu ∆t je neznatna.
U odredjenom trenutku vremena sistem se nalazi u jednom od konacnog broja stanja.
Uz pomoc modela Markova, mogu se napisati jednacine stanja prikazanog Sistema:
P0(t + t) = P0(t)  (1  nb t)  (1  b t)
P1(t + t) = P0(t) nb t + P1(t)
P2(t + t) = P0(t) b t + P2(t)
gde je:
stanje 0 je normalni radni rezim Sistema
stanje 1 je nebezbedan otkaz Sistema
stanje 2 je bezbedan otkaz Sistema
αnb∆t je verovatnoca nebezbednog otkaza Sistema u konacnom vremenskom intervalu t
αb∆t je verovatnoca bezbednog otkaza Sistema u konacnom vremenskom interval t.
20. UVOD U TEORIJU KORISNOSTI
Javlja se veliki interes za kocku,odnosno situacije neizvesnosti. Cilj je bio da se prouci problem
odlucivanja kockara: koju od mogucnosti situacijatreba da izabere I time poveca sanse za
dobitak? Razmatranje kockarskih situacija u teoriji se odnosilo na bacanje novcica, analizu kocke
I igru kartama. Sve ove situacije imaju uvek novcane ishode. U igrama je povoljna kocka ona
koja pruzi ocekivani korist, a najbolja kocka je bila ona koja je pruzila najvecu korsit.
Subjektivne procene verovatnoce predstavljaju numericke pretpostavke uverenja I preference
razlicitih ljudi. Ove numericke pretpostavke se ogledaju kroz ocekivanu korisnost dobitka.
dodeljivanje preference je relativno jednostavno u situacijama kada su dobici izrazeni u novcu.
U nekim situacijama dodeljivanje preference je daleko kompilkovanije, npr kao sto su:
1. Dobici su izrazeni kao visedimanzionalne velicine
2. Dobitnici su izrazeni kvalitativnim karakteristikama
3. Izbor vrsi neka institucija vlade,organi ili neke grupe, a ne pojedinac.
Korisnost se definise kao odnos donosioca odluke prema riziku I neizvesnosti. Funkcija
korisnosti nekog pojedinca opisuje maksimalnu sigurnu sumu novcanih sredstava, koja moze
biti zamenjena nekom situacijom kocke sa odredjenom verovatnocom.
Donosioci odluke u istoj situaciji nece reagovati isto.mRazlozi za to su brojni, a neki od njih su:
1. Subjektivno favorizovanje pojedinih alternative, sto zavisi iskljucivo od uverenja, navika I
ukusa pojedinca
2. Razlicito procenjivanje verovatnoce nastupanja pojeinih stanja
3. Razlicita percepcija odredjenih dobitaka
Teorijski I prakticni aspekti teorije korisnosti usmereni su ka donosenju odluke koja
podrazumeva izbor najpozeljnije akcije pri specificnim uslovima rizika. Najpozeljnija akcija je
ona koja ima najvecu ocekivanu korisnost. Da bi se takva akcija pronasla, neophodno je
sprovesti analizu problema odlucivanja prema ocekivanoj korisnosti. Ovakav pritup teoriji
korisnosti podrazumeva:
1. Postojanje funkcije korisnosti koja odredjuje niz ishoda
2. Uspostavljanje redosleda akcija izracunavanjem I primenom njihovih korisnosti.
Teorija korisnosti omogucuje resavanje sledecih zadataka:
1. Dodeljuje preference I formira njihov konzistentan poredak
2. Utvrdjuje zakone kojima podlezu nizovi vrednosti
3. Definise postupke za ocenu koristi akcija.
Potpuno su logicne I ispravne sledece definicije teorije korisnosti:
1. Teorija korisnosti omogucava davanje prednosti pojedinim posledicama, sto je I osnova
izbora I donosenja odluke
2. Teorija korisnosti predstavlja da su utvrdjene moguce varijante I da je potrebno odluciti se za
jdnu od njih.
Teorija korisnosti je veoma popularna I siroko primenljiva, a razlozi za to su sledeci:
1. Teorija korisnosti ima rutinske, pouzdanei jednostvne procedure, zbog cega se lako
primenjuje
2. Upotrebom funkcije korisnosti skracuje se I olaksava postupak analize
3. Preko zamene slozenih situacija izvesnim ekvivalentima, neophodni postupci izracunavanja
postaju jednostavniji
4. Teorija korisnosti daje odlicne rezultate u podsticanju donosioca odluke na izrazenje
strategija koja ga cuvaju u situacijama rizika
5. Teorija korisnosti predstavlja znacajnu podrsku donosiocu odluke u strukturiranju njegovih
izbora, u preciznijem posmatranju verovatnocu ishoda, u shvatanju preference kao nelinearnog
prikaza I kvantiteta.
Ogranicenja teorije korisnosti proisticu iz vec navedenih situacija kada je dodeljivanje
preference daleko komplikovanije: dobici su izrazeni kao visedimenzionalne velicine, izbor vrsi
neka odredjena grupa, a ne pojedinac.
21. MATEMATICKE FUNKCIJE U TEORIJI KORISNOSTI
U realnim problemima odlucivanje cesto se desava da kriva korisnosti podleze nekoj
matematickoj zakonitosti, tj da kriva korisnosti cesto moze se predstaviti odgovarajucom
matematickom funkcijom. Ovo je korisna osobina jer se na taj nacin precizno moze izracunati
indeks korisnosti na celom interval posmatrane vrednosti.
Eksponencijalna funkcija moze se definisati sledecim izrazima:
K(x) = 1 - e k x ili
K(x) = (1 - e k x) / k ,
gde su:
x- vrednost na apscisi ciji se indeks korisnosti meri
k- pozitivna konstanta.
Logaritamska funkcija moze se definisati sledecim izrazom:
K(x) = log (x + b)
gde je b konstanta.
Kvadratna funkcija moze se definisati sledecim izrazom:
K(x) = a + bx  cx2 ,
gde su a,b I c konstante, pri cemu je c>0.
Analiza navedenih funksija,najefikasnije se moze izracunati kroz analizu averzije prema riziku za
ove funkcije. Averzija prema riziku je kolicnih prvog I drugog izvoda funkcije korisnosti K(x) I
dataje sledecim izrazom:

gde su K”(x) I K’(x), prvi I drugi izvod funkcije K(x).

Nakon sredjivanja prema izrazu za AV, za oba oblika eksponencijalne krive korinosti vazi:
AV=k.
Averzija prema riziku je konstantna, bez obzira na vrednost x. Ovakav donosilac odluke ispoljava
ujednacen odnos prema riziku za razlicite vrednosti ,͗ sto predstavlja dosta krut stav u realnim
uslovima poslovnog odlucivanja.
Nakon sredjivanja prema izrazu za AV, za logaritamsku krivu vazi:
AV=1/(x+b).
Averzija prema riziku se smanjuje sa povecavanjem vrednosti x. Znaci da sklonost ka riziku se
povecava sa povecanjem moguceg dobitka. Ovakav donosilac odluke se najcesce srece u praksi I
predstavlja tipicno ponasanje vecine ljudi. Ovakvo ponasanje je pozeljno u poslovnom
odlucivanju.
Nakon sredjivanja prema izrazu za AV, za kvadratnu krivu korisnosti vazi:
AV=2c/(b-2cx)
Averzija prema riziku se povecava sa povecanjem vrednosti x. Znaci da sklonost ka riziku se
smanjuje sa povecanjem manjeg dobitka. Ovakav donosilac odluke se retko srece u praksi, I
predstavlja ne tipicno ponasanje vecine ljudi. Ovakvo ponasanje nije pozeljno u poslovnom
odlucivanju. Izuzetak mogu biti situacije kada veci potencijalni dobitak nosi opasnost od
srazmerno velikog ili izuzetno velikog gubitka, u slucaju da se ne ostvari dobitak.
22. DONOSENJE ODLUKE POMOCU FUNKCIJE KORISNOSTI
Nakon konstrukcije krive korisnosti za aktuelnog donosioca odluke, sam postupak odlucivanja je
jednostavan I odvija se na sledeci nacin. Posmatraju se moguci ishodi pojedinih akcija I z ate
ishode se odredi indeks korisnosti. Zatim se za svaku akciju nalazi ocekivana korinost kao suma
proizvoda indeksa korisnosti za odgovarajuce ishode I verovatnoca pojave tih ishoda. Usvaja se
akcija kod koje je ocekivana korist najveca, ili u slucaju mogucnosti prihvatanja veceg broja
akcija, usvajaju se sve akcije koje imaju indeks korisnosti vecu od neke prethodno definisane
vrednosti. PROVERI DAL TREBA JOS NESTO
23. OSNOVE VISEATRIBUTIVNE TEORIJE KORISNOSTI
Visekriterijsko odlucivanje se odnosi a situacije odlucivanja kada postoji veci broj, najcesce
konfliktnih kriterijuma. Viseatributivna teorija korisnosti predstavlja verlo specifican deo
visekriterijumskog odlucivanja. Pod pojmom atribut podrazumeva se sredstvo merenja nivoa
dostizanja nekog kriterijuma il cilja. Svaka alternative u problematici viseatributivnog
odlucivanja, treba da bude okarekterisana vecim brojem atributa.
Problemi viseatributnog odlucivanja prisutni su u mnogim realnim situacijama, kako u
poslovanju, tako I u zivotu. U poslovanju to su npr:
1. Izbor menadzera (moguci atributi: iskustvo,znanje,rad sa ljudima..)
2. Izbor novog proizvoda (moguci atributi: nabavka sirovina,postojanje potraznje,posedovanje
opreme..)
3. Izbor dobavljaca sirovina (moguci atributi:kvalitet sirovina,cena,uslovi placanja..)
4. Izbor masine ili opreme (moguci atributi:kvalitet opreme,pouzdanost opreme,cena opreme..)
U zivotu pojdinca to su npr sledece situacije:
1. Izbor posla (moguci atributi: visina plate,uslovi rada,udaljenost od kuce..)
2. Izbor automobile (moguci atributi:cena,servis,pouzdanost,bezbednost,potrosnja..)
3.Izbor stana (moguci atributi:cena,lokacija,kvalitet,raspored prostorija..)
4. Izbor vikendice I slicno…
Prethodni primeri ukazuju na zivotnost I siroku mogucnst primene viseatributivnog odlucivanja,
ali I na njegovu slozenost. Ovde se cesto ne mogu koristiti rezultati dobijeni u jednoatributivnoj
teoriji korisnosti, gde se odluka donosila na bazi samo jedne dimenzije problema.
24. UVOD U VISEKRITERIJUMSKO ODLUCIVANJE
Danas postoji sve manje poslovnih problema odlucivanja gde se izbor vrsi samo na osnovu
jednog kriterijuma. Slozenost I viseslojnost poslovnog odlucivanja cesto zahteva
visekriterijumski model, odnosno visekriterijumsku bazu kao prolazi uslov za objektivnu
selekciju I izbor alternativnih resenja. Jasno je da podrucje u kome se donose strategijske I
ostale odluke u preduzecu, uglavnom zahteva primenu metoda visekriteriumskog odlucivanja.
Visekriterijumsko odlucivanje se odnosi na situaciju odlucivanja kada postoji veci broj
kriterijuma. Rangiranje alternative prema vecem broju kriterijuma istovremeno, doprinosi
realnosti resavanja takvih situacija. Klasicne optimizacione metode koriste samo jedan
kriterijum pri odlucivanju cime se u velkom broju slucajeva znacajno umanjuje realnost
analiziranog problema. Visekriterijumski pristup ima I svoju losu stranu a to je potreba za
koriscenjem znatno slozenijih matematickih modela za resavanje visekriterijumskih problema.
Pored velikog broja razlicitih modela, jos uvek ne postoji potpuno objektivna I pouzdana
metoda visekriterijumskog odlucivanja.
Podrucje primene VKO je veoma siroko, ali se mogu izvesti neke zajednicke karakteristike svih
kategorija problema koji se n ovaj nacin resavaju:
1. Veci broj kriterijuma, tj atributa, koje mora kreirati donosilac odluke
2. Konflikt medju kriterijumima, kao daleko najcesci slucaj kod realnih problema
3. Nesamerljive jedinice mere,jer svaki kriterijum,tj atribut ima razlicite jedinice mere
4. Projektovanje ili izbor. Resenje ove vrste problema sui li projektovanje ili izbor najbolje akcije
iz skupa.
Prema poslednjoj karakteristici, problem VKO se mogu klasifikovati u dve grupe:
1. Viseatributivno odlucivanje ili kako se u poslednje vreme sve vis naziva visekriterijumska
analiza. Ova grupa metoda resave problem izborom najbolje akcije iz skupa
2. Viseciljno odlucivanje. Ova grupa metoda resave problem projektovanjem najbolje akcije.
25. VISEATRIBUTIVNO ODLUCIVANJE
Pod pojmovo atribut podrazumeva sredstvo merenja nivoa dostizanja nekog kriterijuma tj cilja.
Svaka alternative u problematici viseatributivnog odlucivanja, treba da bude okarakterisana
vecim brojem atributa. Atributi se definusu na osnovu kriterijuma izabranih od strane
donosioca odluke. Umesto reci atributi koriste se I sledeci sinonimi kao sto su parameter
performanse, komponenta, faktor, osobina, karakteristika I slicno.
Problemi viseatributivnog odlucivanja se obicno predstavlja u matricnoj formi. Matrica
odlucivanja ima dimanzije mxn, gde m predstavlja broj akcija a n broj atributa. Elementi matrice
odlucivanja xᵢᵢ predstavljaju vrednosti i-te akcije u odnosu na j-ti atribut. Opsti oblik matrice
odlucivanja glasi:
  x11 x x
12 ... 1n 
 
x
O
x x
21 22 ... 2n 

 ... ... ... ... 

 

x x x
 m1 m2
... mn 

Jedan primer: Prilikom kupovine stana donosilac odluke ima na raspolaganju pet akcija:
a1 je stan 1, a2 je stan 2, a3 je stan 3, a4 je stan 4 I a5 je stan 5. Izbor se vrsi na osnovu sedam
atributa:
A1- cena stana
A2- lokacija stana
A3- kvalitet gradnje
A4- godine starosti zgrade
A5- raspored prostorija
A6- kvadratura
A7- spratnost
Pritom nam je data matrica odlucivanja izrazena u tabeli. Iz primera se vidi da se prema vrsti
ocene postoje kvantitativni I kvalitativni atributi, a prema vrsti zahteva postoje atributi sa
zahtevom za maksimizacijom I atributi sa zahtevom za minimizaciju. U modelima
viseatributivnog odlucivanja nastaju tri problema:
1. Na koji nacin uporedjivati kvantitativne I kvalitativne attribute
2. Na koji nacin uporedjivati atribute sa zahtevom za maksimizaciju I minimizaciju
3. Na koji nacin uporedjivati kvantitativne attribute izrazene razlicitim mernim jedinicama
U modelima viseatributivnog odlucivanja uvek postoji jos jedan problem odredjivanja tezinskih
koeficijenata kriterijuma. U nastavku se analiziraju neka moguca resenja navedenih problema,
kroz sledece postupke:
1. Transformacije atributa
2. Odredjivanje tezinskih koeficijenata kriterijuma.

26. TRANSFORMACIJE ATRIBUTA

One su neophodne kako bi se resili problem u modelima VAO I kako bi bila moguca dalja
primena neke od metoda VAO.
1) Kvantifikacija kvalitativnih atributa
Resenje problema VAO zahteva koriscenje kvantitativnih podataka. Neki atributi se ne mogu
izraziti brojevima. Ovi atributi se nazivaju kvalitativni I oni se moraju na neki nacin
kvantifikovati. U tu svrhu se najcesce koristi linearna skala transformacije. Linearna skala obicno
ima vrednosti od 0 do 10, pri cemu se 0 dodeljuje najnizem nivou, a 10 najvisem. Najcesce se
korste sledece ocene:
1-veoma nizak nivo , 3-nizak , 7-visok I 9-veoma visok.
2)Prevodjenje zahteva za minimizacijom u zahtev za maksimizacijom
U modelima VAO cesto se javljaju atributi sa zahtevom za minimizacijom kao sto su cena stana,
cena sirovina, rok isporuke, jacina konkurencije u nekoj oblasti I slicno. Ovakvi atributi obicno se
prevode u attribute sa zahtevom za maksimizacijom, kako bi bilo moguce dalje izracunavanje u
izabranom modelu VAO. Prevodjenje minimizacije u maksimizaciju, vrsi se izvodnjenjem
operacija u okviru istog kriterijuma. Pri tome se najcesce koriste sledeca cetiri postupka:
1. Preko definisanih funksija korisnosti za svaki atribut. Na ovaj nacin mogu se transformirati
svi atributi u modelu ili samo atributi sa zahtevom za minimizacijom.
2. Vrednosti svih akcija podele se ili pomonoze sa negativnim brojem.
3. Vrednosti svik akcija se oduzmu od podesno izabranog broja. Taj broj se moze dobiti na vise
nacina, a jedan moguci je da se saberu najveca I najmanja vrednost akcije u okviru istog
kriterijuma, koji se maksimizuje. U slucaju da u modelu postoje kvalitativni atributi sa zahtevom
za minimizacijom, tada se ovi atributi prvo kvantifikuju preko linearne skale, a zatim se vrsi
transformacija minimizacije u maksimizaciju. Ova transformcija takodje se vrsi oduzimanjem od
podesno izabranog broja.
4. Preko odgovarajucih izraza za prevodjenje minimizacije u maksimizaciju, a koji se koriste pri
normalizaciji I linearizaciji atributa.
3.) Normalizacija I linearizacija atributa
Za uporedjivanje kvanttativnih atributa izrazenih razlicitim mernim jedinicama kao I
kvantifikovanih kvalitativnih atributa, koristi se jedan od dva osnovna pristupa.
Vektorska normalizacija – Svaki element vektora-kolone iz matrice odlucivanja podeli se sa
svojom normom, pri cemu se normalizovana vrednost nij, ormalizacije matrice odlucivanja N,
dobija prema izrazu:

gde je i=1,2… -broj akcije j=1,2… -broj atributa.

Za prevodjenje minimizacije u Aj maksimizaciju Aj , koristi se sledeci izraz:

Prednost ovog nacina je u tome sto se svi kriterijumi mogu izraziti merama koje imaju svoju
jedinicu.
Linearna skala transformacija – Osnovna varijanta linearne transformacije podrazumava da se
svaki element vektora-kolone iz matrice odlucivanja podeli se sa maksimalnom vrednoscu u toj
koloni. Prema tome transformisani izraz se dobija preko izraza:
gde je: i=1,2,… -broj akcije a j=1,2,.. –broj atributa.
Za prevodjenje minimizacije Aj u maksimizaciju Aj koristi se sledeci izraz:

Postoje I alternativne varijante.

27. ODREDJIVANJE TEZINSKIH KOEFICIJENATA KRITERIJUMA
Kriterijumi najcesce nisu istog stepena znacajnosti. Zbog toga donosilac odluke definise znacaj
svih kriterijuma u konkretnom modelu. Pri tome se koriste tezinski koeficijenti. Ako zbir tezina
iznosi 1, to su onda normalizovane tezine. Odredjivanje tezina kriterijuma uvek predstvlja
specifican korak koji je neminovno prcen subjektivnostima. Postupak je veoma znacajan I ima
bitan uticaj na krajnji rezultat odlucivanja. Jasno je da postoji vise mogucih resenja ovog
problema I tesko se moze govoriti o tome koje reenje je najbolje. Pojedine metode sadrze I
postupke za definisanje tezinskih koeficijenata kriterijuma. U ovom delu izlaze se metoda
entropije. Metoda etropije za odredjivanje tezinskih koeficijenata kriterijuma polazi od samih
ocena koje imaju akcije prema svakom kriterijumu posebno. Metoda uzima u obzir entropiju
atributa u okviru istog kriterijuma. Na ovaj nacin dobijeno resenje moze se kombinovati sa
tezinama koje subjektivno dodeljuje donosilac odluke. Metoda entropije odvija se po algoritmu
koji sadrzi cetiri koraka.
Primer:
Prilikom izbora posla jedna osoba ima mogucnost zaposljavanja u 6 preduzeca:
a1,a2,a3,a4,a5,a6. Izbor se vrsi na osnovu cetiri atributa:
A1- visina plate
A2- mogucnost napredovanja
A3- atraktivnost I kreativnost posla
A4- obim I tezina posla
Prilikom izbora posla postoje jos neki kriterijumi. Data nam je matrica odlucivanja.
Korak 1. Neophodne transformacije atributa.
U ovom slucaju prvo se vrsi kvantifikacija atributa. Zatim se atribut A4 prevodi u zahtev za
maksimizacijom. Ova transformacija je izvrsena oduzimanjem od broja 10.
Uradi se kvantifikovana matrica I kvantifikovana I transformisana matrica odlucivanja.
U ovom koraku potrebno je izvrsiti jos jednu transformaciju:

Svaka vrednost se podeli sa zbirom vrednosti u toj koloni. Uradi se transformisana matrica
odlucivanja.
Korak 2. Odredjivanje entropije za svaki kriterijum
Entropija vrednosti transformisanih atributa kriterijuma odredjuje se prema izrazu:

gde je m- broj akcija u modelu.

Korak 3. Odredjivanje mere odstupanja u okviru svakog kriterijuma. Mera odstupanja atributa
odredjuje se prema izrazu:

Za svako j.
Korak 4. Odredjivanje tezinskih koeficijenata.
Tezinski koeficijenti odredjuju se prema izrazu:

U slucaju da donosilac odluke definise sopstvene subjektivne tezine za kriterijume, tada se

kombinovani tezinski koeficijent mogu odrediti prema izrazu:

Reazultate koraka 2,3 I 4 napisemo u tabeli, gde su date sve vrednosti. Metoda etropije vece
tezine aje kriterijumima prema kojima su ocene akcija rajvise rasplinute.
28. METODA JEDNOSTAVNIH ADITIVNIH TEZINA
Ona je jedna od metoda koja se daleko najcesce koriste pri resavanju problema VAO. Razlozi za
to leze u njenoj jednostavnosti, prakticnosti,jasnosci I konkretnosti dobijenih resenja. Sustina je
sledeca: donosilac odluke svakom atributu dodeljuje tezinu po znacajnosti, koja postaje
koeficijent uz promenljivu. Zatim se nalazi suma prozivoda transformisanih vrednosti atributa I
tezinskih koeficijenata atributa, za svaku akciju posebno. Bira se akcija sa najvecim zbirom.
Matematicki to se moze zapisati na sledeci nacin:

gde su:
_ - transofmirane vrednosti atributa.
Tezine atributa su najcesce normalizovane, pa je:

29. METODA ELECTRE

Metoda ELECTRE ima cetiri verzije, a najcesce se srece metoda ELECTRE I za odredjivanje
delimicnih poredaka alternative, kao I metoda ELECTRE II za potpuno uredjenje skupa
alternative. One omogucavaju parcijalno uredjenje skupa resenja, a pogodne su za diskretne
problem. Metode ELECTRE III, IV su metode viseg ranga. Metode ELECTRE I,II sadrze subjektivne
procene donosioca odluke u delu gde se vrednuju akcije prema pojedinim kriterijumima.
Metoda ELECTRE uporedjuje akcije u parovima. Prvo se ispituje stepen saglasnosi izmedju
tezina preferencija I uparenih veza dominacije izmedju pojedinih akcija. Zatim se ispituje stepen
nesaglasnosti koji predstavlja razliku u ocenama tezina pojedinih akcija. Zbog ovoga se metoda
ELECTRE ponekad naziva I analiza saglasnosti.
Metoda ELECTRE I
Postupak rada sa metodom je iterativan I odvija se kroz odgovarajuci boj koraka.
Primer:
Prilikom kupovine automobile, donosilac odluke bira izmedju cetiri akcije: a1- automobil1, a2-
automobil2, a3-automobil 3, a4- automobil 4, a5- automobile 5. Izbor se vrsi na osnovu pet
atributa:
A1- cena
A2- poudanost
A3- dizajn
A4- povoljnost servisa I odrzavanja
A5- sposobnost manevrisanja
Data nam je pocetna matricaa odlucivanja. Pocetna matrica odlucivanja se u potpunosti
kvantifikuje preko linearne skale koja obicno ima vrednost od 0 do 10, pri cemu se 0 dodeljuje
najnizem nivou a 10 najvisem. Najvise se korste sledece ocene: 1-veoma nizak, 3- nizak,
5- prosecan, 7- visok I 9- veoma visok nivo.
Korak 1. Odredjivanje normalizovane matrice odlucivanja N
Svaki element vektora- kolone iz matrice odlucivanja podeli se sa svojom normom, pri cemu se
normalizovana vrednost, normalizovane matrice odlucivanja, dobija prema izrazu:

gde je: i=1,2,… - broj akcije, j=1,2,… - broj atributa

Za prevodjenje minimizacije u maksimizaciju koristi se sledeci izraz:

Normalizovana matrica odlucivanja ima oblik:

Korak 2. Odredjivanje tezinske normalizovane matrice odlucivanja V

U ovom koraku donosilac odluke mora prvo da definise tezine svih kriterjuma. Sada se racuna
tezinska normalizovana matrica V : V=W*N
Tezinska normalizovana matrica odlucivanja ima oblik:
Korak 3. Odredjivanje skupova saglasnosti I nesaglasnosti
U ovom koraku uporedjuju se svi parovi analiziranih akcija, na osnovu vrednosti iz matrice V.
Formiraju se skupovi saglasnosti I nesaglasnosti za sve parove akcija. Skup saglasnosti __ za
akcije __ I __ se sastoji od svih kriterijuma za koje je __ pozeljnije od __. To se zapisuje na
sledeci nacin:

Skup nesaglasnosti ___ za akcije __ I __ se sastoji od svih kriterijuma, za koje __ nije pozeljnije
od __. To se zapisuje na sledeci nacin:

Kod kriterijuma sa yahtevom za minimizacijom vaze obrnute relacije.

Korak 4. Odredjivanje matrice saglasnosti
Elementi matrice saglasnosti su indeksi saglasnosti. Indeksi saglasnosti se racunaju kao suma
teyina kriterijuma koji ulaze u odgovarajuce skupove saglasnosti. Za normalizovani skup tezina
kriterijuma, indeks saglasnosti za akcije __ I __ iznosi:

Indeksi saglasnosti uvek imaju vrenodnost 0________1, Veca vrednost ukazuje na vecu
pozeljnost akcije. U opstem slucaju matrica saglasnosti ima oblik:

Korak 5. Odredjivanje matrice nesaglasnosti

Elementi matrice nesaglasnosti su indeksi nesaglasnosti. Indeksi nesaglasnosti za akcije __ I __
racunaju se prema izrazu

Indeksi nesaglasnosti uvek imaju vrednosti: 0__________1. Veca vrednost ukazuje na manju
poeljnost akcije. U opste slucaju matrica nesaglasnosti ima oblik:

Prilikom izracunavanja indeksa nesaglasnosti posmatraju se vrednosti iz tezinske normalizovane

matrice odlucivanja V I to tako sto se oduzimaju vrednosti posmatranog para akcija za svaki
atribut.
Korak 6. Odredjivanje matrice saglasne dominacije
Ona se odredjuje na sonovu vrenosti praga indeksa saglasnosti. Prag indeksa saglasnosti se
moze definisati kao prosecni indeks saglasnosti se definise kao prosecni indeks saglasnosti I
racuna se po formuli:

To znaci da akcija __ moze biti pozeljnija od akcije __ samo ako je njen odgovarajuci indeks
saglasnosti veci od praga indeksa saglasnosti.
Nakon odredjivanja praga indeksa saglasnosti formira se matrica saglasne dominacije.

Korak 7. Odredjivanje matrice nesaglasne dominacije

Ona se odredjuje na osnovu vredosti praga indeksa nesaglasnosti. Prag indeksa nesaglasnosti se
moze definisati kao prosecni indeks nesaglasnosti koji se racuna po formuli:

To znaci da akcija __ moze biti pozeljnija od akcije __ samo ako je njen odgovaraju indek
saglasnosti manji od praga indeksa nesaglasnosti.
Nakon odredjivanja praga indeksa nesaglasnosti, formira se matrica nesaglasne dominacije.
Korak 8. Odredjivanje matrice agregatne dominacije
Ona predstavlja proizvod matrice saglasne dominacije I matrice nesaglasne dominacije.
Elementi matrice agregatne dominacije racunaju se na sledeci nacin:

Korak 9. Eliminisanje manje pozeljnih akcija

Matrica agregatne dominacije daje parcijalno preferirani poredak akcija. Ako je vrednost za
___=1 tada akcija dominira po oba kriterijuma. Potrebno je ispitati stanje dominacije za sve
moguce kombinacije parova akcija. Akcija sa vecim brojem elemenata dominira nad ostalim
akcijama. Ukoliko postoji vise akcija sa jednakim brojem elemenata tada su takve akcije
neupotrebljive I nije moguce ustanoviti stanje dominacije. U praksi se cesto desava da nije
moguce ustanoviti stanje dominacije primenom metode ELECTRE. Metoda ELECTRE !
obezbedjuje delimicni poredak akcija.
U metodi ELECTRE I ima nekoliko nedostataka koji su posle ublazeni u ostalim metodama
ELECTRE. Metoda ELECTRE II obezbedjuje potpuni poredak akcija. Osnovne karakteristike su:
1. Opstenamenski karakter za visekriterijumsko rangiranje akcija na osnovu sudova o
vrednostima koje daje donosilac odluke
2. Kriterijumi se mogu izraziti kvantitativno I kvalitativno I mogu imatirazlicite vrednosti
3. Ne zahvata se prethodna analiza medjuzavisnosti kriterijuma
4. Ne postoje ogranicenja u pogledaju broja kriterijuma
5. Omogucava se izbor se izbor jedne akcije ili jednog podskupa akcija koje su najbolje prema
vise kriterijuma pridruzeni svakoj akciji.
Algoritam meted ELECTRE II ponavlja korake od 1. do 5. Iz metode ELECTRE I, a dalje je
potrebno sprovesi sledecu procedure. Definisu se tri praga slaganja za svaki kriterijum I tri praga
neslaganja za svaki kriterijum. Zatim se sastavljaju relacija jakog viseg ranga I relacija slabog
viseg ranga. Konacni poredak odredjuje se spajanjem potpunih poredaka baziranih na
suprotnim razmatranjima:
- Direktni poredak
- Inverzni poredak
- Konacni poredak
Osnovne karakteristike metode ELECTRE III su metoda viseg ranga, koristi nestabilnu relaciju I
pragove veta, rangiranje se vrsi prema delimicnom poretku ili prema potpunom poretku.
Algoritam metode je komplikovan, kao I racunanje indeksa preferencija, stepena pouzdanosti za
svaki par akcija, vrednosti kriterijuma za rangiranje..
Osnovne karakteristike metode ELECTRE IV su metoda viseg ranga, ne zahteva tezine za
kriterijume, uvod se pojam pseudo, odredjuje se slaba preferencija, striktna preferencija I
indiferentnost. U metodi se smatra da nijedan kriterijum nije dominantan nad drugim I da
nijedan kriterijum nije zanemarljiv. Rangiranje se vrsi prema nepotpunom redosledu.
30. METODA ANALITICKIH HIJERARHIJSKH PROCESA AHP

31. METODA TOPSIS

Metoda TOPSIS je nastala na bazi metode ELECTRE I moze se prihvatiti kao jedna od njenih
najsire koriscenih varijanti. Osnovni concept metode TOPSIS je da se trazi akcija koja ima
najkrace rastojanje od idealnog resenja I najvece rastojanje od negativno idealnog resenja. Prva
dva koraka u metodi TOPSIS su identicna kao I u metodi ELECTRE.
Primer:
Prilikom kupovine automobile, donosilac odluke bira izmedju cetiri akcije: a1- automobil1, a2-
automobil2, a3-automobil 3, a4- automobil 4, a5- automobile 5. Izbor se vrsi na osnovu pet
atributa:
A1- cena
A2- poudanost
A3- dizajn
A4- povoljnost servisa I odrzavanja
A5- sposobnost manevrisanja
Data nam je pocetna matricaa odlucivanja. Pocetna matrica odlucivanja se u potpunosti
kvantifikuje preko linearne skale koja obicno ima vrednost od 0 do 10, pri cemu se 0 dodeljuje
najnizem nivou a 10 najvisem. Najvise se korste sledece ocene: 1-veoma nizak, 3- nizak,
5- prosecan, 7- visok I 9- veoma visok nivo.
Korak 1. Odredjivanje normalizovane matrice odlucivanja N
Svaki element vektora- kolone iz matrice odlucivanja podeli se sa svojom normom, pri cemu se
normalizovana vrednost, normalizovane matrice odlucivanja, dobija prema izrazu:

gde je: i=1,2,… - broj akcije, j=1,2,… - broj atributa

Za prevodjenje minimizacije u maksimizaciju koristi se sledeci izraz:

Normalizovana matrica odlucivanja ima oblik:

Korak 2. Odredjivanje tezinske normalizovane matrice odlucivanja V

U ovom koraku donosilac odluke mora prvo da definise tezine svih kriterjuma. Sada se racuna
tezinska normalizovana matrica V : V=W*N
Tezinska normalizovana matrica odlucivanja ima oblik:

Korak 3. Odredjivanje idealnog I negativno idealnog resenja

Idealno resenje se definise kao:

Negativno idealno resenje se definise kao:

To prakticno znaci da se idealno I negtivno idealno resenje sastoje od onoliko vrednosti koliko
ima kriterijuma. Kod idealnog resenja, te vrednosti se uzimaju kao najbolje vrednosti koje akcije
imaju u okviru svakog kriterijuma. Kod negativno idealnog resenja je obrnuto: vrednosti se
uzimaju kao najlosije vrednosti koje akcije imaju u okviru svakog kriterijuma.
Korak 4. Izracunavanje parcijalnih rastojanja
U ovom koraku racunaju se rastojanja do idealnog I negativno idealnog resenja. Pri tome se
koristi Euklidovo rastojanje:
Rastojanje akcije __ do idealnog resenja, dato je izrazom:
Rastojanje akcije __ do negativno idealnog resenja, dato je izrazom:

Korak 5. Izracunavanje relativne bliskosti idealnom resenju

Relativna bliskost akcije __ idealnom resenju, data je izrazom:

Gde vazi:

Najbolja je akcija ona koja ima najvecu relativnu bliskost idealnom resenju.
Korak 6. Rangiranje akcija
Po metodi TOPSIS, akcije se mogu rangirati u potpunom pocetku prema velicini __.
Prvi rang ima akcija sa najvecom vrednoscu I tako redom. Resenje je konzistentno sa resenjem
koje, za iste pocetne uslove odlucivanja, daje metoda ELECTRE I. Razlika je u tome sto je metoda
TOPSIS dala potpuni poredak akcija, dok je po metodi ELECTRE dobijen parcijalni poredak.