ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (8) – Üstel Ölçeklerin Kullanımına İlişkin Bazı Örnekler – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma

Çok Amaçlı Karar Verme (56) – Kurumsal İntranet Web Siteleri İçin Bulanık İntegral – Çok Amaçlı Karar Verme Nedir – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma

Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı Karar Verme Hesaplama, Çok Amaçlı Karar Verme Ödevi, Çok Amaçlı Karar Verme Ödevi Yaptırma, Çok Amaçlı Karar Verme Yaptırma aramalarınızın sonucu olarak burada. Tüm bölümlerde Çok Amaçlı Karar Verme Danışmanlık, Çok Amaçlı Karar Verme Yardım talepleriniz için akademikodevcim@gmail.com mail adresinden bize ulaşabilir veya sayfanın en altındaki formu doldurup size ulaşmamızı bekleyebilirsiniz. Sunulan makalelerin çoğu, sigorta denetimleri, ürün kabul edilebilirliği, satın alma kanalı çalışmaları ve müşteri satın alma isteğini ve müşteri memnuniyetini araştırma metodolojisini ele almaktadır. Araştırmacılar, sosyal parametreler olan tartışılan parametreleri basitleştirmek için sigorta sorularını ölçüyorlardı ve verileri analiz etmek için kullanılan ortak ölçü istatistiksel araçlardı. Bu yaklaşım, yalnızca net veri kümeleri türleri ve veri kümelerinin kesinliği için daha iyidir. Sürekli veri kümeleri ve belirsiz veri kümeleri dahil edildiğinden bulanık bir teori uygulanır. Bu çalışmada veri içeriklerini ve özelliklerini analiz etmek için kaba küme teorisi uygulanmıştır. Kaba küme kuramı, Pawlak (1982) tarafından geliştirilmiş ve bulanık kuramın gerektirdiği gibi, ön varsayım üyelik işlevlerine ihtiyaç duymadan, net veri kümelerini ve bulanık veri kümelerini işleyebilen kural tabanlı bir karar verme tekniği haline gelmiştir. Kaba küme teorisi ayrıca belirsizlik, belirsizlik ve algılanabilir veri kümeleriyle de ilgilenebilir. Algılanabilir veri tanıma, bir konu için çeşitli kombinasyon seçeneklerine sahiptir. Şimdiye kadar, kaba küme teorisini kullanan kombinasyon seçenekleri hakkında çok az tartışma yapıldı. Bu çalışmada, aralarındaki ilişkiyi araştırmak için kaba küme teorisini uygulamak için tek seçenekli ve çoktan seçmeli sorulardan oluşan bir anket tasarlanmıştır. Uzman bilgisi kullanılarak, çoktan seçmeli soruların değer sınıfı, karar verme prosedüründe yararlı olan değer karmaşıklığını basitleştirmek için yeniden sınıflandırılır. Bu çalışmanın amacı, sigorta pazarlamasının karar vermesinde ihtiyaçların karşılanması için özelliklerden / niteliklerden kaynaklanan kombinasyon değerlerini uygulayarak yaklaşım doğruluğunun etkisini tartışmaktır. Sonuçlar, sigorta piyasasının gerekliliklerine uygun olduğunu ve müşterinin beklentisinin prim iadesi olduğunu ve sigorta ürünleri satın alanların çoğunun kadın olduğunu göstermektedir. Açıklayıcı Ampirik Çalışma: Sigorta Yapma Örneği Pazarlama Kararları Bu bölüm, sınıflandırma problemini tek ve çoktan seçmeli sorularla sigorta anketi aracılığıyla keşfetmek için kaba küme teorisini uygular. Ardından, yaklaşım doğruluğunu artırmak ve karar kurallarını iyileştirmek için uzmanın bilgisi ile yeniden sıkıştırma yöntemini öneriyoruz. Problem Açıklamaları 2002 yılında, Tayvan'ın hayat sigortası pazar payı ve ortalama sigortalı insanlar sırasıyla% 135 ve 158'e ulaştı. İdari kanunlarda yapılan değişiklikler nedeniyle, hayat dışı sigorta şirketlerinin sağlık sigortası pazarında rekabet etmesine izin verilmektedir. Oldukça rekabetçi koşullar altında, pazara erişmenin ve pazar payını genişletmenin en iyi yolu, iyi tasarlanmış anketlere dayanan potansiyel müşterilerden gerekli bilgileri elde etmektir. Müşteri ile sigorta şirketi arasındaki ilişkinin özellikleri, müşteri memnuniyeti ve şirket hizmeti bilgilerinden anlaşılabilir. Endüstriler tarafından sağlanan hizmet, artık iş teşviki için ek bir değer olarak görülmemektedir; Başarılı bir işletme, müşterinin gerçek ihtiyaçlarını karşılamalı, ancak aynı zamanda performansı artırmak için diğer iş stratejileri ve / veya önlemleriyle birleşmelidir. Bu sadece Tayvan için değil, aynı zamanda küresel olarak kritik bir araştırmadır. Bu çalışmada, sigortanın amacı, satın alınan ürünler, kabul edilebilir prim, satın alma beklentisi, ürün satın almama nedenleri gibi bir dizi soru tasarlanmış ve anket sonuçları katılımcıların kişisel özellik verileri ile birleştirilmiştir. satın alma eğilimlerini, motivasyonu ve ürünleri satın almama nedenlerini araştırmak. Ampirik Süreç Anket, Tayvan'ın Kuzey ve Kuzeydoğu bölgelerinde kullanıldı. Toplam 420 anket örneğinden 324 tamamlanmış anket örneği alındı. Bu 324 nitelikli cevaptan 280 kişi sigorta ürünü satın almış ve 44 kişi satın almamıştı. Bu sorular, demografik özellikleri (ör. Yaş, cinsiyet, vb.) Ve yanıtlayanın duygularına ilişkin verileri içerir. Geleneksel istatistiklerden veya bulanık kümelerden farklı olarak, kaba küme teorisinin en büyük avantajı, verilerin dağıtımını üstlenmesi veya bir değişkenin üyelik işlevini tanımlaması gerekliliği, veriler için herhangi bir varsayım varsaymamasıdır. Bu ampirik çalışmayı göstermek için, karar kurallarının doğruluğunu test etmek için 50 doğrulama örnek verisi eklenmiştir. Müşteri İhtiyaçlarının ve Satın Almama Nedeninin İncelenmesi Uzman bilgisi, yedisi koşul özniteliği ve biri karar özniteliği olmak üzere sekiz özniteliği içeren öznitelik çıkarımını işlemek için kullanılır. Çoklu seçim özellikleri şunları içerir: • Satın alma beklentisi (d1) • Satın alınan ürünler (c6): Müşterinin ne tür ürünler satın aldığı • Satın alma amacı (c5): hangi amaçla ürün satın almak Tablo 19.2'de, parantez içinde öznitelik adının ardından, kağıdın daha kolay okunmasını sağlayacak yedek ad yer alır. Sınıflandırma oranını iyileştirmek için, uzman bilgisi kullanılarak değer sınıfı yeniden tanımlanır (sonuçlar Tablo 19.2'de gösterilmektedir) ve nitelikler için değer kümeleri için nominal bir ölçek kullanılır. Orijinal nitelik spesifikasyonu Ek 19.1'de gösterilmektedir. Toplam 246 temel kümeden yalnızca bir nesneye sahip 220 küme vardır, bu da toplam verilerin% 79'unun sınıflandırılamayacağını ve aralarında hiçbir ilişki bulunmadığını göstermektedir. Öznitelik değeri sınıfını yeniden tanımladıktan sonra, toplam temel küme sayısı 194'e düşmüştür; sonuçlar Tablo 19.3'te gösterilmektedir. Koşul özniteliklerindeki azalmanın, niteliklerin birbiri ardına kaldırılmasıyla sonuçlandığı ve koşul özniteliklerinde "indirgeme" işlenirken ilk koşul kümeleriyle orijinal küme sayısı arasındaki benzerliği kontrol ettiği açıktır. Bu nitelik, sanki set numarası orijinal set numarasıyla aynıymış gibi (Tablo 19.4'te görüldüğü gibi) aşırı bir niteliktir. Gereksiz öznitelik bulunmaz, yalnızca bir indirgeme kümesi oluşturulur ve çekirdek kümesi, indirgeme kümesi ile aynıdır, yani {Alan, c1, c2, c3, c5, c6, c7}. Sınıflandırmanın doğruluk oranı 0.73'tür. Bir nesnenin 148 setini kaldırarak ve doğruluk oranını yeniden hesaplayarak, oran Tablo 19.5'te gösterildiği gibi 0.21'e düşürülecektir. Deneyde satın alınmayan ürünlerin sonuçlarına gelince, Tablo 19.6'da görüldüğü gibi, altı koşullu özellik ve bir karar niteliği olmak üzere yedi nitelik oluşturulmuştur. Orijinal nitelik spesifikasyonu Ek 19.2'de gösterilmektedir. Koşul kümeleri ile karar kümelerinin karşılaştırmasının sonuçları Tablo 19.7'de listelenmiştir. İşlemeden sonra gereksiz özniteliğin kaldırılması, 32 koşul kümesi ve 4 karar kümesi verir. Koşullu öznitelikler için gereksiz öznitelik üretilmez, ancak bir indirgeme kümesi oluşur ve çekirdek kümesi, {Alan, c1, c2, c3, c4, c5, c7} olan indirgeme kümesi ile aynıdır. Tablo 19.7, toplam verilerin% 56'sının gruplanamayacağını belirten tek bir nesne içeren 24 koşul seti setini listelemektedir. Satın alınmayan ürünler için sınıflandırma doğruluk oranı 0,79'dur. Bir nesnenin setlerini kaldırarak, sınıflandırma doğruluk oranı 0,42'ye düşer. Ödevcim Online, Çok Amaçlı Karar Verme, Çok Amaçlı Karar Verme Nedir, Yöneylem Nedir, Çok Amaçlı Karar Verme Yöntemleri, Çok Amaçlı Karar Verme Analizi Yaptırma, Yöneylem Ödev Yaptırma, Çok Amaçlı Karar Verme Hesaplama, Çok Amaçlı Karar Verme Ödevi, Çok Amaçlı Karar Verme Ödevi Yaptırma, Çok Amaçlı Karar Verme Yaptırma aramalarınızın sonucu olarak burada. Tüm bölümlerde Çok Amaçlı Karar Verme Danışmanlık, Çok Amaçlı Karar Verme Yardım talepleriniz için akademikodevcim@gmail.com mail adresinden bize ulaşabilir veya sayfanın en altındaki formu doldurup size ulaşmamızı bekleyebilirsiniz.

ÇOK KRİTERLİ KARAR VERMEYE GENEL BİR BAKIŞ (8) – Üstel Ölçeklerin Kullanımına İlişkin Bazı Örnekler – Çok Amaçlı Karar Verme Nedir? – Çok Amaçlı Karar Verme Yöntemleri – Çok Amaçlı Karar Verme Analizi Yaptırma

Yazı yazarı:odevcimonline
Yazı yayımlanma tarihi: 7 Ekim 2020
Yazı kategorisi:bir öncekine alternatif olan diğer normlar / CDP Matrislerinin Tutarlılığı Üzerine / ikili karşılaştırmasının değerleri / Karar verici / Karar vericinin yukarıda açıklandığı / Karşılaştırmalı Bir Çalışma / Ödevcim Online

Bu nedenle, i-inci varlığın ikili karşılaştırmasının değerleri hakkındaki yargıların, j-inci varlıkla karşılaştırıldığında, o kadar doğru olduğu varsayılır ki, bunların, birinin gerçek veya gerçek değerlere en yakın (mutlak değer açısından) olduğu varsayılır. ayrık e değerlerine sahip bir ölçek kullanıldığında tahmin edilmesi gerekir.

Bu noktada, bir öncekine alternatif olan diğer normların, bir karar vericinin gerçek (ve dolayısıyla bilinmeyen) ikili karşılaştırmalara en iyi yaklaşma şekli olarak kabul edilmesinin mümkün olduğu belirtilmelidir. Örneğin, böyle bir alternatif norm aşağıdaki gibi olabilir:

I 0l1 (1 + Oli}) – al (1 + ai}) farkı minimumdur ve ai değerine bakılır} E e.

Bununla birlikte, gerçek (ve dolayısıyla bilinmeyen) oranları, sonlu ve ayrık bir değerler kümesinden alınan oranlarla yaklaşık olarak tahmin etmeye çalışan herhangi bir norm, her zaman (birbirine yeterince yakın olan) bazı gerçek oranların haritalanması olasılığına izin verecektir. mevcut ölçekten aynı ayrık değere. Son ifade, Teorem 3-1’in (Bölüm 3.3.2’de daha sonra belirtilmiştir) alternatif normlar düşünüldüğünde hala geçerli olacağını göstermektedir (ancak, mevcut kanıtı ilk normun kullanıldığını varsaymaktadır).

Karar vericinin yukarıda açıklandığı gibi oluşturabileceğini varsaydığımız aij girişlerini içeren matris, ayrık ve sonlu e kümesinden girişlere sahiptir. Bu matrise En Yakın Ayrık Çift Yönlü matris veya CDP matrisi diyoruz. CDP matrisi mükemmel bir şekilde tutarlı olmayabilir. Yani, CDP matrislerinin tutarlılık indeksi (CI) değerleri (CI indeksinin tam tanımı için sonraki bölüme bakın) zorunlu olarak sıfıra eşit değildir.

Bu tutarsızlık konusu hakkında daha fazla bilgi, aşağıdaki bölümde tartışılacaktır. Burada, CDP matrislerinin, bir karar vericinin ikili karşılaştırmalarının her birinin gerçek gerçek değerine mümkün olan en yakın olduğunu varsayarsak, inşa edeceği ikili karşılaştırmalara sahip karşılıklı matrisler olduğunu gözlemlemek önemlidir.

Karar verici, ayrı sayısal değerlerle (yani, kendisine bir ölçekle sağlanan e kümesinden değerler) sınırlıdır. İkili karşılaştırmalarının gerçek değerlerini asla bilemeyebilir. Onlara yaklaşmaya çalışır. Başka bir deyişle, burada bu yaklaşımların mümkün olan en yakın olduğunu varsayıyoruz. Açıkçası, bu, çeşitli ölçeklerin etkililiğini araştırmaya çalışıldığında oldukça olumlu bir varsayımdır. Aşağıdaki örnek, RCP ve CDP matrislerinin kavramlarını daha da açıklamaktadır.

Örnek 3-1:

Gerçek (ve dolayısıyla bilinmeyen) göreceli performansın üç MCDM Yöntemi ile bir kümenin normalizasyonundan sonraki değerleri (veya önemli ağırlıkları):

Karşılaştırmalı Bir Çalışma. E. Triantaphyllou tarafından = 0,77348, W2 0,23804 ve W3 = 0,23848 olarak hesaplanır.

Daha sonra, varlıkların gerçek değerlerine sahip RCP matrisi (yani, üç alternatif veya üç kriter) WI’dır ve ikili karşılaştırmalar aşağıdaki gibidir:

Bu doğrudur, çünkü örneğin, (2, 1) girişi 0.30775’e eşittir.
(W I / W 2) = (0,23804 / 0,77348) vb. Örneğin, orijinal Saaty ölçeği kullanılacaksa (Tablo 3-1’de tanımlandığı gibi), karşılık gelen CDP matrisinin aşağıdaki gibi olduğu basit ve ayrıntılı bir numaralandırma ile kolayca doğrulanabilir:

Bunu görmek için önceki RCP matrisinin (1, 2) girişini düşünün. Bu giriş için bir l2 = 3.24938’imiz var. Bu nedenle, Tablo 3-1’deki değerler (1, 2) ikili karşılaştırmayı nicelleştirmek için kullanılacaksa, a l2 girdisi 3 değeri ile yaklaşık olarak hesaplanır. Tablo 3-1’deki değerler kullanıldığında. Açıkçası, bu, farklı ölçekleri incelemek için burada yapılan bir varsayımdır. Önceki CDP matrisindeki geri kalan girişler için benzer bir açıklama geçerlidir. •

Son bir teknik not olarak burada, bir aij elemanının yaklaştırılmasının, karşılık gelen 1Iaij elemanının yaklaştırmasının tersi olmaması mümkün olduğu belirtilmektedir. Örneğin, ayrık değer yaklaşımları için aij = 3.49 ve e = {9, 8, 7, …, 1, 112, 113, …, 119} kümesi kullanılıyorsa, aij yaklaşımı eşittir 1Iaij’in yaklaşık değerinin değeri 114’e eşittir ve 113’e eşit değildir.

Bunun nedeni, 113,49 oranının değerinin 0,2865329’a eşit olmasıdır; bu, önceki e kümesi dikkate alındığında, 114 öğesine 113 öğesinden daha yakındır. Bununla birlikte, türetilmiş CDP matrislerinin karşılıklılık özelliğini korumak için (ve dolayısıyla, uygulanabilir göreceli ağırlıkların çıkarılması için Bölüm 4’ün yöntemleri), karşılıklı = 1Iaij (forj> iandi = 1,2,3, … , nl) ve elemanlarla bağımsız yaklaşımlar yapılarak değil, e setinden elemanlar aji ilişkisinden belirlenmiştir.

CDP Matrislerinin Tutarlılığı Üzerine

Tüm ikili karşılaştırmalar birbiriyle mükemmel bir şekilde tutarlıysa, aik, ak j ve aij [Saaty, 1980] gibi üç karşılaştırma arasında aşağıdaki ilişki her zaman doğru olmalıdır:

ai k x akj = aij, herhangi 1 ~ i, j, k ~ n.

Saaty, ikili karşılaştırma matrisinin tutarsızlığını tutarlılık indeksi (CI) açısından ifade eder. CI indeksi aşağıdaki şekilde tanımlanır.

Burada Amax, matrisin ikili karşılaştırmalarla maksimum özdeğeridir ve n, bu matrisin sırasıdır. Aşağıdaki paragraflarda, gerçek ikili karşılaştırmaları ölçmek için kullanılan ölçek ne olursa olsun, CDP matrislerinin tutarsız olabileceğini göstereceğiz. Bu, aşağıdaki teorem açısından ifade edilir:

Teorem 3-1:
(N ~ 3) varlıkların ikili karşılaştırmalarını ölçmek için kullanılan ölçek ne olursa olsun, karşılık gelen CDP matrisleri tutarsız olabilir.

Kanıt:
Genelliği kaybetmeden, AI> A2 ve A3’ün, bazı ortak özellikler açısından karşılaştırmamız gereken n (burada n ~ 3) öğeden oluşan bir koleksiyonun üç öğesi (alternatifler veya kriterler) olduğunu varsayalım. Mevcut ölçeğin aşağıdaki (2k + 1) ayrık değerlerde tanımlanmasına izin verin (burada k ~ 1):

[Vk ‘1 / Vk_l, Vk_2, •••, V2, VI> 1, 1 / VI, 1 / V2, …, 1 / Vk_2, 1 / Vk_l, 1 / Vk], buradaV;> 0foranyi = 1 , 2,3, …, k veVI> 1.

Bu kanıtta, önceki ölçek kullanıldığında, karar vericinin yaptığı a12, a13, a32 karşılaştırmalarının tutarlılık gerekliliğini karşılamaması mümkün olduğu gösterilecektir:

al2 = a13 X Cl: 32 ‘

İkili karşılaştırmaların gerçek değerlerinin, önceki üç öğeye karşılık gelen AI ‘A2 ve A3 aşağıdaki gibidir:

Yukarıdaki ilişkiler kullanılarak (VI> 1’den beri) aşağıdaki koşulların (i) doğru olduğu kolayca doğrulanabilir.

Şekil 3-1’den veya koşullardan (z), ilgili CDP matrisinde karar vericinin aşağıdaki üç değeri au, a13, ~ (mevcut ölçekten alınmıştır) önceki üç ikili karşılaştırmaya atayacağı anlaşılmaktadır.Açıkça, tutarlılık gerekliliği bu üç değer için geçerli değildir, çünkü Başka bir deyişle, tüm CDP matrisi tutarsızdır.

Not: MI = (VI + 1) / 2; [VI, 1] aralığının orta noktasıdır.