Uzantı kartı · Pisagor bulanık
Pisagor bulanık ARAS
Pisagor bulanık ARAS, kriter değerlendirmesi üyelik ve üyelik dışı derece çiftiyle verildiğinde ve bu iki derecenin toplamının 1'i aşmasına izin verildiğinde, yeter ki karelerinin toplamı 1'i aşmasın, kullanılan ARAS biçimidir. Toplamsal fayda oranını bu çiftler üzerinden hesaplar, sonucu tek bir fayda derecesine indirir.
Temel yöntem
ARAS →
Felsefe, işleyiş, güçlü ve zayıf yanlar temel yöntem kartında; bu kart yalnız farkı anlatır.
Veri türü (aile)
Pisagor bulanık (Pythagorean) →
Bu veri türü nedir, ne zaman kullanılır, hücreye nasıl yazılır: ailenin ayrıntılı anlatımı burada.
Temel Yöntemden Ne Değişir?
Dört şey değişir; karar mantığı değişmez.
Hücreler. Kesin ARAS'ta her hücre tek bir sayıdır. Burada her hücre bir çifttir: üyelik derecesi (μ) ve üyelik dışı derece (ν). Sezgisel bulanık çiftten farkı, toplamlarının değil karelerinin toplamının 1'i aşmamasıdır (μ²+ν²≤1). Bu, uzmana sezgisel bulanık yapıdan daha geniş bir alan bırakır: örneğin destek 0,8, ret 0,5 verilebilir, çünkü 0,8²+0,5²=0,89≤1; oysa sezgisel bulanıkta 0,8+0,5=1,3 geçersiz olurdu.
Ölçek eşitleme. Kesin ARAS'ta maliyet kriteri tersine çevrilip (1/x) sütun toplamına bölünür. Burada maliyet kriterinde tersine çevirme bir tümleyen almaktır: üyelik ile üyelik dışı derece yer değiştirir. Sonra her hücre bir skora indirilir: skor, üyeliğin karesi eksi üyelik dışı derecenin karesidir (s=μ²−ν²). Bu skorlar negatif olabileceğinden önce kaydırılır, sonra optimal alternatif satırı dahil sütun toplamına oranlanır. Bu, sezgisel bulanık uzantıdaki kaydırılmış skor mantığının Pisagor cebrine uyarlanmış biçimidir.
Optimal alternatif. Optimal alternatif, ham üyelik-üyelik dışı çiftlerinden değil, bu skorlardan kurulur: her kriterde en yüksek skoru taşıyan hücre optimal kabul edilir.
Sonuç ve durulaştırma. Kaydırılıp normalize edilmiş skorlar kriter ağırlığıyla çarpılır, her satırın (optimal alternatif dahil) kriterler boyunca toplamı alınır. Fayda derecesi K, kesin ARAS'taki tanımla aynı anlama gelir: gerçek alternatifin toplam skorunun optimal alternatifin toplam skoruna oranıdır. DecisionMind bu skor fonksiyonunu ve kaydırma adımını sabit tutar; üyelik-üyelik dışı çifti hiçbir aşamada doğrudan sıralanmaz, sıralama yalnız K üzerinde yapılır.
Çıktı Nasıl Yorumlanır?
Fayda derecesi K burada da aynı anlama gelir. En iyi seçenek 100 kabul edilir, diğerleri ona göre bir yüzde alır; bu yüzde yalnız bu seçenek kümesi ve bu ağırlıklar için geçerlidir. Fark şurada: K'nın altında Pisagor bulanık yapının geniş serbestlik alanından gelen bir belirsizlik vardır. Üyelik ve üyelik dışı derecesi ikisi de yüksek olan bir hücre (örneğin 0,7 ve 0,6) hem güçlü hem çekinceli bir yargıyı temsil eder; skor fonksiyonu bu iki büyük sayıyı birbirinden çıkararak küçük bir net değere indirir.
Bu nedenle:
"Pisagor bulanık ARAS'a göre A2 en iyi seçenektir"
yerine:
"Verilen ağırlıklarla (0,40; 0,35; 0,25) A2 en yüksek fayda derecesine sahiptir (K=0,902); ağırlık ikinci kritere yoğunlaştırıldığında (0,10; 0,80; 0,10) A3 birinciliğe geçmektedir, dolayısıyla ağırlık dağılımı raporda ayrıca gerekçelendirilmelidir"
biçiminde yazmak doğrudur.
Ne Zaman Temel Yöntem Yerine Bu?
Bir yargının destek ve ret derecesi, toplamları değil kareleri toplamı 1'i aşmayacak biçimde verilmişse bu yöntem uygundur. Örnekler: hem güçlü destek hem güçlü çekince aynı anda ifade edilebilen uzman yargıları, sezgisel bulanık yapının toplam-1 kısıtının uzman görüşünü yapay biçimde daralttığı durumlar.
Destek ve ret toplamı zaten 1'i aşmıyorsa Pisagor bulanık yapıya geçmenin bir katkısı olmaz; bu durumda sezgisel bulanık ARAS yeterlidir ve daha basittir. Kesin ARAS'ın çıkış koşulu burada da geçerlidir: bir kriterde taviz kabul edilmiyorsa bu uzantı da tam telafi edicidir, eşik altını elemez.
Bu Uzantıya Özgü Hatalar
Değer uzayı ihlali. Her hücrede üyelik ve üyelik dışı derecenin karelerinin toplamı 1'i aşmamalıdır (Yager, 2014). Sezgisel bulanık kısıtla (toplamları 1'i aşmama) karıştırılmamalıdır; bu ikisi farklı kısıtlardır ve bir çift birinde geçerliyken diğerinde geçersiz olabilir.
Maliyet kriterinde tümleyen yerine kesin ARAS'ın 1/x işlemini uygulamak. Bu, üyelik-üyelik dışı çiftinin kare toplamı kısıtını bozar ve geçersiz bir çift üretir.
Skoru kaydırmadan kullanmak. Skor (μ²−ν²) negatif olabilir; kaydırma adımı atlanırsa normalize edilmiş değerler ve dolayısıyla fayda dereceleri de negatif çıkabilir.
Skor fonksiyonunu söylemeden değiştirmek. μ²−ν² kanonik seçimdir ama tek değildir; farklı bir skor fonksiyonu (örneğin belirsizlik payını da katan) sıralamayı değiştirebilir. Hangi skorun kullanıldığı raporda belirtilmelidir.
Temel ilke şudur:
Pisagor bulanık ARAS, bir yargının hem güçlü destek hem güçlü çekince taşıyabildiği durumdaki geniş serbestliği optimal alternatife oran alınana kadar taşımak içindir; kısıtı sezgisel bulanıkla karıştıran ya da skoru kaydırmadan kullanan her uygulama, çiftin taşıdığı bilgiyi bozar.
Vakalar
Birinci vaka DecisionMind'ın doğrulama örneğidir. Manifest kayıtlarında Pisagor bulanık ARAS'a özgü, ortak bir karar tablosu sunan bir uygulama makalesi bulunmadığı için DecisionMind'ın 2026-05-25 protokolü gereği küçük, el ile izlenebilir bir tablo üretilmiştir. İkinci vaka öğretici kurgudur.
1. Öğretici örnek: Üç aday, üç kriter (DecisionMind doğrulama örneği)
Bir değerlendirme kurulu üç adayı üç kriterde puanlıyor; birinci ve ikinci kriter çoğu iyi, üçüncü kriter azı iyi. Her puan üyelik ve üyelik dışı dereceyle verilmiştir. Kurul üç kritere sırasıyla 0,40, 0,35, 0,25 ağırlık vermiştir.
| Aday | K1 | K2 | K3 (azı iyi) |
|---|---|---|---|
| A1 | μ=0,7 ν=0,4 | μ=0,5 ν=0,5 | μ=0,6 ν=0,5 |
| A2 | μ=0,8 ν=0,3 | μ=0,6 ν=0,4 | μ=0,4 ν=0,6 |
| A3 | μ=0,6 ν=0,5 | μ=0,7 ν=0,4 | μ=0,5 ν=0,5 |
| Ağırlık | 0,40 | 0,35 | 0,25 |
Yöntem üçüncü kriterde tümleyeni alır, her hücreyi skorlar (μ²−ν²), kaydırıp sütun toplamına (optimal alternatif dahil) oranlar, ağırlıklarla çarpıp toplar.
| Aday | Fayda derecesi (K) | Sıra |
|---|---|---|
| A2 | 0,902 | 1 |
| A3 | 0,560 | 2 |
| A1 | 0,331 | 3 |
Sonuç şöyle okunur. A2 birinci kriterde en yüksek üyeliğe ve en düşük üyelik dışı dereceye sahiptir; en ağır kriter olan birinci kriterde de en iyisidir, bu yüzden açık farkla birincidir. A1 üçüncü kriterde (tersine çevrildikten sonra) en zayıf konumdadır ve sonuncudur.
Kurulun bir tereddüdü var. Ağırlık ikinci kritere yoğunlaştırılıp (0,10; 0,80; 0,10) yeniden hesaplandığında, fayda dereceleri A3 için 0,857, A2 için 0,769, A1 için 0,259 çıkar ve sıra TAMAMEN tersine döner: A3 birinciliğe yükselir (bağımsız Python ile aynı algoritma koşturularak hesaplandı). Bu, A2'nin birinciliğinin birinci ve üçüncü kritere verilen ağırlığa tamamen bağlı olduğunu gösterir; kurul bu ağırlık dağılımını neden seçtiğini raporda savunmalıdır.
Raporda: "Verilen ağırlıklarla (0,40; 0,35; 0,25) A2 en yüksek fayda derecesine sahiptir (K=0,902); ağırlık ikinci kritere yoğunlaştırıldığında (0,10; 0,80; 0,10) sıra tamamen tersine dönmekte, A3 birinciliğe yükselmektedir. Bu nedenle ağırlık dağılımı kurul tarafından ayrıca gerekçelendirilmelidir."
Kaynak: DecisionMind'ın Pisagor bulanık ARAS motorunun doğrulama örneği; skor fonksiyonu ve kısıt Yager'in (2014) Pisagor bulanık küme tanımına sadıktır, ancak manifest kayıtlarında bu yönteme özgü, ortak bir karar tablosu sunan bir uygulama makalesi bulunamamıştır. Karar matrisi ve sonuçlar bu kartın yazarınca el ile kurulup Python ile hesaplanmıştır; bu nokta onay notunda ayrıca belirtilmiştir.
2. Turizm: Bir seyahat acentesinin tur operatörü seçimi
Bir seyahat acentesi, yeni bir yurt dışı tur programı için üç operatör arasından seçim yapacaktır. İki kriter: hizmet kalitesi ve programın esnekliği (değişen taleplere uyum). Acente yöneticileri her operatör için "bu operatör beklenen kaliteyi tutturur" önermesine ne kadar üyelik (destek), ne kadar üyelik dışı (çekince) derecesi verdiğini bildirmiştir; bir operatör için hem destek hem çekince aynı anda yüksek çıkmıştır, çünkü geçmiş turlarında hem çok olumlu hem de birkaç olumsuz yorum toplanmıştır.
Yöntem üç operatörü karşılaştırır: her hücreyi skorlar, kaydırıp sütun toplamına oranlar, ağırlıklarla çarpıp toplar. Diyelim ki hem yüksek destek hem yüksek çekinceye sahip operatör, net skoru orta düzeyde kaldığı için birinci değil ikinci sırada çıkar. Daha düşük ama daha az çekinceli bir destek değerine sahip operatör birinci olur.
Acentenin bir tereddüdü var. İkinci sıradaki operatörün yüksek çekince payı, geçmiş olumsuz yorumların nedeninin araştırılmasını gerektirir. Acente bu araştırmayı yapmadan iki operatör arasında yalnız net skora bakarak karar vermemelidir.
Raporda: "Birinci operatör hem daha yüksek net skora hem de daha düşük çekince payına sahiptir; ikinci operatörün yüksek çekince payının kaynağı netleşmeden bu iki operatör arasında fiyat pazarlığına geçilmemelidir."
3. Yapılmaması Gereken
Birinci yanlış, öğretici örnekteki üyelik-üyelik dışı çiftlerini sezgisel bulanık kısıtla (toplamları 1'i aşmama) denetlemektir; A2'nin K1'deki çifti (0,8; 0,3) toplamı 1,1 ile bu kısıtı ihlal eder görünür, oysa Pisagor kısıtına (kareler toplamı) göre 0,73 ile geçerlidir. İkinci yanlış, maliyet kriterinde tümleyen yerine kesin ARAS'ın 1/x işlemini uygulamaktır; bu, kare toplamı kısıtını bozan bir çift üretir. Üçüncü yanlış, A2'nin 0,902 fayda derecesini "yüzde 90 kesinlikle doğru seçim" diye raporlamaktır; K yalnızca bu üç adayın optimal adaya göre orantısal faydasını gösterir, bir olasılık değildir.
Kaynaklar
Adımların formülleri, ara tabloları ve atıf biçimleri için DecisionMind yöntem sayfası: decisionmind.app/library/pf-aras
Yager, R. R. (2014). Pythagorean membership grades in multicriteria decision making. IEEE Transactions on Fuzzy Systems, 22(4), 958–965. DOI: 10.1109/TFUZZ.2013.2278989
Zhang, X., & Xu, Z. (2014). Extension of TOPSIS to multiple criteria decision making with Pythagorean fuzzy sets. International Journal of Intelligent Systems, 29(12), 1061–1078. DOI: 10.1002/int.21676
Zavadskas, E. K., & Turskis, Z. (2010). A new additive ratio assessment (ARAS) method in multicriteria decision-making. Technological and Economic Development of Economy, 16(2), 159–172. DOI: 10.3846/tede.2010.10