BELİRSİZLİK HALİNDE M-H-K ANALİZLERİ Yönetim kararlarının hepsinde ortak olan nokta ileriye dönük olmalarıdır. Gelecek ise belirsizdir. Bu nedenle analizlerde, gelecekteki koşulların genellikle tahmin edilebildiği varsayımından hareket etmek zorunluluğu ile karşılaşmaktayız. Bu suretle belirsizlik hali analize dahil edilmektedir. Halbuki, belirsizlik halinin analizlerde göz önüne alınmaması bu analizlerden sağlanacak yararı büyük ölçüde azaltabilir. İşletme yönetiminin A ve B mamullerinin üretiminde karar vermesi gerektiğinde işletme yönetimi A ve B mamulleri arasında kayıtsız mı kalacaktır? Bu iki mamule ait satış tahminleri kesin değilse, bu soruya olumsuz cevap vermek gerekir. Satış tahminleri belirsiz olduğu sürece bu mamullere ilişkin oransal rizikoların analizde göz önünde tutulması, alınacak kararlar üzerinde olumlu etki yapacaktır. İşte, bu kesimde Maliyet-Hacim-kar analizlerine istatistiksel olasılık teorisinin uygulanması suretiyle bu analizlerin daha yararlı bir hale nasıl getirebileceği incelenecektir. Alınacak kararlar üzerinde rol oynayacak etkenler, satış fiyatı, b,irim değişken maliyet, toplam sabit maliyet ve her bir mamulün beklenen satış hacimleridir. Karar almayı gerektiren bu tür problemlerde bu dört etkenin hepsi belirsiz olabilmektedir. Ancak beklenen satış miktarına oranla satış fiyatları ve maliyetler oldukça belirli bulunabilir. Böyle bir durumda yönetici bu etkenleri kesin olarak alıp, analizleri beklenen satışlar üzerinden yapabilir ki, böyle bir tutum analizleri oldukça kolaylaştıracaktır. Bu yöntemde bu yolu izleyecek ve satış hacmi dışındaki etkenleri biliyor kabul edeceğiz. Satış hacmi tesadüfi bir değişken olarak ele alınmıştır. İstatistikte tesadüfi değişken, miktarı bilinmeyen herhangi bir değişkendir. Örnekte diğer değişkenler bilindiğine göre, alınacak kararın doğruluğu tesadüfi değişken olan satış hacimlerine bağlıdır. Belirsizlik halini göz önünde bulunduran karar şekillerinden biri ise, tesadüfi değişkenin alabileceği çeşitli değerlere ilişkin olasılıkların tahminidir. Böyle bir tahmin sübjektif olasılık dağılımı adını alır. Bundan sonra yapılacak iş, en yüksek beklenen değere sahip olan alternatifin seçilmesidir. Aşağıdaki örnekte görebiliriz. A ve B Mamullerinin olasılık dağılımı: Olay: Talep edilen birimler P (A): A mamulü olasılık dağılımı 50000 100000 200000 300000 400000 500000 P(B) B mamulü olasılık dağılımı 0,1 0,2 0,4 0,2 0,1 0,1 0,1 0,1 0,2 0,4 0,1 1,0 1,0 (olasılık dağılımları toplamlarının 1 olduğuna dikkat etmemiz gerekiyor) Tesadüfi değişken olan her mamule ilişkin satış hacimlerinin beklenen değerleri, bu satış hacimlerinin hizalarındaki olasılıklara çarpılması suretiyle bulunur. Diğer bir deyişle beklenen değer ağırlıklı bir ortalamadır. A ve B mamullerinin beklenen değerleri şu şekilde hesaplanır. A ve B mamulleri için beklenen satış değerleri: Talep (1) 50.000 100.000 200.000 300.000 400.000 500.000 P(A) (2) (1*2) - - 0,1 0,2 0,4 0,2 0,1 10.000 40.000 120.000 80.000 50.000 Beklenen değer (B.D.) 300.000 birim P(B) (3) 0,1 0,1 0,1 0,2 0,4 0,1 (1*3) 5.000 10.000 20.000 60.000 160.000 50.000 350.000 birim Her bir talep düzeyine tekabül eden olasılılar A ve B mamullerinin benzeri mamullere ait geçmişteki talep durumlarından yararlanılarak saptanabileceği gibi, geçmişe ait talep verilerinin mevcut olmaması halinde tamamen sübjektif olarak de belirlenebilir. Bu son durumda bile beklenen değer yaklaşımı yararlı sonuçlar verebilmektedir. Zira hiç olmazsa satış tahminlerinde bulunan kimsenin kendi tahminlerinin ne derecede kesin olduğunu açığa vurması olanağı sağlanmış olmaktadır. Şimdi her iki mamul için beklenen satış değerlerinin aşağıdaki şekilde olduğunu düşünelim. Talep 100.000 200.000 300.000 400.000 500.000 P(A) 0,1 0,2 0,4 0,2 0,1 B.D.(A) 10.000 40.000 120.000 80.000 50.000 1,0 Beklenen Değer P(B) 1,0 - B.D.(B) 300.000 - 1,0 300.000 300.000 Tablodan da görüldüğü gibi her iki mamul için beklenen satış değerleri birbirine eşittir. Bu durumda beklenen değerden hareket etmek hatalı olur. A mamul satışları 0,1 olasılıkla 100.000 olabilmektedir ki, bu durumda işletme 20.000.000.000.-(200.000*100.000-40.000.000.000.) zarar edecektir. Öte yandan bu mamul için satışların 300.000 birimin üzerinde olması 0,3 olasılığa sahiptir ve dolayısıyla A mamulünün B mamulünden daha fazla kar getirme olasılığı bulunmaktadır. Bu durumda alınacak karar işletme yönetiminin tutucu (B mamulü) veya serüvenci (A mamulü) oluşuna göre değişecektir. Daha önce beklenen değerin ağırlıklı bir ortalama olduğu belirtilmişti. Bu ortalama önemli olmakla birlikte, ortalamanın çevresindeki dağılım da, yukarıda ki son tabloda görüldüğü gibi, aynı derecede önemlidir. Ortalama çevresindeki dağılımın sayısal ölçümü ise, istatistikte çok kullanılan standart sapmadır. NORMAL DAĞILIM İstatistikte binom, poisson ve normal sürekli dağılımları mevcuttur. Burada hem en yaygın kullanılan dağılım olması, hem de hesaplama şekillerinin çok daha kolay bulunması nedeniyle normal dağılım incelenmektedir. Normal dağılım; çan şeklinde simetrik ve sürekli bir eğri olup, bu eğrinin altında kalan alan 1’e eşittir. Bu eğri dağılım ortalamasında en yüksek değerine ulaşır ve altındaki alanın yarısı ortalamanın bir yanında, diğer yarısı da öteki yanında bulunur. Normal dağılım eğrisini aşağıdaki şekilde göstermek mümkündür. Standart sapma ortalama Yatay eksende tesadüfü değişkenin (beklenen satışlar) değerleri gösterilir. Herhangi bir normal olasılık dağılımı kolayca saptanabilir. Bunun için ortalama ve standart sapmanın bilinmesi yeterlidir. Standart sapma ortalama çevresindeki dağılımın bir ölçüsüdür. Her normal dağılım eğrisinin altındaki alan 1’e eşit olmakla birlikte, bir normal dağılım diğerinden daha geniş bir bölgeye yayılmış olabilir. Örneğin, aşağıdaki iki normal dağılım altındaki alanlar ve ortalamalar birbirine eşittir. Bu iki dağılımı birbirinden standart sapmaları ayırmaktadır. Standart sapma büyüdükçe,normal dağılım genişler. Standart sapma bir alan değil, bir uzaklık ölçüsüdür. Kesikli yerine sürekli bir dağılım kullanıldığı zaman, belirli bir değerin ortaya çıkması olasılığı grafikten okunamaz olasılıklar dağılım eğrisinin altında kalan alanla ifade edildiğinden, örneğin 100.000 birimlik talep olasılığı değil de 99.000-101.000 arasındaki talep olasılığı söz konusudur. Çünkü birinci halde bir alan mevcut değildir. Örneğin bir işletmede pazarlama yöneticisi gelecek aydaki ortalama satışların 10.000 birim olacağını tahmin etmektedir. Bir sonraki sayfada ilgili normal dağılım grafiği gösterilmiştir. Bu grafikten şu sonuçlar çıkabilir: 1. Gerçek satışların, 10.000-11.000 birim arasında bulunması olasılığı % 20 dır. Bu, “C” alanında görülmektedir. Eğrinin simetrik olması nedeniyle satışların 9000-10.000 birim arasında kalması olasılığı da % 20 dır. (B) alanı. 2. Gerçek satışların 11.000’den fazla olması olasılığı % 30’dur. (D) alanı 3. Satışların 9.000 birimden fazla olma olasılığı % 70’dir. (B+C+D alanları) Normal dağılımın diğer bir özelliği de, dağılım eğrisinin altında kalan alanın yaklaşık olarak % 50’sinin ortalamadan her iki yöne doğru % 67 standart sapma uzaklıkları bulunması, alanın % 68 kadarının 1 standart sapması içinde bulunması ve % 95’ininde 1,96 standart sapma içerisinde kalmasıdır. Örneğin bir sonraki sayfadaki taranmış alan toplam alanın % 68’idir: Aşağıdaki alan ise toplam alanın % 50’sidir. Normal dağılım olasılıkları, bu amaçla düzenlenmiş bir tablodan öğrenilebilir. Tabloda normal dağılım grafiğinde ortalamanın sağ yanını temsil etmektedir. Tablo tesadüfü değişkenin “ortalama + 0,35 standart sapma” değerinden daha fazla bir değer alma olasılığı 0,3632 (% 36,32)’dir. Yine tesadüfi değişkenin ortalamadan bir standart sapma fazla olan değerden daha yüksek bir değer olma olasılığı 0,1587 (% 15,87)’dir. Normal dağılım eğrisi altında kalan alan : P (tesadüfü değişken > ortalama + “x” standart sapma) X 0,00 0,1 0,3 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,5 2,0 0,4602 0,3821 0,3085 0,2743 0,2420 0,2119 0,1841 0,1587 0,1375 0,0688 0,0228 0,05 0,4404 0,3632 0,2912 0,2578 0,2266 0,1977 0,1711 0,1469 0,1251 0,0606 0,0202 Daha önce verilen örneği tablodan yararlanarak tekrar inceleyelim: Dağılım ortalaması 10.000 birim, satışların 11.000 birimden fazla olması olasılığı (D) alanı 0,30 idi. Yukarıdaki tabloyu incelersek, bir tesadüfi değişkenin ortalama + 0,5 standart sapmadan daha fazla bir değere sahip olması olasılığının 0,3085 olduğunu görürüz. Dolayısıyla 11.000-10.000 birim aşağı yukarı 0,5 standart sapmaya karşılık demektir. Burada 1 standart sapma = 2.000 birim sonucunu çıkartabiliriz. Standart sapmanın 2.000 birim olduğu bilinince, buradan hareketle d alanını | P (satışlar > 11.000 | hesaplayabiliriz. Tablo bize ortalama + X standart sapmadan daha büyük değerlerin olasılığını verdiğine göre X’i şu şekilde hesaplayabiliriz: Gerçek Satışlar – Ortalama Satışlar X= Standart Sapma 11.000-10.000 X= = 0,50 standart sapma 2.000 Satışların 11.000’den fazla olması olasılığı ise tabloda 0,5 standart sapmaya tekabül eden 0,3085 veya yuvarlak olarak % 30’dur ki, bu D alanıdır. Normal dağılım eğrisi simetrik olduğundan yukarıdaki tabloyu ortalamanın sol yanı içinde kullanmak mümkündür. Örneğin, satışların 9.000 birimden fazla olması olasılığı şu şekilde bulunabilir: Satışların 9.000 birimden az olma olasılığı, 11.000 olma olasılığı ile aynıydı ve dolayısıyla 0,30’dur (tabloda 0,3085). Eğrinin altındaki alan 1’e eşit olduğundan P (Satışlar > 9.000) = 1- P (Satışlar < 9.000) P (Satışlar > 9.000) = 1- 0,30 = 0,70 Satışların 9.000 – 10.000 arasında olma olasılığı ise: P (9.000 < Satışlar < 10.000) = 1- P (Satışlar > 10.000 – P (satışlar < 9.000) = 1- 0,50 – 0,30 = 0,20 NORMAL DAĞILIM VE M-H-K ANALİZLERİ Analizde satış hacmi bir tesadüfi değişken olarak alınmıştır. Diyelim ki, analizin yapıldığı işletme tek tip kızartma makinesi imal etmekte ve birimini 2.500.000 TL’ den satmaktadır. Toplam sabit giderler 56.000.000.000 TL birim başına değişken giderler ise 1.250.000 TL’ dır. Bu durumda başa baş noktası (BBN) 56.000.000.000 BBN = = 44.800 Birim 2.500.000 – 1.250.000 olacaktır. Şimdi satış yöneticisinin beklenen ortalama satış hacminin 48.000 birim olacağını ve gerçek satışların bu miktarın altında veya üzerinde olma şansının olduğunu tahmin ettiğini düşünelim. Satış yöneticisi aynı zamanda gerçek satışların 2/3 (0,667) olasılıkla beklenen ortalama etrafında her iki yönde 5.000’er birimlik bir değişim aralığı içerisinde bulunacağını düşünmektedir. Bu iki sübjektif tahminler normal bir olasılık dağılımı şekline dönüşebilir. Bu normal dağılım ortalaması B (S) = 51.000 birim standart sapması ise 5.000 birimdir. Bu dağılama ait eğri bir sonraki sayfadadır. DEDE SEN OLMASAN BEN YANMIŞIM Bu grafikte; örneğin, satış hacminin başa baş noktasından (44.800) birim fazla olma olasılığı, eğrinin altındaki taranmış alana eşittir. Olasılık dağılımı eğrisi aşağıdaki şekilde bir hacim - kar grafiği üzerinde de gösterilebilir. DEDE SEN BİZİM HERŞEYİMİZSİN Satış fiyatı birim başına değişken giderler c-ve sabit giderlerin kesinlikle bilindiği varsayılırsa, beklenen kar aşağıdaki şekilde bulunur. B (K) = B(S) (f-b) – a B(K) = 51.000 ( 2.500.000 TL – 1.250.000 TL) – 56.000.000.000 B(K) = 7.750.000.000 TL Burada: B(K) = Beklenen Kar B(S) = Beklenen Satışlar anlamında kullanılmıştır. Kar ile satış hacmi arasında doğrudan bir ilişki bulunduğuna ve yönetimin asıl ilgisi ulaşılacak kar düzeyi olduğuna göre, yukarıdaki grafiği sadece karları gösterecek şekilde düzenlemek daha yararlı olur. Bu durumda yatay eksen kar düzeylerini, normal dağılım eğrisi ise kar olasılıklarını gösterecektir. Eğrinin çizilebilmesi için beklenen ortalama kar ve kara ilişkin standart sapma miktarlarını bilmek gerekir. Beklenen ortalama kar yukarıda 7.750.000.000 TL olarak hesaplanmıştır. Önceki eğrinin satışlara ait standart sapması 5.000 birimdi. Bu sapmayı katkı payı ile çarpmak suretiyle kara ilişkin standart sapmayı buluruz. Standart sapma = 5.000 * 1.250.000 = 6.250.000.000 Şimdi kara ilişkin normal dağılım eğrisini çizebiliriz: Şimdi de yukarıdaki olasılık dağılımına göre ve daha önce verdiğimiz “Normal Dağılım Eğrisi Altında Kalan Alan” tablosunu kullanarak aşağıdaki olasılıkları hesaplayalım 1.) Zarar etmeme olasılığı: Bu, karların sıfırdan büyük olması olasılığıdır ve sıfır kar noktasının sağ tarafındaki alana eşittir. Eğrinin tümünün altındaki alan 1 olduğundan, zarar etmeme olasılığı P(K>0), “1 – zarar etme olasılığı | P (k<0) | ” şeklinde hesaplanabilir. Dağılım simetrik olduğundan, yukarıda adı geçen tablo ortalamanın sol yanı içinde kullanılır. Hangi noktada zararın başladığı standart sapma türünden şu şekilde hesaplanır. Ortalama Kar – Gerçek Kar X= Standart Sapma 7.750.000.000 - 0 X= = 1,24 6.250.000.000 Demek ki, ortalamanın 1,24 standart sapma kadar solundan itibaren işletme zarar etmeye başlamakta ve daha sola gidildikçe zararlar artmaktadır. Şimdi karların sıfırdan küçük olması olasılığını tablodan bulabiliriz: P (K < Ortalamadan 1,24 standart sapma ) = 0,135 Dolayısıyla zarar etmeme olasılığı : P (K > 0 ) = 1- 0,135 = 0.865 2.) 2.000.000.000 TL’ dan fazla bir kar sağlama olasılığı: Yukarıdaki şekilde hesaplanabilir. 7.750.000.000-2.000.000.000 P (K > 2.000.000.000 ) = 1- P (K< 6.250.000.000 = 1- P(K< ortalama 0.9) = 1- 0,1841 = 0,816 3.) 3.000.000.000 TL’ den fazla bir zarara uğrama olasılığı: 7.750.000.000 – (- 3.000.000.000 ) P( Z > 3.000.000.000 ) = P (Z > 6.250.000.000 = P ( Z > Ortalama 1,7) = 0,022 İşletme yöneticisi herhangi bir mamul hakkında karar verirken bu analizden yararlanabilecektir. Yönetici başa baş satış hacminin 44.800 birim, beklenen satışların 51.000 birim ve beklenen karın 7.750.000.000 TL olduğu bilinmekle birlikte aşağıda özet olarak verilen bilgilerde karar almada yardımcı olacaktır. 1. Başa baş noktasına ulaşabilme olasılığı % 86,5’ dır. 2. En azından 2.000.000.000 TL kar sağlama olasılığı % 81,6’ dır. 3. 3.000.000.000 TL veya daha fazla bir zarara uğrama olasılığı % 2,2’ dır. Eğer yönetici bu mamulü başka mamullerle karşılaştırmakta ise, yukarıdaki analiz şekli oransal başa baş noktalarının ve beklenen karların olduğu kadar, her bir mamul için söz konusu olan rizikoların karşılaştırılmasını da mümkün kılacaktır. Pek tabidir ki, mamuller arasında yapılacak bir seçimde işletme yönetiminin rizikoya karşı tutumu önemli bir etken olacaktır. Aynı tür analiz bir mamule ait çeşitli satış fiyatları arasında bir tercih yapmak gerektiği ve talebin belirsiz olduğu durumlarda da kullanabilir.