Anderson Sweeney Williams

QUANTITATIVE
METHODS FOR
BUSINESS 8e

Slides Prepared by JOHN LOUCKS

© 2001 South-
South-Western College Publishing/Thomson Learning Slide 1
 Chapter 4
Analisis Keputusan,
Keputusan, Bagian A

Perumusan Masalah

Decision Making tanpa Probabilitas

Decision Making dengan Probabilitas

Slide 2
 Perumusan Masalah

Masalah keputusan adalah dikarakteristik oleh

alternatif keputusan
keputusan,, kondisi sifatnya dan hasil
keluaran payoffs
payoffs..

Alternatif keputusan adalah strategi perbedaan yang
mungkin bagi pembuat keputusan yang bisa
dikerjakan..
dikerjakan

kondisi sifatnya mengenai kejadian masa depan,
depan,
yangtidak bisa dikendalikan oleh pembuat
keputusan,, yang bisa terfikirkan
keputusan terfikirkan.. kondisi sifat harus
didefinisikan juga oleh mereka sebagai saling
meniadakan dan lengkap peng pengumpulannya
umpulannya .

Slide 3
 Diagram Pengaruh

Diagram pengaruh adalah alat grafis yang

menunjukkan keterhubungan antar keputusan
keputusan,,
kesempatan kejadian , dan konsekuensinya.
konsekuensinya.

Kotak atau persegi menggambarkan node keputusan.
keputusan.

Bulat atau ovas mengagambarkan node kesempatan.
kesempatan.

Wajik menggambarkan node konsekuensi
konsekuensi..

Garis atau tanda panah menunjukkan penghubung
arah node pengaruh.
pengaruh.

Slide 4
 Payoff Tables ((Tabel
Tabel--tabel payoff
payoff))

Konsekuensi menghasilkan alternatif keputusan dari

payoff..
kombinasi khusus dan kondisi sifatnya yaitu payoff

Table menunjukkan payoffs untuk semua kombinasi
table.
alternatif keputusan dan kondisi sifat yaitu payoff table.

Payoffs dapat diekspresikan dalam istilah profit
profit,, cost
cost,,
time,, distance atau beberapa pengukuran lain yang
time
sesuai..
sesuai

Slide 5
 Pohon Keputusan

Pohon Keputusan atau decision tree menunjukkan

secara kronologis masalah keputusan.
keputusan.

Setiap pohon keputusan memiliki dua jenis node;
round nodes dihubungkan dengan kondisi sifatny
sementara square nodes dihubungkan dengan
alternatif keputusan
keputusan..

Cabang melahirkan masing – masing node kotak
yang menunjukkan perbedaan dari kondisi sifat
sementara cabang yang melahirkan node bulat
menunjukkan perbedaan alternatif keputusan
keputusan..

Akhirnya setiap cabang pohon keputusan adalah
dicapai payoff dari rangkaian cabang diatasnya
diatasnya..

Slide 6
 Decision Making tanpa Probabilitas

Baisanya ada tiga kriteria yang digunakan untuk

pembuatan keputusan ketika informasi probabilitas
memperhatikan kemungkinan kondisi sifatnya tidak
tersedia::
tersedia
• the optimistic approach
• the conservative approach
• the minimax regret approach
approach..

Slide 7
 Optimistic Approach

The optimistic approach akan digunakan oleh para

pembuat keputusan yang optimis
optimis..

Keputusan dengan kemungkinan payoff yang besar
adalah yang terpilih
terpilih..

Apabila payoff table disyaratkan pada biaya,
biaya, maka
keputusannya dengan biaya terendah yang akan
dipilih..
dipilih

Slide 8
 Conservative Approach

The conservative approach akan digunakan oleh para

pembuat keputusan yang konservatif
konservatif..

Untuk setiap keputusan payoff minimum didaftar
dan kemudian mengaitkan keputusan yang
maksimum dari payoff minimum yang terpilih
terpilih..
(dengan kata lain, payoff minimum yang posibel
adalah yang dimaksimasi
dimaksimasi.) .)

Apabila payoff disyaratkan pada biaya akan
ditentukan oleh setiap keputusan dan kemudian
keputusan mengaitkan pada minimal dari
maksimum biaya yang terpilih
terpilih.. (dengan
(dengan kata lain,
biaya maksimum posibel adalah diminimumkan.)
diminimumkan.)

Slide 9
 Minimax Regret Approach

Pendekatan minimaks regret disyaratkan dibuat

tabel regret atau tabel opportunity loss .

Hal ini dilakukan oleh perhitungan dari setiap
perbedaan kondisi sifat diantara masing-
masing-masing
payoff dan payoff terbesar untuk kondisi sifat.

Kemudian menggunakan tabel regret, regret
maksimum untuk setiap keputusan posibel yang
terdaftar..

Keputusan yang terpilih adalah satu hal yang
menghubungkan minimum the maximum regrets. regrets.

Slide 10
 Example

tetapkan masalah dibawah ini dengan tiga

alternatif keputusan dan tiga kondisi sifat dengan
menggunakan tabel payoff dengan data profits
profits::

States of Nature
s1 s2 s3

d1 4 4 -2
Decisions d2 0 3 -1
d3 1 5 -3

Slide 11
 Example

Optimistic Approach
Pengambil keputusan optimistik akan
menggunakan pendekatan optimisoptimis.. Kita membutuhkan
nilai keputusan dengan nilai tertinggi dari tabel payoff.
Nilai terbesar adalah 55,, dan oleh karena itu keputusan
optimal adalah d3.
Maximum
Decision Payoff
d1 4
d2 3
choose d3 d3 5 maximum

Slide 12
 Example

Formula Spreadsheet for Optimistic Approach

A B C D E F
1 PAYOFF TABLE
2
3 Decision State of Nature Maximum Recommended
4 Alternative s1 s2 s3 Payoff Decision
5 d1 4 4 -2 =MAX(B5:D5) =IF(E5=$E$9,A5,"")
6 d2 0 3 -1 =MAX(B6:D6) =IF(E6=$E$9,A6,"")
7 d3 1 5 -3 =MAX(B7:D7) =IF(E7=$E$9,A7,"")
8
9 Best Payoff =MAX(E5:E7)

Slide 13
 Example

Solution Spreadsheet for Optimistic Approach

A B C D E F
1 PAYOFF TABLE
2
3 Decision State of Nature Maximum Recommended
4 Alternative s1 s2 s3 Payoff Decision
5 d1 4 4 -2 4
6 d2 0 3 -1 3
7 d3 1 5 -3 5 d3
8
9 Best Payoff 5

Slide 14
 Example

Conservative Approach
Pembuat keputusan yang Konservatif (Kolot)
Kolot) akan
menggunakan pendekatan konservatif
konservatif.. Daftar payoff
minimum untuk setiap keputusan
keputusan.. Dipilih keputusan
dengan yang maksimum dari payoffs minimum.
Minimum
Decision Payoff
d1 -2
choose d2 d2 -1 maximum
d3 -3

Slide 15
 Example

Rumus Spreadsheet untuk Conservative Approach

A B C D E F
1 PAYOFF TABLE
2
3 Decision State of Nature Minimum Recommended
4 Alternative s1 s2 s3 Payoff Decision
5 d1 4 4 -2 =MIN(B5:D5) =IF(E5=$E$9,A5,"")
6 d2 0 3 -1 =MIN(B6:D6) =IF(E6=$E$9,A6,"")
7 d3 1 5 -3 =MIN(B7:D7) =IF(E7=$E$9,A7,"")
8
9 Best Payoff =MAX(E5:E7)

Slide 16
 Example

Solution Spreadsheet for Conservative Approach

A B C D E F
1 PAYOFF TABLE
2
3 Decision State of Nature Minimum Recommended
4 Alternative s1 s2 s3 Payoff Decision
5 d1 4 4 -2 -2
6 d2 0 3 -1 -1 d2
7 d3 1 5 -3 -3
8
9 Best Payoff -1

Slide 17
 Example

Minimax Regret Approach

Untuk pendekatan minimax regret, pertama
hitung tabel regret dengan mengurangi setiap payoff
kolom dari payoff terbesar dari kolom tersebut.
tersebut. Pada
contoh ini,
ini, di kolom pertama kurangi 4, 0, dan 1 dari
4; di kolom kedua kurangi 4, 3, dan 5 dari 5; dst.
dst.
Hasil tabel regretnya adalah
adalah::
s1 s2 s3

d1 0 1 1
d2 4 2 0
d3 3 0 2

Slide 18
 Example

Minimax Regret Approach (continued)

Untuk setiap urutan keputusan regret maksimum
maksimum..
Pilih keputusan dengan nilai minimum.

Decision Maximum Regret

choose d1 d1 1 minimum
d2 4
d3 3

Slide 19
 Example

Formula Spreadsheet for Minimax Regret Approach

A B C D E F
1 PAYOFF TABLE
2 Decision State of Nature
3 Altern. s1 s2 s3
4 d1 4 4 -2
5 d2 0 3 -1
6 d3 1 5 -3
7
8 OPPORTUNITY LOSS TABLE
9 Decision State of Nature Maximum Recommended
10 Altern. s1 s2 s3 Regret Decision
11 d1 =MAX($B$4:$B$6)-B4 =MAX($C$4:$C$6)-C4 =MAX($D$4:$D$6)-D4 =MAX(B11:D11) =IF(E11=$E$14,A11,"")
12 d2 =MAX($B$4:$B$6)-B5 =MAX($C$4:$C$6)-C5 =MAX($D$4:$D$6)-D5 =MAX(B12:D12) =IF(E12=$E$14,A12,"")
13 d3 =MAX($B$4:$B$6)-B6 =MAX($C$4:$C$6)-C6 =MAX($D$4:$D$6)-D6 =MAX(B13:D13) =IF(E13=$E$14,A13,"")
14 Minimax Regret Value =MIN(E11:E13)

Slide 20
 Example

Solution Spreadsheet for Minimax Regret Approach

1 PAYOFF TABLE
2 Decision State of Nature
3 Alternative s1 s2 s3
4 d1 4 4 -2
5 d2 0 3 -1
6 d3 1 5 -3
7
8 OPPORTUNITY LOSS TABLE
9 Decision State of Nature Maximum Recommended
10 Alternative s1 s2 s3 Regret Decision
11 d1 0 1 1 1 d1
12 d2 4 2 0 4
13 d3 3 0 2 3
14 Minimax Regret Value 1

Slide 21
 Decision Making dengan Probabilitas

Expected Value Approach

• Apabila informasi probabilistik memperhatikan
kondisi sifat yang tersedia
tersedia,, maka kita gunakan
pendekatan nilai harapan (expected value (EV)
approach).
approach ).
• Disini pengembalian nilai harapan untuk setiap
keputusan dihitung dengan menjumlahkan
products of the payoff dengan setiap keteapan
sifat dan probabilitas menjadi kondisi sifat secara
berturut - turut
turut..
• Hasil keputusan yang terpilih adalah dengan
pengembalian harapan terbaik
terbaik..

Slide 22
 Expected Value of a Decision Alternative

Nilai harapan dari alternatif keputusan adalah jumlah

payoff tertimbang untuk alternatif keputusan
keputusan..

Nilai harapan /expected value (EV) dari decision
alternative di didefinisikan sebagai:
sebagai:
N
EV( d i ) = ∑ P( s j )Vij
jj=1
=1

dimana:: N = jumlah kondisi sifat

dimana
P(sj ) = probabilitas dari kondisi sifat sj
Vij = payoff menaitkan ke alternatif keputusan
di dan kondisi sifat sj

Slide 23
 Example: Burger Prince

Burger Prince Restaurant tengah memper

memper--timbangkan
membuka gerai baru di jalan utama.
utama. Disini ada tiga model yang
berbeda,, setiap model dibedakan dari kapasitas tempat duduk
berbeda duduk..
Burger Prince memperkirakan bahwa rata rata--rata jumlah
pelanggan per jam 80
80,, 100, atau 120. Tabel payoff untuk ke tiga
model sbb:
sbb:

Rata-
ata-rata jumlah pelanggan per jam
s1 = 80 s2 = 100 s3 = 120

Model A $10,000 $15,000 $14,000

Model B $ 8,000 $18,000 $12,000
Model C $ 6,000 $16,000 $21,000

Slide 24
 Example: Burger Prince

Expected Value Approach

Hitung nilai harapan untuk setiap keputusan
keputusan..
Pohon keputusan pada slide berikut dapat membantu
dalam perhitungan.
perhitungan. Disini d1, d2, d3 menggambarkan
model alternatif keputusan A, B, C, dan s1, s2, s3
menggambarkan kondisi sifat 80, 100, dan 120.

Slide 25
 Example: Burger Prince

Decision Tree Payoffs

s1 .4 10,000
s2 .2
2 15,000
s3 .4
d1
14,000
s1 .4
d2 8,000
1 s2 .2
3 18,000
d3 s3
.4
12,000
s1 .4
6,000
s2 .2
4 16,000
s3
.4
21,000

Slide 26
 Example: Burger Prince

Expected Value For Each Decision

EMV = .4(10,000) + .2(15,000) + .4(14,000)
d1 2 = $12,600

Model A

Model B d2 EMV = .4(8,000) + .2(18,000) + .4(12,000)

1 3 = $11,600

Model C d3
EMV = .4(6,000) + .2(16,000) + .4(21,000)
4 = $14,000

pilih model dengan EV terbesar

terbesar,, yaitu Model C.

Slide 27
 Example: Burger Prince

Formula Spreadsheet for Expected Value Approach
A B C D E F
1 PAYOFF TABLE
2
3 Decision State of Nature Expected Recommended
4 Alternative s1 = 80 s2 = 100 s3 = 120 Value Decision
5 Model A 10,000 15,000 14,000 =$B$8*B5+$C$8*C5+$D$8*D5 =IF(E5=$E$9,A5,"")
6 Model B 8,000 18,000 12,000 =$B$8*B6+$C$8*C6+$D$8*D6 =IF(E6=$E$9,A6,"")
7 Model C 6,000 16,000 21,000 =$B$8*B7+$C$8*C7+$D$8*D7 =IF(E7=$E$9,A7,"")
8 Probability 0.4 0.2 0.4
9 Maximum Expected Value =MAX(E5:E7)

Slide 28
 Example: Burger Prince

Solution Spreadsheet for Expected Value Approach

A B C D E F
1 PAYOFF TABLE
2
3 Decision State of Nature Expected Recommended
4 Alternative s1 = 80 s2 = 100 s3 = 120 Value Decision
5 Model A 10,000 15,000 14,000 12600
6 Model B 8,000 18,000 12,000 11600
7 Model C 6,000 16,000 21,000 14000 Model C
8 Probability 0.4 0.2 0.4
9 Maximum Expected Value 14000

Slide 29
 Chapter 4
Analisis Keputusan,
Keputusan, Bagian B

Nilai harapan informasi lengkap

Analisis keputusan dengan informasi sampel

Mengembangkan strategi keputusan

Nilai harapan informasi sampel

Slide 30
 Expected Value of Perfect Information

Informasi seringkali tersedia dapat memperbaiki

perkiraan probabilitas untuk kondisi sifat.
sifat.

The expected value of perfect information (EVPI)
yaitu kenaikan profit yang diharapkan yang
dihasilkan apabila satu diketahui dengan kondisi
sifat /kondisi pasti akan terjadi
terjadi..

The EVPI memberikan batas atas expected value dari
informasi sample atau survey
survey..

Slide 31
 Expected Value of Perfect Information

EVPI Calculation
• Step 1:
tetapkan pengembalian optimal yang
mengaitkan dengan masing – masing sifat kondisi
kondisi..
• Step 2:
hitung expected value dari pengembalian
optimal ini.
ini.
• Step 3:
kurangi EV pada keputusan optimal dari jumlah
yang ditetapkan di step (2).

Slide 32
 Example: Burger Prince

Expected Value of Perfect Information

Hitung expected value untuk payoff optimum dari
sifat kondisinya dan kurangi EV pada keputusan
optimal.

EVPI= .4(10,000) + .2(18,000) + .4(21,000) - 14,000 = $2,000

Slide 33
 Example: Burger Prince

Spreadsheet for Expected Value of Perfect Information

A B C D E F
1 PAYOFF TABLE
2
3 Decision State of Nature Expected Recommended
4 Alternative s1 = 80 s2 = 100 s3 = 120 Value Decision
5 d1 = Model A 10,000 15,000 14,000 12600
6 d2 = Model B 8,000 18,000 12,000 11600
7 d3 = Model C 6,000 16,000 21,000 14000 d3 = Model C
8 Probability 0.4 0.2 0.4
9 Maximum Expected Value 14000
10
11 Maximum Payoff EVwPI EVPI
12 10,000 18,000 21,000 16000 2000

Slide 34
 Risk Analysis

Analisis Risiko membantu para pembuat keputusan

mengenal perbedaan diantara
diantara::
• nilai harapan dari keputusan alternatif
dengan
• payoff yang secara aktual mesti terjadi

Profil risiko untuk alternatif keputusan ditunjukkan
dengan payoff untuk alternatif keputusan yang posibel
sepanjang dikaitkan dengan probabilitas
probabilitas..

Slide 35
 Example: Burger Prince

Risk Profile for the Model C Decision Alternative

.50

.40
Probability

.30

.20

.10

5 10 15 20 25

Slide 36
 Sensitivity Analysis

Sensitivity analysis dapat digunakan untuk

menetapkan bagaimana perubahan setiap input
berdampak pada alternatif keputusan yang disarankan
disarankan::
• probabilitas untuk sifat kondisinya
• Nilai dari payoffs

Apabila perubahan kecil nilainya maka salah satu input
menyebabkan perubahan rekomendasi alternatif
keputusan,, upaya akstra dan perhatian pada perkiraan
keputusan
nilai input.

Slide 37
 Bayes’’ Theorem dan Posterior Probabilities
Bayes

Pengetahuan informasi sample atau survey dapat

digunakan untuk memperbaiki estimasi probabilitas
untuk sifat kondisinya
kondisinya..

Terlebih dahulu memperoleh informasi ini, ini, estimasi
probabilitas untuk kondisi sifat disebut dengan prior
probabilities..
probabilities

Pengetahuan conditional probabilities untuk keluaran
atau indikator informasi sample atau survey, disini
probabilitas terdahulu dapat diperbaiki dengan
menggunakan Bayes
Bayes'' Theorem.
Theorem.

Hasil analisis ini disebut posterior probabilities atau
branch probabilities untuk pohon keputusan.
keputusan.

Slide 38
 Computing Branch Probabilities

Branch (Posterior) Probabilities Calculation

• Step 1:
untuk setiap sifat kondisi
kondisi,, dikalikan prior probability dengan
conditional probability untuk indikator – hasilnya joint
probabilities untuk kondisi dan indikator.
indikator.
• Step 2:
jumlahkan joint probabilities dengan semua kondisi –
hasilnya marginal probability untuk indikator
indikator..
• Step 3:
untuk setiap kondisi
kondisi,, joint probability dibagi dengan
marginal probability untuk indikator – hasilnya posterior
distribution.
probability distribution.

Slide 39
 Expected Value of Sample Information

The expected value of sample information (EVSI)

adalah tambahan profit posibel yang diharapkan
melalui pengetahuan informasi sample atau survey.

Slide 40
 Expected Value of Sample Information

EVSI Calculation
• Step 1:
tetapkan keputusan optimal dan pengembalian
yang diharapkan untuk keluaan posibel dari
informasi sample atau survey menggunakan
probabilitas posterior untuk sifat kondisinya
kondisinya..
Step 2:
hitung nilai harapan dati pengembalian optimal
ini.
ini.
• Step 3:
kurangi EV dari keputusan optimal yang
diperoleh tanpa menggunakan informasi sample
dari jumlah yang ditetapkan di step (2).
Slide 41
 Efficiency of Sample Information

Efficiency of sample information adalah perbandingan

EVSI dengan EVPI.

Adapun EVPI memberikan batas atas untuk EVSIEVSI,,
efisiensi harus berjumlah antara 0 dan 1.

Slide 42
 Example: Burger Prince

Sample Information
Burger Prince harus memutuskan apakah
menggunakan atau tidak survey marketing dari
Stanton Marketing sebesar $1,000. hasil survey bisa
“menguntungkan
menguntungkan"" atau “merugikan
merugikan".". Probabilitas
Kondisi sbb:
sbb:
P(untung
P(untung|| 80 pelanggan per jam) = .2
P(untung
P(untung | 100 pelanggan per jam) = .5
P(untung
P(untung | 120 pelanggan per jam) = .9

Haruskah Burger Prince menggunakan survey dari

Stanton Marketing?

Slide 43
 Example: Burger Prince

Diagram Pengaruh

Legend:
Hasil Avg. Jumlah
Keputusan
Survey Pelanggan
Kesempatan
Pasar Per Jam
Konsekuensi

Survey Ukuran
Profit
Pasar Restauran

Slide 44
 Example: Burger Prince

Posterior Probabilities

Menguntungkan
Kondisi Sebelum Keadaan Gabungan Setelah
80 .4 .2 .08 .148
100 .2 .5 .10 .185
120 .4 .9 .36 .667
Total .54 1.000

P(Menguntungkan
P(Menguntungkan)) = .54

Slide 45
 Example: Burger Prince

Posterior Probabilities

Merugikan

Kondisi Sebelum Keadaan Gabungan Setelah

80 .4 .8 .32 .696
100 .2 .5 .10 .217
120 .4 .1 .04 .087
Total .46 1.000

P(merugikan
P(merugikan)) = .46

Slide 46
 Example: Burger Prince

Formula Spreadsheet for Posterior Probabilities

A B C D E
1 Market Research Favorable
2 Prior Conditional Joint Posterior
3 State of Nature Probabilities Probabilities Probabilities Probabilities
4 s1 = 80 0.4 0.2 =B4*C4 =D4/$D$7
5 s2 = 100 0.2 0.5 =B5*C5 =D5/$D$7
6 s3 = 120 0.4 0.9 =B6*C6 =D6/$D$7
7 P(Favorable) = =SUM(D4:D6)
8
9 Market Research Unfavorable
10 Prior Conditional Joint Posterior
11 State of Nature Probabilities Probabilities Probabilities Probabilities
12 s1 = 80 0.4 0.8 =B12*C12 =D12/$D$15
13 s2 = 100 0.2 0.5 =B13*C13 =D13/$D$15
14 s3 = 120 0.4 0.1 =B14*C14 =D14/$D$15
15 P(Unfavorable) = =SUM(D12:D14)

Slide 47
 Example: Burger Prince

Solution Spreadsheet for Posterior Probabilities

A B C D E
1 Market Research Favorable
2 Prior Conditional Joint Posterior
3 State of Nature Probabilities Probabilities Probabilities Probabilities
4 s1 = 80 0.4 0.2 0.08 0.148
5 s2 = 100 0.2 0.5 0.10 0.185
6 s3 = 120 0.4 0.9 0.36 0.667
7 P(Favorable) = 0.54
8
9 Market Research Unfavorable
10 Prior Conditional Joint Posterior
11 State of Nature Probabilities Probabilities Probabilities Probabilities
12 s1 = 80 0.4 0.8 0.32 0.696
13 s2 = 100 0.2 0.5 0.10 0.217
14 s3 = 120 0.4 0.1 0.04 0.087
15 P(Favorable) = 0.46

Slide 48
 Example: Burger Prince

Decision Tree (top half)

s1 (.148)
$10,000
s2 (.185)
4 $15,000
d1 s3 (.667)
$14,000
s1 (.148)
$8,000
d2
5 s2 (.185)
2 $18,000
s3 (.667)
I1 d3 $12,000
s1 (.148)
(.54) $6,000
6 s2 (.185)
$16,000
s3 (.667)
1 $21,000

Slide 49
 Example: Burger Prince

Decision Tree (bottom half)

1 s1 (.696) $10,000
s2 (.217)
I2 7 $15,000
d1 s3 (.087)
(.46)
$14,000
s1 (.696)
d2 $8,000
s2 (.217)
3 8 $18,000
s3 (.087)
d3 $12,000
s1 (.696) $6,000
s2 (.217)
9 $16,000
s3 (.087)
$21,000

Slide 50
 Example: Burger Prince

EMV = .148(10,000) + .185(15,000)

d1 4
+ .667(14,000) = $13,593
$17,855
d2
5 EMV = .148 (8,000) + .185(18,000)
2
d3 + .667(12,000) = $12,518
I1
(.54)
6 EMV = .148(6,000) + .185(16,000)
+.667(21,000) = $17,855
1
7 EMV = .696(10,000) + .217(15,000)
I2 d1 +.087(14,000)= $11,433
(.46)
d2
8 EMV = .696(8,000) + .217(18,000)
3
d3 + .087(12,000) = $10,554
$11,433
9 EMV = .696(6,000) + .217(16,000)
+.087(21,000) = $9,475
Slide 51
 Example: Burger Prince

Expected Value of Sample Information

Apabila hasil survey adalah “menguntungkan"
menguntungkan"
dipilihlah Model C. Jika merugikan
merugikan,, maka dipilihlah
model A.

EVSI = .54($17,855) + .46($11,433) - $14,000 = $900.88

Kalau pertimbangan kurang dari biaya survey

survey,,
maka survey tidak harus dilakukan.
dilakukan.

Slide 52
 Example: Burger Prince

Efficiency of Sample Information

Efisiensi survey:
survey:
EVSI/EVPI = ($900.88)/($2000) = .4504

Slide 53
The End of Chapter 5

Slide 54