TOMA DE DECISIONES BAJO CERTIDUMBRE Los modelos de programacin lineal proporcionan un ejemplo de la toma de decisiones bajo certidumbre.

Estos modelo son apropiados slo para situaciones en la que las alternativas de decisin se interrelacionan con funciones lineales matemticas bien definidas. Esta seccin presenta un mtodo diferente para las situaciones en las que las ideas, sentimientos y emociones se cuantifican para proporcionar una escala numrica que prioriza alternativas de decisin. El Modelo Proceso Analtico Jerrquico (MJA), se conoce ms como AHP del ingls (Analytical Hierarchy Process). 14.2.1 Mtodo analtico de jerarqua o AHP Antes de presentar los detalles del AHP, utilizamos un ejemplo que demuestra la manera en la que se evalan las diversas alternativas de decisin. Ejemplo 1. Jorge es un brillante estudiante del ltimo ao de preparatoria y ha recibido ofertas de becas acadmicas completas de tres instituciones: U de A, U de B, y U de C. Para seleccionar una universidad, Jorge enumera dos principales criterios: ubicacin y reputacin acadmica. Como es un excelente estudiante, juzga que la reputacin es cinco veces ms importante que la ubicacin, lo que da un peso de aproximadamente 83% a la reputacin y 17% a la ubicacin. Despus utiliza un anlisis sistemtico (que se detallar ms adelante) para clasificar las tres universidades desde el punto de vista de la ubicacin y la reputacin. El anlisis produce las siguientes estimaciones: Ubicacin : Reputacin : U de A (12.9%), U de B (27.7%), y U de C (59.4%) U de A (54.5%), U de B (27.3%), y U de C (18.2%)

La estructura del problema de decisin se resume en la figura 1 . El problema implica una sola jerarqua (nivel) con dos criterios (ubicacin y reputacin) y tres alternativas de decisin (U de A, U de B, y U de C).
Decisin: Seleccione una universidad

Criterio de La jerarqua 1:

Ubicacin

(.17) U de A U de B (.129) (.277)

Reputacin (.83)

Alternativas:

U de C (.594)
.

U de A (.545)

U de B (.273)

U de C (.182)

.17*.594+.83*.182=.2520

U de A

U de B

U de C

U de A = .17 x .129 + .83 x .545 = .4743 U de B = .17 x .277 + .83 x .273 = .2737 U de C = .17 x .594 + .83 x .182 = .2520 Con base en estos clculos, la U de A tiene el peso compuesto ms alto. y de aqu que representa la eleccin ms probable para Jorge. La estructura general del AHP puede incluir varias jerarquas de criterios. Supongamos en el ejemplo 1, que a la hermana gemela de Jorge, Andrea, tambin le ofrecieron becas completas en las tres universidades. Sin embargo, sus padres estipulan que deben asistir a la misma universidad para que compartan un automvil. La figura 2 resume el problema de decisin, que ahora incluye dos jerarquas de criterios. Los valores p y q (presumiblemente iguales) en la primera jerarqua representan los pesos relativos dados las opiniones de Andrea y Jorge sobre el proceso de seleccin. La segunda jerarqua usa los pesos (p 1, p2) y (q1, q2) para reflejar las opiniones individuales de Andrea y Jorge sobre el criterio de ubicacin y reputacin de cada universidad. El resto de la estructura de decisin se interpreta de forma similar. Note que p + q = 1, p 1 + p2 = 1, q1 + q2 = 1, p11 + p12 + p13 = 1, p21 + p22 + p23 =1, q11 + q12 + q13= 1, q21 + q22 + q23 = 1. La determinacin del peso compuesto de la U de A, que se muestra en la figura 2, demuestra la forma en la que se llevan a cabo los clculos.
Seleccione una universidad

Jorge (p)

Andrea (q)

Ubicacin (p1)

Reputacin (p2)

Ubicacin (q1)

Reputacin (q2)

UdeA (p11)

UdeB (p12)

UdeC (p13)

UdeA (p21)

UdeB (p22)

UdeC (p23)

UdeA (q11)

UdeB (q12)

UdeC (q13)

UdeA (q21)

UdeB (q22)

UdeC (q23)

U de A = p(p1*p11 + p2*p21) + q(q1*q11 + q2*q21) Figura 2

Problemas 2a 1. Supongamos que los siguientes pesos se especifican para la situacin de Jorge y Andrea: p=.5, q=.5 p1=.17, p2 = .83 p11 = .129, p12 = .277, p13 = .594 p21 = .545, p22 = .273, p23 = .182 q1 = .3, q2 = .7 q11 = .2, q12 = .3, q13 = .5 q21 = .5, q22 = .2, q23 = .3 Con base en esta informacin, clasifique las tres universidades. Determinacin de los pesos. El punto crtico del AHP es la determinacin de los pesos relativos que se utilizan en el ejemplo 1 para clasificar las alternativas de decisin. Suponiendo que tratamos con n criterios en una jerarqua dada, el procedimiento establece una matriz de comparacin par n x n, A, que refleja el juicio del tomador de decisiones sobre la importancia relativa de los diferentes criterios. La comparacin par se hace de modo que el criterio en el rengln i (i = 1, 2,..., n) se clasifica con relacin a cada uno de los criterios representados por las n columnas. Sea aij el elemento (i, j) de A, el AHP propone el uso de una escala discreta de 1 al 9 en la que a ij = 1 significa que i y j son igualmente importantes, a ij = 5 refleja la opinin de que i es mucho ms importante que j, y aij = 9 indica que i es extremadamente ms importante que j. Los valores intermedios entre 1 y 9 se interpretan de acuerdo. Por consistencia, aij = k debe implicar automticamente que a ji = 1/k. Tambin, todos los elementos diagonales a ii de A deben igualar a 1 ya que clasifican un criterio relativo a s mismos. Ejemplo 2. Mostraremos cmo la matriz de comparacin A se determina para el problema de decisin de Jorge del ejemplo 1. Comenzamos con la jerarqua principal que trata con los criterios de reputacin y ubicacin de una universidad. A juicio de Jorge, la reputacin de una universidad es mucho ms importante que su ubicacin y por tanto, asigna a la entrada (1, 2) de A el valor 5, es decir, a 12 = 5. Esta asignacin implica de manera automtica que a 21 =1/5. Si R y L son los criterios de reputacin y ubicacin, la matriz de comparacin asociada est dada como R R 1 A= L 1/5 1 L 5

Los pesos relativos de R y L se determinan de A, dividiendo los elementos de cada columna entre la suma de los elementos de la misma columna. De esta

manera, dividimos los elementos de la columna 1 entre (1 + 1/5 = 1.2) y los de la columna 2 entre (5 + 1 = 6) para normalizar A. Los pesos relativos deseados, wR y wL, se calculan entonces como el promedio del rengln de la resultante matriz normalizada. De esta forma. R N= L .17 .17 wL = (.17 + .17) / 2 = .17 L Promedio de rengln wR = (.83 + .83) / 2 = .83

R .83 .83

Los clculos dan wR = .83 y wL = .17, el peso usado en la figura 1. Las columnas de N son idnticas, uno caracterstica que ocurre slo cuando quien toma las decisiones muestra una consistencia perfecta al especificar las entradas en la matriz de comparacin A. Este punto se discute posteriormente. Los pesos relativos de las alternativas U de A, U de B y U de C se determinan dentro de cada uno de los criterios R y L con el uso de las siguientes dos matrices de comparacin: A A AR = 1 B C 2 3

B 1/2 1 3/2 C 1/3 2/3 1

Sumas de las columnas = ( 1.83, 3.67, 5.5) A A AL = B C B C

1 1/2 1/5 2 1 1/2 5 2 1

Sumas de las columnas = (8, 3.5, 1.7) Los elementos de AR y AL se determinan con base en el juicio de Jorge respecto a la importancia relativa de las tres universidades.

Al dividir todas las entradas entre la suma de los elementos en sus respectivas columnas, obtenemos las siguientes matrices normalizadas: A A NR = B C B C Promedios de los renglones wRA = (.545 + .545 + .545) / 3 = .545 wRB = (.273 + .273 + .273) / 3 = .273 wRC = (.182 +.182 + .182) / 3 = .182 Promedios de los renglones wLA = (.125 + .143 + .118) / 3 = .129 wLB = (.250 + .286 + .294) / 3 = .277 wLC = (.625 + .571 + .588) / 3 = .594

.545 .545 .545 .273 .273 .273 .182 .182 .182 A B C

A NL = B C

.125 .143 .118 .250 .286 .294 .625 .571 .588

Los valores (wRA, wRB, wRC) = (.545, .273, .182) dan los pesos respectivos para U de A, U de B y U de C desde el punto de vista de la reputacin acadmica. De manera similar, (wLA, wLB, wLC) = (.129, .277, .594) proporcionan los pesos relativos con respecto a la localizacin. Consistencia de la matriz de comparacin. En el ejemplo 2, notamos que todas las columnas de las matrices normalizadas N y NR son idnticas y las de NL no lo son. Las columnas idnticas indican que los pesos relativos resultantes permanecen iguales sin importar cmo se haga la comparacin. Como tales, las matrices de comparacin originales A y AR se dice que son consistentes. As, la matriz AL no es consistente. Consistencia significa que la decisin muestra un juicio coherente al especificar la comparacin por pares de los criterios o alternativas. De forma matemtica, decimos que una matriz de comparacin A es consistente si aij ajk = aik, para todas i, j y k

Por ejemplo, en la matriz AR del ejemplo 2, a13 = 3 y a12 a23 = 2 * 3/2 = 3. Esta propiedad requiere que todas las columnas (y renglones) de A sean linealmente dependientes. En particular, las columnas de cualquier matriz de comparacin 2 x 2 son dependientes y, por tanto una matriz 2 x 2 siempre es consistente. Es raro que todas las matrices de comparacin sean consistentes. En realidad, dado que el juicio humano es la base de la construccin de estas matrices, se

espera algn grado de inconsistencia y se debe tolerar la condicin de que no sea "irracional". Para determinar si un nivel de consistencia es o no "razonable", necesitamos desarrollar una medida cuantificable para la matriz de comparacin A. Vimos en el ejemplo 2 que una A perfectamente consistente produce una matriz N normalizada en la que todas las columnas son idnticas, es decir, w1 w1 w1 w2 w2 ... w2 . . ... . . . ... . wn wn ... wn

N=

Se concluye entonces que la matriz de comparacin correspondiente A se puede determinar de N, dividiendo los elementos de la columna i entre w i (que es el proceso inverso de determinacin de N a partir de A). Entonces tenemos 1 w1 ... w1 w2 wn

A=

w2 1 ... w2 w1 wn . . . . . . wn wn ... 1 w1 w 2

De la definicin dada de A, tenemos 1 w1 ... w1 w2 wn w1 w2 = . . . wn . . . n wn n w1 n w2 = n . . . wn w1 w2

A=

w2 1 ... w2 w1 wn . . . . . . . . . wn wn ... 1 w1 w 2

De forma ms compacta, decimos que A es consistente si, y slo si, Aw = nw donde w es un vector columna de pesos relativos wi, i = 1, 2,..., n.

Para el caso donde A no es consistente, el peso relativo, w i, se aproxima con el promedio de los n elementos del rengln i en la matriz normalizada N (vase ejemplo 3). Haciendo w el estimado calculado, se puede mostrar que . . Aw = n max w donde n max > n. En este caso, entre ms cercana sea n max a n, ms consistente ser la matriz de comparacin A. Como resultado, el AHP calcula la razn de consistencia como IC RC = IA donde IC = ndice de consistencia de A n max - n = n-1 IA = ndice de consistencia aleatoria de A 1.98 (n - 2) = n El ndice de consistencia aleatoria, IA, se determin de forma emprica como IC de una muestra grande de matrices de comparacin generadas de forma aleatoria, A. La razn RC se usa para probar la consistencia como sigue. Si RC .1, el nivel de inconsistencia es aceptable. De otra forma, la inconsistencia en A es alta y se aconseja al tomador de decisiones comprobar los elementos de comparacin par aij de A para producir una matriz ms consistente. El valor de n . n se calcula de Aw = n max w observando que la isima ecuacin es: . aij wj = n max wi , i = 1,2,....,n
max j =1 n

Dado que

. wj = 1
i =1

Esto significa que el valor de n max se determina al calcular primero el vector columna Aw y despus sumando sus elementos.

Ejemplo 3. En el ejemplo 2, la matriz AL, es inconsistente porque las columnas de su NL, no son idnticas. Pruebe la inconsistencia de NL. Comenzamos calculando n max. Del ejemplo 2, tenemos w1 = .129, w2 = .277, w3 = .594 de esta forma, . AL w = 1 1/2 1/5 2 1 1/2 5 2 Esta da n max = .3863 +.8320 +1.793 = 3.0113 As para n = 3, IC = n max - n = n1 IA = n IC RC = IA = .66 .00565 = .00856 3.0113 - 3 = .00565 3-1 1.98 *1 = 3 = .66 1 .129 .277 .594 = .3863 .8320 1.7930

1.98 ( n 2 )

Como RC < .1 el nivel de inconsistencia en AL es aceptable.