数学模型在管理决策中的几种应用
管理决策的模型
管理决策的模型现代管理决策的模型，指的是通过使用各种定量和定性的方法，对决策问题进行分析和评估，从而帮助管理者做出更科学和合理的决策。
这些模型涵盖了数学模型、统计模型、风险模型、决策树模型等，为管理者提供了一种系统和结构化的方法来解决问题。
一、数学模型数学模型是运用数学理论和方法来表达和解决问题的一种形式化工具。
它可以将问题描述成一组数学方程或不等式，并通过计算和优化技术来找到最优解。
数学模型广泛应用于供应链管理、生产调度、资源分配等领域。
例如，线性规划模型可以用来最大化利润或最小化成本，整数规划模型可以用来进行离散决策，动态规划模型可以用来解决复杂的决策序列问题。
二、统计模型统计模型是通过对数据进行收集、整理和分析，来对未来可能发生的事件进行预测和推断的一种方法。
统计模型可以帮助管理者理解和评估决策问题的概率分布特征，从而更好地把握决策的风险和可能的结果。
常见的统计模型包括回归分析、时间序列分析、假设检验等。
例如，回归分析可以用来分析变量之间的相关性，时间序列分析可以用来预测未来的销售趋势，假设检验可以用来验证决策的有效性。
三、风险模型风险模型是一种用来度量和管理决策风险的工具。
它通过对潜在风险因素进行评估和量化，帮助管理者在做出决策时考虑到风险因素的影响。
风险模型可以用来评估决策的风险，确定可行的风险控制策略，并优化决策的风险-效益关系。
常见的风险模型包括VAR（Value-at-Risk）模型、风险评估模型等。
例如，VAR模型可以用来度量金融投资组合的市场风险，风险评估模型可以用来评估项目的风险水平。
四、决策树模型决策树模型是一种常用的决策分析工具，它通过构建决策树来模拟决策者的决策过程，并根据不同的决策路径和结果来评估决策的效果。
决策树模型可以帮助管理者理清决策的逻辑关系，了解不同决策对结果的影响，并找到最佳的决策路径。
决策树模型常用于市场营销、投资决策、风险评估等领域。
例如，在市场营销中，决策树模型可以根据顾客的属性和行为，预测他们的购买决策和购买概率。
数学在企业管理中的应用
数学在企业管理中的应用数学作为一门精确而系统的学科，不仅在科学研究和教育领域中起着重要作用，也在各个行业的实践中发挥着重要的作用。
在企业管理中，数学的应用无处不在，从数据分析到决策优化，都离不开数学的支持和指导。
本文将探讨数学在企业管理中的应用，以及它对企业决策和效益的重要影响。
一、数据分析与预测在企业管理中，数据分析是一个重要的环节，它可以为企业提供有效的信息，帮助企业管理者做出正确的决策。
数学在数据分析中扮演着重要的角色。
通过数学模型的建立和运用，可以对企业所拥有的数据进行深入分析，揭示出其中的规律和趋势。
一种常见的数据分析方法是回归分析。
通过构建回归模型，可以根据历史数据的变化情况，预测未来趋势。
例如，企业可以通过回归分析来预测产品的销售量，以此制定适当的生产和销售计划。
此外，数学还可以应用在时间序列分析、统计推断等领域，进一步提高数据分析的准确性和可靠性。
二、生产优化与资源分配在企业管理中，生产优化和资源分配是关键问题。
数学优化模型可以帮助企业找到最佳的方案，以最大化利润、最小化成本或最优化其他目标。
通过数学建模和运筹学方法，企业可以优化生产线的安排，合理分配资源，从而提高生产效率和经济效益。
线性规划是一种常用的数学优化方法。
它可以帮助企业决策者在有限的资源条件下，制定最佳的生产方案。
例如，企业可以使用线性规划来确定每个产品的生产数量，以最大化总利润并满足市场需求。
此外，非线性规划、整数规划等方法也可以用来解决更复杂的生产和资源分配问题。
三、风险管理与决策支持在不确定和变化的市场环境下，企业风险管理和决策支持显得尤为重要。
数学在风险管理和决策支持中发挥着关键作用。
通过数学模型的建立和分析，可以对风险进行评估和控制，为企业的决策提供科学依据。
决策树分析是一种常见的决策支持工具。
通过对决策因素的分析和权衡，可以构建决策树模型，帮助企业决策者在不同情况下做出最优选择。
例如，在市场竞争激烈的情况下，企业可以使用决策树模型来选择最适合的营销策略。
运营管理数学模型
运营管理数学模型是指在运营管理领域中，运用数学方法和技术来解决问题、优化决策的模型。
这些模型可以帮助企业和组织有效地规划和管理运营过程，提高效率，降低成本，优化资源配置，以及更好地应对各种挑战。
以下是一些常见的运营管理数学模型：
线性规划模型：用于优化资源的分配，使得目标函数最大化或最小化，同时满足一系列线性约束条件。
库存模型：用于确定最优的库存水平和订货策略，以最大程度地满足需求，同时最小化库存成本。
排队论模型：用于分析排队系统的运行情况，如客户等待时间、服务效率等，以优化服务质量和资源利用。
项目管理模型：用于优化项目进度和资源分配，确保项目按时交付，并达到预期的质量和成本要求。
生产计划模型：用于规划生产计划和生产资源的优化分配，以满足市场需求和最大化生产效率。
调度模型：用于优化任务和资源的调度安排，以最大程度地提高资源利用率和效率。
质量管理模型：用于优化生产过程中的质量控制和改进策略，以确保产品质量和减少次品率。
这些数学模型在运营管理中发挥着重要作用，帮助企业做出科学决策，提高生产效率和经营效益。
运营管理数学模型的使用需要依赖于数据的收集和分析，以及对实际问题的合理建模和解释。
数学思维在企业管理中的应用有哪些
数学思维在企业管理中的应用有哪些在当今竞争激烈的商业环境中，企业管理者需要运用各种思维工具和方法来做出明智的决策，优化运营流程，提高效率和效益。
数学思维作为一种严谨、精确和逻辑性强的思维方式，在企业管理中具有广泛而重要的应用。
本文将探讨数学思维在企业管理中的几个主要应用领域。
一、决策分析决策是企业管理的核心环节之一，而数学思维可以为决策提供有力的支持。
通过建立数学模型，管理者可以对不同的决策方案进行量化分析和评估。
例如，在投资决策中，管理者可以运用净现值（NPV）、内部收益率（IRR）等指标来评估项目的盈利能力和风险。
净现值通过将未来的现金流折现到当前时刻，帮助管理者判断投资项目是否能够创造价值。
内部收益率则反映了投资项目的实际收益率，使管理者能够比较不同投资项目的吸引力。
在生产决策中，数学规划模型如线性规划、整数规划等可以帮助企业优化资源配置，确定最优的生产计划。
例如，一家工厂需要生产多种产品，每种产品的原材料需求、生产时间、销售价格等各不相同。
通过建立线性规划模型，管理者可以在有限的资源条件下，确定每种产品的生产数量，以实现最大利润。
二、风险管理企业在运营过程中面临着各种各样的风险，如市场风险、信用风险、操作风险等。
数学思维可以帮助管理者对风险进行量化和评估，从而制定有效的风险管理策略。
概率论和统计学在风险管理中起着重要作用。
通过对历史数据的分析，管理者可以估计风险事件发生的概率和可能的损失程度。
例如，保险公司利用精算技术，根据大量的理赔数据来确定保险费率，以确保在承担风险的同时实现盈利。
在金融风险管理中，VaR（Value at Risk，风险价值）等方法被广泛应用。
VaR 表示在一定的置信水平下，投资组合在未来特定时间段内可能遭受的最大损失。
管理者可以通过计算 VaR 来评估投资组合的风险水平，并据此调整投资策略。
三、成本控制成本控制是企业提高竞争力的关键之一，数学思维可以帮助管理者深入分析成本结构，找到降低成本的途径。
管理决策与模型
管理决策与模型在现代商业环境中，管理者面临着复杂的决策任务。
为了做出最佳决策，管理者需要依靠科学的方法和模型，以准确分析问题并评估各种选择。
本文将探讨管理决策与模型的重要性，以及常用的决策模型，帮助管理者优化他们的决策过程。
一、管理决策的重要性管理决策是指管理者在特定情境下选择、执行方案以达到既定目标的过程。
良好的管理决策可以帮助组织提高效率、降低成本、实现竞争优势。
而不恰当的决策可能导致资源浪费、错失机会以及组织绩效下滑。
因此，管理决策的重要性不容忽视。
二、决策模型的应用决策模型是管理决策的工具，可以帮助管理者在复杂的情况下做出明智的选择。
以下是几个常见的决策模型：1. SWOT分析：SWOT分析是一种系统性的方法，用于评估组织的优势、劣势、机会和威胁。
通过对内部和外部环境的分析，管理者可以了解组织的核心竞争力，并制定相应的决策方案。
2. 决策树：决策树是一种图形化表示决策过程的模型。
它通过将决策过程分解为一系列选择和可能的结果，帮助管理者理清决策路径，并计算出各种选择的预期结果。
3. 线性规划：线性规划是一种数学模型，用于解决具有线性约束条件的优化问题。
通过将决策变量和约束条件建模，管理者可以最大化或最小化某个目标函数，从而实现最佳决策。
4. 风险分析：风险分析可以帮助管理者评估决策的不确定性和风险。
通过使用统计方法和概率模型，管理者可以量化风险，并制定相应的风险管理策略。
三、管理决策与模型的案例分析为了更好地理解管理决策与模型的应用，下面以一个实际案例进行分析：假设某餐饮企业需要决定是否在某个新区域开设一家分店。
管理团队使用了SWOT分析来评估该决策。
他们发现该区域人口增长迅速，而竞争对手较少，这是一个机会。
然而，该区域的租金较高，可能会增加成本，同时，人们对该品牌的认知度相对较低，这是一个威胁。
基于SWOT分析结果，管理团队使用决策树模型来评估不同决策的可能结果。
他们考虑了三种选择：开设分店、不开设分店或延迟决策。
决策分析模型
决策分析模型简介本文将介绍决策分析模型，并讨论其在决策制定过程中的应用。
决策分析模型是一种定量分析工具，旨在帮助决策者在面对复杂的决策问题时做出明智的选择。
决策分析模型的定义决策分析模型是一种数学模型，用于评估不同决策选项的效果，并确定最佳选择。
它将决策问题转化为可量化的指标，并使用定量分析方法对不同决策选项进行比较和评估。
决策分析模型的应用决策分析模型在不同领域的决策制定中发挥重要作用。
以下是一些常见的应用场景：1. 投资决策：决策分析模型可以帮助投资者评估不同投资项目的风险和回报，并选择最具潜力的项目。
2. 生产决策：决策分析模型可以帮助企业确定最优的生产计划，以最大限度地降低成本并提高效率。
3. 供应链管理：决策分析模型可以帮助企业优化供应链运作，以确保及时交付和最低的库存成本。
4. 市场营销：决策分析模型可以帮助企业确定最佳的市场营销策略，以提高销售效果和市场份额。
决策分析模型的步骤使用决策分析模型可以遵循以下步骤：1. 定义决策问题：明确需要做出的决策，并确定决策的目标和约束条件。
2. 收集数据：收集与决策问题相关的数据，并对数据进行整理和分析。
3. 建立模型：根据决策问题的特点，选择适当的决策分析模型，并建立数学模型。
4. 进行评估：使用建立的模型对不同决策选项进行评估，并得出评估结果。
5. 做出决策：根据评估结果，做出最合适的决策，并实施决策方案。
6. 监控和调整：定期监控决策结果，并根据需要对决策方案进行调整和改进。
决策分析模型的优势使用决策分析模型有以下优势：1. 定量分析：决策分析模型使用数学方法对决策问题进行定量分析，使决策过程更具客观性和科学性。
2. 综合考虑：决策分析模型考虑了多个因素和变量，能够综合评估不同决策选项的效果和风险。
3. 可重复性：决策分析模型可以被多次使用，对不同决策问题进行分析和评估。
4. 决策支持：决策分析模型提供了决策制定过程中的支持，帮助决策者做出更明智的决策。
数学在供应链管理中的应用
数学在供应链管理中的应用供应链管理是现代企业管理中不可或缺的重要组成部分。
它涉及从采购原材料到生产加工再到产品配送的全过程，需要高效的协调和决策。
数学作为一门强大的工具，被广泛应用于供应链管理中，能够帮助企业解决各种问题，提高运营效率。
本文将探讨数学在供应链管理中的应用。
一. 数学模型在需求预测中的应用需求预测是供应链管理中的重要环节，它涉及到对市场需求的准确估计。
数学模型能够通过历史销售数据、市场调查以及其他相关因素进行建模和分析，从而提出准确的需求预测。
例如，常用的数学模型包括时间序列分析、回归分析、神经网络模型等。
这些模型能够预测最佳销售量、库存水平以及产品投放时间，帮助企业做出合理的生产和供应决策。
二. 线性规划在生产计划中的应用生产计划是供应链管理中的核心环节，它需要合理分配资源，确保生产效率和资源利用率的最大化。
线性规划是一种常用的数学工具，能够通过建立数学模型解决资源分配问题。
它基于一组线性约束条件和目标函数，通过数学优化方法求解最优解。
在生产计划中，线性规划可以确定最佳的生产量分配方案，实现生产成本的最小化或生产效率的最大化。
三. 运筹学在物流安排中的应用物流是供应链管理中重要的环节之一，它涉及到产品的存储、运输和配送。
运筹学是一门研究如何高效组织和管理运输系统的学科，利用数学技术解决物流运输中的各种问题。
例如，基于网络模型的最短路径算法可以确定最佳的运输路线，减少时间和成本。
此外，整数规划、动态规划等数学方法也能在物流安排中发挥重要作用，优化车辆调度、货物配送等环节，提高物流效率和满足客户需求。
四. 库存管理中的随机过程应用库存管理是供应链管理中的关键环节之一，它涉及到对商品存货量的合理控制。
随机过程是一种数学描述随机变化的模型，能够帮助企业在不确定需求条件下做出准确的库存管理决策。
通过建立随机需求模型和合理的库存策略，企业可以降低库存成本、减少欠货风险、提高客户满意度。
五. 数据分析与优化决策数据分析是供应链管理中不可或缺的环节，它通过收集、整理和分析大量的供应链数据，为决策提供科学依据。
管理决策模型方法与应用
管理决策模型方法与应用管理决策是指在特定环境条件下，通过利用现有资源和信息，选择并采取一定的措施或行动，以达到既定的目标。
管理决策模型和方法是指用于指导决策的理论、模型和方法论。
在实际应用中，管理决策模型和方法被广泛应用于各种组织和领域，帮助决策者做出更合理、科学的决策。
一、管理决策模型1.线性规划模型：线性规划模型是一种数学模型，用于在给定约束条件下，最大化或最小化目标函数的值。
该模型适用于一些以资源分配为主要目标的决策，如生产计划、物流配送等。
通过建立模型，决策者可以在保证资源利用最优的情况下，实现目标的最大化。
2.非线性规划模型：非线性规划模型是一种以非线性目标函数和/或非线性约束条件为特征的数学模型。
这种模型适用于一些具有非线性关系的决策问题，如市场需求、销售预测等。
通过建立模型，决策者可以更好地理解和分析问题，为决策提供科学的依据。
3.风险决策模型：风险决策模型是一种用于处理具有不确定性和风险因素的决策问题的模型。
该模型可以在不同的风险条件下，评估决策方案的风险并进行权衡。
通过建立模型，决策者可以更好地了解决策风险，并做出相应的决策。
二、管理决策方法1.SWOT分析法：SWOT分析法是一种常用的管理决策分析方法，即通过对企业或组织的内部优势、弱势和外部机会、威胁进行综合分析，了解企业或组织的优势和劣势，抓住机会，规避威胁，制定相应的决策策略。
2.决策树分析法：决策树分析法是一种基于问题的树形结构的决策分析方法。
通过构建决策树，将问题分解为一系列子问题，并给出相应的决策选择。
通过对决策树的分析，决策者可以了解不同决策选择的风险和收益，从而做出最佳的决策。
3.数据挖掘方法：数据挖掘方法是一种通过分析大量的数据，发现其中隐藏的模式、规律和信息的方法。
在决策中，决策者可以通过数据挖掘方法，从大量的数据中提取有用的信息，用于分析和预测，并辅助决策。
三、管理决策应用1.生产计划：在生产计划中，管理决策模型可以帮助决策者合理规划生产资源和生产任务，以最大限度地提高生产效率和产品质量。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
几种数学模型在管理决策中的简单应用由管理决策学理论的发展历程，我们可以知道，数学是推动决策理论发展的重要支柱。
并且，合适数学模型的建立是合理解决现实决策问题之关键。
通过数学模型，能较准确地测定该模型各要素之间的数量关系，以供人们做出分析、预报、决策或者控制。
本文通过列举数学模型在管理决策领域中几个方面的应用，意在引起大家对数学模型的重视，以便保证最优地解决经济管理领域中所反映的问题，做出较好的决策，创造出最大的经济效益。
一、模型介绍（一）、利用期望值解决风险型决策问题处理风险型决策问题，简易可行的方法是利用期望收益最大的原则进行方案选择。
即进行备选方案的收益（或损失）比较，选择收益（或损失）最大（最小）的方案。
实例如下，设某一风险型决策问题的收益表如下则有：E(A)=10000*0.3+15000*0.7=3000+10500=13500E(B)=0*0.3 +30000*0.7=0 +21000=21000所以，我们根据期望收益最大原则选择方案B 。
（二）、利用极值存在条件求最大利润的产出水平生产经营者要根据成本情况和销售情况确定最佳产量，取得最大利润。
因此，选取简单易行的数学模型就显得很有必要。
而利用极值存在的必要条件和充分条件求解最大利润的产量则是一个常用的方法。
实例如下，设某一产商生产某产品的固定成本几乎可以忽略不计，边际成本与边际收益函数分别为：Q MR Q Q MC 1450202-=+-=又极值存在的必要条件，可知MC=MR ，解得2,1521=-=Q Q ，所以取22=Q（三）、利用shapley 值法建立收益合理分配模型n 个人从事某项经济活动，对于他们之中若干人组合的每一种合作，都会得到一定的效益。
当人们之间的利益是非对抗性时，合作中人数的增加不会引起效益的减少。
这样，全体n 个人的合作将带来最大效益，n 个人的集体及各种合作的效益就构成n 个合作对策。
Shapley 值是分配这个最大效益的一种方案。
1、shapley 值定理的描述。
设],[V I ≡Γ是n 人合作对策，则存在唯一的一组shapley 值：n i i s v s v n s s n v si i ,,2,1)],()([!)!1()!()( =---=∑∈φ )(v i φ表示第i 个伙伴企业从联盟整体中分配到的利益; s 表示包含有伙伴企业i 的一切联盟；s 表示联盟s 的规模，即s 中所含企业的数量；)(s v 表示联盟s 的利益；(is v 表示联盟s 中如果没有企业i 参加时的利益;显然，可以注意到：表示联盟S 中有i 参加的利益与没有i 参加的利益差值，即表示伙伴企业i 对联盟s 的贡献。
把伙伴企业i 对它所参加的联盟的所有贡献加起来便得到伙伴企业i 所应分得的利润。
把这样一种利润分配方法称为Shapley 值利益分配法。
2、实例分析举例如下：甲乙丙三人经商。
若单干，每人仅能获利2元；甲乙合作可获利6元；甲丙合作可获利8元；乙丙合作可获利4元，三人合作则可获利10元。
问三人合作时，怎样合理地分配10元的收入？将三企业的联盟记为：}3,2,1{=I ，且有I 的特征函数为：10)(,4)32(,8)31(,6)21(,2)3()2()1(=======I v v v v v v v依据上面的计算法则可得：310)(37)(313)(321===v v v φφφ（四）、利用D-S 证据理论合成法则进行专家意见合成证据理论（或称 Dempster-Shafer 理论）是从概率论发展而来的一种样本空间度量理论，它最早始于 Dempster 关于上下概率分布簇的研究，Shefer 在1976年给出严格的数学理论并指出信任函数可以表示不确定性知识及其推理。
对比经典概率论的完整理论体系，证据理论的两个基本的证据度量函数即信任函数和似然函数作为概率函数的推广，它们成立的条件弱于概率函数（不需要了解命题的先验概率），具有直接表达“不确定性”的能力，对不确定性问题的处理具有更大的灵活性和更广泛的应用领域。
1、D-S 证据理论合成法则设1Bel 和2Bel 是同一识别框架Θ上的两个信度函数，1m 和2m 分别是其对应的基本可信度分配，1m 和2m 的焦元（若Θ⊆A 且0)( A m ，则称A 为焦元）分别为n A A A A ,,,,321 和l B B B ,,,21 ，设：1)()(21 ∑Φ=j I B A ji B m A m 那么，由下式定义的函数]1,0[2:→Θm 是基本可信度分配Φ≠--------=Φ=-------------------=Φ∑∑Φ==A B m A m B m A m A m A m J I J I B A ji A B A ji )()(1)()()(0)(2121 其中，记作∑Φ==j I B A ji B m A m K )()(21 2、实例说明 假设两位专家认为某一患者得三种病C B A ,,的基本概率赋值函数为：65.0)(1=A m 20.0)(1=B m 15.0)(1=C m70.0)(2=A m 10.0)(2=B m 20.0)(2=C m我们通过合成法则计算得，495.0=K所以，可得，901.0)(=A m 040.0)(=B m 059.0)(=C m即患者得三种病C B A ,,的可能值为：901.0)(=A m 040.0)(=B m 059.0)(=C m二、上述模型的改进与综合应用在实际情况中，却很难找到一个能用单一数学模型来解决的问题。
这样，就需要我们有分析辨别问题的能力，灵活应用数学模型，才能达到合理解决问题的目的。
只有真正掌握了这些模型，才能对其进行综合应用，更好的与实际问题相结合，达到我们预期的效果。
一、极值法和期望值法的综合利用模型设一家企业有n 种经营方案，且每一种方案有m 种收益可能，收益函数分别为：)(,,,,),(1111x f f f x f n m n m。
当采用第j 种方案时，各种收益的可能性为)(,),(1y p y p j m j ，其中，n j ≤≤1，我们可以综合利用两种方法进行方案选择。
利用期望收益的方法，可得第j 种方案期望收益为：)()()()()(11y f x f y p x f X Q j m j m j j j *++*= ， n j ≤≤1我们对每一个函数)(X Q j 进行求导，得到)(X MAXQ j （n j ≤≤1），并对各个)(X MAXQ j （n j ≤≤1）进行升序排列，得到)(X MAXMAXQ j 为所求最大收益值，且对应的第j 种方案为最优选择方案。
进一步地，如果各个备选方案构成一个完备事件组的话，且各个备选方案的概率分别是：),,,(21n p p p 。
那么，这个企业的期望收益为：n n t p X MAXQ p X MAXQ X F *++*=)()()(11如果将问题的描述做如下转化：我们设决策者对每一个方案的风险容忍度为：),,(1n p p '' 。
此时，备选方案的风险容忍度概率赋值集),,(1n p p '' 可以不是完备事件组的概率赋值，主要用来描述了决策者对每一种方案的风险意识。
这样，各种方案的期望收益分别为：n j p X MAXQ j j ≤≤'*1,)(。
当两种方案的期望收益相等时，即,,1,)()(n j i p X MAXQ p X MAXQ i i j j ≤≤'*='*且j i ≠。
此时，在风险容忍度赋值不变的情况下，我们认为这两种方案无差异。
若有，j p '增大，i p '不变，则),,1(,)()(j i n j i p X MAXQ p X MAXQ i i j j ≠≤≤''* ，我们可以称j p '为方案j 相对于方案i 的风险容忍度转折点。
两两比较，确定各个方案的风险容忍度转折点，我们可以对决策者的风险意识进行灵敏度分析，并且可以划定每一个方案相对于其他任一方案的风险容忍度可行域。
其实，对于单一的期望收益决策法模型，我们也可以做上述的分析。
二、D-S 证据理论合成法则的嵌套使用在很多专家决策问题中，我们不仅仅需要对待决策问题集进行专家评议，并且需要对专家的权威可信度作出客观的评价。
所以，借鉴层次分析法的思路，我们可以在多个层次上使用D-S 合成法则，以便得到更为接近实际情况的决策结果。
即先对专家的权威度进行评价，然后做为权重指数对专家的评价进行修正。
这里，我们可以称之为，D-S 证据理论合成法则的嵌套。
在上面例子的基础上，如果考虑专家权威度的话，我们对问题的描述做这样修改：假设两位专家在五年中对三种病C B A ,,的误诊率集分别为：(){})05.0,1.0,07.0,05.0,08.0(),1.0,09.0,06.0,08.0,05.0(,1.0,08.0,15.0,05.0,1.01111====ΘC B A p p p {})05.0,06.0,08.0,1.0,09.0(),06.0,05.0,09.0,08.0,08.0(),05.0,08.0,06.0,05.0,1.0(2222====ΘC B A p p p 我们把决策问题集也转化为：｛A 病的可能，B 病的可能，C 病的可能，未知｝，这样，问题集中加入未知这个元素，会让问题的描述更为客观。
首先，对专家关于A 病的权威度进行测定。
在已知专家1在五年中的误诊率集情况下，可以把五年中的误诊率认为是另外五位专家对专家1关于A 病误诊率的判断。
这样的话，就把问题描述为：9.0)(11=T m 1.0)(11=W m 95.0)(12=T m 05.0)(12=W m85.0)(13=T m 15.0)(13=W m92.0)(14=T m 08.0)(14=W m9.0)(15=T m 1.0)(15=W m 所以，应用合成法则，我们可以计算出专家1关于A 病的权威度为：8905.01=A α同理可得，8571.01=B α 9432.01=C α同样可以计算得，专家2关于三种病的权威度为：9467.02=A α 9339.02=B α 9324.02=C α所以，问题集转化为：5788.0)(1=A m 1714.0)(1=B m 1415.0)(1=C m 1083.0)(1=W m 6627.0)(2=A m 0934.0)(2=B m 1836.0)(2=C m 0602.0)(2=W m 利用合成法则，得到 5679.0=K所以，可得，8877.0)(=A m 0371.0)(=B m 0601.0)(=C m 0151.0)(=W m。