sustavi potpore odlucivanju
DESCRIPTION
DSS - Sustavi potpore odlučivanju - SkriptaTRANSCRIPT
-
5/19/2018 Sustavi potpore odlucivanju
1/15
DSS
1. SUSTAVI ZA POTPORU OLUIVANJU
Sustavi za potporu oluivanju su jean o mogudih oblika informacijskih sustava.
IS je skup kojeg ine ljui, procesi, poaci, harver i softver. Svaki IS ima samo jean cilj proizvesti
informacije.
ULAZ OBRADA IZLAZ
podaci T(U) informacije, nalozi,
informacije transformacija ulaza prijedlozi odluka
Prema Scottu Mortonu, DSS je interaktivan, na raunalu temeljen IS koji pomae u rjeavanjupolustrukturiranih i nestrukturiranih problema u oluivanju.
Strukturirani problemsve je poznato
Polustrukturirani problemproblem unutar kojeg su neke komponente poznate, a druge imaju
neku vjerojatnost nastupanja
Nestrukturirani problemnije poznata nijedna komponenta; najsloeniji problemi.
2. VEZA IZMEU OBLIKA INFORMACIJSKOG SUSTAVA I RAZINE MENAMENTA
IS KORISNIKOBLIK ULAZA
PODATAKA
NAIN OBRAEPODATAKA
OBLICI I SARAJIZLAZA
IZVRNI ISVRHOVNO
VODSTVO
Agregirani podaci
u sklaitimapodataka
Multidimenzijska
analiza, simulacije
Grafika i prijedlozi
odluka
DSS
VRHOVNO
VODSTVO I
SREDNJI
MENADERI
Podaci i inf. iz
sklaita ili atamarts
Primjena modela,
to-ako analiza
Izlazi u obliku
informacija,
izvjeda i analize
UPRAVLJAKI ISMENADERI
SREDNJE RAZINEBaze podataka
Upiti i izvjedanad bazom
podataka
Povremena
izvjeda,vremenski
unaprijed poznata
TRANSAKCIJSKI ISOPERATIVNA
RAZINA
Podaci o dnevnim
poslovnim
promjenama
Auriranje,sortiranje i
povezivanje
Detaljna izvjedao poslovnim
promjenama
DATA MARTSsklaita poataka za pojeine poslovne funkcije.
Danas se pod pojmom DATA MININGkrije veliki broj algoritama i modela u analizi DSS-a.
MODELpojednostavljena slika stvarnosti, namijenjen unaprijed definiranoj analizi.
TRENDvrijednost obiljeja promatrana vremenski.
-
5/19/2018 Sustavi potpore odlucivanju
2/15
Veliki je broj razliitih moela kojima se slue DSS. Izbor moela ovisi o ciljevima analize. U sljeedem
primjeru cilj analize je utvriti ukupan broj stavki rauna u vremenu. Ulazni poaci se nalaze u bazi
podataka, a ona je skup normaliziranih, meusobno povezanih tablica. DSS se u obrai slui
moelom trena, a izlaz je u grafikom obliku. Ogovarajudim narebama upitnih jezika (SQL)
pretrauju se ogovarajudi slogovi tablica i agregiraju stavke za sve raune u vremenskim intervalima
po 2h.
Upravljaki IS (MIS) su namijenjeni menaerima srenje razine, poaci su u bazama poataka,
orijentirani su izvjedima.Primjer izvjeda MIS-a:
DAN PROIZVOD PROMET
14.10. A 1.540,00
14.10. B 370,00
Izvjeda su u obliku koji je vremenski unaprijed poznat; agregirana su tj. nisu potpuno detaljna.
Transakcijski ISoperativna razina, nain obrae agregiranje, izvjeda jako etaljna. TIS opisuju
promjene u knjigovostvu neke tvrtke (npr. analitike kartice kupaca, obavljaa, materijalno
poslovanje)
- Primjer1
IS koji analizira rezultate poslovanja na temelju poataka u bilanci uspjeha (raun obiti i gubitka)
pripada:
a) transakcijskom IS
b) upravljakom ISc) DSS
) izvrnom IS
- takve analize namijenjene su najvioj razini menamenta, tj. one izraunavaju vrijenosti
voedih inikatora poslovanja (povrat na aktivu, ROA, ROI, ROE,..)
- Primjer2
IS koji biljei proaju proizvoa na nekom proajnom mjestu i omoguduje ispisivanje rauna kupcu
je:
a) izvrni IS
b) upravljaki IS
c) DSS
d) transakcijski IS
-
5/19/2018 Sustavi potpore odlucivanju
3/15
3. TAKSONOMIJA INFORMACIJSKIH SUSTAVA
TAKSONOMIJA je moel na temelju kojeg se klasificiraju IS; jena o najboljih je genetika
taksonomija koja se temelji na 3 dimenzije:
1. TEHNOLOGIJA na kojoj se temelji IS
- baze podataka
- sklaita poataka
- otkrivanje znanja i data mining
2. RAZINE MENADMENTA
- izvoenje operativna razina
- upravljanjesrednja razina
- oluivanje top razina
3. PROCESI koje porava IS
- procesi predvidivog slijeda (strukturirani problemi)
- procesi nepredvidivog/sluajnogslijeda (polustrukturirani problemi)- procesi inventivnog tipa (nestrukturirani problemi)
-
5/19/2018 Sustavi potpore odlucivanju
4/15
Svaka dimenzija ima 3 vrijednosti. Ako se primjeni cjelobrojna metrika ona ona moe ientificirati
3x3x3=27 razliitih informacijskih sustava. Sloenost IS-a moemo izraziti kao:
S = (v x r) x t
4. DEFINIRANJE DSS-A
DSS aplikacija sari 5 komponenti:
- bazu podataka - database
- bazu modela
- bazu znanjaknowledge base
- korisniki interfejs - GUI
- korisnik
DATABASE
BAZA MODELA BAZA ZNANJA
GUI
KORISNIK
Svaki DSS ima 5 komponenti;
prva komponenta su BAZE PODATAKAnjima najede upravljaju relacijski ili objektno orijentirani
DBMS (database management systems) sustavi za upravljanje bazama podataka.
SQL
ORACLE neki sustavi za upravljanje bazama podataka
DBZ
INGRES
PODACI mogu biti smjeteni i izvan baze poataka, npr. u ranim listovima softvera tablini
kalkulator. Zato postoje 2 oblika DSS-a :
1. DATA DRIVEN DSSslue se bazama poataka
2. SPREADSHEET BASED DSSslue se tablinim kalkulacijama
BAZA MODELAje skup razliitih moela koji se mogu implementirati na poacima.
-
5/19/2018 Sustavi potpore odlucivanju
5/15
Vrste modela:
Optimizacija problema s novim alternativama
CILJ: pronadi najbolje rjeenje iz manjeg broja alternativa
TEHNIKE: tablice oluivanja, stabla oluivanja
Optimizacija primjenomalgoritama
CILJ: pronadi najbolje rjeenje iz velikog broja alternativa
TEHNIKE: linearno i rugi matematiki oblici programiranja
Optimizacija pomodu analitikih formula
CILJ: pronalaenje najboljeg rjeenja u jenom koraku pomodu formula
TEHNIKE: neki modeli zaliha
SimulacijaCILJ: pronadi zaovoljavajude rjeenje eksperimentiranjem s inamikim moelom
TEHNIKE: nekoliko tipova simulacije
Heuristika
CILJ: pronalaenje rjeenja pomodu pretraivanja prostora stanja sluedi se heuristikim funkcijama
(funkcija koja pronalazi puteve najblie cilju)
TEHNIKE: heuristiko programiranje i ekspertni sustavi
Moeli za prognoziranje
CILJ: previanje buudnosti, to-ako analize
TEHNIKE: prognoziranje, Markovljevi lanci, financijski modeli
OPTIMIZACIJAmoeli koji nastoje pronadi najbolju izmeu vie alternativa ili nastoje maksimizirati
ili minimizirati neku funkciju na temelj anog skupa ogranienja, u optimizaciji se sluimo:
1. Tablicama oluivanja
2. Stablima oluivanja
3. Linearnim i nelinearnim programiranjem
4. Sustavima jenabi upravljanje zalihama
SIMULACIJEprvo se opisuje sustav pomodu varijabli i jenabi, a ona se promjenama vrijenosti
varijabli eksperimentira sa sustavom, on se nastoji promatrati inamiki u vremenu.
HEURISTIKAposeban pristup gje se u ogromnom broju mogudih stanja nastoji pronadi najblia
putanja o ciljnog stanja, heuristike funkcije mjere ualjenost u svakom trenutku o cilja.
MODELI ZA PROGNOZIRANJEprevianje, klasifikacija i klasteriranje; nastoje s oreenom
vjerojatnodu previjeti vrijenost neke varijable u buudnosti. Primjer: moel trena i ostali koji se
slue vremenskim serijama autokorelacija, ARIMA moeli,
Moeli klasifikacije pripaaju tzv. strojnom uenju i njegovu obliku nazirano uenje. Primjer:induktivna pravila, ID3 algoritam,..
-
5/19/2018 Sustavi potpore odlucivanju
6/15
Klaster modeli, primjer: k-means, c-means, fuzzy claster,..
BAZA ZNANJA nije nuna komponenta DSS-a. Znanje je najede prikazano u obliku skupa tzv.
proizvodnih pravila (production rules) oblika ako ona.
Ta pravila se ona mogu primijeniti na poatke u bazi poataka i rezultat su zakljuci tj. nova znanja
koja se deriviraju iz podataka u bazi.
KORISNIKI INTERFEJS GRAPHICAL USER INTERFACEslui za unos poataka u bazu ili rani list, a
isto tako i vizualizaciju rezultata obrade.
(DSS nastoji sve izlaze vizualiziratiprikazati u obliku slike ili grafa.)
Primjer DSS-a: Izraunavanje ravnotene cijene na tritu
Poaci o cijenama jabuka, potranji i ponui na tritu A su smjeteni u radni list:
CIJENA POTRANJA PONUDA
6 2.000 8.000
5 3.000 6.000
4 4.000 4.000
3 5.000 2.000
2 6.000 0
1 7.000 0
MODELkao komponenta DSS-au informatikom smislu taj je moel opisan pomodu niza instrukcijanekog programskog jezika. Rezultat izvravanja tih narebi u ovom primjeru bit de prikaz ravnotene
cijene. Izlaz de biti u grafikom obliku tj. graf koji prikazuje ovisnost cijene o ponuenoj koliini i
potranji. Na moel ravnotene cijene bit de zapisan u jeziku koji se zove VBA visual basic.
Sub ravnot ()
Dim p As Single
Dim Pot As Single
Dim pon As Single
Dim i As Integer
Dim j As Integer
Dim k As Integer
For i=1 to 10000
If cells(i,2)= Then
Exit For
End If
k=i
Next i
i= input box (Unijeti broj poataka u stupcu)
For j= 2 to k
-
5/19/2018 Sustavi potpore odlucivanju
7/15
pot = cells (j,2)
pon = cells (j,3)
If pot = pon Then
a= msg Box (Ravnotena cijena je: & cells (j,1), vbOKOnly)
Cells (4,4) = Ponua je: & Cells (j,3)
Cells (5,4) = Potranja je: & Cells (j,2)
End If
Next j
End Sub
Prvih 6 naredbi su deklaracije varijablioreivanje imena i tipa poataka. Varijable su p- cijena, pot
potranja, pon ponua i 3 brojaa. Izmeu narebe FOR i NEXT smjetena je petlja u kojoj se
formira ovaj niz narebi: nareba IF, END IF je logika struktura selekcije IF Cells(i,2)= Then.
Ako je u deliji na ranom listu na aresi reak i stupac 2 prazan znak, ona izadi iz petlje.
5. DSS U UVJETIMA IZVJESNOSTI, NEIZVJESNOSTI I RIZIKA
NEIZVJESNOST
- vie mogudih ishoa za svaku oluku
- vjerojatnosti ishoda nisu poznate
- znanje smanjuje neizvjesnost
RIZIK
- vjerojatnost ishoda je poznata
- izraunavanje oekivanih vrijenosti ishoa
Najjenostavniji su DSS koji pomau onositi oluke u uvjetima izvjesnostinema nikakve
vjerojatnosti a de neka varijabla poprimiti oreenu vrijenost. Nijena varijabla nije sluajna tj. ne
ponaa se po nekom zakonu istribucije vjerojatnosti.
Vjerojatnost a de neka varijabla poprimiti neku vrijenost sluajna varijabla.
Oluivanje u uvjetima rizikaprimjer je matrica pladanja i teorija igara. To je izbor jedne od
alternativa pri emu su poznate vjerojatnosti vrijenosti te alternative za oreeno stanje okoline.
increasing knowledge
COMPLETE KNOWLEDGE RISK TOTAL IGNORANCE
certainty uncertainty
decreasing knowledge
-
5/19/2018 Sustavi potpore odlucivanju
8/15
Za oluivanje u uvjetima rizika se zato oblikuje posebna matrica koju zovemo matrica pladanja i ona
je sljeedeg oblika:
S1 S2 .Sn
p 1 p 2 .pn
A1 O11 O12 . O1n
A2 O21 O22 . O2n
.. .. .. ..
.. .. .. ..
An On1 On2 . Omn
Ooutcom
pvjerojatnost
Aalternativa
p1+p2++pn=1
Rizik pojeinanog vrijenosnog papira i sistemski rizik
- korelacija izmeu ova 2 rizika -> koeficijent
>1 -> vrijenosni papir ima vedi rizik
vrijednosni papir ima manji rizik
Oluivanje u uvjetima neizvjesnostije kljuno poruje teorije oluivanja koje ne poznaje
vjerojatnosti o stanjima okoline. Ne moe se izraunati na temelju poataka iz prolosti niti se moe
subjektivno oreiti. Zato u uvjetima neizvjesnosti se moramo sluiti oreenim kriterijima pri
izboru alternativa, npr.
MAXIMINizabrati opciju s najboljim o najloijih mogudih ishoa
MAXIMAXizabrati opciju s najboljim mogudim ishoom
LAPLACEOV KRITERIJizabrati opciju s najboljim prosjenim ishoom o svih opcija
MINIMAX ALJENJEizabrati opciju koja ima najmanje o svih aljenja
Primjer: DSS koji porava vieatributivno oluivanje
Kupcima stoji na raspolaganju vie moela strojeva za pranje rublja M1-M6. Stroj ima oreena
svojstva meu kojima kupac promatra samo 4: cijenu, centrifugu, broj programa i raspoloivost
servisa. Izgraditi DSS koji na temelju ovih podataka bira stroj za pranje koji je kupcu najprihvatljiviji
kupac eli stroj s najniom cijenom, to je mogude vedim brojem okretaja i programa te za koji je
raspoloivost servisa najbolja.
-
5/19/2018 Sustavi potpore odlucivanju
9/15
MODEL CIJENA/000 KM BROJ OKRETAJA BROJ PROGRAMARASPOLOIVOST
SERVISA
M1 2,4 400 15 Olina
M2 2,6 500 12 Dobra
M3 2,5 600 10 Dobra
M4 2,8 800 13 Vrlo dobraM5 2,7 700 14 Vrlo dobra
M6 3 1000 16 Loa
1. korak je sve atribute prikazati kao numerike vrijenosti. U naem primjeru raspoloivost servisa
je u orinalnom obliku tj. orinalni tip poataka. Te vrijenosti atributa demo koirati: vrlo loa 1,
loa 3, dobra5, vrlo dobra7, olina 9.
2. korakza svaki stupac izraunati norma vektor
U koiranju moramo biti konzistentni, a to znai orinalnim vrijenostima priruiti numerike.
DATA SET koji sariatribute A1-A5 transformiramo u novi ata set koji sari samo numerike
vrijednosti. Nakon transformacije data set je nova matrica 6x4 (6 redaka, 4 stupca)
ATRIBUT 1 ATRIBUT 2 ATRIBUT 3 ATRIBUT 4
2,40 400,00 15,00 9
2,60 500,00 12,00 52,50 600,00 10,00 5
2,80 800,00 13,00 7
2,70 700,00 14,00 7
3,00 1.000,00 16,00 3
Sljeedi korak je vektorska normalizacija za svaki stupac izraunati norma vektor.
IIx1II = = 6.55IIx2II = 1.702
IIx3II = 33.015IIx4II = 15.427
Sljeedi korak je kreirati novi ata set u kojem je svaka vrijednost iz data seta 2 podijeljena s norma
vektorom.
-
5/19/2018 Sustavi potpore odlucivanju
10/15
A1 - CIJENA A2BROJ OKRETAJA A3BROJ PROGRAMA A4 - SERVIS
0,366 0,235 0,454 0,583
0,397 0,294 0,363 0,324
0,382 0,352 0,303 0,324
0,427 0,470 0,394 0,454
0,412 0,411 0,424 0,4540,458 0,587 0,485 0,194
min max max min
0,366 0,587 0,485 0,583
Ovo rjeenje je iealno rjeenjeonaj model stroj koji je za kupca najprihvatljiviji.
Iealno rjeenje obivamo na temelju matrica transformacije i kriterija. Sljeedi korak je izraunati
ualjenost svakog moela o iealnog rjeenja. Za kupca de najprihvatljivije biti ono rjeenje koje je
najmanje udaljeno od idealnog.
To je Eukliska ualjenost koju raunamo: =0.353 0,4110,395 0,206 0,231 0,400Rjeenje najprihvatljivije za kupcaje M4 jer je najmanje ualjeno o iealnog rjeenja.
KOMPROMISNO RJEENJE
MATRICA PLADANJAmatrica iji su stupci stanja okoline, a retci alternative.
WALDOV KRITERIJkriterij pesimizmaoekuje a de nastupiti najnepovoljnije okolnosti, jo se
naziva i konzervativni.
Primjer: Na raspolaganju su 4 projekta A,B,C,D.
Aulagati u izgradnju kapaciteta za proizvodnju novog proizvoda
Bulagati u proirenje kapaciteta rai poboljanja kvalitete proizvoa i ambalaeCulaganje u aaptaciju i proirenje kapaciteta
Moguda su 3 stanja okoline:
S1ekspanzija gospodarskih aktivnosti - optimizam
S2bez promjena gospodarskih aktivnosti
S3opadanje gospodarskih aktivnostipesimizam
-
5/19/2018 Sustavi potpore odlucivanju
11/15
U sljeedoj matrici pladanja prikazane su oekivane obiti projekata A, B, C i D uz 3 stanja okoline.
Sluedi se Waldovim kriterijem, donijeti odluku u uvjetima neizvjesnosti za koji od 4 projekta se
opredijeliti.
PROJEKTSCENARIO
MIN MAXX Y Z
A 80 120 140 80 140
B 80 130 110 80 130
C 90 70 150 70 150
D 110 110 110 110 110
KRITERIJ OPTIMIZMAbira najpovoljnije stanje okoline i najpovoljniju alternativujo se zove i
maxmax.
Ako se onositelj oluke poslui ovim kriterijem, izabrat de projekt C jer on onosi najvedu obit.
Sljeedi kriterij koji se esto primjenjuje u uvjetima neizvjesnosti je HURWITZOV KRITERIJ. On
prelae izraunavanje tzv. Hurwitzovog ineksa:
k je uvijek: i naziva se kriterij pesimizmaPretpostavimo a je u naem primjeru k=0,03. U 1. retku min isho je 80, a max 140.
SAVAGE KRITERIJ ALJENJAprema njemu se prvo za svaku alternativu (stupac) izrauna maxvrijenost. Zatim se rauna aljenje tako to svaku vrijenost u matrici pladanja ouzmemo o max
vrijenosti; aljenje : KRITERIJ OEKIVANE VRIJEDNOSTItemelji se na sluajnoj varijabli. Sluajna varijabla x je sluajna
ako moe poprimiti vrijenosti x1,x2,x3,..xn, a svaka ta vrijenost ima i vjerojatnost pojavljivanja
p(x1),p(x2),p(x3),,p(xn).
Oekivana vrijenost varijable x izmeu ovih n vrijenosti x1,x2,x3,,xn izraunava se kao :
LA PLACEOV KRITERIJ OEKIVANE VRIJENOSTIpretpostavlja da svako stanje prirode ima jednaku
vjerojatnost pojavljivanja. Ako imamo 5 mogudih stanja priroe i svako o njih ima jenaku
vjerojatnost pojavljivanja, taa je vjerojatnost npr. potranje jenaka :
-
5/19/2018 Sustavi potpore odlucivanju
12/15
STABLA OLUIVANJAsu grafiko srestvo prikaza nekog ata seta. Temelje se na matematikom
pojmu aciklinog grafa. Taj graf ini skup vorova (noes). U njegovu ishoitu nalazi se korijenski
vor ili root no. Na njegovu zavretku nalaze se listovi ili leaf noes.
vorovi stabla povezani su lukovima ili granama (branches). Broj grana koje izlaze iz 1 vora naziva se
faktor grananja. U aciklinom grafu postoji samo jena putanja koja povezuje korijenski vor sa
listom.
Posjet svim vorovima stabla u nekom reoslijeu naziva se obilazak.
U stablima oluivanja atribute prestavljamo vorovima, a vrijednosti atributa granama koje izlaze
iz svakog vora. Zato je svaki ataset mogude prestaviti pomodu stabla oluivanja.
Jedan od atributa u takvom data setu je izlazni atribut i njegove su vrijenosti smjetene u listovima
stabla. vorovi se nalaze na razliitim razinama.
Ualjenost listova o korijenskog vora naziva se dubina stabla.
Sloen problem ko transformacije ata seta u stablo oluivanja bio bi minimizirati broj razina tj.
kako prikazati ata set sa to manjim brojem vorova i razina.
PRIMJER: Kreirati DSS kod koga su podaci u obliku Data Seta koji se formira na temelju sljeedih
pravila:
Na financijskom tritu ulaganja u ionice (stocks) ili u epozite onose ogovarajudi priho.
Moguda su 3 stanja ekonomije: stabilan rast, stagnacija i inflacija.
1.
Ako je rast stabilan obveznice donose 12%, dionice 15%, a depoziti 2,5%.
2. U stagnaciji obvezice 6%, dionice 3%, depoziti 6,5%.
3. U inflaciji obveznice donose 3%, dionice gubitak 2%, depoziti 6,5%.
a)
Izgraiti DSS koji de na temelju Laplaceova kriterija oekivane vrijenostidati prijedlog
ulaganja u obveznice, dionice ili depozite.
b)
Na temelju kriterija oekivane vrijenosti ko koga je vrijenost stabilnog rasta ekonomije
0,5, stagnacije 0,3, a inflacije 0,2.
c) Na temelju Data seta kreirati stablo oluivanja.
d) Stablo oluivanja preveite u pravila pomodu narebe IF...THEN (AKO...ONDA).
SG ST IN
Obveznice 12 6 3
Dionice 15 3 -2
Depoziti 6,5 6,5 6,5
Svako stablo oluivanja ima korijenski vor. Korijen SO jean je o atributa.
U naem primjeru je to stanje priroe (ekonomije). Grane korijenskog vora su vrijenosti SG, ST, IN.
U stagnaciji moemo ulagati u neki oblik vrijenosnih papira.
Ako u stabilnom rastu ulaemo u obveznice ona je povrat 12%, ako ulaemo u ionice ona je
povrat 15%, a ako ulaemo u epozite povrat je 6,5%.
-
5/19/2018 Sustavi potpore odlucivanju
13/15
Samo jena putanja voi o korijenskog vora o listova i ono se moe opisati logikom strukturom
selekcije. Zato se svako stablo oluivanja moe prevesti u pravilan oblik ako...ona.
R1: IF stanje ekonomije = stabilan rast THEN obeznice povrat = 12
R2: IF stanje ekonomije = stabilan rast THEN dionice = 15 AND depoziti povrat = 6,5R3: IF stanje ekonomije= stagnacije THEN obveznice povrat = 6 AND dionice = 3 AND depoziti povrat
= 6,5
R4: IF stanje ekonomije = inflacija THEN oveznice povrat = 3 AND dionice povrat = -2 AND depoziti
povrat = 6,5
Ovakva pravila moemo zapisati u obliku IF THEN .
U analizi neizvjesnosti se mogu unijeti subjektivne..........npr. stabilan rast ima 0,5, stagnacija 0,3 i
inflacija 0,2.
Izraunati oekivane povrate u obeznice, ionice i epozite.
Vjerojatnosti stanja priroe, povrati u obveznice, ionice i epozite su sluajne varijable. To znai a
varijabla xi ima neku vrijednost pxi.
xi dionice 15 3 -2
pxi 0,5 0,3 0,2
Oekivani povrat nije nita rugo nego oekivana vrijenost sluajne varijable povrata u obveznice,
povrata u dionice i povrata u depozite.
Oekivana vrijenost
E(povrat u obveznice) = 12*0,5 + 6*0,3 + 3*0,2 = 6 + 1,8 + 0,6 = 8,4
Xi 12 6 3
pxi 0,5 0,3 0,2
SO
SG
ST
IN
12
15
6,5 6
3
6,5 3 -2 6,5
-
5/19/2018 Sustavi potpore odlucivanju
14/15
TABLICA ODLUIVANJA
Tablica oluivanjaje srestvo za analizu problema za koga graimo DSS. Velik broj razliitih
problema oluivanja moe se prikazati pomodu tablice oluivanja. Ona ima tono efiniran izgle
(formu). ine ju 4 ijela:
ZAGLAVLJE
Polje uvjeta U1
U2
U3
...
Un
Vrijednost uvjeta
Polje akcije A1
A2
A3...
An
Vrijednost akcije
Svaki uvijet moe poprimiti jenu o vije vrijenosti DA ili NE.
Ui = {DA, NE}
Ako problem oluivanja prikaemo pomodu vrijenosti uvjeta ona broj stupaca u polju vrijenosti
uvjeta za n uvjeta jednak je 2.
Drugim rijeima, ako problem oluivanja ima 3 uvjeta ona se moe oblikovati 23= 8 stupaca u
polju uvjeta.
Zato jean o kljunih problema (potekoda) u izgranji tablice oluivanja velik broj pravila, stupacataa se povedava broj uvjeta.
Ako se broj uvjeta povedava sa 4 na 5 broj stupaca se povedava sa 24 na 25.
U polju vrijenost akcija priruuje se neka ( 1ili vie) akcija za neki stupac u polju vrijenosti uvjeta.
Unutar tablice postoje neka pravila koja su suvina, stupci koji se mogu eliminirati.
2 stupca mogu se zamjeniti jednim stupcem ako imaju sve jednake vrijednosti uvjeta osim jedne i
jednake vrijednosti u polju akcija, takva pravila nazivaju se REDUDANTNA PRAVILA.
Primjer redudantno pravila:
R4 R7 R4
DA DA DA
NE NE NE
NE DA -
DA DA DA
DA DA DA
NE NE NE
NE NE NE
PRIMJER:
Sluedi se tablicom oluivanja prikazati sljeeda poslovna pravila naruivati u nekoj tvrtki.
Popust o 2% oobrava se ako se naruuje manje o 50 jeinica bez obzira na nain pladanja i
mejsto veleproaje ili ako se naruuje vie o 50 komaa neplada gotovinom, a mjesto otpreme nijeVP.
-
5/19/2018 Sustavi potpore odlucivanju
15/15
a)
Tekstualno opisati sva pravila odluivanja na temelju sljeede tablice oluivanja:
Uvijeti su:
U1 = manje o 50 naruenih jeinica
U2 = pladanje gotovinom
U3 = veleprodajni izlaz
A akcije su:
Popust 0% = A1
Popust 2% = A2
Popust 4% = A3
Popust 6% = A4
R1 R2 R3 R4 R5 R6 R7 R8
U1 NE NE NE NE DA DA DA DA
U2 NE NE DA DA NE NE DA DA
U3 NE DA NE DA NE DA NE DAA1
A2 X X X X
A3 X X
A4 X X
b) Postoji li neko redudantno pravilo?
R5 R6 R7
DA DA DA
NE NE NE
NE DA -
A2 A2 A2
Zato to se razlikuju u jenom uvjetu pravila, a imaju istu vrijednost akcija. Pravilo R6 se
moe brisati.
Reuantna pravila su i R5 i R7 pa se moe iz tablice brisati i pravilo R7. Zato se naa tablica
moe reucirati na 6 pravila, eliminiranjem reuantnih pravila.
IF THEN
Naa pravila oluivanja se mogu opisati sa R1, R2, R3, R4, R5 i R8, tj. prevesti u logiku
strukturu selekcije u nekom programskom jeziku.