Laste ned presentasjonen
1
Managerial Decision Modeling
A Practical Introduction to Management Science , 5ed by Cliff Ragsdale
2
Theories of Decision Making
Chapter 15 Theories of Decision Making Rasmus Rasmussen LOG350 Operasjonsanalyse
3
LOG350 Operasjonsanalyse
Beslutningsanalyse Modeller kan hjelpe ledere til å skaffe seg innsikt og forståelse, men de kan ikke ta beslutningene. Å ta beslutninger vil ofte likevel gjenstå som en vanskelig oppgave : Usikkerhet om framtiden Verdier eller målsettinger i konflikt med hverandre Ta f.eks. følgende eksempel ... Rasmus Rasmussen LOG350 Operasjonsanalyse
4
Å velge forskjellige jobb-tilbud
Selskap A I en ny bransje som kan blomstre eller visne. Lav begynnerlønn, men kan øke meget raskt. Ligger nære venner, familier og med attraktivt fritidstilbud. Selskap B Et etablert foretak med finansiell styrke og vilje til å verne om ansatte. Større begynnerlønn, men mindre avansementsmuligheter. Ligger avsides, med få fritidstilbud. Hvilken jobb ville du velge ? Rasmus Rasmussen LOG350 Operasjonsanalyse
5
Gode beslutninger kontra gode resultat
En strukturert måte å løse beslutningsproblemer kan hjelpe oss i å fatte gode beslutninger, men kan ikke garantere gode resultat. Gode beslutninger vil noen ganger gi dårlige resultat. Rasmus Rasmussen LOG350 Operasjonsanalyse
6
Karakteristika for beslutningsproblemer
Alternativer – forskjellige muligheter for å løse et problem. Arbeide for selskap A Arbeide for selskap B Forkaste begge tilbud og fortsette å lete etter jobb Kriterier – faktorer som er viktige for beslutningsfatter og som påvirkes av alternativene. Lønn Karrieremuligheter Lokalisering Tilstander – framtidige hendelser som ikke kontrolleres av beslutningstakeren. Selskap A blomster Selskap A visner etc
7
Et eksempel: Magnolia Inns
Hartsfield International Airport i Atlanta, Georgia, er en av de travleste flyplassene i verden. Den er utvidet mange ganger for å ta hånd om den økende trafikken. Industriell utbygging rundt flyplassen forhindrer bygging av flere rullebaner for å ta hånd om framtidige trafikkbehov. Det foreligger planer om å bygge en ny flyplass utenfor bygrensen. To alternative lokaliseringer er utpekt, men en endelig beslutning er ikke ventet før om enda et år. Magnolia Inns hotell kjede ønsker å bygge et nytt hotell nær den nye flyplassen straks plasseringen er bestemt. Tomteprisene rundt de alternative plasseringene øker fordi investorer spekulerer i at verdiene vil stige kraftig nær den nye flyplassen. Rasmus Rasmussen LOG350 Operasjonsanalyse
8
LOG350 Operasjonsanalyse
Data Rasmus Rasmussen LOG350 Operasjonsanalyse
9
Beslutningsalternativene
1) Kjøpe tomt i område A. 2) Kjøpe tomt i område B. 3) Kjøpe begge tomtene. 4) Ikke kjøpe tomt. Rasmus Rasmussen LOG350 Operasjonsanalyse
10
LOG350 Operasjonsanalyse
Mulige tilstander 1) Den nye flyplassen bygges nær A. 2) Den nye flyplassen bygges nær B. Rasmus Rasmussen LOG350 Operasjonsanalyse
11
LOG350 Operasjonsanalyse
Lage en Payoff Matrise Rasmus Rasmussen LOG350 Operasjonsanalyse
12
LOG350 Operasjonsanalyse
Beslutningsregler Hvis framtidig tilstand (lokalisering) var kjent, så ville det være enkelt å fatte en beslutning. Gitt usikkerhet, så finnes flere beslutnings-regler uten bruk av sannsynligheter : MaxiMax MaxiMin MiniMax beklagelse Ingen av disse reglene er alltid best, og hver har sine svakheter. Rasmus Rasmussen LOG350 Operasjonsanalyse
13
MaxiMax beslutningsregelen
Finn beste konsekvens for hvert alternativ. Velg det alternativ som har den beste av de beste konsekvensene. Svakheter Betrakt følgende payoff (konsekvens) matrise : Tilstand Alternativ MAX A <--maximum B Rasmus Rasmussen LOG350 Operasjonsanalyse
14
MaxiMin beslutningsregelen
Finn dårligste konsekvens for hvert alternativ. Velg det alternativet som har den beste av de dårligste konsekvensene. Svakheter Betrakt følgende payoff matrise Tilstand Alternativ MIN A B <--maximum Rasmus Rasmussen LOG350 Operasjonsanalyse
15
LOG350 Operasjonsanalyse
MiniMax Beklagelse Beregn beklagelsen for hvert alternativ i hver mulig tilstand : Beklagelse : Beste konsekvens i en tilstand – det aktuelle alternativet sin konsekvens i samme tilstand. Finn største beklagelse for hvert alternativ. Velg det alternativ som har den minste av de største beklagelsene. Rasmus Rasmussen LOG350 Operasjonsanalyse
16
LOG350 Operasjonsanalyse
MiniMax Beklagelse Betrakt følgende konsekvens- matrise Tilstand Alternativ A 9 2 B 4 6 Max 9 6 Tilstand Alternativ MAX A <--minimum B Beklagelse- matrisen er da: Merk at vi foretrekker A framfor B. Nå, la oss legge til et nytt alternativ... Rasmus Rasmussen LOG350 Operasjonsanalyse
17
LOG350 Operasjonsanalyse
Et nytt alternativ Betrakt følgende konsekvens- matrise Tilstand Alternativ A 9 2 B 4 6 C 3 9 Tilstand Alternativ MAX A B <--minimum C Beklagelse- matrisen er nå: Nå foretrekker vi B framfor A ? Rasmus Rasmussen LOG350 Operasjonsanalyse
18
Sannsynlighetsmetoder
Enkelte ganger kan de mulige tilstandene tildeles sannsynligheter som angir hvor sannsynlig det er at de skal inntreffe. For beslutningsproblemer som opptrer mer enn en gang kan vi ofte estimere den relative hyppigheten ut fra historiske data. Andre beslutningsproblemer (som Magnolia Inns problemet) er en engangsbeslutning som det ikke eksisterer historiske data for. I slike tilfeller tildeles ofte subjektive sannsynligheter basert på f.eks. ekspertuttalelser. Det finnes meget strukturerte intervju-teknikker for å avsløre sannsynlighetsanslag som er rimelig nøyaktige og fri for ubevisste skjevheter som kan ha innflytelse på ekspertuttalelser. Vi skal se på beslutningsteknikker som kan brukes gitt at vi har funnet dekkende sannsynlighetsanslag.
19
LOG350 Operasjonsanalyse
Forventet verdi Velger det alternativet med den største pengemessige forventede verdien ”expected monetary value” (EMV) EMVi er gjennomsnittskonsekvensen vi vil oppnå hvis vi stod over for samme beslutningsproblem mange ganger og alltid valgte alternativ i. Rasmus Rasmussen LOG350 Operasjonsanalyse
20
LOG350 Operasjonsanalyse
Forventet verdi Rasmus Rasmussen LOG350 Operasjonsanalyse
21
LOG350 Operasjonsanalyse
EMV og risiko Beslutninger basert på forventet verdi tar ikke hensyn til risiko. Svakheter Betrakt følgende konsekvensmatrise : Tilstand Alternativ EMV A 15, ,000 5,000 <--maximum B 5,000 4,000 4,50 Sannsynlighet Rasmus Rasmussen LOG350 Operasjonsanalyse
22
LOG350 Operasjonsanalyse
EMV og usikkerhet Forventet verdi (m) Preferanseretning Indifferenskurve B A Risiko (s) Rasmus Rasmussen LOG350 Operasjonsanalyse
23
LOG350 Operasjonsanalyse
Forventet beklagelse Velger det alternativet som har minst forventet beklagelse eller alternativkostnad (opportunity loss) (EOL) Alternativet med størst forventet verdi vil også ha den minste forventede beklagelsen. Rasmus Rasmussen LOG350 Operasjonsanalyse
24
Forventet verdi av perfekt informasjon
Anta at vi kunne leie en konsulent som kunne forutsi framtiden med 100% nøyaktighet. Med slik perfekt informasjon ville Magnolia Inns’ gjennomsnittlige pay off være : EVUC = 0.4*$ *$11 = $11.8 (i millioner) Uten perfekt informasjon var EMV $3.4 million. Forventet verdi av perfekt informasjon er derfor : EVPI = $ $3.4 = $8.4 (i millioner) Generelt er EVPI = EVUC - maximum EMV Derfor vil det alltid være slik at : EVPI = minimum EOL Rasmus Rasmussen LOG350 Operasjonsanalyse
25
LOG350 Operasjonsanalyse
EVPI Rasmus Rasmussen LOG350 Operasjonsanalyse
26
Et beslutningstre for Magnolia Inns
1 2 3 4 Kjøp A -18 Kjøp B -12 Kjøp A&B -30 Ingen kjøp Beslutning om tomtekjøp Flyplasslokalisering A B Payoff 13 -8 11 5 -1 31 6 23 35 29 Rasmus Rasmussen LOG350 Operasjonsanalyse
27
Rulle tilbake et beslutningstre
1 2 3 4 Kjøp A -18 Kjøp B -12 Kjøp A&B -30 Ingen kjøp Beslutning om tomtekjøp Flyplasslokalisering A B Payoff 13 -8 11 5 -1 31 6 23 35 29 0.4 0.6 EMV=-2 EMV=3.4 EMV=1.4 EMV= 0 Rasmus Rasmussen LOG350 Operasjonsanalyse
28
Alternativt beslutningstre
Beslutning om tomtekjøp Flyplasslokalisering Payoff 0.4 A 13 31 Kjøp A 1 -18 EMV=-2 6 B -12 0.6 0.4 A -8 4 Kjøp B 2 -12 EMV=3.4 23 B 11 0.6 0.4 A 5 35 Kjøp A&B EMV=3.4 3 -30 EMV=1.4 29 B -1 0.6 Ingen kjøp Rasmus Rasmussen LOG350 Operasjonsanalyse
29
Lage beslutningstrær i RiskSolver
Eller du kan lage og endre et beslutningstre fra Model Tab’en i Solver Task Pane Du kan lage og endre et beslutningstre fra Decision Tree menyen i Risk Solver Ribbon Angi et beslutningspunkt eller sjansepunkt: Gi noden et navn: Angi greinene og eventuelle verdier: Rasmus Rasmussen LOG350 Operasjonsanalyse
30
LOG350 Operasjonsanalyse
Decision Tree i Excel Dobbel-klikk for å endre: Rasmus Rasmussen LOG350 Operasjonsanalyse
31
LOG350 Operasjonsanalyse
Kopiere noder 2. Velg Copy Node 4. Velg Paste Node 1. Aktiver en celle nær noden du vil kopiere. 3. Aktiver en celle nær den noden du vil kopiere til. Du kan gjenta trinn 3 & 4 hvis du vil lime inn den kopierte noden flere plasser i beslutningstreet. Rasmus Rasmussen LOG350 Operasjonsanalyse
32
LOG350 Operasjonsanalyse
Korrigere noder Dobbelt-klikk noden du vil korrigere Korriger navn og verdier Rasmus Rasmussen LOG350 Operasjonsanalyse
33
Ferdig beslutningstre
Rasmus Rasmussen LOG350 Operasjonsanalyse
34
Sensitivitetsanalyse i beslutningstrær
Ofte er våre a priori sannsynlighetsanslag meget vilkårlig. Hvordan påvirkes optimal beslutning av andre sannsynligheter ? La p og (1-p) være sannsynlighetsanslag, og bruk datatabeller sammen med Decision Tree. Rasmus Rasmussen LOG350 Operasjonsanalyse
35
Sensitivitetsanalyse
Lag datatabell Erstatt tall med formler/referanser Rasmus Rasmussen LOG350 Operasjonsanalyse
36
Sekvensielle beslutningsproblemer
Mange problemer består i en serie beslutninger. Eksempel : Skal du spise middag ute i dag ? I så fall : Hvor mye penger skal du bruke ? Hvor skal du gå ? Hvordan skal du komme deg dit ? Trinnvise beslutningsproblemer kan løses med beslutningstrær Rasmus Rasmussen LOG350 Operasjonsanalyse
37
Sekvensielt beslutningsproblem: COM-TECH
Steve Hinton, eier av COM-TECH, vurderer å søke om $85,000 i forskningsmidler for bruk av trådløs kommunikasjonsteknologi for å øke sikkerheten i kullindustrien. Steve vil trenge omkring $5,000 for å forberede søknaden og antar at det er sjanse for å få forskningsmidlene. Hvis han får forskningsmidlene, så må Steve bestemme om han vil benytte microwave, cellular, eller infrared kommunikasjonsteknologi. Teknologi Utstyrskostnad Microwave $4,000 Cellular $5,000 Infrared $4,000 Steve trenger en del nytt utstyr avhengig av hvilken teknologi han vil bruke. Kostnadene er beregnet til å være : fortsetter... Rasmus Rasmussen LOG350 Operasjonsanalyse
38
COM-TECH (fortsettelse)
Kostnad Sans. Kostnad Sans. Microwave $30, $60, Cellular $40, $70, Infrared $40, $80, Best Case Worst Case Steve vet også at han vil bruke penger på F&U, men vet ikke nøyaktig hva kostnadene vil bli. Steve anslår følgende best case og worst case F&U kostnader og sannsynligheter, basert på hans kunnskaper om emnene. Steve må organisere alle faktorene i problemet for å avgjøre om han skal søke om forskningsmidler. Rasmus Rasmussen LOG350 Operasjonsanalyse
39
Søknad om forskningsmidler
Om data i beslutningstreet angis som referanser, er det lettere å foreta sensitivitetsanalyse, etc. Rasmus Rasmussen LOG350 Operasjonsanalyse
40
Analysere risiko i et beslutningstre
Hvor følsom er beslutningen for endringer i sannsynlighetsanslagene ? Vi kan bruke Solver for å finne den minste sannsynligheten for å motta midlene som likevel gjør at Steve er villig til å søke om midler. Rasmus Rasmussen LOG350 Operasjonsanalyse
41
LOG350 Operasjonsanalyse
Risikoprofiler En risikoprofil viser en oversikt over grunnlaget for EMV. De $13,500 EMV for COM-TECH består av: Utfall Sannsynlighet Konsekvens Motta støtte, lav F&U kostnad 0.5*0.9=0.45 $36,000 Motta støtte, høy F&U kostnad 0.5*0.1=0.05 -$4,000 Ikke motta støtte 0.5 -$5,000 EMV $13,500 Dette kan også vises i et forenklet beslutningstre. Rasmus Rasmussen LOG350 Operasjonsanalyse
42
LOG350 Operasjonsanalyse
Risikoprofil Rasmus Rasmussen LOG350 Operasjonsanalyse
43
LOG350 Operasjonsanalyse
Strategi-tabell Rasmus Rasmussen LOG350 Operasjonsanalyse
44
Bruk av tilleggsinformasjon
Noen ganger kan vi få tilleggsinformasjon om de mulige tilstandene før en beslutning fattes. Slik ekstra informasjon kan medføre at vi reviderer vår sannsynlighetsoppfatning knyttet til de mulige tilstandene. Rasmus Rasmussen LOG350 Operasjonsanalyse
45
Eksempel: Colonial Motors
Colonial Motors (CM) må bestemme om de skal bygge en stor eller liten fabrikk for en ny bil de utvikler. Det koster $25 millioner å bygge en stor fabrikk mens en liten koster $15 millioner. CM tror det er 70% sjanse for at etterspørselen etter den nye bilen blir høy, og 30% sjanse for at den blir lav. Konsekvensene (i millioner $) er angitt under Etterspørsel Fabrikkstørrelse Høy Lav Stor $175 $95 Liten $125 $105 Rasmus Rasmussen LOG350 Operasjonsanalyse
46
LOG350 Operasjonsanalyse
Ny bilfabrikk Rasmus Rasmussen LOG350 Operasjonsanalyse
47
LOG350 Operasjonsanalyse
Tilleggsinformasjon Anta at CM kan utføre en forbrukerundersøkelse for å teste etterspørselen før beslutningen om fabrikkstørrelse tas. Undersøkelsen kan indikere positiv eller negativ respons for den nye bilen. Vi må vite noe om påliteligheten av en slik undersøkelse. Anta at undersøkelser tidligere i 6 av 7 tilfeller har vært positive når etterspørselen har blitt høy. Tilsvarende har undersøkelsen (feilaktig) vært positiv i 2 av 9 tilfeller når etterspørselen har blitt lav. Hvis undersøkelsen indikerer positiv respons, så bør CM oppjustere sine antagelser om at etterspørselen blir høy. (Og motsatt hvis undersøkelsen er negativ.) Rasmus Rasmussen LOG350 Operasjonsanalyse
48
LOG350 Operasjonsanalyse
Sannsynlighetstre Rasmus Rasmussen LOG350 Operasjonsanalyse
49
LOG350 Operasjonsanalyse
Baye’s teorem Rasmus Rasmussen LOG350 Operasjonsanalyse
50
LOG350 Operasjonsanalyse
Bayes’s Teorem Bayes’s Teorem viser en annen definisjon av betingede sannsynligheter, som enkelte ganger er nyttig : Generelt: For eksempel, Rasmus Rasmussen LOG350 Operasjonsanalyse
51
Beregning av reviderte sannsynligheter
Markedsundersøkelsen har i 6 av 7 tilfeller vært positiv når etterspørselen senere har blitt høy. Rasmus Rasmussen LOG350 Operasjonsanalyse
52
LOG350 Operasjonsanalyse
Tilleggsinformasjon Rasmus Rasmussen LOG350 Operasjonsanalyse
53
Forventet verdi av imperfekt informasjon
Hvor mye bør CM være villig til å betale for en konsumentundersøkelse ? Forventet verdi av tilleggsinformasjon Forventet verdi med tilleggsinformasjon Forventet verdi uten tilleggsinformasjon = - I CM eksemplet, EV tilleggsinfo = $ $126 = $0.82 millioner Rasmus Rasmussen LOG350 Operasjonsanalyse
54
LOG350 Operasjonsanalyse
Nytteteori Ofte er ikke alternativet med den største EMV det alternativet som foretrekkes. Betrakt følgende konsekvensmatrise : Tilstand Alternativ EMV A 150, , ,000 <--maximum B 70, ,000 55,000 Sannsynlighet Beslutningstakere har ofte forskjellig holdning til risiko : Noen vil foretrekke alternativ A, Andre vil foretrekke alternativ B. Nytteteori inkluderer risikoholdninger i beslutningsprosessen. Rasmus Rasmussen LOG350 Operasjonsanalyse
55
Vanlige nyttefunksjoner
risikoavers 1.00 risikonøytral 0.75 risikosøkende 0.50 0.25 0.00 Konsekvens Rasmus Rasmussen LOG350 Operasjonsanalyse
56
Konstruere nyttefunksjoner
Tildel nytteverdi 0 til dårligste konsekvens og 1 til den beste. I forrige eksempel, U(-$30,000)=0 og U($150,000)=1 For å finne nytten av konsekvensen $70,000 finn verdien p slik at beslutningstaker er indifferent mellom : Alternativ 1: Motta $70,000 med sikkerhet. Alternativ 2: Motta $150,000 med sannsynlighet p og tape $30,000 med sannsynlighet (1-p). Hvis beslutningstaker er indifferent når p=0.8: U($70,000)=U($150,000)*0.8+U(-30,000)*0.2=1*0.8+0*0.2=0.8 Når p=0.8, er forventet verdi for Alternativ 2 : $150,000*0.8 - $30,000*0.2 = $114,000 Beslutningstaker er risikoavers. (Aksepterer $70,000 med sikkerhet kontra et usikkert alternativ med forventning $114,000.) Rasmus Rasmussen LOG350 Operasjonsanalyse
57
Konstruere nyttefunksjoner (forts.)
Om vi fortsetter prosessen med forskjellige verdier for alternativ 1, vil vi til slutt utlede beslutningstakers nyttefunksjon (f. eks. hvis U($40,000)=0.65): Rasmus Rasmussen LOG350 Operasjonsanalyse
58
LOG350 Operasjonsanalyse
Kommentarer Sikkerhetsekvivalent – det sikre beløpet som gir samme nytte som et usikkert alternativ. (f.eks., $70,000 Sikkerhetsekvivalent for Alternativ 2 når p = 0.8) Risikopremie – den størrelsen på EMV beslutningstaker er villig til å bytte for å unnslippe et usikkert alternativ. (f. eks. Risikopremie = $114,000-$70,000 = $44,000) Rasmus Rasmussen LOG350 Operasjonsanalyse
59
Bruk av nytte ved beslutninger
Bytt pengemessige konsekvenser med tilhørende nytteverdier. Betrakt nytteverdiene fra forrige eksempel, Tilstand Forventet Alternativ nytte A B <--maximum Sannsynlighet Alternativ B gir størst nytte selv om konsekvens-matrisen indikerte at B hadde lavest EMV. Rasmus Rasmussen LOG350 Operasjonsanalyse
60
Eksponensiell nyttefunksjon
Den eksponensielle nyttefunksjonen brukes ofte for å modellere klassisk risikoaversjon : U(x) 1.00 0.80 R=100 R=200 0.60 0.40 R=300 0.20 0.00 -0.20 -0.40 -0.60 -0.80 -50 -25 25 50 75 100 125 150 175 200 225 250 275 300 325 350 x Rasmus Rasmussen LOG350 Operasjonsanalyse
61
Bruk av nytteverdier i RSP
Decision Tree i Risk Solver Platform kan automatisk konvertere pengemessige verdier til nytteverdier ved bruk av eksponentiell nyttefunksjon. Vi må først angi verdien for risikotoleranseparameteren R. R er ekvivalent til den maksimale verdien på Y som gjør at beslutningstaker er villig til å akseptere følgende spill : Vinne $Y med sannsynlighet 0.5, Tape $Y/2 med sannsynlighet 0.5. Merk at R må angis i samme enheter som konsekvensene ! Rasmus Rasmussen LOG350 Operasjonsanalyse
62
Beregne forventet nytte - sikkerhetsekvivalenter
Risk Tolerance Use this option to help determine the shape of the exponential utility function, used to choose an alternative at each decision code, when you select the Certainty Equivalents option Exponential Utility Function. The exponential utility function takes the form U = A – B*EXP(x/RT) where x is the value of the alternative, RT is the Risk Tolerance you set with this option, and A and B are parameters you set with the Scalar A and Scalar B options. Rasmus Rasmussen LOG350 Operasjonsanalyse
63
Sikkerhetsekvivalenter
Nytteverdi Sikkerhets-ekvivalent Forventet nytte Rasmus Rasmussen LOG350 Operasjonsanalyse
64
Beslutning basert på flere kriterier
Beslutningsproblemer har ofte to eller flere motstridende målsettinger: Investering: risiko kontra avkastning Velge blant jobb tilbud: lønn, lokalisering, karrieremuligheter, etc. Velge videokamera: pris, garanti, zoom, vekt, lysstyrke, etc. Velge blant jobbsøkere: utdanning, erfaring, personlighet, etc. Vi skal se på to teknikker for slike problemer: The Multi Criteria Scoring Model The Analytic Hierarchy Process (AHP) Rasmus Rasmussen LOG350 Operasjonsanalyse
65
The Multicriteria Scoring Model
Vurdere (rangere) hvert alternativ for hvert kriterium. Tildel hvert kriterium vekter i forhold til deres relative viktighet. Beregn gjennomsnittlig rang j, for hvert alternativ : wi = vekt for kriterium i sij = score for alternativ i ved kriterium j Rasmus Rasmussen LOG350 Operasjonsanalyse
66
Multikriterium modell
Rasmus Rasmussen LOG350 Operasjonsanalyse
67
The Analytic Hierarchy Process (AHP)
Gir en strukturert måte å bestemme verdier og vekter i en ”multicriteria scoring model”. Vi skal demonstrere AHP med et eksempel: Et selskap vurderer å kjøpe et nytt lønns- og personellsystem. Tre alternative systemer vurderes: X, Y og Z. Tre kriterier er aktuelle: Pris Brukerstøtte Brukervennlighet Rasmus Rasmussen LOG350 Operasjonsanalyse
68
Parvise sammenligninger
Første trinn i AHP er å lage parvise sammenligningsmatriser for hvert alternativ for alle kriterier, etter følgende skala: Verdi Preferanse 1 Likt foretrukket 2 Likt til moderat foretrukket 3 Moderat foretrukket 4 Moderat til sterkt foretrukket 5 Sterkt foretrukket 6 Sterkt til meget sterkt foretrukket 7 Veldig sterkt foretrukket 8 Veldig sterkt til ekstremt sterkt foretrukket 9 Ekstremt foretrukket Pij = hvor sterkt vi foretrekker alternativ i mot j for et gitt kriterium. Vi antar at Pji = 1/Pij Rasmus Rasmussen LOG350 Operasjonsanalyse
69
Normalisering og rangering
Normalisere en parvis sammenligningsmatrise: 1) Beregn summen i hver kolonne. 2) Divider hver celle i matrisen med tilhørende kolonnesum. Rangeringen (score) (sj) for hvert alternativ er gitt ved gjennomsnittet i hver linje i den normaliserte matrisen. Rasmus Rasmussen LOG350 Operasjonsanalyse
70
Normalisering og rangering
Rasmus Rasmussen LOG350 Operasjonsanalyse
71
LOG350 Operasjonsanalyse
Konsekvent ? Vi bør sjekke om beslutningstaker har vært konsistent ved rangeringen. Konsistent-målet for kriterium i er: der Pij = den parvise vurderingen av alternativ i mot j sj = score for alternativ j Hvis beslutningstaker er helt konsistent skulle hver Ci være lik antall beslutningsalternativer. Rasmus Rasmussen LOG350 Operasjonsanalyse
72
Konsekvent ? (fortsettelse)
Vanligvis vil det være litt inkonsekvente vurderinger. Der, Inkonsekvente vurderinger gir ikke problemer hvis Consistency Ratio (CR) ikke er over 10% RI = for n = Rasmus Rasmussen LOG350 Operasjonsanalyse
73
LOG350 Operasjonsanalyse
Øvrige Scores & vekter Denne prosessen gjentas for å finne scores for de øvrige kriteriene. Samme prosedyre brukes også for å finne kriterievektene. Så benyttes scores og vekter som input i en ”multi criteria scoring model” på vanlig måte. Rasmus Rasmussen LOG350 Operasjonsanalyse
74
LOG350 Operasjonsanalyse
Sluttrangering Rasmus Rasmussen LOG350 Operasjonsanalyse
75
LOG350 Operasjonsanalyse
End of Chapter 15 Rasmus Rasmussen LOG350 Operasjonsanalyse
Liknende presentasjoner
© 2024 SlidePlayer.no Inc.
All rights reserved.