sustavi potpore odlucivanju

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.


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


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)


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.


5/15

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,..


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


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


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.


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.


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


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 :


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%.


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


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.


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.

sustavi potpore odlucivanju

Documents