Loading presentation...

Present Remotely

Send the link below via email or IM

Copy

Present to your audience

Start remote presentation

  • Invited audience members will follow you as you navigate and present
  • People invited to a presentation do not need a Prezi account
  • This link expires 10 minutes after you close the presentation
  • A maximum of 30 users can follow your presentation
  • Learn more about this feature in our knowledge base article

Do you really want to delete this prezi?

Neither you, nor the coeditors you shared it with will be able to recover it again.

DeleteCancel

Make your likes visible on Facebook?

Connect your Facebook account to Prezi and let your likes appear on your timeline.
You can change this under Settings & Account at any time.

No, thanks

KARAR AĞACI ANALİZİ

No description
by

Tuğba Kalın

on 9 December 2013

Comments (0)

Please log in to add your comment.

Report abuse

Transcript of KARAR AĞACI ANALİZİ

KARAR AĞACI

Olası tüm eylem seçeneklerini, her bir olası sonucu; verilere bağlı olarak değerlendiren, çizgi, kare, daire gibi semboller kullanımıyla karar vericiye problemi anlamada kolaylık sağlayan grafiksel bir tekniktir.

Karar Noktası
: Karar değişkenini temsil eder ve karar ağacı üzerinde ‘kare’ şeklinde gösterilir.


Şans Noktası:
Belirli olasılıklarla belirli değerleri alabilen olayları temsil etmek için kullanılan öğedir.
Karar ağacı üzerinde ‘daire’ biçiminde gösterilir.

Dal:
Karar Ağacı üzerinde düğümleri birbirine bağlayan çizgilerdir. Bir karar düğümünün sağından çıkan çizgiye karar dalı denirken, bir şans düğümünü sağından terk eden çizgiye şans dalı denir.

Bitiş Noktası:
Bu noktayı varış noktası olarak kabul eden dal için nihai sonuç belirtir. Karar ağacında kısa düşey bir çizgi olarak gösterilir.

Sonuç
: Bitiş noktasında ortaya çıkan parasal tutardır.

Olasılık
: Şans dalları ile ilişkilendirilir.
ÖRNEK 1

Bir bankanın kredi verdiği müşterilerinin risk durumunu karar ağaçları yardımıyla ortaya koymak istediğini varsayalım.Bu sayede belirli özelliklere sahip müşterilerinden kredi talebi geldiğinde, karar ağacı bilgilerine dayanarak kredi verip vermeme konusunda karar verecektir.

KARAR AĞACI ANALİZİ

Karar verme genellikle, birden fazla olaylar kümesinin bulunduğu, her küme için bir eylem seçiminin söz konusu olduğu çok aşamalı bir süreçtir. Bu, birden fazla noktada karar verme durumunda olmak demektir. Bu tip problemlerde matris yerine, karar ağacı oluşturulması uygun olur.


KURAL1
Eğer BORÇ:YÜKSEK ise RİSK:KÖTÜ

KURAL2
Eğer BORÇ:DÜŞÜK ise ve
Eğer GELİR:YÜKSEK ise RİSK:İYİ

KURAL3
Eğer BORÇ:DÜŞÜK ise ve
Eğer GELİR:DÜŞÜK ise ve
Eğer STATÜ:İŞVEREN ise RİSK:KÖTÜ

KURAL4
BORÇ:DÜŞÜK,GELİR:DÜŞÜK,STATÜ:ÜCRETLİ ise RİSK:İYİ


Elde edilen karar ağacı karar kuralları oluşturulmasında kullanılabilir.
ÖRNEK 2
Karar Ağacının Öğeleri
Olasılıkların atanabildiği durumlarda karar vericiye yardımcı olacak çeşitli karar ölçütleri; beklenen değer, beklenen fırsat kaybı, en olası olay, hedeflenen seviye tanıtılmaktadır. Karar matrisi bir karar ağacı formunda incelemekte ve bir dizi kararın verilmesi gereken durumlarda başvurulabilecek ardışık karar ağaçlarına yer verilmektedir.

RISK ALTINDA KARAR VERME
Proje karlılığı ,8,800 TL toplam beklenen net bugünkü değerdir.
Bu sonuç,aynı zamanda 0,04 olasılıkla en iyimser değerin 26,150 TL,
en kötümser değerinde yine 0,04 olasılıkla –342 TL sı olduğunu
göstermektedir.Negatif net bugünkü değer elde etmenin olasılığı
0,16,pozitif net bugünkü değer elde etme olasılığı 0,84 tür.

Proje karlılığı ,20,508 TL toplam beklenen net bugünkü değerdir.
Bu sonuç,aynı zamanda 0,04 olasılıkla en iyimser değerin 88,200 TL,
En kötümser değerinde yine 0,04 olasılıkla –50,600 TL sı olduğunu
Göstermektedir.Negatif net bugünkü değer elde etmenin olasılığı
0,28,pozitif net bugünkü değer elde etme olasılığı 0,72 dir.


 Gelecekteki doğa durumları hakkında tam bilgiye sahip olmak mümkün olmasa da, doğa durumlarının gerçekleşme olasılıklarını rafine etmek için ek kaynaklardan yararlanabiliriz. Bu ek kaynaklar, pazar araştırmaları, anketler, ürün testleri, uzman görüşleri, örneklemeler, simülasyon çalışmaları olabilir. Örneğin bir şirket yeni ürün geliştirmeden önce potansiyel kullanıcılar üzerinde anket düzenleyebilir ve gelecekteki tüketici eğilimleri hakkında daha detaylı bilgiye sahip olabilir. Böylece doğa durumlarının gerçekleşeme olasılıklarını iyileştirebilir. Bu da vereceği kararı iyileştirecektir. Çoğu zaman bu ek bilginin bir maliyeti vardır. Karar verici de bu maliyete katlanmasının uygun olup olmayacağını bilmek isteyecektir.

Ön Olasılıklar P(Dj): Ek bilgi olmaması durumunda Dj doğa durumunun gerçekleşme olasılığı. Bizim örneğimizde Patara A.Ş.’nin sezonla ilgili tahminleri ön olasılıklardır.
D1: sezonun iyi geçmesi,
D2: sezonun kötü geçmesi,
P(D1) = 0.65 P(D2) = 0.35
Şartlı Olasılıklar P(Bi | Dj): Dj doğa durumu gerçekleştikten sonra, Bi bilgisinin verilmesi olasılığı. Bizim örneğimizde araştırma şirketinin geçmişteki tahminleri şartlı olasılıklardır. İyi geçen sezonlarda şirketin tahminleri %80 olasılıkla sezonun iyi geçeceği olmuştur. Dolayısıyla iyi geçen sezonlarda şirket %20 olasılıkla sezonun kötü geçeceğini tahmin etmiştir. Kötü geçen sezonlarda şirketin tahminleri %70 olasılıkla sezonun kötü geçeceği olmuştur. Dolayısıyla kötü geçen sezonlarda da şirket %30 olasılıkla sezonun iyi geçeceğini tahmin etmiştir.
B1: sezon tahmininin iyi olması
B2: sezon tahminin kötü olması
P(B1 | D1) = 0.80 P(B1 | D2) = 0.30
P(B2 | D1) = 0.20 P(B2 | D2) = 0.70

Birleşik Olasılıklar P(Bi & Dj): Bi bilgisinin ve Dj doğa durumunun birlikte gerçekleşme olasılığı.
P(Bi & Dj) = P(Bi | Dj)* P(Dj)
P(B1 & D1) = P(B1 | D1) * P(D1) = 0.80 * 0.65 = 0.520
P(B1 & D2) = P(B1 | D2) * P(D2) = 0.30 * 0.35 = 0.105
P(B2 & D1) = P(B2 | D1) * P(D1) = 0.20 * 0.65 = .0130
P(B2 & D2) = P(B2 | D2) * P(D2) = 0.70 * 0.35 = 0.245
Marjinal Olasılıklar P(Bi): Bi bilgisine ait birleşik olasılıklar toplamı.
Sezonu iyi tahmin etmenin marjinal olasılığı,
P(B1) = P(B1 & D1) + P(B1 & D2) = 0.520 + 0.105 = 0.625
Sezonu kötü tahmin etmenin marjinal olasılığı,
P(B2) = P(B2 & D1) + P(B2 & D2) = 0.130 + 0.245 = 0.375
Marjinal olasılıklar toplamı 1’dir.
P(B1) + P(B2) = 0.625 + 0.375 =1
Posterior olasılıklar P(Dj | Bi): Ek bilgi Bi tahminini gösterdiğinde, Dj doğa durumunda bulunma olasılığı.

 Patara Turizm A.Ş. sezonluk kiraladığı yatlarla Ege bölgesi kıyılarında mavi yolculuk turları organize etmektedir. Şirket önümüzdeki sezon için bir yat daha kiralamayı düşünmektedir. 10 kamaralı ve 5 kamaralı olmak üzere kiralayabileceği iki yat bulunmaktadır. Bunlardan büyük olanı için sezonluk kira bedeli 100 bin YTL, küçük olanı için ise 60 bin YTL’dir. Şirket önümüzdeki turizm sezonunun %65 olasılıkla iyi, %35 olasılıkla kötü geçeceğini düşünmektedir. Sezon iyi geçerse ve şirket büyük yatı kiralarsa sezonluk geliri 200 bin YTL olacaktır. Öte yandan sezon kötü geçerse ve şirket büyük yatı kiralarsa sezonluk geliri 50 bin YTL’de kalacaktır. Aynı şekilde şirket küçük yatı kiralar ve sezon iyi geçerse 120 bin YTL, sezon kötü geçerse 60 bin YTL gelir elde edecektir. Öte yandan Patara A.Ş. 10 bin YTl harcayarak, bu alanda profesyonel bir uzmana sezonla ilgili tahmin raporu hazırlatabilmektedir. Bu uzman geçmişte iyi geçen sezonları %80, kötü geçen sezonları da %70 başarıyla tahmin etmiştir. Şirket yönetimi iki kararla karşı karşıyadır. Kiralayacağı yatın hangisi olacağı ve tahmin raporunu satın alıp almayacağı. Bu kararlardan tahmin raporu satın alınması daha öncve verilecektir. Çünkü şirket hangi yatı kiralayacağına karar verdikten sonra, tahmin raporu satın alıp almamasının önemi kalmamaktadır.
Bayes Yöntemi
Örnek 3
TESEKKÜRLER..
ESİN MUGE SEKER 20090111051
SENA ORUC 20090111052
TUGBA KALIN
20090111060
Full transcript