Académique Documents
Professionnel Documents
Culture Documents
1. Introdução:
A Análise Multicritério vem sendo utilizada como importante ferramenta quando se
dispõe de vários critérios de análise, bem como quando se incorporam variáveis de difícil
mensuração. Em geral, os critérios considerados são conflitantes e suas respectivas
importâncias não são facilmente determinadas. Neste sentido, o método Analytic Hierarchy
Process - AHP é uma poderosa e flexível ferramenta de tomada de decisão que sistematiza a
definição dos pesos desses critérios. Neste trabalho é apresentada e discutida uma aplicação
desse método utilizando na matriz de entrada do sistema, números fuzzy triangulares.
2. Método AHP
O Método Analítico Hierárquico, do inglês Analytic Hierarchy Process – AHP, foi
desenvolvido por Thomas L. Saaty na década de 70. O AHP foi desenhado para refletir a
maneira como as pessoas pensam, ou seja, identificando objetos e idéias e também as relações
entre eles, com o objetivo de decompor a complexidade encontrada. Tem como base a
representação de um problema complexo através de uma estruturação hierárquica, que
consiste da definição do objetivo global e decomposição do sistema em vários níveis, o que
possibilita a visualização do sistema como um todo e seus componentes.
A construção de uma hierarquia dependerá dos objetivos escolhidos para decompor a
complexidade daquele sistema. O objetivo principal deve estar no primeiro nível da
hierarquia; os sub-objetivos, num nível abaixo; em seguida, os critérios e, finalmente, as
alternativas. A estrutura de uma hierarquia simples é mostrada na figura 1.
Deseja-se encontrar a influência que cada alternativa exerce sobre cada um dos
critérios utilizados. Deve-se, também, verificar qual é a influência que cada critério exerce
sobre o objetivo geral. Desta forma, pode-se então determinar qual é o poder de cada
alternativa sobre o objetivo geral, gerando uma escala de importância dessas alternativas.
1
Graduanda do curso de Matemática –Unicentro – Guarapuava – e-mail:deboraferrodesouza@yahoo.com.br
2
Graduanda do curso de Matemática – Unicentro – Guarapuava – e-mail:tatianyvieira22@hotmail.com
3
MSc -UNICENTRO – Guarapuava-Pr - e-mail: mrlopes@unicentro.br
4
MSc -UNICENTRO – Guarapuava-Pr - e-mail: reinaldo@unicentro.br
104
Para medir os impactos que os elementos do nível mais baixo exercem sobre o
objetivo geral, comparam-se os pares de alternativas disponíveis, com relação a cada critério
utilizado. Também, os critérios são comparados par-a-par, de acordo com sua importância
para atingir o objetivo geral.
Tal comparação pode ser fundamentada em uma escala de intensidade de importância,
com valores variando entre 1 e 9, segundo SAATY [1]. O valor 1 é designado quando as duas
alternativas comparadas contribuem igualmente para o objetivo, o valor 3, quando uma
alternativa é considerada fracamente mais importante que a outra, segundo o critério
considerado, e assim sucessivamente.
Se uma alternativa Ai tem um valor de importância em comparação à alternativa Aj,
então Aj terá o valor recíproco quando comparada com Ai.
105
w1 w1 w1
w ...
w2 wn w1 w1
1
w2 w2 w2 w w
... 2 2
w1 w2 wn
. = n.
... ... ...
... ... ...
w
wn wn
n
wn
... wn
w1 w2 wn
ou seja, A.w = n.w . (1)
Assim sendo, a busca do vetor de pesos das alternativas é equivalente à resolução da
equação acima, o que significa encontrar o autovetor w de A, associado ao autovalor n.
Além de ser recíproca, pode-se verificar facilmente que a matriz A é irredutível5, já
que não possui elementos nulos. Pelo Teorema de Perron-Frobenius, se A é uma matriz
irredutível, com todos os elementos aij não-negativos, então existe um número real positivo
λ1 satisfazendo as seguintes propriedades:
(i) Existe um vetor real v, com todos os elementos positivos, tal que Av= λ1 v;
(ii) λ1 possui multiplicidade algébrica e geométrica 1;
(iii)Para cada autovalor λi de A, λi ≤ λ1 .
Estes resultados garantem a existência de solução para a equação(1), ou seja, do vetor
de pesos procurado.
Pode-se verificar que todas as linhas da matriz A são combinações lineares da
primeira. Assim, todos os autovalores de A serão nulos, exceto um. Como os elementos da
diagonal principal de A, aii são iguais a um e o somatório dos autovalores é igual ao traço da
matriz, o autovalor não nulo será o valor n (λ1+λ2+...+λn=λ1=n).
Se os coeficientes a ij de uma matriz positiva recíproca sofrem pequenas perturbações,
então os autovalores sofrem também pequenas perturbações6. No caso em que a equação (1)
se verifica inicialmente, essas pequenas perturbações fazem com que o maior autovalor
permaneça próximo de n e os demais, próximos de zero. SAATY [1] demonstra que se A é
uma matriz positiva e recíproca, então λ max ≥ n.
Essas perturbações podem ser consideradas pela forma geral a ij = (wi / w j )ε ij . A
consistência ocorrerá quando ε ij = 1.
n
∑λ i n
Define-se µ = − i =2
n −1
, e como ∑λ
i =1
i = n , tem-se:
λ max − n
µ= ; λ max ≡ λ1
n −1
o índice de consistência (IC) que avalia se os julgamentos efetuadas são perfeitamente
relacionados.
A consistência de uma matriz recíproca positiva ocorrerá quando o seu autovalor
máximo for igual a n. Para estimar a diferença entre estes valores usa-se o quociente
5
Uma matriz quadrada A é chamada de redutível se existir uma matriz de permutação P tal que
A11 A12
PTAP=
A22
. Uma matriz quadrada que não é redutível é chamada de irredutível. Uma matriz de
0
permutação é qualquer matriz que pode ser criada a partir de permutações de linhas e/ou colunas de uma matriz
identidade.
6
Esta observação não é válida para matrizes positivas em geral, apenas para matrizes positivas recíprocas,
conforme SAATY [1].
106
(λ max − n ) / (n − 1) . Uma medida de consistência pode ser estimada comparando-se esse valor
com a mesma razão calculada de uma matriz recíproca de julgamentos gerados
aleatoriamente, de mesma ordem. Esta medida é chamada de razão de consistência (RC), dada
por:
IC
RC = , sendo IR o índice randômico.
IR
Uma tabela com o índice randômico para matrizes de ordem 1 até 15 é dada a seguir
conforme apresentada em Saaty [1]:
ORDEM 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
IR 0 0 0,58 0,90 1,12 1,24 1,32 1,41 1,45 1,49 1,51 1,48 1,56 1,57 1,59
u11
u
12
OBJETIVO GERAL M
u1 p
v11 v11 v p1
v v v
12 12 p2
M M M
CRITÉRIO 1 CRITÉRIO 2 ... CRITÉRIO p
v1n v1n v pn
107
x−l
m − l se x ∈ [l, m]
x−u
µ ( x) = se x ∈[m, u]
m − u em que m é o valor modal e l (lower) e u (upper) os
0 cc
e (3)
l1 − u 2
V (M 2 ≥ M 1 ) = µ (d ) = hgt ( M 1 ∩ M 2 ) =
(m 2 −u 2 ) − (m 1 −l1 )
µ ( x)
M2 M1
l2 m2 l1 u2 m1 u1
Figura 2: Comparação M 1 e M 2
3. Estudo de Caso
108
3.1 Seleção de candidatos para o cargo de vendedor
Para ilustrarmos este trabalho aplicamos o método AHP, em um exemplo de seleção de
candidatos a uma vaga de vendedor de loja, sendo consideradas as características pessoais dos
candidatos e que já possua experiência profissional no ramo (problema representado na figura
3). As características pessoais (critérios) consideradas, bem como o significado de cada uma
são definidas a seguir:
Nesta etapa, foram ouvidas as opiniões de duas pessoas que realizaram as entrevistas,
e os valores das comparações par a par construídos segundo a escala Saaty. Na tabela 1
podemos observar a matriz de comparação entre os critérios sendo levado em consideração a
relevância de um critério sobre o outro.
109
(0.38, 0.5, 0.71) (2.5, 3, 3.5) (0.66, 1, 2)
C3 (0.5, 1, 1.5) (0.38, 0.5, 0.71) (1,1,1) (0.62, 1, 2.5)
S1= (3.86, 5.25, 9.38) (1/27.73, 1/18.59, 1/13.57) = (0.14, 0.28, 0,70)
S2= (3.79, 4.67, 6.02) (1/27.73, 1/18.59, 1/13.57) = (0.14, 0.25, 0.45)
S3= (2.17, 3.17, 4.88) (1/27.73, 1/18.59, 1/13.57) = (0.08, 0.17, 0.36)
S4= (3.55, 5.5, 7.45) (1/27.73, 1/18.59, 1/13.57) = (0.13, 0.30, 0.56)
E finalmente tirando o mínimo das comparações de cada critério com os outros dois
critérios, temos:
Através da normalização, obtivemos o peso dos vetores com seus respectivos critérios
C1, C2, C3 e C4:
110
WC= (0.28, 0.25, 0.18, 0.29)
S1= (1.89, 2.25, 3.39) (1/13.99, 1/10.67, 1/8.26)= (0.14, 0.21, 0.41)
V(S1≥S2)=0.26 V(S1≥S3)=0.81
V(S2≥S1)=1 V(S2≥S3)=1
V(S3≥S1)=1 V(S3≥S2)=0.40
111
Logo w = (0.16, 0.6, 0.24)
V(S1≥S2)=0.54 V(S1≥S3)=0.97
V(S2≥S1)=1 V(S2≥S3)=1
V(S3≥S1)=1 V(S3≥S2)=0.39
112
Logo w = (0.28, 0.52, 0.2)
S1= (2.17, 2.75, 4.39) (1/13.82, 1/1017, 1/ 7.65) = (0.16, 0.27, 057)
S2= (3.25, 4.5, 5.55) (1/13.82, 1/1017, 1/ 7.65) = (0.24, 0.44, 0.75)
S3= (2.23, 2.92, 3.68) (1/13.82, 1/1017, 1/ 7.65) = (0.16, 0.29, 0.48)
V(S1≥S2)=0.66 V(S1≥S3)=0.95
V(S2≥S1)=1 V(S2≥S3)=1
V(S3≥S1)=1 V(S3≥S2)=0.62
113
Tabela 9: matriz de comparação (critério habilidade para ouvir)
A1 A2 A3
A1 (1, 1, 1) ( 0.34, 0.5, 091) (0.29, 0.33, 0.4)
S1= (1.82, 2.17, 3.33) (1/12.92, 1/10.42, 1/7.84)= (0.14, 0.21, 0.42)
S3= (3.37, 4.25, 5.54) (1/12.92, 1/10.42, 1/7.84)= (0.26, 0.41, 0.71)
V(S1≥S2)=0.55 V(S1≥S3)=0.44
V(S2≥S1)=1 V(S2≥S3)=0.9
V(S3≥S1)=1 V(S3≥S2)=1
Nesta etapa é comparado os candidatos com os critérios (usando cada w calculado nas
etapas acima).
114
WC= (0.28, 0.25, 0.18, 0.29) (obtido nas comparações entre os critérios)
Fazendo:
4. Resultados e discussão
A finalidade deste trabalho foi estudar a teoria e as definições do método AHP-
FUZZY, bem como foi possível diante das aplicações vistas e estudadas aplicar este método
na seleção de candidatos para o cargo de vendedor, onde foi verificado que o candidato A2 é
a pessoa mais apta a exercer esta função.
5 Referências Bibliográficas
[1] SAATY, T. The Analytic Hierarchy Process. McGraw Hill, New York, 1980.
[2] Chang D.Y., Applications of the extent analysis method on fuzzy AHP, European Journal
of Operation Research,Volume 95, Number 3, 1996.
115