SciELO - Scientific Electronic Library Online

 
vol.40 número3Indicadores de riesgos para un destino turístico cubano de sol y playaAlgoritmo para la programación integrada producción - mantenimiento preventivo en máquinas paralelas idénticas índice de autoresíndice de materiabúsqueda de artículos
Home Pagelista alfabética de revistas  

Servicios Personalizados

Revista

Articulo

Indicadores

  • No hay articulos citadosCitado por SciELO

Links relacionados

  • No hay articulos similaresSimilares en SciELO

Compartir


Ingeniería Industrial

versión On-line ISSN 1815-5936

Ing. Ind. vol.40 no.3 La Habana sept.-dic. 2019  Epub 25-Oct-2019

 

ARTÍCULO ORIGINAL

Modelo de ponderación de atributos basado en un nuevo índice de inconsistencia

Attribute weighting model based on a new inconsistency index

Julio César-PenaI 

Lucía Francisca-ArgüellesI 

Leonardo ConcepciónI 

IUniversidad Central de las Villas. Santa Clara, Cuba. Correo electrónico: Jpena@uclv.cu, largue@uclv.edu.cu, lcperez@uclv.cu

RESUMEN

Este trabajo parte de demostrar que un índice de consistencia propuesto en 2015, como parte de un modelo de ponderación de atributos, no es suficientemente objetivo. Por lo anterior, se propone un nuevo modelo de optimización para ponderar atributos que se base en una idea similar a la del modelo analizado donde no se evidencien las limitaciones detectadas en él. Para su logro interpretan la significación y el alcance de los índices de consistencia e inconsistencia propuestas en el trabajo previo, de donde se indujo la limitante en el primero que se corrobora luego con el análisis de un caso de estudio. Se usan métodos estadísticos-matemáticos. El nuevo modelo se basa en técnicas de la lógica difusa extendida y en nuevos conceptos introducidos por los autores como el índice de inconsistencia generalizado ponderado de orden q y los coeficientes de confianza internos y externos.

Palabras clave: toma de decisiones; ponderación de atributos; modelo de optimización; inconsistencia; consistencia

ABSTRACT

This work was proposed as the first objective to demonstrate that a consistency index proposed in 2015 as part of an attribute weighting model is not objective enough. The second objective is the proposal of a new optimization model to weight attributes that is based on an idea similar to that of the analyzed model where the limitations detected in it are not evident. To achieve the above, the significance and scope of the consistency and inconsistency indices proposed in the previous work from where the limitation was induced in the first one is corroborated with the analysis of a case study. The new model is based on extended fuzzy logic techniques and on new concepts introduced by the authors such as the weighted generalized inconsistency index of order q and the internal and external confidence coefficients.

Key words: decision making; attribute weighting; optimization model; inconsistency; consistency

I. INTRODUCCIÓN

El Análisis De Decisión Múltiple Atributo (ADMA) es un importante campo de investigación en ciencias decisionales, investigación de operaciones y en administración (Wan and Li, 2014). Muchos enfoques se han desarrollado a través de los años para apoyar la toma de decisiones en aquellos escenarios complejos que lo requieran.

Dentro de las metodologías de apoyo a la toma de decisiones, un paso fundamental consiste en la ponderación de los atributos que los decisores consideran relevantes. Un primer enfoque aplicativo de la ponderación de atributos, es permitir que la evaluación de las alternativas disponibles en un problema de toma de decisiones sea más objetiva. Un segundo enfoque es permitir a los proveedores de un determinado producto o servicio, determinar las características más relevantes de lo que proveen, para así orientar la generación de nuevas alternativas en función de los atributos con mayor significación.

La mayoría de las tendencias actuales para ponderar atributos se basan en modelos de optimización que persiguen optimizar determinadas funciones objetivo con restricciones en el conjunto de pesos. Las ideas en que se basan las distintas funciones objetivo dentro de estos modelos suelen ser variadas. Algunas de estas ideas son las siguientes:

En este artículo se considera que la idea VI es de las más interesantes. En este sentido, uno de los más recientes trabajos es el método de generación de pesos por minimización de la inconsistencia y maximización de la consistencia (Wan and Dong, 2015).

En (Wan and Dong, 2015)se pide al decisor que establezca las relaciones de preferencia difusa ( RPD ) entre las alternativas y se consideran evaluaciones globales de las alternativas basadas en un TOPSIS (Technique for Order Preference by Similarity to Ideal Solution). Luego, se definen los índices de inconsistencia y consistencia asociados a los dos anteriores tipos de evaluación como indicadores de la incompatibilidad o compatibilidad existentes entre ambos respectivamente. Así, se considera que los pesos de los atributos deben maximizarla consistencia y minimizar la inconsistencia a la vez.

Se parte de demostrar que la forma de medir la consistencia en (Wan and Dong, 2015)no es suficientemente objetiva. El objetivo es la generación de un modelo alternativo al anterior basado en una idea similar, pero que no se vea afectado por las limitaciones encontradas. Los principales aportes de este trabajo son:

  1. Se muestra que el modelo de ponderación de atributos propuesto en (Wan and Dong, 2015) puede resultar ineficaz en ciertas circunstancias.

  2. Se introducen los conceptos de índice de inconsistencia generalizado ponderado y los coeficientes de confianza externos e internos.

  3. Se propone un nuevo modelo de optimización para ponderar atributos, basado en los conceptos introducidos.

II. MÉTODOS

1.1. Conjuntos Difusos Intuicionistas Valorados en Intervalos (CDIVIs)

Un Conjunto Difuso Intuicionista (CDI) A asociado a un universo X={x1,x2xk} de números reales, se define por A={〈x,μA(x), vA(x)|xX〉} , donde μA(x):X[0,1] y vA(x):X[0,1] representan los grados de pertenencia y no pertenencia de A a X respectivamente. Los valores μA(x) y vA(x) satisfacen μA(x)+vA(x)1 . Además se define el índice de ignorancia πA(x) por: πA(x)=1(μA(x)+vv(x)) .

Para generalizar el concepto de CDI, se define el de CDIVIs ( A¯ ) asociado a un universo de discurso X={x1,x2xk} de números reales por A¯={〈x,μ¯A¯(x), v¯A¯(x)|xX〉} , donde μ¯A¯(x):XL([0,1]) , v¯A¯(x):XL([0,1]) representan los grados de pertenencia y no pertenencia (expresados en intervalos) respectivamente de A¯ a X . L([0,1]) es el conjunto de todos los subintervalos del intervalo [0,1] . A¯ puede expresarse como: A¯={〈x,[μ¯A¯L(x),μ¯A¯R(x)], [v¯A¯L(x),v¯A¯R(x)]|xX〉} , sien++do μ¯A¯L(x), v¯A¯L(x) los límites inferiores de los intervalos y μ¯A¯R(x), v¯A¯R(x) los superiores, donde 0μ¯A¯L(x)μ¯A¯R(x)1,  0v¯A¯L(x)v¯A¯R(x)1 y μ¯A¯R(x)+v¯A¯R(x)1  xX. Se define el índice de ignorancia π¯A¯(x) por: π¯A¯(x)=[1(μ¯A¯R(x)+v¯A¯R(x)), 1(μ¯A¯L(x)+v¯A¯L(x)) ] .

Definición 1: Sean A¯={〈x,[μ¯A¯L(x),μ¯A¯R(x)], [v¯A¯L(x),v¯A¯R(x)]|xX〉} y B¯={〈x,[μ¯B¯L(x),μ¯B¯R(x)], [v¯B¯L(x),v¯B¯R(x)]|xX〉} ,  λ>0 ,dos CDIVIs,entonces (Wan and Dong, 2015):

(1) A¯B¯μ¯A¯L(x)μ¯B¯L(x) , μ¯A¯R(x)μ¯B¯R(x) , v¯B¯L(x)v¯A¯L(x) y v¯B¯R(x)v¯A¯R(x) .

(2) A¯=B¯ si y solo si A¯B¯ y B¯A¯

(3) A-+B-=x,μ-A-Lx+μ-B-Lx-μ-A-Lxμ-B-Lxμ-A-Rx+μ-B-Rx-μ-A-Rxμ-B-Rx, v-A-Lxv-B-Lx,v-A-Rxv-B-RxxX

(4) λA¯={〈x,[1(1μ¯A¯L(x))λ,1(1μ¯A¯R(x))λ], [v¯A¯L(x)λ,v¯A¯R(x)λ]|xX〉}

1.2. Formato incompleto de preferencias entre atributos

Dada la subjetividad del proceso de dar información sobre los atributos, normalmente no se otorgan valores precisos, sino que se establece esta información usando el formato incompleto de preferencias entre atributos ( I )que consta de las restricciones siguientes (Chen and Li, 2011)(Wan and Dong, 2015)(D.F. Li, 2011)(Wan and Li, 2013):

 

Orden débilwiwj (1)

Ranking con múltiploswiaij*wj con 1aij0  (2)

Orden fuertebij>wiwjaij>0,   1bij,aij0  (3)

Valor de intervalobijwiaij,1bij,aij0 (4)

Ranking de diferenciaswiwjwiwj (5)

1.3. Método de generación de pesos por minimización de la inconsistencia y maximización de la consistencia

Este método es propuesto en (Wan and Dong, 2015). A continuación, se explican los pasos del mismo.

Paso 1: Construcción de la matriz de decisiones.

Sea el conjunto de alternativas: O={O1 , O2, ,Om} , el conjunto de atributos es: A={A1,A2, ,An} y el conjunto de decisores es E={e1,e2,,eK} . Luego, se consideran seis formatos de información para que cada decisor exprese los elementos de la matriz decisional. Estos formatos son: ( I1 ) CDIVIs : r= [μijp,μij+p], [vijp,vij+p] , ( I2 ) CDIs : r=μijp,vijp , ( I3 ) Números difusos trapezoidales ( NDTRs ): r=(aij1p,aij2p,aij3p,aij4p) , ( I4 ) Números difusos triangulares NDTs:r=(bij1p,bij2p,bij3p) , ( I5 ) Intervalos :r=[cij1p,cij2p] y ( I6 ) números reales r=dijp . Cada decisor emplea alguno entre los formatos ( I1I6 ) según el nivel de conocimiento que posea o la comodidad que sienta al usarlos. Aquí ij se refiere a la evaluación de la alternativa Oi respecto a Aj y p se refiere a que es información dada por ep.

Al representar cada valor en la matriz de decisiones por yijp , esta matriz puede expresarse como Yp=(yijp)(mxn) y luego se deben normalizar estas evaluaciones. Para llevar a cabo estas normalizaciones se pueden considerar las relaciones siguientes (Wang and Luo, 2010)(Wang and Parkan, 2006):  ri j=yij-yjminyjmax-yjmin para atributos de beneficio, o rij=yjmax-yijyjmax-yjmin para atributos de costo. Luego, la matriz de decisiones original Yp=(yijp)(mxn) es cambiada a una normalizada Rp=(rijp)(mxn) .

Paso 2: Relaciones de preferencia subjetivas entre alternativas

Cuando existe información para hacerlo, el decisor ep debe establecer la relación de preferencia subjetiva entre las alternativas a partir de valores de CDIVIs de acuerdo a: Ω˜p={〈(k,j),  t˜p(k,j)〉akpaj} . Aquí t˜p(k,j) es el valor CDIVIs que expresa la preferencia de la alternativa ak sobre la aj , favoreciendo a ak (dada por akpaj ).

Paso 3: Evaluación de alternativas basadas en TOPSIS

Ya conocida la matriz Rp=(rijp)(mxn) , se procede a generar una alternativa ideal positiva (AIP) r=(r1*,r2*,,rn*) y una alternativa ideal negativa (AIN) r=(r*1,r*2,,r*n) . Los valores de ri* y ri* representan las mejores evaluaciones posibles de cada atributo según el formato de ( I1I6 ) en que se expresaron las evaluaciones de la matriz decisional para dicho atributo y pueden representarse de la siguiente manera:

ri*=μi*-,μi*+, vi*-,vi*+II1μi*, vi*II2ai1*,ai2*,ai3*,ai4*II3bi1*,bi2*,bi3*II4ci1*,ci2*II5di*II6 y r*i=μ*i-,μ*i+, v*i-,v*i+II1μ*i,v*iII2a*i1,a*i2,a*i3,a*i4II3b*i1,b*i2,b*i3II4c*i1,c*i2II5d*iII6

Las distancias de una evaluación rijp de la matriz de decisiones normalizada a la evaluaciones ideal positiva e ideal negativa en Ai se determinan por Sij*p y S*ijp respectivamente. Para calcular Sij*p y S*ijp se combinan medidas de distancias asociadas a cada formato Ik, k{1,2,3,4,5,6} (ver (Wan and Dong, 2015)). Para valores reales, estas distancias se calculan respectivamente por (dijpdi*)2 y (dijpd*i)2 .

Así, se considera el grado de proximidad relativa de rijp respecto a ri* por βijp=S*ijp/(S*ijp+Sij*p) . Además, la evaluación global de la alternativa Oi se calcula por Dip=j=1nwjβijp , donde wj es el peso de Aj y a mayor Dip , mejor evaluación recibe Oi .

Paso 4: Índices de inconsistencia y consistencia. Modelo de optimización.

Suponiendo que las preferencias subjetivas del decisor dadas por t˜p(k,j) y la expresión Dip constituyen evaluaciones confiables sobre las alternativas, es necesario que exista una compatibilidad alta entre ellas. Para verificar lo anterior se definen los índices de inconsistencia y consistencia para el par (Ok,Oj) respectivamente por Ecuación 1 y Ecuación 3:

Definición 2 (Índice de inconsistencia):

E~kjp=t~pk,jDjp-Dkp, si  Dkp<Djp0,                               si  DkpDjp (1)

Ya que t˜p(k,j) se estableció para cuando OkOj , si Dkp<Djp significa que OjOk por lo que no hay correspondencia entre ambos tipos de evaluación, teniendo sentido un coeficiente positivo de inconsistencia. Además, como E˜kjp=t˜p(k,j)max{0,DjpDkp} , se define el índice general de inconsistencia por ecuación 2:

E˜=p=1K(k,j)Ω˜pE˜kjp=p=1K(k,j)Ω˜p[t˜p(k, j)max{0,DjpDkp}]   (2)

Definición 3 (Índice de consistencia):

F~kjp=t~pk,jDkp-Djp, si  DkpDjp0,                               si  Dkp<Djp  (3)

En este caso, t˜p(k,j) indica que OkOj , por lo que si DkpDjp , tiene sentido un índice positivo de consistencia. Si Dkp<Djp , tiene sentido el 0.Como F˜kjp=t˜p(k,j)max{0,DkpDjp} , se define el índice general de consistencia por ecuación 4:

F˜=p=1K(k,j)Ω˜pF˜kjp=p=1K(k,j)Ω˜p[t˜p(k, j)max{0,DkpDjp}] (4)

Para ponderar los atributos se propone el siguiente modelo de optimización Ecuación 5:

Min{E˜}/Max{F˜},    s.t: wI  (5)

Como en E˜ y F˜ aparecen implícitos problemas de optimización, y que se persiguen dos objetivos a la vez, este modelo se cambia a otro de programación por metas ponderadas. Al no ser el objetivo de este trabajo indagar en especificaciones relativas a lo anterior, se sugiere al lector ver detalles en (Wan and Dong, 2015).

1.4. Análisis crítico del método de generación de pesos por minimización de la inconsistencia y maximización de la consistencia

La idea de generar un conjunto pesos que posibilite una mayor compatibilidad entre las evaluaciones de las alternativas dadas por las relaciones subjetivas del decisor ( t˜p(k,j) ) y la expresión de cálculo de Djp es bastante objetiva. Es decir, si se acepta que t˜p(k,j) y Djp son confiables, entonces los pesos implicados en el cálculo de Djp deben permitir que dicha expresión sea compatible con los valores de t˜p(k,j) .

Al considerar el índice de inconsistencia, tenga en cuenta que su valor está expresado en términos de CDIVIs y note que la desigualdad Dkp<Djp es compatible con que se cumpla que OkOj y esto a su vez es incompatible con el valor de t˜p(k,j) , que implica que OkOj . Luego, a mayor valor de (DjpDkp) , más se refuerza la incompatibilidad entre los valores de t˜p(k,j) y los pares de evaluaciones ( Djp,Dkp ).

Con lo anterior, queda claro que E˜kjp representa la incompatibilidad entre los valores de t˜p(k,j) y las evaluaciones Dip,(i{j,k}) objetivamente.

Note en cambio que F˜kjp , una vez establecida la relación subjetiva t˜p(k,j) , crece cuanto mayor se haga la diferencia (DkpDjp) , siempre y cuando esta sea positiva. Sucede que lo anterior no resulta un criterio suficientemente sólido de consistencia. Es decir, una vez establecida la relación t˜p(k,j) , tiene sentido que se considere la existencia de consistencia si DkpDjp , pero no necesariamente se da una mayor compatibilidad por que aumente la diferencia DkpDjp . Tenga en cuenta que es posible que un valor de t˜p(k,j) favorezca mínimamente a Ok sobre Oj , por lo que si un determinado conjunto de pesos wi1, i{1,2,,n} genera una diferencia d1 bastante alta entre Dkp y Djp(DkpDjp=d1>0) , mientras que otro conjunto de pesos wi2, i{1,2,,n} genera una diferencia ligeramente superior de Dkp respecto a Djp(DkpDjp=d2>0) , se tendría que F˜kj1p=t˜p(k,j)*d1>F˜kj2p=t˜p(k,j)*d2 . De esta forma, F˜kjp favorece al primer conjunto de pesos (wi1) sobre el segundo (wi2) a pesar de que de los dos es wi2 el que se corresponde en mayor medida con una superioridad mínimade Ok sobre Oj como indica t˜p(k,j) . Lo anterior se ejemplificará y analizará en el siguiente caso de estudio.

Caso de estudio:

Supóngase, para simplificar, que un problema decisional consta de un solo decisor y que este establecerá los valores de la matriz de decisiones concernientes a cada atributo en el formato I6 , es decir, valores reales. Considere la escala (cero-uno) para otorgar dichos valores. Considere también que todos los atributos son de beneficio. En este contexto, la matriz decisional dada es mostrada en la Tabla 1 y las relaciones subjetivas de preferencia entre las alternativas ( t˜p(k,j) ) establecidas por el decisor se muestran en la Tabla 2.

Tabla 1 Matriz de decisiones de tres alternativas y tres atributos perteneciente al caso de estudio 

A1 A2 A3
O1
0,8 0,2 0,5
O2
0,2 0,5 0,7
O3
0,2 0,9 0,2

Tabla 2 Relaciones de preferencia subjetivas entre las alternativas para el caso de estudio 

μ μ+ v v+
t˜1(1,2)
0,45 0,50 0,35 0,40
t˜1(1,3)
0,45 0,50 0,35 0,40
t˜1(2,3)
0,45 0,50 0,45 0,50

Como se puede apreciar, la percepción que tiene el decisor sobre el valor que tienen para él las alternativas es que O1 es moderadamente superior respecto a O2 y a O3 . Además, considera que los valores que tienen O2 y O3 son aproximadamente iguales.

Al analizar los valores en la Tabla 3 puede apreciarse que el primer conjunto de pesos ( w1=0,40,  w2=0,35, w3=0,25 ) genera evaluaciones de las alternativas ( Di ) que están muy en correspondencia con la información subjetiva del decisor. Por otro lado, el segundo conjunto de pesos ( w1=0,80,  w2=0,10, w3=0,10 ) genera evaluaciones que indican una diferencia muy alta de O1 sobre O2 y O3 lo cual no se corresponde con la información subjetiva brindada por el decisor. Acorde a las evaluaciones ( Di ) generadas, el primer conjunto de pesos logra claramente una mayor compatibilidad con la información subjetiva que se tiene del decisor respecto al segundo conjunto de pesos. Sin embargo, es el segundo conjunto de pesos el que genera un mayor índice general de consistencia, lo que demuestra la falta de objetividad del formato de cálculo de consistencia como se quería demostrar. Note que para ambos conjuntos de pesos el índice de inconsistencia es 0, por lo que en estos casos solo influye la consistencia

Tabla 3 Incompatibilidad entre las evaluaciones de las alternativas y los índices generales de consistencia ( F˜ ) generados por dos conjuntos de pesos en el caso de estudio 

w1|w2| w3
D1
D2
D3
(F˜)=〈[μ, μ+],[v, v+]〉
0,40| 0,35| 0,25
0,52
0,41
0,38
〈[0,15,  0.17], [0,75,  0,78]〉
0,80| 0,10| 0,10
0,81
0,18
0,15
〈[0,54,  0.60], [0,25,  0,30]〉

III. RESULTADOS

1.5. Propuesta de un modelo alternativo al método de generación de pesos por minimización de la inconsistencia y maximización de la consistencia

Se parte de considerar que las evaluaciones Dkp y Djp sobre las alternativas Ok y Oj respectivamente pueden transformarse en un valor CDI por:

t˜p'(k,j)=〈μ1,v1〉=〈DkpDkp+Djp,DjpDkp+Djp (6)

Las relaciones subjetivas de preferencias expresadas con CDIVIs entre Ok y Oj dadas por el decisor ep ( t˜p(k,j)=[μkjp,μkj+p], [vkjp,vkj+p] ) pueden ser transformadas en CDIs de acuerdo a la expresión:

t˜p''(k,j)=〈μ2,v2〉=〈[(1c1p)μkjp+c1pμkj+p], [(1c2p)vkjp+c2pvkj+p] (7)

Aquí, c1p es un coeficiente de confianza interno asociado al límite superior del intervalo de pertenencia que debe establecer el decisor tal que 0c1p1 . Si c1p>0,5 el decisor siente mayor confianza hacia el valor de μkj+p respecto al valor de μkjp . Si c1p<0,5 el decisor siente mayor confianza hacia el valor de μkjp respecto al valor de μkj+p , mientras que si c1p=0,5 el decisor siente igual confianza por μkjp y μkj+p .

De forma análoga ocurre con el coeficiente de confianza interno asociado al límite superior del intervalo de no pertenencia ( c2p ). Es decir, 0c2p1 y si c2p>0,5 el decisor siente mayor confianza hacia el valor de vkj+p respecto al valor de vkjp . Si c2p<0.5 el decisor siente mayor confianza hacia el valor de vkjp respecto al valor de μkj+p , mientras que si c2p=0,5 el decisor siente igual confianza por vkjp y vkj+p .

Así, la distancia de Minkowski tradicional puede ser usada como medidor de distancia entre los números difusos intuicionistas t˜p'(k,j) y t˜p''(k,j) por Ecuación 8:

dq[t˜p'(k,j),t˜p''(k,j)]=(|μ2μ1|q+|v2v1|q+|π2π1|q)1q (8)

En base a Ecuación 8, se define el índice de inconsistencia generalizado de orden q por Ecuación 9:

IIGq=p=1KOk,OjΩ˜pdq[t˜p'(k,j),t˜p''(k,j)] (9)

En base a IIGq , se propone el modelo de optimización (Ecuación 10) para ponderar los atributos:

minIIGq=p=1KOk,OjΩ˜pdq[t˜p'(k,j),t˜p''(k,j)],   s.t:wI (10)

Para generalizar este modelo, es interesante considerar el nivel de confianza que siente el decisor hacia las relaciones subjetivas ( t˜p(k,j) ) que dio. Es decir, partiendo de que este generalmente no va otorgar valores de t˜p(k,j) para todos los pares de alternativas, es posible que algunas de las alternativas respecto a las que sí da información posean características en sus atributos que estén sujetos a una incertidumbre más fuerte respecto a otras alternativas. Un ejemplo de esto puede darse si se considera que entre varios planes de inversión (alternativas) que se están proponiendo para hacer determinadas reformas en una empresa, se está teniendo en cuenta el atributo: “ganancias esperadas en un periodo de tiempo ( t )”. Aquí, es posible que las ganancias esperadas para algunos de los planes de inversión estén sujetas a ciertas variables no controladas totalmente y por tanto dar información concerniente a tales alternativas es más incierto que dar información sobre otras alternativas con características menos inciertas.

Si se considera un coeficiente de confianza externo wk,jp como medida de la confianza que se tiene hacia cada valor t˜p(k,j) establecido, tal que 0wk,jp1 y mayores valores de wk,jp significan que el decisor se siente más seguro del valor t˜p(k,j) dado, puede definirse el índice de inconsistencia generalizado ponderado de orden q por ecuación 11:

IIGPq=p=1KOk,OjΩ˜pwk,jpdq[t˜p'(k,j),t˜p''(k,j)]   (11)

La generalización del modelo establecido en Ecuación 10 está dado por ecuación 12:

minIIGPq=p=1KOk,OjΩ˜pwk,jpdq[t˜p'(k,j),t˜p''(k,j)],   s.t:wI (12)

El anterior modelo se denominará: modelo de ponderación basado en el índice de inconsistencia generalizado ponderado de orden q con CDIs .

1.6. Ejemplo ilustrativo

Suponga que una compañía C se dedica a la fabricación y venta de paneles solares. Suponga además que su producto a perdido espacio en el mercado internacional en los últimos tiempos y que se ha decidido, por tanto, desarrollar un nuevo proyecto para fabricar nuevos paneles solares con el objetivo de que logren una mayor competitividad internacional. Para comenzar el análisis, se recopilaron datos de cinco de los paneles solares más exitosos en el mercado ( P1,P2,P3,P4P5 ) asociados a algunas de las variables que se consideran que mejor pueden explicar el éxito de los mismos. Los datos se muestran en la Tabla 4.

Tabla 4 Datos que se obtienen de los atributos de algunos paneles solares de más éxito 

Paneles exitosos Potencia (Watt) Eficiencia % Tiempo de vida esperado (años) Superficie m2 Costo ( ) Porcentaje de ventas anuales
P1
380 23 8 1.55 150 55-60
P2
330 22 10 2.00 140 50-60
P3
300 16 10 2.10 100 45-55
P4
400 20 6 1.40 170 35-40
P5
350 18 12 1.55 140 25-40

Se asumirá que solo un decisor se encargará de dar la información para simplificar el ejemplo.

Paso 1: Construcción de la matriz de decisiones.

En este caso, para simplificar supondremos que los valores fueron dados con números reales ( I6 ). Además, las alternativas serían ( P1,P2,P3,P4P5 ), sin embargo, se considerarán como atributos de decisión todos los que representan las columnas de la Tabla 4 salvo el porcentaje de ventas anuales y la explicación a esto será dada en el paso 2. Entonces, la matriz normalizada Rp=(rijp)(mxn) queda conformada como muestra la Tabla 5:

Tabla 5 Normalización de los valores de la Tabla 4  

Paneles exitosos Potencia (Watt) Eficiencia % Tiempo de vida esperado (años) Superficie m2 Costo ( )
P1
0.80 1.00 0.33 0.25 0.29
P2
0.30 0.86 0.67 1.00 0.43
P3
0.00 0.00 0.67 1.17 1.00
P4
1.00 0.57 0.00 0.00 0.00
P5
0.50 0.29 1.00 0.25 0.43

Paso 2: Relaciones de preferencia subjetivas entre alternativas

En este paso los decisores establecen CDIVIs para comparar los pares de alternativas de acuerdo a: Ω˜p={〈(k,j),  t˜p(k,j)〉akpaj} . Sin embargo, la información así dada, es completamente intuitiva, aunque acorde a las características reales de las alternativas. Pero en el planteamiento del problema, hay una variable que puede ser más confiableque la intuición de los decisores, por la medida en que tributa dicha variable al objetivo que se persigue en el problema. Se trata del porcentaje de ventas anuales.

Note que el objetivo principal que se persigue en el problema es lograr un producto de mayor competencia en el mercado internacional. Por tanto, al margen de lo que piensen los decisores de cuáles serían los mejores paneles solares (alternativas), el porcentaje de ventas anuales es la manifestación directa del éxito en la venta de los paneles. De esta forma, cuando el decisor vaya a establecer los CDIVIs asociados a las comparaciones pareadas entre alternativas, lo lógico sería que la razón entre los grados de membresía y no membresía de los CDIVIs dados, sean similares a la razón entre los porcentaje de ventas anuales de los paneles que se comparan. El índice de ignorancia πA(x) , debe ser mayor, cuanto mayores sean los rangos en los que se dan los valores de los porcentaje de ventas anuales de los paneles que se comparan, pues rangos más amplios significan (mayor imprecisión y desconocimiento. Teniendo en cuenta todo lo anterior, son dados los valore de t˜p(k,j) por parte del decisor y estos son mostrados en la Tabla 6.

Tabla 6 Relaciones de preferencia subjetivas entre alternativas dadas por el decisor ( t˜p(k,j) )  

P1
P2
P3
P4
P5
P1
〈[0.43, 0.48], [0,38, 0.48]〉
〈[0.47, 0.52], [0,30, 0.40]〉
〈[0.50, 0.55], [0,20, 0.35]〉
〈[0.50, 0.55], [0,20, 0.30]〉
P2
〈[0.40, 0.50], [0.30, 0.40]〉
〈[0.42, 0.52], [0.33, 0.38]〉
〈〈[0.43, 0.53], [0,20, 0.35]〉〉
P3
〈〈[0.40, 0.50],[0.35, 040]〉〉
〈〈[0.40, 0.50], [0,20, 0.35]〉〉
P4
〈〈[0.40, 0.45], [0.30, 0.45]〉〉
P5

Note que las alternativas fueron dispuestas de forma que los elementos de la diagonal superior tengan sentido. Es decir, que el valor t˜p(k,j) satisfice que la superioridad de Pk sobre Pj .Por tal motivo, no tiene sentido otorgar valores a ningún elemento de la diagonal inferior.

Paso 3: Evaluación de alternativas basadas en TOPSIS

Tabla 7 Grados de proximidad relativa de rijp respecto a ri*  

Paneles exitosos Potencia (Watt) Eficiencia % Tiempo de vida esperado (años) Superficie m2 Costo ( )
P1
β11p=0.94
β12p=1.00
β13p=0.20
β14p=0.10
β15p=0.14
P2
β21p=0.16
β22p=0.97
β23p=0.80
β24p=1.00
β25p=0.36
P3
β31p=0.00
β32p=0.00
β33p=0.80
β34p=0.98
β35p=1.00
P4
β41p=1.00
β42p=0.64
β43p=0.00
β44p=0.00
β45p=0.00
P5
β51p=0.50
β52p=0.14
β53p=1.00
β54p=0.10
β55p=0.36

Luego, la evaluación global de la alternativa Oi se considera que se pude calcular por Dip=j=1nwjβijp , donde wj es el peso de Aj y a mayor Dip , mejor evaluación recibe Oi .

Paso 4: Nuevo modelo de optimización

Aquí, se deben transformar los CDIVIs dados en la Tabla 6 en CDIs usando la Ecuación 7 a partir de los coeficientes de confianza internos c1p y c2p . Se asumirá, para simplificar, que para todos los valores de t˜p(k,j) disponibles se otorgaron los valores c1p=c2p=0.5 . Con esto, los valores de t˜p''(k,j) quedan como se muestra en la Tabla 8.

Tabla 8 Transformación de los CDIVIs dados en la Tabla 6 en CDIs de acuerdo a Ecuación 7  

P1
P2
P3
P4
P5
P1
〈[0.46], [0.43]〉 (t˜p''(1,2))
〈[0.50], [0.35]〉 (t˜p''(1,3))
〈[0.53], [0.28]〉  (t˜p''(1,4))
〈[0.53], [0,25]〉(t˜p''(1,5))
P2
...
〈[0.45], [0.35]〉(t˜p''(2,3))
〈[0.47], [0.36]〉(t˜p''(2,4))
〈〈[0.48], [0.28]〉〉(t˜p''(2,5))
P3
〈[0.45], [0.38]〉(t˜p''(3,4))
〈〈[0.45], [0.28]〉〉(t˜p''(3,5))
P4
〈〈[0.43], [0.38]〉〉(t˜p''(4,5))
P5

Además, deben ser dados los coeficientes de confianza externos wk,jp asociados a los valores de ( t˜p(k,j) ) que estableció el decisor. Se supondrá que wk,jp=1 k,j{Ω˜p} . El modelode la Ecuación 12, para q=1 quedaría de la siguiente manera:

minIIGPq =0.46-D1pD1p+D2p1+0.43-D2pD1p+D2p1+0.1111+0.50-D1pD1p+D3p1+0.35-D3pD1p+D3p1+0.1511 +0.53-D1pD1p+D4p1+0.28-D4pD1p+D4p1+0.1911+0.53-D1pD1p+D5p1+0.25-D5pD1p+D5p1+0.2211 +0.45-D2pD2p+D3p1+0.35-D3pD2p+D3p1+0.2011+0.47-D2pD2p+D4p1+0.36-D4pD2p+D4p1+0.1711 +0.48-D2pD2p+D5p1+0.28-D5pD2p+D5p1+0.2411+0.45-D3pD3p+D4p1+0.38-D4pD3p+D4p1+0.1711 +0.45-D3pD3p+D5p1+0.28-D5pD3p+D5p1+0.2711+0.43-D4pD4p+D5p1+0.38-D5pD4p+D5p1+0.1911

s.t:1wi0 i{1,2,,n}, i=1nwi=1

Note que se asume que la información incompleta no está disponible. El vector solución para los pesos calculado por los modelos nuevo y original fueron obtenidos con ayuda del software libre Wolfram Mathematica 8 y se muestran en la Tabla 9:

Tabla 9 Pesos de los atributos obtenidos a partir del nuevo modelo propuesto y del modelo original 

w(Potencia)
w(Eficiencia)
w(Tiempo)
w(Superficie)
w(Costo)
Pesos modelo nuevo
0.1427
0.4412
0.0510
0.0190
0.3470
Pesos modelo original
0.4805
0.000
0.1726
0.2199
0.1270

Según los valores de la tabla 10, con el modelo original se sugiere concentrar la inversión para desarrollar el nuevo producto en lograr altos índices de potencia, aunque sin despreciar, el logro de valores elevados en la superficie y el tiempo de vida facilitando además costos moderados. Por otro lado, el modelo nuevo sugiere concentrar la inversión en lograr altos índices de eficiencia y le atribuye una gran relevancia a la moderación de los precios. No se desprecia el logro de altos valores de potencia, mientras que se le presta mucha menor atención a la superficie o al tiempo de vida esperado de los paneles solares.

Para comparar la eficacia de los conjuntos de pesos generados por ambos métodos, se muestra en la Tabla 10 los porcentajes de ventas anuales (representaciones directas de los éxitos de ventas) y las correspondientes evaluaciones funcionales de cada panel

Tabla 10 Comparación entre evaluaciones funcionales del modelo nuevo y el original respecto a los porcentajes de venta anuales 

P1 P2 P3 P4 P5
Evaluación para el modelo nuevo
0.6357
0.6361
0.4064
0.4250
0.3100
Evaluación para el modelo original
0.5263
0.4783
0.4806
0.4805
0.4806
Porcentajes de ventas anuales
5560
5060
4555
3540
2540

Se puede apreciar que al comparar las evaluaciones funcionales generadas por el modelo nuevo con los porcentajes de ventas anuales hay un error mínimo dado por una ínfima superioridad en la evaluación de P2 sobre la de P1 (cuando debería ser una ligera superioridad en sentido contrario). Algo similar ocurre en relación a las evaluaciones funcionales de P3 y P4 . Sin embargo, en general se puede apreciar cómo las evaluaciones funcionales van en descenso desde P1 hasta P5 con una tendencia y proporcionalidad similar a la de los porcentajes de ventas anuales. Para mayor visibilidad de este comportamiento puede separase las evaluaciones en tres conjuntos. El primero dado por: P1 y P2 , cuyas evaluaciones superarían a las del segundo conjunto: P3 y P4 que a su vez sería superior al tercer conjunto: P5 .

Por otro lado, de las evaluaciones generadas por el modelo original solo se puede apreciar un comportamiento notablemente consistente con los porcentajes de ventas, en el hecho de la superioridad de P1 sobre el resto de evaluaciones. Sin embargo, todas las demás evaluaciones son demasiado similares, a tal punto que a partir de ellas no se puede establecer con confianza un orden de jerarquía bien definido entre los distintos paneles, situación que no se corresponde con la realidad del problema planteado.

En base a lo anterior, puede apreciarse que los pesos generados por el modelo propuesto logran una mayor compatibilidad entre la evaluación funcional de las alternativas y la intuitiva respecto al modelo original en este caso analizado.

IV. DISCUSIÓN

El nuevo modelo propuesto presenta varias diferencias importantes con el modelo propuesto por (Wan and Dong, 2015) que le atribuyen mayor objetividad y un mayor alcance respecto a este. Estas diferencias son enumeradas y explicadas a continuación:

1-El valor de IIGq puede explicar mejor que el par( E˜kjp,F˜kjp )la existencia o no de compatibilidad entre las relaciones

2- t˜p(k,j) .

3-Lo anterior se logra a partir de los subjetivas sobre los pares de alternativas t˜p(k,j) y las evaluaciones Dip,(i{j,k}) .

Esto se debe a que cuanto mayor sean los valores de IIGq , mayor serán las diferencias entre las relaciones subjetivas t˜p(k,j) y lo que se espera de los pares de evaluaciones Djp y Dkp y viceversa. Así, grandes valores de IIGq indican poca compatibilidad mientras que pequeños valores de IIGq indican alta compatibilidad. Lo anterior no puede ser garantizado por el coeficiente F˜kjp del modelo propuesto en (Wan and Dong, 2015) como se dedujo analíticamente y ejemplificó en la sección 3.1.

Se asimila la mayor o menor afinidad de los decisores hacia los limites inferior y superior de los grados de pertenencia de los valores coeficientes de confianza interno c1p y c2p dados por él.

4-Se modela la incertidumbre del decisor hacia los valores t˜p(k,j) que otorgó usando el coeficiente de confianza externo.

Aun cuando los CDIVIs , de por sí solos, se utilizan para captar la incertidumbre del decisor, es posible que este sienta mayor seguridad respecto a algunos de ellos sobre otros. Lo anterior puede ser modelado a partir de los valores wk,jp y no es tenido en cuenta en modelo que lo precede.

Se sugiere que el nuevo modelo propuesto sea usado en aplicaciones a la solución de problemas de toma de decisiones. Específicamente, la utilidad se evidencia cuando se requiera cuantificar la importancia de las variables de decisión que están inmersas en un problema. Esto puede ser muy útil en la planificación de proyectos de inversión, pues este debe enfocarse en aquellas variables de mayor relevancia. Se exhorta a la investigación de trabajos que permitan una comparación del modelo propuesto con otros afines, para contrastar la eficiencia de las soluciones que se Genera.

En relación a la anterior con ineficacia, en determinados casos, del formato de cálculo para el índice de consistencia F˜kjp asociado al método de ponderación de atributos por minimización de la inconsistencia y maximización de la consistencia se sugiere una investigación más profunda. Donde se pueda determinar umbrales a partir de los cuales deba considerarse no confiable la magnitud de las diferencias que se generen entre las evaluaciones subjetivas dadas por los decisores y las evaluaciones funcionales.

V. CONCLUSIONES

1- En este trabajo se ha demostrado cómo el formato de cálculo para el índice de consistencia F˜kjp asociado al método de ponderación de atributos por minimización de la inconsistencia y maximización de la consistencia (Wan and Dong, 2015) es ineficaz en su aplicación en determinados casos. Fue evidenciado que para los casos en que el orden jerárquico entre las alternativas es el mismo según las relaciones subjetivas de preferencias dadas por los decisores y las evaluaciones funcionales de las mismas, el modelo original no detecta problemas de compatibilidad. Lo anterior no es una representación fiel a la realidad, pues es necesario considerar la magnitud de la superioridad en las comparaciones y no solo el orden si se quiere tener un mejor medidor de compatibilidad.

2- En base a las deficiencias detectadas se propuso un nuevo modelo de optimización para ponderar atributos basado en un nuevo índice de inconsistencia (índice de inconsistencia generalizado ponderado de orden q ( IIGPq )) donde no se evidencian las limitaciones encontradas en el primero. En la construcción del nuevo modelo se emplean nuevos conceptos introducidos por los autores. Por un lado, los coeficientes de confianza interno c1p, c2p que modelan la actitud de los decisores hacia los límites de los CDIVIs usados en las relaciones subjetivas ( t˜p(k,j) ) dadas por él. Por otro lado, con el coeficiente de confianza externo ( wk,jp ) se recogen los niveles de confianza que tienen los decisores hacia dichas relaciones subjetivas de forma general y permiten que el cálculo de IIGPq resulte más objetivo.

VI. REFERENCIAS

1. Chen T. Interval-valued intuitionistic fuzzy QUALIFLEX method with a likelihood-based comparison approach for multiple criteria decision analysis. Information Sciences. 2014;261:149-69. ISSN 0020-0255. DOI 10.1016/j.ins.2013.08.054. [ Links ]

2. Chen TaL, C. Determining objective weights with intuitionistic fuzzy entropy measures : A comparative analysis. Information Sciences . 2010;180(21): 4207-22. ISSN 0020-0255. DOI 10.1016/j.ins.2010.07.009. [ Links ]

3. Chen TaL, C. Objective weights with intuitionistic fuzzy entropy measures and computational experiment analysis. Applied Soft Computing Journal. 2011;11(8):5411-23. ISSN 1568-4946. DOI 10.1016/j.asoc.2011.05.018. [ Links ]

4. Chin K, Fu, C. and Wang, Y. A method of determining attribute weights in evidential reasoning approach based on incompatibility among attributes. Computers & Industrial Engineering. 2015;87:150-62. ISSN 0360-8352. DOI 10.1016/j.cie.2015.04.016. [ Links ]

5. Li DF. Fuzzy multiattribute decision-making models and methods with incomplete preference information. Fuzzy Sets and Systems. 1999;106:113-9. ISSN 0165-0114. [ Links ]

6. Li DF. Closeness coefficient based nonlinear programming method for interval valued intuitionistic fuzzy multiattribute decision making with incomplete preference information. Appl Soft Comput. 2011;11:3402-18.ISSN 1568-4946. [ Links ]

7. Deng M, Yang, J. and XU, W. Estimating the attribute weights through evidential reasoning and mathematical programming International Journal of Information Technology & Decision Making. 2004;3(3):419-28. ISSN 0165-0114. [ Links ]

8. Fan Z, Ma, J. and Zhang, Q. . An approach to multiple attribute decision making based on fuzzy preference information on alternativesFuzzy Sets and Systems . 2002;131:101-6. ISSN 0165-0114. [ Links ]

9. Fu CaW, Y. An interval difference based evidential reasoning approach with unknown attribute weights and utilities of assessment grades Computers & Industrial Engineering 2015;81:109-17. ISSN 0165-0114. DOI 10.1016/j.cie.2014.12.031. [ Links ]

10. Horowitz IaZ, C. . The Linear Programming Alternative to Policy Capturing for Eliciting Criteria Weights in the Performance Appraisal Process Omega. 1995;23(6):667-76. ISSN 0305-0483. [ Links ]

11. Horsky DaR, M. R. . Estimation of Attribute Weights from Preference Comparisons. Management Science. 1984;30(7):801-22. ISSN 0305-0483. [ Links ]

12. Jin Fea. Interval-valued intuitionistic fuzzy continuous weighted entropy and its application to multi-criteria fuzzy group decision making Knowledge-Based Systems. 2014;59:132-41. ISSN 0950-7051. DOI 10.1016/j.knosys.2014.01.014. [ Links ]

13. Park JH, et al. Extension of the TOPSIS method for decision making problems under interval-valued intuitionistic fuzzy environment Applied Mathematical Modelling. 2011;35(5):2544-56. ISSN 0307-904X. DOI 10.1016/j.apm.2010.11.025. [ Links ]

14. Pei Z. Rational decision making models with incomplete weight information for production line assessment. Information Sciences . 2013;222:696-716. ISSN 0020-0255. DOI 10.1016/j.ins.2012.07.060. [ Links ]

15. Wan S, et al. A new method for Atanassov’s interval-valued intuitionistic fuzzy MAGDM with incomplete attribute weight informationInformation Sciences . 2015;316(118):329-47. ISSN 0020-0255. DOI 10.1016/j.ins.2015.04.01. [ Links ]

16. Wan SaD, J Interval-valued intuitionistic fuzzy mathematical programming method for hybrid multi-criteria group decision making with interval-valued intuitionistic fuzzy truth degrees. Information Fusion. 2015;26:49-65. ISSN 0020-0255. DOI 10.1016/j.inffus.2015.01.006. [ Links ]

17. Wan SaL, D. . Atanassov’s Intuitionistic Fuzzy Programming Method for Heterogeneous Multiattribute Group Decision Making With Atanassov’s Intuitionistic. IEEE Transactions on Fuzzy Systems. 2014;22(2):300-12. ISSN 1063-6706. [ Links ]

18. Wan SPaL, D. F. . Fuzzy LINMAP approach to heterogeneous MADM considering comparisons of alternatives with hesitation degrees. Omega. 2013;41 925-40. ISSN 0305-0483. [ Links ]

19. Wang Y. On fuzzy multiattribute decision-making models and methods with incomplete preference information. Fuzzy Sets and Systems . 2005;151:285-301. ISSN 0165-0114. 10.1016/j.fss.2004.08.015. [ Links ]

20. Wang YaL, Y. Integration of correlations with standard deviations for determining attribute weights in multiple attribute decision making Mathematical and Computer Modelling. 2010;51(1-2):1-12. ISSN 0895-7177. DOI 10.1016/j.mcm.2009.07.016. [ Links ]

21. Wang YMaF, G. W. Using multiobjective decision making method to make decision for multiattributes Control and Decision. 1993;8(1): 25-9. ISSN 1001-0920. [ Links ]

22. Wang YaP, C. . A general multiple attribute decision-making approach for integrating subjective preferences and objective information. Fuzzy Sets and Systems . 2006;157 1333-45. ISSN 0165-0114. DOI 10.1016/j.fss.2005.11.017. [ Links ]

Recibido: 05 de Junio de 2019; Aprobado: 30 de Agosto de 2019

Creative Commons License Este es un artículo publicado en acceso abierto bajo una licencia Creative Commons