You are on page 1of 11

La agregación de información para la toma de decisiones en la empresa

LA AGREGACIÓN DE INFORMACIÓN PARA LA TOMA DE DECISIONES EN LA EMPRESA
Canós Darós, Lourdes – loucada@omp.upv.es Dpto. de Organización de Empresas, Eco. Fin. y Cont. Universidad Politécnica de Valencia Liern Carrión, Vicente – vicente.liern@uv.es Dpto. de Matemáticas para la Economía y la Empresa Universidad de Valencia

RESUMEN
En la actividad cotidiana de las organizaciones se deben tomar decisiones de las que depende el éxito empresarial. Si el modelo planteado es lo suficientemente grande, el conjunto de soluciones alternativas pasa por dos fases: la agregación y la explotación. La agregación supone el uso de uno o varios operadores capaces de proporcionar una relación de preferencia colectiva. Así, la agregación de información de manera eficiente y flexible se ha convertido en la principal tarea de los problemas de acceso de información y otros problemas de decisión multicriterio, puesto que precisan procesar una grandísima cantidad de información cuya cantidad y precisión es muy variada. En este trabajo mostramos algunos de los operadores de agregación más utilizados en las empresas como ayuda a la toma de decisiones.

Palabras claves: Toma de decisiones, Agregación de información, Operadores de agregación. Clasificación JEL (Journal Economic Literature): O15, J24

Área temática: Otros.

XIV Jornadas de ASEPUMA y II Encuentro Internacional

1

Evidentemente no existe un único criterio para seleccionar los operadores de agregación. Ajuste empírico. 5. En particular. Fuerza axiomática. mientras que los operadores OWA pueden ser adaptados a ciertos contextos eligiendo parámetros adecuados. deben reflejar adecuadamente la realidad.Lourdes Canós y Vicente Liern 1.. INTRODUCCIÓN La agregación de información de manera eficiente y flexible se ha convertido en la principal tarea de los problemas de acceso de información y otros problemas de decisión multicriterio. un operador es mejor cuanto menos limitado esté por los axiomas que satisface. puesto que precisan procesar una grandísima cantidad de información cuya calidad y precisión es muy variada. Por ejemplo. Adaptabilidad. 1996). 2 XIV Jornadas de ASEPUMA y II Encuentro Internacional . el operador de agregación representará mejor las situaciones en las que unos atributos son compensados por otros. 2002). y esto ha hecho que se propongan algunas condiciones que se deben tener en cuenta para elegirlos (Zimmermann. lo que normalmente sólo puede ser testado con pruebas empíricas. los operadores mín y máx no son nada flexibles. esencialmente. Los operadores tienen que adaptarse al contexto específico en el que se encuentran. mediante la parametrización. en muchas ocasiones debe recurrirse a técnicas heurísticas capaces de encontrar soluciones de calidad aunque no sean necesariamente óptimas (Herrera et al. 3. Además de que los operadores satisfagan ciertos axiomas o tengan ciertas cualidades formales. y que se considera en los operadores de agregación expuestos en la siguiente sección. la toma de decisiones en las empresas suele tener un componente borroso que proporciona flexibilidad. El esfuerzo computacional de cálculo es especialmente importante cuando se tienen que resolver problemas grandes. resultan muy útiles las agregaciones entre el operador mínimo y el operador máximo a través de los operadores de medias (Legind. Por otra parte. En igualdad de condiciones. 4. Compensación y rango de compensación. 2. Eficiencia numérica. De hecho. 1991): 1. Cuanto mayor sea el grado en que se contrarrestan las funciones de pertenencia de los conjuntos borrosos agregados.

y) (monotonía). TIPOS DE OPERADORES DE AGREGACIÓN No es nuestra intención mostrar una relación exhaustiva de los operadores que actualmente existen en la literatura. y). y. T(y. 0) = 0 (existencia de una unidad). T(x. z ∈ [0. y) ≤ S(z. En igualdad de condiciones. 1) = x (existencia de una unidad). y) = T(y.1] x. ratio o absoluto) de información de pertenencia para ser admisibles. intervalo. El grado de pertenencia de un conjunto borroso en el conjunto agregado depende muy frecuentemente del número de conjuntos combinados. x) (conmutatividad).1] [0. sino que nuestro objetivo es introducir los operadores más comúnmente utilizados en el ámbito empresarial. z ∈ [0. se prefiere el operador que requiere el nivel de escala más bajo. 5. T(0. T(x. S(x. 4. 2. 2. y) (monotonía).1] x [0.1] se verifica: 1. x ≤ z S(x.1] es una t-conorma si y sólo si para cualquier XIV Jornadas de ASEPUMA y II Encuentro Internacional . conmutativa. y. T(x. Comportamiento agregado.La agregación de información para la toma de decisiones en la empresa 6. Diferentes operadores pueden requerir diferentes niveles de escala (nominal. Una función S : [0. z) (asociatividad). 7. 3 [0. De este modo. y) ≤ T(z. x) = 0 (existencia de un neutro).1] es una norma triangular o t-norma si y sólo si para cualesquiera x.1]: 1. 3.1. 2. cada conjunto adicional añadido normalmente disminuirá los grados agregados de pertenencia resultantes. Operaciones de agregación basadas en t-normas y t-conormas Un operación binaria asociativa. z)) = T(T(x. y no decreciente en el intervalo unitario T : [0. x ≤ z T(x. Nivel de escala requerido de las funciones de pertenencia. En las siguientes secciones presentamos la definición de los tipos de operadores de agregación más útiles para el campo empresarial y sus principales características. 2.1] x [0. y este hecho debe ser tenido en cuenta cuando se elige el operador.

2. S(x.. ⎪ p en otro caso.Lourdes Canós y Vicente Liern 3.2. 2. geométricas y fundamentales (root power) Las medias cuasi-aritméticas son operadores de agregación definidos como: ⎡1 n ⎤ Fα ( x ) = h −1 ⎢ ∑ h( xi )⎥. S(x. x) (conmutatividad). éste es el único operador media asociativo entre el máximo y el mínimo. x) = 1 (existencia de un neutro).K. y ) = ⎨ mín( x. Operador media Una función M : [0.1]. ⎧máx( x.2. Para p ∈ [0. y). y ≤ p . 2.z)) = S(S(x. Medias armónicas. 2. la media armónica H por la función inversa h(x) = 1/x. x n ) = f −1 ⎜ ∑ f ( xi )⎟ ⎝ n i =1 ⎠ es una media cuasi-aritmética y f se considera un generador aditivo. S(1. 2003b. y ) ⎪ Med p ( x. 1995). ⎣ n i =1 ⎦ 4 XIV Jornadas de ASEPUMA y II Encuentro Internacional .2. Fodor et al. +∞] una aplicación estrictamente monótona continua y n convenimos que ∞ + (-∞) = -∞. x ∈ I n . y ≥ p . z) (asociatividad). El operador de agregación M f : Un∈N [0. la media geométrica G por la función logarítmica g(x) = log x. Media cuasi-aritmética Sea f : [0.1]n [0. etc. Dubois y Prade (1980) también incluyen la propiedad de continuidad. S(y.1] [-∞. este operador se expresa como (Fernández-Salido y Murakami. De este modo.1. (Calvo y Mesiar. monotonicidad y conmutatividad. y) = S(y. 2003): x.1] definido por ⎛1 n ⎞ M f ( x1 . ⎩ De acuerdo con Dubois y Prade.1] es un operador media de dimensión n si y sólo si tiene las propiedades de idempotencia.1] → [0. 5. y ) x. la media aritmética estándar M es generada por la identidad i(x) = x. 4.

2002) ⎛1 n ⎞ Fα ( x ) = ⎜ ∑ xiα ⎟ ⎝ n i =1 ⎠ 1/ α . XIV Jornadas de ASEPUMA y II Encuentro Internacional 5 . (α ≠ R). 2002). La media ponderada root-power se define como ⎛ n ⎞ Fwα ( x) = ⎜ ∑ wi xiα ⎟ ⎝ i =1 ⎠ 1/ α . 1998): F0 ( x) = lim Fα ( x) = n α →0 ∏x . geométricas y root-power o generalizadas definidas por la siguiente expresión (Smolíková y Wachowiak. Esta clase incluye medias aritméticas. α →0 i =1 n Para α = -1. F−1 ( x) = n ∑1 / x i =1 n i es la media armónica. y para α = 1. el generador de Fα es continuo y estrictamente monótono. con h(x) = xα. Fα converge a la media geométrica F0 y obtenemos la siguiente expresión (Scott y Antonsson. F-1(x) ≤ F0(x) ≤ F1(x) (Smolíková y Wachowiak. α ∈ R. Fwα converge a la media geométrica ponderada Fw0. F1 ( x) = 1 n ∑ xi n i =1 es la media aritmética. Cuando α tiende a 0. x∈In con h(x) = xα.La agregación de información para la toma de decisiones en la empresa donde la función h : I R. esto es Fw0 ( x) = lim Fwα ( x) = ∏ xiwi . Cuando α tiende a 0. x∈ I n. y para α = 1. i i =1 n Para α = -1. (α ≠ 0). Para cada x ∈ In. Fw−1 ( x) = 1 ∑w i =1 n n i / xi es la media armónica ponderada. Fw1 ( x) = ∑ wi xi i =1 es la media aritmética ponderada (Smolíková y Wachowiak. 2002). -α ∈ R.

0. w2. 2002).2. orness (W = [1/n. 1/n] . 1/n. 1 ≤ i ≤ n. La generalidad de esta técnica se pone de manifiesto si mostramos cómo se pueden obtener gran número de operadores según la elección de los pesos. es decir. …. 3. que el operador mínimo presenta el menor grado de optimismo. orness (W = [0. xn) = mín (x1. …. 0. 3.. xn) = máx (x1. 1988).Lourdes Canós y Vicente Liern 2. 1]T) = 0. entonces F (x1. 1/n. n − 1 i =1 Esta medida.. …. …. orness (W = [1. que tiene un vector de ponderaciones asociado W=[w1.xn (Yager. Un agregado xi no está asociado con un peso particular wj . 2. n donde F(x1. 1998): orness(W ) = 1 n ∑ ((n − i)wi ). 0] . es decir. ∑w i=1 n i = 1. ….3. …. Un aspecto fundamental de los operadores OWA es el paso de la reordenación. sino que un peso está asociado con una posición ordenada j particular de los argumentos. xn) = 3 T 2 T 1 T 1 n ∑ xi n i =1 Los operadores OWA permiten definir la medida de optimismo como (Filev y Yager. 1/n]T) = 0. entonces F (x1. comprendida en el intervalo unidad. 0]T) = 1. entonces F (x1. Si W = [1/n. Si W = [0. …. 6 XIV Jornadas de ASEPUMA y II Encuentro Internacional . 1] . x2. wn]T tal que i) ii) wi ∈ [0.. xn). 1. 2. 0. x 2 .5. 0. que la media aritmética tiene un grado de optimismo neutral. es decir. xn ) = ∑ wk x jk siendo x j k el k-ésimo elemento más grande de k =1 la colección x1. que el operador máximo presenta el mayor grado de optimismo. …. Media ponderada ordenada (OWA) Un operador OWA de dimensión n es una aplicación F : ℜ n → ℜ . … . xn). Esta ordenación introduce la no linealidad en el proceso de agregación (Carlsson y Fullér. Si W = [1. … . muestra una agregación diseñada para un valor particular del vector de ponderaciones y determina el grado en que la agregación es parecida a una operación or (máx): 1. …. ….1].. …. Por ejemplo.

1995). 2003). Así. Se deben relajar especialmente las propiedades de conmutatividad y asociatividad para que se mantengan sólo en el caso de factores de ponderación iguales. armónica y cuadrática (Calvo y Mesiar. Además de estas operaciones. No obstante. dando lugar a la media aritmética ponderada y las medias casi-aritméticas. A partir de los trabajos iniciales de Yager han surgido multitud de variantes de los modelos OWA que permiten el tratamiento de datos de muy distinta naturaleza. aunque no sirven para modelizar la satisfacción simultánea de los criterios agregados. que es un caso especial de este tipo de agregación. 3. La agregación de la media ponderada borrosa continúa siendo una herramienta fundamental en la toma de decisiones con múltiples criterios (Guh et al.orness(W). la idea básica de la técnica OWA es asociar pesos con un posición ordenada más que con un elemento XIV Jornadas de ASEPUMA y II Encuentro Internacional 7 . 2001). Por esto Yager propuso modificar las funciones de pertenencia con los factores de ponderación asociados antes de la agregación borrosa (operadores OWA). como son las medias geométrica.La agregación de información para la toma de decisiones en la empresa De forma similar se define una medida de pesimismo de un operador OWA como andness (W) = 1. 2003). Los operadores de media son útiles para una modelización de la agregación compensatoria. la unión y la intersección de conjuntos borrosos se solía trabajar sólo con los operadores de máximo y mínimo. mientras que los operadores con la mayoría de pesos inferiores serán tipo and (Fernández-Salido y Murakami. Cuando el objetivo en la optimización borrosa es la satisfacción simultánea de la optimización de los objetivos y las restricciones. pero pronto se descubrió que éstos no reflejan adecuadamente el proceso real de agregación de diferentes criterios de toma de decisiones humanas (Fernández-Salido y Murakami. la definición axiomática de las t-normas no sirve para modelizar directamente la agregación ponderada. Así. a los operadores de agregación clásicos se añadieron operadores que incorporan ponderaciones. 2001). 2003a). COMPARACIÓN ENTRE OPERADORES DE AGREGACIÓN En los primeros estudios al respecto. en los años ochenta Dubois y Prade propusieron los operadores de máximo y mínimo ponderados cuya analogía formal con la media ponderada aritmética es obvia (Fodor et al. podemos usar tnormas para modelizar la agregación conjunta (Kaymak y Sousa.. Así.. los operadores con muchos pesos cerca del más alto serán un operador tipo or. La agregación ponderada se hace a través de las funciones de pertenencia modificadas.

mientras que los métodos numéricos son necesarios para la mediana ponderada y las aproximaciones de Sugeno.Lourdes Canós y Vicente Liern particular. y aún se complica más la situación si se quiere trabajar con las medias ponderadas armónica y geométrica (Smolíková y Wachowiak. un proceso de agregación de criterio restrictivo en la toma de decisiones borrosa requeriría que la mayor parte de los criterios 8 XIV Jornadas de ASEPUMA y II Encuentro Internacional . Generalizando la construcción de medias casi-aritméticas ponderadas para t-normas y tconormas. Los operadores OWA ofrecen más flexibilidad para satisfacer los criterios que los operadores de media ponderada. 2001). La posibilidad de realizar intercambios entre objetivos en conflicto es otro atractivo de estos operadores (Smolíková y Wachowiak. mientras que la medida de andness es una medida de pesimismo (Fernández-Salido y Murakami. y su medida generan un operador muy útil basado en los valores del vector de pesos. 2002). Con ellos los pesos pueden ser también determinados analíticamente. el problema de los órdenes numéricos no permanece con las técnicas basadas en escalas lingüisticas (Smolíková y Wachowiak. aunque esto suponga añadir hipótesis adicionales al modelo (Kaymak y Sousa. 2003). En Chiclana et al. 2002). Obviamente. los criterios globales deberían ser fáciles de satisfacer para todos los métodos de agregación. Yager propone que la medida de orness sea interpretada como una medida de optimismo en la toma de decisiones. Un problema que podemos encontrar es que la propiedad de reciprocidad generalmente no se preserva cuando la agregación se hace a través de un operador OWA guiado por un cuantificador lingüístico relativo. pues su naturaleza es definida por un vector de ponderaciones y no por un único parámetro. Los cuantificadores pueden usarse para expresar la naturaleza del proceso de agregación usando un operador OWA. “parecido a”. en Calvo y Mesiar (2003a) se propone una nueva clase de medias ponderadas que extiende la agregación basada en t-normas. A esto hay que añadir que el concepto de orness. La principal razón de la aceptación de los operadores OWA es que son capaces de modelizar una amplia variedad de agregadores. Así. (2003) se obtienen condiciones necesarias y suficientes para asegurar la reciprocidad aditiva de la relación de preferencia colectiva. 2002). Cuando se maneja gran número de valores de evaluación. Actualmente estos métodos ofrecen un mecanismo general para introducir factores de ponderación dentro de las t-normas y t-conormas arquimedianas.

Los cuantificadores borrosos utilizados en estas operaciones pueden ser modelizados a través de una clase de funciones monótonas. Los pesos surgen de manera automática a partir de los modelos de programación diseñados y. a las que Yager denomina cuantificadores de incremento monótono regula (RIM) (Fernández-Salido y Murakami. el algoritmo puede usarse para aprender los pesos asociados con un uso particular del operador OWA procedente de una observación del desempeño de algunos agentes. el peso de un atributo importante con un valor de satisfacción bajo debería. Del mismo modo. Primero desarrollaremos un algoritmo para el cálculo de los pesos OWA que nos permita aprender los pesos de los datos consistentes en n-uplas de puntuaciones individuales a lo largo de su valor agregado. 2003). De acuerdo con Marqués y Almeida (2003) hay dos razones que hacen aconsejable esta técnica: a) No es difícil pensar en problemas de decisión en los que los pesos deberían depender de los valores de satisfacción de los atributos correspondientes y no tener una dependencia absoluta del modelo matemático con el que se trata. Así. lo cierto es que existen situaciones en las que su uso estaría desaconsejado. cuando consideramos una alternativa. en algunos casos. cuando consideramos dos alternativas. el sentido común y el conocimiento de la situación real apuntan hacia pesos diferentes. el peso de un atributo poco importante con valores de satisfacción altos debería en XIV Jornadas de ASEPUMA y II Encuentro Internacional 9 . en la satisfacción de los criterios globales y la facilidad de cálculo mediante programas comerciales sencillos (Smolíková y Wachowiak. A pesar de la robustez. en ocasiones. b) Desde la perspectiva del decisor. Una cuestión importante en la teoría de la agregación OWA es la determinación de los pesos asociados. resultando una operación del tipo and. mientras que una agregación más relajada sólo necesitaría al menos algunos de los criterios satisfechos. En este caso sería mucho más adecuado utilizar una agregación con pesos paramétricos basados en la información que el decisor posee de los pesos. 2002) que proporcionan los operadores OWA. ser penalizado para dar al atributo menos importancia en la evaluación total de la alternativa.La agregación de información para la toma de decisiones en la empresa fueran satisfechos. el efecto dominante en un atributo importante debería ser menos significativo cuando los valores de satisfacción del atributo son bajos. necesitando un operador del tipo or.

• FILEV. pp. pp. pp. poco precisa. 4.). M. pp. y ROUBENS. ZADEH (eds. • FERNÁNDEZ-SALIDO. 3-10. Fuzzy logic and soft computing.A. T. “Characterization of some aggregation functions arising from MCDM problems” en B. 91. (2003). Fuzzy Sets and Systems. (2003a). • CHICLANA. 515-542. (2003). Fuzzy Sets and Systems. • FODOR. R. Academic Press. T. (1997): “Operations on fuzzy numbers via fuzzy reasoning”. Heidelberg: Springfield-Verlag.. (2003b). y MARTÍNEZ. F. la utilidad de los operadores de agregación es innegable cuando la toma de decisiones implica el tratamiento de una gran cantidad de información heterogénea e.. y YAGER. • CALVO. C.M. HERRERA-VIEDMA. H. R. • CARLSSON. J. (1980). 137. E. Fuzzy Sets and Systems. pp. F. 139. 137-142. Series: Advances in fuzzy systems-Applications and theory. J. y FULLÉR. Fuzzy sets and systems: theory and applications. “Extending Yager’s orness concept for the OWA aggregators to other mean operators”. S. R. 139. MARICHAL. (1995). Fuzzy Sets and Systems. y MESIAR. Fuzzy Sets and Systems. J. “Weighted triangular norms-based aggregation operators”.R. L. 4. REFERENCIAS BIBLIOGRÁFICAS • CALVO.R.Lourdes Canós y Vicente Liern algunos casos ser recompensado para dar más importancia al efecto de dominancia de ese atributo. 685-697.L. HERRERA. En conclusión. R. 137.C. 71-83. 194-201. YAGER y L. • DUBOIS. y MURAKAMI. Fuzzy reasoning in decision making and optimization. D y PRADE. pp. R. World Scientific Singapore. (2002). “Aggregation operators: ordering and bounds”. 10 XIV Jornadas de ASEPUMA y II Encuentro Internacional . y MESIAR. San Diego.P.H. D. incluso.. “A note on the reciprocity in the aggregation of fuzzy preferente relations using OWA operators”. BOUCHONMEUNIER.

• LEGIND LARSEN. y LEE.C. pp. “Aggregation operators for selection problems”.M. J. “Direct approach processes in group decision making using linguistic OWA operators”. “Efficient importance weighted aggregation between min and max”. HERRERA-VIEDMA. E. Fuzzy Sets and Systems. (1988): “On ordered weighted averaging aggregation operators in multi-criteria decision making”. (2002). y SOUSA. J. U. julio. (2001). • KAYMAK.. 23-34. • ZIMMERMANN.K. M.La agregación de información para la toma de decisiones en la empresa • GUH. Kluwer Academia Publishers. 23-24. 131.P.J. XIV Jornadas de ASEPUMA y II Encuentro Internacional 11 . C. “Fuzzy weighted average: the linear programming via Charnes and Cooper’s rule”. 9th International Conference on Information Processing and Management of Uncertainty in Knowledge-Based Systems (IPMU’2002). H.Y. Man and Cybernetics. F. 131. • SMOLÍKOVA. Fuzzy sets theory and its application. R. pp. E. M. y WACHOWIAK. IEEE Transactions on Systems. “Aggregation functions for engineering design trade-offs”. • HERRERA. R. Fuzzy Sets and Systems. Fuzzy Sets and Systems. 8. Fuzzy Sets and Systems. pp. pp. HON. y ANTONSSON.J. (1996). (1998). 29-46. pp. (2001). Annecy (Francia). H. Boston/Dordrecht/London. 183-190. 18. 117. Constraints.L. y VERDEGAY. Y. (1991). • YAGER.. 175-190. 79. pp. 157-160. (2002). • SCOTT. E.R. “Weighted constraint aggregation in fuzzy optimization”.S.