Slides - AHP

Processos Decisórios
AHP
(Processo de Análise Hierárquica)
Prof. Tiago José Menezes Gonçalves
Doutor em Engenharia de Produção
Ifes
Método AHP
Conversão de Dados Ordinais em Cardinais
O AHP converte os julgamentos ordinais (que expressam uma ordem) em dados cardinais, que expressam a
intensidade com que uma alternativa é melhor que outra.
Dados ordinais: são aqueles que podem ser dispostos em alguma ordem.
Ordem de Chegada em uma Corrida

Dados cardinais: expressam uma quantidade absoluta.
Tempo de Chegada em uma Corrida

2
Apoio Multicritério à Decisão (AMD)
Método AHP
O Processo de Análise Hierarquica (AHP, do inglês Analytic Hierarchy Process) foi proposto por Saaty (1977,
1980).
Ele é baseado na Teoria da Medição Relativa (do inglês Relative Measurement

Theory).
Nesta teoria, não é necessária a medida exata do desempenho de cada

alternativa em relação a cada critério.
Os cálculos são realizados usando a diferença relativa de uma alternativa sobre

outra.
Thomas Saaty

3
Método AHP
Exemplo ilustrativo 1: Seleção de um ERP
Um Enterprise Resource Planning (ERP) é um investimento que pode

afetar significantemente a competitividade e desempenho de uma
companhia.
Um ERP deve apoiar os objetivos e estratégias de uma empresa. A

seleção de um ERP envolve vários fatores, como facilidade de
operação, segurança, flexibilidade, custos de compra, etc.

4
Método AHP
Faremos um exemplo ilustrativo resumido, considerando os critérios:
• Facilidade de aprendizagem (c1): representa o quão fácil é para um colaborador aprender a utilizar
seus recursos.
• Suporte técnico (c2): representa o quão fácil é para um colaborador obter ajuda para o
esclarecimento de dúvidas e/ou a solução de problemas junto a empresa fornecedora.
• Custo de aquisição (c3): representa o custo inicial para a compra do sistema.
Considere também as alternativas abaixo:

• SAP (a1): produto principal da SAP AG, uma empresa alemã, líder no segmento de software
corporativos.
• ERP5 (a2): software livre utilizado por empresas, indústrias e órgãos governamentais. A criadora do
software é a empresa francesa Nexedi.
• MaxProd (a3): software proprietário concorrente do SAP.

5
Etapa 1: Hierarquização do problema
Nesta etapa realiza-se o entendimento e hierarquização do problema de decisão.
Objetivo
c1 c2 c3
a1 a2 a3

6
Método AHP
Etapa 2: Construção das matrizes de decisão
Passo 2: Coleta de julgamentos e construção das matrizes de decisão.
O decisor realiza comparações par-a-par entre alternativas e entre critérios utilizando a escala verbal abaixo,
proposta por Saaty(1980).
Escala Fundamental de Saaty

1 Igual importância
3 Importância moderada
5 Importância forte
7 Importância muito forte
9 Importância extrema
2, 4, 6, 8 Valores intermediários

7
Método AHP
Passo 2: Coleta de julgamentos e construção das matrizes de decisão.
Obs: Limite psicológico 7+/- 2

SAATY, T. L.; OZDEMIR, M. S. Why the magic number seven plus or minus two. Mathematical and Computer
Modelling, v. 38, p. 233–244, 2003.

8
As alternativas são comparadas utilizando-se a Escala Fundamental de Saaty.
Comparação entre alternativas: a1: SAP a2: ERP5 a3: MaxiProd (MP)
Facilidade de
aprendizagem (c1) Suporte técnico (c2) Custo de aquisição (c3)
A1 SAP ERP5 MP A2 SAP ERP5 MP A3 SAP ERP5 MP
SAP 1 3 4 SAP 1 7 1 SAP 1 1/9 1/3
ERP5 1/3 1 6 ERP5 1/7 1 1/3 ERP5 9 1 3
MP 1/4 1/6 1 MP 1 3 1 MP 3 1/3 1
Notação algébrica
 1 3 4  1 7 1  1 1 / 9 1 / 3
A1  1 / 3 1 6 A2  1 / 7 1 1 / 3 A3  9 1 3 
1 / 4 1 / 6 1   1 3 1  3 1 / 3 1 

9
Os critérios são comparados utilizando-se a Escala Fundamental de Saaty.
C Aprendizagem Suporte Aquisição

Comparação entre critérios: Aprendizagem 1 3 3
• Facilidade de aprendizagem (c1)
• Suporte técnico (c2) Suporte 1/3 1 2
• Custo de aquisição (c3) Aquisição 1/3 1/2 1
Notação algébrica
 1 3 3
As comparações par-a-par entre critérios são utilizadas
posteriormente para o cálculo de seus pesos.
C  1 / 3 1 2
1 / 3 1 / 2 1

10
Método AHP
Etapa 3: Análise de consistência
Nesta etapa realiza-se a checagem de consistência dos julgamentos par-a-par.
Uma matriz preenchida por comparações par-a-par aij = pi/pj , é considerada consistente se as seguintes regras
forem respeitadas:
• Regra de transitividade
• Regra de reciprocidade
 p1 / p1 ... p1 / p j ... p1 / pn 
 ... 1 / 1 ... ... ... 
 
A   pi / p1 ... 1/1 ... pi / pn 
 
 ... ... ...  ... 
 pn / p1 ... pn / p j ... pn / pn 
 

11
Método AHP
Regra de Transitividade
aij = aik ⋅ akj
Em relação aos julgamentos do decisor, suponha que ele prefira:
• Maçã 3x mais que uma laranja (a12 = 3);

• Laranja 2x mais que uma banana (a23 = 2).
Para haver transitividade, ele deve preferir uma maçã 6x mais que uma banana (a13 = 3 ⋅ 2 = 6 ).
Maçã 3x Laranja
Laranja 2x Banana
Maçã 6x Banana

12
Método AHP
Regra de Transitividade: Exemplo ilustrativo com frutas
Maçã Laranja Banana

Maçã 1 3 4
Inconsistências
Laranja 1/3 1 2
Banana 1/4 1/2 1
Maçã 3x Laranja
Laranja 2x Banana
Maçã 6x Banana

13
Método AHP
Regra de Reciprocidade
1
a ij 
a ji
Um decisor prefere uma maçã duas vezes mais que uma laranja (a12 = 2).
Então ele deve preferir uma laranja com metade da intensidade com que prefere uma maçã (a21 = 1/2).
Maçã Laranja Banana

Maçã 1 3 3
Inconsistência
Laranja 1/3 1 1
Banana 1/2 1 1

14
Método AHP
O método mais comumente usado para testar a consistência de uma matriz de decisão foi desenvolvido por
Saaty (1977).
Calcula-se o Índice de Consistência (IC) com base no autovalor principal:
max  n
IC 
n 1
Onde:
• max = Autovalor principal da matriz de decisão (corresponde àquele de maior valor entre todos os
autovalores). É igual a n quando a matriz é perfeitamente consistente.
• n = Número de linhas ou colunas numa matriz de decisão Ann .

15
Método AHP
Em seguida, calcula-se a Razão de Consistência (RC):
RC  IC
IR
Onde IR é o Índice Randômico que corresponde ao IC médio de 500 matrizes preenchidas aleatoriamente.
Caso RC < 10% a matriz apresenta consistência aceitável.
N 3 4 5 6 7 8 9 10 11 12 13 14 15
IR 0,58 0,90 1,12 1,24 1,32 1,41 1,45 1,49 1,51 1,54 1,56 1,57 1,58
Matrizes de ordem menor que três são sempre consideradas consistentes.

16
Método AHP
Definição de autovalor :

Um autovalor de uma matriz Anxn é um escalar  tal que existe um vetor v, onde:
 
Av  v
 
v é chamado de autovetor de Anxn associado a  , onde v é não nulo.
Cálculo dos autovalores  :

 
Av  v
 
Av  Iv
 
Av  Iv  0

 A  I v  0
17
Método AHP
Cálculo dos autovalores  :

 A  I v  0

Lema: Seja uma matriz Mnxn , um sistema Mv  0 tem solução não trivial (não nula) se, e somente se,
det(M) = 0.
Para encontrar os autovalores de matriz Anxn , temos resolver o sistema:
det  A  I   0

18
Método AHP
Exemplo: Cálculo de autovalores de uma matriz E2x2:
 1 5 1   5 
E  E  I  
1 / 5 1    
 1 / 5 1 
 1 5 1 0
E  I       det E  I   0
1 / 5 1   0 1 
1   5 
 1 5  0  det   0
E  I       1/ 5 1  
1 / 5 1   0  

19
Método AHP
Exemplo: Cálculo de autovalores de uma matriz E2x2:
1   5 
det   0 2  2  0
 1/ 5 1  
'  2 max
1   5 
det   0 ''  0
 1/ 5 1  
1     1     1 / 5  5  0
20
 1 3 4
Cálculo dos autovalores de A1 (Facilidade de aprendizagem): A1  1 / 3 1 6
1 / 4 1 / 6 1 
 1 3 4 1 0 0
A1  I  1 / 3 1 6   0 1 0
1 / 4 1 / 6 1 0 0 1
 1 3 4   0 0 
A1  I  1 / 3 1 6   0  0 
1 / 4 1 / 6 1   0 0  

21
 1 3 4
Cálculo dos autovalores de A1 (Facilidade de aprendizagem): A1  1 / 3 1 6
1 / 4 1 / 6 1 
1   3 4 
A1  I   1 / 3 1   6 
 1 / 4 1 / 6 1    Preciso mesmo resolver uma
equação do 3º grau?
1   3 4 
det  1 / 3 1   6   0
 1 / 4 1 / 6 1   

22
 1 3 4
Cálculo dos autovalores de A1 (Facilidade de aprendizagem ): A1  1 / 3 1 6
Em Python 1 / 4 1 / 6 1 
max = 3,257

23
 1 3 4
Cálculo dos autovalores de A1 (Facilidade de aprendizagem ): A1  1 / 3 1 6
1 / 4 1 / 6 1 
No software R
max = 3,257

24
Checando a consistência de A1 (Facilidade de aprendizagem ):
Índice de Consistência (IC): Razão de Consistência (RC):
max  n
IC  RC  IC
n 1 IR
3,257  3
IC   0,128 RC  0,128  0,221
3 1 0,58
0,221 > 0,10, portanto, a matriz é inconsistente e os julgamentos devem ser revistos.

25
Revendo os julgamentos da Matriz A1 (Facilidade de aprendizagem ):
A1 SAP ERP5 MP
SAP 3x ERP5
SAP 1 3 4
ERP5 1/3 1 6 ERP5 6x MaxProd(MP)
MP 1/4 1/6 1 SAP 18??? MaxProd(MP)
O decisor refez seus julgamentos conforme a matriz abaixo:
A1 SAP ERP5 MP
SAP 1 2 8
ERP5 1/2 1 4
MP 1/8 1/4 1

26
Resultados do cálculo de max , IC e RC para todas as matrizes de decisão:
Matriz max IC RC
A1 3,000 0 0
A2 3,080 0,04 0,07
A3 3,000 0 0
C 3,052 0,03 0,05
A Razão de Consistência foi menor que 10% para todas as matrizes, então pode-se prosseguir para as
etapas seguintes.

27
Método AHP
Etapa 4: Cálculo de Vetores de Prioridade
O cálculo de vetores de prioridade pode ser realizado utilizando-se diferentes métodos:
1. Método do Autovetor
2. Método da Soma Normalizada
3. Método da Média Geométrica

28
Método AHP
Proposto por Saaty (1977), é o método mais amplamente utilizado para estimar o vetor de prioridades.
Considera como vetor de prioridades o autovetor principal (também denominado autovetor de Perron-
Frobenius) de uma matriz de decisão A.

vi T
 
Av  max v pi   
p 1, 1, ... , 1  1
T
n

 vi
i 1
Onde: 
• pi = iésimo elemento do vetor de prioridade p ;
• n = Dimensão da matriz de decisão (matriz quadrada);

• v = autovetor principal da matriz de decisão Ann .
• max = autovalor principal da matriz de decisão Ann .
29
Em Python
Suporte técnico (c2)

A2 SAP ERP5 MP
SAP 1 7 1
ERP5 1/7 1 1/3
MP 1 3 1

30
No software R

A2 SAP ERP5 MP
SAP 1 7 1
ERP5 1/7 1 1/3
MP 1 3 1

31

Encontrou-se o autovetor principal: v  0,79 0,15 0,60

Em seguida é realizada a normalização dos valores presentes no autovetor principal v, usando a equação
abaixo: 
vi
pi  n

 vi i 1
Vetor de prioridade:

p  0,51 0,10 0,39

32
Método AHP
Neste método o vetor de prioridade é calculado dividindo a soma dos elementos de uma linha pela soma dos
elementos da matriz A.
n
a
j 1
ij
pi  n n
 a
i 1 j 1
ij
Onde: 
• aij = julgamento de uma matriz de decisão Ann .

33
1 7 1
p1   0,58
(1  7  1)  (1 / 7  1  1 / 3)  (1  3  1)
A2 SAP ERP5 MP
1/ 7 11/ 3
SAP 1 7 1 p2   0,10
ERP5 1/7 1 1/3 (1  7  1)  (1 / 7  1  1 / 3)  (1  3  1)
MP 1 3 1
1 3 1
p3   0,32
(1  7  1)  (1 / 7  1  1 / 3)  (1  3  1)

34
Método AHP
Proposto por Crawford e Williams (1985), este método obtém o vetor de prioridade a partir da média
geométrica dos elementos de uma linha dividido pela soma das médias geométricas de todas as linhas da
matriz A.
1
 n  n
  aij 
 
pi   
j 1
1
n  n n
   aij 

i 1  j 1


Onde: 
• aij = julgamento de uma matriz de decisão Ann .

35
1 7  1
3
p1  3  0,51
1 7  1  1 / 7  1 1 / 3  1 3  1
3 3

A2 SAP ERP5 MP
SAP 1 7 1 3
1 / 7  1 1 / 3
p2   0,10
ERP5 1/7 1 1/3 3
1 7  1  1 / 7  1 1 / 3  1 3  1
3 3
MP 1 3 1
3
1 3  1
p3   0,39
3
1 7  1  1 / 7  1 1 / 3  1 3  1
3 3

36
Abaixo estão os vetores de prioridade referentes a cada matriz de comparação par-a-par das alternativas,
calculados utilizando o Método da Média Geométrica.
 1 2 8  1 7 1  1 1 / 9 1 / 3
A1  1 / 2 1 4 A2  1 / 7 1 1 / 3 A3  9 1 3 
1 / 8 1 / 4 1   1 3 1  3 1 / 3 1 
 0,61  0,51 0,08

p1   0,31

p2   0,10 
 
p3  0,69
 
0,08 0,39 0,23

37
Também deve ser calculado o vetor de prioridade referente a matriz de comparação par-a-par das critérios.
Abaixo é apresentado esse vetor calculado utilizando o Método da Média Geométrica.
C Aprendizagem Suporte Aquisição

Aprendizagem 1 3 3
Suporte 1/3 1 2
Aquisição 1/3 1/2 1
 1 3 3 0,59
C  1 / 3 1 2 pc  0,25
 
1 / 3 1 / 2 1   0,16 

38
Método AHP
Etapa 5: Agregação das Prioridades
Elabora-se a Matriz de Pontuações (P ) a partir da união dos vetores de prioridade (pi ).
  
p1 p2 pn
 p11 p21  p1n 

p p22 
 p2 n 
P  12 m = número de alternativas
    p3n  n = número de critérios
 
 p1m p2 m  pmn 

39
 0,61  0,51 0,08

p1   0,31
 
p2   0,10 
 
p3  0,69
 
0,08 0,39 0,23
 0,61 0,51 0,08

P   0,31 0,10 0,69
0,08 0,39 0,23

40
Método AHP

Calcula-se o vetor de prioridades global g , pela multiplicação da Matriz de Pontuações com o vetor de
prioridade dos critérios.
 
g  P  pc
Após o cálculo do vetor de prioridades global, ordena-se as alternativas e obtendo-se o ranking final.

41

Abaixo é apresentado cálculo do vetor de prioridades global g , pela multiplicação da Matriz de Pontuações
com o vetor de prioridade dos critérios:
 
g  P  pc
 0,61 0,51 0,08 0,59 0,50

g   0,31 0,10 0,69  0,25
 
g  0,32
 
0,08 0,39 0,23  0,16   0,18 
Resultado: a1 ≻ a2 ≻ a3 Resultado: SAP ≻ ERP5 ≻ MaxiProd (MP)

42
Método AHP
Exemplo ilustrativo 2: Seleção de fornecedores
Em um processo de seleção de fornecedores, foram consideradas duas alternativas (a1 e a2) e os critérios
utilizados foram qualidade (c1) e custos (c2).
Para melhorar a acurácia dos julgamentos, o critério qualidade foi avaliado através dos subcritérios:
• Suporte (c11): representa os meios e facilidades disponíveis para resolver problemas de fornecimento.
• Prazo de entrega (c12): consiste no tempo decorrido entre o pedido e a entrega dos produtos.
• Especificações (c13): representa a resistência e durabilidade dos produtos descritos nas
especificações do fornecedor.
O critério custos foi avaliado por meio dos subcritérios:

• Custo de aquisição (c21): Valor monetário pago por unidade, considerando ordens de compra de
1000 unidades.
• Frete (c22): Valor monetário de transporte de cada ordem de compra, do fornecedor até a fábrica.

43
Etapa 1: Hierarquização do problema
Objetivo
c1 c2
c11 c12 c13 c21 c22
a1 a2

44
Suporte (c11)
Objetivo A11 a1 a2
a1 1 1/4
Comparação das alternativas

a2 4 1
c1 c2
Prazo de entrega (c12)
A12 a1 a2
a1 1 5
c11 c12 c13 c21 c22
a2 1/5 1
Especificações (c13)
A13 a1 a2
a1 a2 a1 1 1/3
a2 3 1

45
Objetivo
Comparação entre
c1 c2 critérios (C1)
C1 c11 c12 c13
c11 1 1 3
c11 c12 c13 c21 c22 c12 1 1 2
c13 1/3 1/2 1
a1 a2

46
Resultados do cálculo de max , IC e RC para as matrizes de decisão da hierarquia de c1:
Matriz max IC RC
A11 2,000 0 0
A12 2,000 0 0
A13 2,000 0 0
C1 3,018 0,01 0,02
A Razão de Consistência foi menor que 0,10 para todas as matrizes, então pode-se prosseguir para as etapas
seguintes.

47

1. Método do Autovetor vi
pi 

n
Matrizes de decisão
Autovetores obtidos
no software R
i
v
i 1
Vetores de
prioridade
1 1 / 4   0,24  0,20
A11    v11    p11   
 4 1   0,97   0,80 
 1 5  0,98  0,84
A12    v12    p12   
1 / 5 1   0,19   0,16 
1 1 / 3  0,32  0,25
A13    v13    p13   
3 1   0,95   0,75 

48
1. Método do Autovetor 
vi
pi 

n
Matriz de decisão
Autovetor obtido no
software R
i
v
i 1
Vetor de prioridade
 1 1 3 0,72 0,44
C1   1 1 2 v1  0,63
 
p1  0,39 
 
1 / 3 1 / 2 1  0,28  0,17 

49
Elaboramos a Matriz de Pontuações (P1) a partir da união dos vetores de prioridade p11, p12 e p13.
 0,20  0,84  0,25

p11    p12    p13   
 0,80   0,16   0,75 
0,20 0,84 0,25

P1   
 0,80 0,16 0,75 

50

Calcula-se o vetor de prioridades g1 , pela multiplicação da Matriz de Pontuações P1 com o vetor de
prioridade p1 :
 
g1  P1  p1
0,44
 0,20 0,84 0,25    0,46
g1   
  0,39  g1   
 0,80 0,16 0,75   0,17   0,54 
 

51
Objetivo
Custo de aquisição (c21)
Comparação das alternativas

A21 a1 a2
c1 c2 a1 1 1/6
a2 6 1
c11 c12 c13 c21 c22 Frete (c22)

A22 a1 a2
a1 1 7
a2 1/7 1
a1 a2

52
Objetivo
Comparação entre
c1 c2
critérios (C2)
C2 c1 c2
c1 1 2
c11 c12 c13 c21 c22 c2 1/2 1
a1 a2

53
Resultados do cálculo de max , IC e RC para as matrizes de decisão da hierarquia de c2:
Matriz max IC RC
A21 2,000 0 0
A22 2,000 0 0
C2 2,000 0 0
seguintes.

54

1. Método do Autovetor vi
pi 

n
Matrizes de decisão
Autovetores obtidos
no software R
i
v
i 1
Vetores de
prioridade
1 1 / 6   0,16    0,14 
A21    v21    p21   
 6 1   0,99   0,86 
 1 7  0,99  0,88
A22    v22    p22   
1 / 7 1   0,14   0,12 
 1 2  0,89   0,66
C2    v2    p2   
1 / 2 1   0, 45  0,34 

55
Elabora-se a Matriz de Pontuações (P2) a partir da união dos vetores de prioridade p21 e p22.
  0,14   0,88
p21   p22   
  0,12 
 0,86 
 0,14 0,88
P2   
 0,86 0,12 

56

Calcula-se o vetor de prioridades g 2 , pela multiplicação da Matriz de Pontuações P2 com o vetor de
prioridade p2 :
 
g 2  P2  p2
  0,14 0,88 0,66  0,39

g2      g2   
 0,86 0,12   0,34   0,61

57
Objetivo
Comparação entre
c1 c2 critérios (C1)
C c1 c2
c1 1 3
c2 1/3 1
c11 c12 c13 c21 c22
a1 a2

58
Resultados do cálculo de max , IC e RC para a matriz de decisão C:
Matriz max IC RC
C 2,000 0 0
seguintes.

59

vi
pi  n

Matriz de decisão
Autovetor obtido no
software R
 vi
i 1
Vetor de prioridade
 1 3  0,95  0,75
C  v  p 
1 / 3 1  0,32   0, 25

60
Elabora-se a Matriz de Pontuações (P) a partir da união dos vetores de prioridade g1 e g2.
 0,46  0,39
g1   g2   
  0,61
 0,54 
0,46 0,39
P 
 0,54 0,61

61

Calcula-se o vetor de prioridades global g , pela multiplicação da Matriz de Pontuações P com o vetor de
prioridade p :
 
g  P p
 0,46 0,39 0,75  0,44

g    g 
 0,54 0,61  0, 25  0,56 
Resultado: a2 ≻ a1 Recomenda-se a escolha da alternativa a2.

62
Método AHP
Axiomas
Axiomas para o uso do Método AHP:
• Axioma 1: Comparações recíprocas – os elementos comparados 2 a 2 pelo decisor devem

satisfazer a condição de reciprocidade: se A é três vezes mais preferido que B, B será 1/3 vezes
mais preferido que A.
• Axioma 2: Homogeneidade – os elementos de um mesmo nível hierárquico devem possuir o

mesmo grau de importância dentro do seu nível.
• Axioma 3: Independência – os elementos de um nível da hierarquia devem ser mutuamente

excludentes entre si, e quando comparados par a par pelos decisores, os pesos dos critérios
devem ser independentes das alternativas.
• Axioma 4: Exaustividade – assume-se que a hierarquia do problema de decisão está

completa, ou seja, contém todos os critérios e alternativas relativos ao problema.

63
Método AHP
Informações adicionais
Periódico sobre AHP:

International Journal of the Analytic Hierarchy Process
https://www.ijahp.org/
Software:
Super Decisions
http://www.superdecisions.com/

64
Referências
• CRAWFORD, G.; WILLIAMS, C. A note on the analysis of subjective judgment matrices. Journal of Mathematical
Psychology, v. 29, n. 4, p. 387–405, 1985.
• SAATY, T. A scaling method for priorities in hierarchical structures. Journal of Mathematical Psychology, vol. 15, n. 3, p.
234-281, 1977.
• SAATY, T. The analytic hierarchy process. New York: McGraw-Hill, 1980.
• SAATY, T. L.; OZDEMIR, M. S. Why the magic number seven plus or minus two. Mathematical and Computer Modelling,
v. 38, p. 233–244, 2003.

65

Slides - AHP

Uploaded by

Copyright:

Available Formats

Slides - AHP

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Slides - AHP

Uploaded by

Copyright:

Available Formats

Processos Decisórios

Ordem de Chegada em uma Corrida

Tempo de Chegada em uma Corrida

Ele é baseado na Teoria da Medição Relativa (do inglês Relative Measurement

Nesta teoria, não é necessária a medida exata do desempenho de cada

Os cálculos são realizados usando a diferença relativa de uma alternativa sobre

Prof. Tiago José Menezes Gonçalves

Um Enterprise Resource Planning (ERP) é um investimento que pode

Um ERP deve apoiar os objetivos e estratégias de uma empresa. A

Prof. Tiago José Menezes Gonçalves

Considere também as alternativas abaixo:

Prof. Tiago José Menezes Gonçalves

Nesta etapa realiza-se o entendimento e hierarquização do problema de decisão.

Prof. Tiago José Menezes Gonçalves

Passo 2: Coleta de julgamentos e construção das matrizes de decisão.

Escala Fundamental de Saaty

Prof. Tiago José Menezes Gonçalves

Obs: Limite psicológico 7+/- 2

Prof. Tiago José Menezes Gonçalves

Prof. Tiago José Menezes Gonçalves

C Aprendizagem Suporte Aquisição

Prof. Tiago José Menezes Gonçalves

Nesta etapa realiza-se a checagem de consistência dos julgamentos par-a-par.

Prof. Tiago José Menezes Gonçalves

aij = aik ⋅ akj

Em relação aos julgamentos do decisor, suponha que ele prefira:

• Maçã 3x mais que uma laranja (a12 = 3);

Prof. Tiago José Menezes Gonçalves

Regra de Transitividade: Exemplo ilustrativo com frutas

Maçã Laranja Banana

Prof. Tiago José Menezes Gonçalves

Maçã Laranja Banana

Prof. Tiago José Menezes Gonçalves

Calcula-se o Índice de Consistência (IC) com base no autovalor principal:

Prof. Tiago José Menezes Gonçalves

Em seguida, calcula-se a Razão de Consistência (RC):

Caso RC < 10% a matriz apresenta consistência aceitável.

Matrizes de ordem menor que três são sempre consideradas consistentes.

Prof. Tiago José Menezes Gonçalves

Cálculo dos autovalores  :

Cálculo dos autovalores  :

Para encontrar os autovalores de matriz Anxn , temos resolver o sistema:

Prof. Tiago José Menezes Gonçalves

Exemplo: Cálculo de autovalores de uma matriz E2x2:

Prof. Tiago José Menezes Gonçalves

Exemplo: Cálculo de autovalores de uma matriz E2x2:

Prof. Tiago José Menezes Gonçalves

Prof. Tiago José Menezes Gonçalves

Prof. Tiago José Menezes Gonçalves

Prof. Tiago José Menezes Gonçalves

Checando a consistência de A1 (Facilidade de aprendizagem ):

Índice de Consistência (IC): Razão de Consistência (RC):

Prof. Tiago José Menezes Gonçalves

Revendo os julgamentos da Matriz A1 (Facilidade de aprendizagem ):

O decisor refez seus julgamentos conforme a matriz abaixo:

Prof. Tiago José Menezes Gonçalves

Resultados do cálculo de max , IC e RC para todas as matrizes de decisão:

Prof. Tiago José Menezes Gonçalves

O cálculo de vetores de prioridade pode ser realizado utilizando-se diferentes métodos:

2. Método da Soma Normalizada