Karar Ağaçları. Karar Ağaçları. Arş. Gör. Melike ERDOĞAN



Benzer belgeler
tree) nedir? Karar Ağacı (Decision Decisiontree

Makine Öğrenmesi 3. hafta

3 KESİKLİ RASSAL DEĞİŞKENLER VE OLASILIK DAĞILIMLARI

Risk ve Belirsizlik. 1. Karar Analizleri 2. Karar Ağaçları 3. Oyun Teorisi. Karar Verme Aşamasındaki Bileşenler

KARAR TEORİSİ. Özlem AYDIN. Trakya Üniversitesi Bilgisayar Mühendisliği Bölümü

Karar Verme ve Oyun Teorisi

Veri Madenciliği Karar Ağacı Oluşturma

BİLİŞİM TEKNOLOJİLERİ İÇİN İŞLETME İSTATİSTİĞİ

VERİ MADENCİLİĞİ. Karar Ağacı Algoritmaları: SPRINT algoritması Öğr.Gör.İnan ÜNAL


Bilgisayar programlamanın üç temel mantık yapısından biridir. Diğer ikisi ise Seçilim(Selection) ve Döngü(Loop, Iteration)dür.




İSTATİSTİKSEL HATALAR VE ÖRNEKLEME HATASININ ÖLÇÜLMESİ

7. BÖLÜM İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI İÇ ÇARPIM UZAYLARI .= Genel: Vektörler bölümünde vektörel iç çarpım;

OPSİYONLARDAN KAYNAKLANAN PİYASA RİSKİ İÇİN STANDART METODA GÖRE SERMAYE YÜKÜMLÜLÜĞÜ HESAPLANMASINA İLİŞKİN TEBLİĞ

Analitik Hiyerarşi Prosesi (AHP) Yrd.Doç.Dr. Sabahattin Kerem AYTULUN

OLAY AĞACI ANALİZİ (Event Tree Analysis-ETA)

KARAR AĞAÇLARI. Prof.Dr.Aydın ULUCAN

MIT OpenCourseWare Ekonomide İstatistiksel Yöntemlere Giriş Bahar 2009

PROJE YÖNETİMİ: PERT VE CPM ANALİZİ: Prof. Dr. Şevkinaz Gümüşoğlu (I.Üretim Araştırmaları Sempozyumu, Bildiriler Kitabı-İTÜ Yayını, Ekim1997, İstanbul

Etki Diyagramları ve Karar Ağaçları

Finans Matematiği. Paranın zaman değeri Faiz kavramı Gelecek ve Şimdiki Değer Anüiteler İskonto

Büyük Resim: 2. Kısım - Değerleme

VERİ MADENCİLİĞİ (Karar Ağaçları ile Sınıflandırma) Yrd.Doç.Dr. Kadriye ERGÜN

YAPI KREDİ BANKASI 1Ç2015 Sonuçları

Farklı iki ilaç(a,b) kullanan iki grupta kan pıhtılaşma zamanları farklı mıdır?

Ders 1: Faiz Hesapları

Ölçme Bilgisi ve Kadastro Anabilim Dalı

OYAK ADANA - BALIKESİR - BATMAN - BOLU - DÜZCE HATAY - KAHRAMANMARAŞ - MARDİN - ORDU RİZE - SAKARYA - SİVAS - TEKİRDAĞ - ZONGULDAK 7 NİSAN 2012

İŞLETME RİSK YÖNETİMİ. Yrd. Doç. Dr. Tülay Korkusuz Polat 1/21

Uzaktan Algılama Uygulamaları

Binom Dağılımı Özellikleri ve Olasılıkların Hesaplanması

Hipotez Testlerine Giriş. Hipotez Testlerine Giriş

GENETİK ALGORİTMALAR BÜŞRA GÜRACAR

YZM YAPAY ZEKA DERS#6: REKABET ORTAMINDA ARAMA

T.C. DOKUZ EYLÜL ÜNİVERSİTESİ MİMARLIK FAKÜLTESİ ŞEHİR VE BÖLGE PLANLAMA BÖLÜMÜ PLN 202 ŞEHİR PLANLAMA PROJESİ II FİNAL RAPORU

Toplam maliyete/gelire göre yer seçimi Faktör ağırlıklandırma Başabaş noktası analizi Oyun kuramı

Abs tract: Key Words: Onur ERDEM Barbaros BATUR Z. Düriye BİLGE Galip TEMİR

Kesikli Şans Değişkenleri İçin; Olasılık Dağılımları Beklenen Değer ve Varyans Olasılık Hesaplamaları

RASTGELE SAYI ÜRETİMİ VE UYGULANAN TESTLER HAZIRLAYAN: ÖZLEM AYDIN

Hidroloji Uygulaması-7

REIDIN.com INDEXFocus Turkey 2009 Aralık Ayı Konut Sektörü Analizi

MIM 802 ŞANTİYE İ YÖNETİM İ İ M MALİYET YÖNETİMİ

MAK 210 SAYISAL ANALİZ

MAYIS 2012 FON BÜLTENİ

PANORA GAYRİMENKUL YATIRIM ORTAKLIĞI A.Ş. Fiyat Tespit Raporu Değerlendirme Raporu

Ara Sınav, Bahar 2003

IE 303T Sistem Benzetimi L E C T U R E 6 : R A S S A L R A K A M Ü R E T I M I

EME 3117 SİSTEM SİMÜLASYONU. Rassal Sayı ve Rassal Değer. Üretimi. Rassal Sayı Üretimi

Net Bugünkü Değer. Bölüm 6 Yatırım Kriterleri - I. Net Bugünkü Değer (NBD) Projenin nakit akımlarının bugünkü değeri eksi başlangıç yatırımı.

Web Madenciliği (Web Mining)

İ İ İ

RİSK ANALİZ PROSEDÜRÜ


KONFEKSİYONDA KARAR VERME TEKNİKLERİ


ç ış ı ı ı ı ı ı ı ıı ı çı ı ı ı ı ığı ı ğ ı ı ı ıı ı ı ı

YATIRIM. Ders 19: Menkul Kıymet Analizi. Bahar 2003



İŞLETMELERDE VERGİ YÖNETİMİ



Ö

MIKROSAY YAZILIM ve BİLGİSAYAR SAN. TİC. A.Ş




Ş Ç İ İ İ Ç Ş

Yayın Tarihi MAÇKA MYO İK-19 Rev. Tarihi İç Kontrol Risklerin Belirlenmesi ve Değerlendirilmesi Rev. No: 1

İ İ Ö Ö

GRI Uygulama Seviyeleri GRI. Versiyon 3.0







Karar Verme. Karar Verme ve Oyun Teorisi. Kararların Özellikleri. Karar Analizi. Amaç. Geleneksel Yaklaşımda Karar verme

Ç Ö Ş Ş Ç Ü Ş Ş Ö Ü

Transkript:

Arş. Gör. Melike ERDOĞAN 09.05.2014 1 Belirsizlik ve risk altında karar alma durumunu temsil eden şekil Bu şekil karar seçeneklerini, her bir seçeneğin olasılıklarını, kar ve zararlarını gösterir. 09.05.2014 2 1

Bir işletme yönetimi tarafından tercihlerin, risklerin, kazançların, hedeflerin tanımlanmasında yardımcı olabilen ve birçok önemli yatırım alanlarında uygulanabilen, birbirini izleyen şansa bağlı olaylarla ilgili olarak çıkan çeşitli karar noktalarını incelemek için kullanılan bir teknik (Milli Prodüktivite Merkezi). 09.05.2014 3 Karar ağacı düğümlerden ve dallardan oluşan grafiksel bir gösterimdir. Her bir sonucun beklenen değeri hesaplanıp, son karar bu beklenen değere dayanılarak verilir. Karar ağacı yardımıyla karar ağacı sürecinin her aşaması açıkça görülebilir. Böylelikle hem beklenen değeri hesaplamak kolaylaşır hem de karar verme süreci tam anlamıyla anlaşılır. 09.05.2014 4 2

09.05.2014 5 Karar ağacında gösterilen kare ( ) ve daire( ) şekilleri, düğümler olarak adlandırılır. Kareler karar düğümleridir ve bir karar düğümünden çıkan dallar bu noktada mevcut olan karar seçeneklerini yansıtır. 09.05.2014 6 3

Karar Ağacı Analizi 1. Problemi Tanımla 2.Karar Ağacını çiz. 3.Doğa durumlarına olasılıklar ata. 4.Her altenatif-doğa durumu kombinasyonu için kazanç (veya kayıpları) tahmin et. 5.Geriye doğru hesaplama ile her şans düğümü için beklenen değeri belirle. 6.En iyiyi seçerek başlangıca ulaş. 09.05.2014 7 Emlak Yatırımcısı problemi: Düğüm1; apartman,işyeri, depo satın alınması kararı Daireler; olasılık düğümleri Daireden çıkan dallar; ortaya çıkabilecek olasılıksal doğal yapı (bu problem için iyi ekonomik koşullar ve kötü ekonomik koşullar) 09.05.2014 8 4

En iyi kararı belirleme süreci, her bir olası düğümün beklenen değeri hesaplanarak bulunur. Bunun için son noktadan başlanarak geriye doğru gidilir, her bir olası düğüm için beklenen değer hesaplanır Örnek için; BD (düğüm 2)=0,60(50.000)+0,40(30.000)=42.000 BD (düğüm 3)=0,60(100.000)+0,40(-40.000)=44.000 BD (düğüm 4)=0,60(30.000)+0,40(10.000)=22.000 09.05.2014 9 Ardışık Eğer bir karar durumu, bir dizi sıralı kararı gerektiriyorsa, ardışık karar ağaçları kullanılır. Sıralı bir karar ağacı bir dizi kararlar (çok aşamalı karar verme) gerektiren durumları göstermede ve bir karar (ödeme) matrisinin (tek kademeli bir karar sınırlı) yeterli olmadığı durumlarda kullanılır. 09.05.2014 10 5

Ardışık Emlak yatırımı örneği; Örneğin yatırımcı ilk olarak apartman veya arazi satın alma kararıyla karşı karşıya kalsın.( Kararlar dizisi gelecek 10 yıla yayılmaktadır.) Eğer yatırımcı apartman ya da arazi satın alırsa iki durumla karşılaşması olasıdır: i) %60 olasılıkla şehrin nüfusunda artış olabilir ii) %40 olasılıkla nüfus artışı olmayabilir 09.05.2014 11 Emlak yatırımı örneği Apartman maliyeti: 800.000 Arazi maliyeti: 200.000 Yatırımcı apartman satın aldığında nüfus artışı gerçekleşirse, 10 yıllık periyotta 2.000.000 kazanç sağlayacak Yatırımcı arazi satın aldığında nüfus artışı gerçekleşmezse, 10 yıllık periyotta 225.000 kazanç sağlayacak 09.05.2014 12 6

Emlak yatırımı örneği Arazi satın aldığında 3 yıllık periyot için nüfus artışı olsa da olmasa da- kazanç yok Ancak nüfus artışı olursa apartman inşaa edebilir ya da araziyi satabilir(apartman maliyeti 800.000, arazi satış kazancı 450.000) Nüfus artışı yaşanmazsa, yeni karar seçenekleri; 600.000 maliyetle harcama yaparak araziyi geliştirebilir ya da 210.000 kazançla satabilir 09.05.2014 13 Emlak yatırımı örneği Yatırımcı eğer apartman inşaa ederse, iki olası durum ortaya çıkıyor- %80 olasılıkla nüfus artışı yaşanabilir;%20 olasılıkla yaşanmayabilir İki durum için 10 yıllık periyot sonunda kazanç sırasıyla 3.000.000 ve 700.000 Yatırımcı araziyi ticari anlamda geliştirmeye karar verirse yine nüfusun artması-artmaması durumları(sırasıyla %30 ve %70) Nufüs artışı yaşanırsa 2.300.000 kazanç - yaşanmazsa 1.000.000kazanç sağlanabilir 09.05.2014 14 7

Emlak yatırımı örneği 09.05.2014 15 8