En sade nesnel ağırlıklandırma. Tek bir fikre dayanır: bir ölçütte
seçenekler ne kadar ayrışıyorsa o ölçüt karar için o kadar
bilgilendiricidir.
1 · Min-max normalizasyon
fayda: rij = (xij − minj) ⁄ (maxj − minj)
maliyet: rij = (maxj − xij) ⁄ (maxj − minj)
Ölçütlerin birimleri farklı olduğu için (TL, gün, puan) standart
sapmaları doğrudan karşılaştırılamaz; önce hepsi 0–1 aralığına çekilir.
2 · Standart sapma ve ağırlık
wj = σj ⁄ Σk σk
Bütün seçeneklerin aynı değeri aldığı bir ölçütte σ = 0'dır: o ölçüt
hiçbir seçeneği diğerinden ayırmaz, karar için hiçbir şey söylemez ve
ağırlığı tam olarak sıfır çıkar. "Ayırt etmeyen ölçüt" örneği bunu
gösterir.
Neyi göremez?
Bu yöntem ölçütlere tek tek bakar; aralarındaki ilişkiyi hiç
hesaba katmaz. İki ölçüt neredeyse aynı bilgiyi taşıyorsa (ör. "satış
adedi" ile "ciro") ikisi de yüksek σ'ya sahip olur ve aynı bilgi iki
kez ağırlıklandırılır. CRITIC tam olarak
bunu düzeltir: korelasyonu da hesaba katıp tekrar eden ölçütlerin
ağırlığını kırar.
Sağdaki tabloda son sütun CRITIC ağırlığıdır; "Tekrar eden ölçüt"
örneğinde iki yöntemin farkı doğrudan görünür.
Bu sayfada hangi sayı kesir, hangisi ondalık?
Normalize matris, ortalama ve varyans tam kesirlidir. Ama
σ = √varyans bir kareköktür ve ağırlıklar σ oranı olduğu için
zorunlu olarak irrasyoneldir; 50 haneli ondalıkla hesaplanır.
Anakütle mi örneklem mi (÷m mi ÷(m−1) mi)?
Fark etmez. Ağırlık bir oran olduğundan ortak çarpan sadeleşir.
Uygulama anakütle (÷m) kullanır.