TO Praktikum v4.6

Praktikum
ODLUČIVANJE
Suknović, Delibašić, Jovanović, Vukićević, Radovanović

Odlučivanje - praktikum
Fakultet organizacionih nauka

Beograd, 2019. god
Naziv knjige:
„Odlučivanje – praktikum“
Autori:
prof. dr Milija Suknović, prof. dr Boris Delibašić, doc. dr Miloš Jovanović, doc. dr Milan
Vukićević, Sandro Radovanović
Recenzenti:
prof. dr Milan Martić
prof. dr Dragana Bečejski-Vujaklija
Izdavač:
Fakultet organizacionih nauka,
Beograd, Jove Ilića 154
Korice:
Milan Vukićević
Format:
A4
Broj strana:
ISBN: 978-86-7680-358-3
Predgovor
Praktikum Odlučivanje je nastao u okviru Centra za poslovno odlučivanje Fakulteta organizacionih nauka,
Univerziteta u Beogradu. Osnovni cilj koji su autori želeli da ostvare pisanjem ovog praktikuma jeste da
omoguće studentima da usvoje i generalizuju koncepte odlučivanja kroz rešavanje brojnih praktičnih
problema. Ostvarivanjem ovog cilja studenti treba da budu u mogućnosti da prepoznaju i karakterišu
probleme odlučivanja u poslovnoj praksi, kao i da rešavaju ove probleme odgovarajućim metodama i
tehnikama. Praktikum je pre svega namenjen studentima osnovnih studija Fakulteta organizacionih
nauka, koji slušaju nastavu na predmetu Teorija odlučivanja, ali i drugim zainteresovanim studentima, kao
i stručnjacima iz oblasti. Oblasti pokrivene praktikumom uključuju višekriterijumsku analizu odlučivanja,
teoriju korisnosti, teoriju preferencija, analizu odlučivanja i rizika, kvalitativne modele odlučivanja, modele
odlučivanja na bazi istorijskih podataka i grupno odlučivanje. Posebna pažnja je posvećen detaljnom
objašnjenju najpopularnijih metoda kao što su: AHP, VIKOR, PROMETHEE, DEX, ID3, Borda i Kondorset itd.
Dodatno, posebna pažnja je posvećena objašnjenju intuicije modela i metoda kroz praktične primere.
Sadržaj praktikuma, kao i način predstavljanja i rešavanja problema je nastao u kolaboraciji autora,
stručnjaka iz prakse i studenata kroz istraživanje u okviru projekta Unapređenja predmeta vezanih za
nauku o podacima i odlučivanje na Fakultetu organizacionih nauka, finansiranom od strane Ministarstva
prosvete, nauke i tehnološkog razvoja, Republike Srbije.
Recenzija
Teorija odlučivanja je interdisciplinarana nauka koja prožima sve aspekte poslovanja, ali i svakodnevnog
života, oslanja se kako na tehničke nauke kao što su Operaciona istraživanja, Nauka o pačunarima, Nauka
o podacima, tako i na društvene kao što su Psihplogija i Sociologija. Zbog toga Teorija odlučivanja postavlja
pred predavače svojevrsne izazove kao što su: izbor oblasti i metoda, nivo matematičkog formalizma i
detalja opisa metoda, izbor praktičnih primera itd.
U ovom praktikumu autori su uspeli da na sistematičan način predstave izazove koji se postavljaju pred
moderne donosioce odluka. Autori su na pažljiv i sistematičan način birali oblasti i metode, na osnovu
dugogodišnjeg iskustva u radu sa studentima, kao i formalnog istrživanja koje su sproveli neposredno pre
početka pisanje samog materijala. Veoma je bitno da je ovo istraživanje uključilo kako stručnjake iz oblasti
tako i studente. Na taj način autori su prilagodili sadržaj i način prezentacije ovog materijala, potrebama
tržišta ali i percipiranim teškoćama u savladavanju materijala na osnovu informacija koje su dobili od
studenata.
Sve oblasti su pokrivene primerima kroz koje se jasno objašnjavaju matematička formalizmi ali i intuicija
samih metoda i modela odlučivanja. Praktikum pokriva oblasti individualnog (višekriterijumskog) i
grupnog odlučivanja, preferencija i korisnosti, rizika, kvalitativnih modela odlučivanja, kao i odlučivanja
koje je bazirano na analizi istorijskih podataka.
Zbog svega navedenog očekujem da će ovaj praktikum omogućiti studentima lakše savladavanje gradiva,
razumevanje i generalizaciju koncepata na predmetu Teorija odlučivanja ali da može pomoći i domenskim
stručnjacima pri donošenju odluka.
Prof. dr Milan Martić,
Redovni profesor Fakulteta organizacionih Nauka, Univerziteta u Beogradu.
Juna 2019.
______________________________________
Recenzija
Proces donošenja odluka je kroz istoriju uvek bio jedan od ključnih procesa na kome se zasniva uspeh
organizacija. U vreme ubrzanog razvoja informaciono-komunikacionih tehnologija (društvene mreže,
“pametne” aplikacije i uređaji itd.) i automatizacije poslovanja proces donošenja odluka postaje sve
kompleksniji. Dodatno, moderni uslovi poslovanja i globalna konkurencija zahtevaju donošenje sve većeg
broja odluka, u sve kraćim vremenskim periodima, zbog čega je Odlučivanje kao naučna i privredna oblast
predmet sve većeg interesovanja.
Ovim praktikumom autori doprinose razvoju kritičkog mišljenja i kreativnosti u rešavanju problema
odlučivanja. Praktikum pokriva i detaljno razrađuje bazične koncepte odlučivanja, kao što su korisnost,
rizik i preferencije i neke od najpopularnijih metoda višekriterijumskog odlučivanja kao što su AHP i VIKOR.
Dodatno, kroz rešavanje zadataka student se uvodi u oblast Ekspertskih sistema, Sistema za podršku
odlučivanju i Mašinskog učenja. Autori prepoznaju sve veću potrebu za integracijom kvantitativnih
metoda, domenskog znanja eksperata i odlučivanja u grupama i kroz primere ove integracije obezbeđuju
čitaocima dobru osnovu za razumevanje naprednih metoda i tehnika odlučivanja.
Prof. dr Dragana Bečejski-Vujaklija,
Vanredni profesor (u penziji) Fakulteta organizacionih Nauka, Univerziteta u Beogradu.
Juna 2019.
______________________________________
Sadržaj
Višekriterijumska analiza odlučivanja (VKAO) .......................................................................................... 1

Višekriterijumsko iterativno kompromisno rangiranje (VIKOR)............................................................... 16
Teorija i funkcije korisnosti .................................................................................................................... 28
Metoda Analitičkih hijerarhijskih procesa (AHP) .................................................................................... 39
Prometej (Promethee) metoda.............................................................................................................. 58
Analiza rizika i Analiza odlučivanja ......................................................................................................... 72
Odlučivanje na osnovu pravila ............................................................................................................... 81
Stabla Odlučivanja ............................................................................................................................... 107
Grupno odlučivanje ............................................................................................................................. 134
Višekriterijumska analiza odlučivanja (VKAO)

Nastava:
1. Zadatak
Potrebno je zaposliti novog junior marketing stručnjaka za potrebe sprovođenja kampanja unutar firme.
Raspisan je konkurs na koji se javio veći broj kandidata. Nakon prvog razgovora sa njima izdvojeno je šest
kandidata sa sledećim osobinama
Radno iskustvo Znanje Tražena plata Fakultet

(u mesecima) (ocena 1-10) (u 100 x €) (ocena 1-10)
Ivan 3 4 3 10
Jelena 12 5 6 7
Marija 16 9 10 10
Stefan 9 7 7 5
Milan 10 5 6 6
Katarina 0 2 2 5
Prilikom formiranja konkursa odredili smo težine kriterijuma i one iznose:

5 4 3 4
a) Filtrirati alternative ukoliko je DO zadao sledeći željeni nivo vrednosti:

3 4 10 5
b) Filtrirati kandidate koji predstavljaju dominirane alternative.

c) Odrediti najprihvatljiviju alternativu ukoliko je DO zadao sledeći nivo željenih vrednosti:

12 5 7 6
d) Odrediti najprihvatljiviju alternativu ukoliko je DO zadao redosled važnosti kriterijuma:
Znanje >> Radno iskustvo >> Tražena plata >> Fakultet
e) Odrediti najprihvatljiviju alternativu ukoliko je DO zadao drugačiji redosled važnosti kriterijuma:
Fakultet >> Tražena plata >> Znanje >> Radno iskustvo
f) Odrediti najprihvatljiviju alternativu primenom otežane sume. Podatke normalizovati 𝐿∞

normom.
1
g) Da li dolazi do promene u rangovima alternativa ukoliko se težina kriterijuma Tražena plata poveća
na 0,5?
Rešenje:
a) Primenom konjuktivne metode dobijamo:

Ivan 3 4 3 10
Jelena 12 5 6 7
Marija 16 9 10 10
Stefan 9 7 7 5
Milan 10 5 6 6
Katarina 0 2 2 5
ŽNV 3 4 10 5
Radno iskustvo Znanje Tražena plata Fakultet Zadovoljava

Ivan 1 1 1 1 T
Jelena 1 1 1 1 T
Marija 1 1 1 1 T
Stefan 1 1 1 1 T
Milan 1 1 1 1 T
Katarina 0 0 1 1 N
Katarina ne zadovoljava željeni nivo vrednosti, te nju možemo izuzeti iz daljeg razmatranja.
b) Poredeći kandidate Milana i Jelenu možemo ustanoviti da je Milan dominirana alternativa.

Jelena 12 5 6 7
Milan 10 5 6 6
Drugim rečima, možemo izuzeti Milana iz daljeg razmatranja.
c) Primenom disjunktivne metode dobijamo:

Ivan 3 4 3 10
Jelena 12 5 6 7
Marija 16 9 10 10
Stefan 9 7 7 5
ŽNV 12 5 7 6
2
Radno iskustvo Znanje Tražena plata Fakultet Zadovoljava

Ivan 0 0 1 1 2
Jelena 1 1 1 1 4
Marija 1 1 0 1 3
Stefan 0 1 1 0 2
Najprihvatljivija alternativa je Jelena.
d) Primenom leksikografske metode dobijamo da je najprihvatljivija alternativa Marija.

e) Primenom leksikografske metode dobijamo da je najprihvatljivija alternativa Ivan.
f) Rešenje je sledeće:
Invertovanje Radno iskustvo Znanje Tražena plata Fakultet

Ivan 3 4 0,333 10
Jelena 12 5 0,167 7
Marija 16 9 0,1 10
Stefan 9 7 0,143 5
max 16 9 0,333 10
Normalizacija Radno iskustvo Znanje Tražena plata Fakultet

Ivan 0,188 0,444 1 1
Jelena 0,75 0,556 0,502 0,7
Marija 1 1 0,3 1
Stefan 0,563 0,778 0,429 0,5
Vrednosti težina su:

0,313 0,25 0,188 0,25
Otežana tab. odl. Radno iskustvo Znanje Tražena plata Fakultet

Ivan 0,059 0,111 0,188 0,25
Jelena 0,235 0,139 0,094 0,175
Marija 0,313 0,25 0,056 0,25
Stefan 0,176 0,195 0,081 0,125
Otežana suma
Ivan 0,608
Jelena 0,643
Marija 0,869
Stefan 0,577
Najprihvatljivija alternative je Marija.
3
g) Nove težine iznose:

0,192 0,154 0,5 0,154
Dobijamo sledeću otežanu tabelu odlučivanja:
Otežana tab. odl. Radno iskustvo Znanje Tražena plata Fakultet

Ivan 0,036 0,068 0,5 0,154
Jelena 0,144 0,086 0,251 0,108
Marija 0,192 0,154 0,15 0,154
Stefan 0,108 0,12 0,215 0,077
Konačno rešenje je:
Otežana suma
Ivan 0,758
Jelena 0,589
Marija 0,65
Stefan 0,52
Dolazi do promene u rangovima alternativa. Odnosno, najprihvatljivija alternativa nakon promene težina
kriterijuma jeste Ivan.
•
2. Zadatak
Tim marketing stručnjaka je odredio moguće strategije za promociju proizvoda. Razmatrali su sve moguće
opcije komunikacije sa korisnicima i nakon analize tržišta odredili su sledeće kriterijume: Troškovi
kampanje (želimo da budu što niži), Broj ljudi koje ćemo kontaktirati (želimo da bude što veći) i Trajanje
kampanje (želimo da bude što veće). Popunjena je sledeća tabela odlučivanja:
Troškovi Broj ljudi Trajanje
(u 100.000 x €) (u 100.000) (u danima)
Agresivno TV 8 6,7 10
TV + Radio 5 4,2 15
Društvene mreže 7 1,9 30
Novine + Radio 4 3,7 7
Pored mogućih strategija tim je odredio i važnosti za svaki od kriterijuma.

0,5 0,25 0,25
4
a) Odrediti najprihvatljiviju alternativu ako je DO zadao željeni nivo vrednosti.

5 3 15
b) Odrediti najprihvatljiviju alternativu ukoliko je DO zadao redosled važnosti kriterijuma:
Troškovi >> Broj ljudi >> Trajanje
c) Odrediti najprihvatljiviju alternativu korišćenjem otežane sume. Podatke normalizovati

primenom 𝐿∞ norme.
d) Šta će se desiti sa redosledom alternative ukoliko se težina kriterijuma Troškovi smanji na 0,4?
Rešenje:
a) Najprihvatljivija alternativa je TV + Radio.

b) Najprihvatljivija alternativa je Novine + Radio.
c) Dobijaju se sledeće otežane sume:
Otežana suma
Agresivno TV 0,583
TV + Radio 0,682
Društvene mreže 0,607
Novine + Radio 0,696
d) Dobijaju se sledeće težine i otežane sume:
Težine:

0,4 0,3 0,3
Otežane sume:
Otežana suma
Agresivno TV 0,6
TV + Radio 0,658
Društvene mreže 0,614
Novine + Radio 0,636
5
3. Zadatak
Raspisan je konkurs na koji se javio veći broj kandidata. Nakon prvog razgovora sa njima izdvojeno je četiri

Ivan 3 4 3 10
Jelena 12 5 6 7
Marija 16 9 10 10
Stefan 9 7 7 5

0,125 0,25 0,5 0,125
a) Ispitati da li postoji razlika u rangovima alternativa ukoliko se primeni otežana suma i otežani
proizvod. Podatke normalizovati 𝐿1 normom.
b) Ispitati da li postoji razlika u rangovima alternative ukoliko se primeni otežana suma i otežani
proizvod. Podatke normalizovati 𝐿2 normom.
c) Ispitati da li postoji razlika u rangovima alternative ukoliko se primeni otežana suma i otežani
proizvod. Podatke normalizovati 𝑚𝑎𝑥 − 𝑚𝑖𝑛 normom.
d) Za zadatak pod a) za otežanu sumu, gradijentnom analizom za kriterijum Tražena plata ispitati
rangove alternative. Odrediti tačku preseka.
Rešenje:
a) Rešenje je sledeće:

Ivan 3 4 0,333 10
Jelena 12 5 0,167 7
Marija 16 9 0,1 10
Stefan 9 7 0,143 5
sum 40 25 0,743 32

Ivan 0,075 0,16 0,448 0,313
Jelena 0,3 0,2 0,225 0,219
Marija 0,4 0,36 0,135 0,313
Stefan 0,225 0,28 0,192 0,156
6
Otežana suma Otežani proizvod

Ivan 0,313 (1) 0,265 (1)
Jelena 0,227 (3) 0,226 (2)
Marija 0,247 (2) 0,220 (3)
Stefan 0,214 (4) 0,210 (4)
Dolazi do promena u rangovima alternativa.
b) Rešenje je sledeće:

Ivan 3 4 0,333 10
Jelena 12 5 0,167 7
Marija 16 9 0,1 10
Stefan 9 7 0,143 5
Koren sume 22,136 13,077 0,411 16,553
kvadrata

Ivan 0,136 0,306 0,809 0,604
Jelena 0,542 0,382 0,406 0,423
Marija 0,723 0,688 0,243 0,604
Stefan 0,407 0,535 0,348 0,302

Ivan 0,574 (1) 0,489 (1)
Jelena 0,419 (3) 0,417 (2)
Marija 0,459 (2) 0,405 (3)
Stefan 0,396 (4) 0,388 (4)
Dolazi do promena u rangovima alternativa.
c) Rešenje je sledeće:
Bitno je obratiti pažnju na različite tipove ekstremizacije podataka.

Ivan 3 4 3 10
Jelena 12 5 6 7
Marija 16 9 10 10
Stefan 9 7 7 5
MIN 3 4 10 5
MAX 16 9 3 10
7

Ivan 0 0 1 1
Jelena 0,692 0,2 0,571 0,4
Marija 1 1 0 1
Stefan 0,462 0,600 0,429 0

Ivan 0,625 (1) 0,000 (2)
Jelena 0,473 (3) 0,431 (1)
Marija 0,500 (2) 0,000 (2)
Stefan 0,423 (4) 0,000 (2)
Dolazi do promene u rangovima alternativa.
d) Prvi korak je određivanje težina. Dobijaju se sledeće težine:

0,25 0,5 0 0,25
0 0 1 0
Dobijaju se sledeće otežane sume:
w(Tražena plata) Ivan Jelena Marija Stefan

0 0,177 0,230 0,358 0,235
1 0,448 0,225 0,135 0,192
Odatle dobijamo liniju prave za svaku alternativu.
a b
Ivan 0,271 0,177
Jelena -0,005 0,230
Marija -0,224 0,358
Stefan -0,043 0,235
Za Ivana i Mariju koji se nalaze na prvom rangu određujemo tačku preseka i dobijamo da je to 0,366.
Kompletan rezultat gradijentne analize je slika koja izgleda ovako:
8
0,5
0,45
0,4
0,35
0,3
Ivan
0,25 Jelena
Marija
0,2
Stefan
0,15
0,1
0,05
0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
9
Zadaci za vežbanje:
1. Zadatak
Firma koja se bavi logistikom želi da izabere novu lokaciju za distributivni centar. Nakon istraživanja tržišta
odredili su sledeće potencijalne lokacije.
Udaljenost Parking Cena Opremljenost

(u km) (br. mesta) (u 1000 x €) (ocena 1-10)
Meljak 25 20 12 6
Šimanovci 30 25 10 4
Voždovac 5 10 15 8
Banovo brdo 6 13 13 7
Određene su i težine kriterijuma i one iznose:

0,2 0,2 0,3 0,3
a) Odrediti najprihvatljiviju alternativu ako je DO zadao redosled važnosti kriterijuma:
Cena >> Parking >> Udaljenost >> Opremljenost
b) Odrediti najprihvatljiviju alternativu ako je DO zadao željeni nivo vrednosti:

10 13 13 6
c) Odrediti najprihvatljiviju alternativu primenom otežane sume. Normalizaciju podataka raditi 𝐿∞

normom.
d) Ispitati da li dolazi do promene u rangovima alternativa ukoliko se primeni 𝐿2 norma.
Rešenje:
a) Najprihvatljivija alternativa je alternativa Šimanovci.

b) Dobijaju se sledeće vrednosti:
Zadovoljava
Meljak 3
Šimanovci 2
Voždovac 2
Banovo brdo 4
Najprihvatljivija alternativa je Banovo brdo.
10
c) Dobijaju se sledeće otežane sume:
Otežana suma
Meljak 0,674
Šimanovci 0,683
Voždovac 0,781
Banovo brdo 0,765
Najprihvatljivija alternativa je Voždovac.
d) Nakon primene 𝐿2 norme dobijaju se sledeće otežane sume:
Otežana suma
Meljak 0,432
Šimanovci 0,439
Voždovac 0,516
Banovo brdo 0,502
Možemo zaključiti da ne dolazi do promene u rangovima alternativa.
•
2. Zadatak
Firma želi da uzme kredit za razvoj kupovinu nove mašine za proizvodnju. Raspitali su se za uslove
kreditiranja u većem broju banki. Izbor su sveli na sledeće banke.
Kamata Rok odobrenja Kolateral Grejs period

(u %) (u danima) (u 10.000 x €) (u mesecima)
Hapi kredit 9 10 10 2
Zelena banka 6 15 15 6
Zadnja šansa 13 7 3 1
Psy banka 10 5 5 1
Poznate su i težine kriterijuma koje iznose:

0,4 0,1 0,3 0,2
a) Odrediti najprihvatljiviju alternativu ukoliko je DO zadao redosled važnosti kriterijuma:
Kolateral >> Kamata >> Rok odobrenja >> Grejs perios
b) Odrediti najprihvatljiviju alternative primenom otežanog proizvoda. Za normalizaciju podataka

koristiti 𝐿∞ normu.
11
c) Šta ako pregovaranjem sa Zadnjom šansom uspemo da produžimo Grejs period na dva meseca?
Da li dolazi do promene u rangovima alternative (postupak rešavanja identičan kao u delu
zadatka pod b)?
d) Gradijentnom analizom (sa početnom tabelom odlučivanja) za kriterijum Kamata ispitati koje
alternative i u kojem opsegu težina su prvorangirane. Za agregaciju koristiti otežanu sumu.
Podatke normalizovati 𝐿∞ normom.
Rešenje:
a) Najprihvatljivija alternativa je Zadnja šansa.

b) Dobijaju se sledeći otežani proizvodi:
Otežani proiz.
Hapi kredit 0,443
Zelena banka 0,554
Zadnja šansa 0,496
Psy banka 0,489
Najprihvatljivija alternativa je Zelena banka.
c) Nakon promene vrednosti za Grejs period alternative Zadnja šansa na 2 dobijamo sledeće
otežane proizvode:
Otežani proiz.
Hapi kredit 0,443
Zelena banka 0,554
Zadnja šansa 0,57
Psy banka 0,489
Najprihvatljivija alternativa postaje Zadnja šansa.
d) Dobijaju se sledeće otežane sume:
Kamata Hapi kredit Zelena banka Zadnja šansa Psy banka

0 0,344 0,489 0,73 0,523
1 0,665 1 0,461 0,599
12
Grafički dobijamo:
Otežane sume
1,2
0,8
0,6
0,4
0,2
0
0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1
Hapi kredit Zelena banka Zadnja šansa Psy banka
Primećujemo da je Zadnja šansa prihvatljivija alternativa za niže vrednosti težine Kamate, dok za veće
težine prihvatljivija je alternativa Zelena banka.
Tačka preseka je 0,256.
•
3. Zadatak
Javno preduzeće je raspisalo tender za nabavku softverskog rešenja za Registar odlikovanja. Na osnovu
konkursne dokumentacije sastavljena je tabela odlučivanja.
Cena Rok isporuke Tehnologija Iskustvo

(u 1.000 x €) (u mesecima) (ocena 1-10) (br. projekata)
Sopstveni res. 2 3 3 3
Aga 12 1 10 15
DotTrade 10 1 8 11
Blue & Red Tree 15 2 9 16

0,5 0,2 0,1 0,2
13
a) Odrediti najprihvatljiviju alternativu ukoliko je DO zadao nivo željenih vrednosti.

10 2 8 10
b) Odrediti najprihvatljiviju alternativu primenom otežane sume. Podatke normalizovati 𝑚𝑎𝑥 − 𝑚𝑖𝑛
normom.
c) Odrediti najprihvatljiviju alternative primenom otežane sume. Podatke normalizovani 𝐿1
normom.
d) Da li dolazi do promene u rangovima alternativa u b) I c) ukoliko je vrednost težine za kriterijum
Cena jednaka 0,4.
Rešenje:
a) Dobijaju se sledeće vrednosti:
Zadovoljava
Sopstveni res. 1
Aga 3
DotTrade 4
Blue & Red Tree 3
Najprihvatljivija alternativa je DotTrade.
b) Dobijaju se sledeće otežane sume:
Otežana suma
Sopstveni res. 0,5
Aga 0,601
DotTrade 0,587
Blue & Red Tree 0,386
Najprihvatljivija alternativa je Aga.
c) Primenom 𝐿1 normalizacije podataka dobijamo sledeće otežane sume:
Otežana suma
Sopstveni res. 0,381
Aga 0,227
DotTrade 0,214
Blue & Red Tree 0,181
Najprihvatljivija alternativa je Sopstveni resursi.
14
d) Nove vrednosti težina su:

0,4 0,24 0,12 0,24
Otežane sume su sledeće:
Otežana suma Otežana suma

max-min 𝐿1
Sopstveni res. 0,4 0,323
Aga 0,674 0,249
DotTrade 0,628 0,229
Blue & Red Tree 0,463 0,199
15
Višekriterijumsko iterativno kompromisno rangiranje

(VIKOR)
Nastava:
1. Zadatak
Grad želi da izgradi liniju metroa. Raspisan je konkurs na koji se prijavio veći broj preduzeća. Nakon
inicijalne selekcije alternativa uz pomoć konjuktivne metode, formiran je uži krug građevinskih firmi.
Njihove ponude su date u sledećoj tabeli:
Troškovi Kvalitet mat. Rok izgradnje Garantni rok

(u 1M x €) (ocena 1-10) (u mesecima) (u mesecima)
Neimar 14 6 48 32
Brze pruge 10 5 36 36
BG MetroFront 20 8 16 30
German Rail 18 10 24 24
Prilikom formiranja konkursa DO je formirao težine kriterijuma i one iznose:

0,4 0,2 0,3 0,1
a) Odrediti najprihvatljiviju alternativu korišćenjem otežane sume. Podatke normalizovati 𝐿∞

normom.
b) Odrediti najprihvatljiviju alternativu korišćenjem MAXIMIN i MAXIMAX metode. Podatke
normalizovati 𝐿∞ normom.
c) Odrediti najprihvatljiviju alternativu na osnovu kompromisa između otežane sume iz zadatka
pod a) i MAXIMIN metode iz zadatka pod b) ako je vrednost parametra v jednaka 0,7.
Normalizaciju pri kreiranju kompromisa vršiti 𝑚𝑎𝑥 − 𝑚𝑖𝑛 (IKOR) normom.
d) Šta se dešava sa kompromisnim rešenjem alternative BG MetroFront ako se vrednost parametra
v smanji na 0,3.
Rešenje:
Zadaci pod a) i b) se u velikoj meri preklapaju, odnosno razlikuje im se samo korak agregacije. U tabeli
ispod su prikazane normalizovane vrednsti alternative po svakom od kriterijuma.
Norm. Troškovi Kvalitet mat. Rok izgradnje Garantni rok

Neimar 0,71 0,6 0,333 0,889
Brze pruge 1 0,5 0,444 1
BG MetroFront 0,5 0,8 1 0,833
German Rail 0,56 1 0,667 0,667
16
Naredna tabela prikazuje otežanu normalizovanu tabelu odlučivanja.
Težinski Troškovi Kvalitet mat. Rok izgradnje Garantni rok

normalizovana
tab. odl.
Neimar 0,284 0,12 0,1 0,089
Brze pruge 0,4 0,1 0,139 0,1
BG MetroFront 0,2 0,16 0,3 0,083
German Rail 0,224 0,2 0,2 0,067
Na osnovu otežane, normalizovane tabele odlučivanja, dobijamo sledeća rešenja.
a) Otežana suma
Otežana suma
Neimar 0,593
Brze pruge 0,733
BG MetroFront 0,743
German Rail 0,691
Prvorangirana alternativa je BG MetroFront.
b) MAXIMIN i MAXIMAX metoda
MAXIMIN MAXIMAX
Neimar 0,089 0,284
Brze pruge 0,1 0,4
BG MetroFront 0,083 0,3
German Rail 0,067 0,224
Prema obe metode prvorangirana alternativa je alternativa Brze pruge.
c) Uspostavljamo kompromis između otežane sume (strategija S) i MAXIMIN metode (strategija R).
Dobijamo:
Normalizacija Otežana suma MAXIMIN

(S) (R)
Neimar 0 0,667
Brze pruge 0,933 1
BG MetroFront 1 0,485
German Rail 0,653 0
v 0,7 0,3
17
Otežana suma MAXIMIN Q

(S) (R)
Neimar 0 0,2 0,2
Brze pruge 0,653 0,3 0,953
BG MetroFront 0,7 0,146 0,846
German Rail 0,457 0 0,457
Prvorangirana alternativa je alternativa Brze pruge.
d) Nakon promene vrednosti parametra v na 0,3 dobijamo:
Q
Neimar 0,467
Brze pruge 0,98
BG MetroFront 0,64
German Rail 0,196
Vrednost strategije Q za alternativu BG MetroFront se smanjila sa 0,846 na 0,64.
2. Zadatak
Kompanija X želi da zaposli junior marketing stručnjaka za potrebe sprovođenja kampanja unutar firme.

Ivan 3 4 3 10
Jelena 12 5 6 7
Marija 16 9 10 10
Stefan 9 7 7 5

0,2 0,1 0,4 0,3
a) Primenom otežane sume i MAXIMIN metode odrediti najprihvatljiviju alternativu. Normalizaciju

podataka raditi preko 𝐿1 norme.
b) Odrediti najprihvatljiviju alternativu na osnovu kompromisa između otežane sume i MAXIMIN
metode ako je parametra v iznosi 0,9. Normalizaciju prilikom kreiranja kompromisa raditi IKOR
normom.
c) Da li dolazi do promene u rangovima alternative ako se vrednost parametra v smanji na 0,25.
18
Rešenje:
a) Dobijamo sledeće otežane sume i vrednosti MAXIMIN metode.
Otežana suma MAXIMIN

(S) (R)
Ivan 0,304 0,015
Jelena 0,236 0,02
Marija 0,264 0,036
Stefan 0,197 0,028
Koristeći otežanu sumu prvorangirana alternativa je Ivan. Međutim, primenom MAXIMIN metode
prvorangirana alternativa je Marija.
b) Kompromisno rešenje koje dobijamo na osnovu rezultata iz a) i preko parametra v iznosi:
Q
Ivan 0,9
Jelena 0,352
Marija 0,663
Stefan 0,062
Na osnovu kompromisa između otežane sume i MAXIMIN metode rešenje na prvom rangu je Ivan.
c) Nakon promene parametra v dobijamo:
Q
Ivan 0,25
Jelena 0,27
Marija 0,907
Stefan 0,464
•
3. Zadatak

Ivan 3 4 3 10
Jelena 12 5 6 7
Marija 16 9 10 10
Stefan 9 7 7 5
19

0,125 0,25 0,5 0,125
a) Primenom otežane sume i MAXIMIN metode odrediti najprihvatljivije alternative. Normalizaciju

podataka uraditi 𝑚𝑎𝑥 − 𝑚𝑖𝑛 normom.
b) Uspostaviti kompromis između otežane sume (strategija S) I MAXIMIN (strategija R) ako je
vrednost parametra v jednaka 0,5.
c) Odrediti skup kompromisnih rešenja za zadatak pod b).
d) Sprovesti gradijentnu analizu parametra v.
Rešenje:
a) Nakon normalizacije podataka dobijamo:

Ivan 0 0 1 1
Jelena 0,692 0,2 0,571 0,4
Marija 1 1 0 1
Stefan 0,462 0,6 0,429 0
Vrednosti otežane sume i MAXIMIN metode iznose:

Ivan 0,625 0
Jelena 0,473 0,05
Marija 0,5 0
Stefan 0,423 0
b) Prilikom uspostavljanja kompromisa imamo nakon normalizacije:
Otežana suma MAXIMIN Q

(S) (R)
Ivan 1 0 0,5
Jelena 0,248 1 0,624
Marija 0,381 0 0,191
Stefan 0 0 0
Dobijamo da je prvorangirana alternativa Ivan.
c) Potrebno je da ispitamo dovoljnu prednost i dovoljno čvrstu poziciju.
Dovoljna prednost:
DQ = min{0,25; 0,333} = 0,25
0,624 – 0,5 ≥ 0,25
0,124 ≥ 0,25
20
Alternativa Jelena nema dovoljnu prednost ni u odnosu na Ivana. Kako nije zadovoljena dovoljna prednost
nema potrebe ispitivati dovoljno čvrstu poziciju. Skup kompromisnih rešenja čine sve alternative u odnosu
na koju prvorangirana alternativa ne ispunjava dovoljnu prednost.
U datom primeru skup kompromisnih rešenja čine Jelena i Ivan.
d) Dobijamo:
Gradijentna analiza
1,2
1 1
1
0,8
0,6
0,381
0,4
0,248
0,2
0 0
0
Q0 Q1
Ivan Jelena Milan Stefan
Primećujemo da su Jelena i Ivan uvek prvorangirani. Potrebno je da odredimo tačku preseka.
Dobijamo sledeće vrednosti:
A b
Ivan 1 0
Jelena -0,752 1
Marija 0.381 0
Stefan 0 0
Tačka preseka je 0,571.
21
1. Zadatak

Meljak 25 20 12 6
Voždovac 5 10 15 8

0,25 0,1 0,45 0,2
a) Primenom otežane sume i MAXIMIN metode odrediti najprihvatljivije alternative. Normalizaciju

podataka raditi sa 𝐿∞ normom.
b) Odrediti najprihvatljivije kompromisno rešenje između otežane sume i MAXIMIN metode.
Vrednost parametra v iznosi 0,5. Normalizaciju pri kreiranju kompromisa raditi 𝑚𝑎𝑥 − 𝑚𝑖𝑛
normom.
c) Ispitati da li prvorangirana alternativa ima dovoljnu prednost.
d) Ispitati da li prvorangirana alternative ima dovoljno čvrstu poziciju.
e) Odrediti skup kompromisnih rešenja.
Rešenje:
a) Nakon sprovođenja postpuka računanja otežane sume i MAXIMIN metode dobijamo sledeće
vrednosti:

Meljak 0,654 0,05
Šimanovci 0,691 0,041
Voždovac 0,792 0,04
Banovo brdo 0,783 0,052
b) Dobijamo sledeće kompromisno rešenje:
Q
Meljak 0,417
Šimanovci 0,176
Voždovac 0,5
Banovo brdo 0,968
22
c) Alternativa Banovo brdo ima dovoljnu prednost.
DQ = min{0,25; 0,333} = 0,25
0,968 – 0,5 ≥ 0,25

0,468 ≥ 0,25
d) Za različita podešavanja parametra v dobijamo:
v=0 v=1 v=0,25 v=0,75

Meljak 0,833 0 0,625 0,208
Šimanovci 0,083 0,268 0,129 0,222
Voždovac 0 1 0,25 0,75
Banovo brdo 1 0,935 0,984 0,951
Alternativa Banovo brdo ima dovoljno čvrstu poziiju.
e) Najprihvatljivija alternativa je Banovo brdo jer zadovoljava i dovoljnu prednost i dovoljno čvrstu
poziciju, te kažemo da skup kompromisnih rešenja čini alternativa Banovo brdo.
•
2. Zadatak
Firma želi da uzme kredit za razvoj kupovinu nove mašine za proizvodnju. Raspitali su se za uslove
kreditiranja u većem broju banaka. Izbor su sveli na sledeće banke.

(u %) (u danima) (u 10.000 x €) (u mesecima)
Hapi kredit 9 10 10 2
Zelena banka 6 15 15 6
Zadnja šansa 13 7 3 2
Psy banka 10 5 5 1

0,4 0,1 0,3 0,2
a) Primenom otežane sume odrediti najprihvatljivije rešenje. Normalizaciju podataka raditi 𝐿1

normom.
b) Metodom MAXIMIN i MAXIMAX odrediti najprihvatljivije alternative. Normalizaciju podataka
raditi preko 𝐿1 norme.
c) Uspostaviti kompromis između otežane sume i MAXIMIN metode, ako je vrednost parametra v =
0,7. Normalizaciju pri kreiranju kompromisa raditi preko 𝑚𝑎𝑥 − 𝑚𝑖𝑛 norme.
d) Da li dolazi promene u rangu alternativa ako se vrednost parametra v promeni na 0,4?
e) Ispitati da li prvorangirana alternativa ima dovoljnu prednost.
f) Ispitati da li prvorangirana alternative ima dovoljno čvrstu poziciju.
23
g) Odrediti skup kompromisnih rešenja.
Rešenje:
a) Dobijamo sledeće otežane sume:
Otežana suma
Hapi kredit 0,197
Zelena banka 0,298
Zadnja šansa 0,275
Psy banka 0,231
b) Dobijamo sledeće rezultate:
MAXIMIN MAXIMAX
Hapi kredit 0,02 0,098
Zelena banka 0,013 0,147
Zadnja šansa 0,028 0,143
Psy banka 0,018 0,088
c) Nakon računanja kompromisnog rešenja dobijamo:
Q
Hapi kredit 0,14
Zelena banka 0,7
Zadnja šansa 0,84
Psy banka 0,336
d) Promenom parametra v na 0,4 dolazi do promene u rangu alternative i to:
Q
Hapi kredit 0,28
Zelena banka 0,4
Zadnja šansa 0,909
Psy banka 0,335
e) Za dovoljnu prednost ispitujemo v = 0,5. Dobijamo:
Q
Hapi kredit 0,234
Zelena banka 0,5
Zadnja šansa 0,886
Psy banka 0,336
Alternativa Zadnja šansa ima dovoljnu prednost u odnosu na Zelenu banku.
f) Potrebno je da testiramo tri specifična podešavanja parametra v. Dobijamo:
24
v=0 v=1 v=0,25 v=0,75

Hapi kredit 0,467 0 0,35 0,117
Zelena banka 0 1 0,25 0,75
Zadnja šansa 1 0,772 0,943 0,829
Psy banka 0,333 0,337 0,334 0,336
Alternativa Zadnja šansa zadovoljava dovoljno čvrstu poziciju.
3. Zadatak
Javno preduzeće je raspisalo tender za nabavku softverskog rešenja za Registar odlikovanja. Na osnovu
konkursne dokumentacije sastavljena je tabela odlučivanja.

(u 1.000 x €) (u mesecima) (ocena 1-10) (br. projekata)
Sopstveni res. 2 3 3 3
Aga 12 1 10 15
DotTrade 8 1 8 11

0,7 0,05 0,05 0,2
a) Odrediti najprihvatljiviju alternativu primenom otežane sume i MAXIMIN metode. Normalizaciju

podataka raditi preko 𝑚𝑎𝑥 − 𝑚𝑖𝑛 norme.
b) Uspostaviti kompromis između otežane sume i MAXIMIN metode dobijene u a) ako je vrednost
parametra v = 0,5. Normalizaciju prilikom kreiranja kompromisa raditi preko 𝑚𝑎𝑥 − 𝑚𝑖𝑛 norme.
c) Odrediti skup kompromisnih rešenja.
d) Sprovesti gradijentnu analizu parametra v.
Rešenje:
a) Dobijaju se sledeće vrednosti:

Sopstveni res. 0,7 0
Aga 0,447 0,05
DotTrade 0,586 0,036
Blue & Red Tree 0,268 0
b) Nakon računanja strategije Q dobijaju se sledeće vrednosti:
25
Q
Sopstveni res. 0,5
Aga 0,707
DotTrade 0,728
Blue & Red Tree 0
c) Alternativa DotTrade nema dovoljnu prednost u odnosu na Aga niti u odnosu na alternativu
Sopstveni resursi.
Skup kompromisnih rešenja čine DotTrade, Aga i Sopstveni resursi.
d) Gradijenta analiza parametra v može da se sprovede koristeći tabelu dovoljno čvrste pozicije.
Grafički dobijamo sledeće rezultate.
v=0 v=1 v=0,25 v=0,75

Sopstveni res. 0 1 0,25 0,75
Aga 1 0,414 0,854 0,561
DotTrade 0,72 0,736 0,724 0,732
Gradijentna analiza
1,2
0,8
0,6
0,4
0,2
0
0 0,25 0,75 1
Sopstveni resursi Aga DotTrade Blue Red Tree
Možemo primetiti da tri alternative figuriraju kao prvorangirane. Za njih treba odrediti tačke preseka.
26
Dobijamo:
A b
Sopstveni res. 1 0
Aga -0,586 1
DotTrade 0,016 0,72
Blue & Red Tree 0 0
Tačka preseka alternative Aga i DotTrade je 0,439. Zatim proveravamo tačku preseka između alternative
DotTrade i Sopstveni resursi. Ona iznosi 0,631. Dakle, možemo da zaključimo da ako je v između 0 i 0,439
tada je prvorangirana alternativa Aga. Zatim, ako je v preko 0,439 i ispod 0,631 onda je prvorangirana
alternativa DotTrade. Na kraju, ako je vrednost parametra v preko 0,631 onda je prvorangirana alternativa
Sopstveni resursi.
27
Teorija i funkcije korisnosti

1. Zadatak
Dati su podaci o kriterijumima za izborne predmete na fakultetu, među kojima je potrebno izabrati jedan
izborni predmet. Date su i jedinice u kojima je izmerena vrednost svakog kriterijuma.
[ocena [br. radova [br. strana [br. univerziteta
studenata] nastavnika] knjige] koji izučavaju]
Koristan Stručan Težak Aktuelan
ALD Sistemi 4.8 3 250 8
Upraljvanje MI 3.9 2 200 4
Izabrana poglavlja iz TSO 4 6 180 2
Teorija SS 4.5 8 300 6
W 0,4 0,2 0,1 0,3
a) DO je ispitan standardnom tehnikom kockanja, u vezi atributa "Težak". Rekao je da bi bio indiferentan
prema opcijama da se kocka sa 50% verovatnocom da dobije vrednost 300 ili 0, ili da dobije čisto
alternativu sa Težinom 190.
Skicirati funkciju korisnosti DO za taj kriterijum i odrediti matematički oblik eksponencijalne funkcije koji
ga opisuje. Iskomentarisati odnos ka riziku DO.
b) Izračunati nove vrednosti koristi za alternative, za kriterijum Težak.
c) Upitan za kriterijum “Stručan”, DO je rekao da bi bio indiferentan da uzme alternativu sa sigurnom

vrednošću stručnosti 3, ili da se kocka da dobije najbolju vrednost tog kriterijuma, sa verovatnoćom 50%
(ali da sa 50% verovatnoćom ne dobije ništa).
Skicirati funkciju korisnosti DO za taj kriterijum i odrediti matematički oblik eksponencijalne funkcije koji
ga opisuje. Iskomentarisati odnos ka riziku DO.
d) Izračunati nove vrednosti koristi za alternative, za kriterijum Stručan.
e) Izračunati otežanu sumu atributa svih alternativa, i odrediti predlog najbolje alternative
(normalizovati L∞ normom).
f) DO je takođe ispitivan standardnom tehnikom kockanja, za korist od atributa “Aktuelan”, i rekao je
sledece:
 bio bi indiferentan da se kocka za vrednost 10, sa verovatnoćom 70% da izgubi, ili da dobije
sigurnih 2
 bio bi indiferentan da se kocka sa verovatnoćom 50%:50% da dobije 10 ili 2, ili da dobije sigurnih
4
28
Izračunati 2 tačke na krivi korisnosti za ovog DO, i skicirati grafik.
g) Za DO je izmereno da korisnost od nekog atributa podleže funkciji: 𝐾(𝑥) = 𝑒 −0.7 ∙ (4−𝑥)
 Analizirati funkciju i reći kakav je odnos DO prema kriterijumu i kakav prema riziku. Skicirati
grafik.
Rešenje:
a) Na osnovu informacija od DO, možemo da postavimo jednu iteraciju standardne tehnike

kockanja:
0,5 ∙ 𝐾 (300) + 0.5 ∙ 𝐾 (0) = 1 ∙ 𝐾(190)

Pošto znamo da je kriterijum „Težak“ tipa minimizacije, tj. da je korist opada sa rastom težine,
možemo da postavimo da: 𝐾(0) = 1.0 a 𝐾(300) = 0.0
Iz toga znamo da je 𝐾 (190) = 0,5 ∙ 0,0 + 0,5 ∙ 1,0 = 0,5
Ukoliko bi korisnost DO lažala tačno na liniji indiferentnosti, onda bi korisnost od 0,5 postigao u
tački tačno između 0 i 300, tj. u 150. S obzirom da smo saznali da je 𝐾(190) = 0,5 možemo reći
da je njegova kriva korisnosti iznad krive indiferentnosti.
Grafik te funkcije možemo skicirati:
180
Eksponencijalna funkcija koja opada i leži iznad prave indiferentnosti (konkavna je), ima oblik:
𝐾(𝑥 ) = 1 − 𝑒 −𝛼∙(𝑀−𝑥)/𝑀
Da bi ova kriva prošla kroz tačku 𝐾 (190) = 0,5 :
𝑀 300
𝛼 = − ln(0,5) ∙ = − ln(0,5) ∙ = 1,89
𝑀−𝑘 300 − 190
Dakle funkcija korisnosti za kriterijum „Težak“ se može za ovog DO opisati funkcijom:
29
𝐾 (𝑡𝑒ž𝑖𝑛𝑎) = 1 − 𝑒 −1,89∙(300−𝑥)/300
Takođe, može se reći da DO ima averziju prema riziku za kriterijum „Težak“.
b) Korisnosti za vrednosti kriterijuma “Težak” su onda:

[br. strana
knjige]
Težak K(Težak)
250 0,270
200 0,467
180 0,531
300 0
c) Standardna tehnika kockanja je postavljena kao:

0,5 ∙ 𝐾(8) + 0.5 ∙ 𝐾 (0) = 1 ∙ 𝐾(3)
Pošto je kriterijum maksimizacije, K(8)=1 a K(0)=0, tj.

0,5 ∙ 1 + 0.5 ∙ 0 = 1 ∙ 𝐾(3)
𝐾(3) = 0,5
Funkcija se može skicirati kao:
Eksponencijelna funkcija je oblika:

𝐾(𝑥 ) = 1 − 𝑒 −𝛼∙𝑥/𝑀
𝑀 8
𝛼 = − ln(0,5) ∙ = − ln(0,5) ∙ = 1,85
𝑘 3
Dakle funkcija korisnosti za kriterijum „Stručan“ se može za ovog DO opisati funkcijom:
30
𝐾(𝑠𝑡𝑟𝑢č𝑎𝑛) = 1 − 𝑒 −1,85∙𝑥/8
DO iskazuje averziju ka riziku za kriterijum Stručan.
d) Korisnosti za vrednosti kriterijuma “Stručan” su onda:

[br. radova
nastavnika]
Stručan K(Stručan)
3 0,50
2 0,37
6 0,75
8 0,84
e) Nova matrica odlučivanja sada izgleda:

[ocena [br. univerziteta
studenata] koji izučavaju]
Koristan K(Stručan) K(Težak) Aktuelan
ALD 4.8 0,50 0,270 8
MI 3.9 0,37 0,467 4
TSO 4 0,75 0,531 2
SS 4.5 0,84 0 6
W 0,4 0,2 0,1 0,3
Nakon normalizacije L∞ normom,
Koristan K(Stručan) K(Težak) Aktuelan

ALD 1 0.593 0.509 1
MI 0.813 0.439 0.881 0.5
TSO 0.833 0.89 1 0.25
SS 0.938 1 0 0.75
W 0,4 0,2 0,1 0,3
Iz čega je otežana suma:
OK
ALD 0.869
MI 0.651
TSO 0.686
SS 0.800
31
f) DO je iskazao 2 iteracije standardne tehnike kockanja:

0,3 ∙ 𝐾 (10) + 0.7 ∙ 𝐾(0) = 1 ∙ 𝐾(2)
0,5 ∙ 𝐾 (10) + 0.5 ∙ 𝐾(2) = 1 ∙ 𝐾(4)
Ako stavimo da ekstremne vrednosti budu: 𝐾 (10) = 1 i 𝐾 (10) = 0 , iz prve jednačnine se

dobija da je:
𝐾(2) = 0,3
Iz druge jednačnine se dobija da je:

𝐾 (4) = 0,5 ∙ 1 + 0,5 ∙ 0,3 = 0,65
g) Da bi analizirali odnos DO za funkciju 𝐾(𝑥) = 𝑒 −0.7 ∙ (4−𝑥), moramo izračunati njene izvode.
′
𝐾 ′ (𝑥) = 𝑒 −0.7 ∙ (4−𝑥) ∙ (−0.7 ∙ (4 − 𝑥)) = 𝑒 −0.7 ∙ (4−𝑥) ∙ (+0.7)
′
𝐾 ′′ (𝑥) = 0.7 ∙ 𝑒 −0.7 ∙ (4−𝑥) ∙ (−0.7 ∙ (4 − 𝑥)) = 0.7 ∙ 𝑒 −0.7 ∙ (4−𝑥) ∙ (0.7)
Što znači da je 𝐾 ′ (𝑥) > 0 i 𝐾 ′′ (𝑥) > 0 iz čega zaključujemo da je funkcija rastuća i konveksna, tj. da
DO korisnost raste sa porastom vrednosti kriterijuma, kao i da ima sklonost ka riziku.
32
2. Zadatak
Dati su podaci o kriterijumima za izbor automobila, među kojima je potrebno izabrati jedan. Date su i
jedinice u kojima je izmerena vrednost svakog kriterijuma.
ocena ocena god ppmv

Ocena
Izgled Starost Zagadjivanje
majstora
Fabia 5 2 4 0.2
Audi 2 1 10 0.7
Opel 1 4 6 3 0.8
Yugo 5 10 15 0.1
Opel 2 3 5 20 0.3
W 0,2 0,4 0,3 0,1
a) DO je ispitan standardnom tehnikom kockanja, u vezi atributa "Ocena majstora". Rekao je da bi bio
indiferentan prema opcijama da se kocka sa 50% verovatnocom da dobije najbolju vrednost ili da ne
dobije ništa, ili da dobije čisto alternativu sa Ocenom 8.
Odrediti matematički oblik eksponencijalne funkcije koji ga opisuje, izračunati nove vrednosti kriterijuma
za sve alternative, I skicirati grafik. Iskomentarisati odnos ka riziku DO.
b) DO je ispitan standardnom tehnikom kockanja, u vezi atributa "Starost". Rekao je da bi bio

indiferentan prema opcijama da se kocka sa 50% verovatnocom da dobije vrednost 0 ili 20, ili da dobije
čisto alternativu sa Starosti 6.
c) DO je ispitan standardnom tehnikom kockanja, u vezi atributa "Zagađivanje". Rekao je da bi bio

indiferentan prema opcijama da se kocka sa 50% verovatnocom da dobije vrednost 0,8 ili 0, ili da dobije
čisto alternativu sa Zagađivanjem 0,65.
d) Izračunati otežanu sumu atributa svih alternativa, i odrediti predlog najbolje alternative
(normalizovati L1 normom).
Rešenje:
a) 𝐾(8) = 0,5 , K(10)=1, K(0)=0
𝑀−𝑥
Oblik je: 𝐾(𝑥 ) = 𝑒 −𝛼∙ 𝑀
33
10
𝛼 = − ln(0,5) ∙ = 3.47
2
𝐾(𝑡𝑒ž𝑖𝑛𝑎 ) = 𝑒 −3.47∙(10−𝑥)/10
Ocena
majstora
Fabia 0.063
Audi 0.044
Opel 1 0.250
Yugo 1.000
Opel 2 0.177
Može se reći da DO ima sklonost prema riziku za kriterijum „Ocena majstora“.
b) 𝐾(6) = 0,5 , K(20)=0, K(0)=1
𝑥
Oblik je: 𝐾(𝑥 ) = 𝑒 −𝛼∙𝑀
20
𝛼 = − ln(0,5) ∙ = 2.31
6
𝐾(𝑡𝑒ž𝑖𝑛𝑎 ) = 𝑒 −2.31 ∙ 𝑥/20
Starost
Fabia 0.630
Audi 0.315
Opel 1 0.707
Yugo 0.177
Opel 2 0.099
34
Može se reći da DO ima sklonost prema riziku za kriterijum „Starost“.
c) 𝐾(0.65) = 0,5 , K(0.8)=0, K(0)=1
𝑀−𝑥
Oblik je: 𝐾(𝑥 ) = 1 − 𝑒 −𝛼∙ 𝑀
0.8
𝛼 = − ln(0,5) ∙ = 3.70
0.15
𝐾(𝑡𝑒ž𝑖𝑛𝑎 ) = 1 − 𝑒 −3.70∙(0.8−𝑥)/0.8
Zagađivanje
Fabia 0.938
Audi 0.370
Opel 1 0.000
Yugo 0.961
Opel 2 0.901
Može se reći da DO ima averziju prema riziku za kriterijum „Zagađivanje“.
35
d)
OK
Fabia 0.197
Audi 0.093
Opel 1 0.218
Yugo 0.371
Opel 2 0.121
Zadatak 3:
Želimo da saznamo afinitete DO prema sledećim cenama hotelskih soba: 25, 40, 55, 65. Pretpostavljamo
da je za najbolju vrednost preferencija 10, a za najgoru preferencija 1. DO je indiferentan između cene od
40, sa kockom, u kojoj, sa jednakim verovatnoćama, može da se dogodi situacija da cena bude 25 ili 65.
Indiferentan je, takođe, između cene od 55 i kocke: cena 25 (P=0.2) i cena 65 (P=0.8). Odrediti date tačke
na krivi korisnosti DO, i skicirati grafik, sa linijom indiferentnosti, i iskomentarisati odnos DO prema riziku.
Rešenje:
Postavljamo jednačinu kojom ispitujemo korisnost sigurne alternative i kocke.
K(25) * 0,5 + K(65) * 0,5 = K(40)
10 * 0,5 + 1 * 0,5 = K(40)
 K(40) = 5,5
Takođe, imamo:
K(25) * 0,2 + K(65) * 0,8 = K(55)
10 * 0,2 + 1 * 0,8 = K(55)
 K(55) = 2,8
Vrednost Korisnost
25 10
40 5,5
55 2,8
65 1
36
K(x)
Vred.
Kako nam je linija korisnosti ispod linije indiferentnosti, tj. očekivanog ponašanja, zaključujemo da DO
iskazuje sklonost ka riziku.
Zadatak 4:
Za cenu hotela, zadata je funkcija korisnosti donosioca odluke: 250*x-1. Izračunati vrednosti za korisnost.
Vrednosti cena hotela su 25, 40, 55 i 65 (iste kao iz prethodnog zadatka). Takođe, potrebno je odrediti
vrstu funkcije korisnosti.
Rešenje:
Ubacujući vrednosti cena hotela u formulu, dobijamo:
Vrednost Korisnost
25 250 ∗ 1/25 = 10
40 250 ∗ 1/40 = 6,25
55 250 ∗ 1/55 = 4,55
65 250 ∗ 1/65 = 3,85
Sada treba da odredimo vrstu funkcije korisnosti. Dakle, treba da izračunamo drugi izvod funkcije. Treba
imati u vidu da je funkcija tipa minimizacije. Prvi izvod je:
(250 ∗ 𝑥 −1 )′ = −1 ∗ 250 ∗ 𝑥 −2 = −250 ∗ 𝑥 −2 < 0
Zatim, računamo drugi izvod i dobijamo:
37
(−250 ∗ 𝑥 −2 )′ = −2 ∗ −250 ∗ 𝑥 −3 = 500 ∗ 𝑥 −3 > 0, za pozitivne vrednosti X.
Kako je vrednost pozitivna, zaključujemo da DO iskazuje sklonost ka riziku.
Zadatak 5:
Za kriterijum „čistoća hotela“, zadata je funkcija korisnosti donosioca odluke e0,1*x2/1.3. Vrednosti
kriterijuma su 3, 4 i 5. Izračunati vrednosti za korisnost. Takođe odrediti vrstu funkcije korisnosti.
Vrednost Korisnost
2
𝑒 0.1∗3
3 = 1.89
1.3
2
𝑒 0.1∗4
4 = 3.81
1.3
2
𝑒 0.1∗5
5 = 9.37
1.3
Kada smo dobili vrednosti, računamo prvi i drugi izvod funkcije. Prvi izvod je:
2 ′
𝑒 0.1∗𝑥 1 2 0.2 2
( ) = ∗ (0.1 ∗ 𝑥 2 )′ ∗ 𝑒 0.1∗𝑥 = ∗ 𝑥 ∗ 𝑒 0.1∗𝑥 > 0
1.3 1.3 1.3
Drugi izvod je jednak (zanemarujući pozitivnu konstantu):

2 ′ 2 2 ′ 2 2
(𝑥 ∗ 𝑒 0.1∗𝑥 ) = (𝑥 ′ ∗ 𝑒 0.1∗𝑥 + 𝑥 ∗ (𝑒 0.1∗𝑥 ) ) = 𝑒 0.1∗𝑥 + 0.2 ∗ 𝑥 2 ∗ 𝑒 0.1∗𝑥 > 0
Odavde zaključujemo da DO ima sklonost ka riziku.
38
Metoda Analitičkih hijerarhijskih procesa (AHP)

Nastava:
1. Zadatak
Na konkurs za posao za poziciju junior BI programera se javio veliki broj kandidata. Nakon inicijalne
selekcije i sprovedenog testiranja popunila se sledeća tabela odlučivanja.
Radno Znanje Plata Fakultet

iskustvo Teorijsko Praktično Utisak
znanje znanje
Ivan 3 72 11 8 300 FON
Jelena 12 32 74 6 600 EkoF
Marija 16 81 97 5 1000 FON
Stefan 9 66 77 5 700 Singidunum
a) Odrediti težine kriterijuma aproksimativnom AHP metodom ukoliko je DO popunio sledeće

matrice procene:
Radno iskustvo Znanje Plata Fakultet

Radno iskustvo (2) 1 2
Znanje 2 3
Plata 2
Fakultet
Teorijsko znanje Praktično znanje Utisak

Teorijsko znanje (2) 1
Praktično znanje 1
Utisak
b) Odrediti vrednosti alternativa za kriterijume primenom aproksimativne AHP metode ukoliko je

DO popunio sledeće matrice procene:
Radno iskustvo Ivan Jelena Marija Stefan

Ivan (4) (8) (2)
Jelena (2) 2
Marija 5
Stefan
39
Plata Ivan Jelena Marija Stefan

Ivan 4 6 5
Jelena 3 2
Marija (2)
Stefan
Fakultet Ivan Jelena Marija Stefan

Ivan 2 1 5
Jelena (2) 2
Marija 5
Stefan
Teorijsko znanje Ivan Jelena Marija Stefan

Ivan 5 1 2
Jelena (6) (4)
Marija 3
Stefan
Praktično Ivan Jelena Marija Stefan

znanje
Ivan (2) (4) (2)
Jelena (2) 1
Marija 2
Stefan
Utisak Ivan Jelena Marija Stefan

Ivan 2 3 3
Jelena 2 2
Marija 1
Stefan
c) Ispitati da li su matrice procene koje je DO popunio konzistentne primenom aproksimativne

metode provere konzistentnosti.
d) Koristeći težine iz a) i vrednosti dobijene u b) odrediti najprihvatljiviju alternativu primenom
otežane sume.
40
Rešenje:
a) Aproksimativnom metodom rešavanja matrice procene dobijamo sledeće vrednosti.
Suma w
Radno iskustvo 4,5 0,233
Znanje 8 0,414
Plata 4,5 0,233
Fakultet 2,333 0,121
19,333
Suma w
Teorijsko znanje 2,5 0,263
Praktično znanje 4 0,421
Utisak 3 0,316
9,5
b) Primenom aproksimativne metode dobijamo sledeće vrednosti:
Radno iskustvo Suma w

Ivan 1,875 0,064
Jelena 7,5 0,258
Marija 16 0,55
Stefan 3,7 0,127
29,075
Plata Suma w
Ivan 16 0,572
Jelena 6,25 0,224
Marija 2 0,072
Stefan 3,7 0,132
27,95
Fakultet Suma w
Ivan 9 0,377
Jelena 4 0,167
Marija 9 0,377
Stefan 1,9 0,079
23,9
41
Teorijsko znanje Suma w

Ivan 9 0,328
Jelena 1,617 0,059
Marija 11 0,401
Stefan 5,833 0,212
27,45
Praktično znanje Suma w

Ivan 2,25 0,111
Jelena 4,5 0,222
Marija 9 0,444
Stefan 4,5 0,222
20,25
Utisak Suma w
Ivan 9 0,446
Jelena 5,5 0,273
Marija 2,833 0,14
Stefan 2,833 0,14
20,167
c) Aproksimativnom metodom dobijamo sledeće vrednosti konzistentnosti matrica.
Za matrice procene koje se odnose na težine kriterijuma:
A*w w 𝜆 CI CR
Radno 4,128 − 4 0,043
0,915 0,233 3,927 = 0,043 = 0,048
iskustvo 4−1 0,9
Znanje 1,709 0,414 4,128
Plata 0,915 0,233 3,927
Fakultet 0,492 0,121 4,066
A*w w 𝜆 CI CR
Teorijsko 3,165 − 3 0,083
0,79 0,263 3,004 = 0,083 = 0,143
znanje 3−1 0,58
Praktično
1,263 0,421 3
znanje
Utisak 1 0,316 3,165
42
Za matrice procene koje se odnose na vrednosti alternativa po kriterijumima:
Radno iskustvo A*w w 𝜆 CI CR

Ivan 4,078 − 4 0,026
0,261 0,064 4,078 = 0,026 = 0,029
4−1 0,9
Jelena 1,043 0,258 4,043
Marija 2,213 0,55 4,024
Stefan 0,494 0,127 3,89
Plata A*w w 𝜆 CI CR
Ivan 4,476 − 4 0,159
2,56 0,572 4,476 = 0,159 = 0,177
4−1 0,9
Jelena 0,847 0,224 3,781
Marija 0,308 0,072 4,278
Stefan 0,502 0,132 3,803
Fakultet A*w w 𝜆 CI CR
Ivan 4,204 − 4 0,068
1,483 0,377 3,934 = 0,068 = 0,076
4−1 0,9
Jelena 0,702 0,167 4,204
Marija 1,483 0,377 3,934
Stefan 0,313 0,079 3,962
Teorijsko znanje A*w w 𝜆 CI CR

Ivan 4,415 − 4 0,138
1,448 0,328 4,415 = 0,138 = 0,153
4−1 0,9
Jelena 0,244 0,059 4,136
Marija 1,719 0,401 4,287
Stefan 0,746 0,212 3,519
Praktično znanje A*w w 𝜆 CI CR

Ivan 4−4 0
0,444 0,111 4 =0 =0
4−1 0,9
Jelena 0,888 0,222 4
Marija 1,776 0,444 4
Stefan 0,888 0,222 4
Utisak A*w w 𝜆 CI CR
Ivan 4,108 − 4 0,036
1,832 0,446 4,108 = 0,036 = 0,04
4−1 0,9
Jelena 1,056 0,273 3,868
Marija 0,565 0,14 4,036
Stefan 0,565 0,14 4,036
43
d) Nakon ubacivanja težina iz a) i vrednosti iz b) dobijamo:
Radno Znanje Plata Fakultet

iskustvo Teorijsko Praktično Utisak
znanje znanje
Ivan 0,064 0,328 0,111 0,446 0,572 0,377
Jelena 0,258 0,059 0,222 0,273 0,224 0,167
Marija 0,55 0,401 0,444 0,14 0,072 0,377
Stefan 0,127 0,212 0,222 0,14 0,132 0,079
0,263 0,421 0,316
w 0,233 0,233 0,121
0,414
Odatle dobijamo:
Radno
Znanje Plata Fakultet OK
iskustvo
Ivan 0,064 0,274 0,572 0,377 0,307
Jelena 0,258 0,195 0,224 0,167 0,213
Marija 0,55 0,337 0,072 0,377 0,331
Stefan 0,127 0,193 0,132 0,079 0,151
w 0,233 0,414 0,233 0,121
Najprihvatljivija alternativa je Marija.
2. Zadatak
Za izgradnju metro linije u Beogradu prijavili su se sledeća preduzeća sa sledećim ponudama:

Neimar 14 6 48 32
Brze pruge 10 5 36 36
BG MetroFront 20 8 16 30
German Rail 18 10 24 24
a) DO želi preciznije da odredi težine kriterijuma te je popunio matricu procene. Primenom

aproksimativne AHP metode odrediti težine kriterijuma. Ispitati konzistentnost matrice procene
primenom aproksimativne metode.

Troškovi 1 2 5
Kvalitet mat. 3 5
Rok izgradnje 2
Garantni rok
44
b) DO želi preciznije da odredi vrednosti kriterijuma Kvalitet materijala, te je popunio matricu

procene. Odrediti vrednosti za kriterijum Kvalitet materijala primenom aproksimativne AHP
metode.
Kvalitet mat. Neimar Brze pruge BG MetroFront German Rail

Neimar 1 (3) (4)
Brze pruge (4) (5)
BG MetroFront 1
German Rail
c) Grafički ispitati dobijene korisnosti iz b) i uporediti ih sa situacijom kada je DO indiferentan ka

riziku.
d) Koristeći težine dobijene u a) i vrednosti za kriterijum Kvalitet materijala iz b) odrediti
najprihvatljiviju alternativu primenom otežane sume. Normalizaciju podataka uraditi preko L1
norme.
Rešenje:
a) Primenom aproksimativne AHP metode nad definisanom matricom procene dobijamo:
Suma w
Troškovi 9 0,364
Kvalitet mat. 10 0,404
Rok izgradnje 3,833 0,155
Garantni rok 1,9 0,077
24,733
Zatim ispitujemo konzistentnost matrice procene i dobijamo:
A*w w 𝜆 CI CR
Troškovi 4,039 − 4 0,013
1,463 0,364 4,019 = 0,013 = 0,014
4−1 0,9
Kvalitet mat. 1,618 0,404 4,005
Rok izgradnje 0,626 0,155 4,039
Garantni rok 0,309 0,077 4,013
b) Nakon primene aproksimativne matrice procene dobijamo sledeće vrednosti:
Kvalitet mat. Suma w

Neimar 2,583 0,103
Brze pruge 2,45 0,098
German Rail 11 0,439
25,033
45
c) Grafičko poređenje izgleda ovako:
Kvalitet mat. L1 w
Neimar 6 0,207
Brze pruge 5 0,172
German Rail 10 0,345
29
Kvalitet materijala
0,5
0,439
0,4
0,36 0,345
0,3
0,276
0,2 0,207
0,172
0,1 0,098 0,103
0
5 6 7 8 9 10
Indif. AHP
d) Nakon uključivanja težina iz a) i vrednosti alternativa za kriterijum Kvalitet materijala iz b)

dobijamo:

Neimar 14 0,103 48 32
Brze pruge 10 0,098 36 36
BG MetroFront 20 0,36 16 30
German Rail 18 0,439 24 24
w 0,364 0,404 0,155 0,077
Nakon invertovanja i normalizacije dolazimo do tabele odlučivanja:
Normalizovana Troškovi Kvalitet mat. Rok izgradnje Garantni rok

tabela odlučivanja (u 1M x €) (ocena 1-10) (u mesecima) (u mesecima)
Neimar 0,256 0,103 0,136 0,262
Brze pruge 0,361 0,098 0,182 0,295
BG MetroFront 0,181 0,36 0,409 0,246
German Rail 0,202 0,439 0,273 0,197
w 0,364 0,404 0,155 0,077
46
Na kraju otežanom sumom dobijamo:
OK
Neimar 0,176
Brze pruge 0,222
BG MetroFront 0,293
German Rail 0,308
Zaključujemo da je najprihvatljivija alternativa German Rail.
3. Zadatak
Na konkurs za posao za poziciju junior BI programera se javio veliki broj kandidata. Nakon inicijalne
selekcije i sprovedenog testiranja popunila se sledeća tabela odlučivanja sa izračunatim vrednostima
korisnosti.
Radno
Znanje Plata Fakultet
iskustvo
Ivan 0,064 0,274 0,572 0,377
Jelena 0,258 0,195 0,224 0,167
Marija 0,55 0,337 0,072 0,377
Stefan 0,127 0,193 0,132 0,079
Kako postoje tri DO, svaki od njih je popunio svoju matricu procene. One su prikazane ispod:
DO1 Radno iskustvo Znanje Plata Fakultet

Znanje 2 3
Plata 2
Fakultet

Znanje 5 3
Plata 1
Fakultet

Radno iskustvo 1 1 (5)
Znanje 2 (3)
Plata (3)
Fakultet
47
a) Odrediti težine kriterijuma metodom stepenovanja. Ispitati konzistentnost matrica procene.

b) Usaglasiti mišljenja DO primenom aritmetičke sredine.
c) Odrediti težine kriterijuma DO agregacijom matrica procene sva tri DO.
d) Odrediti najprihvatljiviju alternativu otežanom sumom primenom težina kriterijuma iz b) i
primenom težina iz c). Komentarisati da li je došlo promene redosleda u rangovima alternativa.
Rešenja:
a) Za prvu matricu procene, odnosno DO1, dobijamo:
DO1 Suma W1 A*W1 W2 A*W2 W3

Radno
4,5 0,233 0,915 0,227 3,669 0,227
iskustvo
Znanje 8 0,414 1,709 0,424 6,845 0,424
Plata 4,5 0,233 0,915 0,227 3,669 0,227
Fakultet 2,333 0,121 0,492 0,122 1,977 0,122
19,333 4,031 16,16
Konzistentnost matrice procene dobijamo na sledeći način:
DO1 A*w (A*w)*w w*w 𝜆 CI CR

Radno
0,91 1,193 0,298 4,003 0,001 0,001
iskustvo
Znanje 1,698
Plata 0,91
Fakultet 0,49
Za drugog DO dobijamo:
DO2 Suma W1 A*W1 W2 A*W2 W3 A*W3 W4

Radno
3,2 0,135 0,528 0,131 2,135 0,132 8,612 0,132
iskustvo
Znanje 14 0,59 2,36 0,587 9,461 0,585 38,161 0,585
Plata 3,2 0,135 0,528 0,131 2,135 0,132 8,612 0,132
Fakultet 3,333 0,14 0,607 0,151 2,45 0,151 9,874 0,151
23,733 4,023 16,181 65,259
Konzistentnost matrice procene dobijamo na sledeći način:
48

Radno
0,532 1,612 0,4 4,03 0,01 0,011
iskustvo
Znanje 2,358
Plata 0,532
Fakultet 0,61
Za DO3 dobijamo:
DO3 Suma W1 A*W1 W2 … A*W3 W4

Radno
3,2 0,143 0,571 0,139 … 9,545 0,139
iskustvo
Znanje 4,333 0,194 0,77 0,188 … 12,987 0,189
Plata 2,833 0,127 0,546 0,133 … 9,162 0,134
Fakultet 12 0,537 2,215 0,54 … 36,901 0,538
22,366 4,102 68,595
Odatle dobijamo konzistentnost na sledeći način:

Radno
0,5696 1,484 0,362 4,099 0,033 0,037
iskustvo
Znanje 0,774933
Plata 0,546683
Fakultet 2,2022
b) Mišljenja tri DO se mogu agregirati na sledeći način:
DO1 DO2 DO3 w

Radno iskustvo 0,227 0,132 0,139 0,166
Znanje 0,424 0,585 0,189 0,399
Plata 0,227 0,132 0,134 0,164
Fakultet 0,122 0,151 0,538 0,270
c) Nakon spajanja tri matrice procene u jednu (primenom geometrijske sredine) dobijamo sledeću
matricu procene:
Radno iskustvo Znanje Plata Fakultet

Radno iskustvo 1 0,464 1 0,737
Znanje 2,154 1 2,714 1,442
Plata 1 0,368 1 0,874
Fakultet 1,357 0,693 1,145 1
49
Odatle dobijamo sledeće težine аproksimativnom metodom:
Sum w
Radno
3,201 0,178
iskustvo
Znanje 7,31 0,407
Plata 3,242 0,181
Fakultet 4,195 0,234
17,948
d) Tabela odlučivanja sa težinama izgleda:
Radno
Znanje Plata Fakultet
iskustvo
Ivan 0,064 0,274 0,572 0,377
Jelena 0,258 0,195 0,224 0,167
Marija 0,55 0,337 0,072 0,377
Stefan 0,127 0,193 0,132 0,079
w (b) 0,166 0,399 0,164 0,27
w (c) 0,178 0,407 0,181 0,234
Odatle dobijamo sledeće otežane sume:
OS 1 OS 2
Ivan 0,316 0,315
Jelena 0,203 0,205
Marija 0,339 0,336
Stefan 0,141 0,144
Zaključujemo da je prvorangirana alternativa Marija i da nema promene u rangovima alternativa.
50
1. Zadatak
Firma želi da kupi službeni automobile za svakodnevne potrebe. U tu svrhu je istražila tržište i popunila
sledeću tabelu odlučivanja:
Troškovi
Cena Komfor
održavanja
Fiat Punto 11 0,9 5
Škoda Superb 19 1,4 9
Mercedes A 23 2,3 10
Dacia Logan 12 0,6 7
a) Odrediti težine kriterijuma agregacijom matrica procene dva DO.
DO1 Cena Troš. odr. Komfor

Cena 1 2
Troš. odr. 2
Komfor
DO2 Cena Troš. odr. Komfor

Cena 2 1
Troš. odr. 2
Komfor
b) Aproksimativnom metodom odrediti vrednosti kriterijuma Komfor ukoliko je zadatak sledeća

matrica procene.
Komfor Fiat Punto Škoda Superb Mercedes A Dacia Logan

Fiat Punto (4) (5) 1
Škoda Superb (2) 2
Mercedes A 5
Dacia Logan
c) Ispitati konzistentnost matrice procene iz b)

d) Odrediti najprihvatljiviju alternativu na osnovu kompromisa između Otežane sume i MAXIMIN
metode ako je vrednost parametra v = 0,5. Normalizaciju podataka uradili L1 normom. Za težine
koristiti težine dobijene u a), a vrednosti za kriterijuma Komfor iz b). Normalizaciju pri kreiranju
kompromisa raditi 𝑚𝑎𝑥 − 𝑚𝑖𝑛 normom.
e) Odrediti skup kompromisnih rešenja za rezultate iz d)
51
Rešenje:
a) Dobijaju se sledeće težine:
w
Cena 0,393
Troš. odr. 0,381
Komfor 0,227
b) Dobijaju se sledeće vrednosti za kriterijum Komfor:
Komfor w
Fiat Punto 0,096
Škoda Superb 0,292
Mercedes A 0,507
Dacia Logan 0,105
c) Racio konzistetnosti iznosi:
CR
0,099
d) Dobijaju se sledeće očekivane koristi:
Q
Fiat Punto 0,263
Škoda Superb 0,5
Mercedes A 0,265
Dacia Logan 0,523
e) Skup kompromisnih rešenja čine Dacia Logan i Škoda Superb.
2. Zadatak

Meljak 25 20 12 6
Voždovac 5 10 15 8
52

0,25 0,1 0,45 0,2
a) Metodom stepenovanja odrediti vrednosti za kriterijum Opremljenost ukoliko je DO popunio

sledeću matricu procene:
Opremljenost Meljak Šimanovci Voždovac Banovo brdo

Meljak 1 (3) (3)
Šimanovci (5) (4)
Voždovac 1
Banovo brdo
b) Ispitati konzistentnost matrice procene iz a) Rejlijevim koeficijentom.

c) Grafički uporediti dobijene vrednosti sa situacijom kada je DO indiferentan prema riziku
d) Odrediti najprihvatljiviju alternativu primenom Otežanog proizvoda. Podatke normalizovati L 1
normom. Vrednosti za kriterijum Opremljenost preuzeti iz a).
e) Šta se dešava sa rangovima alternativa ukoliko koristimo težine dobijene aproksimativnom
metodom iz sledeće matrice procene:

Udaljenost 2 (2) 1
Parking (5) (2)
Cena 2
Opremljenost
Rešenje:
a) Metodom stepenovanja dobijamo sledeće vrednosti za kriterijum Opremljenost:
Opremljenost W4
Meljak 0,119
Šimanovci 0,097
Voždovac 0,404
Banovo brdo 0,38
b) Koristeći rezultate iz a) dobijamo sledeće vrednosti:
Aw*w w*w lambda CI CR

1,333 0,331 4,027 0,009 0,010
c) Grafički odnos dobijenih vrednosti u odnosu na indiferentnost prema riziku izgleda:
53
Opremljenost
0,45
0,4 0,404
0,38
0,35
0,32
0,3
0,28
0,25 0,24
0,2
0,15 0,16
0,119
0,1 0,097
0,05
0
4 5 6 7 8
Indif. AHP
d) Dobijamo sledeće otežane proizvode (u koloni OP1 se nalazi vrednost bez n-tog korena, a u koloni
OP2 vrednosti dobijene sa n-tim korenom):
OP1 OP2
Meljak 0,171 0,643
e) Nove vrednosti težina su:
w
Udaljenost 0,212
Parking 0,104
Cena 0,472
Opremljenost 0,212
Koristeći nove težine dobijamo sledeće otežane proizvode (kolona OP1 predstavlja proizvod, dok kolona
OP2 predstavlja 4-ti koren proizvoda):
OP1 OP2
Meljak 0,177 0,648
Zaključujemo da ne dolazi do promene u rangovima alternativa.
54
3. Zadatak
Za potrebe internet prodavnice potrebno je izabrati veb server na kome će se nalaziti aplikacija i baza
podataka. Kriterijum Pouzdanost je podeljen na kriterijume Otkaz u radu i DDOS napada.
Cena Opterećenje Pouzdanost

($ mesečno) (% iskorišćene Otkaz u radu DDOS napada
memorije) (sati mesečno) (# napada)
TeleVIP 50 35 0,5 1
AladinHost 70 20 3 2
.io 20 100 4 7
Buba Star 80 70 0,1 1
a) Potrebno je odrediti težine kriterijuma aproksimativnom AHP metodom ukoliko su dva donosioca
odluke popunila sledeće matrice procena:
DO 1:

Cena 2 (2)
Opterećenje (4)
Pouzdanost
Otkaz u radu DDOS napada

Otkaz u radu 3
DDOS napada
DO 2:

Cena 3 2
Opterećenje (2)
Pouzdanost
Otkaz u radu DDOS napada

Otkaz u radu 2
DDOS napada
b) Ispitati konzistentnost matrica procene iz a) primenom aproksimativne metode provere

konzistentnosti.
c) Odrediti očekivane koristi za svakog DO primenom otežane sume, MAXIMIN i MAXIMAX metoda.
Normalizaciju podataka raditi L∞ normom.
d) Usaglasiti mišljenja DO prema važnostima (težinama) kriterijuma primenom aritmetičke sredine i
odrediti očekivanu korist (otežana suma, MAXIMIN i MAXIMAX metode) za svaku alternativu.
Normalizaciju podataka raditi L∞ normom.
55
Rešenja:
a) Dobijaju se sledeće težine:
DO 1:
w
Cena 0,286
Opterećenje 0,143
Pouzdanost 0,571
w
Otkaz u radu 0,75
DDOS
0,25
napada
DO 2:
w
Cena 0,529
Opterećenje 0,162
Pouzdanost 0,309
w
Otkaz u radu 0,667
DDOS
0,333
napada
b) Dobijaju se sledeće konzistentnosti:
DO 1: Za prvu matricu procene CR = 0,003, a za drugu matricu procene CR = 0.
DO 2: Za prvu matricu procene CR = 0,076, dok je konzistentnosti druge matrice procene CR = 0.
c) Dobijaju se sledeće vrednosti:
DO1 OK MAXIMIN MAXIMAX

TeleVIP 0,425 0,083 0,228
AladinHost 0,309 0,08 0,143
.io 0,346 0,029 0,286
Buba Star 0,685 0,04 0,571
DO2 OK MAXIMIN MAXIMAX

TeleVIP 0,45 0,094 0,212
AladinHost 0,368 0,058 0,162
.io 0,581 0,02 0,529
Buba Star 0,492 0,045 0,309
56
d) Nove vrednosti težina su:
w
Cena 0,408
Opterećenje 0,153
Pouzdanost 0,44
w
Otkaz u radu 0,709
DDOS
0,292
napada
Koristeći dobijene težine dobijaju se sledeće vrednosti:
OK MAXIMIN MAXIMAX
TeleVIP 0,443 0,089 0,191
AladinHost 0,341 0,074 0,153
.io 0,465 0,026 0,408
Buba Star 0,589 0,043 0,44
57
Prometej (Promethee) metoda

Nastava:
1. Zadatak
Nakon razvoja aplikacije javio se problem izbora veb servera gde će se aplikacija postaviti. Nakon
razmatranja servera izdvojile su se sledeće zemlje kao potencijalni kandidati za postavljanje veb aplikacije
sa sledećim vrednostima po kriterijumima.
Brzina Cena Otkaz u radu

[Mb/s] [eur] [min]
Srbija 4 50 35
Kina 2 20 100
Hrvatska 3 70 30
Amerika 5 95 60
w 0.3 0.4 0.3
a) Odrediti preferencije DO između alternativa po kriterijumima ukoliko su date sledeće vrednosti

parametra indiferentnosti i parametra preferencije.

[Mb/s] [eur] [min]
m 0 20 10
n 0 20 40
b) Odrediti ukupne preferencije DO prema parovima alternativa.
c) Odrediti najprihvatljiviju alternativu korišćenjem čistog toka preferencija.
Rešenje:
a) Nakon konstruisanja funkcija preferencije za svaki kriterijum i računanja preferencija dobija se:
0, 𝑥≤0
𝑝𝑏𝑟𝑧𝑖𝑛𝑎 (𝑥) = {
1, 𝑥>0
0, 𝑥 ≤ 20
𝑝𝑐𝑒𝑛𝑎 (𝑥) = {
1, 𝑥 > 20
0, 𝑥 ≤ 10
𝑥 − 10
𝑝𝑜𝑡𝑘𝑎𝑧 (𝑥) = { , 10 < 𝑥 ≤ 40
30
1, 𝑥 > 40
58
Brzina Cena Otkaz

Srbija, Kina 1 0 1
Srbija, Hrvatska 1 0 0
Srbija, Amerika 0 1 0.500
Kina, Srbija 0 1 0
Kina, Hrvatska 0 1 0
Kina, Amerika 0 1 0
Hrvatska, Srbija 0 0 0
Hrvatska, Kina 1 0 1
Hrvatska, Amerika 0 1 0.667
Amerika, Srbija 1 0 0
Amerika, Kina 1 0 1
Amerika, Hrvatska 1 0 0
b) Množenjem preferencija po kriterijumima sa odgovarajućim težinama i njihovim sabiranjem

dobijamo:
Preferencije
Srbija, Kina 0.6
Srbija, Hrvatska 0.3
Srbija, Amerika 0.55
Kina, Srbija 0.4
Kina, Hrvatska 0.4
Kina, Amerika 0.4
Hrvatska, Srbija 0
Hrvatska, Kina 0.6
Hrvatska, Amerika 0.6
Amerika, Srbija 0.3
Amerika, Kina 0.6
Amerika, Hrvatska 0.3
c) Prikazivanjem podataka u pogodnijem obliku (matrica otežanih preferencija) računamo

pozitivan, negativan i čist tok.
Srbija Kina Hrvatska Amerika T+ T

Srbija 0.6 0.3 0.55 0.483 0.25
Kina 0.4 0.4 0.4 0.4 -0.2
Hrvatska 0 0.6 0.6 0.4 0.067
Amerika 0.3 0.6 0.3 0.4 -0.117
T- 0.233 0.6 0.333 0.517
Najprihvatljivija alternative je Srbija.
59
2. Zadatak
Programerska firma želi da se proširi kupovinom novog poslovnog prostora. Izdvojili su sledeće lokacije.
Mesta za sedenje Cena Kancelarija

[broj] [100*eur] [broj]
(1) Vračar 55 75 12
(2) Centar 120 100 18
(3) Stepojevac 10 10 7
(4) Banovo brdo 100 50 16
(5) Novi Beograd 90 60 14
w 0.5 0.2 0.3

Mesta Cena Kancelarija

m 20 10 2
n 40 50 7
b) Odrediti ukupne preferencije DO prema parovima alternativa.
c) Odrediti najprihvatljiviju alternativu korišćenjem čistog toka preferencija.
Rešenje:
a) Dobijamo sledeće f-je preferencija, zatim i sledeće vrednosti preferencija po kriterijumima.
0, 𝑥 ≤ 20
𝑥 − 20
𝑝𝑚𝑒𝑠𝑡𝑎 (𝑥) = { , 20 < 𝑥 ≤ 40
20
1, 𝑥 > 40
0, 𝑥 ≤ 10
𝑥 − 10
𝑝𝑐𝑒𝑛𝑎 (𝑥) = { , 10 < 𝑥 ≤ 50
40
1, 𝑥 > 50
0, 𝑥≤2
𝑥−2
𝑝𝑘𝑎𝑛𝑐𝑒𝑙𝑎𝑟𝑖𝑗𝑎 (𝑥) = { , 2<𝑥≤7
5
1, 𝑥>7
60
Mesta Cena Kancelarija

(1), (2) 0 0.375 0
(1), (3) 1 0 0.6
(1), (4) 0 0 0
(1), (5) 0 0 0
(2), (1) 1 0 0.8
(2), (3) 1 0 1
(2), (4) 0 0 0
(2), (5) 0.5 0 0.4
(3), (1) 0 1 0
(3), (2) 0 1 0
(3), (4) 0 0.75 0
(3), (5) 0 1 0
(4), (1) 1 0.375 0.4
(4), (2) 0 1 0
(4), (3) 1 0 1
(4), (5) 0 0 0
(5), (1) 0.75 0.125 0
(5), (2) 0 0.75 0
(5), (3) 1 0 1
(5), (4) 0 0 0
b) Množenjem preferencija po kriterijumima sa odgovarajućim težinama i njihovim sabiranjem

dobijamo:
Preferencije
(1), (2) 0.075
(1), (3) 0.68
(1), (4) 0
(1), (5) 0
(2), (1) 0.74
(2), (3) 0.8
(2), (4) 0
(2), (5) 0.37
(3), (1) 0.2
(3), (2) 0.2
(3), (4) 0.15
(3), (5) 0.2
(4), (1) 0.695
(4), (2) 0.2
(4), (3) 0.8
(4), (5) 0
(5), (1) 0.4
(5), (2) 0.15
(5), (3) 0.8
(5), (4) 0
61
c) Prikazivanjem podataka u pogodnijem obliku (matrica otežanih preferencija) računamo

pozitivan, negativan i čist tok.
Vračar Centar Stepojevac Banovo Novi T+ T

brdo Beograd
Vračar 0.075 0.68 0 0 0.189 -0.32
Centar 0.74 0.8 0 0.37 0.478 0.322
Stepojevac 0.2 0.2 0.15 0.2 0.188 -0.582
Banovo 0.695 0.2 0.8 0 0.424 0.386
brdo
Novi 0.4 0.15 0.8 0 0.338 0.195
Beograd
T- 0.509 0.156 0.77 0.038 0.143
3. Zadatak
Nakon razvoja aplikacije javio se problem izbora veb servera gde će se aplikacija postaviti. Nakon
razmatranja servera izdvojile su se sledeće zemlje kao potencijalni kandidati za postavljanje veb aplikacije
sa sledećim vrednostima po kriterijumima.

[Mb/s] [eur] [min]
Srbija 4 50 35
Kina 2 20 100
Hrvatska 3 70 30
Amerika 5 95 60
w 0.3 0.4 0.3


[Mb/s] [eur] [min]
m 0 20 10
n 0 20 40
b) Izračunati čist tok za svaki kriterijum pojedinačno.

c) Izračunati matricu kovarijansi čistih tokova.
62
d) Odrediti procenat varijanse koje opisuju prve dve glavne komponente. Vizualizovati alternative,
kriterijume i težine na Gaja ravni, ukoliko su iz matrice kovarijansi dobijene sledeće sopstvene
vrednosti i sopstveni vektori.
Sopstvene vrednosti
Lambda 1 Lambda 2 Lambda 3

1.5584 0.3347 0.0353
Sopstveni vektori
V1 V2 V3
0.6658 -0.3189 0.6745
-0.6356 0.2309 0.7367
0.3907 0.9192 0.0490
Rešenje:
a) Preferencije se dobijaju na identičan način kao u prvom zadatku. Odnosno, dobijamo:
Brzina Cena Otkaz

Srbija, Kina 1 0 1
Srbija, Hrvatska 1 0 0
Srbija, Amerika 0 1 0.500
Kina, Srbija 0 1 0
Kina, Hrvatska 0 1 0
Kina, Amerika 0 1 0
Hrvatska, Srbija 0 0 0
Hrvatska, Kina 1 0 1
Hrvatska, Amerika 0 1 0.667
Amerika, Srbija 1 0 0
Amerika, Kina 1 0 1
Amerika, Hrvatska 1 0 0
b) Čisti tokovi su sledeći:
Brzina Srbija Kina Hrvatska Amerika T+ T

Srbija 1 1 0 0.667 0.334
Kina 0 0 0 0 -1
Hrvatska 0 1 0 0.333 -0.334
Amerika 1 1 1 1 1
T- 0.333 1 0.667 0
63
Cena Srbija Kina Hrvatska Amerika T+ T

Srbija 0 0 1 0.333 0
Kina 1 1 1 1 1
Hrvatska 0 0 1 0.333 0
Amerika 0 0 0 0 -1
T- 0.333 0 0.333 1
Otkaz Srbija Kina Hrvatska Amerika T+ T

Srbija 1 0 0.5 0.5 0.5
Kina 0 0 0 0 -1
Hrvatska 0 1 0.667 0.556 0.556
Amerika 0 1 0 0.333 -0.056
T- 0 1 0 0.389
c) Dobijene rezultate možemo predstaviti u matrici čistih tokova. Dobijamo:
Brzina Cena Otkaz

Srbija 0.334 0 0.5
Kina -1 1 -1
Hrvatska -0.334 0 0.556
Amerika 1 -1 -0.056
w 0.3 0.4 0.3
Zatim, iz matrice čistih tokova računamo matricu kovarijansi.
Brzina Cena Otkaz

Brzina 0.741 -0.667 0.308
Cena -0.667 0.667 -0.315
Otkaz 0.308 -0.315 0.521
d) Procenat varijanse se dobija kao udeo sopstvene vrednosti u ukupnim sopstvenim vrednostima:
Lambda 1 Lambda 2 Lambda 3 Suma

1.5584 0.3347 0.0353 1.9284
80,813% 17,356% 1,831% 100%
Prve dve komponente obuhvataju 98,169%.
Vizualizaciju Gaja ravni dobijamo prebacivanjem vrednosti u prostor glavnih komponenti. Prvo,
množenjem matrice čistih tokova i sopstvenih vektora dobijamo:
64
PC1 PC2
Srbija 0,4177 0,3531
Kina -1,6921 -0,3694
Hrvatska -0,0051 0,6176
Amerika 1,2795 -0,6013
w 0,0627 0,2725
Zatim, dobijene vrednosti koristimo za vizuelni prikaz zajedno sa sopstvenim vektorima. Sopstveni vektori
predstavljaju vrednosti koje odgovaraju kriterijumima.
65
1. Zadatak
DO želi da kupi službeni automobil za odlaske na sastanke, putovanja i prenos materijala. Kao rezultat
istraživanja ponuda popunila je sledeću tabelu odlučivanja:
Cena Troškovi održavanja Komfor

[eur] [eur] [1-10]
Fiat Punto 11 0.9 5
Škoda Superb 19 1.4 9
Mercedes A 23 2.3 10
Dacia Logan 12 0.6 7
a) Odrediti težine kriterijuma ukoliko je DO popunio sledeću matricu procene:

Cena 1 2
Troškovi održavanja 2
Komfor
b) Odrediti preferencije DO između alternativa po kriterijumima ukoliko su date sledeće vrednosti


m 3 0.3 0
n 7 1.1 3
c) Odrediti ukupne preferencije DO prema parovima alternativa.

d) Odrediti koju alternativu najviše preferiramo u odnosu na ostale, zatim za koju alternativu najviše
preferiramo druge u odnosu na nju i koja je najprihvatljivija alternativa.
Rešenje:
a) Težine kriterijuma su:

0.4 0.4 0.2
b) Dobijaju se sledeće vrednosti preferencija:
66
Cena Troškovi Komfor

održavanja
Fiat Punto, Škoda Superb 1 0.25 0
Fiat Punto, Mercedes A 1 1 0
Fiat Punto, Dacia Logan 0 0 0
Škoda Superb, Fiat Punto 0 0 1
Škoda Superb, Mercedes A 0.25 0.75 0
Škoda Superb, Dacia Logan 0 0 0.667
Mercedes A, Fiat Punto 0 0 1
Mercedes A, Škoda Superb 0 0 0.333
Mercedes A, Dacia Logan 0 0 1
Dacia Logan, Fiat Punto 0 0 0.667
Dacia Logan, Škoda Superb 1 0.625 0
Dacia Logan, Mercedes A 1 1 0
c) Ukupne preferencije DO prema parovima alternativa iznose:
Pref.
Fiat Punto, Škoda Superb 0.5
Fiat Punto, Mercedes A 0.8
Fiat Punto, Dacia Logan 0
Škoda Superb, Fiat Punto 0.2
Škoda Superb, Mercedes A 0.4
Škoda Superb, Dacia Logan 0.133
Mercedes A, Fiat Punto 0.2
Mercedes A, Škoda Superb 0.067
Mercedes A, Dacia Logan 0.2
Dacia Logan, Fiat Punto 0.133
Dacia Logan, Škoda Superb 0.65
Dacia Logan, Mercedes A 0.8
d) Dobijamo sledeće vrednosti:
Punto SuperB Mercedes Dacia T+ T

A Logan
Punto 0.5 0.8 0 0.433 0.255
SuperB 0.2 0.4 0.133 0.244 -0.162
Mercedes 0.2 0.067 0.2 0.156 -0.511
A
Dacia 0.133 0.65 0.8 0.528 0.417
Logan
T- 0.178 0.406 0.667 0.111
67
Alternativa koju najviše preferiramo u odnosu na ostale alternative jeste Dacia Logan. Alternativa koja je
najviše preferirana od strane ostalih alternativa je Mercedes A. Najprihvatljivija alternativa je Dacia Logan.
2. Zadatak

[km] [br. mesta] [1000x€] [1-10]
Meljak 25 20 12 6
Voždovac 5 10 15 8
w 0.25 0.1 0.45 0.2
a) DO želi da iskaže korisnost za kriterijum Cena, te je zadao parametar indiferentnosti čija je

vrednost 0 i parametar preferencija čija je vrednost 4. Izračunati čist tok preferencije.
b) DO želi da iskaže korisnost za kriterijum Opremljenost i iskazao je da mu je svaka razlika bitna
(parametar indiferentnosti i parametar preferencije su jednaki nuli). Izračunati čist tok
preferencije.
c) Dobijene čiste tokove iz a) i b) ugraditi u početnu tabelu odlučivanja i odrediti najprihvatljiviju
alternativu primenom otežane sume i MAXIMIN metodom. Normalizaciju podataka raditi max-
min normom.
d) Uspostaviti kompromis između strategije S i R, ako je vrednost parametra v jednaka 0,4.
Rešenje:
a) Čist tok za kriterijum Cena.
T
Meljak 0.166
Šimanovci 0.75
Voždovac -0.75
Banovo brdo -0.166
b) Čist tok za kriterijum Opremljenost.
T
Meljak -0.334
Šimanovci -1
Voždovac 1
Banovo brdo 0.334
68
c) Nakon normalizacije podataka dobijaju se sledeće vrednosti za otežanu sumu i MAXIMIN metodu.
OK MAXIMIN
Meljak 0.459 0.05
Šimanovci 0.55 0
Voždovac 0.45 0
Banovo brdo 0.568 0.02
d) Kompromis između S (otežane sume) i R (MAXIMIN metode) se uspotavlja nakon korekcije

strategije R i dobija se:
Q
Meljak 0.63
Šimanovci 0.352
Voždovac 0
Banovo brdo 0.605
Najprihvatljivija alternativa je Meljak.
3. Zadatak
Potrebno je zaposliti novog junior marketing stručnjaka. Raspisan je konkurs na koji se javio veći broj
kandidata. Nakon razgovora, izdvojeni su sledeći kandidati:
Radno iskustvo Teorijsko znanje Praktično znanje Tražena plata

(u mesecima) (ocena 1-100) (ocena 1-100) (u 100 x €)
Ivan 3 72 11 3
Jelena 12 32 74 6
Marija 16 81 97 10
Stefan 9 66 77 7
w 0.2 0.1 0.5 0.2
a) Odrediti čiste tokove za svaki kriterijum pojedinačno ukoliko je DO zadao sledeće vrednosti za
parametre indifirentnosti i parametri preferencije:

m 0 0 5 0
n 5 40 45 0
b) Izračunati matricu kovarijansi matrice čistih tokova.

c) Odrediti procenat varijanse koju opisuju prve dve glavne komponente i nacrtati Gaja ravan.
Poznate su nam sopstvene vrednosti i sopstveni vektori:
69
Sopstvene vrednosti:
Lambda 1 Lambda 2 Lambda 3 Lambda 4

1.748 0.508 0.059 0.000
Sopstveni vektori:
V1 V2 V3 V4
0.586 0.221 0.779 -0.039
0.062 -0.911 0.229 0.338
0.508 0.205 -0.404 0.733
-0.628 0.282 0.422 0.590
Rešenje:
a) Dobijaju se sledeći čisti tokovi:

(u mesecima) (ocena 1-100) (ocena 1-100) (u 100 x €)
Ivan -1 0.308 -1 1
Jelena 0.266 -0.95 0.183 0.334
Marija 0.933 0.533 0.608 -1
Stefan -0.2 0.108 0.208 -0.334
b) Matrica kovarijansi:
RI TZ PZ Plata
RI 0.660 -0.028 0.525 -0.593
TZ -0.028 0.431 -0.045 -0.193
PZ 0.525 -0.045 0.482 -0.539
Plata -0.593 -0.193 -0.539 0.741
c) Procenat varijanse koje pokrivaju prve dve glavne komponente iznosi 97.45%. Gaja ravan je
prikazana ispod:
PC1 PC2
Ivan -1.703 -0.425
Jelena -0.020 1.056
Marija 1.517 -0.437
Stefan 0.205 -0.194
70
w 0.252 0.112
RI 0.586 0.221
TZ 0.062 -0.911
PZ 0.508 0.205
Plata -0.628 0.282
71
Analiza rizika i Analiza odlučivanja

1. Zadatak
Menadžer prodaje izdavačke kuće se sprema za sajam knjiga. Potrebno je da izabere štand. Nakon
filtriranja štandova po zadatom budžetu (konjuktivna metoda) došao je do četiri alternative. Kao
kriterijumi određeni su broj prolaznika, otvorenost, veličina prostora i prihvatljivost buke. Zarad
jednostavnosti svi kriterijumi su tipa maksimizacije. Matrica odlučivanja i ponderi su prikazani
ispod.
Broj Veličina
Alternative Otvorenost Buka
prolaznika prostora
Hala A 28 Zatvoren (6) 55 6
Hala B 30 Otvoren (10) 50 8
Hala C 55 Zatvoren (6) 40 9
Hala D 35 Otvoren (10) 36 5
Ponderi 0.4 0.2 0.3 0.1
a) Predložiti optimalni štand za DO, na osnovu očekivane koristi i L∞ normalizacije.
Rešenje:
Očekivana
Alternative
korist
Hala A 0.6903
Hala B 0.7798
Hala C 0.8382
Hala D 0.7065
b) Procenjeno je da broj prolaznika iz godine u godinu varira, sa standardnim varijacijama

datim u tabeli:
Broj
Alternative
prolaznika
Hala A 28 ± 4
Hala B 30 ± 2
Hala C 55 ± 10
Hala D 35 ± 5
Ponderi 0.4
72
Odrediti najbolje rešenje, ukoliko je DO iskazao da ima averziju ka riziku, i da želi da bude 90% siguran u
korist alternative.
Rešenje:
OK-
Alt. OK Rizik 1.3*rizik
(90%)
Hala A 0.6903 0.029 0.6525
Hala B 0.7798 0.015 0.7609
Hala C 0.8382 0.073 0.7436
Hala D 0.7065 0.036 0.6592
c) Primećeno je i da je ocena za podnošljivost buke takođe varirala, i to sa standardnim devijacijama

datim u tabeli:
Alternative Buka
Hala A 6±1
Hala B 8 ± 0.5
Hala C 9 ± 2.5
Hala D 5±1
Ponderi 0.1
Odrediti ukupan rizik za svaku alternativu.
Rešenje:
Broj Rizik
Alternative Buka
prolaznika
Hala A 28 ± 4 6±1 0.031
Hala B 30 ± 2 8 ± 0.5 0.016
Hala C 55 ± 10 9 ± 2.5 0.078
Hala D 35 ± 5 5±1 0.038
Ponderi 0.4 0.1
d) Ocene za korist od Otvorenosti štanda su pretpostavljale sunčano vreme. Ukoliko se pretpostavi

da vreme može biti sunčano, oblačno ili kišovito, sa verovatnoćama 0.6, 0.2 i 0.2, odrediti
očekivane vrednosti alterativa, ako i pridruženi rizik za kriterijum Otvorenost.
73
Rešenje:
Otvorenost Sunce (60%) Oblaci (20%) Kiša (20%) OK Std. dev.

Otvorena 10 5 2 7.4 3.323
Zatvorena 6 5 8 6.2 0.98
Alternative Otvorenost
Hala A 6.2 ± 0.98
Hala B 7.4 ± 3.323
Hala C 6.2 ± 0.98
Hala D 7.4 ± 3.323
Ponderi 0.2
e) Vlasnik izložbenih prostora je najavio da postoji šansa da će se štandovi u hali A i hali D proširiti,
te i taj kriterijum sa sobom nosi rizik, pošto nije u potpunosti sigurno da će do tog proširenja doći.
Najavljeno proširenje se odnosi na Halu B, sa 50 na 70 kv. metara, i Halu C, sa 40 na 50 kv. metara.
Odrediti očekivanu vrednost/korist alternativa, kao i pridruženi rizik, za kriterijum Veličina
prostora.
Rešenje:
Veličina Proširenje Nema promene

OK Std. dev.
prostora (30%) (70%)
Hala A 55 55 55 0
Hala B 70 50 56 9,165
Hala C 50 40 43 4,583
Hala D 36 36 36 0
f) Izračunati ukupan rizik na osnovu pojedinačnih rizika svih kriterijuma, izračunati očekivanu korist
svake alternative, i odrediti najbolju alternativu ako DO želi da bude 90% siguran u predloženu
korist alternative.
Rešenje:
Broj Veličina Očekivana

Alternative Otvorenost Buka
prolaznika prostora korist
Hala A 28 ± 4 6.2 ± 0.98 55 ± 0 6±1 0.733
Hala B 30 ± 2 7.4 ± 3.323 56 ± 9,165 8 ± 0.5 0.807
Hala C 55 ± 10 6.2 ± 0.98 43 ± 4,583 9 ± 2.5 0.898
Hala D 35 ± 5 7.4 ± 3.323 36 ± 0 5±1 0.703
Ponderi 0.4 0.2 0.3 0.1
74
Rizik Očekivana OK-1.3*rizik

korist (90%)
Hala A 0.041 0.733 0.68
Hala B 0.104 0.807 0.672
Hala C 0.086 0.898 0.786
Hala D 0.098 0.703 0.576
g) proveriti da li će predložena alternativa biti promenjena ukoliko DO želi da bude siguran 99%.
Rešenje:
Rizik Očekivana OK-2.4*rizik

korist (99%)
Hala A 0.041 0.733 0.635
Hala B 0.104 0.807 0.557
Hala C 0.086 0.898 0.692
Hala D 0.098 0.703 0.468
Neće doći do promene prvorangirane alternative.
75
2. Zadatak
Dati su podaci o kriterijumima za izborne predmete na fakultetu, među kojima je potrebno izabrati jedan
izborni predmet. Date su i jedinice u kojima je izmerena vrednost svakog kriterijuma.
[ocena [br. radova [br. strana [broj firmi, u
studenata] nastavnika] knjige] 00]
Koristan Stručan Težak Zapošljavanje
ALD Sistemi 4,8 3 250 8
Upraljvanje MI 3,9 2 200 4
Teorija SS 4,5 8 300 6
W 0,4 0,2 0,1 0,3
a) Ministarstvo je najavilo da će u skorijoj budućnosti uvesti niz mera kojim će se olakšati rad firmi,
što se projektuje da će povećati broj informatičkih firmi i mogućnost Zapošljavanja za 30%.
Izborni predmeti Upravljanje MI, kao i Teorija SS, su informatički predmeti. Takođe je
procenjeno da su šanse 80% da se takve mere zaista uvedu u skorijoj budućnosti.
Izračunati očekivane koristi i pridružen rizik za kriterijum Zapošljavanje.
Rešenje:
Pošto su najavljene promene za kriterijum Zapošljavanje, sa određenom verovatnoćom,

modelujemo taj kriterijum preko 2 stanja:
P(stanje) 0.2 0.8

Zapošljavanje Trenutno Promene Očekivana Rizik
stanje korist
ALD Sistemi 8 8 8 0
Upraljvanje MI 4 4*1,3 = 5,2 4,96 0.48
Teorija SS 6 6*1,3 = 7,8 7,44 0.72
b) Primećeno je da ocena studenata za kriterijum Korisnost može da varira, i to sa standardnim

devijacijama datim u tabeli.
76
Std. Dev. Koristan

ALD Sistemi 0,2
Upraljvanje MI 0,5
Izabrana poglavlja iz TSO 1
Teorija SS 0,5
Izračunati ukupan rizik za svaku alternativu.
Rešenje:
Koristan Stručan Težak Zapošljavanje Rizik

ALD Sistemi 0.2 0 0 0 0.017
Upraljvanje MI 0.5 0 0 0.48 0.045
Iz. poglavlja iz TSO 1 0 0 0 0.083
Teorija SS 0.5 0 0 0.72 0.050
W 0,4 0,2 0,1 0,3
c) Izračunati očekivanu korist od svake alternative
Rešenje:
Koristan Stručan Težak Zapošljavanje OK

ALD Sistemi 4,8 3 250 8 0.83
Upraljvanje MI 3,9 2 200 4,96 0.64
Iz. poglavlja iz TSO 4 6 180 2 0.69
Teorija SS 4,5 8 300 7,44 0.97
W 0,4 0,2 0,1 0,3
d) Odrediti najprihvatljiviju alternativu, ukoliko je DO izrazio da je sklon ka riziku, i da je spreman

da prihvati vrednosti koje su samo 10% sigurne.
77
Rešenje:
OK STD OK+1.3STD
ALD Sistemi 0.83 0.017 0.85
Upraljvanje MI 0.64 0.043 0.70
Iz. poglavlja iz TSO 0.69 0.083 0.80
Teorija SS 0.97 0.046 1.03
3. Zadatak
U zadatku 1e) data je matrica koristi/dobiti od Veličine prostora, za 2 različita stanja (Proširenje i Nema
promene), sa pridruženim verovatnoćama stanja, koje predstavljaju verovanje da će menadžer sajma
ispuniti obećanje o proširenju prostora.
Veličina Proširenje Nema promene

Hala A 55 55
Hala B 70 50
Hala C 50 40
Hala D 36 36
a) Izvesti tabelu žaljenja, kao i kriterijum Očekivanog žaljenja.
Rešenje:
Veličina Proširenje Nema promene OŽ

Hala A 15 0 4,5
Hala B 0 5 3,5
Hala C 20 15 16,5
Hala D 34 19 23,5
b) Izračunati Očekivanu Vrednost Perfektne Informacije.
Rešenje:
OVPI = 3,5
78
c) Data je matrica uslovnih verovatnoća, za događaj X=“ispunio obećanje”, pri različitim stanjima.
X Proširenje Nema promene

ispunio neko obećanje 0,8 0,3
nije ispunio 0,2 0,7
Primenom Bajesove formule, izračunati nove aposteriori verovatnoće stanja u slučajevima kada se
opservira da je menadžer ispunio neko obećanje, ili ako se primeti da neko obećanje ne ispuni.
Rešenje:
X
S1: S2:
ispunio neko
Proširenje Nema promene
obećanje
P(S) 0,3 0,7
P(X|S) 0,8 0,3
P(X, S) 0,24 0,21
P(X) 0,45
P(S|X) 0.53 0.47
X S1: S2:
nije ispunio Proširenje Nema promene
P(S) 0,3 0,7
P(X|S) 0,2 0,7
P(X, S) 0,06 0,49
P(X) 0,55
P(S|X) 0.11 0.89
d) Odrediti optimalnu strategiju, kao i Očekivani Rizik optimalne strategije.
Rešenje:
Optimalna strategija je:
- za X=ispunio:
Proširenje Nema promene OŽ

(53%) (47%)
Hala A 15 0 7,95
Hala B 0 5 2,35
Hala C 20 15 17,65
Hala D 34 19 26,95
79
- za X=nije ispunio
Proširenje Nema promene OŽ

(11%) (89%)
Hala A 15 0 1,65
Hala B 0 5 4,45
Hala C 20 15 15,55
Hala D 34 19 20,65s
Očekivani rizik optimalne strategije je:
OR = 0,45 * 2,35 + 0,55 * 1,65 = 1,965
e) Kolika je Očekivanu Vrednost Informacije Uzorka?
Rešenje:
OVIU = OVPI – OR = 3,5 - 1,965 = 1,535
80
Odlučivanje na osnovu pravila

Diskretizacija
Generalni postupak diskretizacije podataka je sledeći:
3. DO određuje ordinalnu skalu npr(Loš, Srednji, Dobar) i samim tim broj kategorija k u koje treba
svrstati kontinualne podatke.
4. Odrediti broj elemenata n koji se nalazi u skupu podataka koje želimo da diskretizujemo.
5. Izračunati vrednost koraka s = n/k, I zaokružiti broj s na najbližu celobrojnu vrednost.
6. Sortirati vrednosti alternativa u opadajućem ili rastućem redosledu, u zavisnosti od usmerenosti
skale (od lošije vrednosti ka boljoj ili od bolje ka lošijoj), kao i tipu ekstremizacije samog atributa
(minimizacija ili maksimizacija),
7. Odrediti granice (na kontinualnoj skali) za svaku vrednost kvalitativne skale.
8. Svrstati svaki element u odgovarajuće ordinalne vrednosti na osnovu njihovih kontinualnih
vrednosti i granica određenih u prethodnom koraku.
1. Zadatak
Ocene mobilnog telefona su date u tabeli ispod. DO želi da ih grupiše u tri grupe (loši telefoni, srednje
dobri telefoni i dobri telefoni) tako da svaka grupa ima podjednak broj alternativa.
Alternativa Ocena
A1 6
A2 5
A3 10
A4 3
A5 10
A6 6
A7 3
A8 1
A9 8
Rešenje:
81
Na slici ispod prikazano je rešenje problema diskretizacije u ovom zadatku. Jasno je da je k = 3 (DO je zadao
skalu sa 3 moguće kategorije – loši, srednji i dobri). U tabeli levo, možemo videti da je broj alternativa koji
se nalazi u ponudama je n = 9 (A1-A9). Na osnovu ove dve vrednosti moguće je izdračunati veličinu koraka
s = n/k =3, koji nam je potreban za računanje intervala tj, određivanje granica vrednosti za svaku ordinalnu
kategoriju. Kada smo odredili s, tabela alternativa (i njihovih vrednosti za kriterijum Ocena) je sortirana u
opadajućem redosledu (na osnovu atributa Ocena). Odavde određujemo granice (intervale) za svaku od
ordinalnih kategorija (tabela u sredini).
Donja granica za kategoriju Loš ima vrednost 1 (minimalna vrednost celog skupa). Gornja granica za
kategoriju Loš se nalazi između 3 i 5 obzirom da je korak s = 3. Slično, donja granica za kategoriju Srednji
se nalazi između 6 i 8, tj. granica između kategorija Srednji i Dobar je 7 odnosno (6+8)/2. Na osnovu
prethodnih zapažanja možemo odrediti donje i gornje granice svake od kategorija:
DG(Loš) = 1, GG(Loš) = DG(Srednji) = 4, GG(Srednji) = DG(Dobar) = 7 i GG(Dobar) =10

Na osnovu gornjih i donjih granica, definišemo intervale vrednosti početnog (kontinualnog atributa) za
svaku ordinalnu kategoriju:
 Loš: [1-4]
 Srednji: (4-7]
 Dobar: (7-10]
Možemo primetiti iz definicije intervala da je interval za kategoriju Loš, ograničen sa obe strane, dok su
intervali za kategorije Srednji i Dobar ograničeni odozgo. Intervali se ograničavaju kako bismo sprečili da
jedna vrednost može da ima pripadnost u više kategorija. Ovaj način ograničavanja skupova smatramo
konvencijom koja će biti korišćena u ovoj knjizi (moguće je definisati drugačije ograničavanje kako bi se
postigao efekat pripadnosti samo jednoj kategoriji).
Dakle, ograničavanje intervala ćemo raditi po sledećem pravilu:
82
 Prvi interval se ograničava sa obe strane (odozgo i odozdo)

 Svaki sledeći interval ima se ograničava odozgo (donja granica intervala se ne uključuje u
interval.). Ovo pravilo uključuje i granice poslednjeg intervala.
Konačno, nakon definisanja intervala, možemo da preslikamo kontinualne vrednosti atributa u diskretne
(ordinalne). Ovo se može videti u tabeli deno na Slici iznad.
Ovaj metod za diskretizaciju vrednosti u kategorije sa jednakim brojem elemenata, funkcioniše i u

slučajevima kada broj alternativa nije deljiv sa brojem ordinalnih kategorija (koje zadaje DO).
2. Zadatak
Alternativa Ocena
A1 6
A2 3
A3 10
A4 3
A5 10
A6 6
A7 3
A8 1
A9 8
Rešenje:
Ovaj problem je skoro identičan prethodnom problemu sa tom razlikom da sada A2 ima vrednost 3. Ova
promena utiče na promenu granica. Rešenje problema je prikazano na slici ispod.
83
Sa slike iznad možemo primetiti da je sada DG i GG za kategoriju Srednji jednaka 3. Međutim sada postoje
dve alternative koje se nalaze na samoj granici (A7 i A2). U ovoj situaciji neophodno je ove dve alternative
svrstati u istu kategoriju (Loša ili Srednja), kako bi se očuvala konzistentnost rešenja. To dalje znači da je
neophodno prekršiti početnu ideju da sve grupe imaju identičan broj slučajeva. Generalno A7 i A2 je
moguće svrstati u Lošu ili Srednju kategoriju. Po konvenciji, slučajeve na granici ćemo svrstavati u lošiju
kategoriju u ovom slučaju Loša (koja sada ima 4 alternative). Ovde uvodimo još jednu konvenciju: korak
(3) ostaje isti i nastavlja se kao da nije došlo do promene veličine grupa. Time se dolazi do granice između
A6 i A9. Dodatno, kategorija Srednja ostaje sa dva elementa, dok kategorija dobra ostaje nepromenjena.
Ovim postupkom smo odstupili od inicijalnog zahteva DO, ali smo odredili približno rešenje koje je očuvalo
konzistentnost rešenja.
3. Zadatak
Alternativa Ocena
A1 6
A2 3
A3 10
A4 3
A5 10
A6 6
A7 3
A8 1
A9 8
A10 10
84
Rešenje:
U odnosu na prethodni primer, u ovom problemu imamo dodatnu alternativu A10. Ovakva situacija
ponovo dovodi do neophodnosti da se prekrši zahtev da grupe sadrže jednak broj slučajeva obzirom da
broj slučajeva nije deljiv sa željenim brojem grupa.
Na slici iznad je prikazano rešenje ovog problema. Razlika u odnosu na prethodne primere je u tome što
veličina koraka nije celobrojna, pa je po konvenciji zaokružujemo na najbližu celbrojnu vrednost. Nakon
toga postupak je identičan kao i ranije, uz tu razliku da će u poslednjoj grupi ostati 4 alternative.
Pracenjem koraka veličine 3 postojala je mogućnost da se odredi dodatna granica i da se skup podeli u 4
grupe. Međutim, kršenje broja grupa (kategorija, klasa) predstavlja veće odstupanje od zahteva DO (u
odnosu na promenu broja elemenata po svakoj grupi), pa prema tome uvodimo još jednu konvenciju: u
ovakvoj situaciju, zadržavamo broj grupa, a prilagođavamo broj elemenata po svakoj grupi.
4. Zadatak
Razmotrimo alternative iz prethodnog primera, sa tom razlikom da DO želi da diskretizuje podatke u četiri
kategorije: Loš, Srednje Loš, Srednje Dobar, Dobar.
Rešenje:
Opis rešenja diskretizacije u četiri kategorije je dat na slici ispod.
85
Sa slike iznad možemo videti da je postupak diskretizacije identičan kao i u slučaju kada je broj alternativa
deljiv sa brojem željenih kategorija. Ipak treba ukazati na nekoliko detalja u rešenju. Prvo korak za
definisanje granica mora da se zaokruži na ceo broj (u ovom slučaju 2). Dalje, obzirom da smo izvršili
zaokruživanje očekivano je da konačan broj alternativa u svakoj grupi ne bude jednak. Dodatno, u prvom
koraku veličine 2 (gde ulaze alternative A8 i A4 sa vrednostima 3 i 3, respektivno) imamo granicu koja je
jednaka (3+3)/2 = 3. Takođe vidimo da treća alternativa (A7) ima vrednost 3 (kao i druga alternativa). Ovo
dovodi da uprkos tome što je bi trebalo da bude po 2 elementa u svakoj grupi, prva grupa (Loš) mora da
bude proširena jer se A4 i A7 imaju identične vrednosti i to tačno na gornjoj granici intervala. Ova strategija
proširenja intervala omogućava da se održi konzistentnost kategorija tj. da dve ili više alternativa sa istom
vrednošću atributa, ne mogu da imaju pripadnost u dve kategorije. Na identičan način je dobijeno a
kategorija Srednje Loš (SL) ima samo jedan element.
5. Zadatak
Cene mobilnh telefona su date u tabeli ispod. DO želi da ih grupiše u tri grupe (Niska, Srednja i Visoka)
tako da svaka grupa ima jednake intervale.
Alternativa Cena
A1 348
A2 458
A3 508
A4 200
A5 440
A6 437
A7 390
A8 289
86
A9 255
A10 520
Rešenje:
Kod metode jednakih intervala podataka, DO želi da ordinalne kategorije uzimaju jednake intervale
kontinualnih vrednosti atributa (ne obavezno da imaju jednak broj slučajeva). Postupak određivanja
granica intervala kategorija je sličan kao kod određivanja kategorija sa jednakim brojem slučajeva. Razlika
je u tome što se veličina koraka s određuje tako što se interval celog skupa podataka (razlika između
maksimalne i minimalne vrednosti) podeli sa željenim brojem grupa. Dodatno granice su direktno
definisane na osnovu minimalne vrednosti i koraka (nije potrebno računati aritmetičku sredinu na
prelazima između klasa). Rešenje ovog problema je prikazano na Slici ispod.
6. Zadatak
dobri telefoni i dobri telefoni) metodom aritmetičke sredine.
Alternativa Ocena
A1 6
A2 5
A3 10
A4 3
A5 10
A6 6
A7 3
A8 1
A9 8
87
Rešenje:
Metoda aritmetičke sredine koristi aritmetičku sredinu i standardnu devijaciju za formiranje grupa. Naime,
kategorije se formiraju tako da zadovoljavaju sledeću formulu: 𝜇 ± 𝑛 ∗ 𝜌, gde je 𝜇 aritmetička sredina, 𝜌
standardna devijacija, a 𝑛 broj kojim kontrolišemo broj grupa. Ako je 𝑘 = 1 tada kreiramo tri intervala (1:
od najmanje vrednosti do 𝜇 − 𝜌, 2: od 𝜇 − 𝜌 do 𝜇 + 𝜌 i k=3: od 𝜇 + 𝜌 do najveće vrednosti), 𝑘 = 2 pet
intervala (1: od najmanje vrednosti do 𝜇 − 2 ∗ 𝜌, 2: od 𝜇 − 2 ∗ 𝜌, do 𝜇 − 𝜌, 3: od 𝜇 − 𝜌 do 𝜇 + 𝜌, 4: od
𝜇 + 𝜌 do 𝜇 + 2 ∗ 𝜌 i 5: od 𝜇 + 2 ∗ 𝜌 do najveće vrednosti) itd.
Postupak diskretizacije za ovaj za datak je sledeći. Prvo izračunamo aritmetičku sredinu i standardnu
devijaciju. Imajući to u vidu, možemo da izračunamo grupe. Prva grupa će nam biti od najmanje vrednosti
do 𝜇 − 𝜌. Dakle, prva grupa obuhvatati slučajeve čija je vrednost od 1 do 2,81. Druga grupa će obuhvatati
slučajeve čija je vrednost od 2,81 do 8,75, dok će treća grupa obuhvatati slučajeve čija je vrednost veća
od 8,75.
Rešenje je prikazano na slici ispod.
88
Prostor ordinalnih pravila
Prostor ordinalnih pravila predstavlja skup svih kombinacija vrednosti definisanim na ordinalnim skalama
atributa. Veličina prostora pravila za određeni problem (gde se podrazumeva da su definisani atributi i
odgovarajuće ordinalne skale), može se izraziti formulom:
𝑁𝑥 = ∏ 𝑛𝑎
𝑎=1
Gde je Nx veličina prostora pravila, m broj atributa, a na broj vrednosti koje može imati atribut a.
7. Zadatak
DO razmatra nabavku mobilnih telefona za preduzeće na osnovu sledećih kriterijuma:
 Cena: Niska, Visoka

 Funkcionalnost: Odlična i Dovoljna
Odrediti veličinu prostora pravila i generisati sva pravila tog prostora, na osnovu datih kriterijuma i
njihovih skala.
Rešenje
Na osnovu ulaza jasno je da je neophodno definisati 4 pravila koja pokrivaju sve moguće kombinacije
ulaznih atributa. Za svaku vrednost atributa Cena potrebno je definisati pravilo za svaku vrednost atributa
funkcionalnost (2 * 2 = 4 pravila). Kombinacije pravila su prikazane u tabeli ispod.
Cena Funckionalnost
Niska Odlična
Niska Dovoljna
Visoka Odlična
Visoka Dovoljna
89
8. Zadatak
 Cena: Niska, Srednja, Visoka

 Funkcionalnost: Odlična, Dobra i Dovoljna
I u ovom primeru, neophodno je da za svaku vrednost atribut Cena, definišemo sve vrednosti atributa
funkcionalnost. Obzirom da imamo 3 vrednosti atributa Cena i 3 vrednosti atributa Funkcionalnost,
potrebno je definisati prostor ulaznih vrednosti veličine 3*3=9. Prostor pravila prikazan je u tabeli ispod.
Cena Funckionalnost
Niska Odlična
Niska Dobra
Niska Dovoljna
Srednja Odlična
Srednja Dobra
Srednja Dovoljna
Visoka Odlična
Visoka Dobra
Visoka Dovoljna
9. Zadatak
 Cena: Niska, Srednja, Visoka

 Performanse: Dobre, Loše
 Dizajn: Dobar, Loš
Odrediti veličinu prostora pravila i generisati sva pravila tog prostora, na osnovu datih kriterijuma i
njihovih skala.
Rešenje:
U ovom slučaju imamo da je veličina prostora pravila: 3*2*2 = 12. Prostor pravila ćemo generisati po
sledećoj konvenciji. Prvo generišemo moguće vrednosti za atribut sa najviše vrednosti na skali. U ovom
slučaju to je atribut Cena (trovrednosna skala). Zatim određujemo broj elemenata za taj atribut u okviru
svake kategorije. U ovom slučaju taj broj je 4, pošto ostali atributi imaju 4 (2*2) moguće kombinacije (Slika
ispod).
90
Pravilo Cena Performanse Dizajn

P1 Niska Dobre Dobar
P2 Niska Dobre Loš
P3 Niska Loše Dobar
P4 Niska Loše Loš
P5 Srednja Dobre Dobar
P6 Srednja Dobre Loš
P7 Srednja Loše Dobar
P8 Srednja Loše Loš
P9 Visoka Dobre Dobar
P10 Visoka Dobre Loš
P11 Visoka Loše Dobar
P12 Visoka Loše Loš
Dakle kod atributa cena generišemo po 4 vrednosti za svaku kategoriju, počevši od najbolje ka najlošijoj.
Zatim ovaj postupak ponavljamo za atribut Performanse. Ovan atribut treba da ima po 2 vrednosti od
svake kategorije (pošto treba da prokrije sve kombinacije sa atributom Dizajn). Dakle definišemo
generišemo po dve vrednosti za svaku od kategorija u okviru atributa Performanse. Konačno, za poslednji
atribut (Dizajn) generišemo vrednosti sa odgovarajuće skale naizmenično.
91
Poređenje višekriterijumskih ordinalnih promenljivih
10. Zadatak
Data je tabeli ispod data su ordinalna AKO delovi ordinalnih pravila odnosno skup višeatributivnih
ordinalnih promenljivih.
Pravilo Kvalitet Cena
P1 Loš Visoka
P2 Dobar Visoka
P3 Loš Niska
P4 Dobar Niska
Potrebno je odrediti relacije izmedju pravila: Dominacija, Dominiranost i Neuporedivost.
Rešenje:
Podsetimo se da je jedan slučaj dominantan u odnosu na drugi akko je bolji ili jednak po svim
kriterijumima, a pri tome je barem po jednom bolji. Ukoliko su dva slučaja po svim kriterijumi jednaki tada
ne postoji dominantnost (oni su jednaki ali i dalje uporedivi, međutim sa ovom situacijom se nećemo
susretati jer prostor pravila podrazumeva samo različite slučajeve). Slično, jedan slučaj je dominiran u
odnosu na drugi, akko je lošiji ili jednak po svim kriterijumima. U ostalim situacijama (npr. prvi slučaj je
bolji po nekim kriterijumima, a po nekim lošiji) kaže se da su ti slučajevi neuporedivi.
Na osnovu prethodne diskusije možemo zaključiti sledeće:
 P1 je dominiran u odnosu na P2, P3 i P4,

 P2 je dominantan u odnosu na P1, neuporediv sa P3 i dominiran od P4,
 P3 je dominantan u odnosu na P1, neuporediv sa P2 i dominiran od P4,
 P4 je dominantan u odnosu na P1, P2 i P3.
Odnosi među slučajevima (AKO delovima pravila) su prikazani i na Slici ispod.
92
11. Zadatak
Odrediti relacije među slučajevima.
a)
Slučaj Kvalitet Cena Dizajn Dostupnost
S1 Visok Niska Dobar Odlična
S2 Nizak Srednja Odličan Srednja
b)
S1 Nizak Srednja Dobar Odlična
S2 Nizak Srednja Odličan Odličan
c)
S1 Visok Srednja Dobar Odlična
S2 Nizak Niska Loš Srednja
93
d)
Slučaj Kvalitet Cena Dizajn
S1 Odličan Niska Loš
S2 Odličan Srednja Srednji
S3 Loš Srednja Srednji
S4 Srednji Niska Srednji
Rešenje:
a) S1 i S2 su neuporedivi – S1 je bolji po Kvalitetu, Ceni i Dostupnosti, dok je S2 bolji po Dizajnu.
b) S2 je dominantan u odnosu na S1 (bolji je po dizajnu, a po ostalim atributima je jednak sa S1) tj.

S1 je dominiran u odnosu na S2.
c) S1 i S2 su neuporedivi – S1 je bolji po svim atributima, osim po Ceni po kojoj je bolji S2.

d) S1 je neuporediv sa S2, S3 i S4. S2 je dominantan u odnosu na S3, a neuporediv sa S1 i S4. S3 je
dominiran od S4 i S2, a neuporediv sa S1.
94
Granice skupova višekriterijumskih ordinalnih promenljivih
Podsetimo se da se u opštem slučaju, Donja Granica (DG) skupa S ordinalnih promenljivih se definiše kao:
Podskup skupa S, koji sadrže slučajeve skupa S koji nisu koji nisu dominantni u odnosu na bilo koji drugi
slučaj iz skupa S.
Analogno, Gornja Granica skupa S ordinalnih promenljivih se definiše kao: Podskup skupa S, koji sadrže
slučajeve skupa S koji nisu dominirani u odnosu na neki od slučajeva iz skupa S (dovoljno je da element
bude dominantan u odnosu na jedan slučaj, a da pritom nije dominiran od strane nekog slučaja, kako bi
pripadao gornjoj granici skupa S).
12. Zadatak
Odrediti granice sledećih skupova pravila:
a)
Slučaj Kvalitet Cena
S1 Odličan Niska
S2 Srednji Srednja
S3 Loš Srednja
Slučaj S1 nije dominiran u odnosu na bilo koji drugi slučaj (šta više on je dominantan u odnosu na S2 i S3).
Slučaj S2 je dominiran od strane S2 i dominantan u odnosu na S3. Slučaj S3 je dominiran od strane S1 i S2.
Možemo zaključiti da S1 ulazi u gornju granicu (nije dominiran od strane bilo kog drugog slučaja). S3 ulazi
u donju granicu (ne dominira u odnosu n abilo koji drugi slučaj). Konačno slučaj S2 nije na granicama skupa
(dominantan je u odnosu na S3, a dominiran od S1).
Dakle, rešenje zadatka je:
GG = {S1}
DG = {S3}
b)
95
S1 Odličan Niska Loš
S2 Odličan Srednja Srednji
S3 Loš Srednja Srednji
U ovom primeru, slučaj S2 je domintan u odnosu na S3. Ostali slučajevi nisu dominirani ni od jedne
alternative (među sobom su neuporedivi). Prema tome S1 i S2 su deo skupa GG. S3 nije dominantna u
odnosu na bilo koji element skupa, pa ona pripada DG.
Dakle, rešenje zadatka je:
GG = {S1, S2}
DG = {S1, S3}
c)
S1 Odličan Srednja Loš
S2 Srednji Niska Loš
S3 Loš Niska Odličan
S4 Loš Niska Srednji
U ovom slučaju samo je S3 dominatan u odnosu na S4 (ostale alternative su neuporedive). Prema tome
S1, S2 i S3 su elementi GG (nisu dominirane od strane bilo koje alternative).
Sa druge strane S1, S2, i S4, su elementi GG (nisu dominantni u odnosu na bilo koji element skupa)
GG = {S1, S2, S4}
DG = {S3}
Monotonost višekriterijumskih ordinalnih pravila

Podsetimo se da osobina monotonosti je ispoštovana ukoliko povećanje ulazne vrednosti ne vodi ka
smanjenju izlazne vrednosti i obrnuto, ako smanjenje ulazne vrednosti ne vodi ka povećanju izlazne
vrednosti. Drugačije, ukoliko alternativa A1 dominira u odnosu na alternative A2, tada alternativa A2 ne
sme imati bolju vrednost izlaznog atributa u odnosu na alternativu A1.
96
13. Zadatak
Četiri DO su imali zadatak da izvrše selekciju kandidata nakon urađenih prijemnih ispita iz Matematike i
Opšte informisanosti. Uspeh na prijemnim ispitima je diskretizovan na trovrednosnu skalu: Odlično,
Srednje i Dobro. Ocenite da je svaki od DO koristio monotona pravila pri selekciji kandidata.
DO1 Matematika Opšta Inf. Primljen
Kandidat 1 Odlično Odlično Nije primljen
Kandidat 2 Odlično Srednje Primljen
Kandidat 1 Odlično Odlično Nije primljen
Kandidat 2 Odlično Odlično Primljen
Kandidat 1 Odlično Odlično Primljen
Kandidat 2 Odlično Srednje Primljen
Kandidat 1 Srednje Odlično Primljen
Kandidat 2 Odlično Srednje Nije primljen
Pravila koja je koristio DO1 nisu monotona. Kandidat 2 je dominantna alternativa nije primljen na željenu
poziciju.
DO2 takođe ne koriste monotona pravila. U ovom slučaju ne postoji relacija dominantnosti/dominiranosti,
ali su kandidati jednaki po ulaznim atributima (Matematika i Opšta informisanost), a Kandidat 2 ima bolju
vrednost izlaznog atributa (Primljen).
DO3 i DO4 koriste monotona pravila. Kod DO3 oba kandidata su primljena. Pri tome Kandidat 2 je lošiji od
Kandidata 1 po kriterijumu Opšta Informisanost. Kažemo da je Kandidat 1 dominantna alternative u
odnosu na Kandidata 2 (odnosno Kandidat 2 je dominirana alternativa), obzirom da je Kandidat 1 bolji po
oba kriterijuma.
Kod DO4 Kandidat 1 je primljen, dok Kandidat 2 nije primljen. U ovom slučaju među kandidatima ne postoji
relacija dominantnosti ili dominiratosti. Prema tome, ova pravila se mogu smatrati „fer“ pravilima.
Dodatno, može se zaključiti da je ovom DO bitniji kriterijum Opšta informisanost u odnosu na Matematiku.
97
14. Zadatak
Na svake dve godine DO nabavlja mobilne za svoju firmu. Modeli i cene telefona se drastično menjaju na
svake dve godine a DO posmatra alternative na tržištu kroz sledeće kriterijume:
 Cena (Niska, Srednja, Visoka)

 Kvalitet (Nizak, Srednji, Visok)
 Dizajn (Odličan, srednji i loš)
Izlazna klasa (korisnost) je definisana na trovrednosnoj skali (Odličan, Srednji, Loš). DO želi da proveri
monotonost pravila u postojećoj bazi znanja.
Baza znanja (pravila) su data u tabeli ispod.
Pravilo Cena Performanse Dizajn Telefon (Korisnost)

P1 Niska Dobre Dobar Odličan
P2 Niska Dobre Loš Odličan
P3 Niska Loše Dobar Srednji
P4 Niska Loše Loš Loš
P5 Srednja Dobre Dobar Odličan
P6 Srednja Dobre Loš Srednji
P7 Srednja Loše Dobar Srednji
P8 Srednja Loše Loš Loš
P9 Visoka Dobre Dobar Srednji
P10 Visoka Dobre Loš Loš
P11 Visoka Loše Dobar Loš
P12 Visoka Loše Loš Loš
Potrebno je proveriti da li su pravila koja je zadao DO konzistentna.
Rešenje:
Kako bismo lakše odredili gornje i donje granice potrebno posmatrati skupove pravila za svaku pd izlaznih
klasa. Tako za klasu odličan imamo sledeća pravila:

98

Iz tabele iznad, možemo zaključiti da skup pravila koja sačinjavaju donju granicu klase odličan sledeći:
DG(Odličan) = {P2, P5}
Zaista, P2 i P5 nisu dominantne ni u odnosu na jednu drugu alternativu (čak su i dominirane u odnosu na
P2) i pri tome, one su neuporedive među sobom. Obzirom da je klasa Odličan najviša moguća vrednost
ordinalne skale izlaza, nema potrebe za izračunavanjem gornje granice (ne postoji mogućnost da neka od
alternativa uzme vrednost izlaza koji je veći od Odličan).
Dalje, razmotrimo klasu Srednji.

P3 Niska Loše Dobar Srednji
P6 Srednja Dobre Loš Srednji
P7 Srednja Loše Dobar Srednji
Gornju granicu ove klase predstavlja skup sledećih slučajeva: GG(Srednji): {P3, P6, P9}
Obzirom na definicuju gornje granice (skup pravila koji nije dominiran u okviru klase), jasno je da P3 ulazi
u ovaj skup pošto ima najbolju moguću vrednost Cene, dok svi ostali slučajevi imaju lošije vrednosti Cene.
Dalje, P6 nije dominirano pravolo od strane P3 i P7 (jer je bolje po Performansama), niti od P9 (jer je bolje
po Ceni). P9 takođe nije dominirano pravilo (od P7 i P3 je bolje po performansama, a od P6 po dizajnu.)
Donju granicu ove klase predstavlja skup sledećih slučajeva: DG(Srednji): {P6, P7, P9}
Obzirom na definicuju gornje granice (skup pravila koja ne dominiraju u okviru klase, vidimo da P6 nije
dominantno u odnosu n abilo koje pravilo (zbog Lošeg Dizajna), P7 je lošije od P6 i P9 po Performansama,
a od P3 po Ceni. Konačno P9 je lođije od svih alternativa po Ceni, pa prema tome ne može da bude
dominantno.
Moćemo primetiti da u ovom slučaju pravilo P6 i P9 pripadju skupu donje granice, kao i skupu gornje
granice.
Klasu Loš sačinjava skup slučajeva prikazan u tabeli ispod. Kod ove klase dovoljno je izračunati gornju
granicu skupa jer je Loš najniža (najlošija) vrednost na ordinalnoj skali izlaza.

99

P10 Visoka Dobre Loš Loš
P11 Visoka Loše Dobar Loš
Gornju granicu sačinjava skup sledećih pravila:

GG(Loš): {P4, P10, P11}
Konačno kada smo identifikovali potrebne granice za svaku klasu možemo da ih uporedimo i da
proverimo da li ovaj skup pravila ispunjava osobinu monotonosti.
Pravilo Cena Performanse Dizajn Granica Telefon

(Korisnost)
P2 Niska Dobre Loš DG Odličan
P5 Srednja Dobre Dobar DG Odličan
P3 Niska Loše Dobar GG Srednji
P6 Srednja Dobre Loš GG Srednji
P9 Visoka Dobre Dobar GG Srednji
P6 Srednja Dobre Loš DG Srednji
P7 Srednja Loše Dobar DG Srednji
P9 Visoka Dobre Dobar DG Srednji
P4 Niska Loše Loš GG Loš
P10 Visoka Dobre Loš GG Loš
P11 Visoka Loše Dobar GG Loš
Na osnovu Tabele iznad, možemo zaključiti da su definisana pravila monotona obzirom da:
 Nijedno pravilo iz GG(Loš) nije dominantno u odnosu na skup pravila DG(Srednji).
 Nijedno pravili iz skupa GG(Srednji) nije dominantno u odnosu na skup pravila DG (Odličan).
15. Zadatak
DO je počeo da popunjava izlazne vrednosti (odluke) za problem iz prethodnog zadatka. Trenutne

vrednosti tabele pravila se nalaze u Tabeli ispod.
100
Telefon
(Korisnost)
P2 Niska Dobre Loš
P5 Srednja Dobre Dobar
P6 Srednja Dobre Loš Odličan
P8 Srednja Loše Loš
P10 Visoka Dobre Loš
P11 Visoka Loše Dobar
Koje vrednosti izlaznog atributa mogu da uzmu pravila koja nisu popunjena (a da pritom poštuju pravilo
monotonosti) i zašto.
Primećujemo da pravila P1 i P12 imaju izlazne klase Odličan i Loš, respektivno. To je očigledno zato što je
P1 dominantna a P12 dominirana u odnosu na sve ostale alternative.
Obzirom da P6 ima vrednost izlaza Odličan, to znači da sva pravila koja su dominantna u odnosu na P6
moraju takođe imati izlaz Odličan. U ovom slučaju to su pravila P2 i P5.
Dalje, pravilo P4 ima izlaznu vrednost Loš. To znači da sva pravila koja su dominirana od strane P4 moraju
da imaju izlaznu vrednost Loš. U ovom slučaju to su pravila P8 i P12 (P12 je popunjeno sa Loš na samom
početku, jer je to alternativa koja je dominirana od strane svih ostalih).
Konačno pravilo P9 ima izlaznu vrednost Srednji. Sva pravila koja su dominantne u odnosu na P9 mogu da
imaju izlaznu vrednost Srednji ili odličan, a pravila koja su dominirana mogu da imaju vrednisti Srednji ili
Loš (naravno ukoliko ne naruše monotonost sa nekim od ostalih pravila iz kategorija Odličan ili Loš).
Dominantna pravila u odnosu na P9 su: P5 i P1. Obzirom da su ona u koategoriji Odličan, pravilo
monotonosti je ispoštovano. Pravila koja su dominirana u odnosu na P9 su P10, P11 i P12 i ona mogu uzeti
vrednosti Srednji ili Loš.
Na osnovu analize iznad pravila mogu biti popunjena na sledeći način (Tabela ispod)
Telefon
(Korisnost)
101

P6 Srednja Dobre Loš Odličan
P10 Visoka Dobre Loš Srednji/Loš
P11 Visoka Loše Dobar Srednji/Loš
Hijerarhijsko modelovanje kod Dex metodologije
Analizom veličine prostora pravila i osobine monotonosti u prethodnim zadacima može se doći do
zaključka da kod modelovanja odlučivanja u realnim sistemima (gde prostor pravila često prelazi nekoliko
hiljada pravila) javljaju dva česta problema:
 Značajno vreme koje DO treba da potroši na definisanje baze znanja i

 Mogućnost nekonzistentnosti povezivanja ulaznih i izlaznih delova pravila.
Jedan od načina rešavanja ovih problema je korišćenje hijerarhijskog modela pri struktuiranju procesa
odlučivanja (slično kao kod AHP metode). Struktuiranje problema tj. definisanje hijerarhijskog modela
predstavlja proces kreiranja kriterijumskog stabla (grafa) u kome koje se sastoji iz:
 Korena stabla - konačnu korisnost alternativa (čvor odluke),

 Listova – elementarnih atributa (kriterijuma)
 Čvorova – složenih atributa (kriterijuma).
Hijerarhijsko modelovanje, ekspertnog sistema, njegova primena i analiza osetljivosti su predstavljeni u

sledećim zadacima.
16. Zadatak
DO razmatra nabavku pretplatnih paketa i mobilnih telefona za svoje zaposlene. Ponude operatera sadrže
sledeće atribute koji su prethodno diskretizovani:
 Nabavna cena (aparata u tarifi): Niska, Srednja i Visoka,

 Račun (mesečna pretplata): Nizak, Srednji i Visok,
 Procesor (aparata u tarifi): Dobar, Srednji, Loš,
102
 Kamera (aparata u tarifi): Dobra i Loša,

 Memorija (aparata u tarifi): Dovoljna i Nedovoljna.
Izlazni atribut predstavlja Korisnost (ponude) definisan na skali: Visoka, Srednja, Niska.
a) Odrediti veličinu prostora pravila na osnovu datih atributa i odgovarajućih skala.

b) Kreirati hijerarhijski model ukoliko na osnovu sledećih nad-kriterijuma i odgovarajućih skala:
a. Troškovi: Visoki, Srednji, Niski
b. Kvalitet: Visok, Srednji, Nizak
c) Odrediti veličinu prostora pravila koji je definisan nad hijerarhijskim modelom kreiranim pod b).
d) DO dobio dve ponude pretplatnih paketa i mobilnih telefona. Ponude su predstavljene u Tabeli
ispod.
Ponuda Nabavna Cena Račun Procesor Kamera Memorija

Ponuda 1 Visoka Srednji Loš Dobra Nedovoljna
Ponuda 2 Visoka Visok Srednji Loša Nedovoljna
Korišćenjem hijerarhijskog modela (koji je kreiran pod b)), potrebno je evaluirati (odrediti korisnost)
ponude (Ponuda 1 i Ponuda 2).
Rešenje:
a) Na osnovu skala atributa možemo da zaključimo da je prostor pravila za DEX model veličine:
3*3*3*2*2 = 108. Već ova veličina prostora zahteva dosta vremena pri definiciji izlaza, kao i
mogućnost povrede osobine monotonosti.
b) Da bismo definisali hijerarhijski model na osnovu zahteva zadatka, potrebno je da definišemo Koren
stabla (konačnu korisnost alternativa), kao i dva Čvora stabla, koje kreiramo na osnovu odgovarajućih
elementarnih kriterijuma. Dakle kreiramo sledeće čvorove:
 Troškovi – na osnovu Nabavne Cene i Računa i
 Kvalitet – na osnovu Procesora, Kamere i Memorije.
Korisnost (atribut odluke) ostaje ista: Visoka, Srednja, Niska. Kriterijumsko stablo (struktura) problema
odlučivanja, koja je kreirana pristupom odozdo nagore je predstavljena na Slici ispod.
103
c) Prostor pravila kod hijerarhijskog modela je veličine 30. Potrebno je definisati izlazne vrednosti 9
pravila koja definišu nad-kriterijum Troškovi, 12 pravila koja definišu nad-kriterijum Kvalitet, kao i još
9 pravila koja definišu Korisnost ponude.
d) Za Ponudu 1, evaluacija (indukcija, određivanje) konačne korisnosti se vrši na sledeći način. Na

prvom nivou hijerarhije (Troškovi i Kvalitet), aktiviraju se sledeća pravila:
 AKO je Nabavna Cena Visoka i Račun Srednji TADA su Troškovi Visoki

 AKO je Procesor Loš i Kamera Dobra i Memorija Nedovoljna TADA je Kvalitet Srednji
Na drugom (poslednjem nivou hijerarhije) aktivira se pravilo koje da je konačnu korisnost za predloženu
alternativu:
 AKO su Troškovi Visoki i Kvalitet Srednji TADA je Korisnost (ponude) Niska
Slično, za Ponudu 2 su aktivirana sledeća pravila:

 AKO je Nabavna Cena Srednja i Račun Visok TADA su Troškovi Srednji
 AKO je Procesor Srednji i Kamera Loša i Memorija Nedovoljna TADA je Kvalitet Nizak
 AKO su Troškovi Srednji i Kvalitet Nizak TADA je Korisnost (ponude) Niska
Dakle iz primera možemo zaključiti da obe alternative (ponude) imaju Nisku korisnost po modelu sa Slike
iz prethodnog zadatka.
U ovakvim situacijama DO ima nekoliko mogućih opcija:

 Da odustane od nabavke,
 Da ponovi konkurs (prikupi dodatne alternative),
 Da razmotri mogućnost revizije ponude (Analiza Osetljivosti tj. Šta-Ako analiza).
104
17. Zadatak
DO je primetio da Ponuda 1 ima visoku cenu i zanima ga da li bi Ponuda 1 promenila vrednost korisnosti
ukoliko bi ponuđač spustio cenu na Srednju. Ukoliko bi došlo do promene korisnosti (da korisnost pređe
u Srednju ili Visoku) DO bi mogao da traži novu ponudu sa redukovanom cenom.
a) Proveriti da korisnost ponude 1 osetljiva na promenu nabavne cene ako se nabavna cena poboljša
(pređe iz kategorije Visoka, u kategoriju Srednja).
b) Da li je Ponuda 2 osetljiva na promenu elementarnog kriterijuma Procesor?
Rešenje:
a) Elementarni kriterijumi Ponude 1 sa izmenjenom Nabavnom cenom su predstavljeni u Tabeli ispod.
Ponuda Nabavna Cena Račun Procesor Kamera Memorija

Ponuda 1 Srednja Srednji Loš Dobra Nedovoljna
Kako bismo testirali osetljivost, treba da uporedimo Korisnost ove alternative pre i posle izmene
(proveravamo kakva bi bila korisnost kada bismo postigli bolju cenu). Iz prethodnog zadatka znamo da je
korisnost bila Niska kada je nabavna cena bila Visoka. Da bismo ovo postigli, radimo evaluaciju izmenjene
alternative, na osnovu modela iz Zadatka 1.
U ovom slučaju dolazi do promene korisnosti kod nad-kriterijuma Troškovi pošto se aktivira pravilo:
 AKO je Nabavna Cena Srednja i Račun Srednji TADA su Troškovi Srednji
Iz ovoga možemo zaključiti na je u slučaju Ponude 1 kriterijum roditelj (nad-kriterijum) Troškovi osetljiv
na promenu kriterijuma deteta Nabavna Cena sa Visoke na Srednju.
Kada smo ustanovili da je došlo do promene korisnosti kod jednog od kriterijuma roditelja, potrebno je
ispitati da li dolazi do promene na ostalim nivoima hijerarhije. U ovom slučaju jedini nivo hijerarhije na
koji ova promena može da ima uticaj je poslednji nivo (konačna korisnost alternative).
Dakle, pošto je promenjena vrednost nad-kriterijuma Troškovi, aktivirano je novo pravilo za konačnu
korisnost:
 AKO su Troškovi Srednji i Kvalitet Srednji TADA je Korisnost (ponude) Visoka
Iz ovog primera vidimo da je za promenu jednog od osnovnih kriterijuma (Nabavna Cena) za jednu
vrednost na ordinalnoj skali došlo do promene konačne korisnosti za dve vrednosti (sa niske korisnosti na
visoku). Prema tome, DO ima razloga da pokuša da revidira ponudu umesto da odustane od nje ili da
prikuplja nove alternative.
b) Da bismo ispitali da li je Ponuda 2 osetljiva na promenu nabavne cene, treba da ispitamo da li dolazi
do promene njene korisnosti:
105
 Kada se Nabavna cena poboljša za jednu vrednost na skali i

 Kada se Nabavna cena pogorša za jednu vrednost na skali.
Procesor kod Ponude 2 ima vrednost Srednji i pri tome ima Nisku korisnost. Da bismo ocenili da li je
korisnost osetljiva na promenu ovog elementarnog kriterijuma, potrebno je da proverimo da li će se
korisnost promeniti ukoliko Procesor uzme vrednost Dobar ili Loš.
Kao i pod a) evaluiramo alternativu za moguće promene vrednosti (+-1 analiza).
Bez evaluacije alternative, možemo da zaključimo da Korisnost nije osetljivo na ukoliko Procesor uzme
vrednost Loš (pogorša vrednost). Ovo možemo da zaključimo jer Ponuda 2 ima Nisku (najlošiju moguću
vrednost) korisnost. Obzirom da su pravila u modelu monotona, korisnost se neće menjati sa pogoršanjem
vrednosti bilo kog od elementarnih atributa.
U slučaju poboljšanja Procesora na Dobar moramo da evaluiramo alternative. Nakon evaluacije možemo
primetiti da je nad - kriterijum Kvalitet osetljiv na ovu promenu (prelazi u Srednji), ali da Korisnost nije
osetljiva (ostaje Niska)
106
Stabla Odlučivanja
1. Zadatak
Tri prodavnice (A, B i C) su beležile prodaju svojih proizvoda u toku prethodne godine i kategorisale
prodaju kao Dobra ili Loša, za svaki od proizvoda P1, P2, P3 i P4. Podaci u prodaji su dati u tabelama na
slici ispod.
a) Odrediti raspodelu (distribuciju) verovatnoća kategorija prodaje.

b) Koja od prodavnica ima najveću neizvesnost prodaje a koja najmanju (i zašto)?
Rešenje:
a)
Za prodavnicu A: P(Dobra) = 0.5, P(Loša) = 0.5
Za prodavnicu B: P(Dobra) = 1, P(Loša) = 0
Za prodavnicu C: P(Dobra) = 0.25, P(Loša) = 0.75
b)
Na osnovu raspodele verovatnoća, možemo zaključiti da najveću neizvesnost prodaje ima prodavnica A
jer su podjednake (uniformne) verovatnoće Dobre i Loše prodaje.
Najmanju neizvesnost prodaje ima prodavnica B jer je verovatnoća prodaje jednaka 1.
2. Zadatak
DO vodi evidenciju o Ceni i Prodaji svojih proizvoda. Istorijski podaci su prikazani u tabeli ispod.
107
Proizvod Cena Prodaja
P1 Visoka Loša
P2 Niska Dobra
P3 Visoka Loša
P4 Niska Dobra
a) Odrediti raspodelu verovatnoća kategorija prodaje.

b) Odrediti entropiju (neizvesnost) sistema prikazanog u tabeli iznad.
c) Da li je atribut cena nosi informaciju o prodaji?
Rešenje:
a) P(Dobra) = 0.5, P(Loša) = 0.5

b) Entropiju sistema računamo na osnovu raspodele verovatnoća izlaznog atributa (Prodaja) po sledećoj
formuli:
𝐻(𝑆) = − ∑ 𝑝𝑖 ∗ 𝑙𝑜𝑔2 (𝑝𝑖 )

𝑖=1
Gde je k broj različitih kategorija koje može uzeti izlazni atribut (u ovom slučaju Prodaja).
Podsetimo se da se formula za entropiju može izraziti i na sledeći način:

𝑘
𝑙𝑜𝑔10 (𝑝𝑖 )
𝐻(𝑆) = − ∑ 𝑝𝑖 ∗
0.301
𝑖=1
Dakle entropija sistema iz Tabele iznad je:
𝐻 (𝑃𝑟𝑜𝑑𝑎𝑗𝑎) = −(0.5 ∗ 𝑙𝑜𝑔2 (0.5) + 0.5 ∗ 𝑙𝑜𝑔2 (0.5)) = 1
Ili (ekvivalntno):
𝑙𝑜𝑔10 (0.5) 𝑙𝑜𝑔10 (0.5)

𝐻 (𝑃𝑟𝑜𝑑𝑎𝑗𝑎 ) = − (0.5 ∗ + 0.5 ∗ )=1
0.301 0.301
108
c) Ukoliko podelimo skup podataka prema atributu Cena dobijamo sledeće podskupove (Slika ispod).
Sa slike vidimo da je svi slučajevi (proizvodi) koji imaju Nisku cenu imaju i Dobru prodaju, tj. distribucija
prodaje pri uslovu da je cena Niska se može izraziti:
𝑃 (𝑃𝑟𝑜𝑑𝑎𝑗𝑎 = 𝐷𝑜𝑏𝑟𝑎|𝐶𝑒𝑛𝑎 = 𝑁𝑖𝑠𝑘𝑎) = 1

𝑃 (𝑃𝑟𝑜𝑑𝑎𝑗𝑎 = 𝐿𝑜š𝑎|𝐶𝑒𝑛𝑎 = 𝑁𝑖𝑠𝑘𝑎) = 0
Sa druge strane, svi slučajevi (proizvodi) koji imaju Visoku cenu imaju Lošu prodaju, tj.
𝑃 (𝑃𝑟𝑜𝑑𝑎𝑗𝑎 = 𝐷𝑜𝑏𝑟𝑎|𝐶𝑒𝑛𝑎 = 𝑉𝑖𝑠𝑜𝑘𝑎) = 0

𝑃 (𝑃𝑟𝑜𝑑𝑎𝑗𝑎 = 𝐿𝑜š𝑎|𝐶𝑒𝑛𝑎 = 𝑉𝑖𝑠𝑜𝑘𝑎) = 1
Dakle ukoliko početni sistem (skup podataka) podelimo po atributu Cena, izlazna vrednost Prodaje za svaki
od pod-skupova je potpuno izvesna (neizvesnost tj. entropija je jednaka 0). Prema tome možemo zaključiti
da atribut Cena nosi informaciju o atributu Prodaja.
109
3. Zadatak
DO vodi evidenciju o Ceni i Prodaji svojih proizvoda. Istorijski podaci su prikazani u tabeli ispod.
Proizvod SSD disk Prodaja
P1 Ne Loša
P2 Da Dobra
P3 Da Loša
P4 Da Dobra
a) Odrediti entropiju sistema.

b) Odrediti entropiju sistema nakon podele po atributu SSD disk .
c) Kolika je Informaciona dobit podele skupa po atributu SSD disk?
Rešenje:
a) Kao i u prošlom primeru, H(S) = 1

b) Entropiju sistema nakon podele po atributu, računamo na osnovu Uslovne Entropije koja se račina po
sledećoj formuli:
𝐻 (𝑆|𝑋) = ∑ 𝑝(𝑥𝑖 ) ∗ 𝐻(𝑆|𝑋 = 𝑥𝑖 )

𝑖=1
Gde je:
 𝑋 - atribut po kome delimo skup,

 𝑐 - broj različitih kategorija atributa X,
 𝑝(𝑥𝑖 ) - verovatnoća pojavljivanja kategorije i.
 𝐻(𝑆|𝑋 = 𝑥𝑖 ) – entropija izlaznog atributa za podskup slučajeva gde je 𝑋 = 𝑥𝑖
Dakle potrebno je odrediti entropiju izlaznog atributa (tj. Prodaje) nakon podele skupa po kategorijama
atributa SSD disk. Na slici ispod možemo videti da se skup svih slučajeva deli na dva podskupa (SSD disk =
Da i SSD disk = Ne). Pri tome imamo 3 slučaja koji imaju SSD disk (leva grana) i 1 slučaj koji nema SSD disk
110
(desna grana). Naš cilj je da odredimo količinu entropije (neizvesnosti) Prodaje celog skupa (slučajeva koji
se nalaze i u levoj i u desnoj grani) nakon podele na podskupove po atributu SSD disk.
Na osnovu prethodnih zadataka znamo da odredimo količinu entropije za levu i desnu granu posebno.
2 2 1 1
𝐻 (𝑃𝑟𝑜𝑑𝑎𝑗𝑎|𝑆𝑆𝐷 𝑑𝑖𝑠𝑘 = 𝐷𝑎) = − ( ∗ 𝑙𝑜𝑔2 ( ) + ∗ 𝑙𝑜𝑔2 ( )) = 0.915
3 3 3 3
𝐻 (𝑃𝑟𝑜𝑑𝑎𝑗𝑎|𝑆𝑆𝐷 𝑑𝑖𝑠𝑘 = 𝑁𝑒) = −(0 ∗ 𝑙𝑜𝑔2 (0) + 1 ∗ 𝑙𝑜𝑔2 (1)) = 0
Možemo primetiti da je entropija desne grane 0 tj. nema neizvesnosti a leve 0.915. Konačno uslovnu
entropiju za atribut SSD disk određujemo kao zbir entropija svake grane, pri čemu je svaka entropija
otežana verovatnoćom pojavljivanja slučaja u toj grani. Dakle:
3
𝑝(𝑆𝑆𝐷 𝑑𝑖𝑠𝑘 = 𝐷𝑎) = = 0.75
4
1
𝑝(𝑆𝑆𝐷 𝑑𝑖𝑠𝑘 = 𝑁𝑒) = = 0.25
4
Dakle entropija prodaje nakon podele po SSD disku je:
𝑝(𝑆𝑆𝐷 𝑑𝑖𝑠𝑘 = 𝐷𝑎) ∗ 𝐻(𝑆 |𝑆𝑆𝐷 𝑑𝑖𝑠𝑘 = 𝐷𝑎 ) + 𝑝(𝑆𝑆𝐷 𝑑𝑖𝑠𝑘 = 𝑁𝑒) ∗ 𝐻(𝑆 |𝑆𝑆𝐷 𝑑𝑖𝑠𝑘 = 𝑁𝑒)
0.75 ∗ 0.915 + 0.25 ∗ 0 = 0.686
111
Na osnovu definicije uslovne entropije i rešenja zadatka, vidimo da uslovna entropija manje vrednuje
parcijalne entropije podskupova čija je verovatnoća pojavljivanja manja (u ovom slučaju to je podskup SSD
disk = Ne, koji sadrži samo jedan slučaj).
c) Informaciona dobit atributa (podele skupa po atributu) predstavlja razliku između entropije sistema
pre podele i nakon podele po tom atributu.
𝐼(𝑋) = 𝐻 (𝑆) − 𝐻(𝑆|𝑋)
Gde je 𝐻 (𝑆) količina entropije pre podele po atributu X, a 𝐻(𝑆|𝑋) uslovna entropija (količina entropije
nakon podele po atributu X).
Dakle u našem slučaju:
𝐼 (𝑆𝑆𝐷 𝑑𝑖𝑠𝑘) = 𝐻(𝑃𝑟𝑜𝑑𝑎𝑗𝑎 ) − 𝐻(𝑃𝑟𝑜𝑑𝑎𝑗𝑎|𝑆𝑆𝐷 𝑑𝑖𝑠𝑘) = 1 − 0.686 = 0.314
4. Zadatak
Maloprodajna radnja računarske opreme prati prodaju laptop računara i vodi evidenciju o rezoluciji
monitora i ceni tih računara. Prikupljeni podaci su prikazani u Tabeli ispod.
Laptop Rezolucija Cena Prodaja
1 Niska Visoka Loša
2 Visoka Visoka Loša
3 Visoka Niska Dobra
4 Visoka Visoka Dobra
7 Visoka Visoka Loša
8 Visoka Niska Loša
a) Izračunati entropiju Prodaje.

b) Odrediti koji od ulaznih atributa (Rezolucija ili Cena) nosi više informacija o prodaji.
c) Da li neki od ulaznih atributa smanjuje entropiju sistema na 0?
Rešenje:
112
5 5 4 4
a) 𝐻 (𝑃𝑟𝑜𝑑𝑎𝑗𝑎) = − (9 ∗ 𝑙𝑜𝑔2 (9) + 9 ∗ 𝑙𝑜𝑔2 (9)) = 0.991
b) Da bismo odgovorili na ovo pitanje, potrebno je da izračunamo Informacione dobiti za Rezoluciju i
Cenu. Prvo računamo parcijalne entropije za atribut rezolucija (za podskup računara sa Niskom i
podskup računara sa Visokom rezolucijom).
𝐻 (𝑃𝑟𝑜𝑑𝑎𝑗𝑎|𝑅𝑒𝑧𝑜𝑙𝑢𝑐𝑖𝑗𝑎 = 𝑁𝑖𝑠𝑘𝑎 ) = 0
5 5 3 3
𝐻 (𝑃𝑟𝑜𝑑𝑎𝑗𝑎|𝑅𝑒𝑧𝑜𝑙𝑢𝑐𝑖𝑗𝑎 = 𝑉𝑖𝑠𝑜𝑘𝑎) = − ( ∗ 𝑙𝑜𝑔2 ( ) + ∗ 𝑙𝑜𝑔2 ( )) = 0.954
8 8 8 8
Dalje, računamo uslovnu entropiju za atribut Rezolucija:
1 8
𝐻 (𝑃𝑟𝑜𝑑𝑎𝑗𝑎|𝑅𝑒𝑧𝑜𝑙𝑢𝑐𝑖𝑗𝑎 ) = ∗ 0 + ∗ 0.954 = 0.848
9 9
Konačno ocenjujemo Informacionu dobit za atribut Rezolucija:

𝐼 (𝑅𝑒𝑧𝑜𝑙𝑢𝑐𝑖𝑗𝑎 ) = 0.991 − 0.848 = 0.143
Možemo primetiti da atribut rezolucija u Tabeli iznad ima samo jedan proizvod sa kategorijom Niska i 8
proizvoda sa kategorijom Visoka. Samim tim slučaj koji ima kategoriju Niska ima i entropiju 0, odnosno
kreira jedan „čist“ podskup. Sa druge strane, podrška ovom pravilu (AKO je Rezolucija Niska, tada je
Prodaja Loša) je jako mala. Iz formule za Uslovnu Entropiju vidimo da je ovaj problem rešen tako što se
veća težina daje entropiji podskupa slučajeva gde je rezolucija Visoka (8/9 naspram 1/9 za podskup sa
Niskom rezolucijom).
Ovakva situacija se često dešava u praksi i u ovom slučaju se može objasnitina sledeći način: zbog napretka
tehnologije, sve je manje laptopova sa niskom rezolucijom monitora. Sa aspekta generisanja pravila
odlučivanja, to znači da DO ne želi da se oslanja na to pravilo, jer je uzorak nedovoljan da bi mogao na
osnovu njega da zaključuje.
Dalje, računamo parcijalne entropije za atribut Cena (za podskup računara sa Niskom i podskup računara
sa Visokom cenom).
4 4 1 1
𝐻 (𝑃𝑟𝑜𝑑𝑎𝑗𝑎|𝐶𝑒𝑛𝑎 = 𝑁𝑖𝑠𝑘𝑎 ) = − ( ∗ 𝑙𝑜𝑔2 ( ) + ∗ 𝑙𝑜𝑔2 ( )) = 0.721
5 5 5 5
3 3 1 1
𝐻 (𝑃𝑟𝑜𝑑𝑎𝑗𝑎|𝐶𝑒𝑛𝑎 = 𝑉𝑖𝑠𝑜𝑘𝑎) = − ( ∗ 𝑙𝑜𝑔2 ( ) + ∗ 𝑙𝑜𝑔2 ( )) = 0.811
4 4 4 4
113
Dalje, računamo uslovnu entropiju za atribut Rezolucija:
5 4
𝐻 (𝑃𝑟𝑜𝑑𝑎𝑗𝑎|𝐶𝑒𝑛𝑎 ) = ∗ 0.721 + ∗ 0.811 = 0.762
9 9
Konačno ocenjujemo Informacionu dobit za atribut Rezolucija:
𝐼 (𝐶𝑒𝑛𝑎 ) = 0.991 − 0.762 = 0.229
c) Na osnovu rešenja pod a) i b) zaključujemo da nijedan od atributa (Rezolucija i Cena) ne smanjuju

entropiju Prodaje na 0 tj. deljenjem početnog skupa podataka po ovim atributima ne dobijamo
skupove sa jedinstvenom vrednošću izlaza (atributa Prodaja) po svim kategorijama koje mogu da
uzmu ovi atrubuti. Jedina „čista“ grana je za slučajeve koji imaju Nisku rezoluciju, ali ovaj slučaj se
desio samo jednom. Sa druge strane, atribut Cena nema „čiste“ podskupove, ali mu je Informaciona
Dobit veća u odnosu na atribut Rezolucija.
1. Zadatak
Menadžer golf terena ima zadatak da odredi radne dane terena za sledeći mesec tj. da odredi za svaki dan
da li će se na terenu igrati golf ili ne. Menadžer zna da dolazak klijenata zavisi od vremenskih prilika
obzirom da su tereni otvoreni. Na raspolaganju ima istorijsku bazu podataka o vremenskim prilikama i
radu terena. Menadžer želi da kreira model odlučivanja, koji će automatski određivati radne dane terena
na osnovu podataka o vremenskoj prognozi. Istorijski podaci o vremenskoj prognozi i radu terena su dati
u Tabeli ispod.
114
Kreirati model odlučivanja uz pomoć ID3 algoritma.
Rešenje:
Model odlučivanja kreiran primenom ID3 algoritma je prikazan na Slici ispod. U narednom tekstu će biti
prikazan detaljni postupak sprovođenja ID3 algoritma, tj. kreiranja modela sa slike.
115
Podsetimo se da se ID3 algoritam sprovodi po sledećim koracima:
1. Izračunati entropiju celog skupa podataka (na osnovu izlazne vrednosti).

2. Izabrati atribut koji ima najveću Informacionu Dobit
3. Podeliti skup podatka (na podskupove) po vrednostima kategorija za izabrani atribut
4. Ponovljati korake 1-3 za svaki podskup dok:
o Svi podskupovi ne postanu “čisti” (entropija im je 0)
o Nema više atributa za grananje
o Nijedan od ulaznih atributa ne smanjuje entropiju podskupa.
Dakle, prvo računamo entropiju celog sitema:
9 9 5 5
𝐻 (𝐼𝑔𝑟𝑎𝑡𝑖 ) = − ( ∗ 𝑙𝑜𝑔2 ( ) + ∗ 𝑙𝑜𝑔2 ( )) = 0.940
14 14 14 14
Zatim određujemo uslovne entropije i odgovarajuće informacione dobiti za svaki od dostupnih atributa.
Vreme
Prvo računamo parcijalne (marginalne) entropije za svaku kategoriju atributa Vreme. Na slici ispod su
prikazani podskupovi početnog skupa podataka ukoliko se podeli po kategorijama atributa Vreme.
Na osnovu raspodela verovatnoća izlaznog atributa Igrati, jednostavno možemo odrediti parcijalne
(marginalne) entropije svakog pod-skupa.
3 3 2 2
𝐻 (𝐼𝑔𝑟𝑎𝑡𝑖|𝑉𝑟𝑒𝑚𝑒 = 𝑠𝑢𝑛č𝑎𝑛𝑜 ) = − ( ∗ 𝑙𝑜𝑔2 ( ) + ∗ 𝑙𝑜𝑔2 ( )) = 0.971
5 5 5 5
𝐻 (𝐼𝑔𝑟𝑎𝑡𝑖|𝑉𝑟𝑒𝑚𝑒 = 𝑜𝑏𝑙𝑎č𝑛𝑜 ) = −(0 ∗ 𝑙𝑜𝑔2 (0) + 1 ∗ 𝑙𝑜𝑔2 (1)) = 0
3 3 2 2
𝐻 (𝐼𝑔𝑟𝑎𝑡𝑖|𝑉𝑟𝑒𝑚𝑒 = 𝑘𝑖š𝑜𝑣𝑖𝑡𝑜 ) = − ( ∗ 𝑙𝑜𝑔2 ( ) + ∗ 𝑙𝑜𝑔2 ( )) = 0.971
5 5 5 5
116
Možemo primetiti da su parcijalne entropije za Sunčačne i Kišovite dane veće od entropije ukupne
entropije sistema (0.971>0.940), ali da je parcijalna entropija za oblačne dane jednaka 0. Na osnovu
parcijalnih entropija računamo uslovnu entropiju za atribut Vreme:
5 5 4
𝐻(𝐼𝑔𝑟𝑎𝑡𝑖 |𝑉𝑟𝑒𝑚𝑒) = ∗ 0.971 + ∗ 0.971 + ∗ 0 = 0.694
14 14 14
Konačno računamo informacionu dobit za atribut Vreme:
𝐼 (𝑉𝑟𝑒𝑚𝑒) = 0.940 − 0.694 = 0.246
Temperatura
Na slici ispod su prikazani podskupovi početnog skupa podataka ukoliko se podeli po kategorijama atributa
Temperatura.
Na osnovu raspodela verovatnoća izlaznog atributa Igrati, jednostavno možemo odrediti parcijalne
(marginalne) entropije svakog podskupa.
2 2 2 2
𝐻 (𝐼𝑔𝑟𝑎𝑡𝑖|𝑇𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑎 = 𝑣𝑟𝑢ć𝑒) = − ( ∗ 𝑙𝑜𝑔2 ( ) + ∗ 𝑙𝑜𝑔2 ( )) = 1
4 4 4 4
4 4 2 2
𝐻 (𝐼𝑔𝑟𝑎𝑡𝑖|𝑇𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑎 = 𝑡𝑜𝑝𝑙𝑜 ) = − ( ∗ 𝑙𝑜𝑔2 ( ) + ∗ 𝑙𝑜𝑔2 ( )) = 0.915
6 6 6 6
3 3 1 1
𝐻 (𝐼𝑔𝑟𝑎𝑡𝑖|𝑇𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑎 = ℎ𝑙𝑎𝑑𝑛𝑜) = − ( ∗ 𝑙𝑜𝑔2 ( ) + ∗ 𝑙𝑜𝑔2 ( )) = 0.811
4 4 4 4
Uslovna entropija za atribut temperatura je:

4 6 4
𝐻(𝐼𝑔𝑟𝑎𝑡𝑖 |𝑇𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑎 ) = ∗1+ ∗ 0.915 + ∗ 0.811 = 0.910
14 14 14
117
Konačno dobijamo Informacionu dobit atributa vreme.
𝐼 (𝑇𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑎 ) = 0.940 − 0.910 = 0.03
Identičnim postupkom računamo parcijalne (marginalne), uslovne Entropije i Informacione dobiti za

atribute Vlažnost i Vetar.
Vlažnost
𝐼 (𝑉𝑙𝑎ž𝑛𝑜𝑠𝑡) = 0.136
Vetar
𝐼 (𝑉𝑒𝑡𝑎𝑟 ) = 0.048
Nakon poređenja informacionih dobiti za sva 4 ulazna atributa, zaključujemo da je najveća informaciona
dobit ukoliko kompletan skup podelimo po atributu Vreme.
118
 𝐼 (𝑉𝑟𝑒𝑚𝑒) = 0.246
 𝐼 (𝑇𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑎 ) = 0.03
 𝐼 (𝑉𝑙𝑎ž𝑛𝑜𝑠𝑡) = 0.136
 𝐼 (𝑉𝑒𝑡𝑎𝑟) = 0.048
Stablo odlučivanja nakon deljenja skupa podataka po atributu Vreme je prikazano na Slici ispod.
Sa slike možemo videti da kada je vreme Oblačno, uvek se igra golf. U ovom čvoru (podskupu) ispunjen je
kriterijum zaustavljanja ID3 algoritma (entropija je jednaka 0). Prema tome, rast stabla odlučivanja u ovoj
grani se zaustavlja i kreira se list, tj. čvor odluke, sa izlaznom vrednošću Da. To znači je kreirano pravilo:
AKO je Vreme Oblačno TADA treba Igrati.
Odnosno, u primeni modela, izlazna vrednost će biti Da za sve dane za koje je prognozirano Oblačno
vreme (bez obzira na Vlažnost, Temperaturu i Vetar).
Sa druge strane za ostale vrednosti atributa Vreme, podskupovi podataka nemaju „čist“ izlaz, tj. postoji
neizvesnost da li treba igrati ili ne. U ovoj situaciji proveravamo da li postoje još neki atributi koji bi mogli
da smanje entropiju podskupova. U oba podskupa, dostupni su atributi Temperatura, Vlažnost i Vetar.
Dakle, prema ID3 algoritmu (opisanom na početku zadatka) nijedan kriterijum zaustavljanja nije ispunjen.
To znači da treba ponoviti postupak selekcije atributa sa najvećom vrednošću informacione dobiti, na
svakom od ovih pod-skupova i granati stablo dalje, do ispunjenja jednog od kriterijuma zaustavljanja.
Prvo ćemo granati stablo na podskupu svih Sunčanih dana. Ovaj podskup je prikazan u Tabeli ispod.
Primećujemo da je u Tabeli izostavljen atribut Vreme. To je zato što je kod svih slučajeva u ovom podskupu
vreme bilo Sunčano tj. ne postoji varijacija vrednosti po ovom atributu. Obzirom da nema varijacije, ovaj
atribut ne nosi informaciju o izlaznom atributu i možemo ga zanemariti.
119
Temperatura Vlažnost Vetar Igrati?
vruće visoka slab ne
vruće visoka jak ne
toplo visoka slab ne
hladno normalna slab da
toplo normalna jak da
Identičnim postupkom kao i za atribut vreme dolazimo do informacionih dobiti ulaznih atributa iz Tabele
iznad. Obzirom da je podskup slučajeva iz Tabele veoma mali, jasno je da atribut Vlažnost nosi najviše
informacija o izlaznom atributu, obzirom da samo on može da razgrana ovaj skup na „čiste“ podskupove.
Formalni postupak određivanja atributa za grananje je prikazan u daljem tekstu.
𝐻 (𝐼𝑔𝑟𝑎𝑡𝑖|𝑉𝑟𝑒𝑚𝑒 = 𝑠𝑢č𝑎𝑛𝑜 ) = 0.971
 𝐼 (𝑇𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑎|𝑉𝑟𝑒𝑚𝑒 = 𝑠𝑢č𝑎𝑛𝑜 ) = 0.571

 𝐼 (𝑉𝑙𝑎ž𝑛𝑜𝑠𝑡|𝑉𝑟𝑒𝑚𝑒 = 𝑠𝑢č𝑎𝑛𝑜 ) = 0.971
 𝐼 (𝑉𝑒𝑡𝑎𝑟|𝑉𝑟𝑒𝑚𝑒 = 𝑠𝑢č𝑎𝑛𝑜 ) = 0.079
Najveća Informaciona Dobit se dobija ukoliko dalje razgranamo stablo po atributu Vlažnost. Zaista, nakon
grananja, leva grana stabla sadrži samo čiste čvorove (u kojima je entropija jednaka 0). Kriterijum
zaustavljanja je ispunjen i u ovom delu stabla i prema tome kreiraju se terminalni čvorovi (listovi) sa
odgovarajućim odlukama.
120
Konačno ponavljamo postupak za desnu stranu stabla (slučajevi kada je vreme bilo Kišovito). Tabela
slučajeva je prikazana u Tabeli ispod.
Temperatura Vlažnost Vetar Igrati?
toplo visoka slab da
hladno normalna slab da
hladno normalna jak ne
toplo normalna slab da
toplo visoka jak ne
𝐻 (𝐼𝑔𝑟𝑎𝑡𝑖|𝑉𝑟𝑒𝑚𝑒 = 𝑘𝑖š𝑜𝑣𝑖𝑡𝑜 ) = 0.971

 𝐼 (𝑇𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑎|𝑉𝑟𝑒𝑚𝑒 = 𝑘𝑖š𝑜𝑣𝑖𝑡𝑜) = 0.371
 𝐼 (𝑉𝑙𝑎ž𝑛𝑜𝑠𝑡|𝑉𝑟𝑒𝑚𝑒 = 𝑘𝑖š𝑜𝑣𝑖𝑡𝑜 ) =0.371
 𝐼 (𝑉𝑒𝑡𝑎𝑟|𝑉𝑟𝑒𝑚𝑒 = 𝑘𝑖š𝑜𝑣𝑖𝑡𝑜) = 0.971
Slično kao u prethodnom primeru, zaključujemo da je atribut Vetar nosi najviše informacija o izlaznom
atributu u ovom delu stabla. Konačni model stabla je prikazan na Slici ispod (identična slika sa samog
početka zadatka).
121
Kada posmatramo ovaj model, možemo uvideti da se iz njega mogu izgenerisati sledeća AKO -TADA
pravila:
AKO je vreme Sunčano i vlažnost Visoka TADA ne treba igrati.
AKO je vreme Sunčano i vlažnost Normalna TADA treba igrati.
AKO je vreme Oblačno TADA treba igrati.
AKO je vreme Kišovito i vetar Slab TADA treba igrati.
AKO je vreme Kišovito i vetar Jak TADA ne treba igrati.
U modelu stabla odlučivanja i odgovarajućim pravilima primećujemo da se atribut Temperatura nigde ne

pojavljuje. To znači da ID3 algoritam zapravo ne posmatra ovaj atribut kao informativan. Sa druge strane,
ID3 algoritam je „heuristika“ koja koristi pohlepnu (eng. greedy) strategiju grananja. To znači da u svakom
koraku bira atribut koji donosi najviše Informacione dobiti, odnosno model koji se dobija je u delovima
optimalan (moguće je da postoji drugi način grananja koji bi više smanjio entropiju ukupnog modela).
Dodatno možemo primetiti da u listovima stabla postoje atributi po kome je moguće dalje granati stablo.
U listovima leve grane to su Temperatura i Vetar, a u listovima desne grane to su Temperatura i Vlažnost.
To znači kojim slučajem na drugom nivou stabla nismo dobili čiste čvorove (listove) mogli bismo da vržimo
dodatno grananje po ovim atributima i povećamo dubinu stabla i dodatno smanjimo entropiju.
122
2.Zadatak
Analitičar kreditnog rizika svakodnevno razmatra aplikacije za kredit i procenjuje da li postoji rizik da klijent
ne vrati kredit na vreme. Primetio je da u poslednjim mesecima sve više klijenata (kojima je odobren
kredit) kasne sa otplatom kredita. On želi da na osnovu istorijskih podataka uoči paterne (znanje) po kome
se ponašaju klijenti kojima je odobren kredit i ustanovi koji kriterijumi utiču na to da klijent ne vrati kredit
na vreme. Na raspolaganju ima istorijsku bazu podataka (Tabela ispod).
Zaduženje Primanja Stan Otplata
Kritično Visoka Da Ne
Kritično Srednja Ne Ne
Kritično Niska Da Ne
Kritično Visoka Ne Ne
Prihvatljivo Visoka Da Da
Prihvatljivo Niska Da Da
Prihvatljivo Srednja Da Da
Prihvatljivo Srednja Ne Ne
Povoljno Niska Ne Da
Povoljno Niska Ne Ne
Povoljno Niska Ne Ne
a) Kreirati stablo odlučivanja korišćenjem ID3 algoritma.

b) Kolika je očekivana tačnost klasifikacije?
c) Generisati AKO-TADA pravila na osnovu pravila odlučivanja
Rešenje:
Prvo računamo ukupnu entropiju sistema (izlaznog atributa skupa podataka)

7 7 4 4
𝐻 (𝑂𝑡𝑝𝑙𝑎𝑡𝑎 ) = − ( ∗ 𝑙𝑜𝑔2 ( ) + ∗ 𝑙𝑜𝑔2 ( )) = 0.945
11 11 11 11
Zatim računamo entropije i odgovarajuće informacione dobiti za svaki od atributa.
123
Nivo Zaduženja
𝐻 (𝑂𝑡𝑝𝑙𝑎𝑡𝑎|𝑍𝑎𝑑𝑢ž𝑒𝑛𝑗𝑒 = 𝐾𝑟𝑖𝑡𝑖č𝑛𝑜 ) = −(0 ∗ 𝑙𝑜𝑔2 (0) + 1 ∗ 𝑙𝑜𝑔2 (1)) = 0

3 3 1 1
𝐻 (𝑂𝑡𝑝𝑙𝑎𝑡𝑎|𝑍𝑎𝑑𝑢ž𝑒𝑛𝑗𝑒 = 𝑃𝑟𝑖ℎ𝑣𝑎𝑡𝑙𝑗𝑖𝑣𝑜) = − ( ∗ 𝑙𝑜𝑔2 ( ) + ∗ 𝑙𝑜𝑔2 ( )) = 0.811
4 4 4 4
1 1 2 2
𝐻 (𝑂𝑡𝑝𝑙𝑎𝑡𝑎|𝑍𝑎𝑑𝑢ž𝑒𝑛𝑗𝑒 = 𝑃𝑜𝑣𝑜𝑙𝑗𝑛𝑜 ) = − ( ∗ 𝑙𝑜𝑔2 ( ) + ∗ 𝑙𝑜𝑔2 ( )) = 0.915
3 3 3 3
4 4 3
𝐻 (𝑂𝑡𝑝𝑙𝑎𝑡𝑎|𝑍𝑎𝑑𝑢ž𝑒𝑛𝑗𝑒) = ∗0+ ∗ 0.811 + ∗ 0.915 = 0.544
11 11 11
𝐼 (𝑂𝑡𝑝𝑙𝑎𝑡𝑎 ) = 0.945 − 0.544 = 0.401
Primanja
2 2 1 1
𝐻 (𝑂𝑡𝑝𝑙𝑎𝑡𝑎|𝑃𝑟𝑖𝑚𝑎𝑛𝑗𝑎 = 𝑉𝑖𝑠𝑜𝑘𝑎) = − ( ∗ 𝑙𝑜𝑔2 ( ) + ∗ 𝑙𝑜𝑔2 ( )) = 0.915
3 3 3 3
2 2 1 1
𝐻 (𝑂𝑡𝑝𝑙𝑎𝑡𝑎|𝑃𝑟𝑖𝑚𝑎𝑛𝑗𝑎 = 𝑆𝑟𝑒𝑑𝑛𝑗𝑎 ) = − ( ∗ 𝑙𝑜𝑔2 ( ) + ∗ 𝑙𝑜𝑔2 ( )) = 0.915
3 3 3 3
2 2 3 3
𝐻 (𝑂𝑡𝑝𝑙𝑎𝑡𝑎|𝑃𝑟𝑖𝑚𝑎𝑛𝑗𝑎 = 𝑁𝑖𝑠𝑘𝑎 ) = − ( ∗ 𝑙𝑜𝑔2 ( ) + ∗ 𝑙𝑜𝑔2 ( )) = 0.971
5 5 5 5
3 3 5
𝐻 (𝑂𝑡𝑝𝑙𝑎𝑡𝑎|𝑃𝑟𝑖𝑚𝑎𝑛𝑗𝑎 ) = ∗ 0.915 + ∗ 0.915 + ∗ 0.971 = 0.940
11 11 11
𝐼 (𝑃𝑟𝑖𝑚𝑎𝑛𝑗𝑎 ) = 0.945 − 0.940 = 0.005
Stan
2 2 3 3
𝐻 (𝑂𝑡𝑝𝑙𝑎𝑡𝑎|𝑆𝑡𝑎𝑛 = 𝐷𝑎) = − ( ∗ 𝑙𝑜𝑔2 ( ) + ∗ 𝑙𝑜𝑔2 ( )) = 0.971
5 5 5 5
1 1 5 5
𝐻 (𝑂𝑡𝑝𝑙𝑎𝑡𝑎|𝑆𝑡𝑎𝑛 = 𝑁𝑒) = − ( ∗ 𝑙𝑜𝑔2 ( ) + ∗ 𝑙𝑜𝑔2 ( )) = 0.650
6 6 6 6
5 6
𝐻 (𝑂𝑡𝑝𝑙𝑎𝑡𝑎|𝑆𝑡𝑎𝑛) = ∗ 0.971 + ∗ 0.650 = 0.796
11 11
𝐼 (𝑆𝑡𝑎𝑛) = 0.945 − 0.796 = 0.149
124
Nakon poređenja Informacionih dobiti, zaključujemo da Nivo Zaduženja nosi najviše informacija o
izlaznom atributu. Prema tome, koren stabla će biti atribut nivo zaduženja.
Vidimo da u podskupu slučajeva kod kojih je Zaduženje = Kritično vrednost izlaznog atributa je uvek Ne
tj. entropija tog podskupa je jednaka nuli. Ovaj podskup slučajeva proglašavamo za list stabla sa
odlukom Ne.
Dalje prelazimo na računanje Entropije podskupa slučajeva koji imaju Prihvatljivo zaduženje.
Entropija ovog podsistema iznosi (ova vrednost je izračunata u prethodnom koraku):
𝐻 (𝑂𝑡𝑝𝑙𝑎𝑡𝑎|𝑍𝑎𝑑𝑢ž𝑒𝑛𝑗𝑒 = 𝑃𝑟𝑖ℎ𝑣𝑎𝑡𝑙𝑗𝑖𝑣𝑜) = 0.811
Dalje, računamo parcijalne entropije za atribute Primanja i Stan.
Primanja
𝐻 (𝑂𝑡𝑝𝑙𝑎𝑡𝑎|𝑍𝑎𝑑𝑢ž𝑒𝑛𝑗𝑒 = 𝑃𝑟𝑖ℎ𝑣𝑎𝑡𝑙𝑗𝑖𝑣𝑜, 𝑃𝑟𝑖𝑚𝑎𝑛𝑗𝑎 = 𝑉𝑖𝑠𝑜𝑘𝑎 ) = 0

𝐻 (𝑂𝑡𝑝𝑙𝑎𝑡𝑎|𝑍𝑎𝑑𝑢ž𝑒𝑛𝑗𝑒 = 𝑃𝑟𝑖ℎ𝑣𝑎𝑡𝑙𝑗𝑖𝑣𝑜, 𝑃𝑟𝑖𝑚𝑎𝑛𝑗𝑎 = 𝑆𝑟𝑒𝑑𝑛𝑗𝑎 ) = 0
𝐻 (𝑂𝑡𝑝𝑙𝑎𝑡𝑎|𝑍𝑎𝑑𝑢ž𝑒𝑛𝑗𝑒 = 𝑃𝑟𝑖ℎ𝑣𝑎𝑡𝑙𝑗𝑖𝑣𝑜, 𝑃𝑟𝑖𝑚𝑎𝑛𝑗𝑎 = 𝑁𝑖𝑠𝑘𝑎 ) = 1
1 1 2
𝐻 (𝑂𝑡𝑝𝑙𝑎𝑡𝑎|𝑍𝑎𝑑𝑢ž𝑒𝑛𝑗𝑒 = 𝑃𝑟𝑖ℎ𝑣𝑎𝑡𝑙𝑗𝑖𝑣𝑜, 𝑃𝑟𝑖𝑚𝑎𝑛𝑗𝑎 ) = ∗ 0 + ∗ 0 + ∗ 1 = 0.5
4 4 4
𝐼 (𝑂𝑡𝑝𝑙𝑎𝑡𝑎|𝑍𝑎𝑑𝑢ž𝑒𝑛𝑗𝑒 = 𝑃𝑟𝑖ℎ𝑣𝑎𝑡𝑙𝑗𝑖𝑣𝑜, 𝑃𝑟𝑖𝑚𝑎𝑛𝑗𝑎 ) = 0.811 − 0.5 = 0.311
125
Stan
𝐻 (𝑂𝑡𝑝𝑙𝑎𝑡𝑎|𝑍𝑎𝑑𝑢ž𝑒𝑛𝑗𝑒 = 𝑃𝑟𝑖ℎ𝑣𝑎𝑡𝑙𝑗𝑖𝑣𝑜, 𝑆𝑡𝑎𝑛 = 𝐷𝑎) = 0

𝐻(𝑂𝑡𝑝𝑙𝑎𝑡𝑎|𝑍𝑎𝑑𝑢ž𝑒𝑛𝑗𝑒 = 𝑃𝑟𝑖ℎ𝑣𝑎𝑡𝑙𝑗𝑖𝑣𝑜, 𝑆𝑡𝑎𝑛 = 𝑁𝑒) = 0
2 2 3 3
𝐻 (𝑂𝑡𝑝𝑙𝑎𝑡𝑎|𝑆𝑡𝑎𝑛 = 𝐷𝑎) = − ( ∗ 𝑙𝑜𝑔2 ( ) + ∗ 𝑙𝑜𝑔2 ( )) = 0.971
5 5 5 5
𝐼 (𝑂𝑡𝑝𝑙𝑎𝑡𝑎|𝑍𝑎𝑑𝑢ž𝑒𝑛𝑗𝑒 = 𝑃𝑟𝑖ℎ𝑣𝑎𝑡𝑙𝑗𝑖𝑣𝑜, 𝑆𝑡𝑎𝑛) = 0.811 − 0.811 = 0
Iz uslovnih informacionih dobiti jasno je da ovaj podskup treba granati po atributu Stan i kreirati listove
stabla (obzirom da se entropija svodi na 0).
Konačno posmatramo podskup slučajeva gde je Zaduženje = Povoljno. Možemo primetiti da ovde postoji
entropija (0.915, što je izračunato u prethodnom koraku), i da postoje atributi po kome je moguće vršiti
grananje. Međutim, ovi (ulazni atributi) ne nose nikakvu informaciju o izlaznom atributu. To je zato što ne
postoji varijacija u atributima (kod oba atributa su sve vrednosti identične) i na osnovu njih nije moguće
podeliti ovaj podskup tako da se entropija izlaznog atributa smanji. U ovu tvrdnju se možemo uveriti
računanjem odgovarajućih informacionih dobiti.
126
Primanja
𝐻 (𝑂𝑡𝑝𝑙𝑎𝑡𝑎|𝑍𝑎𝑑𝑢ž𝑒𝑛𝑗𝑒 = 𝑃𝑜𝑣𝑜𝑙𝑗𝑛𝑜, 𝑃𝑟𝑖𝑚𝑎𝑛𝑗𝑎 = 𝑁𝑖𝑠𝑘𝑎 ) = 0.915

𝐻 (𝑂𝑡𝑝𝑙𝑎𝑡𝑎|𝑍𝑎𝑑𝑢ž𝑒𝑛𝑗𝑒 = 𝑃𝑜𝑣𝑜𝑙𝑗𝑛𝑜, 𝑃𝑟𝑖𝑚𝑎𝑛𝑗𝑎 = 𝑉𝑖𝑠𝑜𝑘𝑎 ) = 0
3
𝐻 (𝑂𝑡𝑝𝑙𝑎𝑡𝑎|𝑍𝑎𝑑𝑢ž𝑒𝑛𝑗𝑒 = 𝑃𝑜𝑣𝑜𝑙𝑗𝑛𝑜, 𝑃𝑟𝑖𝑚𝑎𝑛𝑗𝑎 ) = ∗ 0.915 + 0 ∗ 0 = 0.915
3
𝐼 (𝑂𝑡𝑝𝑙𝑎𝑡𝑎|𝑍𝑎𝑑𝑢ž𝑒𝑛𝑗𝑒 = 𝑃𝑜𝑣𝑜𝑙𝑗𝑛𝑜, 𝑃𝑟𝑖𝑚𝑎𝑛𝑗𝑎 ) = 0.915 − 0.915 = 0
Identičnim postupkom možemo dobiti da je Informaciona dobit atributa Stan, za ovaj podskup slučajeva
jednaka nuli.
U ovakvim situacijama (u podskupu ne postoje atributi koji nose informacionu dobit) ID3 zaustavlja
grananje (kreira list tj. čvor odluke) i dodeljuje verovatnoće pojavljivanja svakog od izlaza. Pri tome, za
konačna odluka kod „nečistog čvora“ se uzima vrednost koja ima veću verovatnoću pojavljivanja.
𝑃 (𝑂𝑡𝑝𝑙𝑎𝑡𝑎 = 𝐷𝑎|𝑍𝑎𝑑𝑢ž𝑒𝑛𝑗𝑒 = 𝑃𝑜𝑣𝑜𝑙𝑗𝑛𝑜 ) = 1/3

𝑃 (𝑂𝑡𝑝𝑙𝑎𝑡𝑎 = 𝑁𝑒|𝑍𝑎𝑑𝑢ž𝑒𝑛𝑗𝑒 = 𝑃𝑜𝑣𝑜𝑙𝑗𝑛𝑜 ) = 2/3
b) Tačnost klasifikacije predstavlja procenat slučajeva koje model klasifikuje tačno (određuje izlazni
atribut, tj. klasu koja odgovara stvarnoj klasi tog slučaja). Očekivana tačnost klasifikacije kod stabla
odlučivanja se određuje kao očekivana tačnost klasifikacije izlaznih vrednosti koje se nalaze u listovima
stabla. Dakle, u ovom slučaju imamo:
4 4 3 2
𝑂č𝑒𝑘𝑖𝑣𝑎𝑛𝑎 𝑡𝑎č𝑛𝑜𝑠𝑡 = ∗1+ ∗1+ ∗ = 0.909
11 11 11 3
127
c)
Pravila generisana stablom odlučivanja se mogu predstaviti u sledećoj formi:
AKO je Zaduženje Kritično TADA Otplata nije pravovremena
AKO je Zaduženje Prihvatljivo i klijent poseduje Stan TADA je otplata pravovremena
AKO je Zaduženje Prihvatljivo i klijent ne poseduje Stan TADA otplata nije pravovremena
AKO Zaduženje = Povoljno TADA otplata nije pravovremena
Pravila se mogu prikazati i u formi sledeće tabele (kompaktni oblik.)
Kritično * * Ne
Prihvatljivo * Da Da
Prihvatljivo * Ne Ne
Povoljno * * Ne
128
3.Zadatak
Nekoliko klijenata je podnelo zahtev za kredit. Njihovi podaci su dati u sledećoj tabeli:
Klijent Zaduženje Primanja Stan

Klijent 1 Povoljan Srednja Da
Klijent 3 Povoljan Niska Da
Klijent 4 Povoljan Niska Ne
Klijent 6 Prihvatljivo Visoka Da
Klijent 7 Prihvatljivo Visoka Ne
Klijent 8 Prihvatljivo Srednja Da
Klijent 9 Kritično Visoka Da
Klijent 10 Kritično Niska Da
Klijent 11 Kritično Niska Ne
a) Odrediti očekivani način otplate (redovan ili ne) na osnovu modela stabla odlučivanja iz
prethodnog zadatka.
b) Kako bi procenio kvalitet modela stabla iz prethodnog zadatka u praksi, analitičar je svim
klijentima odobrio kredite. Nakon primene modela stabla odlučivanja prikupljeni podaci o otplati
kredita (nakon isteka roka za otplatu). Ovi podaci su prikazani u sledećoj tabeli.
Klijent Otplata
Klijent 1 Da
Klijent 2 Da
Klijent 3 Da
Klijent 4 Ne
Klijent 5 Ne
Klijent 6 Da
Klijent 7 Ne
Klijent 8 Da
Klijent 9 Da
Klijent 10 Ne
Klijent 11 Ne
129
c) Kolika je tačnost klasifikacije modela koji je generisao ID3 algoritam (koliko se modelu može
verovati u budućoj primeni?).
Rešenje:
a)
Klijent Zaduženje Primanja Stan Otplata

Klijent 1 Povoljan Srednja Da Ne
Klijent 3 Povoljan Niska Da Ne
Klijent 4 Povoljan Niska Ne Ne
Klijent 6 Prihvatljivo Visoka Da Da
Klijent 7 Prihvatljivo Visoka Ne Ne
Klijent 8 Prihvatljivo Srednja Da Da
Klijent 9 Kritično Visoka Ne Ne
Klijent 10 Kritično Niska Da Ne
Klijent 11 Kritično Niska Ne Ne
b)
U tabeli ispod možemo videti tačne i predviđene vrednosti. Plavom bojom su osenčeni svi slučajevi
(klijenti) za koje se
Klijent Otplata Otplata

(tačna) (predviđena)
Klijent 1 Ne Da
Klijent 2 Ne Da
Klijent 3 Ne Da
Klijent 4 Ne Ne
Klijent 5 Ne Ne
Klijent 6 Da Da
Klijent 7 Ne Ne
Klijent 8 Da Da
Klijent 9 Ne Da
Klijent 10 Ne Ne
Klijent 11 Ne Ne
130
7
𝑇𝑎č𝑛𝑜𝑠𝑡 𝑘𝑙𝑎𝑠𝑖𝑓𝑖𝑘𝑎𝑐𝑖𝑗𝑒 = = 0.636
11
Primetimo da je tačnost klasifikacije novih klijenata manja od očekivane tačnosti klasifikacije izračunate
u prethodnom zadatku (0.909).
4.Zadatak
Obzirom da je Analitičar kreditnog rizika uvideo da je tačnost klasifikacije u realnoj primeni odlučio je da
analizira monotonost pravila koja su dobijena u prethodnom zadatku. Pravila su data u tabeli ispod.
Kritično * * Ne
Povoljno * * Ne
a) Pod pretpostavkom da se ulazni atributi posmatraju kao ordinalni, odrediti da li su pravila

kreirana uz pomoć stabla odlučivanja monotona (i objasniti).
b) Generisati skup svih pravila koje pokrivaju ulazni atributi i popuniti izlazima koje generiše stablo
odlučivanja, a zatim i izlazima koji zadovoljavaju monotonost.
c) Kolika je tačnost klasifikacije (na slučajevima iz prethodnog zadatka pod c), ukoliko se umesto
inicijalnih koriste monotona pravila.
Rešenje:
a) Pravila nisu monotona. Kod atributa Zaduženje, vrednost Povoljno je najbolje moguće, dok je
izlazna vrednost Ne (najlošija moguća). Pri tome, model stabla odlučivanja ne uzima u obzir
atribute Stan ili Primanja. Obzirom da postoji pravilo da kada je AKO je Zaduženje = Prihvatljivo i
Stan =Da TADA Otplata = Da, potrebno je da i za sva pravila koja ispunjavaju
AKO je Zaduženje = Prihvatljivo i Stan =Da, Otplata bude Da.
Slično, za sva ostala pravila u odnosu na koje je pravilo
131
AKO je Zaduženje = Prihvatljivo, treba da imaju izlaz koji je barem jednak (ili bolji) u odnosu na
dominirana pravila.
b)
Odobren
Zaduženje Primanja Stan Odobren (Monotono)
Kritično Visoka Da Ne Ne
Kritično Visoka Ne Ne Ne
Kritično Srednja Da Ne Ne
Kritično Srednja Ne Ne Ne
Kritično Niska Da Ne Ne
Kritično Niska Ne Ne Ne
Prihvatljiv Visoka Da Da Da
Prihvatljiv Visoka Ne Ne Ne
Prihvatljiv Srednja Da Da Da
Prihvatljiv Srednja Ne Ne Ne
Prihvatljiv Niska Da Da Da
Prihvatljiv Niska Ne Ne Ne
Povoljan Visoka Da Ne Da
Povoljan Visoka Ne Ne Ne
Povoljan Srednja Da Ne Da
Povoljan Srednja Ne Ne Ne
Povoljan Niska Da Ne Da
Povoljan Niska Ne Ne Ne
132
Nova pravila, na osnovu monotonih pravila su predstavljena u sledećoj tabeli
Kritično * * Ne
Povoljno * Ne Ne
Povoljno * Da Da
c)
Ukoliko na osnovu monotonih pravila definisanih u zadatku pod c) odredimo izlazne vrednosti za dati skup
podataka, dobijano sledeću tabelu.
Klijent Otplata Otplata

(tačna) (Monotona)
Klijent 1 Ne Ne
Klijent 2 Ne Ne
Klijent 3 Ne Ne
Klijent 4 Ne Ne
Klijent 5 Ne Ne
Klijent 6 Da Da
Klijent 7 Ne Ne
Klijent 8 Da Da
Klijent 9 Ne Da
Klijent 10 Ne Ne
Klijent 11 Ne Ne
Odnosno:
10
𝑇𝑎č𝑛𝑜𝑠𝑡 𝑘𝑙𝑎𝑠𝑖𝑓𝑖𝑘𝑎𝑐𝑖𝑗𝑒 = = 0.909
11
133
Grupno odlučivanje
Uvod:
Podrška odlučivanju individualnom donosiocu odluke (DO) je sasvim sigurno važna aktivnost za uspešno
upravljanje i rukovođenje svakim preduzećem, međutim stalne promene u neposrednom okruženju
preduzeća rezultuju da njegovo funkcionisanje i opstanak na tržištu postaju sve složeniji. Samim tim i
odgovornost za donetu odluku postaje znatno veća, tako da postoji potreba da se ista donosi od strane
specijalizovanog tima za odlučivanje, sve sa ciljem posmatranja više alternativnih pravaca i ideja, kao i
međusobnog usaglašavanja i uvažavanja različitih mišljenja, u cilju donošenja najprihvatljivije odluke.
Činjenica koja je sasvim sigurno evidentna u današnjim uslovima poslovanja preduzeća jeste visok nivo
konkurencije, skraćeni životni ciklus proizvoda, naglo i brzo menjanje tržišnih uslova dovela je do toga da
metodologija podrške grupnom odlučivanju (GO) dobije više značaja u savremenom poslovanju i procesu
upravljanja.
Posebna pažnju grupnog odlučivanja u skorije vreme je tkz. društveni izbor (eng. Social Choice) koji se bavi
pitanjima metodama glasanja, optimalnog sastavljanja timova i problemima raspodele resursa koristeći
se konceptima i metodama koji se nalaze u različitim naučnim oblastima, a pogotovo iz oblasti računarskih
nauka, operacionih istraživanja i veštačke inteligencije (eng. Computational Social Choice).
Kombinovanjem pristupa iz različitih oblasti omogućava sagledavanje metode iz različitih uglova, te nam
omogućava da sagledamo prednosti i mane metoda grupnog odlučivanja, sa fokusom na uočavanje
nepravilnosti u procesu grupnog odlučivanja i njihovo rešavanje.
Kompleksnost GO je veća od klasičnog donošenja odluka zbog činjenice da odluku donosi grupa ljudi (što
može predstavljati tim od par ljudi, ali može predstavljati i veći skup ljudi kao što je skupština jedne zemlje,
ili čitava populacija), a ne jedan pojedinac. Međutim, zadaci kojima se GO bavi su raznolike i mogu se
podvesti u sledeće oblasti:
- Teorija glasanja predstavlja najpopularniju oblast GO koja za zadatak ima izbor jedne ili konačnog
broja alternativa iz skupa većeg broja alternativa, gde odlučuje tim ili veća grupa ljudi. U literaturi i
praksi postoji veliki broj metoda glasanja od kojih će biti spomenute samo najistaknutije.
- Formiranje koalicija predstavlja zadatak formiranja grupe (tima) koja će najbolje rešiti određeni
zadatak. Prilikom formiranja koalicija treba imati u vidu da koalicija treba da bude stabilna, odnosno
da nijedan pojedinac unutar grupe nema razlog za napuštanje grupe. Ovaj problem je izuzetno
zahtevan jer postoji veliki broj dimenzija (kriterijuma) koje treba razmatrati prilikom formiranja
grupe, ali i veliki broj mogućih alternativa (kombinacija) koje treba oceniti.
- Agregacija preferencija podrazumeva mapiranje skupa relacija preferencija individualnih DO u
grupnu relaciju preferencija. U situacijama kada postoji veći broj DO, spajanjem većeg broja relacija
preferencija ne mora nužno da se dobije relacija koja zadovoljava sve DO. Imajući to u vidu, potrebno
je usaglasiti relacije preferencija tako da svi DO budu zadovoljeni. Druga specifičnost ove oblasti jeste
vezanost za metodu odlučivanja. Naime, zbog specifičnosti samih metoda razvijaju se rešenja koja
agregiraju preferencije samo za tu metodu (pogledati poglavlje Metoda AHP u postavci grupnog
odlučivanja).
134
- Pravedna raspodela resursa je veoma težak i značajan zadatak GO koji podrazumeva raspodelu
resursa između pojedinaca koji imaju različite preferencije. Tipičan primer je raspodela budžeta gde
postoje različite zainteresovane strane, sa različitim krugom delovanja (npr. proizvodnja, nabavka,
marketing) koje apliciraju za (novčana) sredstva, te je potrebno pravedno raspodeliti (novčana)
sredstva, tako da sve zainteresovane strane bude zadovoljne.
Sve prethodno navedene oblasti i njihovi specifični problemi uslovili su intenzivan razvoj metoda i modela
GO. Sa druge strane, evidentna je potreba za poboljšanjem kvaliteta odluka donetih u grupi u svim sferama
poslovanja. Zbog toga, GO predstavlja stalni predmet interesovanja istraživača. Odnosno, preduzeća su u
današnje vreme sve više orijentisana ka grupnom, odnosno timskom radu i grupnom rešavanju problema.
Aksiomi glasanja:
Prvi aksiom se naziva neograničenost (eng. unrestricted domain) ili univerzalnost izbora (eng.
universality). Ovaj aksiom zahteva da je funkcija agregacije u stanju da opiše preferencije grupe za bilo
kakav redosled preferencija. Drugim rečima, procedura agregacije mora da ima mogućnost rada sa svim
mogućim permutacijama alternativa (sve moguće kombinacije redosleda alternativa). To za uslov znači da
svaki DO može da kao rezultat svog donošenja odluka predstavi redosled alternativa bez ikakvog
ograničenja. Ograničavanjem DO da iskaže svoj redosled alternativa iz bilo kog razloga je suprotno
principima demokratije i slobode mišljenja. Stoga, ovaj aksiom ima konotaciju poštene funkcije agregacije.
Takođe, osobina neograničenosti ima značenje da funkcija agregacije mora da ima mogućnost da rangira
alternative u svakom mogućem redosledu, odnosno da svaka alternativa može da se nađe na svakom
mogućem rangu. Razlog zašto želimo da postoji ovaj aksiom u funkciji agregacije grupe jeste mogućnost
iskazivanja mišljenja svakog DO, odnosno želja da svaki DO može da rangira alternative koristeći svoje
kriterijume, svoje iskaze korisnosti prema vrednostima alternativa za kriterijum i prema težinama koje je
sam odredio bez ijednog ograničenja.
Drugi aksiom zahteva da funkcija agregacije, koja se pravi na osnovu individualnih redosleda alternativa
DO, treba kao rezultat da predloži kompletan i tranzitivan redosled alternativa. Ova osobina predstavlja
aksiom racionalnosti funkcije agregacije. Za funkciju agregacije se kaže da je kompletna ukoliko postoji
odnos između bilo koje dve alternative (preferencija jedne u odnosu na drugu ili postojanje
indiferentnosti), odnosno svakoj alternativi može se dodeliti rang. Osobina tranzitivnosti govori da ukoliko
važi da je 𝐴 ≻𝑆 𝐵 (preferiramo alternativu 𝐴 u odnosu na alternativu 𝐵) i 𝐵 ≻𝑆 𝑉 (preferiramo alternativu
𝐵 u odnosu na alternativu 𝑉) onda mora da važi 𝐴 ≻𝑆 𝑉 (preferiramo alternativu 𝐴 u odnosu na
alternativu 𝑉). Znak ≻ možemo da tumačimo da preferiramo alternativu sa leve strane znaka više od
alternative sa desne strane znaka, odnosno alternativa sa leve strane je bolja od alternative sa desne
strane znaka. Osobina tranzitivnosti funkcije agregacije je intuitivno jasan koncept u individualnom
procesu donošenja odluka. Međutim, prilikom agregacije individualnih tranzitivnih preferencija
(redosleda alternativa) ne mora nužno doći do tranzitivnih relacija grupe. Intuicija iza ovog aksioma jeste
da se odluka koju grupa donese mora da rangira sve alternative tako da za svaku alternativu možemo da
konstatujemo od kojih alternativa je bolja i koje su alternative bolje od nje. Odnosno, želimo da metoda
grupnog odlučivanja uvaži mišljenje svakog DO i predloži redosled alternativa po korisnosti i da važi da ako
je jedna alternativa bolja od druge, onda je ta alternativa bolja i od svake druge alternative za koju važi da
je druga alternativa bolja.
135
Treći aksiom se naziva nezavisnost irelevantnih alternativa. Nezavisnost irelevantnih alternativa

pretpostavlja da promena redosleda u rangu jedne alternative jednog DO ne sme da utiče na promenu
ranga bilo koje druge dve alternative u funkciji agregacije. Intuicija iza ovog aksioma jeste da želimo da se
alternative posmatraju nezavisno, svaka sa svojim osobinama i svojim vrednostima. U tom slučaju
očekivana korist alternative se dobija isključivo na osnovu njenih osobina i vrši se rangiranje, odnosno
pravi se relacija poretka alternativa. Ukoliko za bilo koje dve alternative dođe do promene u relaciji
poretka promenom rangiranja treće alternative (koje može nastati zbog trivijalnih razloga poput
dodavanja nove alternative ili eliminisanja postojeće alternative), onda mišljenje grupe o alternativi ne
zavisi isključivo od osobina te alternative, već postoji zavisnost između alternativa. Odnosno narušena je
nezavisnost alternativa. Posledično, narušena je monotonost funkcije agregacije preferencija grupe
(pogledati poglavlje Pravila odlučivanja).
Ovaj aksiom predstavlja bitan koncept u donošenju odluka i koristi se za uočavanje neracionalnosti odluka.
Naime, ukoliko se pred DO stave dve alternative, alternativa A i alternativa B, i DO izabere jednu, npr.
alternativu A. Ukoliko se uvede treća alternativa, alternativa V, i ta promena dovede do toga da DO
promeni mišljenje i izabere alternativu B, to znači da je proces izbora DO podložan manipulaciji, odnosno
da je u procesu donošenja odluke uključen neki element koji nije fer prirode.
Četvrti aksiom koji funkcija agregacije treba da zadovolji jeste saglasnost grupe (eng. Unanimity).
Saglasnost grupe zahteva da funkcija agregacije rangira alternativu A ispred alternative B, ukoliko je svaki
član grupe ili saglasan ili indefirentan da je alternativa A bolja od alternative B. Ova osobina se naziva i
Pareto princip ili princip Pareto efikasnosti. Intuicija koja stoji iza ovog aksioma jeste da svako glasanje
treba da predstavlja mišljenje grupe. Ako individualni redosledi alternativa imaju uticaj na ishod grupne
odluke, onda grupna odluka treba da predstavlja mišljenje grupe. Drugim rečima, ukoliko svaki DO
preferira jednu alternativu u odnosu na drugu, npr. alternativu A u odnosu na alternativu B, onda funkcija
agregacije nikako ne sme da rangira alternativu B ispred alternative A. Kao i prethodni aksiomi, ovaj
aksiom se može koristiti za otkrivanje manipulacija u procesu glasanja. Naime, ukoliko je grupa saglasna
oko relacije preferencije za dve alternative, odnosno relacije poretka između dve alternative, a agregirana
odluka (funkcija agregacije) narušava taj poredak onda postoji spoljni faktor koji je uticao na proces
grupnog donošenja odluka.
Peta i poslednja osobina, odnosno aksiom funkcije agregacije grupe je nediktatorstvo. Ova osobina za cilj
ima da funkcija agregacije mora da uzme u obzir rangiranje svih DO. Odnosno, funkcija agregacije ne sme
da oponaša rangiranje jednog DO. Ukoliko bi ova osobina funkcije agregacije bila narušena, onda bi proces
grupnog odlučivanja bio besmislen. Naime, grupa bi izabrala pojedinca koji bi donosio odluke za celu
grupu, bez iskazivanja redosleda alternativa ostalih članova grupe.
Teorema nemogućnosti:
Aksiomi glasanja predstavljaju poželjne osobine funkcije agregacije koje sistem glasanja treba da zadovolji.
Kao takve služe da pomognu grupi da dođe do odluke koja će biti fer i predstavljati mišljenje grupe.
Međutim, postoje ograničenja iskazana kroz teoremu nemogućnosti.
Teorema: Ukoliko je broj alternativa najmanje tri, onda ne postoji funkcija agregacije koja može da
zadovolji svih pet navedenih osobina (aksioma).
136
Ova teorema se naziva Erouova teorema nemogućnosti. Teorema se može i drugačije predstaviti. Ukoliko
postoji funkciju agregacije koja zadovoljava bilo koje četiri osobine Erouovih osobina, onda ta funkcija
agregacije narušava preostalu osobinu. Na primer, ukoliko funkcija agregacije zadovoljava
neograničenost, saglasnost grupe, racionalnost i nezavisnost irelevantnih alternativa, onda ona neće
zadovoljiti osobinu nediktatorstva.
U slučaju da postoje dve alternative onda postoji glasanje koje će zadovoljiti svih pet poželjnih osobina
funkcije agregacije. Ta funkcija agregacije je princip većine, odnosno izbor one alternative koja je dobila
više glasova, a teorema se naziva Mejova teorema (eng. May’s Theorem).
Raspodela resursa:
GO se odnosi i na metode namenjene raspodeli resursa, odnosno poštenoj raspodeli resursa (ili
sredstava). Problemi raspodele resursa predstavljaju svakodnevnicu u poslovnim sistemima i
svakodnevnom životu, od raspodele radnika po radnim mestima do raspodele studenata po studentskim
domovima. Ovaj problem, odnosno metode raspodele resursa služe da odgovore na osnovno pitanje
ekonomije i ekonomskih nauka, a to je kako raspodeliti ograničene resurse na najbolji mogući način.
Potrebu za resursima iskazuje veći broj zainteresovanih strana, svaki sa svojim korisnostima prema
resursu. Iako postoji dosta literature koja se bavi raspodelom resursa većina postojećih metoda
predstavlja DO preko jednog broja koji predstavlja njegovu preferenciju ili važnost prilikom raspodele
resursa. Realni problemi, međutim zahtevaju iskazivanje preferencija svakog DO za različite vrste resursa.
Zbog kompleksnosti raspodele resursa razlikuju se grupe algoritama koje dele:
1. jedan ili više resursa (komad zemlje ili kompletno nasledstvo),

2. deljive ili nedeljive resurse (novac ili stan), i
3. željene ili neželjene resurse (profitabilnu kompaniju ili kompaniju u dugovima).
Broj i vrsta resursa igra veliku ulogu u kompleksnosti algoritma. Naime, ukoliko se deli jedan resurs onda
DO nema potrebe da iskazuje preferencije prema tom resursu (kompletne preferencije se odnose na taj
resurs) i tada se problem značajno uprošćava. Postoji dosta problema koji se odnose na raspodelu jednog
resursa, a tipični su određivanje budžeta ili raspodela raspoloživih mesta. Problem se značajno komplikuje
uvođenjem većeg broja resursa. U tim slučajevima DO treba da iskaže preferencije ka svakoj vrsti resursa
koje se raspoređuje.
Resursi mogu biti deljivi ili nedeljivi. Ukoliko su deljivi onda se može dodeljivati određeni deo resursa,
odnosno resurs se može podeliti. Neretko su resursi nedeljivi i u tom slučaju raspodela resursa mora
dodeliti resurs nekom drugom.
Bitna osobina jeste i polaritet resursa, odnosno smer interesovanja DO prema resursu. Najčešće se
posmatra podela željenog resursa. Odnosno, iskazuju se preferencije prema resursu. Međutim, postoje
situacije u kojima se iskazuju negativne preferencije prema resursu.
Bez obzira na kompleksnost problema raspodele prilikom raspodele resursa određene osobine treba da
budu zadovoljene. To su onemogućavanje laganja, Pareto efikasnost i odsustvo zavisti. Ove osobine
definišu tkz. fer ili pošteno donošenje odluka. (Parkes et al., 2015)
137
Onemogućavanje laganja za zadatak ima da zainteresovane strane ne mogu popraviti situaciju laganjem.
Odnosno ideja je da metoda obezbedi da zainteresovana strana laganjem ne može ostvariti više nego što
bi ostvarila poštenim putem. Drugim rečima, želi se obezbediri da ukoliko zainteresovana strana laganjem
iskaže veću preferenciju ka neko grupi resursa to kazni gubitkom druge grupe resursa.
Metoda raspodele resursa treba da svakoj zainteresovanoj strani obezbedi najviše resursa koliko je to
moguće. Odnosno da promenom raspodele uvek neka zainteresovana strana gubi. Ova osobina
predstavlja osobinu Pareto efikasnosti.
Zatim, nijedna zainteresovana strana ne treba preferira raspodelu resursa druge zainteresovane strane.
Odnosno, ne želi se da zainteresovana strana zavidi raspodeli resursa koju je dobila druga zainteresovana
strana. Ideja potiče od pretpostavke da podjednake potrebe treba da rezultuju podjednakim raspodelama
resursa. Međutim, ukoliko zainteresovana strana iskazuje veće preferencije od druge zainteresovana
strane onda ta vrsta resursa treba da bude dodeljena toj zainteresovanoj strani, na uštrb drugih resursa.
Pored navedenih osobina može se izdvojiti još i osobina monotonosti metoda raspodele. Ona se može
definisati tako da ukoliko se izostavi zainteresovana strane (npr. odustane od konkurisanja za projekat) ili
se količina resursa koje se deli poveća onda raspodela resursa nikako ne sme da dovede do umanjene
raspodele resursa po zainteresovanoj strani.
Zadaci:
1. Zadatak
Nakon sprovođenja konkursa za posao za junior marketing stručnjaka tri donosioca odluke su dostavili
sledeće rangove.
Rang DO1 DO2 DO3

1. Ivan Ivan Stefan
2. Jelena Jelena Jelena
3. Marija Stefan Marija
4. Stefan Marija Ivan
a) Primenom Modela pravila većine odrediti najprihvatljiviju alternativu i ispitati zadovoljenost

aksioma glasanja.
b) Primenom Modela zbira relacije poretka (Kondorset metoda) odrediti najprihvatljiviju alternativu
i ispitati zadovoljenost aksioma glasanja.
c) Primenom Borda metode odrediti najprihvatljiviju alternativu i ispitati zadovoljenost aksioma
glasanja.
d) Primenom Modela aditivnog rangiranja i Modela umnoženog rangiranja odrediti najprihvatljiviju
alternativu i ispitati zadovoljenost aksioma glasanja.
e) Primenom Modela minimalne varijanse ispitati stabilnost ranga.
138
Rešenja:
a) Dobija se sledeće:
Alternativa w Rang
Ivan 2 1
Jelena 0 3
Marija 0 3
Stefan 1 2
Aksiomi Neograničenost, Racionalnost i Nediktatorstvo su zadovoljeni. Nisu zadovoljeni aksiomi

Nezavisnost irelevantnih alternativa i Saglasnost grupe.
b) Dobija se sledeća matrica relacije poretka:
Alternativa Ivan Jelena Marija Stefan w Rang

Ivan 2 2 2 6 1
Jelena 1 3 2 6 1
Marija 1 0 1 2 4
Stefan 1 2 2 4 3
Aksiomi Neograničenost, Racionalnost, Saglasnost grupe i Nediktatorstvo su zadovoljeni. Nije zadovoljena

osobina Nezavisnost irelevantnih alternativa.
c) Dobijaju se sledeći rezultati:
Alternativa DO1 DO2 DO3 w Rang

Ivan 3 3 0 6 1
Jelena 2 2 2 6 1
Marija 1 0 1 1 4
Stefan 0 1 3 4 3
Aksiomi Neograničenost, Racionalnost, Saglasnost grupe i Nediktatorstvo su zadovoljeni. Nije zadovoljena

osobina Nezavisnost irelevantnih alternativa.
d) Dobija se sledeća matrica rangova. U koloni MAR se nalazi model aditivnog rangiranja, a u koloni
MUR model umnoženog rangiranja.
Alternativa DO1 DO2 DO3 w Rang w Rang

(MAR) (MAR) (MUR) (MUR)
Ivan 1 1 4 2 1 1,587 1
Jelena 2 2 2 2 1 2 2
Marija 3 4 3 3,333 4 3,302 4
Stefan 4 3 1 2,667 3 2,289 3
139
I kod modela aditivnog rangiranja i kod modela umnoženog rangiranja važi da su aksiomi Neograničenost,
Racionalnost i Saglasnost grupe zadovoljeni. Tačnije, kod MAR nije zadovoljena osobina Nezavisnost
irelevantnih alternativa, dok kod MUR nije zadovoljena osobina Nediktatorstvo.
e) Dobijaju se sledeće varijanse rangova:
Alternativa Varijansa
Ivan 2
Jelena 0
Marija 0,222
Stefan 1,556
2. Zadatak
Uprava Fakulteta ima na raspolaganju 8.000 evra za pomoć studentiskim organizacijama u sprovođenju
projekata. Kako bi obezbedili da novac bude pravično raspoređen i da svaka studentska organizacija dobije
na raspolaganje novac sa kojim zapravo može da uradi nešto, odlučili su da novac dele u delovima od po
1.000 evra. Nakon evaluacije projekata studentskih organizacija dodelili su sledeće poene.
Studentska org. IS-FON FONCY CC-FON

Poeni (V) 2.200 1.300 1.600
Dobijaju se sledeće raspodele:
Studentska org. IS-FON FONCY CC-FON

Poeni (V) 2.200 1.300 1.600
1. 2.200 1.300 1.600
2. 1.100 1.300 1.600
3. 1.100 1.300 800
4. 1.100 650 800
5. 733,33 650 800
6. 733,33 650 533,33
7. 550 650 533,33
8. 550 433,33 533,33
Raspodela 4 2 2
Studentska organizacija IS-FON će dobiti 4.000 evra, a FONCY i CC-FON po 2.000 evra.
3. Zadatak
Firma Hayoo je raspirala istraživački konkurs kojim omogućava zainteresovanim stranama da konkurišu za
honorare, računarsku opremu i putovanja. Od većeg broja kandidata izdvojeni su Ivan i Jelena. Hayoo želi
da pošteno raspodeli sredstva tako da i Ivan i Jelena budu što zadovoljniji i da dobiju kompletan iznos
sredstava ukoliko je to moguće. Iskazali su svoje želje koje su prikazane u tabeli ispod.
140
Ivan Jelena
Honorari 60 20
Računarska oprema 10 50
Putovanja 30 30
Nakon inicijalne dodele resursa Ivanu su dodeljeni Honorari, a Jeleni Računarska oprema i Putovanja. Kako
raspodela nije pravedna potrebno je neki resurs podeliti. Računamo odnose želja „pobednika“ i
„gubitnika“.
Odnos
Honorari (60/20) 3
Računarska oprema (50/10) 5
Putovanja (30/30) 1
Nakon toga dobijamo sledeće jednačine:
Ivan Jelena
60 + 0 + 30 * (1 - p) = 0 + 50 + 30 * (p)
60 + 30 – 30p = 50 + 30p
60p = 40
p = 2/3
Dakle, Ivan će dobiti (1 – 2/3) = 1/3 sredstava rezervisanih za Putovanja, a Jelena 2/3. Procentualno:
Ivan Jelena
Honorari 60 0
Računarska oprema 0 50
Putovanja 10 20
1. Zadatak
Nakon sprovođenja konkursa za posao za junior marketing stručnjaka tri donosioca odluke su dostavili
sledeće rangove.
Rang DO1 DO2 DO3

1. Jelena Jelena Stefan
2. Stefan Ivan Jelena
3. Ivan Stefan Ivan
4. Marija Marija Marija
a) Primenom Modela pravila većine odrediti najprihvatljiviju alternativu i ispitati zadovoljenost

aksioma glasanja.
141
b) Primenom Modela zbira relacije poretka (Kondorset metoda) odrediti najprihvatljiviju alternativu
i ispitati zadovoljenost aksioma glasanja.
c) Primenom Borda metode odrediti najprihvatljiviju alternativu i ispitati zadovoljenost aksioma
glasanja.
d) Primenom Modela aditivnog rangiranja i Modela umnoženog rangiranja odrediti najprihvatljiviju
alternativu i ispitati zadovoljenost aksioma glasanja.
e) Primenom Modela minimalne varijanse ispitati stabilnost ranga.
Rešenja:
a) Dobija se:
Alternativa w Rang
Ivan 0 3
Jelena 2 1
Marija 0 3
Stefan 1 2
Aksiomi Neograničenost, Racionalnost i Nediktatorstvo su zadovoljeni. Nisu zadovoljeni aksiomi

Nezavisnost irelevantnih alternativa i Saglasnost grupe.
b) Dobijaju se sledeće vrednosti:
Alternativa w Rang
Ivan 4 3
Jelena 8 1
Marija 0 4
Stefan 6 2
Aksiomi Neograničenost, Racionalnost, Saglasnost grupe i Nezavisnost irelevantnih alternativa su

zadovoljeni. Nije zadovoljena osobina Nediktatorstva.
c) Dobijaju se sledeće vrednosti:
Alternativa w Rang
Ivan 4 3
Jelena 8 1
Marija 0 4
Stefan 6 2

142
d) Dobija se:
Alternativa w Rang w Rang

(MAR) (MAR) (MUR) (MUR)
Ivan 2,667 3 2,621 3
Jelena 1,333 1 1,260 1
Marija 4 4 4 4
Stefan 2 2 1,817 2

e) Dobijaju se sledeće varijanse:
Alternativa Var.
Ivan 0,222
Jelena 0,222
Marija 0
Stefan 0,667
2. Zadatak
Generalni direktor preduzeća je uočio nepravilnosti u procesu donošenja odluka i želi da ispita šta se
dešava. Primetio je da se odluka promenila nakon saznanja da je jedan zaposleni otišao iz firme kod
suparnika. Zatražio je od donosioca odluke da dostave svoja lična mišljenja (rangiranja) i rezultat mišljenja
grupe pre i nakon tog događaja. Dobio je sledeće vrednosti:
Pre odlaska kolege iz firme:
Rang DO1 DO2 DO3 Odluka

1. Aga DotTrade DotTrade DotTrade
2. DotTrade B&R Aga B&R
3. B&R Aga B&R Aga
Nakon odlaska kolege iz firme (promena u razmišljanju i konačnom ishodu je podebljana):
Rang DO1 DO2 DO3 Odluka

1. Aga DotTrade DotTrade DotTrade
2. B&R B&R Aga Aga
3. DotTrade Aga B&R B&R
Koji aksiomi glasanja nisu zadovoljeni?
143
Rešenje:
Nije zadovoljena osobina Nezavisnost irelevantnih alternativa i osobina Nediktatorstva.
3. Zadatak
Programerska firma želi da raspodeli ljude po projektima. Firma raspoleže sa 9 programera istog profila
koje treba rasporediti na 4 projekta. Ispod su date važnosti projekta.
Projekat P1 P2 P3 P4
Važnost (V) 10 3 10 5
Odrediti koliko ljudi po projektu firma treba da raspodeli.
Napomena: Ukoliko je identičan količnik u nekom koraku možete izabrati bilo koju zainteresovanu stranu
(projekat).
Rešenje:
Tačna rešenja su:
Projekat P1 P2 P3 P4
4 1 3 1
Broj ljudi 3 1 4 1
3 1 3 2
4. Zadatak
Nakon gašenja firme dva vlasnika su se našla u situaciji da moraju da podele imovinu. Želja im je da nijedan
od njih ne ostane oštećen i da dobije najviše moguće vrednosti raspodele koliko je moguće. Iskazali su
sledeće želje prema resursima.
Žika Bora
Poslovni prostor 30 5
Automobil 5 10
Nameštaj 10 5
Tekući račun 30 25
Devizni račun 25 55
a) Rasporediti resurse tako da nijedna strana ne bude ne nezadovoljna.

b) U kom procentu su zadovoljeni Žika i Bora?
144
Rešenje:
a) Tekući račun će morati da se podeli kako bi svaka strana bila podjednako zadovoljena. Dobija se
sledeća raspodela resursa:
Žika Bora
Poslovni prostor 30 0
Automobil 0 10
Nameštaj 10 0
Tekući račun 30 * (0,909) = 27,275 25 * (0,091) = 2,275
Devizni račun 0 55
b) Dobijamo sledeće procente zadovoljenja:
Strana Žika Bora

Procenat zadovoljenja 67,275 67,275
145

TO Praktikum v4.6

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

TO Praktikum v4.6

Uploaded by

Copyright:

Available Formats

Praktikum

Suknović, Delibašić, Jovanović, Vukićević, Radovanović

Fakultet organizacionih nauka

Prof. dr Milan Martić,

Redovni profesor Fakulteta organizacionih Nauka, Univerziteta u Beogradu.

Prof. dr Dragana Bečejski-Vujaklija,

Vanredni profesor (u penziji) Fakulteta organizacionih Nauka, Univerziteta u Beogradu.

Višekriterijumska analiza odlučivanja (VKAO) .......................................................................................... 1

Višekriterijumska analiza odlučivanja (VKAO)

Radno iskustvo Znanje Tražena plata Fakultet

Prilikom formiranja konkursa odredili smo težine kriterijuma i one iznose:

Radno iskustvo Znanje Tražena plata Fakultet

a) Filtrirati alternative ukoliko je DO zadao sledeći željeni nivo vrednosti:

Radno iskustvo Znanje Tražena plata Fakultet

b) Filtrirati kandidate koji predstavljaju dominirane alternative.

Radno iskustvo Znanje Tražena plata Fakultet

d) Odrediti najprihvatljiviju alternativu ukoliko je DO zadao redosled važnosti kriterijuma:

Znanje >> Radno iskustvo >> Tražena plata >> Fakultet

e) Odrediti najprihvatljiviju alternativu ukoliko je DO zadao drugačiji redosled važnosti kriterijuma:

Fakultet >> Tražena plata >> Znanje >> Radno iskustvo

f) Odrediti najprihvatljiviju alternativu primenom otežane sume. Podatke normalizovati 𝐿∞

a) Primenom konjuktivne metode dobijamo:

Radno iskustvo Znanje Tražena plata Fakultet

Radno iskustvo Znanje Tražena plata Fakultet Zadovoljava

b) Poredeći kandidate Milana i Jelenu možemo ustanoviti da je Milan dominirana alternativa.

Radno iskustvo Znanje Tražena plata Fakultet

Drugim rečima, možemo izuzeti Milana iz daljeg razmatranja.

c) Primenom disjunktivne metode dobijamo:

Radno iskustvo Znanje Tražena plata Fakultet

Radno iskustvo Znanje Tražena plata Fakultet Zadovoljava

Najprihvatljivija alternativa je Jelena.

d) Primenom leksikografske metode dobijamo da je najprihvatljivija alternativa Marija.

Invertovanje Radno iskustvo Znanje Tražena plata Fakultet

Normalizacija Radno iskustvo Znanje Tražena plata Fakultet

Vrednosti težina su:

Radno iskustvo Znanje Tražena plata Fakultet

Otežana tab. odl. Radno iskustvo Znanje Tražena plata Fakultet

Najprihvatljivija alternative je Marija.

g) Nove težine iznose:

Radno iskustvo Znanje Tražena plata Fakultet

Dobijamo sledeću otežanu tabelu odlučivanja:

Otežana tab. odl. Radno iskustvo Znanje Tražena plata Fakultet

Konačno rešenje je:

Pored mogućih strategija tim je odredio i važnosti za svaki od kriterijuma.

Troškovi Broj ljudi Trajanje

a) Odrediti najprihvatljiviju alternativu ako je DO zadao željeni nivo vrednosti.

Troškovi Broj ljudi Trajanje

b) Odrediti najprihvatljiviju alternativu ukoliko je DO zadao redosled važnosti kriterijuma:

Troškovi >> Broj ljudi >> Trajanje

c) Odrediti najprihvatljiviju alternativu korišćenjem otežane sume. Podatke normalizovati

a) Najprihvatljivija alternativa je TV + Radio.

d) Dobijaju se sledeće težine i otežane sume:

Troškovi Broj ljudi Trajanje

Radno iskustvo Znanje Tražena plata Fakultet

Prilikom formiranja konkursa odredili smo težine kriterijuma i one iznose:

Invertovanje Radno iskustvo Znanje Tražena plata Fakultet

Normalizacija Radno iskustvo Znanje Tražena plata Fakultet

Otežana suma Otežani proizvod

Dolazi do promena u rangovima alternativa.

Invertovanje Radno iskustvo Znanje Tražena plata Fakultet

Normalizacija Radno iskustvo Znanje Tražena plata Fakultet

Otežana suma Otežani proizvod

Dolazi do promena u rangovima alternativa.