Professional Documents
Culture Documents
valoracin
Modelos multicriterio
5
8
7
6
3
0
2249122713919415
9 1245
651202339 48
3420
239
7127815 343144 52
98 114
439 189
632
632
249
82
82 524324 249
872
873
873
763
873
742
742 725
763
515
439
Autores
283
283
ii
NDICE
Prefacio ................................................................................................................vii
Captulo 1. Introduccin a la Valoracin................................................................ 9
1.1 Importancia de la valoracin ........................................................................ 9
1.2 La metodologa en Valoracin ................................................................... 15
Captulo 2. Decisin Multicriterio......................................................................... 21
2.2 Decisin multicriterio.................................................................................. 21
2.3 Variables explicativas inversas .................................................................. 24
2.4 Variables explicativas cualitativas ............................................................. 26
2.5 Normalizacin de los valores ..................................................................... 27
2.6 Funciones de distancia. Distancia L1 o distancia de Manhattan................ 37
2.7 ndice de adecuacin................................................................................. 42
2.8 Nomenclatura ........................................................................................... 42
Captulo 3. Mtodos de ponderacin de variables .............................................. 45
3.1 Introduccin ............................................................................................... 45
3.2 Mtodo de Diakoulaki ................................................................................ 46
3.3 Mtodo de la Entropa .............................................................................. 47
3.4 Mtodo de la Ordenacin simple ............................................................... 47
3.5 Mtodos de la Entropa y Diakoulaki aplicados a la Valoracin ................ 48
3.6 Mtodo de la Ordenacin simple aplicado a la Valoracin ....................... 49
3.7 Ejemplo de aplicacin a la Valoracin agraria de los mtodos de Diakoulaki
y Entropa.................................................................................................................. 50
3.7.1 Ponderacin de las variables por el mtodo de la entropa. ............... 51
3.7.2 Ponderacin de las variables por el mtodo de Diakoulaki................. 53
3.8. Ejemplo de aplicacin del mtodo de la Ordenacin simple .................... 54
Captulo 4. Mtodos de Valoracin multicriterio con informacin cuantitativa (I).
Modelo de la Suma ponderada..................................................................................... 61
4.1 Introduccin ............................................................................................... 61
4.2. Mtodo de la Suma Ponderada ................................................................ 61
4.3. Mtodo de la suma ponderada aplicado a la valoracin........................... 62
4.4 Ejemplo de aplicacin del mtodo de la Suma ponderada........................ 63
Captulo 5. Mtodos de Valoracin multicriterio con informacin cuantitativa (II).
Programacin por metas. ............................................................................................. 69
5.1 Introduccin ............................................................................................... 69
5.2 Programacin por metas (Goal programming, GP) ................................... 69
iii
iv
Prefacio
Prefacio
vii
Prefacio
sin que en l mediara ningn inters perturbador. Tal fue el empuje de esta
concepcin positivista de la valoracin como ciencia libre de todo sesgo y prejuicio,
que se termin por cuestionar la propia figura del valorador. Si el precio se obtena
objetivamente, si ninguna interpretacin de los datos poda realizarse, si, al fin, el
precio deba ser un nico precio, derivado a travs de un fro proceso matemtico,
para qu sera necesaria la figura del valorador? Si el juicio que ellos emitan ya no
se precisaba ni su influencia se consenta, si el precio final ya se adverta oculto entre
los datos, qu ms se necesitaba adems de un ordenador y una mano lega que se
encargara de presionar sobre el botn correcto? Cualquiera puede, entonces, apretar
la bendita tecla y vocear el precio que las matemticas encuentran confundido entre el
mar de datos. Da igual que un ingeniero valore una obra artstica, que un artista valore
el trabajo de un ingeniero civil, que cualquiera valore cualquier cosa! Si en el proceso
intervienen las matemticas, y solo las matemticas deducen, ms que el arte colige,
el precio, quin necesitar del juicio de un valorador? La figura del valorador debe ser
actualizada, ya que su juicio debe enriquecer y conformar el proceso valorativo que
hasta ahora restringen las matemticas y la estadstica. En el fondo, el propio precio
extrado de diferentes transacciones del mercado encierra siempre cierto grado de
subjetividad. As, cuando dos sujetos reunidos acuerdan llevar a cabo la transaccin
de determinado bien que a uno de ellos pertenece, el precio acordado es subjetivo,
pues les es propio a ellos dos nicamente. De ser otros los reunidos, el mismo activo
habra registrado, con toda seguridad, un precio distinto. Esta subjetividad la
apreciamos continuamente, incluso en los mercados ms concurrentes y tenidos como
perfectos, como es del caso de la Bolsa. Cuando el propietario de una accin decida
venderla, y otro decide comprarla, se concierta un precio que, tericamente, satisface
a ambas partes. Esto es, el que vende cree vender a un precio que le es beneficioso,
superior al que l estima como real o verdadero. El que compra, tambin cree comprar
a un buen precio, que estima inferior al real o verdadero. Aunque pueda parecer
contradictorio, es perfectamente posible que tanto comprador como vendedor estn en
posesin de la verdad al sentirse beneficiados por la transaccin, puesto que cada uno
de ellos conceder al activo un precio verdadero distinto, subjetivo por tanto. Los
mtodos tradicionales de valoracin, ms an, los propios valoradotes, han dado la
espalda a esta cuestin fundamental, eliminando en el proceso de cuantificacin del
precio todo aqul elemento que pudiera contener el ms mnimo atisbo de
subjetividad, en pos de la aplicacin del mtodo cientfico, claro. En este libro se
presentan mtodos de valoracin que anan, por una parte, la exactitud y precisin
metodolgica de las matemticas y la estadstica, y por otra la posibilidad de
incorporar herramientas que modelen (objetiven) el grado de subjetividad inherente al
propio proceso valorativo. Si no existiera la subjetividad en el propio precio, o en la
recopilacin de las variables explicativas del mismo, ya no tendra sentido la figura del
valorador. Permitamos que ste juzgue, que su experiencia conforme un precio ms
afinado, que no siempre ha de ser el ms exacto ni preciso; apoyemos su labor con las
herramientas matemticas adecuadas y, fruto de esa sinergia, actualicemos el
concepto de la valoracin como ciencia y la del valorador como artista sensible y
experto cientfico.
viii
siglos XVI y XVII cuando se desarrolla fuertemente con la valoracin con fines
fiscales, en las ciudades-repblicas de Venecia y Florencia.
A lo largo del siglo XX la ciencia de la valoracin ha adquirido un notable desarrollo
en el seno de distintas escuelas.
10
11
CONJUNTO
ASOCIADOS
UNIDADES
MILLONES DE EUROS
ATASA 2003
CONCEPTO
N (.000)
IMPORTE
TOTAL
1.411,4
100
444.555
100
I. Inmuebles
1.401,4
99,3
442.614
99,6
18,7
1,3
6.171
1,4
32,9
2,3
47.136
10,6
83,1
5,9
150.878
33,9
43,0
3,0
100.225
22,5
4,6
0,3
17.464
3,9
28,9
2,0
20.392
4,6
1260,2
89,3
219.983
49,5
I.4.1. Viviendas
1.152,2
81,6
198.082
44,6
I.4.2. Oficinas
7,3
0,5
3.133
0,7
69,4
4,9
17.041
3,8
I.5. Edificios
econmica
explotacin
5,5
0,4
18.056
4,1
0,8
0,1
363
0,1
10,2
0,7
1.941
0,4
II.1. Empresas
2,8
0,2
1.334
0,1
II.2. Muebles
7,5
0,5
607
0,3
I.3.1.
Edificios
residencial
uso
12
Valoraciones (miles)
N de valoraciones
1600
1400
1200
1000
800
600
400
200
0
Serie1
9 10
Aos (1994-2003)
Figura 1.1. Evolucin del nmero de valoraciones realizadas por las Sociedades
de tasacin pertenecientes a ATASA
Comunidad
Autnoma
Nmero
Importe
N en miles
Valor (mm )
Andaluca
250
17,90
78.787
17,80
Catalua
290
20,70
87.814
19,80
Madrid
199
14,20
92.871
21,00
Valencia
183
13,10
47.234
10,70
Resto
479
34,10
135.908
30,70
Total
1.401
100,00
442.614
100,00
13
14
Todas ellas realizan anualmente Congresos y Jornadas con el fin de reunir a sus
asociados, dictar normas de funcionamiento, cdigos deontolgicos de procedimientos
y, en resumen, un saber hacer en la profesin del valorador y tasador.
COMPARATIVOS
MTODO
Origen
Extremos
Ratios
ECUACIN
V =
V = Vm +
V M +Vm
X
XM + Xm
(V M Vm )( X X m )
(X M X m )
V
V1 V 2
+
+ .... + n
X
X2
Xn
X
V= 1
n
ECUACIN
SIMPLIFICADA
V = a1 X
V = a2 X + b
V = a3 X
15
V =
Baricntrico
Beta
V = V B (X B V f
Economtrico
ANALTICOS
V 1+V 2+.... +V n
X
X 1+ X 2+.... + X n
) (V
V A )(VB VM )
( X B X A )( X B X M )
Capitalizacin
V =
i =1
Objetivosubjetivo
V = f (x1 , x2, K xn )
n
V =
i =1
V = a4 X
Ri
(1 + r )n
FCi
(1 + r )n
V = VB a5 X
V = f ( xi )
V=
V=
R
r
FC
r
Siendo
Vi = Valores de los testigos y del activo a valorar
Xi = Variables explicativas
Ri = Renta producida por el bien a valorar
FCi = Flujos de caja producidas por el bien a valorar
r = Tasa de actualizacin
16
17
Sala M. Y Torres T. Anlisis emprico de la evolucin de los precios en el mercado del suelo rstico.
Universidad de Lleida.
9
Guadalajara et (2001) al desarrollan un modelo de mbito nacional para explicar el valor de la tierra en
Espaa por comunidades autnomas. Parten de la encuesta de precios de la tierra elaborada por el
Ministerio de Agricultura, Pesca y Alimentacin y de los datos testigo de una empresa de tasacin con
fines hipotecarios.Del conjunto de todas las variables explicativas analizadas nicamente dos resultan
vlidas. La produccin bruta del cultivo, la cual explica tanto el precio oficial de la tierra como los testigo y
el nmero de explotaciones en el caso de los precios oficiales y el aprovechamiento de superficie labrada
herbcea en el caso de los testigo. Guadalajara N., Fenollosa M L.,Ribal F.J.. El mercado de la tierra en
Espaa. Modelos economtricos para la estimacin del valor.
10
18
V=
Q1
Q2
Qn
+
+ ...... +
2
(1 + r ) (1 + r )
(1 + r ) n
V=
Q
r
19
existentes o bien aportar nuevas vas de solucin a los problemas de valoracin que
se plantean en la prctica valorativa. Estos dos objetivos son los que se plantea el
presente trabajo, por un lado mejorar los mtodos tradicionales, por otro presentar
nuevos modelos de valoracin que enriquezcan la batera de herramientas disponibles
para el experto valorador, con tal fin en los siguientes captulos se va a desarrollar el
siguiente contenido.
En el captulo 2 se presenta una breve explicacin del rea de conocimiento
conocida como Decisin multicriterio y se enumeran los mtodos cuyo desarrollo se
ver en los prximos captulos en su aplicacin a la valoracin. Tambin en este
captulo se desarrollan conceptos importantes que van a ser utilizados en los captulos
siguientes como son: variables explicativas inversas, variables explicativas cualitativas,
normalizacin de valores, ndice de adecuacin y adaptacin de la nomenclatura.
En el captulo 3 se introducen los mtodos de ponderacin de variables:
Mtodos de Diakoulaki, Entropa y Ordenacin simple.
El captulo 4 trata sobre los mtodos multicriterio a utilizar cuando se parte de
informacin cuantificada, desarrollndose el Mtodo de la Suma ponderada.
El captulo 5 es continuacin del captulo anterior pero en este caso se expone la
Programacin por metas con sus distintas variantes.
El captulo 6 nos introduce en la metodologa de valoracin cuando se parte de
informacin cualitativa, mediante el Proceso Analtico Jerrquico (AHP). Este captulo
contiene un ANEXO en el que se desarrolla un ejemplo de aplicacin del AHP con las
pantallas de EXCEL con el fin de ver con detalle todo el proceso de clculo.
El captulo 7 sigue con el modelo AHP pero cuando intervienen un grupo de
valoradores por lo que hay que llegar a una solucin agregada, al mismo tiempo que
se introduce el concepto de consistencia de las matrices.
En el captulo 8 se incorporan los modelo multicriterio compuestos bietpico y el
trietpico.
Termina el libro con un corolario en el que se apuntan las nuevas vas de
desarrollo de metodologa multicriterio en las que se est trabajando y que
paulatinamente se irn incorporando al mismo.
Finalmente se incorpora una extensa bibliografa tanto de valoracin como de
decisin multicriterio.
20
21
21
22
30
Los autores estn convencidos que el nmero de mtodos multicriterio a utilizar en Valoracin, crecer
de forma exponencial en los prximos aos. En el presente trabajo se limitan a exponer aquellos sobre
los que vienen trabajando en los ltimos aos.
23
24
Ingresos brutos
(/Ha)
Riesgo de helada
(%)
Poblacin agrcola
municipio
Parcela A
1100
10
5000
Parcela B
980
25
6000
Parcela C
1000
15
8500
Parcela D
755
15
15000
Parcela E
1200
2500
Parcela F
1050
10
3000
25
Parcela
A
Parcela
B
Parcela
C
Parcela
D
Parcela
E
Parcela
F
Proporcionalidad
Riesgo de
helada (%) Inversa Rh 50-Rh 30-Rh
10
0,100
20
1,000
1,000
1,000 1,000
0,040
20
2,500
2,500
4,000 4,000
0,067
15
10
1,500
1,500
1,333 2,000
0,067
15
10
1,500
1,500
1,333 2,000
0,200
25
0,500
0,500
0,800 0,000
0,100
20
1,000
1,000
1,000 1,000
25
15
15
5
10
Tabla 2.2. Transformacin a directa de la variable Riesgo de helada.
26
cualitativas, son aquellas que no son medibles directamente, aunque el experto pueda
darles una determinada cuantificacin utilizando una escala determinada previamente.
Son ejemplo de este tipo de variables cualitativas, la calidad del suelo, el aspecto
vegetativo, la calidad del entorno urbanstico, la importancia de la imagen, la calidad
artstica. Las variables cualitativas tienen gran importancia en los procesos valorativos
y deben ser tenidas en cuenta en la valoracin. La dificultad que presentan es su
cuantificacin, normalmente la forma de abordar este problema es mediante una
escala lineal de 0 a 10 o de 0 a 100 (no es indiferente el rango de la escala que se
adopte), donde el experto sita cada uno de los testigos comparndolos todos entre si.
Miller (1956) en un estudio de gran repercusin en la teora de la decisin establece
que el cerebro humano tiene serias limitaciones para establecer comparaciones
globales entre distintos sujetos o alternativas a partir de una escala determinada, que
se incrementa de forma considerable cuando el nmero de elementos a comparar
supera el nmero 7.
Sin embargo el cerebro humano se encuentra perfectamente adaptado a las
comparaciones por pares, esto es, enfrentado a comparar dos elementos en funcin
de una caracterstica determinada el cerebro humano la realiza con relativa facilidad.
Cuando desarrollemos el Proceso Analtico Jerrquico veremos que esta cualidad es
la base para cuantificar las variables explicativas cualitativas con el fin de poderlas
utilizar en el proceso de valoracin.
CULTIVO
INVERSIN (/Ha)
GANANCIAS(/Ha)
Suma
-7200
1500
-5700
-8500
1200
-7300
-4500
450
-4050
27
-6000
1800
-4200
CULTIVO
INVERSIN (miles
/Ha)
GANANCIAS(/Ha)
Suma
-7,20
1500
1492,8
-8,50
1200
1194,5
-4,50
450
445,5
-6,00
1800
1792,0
Criterio 1
Criterio 2
Criterio 3
28
Alternativa A
X11
X12
X13
Alternativa B
X21
X22
X23
Alternativa C
X31
X32
X33
Alternativa D
X41
X42
X43
Alternativa E
X51
X52
X53
Alternativa F
X61
X62
X63
x11NORMALIZADO =
x11
x
= 5 11
x11 + x21 + x31 + x41 + x51
xi1
i =1
x1 jNORMALIZADO =
xij
n
x
i =1
ij
29
x11
x21
x11NORMALIZADO =
x1 jNORMALIZADO =
xij
max xij
x31 x11
x21 x11
x31NORMALIZADO =
xi1NORMALIZADO =
30
Ingresos brutos
(/Ha)
Riesgo de helada
(%)
Poblacin agrcola
Parcela A
1.100
10
5.000
Parcela B
980
25
6.000
Parcela C
1.000
15
8.500
Parcela D
755
15
15.000
Parcela E
1.200
2.500
Parcela F
1.050
10
3.000
De las tres variables consideradas, dos de ellas son variables directas con
respecto al precio, tanto los Ingresos brutos como la poblacin activa agrcola estn
relacionadas positivamente con el precio de las parcelas, a mayor valor de la variable
mayor valor de las parcelas. Sin embargo el riesgo de helada es una variable inversa
ya que a mayor riesgo de helada, menor precio. Por lo tanto hay que transformar la
variable Riesgo de helada en directa. Como hemos visto en el punto correspondiente
la transformamos en directa mediante la inversa del valor.
Con la transformacin por la inversa la tabla inicial de los datos quedara de la
forma de la Tabla 2.7.
Ingresos brutos
(/Ha)
Riesgo de helada
(%)
Poblacin agrcola
Parcela A
1.100
0,10
5.000
Parcela B
980
0,04
6.000
Parcela C
1.000
0,07
8.500
Parcela D
755
0,07
15.000
Parcela E
1.200
0,20
2.500
Parcela F
1.050
0,10
3.000
31
0,1807
0,9166
0,7752
Parcela B
0,1610
0,8166
0,5056
Parcela C
0,1643
0,8333
0,5505
Parcela D
0,1240
0,6291
0,0000
Parcela E
0,1972
1,0000
1,0000
Parcela F
0,1725
0,8750
0,6629
Tabla 2.8. Valores de la variable Ingresos Brutos normalizada, para cada uno de
los mtodos de normalizacin
Ideal
Intervalo
0,1972
0,1240
0,6291
0,0731
0,3708
Tabla 2.9. Intervalo o recorrido de la variable Ingresos Brutos normalizada, para cada
uno de los mtodos de normalizacin
32
Valor normalizado
Normalizacin por
la suma
Normalizacin por
Parcela A Parcela B Parcela C Parcela D Parcela E Parcelael
F Ideal
Normalizacin por
Parcelas
el intervalo
Grfico 2.2. Intervalo o recorrido de la variable Ingresos Brutos normalizada, para cada
uno de los mtodos de normalizacin
0,1724
0,5000
0,3750
Parcela B
0,0689
0,2000
0,0000
Parcela C
0,1206
0,3500
0,1875
Parcela D
0,1206
0,3500
0,1875
Parcela E
0,3448
1,0000
1,0000
Parcela F
0,1724
0,5000
0,3750
Tabla 2.10. Valores de la variable Riesgo de Helada normalizada, para cada uno
de los mtodos de normalizacin
Riesgo de helada
Mximo
Mnimo
Recorrido
Suma
Ideal
Intervalo
1,0000
2,9000
1,0000
0,3448
1,0000
0,0000
0,6551
1,9000
1,0000
33
Valores normalizados
0,8
0,6
0,4
0,2
Normalizacin por
la suma
Normalizacin por
el Ideal
Parcela A
Parcela B
Parcela C
Parcela D
Parcela E
Parcela F
Parcelas
Normalizacin por
el intervalo
0,1250
0,3333
0,2000
Parcela B
0,1500
0,4000
0,2800
Parcela C
0,2125
0,5666
0,4800
Parcela D
0,3750
1,0000
1,0000
Parcela E
0,0625
0,1666
0,0000
Parcela F
0,0750
0,2000
0,0400
Poblacin agrcola
Mximo
Mnimo
Recorrido
Suma
Ideal
Intervalo
0,3750
1,0000
1,0000
0,0625
0,1666
0,0000
0,3125
0,8333
1,0000
34
Valores normalizados
1,2
1
0,8
Poblacin
agrcola
Normalizacin
por el Ideal
0,6
0,4
0,2
0
Parcela A Parcela B Parcela C Parcela D Parcela E Parcela F
Parcelas
Poblacin
agrcola
Normalizacin
por el
En todos los casos, se observa que el recorrido o intervalo de las variables vara
en funcin del mtodo de normalizacin utilizado, siendo el ms concentrado la
normalizacin por la suma y el menos el por el rango en el que siempre hay un valor 0
y otro 1.
El otro punto fundamental a comprobar es cual/es de los metodo/s mantiene/n la
proporcionalidad. Para ello comprobamos para todas las variables y para los tres tipo
de normalizacin el mantenimiento de la proporcin de cada valor con respecto al
valor de la parcela A (Tablas 2.14, 2.15 y 2.16)
Ingresos Brutos
Valor
Proporcin
Normalizacin por la
suma
Valor
normalizado
Proporcin
Normalizacin por el
Ideal
Valor
normalizado
Proporcin
Normalizacin por el
intervalo
Valor
Proporcin
normalizado
1100
1,0000
0,1807
1,0000
0,9166
1,0000
0,7752
1,0000
98
0,8909
0,1610
0,8909
0,8166
0,8909
0,5056
0,6521
1000
0,9090
0,1643
0,9090
0,8333
0,9090
0,5505
0,7101
755
0,6863
0,1240
0,6863
0,6291
0,6863
0,0000
0,0000
1200
1,0909
0,1972
1,0909
1,0000
1,0909
1,0000
1,2898
1050
0,9545
0,1725
0,9545
0,8750
0,9545
0,6629
0,8550
35
Riesgo de helada
Valor
Proporcin
Normalizacin por la
suma
Valor
normalizado
Proporcin
Normalizacin por el
Ideal
Valor
normalizado
Proporcin
Normalizacin por el
intervalo
Valor
Proporcin
normalizado
0,1000
1,0000
0,1724
1,0000
0,5000
1,0000
0,3750
1,0000
0,0400
0,4000
0,0689
0,4000
0,2000
0,4000
0,0000
0,0000
0,0700
0,7000
0,1206
0,7000
0,3500
0,7000
0,1875
0,5000
0,0700
0,7000
0,1206
0,7000
0,3500
0,7000
0,1875
0,5000
0,2000
0,2000
0,3448
0,2000
1,0000
0,2000
1,0000
2,6666
0,1000
1,0000
0,1724
1,0000
0,5000
1,0000
0,3750
1,0000
Poblacin agrcola
Valor
Proporcin
Normalizacin por la
suma
Valor
normalizado
Proporcin
Normalizacin por el
Ideal
Valor
normalizado
Proporcin
Normalizacin por el
intervalo
Valor
Proporcin
normalizado
5.000
1,0000
0,1250
1,0000
0,3333
1,0000
0,2000
1,0000
6.000
1,2000
0,1500
1,2000
0,4000
1,2000
0,2800
1,4000
8.500
1,7000
0,2125
1,7000
0,5666
1,7000
0,4800
2,4000
15.000
3,0000
0,3750
3,0000
1,0000
3,0000
1,0000
5,0000
2.500
0,5000
0,0625
0,5000
0,1666
0,5000
0,0000
0,0000
3.000
0,6000
0,0750
0,6000
0,2000
0,6000
0,0400
0,2000
36
n
p
L p = x1j x 2j
j =1
1/ p
( 5)
Segn el valor que demos a p obtenemos distintas distancias, de las cuales las ms
comunes son:
P=1. Distancia Manhattan o Norma L1
P=2. Distancia Euclidiana o Norma L2
P= . Distancia Chevysev o Norma L
En un eje de coordenadas bidimensional (Figura 2.5), las distancias entre dos puntos
A y B seran.
37
X2
B (2,7)
10
6
A (10,1)
8
X1
Figura 2.5. Distancia Eucldiana y Manhattan. (Figura tomada de Romero C., 1977 pag. 48)
38
Tenemos por otro lado los valores reales de cada uno de los testigos, valores de los
que partimos (VR) y al que consideramos como Ideal.
Calculamos la distancia L1 entre cada Vm y VR.
Aquel Vm cuya distancia al ideal sea menor ser el mtodo cuya solucin adoptaremos
como definitiva, ya que es el mtodo con el que obtenemos Vm mas parecidos al Ideal
que recordemos son los valores reales de los testigos.
2.6.1. Ejemplo
Veamos este proceso con un ejemplo. Para ello utilizaremos la informacin del
ejemplo que seguiremos en captulos posteriores, pero en estos momentos como aun
no se han presentado los modelos multicriterio, aplicaremos solo un modelo clsico
sinttico como el baricntrico y aplicaremos la distancia Manhattan para determinar
cual de los distintos valores encontrados en funcin de la variable utilizada es el mas
adecuado.
Parcela
Valor
Ingresos brutos
Edad
Poblacin agraria
4.200
400
11
1.200
6.100
750
10
1.250
6.800
870
11
1.300
6.200
800
10
1.400
5.000
600
10
1.300
800
10
1.200
PARCELA
1
2
3
4
5
X
VALOR
4200
6100
6800
6200
5000
INGRESOS BRUTOS
0,0948
0,1777
0,2062
0,1896
0,1422
0,1896
1
EDAD
0,1746
0,1587
0,1746
0,1587
0,1587
0,1746
1
POBLACION AGRARIA
0,1569
0,1634
0,1699
0,1830
0,1699
0,1569
1
39
Variable Edad
Tenemos por lo tanto tres valores distintos en funcin del ratio utilizado. Vamos a
determinar que solucin es la mas adecuada, que ser aquella que de la menor
Distancia Manhattan, de los valores recalculados de los testigos.
Calculamos, por lo tanto, la Distancia Manhattan o L1 para cada ratio mediante (6).
Tabla 2.18.
5
1
L2 = x 1j x 2j
j =1
1/1
PARCELA
VALOR
1
4.200,00
2
6.100,00
3
6.800,00
4
6.200,00
5
5.000,00
DISTANCIA
MANHATTAN
(6)
Valor con
Ratio IB
3.310
6.206
7.199
6.620
4.965
Distancia
890
106
399
420
35
Valor con
Ratio E
5.987
5.442
5.987
5.442
5.442
1.850
Distancia
1.787
658
813
758
442
Valor con
Ratio PA
5.265
5.484
5.704
6.143
5.704
4.458
3.538
Distancia
1.065
616
1.096
57
704
40
Variable
I. Brutos
Edad
P. Agraria
Distancia
Manhattan
1.850
4.458
3.538
Distancia Manhattan
5.000
4.500
Distancia al Ideal
4.000
3.500
3.000
2.500
Distancia Manhattan
2.000
1.500
1.000
500
0
I. Brutos
Edad
P. Agraria
Mtodo
Es evidente en este caso que los valores que su distancia al Ideal es menor son los
obtenidos con el ratio Ingresos brutos, por lo tanto adoptaremos el valor de la parcela
problema deducido por este ratio.
VALOR DEFINITIVO DE X = 6.620 euros/Ha.
En sucesivos captulos utilizaremos el clculo de la distancia Manhattan para
determinar en cada caso el mtodo cuyo resultado es el ms indicado.
41
I a = 1 100
z'
[7]
n
j =1
y
j =1
y ).
2.8 NOMENCLATURA
Para poder aplicar la metodologa multicriterio a la valoracin es imprescindible
realizar algunos cambios en la terminologa original de forma que se adapte el
vocabulario multicriterio a la terminologa valorativa.
1. Las denominadas Alternativas en el modelo general se correspondern en
valoracin con el conjunto de activos (fincas o parcelas en el caso agrario,
inmuebles urbanos en valoracin urbana etc) cuyos valores de mercado y
caractersticas se conocen, mas el activo a valorar.
2. Los denominados atributos en el modelo general equivalen con lo que
denominamos en valoracin variables explicativas o variables exgenas y
32
El Indice de adecuacin presentado en este apartado es otra forma de enfocar el concepto de Distancia
Manhattan visto en el apartado anterior. En este caso se comparan las distancias a el Ideal de los valores
obtenidos con Programacin por metas frente a un modelo naive.
33
En cualquiera de sus variantes.
42
43
3.1 INTRODUCCIN
Tanto en este captulo como en los posteriores, en los que se van a exponer la
utilizacin de diversos mtodos de decisin multicriterio como tcnicas de aplicacin a
la valoracin, primero se mostrarn en su faceta original de metodologa de toma de
decisiones, para posteriormente desarrollar como pueden ser aplicados a la valoracin
de activos, terminando en todos los casos con un ejemplo de esta aplicacin.
En este captulo se presentan tres mtodos multicriterio cuya funcin consiste en
permitir la ponderacin de los distintos criterios (variables explicativas) utilizados para
ponderar las alternativas (activos testigo y a valorar). Los mtodos en concreto son:
Mtodo de la Entropa.
Mtodo de Diakoulaki.
ALTERNATIVA
Criterio A
Criterio B
Criterio C
X1A
X1B
X1C
X2A
X2B
X2C
X3A
X3B
X3C
X4A
X4B
X4C
x5A
x5B
x5C
xPA
xPB
xPC
45
Sj =
Xj X
j =1
n
(2)
r jk =
cov( j , k )
s j * sk
(3)
46
35
47
Criterios
Orden
Valor
Ponderacin
0,3333
0,5000
0,1667
ACTIVOS
VALOR
Variable A
Variable B
Variable C
V1
X1A
X1B
X1C
V2
X2A
X2B
X2C
V3
X3A
X3B
X3C
V4
X4A
X4B
X4C
V5
x5A
x5B
x5C
xPA
xPB
xPC
48
Rj =
i=1
5
j = A... C (1)
ij
i=1
j = A...B
(2)
(3)
Siendo las wi los pesos o ponderaciones obtenidas por cada variable, y los Vpi
los distintos valores encontrados en funcin de la variable utilizada.
36
CABALLER, V (1998)
49
Cuando se aplica el mtodo Beta tambin se obtiene un valor por cada variable
explicativa, pero en este caso no se tiene una informacin de mercado suficiente para
aplicar uno de los mtodos de ponderacin de variables vistos en el apartado anterior
(Diakoulaki o Entropa), por lo que se puede optar por deducir la ponderacin de las
variables mediante una simple ordenacin. Esa ponderacin como en el caso anterior
ser la que se utilizar para ponderar los distintos valores obtenidos.
Tambin este mtodo puede utilizarse para ponderar las variables explicativas
en el caso de utilizar el Proceso Analtico Jerrquico (este mtodo se ver con detalle
en el prximo captulo) ya que en AHP el primer paso es ponderar las variables
explicativas, ponderacin que se realiza planteando una matriz de comparaciones
pareadas. Puede darse el caso de no conocer el entorno de forma suficiente como
para plantear esta matriz, por lo que en esa situacin puede adoptarse la solucin de
ponderar las variables explicativas utilizando la Ordenacin Simple37.
PARCELA
VALOR
/hg38
INGRESOS
BRUTOS /hg
EDAD
PLANTACIN
POBLACIN
AGRARIA
4200
400
11
1.200
6100
750
10
1.250
6800
870
11
1.300
6200
800
10
1.400
5000
600
10
1.300
800
11
1.200
Cuando desarrollemos el Proceso Analtico Jerrquico y la Programacin por metas veremos que este
procedimiento de la utilizacin de la Ordenacin simple aunque posible y vlido es innecesario, ya que es
superado por lo que denominaremos el modelo bietpico.
38
hg =Hanegada, medida de superficie equivalente a 831 m2
37
50
PARCELA
VALOR /hg
INGRESOS
BRUTOS /hg
EDAD
POBLACIN
AGRARIA
4.200
0,0948
0,1746
0,1569
6.100
0,1777
0,1587
0,1634
6.800
0,2062
0,1746
0,1699
6.200
0,1896
0,1587
0,1830
5.000
0,1422
0,1587
0,1699
0,1896
0,1746
0,1569
1,0000
1,0000
1,0000
4.200
-1,0233
-0,7579
-0,8045
6.100
-0,7503
-0,7993
-0,7868
6.800
-0,6858
-0,7579
-0,7697
6.200
-0,7222
-0,7993
-0,7375
5.000
-0,8472
-0,7993
-0,7697
-0,7222
-0,7579
-0,8045
51
Variable
Entropa
Diversidad
Pesos normalizados
INGRESOS
BRUTOS
0,9844
0,0156
0,9152
EDAD
0,9994
0,0006
0,0371
POBLACIN
AGRARIA
0,9992
0,0008
0,0477
0,0171
1,0000
52
Desviacin tpica
INGRESOS BRUTOS
0,0412
EDAD
0,0087
POBLACIN AGRARIA
0,0099
Tabla 3.8. Desviacin tpica de las variables
Variable
INGRESOS BRUTOS
EDAD
POBLACIN
AGRARIA
-0,0840
0,4245
EDAD
-0,6019
POBLACIN
AGRARIA
Tabla 3.9. Coeficientes de correlacin entre variables
Con los datos obtenidos en los procesos anteriores, calculamos el peso de cada
variable.
WIB = 0,0412 * [(1-(-0,0840))+(1-0.4245)] = 0,0684
WE = 0,0087 * [(1-(-0,0840))+(1-(-6019))] = 0,0234
WRh = 0,0099 * [(1-0,4245)+(1-(-0,6019))] = 0,0216
Normalizamos los resultados obtenidos y obtenemos la ponderacin de las
variables. Tabla 3.10.
Variable
Pesos
Pesos normalizados
INGRESOS BRUTOS
0,0684
0,6036
EDAD
0,0234
0,2060
POBLACIN AGRARIA
0,0216
0,1904
0,1133
1,0000
53
Edad: 20,60%
Riesgo de helada: 19,04%
Esto es, la variable mas importante es los Ingresos brutos, mientras tanto la
Edad como la Poblacin agraria su importancia es similar y menor.
DEL
MTODO
DE
LA
Variables
Orden
Valor
Ponderacin
Ingresos Brutos
0,5000
Edad
0,3333
Poblacin agraria
0,1666
39
Este supuesto que en principio puede parecer irreal y que desde luego hara bajo la metodologa actual
inviable cualquier intento de valoracin, se da en la prctica valorativa mayor nmero de veces de lo
deseado. El valor de la metodologa que se ir presentando en los prximos captulos es que permite hacer
frente a este tipo de situaciones, en ese sentido, el mtodo de la Ordenacin simple es un primer ejemplo
aunque muy elemental comparado con el nivel de elaboracin de metodologas que veremos
posteriormente como el Proceso Analtico Jerrquico y la combinacin de este con la Programacin por
metas.
54
Variables
Orden
Valor
Ponderacin
Ingresos Brutos
0,5000
Edad
1,5
0,2500
Poblacin agraria
1,5
0,2500
PARCELA
VALOR /hg
INGRESOS
BRUTOS /hg
EDAD
POBLACIN
AGRARIA
4200
400
11
1.200
6100
750
10
1.250
6800
870
11
1.300
6200
800
10
1.400
5000
600
10
1.300
800
11
1.200
55
PARCELA
VALOR
/hg
INGRESOS BRUTOS
/hg
EDAD
POBLACIN
AGRARIA
4.200
0,0948
0,1746
0,1569
6.100
0,1777
0,1587
0,1634
6.800
0,2062
0,1746
0,1699
6.200
0,1896
0,1587
0,1830
5.000
0,1422
0,1587
0,1699
0,1896
0,1746
0,1569
1,0000
1,0000
1,0000
Variable Edad
56
Variable utilizada
Valor de la Ha
Comparacin
Ingresos Brutos
6.620
100
Edad
5.987
90,43
Poblacin agraria.
5.246
79,24
1.
El tasador opta por utilizar el promedio de todos los valores, en este caso este
valor promedio sera de 5.951 con lo cual utiliza todas las variables en el calculo
del precio, pero considera que todas las variables influyen de la misma forma, lo
cual no parece correcto, ya que es lgico suponer que algunas de las variables
consideradas (por Ej. Ingresos brutos) tienen mayor influencia que las otras en el
precio de la parcela. Todo ello agravado en este caso por la gran diferencia de
valores encontrada segn qu variable explicativa se utilice.
2.
3. Por ltimo otra solucin sera adoptar como vlido el precio obtenido con aquella
variable que ha juicio del valorador sea mas explicativa del precio. Por ejemplo los
Ingresos brutos y en este caso el valor final sera de 6.620 .
Cualquiera de las soluciones adoptadas son muy subjetivas ya que no existe
ninguna razn que avale cualquiera de las tres. Este hecho es el que justifica la
utilizacin de las ponderaciones obtenidas con alguno de los mtodos vistos en este
captulo en la obtencin del valor final buscado. En efecto las ponderaciones nos
indican la importancia relativa de cada una de las variables en la explicacin del
precio, si ponderamos los valores obtenidos por la ponderacin de las variables
obtendremos un valor final en funcin de todas las variables y su importancia.
Valor final mediante la ponderacin por Entropa.
VF = 6.620*0, 9152 + 5.987* 0,0371 + 5.246* 0,0477 = 6.531
Valor final mediante la ponderacin por Diakoulaki.
VF = 6.620* 0,6036 + 5.987* 0,2060 + 5.246* 0,1904 = 6.227
57
Mtodo utilizada
Valor de la Ha
Comparacin
6.620
100
Ratio Edad
5.987
90,43
5.246
79,24
5.951
89,89
Promedio Ratio
brutos y Edad
6.303
95,21
6.531
98,65
6.227
94,06
6.176
93,29
Ingresos
58
Mtodo
Distancia Manhattan
1.850
Ratio Edad
4.458
3.538
2.048
1.304
648
1.395
1.068
Distancia Manhattan
os
Po R B ru
b l a ti to
a
o s
M ci Ed
ed n
ad
i a
M a tr gra
ed es ria
ia
r
do atio
s
s
D rat
ia io
ko s
O
rd
en E ula
a c n t r ki
i op
n
si a
m
pl
e
Distancia Manhattan
io
R
at
R
at
io
In
gr
es
Distancia al Ideal
5.000
4.500
4.000
3.500
3.000
2.500
2.000
1.500
1.000
500
0
Mtodos
59
60
Variable A
Variable B
Variable C
X1A
X1B
X1C
X2A
X2B
X2C
X3A
X3B
X3C
61
X4A
X4B
X4C
x5A
x5B
x5C
xPA
xPB
xPC
PESOS
wA
wB
wc
Wi = (w j * xij ) (1)
n
j =1
Siendo.
Wi = Ponderacin final obtenida de cada alternativa.
wj = Peso de cada variable obtenido por uno de los mtodos conocidos de
ponderacin ( Diakoulaki, entropa u Ordenacin simple)
xij = Valor de cada variable para cada alternativa
(2)
Pesos Activos
ACTIVO
VALOR
Variable A
Variable B
Variable C
V1
X1A
X1B
X1C
W1
V2
X2A
X2B
X2C
W2
V3
X3A
X3B
X3C
W3
V4
X4A
X4B
X4C
W4
V5
x5A
x5B
x5C
W5
xPA
xPB
xPC
WP
Wi
62
Pesos Variables
wA
wB
wC
Ratio =
(3)
(4)
PARCELA
VALOR
INGRESOS
BRUTOS
EDAD
Poblacin
agraria
4.200
400
11
1.200
6.100
750
10
1.250
6.800
870
11
1.300
6.200
800
10
1.400
63
5.000
600
10
1.300
800
11
1.200
PARCELA
VALOR
INGRESOS
BRUTOS
EDAD
POBLACIN
4.200
0,0948
0,1746
0,1569
6.100
0,1777
0,1587
0,1634
6.800
0,2062
0,1746
0,1699
6.200
0,1896
0,1587
0,1830
5.000
0,1422
0,1587
0,1699
0,1896
0,1746
0,1569
1,0000
1,0000
1,0000
Mtodo ENTROPA
Mtodo
DIAKOULAKI
Mtodo
ORDENACIN
SIMPLE
Ingresos Brutos
0,9152
0,6036
0,5000
Edad
0,0371
0,2060
0,2500
Poblacin agraria
0,0477
0,1904
0,2500
64
BRUTOS
PARCELAS
4.200
0,0948
0,1746
0,1569
0,101
6.100
0,1777
0,1587
0,1634
0,176
6.800
0,2062
0,1746
0,1699
0,203
6.200
0,1896
0,1587
0,1830
0,188
5.000
0,1422
0,1587
0,1699
0,144
0,1896
0,1746
0,1569
0,187
0,9152
0,0371
0,0477
R=
se
calcula
el
Ratio
65
PARCELA
VALOR INGRESOS
PONDERACIN
EDAD POBLACIN
BRUTOS
PARCELAS
4.200
0,0948
0,1746
0,1569
0,123
6.100
0,1777
0,1587
0,1634
0,171
6.800
0,2062
0,1746
0,1699
0,193
6.200
0,1896
0,1587
0,1830
0,182
5.000
0,1422
0,1587
0,1699
0,151
0,1896
0,1746
0,1569
0,180
0,6036
0,2060
0,1904
Tabla 4.7. Ponderacin de las parcelas aplicando la Suma ponderada mas Diakoulaki
La forma de clculo de la ponderacin de las distintas parcelas de la Tabla 4.7
es mediante la aplicacin de la forma ya conocida (2), como se desarrolla a
continuacin.
Ponderacin parc. 1 = 0,6036*0,0948+0,2060*0,1746+0,1904*0,1569= 0,123
Ponderacin parc. 2 = 0,6036*0,1777+0,2060*0,1587+0,1904*0,1634= 0,171
Ponderacin parc. 3 = 0,6036*0,2062+0,2060*0,1746+0,1904*0,1699= 0,193
Ponderacin parc. 4 = 0,6036*0,1896+0,2060*0,1587+0,1904*0,1830= 0,182
Ponderacin parc. 5 = 0,6036*0,1422+0,2060*0,1587+0,1904*0,1699= 0,151
Ponderacin parc. X = 0,6036*0,1896+0,2060*0,1746+0,1904*0,1569= 0,180
Conocidas las ponderaciones de las parcelas
Valor/Ponderacin mediante la frmula conocida (3)
R=
se
calcula
el
Ratio
PARCELA
1
PONDERACIN
VALOR INGRESOS
EDAD POBLACIN
PARCELAS
BRUTOS
4.200
0,0948
0,1746
0,1569
0,130
66
6.100
0,1777
0,1587
0,1634
0,169
6.800
0,2062
0,1746
0,1699
0,189
6.200
0,1896
0,1587
0,1830
0,180
5.000
0,1422
0,1587
0,1699
0,153
0,1896
0,1746
0,1569
0,178
0,5000
0,2500
0,2500
Tabla 4.8. Ponderacin de las parcelas aplicando la Suma ponderada mas Ordenacin
simple
La forma de clculo de la ponderacin de las distintas parcelas de la Tabla 4.8
es mediante la aplicacin de la forma ya conocida (2), como se desarrolla a
continuacin.
Ponderacin parc. 1 = 0,5000*0,0948+0,2500*0,1746+0,2500*0,1569= 0,130
Ponderacin parc. 2 = 0,5000*0,1777+0,2500*0,1587+0,2500*0,1634= 0,169
Ponderacin parc. 3 = 0,5000*0,2062+0,2500*0,1746+0,2500*0,1699= 0,189
Ponderacin parc. 4 = 0,5000*0,1896+0,2500*0,1587+0,2500*0,1830= 0,180
Ponderacin parc. 5 = 0,5000*0,1422+0,2500*0,1587+0,2500*0,1699= 0,153
Ponderacin parc. X = 0,5000*0,1896+0,2500*0,1746+0,2500*0,1569= 0,178
Conocidas las ponderaciones de las parcelas
Valor/Ponderacin mediante la frmula conocida (3)
R=
se
calcula
el
Ratio
Valor Parcela X
6.528
6.223
6.114
67
68
40
Existen un gran numero de publicaciones que recogen trabajos sobre Programacin por metas, algunas
de las mas importantes son European Journal of Operational Research, Journal of the Operational
Research Society, The International Journal of Management Sciencie (Omega), Computers&Operations
Research , Estudios de Economa Aplicada Revista Semestral de la Asociacin de Economa Aplicada,
Revista de la Real Academis de Ciencias Exactas Fsicas y Naturales etc
69
Min z =
i =1
1
(ui ni + vi pi )
ki
s.a.
f i ( x ) + ni pi = bi
i = 1LQ
ni 0 ; p i 0
Siendo
fi (x) una funcin lineal de x
bi la meta o goal.
ni y pi representan las desviaciones negativas y positivas respecto a la meta
ui y vi son los pesos o ponderaciones de las desviaciones.
Ki es la constante normalizadora.
Min z = D
s.a.
1
(u i ni + vi pi ) D i = 1LQ
ki
f i ( x ) + ni pi = bi
i = 1LQ
ni 0 ; p i 0
El significado de las variables es el mismo que en WGP.
La distancia D es la mxima entre el precio de cualquier testigo y el precio
resultante de la funcin estimada. Esta distancia D es la que se intenta minimizar.
70
Min z = (1 )D +
i =1
s.a.
f i ( x ) + ni pi = bi
(1 )(ni + pi ) D
1
(u i ni + vi pi )
ki
i = 1LQ
i = 1L Q
ni 0 ; p i 0
donde puede fluctuar entre 0 y 1, segn el valorador priorice el modelo
MINMAX o el modelo ponderado (WGP).
71
VALOR
Variable A
Variable B
Variable C
V1
X1A
X1B
X1C
V2
X2A
X2B
X2C
V3
X3A
X3B
X3C
V4
X4A
X4B
X4C
V5
x5A
x5B
x5C
xPA
xPB
xPC
Activo
Problema (P)
Min z =
i =1
1
(u i ni + vi pi )
ki
s.a.
f i ( x ) + ni pi = bi
i = 1L Q
ni 0 ; p i 0
Siendo ahora el significado de cada trmino el siguiente.
fi(x) una funcin lineal de x
xi son las variables explicativas
bi Los valores de los activos testigo.
ni y pi representan las desviaciones negativas y positivas respecto a los valores
de los testigos.
ui y vi son los pesos o ponderaciones de las desviaciones que en principio se
considerarn con valor la unidad.
Ki es la constante normalizadora, que para cada pareja de desviaciones (ni y pi)
es el valor del activo correspondiente.
Resuelto el modelo se obtiene una funcin que expresa el valor de los activos en
funcin de las variables explicativas.
V = 1 * X1 + 2 * X2 + 3 * X3
72
Min z = D
s.a.
1
(u i ni + vi pi ) D i = 1LQ
ki
f i ( x ) + ni pi = bi
i = 1LQ
ni 0 ; p i 0
En la cual
D es la desviacin mxima a minimizar
fi (x) una funcin objetivo lineal de x
x son las variables explicativas
bi los valores de los activos testigo.
ni y pi representan las desviaciones negativas y positivas respecto a los valores
de los activos.
ui y vi son los pesos o ponderaciones de las desviaciones que en principio se
considerarn con valor la unidad.
Ki es la constante normalizadora, que para cada pareja de desviaciones (ni y pi)
es el valor del activo correspondiente.
Resuelto el modelo se obtiene una funcin que expresa el valor en funcin de las
variables explicativas, pero que en este caso cumple la condicin de haber minimizado
la distancia mxima (12).
V = 1 * X1 + 2 * X2 + 3 * X3
(12)
73
Min z = (1 )D +
i =1
s.a.
f i ( x ) + ni pi = bi
(1 )(ni + pi ) D
1
(ui ni + vi pi )
ki
i = 1LQ
i = 1L Q
ni 0 ; p i 0
Siendo ahora el significado de los distintos trminos el siguiente.
es el factor de fluctuacin (0<<1)
D es la desviacin mxima a minimizar
fi (x) una funcin objetivo lineal de x
x son las variables explicativas
bi Los valores de los activos testigo.
ni y pi representan las desviaciones negativas y positivas respecto a los valores
de los testigos.
ui y vi son los pesos o ponderaciones de las desviaciones que en principio se
considerarn con valor la unidad.
Ki es la constante normalizadora, que para cada pareja de desviaciones (ni y pi)
es el valor del activo correspondiente.
Aplicado este modelo a la misma informacin de los modelos anteriores se
obtiene una funcin cuyo valor cambia segn vare , con lo que el valorador puede
74
comprobar como evoluciona el valor del activo problema segn vara el factor de
fluctuacin y elegir la mejor combinacin.
5.6.1 GP PONDERADA
Partimos, pues, de los datos de la Tabla 5.2.
PARCELA
VALOR
INGRESOS
BRUTOS
EDAD
Poblacin
agraria
4.200
400
11
1.200
6.100
750
10
1.250
6.800
870
11
1.300
6.200
800
10
1.400
5.000
600
10
1.300
800
11
1.200
PARCELA
VALOR
INGRESOS
BRUTOS
EDAD
POBLACIN
4.200
0,0948
0,1746
0,1569
6.100
0,1777
0,1587
0,1634
6.800
0,2062
0,1746
0,1699
6.200
0,1896
0,1587
0,1830
5.000
0,1422
0,1587
0,1699
0,1896
0,1746
0,1569
1,0000
1,0000
1,0000
75
Min n1 + p1 + n2 + p 2 + n3 + p3 + n4 + p 4 + n5 + p5
s.a.
0,0984 x1 + 0,1746 * x 2 + 0,1569 * x3 + n1 p1 4.200 = 0
0,1777 x1 + 0,1587 * x 2 + 0,1634 * x3 + n2 p 2 6.100 = 0
0,2062 x1 + 0,1746 * x 2 + 0,1699 * x3 + n3 p3 6.800 = 0
0,1896 x1 + 0,1587 * x 2 + 0,1830 * x3 + n4 p 4 6.200 = 0
0,1422 x1 + 0,1587 * x 2 + 0,1699 * x3 + n5 p5 5.000 = 0
Resolviendo obtenemos la siguiente funcin.
V x = 24.118,74 * x1 + 10.462,22 * x 2
En la funcin resultado se observa que la variable x3 no aparece o sea que no es
una variable explicativa del valor.
Sustituyendo en la funcin los valores de las variables explicativas del activo
problema se obtiene el valor buscado.
5.6.2 GP MINMAX
Planteamos el modelo.
76
Min D
s.a.
n1
p1
+
D
4.200 4.200
n2
p2
+
D
6.100 6.100
n3
p3
+
D
6.800 6.800
n4
p4
+
D
6.200 6.200
n5
p5
+
D
5.500 5.500
0,0948 * x1 + 0,1746 * x 2 + 0,1569 * x3 + n1 p1 4.200 = 0
0,1777 * x1 + 0,1587 * x 2 + 0,1634 * x3 + n2 p 2 6.100 = 0
0,2062 * x1 + 0,1746 * x 2 + 0,1699 * x3 + n3 p3 6.800 = 0
0,1896 * x1 + 0,1587 * x 2 + 0,1830 * x3 + n4 p 4 6.200 = 0
0,1422 * x1 + 0,1587 * x 2 + 0,1694 * x3 + n5 p5 5.000 = 0
n
p3
n
p5
n1
p1
n
p2
n
p4
+
+ 2 +
+ 3 +
+ 4 +
+ 5 +
z=0
4.200 4.200 6.100 6.100 6.800 6.800 6.200 6.200 5.500 5.500
resolvemos y se obtiene una funcin en la cual sigue sin intervenir la variable X3.
V x = 25.398,43 * x1 + 9.311,22 * x 2
Sustituyendo en la funcin los valores de las variables explicativas del activo
problema se obtiene el valor buscado.
77
Mtodo
Valor Parcela X
6.528
6.223
6.114
6.399
6.440
Tabla 5.4. Resumen de los valores obtenidos con los distintos mtodos
Llegados a este punto nos encontramos con que tenemos cinco valores distintos de la
parcela a valorar, uno por cada modelo utilizado. Para determinar que valor elegimos
como definitivo utilizamos, como ya conocemos, la Distancia Manhattan.
5
1
L1 = x 1j x 2j
j =1
Parcela
Valor
1/1
Valor
Distancia
SP+Entr
Valor
Distancia
SP+DiaK
Valor
Distancia
SP+OS
Valor
Distancia
WGP
Valor
Distancia
GPMinmax
4.200
3.507
692
4.248
48
4.482
282
4.112
87
4.033
166
6.100
6.141
41
5.906
193
5.829
270
5.947
152
5.992
107
6.800
7.079
279
6.654
145
6.511
288
6.799
0,90
6.862
62
6.200
6.551
351
6.282
82
6.202
6.232
32
6.293
93
5.000
5.019
19
5.208
208
5.274
274
5.089
89
5.089
89
Distancia MANHATTAN
1.384
677
1.117
363
518
78
Distancia Manhattan
Suma ponderada +Entropa
1384
677
1.117
363
518
1.600,00
1.400,00
1.200,00
1.000,00
800,00
600,00
400,00
200,00
0,00
M
AX
PM
IN
Distancia Manhattan
SP
+O
SP
+E
nt
ro
p
SP
a
+D
ia
ko
ul
ak
i
Distancia
Distancia Manhattan
Mtodos
79
80
6.2
PROCESO
ANALTICO
HIERARCHY PROCESS, AHP)
JERRQUICO
(ANALYTIC
El AHP fue propuesto por el Profesor Thomas L. Saaty (1980), como respuesta a
problemas concretos de toma de decisiones en el Departamento de Defensa de los
EEUU, siendo actualmente un clsico en el mundo de la empresa donde se aplica en
casi todos los mbitos donde es necesario tomar una decisin de cierta complejidad.
Segn indica Moreno-Jimnez (2002) si se revisan las Actas de los distintos
Simposium Internacionales sobre AHP realizados hasta ahora se observan trabajos de
aplicacin del mtodo en reas tan diversas como Sociedad, Ciencia y Educacin,
Economa y Transporte, Localizacin y Asignacin de Recursos, Marketing,
Produccin, Aplicaciones ambientales, Planificacin urbana, Sector Pblico, Sanidad,
Evaluacin de sistemas, Decisin en grupo, Resolucin de conflictos internacionales,
Nuevas Tecnologas, Pensamiento y tica. Y como aplicaciones interesantes
aparecidas recientemente:
81
El potencial del mtodo, como distintos autores han evidenciado, se debe a que
se adecua a distintas situaciones, su clculo es sencillo por el software existente y
puede utilizarse tanto individualmente como en grupo. En esencia, puede afirmarse
que AHP es un mtodo de seleccin de alternativas (estrategias, inversiones, etc) en
funcin de una serie de criterios o variables, las cuales suelen estar en conflicto. Para
ello pondera tanto los criterios como las distintas alternativas utilizando las matrices de
comparacin pareadas y la Escala Fundamental para comparaciones por pares.
El desarrollo del mtodo es el siguiente:
a) Se parte del inters que puede tener un decisor en seleccionar la ms
interesante, entre un conjunto de alternativas (estrategias, inversiones,
activos, etc.).
b) Se define qu criterios se van a utilizar para determinar la seleccin,
esto es, cules son las caractersticas que pueden hacer ms deseable
una alternativa sobre otra.
c) Conocidas las alternativas y definidos los criterios, debe primero
procederse a ordenar y ponderar el diferente inters de cada uno de los
criterios en la seleccin de las alternativas.
d) Conocida la ponderacin de los criterios se pasa a ponderar las distintas
alternativas en funcin de cada criterio.
e) Con los dos procesos anteriores c y d se obtienen dos matrices, una
matriz columna nx1 con la ponderacin de criterios (siendo n el nmero
de criterios) y otra matriz mxn de las ponderaciones de las alternativas
para cada criterio (siendo m el nmero de alternativas).
f)
El producto de ambas matrices dar una matriz columna mx1 que indica
la ponderacin de las alternativas en funcin de todos los criterios y del
peso o importancia de estos.
Conocidos los distintos pasos del mtodo vamos a ver en detalle como se
realizan, especialmente cul es el procedimiento de obtencin de las ponderaciones y
cmo se llega a las distintas matrices indicadas en el mtodo.
La distinta importancia o ponderacin tanto de los criterios como de las
alternativas dentro de cada criterio podra llevarse a cabo mediante una cuantificacin
directa de todos ellos. Esto es, el centro decisor, podra determinar dentro de una
escala (por ejemplo de 1 a 10), el inters de cada uno de los criterios (alternativas).
Sin embargo, ello supondra, ser capaz de comparar a un mismo tiempo todos estos
elementos (criterios, alternativas) , lo que representa una enorme complejidad, sobre
todo, cuando el nmero de los mismos empieza a ser elevado.
Para superar esta limitacin en la capacidad de procesamiento, Saaty propone
realizar comparaciones pareadas entre los distintos elementos, ya que el cerebro
82
DEFINICIN
COMENTARIOS
Igual importancia
El criterio A es igual de
importante que el criterio B
Importancia moderada
La experiencia y el juicio
favorecen ligeramente al
criterio A sobre el B
Importancia grande
La experiencia y el juicio
favorecen fuertemente al
criterio A sobre el B
Importancia extrema
2,4,6 y 8
[ ]
A = aij
1 i, j n
[1]
41
El origen de la escala propuesta por Saaty est en los trabajos de Weber y Fechner. La ley de Weber (1846) dice
que el cerebro humano percibe una modificacin o cambio en un estmulo a partir de que este estmulo supere el
estado inicial en un porcentaje determinado. En 1860, Fechner basndose en las teoras de Weber establece que
mientras los estmulos crecen geomtricamente, las sensaciones lo hacen aritmticamente y plantea una escala
fundamental del 1 al 9. Esta escala adems al no considerar el cero y el infinito eliminan los dos puntos de mayor
complejidad para el ser humano en procesos comparativos, as como se adapta a la forma ms elemental de contar
que son los dedos. Por otra parte la validez de esta escala ha sido comprobada empricamente aplicndola a
situaciones muy diversas en situaciones reales (Traduccin de Moreno-Jimnez, 2002).
83
Anormalizada
a
ij
= n
a
kj
k =1
[2]
a 11
a
n =1
n1
a 21
a
n =1
a
n =1
a 12
n1
+K+
n2
a 22
n
a
n =1
a 1n
a
n =1
+K+
n2
= b1
nn
a 2n
n
a
n =1
= b2
[3]
nn
M
a n1
a
n =1
n1
a n2
n
a
n =1
+K+
n2
a nn
= bn
a
n =1
nn
b
b b
B = 1 , 2 ,K, n
n
n n
[4]
42
Si bien se trata de un vector columna, la denominacin vector fila total es la propuesta por Saaty.
84
A * B = C = [c1 , c 2 , K , c n ]
[5]
Se realiza el cociente entre las matrices vector fila total [cn] y vector de
prioridades globales [bn], y se obtiene otro vector columna D [6]:
C/B = D
[6]
max =
d
i =1
[7]
CI =
max n
[8]
n 1
Este CI obtenido se compara con los valores aleatorios de CI que son el valor
que debera obtener el CI si los juicios numricos introducidos en la matriz original (de
la cual estamos midiendo su consistencia) fueran aleatorios dentro de la escala 1/9,
1/8, 1/7,.., , 1, 2,..7, 8, 9. Los valores son los que aparecen en la Tabla 5.2.
Tamao de la matriz (n)
Consistencia aleatoria
10
0,00 0,00 0,52 0,89 1,11 1,25 1,35 1,40 1,45 1,49
RC =
CI
[9]
Consistencia aleatoria
5%
9%
5 o mayor
10%
Una forma de mejorar la consistencia cuando no se considera satisfactoria, es clasificar las actividades
mediante un orden simple basado en las ponderaciones obtenidas la primera vez que se vio el problema,
85
A*v = *v
[10]
det (A * I ) = 0
[11]
(A * I ) * v = 0
[12]
va vc = w
[13]
donde v a = [v a1 , v a 2 , K , v an ], dim(v a ) = m n .
86
Objetivo:
Valoracin activo P
Variable
explicativa 1
Variable
explicativa 2
Activo testigo 1
Activo testigo 2
Variable
explicativa 3
Activo
problema P
Mtodos multicriterio como el ELECTRE tambin utilizados para seleccin de alternativas no permiten
su aplicacin a la Valoracin pues llegan a una ordenacin de las alternativas sin ponderacin.
45
87
(5)
resulta una matriz (m*1) que indica la ponderacin de los activos en funcin de
todas las variables explicativas y su peso.
Hasta este punto sera la aplicacin del AHP utilizado como mtodo multicriterio
para la toma de decisiones. El procedimiento para aprovechar esta informacin en
el campo de la valoracin es el mismo que el visto en el mtodo de la Suma
Ponderada.
Se calcula el ratio (6)
Ratio = Valor activos testigo / Ponderacin activos testigo. (6)
A partir de este ratio, su producto por la ponderacin del activo a valorar,
el valor que se estaba buscando (7).
dar
46
Las variables cuando son inversas como en este caso previamente hay que transformarlas en directas.
88
Ambas variables son de tipo cualitativo y por lo tanto no estn cuantificadas. Por
lo tanto el valorador tiene que ponderar dichas variables entre si y adems cuantificar
cada parcela para cada una de ellas. Vamos a ver como abordar dicho problema
utilizando AHP.
Se parte pues de la informacin de la Tabla 6.4.
PARCELAS
VALOR
4.000
1.600
5.550
9.800
ESTADO VEGETATIVO
MICROCLIMA
X
Tabla 6.4. Informacin inicial
Se plantea la matriz de comparacin pareada de las variables explicativas, se
calcula su consistencia y su vector propio que nos indica la ponderacin de las
variables. (Se rene todo en la tabla 6.5. con el fin de hacer ms compacta la
presentacin).
89
ESTADO
VEGETATIVO
MICROCLIMA
VECTOR
PROPIO
ESTADO
VEGETATIVO
1/1
5/1
0,8333
MICROCLIMA
1/5
1/1
0,1667
CR
0,00%
Parcela 1
Parcela 1
Parcela 2
Parcela 3
Parcela 4
Parcela x
Vector
propio
1/1
3/1
1/1
1/3
1/1
0,1610
1/1
1/3
1/7
1/3
0,0566
1/1
1/3
1/1
0,1610
1/1
3/1
0,4604
1/1
0,1610
Parcela 2
Parcela 3
Parcela 4
Parcela x
CR
0,00%
Tabla 6.6. Matriz de comparaciones pareadas y vector propio en funcin del estado
vegetativo
Parcela 1
Parcela 2
Parcela 3
Parcela 1
Parcela 2
Parcela 3
Parcela 4
Parcela x
Vector
propio
1/1
1/1
1/5
1/1
1/3
0,0876
1/1
1/5
1/1
1/3
0,0876
1/1
5/1
3/1
0,5007
1/1
1/3
0,0876
1/1
0,2364
Parcela 4
Parcela x
CR
0,90%
90
Ponderacin variables
Ponderacin Parcelas
0,1610
0,0876
0,8333
0,1488
0,0566
0,0876
0,1667
0,0618
0,1610
0,5007
0,2176
0,4604
0,0876
0,3983
0,1610
0,2364
0,1736
PONDERACIN
4.000
0,1488
26.888
1.600
0,0618
25.904
5.550
0,2176
25.504
9.800
0,3983
24.607
RATIOS
PARCELAS
RATIO MEDIO
25.725
91
La calidad del entorno donde se ubican los edificios, valorndose como calidad
los servicios de todo tipo existentes, la existencia de zonas verdes, la falta de
contaminacin etc.
La calidad del edificio, entendindose como tal la calidad de los materiales, la
existencia de servicios como ascensor, aire acondicionado etc.
Estado de conservacin del edificio, tanto en su fachada como en el interior.
El experto parte entonces de la informacin de la Tabla 6.10.
EDIFICIO
VALOR por
m2
1.650
1.200
CALIDAD
ENTORNO
CALIDAD
EDIFICIO
ESTADO DE
CONSERVACIN
Una de las propiedades importantes del modelo es que nos permitira llegar a una ponderacin de estas
metavariables mediante la comparacin pareada de sus componentes, establecindose conglomerados de
variables. Este supuesto no se contempla en este ejemplo, pero ser desarrollado en el ejemplo n 3 de
este mismo captulo.
47
92
1.575
2.040
3.100
X
Tabla 6.10. Informacin de partida con la que cuenta el experto
El primer paso a realizar es la ponderacin de las variables explicativas. Para
ello se plantea la correspondiente matriz de comparaciones pareadas, comprueba su
consistencia y calcula su vector propio. Tabla 6.11
Calidad entorno
Calidad
entorno
Calidad
edificio
Estado de
conservacin
Vector
propio
1/1
1/3
1/4
0,1220
1/1
1/2
0,2970
1/1
0,5584
Calidad edificio
Estado
conservacin
de
CR
1,76%
Tabla 6.11. Matriz de comparacin pareada y vector propio de las variables
explicativas
1/1
Edificio 2
Edificio x
Vector
propio
3/1
3/1
1/3
1/5
1/3
0,0825
1/1
1/1
1/7
1/9
1/7
0,0328
1/1
1/7
1/9
1/7
0,0328
1/1
1/3
1/1
0,2069
1/1
3/1
0,4381
1/1
0,2069
Edificio 3
Edificio 4
Edificio 5
Edificio x
CR
2,55%
Tabla 6.12. Matriz de comparaciones pareadas y vector propio en funcin de la
Calidad del entorno
Edificio Edificio Edificio Edificio Edificio
1
2
3
4
5
Edificio 1
1/1
3/1
1/3
1/1
1/5
Edificio x
Vector
propio
1/1
0,0891
93
Edificio 2
1/1
Edificio 3
1/7
1/3
1/9
1/3
0,0343
1/1
3/1
1/3
3/1
0,2355
1/1
1/5
1/1
0,0891
1/1
5/1
0,4630
1/1
0,0891
Edificio 4
Edificio 5
Edificio x
CR
5,98%
Tabla 6.13. Matriz de comparaciones pareadas y vector propio en funcin de la
Calidad del edificio
Edificio 1
Edificio
1
Edificio
2
Edificio
3
Edificio
4
Edificio
5
Edificio
x
Vector
propio
1/1
5/1
3/1
1/1
1/1
3/1
0,2194
1/1
1/3
1/5
1/5
1/3
0,0403
1/1
1/3
1/3
1/1
0,0820
1/1
1/1
3/1
0,2194
1/1
3/1
0,2194
1/1
0,2194
Edificio 2
Edificio 3
Edificio 4
Edificio 5
Edificio x
CR
2,07%
Tabla 6.14. Matriz de comparaciones pareadas y vector propio en funcin del Estado
de conservacin
Con las ponderaciones obtenidas tanto de las variables como de los inmuebles
urbanos se calcula la ponderacin final de estos en funcin de las tres variables
utilizadas (Tabla 6.15).
Ponderacin
variables
Ponderacin
parcelas en
funcin de todas
las variables
0,0825
0,0891
0,2194
0,1220
0,1610
0,0328
0,0343
0,0403
0,3196
0,0374
0,0328
0,2355
0,0820
0,5584
0,1250
0,2069
0,0891
0,2194
0,1762
0,4381
0,4630
0,2194
0,3239
0,2069
0,0891
0,2194
0,1762
94
PONDERACIN
INMUEBLES TESTIGO
VALOR INMUEBLES
1.650
0,1610
1.200
0,0374
1.575
0,1250
2.040
0,1762
3.100
0,3239
SUMA
9.565
08237
RATIO BARICNTRICO
INMUEBLES
11.611,60
Tabla 6.16. Clculo del ratio
48
Entorno urbanstico.
Distancias
a centros de inters y calidad y cantidad de las
comunicaciones
48
49
Categora de la zona
95
Contaminacin general
Servicios
Anchura de calle
Zonas verdes
Caractersticas del edificio donde se ubica la vivienda
Fachada
Portal
Ascensor
Portera
Estado de conservacin
Caractersticas de la propia vivienda
Baos
Diseo
Superficie
Luminosidad y ventilacin
Calefaccin-aire acondicionado
Aislamiento trmico-acstico
Terrazas
En este ejemplo vamos a ver como enfocar la valoracin de una vivienda urbana
utilizando las metavariables.
Planteado el problema mediante AHP, existen ahora cuatro niveles.
96
2.750
1.900
1.100
10
Entorno urbanstico
Categora de la zona
Anchura de calle
97
Fachada
Ascensor
si
si
no
no
si
95
87
110
100
90
0,500
0,750
1,500
2,000
0,600
0,200
0,150
0,300
0,250
0,200
Estado de conservacin
Caractersticas de la propia vivienda
Calidad de materiales y acabados
Superficie
Luminosidad y ventilacin
Calefaccin-aire acondicionado
Terrazas
Distancias a centros de inters y
calidad
y
cantidad
de
las
comunicaciones
Objetivo- Valor
vivienda X
Entorno
urbansti
Caract.
inmuebl
Caract.
vivienda
Distanc.
comunic
Categora zona
Fachada
Calidad de
materiales y
Distancia a
centro urbano
Anchura calle
Ascensor
Superficie
Distancia a
parada autobs
Estado de
conservacin
Luminosidad y
ventilacin
Calefaccin-aire
acondicionado
Terrazas
Vivienda 1
Vivienda 2
Vivienda 3
Vivienda 4
Vivienda a
valorar
98
1/1
Caractersticas
del
edificio
donde se ubica
la vivienda
1/3
1/7
1/5
0,0553
1/1
1/5
1/3
0,1175
1/1
3/1
0,5650
1/1
0,2622
Caractersticas
de la propia
vivienda
Distancias
a
centros
de
inters
y
calidad
y
cantidad de las
comunicaciones
CR
4,43%
Categora de la zona.
99
Anchura de calle
Categora de la zona
Anchura de calle
Vector propio
Categora de la zona
1/1
5/1
0,8333
Anchura de calle
1/5
1/1
0,1667
CR
0,00%
Tabla 6.19. Matriz de comparaciones pareadas y vector propio de las variables
secundarias comprendidas dentro de la variable primaria entorno
Fachada
Ascensor
Estado de conservacin
Fachada
Ascensor
Estado de
conservacin
Vector propio
1/1
1/5
1/7
0,0719
1/1
1/3
0,2790
1/1
0,6491
Fachada
Ascensor
Estado de
conservacin
CR
4,29%
Superficie
Luminosidad y ventilacin
Calefaccin-aire acondicionado
Terrazas
100
Calidad
de
Superficie Luminosidad Calefaccin- Terrazas Vector
materiales
aire
y ventilacin
propio
y
acondicionado
acabados
Calidad
de
materiales y
acabados
1/1
Superficie
1/3
1/1
1/5
1/1
0,0876
1/1
3/1
1/3
3/1
0,2364
1/1
1/5
1/1
0,0876
1/1
5/1
0,5007
Luminosidad y
ventilacin
Calefaccinaire
acondicionado
Terrazas
1/1
CR
0,94%
Distancia a centro
urbano
Distancia a parada de
autobs
Distancia a centro
urbano
Distancia a parada de
autobs
Vector
propio
1/1
1/3
0,7500
1/1
0,2500
CR
0,00%
Tabla 6.22. Matriz de comparaciones pareadas y vector propio de las variables
secundarias comprendidas dentro de la variable primaria distancias
101
Metavariables
Variables secundaria
Ponderacin
final
Categora zona
5,53 %
83,33 %
4,61 %
Anchura calle
5,53 %
16,67 %
0,92%
Fachada
11,75 %
7,19 %
0,84 %
Ascensor
11,75 %
27,90 %
3,28 %
E. Conservacin
11,75 %
64,91 %
7,63 %
Calidad m. Y acabado
56,50 %
8,76 %
4,95 %
Superficie
56,50 %
23,64 %
13,36 %
Luminosidad y ventilacin
56,50 %
8,76 %
4,95 %
56,50 %
50,07 %
28,29 %
Terrazas
56,50 %
8,76 %
4,95 %
D. Centro urbano
26,22 %
75 %
19,67 %
D. Parada autobus
26,22%
25%
6,55%
100%
1/1
Vivienda
4
Vivienda
A
Vector propio
1/1
3/1
5/1
1/1
0,2808
1/1
3/1
5/1
1/1
0,2808
1/1
3/1
1/3
0,1070
1/1
1/5
0,0505
1/1
0,2808
Vivienda 4
Vivienda A
CR
0,95%
102
Ponderacin
Vivienda 1
0,1470
Vivienda 2
0,2058
Vivienda 3
0,1176
Vivienda 4
10
0,2941
Vivienda A
0,2352
SUMA
34
Tabla 6.25. Calculo de los pesos o proporcin relativa de las viviendas en funcin de
la variable anchura de calle
Variable secundaria: Fachada
Matriz de comparaciones pareadas
Vivienda 1 Vivienda 2 Vivienda 3 Vivienda 4 Vivienda A
Vivienda 1
Vivienda 2
Vivienda 3
1/1
1/1
1/1
3/1
1/1
0,2308
1/1
1/1
3/1
1/1
0,2308
1/1
3/1
1/1
0,2308
1/1
1/3
0,0769
1/1
0,2308
Vivienda 4
Vivienda A
CR
Vector
propio
0,00%
103
1/1
Vivienda 2
Vector
propio
1/1
3/1
9/1
1/1
0,2854
1/1
3/1
9/1
1/1
0,2854
1/1
7/1
1/3
0,116
1/1
1/9
0,0273
1/1
0,2854
Vivienda 3
Vivienda 4
Vivienda A
CR
2,02%
1/1
Vivienda 2
Vector
propio
1/5
3/1
3/1
1/5
0,1535
1/1
3/1
3/1
1/1
0,3595
1/1
1/1
1/3
0,0638
1/1
1/3
0,0638
1/1
0,3595
Vivienda 3
Vivienda 4
Vivienda A
CR
1/1
Vector
propio
1/1
5/1
7/1
3/1
0,3459
1/1
5/1
7/1
3/1
0,3459
104
Vivienda 3
1/1
Vivienda 4
3/1
1/7
0,0606
1/1
1/9
0,0325
1/1
0,2152
Vivienda A
CR
9,36%
Ponderacin
Vivienda 1
95
0,1970
Vivienda 2
87
0,1804
Vivienda 3
110
0,2282
Vivienda 4
100
0,2074
Vivienda A
90
0,1867
SUMA
482
Tabla 6.30. Calculo de los pesos o proporcin relativa de las viviendas en funcin de
la variable superficie.
Variable secundaria: Luminosidad y ventilacin
Matriz de comparaciones pareadas
Vivienda 1 Vivienda 2 Vivienda 3 Vivienda 4 Vivienda A
Vivienda 1
1/1
Vivienda 2
Vector
propio
1/5
1/1
3/1
1/3
0,0999
1/1
5/1
7/1
3/1
0,5005
1/1
3/1
1/3
0,0999
1/1
1/7
0,0423
1/1
0,2573
Vivienda 3
Vivienda 4
Vivienda A
CR
2,94%
1/1
1/1
1/1
9/1
1/1
Vector
propio
0,2432
105
Vivienda 2
1/1
Vivienda 3
1/1
9/1
1/1
0,2432
1/1
9/1
1/1
0,2432
1/1
1/9
0,0270
1/1
0,2432
Vivienda 4
Vivienda A
CR
0,00%
1/1
Vivienda
4
Vivienda
A
Vector
propio
3/1
3/1
1/1
1/1
0,2727
1/1
1/1
1/3
1/3
0,0909
1/1
1/3
1/3
0,0909
1/1
1/1
0,2727
1/1
0,2727
Vivienda 3
Vivienda 4
Vivienda A
CR
0,00%
Variable
transformada
Vector propio
Vivienda 1
0,50
0,3252
Vivienda 2
0,75
1,33
0,2162
Vivienda 3
1,50
0,66
0,1073
Vivienda 4
2,00
0,50
0,0813
Vivienda A
0,60
1,66
0,2699
6,15
SUMA
Tabla 6.34. Clculo del vector propio de las viviendas en funcin de la variable calidad
distancia a centro urbano.
Variable secundaria : Distancia a parada del autobs
Valor de la variable
Variable
Vector propio
(km)
transformada
106
Vivienda 1
0,20
5,00
0,2084
Vivienda 2
0,15
6,66
0,2776
Vivienda 3
0,30
3,33
0,1388
Vivienda 4
0,25
4,00
0,1667
Vivienda A
0,20
5,00
0,2084
23,99
SUMA
Tabla 6.35. Clculo del vector propio de las viviendas en funcin de la variable
distancia a parada autobs.
Con los vectores propios obtenidos a travs de las matrices de comparacin
pareadas de las distintas viviendas para cada variable secundaria se construye una
matriz 5*12.
El producto de esta matriz por la matriz columna 12*1 de las variables
secundarias dar una matriz columna 5*1.Tabla 6.36
107
Captulo 6. Mtodos de valoracin con informacin cualitativa (I). Proceso Analtico Jerrquico
PRODUCTO MATRICES
Matriz parcelas en funcin de cada variable secundaria
Matriz
Producto
0,2808
0,1470
0,2308
0,2854
0,1535
0,3459
0,1970
0,0999
0,2432
0,2727
0,3252
0,2084
0,0461
0,2456
0,2808
0,2058
0,2308
0,2854
0,3595
0,3459
0,1804
0,5005
0,2432
0,0909
0,2162
0,2776
0,0092
0,2536
0,1070
0,1176
0,2308
0,1166
0,0638
0,0606
0,2282
0,0999
0,2432
0,0909
0,1073
0,1388
0,0084
0,1586
0,0505
0,2941
0,0769
0,0273
0,0638
0,0325
0,2074
0,0423
0,0270
0,2727
0,0813
0,1667
0,0328
0,0909
0,2808
0,2352
0,2308
0,2854
0,3595
0,2152
0,1867
0,2573
0,2432
0,2727
0,2699
0,2084
0,0763
0,2512
0,0495
0,1336
0,0495
0,2829
0,0495
0,1967
0,0656
Tabla 6.36. Producto de la matriz de vectores propios de las viviendas para cada variable explicativa por la matriz columna de la ponderacin
de las variables explicativas secundarias. El producto resultante es la matriz columna que expresa la ponderacin de las viviendas en funcin
de todas las variables explicativas utilizadas (tanto primarias como secundarias) y en funcin de su peso
108
Ponderacin
Precio/Ponderacin
Parcela 1
3000
0,2456
12.214,90
Parcela 2
2750
0,2536
11.652,50
Parcela 3
1900
0,1586
10.215,05
Parcela 4
1100
0,0909
12.101,21
11.545,91
109
Anexo I
4.000
1.600
5.550
9.800
X
Tabla A.1. Informacin inicial.
Utilizando la Tabla fundamental de comparacin por pares ya conocida. Tabla
A.2.
VALOR
DEFINICIN
COMENTARIOS
Igual importancia
El criterio A es igual de
importante que el criterio B
Importancia moderada
La experiencia y el juicio
favorecen ligeramente al
111
criterio A sobre el B
5
Importancia grande
La experiencia y el juicio
favorecen fuertemente al
criterio A sobre el B
Importancia extrema
2,4,6 y 8
MICROCLIMA
ESTADO VEGETATIVO
1/1
5/1
MICROCLIMA
1/5
1/1
MICROCLIMA
ESTADO VEGETATIVO
MICROCLIMA
0,2
SUMA
1,2
MICROCLIMA
ESTADO VEGETATIVO
0,8333
0,8333
MICROCLIMA
0,1666
0,1666
112
MICROCLIMA
SUMA
ESTADO
VEGETATIVO
0,8333
0,8333
1,6666
MICROCLIMA
0,1666
0,1666
0,3332
1.6666 0.3332
B=
;
= [0.8333 ; 0.1666]
2
2
Utilizando la hoja de calculo Excel. Asistente de funciones. Funciones
matemticas y trigonomtricas. MMULT. Pantalla A.1.
113
114
115
max.
max =
1.996 + 2.004
=2
2
CI =
max n
n 1
22
=0
1
0,00 0,00 0,52 0,89 1,11 1,25 1,35 1,40 1,45 1,49
RC =
0
=0
0
116
Aunque el clculo de la consistencia con la matriz (2X2) que habamos planeado no era necesario, ya
que siempre debe ser cero, no hemos querido obviarlo para no confundir al lector, adems que la sencillez
de su clculo sirve de introduccin al mtodo. Dentro de este mismo ejemplo veremos el mismo proceso
y con el mismo detalle para una matriz de rango 5.
50
117
118
MICROCLIMA
VECTOR
PROPIO
ESTADO
VEGETATIVO
1/1
5/1
0,8333
MICROCLIMA
1/5
1/1
0,1667
CR
0,00%
119
PARCELA 1
PARCELA 2
PARCELA 3
PARCELA 4
PARCELA X
1/1
3/1
1/1
1/3
1/1
1/1
1/3
1/7
1/3
1/1
1/3
1/1
1/1
3/1
PARCELA 1
PARCELA 2
PARCELA 3
PARCELA 4
PARCELA X
1/1
Tabla A.9. Matriz de comparaciones pareadas de las parcelas en funcin del estado
vegetativo
Calculamos su consistencia siguiendo el mismo proceso visto anteriormente..
PARCELA 1
PARCELA 2
PARCELA 3
PARCELA 4 PARCELA X
PARCELA 1
1,0000
3,0000
1,0000
0,3333
1,0000
PARCELA 2
0,3333
1,0000
0,3333
0,1429
0,3333
PARCELA 3
1,0000
3,0000
1,0000
0,3333
1,0000
PARCELA 4
3,0000
7,0000
3,0000
1,0000
3,0000
PARCELA X
1,0000
3,0000
1,0000
0,3333
1,0000
6,3333
17,0000
6,3333
2,1429
6,3333
Tabla A.9. Matriz de comparaciones pareadas de las parcelas en funcin del estado
vegetativo sumadas las columnas
Normalizamos la matriz, sumamos las filas y promediamos, obteniendo el vector
media de sumas o de prioridades globales B. Tabla A.10.
SUMA
PROMEDIO
0,1579
0,1765
0,1579
0,1556
0,1579
0,8057
0,1611
0,0526
0,0588
0,0526
0,0667
0,0526
0,2834
0,0567
0,1579
0,1765
0,1579
0,1556
0,1579
0,8057
0,1611
0,4737
0,4118
0,4737
0,4667
0,4737
2,2995
0,4599
0,1579
0,1765
0,1579
0,1556
0,1579
0,8057
0,1611
120
121
Matriz B
Cociente
0,8068
0,1611
5,0065
0,2835
0,0567
5,0024
0,8068
0,1611
5,0065
2,3069
0,4599
5,0162
0,8068
0,1611
5,0065
max =
CI =
CR =
max n
n 1
5.0076 5
= 0.0018
4
0.0018
= 0.00171
1.11
CR = 0,17%<10%
Comprobada la consistencia de la matriz pasamos a calcular su vector propio,
como ya sabemos mediante MMULT multiplicando la matriz por si misma hasta
encontrar un vector propio que no difiera del anterior en las cuatro primeras cifras
decimales. Pantallas A.10, 11, 12 y 13.
122
123
124
PARCELA
1
PARCELA
2
PARCELA
3
PARCELA
1
PARCELA
2
PARCELA
3
PARCELA
4
PARCELA
X
VECTOR
PROPIO
1/1
3/1
1/1
1/3
1/1
0,1610
1/1
1/3
1/7
1/3
0,0566
1/1
1/3
1/1
0,1610
1/1
3/1
0,4604
1/1
0,1610
PARCELA
4
PARCELA
X
CR
0,17%
Tabla A.12. Matriz de comparaciones pareadas de las parcelas en funcin del estado
vegetativo, consistencia y vector propio
51
125
PARCELA
2
PARCELA
3
PARCELA
4
PARCELA
X
VECTOR
PROPIO
1/1
1/1
1/5
1/1
1/3
0,0876
1/1
1/5
1/1
1/3
0,0876
1/1
5/1
3/1
0,5007
1/1
1/3
0,0876
1/1
0,2364
PARCELA
1
PARCELA
2
PARCELA
3
PARCELA
4
PARCELA
X
CR
0,90%
Ponderacin variables
Ponderacin Parcelas
0,1610
0,0876
0,8333
0,1488
0,0566
0,0876
0,1667
0,0618
0,1610
0,5007
0,2176
0,4604
0,0876
0,3983
0,1610
0,2364
0,1736
PONDERACIN
4.000
0,1488
26.888
1.600
0,0618
25.904
5.550
0,2176
25.504
PARCELAS
RATIOS
126
9.800
0,3983
24.607
RATIO MEDIO
25.725
127
129
Min ( nij + p ij )
i =1 j =1
s.a.
wis + nij + p ij = wij
(7.1)
siendo:
wis = Ponderacin de cada experto para cada variable.
nij = Desviaciones negativas a la ponderacin agregada.
pij = Desviaciones positivas a la ponderacin agregada.
wij = Ponderacin agregada para cada variable.
Para poder realizar el procedimiento de agregacin, como hemos dicho
anteriormente, es necesario contar previamente con las preferencias de los distintos
expertos que intervienen en la valoracin. Esta determinacin de las preferencias
individuales se puede realizar utilizando una encuesta, cuyo contenido se desarrolla en
el punto 6.3 y en el Anexo de este captulo.
Con la informacin de las distintas encuestas se plantearn las correspondientes
matrices de comparacin pareadas, se comprobar su consistencia (en el supuesto de
que no sea suficientemente consistente se mejora siguiendo el procedimiento que se
52
53
130
(1 ) * D + (ni + pi )
Min
i =1
s.a.
q
(n
i =1
+ pi1 ) D 0
i1
M
q
(n
i =1
m1
+ p m1 ) D 0
(n
i =1
i1
(7.2)
+ pi1 ) D1 = 0
M
q
(n
i =1
im
+ p m1 ) D1 = 0
(n
q
i =1 j =1
ij
+ pij ) Z = 0
131
Siendo:
D = Distancia mxima.
wis = Ponderacin de cada experto para cada variable.
nij = Desviaciones negativas a la ponderacin agregada.
pij = Desviaciones positivas a la ponderacin agregada.
wij = Ponderacin agregada para cada variable.
Z = Suma de las desviaciones.
7.3 ENCUESTA
El diseo de la encuesta debe de ser muy cuidadosa, tanto en el contenido como
en la presentacin, ya que es importante que cada uno de los expertos que intervenga
tenga muy claro el procedimiento a seguir.
La encuesta que se propone (Anexo) debe de tener el siguiente contenido.
Objetivo de la encuesta
Justificacin de la encuesta
Metodologa propuesta
132
s.a.
wij mij + nl(1) pl(1) = 0,
wij w ji + n s(2 ) p s(2 ) = 1,
s = 1, 2 ,K , n(n 1) / 2 Re ciprocidad
(7.3)
i, j.
Siendo:
wij = Nueva ponderacin.
mij = Ponderacin original.
nl(1) = Desviaciones negativas
pl(1) = Desviaciones positivas
El modelo plantea la minimizacin de las distancias sujeto a tres restricciones:
54
133
del cuestionario los expertos ponderan los deportistas testigo y el a valorar en funcin
de las variables fijadas.
Finalmente y a partir de la informacin volcada por los expertos y de la
informacin del mercado de traspasos pertinente el comit valorador determina el valor
buscado del deportista a valorar, utilizando como se ha dicho anteriormente el Proceso
Analtico Jerrquico.
El problema planteado es calcular el valor de traspaso de un jugador de ftbol X
que ocupa la posicin de delantero centro.
La informacin de la que se parte es la de la Tabla 7.1 en la que se recoge el
valor del traspaso reciente de 4 jugadores que ocupan la misma posicin en el campo
(delantero centro) que el que se pretende valorar.
45
12
15
X
Tabla 7.1. Valor de traspaso de 4 delanteros centro
Se eligen 6 expertos conocedores del mercado de futbolistas a los que se
plantea en un primer contacto la eleccin de las variables o caractersticas de los
jugadores que en su opinin mas influyen en su precio o valor.
A la vista de las respuestas anteriores el centro decisor elige como variables
explicativas del precio para este tipo de jugador las tres siguientes.
(capacidad
de
generar
recursos
134
COMPARACIN PAREADA
NOTACIN
NOTACIN
135
EXPERTO N 1
Variables
explicativas
VECTOR PROPIO
1/1
9/1
7/1
0,7928
1/1
1/2
0,0760
1/1
0,1312
B
C
CR = 2,1%
Tabla 7.4. Experto n 1. Matriz de comparaciones pareadas de las variables
explicativas.
EXPERTO N 2
Variables
explicativas
VECTOR PROPIO
1/1
5/1
7/1
0,7396
1/1
2/1
0,1666
1/1
0,0938
B
C
CR = 1,3%
Tabla 7.5. Experto n 2. Matriz de comparaciones pareadas de las variables
explicativas
EXPERTO N 3
Variables
explicativas
VECTOR PROPIO
1/1
9/1
7/1
0,7854
1/1
1/2
0,0658
1/1
0,1458
B
C
CR = 2,1%
Tabla 7.6. Experto n 3. Matriz de comparaciones pareadas de las variables
explicativas
EXPERTO N 4
Variables
explicativas
VECTOR PROPIO
1/1
5/1
3/1
0,6370
1/1
1/3
0,1047
1/1
0,2583
B
C
CR = 3,7%
136
VECTOR PROPIO
1/1
5/1
3/1
0,6370
1/1
1/3
0,1047
1/1
0,2583
B
C
CR = 3,7%
Tabla 7.8. Experto n 5. Matriz de comparaciones pareadas de las variables
explicativas
EXPERTO N 6
Variables
explicativas
VECTOR PROPIO
1/1
9/1
7/1
0,7928
1/1
1/2
0,0760
1/1
0,1320
B
C
CR = 2,1%
Tabla 7.9. Experto n 6. Matriz de comparaciones pareadas de las variables
explicativas
Las seis matrices son consistentes, en todas ellas su CR est por debajo del 5%
exigido para las matrices de rango 3.
Pero las comparaciones pareadas no coinciden en todos los casos (salvo la 1 y
la 6 y la 4 y la 5) (Tabla 7.10), por lo que hay que calcular un vector propio resultante
de la agregacin de todos los vectores propios. Se plantea pues el modelo de
Programacin por metas ponderadas para agregacin de preferencias.
Variables explicativas
A
Experto 1
0,7928
0,0760
0,1312
Experto 2
0,7396
0,1666
0,0938
Experto 3
0,7854
0,0658
0,1488
Experto 4
0,6370
0,1047
0,2583
Experto 5
0,6370
0,1047
0,2583
Experto 6
0,7928
0,0760
0,1312
Tabla 7.10. Tabla resumen de los vectores propios de las matrices de comparaciones
pareadas de las variables explicativas
137
s.a.
wis + nij + pij = wij
Min = n11 + p11 + n12 + p12 + n13 + p13 + n14 + p14 + n15 + p15 + n16 + p16 + n21 + p 21 + n22 + p 22 +
n23 + p 23 + n24 + p 24 + n25 + p 25 + n26 + p 26 + n31 + p31 + n32 + p32 + n33 + p33 + n34 + p34 + n35 +
p35 + n36 + p36 ;
s.a.
w1 + n11 p11 = 0,7928;
w1 + n12 p12 = 0,7396;
w1 + n13 p13 = 0,7854;
w1 + n14 p14 = 0,6370;
w1 + n15 p15 = 0,6370;
w1 + n16 p16 = 0,7928;
w2 + n21 p 21 = 0,0760;
w2 + n22 p 22 = 0,1666;
w2 + n23 p 23 = 0,0658;
w2 + n24 p 24 = 0,1047;
w2 + n25 p 25 = 0,1047;
w2 + n26 p 26 = 0,0760;
w3 + n31 p31 = 0,1312;
w3 + n32 p32 = 0,0938;
w3 + n33 p33 = 0,1488;
w3 + n34 p34 = 0,2583;
w3 + n35 p35 = 0,2583;
w3 + n36 p36 = 0,1312;
138
Variables Explicativas
Peso
0,7396
0,0760
0,1312
JUGADOR
Goles por
partido
Ponderacin
goles por
partido
Aos de
rendimiento
Ponderacin
aos de
rendimiento
0,81
0,2988
0,2000
0,28
0,1032
0,1600
0,42
0,1540
10
0,4000
0,57
0,2103
0,0800
0,63
0,1600
0,1600
Tabla 7.12. Cuantificacin y ponderacin de las variables goles por partido y aos que
le quedan al jugador de pleno rendimiento
La tercera variable Imagen comercial su ponderacin se calcula mediante las
respectivas matrices de comparacin pareada deducidas de la segunda encuesta
planteada a los expertos. Tablas 7.13, 7.14, 7.15, 7.16, 7.17 y 7.18.
Experto n 1
VARIABLE EXPLICATIVA: IMAGEN COMERCIAL
JUGADORES
1/1
9/1
9/1
7/1
3/1
1/1
1/3
1/5
1/7
1/1
1/2
1/6
1/1
1/4
2
3
4
1/1
X
CR = 6,52%
139
1/1
9/1
7/1
5/1
5/1
1/1
1/5
1/7
1/7
1/1
1/3
1/3
1/1
1/1
2
3
4
1/1
X
CR = 7,60%
1/1
9/1
8/1
9/1
5/1
1/1
1/3
1/1
1/7
1/1
2/1
1/6
1/1
1/6
2
3
4
1/1
X
CR = 7,5%
1/1
9/1
9/1
8/1
7/1
1/1
1/1
1/3
1/5
1/1
1/3
1/5
1/1
1/3
2
3
4
1/1
X
CR = 6,8%
140
Experto n 5
VARIABLE EXPLICATIVA: IMAGEN COMERCIAL
JUGADORES
1/1
9/1
9/1
5/1
5/1
1/1
1/1
1/7
1/5
1/1
1/7
1/5
1/1
1/5
2
3
4
1/1
X
CR = 7,6%
1/1
9/1
7/1
8/1
8/1
1/1
1/6
1/7
1/7
1/1
1/3
1/3
1/1
1/1
2
3
4
1/1
X
CR = 13,89%
10
60
s =1
t =1
s.a.
wij mij + nl(1) pl(1) = 0 l {1, K,20} Condicin de semejanza
para i, j
141
142
s.a.
Condicin de semejanza
w12 9 + n11 p11 = 0;
w13 7 + n21 p 21 = 0;
M
w53 3 + n191 p191 = 0;
w54 1 + n201 p 201 = 0;
Condicin de consistencia
w12 * w21 + n12 p12 = 1;
w13 * w31 + n22 p 22 = 1;
M
w34 * w43 + n82 p82 = 1;
w35 * w53 + n92 p92 = 1;
Condicin de reciprocidad
w13 * w32 w12 + n13 p13 = 0;
w14 * w42 w12 + n23 p 23 = 0;
w15 * w52 w12 + n33 p33 = 0;
w12 * w23 w13 + n43 p 43 = 0;
M
w23 * w31 w21 + n133 p133 = 0;
w24 * w41 w21 + n143 p143 = 0;
M
w32 * w21 w31 + n253 p 253 = 0;
w34 * w41 w31 + n263 p 263 = 0;
M
w43 * w21 w41 + n373 p373 = 0;
w44 * w31 w41 + n383 p383 = 0;
M
w52 * w21 w51 + n493 p 493 = 0;
w53 * w31 w51 + n503 p503 = 0;
M
w53 * w34 w54 + n603 p 603 = 0;
143
1
9
1
9
M
1
9
1
9
M
1
9
1
9
M
1
9
1
9
M
1
9
1
9
M
1
9
w11 9;
w12 9;
w21 9;
w22 9;
w31 9;
w32 9;
w41 9;
w42 9;
w51 9;
w52 9;
w55 9;
Resolviendo este modelo con LINGO obtenemos los valores de los distintos wij
que permiten construir una matriz consistente Tabla 7.20.
144
Experto n 6
VARIABLE EXPLICATIVA: IMAGEN COMERCIAL
JUGADORES
1/1
2.33
2.33
1/1
0,777
0,259
0,259
1/1
1/3
1/3
1/1
1/1
2
3
4
1/1
5
CR = 0,00%
0,5411
0,5649
0,5944
0,6424
0,5667
0,4734
0,0322
0,0289
0,0390
0,0419
0,0365
0,0526
0,0586
0,0773
0,0734
0,0419
0,0365
0,0677
0,0988
0,1644
0,0424
0,0913
0,2324
0,2032
0,2692
0,1644
0,2509
0,1825
0,1280
0,2032
Tabla 7.21. Vectores propios de las matrices de comparacin pareada para la variable
explicativa Imagen comercial
Como las ponderaciones de los distintos expertos vara se realiza la agregacin
de las mismas utilizando la programacin por metas como en el caso de las matrices
de las variables explicativas.
Se plantea el modelo ya conocido (7.1).
i 1 j =1
s.a.
wij aij + nij pij = 0 i {1,K ,5}, j {1,K ,6}
que en este caso, sera.
145
Min = n11 + p11 + n12 + p12 + n13 + p13 + n14 + p14 + n15 + p15 + n16 + p16 + n21 + p 21 + n 22 + p 22 +
n23 + p 23 + n24 + p 24 + n 25 + p 25 + n26 + p 26 + n31 + p31 + n32 + p32 + n33 + p33 + n34 + p34 + n35 +
p35 + n36 + p36 + n 41 + p 41 + n42 + p 42 + n43 + p 43 + n44 + p 44 + n 45 + p 45 + n46 + p 46 + n51 + p51 +
n52 + p52 + n53 + p53 + n54 + p54 + n55 + + n61 + p 61 + n62 + p 62 + n63 + p 63 + n64 + p 64 + n65 +
p 65 + n66 + p 66
s.a.
w1 + n11 p11 = 0,5411;
w1 + n12 p12 = 0,5649;
w1 + n13 p13 = 0,5944;
w1 + n14 p14 = 0,6424;
w1 + n15 p15 = 0,5667;
w1 + n16 p16 = 0,4734;
w2 + n21 p 21 = 0,0322;
w2 + n22 p 22 = 0,0289;
w2 + n23 p 23 = 0,0390;
w2 + n24 p 24 = 0,0419;
w2 + n25 p 25 = 0,0365;
w2 + n26 p 26 = 0,0526;
w3 + n31 p31 = 0,0586;
w3 + n32 p32 = 0,0773;
w3 + n33 p33 = 0,0734;
w3 + n34 p34 = 0,0419;
w3 + n35 p35 = 0,0365;
w3 + n36 p36 = 0,0677;
w4 + n41 p 431 = 0,0988;
w4 + n42 p 42 = 0,1644;
w4 + n43 p 43 = 0,0424;
w4 + n44 p 44 = 0,0913;
w4 + n45 p 45 = 0,2324;
w4 + n46 p 46 = 0,2032;
w5 + n51 p51 = 0,2692;
w5 + n52 p52 = 0,1644;
w5 + n53 p53 = 0,2509;
w5 + n54 p54 = 0,1825;
w5 + n55 p55 = 0,1280;
w5 + n56 p56 = 0,2032;
146
0,5649
0,0365
0,0586
0,0988
0,1825
Despus de este proceso se tiene el vector propio agregado de todos los
jugadores en funcin de la variable cualitativa Imagen comercial y con ello se completa
el clculo de todos los vectores propios de los jugadores con respecto a las tres
variables explicativas (Tabla 7.22).
JUGADOR
Ponderacin Imagen
comercial
0.2988
0,2000
0,5649
0.1032
0,1600
0,0365
0.1540
0,4000
0,0586
0.2103
0,0800
0,0988
0.2324
0,1600
0,1825
Tabla 7.22. Vectores propios de los jugadores en funcin de las tres variables
explicativas
El producto de la matriz formada por los vectores propios de los jugadores con
respecto a cada variable explicativa por el vector propio de las variables explicativas,
dar la ponderacin de los jugadores en funcin de todas las variables y su peso o
ponderacin. Tabla 7.23
Ponderacin
variables
Ponderacin
jugadores
0,2988
0,2000
0,5649
0,7396
0,3103
0,1032
0,1600
0,0365
0,0760
0,0933
0,1540
0,4000
0,0586
0,1312
0,1520
0,2103
0,0800
0,0988
0,1746
0,2324
0,1600
0,1825
0,2080
147
JUGADOR
PONDERACION
VALOR
(millones )
0,3103
45
0,0933
12
0,1520
15
0,1746
RATIO
SUMA
0,7302
81
110,9361
7.6 EJEMPLO 2.
MEDIOAMBIENTAL
VALORACIN
DE
UN
ESPACIO
TITULACIN
Ingeniero de Montes
Ingeniero de Montes
Ingeniero de Montes
Ingeniero de Montes
Ingeniero Agrnomo
Ingeniero Agrnomo
Ingeniero Agrnomo
Ingeniero Agrnomo
Ldo. C. Biolgicas
10
Ldo. C. Biolgicas
11
Ldo. C. Biolgicas
148
12
Ldo. C. Biolgicas
Cereal
Espartizal
Romeral
Matorral
Pinar
Encinar
Marjal
5,2
8,3
9,1
9,4
22,1
38,1
7,8
3,1
6,5
12,0
7,1
19,4
45,0
6,9
3,5
9,0
8,6
13,0
28,2
28,2
9,5
4,8
9,0
10,0
10,2
18,7
35,0
12,3
21,3
2,7
2,7
8,1
13,2
18,0
34,0
19,4
3,8
4,7
8,2
8,2
22,7
33,0
23,7
5,1
8,2
6,0
15,2
16,4
25,4
22
6,0
5,1
3,3
12,2
14,4
37,0
3,8
12,8
13,3
15,1
17,5
19,2
18,3
10
3,7
13,0
9,2
21,1
10,8
21,1
21,1
11
4,6
9,0
12,0
16,6
15,6
26,5
15,7
12
8,8
7,7
8,8
10,3
20,6
17,4
26,4
Cereal
Espartizal
Romeral
Matorral
Pinar
Encinar
Marjal
5,2
8,3
9,1
9,4
22,1
38,1
7,8
3,1
6,5
12,0
7,1
19,4
45,0
6,9
3,5
9,0
8,6
13,0
28,2
28,2
9,5
149
4,8
9,0
10,0
10,2
18,7
35,0
12,3
i =1 j =1
s.a.
(n
7
i =1 j =1
ij
+ p ij ) z = 0
Cereal
Espartizal
Romeral
Matorral
Pinar
Encinar
Marjal
21,3
2,7
2,7
8,1
13,2
18,0
34,0
19,4
3,8
4,7
8,2
8,2
22,7
33,0
23,7
5,1
8,2
6,0
15,2
16,4
25,4
22
6,0
5,1
3,3
12,2
14,4
37,0
150
w1 = 22,0
w2 = 5,1
w3 = 5,1
w4 = 8,1
w5 = 13,2
w6 = 16,4
w7 = 34,0
Grupo de Licenciados en Ciencias Biolgicas
Expertos
Cereal
Espartizal
Romeral
Matorral
Pinar
Encinar
Marjal
3,8
12,8
13,3
15,1
17,5
19,2
18,3
10
3,7
13,0
9,2
21,1
10,8
21,1
21,1
11
4,6
9,0
12,0
16,6
15,6
26,5
15,7
12
8,8
7,7
8,8
10,3
20,6
17,4
26,4
Cereal
Espartizal
Romeral
Matorral
Pinar
Encinar
Marjal
I. Montes
3,5
8,3
10,0
10,2
22,1
38,1
7,8
I.
22,0
5,1
5,1
8,1
13,2
16,4
34,0
151
Agrnomos
Ldo
Biolgicas
4,6
9,0
12,0
15,1
15,6
19,2
18,3
i =1 j =1
s.a.
nij + pij D = 0;
wi aij + nij pij = 0;
(n
7
i =1 i =1
ij
+ pij ) z = 0;
nij + pij Di = 0;
Desarrollado el modelo en este caso sera.
n11 + p11 + n11 + p11 + n11 + p11 + n11 + p11 + n11 + p11 +
Min = (1 K ) * D + K *
n11 + p11 +
min=(1K)*D+K*(n11+p11+n12+p12+n13+p13+n21+p21+n22+p22+n23+p23+n31+p31+n32+p
32+n33+p33+n41+p41+n42+p42+n43+p43+n51+p51+n52+p52+n53+p53+n61+p61+n
62+p62+n63+p63+n71+p71+n72+p72+n73+p73);
152
s.a.
(n11 + p11 ) D 0;
(n12 + p12 ) D 0;
(n13 + p13 ) D 0;
(n21 + p 21 ) D 0;
(n22 + p 22 ) D 0;
(n23 + p 23 ) D 0;
(n31 + p31 ) D 0;
(n32 + p32 ) D 0;
(n33 + p33 ) D 0;
(n41 + p 41 ) D 0;
(n42 + p 42 ) D 0;
(n43 + p 43 ) D 0;
(n51 + p511 ) D 0;
(n52 + p52 ) D 0;
(n53 + p53 ) D 0;
(n61 + p61 ) D 0;
(n62 + p62 ) D 0;
(n63 + p63 ) D 0;
(n71 + p71 ) D 0;
(n72 + p72 ) D 0;
(n73 + p73 ) D 0;
w2 + n21 p 21 = 9,0;
w6 + n61 p 61 = 35,0;
w2 + n22 p 22 = 5,1;
w2 + n23 p 23 = 12,8;
w6 + n63 p 63 = 19,2;
w7 + n71 p 71 = 7,8;
w7 + n73 p 73 = 18,3;
w4 + n 41 p 41 = 10,2;
w4 + n 42 p 42 = 8,1;
w4 + n 43 p 43 = 16,6;
n11 + p11 + n12 + p12 + n13 + p13 + n21 + p 21 + n22 + p 22 + n23 + p 23 + n31 + p31 +
n32 + p32 + n33 + p33 + n41 + p 41 + n42 + p 42 + n43 + p 43 + n51 + p51 + n52 + p52 +
n53 + p53 + n61 + p 61 + n62 + p 62 + n63 + p 63 + n71 + p71 + n72 + p 72 + n73 + p 73 z = 0;
153
(n11 + p11 ) D1 = 0;
(n12 + p12 ) D2 = 0;
(n13 + p13 ) D3 = 0;
(n21 + p 21 ) D1 = 0;
(n22 + p 22 ) D2 = 0;
(n23 + p 23 ) D3 = 0;
(n31 + p31 ) D1 = 0;
(n32 + p32 ) D2 = 0;
(n33 + p33 ) D3 = 0;
(n41 + p 41 ) D1 = 0;
(n42 + p 42 ) D2 = 0;
(n43 + p 43 ) D3 = 0;
(n51 + p511 ) D1 = 0;
(n52 + p52 ) D2 = 0;
(n53 + p53 ) D3 = 0;
(n61 + p61 ) D1 = 0;
(n62 + p62 ) D2 = 0;
(n63 + p63 ) D3 = 0;
(n71 + p71 ) D1 = 0;
(n72 + p72 ) D2 = 0;
(n73 + p73 ) D3 = 0;
W5
W6
W7
D1
21,2
25,9
29,5
20,9
255,5
13,1
13,1
13,1 13,1
9,3
21,4
25
20,9
224
13,1
13,1
13,1
W1
0
W2
W3
D2
D3
5,8
0,2 9,65 3,95 6,95 10,05 20,65 24,25 21,65 218,75 13,85 13,85 12,35 5,05
0,3 9,65 3,95 6,95 10,05 20,65 24,25 21,65 218,75 13,85 13,85 12,35 5,05
0,4 9,65 3,95 6,95 10,05 20,65 24,25 21,65 218,75 13,85 13,85 12,35 5,05
0,5 9,65 3,95 6,95 10,05 20,65 24,25 21,65 218,75 13,85 13,85 12,35 5,05
0,6 9,65 3,95 6,95 10,05 20,65 24,25 21,65 218,75 13,85 13,85 12,35 5,05
0,7 9,65 3,95 6,95 10,05 20,65 24,25 21,65 218,75 13,85 13,85 12,35 5,05
0,8 9,65 3,95 6,95 10,05 20,65 24,25 21,65 218,75 13,85 13,85 12,35 5,05
0,9 9,65 3,95 6,95 10,05 20,65 24,25 21,65 218,75 13,85 13,85 12,35 5,05
1
9,65 3,95 6,95 10,05 20,65 24,25 21,65 218,75 13,85 13,85 12,35 5,05
Tabla 7.31. Ponderacin obtenida por Programacin por metas extendida en funcion
de
0
0,1
W5
W6
25,9
29,5
13,1
13,1 13,1
21,4
25
13,1
13,1
W1
W2
W3
W4
9,3
W7
D1
D2
D3
5,8
154
(0,2-1] 9,65 3,95 6,95 10,05 20,65 24,25 21,65 218,7 13,85 13,85 12,35 5,05
Tabla 7.32. Ponderacin por intervalos obtenida por Programacin por metas
extendida en funcion de
Normalizando los valores
W1
W2
W3
W4
W5
W6
W7
D1
D2
D3
13,1
13,1 13,1
0,1 0,096 0,029 0,164 0,086 0,197 0,231 0,193 224,0 13,1
13,1
13,1
5,8
(0,20,099 0,040 0,071 0,103 0,212 0,249 0,222 218,7 13,85 13,85 12,35 5,05
1]
Tabla 7.33. Pesos normalizados por intervalos en funcin del valor de
En este caso se obtienen tres posibles soluciones en funcion del valor de que
se utilice. Este hecho hace muy interesante esta metodologa sobre todo en
valoraciones del tipo que estamos tratando o sea valoraciones con implicaciones de
tipo poltico o social. El centro decisor dispone de distintos valores en funcin de que
colectivo quiere primar en la valoracin.
En el ejemplo propuesto si el decisor opta por la mejor solucin tcnica optara
por los valores del intervalo (0,2 1] ya que es en l donde se obtiene la Z minima
(218,75). Esta solucion contiene la Programacin por metas ponderada ( = 1).
Si el decisor quisiera favorecer la opinin de los Ingenieros de Montes optara
por la solucin = 0,1 en la cual la distancia a la opinin de los Ingenieros de Montes
es menor que en la anterior (13,1 frente a 13,85), aunque aumenta Z y tambin la D2 y
D3 .
La solucin = 0 (GPMinmax) no es interesante porque empeora en todo sin
favorecer a ningn grupo.
De las estadsticas del MAPA se obtienen los precios de cereal y marjal en el
ao 2002. Con estos precios y en funcin de la escogida por el decisor se obtienen
en cada caso los ratios Precio / Ponderacin y el ratio medio correspondiente (Tabla
7.34).
Precios MAPA ao
2002 (/Ha)
Ponderacin
RATIOS
Cereal
8.211
0.096
85.531
Marjal
18.484
0,193
95.772
RATIO MEDIO
90.651
155
Espartizal
Romeral
Matorral
Pinar
Encinar
Pesos
normalizados
0,029
0,164
0,086
0,197
0,231
VALOR /Ha
2.628
14.866
7.795
17.858
20.940
Ponderacin
RATIOS
Cereal
8.211
0.099
82.939
Marjal
18.484
0,222
83.261
RATIO MEDIO
83.100
Romeral
Matorral
Pinar
Encinar
Pesos
normalizados
0,040
0,071
0,103
0,212
0,249
VALOR /Ha
3.324
5.900
8.559
17.617
20.691
1. OBJETIVO DE LA ENCUESTA
El objetivo de esta encuesta es llegar a determinar el valor de una finca agrcola.
Para ello se va a utilizar los conocimientos y la experiencia de un grupo de valoradores
entre los que se encuentra usted.
A travs de esta encuesta se le va a pedir su opinin sobre distintas aspectos de
dicha finca, comparndola con otras fincas testigo y utilizando una metodologa que se
explica en el punto 3.
Mediante la agregacin de los resultados obtenidos por las distintos valoradores
consultados se llegar finalmente a un valor final.
156
2. JUSTIFICACIN DE LA ENCUESTA
Esta metodologa se justifica en aquellos casos como el que nos ocupa en que
no existe una suficiente informacin cuantificada que nos permita aplicar otros
mtodos. La metodologa utilizada con la informacin deducida de la encuesta permite
cuantificar las variables y llegar al clculo de un valor final.
3. METODOLOGA PROPUESTA
La metodologa propuesta se basa en el mtodo denominado Proceso Analtico
Jerrquico y consiste en obtener unas matrices de comparaciones pareadas utilizando
las comparaciones obtenidas entre distintos elementos.
Para esas comparaciones se utiliza la siguiente escala fundamental de
comparaciones pareadas.
VALOR
DEFINICIN
Comentarios
Igual importancia
El criterio A es igual de
importante que el criterio B
Importancia moderada
La experiencia y el juicio
favorecen ligeramente al
criterio A sobre el B
Importancia grande
La experiencia y el juicio
favorecen fuertemente al
criterio A sobre el B
Importancia extrema
2,4,6 y 8
Recprocos de lo anterior
4. PROCEDIMIENTO
El procedimiento a seguir ser el siguiente.
157
NOTACION
Variable A frente a B
Variable A frente a C
Variable A frente a D
Variable B frente a C
Variable B frente a D
Variable C frente a D
NOTACION
158
5. ENCUESTA
Las variables explicativas seleccionadas son
Variable 1:
Variable 2:
Variable 3:
Variable 4:
Variable 5:
Parcela testigo 1:
Parcela testigo 2:
Parcela testigo 3:
Parcela testigo 4:
Parcela testigo 5:
Parcela testigo 6:
La parcela a valorar
NOTACION
Variable _ frente a _
Variable _ frente a _
Variable _ frente a _
Variable _ frente a _
Variable _ frente a _
Variable _ frente a _
159
VARIABLE _________
COMPARACIONES
NOTACION
VARIABLE _________
COMPARACIONES
NOTACION
VARIABLE _________
COMPARACIONES
NOTACION
VARIABLE _________
COMPARACIONES
NOTACION
160
VARIABLE _________
COMPARACIONES
NOTACION
161
163
PARCELAS
VALOR (u.m.)
4.000
1.600
5.550
9.800
ESTADO
VEGETATIVO
MICROCLIMA
X
Tabla 8.1. Informacin de partida con la que cuenta el experto
ETAPA 1. El primer paso es teniendo en cuenta la Escala fundamental de
comparacin por pares vista en el captulo 5 plantear las matrices de comparacin
55
En efecto, cuando en AHP se comparan los criterios, el valor asignado a la relacin entre dos
cualesquiera de ellos es fija (lineal), e independiente de los valores concretos que puedan tomar los
testigos en esos criterios. Sin embargo, puede que ese coeficiente dependa de los valores concretos de
los testigos, por lo que no parece que la relacin lineal entre los criterios asumida por AHP tenga por qu
ser la nica concebible.
164
PARCELA 1
PARCELA 1
PARCELA 2
PARCELA 3
PARCELA 4
PARCELA X
1/1
3/1
1/1
1/3
1/1
1/1
1/3
1/7
1/3
1/1
1/3
1/1
1/1
3/1
PARCELA 2
PARCELA 3
PARCELA 4
PARCELA X
1/1
RC = 0,20%
PARCELA
1
PARCELA
2
PARCELA 1
PARCELA 2
PARCELA 3
PARCELA 4
PARCELA
X
1/1
1/1
1/5
1/1
1/3
1/1
1/5
1/1
1/3
1/1
5/1
3/1
1/1
1/3
PARCELA
3
PARCELA
4
PARCELA
X
1/1
RC = 0,9%
165
0,0876
0,0876
0,5007
0,0876
0,2364
Tabla 8.5. Ponderacin de las parcelas en funcin del microclima.
ETAPA 2. Calculadas las ponderaciones de las parcelas en funcin de cada
variable explicativa se pasa a la segunda etapa del modelo que es la aplicacin de GP
a la informacin obtenida.
PARCELAS
VALOR (u.m.)
ESTADO
VEGETATIVO
MICROCLIMA
4.000
0,1610
0,0876
1.600
0,0566
0,0876
5.550
0,1610
0,5007
9.800
0,4604
0,0876
0,1610
0,2364
Min = n1 + p1 + n2 + p 2 + n3 + p3 + n4 + p 4 ;
s.a.
a0 n a0 p + a1 0.1610 + a 2 0.0876 + n1 p1 = 4.000 ;
a0 n a0 p + a1 0.0566 + a 2 0.0876 + n2 p 2 = 1.600 ;
a0 n a0 p + a1 0.1610 + a 2 0.5007 + n3 p3 = 5.550 ;
a0 n a0 p + a1 0.4604 + a 2 0.0876 + n4 p 4 = 9.800 ;
n1 + p1 + n2 + p 2 + n3 + p3 + n4 + p 4 = z ;
166
Parcelas
Valor
4.000
1.238
1.600
3.638
5.550
313
9.800
4.563
SUMA
9.750
Tabla 8.7. Diferencias absolutas con el modelo naive
279.94
I a = 1
100 = 97,13%
9750
Se observa como el alto valor del ndice nos indica una alta adecuacin de la
funcin obtenida.
167
EDIFICIOS
VALOR por
m2
1.650
700
1.425
1.600
3.100
CALIDAD
ENTORNO
CALIDAD
EDIFICIO
ESTADO DE
CONSERVACIN
X
Tabla 8.8. Informacin de partida con la que cuenta el experto
ETAPA 1. El primer paso es teniendo en cuenta la Escala fundamental de
comparacin por pares plantear las matrices de comparacin pareadas, el clculo de
su consistencia y sus vectores propios de los inmuebles urbanos en funcin de cada
una de las variables explicativas. Calidad del entorno (Tablas 8.9 y 8.10), Calidad del
edificio (Tablas 8.11 y 8.12) y Estado de conservacin (Tablas 8.13 y 8.14).
EDIFICIO
1
EDIFICIO
1
EDIFICIO
2
EDIFICIO
3
EDIFICIO
4
EDIFICIO
5
EDIFICIO
X
1/1
3/1
3/1
1/3
1/5
1/3
168
EDIFICIO
2
1/1
EDIFICIO
3
1/1
1/7
1/9
1/7
1/1
1/7
1/9
1/7
1/1
1/3
1/1
1/1
3/1
EDIFICIO
4
EDIFICIO
5
EDIFICIO
X
1/1
RC = 2,55%
EDIFICIO
1
EDIFICIO
2
EDIFICIO
3
EDIFICIO
1
EDIFICIO
2
EDIFICIO
3
EDIFICIO
4
EDIFICIO
5
EDIFICIO
X
1/1
3/1
1/3
1/1
1/5
1/1
1/1
1/7
1/3
1/9
1/3
1/1
3/1
1/3
3/1
1/1
1/5
1/1
1/1
5/1
EDIFICIO
4
EDIFICIO
X
EDIFICIO
X
1/1
RC = 5,98%
169
0,2355
0,0891
0,4630
0,0891
Tabla 8.12. Ponderacin de las parcelas en funcin de la Calidad del edificio
EDIFICIO
1
EDIFICIO
1
EDIFICIO
2
EDIFICIO
3
EDIFICIO
4
EDIFICIO
5
EDIFICIO
X
1/1
5/1
3/1
1/1
1/1
3/1
1/1
1/3
1/5
1/5
1/3
1/1
1/3
1/3
1/1
1/1
1/1
3/1
1/1
3/1
EDIFICIO
2
EDIFICIO
3
EDIFICIO
4
EDIFICIO
X
EDIFICIO
X
1/1
RC = 2,07%
EDIFICIOS VALOR
CALIDAD
ENTORNO
CALIDAD
EDIFICIO
ESTADO
CONSERVACIN
170
1.650
0,0825
0,0891
0,2194
700
0,0328
0,0343
0,0403
1.425
0,0328
0,2355
0,0820
1.600
0,2069
0,0891
0,2194
3.100
0,4381
0,4630
0,2194
0,2069
0,0891
0,2194
Tabla 8.15. Precio y ponderacin de los edificios para cada variable explicativa
A partir de la informacin de la Tabla 8.15, que recoge las ponderaciones para
todas las variables explicativas y los precios de los inmuebles, se plantea el siguiente
modelo.
Min = n1 + p1 + n2 + p 2 + n3 + p3 + n4 + p4 + n5 + p5 ;
s.a.
a0 n a0 p + a1 0.0825 + a 2 0.0891 + a3 0.2194 + n1 p1 = 1.650;
a0 n a0 p + a1 0.0328 + a 2 0.0343 + a3 0.0403 + n2 p 2 = 700;
a0 n a0 p + a1 0.0328 + a 2 0.2355 + a3 0.0820 + n3 p3 = 1.425;
a0 n a0 p + a1 0.2069 + a2 0.0891 + a3 0.2194 + n4 p 4 = 1.600;
a0 n a0 p + a1 0.4381 + a 2 0.4630 + a3 0.2194 + n1 p1 = 3.100;
n1 + p1 + n2 + p 2 + n3 + p3 + n4 + p 4 + n5 + p5 = z ;
171
Valor
1.650
85
700
835
1.425
310
1.600
135
3.100
1.365
SUMA
2.730
Tabla 8.16. Diferencias absolutas con el modelo naive
197.99
I a = 1
100 = 92.74%
2730
56
Este supuesto se da cuando los expertos que intervienen son de formacin, conocimientos e intereses
parecidos; en este caso el mtodo propuesto es el adecuado. Puede darse el caso de que los expertos no
coincidan en los supuestos mencionados, esto suele suceder con frecuencia en valoraciones que van a
influir en decisiones de tipo poltico o con repercusin social y por lo tanto las ponderaciones son bastante
o muy distintas unas de otras. En dicho supuesto la agregacin debe de realizarse utilizando el modelo
extendido de GP (vase Linares y Romero, 2002).
172
i =1 j =1
s.t.
[17]
w + nij pij = wi ;
s
i
EXPERTO 1
EXPERTO 2
EXPERTO 3
0,1610
0,1322
0,1234
0,0566
0,0784
0,0440
0,1610
0,1322
0,1234
0,4604
0,3647
0,3592
0,1610
0,2952
0,3501
Tabla 8.17. Ponderaciones de los tres expertos en funcin del Estado vegetativo
173
Min = n11 + p11 + n12 + p12 + n32 + p13 + n21 + p 21 + n22 + p 22 + n23 + p 23 + n31 + p31 +
n32 + p32 + n33 + p33 + n41 + p 41 + n42 + p 42 + n43 + p 43 + n51 + p51 + n52 + p52 + n53 + p53 ;
s.a.
w1 + n11 p11 = 0,1610;
M
M
w5 + n53 p53 = 0,3501;
EXPERTO 1
EXPERTO 2
EXPERTO 3
0,0876
0,0698
0,0890
0,0876
0,1362
0,1715
0,5007
0,2788
0,4790
0,0876
0,0698
0,0890
0,2364
0,4454
0,1715
Min = n11 + p11 + n12 + p12 + n32 + p13 + n21 + p 21 + n22 + p 22 + n23 + p 23 + n31 + p31 +
n32 + p32 + n33 + p33 + n41 + p 41 + n42 + p 42 + n43 + p 43 + n51 + p51 + n52 + p52 + n53 + p53 ;
s.a.
w1 + n11 p11 = 0,0876;
M
M
w5 + n53 p53 = 0,1715;
174
PARCELAS
VALOR
ESTADO
VEGETATIVO
MICROCLIMA
4.000
0,1610
0,0876
1.600
0,0566
0,0876
5.550
0,1610
0,5007
9.800
0,4604
0,0876
0,1610
0,2364
Tabla 8.19. Precio y ponderacin de las parcelas para cada variable explicativa
ETAPA 3. Esta etapa es similar a la dos del modelo bietpico, partiendo de las
ponderaciones agregadas planteamos el modelo de GP con la ponderacin de los
testigos con el fin de obtener la funcin que explica el valor de ellos con las variables
explicativas utilizadas.
Min = n1 + p1 + n2 + p 2 + n3 + p3 + n4 + p 4 ;
s.a.
a1 * 0,1322 + a 2 * 0,0876 + n1 p1 = 4.000;
a1 * 0,0566 + a 2 * 0,1362 + n2 p 2 = 1.600;
a1 * 0,1322 + a 2 * 0,4790 + n3 p3 = 5.500;
a1 * 0,3647 + a 2 * 0,0876 + n4 p 4 = 9.800;
175
176
Captulo 9. Bibliografa I
Captulo 9. Bibliografa
9.1 VALORACIN
del
justiprecio
en
el
procedimiento
de
expropiacin
forzosa.
177
Captulo 9. Bibliografa I
178
Captulo 9. Bibliografa I
179
Captulo 9. Bibliografa I
Universidad
180
Captulo 9. Bibliografa I
181
Captulo 9. Bibliografa I
L. FENOLLOSA.
185:105-127, 2000.
J. GARCA, S. CRUZ, y Y. ROSADO. Las funciones de distribucin multivariantes
en la teora general de valoracin. Anonymous. Anonymous. Actas de la XIV Reunin
Asepelt-Espaa, Oviedo (publicacin en CD-Rom).
J. GARCA, S. CRUZ, y L.B. GARCIA . Generalizacin
funciones de distribucin (MDFD) a familias betas determinadas con los tres valores
habituales.
Anonymous. Anonymous.
182
Captulo 9. Bibliografa I
Italo-espaol
sobre
perspectivas
de
la
investigacin
en
valoracin
operativa.CeSET-AEVA.Florencia, 2003.
G. L. HAAS. Sales prices as a basis for farmland Appraisal. Minnesota Agricultural
Experiment Station .Minneapolis 9, 1922.
183
Captulo 9. Bibliografa I
el
valor
ms
probable
del
PERT
clsico.
Estudios
de
Economa
della
teoria
generale
de
valutazioni.
Genio
Rurale.Estimo
184
Captulo 9. Bibliografa I
185
Captulo 9. Bibliografa I
186
Captulo 9. Bibliografa I
Tesis
agraria.
Tesis
Doctoral.Escuela
Tcnica
Superior
de
Ingenieros
187
Captulo 9. Bibliografa I
vegetales 13-12:221-240, 1998.A. SERPIERI. La stima dei beni fondiari, 1937. Barber.
Florencia.
A. TORREJN y BONETA. Teora y Prctica
188
Captulo 9. Bibliografa I
Proceso Analtico
189
Captulo 9. Bibliografa I
190
Captulo 9. Bibliografa I
191
Captulo 9. Bibliografa I
192
Captulo 9. Bibliografa I
119:388-403, 1999.
193
Captulo 9. Bibliografa I
MORENO-JIMENEZ.
El
Proceso
Analtico
Jerrquico.
Fundamentos,
194
Captulo 9. Bibliografa I
Collection
Diriger
LEntreprise.Presses
Polythechniques
Romandes,
Lausanne, 1985.
M. J. SCHNIEDERJANS y R. L. WILSON. Using the Analytic Hierarchy Process y
goal programming for information
Information y
195
Captulo 9. Bibliografa I
industries
with
sustainability
considerations.
Computers
Chemical
196