AHP Online Grátis

AHP Online — ferramenta grátis de decisão multicritério

Tomar decisões complexas exige organizar critérios, reconhecer trade-offs e chegar a um resultado auditável. O Analytic Hierarchy Process (AHP) é o método multicritério mais usado no mundo para isso — e esta ferramenta gratuita coloca todo o fluxo na sua tela, sem planilha, sem instalação.

O que é o Analytic Hierarchy Process

O AHP foi desenvolvido pelo matemático Thomas L. Saaty nos anos 1970, enquanto trabalhava na Wharton School da Universidade da Pensilvânia. Publicado oficialmente em 1977 no artigo “A scaling method for priorities in hierarchical structures” e consolidado no livro The Analytic Hierarchy Process (1980), o método rapidamente tornou-se referência global em tomada de decisão multicritério (MCDM — Multi-Criteria Decision Making).

A ideia central é decompor um problema complexo em uma hierarquia de elementos menores — objetivo, critérios, subcritérios e alternativas — e usar comparações par a par para quantificar preferências subjetivas. O resultado é um sistema de pesos matematicamente fundamentado que reflete a percepção do decisor.

A estrutura hierárquica

Toda análise AHP organiza-se em três níveis obrigatórios:

1. Objetivo (topo): o que se quer decidir — ex.: “Selecionar o melhor fornecedor de software”.
2. Critérios e subcritérios (meio): os fatores que influenciam a decisão — ex.: custo, prazo, suporte técnico, segurança.
3. Alternativas (base): as opções que competem pelo topo do ranking — ex.: Fornecedor A, B, C.

Subcritérios estendem a hierarquia criando grupos temáticos. Um critério “Custo”, por exemplo, pode ter subcritérios “Licença anual”, “Custo de implantação” e “Suporte”. Apenas os critérios-folha (último nível da árvore) recebem avaliação direta das alternativas.

A escala fundamental de Saaty

Para comparar dois elementos, Saaty propôs uma escala de 1 a 9 baseada na psicofísica da percepção humana:

Os valores recíprocos (1/3, 1/5, 1/9 etc.) expressam a direção oposta: se A é 5× mais importante que B, então B é 1/5 tão importante quanto A. A matriz de julgamentos é construída automaticamente com essa propriedade de reciprocidade.

A escala de 1 a 9 não é arbitrária. Saaty a derivou da Lei de Weber-Fechner, que mostra que a percepção humana de diferenças é proporcional ao logaritmo da intensidade do estímulo. O intervalo 1–9 cobre praticamente toda a faixa de discriminação perceptual humana para duas grandezas comparadas sem contexto de mensuração direta.

A matriz de comparação par a par

Dados n elementos (criterios ou alternativas), a matriz de julgamentos A tem ordem n x n, onde cada elemento a_{ij} representa a intensidade de preferencia do elemento i sobre o elemento j:

• A diagonal principal sempre vale 1 (todo elemento coincide consigo mesmo).
• Se $a_{ij} = k$, então $a_{ji} = 1/k$ (reciprocidade).
• Apenas o triângulo superior precisa ser preenchido — o inferior é inferido.

O total de julgamentos necessarios para n elementos corresponde a n(n-1)/2. Para 3 criterios: 3 comparacoes. Para 5: 10. Para 7: 21.

Derivação do vetor de prioridades

Com a matriz preenchida, o vetor de prioridades pode ser obtido por dois métodos:

Método exato — autovetores

O vetor de prioridades w corresponde ao autovetor principal da matriz A, associado ao maior autovalor (λmax). Matematicamente:

A · w = λmax · w

Este método é o mais preciso e exige decomposição espectral da matriz.

Método aproximado — média geométrica (GMM)

Para uso prático, a média geométrica das linhas produz uma aproximação excelente e é computacionalmente simples.

Primeiro, cada célula da matriz é normalizada dividindo-se o elemento pelo total da coluna — Equação 1 (normalização das matrizes de julgamento):

$w_i^{(A_j)} = \frac{A_{ij}}{\sum_{i=1}^{n} A_{ij}}$

Onde: A_{ij} representa a matriz de julgamento por criterio, enquanto A_j indica o vetor coluna.

O peso local de cada elemento é então a média da sua linha na matriz normalizada. Para cada linha, calcula-se a raiz de ordem $n$ do produto de todos os seus elementos e normaliza-se dividindo pela soma total. Esta ferramenta usa este método — reconhecidamente equivalente ao autovetor para matrizes com baixa inconsistência.

Síntese hierárquica — pesos locais e globais

Cada critério recebe um peso local (sua importância relativa dentro do grupo pai). O peso global é o produto dos pesos locais ao longo de toda a cadeia hierárquica:

peso_global(folha) = peso_local(critério pai) × peso_local(folha)

Para subcritérios de múltiplos níveis, multiplica-se todos os pesos locais do caminho do objetivo até a folha. A soma de todos os pesos globais das folhas sempre resulta em 1 (ou 100%).

O score final de cada alternativa (Índice do Usuário — IU) é obtido pela soma dos produtos de todos os critérios, subcritérios e valores dos subcritérios normalizados, conforme a Equação 4:

$IU = \sum_{j=1}^{m} \sum_{i=1}^{n} P_{c_j} \times P_{sc_i} \times V_{sc_i}$

Onde:

O IU representa a proporção que cada alternativa possui em relação às demais sob a perspectiva do avaliador. A alternativa com maior IU é a mais indicada segundo os critérios e julgamentos definidos (Saaty, 1991).

Verificação de consistência

Uma das contribuições mais importantes de Saaty foi criar uma métrica para medir a coerência interna dos julgamentos.

Por que inconsistência acontece

Em uma comparação perfeitamente racional, se A é 3× mais importante que B, e B é 2× mais importante que C, então A deveria ser 6× mais importante que C. Na prática, humanos raramente mantêm essa transitividade em cadeias longas de comparações.

Índice de Consistência (IC)

O λmax de uma matriz perfeitamente consistente coincide com n. Quando ha inconsistencia, λmax > n. O IC mede esse desvio - Equacao 3:

$IC = \frac{\lambda_{max} - n}{n - 1}$

Onde: λmax representa o maior autovalor (autovetor principal) da matriz de julgamentos, e n indica a ordem da matriz (numero de criterios ou alternativas comparados).

$\lambda_{max}$ pode ser calculado a partir do vetor de prioridades $\mathbf{w}$:

$\lambda_{max} = \frac{1}{n} \sum_{i=1}^{n} \frac{(\mathbf{A} \cdot \mathbf{w})_i}{w_i}$

Índice Aleatório (IR)

Para comparar o IC com um patamar de referência, Saaty calculou experimentalmente o valor esperado de IC para matrizes preenchidas aleatoriamente — o Índice Aleatório (IR). Este valor varia com a ordem da matriz:

Fonte: Adaptado de Saaty (1991).

Razão de Consistência (RC)

A Razão de Consistência é dada pela Equação 2:

$RC = \frac{IC}{IR}$

Onde: IC é o Índice de Consistência, IR é o Índice Aleatório e RC é a Razão de Consistência.

Limiares aceitos por Saaty:

• RC ≤ 0,10 — julgamento aceitável, prossiga.
• 0,10 < RC ≤ 0,20 — consistência razoável, merece revisão.
• RC > 0,20 — inconsistência forte; reveja os julgamentos antes de confiar no resultado.

Para matrizes 2×2, a consistência é trivial e RC não é calculada.

Como reduzir a RC

1. Identifique o par de julgamentos mais discrepante.
2. Ajuste o slider desse par em direção a um valor que reduza a contradição.
3. Não altere todos os julgamentos aleatoriamente — concentre-se no par mais problemático.
4. Recalcule e verifique se a RC melhorou.

Alternativas avaliadas por valores diretos

O AHP puro exige julgamentos subjetivos em todos os critérios. Mas em muitos problemas reais há critérios com dados objetivos já disponíveis: preço em reais, prazo em dias, nota em uma escala, consumo em kWh. Nesses casos, a ferramenta permite informar os valores diretamente e converte em pesos locais automaticamente.

Para critérios onde maior é melhor (maximização):

peso_local(i) = valor(i) / Σ valores

Para critérios onde menor é melhor (minimização):

peso_local(i) = (1 / valor(i)) / Σ (1 / valores)

O resultado é equivalente, em significado, ao AHP clássico: cada alternativa recebe um peso local entre 0 e 1 que reflete seu desempenho relativo naquele critério.

Análise de sensibilidade

Além do ranking base, a ferramenta inclui uma camada prática de análise de sensibilidade para testar a robustez da decisão. Em vez de aceitar o resultado final como algo fixo, você pode simular mudanças controladas e observar se o líder permanece estável ou se outra alternativa assume a primeira posição.

Na prática, a análise de sensibilidade permite responder perguntas como:

• se um critério-folha passar a pesar mais, o vencedor continua o mesmo;
• qual julgamento par a par tem maior chance de inverter o ranking;
• se um valor direto objetivo aumentar ou diminuir, o resultado muda;
• quais critérios tornam a decisão mais robusta e quais a deixam frágil.

O que esta ferramenta simula

O fluxo de sensibilidade cobre os principais pontos de alavancagem do modelo:

• variação do peso de critérios-folha: ajusta a participação relativa de cada critério terminal e recalcula o ranking;
• simulação por passos de julgamentos AHP: testa como a troca de intensidade em uma comparação par a par afeta o resultado;
• simulação por valores diretos: altera valores objetivos das alternativas em critérios quantitativos e sintetiza novamente os pesos locais;
• cenários combinados por critérios: aplica simultaneamente ajustes em mais de um critério para testar efeitos acumulados;
• cenários combinados por alternativas: avalia como mudanças coordenadas no desempenho das alternativas afetam a liderança.

Robustez do vencedor

Um dos resultados mais úteis é a identificação da faixa estável do vencedor. A ferramenta estima até que ponto o peso de um critério pode subir ou cair antes que ocorra uma troca de liderança no ranking.

Isso é importante porque duas análises podem ter o mesmo primeiro lugar, mas graus muito diferentes de robustez:

• se pequenas variações já mudam o líder, a decisão é sensível e merece revisão;
• se o vencedor permanece estável mesmo com ajustes amplos, a decisão é mais robusta.

Leitura gerencial da sensibilidade

Na prática, a análise de sensibilidade ajuda a transformar o AHP em uma ferramenta de decisão mais auditável, porque mostra não apenas quem venceu, mas por que venceu e quão estável é essa vitória.

Os principais ganhos são:

• identificar os critérios realmente decisivos;
• localizar julgamentos críticos que merecem revisão em reunião;
• explicar a stakeholders onde o resultado é sólido e onde há fragilidade;
• documentar cenários alternativos no relatório final.

Em termos executivos, isso permite diferenciar um ranking apenas plausível de um ranking realmente confiável.

Comparação com outros métodos MCDM

O AHP não é o único método de decisão multicritério. Cada um tem fundamentos, vantagens e limitações distintas:

O AHP se destaca pela transparência matemática, pela facilidade de explicar resultados a stakeholders e pela capacidade de lidar com critérios qualitativos e quantitativos numa mesma análise.

Extensões do AHP clássico

AHP Fuzzy (FAHP)

Substitui os valores exatos da escala de Saaty por números fuzzy triangulares ou trapezoidais para capturar a incerteza e vagueza inerente aos julgamentos humanos. Muito usado em contextos onde o decisor não está seguro do valor exato, mas consegue dizer “entre 3 e 5”.

AHP em grupo

Quando há múltiplos decisores, os julgamentos individuais precisam ser agregados. Os dois métodos mais comuns são:

• AIJ (Aggregation of Individual Judgments): agrega os julgamentos antes de calcular pesos, usando média geométrica.
• AIP (Aggregation of Individual Priorities): cada decisor calcula seus pesos separadamente; depois se agrega com média geométrica ponderada.

Na prática, os dois métodos partem do mesmo material de entrada: cada decisor responde suas comparações e, se aplicável, informa valores diretos. O que muda é o momento da agregação.

• No AIJ, primeiro se agrega cada julgamento do grupo; depois se calcula um único vetor de prioridades para o grupo.
• No AIP, primeiro se calcula o vetor de prioridades de cada decisor; depois se agrega esses vetores para obter o resultado final.

Os pesos atribuídos aos decisores podem ser mantidos nos dois métodos. Se uma pessoa tem peso 2 e outra peso 1, essa relação continua valendo tanto no AIJ quanto no AIP. O que muda não é a interface nem o peso de cada participante, mas sim a etapa matemática em que esse peso entra.

Como o AIJ é calculado

No AIJ, cada elemento da matriz consolidada é obtido pela média geométrica ponderada dos julgamentos individuais:

$a_{ij}^{grupo} = \left(\prod_{k=1}^{p} (a_{ij}^{(k)})^{w_k}\right)^{\frac{1}{\sum_{k=1}^{p} w_k}}$

Onde:

• $a_{ij}^{(k)}$ é o julgamento do decisor $k$ para o par $(i,j)$;
• $w_k$ é o peso do decisor $k$ na consolidação;
• $p$ é o número de participantes.

Depois de consolidar toda a matriz, o grupo calcula normalmente os pesos do AHP sobre essa matriz resultante.

Exemplo curto de AIJ

Suponha dois decisores comparando Custo vs Qualidade:

• Decisor 1: Qualidade é 5 vezes mais importante que Custo.
• Decisor 2: Qualidade é 3 vezes mais importante que Custo.
• Pesos dos decisores: 2 para o Decisor 1 e 1 para o Decisor 2.

A consolidação AIJ fica:

$a_{qualidade,custo}^{grupo} = (5^2 \cdot 3^1)^{\frac{1}{3}} = 75^{\frac{1}{3}} \approx 4{,}22$

Ou seja: antes mesmo de calcular o vetor de prioridades, o grupo já passa a trabalhar com um julgamento consolidado próximo de 4,22, que depois pode ser interpretado ou aproximado na escala prática.

Como o AIP é calculado

No AIP, cada decisor calcula primeiro seu próprio vetor de prioridades. Depois esses vetores são consolidados, também com pesos dos decisores:

$P_i^{grupo} = \frac{\sum_{k=1}^{p} w_k \cdot P_i^{(k)}}{\sum_{k=1}^{p} w_k}$

ou, em versões multiplicativas, por média geométrica ponderada dos vetores individuais.

Em termos operacionais, isso significa que cada participante “fecha” sua análise primeiro. Só depois o sistema combina os pesos das alternativas ou dos critérios produzidos por cada pessoa.

Exemplo curto de AIP

Imagine que, após calcular o AHP individual, dois decisores chegaram ao seguinte peso para duas alternativas, A e B:

• Decisor 1: A = 0,70 e B = 0,30
• Decisor 2: A = 0,40 e B = 0,60
• Pesos dos decisores: 2 para o Decisor 1 e 1 para o Decisor 2

A agregação AIP por média ponderada fica:

$P_A^{grupo} = \frac{2 \cdot 0{,}70 + 1 \cdot 0{,}40}{3} = \frac{1{,}80}{3} = 0{,}60$

$P_B^{grupo} = \frac{2 \cdot 0{,}30 + 1 \cdot 0{,}60}{3} = \frac{1{,}20}{3} = 0{,}40$

O resultado final do grupo passa a ser A = 0,60 e B = 0,40.

Quando AIJ e AIP tendem a ser mais adequados

• AIJ costuma ser preferido quando o grupo quer representar um julgamento coletivo sobre cada comparação, como se a equipe estivesse produzindo uma matriz única.
• AIP costuma fazer mais sentido quando cada decisor deve preservar sua análise individual completa, e a consolidação acontece somente ao final.

Em grupos pequenos e alinhados, os dois métodos frequentemente chegam a rankings próximos. Em grupos com perfis muito diferentes, pesos distintos entre decisores ou maior dispersão dos julgamentos, AIJ e AIP podem produzir resultados diferentes o suficiente para justificar comparação explícita.

Exemplo comparativo intuitivo

Considere três participantes avaliando um projeto com peso 3, 2 e 1, respectivamente:

• o primeiro favorece fortemente Prazo;
• o segundo favorece moderadamente Qualidade;
• o terceiro considera Custo quase equivalente aos demais.

No AIJ, cada comparação entre critérios é consolidada antes do cálculo final. O grupo passa a ter uma matriz única consolidada e um único diagnóstico de consistência agregado.

No AIP, cada participante mantém sua própria matriz, sua própria consistência e seu próprio vetor de prioridades. O grupo então consolida os vetores resultantes. Isso tende a preservar melhor a “assinatura” individual de cada decisor.

Por isso, ao comparar os dois métodos, a pergunta prática costuma ser esta:

• queremos consolidar o julgamento do grupo sobre cada comparação? Use AIJ;
• queremos consolidar os resultados individuais já calculados de cada decisor? Use AIP.

ANP — Analytic Network Process

Extensão do AHP criada pelo próprio Saaty para modelar dependências e feedback entre critérios. Usa uma supermatriz para capturar interdependências entre elementos do mesmo nível ou de níveis diferentes. Muito expressivo, porém significativamente mais complexo de modelar e interpretar.

Quando usar AHP

O AHP é recomendado quando:

• há múltiplos critérios conflitantes que precisam ser ponderados;
• parte dos critérios é qualitativa ou subjetiva;
• é necessário documentar e auditar o processo decisório;
• diferentes decisores precisam chegar a um consenso estruturado;
• a decisão tem consequências relevantes: investimentos, seleção de parceiros, definição estratégica.

Aplicações típicas:

• seleção de fornecedor ou contratante;
• avaliação de propostas em processos licitatórios;
• priorização de projetos em portfólio;
• escolha de localização de unidade industrial;
• definição de estratégia de TI;
• avaliação de candidatos em processo seletivo;
• decisões de engenharia civil, ambiental e logística;
• pesquisas acadêmicas em administração, saúde e ciências sociais.

Persistência e rastreabilidade

O rascunho é salvo automaticamente no localStorage do navegador. O arquivo JSON exportado contém o estado completo: hierarquia, julgamentos, pesos e metadados. Isso possibilita:

• retomada exata de onde parou;
• revisão de julgamentos em reuniões separadas;
• auditoria interna do processo decisório;
• documentação em relatórios, TCCs e apresentações.

Limitações desta versão

Esta ferramenta cobre o AHP clássico com suporte a valores diretos. Não estão incluídos nesta versão:

• AHP Fuzzy com números triangulares;
• ANP com supermatriz;
• agregação automática de múltiplos decisores;
• integração com banco de dados externo;
• colaboração multiusuário em tempo real;
• análise de sensibilidade probabilística com Monte Carlo.

Perguntas frequentes

O que acontece se eu tiver apenas um critério?

Com apenas um critério-folha, o ranking é determinado exclusivamente pelos julgamentos ou valores diretos daquele critério. A verificação de consistência não se aplica a contextos com 1 ou 2 elementos.

Posso misturar AHP e valores diretos na mesma análise?

Sim. Cada critério-folha pode usar o modo que fizer mais sentido. Um critério qualitativo usa comparação AHP; um critério quantitativo usa valores diretos. O sistema sintetiza os dois automaticamente na mesma hierarquia.

Quantas alternativas e critérios posso usar?

Não há limite técnico imposto pela ferramenta. Na prática, matrizes acima de 9×9 tornam o processo de julgamento muito trabalhoso e a interpretação dos pesos menos intuitiva. Saaty recomenda não ultrapassar 9 elementos por grupo de comparação.

O que é um critério-folha?

É o critério no último nível da hierarquia — aquele que não tem subcritérios filhos. Apenas os critérios-folha recebem avaliação direta das alternativas. Um critério com filhos é avaliado apenas em relação a seus irmãos, não recebe avaliação de alternativas diretamente.

Por que a RC é maior que zero mesmo com poucos critérios?

Com 2 elementos, a RC é sempre zero (uma matriz 2×2 é trivialmente consistente). Com 3 ou mais, qualquer ciclo nos julgamentos já gera alguma RC > 0. O objetivo é mantê-la abaixo de 0,10, não equalizá-la a zero.

Qual é a referência bibliográfica do método?

A referência principal é: Saaty, T. L. (1980). The Analytic Hierarchy Process: Planning, Priority Setting, Resource Allocation. McGraw-Hill. O artigo seminal é: Saaty, T. L. (1977). A scaling method for priorities in hierarchical structures. Journal of Mathematical Psychology, 15(3), 234–281.

Como citar esta ferramenta?

Para trabalhos acadêmicos, relatórios ou apresentações:

ABNT: UTILIBOX. AHP Online Grátis — Análise Multicritério Hierárquica. [S.l.]: UtiliBox, 2026. Disponível em: https://utiliboxapp.com.br/tools/ahp-online-gratis/. Acesso em: [data de acesso].

APA (7ª ed.): UtiliBox. (2026). AHP Online Grátis — Análise Multicritério Hierárquica [Ferramenta online]. https://utiliboxapp.com.br/tools/ahp-online-gratis/