TO - Zadaci

Metodi izbora u slu aju neizvesnosti
Teorijske osnove
Najpoznatije metode izbora koje primenjujemo u uslovima neizvesnosti su:
a) Optimisti ki (Maximax) metod;

b) Pesimisti ki (Valdov ili Maximin) metod;
c) Metod otimizma-pesimizma (Hurvicov);
d) Metod minimax kajanja (Sevidžov);
e) Princip nedovoljnog razloga (Laplasov).
Navedene metode po ivaju na razli itim logi kim osnovama, zbog ega se i njihovi kona ni
izbori me usobno razlikuju.
Logiku svih metoda izbora objasni emo na istom ilustrativnom primeru. Tabela odlu ivanja
prikazuje ishode tri akcije izražene u nov anim dobicima ( u 000 din.), pri realizaciji etiri
mogu a doga aja:
Doga aj
Akcija
S1 S2 S3 S4
A1 1 5 16 4
A2 12 4 7 4
A3 9 9 5 5
Tabela odlu ivanja u kojoj su ishodi dati u nov anom izrazu (dobicima ili gubicima) naziva se
i tabelom isplata (ili matricom isplata).
a) Optimisti ki metod (Maximax)

Donosilac odluke koji se opredeljuje za ovaj metod je optimista u pogledu mogu ih rezultata.
On polazi od nerealne pretpostavke da e se uvek realizovati onaj doga aj koji mu
omogu uje da izabranom akcijom postigne njen najbolji mogu i rezultat. Postupak se tako
svodi na pore enje samo najboljih rezultata svih akcija i izbor najbolje me u njima. Otuda i
naziv maximax metod, koji simbolima izražen glasi:
maxi {maxj (uij)} , i=1,2,..,n,
gde uij predstavlja korisnost ishoda akcije Ai pri realizaciji doga aja Sj.
2
doga aj maximax metod
Akcija
S1 S2 S3 S4 maxj uij maxi { maxj uij }
A1 1 5 16 4 16 16(A1)
A2 12 4 7 4 12
A3 9 9 5 5 9
b) Pesimisti ki metod (Maximin)

Donosilac odluke koji primenjuje ovaj metod ispoljava izraziti pesimizam u pogledu budu ih
rezultata, jer o ekuje da e akciju sprovoditi u najnepovoljnijim okolnostima. Drugim re ima,
koju god akciju da izaberemo o ekujemo da emo ostvariti njen najslabiji rezultat. Iz tog
razloga biramo onu akciju koja garantuje najbolji me u najgorim ishodima, odnosno akciju
kojom maksimiziramo minimalnu korisnost:
maxi {minj (uij)} , i=1,2,..,m, j=1,2,…,n.
doga aj maximin metod

Akcija
S1 S2 S3 S4 minj uij maxi { minj uij }
A1 1 5 16 4 1
A2 12 4 7 4 4
A3 9 9 5 5 5 5(A3)
c) Metod optimizma-pesimizma (Hurvicov)

U racionalnom odlu ivanju nema mesta neosnovanom optimizmu niti preteranom pesimizmu.
Zato je Hurvic predložio njihovu modifikaciju u vidu tzv. metoda optimizma-pesimizma,
kojim se akcije ocenjuju na osnovu njihovih ekstremnih ishoda. Da bismo bili konzistentni u
ocenjivanju, ekstremne ishode svih akcija treba da vrednujemo na isti na in. Zato svaku
akciju ocenjujemo na osnovu ponderisanog zbira njenog najboljeg i najgoreg rezultata, pri
emu su ponderi (težinski koeficijenti) jednaki za sve akcije. Najbolji ishod množimo tzv.
indeksom optimizma, (0≤ ≤1), a najslabiji ishod njegovim komplementom, 1- . Hurvicov
metod glasi:
maxi {maxj (uij)⋅ + minj (uij) ⋅ (1- ) } i=1,2,..,m, j=1,2,…,n.
3
Akcija Najgori ishod Najbolji ishod Hurvicov metod Optimalna
minj(uij)=ui maxj(uij)=Ui Ui +ui(1- ) akcija
A1 1 16 16⋅0.4+1⋅0.6=7
A2 4 12 12⋅0.4+4⋅0.6=7.2 A2(7.2)
A3 5 9 9⋅0.4+5⋅0.6=6.6
d) Metod minimax kajanja (Sevidžov)

Sevidžov metod ne možemo da primenimo na originalne podatke, prikazane tabelom isplata,
ve je potrebno da formiramo novu tabelu. Nazivamo je tabelom (matricom) gubitaka i
izvodimo je iz originalne tabele na slede i na in: Za svaki doga aj Sj, j=1,2,...n, (u svakoj
koloni) nalazimo najbolji ishod (maxi uij=Uj, i=1,2,..,m); ovom ishodu pripisujemo nulu u
tabeli gubitaka jer u slu aju izbora akcije sa najboljim ishodom nema kajanja. Kajanje se
javlja ako smo izabrali jednu od preostalih akcija; prikazujemo ga razlikom izme u najboljeg
ishoda u koloni Sj, Uj i ishoda ostvarenog primenom date akcije, tj. kij=Uj-uij.
Tabela isplata Tabela gubitaka Sevidžov metod

Akcij
S1 S2 S3 S4 S1 S2 S3 S4 maxi kij mini {maxj kij}
a
A1 1 5 16 4 11 4 0 1 11
A2 12 4 7 4 0 5 9 1 9 A2(9)
A3 9 9 5 5 3 0 11 0 11
e) Princip nedovoljnog razloga (Laplasov)

Do sada navedeni metodi zanemaruju verovatno e javljanja pojedinih okolnosti. Njihovi
autori su to obrazlagali injenicom da je u uslovima potpune neizvesnosti besmisleno da
govorimo o verovatno ama javljanja pojedinih doga aja. Ipak, i pored maksimalne
neizvesnosti tabela odlu ivanja sadrži sve doga aje koji mogu da se jave. Samim inom
uklju ivanja pojedinih doga aja u model, ve im pripisujemo verovatno e razli ite od nule i
sigurni smo da e se jedan od njih javiti. Ako su nam verovatno e nepoznate, možemo, na
primer, da pretpostavimo njihovu jednakost.
Laplasov postulat: »Ako ništa ne znam o budu im doga ajima, onda mogu smatrati da su oni
jednako verovatni« naziva se i principom nedovoljnog razloga. Kada u tabeli odlu ivanja
pojedinim doga ajima pridružimo jednake verovatno e, zadatak se svodi na izra unavanje
o ekivanih korisnosti akcija. O ekivanu korisnost akcije izra unavamo kao pnderisani zbir
korisnosti njenih mogu ih ishoda.
4
Doga aj Laplasov metod
Akcija
S1 S2 S3 S4 j 0.25*uij maxi { j 0.25*uij }
A1 1 5 16 4 6.5
A2 12 4 7 4 6.75
A3 9 9 5 5 7 A3(7)
verovatno a 0.25 0.25 0.25 0.25
5
1. zadatak. Posmatrajmo slede i problem izbora:
Tabela 1.
doga aj
akcija
S1 S2 S3 S4 S5
A1 7 3 5 9 15
A2 11 7 3 8 10
A3 9 4 9 10 3
A4 8 8 9 10 2
a) primenite sve metode izbora u uslovima neizvesnosti (indeks optimizma je 0.5)

b) koju akciju bi ste izabrali i zbog ega?
Rešenje:
a)
Tabela 2. Maximax metod

akcija
S1 S2 S3 S4 S5 maxj uij maxi { maxj uij }
A1 7 3 5 9 15 15 A1
A2 11 7 3 8 10 11
A3 9 4 9 10 3 10
A4 8 8 9 10 2 10
Tabela 3. Maximin metod

akcija
S1 S2 S3 S4 S5 I korak II korak Opt. akcija
A1 7 3 5 9 15 3 5
A2 11 7 3 8 10 3 7 A2
A3 9 4 9 10 3 3 4
A4 8 8 9 10 2 2 -
Tabela 4. Metod optimizma-pesimizma (Hurvicov metod) ( =0.5)
Optimalna
akcija Najgori ishod Najbolji ishod Hurvicov metod
akcija
A1 3 15 15*0.5+3*0.5=9 A1
A2 3 11 11*0.5+3*0.5=7
A3 3 10 10*0.5+3*0.5=6.5
A4 2 10 10*0.5+2*0.5=6
6
Tabela 5. Metod minimax kajanja (Sevidžov)
Tabela gubitaka Sevidžov metod

akcija
S1 S2 S3 S4 S5 maxi kij mini {maxj kij}
A1 4 5 4 1 0 5 A1
A2 0 1 6 2 5 6
A3 2 4 0 0 12 12
A4 3 0 0 0 13 13
Tabela 6. Princip nedovoljnog razloga (Laplasov)
doga aj Laplasov metod

akcija
S1 S2 S3 S4 S5 j 0.2*uij maxi { j 0.2*uij }
A1 7 3 5 9 15 7.8 A1
A2 11 7 3 8 10 7.8 A2
A3 9 4 9 10 3 7
A4 8 8 9 10 2 7.4
verovatno a 0.2 0.2 0.2 0.2 0.2
b) akcija A1 je najbolja po ve ini metoda ( etiri) pa je ona u ovom slu aju izabrana za
najbolju.
2. zadatak. Jelena Markovi planira da otvori studio za rekraciju za žene. Mogu e opcije su
aerobik i joga. Interesovanje za pojedine vidove rekreacije može biti malo, srednje i veliko.
Troškovi mese nog iznajmljivanja prostora su 700 evra, dok bi ukupni prihodi (u zavisnosti
od interesovanja) bili: za aerobik: 700, 1000 i 1500 evra (respektivno), za jogu: 500, 1200 i
1800 evra (respektivno). Postoji i mogu nost da odustane od projekta.
a. Sastavite tabelu odlu ivanja (ishode prikažite u vidu profita) i primenite sve metode
izbora (indeks optimizma je 0.3).
b. Šta bi ste sugerisali Jeleni?
c. Ako je Jelena izraziti optimista, za koju opciju e se opredeliti?
Rešenje:
a)
Tabela 7. Maximax metod

akcija
S1-malo S2-srednje S3-veliko maxj uij maxi { maxj uij }
A1-aerobik 0 300 800 800
A2-joga -200 500 1100 1100 A2
A3-odustati 0 0 0 -
7
Tabela 8. Maximin metod

akcija
S1-malo S2-srednje S3-veliko minj uij maxi { minj uij }
A1-aerobik 0 300 800 0 A1
A2-joga -200 500 1100 -200
Tabela 9. Metod optimizma-pesimizma (Hurvicov metod) ( =0.3)
Optimalna
akcija Najgori ishod Najbolji ishod Hurvicov metod
akcija
A1 0 800 800*0.3+0*0.7=240 A1
A2 -200 1100 1100*0.3-200*0.7=190
Tabela 10. Metod minimax kajanja (Sevidžov)

akcija
S1-malo S2-srednje S3-veliko maxi kij mini {maxj kij}
A1-aerobik 0 200 300 300
A2-joga 200 0 0 200 A2
Tabela 11. Princip nedovoljnog razloga (Laplasov)
doga aj Laplasov metod

akcija
S1-malo S2-srednje S3-veliko j 0.333*uij maxi { j 0.333*uij }
A1-aerobik 0 300 800 366.3
A2-joga -200 500 1100 466.2 A2
verovatno a 0.333 0.333 0.333
b) akcija A2 je najbolja po tri primenjena metoda, dok je akcija A1 najbolja na osnovu dva
primenjena metoda. Na osnovu prethodnog zaklju ujemo da je akcija A2 bolji izbor.
c) u slu aju izrazitog optimizma izbor najbolje alternative vršimo primenom maximax
metoda i zaklju ujemo da je najbolja akcija A2.
8
3. zadatak. Posmatrajmo slede i problem izbora, u kojem proizvo a razmišlja da li da otvori
novi proizvodni pogon (ishodi predstavljaju o ekivani profit u mil.din.):
Tabela 12.
doga aj
akcija
S1-cene rastu S2-cene su stabilne S3-cene padaju
A1-mali pogon 3 2 -0.5
A2-velki pogon 4.5 1.6 -0.9
A3-ne investirati 0 0 0
a. Ako proizvo a želi da minimizira mogu e kajanje zbog loše odluke, koju akciju treba
da izabere?
b. Ako je proizvo a odlu io da svakako investira (tj. ako bira samo izmedju A1 i A2) za
koju e se akciju opredeliti na osnovu istog metoda?
c. Upredite dobijene rezultate i ako se razlikuju, objasnite uzrok.
Rešenje:
a. Formira emo tabelu gubitaka i izabrati najbolju akciju primenom Sevidžove metode:
Tabela 13.
akcija
S1 S2 S3 maxi kij mini {maxj kij}
A1 1.5 0 0.5 1.5
A2 0 0.4 0.9 0.9 A2
A3 4.5 2 0 4.5
b. Ponovi emo postupak upore uju i samo akcije A1 i A2:

Tabela 14.
akcija
S1 S2 S3 maxi kij mini {maxj kij}
A1 1.5 0 0 1.5
A2 0 0.4 0.4 0.4 A2
9
Odlu ivanje u uslovima rizika
Teorijske osnove
Metod maksimalne o ekivane vrednosti (MOV)

O ekivana vrednost akcije Ai, i=1,2,...,m (obeležavamo je sa OV(Ai)), predstavlja ponderisani
zbir njenih ishoda, gde se kao ponderi koriste verovatno e javljanja tih ishoda. Svaki ishod
množimo odgovaraju om verovatno om javljanja i izra unavamo zbir ovih proizvoda:
n
OV ( Ai ) = p j ⋅ν ij i=1,2,...,m
j =1
Biramo akciju sa najve om o ekivanom vrednoš u, pa se metod naziva metodom maksimalne

o ekivane vrednosti (MOV).
Primer: Problem izbora novog proizvoda (profit u 000 din.)
Nivo tražnje
Akcija
S1- Nizak S2- Prose an S3-Visok
A1 -15 465 800
A2 -50 400 1000
A3 -100 500 830
A4 0 0 0
Verovatno a (pi) 0.30 0.60 0.10
Primena MOV metode:

n n
Akcija OV ( Ai ) = p j ⋅ν ij max p j ⋅ν ij
j =1 j =1
A1 0.3⋅(-15)+0.6⋅465+0.1⋅800=354.5 354.5
A2 0.3⋅(-50)+0.6⋅400+0.1⋅1000=325
A3 0.3⋅(-100)+0.6⋅500+0.1⋅830=353
A4 0.3⋅0+0.6⋅0+0.1⋅0=0
Biramo akciju A1.
10
Metod maksimalne o ekivane korisnosti (MOK)
Da bi primenili metod maksimalne o ekivane korisnosti potrebno je da sve ishode u tabeli
odlu ivanja izraziti njihovim kardinalnim korisnostima. O ekivana korisnost akcije je jednaka
zbiru proizvoda njenih ishoda (izraženim u jedinicama kardinalne korisnosti) i verovatno a
njihovog javljanja (verovatno a doga aja):
n n
u ( Ai ) = OK ( Ai ) = p j ⋅ u (ν ij ) = p j ⋅ u ij , i=1,2,....,m
j =1 j =1
Primer:
Doga aj O ekivana korisnost
Akcija MOK
S1 S2 OK(Ai)
A1 0 1 0.5⋅0+0.5⋅1=0.5
A1 0.65 0.95 0.5⋅0.65+0.5⋅0.95=0.8 0.8(A2)
Verovatno a 0.5 0.5
Biramo akciju A2.
11
1 zadatak. Objasnite razliku izmedju ordinalne i kardinalne korisnosti.
Rešenje:
Na osnovu ordinalne korisnosti može se formirati rang-lista opcija ali se ne mogu meriti
razlike u preferencijama izmedju svake dve opcije. Kardinalne korisnosti se izražavaju na
intervalnoj skali što omogu uje da se precizno mere razlike u preferencijama izmedju svake
dve opcije.
2 zadatak. Koje uslove racionalnosti treba da ispunjavamo da bismo ishodima akcija mogli
da pridružimo kardinalne korisnosti? Koji od ovih uslova je po vašem mišljenju najteže
ispuniti?
Rešenje:
Da bismo ishodima akcija mogli da pridružimo kardinalne korisnosti potrebno je da pored
uslova asimetri nosti, kompletnosti i tranzitivnosti budu zadovoljena i slede a etiri uslova
racionalnosti:
1. kontinuitet preferencija
2. zamenljivost (mogu nost supstitucije)
3. monotonost
4. redukcija složenih lutrija
3. zadatak. Objasnite metod standardne igre.

Rešenje:
Metod standardne igre se koristi za odredjivanje kardinalnih korisnosti opcija.
Procedura se sprovodi u etiri koraka:
1. u prvom koraku poredimo opcije medju sobom i odredjujemo njihovu rang-listu od
najbojle ka najgoroj: xn, xn-1,....,x1
2. U drugom koraku formulišemo tzv. referentnu lutriju, L, iji je dobitak jednak
najboljoj opciji, xn, a gubitak najgoroj, x1, tj. L(q,xn;1-q,x1).
3. U tre em koraku svakoj od preostalih (n-2) opcija, pridružujemo po jednu lutriju
Li=L(qi,xn; 1-qi,x1), i=2,3,...,n-1. Referentnu lutriju odredjujemo na slede i na in:
biramo verovatno u (qi) javljanja dobitka (xn), za koju opciju xi smatramo jednako
dobrom kao i u eš e na lutriji Li.
4. U etvrtom koraku ishodima referentne lutrije L (tj. najboljoj i najgoroj opciji u skupu
n) pridružujemo proizvoljne numeri ke vrednosti (korisnosti). Ako odlu imo da
korisnosti svih opcija prikažemo na skali [0,1], onda e odgovaraju e korisnosti biti
12
u(x1)=0 i u(xn)=1. Tada, korisnosti opcije xi iznosi:
u(xi)=qi·1+(1-qi)·0=qi, i=2,3,..,n-1,
tj. ona je jednaka verovatno i javljanja dobitka u referentnoj lutriji.
4. zadatak. Alternativama x,y,z i v Predrag je pripisao kardinalne korisnosti u(x)=100,

u(y)=50 i u(z)=25, u(v)=10. Koje sve zaklju ke možete doneti o njegovim preferencijama
izmedju posmatranih opcija?
Rešenje:
1. rang-lista alternativa od najbolje ka najgoroj je x,y,z,v.
2. (u(x)-u(y))/(u(y)-u(z))=(100-50)/(50-25)=50/25=2/1
sledi da alternativu x u odnosu na y preferiramo dva puta više nego što alternativu y
preferiramo u odnosu na z.
5. zadatak. Moma Markovi želi da konstruiše svoju funkciju korisnosti novca u intervalu od
–50 000 din. do 100 000 din. Ovim nov anim iznosima on je proizvoljno pripisao korisnosti 0
i 10 respektivno. Zatim je proizvoljno izabrao tri nov ana iznosa iz ovog intervala i odredio je
verovatno e sticanja dobitaka u referentnim lutrijama (D je 100 000 din., a G je -50 000 din.),
za koje bi bio indiferentan izmedju sigurnog nov anog iznosa i u eš a u igri:
Tabela 1.
Nov ani iznos Verovatno a sticanja dobitaka od 100 000 din.

-25 000 0.50
0 0.75
50 000 0.95
a. Izra unajte korisnosti navedenih nov anih iznosa.

b. Skicirajte funkciju korisnosti M. Markovi a.
c. Sa krive koju ste nacrtali pro itajte korisnosti za slede e nov ane iznose: 20 000 din., -30
000 din., -40 000 din.
13
Rešenje:
Korisnosti opcije xi ra unamo kao:
u(xi)=qi*u(xn)+(1-qi)*u(xn)
Sledi da je:
u(-25000)=0.5*10+0.5*0=5
u(0)=0.75*10+0.25*0=7.5
u(50000)=0.95*10+0.05*0=9.5
Što je prikazano i tabelarno:
Tabela 2.
Nov ani iznos kardinalna korisnost

-50000 0
-25000 5
0 7.5
50000 9.5
100000 10
Na osnovu vrednosti iz prethodne tabele crtamo grafik koji predstavlja funkciju korisnosti:
kriva korisnosti novca
10
u(20000)=8.59
6
u(x)
u(-30000)=4
4
u(-40000)=2.19
2
-60000 -40000 -20000 0 20000 40000 60000 80000 100000
Slika 1.
Sa dobijenog grafika možemo odrediti tražene korisnosti:
u(-40000)=2.19; u(-30000)=4; u(20000)=8.59
14
6 zadatak. Nov ani ishodi akcija su prikazani u tabeli odlu ivanja:
Tabela 3.
Nivo tražnje
Akcija
A1 -20 40 80
A2 -50 30 100
A3 0 0 0
Verovatno a (pi) 0.30 0.60 0.10
Donosilac odluke je vrednosti nov anih ishoda izrazio u korisnostima na slede i na in:
Tabela 4.
Nov ani iznos kardinalna korisnost
-50 0
-25 5
0 7.5
50 9.5
100 10
Primenom metode maksimalne o ekivane korisnosti odrediti najbolju akciju.
Rešenje:
Sa konstruisanog grafika funkcije korisnosti odre ujemo tražene korisnosti:
10
9.6
9.1 9.4
6 5.5
korisnost (u)
0
-40 -20 0 20 40 60 80 100
novcani ishod
Slika 2.
15
u(-20)=5.5
u(40)=9.4
u(80)=9.6
u(-50)=0
u(30)=9.1
u(100)=10
Tabela 5.
Nivo tražnje
Akcija
A1 5.5 9.4 9.6
A2 0 9.1 10
A3 7.5 7.5 7.5
Verovatno a (pi) 0.30 0.60 0.10
U(A1)=OK(A1)=p1u11+p2u12+p3u13=0.30*5.5+0.60*9.4+0.10*9.6=8.25
U(A2)=OK(A2)=p1u21+p2u22+p3u23=0.30*0+0.60*9.1+0.10*10=6.46
U(A3)=OK(A3)=p1u31+p2u32+p3u33=0.30*7.5+0.60*7.5+0.10*7.5=7.5
Najbolja akcija je A1.
7. zadatak. Ishodi u slede oj tabeli su prikazani u jedinicama korisnosti.

Tabela 6.
dogadjaj
akcija
A1-mali pogon 0.8 0.65 0.05
A2-veliki 1 0.6 0
A3-ne investirati 0.3 0.3 0.3
Ako su verovatno e dogadjaja: p1=0.2, p2=0.4 i p3=0.4:

a) primenom metoda MOK izaberite akciju.
b) Korisnost transformišite primenom slede e transformacije: u,=2u+3.
Na transformisane podatke primenite metod MOK i uporedite rezultat sa rezultatom pod (a).
16
Rešenje:
a) O ekivana korisnost akcije je jednaka zbiru proizvoda njenih ishoda (izraženih u

jedinicama kardinalne korisnosti) i verovatno a njihovog javljanja (verovatno a dogadjaja):
u(A1)=OK(A1)=p1u11+p2u12+p3u13=0.2*0.8+0.4*0.65+0.4*0.05=0.44
u(A2)=OK(A2)=p1u21+p2u22+p3u23=0.2*1+0.4*0.6+0.4*0=0.44
u(A3)=OK(A3)=p1u31+p2u32+p3u33=0.2*0.3+0.4*0.3+0.4*0.3=0.42
OK(A1)=OK(A2)>OK(A3)
Zaklju ujemo da smo indiferentni izmedju akcija A1 i A2 koje preferiramo u odnosu na A.

b)
Tabela 7.
Kardinalna korisnost
u u,=2u+3
0.8 4.6
1 5
0.3 3.6
0.65 4.3
0.6 4.2
0.3 3.6
0.05 3.1
0 3
0.3 3.6
c)
Tabela 8.
dogadjaj
akcija
A1-mali pogon 4.6 4.3 3.1
A2-veliki 5 4.2 3
A3-ne investirati 3.6 3.6 3.6
u(A1)=OK(A1)=p1u11+p2u12+p3u13=0.2*4.6+0.4*4.3+0.4*3.1=3.88
u(A2)=OK(A2)=p1u21+p2u22+p3u23=0.2*5+0.4*4.2+0.4*3=3.88
u(A3)=OK(A3)=p1u31+p2u32+p3u33=0.2*3.6+0.4*3.6+0.4*3.6=2.16
OK(A1)=OK(A2)>OK(A3)
Ponovo zaklju ujemo da smo indiferentni izmedju akcija A1 i A2 koje preferiramo u odnosu
na A3.
17
8. zadatak. Razmišljate da plasirate novi proizvod na tržište, koji može biti »pun pogodak« ili
»velika greška«. Verovatno a da proizvod bude prihva en je 0.30, u kom slu aju e ostvareni
profit biti 500 000 din. U slu aju da proizvod ne bude prihva en, izgubi ete 200 000 dinara.
a) Prikažite problem drvetom odlu ivanja. i izra unajte o ekivane vrednosti akcija
(»proizvoditi« i »odustati od proizvodnje«). Šta ete odlu iti?
b) Izra unajte korisnosti mogu ih ishoda i primenite metod MOK. Da li bi se vaša odluka
sada promenila?
Rešenje:
a) Tabela odlu ivanja za navedeni problem:

Tabela 9.
Doga aj
akcija
Prihva en proizvod Neprihva en proizvod
A1- Proizvoditi 500 000 -200 000
A2- Odustati od proizvodnje 0 0
Verovatno a (pi) 0.3 0.7
O ekivane vrednosti alternativa su:

OV(A1)=p1*v11+p2*v12=0.3*500000+0.7*(-200000)=10000
OV(A2)=0
Drvo odlu ivanja za navedeni problem je prikazano na slici 3:
prihvacen proizvod
0.3 500000
proizvoditi 500000
0
10000 neprihvacen proizvod
Root 0.7 -200000
-- -200000
10000
odustati od proizvodnje
0
0
Slika 3.
Kako je o ekivana vrednost altrnative A1- »proizvoditi« ve a od o ekivane vrednosti

alternative A2- »odustati od proizvodnje«, metodom maksimalne o ekivane vrednosti (MOV)
bismo izabrali alternativu A1-»proizvoditi«.
b) da bi primenili metod maksimalne o ekivane korisnosti (MOK) potrebno je nov ane
18
vrednosti ishoda akcija zameniti njihovim kardinalnim korisnostima. Nov ani iznosi su: 500
000 din, 0 din. i –200 000 din. Najboljem ishodu (500 000 din.) dodeljujemo korisnost 1, dok
najnepovoljnijem ishodu (-200 000 din.) dodeljujemo korisnost 0. Zatim formulišemo
referentnu lutriju L, iji je dobitak jednak najboljem ishodu 500 000 din., a gubitka najgorem
–200 000 din. Korisnost ishoda 0 din. odre ujemo na osnovu metoda standardne igre tj. za
iznos od 0 din. nalazimo odgovor na pitanje: kolika treba da je verovatno a (q) dobijanja 500
000 din. u lutriji L, za koju bismo bili indiferentni izme u sigurnog dobitka 0 din. i u eš a na
lutriji gde dobitak iznosi 500 000 din. a gubitak iznosi 200 000 din.
Pretpostavimo da smo izabrali q=0.7. Tada korisnost ishoda 0 din. ra unamo kao:
U(0)=0.7*1+(1-0.7)*0=0.7
Sada možemo formirati tabelu odlu ivanja gde emo nov ane iznose zameniti njihovm
kardinalnim korisnostima:
Tabela 10.
Doga aj
akcija
Prihva en proizvod Neprihva en proizvod
A1- Proizvoditi 1 0
A2- Odustati od proizvodnje 0.7 0.7
Verovatno a (pi) 0.3 0.7
O ekivana korisnost akcije je jednaka zbiru proizvoda njenih ishoda (izraženih u jedinicama
kardinalne korisnosti) i verovatno a njihovog javljanja (verovatno a dogadjaja):
u(A1)=OK(A1)=p1u11+p2u12+p3u13=0.3*1+0.7*0=0.3
u(A2)=OK(A2)=p1u21+p2u22+p3u23=0.3*0.7+0.7*0.7=0.7
Kako je OK(A2)> OK(A1) opredelili bismo se za alternativu A2.
9. zadatak. Pretpostavimo da imamo veoma bogatog prijatelja, koji nam iz hira nudi da
izaberemo jednu od slede e dve igre:
A1: Baci u nov i i ako padne »pismo« ne eš dobiti ništa, a ako padne »grb« da u ti 3
miliona dinara;
A2: Baci u nov i i ako padne »pismo« da u ti milion dinara, a ako padne »grb« da u ti 2
miliona dinara;
Metodama maksimalne o ekivane vrednosti (MOV) i maksimalne o ekivane korisnosti
(MOK) odrediti najbolje akcije i uporediti dobijene rezultate.
19
Rešenje:
Prikažimo problem slede om tabelom:

Tabela 11.
Doga aj
Akcija
S1-Pismo S2-Grb
A1 0 3
A2 1 2
Verovatno a 0.5 0.5
O ekivane vrednosti alternativa su:

OV(A1)=p1*v11+p2*v12=0.5*0+0.5*3=1.5
OV(A2)= p1*v21+p2*v22=0.5*1+0.5*2=1.5
Kako su o ekivane vrednosti obe akcije me usobno jednake sledi da nam pravilo izbora
MOV sugeriše da budemo indiferentni izme u A1 i A2, odnosno da izaberemo bilo koju
alternativu.
Da bi primenili metod maksimalne o ekivane korisnosti (MOK) potrebno je nov ane
vrednosti ishoda akcija zameniti njihovim kardinalnim korisnostima.
Sve ishode u tabeli odlu ivanja tretiramo kao nezavisne, sigurne opcije i formiramo njihovu
rang-listu po prioritetu: v12=3, v22=2, v21=1 i v11=0.
Zatim formulišemo referentnu lutriju, L, iji je dobitak jednak najboljem ishodu 3 mil. din., a
gubitak najgorem 0 din. Korisnosti ishoda ra unamo primenom metode standardne igre.
Najboljem i najgorem ishodu dodeljujemo korisnosti 1 i 0. Za iznos v22=2 mil.din. nalazimo
odgovor na pitanje: Kolika treba da je verovatno a dobijanja »premije« od 3 mil.din. u lutriji
L, za koju bismo bili indiferentni izme u sigurnog dobitka od 2 mil.din. i u eš a u lutriji:
Pretpostavimo da smo izabrali q=0.95, onda je korisnost ishoda v22 jednaka:

u(2)=0.95*1+(1-0.95)*0=0.95
Na isti na in odre ujemo korisnost ishoda v21. Pretpostavimo da smo izabrali q=0.65; tada je
korisnost ishoda v21 jednaka:
u(1)=0.65*1+(1-0.65)*0=0.65
20
Sada možemo formirati novu tabelu odlu ivanja gde emo nov ane iznose zameniti njihovim
kardinalnim korisnostima:
Tabela 12.
Doga aj
Akcija
S1-Pismo S2-Grb
A1 0 1
A2 0.65 0.95
Verovatno a 0.5 0.5
O ekivana korisnost akcije je jednaka zbiru proizvoda njenih ishoda (izraženih u jedinicama
kardinalne korisnosti) i verovatno a njihovog javljanja (verovatno a dogadjaja):
u(A1)=OK(A1)=p1u11+p2u12 =0.5*0+0.5*1=0.5
u(A2)=OK(A2)=p1u21+p2u22 =0.5*0.65+0.5*0.95=0.8
Kako je OK(A2)> OK(A1) opredelili bismo se za alternativu A2.
21
Dopunska informacija i njena cena
Teorijske osnove
Bayesova teorema
Bayesova teorema predstavlja jedan od najpoznatijih, i za teoriju odlu ivanja posebno
zna ajnih, rezultata teorije verovatno e. Ime je dobila po autoru Thomasu Bayesu (1702-
1761.), engleskom matemati aru i teologu. Ova teorema omogu uje da se, na osnovu
prikupljenih informacija, izvrše korekcije polaznih uverenja u realizaciju posmatranih
doga aja.
Posmatra se kompletan skup disjunktnih doga aja, S={S1, S2,...,Sj,...,Sn}. To zna i da se
jedan od njih mora realizovati, v( S j ) = 1 kao i da pojava jednog doga aja isklju uje
j
pojavu ostalih (Si Sj=∅, i,j=1,2,...,n; i ≠ j).

Posmatra se doga aj I, koji se može javiti samo ako se javi neki od doga aja Sj, j=1,2,...,n.
Verovatno a javljanja doga aja Sk, pod uslovom da se doga aj I ve realizovao, jednaka je:
P(S k )P (I S k ) P(S k )P(I S k )
P(S k I ) = = , k=1,2,…,n
P (I ) n
( )
P (S j )P I S j
j =1
pri emu su:

P(Sj)-verovatno a doga aja Sj (po etna, a priori);
P(I)-verovatno a doga aja I;
( )
P I S j -verovatno a doga aja I pod uslovom da se doga aj Sj realizovao;
P (S j I ) -verovatno a doga aja Sj pod uslovom da se doga aj I realizovao (korigovana, a
posteriori).
22
Potpuna (savršena) informacija i njena cena
Primer: Uprava odeljenja za marketing razmatra dve mogu e situacije vezane za novi
proizvod: predstaviti ga ili ne na tržištu, što odgovara akcijama A1 i A2, respektivno.
Pretpostavimo da uprava razmatra samo potražnju, koja se razmatra kao niska, najverovatnija
i visoka, što odgovara stanjima S1, S2 i S3, respektivno.
Na upravi je da odredi pla anja i definiše apriori verovatno e. Ukoliko se predstavi novi
proizvod, uprava o ekuje profit od -2.000.000 din. za S1, 1.500.000 din. za S2, i 4.000.000
din. za S3. U slu aju da se proizvod ne predstavi tržištu, profit je uvek jednak nuli, nezavisno
od stanja. Dodeljene apriori verovanto e su v(S1)=0.25, v(S2)=0.50 i v(S3)=0.25. Pla anje
(profit) je prikazano slede om tabelom:
Doga aj
Akcija
S1- niska tražnja S2- srednja tražnja S1- visoka tražnja
A1 -2 000 000 1 500 000 4 000 000
A2 0 0 0
Verovatno a 0.25 0.50 0.25
U idealnom slu aju mogu e je pribaviti savršenu informaciju, koja sa sigurnoš u otkriva
budu e stanje na tržištu i uslove rizika pretvara u uslove izvesnosti. Umesto rasporeda
verovatno a budu e potražnje, savršena informacija izdvaja jedno stanje. Na taj na in, ona
odluku ini trivijalnom, odnosno, svodi je na izbor akcije kojom se, u poznatim tržišnim
okolnostima, postiže najbolji rezultat. Na primer, ako informacija pokazuje da e potražnja
biti niska, v(S1)=l, onda bi se donosioc odluke opredelio za akciju A2, tj. odustajanje od
novog proizvoda; ako informacija nedvosmisleno pokazuje da e se realizovati prose na
tražnja, v(S2)=1, donosioc odluke bi se opredelio za novi proizvod A1; i ako se sa sigurnoš u
predvi a visoka potražnja, v(S3)=1, onda bi donosioc odluke sugerisao proizvodnju A1.
Ali, problem sa informacijom je nepoznat sadržaj pre kupovine, tj., prvo se treba odlu iti da li
kupiti ili ne savršenu informaciju, i tek ako se kupi, donosioc odluke saznaje budu e stanje na
tržištu i efekte akcije koja e biti izabrana u datim okolnostima.
U toj situaciji odluka o kupovini informacije donosi se na osnovu o ekivanih vrednosti u
uslovima izvesnosti (OVUI). OVUI predstavlja prose an profit koji bi bio ostvaren u dugom
nizu kada bi se odlu ivalo u uslovima izvesnosti. Tada bi donosioc odluke pre svakog izbora
akcije ta no znao budu e stanje na tržištu. Prema tome, OVUI predstavlja ponderisani zbir
verovatno a javljanja pojedinih doga aja i maksimalnih rezultata koje je u svakom od njih
mogu e posti i.
23
n
OVUI = [
p j ⋅ max i ν ij ]
j =1
Pretpostavimo da u primeru problema predstavljanja novog proizvoda uprava sa sigurnoš u

zna da e se u momentu odlu ivanja odigrati stanje S1. Tada bi uprava izabrala akciju A2, jer
donosi najve i profit. Sa druge strane, ako se zna da e se odigrati stanje S2 ili S3, uprava e
izabrati akciju A1. Time e uprava, biraju i odluku, realizovati profit od 0, 1.500.000 i
4.000.000 din., respektivno. U stvarnosti se stanja S1, S2 i S3 odigravaju sa verovatno ama
0.25, 0.50 i 0.25, respektivno. Tako da se dolazi do vrednosti:
OVUI=0⋅0.25+1 500 000⋅0.50+4 000 000⋅0.25=1 750 000
ako se zna u momentu odlu ivanja koje e se stanje odigrati. Treba imati na umu da vrednost
od 1.750.000 din. predstavlja o ekivani profit pre kupovine informacije. Nakon kupovine
informacije sazna e se stvarni tržišni uslovi, pa e i kona an rezultat ostvaren izborom
najbolje akcije u datim okolnostima, biti: 0 din, 1.500.000 din. ili 4.000.000 din.
Sada je mogu e izra unati koliko najviše vredi savršena informacija, odnosno, koliko iznosi
maksimalna cena po kojoj je ekonomski opravdano pribavljanje informacije. Vrši se
pore enje OVUI sa o ekivanom vrednoš u akcije koju bi donosioc odluke izabrao na osnovu
prethodne analize, zasnovane na po etnim subjektivnim verovatno ama. U primeru bi bila
izabrana akcija A1 koja ima maksimalnu o ekivanu vrednost; njenim biranjem u dugom nizu
ostvario bi se profit od 1.250.000 din.
Budu i da je o ekivana vrednost u uslovima izvesnosti jednaka 1.750.000 din, a maksimalna
o ekivana vrednost bez informacije 1.250.000 din, onda je maksimalna cena koju treba
prihvatiti da bi se dobila savršena informacija jednaka njihovoj razlici. Ova razlika se naziva
o ekivana vrednost potpune informacije i obeležava sa OVPI:
OVPI=OVUI-maxiOV(Ai)
OVPI=1 750 000-1 250 000=500 000 din.
Vidi se da bi pribavljanje savršene informacije izazvalo porast o ekivane vrednosti za
500.000 dinara. Samim tim, OVPI predstavlja najve u cenu koja se može prihvatiti da bi se
saznalo budu e stanje na tržištu.
24
Metod ELECTRE I (ELimination and ET Choice Translating
REality)
Energana kupac parnih kotlova je u situaciji da bira izme u etiri modela: a1, a2, a3 i a4. Izbor
e izvršiti koriste i slede e kriterijume:
A1 – veli ina kotla (m2)

A2 – potrošnja uglja (t/h)
A3 – mogu nost optere enja (kp)
A4 – cena (107 din)
A5 – pouzdanost (kvalitativna ocena)
Po etna matrica odlu ivanja ima oblik:
170 7 1600 60 visoka

200 12 1200 90 vrlovisoka
O :=
180 9 1500 75 prose ro
160 6 1700 50 niska
REŠENJE :
Transformacija kvalitativnih atributa

Koriste i pristup tzv. bipolarnih skala, a za opseg skale od 0 do 10, gde je 1 – vrlo nizak nivo,
3 – nizak, 5 – srednji (prose ni), 7 – visok, i 9 – vrlo visok nivo, matrica odlu ivanja je u
potpunosti kvantifikovana:
170 7 1600 60 7
200 12 1200 90 9
O :=
180 9 1500 75 5
160 6 1700 50 3
61
korak 1: Izra unavanje normalizovane matrice odlu ivanja N
Najpre se ra unaju normalizovani elementi matrice odlu ivanja primenom formule:
x ij
n ij =
m
x ij2
j=1
gde je xij – vrednost akcije ai, i = 1,2, ...,m u odnosu na atribut j, kj, j = 1,2,...,n.
Tako da su:
x11 170 170

n11 = = = = 0.477
m 2
170 + 200 + 180 + 160 2 2 2 356.23
xij2
j =1
x12 7 7
n12 = = = = 0.397
m 2
7 + 12 + 9 + 6 2 2 2 17.60
xij2
j =1
x13 1600 1600

n13 = = = = 0.529
m 2
1600 + 1200 + 1500 + 1700 2 2 2 3023.24
xij2
j =1
x14 60 60
n14 = = = = 0.426
m 2
60 + 90 + 75 + 50 2 2 2 140.80
xij2
j =1
x15 7 7
n15 = = = = 0.546
m 2
7 +9 +5 +3 2 2 2 12.81
xij2
j =1
x21 200 200

n21 = = = = 0.561
m 2
170 + 200 + 180 + 160 2 2 2 356.23
xij2
j =1
x22 12 12
n22 = = = = 0.681
m
7 2 + 12 2 + 9 2 + 6 2 17.60
xij2
j =1
x23 1200 1200

n23 = = = = 0.396
m
1600 2 + 1200 2 + 1500 2 + 1700 2 3023.24
xij2
j =1
62
x 24 90 90
n24 = = = = 0.639
m 2
60 + 90 + 75 + 50 2 2 2 140.80
xij2
j =1
x25 9 9
n25 = = = = 0.702
m 2
7 +9 +5 +3 2 2 2 12.81
xij2
j =1
x31 180 180

n31 = = = = 0.505
m 2
170 + 200 + 180 + 160 2 2 2 356.23
xij2
j =1
x32 9 9
n32 = = = = 0.511
m 2
7 + 12 + 9 + 6 2 2 2 17.60
xij2
j =1
x33 1500 1500

n33 = = = = 0.496
m 2
1600 + 1200 + 1500 + 1700 2 2 2 3023.24
xij2
j =1
x34 75 75
n34 = = = = 0.532
m 2
60 + 90 + 75 + 50 2 2 2 140.80
xij2
j =1
x35 5 5
n35 = = = = 0.390
m 2
7 +9 +5 +3 2 2 2 12.81
xij2
j =1
x41 160 160

n41 = = = = 0.449
m 2
170 + 200 + 180 + 160 2 2 2 356.23
xij2
j =1
x42 6 6
n42 = = = = 0.340
m
7 2 + 12 2 + 9 2 + 6 2 17.60
xij2
j =1
x43 1700 1700

n43 = = = = 0.562
m
1600 2 + 1200 2 + 1500 2 + 1700 2 3023.24
xij2
j =1
63
x 44 50 50
n44 = = = = 0.355
m 2 2
60 + 90 + 75 + 50 2 2 140.80
xij2
j =1
x45 3 3
n45 = = = = 0.234
m 2
7 +9 +5 +32 2 2 12.81
xij2
j =1
Normalizovana matrica odlu ivanja glasi:
0,477 0,397 0,529 0,426 0,546

0,561 0,681 0,396 0,639 0,702
N :=
0,505 0,511 0,496 0,532 0,390
0,449 0,340 0,562 0,355 0,234
korak 2: Izra unavanje težinske normalizovane matrice odlu ivanja TN
Donosilac odluke aktivno u estvuje u proceduri rešavanja problema i odre uje preference,
odnosno težine korisni kih kriterijuma, posle ega se izra unava težinska normalizovana
matrica odlu ivanja.
TN = N ⋅ T
U ovom slu aju, matrica težinskih koeficijenata je:
T: = ( 0,1 0,2 0,1 0,3 0,3)
Zbir elemenata ovog vektora je jednak jedinici.
Tako da težinska normalizovana matrica odlu ivanja glasi:
0,0477 0,0794 0,0529 0,1278 0,1639

0,0561 0,1362 0,0396 0,1917 0,2108
TN :=
0,0505 0,1022 0,0496 0,1596 0,1171
0,0449 0,0680 0,0562 0,1065 0,0702
64
korak 3: Odre ivanje skupova saglasnosti S i nesaglasnosti NS
U ovom koraku upore uju se parovi akcija p i r (p,r = 1,2,...,m i p ≠ r). Najpre se formira skup
saglasnosti Spr za akcije ap i ar, koji se sastoji od svih kriterijuma (J = {j|j=1,...,n}), za koje je
akcija ap poželjnija od akcije ar, odnosno:
Spr = {j | xpj ≥ xrj}
Ukoliko se radi o kriterijumu tipa minimizacije, znak jednakosti je suprotan.
Zatim se formira komplementaran skup nesaglasnosti:
NSpr = J - Spr = {j | xpj < xrj}
Skup saglasnosti Skup nesaglasnosti

p = 1, r = 2 2, 3, 4 1, 5
p = 1, r = 3 2, 3, 4, 5 1
p = 1, r = 4 1, 5 2, 3, 4
p = 2, r = 1 1, 5 2, 3, 4
p = 2, r = 3 1, 5 2, 3, 4
p = 2, r = 4 1, 5 2, 3, 4
p = 3, r = 1 1 2, 3, 4, 5
Skup saglasnosti Skup nesaglasnosti
p = 3, r = 2 2, 3, 4 1, 5
p = 3, r = 4 1, 5 2, 3, 4
p = 4, r = 1 2, 3, 4 1, 5
p = 4, r = 2 2, 3, 4 1, 5
p = 4, r = 3 2, 3, 4 1, 5
korak 4: Odre ivanje matrice saglasnosti MS
Matrica saglasnosti odre uje se na osnovu skupa saglasnosti. Elemente matrice ine indeksi
saglasnosti, ija je vrednost jednaka sumi težinskih koeficijenata koji odgovaraju
pripadaju im elementima skupova saglasnosti.
s pr = tj
j∈S pr
Za dati primer indeksi saglasnosti jednaki su:
s11 = 0
s12 = t2 + t3 + t4 = 0.2 + 0.1 + 0,3 = 0.6
s13 = t2 + t3 + t4 + t5 = 0,2 + 0.1 + 0.3 + 0.3 = 0.9
65
s14 = t1 + t5 = 0.1 + 0.3 = 0.4
s21 = t1 + t5 = 0.1 + 0.3 = 0.4

s22 = 0
s23 = t1 + t5 = 0.1 + 0.3 = 0.4
s24 = t1 + t5 = 0.1 + 0.3 = 0.4
s31 = t1 = 0.1
s32 = t2 + t3 + t4 = 0,2 + 0.1 + 0.3 = 0.6
s33 = 0
s34 = t1 + t5 = 0.1 + 0.3 = 0.4
s41 = t2 + t3 + t4 = 0,2 + 0.1 + 0.3 = 0.6

s42 = t2 + t3 + t4 = 0,2 + 0.1 + 0.3 = 0.6
s43 = t2 + t3 + t4 = 0,2 + 0.1 + 0.3 = 0.6
s44 = 0
Tako da je matrica saglasnosti:
0 0,6 0,9 0,4

0,4 0 0,4 0,4
MS : =
0,1 0,6 0 0,4
0,6 0,6 0,6 0
korak 5: Odre ivanje matrice nesaglasnosti MNS
Matrica nesaglasnosti odre uje se na osnovu skupa nesaglasnosti. Elemente matrice ine
indeksi nesaglasnosti, koji se odre uju na osnovu formule:
max tn pj − tn rj
j∈NS pr
ns pr =
max tn pj − tn rj
j∈J
gde je tn – element težinske normalizovane matrice odlu ivanja.
max ( tn11 − tn21 , tn15 − tn25 )

j∈NS12
ns12 =
max ( tn11 − tn21 , tn12 − tn22 , tn13 − tn23 , tn14 − tn24 , tn15 − tn25 )
j∈J
0.04685
ns12 = = 0.7329
0.06392
max ( tn11 − tn31 )

j∈NS13
ns13 =
j∈J
66
0.0028
ns13 = = 0.0599
0.0468
max ( tn12 − tn 42 , tn13 − tn 43 , tn14 − tn 44 )

j∈NS14
ns14 =
max( tn11 − tn 41 , tn12 − tn 42 , tn13 − tn 43 , tn14 − tn 44 , tn15 − tn 45 )
j∈J
0.0213
ns14 = = 0.22743
0.0937
max ( tn22 − tn12 , tn23 − tn13 , tn24 − tn14 )

j∈NS21
ns 21 =
max( tn21 − tn11 , tn22 − tn12 , tn23 − tn13 , tn24 − tn14 , tn25 − tn15 )
j∈J
0.0639
ns 21 = =1
0.0639

j∈NS23
ns 23 =
j∈J
0.0341
ns 23 = = 0.3637
0.0937

j∈NS 24
ns 24 =
j∈J
0.0852
ns 24 = = 0.6064
0.14055
max ( tn32 − tn12 , tn33 − tn13 , tn34 − tn14 , tn35 − tn15 )

j∈NS31
ns31 =
j∈J
0.04685
ns31 = =1
0.04685
max ( tn31 − tn21 , tn35 − tn25 )

j∈NS32
ns32 =
j∈J
0.0937
ns32 = =1
0.0937
67
j∈NS34
ns34 =
j∈J
0.0531
ns34 = =1
0.0531
max ( tn41 − tn11 , tn45 − tn15 )

j∈NS 41
ns 41 =
j∈J
0.0937
ns 41 = =1
0.0937
max ( tn41 − tn21 , tn45 − tn25 )

j∈NS42
ns 42 =
j∈J
0.1405
ns 42 = =1
0.1405
max ( tn41 − tn31 , tn45 − tn35 )

j∈NS 43
ns 43 =
j∈J
0.0468
ns 43 = = 0.8794
0.0532
Tako da matrica nesaglasnosti glasi:
0 0,7329 0,0599 0,2274

1 0 0,3637 0,6064
MNS : =
1 1 0 1
1 1 0,8794 0
68
korak 6: Odre ivanje matrice saglasne dominacije MSD
Matrica saglasne dominacije odre uje se na osnovu vrednosti praga indeksa saglasnosti, koji
se može definisati kao prose ni indeks saglasnosti:
m m
s pr
p =1 r =1
PIS =
m(m − 1)
pri emu je p ≠ r.
Potom se formira matrica saglasne dominacije na osnovu slede eg kriterijuma:
msdpr = 1 za spr ≥ PIS
msdpr = 0 za spr < PIS
U ovom slu aju,
0 + 0.6 + 0.9 + 0.4 + 0.4 + 0 + 0.4 + 0.4 + 0.1 + 0.6 + 0 + 0.4 + 0.6 + 0.6 + 0.6 + 0 6
PIS = = = 0,50
4(4 − 1) 12
Tako da matrica saglasne dominacije glasi:
0 1 1 0
0 0 0 0
MSD : =
0 1 0 0
1 1 1 0
korak 7: Odre ivanje matrice nesaglasne dominacije MNSD
Matrica nesaglasne dominacije izra unava se analogno MSD; najpre se ra una prose an
indeks nesaglasnosti:
m m
ns pr
p =1 r =1
PINS =
m(m − 1)
pri emu je p ≠ r.
Potom se formira matrica nesaglasne dominacije na osnovu slede eg kriterijuma:
69
mnsdpr = 1 za nspr ≤ PINS
mnsdpr = 0 za nspr > PINS
U ovom slu aju je:
0 + 0.7329 + 0.0599 + 0.2274 + 1 + 0 + 0.3637 + 0.6064 + 1 + 1 + 0 + 1 + 1 + 1 + 0.8794 + 0

PINS = =
4(4 − 1)
8,9599
= = 0.7391
12
Tako da je matrica nesaglasne dominacije:
0 1 1 1
0 0 1 1
MNSD : =
0 0 0 0
0 0 0 0
korak 8: Odre ivanje matrice agregatne dominacije MAD
Elementi matrice agregatne dominacije jednaki su proizvodu elemenata na odgovaraju oj

poziciji u matricama saglasne i nesaglasne dominacije:
ad pr = sd pr ⋅ nsd pr
tako da, u ovom slu aju, matrica ima slede e vrednosti:
0 1 1 0
0 0 0 0
MAD : =
0 0 0 0
0 0 0 0
70
korak 9: Eliminisanje manje poželjnih akcija (“ → ” = “dominira”)
A1 A2 A3 A4
A1 0 1 1 0 A1 → A2, A3
A2 0 0 0 0 A2 ne dominira
Alternativa A1 dominira nad A2 i A3, dok ostale alternative (A2, A3 i A4) ne dominiraju, tako
da je alternativa A1 najprihvatljivija.
2. zadatak. Kompanija planira da promoviše svoj proizvod. Razmatraju se šest mogu ih

na ina reklamiranja: u internacionalnim novinama News, u novinama Herald, reklamiranje
putem bilborda postavljenim u ve im gradovima, putem pošte i emitovanjem TV spotova na
CMM ili NCB kanalu.
Svaki mogu i na in promocije proizvoda tj. svaka raspoloživa alternativa se ocenjuje na
osnovu 5 kriterijuma-atributa: cena (izražena u 1000 US$), veli ina ciljnog auditorijuma (
izražena kao x*10 000 primalaca poruke), trajanje promocije ( u danima), efikasnost (
izražena na skali 0-100) i broj angažovanih ljudi iz kompanije tokom promocije. Težinski
koeficijenti dodeljeni svakom atributu su redom: 12, 40, 12, 22, 14.
Primenom ELECTRE I metode odrediti najbolju alternativu.
Rešenje:
Tabela. Polazni podaci
C1 C2 C3 C4 C5
atribut Broj
Veli ina Trajanje
Cena Efikasnost angažovanih
auditorijuma promocije
osoba.
min/max min max max max min
News 60 900 22 51 8
Herald 30 520 31 13 1
Panels 40 650 20 58 2
Mailing 92 750 60 36 3
CMM 52 780 58 90 1
NCB 80 920 4 75 6
71
Polazna matrica
C1 C2 C3 C4 C5
Tip ekstrema min max max max min
A1 60 900 22 51 8
A2 30 520 31 13 1
A3 40 650 20 58 2
A4 92 750 60 36 3
A5 52 780 58 90 1
A6 80 920 4 75 6
Tez. koef. 0.12 0.40 0.12 0.22 0.14
korak 1: Izra unavanje normalizovane matrice odlu ivanja N
Najpre se ra unaju normalizovani elementi matrice odlu ivanja primenom formule:
x ij
n ij =
m
x ij2
j=1
gde je xij – vrednost akcije ai, i = 1,2, ...,m u odnosu na atribut j, kj, j = 1,2,...,n.
Tako da su:
x11 60
n11 = = = 0.39001
m
2 60 2 + 30 2 + 40 2 + 92 2 + 52 2 + 80 2
x ij
j =1
x12 900
n12 = = = 0.47969
m
900 + 520 + 650 2 + 750 2 + 780 2 + 920 2
2 2
xij2
j =1
x13 22
n13 = = = 0.23419
m
22 + 31 + 20 2 + 60 2 + 58 2 + 4 2
2 2
xij2
j =1
x14 51
n14 = = = 0.35064
m
2 51 + 13 + 58 + 36 2 + 90 2 + 75 2
2 2 2
x ij
j =1
72
x15 8
n15 = = = 0.74600
m
2 8 + 1 + 2 + 3 2 + 12 + 6 2
2 2 2
x ij
j =1
x 21 30
n 21 = = = 0.195
m
2 60 2 + 30 2 + 40 2 + 92 2 + 52 2 + 80 2
x ij
j =1
x 22 520
n 22 = = = 0.27715
m
2 900 + 520 + 650 2 + 750 2 + 780 2 + 920 2
2 2
x ij
j =1
x 23 31
n 23 = = = 0.32999
m
2 22 2 + 312 + 20 2 + 60 2 + 58 2 + 4 2
x ij
j =1
x 24 13
n 24 = = = 0.08938
m
51 + 13 + 58 + 36 2 + 90 2 + 75 2
2 2 2
xij2
j =1
x 25 1
n 25 = = = 0.09325
m
2 8 + 1 + 2 + 3 2 + 12 + 6 2
2 2 2
x ij
j =1
x31 40
n31 = = = 0.26000
m
2 60 2 + 30 2 + 40 2 + 92 2 + 52 2 + 80 2
x ij
j =1
x32 650
n32 = = = 0.34644
m
2 900 + 520 + 650 2 + 750 2 + 780 2 + 920 2
2 2
x ij
j =1
73
x33 20
n33 = = = 0.21290
m
2 22 + 31 + 20 2 + 60 2 + 58 2 + 4 2
2 2
x ij
j =1
x34 58
n34 = = = 0.39877
m
2 51 + 13 + 58 + 36 2 + 90 2 + 75 2
2 2 2
x ij
j =1
x35 2
n35 = = = 0.18650
m
2 8 + 1 + 2 + 3 2 + 12 + 6 2
2 2 2
x ij
j =1
x 41 92
n 41 = = = 0.59801
m
2 60 + 30 + 40 + 92 2 + 52 2 + 80 2
2 2 2
x ij
j =1
x 42 750
n 42 = = = 0.39974
m
2 900 2 + 520 2 + 650 2 + 750 2 + 780 2 + 920 2
x ij
j =1
x 43 60
n 43 = = = 0.63870
m
2 22 + 31 + 20 2 + 60 2 + 58 2 + 4 2
2 2
x ij
j =1
x 44 36
n 44 = = = 0.24751
m
2 51 + 13 + 58 + 36 2 + 90 2 + 75 2
2 2 2
x ij
j =1
x 45 3
n 45 = = = 0.27975
m
2 8 2 + 12 + 2 2 + 3 2 + 12 + 6 2
x ij
j =1
74
x51 52
n51 = = = 0.33800
m
2 60 + 30 + 40 + 92 2 + 52 2 + 80 2
2 2 2
x ij
j =1
x52 780
n52 = = = 0.41573
m
2 900 2 + 520 2 + 650 2 + 750 2 + 780 2 + 920 2
x ij
j =1
x53 58
n53 = = = 0.61741
m
2 22 + 31 + 20 2 + 60 2 + 58 2 + 4 2
2 2
x ij
j =1
x54 90
n54 = = = 0.61878
m
2 51 + 13 + 58 + 36 2 + 90 2 + 75 2
2 2 2
x ij
j =1
x55 1
n55 = = = 0.09325
m
2 8 2 + 12 + 2 2 + 3 2 + 12 + 6 2
x ij
j =1
x61 80
n61 = = = 0.52001
m
2 60 + 30 + 40 + 92 2 + 52 2 + 80 2
2 2 2
x ij
j =1
x62 920
n62 = = = 0.49035
m
2 900 2 + 520 2 + 650 2 + 750 2 + 780 2 + 920 2
x ij
j =1
x63 4
n63 = = = 0.04258
m
2 22 + 31 + 20 + 60 2 + 58 2 + 4 2
2 2 2
x ij
j =1
75
x64 75
n64 = = = 0.51565
m
2 51 + 13 + 58 + 36 2 + 90 2 + 75 2
2 2 2
x ij
j =1
Normalizovana matrica odlu ivanja glasi:
C1 C2 C3 C4 C5
A1 0.390 0.47969 0.23419 0.35064 0.746
A2 0.195 0.277 0.330 0.089 0.093
A3 0.260 0.346 0.213 0.399 0.187
A4 0.598 0.400 0.639 0.248 0.28
A5 0.338 0.416 0.617 0.619 0.093
A6 0.520 0.490 0.043 0.516 0.560
korak 2: Izra unavanje težinske normalizovane matrice odlu ivanja TN
Donosilac odluke aktivno u estvuje u proceduri rešavanja problema i odre uje preference,
odnosno težine korisni kih kriterijuma, posle ega se izra unava težinska normalizovana
matrica odlu ivanja.
TN = N ⋅ T
U ovom slu aju, matrica težinskih koeficijenata je:
T: = ( 0,12 0,40 0,12 0,22 0,14)
Zbir elemenata ovog vektora je jednak jedinici.
Tako da težinska normalizovana matrica odlu ivanja glasi:
C1 C2 C3 C4 C5
A1 0.047 0.192 0.028 0.077 0.104
A2 0.023 0.111 0.04 0.02 0.013
A3 0.031 0.139 0.026 0.09 0.026
A4 0.072 0.160 0.077 0.054 0.039
A5 0.041 0.166 0.074 0.136 0.013
A6 0.062 0.196 0.055 0.1134 0.078
76
korak 3: Odre ivanje skupova saglasnosti S i nesaglasnosti NS
U ovom koraku upore uju se parovi akcija p i r (p,r = 1,2,...,m i p ≠ r). Najpre se formira skup
saglasnosti Spr za akcije ap i ar, koji se sastoji od svih kriterijuma (J = {j|j=1,...,n}), za koje je
akcija ap poželjnija od akcije ar, odnosno:
Spr = {j | xpj ≥ xrj}
Ukoliko se radi o kriterijumu tipa minimizacije, znak jednakosti je suprotan.
Zatim se formira komplementaran skup nesaglasnosti:
NSpr = J - Spr = {j | xpj < xrj}
Akcija p Akcija r Skup saglasnosti Skup nesaglasnosti

1 2 2, 4, 1, 3, 5
1 3 2,3, 1,4,5
1 4 1,2,4, 3,5
1 5 2 1,3,4,5
1 6 1,3, 2,4,5
2 1 1,3,5 2, 4,
2 3 1,3,5 2,4
2 4 1,5 2,3,4
2 5 1,5 2,3,4,5
2 6 1,3,5 2,4
3 1 1,4,5 2,3
3 2 2,4 1,3,5
3 4 1,4,5 2,3
3 5 1 2,3,4,5
3 6 1,3,5 2,4
4 1 3,5 1,2,4
4 2 2,3,4 1,5
4 3 2,3 1,4,5
4 5 3 1,2,4,5
4 6 3,5 1,2,4
5 1 1,3,4,5 2
5 2 2,3,4,5 1
5 3 2,3,4,5 1
5 4 1,2,4,5 3
5 6 1,3,4,5 2
6 1 2,4,5 1,3
6 2 2,4 1,3,5
6 3 2,4 1,3,5
6 4 1,2,4 3,5
6 5 2 1,3,4,5
77
korak 4: Odre ivanje matrice saglasnosti MS
Matrica saglasnosti odre uje se na osnovu skupa saglasnosti. Elemente matrice ine indeksi
saglasnosti, ija je vrednost jednaka sumi težinskih koeficijenata koji odgovaraju
pripadaju im elementima skupova saglasnosti.
s pr = tj
j∈S pr
Za dati primer indeksi saglasnosti jednaki su:
S11=0
S12=t2+t4=0.40+0.22=0.62
S13=t2+t3=0.40+0.12=0.52
S14=t1+t2+t4=0.12+0.40+0.22=0.74
S15=t2=0.40
S16=t1+t3=0.12+0.12=0.24
S21=t1+t3+t5=0.12+0.12+0.14=0.38
S22=0
S23=t1+t3+t5=0.12+0.12+0.14=0.38
S24=t1+t5=0.12+0.14=0.26
S25=t1+t5=0.12+0.14=0.26
S26=t1+t3+t5=0.12+0.12+0.14=0.38
S31=t1+t4+t5=0.12+0.22+0.14=0.48
S32=t2+t4=0.40+0.22=0.62
S33=0
S34= t1+t4+t5=0.12+0.22+0.14=0.48
S35=t1=0.12
S36= t1+t3+t5=0.12+0.12+0.14=0.38
S41= t3+t5=0.12+0.14=0.26
S42=t2+t3+t4=0.40+0.12+0.22=0.74
S43= t2+t3=0.40+0.12=0.52
S44=0
S45=t3=0.12
S46= t3+t5=0.12+0.14=0.26
S51= t1+t3+t4+t5=0.12+0.12+0.22+0.14=0.60
S52= t2+t3+t4+t5=0.40+0.12+0.22+0.14=0.88
S53= t2+t3+t4+t5=0.40+0.12+0.22+0.14=0.88
S54= t1+t2+t4+t5=0.12+0.40+0.22+0.14=0.88
S55=0
S56= t1+t3+t4+t5=0.12+0.12+0.22+0.14=0.60
S61= t2+t4+t5=0.40+0.22+0.14=0.76
S62= t2+t4=0.40+0.22=0.62
S63= t2+t4=0.40+0.22=0.62
S64= t1+t2+t4=0.12+0.40+0.22=0.74
S65= t2=0.40
S66=0
78
Matrica saglasnosti:
A1 A2 A3 A4 A5 A6
A1 0 0.62 0.52 0.74 0.40 0.24
A2 0.38 0 0.38 0.26 0.26 0.38
A3 0.48 0.62 0 0.48 0.12 0.38
A4 0.26 0.74 0.52 0 0.12 0.26
A5 0.60 0.88 0.88 0.88 0 0.60
A6 0.76 0.62 0.62 0.74 0.40 0
korak 5: Odre ivanje matrice nesaglasnosti MNS
Matrica nesaglasnosti odre uje se na osnovu skupa nesaglasnosti. Elemente matrice ine
indeksi nesaglasnosti, koji se odre uju na osnovu formule:
max tn pj − tn rj
j∈NS pr
ns pr =
max tn pj − tn rj
j∈J
gde je tn – element težinske normalizovane matrice odlu ivanja.
max ( tn11 − tn 21 , tn13 − tn 23 , tn15 − tn 25 )

j∈NS12
ns12 =
max ( tn11 − tn 21 , tn12 − tn 22 , tn13 − tn 23 , tn14 − tn 24 , tn15 − tn 25 )
j∈J
ns12 = 1

j∈NS13
ns13 =
j∈J
ns13 = 1
max ( tn13 − tn 43 , tn15 − tn 45 )

j∈NS14
ns14 =
max ( tn11 − tn 41 , tn12 − tn 42 , tn13 − tn 43 , tn14 − tn 44 , tn15 − tn 45 )
j∈J
ns14 = 1
79
max ( tn11 − tn51 , tn13 − tn53 , tn14 − tn54 tn15 − tn55 )
j∈ NS15
ns15 =
j∈ J
ns15 = 1
max ( tn11 − tn51 , tn12 − tn62 , tn14 − tn64 tn15 − tn65 )

j ∈ NS16
ns16 =
j∈J
ns16 = 1
max ( tn22 − tn12 , tn 24 − tn14 )

j∈NS 21
ns 21 =
j∈J
ns 21 = 0.887
max ( tn22 − tn32 , tn24 − tn34 )

j∈NS 23
ns 23 =
j∈J
ns 23 = 1

j∈NS 24
ns 24 =
j∈J
ns 24 = 1

j∈ NS 25
ns25 =
j∈ J
ns 25 = 1
max ( tn22 − tn62 , tn24 − tn64 )

j∈NS26
ns26 =
j∈J
ns 26 = 1
80
max ( tn32 − tn12 , tn33 − tn13 )
j ∈ NS 31
ns31 =
j∈ J
ns 31 = 0.680
max ( tn31 − tn21 , tn33 − tn23 tn35 − tn25 )

j∈ NS 32
ns32 =
j∈ J
ns32 = 0.206
max ( tn32 − tn42 , tn33 − tn43 )

j∈ NS 34
ns34 =
j∈ J
ns34 = 1

j ∈ NS 35
ns35 =
j∈ J
ns35 = 1
max ( tn32 − tn62 , tn34 − tn64 )

j∈NS36
ns36 =
j∈J
ns36 = 1

j ∈ NS 41
ns41 =
j∈J
ns 41 = 0.490
max ( tn41 − tn21 , tn45 − tn25 )

j∈NS42
ns 42 =
j∈J
ns 42 = 0.986
81
j ∈ NS 43
ns43 =
j∈ J
ns 43 = 0.794
max ( tn41 − tn51 , tn42 − tn52 tn44 − tn54 tn45 − tn55 )

j∈NS45
ns45 =
j∈J
ns 45 = 1

j ∈ NS 46
ns46 =
j∈J
ns 46 = 0.825
max ( tn52 − tn12 )

j∈ NS 51
ns51 =
j∈ J
ns 51 = 0.280
max ( tn51 − tn21 )

j∈NS52
ns52 =
j∈J
ns52 = 0.147
max ( tn51 − tn31 )

j∈NS53
ns53 =
j∈J
ns53 = 0.193
max ( tn53 − tn43 )

j∈NS54
ns54 =
j∈J
ns54 = 0.031
max ( tn52 − tn62 )

j∈NS56
ns56 =
j∈J
82
ns56 = 0.433
max ( tn61 − tn11 , tn63 − tn13 )

j∈NS61
ns61 =
j∈J
ns 61 = 0.633

j ∈ NS 61
ns62 =
j∈J
ns 62 = 0.696

j∈NS61
ns63 =
j∈J
ns 63 = 0.907
max ( tn63 − tn43 , tn65 − tn45 )

j∈NS64
ns64 =
j∈J
ns 64 = 1
max ( tn61 − tn51 tn63 − tn53 , tn64 − tn54 , tn65 − tn5 )

j∈NS65
ns65 =
j∈J
ns 65 = 1
Matrica nesaglasnosti:
A1 A2 A3 A4 A5 A6
A1 0 1.00 1.000 1.000 1.000 1.000
A2 0.887 0 1.000 1.000 1.000 1.000
A3 0.680 0.206 0 1.000 1.000 1.000
A4 0.490 0.986 0.794 0 1.000 0.825
A5 0.280 0.147 0.193 0.031 0 0.433
A6 0.633 0.696 0.907 1.000 1.000 0
83
korak 6: Odre ivanje matrice saglasne dominacije MSD
Matrica saglasne dominacije odre uje se na osnovu vrednosti praga indeksa saglasnosti, koji
se može definisati kao prose ni indeks saglasnosti:
m m
s pr
p =1 r =1
PIS =
m(m − 1)
pri emu je p ≠ r.
Potom se formira matrica saglasne dominacije na osnovu slede eg kriterijuma:
msdpr = 1 za spr ≥ PIS
msdpr = 0 za spr < PIS
U ovom slu aju,
0 + 0.62 + 0.52 + 0.74 + 0.40 + 0.24 + 0.38 + 0 + 0.38 + ... + 0.74 + 0.40 + 0
PIS =
6(6 − 1)
15.14
= =0.505
30
Matrica saglasne dominacije:
A1 A2 A3 A4 A5 A6
A1 0 1 1 1 0 0
A2 0 0 0 0 0 0
A3 0 1 0 0 0 0
A4 0 1 1 0 0 0
A5 1 1 1 1 0 1
A6 1 1 1 1 0 0
korak 7: Odre ivanje matrice nesaglasne dominacije MNSD
Matrica nesaglasne dominacije izra unava se analogno MSD; najpre se ra una prose an
indeks nesaglasnosti:
m m
ns pr
p =1 r =1
PINS =
m(m − 1)
pri emu je p ≠ r.
84
Potom se formira matrica nesaglasne dominacije na osnovu slede eg kriterijuma:
mnsdpr = 1 za nspr ≤ PINS
mnsdpr = 0 za nspr > PINS
U ovom slu aju je:
0 + 1 + 1 + 1 + 1 + 1 + 0.887 + 0 + 1 + ..... + 0.907 + 1 + 1 + 0 21.712

PINS= = =0.724
6(6 − 1) 30
A1 A2 A3 A4 A5 A6
A1 0 0 0 0 0 0
A2 0 0 0 0 0 0
A3 1 1 0 0 0 0
A4 1 0 0 0 0 0
A5 1 1 1 1 0 1
A6 1 1 0 0 0 0
korak 8: Odre ivanje matrice agregatne dominacije MAD
Elementi matrice agregatne dominacije jednaki su proizvodu elemenata na odgovaraju oj

poziciji u matricama saglasne i nesaglasne dominacije:
ad pr = sd pr ⋅ nsd pr
tako da, u ovom slu aju, matrica ima slede e vrednosti:
Matrica agregatne dominacije

a1 0 0 0 0 0
0 a2 0 0 0 0
0 1 a3 0 0 0
0 0 0 a4 0 0
1 1 1 1 a5 1
1 1 0 0 0 a6
a1 ne dominira ni nad jednom akcijom

a3 dominira nad: a2
a5 dominira nad akcijama: a1, a2, a3, a4, a6
a6 dominira nad akcijama: a1, a2 Najbolja akcija: a5
85
Metodi PROMETHEE I-IV
Metod PROMETHEE (Preference Ranking Organization METHod for Enrichment

Evaluation) razvili su Brans i saradnici (1984.). U odnosu na ostale metode iz ove oblasti,
PROMETHEE ima niz prednosti, kao što su izuzetna jednostavnost, ekonomski zna aj
koriš enih parametara, i potpuno odsustvo prate ih efekata rangiranja.
U ovaj metod autori su uveli tzv. “opšte” kriterijume, jer su na osnovu iskustva došli do
zaklju ka da se oni mogu koristiti pri rešavanju ve ine realnih problema višeatributivnog
odlu ivanja. Dodelili su im odgovaraju e funkcije P(x), i definisali broj i vrstu parametara
koje je potrebno definisati u konkretnoj situaciji (tabela 47).
Primer: Za potrebe objašnjenja primene metoda PROMETHEE posluži e napred dati primer.
1. zadatak. Kupac privatnog automobila je u situaciji da bira izme u etiri modela: a1, a2, a3 i
a4. Izbor e izvršiti koriste i slede e kriterijume:
A1 – maksimalna brzina (km/h)
A2 – potrošnja goriva (milja/galonu, pa se zato maksimizira)
A6 – sposobnost manevrisanja (kvalitativna ocena)
Po etna matrica odlu ivanja ima oblik:
Koriste i pristup tzv. bipolarnih skala, a za opseg skale od 0 do 10, gde je 1 – vrlo nizak nivo,
3 – nizak, 5 – srednji (prose-ni), 7 – visok, i 9 – vrlo visok nivo, matrica odlu ivanja je u
potpunosti kvantifikovana:
86
korak 1: Definisanje tipa, parametara i težina kriterijuma
Donosioc odluke aktivno u estvuje u proceduri rešavanja problema i odre uje tipove opšteg
kriterijuma, parametre i težine korisni kih kriterijuma.
U ovom slu aju, donosilac odluke je izabrao slede e parametre:
87
Tabela 17.
88
korak 2: Odre ivanje funkcija preferencije Pj(ai, as)
Funkcija preferencije odre uje se na osnovu razlike vrednosti kriterijuma odre ene alternative
ai sa ostalim alternativama as, i, s = 1,2,3,4, razmatraju i svaki kriterijum kj, j = 1,…,6.
89
korak 3: Odre ivanje indeksa preferencija IPj(ai, as)
Indeks preferencije za razmatrani par akcija (ai, as) jednak je sumi proizvoda težine
kriterijuma i vrednosti funkcije preferencije:
U ovom slu aju, indeksi preferencija jednaki su:
90
korak 4: Odre ivanje ulaznih i izlaznih tokova akcija
Za odre ivanje ulaznog toka akcije koristi se izraz:
U ovom slu aju, ulazni tokovi jednaki su:
Za odre ivanje izlaznog toka akcije koristi se izraz:
91
Tako da su izlazni tokovi jednaki:
korak 5: Odre ivanje parova potpunih poredaka
Odre ivanje parova potpunih poredaka vrši se na osnovu slede ih nejedna na i jedna ina:
U ovom slu aju,
92
93
korak 6: Odre ivanje parcijalnih poredaka svih akcija ( PI, II, R)
Za razmatrani par akcija (ai, as) važi:
Akcija ai ima viši rang od as, odnosno, (ai PI as) ako:
Akcije ai i as su indiferentne (ai II as) ako:
Akcije ai i as nisu uporedive (ai R as) u svim ostalim slu ajevima.
94
U ovom slu aju,
95
korak 7: Odre ivanje matrice viših rangova
Matricu viših rangova ine elementi 1 i 0 koji zadovoljavaju uslov:
e = 1 za ai PI as, tj. ai ima viši rang od as
e = 0, u suprotnom
Tako da je matrica viših rangova za dati primer:
96
Iz matrice viših rangova vidi se slede e:
a1 (a2, a3, a4), tj. akcija a1 dominira nad akcijama a2, a3 i a4
a2 ne dominira
a3 a2, tj. akcija a3 dominira nad akcijom a2
a4 (a2, a3), tj. akcija a4 dominira nad akcijama a2 i a3
korak 8: Konstrukcija grafa višeg ranga

Na slici 15. prikazan je graf višeg ranga po metodu PROMETHEE I.
Slika 3. Graf višeg ranga po metodu PROMETHEE I
PROMETHEE II
korak 9: Odre ivanje istih tokova akcija
U ovom koraku ra una sa razlika ulaznog i izlaznog toka svake od akcija.
korak 10: Rangiranje akcija prema veli ini istih tokova
97
Na slici 4. prikazan je graf višeg ranga po metodu PROMETHEE II.
Slika 4. Graf višeg ranga po metodu PROMETHEE II

O igledno je da akcija a1 dominira nad svim ostalim akcijama.
2. zadatak. Kompanija planira da promoviše svoj proizvod. Razmatraju se šest mogu ih

na ina reklamiranja: u internacionalnim novinama News, u novinama Herald, reklamiranje
putem bilborda postavljenim u ve im gradovima, putem pošte i emitovanjem TV spotova na
CMM ili NCB kanalu.
Svaki mogu i na in promocije proizvoda tj. svaka raspoloživa alternativa se ocenjuje na
osnovu 5 kriterijuma-atributa: cena (izražena u 1000 US$), veli ina ciljnog auditorijuma (
izražena kao x*10 000 primalaca poruke), trajanje promocije ( u danima), efikasnost (
izražena na skali 0-100) i broj angažovanih ljudi iz kompanije tokom promocije. Težinski
koeficijenti dodeljeni svakom atributu su redom: 12, 40, 12, 22, 14.
Primenom PROMETHEE II metode izvršiti rangiranje alternativa. Za svaki kriterijum
koristiti obi nu funkciju preferencije tj. obi an kriterijum (tip. I).
98
Tabela. 18. Polazni podaci
C1 C2 C3 C4 C5
atribut Broj
Veli ina Trajanje
Cena Efikasnost angažovanih
auditorijuma promocije
osoba.
min/max min max max max min
News 60 900 22 51 8
Herald 30 520 31 13 1
Panels 40 650 20 58 2
Mailing 92 750 60 36 3
CMM 52 780 58 90 1
NCB 80 920 4 75 6
Rešenje:
korak 1: Definisanje tipa, parametara i težina kriterijuma
Polazna tabela:
C1 C2 C3 C4 C5
Tip ekstrema min max max max min
a1 60 900 22 51 8
a2 30 520 31 13 1
a3 40 650 20 58 2
a4 92 750 60 36 3
a5 52 780 58 90 1
a6 80 920 4 75 6
Tez. koef. 0.12 0.40 0.12 0.22 0.14
- obi na funkcija preferencije tj. obi an kriterijum (tip. I):
-broj parametara koje treba definisati u slu aju obi nog kriterijuma: 0
-težine kriterijuma su date u tekstu zadatka.
99
korak 2: Odre ivanje vrednosti funkcija preferencije Pj(ai, as) za svaki par akcija po
svakom kriterijumu
kj ai as x=kj(ai)-kj(as) Pj(ai,as)
2 60-30=30 0
3 60-40=20 0
k1
4 60-92=-32 1
tip 1(min)
5 60-52=8 0
6 60-80=-20 1
2 900-520=380 1
3 900-650=250 1
k2
4 900-750=150 1
tip 1
5 900-780=120 1
6 900-920=-20 0
2 22-31=-9 0
3 22-20=2 1
K3
1 4 22-60=-38 0
tip 1
5 22-58=-36 0
6 22-4=18 1
2 51-13=38 1
3 51-58=-7 0
K4
4 51-36=15 1
tip 1
5 51-90=-39 0
6 51-75=-24 0
2 8-1=7 0
3 8-2=6 0
K5
4 8-3=5 0
tip 1 (min)
5 8-1=7 0
6 8-6=2 0
100
kj ai as X=kj(ai)-kj(as) Pj(ai,as)
1 30-60=-30 1
3 30-40=-10 1
k1
4 30-92=-62 1
tip 1(min)
5 30-52=-22 1
6 30-80=-50 1
1 520-900=-380 0
3 520-650=-130 0
k2
4 520-750=-230 0
tip 1
5 520-780=-260 0
6 520-920=-400 0
1 31-22=9 1
3 31-20=11 1
K3
2 4 31-60=-29 0
tip 1
5 31-58=-27 0
6 31-4=27 1
1 13-51=-38 0
3 13-58=-45 0
K4
4 13-36=-23 0
tip 1
5 13-90=-77 0
6 13-75=-62 0
1 1-8=-7 1
3 1-2=-1 1
K5
4 1-3=-2 1
tip 1 (min)
5 1-1=0 1
6 1-6=-5 1
101
1 40-60=-20 1
2 40-30=10 0
k1
4 40-92=-52 1
tip 1(min)
5 40-52=-12 1
6 40-80=-40 1
1 650-900=-250 0
2 650-520=130 1
k2
4 650-750=-100 0
tip 1
5 650-780=-130 0
6 650-920=-270 0
1 20-22=-2 0
2 20-31=-11 0
K3
3 4 20-60=-40 0
tip 1
5 20-58=-38 0
6 20-4=16 1
1 58-51=7 1
2 58-13=45 1
K4
4 58-36=22 1
tip 1
5 58-90=-32 0
6 58-75=-17 0
1 2-8=-6 1
2 2-1=1 0
K5
4 2-3=-1 1
tip 1 (min)
5 2-1=1 0
6 2-6=-4 1
102
1 92-60=32 0
2 92-30=62 0
k1
3 92-40=52 0
tip 1(min)
5 92-52=40 0
6 92-80=12 0
1 750-900=-150 0
2 750-520=230 1
k2
3 750-650=100 1
tip 1
5 750-780=-30 0
6 750-920=-170 0
1 60-22=38 1
2 60-31=29 1
K3
4 3 60-20=40 1
tip 1
5 60-58=2 1
6 60-4=56 1
1 36-51=-15 0
2 36-13=23 1
K4
3 36-58=-22 0
tip 1
5 36-90=-54 0
6 36-75=-39 0
1 3-8=-5 1
2 3-1=2 0
K5
3 3-2=1 0
tip 1 (min)
5 3-1=2 0
6 3-6=-3 1
103
1 52-60=-8 1
2 52-30=22 0
k1
3 52-40=12 0
tip 1(min)
4 52-92=-40 1
6 52-80=-28 1
1 780-900=-120 0
2 780-520=260 1
k2
3 780-650=130 1
tip 1
4 780-750=30 1
6 780-920=-140 0
1 58-22=36 1
2 58-31=27 1
K3
5 3 58-20=38 1
tip 1
4 58-60=-2 0
6 58-4=54 1
1 90-51=39 1
2 90-13=77 1
K4
3 90-58=32 1
tip 1
4 90-36=54 1
6 90-75=15 1
1 1-8=-7 1
2 1-1=0 1
K5
3 1-2=-1 1
tip 1 (min)
4 1-3=-2 1
6 1-6=-5 1
104
1 80-60=20 0
2 80-30=50 0
k1
3 80-40=40 0
tip 1(min)
4 80-92=-12 1
5 80-52=28 0
1 920-900=20 1
2 920-520=400 1
k2
3 920-650=270 1
tip 1
4 920-750=170 1
5 920-780=140 1
1 4-22=-18 0
2 4-31=-27 0
K3
6 3 4-20=-16 0
tip 1
4 4-60=-56 0
5 4-58=-54 0
1 75-51=24 1
2 75-13=62 1
K4
3 75-58=17 1
tip 1
4 75-36=39 1
5 75-90=-15 0
1 6-8=-2 1
2 6-1=5 0
K5
3 6-2=4 0
tip 1 (min)
4 6-3=3 0
5 6-1=5 0
korak 3: Odre ivanje indeksa preferencija IPj(ai, as)

Indeks preferencije za razmatrani par akcija (ai, as) jednak je sumi proizvoda težine
kriterijuma i vrednosti funkcije preferencije:
U ovom slu aju, indeksi preferencija jednaki su:
IP(a1,a2)=0.12*0+0.40*1+0.12*0+0.22*1+0.14*0=0.62
IP(a1,a3)=0.12*0+0.40*1+0.12*1+0.22*0+0.14*0=0.52
IP(a1,a4)=0.12*1+0.40*1+0.12*0+0.22*1+0.14*0=0.74
IP(a1,a5)=0.12*0+0.40*1+0.12*0+0.22*0+0.14*0=0.4
IP(a1,a6)=0.12*1+0.40*0+0.12*1+0.22*0+0.14*0=0.24
105
IP(a2,a1)= 0.12*1+0.40*0+0.12*1+0.22*0+0.14*1=0.38
IP(a2,a3)= 0.12*1+0.40*0+0.12*1+0.22*0+0.14*1=0.38
IP(a2,a4)= 0.12*1+0.40*0+0.12*0+0.22*0+0.14*1=0.26
IP(a2,a5)= 0.12*1+0.40*0+0.12*0+0.22*0+0.14*1=0.26
IP(a2,a6)= 0.12*1+0.40*0+0.12*1+0.22*0+0.14*1=0.38
IP(a3,a1)= 0.12*1+0.40*0+0.12*0+0.22*1+0.14*1=0.48
IP(a3,a2)= 0.12*0+0.40*1+0.12*0+0.22*1+0.14*0=0.62
IP(a3,a4)= 0.12*1+0.40*0+0.12*0+0.22*1+0.14*1=0.48
IP(a3,a5)= 0.12*1+0.40*0+0.12*0+0.22*0+0.14*0=0.12
IP(a3,a6)= 0.12*1+0.40*0+0.12*1+0.22*0+0.14*1=0.38
IP(a4,a1)= 0.12*0+0.40*0+0.12*1+0.22*0+0.14*1=0.26
IP(a4,a2)= 0.12*0+0.40*1+0.12*1+0.22*1+0.14*0=0.74
IP(a4,a3)= 0.12*0+0.40*1+0.12*1+0.22*0+0.14*0=0.52
IP(a4,a5)= 0.12*0+0.40*0+0.12*1+0.22*0+0.14*0=0.12
IP(a4,a6)= 0.12*0+0.40*0+0.12*1+0.22*0+0.14*1=0.26
IP(a5,a1)= 0.12*1+0.40*0+0.12*1+0.22*1+0.14*1=0.6
IP(a5,a2)= 0.12*0+0.40*1+0.12*1+0.22*1+0.14*1=0.88
IP(a5,a3)= 0.12*0+0.40*1+0.12*1+0.22*1+0.14*1=0.88
IP(a5,a4)= 0.12*1+0.40*1+0.12*0+0.22*1+0.14*1=0.88
IP(a5,a6)= 0.12*1+0.40*0+0.12*1+0.22*1+0.14*1=0.6
IP(a6,a1)= 0.12*0+0.40*1+0.12*0+0.22*1+0.14*1=0.76
IP(a6,a2)= 0.12*0+0.40*1+0.12*0+0.22*1+0.14*0=0.62
IP(a6,a3)= 0.12*0+0.40*1+0.12*0+0.22*1+0.14*0=0.62
IP(a6,a4)= 0.12*1+0.40*1+0.12*0+0.22*1+0.14*0=0.74
IP(a6,a5)= 0.12*0+0.40*1+0.12*0+0.22*0+0.14*0=0.4
a1 a2 a3 a4 a5 a6
a1 0 0.62 0.52 0.74 0.4 0.24
a2 0.38 0 0.38 0.26 0.26 0.38
a3 0.48 0.62 0 0.48 0.12 0.38
a4 0.26 0.74 0.52 0 0.12 0.26
a5 0.6 0.88 0.88 0.88 0 0.6
a6 0.76 0.62 0.62 0.74 0.4 0
106
korak 4: Odre ivanje ulaznih i izlaznih tokova akcija
Za odre ivanje ulaznog toka akcije koristi se izraz:
0 + 0.62 + 0.52 + 0.74 + 0.4 + 0.24

T+(a1)= =0.50
6 −1
0.38 + 0 + 0.38 + 0.26 + 0.26 + 0.38

T+(a2)= =0.33
6 −1
0.48 + 0.62 + 0 + 0.48 + 0.12 + 0.38

T+(a3)= =0.42
6 −1
0.26 + 0.74 + 0.52 + 0 + 0.12 + 0.26

T+(a4)= =0.38
6 −1
0.6 + 0.88 + 0.88 + 0.88 + 0 + 0.6

T+(a5)= =0.77
6 −1
0.76 + 0.62 + 0.62 + 0.74 + 0.4 + 0

T+(a6)= =0.63
6 −1
Za odre ivanje izlaznog toka akcije koristi se izraz:
Tako da su izlazni tokovi jednaki:
0 + 0.38 + 0.48 + 0.26 + 0.6 + 0.76

T-(a1)= =0.50
6 −1
0.62 + 0 + 0.62 + 0.74 + 0.88 + 0.62

T-(a2)= =0.70
6 −1
107
0.52 + 0.38 + 0 + 0.52 + 0.88 + 0.62
T-(a3)= =0.58
6 −1
0.74 + 0.26 + 0.48 + 0 + 088 + 0.74

T-(a4)= =0.62
6 −1
0.4 + 0.26 + 0.12 + 0.12 + 0 + 0.4

T-(a5)= =0.26
6 −1
0.24 + 0.38 + 0.38 + 0.26 + 0.6 + 0

T-(a6)= =0.37
6 −1
Odre ivanje istih tokova akcija

U ovom koraku ra una sa razlika ulaznog i izlaznog toka svake od akcija.
T+ T- T
a1 0.50 0.50 0
a2 0.33 0.70 -0.37
a3 0.42 0.58 -0.16
a4 0.38 0.62 -0.24
a5 0.77 0.26 0.51
a6 0.63 0.37 0.26
Redosled alternativa: a5, a6, a1, a3, a4, a2 (CMM, NCB, News, Panels, Mailing, Herald)
108
Metod AHP
Metod analiti kih hijerarhijskih procesa (AHP), koji je razvio Saaty po etkom sedamdesetih
godina prošlog veka, koristi se za rešavanje kompleksnih problema odlu ivanja u kojima u-
estvuje ve i broj donosilaca odluke, ve i broj kriterijuma i u višestrukim vremenskim
periodima.
Metod se zasniva konceptu balansa koji se koristi za odre ivanje sveukupne relativne
zna ajnosti skupa atributa, aktivnosti ili kriterijuma analiziranog problema odlu ivanja. To se
postiže strukturiranjem bilo kog kompleksnog problema odlu ivanja u ve i broj hijerarhijskih
nivoa, dodeljivanjem težina u obliku serije matrica pore enja parova. Tako posmatran, metod
AHP ima etiri faze:
• strukturiranje problema,
• prikupljanje podataka,
• ocenjivanje relativnih težina, i
• odre ivanje rešenja problema.
Prvu fazu, strukturiranje problema, ini rastavljanje kompleksnog problema odlu ivanja na
niz hijerarhija, gde svaki nivo predstavlja manji broj upravljivih atributa. Oni se potom
rastavljaju u drugi skup elemenata koji odgovara slede em nivou, itd.
Druga faza ovog metoda obuhvata prikupljanje podataka i njihovu evaluaciju na svim
nivoima celokupne hijerarhije. Me usobno ocenjivanje alternativa i kriterijuma (atributa) se
vrši dodeljivanjem težina primenom tzv. skale devet ta aka, koja je data u narednoj tabeli.
113
Tabela 50. Skala devet ta aka
Donosioc odluke dodeljuje težine svakom paru posebno, kao meru koliko je jedan par atributa
zn ajniji od drugog. Ukoliko raspolaže objektivnim podacima, može ih koristiti pri
dodeljivanju težina, u suprotnom, koristi sopstvene procene i informacije. Kao rezultat dobiva
se odgovaraju a matrica upore ivanja po parovima koja odgovara svakom nivou hijerarhije.
Tre a i etvrta faza metoda AHP su isto matemati ke, i bi e objašnjene na primeru.
114
Primer: Primena metoda AHP bi e objašnjena na prethodnom primeru.
Hijerarhijska struktura problema prikazana je na narednoj slici.
Slika 20 . Hijerarhijska struktura problema izbora automobila
Ukoliko se atributi na prvom nivou ozna e:

A1 – maksimalna brzina (km/h)
A2 – potrošnja goriva (l/100 km)
A6 – sposobnost manevrisanja (kvalitativna ocena)
Kupac najpre treba da izvrši upore ivanje zna aja pojedinih atributa (kriterijuma) saglasno
skali definisanoj tabelom 50. Njegove procene i prioriteti su prikupljeni u cilju izbora
115
automobila i dati u slede oj matrici:
Vrednosti u zagradi predstavljaju ustvari invertvovani odnos preferencija, tako da (3.0) na

preseku A1 i A2 ima stvarnu vrednost 1/3, koja se koristi pri prora unu.
NIVO I
korak 1: Prerada matrice upore ivanja težina u parovima na osnovu po etne matrice
odlu ivanja skale od devet ta aka
Vrednosti u zagradi predstavljaju invertovani odnos preferencija, tako da (3.0) u preseku A1 i
A2 ima realnu vrednost 1/3, koja se koristi pri prora unu.
korak 2: Prora un suma elemenata kolone
116
korak 3: Prora un koli nika elemenata kolona sa sumom odgovaraju e kolone
Podeliti elemente svake kolone sa sumom vrednosti te kolone, koja je dobivena u prethodnom
koraku.
korak 4: Prora un normalizovanog sopstvenog vektora
Vrednosti u koloni su sume elemenata po redovima, a u zadnjoj koloni t su odgovaraju e
srednje vrednosti reda (podaci u pretposlednjoj koloni dele se brojem kriterijuma). Poslednja
kolona predstavlja normalizovani sopstveni vektor.
Kona ni prioritet za nivo I

A5 0.3526
A4 0.3441
A2 0.1350
A1 0.0736
A6 0.0587
A3 0.0360
NIVO II
Donosioc odluke procenjuje sva etiri tipa automobila u odnosu na svaki kriterijum
pojedina no, odnosno izra unava u eš e svake alternative pojedina no u okviru posmatranog
kriterijuma.
Atribut A1
Matrica upore ivanja u odnosu na atribut A1
117
Prera ena matrica upore ivanja težina u parovima
Prora un sopstvenog vektora odgovaraju ih sopstvenih vrednosti
Kona ni prioritet u odnosu na atribut A1

B2 0.5114
B3 0.2575
B1 0.1511
B4 0.0800
Atribut A2
118
B4 0.4348
B1 0.3593
B3 0.1485
B2 0.0574
Atribut A3

B4 0.4514
B1 0.3352
B3 0.1489
B2 0.0645
119
Atribut A4

B4 0.4472
B1 0.3432
B3 0.1427
B2 0.0670
Atribut A5
120

B2 0.4609
B1 0.3592
B3 0.1275
B4 0.0524
Atribut A6
121
B3 0.5989
B2 0.1982
B1 0.1109
B4 0.0919
NIVO III
Sveukupna sinteza problema izbora automobila jednaka je zbiru proizvoda težine u okviru
posmatranog kriterijuma, razmatraju i sve kriterijume.
Matemati ki prora un za sve alternative realizuje se na slede i na in:
Ukupni prioriteti u odnosu na globalni cilj (kompozitni normalizovani vektor):

B1 0.3229
B4 0.2586
B2 0.2449
B3 0.1736
Tako da je sveukupna sinteza problema izbora automobila:
Na osnovu dobivenih rezultata o igledno je najbolji automobil B1; analogan rezultat dobiven
je primenom metoda ELECTRE i PROMETHEE I i II.
122
1. zadatak. Pet firmi: A,B,C,D i E se prijavilo na konkurs u cilju dobijanja odre enog posla.
Rangiranje firmi e se izvršiti uzimaju i u obzir slede e faktore: dosadašnje iskustvo,
finansijsko stanje, kvalitet izvedenih radova, radna snaga, oprema, projekti u toku. Primenom
AHP metode izvršiti rangiranje prijavljenih firmi.
Tabela 51. Polazni podaci
kriterijum Firma A Firma B Firma C Firma D Firma E

8 godina
bez sli nih 15 godina
5 godina 7 godina 10 godina
Iskustvo 2 sli na projekta 1 sli an projekat
projekta
2 sli na projekta
bez sli nih
1 me unarodni projekata
projekat
-Prihodi 11 mil.
-Prihodi 10 mil.
-Prihodi 7 mil. $ -Prihodi 14 mil. $
$ -Prihodi 6 mil. $
-Visoka stopa $ -Dugovi 4 mil.
Finansijsko -deo koperacije -Dugovi 1.5
razvoja -Dugovi 6 mil. $
stanje -bez dugova
-Dugovi 5.5
$ -dobri odnosi sa
mil. $
mil. $
bankama
-Prose na
Kvalitet -Loša organiz.
-Dobra organiz. organiz. -Dobra organiz. -Dobra organiz.
-1 projekat
izvedenih -dobra -2 zaostala -dobra -dobra
prekinut
radova reputacija projekta reputacija reputacija
100 radnika 120 radnika 90 radnika 40 radnika

Radna snaga 150 radnika
200 najamnika 130 najamnika 260 najamnika
-2 mikser
-4 mikser -2 mikser -4 mikser
-6 mikser mašine
mašine mašine mašine
mašine -10 pomo nih
Oprema -1 bager
-1 bager
-1 bager -1 bager
mašina
-15 pomo nih -20 pomo nih -9 pomo nih
-1 buldožer
mašina mašina mašina
-1 zapo eti -2 velika
-1 veliki -zapo eta 2
projekat srednje projekta pri
projekat pri -2 projekta pri manja projekta
Projekti u veli ine kraju
kraju kraju (1 veliki i -3 projekta pri
toku -2 na sredini (1 1 srednji)
-2 projekta pri -1 projekat
kraju (1 manja i
kraju (1 veliki i srednje veli ine
mali i 1 srednji) i 1 srednji)
1 srednji) u toku
123
Rešenje:
Na narednoj slici je prikazana hijerarhijska struktura problema:
Slika 21. Hijerarhijska struktura problema izbora firme
Tabela predstavlja tabelu-matricu me usobnog upore ivanja alternativa po prvom

kriterijumu-iskustvu :
Tabela 52. Me usobno upore ivanja alternativa po kriterijumu »iskustvo«
Iskustvo A B C D E
A 1 (3) (2) (6) 2
B 1 2 (2) 4
C 1 (3) 3
D 1 7
E 1
korak 1: Prerada matrice upore ivanja težina u parovima na osnovu po etne matrice
odlu ivanja skale od devet ta aka
Vrednosti u zagradi predstavljaju invertovani odnos preferencija, tako da (3.0) u preseku A i
B ima realnu vrednost 1/3, koja se koristi pri prora unu:
Tabela 53.
Iskustvo A B C D E
A 1 1/3 1/2 1/6 2
B 3 1 2 1/2 4
C 2 1/2 1 1/3 3
D 6 2 3 1 7
E 1/2 1/4 1/3 1/7 1
= 12.5 4.083 6.833 2.143 17
Vrednosti vektora prioriteta su prikazane u poslednjoj koloni tabele 54. Vrednosti u ostalim
elijama tabele su dobijene deljenjem odgovaraju e vrednosti iz prethodne tabele sa sumom
124
odgovaraju e kolone ( pr. 0.08=1/12.5).
Tabela 54.
Vektor
Iskustvo A B C D E
prioriteta
A 0.08 0.082 0.073 0.078 0.118 0.086
B 0.24 0.245 0.293 0.233 0.235 0.249
C 0.16 0.122 0.146 0.155 0.176 0.152
D 0.48 0.489 0.439 0.466 0.412 0.457
E 0.04 0.061 0.049 0.066 0.059 0.055
=0.999
Vektor prioriteta se odre uje na osnovu srednjih vrednosti iz svakog pojedina nog reda
tabele, tako da je vrednost 0.086 dobijena kao:
0.086=(0.08+0.082+0.073+0.078+0.115)/5
Analogno se ra unaju i druge vrednosti vektora prioriteta tako da on, za slu aj kriterijuma
»iskustvo« ima slede i oblik:
0.086
0.249
0.152
0.457
0.055
Indeks konzistetnosti (consistency index IC) kao mera konzistetnosti odstupanja n od λmax se
može izra unati na slede i na in:
125
Indeks konzistentnosti (consistency index IC) se, zatim, ra una kao:
Na osnovu vrednosti datih u tabeli odre ujemo prose nu slu ajnu konzistentnost (avarage
random consistency RI), koja u ovom slu aju (za matricu tj. tabelu dimenzija 5X5 ) iznosi
1.12.
Tabela 55. Vrednosti RI u funkciji od veli ine matrice
Veli ina
1 2 3 4 5 6 7 8 9 10
matrice
RI 0 0 0.58 0.9 1.12 1.24 1.32 1.41 1.45 1.49
Tada je odnos konzistentnosti (consistency ratio CR):
Kako je CR=0.0082<0.1 uzima se da su procene konzistentne.

Na identi an na in su odre eni i vektori proriteta za ostale kriterijume. Rezultati su prikazani
u narednim tabelama:
Kvalitet Vektor
A B C D E
radova prioriteta
A 1 7 1/3 2 8 0.269
B 1/7 1 1/5 1/4 4 0.074
C 3 5 1 4 9 0.461
D 1/2 4 1/4 1 6 0.163
E 1/8 1/4 1/9 1/6 1 0.031
=0.998
126
Finansijska Vektor
A B C D E
stabilnost prioriteta
A 1 6 3 2 7 0.425
B 1/6 1 1/4 1/2 3 0.088
C 1/3 4 1 1/3 5 0.178
D ½ 2 3 1 7 0.268
E 1/7 1/3 1/5 1/7 1 0.039
=0.998
Radna Vektor
A B C D E
snaga prioriteta
A 1 1/2 1/4 2 5 0.151
B 2 1 1/3 5 7 0.273
C 4 3 1 4 6 0.449
D 1/2 1/5 1/4 1 2 0.081
E 1/5 1/7 1/6 1/2 1 0.045
=0.999
Vektor
Oprema A B C D E
prioriteta
A 1 1/6 1/8 2 3 0.084
B 6 1 1/4 5 7 0.264
C 8 4 1 9 9 0.556
D 1/2 1/5 1/9 1 2 0.057
E 1/3 1/7 1/9 1/2 1 0.038
=0.999
Projekti u Vektor
A B C D E
toku prioriteta
A 1 1/5 1/3 3 3 0.144
B 5 1 5 6 6 0.537
C 3 1/5 1 2 2 0.173
D 1/3 1/6 1/2 1 2 0.084
E 1/3 1/6 1/2 1/2 1 0.062
=0.999
Pored odgovaraju ih tabela-matrica me usobnog upore ivanja alternativa po svakom od

izabranih kriterijuma, u cilju primene AHP metode, potrebno je formirati tabelu me usobnog
pore enja kriterijuma. U tu svrhu ponovo koristimo skalu devet ta aka (tabela 50 ).
127
Tabela 56. Tabela me usobnog upore ivanja kriterijuma
Iskustvo Finansijska Kvalitet Radna Oprema Projekti u Vektor

stabilnost radova snaga toku prioriteta
Iskustvo 1 2 3 6 6 5 0.372
Finansijska 1/2 1 3 6 6 5 0.293
stabilnost
Kvalitet 1/3 1/3 1 4 4 3 0.156
radova
Radna snaga 1/6 1/6 1/4 1 2 1/2 0.053
Oprema 1/6 1/6 1/4 1/2 1 1/4 0.039
Projekti u 1/5 1/5 1/3 4 4 1 0.087
toku
=1
Ukupni prioriteti u odnosu na globalni cilj (kompozitni normalizovani vektor) su:
Za firmu A:
Za firmu B:
Za firmu C:
Za firmu D:
128
Za firmu E:
Tabela 57. Ukupni prioriteti
Finansijska Kvalitet Radna Oprema Projekti u

Iskustvo Ukupni
stabilnost radova snaga (0.039) toku
(0.372) prioritet
(0.293) (0.156) (0.053) (0.087)
A 0.086 0.425 0.269 0.151 0.084 0.144 0.222
B 0.249 0.088 0.074 0.273 0.264 0.537 0.201
C 0.152 0.178 0.461 0.449 0.556 0.173 0.241
D 0.457 0.268 0.163 0.081 0.057 0.084 0.288
E 0.055 0.039 0.031 0.045 0.038 0.062 0.046
Na osnovu vrednosti ukupnog prioriteta pojedinih konkurentskih firmi zaklju ujemo da je

redosled alternativa dobijen primenom AHP metode: D, C, A, B, E.
129
Primer: Određivanje vrednosti automobila
Kompanija Sell-a-car bavi se prodajom polovnih automobila i želi da kupi vozilo na javnoj
licitaciji Vlade za prodaju službenih vozila. Generalni direktor je odlučio da razmatra potrošnju i
pouzdanost automobila, gde se potrošnja gleda u potrošenim litrima na 100 kilometara a
pouzdanost kao broj kvarova na 100000 kilometara. Nakon razgledanja izdvojio je četiri
automobila koja su prikazana u tabeli ispod.
Automobil Potrošnja Pouzdanost

VW 9 8
Dacia 12 14
BMW 9 5
Volvo 15 0
Generalni direktor želi da iskaže svoje znanje te kaže da je potrošnja mala ako automobil troši do
3 litra na 100 kilometara, ali da smatra i delimično malom potrošnjom ako automobil troši do 10
litara. Srednjom potrošnjom smatra od 9 do 11 litara, a delimično srednjom potrošnjom smatra
ako automobil troši od 7 do 9 i od 11 do 15. Velikom potrošnjom se smatra ako vozilo troši
preko 15 litara, a delimično visoku potrošnju imaju i vozila od 10 litara. Analogno, generalni
direktor kaže da je automobil visoku pouzdan ako ima manje od 5 kvarova, ali je i dalje visoko
pouzdan ako ima do 10 kvarova, dok je nisko pouzdan ako ima više od 15 kvarova, ali je takođe
delimično nisko pouzdan ako ima 6 kvarova. Za ukupnu vrednost automobila generalni direktor
kaže da sledeće. Vrednost je mala ako je ispod 7 hiljada evra, ali je delimično mala ako je i ispod
15 hiljada evra. Srednja je između 15 i 25 hiljada evra, a delimično je srednja vrednost ako je
između 7 i 15, odnosno 25 i 40. Na kraju vrednost je velika ako je iznad 40 hiljada evra, a
delimično je visoka ako je iznad 25. Drugim rečima generalni direktor je iskazao sledeće fazi
skupove.
39
Potrošnja
Mala Z(3, 10)
Srednja T(7, 9, 11, 15)
Visoka S(10, 15)
Pouzdanost
Visoka Z(5, 10)
Niska S(6, 15)
Vrednost
Mala Z(7, 15)
Srednja T(7, 15, 25, 40)
Visoka S(25, 40)
Grafički fazi skupovi izgledaju ovako:
Potrošnja
μ
Mala Srednja Velika
1
3 7 9 10 11 15 Litara/100km
Pouzdanost
μ
Visoka Niska
1
5 6 10 15 Kvarova/
100000km
40
Vrednost
μ
Mala Srednja Velika
1
7 15 25 40 nj.
Na kraju generalni direktor na osnovu znanja definiše skup uzročno posledičnih pravila:
Potrošnja Pouzdanost Vrednost

1. Mala Niska Srednja
2. Mala Visoka Velika
3. Srednja Niska Srednja
4. Srednja Visoka Velika
5. Velika Niska Mala
6. Velika Visoka Srednja
Na ovaj način kreiran je Fuzzy model za određivanje vrednosti vozila.
Napomena:
Svako pravilo se takođe može predstaviti i u obliku „ako-onda“ pravila. Tako se drugo pravilo
može interpretirati kao:
AKO Potrošnja je Mala i Pouzdanost je Visoka ONDA Vrednost je Velika
Kada imamo definisane funkcije pripadnosti za ulazne i izlazne promenljive, i skup uzročno
posledičnih pravila koja povezuju te promenljive možemo da odredimo vrednost izlazne
promenljive za svaki automobil. Znamo da automobile VW kome određujemo vrednost troši 9 l
na 100 km i da ima 8 kvarova na 100000 km. Sada uz pomoć pravila proporcije određujemo
vrednost funkcije pripadnosti za obe ulazne promenljive.
Potrošnja:
• Mala: (10-9)/(10-3) = 0.143
• Srednja: (9-7)/(9-7) = 1
• Velika: 0
Pouzdanost:
• Visoka: (10-8)/(10-5) = 0.4
41
• Niska: (8-6)/(15-6) = 0.222
Zatim prelazimo na proces zaključivanja na osnovu definisanih pravila. Prvo, tabeli uočavamo
koja se pravila odnose na naše novo pojavljivanje (aktivirana pravila):
Pravilo Potrošnja Pouzdanost Vrednost

1. Mala (0.143) Niska (0.222) Srednja (0.143)
2. Mala (0.143) Visoka (0.4) Velika (0.143)
3. Srednja (1) Niska (0.222) Srednja (0.222)
4. Srednja (1) Visoka (0.4) Velika (0.4)
5. Velika (0) Niska (0.222) Mala (0)
6. Velika (0) Visoka (0.4) Srednja (0)
Na osnovu pravila i vrednosti funkcija pripadnosti za ulazne promenljive, računamo vrednosti

funkcije pripadnosti za sve dopuštene vrednosti izlazne promenljive. Iste se računaju kao ukupan
nivo zadovoljenja pojedinačnih uslova pravila (logičko i kod fuzzy skupova):
Pravilo 1: Srednja vrednost: 0.143 /\ 0.222 = 0.143

Pravilo 2: Velika vrednost: 0.143 /\ 0.4 = 0.143
Pravilo 3: Srednja vrednost: 1 /\ 0.222 = 0.222
Pravilo 4: Velika vrednost: 1 /\ 0.4 = 0.4
Pošto imamo dva pravila koja nam daju pripadnost za vrednost srednja vrednost (pravila 1 i 3) i
za visoku vrednost (pravila 2 i 4), moramo da odredimo koju ćemo vrednost koristiti (logičko ili
kod fuzzy skupova):
Srednja vrednost: 0.143 \/ 0.222 = 0.222

Visoka vrednost: 0.143 \/ 0.4 = 0.4
Konačno, dolazimo do faze defazifikacije gde lingvističke vrednosti promenljive Vrednost

(velika i srednja) prevodimo u jednu preciznu (matematičku) vrednost koja zapravo predstavlja
konačnu ocenu vrednosti novog pojavljivanja (u našem slučaju automobila).
DFV 
 MV  FMV 
i i
 MV  i
DFV – Defazifikovana fazi vrednost

MVi – Koeficijent pripadnosti i-tom zaključku
MFVi – Reprezentativna vrednost i-tog zaključka (fuzzy skupa). Za S i Z oblike funkcije se
uzima vrednost na granici sa potpunom pripadnošću skupu (µ=1), dok se za T oblik
uzima središnja vrednost od svih sa potpunom pripadnošću skupu. Drugim rečima
uzimaju se vrednosti koje su obeležene crvenim slovima: Z(a,b), S(a,b), T(a,b,c,d i
Tr(a,b,c).
N – broj fuzzy zaključaka
VREDNOST = (0.222*(15 + 25)/2+0.4*40)/(0.4+0.222) = 32.857
42
Drugi automobil, Dacia, troši 12 l na 100 km i ima 14 kvarova na 100000 km. Prvo računamo
vrednosti funkcije pripadnosti za potrošnju i pouzdanost.
Potrošnja:
• Mala: 0
• Srednja: (15-12)/(15-11) = 0.75
• Velika: (12-10)/(15-10) = 0.4
Pouzdanost:
• Visoka: 0
• Niska: (14-6)/(15-6) = 0.889
Sledeća pravila su aktivirana.

1. Mala (0) Niska (0.889) Srednja (0)
2. Mala (0) Visoka (0) Velika (0)
3. Srednja (0.75) Niska (0.889) Srednja (0.75)
4. Srednja (0.75) Visoka (0) Velika (0)
5. Velika (0.4) Niska (0.889) Mala (0.4)
6. Velika (0.4) Visoka (0) Srednja (0)
Kako nemamo više pravila koja imaju pripadnost za istu vrednost onda prelazimo direktno na
fazu defazifikacije.
VREDNOST = (0.4 * 7 + 0.75 * (15 + 25)/2)/(0.4 + 0.75) = 15.478
Treći automobil, BMW, troši 9 l na 100km i ima 5 kvarova na 100000 km. Vrednosti funkcija
pripadnosti za ulazne promenjive su:
Potrošnja:
• Mala: (10-9)/(10-3) = 0.143
• Srednja: (9-7)/(9-7) = 1
• Velika: 0
Pouzdanost:
• Visoka: 1
• Niska: 0
43
Pogledajmo koja su pravila aktivirana.

1. Mala (0.143) Niska (0) Srednja (0)
2. Mala (0.143) Visoka (1) Velika (0.143)
3. Srednja (1) Niska (0) Srednja (0)
4. Srednja (1) Visoka (1) Velika (1)
5. Velika (0) Niska (0) Mala (0)
6. Velika (0) Visoka (1) Srednja (0)
Dobijamo dva pravila koja daju funkciju pripadnosti velikoj vrednosti, te računamo koju ćemo
vrednost koristiti (ili jednu ili drugu).
Visoka vrednost: 0.143 \/ 1 = 1
Konačno, dobijamo ukupnu vrednost.
VREDNOST = (1 * 40)/(1) = 40
Poslednje vozilo, Volvo, troši 15 l na 100 km i uopšte se ne kvari. Izračunamo vrednosti funkcija
pripadnosti za ulazne promenjive i dobijamo:
Potrošnja:
• Mala: 0
• Srednja: 0
• Velika: 1
Pouzdanost:
• Visoka: 1
• Niska: 0
Pogledamo koja su pravila aktivirana.

1. Mala (0) Niska (0) Srednja (0)
2. Mala (0) Visoka (1) Velika (0)
3. Srednja (0) Niska (0) Srednja (0)
4. Srednja (0) Visoka (1) Velika (0)
5. Velika (1) Niska (0) Mala (0)
6. Velika (1) Visoka (1) Srednja (1)
Kako imamo samo jedno aktivirano pravilo računamo defazifikovanu fazi vrednost i dobijamo:
VREDNOST = (1 * (15 + 25)/2)/(1) = 20
44
Kada smo izračunali vrednosti za svaku alternativu možemo da ih poredimo.
Automobil Potrošnja Pouzdanost Vrednost Rang

VW 9 8 32.857 2
Dacia 12 14 15.478 4
BMW 9 5 40 1
Volvo 15 0 20 3
Možemo da zaključimo da je BMW alternativa čija je vrednost najveća.
Bitno je napomenuti da fuzzy sistemi mogu, bez menjanja matrice odlučivanja (normalizacije),
da daju vrednost za nove slučajeve.
Zadatak: Određivanje potencijala tržišta
Nakon uspešne godine direktor prodaje firme Dime & Kole žele da prošire prodaju sistema za
predviđanje poslovanja kompanije na nova tržišta. Nakon razmatranja izabrali su tržišta
Makedonije, Bosne i Hercegovine, Mađarske i Bugarske. Kao kriterijume izabrali su veličinu
tržišta, koja se meri u hiljadama kupaca, konkurencija, koja se meri u broju proizvoda supstituta,
i zasićenost tržišta, koja se meri procentom klijenata koji imaju neki od proizvoda supstituta.
Model za određivanje potencijala tržišta, za potrebe marketinga, iskazan je znanjem preko

sledećih funkcija i tabelom pravila:
Veličina
Mala Z(10, 50)
Srednje T(30, 60, 100, 150)
Veliko S(100, 150)
Konkurencija
Niska Z(5, 10)
Visoka S(5, 12)
Zasićenost
Mala Z(5, 15)
Velika S(10, 20)
Potencijal
Mali Z(20, 50)
Srednji T(20, 50, 150, 300)
Veliki S(150, 300)
45
Veličina
μ
Mala Srednje Veliko
1
10 30 50 60 100 150 Klijenata

Konkurencija
μ
Niska Visoka
1
5 10 12 Br. proizvoda
supstituta
Zasićenost
μ
Mala Velika
1
5 10 15 20 %
Potencijal
μ
Mali Srednji Veliki
1
20 50 150 300 nj. x 103
46
Data je i sledeća tabela pravila:
Veličina Konkurencija Zaštićenost tržišta Potencijal

1. Malo Niska Mala Srednji
2. Malo Niska Velika Mali
3. Malo Visoka Mala Mali
4. Malo Visoka Velika Mali
5. Srednje Niska Mala Veliki
6. Srednje Niska Velika Srednji
7. Srednje Visoka Mala Srednji
8. Srednje Visoka Velika Mali
9. Veliko Niska Mala Veliki
10. Veliko Niska Velika Veliki
11. Veliko Velika Mala Srednji
12 Veliko Velika Velika Srednji
Alternative imaju sledeće vrednosti:
Alternativa Tržište Konkurencija Zaštićenost tržišta

Makedonija 110 9 18
BiH 90 20 10
Mađarska 150 3 25
Bugarska 45 2 15
Makedonsko tržište ima sledeće vrednosti funkcija pripadnosti.
Veličina
 Mala: 0
 Srednje: (150 - 110)/(150-100) = 0.8
 Veliko: (110 - 100)/(150-100) = 0.2
Konkurencija
 Niska: (10-9)/(10-5) = 0.2
 Visoka: (9-5)/(12-5) = 0.571
Zasićenost
 Mala: 0
 Velika: (18-10)/(20-10) = 0.8
47
Na osnovu tabele pravila određujemo vrednosti pripadnosti potencijala makedonskog tržišta:

1. Malo (0) Niska (0.2) Mala (0) Srednji
2. Malo (0) Niska (0.2) Velika (0.8) Mali
3. Malo (0) Visoka (0.571) Mala (0) Mali
4. Malo (0) Visoka (0.571) Velika (0.8) Mali
5. Srednje (0.8) Niska (0.2) Mala (0) Veliki
6. Srednje (0.8) Niska (0.2) Velika (0.8) Srednji (0.2)
7. Srednje (0.8) Visoka (0.571) Mala (0) Srednji
8. Srednje (0.8) Visoka (0.571) Velika (0.8) Mali (0.571)
9. Veliko (0.2) Niska (0.2) Mala (0) Veliki
10. Veliko (0.2) Niska (0.2) Velika (0.8) Veliki (0.2)
11. Veliko (0.2) Velika (0.571) Mala (0) Srednji
12 Veliko (0.2) Velika (0.571) Velika (0.8) Srednji (0.2)
Pravilo 6: Srednji potencijal: 0.8 /\ 0.2 /\ 0.8 = 0.2

Pravilo 8: Mali potencijal: 0.8 /\ 0.571 /\ 0.8 = 0.571
Pravilo 10: Veliki potencijal: 0.2 /\ 0.2 /\ 0.8 = 0.2
Pravilo 12: Srednji potencijal: 0.2 /\ 0.571 /\ 0.8 = 0.2
Pošto imamo dva pravila koja nam daju pripadnost za vrednost srednji potencijal, moramo da
odredimo koju ćemo vrednost koristiti:
srednji potencijal: 0.2 \/ 0.2 = 0.2
Konačno dobili smo pripadnost za sve tri vrednosti promenljive potencijal:
mali budžet: 0.571

srednji budžet: 0.2
veliki budžet: 0.2
Na kraju određujemo koliki je tačno potencijal, uz pomoć procesa defazifikacije:
. ∗ + . ∗ + . ∗
𝑇𝐸 𝐶 𝐴𝐿 = = .
. + . + .
Bosansko-hercegovačko tržište ima sledeći potencijal. Prvo računamo funkcije pripadnosti.
Veličina
 Mala: 0
 Srednje: 1
 Veliko: 0
48
Konkurencija
 Niska: 0
 Visoka: 1
Zasićenost
 Mala: 0.5
 Velika: 0
Zatim određujemo potencijal tržišta preko tabele pravila.

1. Malo (0) Niska (0) Mala (0.5) Srednji
2. Malo (0) Niska (0) Velika (0) Mali
3. Malo (0) Visoka (1) Mala (0.5) Mali
4. Malo (0) Visoka (1) Velika (0) Mali
5. Srednje (1) Niska (0) Mala (0.5) Veliki
6. Srednje (1) Niska (0) Velika (0) Srednji
7. Srednje (1) Visoka (1) Mala (0.5) Srednji (0.5)
8. Srednje (1) Visoka (1) Velika (0) Mali
9. Veliko (0) Niska (0) Mala (0.5) Veliki
10. Veliko (0) Niska (0) Velika (0) Veliki
11. Veliko (0) Velika (1) Mala (0.5) Srednji
12 Veliko (0) Velika (1) Velika (0) Srednji
Preko procesa defazifikacije računamo potencijal.
. ∗
𝑇𝐸 𝐶 𝐴𝐿 = =
.
Mađarsko tržište, čija je veličina 150 hiljada korisnika, ima samo 3 proizvoda supstituta, i
zasićenost je 25%, ima sledeće vrednosti funkcija pripadnosti:
Veličina
 Mala: 0
 Srednje: 0
 Veliko: 1
Konkurencija
 Niska: 1
 Visoka: 0
49
Zasićenost
 Mala: 0
 Velika: 1

1. Malo (0) Niska (1) Mala (0) Srednji
2. Malo (0) Niska (1) Velika (1) Mali
3. Malo (0) Visoka (0) Mala (0) Mali
4. Malo (0) Visoka (0) Velika (1) Mali
5. Srednje (0) Niska (1) Mala (0) Veliki
6. Srednje (0) Niska (1) Velika (1) Srednji
7. Srednje (0) Visoka (0) Mala (0) Srednji
8. Srednje (0) Visoka (0) Velika (1) Mali
9. Veliko (1) Niska (1) Mala (0) Veliki
10. Veliko (1) Niska (1) Velika (1) Veliki (1)
11. Veliko (1) Velika (0) Mala (0) Srednji
12 Veliko (1) Velika (0) Velika (1) Srednji
∗
Bugarsko tržište, koje ima 45 hiljada korisnika, 2 proizvoda supstituta i čija je zasićenost 15%
ima sledeće vrednosti funkcija pripadnosti:
Veličina
 Mala: (50-45)/(50-10) = 0.125
 Srednje: (60-45)/(60-30) = 0.5
 Veliko: 0
Konkurencija
 Niska: 1
 Visoka: 0
Zasićenost
 Mala: 0
 Velika: (20-15)/(20-10) = 0.5
50

1. Malo (0.125) Niska (1) Mala (0) Srednji
2. Malo (0.125) Niska (1) Velika (0.5) Mali (0.125)
3. Malo (0.125) Visoka (0) Mala (0) Mali
4. Malo (0.125) Visoka (0) Velika (0.5) Mali
5. Srednje (0.5) Niska (1) Mala (0) Veliki
6. Srednje (0.5) Niska (1) Velika (0.5) Srednji (0.5)
7. Srednje (0.5) Visoka (0) Mala (0) Srednji
8. Srednje (0.5) Visoka (0) Velika (0.5) Mali
9. Veliko (0) Niska (1) Mala (0) Veliki
10. Veliko (0) Niska (1) Velika (0.5) Veliki
11. Veliko (0) Velika (0) Mala (0) Srednji
12 Veliko (0) Velika (0) Velika (0.5) Srednji
. ∗ + . ∗
. + .
Kada smo izračunali vrednosti potencijala za svaku alternativu možemo da ih poredimo.
Alternativa Tržište Konkurencija Zaštićenost tržišta Potencijal

Makedonija 110 9 18 94.118
BiH 90 20 10 100
Mađarska 150 3 25 300
Bugarska 45 2 15 84
Zaključujemo da je alternativa sa najvećim potencijalom Mađarska.
51

TO - Zadaci

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

TO - Zadaci

Uploaded by

Copyright:

Available Formats

Metodi izbora u slu aju neizvesnosti

a) Optimisti ki (Maximax) metod;

a) Optimisti ki metod (Maximax)

b) Pesimisti ki metod (Maximin)

doga aj maximin metod

c) Metod optimizma-pesimizma (Hurvicov)

d) Metod minimax kajanja (Sevidžov)

Tabela isplata Tabela gubitaka Sevidžov metod

e) Princip nedovoljnog razloga (Laplasov)

a) primenite sve metode izbora u uslovima neizvesnosti (indeks optimizma je 0.5)

Tabela 2. Maximax metod

doga aj maximax metod

Tabela 3. Maximin metod

doga aj maximin metod

Tabela 4. Metod optimizma-pesimizma (Hurvicov metod) ( =0.5)

Tabela gubitaka Sevidžov metod

Tabela 6. Princip nedovoljnog razloga (Laplasov)

doga aj Laplasov metod

Tabela 7. Maximax metod

doga aj maximax metod

doga aj maximin metod

Tabela 9. Metod optimizma-pesimizma (Hurvicov metod) ( =0.3)

Tabela 10. Metod minimax kajanja (Sevidžov)

Tabela gubitaka Sevidžov metod

Tabela 11. Princip nedovoljnog razloga (Laplasov)

doga aj Laplasov metod

b. Ponovi emo postupak upore uju i samo akcije A1 i A2:

Metod maksimalne o ekivane vrednosti (MOV)

Biramo akciju sa najve om o ekivanom vrednoš u, pa se metod naziva metodom maksimalne

Primena MOV metode:

Biramo akciju A1.

Biramo akciju A2.

3. zadatak. Objasnite metod standardne igre.

tj. ona je jednaka verovatno i javljanja dobitka u referentnoj lutriji.

4. zadatak. Alternativama x,y,z i v Predrag je pripisao kardinalne korisnosti u(x)=100,

Nov ani iznos Verovatno a sticanja dobitaka od 100 000 din.

a. Izra unajte korisnosti navedenih nov anih iznosa.

Nov ani iznos kardinalna korisnost

kriva korisnosti novca

-60000 -40000 -20000 0 20000 40000 60000 80000 100000

Sa dobijenog grafika možemo odrediti tražene korisnosti:

u(-40000)=2.19; u(-30000)=4; u(20000)=8.59

Primenom metode maksimalne o ekivane korisnosti odrediti najbolju akciju.

Sa konstruisanog grafika funkcije korisnosti odre ujemo tražene korisnosti:

Najbolja akcija je A1.

7. zadatak. Ishodi u slede oj tabeli su prikazani u jedinicama korisnosti.

Ako su verovatno e dogadjaja: p1=0.2, p2=0.4 i p3=0.4:

a) O ekivana korisnost akcije je jednaka zbiru proizvoda njenih ishoda (izraženih u

Zaklju ujemo da smo indiferentni izmedju akcija A1 i A2 koje preferiramo u odnosu na A.

a) Tabela odlu ivanja za navedeni problem:

O ekivane vrednosti alternativa su:

Kako je o ekivana vrednost altrnative A1- »proizvoditi« ve a od o ekivane vrednosti

Kako je OK(A2)> OK(A1) opredelili bismo se za alternativu A2.

Prikažimo problem slede om tabelom:

O ekivane vrednosti alternativa su:

Pretpostavimo da smo izabrali q=0.95, onda je korisnost ishoda v22 jednaka:

Kako je OK(A2)> OK(A1) opredelili bismo se za alternativu A2.

pojavu ostalih (Si Sj=∅, i,j=1,2,...,n; i ≠ j).

pri emu su:

P (S j I ) -verovatno a doga aja Sj pod uslovom da se doga aj I realizovao (korigovana, a

Pretpostavimo da u primeru problema predstavljanja novog proizvoda uprava sa sigurnoš u

A1 – veli ina kotla (m2)

Po etna matrica odlu ivanja ima oblik: