INTENSIDAD DE LAS PREFERENCIAS EN VOTACIONES. VISUALIZACIÓN GRÁFICA DE SU IMPORTANCIA *
|
|
- Samuel Pereyra Escobar
- hace 8 años
- Vistas:
Transcripción
1 INTENSIDAD DE LAS PREFERENCIAS EN VOTACIONES. VISUALIZACIÓN GRÁFICA DE SU IMPORTANCIA * Alberto Turón Lanuza Grupo Decsón Multcrtero Zaragoza Facultad de Cencas Económcas y Empresarales. Unversdad de Zaragoza e-mal: turon@unzar.es José María Moreno Jménez Grupo Decsón Multcrtero Zaragoza Facultad de Cencas Económcas y Empresarales. Unversdad de Zaragoza e-mal: moreno@unzar.es Manuel Salvador Fgueras Grupo Decsón Multcrtero Zaragoza Facultad de Cencas Económcas y Empresarales. Unversdad de Zaragoza e-mal: salvador@unzar.es Resumen Este trabao analza gráfcamente la mportanca de la ntensdad de las preferencas de los ndvduos que partcpan en los procesos de votacón tradconalmente segudos en España. Utlzando el Proceso Analítco Jerárquco (AHP) como soporte metodológco en la resolucón de un problema de eleccón dscreta, se estudan las dferentes estructuras de preferenca asocadas al grupo encargado de la Toma de Decsones. Para ello se han desarrollado dferentes herramentas de vsualzacón gráfca que permten dentfcar los patrones de comportamento asocados a las dstntas posturas, tanto ndvduales como colectvas. Estos desarrollos se han aplcado a los resultados obtendos en una encuesta sobre el Tratado por el que se establece la Consttucón Europea, realzada por los alumnos de segundo curso de la Facultad de Económcas de Zaragoza. Palabras clave: Votacón, Democraca, AHP, Preferencas, Vsualzacón Gráfca. Área temátca: 7. Métodos Cuanttatvos. * Este trabao está parcalmente sufragado por el proyecto multdscplnar del Goberno de Aragón Goberno electrónco. Toma de decsones compleas basadas en Internet: e-democraca y e- cognocraca (ref. PM004-05).
2 . Introduccón. Uno de los tópcos que más nterés está despertando en el ámbto de la toma de decsones públcas es el goberno electrónco de los cudadanos. La e-cognocraca, novedoso sstema democrátco orentado a la creacón y dfusón socal del conocmento dervado de la toma centífca de decsones públcas (Moreno, 003; Moreno y Polasek, 003), permte la partcpacón drecta de los cudadanos en el goberno de la socedad, meorando la transparenca, la creatvdad y el aprendzae socal. En el ámbto del goberno electrónco de la socedad son de aplcacón las dferentes herramentas decsonales que durante los últmos dez años ha vendo desarrollando el Grupo Decsón Multcrtero Zaragoza para una de las técncas multcrtero más extenddas, el Proceso Analítco Jerárquco (AHP). Utlzando esta técnca multcrtero en la resolucón de un problema de eleccón dscreta con un elevado número de decsores, el trabao se centra en el estudo de la mportanca de la ntensdad de las preferencas de cada uno de los decsores. Con esta fnaldad, se analza la exstenca de patrones de comportamento representatvos de las dferentes posturas que adoptan ante un conunto de alternatvas. Para facltar este análss se han desarrollado algunas herramentas de vsualzacón gráfca adecuadas a las dmensones del problema consderado que facltan la labor de nterpretacón de los resultados y la extraccón de conclusones. El trabao se ha estructurado como sgue: La Seccón ( ) presenta el Proceso Analítco Jerárquco, enumera las etapas del msmo y destaca las posbldades que ofrecen las técncas de representacón gráfca. En la Seccón 3 ( 3) se detalla el algortmo utlzado para la localzacón de los grupos de consenso exstentes en el conunto de decsores e dentfcar las posturas exstentes en el msmo. En la Seccón 4 ( 4) se muestran los resultados correspondentes a la aplcacón consderada y se analza el comportamento de las estructuras de preferenca asocadas. Por últmo, la Seccón 5 ( 5) destaca las conclusones más mportantes del trabao.
3 . Antecedentes.. El Proceso Analítco Jerárquco (AHP) El Proceso Analítco Jerárquco (Saaty, 980; Moreno, 00b) es una técnca de decsón multcrtero dscreta, flexble, aberta y realsta, que permte la eleccón de la meor alternatva consderando tanto factores obetvos como subetvos. Medante una modelzacón erárquca de los problemas compleos que se plantean en el ámbto de las cencas socales, la adecuada modelzacón de problemas con una alta compledad, su aplcacón práctca a los problemas concretos oblga a consderar la partcpacón en el proceso de múltples actores, dando lugar a dferentes stuacones (Moreno-Jménez y otros, 00): ) Toma de Decsones en Grupo, donde los decsores actúan como un grupo tratando de alcanzar una únca decsón bao consenso; ) Toma de Decsones Negocada, donde los decsores actúan de forma ndvdual tratando de llegar a acuerdos entre sus ntereses personales; y ) Toma de Decsones Sstémca, en la que los decsores actúan como una red en busca de una decsón holístca bao una perspectva de toleranca. La prmera de estas stuacones, la Toma de Decsones en Grupo, ha vsto aumentar su nterés en los últmos años debdo, entre otras causas, a la globalzacón de la socedad y los mercados. En Moreno-Jménez y otros (00) se desarrolla una técnca para facltar el consenso entre los dstntos actores basándose en la dentfcacón de un núcleo de consstenca común a todos ellos. El Índce de Inconsstenca Geométrca (Aguarón y Moreno-Jménez, 00) proporcona una medda de la nconsstenca de los ucos así obtendos. La Dstrbucón de Estructuras de Preferenca de un conunto de alternatvas A,,A n es la dstrbucón de probabldades de las n! Estructuras de Preferenca dstntas, o posbles ordenacones de las n alternatvas, que se pueden obtener al ncorporar la ncertdumbre en el modelo medante ntervalos de ucos (Moreno- Jménez y Vargas, 993; Moreno-Jménez y otros, 999). Estas estructuras de preferenca dependen de cuál es el valor del Índce de Inconsstenca y el estudo de 3
4 la relacón con dcho índce proporcona un valoso conocmento sobre las tendencas, patrones y puntos crítcos del proceso de toma de decsones. La metodología de AHP consta de cuatro etapas: () modelzacón; () valoracón; (3) prorzacón y (4) síntess.. La modelzacón del problema medante la construccón de una erarquía en la que se ncorporan los elementos prncpales del msmo, sendo el nodo más elevado de la erarquía la msón perseguda, los nodos ntermedos los crteros, subcrteros..., y atrbutos, y los nodos de nvel más bao las alternatvas.. La etapa de valoracón consste en la ncorporacón de las preferencas del decsor a través de la emsón de ucos en comparacones pareadas. Estos ucos, meddos en la escala fundamental propuesta por Saaty (Saaty, 980), reflean la mportanca relatva para el decsor de los elementos que cuelgan de un nodo de la erarquía, con respecto al nodo del que dependen. El resultado es una sere de matrces de comparacones pareadas en la que se reflean las ntensdades de las preferencas y, a partr de las cuales, se obtenen las prordades locales de cada elemento de la erarquía. 3. Prorzacón. En esta etapa, se calculan las prordades locales por cualquera de los procedmentos de prorzacón exstentes en la lteratura (Aguarón y Moreno- Jménez, 003). A partr de éstas, aplcando el prncpo de composcón erárquca, se obtenen las prordades globales. 4. Síntess. Las prordades globales de las dferentes alternatvas son sntetzadas. Utlzando cualquera de los procedmentos de agregacón exstentes, habtualmente la meda geométrca ponderada, para obtener las prordades totales o fnales de las alternatvas., por cualquera de los procedmentos de agregacón exstentes. El proceso analítco erárquco permte evaluar la nconsstenca del decsor al emtr los ucos correspondentes a la matrz recíproca de comparacones pareadas (Aguarón y Moreno-Jménez, 003). Defnendo la consstenca como la transtvdad 4
5 cardnal de los ucos ( a = a a,, k ), cuando la medda de nconsstenca k k fada para el procedmento de prorzacón supera un determnado umbral, se revsan los ucos más dscrepantes con el fn de reducr dcha nconsstenca. Sguendo el enfoque marcado por el constructvsmo cogntvo en el paradgma de la raconaldad procedmental multcrtero, la metodología seguda en la aplcacón de esta metodología en este contexto consta de 6 etapas: ) formulacón y descrpcón del problema, ) modelzacón erárquca, 3) valoracón y emsón de ucos, 4) prorzacón, agregacón y síntess, estudo de la nconsstenca, 5) ncertdumbre, robustez y retroalmentacón, 6) explotacón del modelo, aprendzae y negocacón.. Las técncas de vsualzacón gráfca de nformacón A lo largo de los últmos años se han desarrollado dversas técncas de representacón gráfca de conuntos multdmensonales de datos. Con ellas se pretende dar una vsón de éstos que de alguna manera faclte al cerebro humano las tareas de exploracón, nteraccón con ellos y extraccón de nformacón y de conocmento. La vsualzacón gráfca de nformacón proporcona mayor rapdez y meores resultados que otras técncas a la hora de extraer conocmento de conuntos de datos cuya extensón o compledad los hace dfícles de tratar analítcamente, y además proporconan una mayor confanza en las conclusones obtendas (Kem, 00). En el caso concreto del Proceso Analítco Jerárquco, durante los últmos años el GDMZ ha vendo desarrollando dversas herramentas decsonales que muestran el potencal de las técncas de vsualzacón gráfca. Algunas aplcacones pueden encontrarse en Asah (994); Turón y otros (003) y Moreno-Jménez y otros (004) proponen el gráfco de evolucón de las estructuras de preferenca; Turón y Moreno- Jménez (004) muestran el dagrama de densdad de la nconsstenca de los ucos y el dagrama de localzacón de las estructuras de preferenca. 3. Búsqueda de grupos de consenso. En esta seccón se descrbe el algortmo segudo para encontrar grupos de consenso en el conunto de decsores del problema. Este algortmo es una varacón del 5
6 algortmo de las k-medas en el que el papel de los centrodes lo realza la dstrbucón de consenso del vector de prordades del grupo defnda en Gargallo y otros (005). 3.. Planteamento Suponendo un contexto local (un únco crtero), sea D = { D,, D }, r L un r grupo de r decsores que emten r matrces recíprocas de comparacones pareadas { R ; k =, L r} n n, correspondentes a la comparacón, respecto al crtero consderado, de un conunto de n alternatvas de decsón { A,, A n }, donde ( ) ( r ) k n n R = es una matrz cuadrada postva que verfca que (k) r =, r = > 0 para, =, L, n. Los ucos r representan la r mportanca relatva de la alternatva frente a la alternatva para el decsor Dk, conforme a la escala fundamental propuesta por Saaty (980). (k) ' Sean { = ( v,..., vn ); k =,..., r}( v > 0,..., vn > 0) L v las prordades (sn normalzar) de las alternatvas para cada decsor D k, y sean (k) ' { = ( w,..., wn ); k =,..., r} w sus valores normalzados a modo dstrbutvo n w = ( = ), esto es, w v = n v = para =, L, n. El algortmo utlza una aproxmacón bayesana al problema de obtencón de grupos y supone que el proceso de emsón de ucos para cada decsor D k vene dado por un modelo multplcatvo con errores logarítmco-normales amplamente utlzado en la lteratura de AHP, dado por la expresón w r = e, =,..., n ; = +,..., n; k =,..., r (3.) w 6
7 Tomando logartmos se llega a un modelo de regresón con errores normales dado por las ecuacones: (k ) y = µ µ + ε ; =, L, n ; = +, L, n ; k =, L, r (3.) donde y = log( r ), = log( v ) (k ) µ y ~ ε ( 0, ) N σ son ndependentes para k =, L, r. Además, y con el fn de evtar problemas de dentfcabldad, se ha tomado µ n = 0, es decr se toma la alternatva A n como alternatva de referenca. Como dstrbucón a pror sobre µ (k) = ( ) ' µ,..., µ se toma la dstrbucón unforme en R n- que es la dstrbucón no nformatva habtualmente utlzada en la lteratura bayesana. ( ' Sea y (k) = y, y3,..., y ) el vector de ucos emtdos por el decsor Dk; k =, L, r n( n ) y sea J= n n n el número de ucos emtdos por él. Sea X = (x ) matrz J ( n ) de forma que s la -ésma componente de los vectores {y (k) ; k =, L, r } corresponde a la comparacón entre las alternatvas A y A l con < l<m entonces x =, x l = - y x s = 0 para s, l y s corresponde a una comparacón entre las alternatvas A <n y A n entonces x = y x s = 0 para s. Las ecuacones (3.) del modelo se podrán poner en forma matrcal como y (k) = Xµ (k) + ε (k) ; k=,,r (3.3) con ε (k) ' = ( ε, ε ε ) ~ N ( 0 I ) 3,..., n n J J,σ. J Las dstrbucones a posteror de {µ (k) ; k=,,r} vendrán dadas por µ ˆ donde ( ) ( ( ) µ (k) y (k) ~ µ ˆ ( X' X) N σ (3.4) n, = X'X X'y ) es el MLE de µ (k). 7
8 3.. Dstrbucón de consenso del grupo Sean v = (v,,v n ) y w = (w,,w n ) los vectores de prordades sn normalzar y normalzadas de las alternatvas para el grupo, respectvamente. Sea µ = log(v) el vector de log-prordades del grupo Sean {α k ; k=,,r} (α >0,,α r >0; r α k k = = ) un conunto de pesos que ponderan la mportanca de cada uno de los decsores D,,D r en el proceso de toma de decsones conunta. Tal y como muestran Gargallo y otros (005), la dstrbucón de consenso del grupo de decsores vene dada por ( ) µ y ~ ˆ ( X' X) N σ (3.5) n µ consenso, consenso donde r α k µ ˆ k = σ µ ˆ consenso = y σ = r α consenso k = σ k r α k (k) σ = k. Tal y como demuestran Gargallo y otros (005) esta dstrbucón mnmza una meda ponderada de las dstanca de Kullback-Lebler de dcha dstrbucón a las dstrbucones de probabldad a posteror (3.4). Utlzando esta dstrbucón se estma el nvel de consstenca del grupo medante el estmador nsesgado tradconalmente utlzado en la lteratura de AHP y que vene dado por σ r ' ˆ D = ( y Xµ ˆ consenso )( y Xµ ˆ consenso ) (3.6) Jr n + k = Este estmador se utlza para evaluar el grado de consenso exstente dentro de un grupo. Para ello se establece límte superor de consstenca del grupo σ límte de forma que s se estma que el nvel de consstenca de un grupo es superor a dcho límte, 8
9 no exste consenso sufcente en el msmo al haber gran heterogenedad en las preferencas de sus membros El algortmo Una vez planteados los fundamentos estadístcos del algortmo, se pasa a contnuacón a descrbr el msmo. El método utlzado consta de los pasos sguentes: PASO 0 (ESTABLECIMIENTO DEL LÍMITE SUPERIOR DE CONSISTENCIA) Se establece el límte superor de consstenca σ límte. Para ello se ha utlzado el propuesto de Altuzarra y otros (005) que fa dcho límte de forma que e max P ε + α para ε ~ LN(0, σ e límte ) (3.7) max donde e max >0 es el error máxmo que se está dspuesto a soportar en el modelo (3.) con un nvel de confanza del 00(-α)% (0<α<). PASO (INICIALIZACIÓN DEL ALGORITMO) A) (CONSTRUCCIÓN DE GRUPOS) Se construye una partcón ncal del conunto de decsores D, { ( 0) (0),..., G ) } k (0 algortmo utlzado en el eemplo se ha optado por tomar k (0) = n y G (0) D k donde ˆ = ( ˆ µ,..., ˆ µ ) ' (k) (k) { : ˆ = max ˆ µ } = D ; =,,n n µ n µ y ˆ = 0. Se elmnan los grupos vacíos. µ n G. En el 9
10 B) (CÁLCULO DE LA DISTRIBUCIÓN DE CONSENSO DE CADA GRUPO) Se calcula, para cada grupo, la dstrbucón de consenso aplcando la expresón (3.5), (0) de forma que µ ~ ( ) ( ) G µ ˆ ( X' X) ( ) N σ, =,,k (0). Se pone t = n consenso, consenso (numero de teracones). PASO (ASIGNACIÓN DE GRUPOS) Se calcula, para cada decsor D k las dstancas de Kullback-Lebler de su dstrbucón a posteror (3.4) a cada una de las dstrbucones de consenso de los grupos calculadas en el paso anteror. Cada decsor se asgna al grupo cuya dstanca sea mínma. Una vez fnalzado el proceso de asgnacón se elmnan los grupos vacíos y se obtene una nueva partcón { ( t ) ( t ),..., G ( t ) } G del conunto de decsores, D. k PASO 3 GRUPO) (CÁLCULO DE LA DISTRIBUCIÓN DE CONSENSO DE CADA Se calcula, para cada grupo, la dstrbucón de consenso aplcando la expresón (3.5), ( ) ( ) G µ ˆ ( X' X) ( ) (t ) de forma que µ ~ N σ, =,,k (t). n consenso, consenso PASO 4 (DIVISIÓN DE GRUPOS) Se analza s algún grupo se debe dvdr. Para ello se calcula, para cada grupo, un estmador de su nvel de nconsstenca, determna el conunto ˆ ( t σ G ) utlzando la expresón (3.6). Se G dvdr = {,..., k ( t) }: ˆ σ G ( t ) σ lm te G ( t χ ( t ) G J n+, 0.5α y G ) J n +, 0.5α ( t ) > donde los límtes superores de consstenca se determnan a partr de la dstrbucón ˆ ( t ) G χ dado que σ es un estmador del nvel de consstenca del grupo. S Gdvdr = ( t ) se va al Paso 5. En caso contraro se determna el grupo tal que ˆ = G max σ ( t ) G max 0
11 max Gdvdr ˆ t ( t ) σ. Sea D k el decsor de G tal que σ (k) ( ) = max ( t ) σ. Se ( ) G ( t ) ( t ) dvde G en dos subgrupos: {Dk} y G -{Dk} y se calculan, utlzando (3.5), las max max max D G max dstrbucones de consenso de cada grupo. Se pone k (t+) = k (t) +, t = t+ y se va al Paso. PASO 5 (AGRUPAMIENTO DE GRUPOS) Se calcula el par ( mn, mn ) C tal que ˆ σ ( t ) ( t ) = mn (,) C σˆ, donde C= G G mn mn (t) (t) G G {(,) {,,k (t) } {,,k (t) < k (t), ˆ σ ( t ) ( t ) G G σ lmte G ( t ) χ G ( t ) G ( t) J n+, 0.5α } J n +, 0.5α ( t) ( t) S C = se va al paso 6. En caso contraro se reemplazan y por G ( t) mn G ( t) mn y se calcula la dstrbucón de consenso de este grupo. Se pone k k (t) -, t = t+ y se vuelve al paso. PASO 6 (CONDICIÓN DE FINALIZACIÓN) El algortmo acaba s dos partcones consecutvas de D son guales o s G mn G mn (t+) = G= {,..., k ( t) }: ˆ σ G ( t ) σ lmte G χ ( t) G ( t ) J n+, 0.5α J n +, 0.5α = S los nveles de consstenca ndvduales {σ (k) ; k=,,r} son desconocdos se estman a partr de los ucos ndvduales emtdos por cada decsor medante el ' estmador nsesgado ˆ = ( y Xµ ˆ ) ( y Xµ ˆ ) σ. J n +
12 4. Eemplo. Los desarrollos anterores se aplcaron a los resultados de una encuesta realzada entre los alumnos de segundo curso de la Facultad de Económcas de Zaragoza. En ella se pedía que expresaran la ntensdad de sus preferencas entre tres opcones relatvas al Tratado de la Nueva Consttucón Europea, que fue refrendado por los españoles el día 0 de febrero de 005. Las opcones propuestas eran las sguentes: A: Aceptar este tratado por el que se establece una Consttucón para Europa B: Rechazar este tratado por el que se establece una Consttucón para Europa C: Volver a convocar otro referéndum más adelante, que sea vnculante A partr de los resultados, medante AHP se obtuveron las estructuras de preferenca de cada uno de ellos, y a ellas se aplcaron las técncas de vsualzacón gráfca menconadas en este artículo. Los vectores de prordades de cada uno se muestran en la Tabla. 4. Dagramas trangulares En los dagramas trangulares se representan las prordades ndvduales estmadas medante { ( ) ˆ ( ˆ,..., ˆ k w = w w ) n ;k=,,r} donde ˆ w = n exp = ( ˆ µ ) ( ˆ µ ) exp ;=,..,n y las prordades de consenso de cada grupo estmadas medante ( ) consenso ( ) ( ) ( wˆ,..., wˆ ) w ˆ = donde consenso, consenso, n ˆ ( ) w consenso, exp ( ) ( ˆ µ consenso, ) ( ) ( ˆ µ ) = n k exp consenso, l l=. Los grupos asgnados se representan con colores dferentes y las prordades de consenso de los msmos con círculos. En cada gráfco se representan los resultados de aplcar el algortmo de la Seccón 3 con valores dferentes de e max y tomando α = Se observa que, cuanto mayor es e max menor es el número de grupos al aumentar el valor de σ lm te. Además, los grupos tenden a localzarse en las zonas del dagrama en las que se elge una de las alternatvas por encma de las otras dos y, dentro de las zonas trangulares correspondentes en aquellas subzonas en las que se encuentran las es-
13 Tabla. Vectores de prordades del problema de votacón. decsor a a 3 a 3 w w w ,584 0,808 0,350 3 /3 /3 0,808 0,350 0,584 3 /7 /5 3 0,079 0,649 0, /3 /3 0,808 0,350 0, ,3333 0,3333 0, /9 0,75 0,0436 0, ,590 0,775 0, /7 /7 0,579 0,0759 0, ,64 0,309 0, /3 0,7007 0,097 0,0 3 /3 3 0,3333 0,3333 0, /9 3 0, 0,389 0, /9 0,663 0,0636 0, /3 /7 0,790 0,079 0,649 5 /7 /3 7 0,0759 0,766 0,579 6 /7 /5 0,0778 0,4869 0, /5 /9 0,78 0,0704 0, ,758 0,983 0, ,3333 0,3333 0, /5 /5 0,0 0,097 0, /5 0,758 0,0759 0,983 3 /9 3 0, 0,389 0, /7 0,4667 0,0667 0, /3 /5 0,583 0,047 0, /3 /5 0,336 0,0746 0, ,6854 0,344 0, /5 0,779 0,0599 0, ,64 0,309 0, /7 /9 0,734 0,0545 0, /7 /9 /3 0,0549 0,897 0, /7 0,705 0,0586 0, /3 0,389 0, 0, /3 0,7903 0,070 0, /3 /5 /5 0,097 0,0 0, /9 0,75 0,0436 0, /3 /9 0,654 0,069 0, /5 0,779 0,0599 0,60 38 /3 /7 3 0,096 0,559 0, /9 9 0,0909 0,88 0, /5 /7 /9 0,0599 0,60 0, /3 0,486 0,49 0,486 decsor a a 3 a 3 w w w ,7007 0,0 0, /5 0,675 0,0856 0, ,5568 0,5 0, /5 /5 0,0 0,097 0, /5 /9 0,067 0,058 0, /5 /5 0,0 0,097 0, ,584 0,808 0, ,3333 0,3333 0, /7 /9 0,9 0,0480 0, /7 0,705 0,0586 0, ,3333 0,3333 0, /9 /9 0,0909 0,0909 0, /7 /7 0,07 0,0554 0, /3 3 0,000 0,6000 0, ,3333 0,3333 0, /9 0,73 0,0503 0, /3 0,7383 0,095 0,70 59 /9 /9 0,0909 0,0909 0, /7 0,608 0,0746 0, ,3333 0,3333 0, /5 0,7968 0,058 0, /3 0,584 0,350 0, /5 /5 0,49 0,49 0, /3 /5 0,583 0,047 0, /5 0,675 0,0856 0, /3 /3 /3 0,350 0,808 0, /5 0,4545 0,0909 0, /9 /9 /9 0,046 0,799 0, /3 /7 /5 0,080 0,884 0, /9 0,5887 0,067 0,344 7 /7 /7 0, 0, 0, /5 0,4054 0,40 0, /7 /9 0,488 0,0658 0, /9 9 0,0909 0,88 0, /9 0,7785 0,046 0, /9 0,7785 0,046 0, /3 /3 0,330 0,04 0, ,584 0,808 0, /5 /5 0,573 0,0703 0, ,389 0,4600 0, tructuras de preferenca más preferdas por el grupo de ndvduos. Este hecho se apreca muy claramente en los gráfcos perceptuales mostrados en la Fgura, en los que se observa que los grupos tenden a stuarse en torno a los puntos correspondentes a las estructuras de preferenca más preferdas por los ndvduos. Por eemplo, en el caso e max =75 puede verse cómo aparecen 7 grupos, representando los ndvduos con una estrella y el centro de masas de cada grupo medante un círculo, lo que permte caracterzar el comportamento general del grupo. En el caso 3
14 e max =50 los grupos se reducen a tres, lo que hace que algunos ndvduos se hayan reubcado stuándose en los grupos más cercanos. Observando el comportamento de algunos ndvduos se concluye que el dagrama trangular no representa de manera ntutva esta cercanía, pues al pasar de e max =75 a e max =50 algunos de ellos no se recolocan en los grupos más próxmos, s nos atenemos a la dstanca euclídea sobre el plano del smplex. Los gráfcos trdmensonales que se presentan en 4.3 permten obtener una vsón más clara de la cercanía entre ndvduos y grupos. 4. Gráfcos MDS Los gráfcos correspondentes a las estructuras de preferenca (Fgura ) se han elaborado a partr de los resultados obtendos al aplcar un Multdmensonal Scalng a la matrz de dstancas sguente: Dstancas = (d kl ) (Matrz (r+ngrupos+n!) (r+ngrupos+n!)) donde d kl = n! n! = = p Rankng p ( l) Rankng Dstanca ( Rankng, Rankng ), sendo [ µ ~ N ( m, ( X' ) )] p σ la probabldad de la estructura Rankng = P Rankng n X de preferenca sobre las alternatvas {A,,A n } obtendas a partr de la dstrbucón a posteror del vector de log-prordades µ (k) Dstanca (Rankng,Rankng ) = - ρ Rankng, Rankng sendo ρ el coefcente de rangos de Spearman. Rankng, Rankng Los puntos representados son los decsores (dbuados con *) que utlzan las dstrbucones a posteror (3.4), los grupos (dbuados con o) que utlzan sus dstrbucones de consenso (3.5) y los rankngs (dbuados con trángulos) que utlzan sus dstrbucones degeneradas. La etqueta de cada rankng representa el 4
15 orden de preferenca de las alternatvas (e.g. 3 es la estructura de preferenca {A 3,A,A }). Fgura. Dagramas trangulares representando las prordades de consenso de los grupos para dstntos valores de e max. 5
16 Fgura. Dagramas MDS representando las estructuras de preferenca por grupos para dstntos valores de e max. 4.3 Dagramas de densdades de consenso Los dagramas de densdades de consenso representan la densdad de la dstrbucón espacal de las dstntas estructuras de preferenca; para ello utlzan la dstrbucón de consenso expresada en (3.5), generando a partr de ella medante smulacón por 6
17 ordenador un conunto de valores de la dstrbucón y obtenendo a contnuacón las prordades ndvduales estmadas como se ha hecho en 4.. El número de valores ha de ser lo sufcentemente grande como para poder calcular la densdad de las prordades en cada punto del smplex, de manera que se puede obtener la dstrbucón de densdades sobre éste. Dcha dstrbucón puede representarse ben medante un gráfco trdmensonal o ben por medo de un dagrama que asgne dstnta ntensdad de color a cada punto en funcón de la densdad de éste. emax=50 emax=350 Fgura 3. Dagramas trangulares representando las prordades de consenso de los grupos para dstntos valores de e max. 7
18 En la Fgura 3 se muestran los gráfcos de ambos tpos correspondentes a dos de los casos del eemplo; puede observarse cómo la vsta trdmensonal proporconan nformacón más ampla sobre la poscón relatva de cada decsor con respecto a su grupo de consenso, nformacón en que los dagramas trangulares de 4. no es perceptble. Los gráfcos trdmensonales se han obtendo a partr de un modelo geométrco de los datos smulados generado por ordenador, lo que permte que el punto de vsta pueda ser modfcado de manera nteractva medante una herramenta de vsualzacón 3D, posbldad de gran ayuda en la etapa de nterpretacón del gráfco y comprensón de los resultados por lo que supone de facldad para dentfcar los patrones de comportamento asocados a las dstntas posturas, tanto ndvduales como colectvas, del conunto de decsores. 5. Conclusones. A lo largo de este trabao, se han presentado dstntas representacones gráfcas que recogen el comportamento de las estructuras de preferenca dervadas de la resolucón del problema. Estas representacones, entre las que se encuentran los dagramas trangulares, los gráfcos MDS y los dagramas de densdades de consenso, capturan la evolucón de los dferentes patrones de comportamento detectados en la resolucón del problema. A partr de las msmas se establecen dferentes camnos de consenso entre las opnones de los actores mplcados en la toma de decsones. Destacar, por últmo, que se ha presentado un nuevo gráfco trdmensonal en el que se ncorpora la dstrbucón de los conglomerados representados por sus respectvos centrodes. Dcho gráfco muestra la densdad de la dstrbucón espacal de las dstntas estructuras de preferenca, permtendo así detectar los patrones presentes en el conunto de las decsones, y destacando además la mportanca de los decsores en sus correspondentes grupos de consenso. La mportanca de estos gráfcos trdmensonales radca por un lado en la posbldad de ser examnados de manera nteractva desde dferentes puntos de vsta, medante una herramenta de 8
19 vsualzacón adecuada, y por otro en el aporte de nformacón que representan con respecto a los dagramas trangulares al proporconar, para cada grupo de consenso, nformacón sobre la poscón relatva de cada decsor en el msmo, dando una dea más clara de dónde se encuentran stuados los ndvduos más próxmos al consenso (en térmnos de las densdades de consenso) y cuáles son los más leanos a éste. Bblografía: Aguarón, J. y Moreno-Jménez, J. M. (003): The Geometrc Consstency Index: Approxmated Thresholds. European Journal of Operatonal Research, 47(), pp Altuzarra, A.; Moreno-Jménez, J. M. y Salvador, M. (005): Group Decson Makng wth AHP: A Bayesan Approach. Facultad de Cencas Económcas y Empresarales. Unversdad de Zaragoza (en evaluacón). Asah, T.; Turo, D.; Shnederman, B. (994): Usng treemaps to vsualze the Analytc Herarchy Process. Techncal Report CS-TR-393, Unversty of Maryland, Department of Computer Scence. Gargallo, P.; Moreno-Jménez, J. M. y Salvador, M. (005): Una aproxmacón bayesana para la búsqueda de consenso en AHP-GDM. XIX Reunón Asepelt- España. Badaoz (CD). Kem, D. A. (00): Informaton Vsualzaton and Vsual Data Mnng. IEEE Transactons on Vsualzaton and Computer Graphcs, 8(), pp. -8. Moreno-Jménez, J. M. (00a): Constructvsmo Cogntvo en Decsones Públcas (documento prvado). Moreno-Jménez, J. M. (00b): El Proceso Analítco Jerárquco. Fundamentos. Metodología y Aplcacones. En Caballero, R. y Fernández, G.M. Toma de decsones con crteros múltples. RECT@ Revsta Electrónca de Comuncacones y Trabaos de ASEPUMA, Sere Monografías,
20 Moreno-Jménez, J. M. y Vargas, L. G. (993): A Probablstc Study of Preference Structures n the Analytc Herarchy Process wth Interval Judgements. Mathematcal Computer Modellng, 7(4/5), pp Moreno-Jménez, J. M. (003): Las Nuevas Tecnologías y la Representacón Democrátca del Inmgrante. En ARENERE, J.: IV Jornadas Jurídcas de Albarracín. Conseo General del Poder Judcal. TSJA. Moreno-Jménez, J. M.; Aguarón, J. y Escobar, M. T. (00): Decsonal Tools for Consensus Buldng n AHP-Group Decson Makng. th Mn-EURO Conference, Bruselas. Moreno-Jménez, J. M.; Aguarón, J.; Escobar, M. T. y Turón, A. (999): The Multcrtera Procedural Ratonalty on Ssdema. European Journal of Operatonal Research, 9(), pp Moreno-Jménez, J. M.; Aguarón, J.; Raluy, A. y Turón, A. (004): A Spreadsheet Module for Consstent Consensus Buldng n AHP-Group Decson Makng. Aceptado para su publcacón en Group Decson and Negotaton Journal, Kluwer Academc Publshers, Dordrecht (Holanda). Moreno-Jménez, J. M. y Polasek, W. (003): E-Democracy and Knowledge. A Multcrtera Framework for the New Democratc Era. Journal Mult-crtera Decson Analyss, Saaty, T. L. (980): Multcrtera Decson Makng: The Analytc Herarchy Process. McGraw Hll. New York. Shnederman, B. (996): The Eye Have It: A Task by Data Type Taxonomy for Informaton Vsualzatons. Vsual Languages. Turón, A.; Aguarón, J.; Moreno-Jménez, J. M. y Raluy, A. (003): Vsualzacón gráfca de las estructuras de preferencas en AHP. Actas de la XVII Reunón ASEPELT-España, Almería. 0
21 Turón, A. y Moreno-Jménez, J. M. (004): Vsualzacón de nformacón en el Proceso Analítco Jerárquco (AHP). Actas de la XVIII Reunón ASEPELT-España, León.
12-16 de Noviembre de 2012. Francisco Javier Burgos Fernández
MEMORIA DE LA ESTANCIA CON EL GRUPO DE VISIÓN Y COLOR DEL INSTITUTO UNIVERSITARIO DE FÍSICA APLICADA A LAS CIENCIAS TECNOLÓGICAS. UNIVERSIDAD DE ALICANTE. 1-16 de Novembre de 01 Francsco Javer Burgos Fernández
Más detallesDEFINICIÓN DE INDICADORES
DEFINICIÓN DE INDICADORES ÍNDICE 1. Notacón básca... 3 2. Indcadores de ntegracón: comerco total de benes... 4 2.1. Grado de apertura... 4 2.2. Grado de conexón... 4 2.3. Grado de conexón total... 5 2.4.
Más detallesOPERACIONES ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS
P L V S V LT R A BANCO DE ESPAÑA OPERACIONES Gestón de la Informacón ARMONIZACION DE CRITERIOS EN CALCULO DE PRECIOS Y RENDIMIENTOS El proceso de ntegracón fnancera dervado de la Unón Monetara exge la
Más detallesPruebas Estadísticas de Números Pseudoaleatorios
Pruebas Estadístcas de Números Pseudoaleatoros Prueba de meda Consste en verfcar que los números generados tengan una meda estadístcamente gual a, de esta manera, se analza la sguente hpótess: H 0 : =
Más detallesUnidad I. 1. 1. Definición de reacción de combustión. 1. 2. Clasificación de combustibles
2 Undad I.. Defncón de reaccón de combustón La reaccón de combustón se basa en la reaccón químca exotérmca de una sustanca (o una mezcla de ellas) denomnada combustble, con el oxígeno. Como consecuenca
Más detallesTema 3. Estadísticos univariados: tendencia central, variabilidad, asimetría y curtosis
Tema. Estadístcos unvarados: tendenca central, varabldad, asmetría y curtoss 1. MEDIDA DE TEDECIA CETRAL La meda artmétca La medana La moda Comparacón entre las meddas de tendenca central. MEDIDA DE VARIACIÓ
Más detallesANÁLISIS DE ACCESIBILIDAD E INTERACCIÓN ESPECIAL:
Geografía y Sstemas de Informacón Geográfca (GEOSIG). Revsta dgtal del Grupo de Estudos sobre Geografía y Análss Espacal con Sstemas de Informacón Geográfca (GESIG). Programa de Estudos Geográfcos (PROEG).
Más detallesCifrado de imágenes usando autómatas celulares con memoria
Cfrado de mágenes usando autómatas celulares con memora L. Hernández Encnas 1, A. Hernández Encnas 2, S. Hoya Whte 2, A. Martín del Rey 3, G. Rodríguez Sánchez 4 1 Insttuto de Físca Aplcada, CSIC, C/Serrano
Más detallesInvestigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia
Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,
Más detallesTema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma
Estadístca Tema 1: Estadístca Descrptva Undmensonal Undad 2: Meddas de Poscón, Dspersón y de Forma Área de Estadístca e Investgacón Operatva Lceso J. Rodríguez-Aragón Septembre 2010 Contendos...............................................................
Más detallesESTRATEGIAS DIDÁCTICAS PARA ABORDAR LA EDUCACIÓN
ESTRATEGIAS DIDÁCTICAS PARA ABORDAR LA EDUCACIÓN AMBIENTAL EN EL NIVEL MEDIO SUPERIOR ARACELI ACEVEDO-CRUZ / MA. EUGENIA HERES-PULIDO Facultad de Estudos Superores Iztacala, Unversdad Naconal Autónoma
Más detallesAPENDICE A. El Robot autónomo móvil RAM-1.
Planfcacón de Trayectoras para Robots Móvles APENDICE A. El Robot autónomo móvl RAM-1. A.1. Introduccón. El robot autónomo móvl RAM-1 fue dseñado y desarrollado en el Departamento de Ingenería de Sstemas
Más detallesClase 25. Macroeconomía, Sexta Parte
Introduccón a la Facultad de Cs. Físcas y Matemátcas - Unversdad de Chle Clase 25. Macroeconomía, Sexta Parte 12 de Juno, 2008 Garca Se recomenda complementar la clase con una lectura cudadosa de los capítulos
Más detallesAlgoritmo para la ubicación de un nodo por su representación binaria
Título: Ubcacón de un Nodo por su Representacón Bnara Autor: Lus R. Morera González En este artículo ntroducremos un algortmo de carácter netamente geométrco para ubcar en un árbol natural la representacón
Más detallesHistogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.
ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:
Más detallesACTIVIDADES INICIALES
Soluconaro 7 Números complejos ACTIVIDADES INICIALES 7.I. Clasfca los sguentes números, dcendo a cuál de los conjuntos numércos pertenece (entendendo como tal el menor conjunto). a) 0 b) 6 c) d) e) 0 f)
Más detallesEXPERIMENTACIÓN COMERCIAL(I)
EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado
Más detallesCÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA
CÁLCULO DE INCERTIDUMBRE EN MEDIDAS FÍSICAS: MEDIDA DE UNA MASA Alca Maroto, Rcard Boqué, Jord Ru, F. Xaver Rus Departamento de Químca Analítca y Químca Orgánca Unverstat Rovra Vrgl. Pl. Imperal Tàrraco,
Más detallesModelos de elección simple y múltiple. Regresión logit y probit. Modelos multilogit y multiprobit.
Modelos de eleccón smple y múltple. Regresón logt y probt. Modelos multlogt y multprobt. Sga J.Muro(14/4/2004) 2 Modelos de eleccón dscreta. Modelos de eleccón smple. Modelos de eleccón múltple. Fnal J.Muro(14/4/2004)
Más detallesUnidad Central del Valle del Cauca Facultad de Ciencias Administrativas, Económicas y Contables Programa de Contaduría Pública
Undad Central del Valle del Cauca Facultad de Cencas Admnstratvas, Económcas y Contables Programa de Contaduría Públca Curso de Matemátcas Fnanceras Profesor: Javer Hernando Ossa Ossa Ejerccos resueltos
Más detallesRESISTENCIAS EN SERIE Y LEY DE LAS MALLAS V 1 V 2 V 3 A B C
RESISTENCIS EN SERIE Y LEY DE LS MLLS V V 2 V 3 C D Fgura R R 2 R 3 Nomenclatura: Suponemos que el potencal en es mayor que el potencal en, por lo tanto la ntensdad de la corrente se mueve haca la derecha.
Más detallesAlgunos métodos de clasificación de puestos de trabajo en la empresa
lgunos métodos de clasfcacón de puestos de trabajo en la empresa. lgunos métodos de clasfcacón de puestos de trabajo en la empresa Canós Darós, Lourdes, loucada@omp.upv.es Pers Ortz, Marta, marpeor1@omp.upv.es
Más detallesCÁLCULO VECTORIAL 1.- MAGNITUDES ESCALARES Y VECTORIALES. 2.- VECTORES. pág. 1
CÁLCL ECTRIAL 1. Magntudes escalares y vectorales.. ectores. Componentes vectorales. ectores untaros. Componentes escalares. Módulo de un vector. Cosenos drectores. 3. peracones con vectores. 3.1. Suma.
Más detallesADENDA 008 LICITACIÓN L-CEEC-001-12
ADENDA 008 LICITACIÓN L-CEEC-001-12 OBJETO: CONTRATACIÓN DE LA CONSTRUCCIÓN DE LA FASE I DEL RECINTO FERIAL, DEL CENTRO DE EVENTOS Y EXPOSICIONES DEL CARIBE PUERTA DE ORO POR EL SISTEMA DE ECIOS UNITARIOS
Más detallesVOTACIÓN E INTENSIDAD DE LAS PREFERENCIAS. UNA APROXIMACIÓN BASADA EN AHP*
VOTACIÓN E INTENSIDAD DE LAS PREFERENCIAS. UNA APROXIMACIÓN BASADA EN AHP* José María Moreno Jménez María Teresa Escobar Urmeneta Grupo Decsón Multcrtero Zaragoza Facultad de Económcas. Unversdad de Zaragoza
Más detallesCANTIDADES VECTORIALES: VECTORES
INSTITUION EDUTIV L PRESENTION NOMRE LUMN: RE : MTEMÁTIS SIGNTUR: GEOMETRÍ DOENTE: JOSÉ IGNIO DE JESÚS FRNO RESTREPO TIPO DE GUI: ONEPTUL - EJERITION PERIODO GRDO FEH DURION 3 11 JUNIO 3 DE 2012 7 UNIDDES
Más detallesAnálisis de Regresión y Correlación
1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón
Más detallesTrabajo y Energía Cinética
Trabajo y Energía Cnétca Objetvo General Estudar el teorema de la varacón de la energía. Objetvos Partculares 1. Determnar el trabajo realzado por una fuerza constante sobre un objeto en movmento rectlíneo..
Más detallesRespuesta A.C. del FET 1/14
espuesta A.C. del FET 1/14 1. Introduccón Una ez que se ubca al transstor dentro de la zona saturada o de corrente de salda constante, se puede utlzar como amplfcador de señales. En base a un FET canal
Más detalles2.5 Especialidades en la facturación eléctrica
2.5 Especaldades en la facturacón eléctrca Es necesaro destacar a contnuacón algunos aspectos peculares de la facturacón eléctrca según Tarfas, que tendrán su mportanca a la hora de establecer los crteros
Más detallesGUIAS DE ACTIVIDADES Y TRABAJO PRACTICO Nº 22
DOCENTE: LIC.GUSTO DOLFO JUEZ GUI DE TJO PCTICO Nº 22 CES: POFESODO Y LICENCITU EN IOLOGI PGIN Nº 132 GUIS DE CTIIDDES Y TJO PCTICO Nº 22 OJETIOS: Lograr que el lumno: Interprete la nformacón de un vector.
Más detallesDiseño de una metodología sistémica de evaluación de impacto territorial de intervenciones urbanísticas
Dseño de una metodología sstémca de evaluacón de mpacto terrtoral de ntervencones urbanístcas Report de recerca Nº 1 Jorge Cerda Troncoso Enero 2009 Problema de nvestgacón: el problema que se enfrenta
Más detallesDe factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado
Análss de la varanza con dos factores. Introduccón Hasta ahora se ha vsto el modelo de análss de la varanza con un factor que es una varable cualtatva cuyas categorías srven para clasfcar las meddas de
Más detallesGANTT, PERT y CPM INDICE
GANTT, PERT y CPM INDICE 1 Antecedentes hstórcos...2 2 Conceptos báscos: actvdad y suceso...2 3 Prelacones entre actvdades...3 4 Cuadro de prelacones y matrz de encadenamento...3 5 Construccón del grafo...4
Más detallesRelaciones entre variables
Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.
Más detalles1.- Una empresa se plantea una inversión cuyas características financieras son:
ESCUELA UNIVERSITARIA DE ESTUDIOS EMPRESARIALES. Departamento de Economía Aplcada (Matemátcas). Matemátcas Fnanceras. Relacón de Problemas. Rentas. 1.- Una empresa se plantea una nversón cuyas característcas
Más detallesGráficos de flujo de señal
UNIVRSIDAD AUTÓNOMA D NUVO ÓN FACUTAD D INGNIRÍA MCANICA Y ÉCTRICA Gráfcos de flujo de señal l dagrama de bloques es útl para la representacón gráfca de sstemas de control dnámco y se utlza extensamente
Más detallesMedia es la suma de todas las observaciones dividida por el tamaño de la muestra.
Estadístcos Los estadístcos son valores calculados con los datos de una varable cuanttatva y que mden alguna de las característcas de la dstrbucón muestral. Las prncpales característcas son: tendenca central,
Más detallesCUADRIENIO 2011 2014
INFORME TÉCNICO PEAJE POR USO DE INSTALACIONES DE TRANSMISIÓN ADICIONAL POR PARTE DE USUARIOS SOMETIDOS REGULACIÓN DE PRECIOS QUE SE CONECTAN DIRECTAMENTE DESDE INSTALACIONES ADICIONALES CUADRIENIO 2011
Más detallesCONTROVERSIAS A LAS BASES TÉCNICO ECONOMICAS PRELIMINARES PROCESO TARIFARIO CONCESIONARIA COMPAÑÍA DE TELÉFONOS DE COYHAIQUE S.A.
CONTROVERSIAS A LAS BASES TÉCNICO ECONOMICAS PRELIMINARES PROCESO TARIFARIO CONCESIONARIA COMPAÑÍA DE TELÉFONOS DE COYHAIQUE S.A. PERÍODO 201-2020 Introduccón Las Bases Técnco Económcas Prelmnares, en
Más detallesUNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II
UNIVERSIDAD DE GUADALAJARA, CUCEI DEPARTAMENTO DE ELECTRÓNICA LABORATORIO DE ELECTRÓNICA II PRACTICA 11: Crcutos no lneales elementales con el amplfcador operaconal OBJETIVO: El alumno se famlarzará con
Más detallesEquilibrio termodinámico entre fases fluidas
CAPÍTULO I Equlbro termodnámco entre fases fludas El conocmento frme de los conceptos de la termodnámca se consdera esencal para el dseño, operacón y optmzacón de proyectos en la ngenería químca, debdo
Más detallesCapitalización y descuento simple
Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los
Más detallesUNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FISICAS Y MATEMATICAS DEPARTAMENTO DE INGENIERIA ELECTRICA
UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS FISICAS Y MATEMATICAS DEPARTAMENTO DE INGENIERIA ELECTRICA INCORPORACION DE LOS CONJUNTOS DIFUSOS PARA MODELAR INCERTIDUMBRES EN LOS SISTEMAS ELECTRICOS DE POTENCIA
Más detallesComparación entre distintos Criterios de decisión (VAN, TIR y PRI) Por: Pablo Lledó
Comparacón entre dstntos Crteros de decsón (, TIR y PRI) Por: Pablo Lledó Master of Scence en Evaluacón de Proyectos (Unversty of York) Project Management Professonal (PMP certfed by the PMI) Profesor
Más detallesCAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS
CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables
Más detallesUNIDAD DE PLANEACIÓN MINERO ENERGÉTICA
UNIDAD DE PLANEACIÓN MINERO ENERGÉTICA FORMULACIÓN DE UN PROGRAMA BÁSICO DE NORMALIZACIÓN PARA APLICACIONES DE ENERGÍAS ALTERNATIVAS Y DIFUSIÓN Documento ANC-0603-10-01 ANTEPROYECTO DE NORMA AEROGENERADORES
Más detallesMaestría en Economía Facultad de Ciencias Económicas Universidad Nacional de La Plata TESIS DE MAESTRIA. ALUMNO Laura Carella. DIRECTOR Alberto Porto
Maestría en Economía Facultad de Cencas Económcas Unversdad Naconal de La Plata TESIS DE MAESTRIA ALUMNO Laura Carella TITULO Educacón unverstara: medcón del rendmento académco a través de fronteras de
Más detallesAPLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES
APLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES Documento Preparado para la Cámara de Fondos de Inversón Versón 203 Por Rodrgo Matarrta Venegas 23 de Setembre del 204 2 Análss Industral
Más detallesTrabajo Especial 2: Cadenas de Markov y modelo PageRank
Trabajo Especal 2: Cadenas de Markov y modelo PageRank FaMAF, UNC Mayo 2015 1. Conceptos prelmnares Sea G = (V, E, A) un grafo drgdo, con V = {1, 2,..., n} un conjunto (contable) de vértces o nodos y E
Más detallesPORTAL MAYORES. Métodos de cálculo de la gravedad de la discapacidad. Palabras clave Discapacidad; Estadísticas; Encuestas; Evaluación; Metodología.
INFORMES PORTAL MAYORES ISSN: 15-67 Juno 21 Métodos de cálculo de la gravedad de la dscapacdad Cecla Esparza Catalán Consejo Superor de Investgacones Centífcas (CSIC). Centro de Cencas Humanas y Socales
Más detallesDEPARTAMENTO DE INGENIERIA MECÁNICA INGENIERÍA INDUSTRIAL
DEPARTAMENTO DE INGENIERIA MECÁNICA INGENIERÍA INDUSTRIAL DISEÑO MECÁNICO PRÁCTICA Nº 4 METROLOGÍA Y CALIDAD. CALIBRACIÓN DE UN PIE DE REY Metrología y Caldad. Calbracón de n pe de rey. INDICE 1. OBJETIVOS
Más detallesPoblación: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.
Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN La estadístca tene por objeto el desarrollo de técncas para el conocmento numérco
Más detallesESTADÍSTICA DESCRIPTIVA Métodos Estadísticos Aplicados a las Auditorías Sociolaborales
ESTADÍSTICA DESCRIPTIVA Métodos Estadístcos Aplcados a las Audtorías Socolaborales Francsco Álvarez González http://www.uca.es/serv/fag/fct/ francsco.alvarez@uca.es Bajo el térmno Estadístca Descrptva
Más detalles2.2 TASA INTERNA DE RETORNO (TIR). Flujo de Caja Netos en el Tiempo
Evaluacón Económca de Proyectos de Inversón 1 ANTECEDENTES GENERALES. La evaluacón se podría defnr, smplemente, como el proceso en el cual se determna el mérto, valor o sgnfcanca de un proyecto. Este proceso
Más detallesDepartamento de Economía y Dirección de Empresas Universidad de Zaragoza Correo electrónico: lgarcia@unizar.es
REVISTA DE MÉTODOS CUANTITATIVOS PARA LA ECONOMÍA Y LA EMPRESA (7). Págnas 31 56. Juno de 2009. ISSN: 1886-516X. D.L: SE-2927-06. URL: http://www.upo.es/revmetcuant/art26.pdf Localzacón empresaral en Aragón:
Más detallesUN ANÁLISIS DE LAS DECISIONES DE FORMACIÓN DE HOGAR, TENENCIA Y DEMANDA DE SERVICIOS DE VIVIENDA DE LOS JÓVENES ESPAÑOLES *
UN ANÁLISIS DE LAS DECISIONES DE FORMACIÓN DE HOGAR, TENENCIA Y DEMANDA DE SERVICIOS DE VIVIENDA DE LOS JÓVENES ESPAÑOLES * Mª Consuelo Colom, Rosaro Martínez y Mª Cruz Molés WP-EC 2000-02 Correspondenca:
Más detallesCONSEJERÍA DE EDUCACIÓN, CULTURA Y DEPORTE
CONSEJERÍA DE EDUCACIÓN, CULTURA Y DEPORTE Resolucón de 3 de juno de 2016, por la que se establece el proyecto educatvo nsttuconal denomnado JOSCAN, joven orquesta snfónca para Cantabra. Ley de Cantabra
Más detalles7.5.VARIOS CONSEJERÍA DE EDUCACIÓN, CULTURA Y DEPORTE DIRECCIÓN GENERAL DE INNOVACIÓN Y CENTROS EDUCATIVOS
BOLETÍN OFICIAL DE 7.5.VARIOS CONSEJERÍA DE EDUCACIÓN, CULTURA Y DEPORTE DIRECCIÓN GENERAL DE INNOVACIÓN Y CENTROS EDUCATIVOS Instruccones para concretar el procedmento para la obtencón l título Graduado
Más detallesESTUDIOS LONGITUDINALES DE MEDIDAS REPETIDAS. MODELOS DE DISEÑO Y DE ANÁLISIS
Avances en Medcón, 5, 9 26 2007 ESTUDIOS LONGITUDINALES DE MEDIDAS REPETIDAS. MODELOS DE DISEÑO Y DE ANÁLISIS Resumen Jame Arnau Gras ** Unverstat de Barcelona, España Las estructuras de dseño, así como
Más detallesObtención de mapas de similitud sísmica 2D mediante redes neuronales Oscar Rondón*, PDVSA-Intevep, y Rafael Banchs, PDVSA -Intevep
Obtencón de mapas de smltud sísmca 2D medante redes neuronales Oscar Rondón, PDVSA-Intevep, y Rafael Banchs, PDVSA -Intevep Resumen El desarrollo de metodologías para obtener e ntegrar nformacón de múltples
Más detallesANÁLISIS REGIONAL DE LA POBREZA PARA EL COLECTIVO DE LA TERCERA EDAD: INFERENCIA CLÁSICA vs. TÉCNICAS BOOTSTRAP
ANÁLISIS REGIONAL DE LA POBREZA PARA EL COLECTIVO DE LA TERCERA EDAD: INFERENCIA CLÁSICA vs. TÉCNICAS BOOTSTRAP Ortz Serrano, Salvador Unversdad Autónoma de Madrd. Departamento de Economía Aplcada. Tlfn.:
Más detallesPARTICIPACIÓN LABORAL DE LAS MUJERES EN LAS REGIONES DE CHILE
Revsta UNIVERSUM Nº 25 Vol. 2 2010 Unversdad de Talca Partcpacón laboral de las mujeres en las regones de Chle Luz María Ferrada Bórquez Plar Zarzosa Espna Pp. 79 a 99 PARTICIPACIÓN LABORAL DE LAS MUJERES
Más detallesSegmentación robots móviles en espacios inteligentes utilizando técnicas GPCA y minimización de funciones de energía
Segmentacón robots móvles en espacos ntelgentes utlzando técncas GPCA mnmzacón de funcones de energía Crstna Losada, Manuel Mazo, Sra Palazuelos, Francsco edondo Departamento de Electrónca. Unversdad de
Más detallesUNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 21 de enero de 2009
UNIVERSIDAD CARLOS III DE MADRID Ingenería Informátca Examen de Investgacón Operatva 2 de enero de 2009 PROBLEMA. (3 puntos) En Murca, junto al río Segura, exsten tres plantas ndustrales: P, P2 y P3. Todas
Más detallesCAPACIDAD DE LAS HOJAS DE CÁLCULO EN EL ANÁLISIS Y OPTIMIZACIÓN DE PROCESOS Y SISTEMAS
CAPACIDAD DE LAS OJAS DE CÁLCULO EN EL ANÁLISIS Y OPIMIZACIÓN DE PROCESOS Y SISEMAS A. Rvas y. Gómez-Acebo Departamento de Ingenería Mecánca-Área de Ingenería érmca y de Fludos ECNUN - Escuela Superor
Más detallesMatemática Financiera Sistemas de Amortización de Deudas
Matemátca Fnancera Sstemas de Amortzacón de Deudas 7 Qué aprendemos Sstema Francés: Descomposcón de la cuota. Amortzacones acumuladas. Cálculo del saldo. Evolucón. Representacón gráfca. Expresones recursvas
Más detallesALN - SVD. Definición SVD. Definición SVD (Cont.) 29/05/2013. CeCal In. Co. Facultad de Ingeniería Universidad de la República.
9/05/03 ALN - VD CeCal In. Co. Facultad de Ingenería Unversdad de la Repúblca Índce Defncón Propedades de VD Ejemplo de VD Métodos para calcular VD Aplcacones de VD Repaso de matrces: Una matrz es Untara
Más detalles9. Mantenimiento de sistemas de dirección y suspensión
9. Mantenmento de sstemas de dreccón y suspensón INTRODUCCIÓN Este módulo de 190 horas pedagógcas tene como propósto que los y las estudantes de cuarto medo desarrollen competencas relatvas a los sstemas
Más detallesAnálisis y cuantificación del Riesgo
Análisis y cuantificación del Riesgo 1 Qué es el análisis del Riesgo? 2. Métodos M de Análisis de riesgos 3. Método M de Montecarlo 4. Modelo de Análisis de Riesgos 5. Qué pasos de deben seguir para el
Más detallesCorrelación y regresión lineal simple
. Regresón lneal smple Correlacón y regresón lneal smple. Introduccón La correlacón entre dos varables ( e Y) se refere a la relacón exstente entre ellas de tal manera que a determnados valores de se asocan
Más detallesArtículo V522. Introducción a Google Analytics
Artículo V522. Introducción a Google Analytics Actividad 1 Seleccione el apartado correspondiente al sitio web de Hipertext.net en la cuenta de Analytics del Máster y busque en los informes datos que a
Más detallesCAPÍTULO IV. IV.1 Correlación de los resultados experimentales
CAPÍTULO IV IV. Correlacón de los resultados expermentales La aplcacón de modelos de solucón para correlaconar los resultados que se obtenen en los expermentos, resulta de gran mportanca para amplar la
Más detalles2 Criterios generales aplicados a las estructuras de hormigón
ANEJO 7 ÍNDICE DE CONTRIBUCIÓN DE LA ESTRUCTURA A LA SOSTENIBILIDAD Consderacones generales El proyecto, la ejecucón y el mantenmento de las estructuras de hormgón consttuyen actvdades, enmarcadas en el
Más detallesCorrespondencias entre taxonomías XBRL y ontologías en OWL Unai Aguilera, Joseba Abaitua Universidad de Deusto, EmergiaTech
Correspondencias entre taxonomías XBRL y ontologías en OWL Unai Aguilera, Joseba Abaitua Universidad de Deusto, EmergiaTech Resumen Todo documento XBRL contiene cierta información semántica que se representa
Más detallesDIAGNÓSTICO DE VARIANTES DE PROCESOS DE NEGOCIO
DIAGNÓSTICO DE VARIANTES DE PROCESOS DE NEGOCIO Damán Pérez-Alfonso, MSc 1, Eudel Pupo-Hernández, Ing 1, and Juan Pedro Febles-Rodríguez, PhD 1 1 Unversdad de las Cencas Informátcas, Cuba, dalfonso@uc.cu,epupoh@uc.cu,febles@uc.cu
Más detallesDIMENSIONAMIENTO DE UN INTERCAMBIADOR DE CALOR DE TUBO Y CORAZA PARA FLUIDOS NO NEWTONIANOS POR LOS METODOS DE KERN Y TINKER
IMENSIONAMIENTO E UN INTERAMBIAOR E ALOR E TUBO Y ORAZA PARA FLUIOS NO NEWTONIANOS POR LOS METOOS E KERN Y TINKER A ESIGN OF A TUBE AN SHELL HEAT EXHANGER FOR NON-NEWTONIANOS FLUIES BASE ON KERN AN TINKER
Más detallesC I R C U L A R N 2.133
Montevdeo, 17 de Enero de 2013 C I R C U L A R N 2.133 Ref: Insttucones de Intermedacón Fnancera - Responsabldad patrmonal neta mínma - Susttucón de la Dsposcón Transtora del art. 154 y de los arts. 158,
Más detallesÍndice de contribución de la estructura a la sostenibilidad
ANEJO 13º Índce de contrbucón de la estructura a la sostenbldad 1. Consderacones generales El proyecto, la ejecucón y el mantenmento de las estructuras de hormgón consttuyen actvdades, enmarcadas en el
Más detallesÍndice de Precios de las Materias Primas
May-15 Resumen Ejecutvo El objetvo del (IPMP) es sntetzar la dnámca de los precos de las exportacones de Argentna, consderando la relatva establdad en el corto plazo de los precos de las ventas externas
Más detallesMÉTODOS PARA PROBAR NUMEROS
Capítulo 3 ALEATORIOS MÉTODOS PARA PROBAR NUMEROS III.1 Introduccón Exsten algunos métodos dsponbles para verfcar varos aspectos de la caldad de los números pseudoaleatoros. S no exstera un generador partcular
Más detallesVENTAJAS Y DESVENTAJAS DE LAS TECNOLOGIAS
VENTAJAS Y DESVENTAJAS DE LAS TECNOLOGIAS EN NUESTRAS VIDAS JOCABED VALENZUELA GARCIA ESLI GUADALUPE LAZCANO RODRIGUEZ INTRODUCCION: Le tecnología es un sinónimo de innovación y de cosas nuevas para facilitar
Más detallesTÉCNICAS AVANZADAS DE FUSIÓN DE IMÁGENES. Consuelo Gonzalo Martín (UPM) María González-Audicana
Consuelo Gonzalo Martín (UPM) María González-Audcana Madrd, 23 Abrl 2007 1.- Introduccón 2.- en la ponderacón de la nformacón 3.- en bancos de fltros 3.- en la respuesta espectral del sensor 4.- Conclusones
Más detallesComparaciones de pobreza y desigualdad
Comparaciones de pobreza y desigualdad El problema de la pobreza en una sociedad puede ser evaluado desde tres perspectivas complementarias entre sí : Las medidas de incidencia. Informan acerca de la extensión
Más detallesDeterminación de Puntos de Rocío y de Burbuja Parte 1
Determnacón de Puntos de Rocío y de Burbuja Parte 1 Ing. Federco G. Salazar ( 1 ) RESUMEN El cálculo de las condcones de equlbro de fases líqudo vapor en mezclas multcomponentes es un tema de nterés general
Más detallesTEMA 4 Amplificadores realimentados
TEM 4 mplfcadores realmentados 4.1.- Introduccón La realmentacón (feedback en nglés) negata es amplamente utlzada en el dseño de amplfcadores ya que presenta múltples e mportantes benefcos. Uno de estos
Más detallesTema 7: Variables Ficticias
Tema 7: Varables Fctcas Máxmo Camacho Máxmo Camacho Econometría I - ADE+D /2 - Tema 7 Varables fctcas Bloque I: El modelo lneal clásco r Tema : Introduccón a la econometría r Tema 2: El modelo de regresón
Más detallesSegmentación de Imágenes mediante Reconocimiento de Patrones
Equaton Chapter 1 Secton 1 Materal del Curso Segmentacón de Imágenes medante Reconocmento de Patrones Ing. Dego Sebastán Comas Dr. Gustavo Javer Meschno Curso: Segmentacón de Imágenes medante Reconocmento
Más detallesNUEVA APROXIMACIÓN AL MÉTODO TÓPSIS DIFUSO CON ETIQUETAS LINGÜÍSTICAS
NUEVA APROXIMACIÓN AL MÉTODO TÓPSIS DIFUSO CON ETIQUETAS LINGÜÍSTICAS M. Socorro Garca-Cascales 1, M. Teresa Lamata 2 1 Dpto de Electrónca, Tecnología de Computadoras y Proyectos. Unversdad de Poltécnca
Más detallesTarea 7 Soluciones. Sol. Sea x el porcentaje que no conocemos, entonces tenemos la siguiente. (3500)x = 420. x = 420 3500 = 3 25
Tarea 7 Soluciones. Una inversión de $3500 produce un rendimiento de $420 en un año, qué rendimiento producirá una inversión de $4500 a la misma tasa de interés durante el mismo tiempo? Sol. Sea x el porcentaje
Más detallesMódulo 3. OPTIMIZACION MULTIOBJETIVO DIFUSA (Fuzzy Multiobjective Optimization)
Módulo 3. OPTIMIZACION MULTIOBJETIVO DIFUSA (Fuzzy Multobjectve Optmzaton) Patrca Jaramllo A. y Rcardo Smth Q. Insttuto de Sstemas y Cencas de la Decsón Facultad de Mnas Unversdad Naconal de Colomba, Medellín,
Más detallesREGRESION Y CORRELACION
nav Estadístca (complementos) 1 REGRESION Y CORRELACION Fórmulas báscas en la regresón lneal smple Como ejemplo de análss de regresón, descrbremos el caso de Pzzería Armand, cadena de restaurantes de comda
Más detallesPROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL MEWMA
Est. María. I. Flury Est. Crstna A. Barbero Est. Marta Rugger Insttuto de Investgacones Teórcas y Aplcadas. Escuela de Estadístca. PROPUESTAS PARA LA DETERMINACIÓN DE LOS PARÁMETROS DEL GRÁFICO DE CONTROL
Más detallesFísica I. TRABAJO y ENERGÍA MECÁNICA. Apuntes complementarios al libro de texto. Autor : Dr. Jorge O. Ratto
ísca I Apuntes complementaros al lbro de teto TRABAJO y ENERGÍA MECÁNICA Autor : Dr. Jorge O. Ratto Estudaremos el trabajo mecánco de la sguente manera : undmensonal constante Tpo de movmento varable bdmensonal
Más detallesCONSEJERÍA DE EDUCACIÓN, CULTURA Y DEPORTE
BOLETÍN OFICIAL DE CONSEJERÍA DE EDUCACIÓN, CULTURA Y DEPORTE SECRETARÍA GENERAL Correccón errores al anunco publcado en el Boletín Ofcal Cantabra número 72 17 abrl 2015, aprobacón la Orn ECD/48/2015,
Más detallesGlosario básico. de términos estadísticos
Glosaro básco de térmnos estadístcos Lma, mayo de 2006 CREDITOS Dreccón y Supervsón Lupe Berrocal de Montestruque Drectora Técnca del Centro de Investgacón y Desarrollo Responsable del documento Hermna
Más detallesPROPORCIONAR RESERVA ROTANTE PARA EFECTUAR LA REGULACIÓN PRIMARIA DE FRECUENCIA ( RPF)
ANEXO I EVALUACIÓN DE LA ENERGIA REGULANTE COMENSABLE (RRmj) OR ROORCIONAR RESERVA ROTANTE ARA EFECTUAR LA REGULACIÓN RIMARIA DE FRECUENCIA ( RF) REMISAS DE LA METODOLOGÍA Las pruebas dnámcas para la Regulacón
Más detallesCréditos Y Sistemas de Amortización: Diferencias, Similitudes e Implicancias
Crédtos Y Sstemas de Amortzacón: Dferencas, Smltudes e Implcancas Introduccón Cuando los ngresos de un agente económco superan su gasto de consumo, surge el concepto de ahorro, esto es, la parte del ngreso
Más detallesDesigualdad de oportunidades y el rol del sistema educativo en los logros de los jóvenes uruguayos
Desgualdad de oportundades y el rol del sstema educatvo en los logros de los jóvenes uruguayos Cecla Llambí Marcelo Perera Pablo Messna Febrero de 2009 Esta nvestgacón fue fnancada por el Fondo Carlos
Más detallesDasometría / Celedonio L
EJERCICIO Nº 6 Se ha realzado el nventaro forestal de una asa de Pnus pnaster no resnado, por uestreo estadístco, dseñado edante la toa de datos en parcelas rectangulares de 0 x 5 ts. El dáetro íno nventarable
Más detalles