1 / 0

Decision Analisis

Introduction to Management Science 8th Edition by Bernard W. Taylor III. Decision Analisis. Created by: Arini Rizki Faradita (04211051) Novita Ayu Purnamasari (04211057). Topik yang Dibahas :. Komponen Pengambil Keputusan Pengambilan Keputusan tanpa Probabilitas

alaura
Download Presentation

Decision Analisis

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Introduction to Management Science 8th Edition by Bernard W. Taylor III

    Decision Analisis

    Created by: AriniRizkiFaradita (04211051) NovitaAyuPurnamasari (04211057)
  2. Topik yang Dibahas: KomponenPengambilKeputusan PengambilanKeputusantanpaProbabilitas PengambilanKeputusandenganProbabilitas KeputusanAnalisisdenganInformasiTambahanKegunaan
  3. 1. KomponendariPengambilKeputusan Sebuahkeadaanalamiahadalahsuatuperistiwaaktual yang mungkinterjadidimasadepan. Sebuahtabel payoff adalahcaramengorganisirsituasikeputusan, menyajikanhadiahdarikeputusan yang berbedamengingatberbagainegaraalam.
  4. 2. PengambilanKeputusantanpaProbabilitas SituasiKeputusan : KriteriaPengambilanKeputusan : maximax, maximin, minimax(minimal penyesalan),hurwicz, danKemungkinan yang sama
  5. KriteriaMaximax DalamKriteriaMaximax, untukmengambilsuatukeputusan yang akanmenghasilkanpembayaranmaksimummerupakansebuahkriteria yang optimis
  6. KriteriaMaximin DalamKriteriaMaximin, untukmengambilkeputusankitaharusmemilihkeputusan yang akanmencerminkanhasil maximum dari minimum ( terbaikdarikasusterburuk ), merupakansebuahkriteria yang konservatif
  7. Highestpayoff $100,000- $50,000 KriteriaMinimax Penyesalanadalahperbedaanantarahasildarikeputusanterbaikdanhasildarisemuakeputusanlainnya Para Pengambilkeputusanmencobauntukmenghindaripenyesalandenganmemilihalternatifkeputusan yang meminimalkanpenyesalanmaksimum Maximalregrets $ 50,000$ 70,000$ 70,000
  8. KriteriaHurwicz DalamkriteriaHurwiczadalahkompromiantarakriteriamaximax (optimis) danmaximin (konservatif). Sebuahkoefisienoptimisme, , adalah ukuranoptimismeparapembuatsuatukeputusanitu. KriteriaHurwiczmengalikanhasilterbaikdengandanhasilterburuk(1- ),untuksetiapkeputusan, danhasilterbaik yang akandipilih.  = 0.4 KeputusanNilaiBangunanApartement $ 50.000 (.4) + 30.000 (.6) = 38.000Bangunan Kantor $ 100.000 (.4) - 40.000 (.6) = 16.000Gudang $ 30.000 (.4) + 10.000 (.6) = 18.000
  9. KriteriaKemungkinan yang Sama DalamKriteriaKemungkinan yang Samaadalahkriteria yang mengalihkanhasilkeputusanuntuksetiapkeadaanalamiaholehbobot yang sama, sehinggadenganasumsibahwakeadaanalamiahsama-samamungkinterjadi. Untuk 2 negaradarialam, kasus = .5 metodeHurwiczSecaraumum, padadasarnyaberbeda! KeputusanNilai BangunanApartemen $ 50.000 (.5) + 30.000 (.5) = 40.000 Bangunan Kantor $ 100.000 (.5) - 40.000 (.5) = 30.000 Gudang $ 30.000 (.5) + 10.000 (.5) = 20.000
  10. RingkasandariKriteriaKeputusan Sebuahkeputusan yang dominanadalahsalahsatu yang memilikihasil yang lebihbaikdaripadakeputusan lain dibawahsetiapkeadaanalamiah tepattergantungpadakepribadian "resiko" danfilsafatdaripengambilkeputusan KriteriaKeputusan (Pembelian)MaximaxBangunankantorMaximinBangunanApartemenMinimaxmenyesalBangunanApartemen HurwiczBangunanApartemenKemungkinan yang samaBangunanApartemen
  11. Decision Making without ProbabilitiesSolution with QM for Windows (1 of 3)
  12. Decision Making without ProbabilitiesSolution with QM for Windows (2 of 3)
  13. Decision Making without ProbabilitiesSolution with QM for Windows (3 of 3)
  14. 3. KeputusanMasalahdenganProbabilitas Diharapkannilaidihitungdenganmengalikansetiaphasilkeputusandibawahsetiapkeadaanalamiaholehprobabilitasdarikejadiantersebut EV(Apartmen) = $50,000(.6) + $30,000(.4) = $42,000 EV(Kantor) = $100,000(.6) – $40,000(.4) = $44,000 EV(Gudang) = $30,000(.6) + $10,000(.4) = $22,000
  15. PeluangRugi yang Diharapkan Hilangnyakesempatan yang diharapkanadalahnilai yang diharapkandaripenyesalanuntuksetiapkeputusan Nilai yang diharapkandanpeluanghasilperkiraankerugiankriteriadalamkeputusan yang sama EOL(Apartemen) = $50,000(.6) + $0(.4) = $30,000 EOL(Kantor) = $0(.6) + $70,000(.4) = $28,000 EOL(Gudang) = $70,000(.6) + $20,000(.4) = $50,000
  16. Expected Value ProblemsSolution with QM for Windows
  17. Expected Value of Perfect Information (EVPI) Nilai yang diharapkandariinformasi yang sempurna (EVPI) adalahjumlahmaksimumpembuatkeputusanharusmembayaruntukinformasitambahan EVPI samadengannilai yang diharapkan (dengan) diberiinformasi yang sempurna (insider informasi, jin) dikuranginilai yang diharapkandihitungtanpainformasi yang sempurna EVPI samadenganperkiraankesempatan yang hilang (EOL) untukkeputusanterbaik
  18. Decision Making with ProbabilitiesEVPI Example (1 of 2)
  19. Decision Making with ProbabilitiesEVPI Example (2 of 2) Keputusandengansempurna (insider / jin) Informasi: $ 100.000 (.60) + $ 30.000 (.40) = $ 72.000 Keputusantanpainformasi yang sempurna: EV (kantor) = $ 100.000 (.60) - $ 40.000 (.40) = $ 44.000 EVPI = $ 72.000 - $ 44.000 = $ 28.000 EOL (kantor) = $ 0 (.60) + $ 70.000 (.4) = $ 28.000
  20. Decision Making with ProbabilitiesEVPI with QM for Windows
  21. Decision Trees (1 of 4) Sebuahpohonkeputusanadalah diagram yang terdiridari node keputusan (direpresentasikansebagaikotak), node probabilitas (lingkaran), danalternatifkeputusan (cabang)
  22. Decision Trees (2 of 4)
  23. Decision Trees (3 of 4) Nilai yang diharapkandihitungpadasetiapprobabilitas (takterkendali) node: EV (node ​​2) = .60 ($ 50.000) + .40 (30.000) = $ 42.000EV (node ​​3) = .60 ($ 100.000) + .40 (-40.000) = $ 44.000EV (node ​​4) = .60 ($ 30.000) + .40 (10.000) = $ 22.000 mempopulasikanpohonkeputusandarikanankekiri Cabang (es) dengannilai yang diharapkanterbesar yang kemudiandipilih, mulaidarikiridanmajukekanan
  24. Decision Trees (4 of 4)
  25. Decision Trees with QM for Windows
  26. Sequential Decision Trees (1 of 4) Sebuahpohonkeputusansekuensialdigunakanuntukmenggambarkansituasi yang membutuhkanserangkaian (berurutan) keputusan.? Hal iniseringkronologis, danselalulogisdalamrangka Digunakandimanatabel payoff, terbataspadasatukeputusan, tidakdapatdigunakan Estate contohinvestasi real dimodifikasiuntukmencakupperiodesepuluhtahundimanabeberapakeputusanharusdibuat
  27. Sequential Decision Trees (2 of 4)
  28. Sequential Decision Trees (3 of 4)
  29. Sequential Decision Trees (4 of 4) Keputusanuntukmembelitanah, nilaitertinggi yang diharapkanbersih ($ 1.160.000, pada node [1]) Hasilkeputusanadalah $ 1.160.000. (Itulahhasilbahwakeputusaninidiharapkanakanmenghasilkan.) Solution with QM for Windows
  30. 4. Decision Analysis with Additional Information Bayesian Analysis (1 of 3) Analisis Bayesian menggunakaninformasitambahanuntukmengubahprobabilitasmarjinalterjadinyasuatuperistiwa Dalamcontohinvestasi real estate, denganmenggunakankriterianilai yang diharapkan, keputusanterbaikadalahuntukmembeligedungperkantorandengannilaidiperkirakansebesar $ 44.000, dan EVPI sebesar $ 28.000
  31. Bayesian Analysis (2 of 3) AnalisEkonomimenyediakaninformasitambahanuntukinvestasi real keputusan yang sebenarnya, membentukprobabilitaskondisional:g = kondisiekonomi yang baikp = kondisiekonomiP = LaporanekonomipositifN = Laporanekonomi yang negatif P (P ½ g) = .80 P (N ½ g) = .20P (P ½ p) = .10 P (N ½ p) = .90
  32. Bayesian Analysis (3 of 3) Sebuahprobabilitas posterior adalahprobabilitasmarjinalberubahdarisuatuperistiwaberdasarkaninformasitambahan. Sebelumprobabilitasuntukkondisiekonomi yang baikatauburukdalampengambilankeputusan real estate: P (g) = .60, P (p) = .40 Posterior probabilitasdenganaturanBayes ': P (g ½ P) = P (P ½ g) P (g) / [P (P ½ g) P (g) + P (P ½ p) P (p)] = (.80) (.60) / [(.80) (.60) + (.10) (.40)] = 0,923 Posterior (revisi) probabilitasuntukpengambilan: P (g ½ N) = .250 P (p ½ P) = 0,077 P (p ½ N) = 0,750
  33. Keputusanpohondenganprobabilitas posterior berbedadariversisebelumnya (probabilitassebelumnya) dalam: Dua (ataulebih) cabangbarudiawalpohonmerupakanlaporan / survey ... hasil. Probabilitasdarisetiapkeadaanalamiah, setelahitu, adalahprobabilitas posterior daripemerintahanBayes '. AturanBayes 'dapatdisederhanakan, karena P (A | B) P (B) = P (AB) adalahprobsendi, dan S iP (ABI) = P (A) adalahprobmarjinal.. Jadi : P(Bk|A)=P(A|Bk)P(Bk)/[iP(A|Bi)P(Bi)] = P(ABk)/P(A) jauhlebihcepat , jikaprobsendidan marginal yang dikenal
  34. P(P|g)=.80 P(N|g)=.20 P(P|p)=.10 P(N|p)=.90 P(g)=.60 P(p)=.40 P(g|P)=.923 P(p|P)=.077 P(g|N)=.250 P(p|N)=.750
  35. EV (bangunanapartemen) = $ 50.000 (.923) + 30.000 (.077) = $ 48.460EV (gedungkantor) = $ 100.000 (.923) - 40.000 (0,077) = $ 89.220EV (gudang) = $ 30.000 (.923) + 10.000 (.077) = $ 28.460 Kemudianmelakukanhal yang samadenganprobabilitas "LaporanNegatif".Jadi, akhirnya:EV (strategikeseluruhan) = $ 89.220 (.52) + 35.000 (.48) = $ 63.194
  36. Computing Posterior Probabilities with Tables
  37. expected value of sample information (EVSI) adalahperbedaanantaranilai yang diharapkandengandantanpainformasi:UntukmasalahMisalnya, EVSI = $ 63.194 - 44.000 = $ 19.194 Efisiensiinformasisampeladalahrasiodarinilai yang diharapkandariinformasisampeldengannilai yang diharapkandariinformasi yang sempurna:Efisiensi = EVSI / EVPI = $ 19.194 / 28.000 = .68
  38. Utility (1 of 2)
  39. Utility (2 of 2) DiharapkanBiaya (asuransi) = .992 ($ 500) + .008 (500) = $ 500DiharapkanBiaya (asuransi) = .992 ($ 0) + .008 (10.000) = $ 80 Keputusanharus "tidakmembeliasuransi", tetapioranghampirselalumelakukanpembelianasuransi. Utilitasadalahukurankepuasanpribadi yang berasaldariuang. Utilesadalah unit ukuransubjektifdariutilitas. Risiko averters (evaders) melupakannilaidiharapkantinggiuntukmenghindaribencanarendahprobabilitas. Pengambilrisikomengambilkesempatanuntuk bonanza padaperistiwa yang sangatrendahprobabilitassebagaipenggantidarisesuatu yang pasti
  40. Contohsoal : States of Nature Decisions Good Foreign Poor Foreign Competitive Conditions Competitive Conditions Expand $800,000 $500,000 Maintain Status Quo $1,300,00 –$150,000 Sell Now $320,000 $320,000
  41. Tentukankeputusanterbaiktanpaprobabilitasmenggunakan 5 kriteriabab. Menentukankeputusanterbaikdenganprobabilitasasumsi .70 kemungkinankondisi yang baik, .30 darikondisi yang buruk. Menggunakannilai yang diharapkandankriteriaperkiraankesempatanrugi. Hitungnilaidiharapkandariinformasi yang sempurna. Mengembangkanpohonkeputusandengannilai yang diharapkanpadanode. Mengingatberikut, P(Pg) = .70, P(Ng) = .30, P(Pp) = .20, P(Np) = .80, menentukanprobabilitas posterior menggunakanaturanBayes'. Lakukananalisispohonkeputusanmenggunakanprobabilitas posterior diperolehdalame bagian.
  42. Langkah 1 (bagian): Tentukankeputusantanpaprobabilitas. Maximax (Optimis) Keputusan: Mempertahankan status quoKeputusanmaksimumPayoffsPerluas $ 800.000 Status quo 1.300.000 (maksimum)Jual 320.000 Maximin (Konservatif) Keputusan: PerluasKeputusanminimal PayoffsPerbanyak $ 500.000 (Maksimum) Status quo -150.000Jual 320.000
  43. Minimax(Optimal) PenyesalanKeputusan: PerluasKeputusanmaksimumMenyesalPerbanyak $ 500.000 (Minimum) Status quo 650.000Jual 980.000 Hurwicz(a = .3) Keputusan: PerluasPerbanyak $ 800.000 (.3) + 500.000 (.7) = $ 590.000 Status quo $ 1.300.000 (.3) - 150.000 (.7) = $ 285.000Menjual $ 320.000 (.3) + 320.000 (.7) = $ 320.000 KemungkinanKeputusan (Laplace) sebesar: PerluasPerbanyak $ 800.000 (.5) + 500.000 (.5) = $ 650.000 Status quo $ 1.300.000 (.5) - 150.000 (.5) = $ 575.000Menjual $ 320.000 (.5) + 320.000 (.5) = $ 320.000
  44. Langkah2 (bagian b): MenentukanKeputusandengan EV danEOL Diharapkannilaikeputusan: Mempertahankan status quoPerbanyak $ 800.000 (.7) + 500.000 (.3) = $ 710.000 Status quo $ 1.300.000 (.7) - 150.000 (.3) = $ 865.000Menjual $ 320.000 (.7) + 320.000 (.3) = $ 320.000 Diharapkankesempatankeputusan loss: Menjaga status quo Perbanyak $ 500.000 (0,7) + 0 (.3) = $ 350.000 Status quo 0 (0,7) + 650.000 (.3) = $ 195.000 Menjual $ 980.000 (0,7) + 180.000 (.3) = $ 740.000
  45. Langkah 3 (bagian c): HitungEVPI EV diberikaninformasi yang sempurna = 1.300.000 (0,7) + 500.000 (.3) = $ 1.060.000 EV tanpainformasi yang sempurna = $ 1.300.000 (0,7) - 150.000 (.3) = $ 865.000 EVPI = $ 1.060.000 - 865.000 = $ 195.000 Langkah 4 (bagian d): Mengembangkanpohonkeputusan
  46. Langkah 5 (bagian e): Menentukan probabilitas posterior P(gP) = P(Pg)P(g)/[P(Pg)P(g) + P(Pp)P(p)] = (.70)(.70)/[(.70)(.70) + (.20)(.30)] = .891 P(pP) = .109 P(gN) = P(Ng)P(g)/[P(Ng)P(g) + P(Np)P(p)] = (.30)(.70)/[(.30)(.70) + (.80)(.30)] = .467 P(pN) = .533
  47. Tanpalaporan, mempertahankan status quo, didasarkanpadahasil yang diharapkannilai$ 865.000.Denganlaporanitu, imbalannyadapatdiharapkanbahkan $ 1.141.950 . Dengandemikian, kesempatan yang hilangadalah $1,141,950 – $865,000 = $276,950. Olehkarenaitu, tidaklebihdari$ 276.950 harusdibayaruntukmendapatkanlaporansepertiitu. (EVPI) Langkah 6 (bagian f): analisis pohon Keputusan

  48. Thank You

    Bye
More Related