2.- Métodos Discretos de Toma de Decisiones

Slides:



Advertisements
Presentaciones similares
Decisiones de Cartera Villar. Capítulo Nº 12.
Advertisements

GERENCIA DE PROYECTOS I-2
Diseño y análisis de algoritmos
INDICADORES ECONÓMICOS
Cluster.
Modelos de Variable Dependiente Binaria -Logit y Probit-
Investigación de Operaciones
ESTUDIO DE MERCADO. MÉTODOS DE PROYECCIÓN
Bivariadas y Multivariadas
Tema 3: Introducción a la programación lineal
Expresión de un problema de programación lineal Aplicaciones de la programación lineal Soluciones de un problema lineal Resolución gráfica de un problema.
Muestreo para la inspección por atributos
DISEÑO DE INSTRUMENTOS PARA LA RECOLECCION DE DATOS PROPOSITO:
Investigación Operativa
PROCESO ANALITICO JERARQUICO (AHP)
DECISIONES MULTICRETERIO Y MULTIATRIBUTOS
PROCESO ANALITICO JERARQUICO (AHP)
Ciclo de formulación del proyecto.
Métodos de muestreo.
MÉTODOS CUANTITATIVOS
MUESTREO DE ACEPTACIÓN DE LOTES POR VARIABLES
DETERMINANTES Autora: Mª Soledad Vega Fernández
Control estadístico de Proceso
Evaluación de los proyectos Método general. Evaluación de proyectos de inversión Todos los proyectos de inversión tienen características estructurales.
Universidad de los Andes-CODENSA
Resolución de Problemas Método Simplex
LA DECISIÓN EMPRESARIAL
EVALUACIÓN DE PROYECTOS
1.- Introducción a la Toma de Decisiones
ANÁLISIS DE DECISIONES Y JUEGOS
EVALUACION FINANCIERA
Organización y Administración II Problemas Universo Indeterminado
TOPICOS DE ECONOMETRIA APLICADA Variables dependientes limitadas
Minivídeo 1 de 2 1 Análisis Multicriterio Introducción En la realidad económica es difícil que apareza un único objetivo. Los objetivos suelen estar.
Unidad de Aprendizaje X Semana 11 / Sesión 22
Reconocimiento de Formas en Data Mining Prof: Héctor Allende Capítulo 2 Aproximación Paramétrica.
3. Análisis de Correspondencias Simples
Programación Lineal Entera Antonio H. Escobar Z Universidad Tecnológica de Pereira – Colombia Posgrado en Ingeniería Maestría en Ingeniería Eléctrica.
Estadística Administrativa II
Modelos Cuantitativos
Observatorio de la Sostenibilidad en la Región de Murcia NAIADE (Novel Approach to Imprecise Assessment and Decision Environments)
ANÁLISIS MULTIVARIANTE
MODELOS DEL PROCESO DE DECISIÓN DE OBJETIVOS
1 Problemas de decisión Tipo particular de problemas de optimización Sistemas que evolucionan con el tiempo Se toman decisiones en momentos sucesivos de.
Sabemos reconocerlas, y calcularlas como soluciones de sistemas de ecuaciones, o de desigualdades Buscamos métodos de cálculo generales y eficientes Problemas.
TEMA 5: El problema del flujo con costo mínimo
Fundamentos de Ingeniería Económica 3e
Toma de decisiones en la empresa
Presentado por: carolina gallardo Universidad metropolitana de B/quilla.
UNIVERSIDAD DE GUADALAJARA Centro Universitario de Ciencias Económico Administrativas Departamento de Métodos Cuantitativos Ciclo 2012-A Curso Propedéutico.
III UNIDAD MATRICES.
VALOR ACTUAL NETO VAN. VALOR ACTUAL NETO VAN Valor Actual Neto ( VAN) El VAN se define como el método mediante el cual se compara el valor actual.
PLANES DE MUESTREO Y GRAFICAS DE CONTROL
4. Indicadores de rentabilidad y conveniencia
Dificultad y Discriminación
RIESGO, RENDIMIENTO Y VALOR
FUNCIONES POLINÓMICAS Y RACIONALES. INTERPOLACIÓN.
 E Expresión de un problema de programación lineal  A Aplicaciones de la programación lineal  S Soluciones de un problema de programación lineal.
TECNICAS DE ELABORACION DEL PRESUPUESTO DE CAPITAL
75.41 Algoritmos y Programación II Cátedra Ing. Patricia Calvo Complejidad algorítmica.
Unidad 2 Matrices.
6. Sistemas de ecuaciones diferenciales lineales
5. Repaso de matrices (© Chema Madoz, VEGAP, Madrid 2009)
OPTIMIZACION DEL DESEMPEÑO DE ERROR
UNIVERSIDAD CATOLICA ARGENTINA
Programación multicriterio: Métodos multicriterio discretos
Introducción a la Estadística Inferencial con SPSS Juan José Igartua Perosanz Universidad de Salamanca
Definición de matriz Se llama matriz de orden m×n a todo conjunto rectangular de elementos a ij dispuestos en m líneas horizontales (filas) y n verticales.
H. R. Alvarez A., Ph. D. Programación multicriterio.
4. Métodos psicofísicos de medida en clínica
Transcripción de la presentación:

2.- Métodos Discretos de Toma de Decisiones Francisco Ruiz de la Rúa. Departamento de Economía Aplicada (Matemáticas) Universidad de Málaga

Ejemplo: selección de personal CRITERIOS EST EXP EDA ENT TES max min CANDIDATOS Alberto 6 5 28 Blanca 4 2 25 10 9 Carlos 7 38 Daniel 35 Emilia 1 27 Félix 31 8 Germán 30 Hilario 26 Irene 3 34

Índice Tratamiento previo Determinación de pesos Utilidad Multiatributo El método Electre El método Promethee AHP Final

Pre-análisis de eficiencia EST EXP EDA ENT TES max min Alberto 6 5 28 Blanca 4 2 25 10 9 Carlos 7 38 Daniel 35 Emilia 1 27 Félix 31 8 Germán 30 Hilario 26 Irene 3 34 Félix está dominado por Germán

Pre-análisis de Satisfacción EST EXP EDA ENT TES max min Alberto 6 5 28 Blanca 4 2 25 10 9 Carlos 7 38 Daniel 35 Emilia 1 27 Germán 8 30 Hilario 26 Irene 3 34 Satisf. ≥ 4 ≥ 1 ≤ 35 ≥ 5

Criterios a maximizar En algunos métodos es necesario considerar todos los criterios como criterios a maximizar. Dos posibilidades: Cambiar de signo (y sumar una constante si necesitamos valores positivos), Tomar inversos (si todos los valores son estrictamente positivos). Conserva la cardinalidad ratio.

Criterios a maximizar EST EXP EDA ENT TES max Alberto 6 5 0,036 Blanca 4 2 0,040 10 9 Daniel 7 0,029 Emilia 1 0,037 Germán 8 0,033 Hilario 0,038

componente vector unit. Normalización Es necesario medir todos los criterios en la misma escala. Proced. 1 Proced. 2 Proced. 3 Proced. 4 Expresión Vector normalizado 0 < vi ≤ 1 0 ≤ vi ≤ 1 0 < vi < 1 Módulo variable 1 Proporcio-nalidad sí no Interpre-tación % del máximo % del rango % del total componente vector unit.

Normalización Normalizados con el procedimiento 3 EST EXP EDA ENT TES max Alberto 0,188 0,172 0,168 0,122 0,114 Blanca 0,125 0,069 0,244 0,205 Daniel 0,156 0,241 0,134 0,220 0,136 Emilia 0,034 0,174 0,146 0,159 Germán 0,276 0,171 Hilario 0,207 0,180 0,098 0,182 Normalizados con el procedimiento 3

Determinación de pesos Métodos de asignación directa - Más sencillos - Pueden llevar a inconsistencias - Pueden suponer demasiada información a manejar a la vez Métodos de asignación indirecta - Uso más complicado - Requieren más interacción - Son más consistentes

Asignación directa Ordenación simple Ordenación Asignación de valores 1º Experiencia Profesional (EXP) 2º Estudios Superiores (EST) 3º/4º Entrevista (ENT) 3º/4º Test psicotécnico (TES) 5º Edad (EDA) Asignación de valores EST EXP EDA ENT TES 4 5 1 2,5 2,5 Normalización .26 .33 .07 .17 .17

Asignación directa Tasación simple: Asignación de valores en una escala dada EST EXP EDA ENT TES 5 5 2 4 4 Normalización .25 .25 .10 .20 .20 Variante: Ratios (Importancia con relación al menos importante)

Asignación directa Comparaciones sucesivas Ordenación EST EXP EDA ENT TES 4 5 1 2,5 2,5 Tabla con “coaliciones”: EXP: EST+ENT+TES+EDA EST: ENT+TES+EDA ENT: TES+EDA EXP: EST+ENT+TES EST: ENT+TES EXP: EST+ENT Respuestas: EXP > EST+ENT pero EXP < EST+ENT+TES EST < ENT+TES ENT = TES

Asignación directa Comparaciones sucesivas (cont.) Comprobaciones ENT = TES 2.5 = 2.5 Correcto. EST < ENT+TES 4 < 2.5 + 2.5 Correcto. EXP > EST+ENT 5 > 4 + 2.5 No correcto. Modificar Nuevos pesos. EST EXP EDA ENT TES 2.58 5 0.65 1.61 1.61 Normalización .23 .44 .06 .14 .14

AHP A.H.P. (Proceso Analítico Jerárquico) Comparación binaria de criterios aij = 1 igualmente importantes 3 ligeramente más importante 5 notablemente más importante 7 demostrablemente más importante 9 absolutamente más importante aji = 1/ aij Matriz de comparaciones

AHP Consistencia: n es un autovalor de A, y  un autovector

AHP Autovalor dominante y autovector asociado lmax = 5.296 EST EXP EDA ENT TES w = 0.30 0.48 0.04 0.09 0.09 Coeficiente de inconsistencia. Coeficiente de inconsistencia aleatorio.

AHP Ratio de inconsistencia. Si R.I. < 10%, aceptar. Si no, reestimar algunos o todos los aij

MAUT n alternativas (ai). m criterios normalizados (aij). Pesos normalizados j. Evaluación global de cada alternativa:

MAUT Pesos por el método de tasación simple EST EXP EDA ENT TES max Alberto 0,188 0,172 0,168 0,122 0,114 Blanca 0,125 0,069 0,244 0,205 Daniel 0,156 0,241 0,134 0,220 0,136 Emilia 0,034 0,174 0,146 0,159 Germán 0,276 0,171 Hilario 0,207 0,180 0,098 0,182 Pesos 5 2 4 Norm. 0,25 0,10 0,20 Pesos por el método de tasación simple

MAUT R(Alberto) = 0.154 5º R(Blanca) = 0.157 4º R(Daniel) = 0.184 2º R(Emilia) = 0.134 R(Germán) = 0.207 R(Hilario) = 0.165 5º 4º 2º 6º 1º 3º

El Método Electre Relación de superación: Cuando una alternativa a es “al menos tan buena” como otra b en “una mayoría” de los criterios, y no hay ningún criterio para el que a sea “notoriamente inferior” a b, podemos afirmar sin riesgo que a supera a b. Comparaciones binarias (alternativas dos a dos)

El Método Electre Consideremos la matriz de decisión normalizada. Definimos: EST EXP EDA ENT TES max 0,25 0,1 0,2 Alberto 0,188 0,172 0,168 0,122 0,114 Blanca 0,125 0,069 0,244 0,205 Daniel 0,156 0,241 0,134 0,220 0,136 Emilia 0,034 0,174 0,146 0,159 Germán 0,276 0,171 Hilario 0,207 0,180 0,098 0,182 Dif. Max 0,063 0,242 0,054 0,091

El Método Electre Dadas dos alternativas ai y ak, definimos: Índice de concordancia Importancia conjunta de los criterios para los que ai es al menos tan buena como ak. cik = 1 si y sólo si ai domina a ak.

El Método Electre Índice de discordancia Mayor diferencia de utilidad a favor de ak (relativizada por la máxima diferencia). dik = 0 si y sólo si ai domina a ak.

El Método Electre C(E,G) = {1,3}; D(E,G) = {2,4,5} EST EXP EDA ENT TES max 0,25 0,1 0,2 Alberto 0,188 0,172 0,168 0,122 0,114 Blanca 0,125 0,069 0,244 0,205 Daniel 0,156 0,241 0,134 0,220 0,136 Emilia 0,034 0,174 0,146 0,159 Germán 0,276 0,171 Hilario 0,207 0,180 0,098 0,182 C(E,G) = {1,3}; D(E,G) = {2,4,5} c(E,G) = 0,25 + 0,10 = 0,35 C(B,D) = {3,4,5}; D(B,D) = {1,2} c(B,D) = 0,10 + 0,20 + 0,20 = 0,50

El Método Electre Matriz de concordancia A B D E G H - 0,50 0,35 0,45 0,75 0,65 0,20 0,70 0,25 0,55 0,90 0,80 0,10

El Método Electre Matriz de discordancia A B D E G H - 0,50 0,40 0,19 0,43 0,28 0,71 0,26 0,86 0,57 0,14 0,29 0,17 1,00 0,05 0,30 0,20 0,07 0,10 0,13 0,60

El Método Electre Umbral de concordancia, sc Umbral de discordancia, sd Relación de superación:

El Método Electre sc = 0,8 sd = 0,2 A B D E G H - 0,50 0,35 0,45 0,75 0,65 0,20 0,70 0,25 0,55 0,90 0,80 0,10 A B D E G H - 0,50 0,40 0,19 0,43 0,28 0,71 0,26 0,86 0,57 0,14 0,29 0,17 1,00 0,05 0,30 0,20 0,07 0,10 0,13 0,60 sc = 0,8 sd = 0,2

El Método Electre G B D A H E Matriz de superación Grafo A B D E G H - 1 Núcleo G B D A E H Núcleo: Toda alternativa fuera del núcleo está superada por alguna del núcleo No hay relaciones de superación entre alternativas del núcleo

El Método Electre G B D H E A sc = 0,6 sd = 0,4 Con suma ponderada, - 1 G B D E A H Con suma ponderada, G D H B A E

El Método Promethee Matriz de decisión original (pesos normal.) EST EXP EDA ENT TES max min 0,25 0,1 0,2 Alberto 6 5 28 Blanca 4 2 25 10 9 Daniel 7 35 Emilia 1 27 Germán 8 30 Hilario 26

El Método Promethee Pseudocriterios Sea un criterio j, Llamamos dik = Uj(ai) - Uj(ak) Sj(ai, ak) = Sj(dik) 0 Indiferencia, 1 Preferencia estricta, q Umbral de indiferencia, p Umbral de preferencia estricta.

El Método Promethee Pseudocriterios 1.- Normal 2.- En U 1 q 1

El Método Promethee Pseudocriterios 4.- En escalera 3.- En V 1 1 0,5 q

El Método Promethee Pseudocriterios 5.- Lineal 6.- Gaussiano 1 q p 1 p

El Método Promethee Elaboramos una tabla con los valores de Sj para cada criterio. Ejemplo: Todos los criterios normales, excepto el criterio edad, con pseudo-criterio en V, p = 5. S3(B,A) = (28 – 25)/5 = 3/5 = 0,60. S3(A,B) = 0 (25 < 28). S3(A,D) = 1 (35 – 28 ≥ 5).

El Método Promethee Matriz de S3 . A B D E G H - 0,00 1,00 0,40 0,60 0,20 0,80

El Método Promethee Índices de preferencia. Para cada par de alternativas, ai, ak: cAB = 0,25•1 + 0,25•1 + 0,10•0 + 0,20•0 + 0,20•0 = 0,50 cEG = 0,25•0 + 0,25•0 + 0,10•0,60 + 0,20•0 + 0,20•0 = 0,06

El Método Promethee Matriz de preferencia. A B D E G H - 0,50 0,35 0,25 0,04 0,45 0,46 0,69 0,30 0,42 0,65 0,20 0,55 0,06 0,80 0,90 0,49 0,47 0,08

El Método Promethee Flujos. Para cada alternativa ai: Flujo saliente (positivo) Flujo entrante (negativo) Flujo neto

El Método Promethee A B D E G H f+ - 0,50 0,35 0,25 0,04 0,45 1,59 0,46 0,69 0,30 0,42 2,37 0,65 0,20 2,25 0,55 0,06 1,73 0,80 0,90 3,5 0,49 0,47 0,08 1,84 f- 2,67 2,5 2,51 0,68 f -1,08 0,12 -0,25 -0,78 2,82 -0,83

El Método Promethee PROMETHEE I Relación de superación:

El Método Promethee Matriz de superación G supera A,B,D,E,H f+ 1,59 2,37 2,25 1,73 3,5 1,84 f- 2,67 2,5 2,51 0,68 Matriz de superación A B D E G H - 0,00 1,00 G supera A,B,D,E,H B supera A,D,E,H D supera A,E,H E supera A H supera A (transitividad)

El Método Promethee Grafo de superación: H E A G B D Con suma ponderada, G D H B A E

El Método Promethee PROMETHEE II Relación de superación: A B D E G H f -1,08 0,12 -0,25 -0,78 2,82 -0,83 Pos 6 2 3 4 1 5

El Método Promethee Grafo de superación: G B D E H A Con suma ponderada, G D H B A E

¡Gracias! Índice