VISUALIZACIN DE INFORMACIN EN EL PROCESO ANALTICO JERRQUICO (AHP)

TURN LANUZA, Alberto Grupo Decisin Multicriterio Zaragoza http://gdmz.unizar.es Facultad de Econmicas Universidad de Zaragoza correo-e: turon@unizar.es

MORENO JIMNEZ, Jos Mara Grupo Decisin Multicriterio Zaragoza http://gdmz.unizar.es Facultad de Econmicas Universidad de Zaragoza correo-e: moreno@unizar.es

RESUMEN
Las Tcnicas de Visualizacin Grfica de Informacin desempean un papel relevante en el terreno de la ayuda a la decisin, permitiendo incorporar al Proceso de Toma de Decisiones las habilidades perceptuales del cerebro humano para analizar datos y extraer informacin. Para aprovechar esta capacidad es necesario dotar al decisor de herramientas que permitan explotar su creatividad y capacidad analtica. Este trabajo pretende analizar los beneficios que las tcnicas de Visualizacin Grfica de Informacin aportan a las distintas etapas del Proceso Analtico Jerrquico: a) anlisis de la jerarqua, b) emisin de juicios e interaccin de los decisores, c) priorizacin de las alternativas.

Palabras clave: Toma de Decisiones Multicriterio, AHP, Visualizacin de Informacin

1. INTRODUCCIN Las tcnicas de visualizacin grfica de Informacin estn llamadas a desempear un papel cada vez ms relevante en el terreno de la ayuda a la decisin, al permitir que el decisor incorpore al Proceso de Toma de Decisiones las habilidades perceptuales del cerebro humano para analizar datos y extraer informacin. Esta participacin del decisor cobra an mayor importancia si se tiene en cuenta que el enorme desarrollo experimentado en los ltimos aos en el mbito de las tecnologas de la informacin y las comunicaciones permite que cada vez se aborden problemas de decisin de mayor complejidad, tanto en lo que se refiere a la cantidad de datos considerados como en su organizacin y estructura. Con el fin de poder aprovechar de manera efectiva esta capacidad perceptual del decisor es necesario dotarle de herramientas que permitan explotar la flexibilidad, creatividad y capacidad de anlisis del cerebro humano. El presente trabajo pretende analizar los beneficios que las tcnicas de visualizacin grfica de informacin actuales pueden aportar a las distintas etapas del Proceso Analtico Jerrquico. En concreto, se mostrarn ejemplos de dos nuevas tcnicas de visualizacin grfica que se han aplicado en distintas etapas del proceso: el diagrama de densidad de la inconsistencia de los juicios y el diagrama de localizacin de las estructuras de preferencia.

2. EL PROCESO ANALTICO JERRQUICO (AHP) El Proceso Analtico Jerrquico (Saaty, 1980) es una tcnica de decisin multicriterio que permite considerar tanto factores objetivos como subjetivos en la eleccin de la mejor alternativa, permitiendo la adecuada modelizacin de problemas con una alta complejidad. AHP se compone de tres etapas fundamentales: 1. La modelizacin y anlisis de una jerarqua en la que se incorporan los elementos principales del problema, siendo el nodo ms elevado de la jerarqua

la misin perseguida, los nodos intermedios los criterios, subcriterios, atributos y los nodos de nivel ms bajo las alternativas. 2. La emisin de juicios mediante comparaciones pareadas. Estos juicios, medidos en la escala fundamental propuesta por Saaty (Saaty, 1980), reflejan la importancia relativa para el decisor de los elementos que cuelgan de un nodo de la jerarqua, con respecto al nodo del que dependen. Estos juicios se recogen en una serie de matrices de comparaciones pareadas a partir de las cuales se obtienen las prioridades locales de cada elemento de la jerarqua. 3. Priorizacin y sntesis. En esta etapa, se calculan las prioridades locales por cualquiera de los procedimientos de priorizacin existentes (Aguarn y MorenoJimnez, 2003). A partir de stas, aplicando el principio de composicin jerrquica, se obtienen las prioridades globales que son sintetizadas para obtener las prioridades totales de las alternativas, por cualquiera de los procedimientos de agregacin existentes. Siguiendo el enfoque marcado por el constructivismo cognitivo en el paradigma de la racionalidad procedimental multicriterio, la metodologa seguida en el AHP consta de 6 etapas: 0) formulacin y descripcin del problema, 1) modelizacin jerrquica, 2) valoracin y emisin de juicios, 3) priorizacin, agregacin y sntesis, estudio de la inconsistencia, 4) incertidumbre, robustez y retroalimentacin, 5) explotacin del modelo, aprendizaje y negociacin El papel que el decisor o los decisores desempean en cada una de estas etapas se puede resumir de la siguiente forma: Formulacin y modelizacin: debe identificar los criterios utilizados en la evaluacin de las alternativas, organizndolos en una estructura jerrquica que le obliga a dividirlos en criterios y subcriterios. Valoracin y emisin de juicios: el decisor expresar sus preferencias mediante una matriz de comparaciones pareadas cuyos valores se corresponden con una escala previamente fijada (escala fundamental de Saaty).

Priorizacin, agregacin y sntesis. Obtenidas las prioridades totales de las alternativas, AHP permite evaluar la inconsistencia del decisor a la hora de emitir sus juicios. Definiendo la consistencia como la transitividad cardinal de los juicios (aik=aijajk, i, j, k), cuando la medida de inconsistencia fijada para el procedimiento de priorizacin supera un determinado umbral, se revisan los juicios ms discrepantes con el fin de reducir dicha inconsistencia (Aguarn y Moreno-Jimnez, 2003).

Incorporacin de la incertidumbre y explotacin. Se relaja la hiptesis de certidumbre mediante la utilizacin de intervalos de juicios y distribuciones recprocas para los mismos (Escobar y Moreno-Jimnez, 2000). A partir de esta informacin, mediante tcnicas de simulacin, se obtienen las estructuras de preferencia resultantes. A continuacin, mediante un anlisis de sensibilidad inverso, se calculan los intervalos de estabilidad, tanto en prioridad como en consistencia. Esta informacin, y, en general, la derivada de la explotacin del modelo, es usada para alcanzar un mejor conocimiento del proceso de resolucin seguido, as como punto de partida en los procesos de negociacin entre los actores implicados.

Para facilitar la participacin del decisor en estos procesos negociadores es preciso dotarle de herramientas que le permitan llevar a cabo de manera eficiente las tareas anteriormente mencionadas.

3. TCNICAS GRFICAS DE VISUALIZACIN Y SU PAPEL EN AHP En Keim (2001) y Keim (2002) puede encontrarse una clasificacin de las tcnicas de visualizacin grfica de informacin atendiendo a tres criterios: las caractersticas de los datos a representar, la tcnica de visualizacin utilizada y la tcnica de interaccin con los datos. As, se clasifican de la siguiente manera: 1. Segn el tipo de datos que se representan: datos unidimensionales, datos bidimensionales, datos multidimensionales, texto e hipertexto, jerarquas y grafos, algoritmos y software.

Tabla 1. Tcnicas grficas de aplicacin en las distintas etapas de AHP TCNICAS DE VISUALIZACIN GRFICA DE INFORMACIN Tipo de datos Tcnica de visualizacin Transformaciones geomtricas Tcnica de interaccin

Datos multidimensionales

Diagramas de densidad de pxeles

Representaciones icnicas

Datos unidimensionales Datos bidimensionales Diagramas 2d/3d Algoritmos y software Jerarquas y grafos Texto e hipertexto X X X X X X X X X X X X X

Escalado proporcional

Diagramas apilados

Resaltado Distorsin

Filtrado

Proyecciones

X X X X

X X X

ACCIONES DEL DECISOR Identificacin de criterios Construccin de la jerarqua Incorporacin de preferencias mediante matrices de comparaciones pareadas

ETAPAS Formulacin del problema Modelizacin jerrquica Valoracin y emisin de juicios Priorizacin, agregacin y sntesis; inconsistencia

Reduccin de la inconsistencia

Incertidumbre, robustez y retroalimentacin

Incorporacin de la incertidumbre (distribuciones de probabilidad recprocas, intervalos,...) Estructuras de preferencia (tcnicas de simulacin, procedimientos analticos,...)

Explotacin del modelo: aprendizaje y negociacin

X X

X X

X X

X X

Intervalos de estabilidad (prioridad, consistencia,...) Deteccin de puntos crticos y oportunidades del proceso de decisin

2. Segn

la

tcnica

de

visualizacin

utilizada:

diagramas

2d/3d,

transformaciones geomtricas, representaciones icnicas, diagramas de densidad de pxeles, diagramas apilados. 3. Segn la tcnica de interaccin con los datos: proyecciones, filtrado, escalado proporcional (zooming), distorsin, resaltado (brushing). La Tabla 1 muestra el papel que algunas de estas tcnicas pueden desempear en diferentes etapas del AHP, con el fin de ayudar al decisor en el anlisis de los datos y en las tareas que le corresponde ejecutar en cada una de ellas. Algunos ejemplos de aplicacin de estas tcnicas pueden encontrarse en Asahi (1994), Turn et al. (2003) y Moreno-Jimnez et al. (2004).

4. APLICACIONES Para ilustrar la utilidad de algunas de las tcnicas mencionadas se mostrarn ejemplos aplicables a dos de los aspectos fundamentales del AHP: i) Medida de la inconsistencia. La medida propuesta en Saaty (1980) para evaluar la inconsistencia de una matriz pareada Ann = (aij ) , llamada Razn de Consistencia de

Saaty (RC), viene dada por RC = IC IR(n)

donde IC =

max ( A ) n
n 1

1 n ( n 1)

i j

(eij 1) , siendo max el valor propio principal de la

matriz A , IR(n) el ndice de consistencia aleatorio para matrices de orden n , y

eij = aij ( j i ) el error obtenido al estimar aij por medio de j i . Si bien Saaty (1980) propuso el mtodo del vector propio para la priorizacin, recientemente se han desarrollado otros mtodos. Aguarn y Moreno-Jimnez (2003) proponen utilizar la media geomtrica por filas como procedimiento de priorizacin y el ndice Geomtrico de Consistencia (GCI) medida de la inconsistencia. Segn este procedimiento, los pesos locales i y el GCI se obtienen como:

 n i = aij j =1

1n

GCI =

2 log 2 eij (n 1)(n 2) i < j

Una vez obtenidos los pesos i ya se pueden obtener los valores eij = aij ( j i ) de los errores de estimacin. Con el fin de detectar las inconsistencias existentes en cada entrada de la matriz de juicios se definir la matriz de inconsistencia de los juicios
1 }. Los (jugdment inconsistency matrix) como nn = ( ij ), siendo ij = min{eij , eij

valores de esta matriz simtrica estn comprendidos entre 0 y 1 , siendo ms prximos a cero cuanto ms inconsistentes hayan sido los juicios entre el par considerado, y ms cercanos a uno cuanto ms consistente. El objetivo de esta matriz es ayudar al decisor a detectar los juicios y alternativas crticas. Con el fin de facilitar esta tarea, especialmente cuando las matrices de juicios son examinadas en su conjunto y las dimensiones de stas son grandes, se construye el diagrama de densidad de la inconsistencia de los juicios sustituyendo cada uno de los

elementos de la matriz por un color elegido en una escala que vara del rojo intenso (consistencia nula) al blanco (consistencia total). Por ejemplo, considrese un problema de decisin con cuatro alternativas en el que la matriz de comparaciones pareadas A y las prioridades locales , obtenidos aplicando el mtodo de la media geomtrica por filas, son
1 1 3 A= 12 1 5

3 2 1 12 2 1 1 13

5 1 , 3 1

2,3403 0,6389 = , 1,3161 0,5081

de manera que la matriz de errores resulta

1,0000 1,2209 E = 0,8891 0,9212

0,8190 1,0000 0,9710 1,2574

1,1247 1,0299 1,0000 0,8633

1,0856 0,7953 1,1583 1,0000

y la matriz de inconsistencia de los juicios es

 1,0000 0,8190 = 0,8891 0,9212

0,8190 1,0000 0,9710 0,7953

0,8891 0,9710 1,0000 0,8633

0,9212 0,7953 . 0,8633 1,0000

El diagrama de densidad de la inconsistencia de los juicios resultante sera el mostrado en la Figura 1.

Figura 1. Diagrama de densidad de la inconsistencia de los juicios para la matriz de inconsistencia de los juicios del ejemplo.

El cdigo de colores permite localizar los juicios ms inconsistentes y cuya revisin por parte del decisor resultara ms conveniente. Obsrvese que podra definirse de manera muy similar un diagrama de densidad de inconsistencia de las alternativas. Definiendo
( A) =
1 n ( n 1)

el

ndice

de

densidad

de

la

inconsistencia

como

i j

(1 ij ) , se obtiene una medida global de la inconsistencia de una

matriz de comparaciones pareadas. En esta definicin se ha seguido el esquema utilizado en Saaty (1980) para definir el ndice de consistencia, pero igualmente podra darse una definicin multiplicativa en la que la inconsistencia global fuera igual a la media geomtrica de las inconsistencias de los elementos de la matriz, es decir, ( A) = ij . Para facilitar la valoracin cualitativa de este ndice puede utilizarse i j < la tabla de equivalencia de Bryson y Mobolurin (1999) que establece el valor cualitativo de su comparacin con 1 (Tabla 2). Dentro del esquema mostrado en la Tabla 1, los diagramas de densidad de la inconsistencia de los juicios se encuadraran en las tcnicas correspondientes a datos de tipo multidimensional y visualizacin mediante diagramas de densidad de pxeles.
1n

Tabla 2. Tabla de equivalencia de Bryson y Mobolurin (1999).

Categora cualitativa Intervalo numrico Casi igual (0.95, 1.00] Muy prximo (0.90, 0.95] Relativamente prximo (0.80, 0.90] Moderadamente inferior (0.70, 0.80] Muy inferior (0.60, 0.70] Extremadamente inferior (0.50, 0.60] (0.40, 0.50] (0.30, 0.40] (0.20, 0.30] (0.10, 0.20]

ii) Explotacin del modelo. Para la visualizacin grfica de la evolucin de las

distintas estructuras de preferencia y el comportamiento de los diferentes decisores cuando se trata de tomar decisiones en grupo se ha recurrido al diagrama de localizacin de las estructuras de preferencia, un grfico en el que se representan por un lado las distancias entre los decisores y las distintas estructuras de preferencia posibles y, al mismo tiempo, la relacin de proximidad entre stas. En el caso de los datos que muestra la Tabla 3, se ha obtenido la distribucin de probabilidades (en %) de las distintas estructuras de preferencia de un problema con cuatro alternativas y 94 decisores. A partir de ellas se calcula la representacin grfica de la Figura 2, en la que puede apreciarse cmo se sitan los decisores con respecto a sus ordenaciones preferidas, al mismo tiempo que stas aparecen ms prximas entre s cuanto ms semejantes son. Con respecto a la clasificacin que se establece en la Tabla 1, los diagramas de localizacin de las estructuras de preferencia pueden considerarse como una tcnica de visualizacin para datos multidimensionales mediante diagramas 2d. Tanto en este caso como en el anterior no se hace mencin al tipo de interaccin ya que sta depender del interfaz desarrollado para permitir al decisor la exploracin de los datos.

Tabla 3. Distribucin de probabilidad de las estructuras de preferencia de 94 decisores en un problema de seleccin con cuatro alternativas.
Decisor 1324 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 0,32 0,29 0,00 0,02 0,02 0,28 0,00 0,00 2,60 0,76 0,10 0,46 1,23 0,00 0,01 0,07 0,01 0,02 0,12 0,21 0,16 0,03 0,07 0,02 0,03 0,00 0,19 0,01 0,27 0,00 0,35 8,18 0,05 0,12 0,73 0,17 1,43 0,09 0,03 0,00 0,00 0,06 0,01 0,00 0,00 0,00 51,70 3124 98,89 91,95 0,27 99,97 67,22 95,47 7,41 35,77 64,03 99,17 99,82 99,27 97,64 16,91 0,06 98,90 61,79 80,20 97,88 96,92 99,58 49,40 50,12 85,44 75,93 3,94 99,46 48,52 96,48 0,00 97,98 84,85 99,22 84,23 95,41 98,70 98,23 96,64 50,12 0,40 0,64 99,84 0,65 82,70 50,58 69,55 48,24 3214 0,79 7,71 99,54 0,01 32,75 4,24 92,59 64,23 31,97 0,06 0,08 0,27 1,09 83,09 64,61 1,03 38,19 19,76 1,99 2,84 0,26 50,55 49,79 14,54 24,04 96,06 0,35 51,47 3,21 50,30 1,67 6,00 0,73 15,63 3,80 1,12 0,27 3,26 49,83 99,51 99,27 0,10 98,90 17,30 49,42 30,45 0,03 1234 0,00 0,01 0,00 0,00 0,00 0,01 0,00 0,00 0,35 0,01 0,00 0,00 0,03 0,00 0,01 0,00 0,00 0,01 0,01 0,01 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,02 0,00 0,00 0,40 0,00 0,00 0,02 0,00 0,03 0,01 0,01 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,02 2314 0,00 0,04 0,19 0,00 0,00 0,00 0,00 0,00 0,86 0,00 0,00 0,00 0,01 0,00 35,23 0,00 0,01 0,01 0,00 0,02 0,00 0,02 0,02 0,00 0,00 0,00 0,00 0,00 0,02 49,69 0,00 0,32 0,00 0,02 0,03 0,01 0,04 0,00 0,00 0,09 0,09 0,00 0,43 0,00 0,00 0,00 0,01 2134 0,00 0,00 0,00 0,00 0,01 0,00 0,00 0,00 0,19 0,00 0,00 0,00 0,00 0,00 0,08 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,01 0,00 0,25 0,00 0,00 0,01 0,00 0,00 0,00 0,01 0,00 0,00 0,00 0,01 0,00 0,00 0,00 0,00 Decisor 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 1324 7,52 0,00 3,74 81,00 8,98 0,00 0,03 0,00 0,02 0,17 0,00 0,21 7,89 0,19 0,00 5,94 0,06 0,01 52,94 0,03 0,10 0,38 0,46 0,03 0,11 11,37 0,00 0,25 0,18 2,65 0,00 0,01 0,00 0,04 0,09 0,34 0,05 0,01 0,04 0,05 0,29 0,30 0,11 0,07 0,01 1,16 1,17 3124 92,47 84,95 92,14 19,00 21,49 74,29 94,25 83,65 95,09 99,61 50,64 98,66 12,24 96,52 1,81 93,89 4,79 0,02 47,06 97,58 97,97 99,02 99,49 1,96 99,62 88,63 18,02 99,07 99,29 96,65 50,02 64,17 50,13 2,79 98,46 98,15 96,72 29,83 80,45 90,07 99,00 97,39 98,07 94,60 94,48 97,87 97,63 3214 0,00 15,05 3,85 0,00 32,39 25,71 5,71 16,35 4,88 0,22 49,36 1,10 63,52 3,26 98,19 0,16 93,83 2,20 0,00 2,39 1,90 0,60 0,05 97,67 0,26 0,00 81,98 0,66 0,53 0,62 49,98 35,81 49,88 97,06 1,44 1,47 3,22 70,14 19,50 9,84 0,68 2,27 1,80 5,33 5,51 0,93 1,14 1234 0,01 0,00 0,12 0,00 6,63 0,00 0,00 0,00 0,00 0,00 0,00 0,01 0,96 0,01 0,00 0,00 0,03 0,03 0,00 0,00 0,02 0,00 0,00 0,00 0,00 0,00 0,00 0,01 0,00 0,03 0,00 0,00 0,00 0,00 0,00 0,02 0,00 0,01 0,00 0,01 0,03 0,00 0,00 0,00 0,00 0,01 0,04 2314 0,00 0,00 0,08 0,00 21,24 0,00 0,01 0,00 0,00 0,00 0,00 0,02 4,24 0,02 0,00 0,00 1,21 97,15 0,00 0,00 0,01 0,00 0,00 0,34 0,01 0,00 0,00 0,01 0,00 0,03 0,00 0,01 0,00 0,11 0,01 0,02 0,00 0,01 0,01 0,02 0,00 0,03 0,01 0,00 0,00 0,03 0,02 2134 0,00 0,00 0,07 0,00 9,27 0,00 0,00 0,00 0,01 0,00 0,00 0,00 11,15 0,00 0,00 0,01 0,08 0,59 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,02 0,00 0,00 0,00 0,00 0,00 0,00 0,01 0,00 0,00 0,01 0,00 0,01 0,01 0,00 0,00 0,00 0,00

10

Figura 2. Diagrama de localizacin de las estructuras de preferencia para los datos de la Tabla 3.

5. CONCLUSIONES

Las tcnicas de visualizacin grfica de informacin proporcionan medios alternativos de analizar un problema AHP que permiten aprovechar las posibilidades y las habilidades perceptuales del cerebro para extraer y analizar rpida y eficientemente informacin amplia y a menudo poco estructurada. En este artculo se han sealado algunas de las tcnicas de visualizacin grfica de las que puede beneficiarse el Proceso Analtico Jerrquico, mostrando ejemplos concretos de dos de ellas, los diagramas de inconsistencia de los juicios y los diagramas de localizacin de las estructuras de preferencia. Para desarrollar el primero se han introducido la matriz de consistencia de los juicios y el ndice de densidad de la inconsistencia.

11

6. BIBLIOGRAFA

1. Aguarn, J.; Moreno-Jimnez, J. M. (2003): The Geometric Consistency Index: Approximated Thresholds. European Journal of Operational Research, 147(1), pp. 137-145. 2. Asahi, T.; Turo, D.; Shneiderman, B. (1994): Using treemaps to visualize the Analytic Hierarchy Process. Technical Report CS-TR-3293, University of Maryland, Department of Computer Science. 3. Bryson N; Mobolurin, A. (1999): An approach for generating belief functions. European Journal of Operational Research, 115(3), pp. 624-633. 4. Escobar, M.T.; Moreno-Jimnez, J.M. (2000): Reciprocal distributions in the Analytic Hierarchy Process. European Journal of Operational Research 123(1), 154-174. 5. Keim, D. A. (2001): Visual Exploration of Large Databases. Communications of the ACM, 44(8), pp.38-44. 6. Keim, D. A. (2002): Information Visualization and Visual Data Mining. IEEE Transactions on Visualization and Computer Graphics, 8(1), pp. 1-8. 7. Moreno-Jimnez, J. M.; Aguarn, J.; Raluy, A.; Turn, A. (2004): A Spreadsheet Module for Consistent Consensus Building in AHP-Group Decision Making. Aceptado para su publicacin en Group Decision and Negotiation Journal, Kluwer Academic Publishers, Dordrecht (Holanda). 8. Saaty, T. L. (1980): Multicriteria Decision Making: The Analytic Hierarchy Process. McGraw Hill. New York. 9. Turn, A.; Aguarn, J.; Moreno-Jimnez, J. M.; Raluy, A. (2003): Visualizacin grfica de las estructuras de preferencias en AHP. Actas de la XVII Reunin ASEPELT-Espaa, Almera.

12