Professional Documents
Culture Documents
TO Praktikum v4.6
TO Praktikum v4.6
ODLUČIVANJE
Odlučivanje - praktikum
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.
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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.
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.
Juna 2019.
______________________________________
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
Sadržaj
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
1
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
g) Da li dolazi do promene u rangovima alternativa ukoliko se težina kriterijuma Tražena plata poveća
na 0,5?
Rešenje:
Katarina ne zadovoljava željeni nivo vrednosti, te nju možemo izuzeti iz daljeg razmatranja.
2
Odlučivanje - praktikum
Otežana suma
Ivan 0,608
Jelena 0,643
Marija 0,869
Stefan 0,577
3
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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
4
Odlučivanje - praktikum
Rešenje:
Otežana suma
Agresivno TV 0,583
TV + Radio 0,682
Društvene mreže 0,607
Novine + Radio 0,696
Težine:
Otežane sume:
Otežana suma
Agresivno TV 0,6
TV + Radio 0,658
Društvene mreže 0,614
Novine + Radio 0,636
5
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
3. 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 četiri
kandidata sa sledećim osobinama
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:
6
Odlučivanje - praktikum
b) Rešenje je sledeće:
c) Rešenje je sledeće:
7
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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.
8
Odlučivanje - praktikum
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
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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.
Rešenje:
Zadovoljava
Meljak 3
Šimanovci 2
Voždovac 2
Banovo brdo 4
10
Odlučivanje - praktikum
Otežana suma
Meljak 0,674
Šimanovci 0,683
Voždovac 0,781
Banovo brdo 0,765
Otežana suma
Meljak 0,432
Šimanovci 0,439
Voždovac 0,516
Banovo brdo 0,502
•
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.
11
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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:
Otežani proiz.
Hapi kredit 0,443
Zelena banka 0,554
Zadnja šansa 0,496
Psy banka 0,489
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
12
Odlučivanje - praktikum
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
Primećujemo da je Zadnja šansa prihvatljivija alternativa za niže vrednosti težine Kamate, dok za veće
težine prihvatljivija je alternativa Zelena banka.
•
3. Zadatak
Javno preduzeće je raspisalo tender za nabavku softverskog rešenja za Registar odlikovanja. Na osnovu
konkursne dokumentacije sastavljena je tabela odlučivanja.
13
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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:
Zadovoljava
Sopstveni res. 1
Aga 3
DotTrade 4
Blue & Red Tree 3
Otežana suma
Sopstveni res. 0,5
Aga 0,601
DotTrade 0,587
Blue & Red Tree 0,386
Otežana suma
Sopstveni res. 0,381
Aga 0,227
DotTrade 0,214
Blue & Red Tree 0,181
14
Odlučivanje - praktikum
15
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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:
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.
16
Odlučivanje - praktikum
a) Otežana suma
Otežana suma
Neimar 0,593
Brze pruge 0,733
BG MetroFront 0,743
German Rail 0,691
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
c) Uspostavljamo kompromis između otežane sume (strategija S) i MAXIMIN metode (strategija R).
Dobijamo:
17
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
Q
Neimar 0,467
Brze pruge 0,98
BG MetroFront 0,64
German Rail 0,196
2. Zadatak
Kompanija X želi da zaposli 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 četiri
kandidata sa sledećim osobinama
18
Odlučivanje - praktikum
Rešenje:
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.
Q
Ivan 0,25
Jelena 0,27
Marija 0,907
Stefan 0,464
•
3. 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 četiri
kandidata sa sledećim osobinama
19
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
Rešenje:
Dovoljna prednost:
0,124 ≥ 0,25
20
Odlučivanje - praktikum
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.
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
A b
Ivan 1 0
Jelena -0,752 1
Marija 0.381 0
Stefan 0 0
21
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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.
Rešenje:
a) Nakon sprovođenja postpuka računanja otežane sume i MAXIMIN metode dobijamo sledeće
vrednosti:
Q
Meljak 0,417
Šimanovci 0,176
Voždovac 0,5
Banovo brdo 0,968
22
Odlučivanje - praktikum
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.
23
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
Rešenje:
Otežana suma
Hapi kredit 0,197
Zelena banka 0,298
Zadnja šansa 0,275
Psy banka 0,231
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
Q
Hapi kredit 0,14
Zelena banka 0,7
Zadnja šansa 0,84
Psy banka 0,336
Q
Hapi kredit 0,28
Zelena banka 0,4
Zadnja šansa 0,909
Psy banka 0,335
Q
Hapi kredit 0,234
Zelena banka 0,5
Zadnja šansa 0,886
Psy banka 0,336
24
Odlučivanje - praktikum
3. Zadatak
Javno preduzeće je raspisalo tender za nabavku softverskog rešenja za Registar odlikovanja. Na osnovu
konkursne dokumentacije sastavljena je tabela odlučivanja.
Rešenje:
25
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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.
d) Gradijenta analiza parametra v može da se sprovede koristeći tabelu dovoljno čvrste pozicije.
Grafički dobijamo sledeće rezultate.
Gradijentna analiza
1,2
0,8
0,6
0,4
0,2
0
0 0,25 0,75 1
Možemo primetiti da tri alternative figuriraju kao prvorangirane. Za njih treba odrediti tačke preseka.
26
Odlučivanje - praktikum
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
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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.
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
Odlučivanje - praktikum
Analizirati funkciju i reći kakav je odnos DO prema kriterijumu i kakav prema riziku. Skicirati
grafik.
Rešenje:
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.
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
29
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
𝐾 (𝑡𝑒ž𝑖𝑛𝑎) = 1 − 𝑒 −1,89∙(300−𝑥)/300
30
Odlučivanje - praktikum
𝐾(𝑠𝑡𝑟𝑢č𝑎𝑛) = 1 − 𝑒 −1,85∙𝑥/8
OK
ALD 0.869
MI 0.651
TSO 0.686
SS 0.800
31
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
𝐾(2) = 0,3
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
Odlučivanje - praktikum
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.
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.
Odrediti matematički oblik eksponencijalne funkcije koji ga opisuje, izračunati nove vrednosti kriterijuma
za sve alternative, I skicirati grafik. Iskomentarisati odnos ka riziku DO.
Odrediti matematički oblik eksponencijalne funkcije koji ga opisuje, izračunati nove vrednosti kriterijuma
za sve alternative, I skicirati grafik. Iskomentarisati odnos ka riziku DO.
d) Izračunati otežanu sumu atributa svih alternativa, i odrediti predlog najbolje alternative
(normalizovati L1 normom).
Rešenje:
𝑀−𝑥
Oblik je: 𝐾(𝑥 ) = 𝑒 −𝛼∙ 𝑀
33
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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
𝑥
Oblik je: 𝐾(𝑥 ) = 𝑒 −𝛼∙𝑀
20
𝛼 = − ln(0,5) ∙ = 2.31
6
Starost
Fabia 0.630
Audi 0.315
Opel 1 0.707
Yugo 0.177
Opel 2 0.099
34
Odlučivanje - praktikum
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
35
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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:
K(40) = 5,5
Takođe, imamo:
K(55) = 2,8
Vrednost Korisnost
25 10
40 5,5
55 2,8
65 1
36
Odlučivanje - praktikum
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:
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
37
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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
38
Odlučivanje - praktikum
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.
39
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
40
Odlučivanje - praktikum
Rešenje:
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
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
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
Utisak Suma w
Ivan 9 0,446
Jelena 5,5 0,273
Marija 2,833 0,14
Stefan 2,833 0,14
20,167
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
Odlučivanje - praktikum
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
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
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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
2. Zadatak
44
Odlučivanje - praktikum
Rešenje:
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
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
45
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
Kvalitet mat. L1 w
Neimar 6 0,207
Brze pruge 5 0,172
BG MetroFront 8 0,276
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
46
Odlučivanje - praktikum
OK
Neimar 0,176
Brze pruge 0,222
BG MetroFront 0,293
German Rail 0,308
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:
47
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
Rešenja:
Za drugog DO dobijamo:
48
Odlučivanje - praktikum
Za DO3 dobijamo:
c) Nakon spajanja tri matrice procene u jednu (primenom geometrijske sredine) dobijamo sledeću
matricu procene:
49
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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
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
OS 1 OS 2
Ivan 0,316 0,315
Jelena 0,203 0,205
Marija 0,339 0,336
Stefan 0,141 0,144
50
Odlučivanje - praktikum
Zadaci za vežbanje:
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
51
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
Rešenje:
w
Cena 0,393
Troš. odr. 0,381
Komfor 0,227
Komfor w
Fiat Punto 0,096
Škoda Superb 0,292
Mercedes A 0,507
Dacia Logan 0,105
CR
0,099
Q
Fiat Punto 0,263
Škoda Superb 0,5
Mercedes A 0,265
Dacia Logan 0,523
2. Zadatak
Firma koja se bavi logistikom želi da izabere novu lokaciju za distributivni centar. Nakon istraživanja tržišta
odredili su sledeće potencijalne lokacije.
52
Odlučivanje - praktikum
Rešenje:
Opremljenost W4
Meljak 0,119
Šimanovci 0,097
Voždovac 0,404
Banovo brdo 0,38
53
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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
Šimanovci 0,174 0,646
Voždovac 0,277 0,726
Banovo brdo 0,285 0,731
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
Šimanovci 0,181 0,653
Voždovac 0,27 0,721
Banovo brdo 0,282 0,729
54
Odlučivanje - praktikum
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.
a) Potrebno je odrediti težine kriterijuma aproksimativnom AHP metodom ukoliko su dva donosioca
odluke popunila sledeće matrice procena:
DO 1:
DO 2:
55
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
Rešenja:
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
56
Odlučivanje - praktikum
w
Cena 0,408
Opterećenje 0,153
Pouzdanost 0,44
w
Otkaz u radu 0,709
DDOS
0,292
napada
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
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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.
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
Odlučivanje - praktikum
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
59
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
2. Zadatak
Programerska firma želi da se proširi kupovinom novog poslovnog prostora. Izdvojili su sledeće lokacije.
Rešenje:
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
Odlučivanje - praktikum
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
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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.
62
Odlučivanje - praktikum
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
Sopstveni vektori
V1 V2 V3
0.6658 -0.3189 0.6745
-0.6356 0.2309 0.7367
0.3907 0.9192 0.0490
Rešenje:
63
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
d) Procenat varijanse se dobija kao udeo sopstvene vrednosti u ukupnim sopstvenim vrednostima:
Vizualizaciju Gaja ravni dobijamo prebacivanjem vrednosti u prostor glavnih komponenti. Prvo,
množenjem matrice čistih tokova i sopstvenih vektora dobijamo:
64
Odlučivanje - praktikum
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
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
Zadaci za vežbanje:
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:
Rešenje:
66
Odlučivanje - praktikum
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
67
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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
Firma koja se bavi logistikom želi da izabere novu lokaciju za distributivni centar. Nakon istraživanja tržišta
odredili su sledeće potencijalne lokacije.
Rešenje:
T
Meljak 0.166
Šimanovci 0.75
Voždovac -0.75
Banovo brdo -0.166
T
Meljak -0.334
Šimanovci -1
Voždovac 1
Banovo brdo 0.334
68
Odlučivanje - praktikum
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
Q
Meljak 0.63
Šimanovci 0.352
Voždovac 0
Banovo brdo 0.605
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:
a) Odrediti čiste tokove za svaki kriterijum pojedinačno ukoliko je DO zadao sledeće vrednosti za
parametre indifirentnosti i parametri preferencije:
69
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
Sopstvene vrednosti:
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:
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
Odlučivanje - praktikum
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
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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
Rešenje:
Očekivana
Alternative
korist
Hala A 0.6903
Hala B 0.7798
Hala C 0.8382
Hala D 0.7065
Broj
Alternative
prolaznika
Hala A 28 ± 4
Hala B 30 ± 2
Hala C 55 ± 10
Hala D 35 ± 5
Ponderi 0.4
72
Odlučivanje - praktikum
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
Alternative Buka
Hala A 6±1
Hala B 8 ± 0.5
Hala C 9 ± 2.5
Hala D 5±1
Ponderi 0.1
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
73
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
Rešenje:
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:
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:
74
Odlučivanje - praktikum
g) proveriti da li će predložena alternativa biti promenjena ukoliko DO želi da bude siguran 99%.
Rešenje:
75
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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
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) 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.
Rešenje:
76
Odlučivanje - praktikum
Rešenje:
Rešenje:
77
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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.
Rešenje:
Rešenje:
OVPI = 3,5
78
Odlučivanje - praktikum
c) Data je matrica uslovnih verovatnoća, za događaj X=“ispunio obećanje”, pri različitim stanjima.
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
Rešenje:
- za X=ispunio:
79
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
- za X=nije ispunio
Rešenje:
80
Odlučivanje - praktikum
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
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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:
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).
82
Odlučivanje - praktikum
2. 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 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
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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
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 3
A3 10
A4 3
A5 10
A6 6
A7 3
A8 1
A9 8
A10 10
84
Odlučivanje - praktikum
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:
85
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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
Odlučivanje - praktikum
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
Ocene mobilnog telefona su date u tabeli ispod. DO želi da ih grupiše u tri grupe (loši telefoni, srednje
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
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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.
88
Odlučivanje - praktikum
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
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
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
8. Zadatak
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
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
Odlučivanje - praktikum
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
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
10. Zadatak
Data je tabeli ispod data su ordinalna AKO delovi ordinalnih pravila odnosno skup višeatributivnih
ordinalnih promenljivih.
P1 Loš Visoka
P2 Dobar Visoka
P3 Loš Niska
P4 Dobar Niska
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.
92
Odlučivanje - praktikum
11. Zadatak
a)
b)
c)
93
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
d)
Rešenje:
94
Odlučivanje - praktikum
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
a)
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).
GG = {S1}
DG = {S3}
b)
95
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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.
GG = {S1, S2}
DG = {S1, S3}
c)
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)
DG = {S3}
96
Odlučivanje - praktikum
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.
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
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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:
Izlazna klasa (korisnost) je definisana na trovrednosnoj skali (Odličan, Srednji, Loš). DO želi da proveri
monotonost pravila u postojećoj bazi znanja.
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
Odlučivanje - praktikum
Iz tabele iznad, možemo zaključiti da skup pravila koja sačinjavaju donju granicu klase odličan sledeći:
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).
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
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
Konačno kada smo identifikovali potrebne granice za svaku klasu možemo da ih uporedimo i da
proverimo da li ovaj skup pravila ispunjava osobinu monotonosti.
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
100
Odlučivanje - praktikum
Telefon
Pravilo Cena Performanse Dizajn
(Korisnost)
P1 Niska Dobre Dobar Odličan
P2 Niska Dobre Loš
P3 Niska Loše Dobar
P4 Niska Loše Loš Loš
P5 Srednja Dobre Dobar
P6 Srednja Dobre Loš Odličan
P7 Srednja Loše Dobar
P8 Srednja Loše Loš
P9 Visoka Dobre Dobar Srednji
P10 Visoka Dobre Loš
P11 Visoka Loše Dobar
P12 Visoka Loše Loš Loš
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
Pravilo Cena Performanse Dizajn
(Korisnost)
P1 Niska Dobre Dobar Odličan
P2 Niska Dobre Loš Odličan
P3 Niska Loše Dobar
101
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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:
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:
16. Zadatak
DO razmatra nabavku pretplatnih paketa i mobilnih telefona za svoje zaposlene. Ponude operatera sadrže
sledeće atribute koji su prethodno diskretizovani:
102
Odlučivanje - praktikum
Izlazni atribut predstavlja Korisnost (ponude) definisan na skali: Visoka, Srednja, Niska.
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
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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.
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
Dakle iz primera možemo zaključiti da obe alternative (ponude) imaju Nisku korisnost po modelu sa Slike
iz prethodnog zadatka.
104
Odlučivanje - praktikum
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:
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:
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:
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
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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.
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
Odlučivanje - praktikum
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.
Rešenje:
a)
Za prodavnicu A: P(Dobra) = 0.5, P(Loša) = 0.5
b)
Na osnovu raspodele verovatnoća, možemo zaključiti da najveću neizvesnost prodaje ima prodavnica A
jer su podjednake (uniformne) verovatnoće Dobre i Loše prodaje.
2. Zadatak
DO vodi evidenciju o Ceni i Prodaji svojih proizvoda. Istorijski podaci su prikazani u tabeli ispod.
107
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
P1 Visoka Loša
P2 Niska Dobra
P3 Visoka Loša
P4 Niska Dobra
Rešenje:
Gde je k broj različitih kategorija koje može uzeti izlazni atribut (u ovom slučaju Prodaja).
Ili (ekvivalntno):
108
Odlučivanje - praktikum
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:
Sa druge strane, svi slučajevi (proizvodi) koji imaju Visoku cenu imaju Lošu prodaju, tj.
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
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
3. Zadatak
DO vodi evidenciju o Ceni i Prodaji svojih proizvoda. Istorijski podaci su prikazani u tabeli ispod.
P1 Ne Loša
P2 Da Dobra
P3 Da Loša
P4 Da Dobra
Rešenje:
Gde je:
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
Odlučivanje - praktikum
(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
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
𝑝(𝑆𝑆𝐷 𝑑𝑖𝑠𝑘 = 𝐷𝑎) ∗ 𝐻(𝑆 |𝑆𝑆𝐷 𝑑𝑖𝑠𝑘 = 𝐷𝑎 ) + 𝑝(𝑆𝑆𝐷 𝑑𝑖𝑠𝑘 = 𝑁𝑒) ∗ 𝐻(𝑆 |𝑆𝑆𝐷 𝑑𝑖𝑠𝑘 = 𝑁𝑒)
111
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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).
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.
Rešenje:
112
Odlučivanje - praktikum
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
1 8
𝐻 (𝑃𝑟𝑜𝑑𝑎𝑗𝑎|𝑅𝑒𝑧𝑜𝑙𝑢𝑐𝑖𝑗𝑎 ) = ∗ 0 + ∗ 0.954 = 0.848
9 9
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
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
5 4
𝐻 (𝑃𝑟𝑜𝑑𝑎𝑗𝑎|𝐶𝑒𝑛𝑎 ) = ∗ 0.721 + ∗ 0.811 = 0.762
9 9
Zadaci za vežbanje:
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
Odlučivanje - praktikum
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
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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
Odlučivanje - praktikum
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
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
117
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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
Odlučivanje - praktikum
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:
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
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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.
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
Odlučivanje - praktikum
Konačno ponavljamo postupak za desnu stranu stabla (slučajevi kada je vreme bilo Kišovito). Tabela
slučajeva je prikazana u Tabeli ispod.
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
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
Kada posmatramo ovaj model, možemo uvideti da se iz njega mogu izgenerisati sledeća AKO -TADA
pravila:
122
Odlučivanje - praktikum
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).
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
Rešenje:
123
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
Nivo Zaduženja
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
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
124
Odlučivanje - praktikum
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.
Primanja
1 1 2
𝐻 (𝑂𝑡𝑝𝑙𝑎𝑡𝑎|𝑍𝑎𝑑𝑢ž𝑒𝑛𝑗𝑒 = 𝑃𝑟𝑖ℎ𝑣𝑎𝑡𝑙𝑗𝑖𝑣𝑜, 𝑃𝑟𝑖𝑚𝑎𝑛𝑗𝑎 ) = ∗ 0 + ∗ 0 + ∗ 1 = 0.5
4 4 4
125
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
Stan
2 2 3 3
𝐻 (𝑂𝑡𝑝𝑙𝑎𝑡𝑎|𝑆𝑡𝑎𝑛 = 𝐷𝑎) = − ( ∗ 𝑙𝑜𝑔2 ( ) + ∗ 𝑙𝑜𝑔2 ( )) = 0.971
5 5 5 5
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
Odlučivanje - praktikum
Primanja
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.
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
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
c)
AKO je Zaduženje Prihvatljivo i klijent ne poseduje Stan TADA otplata nije pravovremena
Kritično * * Ne
Prihvatljivo * Da Da
Prihvatljivo * Ne Ne
Povoljno * * Ne
128
Odlučivanje - praktikum
3.Zadatak
Nekoliko klijenata je podnelo zahtev za kredit. Njihovi podaci su dati u sledećoj tabeli:
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
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
c) Kolika je tačnost klasifikacije modela koji je generisao ID3 algoritam (koliko se modelu može
verovati u budućoj primeni?).
Rešenje:
a)
b)
U tabeli ispod možemo videti tačne i predviđene vrednosti. Plavom bojom su osenčeni svi slučajevi
(klijenti) za koje se
130
Odlučivanje - praktikum
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
Prihvatljivo * Da Da
Prihvatljivo * Ne Ne
Povoljno * * Ne
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
131
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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
Odlučivanje - praktikum
Kritično * * Ne
Prihvatljivo * Da Da
Prihvatljivo * Ne 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.
Odnosno:
10
𝑇𝑎č𝑛𝑜𝑠𝑡 𝑘𝑙𝑎𝑠𝑖𝑓𝑖𝑘𝑎𝑐𝑖𝑗𝑒 = = 0.909
11
133
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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
Odlučivanje - praktikum
- 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
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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
Odlučivanje - praktikum
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.
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
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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.
138
Odlučivanje - praktikum
Rešenja:
a) Dobija se sledeće:
Alternativa w Rang
Ivan 2 1
Jelena 0 3
Marija 0 3
Stefan 1 2
d) Dobija se sledeća matrica rangova. U koloni MAR se nalazi model aditivnog rangiranja, a u koloni
MUR model umnoženog rangiranja.
139
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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.
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 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
Odlučivanje - praktikum
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
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
Zadaci za vežbanje:
1. Zadatak
Nakon sprovođenja konkursa za posao za junior marketing stručnjaka tri donosioca odluke su dostavili
sledeće rangove.
141
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
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
Alternativa w Rang
Ivan 4 3
Jelena 8 1
Marija 0 4
Stefan 6 2
Alternativa w Rang
Ivan 4 3
Jelena 8 1
Marija 0 4
Stefan 6 2
142
Odlučivanje - praktikum
d) Dobija se:
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:
143
Suknović, Delibašić, Jovanović, Vukićević, Radovanović
Rešenje:
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
Napomena: Ukoliko je identičan količnik u nekom koraku možete izabrati bilo koju zainteresovanu stranu
(projekat).
Rešenje:
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
144
Odlučivanje - praktikum
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
145