Veriye Dayalı Karar Verme (Bölüm 3)people.sabanciuniv.edu/canakkan/kibar/Kibar...2 Ders Planı 1....
Transcript of Veriye Dayalı Karar Verme (Bölüm 3)people.sabanciuniv.edu/canakkan/kibar/Kibar...2 Ders Planı 1....
1
Veriye Dayalı Karar Verme
(Bölüm 3)
Can Akkan
2
Ders Planı
1. Karar Problemleri
i. Karar problemlerinin bileşenleri
ii. Değerler, amaçlar, bağlam
iii. Etki Diagramları
2. Model Girdilerinde Belirsizlik
i. Duyarlılık ve Senaryo Analizleri
ii. Olasılık ve Olasılık Dağılımları
• Temel olasılık kavramları
• Şartlı olasılık, istatistiksel bağımsızlık kavramı
• Senaryo Ağaçları
3
Ders Planı
3. Monte Carlo Simülasyon Tekniği
i. Rassal sayı üretmek
ii. Neden simülasyon
iii. Örnek model
4
3. Monte Carlo Simülasyon
Tekniği
5
Uniform Dağılım
• RAND() bize U(0,1) olasılık dağılımından
sayılar veriyor
– (0.2,0.4) aralığında bir sayı gelme olasılığı
(0.4-0.2)/(1-0) = 0.2
– (0.6,0.8) aralığında bir sayı gelme olasılığı da
(0.8-0.6)/(1-0) = 0.2
• Genelde U(a,b) için
a ve b arasındaki herhangi bir aralıkta x ve y
arasında sayı gelme olasılığı (y-x)/(b-a)
6
Uniform Dağılım
• Aylık talep tahmini 2000
• ±%10 hata olabilir
• Olası aralık (1800, 2200)
• Bu aralıkta talep “senaryoları” oluşturmak
istiyorsak
1800 + (2200 – 1800)*RAND()
– Tam sayı olsun istersek
=ROUND(1800 + (2200 – 1800)*RAND(), 0)
RAND == S_SAYI_ÜRET
7
Örnek – Nakit Akış 1%
2%
-1%
3%
Ay Satış Büyüme
1 1,200
2 1193 -0.55%
3 1206 1.10%
4 1242 2.92%
5 1278 2.93%
6 1274 -0.32%
7 1310 2.85%
8 1348 2.88%
9 1385 2.76%
10 1388 0.23%
11 1400 0.83%
12 1410 0.70%
Toplam 15,635
Tahmini Aylık Büyüme
Hata Miktarı
Minimum Aylık Büyüme
Maksimum Aylık Büyüme
NakitAkış_sim.xlsx
8
9
Rassal Değişkenler Üretmek
• Bernoulli rassal değişkeni, X,
– Örnek: pazara yeni rakip girdi/girmedi.
– X = 0 veya 1.
P(X=1) = p, 0 < p < 1
X 0 1
P(x)
p
10
Rassal Değişkenler Üretmek
• X~Bernoulli(p=0.7).
F(X) = P(X x)
U~U(0,1) ise
P(0.3 < U < 1) = 0.7
P(0 < U < 0.3) = 0.3
Kural 1, 0.7 olasılıkla
0, 0.3 olasılıkla
İhtiyacımız olan kural:
0 1 X
F(X)
0.7
1
0.3
11
Rassal Değişkenler Üretmek
• Yöntem:
– RAND() ile bir sayı üretelim, u .
– Eğer u < 0.3 X = 0, aksi halde X = 1.
• Excel’de =IF(RAND() < 0.3, 0, 1)
• Ya pazara giren yeni rakip sayısı, R,
gerekli ise:
– 0.2, 0.3, 0.3 & 0.2 olasılıkla, R = 2, 3, 4, & 5
12
Örnek
• Kapasite kararı
vereceğiz.
• Yöntem:
NPV analizi
(net bugünkü
değer)
• Ciro büyüme
hızı belirsiz.
KapasiteKararı_AtRisk.xlsx
13
Bir Karar Modelinin Formatı
Girdiler mavi zemin ile işaretlenmiş.
Karar kırmızı çerçeve ile işaretlenmiş.
Olasılık dağılımı eklemek
14
15
Beklenen değerleri değil
rassal değerler görmek
istersek zar tuşunu tıklıyoruz
16
Bir Karar Modelinin Formatı
• Bu sayılar bir “replikasyon” – bir “senaryo”
• Her replikasyon diğer replikasyonlardan bağımsız bir şekilde olayların
tekrarı.
Modelin hesaplamaları
17
Bir Karar Modelinin Formatı
Çıktının hangi hücrede olduğunu tanımlamamız gerekli
değiştirebiliriz
18
Önce iterasyon sayısını girin
Sonra simülasyonu başlatın
Sonuçlar – Seçenek 1 için
19
Tornado Grafiği İle Duyarlılık
Analizi
20
NEDEN SIMÜLASYON?
21
22
Örnek – Beklenen Değer
Kullanarak VARSAYIM
• Ciro büyüme hızı:
sabit ve beklenen
değere eşit
• NPV pozitif ->
yatırım yapılabilir
Neden Simülasyon
• Beklenen NPV -7.47 !!! Yatırım yapılmamalı
23
24
Ortalama Değerlerin Hatalı Sonucu
• Önemli Çıkarım:
Bir modelde belirsiz girdiler varsa, bir
çıktının değerini tahmin etmek için
girdilerin ortalama değerlerinin kullanıldığı
deterministik bir model kurmak çok
yanıltıcı sonuçlar verebilir.
• E(F(x)) ≠ F(E(x))
25
Ortalama Değerlerin Hatalı Sonucu
Kaynak: Sam Savage http://www.stanford.edu/~savage/flaw/
Sarhoşun
ortalama
pozisyonundaki
durumu canlı
Sarhoşun ortalama
durumu ölü
Egzersiz – Şemsiye Simülasyon
Modeli • =RiskSimtable(I3:I8) ile 6 değişik sipariş
adeti için 6 farklı simülasyon koşturacağız.
26
Egzersiz – Şemsiye Simülasyon
Modeli • Sonuçları yorumlayın
27
28
Özet
• Monte Carlo Simülasyonu esnek bir araç
– Çok farklı problemleri modellemek mümkün
• Analizin faydaları
– Risk profili oluşturma
– Duyarlılık analizi
– Doğru ortalama
performansı bulmak