You are on page 1of 132

Univerzitet u Beogradu

Tehniki fakultet u Boru





Mr. Dragan Manasijevi
Dr. Dragana ivkovi


ZBIRKA ZADATAKA IZ
TEORIJE ODLUIVANJA










Bor, 2005.



1




Sadraj

1. Metodi izbora u sluaju neizvesnosti ..................................................................................2
2. Odluivanje u uslovima rizika ..........................................................................................10
3. Dopunska informacija i njena cena ..................................................................................22
4. Sekvencijalno odluivanje......35
5. Vieatributivno odluivanje...............................................................................................50
5.1. Metod ELECTRE I.......................................................................................................61
5.2. Metodi PROMETHEE I-IV......86
5.3. Metod AHP..................................................................................................................113

























2




Metodi izbora u sluaju neizvesnosti


Teorijske osnove

Najpoznatije metode izbora koje primenjujemo u uslovima neizvesnosti su:

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

Navedene metode poivaju na razliitim logikim osnovama, zbog ega se i njihovi konani
izbori meusobno razlikuju.
Logiku svih metoda izbora objasniemo na istom ilustrativnom primeru. Tabela odluivanja
prikazuje ishode tri akcije izraene u novanim dobicima ( u 000 din.), pri realizaciji etiri
mogua dogaaja:
Dogaaj
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 odluivanja u kojoj su ishodi dati u novanom izrazu (dobicima ili gubicima) naziva se
i tabelom isplata (ili matricom isplata).

a) Optimistiki metod (Maximax)
Donosilac odluke koji se opredeljuje za ovaj metod je optimista u pogledu moguih rezultata.
On polazi od nerealne pretpostavke da e se uvek realizovati onaj dogaaj koji mu
omoguuje da izabranom akcijom postigne njen najbolji mogui rezultat. Postupak se tako
svodi na poreenje samo najboljih rezultata svih akcija i izbor najbolje meu njima. Otuda i
naziv maximax metod, koji simbolima izraen glasi:
max
i
{max
j
(u
ij
)} , i=1,2,..,n,
gde u
ij
predstavlja korisnost ishoda akcije A
i
pri realizaciji dogaaja S
j
.




3





dogaaj 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) Pesimistiki metod (Maximin)
Donosilac odluke koji primenjuje ovaj metod ispoljava izraziti pesimizam u pogledu buduih
rezultata, jer oekuje da e akciju sprovoditi u najnepovoljnijim okolnostima. Drugim reima,
koju god akciju da izaberemo oekujemo da emo ostvariti njen najslabiji rezultat. Iz tog
razloga biramo onu akciju koja garantuje najbolji meu najgorim ishodima, odnosno akciju
kojom maksimiziramo minimalnu korisnost:
max
i
{min
j
(u
ij
)} , i=1,2,..,m, j=1,2,,n.

dogaaj 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 odluivanju nema mesta neosnovanom optimizmu niti preteranom pesimizmu.
Zato je Hurvic predloio 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 nain. Zato svaku
akciju ocenjujemo na osnovu ponderisanog zbira njenog najboljeg i najgoreg rezultata, pri
emu su ponderi (teinski koeficijenti) jednaki za sve akcije. Najbolji ishod mnoimo tzv.
indeksom optimizma, (0 1), a najslabiji ishod njegovim komplementom, 1- . Hurvicov
metod glasi:
max
i
{max
j
(u
ij
) + min
j
(u
ij
) (1- ) } 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
+u
i
(1- )
Optimalna
akcija
A
1
1 16 160.4+10.6=7
A
2
4 12 120.4+40.6=7.2 A
2
(7.2)
A
3
5 9 90.4+50.6=6.6

d) Metod minimax kajanja (Sevidov)
Sevidov metod ne moemo da primenimo na originalne podatke, prikazane tabelom isplata,
ve je potrebno da formiramo novu tabelu. Nazivamo je tabelom (matricom) gubitaka i
izvodimo je iz originalne tabele na sledei nain: Za svaki dogaaj 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 sluaju izbora akcije sa najboljim ishodom nema kajanja. Kajanje se
javlja ako smo izabrali jednu od preostalih akcija; prikazujemo ga razlikom izmeu 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 Sevidov 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 verovatnoe javljanja pojedinih okolnosti. Njihovi
autori su to obrazlagali injenicom da je u uslovima potpune neizvesnosti besmisleno da
govorimo o verovatnoama javljanja pojedinih dogaaja. Ipak, i pored maksimalne
neizvesnosti tabela odluivanja sadri sve dogaaje koji mogu da se jave. Samim inom
ukljuivanja pojedinih dogaaja u model, ve im pripisujemo verovatnoe razliite od nule i
sigurni smo da e se jedan od njih javiti. Ako su nam verovatnoe nepoznate, moemo, na
primer, da pretpostavimo njihovu jednakost.
Laplasov postulat: Ako nita ne znam o buduim dogaajima, onda mogu smatrati da su oni
jednako verovatni naziva se i principom nedovoljnog razloga. Kada u tabeli odluivanja
pojedinim dogaajima pridruimo jednake verovatnoe, zadatak se svodi na izraunavanje
oekivanih korisnosti akcija. Oekivanu korisnost akcije izraunavamo kao pnderisani zbir
korisnosti njenih moguih ishoda.



5





Dogaaj 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)
verovatnoa
0.25 0.25 0.25 0.25













































6




1. zadatak. Posmatrajmo sledei problem izbora:

Tabela 1.

dogaaj
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 ega?

Reenje:

a)

Tabela 2. Maximax metod

dogaaj 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

dogaaj 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) (=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 (Sevidov)

Tabela gubitaka Sevidov 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)

dogaaj 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
verovatnoa 0.2 0.2 0.2 0.2 0.2

b) akcija A
1
je najbolja po veini metoda (etiri) pa je ona u ovom sluaju izabrana za
najbolju.


2. zadatak. Jelena Markovi planira da otvori studio za rekraciju za ene. Mogue opcije su
aerobik i joga. Interesovanje za pojedine vidove rekreacije moe biti malo, srednje i veliko.
Trokovi mesenog 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 mogunost da odustane od projekta.
a. Sastavite tabelu odluivanja (ishode prikaite u vidu profita) i primenite sve metode
izbora (indeks optimizma je 0.3).
b. ta bi ste sugerisali Jeleni?
c. Ako je Jelena izraziti optimista, za koju opciju e se opredeliti?

Reenje:
a)

Tabela 7. Maximax metod

dogaaj 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

dogaaj 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) (=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 (Sevidov)

Tabela gubitaka Sevidov 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)

dogaaj 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

verovatnoa 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 zakljuujemo da je akcija A
2
bolji izbor.

c) u sluaju izrazitog optimizma izbor najbolje alternative vrimo primenom maximax
metoda i zakljuujemo da je najbolja akcija A
2
.









9




3. zadatak. Posmatrajmo sledei problem izbora, u kojem proizvoa razmilja da li da otvori
novi proizvodni pogon (ishodi predstavljaju oekivani profit u mil.din.):
Tabela 12.
dogaaj
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 proizvoa eli da minimizira mogue kajanje zbog loe odluke, koju akciju treba
da izabere?
b. Ako je proizvoa odluio da svakako investira (tj. ako bira samo izmedju A
1
i A
2
) za
koju e se akciju opredeliti na osnovu istog metoda?
c. Upredite dobijene rezultate i ako se razlikuju, objasnite uzrok.

Reenje:

a. Formiraemo tabelu gubitaka i izabrati najbolju akciju primenom Sevidove metode:
Tabela 13.
Tabela gubitaka Sevidov 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. Ponoviemo postupak uporeujui samo akcije A
1
i A
2
:
Tabela 14.
Tabela gubitaka Sevidov 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




Odluivanje u uslovima rizika

Teorijske osnove

Metod maksimalne oekivane vrednosti (MOV)
Oekivana vrednost akcije A
i
, i=1,2,...,m (obeleavamo je sa OV(A
i
)), predstavlja ponderisani
zbir njenih ishoda, gde se kao ponderi koriste verovatnoe javljanja tih ishoda. Svaki ishod
mnoimo odgovarajuom verovatnoom javljanja i izraunavamo zbir ovih proizvoda:
( )

=
=
n
j
ij j i
p A OV
1
i=1,2,...,m
Biramo akciju sa najveom oekivanom vrednou, pa se metod naziva metodom maksimalne
oekivane vrednosti (MOV).
Primer: Problem izbora novog proizvoda (profit u 000 din.)
Nivo tranje
Akcija
S
1
- Nizak S
2
- Prosean S
3
-Visok
A
1
-15 465 800
A
2
-50 400 1000
A
3
-100 500 830
A
4
0 0 0
Verovatnoa (p
i
) 0.30 0.60 0.10

Primena MOV metode:
Akcija
( )

=
=
n
j
ij j i
p A OV
1

n
j
ij j
p
1
max
A
1
0.3(-15)+0.6465+0.1800=354.5 354.5
A
2
0.3(-50)+0.6400+0.11000=325
A
3
0.3(-100)+0.6500+0.1830=353
A
4
0.30+0.60+0.10=0

Biramo akciju A
1
.






11




Metod maksimalne oekivane korisnosti (MOK)
Da bi primenili metod maksimalne oekivane korisnosti potrebno je da sve ishode u tabeli
odluivanja izraziti njihovim kardinalnim korisnostima. Oekivana korisnost akcije je jednaka
zbiru proizvoda njenih ishoda (izraenim u jedinicama kardinalne korisnosti) i verovatnoa
njihovog javljanja (verovatnoa dogaaja):
( ) ( ) ( )

= =
= = =
n
j
n
j
ij j ij j i i
u p u p A OK A u
1 1
, i=1,2,....,m
Primer:
Dogaaj
Akcija
S
1
S
2

Oekivana korisnost
OK(A
i
)
MOK
A
1
0 1 0.50+0.51=0.5
A
1
0.65 0.95 0.50.65+0.50.95=0.8 0.8(A
2
)
Verovatnoa 0.5 0.5

Biramo akciju A
2
.






















12




1 zadatak. Objasnite razliku izmedju ordinalne i kardinalne korisnosti.
Reenje:
Na osnovu ordinalne korisnosti moe se formirati rang-lista opcija ali se ne mogu meriti
razlike u preferencijama izmedju svake dve opcije. Kardinalne korisnosti se izraavaju na
intervalnoj skali to omoguuje 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 pridruimo kardinalne korisnosti? Koji od ovih uslova je po vaem miljenju najtee
ispuniti?
Reenje:
Da bismo ishodima akcija mogli da pridruimo kardinalne korisnosti potrebno je da pored
uslova asimetrinosti, kompletnosti i tranzitivnosti budu zadovoljena i sledea etiri uslova
racionalnosti:
1. kontinuitet preferencija
2. zamenljivost (mogunost supstitucije)
3. monotonost
4. redukcija sloenih lutrija

3. zadatak. Objasnite metod standardne igre.
Reenje:
Metod standardne igre se koristi za odredjivanje kardinalnih korisnosti opcija.
Procedura se sprovodi u etiri koraka:
1. u prvom koraku poredimo opcije medju sobom i odredjujemo njihovu rang-listu od
najbojle ka najgoroj: x
n
, x
n-1
,....,x
1

2. U drugom koraku formuliemo tzv. referentnu lutriju, L, iji je dobitak jednak
najboljoj opciji, x
n
, a gubitak najgoroj, x
1
, tj. L(q,x
n
;1-q,x
1
).
3. U treem koraku svakoj od preostalih (n-2) opcija, pridruujemo po jednu lutriju
L
i
=L(q
i
,x
n
; 1-q
i
,x
1
), i=2,3,...,n-1. Referentnu lutriju odredjujemo na sledei nain:
biramo verovatnou (q
i
) javljanja dobitka (x
n
), za koju opciju x
i
smatramo jednako
dobrom kao i uee na lutriji L
i
.
4. U etvrtom koraku ishodima referentne lutrije L (tj. najboljoj i najgoroj opciji u skupu
n) pridruujemo proizvoljne numerike vrednosti (korisnosti). Ako odluimo da
korisnosti svih opcija prikaemo na skali [0,1], onda e odgovarajue 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 verovatnoi 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 zakljuke moete doneti o njegovim preferencijama
izmedju posmatranih opcija?
Reenje:
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 vie nego to alternativu y
preferiramo u odnosu na z.

5. zadatak. Moma Markovi eli da konstruie svoju funkciju korisnosti novca u intervalu od
50 000 din. do 100 000 din. Ovim novanim iznosima on je proizvoljno pripisao korisnosti 0
i 10 respektivno. Zatim je proizvoljno izabrao tri novana iznosa iz ovog intervala i odredio je
verovatnoe sticanja dobitaka u referentnim lutrijama (D je 100 000 din., a G je -50 000 din.),
za koje bi bio indiferentan izmedju sigurnog novanog iznosa i uea u igri:
Tabela 1.







a. Izraunajte korisnosti navedenih novanih iznosa.
b. Skicirajte funkciju korisnosti M. Markovia.
c. Sa krive koju ste nacrtali proitajte korisnosti za sledee novane iznose: 20 000 din., -30
000 din., -40 000 din.




Novani iznos Verovatnoa sticanja dobitaka od 100 000 din.
-25 000 0.50
0 0.75
50 000 0.95



14




Reenje:
Korisnosti opcije x
i
raunamo 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
to je prikazano i tabelarno:
Tabela 2.

Novani 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 moemo odrediti traene korisnosti:

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





15




6 zadatak. Novani ishodi akcija su prikazani u tabeli odluivanja:
Tabela 3.
Nivo tranje
Akcija
S
1
- Nizak S
2
- Prosean S
3
-Visok
A
1
-20 40 80
A
2
-50 30 100
A
3
0 0 0
Verovatnoa (p
i
) 0.30 0.60 0.10
Donosilac odluke je vrednosti novanih ishoda izrazio u korisnostima na sledei nain:
Tabela 4.
Novani iznos kardinalna korisnost
-50 0
-25 5
0 7.5
50 9.5
100 10

Primenom metode maksimalne oekivane korisnosti odrediti najbolju akciju.

Reenje:

Sa konstruisanog grafika funkcije korisnosti odreujemo traene 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 tranje
Akcija
S
1
- Nizak S
2
- Prosean 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
Verovatnoa (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 sledeoj 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 verovatnoe dogadjaja: p1=0.2, p2=0.4 i p3=0.4:
a) primenom metoda MOK izaberite akciju.
b) Korisnost transformiite primenom sledee transformacije: u
,
=2u+3.
Na transformisane podatke primenite metod MOK i uporedite rezultat sa rezultatom pod (a).












17




Reenje:

a) Oekivana korisnost akcije je jednaka zbiru proizvoda njenih ishoda (izraenih u
jedinicama kardinalne korisnosti) i verovatnoa njihovog javljanja (verovatnoa 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)

Zakljuujemo 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 zakljuujemo da smo indiferentni izmedju akcija A1 i A2 koje preferiramo u odnosu
na A3.




18




8. zadatak. Razmiljate da plasirate novi proizvod na trite, koji moe biti pun pogodak ili
velika greka. Verovatnoa da proizvod bude prihvaen je 0.30, u kom sluaju e ostvareni
profit biti 500 000 din. U sluaju da proizvod ne bude prihvaen, izgubiete 200 000 dinara.
a) Prikaite problem drvetom odluivanja. i izraunajte oekivane vrednosti akcija
(proizvoditi i odustati od proizvodnje). ta ete odluiti?
b) Izraunajte korisnosti moguih ishoda i primenite metod MOK. Da li bi se vaa odluka
sada promenila?
Reenje:

a) Tabela odluivanja za navedeni problem:
Tabela 9.

Dogaaj
akcija
Prihvaen proizvod Neprihvaen proizvod
A
1
- Proizvoditi 500 000 -200 000
A
2
- Odustati od proizvodnje 0 0
Verovatnoa (pi) 0.3 0.7

Oekivane 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 odluivanja 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 oekivana vrednost altrnative A
1
- proizvoditi vea od oekivane vrednosti
alternative A
2
- odustati od proizvodnje, metodom maksimalne oekivane vrednosti (MOV)
bismo izabrali alternativu A
1
-proizvoditi.
b) da bi primenili metod maksimalne oekivane korisnosti (MOK) potrebno je novane



19




vrednosti ishoda akcija zameniti njihovim kardinalnim korisnostima. Novani 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 formuliemo
referentnu lutriju L, iji je dobitak jednak najboljem ishodu 500 000 din., a gubitka najgorem
200 000 din. Korisnost ishoda 0 din. odreujemo na osnovu metoda standardne igre tj. za
iznos od 0 din. nalazimo odgovor na pitanje: kolika treba da je verovatnoa (q) dobijanja 500
000 din. u lutriji L, za koju bismo bili indiferentni izmeu sigurnog dobitka 0 din. i uea 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. raunamo kao:
U(0)=0.7*1+(1-0.7)*0=0.7
Sada moemo formirati tabelu odluivanja gde emo novane iznose zameniti njihovm
kardinalnim korisnostima:
Tabela 10.
Dogaaj
akcija
Prihvaen proizvod Neprihvaen proizvod
A
1
- Proizvoditi 1 0
A
2
- Odustati od proizvodnje 0.7 0.7
Verovatnoa (pi) 0.3 0.7

Oekivana korisnost akcije je jednaka zbiru proizvoda njenih ishoda (izraenih u jedinicama
kardinalne korisnosti) i verovatnoa njihovog javljanja (verovatnoa 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 sledee dve igre:
A
1
: Baciu novi i ako padne pismo nee dobiti nita, a ako padne grb dau ti 3
miliona dinara;
A
2
: Baciu novi i ako padne pismo dau ti milion dinara, a ako padne grb dau ti 2
miliona dinara;
Metodama maksimalne oekivane vrednosti (MOV) i maksimalne oekivane korisnosti
(MOK) odrediti najbolje akcije i uporediti dobijene rezultate.




20




Reenje:

Prikaimo problem sledeom tabelom:
Tabela 11.
Dogaaj
Akcija
S1-Pismo S
2
-Grb
A
1
0 3
A
2
1 2
Verovatnoa 0.5 0.5

Oekivane 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 oekivane vrednosti obe akcije meusobno jednake sledi da nam pravilo izbora
MOV sugerie da budemo indiferentni izmeu A
1
i A
2
, odnosno da izaberemo bilo koju
alternativu.
Da bi primenili metod maksimalne oekivane korisnosti (MOK) potrebno je novane
vrednosti ishoda akcija zameniti njihovim kardinalnim korisnostima.
Sve ishode u tabeli odluivanja 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 formuliemo referentnu lutriju, L, iji je dobitak jednak najboljem ishodu 3 mil. din., a
gubitak najgorem 0 din. Korisnosti ishoda raunamo 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 verovatnoa dobijanja premije od 3 mil.din. u lutriji
L, za koju bismo bili indiferentni izmeu sigurnog dobitka od 2 mil.din. i uea 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 nain odreujemo 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 moemo formirati novu tabelu odluivanja gde emo novane iznose zameniti njihovim
kardinalnim korisnostima:
Tabela 12.
Dogaaj
Akcija
S1-Pismo S
2
-Grb
A
1
0 1
A
2
0.65 0.95
Verovatnoa 0.5 0.5

Oekivana korisnost akcije je jednaka zbiru proizvoda njenih ishoda (izraenih u jedinicama
kardinalne korisnosti) i verovatnoa njihovog javljanja (verovatnoa 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 odluivanja posebno
znaajnih, rezultata teorije verovatnoe. Ime je dobila po autoru Thomasu Bayesu (1702-
1761.), engleskom matematiaru i teologu. Ova teorema omoguuje da se, na osnovu
prikupljenih informacija, izvre korekcije polaznih uverenja u realizaciju posmatranih
dogaaja.
Posmatra se kompletan skup disjunktnih dogaaja, S={S
1
, S
2
,...,Sj,...,Sn}. To znai da se
jedan od njih mora realizovati,

=
j
j
S v 1 ) ( kao i da pojava jednog dogaaja iskljuuje
pojavu ostalih (S
i
S
j
=, i,j=1,2,...,n; i j).
Posmatra se dogaaj I, koji se moe javiti samo ako se javi neki od dogaaja Sj, j=1,2,...,n.
Verovatnoa javljanja dogaaja Sk, pod uslovom da se dogaaj I ve 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 emu su:
P(S
j
)-verovatnoa dogaaja S
j
(poetna, a priori);
P(I)-verovatnoa dogaaja I;
( )
j
S I P -verovatnoa dogaaja I pod uslovom da se dogaaj S
j
realizovao;
( ) I S P
j
-verovatnoa dogaaja S
j
pod uslovom da se dogaaj I realizovao (korigovana, a
posteriori).










23




Potpuna (savrena) informacija i njena cena

Primer: Uprava odeljenja za marketing razmatra dve mogue situacije vezane za novi
proizvod: predstaviti ga ili ne na tritu, to odgovara akcijama A
1
i A
2
, respektivno.
Pretpostavimo da uprava razmatra samo potranju, koja se razmatra kao niska, najverovatnija
i visoka, to odgovara stanjima S1, S2 i S3, respektivno.
Na upravi je da odredi plaanja i definie apriori verovatnoe. Ukoliko se predstavi novi
proizvod, uprava oekuje profit od -2.000.000 din. za S1, 1.500.000 din. za S2, i 4.000.000
din. za S3. U sluaju da se proizvod ne predstavi tritu, profit je uvek jednak nuli, nezavisno
od stanja. Dodeljene apriori verovantoe su v(S1)=0.25, v(S2)=0.50 i v(S3)=0.25. Plaanje
(profit) je prikazano sledeom tabelom:
Dogaaj
Akcija
S
1
- niska tranja S
2
- srednja tranja S
1
- visoka tranja
A
1
-2 000 000 1 500 000 4 000 000
A
2
0 0 0
Verovatnoa 0.25 0.50 0.25

U idealnom sluaju mogue je pribaviti savrenu informaciju, koja sa sigurnou otkriva
budue stanje na tritu i uslove rizika pretvara u uslove izvesnosti. Umesto rasporeda
verovatnoa budue potranje, savrena informacija izdvaja jedno stanje. Na taj nain, ona
odluku ini trivijalnom, odnosno, svodi je na izbor akcije kojom se, u poznatim trinim
okolnostima, postie najbolji rezultat. Na primer, ako informacija pokazuje da e potranja
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 e se realizovati prosena
tranja, v(S2)=1, donosioc odluke bi se opredelio za novi proizvod A
1
; i ako se sa sigurnou
predvia visoka potranja, v(S3)=1, onda bi donosioc odluke sugerisao proizvodnju A
1
.
Ali, problem sa informacijom je nepoznat sadraj pre kupovine, tj., prvo se treba odluiti da li
kupiti ili ne savrenu informaciju, i tek ako se kupi, donosioc odluke saznaje budue stanje na
tritu i efekte akcije koja e biti izabrana u datim okolnostima.
U toj situaciji odluka o kupovini informacije donosi se na osnovu oekivanih vrednosti u
uslovima izvesnosti (OVUI). OVUI predstavlja prosean profit koji bi bio ostvaren u dugom
nizu kada bi se odluivalo u uslovima izvesnosti. Tada bi donosioc odluke pre svakog izbora
akcije tano znao budue stanje na tritu. Prema tome, OVUI predstavlja ponderisani zbir
verovatnoa javljanja pojedinih dogaaja i maksimalnih rezultata koje je u svakom od njih
mogue postii.



24




[ ]
ij i
n
j
j
p OVUI max
1

=
=

Pretpostavimo da u primeru problema predstavljanja novog proizvoda uprava sa sigurnou
zna da e se u momentu odluivanja odigrati stanje S
1
. Tada bi uprava izabrala akciju A
2
, jer
donosi najvei profit. Sa druge strane, ako se zna da e se odigrati stanje S
2
ili S
3
, uprava e
izabrati akciju A
1
. Time e uprava, birajui 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 verovatnoama
0.25, 0.50 i 0.25, respektivno. Tako da se dolazi do vrednosti:
OVUI=00.25+1 500 0000.50+4 000 0000.25=1 750 000
ako se zna u momentu odluivanja koje e se stanje odigrati. Treba imati na umu da vrednost
od 1.750.000 din. predstavlja oekivani profit pre kupovine informacije. Nakon kupovine
informacije saznae se stvarni trini uslovi, pa e i konaan rezultat ostvaren izborom
najbolje akcije u datim okolnostima, biti: 0 din, 1.500.000 din. ili 4.000.000 din.
Sada je mogue izraunati koliko najvie vredi savrena informacija, odnosno, koliko iznosi
maksimalna cena po kojoj je ekonomski opravdano pribavljanje informacije. Vri se
poreenje OVUI sa oekivanom vrednou akcije koju bi donosioc odluke izabrao na osnovu
prethodne analize, zasnovane na poetnim subjektivnim verovatnoama. U primeru bi bila
izabrana akcija A1 koja ima maksimalnu oekivanu vrednost; njenim biranjem u dugom nizu
ostvario bi se profit od 1.250.000 din.
Budui da je oekivana vrednost u uslovima izvesnosti jednaka 1.750.000 din, a maksimalna
oekivana vrednost bez informacije 1.250.000 din, onda je maksimalna cena koju treba
prihvatiti da bi se dobila savrena informacija jednaka njihovoj razlici. Ova razlika se naziva
oekivana vrednost potpune informacije i obeleava sa OVPI:
OVPI=OVUI-max
i
OV(A
i
)
OVPI=1 750 000-1 250 000=500 000 din.
Vidi se da bi pribavljanje savrene informacije izazvalo porast oekivane vrednosti za
500.000 dinara. Samim tim, OVPI predstavlja najveu cenu koja se moe prihvatiti da bi se
saznalo budue stanje na tritu.









25




1. zadatak: Uprava odeljenja za marketing razmatra dve mogue situacije vezane za novi
proizvod: predstaviti ga ili ne na tritu, to odgovara akcijama A1 i A2, respektivno.
Pretpostavimo da uprava razmatra samo potranju, koja se razmatra kao niska, najverovatnija
i visoka, to odgovara stanjima S1, S2 i S3, respektivno.
Na upravi je da odredi plaanja i definie apriori verovatnoe. Ukoliko se predstavi novi
proizvod, uprava oekuje profit od -2.000.000 din. za S1, 1.500.000 din. za S2, i 4.000.000
din. za S3. U sluaju da se proizvod ne predstavi tritu, profit je uvek jednak nuli, nezavisno
od stanja. Dodeljene apriori verovantoe su v(S1)=0.25, v(S2)=0.50 i v(S3)=0.25. Plaanje
(profit) prikazan je sledeom tabelom.
Tabela 1.
S
A
S
1
S
2
S
3

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

Ipak, prisutan rizik velikog gubitka od 0.25 (u sluaju pojave niske potranje), primorava
menadere da preispitaju svoja prvobitna ubeenja. Svesni mogue pristrasnosti, oni ele da
potvrde svoje optimistike prognoze. Zbog toga razmiljaju da angauju poznatu agenciju za
istraivanje trita, koja bi trebalo da potvrdi ili ospori njihovo inicijalno uverenje u uspeh.
Zbog veoma kratkih rokova koji su joj postavljeni, agencija predlae istraivanje sa sledeim
moguim rezultatima i njihovim karakteristikama. Istraivanje ima tri rezultata: informaciju
X1 slaba prodaja (to znai nisku potranju), X2 srednja prodaja (to znai srednju
potranju), i X3 velika prodaja (to znai veliku potranju), pri emu pouzdanost rezultata
nije potpuna, tj. manja je od 100%. Kao to je ve reeno, povoljan rezultat (X2 ili X3) ne
garantuje da e potranja biti velika, kao to ni nepovoljan rezultat (X1) ne znai obavezno da
e potranja biti niska. Moe se dobiti povoljan ili nepovoljan rezultat, bez obzira na stvarno
stanje na tritu.
Agencija je obavestila upravu da ako na tritu postoji niska potranja (S1), onda su
verovatnoe da je prodaja slaba 0.80, srednja 0.10 i velika 0.10. Ako je potranja srednja (S2),
onda su verovatnoe da je prodaja slaba 0.20, srednja 0.60 i velika 0.20. I konano, ako je
potranja visoka (S3), onda su verovatnoe da je prodaja slaba 0.10, srednja 0.30 i velika 0.60.
Ove verovatnoe obeleavaju se sa V(X
k
S
j
) i nazivaju uslovne verovatnoe.




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 verovatnoe javljanja pojedinih dogaaja, S1, S2, S3, pod uslovom da je
istraivanjem trita dobivena informacija: X
1
(1. sluaj), X
2
(2. sluaj) i X
3
(3. sluaj). Zatim,
konstruisati drvo odluivanja i izraunati oekivane vrednosti akcija A
1
i A
2
u sluaju
angaovanja agencije i bez angaovanja agencije. Odrediti oekivanu vrednost delimine
informacije, tj. maksimalnu cenu angaovanja agencije koja je ekonomski opravdana.


Reenje:
Pretpostavimo da je rezultat istraivanja trita nepovoljan, tj. da je dobivena informacija X1.
Iako nesavrena, informacija govori u prilog javljanja dogadaja S1 i utie na prvobitno
ubeenje koje treba korigovati. Drugim reima, prvobitne verovatnoe v(S1)=0.25, v(S2)=0.50
i v(S3)=0.25 treba revidirati na osnovu nove informacije, X1.
Primenom Bayesove teoreme raunaju se a posteriori verovatnoe javljanja pojedinih
dogaaja, S1, S2, S3, pod uslovom da je istraivanjem trita dobivena informacija X
1
:



27






Verovatnoe v(S
1
X
1
), v(S
2
X
1
) i v(S
3
X
1
)su a posteriori verovatnoe dogaaja S1, S2 i S3 jer
su odreene nakon dobivanja dopunske informacije. Nepovoljan rezultat istraivanja (slaba
prodaja - X1) pozitivno se odrazio na verovatnou javljanja niske potranje, koja se poveala
sa 0.25 na 0.615. Takoe, informacija je nepovoljno uticala na verovatnou pojave srednje
potranje, koja se sa 0.50 smanjila na 0.308, i velike potranje, koja se sa 0.25 smanjila na
0.077, to je i realno ako je predviena slaba prodaja. Nakon korekcije poetnih verovatnoa
dogaaja, vri se revizija samog problema odluivanja u vidu tabele a posteriornih
verovatnoa (tabela 3).

Tabela 3 . Problem izbora kada je rezultat istraivanja X
1







28




Drugi sluaj: Pretpostavimo da je rezultat trinih ispitivanja povoljan, tj. da je dobijena
informacija srednja prodaja (X2). Primenom Bayesove teoreme raunaju se verovatnoe
javljanja dogaaja S1, S2 i S3 pod uslovom da je sadraj dobivene informacije X2:


Kao i u prethodnom sluaju, vrednosti izraunatih a posteriornih verovatnoa prikazane su
tabelarno:

Tabela 4 . Problem izbora kada je rezultat istraivanja X
2


Trei sluaj: I konano, pretpostavimo da je rezultat trinih ispitivanja velika prodaja (X3).
Primenom Bayesove teoreme raunaju se verovatnoe javljanja dogaaja S1, S2 i S3 pod
uslovom da je sadraj dobijene informacije X3:





29






Kao i u prethodnim sluajevima, vrednosti izraunatih a posteriornih verovatnoa dati su u
tabeli 5.
Tabela 5.


Na osnovu proraunatih vrednosti vrimo konstrukciju drveta odluivanja:








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 oekivanih vrednosti akcija angaovati agenciju (AA) (OV=1 400 800 din.) i
akcije ne angaovati agenciju (NA) (OV=1 250 000 din.) zakljuujemo da je akcija
angaovati agenciju bolji izbor.




31




Oekivanu vrednost delimine informacije, OVDI, izraunavamo kao razliku izmedju
oekivane vrednosti akcije angaovati agenciju (AA) i akcije ne angaovati agenciju
(NA):

OVDI=OV(AA)-OV(NA)=1400800-1250000=150800 din.
to predstavlja maksimalnu vrednost cene angaovanja marketinke agencije koja je
ekonomski opravdana.


2. zadatak: Pretpostavimo da Zastava eli da lansira novi tip automobila na trite.
Menaderi su optimisti u pogledu reakcije kupaca na karakteristike, izgled i planiranu cenu
novog vozila, zbog ega visokoj tranji (S1) pripisuju verovatnou od 0.7, a niskoj tranji
(S2) verovatnou od 0.3. U zavisnosti od uslova na tritu menaderi su ocenili i mogue
rezultate prodaje novog proizvoda U sluaju visoke tranje profit bi iznosio 600 mil.din., dok
bi u sluaju niske tranje gubici iznosili 300 mil.din. .Prisutan rizik od 0.3 velikog gubitka (u
sluaju pojave niske tranje) navodi menadere na razmiljanje da angauju poznatu agenciju
za istraivanje trita, koja bi trebalo da potvrdi ili ospori njihovo inicijalno uverenje u uspeh.
Agencija predlae istraivanje sa sledeim moguim rezultatima i njihovim karakteristikama.
Istraivanje e imati samo dva rezultata: informaciju I
1
-povoljan rezultat ili I
2
-nepovoljan
rezultat. Verovatnoa da informacija bude povoljna je procenjena na 0.67. Takodje, postoji
verovatnoa od 0.888 da e tranja biti visoka pod uslovom da dobijena informacija
istraivanja bude povoljna. Sa druge strane, u sluaju dobijanja nepovoljne informacije,
verovatnoa javljanja visoke tranje iznosi 0.318.
Odrediti maksimalnu cenu angaovanja agencije koja je za Zastavu ekonomski opravdana.

Reenje:

Dato:
Verovatnoa javljanja povoljne informacije:
P(I
1
)=0.67
A posteriori verovatnoe dogaaja 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 odluivanja za navedeni problem odluivanja

Oekivanu vrednost delimine informacije, OVDI, izraunavamo kao razliku izmedju
oekivane vrednosti akcije angaovati agenciju (AA) i akcije ne angaovati agenciju
(NA):

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











33




3. zadatak: Nenad Stoji (pasionirani biciklista) planira da otvori prodavnicu bicikala u svom
rodnom gradu. On moe da otvori samo prodavnicu (A1), prodavnicu sa servisom za
popravke (A2), ali i da odustane od ideje (A3). Prostor na koji rauna se izdaje na 4 godine,
zbog ega je vano da on donese pravilnu odluku. Nenad razmilja da angauje i prijatelja,
koji bi mu u svojoj agenciji za istraivanje trita ispitao nivo tranje za biciklima.
Rezultati studije mogu biti povoljni (I1) ili nepovoljni (I2).
a. Konstruiite drvo odluivanja za dati problem.
b. Nenad je uradio neke analize o profatibilnosti prodavnice bicikala. Ako otvori
prodavnicu i servis zaradie 600 000 din. pod uslovom da je trite povoljno, ali moe
i da izgubi 400 000 din., ako je trite nepovoljno. Samo prodavnica e mu doneti
profit od 300 000 din., u uslovima povoljnog trita, i gubitak od 100 000 din., u
uslovima nepovoljnog trita. On za sada veruje da su anse da trite povoljno 50:50.
(Konstruiite tabelu i drvo odluivanja za ovaj problem).
c. Ako se Nenad odlui za istraivanje trita, ono e ga kotati 35 000 din. Verovatnoa
da informacija bude povoljna je procenjena na 0.6. Takodje postoji verovatnoa od
0.95 da e trite biti povoljno pod uslovom da dobijena informacija istraivanja bude
povoljna. Ali, Nenada je upozorio prijatelj da je verovatnoa javljanja povoljnog
trita, u sluaju da se dobije nepovoljna informacija svega 0.1. Nenad je u nedoumici.
ta 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 oekivanih vrednosti akcija angaovati agenciju (AA) (OV=295000 din.) i
akcije ne angaovati agenciju (NA) (OV=100000 din.) zakljuujemo da je akcija
angaovati agenciju bolji izbor.






35




Sekvencijalno odluivanje


Teorijske osnove

Sekvencijalna analiza se bavi nizovima odluka koje hronoloki slede jedna drugu i znaajno
su meusobno uslovljene; svaki sledei korak je odreen ishodom odluke koja mu je
neposredno prethodila, dok izbori zavise od anticipiranih ishoda buduih akcija. Formalnu
analizu sprovodimo primenom drveta odluivanja u sledea tri koraka:
Konstruiemo drvo, tj. strukturiemo problem. Ovde je potrebno da pomirimo dva
suprotna zahteva: da sauvamo realnost problema i istovremeno obezbedimo
preglednost i primenjivost modela;
Ocenjujemo vrednosti ishoda i verovatnoe dogaaja u svim hronoloki povezanim
odlukama. U ovoj fazi, po potrebi, primenjujemo Bajesovu teoremu, tj. vrimo
korekcije poetnih verovatnoa dogaaja shodno moguim rezultatima dopunskih
informacija i njihovoj pouzdanosti.
Odreujemo optimalnu strategiju (putanju kojom emo se kretati od poetnog vora do nekog
od konanih ishoda). U tom cilju primenjujemo indukciju unazad, koju na drvetu odluivanja
sprovodimo sa desna na levo, a izbor zasnivamo na principu MOV.













37




1. zadatak. Metal Discovery Group (MDG) je kompanija koja vri geoloka istraivanja
zemljita u cilju utvrdjivanja rudnih rezervi. Trenutno razmatraju mogunost kupovine
odredjenog zemljita po ceni od 3 mil. dolara. Ako MDG kupi ovo zemljite, sprovee
geoloko istraivanje. Procenjeno je da e ih ono kotati dodatnih 1 mil. dolara. Strunjaci
kompanije su procenili da postoje sledee verovatnoe pronalaenja znaajnih rudnih rezervi
sledeih metala:
-mangana 1% verovatnoe
-zlata 0.05% verovatnoe
-srebra 0.2% verovatnoe
Ne postoji mogunost pronalaenja znaajnih rezervi drugih metala, kao ni mogunost
pronalaenja znaajnih rezervi dva ili tri navedenih metala istovremeno.
Ako se istraivanjem utvrdi leite mangana, kompanija procenjuje da e biti u mogunosti da
zemljite proda za 30 mil. dolara. Otkrivanje rezervi zlata bi omoguilo prodaju zemljita po
ceni od 250 mil. dolara, dok bi otkrivanje srebra omoguilo prodaju zemlje po ceni od 150
mil. dolara.
MDG ima mogunost da po ceni od 750 000 dolara kupi prava na trodnevno, preliminarno,
test istraivanje zemljita pre nego to se odlue da li da kupe zemlju. Ovo test istraivanje,
koje bi kompaniju kotalo 250 000 dolara, moe jedino da prui preliminarnu indikaciju da li
su rezerve nekog od spomenutih metala zaista prisutne. Procenjeno je da su anse da rezultati
sprovedenog preliminarnog istraivanja budu povoljni 50%. U tom sluaju, verovatnoe
otkrivanja rezervi mangana, zlata ili srebra rastu na 3%, 2% i 1%, respektivno. Ukoliko,
rezultati trodnevnog istraivanja budu nepovoljni, verovatnoe otkrivanja rezervi mangana,
zlata ili srebra postaju 0.75%, 0.04% i 0.175%, respektivno.
Konstruisati drvo odluivanja za navedeni problem i primenom MOV metode odrediti
najpovoljniju opciju za kompaniju MDG.

Reenje:
Drvo odluivanja za navedeni problem je prikazano na sledeoj slici:








38






Slika 1. Drvo odluivanja

Proraunate vrednosti oekivanih vrednosti (OV) za mogue alternative iznose:
-kupiti zemljite i istraiti: OV=-3.275
-preliminarno istraivanje: OV=0.7
-odustati: OV=0
Na osnovu ovih rezultata, zakljuujemo da je najbolja alternativa: preliminarno istraivanje.
Ukoliko rezultati trodnevnih istraivanja budu povoljni, tj. nagoveste mogunost otkrivanja
znaajnih rezervi nekog od navedenih metala, kompanija bi trebala da kupi zemljite i
sprovede detaljno istraivanje. U sluaju nepovoljnih rezultata test istraivanja, kompanija bi
trebala da odustane od kupovine tog zemljita.




39




Zadatak 2. Vlasnik stana razmilja da osigura svoje kune vrednosti od krae na godinu
dana. Svoju kunu imovinu je procenio na 20 000 dolara.
Statistiki podaci vezani za kradje i provale, ukazuju mu da je mogunost provale u njegov
stan u narednih godinu dana 0.03. Takodje, na osnovu statistike je utvrdjeno da bi prilikom
krae njegovi gubici iznosili 10%, 20%, ili 40% od ukupne vrednosti njegove imovine sa
odgovarajuim verovatnoama od 0.5, 0.35 i 0.15, respektivno.
Vlasnik stana razmatra uslove tri firme za osiguranje.
Polisa osiguranja firme A iznosi 150 dolara godinje. Firma se obavezuje da e nadoknaditi
celokupni iznos gubitaka uslovljenih kraom.
Polisa osiguranja firme B je jeftinija i iznosi 100 dolara godinje, s tim to vlasnik preuzima
obavezu da sam nadoknadi iznos od 50 dolara u sluaju bilo koje vrednosti gubitka.
Polisa osiguranja firme C je najjeftinija i iznosi 75 dolara na godinjem nivou, ali se firma
obavezuje da isplati samo 60% od ukupne vrednosti tete.
Konstruisati drvo odluivanja za ovaj problem i metodom MOV izabrati najbolju alternativu.

Reenje:
Drvo odluivanja je prikazano na narednoj slici:










40






Slika 2. Drvo odluivanja
Na osnovu izraunatih vrednosti oekivanih 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
zakljuujemo da je najbolja alternativa osiguranje kod firme B zato to ima najveu
oekivanu vrednost.



41




Zadatak 3. Lokalni koarkaki tim se plasirao u finale nacionalnog prvenstva. Njih uskoro
oekuje finalna utakmica koja e odluiti novog ampiona. Vlasnik sportske radnje u istom
gradu planira da zaradi prodajom majica sa znakom spomenutog koarkakog kluba. Siguran
je da e prodati veliki broj majica u sluaju pobede lokalnog tima u finalu. Da bi majice bile
spremne odmah posle finalne utakmice potrebno je da ih narui bar nedelju dana pre finala.
Predvia da e u sluaju pobede prodati izmedju 2000 i 10000 majica po ceni od 20$. Cena
majica po kojoj ih moe naruiti je 7$ po komadu. Svaku neprodatu majicu moi e da proda
po ceni od 2$. Procenjuje da su anse tima u finalu 60%.
Vlasnik mora da odlui da li da narui majice u koliini od 5000 komada, 10000 komada ili
da odustane.
Konstruisati drvo odluivanja i primenom metode MOV izabrati akciju.

Reenje:

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

Naredna slika prikazuje drvo odluivanja konstruisano u cilju reavanja navedenog problema:

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

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

Poetna pretpostavka je bila da e u sluaju pobede domaeg tima biti prodano od 2000 do
10000 majica. Ovaj interval oekivane prodaje se deli na etiri manja intervala (2000-4000;
4000-6000; 6000-8000; 8000-10000;) i zatim se uzimaju srednje vrednosti iz svakog intervala



42




oekivane prodaje (3000; 5000; 7000; 9000; ) kao mogui dogaaji. Svakom od navedenih
neizvesnih dogaaja (prodaja 3000, 5000, 7000 ili 9000 majica) dodeljena je jednaka
verovatnoa ostvarivanja (25%).

Primenom indukcije unazad, izraunate su oekivane vrednosti pojedinih akcija i donet je
sledei zakljuak:
-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. Menaderi treba da odlue da li
da prihvate projekat razvoja nove serije veoma preciznih elektronskih mernih instrumenata,
koji bi firmi omoguili znaajnu konkurentsku prednost na tritu. Trokovi istraivakog
projekta bi iznosili 400 000 evra. Odeljenje za marketing i prodaju ocenjuje da bi ivotni 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. Menaderi su ocenili oekivane profite i
verovatnoe njihovog javljanja: u sluaju visoke tranje (verovatnoa 0.2) profit bi iznosio 1.6
mil.evra; u sluaju prosene tranje (verovatnoa 0.5) profit bi iznosio 800 000 evra i u
sluaju niske tranje (verovatnoa 0.3) profit bi bio svega 400 000 evra. Ipak, imajui u vidu
relativno skromne mogunosti centra za istraivanje, anse da se projekat uspeno zavri u
tako kratkom roku su relativno male, odnosno, menaderi ih procenjuju na 50%. Ako se ovaj
rok probije, onda bi firma mogla da podnese dodatne trokove za nastavak istraivanja. Ali,
postoji realna opasnost da e neka od konkurentskih firmi do tada ponuditi sline proizvode i
tako zauzeti deo trita na koji FPE pretenduje. Ako istraivaki napori za dve godine ne
urode plodom, onda bi se mogla obezbediti dodatna sredstva za nastavka istraivanja za jo
godinu dana od 200 000 evra. Ipak, menaderi oekuju da e se anse uspene realizacije
istraivanja smanjiti, pa joj prpisuju verovatnou od 0.3. Ako za tri godine firma uspe da
plasira nove proizvod, onda se, zbog mogue pojave konkurentskih proizvoda, oekuju znatno
slabiji rezultati od prethodnih. Zato menaderi predvidjaju da e ukupan diskontovani profit
za period od 4 godine (u zavisnosti od pojave visoke, prosene ili niske tranje) iznositi: 1.2
mil.evra (sa verovatnoom od 0.1), 600 000 evra (sa verovatnoom od 0.5) i 300 000 evra (sa
verovatnoom od 0.4). Konano, ako firma u bilo kom periodu napusti projekat, konkurentski
nastup sa slinim proizvodima nee se tretirati kao oportunitetni gubitak.

Konstruisati drvo odluivanja i odrediti najbolju alternativu primenom MOV metode.

Reenje:




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 odluivanja



45




Na osnovu proraunatih oekivanih vrednosti alternativa sledi da bi kompanija trebala da
finansira istraivanje jer je OV ove akcije (20) vea od akcije odustati (0). U sluaju da
projekat ne bude uspeno zavren u predvienom periodu od dve godine, kompanija bi trebala
da odustane od dodatnog finansiranja jer je OV akcije odustati (-400) vea od OV akcije
dodatno finansirati (-436).

Zadatak 5. Proizvoa bezalkoholnih pia se dvoumi izmedju dva nova proizvoda:
Malinde (gaziranog pia sa ukusom maline) i Vatrenog tigra (negaziranog energetskog
pia). U sluaju niske tranje, prvi proizvod (M) bi doneo gubitke od 100 mil.din. dok bi
drugi (VT), izazvao gubitke od 150 mil.din. U sluaju visoke tranje, profit od proizvodnje M
bi bio 250 mil.din., a od proizvodnje VT 400 mil.din. U sluaju niske tranje za proizvodom
M (ija se verovatnoa procenjuje sa 0.4), proizvodja bi mogao da pojaa marketinku
kampanju (koja bi kotala 30 mil.din.) ili da odustane od dalje proizvodnje. Ako se opredeli
za dalju kampanju, onda se sa verovatnoom od 0.7 oekuje visoka tranja (sa profitom od
250 mil.din.); prosena tranja (sa profitom od 50 mil.din.) i niska tranja (sa gubitkom od
150 mil.din.) se smatraju jednako verovatnim. U sluaju da proizvoa izabere proizvod VT i
tranja bude niska (verovatnoa je 0.5), onda bi on mogao da odustane od proizvodnje ili da
promeni naziv proizvoda i ambalau, a zatim da marketinku kampanju usmeri na stariju
populaciju (dodatni trokovi bi iznosili 35 mil.din.); tada sa verovatnoom od 0.2 oekuje
visoka traznja (sa profitom od 200 mil. din.), prosena tranja se oekuje sa verovatnoom od
0.5 (i profitom od 90 mil.din.), dok bi niska tranja donela dobitak od 50 mil.din. Proizvoa
moe i da odustane od uvodjenja novog proizvoda. ta 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 oekivana vrednost ove alternative (162) vea od
oekivane vrednosti Vatreni tigar (157.5).



47




Zadatak 6. Kompanija razmatra da li da konkurie za odredjeni posao. Trokovi
prijavljivanja na konkurs iznose 10 000 dolara. Njihova procena je da postoji verovatnoa od
50% da e, nakon konkurisanja, ui u ui izbor za dobijanje posla. U protivnom, njihova
ponuda e biti odbaena. Ako ue u ui izbor, kompanija e morati da dostavi detaljne
informacije koje povlae dalje trokove, procenjene na 5000 dolara. Posle ove faze, njihova
ponuda e biti prihvaena ili odbijena. Kompanije je izraunala vrednosti materijalnih i drugih
trokova realizacije posla i oni iznose 127 000 dolara. Menadment kompanije razmatra cenu
obavljanja posla sa kojom bi kompanija izala na konkurs. Mogunosti su 155 000, 170 000 i
190 000 dolara. Procenjene verovatnoe da e njihova ponuda biti prihvaena (nakon ulaska u
ui izbor) su 0.9 u sluaju ponuene cene u iznosu od 155 000, 0.75 u sluaju ponuene cene
od 170 000 i 0.35 u sluaju ponuene cene od 190 000 dolara.
Odrediti da li kompanija treba da konkurie za posao i kolika bi trebala da iznosi njihova
ponuda?
Reenje:

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 proraunatih oekivanih vrednosti alternativa sledi da bi kompanija trebala da
konkurie jer je OV ove akcije (3625) vea od akcije odustati (0). Ponuda kompanije bi



48




trebala da iznosi 170 000 dolara jer ova alternativa ima veu 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 istraivakog tima. Menaderi treba da odlue da li da se na trite izae sa probnom
serijom proizvoda ili da se potpuno odustane od njegove proizvodnje. Procenjeno je da e
ukupni trokovi lansiranja probne serije proizvoda na trite iznositi 100 000 dolara. Iskustvo
iz prolosti pokazuje da samo 30% novih proizvoda bude prihvaeno na tritu. Ukoliko novi
proizvod bude prihvaen na tritu, kompanija e se suoiti sa novom odlukom vezanom za
veliinu fabrike koju je potrebno izgraditi u cilju serijske proizvodnje proizvoda. Izgradnja
male fabrike, sa proizvodnim kapacitetom od 2000 jedinica proizvoda, bi kotala 150 000
dolara, dok bi izgradnja vee fabrike, sa proizvodnim kapacitetom od 4000 proizvoda
godinje, kotala 250 000 dolara. Odeljenje za marketing kompanije je procenilo da postoji
verovatnoa od 40% da e konkurencija odgovoriti lansiranjem slinog proizvoda i da e cena
po proizvodu (u dolarima) iznositi:
Tabela 1.
Velika fabrika Mala fabrika
Sa konkurencijom 20 35
Bez konkurencije 50 65
Pretpostavljajui da je ivotni vek novog proizvoda na tritu procenjen na 7 godina i da
godinji trokovi rada i velike i male fabrike jednaki (50 000 dolara) odrediti da li kompanija
treba da izae na trite sa probnom serijom proizvoda.







49




Reenje:
U cilju reavanja postavljenog problema konstruisano je drvo odluivanja i metodom MOV
odredjene su oekivane 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 moe se zakljuiti sledee:
-kompanija treba da plasira na trite probnu seriju proizvoda zato to je oekivana vrednost
ove alternative (OV=39200) vea od oekivane vrednosti alternative odustati (OV=0).
-ukoliko probna serija doivi uspeh na tritu onda bi najbolja alternativa bila velika fabrika
zato to je njena oekivana vrednost (OV=364000) vea u odnosu na oekivane vrednosti
akcija mala fabrika (OV=142000) i odustati (OV=-100000).




50




Vieatributivno odluivanje
Osnovni pojam u terminologiji viekriterijumskog odluivanja je atribut, koji ima zadatak da
obezbedi sredstvo ocene nivoa jednog kriterijuma. Po pravilu, svaku akciju (alternativu)
karakterie vei broj atributa, koji se biraju na osnovu izabranih kriterijuma od strane
donosioca odluke.
-Model vieatributivnog odluivanja
Pretpostavimo da se odluka donosi u uslovima izvesnosti. Izbor se vri izmeu m sloenih
opcija, Ai, i=1,2,...,m, koje se ocenjuju na osnovu k razliitih 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, sloenih alternativa, moe se prikazati tabelarno. Redovi
tabele sadre 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 meu sobom razlikuju po brojnim osobinama, od kojih su najvanije preciznost sa
kojom se mogu meriti, i smer korelacije izmeu vrednosti atributa i korisnosti koju pruaju.
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 uee karta i



51




sl. Atributi se izraavaju u razliitim mernim jedinicama (novac, m
2
, tona, procenat, itd.), a
neki od njih se mogu meriti na vie mernih skala (npr. prihod se moe izraavati u razliitim
valutama, a linearne funkcije koje ih povezuju (l EUR = X din.) omoguavaju lako
prevoenje prihoda iz jedne merne jedinice u drugu).
Kvalitativni atributi su karakteristike iji se modaliteti ne mogu izraziti numeriki. Unutar ove
grupe postoje dve podgrupe.
Prvu podgrupu ine atributi ije se vrednosti ne mogu precizno meriti, ali se ipak mogu
rangirati po intenzitetu. Takvi su, npr. znanje i inteligencija kandidata, bezbednost na radu,
pouzdanost dobavljaa i slino. Na osnovu ovih karakteristika mogue je formirati rang-listu
alternativa po prioritetu.
Drugu podgrupu ine isto kvalitativni atributi na osnovu kojih je nemogue vriti nikakvo
kvantitativno poreenje alternativa. Pojavne oblike atributa, kao to su vrsta radnog iskustva
kandidata, dizajn proizvoda, i sl., mogue je samo svrstati u srodne grupe. Kada se za
ocenjivanje alternativa koristi ova vrsta atributa njihovim modalitetima pridruuju se opisi
koji izraavaju ukuse i preferencije donosioca odluke. Npr. proizvodi se mogu porediti po
dizajnu, pri emu se razliitim dizajnerskim reenjima pripisuje jedan od modaliteta:
izuzetno lo, lo, osrednji, vrlo dobar, odlian. Budui da se ukusi razlikuju, iste alternative
bie razliito opisane, tako da e i izbori biti razliiti. I ne samo to. U zavisnosti od problema
koji se reava, moe se dogoditi da se na osnovu istog atributa razliito ocene alternative iz
istog skupa. Npr. jedna lokacija moe biti veoma atraktivna ako se posmatra kao stambeni
prostor, i izuzetno nepovoljna, ako se planira za poslovni prostor ili skladite.

Metodi izbora
Brojne metode izbora, koje su predloene u literaturi, moemo klasifikovati u srodne grupe.
Jedna od moguih podela je na:
Kompenzacijske metode i
Nekompenzacijske metode
Iz grupe nekompenzacijskih metoda izdvajamo sledea etiri:
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 eli da iznajmi poslovni prostor, na osnovu sledea tri atributa: zakupnine,
kvadrature i lokacije. Na tritu se trenutno nudi est alternativa:
Tabela 1.
Alternativa Cena (u evrima) Kvadratura (u m
2
) lokacija
A
1
1000 115 Vrlo dobra
A
2
900 90 Odlina
A
3
1200 130 Dobra
A
4
1100 100 Odlina
A
5
700 95 Vrlo loa

Datim alternativama su pripisane sledee 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 znaajnijom od kvadrature i lokacije, iz ega sledi da su vrednosti
teinskih koeficijenata 0.5, 0.25 i 0.25 (respektivno).
Primenom linearnog modela izabrati najoptimalniju alternativu.

Reenje:

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

Izraunate 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 moe da bira izmeu etiri modela: a
1
, a
2
, a
3
i a
4
.
Izbor e izvriti na osnovu est atributa za koje je mogao prikupiti komparativne podatke:
A
1
-maksimalna brzina [ km/h]
A
2
-potronja goriva [ l/100 km]
A
3
-mogunost optereenja [ 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 sledeoj tabeli:
Tabela 4.

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

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

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 (proseni), 7-visok i 9-vrlo visok nivo.
Krive korisnosti po pojedinim alternativama su prikazane na sledeoj 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




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

Atribut Ograniavajua 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
prosene (5)
A
6
prosene (5)

Teinski koeficijenti za sve atribute su prikazani u narednoj tabeli:

Tabela 6.

Atribut Teinski 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.

Reenje:

Sa grafika funkcija korisnosti oitavamo 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
Narueno ogranienje po atributu A
5


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

Sledi da su korisnosti sloenih 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 najveu vrednost kompozitne korisnosti, nju treba izabrati kao najbolju.


3. zadatak. Petar eli da kupi raunar. Ponuene su mu etiri konfiguracije sa
karakteristikama prikazanim u sledeoj tabeli:
Tabela 8.
atribut
raunar
Cena (u evrima)
Procesor
(GHz)
Monitor (in) HD (GB) CD ROMovi
A 500 2.8 17 120 DVD reza
B 400 2 15 80 DVD ita
C 450 2.4 17 80 DVD ita
D 600 3.2 19 80 DVD reza


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 reza i 0.5 za DVD ita.
Teinski koeficijenti koje je Petar dodelio svakom atributu su sledei:
Cena-0.3
Processor-0.15
Monitor-0.2
HD-0.1
CD ROM-0.25
Primenom linearnog modela izraunati agregatne korisnosti svake alternative (svake
konfiguracije raunara) i odrediti najoptimalniju.

Reenje:
Sa grafika funkcija korisnosti oitavamo vrednosti korisnosti pojedinih alternativa. Rezultati
su sumarno prikazani u narednoj tabeli:
Tabela 9.
atribut
raunar Cena (u
evrima)
Procesor
(GHz)
Monitor
(in)
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 raunaju po sledeem izrazu:
u(Ai)=w
1
*u
i1
+w
2
*u
i2
++w
k
*u
ik

Izraunate 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 elite da iznajmite poslovni prostor i da ponude ocenjujete na
osnovu sledea etiri atributa: X
1
-prosenog vremena putovanja do posla, X
2
-ukupnih
mesenih trokova, X
3
-lokacije, i X
4
-veliine prostora. Svaki atribut je izraen u razliitim
jedinicama mere, a karakteristike tri ponuene opcije su date u sledeoj tabeli:
Tabela 11.
Alt.
Vreme
(u min.)
Trokovi
( u evrima)
Lokacija
(opisno)
Veliina
(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.

Reenje:
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 eliminiemo
atribut X
1
kao nevaan u datom izboru. To bi se dogodilo kada bi vreme alternative
A
2
iznosilo 25 minuta, odnosno kada bi se ono povealo za 5 minuta.
U drugom koraku biramo jedan od preostalih atributa (na primer, X
2
-trokove) i procenjujemo
kolika bi trebala da bude promena mesenih trokova iznajmljivana prostora A
2
kojom bi se



59




kompenzirao porast vremena putovanja za 5 min. Pretpostavimo da bi cena trebalo da bude
nia za 50 evra da bismo pristali na due putovanje. Prikaimo u sledeoj 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 drugaije prikazali karakteristike alternative A
2
koje su, zajedno posmatrane,
ekvivalentne njenim originalnim karakteristikama.
Ekvivalentnim opisom alternative A
2
eliminisali smo razlike izmeu opcija po atributu X
1
.
Samim tim, on postaje irelevantan za izbor, pa ga u treem koraku eliminiemo 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 e biti uesnik u trampi. Pretpostavimo
da smo izabrali trokove. Pogoranje lokacije alternative A
4
sa A na B, treba da prati
odreeno sniavanje trokova. Pretpostavimo da bismo se odrekli bolje lokacije kada bi
trokovi bili nii 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 meusobne razlike alternativa po atributu X
3
, pa emo ga
iskljuiti iz dalje analize.
U poslednjem koraku treba da odredimo odnose razmene izmeu dva preostala atributa:



60




X
2
-trokovi i X
4
-veliine prostora.
Tabela 15.
Alternativa X
2
X
4

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

Pretpostavimo da elimo da eliminiemo atribut X
4
. Budui da se svi prostori meu sobom
razlikuju po kvadraturi, prihvatiemo neku od raspoloivih vrednosti kao standard;
izaberimo sredinju vrednost, tj. 70 m
2
. sada za alternative A
2
i A
3
treba da odredimo trokove
koji bi (zajedno sa veliinom prostora od 70 m
2
) bili ekvivalentni sa njihovim stvarnim
vrednostima. Pretpostavimo da smo u sluaju alternative A
2
za porast kvadrature od 20 m
2

spremni da doplatimo 150 evra, dok bismo se u sluaju alternative A
3
odrekli 15 m
2
pod
uslovom da se trokovi 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 vieatributivne analize sveli na problem
jednokriterijumskog izbora. Poreenjem vrednosti alternativa po atributu X
2
-trokovi,
zakljuujemo 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 izmeu etiri modela: a
1
, a
2
, a
3
i a
4
. Izbor
e izvriti koristei sledee kriterijume:

A
1
veliina kotla (m
2
)
A
2
potronja uglja (t/h)
A
3
mogunost optereenja (kp)
A
4
cena (10
7
din)
A
5
pouzdanost (kvalitativna ocena)

Poetna matrica odluivanja ima oblik:


= : O

niska
prosero
vrlovisoka
visoka
50 1700 6 160
75 1500 9 180
90 1200 12 200
60 1600 7 170




REENJE :

Transformacija kvalitativnih atributa

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

= : O

3 50 1700 6 160
5 75 1500 9 180
9 90 1200 12 200
7 60 1600 7 170












62




korak 1: Izraunavanje normalizovane matrice odluivanja N

Najpre se raunaju normalizovani elementi matrice odluivanja 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 odluivanja glasi:

=
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: Izraunavanje teinske normalizovane matrice odluivanja TN

Donosilac odluke aktivno uestvuje u proceduri reavanja problema i odreuje preference,
odnosno teine korisnikih kriterijuma, posle ega se izraunava teinska normalizovana
matrica odluivanja.

T N TN = == =

U ovom sluaju, matrica teinskih koeficijenata je:


T: = ( 0,1 0,2 0,1 0,3 0,3)


Zbir elemenata ovog vektora je jednak jedinici.

Tako da teinska normalizovana matrica odluivanja glasi:

=
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: Odreivanje skupova saglasnosti S i nesaglasnosti NS

U ovom koraku uporeuju 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
poeljnija 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: Odreivanje matrice saglasnosti MS

Matrica saglasnosti odreuje se na osnovu skupa saglasnosti. Elemente matrice ine indeksi
saglasnosti, ija je vrednost jednaka sumi teinskih koeficijenata koji odgovaraju
pripadajuim 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:

=
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: Odreivanje matrice nesaglasnosti MNS

Matrica nesaglasnosti odreuje se na osnovu skupa nesaglasnosti. Elemente matrice ine
indeksi nesaglasnosti, koji se odreuju na osnovu formule:


rj pj
J j
rj pj
NS j
pr
tn tn max
tn tn max
ns
pr


= == =




gde je tn element teinske normalizovane matrice odluivanja.


( )
( )
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:

=
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: Odreivanje matrice saglasne dominacije MSD

Matrica saglasne dominacije odreuje se na osnovu vrednosti praga indeksa saglasnosti, koji
se moe definisati kao proseni indeks saglasnosti:


( (( ( ) )) ) 1 m m
s
PIS
m
1 p
m
1 r
pr

= == =

= == = = == =


pri emu je p r.

Potom se formira matrica saglasne dominacije na osnovu sledeeg kriterijuma:

msd
pr
= 1 za s
pr
PIS

msd
pr
= 0 za s
pr
< PIS


U ovom sluaju,

( )
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:

=
0 1 1 1
0 0 1 0
0 0 0 0
0 1 1 0
: MSD



korak 7: Odreivanje matrice nesaglasne dominacije MNSD

Matrica nesaglasne dominacije izraunava se analogno MSD; najpre se rauna prosean
indeks nesaglasnosti:


( (( ( ) )) ) 1 m m
ns
PINS
m
1 p
m
1 r
pr

= == =

= == = = == =


pri emu je p r.

Potom se formira matrica nesaglasne dominacije na osnovu sledeeg kriterijuma:



70





mnsd
pr
= 1 za ns
pr
PINS

mnsd
pr
= 0 za ns
pr
> PINS


U ovom sluaju 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:

=
0 0 0 0
0 0 0 0
1 1 0 0
1 1 1 0
: MNSD


korak 8: Odreivanje matrice agregatne dominacije MAD

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

pr pr pr
nsd sd ad = == =

tako da, u ovom sluaju, matrica ima sledee vrednosti:

=
0 0 0 0
0 0 0 0
0 0 0 0
0 1 1 0
: MAD











71




korak 9: Eliminisanje manje poeljnih 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 promovie svoj proizvod. Razmatraju se est moguih
naina reklamiranja: u internacionalnim novinama News, u novinama Herald, reklamiranje
putem bilborda postavljenim u veim gradovima, putem pote i emitovanjem TV spotova na
CMM ili NCB kanalu.
Svaki mogui nain promocije proizvoda tj. svaka raspoloiva alternativa se ocenjuje na
osnovu 5 kriterijuma-atributa: cena (izraena u 1000 US$), veliina ciljnog auditorijuma (
izraena kao x*10 000 primalaca poruke), trajanje promocije ( u danima), efikasnost (
izraena na skali 0-100) i broj angaovanih ljudi iz kompanije tokom promocije. Teinski
koeficijenti dodeljeni svakom atributu su redom: 12, 40, 12, 22, 14.
Primenom ELECTRE I metode odrediti najbolju alternativu.
Reenje:

Tabela. Polazni podaci

C1 C2 C3 C4 C5
atribut
Cena
Veliina
auditorijuma
Trajanje
promocije
Efikasnost
Broj
angaovanih
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: Izraunavanje normalizovane matrice odluivanja N

Najpre se raunaju normalizovani elementi matrice odluivanja 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 odluivanja 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: Izraunavanje teinske normalizovane matrice odluivanja TN

Donosilac odluke aktivno uestvuje u proceduri reavanja problema i odreuje preference,
odnosno teine korisnikih kriterijuma, posle ega se izraunava teinska normalizovana
matrica odluivanja.

T N TN = == =

U ovom sluaju, matrica teinskih koeficijenata je:


T: = ( 0,12 0,40 0,12 0,22 0,14)


Zbir elemenata ovog vektora je jednak jedinici.


Tako da teinska normalizovana matrica odluivanja 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: Odreivanje skupova saglasnosti S i nesaglasnosti NS

U ovom koraku uporeuju 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
poeljnija 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: Odreivanje matrice saglasnosti MS

Matrica saglasnosti odreuje se na osnovu skupa saglasnosti. Elemente matrice ine indeksi
saglasnosti, ija je vrednost jednaka sumi teinskih koeficijenata koji odgovaraju
pripadajuim 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: Odreivanje matrice nesaglasnosti MNS

Matrica nesaglasnosti odreuje se na osnovu skupa nesaglasnosti. Elemente matrice ine
indeksi nesaglasnosti, koji se odreuju na osnovu formule:


rj pj
J j
rj pj
NS j
pr
tn tn max
tn tn max
ns
pr


= == =




gde je tn element teinske normalizovane matrice odluivanja.



( )
( )
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: Odreivanje matrice saglasne dominacije MSD

Matrica saglasne dominacije odreuje se na osnovu vrednosti praga indeksa saglasnosti, koji
se moe definisati kao proseni indeks saglasnosti:


( (( ( ) )) ) 1 m m
s
PIS
m
1 p
m
1 r
pr

= == =

= == = = == =


pri emu je p r.

Potom se formira matrica saglasne dominacije na osnovu sledeeg kriterijuma:

msd
pr
= 1 za s
pr
PIS

msd
pr
= 0 za s
pr
< PIS


U ovom sluaju,

( ) 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: Odreivanje matrice nesaglasne dominacije MNSD

Matrica nesaglasne dominacije izraunava se analogno MSD; najpre se rauna prosean
indeks nesaglasnosti:


( (( ( ) )) ) 1 m m
ns
PINS
m
1 p
m
1 r
pr

= == =

= == = = == =


pri emu je p r.



85




Potom se formira matrica nesaglasne dominacije na osnovu sledeeg kriterijuma:


mnsd
pr
= 1 za ns
pr
PINS

mnsd
pr
= 0 za ns
pr
> PINS

U ovom sluaju 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: Odreivanje matrice agregatne dominacije MAD

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

pr pr pr
nsd sd ad = == =

tako da, u ovom sluaju, matrica ima sledee 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 to su izuzetna jednostavnost, ekonomski znaaj
korienih parametara, i potpuno odsustvo prateih efekata rangiranja.
U ovaj metod autori su uveli tzv. opte kriterijume, jer su na osnovu iskustva doli do
zakljuka da se oni mogu koristiti pri reavanju veine realnih problema vieatributivnog
odluivanja. Dodelili su im odgovarajue funkcije P(x), i definisali broj i vrstu parametara
koje je potrebno definisati u konkretnoj situaciji (tabela 47).

Primer: Za potrebe objanjenja primene metoda PROMETHEE posluie napred dati primer.
1. zadatak. Kupac privatnog automobila je u situaciji da bira izmeu etiri modela: a1, a2, a3 i
a4. Izbor e izvriti koristei sledee kriterijume:
A1 maksimalna brzina (km/h)
A2 potronja goriva (milja/galonu, pa se zato maksimizira)
A3 mogunost optereenja (kp)
A4 cena (10
7
din)
A5 pouzdanost (kvalitativna ocena)
A6 sposobnost manevrisanja (kvalitativna ocena)
Poetna matrica odluivanja ima oblik:




Koristei 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 odluivanja je u
potpunosti kvantifikovana:




87






korak 1: Definisanje tipa, parametara i teina kriterijuma
Donosioc odluke aktivno uestvuje u proceduri reavanja problema i odreuje tipove opteg
kriterijuma, parametre i teine korisnikih kriterijuma.
U ovom sluaju, donosilac odluke je izabrao sledee parametre:






























88





Tabela 17.













89




korak 2: Odreivanje funkcija preferencije Pj(ai, as)
Funkcija preferencije odreuje se na osnovu razlike vrednosti kriterijuma odreene alternative
ai sa ostalim alternativama as, i, s = 1,2,3,4, razmatrajui svaki kriterijum kj, j = 1,,6.






90







korak 3: Odreivanje indeksa preferencija IPj(ai, as)
Indeks preferencije za razmatrani par akcija (ai, as) jednak je sumi proizvoda teine
kriterijuma i vrednosti funkcije preferencije:



U ovom sluaju, indeksi preferencija jednaki su:




91






korak 4: Odreivanje ulaznih i izlaznih tokova akcija
Za odreivanje ulaznog toka akcije koristi se izraz:


U ovom sluaju, ulazni tokovi jednaki su:



Za odreivanje izlaznog toka akcije koristi se izraz:






92






Tako da su izlazni tokovi jednaki:






korak 5: Odreivanje parova potpunih poredaka

Odreivanje parova potpunih poredaka vri se na osnovu sledeih nejednana i jednaina:



U ovom sluaju,




93









94








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

Za razmatrani par akcija (ai, as) vai:

Akcija ai ima vii 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 sluajevima.



95





U ovom sluaju,







96










korak 7: Odreivanje matrice viih rangova
Matricu viih rangova ine elementi 1 i 0 koji zadovoljavaju uslov:
e = 1 za ai PI as, tj. ai ima vii rang od as
e = 0, u suprotnom
Tako da je matrica viih rangova za dati primer:





97






Iz matrice viih rangova vidi se sledee:
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 vieg ranga
Na slici 15. prikazan je graf vieg ranga po metodu PROMETHEE I.


Slika 3. Graf vieg ranga po metodu PROMETHEE I

PROMETHEE II
korak 9: Odreivanje istih tokova akcija
U ovom koraku rauna sa razlika ulaznog i izlaznog toka svake od akcija.


korak 10: Rangiranje akcija prema veliini istih tokova




98





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


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

2. zadatak. Kompanija planira da promovie svoj proizvod. Razmatraju se est moguih
naina reklamiranja: u internacionalnim novinama News, u novinama Herald, reklamiranje
putem bilborda postavljenim u veim gradovima, putem pote i emitovanjem TV spotova na
CMM ili NCB kanalu.
Svaki mogui nain promocije proizvoda tj. svaka raspoloiva alternativa se ocenjuje na
osnovu 5 kriterijuma-atributa: cena (izraena u 1000 US$), veliina ciljnog auditorijuma (
izraena kao x*10 000 primalaca poruke), trajanje promocije ( u danima), efikasnost (
izraena na skali 0-100) i broj angaovanih ljudi iz kompanije tokom promocije. Teinski
koeficijenti dodeljeni svakom atributu su redom: 12, 40, 12, 22, 14.
Primenom PROMETHEE II metode izvriti rangiranje alternativa. Za svaki kriterijum
koristiti obinu funkciju preferencije tj. obian kriterijum (tip. I).











99




Tabela. 18. Polazni podaci

C1 C2 C3 C4 C5
atribut
Cena
Veliina
auditorijuma
Trajanje
promocije
Efikasnost
Broj
angaovanih
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


Reenje:

korak 1: Definisanje tipa, parametara i teina 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


- obina funkcija preferencije tj. obian kriterijum (tip. I):




-broj parametara koje treba definisati u sluaju obinog kriterijuma: 0
-teine kriterijuma su date u tekstu zadatka.






100




korak 2: Odreivanje 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: Odreivanje indeksa preferencija IPj(ai, as)
Indeks preferencije za razmatrani par akcija (ai, as) jednak je sumi proizvoda teine
kriterijuma i vrednosti funkcije preferencije:


U ovom sluaju, 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: Odreivanje ulaznih i izlaznih tokova akcija

Za odreivanje 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 odreivanje 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


Odreivanje istih tokova akcija
U ovom koraku rauna 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 eli da iznajmi poslovni prostor na osnovu sledea etiri kriterijuma:
ukupnih mesenih trokova, lokacije, kvadrature i konkurencije. Na tritu se trenutno nudi
pet poslovnih prostora: A, B, C, D i E. Vrednosti alternativa po datim kriterijumima su
prikazani u narednoj tabeli 19. Trokovi su izraeni u evrima, kvadratura u m
2
, dok su
kriterijumi lokacija i konkurencija kvalitativni kriterijumi. Za kvantifikovanje kvalitativnih
vrednosti kriterijuma lokacija koriena je petocifrena skala sa sledeim znaenjima: 1-veoma
loa, 2-loa, 3-zadovoljavajua, 4-dobra, 5-veoma dobra; dok su za kriterijum konkurencija
ocene imale znaenje: 1-veoma slaba, 2-slaba, 3-srednja, 4-jaka, 5-veoma jaka. Neke
kriterijume je potrebno minimizirati (trokovi, konkurencija), dok je ostale potrebno
maksimizirati (lokacija, kvadratura).

Tabela 19. Polazni podaci za dati problem odluivanja prikazani u evulacionoj tabeli
kriterijum
alternativa
trokovi 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 sledee teine kriterijumima: trokovi-30, lokacija-30,
kvadratura-15 i konkurencija-25. Vrednosti dodeljenih teina ukazuju da e donosilac odluke
u procesu odluivanja podjednako vrednovati kriterijume trokovi i lokacija. Ova dva
kriterijuma su istovremeno njemu i najznaajniji pri izboru. Neto manje znaajan kriterijum
je konkurencija sa dodeljenom teinom 25, dok je najmanje vaan kriterijum povrina sa
teinom 15.
Pored teinskih faktora, donosilac odluke mora biti u stanju da svakom kriterijumu
dodeli odgovarajuu funkciju preferencije.
U sledeoj tabeli su prikazani tipovi funkcija preferencije, parametri i teine koje je
donosilac odluke, nakon analize problema, dodelio pojedinim kriterijumima.






110




Tabela 20. Dodeljene funkcije preferencije,odgovarajui parametri i teine
kriterijum
trokovi lokacija kvadratura konkurencija
min/max min max max min
tip 3 (V-kriterijum) 1 (obian
kriterijum)
3 (V-kriterijum) 1 (obian
kriterijum)
parametar 70 - 20 -
teina 30 30 15 25

Za proraun po navedenom primeru, korien je Decision Lab softver [6], koji rezultate
prezentuje grafiki.
Na osnovu proraunatih pozitivnih i negativnih tokova preferencije izvreno je
parcijalno rangiranje po PROMETHEE I metodi (slika 4).
Sa dobijenog grafika na slici 5, uoljivo je da alternativa D dominira nad svim ostalim
alternativama. Sa druge strane, alternative A i E su meusobno neuporedive alternative.
Alternativa A ima veu ukupnu snagu u odnosu na alternativu E ( ( ) A
+
> ( ) E
+
) ali
istovremeno i veu ukupnu slabost ( ( ) A

> ( ) E

). PROMETHEE I ne uporeuje konfliktne


akcije.

Slika 5. PROMETHEE I rangiranje

PROMETHEE II metoda omoguuje donosiocu odluke mogunost kompletnog
rangiranja alternativa kako je prikazano na slici 6. Na osnovu toga, moe se zakljuiti da je
kompletni poredak alternativa sledei: DCAEB. Obe metode pruaju jaku podrku
donosiocu odluke u procesu reavanja problema.



111





Slika 6. PROMETHEE II rangiranje

Oigledno je da PROMETHEE I i PROMETHEE II metode vre rangiranje alternativa na
osnovu izabranih teina pojedinih kriterijuma. Specijalna opcija softvera nazvana THE
WALKING WEIGHTS omoguava da se modifikuju poetne teine i da se posmatraju
rezultujue promene rangiranja (slika 7). Na ovaj nain donosilac odluke moe 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 odluivanja.




112






Slika 8. GAIA ravan za dati problem odluivanja

Na osnovu poloaja alternativa i kriterijuma vidljivo je da su svi navedeni kriterijumi
medjusobno veoma konflitni (razliiti pravci osa). Pojedine alternative su veoma dobre po
odreenim kriterijumima (njihove take su pozicionirane u smeru odreenog kriterijuma).
Tako je na primer vidljivo da su alternative D i A posebno dobre po kriterijumu trokovi, D i
E u odnosu na kriterijum konkurencija, B i C po kriterijumu lokacija itd. Pravac vektora
jasno ukazuje da je najoptimalniji izbor alternativa D.








113




Metod AHP
Metod analitikih hijerarhijskih procesa (AHP), koji je razvio Saaty poetkom sedamdesetih
godina prolog veka, koristi se za reavanje kompleksnih problema odluivanja u kojima u-
estvuje vei broj donosilaca odluke, vei broj kriterijuma i u viestrukim vremenskim
periodima.
Metod se zasniva konceptu balansa koji se koristi za odreivanje sveukupne relativne
znaajnosti skupa atributa, aktivnosti ili kriterijuma analiziranog problema odluivanja. To se
postie strukturiranjem bilo kog kompleksnog problema odluivanja u vei broj hijerarhijskih
nivoa, dodeljivanjem teina u obliku serije matrica poreenja parova. Tako posmatran, metod
AHP ima etiri faze:
strukturiranje problema,
prikupljanje podataka,
ocenjivanje relativnih teina, i
odreivanje reenja problema.
Prvu fazu, strukturiranje problema, ini rastavljanje kompleksnog problema odluivanja na
niz hijerarhija, gde svaki nivo predstavlja manji broj upravljivih atributa. Oni se potom
rastavljaju u drugi skup elemenata koji odgovara sledeem nivou, itd.
Druga faza ovog metoda obuhvata prikupljanje podataka i njihovu evaluaciju na svim
nivoima celokupne hijerarhije. Meusobno ocenjivanje alternativa i kriterijuma (atributa) se
vri dodeljivanjem teina primenom tzv. skale devet taaka, koja je data u narednoj tabeli.







114




Tabela 50. Skala devet taaka





Donosioc odluke dodeljuje teine svakom paru posebno, kao meru koliko je jedan par atributa
znajniji od drugog. Ukoliko raspolae objektivnim podacima, moe ih koristiti pri
dodeljivanju teina, u suprotnom, koristi sopstvene procene i informacije. Kao rezultat dobiva
se odgovarajua matrica uporeivanja po parovima koja odgovara svakom nivou hijerarhije.
Trea i etvrta faza metoda AHP su isto matematike, i bie objanjene na primeru.












115




Primer: Primena metoda AHP bie objanjena na prethodnom primeru.
Hijerarhijska struktura problema prikazana je na narednoj slici.





Slika 20 . Hijerarhijska struktura problema izbora automobila

Ukoliko se atributi na prvom nivou oznae:
A1 maksimalna brzina (km/h)
A2 potronja goriva (l/100 km)
A3 mogunost optereenja (kp)
A4 cena (10
7
din)
A5 pouzdanost (kvalitativna ocena)
A6 sposobnost manevrisanja (kvalitativna ocena)
Kupac najpre treba da izvri uporeivanje znaaja pojedinih atributa (kriterijuma) saglasno
skali definisanoj tabelom 50. Njegove procene i prioriteti su prikupljeni u cilju izbora



116




automobila i dati u sledeoj 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 proraunu.

NIVO I
korak 1: Prerada matrice uporeivanja teina u parovima na osnovu poetne matrice
odluivanja skale od devet taaka
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 proraunu.


korak 2: Proraun suma elemenata kolone





117





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



Konani prioritet za nivo I
A5 0.3526
A4 0.3441
A2 0.1350
A1 0.0736
A6 0.0587
A3 0.0360

NIVO II
Donosioc odluke procenjuje sva etiri tipa automobila u odnosu na svaki kriterijum
pojedinano, odnosno izraunava uee svake alternative pojedinano u okviru posmatranog
kriterijuma.
Atribut A1
Matrica uporeivanja u odnosu na atribut A
1




118




Preraena matrica uporeivanja teina u parovima

Proraun sopstvenog vektora odgovarajuih sopstvenih vrednosti

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

Atribut A2
Matrica uporeivanja u odnosu na atribut A2

Preraena matrica uporeivanja teina u parovima

Proraun sopstvenog vektora odgovarajuih sopstvenih vrednosti




119




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

Atribut A3
Matrica uporeivanja u odnosu na atribut A3

Preraena matrica uporeivanja teina u parovima

Proraun sopstvenog vektora odgovarajuih sopstvenih vrednosti


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









120




Atribut A4
Matrica uporeivanja u odnosu na atribut A4

Preraena matrica uporeivanja teina u parovima

Proraun sopstvenog vektora odgovarajuih sopstvenih vrednosti

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

Atribut A5
Matrica uporeivanja u odnosu na atribut A5

Preraena matrica uporeivanja teina u parovima



121





Proraun sopstvenog vektora odgovarajuih sopstvenih vrednosti

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

Atribut A6
Matrica uporeivanja u odnosu na atribut A6


Preraena matrica uporeivanja teina u parovima


Proraun sopstvenog vektora odgovarajuih sopstvenih vrednosti




122




Konani 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 teine u okviru
posmatranog kriterijuma, razmatrajui sve kriterijume.
Matematiki proraun za sve alternative realizuje se na sledei nain:

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 oigledno 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 odreenog posla.
Rangiranje firmi e se izvriti uzimajui u obzir sledee faktore: dosadanje iskustvo,
finansijsko stanje, kvalitet izvedenih radova, radna snaga, oprema, projekti u toku. Primenom
AHP metode izvriti rangiranje prijavljenih firmi.

Tabela 51. Polazni podaci

kriterijum Firma A Firma B Firma C Firma D Firma E
Iskustvo
5 godina
2 slina projekta
7 godina
1 slian projekat
8 godina
bez slinih
projekta
1 meunarodni
projekat
10 godina
2 slina projekta
15 godina
bez slinih
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
-Prosena
organiz.
-2 zaostala
projekta

-Dobra organiz.
-dobra
reputacija
-Dobra organiz.
-dobra
reputacija
-Loa 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
maine
-1 bager
-15 pomonih
maina
-6 mikser
maine
-1 bager
-1 buldoer
-2 mikser
maine
-1 bager
-20 pomonih
maina
-4 mikser
maine
-1 bager
-9 pomonih
maina
-2 mikser
maine
-10 pomonih
maina


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 zapoeti
projekat srednje
veliine
-2 projekta pri
kraju (1 veliki i
1 srednji)
-2 velika
projekta pri
kraju
-1 projekat
srednje veliine
u toku
-zapoeta 2
manja projekta
-3 projekta pri
kraju (1 manja i
i 1 srednji)

















124




Reenje:

Na narednoj slici je prikazana hijerarhijska struktura problema:



Slika 21. Hijerarhijska struktura problema izbora firme

Tabela predstavlja tabelu-matricu meusobnog uporeivanja alternativa po prvom
kriterijumu-iskustvu :
Tabela 52. Meusobno uporeivanja 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 uporeivanja teina u parovima na osnovu poetne matrice
odluivanja skale od devet taaka
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 proraunu:
Tabela 53.
Iskustvo A B C D E
A 1 1/3 1/2 1/6 2
B 3 1 2 1/2 4
C 2 1/2 1 1/3 3
D 6 2 3 1 7
E 1/2 1/4 1/3 1/7 1
= 12.5 4.083 6.833 2.143 17

Vrednosti vektora prioriteta su prikazane u poslednjoj koloni tabele 54. Vrednosti u ostalim
elijama tabele su dobijene deljenjem odgovarajue vrednosti iz prethodne tabele sa sumom



125




odgovarajue 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 odreuje na osnovu srednjih vrednosti iz svakog pojedinanog 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 raunaju i druge vrednosti vektora prioriteta tako da on, za sluaj kriterijuma
iskustvo ima sledei oblik:
(
(
(
(
(
(

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


Indeks konzistetnosti (consistency index IC) kao mera konzistetnosti odstupanja n od
max
se
moe izraunati na sledei nain:






126





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

Na osnovu vrednosti datih u tabeli odreujemo prosenu sluajnu konzistentnost (avarage
random consistency RI), koja u ovom sluaju (za matricu tj. tabelu dimenzija 5X5 ) iznosi
1.12.
Tabela 55. Vrednosti RI u funkciji od veliine matrice
Veliina
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 identian nain su odreeni 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 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 odgovarajuih tabela-matrica meusobnog uporeivanja alternativa po svakom od
izabranih kriterijuma, u cilju primene AHP metode, potrebno je formirati tabelu meusobnog
poreenja kriterijuma. U tu svrhu ponovo koristimo skalu devet taaka (tabela 50 ).




128





Tabela 56. Tabela meusobnog uporeivanja 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 zakljuujemo da je
redosled alternativa dobijen primenom AHP metode: D, C, A, B, E.





























130





Literatura


1. Pavlii D., Teorija odluivanja, Ekonomski fakultet, Beograd, 2004.
2. upi M., Tummala R.V.M., Suknovi M., Odluivanje: Formalni pristup, FON, Beograd,
2001.
3. Mitevska N., Teorija odluivanja sa primerima, Autorizovana predavanja, Tehniki
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

You might also like