Δένδρα Αποφάσεων. Δρ. Β. Βασιλειάδης ΔΙΚΣΕΟ, ΑΤΕΙ Μεσολογγίου

Σχετικά έγγραφα
Διάλεξη 6 η :Δένδρα Αποφάσεων. Β. Βασιλειάδης Τµ. Διοικ. Επιχειρήσεων, ΤΕΙ ΔΥΤ. ΕΛΛΑΔΑΣ

Διάλεξη 5 η : ΕΠΙΛΟΓΗ ΕΡΓΟΥ. Δρ. Β. Βασιλειάδης ΔΙΚΣΕΟ, ΑΤΕΙ Μεσολογγίου

Μελετάμε την περίπτωση όπου αποθηκεύουμε ένα (δυναμικό) σύνολο στοιχειών. Ένα στοιχείο γράφεται ως, όπου κάθε.

Μελέτη Περίπτωσης : 2.1

Πληροφοριακά Συστήματα Διοίκησης (ΜΒΑ) Ενότητα 7: Εισαγωγή στη Θεωρία Αποφάσεων Δέντρα Αποφάσεων

ΣΧΕΔΙΑΣΜΟΣ ΔΥΝΑΜΙΚΟΤΗΤΑΣ

Διακριτά Μαθηματικά ΙΙ Χρήστος Νομικός Τμήμα Μηχανικών Η/Υ και Πληροφορικής Πανεπιστήμιο Ιωαννίνων 2018 Χρήστος Νομικός ( Τμήμα Μηχανικών Η/Υ Διακριτά

Θεωρία Παιγνίων Δρ. Τασσόπουλος Ιωάννης

Α) Κριτήριο Προσδοκώμενης Χρηματικής Αξίας Expected Monetary Value (EMV)

Θέμα: ΛΗΨΗ ΑΠΟΦΑΣΕΩΝ - ΑΣΚΗΣΕΙΣ ΣΤΑ ΠΟΛΥΠΛΟΚΑ ΠΡΟΒΛΗΜΑΤΑ ΑΠΟΦΑΣΕΩΝ

ροµολόγηση πακέτων σε δίκτυα υπολογιστών

Θέμα: ΛΗΨΗ ΑΠΟΦΑΣΕΩΝ - ΑΣΚΗΣΕΙΣ ΣΤΑ ΠΟΛΥΠΛΟΚΑ ΠΡΟΒΛΗΜΑΤΑ ΑΠΟΦΑΣΕΩΝ

Β. Βασιλειάδης Αν. Καθηγητής. Επιχειρησιακή Ερευνα Διάλεξη 6 η - Θεωρεία Παιγνίων

Πληροφοριακά Συστήματα Διοίκησης. Θεωρία Αποφάσεων

Βασικές έννοιες. Χρησιμότητα Πιθανότητα Προσδοκώμενο κέρδος Δένδρα αποφάσεων Ανάλυση ευαισθησίας Πιθανότητα υπό όρους Μεταβλητές κατάστασης

Θέμα: ΛΥΜΕΝΕΣ ΑΣΚΗΣΕΙΣ ΣΤΗ ΛΗΨΗ ΑΠΟΦΑΣΕΩΝ

ΤΜΗΜΑ ΕΠΙΧΕΙΡΗΜΑΤΙΚΟΥ ΣΧΕΔΙΑΣΜΟΥ & ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΤΕΙ ΠΑΤΡΑΣ ΤΕΙ ΠΑΤΡΑΣ ΣΗΜΕΙΩΣΕΙΣ ΜΑΘΗΜΑΤΟΣ ΕΠΙΧΕΙΡΗΣΙΑΚΏΝ ΠΑΙΓΝΙΩΝ- ΠΡΟΓΡΑΜΜΑ GAMBIT

Το Επενδυτικό σχέδιο 3. Βασικές έννοιες και ορισµοί

Συστήματα Υποστήριξης Αποφάσεων Διάλεξη Νο2 και 3. Ενισχυτικές διαφάνειες

Διαχείριση Εφοδιαστικής Αλυσίδας Μέρος 5 Αξιολόγηση Εναλλακτικών Σεναρίων ΔΡ. ΙΩΑΝΝΗΣ ΡΟΜΠΟΓΙΑΝΝΑΚΗΣ

Το Ευρωπαϊκό Πρόγραμμα. Motor Challenge

1. Στοιχεία Προβλημάτων Απόφασης

Ειδικά Θέματα Πιθανοτήτων και Στατιστικής Θεωρία Αποφάσεων. Μέρος Α

4. ΔΙΚΤΥΑ

Θεωρία Παιγνίων Δρ. Τασσόπουλος Ιωάννης

Γενική Επισκόπηση. Διοίκηση Έργων Πληροφορικής ΤΕΙ Δυτικής Ελλάδας Τµήµα Διοίκησης Επιχειρήσεων (Μεσολόγγι)

ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ

Κεφάλαιο 4: Επιλογή σημείου παραγωγής

ΤΣΑΝΤΑΣ ΝΙΚΟΣ 8/6/2009

Επαναληπτικό ιαγώνισµα Πληροφορικής Γ Γυµνασίου Γιώργος Λιακέας Σχολικός Σύµβουλος Πληροφορικής Ερωτήσεις

ΠΛΗΡΟΦΟΡΙΚΗ ΙΙ ΔΙΑΛΕΞΗ 1η: ΕΙΣΑΓΩΓΗ ΣΤΑ ΠΣ. Δρ. Β. Βασιλειάδης Τμ. ΔΙΚΣΕΟ, ΑΤΕΙ Mεσολογγίου

Διάλεξη 7. Θεωρία παιγνίων VA 28, 29

Θέμα 1: Robbie και Αναζήτηση

ΤΕΙ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΔΙΑΧΕΙΡΙΣΗ ΕΡΓΟΥ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ/ΜΕΣΟΛΟΓΓΙ ΕΡΓΑΣΙΑ ΑΚΑΔΗΜΑΪΚΟΥ ΕΤΟΥΣ

Μοντέλα Διανομής και Δικτύων

ΤΟ ΠΡΟΒΛΗΜΑ ΜΕΤΑΦΟΡΑΣ

ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ ΙI

ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΕΡΕΥΝΑ ΠΕΡΣΕΦΟΝΗ ΠΟΛΥΧΡΟΝΙΔΟΥ ΤΜΗΜΑ ΛΟΓΙΣΤΙΚΗΣ ΤΕ

ΑΠΑΝΤΗΣΕΙΣ ΣΤΑ ΘΕΜΑΤΑ ΠΑΝΕΛΛΑΔΙΚΩΝ ΕΞΕΤΑΣΕΩΝ 2018

Κεφάλαιο 4: Επιλογή σημείου παραγωγής

Στοχαστικές Στρατηγικές

ΑΝΑΓΝΩΡΙΣΗ ΠΡΟΤΥΠΩΝ. Κατηγοριοποίηση. Αριστείδης Γ. Βραχάτης, Dipl-Ing, M.Sc, PhD

ΕΡΓΑΛΕΙΑ ΧΡΟΝΙΚΟΥ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ

2.6 ΟΡΙΑ ΑΝΟΧΗΣ. πληθυσµού µε πιθανότητα τουλάχιστον ίση µε 100(1 α)%. Το. X ονοµάζεται κάτω όριο ανοχής ενώ το πάνω όριο ανοχής.

Έργο & Οικονομική Ανάλυση Β. ΒΑΣΙΛΕΙΑΔΗΣ Μ. ΞΕΝΟΣ

Ισορροπημένα Δένδρα. για κάθε λειτουργία; Ισορροπημένο δένδρο : Διατηρεί ύψος κάθε εισαγωγή ή διαγραφή

Ανάλυση Αποφάσεων ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ. Αθήνα Επιχειρησιακή Έρευνα

α) t-test µε ίσες διακυµάνσεις β) ανάλυση διακύµανσης µε έναν παράγοντα Έλεγχος t δύο δειγμάτων με υποτιθέμενες ίσες διακυμάνσεις

ΤΕΧΝΟΛΟΓΙΑ ΛΟΓΙΣΜΙΚΟΥ Ι

Μέθοδος Επιλογής ιαδικασιών (Process Decision Program Chart)

Διάλεξη 2η:Επιλογή Έργου

Δομές Δεδομένων. Ενότητα 13: B-Δέντρα/AVL-Δέντρα. Καθηγήτρια Μαρία Σατρατζέμη. Τμήμα Εφαρμοσμένης Πληροφορικής. Δομές Δεδομένων

Α. Διατύπωση μοντέλου προβλήματος γραμμικού προγραμματισμού

ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ Τ Μ Η Μ Α Π Λ Η Ρ Ο Φ Ο Ρ Ι Κ Η Σ

Συλλογή μεταφορά και έλεγχος Δεδομένων. ΕΙΣΑΓΩΓΗ (μέρος 1 ο ) Γ Ηλ/κών Τεχνικοί Υπολογιστικών Συστημάτων και Δικτύων

ΑΝΑΛΥΣΗ ΤΑΜΕΙΑΚΩΝ ΡΟΩΝ

ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ

ΕΠΙΧΕΙΡΗΣΙΑΚΑ ΠΑΙΓΝΙΑ ΕΡΓΑΣΤΗΡΙΟ ΜΑΘΗΜΑ ΕΥΤΕΡΟ- ΚΥΡΙΑΡΧΟΥΜΕΝΗ ΣΤΡΑΤΗΓΙΚΗ- PRISONER S DILLEMA ΑΚΑ ΗΜΑΙΚΟ ΕΤΟΣ

ΕΠΙΧΕΙΡΗΣΙΑΚΑ ΠΑΙΓΝΙΑ ΕΡΓΑΣΤΗΡΙΟ ΜΑΘΗΜΑ ΠΕΜΠΤΟ ΥΝΑΜΙΚΑ ΠΑΙΓΝΙΑ ΠΛΗΡΟΥΣ ΠΛΗΡΟΦΟΡΗΣΗΣ ΑΚΑ ΗΜΑΙΚΟ ΕΤΟΣ

Ανανεώσιμη και Καθαρή Ενέργεια

PROJECT ΣΤΟ ΜΑΘΗΜΑ ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΕΥΡΕΤΙΚΕΣ ΜΕΘΟ ΟΥΣ

Εργαστήριο Εισαγωγής στη Σχεδίαση Συστημάτων VLSI

1. Σε ένα τουρνουά με 8 παίκτες μπορεί οι παίκτες να συμμετείχαν σε: 6,5,4,4,4,3,1,1 αγώνες αντίστοιχα;

ΣΥΣΤHΜΑΤΑ ΑΠΟΦAΣΕΩΝ ΣΤΗΝ ΠΑΡΑΓΩΓH

Κεφάλαιο 4: Στοιχεία της εκδοχής hp της ΜΠΣ στις 2- διαστάσεις

ΘΕΜΑ 1: Αλγόριθμος Ford-Fulkerson

Ομόλογα (bonds) Μετοχές (stocks) Αμοιβαία κεφάλαια (mutual funds)

Πληροφορική ΙΙ ΚΥΚΛΟΣ ΖΩΗΣ ΕΡΓΟΥ ΑΝΑΠΤΥΞΗΣ ΠΣ. Δρ. Β. Βασιλειάδης ΔΙΚΣΕΟ, ΑΤΕΙ Μεσολογγίου

Δραστηριότητα Εύρεση του π

ΔΙΟΙΚΗΣΗ ΠΑΡΑΓΩΓΗΣ Ενότητα 5

ΠΕΡΙΕΧΟΜΕΝΑ ΔΙΟΙΚΗΣΗ ΛΕΙΤΟΥΡΓΙΩΝ. Διοίκηση και Προγραμματισμός Έργων

ΠΡΟΣΦΟΡΑ ΚΑΙ ΖΗΤΗΣΗ. Οι αγοραίες δυνάµεις της προσφοράς και ζήτησης

Δύο διακρίσιμα σωμάτια με σπιν s 1

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΕΦΑΡΜΟΣΜΕΝΗΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ

Αγορές: Αγορά είναι οτιδήποτε φέρνει σε επικοινωνία αγοραστές και πωλητές. Η αγορά έχει δύο πλευρές: αγοραστές (Ζήτηση) και πωλητές (Προσφορά).

Η συµληρωµατικότητα σηµαίνει ότι οι καταναλωτές σε αυτές τις αγορές αγοράζουν συστήµατα.

ΠΙΘΑΝΟΤΗΤΕΣ Δειγματικός Χώρος. Ενδεχόμενα {,,..., }.

Διάλεξη 2η:Επιλογή Έργου

Εργαστηριακή άσκηση 1: «Μετρήσεις από βίντεο»

Λήψη αποφάσεων υπό αβεβαιότητα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕ ΟΝΙΑΣ ΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΚΟΙΝΩΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΠΜΣΕ ΣΤΗΝ ΕΦΑΡΜΟΣΜΕΝΗ ΠΛΗΡΟΦΟΡΙΚΗ ΝΕΥΡΩΝΙΚΑ ΙΚΤΥΑ ΚΑΙ ΕΞΕΛΙΚΤΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ

Δομές Αναζήτησης. κλειδί από ολικά διατεταγμένο σύνολο. Θέλουμε να υποστηρίξουμε δύο βασικές λειτουργίες: Εισαγωγή ενός νέου στοιχείου

Επεξεργασία Μεταποίηση. ΝτουµήΠ. Α.

Αυτόνομοι Πράκτορες. Εργασία εξαμήνου. Value Iteration και Q- Learning για Peg Solitaire

Οδηγίες σχεδίασης στο περιβάλλον Blender

PROJECT ΣΤΟ ΜΑΘΗΜΑ "ΕΙΣΑΓΩΓΗ ΣΤΙΣ ΕΥΡΕΤΙΚΕΣ ΜΕΘΟΔΟΥΣ"

Βιοµηχανικά Ατυχήµατα

Σ ρατηγική των Επιχειρήσεων Θεωρήσεις Στ Σ ρατηγικής Παπαδάκης κε φάλαιo 5 Βασίλης Μ. Παπαδάκ Παπαδάκ ς, Οικο Οικ νοµικ µ ό ικ Πανεπιστήµιο µ Αθηνών

Ισοζυγισμένα υαδικά έντρα Αναζήτησης

On line αλγόριθμοι δρομολόγησης για στοχαστικά δίκτυα σε πραγματικό χρόνο

ΔΕΟ 40 ΤΟΜΟΣ Β ΘΕΩΡΙΑ ΚΑΙ ΑΣΚΗΣΕΙΣ ΔΙΚΤΥΩΝ ΔΙΟΙΚΗΣΗ ΕΡΓΩΝ

Ισορροπημένα Δένδρα. για κάθε λειτουργία; Ισορροπημένο δένδρο : Διατηρεί ύψος κάθε εισαγωγή ή διαγραφή

ΣΤΟΙΧΕΙΩ Η ΠΑΡΑ ΕΙΓΜΑΤΑ ΧΡΗΣΗΣ ΤΟΥ ΣΧΕ ΙΟΥ ΝΑΥΠΗΓΙΚΩΝ ΓΡΑΜΜΩΝ

ΘΕΜΑΤΑ. Όνομα: Αξιοπιστία και συντήρηση τεχνικών συστημάτων Εξεταστική Ιανουαρίου 2017 Διδάσκων: Δρ. Π. Ν. Μπότσαρης

ΣΧΕΔΙΑΣΗ ΚΑΙ ΑΝΑΛΥΣΗ ΑΛΓΟΡΙΘΜΩΝ

Λήψη αποφάσεων υπό αβεβαιότητα

ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΜΟΝΤΕΛΟΠΟΙΗΣΗ-ΨΗΦΙΑΚΗ ΣΥΝΘΕΣΗ ΕΙΚΟΝΩΝ Διδάσκων: Ν. ΝΙΚΟΛΑΙΔΗΣ

Επίλυση Προβληµάτων µε Greedy Αλγόριθµους

1.1. ΟΜΑΔΑ Α. Στις παρακάτω ερωτήσεις να σημειώσετε το χαρακτηρισμό Σ (σωστό) ή Λ (λάθος).

Μάθημα 3 ο a. Τυχαία Μεταβλητή-Έννοιες και Ορισμοί

Transcript:

Δένδρα Αποφάσεων Δρ. Β. Βασιλειάδης ΔΙΚΣΕΟ, ΑΤΕΙ Μεσολογγίου

Τι είναι τα Δένδρα Αποφάσεων (ΔΑ) Εργαλείο που υποστηρίζει τη λήψη αποφάσεων σε στρατηγικό, διοικητικό και οικονοµικό επίπεδο Χρησιµοποιείται για την επιλογή της καταλληλότερης στρατηγικής έτσι ώστε να επιτευχθεί ένας στόχος Αναπαρίσταται ως γράφος µε δοµή δένδρου Απεικονίζει τις αποφάσεις και τα πιθανά αποτελέσµατα τους περιλαµβάνοντας την πιθανότητα και τους απαιτούµενους πόρους Πρακτική αξία: απεικόνιση µεγάλων, πολύπλοκων προβληµάτων ως σύνθεση µικρότερων και απλότερων

Παράδειγμα ΔΑ Ένα ΔΑ περιέχει 3 ειδών κόµβους: 1. Κόµβους Απόφασης - τετράγωνα 2. Κόµβους Πιθανοτήτων κύκλοι 3. Τελικοί κόµβοι - τρίγωνα -Σχεδιάζονται από αριστερά προς τα δεξιά -περιέχουν µονοπάτια που χωρίζονται, όχι που ενώνονται

Κόμβοι ΔΑ Κόμβος Απόφασης Κόµβος Απόφασης (ΚΑ) ή Decision Node: σχεδιάζονται εναλλακτικές πορείες ενεργειών από ένα σύνολο πεπερασµένων πορειών σχεδιάζεται ως ακµή στο δεξί µέρος του τετραγώνου όπου υπάρχει κόστος αναφέρεται πάνω στην ακµή Τιµή ΕΜV (Expected Monetary Value) επάνω στον κόµβο καταλήγει σε Payoff, σε ΚΑ ή σε ΚΠ

Παράδειγμα ΚΑ EMV EMV 1a 1 EMV 1b

Παράδειγμα ΚΑ 500 1-1a: 500-1000=-500E 1-1b: 200-0=200E 200 \\ 1a Επιλέγουµε την 1-1b 1 200 1b

Κόμβος ΔΑ Κόμβος Πιθανότητας Κόµβος Πιθανότητας (ΚΠ) ή Chance Node: συµβολίζει ένα τυχαίο γεγονός που συµβαίνει σε κάποιο σηµείο σχεδιάζονται δεξιά εναλλακτικά αποτελέσµατα από ένα σύνολο πεπερασµένων αποτελεσµάτων Η πιθανότητα για κάθε αποτέλεσµα αναφέρεται πάνω στην ακµή καταλήγει σε Payoff, σε ΚΑ ή σε ΚΠ Πιθανότητα Κόστος

Παράδειγμα ΠΑ EMV Πιθανότητα EMV 1a 1 EMV 1b

Κόμβος ΔΑ Τελικός Κόμβος Τελικός Κόµβος (ΤΚ) ή Pay off: συµβολίζει το αποτέλεσµα µίας διαδροµής απόφασης είδος του αποτελέσµατος (συνήθως κέρδος ή ζηµία) αναγράφεται δίπλα στον κόµβο 3000*0,667+2000*0,208+0,125*(-6000)=1661

Παράδειγμα -Τελικός Κόμβος ROI Κέρδος

Άσκηση 1 -Αγορά ΠΣ για τον αυτοματισμό διαδικασιών μίας επιχείρησης Η διοίκηση µίας επιχείρησης πρέπει να αποφασίσει εάν θα αγοράσει ή όχι ένα ΠΣ για να αυτοµατοποιήσει κάποιες από τις καθηµερινές της διαδικασίες. Ανάλογα µε την επιτυχή ενσωµάτωση του ΠΣ τα αποτελέσµατα της εφαρµογής του χαρακτηρίζονται πτωχά, µέτρια ή εξαιρετικά. Το αντίστοιχο καθαρό κέρδος κάθε περίπτωσης υπολογίζεται σε -90ΚΕ, 40ΚΕ και 300ΚΕ µε πιθανότητα κάθε περίπτωσης 0,5, 0,3 και 0,2 αντίστοιχα. Να κατασκευαστεί το αντίστοιχο ΔΑ και να υπολογιστεί η καλύτερη απόφαση.

Λύση (1/3) EMV EMV 1a Πτωχά 0,5 Μέτρια 0,3-90ΚΕ 40ΚΕ 1 0,2 300ΚΕ 0Ε

Λύση (2/3) ΕΜV 1a: -90-0.5+40*0.3+300*0.2=27KE ΕΜV 1-1b: 0E Επιλέγεται η 1 α : ΕΜV1= ΕMV(1a)-Κόστος=27-0=27ΚΕ

Λύση (3/3)-Τελικό ΔΑ 27ΚΕ 27ΚΕ 1a Πτωχά 0,5 Μέτρια 0,3-90ΚΕ 40ΚΕ 1 \\ 0,2 300ΚΕ 0Ε

Άσκηση 2 συνέχεια από την προηγούμενη άσκηση Το προηγούµενο ΔΑ δεν δίνει µία σαφή λύση γιατί υπάρχει µεγάλος κίνδυνος (50%) να υποστεί ζηµία η εταιρεία. Οπότε χρειάζονται περισσότερες πληροφορίες. Ο υπεύθυνος θέλει να εισάγει και την περίπτωση να γίνει µία τεχνολογική µελέτη (κόστους 10ΚΕ) η οποία θα αποσαφηνίσει αν η τεχνολογία που θα χρησιµοποιήσει το ΠΣ θα είναι χαλαρή (0,41%), υποσχόµενη (0,35%) ή συµπαγής (0,24%). Βάση των πιθανών αποτελεσµάτων της µελέτης, θα παρθεί η απόφαση αυτοµατοποίησης ή όχι. Στην περίπτωση µη αυτοµατοποίησης το αποτέλεσµα θα είναι 0Ε κέρδος ή ζηµία. Στην περίπτωση αυτοµατοποίησης, τότε ανάλογα µε τα αποτελέσµατα της µελέτης, οι πιθανότητες να συµβούν τα ανάλογα αποτελέσµατα και το κέρδος/ζηµία διαφέρουν. Δίνεται το ΔΑ. Ποια είναι η καλύτερη απόφαση;

Υπολογισµός NPV

Άσκηση Η διοίκηση µίας βιοµηχανίας πρέπει να αποφασίσει εάν θα αντικαταστήσει τα µηχανήµατα του εργοστασίου της µε καινούργια. Αν αποφασίσει να τα αντικαταστήσει αµέσως, τότε τα νέα µηχανήµατα θα κοστίσουν 15.000 Ευρώ και το κέρδος από τη λειτουργία τους θα είναι 5.000Ευρώ/έτος. Αν κρατήσει αυτά που έχει, τότε το κέρδος από τη λειτουργία των παλαιών µηχανηµάτων είναι 4.000Ε/έτος ενώ υπάρχουν 800 Ευρώ έξοδα συντήρησης εφάπαξ. Σε αυτή την περίπτωση, θα πρέπει να αποφασίσει πάλι σε 3 χρόνια αν θα πάρει καινούργια ή θα συνεχίσει µε τα παλαιά. Αν αποφασίσει να τα αντικαταστήσει, τότε τα νέα µηχανήµατα θα κοστίσουν 17.000 Ευρώ και το κέρδος από τη λειτουργία τους θα είναι 6.500Ευρώ το χρόνο. Αν και τη δεύτερη φορά αποφασίσει κρατήσει αυτά που έχει, τότε το κέρδος από τη λειτουργία των παλαιών µηχανηµάτων είναι 3.500Ε/έτος ενώ προβλέπεται να υπάρχουν 1000 Ευρώ έξοδα συντήρησης εφάπαξ. Σε αυτή την περίπτωση, θα πρέπει να αποφασίσει πάλι σε 3 χρόνια αν θα πάρει καινούργια ή θα συνεχίσει µε τα παλαιά. Την τρίτη φορά, αν αποφασίσει να τα αντικαταστήσει, τότε τα νέα µηχανήµατα θα κοστίσουν 18.000 Ευρώ µε έσοδα 6.500Ευρώ/έτος. Αν όµως αποφασίσει να κρατήσει αυτά που έχει, τότε τα έσοδα από τη χρήση των παλαιών µηχανηµάτων είναι 3.000Ε/έτος µε έξοδα συντήρησης 2000 Ευρώ εφάπαξ. Δηλαδή σε µία περίοδο 9 ετών η διοίκηση θα πρέπει να πάρει αποφάσεις εάν θα αγοράσει νέα µηχανήµατα ή όχι. Η αγορά νέων µηχανηµάτων θα γίνει µία φορά (δηλαδή εφόσον αγοραστούν, η βιοµηχανία δεν χρειάζεται να αγοράσει πάλι καινούργια). Να κατασκευαστεί το αντίστοιχο δένδρο απόφασης και να υπολογιστεί η καλύτερη απόφαση δηλαδή αν και πότε η βιοµηχανία θα πρέπει να αγοράσει νέα µηχανήµατα.

Λύση

Λύση

Λύση

Λύση

Λύση

Άσκηση 1

Άσκηση 2