DecisionMind Mühürlü, doğrulanabilir reprodüksiyon

Kullanım alanları

SAW

SAW - Basit Katkılı Ağırlıklandırma

Toplamsal fayda (doğrusal)

Formül adımları

Analiz motorunun yöntem bildirimindeki (manifest F.steps) adımlar; raporlardaki formüllerle aynı kaynaktır.

  1. Adım 1 — Doğrusal max normalleştirme: pozitif kriterler için r_ij = x_ij/max(x_ij); negatif için min/x_ij.

    rij={xij/maxixijj∈J+minixij/xijj∈J−
    LaTeX r_{ij} = \begin{cases} x_{ij}/\max_{i} x_{ij} & j\in J^{+} \\ \min_{i} x_{ij}/x_{ij} & j\in J^{-} \end{cases}
  2. Adım 2 — Ağırlıklı toplam S_i = Σ w_j r_ij; azalan sıralama.

    Si=∑j=1nwjrij
    LaTeX S_{i} = \sum_{j=1}^{n} w_{j}\,r_{ij}

Yöntem ayrıntıları kaynak kütüphanedeki özgün (İngilizce) metindir.

Sezgi

Additive utility (linear). Output typically utility (higher value = preferred).

Sonucu okuma: S_i ∈ [0,1] after linear-max normalisation (assuming all positive values). Higher S_i means better overall performance. SAW is fully compensatory - a very high value on one criterion can offset a low value on another.

Varsayımlar

  • Criteria preferences are independent (no synergistic interactions)
  • Compensation is acceptable: high score on one criterion can offset low on another
  • Decision matrix is complete (no missing values)

Ne zaman kullanılmaz

  • Criteria strongly correlated → consider DEMATEL/ANP for interdependence
  • Non-compensatory preferences → consider outranking (ELECTRE/PROMETHEE)

Sınırlılıklar

  • Assumes: Criteria preferences are independent (no synergistic interactions)
  • Assumes: Compensation is acceptable: high score on one criterion can offset low on another
  • Assumes: Decision matrix is complete (no missing values)

Sık yapılan hatalar

  • Tam telafi edilebilirlik: SAW, bazı kriterlerdeki mükemmel skorların diğerlerindeki zayıf performansı tamamen gizlemesine izin verir - telafi sorunsa bireysel kriter skorlarını kontrol edin.
  • Ölçek hassasiyeti: normalleştirme olmadan büyük ham değerlere sahip kriterler baskın gelir - her zaman normalleştir.

Hesap adımları ve dayanakları

  1. Linear max-normalisation per criterion direction.

    Dayanak: MacCrimmon 1968, p.27

  2. Weighted sum S_i = Σ w_j r_ij and descending ranking.

    Dayanak: MacCrimmon 1968, p.28 Eq.(2)