Indice Aleatorio de Consistebcia para Matrices
Indice Aleatorio de Consistebcia para Matrices
Indice Aleatorio de Consistebcia para Matrices
e-mail: [email protected]
e-mail: [email protected]
e-mail: [email protected]
Resumen
Palabras clave: Proceso Analítico Jerárquico (AHP), Matrices Incompletas, Media Geométrica por
Filas, Índice de Consistencia Geométrico, Incertidumbre.
Uno de los puntos débiles del Proceso Analítico Jerárquico (Saaty, 1980; Moreno,
2002) es la dificultad que presenta cuando se trabaja con problemas de gran tamaño,
esto es, con problemas que presentan un número elevado de niveles en la jerarquía
(por encima de cuatro), o un numero elevado de elementos en los diferentes niveles
considerados. En estas situaciones, el número de comparaciones pareadas que deben
efectuarse para incorporar las preferencias de los decisores, mediante la emisión de
juicios medidos en la escala conocida como escala fundamental de Saaty (Saaty,
1980), es muy elevado y hace realmente tedioso el proceso de resolución.
Junto a esta “justificación tradicional”, en los últimos años se están considerando otra
serie de aspectos, dentro del ámbito de la elección multicriterio discreta, que hacen
especialmente atractivo y necesario el estudio del proceso analítico jerárquico
cuando se trabaja con matrices incompletas, esto es, con matrices recíprocas de
comparaciones pareadas en las que no son conocidos todos los elementos del bloque
triangular superior. Algunos de estos “nuevos aspectos” son, entre otros, las
cuestiones relativas a la toma de decisiones distribuidas espacialmente (Escobar y
Moreno-Jiménez, 1997) y la toma de decisiones con múltiples actores (Moreno-
Jiménez y otros, 2003).
Por su parte, Tone (1996) propone otro procedimiento para la obtención de las
prioridades en matrices incompletas asociado al procedimiento de priorización del
2
método de la Media Geométrica por Filas (row geometric mean method) así como
una medida de la consistencia.
2. ANTECEDENTES
3
problema mediante una estructura jerárquica, la utilización de comparaciones
pareadas para incorporar las preferencias del decisor, y la obtención de una escala de
razón que es válida para la toma de decisiones complejas.
Una de las ventajas del Proceso Analítico Jerárquico (AHP) es que permite medir la
consistencia del decisor al emitir sus juicios. Se define la consistencia de una matriz
de comparaciones pareadas A = (aij), i,j = 1,…,n, como la transitividad cardinal entre
los juicios, esto es, cuando aij· aij = aij ∀i,j,k.
Saaty sugiere para el método AHP convencional (en el que se utiliza el método del
autovector principal para obtener las prioridades), que la inconsistencia sea capturada
por un único valor, λmax−n, que refleja la desviación de los juicios aij con respecto al
cociente estimado entre las prioridades, wi/wj. La medida de la consistencia propuesta
se denomina Índice de Consistencia (CI) y se define como:
λmax − n
CI =
(n − 1)
1 2
CI = ∑
n (n − 1) i ≠ j
( eij − 1) = ∑ (eij − 1)
n( n − 1) 1≤i < j ≤ n
4
Como esta medida depende del orden de la matriz (n), Saaty propone la utilización
de la Razón de Consistencia (CR) que se obtiene dividiendo CI por su valor
esperado, calculado a partir de un gran número de matrices recíprocas positivas de
orden n generadas aleatoriamente. Se considera que el vector de prioridades tiene una
inconsistencia aceptable (Saaty, 1980, 1994) cuando el CR es menor del 10% (5% y
8% para n = 3 y n = 4 respectivame nte).
2 wj
GCI = ∑ log 2 e ij con e ij = a ij ⋅
( n − 1)( n − 2) 1 ≤i < j ≤ n wi
AHP requiere un total de n(n−1)/2 juicios a la hora de incorporar las preferencias del
decisor entre n distintos elementos. En ocasiones este proceso puede ser muy costoso
en cuanto al tiempo requerido, en otras, puede que el decisor no se encuentre cómodo
al tener que comparar dos alternativas directamente, o también es posible que tenga
dudas acerca de un determinado juicio. Para abordar estas situaciones, Harker (1987)
y Tone (1996) han propuesto sendos procedimientos para la obtención del vector de
prioridades a partir de matrices de comparaciones pareadas incompletas basados
respectivamente en los métodos del autovector principal por la derecha y en el de la
media geométrica por filas. Asimismo, dichos autores proponen medidas para
evaluar la inconsistencia del decisor en la emisión de sus juicios.
5
Sea A = (aij) una matriz de comparaciones pareadas incompleta, cuyo grafo asociado
es un grafo conectado y no completo. Para cada nodo i, se define Pi como el conjunto
de nodos adyacentes a i, y Ni como el grado de i, esto es, el número de arcos
conectados con i (número de juicios emitidos en la fila i de la matriz A). Como el
grafo es conectado, para cada i, Pi es no vacío y Ni ≥ 1. Se denota por N el número
total de comparaciones realizadas en el triángulo superior de la matriz A, C =
{(i,j),i<j, j ∈ Pi}, y por tanto, N = card(C) = 1
2 ∑N i i .
n
Bw = λmax(B)w, con ∑w i =1
i =1
λmax ( B ) − n
CIH = CI(B) = (1)
n −1
6
La expresión anterior permite evaluar la consistencia en el sentido de Harker, quién
propone que una matriz de comparaciones pareadas incompleta sea considerada
consistente si y sólo si aijajk = aik para todos los juicios tales que aij, ajk, aik > 0; es
decir, los juicios emitidos deben verificar la condición de consistencia. Takeda y Yu
(1995) proponen una definición de consistencia más exigente que la anterior al
observar que una matriz incompleta consistente no tendría porqué tener como valor
propio máximo asociado, λmax (B) = n. Para estos autores una matriz de
comparaciones pareadas incompleta es consistente si y sólo si los juicios emitidos
conducen a un único vector de prioridades, esto es, si CI(B) = 0.
Para poder hacer comparaciones entre los Índices de Consistencia calculados a partir
de la expresión (1), Forman (1990) calculó unos nuevos índices de consistencia
aleatorios que dependen no sólo del tamaño de la matriz, sino también del número de
juicios emitidos por el decisor.
D· v = c
siguiente manera:
7
∑ (∑ )
n
j∈ Pi
a ij ⋅ w j wi − N i
IC T = i =1
n
(2)
∑N
i =1
i
que es una media de las desviaciones de los juicios emitidos aij con respecto al
cociente wi/wj. Se cumple que IC T ≥ 0 y IC T = 0 si y sólo si aij = wi/wj para todo par
(i,j) correspondiente a un juicio emitido.
3.1. Definición
2 wj
GCI = ∑ log 2 eij
( n − 1)( n − 2) 1 ≤i < j ≤ n
donde eij = a ij ⋅
wi
es el error cometido al
De forma análoga a lo hecho para otros índices, como se ha visto en la sección 2.2,
es posible establecer un Índice de Consistencia Geométrico para matrices
incompletas.
8
En Moreno-Jiménez, Aguarón y Escobar (2003) se sugiere la utilización de una
adaptación del Índice de Consistencia Geométrico (ICG) propuesto por Aguarón y
Moreno-Jiménez (2003), y que viene dado por la siguiente expresión:
n
1
GCI C = ∑ ∑
N − ( n −1) i =1 j∈ Pi
log 2 eij (3)
i< j
Así, se puede suponer que el error eij sigue una distribución Lognormal (0, σ). Si se
quiere calcular el estimador máximo verosímil de la varianza, se puede obtener
fácilmente, aplicando la metodología clásica, que da como resultado:
S2
σˆ MV
2
=
N
errores cuadráticos.
S2
sˆ 2 =
g .l.
donde g.l. son los grados de libertad, es decir, el número de observaciones menos el
número de parámetros linealmente independientes.
9
Para el caso de trabajar con matrices completas el valor de N = n(n-1)/2 y el número
de parámetros independientes es n-1, con lo cual las expresiones anteriores quedan
de la siguiente forma:
2 S2 2
σˆ MV
2
= S2 sˆ 2 = = S 2 = ICG
n( n − 1) [n( n − 1) / 2] − (n − 1) ( n − 1)( n − 2)
Por lo tanto, el índice de consistencia geométrico adoptado se puede ver como un
estimador insesgado de la varianza de los errores; de esta forma cuanto menor sea la
variabilidad de la distribuc ión de los errores, menor es el índice de consistencia, y, a
su vez, mayor es la consistencia del decisor a la hora de emitir sus juicios.
sˆ 2 log 2 eij
=∑ ≈ χ(2n −1)( n − 2 ) / 2
σ2 i< j σ 2
g .l.
con lo cual este estadístico se podrá utilizar para calcular intervalos de confianza para
la varianza del error.
Este planteamiento estadístico se puede replicar para el caso de trabajar con matrices
incompletas puesto que, en el modelo planteado, la única diferencia existente
corresponde al número de juicio emitidos, mientras que el cálculo de las prioridades
se realiza de la misma forma, es decir, estimándolas por mínimos cuadrados
logarítmicos.
De esta forma, cuando se trabaja únicamente con N juicios, siendo N < n(n-1)/2, el
estimador insesgado de la varianza sigue siendo el mismo y sólo varían los grados de
libertad, y por lo tanto, el índice de consistencia geométrico propuesto para matrices
incompletas (GCIC) tendrá el mismo sentido que el propuesto para matrices
completas.
∑ ∑
1
GCIC = log 2 eij
N − ( n − 1) i =1 j∈ Pi
i< j
10
sˆ 2 n
log 2 eij
= ∑∑ ≈ χN2 − ( n −1)
σ2 i =1 j ∈Pi σ 2
g .l. i< j
La expresión alternativa del índice de consistencia de Harker (1987) viene dada por:
n
∑ ∑ (e − 1)
1
CI H =
n( n − 1) i =1 j∈ Pi ij
∑ ∑ (e
1
CI T = ij − 1)
2N i =1 j ∈Pi
Al ser expresadas de esta forma se observa que el término en el que se suman los
errores coincide para ambas medidas y éstas difieren en la constante que multiplica al
sumatorio. En el caso de la expresión propuesta por Harker depende del número de
elementos comparados (n) mientras que en la de Tone depende del número de juicios
emitidos (N). Ambas expresiones coinciden en el caso de que se hayan emitido todos
los juicios (N = n(n-1)).
Si los vectores de prioridades obtenidos por ambos métodos fueran idénticos y por
tanto los errores también, el índice propuesto por Harker sería menor que el
propuesto por Tone. Por otra parte, si en la matriz incompleta se añadiera un nuevo
juicio totalmente consistente con el vector de prioridades anterior (y por tanto, que
no lo modificase), la medida de Harker permanecería invariante, mientras que la de
Tone disminuiría su valor.
11
Recordando la expresión del índice de consistencia geométrico para matrices
incompletas utilizado en este artículo:
n
1
GCI C = ∑ ∑
N − ( n − 1) i =1 j∈ Pi
log 2 eij
i< j
se observa que el término que multiplica al sumatorio sí que depende del número de
juicios emitidos.
12
completar la información se ha incluido también en esta tabla el índice de
consistencia de Tone (CIT ) para el caso particular en el que se hayan emitido todos
los juicios.
El número mínimo de juicios necesarios para poder obtener las prioridades es igual a
n-1, siempre que el grafo asociado sea conectado. Una forma de seleccionar estos n-1
primeros juicios es tomar todas las comparaciones que hacen referencia a una
alternativa dada: se fija i0 (i0=1,...,n) y se seleccionan los juicios (i0,j),(j,i0) con j≠i0.
Para la matriz considerada existen 8 posibles conjuntos de juicios iniciales (cada uno
de 7 elementos) seleccionados de la forma descrita (uno para cada uno de los
elementos comparados en la matriz). Partiendo de cada uno de estos 8 conjuntos se
han realizado 1000 repeticiones de un proceso iterativo en el que en cada iteración se
añade un nuevo juicio, elegido aleatoriamente entre las comparaciones de la matriz
no seleccionadas previamente. Llamando N al número de juicios emitidos, en la
primera iteración del proceso N es igual a n-1 = 7 y este número se va incrementando
hasta que se completa toda la matriz, esto es, cuando N = n(n-1)/2 = 28.
En cada iteración se tiene una matriz incompleta con N juicios emitidos para la que
se calculan los correspondientes vectores de prioridades aplicando los
procedimientos de Harker y Tone, así como las tres medidas de consistencia
consideradas en el estudio: el Índice de Consistencia de Harker (CIH), el Índice de
Consistencia de Tone (CIT ) y el Índice de Consistencia Geométrico (GCIC). En total
se han considerado 1.000 x 8 x 21 = 168.000 matrices diferentes.
13
Para cada uno de los 21 valores de N y cada una de las 8 alternativas de referencia
que determinan el conjunto inicial de juicio s se han obtenido los valores medios
(para las 1.000 simulaciones) de las tres medidas de consistencia, así como sus
desviaciones típicas.
0.2 0.2
0.15 0.15
0.05 0.05
5 10 15 20 5 10 15 20
0.15 0.15
0.125 0.125
0.1 0.1
CI T 0.075 0.075
0.05 0.05
0.025 0.025
5 10 15 20 5 10 15 20
0.85 0.85
0.8 0.8
0.75 0.75
0.65 0.65
5 10 15 20 5 10 15 20
0.55 0.55
14
En la siguiente tabla (Tabla 3) se muestran para algunos valores de N los datos de las
medias y desviaciones típicas cuando la alternativa de referencia utilizada para
seleccionar los juicios iniciales es la tercera.
Tabla 3. Valores medios y desviaciones típicas de CIH , CIT y GCIC para distintos valores de
N y tomando como alternativa de referencia C3.
CIH CI T GCIC
N Media Desviación Media Desviación Media Desviación
7 0 0 0 0 0 0
8 0.022 0.040 0.032 0.072 0.859 1.183
9 0.042 0.049 0.054 0.082 0.819 0.745
10 0.061 0.054 0.076 0.086 0.813 0.557
11 0.079 0.055 0.093 0.085 0.802 0.430
12 0.093 0.054 0.106 0.080 0.771 0.343
13 0.108 0.052 0.118 0.076 0.754 0.277
16 0.143 0.044 0.141 0.059 0.688 0.135
19 0.170 0.035 0.150 0.043 0.628 0.085
22 0.196 0.027 0.157 0.031 0.590 0.055
25 0.218 0.018 0.158 0.020 0.555 0.037
27 0.231 0.010 0.158 0.011 0.536 0.020
De los gráficos y la tabla anterior se observa que el CIH va aumentando siempre con
el número de comparaciones realizadas (N) mientras que el CIT va aumentando hasta
estabilizarse en torno a un valor constante. A diferencia de los anteriores, el GCIC
fluctúa inicialmente para después ir descendiendo progresivamente hasta el GCI de la
matriz completa.
Los valores de CIH y de CIT son próximos entre sí, siendo los de CIH menores que los
de CIT para valores de N pequeños mientras que dicho orden se invierte para valores
de N grandes. Los valores de GCIC son mayores que los de los otros dos índices pero
la expresión utilizada es diferente de las anteriores.
15
mayor variabilidad. Sin embargo, para el GCIC el valor de la desviación típica
disminuye siempre con el número de juicios emitidos.
5. CONCLUSIONES
BIBLIOGRAFÍA
16
5. Forman, E.H. (1990): Random Indices for Incomplete Pairwise Comparison
Matrices. European Journal of Operational Research 48 (1), 153−155.
8. Moreno-Jiménez, J.M.; Aguarón, J.; Escobar, M.T. (2003): Decisional Tools for
Consensus Building in AHP-Group Decision Making. En evaluación en Group
Decision and Negotiation.
10. Saaty, T.L. (1980): Multicriteria Decision Making: The Analytic Hierarchy
Process. Mc Graw-Hill, New York. (2ª impresión 1990, RSW Pub. Pittsburgh)
11. Saaty, T.L. (1994): The Fundamentals of Decision Making and Priority Theory
with the Analytic Hierarchy Process. RSW Publications, VI, AHP Series.
12. Saaty, T.L. (1996): Decision Making with Dependence and Feedback: The
Analytic Network Process. RSW Publications, Pittsburgh, PA.
13. Saaty, T.L.; Kearns, K. P. (1985): Analytical Planning. Perga mon Press, New
York.
14. Saaty, T.L.; Vargas, L.G. (1994): Decision Making in Economic, Political,
Social and Technological Environment with the Analytic Hierarchy Process.
RSW Publications, Pittsburgh, PA.
15. Takeda, E.; Yu, P.L. (1995): Assessing priority weights from subsets of pairwise
comparisons in multiple criteria optimization problems. European Journal of
Operational Research, 86, 315−331.
16. Tone, K. (1996): Two technical notes on the AHP based on the Geometric Mean
Method. Proceedings of ISAHP’96, 375−381.
17