Metoda A nalitičkih Hijerarhijskih Procesa (AHP) Direktno merenje ili ocenjivanje vrednosti alternativa za neki kriterijum može predstavljati veliki problem u procesu donošenja odluka jer su takve vrednosti vrlo osetljive na promene i kao takve nisu precizne. Pored toga DO, iz psiholoških razloga, ne može da poredi veliki broj alternativa istovremeno. Uzmimo za primer ocenjivanje univerziteta i kriterijum kvalitet nastave. Direktnom procenom na skali od 1 do 5 DO bi došao do vrednost i prikazanih u tabeli ispod. Ukoliko bi se jedna vrednost promenila, npr. London School of Economics na 6, vrednosti unutar matrice odlučivanja bi se značajno promenile. Međutim, da li alternative koje imaju identične vrednosti u potpunosti oslikavaju preferencije DO? Takođe, da li ocene na jednoj skali oslikavaju preferencije DO? Alternativa Direktna ocena Norm. Ocena Norm. ocena nakon promene FON 3 0,17 0,16 Politecnico di Milano 3 0,17 0,16 London School of Economics 5 (6) 0,28 0,32 Wharton 5 0,28 0,26 Mega 2 0,11 0,11 Uočeno je da čovek ne može da ocenjuje veći broj alternativa na jednoj skali, odnosno da ne može precizno da vrši procenu. Zbog toga, predloženo je poređenje u parovima. Takođe, uočeno je da skala koja je dovoljno precizna je skala od 1 do 9 (Likertova ili Satijeva skala). Drugim rečima, manja skala nije dovoljna da iskaže razlike između alternativa, dok veća skala otežava DO da iskaže razlike. Poređenje alternativa u parovima po nekom kriterijumu se vrši u matricama procene. Popunjavanje matrice procene se vrši tako što DO dodeljuje vrednosti od 1 do 9 čime vrši poređenje alternativa. Vrednost 1 predstavlja jednaku preferenciju između alternativa koje se porede, dok vrednost 9 predstavlja ekstremnu preferenciju alternative u odnosu na drugu alternativu. Kako DO procenjuje preferencije, nije bitno kojeg je tipa ekstremizacije određeni kriterijum, tj. DO dodeljivanjem vrednosti vrši poređenje alternativa relacijom „ bolje od“ ili „preferiram“. Primenom ovakvog načina ocenjivanja alternativa uvodi se maksimalna subjektivnost DO u proces odlučivanja, bez eksplicitnog definisanja funkcije preferencije. Prilikom popunjavanja matrice procene potrebno je popuniti samo gornji (ili donji) trougaoni deo matrice. Na glavnoj dijagonali se nalazi vrednost 1 (DO je uvek indiferentan kada poredi alternativu sa samom sobom). Ostatak matrice će se popuniti recipročnim vrednostima (pravilo reciprociteta, tj. ). Na taj način obezbeđuje se recipročnost ocena (). Vrednosti u matrici procene koje su prikazane u zagradama predstavljaju recipročne vrednosti tog broja, tj. (5) predstavlja . Prilikom popunjavanja matrice procene DO treba da vodi računa o svojim ocenama, tj. treba da poštuje pravilo tranzitivnosti, koje glasi .
15
Embed
Metoda Analitičkih Hijerarhijskih Procesa (AHP)odlucivanje.fon.bg.ac.rs/wp-content/uploads/AHP.pdfje da skala koja je dovoljno precizna je skala od 1 do 9 (Likertova ili Satijeva
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
Metoda Analitičkih Hijerarhijskih Procesa (AHP)
Direktno merenje ili ocenjivanje vrednosti alternativa za neki kriterijum može predstavljati veliki
problem u procesu donošenja odluka jer su takve vrednosti vrlo osetljive na promene i kao
takve nisu precizne. Pored toga DO, iz psiholoških razloga, ne može da poredi veliki broj
alternativa istovremeno. Uzmimo za primer ocenjivanje univerziteta i kriterijum kvalitet nastave.
Direktnom procenom na skali od 1 do 5 DO bi došao do vrednosti prikazanih u tabeli ispod.
Ukoliko bi se jedna vrednost promenila, npr. London School of Economics na 6, vrednosti unutar
matrice odlučivanja bi se značajno promenile. Međutim, da li alternative koje imaju identične
vrednosti u potpunosti oslikavaju preferencije DO? Takođe, da li ocene na jednoj skali oslikavaju
preferencije DO?
Alternativa Direktna ocena Norm. Ocena Norm. ocena nakon
promene
FON 3 0,17 0,16
Politecnico di Milano 3 0,17 0,16
London School of Economics 5 (6) 0,28 0,32
Wharton 5 0,28 0,26
Mega 2 0,11 0,11
Uočeno je da čovek ne može da ocenjuje veći broj alternativa na jednoj skali, odnosno da ne
može precizno da vrši procenu. Zbog toga, predloženo je poređenje u parovima. Takođe, uočeno
je da skala koja je dovoljno precizna je skala od 1 do 9 (Likertova ili Satijeva skala). Drugim
rečima, manja skala nije dovoljna da iskaže razlike između alternativa, dok veća skala otežava
DO da iskaže razlike.
Poređenje alternativa u parovima po nekom kriterijumu se vrši u matricama procene.
Popunjavanje matrice procene se vrši tako što DO dodeljuje vrednosti od 1 do 9 čime vrši
poređenje alternativa. Vrednost 1 predstavlja jednaku preferenciju između alternativa koje se
porede, dok vrednost 9 predstavlja ekstremnu preferenciju alternative u odnosu na drugu
alternativu. Kako DO procenjuje preferencije, nije bitno kojeg je tipa ekstremizacije određeni
kriterijum, tj. DO dodeljivanjem vrednosti vrši poređenje alternativa relacijom „bolje od“ ili
„preferiram“. Primenom ovakvog načina ocenjivanja alternativa uvodi se maksimalna
subjektivnost DO u proces odlučivanja, bez eksplicitnog definisanja funkcije preferencije.
Prilikom popunjavanja matrice procene potrebno je popuniti samo gornji (ili donji) trougaoni
deo matrice. Na glavnoj dijagonali se nalazi vrednost 1 (DO je uvek indiferentan kada poredi
alternativu sa samom sobom). Ostatak matrice će se popuniti recipročnim vrednostima (pravilo
reciprociteta, tj.
). Na taj način obezbeđuje se recipročnost ocena ( ).
Vrednosti u matrici procene koje su prikazane u zagradama predstavljaju recipročne vrednosti
tog broja, tj. (5) predstavlja
. Prilikom popunjavanja matrice procene DO treba da vodi
računa o svojim ocenama, tj. treba da poštuje pravilo tranzitivnosti, koje glasi .
Ipak, u realnim primenama primećeno je da DO često ne poštuje konzistentnost u ocenjivanju
(pravilo tranzitivnosti) te je potrebno meriti stepen odstupanja od idealne konzistentosti. Kod
metode AHP se ova osobina meri indeksom nekonzistentnosti (biće objašnjena u nastavku
teksta)
Za primer ocene kvaliteta nastave DO je popunio sledeću matricu procene (za popunjavanje
matrice procene pogledati predavanja).
FON Milano LSE Wharton Megatrend
FON 1 3 (5) (3) 5
Milano 1 (7) (5) 4
LSE 1 2 9
Wharton 1 7
Megatrend 1
Nakon popunjavanja preostalih vrednosti dobija se sledeća matrica (recipročne vrednosti su
prikazane u stvarnim vrednostima). Prvi korak u oceni alternativa u AHP metodi je
normalizacija. Koristi se L1 normalizacija, te ćemo izračunati sumu po kolonama. Zatim ćemo
svaku vrednost podeliti sa odgovarajućom sumom (sumom kolone u kojoj se vrednost nalazi).
FON Milano LSE Wharton Megatrend
FON 1 3 0,2 0,333 5
Milano 0,333 1 0,143 0,2 4
LSE 5 7 1 2 9
Wharton 3 5 0,5 1 7
Megatrend 0,2 0,25 0,111 0,143 1
Sum 9,533 16,25 1,954 3,676 26
Dobijamo sledeću matricu procene. Zatim računamo prosečnu vrednost po redu (alternativi)
koja nam predstavlja ocenu DO za zadati kriterijum, odnosno na ovom primeru ocenu kvaliteta
nastave na različitim fakultetima/univerzitetima. Ovako dobijena ocena se može tumačiti kao
prosečna preferencija jedne alternative u odnosu na ostale (analogno pozitivnom toku u
Promethee metodi).
FON Milano LSE Wharton Megatrend AVG
FON 0,105 0,185 0,102 0,091 0,192 0,135
Milano 0,035 0,062 0,073 0,054 0,154 0,076
LSE 0,524 0,431 0,512 0,544 0,346 0,471
Wharton 0,315 0,308 0,256 0,272 0,269 0,284
Megatrend 0,021 0,015 0,057 0,039 0,038 0,034
Ovakvim pristupom dobijamo preciznija i stabilnija rešenja. Preciznija su jer je vršeno poređenje
u parovima, a stabilnija su zato što mala promena u vrednostima neće izazvati velike promene u
konačnim ocenama. Ukoliko bi promenili jednu procenu, npr. da je FON bolji od Megatrenda za
6, promenila bi se recipročna vrednost a krajnja ocena bi se promenila za veoma malu vrednost.
Takođe, AHP omogućava ocenjivanje alternativa kod nejasnih i veoma subjektivnih kriterijuma.
Za svaku matricu procene se računa indeks nekonzistentnosti, koji predstavlja koliko je DO
dobro popunjavao matricu procene, tj. koliko je poštovao princip tranzitivnosti. Za računanje i
tumačenje indeksa nekonzistentnosti pogledati predavanja i knjigu.
Primer:
Na konkurs za posao za media planera prijavio se veliki broj kandidata. Nakon inicijalnog
intervjua ostalo je samo tri kandidata (nakon konjuktivne metode). To su Marko, Olivera i
Jovana. Potrebno je izabrati jednog kandidata, a kriterijumi su znanje, utisak i iskustvo. Iako su
kriterijumi kao što su znanje i iskustvo direktno merljivi, njima se može pristupiti poređenjem u
parovima kako bi se iskazale preferencije DO prema određenim vrednostima.
Prema znanju DO je popunio sledeću matricu procene. Prvi korak je normalizacija matrice
procene, te računamo sumu po kolonama i delimo svaku vrednost iz matrice procene sa sumom
kolone u kojoj se ta vrednost nalazi.
Znanje Marko Olivera Jovana
Marko 1 3 6
Olivera (3) 1 2
Jovana (6) (2) 1
Sum 1,5 4,5 9
Nakon normalizacije dobijamo sledeću matricu procene. Računanjem prosečne vrednosti po
redu dobijamo ocenu kandidata po znanju.
Znanje Marko Olivera Jovana AVG
Marko 0,667 0,667 0,667 0,667
Olivera 0,222 0,222 0,222 0,222
Jovana 0,111 0,111 0,111 0,111
Ukoliko bi pogledali dobijene ocene i uporedili sa inicijalnim ocenam DO videli bi da dobijene
ocene u potpunosti preslikavaju odnose koje je DO popunio u matricu procene, tj. preferencija
između Marka i Jovane je 6, a odnos ocena između Marka i Jovane je tačno 6. Ovo je indikator
da je matrica savršeno konzistentna.
Prema utisku DO je popunio sledeću matricu procene.
Utisak Marko Olivera Jovana
Marko 1 1 (3)
Olivera 1 1 (2)
Jovana 3 2 1
Sum 5 4 1,833
Istim postupkom dobijamo sledeće ocene.
Utisak Marko Olivera Jovana AVG
Marko 0,2 0,25 0,182 0,211
Olivera 0,2 0,25 0,273 0,241
Jovana 0,6 0,5 0,545 0,548
Na kraju DO popunjava matricu procene za iskustvo.
Iskustvo Marko Olivera Jovana
Marko 1 (2) 2
Olivera 2 1 5
Jovana (2) (5) 1
Sum 3,5 1,7 8
Istim postupkom dobijamo sledeće ocene.
Iskustvo Marko Olivera Jovana AVG
Marko 0,286 0,294 0,25 0,277
Olivera 0,571 0,588 0,625 0,595
Jovana 0,143 0,188 0,125 0,129
Kako bi mogli da donesemo konačnu odluku ko je najprikladniji kandidat potrebno je još oceniti
vrednosti pondera. Stoga, na isti način kao i za alternative, računamo ocenu pondera.
Izbor kandidata Znanje Utisak Iskustvo
Znanje 1 2 (2)
Utisak (2) 1 3
Iskustvo 2 (3) 1
Sum 3,5 3,333 4,5
Istima postupkom dobijamo sledeće ocene.
Izbor kandidata Znanje Utisak Iskustvo AVG
Znanje 0,286 0,333 0,273 0,297
Utisak 0,143 0,167 0,182 0,164
Iskustvo 0,571 0,5 0,545 0,539 Kada smo izračunali sve ocene možemo da ih stavimo u matricu odlučivanja.
Znanje Utisak Iskustvo
Marko 0,667 0,211 0,277
Olivera 0,222 0,241 0,595
Jovana 0,111 0,548 0,129
Ponderi 0,297 0,164 0,539
Konačnu odluku koja alternativa je najbolja za posmatrani problem dobijamo otežanom sumom
(aditivnim težinama). Bitno je napomenuti da nema potrebe za daljom normalizacijom matrice
jer su sve vrednosti već normalizovane na istu skalu.
Odavde zaključujemo da je alternativa A2 najprihvatljivija alternativa.
AHP preko sopstvenih vrednosti
Vektor težina kriterijuma/alternativa se dobija rešavanjem sledeće jednačine:
gde je matrica procene, vektor težina (prioriteta), a vektor sopstvenih vrednosti matrice procene.
Koraci AHP metode preko sopstvenih vrednosti su:
1. Vektorski pomnožiti matricu procene sa samom sobom, odnosno ,
2. Sabrati vrednosti kolona i uraditi normalizaciju,
3. Izračunati prosek reda (prva aproksimacija prioriteta), i
4. Ponavljati korake 1 i 2 do konvergencije prioriteta.
Primer:
Metodom sopstvenih vrednosti odrediti prvu i drugu aproksimaciju prioriteta matrice procene (matrica
procene je identična kao u prvom primeru).
K1 K2 K3
K1 (2) 2
K2 3
K3
Dobijanje prioriteta prve aproksimacije je prikazan u prvom primeru (aproksimativno rešavanje AHP
metode). Postupak je prikazan ispod.
K1 K2 K3 K1 K2 K3 K1 K2 K3
K1 (2) 2 ⇒ K1 1 0.5 2 ⇒ K1 1 0.5 2
K2 3 K2 2 1 3 K2 2 1 3
K3 K3 0.5 0.33 1 K3 0.5 0.33 1
L1 3.5 1.83 6
K1 K2 K3 Aritmetička sredina
K1 0.286 0.273 0.333 ⇒ K1 0.297
K2 0.571 0.545 0.500 K2 0.539
K3 0.143 0.182 0.167 K3 0.164
Da bi se dobila druga aproksimacija, potrebno je vektorski pomnožiti matricu procene sa samom sobom.
Ovaj korak će uvek biti moguć jer su matrice kvadratne i će rezultat će biti matrica istih dimenzija. Dakle,
imamo:
1 0.5 2
*
1 0.5 2
2 1 3 2 1 3
0.5 0.33 1 0.5 0.33 1
3 1.66 5.5
5.5 2.99 10
1.66 0.91 2.99
Zatim, potrebno je uraditi normalizaciju dobijene matrice, odakle dobijamo sledeću matricu.
K1 K2 K3
⇒
K1 K2 K3
K1 3 1.66 5.5 K1 0.295 0.299 0.298
K2 5.5 2.99 10 K2 0.541 0.538 0.541
K3 1.66 0.91 2.99 K3 0.163 0.163 0.162
L1 10.167 5.584 18.5
Iz normalizovane matrice računamo prosečnu vrednost po redu i dobijamo:
Aritmetička sredina
K1 0.297
K2 0.540
K3 0.163
Napomena: Matrice procene, odnosno AHP metoda, može da se koristi u potpunosti samostalno (kao u prethodna dva primera), ali i u kombinaciji sa drugim metodama ili kao deo neke metode. Odnosno, moguće je koristiti matrice procene npr. samo za ocenu težina kriterijuma, a ostatak problema se može rešiti JAT metodom.
Grupni AHP
Česta je situacija kada odluku donosi grupa eksperata. Tada se javlja problem kako agregirati procene
članova grupe. Za agregaciju procena može da se koristi 1) geometrijska sredina ili 2) agregacija prioriteta
članova grupa.
Agregacija procena članova grupe geometrijskom sredinom
Vrednost u konačnoj matrici se dobija računanjem geometrijske sredine vrednosti iz svake od
pojedinačnih matrica procene (gemoetrijska sredina procenasvih DO). Geometrijska sredina se koristi
kod grupne agregacije matrica procena radi očuvanja osobine reciprociteta u agregiranoj matrici.
Primer:
Potrebno je agregirati procene tri DO koji su popunili sledeće matrice procena.
A B C A B C A B C
A 2 3 A 3 5 A 4 3
B 4 B 2 B 2
C C C
Prvo ćemo popuniti preostale vrednosti u matricama procene.
A B C A B C A B C
A 1 2 3 A 1 3 5 A 1 4 3
B 0.5 1 4 B 0.333 1 2 B 0.25 1 2
C 0.333 0.25 1 C 0.2 0.5 1 C 0.333 0.5 1
Zatim računamo geometrijsku sredinu za svako polje matrice procene. Formula geometrijske sredine je:
gde je vrednost koju računamo, iterator kroz vrednosti (kojih ima ), a vrednost koja se dobija za
vrednost iz elementa .
Dakle, za prvi element matrice (poređenje A-A) geometrijska sredina se dobija preko formule
Generalno gledano, uvek se koristi otežana aritmetička sredina koja se računa preko formule:
Ukoliko je = 1, onda imenilac nema potrebe da postoji (kao u ovom primeru). Ukoliko ne postoje
težine DO, to možemo da posmatramo kao da su svi DO podjednako bitni i tada računamo aritmetičku
sredinu.
Računanje konzistentnosti ocena
Računanje konzistentnosti ocena je veoma bitan korak u AHP metodi. Ukoliko je matrica procene
nekonzistentna, to predstavlja veoma jak signal da matrica procena nije ispravno popunjena, što može
dovesti do donošenja neispravne odluke. Ocena konzistentnosti matrice procene se dobija na sledeći
način.
1. Odrediti težine kriterijuma/alternative (aproksimativnim pristupom ili preko sopstvenih
vrednosti),
2. Pomnožiti svaku kolonu matrice procene pripadajućom težinom i sabrati dobijene vektore,
3. Podeliti dobijeni vektor vektorom težina,
4. Izabrati najveću sopstvenu vrednost ( ) vektora iz koraka 2,
5. Izračunati indeks konzistentnosti (CI), i
6. Izračunati racio nekonzistentnosti (CR).
Primer:
Izračunati konzistentnost matrice procene.
A B C
A 4 (3)
B (7)
C
Prvo računamo težine matrice procene.
A B C A B C A B C
A 4 (3) ⇒ A 1 4 0.333 ⇒ A 1 4 0.333
B (7) B 0.25 1 0.143 B 0.25 1 0.143
C C 3 7 1 C 3 7 1
L1 4.25 12 1.476
A B C Aritmetička sredina
A 0.235 0.333 0.226 ⇒ A 0.265
B 0.059 0.083 0.097 B 0.080
C 0.706 0.583 0.678 C 0.656
Zatim množimo dobijene težine sa odgovarajućim vrednostima iz početne matrice procene, odnosno:
A B C Aritmetička sredina
A 1 4 0.333 0.265
B 0.25 1 0.143 0.080
C 3 7 1 0.656
Dobijeni vektor delimo vektorom težina (aritmetičke sredine dobijene u prvom koraku). Deljenje se vrši
po redovima vektora. Dobijamo:
/
=
Biramo najveću sopstvenu vrednost i to je 3.062. Tu vrednost koristimo za računanje indeksa
konzistentnosti. Pored potreban nam je i . Kako nam je dimenzionalnost matrice, znamo da je
njegova vrednost 3 (imamo tri kriterijuma/alternative).
Na kraju, računamo racio nekonzistentnosti.
imamo izračunato iz prethodnog koraka, dok vrednost uzimamo iz sledeće tabele:
1 2 3 4 5 6 7 8 9 10
0 0 0.58 0.9 1.12 1.24 1.32 1.41 1.45 1.49
Ukoliko imamo jednu alternativu/kriterijum nema potrebe da sprovodimo bilo kakvu metodu odlučivanja
(odluka se već zna). Ako imamo dve alternative/kriterijuma, ne možemo da dođemo u situaciju da DO
nekonzistentno popuni matricu procene (popunjava samo jednu vrednost, a druga je recipročna
vrednost te vrednosti). Stoga, racio nekonzistentnosti se ne računa za
jedan ili dva. Ukoliko imamo preko deset kriterijuma/alternativa, vrlo verovatno je problem pogrešno
postavljen. Odnosno, potrebno je problem raščlaniti na manje probleme.
U našem primeru dobijamo:
Pravilo koje se koristi za tumačenje racija nekonzistentnosti jeste da je vrednost manja od 0.1. To
može da se protumači kao da je matrica procene nekonzistentna manje od 10%, odnosno, konzistentna
je preko 90%. Kako je u našem primeru vrednost manja od 0.1, smatramo matricu procene
konzistentnom.
AHP i VAO
Primena AHP metode može se poistovetiti sa JAT metodom kod koje su kriterijumi normalizovani L1
normom i gde su vrednosti za svaki kriterijum procenjene korišćenjem alata matrice procene, uz istu
procenu i težinskih koeficijenata kriterijuma (pondera).
Korišćenje matrice procene za procenu vrednosti kriterijuma ima svoje prednosti:
veća preciznost u izraženim ocenama eksperta;
veća sigurnost eksperta u svoje izražene ocene;
manja osetljivost na greške u pojedinim ocenama.
Sa druge strane matrice procene imaju i svoje nedostatke:
veći napor u vršenju procena, jer je potrebno oceniti sve kombinacije parova alternativa; ovo zna biti veliko ograničenje, posebno kada je veći broj alternativa koje se ocenjuju;
moguća nekonzistentnost u unešenim ocenama.
Stoga je preporučljivo da se matrica procene koristi kod onih kriterijuma kod kojih se veći napor
ocenjivanja matricom procene isplati, tj. gde preciznost u oceni ima veliki značaj. To se posebno odnosi
na:
kriterijume koji imaju veliku važnost (ponder) kriterijume koje je teško proceniti direktno (zbog svoje složenosti) kriterijume kod kojih izmerene vrednosti ne reprezentuju dobro njihovo stvarno poređenje (npr.
broj megapiksela kao mera kvaliteta kamere) računanje težinskih koeficijenata (pondera), čija je uloga u odlučivanju vrlo značajna.
Svi kriterijumi koji nemaju ove osobine moguće je oceniti na neki drugi (brži) način, poput ocenjivanja
skalom 1-5 ili direktnim merenjem (npr. cena).
U sledećem primeru odlučivanja o izboru kandidata za posao se može ilustrovati ovakav pristup.
Zapošljavanje Znanje Iskustvo
(god) Utisak
Aleksej ? 6 2
Lav ? 9 3
Luka ? 3 5
PONDERI 0.3 0.5 0.2
Kriterijum iskustva je merljiv kriterijum, gde godine iskustva u oblasti za koje kandidat konkuriše dosta
dobro odražavaju nivo stečenog iskustva. Kriterijum "Utisak" predstavlja utisak koji je kandidat ostavio
na intervjuu i zahteva ekspertsku procenu. Ipak, s obzirom na malu važnost kriterijuma, on se može
proceniti i direktnom ocenom na skali 1-5, što je manje precizno od korišćenja matrica procene, ali
dodatni napor da bi se stekla preciznost manje bitnog kriterijuma možda nije opravdan. Najzad,
kriterijum znanja je više bitan i takođe zahteva ekspertsku procenu, pa će on biti ocenjen matricom
procene, datom u nastavku:
Znanje Aleksej Lav Luka
Aleksej 1 3 5
Lav (3) 1 2
Luka (5) (2) 1
Rešavanjem ove matrice procene dobijaju se ocene alternativa za kriterijum "Znanje":
Aleksej Lav Luka AVG
Aleksej 0.652 0.667 0.625 0.648
Lav 0.217 0.222 0.250 0.230
Luka 0.130 0.111 0.125 0.122
Takođe, iskazani ponderi u početnoj tabeli nisu dovoljno precizni. Dosta precizniju ocenu važnosti
kriterijuma možemo dobiti korišćenjem matrice procene:
PONDERI Znanje Iskustvo Utisak
Znanje 1 0.333333333 3
Iskustvo 3 1 5
Utisak 0.333 0.2 1
čijim rešavanjem se dobijaju prezicniji ponderi:
Znanje Iskustvo Utisak AVG
Znanje 0.231 0.217391304 0.333333 0.260
Iskustvo 0.692 0.652 0.555556 0.633
Utisak 0.077 0.130 0.111111 0.106
Nakon čega tabela odlučivanja izgleda:
Zapošljavanje Znanje Iskustvo
(god) Utisak
Aleksej 0.648 6 2
Lav 0.230 9 3
Luka 0.122 3 5
PONDERI 0,260 0,633 0,106
Daljom primenom JAT metode, uz predhodnu normalizaciju L1 metrikom (ili druge adekvatne metode
višeatributivnog odlučivanja) dobija se i konačan rang alternativa: