You are on page 1of 3

LA DECISION CON APOYO CUANTITATIVO

ANEXO: Mtodos de Normalizacin


Se aborda ahora, en este Anexo, uno de los problemas prcticos de gran
importancia que de no tenerse detalladamente en consideracin pueden
distorsionar gravemente los resultados. Las medidas rij de las evaluaciones,
independientemente de los problemas prcticos para obtenerlas, cuestin que
ya fuera abordada, pueden venir en cualquiera de las diferentes escalas
conocidas. De mayor a menor precisin: cardinal ratio, cardinal intervalo,
ordinal, nominal e incluso difusa y/o probabilstica. Se relega la consideracin
de las complicaciones adicionales que plantea la presencia de incertidumbre o
de imprecisin en los datos del problema y se centra la atencin en el caso
determinista.
Y as ocurre que hay mtodos de DMD especficamente adaptados a medidas
rij en una escala ordinal (lo que tambin admite a una nominal codificada) e
incluso a un simple preorden en las rij, para cada j. Tales mtodos son los
llamados cualitativos y son evidentes sus ventajas prcticas en cuanto a su
baja exigencia de informacin por parte del decisor. Otros mtodos, sin
embargo, requieren una escala cardinal.
Por otra parte, algunos mtodos precisan que las evaluaciones rij de una
alternativa concreta i, correspondientes a cada criterio j sean comparables no
ya en tipo de escala, sino en magnitud, unidad de medida, posicin del cero,
dispersin de medida, etc.
Es del problema de la normalizacin de las evaluaciones sobre el cual, sin
entrar por supuesto en toda su complejidad, se dar aqu unas ideas bsicas.
Con la normalizacin se busca, cuando sea necesario hacerlo porque el
mtodo lo exija, que las evaluaciones rij de cada alternativa i correspondientes
a un cierto criterio j sean comparables con las correspondientes a los otros
criterios.
Para simplificar la notacin se denota con r = [r1, r2, ......, rm] 1 , al vector
columna de evaluaciones de las alternativas correspondientes a un cierto
1

Se supone que ri > 0, para todo i=1, 2, ....., m.

criterio genrico, el cual queremos transformar en el vector normalizado v= [v1,


v2, ......, vm].
El Tabla 1 recoge sintetizadamente las definiciones y propiedades ms
relevantes de cuatro de los procedimientos de normalizacin ms utilizados.
Tabla 1: Procedimientos de Normalizacin de las Evaluaciones
Procedimiento 1

Maximizar

Definicin

ri
mx ri

vi =

ri mn ri
mx ri mn ri

Procedimiento 3

vi =

ri

Procedimiento 4

vi =

ri

( (r ) )

2 12

Escala
Normalizada

0 < vi 1

0 vi 1

0 < vi < 1

0 < vi < 1

Mdulo de v v

Variable

Variable

Variable

Proporcionalidad

Si

NO

Si

Interpretacin de
vi

Proporcin del
mximo ri

Proporcin del
rango

Proporcin del
total ri

Si
Componente isima de un
vector unitario

Definicin

Minimizar

vi =

Procedimiento 2

vi =

Mn ri
ri

vi =

mx ri ri
mx ri mn ri

vi =

ri

vi =

ri

( (r ) )

2 12

Escala
Normalizada

0 < vi 1

0 vi 1

0 < vi < 1

0 < vi < 1

Mdulo de v v

Variable

Variable

Variable

Proporcionalidad

Si

NO

Si

Interpretacin de
vi

Proporcin del
mnimo ri

Proporcin del
rango

Proporcin del
total ri

Si
Componente isima de un
vector unitario

El procedimiento 1, muy habitual, tiene como evidentes ventajas su intuitiva


interpretacin y el hecho de mantener la proporcionalidad (es decir, que
ri rk = v i v k , para todo i, k). El procedimiento 2 perfecciona el anterior a fin de
que la escala normalizada cubra exactamente el intervalo [0, 1], es decir que
para cada criterio, el peor valor es 0 y el mejor valor es 1 2 , pero el precio es el
de no mantener la proporcionalidad. El procedimiento 3, tambin muy utilizado,
especialmente en AHP, ofrece casi las mismas ventajas que el procedimiento
1, aun cuando concentra los vi hacia valores pequeos. El procedimiento 4, por
ltimo, aun cuando no es tan intuitivo su significado para un decisor con poca
formacin matemtica, ofrece la importante ventaja de permitir plenamente las
comparaciones adimensionales de los vectores de los criterios del problema.

Si se desea invertir la relacin, esto es el peor valor sea 1 y el mejor valor 0, la definicin para
mximo debe tomarse para el caso de mnimo y recprocamente.

Bibliografa:
Barba Romero, S. (1987): Panormica Actual de la Decisin Multicriterio
Discreta. Investigaciones Econmicas. Vol XI. N 2. Pag. 279 308.
Barba Romero, S. y Pomerol, J. (2000): Multicriterion Decision in Management:
Principles and Practice. Kluwer Academic Publishers.
Garca Cascales, M. (2009): Mtodos para la comparacin de alternativas
mediante un Sistema de Ayuda a la Decisin (S.A.D.) y Soft Computing. Tesis
Doctoral. Universidad Politcnica de Cartagena.