P. 1
ZBIRKA TEORIJA ODLUCIVANJA 2006-2007

ZBIRKA TEORIJA ODLUCIVANJA 2006-2007

|Views: 1,544|Likes:
Published by opicitis

More info:

Published by: opicitis on Nov 29, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

09/23/2015

pdf

text

original

Univerzitet u Beogradu

Tehnički fakultet u Boru



Mr. Dragan Manasijević
Dr. Dragana Živković


ZBIRKA ZADATAKA IZ
TEORIJE ODLUČIVANJA










Bor, 2005.



1




Sadržaj

1. Metodi izbora u slučaju neizvesnosti ..................................................................................2
2. Odlučivanje u uslovima rizika ..........................................................................................10
3. Dopunska informacija i njena cena ..................................................................................22
4. Sekvencijalno odlučivanje……………….……………………………………....……….35
5. Višeatributivno odlučivanje...............................................................................................50
5.1. Metod ELECTRE I.......................................................................................................61
5.2. Metodi PROMETHEE I-IV………………………………………………….....…….86
5.3. Metod AHP..................................................................................................................113

























2




Metodi izbora u slučaju neizvesnosti


Teorijske osnove

Najpoznatije metode izbora koje primenjujemo u uslovima neizvesnosti su:

a) Optimistički (Maximax) metod;
b) Pesimistički (Valdov ili Maximin) metod;
c) Metod otimizma-pesimizma (Hurvicov);
d) Metod minimax kajanja (Sevidžov);
e) Princip nedovoljnog razloga (Laplasov).

Navedene metode počivaju na različitim logičkim osnovama, zbog čega se i njihovi konačni
izbori međusobno razlikuju.
Logiku svih metoda izbora objasnićemo na istom ilustrativnom primeru. Tabela odlučivanja
prikazuje ishode tri akcije izražene u novčanim dobicima ( u 000 din.), pri realizaciji četiri
moguća događaja:
Događaj
Akcija
S
1
S
2
S
3
S
4

A
1
1 5 16 4
A
2
12 4 7 4
A
3
9 9 5 5

Tabela odlučivanja u kojoj su ishodi dati u novčanom izrazu (dobicima ili gubicima) naziva se
i tabelom isplata (ili matricom isplata).

a) Optimistički metod (Maximax)
Donosilac odluke koji se opredeljuje za ovaj metod je optimista u pogledu mogućih rezultata.
On polazi od nerealne pretpostavke da će se uvek realizovati onaj događaj koji mu
omogućuje da izabranom akcijom postigne njen najbolji mogući rezultat. Postupak se tako
svodi na poređenje samo najboljih rezultata svih akcija i izbor najbolje među njima. Otuda i
naziv maximax metod, koji simbolima izražen glasi:
max
i
{max
j
(u
ij
)} , i=1,2,..,n,
gde u
ij
predstavlja korisnost ishoda akcije A
i
pri realizaciji događaja S
j
.




3





događaj maximax metod
Akcija
S
1
S
2
S
3
S
4
max
j
u
ij
max
i
{ max
j
u
ij
}
A
1
1 5 16 4
16 16(A
1
)
A
2
12 4 7 4
12
A
3
9 9 5 5
9

b) Pesimistički metod (Maximin)
Donosilac odluke koji primenjuje ovaj metod ispoljava izraziti pesimizam u pogledu budućih
rezultata, jer očekuje da će akciju sprovoditi u najnepovoljnijim okolnostima. Drugim rečima,
koju god akciju da izaberemo očekujemo da ćemo ostvariti njen najslabiji rezultat. Iz tog
razloga biramo onu akciju koja garantuje najbolji među najgorim ishodima, odnosno akciju
kojom maksimiziramo minimalnu korisnost:
max
i
{min
j
(u
ij
)} , i=1,2,..,m, j=1,2,…,n.

događaj maximin metod
Akcija
S
1
S
2
S
3
S
4
min
j
u
ij
max
i
{ min
j
u
ij
}
A
1
1 5 16 4
1
A
2
12 4 7 4
4
A
3
9 9 5 5
5 5(A
3
)

c) Metod optimizma-pesimizma (Hurvicov)
U racionalnom odlučivanju 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 način. Zato svaku
akciju ocenjujemo na osnovu ponderisanog zbira njenog najboljeg i najgoreg rezultata, pri
čemu su ponderi (težinski koeficijenti) jednaki za sve akcije. Najbolji ishod množimo tzv.
indeksom optimizma, α (0≤ α ≤1), a najslabiji ishod njegovim komplementom, 1- α. Hurvicov
metod glasi:
max
i
{max
j
(u
ij
)⋅ α+ min
j
(u
ij
) ⋅ (1- α) } i=1,2,..,m, j=1,2,…,n.






4




Akcija Najgori ishod
min
j
(u
ij
)=u
i

Najbolji ishod
max
j
(u
ij
)=U
i

Hurvicov metod
U
i
α+u
i
(1- α)
Optimalna
akcija
A
1
1 16 16⋅0.4+1⋅0.6=7
A
2
4 12 12⋅0.4+4⋅0.6=7.2 A
2
(7.2)
A
3
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,
već je potrebno da formiramo novu tabelu. Nazivamo je tabelom (matricom) gubitaka i
izvodimo je iz originalne tabele na sledeći način: Za svaki događaj S
j
, j=1,2,...n, (u svakoj
koloni) nalazimo najbolji ishod (max
i
u
ij
=U
j
, i=1,2,..,m); ovom ishodu pripisujemo nulu u
tabeli gubitaka jer u slučaju izbora akcije sa najboljim ishodom nema kajanja. Kajanje se
javlja ako smo izabrali jednu od preostalih akcija; prikazujemo ga razlikom između najboljeg
ishoda u koloni S
j
, U
j
i ishoda ostvarenog primenom date akcije, tj. k
ij
=U
j
-u
ij
.

Tabela isplata Tabela gubitaka Sevidžov metod
Akcij
a
S
1
S
2
S
3
S
4
S
1
S
2
S
3
S
4

max
i
k
ij
min
i
{max
j
k
ij
}
A
1
1 5 16 4 11 4 0 1 11
A
2
12 4 7 4 0 5 9 1 9 A
2
(9)
A
3
9 9 5 5 3 0 11 0 11

e) Princip nedovoljnog razloga (Laplasov)
Do sada navedeni metodi zanemaruju verovatnoće javljanja pojedinih okolnosti. Njihovi
autori su to obrazlagali činjenicom da je u uslovima potpune neizvesnosti besmisleno da
govorimo o verovatnoćama javljanja pojedinih događaja. Ipak, i pored maksimalne
neizvesnosti tabela odlučivanja sadrži sve događaje koji mogu da se jave. Samim činom
uključivanja pojedinih događaja u model, već im pripisujemo verovatnoće različite od nule i
sigurni smo da će se jedan od njih javiti. Ako su nam verovatnoće nepoznate, možemo, na
primer, da pretpostavimo njihovu jednakost.
Laplasov postulat: »Ako ništa ne znam o budućim događajima, onda mogu smatrati da su oni
jednako verovatni« naziva se i principom nedovoljnog razloga. Kada u tabeli odlučivanja
pojedinim događajima pridružimo jednake verovatnoće, zadatak se svodi na izračunavanje
očekivanih korisnosti akcija. Očekivanu korisnost akcije izračunavamo kao pnderisani zbir
korisnosti njenih mogućih ishoda.



5





Događaj Laplasov metod
Akcija
S
1
S
2
S
3
S
4

j
0.25*u
ij
max
i
{∑
j
0.25*u
ij
}
A
1
1 5 16 4 6.5
A
2
12 4 7 4 6.75
A
3
9 9 5 5 7 A
3
(7)
verovatnoća
0.25 0.25 0.25 0.25













































6




1. zadatak. Posmatrajmo sledeći problem izbora:

Tabela 1.

događaj
akcija
S
1
S
2
S
3
S
4
S
5

A
1
7 3 5 9 15
A
2
11 7 3 8 10
A
3
9 4 9 10 3
A
4
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 čega?

Rešenje:

a)

Tabela 2. Maximax metod

događaj maximax metod
akcija
S
1
S
2
S
3
S
4
S
5
max
j
u
ij
max
i
{ max
j
u
ij
}
A
1
7 3 5 9 15 15 A
1

A
2
11 7 3 8 10 11
A
3
9 4 9 10 3 10
A
4
8 8 9 10 2 10


Tabela 3. Maximin metod

događaj maximin metod
akcija
S
1
S
2
S
3
S
4
S
5
I korak II korak Opt. akcija
A
1
7 3 5 9 15 3 5
A
2
11 7 3 8 10 3 7 A
2
A
3
9 4 9 10 3 3 4
A
4
8 8 9 10 2 2 -


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

akcija Najgori ishod Najbolji ishod Hurvicov metod
Optimalna
akcija
A
1
3 15 15*0.5+3*0.5=9 A
1

A
2
3 11 11*0.5+3*0.5=7
A
3
3 10 10*0.5+3*0.5=6.5
A
4
2 10 10*0.5+2*0.5=6





7




Tabela 5. Metod minimax kajanja (Sevidžov)

Tabela gubitaka Sevidžov metod
akcija
S
1
S
2
S
3
S
4
S
5
max
i
k
ij
min
i
{max
j
k
ij
}
A
1
4 5 4 1 0 5 A
1

A
2
0 1 6 2 5 6

A
3
2 4 0 0 12 12
A
4
3 0 0 0 13 13


Tabela 6. Princip nedovoljnog razloga (Laplasov)

događaj Laplasov metod
akcija
S
1
S
2
S
3
S
4
S
5

j
0.2*u
ij
max
i
{∑
j
0.2*u
ij
}
A
1
7 3 5 9 15 7.8 A
1
A
2
11 7 3 8 10 7.8 A
2
A
3
9 4 9 10 3 7
A
4
8 8 9 10 2 7.4
verovatnoća 0.2 0.2 0.2 0.2 0.2

b) akcija A
1
je najbolja po većini metoda (četiri) pa je ona u ovom slučaju izabrana za
najbolju.


2. zadatak. Jelena Marković planira da otvori studio za rekraciju za žene. Moguće opcije su
aerobik i joga. Interesovanje za pojedine vidove rekreacije može biti malo, srednje i veliko.
Troškovi mesečnog 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 mogućnost da odustane od projekta.
a. Sastavite tabelu odlučivanja (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 će se opredeliti?

Rešenje:
a)

Tabela 7. Maximax metod

događaj maximax metod
akcija
S
1
-malo S
2
-srednje S
3
-veliko max
j
u
ij
max
i
{ max
j
u
ij
}
A
1
-aerobik 0 300 800 800
A
2
-joga -200 500 1100 1100 A
2
A
3
-odustati 0 0 0 -




8





Tabela 8. Maximin metod

događaj maximin metod
akcija
S
1
-malo S
2
-srednje S
3
-veliko min
j
u
ij
max
i
{ min
j
u
ij
}
A
1
-aerobik 0 300 800 0 A
1
A
2
-joga -200 500 1100 -200



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

akcija Najgori ishod Najbolji ishod Hurvicov metod
Optimalna
akcija
A
1
0 800 800*0.3+0*0.7=240 A
1

A
2
-200 1100 1100*0.3-200*0.7=190


Tabela 10. Metod minimax kajanja (Sevidžov)

Tabela gubitaka Sevidžov metod
akcija
S
1
-malo S
2
-srednje S
3
-veliko max
i
k
ij
min
i
{max
j
k
ij
}
A
1
-aerobik 0 200 300 300

A
2
-joga 200 0 0 200 A
2


Tabela 11. Princip nedovoljnog razloga (Laplasov)

događaj Laplasov metod
akcija
S
1
-malo S
2
-srednje S
3
-veliko ∑
j
0.333*u
ij
max
i
{∑
j
0.333*u
ij
}
A
1
-aerobik 0 300 800 366.3

A
2
-joga -200 500 1100 466.2 A
2

verovatnoća 0.333 0.333 0.333




b) akcija A
2
je najbolja po tri primenjena metoda, dok je akcija A
1
najbolja na osnovu dva
primenjena metoda. Na osnovu prethodnog zaključujemo da je akcija A
2
bolji izbor.

c) u slučaju izrazitog optimizma izbor najbolje alternative vršimo primenom maximax
metoda i zaključujemo da je najbolja akcija A
2
.









9




3. zadatak. Posmatrajmo sledeći problem izbora, u kojem proizvođač razmišlja da li da otvori
novi proizvodni pogon (ishodi predstavljaju očekivani profit u mil.din.):
Tabela 12.
događaj
akcija
S
1
-cene rastu S
2
-cene su stabilne S
3
-cene padaju
A
1
-mali pogon 3 2 -0.5
A
2
-velki pogon 4.5 1.6 -0.9
A
3
-ne investirati 0 0 0

a. Ako proizvođač želi da minimizira moguće kajanje zbog loše odluke, koju akciju treba
da izabere?
b. Ako je proizvođač odlučio da svakako investira (tj. ako bira samo izmedju A
1
i A
2
) za
koju će se akciju opredeliti na osnovu istog metoda?
c. Upredite dobijene rezultate i ako se razlikuju, objasnite uzrok.

Rešenje:

a. Formiraćemo tabelu gubitaka i izabrati najbolju akciju primenom Sevidžove metode:
Tabela 13.
Tabela gubitaka Sevidžov metod
akcija
S
1
S
2
S
3
max
i
k
ij
min
i
{max
j
k
ij
}
A
1
1.5 0 0.5 1.5
A
2
0 0.4 0.9 0.9 A
2

A
3
4.5 2 0 4.5


b. Ponovićemo postupak upoređujući samo akcije A
1
i A
2
:
Tabela 14.
Tabela gubitaka Sevidžov metod
akcija
S
1
S
2
S
3
max
i
k
ij
min
i
{max
j
k
ij
}
A
1
1.5 0 0 1.5
A
2
0 0.4 0.4 0.4 A
2










10




Odlučivanje u uslovima rizika

Teorijske osnove

Metod maksimalne očekivane vrednosti (MOV)
Očekivana vrednost akcije A
i
, i=1,2,...,m (obeležavamo je sa OV(A
i
)), predstavlja ponderisani
zbir njenih ishoda, gde se kao ponderi koriste verovatnoće javljanja tih ishoda. Svaki ishod
množimo odgovarajućom verovatnoćom javljanja i izračunavamo zbir ovih proizvoda:
( )

=
⋅ =
n
j
ij j i
p A OV
1
ν i=1,2,...,m
Biramo akciju sa najvećom očekivanom vrednošću, pa se metod naziva metodom maksimalne
očekivane vrednosti (MOV).
Primer: Problem izbora novog proizvoda (profit u 000 din.)
Nivo tražnje
Akcija
S
1
- Nizak S
2
- Prosečan S
3
-Visok
A
1
-15 465 800
A
2
-50 400 1000
A
3
-100 500 830
A
4
0 0 0
Verovatnoća (p
i
) 0.30 0.60 0.10

Primena MOV metode:
Akcija
( )

=
⋅ =
n
j
ij j i
p A OV
1
ν

=

n
j
ij j
p
1
max ν
A
1
0.3⋅(-15)+0.6⋅465+0.1⋅800=354.5 354.5
A
2
0.3⋅(-50)+0.6⋅400+0.1⋅1000=325
A
3
0.3⋅(-100)+0.6⋅500+0.1⋅830=353
A
4
0.3⋅0+0.6⋅0+0.1⋅0=0

Biramo akciju A
1
.






11




Metod maksimalne očekivane korisnosti (MOK)
Da bi primenili metod maksimalne očekivane korisnosti potrebno je da sve ishode u tabeli
odlučivanja izraziti njihovim kardinalnim korisnostima. Očekivana korisnost akcije je jednaka
zbiru proizvoda njenih ishoda (izraženim u jedinicama kardinalne korisnosti) i verovatnoća
njihovog javljanja (verovatnoća događaja):
( ) ( ) ( )
∑ ∑
= =
⋅ = ⋅ = =
n
j
n
j
ij j ij j i i
u p u p A OK A u
1 1
ν , i=1,2,....,m
Primer:
Događaj
Akcija
S
1
S
2

Očekivana korisnost
OK(A
i
)
MOK
A
1
0 1 0.5⋅0+0.5⋅1=0.5
A
1
0.65 0.95 0.5⋅0.65+0.5⋅0.95=0.8 0.8(A
2
)
Verovatnoća 0.5 0.5

Biramo akciju A
2
.






















12




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 omogućuje 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 asimetričnosti, kompletnosti i tranzitivnosti budu zadovoljena i sledeća četiri uslova
racionalnosti:
1. kontinuitet preferencija
2. zamenljivost (mogućnost 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 četiri koraka:
1. u prvom koraku poredimo opcije medju sobom i odredjujemo njihovu rang-listu od
najbojle ka najgoroj: x
n
, x
n-1
,....,x
1

2. U drugom koraku formulišemo tzv. referentnu lutriju, L, čiji je dobitak jednak
najboljoj opciji, x
n
, a gubitak najgoroj, x
1
, tj. L(q,x
n
;1-q,x
1
).
3. U trećem koraku svakoj od preostalih (n-2) opcija, pridružujemo po jednu lutriju
L
i
=L(q
i
,x
n
; 1-q
i
,x
1
), i=2,3,...,n-1. Referentnu lutriju odredjujemo na sledeći način:
biramo verovatnoću (q
i
) javljanja dobitka (x
n
), za koju opciju x
i
smatramo jednako
dobrom kao i učešće na lutriji L
i
.
4. U četvrtom koraku ishodima referentne lutrije L (tj. najboljoj i najgoroj opciji u skupu
n) pridružujemo proizvoljne numeričke vrednosti (korisnosti). Ako odlučimo da
korisnosti svih opcija prikažemo na skali [0,1], onda će odgovarajuće korisnosti biti



13




u(x
1
)=0 i u(x
n
)=1. Tada, korisnosti opcije x
i
iznosi:

u(x
i
)=q
i
·1+(1-q
i
)·0=q
i
, i=2,3,..,n-1,

tj. ona je jednaka verovatnoći 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 zaključke 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 Marković želi da konstruiše svoju funkciju korisnosti novca u intervalu od
–50 000 din. do 100 000 din. Ovim novčanim iznosima on je proizvoljno pripisao korisnosti 0
i 10 respektivno. Zatim je proizvoljno izabrao tri novčana iznosa iz ovog intervala i odredio je
verovatnoće sticanja dobitaka u referentnim lutrijama (D je 100 000 din., a G je -50 000 din.),
za koje bi bio indiferentan izmedju sigurnog novčanog iznosa i učešća u igri:
Tabela 1.







a. Izračunajte korisnosti navedenih novčanih iznosa.
b. Skicirajte funkciju korisnosti M. Markovića.
c. Sa krive koju ste nacrtali pročitajte korisnosti za sledeće novčane iznose: 20 000 din., -30
000 din., -40 000 din.




Novčani iznos Verovatnoća sticanja dobitaka od 100 000 din.
-25 000 0.50
0 0.75
50 000 0.95



14




Rešenje:
Korisnosti opcije x
i
računamo kao:

u(x
i
)=q
i
*u(x
n
)+(1-q
i
)*u(x
n
)
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.

Novčani 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:








-60000 -40000 -20000 0 20000 40000 60000 80000 100000
0
2
4
6
8
10
u(20000)=8.59
u(-30000)=4
u(-40000)=2.19
u
(
x
)
x
kriva korisnosti novca

Slika 1.


Sa dobijenog grafika možemo odrediti tražene korisnosti:

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





15




6 zadatak. Novčani ishodi akcija su prikazani u tabeli odlučivanja:
Tabela 3.
Nivo tražnje
Akcija
S
1
- Nizak S
2
- Prosečan S
3
-Visok
A
1
-20 40 80
A
2
-50 30 100
A
3
0 0 0
Verovatnoća (p
i
) 0.30 0.60 0.10
Donosilac odluke je vrednosti novčanih ishoda izrazio u korisnostima na sledeći način:
Tabela 4.
Novčani iznos kardinalna korisnost
-50 0
-25 5
0 7.5
50 9.5
100 10

Primenom metode maksimalne očekivane korisnosti odrediti najbolju akciju.

Rešenje:

Sa konstruisanog grafika funkcije korisnosti određujemo tražene korisnosti:







-40 -20 0 20 40 60 80 100
0
2
4
6
8
10
9.6
9.4
9.1
5.5
k
o
r
i
s
n
o
s
t

(
u
)
novcani ishod

Slika 2.







16




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
S
1
- Nizak S
2
- Prosečan S
3
-Visok
A
1
5.5 9.4 9.6
A
2
0 9.1 10
A
3
7.5 7.5 7.5
Verovatnoća (p
i
) 0.30 0.60 0.10

U(A1)=OK(A1)=p
1
u
11
+p
2
u
12
+p
3
u
13
=0.30*5.5+0.60*9.4+0.10*9.6=8.25
U(A2)=OK(A2)=p
1
u
21
+p
2
u
22
+p
3
u
23
=0.30*0+0.60*9.1+0.10*10=6.46
U(A3)=OK(A3)=p
1
u
31
+p
2
u
32
+p
3
u
33
=0.30*7.5+0.60*7.5+0.10*7.5=7.5

Najbolja akcija je A1.


7. zadatak. Ishodi u sledećoj tabeli su prikazani u jedinicama korisnosti.
Tabela 6.
dogadjaj
akcija
S1-cene rastu S2-cene su stabilne S3-cene padaju
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 verovatnoće dogadjaja: p1=0.2, p2=0.4 i p3=0.4:
a) primenom metoda MOK izaberite akciju.
b) Korisnost transformišite primenom sledeće transformacije: u
,
=2u+3.
Na transformisane podatke primenite metod MOK i uporedite rezultat sa rezultatom pod (a).












17




Rešenje:

a) Očekivana korisnost akcije je jednaka zbiru proizvoda njenih ishoda (izraženih u
jedinicama kardinalne korisnosti) i verovatnoća njihovog javljanja (verovatnoća dogadjaja):

u(A1)=OK(A1)=p
1
u
11
+p
2
u
12
+p
3
u
13
=0.2*0.8+0.4*0.65+0.4*0.05=0.44
u(A2)=OK(A2)=p
1
u
21
+p
2
u
22
+p
3
u
23
=0.2*1+0.4*0.6+0.4*0=0.44
u(A3)=OK(A3)=p
1
u
31
+p
2
u
32
+p
3
u
33
=0.2*0.3+0.4*0.3+0.4*0.3=0.42

OK(A1)=OK(A2)>OK(A3)

Zaključujemo 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
S1-cene rastu S2-cene su stabilne S3-cene padaju
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)=p
1
u
11
+p
2
u
12
+p
3
u
13
=0.2*4.6+0.4*4.3+0.4*3.1=3.88
u(A2)=OK(A2)=p
1
u
21
+p
2
u
22
+p
3
u
23
=0.2*5+0.4*4.2+0.4*3=3.88
u(A3)=OK(A3)=p
1
u
31
+p
2
u
32
+p
3
u
33
=0.2*3.6+0.4*3.6+0.4*3.6=2.16
OK(A1)=OK(A2)>OK(A3)
Ponovo zaključujemo da smo indiferentni izmedju akcija A1 i A2 koje preferiramo u odnosu
na A3.




18




8. zadatak. Razmišljate da plasirate novi proizvod na tržište, koji može biti »pun pogodak« ili
»velika greška«. Verovatnoća da proizvod bude prihvaćen je 0.30, u kom slučaju će ostvareni
profit biti 500 000 din. U slučaju da proizvod ne bude prihvaćen, izgubićete 200 000 dinara.
a) Prikažite problem drvetom odlučivanja. i izračunajte očekivane vrednosti akcija
(»proizvoditi« i »odustati od proizvodnje«). Šta ćete odlučiti?
b) Izračunajte korisnosti mogućih ishoda i primenite metod MOK. Da li bi se vaša odluka
sada promenila?
Rešenje:

a) Tabela odlučivanja za navedeni problem:
Tabela 9.

Događaj
akcija
Prihvaćen proizvod Neprihvaćen proizvod
A
1
- Proizvoditi 500 000 -200 000
A
2
- Odustati od proizvodnje 0 0
Verovatnoća (pi) 0.3 0.7

Očekivane vrednosti alternativa su:
OV(A
1
)=p
1
*v
11
+p
2
*v
12
=0.3*500000+0.7*(-200000)=10000
OV(A
2
)=0
Drvo odlučivanja za navedeni problem je prikazano na slici 3:

Root
--
10000
proizvoditi
0
10000
prihvacen proizvod
500000
500000
neprihvacen proizvod
-200000
-200000
odustati od proizvodnje
0
0
0.3
0.7

Slika 3.

Kako je očekivana vrednost altrnative A
1
- »proizvoditi« veća od očekivane vrednosti
alternative A
2
- »odustati od proizvodnje«, metodom maksimalne očekivane vrednosti (MOV)
bismo izabrali alternativu A
1
-»proizvoditi«.
b) da bi primenili metod maksimalne očekivane korisnosti (MOK) potrebno je novčane



19




vrednosti ishoda akcija zameniti njihovim kardinalnim korisnostima. Novčani 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, čiji je dobitak jednak najboljem ishodu 500 000 din., a gubitka najgorem
–200 000 din. Korisnost ishoda 0 din. određujemo na osnovu metoda standardne igre tj. za
iznos od 0 din. nalazimo odgovor na pitanje: kolika treba da je verovatnoća (q) dobijanja 500
000 din. u lutriji L, za koju bismo bili indiferentni između sigurnog dobitka 0 din. i učešća 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. računamo kao:
U(0)=0.7*1+(1-0.7)*0=0.7
Sada možemo formirati tabelu odlučivanja gde ćemo novčane iznose zameniti njihovm
kardinalnim korisnostima:
Tabela 10.
Događaj
akcija
Prihvaćen proizvod Neprihvaćen proizvod
A
1
- Proizvoditi 1 0
A
2
- Odustati od proizvodnje 0.7 0.7
Verovatnoća (pi) 0.3 0.7

Očekivana korisnost akcije je jednaka zbiru proizvoda njenih ishoda (izraženih u jedinicama
kardinalne korisnosti) i verovatnoća njihovog javljanja (verovatnoća dogadjaja):

u(A1)=OK(A1)=p
1
u
11
+p
2
u
12
+p
3
u
13
=0.3*1+0.7*0=0.3
u(A2)=OK(A2)=p
1
u
21
+p
2
u
22
+p
3
u
23
=0.3*0.7+0.7*0.7=0.7

Kako je OK(A2)> OK(A1) opredelili bismo se za alternativu A
2
.


9. zadatak. Pretpostavimo da imamo veoma bogatog prijatelja, koji nam iz hira nudi da
izaberemo jednu od sledeće dve igre:
A
1
: Baciću novčić i ako padne »pismo« nećeš dobiti ništa, a ako padne »grb« daću ti 3
miliona dinara;
A
2
: Baciću novčić i ako padne »pismo« daću ti milion dinara, a ako padne »grb« daću ti 2
miliona dinara;
Metodama maksimalne očekivane vrednosti (MOV) i maksimalne očekivane korisnosti
(MOK) odrediti najbolje akcije i uporediti dobijene rezultate.




20




Rešenje:

Prikažimo problem sledećom tabelom:
Tabela 11.
Događaj
Akcija
S1-Pismo S
2
-Grb
A
1
0 3
A
2
1 2
Verovatnoća 0.5 0.5

Očekivane vrednosti alternativa su:
OV(A
1
)=p
1
*v
11
+p
2
*v
12
=0.5*0+0.5*3=1.5
OV(A
2
)= p
1
*v
21
+p
2
*v
22
=0.5*1+0.5*2=1.5
Kako su očekivane vrednosti obe akcije međusobno jednake sledi da nam pravilo izbora
MOV sugeriše da budemo indiferentni između A
1
i A
2
, odnosno da izaberemo bilo koju
alternativu.
Da bi primenili metod maksimalne očekivane korisnosti (MOK) potrebno je novčane
vrednosti ishoda akcija zameniti njihovim kardinalnim korisnostima.
Sve ishode u tabeli odlučivanja tretiramo kao nezavisne, sigurne opcije i formiramo njihovu
rang-listu po prioritetu: v
12
=3, v
22
=2, v
21
=1 i v
11
=0.
Zatim formulišemo referentnu lutriju, L, čiji je dobitak jednak najboljem ishodu 3 mil. din., a
gubitak najgorem 0 din. Korisnosti ishoda računamo primenom metode standardne igre.
Najboljem i najgorem ishodu dodeljujemo korisnosti 1 i 0. Za iznos v
22
=2 mil.din. nalazimo
odgovor na pitanje: Kolika treba da je verovatnoća dobijanja »premije« od 3 mil.din. u lutriji
L, za koju bismo bili indiferentni između sigurnog dobitka od 2 mil.din. i učešća u lutriji:

Pretpostavimo da smo izabrali q=0.95, onda je korisnost ishoda v
22
jednaka:
u(2)=0.95*1+(1-0.95)*0=0.95
Na isti način određujemo korisnost ishoda v
21
. Pretpostavimo da smo izabrali q=0.65; tada je
korisnost ishoda v
21
jednaka:
u(1)=0.65*1+(1-0.65)*0=0.65




21




Sada možemo formirati novu tabelu odlučivanja gde ćemo novčane iznose zameniti njihovim
kardinalnim korisnostima:
Tabela 12.
Događaj
Akcija
S1-Pismo S
2
-Grb
A
1
0 1
A
2
0.65 0.95
Verovatnoća 0.5 0.5

Očekivana korisnost akcije je jednaka zbiru proizvoda njenih ishoda (izraženih u jedinicama
kardinalne korisnosti) i verovatnoća njihovog javljanja (verovatnoća dogadjaja):

u(A1)=OK(A1)=p
1
u
11
+p
2
u
12
=0.5*0+0.5*1=0.5
u(A2)=OK(A2)=p
1
u
21
+p
2
u
22
=0.5*0.65+0.5*0.95=0.8

Kako je OK(A2)> OK(A1) opredelili bismo se za alternativu A
2
.

















22




Dopunska informacija i njena cena

Teorijske osnove

Bayesova teorema

Bayesova teorema predstavlja jedan od najpoznatijih, i za teoriju odlučivanja posebno
značajnih, rezultata teorije verovatnoće. Ime je dobila po autoru Thomasu Bayesu (1702-
1761.), engleskom matematičaru i teologu. Ova teorema omogućuje da se, na osnovu
prikupljenih informacija, izvrše korekcije polaznih uverenja u realizaciju posmatranih
događaja.
Posmatra se kompletan skup disjunktnih događaja, S={S
1
, S
2
,...,Sj,...,Sn}. To znači da se
jedan od njih mora realizovati,

=
j
j
S v 1 ) ( kao i da pojava jednog događaja isključuje
pojavu ostalih (S
i
∩S
j
=∅, i,j=1,2,...,n; i ≠ j).
Posmatra se događaj I, koji se može javiti samo ako se javi neki od događaja Sj, j=1,2,...,n.
Verovatnoća javljanja događaja Sk, pod uslovom da se događaj I već realizovao, jednaka je:
( )
( ) ( )
( )
( ) ( )
( ) ( )

=
= =
n
j
j j
k k k k
k
S I P S P
S I P S P
I P
S I P S P
I S P
1
, k=1,2,…,n
pri čemu su:
P(S
j
)-verovatnoća događaja S
j
(početna, a priori);
P(I)-verovatnoća događaja I;
( )
j
S I P -verovatnoća događaja I pod uslovom da se događaj S
j
realizovao;
( ) I S P
j
-verovatnoća događaja S
j
pod uslovom da se događaj I realizovao (korigovana, a
posteriori).










23




Potpuna (savršena) informacija i njena cena

Primer: Uprava odeljenja za marketing razmatra dve moguće situacije vezane za novi
proizvod: predstaviti ga ili ne na tržištu, što odgovara akcijama A
1
i A
2
, 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 plaćanja i definiše apriori verovatnoće. Ukoliko se predstavi novi
proizvod, uprava očekuje profit od -2.000.000 din. za S1, 1.500.000 din. za S2, i 4.000.000
din. za S3. U slučaju da se proizvod ne predstavi tržištu, profit je uvek jednak nuli, nezavisno
od stanja. Dodeljene apriori verovantoće su v(S1)=0.25, v(S2)=0.50 i v(S3)=0.25. Plaćanje
(profit) je prikazano sledećom tabelom:
Događaj
Akcija
S
1
- niska tražnja S
2
- srednja tražnja S
1
- visoka tražnja
A
1
-2 000 000 1 500 000 4 000 000
A
2
0 0 0
Verovatnoća 0.25 0.50 0.25

U idealnom slučaju moguće je pribaviti savršenu informaciju, koja sa sigurnošću otkriva
buduće stanje na tržištu i uslove rizika pretvara u uslove izvesnosti. Umesto rasporeda
verovatnoća buduće potražnje, savršena informacija izdvaja jedno stanje. Na taj način, ona
odluku čini trivijalnom, odnosno, svodi je na izbor akcije kojom se, u poznatim tržišnim
okolnostima, postiže najbolji rezultat. Na primer, ako informacija pokazuje da će potražnja
biti niska, v(S1)=l, onda bi se donosioc odluke opredelio za akciju A
2
, tj. odustajanje od
novog proizvoda; ako informacija nedvosmisleno pokazuje da će se realizovati prosečna
tražnja, v(S2)=1, donosioc odluke bi se opredelio za novi proizvod A
1
; i ako se sa sigurnošću
predviđa visoka potražnja, v(S3)=1, onda bi donosioc odluke sugerisao proizvodnju A
1
.
Ali, problem sa informacijom je nepoznat sadržaj pre kupovine, tj., prvo se treba odlučiti da li
kupiti ili ne savršenu informaciju, i tek ako se kupi, donosioc odluke saznaje buduće stanje na
tržištu i efekte akcije koja će biti izabrana u datim okolnostima.
U toj situaciji odluka o kupovini informacije donosi se na osnovu očekivanih vrednosti u
uslovima izvesnosti (OVUI). OVUI predstavlja prosečan profit koji bi bio ostvaren u dugom
nizu kada bi se odlučivalo u uslovima izvesnosti. Tada bi donosioc odluke pre svakog izbora
akcije tačno znao buduće stanje na tržištu. Prema tome, OVUI predstavlja ponderisani zbir
verovatnoća javljanja pojedinih događaja i maksimalnih rezultata koje je u svakom od njih
moguće postići.



24




[ ]
ij i
n
j
j
p OVUI ν max
1

=
⋅ =

Pretpostavimo da u primeru problema predstavljanja novog proizvoda uprava sa sigurnošću
zna da će se u momentu odlučivanja odigrati stanje S
1
. Tada bi uprava izabrala akciju A
2
, jer
donosi najveći profit. Sa druge strane, ako se zna da će se odigrati stanje S
2
ili S
3
, uprava će
izabrati akciju A
1
. Time će uprava, birajući odluku, realizovati profit od 0, 1.500.000 i
4.000.000 din., respektivno. U stvarnosti se stanja S
1
, S
2
i S
3
odigravaju sa verovatnoćama
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 odlučivanja koje će se stanje odigrati. Treba imati na umu da vrednost
od 1.750.000 din. predstavlja očekivani profit pre kupovine informacije. Nakon kupovine
informacije saznaće se stvarni tržišni uslovi, pa će i konačan rezultat ostvaren izborom
najbolje akcije u datim okolnostima, biti: 0 din, 1.500.000 din. ili 4.000.000 din.
Sada je moguće izračunati koliko najviše vredi savršena informacija, odnosno, koliko iznosi
maksimalna cena po kojoj je ekonomski opravdano pribavljanje informacije. Vrši se
poređenje OVUI sa očekivanom vrednošću akcije koju bi donosioc odluke izabrao na osnovu
prethodne analize, zasnovane na početnim subjektivnim verovatnoćama. U primeru bi bila
izabrana akcija A1 koja ima maksimalnu očekivanu vrednost; njenim biranjem u dugom nizu
ostvario bi se profit od 1.250.000 din.
Budući da je oćekivana vrednost u uslovima izvesnosti jednaka 1.750.000 din, a maksimalna
očekivana 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
očekivana vrednost potpune informacije i obeležava sa OVPI:
OVPI=OVUI-max
i
OV(A
i
)
OVPI=1 750 000-1 250 000=500 000 din.
Vidi se da bi pribavljanje savršene informacije izazvalo porast očekivane vrednosti za
500.000 dinara. Samim tim, OVPI predstavlja najveću cenu koja se može prihvatiti da bi se
saznalo buduće stanje na tržištu.









25




1. zadatak: Uprava odeljenja za marketing razmatra dve moguće 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 plaćanja i definiše apriori verovatnoće. Ukoliko se predstavi novi
proizvod, uprava očekuje profit od -2.000.000 din. za S1, 1.500.000 din. za S2, i 4.000.000
din. za S3. U slučaju da se proizvod ne predstavi tržištu, profit je uvek jednak nuli, nezavisno
od stanja. Dodeljene apriori verovantoće su v(S1)=0.25, v(S2)=0.50 i v(S3)=0.25. Plaćanje
(profit) prikazan je sledećom tabelom.
Tabela 1.
S
A
S
1
S
2
S
3

A
1
-2000000 1500000 4000000
A
2
0 0 0
verovatnoća 0.25 0.50 0.25

Ipak, prisutan rizik velikog gubitka od 0.25 (u slučaju pojave niske potražnje), primorava
menadžere da preispitaju svoja prvobitna ubeđenja. Svesni moguće pristrasnosti, oni žele da
potvrde svoje optimističke prognoze. Zbog toga razmišljaju da angažuju poznatu agenciju za
istraživanje tržišta, koja bi trebalo da potvrdi ili ospori njihovo inicijalno uverenje u uspeh.
Zbog veoma kratkih rokova koji su joj postavljeni, agencija predlaže istraživanje sa sledećim
mogućim rezultatima i njihovim karakteristikama. Istraživanje ima tri rezultata: informaciju
X1 – slaba prodaja (što znači nisku potražnju), X2 – srednja prodaja (što znači srednju
potražnju), i X3 – velika prodaja (što znači veliku potražnju), pri čemu pouzdanost rezultata
nije potpuna, tj. manja je od 100%. Kao što je već rečeno, povoljan rezultat (X2 ili X3) ne
garantuje da će potražnja biti velika, kao što ni nepovoljan rezultat (X1) ne znači obavezno da
će potražnja biti niska. Može se dobiti povoljan ili nepovoljan rezultat, bez obzira na stvarno
stanje na tržištu.
Agencija je obavestila upravu da ako na tržištu postoji niska potražnja (S1), onda su
verovatnoće da je prodaja slaba 0.80, srednja 0.10 i velika 0.10. Ako je potražnja srednja (S2),
onda su verovatnoće da je prodaja slaba 0.20, srednja 0.60 i velika 0.20. I konačno, ako je
potražnja visoka (S3), onda su verovatnoće da je prodaja slaba 0.10, srednja 0.30 i velika 0.60.
Ove verovatnoće obeležavaju se sa V(X
k
S
j
) i nazivaju uslovne verovatnoće.




26




Tabela 2.
S
informacija
S
1
S
2
S
3

X
1
0.8 0.2 0.1
X
2
0.1 0.6 0.3
X
3
0.1 0.2 0.6
∑ 1.0 1.0 1.0

Odrediti a posteriori verovatnoće javljanja pojedinih događaja, S1, S2, S3, pod uslovom da je
istraživanjem tržišta dobivena informacija: X
1
(1. slučaj), X
2
(2. slučaj) i X
3
(3. slučaj). Zatim,
konstruisati drvo odlučivanja i izračunati očekivane vrednosti akcija A
1
i A
2
u slučaju
angažovanja agencije i bez angažovanja agencije. Odrediti očekivanu vrednost delimične
informacije, tj. maksimalnu cenu angažovanja agencije koja je ekonomski opravdana.


Rešenje:
Pretpostavimo da je rezultat istraživanja tržišta nepovoljan, tj. da je dobivena informacija X1.
Iako nesavršena, informacija govori u prilog javljanja dogadaja S1 i utiče na prvobitno
ubeđenje koje treba korigovati. Drugim rečima, prvobitne verovatnoće v(S1)=0.25, v(S2)=0.50
i v(S3)=0.25 treba revidirati na osnovu nove informacije, X1.
Primenom Bayesove teoreme računaju se a posteriori verovatnoće javljanja pojedinih
događaja, S1, S2, S3, pod uslovom da je istraživanjem tržišta dobivena informacija X
1
:



27






Verovatnoće v(S
1
X
1
), v(S
2
X
1
) i v(S
3
X
1
)su a posteriori verovatnoće događaja S1, S2 i S3 jer
su određene nakon dobivanja dopunske informacije. Nepovoljan rezultat istraživanja (slaba
prodaja - X1) pozitivno se odrazio na verovatnoću javljanja niske potražnje, koja se povećala
sa 0.25 na 0.615. Takođe, informacija je nepovoljno uticala na verovatnoću pojave srednje
potražnje, koja se sa 0.50 smanjila na 0.308, i velike potražnje, koja se sa 0.25 smanjila na
0.077, što je i realno ako je predviđena slaba prodaja. Nakon korekcije početnih verovatnoća
događaja, vrši se revizija samog problema odlučivanja u vidu tabele a posteriornih
verovatnoća (tabela 3).

Tabela 3 . Problem izbora kada je rezultat istraživanja X
1







28




Drugi slučaj: Pretpostavimo da je rezultat tržišnih ispitivanja povoljan, tj. da je dobijena
informacija srednja prodaja (X2). Primenom Bayesove teoreme računaju se verovatnoće
javljanja događaja S1, S2 i S3 pod uslovom da je sadržaj dobivene informacije X2:


Kao i u prethodnom slučaju, vrednosti izračunatih a posteriornih verovatnoća prikazane su
tabelarno:

Tabela 4 . Problem izbora kada je rezultat istraživanja X
2


Treći slučaj: I konačno, pretpostavimo da je rezultat tržišnih ispitivanja velika prodaja (X3).
Primenom Bayesove teoreme računaju se verovatnoće javljanja događaja S1, S2 i S3 pod
uslovom da je sadržaj dobijene informacije X3:





29






Kao i u prethodnim slučajevima, vrednosti izračunatih a posteriornih verovatnoća dati su u
tabeli 5.
Tabela 5.


Na osnovu proračunatih vrednosti vršimo konstrukciju drveta odlučivanja:








30




Root
--
1.4008
angazovati agenciju
0
1.4008
X1 slaba prodaja
0
0
izaci na trziste
0
-0.46
S1 niska potraznja
-2
-2
S2 najverovatnija potraznja
1.5
1.5
S3 velika potraznja
4
4
odustati
0
0
X2 srednja prodaja
0
1.753
izaci na trziste 1
0
1.753
S1 niska potrazna 1
-2
-2
S2 najverovatnija potraznja 1
1.5
1.5
S3 velika potraznja 1
4
4
odustati 1
0
0
X3 velika prodaja
0
2.544
izaci na trziste 2
0
2.544
S1 niska potraznja 2
-2
-2
S2 najverovatnija potraznja 2
1.5
1.5
S3 velika potraznja 2
4
4
odustati 2
0
0
ne angazovati agenciju
0
1.25
izaci na trziste 3
0
1.25
S1 niska potraznja 3
-2
-2
S2 najverovatnija potraznja 3
1.5
1.5
S3 velika potraznja 3
4
4
odustati 3
0
0
0.325
0.615
0.308
0.077
0.400
0.062
0.750
0.188
0.275
0.091
0.364
0.545
0.25
0.5
0.25
Slika 1.
Na osnovu očekivanih vrednosti akcija »angažovati agenciju« (AA) (OV=1 400 800 din.) i
akcije »ne angažovati agenciju« (NA) (OV=1 250 000 din.) zaključujemo da je akcija
»angažovati agenciju« bolji izbor.




31




Očekivanu vrednost delimične informacije, OVDI, izračunavamo kao razliku izmedju
očekivane vrednosti akcije »angažovati agenciju« (AA) i akcije »ne angažovati agenciju«
(NA):

OVDI=OV(AA)-OV(NA)=1400800-1250000=150800 din.
što predstavlja maksimalnu vrednost cene angažovanja marketinške agencije koja je
ekonomski opravdana.


2. zadatak: Pretpostavimo da Zastava želi da lansira novi tip automobila na tržište.
Menadžeri su optimisti u pogledu reakcije kupaca na karakteristike, izgled i planiranu cenu
novog vozila, zbog čega visokoj tražnji (S1) pripisuju verovatnoću od 0.7, a niskoj tražnji
(S2) verovatnoću od 0.3. U zavisnosti od uslova na tržištu menadžeri su ocenili i moguće
rezultate prodaje novog proizvoda U slučaju visoke tražnje profit bi iznosio 600 mil.din., dok
bi u slučaju niske tražnje gubici iznosili 300 mil.din. .Prisutan rizik od 0.3 velikog gubitka (u
slučaju pojave niske tražnje) navodi menadžere na razmišljanje da angažuju poznatu agenciju
za istraživanje tržišta, koja bi trebalo da potvrdi ili ospori njihovo inicijalno uverenje u uspeh.
Agencija predlaže istraživanje sa sledećim mogućim rezultatima i njihovim karakteristikama.
Istraživanje će imati samo dva rezultata: informaciju I
1
-povoljan rezultat ili I
2
-nepovoljan
rezultat. Verovatnoća da informacija bude povoljna je procenjena na 0.67. Takodje, postoji
verovatnoća od 0.888 da će tražnja biti visoka pod uslovom da dobijena informacija
istraživanja bude povoljna. Sa druge strane, u slučaju dobijanja nepovoljne informacije,
verovatnoća javljanja visoke tražnje iznosi 0.318.
Odrediti maksimalnu cenu angažovanja agencije koja je za Zastavu ekonomski opravdana.

Rešenje:

Dato:
Verovatnoća javljanja povoljne informacije:
P(I
1
)=0.67
A posteriori verovatnoće događaja S
1
i S
2
:
P(S
1
/I
1
)=0.888
P(S
1
/I
2
)=0.318

Sledi da su:

P(I
2
)=0.33
P(S
2
/I
1
)=0.112
P(S
2
/I
2
)=0.682




32










Root
--
334.464
angazovati agenciju
0
334.464
povoljna informacija
0
499.2
proizvoditi
0
499.2
visoka traznja
600
600
niska traznja
-300
-300
ne proizvoditi
0
0
nepovoljna informacija
0
0
proizvoditi 1
0
-13.8
visoka traznja 1
600
600
niska traznja 1
-300
-300
ne proizvoditi 1
0
0
ne angazovati agenciju
0
330
proizvoditi 2
0
330
visoka traznja 2
600
600
niska traznja 2
-300
-300
ne proizvoditi 2
0
0
67%
88.8%
11.2%
33%
31.8%
68.2%
70%
30%



Slika 2. Drvo odlučivanja za navedeni problem odlučivanja

Očekivanu vrednost delimične informacije, OVDI, izračunavamo kao razliku izmedju
očekivane vrednosti akcije »angažovati agenciju« (AA) i akcije »ne angažovati agenciju«
(NA):

OVDI=OV(AA)-OV(NA)=334.464-330=4.464











33




3. zadatak: Nenad Stojić (pasionirani biciklista) planira da otvori prodavnicu bicikala u svom
rodnom gradu. On može da otvori samo prodavnicu (A1), prodavnicu sa servisom za
popravke (A2), ali i da odustane od ideje (A3). Prostor na koji računa se izdaje na 4 godine,
zbog čega je važno da on donese pravilnu odluku. Nenad razmišlja da angažuje i prijatelja,
koji bi mu u svojoj agenciji za istraživanje tržišta ispitao nivo tražnje za biciklima.
Rezultati studije mogu biti povoljni (I1) ili nepovoljni (I2).
a. Konstruišite drvo odlučivanja za dati problem.
b. Nenad je uradio neke analize o profatibilnosti prodavnice bicikala. Ako otvori
prodavnicu i servis zaradiće 600 000 din. pod uslovom da je tržište povoljno, ali može
i da izgubi 400 000 din., ako je tržište nepovoljno. Samo prodavnica će mu doneti
profit od 300 000 din., u uslovima povoljnog tržišta, i gubitak od 100 000 din., u
uslovima nepovoljnog tržišta. On za sada veruje da su šanse da tržište povoljno 50:50.
(Konstruišite tabelu i drvo odlučivanja za ovaj problem).
c. Ako se Nenad odluči za istraživanje tržišta, ono će ga koštati 35 000 din. Verovatnoća
da informacija bude povoljna je procenjena na 0.6. Takodje postoji verovatnoća od
0.95 da će tržište biti povoljno pod uslovom da dobijena informacija istraživanja bude
povoljna. Ali, Nenada je upozorio prijatelj da je verovatnoća javljanja povoljnog
tržišta, u slučaju da se dobije nepovoljna informacija svega 0.1. Nenad je u nedoumici.
Šta treba da uradi?


Dato:
P(I1)=0.6
P(S
1
/I
1
)=0.95
P(S
1
/I
2
)=0.1

Sledi da je:

P(I
1
)=0.4
P(S
2
/I
1
)=0.05
P(S
2
/I
2
)=0.9




34







Slika 3.

Na osnovu očekivanih vrednosti akcija »angažovati agenciju« (AA) (OV=295000 din.) i
akcije »ne angažovati agenciju« (NA) (OV=100000 din.) zaključujemo da je akcija
»angažovati agenciju« bolji izbor.






35




Sekvencijalno odlučivanje


Teorijske osnove

Sekvencijalna analiza se bavi nizovima odluka koje hronološki slede jedna drugu i značajno
su međusobno uslovljene; svaki sledeći korak je određen ishodom odluke koja mu je
neposredno prethodila, dok izbori zavise od anticipiranih ishoda budućih akcija. Formalnu
analizu sprovodimo primenom drveta odlučivanja u sledeća tri koraka:
• Konstruišemo drvo, tj. strukturišemo problem. Ovde je potrebno da pomirimo dva
suprotna zahteva: da sačuvamo realnost problema i istovremeno obezbedimo
preglednost i primenjivost modela;
• Ocenjujemo vrednosti ishoda i verovatnoće događaja u svim hronološki povezanim
odlukama. U ovoj fazi, po potrebi, primenjujemo Bajesovu teoremu, tj. vršimo
korekcije početnih verovatnoća događaja shodno mogućim rezultatima dopunskih
informacija i njihovoj pouzdanosti.
Određujemo optimalnu strategiju (putanju kojom ćemo se kretati od početnog čvora do nekog
od konačnih ishoda). U tom cilju primenjujemo indukciju unazad, koju na drvetu odlučivanja
sprovodimo sa desna na levo, a izbor zasnivamo na principu MOV.













37




1. zadatak. Metal Discovery Group (MDG) je kompanija koja vrši geološka istraživanja
zemljišta u cilju utvrdjivanja rudnih rezervi. Trenutno razmatraju mogućnost kupovine
odredjenog zemljišta po ceni od 3 mil. dolara. Ako MDG kupi ovo zemljište, sprovešće
geološko istraživanje. Procenjeno je da će ih ono koštati dodatnih 1 mil. dolara. Stručnjaci
kompanije su procenili da postoje sledeće verovatnoće pronalaženja značajnih rudnih rezervi
sledećih metala:
-mangana 1% verovatnoće
-zlata 0.05% verovatnoće
-srebra 0.2% verovatnoće
Ne postoji mogućnost pronalaženja značajnih rezervi drugih metala, kao ni mogućnost
pronalaženja značajnih rezervi dva ili tri navedenih metala istovremeno.
Ako se istraživanjem utvrdi ležište mangana, kompanija procenjuje da će biti u mogućnosti da
zemljište proda za 30 mil. dolara. Otkrivanje rezervi zlata bi omogućilo prodaju zemljišta po
ceni od 250 mil. dolara, dok bi otkrivanje srebra omogućilo prodaju zemlje po ceni od 150
mil. dolara.
MDG ima mogućnost da po ceni od 750 000 dolara kupi prava na trodnevno, preliminarno,
test istraživanje zemljišta pre nego što se odluče da li da kupe zemlju. Ovo test istraživanje,
koje bi kompaniju koštalo 250 000 dolara, može jedino da pruži preliminarnu indikaciju da li
su rezerve nekog od spomenutih metala zaista prisutne. Procenjeno je da su šanse da rezultati
sprovedenog preliminarnog istraživanja budu povoljni 50%. U tom slučaju, verovatnoće
otkrivanja rezervi mangana, zlata ili srebra rastu na 3%, 2% i 1%, respektivno. Ukoliko,
rezultati trodnevnog istraživanja budu nepovoljni, verovatnoće otkrivanja rezervi mangana,
zlata ili srebra postaju 0.75%, 0.04% i 0.175%, respektivno.
Konstruisati drvo odlučivanja za navedeni problem i primenom MOV metode odrediti
najpovoljniju opciju za kompaniju MDG.

Rešenje:
Drvo odlučivanja za navedeni problem je prikazano na sledećoj slici:








38






Slika 1. Drvo odlučivanja

Proračunate vrednosti očekivanih vrednosti (OV) za moguće alternative iznose:
-kupiti zemljište i istražiti: OV=-3.275
-preliminarno istraživanje: OV=0.7
-odustati: OV=0
Na osnovu ovih rezultata, zaključujemo da je najbolja alternativa: preliminarno istraživanje.
Ukoliko rezultati trodnevnih istraživanja budu povoljni, tj. nagoveste mogućnost otkrivanja
značajnih rezervi nekog od navedenih metala, kompanija bi trebala da kupi zemljište i
sprovede detaljno istraživanje. U slučaju nepovoljnih rezultata test istraživanja, kompanija bi
trebala da odustane od kupovine tog zemljišta.




39




Zadatak 2. Vlasnik stana razmišlja da osigura svoje kućne vrednosti od krađe na godinu
dana. Svoju kućnu imovinu je procenio na 20 000 dolara.
Statistički podaci vezani za kradje i provale, ukazuju mu da je mogućnost provale u njegov
stan u narednih godinu dana 0.03. Takodje, na osnovu statistike je utvrdjeno da bi prilikom
krađe njegovi gubici iznosili 10%, 20%, ili 40% od ukupne vrednosti njegove imovine sa
odgovarajućim verovatnoćama od 0.5, 0.35 i 0.15, respektivno.
Vlasnik stana razmatra uslove tri firme za osiguranje.
Polisa osiguranja firme A iznosi 150 dolara godišnje. Firma se obavezuje da će nadoknaditi
celokupni iznos gubitaka uslovljenih krađom.
Polisa osiguranja firme B je jeftinija i iznosi 100 dolara godišnje, s tim što vlasnik preuzima
obavezu da sam nadoknadi iznos od 50 dolara u slučaju bilo koje vrednosti gubitka.
Polisa osiguranja firme C je najjeftinija i iznosi 75 dolara na godišnjem nivou, ali se firma
obavezuje da isplati samo 60% od ukupne vrednosti štete.
Konstruisati drvo odlučivanja za ovaj problem i metodom MOV izabrati najbolju alternativu.

Rešenje:
Drvo odlučivanja je prikazano na narednoj slici:










40






Slika 2. Drvo odlučivanja
Na osnovu izračunatih vrednosti očekivanih vrednosti (OV) za svaku alternativu koje iznose:
-bez osiguranja: OV=-108
-osiguranje kod firme A: OV=-150
-osiguranje kod firme B: OV=-101.5
-osiguranje kod firme C: OV=-118.2
zaključujemo da je najbolja alternativa »osiguranje kod firme B« zato što ima najveću
očekivanu vrednost.



41




Zadatak 3. Lokalni košarkaški tim se plasirao u finale nacionalnog prvenstva. Njih uskoro
očekuje finalna utakmica koja će odlučiti novog šampiona. Vlasnik sportske radnje u istom
gradu planira da zaradi prodajom majica sa znakom spomenutog košarkaškog kluba. Siguran
je da će prodati veliki broj majica u slučaju pobede lokalnog tima u finalu. Da bi majice bile
spremne odmah posle finalne utakmice potrebno je da ih naruči bar nedelju dana pre finala.
Predviđa da će u slučaju pobede prodati izmedju 2000 i 10000 majica po ceni od 20$. Cena
majica po kojoj ih može naručiti je 7$ po komadu. Svaku neprodatu majicu moći će da proda
po ceni od 2$. Procenjuje da su šanse tima u finalu 60%.
Vlasnik mora da odluči da li da naruči majice u količini od 5000 komada, 10000 komada ili
da odustane.
Konstruisati drvo odlučivanja i primenom metode MOV izabrati akciju.

Rešenje:

U ovom problemu postoje dve neizvesnosti: nije poznato koji tim će osvojiti prvenstvo i
koliko majica će biti prodano u slučaju pobede lokalnog tima.

Naredna slika prikazuje drvo odlučivanja konstruisano u cilju rešavanja navedenog problema:

Akcije izmedju kojih biramo su:
-kupiti 5000 majica
-kupiti 10000 majica
-odustati
i one su pokazane granama koje polaze iz prvog čvora odluke.

Zatim se svaka grana odluke grana račva na grane pojedinih dogadjaja:
-pobeda tima
-poraz tima
Posle dogadjaja »pobeda tima« sledi novi neizvesni dogadjaj vezan za ukupnu tražnju majica.

Početna pretpostavka je bila da će u slučaju pobede domaćeg tima biti prodano od 2000 do
10000 majica. Ovaj interval očekivane prodaje se deli na četiri manja intervala (2000-4000;
4000-6000; 6000-8000; 8000-10000;) i zatim se uzimaju srednje vrednosti iz svakog intervala



42




očekivane prodaje (3000; 5000; 7000; 9000; ) kao mogući događaji. Svakom od navedenih
neizvesnih događaja (prodaja 3000, 5000, 7000 ili 9000 majica) dodeljena je jednaka
verovatnoća ostvarivanja (25%).

Primenom indukcije unazad, izračunate su očekivane vrednosti pojedinih akcija i donet je
sledeći zaključak:
-rezultati pokazuju da je akcija »kupiti 5000 majica« superiorna u odnosu na akcije »kupiti
10000 majica« i »odustati« jer je OV(A1)=23600>OV(A2)=14800>OV(A3)=0

Root
--
23600
kupiti 5000 majica
-35000
23600
tim pobedjuje
0
56000
traznja 3000 majica
64000
29000
traznja 5000 majica
100000
65000
traznja7000 majica
100000
65000
traznja 9000 majica
100000
65000
tim gubi finale
10000
-25000
kupiti 10000 majica
-70000
14800
tim pobedjuje 1
0
58000
traznja 3000 majica 1
74000
4000
traznja 5000 majica 1
110000
40000
traznja 7000 majica 1
146000
76000
traznja 9000 majica 1
182000
112000
tim gubi finale 1
20000
-50000
nista ne kupovati
0
0
60%
25%
25%
25%
25%
40%
60%
25%
25%
25%
25%
40%


Slika 3.





43




Zadatak 4. Kompanija FPE proizvodi preciznu elektroniku. Menadžeri treba da odluče da li
da prihvate projekat razvoja nove serije veoma preciznih elektronskih mernih instrumenata,
koji bi firmi omogućili značajnu konkurentsku prednost na tržištu. Troškovi istraživačkog
projekta bi iznosili 400 000 evra. Odeljenje za marketing i prodaju ocenjuje da bi životni vek
novih proizvoda bio pet godina, kao i da bi oni predstavljali veliki uspeh ako bi se mogli
proizvesti i plasirati u periodu od dve godine. Menadžeri su ocenili očekivane profite i
verovatnoće njihovog javljanja: u slučaju visoke tražnje (verovatnoća 0.2) profit bi iznosio 1.6
mil.evra; u slučaju prosečne tražnje (verovatnoća 0.5) profit bi iznosio 800 000 evra i u
slučaju niske tražnje (verovatnoća 0.3) profit bi bio svega 400 000 evra. Ipak, imajući u vidu
relativno skromne mogućnosti centra za istraživanje, šanse da se projekat uspešno završi u
tako kratkom roku su relativno male, odnosno, menadžeri ih procenjuju na 50%. Ako se ovaj
rok probije, onda bi firma mogla da podnese dodatne troškove za nastavak istraživanja. Ali,
postoji realna opasnost da će neka od konkurentskih firmi do tada ponuditi slične proizvode i
tako zauzeti deo tržišta na koji FPE pretenduje. Ako istraživački napori za dve godine ne
urode plodom, onda bi se mogla obezbediti dodatna sredstva za nastavka istraživanja za još
godinu dana od 200 000 evra. Ipak, menadžeri očekuju da će se šanse uspešne realizacije
istraživanja smanjiti, pa joj prpisuju verovatnoću od 0.3. Ako za tri godine firma uspe da
plasira nove proizvod, onda se, zbog moguće pojave konkurentskih proizvoda, očekuju znatno
slabiji rezultati od prethodnih. Zato menadžeri predvidjaju da će ukupan diskontovani profit
za period od 4 godine (u zavisnosti od pojave visoke, prosečne ili niske tražnje) iznositi: 1.2
mil.evra (sa verovatnoćom od 0.1), 600 000 evra (sa verovatnoćom od 0.5) i 300 000 evra (sa
verovatnoćom od 0.4). Konačno, ako firma u bilo kom periodu napusti projekat, konkurentski
nastup sa sličnim proizvodima neće se tretirati kao oportunitetni gubitak.

Konstruisati drvo odlučivanja i odrediti najbolju alternativu primenom MOV metode.

Rešenje:




44




Root
--
20
finansirati istrazivanje
-400
20
uspeh
0
440
uvesti nove proizvode
0
440
visoka traznja
1600
1200
prosecna traznja
800
400
niska traznja
400
0
odustati od proizvodnje
0
-400
neuspeh
0
-400
dodatno finansirati istrazivanje
-200
-438
uspeh 1
0
-60
kasno uvesti nove proizvode
0
-60
visoka trazna 1
1200
600
prosecna traznja 1
600
0
niska traznja 1
300
-300
odustati 2
0
-600
neuspeh 1
0
-600
odustati 1
0
-400
odustati
0
0
50%
20%
50%
30%
50%
30%
10%
50%
40%
70%


Slika 4. Drvo odlučivanja



45




Na osnovu proračunatih očekivanih vrednosti alternativa sledi da bi kompanija trebala da
finansira istraživanje jer je OV ove akcije (20) veća od akcije odustati (0). U slučaju da
projekat ne bude uspešno završen u predviđenom periodu od dve godine, kompanija bi trebala
da odustane od dodatnog finansiranja jer je OV akcije »odustati« (-400) veća od OV akcije
»dodatno finansirati« (-436).

Zadatak 5. Proizvođač bezalkoholnih pića se dvoumi izmedju dva nova proizvoda:
»Malinde« (gaziranog pića sa ukusom maline) i »Vatrenog tigra« (negaziranog energetskog
pića). U slučaju niske tražnje, prvi proizvod (M) bi doneo gubitke od 100 mil.din. dok bi
drugi (VT), izazvao gubitke od 150 mil.din. U slučaju visoke tražnje, profit od proizvodnje M
bi bio 250 mil.din., a od proizvodnje VT 400 mil.din. U slučaju niske tražnje za proizvodom
M (čija se verovatnoća procenjuje sa 0.4), proizvodjač bi mogao da pojača marketinšku
kampanju (koja bi koštala 30 mil.din.) ili da odustane od dalje proizvodnje. Ako se opredeli
za dalju kampanju, onda se sa verovatnoćom od 0.7 očekuje visoka tražnja (sa profitom od
250 mil.din.); prosečna tražnja (sa profitom od 50 mil.din.) i niska tražnja (sa gubitkom od
150 mil.din.) se smatraju jednako verovatnim. U slučaju da proizvođač izabere proizvod VT i
tražnja bude niska (verovatnoća je 0.5), onda bi on mogao da odustane od proizvodnje ili da
promeni naziv proizvoda i ambalažu, a zatim da marketinšku kampanju usmeri na stariju
populaciju (dodatni troškovi bi iznosili 35 mil.din.); tada sa verovatnoćom od 0.2 očekuje
visoka traznja (sa profitom od 200 mil. din.), prosečna tražnja se očekuje sa verovatnoćom od
0.5 (i profitom od 90 mil.din.), dok bi niska tražnja donela dobitak od 50 mil.din. Proizvođač
može i da odustane od uvodjenja novog proizvoda. Šta bi ste mu sugerisali?




46





Root
--
162
Malinda
0
162
niska traznja
-100
30
marketinska kampanja
-30
30
visoka traznja 1
250
120
prosecna traznja 1
50
-80
niska traznja 1
-150
-280
odustati
0
-100
visoka traznja
250
250
Vatreni tigar
0
157.5
niska traznja 2
-150
-85
marketinska kampanja 1
-35
-85
visoka traznja 3
200
15
prosecna traznja 3
90
-95
niska traznja 3
50
-135
odustati od proizvodnje
0
-150
visoka traznja 2
400
400
40%
70%
15%
15%
60%
50%
20%
50%
30%
50%



Slika 5.


Proizvodnja »Malinde« je bolji izbor jer je očekivana vrednost ove alternative (162) veća od
očekivane vrednosti »Vatreni tigar« (157.5).



47




Zadatak 6. Kompanija razmatra da li da konkuriše za odredjeni posao. Troškovi
prijavljivanja na konkurs iznose 10 000 dolara. Njihova procena je da postoji verovatnoća od
50% da će, nakon konkurisanja, ući u uži izbor za dobijanje posla. U protivnom, njihova
ponuda će biti odbačena. Ako uđe u uži izbor, kompanija će morati da dostavi detaljne
informacije koje povlače dalje troškove, procenjene na 5000 dolara. Posle ove faze, njihova
ponuda će biti prihvaćena ili odbijena. Kompanije je izračunala vrednosti materijalnih i drugih
troškova realizacije posla i oni iznose 127 000 dolara. Menadžment kompanije razmatra cenu
obavljanja posla sa kojom bi kompanija izašla na konkurs. Mogućnosti su 155 000, 170 000 i
190 000 dolara. Procenjene verovatnoće da će njihova ponuda biti prihvaćena (nakon ulaska u
uži izbor) su 0.9 u slučaju ponuđene cene u iznosu od 155 000, 0.75 u slučaju ponuđene cene
od 170 000 i 0.35 u slučaju ponuđene cene od 190 000 dolara.
Odrediti da li kompanija treba da konkuriše za posao i kolika bi trebala da iznosi njihova
ponuda?
Rešenje:

Root
--
3625
konkurisati
-10000
3625
ulazak u uzi izbor
-5000
17250
ponuda od 155 hiljada
0
10200
prihvacena
28000
13000
odbijena
0
-15000
ponuda od 170 hiljada
0
17250
prihvacena 1
43000
28000
odbijena 1
0
-15000
ponuda od 190 hiljada
0
7050
prihvacena 2
63000
48000
odbijena 2
0
-15000
odbacena ponuda
0
-10000
odustati
0
0
50%
0.9
0.1
0.75
0.25
0.35
0.65
50%


Slika 6.
Na osnovu proračunatih očekivanih vrednosti alternativa sledi da bi kompanija trebala da
konkuriše jer je OV ove akcije (3625) veća od akcije odustati (0). Ponuda kompanije bi



48




trebala da iznosi 170 000 dolara jer ova alternativa ima veću OV (17 250) u odnosu na
alternativu »ponuda od 150 000« (OV=10 200) i alternativu »ponuda od 190 000« (OV=7
050).



Zadatak 7: Kompanija treba da donese odluku vezanu za novi proizvod, proizveden od strane
njihovog istraživačkog tima. Menadžeri treba da odluče da li da se na tržište izađe sa probnom
serijom proizvoda ili da se potpuno odustane od njegove proizvodnje. Procenjeno je da će
ukupni troškovi lansiranja probne serije proizvoda na tržište iznositi 100 000 dolara. Iskustvo
iz prošlosti pokazuje da samo 30% novih proizvoda bude prihvaćeno na tržištu. Ukoliko novi
proizvod bude prihvaćen na tržištu, kompanija će se suočiti sa novom odlukom vezanom za
veličinu fabrike koju je potrebno izgraditi u cilju serijske proizvodnje proizvoda. Izgradnja
male fabrike, sa proizvodnim kapacitetom od 2000 jedinica proizvoda, bi koštala 150 000
dolara, dok bi izgradnja veće fabrike, sa proizvodnim kapacitetom od 4000 proizvoda
godišnje, koštala 250 000 dolara. Odeljenje za marketing kompanije je procenilo da postoji
verovatnoća od 40% da će konkurencija odgovoriti lansiranjem sličnog proizvoda i da će cena
po proizvodu (u dolarima) iznositi:
Tabela 1.
Velika fabrika Mala fabrika
Sa konkurencijom 20 35
Bez konkurencije 50 65
Pretpostavljajući da je životni vek novog proizvoda na tržištu procenjen na 7 godina i da
godišnji troškovi rada i velike i male fabrike jednaki (50 000 dolara) odrediti da li kompanija
treba da izađe na tržište sa probnom serijom proizvoda.







49




Rešenje:
U cilju rešavanja postavljenog problema konstruisano je drvo odlučivanja i metodom MOV
odredjene su očekivane vrednosti svake alternative.


Root
--
39200
lansirati probnu seriju
-100000
39200
uspeh
0
364000
mala fabrika
-150000
142000
konkurencija
140000
-110000
bez konkurencije
560000
310000
velika fabrika
-250000
364000
konkurencija 1
210000
-140000
bez konkurencije 1
1050000
700000
odustati 1
0
-100000
neuspeh
0
-100000
odustati
0
0
30%
40%
60%
40%
60%
70%


Slika 7.
Na osnovu dobijenih vrednosti može se zaključiti sledeće:
-kompanija treba da plasira na tržište probnu seriju proizvoda zato što je očekivana vrednost
ove alternative (OV=39200) veća od očekivane vrednosti alternative »odustati« (OV=0).
-ukoliko probna serija doživi uspeh na tržištu onda bi najbolja alternativa bila »velika fabrika«
zato što je njena očekivana vrednost (OV=364000) veća u odnosu na očekivane vrednosti
akcija »mala fabrika« (OV=142000) i »odustati« (OV=-100000).




50




Višeatributivno odlučivanje
Osnovni pojam u terminologiji višekriterijumskog odlučivanja je atribut, koji ima zadatak da
obezbedi sredstvo ocene nivoa jednog kriterijuma. Po pravilu, svaku akciju (alternativu)
karakteriše veći broj atributa, koji se biraju na osnovu izabranih kriterijuma od strane
donosioca odluke.
-Model višeatributivnog odlučivanja
Pretpostavimo da se odluka donosi u uslovima izvesnosti. Izbor se vrši između m složenih
opcija, Ai, i=1,2,...,m, koje se ocenjuju na osnovu k različitih atributa (kriterijuma), Xj,
j=1,2,...,k, tako da se ishod svake opcije, umesto jednim brojem, prikazuje vektorom:
Ai=(x
i1
,x
i2
,.., x
ij
,..., x
ik
), gde xij predstavlja vrednost alternative Ai po atributu Xj. Problem
izbora iz skupa ovako formulisanih, složenih alternativa, može se prikazati tabelarno. Redovi
tabele sadrže detaljan opis ishoda alternativa, Ai, po svim relevantnim karakteristikama, Xj:

Atribut
Alternativa
X
1
X
2
… X
j
… X
k

A
1
x
11
x
12
… x
1j
… x
1k

A
2
x
21
x
22
… x
2j
… x
2k

. ……………………………………………………………………………………….
A
i
x
i1
x
i2
… x
ij
… x
ik

. ……………………………………………………………………………………….
A
m
x
m1
x
m2
… x
mj
… x
mk



Osobine atributa
Atributi se među sobom razlikuju po brojnim osobinama, od kojih su najvažnije preciznost sa
kojom se mogu meriti, i smer korelacije između vrednosti atributa i korisnosti koju pružaju.
Po stepenu merljivosti razlikuju se dve grupe atributa:
• kvantitativni i
• kvalitativni atributi.
Kvantitativni atributi su karakteristike alternativa koje se mogu precizno meriti na tzv.
ordinarnim (redna) i kardinalnim skalama (intervalna skala i skala odnosa). U ovu grupu
atributa spadaju, pored ostalih, i obim proizvodnje, ostvareni prihod, relativno učešće škarta i



51




sl. Atributi se izražavaju u različitim mernim jedinicama (novac, m
2
, tona, procenat, itd.), a
neki od njih se mogu meriti na više mernih skala (npr. prihod se može izražavati u različitim
valutama, a linearne funkcije koje ih povezuju (l EUR = X din.) omogućavaju lako
prevođenje prihoda iz jedne merne jedinice u drugu).
Kvalitativni atributi su karakteristike čiji se modaliteti ne mogu izraziti numerički. Unutar ove
grupe postoje dve podgrupe.
Prvu podgrupu čine atributi čije se vrednosti ne mogu precizno meriti, ali se ipak mogu
rangirati po intenzitetu. Takvi su, npr. znanje i inteligencija kandidata, bezbednost na radu,
pouzdanost dobavljača i slično. Na osnovu ovih karakteristika moguće je formirati rang-listu
alternativa po prioritetu.
Drugu podgrupu čine “čisto” kvalitativni atributi na osnovu kojih je nemoguće vršiti nikakvo
kvantitativno poređenje alternativa. Pojavne oblike atributa, kao što su vrsta radnog iskustva
kandidata, dizajn proizvoda, i sl., moguće je samo svrstati u srodne grupe. Kada se za
ocenjivanje alternativa koristi ova vrsta atributa njihovim modalitetima pridružuju se opisi
koji izražavaju ukuse i preferencije donosioca odluke. Npr. proizvodi se mogu porediti po
“dizajnu”, pri čemu se različitim dizajnerskim rešenjima pripisuje jedan od modaliteta:
izuzetno loš, loš, osrednji, vrlo dobar, odličan. Budući da se ukusi razlikuju, iste alternative
biće različito opisane, tako da će i izbori biti različiti. I ne samo to. U zavisnosti od problema
koji se rešava, može se dogoditi da se na osnovu istog atributa različito ocene alternative iz
istog skupa. Npr. jedna lokacija može biti veoma atraktivna ako se posmatra kao stambeni
prostor, i izuzetno nepovoljna, ako se planira za poslovni prostor ili skladište.

Metodi izbora
Brojne metode izbora, koje su predložene u literaturi, možemo klasifikovati u srodne grupe.
Jedna od mogućih podela je na:
• Kompenzacijske metode i
• Nekompenzacijske metode
Iz grupe nekompenzacijskih metoda izdvajamo sledeća četiri:
Metod konjunkcije
Metod disjunkcije
Leksikografski metod
Metod eliminacije po aspektima

Iz grupe kompenzacijskih metoda izdvajamo:



52




Linearni model (Maksimizacija »agregatne« korisnosti )
Metod jednakih razmena (trampi)
Maksimizacija »agregatne« korisnosti (linearni model)
1. zadatak. Firma želi da iznajmi poslovni prostor, na osnovu sledeća tri atributa: zakupnine,
kvadrature i lokacije. Na tržištu se trenutno nudi šest alternativa:
Tabela 1.
Alternativa Cena (u evrima) Kvadratura (u m
2
) lokacija
A
1
1000 115 Vrlo dobra
A
2
900 90 Odlična
A
3
1200 130 Dobra
A
4
1100 100 Odlična
A
5
700 95 Vrlo loša

Datim alternativama su pripisane sledeće korisnosti:
Tabela 2.
Alternativa Cena (u evrima) Kvadratura (u m
2
) lokacija
A
1
0.4 0.9 0.85
A
2
0.6 0.7 1
A
3
0.1 1 0.4
A
4
0.2 0.85 1
A
5
0.9 0.65 0

Cena se smatra dvostruko značajnijom od kvadrature i lokacije, iz čega sledi da su vrednosti
težinskih koeficijenata 0.5, 0.25 i 0.25 (respektivno).
Primenom linearnog modela izabrati najoptimalniju alternativu.

Rešenje:

Korisnost složene alternative Ai, i=1,2,...,m, izračunavamo na osnovu zbira ponderisanih
korisnosti (koje su dodeljene pojedinim vrednostima svih atributa), gde su ponderi
odgovarajući težinski koeficijenti:
u(Ai)=w
1
*u
i1
+w
2
*u
i2
+…+w
k
*u
ik

Izračunate agregatne korisnosti alternativa su prikazane u narednoj tabeli:








53





Tabela 3.

Alternativa u(Ai)=w
1
*u
i1
+w
2
*u
i2
+…+w
k
*u
ik
max u(A
i
)
A
1
0.4*0.5+0.9*0.25+0.85*0.25=0.6375
A
2
0.6*0.5+0.7*0.25+1*0.25=0.725 A
2
A
3
0.1*0.5+1*0.25+0.4*0.25=0.4
A
4
0.2*0.5+0.85*0.25+1*0.25=0.5625
A
5
0.9*0.5+0.65*0.25+0*0.25=0.6125

Na osnovu dobijenih rezultata biramo alternativu A
2
.

2. zadatak. Kupac privatnog automobila može da bira između četiri modela: a
1
, a
2
, a
3
i a
4
.
Izbor će izvršiti na osnovu šest atributa za koje je mogao prikupiti komparativne podatke:
A
1
-maksimalna brzina [ km/h]
A
2
-potrošnja goriva [ l/100 km]
A
3
-mogućnost opterećenja [ kp]
A
4
-cena [ 10
7
din]
A
5
-pouzdanost (kvalitativna ocena)
A
6
-sposobnost manevrisanja (kvalitativna ocena)

Kvantitativne i kvalitativne ocene navedenih atributa, za pojedine tipove automobila se
navode u sledećoj tabeli:
Tabela 4.

alternativa A
1
A
2
A
3
A
4
A
5
A
6

a
1
150 10 1500 6 Visoka Prosečna
a
2
180 15 1100 9 Vrlo vis. Visoka
a
3
160 12 1400 7.5 Prosečna Vrlo vis.
a
4
140 9 1600 5 niska prosečna
.

Kvalitativne ocene atributa kvalifikovati primenom tzv. Bipolarne skale. Uzeti opseg skale od
1 do 10 gde je: 1-vrlo nizak nivo, 3-nizak, 5-srednji (prosečni), 7-visok i 9-vrlo visok nivo.
Krive korisnosti po pojedinim alternativama su prikazane na sledećoj slici:





54











100 120 140 160 180
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
k
o
r
i
s
n
o
s
t
A
1
-maksimalna brzina







10 11 12 13 14 15
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
k
o
r
i
s
n
o
s
t
A
2
-potrosnja goriva









1100 1200 1300 1400 1500 1600
0.0
0.2
0.4
0.6
0.8
1.0
k
o
r
i
s
n
o
s
t
A
3
-mogucnost opterecenja







4000 5000 6000 7000 8000 9000
0.0
0.2
0.4
0.6
0.8
1.0
k
o
r
i
s
n
o
s
t
A
4
-cena (10
3
)









0 1 2 3 4 5 6 7 8 9
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
k
o
r
i
s
n
o
s
t
A
5
-pouzdanost







1 2 3 4 5 6 7 8 9
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
k
o
r
i
s
n
o
s
t
A
6
-sposobnost manevrisanja

Slika 1. Funkcije korisnosti za pojedine atribute











55




Granične vrednosti za sve atribute tj. vrednosti koje su neprihvatljive za donosioce odluke
su:
Tabela 5.

Atribut Ograničavajuća vrednost
A
1
≤120 km/h
A
2
≥16 l/100 km
A
3
≤1 800 kp
A
4
≥100 000 000 din.
A
5
≤prosečne (5)
A
6
≤prosečne (5)

Težinski koeficijenti za sve atribute su prikazani u narednoj tabeli:

Tabela 6.

Atribut Težinski koeficijent
A
1
0.2
A
2
0.25
A
3
0.04
A
4
0.30
A
5
0.15
A
6
0.06

Primenom linearnog modela izabrati najoptimalniju alternativu.

Rešenje:

Sa grafika funkcija korisnosti očitavamo vrednosti korisnosti pojedinih alternativa. Rezultati
su sumarno prikazani u narednoj tabeli:
Tabela 7.
alternativa A
1
A
2
A
3
A
4
A
5
A
6

a
1
0.95 0.80 0.97 0.82 0.95 0.52
a
2
1.00 0.20 0.20 0.20 1.00 0.75
a
3
0.98 0.32 0.95 0.31 0.68 1.00
a
4
Narušeno ograničenje po atributu A
5


Korisnost složene alternative Ai, i=1,2,...,m, izračunavamo na osnovu zbira ponderisanih
korisnosti (koje su dodeljene pojedinim vrednostima svih atributa), gde su ponderi
odgovarajući težinski koeficijenti:
u(Ai)=w
1
*u
i1
+w
2
*u
i2
+…+w
k
*u
ik

Sledi da su korisnosti složenih alternativa:






56




u(A
1
)=0.2*0.95+0.25*0.80+0.04*0.97+0.30*0.82+0.15*0.95+0.06*0.52=0.8485
u(A
2
)=0.2*1+0.25*0.2+0.04*0.95+0.30*0.31+0.15*0.68+0.06*0.75=0.5130
u(A
3
)=0.2*0.98+0.25*0.32+0.04*0.95+0.30*0.31+0.15*0.68+0.06*0.1=0.569

Kako akcija a
1
ima najveću vrednost kompozitne korisnosti, nju treba izabrati kao najbolju.


3. zadatak. Petar želi da kupi računar. Ponuđene su mu četiri konfiguracije sa
karakteristikama prikazanim u sledećoj tabeli:
Tabela 8.
atribut
računar
Cena (u evrima)
Procesor
(GHz)
Monitor (inč) HD (GB) CD ROMovi
A 500 2.8 17 120 DVD rezač
B 400 2 15 80 DVD čitač
C 450 2.4 17 80 DVD čitač
D 600 3.2 19 80 DVD rezač


Kupac je odredio svoje funkcije korisnosti po pojedinim atributima i one su prikazane na
narednim grafikonima:









350 400 450 500 550 600 650 700 750
0.0
0.2
0.4
0.6
0.8
1.0
u
(
x
)

/

k
o
r
i
s
n
o
s
t
x / cena (u evrima)







100 150 200 250
0.2
0.4
0.6
0.8
1.0
u
(
x
)

/

k
o
r
i
s
n
o
s
t
x / HD (u GB)






57











15 16 17 18 19 20 21
0.2
0.4
0.6
0.8
1.0
u
(
x
)

/

k
o
r
i
s
n
o
s
t
x / monitor ( u incima)







2.0 2.5 3.0 3.5 4.0 4.5
0.4
0.5
0.6
0.7
0.8
0.9
1.0
u
(
x
)

/

k
o
r
i
s
n
o
s
t
x / procesor (GHz)


Slika 2. Funkcije korisnosti za pojedine atribute


Vrednosti korisnosti atributa CD ROMovi su: 1 za DVD rezač i 0.5 za DVD čitač.
Težinski koeficijenti koje je Petar dodelio svakom atributu su sledeći:
Cena-0.3
Processor-0.15
Monitor-0.2
HD-0.1
CD ROM-0.25
Primenom linearnog modela izračunati agregatne korisnosti svake alternative (svake
konfiguracije računara) i odrediti najoptimalniju.

Rešenje:
Sa grafika funkcija korisnosti očitavamo vrednosti korisnosti pojedinih alternativa. Rezultati
su sumarno prikazani u narednoj tabeli:
Tabela 9.
atribut
računar Cena (u
evrima)
Procesor
(GHz)
Monitor
(inč)
HD (GB) CD ROMovi
A 0.5 0.7 0.6 0.5 1
B 0.9 0.4 0.1 0.3 0.5
C 0.7 0.6 0.6 0.3 0.5
D 0.2 0.8 0.9 0.3 1






58




Agregatne korisnosti se računaju po sledećem izrazu:
u(Ai)=w
1
*u
i1
+w
2
*u
i2
+…+w
k
*u
ik

Izračunate agregatne korisnosti alternativa su prikazane u narednoj tabeli:
Tabela 10.
alternativa u(Ai)=w
1
*u
i1
+w
2
*u
i2
+…+w
k
*u
ik
max u(A
i
)
A
1
0.3*0.5+0.15*0.7+0.2*0.6+0.1*0.5+0.25*1=0.675 A
1
A
2
0.3*0.9+0.15*0.4+0.2*0.1+0.1*0.3+0.25*0.5=0.505

A
3
0.3*0.7+0.15*0.6+0.2*0.6+0.1*0.3+0.25*0.5=0.575
A
4
0.3*0.2+0.15*0.8+0.2*0.9+0.1*0.3+0.25*1=0.64

Na osnovu dobijenih vrednosti sledi da je akcija A
1
najbolja.

Metod jednakih razmena (trampi)

4. zadatak. Pretpostavimo da želite da iznajmite poslovni prostor i da ponude ocenjujete na
osnovu sledeća četiri atributa: X
1
-prosečnog vremena putovanja do posla, X
2
-ukupnih
mesečnih troškova, X
3
-lokacije, i X
4
-veličine prostora. Svaki atribut je izražen u različitim
jedinicama mere, a karakteristike tri ponuđene opcije su date u sledećoj tabeli:
Tabela 11.
Alt.
Vreme
(u min.)
Troškovi
( u evrima)
Lokacija
(opisno)
Veličina
(u m
2
)
A
1
25 460 B 70
A
2
20 400 B 50
A
3
25 550 A 85

Primenom metode jednakih razmena (trampi) odrediti najbolju alternativu.

Rešenje:
U prvom koraku nalazimo atribut po kojem se alternative najmanje razlikuju; to je X
1
-vreme
putovanja. Treba da odredimo promenu koja je neophodna da bi smo mogli da eliminišemo
atribut X
1
kao nevažan u datom izboru. To bi se dogodilo kada bi »vreme« alternative
A
2
iznosilo 25 minuta, odnosno kada bi se ono povećalo za 5 minuta.
U drugom koraku biramo jedan od preostalih atributa (na primer, X
2
-troškove) i procenjujemo
kolika bi trebala da bude promena mesečnih tročkova iznajmljivana prostora A
2
kojom bi se



59




kompenzirao porast vremena putovanja za 5 min. Pretpostavimo da bi cena trebalo da bude
niža za 50 evra da bismo pristali na duže putovanje. Prikažimo u sledećoj tabeli ovu promenu:
Tabela 12.
Alternativa X
1
X
2
X
3
X
4

A
1
25 460 B 70
A
2
25(20) 350(400) B 50
A
3
25 550 A 85

Ovim putem smo drugačije prikazali karakteristike alternative A
2
koje su, zajedno posmatrane,
ekvivalentne njenim originalnim karakteristikama.
Ekvivalentnim opisom alternative A
2
eliminisali smo razlike između opcija po atributu X
1
.
Samim tim, on postaje irelevantan za izbor, pa ga u trećem koraku eliminišemo iz analize.
Postupak ponavljamo otkrivanjem novog atributa po kojem se alternative najmanje razlikuju.
To je atribut X
3
-lokacija.
Tabela 13.
Alternativa X
2
X
3
X
4

A
1
460 B 70
A
2
350 B 50
A
3
550 A 85

Sada iz skupa preostalih atributa biramo jedan koji će biti učesnik u »trampi«. Pretpostavimo
da smo izabrali troškove. Pogoršanje lokacije alternative A
4
sa A na B, treba da prati
određeno snižavanje troškova. Pretpostavimo da bismo se odrekli bolje lokacije kada bi
troškovi bili niži za 60 evra.
Tabela 14.
Alternativa X
2
X
3
X
4

A
1
460 B 70
A
2
350 B 50
A
3
490(550) B(A) 85

Ovim putem smo eliminisali i međusobne razlike alternativa po atributu X
3
, pa ćemo ga
isključiti iz dalje analize.
U poslednjem koraku treba da odredimo odnose »razmene« između dva preostala atributa:



60




X
2
-troškovi i X
4
-veličine prostora.
Tabela 15.
Alternativa X
2
X
4

A
1
460 70
A
2
350 50
A
3
490 85

Pretpostavimo da želimo da eliminišemo atribut X
4
. Budući da se svi prostori među sobom
razlikuju po kvadraturi, prihvatićemo neku od raspoloživih vrednosti kao »standard«;
izaberimo središnju vrednost, tj. 70 m
2
. sada za alternative A
2
i A
3
treba da odredimo troškove
koji bi (zajedno sa veličinom prostora od 70 m
2
) bili ekvivalentni sa njihovim stvarnim
vrednostima. Pretpostavimo da smo u slučaju alternative A
2
za porast kvadrature od 20 m
2

spremni da doplatimo 150 evra, dok bismo se u slučaju alternative A
3
odrekli 15 m
2
pod
uslovom da se troškovi smanje za 100 evra.
Tabela 16.
Alternativa X
2
X
4

A
1
460 70
A
2
500(350) 70(50)
A
3
390(490) 70(85)

Ovim putem smo eliminisali i atribut X
4
i problem višeatributivne analize sveli na problem
jednokriterijumskog izbora. Poređenjem vrednosti alternativa po atributu X
2
-troškovi,
zaključujemo da je alternativa A
3
optimalan izbor.















61




Metod ELECTRE I (ELimination and ET Choice Translating
REality)

Energana kupac parnih kotlova je u situaciji da bira između četiri modela: a
1
, a
2
, a
3
i a
4
. Izbor
će izvršiti koristeći sledeće kriterijume:

A
1
– veličina kotla (m
2
)
A
2
– potrošnja uglja (t/h)
A
3
– mogućnost opterećenja (kp)
A
4
– cena (10
7
din)
A
5
– pouzdanost (kvalitativna ocena)

Početna matrica odlučivanja ima oblik:


= : O
¦
¦
)
¦
¦
`
¹
¦
¦
¹
¦
¦
´
¦
niska
prosečro
vrlovisoka
visoka
50 1700 6 160
75 1500 9 180
90 1200 12 200
60 1600 7 170




REŠENJE :

Transformacija kvalitativnih atributa

Koristeći pristup tzv. bipolarnih skala, a za opseg skale od 0 do 10, gde je 1 – vrlo nizak nivo,
3 – nizak, 5 – srednji (prosečni), 7 – visok, i 9 – vrlo visok nivo, matrica odlučivanja je u
potpunosti kvantifikovana:

= : O
¦
¦
)
¦
¦
`
¹
¦
¦
¹
¦
¦
´
¦
3 50 1700 6 160
5 75 1500 9 180
9 90 1200 12 200
7 60 1600 7 170












62




korak 1: Izračunavanje normalizovane matrice odlučivanja N

Najpre se računaju normalizovani elementi matrice odlučivanja primenom formule:

∑ ∑∑ ∑
= == =
= == =
m
1 j
2
ij
ij
ij
x
x
n

gde je x
ij
– vrednost akcije a
i
, i = 1,2, ...,m u odnosu na atribut j, k
j
, j = 1,2,...,n.

Tako da su:

477 . 0
23 . 356
170
160 180 200 170
170
2 2 2 2
1
2
11
11
= =
+ + +
= =

=
m
j
ij
x
x
n
397 . 0
60 . 17
7
6 9 12 7
7
2 2 2 2
1
2
12
12
= =
+ + +
= =

=
m
j
ij
x
x
n

529 . 0
24 . 3023
1600
1700 1500 1200 1600
1600
2 2 2 2
1
2
13
13
= =
+ + +
= =

=
m
j
ij
x
x
n

426 . 0
80 . 140
60
50 75 90 60
60
2 2 2 2
1
2
14
14
= =
+ + +
= =

=
m
j
ij
x
x
n

546 . 0
81 . 12
7
3 5 9 7
7
2 2 2 2
1
2
15
15
= =
+ + +
= =

=
m
j
ij
x
x
n

561 . 0
23 . 356
200
160 180 200 170
200
2 2 2 2
1
2
21
21
= =
+ + +
= =

=
m
j
ij
x
x
n

681 . 0
60 . 17
12
6 9 12 7
12
2 2 2 2
1
2
22
22
= =
+ + +
= =

=
m
j
ij
x
x
n

396 . 0
24 . 3023
1200
1700 1500 1200 1600
1200
2 2 2 2
1
2
23
23
= =
+ + +
= =

=
m
j
ij
x
x
n



63





639 . 0
80 . 140
90
50 75 90 60
90
2 2 2 2
1
2
24
24
= =
+ + +
= =

=
m
j
ij
x
x
n

702 . 0
81 . 12
9
3 5 9 7
9
2 2 2 2
1
2
25
25
= =
+ + +
= =

=
m
j
ij
x
x
n

505 . 0
23 . 356
180
160 180 200 170
180
2 2 2 2
1
2
31
31
= =
+ + +
= =

=
m
j
ij
x
x
n

511 . 0
60 . 17
9
6 9 12 7
9
2 2 2 2
1
2
32
32
= =
+ + +
= =

=
m
j
ij
x
x
n

496 . 0
24 . 3023
1500
1700 1500 1200 1600
1500
2 2 2 2
1
2
33
33
= =
+ + +
= =

=
m
j
ij
x
x
n

532 . 0
80 . 140
75
50 75 90 60
75
2 2 2 2
1
2
34
34
= =
+ + +
= =

=
m
j
ij
x
x
n

390 . 0
81 . 12
5
3 5 9 7
5
2 2 2 2
1
2
35
35
= =
+ + +
= =

=
m
j
ij
x
x
n

449 . 0
23 . 356
160
160 180 200 170
160
2 2 2 2
1
2
41
41
= =
+ + +
= =

=
m
j
ij
x
x
n

340 . 0
60 . 17
6
6 9 12 7
6
2 2 2 2
1
2
42
42
= =
+ + +
= =

=
m
j
ij
x
x
n

562 . 0
24 . 3023
1700
1700 1500 1200 1600
1700
2 2 2 2
1
2
43
43
= =
+ + +
= =

=
m
j
ij
x
x
n




64




355 . 0
80 . 140
50
50 75 90 60
50
2 2 2 2
1
2
44
44
= =
+ + +
= =

=
m
j
ij
x
x
n

234 . 0
81 . 12
3
3 5 9 7
3
2 2 2 2
1
2
45
45
= =
+ + +
= =

=
m
j
ij
x
x
n



Normalizovana matrica odlučivanja glasi:


¦
¦
)
¦
¦
`
¹
¦
¦
¹
¦
¦
´
¦
=
234 , 0 355 , 0 562 , 0 340 , 0 449 , 0
390 , 0 532 , 0 496 , 0 511 , 0 505 , 0
702 , 0 639 , 0 396 , 0 681 , 0 561 , 0
546 , 0 426 , 0 529 , 0 397 , 0 477 , 0
: N



korak 2: Izračunavanje težinske normalizovane matrice odlučivanja TN

Donosilac odluke aktivno učestvuje u proceduri rešavanja problema i određuje preference,
odnosno težine korisničkih kriterijuma, posle čega se izračunava težinska normalizovana
matrica odlučivanja.

T N TN ⋅ ⋅⋅ ⋅ = == =

U ovom slučaju, 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 odlučivanja glasi:


¦
¦
)
¦
¦
`
¹
¦
¦
¹
¦
¦
´
¦
=
0702 , 0 1065 , 0 0562 , 0 0680 , 0 0449 , 0
1171 , 0 1596 , 0 0496 , 0 1022 , 0 0505 , 0
2108 , 0 1917 , 0 0396 , 0 1362 , 0 0561 , 0
1639 , 0 1278 , 0 0529 , 0 0794 , 0 0477 , 0
: TN





65




korak 3: Određivanje skupova saglasnosti S i nesaglasnosti NS

U ovom koraku upoređuju se parovi akcija p i r (p,r = 1,2,...,m i p≠ r). Najpre se formira skup
saglasnosti S
pr
za akcije a
p
i a
r
, koji se sastoji od svih kriterijuma (J = {j|j=1,...,n}), za koje je
akcija a
p
poželjnija od akcije a
r
, odnosno:

S
pr
= {j | x
pj
≥ x
rj
}


Ukoliko se radi o kriterijumu tipa minimizacije, znak jednakosti je suprotan.

Zatim se formira komplementaran skup nesaglasnosti:

NS
pr
= J - S
pr
= {j | x
pj
< x
rj
}

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: Određivanje matrice saglasnosti MS

Matrica saglasnosti određuje se na osnovu skupa saglasnosti. Elemente matrice čine indeksi
saglasnosti, čija je vrednost jednaka sumi težinskih koeficijenata koji odgovaraju
pripadajućim elementima skupova saglasnosti.


∑ ∑∑ ∑
∈ ∈∈ ∈
= == =
pr
S j
j pr
t s

Za dati primer indeksi saglasnosti jednaki su:

s
11
= 0
s
12
= t
2
+ t
3
+ t
4
= 0.2 + 0.1 + 0,3 = 0.6
s
13
= t
2
+ t3 + t
4
+ t
5
= 0,2 + 0.1 + 0.3 + 0.3 = 0.9



66




s
14
= t
1
+ t
5
= 0.1 + 0.3 = 0.4

s
21
= t
1
+ t
5
= 0.1 + 0.3 = 0.4
s
22
= 0
s
23
= t
1
+ t
5
= 0.1 + 0.3 = 0.4
s
24
= t
1
+ t
5
= 0.1 + 0.3 = 0.4

s
31
= t
1
= 0.1
s
32
= t
2
+ t
3
+ t
4
= 0,2 + 0.1 + 0.3 = 0.6
s
33
= 0
s
34
= t
1
+ t
5
= 0.1 + 0.3 = 0.4

s
41
= t
2
+ t
3
+ t
4
= 0,2 + 0.1 + 0.3 = 0.6
s
42
= t
2
+ t
3
+ t
4
= 0,2 + 0.1 + 0.3 = 0.6
s
43
= t
2
+ t
3
+ t
4
= 0,2 + 0.1 + 0.3 = 0.6
s
44
= 0

Tako da je matrica saglasnosti:

¦
¦
)
¦
¦
`
¹
¦
¦
¹
¦
¦
´
¦
=
0 6 , 0 6 , 0 6 , 0
4 , 0 0 6 , 0 1 , 0
4 , 0 4 , 0 0 4 , 0
4 , 0 9 , 0 6 , 0 0
: MS


korak 5: Određivanje matrice nesaglasnosti MNS

Matrica nesaglasnosti određuje se na osnovu skupa nesaglasnosti. Elemente matrice čine
indeksi nesaglasnosti, koji se određuju na osnovu formule:


rj pj
J j
rj pj
NS j
pr
tn tn max
tn tn max
ns
pr
− −− −
− −− −
= == =
∈ ∈∈ ∈
∈ ∈∈ ∈


gde je tn – element težinske normalizovane matrice odlučivanja.


( )
( )
25 15 24 14 23 13 22 12 21 11
25 15 21 11
12
, , , , max
, max
12
tn tn tn tn tn tn tn tn tn tn
tn tn tn tn
ns
J j
NS j
− − − − −
− −
=




7329 . 0
06392 . 0
04685 . 0
12
= = ns

( )
( )
35 15 34 14 33 13 32 12 31 11
31 11
13
, , , , max
max
13
tn tn tn tn tn tn tn tn tn tn
tn tn
ns
J j
NS j
− − − − −

=






67





0599 . 0
0468 . 0
0028 . 0
13
= = ns

( )
( )
45 15 44 14 43 13 42 12 41 11
44 14 43 13 42 12
14
, , , , max
, , max
14
tn tn tn tn tn tn tn tn tn tn
tn tn tn tn tn tn
ns
J j
NS j
− − − − −
− − −
=




22743 . 0
0937 . 0
0213 . 0
14
= = ns

( )
( )
15 25 14 24 13 23 12 22 11 21
14 24 13 23 12 22
21
, , , , max
, , max
21
tn tn tn tn tn tn tn tn tn tn
tn tn tn tn tn tn
ns
J j
NS j
− − − − −
− − −
=




1
0639 . 0
0639 . 0
21
= = ns

( )
( )
35 25 34 24 33 23 32 22 31 21
34 24 33 23 32 22
23
, , , , max
, , max
23
tn tn tn tn tn tn tn tn tn tn
tn tn tn tn tn tn
ns
J j
NS j
− − − − −
− − −
=




3637 . 0
0937 . 0
0341 . 0
23
= = ns

( )
( )
45 25 44 24 43 23 42 22 41 21
44 24 43 23 42 22
24
, , , , max
, , max
24
tn tn tn tn tn tn tn tn tn tn
tn tn tn tn tn tn
ns
J j
NS j
− − − − −
− − −
=




6064 . 0
14055 . 0
0852 . 0
24
= = ns

( )
( )
15 35 14 34 13 33 12 32 11 31
15 35 14 34 13 33 12 32
31
, , , , max
, , , max
31
tn tn tn tn tn tn tn tn tn tn
tn tn tn tn tn tn tn tn
ns
J j
NS j
− − − − −
− − − −
=




1
04685 . 0
04685 . 0
31
= = ns

( )
( )
25 35 24 34 23 33 22 32 21 31
25 35 21 31
32
, , , , max
, max
32
tn tn tn tn tn tn tn tn tn tn
tn tn tn tn
ns
J j
NS j
− − − − −
− −
=




1
0937 . 0
0937 . 0
32
= = ns




68




( )
( )
45 35 44 34 43 33 42 32 41 31
44 34 43 33 42 32
34
, , , , max
, , max
34
tn tn tn tn tn tn tn tn tn tn
tn tn tn tn tn tn
ns
J j
NS j
− − − − −
− − −
=



1
0531 . 0
0531 . 0
34
= = ns

( )
( )
15 45 14 44 13 43 12 42 11 41
15 45 11 41
41
, , , , max
, max
41
tn tn tn tn tn tn tn tn tn tn
tn tn tn tn
ns
J j
NS j
− − − − −
− −
=




1
0937 . 0
0937 . 0
41
= = ns

( )
( )
25 45 24 44 23 43 22 42 21 41
25 45 21 41
42
, , , , max
, max
42
tn tn tn tn tn tn tn tn tn tn
tn tn tn tn
ns
J j
NS j
− − − − −
− −
=




1
1405 . 0
1405 . 0
42
= = ns

( )
( )
35 45 34 44 33 43 32 42 31 41
35 45 31 41
43
, , , , max
, max
43
tn tn tn tn tn tn tn tn tn tn
tn tn tn tn
ns
J j
NS j
− − − − −
− −
=




8794 . 0
0532 . 0
0468 . 0
43
= = ns

Tako da matrica nesaglasnosti glasi:


¦
¦
)
¦
¦
`
¹
¦
¦
¹
¦
¦
´
¦
=
0 8794 , 0 1 1
1 0 1 1
6064 , 0 3637 , 0 0 1
2274 , 0 0599 , 0 7329 , 0 0
: MNS















69




korak 6: Određivanje matrice saglasne dominacije MSD

Matrica saglasne dominacije određuje se na osnovu vrednosti praga indeksa saglasnosti, koji
se može definisati kao prosečni indeks saglasnosti:


( (( ( ) )) ) 1 m m
s
PIS
m
1 p
m
1 r
pr
− −− −
= == =
∑ ∑∑ ∑∑ ∑∑ ∑
= == = = == =


pri čemu je p≠ r.

Potom se formira matrica saglasne dominacije na osnovu sledećeg kriterijuma:

msd
pr
= 1 za s
pr
≥ PIS

msd
pr
= 0 za s
pr
< PIS


U ovom slučaju,

( )
50 , 0
12
6
1 4 4
0 6 . 0 6 . 0 6 . 0 4 . 0 0 6 . 0 1 . 0 4 . 0 4 . 0 0 4 . 0 4 . 0 9 . 0 6 . 0 0
= =

+ + + + + + + + + + + + + + +
= PIS


Tako da matrica saglasne dominacije glasi:

¦
¦
)
¦
¦
`
¹
¦
¦
¹
¦
¦
´
¦
=
0 1 1 1
0 0 1 0
0 0 0 0
0 1 1 0
: MSD



korak 7: Određivanje matrice nesaglasne dominacije MNSD

Matrica nesaglasne dominacije izračunava se analogno MSD; najpre se računa prosečan
indeks nesaglasnosti:


( (( ( ) )) ) 1 m m
ns
PINS
m
1 p
m
1 r
pr
− −− −
= == =
∑ ∑∑ ∑∑ ∑∑ ∑
= == = = == =


pri čemu je p≠ r.

Potom se formira matrica nesaglasne dominacije na osnovu sledećeg kriterijuma:



70





mnsd
pr
= 1 za ns
pr
≤ PINS

mnsd
pr
= 0 za ns
pr
> PINS


U ovom slučaju je:

( )
=

+ + + + + + + + + + + + + + +
=
1 4 4
0 8794 . 0 1 1 1 0 1 1 6064 . 0 3637 . 0 0 1 2274 . 0 0599 . 0 7329 . 0 0
PINS

7391 . 0
12
9599 , 8
= =


Tako da je matrica nesaglasne dominacije:


¦
¦
)
¦
¦
`
¹
¦
¦
¹
¦
¦
´
¦
=
0 0 0 0
0 0 0 0
1 1 0 0
1 1 1 0
: MNSD


korak 8: Određivanje matrice agregatne dominacije MAD

Elementi matrice agregatne dominacije jednaki su proizvodu elemenata na odgovarajućoj
poziciji u matricama saglasne i nesaglasne dominacije:

pr pr pr
nsd sd ad ⋅ ⋅⋅ ⋅ = == =

tako da, u ovom slučaju, matrica ima sledeće vrednosti:


¦
¦
)
¦
¦
`
¹
¦
¦
¹
¦
¦
´
¦
=
0 0 0 0
0 0 0 0
0 0 0 0
0 1 1 0
: MAD











71




korak 9: Eliminisanje manje poželjnih akcija (“→” = “dominira”)


A
1
A
2
A
3
A
4

A
1
0 1 1 0 A
1
→A
2
, A
3

A
2
0 0 0 0 A
2
ne dominira
A
3
0 0 0 0 A
3
ne dominira
A
4
0 0 0 0 A
4
ne dominira


Alternativa A
1
dominira nad A
2
i A
3
, dok ostale alternative (A
2
, A
3
i A
4
) ne dominiraju, tako
da je alternativa A
1
najprihvatljivija.




2. zadatak. Kompanija planira da promoviše svoj proizvod. Razmatraju se šest mogućih
načina reklamiranja: u internacionalnim novinama News, u novinama Herald, reklamiranje
putem bilborda postavljenim u većim gradovima, putem pošte i emitovanjem TV spotova na
CMM ili NCB kanalu.
Svaki mogući način promocije proizvoda tj. svaka raspoloživa alternativa se ocenjuje na
osnovu 5 kriterijuma-atributa: cena (izražena u 1000 US$), veličina 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
Cena
Veličina
auditorijuma
Trajanje
promocije
Efikasnost
Broj
angažovanih
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






72




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: Izračunavanje normalizovane matrice odlučivanja N

Najpre se računaju normalizovani elementi matrice odlučivanja primenom formule:

∑ ∑∑ ∑
= == =
= == =
m
1 j
2
ij
ij
ij
x
x
n

gde je x
ij
– vrednost akcije a
i
, i = 1,2, ...,m u odnosu na atribut j, k
j
, j = 1,2,...,n.

Tako da su:


39001 . 0
80 52 92 40 30 60
60
2 2 2 2 2 2
1
2
11
11
=
+ + + + +
= =

=
m
j
ij
x
x
n

47969 . 0
920 780 750 650 520 900
900
2 2 2 2 2 2
1
2
12
12
=
+ + + + +
= =

=
m
j
ij
x
x
n

23419 . 0
4 58 60 20 31 22
22
2 2 2 2 2 2
1
2
13
13
=
+ + + + +
= =

=
m
j
ij
x
x
n


35064 . 0
75 90 36 58 13 51
51
2 2 2 2 2 2
1
2
14
14
=
+ + + + +
= =

=
m
j
ij
x
x
n




73




74600 . 0
6 1 3 2 1 8
8
2 2 2 2 2 2
1
2
15
15
=
+ + + + +
= =

=
m
j
ij
x
x
n


195 . 0
80 52 92 40 30 60
30
2 2 2 2 2 2
1
2
21
21
=
+ + + + +
= =

=
m
j
ij
x
x
n


27715 . 0
920 780 750 650 520 900
520
2 2 2 2 2 2
1
2
22
22
=
+ + + + +
= =

=
m
j
ij
x
x
n


32999 . 0
4 58 60 20 31 22
31
2 2 2 2 2 2
1
2
23
23
=
+ + + + +
= =

=
m
j
ij
x
x
n


08938 . 0
75 90 36 58 13 51
13
2 2 2 2 2 2
1
2
24
24
=
+ + + + +
= =

=
m
j
ij
x
x
n


09325 . 0
6 1 3 2 1 8
1
2 2 2 2 2 2
1
2
25
25
=
+ + + + +
= =

=
m
j
ij
x
x
n


26000 . 0
80 52 92 40 30 60
40
2 2 2 2 2 2
1
2
31
31
=
+ + + + +
= =

=
m
j
ij
x
x
n


34644 . 0
920 780 750 650 520 900
650
2 2 2 2 2 2
1
2
32
32
=
+ + + + +
= =

=
m
j
ij
x
x
n





74




21290 . 0
4 58 60 20 31 22
20
2 2 2 2 2 2
1
2
33
33
=
+ + + + +
= =

=
m
j
ij
x
x
n

39877 . 0
75 90 36 58 13 51
58
2 2 2 2 2 2
1
2
34
34
=
+ + + + +
= =

=
m
j
ij
x
x
n


18650 . 0
6 1 3 2 1 8
2
2 2 2 2 2 2
1
2
35
35
=
+ + + + +
= =

=
m
j
ij
x
x
n


59801 . 0
80 52 92 40 30 60
92
2 2 2 2 2 2
1
2
41
41
=
+ + + + +
= =

=
m
j
ij
x
x
n


39974 . 0
920 780 750 650 520 900
750
2 2 2 2 2 2
1
2
42
42
=
+ + + + +
= =

=
m
j
ij
x
x
n


63870 . 0
4 58 60 20 31 22
60
2 2 2 2 2 2
1
2
43
43
=
+ + + + +
= =

=
m
j
ij
x
x
n

24751 . 0
75 90 36 58 13 51
36
2 2 2 2 2 2
1
2
44
44
=
+ + + + +
= =

=
m
j
ij
x
x
n


27975 . 0
6 1 3 2 1 8
3
2 2 2 2 2 2
1
2
45
45
=
+ + + + +
= =

=
m
j
ij
x
x
n










75




33800 . 0
80 52 92 40 30 60
52
2 2 2 2 2 2
1
2
51
51
=
+ + + + +
= =

=
m
j
ij
x
x
n


41573 . 0
920 780 750 650 520 900
780
2 2 2 2 2 2
1
2
52
52
=
+ + + + +
= =

=
m
j
ij
x
x
n

61741 . 0
4 58 60 20 31 22
58
2 2 2 2 2 2
1
2
53
53
=
+ + + + +
= =

=
m
j
ij
x
x
n


61878 . 0
75 90 36 58 13 51
90
2 2 2 2 2 2
1
2
54
54
=
+ + + + +
= =

=
m
j
ij
x
x
n


09325 . 0
6 1 3 2 1 8
1
2 2 2 2 2 2
1
2
55
55
=
+ + + + +
= =

=
m
j
ij
x
x
n


52001 . 0
80 52 92 40 30 60
80
2 2 2 2 2 2
1
2
61
61
=
+ + + + +
= =

=
m
j
ij
x
x
n


49035 . 0
920 780 750 650 520 900
920
2 2 2 2 2 2
1
2
62
62
=
+ + + + +
= =

=
m
j
ij
x
x
n



04258 . 0
4 58 60 20 31 22
4
2 2 2 2 2 2
1
2
63
63
=
+ + + + +
= =

=
m
j
ij
x
x
n





76




51565 . 0
75 90 36 58 13 51
75
2 2 2 2 2 2
1
2
64
64
=
+ + + + +
= =

=
m
j
ij
x
x
n


Normalizovana matrica odlučivanja 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: Izračunavanje težinske normalizovane matrice odlučivanja TN

Donosilac odluke aktivno učestvuje u proceduri rešavanja problema i određuje preference,
odnosno težine korisničkih kriterijuma, posle čega se izračunava težinska normalizovana
matrica odlučivanja.

T N TN ⋅ ⋅⋅ ⋅ = == =

U ovom slučaju, 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 odlučivanja 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








77




korak 3: Određivanje skupova saglasnosti S i nesaglasnosti NS

U ovom koraku upoređuju se parovi akcija p i r (p,r = 1,2,...,m i p≠ r). Najpre se formira skup
saglasnosti S
pr
za akcije a
p
i a
r
, koji se sastoji od svih kriterijuma (J = {j|j=1,...,n}), za koje je
akcija a
p
poželjnija od akcije a
r
, odnosno:

S
pr
= {j | x
pj
≥ x
rj
}


Ukoliko se radi o kriterijumu tipa minimizacije, znak jednakosti je suprotan.

Zatim se formira komplementaran skup nesaglasnosti:

NS
pr
= J - S
pr
= {j | x
pj
< x
rj
}

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





78




korak 4: Određivanje matrice saglasnosti MS

Matrica saglasnosti određuje se na osnovu skupa saglasnosti. Elemente matrice čine indeksi
saglasnosti, čija je vrednost jednaka sumi težinskih koeficijenata koji odgovaraju
pripadajućim elementima skupova saglasnosti.

∑ ∑∑ ∑
∈ ∈∈ ∈
= == =
pr
S j
j pr
t s


Za dati primer indeksi saglasnosti jednaki su:

S
11
=0
S
12
=t
2
+t
4
=0.40+0.22=0.62
S
13
=t
2
+t
3
=0.40+0.12=0.52
S
14
=t
1
+t
2
+t
4
=0.12+0.40+0.22=0.74
S
15
=t
2
=0.40
S
16
=t
1
+t
3
=0.12+0.12=0.24
S
21
=t
1
+t
3
+t
5
=0.12+0.12+0.14=0.38
S
22
=0
S
23
=t
1
+t
3
+t
5
=0.12+0.12+0.14=0.38
S
24
=t
1
+t
5
=0.12+0.14=0.26
S
25
=t
1
+t
5
=0.12+0.14=0.26
S
26
=t
1
+t
3
+t
5
=0.12+0.12+0.14=0.38
S
31
=t
1
+t
4
+t
5
=0.12+0.22+0.14=0.48
S
32
=t2+t4=0.40+0.22=0.62
S
33
=0
S
34
= t
1
+t
4
+t
5
=0.12+0.22+0.14=0.48
S
35
=t1=0.12
S
36
= t
1
+t
3
+t
5
=0.12+0.12+0.14=0.38
S
41
= t
3
+t
5
=0.12+0.14=0.26
S
42
=t2+t3+t4=0.40+0.12+0.22=0.74
S
43
= t
2
+t
3
=0.40+0.12=0.52
S
44
=0
S
45
=t3=0.12
S
46
= t
3
+t
5
=0.12+0.14=0.26
S
51
= t
1
+t
3
+t
4
+t
5
=0.12+0.12+0.22+0.14=0.60
S
52
= t
2
+t
3
+t
4
+t
5
=0.40+0.12+0.22+0.14=0.88
S
53
= t
2
+t
3
+t
4
+t
5
=0.40+0.12+0.22+0.14=0.88
S
54
= t
1
+t
2
+t
4
+t
5
=0.12+0.40+0.22+0.14=0.88
S
55
=0
S
56
= t
1
+t
3
+t
4
+t
5
=0.12+0.12+0.22+0.14=0.60
S
61
= t
2
+t
4
+t
5
=0.40+0.22+0.14=0.76
S
62
= t2+t4=0.40+0.22=0.62
S
63
= t2+t4=0.40+0.22=0.62
S
64
= t
1
+t
2
+t
4
=0.12+0.40+0.22=0.74
S
65
= t
2
=0.40
S
66
=0




79




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: Određivanje matrice nesaglasnosti MNS

Matrica nesaglasnosti određuje se na osnovu skupa nesaglasnosti. Elemente matrice čine
indeksi nesaglasnosti, koji se određuju na osnovu formule:


rj pj
J j
rj pj
NS j
pr
tn tn max
tn tn max
ns
pr
− −− −
− −− −
= == =
∈ ∈∈ ∈
∈ ∈∈ ∈


gde je tn – element težinske normalizovane matrice odlučivanja.



( )
( )
25 15 24 14 23 13 22 12 21 11
25 15 23 13 21 11
12
, , , , max
, , max
12
tn tn tn tn tn tn tn tn tn tn
tn tn tn tn tn tn
ns
J j
NS j
− − − − −
− − −
=




1
12
= ns


( )
( )
35 15 34 14 33 13 32 12 31 11
35 15 34 14 31 11
13
, , , , max
, , max
13
tn tn tn tn tn tn tn tn tn tn
tn tn tn tn tn tn
ns
J j
NS j
− − − − −
− − −
=




1
13
= ns


( )
( )
45 15 44 14 43 13 42 12 41 11
45 15 43 13
14
, , , , max
, max
14
tn tn tn tn tn tn tn tn tn tn
tn tn tn tn
ns
J j
NS j
− − − − −
− −
=




1
14
= ns




80




( )
( )
55 15 54 14 53 13 52 12 51 11
55 15 54 14 53 13 51 11
15
, , , , max
, , max
15
tn tn tn tn tn tn tn tn tn tn
tn tn tn tn tn tn tn tn
ns
J j
NS j
− − − − −
− − − −
=




1
15
= ns


( )
( )
65 15 64 14 63 13 62 12 61 11
65 15 64 14 62 12 51 11
16
, , , , max
, , max
16
tn tn tn tn tn tn tn tn tn tn
tn tn tn tn tn tn tn tn
ns
J j
NS j
− − − − −
− − − −
=




1
16
= ns


( )
( )
15 25 14 24 13 23 12 22 11 21
14 24 12 22
21
, , , , max
, max
21
tn tn tn tn tn tn tn tn tn tn
tn tn tn tn
ns
J j
NS j
− − − − −
− −
=




887 . 0
21
= ns


( )
( )
35 25 34 24 33 23 32 22 31 21
34 24 32 22
23
, , , , max
, max
23
tn tn tn tn tn tn tn tn tn tn
tn tn tn tn
ns
J j
NS j
− − − − −
− −
=




1
23
= ns

( )
( )
45 25 44 24 43 23 42 22 41 21
44 24 43 23 42 22
24
, , , , max
, , max
24
tn tn tn tn tn tn tn tn tn tn
tn tn tn tn tn tn
ns
J j
NS j
− − − − −
− − −
=




1
24
= ns

( )
( )
55 25 54 24 53 23 52 22 51 21
55 25 44 24 43 23 42 22
25
, , , , max
, , , max
25
tn tn tn tn tn tn tn tn tn tn
tn tn tn tn tn tn tn tn
ns
J j
NS j
− − − − −
− − − −
=




1
25
= ns

( )
( )
65 25 64 24 63 23 62 22 61 21
64 24 62 22
26
, , , , max
, max
26
tn tn tn tn tn tn tn tn tn tn
tn tn tn tn
ns
J j
NS j
− − − − −
− −
=





1
26
= ns




81




( )
( )
15 35 14 34 13 33 12 32 11 31
13 33 12 32
31
, , , , max
, max
31
tn tn tn tn tn tn tn tn tn tn
tn tn tn tn
ns
J j
NS j
− − − − −
− −
=




680 . 0
31
= ns


( )
( )
25 35 24 34 23 33 22 32 21 31
25 35 23 33 21 31
32
, , , , max
, max
32
tn tn tn tn tn tn tn tn tn tn
tn tn tn tn tn tn
ns
J j
NS j
− − − − −
− − −
=




206 . 0
32
= ns

( )
( )
45 35 44 34 43 33 42 32 41 31
43 33 42 32
34
, , , , max
, max
34
tn tn tn tn tn tn tn tn tn tn
tn tn tn tn
ns
J j
NS j
− − − − −
− −
=




1
34
= ns

( )
( )
55 35 54 34 53 33 52 32 51 31
55 35 54 34 53 33 52 32
35
, , , , max
, , , max
35
tn tn tn tn tn tn tn tn tn tn
tn tn tn tn tn tn tn tn
ns
J j
NS j
− − − − −
− − − −
=




1
35
= ns

( )
( )
65 35 64 34 63 33 62 32 61 31
64 34 62 32
36
, , , , max
, max
36
tn tn tn tn tn tn tn tn tn tn
tn tn tn tn
ns
J j
NS j
− − − − −
− −
=




1
36
= ns

( )
( )
15 45 14 44 13 43 12 42 11 41
14 44 12 42 11 41
41
, , , , max
, , max
41
tn tn tn tn tn tn tn tn tn tn
tn tn tn tn tn tn
ns
J j
NS j
− − − − −
− − −
=




490 . 0
41
= ns

( )
( )
25 45 24 44 23 43 22 42 21 41
25 45 21 41
42
, , , , max
, max
42
tn tn tn tn tn tn tn tn tn tn
tn tn tn tn
ns
J j
NS j
− − − − −
− −
=




986 . 0
42
= ns





82




( )
( )
35 45 34 44 33 43 32 42 31 41
35 45 34 44 31 41
43
, , , , max
, max
43
tn tn tn tn tn tn tn tn tn tn
tn tn tn tn tn tn
ns
J j
NS j
− − − − −
− − −
=




794 . 0
43
= ns

( )
( )
55 45 54 44 53 43 52 42 51 41
55 45 54 44 52 42 51 41
45
, , , , max
, max
45
tn tn tn tn tn tn tn tn tn tn
tn tn tn tn tn tn tn tn
ns
J j
NS j
− − − − −
− − − −
=




1
45
= ns

( )
( )
65 45 64 44 63 43 62 42 61 41
64 44 62 42 61 41
46
, , , , max
, max
46
tn tn tn tn tn tn tn tn tn tn
tn tn tn tn tn tn
ns
J j
NS j
− − − − −
− − −
=




825 . 0
46
= ns

( )
( )
15 55 14 54 13 53 12 52 11 51
12 52
51
, , , , max
max
51
tn tn tn tn tn tn tn tn tn tn
tn tn
ns
J j
NS j
− − − − −

=





280 . 0
51
= ns

( )
( )
25 55 24 54 23 53 22 52 21 51
21 51
52
, , , , max
max
52
tn tn tn tn tn tn tn tn tn tn
tn tn
ns
J j
NS j
− − − − −

=




147 . 0
52
= ns

( )
( )
35 55 34 54 33 53 32 52 31 51
31 51
53
, , , , max
max
53
tn tn tn tn tn tn tn tn tn tn
tn tn
ns
J j
NS j
− − − − −

=




193 . 0
53
= ns

( )
( )
45 55 44 54 43 53 42 52 41 51
43 53
54
, , , , max
max
54
tn tn tn tn tn tn tn tn tn tn
tn tn
ns
J j
NS j
− − − − −

=




031 . 0
54
= ns

( )
( )
65 55 64 54 63 53 62 52 61 51
62 52
56
, , , , max
max
56
tn tn tn tn tn tn tn tn tn tn
tn tn
ns
J j
NS j
− − − − −

=






83





433 . 0
56
= ns


( )
( )
15 65 14 64 13 63 12 62 11 61
13 63 11 61
61
, , , , max
, max
61
tn tn tn tn tn tn tn tn tn tn
tn tn tn tn
ns
J j
NS j
− − − − −
− −
=




633 . 0
61
= ns

( )
( )
25 65 24 64 23 63 22 62 21 61
25 65 23 63 21 61
62
, , , , max
, , max
61
tn tn tn tn tn tn tn tn tn tn
tn tn tn tn tn tn
ns
J j
NS j
− − − − −
− − −
=




696 . 0
62
= ns

( )
( )
35 65 34 64 33 63 32 62 31 61
35 65 33 63 31 61
63
, , , , max
, , max
61
tn tn tn tn tn tn tn tn tn tn
tn tn tn tn tn tn
ns
J j
NS j
− − − − −
− − −
=




907 . 0
63
= ns


( )
( )
45 65 44 64 43 63 42 62 41 61
45 65 43 63
64
, , , , max
, max
64
tn tn tn tn tn tn tn tn tn tn
tn tn tn tn
ns
J j
NS j
− − − − −
− −
=




1
64
= ns


( )
( )
55 65 54 64 53 63 52 62 51 61
5 65 54 64 53 63 51 61
65
, , , , max
, , max
65
tn tn tn tn tn tn tn tn tn tn
tn tn tn tn tn tn tn tn
ns
J j
NS j
− − − − −
− − − −
=





1
65
= ns


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



84




korak 6: Određivanje matrice saglasne dominacije MSD

Matrica saglasne dominacije određuje se na osnovu vrednosti praga indeksa saglasnosti, koji
se može definisati kao prosečni indeks saglasnosti:


( (( ( ) )) ) 1 m m
s
PIS
m
1 p
m
1 r
pr
− −− −
= == =
∑ ∑∑ ∑∑ ∑∑ ∑
= == = = == =


pri čemu je p≠ r.

Potom se formira matrica saglasne dominacije na osnovu sledećeg kriterijuma:

msd
pr
= 1 za s
pr
≥ PIS

msd
pr
= 0 za s
pr
< PIS


U ovom slučaju,

( ) 1 6 6
0 40 . 0 74 . 0 ... 38 . 0 0 38 . 0 24 . 0 40 . 0 74 . 0 52 . 0 62 . 0 0

+ + + + + + + + + + + +
= PIS
=
30
14 . 15
=0.505
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: Određivanje matrice nesaglasne dominacije MNSD

Matrica nesaglasne dominacije izračunava se analogno MSD; najpre se računa prosečan
indeks nesaglasnosti:


( (( ( ) )) ) 1 m m
ns
PINS
m
1 p
m
1 r
pr
− −− −
= == =
∑ ∑∑ ∑∑ ∑∑ ∑
= == = = == =


pri čemu je p≠ r.



85




Potom se formira matrica nesaglasne dominacije na osnovu sledećeg kriterijuma:


mnsd
pr
= 1 za ns
pr
≤ PINS

mnsd
pr
= 0 za ns
pr
> PINS

U ovom slučaju je:

PINS=
( ) 1 6 6
0 1 1 907 . 0 ..... 1 0 887 . 0 1 1 1 1 1 0

+ + + + + + + + + + + + +
=
30
712 . 21
=0.724

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: Određivanje matrice agregatne dominacije MAD

Elementi matrice agregatne dominacije jednaki su proizvodu elemenata na odgovarajućoj
poziciji u matricama saglasne i nesaglasne dominacije:

pr pr pr
nsd sd ad ⋅ ⋅⋅ ⋅ = == =

tako da, u ovom slučaju, matrica ima sledeće 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
a2 ne dominira ni nad jednom akcijom
a3 dominira nad: a2
a4 ne dominira ni nad jednom akcijom
a5 dominira nad akcijama: a1, a2, a3, a4, a6
a6 dominira nad akcijama: a1, a2 Najbolja akcija: a5







86




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 značaj
korišćenih parametara, i potpuno odsustvo pratećih efekata rangiranja.
U ovaj metod autori su uveli tzv. “opšte” kriterijume, jer su na osnovu iskustva došli do
zaključka da se oni mogu koristiti pri rešavanju većine realnih problema višeatributivnog
odlučivanja. Dodelili su im odgovarajuće 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 poslužiće napred dati primer.
1. zadatak. Kupac privatnog automobila je u situaciji da bira između četiri modela: a1, a2, a3 i
a4. Izbor će izvršiti koristeći sledeće kriterijume:
A1 – maksimalna brzina (km/h)
A2 – potrošnja goriva (milja/galonu, pa se zato maksimizira)
A3 – mogućnost opterećenja (kp)
A4 – cena (10
7
din)
A5 – pouzdanost (kvalitativna ocena)
A6 – sposobnost manevrisanja (kvalitativna ocena)
Početna matrica odlučivanja ima oblik:




Koristeći 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 odlučivanja je u
potpunosti kvantifikovana:




87






korak 1: Definisanje tipa, parametara i težina kriterijuma
Donosioc odluke aktivno učestvuje u proceduri rešavanja problema i određuje tipove opšteg
kriterijuma, parametre i težine korisničkih kriterijuma.
U ovom slučaju, donosilac odluke je izabrao sledeće parametre:






























88





Tabela 17.













89




korak 2: Određivanje funkcija preferencije Pj(ai, as)
Funkcija preferencije određuje se na osnovu razlike vrednosti kriterijuma određene alternative
ai sa ostalim alternativama as, i, s = 1,2,3,4, razmatrajući svaki kriterijum kj, j = 1,…,6.






90







korak 3: Određivanje 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 slučaju, indeksi preferencija jednaki su:




91






korak 4: Određivanje ulaznih i izlaznih tokova akcija
Za određivanje ulaznog toka akcije koristi se izraz:


U ovom slučaju, ulazni tokovi jednaki su:



Za određivanje izlaznog toka akcije koristi se izraz:






92






Tako da su izlazni tokovi jednaki:






korak 5: Određivanje parova potpunih poredaka

Određivanje parova potpunih poredaka vrši se na osnovu sledećih nejednačna i jednačina:



U ovom slučaju,




93









94








korak 6: Određivanje parcijalnih poredaka svih akcija ( P
I
, I
I
, R)

Za razmatrani par akcija (ai, as) važi:

Akcija ai ima viši rang od as, odnosno, (ai P
I
as) ako:



Akcije ai i as su indiferentne (a
i
I
I
a
s
) ako:

Akcije ai i as nisu uporedive (ai R as) u svim ostalim slučajevima.



95





U ovom slučaju,







96










korak 7: Određivanje matrice viših rangova
Matricu viših rangova čine 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:





97






Iz matrice viših rangova vidi se sledeće:
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: Određivanje čistih tokova akcija
U ovom koraku računa sa razlika ulaznog i izlaznog toka svake od akcija.


korak 10: Rangiranje akcija prema veličini čistih tokova




98





Na slici 4. prikazan je graf višeg ranga po metodu PROMETHEE II.


Slika 4. Graf višeg ranga po metodu PROMETHEE II
Očigledno je da akcija a1 dominira nad svim ostalim akcijama.

2. zadatak. Kompanija planira da promoviše svoj proizvod. Razmatraju se šest mogućih
načina reklamiranja: u internacionalnim novinama News, u novinama Herald, reklamiranje
putem bilborda postavljenim u većim gradovima, putem pošte i emitovanjem TV spotova na
CMM ili NCB kanalu.
Svaki mogući način promocije proizvoda tj. svaka raspoloživa alternativa se ocenjuje na
osnovu 5 kriterijuma-atributa: cena (izražena u 1000 US$), veličina 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 običnu funkciju preferencije tj. običan kriterijum (tip. I).











99




Tabela. 18. Polazni podaci

C1 C2 C3 C4 C5
atribut
Cena
Veličina
auditorijuma
Trajanje
promocije
Efikasnost
Broj
angažovanih
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


- obična funkcija preferencije tj. običan kriterijum (tip. I):




-broj parametara koje treba definisati u slučaju običnog kriterijuma: 0
-težine kriterijuma su date u tekstu zadatka.






100




korak 2: Određivanje vrednosti funkcija preferencije Pj(ai, as) za svaki par akcija po
svakom kriterijumu


k
j
a
i
a
s
x=k
j
(a
i
)-k
j
(a
s
) Pj(a
i
,a
s
)
2 60-30=30 0
3 60-40=20 0
4 60-92=-32 1
5 60-52=8 0
k
1

tip 1(min)
6 60-80=-20 1
2 900-520=380 1
3 900-650=250 1
4 900-750=150 1
5 900-780=120 1
k
2

tip 1
6 900-920=-20 0
2 22-31=-9 0
3 22-20=2 1
4 22-60=-38 0
5 22-58=-36 0
K
3

tip 1
6 22-4=18 1
2 51-13=38 1
3 51-58=-7 0
4 51-36=15 1
5 51-90=-39 0
K
4

tip 1
6 51-75=-24 0
2 8-1=7 0
3 8-2=6 0
4 8-3=5 0
5 8-1=7 0
K
5

tip 1 (min)
1
6 8-6=2 0





















101





k
j
a
i
a
s
X=k
j
(a
i
)-k
j
(a
s
) Pj(a
i
,a
s
)
1 30-60=-30 1
3 30-40=-10 1
4 30-92=-62 1
5 30-52=-22 1
k
1

tip 1(min)
6 30-80=-50 1
1 520-900=-380 0
3 520-650=-130 0
4 520-750=-230 0
5 520-780=-260 0
k
2

tip 1
6 520-920=-400 0
1 31-22=9 1
3 31-20=11 1
4 31-60=-29 0
5 31-58=-27 0
K
3

tip 1
6 31-4=27 1
1 13-51=-38 0
3 13-58=-45 0
4 13-36=-23 0
5 13-90=-77 0
K
4

tip 1
6 13-75=-62 0
1 1-8=-7 1
3 1-2=-1 1
4 1-3=-2 1
5 1-1=0 1
K
5

tip 1 (min)
2
6 1-6=-5 1

























102





k
j
a
i
a
s
X=k
j
(a
i
)-k
j
(a
s
) Pj(a
i
,a
s
)
1 40-60=-20 1
2 40-30=10 0
4 40-92=-52 1
5 40-52=-12 1
k
1

tip 1(min)
6 40-80=-40 1
1 650-900=-250 0
2 650-520=130 1
4 650-750=-100 0
5 650-780=-130 0
k
2

tip 1
6 650-920=-270 0
1 20-22=-2 0
2 20-31=-11 0
4 20-60=-40 0
5 20-58=-38 0
K
3

tip 1
6 20-4=16 1
1 58-51=7 1
2 58-13=45 1
4 58-36=22 1
5 58-90=-32 0
K
4

tip 1
6 58-75=-17 0
1 2-8=-6 1
2 2-1=1 0
4 2-3=-1 1
5 2-1=1 0
K
5

tip 1 (min)
3
6 2-6=-4 1

























103





k
j
a
i
a
s
X=k
j
(a
i
)-k
j
(a
s
) Pj(a
i
,a
s
)
1 92-60=32 0
2 92-30=62 0
3 92-40=52 0
5 92-52=40 0
k
1

tip 1(min)
6 92-80=12 0
1 750-900=-150 0
2 750-520=230 1
3 750-650=100 1
5 750-780=-30 0
k
2

tip 1
6 750-920=-170 0
1 60-22=38 1
2 60-31=29 1
3 60-20=40 1
5 60-58=2 1
K
3

tip 1
6 60-4=56 1
1 36-51=-15 0
2 36-13=23 1
3 36-58=-22 0
5 36-90=-54 0
K
4

tip 1
6 36-75=-39 0
1 3-8=-5 1
2 3-1=2 0
3 3-2=1 0
5 3-1=2 0
K
5

tip 1 (min)
4
6 3-6=-3 1

























104





k
j
a
i
a
s
X=k
j
(a
i
)-k
j
(a
s
) Pj(a
i
,a
s
)
1 52-60=-8 1
2 52-30=22 0
3 52-40=12 0
4 52-92=-40 1
k
1

tip 1(min)
6 52-80=-28 1
1 780-900=-120 0
2 780-520=260 1
3 780-650=130 1
4 780-750=30 1
k
2

tip 1
6 780-920=-140 0
1 58-22=36 1
2 58-31=27 1
3 58-20=38 1
4 58-60=-2 0
K
3

tip 1
6 58-4=54 1
1 90-51=39 1
2 90-13=77 1
3 90-58=32 1
4 90-36=54 1
K
4

tip 1
6 90-75=15 1
1 1-8=-7 1
2 1-1=0 1
3 1-2=-1 1
4 1-3=-2 1
K
5

tip 1 (min)
5
6 1-6=-5 1





















105




k
j
a
i
a
s
X=k
j
(a
i
)-k
j
(a
s
) Pj(a
i
,a
s
)
1 80-60=20 0
2 80-30=50 0
3 80-40=40 0
4 80-92=-12 1
k
1

tip 1(min)
5 80-52=28 0
1 920-900=20 1
2 920-520=400 1
3 920-650=270 1
4 920-750=170 1
k
2

tip 1
5 920-780=140 1
1 4-22=-18 0
2 4-31=-27 0
3 4-20=-16 0
4 4-60=-56 0
K
3

tip 1
5 4-58=-54 0
1 75-51=24 1
2 75-13=62 1
3 75-58=17 1
4 75-36=39 1
K
4

tip 1
5 75-90=-15 0
1 6-8=-2 1
2 6-1=5 0
3 6-2=4 0
4 6-3=3 0
K
5

tip 1 (min)
6
5 6-1=5 0


korak 3: Određivanje 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 slučaju, indeksi preferencija jednaki su:

IP(a
1
,a
2
)=0.12*0+0.40*1+0.12*0+0.22*1+0.14*0=0.62
IP(a
1
,a
3
)=0.12*0+0.40*1+0.12*1+0.22*0+0.14*0=0.52
IP(a
1
,a
4
)=0.12*1+0.40*1+0.12*0+0.22*1+0.14*0=0.74
IP(a
1
,a
5
)=0.12*0+0.40*1+0.12*0+0.22*0+0.14*0=0.4
IP(a
1
,a
6
)=0.12*1+0.40*0+0.12*1+0.22*0+0.14*0=0.24






106




IP(a
2
,a
1
)= 0.12*1+0.40*0+0.12*1+0.22*0+0.14*1=0.38
IP(a
2
,a
3
)= 0.12*1+0.40*0+0.12*1+0.22*0+0.14*1=0.38
IP(a
2
,a
4
)= 0.12*1+0.40*0+0.12*0+0.22*0+0.14*1=0.26
IP(a
2
,a
5
)= 0.12*1+0.40*0+0.12*0+0.22*0+0.14*1=0.26
IP(a
2
,a
6
)= 0.12*1+0.40*0+0.12*1+0.22*0+0.14*1=0.38

IP(a
3
,a
1
)= 0.12*1+0.40*0+0.12*0+0.22*1+0.14*1=0.48
IP(a
3
,a
2
)= 0.12*0+0.40*1+0.12*0+0.22*1+0.14*0=0.62
IP(a
3
,a
4
)= 0.12*1+0.40*0+0.12*0+0.22*1+0.14*1=0.48
IP(a
3
,a
5
)= 0.12*1+0.40*0+0.12*0+0.22*0+0.14*0=0.12
IP(a
3
,a
6
)= 0.12*1+0.40*0+0.12*1+0.22*0+0.14*1=0.38


IP(a
4
,a
1
)= 0.12*0+0.40*0+0.12*1+0.22*0+0.14*1=0.26
IP(a
4
,a
2
)= 0.12*0+0.40*1+0.12*1+0.22*1+0.14*0=0.74
IP(a
4
,a
3
)= 0.12*0+0.40*1+0.12*1+0.22*0+0.14*0=0.52
IP(a
4
,a
5
)= 0.12*0+0.40*0+0.12*1+0.22*0+0.14*0=0.12
IP(a
4
,a
6
)= 0.12*0+0.40*0+0.12*1+0.22*0+0.14*1=0.26


IP(a
5
,a
1
)= 0.12*1+0.40*0+0.12*1+0.22*1+0.14*1=0.6
IP(a
5
,a
2
)= 0.12*0+0.40*1+0.12*1+0.22*1+0.14*1=0.88
IP(a
5
,a
3
)= 0.12*0+0.40*1+0.12*1+0.22*1+0.14*1=0.88
IP(a
5
,a
4
)= 0.12*1+0.40*1+0.12*0+0.22*1+0.14*1=0.88
IP(a
5
,a
6
)= 0.12*1+0.40*0+0.12*1+0.22*1+0.14*1=0.6


IP(a
6
,a
1
)= 0.12*0+0.40*1+0.12*0+0.22*1+0.14*1=0.76
IP(a
6
,a
2
)= 0.12*0+0.40*1+0.12*0+0.22*1+0.14*0=0.62
IP(a
6
,a
3
)= 0.12*0+0.40*1+0.12*0+0.22*1+0.14*0=0.62
IP(a
6
,a
4
)= 0.12*1+0.40*1+0.12*0+0.22*1+0.14*0=0.74
IP(a
6
,a
5
)= 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










107




korak 4: Određivanje ulaznih i izlaznih tokova akcija

Za određivanje ulaznog toka akcije koristi se izraz:



T
+
(a1)=
1 6
24 . 0 4 . 0 74 . 0 52 . 0 62 . 0 0

+ + + + +
=0.50

T
+
(a2)=
1 6
38 . 0 26 . 0 26 . 0 38 . 0 0 38 . 0

+ + + + +
=0.33

T
+
(a3)=
1 6
38 . 0 12 . 0 48 . 0 0 62 . 0 48 . 0

+ + + + +
=0.42

T
+
(a4)=
1 6
26 . 0 12 . 0 0 52 . 0 74 . 0 26 . 0

+ + + + +
=0.38

T
+
(a5)=
1 6
6 . 0 0 88 . 0 88 . 0 88 . 0 6 . 0

+ + + + +
=0.77

T
+
(a6)=
1 6
0 4 . 0 74 . 0 62 . 0 62 . 0 76 . 0

+ + + + +
=0.63



Za određivanje izlaznog toka akcije koristi se izraz:




Tako da su izlazni tokovi jednaki:

T
-
(a1)=
1 6
76 . 0 6 . 0 26 . 0 48 . 0 38 . 0 0

+ + + + +
=0.50

T
-
(a2)=
1 6
62 . 0 88 . 0 74 . 0 62 . 0 0 62 . 0

+ + + + +
=0.70




108




T
-
(a3)=
1 6
62 . 0 88 . 0 52 . 0 0 38 . 0 52 . 0

+ + + + +
=0.58

T
-
(a4)=
1 6
74 . 0 088 0 48 . 0 26 . 0 74 . 0

+ + + + +
=0.62

T
-
(a5)=
1 6
4 . 0 0 12 . 0 12 . 0 26 . 0 4 . 0

+ + + + +
=0.26

T
-
(a6)=
1 6
0 6 . 0 26 . 0 38 . 0 38 . 0 24 . 0

+ + + + +
=0.37


Određivanje čistih tokova akcija
U ovom koraku računa 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)














109




Primena DECISION LAB programa

Recimo da firma želi da iznajmi poslovni prostor na osnovu sledeća četiri kriterijuma:
ukupnih mesečnih troškova, lokacije, kvadrature i konkurencije. Na tržištu se trenutno nudi
pet poslovnih prostora: A, B, C, D i E. Vrednosti alternativa po datim kriterijumima su
prikazani u narednoj tabeli 19. Troškovi su izraženi u evrima, kvadratura u m
2
, dok su
kriterijumi lokacija i konkurencija kvalitativni kriterijumi. Za kvantifikovanje kvalitativnih
vrednosti kriterijuma lokacija korišćena je petocifrena skala sa sledećim značenjima: 1-veoma
loša, 2-loša, 3-zadovoljavajuća, 4-dobra, 5-veoma dobra; dok su za kriterijum konkurencija
ocene imale značenje: 1-veoma slaba, 2-slaba, 3-srednja, 4-jaka, 5-veoma jaka. Neke
kriterijume je potrebno minimizirati (troškovi, konkurencija), dok je ostale potrebno
maksimizirati (lokacija, kvadratura).

Tabela 19. Polazni podaci za dati problem odlučivanja prikazani u evulacionoj tabeli
kriterijum
alternativa
troškovi lokacija kvadratura konkurencija
A 420 3 50 3
B 580 4 70 5
C 520 4 80 4
D 480 4 70 2
E 600 3 90 2

Donosilac odluke je dodelio sledeće težine kriterijumima: troškovi-30, lokacija-30,
kvadratura-15 i konkurencija-25. Vrednosti dodeljenih težina ukazuju da će donosilac odluke
u procesu odlučivanja podjednako vrednovati kriterijume troškovi i lokacija. Ova dva
kriterijuma su istovremeno njemu i najznačajniji pri izboru. Nešto manje značajan kriterijum
je konkurencija sa dodeljenom težinom 25, dok je najmanje važan kriterijum površina sa
težinom 15.
Pored težinskih faktora, donosilac odluke mora biti u stanju da svakom kriterijumu
dodeli odgovarajuću funkciju preferencije.
U sledećoj tabeli su prikazani tipovi funkcija preferencije, parametri i težine koje je
donosilac odluke, nakon analize problema, dodelio pojedinim kriterijumima.






110




Tabela 20. Dodeljene funkcije preferencije,odgovarajući parametri i težine
kriterijum
troškovi lokacija kvadratura konkurencija
min/max min max max min
tip 3 (V-kriterijum) 1 (običan
kriterijum)
3 (V-kriterijum) 1 (običan
kriterijum)
parametar 70 - 20 -
težina 30 30 15 25

Za proračun po navedenom primeru, korišćen je Decision Lab softver [6], koji rezultate
prezentuje grafički.
Na osnovu proračunatih pozitivnih i negativnih tokova preferencije izvršeno je
parcijalno rangiranje po PROMETHEE I metodi (slika 4).
Sa dobijenog grafika na slici 5, uočljivo je da alternativa D dominira nad svim ostalim
alternativama. Sa druge strane, alternative A i E su međusobno neuporedive alternative.
Alternativa A ima veću ukupnu snagu u odnosu na alternativu E ( ( ) A
+
φ > ( ) E
+
φ ) ali
istovremeno i veću ukupnu slabost ( ( ) A

φ > ( ) E

φ ). PROMETHEE I ne upoređuje konfliktne
akcije.

Slika 5. PROMETHEE I rangiranje

PROMETHEE II metoda omogućuje donosiocu odluke mogućnost kompletnog
rangiranja alternativa kako je prikazano na slici 6. Na osnovu toga, može se zaključiti da je
kompletni poredak alternativa sledeći: D→C→A→E→B. Obe metode pružaju jaku podršku
donosiocu odluke u procesu rešavanja problema.



111





Slika 6. PROMETHEE II rangiranje

Očigledno je da PROMETHEE I i PROMETHEE II metode vrše rangiranje alternativa na
osnovu izabranih težina pojedinih kriterijuma. Specijalna opcija softvera nazvana THE
WALKING WEIGHTS omogućava da se modifikuju početne težine i da se posmatraju
rezultujuće promene rangiranja (slika 7). Na ovaj način donosilac odluke može jednostavno
sprovesti analizu osetljivosti dobijenih rezultata.



Slika 7. WALKING WAIGHTS opcija kojom se sprovodi analiza osetljivosti rezultata


Na slici 8. prikazana je GAIA ravan za analizirani problem odlučivanja.




112






Slika 8. GAIA ravan za dati problem odlučivanja

Na osnovu položaja alternativa i kriterijuma vidljivo je da su svi navedeni kriterijumi
medjusobno veoma konflitni (različiti pravci osa). Pojedine alternative su veoma dobre po
određenim kriterijumima (njihove tačke su pozicionirane u smeru određenog kriterijuma).
Tako je na primer vidljivo da su alternative D i A posebno dobre po kriterijumu troškovi, D i
E u odnosu na kriterijum konkurencija, B i C po kriterijumu lokacija itd. Pravac vektora π
jasno ukazuje da je najoptimalniji izbor alternativa D.








113




Metod AHP
Metod analitičkih hijerarhijskih procesa (AHP), koji je razvio Saaty početkom sedamdesetih
godina prošlog veka, koristi se za rešavanje kompleksnih problema odlučivanja u kojima u-
estvuje veći broj donosilaca odluke, veći broj kriterijuma i u višestrukim vremenskim
periodima.
Metod se zasniva konceptu balansa koji se koristi za određivanje sveukupne relativne
značajnosti skupa atributa, aktivnosti ili kriterijuma analiziranog problema odlučivanja. To se
postiže strukturiranjem bilo kog kompleksnog problema odlučivanja u veći broj hijerarhijskih
nivoa, dodeljivanjem težina u obliku serije matrica poređenja parova. Tako posmatran, metod
AHP ima četiri faze:
• strukturiranje problema,
• prikupljanje podataka,
• ocenjivanje relativnih težina, i
• određivanje rešenja problema.
Prvu fazu, strukturiranje problema, čini rastavljanje kompleksnog problema odlučivanja na
niz hijerarhija, gde svaki nivo predstavlja manji broj upravljivih atributa. Oni se potom
rastavljaju u drugi skup elemenata koji odgovara sledećem nivou, itd.
Druga faza ovog metoda obuhvata prikupljanje podataka i njihovu evaluaciju na svim
nivoima celokupne hijerarhije. Međusobno ocenjivanje alternativa i kriterijuma (atributa) se
vrši dodeljivanjem težina primenom tzv. skale devet tačaka, koja je data u narednoj tabeli.







114




Tabela 50. Skala devet tačaka





Donosioc odluke dodeljuje težine svakom paru posebno, kao meru koliko je jedan par atributa
znčajniji od drugog. Ukoliko raspolaže objektivnim podacima, može ih koristiti pri
dodeljivanju težina, u suprotnom, koristi sopstvene procene i informacije. Kao rezultat dobiva
se odgovarajuća matrica upoređivanja po parovima koja odgovara svakom nivou hijerarhije.
Treća i četvrta faza metoda AHP su čisto matematičke, i biće objašnjene na primeru.












115




Primer: Primena metoda AHP biće 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 označe:
A1 – maksimalna brzina (km/h)
A2 – potrošnja goriva (l/100 km)
A3 – mogućnost opterećenja (kp)
A4 – cena (10
7
din)
A5 – pouzdanost (kvalitativna ocena)
A6 – sposobnost manevrisanja (kvalitativna ocena)
Kupac najpre treba da izvrši upoređivanje značaja pojedinih atributa (kriterijuma) saglasno
skali definisanoj tabelom 50. Njegove procene i prioriteti su prikupljeni u cilju izbora



116




automobila i dati u sledećoj matrici:



Vrednosti u zagradi predstavljaju ustvari invertvovani odnos preferencija, tako da (3.0) na
preseku A
1
i A
2
ima stvarnu vrednost 1/3, koja se koristi pri proračunu.

NIVO I
korak 1: Prerada matrice upoređivanja težina u parovima na osnovu početne matrice
odlučivanja skale od devet tačaka
Vrednosti u zagradi predstavljaju invertovani odnos preferencija, tako da (3.0) u preseku A
1
i
A
2
ima realnu vrednost 1/3, koja se koristi pri proračunu.


korak 2: Proračun suma elemenata kolone





117





korak 3: Proračun količnika elemenata kolona sa sumom odgovarajuće kolone
Podeliti elemente svake kolone sa sumom vrednosti te kolone, koja je dobivena u prethodnom
koraku.
korak 4: Proračun normalizovanog sopstvenog vektora
Vrednosti u koloni su sume elemenata po redovima, a u zadnjoj koloni t su odgovarajuće
srednje vrednosti reda (podaci u pretposlednjoj koloni dele se brojem kriterijuma). Poslednja
kolona predstavlja normalizovani sopstveni vektor.



Konačni 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 četiri tipa automobila u odnosu na svaki kriterijum
pojedinačno, odnosno izračunava učešće svake alternative pojedinačno u okviru posmatranog
kriterijuma.
Atribut A1
Matrica upoređivanja u odnosu na atribut A
1




118




Prerađena matrica upoređivanja težina u parovima

Proračun sopstvenog vektora odgovarajućih sopstvenih vrednosti

Konačni prioritet u odnosu na atribut A1
B2 0.5114
B3 0.2575
B1 0.1511
B4 0.0800

Atribut A2
Matrica upoređivanja u odnosu na atribut A2

Prerađena matrica upoređivanja težina u parovima

Proračun sopstvenog vektora odgovarajućih sopstvenih vrednosti




119




Konačni prioritet u odnosu na atribut A2
B4 0.4348
B1 0.3593
B3 0.1485
B2 0.0574

Atribut A3
Matrica upoređivanja u odnosu na atribut A3

Prerađena matrica upoređivanja težina u parovima

Proračun sopstvenog vektora odgovarajućih sopstvenih vrednosti


Konačni prioritet u odnosu na atribut A3
B4 0.4514
B1 0.3352
B3 0.1489
B2 0.0645









120




Atribut A4
Matrica upoređivanja u odnosu na atribut A4

Prerađena matrica upoređivanja težina u parovima

Proračun sopstvenog vektora odgovarajućih sopstvenih vrednosti

Konačni prioritet u odnosu na atribut A4
B4 0.4472
B1 0.3432
B3 0.1427
B2 0.0670

Atribut A5
Matrica upoređivanja u odnosu na atribut A5

Prerađena matrica upoređivanja težina u parovima



121





Proračun sopstvenog vektora odgovarajućih sopstvenih vrednosti

Konačni prioritet u odnosu na atribut A5
B2 0.4609
B1 0.3592
B3 0.1275
B4 0.0524

Atribut A6
Matrica upoređivanja u odnosu na atribut A6


Prerađena matrica upoređivanja težina u parovima


Proračun sopstvenog vektora odgovarajućih sopstvenih vrednosti




122




Konačni prioritet u odnosu na atribut A6
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, razmatrajući sve kriterijume.
Matematički proračun za sve alternative realizuje se na sledeći način:

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 očigledno je najbolji automobil B1; analogan rezultat dobiven
je primenom metoda ELECTRE i PROMETHEE I i II.







123




1. zadatak. Pet firmi: A,B,C,D i E se prijavilo na konkurs u cilju dobijanja određenog posla.
Rangiranje firmi će se izvršiti uzimajući u obzir sledeće 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
Iskustvo
5 godina
2 slična projekta
7 godina
1 sličan projekat
8 godina
bez sličnih
projekta
1 međunarodni
projekat
10 godina
2 slična projekta
15 godina
bez sličnih
projekata
Finansijsko
stanje
-Prihodi 7 mil. $
-Visoka stopa
razvoja
-bez dugova

-Prihodi 10 mil.
$
-deo koperacije
-Dugovi 5.5
mil. $

-Prihodi 14 mil.
$
-Dugovi 6 mil.
$

-Prihodi 11 mil.
$
-Dugovi 4 mil.
$
-dobri odnosi sa
bankama

-Prihodi 6 mil. $
-Dugovi 1.5
mil. $

Kvalitet
izvedenih
radova
-Dobra organiz.
-dobra
reputacija
-Prosečna
organiz.
-2 zaostala
projekta

-Dobra organiz.
-dobra
reputacija
-Dobra organiz.
-dobra
reputacija
-Loša organiz.
-1 projekat
prekinut

Radna snaga 150 radnika
100 radnika
200 najamnika
120 radnika

90 radnika
130 najamnika
40 radnika
260 najamnika
Oprema
-4 mikser
mašine
-1 bager
-15 pomoćnih
mašina
-6 mikser
mašine
-1 bager
-1 buldožer
-2 mikser
mašine
-1 bager
-20 pomoćnih
mašina
-4 mikser
mašine
-1 bager
-9 pomoćnih
mašina
-2 mikser
mašine
-10 pomoćnih
mašina


Projekti u
toku
-1 veliki
projekat pri
kraju
-2 na sredini (1
mali i 1 srednji)
-2 projekta pri
kraju (1 veliki i
1 srednji)
-1 započeti
projekat srednje
veličine
-2 projekta pri
kraju (1 veliki i
1 srednji)
-2 velika
projekta pri
kraju
-1 projekat
srednje veličine
u toku
-započeta 2
manja projekta
-3 projekta pri
kraju (1 manja i
i 1 srednji)

















124




Rešenje:

Na narednoj slici je prikazana hijerarhijska struktura problema:



Slika 21. Hijerarhijska struktura problema izbora firme

Tabela predstavlja tabelu-matricu međusobnog upoređivanja alternativa po prvom
kriterijumu-iskustvu :
Tabela 52. Međusobno upoređivanja 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 upoređivanja težina u parovima na osnovu početne matrice
odlučivanja skale od devet tačaka
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 proračunu:
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
ćelijama tabele su dobijene deljenjem odgovarajuće vrednosti iz prethodne tabele sa sumom



125




odgovarajuće kolone ( pr. 0.08=1/12.5).
Tabela 54.
Iskustvo A B C D E
Vektor
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 određuje na osnovu srednjih vrednosti iz svakog pojedinačnog 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 računaju i druge vrednosti vektora prioriteta tako da on, za slučaj kriterijuma
»iskustvo« ima sledeći oblik:
(
(
(
(
(
(
¸
(

¸

055 . 0
457 . 0
152 . 0
249 . 0
086 . 0


Indeks konzistetnosti (consistency index IC) kao mera konzistetnosti odstupanja n od λ
max
se
može izračunati na sledeći način:






126





Indeks konzistentnosti (consistency index IC) se, zatim, računa kao:

Na osnovu vrednosti datih u tabeli određujemo prosečnu slučajnu konzistentnost (avarage
random consistency RI), koja u ovom slučaju (za matricu tj. tabelu dimenzija 5X5 ) iznosi
1.12.
Tabela 55. Vrednosti RI u funkciji od veličine matrice
Veličina
matrice
1 2 3 4 5 6 7 8 9 10
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 identičan način su određeni i vektori proriteta za ostale kriterijume. Rezultati su prikazani
u narednim tabelama:
Kvalitet
radova
A B C D E
Vektor
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













127




Finansijska
stabilnost
A B C D E
Vektor
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
snaga
A B C D E
Vektor
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


Oprema A B C D E
Vektor
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
toku
A B C D E
Vektor
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 odgovarajućih tabela-matrica međusobnog upoređivanja alternativa po svakom od
izabranih kriterijuma, u cilju primene AHP metode, potrebno je formirati tabelu međusobnog
poređenja kriterijuma. U tu svrhu ponovo koristimo skalu devet tačaka (tabela 50 ).




128





Tabela 56. Tabela međusobnog upoređivanja kriterijuma

Iskustvo Finansijska
stabilnost
Kvalitet
radova
Radna
snaga
Oprema Projekti u
toku
Vektor
prioriteta
Iskustvo 1 2 3 6 6 5 0.372
Finansijska
stabilnost
1/2

1 3 6 6 5 0.293
Kvalitet
radova
1/3 1/3 1 4 4 3 0.156
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
toku
1/5 1/5 1/3 4 4 1 0.087
∑=1


Ukupni prioriteti u odnosu na globalni cilj (kompozitni normalizovani vektor) su:

Za firmu A:



Za firmu B:



Za firmu C:






Za firmu D:




129





Za firmu E:


Tabela 57. Ukupni prioriteti


Iskustvo
(0.372)
Finansijska
stabilnost
(0.293)
Kvalitet
radova
(0.156)
Radna
snaga
(0.053)
Oprema
(0.039)
Projekti u
toku
(0.087)
Ukupni
prioritet
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 zaključujemo da je
redosled alternativa dobijen primenom AHP metode: D, C, A, B, E.





























130





Literatura


1. Pavličić D., Teorija odlučivanja, Ekonomski fakultet, Beograd, 2004.
2. Čupić M., Tummala R.V.M., Suknović M., Odlučivanje: Formalni pristup, FON, Beograd,
2001.
3. Mitevska N., Teorija odlučivanja sa primerima, Autorizovana predavanja, Tehnički
fakultet, Bor, 2005.
4. Yoon K., Hwang C.L., Multiple Attribute Decision Making: Methods and Applications, A
State-of-the-Art Survey, Vol.186, Springer-Verlag, Berlin, 1981.
5. Brans J. P., Mareschal B., (1994) How to Decide with PROMETHEE, Universit Libre de
Bruxelles, http://homepages.ulb.ac.be/~bmaresc/PromWeb.htm
6. Brans, J.P., Marechal, B. and Vincke, P. 'How to select and how to rank projects: The
PROMETHEE method for MCDM', EJOR, 24 (1986) 228-238.
7. http://www.visualdecision.com
8. Al-Subhi Al-Harbi K. M., 'Application of the AHP in project management', International
Journal of Project Management, 19 (2001) 19-27.
9. Saaty TL. The analytic hierarchy process. New York: McGraw-Hill, 1980.





131













Sadržaj

1. Metodi izbora u slučaju neizvesnosti ..................................................................................2 2. Odlučivanje u uslovima rizika ..........................................................................................10 3. Dopunska informacija i njena cena ..................................................................................22 4. Sekvencijalno odlučivanje……………….……………………………………....……….35 5. Višeatributivno odlučivanje...............................................................................................50 5.1. Metod ELECTRE I.......................................................................................................61 5.2. Metodi PROMETHEE I-IV………………………………………………….....…….86 5.3. Metod AHP..................................................................................................................113

1

Metodi izbora u slučaju neizvesnosti
Teorijske osnove
Najpoznatije metode izbora koje primenjujemo u uslovima neizvesnosti su: a) Optimistički (Maximax) metod; b) Pesimistički (Valdov ili Maximin) metod; c) Metod otimizma-pesimizma (Hurvicov); d) Metod minimax kajanja (Sevidžov); e) Princip nedovoljnog razloga (Laplasov). Navedene metode počivaju na različitim logičkim osnovama, zbog čega se i njihovi konačni izbori me usobno razlikuju. Logiku svih metoda izbora objasnićemo na istom ilustrativnom primeru. Tabela odlučivanja prikazuje ishode tri akcije izražene u novčanim dobicima ( u 000 din.), pri realizaciji četiri moguća doga aja: Akcija A1 A2 A3 Doga aj S1 1 12 9 S2 5 4 9 S3 16 7 5 S4 4 4 5

Tabela odlučivanja u kojoj su ishodi dati u novčanom izrazu (dobicima ili gubicima) naziva se i tabelom isplata (ili matricom isplata). a) Optimistički metod (Maximax) Donosilac odluke koji se opredeljuje za ovaj metod je optimista u pogledu mogućih rezultata. On polazi od nerealne pretpostavke da će se uvek realizovati onaj doga aj koji mu omogućuje da izabranom akcijom postigne njen najbolji mogući 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

m. koju god akciju da izaberemo očekujemo da ćemo ostvariti njen najslabiji rezultat.. Iz tog razloga biramo onu akciju koja garantuje najbolji me u najgorim ishodima. kojim se akcije ocenjuju na osnovu njihovih ekstremnih ishoda.α... odnosno akciju kojom maksimiziramo minimalnu korisnost: maxi {minj (uij)} .. a najslabiji ishod njegovim komplementom.n.α) } i=1.Akcija A1 A2 A3 doga aj S1 1 12 9 S2 5 4 9 S3 16 7 5 S4 4 4 5 maximax metod maxj uij maxi { maxj uij } 16 16(A1) 12 9 b) Pesimistički metod (Maximin) Donosilac odluke koji primenjuje ovaj metod ispoljava izraziti pesimizam u pogledu budućih rezultata. Najbolji ishod množimo tzv. i=1. 3 . α (0≤ α ≤1).….2. j=1.2.n.. ekstremne ishode svih akcija treba da vrednujemo na isti način. Da bismo bili konzistentni u ocenjivanju. 1. Zato je Hurvic predložio njihovu modifikaciju u vidu tzv. metoda optimizma-pesimizma. Zato svaku akciju ocenjujemo na osnovu ponderisanog zbira njenog najboljeg i najgoreg rezultata.2. doga aj S1 1 12 9 S2 5 4 9 S3 16 7 5 S4 4 4 5 maximin metod minj uij maxi { minj uij } 1 4 5 5(A3) Akcija A1 A2 A3 c) Metod optimizma-pesimizma (Hurvicov) U racionalnom odlučivanju nema mesta neosnovanom optimizmu niti preteranom pesimizmu. Drugim rečima.…. indeksom optimizma..2. j=1. Hurvicov metod glasi: maxi {maxj (uij)⋅ α+ minj (uij) ⋅ (1. jer očekuje da će akciju sprovoditi u najnepovoljnijim okolnostima.m. pri čemu su ponderi (težinski koeficijenti) jednaki za sve akcije.

Ako su nam verovatnoće nepoznate. i pored maksimalne neizvesnosti tabela odlučivanja sadrži sve doga aje koji mogu da se jave..4+1⋅0. Laplasov postulat: »Ako ništa ne znam o budućim doga ajima.6=7. možemo.6=6.6 Optimalna akcija A2(7.Akcija A1 A2 A3 Najgori ishod minj(uij)=ui 1 4 5 Najbolji ishod maxj(uij)=Ui 16 12 9 Hurvicov metod Ui α+ui(1. ovom ishodu pripisujemo nulu u tabeli gubitaka jer u slučaju izbora akcije sa najboljim ishodom nema kajanja. Nazivamo je tabelom (matricom) gubitaka i izvodimo je iz originalne tabele na sledeći način: Za svaki doga aj Sj. Samim činom uključivanja pojedinih doga aja u model. kij=Uj-uij. j=1.2.m). onda mogu smatrati da su oni jednako verovatni« naziva se i principom nedovoljnog razloga.. Kajanje se javlja ako smo izabrali jednu od preostalih akcija.2) d) Metod minimax kajanja (Sevidžov) Sevidžov metod ne možemo da primenimo na originalne podatke.. 4 .4+4⋅0. tj. Ipak.α) 16⋅0. i=1. prikazujemo ga razlikom izme u najboljeg ishoda u koloni Sj.4+5⋅0. prikazane tabelom isplata.. Kada u tabeli odlučivanja pojedinim doga ajima pridružimo jednake verovatnoće. već je potrebno da formiramo novu tabelu. (u svakoj koloni) nalazimo najbolji ishod (maxi uij=Uj.6=7 12⋅0. Tabela isplata Akcij a A1 A2 A3 S1 1 12 9 S2 5 4 9 S3 16 7 5 S4 4 4 5 S1 11 0 3 Tabela gubitaka S2 4 5 0 S3 0 9 11 S4 1 1 0 11 9 11 A2(9) Sevidžov metod maxi kij mini {maxj kij} e) Princip nedovoljnog razloga (Laplasov) Do sada navedeni metodi zanemaruju verovatnoće javljanja pojedinih okolnosti. da pretpostavimo njihovu jednakost. zadatak se svodi na izračunavanje očekivanih korisnosti akcija.. na primer. već im pripisujemo verovatnoće različite od nule i sigurni smo da će se jedan od njih javiti. Uj i ishoda ostvarenog primenom date akcije.2..n.2 9⋅0. Njihovi autori su to obrazlagali činjenicom da je u uslovima potpune neizvesnosti besmisleno da govorimo o verovatnoćama javljanja pojedinih doga aja. Očekivanu korisnost akcije izračunavamo kao pnderisani zbir korisnosti njenih mogućih ishoda.

75 7 A3(7) maxi {∑j 0.25 S3 16 7 5 0.25*uij 6.5 6.25 S4 4 4 5 0.25 Laplasov metod ∑j 0.25*uij } 5 .Doga aj Akcija A1 A2 A3 verovatnoća S1 1 12 9 0.25 S2 5 4 9 0.

5=6.1. zadatak.5+3*0. akcija A2 Tabela 4.5=6 Optimalna akcija A1 6 .5+3*0. Maximin metod akcija A1 A2 A3 A4 S1 7 11 9 8 S2 3 7 4 8 doga aj S3 S4 5 9 3 8 9 10 9 10 S5 15 10 3 2 I korak 3 3 3 2 maximin metod II korak 5 7 4 Opt.5+3*0.5=9 11*0.5) akcija A1 A2 A3 A4 Najgori ishod 3 3 3 2 Najbolji ishod 15 11 10 10 Hurvicov metod 15*0.5=7 10*0. Maximax metod akcija A1 A2 A3 A4 S1 7 11 9 8 S2 3 7 4 8 doga aj S3 5 3 9 9 S4 9 8 10 10 S5 15 10 3 2 maximax metod maxj uij maxi { maxj uij } 15 A1 11 10 10 Tabela 3.5 10*0. Posmatrajmo sledeći problem izbora: Tabela 1. akcija A1 A2 A3 A4 S1 7 11 9 8 S2 3 7 4 8 doga aj S3 5 3 9 9 S4 9 8 10 10 S5 15 10 3 2 a) primenite sve metode izbora u uslovima neizvesnosti (indeks optimizma je 0.5) b) koju akciju bi ste izabrali i zbog čega? Rešenje: a) Tabela 2. Metod optimizma-pesimizma (Hurvicov metod) (α=0.5+2*0.

za koju opciju će se opredeliti? Rešenje: a) Tabela 7. Moguće opcije su aerobik i joga. Troškovi mesečnog iznajmljivanja prostora su 700 evra. Interesovanje za pojedine vidove rekreacije može biti malo. Postoji i mogućnost da odustane od projekta. srednje i veliko.2*uij } 7.2 doga aj S3 S4 5 9 3 8 9 10 9 10 0.8 A1 7. Maximax metod akcija A1-aerobik A2-joga A3-odustati S1-malo 0 -200 0 doga aj S2-srednje 300 500 0 S3-veliko 800 1100 0 maximax metod maxj uij maxi { maxj uij } 800 1100 A2 - 7 . Metod minimax kajanja (Sevidžov) akcija A1 A2 A3 A4 S1 4 0 2 3 Tabela gubitaka S2 S3 S4 S5 5 4 1 0 1 6 2 5 4 0 0 12 0 0 0 13 maxi kij 5 6 12 13 Sevidžov metod mini {maxj kij} A1 Tabela 6. Princip nedovoljnog razloga (Laplasov) akcija A1 A2 A3 A4 verovatnoća S1 7 11 9 8 0. Sastavite tabelu odlučivanja (ishode prikažite u vidu profita) i primenite sve metode izbora (indeks optimizma je 0.Tabela 5.4 b) akcija A1 je najbolja po većini metoda (četiri) pa je ona u ovom slučaju izabrana za najbolju.2*uij maxi {∑j 0. 1000 i 1500 evra (respektivno).2 S5 15 10 3 2 0. a. b. Jelena Marković planira da otvori studio za rekraciju za žene. za jogu: 500. 2.2 S2 3 7 4 8 0. 1200 i 1800 evra (respektivno). Ako je Jelena izraziti optimista. zadatak.2 0. dok bi ukupni prihodi (u zavisnosti od interesovanja) bili: za aerobik: 700.3).2 Laplasov metod ∑j 0.8 A2 7 7. Šta bi ste sugerisali Jeleni? c.

3-200*0. dok je akcija A1 najbolja na osnovu dva primenjena metoda. maximax 8 .333*uij } 366.333 doga aj S2-srednje 300 500 0. c) u slučaju izrazitog optimizma izbor najbolje alternative vršimo primenom metoda i zaključujemo da je najbolja akcija A2.3) akcija A1 A2 Najgori ishod 0 -200 Najbolji ishod 800 1100 Hurvicov metod 800*0.333 S3-veliko 800 1100 0. Metod optimizma-pesimizma (Hurvicov metod) (α=0.333*uij maxi {∑j 0.333 Laplasov metod ∑j 0.3+0*0. Na osnovu prethodnog zaključujemo da je akcija A2 bolji izbor.7=240 1100*0.Tabela 8. Princip nedovoljnog razloga (Laplasov) akcija A1-aerobik A2-joga verovatnoća S1-malo 0 -200 0.3 466. Metod minimax kajanja (Sevidžov) akcija A1-aerobik A2-joga S1-malo 0 200 Tabela gubitaka S2-srednje S3-veliko 200 300 0 0 Sevidžov metod maxi kij mini {maxj kij} 300 200 A2 Tabela 11. Maximin metod akcija A1-aerobik A2-joga S1-malo 0 -200 doga aj S2-srednje 300 500 S3-veliko 800 1100 maximin metod minj uij maxi { minj uij } 0 A1 -200 Tabela 9.7=190 Optimalna akcija A1 Tabela 10.2 A2 b) akcija A2 je najbolja po tri primenjena metoda.

zadatak.5 0 Tabela gubitaka S2 S3 0 0 0. Formiraćemo tabelu gubitaka i izabrati najbolju akciju primenom Sevidžove metode: Tabela 13. Ako je proizvo ač odlučio da svakako investira (tj.4 maxi kij 1. koju akciju treba da izabere? b.4 0. akcija A1-mali pogon A2-velki pogon A3-ne investirati S1-cene rastu 3 4.9 0 maxi kij 1. Ponovićemo postupak upore ujući samo akcije A1 i A2: Tabela 14. Upredite dobijene rezultate i ako se razlikuju. u kojem proizvo ač razmišlja da li da otvori novi proizvodni pogon (ishodi predstavljaju očekivani profit u mil.3.6 0 S3-cene padaju -0.5 0.9 4. Posmatrajmo sledeći problem izbora. Ako proizvo ač želi da minimizira moguće kajanje zbog loše odluke.5 0. ako bira samo izmedju A1 i A2) za koju će se akciju opredeliti na osnovu istog metoda? c. akcija A1 A2 A3 S1 1.5 Tabela gubitaka S2 0 0.din.4 2 S3 0.5 0 doga aj S2-cene su stabilne 2 1.9 0 a.5 Sevidžov metod mini {maxj kij} A2 b. Rešenje: a.5 0.5 -0.5 0 4. objasnite uzrok. akcija A1 A2 S1 1.4 Sevidžov metod mini {maxj kij} A2 9 .): Tabela 12.

.. Svaki ishod množimo odgovarajućom verovatnoćom javljanja i izračunavamo zbir ovih proizvoda: OV ( Ai ) = ∑ p j ⋅ν ij i=1.Prosečan 465 400 500 0 0..5 10 .6⋅500+0. gde se kao ponderi koriste verovatnoće javljanja tih ishoda.1⋅830=353 0. pa se metod naziva metodom maksimalne očekivane vrednosti (MOV).1⋅1000=325 0.3⋅(-50)+0.6⋅400+0. i=1.1⋅800=354. Primer: Problem izbora novog proizvoda (profit u 000 din..6⋅0+0.2.3⋅(-15)+0.5 0.1⋅0=0 354..30 S2.10 OV ( Ai ) = ∑ p j ⋅ν ij j =1 n max ∑ p j ⋅ν ij j =1 n A1 A2 A3 A4 Biramo akciju A1.3⋅0+0. 0.) Akcija A1 A2 A3 A4 Verovatnoća (pi) Primena MOV metode: Akcija Nivo tražnje S1..Nizak -15 -50 -100 0 0. predstavlja ponderisani zbir njenih ishoda.Odlučivanje u uslovima rizika Teorijske osnove Metod maksimalne očekivane vrednosti (MOV) Očekivana vrednost akcije Ai.m (obeležavamo je sa OV(Ai)).3⋅(-100)+0.60 S3-Visok 800 1000 830 0 0.m j =1 n Biramo akciju sa najvećom očekivanom vrednošću...6⋅465+0.2.

Doga aj S1 0 0.5 S2 1 0.65+0.2.5⋅1=0.. Očekivana korisnost akcije je jednaka zbiru proizvoda njenih ishoda (izraženim u jedinicama kardinalne korisnosti) i verovatnoća njihovog javljanja (verovatnoća doga aja): u ( Ai ) = OK ( Ai ) = ∑ p j ⋅ u (ν ij ) = ∑ p j ⋅ u ij j =1 j =1 n n .65 0..8 0.Metod maksimalne očekivane korisnosti (MOK) Da bi primenili metod maksimalne očekivane korisnosti potrebno je da sve ishode u tabeli odlučivanja izraziti njihovim kardinalnim korisnostima. i=1.5⋅0+0.8(A2) MOK 11 .5⋅0.95=0.5 0..m Primer: Akcija A1 A1 Verovatnoća Biramo akciju A2.95 0..5 Očekivana korisnost OK(Ai) 0..5⋅0.

U trećem koraku svakoj od preostalih (n-2) opcija. najboljoj i najgoroj opciji u skupu n) pridružujemo proizvoljne numeričke vrednosti (korisnosti). L. Objasnite metod standardne igre. L(q. zamenljivost (mogućnost supstitucije) 3. referentnu lutriju.1]. tj. čiji je dobitak jednak najboljoj opciji. 4. zadatak.x1 2. 1-qi. Rešenje: Na osnovu ordinalne korisnosti može se formirati rang-lista opcija ali se ne mogu meriti razlike u preferencijama izmedju svake dve opcije. a gubitak najgoroj. U drugom koraku formulišemo tzv. monotonost 4. Procedura se sprovodi u četiri koraka: 1. za koju opciju xi smatramo jednako dobrom kao i učešće na lutriji Li. pridružujemo po jednu lutriju Li=L(qi. Objasnite razliku izmedju ordinalne i kardinalne korisnosti. U četvrtom koraku ishodima referentne lutrije L (tj. xn-1.x1).1 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 asimetričnosti. i=2...xn. x1. Kardinalne korisnosti se izražavaju na intervalnoj skali što omogućuje da se precizno mere razlike u preferencijama izmedju svake dve opcije. Ako odlučimo da korisnosti svih opcija prikažemo na skali [0. u prvom koraku poredimo opcije medju sobom i odredjujemo njihovu rang-listu od najbojle ka najgoroj: xn. Rešenje: Metod standardne igre se koristi za odredjivanje kardinalnih korisnosti opcija.. 3..x1).. onda će odgovarajuće korisnosti biti 12 . redukcija složenih lutrija 3.1-q..3.xn. Referentnu lutriju odredjujemo na sledeći način: biramo verovatnoću (qi) javljanja dobitka (xn)... kontinuitet preferencija 2. kompletnosti i tranzitivnosti budu zadovoljena i sledeća četiri uslova racionalnosti: 1. xn. 2 zadatak.n-1..

50 0 0. Zatim je proizvoljno izabrao tri novčana iznosa iz ovog intervala i odredio je verovatnoće sticanja dobitaka u referentnim lutrijama (D je 100 000 din. c. Koje sve zaključke možete doneti o njegovim preferencijama izmedju posmatranih opcija? Rešenje: 1. Alternativama x..u(x1)=0 i u(xn)=1. 5. ona je jednaka verovatnoći javljanja dobitka u referentnoj lutriji..v. zadatak. do 100 000 din. Markovića. 2. b.y. Skicirajte funkciju korisnosti M.z.n-1.. (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.75 50 000 0.). tj.z i v Predrag je pripisao kardinalne korisnosti u(x)=100. u(y)=50 i u(z)=25. -30 000 din. Izračunajte korisnosti navedenih novčanih iznosa. 4.95 a.3... i=2. Moma Marković želi da konstruiše svoju funkciju korisnosti novca u intervalu od –50 000 din.. Ovim novčanim iznosima on je proizvoljno pripisao korisnosti 0 i 10 respektivno. u(v)=10. Tada. -25 000 0. 13 .y. a G je -50 000 din. -40 000 din. za koje bi bio indiferentan izmedju sigurnog novčanog iznosa i učešća u igri: Tabela 1. rang-lista alternativa od najbolje ka najgoroj je x. korisnosti opcije xi iznosi: u(xi)=qi·1+(1-qi)·0=qi. Novčani iznos Verovatnoća sticanja dobitaka od 100 000 din. zadatak. Sa krive koju ste nacrtali pročitajte korisnosti za sledeće novčane iznose: 20 000 din.

5 9.5*10+0. u(-30000)=4.05*0=9.5 Što je prikazano i tabelarno: Tabela 2.95*10+0.75*10+0.5 10 Na osnovu vrednosti iz prethodne tabele crtamo grafik koji predstavlja funkciju korisnosti: kriva korisnosti novca 10 u(20000)=8.Rešenje: Korisnosti opcije xi računamo kao: u(xi)=qi*u(xn)+(1-qi)*u(xn) Sledi da je: u(-25000)=0.19 2 0 -60000 -40000 -20000 0 20000 40000 60000 80000 100000 x Slika 1.5 u(50000)=0.19. Novčani iznos -50000 -25000 0 50000 100000 kardinalna korisnost 0 5 7.59 8 6 u(x) u(-30000)=4 4 u(-40000)=2.25*0=7. Sa dobijenog grafika možemo odrediti tražene korisnosti: u(-40000)=2. u(20000)=8.5*0=5 u(0)=0.59 14 .

4 8 9. 15 .5 4 2 0 -40 -20 0 20 40 60 80 100 novcani ishod Slika 2.5 10 Primenom metode maksimalne očekivane korisnosti odrediti najbolju akciju.10 Donosilac odluke je vrednosti novčanih ishoda izrazio u korisnostima na sledeći način: Tabela 4.5 9. Akcija A1 A2 A3 Verovatnoća (pi) Nivo tražnje S1. Novčani iznos -50 -25 0 50 100 kardinalna korisnost 0 5 7.30 S2.1 9. Rešenje: Sa konstruisanog grafika funkcije korisnosti odre ujemo tražene korisnosti: 10 9.6 korisnost (u) 6 5.6 zadatak.Nizak -20 -50 0 0.Prosečan 40 30 0 0.60 S3-Visok 80 100 0 0. Novčani ishodi akcija su prikazani u tabeli odlučivanja: Tabela 3.

5 0.5 0.4: a) primenom metoda MOK izaberite akciju.5 0 7.1+0.6=8.8 1 0.25 U(A2)=OK(A2)=p1u21+p2u22+p3u23=0.46 U(A3)=OK(A3)=p1u31+p2u32+p3u33=0.10 U(A1)=OK(A1)=p1u11+p2u12+p3u13=0.5+0.10*9.6 0.5 Najbolja akcija je A1.Prosečan 9.4 9.30 S2.4+0.1 u(100)=10 Tabela 5.60*9.3 dogadjaj S2-cene su stabilne 0. Tabela 6. 7. b) Korisnost transformišite primenom sledeće transformacije: u. akcija A1-mali pogon A2-veliki A3-ne investirati S1-cene rastu 0.5+0.=2u+3.30*7.60 S3-Visok 9. Akcija A1 A2 A3 Verovatnoća (pi) Nivo tražnje S1. Ishodi u sledećoj tabeli su prikazani u jedinicama korisnosti.4 i p3=0.5=7.3 S3-cene padaju 0.10*7.05 0 0.3 Ako su verovatnoće dogadjaja: p1=0.5+0.5 0.Nizak 5.4 u(80)=9. Na transformisane podatke primenite metod MOK i uporedite rezultat sa rezultatom pod (a). 16 .u(-20)=5.5 u(40)=9.6 10 7. p2=0.30*5.10*10=6.60*7.6 u(-50)=0 u(30)=9. zadatak.1 7.60*9.2.30*0+0.65 0.

6 akcija A1-mali pogon A2-veliki A3-ne investirati S1-cene rastu 4.6=2.88 u(A2)=OK(A2)=p1u21+p2u22+p3u23=0.2 3.4*0.Rešenje: a) Očekivana korisnost akcije je jednaka zbiru proizvoda njenih ishoda (izraženih u jedinicama kardinalne korisnosti) i verovatnoća njihovog javljanja (verovatnoća dogadjaja): u(A1)=OK(A1)=p1u11+p2u12+p3u13=0.6 5 3.6+0.4*0.6 dogadjaj S2-cene su stabilne 4.6+0.65 0.3=0.4*3.2+0.44 u(A3)=OK(A3)=p1u31+p2u32+p3u33=0.2 3.6 u(A1)=OK(A1)=p1u11+p2u12+p3u13=0.05=0.65+0.2*0.2*0.6 5 3.4*0.44 u(A2)=OK(A2)=p1u21+p2u22+p3u23=0.4*3.42 OK(A1)=OK(A2)>OK(A3) Zaključujemo da smo indiferentni izmedju akcija A1 i A2 koje preferiramo u odnosu na A.3 4.=2u+3 4.1=3.3 c) Tabela 8.1 3 3. 17 .6+0. Kardinalna korisnost u 0.1 3 3.3 0.16 OK(A1)=OK(A2)>OK(A3) Ponovo zaključujemo da smo indiferentni izmedju akcija A1 i A2 koje preferiramo u odnosu na A3.3+0.4*4.6 4.4*3=3.2*3.4*0=0.4*0.8+0.2*4.4*4.88 u(A3)=OK(A3)=p1u31+p2u32+p3u33=0.8 1 0.2*1+0.6 0.3+0.2*5+0.6 S3-cene padaju 3.4*0.3 0.3+0.05 0 0. b) Tabela 7.4*3.3 4.6+0.6 3. u.

Razmišljate da plasirate novi proizvod na tržište. Da li bi se vaša odluka sada promenila? Rešenje: a) Tabela odlučivanja za navedeni problem: Tabela 9. izgubićete 200 000 dinara. metodom maksimalne očekivane vrednosti (MOV) bismo izabrali alternativu A1-»proizvoditi«.Odustati od proizvodnje Verovatnoća (pi) Očekivane vrednosti alternativa su: OV(A1)=p1*v11+p2*v12=0.3 Doga aj Neprihvaćen proizvod -200 000 0 0. Verovatnoća da proizvod bude prihvaćen je 0. i izračunajte očekivane vrednosti akcija (»proizvoditi« i »odustati od proizvodnje«). akcija A1.7 prihvacen proizvod 500000 500000 neprihvacen proizvod -200000 -200000 odustati od proizvodnje 0 0 Slika 3. a) Prikažite problem drvetom odlučivanja.»odustati od proizvodnje«.8. zadatak. U slučaju da proizvod ne bude prihvaćen.7*(-200000)=10000 OV(A2)=0 Drvo odlučivanja za navedeni problem je prikazano na slici 3: Prihvaćen proizvod 500 000 0 0. Šta ćete odlučiti? b) Izračunajte korisnosti mogućih ishoda i primenite metod MOK. koji može biti »pun pogodak« ili »velika greška«.3 proizvoditi 0 10000 Root -10000 0. b) da bi primenili metod maksimalne očekivane korisnosti (MOK) potrebno je novčane 18 .30.3*500000+0.Proizvoditi A2. Kako je očekivana vrednost altrnative A1.7 0. u kom slučaju će ostvareni profit biti 500 000 din.»proizvoditi« veća od očekivane vrednosti alternative A2.

7 Sada možemo formirati tabelu odlučivanja gde ćemo novčane iznose zameniti njihovm kardinalnim korisnostima: Tabela 10.7 Kako je OK(A2)> OK(A1) opredelili bismo se za alternativu A2. a gubitak iznosi 200 000 din. nalazimo odgovor na pitanje: kolika treba da je verovatnoća (q) dobijanja 500 000 din.7*0.7)*0=0.7. Novčani iznosi su: 500 000 din.Proizvoditi A2.3*0.3 u(A2)=OK(A2)=p1u21+p2u22+p3u23=0. 9. 0 din. za iznos od 0 din. Pretpostavimo da smo izabrali q=0. Korisnost ishoda 0 din. 19 . Metodama maksimalne očekivane vrednosti (MOV) i maksimalne očekivane korisnosti (MOK) odrediti najbolje akcije i uporediti dobijene rezultate. A2: Baciću novčić i ako padne »pismo« daću ti milion dinara. zadatak. odre ujemo na osnovu metoda standardne igre tj. i –200 000 din. Tada korisnost ishoda 0 din.vrednosti ishoda akcija zameniti njihovim kardinalnim korisnostima. Najboljem ishodu (500 000 din. čiji je dobitak jednak najboljem ishodu 500 000 din. Zatim formulišemo referentnu lutriju L.7*1+(1-0. računamo kao: U(0)=0. a gubitka najgorem –200 000 din.7*0=0. dok najnepovoljnijem ishodu (-200 000 din.Odustati od proizvodnje Verovatnoća (pi) Prihvaćen proizvod 1 0.. a ako padne »grb« daću ti 3 miliona dinara.3*1+0.) dodeljujemo korisnost 0.7 0. akcija A1. a ako padne »grb« daću ti 2 miliona dinara.7 0.) dodeljujemo korisnost 1.7=0.3 Doga aj Neprihvaćen proizvod 0 0.7+0. u lutriji L. koji nam iz hira nudi da izaberemo jednu od sledeće dve igre: A1: Baciću novčić i ako padne »pismo« nećeš dobiti ništa. Pretpostavimo da imamo veoma bogatog prijatelja. i učešća na lutriji gde dobitak iznosi 500 000 din.7 Očekivana korisnost akcije je jednaka zbiru proizvoda njenih ishoda (izraženih u jedinicama kardinalne korisnosti) i verovatnoća njihovog javljanja (verovatnoća dogadjaja): u(A1)=OK(A1)=p1u11+p2u12+p3u13=0. za koju bismo bili indiferentni izme u sigurnog dobitka 0 din.

5 Doga aj S1-Pismo 0 1 0. za koju bismo bili indiferentni izme u sigurnog dobitka od 2 mil. čiji je dobitak jednak najboljem ishodu 3 mil.din.din. Sve ishode u tabeli odlučivanja tretiramo kao nezavisne.5*2=1.5*0+0.din. Akcija A1 A2 Verovatnoća Očekivane vrednosti alternativa su: OV(A1)=p1*v11+p2*v12=0.65 20 . onda je korisnost ishoda v22 jednaka: u(2)=0. Pretpostavimo da smo izabrali q=0. v21=1 i v11=0.Rešenje: Prikažimo problem sledećom tabelom: Tabela 11. din.95 Na isti način odre ujemo korisnost ishoda v21. Za iznos v22=2 mil. sigurne opcije i formiramo njihovu rang-listu po prioritetu: v12=3.5*1+0. a gubitak najgorem 0 din. Da bi primenili metod maksimalne očekivane korisnosti (MOK) potrebno je novčane vrednosti ishoda akcija zameniti njihovim kardinalnim korisnostima. nalazimo odgovor na pitanje: Kolika treba da je verovatnoća dobijanja »premije« od 3 mil. v22=2. Korisnosti ishoda računamo primenom metode standardne igre.65)*0=0..5 OV(A2)= p1*v21+p2*v22=0.5 S2-Grb 3 2 0.95*1+(1-0. Najboljem i najgorem ishodu dodeljujemo korisnosti 1 i 0. i učešća u lutriji: Pretpostavimo da smo izabrali q=0.95)*0=0. Zatim formulišemo referentnu lutriju.5 Kako su očekivane vrednosti obe akcije me usobno jednake sledi da nam pravilo izbora MOV sugeriše da budemo indiferentni izme u A1 i A2. L. tada je korisnost ishoda v21 jednaka: u(1)=0. u lutriji L.5*3=1.65. odnosno da izaberemo bilo koju alternativu.65*1+(1-0.95.

5 u(A2)=OK(A2)=p1u21+p2u22 =0.5*0+0.5*0.65 0. Akcija A1 A2 Verovatnoća Doga aj S1-Pismo 0 0.5 S2-Grb 1 0.8 Kako je OK(A2)> OK(A1) opredelili bismo se za alternativu A2.95 0.5 Očekivana korisnost akcije je jednaka zbiru proizvoda njenih ishoda (izraženih u jedinicama kardinalne korisnosti) i verovatnoća njihovog javljanja (verovatnoća dogadjaja): u(A1)=OK(A1)=p1u11+p2u12 =0.Sada možemo formirati novu tabelu odlučivanja gde ćemo novčane iznose zameniti njihovim kardinalnim korisnostima: Tabela 12. 21 .65+0.95=0.5*0.5*1=0.

j=1. Posmatra se kompletan skup disjunktnih doga aja. S={S1. i za teoriju odlučivanja posebno značajnih.n.... ( ) P (S j I ) -verovatnoća doga aja Sj pod uslovom da se doga aj I realizovao (korigovana. i.Dopunska informacija i njena cena Teorijske osnove Bayesova teorema Bayesova teorema predstavlja jedan od najpoznatijih.2.).. P(I)-verovatnoća doga aja I...Sn}. 22 . Posmatra se doga aj I..Sj. Verovatnoća javljanja doga aja Sk.. To znači da se jedan od njih mora realizovati. S2.. a priori).….2.2.. koji se može javiti samo ako se javi neki od doga aja Sj. izvrše korekcije polaznih uverenja u realizaciju posmatranih doga aja. rezultata teorije verovatnoće.. ∑ v( S j j ) = 1 kao i da pojava jednog doga aja isključuje pojavu ostalih (Si ∩Sj=∅. Ime je dobila po autoru Thomasu Bayesu (17021761.. i ≠ j). na osnovu prikupljenih informacija. pod uslovom da se doga aj I već realizovao. jednaka je: P(S k I ) = P(S k )P (I S k ) P (I ) P(S k )P(I S k ) = ∑ P(S j )P I S j j =1 n ( ) .n.n pri čemu su: P(Sj)-verovatnoća doga aja Sj (početna. k=1. a posteriori). P I S j -verovatnoća doga aja I pod uslovom da se doga aj Sj realizovao. j=1.... Ova teorema omogućuje da se.. engleskom matematičaru i teologu.

profit je uvek jednak nuli. OVUI predstavlja prosečan profit koji bi bio ostvaren u dugom nizu kada bi se odlučivalo u uslovima izvesnosti. odustajanje od novog proizvoda. Plaćanje (profit) je prikazano sledećom tabelom: Akcija A1 A2 Verovatnoća Doga aj S1. OVUI predstavlja ponderisani zbir verovatnoća javljanja pojedinih doga aja i maksimalnih rezultata koje je u svakom od njih moguće postići. v(S3)=1. nezavisno od stanja.50 i v(S3)=0.25 S2. 23 .25. respektivno. tj.000 din. ako informacija nedvosmisleno pokazuje da će se realizovati prosečna tražnja. U slučaju da se proizvod ne predstavi tržištu. postiže najbolji rezultat. odnosno.25 U idealnom slučaju moguće je pribaviti savršenu informaciju. za S3. v(S2)=1.srednja tražnja 1 500 000 0 0.000. ako informacija pokazuje da će potražnja biti niska.000 din. koja se razmatra kao niska. i 4.000. u poznatim tržišnim okolnostima.niska tražnja -2 000 000 0 0. Pretpostavimo da uprava razmatra samo potražnju. za S1.visoka tražnja 4 000 000 0 0. Ukoliko se predstavi novi proizvod. najverovatnija i visoka. savršena informacija izdvaja jedno stanje. onda bi se donosioc odluke opredelio za akciju A2. 1.50 S1.. uprava očekuje profit od -2. prvo se treba odlučiti da li kupiti ili ne savršenu informaciju. koja sa sigurnošću otkriva buduće stanje na tržištu i uslove rizika pretvara u uslove izvesnosti. problem sa informacijom je nepoznat sadržaj pre kupovine.Potpuna (savršena) informacija i njena cena Primer: Uprava odeljenja za marketing razmatra dve moguće situacije vezane za novi proizvod: predstaviti ga ili ne na tržištu. svodi je na izbor akcije kojom se. S2 i S3. onda bi donosioc odluke sugerisao proizvodnju A1. i tek ako se kupi. Dodeljene apriori verovantoće su v(S1)=0. Na primer. što odgovara stanjima S1. ona odluku čini trivijalnom. v(S1)=l. Umesto rasporeda verovatnoća buduće potražnje. donosioc odluke saznaje buduće stanje na tržištu i efekte akcije koja će biti izabrana u datim okolnostima.25. Na taj način. Prema tome. tj.000 din. Na upravi je da odredi plaćanja i definiše apriori verovatnoće. v(S2)=0. respektivno. U toj situaciji odluka o kupovini informacije donosi se na osnovu očekivanih vrednosti u uslovima izvesnosti (OVUI). za S2. Ali. što odgovara akcijama A1 i A2.500. i ako se sa sigurnošću predvi a visoka potražnja. donosioc odluke bi se opredelio za novi proizvod A1. Tada bi donosioc odluke pre svakog izbora akcije tačno znao buduće stanje na tržištu.

Vidi se da bi pribavljanje savršene informacije izazvalo porast očekivane vrednosti za 500. zasnovane na početnim subjektivnim verovatnoćama. Sa druge strane.000 din.000 din. respektivno.OVUI = ∑ p j ⋅ max i ν ij j =1 n [ ] Pretpostavimo da u primeru problema predstavljanja novog proizvoda uprava sa sigurnošću zna da će se u momentu odlučivanja odigrati stanje S1. birajući odluku. realizovati profit od 0. U primeru bi bila izabrana akcija A1 koja ima maksimalnu očekivanu vrednost.500.750.750. predstavlja očekivani profit pre kupovine informacije.25+1 500 000⋅0. 24 ..25. Ova razlika se naziva očekivana vrednost potpune informacije i obeležava sa OVPI: OVPI=OVUI-maxiOV(Ai) OVPI=1 750 000-1 250 000=500 000 din. Tako da se dolazi do vrednosti: OVUI=0⋅0. pa će i konačan rezultat ostvaren izborom najbolje akcije u datim okolnostima. Samim tim.000.000 dinara. koliko iznosi maksimalna cena po kojoj je ekonomski opravdano pribavljanje informacije. OVPI predstavlja najveću cenu koja se može prihvatiti da bi se saznalo buduće stanje na tržištu.50+4 000 000⋅0. Treba imati na umu da vrednost od 1.25.000.500. jer donosi najveći profit. 1. a maksimalna očekivana vrednost bez informacije 1. 1.000 din. S2 i S3 odigravaju sa verovatnoćama 0.000 din.250.50 i 0. njenim biranjem u dugom nizu ostvario bi se profit od 1.000 i 4.000 din. Budući da je oćekivana vrednost u uslovima izvesnosti jednaka 1. ako se zna da će se odigrati stanje S2 ili S3.000 din. onda je maksimalna cena koju treba prihvatiti da bi se dobila savršena informacija jednaka njihovoj razlici. Sada je moguće izračunati koliko najviše vredi savršena informacija. odnosno. Nakon kupovine informacije saznaće se stvarni tržišni uslovi. biti: 0 din.000 din.250. respektivno. U stvarnosti se stanja S1. uprava će izabrati akciju A1. Tada bi uprava izabrala akciju A2. Vrši se pore enje OVUI sa očekivanom vrednošću akcije koju bi donosioc odluke izabrao na osnovu prethodne analize.25=1 750 000 ako se zna u momentu odlučivanja koje će se stanje odigrati. ili 4. 0. Time će uprava.

onda su verovatnoće da je prodaja slaba 0. Ove verovatnoće obeležavaju se sa V(XkSj) i nazivaju uslovne verovatnoće.10. koja bi trebalo da potvrdi ili ospori njihovo inicijalno uverenje u uspeh. Ukoliko se predstavi novi proizvod. uprava očekuje profit od -2. profit je uvek jednak nuli. Plaćanje (profit) prikazan je sledećom tabelom.60. za S2. Ako je potražnja srednja (S2). bez obzira na stvarno stanje na tržištu. prisutan rizik velikog gubitka od 0. U slučaju da se proizvod ne predstavi tržištu. Tabela 1. i X3 – velika prodaja (što znači veliku potražnju). pri čemu pouzdanost rezultata nije potpuna. Zbog veoma kratkih rokova koji su joj postavljeni.1.80.000 din. Pretpostavimo da uprava razmatra samo potražnju. što odgovara akcijama A1 i A2. v(S2)=0. onda su verovatnoće da je prodaja slaba 0.25. Agencija je obavestila upravu da ako na tržištu postoji niska potražnja (S1). srednja 0. kao što ni nepovoljan rezultat (X1) ne znači obavezno da će potražnja biti niska.50 i v(S3)=0. oni žele da potvrde svoje optimističke prognoze. manja je od 100%.20. Zbog toga razmišljaju da angažuju poznatu agenciju za istraživanje tržišta. zadatak: Uprava odeljenja za marketing razmatra dve moguće situacije vezane za novi proizvod: predstaviti ga ili ne na tržištu. najverovatnija i visoka. i 4. respektivno. ako je potražnja visoka (S3).000. respektivno. nezavisno od stanja. Na upravi je da odredi plaćanja i definiše apriori verovatnoće. A A1 A2 verovatnoća S S1 -2000000 0 0.25. Istraživanje ima tri rezultata: informaciju X1 – slaba prodaja (što znači nisku potražnju).25 S2 1500000 0 0.000 din. X2 – srednja prodaja (što znači srednju potražnju). primorava menadžere da preispitaju svoja prvobitna ube enja. srednja 0. srednja 0.10 i velika 0. za S3.500. onda su verovatnoće da je prodaja slaba 0. povoljan rezultat (X2 ili X3) ne garantuje da će potražnja biti velika. Kao što je već rečeno. Dodeljene apriori verovantoće su v(S1)=0. agencija predlaže istraživanje sa sledećim mogućim rezultatima i njihovim karakteristikama. 25 . S2 i S3. Može se dobiti povoljan ili nepovoljan rezultat.000 din. Svesni moguće pristrasnosti. što odgovara stanjima S1.50 S3 4000000 0 0.30 i velika 0. 1. tj.20.60 i velika 0.10. koja se razmatra kao niska.25 (u slučaju pojave niske potražnje).000.25 Ipak. za S1. I konačno.

Iako nesavršena.1 0. Drugim rečima.2 0. tj.Tabela 2. Primenom Bayesove teoreme računaju se a posteriori verovatnoće javljanja pojedinih doga aja. da je dobivena informacija X1. informacija govori u prilog javljanja dogadaja S1 i utiče na prvobitno ube enje koje treba korigovati. S1. S2. slučaj) i X3 (3.3 0. S2. X2 (2. Odrediti očekivanu vrednost delimične informacije. tj. slučaj). pod uslovom da je istraživanjem tržišta dobivena informacija X1 : 26 .0 S2 0.25 treba revidirati na osnovu nove informacije.0 Odrediti a posteriori verovatnoće javljanja pojedinih doga aja.6 1.8 0.50 i v(S3)=0. S3. informacija X1 X2 X3 ∑ S S1 0.2 1.1 1. pod uslovom da je istraživanjem tržišta dobivena informacija: X1 (1. S3. Zatim.25. S1.1 0. X1.6 0. slučaj).0 S3 0. prvobitne verovatnoće v(S1)=0. maksimalnu cenu angažovanja agencije koja je ekonomski opravdana. konstruisati drvo odlučivanja i izračunati očekivane vrednosti akcija A1 i A2 u slučaju angažovanja agencije i bez angažovanja agencije. v(S2)=0. Rešenje: Pretpostavimo da je rezultat istraživanja tržišta nepovoljan.

informacija je nepovoljno uticala na verovatnoću pojave srednje potražnje. koja se sa 0. vrši se revizija samog problema odlučivanja u vidu tabele a posteriornih verovatnoća (tabela 3). v(S2X1) i v(S3X1)su a posteriori verovatnoće doga aja S1. Tabela 3 . što je i realno ako je predvi ena slaba prodaja. S2 i S3 jer su odre ene nakon dobivanja dopunske informacije.25 na 0. Tako e.50 smanjila na 0.615. i velike potražnje.25 smanjila na 0. Problem izbora kada je rezultat istraživanja X1 27 .077. koja se povećala sa 0. koja se sa 0.308.X1) pozitivno se odrazio na verovatnoću javljanja niske potražnje. Nepovoljan rezultat istraživanja (slaba prodaja .Verovatnoće v(S1X1). Nakon korekcije početnih verovatnoća doga aja.

pretpostavimo da je rezultat tržišnih ispitivanja velika prodaja (X3). tj. Problem izbora kada je rezultat istraživanja X2 Treći slučaj: I konačno. S2 i S3 pod uslovom da je sadržaj dobijene informacije X3: 28 . vrednosti izračunatih a posteriornih verovatnoća prikazane su tabelarno: Tabela 4 . S2 i S3 pod uslovom da je sadržaj dobivene informacije X2: Kao i u prethodnom slučaju. da je dobijena informacija srednja prodaja (X2). Primenom Bayesove teoreme računaju se verovatnoće javljanja doga aja S1.Drugi slučaj: Pretpostavimo da je rezultat tržišnih ispitivanja povoljan. Primenom Bayesove teoreme računaju se verovatnoće javljanja doga aja S1.

vrednosti izračunatih a posteriornih verovatnoća dati su u tabeli 5. Tabela 5.Kao i u prethodnim slučajevima. Na osnovu proračunatih vrednosti vršimo konstrukciju drveta odlučivanja: 29 .

400 X2 srednja prodaja 0 1.5 S3 velika potraznja 4 4 S1 niska potrazna 1 -2 -2 S2 najverovatnija potraznja 1 1. 30 .308 0.077 0.275 X3 velika prodaja 0 2.5 S2 najverovatnija potraznja 3 1.545 0.364 0.5 1.544 odustati 2 0 0 S1 niska potraznja 3 -2 -2 0.753 odustati 1 0 0 0.) i akcije »ne angažovati agenciju« (NA) (OV=1 250 000 din.5 S3 velika potraznja 3 4 4 0.46 odustati 0 0 0.4008 0.25 odustati 3 0 0 0.4008 0.) zaključujemo da je akcija »angažovati agenciju« bolji izbor.615 S1 niska potraznja -2 -2 S2 najverovatnija potraznja 1.25 Slika 1.25 ne angazovati agenciju 0 1.5 S3 velika potraznja 2 4 4 Root -1.750 0.25 izaci na trziste 3 0 1.0.544 izaci na trziste 2 0 2.325 X1 slaba prodaja 0 0 izaci na trziste 0 -0.753 izaci na trziste 1 0 1.5 1.091 S1 niska potraznja 2 -2 -2 S2 najverovatnija potraznja 2 1. Na osnovu očekivanih vrednosti akcija »angažovati agenciju« (AA) (OV=1 400 800 din.5 1.5 1.062 angazovati agenciju 0 1.5 S3 velika potraznja 1 4 4 0.188 0.

Rešenje: Dato: Verovatnoća javljanja povoljne informacije: P(I1)=0. . dok bi u slučaju niske tražnje gubici iznosili 300 mil.318. izračunavamo kao razliku izmedju očekivane vrednosti akcije »angažovati agenciju« (AA) i akcije »ne angažovati agenciju« (NA): OVDI=OV(AA)-OV(NA)=1400800-1250000=150800 din. Odrediti maksimalnu cenu angažovanja agencije koja je za Zastavu ekonomski opravdana. što predstavlja maksimalnu vrednost cene angažovanja marketinške agencije koja je ekonomski opravdana. koja bi trebalo da potvrdi ili ospori njihovo inicijalno uverenje u uspeh..7. postoji verovatnoća od 0.33 P(S2/I1)=0. OVDI. zadatak: Pretpostavimo da Zastava želi da lansira novi tip automobila na tržište.67 A posteriori verovatnoće doga aja S1 i S2: P(S1/I1)=0. Istraživanje će imati samo dva rezultata: informaciju I1-povoljan rezultat ili I2-nepovoljan rezultat.888 P(S1/I2)=0. Sa druge strane.67.888 da će tražnja biti visoka pod uslovom da dobijena informacija istraživanja bude povoljna. izgled i planiranu cenu novog vozila. 2.din.112 P(S2/I2)=0.Prisutan rizik od 0. Takodje.318 Sledi da su: P(I2)=0. U zavisnosti od uslova na tržištu menadžeri su ocenili i moguće rezultate prodaje novog proizvoda U slučaju visoke tražnje profit bi iznosio 600 mil. zbog čega visokoj tražnji (S1) pripisuju verovatnoću od 0. Agencija predlaže istraživanje sa sledećim mogućim rezultatima i njihovim karakteristikama. verovatnoća javljanja visoke tražnje iznosi 0.682 31 .din. Verovatnoća da informacija bude povoljna je procenjena na 0. a niskoj tražnji (S2) verovatnoću od 0. Menadžeri su optimisti u pogledu reakcije kupaca na karakteristike. u slučaju dobijanja nepovoljne informacije.3.Očekivanu vrednost delimične informacije.3 velikog gubitka (u slučaju pojave niske tražnje) navodi menadžere na razmišljanje da angažuju poznatu agenciju za istraživanje tržišta.

OVDI. Drvo odlučivanja za navedeni problem odlučivanja Očekivanu vrednost delimične informacije.8 68.2 angazovati agenciju 0 334.2% ne proizvoditi 0 0 visoka traznja 600 600 niska traznja -300 -300 povoljna informacija 67% 0 499.464 32 .464 nepovoljna informacija 33% 0 0 Root -334.8% proizvoditi 0 499.88.464 70% proizvoditi 2 0 330 30% ne proizvoditi 2 0 0 31.464-330=4.8% proizvoditi 1 0 -13.2% ne proizvoditi 1 0 0 visoka traznja 1 600 600 niska traznja 1 -300 -300 visoka traznja 2 600 600 niska traznja 2 -300 -300 ne angazovati agenciju 0 330 Slika 2.2 11. izračunavamo kao razliku izmedju očekivane vrednosti akcije »angažovati agenciju« (AA) i akcije »ne angažovati agenciju« (NA): OVDI=OV(AA)-OV(NA)=334.

6. Ali. prodavnicu sa servisom za popravke (A2). On za sada veruje da su šanse da tržište povoljno 50:50.05 P(S2/I2)=0.6 P(S1/I1)=0. On može da otvori samo prodavnicu (A1). zadatak: Nenad Stojić (pasionirani biciklista) planira da otvori prodavnicu bicikala u svom rodnom gradu. ako je tržište nepovoljno. Nenad je u nedoumici. Nenad razmišlja da angažuje i prijatelja. u uslovima nepovoljnog tržišta. Konstruišite drvo odlučivanja za dati problem. i gubitak od 100 000 din. c. Prostor na koji računa se izdaje na 4 godine. Rezultati studije mogu biti povoljni (I1) ili nepovoljni (I2).. koji bi mu u svojoj agenciji za istraživanje tržišta ispitao nivo tražnje za biciklima.1. Samo prodavnica će mu doneti profit od 300 000 din. a. u slučaju da se dobije nepovoljna informacija svega 0. Ako se Nenad odluči za istraživanje tržišta.95 P(S1/I2)=0. (Konstruišite tabelu i drvo odlučivanja za ovaj problem).1 Sledi da je: P(I1)=0. Nenad je uradio neke analize o profatibilnosti prodavnice bicikala. ali i da odustane od ideje (A3).95 da će tržište biti povoljno pod uslovom da dobijena informacija istraživanja bude povoljna. ono će ga koštati 35 000 din..9 33 .4 P(S2/I1)=0. u uslovima povoljnog tržišta. pod uslovom da je tržište povoljno. Takodje postoji verovatnoća od 0. zbog čega je važno da on donese pravilnu odluku. b. Ako otvori prodavnicu i servis zaradiće 600 000 din. ali može i da izgubi 400 000 din.. Šta treba da uradi? Dato: P(I1)=0. Verovatnoća da informacija bude povoljna je procenjena na 0. Nenada je upozorio prijatelj da je verovatnoća javljanja povoljnog tržišta.3.

34 . Na osnovu očekivanih vrednosti akcija »angažovati agenciju« (AA) (OV=295000 din.Slika 3.) i akcije »ne angažovati agenciju« (NA) (OV=100000 din.) zaključujemo da je akcija »angažovati agenciju« bolji izbor.

primenjujemo Bajesovu teoremu. U ovoj fazi. Formalnu analizu sprovodimo primenom drveta odlučivanja u sledeća tri koraka: • Konstruišemo drvo. • Ocenjujemo vrednosti ishoda i verovatnoće doga aja u svim hronološki povezanim odlukama. vršimo korekcije početnih verovatnoća doga aja shodno mogućim rezultatima dopunskih informacija i njihovoj pouzdanosti. Odre ujemo optimalnu strategiju (putanju kojom ćemo se kretati od početnog čvora do nekog od konačnih ishoda). koju na drvetu odlučivanja sprovodimo sa desna na levo. tj. Ovde je potrebno da pomirimo dva suprotna zahteva: da sačuvamo realnost problema i istovremeno obezbedimo preglednost i primenjivost modela. strukturišemo problem. svaki sledeći korak je odre en ishodom odluke koja mu je neposredno prethodila. a izbor zasnivamo na principu MOV. po potrebi. 35 . U tom cilju primenjujemo indukciju unazad. dok izbori zavise od anticipiranih ishoda budućih akcija.Sekvencijalno odlučivanje Teorijske osnove Sekvencijalna analiza se bavi nizovima odluka koje hronološki slede jedna drugu i značajno su me usobno uslovljene. tj.

.

2% i 1%. koje bi kompaniju koštalo 250 000 dolara. MDG ima mogućnost da po ceni od 750 000 dolara kupi prava na trodnevno.2% verovatnoće Ne postoji mogućnost pronalaženja značajnih rezervi drugih metala. može jedino da pruži preliminarnu indikaciju da li su rezerve nekog od spomenutih metala zaista prisutne.1. zlata ili srebra rastu na 3%. Ovo test istraživanje. 0. dolara. Ako MDG kupi ovo zemljište. respektivno.04% i 0.75%. Stručnjaci kompanije su procenili da postoje sledeće verovatnoće pronalaženja značajnih rudnih rezervi sledećih metala: -mangana 1% verovatnoće -zlata 0. Rešenje: Drvo odlučivanja za navedeni problem je prikazano na sledećoj slici: 37 . dolara. test istraživanje zemljišta pre nego što se odluče da li da kupe zemlju. U tom slučaju. kao ni mogućnost pronalaženja značajnih rezervi dva ili tri navedenih metala istovremeno. dolara. zadatak. dolara. preliminarno.05% verovatnoće -srebra 0. sprovešće geološko istraživanje. Procenjeno je da će ih ono koštati dodatnih 1 mil. verovatnoće otkrivanja rezervi mangana. Metal Discovery Group (MDG) je kompanija koja vrši geološka istraživanja zemljišta u cilju utvrdjivanja rudnih rezervi.175%. verovatnoće otkrivanja rezervi mangana. Trenutno razmatraju mogućnost kupovine odredjenog zemljišta po ceni od 3 mil. dolara. Procenjeno je da su šanse da rezultati sprovedenog preliminarnog istraživanja budu povoljni 50%. Ako se istraživanjem utvrdi ležište mangana. Ukoliko. dok bi otkrivanje srebra omogućilo prodaju zemlje po ceni od 150 mil. kompanija procenjuje da će biti u mogućnosti da zemljište proda za 30 mil. zlata ili srebra postaju 0. Otkrivanje rezervi zlata bi omogućilo prodaju zemljišta po ceni od 250 mil. Konstruisati drvo odlučivanja za navedeni problem i primenom MOV metode odrediti najpovoljniju opciju za kompaniju MDG. respektivno. rezultati trodnevnog istraživanja budu nepovoljni.

38 . Drvo odlučivanja Proračunate vrednosti očekivanih vrednosti (OV) za moguće alternative iznose: -kupiti zemljište i istražiti: OV=-3. kompanija bi trebala da odustane od kupovine tog zemljišta. zaključujemo da je najbolja alternativa: preliminarno istraživanje. nagoveste mogućnost otkrivanja značajnih rezervi nekog od navedenih metala.7 -odustati: OV=0 Na osnovu ovih rezultata. kompanija bi trebala da kupi zemljište i sprovede detaljno istraživanje. tj. U slučaju nepovoljnih rezultata test istraživanja.275 -preliminarno istraživanje: OV=0.Slika 1. Ukoliko rezultati trodnevnih istraživanja budu povoljni.

Vlasnik stana razmatra uslove tri firme za osiguranje.Zadatak 2. Firma se obavezuje da će nadoknaditi celokupni iznos gubitaka uslovljenih kra om. 0.5. Polisa osiguranja firme C je najjeftinija i iznosi 75 dolara na godišnjem nivou. Polisa osiguranja firme A iznosi 150 dolara godišnje.15. ali se firma obavezuje da isplati samo 60% od ukupne vrednosti štete. ili 40% od ukupne vrednosti njegove imovine sa odgovarajućim verovatnoćama od 0. Rešenje: Drvo odlučivanja je prikazano na narednoj slici: 39 . na osnovu statistike je utvrdjeno da bi prilikom kra e njegovi gubici iznosili 10%. Konstruisati drvo odlučivanja za ovaj problem i metodom MOV izabrati najbolju alternativu. Vlasnik stana razmišlja da osigura svoje kućne vrednosti od kra e na godinu dana. s tim što vlasnik preuzima obavezu da sam nadoknadi iznos od 50 dolara u slučaju bilo koje vrednosti gubitka. ukazuju mu da je mogućnost provale u njegov stan u narednih godinu dana 0. respektivno. Statistički podaci vezani za kradje i provale. Svoju kućnu imovinu je procenio na 20 000 dolara. Takodje.35 i 0.03. Polisa osiguranja firme B je jeftinija i iznosi 100 dolara godišnje. 20%.

2 zaključujemo da je najbolja alternativa »osiguranje kod firme B« zato što ima najveću očekivanu vrednost. 40 . Drvo odlučivanja Na osnovu izračunatih vrednosti očekivanih vrednosti (OV) za svaku alternativu koje iznose: -bez osiguranja: OV=-108 -osiguranje kod firme A: OV=-150 -osiguranje kod firme B: OV=-101.Slika 2.5 -osiguranje kod firme C: OV=-118.

6000-8000. Cena majica po kojoj ih može naručiti je 7$ po komadu.Zadatak 3. 10000 komada ili da odustane.) i zatim se uzimaju srednje vrednosti iz svakog intervala 41 . Vlasnik mora da odluči da li da naruči majice u količini od 5000 komada. Rešenje: U ovom problemu postoje dve neizvesnosti: nije poznato koji tim će osvojiti prvenstvo i koliko majica će biti prodano u slučaju pobede lokalnog tima. Naredna slika prikazuje drvo odlučivanja konstruisano u cilju rešavanja navedenog problema: Akcije izmedju kojih biramo su: -kupiti 5000 majica -kupiti 10000 majica -odustati i one su pokazane granama koje polaze iz prvog čvora odluke. Njih uskoro očekuje finalna utakmica koja će odlučiti novog šampiona. Predvi a da će u slučaju pobede prodati izmedju 2000 i 10000 majica po ceni od 20$. Ovaj interval očekivane prodaje se deli na četiri manja intervala (2000-4000. Vlasnik sportske radnje u istom gradu planira da zaradi prodajom majica sa znakom spomenutog košarkaškog kluba. Svaku neprodatu majicu moći će da proda po ceni od 2$. Početna pretpostavka je bila da će u slučaju pobede domaćeg tima biti prodano od 2000 do 10000 majica. 4000-6000. Da bi majice bile spremne odmah posle finalne utakmice potrebno je da ih naruči bar nedelju dana pre finala. Konstruisati drvo odlučivanja i primenom metode MOV izabrati akciju. Procenjuje da su šanse tima u finalu 60%. Zatim se svaka grana odluke grana račva na grane pojedinih dogadjaja: -pobeda tima -poraz tima Posle dogadjaja »pobeda tima« sledi novi neizvesni dogadjaj vezan za ukupnu tražnju majica. 8000-10000. Siguran je da će prodati veliki broj majica u slučaju pobede lokalnog tima u finalu. Lokalni košarkaški tim se plasirao u finale nacionalnog prvenstva.

očekivane prodaje (3000. 9000. 5000. izračunate su očekivane vrednosti pojedinih akcija i donet je sledeći zaključak: -rezultati pokazuju da je akcija »kupiti 5000 majica« superiorna u odnosu na akcije »kupiti 10000 majica« i »odustati« jer je OV(A1)=23600>OV(A2)=14800>OV(A3)=0 25% traznja 3000 majica 64000 29000 traznja 5000 majica 100000 65000 traznja7000 majica 100000 65000 traznja 9000 majica 100000 65000 traznja 3000 majica 1 74000 4000 traznja 5000 majica 1 110000 40000 traznja 7000 majica 1 146000 76000 traznja 9000 majica 1 182000 112000 25% 60% tim pobedjuje 0 56000 25% kupiti 5000 majica -35000 23600 tim gubi finale 10000 -25000 25% 40% 25% Root -23600 25% 60% tim pobedjuje 1 0 58000 25% kupiti 10000 majica -70000 14800 nista ne kupovati 0 0 tim gubi finale 1 20000 -50000 25% 40% Slika 3. 5000. 7000. Primenom indukcije unazad. 7000 ili 9000 majica) dodeljena je jednaka verovatnoća ostvarivanja (25%). ) kao mogući doga aji. Svakom od navedenih neizvesnih doga aja (prodaja 3000. 42 .

u slučaju prosečne tražnje (verovatnoća 0.2 mil. zbog moguće pojave konkurentskih proizvoda.1). 600 000 evra (sa verovatnoćom od 0. Konstruisati drvo odlučivanja i odrediti najbolju alternativu primenom MOV metode.evra. Ako istraživački napori za dve godine ne urode plodom. Konačno. kao i da bi oni predstavljali veliki uspeh ako bi se mogli proizvesti i plasirati u periodu od dve godine. Rešenje: 43 . imajući u vidu relativno skromne mogućnosti centra za istraživanje. Zato menadžeri predvidjaju da će ukupan diskontovani profit za period od 4 godine (u zavisnosti od pojave visoke. Ali. Ako se ovaj rok probije.3) profit bi bio svega 400 000 evra. koji bi firmi omogućili značajnu konkurentsku prednost na tržištu.2) profit bi iznosio 1.5) profit bi iznosio 800 000 evra i u slučaju niske tražnje (verovatnoća 0.5) i 300 000 evra (sa verovatnoćom od 0. onda bi se mogla obezbediti dodatna sredstva za nastavka istraživanja za još godinu dana od 200 000 evra.6 mil. Menadžeri su ocenili očekivane profite i verovatnoće njihovog javljanja: u slučaju visoke tražnje (verovatnoća 0. pa joj prpisuju verovatnoću od 0. Menadžeri treba da odluče da li da prihvate projekat razvoja nove serije veoma preciznih elektronskih mernih instrumenata. konkurentski nastup sa sličnim proizvodima neće se tretirati kao oportunitetni gubitak. menadžeri očekuju da će se šanse uspešne realizacije istraživanja smanjiti.3. onda bi firma mogla da podnese dodatne troškove za nastavak istraživanja.evra (sa verovatnoćom od 0. prosečne ili niske tražnje) iznositi: 1. Troškovi istraživačkog projekta bi iznosili 400 000 evra. Ipak. ako firma u bilo kom periodu napusti projekat. Ako za tri godine firma uspe da plasira nove proizvod. Kompanija FPE proizvodi preciznu elektroniku. Ipak. očekuju znatno slabiji rezultati od prethodnih.4).Zadatak 4. Odeljenje za marketing i prodaju ocenjuje da bi životni vek novih proizvoda bio pet godina. odnosno. menadžeri ih procenjuju na 50%. onda se. postoji realna opasnost da će neka od konkurentskih firmi do tada ponuditi slične proizvode i tako zauzeti deo tržišta na koji FPE pretenduje. šanse da se projekat uspešno završi u tako kratkom roku su relativno male.

Drvo odlučivanja 44 .20% uvesti nove proizvode 0 440 uspeh 0 50% 440 finansirati istrazivanje -400 20 odustati 0 0 neuspeh 0 -400 odustati od proizvodnje 0 -400 visoka traznja 1600 1200 prosecna traznja 800 400 10% niska traznja 400 0 uspeh 1 0 -60 50% visoka trazna 1 1200 600 prosecna traznja 1 600 0 niska traznja 1 300 -300 30% kasno uvesti nove proizvode 0 -60 odustati 2 0 -600 50% 30% Root -20 dodatno finansirati istrazivanje -200 -438 odustati 1 0 -400 70% neuspeh 1 0 -600 40% 50% Slika 4.

dok bi drugi (VT).5).din.Na osnovu proračunatih očekivanih vrednosti alternativa sledi da bi kompanija trebala da finansira istraživanje jer je OV ove akcije (20) veća od akcije odustati (0).4).7 očekuje visoka tražnja (sa profitom od 250 mil. Ako se opredeli za dalju kampanju.) se smatraju jednako verovatnim.. kompanija bi trebala da odustane od dodatnog finansiranja jer je OV akcije »odustati« (-400) veća od OV akcije »dodatno finansirati« (-436).). U slučaju da projekat ne bude uspešno završen u predvi enom periodu od dve godine. U slučaju da proizvo ač izabere proizvod VT i tražnja bude niska (verovatnoća je 0.din.).din.) i niska tražnja (sa gubitkom od 150 mil. prosečna tražnja (sa profitom od 50 mil. onda se sa verovatnoćom od 0.) ili da odustane od dalje proizvodnje. U slučaju visoke tražnje. dok bi niska tražnja donela dobitak od 50 mil. din. a od proizvodnje VT 400 mil. Šta bi ste mu sugerisali? 45 . U slučaju niske tražnje. Proizvo ač može i da odustane od uvodjenja novog proizvoda.din.din. Proizvo ač bezalkoholnih pića se dvoumi izmedju dva nova proizvoda: »Malinde« (gaziranog pića sa ukusom maline) i »Vatrenog tigra« (negaziranog energetskog pića).din.din.din.din. Zadatak 5. onda bi on mogao da odustane od proizvodnje ili da promeni naziv proizvoda i ambalažu. a zatim da marketinšku kampanju usmeri na stariju populaciju (dodatni troškovi bi iznosili 35 mil. U slučaju niske tražnje za proizvodom M (čija se verovatnoća procenjuje sa 0.5 (i profitom od 90 mil.2 očekuje visoka traznja (sa profitom od 200 mil.din. proizvodjač bi mogao da pojača marketinšku kampanju (koja bi koštala 30 mil. tada sa verovatnoćom od 0.). profit od proizvodnje M bi bio 250 mil. prosečna tražnja se očekuje sa verovatnoćom od 0. izazvao gubitke od 150 mil. prvi proizvod (M) bi doneo gubitke od 100 mil.).din.

46 .70% visoka traznja 1 250 120 prosecna traznja 1 50 -80 niska traznja 1 -150 -280 visoka traznja 3 200 15 prosecna traznja 3 90 -95 niska traznja 3 50 -135 40% Malinda 0 162 60% niska traznja -100 30 marketinska kampanja -30 30 odustati 0 -100 15% 15% visoka traznja 250 250 marketinska kampanja 1 -35 -85 50% niska traznja 2 -150 -85 odustati od proizvodnje 0 -150 visoka traznja 2 400 400 20% Root -162 50% 30% Vatreni tigar 0 157.5 50% Slika 5. Proizvodnja »Malinde« je bolji izbor jer je očekivana vrednost ove alternative (162) veća od očekivane vrednosti »Vatreni tigar« (157.5).

Menadžment kompanije razmatra cenu obavljanja posla sa kojom bi kompanija izašla na konkurs.Zadatak 6.65 Slika 6.75 u slučaju ponu ene cene od 170 000 i 0. Kompanije je izračunala vrednosti materijalnih i drugih troškova realizacije posla i oni iznose 127 000 dolara.25 konkurisati -10000 3625 odustati 0 0 Root -3625 0.35 ponuda od 190 hiljada 0 7050 odbacena ponuda 50% 0 -10000 0. ući u uži izbor za dobijanje posla. procenjene na 5000 dolara. njihova ponuda će biti odbačena. njihova ponuda će biti prihvaćena ili odbijena. Procenjene verovatnoće da će njihova ponuda biti prihvaćena (nakon ulaska u uži izbor) su 0. Odrediti da li kompanija treba da konkuriše za posao i kolika bi trebala da iznosi njihova ponuda? Rešenje: 0.9 u slučaju ponu ene cene u iznosu od 155 000. Njihova procena je da postoji verovatnoća od 50% da će. U protivnom. Troškovi prijavljivanja na konkurs iznose 10 000 dolara. Ako u e u uži izbor. Kompanija razmatra da li da konkuriše za odredjeni posao.75 50% ulazak u uzi izbor -5000 17250 ponuda od 170 hiljada 0 17250 0.1 prihvacena 28000 13000 odbijena 0 -15000 prihvacena 1 43000 28000 odbijena 1 0 -15000 prihvacena 2 63000 48000 odbijena 2 0 -15000 0. Mogućnosti su 155 000. Posle ove faze. Na osnovu proračunatih očekivanih vrednosti alternativa sledi da bi kompanija trebala da konkuriše jer je OV ove akcije (3625) veća od akcije odustati (0). kompanija će morati da dostavi detaljne informacije koje povlače dalje troškove. 0. 170 000 i 190 000 dolara. nakon konkurisanja.35 u slučaju ponu ene cene od 190 000 dolara. Ponuda kompanije bi 47 .9 ponuda od 155 hiljada 0 10200 0.

koštala 250 000 dolara. bi koštala 150 000 dolara. Zadatak 7: Kompanija treba da donese odluku vezanu za novi proizvod. Iskustvo iz prošlosti pokazuje da samo 30% novih proizvoda bude prihvaćeno na tržištu. proizveden od strane njihovog istraživačkog tima. Procenjeno je da će ukupni troškovi lansiranja probne serije proizvoda na tržište iznositi 100 000 dolara. Ukoliko novi proizvod bude prihvaćen na tržištu. Menadžeri treba da odluče da li da se na tržište iza e sa probnom serijom proizvoda ili da se potpuno odustane od njegove proizvodnje. sa proizvodnim kapacitetom od 4000 proizvoda godišnje. 48 . dok bi izgradnja veće fabrike. Velika fabrika Sa konkurencijom Bez konkurencije 20 50 Mala fabrika 35 65 Pretpostavljajući da je životni vek novog proizvoda na tržištu procenjen na 7 godina i da godišnji troškovi rada i velike i male fabrike jednaki (50 000 dolara) odrediti da li kompanija treba da iza e na tržište sa probnom serijom proizvoda. sa proizvodnim kapacitetom od 2000 jedinica proizvoda. Odeljenje za marketing kompanije je procenilo da postoji verovatnoća od 40% da će konkurencija odgovoriti lansiranjem sličnog proizvoda i da će cena po proizvodu (u dolarima) iznositi: Tabela 1. kompanija će se suočiti sa novom odlukom vezanom za veličinu fabrike koju je potrebno izgraditi u cilju serijske proizvodnje proizvoda. Izgradnja male fabrike.trebala da iznosi 170 000 dolara jer ova alternativa ima veću OV (17 250) u odnosu na alternativu »ponuda od 150 000« (OV=10 200) i alternativu »ponuda od 190 000« (OV=7 050).

40% mala fabrika -150000 142000 60% konkurencija 140000 -110000 bez konkurencije 560000 310000 konkurencija 1 210000 -140000 bez konkurencije 1 1050000 700000 30% uspeh 0 364000 40% velika fabrika -250000 364000 60% odustati 1 0 -100000 Root -39200 lansirati probnu seriju -100000 39200 odustati 0 0 70% neuspeh 0 -100000 Slika 7. Na osnovu dobijenih vrednosti može se zaključiti sledeće: -kompanija treba da plasira na tržište probnu seriju proizvoda zato što je očekivana vrednost ove alternative (OV=39200) veća od očekivane vrednosti alternative »odustati« (OV=0).Rešenje: U cilju rešavanja postavljenog problema konstruisano je drvo odlučivanja i metodom MOV odredjene su očekivane vrednosti svake alternative. 49 . -ukoliko probna serija doživi uspeh na tržištu onda bi najbolja alternativa bila »velika fabrika« zato što je njena očekivana vrednost (OV=364000) veća u odnosu na očekivane vrednosti akcija »mala fabrika« (OV=142000) i »odustati« (OV=-100000).

. može se prikazati tabelarno. -Model višeatributivnog odlučivanja Pretpostavimo da se odluka donosi u uslovima izvesnosti.m. Redovi tabele sadrže detaljan opis ishoda alternativa. gde xij predstavlja vrednost alternative Ai po atributu Xj. j=1. U ovu grupu atributa spadaju.. Kvantitativni atributi su karakteristike alternativa koje se mogu precizno meriti na tzv..xi2... ostvareni prihod. Osobine atributa Atributi se me u sobom razlikuju po brojnim osobinama. i=1. složenih alternativa. Problem izbora iz skupa ovako formulisanih. xik).Višeatributivno odlučivanje Osnovni pojam u terminologiji višekriterijumskog odlučivanja je atribut. prikazuje vektorom: Ai=(xi1.. Ai . umesto jednim brojem. koji se biraju na osnovu izabranih kriterijuma od strane donosioca odluke. Po stepenu merljivosti razlikuju se dve grupe atributa: • kvantitativni i • kvalitativni atributi. Po pravilu. koji ima zadatak da obezbedi sredstvo ocene nivoa jednog kriterijuma.. Xj: Atribut X1 x11 x21 xi1 xm1 X2 x12 x22 xi2 xm2 … … … … … Xj x1j x2j xij xmj … … … … … Xk x1k x2k xik xmk Alternativa A1 A2 .. relativno učešće škarta i 50 . Ai. od kojih su najvažnije preciznost sa kojom se mogu meriti. koje se ocenjuju na osnovu k različitih atributa (kriterijuma). pored ostalih.2. xij. svaku akciju (alternativu) karakteriše veći broj atributa.. Izbor se vrši izme u m složenih opcija..k. ………………………………………………………………………………………. tako da se ishod svake opcije.. ordinarnim (redna) i kardinalnim skalama (intervalna skala i skala odnosa).. po svim relevantnim karakteristikama... i obim proizvodnje.2. Am ……………………………………………………………………………………….. i smer korelacije izme u vrednosti atributa i korisnosti koju pružaju. Ai. Xj.

Na osnovu ovih karakteristika moguće je formirati rang-listu alternativa po prioritetu. a neki od njih se mogu meriti na više mernih skala (npr. loš.sl. proizvodi se mogu porediti po “dizajnu”. ali se ipak mogu rangirati po intenzitetu. m2. a linearne funkcije koje ih povezuju (l EUR = X din. U zavisnosti od problema koji se rešava. vrlo dobar. itd. Unutar ove grupe postoje dve podgrupe. tako da će i izbori biti različiti. osrednji. koje su predložene u literaturi. Atributi se izražavaju u različitim mernim jedinicama (novac. Metodi izbora Brojne metode izbora. i sl.) omogućavaju lako prevo enje prihoda iz jedne merne jedinice u drugu). dizajn proizvoda. Pojavne oblike atributa. ako se planira za poslovni prostor ili skladište.). npr. Npr. I ne samo to. Kada se za ocenjivanje alternativa koristi ova vrsta atributa njihovim modalitetima pridružuju se opisi koji izražavaju ukuse i preferencije donosioca odluke. Budući da se ukusi razlikuju. jedna lokacija može biti veoma atraktivna ako se posmatra kao stambeni prostor. Prvu podgrupu čine atributi čije se vrednosti ne mogu precizno meriti. procenat. i izuzetno nepovoljna. može se dogoditi da se na osnovu istog atributa različito ocene alternative iz istog skupa. Jedna od mogućih podela je na: • • Kompenzacijske metode i Nekompenzacijske metode Metod konjunkcije Metod disjunkcije Leksikografski metod Metod eliminacije po aspektima Iz grupe kompenzacijskih metoda izdvajamo: 51 Iz grupe nekompenzacijskih metoda izdvajamo sledeća četiri: . Takvi su. Kvalitativni atributi su karakteristike čiji se modaliteti ne mogu izraziti numerički. prihod se može izražavati u različitim valutama. pouzdanost dobavljača i slično. iste alternative biće različito opisane. tona.. pri čemu se različitim dizajnerskim rešenjima pripisuje jedan od modaliteta: izuzetno loš. kao što su vrsta radnog iskustva kandidata. Drugu podgrupu čine “čisto” kvalitativni atributi na osnovu kojih je nemoguće vršiti nikakvo kvantitativno pore enje alternativa. Npr. bezbednost na radu. znanje i inteligencija kandidata. odličan. možemo klasifikovati u srodne grupe. moguće je samo svrstati u srodne grupe.

4 0. Firma želi da iznajmi poslovni prostor. na osnovu sledeća tri atributa: zakupnine. kvadrature i lokacije. Alternativa A1 A2 A3 A4 A5 Cena (u evrima) 1000 900 1200 1100 700 Kvadratura (u m2) 115 90 130 100 95 lokacija Vrlo dobra Odlična Dobra Odlična Vrlo loša Datim alternativama su pripisane sledeće korisnosti: Tabela 2.2 0.Linearni model (Maksimizacija »agregatne« korisnosti ) Metod jednakih razmena (trampi) Maksimizacija »agregatne« korisnosti (linearni model) 1.2.9 0.m. Rešenje: Korisnost složene alternative Ai.85 1 0. Primenom linearnog modela izabrati najoptimalniju alternativu.. Alternativa A1 A2 A3 A4 A5 Cena (u evrima) 0.1 0.9 Kvadratura (u m2) 0. iz čega sledi da su vrednosti težinskih koeficijenata 0.25 (respektivno).4 1 0 Cena se smatra dvostruko značajnijom od kvadrature i lokacije.5.6 0.25 i 0.7 1 0... Na tržištu se trenutno nudi šest alternativa: Tabela 1.65 lokacija 0. i=1.85 0. 0. zadatak.. gde su ponderi odgovarajući težinski koeficijenti: u(Ai)=w1*ui1+w2*ui2+…+wk*uik Izračunate agregatne korisnosti alternativa su prikazane u narednoj tabeli: 52 . izračunavamo na osnovu zbira ponderisanih korisnosti (koje su dodeljene pojedinim vrednostima svih atributa).

Prosečna niska A6 Prosečna Visoka Vrlo vis.6375 0. a3 i a4.Tabela 3. 5-srednji (prosečni). A1 150 180 160 140 A2 10 15 12 9 A3 1500 1100 1400 1600 A4 6 9 7. a2.65*0.5625 0.85*0. Bipolarne skale. 3-nizak. za pojedine tipove automobila se navode u sledećoj tabeli: Tabela 4.25=0.6*0.25=0. 7-visok i 9-vrlo visok nivo.9*0.6125 max u(Ai) A2 Na osnovu dobijenih rezultata biramo alternativu A2.25+0.25+0.4*0. prosečna Kvalitativne ocene atributa kvalifikovati primenom tzv.5+0.1*0. Izbor će izvršiti na osnovu šest atributa za koje je mogao prikupiti komparativne podatke: A1-maksimalna brzina [ km/h] A2-potrošnja goriva [ l/100 km] A3-mogućnost opterećenja [ kp] A4-cena [ 107 din] A5-pouzdanost (kvalitativna ocena) A6-sposobnost manevrisanja (kvalitativna ocena) Kvantitativne i kvalitativne ocene navedenih atributa.5 5 A5 Visoka Vrlo vis.25+1*0.7*0.5+0.2*0.25+0*0. 2.5+1*0.4 0.5+0. Kupac privatnog automobila može da bira izme u četiri modela: a1.5+0.9*0. zadatak. Krive korisnosti po pojedinim alternativama su prikazane na sledećoj slici: 53 .4*0. alternativa a1 a2 a3 a4 .725 0.25=0.25+1*0.85*0.25=0. Uzeti opseg skale od 1 do 10 gde je: 1-vrlo nizak nivo. Alternativa A1 A2 A3 A4 A5 u(Ai)=w1*ui1+w2*ui2+…+wk*uik 0.25=0.

4 0.0 1.8 0.6 0.0 4000 5000 6000 7000 3 8000 9000 A3-mogucnost opterecenja A4-cena (10 ) 1.2 0.2 0.6 0.9 0. Funkcije korisnosti za pojedine atribute 54 .8 0.0 0.0 0.1 0.7 0.6 korisnost korisnost 0.0 0.4 0.8 0.0 0.9 1.5 0.1 0.8 0.8 0.7 0.3 0.8 0.4 0.2 0.5 0.2 100 120 140 160 180 0.7 0.4 0.3 0.6 korisnost korisnost 0.6 korisnost 0.0 10 11 12 13 14 15 A1-maksimalna brzina A2-potrosnja goriva 1.0 0 1 2 3 4 5 6 7 8 9 0.5 0.0 1100 1200 1300 1400 1500 1600 0.1 0.2 0.1.7 0.5 0.6 0.4 0.0 1.0 1 2 3 4 5 6 7 8 9 A5-pouzdanost A6-sposobnost manevrisanja Slika 1.4 korisnost 0.3 0.2 0.3 0.9 0.9 0.

20 0.15 0.20 1.25 0.04 0.00 Korisnost složene alternative Ai. gde su ponderi odgovarajući težinski koeficijenti: u(Ai)=w1*ui1+w2*ui2+…+wk*uik Sledi da su korisnosti složenih alternativa: 55 . vrednosti koje su neprihvatljive za donosioce odluke su: Tabela 5. Rešenje: Sa grafika funkcija korisnosti očitavamo vrednosti korisnosti pojedinih alternativa.98 A2 A3 A4 A5 0.52 0. i=1..Granične vrednosti za sve atribute tj.32 0.75 1.68 Narušeno ograničenje po atributu A5 A6 0.20 0.80 0. Rezultati su sumarno prikazani u narednoj tabeli: Tabela 7.95 0..97 0..00 0. Atribut A1 A2 A3 A4 A5 A6 Težinski koeficijent 0.82 0.06 Primenom linearnog modela izabrati najoptimalniju alternativu.2..00 0. alternativa a1 a2 a3 a4 A1 0.m.2 0. izračunavamo na osnovu zbira ponderisanih korisnosti (koje su dodeljene pojedinim vrednostima svih atributa). ≤prosečne (5) ≤prosečne (5) Težinski koeficijenti za sve atribute su prikazani u narednoj tabeli: Tabela 6. Atribut A1 A2 A3 A4 A5 A6 Ograničavajuća vrednost ≤120 km/h ≥16 l/100 km ≤1 800 kp ≥100 000 000 din.95 1.95 0.31 0.30 0.

2+0. Petar želi da kupi računar.52=0.0 1.1=0.68+0.5130 u(A3)=0.30*0.8 u(x) / korisnost 0.2*0.95+0.2*0.4 0.15*0.8485 u(A2)=0.2*1+0.68+0.32+0.4 0.2 Monitor (inč) 17 15 17 19 HD (GB) 120 80 80 80 CD ROMovi DVD rezač DVD čitač DVD čitač DVD rezač Kupac je odredio svoje funkcije korisnosti po pojedinim atributima i one su prikazane na narednim grafikonima: 1.04*0.95+0.95+0.25*0.25*0.6 u(x) / korisnost 0.31+0.97+0.569 Kako akcija a1 ima najveću vrednost kompozitne korisnosti.15*0. Ponu ene su mu četiri konfiguracije sa karakteristikama prikazanim u sledećoj tabeli: Tabela 8.2 0.31+0. 3.25*0.98+0.0 350 400 450 500 550 600 650 700 750 100 150 200 250 x / cena (u evrima) x / HD (u GB) 56 .04*0.30*0.75=0.82+0.8 2 2.06*0.2 0.06*0. nju treba izabrati kao najbolju.04*0.6 0.15*0.u(A1)=0.06*0.30*0. atribut računar A B C D Cena (u evrima) 500 400 450 600 Procesor (GHz) 2.8 0.4 3.0 0.80+0.95+0. zadatak.

9 HD (GB) 0.8 0.2 Procesor (GHz) 0.3 CD ROMovi 1 0.5 3.7 0.5 x / monitor ( u incima) x / procesor (GHz) Slika 2.25 Primenom linearnog modela izračunati agregatne korisnosti svake alternative (svake konfiguracije računara) i odrediti najoptimalniju.3 0.1 0.6 0.8 atribut Monitor (inč) 0.5 1 57 . računar A B C D Cena (u evrima) 0.4 2.6 0.0 1.1.5 0.6 0. Rezultati su sumarno prikazani u narednoj tabeli: Tabela 9.2 HD-0.0 3.0 2.4 0.8 0.6 0. Rešenje: Sa grafika funkcija korisnosti očitavamo vrednosti korisnosti pojedinih alternativa. Težinski koeficijenti koje je Petar dodelio svakom atributu su sledeći: Cena-0.4 0.9 u(x) / korisnost u(x) / korisnost 15 16 17 18 19 20 21 0.0 0.5 za DVD čitač.7 0.1 CD ROM-0.5 0.9 0.5 0.7 0. Funkcije korisnosti za pojedine atribute Vrednosti korisnosti atributa CD ROMovi su: 1 za DVD rezač i 0.0 4.3 0.2 0.6 0.5 0.3 Processor-0.15 Monitor-0.5 4.

6+0.5+0.Agregatne korisnosti se računaju po sledećem izrazu: u(Ai)=w1*ui1+w2*ui2+…+wk*uik Izračunate agregatne korisnosti alternativa su prikazane u narednoj tabeli: Tabela 10.3+0. X3-lokacije. Svaki atribut je izražen u različitim jedinicama mere. to je X1-vreme putovanja.4+0. Rešenje: U prvom koraku nalazimo atribut po kojem se alternative najmanje razlikuju.2*0.8+0.15*0.7+0. odnosno kada bi se ono povećalo za 5 minuta.64 max u(Ai) A1 Na osnovu dobijenih vrednosti sledi da je akcija A1 najbolja. A1 A2 A3 Vreme (u min.6+0.5=0. To bi se dogodilo kada bi »vreme« alternative A2iznosilo 25 minuta.15*0.3*0.505 0. i X4-veličine prostora.1*0. X2-troškove) i procenjujemo kolika bi trebala da bude promena mesečnih tročkova iznajmljivana prostora A2 kojom bi se 58 .3+0. Alt. Metod jednakih razmena (trampi) 4. X2-ukupnih mesečnih troškova.25*1=0.1*0.2+0. zadatak.575 0.7+0. alternativa A1 A2 A3 A4 u(Ai)=w1*ui1+w2*ui2+…+wk*uik 0.9+0.1+0.3+0.5+0.1*0.675 0.6+0.3*0. U drugom koraku biramo jedan od preostalih atributa (na primer.2*0.15*0.) 25 20 25 Troškovi ( u evrima) 460 400 550 Lokacija (opisno) B B A Veličina (u m2) 70 50 85 Primenom metode jednakih razmena (trampi) odrediti najbolju alternativu.2*0.25*0.1*0.3*0. Pretpostavimo da želite da iznajmite poslovni prostor i da ponude ocenjujete na osnovu sledeća četiri atributa: X1-prosečnog vremena putovanja do posla.2*0.9+0.25*1=0.15*0.3*0. Treba da odredimo promenu koja je neophodna da bi smo mogli da eliminišemo atribut X1 kao nevažan u datom izboru. a karakteristike tri ponu ene opcije su date u sledećoj tabeli: Tabela 11.25*0.5=0.

Pretpostavimo da smo izabrali troškove. Prikažimo u sledećoj tabeli ovu promenu: Tabela 12. Pretpostavimo da bi cena trebalo da bude niža za 50 evra da bismo pristali na duže putovanje. Alternativa A1 A2 A3 X1 25 25(20) 25 X2 460 350(400) 550 X3 B B A X4 70 50 85 Ovim putem smo drugačije prikazali karakteristike alternative A2koje su. pa ćemo ga isključiti iz dalje analize. on postaje irelevantan za izbor. To je atribut X3-lokacija. Postupak ponavljamo otkrivanjem novog atributa po kojem se alternative najmanje razlikuju. ekvivalentne njenim originalnim karakteristikama. Alternativa A1 A2 A3 X2 460 350 490(550) X3 B B B(A) X4 70 50 85 Ovim putem smo eliminisali i me usobne razlike alternativa po atributu X3. Samim tim. Tabela 14. Tabela 13. pa ga u trećem koraku eliminišemo iz analize. U poslednjem koraku treba da odredimo odnose »razmene« izme u dva preostala atributa: 59 . Alternativa A1 A2 A3 X2 460 350 550 X3 B B A X4 70 50 85 Sada iz skupa preostalih atributa biramo jedan koji će biti učesnik u »trampi«.kompenzirao porast vremena putovanja za 5 min. treba da prati odre eno snižavanje troškova. Pogoršanje lokacije alternative A4 sa A na B. Ekvivalentnim opisom alternative A2 eliminisali smo razlike izme u opcija po atributu X1. Pretpostavimo da bismo se odrekli bolje lokacije kada bi troškovi bili niži za 60 evra. zajedno posmatrane.

Alternativa A1 A2 A3 X2 460 350 490 X4 70 50 85 Pretpostavimo da želimo da eliminišemo atribut X4. Alternativa A1 A2 A3 X2 460 500(350) 390(490) X4 70 70(50) 70(85) Ovim putem smo eliminisali i atribut X4 i problem višeatributivne analize sveli na problem jednokriterijumskog izbora. 60 . izaberimo središnju vrednost. Pore enjem vrednosti alternativa po atributu X2-troškovi. 70 m2. zaključujemo da je alternativa A3 optimalan izbor. dok bismo se u slučaju alternative A3 odrekli 15 m2 pod uslovom da se troškovi smanje za 100 evra. Pretpostavimo da smo u slučaju alternative A2za porast kvadrature od 20 m2 spremni da doplatimo 150 evra. Budući da se svi prostori me u sobom razlikuju po kvadraturi. Tabela 15.X2-troškovi i X4-veličine prostora. tj. prihvatićemo neku od raspoloživih vrednosti kao »standard«. Tabela 16. sada za alternative A2i A3 treba da odredimo troškove koji bi (zajedno sa veličinom prostora od 70 m2) bili ekvivalentni sa njihovim stvarnim vrednostima.

Metod ELECTRE I (ELimination and ET Choice Translating REality)
Energana kupac parnih kotlova je u situaciji da bira izme u četiri modela: a1, a2, a3 i a4. Izbor
će izvršiti koristeći sledeće kriterijume:

A1 – veličina kotla (m2) A2 – potrošnja uglja (t/h) A3 – mogućnost opterećenja (kp) A4 – cena (107 din) A5 – pouzdanost (kvalitativna ocena) Početna matrica odlučivanja ima oblik:
170 200  O :=  180 160 

7 1600 12 1200 9 1500 6 1700

60 visoka  90 vrlovisoka   75 prosečro  50 niska  

REŠENJE :

Transformacija kvalitativnih atributa
Koristeći pristup tzv. bipolarnih skala, a za opseg skale od 0 do 10, gde je 1 – vrlo nizak nivo, 3 – nizak, 5 – srednji (prosečni), 7 – visok, i 9 – vrlo visok nivo, matrica odlučivanja je u potpunosti kvantifikovana:
 170  200  O :=   180  160 

7 1600 12 1200 9 1500 6 1700

60 90 75 50

7 9   5 3 

61

korak 1: Izračunavanje normalizovane matrice odlučivanja N Najpre se računaju normalizovani elementi matrice odlučivanja primenom formule:
n ij = x ij

∑x
j=1

m

2 ij

gde je xij – vrednost akcije ai, i = 1,2, ...,m u odnosu na atribut j, kj, j = 1,2,...,n. Tako da su:
n11 = x11
=
2 ij

170 170 + 200 + 180 + 160
7 7 + 12 + 9 + 6
2 2 2 2

∑x
j =1

m

2

2

2

2

=

170 = 0.477 356.23

n12 =

x12

∑x
j =1

m

=
2 ij

=

7 = 0.397 17.60

n13 =

x13

∑x
j =1

m

=
2 ij

1600 1600 + 1200 + 1500 + 1700
2 2 2 2

=

1600 = 0.529 3023.24

n14 =

x14

∑x
j =1

m

=
2 ij

60 60 + 90 + 75 + 50
2 2 2 2

=

60 = 0.426 140.80

n15 =

x15

∑x
j =1

m

=
2 ij

7 7 +9 +5 +3
2 2 2 2

=

7 = 0.546 12.81

n21 =

x21

∑x
j =1

m

=
2 ij

200 170 + 200 + 180 + 160
2 2 2 2

=

200 = 0.561 356.23

n22 =

x22

∑x
j =1

m

=
2 ij

12 7 2 + 12 2 + 9 2 + 6 2

=

12 = 0.681 17.60

n23 =

x23

∑x
j =1

m

=
2 ij

1200 1600 2 + 1200 2 + 1500 2 + 1700 2

=

1200 = 0.396 3023.24

62

n24 =

x 24

∑x
j =1

m

=
2 ij

90 60 + 90 + 75 + 50
2 2 2 2

=

90 = 0.639 140.80

n25 =

x25

∑x
j =1

m

=
2 ij

9 7 +9 +5 +3
2 2 2 2

=

9 = 0.702 12.81

n31 =

x31

∑x
j =1

m

=
2 ij

180 170 + 200 + 180 + 160
2 2 2 2

=

180 = 0.505 356.23

n32 =

x32

∑x
j =1

m

=
2 ij

9 7 + 12 + 9 + 6
2 2 2 2

=

9 = 0.511 17.60

n33 =

x33

∑x
j =1

m

=
2 ij

1500 1600 + 1200 + 1500 + 1700
2 2 2 2

=

1500 = 0.496 3023.24

n34 =

x34

∑x
j =1

m

=
2 ij

75 60 + 90 + 75 + 50
2 2 2 2

=

75 = 0.532 140.80

n35 =

x35

∑x
j =1

m

=
2 ij

5 7 +9 +5 +3
2 2 2 2

=

5 = 0.390 12.81

n41 =

x41

∑x
j =1

m

=
2 ij

160 170 + 200 + 180 + 160
2 2 2 2

=

160 = 0.449 356.23

n42 =

x42

∑x
j =1

m

=
2 ij

6 7 2 + 12 2 + 9 2 + 6 2

=

6 = 0.340 17.60

n43 =

x43

∑x
j =1

m

=
2 ij

1700 1600 2 + 1200 2 + 1500 2 + 1700 2

=

1700 = 0.562 3023.24

63

0529 0.639 0.505 0.2 0.449  0.511 0.355 0.340 0.561  N :=  0.496 0.532 0.1 0.3) Zbir elemenata ovog vektora je jednak jedinici.1065 0.0505 0.1596 0.1639  0.0396 0. posle čega se izračunava težinska normalizovana matrica odlučivanja.0702   64 . matrica težinskih koeficijenata je: T: = ( 0.2108   0.1278 0.234        korak 2: Izračunavanje težinske normalizovane matrice odlučivanja TN Donosilac odluke aktivno učestvuje u proceduri rešavanja problema i odre uje preference.1022 0. odnosno težine korisničkih kriterijuma.0449  0.546 0.80 n45 = x45 ∑x j =1 m = 2 ij 3 7 +9 +5 +3 2 2 2 2 = 3 = 0. TN = N ⋅ T U ovom slučaju.0477 0.1362 0.529 0.0794 0.477 0.3 0.0561  TN :=  0. Tako da težinska normalizovana matrica odlučivanja glasi: 0.390 0.426 0.397 0.0562 0.1 0.396 0.1917 0.562 0.0680 0.1171  0.n44 = x 44 ∑x j =1 m = 2 ij 50 60 + 90 + 75 + 50 2 2 2 2 = 50 = 0.702 0.234 12.355 140.81 Normalizovana matrica odlučivanja glasi: 0.681 0.0496 0.

Spr = {j | xpj < xrj} Skup saglasnosti Skup nesaglasnosti p = 1. 5 2. 3. r = 1 p = 3. 5 1 2. 3. 3. 3. r = 4 p = 2.. 3. 5 Skup nesaglasnosti 2.korak 3: Odre ivanje skupova saglasnosti S i nesaglasnosti NS U ovom koraku upore uju se parovi akcija p i r (p. 4 1.. r = 3 p = 1. 4 2. s pr = ∑t j∈S pr j Za dati primer indeksi saglasnosti jednaki su: s11 = 0 s12 = t2 + t3 + t4 = 0. 5 korak 4: Odre ivanje matrice saglasnosti MS Matrica saglasnosti odre uje se na osnovu skupa saglasnosti. 5 1. r = 3 2. za koje je akcija ap poželjnija od akcije ar. Elemente matrice čine indeksi saglasnosti. r = 2 p = 4. 4 1. 4 2. 3. 4 2.n}). čija je vrednost jednaka sumi težinskih koeficijenata koji odgovaraju pripadajućim elementima skupova saglasnosti.1 + 0. 5 1. odnosno: Spr = {j | xpj ≥ xrj} Ukoliko se radi o kriterijumu tipa minimizacije. Najpre se formira skup saglasnosti Spr za akcije ap i ar. 4 2.9 65 . Zatim se formira komplementaran skup nesaglasnosti: NSpr = J .3 = 0. 4.1 + 0. 5 1. r = 4 p = 4. r = 1 p = 2. 4 1.2 + 0.... 3.r = 1..3 + 0. 5 2. 3.m i p ≠ r). 5 1. r = 4 p = 3.3 = 0. koji se sastoji od svih kriterijuma (J = {j|j=1. 5 1 Skup saglasnosti 1. r = 2 p = 1. znak jednakosti je suprotan. 5 1. 4. 4 2. 3.2. 4 2. 5 1. r = 2 p = 3. 3. r = 3 p = 2.2 + 0. 3.. 4 2. 3..6 s13 = t2 + t3 + t4 + t5 = 0. r = 1 p = 4.

tn14 − tn24 .2 + 0. tn12 − tn22 .6 0 0.1 + 0.4 s24 = t1 + t5 = 0.3 = 0.4 s22 = 0 s23 = t1 + t5 = 0.2 + 0.1 0.6 0.6 s33 = 0 s34 = t1 + t5 = 0.6 s42 = t2 + t3 + t4 = 0.3 = 0.1 + 0.3 = 0. tn13 − tn23 .3 = 0.3 = 0.4 s31 = t1 = 0. tn15 − tn35 ) j∈J j∈NS13 66 .1 + 0. tn14 − tn34 . Elemente matrice čine indeksi nesaglasnosti. tn13 − tn33 .1 s32 = t2 + t3 + t4 = 0.4 0 0.4  0.3 = 0.6 0.3 = 0.6 0         korak 5: Odre ivanje matrice nesaglasnosti MNS Matrica nesaglasnosti odre uje se na osnovu skupa nesaglasnosti.1 + 0.1 + 0. tn15 − tn25 ) j∈J j∈NS12 ns12 = 0.1 + 0.2 + 0.3 = 0. tn12 − tn32 .06392 max ( tn11 − tn31 ) ns13 = max ( tn11 − tn31 .7329 0. tn15 − tn25 ) ns12 = max ( tn11 − tn21 .9 0.4 s21 = t1 + t5 = 0.1 + 0.4 s41 = t2 + t3 + t4 = 0.6 s44 = 0 Tako da je matrica saglasnosti:  0 0.6 s43 = t2 + t3 + t4 = 0.3 = 0.2 + 0. koji se odre uju na osnovu formule: max tn pj − tn rj j∈NS pr j∈J ns pr = max tn pj − tn rj gde je tn – element težinske normalizovane matrice odlučivanja.04685 = 0. max ( tn11 − tn21 .s14 = t1 + t5 = 0.1 + 0.6 0.4  MS : =   0.4  0.4 0.1 + 0.

tn24 − tn44 .0028 = 0.0937 =1 0. tn24 − tn34 . tn33 − tn13 . tn34 − tn14 . tn23 − tn33 . tn23 − tn43 . tn35 − tn15 ) j∈NS31 ns31 = max( tn31 − tn11 . tn14 − tn 44 ns14 = j∈NS14 j∈J ) ) max( tn11 − tn 41 . tn35 − tn25 ) j∈J j∈NS32 ns32 = 0. tn15 − tn 45 0.0937 ns14 = max ( tn22 − tn12 . tn32 − tn22 . tn23 − tn33 .0639 =1 0.0937 max ( tn22 − tn42 . tn12 − tn 42 .ns13 = 0.0852 = 0. tn13 − tn 43 .0937 67 . tn22 − tn32 . tn23 − tn13 . tn32 − tn12 .0341 = 0. tn13 − tn 43 . tn23 − tn43 . tn33 − tn13 . tn34 − tn14 .0639 max ( tn22 − tn32 .04685 max ( tn31 − tn21 . tn35 − tn25 ) ns32 = max ( tn31 − tn21 .6064 0. tn25 − tn15 ) j∈J j∈NS21 ns 21 = 0. tn24 − tn44 ) j∈NS 24 ns 24 = max( tn21 − tn41 . tn24 − tn34 ) j∈NS23 ns 23 = max ( tn21 − tn31 . tn25 − tn45 ) j∈J ns 24 = 0.22743 0. tn24 − tn14 ) ns 21 = max( tn21 − tn11 .0599 0. tn23 − tn13 .0213 = 0. tn33 − tn23 .04685 =1 0. tn25 − tn35 ) j∈J ns 23 = 0.3637 0. tn22 − tn42 . tn22 − tn12 . tn24 − tn14 . tn35 − tn15 ) j∈J ns31 = 0. tn34 − tn24 . tn14 − tn 44 .14055 max ( tn32 − tn12 .0468 max ( tn12 − tn 42 .

2274  0. tn44 − tn24 .max ( tn32 − tn42 . tn43 − tn33 .0468 = 0. tn45 − tn25 ) j∈J ns 42 = 0.8794 0. tn44 − tn14 .0531 =1 0. tn45 − tn15 ) j∈J ns 41 = 0.8794 0. tn35 − tn45 ) j∈J j∈NS34 ns34 = 0. tn45 − tn35 ) j∈NS 43 ns 43 = max ( tn41 − tn31 .0937 max ( tn41 − tn21 .0531 max ( tn41 − tn11 . tn42 − tn32 . tn45 − tn35 ) j∈J ns 43 = 0. tn44 − tn34 . tn43 − tn23 .0937 =1 0.0599 0.0532 Tako da matrica nesaglasnosti glasi: 0 1  MNS : =  1 1  0. tn33 − tn43 .1405 max ( tn41 − tn31 . tn42 − tn12 . tn34 − tn44 .1405 =1 0.3637 0 0. tn45 − tn15 ) j∈NS 41 ns 41 = max( tn41 − tn11 . tn32 − tn42 .6064   1  0   68 . tn42 − tn22 . tn33 − tn43 . tn45 − tn25 ) j∈NS42 ns 42 = max( tn41 − tn21 .7329 0 1 1 0. tn43 − tn13 . tn34 − tn44 ) ns34 = max ( tn31 − tn41 .

9 + 0.50 4(4 − 1) 12 Tako da matrica saglasne dominacije glasi: 0 0  MSD : =  0 1  1 0 1 1 1 0 0 1 0  0   0 0   korak 7: Odre ivanje matrice nesaglasne dominacije MNSD Matrica nesaglasne dominacije izračunava se analogno MSD. Potom se formira matrica saglasne dominacije na osnovu sledećeg kriterijuma: msdpr = 1 za spr ≥ PIS msdpr = 0 za spr < PIS U ovom slučaju.6 + 0. najpre se računa prosečan indeks nesaglasnosti: ∑ ∑ ns PINS = p =1 r =1 m m pr m(m − 1) pri čemu je p ≠ r.korak 6: Odre ivanje matrice saglasne dominacije MSD Matrica saglasne dominacije odre uje se na osnovu vrednosti praga indeksa saglasnosti.4 + 0.4 + 0.6 + 0 6 = = 0.6 + 0 + 0.1 + 0.6 + 0.4 + 0 + 0.4 + 0.6 + 0. PIS = 0 + 0. koji se može definisati kao prosečni indeks saglasnosti: ∑∑s PIS = p =1 r =1 m m pr m(m − 1) pri čemu je p ≠ r.4 + 0. Potom se formira matrica nesaglasne dominacije na osnovu sledećeg kriterijuma: 69 .

0599 + 0.8794 + 0 = 4(4 − 1) 8.7329 + 0. matrica ima sledeće vrednosti: 0 1 1 0  0 0 0 0    0 0 0 0  0 0 0 0      MAD : =     70 .3637 + 0.mnsdpr = 1 za nspr ≤ PINS mnsdpr = 0 za nspr > PINS U ovom slučaju je: PINS = 0 + 0.6064 + 1 + 1 + 0 + 1 + 1 + 1 + 0. u ovom slučaju.2274 + 1 + 0 + 0.9599 = 0.7391 12 = Tako da je matrica nesaglasne dominacije:    MNSD : =     0 0 0 0 1 0 0 0 1 1  1 1    0 0 0 0  korak 8: Odre ivanje matrice agregatne dominacije MAD Elementi matrice agregatne dominacije jednaki su proizvodu elemenata na odgovarajućoj poziciji u matricama saglasne i nesaglasne dominacije: ad pr = sd pr ⋅ nsd pr tako da.

reklamiranje putem bilborda postavljenim u većim gradovima. Rešenje: Tabela. efikasnost ( izražena na skali 0-100) i broj angažovanih ljudi iz kompanije tokom promocije. svaka raspoloživa alternativa se ocenjuje na osnovu 5 kriterijuma-atributa: cena (izražena u 1000 US$). 22. Težinski koeficijenti dodeljeni svakom atributu su redom: 12. min 8 1 2 3 1 6 71 . A3 i A4) ne dominiraju. putem pošte i emitovanjem TV spotova na CMM ili NCB kanalu. Razmatraju se šest mogućih načina reklamiranja: u internacionalnim novinama News.korak 9: Eliminisanje manje poželjnih akcija (“ → ” = “dominira”) A1 0 0 0 0 A2 1 0 0 0 A3 1 0 0 0 A4 0 0 0 0 A1 A2 A3 A4 A1 → A2. veličina ciljnog auditorijuma ( izražena kao x*10 000 primalaca poruke). trajanje promocije ( u danima). Primenom ELECTRE I metode odrediti najbolju alternativu. zadatak. tako da je alternativa A1 najprihvatljivija. u novinama Herald. dok ostale alternative (A2. A3 A2 ne dominira A3 ne dominira A4 ne dominira Alternativa A1 dominira nad A2 i A3. Polazni podaci C1 atribut Cena min/max News Herald Panels Mailing CMM NCB min 60 30 40 92 52 80 C2 Veličina auditorijuma max 900 520 650 750 780 920 C3 Trajanje promocije max 22 31 20 60 58 4 C4 Efikasnost max 51 13 58 36 90 75 C5 Broj angažovanih osoba. Svaki mogući način promocije proizvoda tj. 40. 2. 12. Kompanija planira da promoviše svoj proizvod. 14.

2..47969 n13 = x13 ∑x j =1 m = 2 ij 22 22 + 31 + 20 2 + 60 2 + 58 2 + 4 2 2 2 = 0.39001 n12 = x12 ∑x j =1 m = 2 ij 900 900 + 520 + 650 2 + 750 2 + 780 2 + 920 2 2 2 = 0.40 C3 max 22 31 20 60 58 4 0.m u odnosu na atribut j.22 C5 min 8 1 2 3 1 6 0.. .. j = 1. Tako da su: 60 60 2 + 30 2 + 40 2 + 92 2 + 52 2 + 80 2 n11 = x11 ∑x j =1 m = 2 ij = 0.12 C4 max 51 13 58 36 90 75 0. i = 1.2. C1 min 60 30 40 92 52 80 0.14 korak 1: Izračunavanje normalizovane matrice odlučivanja N Najpre se računaju normalizovani elementi matrice odlučivanja primenom formule: n ij = x ij ∑x j=1 m 2 ij gde je xij – vrednost akcije ai.12 C2 max 900 520 650 750 780 920 0.n.23419 n14 = x14 ∑x j =1 m = 2 ij 51 51 + 13 + 58 + 36 2 + 90 2 + 75 2 2 2 2 = 0. koef..35064 72 .Polazna matrica Tip ekstrema A1 A2 A3 A4 A5 A6 Tez. kj....

32999 n 24 = x 24 ∑x j =1 m = 2 ij 13 51 + 13 + 58 + 36 2 + 90 2 + 75 2 2 2 2 = 0.27715 n 23 = x 23 ∑x j =1 m = 2 ij 31 22 2 + 312 + 20 2 + 60 2 + 58 2 + 4 2 = 0.n15 = x15 ∑x j =1 m = 2 ij 8 8 + 1 + 2 + 3 2 + 12 + 6 2 2 2 2 = 0.34644 73 .195 n 22 = x 22 ∑x j =1 m = 2 ij 520 900 + 520 + 650 2 + 750 2 + 780 2 + 920 2 2 2 = 0.26000 n32 = x32 ∑x j =1 m = 2 ij 650 900 + 520 + 650 2 + 750 2 + 780 2 + 920 2 2 2 = 0.09325 n31 = x31 ∑x j =1 m = 2 ij 40 60 2 + 30 2 + 40 2 + 92 2 + 52 2 + 80 2 = 0.74600 n 21 = x 21 ∑x j =1 m = 2 ij 30 60 2 + 30 2 + 40 2 + 92 2 + 52 2 + 80 2 = 0.08938 n 25 = x 25 ∑x j =1 m = 2 ij 1 8 + 1 + 2 + 3 2 + 12 + 6 2 2 2 2 = 0.

39974 n 43 = x 43 ∑x j =1 m = 2 ij 60 22 + 31 + 20 2 + 60 2 + 58 2 + 4 2 2 2 = 0.59801 n 42 = x 42 ∑x j =1 m = 2 ij 750 900 2 + 520 2 + 650 2 + 750 2 + 780 2 + 920 2 = 0.27975 74 .18650 n 41 = x 41 ∑x j =1 m = 2 ij 92 60 + 30 + 40 + 92 2 + 52 2 + 80 2 2 2 2 = 0.n33 = x33 ∑x j =1 m = 2 ij 20 22 + 31 + 20 2 + 60 2 + 58 2 + 4 2 2 2 = 0.63870 n 44 = x 44 ∑x j =1 m = 2 ij 36 51 + 13 + 58 + 36 2 + 90 2 + 75 2 2 2 2 = 0.39877 n35 = x35 ∑x j =1 m = 2 ij 2 8 + 1 + 2 + 3 2 + 12 + 6 2 2 2 2 = 0.24751 n 45 = x 45 ∑x j =1 m = 2 ij 3 8 2 + 12 + 2 2 + 3 2 + 12 + 6 2 = 0.21290 n34 = x34 ∑x j =1 m = 2 ij 58 512 + 13 2 + 58 2 + 36 2 + 90 2 + 75 2 = 0.

52001 n62 = x62 ∑x j =1 m = 2 ij 920 900 2 + 520 2 + 650 2 + 750 2 + 780 2 + 920 2 = 0.09325 n61 = x61 ∑x j =1 m = 2 ij 80 60 + 30 + 40 + 92 2 + 52 2 + 80 2 2 2 2 = 0.33800 n52 = x52 ∑x j =1 m = 2 ij 780 900 2 + 520 2 + 650 2 + 750 2 + 780 2 + 920 2 = 0.61878 n55 = x55 ∑x j =1 m = 2 ij 1 8 2 + 12 + 2 2 + 3 2 + 12 + 6 2 = 0.49035 n63 = x63 ∑x j =1 m = 2 ij 4 22 + 31 + 20 + 60 2 + 58 2 + 4 2 2 2 2 = 0.n51 = x51 ∑x j =1 m = 2 ij 52 60 + 30 + 40 + 92 2 + 52 2 + 80 2 2 2 2 = 0.41573 n53 = x53 ∑x j =1 m = 2 ij 58 22 + 31 + 20 2 + 60 2 + 58 2 + 4 2 2 2 = 0.04258 75 .61741 n54 = x54 ∑x j =1 m = 2 ij 90 51 + 13 + 58 + 36 2 + 90 2 + 75 2 2 2 2 = 0.

520 C2 0. Tako da težinska normalizovana matrica odlučivanja glasi: A1 A2 A3 A4 A5 A6 C1 0.196 C3 0.47969 0.416 0. TN = N ⋅ T U ovom slučaju.09 0.490 C3 0.399 0.35064 0.026 0.160 0.055 C4 0.039 0.028 0.078 76 .054 0.192 0.400 0.14) Zbir elemenata ovog vektora je jednak jedinici.093 0.166 0.639 0.248 0.013 0.746 0.195 0.1134 C5 0.136 0.22 0.074 0.023 0.093 0.077 0. matrica težinskih koeficijenata je: T: = ( 0.047 0.104 0.062 C2 0.139 0.089 0.346 0.617 0.12 0.560 A1 A2 A3 A4 A5 A6 korak 2: Izračunavanje težinske normalizovane matrice odlučivanja TN Donosilac odluke aktivno učestvuje u proceduri rešavanja problema i odre uje preference.031 0.n64 = x64 ∑x j =1 m = 2 ij 75 51 + 13 + 58 + 36 2 + 90 2 + 75 2 2 2 2 = 0.111 0.260 0.12 0.041 0.516 C5 0.23419 0.277 0.330 0. posle čega se izračunava težinska normalizovana matrica odlučivanja.338 0.28 0.02 0. odnosno težine korisničkih kriterijuma.598 0.072 0.51565 Normalizovana matrica odlučivanja glasi: C1 0.077 0.013 0.04 0.390 0.187 0.026 0.619 0.043 C4 0.40 0.213 0.

3.3 2.5 1.3.3.2.5 2..3.5 3.5 2.5 2.4.5 3.4.3.2.korak 3: Odre ivanje skupova saglasnosti S i nesaglasnosti NS U ovom koraku upore uju se parovi akcija p i r (p.4.4 2.5 2.3. znak jednakosti je suprotan. 2.5 2. 2.n}).2.5 2. 5 1.5 1.5 1.3 3 3.4. Zatim se formira komplementaran skup nesaglasnosti: NSpr = J . 3.5 1. 2 1.5 1.5 1.4.4 2.3.4 2.4 2 1 1 3 2 1.4..4.4 2 Skup nesaglasnosti 1..4.3.4.5 1.4 2.Spr = {j | xpj < xrj} Akcija p 1 1 1 1 1 2 2 2 2 2 3 3 3 3 3 4 4 4 4 4 5 5 5 5 5 6 6 6 6 6 Akcija r 2 3 4 5 6 1 3 4 5 6 1 2 4 5 6 1 2 3 5 6 1 2 3 4 6 1 2 3 4 5 Skup saglasnosti 2.4.3..r = 1.3.4 1.5 1....4.3.5 3.2.5 2.4.2.5 2.m i p ≠ r).5 1.4 2.3.4. 4. koji se sastoji od svih kriterijuma (J = {j|j=1. odnosno: Spr = {j | xpj ≥ xrj} Ukoliko se radi o kriterijumu tipa minimizacije.3.5 2.4.3 1.. 4. za koje je akcija ap poželjnija od akcije ar.2.3.4 1.5 1 1.5 1.3 1.2.5 77 .3. 1.5 1.5 1. 1.4.3.3.4.3.5 1.4 1.4 1.5 1. Najpre se formira skup saglasnosti Spr za akcije ap i ar.4.5 2.3.5 2.

26 S26=t1+t3+t5=0.14=0.22+0.12+0.14=0.12 S36= t1+t3+t5=0.14=0.88 S53= t2+t3+t4+t5=0.12+0.12+0.12+0.48 S32=t2+t4=0.52 S44=0 S45=t3=0.12=0.22+0.40+0.38 S24=t1+t5=0.14=0. s pr = ∑t j∈S pr j Za dati primer indeksi saglasnosti jednaki su: S11=0 S12=t2+t4=0.12 S46= t3+t5=0.12+0.40+0.40 S16=t1+t3=0.60 S52= t2+t3+t4+t5=0.12+0.74 S43= t2+t3=0.12+0.14=0.62 S64= t1+t2+t4=0.26 S25=t1+t5=0.12+0.26 S42=t2+t3+t4=0.76 S62= t2+t4=0.38 S22=0 S23=t1+t3+t5=0.40+0.14=0.12+0.40+0.62 S63= t2+t4=0.38 S41= t3+t5=0.12+0.14=0.62 S13=t2+t3=0.22=0.14=0.12+0.88 S54= t1+t2+t4+t5=0.14=0.60 S61= t2+t4+t5=0.22=0.48 S35=t1=0. Elemente matrice čine indeksi saglasnosti. čija je vrednost jednaka sumi težinskih koeficijenata koji odgovaraju pripadajućim elementima skupova saglasnosti.26 S51= t1+t3+t4+t5=0.40+0.12+0.12+0.12=0.12+0.12+0.40 S66=0 78 .14=0.40+0.14=0.22+0.40+0.14=0.62 S33=0 S34= t1+t4+t5=0.40+0.52 S14=t1+t2+t4=0.12+0.22=0.74 S65= t2=0.14=0.22+0.12+0.22=0.22+0.40+0.38 S31=t1+t4+t5=0.40+0.12=0.24 S21=t1+t3+t5=0.74 S15=t2=0.12+0.40+0.22=0.40+0.12+0.12+0.12+0.88 S55=0 S56= t1+t3+t4+t5=0.14=0.14=0.12+0.12+0.22=0.22+0.12+0.22=0.korak 4: Odre ivanje matrice saglasnosti MS Matrica saglasnosti odre uje se na osnovu skupa saglasnosti.12+0.14=0.40+0.22+0.22+0.

62 A3 0.60 0 korak 5: Odre ivanje matrice nesaglasnosti MNS Matrica nesaglasnosti odre uje se na osnovu skupa nesaglasnosti.12 0. tn15 − tn 45 ) ns14 = max ( tn11 − tn 41 .12 0 0.48 0 0.26 0.62 A4 0. Elemente matrice čine indeksi nesaglasnosti.38 0.62 0 0.48 0.52 0. tn12 − tn 42 .62 0. tn13 − tn 23 .24 0.76 A2 0. tn12 − tn 22 . tn14 − tn 44 .38 0 0.40 A6 0.74 0.52 0. max ( tn11 − tn 21 .26 0. tn15 − tn 25 ns12 = 1 max ( tn11 − tn31 . koji se odre uju na osnovu formule: ns pr = max tn pj − tn rj j∈NS pr j∈J max tn pj − tn rj gde je tn – element težinske normalizovane matrice odlučivanja. tn15 − tn35 ns13 = j∈NS13 j∈J ) max ( tn11 − tn31 . tn13 − tn 23 . tn14 − tn 24 . tn12 − tn32 . tn14 − tn34 .26 0. tn13 − tn 43 . tn15 − tn 25 ns12 = j∈NS12 j∈J ) ) max ( tn11 − tn 21 . tn15 − tn 45 j∈J j∈NS14 ) ns14 = 1 79 .88 0.74 0. tn14 − tn34 .38 0.40 0. tn13 − tn33 .74 A5 0.38 0.26 0. tn15 − tn35 ) ns13 = 1 max ( tn13 − tn 43 .Matrica saglasnosti: A1 A2 A3 A4 A5 A6 A1 0 0.88 0.60 0.88 0.

tn25 − tn15 ns 21 = 0. tn23 − tn13 . tn24 − tn34 . tn24 − tn44 . tn22 − tn62 . tn15 − tn65 ) j∈J j ∈ NS16 ns16 = ns16 = 1 max ( tn22 − tn12 . tn23 − tn43 . tn23 − tn63 . tn22 − tn42 . tn22 − tn32 . tn24 − tn64 . tn 24 − tn14 ns 21 = j∈NS 21 j∈J ) ) max( tn21 − tn11 . tn24 − tn54 . tn24 − tn34 ns 23 = j∈NS 23 j∈J ) ) max( tn21 − tn31 . tn24 − tn44 . tn13 − tn63 . tn23 − tn43 . tn25 − tn65 ) j∈J j∈NS26 ns26 = ns 26 = 1 80 . tn23 − tn43 . tn13 − tn53 . tn12 − tn62 . tn12 − tn62 . tn14 − tn54 tn15 − tn55 ) max( tn11 − tn51 . tn22 − tn12 . tn22 − tn52 .ns15 = max ( tn11 − tn51 . tn25 − tn45 ) j∈J j∈NS 24 ns 24 = 1 max ( tn22 − tn42 . tn12 − tn52 . tn23 − tn33 . tn14 − tn64 . tn25 − tn55 ) max( tn21 − tn51 . tn13 − tn53 . tn14 − tn54 . tn24 − tn64 ) max( tn21 − tn61 . tn25 − tn35 ns 23 = 1 max ( tn22 − tn42 . tn15 − tn55 ) j∈ J j∈ NS15 ns15 = 1 max ( tn11 − tn51 . tn25 − tn55 ) j∈ J j∈ NS 25 ns25 = ns 25 = 1 max ( tn22 − tn62 . tn14 − tn64 tn15 − tn65 ) max ( tn11 − tn61 . tn23 − tn53 . tn24 − tn44 ) ns 24 = max( tn21 − tn41 .887 max ( tn22 − tn32 . tn24 − tn14 .

tn42 − tn12 . tn44 − tn14 ) max ( tn41 − tn11 . tn35 − tn55 ) max( tn31 − tn51 . tn33 − tn13 . tn35 − tn45 ) j∈ J ns34 = 1 max ( tn32 − tn52 . tn35 − tn15 ) j∈ J j ∈ NS 31 ns 31 = 0. tn32 − tn62 . tn34 − tn44 . tn34 − tn64 .490 max ( tn41 − tn21 . tn43 − tn23 . tn45 − tn25 ) j∈J j∈NS42 ns 42 = 0. tn32 − tn42 . tn44 − tn24 . tn34 − tn54 . tn33 − tn43 ) max( tn31 − tn41 . tn43 − tn13 .ns31 = max ( tn32 − tn12 . tn32 − tn22 .206 j∈ NS 34 ns34 = max ( tn32 − tn42 .986 81 . tn35 − tn55 ) j∈ J j ∈ NS 35 ns35 = ns35 = 1 max ( tn32 − tn62 . tn34 − tn64 ) max ( tn31 − tn61 . tn45 − tn15 ) j∈J j ∈ NS 41 ns41 = ns 41 = 0. tn42 − tn12 . tn35 − tn65 ) j∈J j∈NS36 ns36 = ns36 = 1 max ( tn41 − tn11 . tn33 − tn63 . tn33 − tn53 . tn34 − tn24 . tn33 − tn23 . tn45 − tn25 ) ns 42 = max( tn41 − tn21 . tn33 − tn13 ) max( tn31 − tn11 . tn32 − tn52 . tn32 − tn12 . tn34 − tn54 . tn34 − tn14 . tn33 − tn53 .680 max ( tn31 − tn21 . tn33 − tn43 . tn33 − tn23 tn35 − tn25 ) ns32 = max( tn31 − tn21 . tn44 − tn14 . tn35 − tn25 ) j∈ J j∈ NS 32 ns32 = 0. tn42 − tn22 .

tn44 − tn54 .794 max ( tn41 − tn51 . tn42 − tn52 tn44 − tn54 tn45 − tn55 ) max ( tn41 − tn51 . tn53 − tn23 . tn43 − tn63 .280 max ( tn51 − tn21 ) max ( tn51 − tn21 . tn52 − tn42 . tn55 − tn25 ) j∈J j∈NS52 ns52 = ns52 = 0.147 max ( tn51 − tn31 ) max ( tn51 − tn31 . tn52 − tn12 . tn53 − tn63 . tn55 − tn15 ) j∈ J j∈ NS 51 ns51 = ns 51 = 0. tn45 − tn65 ) j∈J ns 46 = 0. tn55 − tn65 ) j∈J j∈NS56 ns56 = 82 . tn54 − tn64 . tn52 − tn32 . tn52 − tn62 . tn54 − tn14 . tn42 − tn52 . tn53 − tn43 .ns43 = max ( tn41 − tn31 . tn55 − tn35 ) j∈J j∈NS53 ns53 = ns53 = 0. tn42 − tn32 . tn43 − tn53 .193 max ( tn53 − tn43 ) max ( tn51 − tn41 . tn43 − tn33 . tn45 − tn55 ) j∈J j∈NS45 ns45 = ns 45 = 1 j ∈ NS 46 ns46 = max ( tn41 − tn61 . tn53 − tn33 . tn44 − tn64 . tn44 − tn34 tn45 − tn35 ) max( tn41 − tn31 . tn45 − tn35 ) j∈ J j ∈ NS 43 ns 43 = 0. tn42 − tn62 tn44 − tn64 ) max ( tn41 − tn61 . tn54 − tn44 . tn44 − tn34 . tn54 − tn34 . tn55 − tn45 ) j∈J j∈NS54 ns54 = ns54 = 0.031 max ( tn52 − tn62 ) max ( tn51 − tn61 . tn54 − tn24 . tn52 − tn22 . tn53 − tn13 . tn42 − tn62 .825 max ( tn52 − tn12 ) max( tn51 − tn11 .

000 1. tn62 − tn42 .000 1. tn65 − tn25 ) max ( tn61 − tn21 .000 1.ns56 = 0. tn63 − tn23 .433 0 .794 0. tn65 − tn5 ) max ( tn61 − tn51 . tn64 − tn24 . tn64 − tn14 .696 A3 1. tn64 − tn44 . tn65 − tn45 ) j∈J j∈NS64 ns64 = ns 64 = 1 max ( tn61 − tn51 tn63 − tn53 .000 1.000 0 0.433 max ( tn61 − tn11 . tn65 − tn55 ) j∈J j∈NS65 ns65 = ns 65 = 1 Matrica nesaglasnosti: A1 A2 A3 A4 A5 A6 A1 0 0.907 83 A4 1. tn62 − tn22 .000 A5 1. tn64 − tn54 .000 0. tn65 − tn45 ) max( tn61 − tn41 .280 0.696 max ( tn61 − tn31 . tn63 − tn43 .633 max ( tn61 − tn21 .825 0.193 0.031 1. tn65 − tn25 ) j∈J j ∈ NS 61 ns62 = ns 62 = 0.887 0. tn62 − tn52 . tn65 − tn35 ) max ( tn61 − tn31 . tn63 − tn23 .490 0.147 0.000 1. tn65 − tn15 ) j∈J j∈NS61 ns61 = ns 61 = 0. tn63 − tn53 .907 max ( tn63 − tn43 .000 A6 1.000 0 0.206 0.000 1. tn64 − tn54 .633 A2 1. tn63 − tn13 ) max( tn61 − tn11 .000 0 1. tn65 − tn35 ) j∈J j∈NS61 ns63 = ns 63 = 0. tn63 − tn33 .986 0.000 1. tn62 − tn32 . tn62 − tn12 . tn63 − tn33 .000 1.00 0 0. tn63 − tn13 .680 0. tn64 − tn34 .

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 prosečni indeks saglasnosti:

∑∑s
PIS =
p =1 r =1

m

m

pr

m(m − 1)

pri čemu je p ≠ r. Potom se formira matrica saglasne dominacije na osnovu sledećeg kriterijuma:
msdpr = 1 za spr ≥ PIS msdpr = 0 za spr < PIS

U ovom slučaju, PIS = = 0 + 0.62 + 0.52 + 0.74 + 0.40 + 0.24 + 0.38 + 0 + 0.38 + ... + 0.74 + 0.40 + 0 6(6 − 1)

15.14 =0.505 30 Matrica saglasne dominacije:

A1 A2 A3 A4 A5 A6

A1 0 0 0 0 1 1

A2 1 0 1 1 1 1

A3 1 0 0 1 1 1

A4 1 0 0 0 1 1

A5 0 0 0 0 0 0

A6 0 0 0 0 1 0

korak 7: Odre ivanje matrice nesaglasne dominacije MNSD Matrica nesaglasne dominacije izračunava se analogno MSD; najpre se računa prosečan indeks nesaglasnosti:

∑ ∑ ns
PINS =
p =1 r =1

m

m

pr

m(m − 1)

pri čemu je p ≠ r. 84

Potom se formira matrica nesaglasne dominacije na osnovu sledećeg kriterijuma:
mnsdpr = 1 za nspr ≤ PINS mnsdpr = 0 za nspr > PINS

U ovom slučaju je: PINS=
0 + 1 + 1 + 1 + 1 + 1 + 0.887 + 0 + 1 + ..... + 0.907 + 1 + 1 + 0 21.712 = =0.724 6(6 − 1) 30

A1 A2 A3 A4 A5 A6

A1 0 0 1 1 1 1

A2 0 0 1 0 1 1

A3 0 0 0 0 1 0

A4 0 0 0 0 1 0

A5 0 0 0 0 0 0

A6 0 0 0 0 1 0

korak 8: Odre ivanje matrice agregatne dominacije MAD Elementi matrice agregatne dominacije jednaki su proizvodu elemenata na odgovarajućoj poziciji u matricama saglasne i nesaglasne dominacije:
ad pr = sd pr ⋅ nsd pr

tako da, u ovom slučaju, matrica ima sledeće vrednosti: Matrica agregatne dominacije a1 0 0 0 a2 0 0 1 a3 0 0 0 1 1 1 1 1 0 a1 ne dominira ni nad jednom akcijom a2 ne dominira ni nad jednom akcijom a3 dominira nad: a2 a4 ne dominira ni nad jednom akcijom a5 dominira nad akcijama: a1, a2, a3, a4, a6 a6 dominira nad akcijama: a1, a2 0 0 0 a4 1 0 0 0 0 0 a5 0 0 0 0 0 1 a6

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 značaj korišćenih parametara, i potpuno odsustvo pratećih efekata rangiranja. U ovaj metod autori su uveli tzv. “opšte” kriterijume, jer su na osnovu iskustva došli do zaključka da se oni mogu koristiti pri rešavanju većine realnih problema višeatributivnog odlučivanja. Dodelili su im odgovarajuće 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 poslužiće napred dati primer.

1. zadatak. Kupac privatnog automobila je u situaciji da bira izme u četiri modela: a1, a2, a3 i

a4. Izbor će izvršiti koristeći sledeće kriterijume: A1 – maksimalna brzina (km/h) A2 – potrošnja goriva (milja/galonu, pa se zato maksimizira) A3 – mogućnost opterećenja (kp) A4 – cena (107 din) A5 – pouzdanost (kvalitativna ocena) A6 – sposobnost manevrisanja (kvalitativna ocena) Početna matrica odlučivanja ima oblik:

Koristeći 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 odlučivanja je u potpunosti kvantifikovana:

86

U ovom slučaju. parametara i težina kriterijuma Donosioc odluke aktivno učestvuje u proceduri rešavanja problema i odre uje tipove opšteg kriterijuma. donosilac odluke je izabrao sledeće parametre: 87 . parametre i težine korisničkih kriterijuma.korak 1: Definisanje tipa.

88 .Tabela 17.

2. j = 1. razmatrajući svaki kriterijum kj. i.….4.6.3. as) Funkcija preferencije odre uje se na osnovu razlike vrednosti kriterijuma odre ene alternative ai sa ostalim alternativama as. s = 1.korak 2: Odre ivanje funkcija preferencije Pj(ai. 89 .

as) jednak je sumi proizvoda težine kriterijuma i vrednosti funkcije preferencije: U ovom slučaju. as) Indeks preferencije za razmatrani par akcija (ai. indeksi preferencija jednaki su: 90 .korak 3: Odre ivanje indeksa preferencija IPj(ai.

ulazni tokovi jednaki su: Za odre ivanje izlaznog toka akcije koristi se izraz: 91 .korak 4: Odre ivanje ulaznih i izlaznih tokova akcija Za odre ivanje ulaznog toka akcije koristi se izraz: U ovom slučaju.

92 .Tako da su izlazni tokovi jednaki: korak 5: Odre ivanje parova potpunih poredaka Odre ivanje parova potpunih poredaka vrši se na osnovu sledećih nejednačna i jednačina: U ovom slučaju.

93 .

94 . as) važi: Akcija ai ima viši rang od as. II. (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 slučajevima. R) Za razmatrani par akcija (ai. odnosno.korak 6: Odre ivanje parcijalnih poredaka svih akcija ( PI.

U ovom slučaju. 95 .

korak 7: Odre ivanje matrice viših rangova Matricu viših rangova čine elementi 1 i 0 koji zadovoljavaju uslov: e = 1 za ai PI as. u suprotnom Tako da je matrica viših rangova za dati primer: 96 . tj. ai ima viši rang od as e = 0.

Iz matrice viših rangova vidi se sledeće: a1 → (a2. akcija a3 dominira nad akcijom a2 a4 → (a2. tj. a3 i a4 a2 ne dominira a3 → a2. Graf višeg ranga po metodu PROMETHEE I PROMETHEE II korak 9: Odre ivanje čistih tokova akcija U ovom koraku računa sa razlika ulaznog i izlaznog toka svake od akcija. Slika 3. tj. prikazan je graf višeg ranga po metodu PROMETHEE I. akcija a1 dominira nad akcijama a2. a3. a4). akcija a4 dominira nad akcijama a2 i a3 korak 8: Konstrukcija grafa višeg ranga Na slici 15. tj. a3). korak 10: Rangiranje akcija prema veličini čistih tokova 97 .

I). zadatak. 14. putem pošte i emitovanjem TV spotova na CMM ili NCB kanalu. u novinama Herald. Razmatraju se šest mogućih načina reklamiranja: u internacionalnim novinama News. prikazan je graf višeg ranga po metodu PROMETHEE II. Kompanija planira da promoviše svoj proizvod. efikasnost ( izražena na skali 0-100) i broj angažovanih ljudi iz kompanije tokom promocije. Svaki mogući način promocije proizvoda tj. 2. Za svaki kriterijum koristiti običnu funkciju preferencije tj. Primenom PROMETHEE II metode izvršiti rangiranje alternativa. Slika 4. običan kriterijum (tip. svaka raspoloživa alternativa se ocenjuje na osnovu 5 kriterijuma-atributa: cena (izražena u 1000 US$). Težinski koeficijenti dodeljeni svakom atributu su redom: 12. 22. Graf višeg ranga po metodu PROMETHEE II Očigledno je da akcija a1 dominira nad svim ostalim akcijama. 12. 98 . trajanje promocije ( u danima). veličina ciljnog auditorijuma ( izražena kao x*10 000 primalaca poruke). reklamiranje putem bilborda postavljenim u većim gradovima.Na slici 4. 40.

Tabela.12 C2 max 900 520 650 750 780 920 0. 99 . koef. I): -broj parametara koje treba definisati u slučaju običnog kriterijuma: 0 -težine kriterijuma su date u tekstu zadatka.obična funkcija preferencije tj. običan kriterijum (tip.12 C4 max 51 13 58 36 90 75 0. min 8 1 2 3 1 6 korak 1: Definisanje tipa.40 C3 max 22 31 20 60 58 4 0. 18. parametara i težina kriterijuma Polazna tabela: Tip ekstrema a1 a2 a3 a4 a5 a6 Tez. Polazni podaci C1 atribut Cena min/max News Herald Panels Mailing CMM NCB Rešenje: C2 Veličina auditorijuma max 900 520 650 750 780 920 C3 Trajanje promocije max 22 31 20 60 58 4 C4 Efikasnost max 51 13 58 36 90 75 min 60 30 40 92 52 80 C5 Broj angažovanih osoba. C1 min 60 30 40 92 52 80 0.22 C5 min 8 1 2 3 1 6 0.14 .

korak 2: Odre ivanje vrednosti funkcija preferencije Pj(ai, as) za svaki par akcija po

svakom kriterijumu

kj k1 tip 1(min)

ai

k2 tip 1

K3 tip 1

1

K4 tip 1

K5 tip 1 (min)

as 2 3 4 5 6 2 3 4 5 6 2 3 4 5 6 2 3 4 5 6 2 3 4 5 6

x=kj(ai)-kj(as) 60-30=30 60-40=20 60-92=-32 60-52=8 60-80=-20 900-520=380 900-650=250 900-750=150 900-780=120 900-920=-20 22-31=-9 22-20=2 22-60=-38 22-58=-36 22-4=18 51-13=38 51-58=-7 51-36=15 51-90=-39 51-75=-24 8-1=7 8-2=6 8-3=5 8-1=7 8-6=2

Pj(ai,as) 0 0 1 0 1 1 1 1 1 0 0 1 0 0 1 1 0 1 0 0 0 0 0 0 0

100

kj k1 tip 1(min)

ai

k2 tip 1

K3 tip 1

2

K4 tip 1

K5 tip 1 (min)

as 1 3 4 5 6 1 3 4 5 6 1 3 4 5 6 1 3 4 5 6 1 3 4 5 6

X=kj(ai)-kj(as) 30-60=-30 30-40=-10 30-92=-62 30-52=-22 30-80=-50 520-900=-380 520-650=-130 520-750=-230 520-780=-260 520-920=-400 31-22=9 31-20=11 31-60=-29 31-58=-27 31-4=27 13-51=-38 13-58=-45 13-36=-23 13-90=-77 13-75=-62 1-8=-7 1-2=-1 1-3=-2 1-1=0 1-6=-5

Pj(ai,as) 1 1 1 1 1 0 0 0 0 0 1 1 0 0 1 0 0 0 0 0 1 1 1 1 1

101

kj k1 tip 1(min)

ai

k2 tip 1

K3 tip 1

3

K4 tip 1

K5 tip 1 (min)

as 1 2 4 5 6 1 2 4 5 6 1 2 4 5 6 1 2 4 5 6 1 2 4 5 6

X=kj(ai)-kj(as) 40-60=-20 40-30=10 40-92=-52 40-52=-12 40-80=-40 650-900=-250 650-520=130 650-750=-100 650-780=-130 650-920=-270 20-22=-2 20-31=-11 20-60=-40 20-58=-38 20-4=16 58-51=7 58-13=45 58-36=22 58-90=-32 58-75=-17 2-8=-6 2-1=1 2-3=-1 2-1=1 2-6=-4

Pj(ai,as) 1 0 1 1 1 0 1 0 0 0 0 0 0 0 1 1 1 1 0 0 1 0 1 0 1

102

kj k1 tip 1(min) ai k2 tip 1 K3 tip 1 4 K4 tip 1 K5 tip 1 (min) as 1 2 3 5 6 1 2 3 5 6 1 2 3 5 6 1 2 3 5 6 1 2 3 5 6 X=kj(ai)-kj(as) 92-60=32 92-30=62 92-40=52 92-52=40 92-80=12 750-900=-150 750-520=230 750-650=100 750-780=-30 750-920=-170 60-22=38 60-31=29 60-20=40 60-58=2 60-4=56 36-51=-15 36-13=23 36-58=-22 36-90=-54 36-75=-39 3-8=-5 3-1=2 3-2=1 3-1=2 3-6=-3 Pj(ai.as) 0 0 0 0 0 0 1 1 0 0 1 1 1 1 1 0 1 0 0 0 1 0 0 0 1 103 .

kj k1 tip 1(min) ai k2 tip 1 K3 tip 1 5 K4 tip 1 K5 tip 1 (min) as 1 2 3 4 6 1 2 3 4 6 1 2 3 4 6 1 2 3 4 6 1 2 3 4 6 X=kj(ai)-kj(as) 52-60=-8 52-30=22 52-40=12 52-92=-40 52-80=-28 780-900=-120 780-520=260 780-650=130 780-750=30 780-920=-140 58-22=36 58-31=27 58-20=38 58-60=-2 58-4=54 90-51=39 90-13=77 90-58=32 90-36=54 90-75=15 1-8=-7 1-1=0 1-2=-1 1-3=-2 1-6=-5 Pj(ai.as) 1 0 0 1 1 0 1 1 1 0 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 104 .

22*1+0.12*0+0.12*0+0.12*1+0.a5)=0.a6)=0.22*0+0.12*1+0.a4)=0.22*0+0.40*1+0.74 IP(a1.kj k1 tip 1(min) ai k2 tip 1 K3 tip 1 6 K4 tip 1 K5 tip 1 (min) as 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 X=kj(ai)-kj(as) 80-60=20 80-30=50 80-40=40 80-92=-12 80-52=28 920-900=20 920-520=400 920-650=270 920-750=170 920-780=140 4-22=-18 4-31=-27 4-20=-16 4-60=-56 4-58=-54 75-51=24 75-13=62 75-58=17 75-36=39 75-90=-15 6-8=-2 6-1=5 6-2=4 6-3=3 6-1=5 Pj(ai.12*0+0.40*1+0.12*0+0.22*1+0.12*0+0. as) jednak je sumi proizvoda težine kriterijuma i vrednosti funkcije preferencije: U ovom slučaju.40*0+0.14*0=0.62 IP(a1.40*1+0.14*0=0.a2)=0.12*1+0.a3)=0.14*0=0.14*0=0.4 IP(a1.12*1+0.24 105 . as) Indeks preferencije za razmatrani par akcija (ai.22*0+0.40*1+0.14*0=0.52 IP(a1.12*0+0.as) 0 0 0 1 0 1 1 1 1 1 0 0 0 0 0 1 1 1 1 0 1 0 0 0 0 korak 3: Odre ivanje indeksa preferencija IPj(ai. indeksi preferencija jednaki su: IP(a1.

12*0+0.a2)= 0.12*0+0.12*1+0.24 0.14*0=0.48 IP(a3.12*0+0.52 0.40*0+0.22*1+0.88 IP(a5.12*1+0.38 0.26 IP(a2.52 IP(a4.88 IP(a5.40*0+0.a4)= 0.a3)= 0.12 IP(a4.12*1+0.12*0+0.6 0 106 .74 0.14*1=0.14*0=0.12*1+0.a1)= 0.22*1+0.38 IP(a3.22*0+0.12*1+0.12*1+0.22*0+0.IP(a2.a3)= 0.26 0.22*1+0.14*1=0.a1)= 0.22*0+0.12 0 0.6 IP(a6.40*1+0.a3)= 0.22*1+0.22*0+0.12*0+0.12*1+0.12*1+0.40*0+0.26 IP(a4.40*0+0.40*0+0.14*1=0.26 0.12*0+0.38 0.38 0 0.14*0=0.22*0+0.12*0+0.a4)= 0.40*1+0.74 IP(a6.40*0+0.88 0.48 0.14*1=0.a6)= 0.12*1+0.88 IP(a5.22*0+0.62 IP(a6.12*0+0.12*1+0.22*1+0.14*0=0.12*0+0.a4)= 0.a2)= 0.22*1+0.40*1+0.12*1+0.76 IP(a6.40*0+0.14*1=0.40*1+0.12*1+0.40*1+0.52 0.26 IP(a5.14*1=0.22*1+0.12*1+0.12*1+0.14*1=0.a1)= 0.a5)= 0.22*0+0.14*1=0.a3)= 0.62 0.40*0+0.74 a5 0.a5)= 0.a1)= 0.4 a1 a1 a2 a3 a4 a5 a6 0 0.12*0+0.12*1+0.a6)= 0.12*1+0.a6)= 0.22*0+0.14*1=0.38 IP(a2.14*1=0.12*0+0.12*1+0.a4)= 0.12 IP(a3.22*0+0.62 a3 0.12*1+0.14*1=0.14*0=0.6 0.38 IP(a2.62 a4 0.14*1=0.40*0+0.a6)= 0.40*1+0.22*1+0.a2)= 0.14*1=0.12*0+0.22*0+0.4 a6 0.4 0.40*1+0.14*0=0.12*1+0.40*0+0.62 IP(a3.a2)= 0.12*0+0.12*1+0.48 0 0.a1)= 0.26 0.76 a2 0.14*0=0.a5)= 0.38 0.22*1+0.12*0+0.a5)= 0.40*1+0.12*0+0.14*0=0.74 IP(a4.40*0+0.14*1=0.40*1+0.88 0.12 0.26 0.14*0=0.14*1=0.88 0.12*0+0.22*0+0.62 0 0.12*0+0.62 IP(a6.40*0+0.22*0+0.12*1+0.12*1+0.40*1+0.12*0+0.22*1+0.12*1+0.12*0+0.6 IP(a5.12*0+0.26 IP(a2.12*0+0.12*0+0.40*1+0.12*1+0.12*0+0.12*1+0.40*0+0.40*0+0.38 IP(a4.12*1+0.48 IP(a3.22*1+0.22*1+0.74 0.12*0+0.14*1=0.22*1+0.

korak 4: Odre ivanje ulaznih i izlaznih tokova akcija Za odre ivanje ulaznog toka akcije koristi se izraz: T+(a1)= T+(a2)= T+(a3)= T+(a4)= T+(a5)= T+(a6)= 0 + 0.38 + 0.52 + 0 + 0.6 =0.62 + 0.88 + 0.26 + 0.88 + 0.42 6 −1 0.4 + 0.38 =0.74 + 0.62 + 0.6 + 0.63 6 −1 Za odre ivanje izlaznog toka akcije koristi se izraz: Tako da su izlazni tokovi jednaki: T-(a1)= T-(a2)= 0 + 0.62 + 0 + 0.12 + 0.24 =0.26 + 0.88 + 0 + 0.76 + 0.48 + 0.38 + 0 + 0.74 + 0.88 + 0.38 + 0.52 + 0.70 6 −1 107 .62 + 0.62 + 0.76 =0.74 + 0.62 =0.26 + 0.74 + 0.38 =0.33 6 −1 0.26 =0.12 + 0.62 + 0 + 0.6 + 0.48 + 0.26 + 0.48 + 0.50 6 −1 0.77 6 −1 0.4 + 0 =0.38 6 −1 0.50 6 −1 0.

T+ 0.58 6 −1 0.4 + 0. a4.T-(a3)= T-(a4)= T-(a5)= T-(a6)= 0. News.62 0.63 T0.37 -0.50 0.48 + 0 + 088 + 0.26 + 0.37 6 −1 Odre ivanje čistih tokova akcija U ovom koraku računa sa razlika ulaznog i izlaznog toka svake od akcija. a3.6 + 0 =0.26 + 0.51 0. NCB.38 + 0 + 0. a6.16 -0.52 + 0.77 0. a1.38 + 0. a2 (CMM. Mailing.24 0.26 a1 a2 a3 a4 a5 a6 Redosled alternativa: a5.74 + 0.38 + 0.38 0.12 + 0.12 + 0 + 0.58 0.52 + 0.26 6 −1 0. Herald) 108 .62 =0.50 0.74 =0.26 0.70 0.26 + 0.24 + 0.62 6 −1 0.4 =0.42 0.37 T 0 -0. Panels.33 0.88 + 0.

3-zadovoljavajuća. dok su kriterijumi lokacija i konkurencija kvalitativni kriterijumi.Primena DECISION LAB programa Recimo da firma želi da iznajmi poslovni prostor na osnovu sledeća četiri kriterijuma: ukupnih mesečnih troškova. 3-srednja. 4-dobra. Na tržištu se trenutno nudi pet poslovnih prostora: A. lokacija-30. Neke kriterijume je potrebno minimizirati (troškovi. Pored težinskih faktora. B. 2-slaba. kvadratura u m2. Vrednosti alternativa po datim kriterijumima su prikazani u narednoj tabeli 19. dok je najmanje važan kriterijum površina sa težinom 15. Nešto manje značajan kriterijum je konkurencija sa dodeljenom težinom 25. 4-jaka. Troškovi su izraženi u evrima. C. kvadratura). lokacije. dodelio pojedinim kriterijumima. D i E. Za kvantifikovanje kvalitativnih vrednosti kriterijuma lokacija korišćena je petocifrena skala sa sledećim značenjima: 1-veoma loša. dok su za kriterijum konkurencija ocene imale značenje: 1-veoma slaba. Ova dva kriterijuma su istovremeno njemu i najznačajniji pri izboru. 2-loša. U sledećoj tabeli su prikazani tipovi funkcija preferencije. 109 . parametri i težine koje je donosilac odluke. Tabela 19. 5-veoma jaka. konkurencija). kvadrature i konkurencije. 5-veoma dobra. kvadratura-15 i konkurencija-25. dok je ostale potrebno maksimizirati (lokacija. Vrednosti dodeljenih težina ukazuju da će donosilac odluke u procesu odlučivanja podjednako vrednovati kriterijume troškovi i lokacija. nakon analize problema. donosilac odluke mora biti u stanju da svakom kriterijumu dodeli odgovarajuću funkciju preferencije. Polazni podaci za dati problem odlučivanja prikazani u evulacionoj tabeli kriterijum alternativa troškovi lokacija kvadratura konkurencija A 420 3 50 3 B 580 4 70 5 C 520 4 80 4 D 480 4 70 2 E 600 3 90 2 Donosilac odluke je dodelio sledeće težine kriterijumima: troškovi-30.

alternative A i E su me usobno neuporedive alternative. 110 . Alternativa A ima veću ukupnu snagu u odnosu na alternativu E ( φ + ( A) > φ + (E ) ) ali istovremeno i veću ukupnu slabost ( φ − ( A) > φ − (E ) ). Obe metode pružaju jaku podršku donosiocu odluke u procesu rešavanja problema. koji rezultate prezentuje grafički. Slika 5. može se zaključiti da je kompletni poredak alternativa sledeći: D→C→A→E→B. PROMETHEE I rangiranje PROMETHEE II metoda omogućuje donosiocu odluke mogućnost kompletnog rangiranja alternativa kako je prikazano na slici 6. uočljivo je da alternativa D dominira nad svim ostalim alternativama. Sa druge strane. Sa dobijenog grafika na slici 5. PROMETHEE I ne upore uje konfliktne akcije.odgovarajući parametri i težine kriterijum min/max tip parametar težina troškovi min 3 (V-kriterijum) 70 30 lokacija max 1 (običan kriterijum) 30 20 15 kvadratura max 3 (V-kriterijum) konkurencija min 1 (običan kriterijum) 25 Za proračun po navedenom primeru. Na osnovu proračunatih pozitivnih i negativnih tokova preferencije izvršeno je parcijalno rangiranje po PROMETHEE I metodi (slika 4).Tabela 20. Dodeljene funkcije preferencije. Na osnovu toga. korišćen je Decision Lab softver [6].

111 . Slika 7. Na ovaj način donosilac odluke može jednostavno sprovesti analizu osetljivosti dobijenih rezultata. prikazana je GAIA ravan za analizirani problem odlučivanja.Slika 6. WALKING WAIGHTS opcija kojom se sprovodi analiza osetljivosti rezultata Na slici 8. Specijalna opcija softvera nazvana THE WALKING WEIGHTS omogućava da se modifikuju početne težine i da se posmatraju rezultujuće promene rangiranja (slika 7). PROMETHEE II rangiranje Očigledno je da PROMETHEE I i PROMETHEE II metode vrše rangiranje alternativa na osnovu izabranih težina pojedinih kriterijuma.

GAIA ravan za dati problem odlučivanja Na osnovu položaja alternativa i kriterijuma vidljivo je da su svi navedeni kriterijumi medjusobno veoma konflitni (različiti pravci osa). D i E u odnosu na kriterijum konkurencija. Pravac vektora π jasno ukazuje da je najoptimalniji izbor alternativa D. Tako je na primer vidljivo da su alternative D i A posebno dobre po kriterijumu troškovi. 112 .Slika 8. Pojedine alternative su veoma dobre po odre enim kriterijumima (njihove tačke su pozicionirane u smeru odre enog kriterijuma). B i C po kriterijumu lokacija itd.

Prvu fazu. dodeljivanjem težina u obliku serije matrica pore enja parova. Oni se potom rastavljaju u drugi skup elemenata koji odgovara sledećem nivou. skale devet tačaka. itd. • prikupljanje podataka. koja je data u narednoj tabeli.Metod AHP Metod analitičkih hijerarhijskih procesa (AHP). koji je razvio Saaty početkom sedamdesetih godina prošlog veka. Metod se zasniva konceptu balansa koji se koristi za odre ivanje sveukupne relativne značajnosti skupa atributa. To se postiže strukturiranjem bilo kog kompleksnog problema odlučivanja u veći broj hijerarhijskih nivoa. koristi se za rešavanje kompleksnih problema odlučivanja u kojima uestvuje veći broj donosilaca odluke. gde svaki nivo predstavlja manji broj upravljivih atributa. i • odre ivanje rešenja problema. strukturiranje problema. Druga faza ovog metoda obuhvata prikupljanje podataka i njihovu evaluaciju na svim nivoima celokupne hijerarhije. aktivnosti ili kriterijuma analiziranog problema odlučivanja. Tako posmatran. Me usobno ocenjivanje alternativa i kriterijuma (atributa) se vrši dodeljivanjem težina primenom tzv. čini rastavljanje kompleksnog problema odlučivanja na niz hijerarhija. • ocenjivanje relativnih težina. metod AHP ima četiri faze: • strukturiranje problema. veći broj kriterijuma i u višestrukim vremenskim periodima. 113 .

Kao rezultat dobiva se odgovarajuća matrica upore ivanja po parovima koja odgovara svakom nivou hijerarhije. koristi sopstvene procene i informacije. Treća i četvrta faza metoda AHP su čisto matematičke. u suprotnom.Tabela 50. može ih koristiti pri dodeljivanju težina. Ukoliko raspolaže objektivnim podacima. Skala devet tačaka Donosioc odluke dodeljuje težine svakom paru posebno. i biće objašnjene na primeru. kao meru koliko je jedan par atributa znčajniji od drugog. 114 .

Hijerarhijska struktura problema prikazana je na narednoj slici.Primer: Primena metoda AHP biće objašnjena na prethodnom primeru. Slika 20 . Hijerarhijska struktura problema izbora automobila Ukoliko se atributi na prvom nivou označe: A1 – maksimalna brzina (km/h) A2 – potrošnja goriva (l/100 km) A3 – mogućnost opterećenja (kp) A4 – cena (107 din) A5 – pouzdanost (kvalitativna ocena) A6 – sposobnost manevrisanja (kvalitativna ocena) Kupac najpre treba da izvrši upore ivanje značaja pojedinih atributa (kriterijuma) saglasno skali definisanoj tabelom 50. Njegove procene i prioriteti su prikupljeni u cilju izbora 115 .

koja se koristi pri proračunu.0) na preseku A1 i A2 ima stvarnu vrednost 1/3. NIVO I korak 1: Prerada matrice upore ivanja težina u parovima na osnovu početne matrice odlučivanja skale od devet tačaka Vrednosti u zagradi predstavljaju invertovani odnos preferencija. koja se koristi pri proračunu. tako da (3.0) u preseku A1 i A2 ima realnu vrednost 1/3.automobila i dati u sledećoj matrici: Vrednosti u zagradi predstavljaju ustvari invertvovani odnos preferencija. korak 2: Proračun suma elemenata kolone 116 . tako da (3.

korak 3: Proračun količnika elemenata kolona sa sumom odgovarajuće kolone Podeliti elemente svake kolone sa sumom vrednosti te kolone.3526 A4 0. Poslednja kolona predstavlja normalizovani sopstveni vektor. koja je dobivena u prethodnom koraku. odnosno izračunava učešće svake alternative pojedinačno u okviru posmatranog kriterijuma. Konačni prioritet za nivo I A5 0.0587 A3 0.0736 A6 0.0360 NIVO II Donosioc odluke procenjuje sva četiri tipa automobila u odnosu na svaki kriterijum pojedinačno. Atribut A1 Matrica upore ivanja u odnosu na atribut A1 117 .3441 A2 0. a u zadnjoj koloni t su odgovarajuće srednje vrednosti reda (podaci u pretposlednjoj koloni dele se brojem kriterijuma).1350 A1 0. korak 4: Proračun normalizovanog sopstvenog vektora Vrednosti u koloni su sume elemenata po redovima.

5114 B3 0.Prera ena matrica upore ivanja težina u parovima Proračun sopstvenog vektora odgovarajućih sopstvenih vrednosti Konačni prioritet u odnosu na atribut A1 B2 0.1511 B4 0.2575 B1 0.0800 Atribut A2 Matrica upore ivanja u odnosu na atribut A2 Prera ena matrica upore ivanja težina u parovima Proračun sopstvenog vektora odgovarajućih sopstvenih vrednosti 118 .

0574 Atribut A3 Matrica upore ivanja u odnosu na atribut A3 Prera ena matrica upore ivanja težina u parovima Proračun sopstvenog vektora odgovarajućih sopstvenih vrednosti Konačni prioritet u odnosu na atribut A3 B4 0.4514 B1 0.4348 B1 0.Konačni prioritet u odnosu na atribut A2 B4 0.1485 B2 0.3352 B3 0.0645 119 .1489 B2 0.3593 B3 0.

4472 B1 0.0670 Atribut A5 Matrica upore ivanja u odnosu na atribut A5 Prera ena matrica upore ivanja težina u parovima 120 .1427 B2 0.Atribut A4 Matrica upore ivanja u odnosu na atribut A4 Prera ena matrica upore ivanja težina u parovima Proračun sopstvenog vektora odgovarajućih sopstvenih vrednosti Konačni prioritet u odnosu na atribut A4 B4 0.3432 B3 0.

4609 B1 0.3592 B3 0.0524 Atribut A6 Matrica upore ivanja u odnosu na atribut A6 Prera ena matrica upore ivanja težina u parovima Proračun sopstvenog vektora odgovarajućih sopstvenih vrednosti 121 .Proračun sopstvenog vektora odgovarajućih sopstvenih vrednosti Konačni prioritet u odnosu na atribut A5 B2 0.1275 B4 0.

1982 B1 0.1109 B4 0. Matematički proračun za sve alternative realizuje se na sledeći način: Ukupni prioriteti u odnosu na globalni cilj (kompozitni normalizovani vektor): B1 0. analogan rezultat dobiven je primenom metoda ELECTRE i PROMETHEE I i II.5989 B2 0.2449 B3 0.3229 B4 0.2586 B2 0.0919 NIVO III Sveukupna sinteza problema izbora automobila jednaka je zbiru proizvoda težine u okviru posmatranog kriterijuma.Konačni prioritet u odnosu na atribut A6 B3 0.1736 Tako da je sveukupna sinteza problema izbora automobila: Na osnovu dobivenih rezultata očigledno je najbolji automobil B1. razmatrajući sve kriterijume. 122 .

projekti u toku. Polazni podaci kriterijum Iskustvo Firma A 5 godina 2 slična projekta Firma B 7 godina 1 sličan projekat -Prihodi 10 mil.C. -dobra reputacija 90 radnika 130 najamnika -4 mikser mašine -1 bager -9 pomoćnih mašina -2 velika projekta pri kraju -1 projekat srednje veličine u toku Firma E 15 godina bez sličnih projekata Finansijsko stanje -Prihodi 7 mil. $ -dobri odnosi sa bankama -Dobra organiz. Pet firmi: A.5 mil.1. $ -Dugovi 4 mil.D i E se prijavilo na konkurs u cilju dobijanja odre enog posla. -dobra reputacija 150 radnika -4 mikser mašine -1 bager -15 pomoćnih mašina -1 veliki projekat pri kraju -2 na sredini (1 mali i 1 srednji) -Dobra organiz. -2 zaostala projekta 100 radnika 200 najamnika -6 mikser mašine -1 bager -1 buldožer Firma C 8 godina bez sličnih projekta 1 me unarodni projekat -Prihodi 14 mil. Tabela 51. -dobra reputacija 120 radnika -2 mikser mašine -1 bager -20 pomoćnih mašina -1 započeti projekat srednje veličine -2 projekta pri kraju (1 veliki i 1 srednji) -Loša organiz.B. Rangiranje firmi će se izvršiti uzimajući u obzir sledeće faktore: dosadašnje iskustvo. $ -Dugovi 6 mil. kvalitet izvedenih radova. oprema. $ Kvalitet izvedenih radova Radna snaga -Dobra organiz. zadatak. radna snaga.5 mil. $ Firma D 10 godina 2 slična projekta -Prihodi 11 mil. Primenom AHP metode izvršiti rangiranje prijavljenih firmi. $ -deo koperacije -Dugovi 5. -1 projekat prekinut 40 radnika 260 najamnika -2 mikser mašine -10 pomoćnih mašina Oprema Projekti u toku -2 projekta pri kraju (1 veliki i 1 srednji) -započeta 2 manja projekta -3 projekta pri kraju (1 manja i i 1 srednji) 123 . $ -Prosečna organiz. $ -Dugovi 1. finansijsko stanje. $ -Visoka stopa razvoja -bez dugova -Prihodi 6 mil.

833 D 1/6 1/2 1/3 1 1/7 2. Iskustvo A B C D E ∑= A 1 3 2 6 1/2 12. Me usobno upore ivanja alternativa po kriterijumu »iskustvo« Iskustvo A B C D E A 1 B (3) 1 C (2) 2 1 D (6) (2) (3) 1 E 2 4 3 7 1 korak 1: Prerada matrice upore ivanja težina u parovima na osnovu početne matrice odlučivanja skale od devet tačaka Vrednosti u zagradi predstavljaju invertovani odnos preferencija.143 E 2 4 3 7 1 17 Vrednosti vektora prioriteta su prikazane u poslednjoj koloni tabele 54.083 C 1/2 2 1 3 1/3 6. tako da (3. Vrednosti u ostalim ćelijama tabele su dobijene deljenjem odgovarajuće vrednosti iz prethodne tabele sa sumom 124 . Hijerarhijska struktura problema izbora firme Tabela predstavlja tabelu-matricu me usobnog upore ivanja alternativa po prvom kriterijumu-iskustvu : Tabela 52.0) u preseku A i B ima realnu vrednost 1/3.5 B 1/3 1 1/2 2 1/4 4. koja se koristi pri proračunu: Tabela 53.Rešenje: Na narednoj slici je prikazana hijerarhijska struktura problema: Slika 21.

48 0.155 0.233 0.odgovarajuće kolone ( pr.439 0.115)/5 Analogno se računaju i druge vrednosti vektora prioriteta tako da on.466 0.24 0.235 0. Tabela 54.999 Vektor prioriteta se odre uje na osnovu srednjih vrednosti iz svakog pojedinačnog reda tabele.059 A B C D E Vektor prioriteta 0.176 0.055 ∑=0. za slučaj kriterijuma »iskustvo« ima sledeći oblik: 0.118 0.146 0.086  0. Iskustvo A 0.5).245 0.122 0.08+0. tako da je vrednost 0.08 0.489 0.086 dobijena kao: 0.457 0.061 C 0.08=1/12.086 0.055    Indeks konzistetnosti (consistency index IC) kao mera konzistetnosti odstupanja n od λmax se može izračunati na sledeći način: 125 .04 B 0.249 0. 0.066 E 0.073 0.082 0.086=(0.082+0.16 0.049 D 0.293 0.249    0.152    0.412 0.078 0.152 0.078+0.457  0.073+0.

zatim.031 ∑=0. koja u ovom slučaju (za matricu tj.24 7 1. Rezultati su prikazani u narednim tabelama: Kvalitet radova A B C D E Vektor prioriteta 0.163 0.45 10 1.269 0.58 4 0.1 uzima se da su procene konzistentne.461 0. Vrednosti RI u funkciji od veličine matrice Veličina matrice RI 1 0 2 0 3 0.32 8 1. tabelu dimenzija 5X5 ) iznosi 1.49 Tada je odnos konzistentnosti (consistency ratio CR): Kako je CR=0.9 5 1.998 A 1 1/7 3 1/2 1/8 B 7 1 5 4 1/4 C 1/3 1/5 1 1/4 1/9 D 2 1/4 4 1 1/6 E 8 4 9 6 1 126 .Indeks konzistentnosti (consistency index IC) se. računa kao: Na osnovu vrednosti datih u tabeli odre ujemo prosečnu slučajnu konzistentnost (avarage random consistency RI). Na identičan način su odre eni i vektori proriteta za ostale kriterijume. Tabela 55.12.41 9 1.074 0.12 6 1.0082<0.

038 ∑=0.039 ∑=0.999 Oprema A 1 6 8 1/2 1/3 B 1/6 1 4 1/5 1/7 C 1/8 1/4 1 1/9 1/9 D 2 5 9 1 1/2 E 3 7 9 2 1 A B C D E Vektor prioriteta 0.045 ∑=0.999 Pored odgovarajućih tabela-matrica me usobnog upore ivanja alternativa po svakom od izabranih kriterijuma.151 0.998 Radna snaga A B C D E A 1 2 4 1/2 1/5 B 1/2 1 3 1/5 1/7 C 1/4 1/3 1 1/4 1/6 D 2 5 4 1 1/2 E 5 7 6 2 1 Vektor prioriteta 0. U tu svrhu ponovo koristimo skalu devet tačaka (tabela 50 ).537 0. u cilju primene AHP metode.088 0.999 Projekti u toku A B C D E A 1 5 3 1/3 1/3 B 1/5 1 1/5 1/6 1/6 C 1/3 5 1 1/2 1/2 D 3 6 2 1 1/2 E 3 6 2 2 1 Vektor prioriteta 0.062 ∑=0.449 0.084 0.268 0.556 0.057 0.Finansijska stabilnost A B C D E A 1 1/6 1/3 ½ 1/7 B 6 1 4 2 1/3 C 3 1/4 1 3 1/5 D 2 1/2 1/3 1 1/7 E 7 3 5 7 1 Vektor prioriteta 0.178 0.173 0.081 0.273 0.144 0. 127 . potrebno je formirati tabelu me usobnog pore enja kriterijuma.084 0.425 0.264 0.

293 0.053 0.Tabela 56.087 ∑=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 .372 0. Tabela me usobnog upore ivanja kriterijuma Iskustvo Iskustvo Finansijska stabilnost Kvalitet radova Radna snaga Oprema Projekti u toku 1 1/2 1/3 1/6 1/6 1/5 Finansijska stabilnost 2 1 1/3 1/6 1/6 1/5 Kvalitet radova 3 3 1 1/4 1/4 1/3 Radna snaga 6 6 4 1 1/2 4 Oprema 6 6 4 2 1 4 Projekti u toku 5 5 3 1/2 1/4 1 Vektor prioriteta 0.156 0.039 0.

Ukupni prioriteti Iskustvo (0.055 Finansijska stabilnost (0.556 0.087) 0.425 0.372) A B C D E 0.264 0.086 0.461 0.045 Oprema (0. E.046 Na osnovu vrednosti ukupnog prioriteta pojedinih konkurentskih firmi zaključujemo da je redosled alternativa dobijen primenom AHP metode: D.449 0.084 0. 129 .039 Kvalitet radova (0.031 Radna snaga (0.156) 0. A.151 0.038 Projekti u toku (0.293) 0.201 0.241 0.222 0.457 0.074 0.057 0.269 0.268 0.163 0.273 0.039) 0.173 0.084 0.062 Ukupni prioritet 0.152 0.178 0.Za firmu E: Tabela 57. C.088 0. B.081 0.144 0.249 0.537 0.288 0.053) 0.

ac. 5. http://www.htm 6.. Odlučivanje: Formalni pristup.be/~bmaresc/PromWeb.. B. Al-Subhi Al-Harbi K. Hwang C.. International Journal of Project Management. Saaty TL.. Tummala R. P.P. Teorija odlučivanja. Pavličić D.. 1981. 1980.. Autorizovana predavanja. Brans J. Vol. 7.L. New York: McGraw-Hill. Brans.Literatura 1. 2. Suknović M. FON.. 2004. Mitevska N. Tehnički fakultet. J. http://homepages. M. Ekonomski fakultet.V. Teorija odlučivanja sa primerima. 24 (1986) 228-238. Universit Libre de Bruxelles. Bor. Mareschal B. 2001. Čupić M. 2005. 9..ulb. 130 . 'Application of the AHP in project management'. A State-of-the-Art Survey. 19 (2001) 19-27. P. The analytic hierarchy process.visualdecision. Multiple Attribute Decision Making: Methods and Applications. Berlin. Beograd. 3. Springer-Verlag. 4. and Vincke. EJOR.com 8. Yoon K.186. (1994) How to Decide with PROMETHEE.M.. Beograd.. Marechal. 'How to select and how to rank projects: The PROMETHEE method for MCDM'..

131 .

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->