Olasılıksal tereddütlü TOPSIS

Üç şey değişir; karar mantığı aynı kalır.

Hücreler. Kesin TOPSIS'te her hücre tek sayıdır. Burada her hücre, aynı kriterde birden fazla makul değerin kendi gerçekleşme olasılığıyla birlikte verildiği bir kümedir. Örneğin bir değer "yüzde 60 olasılıkla 0,7, yüzde 40 olasılıkla 0,5" biçiminde yazılabilir. Aynı hücredeki olasılıklar toplamda 1'i aşmaz. Kriter ağırlıkları kesin sayıdır, dışarıdan alınır.

Ölçek eşitleme. Yöntem önce her hücreyi beklenen değerine indirger: her olası değer kendi olasılığıyla çarpılır ve kriter içinde toplanır. Bu, dağılımı tek bir sayıya özetleyen bir adımdır ve kesin TOPSIS'in vektör normalizasyonundan önce gelir. Beklenen değerler elde edildikten sonra DecisionMind kesin TOPSIS'in kendi vektör normalizasyonunu, yani her sütunu kendi değerlerinin karelerinin toplamının köküne bölmeyi, uygular.

Sonuç ve durulaştırma. Yakınlık katsayısı yine 0 ile 1 arasında tek bir sayıdır. Fark şuradadır: beklenen değere indirgeme, hangi değerlerin ne kadar olası olduğu bilgisini atar; geriye yalnız dağılımın ortalaması kalır. İki farklı dağılım aynı beklenen değeri verebilir. Biri "yüzde 100 olasılıkla 0,6" derken diğeri "yüzde 50 olasılıkla 0,4, yüzde 50 olasılıkla 0,8" diyebilir ve ikisi de aynı sayıya iner.

DecisionMind bu uzantıda beklenen değere indirgemeyi ve ardından kesin TOPSIS'in vektör normalizasyonunu sabit tutar.

Yakınlık puanı kesin TOPSIS'teki gibi okunur: yüzde değildir, başka bir analizle karşılaştırılmaz. Fark şurada: puanın altında bir olasılık dağılımı vardır ve bu dağılım beklenen değere indirgenirken görünmez olur. İki seçeneğin puan farkı, yalnız hangi değerin gözlendiğine değil, uzmanın değerler arasındaki olasılık dağılımına da bağlıdır.

Bu nedenle:

"Olasılıksal tereddütlü TOPSIS olasılık bilgisini kullandığı için sonuç en doğrusudur"

yerine:

"Beklenen değerler üzerinden hesaplanan yakınlık puanı bu sırayı vermiştir; puanın altındaki olasılık dağılımı toplu mu dağınık mı, bu ayrıca kontrol edilmelidir"

biçiminde yazmak doğrudur.

Uzman ya da veri kaynağı bir kriteri tek bir değer yerine birden fazla olası değere, her birinin gerçekleşme olasılığıyla birlikte dağıtıyorsa bu uzantı uygundur. Olasılık bilgisi yoksa, yalnız birden fazla makul değer varsa HF-TOPSIS yeterlidir; olasılık eklemek, olmayan bir bilgiyi varmış gibi göstermek olur. Kriter ölçülmüşse temel yöntemde kalınmalıdır; DecisionMind tabloyu tek veri türünde ister. Temel TOPSIS'in telafi ediciliği ve bir kriterde taviz vermeme koşulu burada da aynen geçerlidir.

Değer alanı kısıtını ihlal etmek. Her olası değer 0 ile 1 arasında olmalı, aynı hücredeki olasılıkların toplamı 1'i aşmamalıdır; ihlal edilirse beklenen değer anlamsız çıkar.

Durulaştırma yöntemini belirtmeden değiştirmek. Beklenen değer kanonik seçimdir, ama farklı durulaştırma kuralları da tanımlanmıştır. Hangisinin kullanıldığı raporda belirtilmezse başka bir hesaplamayla karşılaştırma yanıltıcı olur.

Olasılıkları gerekçesiz uydurmak. Bir kesin değeri "yüzde 50-50" diye iki olası değere bölmek, hiçbir gerçek kaynağa dayanmıyorsa bilgi eklemez, yapay belirsizlik üretir.

"Daha gelişmiş" yanılgısı. Birden fazla olası değeri destekleyen gerçek bir kaynak yoksa, kesin bir sayıyı keyfi olarak birkaç yakın değere ve olasılığa açmak sonucu değiştirmez, yalnız hesabı karmaşıklaştırır.

Temel ilke şudur:

Her olası değer ve olasılığı gerçek bir kaynağa dayanmalı; durulaştırma yöntemi ve seçilen ağırlıklar raporda belirtilmelidir.