Académique Documents
Professionnel Documents
Culture Documents
n-
1
++(-1)(|M|). Esta funcin se denomina funcin polinomial
caracterstica de M. La condicin |M-I|=0 conduce a una
ecuacin de grado n, llamada ecuacin caracterstica de M, la
cual es igual a cero si es reemplazada por M, produciendo
entonces una ecuacin matricial. Las races
i
correspondientes a
la ecuacin caracterstica |M-I|=0, con i=1,,n, son los
denominados valores caractersticos. Como es bien conocido, el
Teorema Fundamental del Algebra, asegura la existencia de n
races para una ecuacin polinomial de grado n. Los vectores
42
caractersticos se obtienen de la resolucin de los sistemas de
ecuaciones correspondientes Mw
i
=
i
w
i
(Saaty, 1971).
Se considera a los elementos C
1
,,C
n
de algn nivel en la jerarqua.
Denotados m
ij
como el elemento que representa la importancia de C
i
respecto a C
j
y M es la matriz conformada por dichos elementos. Esta
matriz es recproca, i.e. m
ij
=1/m
ji
:
M C
1
C
i
C
n
C
1
M
11
M
1i
M
1n
C
j
1/m
1i
m
ij
m
jn
C
n
1/m
1n
1/m
jn
m
nn
Tabla 4. Matriz de reciprocidad
Si la matriz M es perfectamente consistente, entonces m
jk
=m
ij
.m
jk
i,j,k. Si
1
,
n
son los valores caractersticos de M y si m
ii
=1 i,
entonces (
1
++
n
)=
max
, siendo
max
el mayor valor caracterstico de
M. Est demostrado en la teora de matrices, que si los valores m
ij
de
una matriz recproca M son modificados en pequeas cantidades, los
valores caractersticos resultantes tambin cambian en pequeas
cantidades. Entonces, si M es consistente, pequeas variaciones en los
valores de m
ij
mantienen a
max
cercano a (
1
++
n
). Por lo tanto, la
diferencia (
1
++
n
)-
max
es una medida del grado de consistencia de
la matriz M. Si la denotamos (
1
++
n
)=n, el ndice de consistencia
I.C. = (
max
-n)/(n-1) mide el grado de consistencia de la matriz M.
Para determinar cun consistente es la matriz M, debemos comparar
su I.C. con el I.C. de una matriz recproca, del mismo orden, cuyos
elementos han sido determinados en forma aleatoria. Este ndice de
consistencia de la matriz aleatoria es llamado ndice aleatorio (I.A.) y
43
sus valores estn previamente determinados, de acuerdo con el orden
de cada matriz:
Orden
de la
matriz 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
I.A. 0.00 0.00 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
Tabla 5. Matriz de ndices aleatorios
El principal propsito que se persigue con la aplicacin de este modelo
es encontrar las ponderaciones de importancia de los elementos de los
respectivos niveles de la jerarqua, W
1/x
,,W
n/x
con respecto de algn
elemento X, del nivel inmediato superior. Como se ha descrito antes,
la principal herramienta es una matriz numrica, que representa los
resultados de preferencias de las comparaciones biunvocas. Con base
en un razonamiento terico que se omite en este ensayo, se escoge el
vector caracterstico, correspondiente al valor caracterstico mayor
como el vector que representa las ponderaciones de importancia de los
elementos C
1
,,C
n
. En otras palabras, las ponderaciones de
importancia, son calculadas mediante el vector caracterstico de la
matriz de comparaciones biunvocas.
Continuando con el ejemplo, las matrices resultantes de las
comparaciones biunvocas y sus respectivos vectores caractersticos
son como sigue:
A B C D Ponderaciones
B 1 m
bc/a
m
bd/a
W
B/A
C m
cb/a
1 m
cd/a
W
C/A
D m
db/a
m
dc/a
1 W
D/A
44
B E F G H Ponderaciones
E 1 m
ef/b
m
eg/b
m
eh/b
W
E/B
F m
fe/b
1 m
fg/b
m
fh/b
W
F/B
G m
ge/b
m
gf/b
1 m
gh/b
W
G/B
H m
he/b
m
hf/b
m
hg/b
1 W
H/B
C E F G H Ponderaciones
E 1 m
ef/c
m
eg/c
m
eh/c
W
E/C
F m
fe/c
1 m
fg/c
m
fh/c
W
F/C
G m
ge/c
m
gf/c
1 m
gh/c
W
G/C
H m
he/c
m
hf/c
m
hg/c
1 W
H/C
D E F G H Ponderaciones
E 1 m
ef/d
m
eg/d
m
eh/d
W
E/D
F m
fe/d
1 m
fg/d
m
fh/d
W
F/D
G m
ge/d
m
gf/d
1 m
gh/d
W
G/D
H m
he/d
m
hf/d
m
hg/d
1 W
H/D
Tabla 6. Matrices de comparaciones biunvocas y vectores caractersticos
Finalmente, para calcular las preferencias relativas globales de las
alternativas E, F, G y H, se sigue el siguiente procedimiento de
agregacin:
Ponderacin global de la alternativa E: W
B/A
*W
E/B
+W
C/A
*W
E/C
+W
D/A
*W
E/D
Ponderacin global de la alternativa F: W
B/A
*W
F/B
+W
C/A
*W
F/C
+W
D/A
*W
F/D
Ponderacin global de la alternativa G: W
B/A
*W
G/B
+W
C/A
*W
G/C
+W
D/A
*W
G/D
Ponderacin global de la alternativa H: W
B/A
*W
H/B
+W
C/A
*W
H/C
+W
D/A
*W
H/D
45
Fundamentos del Mtodo Electra III
Consideremos la situacin en la cual se quiere comparar dos
alternativas a y b (a,bA) sobre la base de sus respectivos conjuntos
indicadores de desempeo Ga y Gb. Las preferencias del Directivo D,
en relacin con a y b, podran no estar claramente definidas; situacin
que se presenta comnmente en los procesos de decisin, debido a la
existencia de incertidumbre en los datos y en el proceso mismo. El
mtodo Electra fue creado para permitir que sea considerada la
dificultad, que podra tener el directivo D para emitir un juicio claro y
sin ambigedades sobre su preferencia entre a y b. Este modelo de
preferencias, no pretende ser una descripcin exacta de las
preferencias claramente establecidas en la mente de un directivo
determinado. En estas condiciones, el mtodo general de preferencias
debera permitirnos tomar en cuenta la falta de una idea clara
(titubeo) sobre las preferencias entre dos de los tres casos siguientes
(Vinke 1992).
aIb: a es equivalente a b (indiferencia entre a y b)
aPb: a es preferido a b
bPa: b es preferido a a
Si D es un directivo colectivo, inaccesible o vagamente determinado,
este modelo es slo un sistema de preferencias, con el cual es posible
operar con el objetivo de visualizar y concatenar los elementos de
respuesta a ciertas preguntas, emitidas con el propsito de conocer
mejor la situacin y tener una idea ms clara de las preferencias
inherentes al caso.
46
Existen dos situaciones en donde el directivo D puede tener
dificultades para expresar su preferencia entre a y b:
El caso de preferencia dbil, conocido como relacin Q: aQb, si el
titubeo se presenta entre aIb y aPb.
El caso de incomparabilidad, conocido como relacin R: aRb, si el
titubeo se presenta entre bPa y aPb.
La contribucin del mtodo Electra consiste en la introduccin de una
nueva relacin, conocida como la relacin de la categora superior (o
super-categora), denotada por la letra S.
Aqu vale la pena hacer un pequeo parntesis. La palabra super-
categora y sus derivadas utilizadas con bastante frecuencia en este
texto, provienen de una traduccin de la palabra outrank, cuyo
significado es ser de mayor jerarqua que. Al parecer no existe una
palabra en espaol que exprese este concepto y por este motivo, se
utiliza el trmino super-categora, que si bien es algo extrao,
expresa muy bien lo que se quiere decir.
Cada criterio g
i
puede tener asociada una relacin de super-categora
S
j
exclusiva para ese criterio. Por definicin, la relacin aS
j
b es
verdadera, cuando los valores de desempeo Ga y Gb presentan
suficientes argumentos como para considerar, que en la mente del
directivo D, el siguiente enunciado es cierto:
a, con respecto del criterio g
j
solamente, es AL MENOS tan bueno como b
47
La expresin al menos tan bueno como es equivalente a la expresin
no peor que. La diferencia con expresiones como es mejor que o
es peor que, consiste en que estas ltimas expresan una opinin
emitida con toda seguridad, sin dudas ni titubeos.
Tomando en cuenta la familia completa de criterios G, es posible
definir una relacin general de super-categora S, la cual se define
como sigue:
aSb es una relacin binaria que es verdadera, si los valores de
desempeo en Ga y Gb dan razones o argumentos suficientemente
poderosos, como para considerar como verdadero el siguiente
enunciado en la mente del directivo D:
a, con respecto de todos los criterios, es AL MENOS tan bueno como b
La relacin de super-categora es entonces una relacin binaria S
definida en A, tal que: aSb, si dado lo que es conocido sobre las
preferencias del directivo D y dada la calidad de las evaluaciones y la
naturaleza del problema, se cuenta con suficientes argumentos, como
para decidir que a es al menos tan bueno como b, no habiendo en
cambio ninguna razn esencial para refutar dicho enunciado.
Formalmente: aSb g
f
G aSb
La relacin de super-categora valorada, que nos presenta el mtodo
Electra se caracteriza por la definicin de un grado de super-categora,
denotado por S(a,b), asociado a cada par ordenado de acciones (a,b).
48
S(a,b) representa la mayor o menor credibilidad, en cuanto a la super-
categorizacin de a sobre b.
La naturaleza de las condiciones que deben ser satisfechas para
validar el enunciado aSb, puede ser influenciada por diversos tipos de
factores. Algunos de ellos pueden ser por ejemplo, el grado de
significacin de los criterios tomados en cuenta en G, la intensidad de
las preferencias, la concordancia o discordancia de aSb respecto del
conjunto de criterios, la naturaleza de la informacin inter-criterios, as
como la fortaleza de los argumentos requeridos para dar como vlida
una relacin S. Estos conceptos son modelados matemticamente
utilizando los conceptos que se explican a continuacin.
Habindose asociado una ponderacin p
j
a cada criterio g
i
, el siguiente
ndice de concordancia es calculado para cada par ordenado de
alternativas (a,b).
c(a,b) = (1/P)
n
j
=1 p
j
c
j
(a,b)
donde: P=
n
j
p
j
1 si g
j
(a) + q
j
(g
j
(a)) g
j
(b)
c
j
(a,b) =
{
0 si g
j
(a) + p
j
(g
j
(a)) g
j
(b)
Lineal entre los dos
q
i
y p
j
denotan los umbrales de indiferencia y preferencia
respectivamente.
49
Por definicin, el ndice de concordancia c(a,b) caracteriza el nfasis
con que los argumentos favorables son capaces de validar el
enunciado aSb.
La definicin de discordancia requiere de la introduccin de un umbral
de veto v
j
(g
j
(a)) (funcin de g
j
(a)) para cada criterio g
j,
tal que la
credibilidad de que a sea de categora superior a b, es rechazada si:
g
j
(a) g
j
(b)) + v
j
(g
j
(b),
Inclusive si es que todos los criterios restantes estn en favor de que
a, sea de categora superior a b.
Un ndice de discordancia D
j
(a,b), para cada criterio es definido como
sigue:
0 si g
j
(b) g
j
(a) + p
j
(g
j
(a)
D
j
(a,b) =
{
1 si g
j
(b) g
j
(a) + v
j
(g
j
(a))
Lineal entre los dos
Finalmente, el grado de super-categorizacin est definido por:
c
{
(a,b) si D
j
(a,b) c(a,b), g
j
S(a,b) =
c(a,b) *
jeJ(a,b)
(1-D
j
(a,b)/(1-c(a,b))
50
donde J(a,b) es el conjunto de criterios que cumplen Dj(a,b) > (a,b)
El grado de super-categorizacin es entonces igual al ndice de
concordancia, cuando ningn criterio es discordante. En el caso
opuesto, el ndice de concordancia es disminuido en funcin de la
importancia de las discordancias.
Fundamentos del Mtodo Promethee
El mtodo Promethee ha sido diseado para tratar con problemas de
mltiples criterios, G = {g
1
, g
j
, g
k
} en los que existe un conjunto
finito de alternativas A = { a
1
, a
j
, a
n
} (Brans, 1997).
En este caso, el directivo encara una tabla o matriz de evaluacin del
siguiente tipo:
g
1
g
2
g
j
g
k
a
1 g
1
(a
1
) g
1
(a
2
)
g
j
(a
1
)
g
k
(a
1
)
a
2 g
1
a
2
) g
2
(a
2
)
g
j
(a
2
)
g
k
(a
2
)
a
j g
1
(a
j
) g
2
(a
j
)
g
j
(a
j
)
g
k
(a
j
)
a
n g
1
(a
n
) g
2
(a
n
)
g
j
(a
n
)
g
k
(a
n
)
Tabla 7. Matriz de evaluacin mtodo Promethee
Este mtodo requiere de cierta cantidad de informacin adicional sobre
la relacin de importancia entre los criterios. El directivo deber
suministrar la ponderacin de importancia relativa de los criterios en
relacin con el objetivo principal, como se ilustra en la siguiente tabla:
51
g
1
g
2
g
j
g
k
p
1
p
2
p
j
p
k
Tabla 8. Matriz de ponderaciones mtodo Promethee
El criterio ms importante recibe la ponderacin ms alta.
j=1..k
p
j
= 1
Adems, el mtodo supone que se harn comparaciones biunvocas
entre las alternativas respecto de cada criterio. La manera de
establecer dichas comparaciones es mediante el uso de una funcin de
las siguientes caractersticas:
F
j
(a,b)=F
j
[d
j
(a,b)], a,b A
donde,
j es el ndice caracterstico de cada criterio g
j
d
j
(a,b)= g
j
(a) - g
j
(b)
0 F
j
(a,b) 1
Esta funcin, denominada funcin de preferencias, ha sido concebida
para representar el tipo de relacin entre dos alternativas, respecto de
un criterio determinado. Por lo tanto, el directivo deber elegir para
cada criterio, una de las 6 diferentes formas de la funcin, a saber: la
forma usual (horizontal recta), forma de U, forma de V, forma de
escalera, forma de V, considerando el parmetro de indiferencia y por
ltimo, la forma Gaussiana (o en S). Respectivamente, de izquierda a
derecha y de arriba abajo:
52
Figura 3. Funciones de preferencias
En cuanto la tabla de evaluacin (g
j
(a
i
)), las ponderaciones (p
j
) y las
funciones de preferencias han sido definidas, el proceso Promethee
puede comenzar.
Con el propsito de realizar las comparaciones biunvocas, deben ser
definidos con antelacin, ciertos ndices de preferencia y flujos de
super-categorizacin, como se ilustra a continuacin:
El ndice de preferencia agregada, denotado pro (a,b), expresa cmo
y en qu grado a,, es preferido a b, en relacin a todos los criterios en
general. Es decir, expresa la preferencia global de una alternativa a en
relacin con otra alternativa b.
(a,b) =
j=1..k
F
j
(a,b) p
j
,siendo (a,b) un valor entre cero y uno,
y (a,a)=0
53
Un (a,b) cercano a cero, implica una preferencia global dbil de a
sobre b. As mismo, un (a,b) cercano a uno, implica una preferencia
global fuerte de a sobre b.
Una vez que todos los ndices de preferencia agregada han sido
obtenidos, se procede a calcular los flujos de super-categorizacin,
como sigue:
El flujo de super-categorizacin positivo expresa cmo una alternativa
a, super-categoriza a las otras. Este ndice es concebido por el autor
como el poder de a, o su carcter de super-categorizacin.
+
(a)=(1/(n-1))
xA
(a,x)
siendo mejor la alternativa a, en la medida en que
+
(a) es mayor.
El flujo de super-categorizacin negativo expresa cmo una alternativa
a es super-categorizada por las otras. Este ndice es concebido por el
autor como la debilidad de a, o su carcter de sub-categorizacin
-
(a)=(1/(n-1))
xA
(a,x)
siendo mejor la alternativa a en la medida en que
-
(a) es menor.
A continuacin, se utilizan estos ndices para calcular la categorizacin
final de las alternativas:
54
aPb Si
+
(a) >
+
(b) y
-
(a) <
-
(b)
+
(a) =
+
(b) y
-
(a) <
-
(b)
+
(a) >
+
(b) y
-
(a) =
-
(b)
aIb Si
+
(a) =
+
(b) y
-
(a) =
-
(b)
aRb Si no se da ninguno de los casos anteriores
Tabla 9. ranking parcial cuando se permite la relacin R.
En el caso de ranking completo (cuando se asume la
comparabilidad de todas las alternativas), se define un ndice
denominado flujo de super-categorizacin neto:
(a) =
+
(a) -
-
(a). A mayor flujo neto, mejor la alternativa.
Por lo tanto, el ranking completo de las alternativas, se define como:
aPb si (a) > (b)
aIb si (a) = (b)
Fundamentos del Mtodo MacBeth
Basado en comparaciones semnticas sobre el atractivo y las
diferencias en el grado de atractivo de diversos estmulos, el mtodo
MacBeth es un enfoque interactivo, ideado para ayudar a la persona
que emite los juicios, a cuantificar el atractivo que presenta cierto
estmulo (Bana e Costa, 2000). En trminos generales, evaluar
informacin de tipo ordinal sobre las preferencias de un directivo D
respecto de un conjunto de alternativas, no presenta mayor dificultad.
Lamentablemente, en la mayora de las aplicaciones prcticas esta
informacin no es suficientemente completa, para asegurar que los
55
resultados sean significativos, pues a menudo es necesario saber, no
solo que x es ms atractivo que y, sino tambin cunto ms atractivo
es. Muy poca gente posee informacin cardinal a priori (directamente
de su mente al papel). Cuando un directivo D intenta presentar
informacin de tipo cardinal sobre sus preferencias, respecto de un
conjunto de estmulos, hay cierto riesgo de que esa informacin no
est bien fundamentada. Los mtodos de preferencias, generalmente
poseen tcnicas que permiten al directivo D, evaluar interactiva y
progresivamente sus propias percepciones subjetivas, respecto de los
estmulos presentados. El mtodo MacBeth sirve de gua en la
construccin de una escala cardinal, la cual cuantifica el grado de
atractivo de los elementos de un conjunto de estmulos S, segn la
opinin de un evaluador (el directivo D).
Esto concepto se ilustra mediante el siguiente ejemplo: con base en un
estudio socio-econmico, se han definido algunos objetivos (factores
crticos de xito), tendientes a promover el desarrollo socio-econmico
de una regin. Para ello, a nivel gubernamental se ha creado un
presupuesto, que debe ser invertido con base en alguna poltica de
desarrollo, que logre la utilizacin ptima de los recursos disponibles.
En una etapa subsiguiente se han propuesto diversas polticas de
desarrollo (alternativas A= {a
1
,,a
n
}, las cuales debern ser evaluadas
en relacin con su utilidad para cumplir con los objetivos establecidos.
Dichos objetivos han sido convertidos en criterios, con base en los
cuales se efectuar el proceso de evaluacin.
Los criterios son:
diversificacin sectorial
ms PYMES
mayor apertura hacia mercados externos
56
ms servicios
mejor integracin mediambiental
mejor distribucin territorial
mejor viabilidad empresarial
mayor capacidad de empleo
Cada uno de los criterios debe ser estudiado para poder definir una
escala, que sirva para describir el nivel de impacto de cada poltica
(i.e. alternativa) con respecto de ese criterio. Esta escala se usa para
describir los niveles de impacto y por lo tanto, se denomina descriptor.
Tomando el caso del criterio diversificacin sectorial, cuyo xito se
mide en trminos de el re-direccionamiento de la actividad econmica
hacia mercados prometedores, se definen seis niveles de impacto,
que son ordenados de la siguiente forma:
A la poltica de desarrollo ayudar a CASI TODAS las comunidades
B la poltica de desarrollo ayudar a la MAYORIA de las comunidades
C la poltica de desarrollo ayudar SOLO a las comunidades grandes
D la poltica de desarrollo en GENERAL ayudar a las comunidades grandes
E la poltica de desarrollo EN PARTE ayudar a las comunidades grandes
F la poltica de desarrollo ayudar SOLO a las comunidades pequeas
El conjunto de niveles de impacto, constituye el conjunto de
estmulos S={A,B,C,D,E,F}. Entre los elementos de S, existe una
relacin de estricto orden dbil, denominado P, que modela el grado
de atractivo (ranking) de los elementos de S, segn la opinin de un
directivo D respecto a una propiedad determinada de los estmulos. El
conjunto de elementos S={A,B,C,E,D,E,F} forma una escala ordinal,
es decir: A es el ms atractivo, seguido de B, C, D, E y finalmente F
como estmulo menos atractivo con respecto a uno de los criterios (en
este ejemplo se considera el criterio de diversificacin sectorial).
Esto se puede expresar en notacin matemtica de la siguiente forma:
57
x,y S, xPy si y solo si D juzga a x como de mayor atractivo que y
De entre los niveles de impacto, dos de ellos deben ser elegidos para
representar los niveles de referencia bueno y neutral. En este caso,
B=bueno y F=neutral. Ms adelante, a cada poltica de desarrollo
(alternativa) se le asignar un nivel de impacto referido a cada
criterio, definiendo de esta manera un perfil de impactos de cada
criterio y de cada poltica.
El fundamento bsico de MacBeth es simplemente formular algunas
preguntas concretas, con el objetivo de obtener informacin confiable
sobre las diferentes de atractivo entre los diferentes estmulos,
haciendo posible ensayar de este modo la consistencia de las
respuestas emitidas por el directivo, en relacin con el tipo de escala
que se quiere construir. Dichas preguntas son lo ms simples y
naturales que sea posible y estn referidas solamente a dos estmulos
a la vez (comparaciones biunvocas). Lo que se persigue con el
mtodo, es la obtencin de una escala de preferencias, a travs del
anlisis de informacin indirecta obtenida de las respuestas a estas
preguntas concretas y simples (Bana e Costa, 2000).
El procedimiento de formulacin de las preguntas consiste en pedir a D
que juzgue la diferencia de atractivo entre dos estmulos (x,y S,
siendo x ms atractivo que y), escogiendo una de las frases (o
expresiones semnticas) siguientes:
C
0
SIN diferencia de atractivo
C
1
MUY DBIL diferencia de atractivo
C
2
DBIL diferencia de atractivo
C
3
MODERADA diferencia de atractivo
C
4
FUERTE diferencia de atractivo
C
5
MUY FUERTE diferencia de atractivo
58
C
6
EXTREMA diferencia de atractivo
Las preguntas utilizadas por lo general son parecidas a las que se
presentan a continuacin:
Cul elemento (entre x y y) es el ms atractivo respecto de la
propiedad P?
Cmo calificara (usando C
0
,,C
6
) la diferencia de atractivo
entre x y y?
Con la informacin recabada durante este proceso de
cuestionamiento, se puede construir una matriz que tenga por
elementos los juicios categricos de D, acerca de las diferencias de
atractivo entre pares de elementos de S, como se ejemplifica a
continuacin.
A B C D E F
A
Sin Dbil moderada moderada muy fuerte extrema
B
sin dbil dbil muy fuerte extrema
C
sin muy dbil fuerte muy fuerte
D
sin fuerte muy fuerte
E
sin moderada
F
sin
Tabla 10. Matriz de juicios categricos
A pesar de que cada pregunta involucra solo dos estmulos, tomando
como base la matriz, es sencillo inferir informacin indirecta
concerniente a la diferencia de atractivo entre pares de estmulos. Por
ejemplo, se puede decir que la diferencia de atractivo entre D y E (i.e.
fuerte) es mayor que la diferencia de atractivo entre B y C (i.e. dbil).
Para el ejemplo de la tabla, el modelo se encargara de restringir que la
diferencia entre el nmero asociado a D y el nmero asociado a E, sea
59
mayor que la diferencia entre los nmeros asociados a B y C. En
efecto, dadas la relacin P y la matriz de juicios categricos, el modelo
presenta los elementos necesarios para verificar la existencia de una
escala numrica en S, que satisfaga las dos condiciones siguientes
(reglas de medicin).
Condicin 1 (condicin ordinal)
x,y S: (x) > (y) x es ms atractivo que y
Condicin 2 (condicin semntica)
k,k {1,2,3,4,5,6}, x,y,w,z S con (x,y) C
k
y
(w,z) C
k
: k k + 1 (x) - (y) > (w) - (z)
Si no es posible satisfacer estas dos condiciones, ninguna escala podr
representar los juicios expresados. Es decir, la matriz de juicios es
incompatible con cualquier intento de representar dichos juicios en
forma de una escala de intervalos. Si por el contrario, las condiciones
1 y 2 son satisfechas (matriz consistente), el modelo determina a
partir de todas las posibles escalas, una escala particular en S
(denominada escala bsica de MacBeth), mediante un procedimiento
que consiste esencialmente, en la resolucin del siguiente problema de
programacin lineal:
Conjunto de estmulos: S={s
1
,s
2
,,s
n
}
Relacin P en S, tal que:
s
1
es al menos tan atractivo como s
2
,,s
n-1
, y ms atractivo que s
n
s
2
es al menos tan atractivo como s
3
,,s
n
s
3
es al menos tan atractivo como s
4
,,s
n
s
n-1
es al menos tan atractivo como s
n
Variables positivas: (s
i
), i {1,2,...,n}
Funcin objetivo: min(s
1
)
60
Restricciones:
(1) (s
n
) = 0
(2) x,y S, con (x,y) C
0
: (x)= (y)
(3) k,k {1,2,3,4,5,6} con k > k,
(x,y) C
k
y (w,z) C
k
: (x)-(y) (w)-(z) + k k
El resultado de este programa lineal es una escala numrica ( en S),
representando las posiciones de los estmulos, respecto de su grado de
atractivo (ej.: A=15, B=13, C=11, D=10, E=4, F=0).
El siguiente paso del modelo es transformar la escala , que es la
primera escala que se presenta el modelo MacBeth, como
representacin de juicios ordinales, en una escala cardinal. Para ello,
es necesario pensar en las proporciones respectivas entre las
diferencias de atractivo de . Esto se logra confrontando a D con
proporciones como ((x) (y))/((w) (z)) y preguntarle si estas
reflejan correctamente la proporcin que D, piensa que existe entre la
diferencia de atractivo entre x y y, y la diferencia de atractivo entre w
y z. Es decir, si ((A) (C))/((E) (F))=1, habr que preguntar si
D considera que la diferencia de atractivo entre A y C, es la misma que
la diferencia de atractivo entre E y F. Entonces, D podr variar los
valores en , evitando violar las restricciones del programa lineal (lo
cual puede ser calculado) hasta sentirse completamente satisfecho
acerca de los atractivos relativos de cada par de estmulos (Bana e
Costa, 2000).
Una vez que se han logrado las escalas cardinales para cada criterio,
se procede a la evaluacin del grado de atractivo global de las
alternativas. Para esto, se construye una escala v
i
para el descriptor de
cada criterio. Este descriptor ser denominado X
i
, siendo i el
identificador de cada criterio. Anteriormente dos niveles de impacto
61
fueron definidos para representar los niveles de referencia bueno y
neutral, que en el caso del ejemplo fueron B y F para el criterio
diversificacin sectorial. Formalmente, los niveles de referencia del
criterio i, sern denotados v
i
(neutral)=0 y v
i
(bueno) = 100, siendo
neutral
i
y bueno
i
los niveles de referencia del criterio i. De esta
manera, v
i
(x
i
) mide el atractivo absoluto (de acuerdo con el criterio
i). De esta manera v
i
(x
i
) mide el atractivo absoluto (de acuerdo con
el criterio i) de cada elemento x
i
de X
i
. Para medir el atractivo global
(de acuerdo con todos los criterios), el siguiente procedimiento de
agregacin es utilizado:
V(x
1
,,x
n
)=k
1
v
1
(x
1
)++k
n
v
n
(x
n
),
siendo n la cantidad total de criterios, k
i
0 y
i=1n
k
i
=1
Los parmetros k
i
, se conocen como constantes ascendentes y son
determinadas de la siguiente manera:
El directivo D, debe considerar una alternativa ficticia (e.g. una poltica
de desarrollo) por cada criterio (e.g. diversificacin sectorial); de tal
manera, que el impacto de esta alternativa sea bueno en relacin
con ese criterio y neutral para los dems criterios. Es decir, el
directivo D imaginar n alternativas ficticias, tal que:
a
0
=(neutral
1
,,neutral
n
)
a
1
=(bueno
1
, neutral
2
, ,neutral
n
)
a
2
=(neutral
1
, bueno
2
,neutral
n
)
a
i
=(neutral
1
,,bueno
i
, , neutral
n
)
a
n
=(neutral
1
, neutral
2
, ,bueno
n
)
62
i.e., a
2
corresponde a la alternativa ficticia, cuyo impacto sea bueno
para el criterio 2.
En seguida, se procede a realizar un proceso que permite ordenar las
constantes ascendentes {k
1
, , k
n
}. Aplicando el modelo de
agregacin se tiene que V(a
0
)=0 y V(a
i
)=100k
i
, para i=1,,n.
Consecuentemente, ordenar las alternativas ficticias en orden
decreciente en cuanto a su atractivo global relativo, llevar al
ordenamiento de las constantes ascendentes, en relacin con su
magnitud relativa. Este proceso consiste simplemente en escoger cul
alternativa ficticia es la que sera ms atractiva en relacin con el
objetivo principal. Por consiguiente, la constante k
i
, correspondiente a
esta alternativa ficticia es la de mayor valor. En otras palabras, la
diferencia de atractivo entre esta alternativa ficticia y la alternativa a
0
es extrema. Luego se procede a escoger la siguiente alternativa
ficticia ms importante y se da una expresin semntica descriptiva de
la diferencia de atractivo, entre esta segunda alternativa y la
alternativa a
0
, por ejemplo, muy fuerte. Este proceso llevar un
ranking de las constantes ascendentes, que a manera de ejemplo
podra lucir ms o menos as (escala ordinal):
k
7
>k
2
>k
3
=k
5
>>k
n
>k
i
>>k
8
>k
1
>k
6
Esto har posible la construccin de la siguiente tabla (ntese la
correspondencia de sub-ndices)
63
a
7
a
n
a
i
a
6
a
7
No fuerte muy fuerte muy fuerte
a
n
no moderado muy fuerte
a
i
No fuerte
moderado
a
6
no
Tabla 11. Resumen de comparaciones biunvocas de las alternativas ficticias
Esta tabla representa el resumen de las comparaciones biunvocas de
las alternativas ficticias {a
0
, , a
i
, , a
n
}. La alternativa a
0
, es neutral
para todos los criterios y cada alternativa ficticia a
i,
corresponde a cada
uno de los criterios g
i
.
Mediante el mismo modelo de programacin lineal utilizado para
definir la escala , se logra determinar una escala similar, la cual
mediante una transformacin lineal, tendr la propiedad de que la
suma de sus valores (correspondientes a cada alternativa ficticia) sea
100, lo cual asegura que k
1
+ k
2
+ + k
n
= 1, siendo n, la cantidad
total de criterios.
Posteriormente, los valores de esta escala pueden ser modificados con
el fin de que las proporciones de los valores reflejen la percepcin de D
en cuanto a las diferencias de atractivo de las alternativas ficticias.
Este procedimiento es similar a aquel que se coment al principio en
referencia a la escala de MacBeth.
64
Cuando estas modificaciones han sido hechas, los valores numricos
de las constantes ascendentes pueden ser calculados de la siguiente
expresin:
Para cada par de alternativas ficticias:
(V(a
i
)-V(a
0
))/(V(a
j
)-V(a
0
))=V(a
i
)/V(a
0
)=(100k
i
)/(100k
j
)=k
i
/k
j
con estos datos es posible calcular el atractivo global de cada
alternativa, pues se cuenta con todos los parmetros necesarios para
efectuar el procedimiento de agregacin. El resultado de este
procedimiento de agregacin, ser una escala de preferencias que
represente el ranking de atractivo global de las alternativas (i.e.,
considerando todos los criterios).
Fundamentos del Mtodo Munda
1
NAIADE es un mtodo de toma de decisiones con criterios mltiples
que permite tomar en cuenta diferentes tipos y grados de
incertidumbre, presentes en el proceso. Este mtodo realiza un
ranking de alternativas utilizando la tcnica de las comparaciones
biunvocas y no requiere de la elaboracin previa de una ponderacin
de criterios respecto a su importancia relativa. Los valores utilizados
para expresar el desempeo de las alternativas con respecto de los
criterios pueden ser nmeros exactos, nmeros estocsticos, nmeros
difusos o expresiones lingsticas. NAIADE permite la evaluacin de las
alternativas respecto de un conjunto de criterios mediante el uso de
una matriz de impactos. Esto se basa en un algoritmo de comparacin
1
Esta parte se ha elaborado en base a NAIADE MANUAL versin 1.0 English
65
que utiliza dicha matriz de impactos y que est compuesto por los
siguientes pasos:
1. construccin de la matriz de impactos (criterios vs. Alternativas).
2. comparaciones biunvocas de las alternativas utilizando
relaciones de preferencia.
3. agregacin de todos los criterios.
4. ranking de alternativas.
NAIADE tambin permite la evaluacin de conflictos entre diversos
grupos de involucrados mediante una matriz de equidad, la cual
consiste en evaluaciones lingsticas de cada alternativa, hechas por
cada grupo de involucrados. A partir de la matriz de equidad se calcula
otra matriz denominada matriz de similaridad, con la cual es posible
descubrir la posible formacin de coaliciones y los niveles de conflicto
entre los diferentes grupos de involucrados (Munda, 1995)
Para construir la matriz de impactos es necesario contar con valores
asociados a cada criterio, respecto de cada alternativa. Estos valores
pueden ser nmeros puros (e.g.: el costo expresado en moneda), o
definiciones cuantitativas afectadas por diferentes niveles de
incertidumbre, ya sea escogiendo una funcin de densidad
probabilstica en el caso en que la incertidumbre pueda ser del tipo
estocstico, o escogiendo la forma de la funcin de membresa en el
caso de que la incertidumbre deba ser tratada con conceptos de la
matemtica difusa (Munda, 1995).
Para poder comparar los valores dados a los criterios respecto de las
alternativas es necesario introducir el concepto de distancia semntica
66
(Munda, 2001). Distancia semntica se define simplemente como la
distancia entre dos funciones, tomando en cuenta la posicin y la
forma de dichas funciones. Formalmente, distancia semntica es:
Dados dos conjuntos difusos
A1
(x) y
A2
(x), definimos:
f(x)=k
1
A1
(x) y g(y)=k
2
A2
(y)
donde f(x) y g(y) son dos funciones obtenidas reescalando las ordenas
de
A1
(x) y
A2
(x) mediante el uso de las constantes k
1
y k
2
, de
manera tal que:
-, +
f(x)dx=
-, +
g(y)dy=1
La distancia semntica S
d
(f(x),g(x)) entre las dos funciones f(x) y g(x)
se define as:
Si f(x): X=[X
L
,X
U
] y g(y): Y= X
L
,X
U
], donde los conjuntos X y Y
pueden ser conjuntos abiertos,
entonces S
d
(f(x), g(x))=
X
Y
|X-Y|f(x) g(y)dxdy
La comparacin de los valores de cada par de alternativas con
respecto de los criterios es realizada mediante el concepto de distancia
semntica. La comparacin se basa en relaciones de preferencia,
definidas mediante 6 funciones que permiten expresar un ndice de
credibilidad de las frases descriptivas de las relaciones de preferencia
entre dos alternativas. Estas frases son: mucho mejor, mejor,
67
aproximadamente igual, igual, peor y mucho peor. El ndice de
credibilidad est comprendido entre 0 y 1, e incrementa
monotnicamente dentro de este rango. A continuacin, las
definiciones matemticas de las seis relaciones de preferencia:
Mucho mejor: >>(d)=
0, para d<0
1/(1+((C
2
>> (2-1))/d
2
)
2
), para d0
Mejor: >(d)=
0, para d<0
1/(1+(C
2
> /d
2
)), para d0
Aproximadamente igual
a
(d)=
e
-((log2/C
a
)|d|)
, d
Igual: =(d)=
e
-((log2/C
n
*C
n
)(d*d)
, d
Mucho peor: <<(d)=
0, para d<0
1/(1+((C
2
<< (2-1))/d
2
)
2
), para d0
Peor: <(d)=
0, para d<0
1/(1+(C
2
< /d
2
)), para d0
Tabla 12. Matriz de relaciones de preferencia.
,donde C>>, C>, C=, C
a
, C<< y C< son los valores en abscisa en los
que las funciones igualan 0.5 y d, es la distancia.
Las relaciones de preferencia tienen las siguientes restricciones:
1. >>(d)=<<(-d) y >(d)= <(-d), i.e.: dadas dos alternativas A
y B a una distancia d, el ndice de credibilidad de la frase A es
68
mejor que B, es igual al ndice de credibilidad de la frase A es
peor que B
2. C=<C
a
<C
>
<C
>>
. El ndice de credibilidad de la frase A es igual
que B es menor que el ndice de credibilidad de la frase A es
aproximadamente igual a B. El ndice de credibilidad de la frase
A es mucho mejor que B es menor que el ndice de credibilidad
de la frase A es mejor que B.
Independientemente del tipo de informacin (numrica, estocstica o
difusa), es necesario asignar el valor numrico de la distancia donde el
ndice de credibilidad es 0.5.
A travs de un algoritmo de agregacin de los ndices de credibilidad,
NAIADE calcula un ndice de intensidad de preferencia de una
alternativa respecto de otra alternativa. En particular, el parmetro
es usado para expresar el requerimiento mnimo de los ndices de
credibilidad. Solamente aquellos criterios cuyos ndices sean superiores
al umbral , sern tomados en cuenta positivamente en el
procedimiento de agregacin.
El ndice de intensidad de preferencia *(a,b) (donde * significa >>,
>, ,=, <<, <) de una alternativa a versus otra alternativa b, se define
como sigue:
*(a,b)=(
m=1,,M
max(*(a,b)
m
-,0)/(
m=1,,M
|(*(a,b)
m
-|)
El ndice de intensidad *(a,b) tiene las siguientes caractersticas:
0 *(a,b) 1
*(a,b) = 0 si ningun *(a,b)
m
es mayor que
*(a,b) = 1 si *(a,b)
m
m y *(a,b)
m
> para al menos un criterio
69
Con el objetivo de utilizar la informacin respecto de la diversidad en
la evaluacin de las relaciones difusas, respecto de cada criterio, el
concepto de entropa resulta muy til. La entropa se calcula como un
ndice que vara entre 0 y 1 y que indica la variacin de los ndices de
credibilidad que estn sobre el umbral y cercanos al valor 0.5 (el cual
corresponde a la mxima difusividad). Un valor entrpico de 1 significa
que todos los criterios dan una indicacin de mxima difusividad (0.5).
La informacin provista por el ndice de intensidad de preferencia
*(a,b) y la correspondiente entropa H*(a,b) puede ser utilizada para
construir los grados de veracidad () de los siguientes enunciados:
de acuerdo con la mayora de los criterios,
a es mejor que b
a y b son indiferentes
a es peor que b
los enunciados a es mejor que b, a y b son indiferentes y a es peor
que b son calculados como sigue:
mejor
(a,b)=(
>>
(a,b)
C
>>
(a,b)+
>
(a,b)
C
>
(a,b)/(C
>>
(a,b)+C
>
(a,b))
indiferente
(a,b)=(
=
(a,b)
C
=
(a,b)+
(a,b)
(a,b)/(C
=
(a,b)+C
(a,b))
peor
(a,b)=(
<<
(a,b)
C
<<
(a,b)+
<
(a,b)
C
<
(a,b)/(C
<<
(a,b)+C
<
(a,b))
,donde C
*
(a,b)=1-H*(a,b) es el nivel de entropa asociado sobre el
ndice de intensidad de preferencia, y el operador ^
,
puede ser
reemplazado por el operador mnimo (lo cual no da compensacin) y
por el operador Zimmermann-Zysno, el cual permite utilizar grados de
compensacin variables (Munda, 1995).
70
Finalmente, el operador de acuerdo con la mayora de los criterios es
implementado filtrando los valores
mejor
,
indiferente
y
peor
de la
siguiente manera:
1 0.8
3.33 -1.66 0.5 0.8 (w) =
0 0.5
NAIADE permite el ranking de las alternativas con base en los ndices
de intensidad de preferencias *(a,b) y sus correspondientes entropas
H*(a,b). El ranking final proviene de la interseccin de dos ranking
diferentes. El primero,
+
(a) est basado en las relaciones de
preferencia mejor y mucho mejor y mediante un valor entre 0 y 1
indica cun mejor es a respecto de las dems alternativas. El segundo,
-
(a) est basado en las relaciones de preferencia peor y mucho
peor y mediante un valor entre 0 y 1 indica cun peor es a respecto
de las dems alternativas.
+
(a) y
-
(a) se calculan como sigue:
+
(a)=(
n=1,..(N-1)
(
>>
(a,n)^C
>>
(a,n)+
>
(a,n)^C
>
(a,n))/(
n=1,(N-1)
C
>>
(a,n)+n=
1,(N-1)
C
>
(a,n))
-
(a)=(
n=1,..(N-1)
(
<<
(a,n)^C
<<
(a,n)+
<
(a,n)^C
<
(a,n))/(
n=1,(N-1)
C
<<
(a,n)+n=
1,(N-1)
C
<
(a,n))
, donde N es el nmero de alternativas y ^ es un operador que puede
ser reemplazado por el operador mnimo (lo cual no da
compensacin) o por el operador Zimmermann-Zysno, el cual permite
utilizar grados de compensacin variables (Munda, 1995).
71
Por ltimo, para realizar el anlisis de equidad se debe empezar por la
creacin de una matriz de equidad, la cual da una indicacin verbal (o
lingstica) del juicio emitido por el grupo de inters para cada una de
las alternativas. La distancia semntica es tambin utilizada en este
caso para calcular los ndices de similaridad entre los grupos de
inters. A partir de la matriz de equidad se construye entonces una
matriz de similaridad, la cual da un ndice, para cada par de grupos de
inters i,j, acerca de la similaridad de los juicios acerca de las
alternativas propuestas. Este ndice S
ij
es calculado de la siguiente
manera:
S
ij
= 1/(1+d
ij
)
, donde d
ij
es la distancia de Minkovsky entre el grupo i y el grupo j, y
es calculada a su vez como sigue:
________
d
ij
=
p
(S
k
(i,j))
p
, donde S
k
(i,j) es la distancia semntica entre el grupo i y el grupo j en
el juicio de la alternativa k. N es el nmero de alternativas y p>0 es el
parmetro de la distancia de Minkovsky (Munda, 1995).
A travs de una secuencia de reducciones matemticas, se forma el
dendogramo de formacin de coaliciones, el cual identifica la posible
formacin de coaliciones para los valores decrecientes de los ndices
de similaridad y el grado de conflicto entre los grupos de inters.
72
Conclusiones
Los mtodos para la toma de decisiones con mltiples criterios son
tiles para ayudar a resolver problemas complejos, en los que es
necesaria la comparacin de alternativas, considerando varios puntos
de vista simultneamente.
La naturaleza intangible de determinado tipo de criterios, puede ser
manipulada mediante el uso de expresiones semnticas, extradas del
lenguaje cotidiano.
Existen modelos que permiten expresar matemticamente los
conceptos de preferencia, indiferencia e incomparabilidad.
Debido al grado de conflicto que presentan los temas de economa y a
la subjetividad de muchos de sus aspectos, los mtodos para la toma
de decisiones con mltiples criterios, son potencialmente tiles para el
anlisis de decisiones en dicho campo.
73
Bibliografa
Aguilar, Alejandra; Conflicto y Colaboracin en el manejo de
recursos CIDD-IDRC, Canad; 1999.
Bana e Costa, C.; Vansnick, J.C.. Fundamentos de MacBeth: Ideas
Basicas y Software de Aplicaciones. Summer School on MCDA; 2000.
Bouyssou, D.; Building Criteria: A prerequisite for MCDA / Readings
in Multiple Criteria Decision Aid. 2000.
Bouyssou, D.; Marchant, T; Pirlot, M.; Evaluation and Decision
Models: A Critical Perspective. Kluwer Academic Publish. 2000.
Brans, J.P.; Multicriteria Decision Aid: The Promethee-Gaia
Solution. 1997.
Buchanan, Leigh; Toma de Decisiones: Una breve historia. Harvard
Business Review, Enero 2006.
Forman E.; Toma de Decisiones Multicriterio y el Proceso Analtico
Jerrquico, 1990.
Gallagher, Charles.; Mtodos Cuantitativos para la Toma de
Decisiones en Administracin, McGraw-Hill, 2004.
Hammond J.; Las Trampas Ocultas en la Toma de Decisiones;
Harvard Business Review. Septiembre-Octubre 1998.
Marn-Zamora, Carlos; Toma de Decisiones; Revista Acta
Acadmica, Universidad Autnoma de Centro Amrica, No 22, Mayo-
1998.
74
Munda, G.; Multicriteria Evaluation in a Fuzzy Environment: Theory
and Applications in Ecological Economics; 1995.
Munda, G.; Manual de NAIADE. Versin 1.0; 2001.
Paruccini, M.; Applying Multiple Criteria Aid for Decision to
Environmental Management; Kluwer Academic Publishers. 1993.
Saati, T.; Mtodo de Optimizacin Multiobjetivo; McGraw-Hill; 1971.
Sanchez, R.; Anlisis de Costos Intangibles y Beneficios utilizando
AHP; Tesis Doctoral para el grado de Doctor en Economa;
Universidad Catlica de Chile; 1999.
75
Anexos
Aplicacin del mtodo AHP
Problema de seleccin del trazado de un tramo de
autopista
El problema de decisin consiste en elegir el trazado de un tramo de
autopista. Existen tres trazados o alternativas posibles que
denominamos A, B y C, que se evalan con base en tres criterios:
A1: Costo de ejecucin
A2: Impacto ambiental
A3: Tiempo de ejecucin
Supuestos:
El decisor considera que el criterio costo, es 2 veces ms
importante que el criterio impacto ambiental y 5 veces ms
importante que el criterio tiempo de ejecucin. Adems, el criterio
impacto ambiental es 3 veces ms importante que el criterio tiempo
de ejecucin.
Desde el punto de vista del criterio costo, el decisor considera que
la alternativa A, es 6 veces ms importante que la alternativa B y 3
veces ms importante que la alternativa C y que adems, C es el
doble de importante que B.
Desde el punto de vista del criterio impacto ambiental, el decisor
considera que la alternativa B, es 9 veces ms importante que A, el
doble de importante que C y que C es 5 veces ms importante que
A.
Desde el punto de vista del criterio tiempo de ejecucin, el decisor
considera que la alternativa B, es el doble de importante que A y
que C, es 4 veces ms importante que A y el doble de importante
que B.
76
La matriz de criterios para el nivel jerrquico dos es la siguiente:
ATRIBUTOS
A1 A2 A3
A1: Costo 1 2 5
A2: Impacto Ambiental 1 3
A
T
R
I
B
U
T
O
S
A3: Tiempo de Ejecucin 1/5 1/3 1
La solucin de esta matriz
2
que da por resultante lo que se conoce
como vector de criterios, es:
Pesos relativos al nivel 2: W= (0.5813, 0.3092, 0.1095)
La matriz de criterios para el nivel jerrquico tres, es la siguiente:
Costo ALTERNATIVAS
A B C
A 1 6 3
B 1/6 1 2
A
L
T
E
R
N
A
T
I
V
A
S
C 1/3 1
Pesos relativos al nivel 3 Costo: W= (0.6556, 0.1926, 0.1518)
2
La solucin de la matriz se omite por ser un procedimiento matemtico, sin embargo la misma puede
resolverse por medio de programacin por metas o por determinantes.
77
Impacto
Ambiental
ALTERNATIVAS
A B C
A 1 1/9 1/5
B 9 1 2
A
L
T
E
R
N
A
T
I
V
A
S
C 5 1/2 1
Pesos relativos al nivel 3 Impacto Ambiental: W= (0.0660, 0.6152, 0.3188)
Tiempo de
Ejecucin
ALTERNATIVAS
A B C
A 1 1/2 1/4
B 2 1 1/2
A
L
T
E
R
N
A
T
I
V
A
S
C 4 2 1
Pesos relativos al nivel 3 Tiempo de Ejecucin: W= (0.1429, 0.2857, 0.5714)
Determinacin de los pesos globales:
Alternativa A: 0.5813*0.6556 + 0.3092*0.0660 + 0.1095*0.1429 = 0.4172
Alternativa B: 0.5813*0.1926 + 0.3092*0.6152 + 0.1095*0.2857 = 0.3335
Alternativa C: 0.5813*0.1518 + 0.3092*0.3188 + 0.1095*0.5714 = 0.2493
El trazado A del tramo de la autopista es la mejor solucin
78
Aplicacin del mtodo Electra
Problema de seleccin de inversiones
Supongamos el caso de un centro decisor que tiene que ordenar
preferencialmente cinco inversiones (alternativas) que denominamos
A, B, C, D y E que se evalan con base en cinco criterios:
A
1
: Valor actual neto (VAN)
A
2
: Tasa interna de rendimiento (TIR)
A
3
: Nivel de empleo,
A
4
: Volumen de ventas
A
5
: Impacto ambiental
Todos los criterios son de maximizar, excepto el ltimo que es de
minimizar.
El decisor proporciona a cada atributo los siguientes pesos
preferenciales: W = (0.25, 0.25, 0.20, 0.10, 0.20)
Los datos de partida, es decir, la MATRIZ DECISIONAL, viene dada en
la siguiente tabla:
A
1
A
2
A
3
A
4
A
5
A 100 15 7 40 50
B 200 25 7 60 200
C 100 20 4 25 25
D 200 30 20 70 350
E 250 25 15 100 500
Todos los criterios son de maximizar, excepto el ltimo que es de
minimizar.
ALTERNATIVAS
A B C D E
A - 0.300 0.425 0.200 0.200
B 0.700 - 0.800 0.325 0.325
C 0.575 0.200 - 0.200 0.200
D 0.800 0.675 0.800 - 0.650
A
L
T
E
R
N
A
T
I
V
A
S
E 0.800 0.675 0.800 0.350 -
79
Fila 1
C(A,B) = 0 + 0 + (0.200) + 0 + 0.200 = 0.300
C(A,C) = (0.250) + 0 + 0.200 + 0.100 + 0 = 0.425
C(A,D) = 0 + 0 + 0 + 0 + 0.200 = 0.200
C(A,E) = 0 + 0 + 0 + 0 + 0.200 = 0.200
La matriz de decisin una vez normalizada queda de la siguiente
forma:
ALTERNATIVAS
A
1
A
2
A
3
A
4
A
5
A 0.67 1.00 0.44 0.53 0.11
B 1.33 1.67 0.44 0.80 0.42
C 0.67 1.33 0.25 0.33 0.05
D 1.33 2.00 1.25 0.93 0.74
A
L
T
E
R
N
A
T
I
V
A
S
E 1.67 1.67 0.94 1.33 1.05
R(A, A
1
) = R(C,A
1
) = 100/(250-100) = 0.67
R(B, A
1
) = R(B,A
1
) = 200/(250-100) = 1.33
R(E, A
1
) = R(E,A
1
) = 250/(250-100) = 1.67
Matriz de decisin normalizada y ponderada:
ALTERNATIVAS
A
1
A
2
A
3
A
4
A
5
A 0.17 0.25 0.09 0.05 0.02
B 0.33 0.42 0.09 0.08 0.08
C 0.17 0.33 0.05 0.03 0.01
D 0.33 0.50 0.25 0.09 0.15
A
L
T
E
R
N
A
T
I
V
A
S
E 0.42 0.42 0.19 0.13 0.21
Columna 1: elementos de la columna 1 de la matriz de decisin
normalizada por 0.25
Columna 2: elementos de la columna 2 de la matriz de decisin
normalizada por 0.25
Columna 3: elementos de la columna 3 de la matriz de decisin
normalizada por 0.25
80
Matriz de decisin normalizada y ponderada:
ALTERNATIVAS
A B C D E
A - 1.00 1.00 1.00 1.00
B 0.38 - 0.44 1.00 0.79
C 0.45 1.00 - 1.00 1.00
D 0.51 0.39 0.68 - 0.99
A
L
T
E
R
N
A
T
I
V
A
S
E 0.76 1.00 0.81 1.00 -
max |0.17-0.33; 0.25-0.42; 0.05-0.08| 0.17
d(A,B) =
max |0.17-0.33; 0.25-0.42; 0.05-0.08; 0.21-0.08|
=
0.17
= 1
max |0.15-0.02| 0.13
d(A,B) =
max |0.33-0.17; 0.5-0.25; 0.25-0.09; 0.09-0.05; 0.15-0.02|
=
0.25
= 0.51
Matriz de ndices de concordancia:
ALTERNATIVAS
A B C D E
A - 0.300 0.425 0.200 0.200
B 0.700 - 0.800 0.325 0.325
C 0.575 0.200 - 0.200 0.200
D 0.800 0.675 0.800 - 0.650
A
L
T
E
R
N
A
T
I
V
A
S
E 0.800 0.675 0.800 0.350 -
Matriz de ndices de discordancia:
ALTERNATIVAS
A B C D E
A - 1.00 1.00 1.00 1.00
B 0.38 - 0.44 1.00 0.79
C 0.45 1.00 - 1.00 1.00
D 0.51 0.39 0.68 - 0.99
A
L
T
E
R
N
A
T
I
V
A
S
E 0.76 1.00 0.81 1.00 -
Umbral mnimo de concordancia: c=0.5 (valores medio de la matriz de
ndices de concordancia)
Umbral mximo de discordancia: d=0.81 (valores medio de la matriz
de ndices de discordancia)
81
Matriz de dominancia concordante:
ALTERNATIVAS
A B C D E
A - 0 0 0 0
B 1 - 1 0 0
C 1 0 - 0 0
D 1 1 1 - 1
A
L
T
E
R
N
A
T
I
V
A
S
E 1 1 1 0 -
Matriz de dominancia discordante:
ALTERNATIVAS
A B C D E
A - 0 0 0 0
B 1 - 1 0 1
C 1 0 - 0 0
D 1 1 1 - 1
A
L
T
E
R
N
A
T
I
V
A
S
E 1 0 1 0 -
Matriz de dominancia agregada (concordante-discordante)
ALTERNATIVAS
A B C D E
A - 0 0 0 0
B 1 - 1 0 0
C 1 0 - 0 0
D 1 1 1 - 1
A
L
T
E
R
N
A
T
I
V
A
S
E 1 0 1 0 -
Grafo Electra:
Ncleo del grafo Electra:
Alternativa D
82
Glosario Multicriterio
AGREGACIN
Los algoritmos de agregacin consisten en la aplicacin de
procedimientos matemticos para sintetizar los valores obtenidos por
cada alternativa, respecto de todos los criterios considerados en el
anlisis. Los valores obtenidos pueden referirse, tanto a las
puntuaciones de las alternativas respecto de algn criterio, como a la
utilidad que reporta el puntaje obtenido en dicho criterio.
Los mecanismos ms conocidos de agregacin, son los que se
obtienen de la ponderacin lineal, o multiplicativa; en tanto que en las
metodologas del tipo ELECTRE o PROMETHEE, las formas de
agregacin estn dadas por la lgica de las relaciones de superacin.
Cabe destacar, que en dichos mtodos tambin se procede a una
agregacin de los varios prerdenes obtenidos mediante la obtencin
del llamado orden mediano.
ANLISIS DE SENSIBILIDAD
Se refiere a las diversas tcnicas empleadas para vincular los
parmetros y datos iniciales de un modelo, con los resultados o
soluciones del mismo. La vinculacin puede consistir en:
i) los rangos posibles de variacin de datos iniciales o
parmetros, que no afectan a los resultados;
ii) el clculo de una medida global de "robustez" de una solucin
sin referencias directas a cambios en los parmetros o datos
iniciales.
ANLISIS O EVALUACIN MULTICRITERIO
Es el mundo de conceptos, aproximaciones, modelos y mtodos, para
auxiliar a los centros decisores a describir, evaluar, ordenar,
jerarquizar, seleccionar o rechazar objetos, con base en una
evaluacin (expresada por puntuaciones, valores o intensidades de
preferencia) de acuerdo con varios criterios.
83
ATRIBUTOS O CRITERIOS
Son los puntos de vista considerados relevantes para el anlisis o
resolucin de un problema. Constituyen la base para la toma de
decisiones, base que puede ser medida y evaluada. Es la evidencia
sobre la cual se basa una decisin, o dicho de otro modo es un aspecto
medible de un juicio, por el cual puede ser caracterizada una
dimensin de las alternativas bajo anlisis.
Estos criterios pueden representar diferentes aspectos de la teleologa:
objetivo, metas, valores de referencia, niveles de aspiracin o utilidad.
En el planteo de la matriz de decisin o en la caracterizacin de un
problema, la identificacin de los criterios pertinentes al mismo, es de
gran importancia para el logro de los objetivos. La forma en que puede
ser medido o caracterizado el criterio, tambin es un aspecto de gran
importancia, ya que de ello depender en gran parte el resultado final
del proceso de evaluacin.
Desde un punto de vista operativo los atributos pueden ser clasificados
en tres grupos:
i) de beneficio, en los que la preferencia o la utilidad es
creciente con el valor o puntaje del mismo;
ii) de costos, los que ofrecen una utilidad monotnica
decreciente: cuanto mayor el puntaje, menor es la
preferencia, y
iii) no montonos, tales como el contenido de azcar en la
sangre, donde la utilidad mxima es obtenida en un valor
intermedio dentro del rango posible.
CRITERIO ESTRICTO
Dadas dos alternativas a y b y sus puntajes respecto de un criterio
genrico, por ejemplo g(a) y g(b) obtenidas de la matriz de valoracin,
si la diferencia g(a) - g(b) es no nula (distinta de cero), tal diferencia,
por pequea que sea, es suficiente en el caso de trabajar con criterios
estrictos, para afirmar que la accin a es preferida a la accin b (con
g(a) > g(b)) o que la accin b, es preferida a la accin a (con g(b) > g(a)),
respecto del criterio considerado.
84
NDICES BINARIOS DE PREFERENCIA
Una dificultad para comparar alternativas con ayuda de modelos, es
que la confianza en los resultados est afectada negativamente por la
inevitable imprecisin en los respectivos parmetros. Resulta,
entonces til, contar con herramientas que expresen el grado de
confianza en los resultados del modelo, cuando se comparen dos
alternativas cualesquiera. Con este propsito se proponen ndices
binarios que resultan de un anlisis de sensibilidad sobre determinados
parmetros del modelo, el cual se considera aditivo (o aditivo general).
Estos ndices sirven para estimar si el resultado de comparar dos
alternativas, es suficientemente confiable o si es conveniente un
anlisis ms detallado con informacin adicional, para decidir cul de
ellas es mejor. Estos ndices fueron desarrollados de manera
independiente por Carlos Bana e Costa en 1990 y, Mayra Trejos en
1991 y Servio Guilln en 1993.
NDICE MULTICRITERIO Y MULTIACTOR
El siguiente ndice ayuda en la toma decisiones en grupo; en l cada
participante expresa sus tasas de sustitucin (trade off) no de manera
precisa, sino mediante intervalos de indeterminacin. Este ndice es
acorde con la regla de la mayora de Condorcet. Se calcula
considerando que el voto de cada actor se distribuye, entre cada par
de alternativas que se comparan, proporcionalmente al volumen del
dominio de indeterminacin, contenido en el semiespacio del
hiperplano de indiferencia de dos alternativas.
MATRIZ DE VALUACIN, DE PUNTUACIN O DE
DECISIN
Es una matriz que resume las informaciones pertinentes al problema
bajo anlisis. Cualquier problema multicriterio puede expresarse de
forma concisa en formato matricial, en donde las columnas
representan los atributos o criterios relevantes al problema y las filas
representan las alternativas en competencia. De este modo, un
elemento genrico X
ij
de la matriz, indica la valuacin o performance
(utilidad o puntaje) de la i-sima alternativa A
i
respecto del j-simo
atributo o criterio C
j
.
85
Este orden de filas y columnas no es imperativo, ya que muchos
autores transponen el mismo. Es comn incluir en la parte superior o
inferior de la matriz de valuacin, el peso o ponderacin que se la ha
asignado a cada criterio.
MTODO ARIADNE
Es un mtodo interactivo, propuesto por Ambrosio Goicochea en 1991.
Calcula, mediante un modelo lineal, los valores mximo y mnimo
posibles de cada alternativa, de acuerdo con los pesos obtenidos por
programacin lineal y a partir de la informacin de preferencias, que el
decisor proporcione.
MTODO MACBETH
El mtodo MACBETH es un mtodo interactivo que mide el grado de
preferencia de un decisor sobre un conjunto de alternativas. Fue
desarrollado por Carlos Bana e Costa, de la Universidad de Lisboa,
Portugal, y Jean Claude Vasnick de la Universidad de Mons-Hainaut,
Blgica, en 1994. Construye una funcin criterio de un punto de vista
fundamental y determina los parmetros relacionados con la
informacin entre criterios (pesos) en la fase de agregacin.
Para la construccin de la funcin criterio de cada punto de vista, la
preferencia es local; es decir, que los juicios del decisor conciernen
nicamente a un solo punto de vista fundamental. Para determinar los
pesos se usan los juicios del decisor acerca de la preferencia total de
las alternativas. Estos permiten a MACBETH representar la informacin
de manera cuantitativa mediante la relacin de todos los criterios,
dentro de un modelo de evaluacin global.
86
MTODOS COMPENSATORIOS Y NO COMPENSATORIOS
Estos mtodos se diferencian sobre la base de si las ventajas de un
determinado atributo o criterio pueden ser intercambiadas por las
desventajas de otro atributo, o si este intercambio no es posible.
Una estrategia de eleccin es compensatoria si los intercambios de
logros entre atributos (trade-offs) estn permitidos. La estrategia ser
No Compensatoria si no estn autorizadas dichas compensaciones.
Los mtodos de Ponderacin Lineal, de Utilidad Multiatributo y el
Proceso Analtico Jerrquico son tpicamente compensatorios; en tanto
que los mtodos ELECTRE no lo son, tal como ocurre por otra parte
con el mtodo lexicogrfico y el mtodo de eliminacin por aspectos.
NORMALIZACIN
Las puntuaciones en los atributos son normalizadas a efectos de
eliminar problemas de clculo originados en la utilizacin de diferentes
escalas o unidades utilizadas en la matriz de decisin. La
normalizacin no siempre es necesaria, pero s es esencial en la
mayora de los mtodos compensatorios. El propsito de la
normalizacin es obtener escalas comparables, lo que permitir
realizar comparaciones intra-atributos, as como las interatributos. En
consecuencia, los puntajes normalizados no tienen unidades de
dimensin y, para el caso de atributos de beneficios, cuanto mayor sea
el puntaje normalizado, mayor es la preferencia del mismo.
Los procedimientos de normalizacin ms utilizados son: los de
fraccin del mximo, fraccin de la norma, o fraccin de intervalo.
Los atributos no montonos (aquellos cuya preferencia crece hasta un
mximo, a partir del cual decrece la preferencia, como por ejemplo la
temperatura para el cuerpo humano) pueden ser convertidos a
atributos montonos mediante la transformacin estadstica Z.
87
ORDENAMIENTO POR LA MEDIANA
Forma parte de los mtodos que tratan con atributos cualitativos. Con
dicho tipo de datos se puede fcilmente trabajar mediante
ordenamientos o mediante comparaciones de pares. El mtodo de la
mediana permite trabajar con atributos cualitativos, con los cuales se
pueden elaborar ordenamientos parciales.
Si el decisor se enfrenta a un problema en el que tiene que resolver un
ordenamiento sobre atributos cualitativos, el establecimiento de
ordenamientos parciales respecto de cada atributo constituye una base
inicial, pero debe tomarse en cuenta, que las operaciones aritmticas
no estn permitidas respecto de las escalas de orden, lo que dificulta
el proceso de agregacin. Una forma de obtener un consenso en el
ordenamiento final, es crear un ordenamiento que difiera lo menos
posible de los todos los ordenamientos parciales. Cook y Seiford
(1978) introdujeron una funcin de distancia, que puede usarse para
medir el grado de acuerdo o de desacuerdo entre ordenamientos. Con
el grado de acuerdo calculado se elabora una matriz de distancias
entre alternativas bajo anlisis.
A partir de la matriz de distancias se trata de ordenar los elementos
cuya suma de distancias es mnima, lo cual puede realizarse utilizando
varios mtodos, uno de los ms conocidos es el llamado Mtodo
Hngaro, definido por Kuhn en 1955.
En consecuencia, este enfoque se denomina ordenamiento por
mediana debido a que el ordenamiento global difiere tan poco como
sea posible de los ordenamientos parciales obtenidos respecto de cada
atributo.
Actualmente el mtodo de la mediana ha sido adaptado para la toma
de decisiones en grupos (Hwang y Lin, 1987), partiendo de un
problema planteado por Cook y Seiford (1978), en el cual se trataba el
problema de combinar las preferencias ordinales de n personas, de
forma a lograr un consenso. En el caso presente se trata de combinar
n atributos u ordenamiento de atributos, a efectos de obtener un
ordenamiento de consenso, lo cual constituye una estructura
formalmente anloga al del consenso de grupo.
88
OTROS MTODOS SIMPLES
Es posible la aplicacin de otros mtodos, algunos de ellos de tipo no
compensatorio, pero que no se encuentran necesariamente vinculados
a la determinacin de funciones de utilidad, o que estn vinculados a
dichas funciones, pero solamente desde un punto de vista formal.
Mtodo Lexicogrfico (o de dictadura). Se parte de una matriz de
valuacin, para la cual se han determinado las escalas apropiadas y se
designa un criterio principal, que ser el criterio dictador. Aquella
accin potencial que obtiene la mejor puntuacin en ese criterio queda
consagrada como la "mejor" accin. En caso de que hubiera empate
entre pares de acciones, luego de efectuada esta primera seleccin, se
aplica un procedimiento de desempate que consiste en recurrir al
segundo criterio en orden de importancia (aquella accin que obtiene
la mejor nota con el segundo criterio, es la que queda clasificada como
la mejor), o en el tercer criterio si fuera necesario, y as seguido.
Este procedimiento no es tan trivial como pudiera creerse, ya que es
utilizado frecuentemente en decisiones econmicas: la seleccin de
proyectos sobre la base del mayor valor presente neto, constituye un
tpico procedimiento basado en un criterio dictatorial.
El procedimiento se denomina lexicogrfico, ya que de este mismo
modo se ordenan las palabras del diccionario: el criterio dictatorial es
la primera letra, luego los casos de empate son resueltos con la
segunda letra y as seguido.
El Mtodo Jerrquico o conjuntivo, atena un poco los excesos del
mecanismo lexicogrfico precedente. Tambin se parte de una matriz
de valuaciones, basada en escalas libremente electas. Tambin los
criterios son ordenados por orden de importancia. Cuando se analizan
las acciones en relacin con el criterio ms importante, simplemente
se eliminan aquellas alternativas que no hayan logrado obtener una
puntuacin o nivel mnimo respecto de tal criterio. Esto opera una
primera seleccin, a partir de la cual se consideran las evaluaciones
relativas al segundo criterio en orden de importancia y, de entre las
alternativas que pasaron el primer filtro, se eliminan aquellas que
tampoco hayan logrado un puntaje o nivel mnimo requerido para este
segundo criterio. Se sigue con este procedimiento hasta cubrir el
criterio menos importante, en la medida que el proceso de seleccin
no haya finalizado antes.
89
El mtodo de democracia es aquel que considera tambin una matriz
de valuaciones, con sus respectivas escalas, para el cual se comparan
alternativas de dos en dos. La regla de asignacin democrtica
establece que una accin a, es mejor que una accin b si esta
superioridad ha sido evidenciada en ms de la mitad de los criterios
bajo anlisis. Cuando los criterios tienen diferentes ponderaciones, lo
que sucede en la mayora de los casos, la regla establece que los
criterios para los cuales se fundamenta la superioridad de una
alternativa sobre otra, debe reunir ms de la mitad de los pesos.
Procediendo de este modo por comparaciones sucesivas, se podra
establecer una clasificacin de las acciones potenciales y, en
consecuencia, seleccionar la "mejor" de tales alternativas.
El problema con este procedimiento radica en que puede llevar a
circuitos no deseados, del tipo de los que se encuentran en los
torneos. Tales circuitos han recibido, desde el siglo XVIII el nombre de
Paradoja de Condorcet (1785), y han sido determinados ms
recientemente como casos particulares del Teorema de Arrow (1951).
Eliminacin por aspectos: es un procedimiento muy parecido al
mtodo lexicogrfico, y fue sugerido por Tversky (1972) (Elimination
by Aspects). Igual que en el mtodo lexicogrfico, se examina un
atributo por vez y se realizan las comparaciones entre las alternativas,
eliminando aquellas que no cumplen con algn estndar o valor de
base predeterminado. La diferencia con el mtodo anterior consiste en
que los criterios no estn ordenados por orden de importancia, sino en
trminos de su poder de discriminacin probabilstica. Esto es, los
atributos son utilizados y priorizados en trminos de su orden de
verosimilitud para que fallen las alternativas: estas son eliminadas
segn los aspectos ms probables de fallo.
Sea X
1
el aspecto ms efectivo para eliminar la mayor cantidad posible
de alternativas, X
2
el segundo ms efectivo y as seguido. El conjunto
de alternativas A
1
, ser seleccionado si cumple:
A
1
= {A
i
| x
i1
satisface X
1
}, i= 1, 2, ..., m.
Si el conjunto { A
1
} posee un nico elemento, entonces este elemento
es la alternativa preferida. Si hay varios elementos, se considera el
prximo aspecto ms importante X
2
:
A
2
= {A
1
| x
i2
satisface X
2
}, i { A
1
}.
90
Si este conjunto posee un nico elemento, el proceso se detiene y esta
alternativa es la seleccionada; de otro modo, se considera el prximo
aspecto ms importante X
3
y as seguido.
PONDERACIN LINEAL
El mtodo de ponderacin lineal es probablemente el ms conocido y
el ms corrientemente utilizado en los mtodos MC. Con dicho mtodo
se obtiene una puntuacin global por simple suma de las
contribuciones obtenidas de cada atributo. Si se tienen varios criterios
con diferentes escalas, dado que los mismos no son sumables en
forma directa, se requiere un previo proceso de normalizacin, para
que pueda efectuarse la suma de contribuciones de los atributos. Debe
tomarse en cuenta, sin embargo, que el orden obtenido con este
mtodo no es independiente del procedimiento de normalizacin
aplicado.
PREFERENCIAS BORROSAS
La incorporacin de vaguedad e imprecisin como fuente de
incertidumbre en la solucin de problemas MC, ha sido un aspecto que
tradicionalmente fue tratado mediante los anlisis de sensibilidad. Sin
embargo, la aparicin de un cuerpo axiomtico de la lgica borrosa o
difusa en 1965, permiti incorporar, aunque de modo lento, tcnicas
ms adecuadas para el tratamiento de estas cuestiones. Es as como
una de las primeras formas abordadas de incertidumbre mediante
preferencias borrosas, es la correspondiente a ELECTRE III, con la
introduccin del concepto de seudocriterio, del mismo modo que es
introducida en el mtodo ELECTRE IS.
Con el mtodo TODIM se han hecho aplicaciones ms concretas de las
herramientas disponibles de la lgica borrosa. Por otra parte, la
escuela de la Universidad de Helsinki trabaja actualmente con el
mtodo AHP, mediante la consideracin comparacin por intervalos.
Cabe mencionar, por ltimo, la consideracin de problemas bajo el
enfoque de programacin compromiso borrosa, en donde el
ordenamiento de alternativas se basa en distancias mtricas borrosas.
91
PROBLEMTICA DEL APOYO A LA DECISIN
Problemtica P. : el objetivo es esclarecer la decisin, mediante la
seleccin de un subconjunto lo ms restringido posible, teniendo en
cuenta, que la seleccin final se centra en unas pocas acciones. Este
subconjunto contendr las "mejores" acciones o las acciones
"satisfactorias". El resultado es una seleccin o un procedimiento de
seleccin.
Problemtica P. : pretende esclarecer una decisin mediante una
clasificacin resultante de asignar cada accin a una categora (o
clase). Las diferentes categoras se definen a priori, a partir de normas
aplicables al conjunto de las acciones. El resultado es una clasificacin
o procedimiento de asignacin de las acciones.
Problemtica P. : busca esclarecer una decisin mediante un arreglo
obtenido reagrupando todas o parte (las ms satisfactorias) de las
acciones en clases de equivalencia, ordenando estas clases de modo
completo o parcial, conforme con las preferencias del decisor. El
resultado es un arreglo o una ordenacin de las acciones.
Problemtica P. : apunta a esclarecer una decisin mediante una
descripcin, con un lenguaje apropiado, de las acciones y de sus
consecuencias. El resultado es una descripcin o un procedimiento
cognitivo de las posibles relaciones causales, entre estos elementos.
Problemtica P. : se propone esclarecer una decisin sobre varias
acciones, que debe ser tomada en un contexto de restricciones de tipo
tcnicas, poltico-administrativas, financieras o de disponibilidad de
recursos en general. El resultado es la seleccin de un subconjunto de
acciones, que cumple con las restricciones impuestas y representa una
solucin "mejor" o "satisfactoria" en trminos de alguna funcin de
utilidad o de valor del decisor.
RELACIN DE SUPERACIN
Utilizada en los mtodos ELECTRE y en los anlisis de concordancia en
general, se refiere a la comparacin de dos alternativas respecto de
todos los criterios, mediante el uso de relaciones binarias.
92
Formalmente a supera a b (a S b), si existen suficientes motivos a
favor de a (se trata de la concordancia en trminos de cantidad de
criterios o de peso de los criterios favorables) y si no, se registran
opiniones fuertemente contrarias a a (es la discordancia, ejercida
como derecho de veto, medida como una gran diferencia de puntaje
en a, para alguno de los criterios bajo anlisis). Cuando se verifican
estas dos circunstancias, es posible afirmar que a supera a b.
En general dadas dos alternativas a y b, es posible encontrar las
siguientes situaciones:
a S b o b S a,
a S b y b S a, lo que implica que a I b (a es indiferente o equivalente a
b)
a y b son incomparables; es decir, no se verifica ninguna de las
circunstancias anteriores.
Las relaciones de superacin no son necesariamente transitivas. Esto
es, si a S b y b S c, ello no necesariamente implica que a S c. Esto
hace que este mtodo sea simultneamente prctico y ambiguo, a
semejanza de multitud de casos que se encuentran en la vida
cotidiana. La relacin de superacin en ELECTRE, se determina
aplicando ndices de concordancia y de discordancia en forma
simultnea.
REVERSIN DEL ORDEN O DE RANGO
Los primeros autores que desarrollaron la teora de la utilidad (Luce y
Raiffa, 1957), impusieron un axioma segn el cual, al introducir en el
anlisis nuevas alternativas, particularmente aquellas que son
irrelevantes, no debera producirse inversin de orden en las restantes
alternativas. Sin embargo, se encontr, en algunos estudios hechos en
forma experimental, que en ciertas ocasiones se producen paradojas a
las cuales la teora de la utilidad no puede brindar respuestas claras.
En algunas circunstancias el mtodo AHP produce esta reversin de
rangos, y la respuesta de Saaty a este caso y a las objeciones
formuladas por varios autores, es que debe distinguirse entre fijar
axiomas en una teora de la decisin, a ser seguidos estrictamente en
todas las situaciones y un proceso de aprendizaje y de revisin del
93
proceso de toma de decisiones. A tal fin menciona, que los axiomas de
preservacin del rango de la teora de la utilidad y el AHP, comparan
los axiomas del clsico mtodo frecuentista de estadstica y de la
teora Bayesiana. La teora Bayesiana viola los axiomas de estadstica,
al poner al da las predicciones mediante la inclusin de informacin de
un resultado anterior, un proceso conocido como aprendizaje. Cuando
se integra aprendizaje con toma de decisiones, se cuestionan algunos
de los axiomas bsicos de la teora de utilidad.
En definitiva, Saaty explica que en AHP, hay una manera de permitir
que el orden cambie (1) y dos maneras de preservar el orden (2) y
(3):
(1) La inversin del orden puede ser permitida, utilizando el modo
distributivo del enfoque de medida relativa del AHP
(2) La preservacin del orden, en caso de alternativas irrelevantes,
puede ser mantenido usando el modo ideal del enfoque de medida
relativa del AHP
(3) Se puede preservar el orden absolutamente, usando el modo de
medida absoluta del AHP
SEUDOCRITERIO
Puede ocurrir, que la diferencia de puntajes de dos acciones respecto
de algn criterio (g(a) - g(b)) sea considerada demasiado pequea
para tener algn significado determinante; se trata de una situacin de
indiferencia entre ambas acciones. En la prctica ello consiste en fijar
un valor q, llamado umbral d, y en determinar que las alternativas son
equivalentes respecto al criterio considerado, si el desvo de puntajes
es menor a q.
Si, por el contrario, el desvo es muy fuerte, mayor en valor absoluto a
un parmetro p, llamado umbral de preferencia, la alternativa con
mayor puntaje es la preferida.
Entre ambos intervalos se puede registrar una zona de preferencia
dbil, una transicin entre la indiferencia y la preferencia estricta, tal
como se muestra a continuacin:
94
A B I I B A
---------|----------|---------|----------|---------|---------------> nota de
a menos nota de b
-p -q 0 q p
A es zona de preferencia estricta
B es zona de preferencia dbil
I es zona de indiferencia
El establecimiento de los parmetros p y q, se realiza tanto para el
ndice de concordancia como para el ndice de discordancia. La nocin
de seudo criterio, constituye la originalidad de ELECTRE IS y
particularmente de ELECTRE III, donde se establece el "grado de
credibilidad" de la relacin de superacin entre una alternativa y otra,
grado de credibilidad que vara entre 0 y 1.
TODIM
Introducida por Gomes y Lima (1992) tiene la ventaja de intentar un
modelaje de las pautas de preferencia, cuando se toman decisiones de
riesgo, de acuerdo con los fundamentos de la Teora de Prospectos
(Kahneman y Tversky, 1979).
El mtodo utiliza una funcin de diferencia aditiva, para determinar la
dominancia de una alternativa sobre otra. Dicha funcin es
formalmente anloga a la funcin definida por Kahneman y Tversky.
Lo que realiza el mtodo, es prescribir una accin a travs de una
priorizacin de todas las alternativas. El riesgo asociado a cada
alternativa, ser un valor adimensional, en la medida en que no se
privilegie un objetivo sobre los restantes; es decir, que se respeta la
multidimensionalidad del problema de decisin.
Los riesgos parciales asociados a una alternativa determinada, pueden
obtenerse fcilmente a partir de las preferencias de los expertos en el
caso de criterios cualitativos o mediante los clculos obtenidos con los
criterios cuantitativos.
95
En conclusin, el mtodo TODIM, adems de fundamentarse en la
teora de los prospectos, posee recursos tcnicos para minimizar la
posibilidad de ocurrencia de la reversin del orden y permite el
tratamiento multicriterio de un conjunto de acciones interdependientes
(<biblio>), elementos que no son usuales en la mayora de los
mtodos de apoyo multicriterio a la decisin.
El mtodo TODIM se basa en una nocin bastante parecida a la del
flujo neto, en el sentido de Promethee.
TOMA DE DECISIONES MULTICRITERIO
En el entorno del proceso de toma de decisiones multicriterio, son
varios los elementos que intervienen y son considerados por los
intervinientes o involucrados (analista, comitente, decisor, etc.) para
elegir un curso de accin determinado. Estos elementos en su contexto
original, no son reducibles a unidades comunes, al contrario de lo que
ocurre por ejemplo, con el anlisis beneficio-costo; por lo tanto
requieren procedimientos diferentes de los utilizados en el anlisis
tradicional. Decision making se refiere al marco, a veces complejo,
de los procesos que llevan a que una persona o un conjunto de
personas acuerden e instrumenten uno o varios cursos de accin, para
solucionar un problema o para lograr un objetivo.
TOPSIS (Technique for Order Preference by Similarity
to Ideal Solution)
Tambin llamada Programacin Compromiso, es una tcnica de
programacin matemtica utilizada originalmente en contextos
continuos y que ha sido modificada para el anlisis de problemas
multicriterio de tipo discretos. Es utilizada para identificar soluciones
que se encuentran lo ms cerca posible a una solucin ideal, aplicando
para ello alguna medida de distancia. Las soluciones as identificadas,
se denominan soluciones compromiso y constituyen el conjunto de
compromiso.
96
Esta tcnica est basada en el concepto de que una alternativa
seleccionada, debe tener la distancia ms corta posible hacia la
solucin ideal positiva y estar lo ms lejos posible respecto de la
solucin ideal negativa. Fue desarrollada por Hwang y Yon en 1981,
recibiendo posteriores aportes de Zeleny (1982), Hall (1989). Fue
mejorada por los propios autores en 1987 y ms tarde conjuntamente
con Lai y Liu, en 1993.
Una solucin ideal se define como una coleccin de niveles ideales (o
de puntajes) en todos los atributos considerados, pudiendo suceder
que tal solucin normalmente sea inalcanzable o que sea no factible.
Esta nocin se basa en la idea de que el logro de tal meta, se
encuentra en la racionalidad de la eleccin humana. El vector
compuesto por los mejores valores del j-simo atributo respecto a
todas las alternativas posibles, es quien recibe el nombre de solucin
ideal positiva. En contraposicin, la solucin ideal negativa estara
dada por el vector que contiene los peores puntajes alcanzables en los
atributos.
De este modo puede ocurrir que una alternativa seleccionada desde el
punto de vista de su ms corta distancia respecto de la solucin ideal
positiva, deba competir con otra alternativa que se encuentra lo ms
lejos posible de la solucin ideal negativa. Por ello, y a fin de definir la
solucin ideal, el mtodo TOPSIS define un ndice de similaridad (o de
proximidad relativa) que se construye combinando la proximidad al
ideal positivo y la lejana respecto del ideal negativo.
El mtodo se desarrolla en una serie de etapas: I) se normalizan los
puntajes asignados a las diversas alternativas; II) luego se calculan los
puntajes normalizados ponderados; III) se identifican o definen las
soluciones, ideal positiva e ideal negativa del problema bajo anlisis,
en trminos de los valores normalizados ponderados; IV) se calculan
las medidas de separacin o distancia a las soluciones ideales entre las
alternativas, mediante alguna nocin de distancia mtrica, que puede
ser la eucldea. Cualquiera sea la nocin de distancia utilizada, esta se
calcula respecto de la solucin ideal positiva y respecto de la solucin
ideal negativa; V) Finalmente se construyen las semejanzas a la
solucin ideal positiva como ndice, respecto de la solucin ideal
negativa, lo que implica que dicho ndice combina los dos aspectos o
metas definidos al principio.
El ordenamiento por preferencia de las soluciones surge de colocar las
alternativas en orden decreciente respecto de las semejanzas
estimadas en V) ya que el ms alto valor representa aquella
97
alternativa que se encuentra ms cerca del ideal positivo en relacin
con la distancia respecto del ideal negativo.
Cabe observar, que por el tipo de atributos bajo anlisis (todos
atributos deben medirse sobre escalas de intervalo) y por la heurstica
aplicada, el mtodo TOPSIS es muy adecuado al tratamiento
multicriterio de problemas que aparecen en los Sistemas de
Informacin Geogrfica.
UTILIDAD MULTIATRIBUTO
Se trata de modelos de agregacin de preferencias efectuadas
respecto de criterios individuales, en los cuales se modelizan las
preferencias globales del decisor mediante de una funcin de valor.
La teora de la utilidad multiatributo desarrollada por Keeny y Raiffa
(1976), a partir de la teora de utilidad unidimensional de Von
Neumann y Morgenstern (1944), busca expresar las preferencias del
decisor sobre un conjunto de atributos o criterios, en trminos de la
utilidad que le reporta, dentro de un contexto de la teora de la
decisin, en condiciones de incertidumbre. El dogma central de
comportamiento es el principio de racionalidad. Esta teora, de
inspiracin anglosajona, se basa en los siguientes principios
fundamentales:
(A 1) todo decisor intenta inconscientemente (o implcitamente)
maximizar una funcin que agrega todos los puntos de vista relevantes
del problema. Esto es, interrogado el decisor acerca de sus
preferencias, sus respuestas sern coherentes con una cierta funcin,
que no es conocida a priori. El papel del analista es el de estimar esta
funcin, mediante una adecuada serie de preguntas formuladas al
decisor.
(A 2) Por otra parte, todo par de acciones a y b, son susceptibles de
ser comparadas, y existe un ordenamiento de preferencia bien definido
sobre el conjunto de las acciones, de modo que para cualquier par de
alternativas se tiene que:
o bien a > b, el resultado a, es preferido al resultado b,
o bien a ~ b, el decisor se encuentra en situacin de indiferencia entre
a y b,
98
o bien b > a, el resultado b, es preferido al resultado a.
(A 3) Se asume que el orden de preferencia es transitivo; esto es, si
se prefiere a a b y b a c, entonces se debe preferir a a c.
Estos dos ltimos axiomas garantizan la preservacin de consistencia
al comparar resultados. El propsito del mtodo radican en asociar
valores numricos a los resultados de la comparacin, de modo tal que
I) estos valores numricos son ordenados consistentemente con las
preferencias, y II) se puedan determinar tales valores, mediante algn
tipo de procedimiento, para el cual se recurre a axiomas adicionales.
La tcnica se basa aqu en dos pasos: primero, la medicin de la
utilidad parcial de una alternativa con referencia a cada uno de los
criterios, y luego, proceder a la agregacin de estas utilidades
parciales, para obtener la utilidad global de la accin bajo anlisis.
En definitiva, las fases que se distinguen en la construccin de una
funcin de utilidad son las siguientes:
I) Identificacin de la forma funcional apropiada
II) Construccin de las funciones de utilidad unidimensionales
III) Determinacin de los parmetros de la funcin de utilidad
multiatributo
IV) Comprobacin de la consistencia de la funcin de utilidad
construida
Tanto para la determinacin de la forma de descomposicin, como
para el clculo de las funciones de utilidad unidimensionales y los
factores de escala, se utilizan las tcnicas de loteras o prospectos.
Este modelo se basa en los supuestos de que:
Los diferentes atributos son independientes
El beneficio o valor general que resulta de la presencia de
distintos atributos, se obtiene de forma aditiva
A pesar de que el cumplimiento de estos supuestos, no siempre se
puede garantizar, la repercusin que tiene la violacin de los mismos
(robustez del modelo) es dbil. Es posible el planteo de otros modelos
99
de agregacin de tipo multiplicativo, pero estos son ms complejos y
menos utilizados.
El modelo de agregacin de las utilidades parciales, en una utilidad
total, puede tomar dos formas, I) de tipo aditiva o II) de tipo
multiplicativa.
En i) es posible agregar las utilidades parciales sumndolas las unas
con las otras (luego de haberlas multiplicado por una ponderacin, o
luego de haberlas modificadas mediante una transformacin afn, o
ambas a la vez). En el llamado modelo aditivo simple la utilidad global
se expresa mediante la siguiente ecuacin:
U (x) = p
1
u
1
(x
i1
) + p
2
u
2
(x
i2
) + ......+ p
m
u
m
(x
im
)
dnde los p
j
son los pesos o ponderaciones, las u
j
son las utilidades
subjetivas parciales y las x
ij
son las acciones bajo anlisis.
100