Vous êtes sur la page 1sur 194

Nuevos metodos de

valoiacion

Modelos multiciiteiio

5
5
2
2

6
66
0
00
3
33
12
12
9
9
8
8
9
99
15
15 15
24
24 24
13
13 13
19
19
9
9
2
2 4
4
65
65
23
23 23
1
1 1
48
48 48
12
12 12
34
34 34
20
20
98
98
52
52
45
45
39
39
15
15 15
189
189 189
120
120 120
114
114 114
144
144 144
28 28
439 439
524 524
239 239
83 83
343 343
249
249 249
632
632 632
82
82 82
283
283 283 83
83 83
42
42 42
324 324
63 63
63 63
515 515
25 25 82 82
5
5
2
2

6
66
0
00
3
33
12
12
9
9
8
8
9
99
15
15 15
24
24 24
13
13 13
19
19
9
9
2
2 4
4
65
65
23
23 23
1
1 1
48
48 48
12
12 12
34
34 34
20
20
98
98
52
52
45
45
39
39
15
15 15
189
189 189
120
120 120
114
114 114
144
144 144
28 28
439 439
524 524
239 239
83 83
343 343
249
249 249
632
632 632
82
82 82
283
283 283 83
83 83
42
42 42
324 324
63 63
63 63
515 515
25 25 82 82


Autoies

1eionimo Aznai Bellvei
Iiancisco Cuijaiio Maitinez




Nuevos mtodos de valoracin. Modelos multicriterio.
ii




















Reservados todos lo derechos. El contenido de este trabajo est protegido por la Ley,
que establece penas de prisin y/o multas, adems de las correspondientes
indemnizaciones por daos y perjuicios, para quienes reprodujeren, plagiaren,
distribuyeren o comunicaren pblicamente, en todo o en parte, una obra literaria,
artstica o cientfica, o su transformacin, interpretacin o ejecucin artstica fijada en
cualquier tipo de soporte o cumunicada a travs de cualquier otro medio, sin la
preceptiva autorizacin por parte de los autores.




Ttulo : Nuevos mtodos de valoracin. Modelos multicriterio
1 edicin: abril 2005
J. Aznar; F. Guijarro. 2005
ISBN: 84-689-1772-9
www.valoracionmulticriterio.upv.es

Nuevos mtodos de valoracin. Modelos multicriterio.
iii

INDICE

Prlogo...............................................................................................................vii
Captulo 1. Introduccin a la Valoracin............................................................. 11
1.1 IMPORTANCIA DE LA VALORACIN..................................................... 11
1.2 La metodologa en Valoracin.................................................................. 16
Captulo 2. Decisin Multicriterio........................................................................ 23
2.2 .decisin multicriterio................................................................................ 23
2.3. Variables explicativas inversas................................................................ 26
2.4. Variables explicativas cualitativas ........................................................... 28
2.5. Normalizacin de los valores................................................................... 29
2.6. FUNCIONES DE DISTANCIA. DisTANCIA L
1
o DISTANCIA
MANHATTAN.......................................................................................................... 38
2.7 NDICE DE ADECUACIN. ..................................................................... 44
2.8 Nomenclatura.......................................................................................... 44
Capitulo 3. Mtodos de ponderacin de variables.............................................. 45
3.1 Introduccin.............................................................................................. 45
3.2 Mtodo de Diakoulaki ............................................................................... 46
3.3 Mtodo de la Entropa ............................................................................. 47
3.4 Mtodo de la Ordenacin simple.............................................................. 47
3.5 Mtodos de la Entropa y Diakoulaki aplicados a la Valoracin ................ 48
3.6 Mtodo de la Ordenacin simple aplicado a la Valoracin....................... 49
3.7 Ejemplo de aplicacin a la Valoracin agraria de los mtodos de Diakoulaki
y Entropa................................................................................................................ 50
3.7.1 Ponderacin de las variables por el mtodo de la entropa. ............... 51
3.7.2 Ponderacin de las variables por el mtodo de Diakoulaki ................ 53
3.8. Ejemplo de aplicacin del mtodo de la Ordenacin simple.................... 54
Captulo 4. Mtodos de Valoracin multicriterio con informacin cuantitativa (I).
Modelo de la Suma ponderada................................................................................... 61
4.1. INTRODUCCIN. ................................................................................... 61
4.2. Mtodo de la Suma Ponderada............................................................... 61
4.3. Mtodo de la suma ponderada aplicado a la valoracin....................... 62
4.4. Ejemplo de aplicacin del mtodo de la Suma ponderada................... 63
Captulo 5. Mtodos de Valoracin multicriterio con informacin cuantitativa (II).
Programacin por metas............................................................................................. 69
5.1. INTRODUCCIN .................................................................................... 69
5.2. Programacin por metas (Goal programming, GP).................................. 69
Nuevos mtodos de valoracin. Modelos multicriterio.
iv
5.2.1.Programacin por metas ponderadas (Weighted Goal Programming,
WGP)................................................................................................................... 70
5.2.2 Programacin por metas MINMAX o Programacin por metas
Chebyshev (Minmax GP)..................................................................................... 70
5.2.3 Programacin por metas extendido .................................................. 70
5.3. Programacin por metas ponderada (Weighted Goal Programming,
WGP) en su aplicacin a la valoracin................................................................. 71
5.4. Programacin por metas MNMAX o Programacin por metas
Chebysheb (GPMinmax) aplicado a la valoracin................................................ 73
5.5. Programacin por metas extendido .................................................... 74
5.6. Ejemplos de aplicacin de GP a la valoracin ..................................... 75
5.7. Resumen de los valores obtenidos.......................................................... 77
Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso
Analtico Jerrquico. ................................................................................................... 81
6.2. Proceso Analtico Jerrquico (Analytic Hierarchy Process, AHP) ............ 81
6.3. Utilizacin de AHP en Valoracin............................................................ 87
6.4 EJEMPLO 1. VALORACIN DE UN Inmueble AGRARIO........................ 89
6.5. Ejemplo 2. Valoracin de un inmueble urbano ........................................ 91
6.6 Ejemplo 3. Valoracin de un inmueble urbano ......................................... 95
ANEXO I .......................................................................................................... 109
EJEMPLO 1. VALORACIN DE UN ACTIVO AGRARIO............................. 109
Captulo 7. Mtodos de valoracin con informacin cualitativa (II). El Proceso
Analtico Jerrquico agregado .................................................................................. 127
7.2 Agregacin de preferencias.................................................................... 127
7.3 Encuesta................................................................................................ 130
7.4 Mejora de la consistencia de las matrices .............................................. 130
7.5 Ejemplo 1. Valoracin de deportistas ..................................................... 131
7.5. Ejemplo 2. Valoracin de un espacio medioambiental.......................... 146
Anexo. Encuesta para determinar la preferencia de los expertos................. 154
Objetivo de la encuesta ............................................................................ 154
Justificacin de la encuesta...................................................................... 155
Metodologa propuesta............................................................................. 155
Procedimiento........................................................................................... 155
Encuesta .................................................................................................. 157
Captulo 8. Modelos de valoracin compuestos............................................... 161
8.2. Modelo multicriterio bietpico................................................................ 161
8.3. Ejemplo 1. Aplicacin del modelo bietpico a la valoracin de un activo
agrario................................................................................................................... 162
8.4. Adecuacin del modelo ........................................................................ 165
Nuevos mtodos de valoracin. Modelos multicriterio.
v
8.5. Ejemplo 2. Aplicacin del modelo bietpico a la valoracin de un inmueble
urbano................................................................................................................... 165
8.6. Adecuacin del modelo ........................................................................ 170
8.7. Modelo trietpico multicriterio de valoracin.......................................... 170
8.8. Ejemplo de aplicacin del modelo trietpico.......................................... 171
BIBLIOGRAFA................................................................................................ 175


Prlogo

Las dos premisas bsicas sobre las que se sustentan los mtodos modernos de
valoracin son: el carcter finalista de cualquier proceso valorativo y la unicidad de
mtodos. La primera premisa implica, que segn sea el fin por el que nos proponemos
valorar un determinado bien, as ser el criterio de valoracin que debamos aplicar. La
segunda premisa implica una generalizacin aplicativa de los mtodos de valoracin,
independientemente del tipo de bien que estemos valorando. Es decir, existe una
teora de la valoracin, que como toda teora cientfica se encuentra en un continuo
proceso de mejora (la metfora popperiana de la bsqueda sin trmino), pero que su
aplicabilidad se extiende a cualquier tipo de bien. Dicho con otras palabras, la unicidad
de mtodos implica que desde un punto de vista epistemolgico no tiene sentido
hablar de una teora de la valoracin de inmuebles, de una teora de la valoracin
agraria, etc, sino de una teora general de la valoracin.
Coherentemente con estas pautas metodolgicas, la eleccin de un mtodo
valorativo basado en la capitalizacin de rentas (mtodo analtico) o en la comparacin
del bien objeto de la valoracin con otros bienes anlogos (mtodo sinttico), queda
ntidamente determinado por el propsito perseguido por la valoracin. As, siempre
que por unas razone u otras el fin perseguido por la valoracin consista en estimar un
valor de mercado, el mtodo adecuado ser el sinttico. Por otra parte, como la razn
subyacente en la mayor parte de las valoraciones es la de estimar un valor de
mercado, la familia de mtodos de valoracin de tipo sinttico va adquiriendo cada vez
mayor importancia.
Lo mtodos sintticos son de una gran antigedad. As, el Profesor Caballer ha
encontrado precedentes de este mtodo en el antiguo Egipto. En el caso de Espaa,
los precedentes se remontan al siglo X con el sistema de explotacin de la precaria.
Los mtodos sintticos, hasta mediados del siglo XX, se basaban en clculos
matemticos sencillos, que en general consistan en simples reglas de tres. Por
medio de estas operaciones aritmticas se realizaban las comparaciones entre el bien
objeto de la valoracin y una serie de caractersticas comunes con otros bienes
anlogos. Estos procedimientos sencillos se siguen utilizando profusamente en la
prctica valorativa tanto agraria como urbana.
Nuevos mtodos de valoracin. Modelos multicriterio.
viii
En la segunda parte del siglo XX se produce una revolucin kuhniana en el
campo de la valoracin sinttica. Esta revolucin est impulsada por autores
americanos (principalmente Murray) que propugnan la introduccin de mtodos
economtricos en la valoracin sinttica y autores espaoles (principalmente
Ballestero y Caballer) que ahondan en el uso de los mencionados mtodos
economtricos y asimismo proponen novedosos enfoques metodolgicos, como el
mtodo de las dos funciones de distribucin. Estos esfuerzos conducen a un
fortalecimiento terico de los mtodos sintticos de valoracin y como no a unos
resultados valorativos mucho ms precisos.
En lo que sigue voy a esbozar las lneas de lo que puede suponer una nueva
revolucin en el campo de la valoracin sinttica. El punto de arranque metodolgico
lo constituira la teora de la demanda basada en las caractersticas de los bienes
propuesta por Lancaster en el ya lejano 1966, hibridando dicho enfoque con la
moderna teora de la decisin multicriterio. En primer lugar, recordemos que el
postulado bsico en que se apoyan los planteamientos de Lancaster es que los
consumidores no demandan bienes en si mismos (por ejemplo no demandan
automviles), sino que demandan las caractersticas inherentes a dichos bienes ( en el
caso de los automviles caractersticas tales como la velocidad, el consumo de
carburante, el confort, etc).
La teora de Lancaster es atractiva, pero no ha tenido excesivo xito aplicativo.
Tal vez la excepcin que confirma la regla est precisamente en el campo de la
valoracin de bienes y males ambientales, a travs del mtodo de las variables o
precios hednicos que se sustenta en los planteamientos de Lancaster. Tal vez la
razn de la falta general de aplicabilidad de la teora de Lancaster se deba a una
cuestin de tipo tcnico que rompe la forma usual de razonar y de operar en
economa. En efecto, este tipo de teora requiere dos sistemas de referencia distintos.
En primer lugar, el sistema tradicional de los bienes en el que se inserta la recta de
balance o restriccin presupuestaria (i.e., el conjunto de oportunidades) y en segundo
lugar el sistema de referencia de las caractersticas intrnsecas de los bienes en el que
se insertan las preferencias de los consumidores. Indudablemente, esta duplicidad de
sistemas de referencia crea dificultades operativas y rompe con los esquemas
analticos tradicionales del razonamiento econmico.
Una forma posible, aunque no nica, de abordar el problema anterior consiste en
recurrir al frtil arsenal metodolgico de la teora de la decisin multicriterio. En efecto,
resulta consustancial a este paradigma decisional la duplicidad de espacios de
referencia, As, en el campo de la optimizacin multicriterio tenemos siempre el
Nuevos mtodos de valoracin. Modelos multicriterio.
ix
espacio de las variables de decisin y el espacio de los criterios (i.e., objetivos o
metas). Con el uso adecuado de las herramientas analticas multicriterio me atrevo a
conjeturar que la teora de Lancaster podra ganar considerablemente en operatividad.
Esta frtil promesa de xito resultante de hibridar las ideas de Lancaster con las ideas
del anlisis multicriterio, aumentan considerablemente al trasladar este tipo de
propuesta al campo de la valoracin sinttica. En efecto, desde el momento que
conceptualicemos en el sentido de Lancaster las caractersticas de los bienes que
utilizamos para la comparacin sinttica y procedamos a su necesaria agregacin con
la ayuda de las herramientas analticas de la teora multicriterio, estaremos
orientndonos en una direccin valorativa novedosa e indudablemente prometedora.
Los primeros pasos en esta direccin ya han sido dados de una forma rigurosa y
convincente por los doctores Jernimo Aznar y Francisco Guijarro y plasmados en el
texto que estoy prologando con estas lneas. En efecto, los citados autores han
asimilado perfectamente tanto la lgica decisional multicriterio como sus diferentes
dimensiones analticas y han sabido asimismo formular una propuesta metodolgica
sugerente y realmente novedosa en el campo de la valoracin sinttica. Por supuesto
y como tiene que ser la tarea no est acabada. Recordemos siempre la metfora
popperiana de la ciencia como una bsqueda sin trmino. Ahora bien, los cimientos de
la propuesta son slidos, por lo que no me queda ms que animar a los autores a
continuar su fructfera tarea.
Finalmente, me gustara finalizar esta lneas comentando el aprecio personal y el
reconocimiento profesional que tengo por los autores. Por otra parte, este tipo de
complicidad entre prologista y autores es algo natural. Ahora bien, en el caso que nos
ocupa conoc antes los trabajos de los autores que a ellos mismos. Desde el principio
me pareci un equipo de trabajo en el que se equilibra la madurez con la juventud, la
formacin econmica con la matemtica y por encima de todo rezuma creatividad por
todos los lados. En definitiva, resulta fcil percibir la orientacin de la mano sabia de
mi admirado amigo el Profesor Vicente Caballer, director de tesis del primero de los
autores. Enhorabuena Jernimo y Francisco, contar con todo mi animo y con los
consejos que os pueda seguir dando desde el multicriterio, para que continuis
articulando vuestra novedosa propuesta metodolgica en el campo de la teora y
prctica de la valoracin.
Carlos Romero
Madrid, marzo de 2005

Nuevos mtodos de valoracin. Modelos multicriterio.
x

Captulo 1. Introduccin a la Valoracin
Nuevos mtodos de valoracin. Modelos multicriterio.
11



Captulo 1. Introduccin a la Valoracin
1.1 IMPORTANCIA DE LA VALORACIN
. La valoracin es tan antigua como la historia del hombre, ya en la Biblia
aparece una referencia a la valoracin de varios activos: En el Levtico, versculo 27
1
,
Rescate por los animales y las cosas, a raz de explicar como puede un hombre
conmutar un voto realizado al Seor por un bien material, va definiendo el valor y
como determinarlo para cada bien, y en concreto al hablar de bienes agrcolas dice.

"Si alguien consagra a Jehovah un campo de su posesin, lo valorars segn su
capacidad de siembra: un homer
2
de semilla de cebada se valorar en 50 siclos
3
de
plata. Si consagra su campo en el ao del jubileo, se har conforme a tu valoracin.
Pero si consagra su campo despus del jubileo, el sacerdote har el clculo del dinero
conforme a los aos que falten para el ao del jubileo, y se restar de tu valoracin. Si
el que ha consagrado su campo quiere rescatarlo, aadir a tu valoracin una quinta
parte de su valor, y l volver a su poder.

A lo largo del siglo XX la ciencia de la valoracin ha adquirido un notable
desarrollo en el seno de distintas escuelas tanto europeas como americanas.


En los momentos actuales la importancia de la valoracin de todo tipo de activos
est fuera de duda. En cualquier sociedad moderna para un gran nmero de actos
econmicos es necesario conocer el valor de los activos implicados. Empezando por
las expropiaciones tanto de los gobiernos centrales como los locales, siguiendo con
hechos tan cotidianos como enjuiciamientos civiles, particiones de herencias, compra-
ventas de fincas, hipotecas, etc.; y terminando con valoraciones catastrales con fines
impositivos, la valoracin de activos es un hecho trascendente en cualquier pas, y es
ms, cuanto mayor es el progreso econmico, al ser ms intensa la actividad
econmica, tambin mayor es la necesidad de una mejor y ms ajustada valoracin de
los activos de esa sociedad
En Espaa existe un gran mercado de trabajo en valoraciones y existen
diversas figuras que operan en el sector, como son los Agentes de la Propiedad

1
La Santa Biblia. Antigua versin de Casidoro de Reina (1569). Revisada por Cipriano de Velez (1602).
Editorial Mundo Hispano (1989)
2
Medida de ridos del Antiguo Testamento equivalente a 370 litros
3
Moneda del Antiguo Testamento de peso 11,4 grs.
Captulo 1. Introduccin a la Valoracin
Nuevos mtodos de valoracin. Modelos multicriterio.
12
Inmobiliaria (API), los peritos tasadores judiciales, las Sociedades de Tasacin, y gran
variedad de tcnicos segn el tipo de activos a valorar (Ingenieros Agrnomos,
Arquitectos etc).
Las Sociedades de Tasacin son la figura ms importante actualmente en el
mercado de valoracin de Espaa, reguladas por el Real Decreto 775/1997, su
intervencin es necesaria y exclusiva para la valoracin de aquellos activos cuyo fin
sea alguno de los siguientes.
a) Servir de garanta hipotecaria de prstamos que forman parte de la cartera de
cobertura de los ttulos hipotecarios contemplados en la Ley 2/1981, de 25 de marzo,
de Regulacin del Mercado Hipotecario.
b) Servir de cobertura de las provisiones tcnicas de las entidades aseguradoras
exigidas por el Real Decreto 1348/1985, de 1 de agosto, por el que se aprueba el
Reglamento de Ordenacin del Seguro Privado.
c) Formar parte del patrimonio de las instituciones de inversin colectiva
inmobiliarias reguladas en el Real Decreto 686/1993, de 7 de mayo, que modifica el
Real Decreto 1393/1990, de 2 de noviembre, por el que se aprueba el Reglamento de
la Ley 46/1984, de 26 de diciembre, reguladora de las Instituciones de Inversin
Colectiva, precisndose el rgimen de las sociedades y fondos de inversin
inmobiliaria.
d) Formar parte del patrimonio de los fondos de pensiones regulados en el Real
Decreto 1307/1988, de 30 de septiembre, por el que se aprueba el Reglamento de
Planes y Fondos de Pensiones.
e) Cualquier otra en que la normativa exija que la valoracin haya de realizarse
por una sociedad o servicio de tasacin.
Las Sociedades de Tasacin para obtener y conservar su homologacin, deben
cumplir los siguientes requisitos:
a) Revestir la forma de sociedad annima de fundacin simultnea domiciliada
en el territorio nacional.
b) Contar con un capital mnimo de 50.000.000 de pesetas ntegramente
desembolsado. Dicho capital ha de estar representado en acciones nominativas.
c) Limitar estatutariamente su objeto social a la valoracin de todo tipo de
bienes, empresas o patrimonios.
d) Contar con un nmero mnimo de diez profesionales de los cuales, al menos,
tres han de ser profesionales vinculados.
e) Disponer de una organizacin con los medios tcnicos y personales, y los
mecanismos de control interno necesarios para asegurar tanto un adecuado
conocimiento de la situacin y condiciones del mercado inmobiliario sobre el que han
de operar, como el cumplimiento uniforme de las normas de valoracin aplicables y de
las obligaciones e incompatibilidades establecidas en este Real Decreto.
f) Tener asegurada frente a terceros la responsabilidad civil que pudiera
derivarse de su actividad de tasacin mediante pliza de seguro suscrita con una
entidad aseguradora habilitada legalmente para operar en el seguro de
responsabilidad civil, por un importe no inferior a 100.000.000 de pesetas, ms el 0,5
Captulo 1. Introduccin a la Valoracin
Nuevos mtodos de valoracin. Modelos multicriterio.
13
por 1000 del valor de los bienes tasados en el ejercicio inmediatamente anterior, hasta
alcanzar la cifra mxima de 400.000.000 de pesetas.
g) Contar con un Consejo de Administracin formado por no menos de tres
miembros. Todos ellos sern personas de reconocida honorabilidad comercial y
profesional, debiendo poseer, al menos aquellos que ejerzan funciones ejecutivas,
conocimientos y experiencia adecuados para su ejercicio.
Aunque las Sociedades de Tasacin no son los nicos agentes que actan en el
mercado espaol si que son los mas importantes por lo que las cifras de su actuacin
dan una idea de la importancia del mercado de la valoracin.
El nmero de Sociedades de tasacin en el ao 2003 era de 70, la mayora
agrupados en una asociacin de tasadores denominada ATASA de cuya memoria
obtenemos la Tabla 1.1 referida a la actividad de las Sociedades de Tasacin.













CONJUNTO
ASOCIADOS
ATASA 2003
UNIDADES MILLONES DE EUROS
CONCEPTO N (.000) % IMPORTE %
TOTAL 1.411,4 100 444.555 100
I. Inmuebles 1.401,4 99,3 442.614 99,6
I.1. Fincas rsticas 18,7 1,3 6.171 1,4
I.2. Terrenos urbanos 32,9 2,3 47.136 10,6
I.3. Edificios completos 83,1 5,9 150.878 33,9
I.3.1. Edificios uso
residencial
43,0 3,0 100.225 22,5
I.3.2. Edificios uso terciario 4,6 0,3 17.464 3,9
I.3.3. Edificios industriales 28,9 2,0 20.392 4,6
I.4. Elementos de edificios 1260,2 89,3 219.983 49,5
Captulo 1. Introduccin a la Valoracin
Nuevos mtodos de valoracin. Modelos multicriterio.
14
I.4.1. Viviendas 1.152,2 81,6 198.082 44,6
I.4.2. Oficinas 7,3 0,5 3.133 0,7
I.4.3. Locales comerciales 69,4 4,9 17.041 3,8
I.5. Edificios explotacin
econmica
5,5 0,4 18.056 4,1
I.6. Otros bienes inmuebles 0,8 0,1 363 0,1
II. Otras tasaciones 10,2 0,7 1.941 0,4
II.1. Empresas 2,8 0,2 1.334 0,1
II.2. Muebles 7,5 0,5 607 0,3

Tabla 1.1. Actividad de las Sociedades de Tasacin pertenecientes a ATASA.

En ella se observa dentro de la gran variedad de activos a valorar la importancia
de la valoracin de viviendas (81,6% en nmero, 44,6% en importe o valor), seguido
de los edificios de uso residencial (3,0%, 22,5%) y de los terrenos urbanos (2,3%,
10,6%).
En la figura 1.1. se observa la evolucin en los ltimos aos del nmero de las
valoraciones realizadas por las Sociedades de tasacin pertenecientes a ATASA.

N de valoraciones
0
200
400
600
800
1000
1200
1400
1600
1 2 3 4 5 6 7 8 9 10
Aos (1994-2003)
V
a
l
o
r
a
c
i
o
n
e
s

(
m
i
l
e
s
)
Serie1

Figura 1.1. Evolucin del nmero de valoraciones realizadas por las Sociedades
de tasacin pertenecientes a ATASA




Captulo 1. Introduccin a la Valoracin
Nuevos mtodos de valoracin. Modelos multicriterio.
15
Se observa claramente el incremento constante e importante desde el ao 1995
de la actividad de dichas sociedades.
En la Tabla 1.2. aparece la distribucin media de las tasaciones por
Comunidades autnomas.



Nmero Importe Comunidad
Autnoma
N en miles % Valor (mm ) %
Andaluca 250 17,90 78.787 17,80
Catalua 290 20,70 87.814 19,80
Madrid 199 14,20 92.871 21,00
Valencia 183 13,10 47.234 10,70
Resto 479 34,10 135.908 30,70
Total 1.401 100,00 442.614 100,00

Tabla 1.2. Distribucin del nmero de tasaciones por Comunidades autnomas
Otro dato de inters a resaltar es que los ingresos totales por su actividad de las
Sociedades de Tasacin pertenecientes a ATASA, fue en el ao 2003 de 349
millones de de lo que se deduce que los ingresos medios por operacin o valoracin
fueron de 247 .
Si tenemos en cuenta que ATASA no recoge a todas las Sociedades de
Tasacin y que adems existe un mercado de valoracin paralelo realizado
bsicamente por profesionales autnomos podemos cifrar el volumen total del
mercado espaol en 500 millones de .
En el mbito internacional, existen varias organizaciones de valoradores o
tasadores que operan en distintos pases y que son reconocidos por los diversos
agentes del mercado inmobiliario. Una de las importantes y conocidas mundialmente
son la Royal Institution of Chartered Surveyors (RICS), con origen en Inglaterra
(aunque sus miembros operan en todo el mundo).
En el rea de las Amricas existen varias asociaciones la mayora agrupadas en
la UPAV (Unin Panamericana de Asociaciones de Valuacin).
Appraisal Institute (EEUU)
American Society off Apraisers.(EEUU)
Cuerpo Tcnico de Tasaciones del Per (CTTP).
Captulo 1. Introduccin a la Valoracin
Nuevos mtodos de valoracin. Modelos multicriterio.
16
Sociedad de Ingenieros de Tasacin de Venezuela (SOITAVE)
Instituto Brasileiro de Avaliacoes e Pericias de Engenharia (IBAPE)
Internacional Valuation Standards Committe (IVSC)
Instituto de Tasadores Dominicanos.
Instituto de Evaluadores de Puerto Rico
The Appraisal Institute of Canad.
Federacin de institutos, Colegios y Sociedades de Valuacin de la Repblica
Mexicana, AC.
Asociacin Uruguaya de Avaluadores Profesionales.
Sociedad Colombiana de Avaluadores.
Asociacin Mexicana de Valuadores de Empresas.

Ms localizadas pero tambin muy importantes y con un gran peso en su pas
son:
- El Centro Studi di Estimo e di Economia Territoriale (CeSET), en Italia
- La Lonja de la Propiedad Raz de Bogot, en Colombia
- El Instituto Argentino de Tasaciones
- Asociacin de arquitectos tasadores de Chile A.G.
- American Society of Farm Managers and Rural Appraisers (EEUU)
- American Right of Way Association (EEUU)

Todas ellas realizan anualmente Congresos y Jornadas con el fin de reunir a sus
asociados, dictar normas de funcionamiento, cdigos deontolgicos de procedimientos
y, en resumen, un saber hacer en la profesin del valorador y tasador.

1.2 LA METODOLOGA EN VALORACIN

La importancia de la valoracin, supone la necesidad de disponer de mtodos
de valoracin operativos. Actualmente son numerosos los existentes. Los ms
importantes pueden clasificarse en dos grandes grupos, por un lado los denominados
mtodos comparativos y por otro los mtodos analticos
Captulo 1. Introduccin a la Valoracin
Nuevos mtodos de valoracin. Modelos multicriterio.
17










Los mtodos comparativos determinan el valor de un activo problema, como su
nombre indica, comparndolo con otros activos similares de los cuales si se conoce su
valor por haber sido objeto de una transaccin reciente. La comparacin se realiza
utilizando las caractersticas o variables explicativas de los distintos activos. Los
mtodos ms conocidos dentro de este gran grupo son los Sintticos (Origen,
Extremos, Ratios y Baricntrico), el mtodo Beta o de las funciones de distribucin y el
mtodo estadstico o economtrico.
De los mtodos sintticos los ms comnmente utilizados Ratios y Baricntrico
persiguen obtener un ratio que relacione el precio con cada variable explicativa, esto
es representa la cantidad de valor por cada unidad de la variable explicativa. El
producto del ratio obtenido por la cuanta de la variable explicativa en el activo a
valorar dar el valor del activo buscado. Estos mtodos junto a la facilidad de
aplicacin presentan una serie de inconvenientes a tener en cuenta como son que se
obtiene un valor por cada variable explicativa, adems cada valor obtenido es
proporcional a la correspondiente variable y finalmente presuponen que el experto
dispone una informacin de partida compuesta por activos parecidos al a valorar, que
han sufrido una transaccin reciente y de los cuales conoce el valor de la transaccin,
as como una serie de variables explicativas del precio y la cuantificacin de las
mismas.
El mtodo Beta ideado por Ballestero
4
parte del supuesto de que tanto los
valores como las variables explicativas siguen una funcin de distribucin Beta, que
reune una serie de particularidades como son que esta definida en la parte positiva del
eje de coordenadas y adems queda definida conociendo los valores mximo, mnimo
y moda. Su clculo original se realizaba utilizando tablas, posteriormente el proceso se
ha simplificado mediante la utilizacin de la hoja de clculo Excel (Aznar et al,2003) o
bien con la utilizacin de la variante triangular puesta a punto por Romero (1977), que
permite el clculo de forma grfica o mediante formulas basadas en la semejanza de
tringulos. Este mtodo rene una ventaja importante sobre los sintticos como es la
necesidad de menor informacin ya que es suficiente con conocer tres datos (mximo,
mnimo y moda) tanto del valor de los activos como de las variables explicativas. Sin
embargo sigue manteniendo una serie de inconvenientes como son que al final
determina un valor del activo a valorar por cada variable explicativa y que aunque la

4
El mtodo Beta, tambin denominado mtodo de las funciones de distribucin se propuso en la
Universidad Politcnica de Madrid y se public en la Revista de Estudios Agrosociales (Ballestero 1973).
Posteriormente distintos trabajos han profundizado en sus extensiones y aplicaciones. Romero (1997),
Ballestero y Caballer (1982), Alonso y Lozano (1985), Caas, Domingo y Martinez (1994), Herreras,
Palacios y Prez (1994), Garca, Cruz y Andujar (1999), Garca, Trinidad y Gmez (1999), Garca, Cruz y
Rosado (2000), Palacios, Callejn y Herreras (2000), Herreras Pleguezuelo, Garca, Cruz y Herreras
Velasco (2001), Garca, Cruz y Garc (2002).
Captulo 1. Introduccin a la Valoracin
Nuevos mtodos de valoracin. Modelos multicriterio.
18
informacin a utilizar es menor que en los otros casos sigue requiriendo el
conocimiento previo de la cuantificacin de los activos testigo tanto en precio como de
sus variables explicativas.
El mtodo economtrico puede considerarse el mtodo comparativo por
excelencia en el sentido de que resuelve la mayora de los inconvenientes que hemos
visto en los mtodos anteriores. Con este mtodo se obtiene una ecuacin (lineal,
cuadrtica, logartmica etc) que nos define el valor de los activos en funcin de las
variables explicativas significativas, con lo que el valor buscado ya no es proporcional
a cada variable sino que esta determinado por todas las variables significativas y en
proporcin a su importancia mediante los coeficientes de cada una en la funcin.
Adems el proceso de clculo mediante una serie de parmetros nos va indicando en
cada momento la bondad del ajuste y las variables que deben intervenir o deben de
ser eliminadas por no ser significativas. Por ltimo su clculo es actualmente muy
sencillo bien utilizando paquetes informticos como el Statgraphics o el SPSS o bin
mediante la hoja de clculo EXCEL. Sin embargo hay que sealar un inconveniente
importante para su aplicacin y es la exigencia de tener un nmero importante de
testigos de los cuales hay que conocer el valor de ellos y la cuantificacin de las
variables explicativas a considerar. Esto supone la necesidad de la existencia de
bases de datos importantes que en la mayora de los casos o no existen o no estn a
disposicin del experto.
El mtodo economtrico ha sido y sigue siendo uno de los mtodos mas
estudiado por los investigadores y en esta lnea se dirigen en Espaa los trabajos de
Calatrava
5
, Sala et al
6
, Guadalajara et al
7
, Guadalajara
8
y Fenollosa
9


5
Calatrava y Caero (2000) partiendo de 38 fincas testigo estudiaron el valor de las fincas olivareras de
secano en Crdoba, Granada y Jan y determinaron las siguientes variables explicativas: Superficie en
Has, Calidad (definida por la productividad media en aceituna por Ha) y la ubicacin medida por la
distancia al pueblo mas cercano.
6
Sala y Torres partiendo de datos estadsticos de los aos 1984 al 2000 publicados por el Departamento
de Agricultura, Ramadera y Pesca de la Generalitat de Catalunya, provinientes de la encuesta del
Ministerio de Agricultura y Pesca llegan a la conclusin a travs de un modelo economtrico que los
precios de las tierras de regado dependen en un 87% de las variables explicativas inflacin, trabajo-
capital, expectativas de plusvala, subvencin y refugio. Por su parte las tierras de secano en un 88% su
precio se explica por las variables inflacin, trabajo-capital, expectativas de plusvala y subvencin. Vase
Sala M. Y Torres T. Anlisis emprico de la evolucin de los precios en el mercado del suelo rstico.
Universidad de Lleida.
7
Guadalajara et (2001) al desarrollan un modelo de mbito nacional para explicar el valor de la tierra en
Espaa por comunidades autnomas. Parten de la encuesta de precios de la tierra elaborada por el
Ministerio de Agricultura, Pesca y Alimentacin y de los datos testigo de una empresa de tasacin con
fines hipotecarios.Del conjunto de todas las variables explicativas analizadas nicamente dos resultan
vlidas. La produccin bruta del cultivo, la cual explica tanto el precio oficial de la tierra como los testigo y
el nmero de explotaciones en el caso de los precios oficiales y el aprovechamiento de superficie labrada
herbcea en el caso de los testigo. Guadalajara N., Fenollosa M L.,Ribal F.J.. El mercado de la tierra en
Espaa. Modelos economtricos para la estimacin del valor.
8
Guadalajara (2002) propone para valoracin de la tierra el mtodo economtrico de valoracin, ya
utilizado en otros pases, con la variante analgica para soslayar, en la medida de lo posible, la
ineficiencia del mercado como consecuencia de la falta de transparencia y de bases de datos
suficientemente amplias.
En todos los modelos economtricos estudiados en la bibliografa y obtenidos para el caso de Espaa, el
valor de la tierra viene definido por variables explicativas relativas a la productividad, como estimador de
la renta actual, por un lado y, por otro, de la localizacin como variable hednica que estima las
expectativas de rentas futuras, tanto de uso agrcola como no agrcola. Vase Guadalajara Proyecto de
investigacin.

9
Fenollosa M L.(1999) Partiendo de datos de la Encuesta de precios de la tierra del Ministerio de
Agricultura, Pesca y Alimentacin en la provincia de Valencia llega a un modelo en el que el valor de
mercado de la tierra depende del tipo de cultivo, la distancia del municipio al mar, la poblacin agraria
respecto a la superficie del municipio y la inversin total de energa de cada municipio.
Captulo 1. Introduccin a la Valoracin
Nuevos mtodos de valoracin. Modelos multicriterio.
19

En Estados Unidos la mayor disponibilidad de datos ha permitido mayores
avances que se han materializado en los trabajos de Moos
10
, Bernad et all
11
, Roka et
al
12
, Boisvert
13
, Reynolds et al
14
, Isakson
15
y Bible et al
16
.
Maddison
17
ha estudiado el comportamiento del valor de la tierra en Inglaterra y
Gales.

El otro gran grupo de mtodos, el denominado analtico o de capitalizacin
18
,
calcula el valor de los activos problema a partir de la propia informacin de dicho bien,
informacin normalmente contable que permite determinar la renta, ganancia o flujos
de caja que dicho activo producir en el futuro. La actualizacin de estas magnitudes
proporciona el valor buscado. Los mtodos ms conocidos de este grupo son los
denominados de capitalizacin y el objetivo-subjetivo. Este grupo de mtodos reune
dos graves inconvenientes. El primero es tener que trabajar con informacin que va a
producirse en el futuro (renta, ganancia o flujos de caja) , con la dificultad que ello
significa y mas con entornos como los actuales donde por su carcter turbulento
resulta muy arriesgado aventurar hiptesis de futuro. La segunda gran dificultad
consiste en determinar la tasa de actualizacin a utilizar, ya que dicha tasa va a estar
en funcin bsicamente de la liquidez y el riesgo a valorar, parmetros que son
variables en funcin del activo, del momento y del lugar.


10
Moos (1997) determina una funcin doble logartmica en la que el valor de la tierra agrcola en Florida
depende de la renta de la tierra, el coste del capital agrcola y la tasa de inflacin.
11
Bernard et al (1997)a travs de una funcin logartmica-lineal determina como variables explicativas del
valor de la tierra cultivable en 20 regiones de EEUU siendo estas variables la productividad de la tierra,
las subvenciones, el salario industrial y caractersticas del estado como la precipitacin media, la
temperatura media y la poblacin.Vase Bernard, Whittaker, Westenbarger y Ahearn
12
Roka et al (1997)determinan el valor de la tierra de secano en la regin de Corn Belt, siendo las
variables explicativas el tamao de la finca, la erosin, la poblacin, la produccin del maz y el tipo de
empresa. Vase Roka y Palmquist
13
Boisvert et al (1997) determina el valor de la tierra en la cuenca del ro Lower Susquehanna utilizando
como variables explicativas la productividad del maz, la densidad de poblacin, el tamao de la
explotacin, las ventas del condado por acre y la contaminacin ambientalVase Boisvert, Schmit y
Regmi
14
Reynolds et al (2002) estudia las variables explicativas del valor de la tierra concluyendo que la
localizacin, el tamao de la parcela, las inversiones en mejoras, la proporcin en cultivos intensivos y de
zonas hmedas, explican mas del 80% del precio.
15
Isakson (2001) determina como variables explicativas mas importantes la localizacin, las edificaciones,
la poca de venta y la edad.
16
Bible et al (1999) determina como variables explicativas mas importantes el tamao de la parcela, la
distancia a los centros de negocios, la poblacin y la clasificacin de la zona.
17
Maddison (2000) estudia en Inglaterra y Gales el valor del suelo rstico a partir de 400 transacciones. El
anlisis indica que el clima, la calidad del suelo y la altitud son variables explicativas determinantes del
valor del suelo junto con las variables estructurales. Un anlisis hedonista de los precios del suelo rstico
en Inglaterra y Gales.
18
La frmula general para el clculo por el mtodo analtico o de capitalizacin es la siguiente
n
n
r
Q
r
Q
r
Q
J
) 1 (
......
) 1 ( ) 1 (
2
2 1
+
+ +
+
+
+
=
siendo Q = Renta, Ganancia o Flujos de Caja y r la tasa de actualizacin.
Cuando la Q se considera constante y perpetua la formula de clculo se reduce
r
Q
J =
Captulo 1. Introduccin a la Valoracin
Nuevos mtodos de valoracin. Modelos multicriterio.
20
Resumiendo podemos decir que todos los mtodos anteriores, de gran
utilizacin en la prctica valorativa, tienen en comn, sin embargo, una serie de
inconvenientes:
a) El valorador necesita partir de datos cuantificados de las variables explicativas
a utilizar.
b) Como consecuencia de lo anterior la utilizacin de las variables explicativas
de tipo cualitativo resulta especialmente compleja, cuando no imposible.

Adems de estos inconvenientes generales a todos los mtodos, existen otros,
tambin de gran importancia, que afectan de forma particular a cada uno de ellos.

Cuando se utilizan mtodos sintticos o el mtodo Beta se llega a un valor
distinto para cada variable explicativa, por lo que el valorador se encuentra con el
problema aadido de cmo definir un valor final o nico; las soluciones adoptadas de
utilizar la media de los distintos valores no tienen clara justificacin cientfica.

El mtodo economtrico soluciona el problema anterior ya que define un valor en
funcin de todas las variables explicativas significativas. Sera el mtodo ideal de
valoracin, si no fuese porque adems de tener los dos inconvenientes generales
apuntados anteriormente, necesita una informacin suficientemente amplia para su
aplicacin, lo que supone tener que partir de una base de datos con abundantes
testigos cuantificados, que en la mayora de los casos no se dispone.

Los mtodos analticos por su parte, necesitan para su aplicacin del
conocimiento o deduccin de los flujos de caja que se van a materializar en el futuro,
adems de la determinacin de la tasa de descuento, tambin de gran dificultad ya
que vara en funcin del tipo de activo.
Todos estos inconvenientes de los mtodos tradicionales son los que justifican la
necesidad de nuevos mtodos o modelos que permitan bien complementar los ya
existentes o bien aportar nuevas vas de solucin a los problemas de valoracin que
se plantean en la prctica valorativa. Estos dos objetivos son los que se plantea el
presente trabajo, por un lado mejorar los mtodos tradicionales, por otro presentar
nuevos modelos de valoracin que enriquezcan la batera de herramientas disponibles
para el experto valorador, con tal fin en los siguientes captulos se va a desarrollar el
siguiente contenido.
En el captulo 2 se presenta una breve explicacin del rea de conocimiento
conocida como Decisin multicriterio y se enumeran los mtodos cuyo desarrollo se
ver en los prximos captulos en su aplicacin a la valoracin. Tambin en este
captulo se desarrollan conceptos importantes que van a ser utilizados en los captulos
siguientes como son: variables explicativas inversas, variables explicativas cualitativas,
normalizacin de valores, ndice de adecuacin y adaptacin de la nomenclatura.
En el captulo 3 se introducen los mtodos de ponderacin de variables:
Mtodos de Diakoulaki, Entropa y Ordenacin simple.
El captulo 4 trata sobre los mtodos multicriterio a utilizar cuando se parte de
informacin cuantificada, desarrollndose el Mtodo de la Suma ponderada.
El captulo 5 es continuacin del captulo anterior pero en este caso se expone la
Programacin por metas con sus distintas variantes.
Captulo 1. Introduccin a la Valoracin
Nuevos mtodos de valoracin. Modelos multicriterio.
21
El captulo 6 nos introduce en la metodologa de valoracin cuando se parte de
informacin cualitativa, mediante el Proceso Analtico Jerrquico (AHP). Este captulo
contiene un ANEXO en el que se desarrolla un ejemplo de aplicacin del AHP con las
pantallas de EXCEL con el fin de ver con detalle todo el proceso de clculo.
El captulo 7 sigue con el modelo AHP pero cuando intervienen un grupo de
valoradores por lo que hay que llegar a una solucin agregada, al mismo tiempo que
se introduce el concepto de consistencia de las matrices.
En el captulo 8 se incorporan los modelo multicriterio compuestos bietpico y el
trietpico.
Termina el libro con un corolario en el que se apuntan las nuevas vas de
desarrollo de metodologa multicriterio en las que se est trabajando y que
paulatinamente se irn incorporando al mismo.
Finalmente se incorpora una extensa bibliografa tanto de valoracin como de
decisin multicriterio.

Captulo 2. Decisin Multicriterio
Nuevos mtodos de valoracin. Modelos multicriterio.
23

Captulo 2. Decisin Multicriterio
2.1. INTRODUCCIN.
En este captulo se va realizar una breve introduccin a la teora de la Decisin
multicriterio, rea de conocimiento de la que se van a extraer los nuevos mtodos de
valoracin presentados en este trabajo. As mismo, en este captulo se profundizar en
algunos de los conceptos importantes a tener en cuenta en el desarrollo y aplicacin
de esta nueva metodologa, como son: Variables explicativas inversas, variables
explicativas cualitativas, normalizacin de valores, funciones de distancia, el ndice de
adecuacin y por ltimo la adaptacin de la nomenclatura multicriterio a la valoracin.
2.2 .DECISIN MULTICRITERIO
El objetivo original y central de la Decisin Multicriterio universalmente conocida
con las siglas MCDM (Multiple Criteria Decision Making) es ayudar a tomar decisiones.
El ser humano esta expuesto a decidir en gran parte de sus actuaciones en un
contexto de incertidumbre.
Segn la teora econmica tradicional el ser humano ante un problema de decisin
opta por elegir lo mejor en funcin de un solo criterio, que intenta optimizar. Por
ejemplo un empresario tomara sus decisiones empresariales en funcin de un solo
objetivo, la obtencin del mximo beneficio.
Este concepto choca con la realidad cotidiana y el primero en expresarlo de una
forma clara fue el premio Nobel H.A.Simon (1955) diciendo que en las complejas
organizaciones actuales, estas no actan intentando maximizar una determinada
funcin de utilidad, sino que se plantean distintos objetivos a la vez, la mayora de los
cuales son incompatibles entre si, por lo que finalmente lo que se pretende es
conseguir un determinado nivel en cada uno de ellos. Siguiendo con el ejemplo del
empresario, este se planteara, obtener un porcentaje de beneficios sobre ventas
determinado, incrementando las ventas sin sobrepasar su capacidad productiva, con
un incremento de costes que no supere un porcentaje determinado y sin tener que
incrementar su plantilla de personal.
Como consecuencia de esta visin aparece el MCDM, en un intento de abordar
la toma de decisiones en un contexto de distintos objetivos en conflicto y en un entorno
incierto.
En palabras de Moreno (1996), se entiende por Decisin multicriterio, el
conjunto de aproximaciones, mtodos, modelos, tcnicas y herramientas dirigidas a
mejorar la calidad integral de los procesos de decisin seguidos por los individuos y
sistemas, esto es a mejorar la efectividad, eficacia y eficiencia de los procesos de
decisin y a incrementar el conocimiento de los mismos (valor aadido del
conocimiento).
La aparicin del MCDM es posible gracias a trabajos previos realizados por
distintos investigadores en el siglo XIX, con la aportacin a la ciencia econmica de
Captulo 2. Decisin Multicriterio
Nuevos mtodos de valoracin. Modelos multicriterio.
24
nuevos conceptos
19
como la teora de la utilidad de Walras, las funciones y curvas de
indiferencia de Edgeworth que utiliza Pareto para definir el equilibrio econmico que
lleva su nombre y que se expresa diciendo que una colectividad se encuentra en un
estado ptimo si ninguna persona de esa colectividad puede mejorar su situacin sin
que empeore la situacin de alguna otra persona de la misma. Esta clase de
optimalidad se denomina tambin eficiencia paretiana.
20

El MCDM aparece en la segunda parte del siglo XX, de la mano de distintos
autores.
Koopmans (1951) define el trmino de vector eficiente o no dominado. Kuhn y
Tucker (1951) deducen las condiciones que garantizan la existencia de soluciones
eficientes en un problema multiobjetivo. Hurwiks (1958) introduce el concepto de
vector ptimo en un espacio topolgico
En 1961 Charnes y Cooper desarrollan los aspectos esenciales de la
programacin por metas. Y en 1968 aparece el primer mtodo de decisin multicriterio
discreto, el mtodo ELECTRE
21
.
Los aos 70 son especialmente fructferos en el desarrollo de la programacin
por metas, con trabajos tan importantes como los de Ignizio (1976) y Lee (1972). En la
misma poca se pone a punto el primer mtodo interactivo el STEM
22
y se desarrolla
el mtodo para solucionar el problema de la programacin lineal con varios criterios
23
.
En 1980 se publica el primer libro sobre el Analytic Hierarchy Process (AHP)
24
.
La dcada de los 80 es altamente productiva y fructfera en investigaciones y
publicaciones sobre anlisis multicriterio apareciendo gran diversidad de libros y
trabajos diversos
25
.
La aparicin y difusin de los ordenadores personales en esta dcada
revoluciona y potencia el desarrollo de la metodologa.
En 1984 se presenta el mtodo VEGA
26
una extensin de los algoritmos
genticos a los problemas con objetivos mltiples.
Un indicador de la actividad que existe en esta rea de conocimiento nos la da
una publicacin del ao 1996
27
, en la que se listan 1216 publicaciones, 208 libros, 31
revistas y 143 conferencias de MCDM entre 1987 y 1992.
En Espaa son de resaltar las aportaciones de Romero C.(1993) y Barba-
Romero y Pomerol (1997)

19
BARBA-ROMERO, S.; POMEROL, J-CH.(1997)
20
ROMERO,C. (1993)
21
ROY, B. (1968)
22
GEOFFRION, A.; DYER, J.; FEINBERG, A. (1972)
23
ZELENY, M.(1974) y ISERMANN, H. (1974)
24
SAATY, T. (1980)
25
CHANKONG, V.; HAIMES, Y.Y. (1983). DE MONTGOLFIER, J.; BERTIER, P. (1978). GPFER, A.;
NEHSE, R. (1990). HWANG, C.L.; MASUD A. S.M. (1979). SCHRLIG, A. (1985). TABUCANON, M.
(1988). VINCKE, P. (1989). ZELENY, M. (1982). SAWARAGI,Y.; NAKAYAMA, H. ; TANINO, T. (1985).
STEUER, R.E. (1985).
26
SCHAFFER, J.D. (1984)
27
STEUER, R.E.; GARDINER, L.R.; GRAY, J. (1996)
Captulo 2. Decisin Multicriterio
Nuevos mtodos de valoracin. Modelos multicriterio.
25
Dentro del rea de conocimiento que conocemos como MCDM se han
desarrollado un gran nmero de mtodos.
Una de las clasificaciones mas aceptadas es la que distingue entre mtodos
multicriterio continuo y discreto.

El anlisis multicriterio continuo afronta aquellos problemas multicriterio en el
que el decisor se enfrenta a un conjunto de soluciones factibles formado por
infinitos puntos. En este grupo nos encontramos con la Programacin
multiobjetivo, la Programacin compromiso y la Programacin por metas.
El anlisis multicriterio discreto comprende los casos donde el nmero de
alternativas a considerar por el decisor es finito y normalmente no muy
elevado. En este grupo encontramos mtodos como el Electre, el Promethee y
el Proceso Analtico Jerrquico (Analytic Hierarchy Process, AHP).

Tambin dentro de la metodologa multicriterio encontramos mtodos de ponderacin
de variables o determinacin de los pesos como son los mtodos de la Entropa, de
Diakoulaki, la Ordenacin Simple, la Tasacin simple, el de las Comparaciones
Sucesivas y el mismo Proceso Analtico Jerrquico ya enumerado en el anlisis
multicriterio discreto.
El objetivo del presente trabajo es aplicar algunos de los mltiples mtodos
multicriterio existentes descritos en la teora de la Decisin, al rea de Valoracin de
todo tipo de activos, por lo que el nmero de mtodos a utilizar va a ser limitado
28
y se
concreta en los siguientes, clasificados en funcin de la informacin que utilizan o
necesitan para su aplicacin.

1 Mtodos de valoracin a partir de informacin cuantificada.

1.1 Mtodos exclusivamente de ponderacin:
1.1.1 Mtodo de Diakoulaki
1.1.2 Mtodo de la Entropa
1.1.3 Mtodo de la Ordenacin simple
1.2 Mtodos de valoracin propiamente dicha
1.2.1 Mtodo de la Suma Ponderada (WSM)
1.2.2 Programacin por metas (Goal programming,GP)

2 Mtodos de valoracin a partir de informacin cualitativa

2.1 Proceso Analtico Jerrquico (Analytic Hierarchy Process, AHP)
2.2 Modelos de valoracin multicriterio individual
2.3 Modelos de valoracin multicriterio colectivo



28
Los autores estn convencidos que el nmero de mtodos multicriterio a utilizar en Valoracin, crecer
de forma exponencial en los prximos aos. En el presente trabajo se limitan a exponer aquellos sobre
los que vienen trabajando en los ltimos aos.
Captulo 2. Decisin Multicriterio
Nuevos mtodos de valoracin. Modelos multicriterio.
26
En los captulos siguientes se abordara cada uno de los mtodos enunciados
anteriormente, vindose en cada caso el funcionamiento del mtodo y su aplicacin en
valoracin de forma terica y con ejemplos.


2.3. VARIABLES EXPLICATIVAS INVERSAS
En Valoracin se dice que el valor de los activos depende de sus caractersticas.
Esta afirmacin es lgica y no necesita mayor explicacin. No es necesario ser un
experto para conocer que el valor de un automvil depende entre otras caractersticas
de su cilindrada y su marca, y que el valor de un inmueble urbano depende tambin
entre otras variables de su superficie y de la calidad de la edificacin. A estas
caractersticas de las cuales depende el precio de los activos las denominamos en
Valoracin, variables explicativas y se denominan as por ser las variables que
explican el precio.
Las variables explicativas por su relacin con el precio podemos clasificarlas en
dos grupos.
Variables explicativas directas. Son aquellas en que el valor se mueve en el
mismo sentido que ellas, o sea si la variable aumenta el valor aumenta y si la variable
disminuye tambin lo hace el valor. Ejemplo de este tipo de variables son la mayora,
como las vistas anteriormente con respecto al automvil y el inmueble rstico y
tambin lo son el Rendimiento y la calidad de la tierra en inmuebles rsticos y en
Valoracin de futbolistas el nmero de goles por partido y los aos que le quedan de
vida activa al futbolista.
Variables explicativas inversas. Son aquellas en que el valor se mueve en
sentido distinto que ellas, o sea si la variable aumenta el valor disminuye y si la
variable disminuye el valor aumenta. Aunque este tipo de variables son menos
numerosas que las directas, existen claros ejemplos de ellas y hay que ser cuidadoso
en su deteccin y en su tratamiento. Ejemplo de este tipo de variables son en
inmuebles rsticos el Riesgo de helada de una parcela por su situacin geogrfica o la
salinidad del suelo, en inmuebles urbanos la distancia al centro de la ciudad o a las
zonas de servicio y el nivel de contaminacin acstica y en valoracin de futbolistas su
edad a partir de la edad media ideal y el nmero de perdidas de baln.
Cuando nos encontramos en Valoracin con variables inversas, para su
utilizacin en algunos mtodos (ratios y baricntrico) es imprescindible transformarlas
en directas. Y en algunos otros (AHP) como veremos es conveniente su
transformacin
29
. Existen dos formas de hacer esta transformacin.
Transformacin por la inversa.
Transformacin por la diferencia a una constante.
La transformacin por la inversa, consiste en cambiar la variable por su inversa.
Esto es x
i
la sustituiramos por 1/ x
i
. Esta transformacin tiene la ventaja que mantiene

29
La conveniencia de la transformacin en directas de las variables inversas al utilizarlas en AHP, como
se ver, ms adelante se debe a la dificultad aadida de realizar comparaciones pareadas (base del
mtodo) entre dos elementos si la caracterstica sobre la que se compara es inversa.
Captulo 2. Decisin Multicriterio
Nuevos mtodos de valoracin. Modelos multicriterio.
27
la proporcionalidad, lo cual es de gran importancia en valoracin y solo tiene el
inconveniente de no poder ser utilizada cuando la variable toma el valor 0 en alguno
de los testigos.
La transformacin por la diferencia a una constante consiste en sustituir la
variable x
i
por la diferencia con una constante k cuyo valor es superior que el mayor de
la variable. Esta transformacin comnmente realizada en valoracin tiene varios
inconvenientes, el primero es que no mantiene la proporcionalidad y el segundo que
segn la constante k que se elija vara el resultado obtenido.
2.3.1. Ejemplo.
Partimos de la informacin de la Tabla 3.1. con 6 parcelas agrcolas de las
cuales conocemos tres variables explicativas, como son sus Ingresos Brutos en /Ha,
el Riesgo de que se produzca una helada expresado en porcentaje de aos en que se
ha producido una helada en los ltimos 10 aos y la poblacin activa agraria del
municipio donde se encuentra situada la parcela

Ingresos brutos
(/Ha)
Riesgo de helada
(%)
Poblacin agrcola
municipio
Parcela A 1100 10 5000
Parcela B 980 25 6000
Parcela C 1000 15 8500
Parcela D 755 15 15000
Parcela E 1200 5 2500
Parcela F 1050 10 3000
Tabla 2.1. Informacin de partida con la que cuenta el valorador
De las tres variables consideradas, dos de ellas son variables directas con
respecto al precio, tanto los Ingresos brutos como la poblacin activa agrcola estn
relacionadas positivamente con el precio de las parcelas, a mayor valor de la variable
mayor valor de las parcelas. Sin embargo el riesgo de helada es una variable inversa
ya que a mayor Riesgo de helada, menor precio. Por lo tanto hay que transformar la
variable Riesgo de helada en directa. Las transformaciones que vamos a realizar con
el fin de comprobar la proporcionalidad y la permanencia de los resultados, son las
siguientes (Tabla 2.2).
Transformacin por la inversa:
Transformacin por la diferencia a una constante k = 50.
Transformacin por la diferencia a una constante k = 30.


Captulo 2. Decisin Multicriterio
Nuevos mtodos de valoracin. Modelos multicriterio.
28
Variable Transformada Proporcionalidad

Riesgo de
helada (%)
Inversa Rh 50-Rh 30-Rh
Riesgo de
helada (%)
Inversa Rh 50-Rh 30-Rh
Parcela
A
10
0,100 20 5 1,000 1,000 1,000 1,000
Parcela
B
25
0,040 5 20 2,500 2,500 4,000 4,000
Parcela
C
15
0,067 15 10 1,500 1,500 1,333 2,000
Parcela
D
15
0,067 15 10 1,500 1,500 1,333 2,000
Parcela
E
5
0,200 25 0 0,500 0,500 0,800 0,000
Parcela
F
10
0,100 20 5 1,000 1,000 1,000 1,000
Tabla 2.2. Transformacin a directa de la variable Riesgo de helada.
En la tabla 2.2. se aprecia
La transformacin por la inversa mantiene la proporcionalidad de los valores de
las variables.
Cuando la transformacin se realiza por la diferencia a una constante, no se
mantiene la proporcionalidad.
Los resultados obtenidos con distintas constantes son diferentes.
Por lo tanto, la transformacin a realizar cuando nos encontremos con una
variable inversa es sustituirla por su inversa. Esta transformacin como ya se ha dicho
solo tiene el inconveniente de no poderse utilizar si la variable toma el valor cero en
alguno de los testigo. Esta dificultad puede obviarse sin afectar de forma importante a
la proporcionalidad de la variable transformada mediante el recurso de sumar a la
variable una constante k lo mas pequea posible en funcin del tipo de variable que
estemos analizando y posteriormente transformar la variable en directa mediante el
clculo de la inversa.


2.4. VARIABLES EXPLICATIVAS CUALITATIVAS

En el apartado anterior hemos visto la clasificacin de las variables en funcin de
su relacin con el valor (directas o inversas). Otra de las clasificaciones de las
variables, de gran importancia en Valoracin, es la de cuantitativas y cualitativas. Las
primeras son aquellas que vienen o pueden venir, expresadas normalmente por
cantidades, ejemplo de este tipo de variables son la Produccin, los Ingresos, la
Renta, la distancia a un punto determinado, el contenido en sales de un suelo, el
nmero de habitaciones, la superficie, la altura , el nmero de goles marcados o
encajados por minutos jugados, el tamao del cuadro etc. Las segundas, las
Captulo 2. Decisin Multicriterio
Nuevos mtodos de valoracin. Modelos multicriterio.
29
cualitativas, son aquellas que no son medibles directamente, aunque el experto pueda
darles una determinada cuantificacin utilizando una escala determinada previamente.
Son ejemplo de este tipo de variables cualitativas, la calidad del suelo, el aspecto
vegetativo, la calidad del entorno urbanstico, la importancia de la imagen, la calidad
artstica. Las variables cualitativas tienen gran importancia en los procesos valorativos
y deben ser tenidas en cuenta en la valoracin. La dificultad que presentan es su
cuantificacin, normalmente la forma de abordar este problema es mediante una
escala lineal de 0 a 10 o de 0 a 100 (no es indiferente el rango de la escala que se
adopte), donde el experto sita cada uno de los testigos comparndolos todos entre si.
Miller (1956) en un estudio de gran repercusin en la teora de la decisin establece
que el cerebro humano tiene serias limitaciones para establecer comparaciones
globales entre distintos sujetos o alternativas a partir de una escala determinada, que
se incrementa de forma considerable cuando el nmero de elementos a comparar
supera el nmero 7.
Sin embargo el cerebro humano se encuentra perfectamente adaptado a las
comparaciones por pares, esto es, enfrentado a comparar dos elementos en funcin
de una caracterstica determinada el cerebro humano la realiza con relativa facilidad.
Cuando desarrollemos el Proceso Analtico Jerrquico veremos que esta cualidad es
la base para cuantificar las variables explicativas cualitativas con el fin de poderlas
utilizar en el proceso de valoracin.



2.5. NORMALIZACIN DE LOS VALORES
Los mtodos multicriterio cardinales exigen la previa normalizacin de la
informacin. La razn de esta normalizacin est en la necesidad de unificar las
unidades de medida necesarias para poder comparar. Si en un proceso de decisin (o
en nuestro caso un proceso de valoracin, como veremos ) estamos utilizando criterios
cuantitativos tan dispares como pueden ser los Ingresos Brutos medidos en u.m., junto
con la produccin medida en Kg., litros, o unidades fsicas producidas (automviles,
jamones, plantones, etc), o junto con la distancia de ubicacin medida en mts o Kms,
es evidente que establecer comparaciones a partir de esas unidades tan distintas, por
un lado no es deseable ya que entre otras causas pueden producirse distorsiones
hacia las cantidades mayores. An en los casos en que los distintos criterios se miden
con la misma unidad (u.m.,Kgs etc), si los valores utilizados en cada uno son distintos
en cuanto tamao o vienen expresados de distinta forma, esta diferencia puede afectar
sensiblemente al resultado. En el ejemplo siguiente se pone en evidencia este tipo de
anomalas (Tabla 2.3).

CULTIVO INVERSIN (/Ha) GANANCIAS(/Ha) Suma
1 -7200 1500 -5700
2 -8500 1200 -7300
3 -4500 450 -4050
Captulo 2. Decisin Multicriterio
Nuevos mtodos de valoracin. Modelos multicriterio.
30
4 -6000 1800 -4200
Tabla 2.3. Inversiones y Ganancias de distintos cultivos
Si la decisin sobre cual es el cultivo mas interesante, se toma en funcin de la
suma Inversin+Ganancias (expresara que cultivo es el que mejor recupera la
Inversin) el resultado sera.
3 > 4 > 1 > 2
Sin embargo si esa misma informacin se presenta en pero expresado en
miles la Inversin (Tabla 2.4).
CULTIVO INVERSIN (miles
/Ha)
GANANCIAS(/Ha) Suma
1 -7,20 1500 1492,8
2 -8,50 1200 1194,5
3 -4,50 450 445,5
4 -6,00 1800 1792,0
Tabla 2.4. Inversiones y Ganancias de distintos cultivos
El resultado cambia de forma radical, siendo ahora
4 > 1 > 2 > 3.
La forma de solucionar este problema, es uniformizar la informacin de manera
que la unidad utilizada no distorsione el resultado, a este proceso se le denomina
normalizacin.
Podemos definir la normalizacin como un procedimiento por el cual el valor de
las variables normalizadas queda comprendido en el intervalo [0 1].
Existen diferentes procedimientos de normalizacin cada uno con sus
caractersticas de clculo y sobre todo con resultados distintos en cuanto a su
distribucin dentro del intervalo general de [0 1] y al mantenimiento o no de la
proporcionalidad, siendo esta la propiedad por la que si el cociente de dos elementos
es igual a n, el cociente de esos mismos elementos normalizados tambin es n.
A continuacin se desarrollan los procedimientos de normalizacin ms
importantes; para su explicacin terica se utilizar los datos de la Tabla 2.3. y al final
del apartado se presentara un ejemplo con la aplicacin de todas las formas de
normalizacin vistas.
Criterio 1 Criterio 2 Criterio 3
Alternativa A X
11
X
12
X
13

Alternativa B X
21
X
22
X
23

Captulo 2. Decisin Multicriterio
Nuevos mtodos de valoracin. Modelos multicriterio.
31
Alternativa C X
31
X
32
X
33

Alternativa D X
41
X
42
X
43

Alternativa E X
51
X
52
X
53

Alternativa F X
61
X
62
X
63

Tabla 2.5. Informacin de alternativas y criterios para normalizar
2.5.1. Normalizacin por la suma:
Este sistema de normalizacin consiste en utilizar el cociente de cada elemento
por la suma de los elementos de cada criterio o sea por la suma de los elementos de
la columna en que esta ubicado el elemento a normalizar.

=
=
+ + + +
=
5
1
1
11
51 41 31 21 11
11
11
i
i
O NORMALIZAD
x
x
x x x x x
x
x

Lo forma general pues de normalizacin por la suma sera

=
=
n
i
if
if
DO fNORMALIZA
x
x
x
1
1

El intervalo de los valores normalizados es 0<x
ij
<1
Conserva la proporcionalidad.
2.5.2. Normalizacin por el mayor elemento o normalizacin por el Ideal.
Consiste en dividir cada elemento de una columna por el mayor elemento de
dicha columna. Se denomina tambin normalizacin por el ideal debido a que en una
secuencia de valores de un criterio al mayor valor se la llama ideal y al menor
antiideal.
Si en la Tabla 2.5. en la columna del criterio 1, los valores de las x
ij
son
x
11
<x
31
= x
41
< x
51
<x
21
La normalizacin de todos los elementos de esa columna se realizaran
dividiendo cada uno de ellos por x
21
que es el mayor.
21
11
11
x
x
x
O NORMALIZAD
=

Por lo tanto la frmula general de normalizacin en este caso, sera.
Captulo 2. Decisin Multicriterio
Nuevos mtodos de valoracin. Modelos multicriterio.
32

if
if
DO fNORMALIZA
x max
x
x =
1

El intervalo de los valores normalizados es 0<x
ij
1
Conserva la proporcionalidad.

2.5.3. Normalizacin por el rango
Es una variante del anterior. La normalizacin se realiza mediante el cociente de
cada elemento menos el mnimo por el rango elemento mximo menos el mnimo.
11 21
11 31
31
x x
x x
x
O NORMALIZAD

=

Por lo tanto la frmula general de normalizacin en este caso, sera.
1 1
1 1
1
i i
i i
O NORMALIZAD i
x min x max
x min x
x

=

El intervalo de los valores normalizados es 0x
ij
1. Con este tipo de
normalizacin siempre uno de los elementos es 0 y otro toma el valor 1.
No conserva la proporcionalidad, lo cual es un dato importante para su aplicacin
en Valoracin.

Existen otros procedimientos, como el de normalizacin por la raz cuadrada del
sumatorio del cuadrado de los elementos, pero no vamos a considerarlo ya que los
mas utilizados son los tres vistos anteriormente.

2.5.4. Ejemplo
Partimos de la informacin de la Tabla 2.6., con 6 parcelas agrcolas de las
cuales conocemos tres variables explicativas, como son sus Ingresos Brutos en /Ha,
el Riesgo de que se produzca una helada expresado en porcentaje de aos en que se
ha producido una helada en los ltimos 10 aos y la poblacin activa agraria del
municipio donde se encuentra situada la parcela

Ingresos brutos Riesgo de helada Poblacin agrcola
Captulo 2. Decisin Multicriterio
Nuevos mtodos de valoracin. Modelos multicriterio.
33
(/Ha) (%)
Parcela A 1.100 10 5.000
Parcela B 980 25 6.000
Parcela C 1.000 15 8.500
Parcela D 755 15 15.000
Parcela E 1.200 5 2.500
Parcela F 1.050 10 3.000
Tabla 2.6. Informacin de partida.
De las tres variables consideradas, dos de ellas son variables directas con
respecto al precio, tanto los Ingresos brutos como la poblacin activa agrcola estn
relacionadas positivamente con el precio de las parcelas, a mayor valor de la variable
mayor valor de las parcelas. Sin embargo el riesgo de helada es una variable inversa
ya que a mayor riesgo de helada, menor precio. Por lo tanto hay que transformar la
variable Riesgo de helada en directa. Como hemos visto en el punto correspondiente
la transformamos en directa mediante la inversa del valor.
Con la transformacin por la inversa la tabla inicial de los datos quedara de la
forma de la Tabla 2.7.
Ingresos brutos
(/Ha)
Riesgo de helada
(%)
Poblacin agrcola
Parcela A 1.100 0,10 5.000
Parcela B 980 0,04 6.000
Parcela C 1.000 0,07 8.500
Parcela D 755 0,07 15.000
Parcela E 1.200 0,20 2.500
Parcela F 1.050 0,10 3.000
Tabla 2.7. Informacin de partida con todas las variables directas
Con todas las variables transformadas en directas el siguiente paso es
normalizarlas, para ello vamos a utilizar los tres procedimientos vistos anteriormente y
analizaremos en cada caso los resultados.
Normalizacin de la variable Ingresos Brutos: Vemos en la tabla 2.8. los valores
de la variable normalizada en cada caso. En la tabla 2.9 se observa el intervalo del
valor de la variable normalizada, que tambin se evidencia en el grfico 2.1. Intervalo
que vara en funcin del mtodo de normalizacin. Lo dicho para la variable Ingresos
Brutos puede tambin observarse para las dos otras variable, Riesgo de Helada
(tablas 2.10 y 2.11 y Grafico 2.2) y la variable Poblacin activa agraria (tablas 2.12 y
2.13 y Grafico 2.3).
Captulo 2. Decisin Multicriterio
Nuevos mtodos de valoracin. Modelos multicriterio.
34

Normalizacin
por la suma
Normalizacin
por el Ideal
Normalizacin
por el
intervalo
Parcela A 0,1807 0,9166 0,7752
Parcela B 0,1610 0,8166 0,5056
Parcela C 0,1643 0,8333 0,5505
Parcela D 0,1240 0,6291 0,0000
Parcela E 0,1972 1,0000 1,0000
Parcela F 0,1725 0,8750 0,6629
Tabla 2.8. Valores de la variable Ingresos Brutos normalizada, para cada uno de
los mtodos de normalizacin

Ingresos brutos (/Ha)
Suma Ideal Intervalo
Mximo
0,1972 1 1
Mnimo
0,1240 0,6291 0
Recorrido
0,0731 0,3708 1
Tabla 2.9. Intervalo o recorrido de la variable Ingresos Brutos normalizada, para cada
uno de los mtodos de normalizacin

Normalizacin Ingresos brutos
0
0,5
1
1,5
Parcela A Parcela B Parcela C Parcela D Parcela E Parcela F
Parcelas
V
a
l
o
r

n
o
r
m
a
l
i
z
a
d
o
Normalizacin por
la suma
Normalizacin por
el Ideal
Normalizacin por
el intervalo
Grfico 2.2. Intervalo o recorrido de la variable Ingresos Brutos normalizada, para cada
uno de los mtodos de normalizacin

Normalizacin de la variable Riesgo de Helada:
Captulo 2. Decisin Multicriterio
Nuevos mtodos de valoracin. Modelos multicriterio.
35

Normalizacin
por la suma
Normalizacin
por el Ideal
Normalizacin
por el
intervalo
Parcela A 0,1724 0,5000 0,3750
Parcela B 0,0689 0,2000 0,0000
Parcela C 0,1206 0,3500 0,1875
Parcela D 0,1206 0,3500 0,1875
Parcela E 0,3448 1,0000 1,0000
Parcela F 0,1724 0,5000 0,3750
Tabla 2.10. Valores de la variable Riesgo de Helada normalizada, para cada uno
de los mtodos de normalizacin
Riesgo de helada
Suma Ideal Intervalo
Mximo
1,0000 2,9000 1,0000
Mnimo
0,3448 1,0000 0,0000
Recorrido
0,6551 1,9000 1,0000
Tabla 2.11. Intervalo o recorrido de la variable Riesgo de Helada normalizada,
para cada uno de los mtodos de normalizacin

Normalizacin Riesgo de Helada
0
0,2
0,4
0,6
0,8
1
1,2
Parcela A Parcela B Parcela C Parcela D Parcela E Parcela F
Parcelas
V
a
l
o
r
e
s

n
o
r
m
a
l
i
z
a
d
o
s
Normalizacin por
la suma
Normalizacin por
el Ideal
Normalizacin por
el intervalo

Grfico 2.3. Intervalo o recorrido de la variable Riesgo de Helada normalizada,
para cada uno de los mtodos de normalizacin
Normalizacin de la variable Poblacin activa agraria:
Captulo 2. Decisin Multicriterio
Nuevos mtodos de valoracin. Modelos multicriterio.
36
Normalizacin
por la suma
Normalizacin
por el Ideal
Normalizacin
por el
intervalo
Parcela A 0,1250 0,3333 0,2000
Parcela B 0,1500 0,4000 0,2800
Parcela C 0,2125 0,5666 0,4800
Parcela D 0,3750 1,0000 1,0000
Parcela E 0,0625 0,1666 0,0000
Parcela F 0,0750 0,2000 0,0400
Tabla 2.12. Valores de la variable Poblacin activa agraria normalizada, para
cada uno de los mtodos de normalizacin

Poblacin agrcola
Suma Ideal Intervalo
Mximo
0,3750 1,0000 1,0000
Mnimo
0,0625 0,1666 0,0000
Recorrido
0,3125 0,8333 1,0000
Tabla 2.13. Intervalo o recorrido de la variable Poblacin activa agraria
normalizada, para cada uno de los mtodos de normalizacin

Normalizacin Poblacin agrcola
0
0,2
0,4
0,6
0,8
1
1,2
Parcela A Parcela B Parcela C Parcela D Parcela E Parcela F
Parcelas
V
a
l
o
r
e
s

n
o
r
m
a
l
i
z
a
d
o
s
Poblacin
agrcola
Normalizacin
por la suma
Poblacin
agrcola
Normalizacin
por el Ideal
Poblacin
agrcola
Normalizacin
por el
Grfico 2.4.. Intervalo o recorrido de la variable Poblacin activa agraria normalizada,
para cada uno de los mtodos de normalizacin
En todos los casos, se observa que el recorrido o intervalo de las variables vara
en funcin del mtodo de normalizacin utilizado, siendo el ms concentrado la
normalizacin por la suma y el menos el por el rango en el que siempre hay un valor 0
y otro 1.
Captulo 2. Decisin Multicriterio
Nuevos mtodos de valoracin. Modelos multicriterio.
37
El otro punto fundamental a comprobar es cual/es de los metodo/s mantiene/n la
proporcionalidad. Para ello comprobamos para todas las variables y para los tres tipo
de normalizacin el mantenimiento de la proporcin de cada valor con respecto al
valor de la parcela A (Tablas 2.14, 2.15 y 2.16)

Ingresos Brutos Normalizacin por la
suma
Normalizacin por el
Ideal
Normalizacin por el
intervalo
Valor Proporcin Valor
normalizado
Proporcin Valor
normalizado
Proporcin Valor
normalizado
Proporcin
A 1100 1,0000 0,1807 1,0000 0,9166 1,0000 0,7752 1,0000
B 98 0,8909 0,1610 0,8909 0,8166 0,8909 0,5056 0,6521
C 1000 0,9090 0,1643 0,9090 0,8333 0,9090 0,5505 0,7101
D 755 0,6863 0,1240 0,6863 0,6291 0,6863 0,0000 0,0000
E 1200 1,0909 0,1972 1,0909 1,0000 1,0909 1,0000 1,2898
F 1050 0,9545 0,1725 0,9545 0,8750 0,9545 0,6629 0,8550
Tabla 2.14. Clculo del mantenimiento de la proporcionalidad de los distintos mtodos
de normalizacin para la variable Ingresos brutos



Riesgo de helada Normalizacin por la
suma
Normalizacin por el
Ideal
Normalizacin por el
intervalo
Valor Proporcin Valor
normalizado
Proporcin Valor
normalizado
Proporcin Valor
normalizado
Proporcin
A 0,1000 1,0000 0,1724 1,0000 0,5000 1,0000 0,3750 1,0000
B 0,0400 0,4000 0,0689 0,4000 0,2000 0,4000 0,0000 0,0000
C 0,0700 0,7000 0,1206 0,7000 0,3500 0,7000 0,1875 0,5000
D 0,0700 0,7000 0,1206 0,7000 0,3500 0,7000 0,1875 0,5000
E 0,2000 0,2000 0,3448 0,2000 1,0000 0,2000 1,0000 2,6666
F 0,1000 1,0000 0,1724 1,0000 0,5000 1,0000 0,3750 1,0000
Tabla 2.15. Clculo del mantenimiento de la proporcionalidad de los distintos
mtodos de normalizacin para la variable Riesgo de helada

Captulo 2. Decisin Multicriterio
Nuevos mtodos de valoracin. Modelos multicriterio.
38



Poblacin agrcola Normalizacin por la
suma
Normalizacin por el
Ideal
Normalizacin por el
intervalo
Valor Proporcin Valor
normalizado
Proporcin Valor
normalizado
Proporcin Valor
normalizado
Proporcin
A 5.000 1,0000 0,1250 1,0000 0,3333 1,0000 0,2000 1,0000
B 6.000 1,2000 0,1500 1,2000 0,4000 1,2000 0,2800 1,4000
C 8.500 1,7000 0,2125 1,7000 0,5666 1,7000 0,4800 2,4000
D 15.000 3,0000 0,3750 3,0000 1,0000 3,0000 1,0000 5,0000
E 2.500 0,5000 0,0625 0,5000 0,1666 0,5000 0,0000 0,0000
F 3.000 0,6000 0,0750 0,6000 0,2000 0,6000 0,0400 0,2000
Tabla 2.16. Clculo del mantenimiento de la proporcionalidad de los distintos mtodos
de normalizacin para la variable Poblacin agrcola
Como se pone en evidencia en las tablas anteriores, los mtodos de
normalizacin que mantienen la proporcionalidad de los datos son la normalizacin por
la suma y la normalizacin por el ideal o por el mayor.
Estos dos procedimientos sern los utilizados en todos los procesos de
normalizacin de los mtodos multicriterio que desarrollaremos en los prximos
captulos.


2.6. FUNCIONES DE DISTANCIA. DISTANCIA L
1
O DISTANCIA
MANHATTAN.
En la prctica valorativa es conveniente la utilizacin de distintos mtodos con el fin de
determinar el valor buscado a partir de la informacin de los testigos de los que se
disponga. Por lo tanto al final del proceso posiblemente tengamos tantos valores del
activo a valorar como mtodos hayamos utilizado.
Para determinar que valor elegimos como definitivo vamos a adoptar un mtodo
basado en el concepto de distancia introducido por Minkowsky y en el axioma de
Zeleny base de la metodologa de la Programacin compromiso Dadas dos
soluciones posibles en el espacio de los objetivos f
1
y f
2
la solucin preferida ser
aquella que se encuentre ms prxima al punto ideal (Zeleny, 1973).

El concepto general de distancia se representa por (5)
Captulo 2. Decisin Multicriterio
Nuevos mtodos de valoracin. Modelos multicriterio.
39



Segn el valor que demos a p obtenemos distintas distancias, de las cuales las ms
comunes son:

P=1. Distancia Manhattan o Norma L
1
P=2. Distancia Euclidiana o Norma L
2
P= . Distancia Chevysev o Norma L


En un eje de coordenadas bidimensional (Figura 2.5), la distancias entre dos puntos A
y B seran.


Figura 2.5. Distancia Euclidiana y Nanhattan. (Figura tomada de Romero C., 1977 pag. +8)
10
A {10,1)
B {2,7)
6
S
X
1
X
2








) 5 (
/ 1
1
2 1
p
n
f
p
f f p
x x L
(

=

=
Captulo 2. Decisin Multicriterio
Nuevos mtodos de valoracin. Modelos multicriterio.
40


Distancia Manhattan o L
1
= 6+8 = 14
Distancia Euclidiana o L
2
= 10
Distancia Chevysev o L = 8

La distancia Manhattan se corresponde con la suma de los catetos del tringulo
rectngulo de la figura. La distancia Euclidiana a su vez se corresponde con la
hipotenusa de dicho tringulo y la distancia Chevysev con el mximo valor de los dos
catetos que configuran la distancia Manhattan. En trminos geomtricos, podemos
decir que la distancia Manhattan representa la ms larga entre dos puntos y la
Chevysev la mas corta.
Para el problema que nos ocupa en este momento, determinar una metodologa para
elegir el resultado mas ajustado al Ideal, vamos a considerar la distancia Manhattan.
La base de esta eleccin est en el trabajo de Yoon (1987) en el que intenta medir la
credibilidad de las diferentes mtricas llegando a la conclusin que la mtrica L
1
es la
mas creble. Las distancias Euclidiana y Chevysev las retomaremos al desarrollar la
Programacin por metas.

Vamos a ver ahora como utilizar los conceptos desarrollados anteriormente de las
Distancias y la Programacin compromiso para elegir el mtodo y por lo tanto el valor
definitivo.
Con cada uno de los mtodos de valoracin que se utilicen para calcular el valor del
activo problema, se recalcula el valor de los testigos, con lo que tendremos tantos
grupos de valores testigos como mtodos utilizados (V
m
).

Tenemos por otro lado los valores reales de cada uno de los testigos, valores de los
que partimos (V
R
) y al que consideramos como Ideal.

Calculamos la distancia L
1
entre cada V
m
y V
R
.

Aquel V
m
cuya distancia al ideal sea menor ser el mtodo cuya solucin adoptaremos
como definitiva, ya que es el mtodo con el que obtenemos V
m
mas parecidos al Ideal
que recordemos son los valores reales de los testigos.

2.6.1. Ejemplo
Veamos este proceso con un ejemplo. Para ello utilizaremos la informacin del
ejemplo que seguiremos en captulos posteriores, pero en estos momentos como aun
no se han presentado los modelos multicriterio, aplicaremos solo un modelo clsico
sinttico como el baricntrico y aplicaremos la distancia Manhattan para determinar
cual de los distintos valores encontrados en funcin de la variable utilizada es el mas
adecuado.

Parcela Valor Ingresos brutos Edad Poblacin agraria
Captulo 2. Decisin Multicriterio
Nuevos mtodos de valoracin. Modelos multicriterio.
41
1 4.200 400 11 1.200
2 6.100 750 10 1.250
3 6.800 870 11 1.300
4 6.200 800 10 1.400
5 5.000 600 10 1.300
X 800 10 1.200
2.17. Informacin de partida

Normalizamos.

PARCELA VALOR INGRESOS BRUTOS EDAD POBLACION AGRARIA
1 4200 0,0948 0,1746 0,1569
2 6100 0,1777 0,1587 0,1634
3 6800 0,2062 0,1746 0,1699
4 6200 0,1896 0,1587 0,1830
5 5000 0,1422 0,1587 0,1699
X 0,1896 0,1746 0,1569
1 1 1
2.17. Informacin de partida normalizada

Calculamos los respectivos ratios baricntricos y los valores de la parcela X
respectivos.

Variable Ingresos Brutos.
Ha euros X Parcela Jalor
Ratio
IB
620 . 6 1896 , 0 71 , 916 . 34
71 , 916 . 34
8105 , 0
300 . 28
1422 , 0 1896 , 0 2062 , 0 1777 , 0 0948 , 0
000 . 5 200 . 6 800 . 6 100 . 6 200 . 4
= =
= =
+ + + +
+ + + +
=


Variable Edad

Ha euros X Parcela Jalor
Ratio
E
987 . 5 1746 , 0 56 , 290 . 34
56 , 290 . 34
8253 , 0
300 . 28
1587 , 0 1587 , 0 1746 , 0 1587 , 0 1746 , 0
000 . 5 200 . 6 800 . 6 100 . 6 200 . 4
= =
= =
+ + + +
+ + + +
=

Variable Poblacin agraria.

Captulo 2. Decisin Multicriterio
Nuevos mtodos de valoracin. Modelos multicriterio.
42
Ha euros X Parcela Jalor
Ratio
E
264 . 5 1569 , 0 64 , 554 . 33
65 , 554 . 33
8431 , 0
300 . 28
1699 , 0 1830 , 0 1699 , 0 1634 , 0 1569 , 0
000 . 5 200 . 6 800 . 6 100 . 6 200 . 4
= =
= =
+ + + +
+ + + +
=

Tenemos por lo tanto tres valores distintos en funcin del ratio utilizado. Vamos a
determinar que solucin es la mas adecuada, que ser aquella que de la menor
Distancia Manhattan, de los valores recalculados de los testigos.

Calculamos, por lo tanto, la Distancia Manhattan o L
1
para cada ratio mediante (6).
Tabla 2.18.

( ) 6
1 / 1
5
1
1
2 1
2 (

=

= f
f f
x x L

PARCELA VALOR
Valor con
Ratio IB Distancia
Valor con
Ratio E Distancia
Valor con
Ratio PA Distancia
1 4.200,00 3.310 890 5.987 1.787 5.265 1.065
2 6.100,00 6.206 106 5.442 658 5.484 616
3 6.800,00 7.199 399 5.987 813 5.704 1.096
4 6.200,00 6.620 420 5.442 758 6.143 57
5 5.000,00 4.965 35 5.442 442 5.704 704
DISTANCIA
MANHATTAN 1.850 4.458 3.538
2.18. Distancias Manhattan de los valores recalculados de los testigos al Ideal


Las distintas distancias aparecen resumidas en la Tabla 2.19.

Variable
Distancia
Manhattan
I. Brutos 1.850
Edad 4.458
P. Agraria 3.538
2.19. Resumen de la distancias Manhattan


Si representamos en un grafico las distancias obtenidas. Grfico 2.6.

Captulo 2. Decisin Multicriterio
Nuevos mtodos de valoracin. Modelos multicriterio.
43
Distancia Manhattan
0
500
1.000
1.500
2.000
2.500
3.000
3.500
4.000
4.500
5.000
I. Brutos Edad P. Agraria
Mtodo
D
i
s
t
a
n
c
i
a

a
l

I
d
e
a
l
Distancia Manhattan

Grfico 2.6. Distancias Manhattan


Es evidente en este caso que los valores que su distancia al Ideal es menor son los
obtenidos con el ratio Ingresos brutos, por lo tanto adoptaremos el valor de la parcela
problema deducido por este ratio.

VALOR DEFINITIVO DE X = 6.620 euros/Ha.

En sucesivos captulos utilizaremos el clculo de la distancia Manhattan para
determinar en cada caso el mtodo cuyo resultado es el ms indicado.







Captulo 2. Decisin Multicriterio
Nuevos mtodos de valoracin. Modelos multicriterio.
44
2.7 NDICE DE ADECUACIN
30
.

Cuando trabajemos con Programacin por metas y a la hora de comparar la bondad
de diferentes modelos cuya utilizacin es posible, puede hacerse uso de un ratio al
que hemos denominado ndice de adecuacin (
a
I ). Se trata de enfrentar la solucin
obtenida mediante el modelo de programacin por metas con la que se obtendra con
una solucin ingenua (naive) del problema. Esta ltima sera la que aplicara el
valorador cuando la nica variable conocida para la muestra de testigos fuera el
precio, de manera que el valor estimado para cualquier activo problema sera el
obtenido como promedio entre el conjunto de testigos de la muestra. El ndice de
adecuacin se obtendr a partir de la relacin entre la suma de desviaciones de uno y
otro modelo [7]:
100
'
1 |
.
|

\
|
=
:
:
I
a
[7]
donde : recoge la suma del conjunto de variables de desviacin para el modelo
de valoracin por metas
31
(

= =
= + =
n
f
f
n
f
f f
v v p n :
1 1
), y ' : la suma de errores
absolutos en el modelo naive (

=
=
n
f
f
v v :
1
' ).
De esta manera, el ndice de adecuacin puede fluctuar entre 0 y 100, con
valores ms prximos al lmite superior cuanto ms ajustado resulte el modelo.

2.8 NOMENCLATURA
Para poder aplicar la metodologa multicriterio a la valoracin es imprescindible
realizar algunos cambios en la terminologa original de forma que se adapte el
vocabulario multicriterio a la terminologa valorativa.
1. Las denominadas Alternativas en el modelo general se correspondern en
valoracin con el conjunto de activos (fincas o parcelas en el caso agrario,
inmuebles urbanos en valoracin urbana etc) cuyos valores de mercado y
caractersticas se conocen, mas el activo a valorar.
2. Los denominados atributos en el modelo general equivalen con lo que
denominamos en valoracin variables explicativas o variables exgenas y
de las cuales as como de los diferentes tipos existentes ya se ha hablado
en este captulo.


30
El Indice de adecuacin presentado en este apartado es otra forma de enfocar el concepto de Distancia
Manhattan visto en el apartado anterior. En este caso se comparan las distancias a el Ideal de los valores
obtenidos con Programacin por metas frente a un modelo naive.
31
En cualquiera de sus variantes.
Captulo 3. Mtodos de valoracin multicriterio con informacin cuantitativa
Nuevos mtodos de valoracin. Modelos multicriterio.
45

Captulo 3. Mtodos de ponderacin de variables

3.1 INTRODUCCIN
Tanto en este captulo como en los posteriores, en los que se van a exponer la
utilizacin de diversos mtodos de decisin multicriterio como tcnicas de aplicacin a
la valoracin, primero se mostrarn en su faceta original de metodologa de toma de
decisiones, para posteriormente desarrollar como pueden ser aplicados a la valoracin
de activos, terminando en todos los casos con un ejemplo de esta aplicacin.

En este captulo se presentan tres mtodos multicriterio cuya funcin consiste en
permitir la ponderacin de los distintos criterios (variables explicativas) utilizados para
ponderar las alternativas (activos testigo y a valorar). Los mtodos en concreto son:
Mtodo de la Entropa.
Mtodo de Diakoulaki.
Mtodo de la Ordenacin Simple.
Cuando estudiemos el Proceso Analtico Jerrquico en captulos posteriores, as
como la Programacin por metas veremos como ambos procesos tambin pueden
entrar en este mismo apartado de ponderacin de criterios, pero por su inters y
singularidad los estudiaremos aparte.
Para decidir entre un grupo de alternativas (1,2,..,n) cual es la mas interesante,
se realiza en funcin de una serie de criterios. Los mtodos de ponderacin de
criterios de Diakoulaki y Entropa pretenden a partir de la informacin del valor que las
distintas alternativas tienen de cada criterio, determinar de una forma objetiva el peso
de ellos. La informacin de partida sera como la de la tabla 3.1.

ALTERNATIVA Criterio A Criterio B Criterio C
1 X
1A
X
1B
X
1C

2 X
2A
X
2B
X
2C

3 X
3A
X
3B
X
3C

4 X
4A
X
4B
X
4C

5 x
5A
x
5B
x
5C

6 x
PA
x
PB
x
PC

Tabla 3.1. Alternativas y valor de sus criterios
Por otro lado el mtodo de la ordenacin simple, a diferencia de los dos
anteriores, permite obtener la ponderacin de los criterios por ordenacin de los
Captulo 3. Mtodos de valoracin multicriterio con informacin cuantitativa
Nuevos mtodos de valoracin. Modelos multicriterio.
46
mismos y su utilizacin se justifica cuando se parte de una situacin tan escasa de
informacin, que no es posible la aplicacin de los mtodos anteriores.
Vamos a ver a continuacin con detalle cada uno de estos mtodos.

3.2 MTODO DE DIAKOULAKI
Este mtodo fue presentado por sus autores
32
en el ao 1992 en las 36
Journes du groupe europen Aide Multicritrie la Decisin en Luxemburgo. El
mtodo pondera cada variable segn la expresin (1), partiendo de los datos que para
dicha variable explicativa, adquieren las distintas alternativas.
w
j
= s
j
* (1 r
jk
) (1)
Siendo
w
j
= peso o ponderacin de la variable j
s
j
= desviacin tpica de la columna j
r
jk
= Coeficiente de correlacin entre la columna j y la k
por consiguiente el peso de un criterio es tanto mayor cuanta mayor sea su
varianza (mayor desviacin tpica) y cuanta mayor informacin diferente a la de los
otros criterios aporte (menor coeficiente de correlacin entre columnas). Con el fin de
que las magnitudes sean comparables se procede previamente a la normalizacin por
la suma de las mismas transformndolas por lo tanto a valores entre 0 y 1,
procedimiento que ya hemos visto en el captulo anterior (2.4).
La desviacin estndar de cada criterio se obtiene aplicando la frmula conocida
(2)
n
X X
S
n
f
f
f

|
.
|

\
|

=
1
2
(2)
As mismo utilizando la frmula del Coeficiente de correlacin de Pearson (3) se
calculan los distintos coeficientes de correlacin entre los criterios.

k f
fk
s s
k f
r
*
) , cov(
=
(3)
Ambas expresiones proporcionan la informacin para calcular la ponderacin de
cada uno de los criterios de acuerdo con la expresin del clculo de los pesos vista
anteriormente (1).


32
D!AKOULAK!, D. ; NAvROTAS, G. ; PAPAYANNAK!S,L. (1992)
Captulo 3. Mtodos de valoracin multicriterio con informacin cuantitativa
Nuevos mtodos de valoracin. Modelos multicriterio.
47

3.3 MTODO DE LA ENTROPA
Este mtodo fue propuesto por Zeleny (1982) como un mtodo objetivo de
clculo de los pesos ya que parte del supuesto de que un criterio tiene mayor peso
cuando mayor diversidad hay en las evaluaciones de cada alternativa y adems su
clculo se realiza a partir de los valores que adquieren los distintos criterios que se van
a ponderar. Conceptualmente se basa en la teora de la informacin de Shannon
33
que
introduce el concepto de entropa en un canal de informacin.
Para su clculo se empieza por normalizar por la suma los distintos valores a
ij
.de
los criterios.
Se calcula la entropa de cada variable utilizando la siguiente frmula (4)
E
j
= - K
i
a
ij
log a
ij
(4)
Siendo K = 1 / log m y m el nmero de alternativas.
La entropa calculada es tanto mayor cuanto mas iguales son las a
ij
consideradas. Como lo que se busca es la diversidad D (5)
D
j
= 1 -

E
j
(5)
Finalmente se normaliza por la suma y se obtiene la ponderacin buscada (6)
w
j
= D
j
/
j
D
j
(6)
Los w
j
expresan la ponderacin o peso de cada uno de los criterios.


3.4 MTODO DE LA ORDENACIN SIMPLE
El mtodo de la Ordenacin simple es el mtodo ms sencillo de ponderacin de
criterios, ya que en l lo nico que se demanda al decisor es que ordene los criterios
de mayor a menor importancia, de forma que despus se da el mayor valor al primero
y el menor valor al ltimo. En el supuesto de que dos criterios se definan como de la
misma importancia a cada uno de ellos se le adjudica el promedio de ambas
valoraciones. Puntuados los criterios se normalizan por la suma y el resultado es la
ponderacin final de los criterios (Tabla 3.2).





33
SHANNON, C.E.;WEAvER,W. (19+9)
Captulo 3. Mtodos de valoracin multicriterio con informacin cuantitativa
Nuevos mtodos de valoracin. Modelos multicriterio.
48
Criterios Orden Valor Ponderacin
A 2 2 0,3333
B 1 3 0,5000
C 3 1 0,1667
6 1
Tabla 3.2. Ponderacin de criterios por Ordenacin simple.
Este mtodo por su sencillez puede ser aplicado en situaciones de poca informacin
sobre las variables por parte del decisor.


3.5 MTODOS DE LA ENTROPA Y DIAKOULAKI APLICADOS A
LA VALORACIN
En este punto vamos a ver como aplicar los mtodos vistos anteriormente al
campo de la Valoracin, y para ello recordar la adaptacin de la terminologa
multicriterio de forma que lo que en los puntos anteriores eran criterios ahora son
variables explicativas y lo que denominbamos alternativas ahora son activos
(agrarios, urbanos, medioambientales etc).
Cuando en Valoracin, se utilizan mtodos comparativos se parte, como se vi
en el Captulo 1, de una cierta informacin de mercado como la que aparece en la
Tabla 3.3 donde se tiene una serie de activos que recientemente han sufrido una
transaccin econmica y de las cuales se conoce el precio (V
i
) por el que se realiz y
el valor de una serie de variables explicativas (X
ij
).

ACTIVOS VALOR Variable A Variable B Variable C
1 V
1
X
1A
X
1B
X
1C

2 V
2
X
2A
X
2B
X
2C

3 V
3
X
3A
X
3B
X
3C

4 V
4
X
4A
X
4B
X
4C

5 V
5
x
5A
x
5B
x
5C

Activo Problema (P) x
PA
x
PB
x
PC

Tabla 3.3. Informacin de mercado (valores y variables explicativas).

Captulo 3. Mtodos de valoracin multicriterio con informacin cuantitativa
Nuevos mtodos de valoracin. Modelos multicriterio.
49
Si se aplican los mtodos sintticos, por ejemplo el mtodo baricntrico
34
, se
obtienen tres ratios, uno por cada variable explicativa (1).

5
1 = i
ij
5
1 = i
i
x
v
= Rj j = A... C (1)
el valor del activo problema ser para cada ratio (2).
V
Pj
= R
j
* x
Pj
j = A...B (2)
Con lo cual al final se tendrn tres valores del activo problema
V
P1
, V
P2
, V
P3

Uno por cada variable explicativa, con lo que se plantea el dilema de cual de
ellos o que combinacin de ellos es la que se da como valor definitivo.
En algunos casos se decide por aquel valor calculado con la variable explicativa
mas significativa (normalmente variables de tipo econmico, como los Ingresos brutos,
la Produccin etc). En otros casos se opta por hallar una media de todos los valores
conseguidos, o bien si hay alguno que se aparta de forma significativa de los otros no
se tiene en cuenta y se promedian exclusivamente los restantes.
Como es evidente todas las soluciones anteriores son totalmente subjetivas. A
eliminar esa subjetividad va dirigido la utilizacin de los mtodos que se desarrollan en
este captulo como mtodos de ponderacin de variables.
Con la utilizacin del mtodo de la entropa o el mtodo de Diakoulaki se
ponderan las variables explicativas en funcin de los datos de los que se parte para
valorar. Los pesos obtenidos son los que posteriormente permiten ponderar los
distintos valores calculados (3) y por lo tanto obtener un valor final en funcin de todas
las variables explicativas y de su importancia o peso.
V
P
= w
1
* V
P1
+ w
2
* V
P2
+ w
3
* V
P3
(3)
Siendo las w
i
los pesos o ponderaciones obtenidas por cada variable, y los V
pi

los distintos valores encontrados en funcin de la variable utilizada.



3.6 MTODO DE LA ORDENACIN SIMPLE APLICADO A LA
VALORACIN
Este mtodo de fcil clculo, puede tener aplicacin en Valoracin en dos casos:
Cuando se aplica el mtodo Beta o de las funciones de distribucin.

34
CABALLER, V (1998)
Captulo 3. Mtodos de valoracin multicriterio con informacin cuantitativa
Nuevos mtodos de valoracin. Modelos multicriterio.
50
Combinado con el Proceso Analtico Jerrquico.
Cuando se aplica el mtodo Beta tambin se obtiene un valor por cada variable
explicativa, pero en este caso no se tiene una informacin de mercado suficiente para
aplicar uno de los mtodos de ponderacin de variables vistos en el apartado anterior
(Diakoulaki o Entropa), por lo que se puede optar por deducir la ponderacin de las
variables mediante una simple ordenacin. Esa ponderacin como en el caso anterior
ser la que se utilizar para ponderar los distintos valores obtenidos.
Tambin este mtodo puede utilizarse para ponderar las variables explicativas
en el caso de utilizar el Proceso Analtico Jerrquico (este mtodo se ver con detalle
en el prximo captulo) ya que en AHP el primer paso es ponderar las variables
explicativas, ponderacin que se realiza planteando una matriz de comparaciones
pareadas. Puede darse el caso de no conocer el entorno de forma suficiente como
para plantear esta matriz, por lo que en esa situacin puede adoptarse la solucin de
ponderar las variables explicativas utilizando la Ordenacin Simple
35
.

Conocido como utilizar los modelos de ponderacin multicriterio en Valoracin
vamos a ver dos ejemplos de su aplicacin.

3.7 EJEMPLO DE APLICACIN A LA VALORACIN AGRARIA DE
LOS MTODOS DE DIAKOULAKI Y ENTROPA
Se pide valorar la hectrea de la parcela X de mandarina variedad Clementina
de Nules situada en el municipio de XXXXX (Valencia) utilizando los datos tanto de la
parcela problema como de los testigos que aparecen en la Tabla 3.4.

PARCELA VALOR
/hg


INGRESOS
BRUTOS /hg
EDAD
PLANTACIN
POBLACIN
AGRARIA
1 4200 400 11 1.200
2 6100 750 10 1.250
3 6800 870 11 1.300
4 6200 800 10 1.400
5 5000 600 10 1.300
X 800 11 1.200
Tabla 3.4. Datos de las parcelas testigo y problema.

35
Cuando desarrollemos el Proceso Analitico Jerarquico y la Programacion por metas veremos que este
procedimiento de la utilizacion de la Ordenacion simple aunque posible y valido es innecesario, ya que es
superado por lo que denominaremos el modelo bietapico.
36
hg Hanegada, medida de superIicie equivalente a 831 m
2
Captulo 3. Mtodos de valoracin multicriterio con informacin cuantitativa
Nuevos mtodos de valoracin. Modelos multicriterio.
51
Las tres variables explicativas utilizadas son cuantitativas y estn cuantificadas.
Normalizamos por la suma la informacin de la tabla anterior, transformndose en la
de la Tabla 3.5.


PARCELA VALOR /hg INGRESOS
BRUTOS /hg
EDAD POBLACIN
AGRARIA
1 4.200 0,0948 0,1746 0,1569
2 6.100 0,1777 0,1587 0,1634
3 6.800 0,2062 0,1746 0,1699
4 6.200 0,1896 0,1587 0,1830
5 5.000 0,1422 0,1587 0,1699
X 0,1896 0,1746 0,1569
1,0000 1,0000 1,0000
Tabla 3.5. Informacin normalizada.
Pasamos ahora al clculo de la ponderacin de las variables por los dos
mtodos de la entropa y Diakoulaki.

3.7.1 PONDERACIN DE LAS VARIABLES POR EL MTODO DE LA
ENTROPA.

Calculamos primero los Logaritmos en base 10, de los valores que toma cada
variable en cada parcela. Tabla 3.6
PARCELA VALOR /hg INGRESOS BRUTOS /hg EDAD POBLACIN AGRARIA
1 4.200 -1,0233 -0,7579 -0,8045
2 6.100 -0,7503 -0,7993 -0,7868
3 6.800 -0,6858 -0,7579 -0,7697
4 6.200 -0,7222 -0,7993 -0,7375
5 5.000 -0,8472 -0,7993 -0,7697
X -0,7222 -0,7579 -0,8045
Tabla 3.6. Logaritmos base 10 de los valores de las variables.
Calculamos tambin el valor de k, que en este caso es la inversa del logaritmo
de 6, por ser este el nmero de parcelas consideradas.
K = 1 / 0,7782 = 1,2851
Con esta informacin ya pasamos a calcular la entropa de cada variable.
Captulo 3. Mtodos de valoracin multicriterio con informacin cuantitativa
Nuevos mtodos de valoracin. Modelos multicriterio.
52
E
IB
= - 1,2851 * [(0,0948*(-1,0233))+(0,1777*(-0,7503))+(0,2062*(-0,6858))
+(0,1896*(-0,7222))+(0,1422*(-0,8472))+(0,1896*(-0,7222))] = 0,9844.
E
E
= - 1,2851 * [(0,1746*(-0,7579))+(0,1584*(-0,7993))+(0,1746*(-0,7579))
+(0,1587*(-0,7993))+(0,1587*(-0,7993))+(0,1746*(-0,7579))] = 0,9994.
E
Rh
= - 1,2851 * [(0,1569*(-8045))+(0,1634*(-0,7868))+(0,1699*(-0,7697))
+(0,1830*(-0,7375))+(0,1699*(-0,7697))+(0,1569*(-0,8045))] = 0,9992.
Finalmente conocida la entropa de cada variable, se calcula su Diversidad y se
normaliza, obteniendose la ponderacin buscada. Tabla 3.7.

Variable Entropa Diversidad Pesos normalizados
INGRESOS
BRUTOS 0,9844 0,0156 0,9152
EDAD 0,9994 0,0006 0,0371
POBLACIN
AGRARIA 0,9992 0,0008 0,0477
0,0171 1,0000
Tabla 3.7. Peso de las variables por el mtodo de la entropa.
Segn el mtodo de la Entropa, partiendo de los valores que las variables
toman en cada activo, su peso o ponderacin es el siguiente:
Ingresos Brutos: 91,52%
Edad: 3,71%
Poblacin agraria: 4,77%
Esto es, la variable ms importante, con mucho, son los Ingresos Brutos,
mientras que tanto la Edad como la Poblacin agraria influyen muy poco.








Captulo 3. Mtodos de valoracin multicriterio con informacin cuantitativa
Nuevos mtodos de valoracin. Modelos multicriterio.
53
3.7.2 PONDERACIN DE LAS VARIABLES POR EL MTODO DE DIAKOULAKI
Calculamos primero la desviacin tpica de las variables. Tabla 3.8.
Variable Desviacin tpica
INGRESOS BRUTOS
0,0412
EDAD 0,0087
POBLACIN AGRARIA
0,0099
Tabla 3.8. Desviacin tpica de las variables
Seguido del clculo de la correlacin entre ellas. Tabla 3.9.
Variable
INGRESOS
BRUTOS
EDAD POBLACIN
AGRARIA
INGRESOS BRUTOS
-0,0840 0,4245
EDAD -0,6019
POBLACIN
AGRARIA
Tabla 3.9. Coeficientes de correlacin entre variables
Con los datos obtenidos en los procesos anteriores, calculamos el peso de cada
variable.
W
IB
= 0,0412 * [(1-(-0,0840))+(1-0.4245)] = 0,0684
W
E
= 0,0087 * [(1-(-0,0840))+(1-(-6019))] = 0,0234
W
Rh
= 0,0099 * [(1-0,4245)+(1-(-0,6019))] = 0,0216
Normalizamos los resultados obtenidos y obtenemos la ponderacin de las
variables. Tabla 3.10.
Variable Pesos Pesos normalizados
INGRESOS BRUTOS
0,0684 0,6036
EDAD 0,0234 0,2060
POBLACIN AGRARIA 0,0216 0,1904
0,1133 1,0000
Tabla 3.10. Ponderacin de las variables por Diakoulaki.
Segn el mtodo de Diakoulaki, partiendo de los valores que las variables toman
en cada activo, su peso o ponderacin es el siguiente:
Ingresos Brutos : 60,36%
Captulo 3. Mtodos de valoracin multicriterio con informacin cuantitativa
Nuevos mtodos de valoracin. Modelos multicriterio.
54
Edad: 20,60%
Riesgo de helada: 19,04%
Esto es, la variable mas importante es los Ingresos brutos, mientras tanto la
Edad como la Poblacin agraria su importancia es similar y menor.


3.8. EJEMPLO DE APLICACIN DEL MTODO DE LA
ORDENACIN SIMPLE
Podra darse el caso en un ejemplo como el anterior que el valorador no tuviese
suficiente informacin para deducir por Diakoulaki o Entropa la ponderacin de las
variables que l considera como explicativas
37
. Este problema puede abordarse de
una forma sencilla aunque elemental con el mtodo de la Ordenacin simple como se
observa en la tabla 3. 11.

Variables Orden Valor Ponderacin
Ingresos Brutos 1 3 0,5000
Edad 2 2 0,3333
Poblacin agraria 3 1 0,1666
6 1
Tabla 3.11. Ponderacin de las variables por Ordenacin simple.
Por este mtodo, partiendo del ordenamiento anterior, el peso o ponderacin de
las variables es el siguiente:
Ingresos Brutos : 50,00%
Edad: 33,33%
Poblacin agraria : 16,66%
Esto es, la variable mas importante es los Ingresos brutos, seguida de la Edad y
finalmente la Poblacin agraria.
Podra darse el caso de que el experto considerase que dos variables tienen la
misma importancia, en el ejemplo la Edad y la Poblacin agraria, en ese caso como en
la Tabla 3.12, el peso de ambas se distribuye entre las dos variables.

37
Este supuesto que en principio puede parecer irreal y que desde luego haria bajo la metodologia actual
inviable cualquier intento de valoracion, se da en la practica valorativa mayor numero de veces de lo
deseado. El valor de la metodologia que se ira presentando en los proximos capitulos es que permite hacer
Irente a este tipo de situaciones, en ese sentido, el metodo de la Ordenacion simple es un primer ejemplo
aunque muy elemental comparado con el nivel de elaboracion de metodologias que veremos
posteriormente como el Proceso Analitico Jerarquico y la combinacion de este con la Programacion por
metas.
Captulo 3. Mtodos de valoracin multicriterio con informacin cuantitativa
Nuevos mtodos de valoracin. Modelos multicriterio.
55

Variables Orden Valor Ponderacin
Ingresos Brutos 1 3 0,5000
Edad 2 1,5 0,2500
Poblacin agraria 2 1,5 0,2500
6 1
Tabla 3.12. Ponderacin de las variables por Ordenacin simple
Este ltimo supuesto es el que vamos a utilizar para seguir con el ejemplo que
hemos planteado.
En los puntos siguientes veremos como esta informacin de los pesos o
ponderaciones de las variables explicativas, nos permite mejorar algunos de los
mtodos comparativos clsicos y en el prximo captulo veremos su aplicacin como
complemento a la Suma ponderada.

3.9. UTILIZACIN DE LAS PONDERACIONES OBTENIDAS
COMO COMPLEMENTO DE LOS MTODOS SINTTICOS.
Con los mtodos vistos anteriormente se consiguen ponderar las distintas
variables explicativas del precio, en este caso, de una serie de parcelas agrcolas.
Vamos a ver a continuacin, siguiendo con el ejemplo planteado, como utilizar dicha
informacin para obtener el valor definitivo de una parcela agrcola.
Se pide, por lo tanto, valorar la hectrea de la parcela X de mandarina variedad
Clementina de Nules situada en el municipio de XXXXX (Valencia) utilizando los datos
tanto de la parcela problema como de los testigos que aparecen en la Tabla 3.13


PARCELA VALOR /hg INGRESOS
BRUTOS /hg
EDAD POBLACIN
AGRARIA
1 4200 400 11 1.200
2 6100 750 10 1.250
3 6800 870 11 1.300
4 6200 800 10 1.400
5 5000 600 10 1.300
X 800 11 1.200
Tabla 3.13. Datos de las parcelas testigo y problema.
Normalizada por la suma la informacin de la tabla anterior, se transforma en la
de la Tabla 3.14.

Captulo 3. Mtodos de valoracin multicriterio con informacin cuantitativa
Nuevos mtodos de valoracin. Modelos multicriterio.
56

PARCELA VALOR
/hg
INGRESOS BRUTOS
/hg
EDAD POBLACIN
AGRARIA
1 4.200 0,0948 0,1746 0,1569
2 6.100 0,1777 0,1587 0,1634
3 6.800 0,2062 0,1746 0,1699
4 6.200 0,1896 0,1587 0,1830
5 5.000 0,1422 0,1587 0,1699
X 0,1896 0,1746 0,1569
1,0000 1,0000 1,0000
Tabla 3.14. Informacin normalizada.

Si aplicamos el mtodo sinttico baricntrico para el clculo del valor de la
parcela X, obtenemos uno por cada variable explicativa.
Variable Ingresos Brutos.
Ha euros X Parcela Jalor
Ratio
IB
620 . 6 1896 , 0 71 , 916 . 34
71 , 916 . 34
8105 , 0
300 . 28
1422 , 0 1896 , 0 2062 , 0 1777 , 0 0948 , 0
000 . 5 200 . 6 800 . 6 100 . 6 200 . 4
= =
= =
+ + + +
+ + + +
=




Variable Edad

Ha euros X Parcela Jalor
Ratio
E
987 . 5 1746 , 0 56 , 290 . 34
56 , 290 . 34
8253 , 0
300 . 28
1587 , 0 1587 , 0 1746 , 0 1587 , 0 1746 , 0
000 . 5 200 . 6 800 . 6 100 . 6 200 . 4
= =
= =
+ + + +
+ + + +
=

Variable Poblacin agraria.

Ha euros X Parcela Jalor
Ratio
E
264 . 5 1569 , 0 64 , 554 . 33
65 , 554 . 33
8431 , 0
300 . 28
1699 , 0 1830 , 0 1699 , 0 1634 , 0 1569 , 0
000 . 5 200 . 6 800 . 6 100 . 6 200 . 4
= =
= =
+ + + +
+ + + +
=

Como vemos se obtienen tres valores de la Parcela X distintos en funcin de la
variable explicativa utilizada (Tabla 3.15)
Captulo 3. Mtodos de valoracin multicriterio con informacin cuantitativa
Nuevos mtodos de valoracin. Modelos multicriterio.
57
Variable utilizada Valor de la Ha Comparacin
Ingresos Brutos 6.620 100
Edad 5.987 90,43
Poblacin agraria. 5.246 79,24
Tabla 3.15. valores de la parcela X en funcin de la variable utilizada para su
clculo.
Los valores obtenidos segn la variable utilizada, difieren de forma importante ya
que si damos el valor 100 al obtenido con los Ingresos brutos, el obtenido con la Edad
tiene valor 90,43 y con la Poblacin agraria 79,24. Ante esta diversidad el experto
valorador se encuentra en la dificultad de decidir que valor o combinacin de valores
debera adoptar como definitivo y para ello hay distintas soluciones en la prctica,
como pueden ser.

1. El tasador opta por utilizar el promedio de todos los valores, en este caso este
valor promedio sera de 5.951 con lo cual utiliza todas las variables en el calculo
del precio, pero considera que todas las variables influyen de la misma forma, lo
cual no parece correcto, ya que es lgico suponer que algunas de las variables
consideradas (por Ej. Ingresos brutos) tienen mayor influencia que las otras en el
precio de la parcela. Todo ello agravado en este caso por la gran diferencia de
valores encontrada segn qu variable explicativa se utilice.
2. Otra solucin adoptada en la prctica de la tasacin sera no considerar el
precio obtenido con la variable Poblacin agraria de helada por la gran diferencia
existente y sacar la media de las otras dos, con lo cual el precio promedio obtenido
seria 6.303 . De esta forma se obtiene un precio bastante distinto al anterior y
adems se elimina una variable que bajo el supuesto de partida tiene influencia en
el precio, adems de seguir ponderando las variables utilizadas con el mismo
porcentaje.
3. Por ltimo otra solucin sera adoptar como vlido el precio obtenido con aquella
variable que ha juicio del valorador sea mas explicativa del precio. Por ejemplo los
Ingresos brutos y en este caso el valor final sera de 6.620 .
Cualquiera de las soluciones adoptadas son muy subjetivas ya que no existe
ninguna razn que avale cualquiera de las tres. Este hecho es el que justifica la
utilizacin de las ponderaciones obtenidas con alguno de los mtodos vistos en este
captulo en la obtencin del valor final buscado. En efecto las ponderaciones nos
indican la importancia relativa de cada una de las variables en la explicacin del
precio, si ponderamos los valores obtenidos por la ponderacin de las variables
obtendremos un valor final en funcin de todas las variables y su importancia.
Valor final mediante la ponderacin por Entropa.
V
F
= 6.620*0, 9152 + 5.987* 0,0371 + 5.246* 0,0477 = 6.531
Valor final mediante la ponderacin por Diakoulaki.
V
F
= 6.620* 0,6036 + 5.987* 0,2060 + 5.246* 0,1904 = 6.227
Captulo 3. Mtodos de valoracin multicriterio con informacin cuantitativa
Nuevos mtodos de valoracin. Modelos multicriterio.
58
Valor final mediante la ponderacin por Ordenacin simple.
V
F
= 6.620* 0,5000 + 5.987* 0,3333 + 5.246* 0,1660 = 6.176
Con la aplicacin de las ponderaciones de las variables obtenemos tres nuevos
valores, con lo que puede parecer que hemos trasladado el problema anterior de tener
tres valores en funcin de las variables a tener ocho valores en funcin del ratio,
combinacin o mtodo de ponderacin utilizado (Tabla 3.16).

Mtodo utilizada Valor de la Ha Comparacin
Ratio Ingresos Brutos 6.620 100
Ratio Edad 5.987 90,43
Ratio Poblacin agraria. 5.246 79,24
Promedio tres Ratios 5.951 89,89
Promedio Ratio Ingresos
brutos y Edad
6.303 95,21
Ponderacin por Entropa 6.531 98,65
Ponderacin por Diakoulaki 6.227 94,06
Ponderacin por Ordenacin
simple
6.176

93,29
Tabla 3.16. Valores de la parcela X en funcin del mtodo utilizado para su
clculo.

Para resolver definitivamente el problema utilizamos el clculo de la Distancia
Manhattan como vimos en el captulo 2 (2.5).
3.10. CLCULO DE LA DISTANCIA MANHATTAN.
Consideramos como Ideal los valores de los testigos. Utilizando los distintos
mtodos recalculamos los precios de los testigos, medimos la Distancia L
1
o
Manhattan de cada uno de los conjuntos de valores recalculados al Ideal. El que est
mas prximo o sea aquel cuya Distancia ser menor ser el mtodo, en este caso, que
mejor nos calcula el valor de la Parcela X a valorar. Tabla 5.16 y Grfico 3.1.




Captulo 3. Mtodos de valoracin multicriterio con informacin cuantitativa
Nuevos mtodos de valoracin. Modelos multicriterio.
59



Mtodo Distancia Manhattan
Ratio Ingresos brutos 1.850
Ratio Edad 4.458
Ratio Poblacin agraria 3.538
Media tres ratios 2.048
Media dos ratios 1.304
Ponderacin por Diakoulaki 648
Ponderacin por Entropa 1.395
Ponderacin por Ordenacin simple 1.068
Tabla 3.16. Distancia Manhattan al Ideal



Distancia Manhattan
0
500
1.000
1.500
2.000
2.500
3.000
3.500
4.000
4.500
5.000
R
a
t
i
o

I
n
g
r
e
s
o
s

B
r
u
t
o
s
R
a
t
i
o

E
d
a
d
R
a
t
i
o

P
o
b
l
a
c
i

n

a
g
r
a
r
i
a
M
e
d
i
a

t
r
e
s

r
a
t
i
o
s
M
e
d
i
a

d
o
s

r
a
t
i
o
s
D
i
a
k
o
u
l
a
k
i
E
n
t
r
o
p

a
O
r
d
e
n
a
c
i

n

s
i
m
p
l
e
Mtodos
D
i
s
t
a
n
c
i
a

a
l

I
d
e
a
l
Distancia Manhattan

Captulo 3. Mtodos de valoracin multicriterio con informacin cuantitativa
Nuevos mtodos de valoracin. Modelos multicriterio.
60

Grfico 3.1. Distancia Manhattan.

En este caso se observa que el mejor resultado, la menor distancia al Ideal, se
obtiene con la ponderacin por Diakoulaki, por lo tanto adoptaremos como valor final
de la parcela X el obtenido mediante este mtodo.

Valor Parcela X = 6.227 euros /hg.
Captulo 4. Mtodos de Valoracin multicriterio con informacin cuantitativa (I). Modelo
de la Suma ponderada
Nuevos mtodos de valoracin. Modelos multicriterio.
61


Captulo 4. Mtodos de Valoracin multicriterio
con informacin cuantitativa (I). Modelo de la
Suma ponderada
4.1. INTRODUCCIN.

Tanto en el captulo 1 como en el 3 hemos visto la existencia y los problemas de
un grupo importante de los denominados mtodos comparativos de valoracin,
llamados as por determinar el valor del activo problema a partir de la informacin
existente de activos testigo parecidos al activo problema a valorar y de los cuales
conocemos su precio y una serie de caractersticas o variables explicativas
cuantificadas. Comparando el activo problema con la informacin de los activos testigo
se obtiene el valor buscado. En este captulo y en el siguiente vamos a ver dos
mtodos multicriterio que se pueden integrar dentro de ese gran grupo de mtodos
comparativos ya que ellos tambin parten de la informacin de activos testigo. Los
mtodos a considerar son:
Mtodo de la Suma Ponderada.
Programacin por metas con sus distintas variantes.
El primero necesita ser complementado con la previa ponderacin de las
variables mediante alguno de los mtodos vistos en el Capitulo anterior, mientras que
la Programacin por metas con sus distintas variantes puede utilizarse como mtodo
autnomo y completo de valoracin.
Como en todos los casos veremos primero la aplicacin como mtodos
multicriterio para posteriormente desarrollar su aplicacin a la valoracin.

4.2. MTODO DE LA SUMA PONDERADA
El mtodo de la Suma ponderada calcula la ponderacin de las alternativas
como resultado del sumatorio del producto del peso de cada variable (calculado por
Diakoulaki, entropa o por Ordenacin simple) por el valor que toma para esa
alternativa la variable correspondiente
El proceso parte de informacin como la de la Tabla 4.1. donde se tiene el valor
normalizado de las variables para cada alternativa y el peso o ponderacin de cada
variable, previamente calculado por alguno de los mtodos conocidos.

ALTERNATIVA Variable A Variable B Variable C
1 X
1A
X
1B
X
1C

Captulo 4. Mtodos de Valoracin multicriterio con informacin cuantitativa (I). Modelo
de la Suma ponderada
Nuevos mtodos de valoracin. Modelos multicriterio.
62
2 X
2A
X
2B
X
2C

3 X
3A
X
3B
X
3C

4 X
4A
X
4B
X
4C

5 x
5A
x
5B
x
5C

6 x
PA
x
PB
x
PC

PESOS w
A
w
B
w
c
Tabla 4.1. Variables y sus pesos o ponderaciones

La ponderacin de cada alternativa se obtiene mediante la frmula (1)
( )

=
=
n
f
if f i
x w W
1
* (1)
Siendo.
W
i
= Ponderacin final obtenida de cada alternativa.
w
j
= Peso de cada variable obtenido por uno de los mtodos conocidos de
ponderacin ( Diakoulaki, entropa u Ordenacin simple)
x
ij
= Valor de cada variable para cada alternativa

4.3. MTODO DE LA SUMA PONDERADA APLICADO A LA VALORACIN.
Como se ha dicho anteriormente, se parte de una informacin como la de la
Tabla 4.2, donde se tiene de un conjunto de activos testigo, tanto el valor como una
serie de variables explicativas cuantificadas. Tambin del activo a valorar tenemos las
variables explicativas con su cuantificacin.
Partiendo de la informacin anterior, se ponderan las variables utilizando uno de
los mtodos vistos Entropa o Diakoulaki, obtenindose los pesos correspondientes
de ellas.
w
1
, w
2
, w
3

Determinados los pesos de las variables se pasa a la ponderacin de cada
activo mediante el clculo del sumatorio del valor de cada variable para ese activo por
la ponderacin de la variable (2), Tabla 4.2.
W
i
= x
ij
* w
j
(2)

ACTIVO VALOR Variable A Variable B Variable C
Pesos Activos
W
i

1 V
1
X
1A
X
1B
X
1C
W
1

2 V
2
X
2A
X
2B
X
2C
W
2

3 V
3
X
3A
X
3B
X
3C
W
3

4 V
4
X
4A
X
4B
X
4C
W
4

5 V
5
x
5A
x
5B
x
5C
W
5

Captulo 4. Mtodos de Valoracin multicriterio con informacin cuantitativa (I). Modelo
de la Suma ponderada
Nuevos mtodos de valoracin. Modelos multicriterio.
63
Activo Problema (P) x
PA
x
PB
x
PC
W
P

Pesos Variables w
A
w
B
w
C

SUMA DE LOS PESOS 1
Tabla 4.2. Clculo de los pesos de las parcelas

Los pesos normalizados representan la ponderacin de todos los activos incluido
el Problema en funcin de todas las variables explicativas y de su importancia o peso.
Hasta este punto estaramos en la aplicacin del mtodo de la Suma Ponderada
exclusivamente como mtodo multicriterio. El resultado nos indica una ordenacin de
los activos en funcin de su peso o ponderacin.
A continuacin se desarrolla como utilizar los datos obtenidos para encontrar el
valor del activo problema que es el objetivo que se plantea en valoracin.
Este procedimiento, como se ver mas adelante, es el mismo a seguir con el
Proceso Analtico Jerrquico.
Como se conoce el valor V
i
de los activos testigo, y conocemos la ponderacin
de ellos, se calcula el Ratio (3)
( ) 3


=
testigo activos n Ponderacio
testigo activos Jalor
Ratio
Este ratio expresa el valor de la unidad de ponderacin.
Como conocemos tambin la ponderacin del activo a valorar, el producto del
ratio por su ponderacin (4) dar el valor buscado del activo problema.

Valor activo Problema = Ratio * Ponderacin activo problema. (4)

Es importante sealar que el valor obtenido de esta forma estar en funcin de
todas las variables explicativas y de su ponderacin.

4.4. EJEMPLO DE APLICACIN DEL MTODO DE LA SUMA PONDERADA
Vamos a utilizar, para aplicar el mtodo de la Suma ponderada, el mismo
ejemplo del captulo anterior, lo cual, nos permitir posteriormente poder calcular y
comparar la eficiencia de los distintos mtodos utilizados. Por lo tanto partimos de la
informacin de la Tabla 4.3.

PARCELA VALOR
INGRESOS
BRUTOS
EDAD
Poblacin
agraria
1 4.200 400 11 1.200
2 6.100 750 10 1.250
3 6.800 870 11 1.300
4 6.200 800 10 1.400
Captulo 4. Mtodos de Valoracin multicriterio con informacin cuantitativa (I). Modelo
de la Suma ponderada
Nuevos mtodos de valoracin. Modelos multicriterio.
64
5 5.000 600 10 1.300
X 800 11 1.200
Tabla 4.3. Datos de las parcelas testigo y problema

Informacin que normalizamos. Tabla 4.4.


PARCELA VALOR
INGRESOS
BRUTOS
EDAD POBLACIN
1 4.200 0,0948 0,1746 0,1569
2 6.100 0,1777 0,1587 0,1634
3 6.800 0,2062 0,1746 0,1699
4 6.200 0,1896 0,1587 0,1830
5 5.000 0,1422 0,1587 0,1699
X 0,1896 0,1746 0,1569
1,0000 1,0000 1,0000
Tabla 4.4. Informacin normalizada

A partir de la informacin normalizada de la tabla 4.4 se calculan como se ha
visto en el captulo 3 los distintos pesos de las variables explicativas, tanto con el
mtodo de Diakoulaki como por el de Entropa, Tabla 4.5.

PONDERACIONES
VARIABLE Mtodo ENTROPA Mtodo
DIAKOULAKI
Mtodo
ORDENACIN
SIMPLE
Ingresos Brutos 0,9152 0,6036
0,5000
Edad 0,0371 0,2060
0,2500
Poblacin agraria 0,0477 0,1904
0,2500
1 1
1

Tabla 4.5. Ponderaciones de las variables

Aplicamos a los valores normalizados las ponderaciones de las variables,
obteniendo la ponderacin de cada parcela, para cada mtodo. En primer lugar se
realiza el clculo utilizando la ponderacin por Entropa. Tabla 4.6.

PARCELA VALOR
INGRESOS
BRUTOS
EDAD POBLACIN
PONDERACIN
PARCELAS
Captulo 4. Mtodos de Valoracin multicriterio con informacin cuantitativa (I). Modelo
de la Suma ponderada
Nuevos mtodos de valoracin. Modelos multicriterio.
65
1 4.200 0,0948 0,1746 0,1569 0,101
2 6.100 0,1777 0,1587 0,1634 0,176
3 6.800 0,2062 0,1746 0,1699 0,203
4 6.200 0,1896 0,1587 0,1830 0,188
5 5.000 0,1422 0,1587 0,1699 0,144
X 0,1896 0,1746 0,1569 0,187
Pesos variables por
Entropa
0,9152 0,0371 0,0477
Tabla 4.6. Ponderacin de las parcelas aplicando la Suma ponderada ms Entropa

El clculo de la ponderacin de las parcelas se realiza de la forma ya conocida.
Ponderacin parc. 1 = 0,9152*0,0948+0,0371*0,1746+0,0477*0,1569= 0,101
Ponderacin parc. 2 = 09152,*0,1777+0,0371*0,1587+0,0477*0,1634= 0,176
Ponderacin parc. 3 = 0,9152*0,2062+0,0371*0,1746+0,0477*0,1699= 0,203
Ponderacin parc. 4 = 0,9152*0,1896+0,0371*0,1587+0,0477*0,1830= 0,188
Ponderacin parc. 5 = 0,9152*0,1422+0,0371*0,1587+0,0477*0,1699= 0,144
Ponderacin parc. X = 0,9152*0,1896+0,0371*0,1746+0,0477*0,1569= 0,187

Conocidas las ponderaciones de las parcelas se calcula el Ratio
Valor/Ponderacin mediante la frmula conocida (3)

9 , 828 . 34
153 , 0 188 , 0 203 , 0 176 , 0 101 , 0
000 . 5 200 . 6 800 . 6 100 . 6 200 . 4
=
+ + + +
+ + + +
= R

Conocidos el ratio R y la ponderacin de la parcela X, el valor de esta es
inmediato, aplicando la frmula ya conocida (4)

Valor X = 34.828,9 * 0,187 = 6.528

Vamos seguidamente a realizar el clculo del valor de X mediante la
ponderacin de las variables obtenida por el mtodo de lDiakoulaki (Tabla 4.7).





PARCELA
VALOR

INGRESOS
BRUTOS
EDAD POBLACIN
PONDERACIN
PARCELAS
Captulo 4. Mtodos de Valoracin multicriterio con informacin cuantitativa (I). Modelo
de la Suma ponderada
Nuevos mtodos de valoracin. Modelos multicriterio.
66
1 4.200 0,0948 0,1746 0,1569 0,123
2 6.100 0,1777 0,1587 0,1634 0,171
3 6.800 0,2062 0,1746 0,1699 0,193
4 6.200 0,1896 0,1587 0,1830 0,182
5 5.000 0,1422 0,1587 0,1699 0,151
X 0,1896 0,1746 0,1569 0,180
Pesos variables por
Diakoulaki
0,6036 0,2060 0,1904
Tabla 4.7. Ponderacin de las parcelas aplicando la Suma ponderada mas Diakoulaki

La forma de clculo de la ponderacin de las distintas parcelas de la Tabla 4.7
es mediante la aplicacin de la forma ya conocida (2), como se desarrolla a
continuacin.
Ponderacin parc. 1 = 0,6036*0,0948+0,2060*0,1746+0,1904*0,1569= 0,123
Ponderacin parc. 2 = 0,6036*0,1777+0,2060*0,1587+0,1904*0,1634= 0,171
Ponderacin parc. 3 = 0,6036*0,2062+0,2060*0,1746+0,1904*0,1699= 0,193
Ponderacin parc. 4 = 0,6036*0,1896+0,2060*0,1587+0,1904*0,1830= 0,182
Ponderacin parc. 5 = 0,6036*0,1422+0,2060*0,1587+0,1904*0,1699= 0,151
Ponderacin parc. X = 0,6036*0,1896+0,2060*0,1746+0,1904*0,1569= 0,180
Conocidas las ponderaciones de las parcelas se calcula el Ratio
Valor/Ponderacin mediante la frmula conocida (3)

2 , 523 . 34
151 , 0 182 , 0 193 , 0 171 , 0 123 , 0
000 . 5 200 . 6 800 . 6 100 . 6 200 . 4
=
+ + + +
+ + + +
= R

Conocidos el ratio R y la ponderacin de la parcela X, el valor de esta es
inmediato, aplicando la frmula ya conocida (4)

Valor X = 34.523,2 * 0,180 = 6.223

Finalmente se calcula el valor de X mediante la ponderacin de las variables
obtenida por el mtodo de Ordenacin simple (Tabla 4.8).

PARCELA
VALOR

INGRESOS
BRUTOS
EDAD POBLACIN
PONDERACIN
PARCELAS
1 4.200 0,0948 0,1746 0,1569 0,130
2 6.100 0,1777 0,1587 0,1634 0,169
3 6.800 0,2062 0,1746 0,1699 0,189
Captulo 4. Mtodos de Valoracin multicriterio con informacin cuantitativa (I). Modelo
de la Suma ponderada
Nuevos mtodos de valoracin. Modelos multicriterio.
67
4 6.200 0,1896 0,1587 0,1830 0,180
5 5.000 0,1422 0,1587 0,1699 0,153
X 0,1896 0,1746 0,1569 0,178
Pesos variables por
Ordenacin simple
0,5000 0,2500 0,2500
Tabla 4.8. Ponderacin de las parcelas aplicando la Suma ponderada mas Ordenacin
simple

La forma de clculo de la ponderacin de las distintas parcelas de la Tabla 4.8
es mediante la aplicacin de la forma ya conocida (2), como se desarrolla a
continuacin.
Ponderacin parc. 1 = 0,5000*0,0948+0,2500*0,1746+0,2500*0,1569= 0,130
Ponderacin parc. 2 = 0,5000*0,1777+0,2500*0,1587+0,2500*0,1634= 0,169
Ponderacin parc. 3 = 0,5000*0,2062+0,2500*0,1746+0,2500*0,1699= 0,189
Ponderacin parc. 4 = 0,5000*0,1896+0,2500*0,1587+0,2500*0,1830= 0,180
Ponderacin parc. 5 = 0,5000*0,1422+0,2500*0,1587+0,2500*0,1699= 0,153
Ponderacin parc. X = 0,5000*0,1896+0,2500*0,1746+0,2500*0,1569= 0,178
Conocidas las ponderaciones de las parcelas se calcula el Ratio
Valor/Ponderacin mediante la frmula conocida (3)

71 , 413 . 34
153 , 0 180 , 0 189 , 0 169 , 0 130 , 0
000 . 5 200 . 6 800 . 6 100 . 6 200 . 4
=
+ + + +
+ + + +
= R

Conocidos el ratio R y la ponderacin de la parcela X, el valor de esta es
inmediato, aplicando la frmula ya conocida (4)

Valor X = 34.413,71 * 0,178 = 6.114

En la tabla 4.8. aparece el resumen de los valores de la Parcela X segn el
mtodo de ponderacin utilizado.

Mtodo Valor Parcela X
Suma ponderada+ Entropa 6.528
Suma ponderada+ Diakoulaki 6.223
Suma ponderada+Ordenacin simple 6.114
Tabla 4.8. Precios de la parcela X en funcin del mtodo utilizado

Vemos como en funcin del mtodo de ponderacin elegido el resultado
obtenido es distinto. Con el fin de determinar cual de los resultados obtenidos es el
Captulo 4. Mtodos de Valoracin multicriterio con informacin cuantitativa (I). Modelo
de la Suma ponderada
Nuevos mtodos de valoracin. Modelos multicriterio.
68
que adoptamos como definitivo utilizaremos el clculo de la Distancia Manhattan.
Como en el prximo captulo vamos a utilizar el mismo ejemplo para aplicar la
Programacin por metas, posponemos el clculo de la distancia a dicho captulo con el
fin de comparar todos los resultados obtenidos.

Captulo 5. Mtodos de Valoracin multicriterio con informacin cuantitativa (II).
Programacin por metas
Nuevos mtodos de valoracin. Modelos multicriterio.
69


Captulo 5. Mtodos de Valoracin multicriterio
con informacin cuantitativa (II). Programacin
por metas.
5.1. INTRODUCCIN
En el captulo anterior hemos visto el modelo de valoracin Suma ponderada
combinado con algunos de los mtodos de ponderacin vistos en el Captulo 3. Dicho
modelo se situa dentro de los mtodos comparativos pues necesita para su aplicacin
partir de una informacin con distintos testigos de los cuales se conoce el valor as
como el de una serie de variables explicativas. Dentro del mismo grupo situamos los
modelos que vamos a desarrollar en este captulo, la Programacin por metas con sus
distintas variantes.
5.2. PROGRAMACIN POR METAS (GOAL PROGRAMMING, GP)
El origen de la Programacin por metas (en adelante GP) est en una
publicacin de Charnes, Cooper y Ferguson (1955) sobre la retribucin de los
ejecutivos. Posteriormente Charnes y Cooper (1961) usan por primera vez la
denominacin Goal Programming en su publicacin Management Models and
Industrial Applications of Linear Programming. A partir de este momento se produce
una explosin de aplicaciones de GP en los mas diversos campos, tanto en diversas
publicaciones
38
, como con motivo de las seis conferencias que se han convocado
hasta el momento sobre GP. La primera en la Universidad de Portsmouth, Reino
Unido, en Junio de 1994, convocada por M. Tamiz. La segunda por la Universidad de
Mlaga, en Torremolinos, en 1996, convocada por R. Caballero. La tercera por la
Universidad Laval en la ciudad de Qubec (Canad) en 1998, organizada por J-M
Martel y B. Aouni. La cuarta tuvo lugar en el ao 2000 en la ciudad de Mstrow
(Polonia), la quinta en Kobe (Japn) en 2002 y la sexta en Tnez en el ao 2004.
La GP es una extensin de la programacin lineal que incluye mltiples objetivos
y su fundamento parte de que ante la dificultad de alcanzar unos objetivos
determinados el decisor opta por acercarse la mximo posible a unas metas
prefijadas, minimizando unas variables de desviacin mximas y mnimas que se
introducen en el modelo.
Actualmente la GP comprende un nmero de variantes, de las cuales las mas
importantes son las siguientes:


38
Existen un gran numero de publicaciones que recogen trabajos sobre Programacin por metas, algunas
de las mas importantes son European Journal of Operational Research, Journal of the Operational
Research Society, The International Journal of Management Sciencie (Omega), Computers&Operations
Research , Estudios de Economa Aplicada Revista Semestral de la Asociacin de Economa Aplicada,
Revista de la Real Academis de Ciencias Exactas Fsicas y Naturales etc
Captulo 5. Mtodos de Valoracin multicriterio con informacin cuantitativa (II).
Programacin por metas
Nuevos mtodos de valoracin. Modelos multicriterio.
70
5.2.1.PROGRAMACIN POR METAS PONDERADAS (WEIGHTED GOAL
PROGRAMMING, WGP)
La Programacin por metas ponderadas persigue obtener una funcin, a partir
de un conjunto de funciones, de forma que la funcin obtenida minimice la suma de
distancias a cada una de las metas.
Su formulacin algebraica es
( )
( )
0 ; 0
1
. .
1
1

= = +
+ =

=
i i
i i i i
Q
i
i i i i
i
p n
Q i b p n x f
a s
p v n u
k
: Min


Siendo
f
i
(x) una funcin lineal de x
b
i
la meta o goal.
n
i
y p
i
representan las desviaciones negativas y positivas respecto a la meta
u
i
y v
i
son los pesos o ponderaciones de las desviaciones.

K
i
es la constante normalizadora.

5.2.2 PROGRAMACIN POR METAS MINMAX O PROGRAMACIN POR
METAS CHEBYSHEV (MINMAX GP)
En este modelo se busca la minimizacin de la mxima desviacin de entre
todas las desviaciones posibles. A diferencia del modelo WGP que minimizaba la
suma de las desviaciones, en este modelo lo que se minimiza es la desviacin
mxima.
La estructura del modelo es la siguiente.
( )
( )
0 ; 0
1
1
1
. .

= = +
= +
=
i i
i i i i
i i i i
i
p n
Q i b p n x f
Q i D p v n u
k
a s
D : Min


El significado de las variables es el mismo que en WGP.
La distancia D es la mxima entre el precio de cualquier testigo y el precio
resultante de la funcin estimada. Esta distancia D es la que se intenta minimizar.

5.2.3 PROGRAMACIN POR METAS EXTENDIDO
Los modelos GP extendidos permiten obtener una solucin compromiso entre los
modelos GP con metas ponderadas y los modelos MINMAX. Se trata de armonizar los
Captulo 5. Mtodos de Valoracin multicriterio con informacin cuantitativa (II).
Programacin por metas
Nuevos mtodos de valoracin. Modelos multicriterio.
71
objetivos planteados por uno y otro modelo: minimizar la suma de desviaciones y
minimizar la desviacin mxima, respectivamente.
El modelo GP extendido tiene la formulacin siguiente

( ) ( )
( )
( )( )
0 ; 0
1 1
1
. .
1
1
1

= +
= = +
+ + =

=
i i
i i
i i i i
Q
i
i i i i
i
p n
Q i D p n
Q i b p n x f
a s
p v n u
k
D : Min




donde puede fluctuar entre 0 y 1, segn el valorador priorice el modelo
MINMAX o el modelo ponderado (WGP).


Sobre estos modelos bsicos existen un gran grupo de extensiones o variantes.
GP no lineal (Non-linear GP), GP cuadrtico (Quadratic GP) , Fraccional GP
(Fractional GP),GP entera (Integer GP models), binaria GP (Zero-one GP models), GP
estocstica (StochasticGP), GP borrosa (Fuzzy GP models) y GP interactiva
(Interactive GP models). De todas ellas existen mltiples aplicaciones en distintas
reas, sin embargo en Valoracin an no se ha comprobado su utilidad por lo que no
las vamos a considerar.
La GP tambin se ha integrado con otras tcnicas, especialmente importante
para este trabajo es la integracin con el Proceso Analtico Jerrquico para la
determinacin de los pesos o ponderaciones de los criterios mediante la Programacin
por metas ponderadas. El pionero en esta integracin fue Gass (1986). Posteriormente
diferentes autores han utilizado esta integracin para trabajos en distintos campos.
Tecnologa de la informacin: Schniederjans et al (1991)
Planificacin y Produccin de la energa: Bose et al (1996), Ramanathan et al
(1995),
Management medioambiental: Alidi (1996), Yin et al (1994).
Planificacin sanitaria: Lee et al (1999)
Planificacin de la produccin: Badri (2000); Zhou et al (2000)
As como otros artculos de desarrollo terico. Bryson (1995), Despotis (1996),
Islam et al (1997), Ramanathan (1997).

5.3. PROGRAMACIN POR METAS PONDERADA (WEIGHTED GOAL
PROGRAMMING, WGP) EN SU APLICACIN A LA VALORACIN
En los puntos anteriores se ha visto las distintas modalidades de GP, vamos a
ver ahora la utilizacin de WGP como mtodo independiente de valoracin.
Se parte de la informacin conocida y utilizada para cualquier mtodo
comparativo Tabla 4.9. en la cual aparecen cinco activos de los cuales conocemos su
Captulo 5. Mtodos de Valoracin multicriterio con informacin cuantitativa (II).
Programacin por metas
Nuevos mtodos de valoracin. Modelos multicriterio.
72
valor (V
i
) y la cuantificacin de tres variables explicativas. Tambin conocemos la
cuanta de estas variables explicativas en el activo problema P.

ACTIVO VALOR Variable A Variable B Variable C
1 V
1
X
1A
X
1B
X
1C

2 V
2
X
2A
X
2B
X
2C

3 V
3
X
3A
X
3B
X
3C

4 V
4
X
4A
X
4B
X
4C

5 V
5
x
5A
x
5B
x
5C

Activo
Problema (P)
x
PA
x
PB
x
PC

Tabla 5.1. Informacin de los activos testigo y problema

Utilizando exclusivamente la informacin de los activos testigo (Valor y variables
explicativas) se plantea el modelo conocido de programacin por metas ponderadas
(8)
( )
( )
0 ; 0
1
. .
1
1

= = +
+ =

=
i i
i i i i
Q
i
i i i i
i
p n
Q i b p n x f
a s
p v n u
k
: Min



Siendo ahora el significado de cada trmino el siguiente.
f
i
(x) una funcin lineal de x
x
i
son las variables explicativas
b
i
Los valores de los activos testigo.
n
i
y p
i
representan las desviaciones negativas y positivas respecto a los valores
de los testigos.
u
i
y v
i
son los pesos o ponderaciones de las desviaciones que en principio se
considerarn con valor la unidad.
K
i
es la constante normalizadora, que para cada pareja de desviaciones (n
i
y p
i
)
es el valor del activo correspondiente.


Resuelto el modelo se obtiene una funcin que expresa el valor de los activos en
funcin de las variables explicativas.

V =
1
* X
1
+
2
* X
2
+
3
* X
3


Captulo 5. Mtodos de Valoracin multicriterio con informacin cuantitativa (II).
Programacin por metas
Nuevos mtodos de valoracin. Modelos multicriterio.
73
Esta ecuacin se ajusta a la informacin de la que se parte para hacer la
valoracin de forma que la suma de las distancias o desviaciones del valor estimado y
el valor observado de los activos es mnima.
Sustituyendo en la ecuacin los valores de x por los del activo a valorar, se
obtiene el valor del activo problema P buscado.

5.4. PROGRAMACIN POR METAS MNMAX O PROGRAMACIN POR
METAS CHEBYSHEB (GPMINMAX) APLICADO A LA VALORACIN

Tambin este modelo de programacin por metas puede ser utilizado en
valoracin.
Con la informacin de la Tabla 4.9 se puede obtener otra funcin aplicando la
variante MNMAX del GP. En este caso se obtiene una funcin en la que la distancia
mxima de los testigos a su precio estimado se minimiza, dicho de otra forma la
funcin encontrada minimiza la distancia al testigo mas alejado. Para ello se aplica el
modelo ya conocido (11).
( )
( )
0 ; 0
1
1
1
. .

= = +
= +
=
i i
i i i i
i i i i
i
p n
Q i b p n x f
Q i D p v n u
k
a s
D : Min


En la cual
D es la desviacin mxima a minimizar
f
i
(x) una funcin objetivo lineal de x
x son las variables explicativas
b
i
los valores de los activos testigo.
n
i
y p
i
representan las desviaciones negativas y positivas respecto a los valores
de los activos.
u
i
y v
i
son los pesos o ponderaciones de las desviaciones que en principio se
considerarn con valor la unidad.
K
i
es la constante normalizadora, que para cada pareja de desviaciones (n
i
y p
i
)
es el valor del activo correspondiente.


Resuelto el modelo se obtiene una funcin que expresa el valor en funcin de las
variables explicativas, pero que en este caso cumple la condicin de haber minimizado
la distancia mxima (12).

V =
1
* X
1
+
2
* X
2
+
3
* X
3
(12)

Captulo 5. Mtodos de Valoracin multicriterio con informacin cuantitativa (II).
Programacin por metas
Nuevos mtodos de valoracin. Modelos multicriterio.
74
El modelo se puede utilizar cuando se pretende acercar la ecuacin final a un
testigo determinado por ser el que ms se parece al activo problema y adems ser el
que mas se aleja de la muestra.
Este modelo en combinacin con el ponderado compone el GP extendido de
gran inters sobre todo en valoraciones medioambientales, como se ver a
continuacin.

5.5. PROGRAMACIN POR METAS EXTENDIDO

Este modelo de Programacin por metas tiene un gran inters en valoracin,
fundamentalmente en dos casos.
Cuando la valoracin en vez de realizarse por un solo valorador se hace
utilizando distintos expertos con distintos criterios y/o objetivos (Este caso se
desarrollar extensamente en captulos posteriores).
Cuando siendo realizada la valoracin por un solo experto interesa conocer
como vara el valor en funcin de primar la minimizacin global (WGP) o la
minimizacin de la distancia mxima a uno de los testigos.
El modelo es el ya conocido.
( ) ( )
( )
( )( )
0 ; 0
1 1
1
. .
1
1
1

= +
= = +
+ + =

=
i i
i i
i i i i
Q
i
i i i i
i
p n
Q i D p n
Q i b p n x f
a s
p v n u
k
D : Min




Siendo ahora el significado de los distintos trminos el siguiente.
es el factor de fluctuacin (0<<1)
D es la desviacin mxima a minimizar
f
i
(x) una funcin objetivo lineal de x
x son las variables explicativas
b
i
Los valores de los activos testigo.
n
i
y p
i
representan las desviaciones negativas y positivas respecto a los valores
de los testigos.
u
i
y v
i
son los pesos o ponderaciones de las desviaciones que en principio se
considerarn con valor la unidad.
K
i
es la constante normalizadora, que para cada pareja de desviaciones (n
i
y p
i
)
es el valor del activo correspondiente.

Aplicado este modelo a la misma informacin de los modelos anteriores se
obtiene una funcin cuyo valor cambia segn vare , con lo que el valorador puede
comprobar como evoluciona el valor del activo problema segn vara el factor de
fluctuacin y elegir la mejor combinacin.
Captulo 5. Mtodos de Valoracin multicriterio con informacin cuantitativa (II).
Programacin por metas
Nuevos mtodos de valoracin. Modelos multicriterio.
75

5.6. EJEMPLOS DE APLICACIN DE GP A LA VALORACIN
Vamos a plantear la solucin al mismo ejemplo utilizado en los mtodos
anteriores, utilizando los modelos de Programacin por metas ponderada y la
GPMINMAX. En el captulo 7 se ver la aplicacin del modelo extendido.

5.6.1. GP ponderada
Partimos, pues, de los datos de la Tabla 5.2.

PARCELA VALOR
INGRESOS
BRUTOS
EDAD
Poblacin
agraria
1 4.200 400 11 1.200
2 6.100 750 10 1.250
3 6.800 870 11 1.300
4 6.200 800 10 1.400
5 5.000 600 10 1.300
X 800 11 1.200
Tabla 5.2. Datos de las parcelas testigo y problema

Normalizamos la informacin Tabla 5.3.

PARCELA VALOR
INGRESOS
BRUTOS
EDAD POBLACIN
1 4.200 0,0948 0,1746 0,1569
2 6.100 0,1777 0,1587 0,1634
3 6.800 0,2062 0,1746 0,1699
4 6.200 0,1896 0,1587 0,1830
5 5.000 0,1422 0,1587 0,1699
X 0,1896 0,1746 0,1569
1,0000 1,0000 1,0000
Tabla 5.3. Informacin normalizada

Planteamos el modelo de GP a los datos de los testigos.
Captulo 5. Mtodos de Valoracin multicriterio con informacin cuantitativa (II).
Programacin por metas
Nuevos mtodos de valoracin. Modelos multicriterio.
76
0 000 . 5 * 1699 , 0 * 1587 , 0 0,1422
0 200 . 6 * 1830 , 0 * 1587 , 0 0,1896
0 800 . 6 * 1699 , 0 * 1746 , 0 0,2062
0 100 . 6 * 1634 , 0 * 1587 , 0 0,1777
0 200 . 4 * 1569 , 0 * 1746 , 0 0,0984
. .
5 5 3 2 1
4 4 3 2 1
3 3 3 2 1
2 2 3 2 1
1 1 3 2 1
5 5 4 4 3 3 2 2 1 1
= + + +
= + + +
= + + +
= + + +
= + + +
+ + + + + + + + +
p n x x x
p n x x x
p n x x x
p n x x x
p n x x x
a s
p n p n p n p n p n Min


Resolviendo obtenemos la siguiente funcin.

2 1
* 22 , 462 . 10 * 74 , 118 . 24 x x J
x
+ =

En la funcin resultado se observa que la variable x
3
no aparece o sea que no es
una variable explicativa del valor.
Sustituyendo en la funcin los valores de las variables explicativas del activo
problema se obtiene el valor buscado.

euros J
x
399 . 6 1746 , 0 * 22 , 462 . 10 1896 , 0 * 74 , 118 . 24 = + =


5.6.2. GP MINMAX
Planteamos el modelo.
Captulo 5. Mtodos de Valoracin multicriterio con informacin cuantitativa (II).
Programacin por metas
Nuevos mtodos de valoracin. Modelos multicriterio.
77
0
500 . 5 500 . 5 200 . 6 200 . 6 800 . 6 800 . 6 100 . 6 100 . 6 200 . 4 200 . 4
0 000 . 5 * 1694 , 0 * 1587 , 0 * 1422 , 0
0 200 . 6 * 1830 , 0 * 1587 , 0 * 1896 , 0
0 800 . 6 * 1699 , 0 * 1746 , 0 * 2062 , 0
0 100 . 6 * 1634 , 0 * 1587 , 0 * 1777 , 0
0 200 . 4 * 1569 , 0 * 1746 , 0 * 0948 , 0
500 . 5 500 . 5
200 . 6 200 . 6
800 . 6 800 . 6
100 . 6 100 . 6
200 . 4 200 . 4
. .
5 5 4 4 3 3 2 2 1 1
5 5 3 2 1
4 4 3 2 1
3 3 3 2 1
2 2 3 2 1
1 1 3 2 1
5 5
4 4
3 3
2 2
1 1
= + + + + + + + + +
= + + +
= + + +
= + + +
= + + +
= + + +
+
+
+
+
+
:
p n p n p n p n p n
p n x x x
p n x x x
p n x x x
p n x x x
p n x x x
D
p n
D
p n
D
p n
D
p n
D
p n
a s
D Min



resolvemos y se obtiene una funcin en la cual sigue sin intervenir la variable X
3
.

2 1
* 22 , 311 . 9 * 43 , 398 . 25 x x J
x
+ =

Sustituyendo en la funcin los valores de las variables explicativas del activo
problema se obtiene el valor buscado.
euros J
x
440 . 6 1746 , 0 * 22 , 311 . 9 1896 , 0 * 43 , 398 . 25 = + =


5.7. RESUMEN DE LOS VALORES OBTENIDOS

En el captulo anterior llegamos a tres valores distintos de la Parcela X utilizando
los modelos de Suma ponderada combinada con las ponderaciones con entropa,
Diakoulaki y la Ordenacin simple. En este captulo para el mismo ejemplo hemos
Captulo 5. Mtodos de Valoracin multicriterio con informacin cuantitativa (II).
Programacin por metas
Nuevos mtodos de valoracin. Modelos multicriterio.
78
llegado a dos nuevos valores mediante la WGP y la GP MInmax. En la Tabla 5.4. se
resumen los valores obtenidos con los distintos mtodos.



Mtodo Valor Parcela X
Suma ponderada + Entropia 6.528
Suma ponderada + Diakoulaki 6.223
Suma ponderada + Ordenacin simple 6.114
Programacin por metas ponderada 6.399
Programacin por metas MINMAX 6.440
Tabla 5.4. Resumen de los valores obtenidos con los distintos mtodos


Llegados a este punto nos encontramos con que tenemos cinco valores distintos de la
parcela a valorar, uno por cada modelo utilizado. Para determinar que valor elegimos
como definitivo utilizamos, como ya conocemos, la Distancia Manhattan.

1 / 1
5
1
1
2 1
1

=

= f
f f
x x L




Parcela Valor Valor
SP+Entr
Distancia Valor
SP+DiaK
Distancia Valor
SP+OS
Distancia Valor
WGP
Distancia Valor
GPMinmax
Distancia
1 4.200 3.507 692 4.248 48 4.482 282 4.112 87 4.033 166
2 6.100 6.141 41 5.906 193 5.829 270 5.947 152 5.992 107
3 6.800 7.079 279 6.654 145 6.511 288 6.799 0,90 6.862 62
4 6.200 6.551 351 6.282 82 6.202 2 6.232 32 6.293 93
5 5.000 5.019 19 5.208 208 5.274 274 5.089 89 5.089 89
Distancia MANHATTAN 1.384 677 1.117 363 518
Tabla 5.6. Distancias Manhattan de cada modelo de valoracin utilizado
Las distintas distancias aparecen resumidas en la Tabla 5.7.





Captulo 5. Mtodos de Valoracin multicriterio con informacin cuantitativa (II).
Programacin por metas
Nuevos mtodos de valoracin. Modelos multicriterio.
79






Distancia Manhattan
Suma ponderada +Entropa 1384
Suma ponderada + Diakoulaki 677
Suma ponderada + Ordenacin simpler 1.117
Programacin por metas 363
Programacin por metas MINMAX 518
Tabla 5.7. Resumen de las Distancias Manhattan.
Si representamos en un grafico las distancias obtenidas

Distancia Manhattan
0,00
200,00
400,00
600,00
800,00
1.000,00
1.200,00
1.400,00
1.600,00
S
P
+
E
n
t
r
o
p

a
S
P
+
D
i
a
k
o
u
l
a
k
i
S
P
+
O
S
G
P
G
P
M
I
N
M
A
X
Mtodos
D
i
s
t
a
n
c
i
a
Distancia Manhattan


Grafico 5.1. Representacin grfica de las Distancias Manhattan





Captulo 5. Mtodos de Valoracin multicriterio con informacin cuantitativa (II).
Programacin por metas
Nuevos mtodos de valoracin. Modelos multicriterio.
80
Es evidente en este caso que la Distancia Manhattan menor es la de la
Programacin por metas, por lo tanto elegiremos como valor definitivo de la parcela el
obtenido con este mtodo.

VALOR DEFINITIVO DE X = 6.399 euros.

Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
81

Captulo 6. Mtodos de valoracin con
informacin cualitativa (I). Proceso Analtico
Jerrquico.
6.1. INTRODUCCIN

En los captulos anteriores hemos visto mtodos multicriterio cuya aplicacin es
posible cuando el experto cuenta con una informacin cuantitativa suficiente. Sin
embargo en la prctica valorativa son bastante frecuentes las situaciones en que el
valorador parte de una informacin mnima, representada normalmente en que solo
conoce el precio al que se han realizado recientemente algunas transacciones de
activos parecidos o similares al que pretende valorar. En este captulo y en el siguiente
vamos a plantear una metodologa que permita abordar este tipo de situaciones.

6.2. PROCESO ANALTICO JERRQUICO (ANALYTIC
HIERARCHY PROCESS, AHP)
El AHP fue propuesto por el Profesor Thomas L. Saaty (1980), como respuesta a
problemas concretos de toma de decisiones en el Departamento de Defensa de los
EEUU, siendo actualmente un clsico en el mundo de la empresa donde se aplica en
casi todos los mbitos donde es necesario tomar una decisin de cierta complejidad.
Segn indica Moreno-Jimnez (2002) si se revisan las Actas de los distintos
Simposium Internacionales sobre AHP realizados hasta ahora se observan trabajos de
aplicacin del mtodo en reas tan diversas como Sociedad, Ciencia y Educacin,
Economa y Transporte, Localizacin y Asignacin de Recursos, Marketing,
Produccin, Aplicaciones ambientales, Planificacin urbana, Sector Pblico, Sanidad,
Evaluacin de sistemas, Decisin en grupo, Resolucin de conflictos internacionales,
Nuevas Tecnologas, Pensamiento y tica. Y como aplicaciones interesantes
aparecidas recientemente:
Administracin de operaciones (Partovi et al., 1989).
Decisin de grupo (Van der Hornet y Lootsma, 1997).
Defensa (Cheng et al., 1999).
Benchmarking (Frei y Harker, 1999).
Desarrollo de software (Lee et al., 1999).
Priorizacin ambiental ( Moreno et al.,1999).
Evaluacin de software (Ossadnik y Lange, 1999).
Toma de decisiones descentralizadas (Bollju, 2001).
Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
82
Seleccin de personal en sistemas de telecomunicacin (Tamm y
Tummala, 2001).
El potencial del mtodo, como distintos autores han evidenciado, se debe a que
se adecua a distintas situaciones, su clculo es sencillo por el software existente y
puede utilizarse tanto individualmente como en grupo. En esencia, puede afirmarse
que AHP es un mtodo de seleccin de alternativas (estrategias, inversiones, etc) en
funcin de una serie de criterios o variables, las cuales suelen estar en conflicto. Para
ello pondera tanto los criterios como las distintas alternativas utilizando las matrices de
comparacin pareadas y la Escala Fundamental para comparaciones por pares.
El desarrollo del mtodo es el siguiente:
a) Se parte del inters que puede tener un decisor en seleccionar la ms
interesante, entre un conjunto de alternativas (estrategias, inversiones,
activos, etc.).
b) Se define qu criterios se van a utilizar para determinar la seleccin,
esto es, cules son las caractersticas que pueden hacer ms deseable
una alternativa sobre otra.
c) Conocidas las alternativas y definidos los criterios, debe primero
procederse a ordenar y ponderar el diferente inters de cada uno de los
criterios en la seleccin de las alternativas.
d) Conocida la ponderacin de los criterios se pasa a ponderar las distintas
alternativas en funcin de cada criterio.
e) Con los dos procesos anteriores c y d se obtienen dos matrices, una
matriz columna nx1 con la ponderacin de criterios (siendo n el nmero
de criterios) y otra matriz mxn de las ponderaciones de las alternativas
para cada criterio (siendo m el nmero de alternativas).
f) El producto de ambas matrices dar una matriz columna mx1 que indica
la ponderacin de las alternativas en funcin de todos los criterios y del
peso o importancia de estos.
Conocidos los distintos pasos del mtodo vamos a ver en detalle como se
realizan, especialmente cul es el procedimiento de obtencin de las ponderaciones y
cmo se llega a las distintas matrices indicadas en el mtodo.
La distinta importancia o ponderacin tanto de los criterios como de las
alternativas dentro de cada criterio podra llevarse a cabo mediante una cuantificacin
directa de todos ellos. Esto es, el centro decisor, podra determinar dentro de una
escala (por ejemplo de 1 a 10), el inters de cada uno de los criterios (alternativas).
Sin embargo, ello supondra, ser capaz de comparar a un mismo tiempo todos estos
elementos (criterios, alternativas) , lo que representa una enorme complejidad, sobre
todo, cuando el nmero de los mismos empieza a ser elevado.
Para superar esta limitacin en la capacidad de procesamiento, Saaty propone
realizar comparaciones pareadas entre los distintos elementos, ya que el cerebro
Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
83
humano est perfectamente adaptado a las comparaciones de dos elementos entre s
y para ello plantea la siguiente escala
39
(Tabla 1).

VALOR DEFINICIN COMENTARIOS
1 Igual importancia
El criterio A es igual de
importante que el criterio B
3 Importancia moderada
La experiencia y el juicio
favorecen ligeramente al
criterio A sobre el B
5 Importancia grande
La experiencia y el juicio
favorecen fuertemente al
criterio A sobre el B
7 Importancia muy grande
El criterio A es mucho mas
importante que el B
9 Importancia extrema
La mayor importancia del
criterio A sobre el B esta
fuera de toda duda
2,4,6 y 8
Valores intermedios entre los anteriores, cuando es
necesario matizar
Recprocos de lo anterior
Si el criterio A es de importancia grande frente al criterio B
las notaciones seran las siguientes.
Criterio A frente a criterio B 5/1
Criterio B frente a crierio A 1/5

Tabla 5.1. Escala fundamental de comparacin por pares (Saaty, 1980)

Teniendo en cuenta la escala de la Tabla 1 se construye una matriz cuadrada
A
nxn
[1]
[ ]
n f i
a A
if

=
, 1
[1]
donde a
ij
representa la comparacin entre el elemento i y el elemento j a partir de
los valores de la escala fundamental.
La matriz construida debe de cumplir las siguientes propiedades (Saaty, 1986):

39
El origen de la escala propuesta por Saaty est en los trabajos de Weber y Fechner. La ley de Weber (1846) dice
que el cerebro humano percibe una modificacin o cambio en un estmulo a partir de que este estmulo supere el
estado inicial en un porcentaje determinado. En 1860, Fechner basndose en las teoras de Weber establece que
mientras los estmulos crecen geomtricamente, las sensaciones lo hacen aritmticamente y plantea una escala
fundamental del 1 al 9. Esta escala adems al no considerar el cero y el infinito eliminan los dos puntos de mayor
complejidad para el ser humano en procesos comparativos, as como se adapta a la forma ms elemental de contar
que son los dedos. Por otra parte la validez de esta escala ha sido comprobada empricamente aplicndola a
situaciones muy diversas en situaciones reales (Traduccin de Moreno-Jimnez, 2002).

Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
84
Reciprocidad: Si a
ij
= x, entonces a
ji
= 1/x , con 9 x 9 / 1 .
Homogeneidad: Si los elementos i y j son considerados igualmente
importantes entonces
a
ij
= a
ji
= 1
adems a
ii
= 1 para todo i.
Consistencia: Se satisface que a
jk *
a
kj
= a
ij
para todo n k , j , i 1 .
Por la propiedad de Reciprocidad solo se necesitan n(n-1)/2 comparaciones para
construir una matriz de dimensin n x n.
El supuesto o axioma de consistencia se da en un caso ideal, y pocas veces en
la realidad debido a la subjetividad innata al decisor. Esta subjetividad es la que se
intenta objetivizar al mximo con el procedimiento de la matriz de comparaciones
pareadas, ya que el centro decisor al tener que comparar no solo una vez los distintos
elementos, sino sucesivas veces para construir la matriz, pone en evidencia las
inconsistencias de sus comparaciones en el supuesto que existan. El grado de
inconsistencia puede medirse mediante el clculo del Ratio de Consistencia (CR) de la
matriz A. El procedimiento para este clculo es el siguiente:
En primer lugar se normalizan los elementos de la matriz A por la suma de su
columna correspondiente [2]:

=
n
k
kf
if
a normali:ad
a
a
A
1
[2]
Se suman sus filas [3]:
n
n
1 n
nn
nn
n
1 n
2 n
2 n
n
1 n
1 n
1 n
2
n
1 n
nn
n 2
n
1 n
2 n
22
n
1 n
1 n
21
1
n
1 n
nn
n 1
n
1 n
2 n
12
n
1 n
1 n
11
b
a
a
a
a
a
a
b
a
a
a
a
a
a
b
a
a
a
a
a
a
= + + +
= + + +
= + + +



= = =
= = =
= = =

[3]
El conjunto de b
i
promediados forma un vector columna que se denomina vector
media de sumas o vector de prioridades globales B [4]
T
n 2 1
n
b
, ,
n
b
,
n
b
B

= [4]
El producto de la matriz original A por el vector de prioridades globales B
proporcionar una matriz columna denominada vector fila total C
+0
[5]:

40
Si bien se trata de un vector columna, la denominacion vector Iila total es la propuesta por Saaty.
Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
85
[ ]
T
n 2 1
c , , c , c C B * A = = [5]

Se realiza el cociente entre las matrices vector fila total [c
n
] y vector de
prioridades globales [b
n
], y se obtiene otro vector columna D [6]:
D B / C = [6]
que al sumar y promediar sus elementos dar la
max
[7]:
n
d
n
1 i
i
max

=
= [7]
Conocida la
max
se calcula el ndice de consistencia (CI) [8]:
1 n
n
CI
max


= [8]
Este CI obtenido se compara con los valores aleatorios de CI que son el valor
que debera obtener el CI si los juicios numricos introducidos en la matriz original (de
la cual estamos midiendo su consistencia) fueran aleatorios dentro de la escala 1/9,
1/8, 1/7,.., , 1, 2,..7, 8, 9. Los valores son los que aparecen en la Tabla 5.2.

Tamao de la matriz (n) 1 2 3 4 5 6 7 8 9 10
Consistencia aleatoria 0,00 0,00 0,52 0,89 1,11 1,25 1,35 1,40 1,45 1,49
Tabla 5.2. Valores de la consistencia aleatoria en funcin del tamao de la matriz

En funcin de n se elige la consistencia aleatoria, el cociente entre el CI
calculado y la consistencia aleatoria proporciona el Ratio de Consistencia RC [9]:
aleatoria ia Consistenc
CI
RC = [9]
Se considera que existe consistencia cuando no se superan los porcentajes que
aparecen en la Tabla 5.3.

Tamao de la matriz (n) Ratio de consistencia
3 5%
4 9%
5 o mayor 10%
Tabla 3. Porcentajes mximos del ratio de consistencia

Si en una matriz se supera el ratio de consistencia mximo, hay que revisar las
ponderaciones
+1
o bien proceder a incrementar su consistencia mediante la
programacin por metas (Gonzlez-Pachn y Romero, 2003).

41
Una forma de mejorar la consistencia cuando no se considera satisfactoria, es clasificar las actividades
mediante un orden simple basado en las ponderaciones obtenidas la primera vez que se vio el problema,
Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
86
Construida la matriz de comparaciones pareadas se calcula su eigenvector.
Dado A

, un vector v distinto de cero es un eigenvector de A si para cierto escalar se
cumple [10]:
v * v * A = [10]
El escalar (que puede ser cero) se llama eigenvalor de A asociado con el
eigenvector v. Las races reales del polinomio caracterstico de una matriz son los
eigenvalores de esta matriz. Se determinan resolviendo el polinomio [11]:
( ) 0 I * A det = [11]
Un vector v es un eigenvector de A correspondiente a un eigenvalor si y solo si
v es una solucin no trivial del sistema [12]:
( ) 0 v * I * A = [12]
Una aproximacin suficiente del eigenvector puede obtenerse utilizando la hoja
de clculo Excel y la funcin matemtica MMULT del asistente de funciones. El clculo
se realiza multiplicando la matriz por ella misma, se suman las filas, y se normaliza por
la suma cada uno de los elementos, con lo que obtenemos una matriz columna. Esta
matriz columna es el eigenvector aproximado de la matriz inicial. Se repite la operacin
anterior (multiplicacin de la matriz resultante por si misma, obtencin del vector
propio) hasta que el eigenvector obtenido no se diferencie del anterior hasta la cuarta
cifra decimal, con lo que ya se habr conseguido una aproximacin suficiente del
eigenvector buscado
42
.
Existen otras formas de clculo del eigenvector como la media geomtrica por
filas y otros mtodos ms elementales pero menos precisos .
En la prctica del mtodo AHP existe un programa informtico (Expert Choice) y
que con solo definir los elementos de la matriz que estn por encima de la diagonal
principal (los que estn por debajo recordemos que la matriz es recproca) nos da el
eigenvector buscado, su consistencia y un conjunto de anlisis de sensibilidad etc.
Cuando el eigenvector obtenido sea el de la matriz de criterios le llamaremos v
c

e indica el peso o importancia relativa que cada uno de los criterios utilizados
tiene en la valoracin del conjunto de alternativas sobre las cuales se va a trabajar.
Esto es, con este sistema se obtiene la ponderacin de cada uno de los criterios o
caractersticas que se van a utilizar para determinar el inters de cada una de las
alternativas.
Cuando el eigenvector obtenido sea el de la matriz de alternativas para un
criterio determinado le llamaremos v
ai
(vector columna), que indica el peso o
importancia relativa de cada una de las alternativas para el criterio i. Se obtienen
tantos eigenvectores v
ai
(v
a1
, v
a2
,,v
an
) como criterios (n), siendo el nmero de
elementos de cada eigenvector igual al nmero de alternativas (m).
Volviendo sobre el paso f del mtodo, se multiplica la matriz de eigenvectores de
las alternativas por la matriz columna del ranking de los criterios [13]:
w v v
c a
= [13]
donde [ ] ( ) n m v dim , v , , v , v v
a an 2 a 1 a a
= = .

y desarrollar, teniendo en cuenta el conocimiento de la categorizacin previa, una segunda matriz de
comparacin por pares. En general la consistencia debe ser mejor.
42
En el Anexo a este captulo se desarrolla un ejemplo completo con el clculo del eigenvector utilizando
la hoja de clculo EXCEL.
Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
87
El resultado es una matriz w cuyos componentes expresan el peso relativo de
cada alternativa. Este peso es el que permite ordenar las alternativas de mayor a
menor inters y adems cuantifica cul es el inters de cada alternativa con respecto a
las otras en funcin de todos los criterios y de su importancia.

6.3. UTILIZACIN DE AHP EN VALORACIN
Hemos visto en el punto anterior que al final de la aplicacin de AHP obtenemos
un vector que nos indica la ponderacin o peso de cada una de las alternativas en
funcin de todos los criterios y su importancia. Esta particularidad
+3
es la que nos va a
permitir su aplicacin en Valoracin y para ello seguiremos un procedimiento similar al
visto con el mtodo de la Suma ponderada.
Recordemos la necesidad previa de adaptar la terminologa utilizada en AHP al
campo de la valoracin: Lo que hemos denominado alternativas sern ahora activos
tanto los testigo como el a valorar. Lo denominado criterios sern ahora variables
explicativas.
Hecha la anterior adaptacin vamos a ver como se planteara la valoracin de un
activo mediante AHP y para ello planteamos una situacin bastante normal en la
prctica valorativa, aquella en la que hay que valorar en situaciones de muy escasa
informacin, y que es la que justifica la utilizacin de AHP.
Este es el caso cuando lo nico que se conoce de los testigos a utilizar en los
mtodos comparativos son sus precios. En esta situacin puede abordarse la
valoracin por AHP pero siempre que se den una serie de circunstancias bsicas.
La primera es que se pueda tener acceso al conocimiento (visual, informacin
financiera, descripcin etc) de los distinto testigos.
La segunda es que se tengan suficientes conocimientos tcnicos como para
emitir juicios sobre variables explicativas del precio de los testigos y del bien a valorar.
Bajo estas hiptesis podemos representar el problema mediante el grfico
clsico de AHP. Figura 5.1.








43
Metodos multicriterio como el ELECTRE tambien utilizados para seleccion de alternativas no permiten
su aplicacion a la Valoracion pues llegan a una ordenacion de las alternativas sin ponderacion.
Activo testigo 1 Activo testigo 2 Activo
problema P
Objetivo:
Valoracin activo P
Variable
explicativa 1
Variable
explicativa 2
Variable
explicativa 3
Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
88
Figura 6.1. Representacin grfica del modelo AHP

El primer paso a determinar son las variables explicativas a utilizar. Para ello es
fundamental como ya se ha dicho un conocimiento tcnico profundo del activo a
valorar.
Determinadas estas variables, y aunque todas son explicativas del precio, no
todas tienen por que tener la misma importancia, luego el siguiente paso ser calcular
el peso de cada una de estas variables. Para ello se plantea la matriz de
comparaciones pareadas utilizando la escala de la Tabla 6.1. Finalmente tras
comprobar su consistencia, se calcula su vector propio, que nos indicar la
ponderacin o peso de las variables explicativas en la determinacin del precio.
La siguiente fase es precisar la ponderacin de los activos tanto los testigo como
el que se pretende valorar para cada una de las variables explicativas. En este paso
pueden plantearse dos supuestos.
1. Que la variable explicativa este cuantificada. Por ejemplo puede que se
este utilizando la variable Distancia al centro urbano
++
y se conocen las
diferentes distancias. En este caso la ponderacin se realiza simplemente
normalizando la variable por el mtodo de la suma.
2. Si la variable no est cuantificada o es cualitativa, se cuantifica planteando
la matriz de comparaciones pareadas de las fincas con respecto a esa
variable explicativa, y calculando su vector propio, previo clculo de su
consistencia.
Al final del segundo proceso se tendr una matriz con todos los vectores propios
de las comparaciones de los activos para cada variable explicativa. Ser una matriz
(m*n) siendo m el nmero de activos y n el numero de variables.
Esta matriz se multiplica por la matriz (n*1) de la ponderacin de las variables
explicativas calculada anteriormente.
El producto de ambas matrices (5)
(m*n) * (n*1) = (m*1) (5)
resulta una matriz (m*1) que indica la ponderacin de los activos en funcin de
todas las variables explicativas y su peso.
Hasta este punto sera la aplicacin del AHP utilizado como mtodo multicriterio
para la toma de decisiones. El procedimiento para aprovechar esta informacin en
el campo de la valoracin es el mismo que el visto en el mtodo de la Suma
Ponderada.
Se calcula el ratio (6)
Ratio = Valor activos testigo / Ponderacin activos testigo. (6)
A partir de este ratio, su producto por la ponderacin del activo a valorar, dar
el valor que se estaba buscando (7).

Valor activo Problema = Ratio * ponderacin activo problema. (7)


++
Las variables cuando son inversas como en este caso previamente hay que transformarlas en directas.
Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
89
El valor obtenido est en funcin de todas las variables explicativas y de su
ponderacin.
A continuacin vamos a aplicar el proceso visto anteriormente a tres ejemplos.

6.4 EJEMPLO 1. VALORACIN DE UN INMUEBLE AGRARIO
En este ejemplo se plantea la valoracin de una parcela destinada al cultivo
agrcola y la nica informacin cuantitativa que se tiene es el precio de cuatro
transacciones recientes de 4 parcelas parecidas, como aparece en la Tabla 6.4.
El experto visita las parcelas testigo y problema y basndose en sus
conocimientos agronmicos y de la zona, decide elegir como variables explicativas:
El estado vegetativo. Representa el desarrollo de la plantacin, su
situacin sanitaria y de cultivo y en definitiva es un indicador de su
capacidad productiva.
El microclima. Variable que representa la bondad del entorno del cultivo,
factor fundamental para medir el riesgo de la produccin y la propia
supervivencia del cultivo.
Ambas variables son de tipo cualitativo y por lo tanto no estn cuantificadas. Por
lo tanto el valorador tiene que ponderar dichas variables entre si y adems cuantificar
cada parcela para cada una de ellas. Vamos a ver como abordar dicho problema
utilizando AHP.

Se parte pues de la informacin de la Tabla 6.4.

PARCELAS VALOR ESTADO VEGETATIVO MICROCLIMA
1 4.000
2 1.600
3 5.550
4 9.800
X
Tabla 6.4. Informacin inicial

Se plantea la matriz de comparacin pareada de las variables explicativas, se
calcula su consistencia y su vector propio que nos indica la ponderacin de las
variables. (Se rene todo en la tabla 6.5. con el fin de hacer ms compacta la
presentacin).





Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
90

ESTADO
VEGETATIVO
MICROCLIMA
VECTOR
PROPIO
ESTADO
VEGETATIVO
1/1 5/1 0,8333
MICROCLIMA 1/5 1/1 0,1667
CR 0,00%
Tabla 6.5. Matriz de comparaciones pareadas de las variables explicativas

Este resultado nos indica que la variable mas importante es el Estado vegetativo
y en una proporcin del 83,33%, mientras que la importancia de la segunda el
Microclima es solo del 16,67%.
El siguiente paso es establecer la Matriz de comparaciones pareadas y sus
vectores propios, de las parcelas en funcin de cada una de las variables explicativas.
Estado vegetativo (Tablas 6.6 ), y microclima (Tablas 6.7).

Parcela 1 Parcela 2 Parcela 3 Parcela 4 Parcela x
Vector
propio
Parcela 1 1/1 3/1 1/1 1/3 1/1 0,1610
Parcela 2 1/1 1/3 1/7 1/3 0,0566
Parcela 3 1/1 1/3 1/1 0,1610
Parcela 4 1/1 3/1 0,4604
Parcela x 1/1 0,1610
CR 0,00%
Tabla 6.6. Matriz de comparaciones pareadas y vector propio en funcin del estado
vegetativo

Parcela 1 Parcela 2 Parcela 3 Parcela 4 Parcela x
Vector
propio
Parcela 1 1/1 1/1 1/5 1/1 1/3 0,0876
Parcela 2 1/1 1/5 1/1 1/3 0,0876
Parcela 3 1/1 5/1 3/1 0,5007
Parcela 4 1/1 1/3 0,0876
Parcela x 1/1 0,2364
CR 0,90%
Tabla 6.7. Matriz de comparaciones pareadas y vector propio en funcin del
microclima

Con las ponderaciones obtenidas tanto de las variables como de las parcelas
se calcula la ponderacin final de las parcelas en funcin de las dos variables
utilizadas (Tabla 6.8).
Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
91

Vectores propios parcelas Ponderacin variables Ponderacin Parcelas
0,1610 0,0876 0,8333 0,1488
0,0566 0,0876 0,1667 0,0618
0,1610 0,5007 0,2176
0,4604 0,0876 0,3983
0,1610 0,2364 0,1736
Tabla 6.8. Calculo de las Ponderaciones de las parcelas

Con la ponderacin y los valores de las parcelas testigo se calculan los ratios y
el ratio medio (Tabla 6.9).

VALOR
PARCELAS
PONDERACIN
PARCELAS
RATIOS
4.000 0,1488 26.888
1.600 0,0618 25.904
5.550 0,2176 25.504
9.800 0,3983 24.607
RATIO MEDIO 25.725
Tabla 6.9. Clculo de los ratios y del ratio medio

Conocido el ratio medio, el producto de l por la ponderacin de la parcela a
valorar dar el valor buscado.

Valor X = Ratio medio * Peso parcela X = 25.725* 0,1736 = 4.465

El valor de la parcela problema X es de 4.465 , valor que ha sido determinado
teniendo en cuenta todas las variables explicativas elegidas estado vegetativo y
microclima, asi como su peso 0,8333 y 0,1667 respectivamente.



6.5. EJEMPLO 2. VALORACIN DE UN INMUEBLE URBANO
En la valoracin urbana, normalmente se cuenta con una informacin suficiente,
ya que al ser un mercado con un mayor nmero de transacciones y la mayora de ellas
realizarse a travs de Agentes de la Propiedad Inmobiliaria (API), permite la creacin
de bases de datos importantes que pueden ser la base de la aplicacin del mtodo
economtrico en cualquier supuesto de valoracin.
Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
92
Sin embargo y a pesar de lo dicho existen supuestos en que la informacin es
escasa o inadecuada.
El primero es en aquellos casos en que el valorador o bien por no tener acceso a
esas bases de datos o bien por no existir ellas se encuentra que debe enfrentarse a
una valoracin con muy poca informacin.
La segunda es aquella en que aun existiendo las bases de datos y teniendo
acceso a ellas, existen una serie de variables de tipo cualitativo que hay que
cuantificar.
Ambas situaciones pueden ser resueltas mediante la aplicacin del Proceso
Analtico Jerrquico.
En este ejemplo el experto se enfrenta a la determinacin de un precio por m
2

de un inmueble urbano partiendo de una informacin puramente cualitativa, ya que
solo cuenta con el conocimiento de 5 transacciones recientes en la misma ciudad de
inmuebles parecidos y de los cuales conoce el precio por m
2
de la transaccin como
aparece en la Tabla 5.10, pero no tiene ninguna otra informacin cuantificada de los
mismos.
El experto conocedor de la zona en la que trabaja y basndose en su
experiencia como valorador decide utilizar como variables explicativas:
La calidad del entorno
+5
donde se ubican los edificios, valorndose como calidad
los servicios de todo tipo existentes, la existencia de zonas verdes, la falta de
contaminacin etc.
La calidad del edificio, entendindose como tal la calidad de los materiales, la
existencia de servicios como ascensor, aire acondicionado etc.
Estado de conservacin del edificio, tanto en su fachada como en el interior.
El experto parte entonces de la informacin de la Tabla 6.10.

EDIFICIO
VALOR por
m
2
CALIDAD
ENTORNO
CALIDAD
EDIFICIO
ESTADO DE
CONSERVACIN
1 1.650
2 1.200
3 1.575
4 2.040
5 3.100
X
Tabla 6.10. Informacin de partida con la que cuenta el experto

El primer paso a realizar es la ponderacin de las variables explicativas. Para
ello se plantea la correspondiente matriz de comparaciones pareadas, comprueba su
consistencia y calcula su vector propio. Tabla 6.11

45
Una de las propiedades importantes del modelo es que nos permitiria llegar a una ponderacion de estas
metavariables mediante la comparacion pareada de sus componentes, estableciendose conglomerados de
variables. Este supuesto no se contempla en este ejemplo, pero sera desarrollado en el ejemplo n 3 de
este mismo capitulo.
Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
93

Calidad
entorno
Calidad
edificio
Estado de
conservacin
Vector
propio
Calidad entorno 1/1 1/3 1/4 0,1220
Calidad edificio 1/1 1/2 0,2970
Estado de
conservacin
1/1 0,5584
CR 1,76%
Tabla 6.11. Matriz de comparacin pareada y vector propio de las variables
explicativas

Seguidamente se plantean las matrices de comparacin pareadas y el clculo de
su consistencia y sus vectores propios de los inmuebles urbanos en funcin de cada
una de las variables explicativas. Calidad del entorno (Tabla 6.12), Calidad del edificio
(Tabla 6.13) y Estado de conservacin (Tabla 6.14).

Edificio
1
Edificio
2
Edificio
3
Edificio
4
Edificio
5
Edificio x
Vector
propio
Edificio 1 1/1 3/1 3/1 1/3 1/5 1/3 0,0825
Edificio 2 1/1 1/1 1/7 1/9 1/7 0,0328
Edificio 3 1/1 1/7 1/9 1/7 0,0328
Edificio 4 1/1 1/3 1/1 0,2069
Edificio 5 1/1 3/1 0,4381
Edificio x 1/1 0,2069
CR 2,55%
Tabla 6.12. Matriz de comparaciones pareadas y vector propio en funcin de la
Calidad del entorno

Edificio
1
Edificio
2
Edificio
3
Edificio
4
Edificio
5
Edificio x
Vector
propio
Edificio 1 1/1 3/1 1/3 1/1 1/5 1/1 0,0891
Edificio 2 1/1 1/7 1/3 1/9 1/3 0,0343
Edificio 3 1/1 3/1 1/3 3/1 0,2355
Edificio 4 1/1 1/5 1/1 0,0891
Edificio 5 1/1 5/1 0,4630
Edificio x 1/1 0,0891
CR 5,98%
Tabla 6.13. Matriz de comparaciones pareadas y vector propio en funcin de la
Calidad del edificio

Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
94
Edificio
1
Edificio
2
Edificio
3
Edificio
4
Edificio
5
Edificio
x
Vector
propio
Edificio 1 1/1 5/1 3/1 1/1 1/1 3/1 0,2194
Edificio 2 1/1 1/3 1/5 1/5 1/3 0,0403
Edificio 3 1/1 1/3 1/3 1/1 0,0820
Edificio 4 1/1 1/1 3/1 0,2194
Edificio 5 1/1 3/1 0,2194
Edificio x 1/1 0,2194
CR 2,07%
Tabla 6.14. Matriz de comparaciones pareadas y vector propio en funcin del Estado
de conservacin

Con las ponderaciones obtenidas tanto de las variables como de los inmuebles
urbanos se calcula la ponderacin final de estos en funcin de las tres variables
utilizadas (Tabla 6.15).

Ponderaciones parcelas para cada
variable
Ponderacin
variables
Ponderacin
parcelas en
funcin de todas
las variables
0,0825 0,0891 0,2194 0,1220 0,1610
0,0328 0,0343 0,0403 0,3196 0,0374
0,0328 0,2355 0,0820 0,5584 0,1250
0,2069 0,0891 0,2194 0,1762
0,4381 0,4630 0,2194 0,3239
0,2069 0,0891 0,2194 0,1762
Tabla 6.15. Ponderacin parcelas en funcin de todas las variables

Con la ponderacin obtenida y los valores de los inmuebles testigo se calcula el
ratio baricntrico (Tabla 6.16).

INMUEBLES TESTIGO VALOR INMUEBLES
PONDERACIN
INMUEBLES
1 1.650 0,1610
2 1.200 0,0374
3 1.575 0,1250
4 2.040 0,1762
5 3.100 0,3239
SUMA 9.565 08237
Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
95
RATIO BARICNTRICO 11.611,60
Tabla 6.16. Clculo del ratio

Conocido el ratio, el producto de l por la ponderacin del inmueble a valorar
dar el valor buscado.

Valor X = Ratio * Ponderacin inmueble X = 11.611 * 0,1762 = 2.046 /m
2
El valor del m
2
del inmueble problema X es de 2.046 valor que ha sido
determinado teniendo en cuenta todas las variables explicativas elegidas y su peso o
importancia.

6.6 EJEMPLO 3. VALORACIN DE UN INMUEBLE URBANO
En el ejemplo anterior hemos hablado de la existencia de metavariables, que son
variables explicativas compuestas por otras variables.
Se pueden proponer
+6
como metavariables en inmuebles urbanos las siguientes.
Entorno urbanstico.
Caractersticas del edificio donde se ubica la vivienda
Caractersticas de la propia vivienda
Distancias a centros de inters y calidad y cantidad de las
comunicaciones
Estas metavariables a su vez pueden dividirse en subvariables o variables
explicativas secundarias que ayudan a mejorar el anlisis y que sintonizan con el
concepto de conglomerados en AHP
+7
, de forma que las variables explicativas seran
ahora.

Entorno urbanstico
Categora de la zona
Contaminacin general
Servicios
Calidad de los comercios
Anchura de calle
Zonas verdes

Caractersticas del edificio donde se ubica la vivienda
Fachada

46
BALLESTERO, E. RODRGUEZ, J.A. (1999)
47
ESCOBAR Y MORENO (1997)
Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
96
Portal
Ascensor
Portera
Estado de conservacin

Caractersticas de la propia vivienda
Calidad de materiales y acabados
Baos
Diseo
Superficie
Altura de planta en caso de que exista ascensor
Altura de planta en caso de que no exista ascensor
Luminosidad y ventilacin
Calefaccin-aire acondicionado
Aislamiento trmico-acstico
Terrazas
Ratio superficie til/superficie construida

Distancias a centros de inters y calidad y cantidad de las comunicaciones
Distancia a centro urbano
Distancia a boca de metro
Distancia a parada de autobs

En este ejemplo vamos a ver como enfocar la valoracin de una vivienda urbana
utilizando las metavariables.

Planteado el problema mediante AHP, existen ahora cuatro niveles.
El nivel 1 es el objetivo o meta: Calcular el valor de la vivienda A.
El nivel 2 recoge las metavariables, variables explicativas generales o primarias.
El nivel 3 est compuesto por las variables explicativas secundarias o
subvariables.
El nivel 4 recoge las viviendas testigo y la problema A.
Situados en este punto, los pasos a seguir van a ser.
1. Determinar la ponderacin de las distintas variables, tanto las metavariables
como las secundarias en el precio de la vivienda, planteando en cada nivel la
matriz de comparaciones pareadas, utilizando la escala fundamental de
comparacin por pares y calculando finalmente su autovector o vector propio.
Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
97
De las variables explicativas de ambos niveles consideradas hay tanto
variables cuantitativas (anchura de calle, superficie, ratio superficie
til/superficie construida, distancias a centro urbano, metro, autobs, colegios,
ambulatorio) como cualitativas (las restantes). El clculo del vector propio en
las primeras es inmediato ya que se corresponde con el clculo de la
normalizacin por la suma. En el caso de las variables cualitativas es cuando
hay que plantear la matriz de comparaciones pareadas, el clculo del
autovector de la matriz y el clculo de su ratio de consistencia.
2. El producto de la ponderacin de cada variable secundaria por la ponderacin
de la metavariable correspondiente, dar el peso o ponderacin global de cada
variable secundaria, teniendo pues al final de este proceso un vector columna
(n*1) siendo m el numero de variables secundarias.
3. El proceso sigue planteando las matrices y el calculo del vector propio
correspondiente comparando los inmuebles urbanos entre si para cada variable
secundaria. El conjunto de vectores propio forma la matriz (m*n), siendo m el
nmero de viviendas (testigo mas la a valorar) y n el nmero de variables
explicativas secundarias.
4. El producto de las matrices (m*n) y (n*1) resulta una matriz (m*1) que nos
indica el peso o ponderacin de los distintos inmuebles entre si en funcin de
todas las variables explicativas.
5. Como en el ejemplo visto en valoracin agraria, conocidos los precios de los
inmuebles testigo se calculan el ratio precio / ponderacin, ratio que
multiplicado por la ponderacin del inmueble a valorar da el valor buscado.
A continuacin se desarrollan estos puntos en un ejemplo concreto.
En el cual y para no hacerlo excesivamente laborioso de clculo se va a
considerar las cuatro metavariables y solo algunas de las variables explicativas
secundarias. Se parte pues de la siguiente informacin (Tabla 6.17) y Figura 6.2.

Variable explicativa Vivienda
1
Vivienda
2
Vivienda
3
Vivienda
4
Vivienda
A
PRECIO / m
2
3.000 2.750 1.900 1.100
Entorno urbanstico
Categora de la zona
Anchura de calle 5 7 4 10 8
Caractersticas del edificio donde se
ubica la vivienda

Fachada
Ascensor si si no no si
Estado de conservacin
Caractersticas de la propia vivienda

Calidad de materiales y acabados
Superficie 95 87 110 100 90
Luminosidad y ventilacin
Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
98
Calefaccin-aire acondicionado
Terrazas
Distancias a centros de inters y
calidad y cantidad de las
comunicaciones

Distancia a centro urbano (Km) 0,500 0,750 1,500 2,000 0,600
Distancia a parada de autobs (Km) 0,200 0,150 0,300 0,250 0,200
Tabla 6.17. Informacin de mercado de partida




















Figura 6.2. Representacin grafica de la valoracin

Lo primero es determinar el peso o ponderacin de las variables explicativas
primarias (entorno urbanstico, caractersticas del edificio, caractersticas de la
vivienda y distancias a centros de inters) . Para ello se plantea la correspondiente
matriz de comparaciones pareadas, se calcula su consistencia y su vector propio
(Tabla 6.18).


Entorno
urbanstico
Caractersticas
del edificio
donde se
Caractersticas
de la propia
Distancias a
centros de
inters y
Vector
propio

Caract.
vivienda
Distanc.
comunic
Objetivo- Valor
vivienda X
Entorno
urbansti
Caract.
inmuebl
Categora zona
Anchura calle
Fachada
Ascensor
Estado de
conservacin
Calidad de
materiales y
Superficie
Luminosidad y
ventilacin
Calefaccin-aire
acondicionado
Terrazas
Distancia a
centro urbano
Distancia a
parada autobs
Vivienda 1 Vivienda 2 Vivienda 3 Vivienda 4 Vivienda a
valorar
Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
99
ubica la
vivienda
vivienda calidad y
cantidad de las
comunicaciones
Entorno
urbanstico
1/1 1/3 1/7 1/5 0,0553
Caractersticas
del edificio
donde se ubica
la vivienda
1/1 1/5 1/3 0,1175
Caractersticas
de la propia
vivienda
1/1 3/1 0,5650
Distancias a
centros de
inters y
calidad y
cantidad de las
comunicaciones
1/1 0,2622
CR 4,43%
Tabla 6.18. Matriz de comparaciones pareadas y vector propio de las variables
primarias

La ponderacin obtenida nos indica la importancia de las metavariables en la
explicacin del precio.
Entorno urbanstico: 5,53%
Caractersticas del edificio donde se ubica la vivienda: 11,75%
Caractersticas de la propia vivienda: 56,50%
Distancias a centros de inters y calidad y cantidad de las comunicaciones:
26,22%
Definida la ponderacin de las metavariables, se pasa a ponderar dentro de
cada una la importancia de las variables secundarias.

Metavariable : Entorno urbanstico
Variables secundarias:
Categora de la zona.
Anchura de calle
Se plantea la matriz de comparaciones pareadas. Tabla 6.19.



Categora de la zona Anchura de calle Vector propio
Categora de la zona 1/1 5/1 0,8333
Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
100
Anchura de calle 1/5 1/1 0,1667
CR 0,00%
Tabla 6.19. Matriz de comparaciones pareadas y vector propio de las variables
secundarias comprendidas dentro de la variable primaria entorno

Metavariable: Caractersticas del edificio donde se ubica la vivienda

Variables secundarias:
Fachada
Ascensor
Estado de conservacin
Se plantea la matriz de comparaciones pareadas. Tabla 6.20.



Fachada Ascensor
Estado de
conservacin
Vector propio
Fachada 1/1 1/5 1/7 0,0719
Ascensor 1/1 1/3 0,2790
Estado de
conservacin
1/1 0,6491
CR 4,29%
Tabla 6.20. Matriz de comparaciones pareadas y vector propio de las variables
secundarias comprendidas dentro de la variable primaria caractersticas del edificio

Metavariable: Caractersticas de la propia vivienda
Variables secundarias:
Calidad de materiales y acabados
Superficie
Luminosidad y ventilacin
Calefaccin-aire acondicionado
Terrazas
Se plantea la matriz de comparaciones pareadas. Tabla 6.21.





Calidad
de
materiales
Superficie

Luminosidad
y ventilacin
Calefaccin-
aire
acondicionado
Terrazas

Vector
propio
Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
101
y
acabados
Calidad de
materiales y
acabados
1/1 1/3 1/1 1/5 1/1 0,0876
Superficie 1/1 3/1 1/3 3/1 0,2364
Luminosidad y
ventilacin
1/1 1/5 1/1 0,0876
Calefaccin-
aire
acondicionado
1/1 5/1 0,5007
Terrazas 1/1
CR 0,94%
Tabla 6.21. Matriz de comparaciones pareadas y vector propio de las variables
secundarias comprendidas dentro de la variable primaria caractersticas de la propia
vivienda.

Metavariable: Distancias a centros de inters y calidad y cantidad de las
comunicaciones
Variables secundarias:
Distancia a centro urbano
Distancia a parada de autobs
Se plantea la matriz de comparaciones pareadas. Tabla 6.22.

Distancia a centro
urbano
Distancia a parada de
autobs
Vector
propio
Distancia a centro
urbano
1/1 1/3 0,7500
Distancia a parada de
autobs
3 1/1 0,2500
CR 0,00%
Tabla 6.22. Matriz de comparaciones pareadas y vector propio de las variables
secundarias comprendidas dentro de la variable primaria distancias

Con este ltimo clculo se finaliza la ponderacin de las variables secundarias.
El producto de ponderacin de cada metavariable por las ponderaciones de las
variables secundarias que comprende (Tabla 6.23) resultar la ponderacin final de
cada una de las variables secundarias o sea la importancia o peso de cada una de las
variables secundarias en la explicacin del precio de las viviendas. Estas
ponderaciones forman el vector propio del peso de las variables explicativas
secundarias.

Metavariables Variables secundaria
Ponderacin
Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
102
final
Categora zona 5,53 % 83,33 % 4,61 %
Anchura calle 5,53 % 16,67 % 0,92%
Fachada 11,75 % 7,19 % 0,84 %
Ascensor 11,75 % 27,90 % 3,28 %
E. Conservacin 11,75 % 64,91 % 7,63 %
Calidad m. Y acabado 56,50 % 8,76 % 4,95 %
Superficie 56,50 % 23,64 % 13,36 %
Luminosidad y ventilacin 56,50 % 8,76 % 4,95 %
Calefaccin- aire acond. 56,50 % 50,07 % 28,29 %
Terrazas 56,50 % 8,76 % 4,95 %
D. Centro urbano 26,22 % 75 % 19,67 %
D. Parada autobus 26,22% 25% 6,55%
100%
Tabla 6.23. Ponderacin final de las variables secundarias

El siguiente paso consiste en ponderar cada una de las viviendas, las testigo
mas la a valorar, en funcin de cada una de las variables secundarias, construyendo
en cada caso la matriz de comparaciones pareadas, midiendo su consistencia y
calculando los vectores propios respectivos. Tabla 6.24.

Variable secundaria: Categora de la zona.
Matriz de comparaciones pareadas

Vivienda
1
Vivienda
2
Vivienda
3
Vivienda
4
Vivienda
A
Vector propio
Vivienda 1 1/1 1/1 3/1 5/1 1/1 0,2808
Vivienda 2 1/1 3/1 5/1 1/1 0,2808
Vivienda 3 1/1 3/1 1/3 0,1070
Vivienda 4 1/1 1/5 0,0505
Vivienda A 1/1 0,2808
CR 0,95%
Tabla 6.24. Matriz de comparaciones pareadas y vector propio de las viviendas
en funcin de la variable categora de la zona.




Variable secundaria: Anchura de calle.
Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
103
En este caso al ser una variable cuantificada, la ponderacin se calcula
directamente por normalizacin por la suma sin necesidad de plantear la matriz de
comparaciones pareadas. Tabla 6.25.

Valor de la variable Ponderacin
Vivienda 1 5 0,1470
Vivienda 2 7 0,2058
Vivienda 3 4 0,1176
Vivienda 4 10 0,2941
Vivienda A 8 0,2352
SUMA 34 1
Tabla 6.25. Calculo de los pesos o proporcin relativa de las viviendas en funcin de
la variable anchura de calle

Variable secundaria: Fachada
Matriz de comparaciones pareadas

Vivienda 1 Vivienda 2 Vivienda 3 Vivienda 4 Vivienda A
Vector
propio
Vivienda 1 1/1 1/1 1/1 3/1 1/1 0,2308
Vivienda 2 1/1 1/1 3/1 1/1 0,2308
Vivienda 3 1/1 3/1 1/1 0,2308
Vivienda 4 1/1 1/3 0,0769
Vivienda A 1/1 0,2308
CR 0,00%
Tabla 6.26. Matriz de comparaciones pareadas y vector propio de las viviendas en
funcin de la variable fachada.



Variable secundaria: Ascensor
Matriz de comparaciones pareadas
Vivienda 1 Vivienda 2 Vivienda 3 Vivienda 4 Vivienda A Vector
propio
Vivienda 1 1/1 1/1 3/1 9/1 1/1 0,2854
Vivienda 2 1/1 3/1 9/1 1/1 0,2854
Vivienda 3 1/1 7/1 1/3 0,116
Vivienda 4 1/1 1/9 0,0273
Vivienda A 1/1 0,2854
CR 2,02%
Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
104
Tabla 6.27. Matriz de comparaciones pareadas y vector propio de las viviendas en
funcin de la variable ascensor.

Variable secundaria: Estado de conservacin
Matriz de comparaciones pareadas

Vivienda 1 Vivienda 2 Vivienda 3 Vivienda 4 Vivienda A
Vector
propio
Vivienda 1 1/1 1/5 3/1 3/1 1/5 0,1535
Vivienda 2 1/1 3/1 3/1 1/1 0,3595
Vivienda 3 1/1 1/1 1/3 0,0638
Vivienda 4 1/1 1/3 0,0638
Vivienda A 1/1 0,3595
CR
Tabla 6.28. Matriz de comparaciones pareadas y vector propio de las viviendas en
funcin de la variable estado de conservacin.

Variable secundaria: Calidad de los materiales y acabado
Matriz de comparaciones pareadas

Vivienda 1 Vivienda 2 Vivienda 3 Vivienda 4 Vivienda A
Vector
propio
Vivienda 1 1/1 1/1 5/1 7/1 3/1 0,3459
Vivienda 2 1/1 5/1 7/1 3/1 0,3459
Vivienda 3 1/1 3/1 1/7 0,0606
Vivienda 4 1/1 1/9 0,0325
Vivienda A 1/1 0,2152
CR 9,36%
Tabla 6.29. Matriz de comparaciones pareadas y vector propio de las viviendas en
funcin de la variable calidad de los materiales y acabado.

Variable secundaria: Superficie
Al ser una variable cuantificada, como ya se vi en el caso de la anchura de
calle, la ponderacin se calcula directamente por normalizacin por la suma sin
necesidad de plantear la matriz de comparaciones pareadas.

Valor de la variable Ponderacin
Vivienda 1 95 0,1970
Vivienda 2 87 0,1804
Vivienda 3 110 0,2282
Vivienda 4 100 0,2074
Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
105
Vivienda A 90 0,1867
SUMA 482 1
Tabla 6.30. Calculo de los pesos o proporcin relativa de las viviendas en funcin de
la variable superficie.

Variable secundaria: Luminosidad y ventilacin
Matriz de comparaciones pareadas

Vivienda 1 Vivienda 2 Vivienda 3 Vivienda 4 Vivienda A
Vector
propio
Vivienda 1 1/1 1/5 1/1 3/1 1/3 0,0999
Vivienda 2 1/1 5/1 7/1 3/1 0,5005
Vivienda 3 1/1 3/1 1/3 0,0999
Vivienda 4 1/1 1/7 0,0423
Vivienda A 1/1 0,2573
CR 2,94%
Tabla 6.31. Matriz de comparaciones pareadas y vector propio de las viviendas
en funcin de la variable luminosidad y ventilacin.
Variable secundaria: Calefaccin-aire acondicionado
Matriz de comparaciones pareadas

Vivienda 1 Vivienda 2 Vivienda 3 Vivienda 4 Vivienda A
Vector
propio
Vivienda 1 1/1 1/1 1/1 9/1 1/1 0,2432
Vivienda 2 1/1 1/1 9/1 1/1 0,2432
Vivienda 3 1/1 9/1 1/1 0,2432
Vivienda 4 1/1 1/9 0,0270
Vivienda A 1/1 0,2432
CR 0,00%
Tabla 6.32. Matriz de comparaciones pareadas y vector propio de las viviendas en
funcin de la variable calefaccin-aire acondicionado.

Variable secundaria: Terrazas
Matriz de comparaciones pareadas
Vivienda
1
Vivienda
2
Vivienda
3
Vivienda
4
Vivienda
A
Vector
propio
Vivienda 1 1/1 3/1 3/1 1/1 1/1 0,2727
Vivienda 2 1/1 1/1 1/3 1/3 0,0909
Vivienda 3 1/1 1/3 1/3 0,0909
Vivienda 4 1/1 1/1 0,2727
Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
106
Vivienda A 1/1 0,2727
CR 0,00%
Tabla 6.33. Matriz de comparaciones pareadas y vector propio de las viviendas en
funcin de la variable terrazas.
Variable secundaria: Distancia a centro urbano
Tanto esta variable como la siguiente Distancia a parada de autobs son
variables cuantificadas por lo que el clculo de su ponderacin se hace directamente,
como ya se ha visto. Pero, adems, ambas variables son inversas por lo que
previamente se transforman en directas mediante el cociente.

Valor de la variable
(kms)
Variable
transformada
Vector propio
Vivienda 1 0,50 2 0,3252
Vivienda 2 0,75 1,33 0,2162
Vivienda 3 1,50 0,66 0,1073
Vivienda 4 2,00 0,50 0,0813
Vivienda A 0,60 1,66 0,2699
SUMA 6,15 1
Tabla 6.34. Clculo del vector propio de las viviendas en funcin de la variable calidad
distancia a centro urbano.
Variable secundaria : Distancia a parada del autobs
Valor de la variable
(km)
Variable
transformada
Vector propio
Vivienda 1 0,20 5,00 0,2084
Vivienda 2 0,15 6,66 0,2776
Vivienda 3 0,30 3,33 0,1388
Vivienda 4 0,25 4,00 0,1667
Vivienda A 0,20 5,00 0,2084
SUMA 23,99 1
Tabla 6.35. Clculo del vector propio de las viviendas en funcin de la variable
distancia a parada autobs.

Con los vectores propios obtenidos a travs de las matrices de comparacin
pareadas de las distintas viviendas para cada variable secundaria se construye una
matriz 5*12.
El producto de esta matriz por la matriz columna 12*1 de las variables
secundarias dar una matriz columna 5*1.Tabla 6.36
Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
107

PRODUCTO MATRICES
Matriz parcelas en funcin de cada variable secundaria Matriz Variables secundarias
Matriz
Producto
0,2808 0,1470 0,2308 0,2854 0,1535 0,3459 0,1970 0,0999 0,2432 0,2727 0,3252 0,2084 0,0461 0,2456
0,2808 0,2058 0,2308 0,2854 0,3595 0,3459 0,1804 0,5005 0,2432 0,0909 0,2162 0,2776 0,0092 0,2536
0,1070 0,1176 0,2308 0,1166 0,0638 0,0606 0,2282 0,0999 0,2432 0,0909 0,1073 0,1388 0,0084 0,1586
0,0505 0,2941 0,0769 0,0273 0,0638 0,0325 0,2074 0,0423 0,0270 0,2727 0,0813 0,1667 0,0328 0,0909
0,2808 0,2352 0,2308 0,2854 0,3595 0,2152 0,1867 0,2573 0,2432 0,2727 0,2699 0,2084 0,0763 0,2512
0,0495
0,1336
0,0495
0,2829
0,0495
0,1967
0,0656
Tabla 6.36. Producto de la matriz de vectores propios de las viviendas para cada variable explicativa por la matriz columna de la ponderacin
de las variables explicativas secundarias. El producto resultante es la matriz columna que expresa la ponderacin de las viviendas en funcin
de todas las variables explicativas utilizadas (tanto primarias como secundarias) y en funcin de su peso
Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
108

La matriz producto obtenida indica la ponderacin de las distintas viviendas
(incluida la a valorar) en funcin de todas las variables explicativas del precio.
Como se conoce el precio de las viviendas testigo, se calcula el ratio precio /
ponderacin

Precio /m
2
Ponderacin Precio/Ponderacin
Parcela 1 3000 0,2456 12.214,90
Parcela 2 2750 0,2536 11.652,50
Parcela 3 1900 0,1586 10.215,05
Parcela 4 1100 0,0909 12.101,21
Ratio medio Precio/ponderacin 11.545,91
Tabla 6.37. Clculo del ratio valor vivienda/Ponderacin.

Conocido el ratio precio / ponderacin, el producto de dicho ratio por la
ponderacin de la vivienda a valorar dar el precio de esta.

VALOR m
2
vivienda A = 11.545,91 * 0,2512 = 2.900,33 / m
2
VALOR VIVIENDA A = 2.900,33 / m
2
* 90 m
2
= 261.029

Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
109

ANEXO I

EJEMPLO 1. VALORACIN DE UN ACTIVO AGRARIO
En este anexo se desarrolla con detalle el clculo del Ejemplo 1. Valoracin de
un inmueble agrario visto en este captulo, pero en este caso se presentan todos los
pasos con detalle incluidas las pantallas de Excel para todos los clculos.
Como se recordar, en este ejemplo se plantea la valoracin de una parcela
destinada al cultivo agrcola y la nica informacin cuantitativa que se tiene es el
precio de cuatro transacciones recientes de 4 parcelas parecidas, como aparece en la
Tabla A.1.
El experto visita las parcelas testigo y problema y basndose en sus
conocimientos agronmicos y de la zona, decide elegir como variables explicativas:
El estado vegetativo. Representa el desarrollo de la plantacin, su situacin
sanitaria y de cultivo y en definitiva es un indicador de su capacidad productiva.
El microclima. Variable que representa la bondad del entorno del cultivo, factor
fundamental para medir el riesgo de la produccin y la propia supervivencia del cultivo.
Ambas variables son de tipo cualitativo y por lo tanto no estn cuantificadas. Por
lo tanto el valorador tiene que ponderar dichas variables entre si y adems cuantificar
cada parcela para cada una de ellas, utilizando para ello AHP.
Se parte pues de la informacin de la Tabla A.1.

PARCELAS VALOR ESTADO VEGETATIVO MICROCLIMA
1 4.000
2 1.600
3 5.550
4 9.800
X
Tabla A.1. Informacin inicial.

Utilizando la Tabla fundamental de comparacin por pares ya conocida. Tabla
A.2.

VALOR DEFINICIN COMENTARIOS
1 Igual importancia
El criterio A es igual de
importante que el criterio B
3 Importancia moderada
La experiencia y el juicio
favorecen ligeramente al
Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
110
criterio A sobre el B
5 Importancia grande
La experiencia y el juicio
favorecen fuertemente al
criterio A sobre el B
7 Importancia muy grande
El criterio A es mucho mas
importante que el B
9 Importancia extrema
La mayor importancia del
criterio A sobre el B esta
fuera de toda duda
2,4,6 y 8
Valores intermedios entre los anteriores, cuando es
necesario matizar
Recprocos de lo anterior
Si el criterio A es de importancia grande frente al criterio B
las notaciones seran las siguientes.
Criterio A frente a criterio B 5/1
Criterio B frente a crierio A 1/5
Tabla A.2. Escala fundamental de comparacin por pares (Saaty, 1980)

Se plantea la matriz de comparacin pareada de las variables explicativas. Tabla
A.3.

ESTADO VEGETATIVO MICROCLIMA
ESTADO VEGETATIVO 1/1 5/1
MICROCLIMA 1/5 1/1
Tabla A.3. Matriz de comparacin pareada de las variables explicativas

El primer paso es comprobar su consistencia. Para ello se suman las columnas
(Tabla A.4) y se normalizan por la suma cada uno de los elementos de la matriz (Tabla
A.5).

ESTADO VEGETATIVO MICROCLIMA
ESTADO VEGETATIVO 1 5
MICROCLIMA 0,2 1
SUMA 1,2 6
Tabla A.4. Suma de columnas de la matriz

ESTADO VEGETATIVO MICROCLIMA
ESTADO VEGETATIVO 0,8333 0,8333
MICROCLIMA 0,1666 0,1666
Tabla A.5. Matriz normalizada por la suma

Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
111
Se suman las filas de la matriz normalizada. Tabla A.6.


ESTADO
VEGETATIVO
MICROCLIMA SUMA
ESTADO
VEGETATIVO
0,8333 0,8333 1,6666
MICROCLIMA 0,1666 0,1666 0,3332
Tabla A.6. Suma de las filas de la matriz normalizada

La suma de los elementos de la matriz normalizada constituye el vector media de
sumas o vector de prioridades globales o vector B.

[ ] 1666 . 0 ; 8333 . 0
2
3332 . 0
;
2
6666 . 1
=
(

=
T
B


Utilizando la hoja de calculo Excel. Asistente de funciones. Funciones
matemticas y trigonomtricas. MMULT. Pantalla A.1.

Pantalla A.1. Asistente de funciones. Funciones matemticas y trigonomtricas.
MMULT

Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
112
Realizamos el producto de la matriz original por el vector B (que es otra matriz
en este caso columna). Pantalla A.2.


Pantalla A.2. Producto de la matriz original por el vector B

La forma de realizar este producto es la siguiente. Seleccionamos en el asistente
de funciones
x
dentro de la categora Matemticas y trigonomtricas la funcin
MMULT. Introducimos en las celdas Matriz 1 y Matriz 2 las matrices que queremos
multiplicar. Previamente se seleccionan las celdas donde debe aparecer el producto
buscado (en este caso F4:F5). Aceptamos al mismo tiempo que pulsamos las teclas
Ctrl+Shift, y en las celdas seleccionadas aparecer el producto buscado.

Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
113

Pantalla A.3. Vector fila total o vector C

El producto de las dos matrices aparece en las celdas F4:F5 seleccionadas
previamente y es el vector fila total o vector C.

1,6663
0,3333

El vector fila total hallado C, se divide por el vector de prioridades globales B.
Pantalla A.4.


Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
114

Pantalla A.4. Cociente matrices C/B

El vector D obtenido, se suman sus elementos y se promedia, obtenindose la

max.


2
2
004 . 2 996 . 1
max
=
+
=
Conocido la
max.
Se calcula el ndice de consistencia CI.
0
1
2 2
1
max
=

=
n
n
CI


Y a partir de CI y del valor de la consistencia aleatoria (Tabla A.7) se calcula el
Ratio de Consistencia
Tamao de la matriz (n) 1 2 3 4 5 6 7 8 9 10
Consistencia aleatoria 0,00 0,00 0,52 0,89 1,11 1,25 1,35 1,40 1,45 1,49
Tabla A.7. Valores de la consistencia aleatoria en funcin del tamao de la matriz

0
0
0
= = RC
Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
115
En este caso el RC es 0 ya que la consistencia de una matriz de rango 2 solo
puede ser cero
+8
.
Comprobada la consistencia se pasa a calcular el vector propio de la matriz,
tambin mediante la funcin MMULT. El proceso consiste en multiplicar la matriz
original por ella misma, la matriz resultante se suman las filas y cada elemento de ella
se normaliza por la suma. El vector obtenido es una aproximacin al vector propio
buscado. Se repite el proceso hasta que los cuatro primeros decimales del vector
propio sean iguales al del anterior. En ese momento la aproximacin encontrada es
suficiente.
En nuestro ejemplo la matriz de comparaciones pareadas de las variables la
multiplicamos por ella misma. Pantalla A.5.


Pantalla A.5. Producto de la matriz por si misma

La matriz resultante se suman sus filas y se normaliza por la suma, obtenindose
una aproximacin al vector propio buscado. Pantalla A.6.


48
Aunque el calculo de la consistencia con la matriz (2X2) que habiamos planeado no era necesario, ya
que siempre debe ser cero, no hemos querido obviarlo para no conIundir al lector, ademas que la sencillez
de su calculo sirve de introduccion al metodo. Dentro de este mismo ejemplo veremos el mismo proceso
y con el mismo detalle para una matriz de rango 5.
Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
116

Pantalla A.6. Primera aproximacin al vector propio

Se repite el proceso, esto es la matriz resultante del producto anterior se
multiplica por ella misma, se suman sus filas y se normaliza por la suma, obtenindose
la segunda aproximacin al vector propio. Pantalla A.7.

Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
117


Pantalla A.7. Segunda aproximacin al vector propio

El segundo clculo del vector propio coincide en los cuatro primeros decimales
con el anterior con lo que la aproximacin encontrada ya es suficiente.
El resumen de la consistencia y vector propio calculado se encuentra en la tabla
A.8.


ESTADO
VEGETATIVO
MICROCLIMA
VECTOR
PROPIO
ESTADO
VEGETATIVO
1/1 5/1 0,8333
MICROCLIMA 1/5 1/1 0,1667
CR 0,00%
Tabla A.8 . Matriz de comparaciones pareadas de las variables explicativas,
consistencia y vector propio

Este resultado nos indica que la variable mas importante es el Estado vegetativo
y en una proporcin del 83,33%, mientras que la importancia de la segunda el
Microclima es solo del 16,67%.
El siguiente paso es establecer la Matriz de comparaciones pareadas y sus
vectores propios, de las parcelas en funcin de cada una de las variables explicativas.
Estado vegetativo y microclima.
Planteamos primero la matriz con respecto al estado vegetativo. Tabla A.9.


Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
118
PARCELA 1 PARCELA 2 PARCELA 3 PARCELA 4 PARCELA X
PARCELA 1 1/1 3/1 1/1 1/3 1/1
PARCELA 2 1/1 1/3 1/7 1/3
PARCELA 3 1/1 1/3 1/1
PARCELA 4 1/1 3/1
PARCELA X 1/1
Tabla A.9. Matriz de comparaciones pareadas de las parcelas en funcin del estado
vegetativo

Calculamos su consistencia siguiendo el mismo proceso visto anteriormente..

PARCELA 1 PARCELA 2 PARCELA 3 PARCELA 4 PARCELA X
PARCELA 1 1,0000 3,0000 1,0000 0,3333 1,0000
PARCELA 2 0,3333 1,0000 0,3333 0,1429 0,3333
PARCELA 3 1,0000 3,0000 1,0000 0,3333 1,0000
PARCELA 4 3,0000 7,0000 3,0000 1,0000 3,0000
PARCELA X 1,0000 3,0000 1,0000 0,3333 1,0000
6,3333 17,0000 6,3333 2,1429 6,3333
Tabla A.9. Matriz de comparaciones pareadas de las parcelas en funcin del estado
vegetativo sumadas las columnas

Normalizamos la matriz, sumamos las filas y promediamos, obteniendo el vector
media de sumas o de prioridades globales B. Tabla A.10.

SUMA PROMEDIO
0,1579 0,1765 0,1579 0,1556 0,1579 0,8057 0,1611
0,0526 0,0588 0,0526 0,0667 0,0526 0,2834 0,0567
0,1579 0,1765 0,1579 0,1556 0,1579 0,8057 0,1611
0,4737 0,4118 0,4737 0,4667 0,4737 2,2995 0,4599
0,1579 0,1765 0,1579 0,1556 0,1579 0,8057 0,1611
1 1 1 1 1
Tabla A.10. Clculo del vector media de sumas o de prioridades globales B

Multiplicamos la matriz original por el vector B. Pantalla A.8.

Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
119


Pantalla A.8. Producto de la matriz original por el vector B

El producto de ambas matrices nos da el vector C. Pantalla A.9.


Pantalla A.9. Clculo del vector C
Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
120

Se divide C/B. Tabla A.11.

Matriz C Matriz B Cociente
0,8068 0,1611 5,0065
0,2835 0,0567 5,0024
0,8068 0,1611 5,0065
2,3069 0,4599 5,0162
0,8068 0,1611 5,0065
Tabla A.11. Cociente de C/B

Se calcula
max
, CI y CR.

0076 . 5
5
0065 . 5 0162 . 5 0065 . 5 0024 . 5 0065 . 5
max
=
+ + + +
=

0018 . 0
4
5 0076 . 5
1
max
=

=
n
n
CI



00171 . 0
11 . 1
0018 . 0
= = CR
CR = 0,17%<10%

Comprobada la consistencia de la matriz pasamos a calcular su vector propio,
como ya sabemos mediante MMULT multiplicando la matriz por si misma hasta
encontrar un vector propio que no difiera del anterior en las cuatro primeras cifras
decimales. Pantallas A.10, 11, 12 y 13.

Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
121


Pantalla A.10. Seleccin de MMULT



Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
122
Pantalla A.11. Primera aproximacin al vector propio



Pantalla A.12. Segunda aproximacin al vector propio











Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
123














Pantalla A.13. Tercera y aproximacin al vector propio

En la pantalla A.13 ya se consigue una aproximacin suficiente al vector propio
por lo que no es necesario seguir el proceso
+9
.
En la Tabla A. 12. aparece el resumen de la consistencia y vector propio de la
matriz de comparacin pareada de las parcelas en funcin de a la variable explicativa
estado vegetativo.


PARCELA
1
PARCELA
2
PARCELA
3
PARCELA
4
PARCELA
X
VECTOR
PROPIO
PARCELA
1
1/1 3/1 1/1 1/3 1/1 0,1610
PARCELA
2
1/1 1/3 1/7 1/3 0,0566
PARCELA
3
1/1 1/3 1/1 0,1610
PARCELA
4
1/1 3/1 0,4604
PARCELA
X
1/1 0,1610
CR 0,17%
Tabla A.12. Matriz de comparaciones pareadas de las parcelas en funcin del estado
vegetativo, consistencia y vector propio


49
Normalmente con tres o cuatro aproximaciones se llega al resultado buscado.
Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
124
El mismo proceso se sigue con la matriz de comparacin pareada de las
parcelas en funcin de la variable explicativa microclima. El resumen de la matriz junto
con su ratio de consistencia y su vector propio aparece en la Tabla A.13.


PARCELA
1
PARCELA
2
PARCELA
3
PARCELA
4
PARCELA
X
VECTOR
PROPIO
PARCELA
1
1/1 1/1 1/5 1/1 1/3 0,0876
PARCELA
2
1/1 1/5 1/1 1/3 0,0876
PARCELA
3
1/1 5/1 3/1 0,5007
PARCELA
4
1/1 1/3 0,0876
PARCELA
X
1/1 0,2364
CR 0,90%
Tabla A.13. Matriz de comparaciones pareadas en funcin del microclima,
consistencia y vector propio

Con las ponderaciones obtenidas tanto de las variables como de las parcelas
se calcula la ponderacin final de las parcelas en funcin de las dos variables
utilizadas, mediante el producto de las dos matrices obtenidas como aparece en la
Tabla A.14.

Vectores propios parcelas Ponderacin variables Ponderacin Parcelas
0,1610 0,0876 0,8333 0,1488
0,0566 0,0876 0,1667 0,0618
0,1610 0,5007 0,2176
0,4604 0,0876 0,3983
0,1610 0,2364 0,1736
Tabla A.14. Calculo de las Ponderaciones de las parcelas

Con la ponderacin obtenida y los valores de las parcelas testigo se calculan
los ratios y el ratio medio (Tabla A.15).

VALOR
PARCELAS
PONDERACIN
PARCELAS
RATIOS
4.000 0,1488 26.888
1.600 0,0618 25.904
5.550 0,2176 25.504
Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico
Jerrquico
Nuevos mtodos de valoracin. Modelos multicriterio.
125
9.800 0,3983 24.607
RATIO MEDIO 25.725
Tabla A.15. Clculo de los ratios y del ratio medio

Conocido el ratio medio, el producto de l por la ponderacin de la parcela
a valorar dar el valor buscado.

Valor X = Ratio medio * Peso parcela X = 25.725* 0,1736 = 4.465

El valor de la parcela problema X es de 4.465 , valor que ha sido determinado
teniendo en cuenta todas las variables explicativas elegidas estado vegetativo y
microclima, as como su peso 0,8333 y 0,1667 respectivamente.

Captulo 7. Mtodos de valoracin con informacin cualitativa (II). El Proceso Analtico
Jerrquico agregado
Nuevos mtodos de valoracin. Modelos multicriterio.
127


Captulo 7. Mtodos de valoracin con
informacin cualitativa (II). El Proceso Analtico
Jerrquico agregado
7.1. INTRODUCCIN
Una de las caractersticas interesantes de AHP es que puede ser aplicado de
forma individual o de forma colectiva, en este caso, mediante la utilizacin de grupos
de expertos, grupos que pueden a su vez ser homogneos (por ejemplo en una
valoracin agraria de cierta importancia intervienen varios Ingenieros Agrnomos) o
bien estar formados por subgrupos no homogneos (por ejemplo en una valoracin de
deportistas intervienen distintos grupos, un grupo formado por entrenadores, otro
grupo de ejecutivos y otro de aficionados).
La aplicacin por parte de un solo experto ha sido vista en el capitulo anterior.
En este captulo vamos a desarrollar la utilizacin de AHP cuando intervienen
varios expertos, para ello, en todos los casos, habr que hacer una agregacin de las
distintas preferencias manifestadas, agregacin que es distinta en funcin de la
composicin del grupo, si es homogneo o no.
En el supuesto de tener que agregar preferencias de un grupo homogneo de
expertos utilizaremos la programacin por metas ponderada.
En el caso de varios grupos de expertos, homogneos dentro de cada grupo,
pero no homogneos entre grupos utilizaremos la Programacin por metas ponderada
y la Programacin por metas extendida.
En los puntos siguientes vamos a ver como utilizar cada una de las variantes de
GP dichas anteriormente y despus veremos su aplicacin en dos ejemplos.

7.2 AGREGACIN DE PREFERENCIAS
Hemos dicho en el punto anterior que una de las caractersticas importantes de
AHP es que permite la intervencin en un mismo proceso de valoracin de varios
expertos, caso frecuente en valoraciones de cierta importancia y en valoraciones con
repercusiones de tipo poltico.
Los distintos expertos que pueden intervenir en una valoracin pueden ser de
dos tipos.
Expertos homogneos: Son expertos integrantes de un grupo y que
tienen entre ellos una serie de coincidencias como pueden ser la
formacin, el rea de trabajo profesional, la finalidad de su trabajo etc.
Ejemplos de este tipo de expertos seran: Grupo de economistas
valorando una empresa. Grupo de tcnicos agrcolas valorando una
explotacin agrcola-
Expertos no homogneos: Son aquellos expertos integrantes de un grupo
cuya visin del valor de los activos es distinto, por su formacin, por su
Captulo 7. Mtodos de valoracin con informacin cualitativa (II). El Proceso Analtico
Jerrquico agregado
Nuevos mtodos de valoracin. Modelos multicriterio.
128
estilo de vida etc. Ejemplos de este tipo de expertos seran: Grupo
formado por ingenieros y ecologistas para valorar un espacio
medioambiental. Grupo de economistas y sindicalistas valorando una
empresa pblica.
En los puntos siguientes vamos a desarrollar como llegar a una solucin nica
en una valoracin cuando interviene un grupo de expertos tanto en el caso de grupo
homogneo como no homogneo. Tenemos que llegar a un valor final resultado de la
agregacin de las preferencias de los distintos expertos.

7.2.1.Agregacin de las preferencias de un grupo homogneo de expertos.
La agregacin se puede realizar utilizando la Programacin por metas
ponderadas
50
, aunque tambin algunos autores
51
la realizan mediante la Media
geomtrica.
En ambos mtodos se parte de las preferencias de cada experto puestas de
manifiesto a travs de la correspondiente matriz de comparacin pareada y su vector
propio. Los distintos vectores propios de los distintos expertos es lo que utilizando uno
de los instrumentos dichos anteriormente vamos a agregar de forma que al final se
tenga un nico vector propio o vector de ponderacin fruto del consenso de todos los
expertos.
Mediante la Programacin por metas ponderadas metodologa que vamos a
utilizar en nuestro caso, a partir de las preferencias individualizadas se modeliza dicha
WGP que como se sabe minimiza la suma de las desviaciones a cada uno de los
respectivos pesos, sujeto a las restricciones de que los pesos finales obtenidos se
desven lo mnimo de cada uno de los pesos determinados por cada individuo. El
resultado obtenido normalizado dar los pesos agregados buscados. El modelo es el
siguiente.


siendo:
w
i
s
= Ponderacin de cada experto para cada variable.
n
ij
= Desviaciones negativas a la ponderacin agregada.
p
ij
= Desviaciones positivas a la ponderacin agregada.
w
i
j
= Ponderacin agregada para cada variable.
Para poder realizar el procedimiento de agregacin, como hemos dicho
anteriormente, es necesario contar previamente con las preferencias de los distintos
expertos que intervienen en la valoracin. Esta determinacin de las preferencias
individuales se puede realizar utilizando una encuesta, cuyo contenido se desarrolla en
el punto 6.3 y en el Anexo de este captulo.
Con la informacin de las distintas encuestas se plantearn las correspondientes
matrices de comparacin pareadas, se comprobar su consistencia (en el supuesto de
que no sea suficientemente consistente se mejora siguiendo el procedimiento que se

50
LINARES Y ROMERO (2002).
51
MORENO JIMENEZ (2002), CARDELLS y REYNA (1999)
{ } { } ( ) 1 . 7 , , 1 , , , 1
. .
) (
1 1
m f q i w p n w
a s
p n Min
f
i if if
s
i
q
i
m
f
if if
= + +
+

= =
Captulo 7. Mtodos de valoracin con informacin cualitativa (II). El Proceso Analtico
Jerrquico agregado
Nuevos mtodos de valoracin. Modelos multicriterio.
129
ver en el punto 6.4. de este captulo) y si su consistencia no es suficiente a pesar de
su mejora se elimina. Finalmente, se calculan sus vectores propios, que indican las
ponderaciones de los distintos expertos.

7.2.2. Agregacin de las preferencias de un grupo no homogneo de
expertos.

En algn tipo de valoraciones, puede darse el caso de intervenir en el proceso
de valoracin grupos distintos de valoradores con intereses no coincidentes. Un
ejemplo evidente de este supuesto es la valoracin medioambiental donde cualquier
espacio natural tiene valores distintos para los distintos actores sociales
(Administracin, tcnicos, empresarios, ecologistas etc). Este caso ha sido estudiado
Linares y Romero (2002) y por Cardells y Reyna (1999), y tambin puede abordarse a
travs de una encuesta a los distintos individuos de cada colectivo. Con dicha
encuesta se determina la ponderacin de cada individuo y en este caso la agregacin
se realiza en dos fases, una primera por grupos homogneos mediante la
Programacin por metas ponderadas y posteriormente una segunda de agregacin de
los distintos grupos mediante Programacin por metas extendido, llegndose tambin
al final a una ponderacin social agregada que permite el clculo del valor.

a) Para la agregacin de preferencias de los grupos homogneos, se
plantea el modelo WGP como hemos visto en 6.2.1.
b) Cuando hay que agregar ponderaciones de expertos no homogneos,
con opiniones muy dispares el modelo a utilizar es el de GP extendido. El
modelo para obtener la ponderacin agregada es el siguiente.
( )
{ } { } ( )
( )
( )
( )

= =
=
=
=
=
=
= +
= +
= +
= +
+
+
+ +
q
i
m
f
if if
q
i
m im
q
i
i i
f
i if if
s
i
q
i
m m
q
i
i i
Q
i
i i
Z p n
D p n
D p n
m f q i w p n w
D p n
D p n
a s
p n D
1 1
1
1 1
1
1 1 1
1
1 1
1
1 1
1
0
0
0
2 . 7 , , 1 , , , 1
0 ) (
0 ) (
. .
) ( * 1 Min




Captulo 7. Mtodos de valoracin con informacin cualitativa (II). El Proceso Analtico
Jerrquico agregado
Nuevos mtodos de valoracin. Modelos multicriterio.
130
Siendo:
D = Distancia mxima.
w
i
s
= Ponderacin de cada experto para cada variable.
n
ij
= Desviaciones negativas a la ponderacin agregada.
p
ij
= Desviaciones positivas a la ponderacin agregada.
w
i
j
= Ponderacin agregada para cada variable.
Z = Suma de las desviaciones.
= constante. Segn el valor de esta constante el modelo se transforma
Si = 0 es el modelo GPMINMAX.
Si = 1 es el GP ponderado.
Dando valores intermedios a se obtienen distintas agregaciones. De esta forma
se puede elegir aquella agregacin que mejor se adapte a las circunstancias de la
valoracin.

7.3 ENCUESTA
El diseo de la encuesta debe de ser muy cuidadosa, tanto en el contenido como
en la presentacin, ya que es importante que cada uno de los expertos que intervenga
tenga muy claro el procedimiento a seguir.
La encuesta que se propone (Anexo) debe de tener el siguiente contenido.
Objetivo de la encuesta
Justificacin de la encuesta
Metodologa propuesta
Encuesta propiamente dicha.

7.4 MEJORA DE LA CONSISTENCIA DE LAS MATRICES
En todos los casos de utilizacin de matrices de comparacin (incluido el visto
en el captulo anterior de un solo valorador) puede darse la circunstancia que alguna
de las matrices planteadas no sea consistente, cuando esto sucede se puede mejorar
la consistencia de dos formas.
La primera, como ya se dijo en el captulo 5, siguiendo a Saaty consiste en
clasificar las actividades mediante un orden simple basado en las ponderaciones
obtenidas con la matriz planteada, y desarrollar, teniendo en cuenta el conocimiento
de la categorizacin previa, una segunda matriz de comparacin por pares. En general
la consistencia debe ser mejor.
La segunda forma de mejorar la consistencia es mediante la aplicacin de la
programacin por metas, plantendose el siguiente modelo de Programacin por
metas ponderadas en el cual se exige a cada valor de la variable que cumpla las
restricciones de semejanza, reciprocidad y consistencia.

Captulo 7. Mtodos de valoracin con informacin cualitativa (II). El Proceso Analtico
Jerrquico agregado
Nuevos mtodos de valoracin. Modelos multicriterio.
131
( ) ( )
( )
( ) ( )
( ) ( )
( ) ( )
( )( )
. ,
2 1 , , 2 , 1 , 0
3 . 7 Re 2 / 1 , , 2 , 1 , 1
. , 1 , , 2 , 1 , 0
. .
) ( ) ( ) (
3 3
2 2
1 1
) 3 ( ) 3 ( ) 2 ( ) 2 ( ) 1 ( ) 1 (

f i U w L
ia Consistenc n n n t p n w w w
ciprocidad n n s p n w w
Semefan:a n n l p n m w
a s
p n p n p n Min
if
t t ik fk if
s s fi if
l l if if
s t
t t s s
l
l l

= = +
= = +
= = +
+ + + + +


Siendo:
w
ij
= Nueva ponderacin.
m
ij
= Ponderacin original.
n
l
(1)
= Desviaciones negativas
p
l
(1)
= Desviaciones positivas

El modelo plantea la minimizacin de las distancias sujeto a tres restricciones:
La primera es que los elementos de la matriz consistente sean
semejantes a los de la matriz original.
La segunda es que se cumpla la restriccin de reciprocidad, o sea que la
matriz sea recproca.
La tercera es que se cumpla la condicin de consistencia, que es el
objetivo de la transformacin.
Con el fin de aclarar los conceptos de agregacin y consistencia vistos en este
captulo vamos a ver dos ejemplos.
En el primero Valoracin de deportistas se parte de un grupo homogneo de
expertos y se plantea el supuesto de que una de las matrices no es consistente.
En el segundo Valoracin de un espacio medioambiental, el grupo de expertos
no es homogneo.

7.5 EJEMPLO 1. VALORACIN DE DEPORTISTAS
En este apartado se describe la metodologa para calcular el valor de traspaso
de un deportista (futbolista, baloncestista, etc.) en funcin de la informacin del
mercado de traspasos de dichos deportistas. En el ejemplo se utilizar el Proceso
Analtico Jerrquico, as como la mejora de la consistencia de una matriz y la
agregacin de preferencias.
Dicha valoracin parte de la opinin de distintos expertos en la materia, que
definen sus opiniones a travs de un cuestionario
52
. En este cuestionario los expertos
primero ponderan la importancia de las variables, dentro de un panel de caractersticas
o variables explicativas previamente seleccionadas por el decisor. En la segunda parte

52
En el Anexo se presenta un cuestionario para la aplicacin del Proceso Analtico Jerrquico a la
valoracin agraria. Dicho cuestionario con pequeas adaptaciones bsicamente de denominacin sirve
para cualquier tipo de valoracin.
Captulo 7. Mtodos de valoracin con informacin cualitativa (II). El Proceso Analtico
Jerrquico agregado
Nuevos mtodos de valoracin. Modelos multicriterio.
132
del cuestionario los expertos ponderan los deportistas testigo y el a valorar en funcin
de las variables fijadas.
Finalmente y a partir de la informacin volcada por los expertos y de la
informacin del mercado de traspasos pertinente el comit valorador determina el valor
buscado del deportista a valorar, utilizando como se ha dicho anteriormente el Proceso
Analtico Jerrquico.
El problema planteado es calcular el valor de traspaso de un jugador de ftbol X
que ocupa la posicin de delantero centro.
La informacin de la que se parte es la de la Tabla 7.1 en la que se recoge el
valor del traspaso reciente de 4 jugadores que ocupan la misma posicin en el campo
(delantero centro) que el que se pretende valorar.



JUGADOR VALOR DE TRASPASO (millones )
1 45
2 12
3 15
4 9
X
Tabla 7.1. Valor de traspaso de 4 delanteros centro

Se eligen 6 expertos conocedores del mercado de futbolistas a los que se
plantea en un primer contacto la eleccin de las variables o caractersticas de los
jugadores que en su opinin mas influyen en su precio o valor.
A la vista de las respuestas anteriores el centro decisor elige como variables
explicativas del precio para este tipo de jugador las tres siguientes.

Variable A. Goles por partido.
Variable B. N de aos que le quedan en pleno rendimiento (33-edad)
Variable C. Imagen comercial (capacidad de generar recursos
extradeportivos para el club).
Se presentan estas caractersticas a los expertos y se les somete a una primera
encuesta, cuyo objetivo es determinar la ponderacin de las variables explicativas
elegidas, mediante la notacin de las comparaciones pareadas que aparecen en la
Tabla 7.2. Para comparar se utiliza la escala fundamental para comparacin por pares.






Captulo 7. Mtodos de valoracin con informacin cualitativa (II). El Proceso Analtico
Jerrquico agregado
Nuevos mtodos de valoracin. Modelos multicriterio.
133
COMPARACIN PAREADA NOTACIN
Goles por partido frente a N de aos que le quedan en pleno
rendimiento

Goles por partido frente a Imagen comercial
N de aos que le quedan en pleno rendimiento frente a Imagen
comercial.

Tabla 7.2. Encuesta ponderacin de variables explicativas

Con las contestaciones a esta encuesta se construye la matriz correspondiente y
tras comprobar su consistencia se calcula su vector propio.
Definidas las ponderaciones de las distintas variables explicativas, se pasa a
analizar estas.
De las tres variables seleccionadas, dos son cuantitativas y se puede conocer su
cuantificacin, (Goles por partido y N de aos que le quedan en pleno rendimiento) y
la tercera es cualitativa. De las dos primeras la ponderacin se deduce rpidamente
mediante la normalizacin por la suma, para la tercera variable se necesitar las
matrices de comparacin pareada de los expertos, para ello se les pasara la encuesta
de la Tabla 7.3.

VARIABLE EXPLICATIVA: Imagen comercial
COMPARACIN NOTACIN
JUGADOR 1 frente a JUGADOR 2
JUGADOR 1 frente a JUGADOR 3
JUGADOR 1 frente a JUGADOR 4
JUGADOR 1 frente a JUGADOR X
JUGADOR 2 frente a JUGADOR 3
JUGADOR 2 frente a JUGADOR 4
JUGADOR 2 frente a JUGADOR X
JUGADOR 3 frente a JUGADOR 4
JUGADOR 3 frente a JUGADOR X
JUGADOR 4 frente a JUGADOR X
Tabla 7.3. Encuesta variable explicativa Imagen comercial

Visto el procedimiento se pasa a presentar las distintas matrices elaboradas a
partir de las opiniones de los 6 expertos.
Primero las matrices para ponderar las tres variables explicativas seleccionadas.
Tablas 7.4, 7.5, 7.6, 7.7, 7.8 y 7.9.



Captulo 7. Mtodos de valoracin con informacin cualitativa (II). El Proceso Analtico
Jerrquico agregado
Nuevos mtodos de valoracin. Modelos multicriterio.
134

EXPERTO N 1
Variables
explicativas
A B C VECTOR PROPIO
A 1/1 9/1 7/1 0,7928
B 1/1 1/2 0,0760
C 1/1 0,1312
CR = 2,1%
Tabla 7.4. Experto n 1. Matriz de comparaciones pareadas de las variables
explicativas.

EXPERTO N 2
Variables
explicativas
A B C VECTOR PROPIO
A 1/1 5/1 7/1 0,7396
B 1/1 2/1 0,1666
C 1/1 0,0938
CR = 1,3%
Tabla 7.5. Experto n 2. Matriz de comparaciones pareadas de las variables
explicativas

EXPERTO N 3
Variables
explicativas
A B C VECTOR PROPIO
A 1/1 9/1 7/1 0,7854
B 1/1 1/2 0,0658
C 1/1 0,1458
CR = 2,1%
Tabla 7.6. Experto n 3. Matriz de comparaciones pareadas de las variables
explicativas

EXPERTO N 4
Variables
explicativas
A B C VECTOR PROPIO
A 1/1 5/1 3/1 0,6370
B 1/1 1/3 0,1047
C 1/1 0,2583
CR = 3,7%
Captulo 7. Mtodos de valoracin con informacin cualitativa (II). El Proceso Analtico
Jerrquico agregado
Nuevos mtodos de valoracin. Modelos multicriterio.
135
Tabla 7.7. Experto n 4. Matriz de comparaciones pareadas de las variables
explicativas.

EXPERTO N 5
Variables
explicativas
A B C VECTOR PROPIO
A 1/1 5/1 3/1 0,6370
B 1/1 1/3 0,1047
C 1/1 0,2583
CR = 3,7%
Tabla 7.8. Experto n 5. Matriz de comparaciones pareadas de las variables
explicativas

EXPERTO N 6
Variables
explicativas
A B C VECTOR PROPIO
A 1/1 9/1 7/1 0,7928
B 1/1 1/2 0,0760
C 1/1 0,1320
CR = 2,1%
Tabla 7.9. Experto n 6. Matriz de comparaciones pareadas de las variables
explicativas

Las seis matrices son consistentes, en todas ellas su CR est por debajo del 5%
exigido para las matrices de rango 3.
Pero las comparaciones pareadas no coinciden en todos los casos (salvo la 1 y
la 6 y la 4 y la 5) (Tabla 7.10), por lo que hay que calcular un vector propio resultante
de la agregacin de todos los vectores propios. Se plantea pues el modelo de
Programacin por metas ponderadas para agregacin de preferencias.

Variables explicativas
A B C
Experto 1 0,7928 0,0760 0,1312
Experto 2 0,7396 0,1666 0,0938
Experto 3 0,7854 0,0658 0,1488
Experto 4 0,6370 0,1047 0,2583
Experto 5 0,6370 0,1047 0,2583
Experto 6 0,7928 0,0760 0,1312
Tabla 7.10. Tabla resumen de los vectores propios de las matrices de comparaciones
pareadas de las variables explicativas
Captulo 7. Mtodos de valoracin con informacin cualitativa (II). El Proceso Analtico
Jerrquico agregado
Nuevos mtodos de valoracin. Modelos multicriterio.
136

Se plantea el modelo de agregacin de preferencias.(7.1)

{ } { } m f q i w p n w
a s
p n Min
f
i if if
s
i
q
i
m
f
if if
, , 1 , , , 1
. .
) (
1 1
= + +
+

= =


que en este caso, sera.
; 1312 , 0
; 2583 , 0
; 2583 , 0
; 1488 , 0
; 0938 , 0
; 1312 , 0
; 0760 , 0
; 1047 , 0
; 1047 , 0
; 0658 , 0
; 1666 , 0
; 0760 , 0
; 7928 , 0
; 6370 , 0
; 6370 , 0
; 7854 , 0
; 7396 , 0
; 7928 , 0
. .
;
36 36 3
35 35 3
34 34 3
33 33 3
32 32 3
31 31 3
26 26 2
25 25 2
24 24 2
23 23 2
22 22 2
21 21 2
16 16 1
15 15 1
14 14 1
13 13 1
12 12 1
11 11 1
36 36 35
35 34 34 33 33 32 32 31 31 26 26 25 25 24 24 23 23
22 22 21 21 16 16 15 15 14 14 13 13 12 12 11 11
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
+ +
+ + + + + + + + + + + + + + + + +
+ + + + + + + + + + + + + + + + =
p n w
p n w
p n w
p n w
p n w
p n w
p n w
p n w
p n w
p n w
p n w
p n w
p n w
p n w
p n w
p n w
p n w
p n w
a s
p n p
n p n p n p n p n p n p n p n p n
p n p n p n p n p n p n p n p n Min




Resolviendo el modelo con LINGO el vector propio final es el de la tabla 7.11.


Captulo 7. Mtodos de valoracin con informacin cualitativa (II). El Proceso Analtico
Jerrquico agregado
Nuevos mtodos de valoracin. Modelos multicriterio.
137


Variables Explicativas Peso
A 0,7396
B 0,0760
C 0,1312
Tabla 7.11. Vector propio agregado de las variables explicativas

Definida ya la ponderacin de las variables explicativas, se pasa a la segunda
fase que es calcular los vectores propios de los distintos futbolistas para cada variable
explicativa.
En este caso de las tres variables explicativas dos son cuantitativas (Goles por
partido y el n de aos que le quedan en pleno rendimiento (33-edad)) y pueden
cuantificarse y ponderarse con la informacin que existe en los distintos medios de
informacin deportivos (Tabla 7.12).

JUGADOR
Goles por
partido
Ponderacin
goles por
partido
Aos de
rendimiento
Ponderacin
aos de
rendimiento
1 0,81 0,2988 5 0,2000
2 0,28 0,1032 4 0,1600
3 0,42 0,1540 10 0,4000
4 0,57 0,2103 2 0,0800
X 0,63 0,1600 4 0,1600
Tabla 7.12. Cuantificacin y ponderacin de las variables goles por partido y aos que
le quedan al jugador de pleno rendimiento

La tercera variable Imagen comercial su ponderacin se calcula mediante las
respectivas matrices de comparacin pareada deducidas de la segunda encuesta
planteada a los expertos. Tablas 7.13, 7.14, 7.15, 7.16, 7.17 y 7.18.

Experto n 1
VARIABLE EXPLICATIVA: IMAGEN COMERCIAL
JUGADORES 1 2 3 4 X
1 1/1 9/1 9/1 7/1 3/1
2 1/1 1/3 1/5 1/7
3 1/1 1/2 1/6
4 1/1 1/4
X 1/1
CR = 6,52%
Captulo 7. Mtodos de valoracin con informacin cualitativa (II). El Proceso Analtico
Jerrquico agregado
Nuevos mtodos de valoracin. Modelos multicriterio.
138
Tabla 7.13. Experto n 1 Matriz de comparacin pareada de los futbolistas en funcin
de la imagen comercial

Experto n 2
VARIABLE EXPLICATIVA: IMAGEN COMERCIAL
JUGADORES 1 2 3 4 X
1 1/1 9/1 7/1 5/1 5/1
2 1/1 1/5 1/7 1/7
3 1/1 1/3 1/3
4 1/1 1/1
X 1/1
CR = 7,60%
Tabla 7.14. Experto n 2 Matriz de comparacin pareada de los futbolistas en funcin
de la imagen comercial

Experto n 3
VARIABLE EXPLICATIVA: IMAGEN COMERCIAL
JUGADORES 1 2 3 4 X
1 1/1 9/1 8/1 9/1 5/1
2 1/1 1/3 1/1 1/7
3 1/1 2/1 1/6
4 1/1 1/6
X 1/1
CR = 7,5%
Tabla 7.15. Experto n 3 Matriz de comparacin pareada de los futbolistas en funcin
de la imagen comercial

Experto n 4
VARIABLE EXPLICATIVA: IMAGEN COMERCIAL
JUGADORES 1 2 3 4 X
1 1/1 9/1 9/1 8/1 7/1
2 1/1 1/1 1/3 1/5
3 1/1 1/3 1/5
4 1/1 1/3
X 1/1
CR = 6,8%
Tabla 7.16. Experto n 4. Matriz de comparacin pareada de los futbolistas en funcin
de la imagen comercial
Captulo 7. Mtodos de valoracin con informacin cualitativa (II). El Proceso Analtico
Jerrquico agregado
Nuevos mtodos de valoracin. Modelos multicriterio.
139

Experto n 5
VARIABLE EXPLICATIVA: IMAGEN COMERCIAL
JUGADORES 1 2 3 4 X
1 1/1 9/1 9/1 5/1 5/1
2 1/1 1/1 1/7 1/5
3 1/1 1/7 1/5
4 1/1 1/5
X 1/1
CR = 7,6%
Tabla 7.17. Experto n 5 Matriz de comparacin pareada de los futbolistas en funcin
de la imagen comercial

Experto n 6
VARIABLE EXPLICATIVA: IMAGEN COMERCIAL
JUGADORES 1 2 3 4 X
1 1/1 9/1 7/1 8/1 8/1
2 1/1 1/6 1/7 1/7
3 1/1 1/3 1/3
4 1/1 1/1
X 1/1
CR = 13,89%
Tabla 7.18. Experto n 6 Matriz de comparacin pareada de los futbolistas en funcin
de la imagen comercial

Todas las matrices, salvo la planteada por el Experto n 6 son consistentes (CR
< 10%, consistencia mxima para matrices de rango 5).
La matriz del experto n 6 tiene que mejorar su consistencia para poder ser
utilizada. Se plantea el modelo (7.3).
( ) ( ) ( )
( ) ( )
{ }
( ) ( )
{ }
( ) ( )
{ }
f i para w
ad reciprocid de Condicion s p n w w
ia consistenc de Condicion t p n w w w
semefan:a de Condicion l p n m w
a s
p n p n p n Min
if
s s fi if
t t ik fk if
l l if if
l s t
t t s s l l
, 9
9
1
10 , , 1 1 *
60 , , 1 0 *
20 , , 1 0
. .
2 2
3 3
1 1
20
1
10
1
60
1
) 3 ( ) 3 ( ) 2 ( ) 2 ( ) 1 ( ) 1 (

= +
= +
= +
+ + + + +

= = =



Captulo 7. Mtodos de valoracin con informacin cualitativa (II). El Proceso Analtico
Jerrquico agregado
Nuevos mtodos de valoracin. Modelos multicriterio.
140
Que en este caso, sera.
;
603 603
593 593 583 583 573 573 563 563 553 553 543 543 533
533 523 523 513 513 503 503 493 493 483 483 473 473
463 463 453 453 443 443 433 433 423 423 413 413 403
403 393 393 383 383 373 373 363 363 353 353 343 343
333 333 323 323 313 313 303 303 293 293 283 283 273
273 263 263 253 253 243 243 233 233 223 223 213 213
203 203 193 193 183 183 173 173 163 163 153 153 143 143
133 133 123 123 113 113 103 103 93 93 83 83 73 73
63 63 53 53 43 43 33 33 23 23 13 13 102 102 92
92 82 82 72 72 62 62 52 52 42 42 32 32 22 22
12 12 201 201 191 191 181 181 171 171 161 161 151 151
141 141 131 131 121 121 111 111 101 101 91 91 81 81
71 71 61 61 51 51 41 41 31 31 21 21 11 11
p n
p n p n p n p n p n p n p
n p n p n p n p n p n p n
p n p n p n p n p n p n p
n p n p n p n p n p n p n
p n p n p n p n p n p n p
n p n p n p n p n p n p n
p n p n p n p n p n p n p n
p n p n p n p n p n p n p n
p n p n p n p n p n p n p n p
n p n p n p n p n p n p n p n
p n p n p n p n p n p n p n
p n p n p n p n p n p n p n
p n p n p n p n p n p n p n Min
+
+ + + + + + + + + + + + +
+ + + + + + + + + + + + +
+ + + + + + + + + + + + +
+ + + + + + + + + + + + +
+ + + + + + + + + + + + +
+ + + + + + + + + + + + + +
+ + + + + + + + + + + + +
+ + + + + + + + + + + + + +
+ + + + + + + + + + + + + + +
+ + + + + + + + + + + + + + +
+ + + + + + + + + + + + + +
+ + + + + + + + + + + + + +
+ + + + + + + + + + + + + + =




Captulo 7. Mtodos de valoracin con informacin cualitativa (II). El Proceso Analtico
Jerrquico agregado
Nuevos mtodos de valoracin. Modelos multicriterio.
141
; 0 *
; 0 *
; 0 *
; 0 *
; 0 *
; 0 *
; 0 *
; 0 *
; 0 *
; 0 *
; 0 *
; 0 *
; 0 *
; 1 *
; 1 *
; 1 *
; 1 *
; 0 1
; 0 3
; 0 7
; 0 9
. .
603 603 54 34 53
503 503 51 31 53
493 493 51 21 52
383 383 41 31 44
373 373 41 21 43
263 263 31 41 34
253 253 31 21 32
143 143 21 41 24
133 133 21 31 23
43 43 13 23 12
33 33 12 52 15
23 23 12 42 14
13 13 12 32 13
92 92 53 35
82 82 43 34
22 22 31 13
12 12 21 12
201 201 54
191 191 53
21 21 13
11 11 12
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
p n w w w
p n w w w
p n w w w
p n w w w
p n w w w
p n w w w
p n w w w
p n w w w
p n w w w
p n w w w
p n w w w
p n w w w
p n w w w
ad reciprocid de Condicion
p n w w
p n w w
p n w w
p n w w
ia consistenc de Condicion
p n w
p n w
p n w
p n w
semefan:a de Condicion
a s


Captulo 7. Mtodos de valoracin con informacin cualitativa (II). El Proceso Analtico
Jerrquico agregado
Nuevos mtodos de valoracin. Modelos multicriterio.
142
; 9
9
1
; 9
9
1
; 9
9
1
; 9
9
1
; 9
9
1
; 9
9
1
; 9
9
1
; 9
9
1
; 9
9
1
; 9
9
1
; 9
9
1
55
52
51
42
41
32
31
22
21
12
11











w
w
w
w
w
w
w
w
w
w
w




Resolviendo este modelo con LINGO obtenemos los valores de los distintos w
ij

que permiten construir una matriz consistente Tabla 7.20.










Captulo 7. Mtodos de valoracin con informacin cualitativa (II). El Proceso Analtico
Jerrquico agregado
Nuevos mtodos de valoracin. Modelos multicriterio.
143
Experto n 6
VARIABLE EXPLICATIVA: IMAGEN COMERCIAL
JUGADORES 1 2 3 4 5
1 1/1 9 7 2.33 2.33
2 1/1 0,777 0,259 0,259
3 1/1 1/3 1/3
4 1/1 1/1
5 1/1
CR = 0,00%
Tabla 7.20. Matriz de comparaciones pareadas del experto n 6 con consistencia
corregida

Con todas las matrices ya consistentes se calculan los vectores propios
correspondientes, que son los que aparecen en la Tabla 7.21

VECTORES PROPIOS EN FUNCION DE LA IMAGEN COMERCIAL
Expertos
Jugadores 1 2 3 4 5 6
1 0,5411 0,5649 0,5944 0,6424 0,5667 0,4734
2 0,0322 0,0289 0,0390 0,0419 0,0365 0,0526
3 0,0586 0,0773 0,0734 0,0419 0,0365 0,0677
4 0,0988 0,1644 0,0424 0,0913 0,2324 0,2032
5 0,2692 0,1644 0,2509 0,1825 0,1280 0,2032
Tabla 7.21. Vectores propios de las matrices de comparacin pareada para la variable
explicativa Imagen comercial

Como las ponderaciones de los distintos expertos vara se realiza la agregacin
de las mismas utilizando la programacin por metas como en el caso de las matrices
de las variables explicativas.
Se plantea el modelo ya conocido (7.1).
( )
{ } { } 6 , , 1 , 5 , , 1 0
. .
5
1
6
1
= +
+

=
f i p n a w
a s
p n Min
if if if if
i f
if if

que en este caso, sera.

Captulo 7. Mtodos de valoracin con informacin cualitativa (II). El Proceso Analtico
Jerrquico agregado
Nuevos mtodos de valoracin. Modelos multicriterio.
144
; 2032 , 0
; 1280 , 0
; 1825 , 0
; 2509 , 0
; 1644 , 0
; 2692 , 0
; 2032 , 0
; 2324 , 0
; 0913 , 0
; 0424 , 0
; 1644 , 0
; 0988 , 0
; 0677 , 0
; 0365 , 0
; 0419 , 0
; 0734 , 0
; 0773 , 0
; 0586 , 0
; 0526 , 0
; 0365 , 0
; 0419 , 0
; 0390 , 0
; 0289 , 0
; 0322 , 0
; 4734 , 0
; 5667 , 0
; 6424 , 0
; 5944 , 0
; 5649 , 0
; 5411 , 0
. .
56 56 5
55 55 5
54 54 5
53 53 5
52 52 5
51 51 5
46 46 4
45 45 4
44 44 4
43 43 4
42 42 4
431 41 4
36 36 3
35 35 3
34 34 3
33 33 3
32 32 3
31 31 3
26 26 2
25 25 2
24 24 2
23 23 2
22 22 2
21 21 2
16 16 1
15 15 1
14 14 1
13 13 1
12 12 1
11 11 1
66 66 65
65 64 64 63 63 62 62 61 61 55 54 54 53 53 52 52
51 51 46 46 45 45 44 44 43 43 42 42 41 41 36 36 35
35 34 34 33 33 32 32 31 31 26 26 25 25 24 24 23 23
22 22 21 21 16 16 15 15 14 14 13 13 12 12 11 11
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
= +
+ +
+ + + + + + + + + + + + + + + + +
+ + + + + + + + + + + + + + + + +
+ + + + + + + + + + + + + + + + +
+ + + + + + + + + + + + + + + + =
p n w
p n w
p n w
p n w
p n w
p n w
p n w
p n w
p n w
p n w
p n w
p n w
p n w
p n w
p n w
p n w
p n w
p n w
p n w
p n w
p n w
p n w
p n w
p n w
p n w
p n w
p n w
p n w
p n w
p n w
a s
p n p
n p n p n p n p n n p n p n p n
p n p n p n p n p n p n p n p n p
n p n p n p n p n p n p n p n p n
p n p n p n p n p n p n p n p n Min




Resolviendo con LINGO los pesos agregados son
Captulo 7. Mtodos de valoracin con informacin cualitativa (II). El Proceso Analtico
Jerrquico agregado
Nuevos mtodos de valoracin. Modelos multicriterio.
145
0,5649
0,0365
0,0586
0,0988
0,1825

Despus de este proceso se tiene el vector propio agregado de todos los
jugadores en funcin de la variable cualitativa Imagen comercial y con ello se completa
el clculo de todos los vectores propios de los jugadores con respecto a las tres
variables explicativas (Tabla 7.22).

JUGADOR
Ponderacin goles
partido
Ponderacin aos
rendimiento
Ponderacin Imagen
comercial
A 0.2988 0,2000 0,5649
B 0.1032 0,1600 0,0365
C 0.1540 0,4000 0,0586
D 0.2103 0,0800 0,0988
X 0.2324 0,1600 0,1825
Tabla 7.22. Vectores propios de los jugadores en funcin de las tres variables
explicativas

El producto de la matriz formada por los vectores propios de los jugadores con
respecto a cada variable explicativa por el vector propio de las variables explicativas,
dar la ponderacin de los jugadores en funcin de todas las variables y su peso o
ponderacin. Tabla 7.23

Vectores propios jugadores
Ponderacin
variables
Ponderacin
jugadores
0,2988 0,2000 0,5649 0,7396 0,3103
0,1032 0,1600 0,0365 0,0760 0,0933
0,1540 0,4000 0,0586 0,1312 0,1520
0,2103 0,0800 0,0988 0,1746
0,2324 0,1600 0,1825 0,2080
Tabla 7.23. Producto de matrices para obtener la ponderacin de los jugadores en
funcin de todas las variables explicativas y de su peso o ponderacin

Conocidas las ponderaciones de los jugadores testigo y el valor de su traspaso,
se obtiene el ratio valor traspaso / ponderacin. Tabla 7.24.


Captulo 7. Mtodos de valoracin con informacin cualitativa (II). El Proceso Analtico
Jerrquico agregado
Nuevos mtodos de valoracin. Modelos multicriterio.
146
JUGADOR PONDERACION
VALOR
(millones )

1 0,3103 45
2 0,0933 12
3 0,1520 15
4 0,1746 9 RATIO
SUMA 0,7302 81 110,9361
Tabla 7.24. Ratio valor traspaso / Ponderacin

El producto del ratio obtenido por la ponderacin del jugador X nos dar el valor
buscado.
VALOR X = 110,9 * 0,2080 = 23,7
1


7.5. EJEMPLO 2. VALORACIN DE UN ESPACIO
MEDIOAMBIENTAL
Para desarrollar esta valoracin y con el objetivo de utilizar la Programacin por
metas extendida para la agregacin de preferencias de grupos no homogneos se va
a utilizar un caso inspirado en el planteamiento presentado por Cardells y Salvador en
su libro Manual de Valoracin de rboles y arbustos, pero en el que se han tenido que
cambiar los datos de partida para adaptarlos a las necesidades del ejemplo que no
son otras como ya se ha dicho al principio que el tener que obtener una preferencia
agregada cuando se parte de preferencias de expertos con formacin e intereses muy
encontrados. En este caso se pretende valorar una serie de espacios
medioambientales muy diversos en su hbitat como son Espartizales, Romerales,
Zonas de matorral, Pinar y Encinar. Para esta valoracin se van a utilizar los precios
medios de Cereal y Marjal tomados de las estadsticas del MAPA as como un panel
de expertos estructurado como aparece en la tabla 7.25.

EXPERTO TITULACIN
1 Ingeniero de Montes
2 Ingeniero de Montes
3 Ingeniero de Montes
4 Ingeniero de Montes
5 Ingeniero Agrnomo
6 Ingeniero Agrnomo
7 Ingeniero Agrnomo
8 Ingeniero Agrnomo
9 Ldo. C. Biolgicas
10 Ldo. C. Biolgicas
11 Ldo. C. Biolgicas
Captulo 7. Mtodos de valoracin con informacin cualitativa (II). El Proceso Analtico
Jerrquico agregado
Nuevos mtodos de valoracin. Modelos multicriterio.
147
12 Ldo. C. Biolgicas
Tabla 7.25. Formacin acadmica de los expertos

Se elige esta composicin de expertos con el fin de obtener ponderaciones
distintas por grupos, que estarn definidas por su formacin y su experiencia
profesional.
Planteadas las respectivas matrices de comparacin pareadas a cada experto se
llega a las ponderaciones de la Tabla 7.26

Expertos Cereal Espartizal Romeral Matorral Pinar Encinar Marjal
1 5,2 8,3 9,1 9,4 22,1 38,1 7,8
2 3,1 6,5 12,0 7,1 19,4 45,0 6,9
3 3,5 9,0 8,6 13,0 28,2 28,2 9,5
4 4,8 9,0 10,0 10,2 18,7 35,0 12,3
5 21,3 2,7 2,7 8,1 13,2 18,0 34,0
6 19,4 3,8 4,7 8,2 8,2 22,7 33,0
7 23,7 5,1 8,2 6,0 15,2 16,4 25,4
8 22 6,0 5,1 3,3 12,2 14,4 37,0
9 3,8 12,8 13,3 15,1 17,5 19,2 18,3
10 3,7 13,0 9,2 21,1 10,8 21,1 21,1
11 4,6 9,0 12,0 16,6 15,6 26,5 15,7
12 8,8 7,7 8,8 10,3 20,6 17,4 26,4
Tabla 7.26. Ponderacin de los distintos expertos

La observacin de las ponderaciones pone en evidencia que hay tres grupos
diferenciados de preferencias en funcin de la titulacin. Para la obtencin de una sola
ponderacin se va a utilizar el siguiente procedimiento.
Dentro de cada grupo se obtendr la preferencia agregada utilizando la
Programacin por metas ponderada.
Con las tres ponderaciones agregadas por grupos se obtendr finalmente una
ltima agregacin mediante la Programacin por metas extendida.
Agregacin de preferencias dentro de cada grupo homogneo.

Grupo Ingenieros de montes

Expertos Cereal Espartizal Romeral Matorral Pinar Encinar Marjal
1 5,2 8,3 9,1 9,4 22,1 38,1 7,8
2 3,1 6,5 12,0 7,1 19,4 45,0 6,9
3 3,5 9,0 8,6 13,0 28,2 28,2 9,5
Captulo 7. Mtodos de valoracin con informacin cualitativa (II). El Proceso Analtico
Jerrquico agregado
Nuevos mtodos de valoracin. Modelos multicriterio.
148
4 4,8 9,0 10,0 10,2 18,7 35,0 12,3
Tabla 7.27. Ponderacin de los Ingenieros de montes

Se plantea el modelo ya conocido (7.1).
( )
{ } { }
( )

= =
= =
= +
= +
+
7
1
4
1
7
1
4
1
0
4 , , 1 , 7 , , 1 ; 0
. .
i f
if if
if if fi i
i f
if if
: p n
f i p n a w
a s
p n Min




Se resuelve con LINGO, dando los siguientes resultados
w
1
= 3,5
w
2
= 8,3
w
3
= 10,0
w
4
= 10,2
w
5
= 22,1
w
6
= 38,1
w
7
= 7,8

Grupo de Ingenieros Agrnomos

Expertos Cereal Espartizal Romeral Matorral Pinar Encinar Marjal
5 21,3 2,7 2,7 8,1 13,2 18,0 34,0
6 19,4 3,8 4,7 8,2 8,2 22,7 33,0
7 23,7 5,1 8,2 6,0 15,2 16,4 25,4
8 22 6,0 5,1 3,3 12,2 14,4 37,0
Tabla 7.28. Ponderacin de los Ingenieros Agrnomos

Se plantea el modelo ya conocido (7.1).





Se resuelve con LINGO, dando los siguientes resultados
Captulo 7. Mtodos de valoracin con informacin cualitativa (II). El Proceso Analtico
Jerrquico agregado
Nuevos mtodos de valoracin. Modelos multicriterio.
149
w
1
= 22,0
w
2
= 5,1
w
3
= 5,1
w
4
= 8,1
w
5
= 13,2
w
6
= 16,4
w
7
= 34,0

Grupo de Licenciados en Ciencias Biolgicas

Expertos Cereal Espartizal Romeral Matorral Pinar Encinar Marjal
9 3,8 12,8 13,3 15,1 17,5 19,2 18,3
10 3,7 13,0 9,2 21,1 10,8 21,1 21,1
11 4,6 9,0 12,0 16,6 15,6 26,5 15,7
12 8,8 7,7 8,8 10,3 20,6 17,4 26,4
Tabla 7.29. Ponderacin de los Licenciados en Ciencias Biolgicas

Se plantea el modelo ya conocido (7.1).





Se resuelve con LINGO, dando los siguientes resultados
w
1
= 4,6
w
2
= 9,0
w
3
= 12,0
w
4
= 15,1
w
5
= 15,6
w
6
= 19,2
w
7
= 18,3
Al final de este proceso de agregacin por grupos homogneos se tienen tres
ponderaciones una por cada grupo. Tabla 5.54

Grupo de
Expertos
Cereal Espartizal Romeral Matorral Pinar Encinar Marjal
I. Montes 3,5 8,3 10,0 10,2 22,1 38,1 7,8
I.
22,0 5,1 5,1 8,1 13,2 16,4 34,0
Captulo 7. Mtodos de valoracin con informacin cualitativa (II). El Proceso Analtico
Jerrquico agregado
Nuevos mtodos de valoracin. Modelos multicriterio.
150
Agrnomos
Ldo
Biolgicas
4,6 9,0 12,0 15,1 15,6 19,2 18,3
Tabla 7.30. Ponderacin agregada por grupos

Realizada la agregacin por grupos homogneos resulta an ms evidente que
cada grupo pondera de forma distinta los diferentes espacios ambientales ponderacin
que es el resultado de sus diferentes concepciones del espacio en funcin de sus
distintas formaciones acadmicas.
Para obtener una ultima agregacin se va a utilizar la programacin por metas
extendidas.
Se plantea el siguiente modelo.
( ) ( )
( )
; 0
; 0
; 0
; 0
. .
* * 1
7
1
3
1
7
1
3
1
= +
= +
= +
= +
+ +

= =
= =
i if if
i i
if if
if if if i
if if
i f
if if
D p n
: p n
p n a w
D p n
a s
p n D Min


Desarrollado el modelo en este caso sera.

( )
|
|
.
|

\
|
+ +
+ + + + + + + + + +
+ =
11 11
11 11 11 11 11 11 11 11 11 11
* * 1
p n
p n p n p n p n p n
K D K Min

min=(1-
K)*D+K*(n11+p11+n12+p12+n13+p13+n21+p21+n22+p22+n23+p23+n31+p31+n32+p
32+n33+p33+n41+p41+n42+p42+n43+p43+n51+p51+n52+p52+n53+p53+n61+p61+n
62+p62+n63+p63+n71+p71+n72+p72+n73+p73);

Captulo 7. Mtodos de valoracin con informacin cualitativa (II). El Proceso Analtico
Jerrquico agregado
Nuevos mtodos de valoracin. Modelos multicriterio.
151
( ) ( )
( ) ( )
( ) ( )
( ) ( )
( ) ( )
( ) ( )
( ) ( )
( ) ( )
( ) ( )
( )
( )
( ) ; 0
; 0
; 0
; 0 ; 0
; 0 ; 0
; 0 ; 0
; 0 ; 0
; 0 ; 0
; 0 ; 0
; 0 ; 0
; 0 ; 0
; 0 ; 0
. .
43 43
42 42
41 41
73 73 33 33
72 72 32 32
71 71 31 31
63 63 23 23
62 62 22 22
61 61 21 21
53 53 13 13
52 52 12 12
511 51 11 11
+
+
+
+ +
+ +
+ +
+ +
+ +
+ +
+ +
+ +
+ +
D p n
D p n
D p n
D p n D p n
D p n D p n
D p n D p n
D p n D p n
D p n D p n
D p n D p n
D p n D p n
D p n D p n
D p n D p n
a s


; 6 , 16
; 1 , 8
; 2 , 10
; 3 , 18 ; 0 , 12
; 0 , 34 ; 1 , 5
; 8 , 7 ; 0 , 10
; 2 , 19 ; 8 , 12
; 4 , 16 ; 1 , 5
; 0 , 35 ; 0 , 9
; 5 , 17 ; 6 , 4
; 2 , 13 ; 0 , 22
; 4 , 19 ; 8 , 4
43 43 4
42 42 4
41 41 4
73 73 7 33 33 3
72 72 7 32 32 3
71 71 7 31 31 3
63 63 6 23 23 2
62 62 6 22 22 2
61 61 6 21 21 2
53 53 5 13 13 1
52 52 5 12 12 1
51 51 5 11 11 1
= +
= +
= +
= + = +
= + = +
= + = +
= + = +
= + = +
= + = +
= + = +
= + = +
= + = +
p n w
p n w
p n w
p n w p n w
p n w p n w
p n w p n w
p n w p n w
p n w p n w
p n w p n w
p n w p n w
p n w p n w
p n w p n w


; 0
73 73 72 72 71 71 63 63 62 62 61 61 53 53
52 52 51 51 43 43 42 42 41 41 33 33 32 32
31 31 23 23 22 22 21 21 13 13 12 12 11 11
= + + + + + + + + + + + + +
+ + + + + + + + + + + + + +
+ + + + + + + + + + + + + +
: p n p n p n p n p n p n p n
p n p n p n p n p n p n p n
p n p n p n p n p n p n p n






Captulo 7. Mtodos de valoracin con informacin cualitativa (II). El Proceso Analtico
Jerrquico agregado
Nuevos mtodos de valoracin. Modelos multicriterio.
152
( ) ( )
( ) ( )
( ) ( )
( ) ( )
( ) ( )
( ) ( )
( ) ( )
( ) ( )
( ) ( )
( )
( )
( ) ; 0
; 0
; 0
; 0 ; 0
; 0 ; 0
; 0 ; 0
; 0 ; 0
; 0 ; 0
; 0 ; 0
; 0 ; 0
; 0 ; 0
; 0 ; 0
3 43 43
2 42 42
1 41 41
3 73 73 3 33 33
2 72 72 2 32 32
1 71 71 1 31 31
3 63 63 3 23 23
2 62 62 2 22 22
1 61 61 1 21 21
3 53 53 3 13 13
2 52 52 2 12 12
1 511 51 1 11 11
= +
= +
= +
= + = +
= + = +
= + = +
= + = +
= + = +
= + = +
= + = +
= + = +
= + = +
D p n
D p n
D p n
D p n D p n
D p n D p n
D p n D p n
D p n D p n
D p n D p n
D p n D p n
D p n D p n
D p n D p n
D p n D p n




Se resuelve con LINGO dando valores a . El resultado aparece en las Tablas
7.31, 7.32 y 7.33.

W
1
W
2
W
3
W
4
W
5
W
6
W
7
Z D D
1
D
2
D
3

0 14,9 18,2 18,2 21,2 25,9 29,5 20,9 255,5 13,1 13,1 13,1 13,1
0,1 10,4 3,2 17,8 9,3 21,4 25 20,9 224 13,1 13,1 13,1 5,8
0,2 9,65 3,95 6,95 10,05 20,65 24,25 21,65 218,75 13,85 13,85 12,35 5,05
0,3 9,65 3,95 6,95 10,05 20,65 24,25 21,65 218,75 13,85 13,85 12,35 5,05
0,4 9,65 3,95 6,95 10,05 20,65 24,25 21,65 218,75 13,85 13,85 12,35 5,05
0,5 9,65 3,95 6,95 10,05 20,65 24,25 21,65 218,75 13,85 13,85 12,35 5,05
0,6 9,65 3,95 6,95 10,05 20,65 24,25 21,65 218,75 13,85 13,85 12,35 5,05
0,7 9,65 3,95 6,95 10,05 20,65 24,25 21,65 218,75 13,85 13,85 12,35 5,05
0,8 9,65 3,95 6,95 10,05 20,65 24,25 21,65 218,75 13,85 13,85 12,35 5,05
0,9 9,65 3,95 6,95 10,05 20,65 24,25 21,65 218,75 13,85 13,85 12,35 5,05
1 9,65 3,95 6,95 10,05 20,65 24,25 21,65 218,75 13,85 13,85 12,35 5,05
Tabla 7.31. Ponderacin obtenida por Programacin por metas extendida en funcion
de

W
1
W
2
W
3
W
4
W
5
W
6
W
7
Z D D
1
D
2
D
3

0 14,9 18,2 18,2 21,2 25,9 29,5 20,9 255,5 13,1 13,1 13,1 13,1
0,1 10,4 3,2 17,8 9,3 21,4 25 20,9 224,0 13,1 13,1 13,1 5,8
Captulo 7. Mtodos de valoracin con informacin cualitativa (II). El Proceso Analtico
Jerrquico agregado
Nuevos mtodos de valoracin. Modelos multicriterio.
153
(0,2-1] 9,65 3,95 6,95 10,05 20,65 24,25 21,65 218,7 13,85 13,85 12,35 5,05
Tabla 7.32. Ponderacin por intervalos obtenida por Programacin por metas
extendida en funcion de

Normalizando los valores

W
1
W
2
W
3
W
4
W
5
W
6
W
7
Z D D
1
D
2
D
3

0 0,100 0,122 0,122 0,142 0,174 0,198 0,140 255,5 13,1 13,1 13,1 13,1
0,1 0,096 0,029 0,164 0,086 0,197 0,231 0,193 224,0 13,1 13,1 13,1 5,8
(0,2-
1]
0,099 0,040 0,071 0,103 0,212 0,249 0,222 218,7 13,85 13,85 12,35 5,05
Tabla 7.33. Pesos normalizados por intervalos en funcin del valor de

En este caso se obtienen tres posibles soluciones en funcion del valor de que
se utilice. Este hecho hace muy interesante esta metodologa sobre todo en
valoraciones del tipo que estamos tratando o sea valoraciones con implicaciones de
tipo poltico o social. El centro decisor dispone de distintos valores en funcin de que
colectivo quiere primar en la valoracin.
En el ejemplo propuesto si el decisor opta por la mejor solucin tcnica optara
por los valores del intervalo (0,2 1] ya que es en l donde se obtiene la Z minima
(218,75). Esta solucion contiene la Programacin por metas ponderada ( = 1).
Si el decisor quisiera favorecer la opinin de los Ingenieros de Montes optara
por la solucin = 0,1 en la cual la distancia a la opinin de los Ingenieros de Montes
es menor que en la anterior (13,1 frente a 13,85), aunque aumenta Z y tambin la D
2
y
D
3
.
La solucin = 0 (GPMinmax) no es interesante porque empeora en todo sin
favorecer a ningn grupo.
De las estadsticas del MAPA se obtienen los precios de cereal y marjal en el
ao 2002. Con estos precios y en funcin de la escogida por el decisor se obtienen
en cada caso los ratios Precio / Ponderacin y el ratio medio correspondiente (Tabla
7.34).


Precios MAPA ao
2002 (/Ha)
Ponderacin RATIOS
Cereal 8.211 0.096 85.531
Marjal 18.484 0,193 95.772
RATIO MEDIO 90.651
Tabla 7.34. Clculo del Ratio medio

Multiplicando las ponderaciones de cada uno de los espacios medioambientales
por el ratio medio se obtiene el valor buscado.
Para =(0,1] Tabla 7.35.
Captulo 7. Mtodos de valoracin con informacin cualitativa (II). El Proceso Analtico
Jerrquico agregado
Nuevos mtodos de valoracin. Modelos multicriterio.
154

Espartizal Romeral Matorral Pinar Encinar
Pesos
normalizados
0,029 0,164 0,086 0,197 0,231
VALOR /Ha 2.628 14.866 7.795 17.858 20.940
Tabla 7.35. Valores de los distintos espacios medioambientales para = 0,1

Para =(0,2 1] Tablas 7.36 y 7.37.


Precios MAPA ao
2002 (/Ha)
Ponderacin RATIOS
Cereal 8.211 0.099 82.939
Marjal 18.484 0,222 83.261
RATIO MEDIO 83.100
Tabla 7.36. Clculo del Ratio medio

Espartizal Romeral Matorral Pinar Encinar
Pesos
normalizados
0,040 0,071 0,103 0,212 0,249
VALOR /Ha 3.324 5.900 8.559 17.617 20.691
Tabla 7.37. Valores de los distintos espacios medioambientales para =(0,2)




ANEXO. ENCUESTA PARA DETERMINAR LA PREFERENCIA DE
LOS EXPERTOS

OBJETIVO DE LA ENCUESTA
El objetivo de esta encuesta es llegar a determinar el valor de una finca agrcola.
Para ello se va a utilizar los conocimientos y la experiencia de un grupo de valoradores
entre los que se encuentra usted.
A travs de esta encuesta se le va a pedir su opinin sobre distintas aspectos de
dicha finca, comparndola con otras fincas testigo y utilizando una metodologa que se
explica en el punto 3.
Mediante la agregacin de los resultados obtenidos por las distintos valoradores
consultados se llegar finalmente a un valor final.

Captulo 7. Mtodos de valoracin con informacin cualitativa (II). El Proceso Analtico
Jerrquico agregado
Nuevos mtodos de valoracin. Modelos multicriterio.
155
JUSTIFICACIN DE LA ENCUESTA
Esta metodologa se justifica en aquellos casos como el que nos ocupa en que
no existe una suficiente informacin cuantificada que nos permita aplicar otros
mtodos. La metodologa utilizada con la informacin deducida de la encuesta permite
cuantificar las variables y llegar al clculo de un valor final.

METODOLOGA PROPUESTA
La metodologa propuesta se basa en el mtodo denominado Proceso Analtico
Jerrquico y consiste en obtener unas matrices de comparaciones pareadas utilizando
las comparaciones obtenidas entre distintos elementos.
Para esas comparaciones se utiliza la siguiente escala fundamental de
comparaciones pareadas.

VALOR DEFINICIN Comentarios
1 Igual importancia El criterio A es igual de
importante que el criterio B
3 Importancia moderada La experiencia y el juicio
favorecen ligeramente al
criterio A sobre el B
5 Importancia grande La experiencia y el juicio
favorecen fuertemente al
criterio A sobre el B
7 Importancia muy grande El criterio A es mucho mas
importante que el B
9 Importancia extrema La mayor importancia del
criterio A sobre el B esta
fuera de toda duda
2,4,6 y 8 Valores intermedios entre los anteriores, cuando es
necesario matizar
Recprocos de lo anterior Si el criterio A es de importancia grande frente al criterio B
las notaciones seran las siguientes.
Criterio A frente a criterio B 5/1
Criterio B frente a crierio A 1/5


En la encuesta se le va a pedir que compare utilizando la tabla anterior Primero
las variables explicativas seleccionadas y posteriormente las distintas parcelas o fincas
agrcolas (tanto las testigo como la a valorar o problema) entre si y para cada variable
explicativa.

PROCEDIMIENTO
El procedimiento a seguir ser el siguiente.
Captulo 7. Mtodos de valoracin con informacin cualitativa (II). El Proceso Analtico
Jerrquico agregado
Nuevos mtodos de valoracin. Modelos multicriterio.
156
Primero se le indicaran las variables explicativas seleccionadas para realizar la
valoracin. Estas variables habrn sido determinadas por un estudio previo en el que
se determinaran cuales son las variables mas importantes que influyen en el precio.
Conocidas esas variables se le pide que compare dos a dos utilizando la escala
fundamental vista anteriormente. Supongamos que se trabaje con cuatro variables A,
B, C y D las comparaciones pedidas seran las siguientes

COMPARACION NOTACION
Variable A frente a B
Variable A frente a C
Variable A frente a D
Variable B frente a C
Variable B frente a D
Variable C frente a D

Tenga en cuenta al hacer las comparaciones que las primeras comparaciones
van definiendo las posteriores.
Posteriormente y previa identificacin de la fincas agrcolas testigo y la a valorar
o problema, se le pedir que utilizando el mismo mecanismo compare las fincas o
parcelas agrcolas entre si en funcin de cada una de las variables explicativas.
Supongamos que se utilizan las fincas M, N, O y P como testigos para obtener el valor
de la finca problema X, se le pedir que para cada variable compare las fincas entre si
utilizando tambin la Escala fundamental.

VARIABLE A
COMPARACIONES NOTACION
La Finca M es teniendo en cuenta esta variable con respecto a la N
La Finca M es teniendo en cuenta esta variable con respecto a la O
La Finca M es teniendo en cuenta esta variable con respecto a la P
La Finca M es teniendo en cuenta esta variable con respecto a la X
La Finca N es teniendo en cuenta esta variable con respecto a la O
La Finca N es teniendo en cuenta esta variable con respecto a la P
La Finca N es teniendo en cuenta esta variable con respecto a la X
La Finca O es teniendo en cuenta esta variable con respecto a la P
La Finca O es teniendo en cuenta esta variable con respecto a la X
La Finca O es teniendo en cuenta esta variable con respecto a la X

Las comparaciones entre parcelas se plantean para todas las variables
explicativas utilizadas.

Captulo 7. Mtodos de valoracin con informacin cualitativa (II). El Proceso Analtico
Jerrquico agregado
Nuevos mtodos de valoracin. Modelos multicriterio.
157
ENCUESTA

Las variables explicativas seleccionadas son
Variable 1:
Variable 2:
Variable 3:
Variable 4:
Variable 5:

Las parcelas testigo son

Parcela testigo 1:
Parcela testigo 2:
Parcela testigo 3:
Parcela testigo 4:
Parcela testigo 5:
Parcela testigo 6:

La parcela a valorar



Compare las variables explicativas entre ellas utilizando la Tabla
fundamental
COMPARACION NOTACION
Variable _ frente a _
Variable _ frente a _
Variable _ frente a _
Variable _ frente a _
Variable _ frente a _
Variable _ frente a _

Compare las parcelas entre si en funcin de cada variable utilizando la
tabla fundamental

Captulo 7. Mtodos de valoracin con informacin cualitativa (II). El Proceso Analtico
Jerrquico agregado
Nuevos mtodos de valoracin. Modelos multicriterio.
158
VARIABLE _________
COMPARACIONES NOTACION
La Finca _ es teniendo en cuenta esta variable con respecto a la _
La Finca _ es teniendo en cuenta esta variable con respecto a la _
La Finca _ es teniendo en cuenta esta variable con respecto a la _
La Finca _ es teniendo en cuenta esta variable con respecto a la _




VARIABLE _________
COMPARACIONES NOTACION
La Finca _ es teniendo en cuenta esta variable con respecto a la _
La Finca _ es teniendo en cuenta esta variable con respecto a la _
La Finca _ es teniendo en cuenta esta variable con respecto a la _
La Finca _ es teniendo en cuenta esta variable con respecto a la _




VARIABLE _________
COMPARACIONES NOTACION
La Finca _ es teniendo en cuenta esta variable con respecto a la _
La Finca _ es teniendo en cuenta esta variable con respecto a la _
La Finca _ es teniendo en cuenta esta variable con respecto a la _
La Finca _ es teniendo en cuenta esta variable con respecto a la _




VARIABLE _________
COMPARACIONES NOTACION
La Finca _ es teniendo en cuenta esta variable con respecto a la _
La Finca _ es teniendo en cuenta esta variable con respecto a la _
La Finca _ es teniendo en cuenta esta variable con respecto a la _
Captulo 7. Mtodos de valoracin con informacin cualitativa (II). El Proceso Analtico
Jerrquico agregado
Nuevos mtodos de valoracin. Modelos multicriterio.
159
La Finca _ es teniendo en cuenta esta variable con respecto a la _




VARIABLE _________
COMPARACIONES NOTACION
La Finca _ es teniendo en cuenta esta variable con respecto a la _
La Finca _ es teniendo en cuenta esta variable con respecto a la _
La Finca _ es teniendo en cuenta esta variable con respecto a la _
La Finca _ es teniendo en cuenta esta variable con respecto a la _




______________ a ______ de______________ del 20__

Fdo. __________________________

Captulo 8. Modelos de valoracin compuestos
Nuevos mtodos de valoracin. Modelos multicriterio.
161

Captulo 8. Modelos de valoracin compuestos
8.1. INTRODUCCIN
En captulos anteriores hemos visto como aplicar en valoracin la Programacin
por metas y el AHP, el primero en situaciones en las que se cuenta con informacin
cuantitativa y el segundo cuando la informacin es tan escasa que el experto solo
parte del conocimiento de los precios de los testigos.
En el caso de la aplicacin de AHP uno de los inconvenientes que se le achaca
es la subjetividad del mtodo, en el sentido de que toda la informacin que se utiliza,
salvo los precios de los testigos, es creada por el propio valorador, en este sentido hay
que decir.
1. El mtodo se aplica en situaciones en que el experto no puede conseguir
informacin cuantificada, por lo tanto son valoraciones que no pueden ser
abordadas por ninguna otra metodologa.
2. La informacin es creada o elaborada por el valorador, pero es evidente
que este como experto es capaz de aportar una informacin objetiva al
mtodo.
3. AHP aporta al experto una metodologa que le ayuda a reflexionar de una
forma sistemtica y ordenada con lo que consigue objetivizar al mximo
sus evaluaciones.
4. Hemos visto tambin en el captulo anterior que el mtodo puede ser
utilizado por un grupo de expertos con lo cual el resultado final no ya
depende de un solo valorador sino de la opinin y conocimientos de
varios.
Existe otra posibilidad en el camino de utilizando la filosofa y la metodologa de
AHP ir reduciendo al mximo la dependencia de los conocimientos del experto En esa
lnea en este captulo se presentan dos modelos de valoracin multicriterio que son el
resultado de la utilizacin conjunta de la GP y AHP, dichos modelos los hemos
denominado modelo bietpico y modelo trietpico.

8.2. MODELO MULTICRITERIO BIETPICO
El modelo bietpico resulta de una combinacin de los mtodos AHP y GP, si
bien el primero de ellos no se emplea en su totalidad. En la primera etapa del modelo,
basndose en la filosofa de AHP, se plantea para cada variable explicativa la
correspondiente matriz de comparacin pareada entre los testigos, e incluyendo al
activo a valorar. A partir de cada una de estas matrices se obtiene un vector propio
que ordena y pondera cada uno de los testigos en funcin de la variable explicativa
correspondiente. La informacin obtenida en cuanto a la ponderacin de estos testigos
es la que posteriormente, en la segunda etapa del modelo, es utilizada en la
programacin por metas para conseguir la funcin de determinacin del valor. El
programa lineal de GP es el encargado de definir los coeficientes asociados a cada
una de las variables explicativas, as como el trmino independiente si resultara
distinto de cero.
Captulo 8. Modelos de valoracin compuestos
Nuevos mtodos de valoracin. Modelos multicriterio.
162
El valor del activo problema se consigue sustituyendo, en la funcin obtenida
anteriormente, las ponderaciones de las variables explicativas correspondientes al
activo a valorar.
La utilizacin de GP queda justificada porque nos permite obtener los pesos o
ponderaciones de cada variable explicativa sin tener que realizar las comparaciones
pareadas entre ellas, con lo cual se disminuye la posible subjetividad que se
introducira en el modelo a travs de las opiniones del experto para establecer estas
comparaciones pareadas. Otra posibilidad propia de GP y no contemplada por AHP,
es la de modelizar relaciones no lineales entre variables explicativas y la variable a
explicar
53
.
En las secciones siguientes se desarrollan dos ejemplos de aplicacin del
modelo en una valoracin de un activo agrario y de un inmueble urbano.

8.3. EJEMPLO 1. APLICACIN DEL MODELO BIETPICO A LA
VALORACIN DE UN ACTIVO AGRARIO
El experto se enfrenta a la valoracin de una parcela y la nica informacin
cuantitativa que tiene es el precio por unidad de superficie de cuatro transacciones
recientes de 4 parcelas comparables, como aparece en la Tabla 7.1.
El experto visita las parcelas testigo y problema y basndose en sus
conocimientos agronmicos y de la zona, decide elegir como variables explicativas:
El estado vegetativo: Variable que representa el desarrollo, estado
sanitario y capacidad productiva del mismo.
El microclima. Variable que representa la bondad del entorno del cultivo y
que condiciona su desarrollo favorable.

PARCELAS VALOR (u.m.)
ESTADO
VEGETATIVO
MICROCLIMA
1 4.000
2 1.600
3 5.550
4 9.800
X
Tabla 8.1. Informacin de partida con la que cuenta el experto

ETAPA 1. El primer paso es teniendo en cuenta la Escala fundamental de
comparacin por pares vista en el captulo 5 plantear las matrices de comparacin
pareadas, el clculo de su consistencia y sus vectores propios de las parcelas en

53
En efecto, cuando en AHP se comparan los criterios, el valor asignado a la relacin entre dos
cualesquiera de ellos es fija (lineal), e independiente de los valores concretos que puedan tomar los
testigos en esos criterios. Sin embargo, puede que ese coeficiente dependa de los valores concretos de
los testigos, por lo que no parece que la relacin lineal entre los criterios asumida por AHP tenga por qu
ser la nica concebible.
Captulo 8. Modelos de valoracin compuestos
Nuevos mtodos de valoracin. Modelos multicriterio.
163
funcin de cada una de las variables explicativas, Estado vegetativo (Tablas 8.2 y 8.3),
y microclima (Tablas 8.4 y 8.5).

PARCELA 1 PARCELA 2 PARCELA 3 PARCELA 4 PARCELA X
PARCELA 1 1/1 3/1 1/1 1/3 1/1
PARCELA 2 1/1 1/3 1/7 1/3
PARCELA 3 1/1 1/3 1/1
PARCELA 4 1/1 3/1
PARCELA X 1/1
RC = 0,20%
Tabla 8.2. Matriz de comparaciones pareadas en funcin del estado vegetativo

0,1610
0,0566
0,1610
0,4604
0,1610
Tabla 8.3. Ponderacin de las parcelas en funcin del estado vegetativo.

PARCELA 1 PARCELA 2 PARCELA 3 PARCELA 4
PARCELA
X
PARCELA
1
1/1 1/1 1/5 1/1 1/3
PARCELA
2
1/1 1/5 1/1 1/3
PARCELA
3
1/1 5/1 3/1
PARCELA
4
1/1 1/3
PARCELA
X
1/1
RC = 0,9%
Tabla 8.4. Matriz de comparaciones pareadas en funcin del microclima.





0,0876
Captulo 8. Modelos de valoracin compuestos
Nuevos mtodos de valoracin. Modelos multicriterio.
164
0,0876
0,5007
0,0876
0,2364
Tabla 8.5. Ponderacin de las parcelas en funcin del microclima.

ETAPA 2. Calculadas las ponderaciones de las parcelas en funcin de cada
variable explicativa se pasa a la segunda etapa del modelo que es la aplicacin de GP
a la informacin obtenida.

PARCELAS VALOR (u.m.)
ESTADO
VEGETATIVO
MICROCLIMA
1 4.000 0,1610 0,0876
2 1.600 0,0566 0,0876
3 5.550 0,1610 0,5007
4 9.800 0,4604 0,0876
X 0,1610 0,2364
Tabla 8.6. Ponderacin de las parcelas para cada variable explicativa

A partir de la informacin de la Tabla 8.6, que recoge las ponderaciones de todas
las parcelas para cada variable explicativa y el valor de las parcelas testigo, se plantea
el siguiente modelo.





Se resuelve con LINGO y se obtiene la funcin.
Valor = 73,17 + 20.307,08 * x
1
+ 4.308,74 * x
2
Sustituyendo los valores de la parcela X en la funcin anterior, se obtiene el
valor de esta por unidad de superficie.

Valor X =73,17+20.307,08*0,1610+4.308,74*0,2364 = 4.361 u.m.
;
; 800 . 9 0876 . 0 4604 . 0
; 550 . 5 5007 . 0 1610 . 0
; 600 . 1 0876 . 0 0566 . 0
; 000 . 4 0876 . 0 1610 . 0
. .
;
4 4 3 3 2 2 1 1
4 4 2 1 0 0
3 3 2 1 0 0
2 2 2 1 0 0
1 1 2 1 0 0
4 4 3 3 2 2 1 1
: p n p n p n p n
p n a a a a
p n a a a a
p n a a a a
p n a a a a
a s
p n p n p n p n Min
p n
p n
p n
p n
= + + + + + + +
= + + +
= + + +
= + + +
= + + +
+ + + + + + + =
Captulo 8. Modelos de valoracin compuestos
Nuevos mtodos de valoracin. Modelos multicriterio.
165
z = 279,94
Mediante el modelo bietpico de valoracin se ha obtenido el valor de la unidad
de superficie una parcela X partiendo de variables cualitativas que han sido
cuantificadas en el propio modelo y de forma que el valor obtenido es una funcin de
todas las variables explicativas utilizadas y de la importancia o ponderacin de ellas.
Adems la ponderacin o peso de las variables explicativas se ha deducido
directamente de la informacin de mercado sin intervencin del experto.

8.4. ADECUACIN DEL MODELO
Si aplicamos el ndice de adecuacin conocido a los datos obtenidos:

z = 279,94
z= 9.750 (Tabla 8.7)

Parcelas Valor Diferencias absolutas con solucin naive
1 4.000 1.238
2 1.600 3.638
3 5.550 313
4 9.800 4.563
SUMA 9.750
Tabla 8.7. Diferencias absolutas con el modelo naive

Se obtiene un ndice del 96,12%
13 , 97 100
9750
94 . 279
1 = |
.
|

\
|
=
a
I
Se observa como el alto valor del ndice nos indica una alta adecuacin de la
funcin obtenida.

8.5. EJEMPLO 2. APLICACIN DEL MODELO BIETPICO A LA
VALORACIN DE UN INMUEBLE URBANO
En este ejemplo vamos a plantear el problema de determinar un precio por m
2
de
un inmueble urbano partiendo de una informacin puramente cualitativa. El experto se
enfrenta a la necesidad de determinar dicho precio y solo cuenta con el conocimiento
de 5 transacciones recientes en la misma ciudad de inmuebles parecidos y de los
cuales conoce el precio por m
2
de la transaccin ocurrida recientemente.
Captulo 8. Modelos de valoracin compuestos
Nuevos mtodos de valoracin. Modelos multicriterio.
166
El experto, conocedor de la zona en la que trabaja y basndose en su
experiencia como valorador, decide utilizar como variables explicativas:
La calidad del entorno donde se ubican los edificios, valorndose como
calidad los servicios de todo tipo existentes, la existencia de zonas
verdes, la falta de contaminacin, etc.
La calidad del edificio, entendindose como tal la calidad de los
materiales, la existencia de servicios como ascensor, aire acondicionado,
etc.
Estado de conservacin del edificio, tanto en su fachada como en el
interior.
Veamos cmo se plantea el modelo bietpico para abordar este problema a
partir de la informacin de la Tabla 8.8.

EDIFICIOS
VALOR por
m
2
CALIDAD
ENTORNO
CALIDAD
EDIFICIO
ESTADO DE
CONSERVACIN
1 1.650
2 700
3 1.425
4 1.600
5 3.100
X
Tabla 8.8. Informacin de partida con la que cuenta el experto

ETAPA 1. El primer paso es teniendo en cuenta la Escala fundamental de
comparacin por pares plantear las matrices de comparacin pareadas, el clculo de
su consistencia y sus vectores propios de los inmuebles urbanos en funcin de cada
una de las variables explicativas. Calidad del entorno (Tablas 8.9 y 8.10), Calidad del
edificio (Tablas 8.11 y 8.12) y Estado de conservacin (Tablas 8.13 y 8.14).










EDIFICIO
1
EDIFICIO
2
EDIFICIO
3
EDIFICIO
4
EDIFICIO
5
EDIFICIO
X
EDIFICIO
1
1/1 3/1 3/1 1/3 1/5 1/3
Captulo 8. Modelos de valoracin compuestos
Nuevos mtodos de valoracin. Modelos multicriterio.
167
EDIFICIO
2
1/1 1/1 1/7 1/9 1/7
EDIFICIO
3
1/1 1/7 1/9 1/7
EDIFICIO
4
1/1 1/3 1/1
EDIFICIO
5
1/1 3/1
EDIFICIO
X
1/1
RC = 2,55%
Tabla 8.9. Matriz de comparaciones pareadas en funcin de la Calidad del entorno

0,0825
0,0328
0,0328
0,2069
0,4381
0,2069
Tabla 8.10. Ponderacin de las parcelas en funcin de la Calidad del entorno


EDIFICIO
1
EDIFICIO
2
EDIFICIO
3
EDIFICIO
4
EDIFICIO
5
EDIFICIO
X
EDIFICIO
1
1/1 3/1 1/3 1/1 1/5 1/1
EDIFICIO
2
1/1 1/7 1/3 1/9 1/3
EDIFICIO
3
1/1 3/1 1/3 3/1
EDIFICIO
4
1/1 1/5 1/1
EDIFICIO
X
1/1 5/1
EDIFICIO
X
1/1
RC = 5,98%
Tabla 8.11. Matriz de comparaciones pareadas en funcin de la Calidad del edificio

0,0891
0,0343
Captulo 8. Modelos de valoracin compuestos
Nuevos mtodos de valoracin. Modelos multicriterio.
168
0,2355
0,0891
0,4630
0,0891
Tabla 8.12. Ponderacin de las parcelas en funcin de la Calidad del edificio


EDIFICIO
1
EDIFICIO
2
EDIFICIO
3
EDIFICIO
4
EDIFICIO
5
EDIFICIO
X
EDIFICIO
1
1/1 5/1 3/1 1/1 1/1 3/1
EDIFICIO
2
1/1 1/3 1/5 1/5 1/3
EDIFICIO
3
1/1 1/3 1/3 1/1
EDIFICIO
4
1/1 1/1 3/1
EDIFICIO
X
1/1 3/1
EDIFICIO
X
1/1
RC = 2,07%
Tabla 8.13. Matriz de comparaciones pareadas en funcin de la Calidad del Estado de
conservacin

0,2194
0,0403
0,0820
0,2194
0,2194
0,2194
Tabla 8.14. Ponderacin de las parcelas en funcin de la Calidad del Estado de
conservacin

ETAPA 2. Calculadas las ponderaciones de los inmuebles en funcin de cada
variable explicativa se pasa a la segunda etapa del modelo que es la aplicacin de GP
a la informacin obtenida.


EDIFICIOS VALOR
CALIDAD
ENTORNO
CALIDAD
EDIFICIO
ESTADO
CONSERVACIN
Captulo 8. Modelos de valoracin compuestos
Nuevos mtodos de valoracin. Modelos multicriterio.
169
1 1.650 0,0825 0,0891 0,2194
2 700 0,0328 0,0343 0,0403
3 1.425 0,0328 0,2355 0,0820
4 1.600 0,2069 0,0891 0,2194
5 3.100 0,4381 0,4630 0,2194
X 0,2069 0,0891 0,2194
Tabla 8.15. Precio y ponderacin de los edificios para cada variable explicativa

A partir de la informacin de la Tabla 8.15, que recoge las ponderaciones para
todas las variables explicativas y los precios de los inmuebles, se plantea el siguiente
modelo.







Se resuelve con LINGO y se obtiene la funcin.
Valor = 400,17+ 1.189,64*x
1
+2.746,62 * x
2
+4.133,78 * x
3
z = 197,99
Sustituyendo los valores del inmueble X en la funcin anterior, se obtiene el valor
buscado.

Valor X = 400,17+1.189,64*0,2069+2.746,62 * 0,0891 + 4.133,78* 0,2194 =
1.797 u.m.

Mediante el modelo bietpico de valoracin se ha obtenido el valor de un
inmueble urbano X partiendo de variables cualitativas que han sido cuantificadas en el
propio modelo y de forma que el valor obtenido es una funcin de todas las variables
explicativas significativas utilizadas y de la importancia o ponderacin de ellas.

;
; 100 . 3 2194 . 0 4630 . 0 4381 . 0
; 600 . 1 2194 . 0 0891 . 0 2069 . 0
; 425 . 1 0820 . 0 2355 . 0 0328 . 0
; 700 0403 . 0 0343 . 0 0328 . 0
; 650 . 1 2194 . 0 0891 . 0 0825 . 0
. .
;
5 5 4 4 3 3 2 2 1 1
1 1 3 2 1 0 0
4 4 3 2 1 0 0
3 3 3 2 1 0 0
2 2 3 2 1 0 0
1 1 3 2 1 0 0
5 5 4 4 3 3 2 2 1 1
: p n p n p n p n p n
p n a a a a a
p n a a a a a
p n a a a a a
p n a a a a a
p n a a a a a
a s
p n p n p n p n p n Min
p n
p n
p n
p n
p n
= + + + + + + + + +
= + + + +
= + + + +
= + + + +
= + + + +
= + + + +
+ + + + + + + + + =
Captulo 8. Modelos de valoracin compuestos
Nuevos mtodos de valoracin. Modelos multicriterio.
170
8.6. ADECUACIN DEL MODELO
Si aplicamos el ndice de adecuacin visto en la seccin 2 a la funcin obtenida.
z= 197,99
z= 2.730 (Tabla 8.16)

Parcelas Valor Diferencias absolutas con solucin naive
1 1.650 85
2 700 835
3 1.425 310
4 1.600 135
5 3.100 1.365
SUMA 2.730
Tabla 8.16. Diferencias absolutas con el modelo naive

Siendo el ndice de adecuacin del 92,74%.

74 . 92 100
2730
99 . 197
1 = |
.
|

\
|
=
a
I

8.7. MODELO TRIETPICO MULTICRITERIO DE VALORACIN
Una de las ampliaciones que permite el modelo propuesto es la intervencin de
distintos expertos en la determinacin del valor. Esta caracterstica es interesante
sobre todo para valoraciones de cierta importancia, bien por su importe o por sus
repercusiones sociales, ya que permite llegar a un valor final, resultado no solo de la
apreciacin de un nico valorador sino del consenso de un grupo de ellos.
El procedimiento a seguir en este caso estara compuesto por tres etapas.
ETAPA 1. Coincide con la del modelo bietpico, pero en lugar de ser un nico
experto el que plantea las matrices de comparacin pareada, son varios expertos los
que elaboran por separado el conjunto de matrices, con lo cual al final se tendrn
tantos grupos de vectores propios (en funcin de las distintas variables) como expertos
hayan intervenido. Es lgico pensar que aunque los vectores propios tengan una
estructura de ponderacin similar
5+
no sern exactamente iguales, por lo tanto hay que
llegar a una ponderacin nica agregada de todas las ponderaciones.

54
Este supuesto se da cuando los expertos que intervienen son de formacin, conocimientos e intereses
parecidos; en este caso el mtodo propuesto es el adecuado. Puede darse el caso de que los expertos no
coincidan en los supuestos mencionados, esto suele suceder con frecuencia en valoraciones que van a
influir en decisiones de tipo poltico o con repercusin social y por lo tanto las ponderaciones son bastante
o muy distintas unas de otras. En dicho supuesto la agregacin debe de realizarse utilizando el modelo
extendido de GP (vase Linares y Romero, 2002).
Captulo 8. Modelos de valoracin compuestos
Nuevos mtodos de valoracin. Modelos multicriterio.
171
ETAPA 2. La agregacin de las distintas ponderaciones se realizan utilizando la
Programacin por metas, planteando el siguiente modelo (Linares y Romero, 2002):
( )
{ } { }
f
f
i if if
s
i
q
i
m
f
if if
N k q i
w p n w
t s
p n Min
, , 1 , , , 1
;
. .
;
1 1

= +
+ =

= =
[17]
donde
j
i
w representa el peso otorgado por el experto j al testigo i;
ij
n y
ij
p son
las variables desviacin negativa y positiva, respectivamente, ligadas al testigo i y
experto j;
s
i
w representa el peso consensuado buscado para el testigo i, donde el
suprandice s hace referencia al criterio. Se resolvern tantos modelos GP como
criterios analizados.
ETAPA 3. Situados en este punto se sigue el proceso idntico a la segunda
etapa del modelo bietpico. Esto es, a partir de las preferencias agregadas se plantea
el modelo de GP. Su resolucin proporciona el valor buscado, que en este caso no es
producto de la opinin de un solo experto, sino que es consecuencia del conocimiento
de varios expertos.

8.8. EJEMPLO DE APLICACIN DEL MODELO TRIETPICO
Vamos a utilizar, para mayor comprensin del proceso, el mismo ejemplo del
modelo bietpico, pero en este caso son varios los valoradores que intervienen en
busca de un valor de consenso en funcin de la opinin de todos ellos.
ETAPA 1. Partimos de la misma informacin que en el modelo bietpico, tabla 1,
pero ahora son tres los expertos que van a determinar el valor de la parcela problema.
Se eligen tambin como variables explicativas el Estado vegetativo y el Microclima.
Cada experto plantea sus matrices de comparacin pareadas de las parcelas en
funcin de cada variable explicativa, de las cuales despus de medir su consistencia
se calculan los vectores propios.
Tendremos tres ponderaciones (una por cada experto) de las parcelas para cada
variable explicativa. Tablas 8.17 y 8.17

Parcelas EXPERTO 1 EXPERTO 2 EXPERTO 3
1 0,1610 0,1322 0,1234
2 0,0566 0,0784 0,0440
3 0,1610 0,1322 0,1234
4 0,4604 0,3647 0,3592
x 0,1610 0,2952 0,3501
Tabla 8.17. Ponderaciones de los tres expertos en funcin del Estado vegetativo

Captulo 8. Modelos de valoracin compuestos
Nuevos mtodos de valoracin. Modelos multicriterio.
172
Tenemos que llegar en cada caso a una ponderacin agregada. Planteamos el
modelo de GP.

; 3501 , 0
; 1610 , 0
. .
;
53 53 5
11 11 1
53 53 52 52 51 51 43 43 42 42 41 41 33 33 32 32
31 31 23 23 22 22 21 21 13 32 12 12 11 11
= +
= +
+ + + + + + + + + + + + + + +
+ + + + + + + + + + + + + + =
p n w
p n w
a s
p n p n p n p n p n p n p n p n
p n p n p n p n p n p n p n Min




Resolviendo con LINGO obtenemos el vector de ponderacion agregado.

W = ( 0,1322; 0,0566; 0,1322; 0,3647; 0,3952)
-T


La tabla 8.18 expresa las ponderaciones de los tres expertos para la variable
explicativa microclima.

Parcelas EXPERTO 1 EXPERTO 2 EXPERTO 3
1 0,0876 0,0698 0,0890
2 0,0876 0,1362 0,1715
3 0,5007 0,2788 0,4790
4 0,0876 0,0698 0,0890
x 0,2364 0,4454 0,1715
Tabla 8.18. Ponderaciones de los tres expertos en funcin del microclima

Planteamos el modelo de GP.

; 1715 , 0
; 0876 , 0
. .
;
53 53 5
11 11 1
53 53 52 52 51 51 43 43 42 42 41 41 33 33 32 32
31 31 23 23 22 22 21 21 13 32 12 12 11 11
= +
= +
+ + + + + + + + + + + + + + +
+ + + + + + + + + + + + + + =
p n w
p n w
a s
p n p n p n p n p n p n p n p n
p n p n p n p n p n p n p n Min


Captulo 8. Modelos de valoracin compuestos
Nuevos mtodos de valoracin. Modelos multicriterio.
173


Resolviendo con LINGO obtenemos el vector de ponderacion agregado.

W = ( 0,0876;0,1362;0,4790;0,0876;0,2364)
-T


Con los vectores de ponderacin agregados (Tabla 8.19) finaliza la Etapa 2 del
modelo.

PARCELAS VALOR
ESTADO
VEGETATIVO
MICROCLIMA
1 4.000 0,1610 0,0876
2 1.600 0,0566 0,0876
3 5.550 0,1610 0,5007
4 9.800 0,4604 0,0876
X 0,1610 0,2364
Tabla 8.19. Precio y ponderacin de las parcelas para cada variable explicativa

ETAPA 3. Esta etapa es similar a la dos del modelo bietpico, partiendo de las
ponderaciones agregadas planteamos el modelo de GP con la ponderacin de los
testigos con el fin de obtener la funcin que explica el valor de ellos con las variables
explicativas utilizadas.
; 800 . 9 0876 , 0 * 3647 , 0 *
; 500 . 5 4790 , 0 * 1322 , 0 *
; 600 . 1 1362 , 0 * 0566 , 0 *
; 000 . 4 0876 , 0 * 1322 , 0 *
. .
;
4 4 2 1
3 3 2 1
2 2 2 1
1 1 2 1
4 4 3 3 2 2 1 1
= + +
= + +
= + +
= + +
+ + + + + + + =
p n a a
p n a a
p n a a
p n a a
a s
p n p n p n p n Min


Resolvemos con LINGO y nos da la funcin.

V = 25.825,42 * a1 + 4.354,65 * a2

Si sustituimos los valores de la parcela X en dicha funcin

Vx = 25.825,42 * 0,1610 + 4.354,65 * 0,2364 = 5.187,27
Captulo 8. Modelos de valoracin compuestos
Nuevos mtodos de valoracin. Modelos multicriterio.
174

Valor de la parcela teniendo en cuenta el criterio de tres valoradotes.

Bibliografa I
Nuevos mtodos de valoracin. Modelos multicriterio.
175

BIBLIOGRAFA
VALORACIN.

R. ALONSO y T. !RURETAGOYENA. Casos practicos de valoracin Agraria., 1990.
NAPA. Nadrid.
R. ALONSO, P. AR!AS, y T. !RURETAGOYENA. Un modelo de valoracin para la
determinacin del justiprecio en el procedimiento de expropiacin forzosa.
!nvestigacin Agraria: Economia 6-2:133-1+6, 1991.
R. ALONSO y J. LOZANO. El mtodo de las dos funciones de distribucin: Una
aplicacin a la valoracin de fincas agricolas en las comarcas Centro y Tierra de
Campos (valladolid). Anales del !N!A ,Economia 9:295-325, 1993.
R. ALONSO, T. !RURETAGOYENA, J. LOZANO, y A. Serrano. Los costes de
oportunidad derivados de la posesin e inversin en tierra en los trienios 1983-85.
!nvestigacin Agraria.Economia, 1993.
R. ALONSO y A. Serrano. Los mtodos multicriterio discretos discretos aplicados
a la valoracin agraria. !nvestigacin Agraria.Economia 12, 1993.
R. ALONSO y T. !RURETAGOYENA. valoracin Agraria. Conceptos, mtodos y
aplicaciones., 1995. Nundi-Prensa.
R. ALONSO y D. L. NARTN. Un analisis econmico-financiero de las empresas
agroalimentarias que cotizan en la Bolsa de Nadrid. . !nvestigacin Agraria: Economia,
180:27-+6, 1995.
R. ALONSO, A. SERRANO, y A. v!LLA. Los modelos de comportamiento como
instrumentos para la valoracin de acciones bursatiles. Una aplicacin a las empresas
del sector de alimentacin que cotizan en la Bolsa de Nadrid. !nvestigacin Agraria:
Economia, 12:321-3+2, 1997.
Bibliografa I
Nuevos mtodos de valoracin. Modelos multicriterio.
176
R. ALONSO y A. v!LLA. Un analisis de las empresas del sector de alimentacin
que cotizan en bolsa mediante tcnicas multivariantes. Revista Espanola de Economia
Agraria, 10-1:101-138, 1997.
N. D. ARANGO, v. CABALLER, y !. NOYA. valoracin bursatil de empresas
colombianas. Tecnologia Administrativa Xv-n 3+:13+-158
C. AR!AS. Estimacin del valor del regadio a partir del precio de la tierra.
Rev.Economia Agraria y Recursos Naturales vol. 1:115-123, 2001.
P. AR!AS. Analisis temporal de las ventas y estimacin del valor residual de
tractores en Espana. Revista Espanola de Estudios Agrosociales y Pesqueros 192:195-
222, 2001.
J. AZNAR. valoracin Catastral. Editorial UPv, 2003.
J. AZNAR, J. L. PEREZ-SALAS, y R!BAL J. Practicas de valoracion. Editorial UPv.
2001.
D. AZQUETA y A. FERRE!RO. Analisis econmico y gestin de los recursos
naturales. Ed.Alianza., 199+.
D. AZQUETA. valoracin econmica del medio ambiente: una revisin critica de
los mtodos y sus limitaciones. !nformacin Comercial Espanola, 751:37-+6, 1995.
E. BALLESTERO. Sobre el mtodo analitico de valoracin. . Revista de Estudios
Agrosociales, n 72, 1970.
E. BALLESTERO. valoracin de fincas. ASPA, n 89., 1970.
E. BALLESTERO. Nota sobre un nuevo mtodo rapido de valoracin. . Revista de
Estudios Agrosociales, 85, Octubre-Diciembre:75-78, 1973.
E. BALLESTERO y C. RONERO. !l rischio d'errore nella stima secondo il metodo
sintetico. Rivista del Catasto.Roma, 1992.
Bibliografa I
Nuevos mtodos de valoracin. Modelos multicriterio.
177
E. BALLESTERO y C. RONERO. !l rischio d'errore nella stima secondo il metodo
sintetico. Rivista del Catasto.Roma., 1992.
E. BALLESTERO , C. E. BARTUAL , y N.A. RANOS . Novedades en la Teoria
General de valoracin. Granada, 2003.
CH. H. BARNARD, G. WH!TTAKER, D. WESTENBARGER, y N. AHEARN. Evidence
of Capitalization of Direct Government Payments into U.S. Cropland values. American
Journal ogf Agricultural Economics (79) 5;16+2-1650, 1997.
D.S. B!BLE y Ch. HS!EH . Determinants of vacant Land values y !mplications for
Appraisers. The Appraisal Journal July, 1999.
R. N. BO!SvERT, T. N. SCHN!T, y A. REGN!. Spatial, Productivity, y
Environmental Determinants of Farmland values. American Journal ogf, 1997.
J.L.BERNE, C. FENENA y J. AZNAR. Catastro y valoracin catastral. Editorial
UPv. 200+.
v. CABALLER. Nuevos modelos de valoracin para huertas-solares. Tesis
doctoral. Escuela Tcnica Superior de !ngenieros Agrnomos. valencia., 1972.
v. CABALLER. Una contribucin a los mtodos estadisticos de valoracin y su
aplicacin en el Levante Espanol. Revista Espanola de Estudios Agrosociales y
Pesqueros 85, 1973.
v. CABALLER. Algunas consideraciones criticas al mtodo analitico de valoracin.
ASPA, 123, 197+.
v. CABALLER. Los mtodos sintticos de valoracin. Analisis y posibilidades.
Revista Espanola de Estudios Agrosociales y Pesqueros 88, 197+.
v. CABALLER. El valor objetivo en los mtodos estadisticos de valoracin de
inmovilizados. Revista de Economia Politica 7+, 1976.
v. CABALLER. Ntodos de valoracin de empresas., 199+. Ed. Piramide.
Bibliografa I
Nuevos mtodos de valoracin. Modelos multicriterio.
178
v. CABALLER y !. NOYA. valoracin de empresas espanolas., 1997. Ed. Piramide
v. CABALLER. valoracin agraria. Teoria y Practica., 1998. Ed. Nundi-Prensa.
v. CABALLER y E. BALLESTERO, v. !l metodo delle due beta. Un procedimiento
rapido nella stima dei beni fondiari. Genio Rurale vol.+5, n 6,33-36, 1982.
v. CABALLER y F. v!DAL. Econometric models in palm appraisal. !!! Symposium
international on ornamental palms y other monocots from the tropic.Tenerife., 1997.
v. CABALLER y N. GUADALAJARA. valoracin econmica del agua de riego.,
1998. Ed. Nundi-Prensa
v. CABALLER y !. NOYA. valoracin bursatil de empresas agroalimentarias.
Economia, !nvestigacin agraria vol. 9, n 3,319-3++, 1998.
v. CABALLER. valoracin de arboles., 1999. Ed. Nundi-Prensa
v. CABALLER. valoracin del patrimonio arquitectnico y cultural. Universidad
Politcnica de valencia., 1999.
v. CABALLER y N. GUADALAJARA. La transicin del mercado al no mercado en la
valoracin de bienes medioambientales. v! Seminario UNESCO. 2001.
v. CABALLER, N RANOS, y J. A. RODRGUEZ. El mercado inmobiliario en
Espana., 2001.
v. CABALLER. News trends appraissal land. Revista de Catastro, 2002.
J. CALATRAvA y R. CANERO. valoracin de fincas olivareras de secano mediante
mtodos economtricos. !nvestigacin agraria: produccin y proteccin vegetales vol.
15, n 112,91-10+, 2000.
v. CANPS y J. ARBO!X. Historia de la agricultura catalana., 1969.
Bibliografa I
Nuevos mtodos de valoracin. Modelos multicriterio.
179
J. A CANAS, J. DON!NGO, y NARTNEZ J. A. valoracin de tierras en las
campinas y la Subbtica de la provincia de Crdoba por el mtodo de las funciones de
distribucin. !nvestigacin Agraria: Economia. 9(3):++7-+68, 199+.
J. A. CANAS, J. DON!NGO, y NARTNEZ J. A. Nodelos de valoracin agraria y
tipos de actualizacin para diferentes aprovechamientos en la Campina Cordobesa.
171;191-22+. Revista Espanola de Economia Agraria, 171:191-22+, 1995.
F. CARDELLS y S. REYNA. valoracin AHP de los ecosistemas naturales de la
Comunidad valenciana. Revista valenciana dEstudis Autonomics. 27 2 Trimestre p.
153-177. 1999.
F. CARDELLS y P. SALvADOR . Nanual de valoracin de arboles y arbustos.,
Editorial UPv. 2000.
R. E. COPLEY. The similarities of valuing Real Estate y Bonds, y the diversification
benefits of investing in Real Estate.. The Appraisal Journal:30+-309, 1996.
T. L. CROSS y G. N. Perry. Depreciation Patterns for Agricultural Nachinery.
American Agricultural Economics Association 7:19+-20+, 1995.
S. DEL SAZ. Los mtodos indirectos del coste del viaje y de los precios
hednicos. Una aproximacin. Revista Espanola de Economia Agraria, 179:167-190,
1997.
S. DEL SAZ y C. SUAREZ. El valor del uso recreativo de espacios naturales
protegidos. Aplicacin del mtodo de valoracin contingente al parque natural de
L'Albufera. Revista Espanola de Economia Agraria, 182:239-272, 1998.
L. FENOLLOSA. Estudio del precio de la tierra en la provincia de valencia,
variables que determinan su evolucin,. 1999. Trabajo final de carrera. UPv.
H. C. FR!EDNAN. Real Estate !nvestment y Portfolio Theory. Journal of Financial
y Quantitative Analisis 6:861-87+, 1971.
Bibliografa I
Nuevos mtodos de valoracin. Modelos multicriterio.
180
L. GALLETTO. Un'analisi dei prezzi di alcune macchine agricole. Genio rurale,
6:33-+6, 1987.
J. GARC!A y L. B. GARC!A. Teoria general de la valoracin. Ntodo de las dos
funciones de distribucin, 2003. Unicaja. Fundacin.
T. GARCA DE NENESES. Un modelo analgico para la valoracin catastral.
Anonymous. Anonymous. Revista Espanola de Estudios Agrosociales y Pesqueros
185:105-127, 2000.
J. GARCA, S. CRUZ, y Y. ROSADO. Las funciones de distribucin multivariantes
en la teoria general de valoracin. Anonymous. Anonymous. Actas de la X!v Reunin
Asepelt-Espana, Oviedo (publicacin en CD-Rom).
J. GARCA, S. CRUZ, y L.B. GARC!A . Generalizacin del Ntodo de las dos
funciones de distribucin (NDFD) a familias betas determinadas con los tres valores
habituales. Anonymous. Anonymous. Analisis Seleccin y Control de Proyectos y
valoracin.Servicio de publicaciones de la Universidad de Nurcia .
J. GARCA, S. CRUZ, y A. S. ANDUJAR. !l metodo delle due funzioni di
distribuzione: !l modello triangolare. Una revisione. Genio rurale, 11:3-8, 1999.
J. GARCA, J. E. TR!N!DAD, y J. GONEZ. El mtodo de las dos funciones de
distribucin: la versin trapezoidal. Revista Espanola de Estudios Agrosociales y
Pesqueros:57-80, 1999.
N. GUADALAJARA. Nodelos de coste y oferta del agua subterranea para riego.
Tesis Doctoral.Escuela Tcnica Superior de !ngenieros Agrnomos.Universidad
Politcnica de valencia., 1985.
N. GUADALAJARA y S. Borras. La vida econmica de los ordenadores personales.
v Congreso Nacional de Economia 8:+13-+22, 1995.
N. GUADALAJARA. valoracin agraria. Casos practicos., 1996. Ed. Nundi-Prensa
Bibliografa I
Nuevos mtodos de valoracin. Modelos multicriterio.
181
N. GUADALAJARA. La problematica del valor de la tierra en el impuesto sobre
transmisiones patrimoniales. viticultura y enologia,26-30, 2001.
N. GUADALAJARA. La valoracin agraria y el impuesto sobre Transmisiones
Patrimoniales. ! Congreso Nacional de Fiscalidad de la Agricultura y sus Especialidades
Tributarias., 2001.
N. GUADALAJARA, A. BLASCO, y F. GU!JARRO. valoracin de las obras de arte
pictricas. El caso espanol de pintores contemporaneos en la dcada de los 90. Revista
Europea de Direccin y Economia de la Empresa. 10 n +, 2001.
N. GUADALAJARA, L. FENOLLOSA, y J. R!BAL. Application of econometric models
to estimate the farmland value in Spain by autonomous communities. . 8 Congreso de
la European Real Estate Society, 2001.
N. GUADALAJARA, L. FENOLLOSA, y J. R!BAL. El mercado de la tierra en Espana.
Nodelos economtricos para la estimacin del valor. . !v Congreso Nacional de
Economia Agraria, 2001.
N. GUADALAJARA. valoracin de maquinaria agricola. Revista Espanola de
Estudios Agrosociales y Pesqueros.Pendiente de aceptacin., 2002.
N. GUADALAJARA, P.J. SALvADOR , y F. GONEZ. La dotacin de arboles y de
espacios verdes urbanos, y su relacin con los precios de las viviendas en valencia. 1
Simposio !talo-espanol sobre perspectivas de la investigacin en valoracin
operativa.CeSET-AEvA.Florencia, 2003.
G. L. HAAS. Sales prices as a basis for farmland Appraisal. Ninnesota Agricultural
Experiment Station .Ninneapolis 9, 1922.
L. HANSEN y H. LEE. Estimating farm tractor depreciation: tax implications.
Canadian Journal of Agricultural Economics 39:+63-+79, 2003.
R. HERRERAS PLEGUEZUELO , F PALAC!OS, y E. PREZ. Dos tests estadisticos
para el valor mas probable del PERT clasico. Estudios de Economia
Bibliografa I
Nuevos mtodos de valoracin. Modelos multicriterio.
182
Aplicada.Ed.Department d'Economia de l'Empresa.Universitat de Les !lles Balears.
1:153-159, 199+.
R. HERRERAS PLEGUEZUELO, J. GARCA PREZ, S. CRUZ RANBAUD, y J. N.
HERRERAS vELASCO. !l modelo probabilistico trapezoidale nel metodo delle due
distribucion della teoria generale de valutazioni. Genio Rurale.Estimo e
Terrotorio.Rivista de Scienze Ambientali ANNO LX!v Aprile 2001 n +,3-9, 2001.
R. HERRERAS PLEGUEZUELO, PALAC!OS F., y J. N. HERRERAS vELASCO.
Relaciones entre las familias de distribuciones Beta de varianza constante,
mesocurticas y de tipo Caballer. ! Congreso !nternacional de valoracin y
Tasacin.UPv, 2002.
F. J. H!TZHUSSEN. valoracin econmica medioambiental del uso de la tierra y
crecimiento agrario sostenible. Revista Espanola de Estudios Agrosociales, 168:31-+8,
199+.
H.R. !SAKSON . Using Nultiple Regression Analysis in Real Estate appraisal. The
Appraisal Journal October 2001, 2001.
B. KARSTRON y P. R!ERA. El mtodo de la valoracin contingente. Aplicaciones
al medio rural espanol. Revista Espanola de Economia Agraria, 179:133-136, 1997.
D. G. LEATHAN y T. G. BAKER. Empirical estimates of the effects of inflation on
salvage values, cost y optimal replacement of tractors y combines. North Central
Journal of Agricultural Economics 3 n 2:109-117, 1981.
D. NADD!SON. A hedonic analysis of agricultural land prices in England y Wales.
European Review of Agricultural Economics 27-+:519-532, 2002.
F. NALACARNE y S. D! FAZ!O. Storia dell'Estimo in !talia., 1989. Ed. Edagricole.
Bolonia
!. NARTNEZ BLASCO. Nodelos analgicos de valoracin de bienes inmuebles.
Tesis Doctoral.Escuela Tcnica Superior de !ngenieros Agrnomos.Universidad
Politcnica de valencia., 1996.
Bibliografa I
Nuevos mtodos de valoracin. Modelos multicriterio.
183
R. C. NcNE!LL. Depreciation of farms tractors in British Columbia. Canadian
Journal of Agricultural Economics 27, n 1:53-58, 1979.
G. NED!C!. Estimo Rurale., 1965. Ed. Agricole. Bologna
G. NED!C!. Principi di Estimo., 1977. Ed. Agricole. Bologna
!. N!CH!EL!. Estimo Rurale Civile e Catastale., 1970. Ed. Agricole. Bologna
S. C. N!SSER!. Appunti per una politica delle acque in !talia. . Rev.Politica Agraria
3:59-71, 1971.
R. C N!TCHELL y R. T. CARSON. Using Surveys to value Public Goods. The
Contingent valuation Nethod for the Future:7+-78, 1989.
CH. B. NOSS. Returns, !nterest Rates, y !nflation: How They Explain Changes in
Farmland values. . American Journal ogf Agricultural Economics 79:1311-1318, 1997.
!. NOYA. Nodelos analgico-bursatiles de valoracin de empresas. Tesis
Doctoral.Escuela Tcnica Superior de !ngenieros Agrnomos.Universidad Politcnica de
valencia., 199+.
T. NUSEROS ROv!RA. Tratado de tasacin de tierras y demas objetos del
campo., 1877. Ed. Cuesta. Nadrid
F. PALAC!OS, J. CALLEJON, y J. N. HERRERAS. Fundamentos probabilisticos del
Ntodo de valoracin de las dos distribuciones. Actas de la X!v Reunin Asepelt-
Espana, Oviedo (publicacin en CD-Rom)., 2000.
D. L. PEACOCK y J. R. BRAKE. What is used farm machinery worth?. Nichigan
State University. Agr.Exp.Sta.Res.Rep 109, 1970.
D. W. PEARCE y R. K. TURNER. Economia de los Recursos Naturales y del Nedio
Ambiente., 1995.
Bibliografa I
Nuevos mtodos de valoracin. Modelos multicriterio.
184
G. N. Perry, A. BAYANER, y C. J. N!XON. The effect of usage y size on tractor
depreciation. American Agricultural Economics Association:317-325, 1990.
R. H. PLATTNER y T. J CANPBELL. A study of the effect of water view on site
value. Rev.The Appraisal Journal +6-1:20-25, 1978.
A. POvELLATO. Levita il canone di affitto nel 2000 ma prevale la prudenza per il
futuro. L'!nformatore agrario +8:27-30, 2001.
A. POvELLATTO. Crescita differenziata per i prezzi dei terreni agrari.
L'!nformatore agrario +9:27-30, 2001.
N. RANOS. Avaliacao de um Forte e Convento construido en 1392.. Cuaderno
Brasileiro de Avaliacoes e Pericias 61, 199+.
W. D. RASNUSSEN. Necanizacin de la agricultura. !nvestigacin y Ciencia
7+:25-39, 1982.
D. W. RE!D y G. L. BRADFORD. On optimal replacement of farm tractors.
American Agricultural Economics Association, 326-331, 1983.
J. E. REYNOLDS y A. REGALADO. The Effects of Wetlands y other Factors on
Rural Land values. . The Appraisal Journal April, 2002.
J. E. REYNOLDS. New opportunities for using farmland values in the analysis of
economic issues: discussion. American Journal of Agricultural Economics, 79-5:1665-
1668, 1997.
P. R!ERA. El valor del tiempo de desplazamiento recreativo al campo espanol.
Revista Espanola de Economia Agraria, 179:191-202, 1997.
F. N ROKA y R. B. PALNQU!ST. Examining the Use of National Databases in a
Hedonic Analysis of Regional Farmland values. American Journal ogf Agricultural
Economics 79-5:1651-1656, 1997.
Bibliografa I
Nuevos mtodos de valoracin. Modelos multicriterio.
185
F. N. ROKA y R. B. PALNQU!ST. Examining the use of national databases in a
hedonic analysis of regional farmland values. American Journal of Agricultural
Economics 75:1651-1656, 1997.
C. RONERO. Una extensin del mtodo de valoraciones de tierras de las dos
distribuciones beta. Rev.Economia Politica. 75:+7-62, 1997.
C. RONERO. Economia de los recursos ambientales y naturales., 1997. Alianza
Economia.
C. RONERO. Distributive Equity y Social Efficiency: A note. Journal of Agricultural
Economics 52:110-112, 2001.
C. ROSS!. Rivelazioni e previsioni statistiche nell'Egitto dei Faraoni: !dee in liberta
per un lavoro scolastico interdiciplinare. Progetto Alice, in stampa., 2001.
F. RU!Z ROCHERA. Tasacin de tierras., 1861. Ed. Nartin Nasustegui. Castelln.
J. N. SALES. Nodelos dinamicos de valoracin analgico-bursatil. Aplicacin a la
valoracin de empresas del sector agroalimentario. Anonymous. Anonymous. Tesis
Doctoral. Escuela Tcnica Superior de !ngenieros Agrnomos. Universidad Politcnica
de valencia., 2000.
T. SANT! JUAREZ. valoracin de fincas y predios, 1952. Ed. Dossat. Nadrid.
B. SEGURA. La revalorizacin de la tierra. Evolucin en el periodo 1970-1980 con
especial referencia a la Comunidad valenciana y su utilizacin en los mtodos de
valoracin agraria. Tesis Doctoral.Escuela Tcnica Superior de !ngenieros
Agrnomos.Universidad Politcnica de valencia., 198+.
B. SEGURA. valoracin de empresas. ! Encuentro !talo-Espanol sobre
Perspectivas de la valoracin en !nvestigacin Operativa.Florencia, 1992.
B SEGURA, R GARC!A, y F. v!DAL. Nodelos economtricos de valoracin.
aplicacin a la valoracin fiscal. !nvestigacin Agraria.Produccin y Proteccin
Bibliografa I
Nuevos mtodos de valoracin. Modelos multicriterio.
186
vegetales 13-12:221-2+0, 1998.A. SERP!ER!. La stima dei beni fondiari, 1937. Barbera.
Florencia.
A. TORREJON y BONETA. Teoria y Practica de Tasacin Agricola., 1897. Ed.
Hijos de D. J. Cuesta. Nadrid.
J. vERGARA. valoracin del Nuseo Arqueolgico de Gandia. Una aplicacin del
mtodo del coste del viaje. Tesis de Naster Universitario !nternacional en !ngenieria de
la Tasacin y la valoracin.Universidad Politcnica de valencia., 2001.
A. J. Z!OBROWSK! y R. J. CURC!O. The investment characteristics of real estate
in other countries. The Appraisal Journal:196-205, 1992.
N. Z!ZZO. !l principio di gruppo, 1975. Seminario econmico dell Universita de
Catania.


DECISION MULTICRITERIO

J. AGUARON y J.N. NORENO-J!NENEZ. Local stability intervals in the analytic
hierarchy process. European Journal of Operational Research. 125:113-132, 2000.
J. AGUARON ,N.T. ESCOBAR y J.N. NORENO-J!NENEZ. Consistency stability for
a judgement in AHP decision support systems. European Journal of Operational
Research. 1+5:382-393, 2003.
J. AGUARON y J.N. NORENO-J!NENEZ. The geometric consistency index:
Approximated thresholds. . European Journal of Operational Research 1+7:137-1+5,
2003.
A. S. AL!D!. A multiobjective optimization model for the waste management of
the petrochemical industry. Applied Nathematical Nodelling 20-12:925-933, 2003.
Bibliografa I
Nuevos mtodos de valoracin. Modelos multicriterio.
187
R. ALONSO y A. SERRANO. Los mtodos multicriterio discretos discretos
aplicados a la valoracin agraria. !nvestigacin Agraria.Economia 12, 1993.
K. ARROW y H. RAYNAUD. Opciones sociales y toma de decisiones mediante
criterios multiples, 1989.
J. AZNAR. Calculo del ndice de Calidad mediante el Proceso Analitico
Jerarquico. XX Congreso Panamericano de valuacin. X Congreso Argentino de
valuacin. 2002.
J. AZNAR. El Proceso Analitico Jerarquico. Aplicacin a la valoracin Agraria.
2002. XX Congreso Panamericano de valuacin. X Congreso Argentino de valuacin.
2002.
J. AZNAR y F. GU!JARRO . valoracin por intervalos. v Congreso de Economia
Agraria. Santiago de Compostela. Espana. Septiembre 200+.
J. AZNAR y F. GU!JARRO Nodelos de valoracin en ambiente de incertidumbre.
Revista de Economia Agraria y Recursos naturales. En prensa.
J. AZNAR y F. GU!JARRO . Ntodos de valoracin basados en la programacin
por metas. Nodelo de valoracin restringido. Revista Espanola de Estudios Agrosociales
y Pesqueros. En prensa.
J. AZNAR , F. GU!JARRO y F.J. R!BAL. A multicriterio model for !PO pricing. 35th
Euroworking group of financial modelling. Almeria. Espana. Octubre 200+.
N. A. BADR!. Combining the Analytical Hierarchy Process y goal programming for
global facility location allocation problem. !nternational Journal of Production
Economics 62-3:237-2+8, 2000.
P. BALLB y E. BALLESTERO. Nedidas multicriterio de utilidad y eficiencia para
marcas y modelos de automviles. UPv. 2001.
S. BARBA-RONERO y J. CH. PONEROL. Decisiones multicriterio: Fundamentos
tericos y utilizacin practica.1997. Servicio Publicaciones Universidad de Alcala.
Bibliografa I
Nuevos mtodos de valoracin. Modelos multicriterio.
188
N. BERTONEU y C. RONERO. Nanaging Forest Biodiversity: A Zero-One Goal
Programming Approach. Agricultural Systems 68:197-213, 2001.
N. BERTONEU y C. RONERO. Forest Nanagement Optimisation Nodels y Habitat
Diversity: A Goal Progamming Approach. Journal of the Operational Research Society
53:1175-118+, 2002.
A. BLASCO, F.J. R!BAL y J. A. RODRGUEZ. valoracin de intangibles en las
Sociedades Annimas deportivas en Espana. Jugadores y marcas. ! Congreso
!nternacional de valoracin y Tasacin. UPv. 2002.
N. BOLLJU. Aggregation of Analityc Hierarchy Process models on similarities in
decision makers preferences. European Journal of Operational Research 128:+99-508,
2001.
R.K. BOSE y G. ANANDAL!NGAN. Sustanaible urban energy environment
management with multiple objectives. Energy 21-+:305-318, 1996.
N. BRYSON. A goal programming method for generating priority vectors. Journal
of the Operational Research Society +6-5:6+1-6+8, 1995.
v. CABALLER y J. AZNAR. Netodologia multicriterio aplicada a la valoracin
agraria. Revista Espanola de Estudios Agrosociales y Pesqueros. 200+
v. CHANKONG y Y. Y. HA!NES. Nultiobjectiva Decision Naking: Theory y
Nethodology. Elsevier Science Publishing Co, New York, NY, 1983.
A. CHARNES y W. COOPER. Nanagement Nodels y !ndustrial Applications of
Linear Programming. Jhon Wiley8Sons, New York, 1961.
CH!NG-HSUE CHENG, KUO-LUNG YANG, y CH!A-LUNG HWANG. Evaluating attack
helicopters by AHP based on linguistic variable weight. European Journal of Operational
Research 116-2:+23-+35, 1999.
J. DE NONTGOLF!ER y P. BERT!ER. Approche multicitere des problemes de
decision (in French). Collection Afcet.Editions Hommes et Thecniques, Surenes., 1978.
Bibliografa I
Nuevos mtodos de valoracin. Modelos multicriterio.
189
D. K. DESPOT!S. Fractional minmax goal programming: A unified approach to
priority estimation y preference analysis in NCDN. Journall of the Operational Research
Society +7-8:989-999, 1990.
D. D!AKOULAK!, G. NAvROTAS, y L. PAPAYANNAK!S. Objective weights of
criteria for interfirm comparisons. 36 Journes du groupe europen Aide Nulticritre a
la Dcision, Luxembourg., 1992.
L. D!AZ-BALTE!RO y C. RONERO. Combined Use Goal programming y the
Analytic Hierarchy Process in Forest Nanagement. Analytic Hierarchy Process(AHP) for
Natural Resource y Environmental Decision Naking.(Editores: D.L.Schmoldt, J.Kangas,
G.Nendoza y N.Pesonen), Kluwer Academic Publishers, 2001, Capitulo 6:81-95, 2003.
L. D!AZ-BALTE!RO y C. RONERO. Forest Nanagement Optimisation models when
Carbon captured is Considered: a Goal Programming Approach. Forest Ecology y
Nanagement 2:+89-500, 2003.
N. EHRGOTT y X. GAND!BLEUX. Nultiple criteria optimization: State of the art
annotated bibliographic surveys, BostonfDordrechtfLondon:2003.
N.T. ESCOBAR y J.N. NORENO-J!NENEZ. Problemas de gran tamano en el
Proceso Analitico Jerarquico. Estudios de Economia Aplicada. 8:25-+0, 1997.
N.T. ESCOBAR y J.N. NORENO-J!NENEZ . Reciprocal distributions in the Analytic
Hierarchy Process . European Journal of Operational Research 123:15+-17+, 2000.
N.T. ESCOBAR y J.N. NORENO-J!NENEZ . A linkage between the Analytic
Hierarchy Process y de Compromise Programming Nodels. Omega 30:359-365, 2002.
F. X. FRE! y T. HARKER. Neasuring aggregate process performance using AHP.
European Journal of Operational Research 116-2:+36-++2, 1999.
S.!. GASS. y S.!.GASS. The Analytic Hierarchy Process. An exposition.
Operations Reseach. +9:+69-+86, 2001.
Bibliografa I
Nuevos mtodos de valoracin. Modelos multicriterio.
190
A. GEOFFR!ON, J. DYER, y A. FE!NBERG. An interactiva approach for
multicriterion optimization,with an application to the operation of an academic
departament. Nanagement Science 19-+:357-368, 1972.
J. GONZALEZ-PACHON y C. RONERO. Aggregation of Partial rankings:An interval
Goal Programming Approach. Computers y Operations Research 28:827-83+, 2001.
J. GONZALEZ-PACHON y C. RONERO. Transitive approximation to pairwise
comparison matrices by using interval goal programming. Journal of the Operational
Research Society:1-7, 2003.
J. GONZALEZ-PACHON y C. RONERO. A meted for dealing with inconsistencies
in pairwise comparisons. European Journal of Operational Research . 2003.
A. GOPFER y R. NEHSE. vektoroptimierung . B.G.Teubner, Leipzig, 1990.
L. A. GUERRAS NARTN. Gestin de empresas y programacin multicriterio.
1989. ES!C editorial
L HURW!CZ. Programming in linear spaces. Studies in Linear y Nonlinear
Programming.K.J.Arrow, L Hurwics y H.Uzawa editors.Stanford University Press,
Stanford.:38-102, 1958.
C. L. HWANG y A. S. N. NASUD. Nultiple Objective Decision Naking-Nethods y
Applications. Lecture Notes in Economics y Nathematical Systems, Springer-verlag,
Berlin 16+, 1979.
J. P. !GN!Z!O. Goal Programming y extensions. Heath (Lexington Books)
Lexington, NA., 1976.
J.P. !GN!Z!O y C. RONERO Goal Programming, 2003. Encyclopedia of
!nformation Systems (Editor: Hossein Bigdoli) Academic Press.
H. !SERNANN. Lineare vektoroptimierung (in German). Ph thesis, Universitat
Regensburg, 197+.
Bibliografa I
Nuevos mtodos de valoracin. Modelos multicriterio.
191
R. !SLAN, R. P. B!SWAL, y S. S. ALAN. Preference programming y inconsistent
interval judgments. European Journal of Operational Research 97-1:53-62, 1997.
T. C. KOOPNANS. Analysis of production as an efficiente conbination of activities.
Activity Analysis of Production y Allocation in Cowless Commission Nonographs.Jhon
Wiley8Sons, New York 13:33-97, 1951.
H. W. KUHN y A. W. TUCKER. Nonlinear programming. Proceedings of the
second Berkeley Simposium on Nathematical Statistics y Probability.J.Neyman
editor.University of California Press, Berkeley:+81-+92, 1951.
C. W. LEE y N. K. KWAK. !nformation resource planning for a health-care system
using an AHP-based goal programming approach. Journal of the Operational Research
Society 50-12:1191-1198, 1999.
N. LEE, H. PHAN, y X. ZHANG. A methodology for priority setting with application
to software development process. European Journal of Operational Research 118-
2:375-389, 1999.
S. N. LEE. Goal Programming for Decision Analysis. Auerbach Publications,
Philadel phia, PA, 1972.
P. L!NARES y C. RONERO. Aggregation of preferences in an environmental
economics context: a goal programming approach. vol 30 pp. 89-95. Omega 30:89-
95, 2002.
J.N. NORENO-J!NENEZ, J. AGUARON, F. CANO, y N.T. ESCOBAR. validez,
robustez y estabilidad en decisin multicriterio. Analisis de sensibilidad en el Proceso
Analitico Jerarquico. Revista de la Academia de Ciencias Exactas, Fisicas y Naturales
+:387-397, 1998.
J.N. NORENO-J!NENEZ, J. AGUARON, N.T. ESCOBAR y A. TURON. Nulticriteria
procedural rationality on S!SDENA. European Journal of Operational Research.
119:388-+03, 1999.
Bibliografa I
Nuevos mtodos de valoracin. Modelos multicriterio.
192
J.N. NORENO-J!NENEZ y N.T. ESCOBAR. El pesar en el proceso analitico
jerarquico. Estudios de Economia Aplicada 1+:95-115, 2000.
J.N. NORENO-J!NENEZ. El Proceso Analitico Jerarquico. Fundamentos,
metodologia y aplicaciones. RECTA.Nonografico 1, 2002.
W. OSSADN!K y O. LANGE. AHP-based evaluation of AHP software. European
Journal of Operational Research 118:578-588, 1999.
F. Y. PARTOv!, J. BURTON, y A. BANERJE. Application of Analytic Hierarchy
Process in operations manegement. !nternational Journal of Operations y Production
Nanagement 10-3:5-19, 1989.
R. RANANATHAN. A note on the use of goal programming for the multiplicativa
AHP. Journal of Nulti-criteria Decision Analysis 6-5:296-307, 1997.
R. RANANATHAN y L. S. GANESH. A multiobjective evaluation of energy
alternatives for water pumping in urban households. Energy Sources 17-2:223-239,
2003.
C. RONERO. Teoria de la decisin multicriterio: Conceptos, tcnicas y
aplicaciones., 1993. Alianza Universidad Textos.
C. RONERO. Extended Lexicographic Goal Programming: A Unifying Approach.
Omega, The !nternational Journal of Nanagement Science 68:63-71, 2001.
C. RONERO. Extended Lexicographic Goal Programming: A Unifying Approach.
Omega, The !nternational Journal of Nanagement Science 68:63-71, 2001.
C. RONERO. Distributive Equity y Social Efficiency: A note. Journal of Agricultural
Economics 52:110-112, 2001.
C. RONERO. A general Structure of Achieviment Nodel for a Goal Programming
Nodel. European Journal of Operational Research., 2003.
Bibliografa I
Nuevos mtodos de valoracin. Modelos multicriterio.
193
B. ROY. Classement et choix en presence de points de vue multiples, le methode
ELECTRE (in French). R.A.!.R.O.Reveu Francaise d!nformatique et de Recherche
Oprationnelle 2-8:57-75, 1968.
T. SAATY. The Analytic Hierarchy Process. 1980. RWS Publications
T. SAATY. Nulticriterio Decisin Naking-The Analytic Hierarchy Process., 1992.
RWS Publications.
T. SAATY. Fundamentals of decision making y priority theoriy with tyhe Analytic
Hierarchy Process., 199+.
T. SAATY . Toma de decisiones para lideres., 1995.RWS Publications.
T. SAATY. Basic theory of de Analytic Hierarchy Process: How to make a
decisin. Revista de la Academia de Ciencias Exactas, Fisicas y Naturales +:395-+23,
1999.
Y. SAWARAG!, H NAKAYANA, y T. TAN!NO. Theory Nultiobjetive Optimization.
Academic Press, Orlando, FL., 1985.
J. D. SCHAFFER. Nultiple objective optimization with vector Evaluated genetic
Algorithms. Ph thesis, vanderbilt University, Nashville, TN, 198+.
A. SCHARL!G. Dcider sur plusieurs critres. Panorama de laide a la dcision
multicritre. Collection Diriger LEntreprise.Presses Polythechniques Romandes,
Lausanne, 1985.
N. J. SCHN!EDERJANS y R. L. W!LSON. Using the Analytic Hierarchy Process y
goal programming for information system project selection. !nformation y
Nanagement 20-5:333-3+2, 1991.
C. E. SHANNON y W WEAvER. The mathematical Theory of communication,
19+9.
Bibliografa I
Nuevos mtodos de valoracin. Modelos multicriterio.
194
H. S!NON. A Behavioral Nodel of Rational Choice. Quaterly Journal of Economics
69:99-118, 1955.
R. E. STEUER. Nultiple Criteria Optimization: Theory, Computation y Application.
Jhon Wiley8Sons, New York, 1985.
R. E. STEUER, R. GARD!NER, y J. GRAY. A bibliographic survey of the activities y
international nature of multicriteria decision making. Journal of Nulti-criteria Decision
Analysis 5:195-217, 1996.
N. TABUCANON. Nultiple Criteria Decision Naking in !ndustry. Studies in
Production y Engineering Economics, Elsevier Science, Amsterdam 8, 1988.
C. Y. TAN y v. N. R. TUNNALA. An Aplplication of the AHP in vendos selection of
telecommunications system. Omega 29:171-182, 2001.
R. C. vAN DER HORNET y F. A. LOOTSNA. Group preference aggregation in the
multiplicative AHP. European Journal of Operational Research 96-2:363-370, 1997.
P. v!NCKE. Laide multicritre a la decision. Collection Statistique et
Nathmatiques Appliques.Editions de lUniversit de Bruxelles, Bruxelles, 1989.
Y. Y. Y!N y S. J. COHEN . !dentifying regional goals y policy concerns associated
with global climate change. Gloval Environmental Change-Human y Policy Dimensions
+-3:2+5-260, 199+.
N. ZELENY. Linear Nultiobjetive Programming. Lecture Notes in Economics y
Nathematical Systems, Springer-verlag, Berlin 95, 197+.
N. ZELENY. Nultiple Criteria Decision Naking, 1982. Nc Graw Hill, New York, NY
Z. Y. ZHOU, S. W. CHENG, y B. HUA. Supply chain optimization of continuous
process industries with sustainability considerations. Computers y Chemical
Engineering 2+-2-7:1151-1158, 2000.