1.

TOPSIS

A diario se nos plantean situaciones en las que tenemos que tomar decisiones, y esto a
menudo lo realizamos de forma automática, pero cuando nos movemos en el mundo
empresarial necesitamos apoyarnos en modelos matemáticos de decisión, así cuando
contamos con varios criterios nos estaremos apoyando en los modelos de decisión
multicriterio (MCDM) (Chen et al. 1992; Hwang y Yoon, 1981). Estos modelos pueden
ayudar a mejorar la calidad de las decisiones haciendo el proceso de la toma de decisión
más racional y eficiente.

El típico problema de MCDM consiste en la tarea de ordenar determinadas alternativas Ai,

simultáneamente bajo unas determinadas características. Normalmente esto se lleva a
cabo mediante una matriz de decisión que contiene las valoraciones de las alternativas X =
[xij].

Uno de estos métodos de decisión es la “Technique for Order Performance by Similarity to

Ideal Solution” (TOPSIS) (Chen et al. 1992). Este método es empleado porque su lógica es
racional y entendible, el proceso es sencillo y estructurado en un algoritmo, permitiendo la
búsqueda de las mejores alternativas para cada criterio con una fórmula matemática
sencilla en el que en el proceso de cálculo se tienen en cuenta los valores de los pesos de
cada criterio, así como si el criterio es un coste o una ganancia.

A pasar de todo esto, TOPSIS presenta ciertos inconvenientes. Uno de ellos es el fenómeno
del orden inverso (Barzilai y Golany, 1994; Dyer, 1990). En este fenómeno el orden de las
alternativas cambia cuando una alternativa es añadida o eliminada del problema de
decisión. En algunos casos, podría llegar a darse el orden inverso total, donde el orden de
las preferencias es invertido totalmente, es decir, que la alternativa que se consideraba la
mejor, con la inclusión o la eliminación de alguna alternativa, se convierte en la peor. Este
fenómeno, en la mayoría de los casos, no es aceptable. Wang y Luo ya estudiaron el orden
inverso en TOPSIS (Wang y Luo, 2009), pero no aportaron ninguna solución al respecto.

Las principales causas del orden inverso en TOPSIS son debidas al cálculo de la norma y
a la elección de la solución ideal positiva y la solución ideal negativa. En el artículo García-
Cascales et al. (2011) se propone una variación en TOPSIS para evitar el orden inverso
con datos crisp, tal y como lo hizo Saaty con el método Analytic Hierarchy Process (AHP)
(Saaty y Vargas, 1984), proponiendo una nueva fórmula para la norma y un nuevo cálculo
para la solución ideal positiva y la solución ideal negativa.

TOPSIS es un método de decisión multicriterio de selección de alternativas que fue

propuesto por Saaty en 1980 (Saaty, 1980) y está basado en la idea de que un problema
de toma de decisión con criterios múltiples, se puede resolver mediante la jerarquización
del problema planteado.

El método TOPSIS se debe a Hwang y Yoon (1981) y afronta el problema de establecer un

orden en las alternativas utilizando la idea de distancia a la alternativa ideal y a la alternativa
anti-ideal.

Sean las alternativas Ai, i = 1, 2 …, m, los criterios Cj, j=1, 2, …, n, los pesos de los criterios
wj y una matriz de decisión con xij = Uj(Ai), i,j. Donde U es la función utilidad del decisor,
operando sobre la base de que todos los criterios sean a maximizar/minimizar según se
estén considerando ganancias o costos, respectivamente.

Se denomina punto ideal positivo en ℜn al punto A+, siendo la mejor opción posible, y A-,
la solución ideal negativa en ℜn, siendo la peor opción posible. Un decisor racional siempre
elegiría A+, y si este valor no se correspondiera con alguna de las alternativas, elegiría
aquella que estuviera más cercana a ella.

El algoritmo sigue los siguientes pasos:

- Construcción de la matriz de decisión: Partiendo de m alternativas Ai, i=1, 2 …, m

que serán evaluadas a partir de los criterios Cj, j=1, 2 …, n se obtiene la siguiente
matriz de decisión:

Tabla 3. Matriz de decisión

w1 w2 … wn
C1 C2 … Cn
A1 x11 x12 … x1n
A2 x21 x22 … x2n
… … … … …
xm xm … xm
Am 1 2 n

donde xij representa la valoración de la alternativa Ai con respecto al criterio Cj y, W = [w1,

w2 …, wn] es el vector de pesos asociado a los criterios.
 - Normalización de la matriz de decisión: Los elementos de la matriz de decisión
pueden no estar definidos en el mismo dominio y por ello han de ser normalizados.
La norma que se usa estará dada por la expresión (3):

(3)

- Construcción de la matriz de decisión normalizada ponderada: Los elementos de la

matriz de decisión normalizada ponderada V se calcularán con la expresión (4):

Vwj nij, j n, i m (4)

donde wj es el peso asociado a cada criterio.

- Obtención de la solución ideal positiva (PIS) y la solución ideal negativa (NIS): Los
valores ideales positivos y negativos (A+ y A-) se determinan mediante las
expresiones (5) y (6), respectivamente:

donde J está asociado con los criterios de beneficio y J’ está asociado a criterios de coste.

- Cálculo de las medidas de distancia: la distancia de cada alternativa a la solución

ideal positiva, d+, y a la solución ideal negativa, d-, está dada por (7) y (8)
respectivamente:
 - Cálculo de la proximidad relativa a la solución ideal: la proximidad relativa Ri a la
solución ideal positiva se calculará mediante la expresión (9):

De forma que cuanto más próximo es el valor de R a la unidad, 1, más cerca estará la
alternativa i-ésima a la solución ideal.

- Ordenación de preferencias: se ordenarán en sentido decreciente las alternativas,

comenzando con aquella que más se aproxime a la solución ideal (mayor
proximidad relativa).

1.1. EJEMPLO TOPSIS

Let’s apply TOPSIS to Example 3.1 and its nondominated outcomes, as shown in Table
3.19. For this example, we would want to maximize the first two attributes (annual salary,
x1(Ai), and days of vacation, x2(Ai)) and minimize the third attribute (miles from hometown,
x3(Ai)); hence, we would have

J* {1, 2} and J {3}

 2. CONJUNTOS DIFUSOS

Una de las disciplinas matemáticas con mayor número de seguidores actualmente es la llamada
lógica difusa o borrosa, que es la lógica que utiliza expresiones que no son ni totalmente ciertas
ni completamente falsas, es decir, es la lógica aplicada a conceptos que pueden tomar un
valor cualquiera de veracidad dentro de un conjunto de valores que oscilan entre dos extremos,
la verdad absoluta y la falsedad total. Es importante mencionar que lo que es difuso no es la
lógica en sí, sino el objeto que estudia: expresa la falta de definición del concepto al que se
aplica. La lógica difusa permite tratar información imprecisa, como estatura media o temperatura
baja, en términos de conjuntos borrosos que se combinan en reglas para definir acciones: si
la temperatura es alta entonces enfriar mucho. De esta manera, los sistemas de control basados
en lógica difusa combinan variables de entrada, definidas en términos de conjuntos difusos, por
medio de grupos de reglas que producen uno o varios valores de salida.

La lógica difusa fue investigada, por primera vez, a mediados de los años sesenta en la
Universidad de Berkeley (California) por el ingeniero Lotfy A. Zadeh cuando se dio cuenta de
lo que él llamó principio de incompatibilidad: “Conforme la complejidad de un sistema aumenta,
nuestra capacidad para ser precisos y construir instrucciones sobre su comportamiento
disminuye hasta el umbral más allá del cual, la precisión y el significado son características
excluyentes”. Introdujo entonces el concepto de conjunto difuso (Fuzzy Set) bajo el que reside
la idea de que los elementos sobre los que se construye el pensamiento humano no son
números sino etiquetas lingüísticas. La lógica difusa permite representar el conocimiento
común, que es mayoritariamente del tipo lingüístico cualitativo y no necesariamente cuantitativo,
en un lenguaje matemático a través de la teoría de conjuntos difusos y funciones
características asociadas a ellos. Permite trabajar a la vez con datos numéricos y términos
lingüísticos; los términos lingüísticos son inherentemente menos precisos que los datos
numéricos, pero en muchas ocasiones aportan una información más útil para el razonamiento
humano.

El aspecto central de los sistemas basados en la teoría de la lógica difusa es que, a diferencia
de los que se basan en la lógica clásica, tienen la capacidad de reproducir aceptablemente
los modos usuales del razonamiento, considerando que la certeza de una proposición es una
cuestión de grado. Más formalmente se puede decir que si la lógica es la ciencia de los principios
formales y normativos del razonamiento, la lógica difusa o borrosa se refiere a los principios
formales del razonamiento aproximado, considerando el razonamiento preciso (lógica clásica)
como caso límite. Así pues, las características más atractivas de la lógica difusa son su flexibilidad,
su tolerancia con la imprecisión, su capacidad para modelar problemas no -lineales, y su base en
el lenguaje natural.

Un hito importante en el desarrollo de la lógica difusa fue establecido por Assilian y Mamdani en
1974 en el Reino Unido al desarrollar el primer controlador difuso diseñado para una máquina
de vapor, pero la primera implantación real de un controlador de este tipo fue realizada en
1980 por F.L. Smidth & Co. en una planta cementera en Dinamarca. En 1983 Fuji aplica la
lógica difusa para el control de inyección química en plantas depuradoras de agua por primera
vez en Japón y en 1987 Hitachi pone en marcha un controlador fuzzy para el control del tren-
metro de Sendai, y la empresa Omron desarrolla los primeros controladores difusos comerciales.

En realidad, la intención original del profesor Zadeh era crear un formalismo para manipular de
forma más eficiente la imprecisión y la vaguedad del razonamiento humano expresado
lingüísticamente, sin embargo, causó cierta sorpresa que el éxito de la lógica borrosa llegase
en el campo del control automático de procesos. Esto se debió básicamente al boom que la
lógica borrosa causó en Japón, iniciado en 1987 y que alcanzó su máximo apogeo a principios
de los noventa. Este boom fue el resultado de una estrecha colaboración entre el gobierno, las
universidades y las industrias japonesas, estableciéndose dos proyectos nacionales a gran
escala llevados a cabo por el Ministerio de Industria y Comercio (MITI) y la Agencia de Ciencia
y Tecnología (STA) en consorcio con el LIFE, Laboratory for International Fuzzy Research, y
en los que se involucraron más de 50 compañías durante seis años. Desde entonces, han sido
infinidad los productos lanzados al mercado que usan tecnología borrosa, muchos de ellos
utilizando la etiqueta fuzzy como símbolo de calidad y prestaciones avanzadas.

La lógica difusa está teniendo, por lo tanto, bastante éxito en su utilización sobre los sistemas
de control, aplicación que ya podría considerarse como rutinaria. Sin embargo, los
investigadores buscan nuevos campos de aplicación de esta técnica. Se investiga en áreas
como el reconocimiento de patrones visuales o la identificación de segmentos de ADN, por
mencionar dos ejemplos. Además, según algunos de los más prestigiosos investigadores en
Internet, parece que el futuro para abordar la ingente cantidad de datos, recuperar la información,
controlar y gestionar la red, pasa por el uso de las tecnologías borrosas. Esta intuición parece
ser que coincide con la nueva orientación que, según el profesor Zadeh, debe seguir la lógica
borrosa. Prueba de ello fue la celebración del primer encuentro sobre lógica borrosa e internet
en el año 2001 en la Universidad de Berkeley organizado por el propio Zadeh.
Las operaciones básicas entre conjuntos difusos son las siguientes:

 El conjunto complementario A de un conjunto difuso A es aquel cuya función

característica viene definida por:

A x  1   A x

 La unión de dos conjuntos difusos A y B es un conjunto difuso A † B en U cuya

función de pertenencia es:

 A B x   máx A  x ,  B  x 

 La intersección de dos conjuntos difusos A y B es un conjunto difuso A  B en U con

función característica:

A B x  mín A x, B x

Estas tres operaciones definidas para conjuntos difusos cumplen, al igual que en la teoría clásica
de conjuntos, asociatividad, conmutatividad y distributividad.

2.1. EJEMPLO CONJUNTOS DIFUSOS

El primer ejemplo utilizado por Lofti A. Zadeh, para ilustrar el concepto de conjunto difuso, fue
el conjunto “hombres altos”. Según la teoría de la lógica clásica el conjunto “hombres altos” es
un conjunto al que pertenecerían los hombres con una estatura mayor a un cierto valor, que
podemos establecer en 1.80 metros, por ejemplo, y todos los hombres con una altura inferior a
este valor quedarían fuera del conjunto. Así tendríamos que un hombre que mide 1.81 metros
de estatura pertenecería al conjunto hombre altos, y en cambio un hombre que mida 1.79
metros de altura ya no pertenecería a ese conjunto. Sin embargo, no parece muy lógico decir
que un hombre es alto y otro no lo es cuando su altura difiere en dos centímetros. El enfoque
de la lógica difusa considera que el conjunto “hombres altos” es un conjunto que no tiene una
frontera clara para pertenecer o no pertenecer a él: mediante una función que define la transición
de “alto” a “no alto” se asigna a cada valor de altura un grado de pertenencia al conjunto, entre
0 y 1. Así por ejemplo , un hombre que mida 1.79 podría pertenecer al conjunto difuso “hombres
altos” con un grado 0.8 de pertenencia, uno que mida 1.81 con un grado 0.85, y uno que mida
1.50 m con un grado. Visto desde esta perspectiva se puede considerar que la lógica clásica
es un caso límite de la lógica difusa en el que se asigna un grado de pertenencia 1 a los
hombres con una altura mayor o igual a 1.80 y un grado de pertenencia 0 a los que tienen una
altura menor (figura 2.2.1).

VISIÓN DE LA LÓGICA DIFUSA VISIÓN DE LA LÓGICA CLÁSICA

1 “ALTO” 1 “ALTO”

0 “NO ALTO” 0 “NO ALTO”

1.80 ALTURA (m) 1.80
ALTURA (m)

Figura 2.2.1 Lógica clásica

Así pues, los conjuntos difusos pueden ser considerados como una generalización de los
conjuntos clásicos: la teoría clásica de conjuntos sólo contempla la pertenencia o no
pertenencia de un elemento a un conjunto, sin embargo, la teoría de conjuntos difusos contempla
la pertenencia parcial de un elemento a un conjunto, es decir, cada elemento presenta un grado
de pertenencia a un conjunto difuso que puede tomar cualquier valor entre 0 y 1. Este grado de
pertenencia se define mediante la función característica asociada al conjunto difuso: para cada
valor que pueda tomar un elemento o variable de entrada x la función característica µA(x)
proporciona el grado de pertenencia de este valor de x al conjunto difuso A.
 3. MÉTODO AHP

Es un método de decisión multicriterio de selección de alternativas que fue propuesto por

Saaty en 1980 (Saaty, 1980) y está basado en la idea de que un problema de toma de
decisión con criterios múltiples, se puede resolver mediante la jerarquización del problema
planteado.

La principal característica del AHP es que el problema de decisión se modela mediante una
jerarquía en cuyo vértice superior está el principal objetivo del problema y, en la base se
sitúan las posibles alternativas a evaluar, los niveles intermedios corresponden a los
criterios y subcriterios con base en los cuales se toma la decisión.

En cada nivel de la jerarquía se realizan comparaciones entre pares de elementos de ese

nivel, teniendo en cuenta para ello la importancia o contribución de cada uno de ellos al
elemento del nivel superior al que están ligados.

La información que proporciona es redundante, peculiaridad que resulta ventajosa pues

permite reducir los errores y obtener mayor consistencia.

Este algoritmo sigue estos pasos:

- Estructuración del problema como una jerarquía: como se muestra en la siguiente

figura:

Figura 1. Jerarquía proceso AHP

En el vértice superior se sitúa la meta u objetivo a alcanzar. En orden descendente, el
siguiente nivel estaría formado por los criterios. Los criterios deben ser compresibles y
medibles, es decir, el valor del atributo ha de ser el adecuado para expresar o medir el
grado de cumplimiento del objetivo asociado y debe de ser posible asociarle una escala
conocida. Una vez definidos los criterios puede darse el caso de que éstos se puedan
descomponer en otros subcriterios formando otro nivel descendente. En el último nivel de
la jerarquía se sitúan las alternativas, las cuales representan el conjunto de posibles
opciones definidas sobre las que la unidad decisora toma una decisión.

- Establecimiento de las prioridades entre alternativas/criterios: se asume que

tenemos n acciones (alternativas/criterios) independientes y diferentes. El decisor
es capaz de hacer comparaciones binarias entre las diferentes acciones. También
se asume que, la cuantificación de los juicios proporcionados por el decisor en pares
de acciones (Ai, Aj) se representa en una matriz recíproca n×n como sigue:

El valor a12 es una aproximación de la importancia relativa de A1 con respecto a A2, es decir
a12  (w1 / w2). Esto puede generalizarse y se puede concluir lo siguiente:

aij  (wi / wj) i,j = 1, 2, …, n

aii = 1, i = 1,2 …, n
Si aij = α, α ≠ 0, entonces aji = 1/α, i = 1,2 …, n
Si Ai es más importante que Aj, entonces aij  (wi / wj)>1.

Esto implica que la matriz A debe ser positiva y recíproca con unos en la diagonal principal,
y por lo tanto el decisor solamente necesita proporcionar los valores de los juicios en la
triangular superior de la matriz. Para rellenar estos valores se recurre a escalas ya
establecidas (Tabla 1), como la propuesta por Saaty (Saaty, 1990):
 Tabla 1. Escala fundamental de comparación pareada

Definición Escala
Ai y Aj son igualmente 1
importantes
Ai es moderadamente 3
más importante que Aj
Ai es más importante que 5
Aj
Ai es mucho más 7
importante que Aj
Ai es extremadamente 9
más importante que Aj
Valores intermedios entre 2,4,6,8
los juicios adyacentes
Los juicios de los criterios son perfectamente consistentes siempre y cuando se cumpla
que:
aijajk = aik, i, j, k = 1, 2, …, n, lo que es equivalente a: (wi /wj) (wj /wk) = (wi /wk).

El método del vector propio produce una medida natural de la consistencia. Saaty define el
índice de consistencia (CI) como una distancia entre el λmax y el valor de ese λmax
cuando los juicios fuesen perfectos, es decir λmax = n. El CI queda definido como sigue:

CI = λmax – n
(n – 1)

Para cada tamaño de la matriz n, se generan matrices aleatoriamente y el valor medio de

CI, denominado índice aleatorio (RI), se computa y tabula (Alonso y Lamata, 2006) como
se muestra en la Tabla 2:

Tabla 2. Índice de consistencia aleatorio (RI)

n 1 2 3 4 5 6 7 8 9
RI 0,0 0,0 0,5 0,9 1,1 1,2 1,3 1,4 1,4
0 0 8 0 2 4 2 1 5

Consecuentemente, Saaty definió el ratio de consistencia como:

CR = CI
RI

Se considera CR ≤ 10% como un valor de ratio de consistencia aceptable.

REFERENCIAS

o Chen, S. Hwang, C. Beckmann, M. and Krelle, W. Fuzzy multiple attribute decision

making: methods and applications, (Springer Verlag, New York, 1992).

o Hwang, C.L. and Yoon, K. Multiple Attribute Decision Methods and Applications,
(Springer, Heidelberg, Berlin, 1981).

o Barzilai, J. and Golany, B. AHP rank reversal, normalization and aggregation rules.
INFOR. 32(2) (1994) 57-64.

o Dyer, J. Remarks on the Analytic Hierarchy Process. Management Science. 36(3)

(1990) 249-258.

o Wang, Y.M. and Luo, Y. On rank reversal in decision analysis. Mathematical and
Computer Modelling. 49(5-6) (2009) 1221–1229.

o García-Cascales, M. S. Lamata, M. T. and Sánchez-Lozano, J. M. Evaluation of

photovoltaic cells in a multi-criteria decision making process, Annals of Operations
Research. 199(1) (2011) 373–391.

o Saaty, T. and Vargas, L. G. The legitimacy of rank reversal. OMEGA 12(5) (1984)
513–516.

o Saaty, T. L. The Analytic Hierarchy Process, (McGraw-Hill, New York, 1980).

o Saaty, T. L. An Exposition of the AHP in Reply to the Paper ‘Remarks on the Analytic
Hierarchy Process’. Management Science. 36 (1990) 259-268.