Bulanık Standart Sapma (Fuzzy Standard Deviation, TFN bileşen profili)

Bulanık Standart Sapma bir sıralama yöntemi değildir; seçenekleri sıralamaz, kriterlerin ağırlığını üretir. Girdi olarak her hücrede tek bir sayı yerine üçgen bulanık sayı (TFN) alır: alt sınır, en olası değer ve üst sınır. Bu, verinin kesin değil uzman yargısıyla bir aralıkta verildiği durumları temsil eder.

Fikir basittir: bir kriterde alternatifler birbirinden ne kadar çok saçılıyorsa (standart sapması ne kadar büyükse) o kriter o kadar ağırlık alır. DecisionMind'ın bu profili, bu hesabı TFN'nin üç bileşenine (alt sınır, en olası değer, üst sınır) ayrı ayrı, birbirinden bağımsız olarak uygular ve üç sonucu ortalar. Standart sapmaya dayalı ağırlıklandırmanın kesin (crisp) hâli için bile DecisionMind'ın kendi literatür taraması tek bir kurucu makale belirleyememiştir. Fikir birden çok nesnel ağırlık yönteminde, örneğin CRITIC'in yayılım bileşeninde, ortak biçimde kullanılır ama bağımsız bir "standart sapma ağırlıklandırması" olarak tek bir kaynağa dayanmaz. Bu profilin bulanık hâli ise DecisionMind'ın kendi mühendislik kararıdır; manifest bunu bir yazılım deposundan (akademik makale değil) geldiğini açıkça belirtir.

Fikir, entropi ve CRITIC ile aynı aileden gelir: bir kriterde alternatifler birbirine yakın değerler alıyorsa, o kriter alternatifleri ayırt etmez ve düşük ağırlık hak eder; alternatifler birbirinden uzak değerler alıyorsa kriter yüksek ağırlık alır. Standart sapma bu saçılmayı doğrudan, aracısız ölçer; entropideki logaritma ya da CRITIC'teki korelasyon gibi ek bir işlem yoktur. Bulanık uyarlamada bu ölçü üç kez, TFN'nin üç bileşeni için ayrı ayrı hesaplanır ve üç sonucun ortalaması alınır; bileşenler arasındaki fark, verinin belirsizliğinin ağırlığı ne kadar etkilediğini gösterir.

Bu felsefenin bir sonucu, yöntemin ölçek eşitlemesinden (en küçük-en büyük ölçeklemesinden) doğar: her kriter sütunu önce 0 ile 1 arasına sıkıştırılır, yani her sütunun aralığı zaten eşitlenmiş olur. Geriye kalan tek fark, sütun içindeki değerlerin bu aralıkta nasıl dağıldığıdır. Bu, standart sapma tabanlı ağırlıkların genellikle entropi ya da Gini katsayısı gibi yöntemlere kıyasla birbirine daha yakın çıkmasına yol açabilir; aşağıdaki örnekte de görülecektir.

Yöntem üç adımda ilerler.

Birinci adım, girdi doğrulama. Her hücredeki üçgen bulanık sayının alt sınır ≤ en olası değer ≤ üst sınır sırasını sağladığı ve her kriter için bir yön (çoğu iyi / azı iyi) bildirildiği kontrol edilir. En az iki alternatif ve iki kriter aranır.

İkinci adım, üç bağımsız standart sapma hesabı. Her kriter sütunu, kriterin yönüne göre 0 ile 1 arasına ölçeklenir: "çoğu iyi" kriterde en büyük değer 1, en küçük 0 olur; "azı iyi" kriterde ters çevrilir. Bu ölçekleme, TFN'nin alt sınır tablosuna, en olası değer tablosuna ve üst sınır tablosuna ayrı ayrı uygulanır ve her tabloda ölçeklenmiş sütunun standart sapması hesaplanır; standart sapmalar kendi toplamlarına bölünerek üç ayrı ağırlık vektörü elde edilir.

Üçüncü adım, ortalama ve belirsizlik ölçüsü. Üç ağırlık vektörünün ortalaması alınır ve toplamı 1 olacak biçimde yeniden ölçeklenir; bu son ağırlık vektörüdür. DecisionMind ayrıca bu ortalamanın yalnız en olası değerden çıkan ağırlıktan ne kadar uzaklaştığını ve üç bileşen arasındaki en büyük ağırlık farkını da hesaplayıp raporlar.

Adımların formülleri ve ara tabloları DecisionMind'daki yöntem sayfasında verilir; bu kart formül taşımaz.

Ağırlık vektörü, bir kriterin ölçeklenmiş değerlerinin alternatifler arasında ne kadar saçıldığını, üç bulanık okumanın ortalaması olarak yansıtır. Bileşenler arasındaki fark küçükse TFN'nin genişliği sonucu neredeyse hiç değiştirmemiş demektir; büyükse alt ve üst sınırın seçimi ağırlığı gerçekten etkiliyor demektir.

Standart sapma tabanlı ağırlıklar, ölçekleme sütunun aralığını zaten 0 ile 1'e eşitlediği için, birbirine entropi ya da Gini katsayısına göre daha yakın çıkma eğilimindedir; bu bir hata değil, ölçünün doğasıdır ve aşağıdaki örnekte üç kriterin ağırlığının birbirine yakın çıkmasıyla görülecektir. Ağırlık kriterin karar vericiye göre önemini değil, ölçeklenmiş saçılımını ölçer.

Bu nedenle:

"Bulanık standart sapma analizi bu kriterin en önemli kriter olduğunu gösterdi"

yerine:

"Bu üç bulanık okumanın ortalamasında bu kriter alternatifleri en çok saçıyor; ağırlıkların birbirine yakınlığı, ölçeklenmiş sütunların benzer biçimde dağıldığını gösteriyor"

biçiminde yazmak doğrudur.

Bu profil bulanık (üçgen bulanık sayı, TFN) veriyle çalışır: her hücrede tek bir sayı yerine alt sınır, en olası değer ve üst sınır üçlüsü bulunur. Veriniz kesinse DecisionMind'da aynı fikrin kesin karşılığı ayrı bir kart olan Standart Sapma Ağırlıklandırmasıdır. DecisionMind'da bu bulanık profilin kendi içinde ayrı bir uzantısı yoktur.

Elinizde şunlar olmalı: satırlarda alternatifler, sütunlarda kriterler, her hücrede l ≤ m ≤ u sırasını sağlayan bir üçlü; her kriter için "çoğu mu iyi, azı mı iyi" bilgisi. Ağırlık girilmez; yöntem ağırlığı üretir. En az iki alternatif ve iki kriter gerekir. Bir kriter bütün alternatiflerde aynı değeri alıyorsa (üç bileşende de) o kriterin ölçeklenmiş sütunu sabitleşir ve ağırlığı sıfıra yaklaşır.

Kriterleriniz sayısal ama kesin değilse, uzman yargısıyla bir aralıkta verilmişse ve basit, aracısız bir saçılım ölçüsüyle (korelasyon ya da bilgi kuramı gibi ek varsayımlar olmadan) ağırlık türetmek istiyorsanız bu profil bir seçenektir. Hesabının en yalın bulanık objektif ağırlık profillerinden biri olması, hızlı bir taban ağırlık kümesi istendiğinde avantajdır.

Kullanılmaması gereken durumlar hem felsefesinden hem kaynağının niteliğinden gelir. Kriterler arasındaki ilişkinin (bir kriterin başka bir kriteri tekrarlayıp tekrarlamadığının) hesaba katılması gerekiyorsa bu profil bunu göremez. Sonucun tek bir literatür kaynağına dayanan, akademik olarak yerleşmiş bir yöntem olması gerekiyorsa bu profil yerine kaynağı net bir yöntem tercih edilmelidir. Çünkü ne kesin ne bulanık standart sapma ağırlıklandırmasının DecisionMind'ın literatür taramasında doğrulanmış tek bir kurucu makalesi vardır.

Veri bulanık, basit ve aracısız bir saçılım ölçüsü yeterli → Bulanık Standart Sapma

Veri kesin → Standart Sapma Ağırlıklandırması

Kriterler arası ilişki (tekrar) de hesaba girsin → Bulanık CRITIC

Akademik yayında tek bir yerleşik yöntem kaynağı gerekiyor → Kaynağı net bir bulanık ağırlık yöntemi seçin, bu profili değil

Ağırlıklar birbirine çok yakın çıktı, ayırt edici bir sonuç isteniyor → Bulanık Gini Katsayısı ya da Bulanık Entropi'yi deneyin

Bu profilin en önemli üstünlüğü yalınlığıdır: hesabı yalnız ölçeklenmiş sütunun saçılımına dayanır, PCA'daki korelasyon ve özdeğer hesabı ya da entropideki logaritma yoktur. Nesneldir, hızlı hesaplanır ve tablo üzerinde adım adım izlenebilir. Üç bileşenin ayrı ayrı hesaplanıp karşılaştırılması, belirsizliğin ağırlığı ne kadar etkilediğini doğrudan gösterir.

Sınırlılıkların en önemlisi kaynağın niteliğidir: bu profilin ne kesin ne bulanık hâlinin tek bir akademik kurucu makalesi vardır. DecisionMind'ın kendi manifest notu, kesin standart sapma ağırlıklandırması için "sistematik literatür taramasıyla doğrulanmış bir kurucu kaynak bulunamadı" der; bulanık hâli de DecisionMind'ın kendi kaynak kodundan türetilmiştir. İkincisi, ölçekleme her sütunu 0 ile 1 arasına sıkıştırdığı için standart sapma tabanlı ağırlıklar genellikle birbirine yakın çıkar; bu, ayırt edici bir ağırlık kümesi arayan bir kullanıcı için az bilgilendirici olabilir. Üçüncüsü, üç bileşenin bağımsız hesaplanması TFN'nin iç tutarlılığını göz ardı eder; üç ayrı kesin problem çözülüp ortalanır. Dördüncüsü, entropi ve CRITIC gibi diğer nesnel yöntemlerle karşılaştırıldığında standart sapmanın kriterler arası ilişkiyi ya da bilgi kuramsal ayırt ediciliği görmediği, yalnız ham saçılıma baktığı Ayan, Abacıoğlu ve Basilio'nun (2023) derlemesinde de vurgulanmaktadır.

En yaygın hata, bu profili "literatürde tanımlı, adı geçen fuzzy standart sapma yöntemi" diye sunmaktır; profilin ne kesin ne bulanık hâlinin doğrulanmış bir kurucu makalesi vardır.

İkinci hata, ağırlıkların birbirine yakın çıkmasını "yöntem hata verdi" diye yorumlamaktır; bu, ölçeklemenin sütun aralıklarını zaten eşitlemesinin doğal bir sonucudur. Üçüncü hata, yalnız son ağırlığa bakıp üç bileşen arasındaki farkı hiç incelememektir. Dördüncü hata, bir kriterin bütün alternatiflerde aynı değeri aldığı bir sütunu fark etmeden tabloya bırakmaktır; bu kriterin ağırlığı sıfıra yaklaşır ve tablodan çıkarılması gerekir.

Temel ilke şudur:

Bulanık standart sapma ağırlığı, ölçeklenmiş sütunun saçılımının üç bulanık okumadaki ortalamasıdır; rapor hem bileşenler arasındaki farkı göstermeli hem bu profilin bir literatür standardı değil DecisionMind'ın mühendislik profili olduğunu açıkça belirtmelidir.