Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Rj
, i=1, , r; j=1, , k. Definimos el conjunto factible borroso de P como
D = { (x,
D
(x)), x
n
},
donde
D
(x)= min {
G1
(x),
G2
(x), ,
Gr
(x),
C1
(x),
C2
(x), ,
Ck
(x), x
n
}.
La solucin con el nivel ms alto de pertenencia no tiene porqu ser nica, y se
representa como x
max
:= arg(max
x
min
i,j
{
Gi
(x),
Bj
(x) }) (ver Figura 1).
Restricciones
Funcin(es) objetivo
(x)
x
Decisin
D
x
=min {
,
}
D
G C
Figura 1: Conjunto borroso de decisin
34
Gestin de recursos humanos basada en la lgica borrosa
Si el programa matemtico es factible, obtenemos una solucin ptima y contamos
con una poltica para la empresa. An as, una modelizacin borrosa puede dar nuevas
soluciones, inesperadas a priori, que ofreceran polticas ptimas alternativas. Pero
cuando estamos trabajando con situaciones de reestructuracin, es usual que el
programa resulte infactible. Esta infactibilidad se puede deber a errores cometidos en
algn paso del proceso, pero a menudo no es as, sino que el modelo, a pesar de reflejar
lo que el gestor pretenda, contiene restricciones que individualmente son razonables
pero que globalmente son inconsistentes. En este caso ser necesario encontrar las
razones de la infactibilidad y, si es posible, modificar el modelo inicial de forma que sea
viable. Proponemos dos enfoques para reformular (P) y alcanzar la viabilidad necesaria
para tomar decisiones adecuadas.
Factible
Infactible
Plantilla
ptima
Combinacin de mtodos
Programa
Lineal
Plantilla
ptima
Plantilla
ptima
Plantilla
ptima
Plantilla
ptima
Modelo
flexible
Modelo
flexible
Modelo
flexible
Identificar coeficientes borrosos
Identificar
coeficientes
borrosos
Subsistemas
Irreducibles
Infactibles
Hacer flexibles algunas
restricciones
Figura 2: Tabla de alternativas
El primer mtodo obtiene la viabilidad a partir de la estructura matemtica del
modelo, mientras que el segundo se basa en informaciones subjetivas. No obstante,
estos mtodos de toma de decisiones deben ser considerados como procesos
complementarios y, de hecho, los mejores resultados se obtienen con la combinacin de
ambos (ver Figura 2).
35
Lourdes Cans Dars
2.1. Primer mtodo: nmeros borrosos
Consiste en transformar el programa (P) para que sea ms flexible utilizando
nmeros borrosos, por lo que la viabilidad se obtiene admitiendo que algunos
coeficientes pueden ser inciertos. Evidentemente, una tarea muy importante es
determinar los coeficientes que pueden flexibilizarse y los que no, y sta labor resulta
ms complicada cuando hay un gran nmero de restricciones. En este caso, Len y
Liern (1998) proponen obtener en primer lugar un subsistema irreducible infactible,
que es un conjunto minimal de restricciones que no tienen una solucin factible. Es
decir, que modificando adecuadamente una restriccin de este subsistema, el resultado
del programa es factible y para seleccionar dicho subsistema proponemos el uso del
paquete informtico LINDO
>
<
=
>
<
=
36
Gestin de recursos humanos basada en la lgica borrosa
1
a
ij
(x)
a
ij
0
a
ij
1
1
(x)
b
j
b
j
1
b
j
0
Figura 3: Funciones de pertenencia
Entonces, expresamos los coeficientes del modelo como
a
ij
= a
ij
0
+
a
ij
(a
ij
1
a
ij
0
), b
j
= b
j
0
+
b
j
(b
j
1
b
j
0
) .
De acuerdo con Carlsson y Korhonen (1986), suponemos que no hay incertidumbre
en los coeficientes de la funcin objetivo y que hay un equilibrio perfecto entre las
funciones de pertenencia, en el sentido de que una solucin que da un nivel de
satisfaccin para el coeficiente b
i
, debe dar el mismo nivel de satisfaccin que el resto
de coeficientes. Consecuentemente, podemos hacer
:=
a
ij
=
b
j
,
y sustituyendo en (PB) obtenemos la solucin borrosa mediante el siguiente problema
rgido paramtrico:
(P
) Min c
T
x
s. a A( ) x b()
x 0
donde la notacin A() y b() indica que algunos coeficientes a
ij
y b
j
son sustituidos por
a
ij
= a
ij
0
+ (a
ij
1
a
ij
0
), b
j
= b
j
0
+ (b
j
1
b
j
0
), 0, 1 [ ].
La solucin puede obtenerse resolviendo el problema paramtrico, pero
normalmente se recurre a resolver el modelo para diferentes valores de .
37
Lourdes Cans Dars
x* z*
0 x
0
* z
0
*
0.1 x
1
* z
1
*
1 x
10
* z
10
*
Tabla 1: Soluciones de P
=
C
i
i
i
D
D
M ,
=
C i
i
i
b
b
b , i=1, 2
donde el subndice i =1 hace referencia a las restricciones de mayor o igual y el
subndice i = 2 a las de menor o igual.
Siguiendo esta notacin, la parte rgida puede rescribirse como
|
|
|
|
~ ~ J = 0 x ,
i
b x
i
D :
n
x F
C C
,
38
Gestin de recursos humanos basada en la lgica borrosa
y, por tanto, el modelo (P) se rescribe como
(PP) Min c
T
x
s. a D
1
x > b
1
D
2
x < b
2
x F
En este mtodo la flexibilidad est en el cumplimiento de las desigualdades, por
tanto el modelo borroso asociado ser
(PP
B
) Min c
T
x
s. a D
1
x
> b
1
D
2
x
< b
2
x F
El problema de la Fase I asociado a la parte rgida del problema (PP) es (Murty,
1983)
(FI) Min 1
T
a
s. a D
1
x I h + I a = b
1
D
2
x + I h = b
2
x, h, h, a > 0
donde I, I son las matrices de identidad de orden n
1
y n
2
, el vector 1 se compone de n
1
unos, h, h son variables de holgura y a es el vector de variables artificiales.
Como (PP) es infactible, el valor ptimo de (FI) es z
*
0. Precisamente, esta
circunstancia ser til para el diseo del mtodo, a travs de los precios sombra del
problema de la Fase I, (w*
1
,...,w *
n1
, p*
1
, ..., p*
n2
) , donde w*
i
> 0 y p*
j
< 0. Ahora
definimos
r
i
=
z
*
w
i
*
w
i
0
0 w
i
= 0
s
j
=
z
*
p
j
*
p
j
0
0 p
j
= 0
39
Lourdes Cans Dars
y construimos los vectores
R=(r
1
, r
2
, , r
n1
) y S=(s
1
, s
2
, , s
n2
).
De acuerdo con Len y Liern, (2001), para obtener la solucin de (PP
B
) que verifica
las restricciones con un nivel de satisfaccin ms alto, x
max
:=
arg(max
x
min
i,j
{
b
i
1
(x),
b
j
2
(x)}), resolvemos el problema auxiliar:
(PP
AUX
) Min
s. a D
1
x + R > b
1
D
2
x - S < b
2
x F
donde R, S son los vectores previamente definidos.
El valor ptimo de (PP
AUX
),
) Min c
T
x
s. a D
1
x > b
1
- R
D
2
x < b
2
+ S
x F
* < < 1
Una vez hemos evitado la infactibilidad, podemos aplicar tcnicas de programacin
entera para resolver el problema de la plantilla.
40
Gestin de recursos humanos basada en la lgica borrosa
No podemos finalizar esta seccin sin hacer una reflexin acerca del mtodo
empleado para elegir los vectores R y S. Es sabido que, generalmente, si la solucin al
problema lineal es degenerada, la interpretacin de precio dual no es la misma. En este
caso, slo puede ser interpretada como una cota superior o inferior de la modificacin
del valor ptimo (ver, por ejemplo, Len y Liern, 1998). El precio dual p
i
muestra la
modificacin del valor ptimo a causa de la variacin marginal de b
i
. Podemos hacer
uso de esto en (PP
AUX
) para modificar ligeramente el problema (PP) y asegurar que el
valor ptimo de la Fase I ser z*=0. As, el problema (PP) ser factible.
Si analizamos los dos mtodos anteriores, es fcil comprobar que el Mtodo II
necesita informacin adicional suministrada por la empresa, mientras que el Mtodo I
hace viable el programa lineal sin que, una vez elaborado el modelo, se solicite ms
informacin. Por extrao que parezca, esta desinformacin refleja de una forma precisa
lo que ocurre en el periodo inicial de una fusin, cuando las demandas simultneas de
condiciones laborales generan conflictos en la empresa. El modelo matemtico, al
ofrecer tolerancias y desigualdades borrosas, permite calcular una plantilla inicial a
partir de la cual podemos iniciar un periodo de correcciones y ajustes. Los directivos
deben ser conscientes de que, en situaciones especiales, la combinacin de mtodos
puede proporcionar una plantilla ms ajustada a sus necesidades, puesto que incluso
aunque el modelo sea factible pueden plantearse la posibilidad de flexibilizar el modelo
para obtener soluciones ms ventajosas.
3. SELECCIN DE PERSONAL
Por seleccin de personal se entiende el proceso mediante el cual se elige a una o
varias personas que mejor se ajusten a las caractersticas del trabajo (Valle Cabrera,
1995). Una gestin adecuada de la poltica de seleccin que considere las circunstancias
de la empresa permite optimizar los costes y alcanzar los objetivos corporativos (Alles,
2000). Como suele ocurrir en la mayora de los problemas de gestin, este proceso
resulta complicado, e implica centrarse en conceptos como validacin, confianza y la
fijacin de criterios.
41
Lourdes Cans Dars
En concreto, si consideramos un puesto de trabajo para el que son necesarias R
competencias, que expresamos como un conjunto finito de referencia X= {x
1
, x
2
,, x
R
},
y disponemos de n candidatos, Cand = {P
1
, P
2
,, P
n
}, para cubrir k vacantes, la
seleccin se debe hacer evaluando a cada candidato en las R competencias. Esta
evaluacin puede entenderse como el grado de pertenencia a un conjunto borroso. Por
ejemplo, consideramos x
1
= iniciativa, que tiene un valor asignado de 0.3 para el
candidato P
j
en esta competencia. De acuerdo con Gil Aluja (1996, 1999) existen al
menos dos formas para evaluar cada competencia: asignando un nmero del intervalo
[0,1] o asignando un subintervalo contenido en [0,1]. As, para el candidato j-simo, P
j
,
tenemos las dos posibilidades siguientes:
a)
P
j
= (x
i
, b
x
i
j
)
{ }
i=1
R
, donde
b
x
i
j
[0,1], i = 1, ..., R.
b)
P
j
= (x
i
, [b
x
i
1j
, b
x
i
2 j
])
{ }
i=1
R
, donde
[b
x
i
1 j
, b
x
i
2 j
] [0,1], i = 1, ..., R.
Con el primer tipo de valoracin obtenemos un conjunto borroso discreto para cada
candidato en el que el nmero
b
x
i
j
representa el valor de la funcin de pertenencia de
P
j
en la competencia x
i
, i. e.
x
i
(P
j
) = b
x
i
j
. Sin embargo, podemos pensar que la
pertenencia a cada competencia es un intervalo de tolerancia que puede ser ms fcil de
evaluar utilizando intervalos. En este caso, tenemos que considerar funciones de
pertenencia multivaluadas
x
i
(P
j
) = [b
x
i
1 j
, b
x
i
2 j
] [0,1].
A los conjuntos borrosos obtenidos por medio de las funciones de pertenencia
multivaluadas se les denomina conjuntos -fuzzy (Gil Aluja, 1996). En nuestro caso,
los conjuntos -fuzzy asociados con los candidatos vienen dados por
P
j
= (x
i
, [b
x
i
1j
, b
x
i
2 j
])
{ }
i=1
R
.
42
Gestin de recursos humanos basada en la lgica borrosa
Una vez quedan establecidas las formas de evaluacin, analizamos algunas tcnicas
de seleccin basadas en la comparacin con un candidato ideal, ajustndose a las
necesidades del puesto.
3.1. Tcnicas basadas en la comparacin con un candidato ideal
Suponemos que el departamento de recursos humanos ha valorado cada competencia
de cada candidato; el problema es agregar esta informacin para construir una
ordenacin adecuada. La agregacin de informacin, de manera que resulte eficiente y
flexible, se ha transformado en la principal tarea para poder usar la informacin. En los
problemas de decisin multicriterio sirve para manejar la grandsima cantidad de
informacin relevante que debe ser procesada y para tratar la calidad variada y precisin
de la informacin (Legind, 2002). Los operadores de agregacin clsicos que
incorporan ponderaciones son la media aritmtica y otras medias como la geomtrica, la
armnica y la cuadrtica (Calvo y Mesiar, 2003) y los conocidos operadores OWA
definidos por Yager (1988). Adems de estas operaciones de agregacin clsicas, en los
aos ochenta Dubois y Prade definieron y trabajaron con los operadores de mximo y
mnimo ponderados. La analoga formal con la media ponderada aritmtica es obvia
(Fodor et al., 1995). Cabe recordar que la agregacin de la media ponderada borrosa es
uno de los aspectos ms importantes en la toma de decisiones con mltiples criterios
(Guh et al., 2001).
Por otro lado, hay que distinguir si se cuenta con valoraciones internas, externas o
ambas. Si slo utilizamos evaluaciones internas a la empresa realizadas por el
responsable de recursos humanos o por otra persona de la plantilla que cumpla
exclusivamente funciones de evaluador, debemos medir las distancias o las similitudes
de los candidatos con el candidato ideal. No obstante, una evaluacin externa puede
completar la interna y, en este caso, es til el operador OWA. En la Figura 4
presentamos algunos mtodos para ordenar los candidatos dependiendo de si existe o no
evaluacin externa a la empresa.
43
Lourdes Cans Dars
O
r
d
e
n
a
c
i
n
d
e
c
a
n
d
i
d
a
t
o
s
Distancias a un
candidato ideal
ndice de
competencias
Sin valoracin
externa
Agregacin de
valoraciones
Con valoracin
externa
Distancias
Tcnicas OWA
Simulacin de
expertos
S
E
L
E
C
C
I
N
S
E
L
E
C
C
I
N
D
E
P
E
R
S
O
N
A
L
Figura 4: Mtodos de ordenacin
Nuestro objetivo es establecer un orden en el conjunto de los candidatos, Cand, para
escoger al ms adecuado. Una tcnica ampliamente utilizada (Gil Aluja, 1996) consiste
en definir las competencias de un candidato ideal,
I = (x
i
,[ a
x
i
1
, a
x
i
2
]) { }
i=1
R
,
que optimiza las competencias requeridas para una vacante y la finalidad de su
definicin es hacer una comparacin con los aspirantes al puesto. Si analizamos los
candidatos ms cercanos al ideal, podemos equivalentemente evaluar los excesos y
defectos de cada competencia. Por el contrario, si queremos saber cul es la similitud de
los candidatos con el ideal
I , necesitamos medir las competencias de cada uno en
relacin con el ideal
I (Gil Aluja, 1996; 1999). Vamos a desarrollar estas dos ideas
mediante la utilizacin de los siguientes mtodos.
44
Gestin de recursos humanos basada en la lgica borrosa
Mtodo I: Minimizar las distancias a un candidato ideal.
Dados dos conjuntos -fuzzy,
A
B
~
, con funciones de pertenencia
] a , a [ ) x (
2
x
1
x
A
~ =
y
] b , b [ ) x (
2
x
1
x
B
~ =
n
=1 i
2
x
2
x
1
x
1
x
| b a | | b - a |
i i i i
.
Una propuesta sencilla es la ordenacin de los candidatos considerando su distancia
al ideal y escogiendo al ms cercano. El mejor candidato viene dado por la solucin de
este problema de programacin
Min { ) I
~
, P
~
( d
j
:
j
P
~
Cand }.
Como la distancia de Hamming calcula la diferencia entre los extremos de los
intervalos, en este mtodo no se diferencia entre un exceso o un defecto. Este hecho
puede modificar el resultado de la seleccin de un candidato.
Mtodo II: Maximizar el ndice de competencia.
Tambin podemos medir la similitud con el ideal utilizando un ndice de agregacin
de competencias. Si consideramos que todas las competencias son igualmente
importantes, definimos el ndice de competencia como
) P
~
(
n
1
) P
~
(
j
n
1 = i
x
I
~
j
I
~
i
= ,
donde
]) a , [a ] b , long([b
]) a , [a ] b , long([b
) P
~
(
2
x
1
x
2
x
1
x
2
x
1
x
2
x
1
x x
I
i i i i
i i i i
j
i
U
.
La idea principal de esto es que cuanto mayor sea la interseccin entre el
candidato
j
P
~
y el ideal, entonces ms adecuado es el candidato para el puesto.
45
Lourdes Cans Dars
0
1 a
xi
1
b
xi
1
b
xi
2
a
xi
2
Figura 5: Similitud en los intervalos de competencia
Entonces, por medio del ndice
I
j
P
~
, j=1,
, n con el ideal
I , y esto nos permite ordenar los candidatos y elegir aquellos que
tienen un mayor ndice de competencia.
Lo ms habitual es que el candidato ideal venga representado por ] 1 , [
1
i
x
a , sin
embargo esto no siempre es as. Pinsese por ejemplo en las competencias necesarias
para contratar un jugador de ftbol; un delantero deber ser corpulento pero quiz no
excesivamente (Gil Lafuente, 2002).
Tanto la distancia de Hamming como el ndice de agregacin de competencias
pueden aplicarse incluso si algunas competencias son valoradas con un nmero real en
lugar de un intervalo. En este caso, debemos hacer algunas transformaciones previas:
a) Si el candidato obtiene
b
x
i
en la i-sima competencia, y el valor ideal de la
competencia es [a
x
i
1
, a
x
i
2
], entonces
b
x
i
debe ser transformada como sigue:
<
=
i i i
i i i i
i
x x x
x x x x
x
b a si b
b a si ] b , a [
) b ( T
1
1 1
1
b) Si la i-sima competencia del candidato es
[b
x
i
1
, b
x
i
2
] y el valor ideal para esta
competencia es a
x
i
, entonces la transformacin de a
x
i
es la siguiente:
<
=
i i i
i i i i
i
x x x
x x x x
x
b b si b
a b si ] a , b [
) b ( T
1
1 1
2
46
Gestin de recursos humanos basada en la lgica borrosa
Por ejemplo, si un candidato obtiene 0.5 en una competencia cuyos valores ideales
son [0.4, 0.7], el ndice de competencia viene dado por
3333 . 0
3 . 0
1 . 0
]) 0.7 [0.4, 0.5] long([0.4,
]) 0.7 [0.4, 0.5] long([0.4,
]) a , [a ) (b long(T
]) a , [a ) (b long(T
) (
2
x
1
x x 1
2
x
1
x x 1
x
I
i i i
i i i
j
i
P
~
= =
=
U U
.
Si al utilizar estos mtodos de evaluacin hay un empate entre dos o ms candidatos,
deberamos utilizar mtodos alternativos de ordenacin. Vamos a ver estos mtodos
aplicados a un ejemplo.
Ejemplo 1. Supongamos que el departamento de recursos humanos de una empresa
tiene que elegir un candidato para que se incorpore a la plantilla. Por esto, el
departamento tiene en cuenta a cinco candidatos para ser evaluados en seis
competencias. Tenemos un conjunto de referencia rgido, X= x
i
{ }
i=1
6
, y los siguientes
conjuntos -fuzzy:
[ ] [ ] [ ] [ ] [ ]
[ ] [ ] [ ] [ ]
[ ] [ ] [ ] [ ] [ ]
[ ] [ ] [ ] [ ] [ ]
[ ] [ ] [ ] [ ] [ ]
0 =
8 . 0 6 . 0 , 4 . 0 9 . 0 , 6 . 0 7 . 0 , 4 . 0 1 , 7 . 0 5 . 0 , 2 . 0
7 . 0 , 3 . 0 1 7 . 0 , 5 . 0 8 . 0 , 4 . 0 5 . 0 , 3 . 0 6 . 0 , 4 . 0
7 . 0 , 5 . 0 7 . 0 , 3 . 0 9 . 0 , 8 . 0 7 . 0 , 4 . 0 9 . 0 , 6 . 0 3 .
8 . 0 7 . 0 , 4 . 0 8 . 0 , 6 . 0 0 9 . 0 , 7 . 0 3 . 0 , 1 . 0
9 . 0 , 8 . 0 8 . 0 , 5 . 0 9 . 0 , 4 . 0 6 . 0 , 3 . 0 1 . 0 7 . 0 , 3 . 0
~
~
~
~
~
5
4
3
2
1
P
P
P
P
P
Supongamos que el candidato ideal es
[ ] [ ] [ ] [ ] [ ] 9 . 0 , 6 . 0 6 . 0 9 . 0 , 5 . 0 7 . 0 , 6 . 0 8 . 0 6 . 0 , 4 . 0 = I
~
,
P
1
)= 0,2666 d(
I
,
P
2
)= 0,3166 d(
I
,
P
3
)= 0,15
d(
I
,
P
4
)= 0,1333 d(
I
,
P
5
)= 0,066
P
5
p
P
4
p
P
3
p
P
1
p
P
2
Escogemos
P
5
47
Lourdes Cans Dars
Mtodo II (ndice de competencia)
(
P
1
)= 0.328
I
(
P
2
)= 0.388
I
(
P
3
)= 0.375
(
P
4
)= 0.386
I
(
P
5
)= 0.383
P
1
p
P
3
p
P
5
p
P
4
p
P
2
Escogemos
P
2
=
1 1 1
1 1 1
1 1 1
1 1 1
R 2 1
nj nj nj
1)j + (L 1)j + (L 1)j + (L
Lj Lj Lj
2j 2j 2j
1j 1j 1j
a a a
a a a
a a a
a a a
a a a
L
M M M
L
L
M M M
L
L
A
donde
a
ij
k
i representa la k-sima puntuacin ms grande del candidato P
i
.
Para obtener ponderaciones que copien los criterios de los expertos, podemos
resolver el siguiente problema de programacin cuadrtica (Filev y Yager, 1998):
R ..., 1, = k , 0
1 s.a
a Min (Ow)
R
1 = k
L
1 = i
2
R
1 = k
ij
k
~
=
j
)
|
\
[
~
_
_ _
k
k
i k
w
w
v w
La solucin del programa (Ow) proporciona un vector de pesos
W = [w
1
*
, w
2
*
, , w
R
*
]
T
que permite la valoracin de todos los candidatos utilizando la siguiente expresin:
=
=
R
k
ij
k i
k
a w v
1
:
*
Si podemos ordenar los candidatos utilizando los valores v*
1
, v*
2
, , v*
R
, hemos
resuelto nuestro problema, y tenemos una solucin factible. Si hay un empate, debemos
romperlo con algunos criterios como la media aritmtica o la puntuacin ms alta en
algunas competencias especficas.
50
Gestin de recursos humanos basada en la lgica borrosa
Una gran ventaja desde el punto de vista computacional es que los operadores de
agregacin OWA pueden ser implementados con MS Excel
. Vemoslo en el siguiente
ejemplo.
Ejemplo 2. Vamos a aplicar tcnicas OWA al Ejemplo 1 y compararemos el resultado
de cada intervalo de valoracin de las competencias.
Cand c
1
c
2
c
3
c
4
c
5
c
6
Valoracin
global
P
1
[0.3, 0.7] 0.1 [0.3, 0.6] [0.4, 0.9] [0.5, 0.8] [0.8, 0.9] 0.6
P
2
[0.1, 0.3] [0.7, 0.9] 0 [0.6, 0.8] [0.4, 0.7] 0.8 0.5
P
3
0.3 [0.6, 0.9] [0.4, 0.7] [0.8, 0.9] [0.3, 0.7] [0.5, 0.7] 0.7
P
4
[0.4, 0.6] [0.3, 0.5] [0.4, 0.8] [0.5, 0.7] 1 [0.3, 0.7]
P
5
[0.2, 0.5] [0.7, 1] [0.4, 0.7] [0.6, 0.9] [0.4, 0.6] 0.8
El experto da una valoracin global independiente de las valoraciones previas usando
su intuicin y experiencia. As, la empresa est interesada en replicar este sistema
porque en una seleccin de personal que rene varios candidatos un proceso de
evaluacin llevado a cabo por expertos externos sera demasiado largo y caro. Adems,
el experto conoce su propio trabajo y es capaz de valorar a los candidatos con un alto
porcentaje de xito.
Antes que nada, el experto da una opinin sobre una muestra de candidatos. Esto
puede hacerse antes, o incluso despus, de la ordenacin de las filas porque la opinin
resultante es global para un candidato. La opinin global no depende del orden.
Entonces, ordenamos los valores de las competencias por filas; estos ya no se
corresponden con las competencias de las columnas, pero no importa porque
suponemos que todos los valores son equivalentes.
Para aplicar OWA al ejemplo anterior tenemos que elegir un representante de cada
intervalo. La manera ms elemental de obtenerlo (defuzzification) es a travs de la
media aritmtica (Dubois et al., 2000).
51
Lourdes Cans Dars
=
8 . 0 5 . 0 75 . 0 55 . 0 85 . 0 35 . 0
5 . 0 1 6 . 0 6 . 0 4 . 0 5 . 0
6 . 0 5 . 0 85 . 0 55 . 0 75 . 0 3 . 0
8 . 0 55 . 0 7 . 0 0 8 . 0 2 . 0
85 . 0 65 . 0 65 . 0 45 . 0 1 . 0 5 . 0
1
A
Ordenamos las filas, quedando el siguiente modelo de programacin matemtica:
(O1) Min (0.85w
1
+ 0.65w
2
+ 0.65w
3
+ 0.5w
4
+ 0.45w
5
+ 0.1w
6
- 0.6)
2
+
(0.8w
1
+ 0.8w
2
+ 0.7w
3
+ 0.55w
4
+ 0.2w
5
+ 0w
6
- 0.5)
2
+
(0.85w
1
+ 0.75w
2
+ 0.6w
3
+ 0.55w
4
+ 0.5w
5
+ 0.2w
6
- 0.7)
2
s.a w
1
+ w
2
+ w
3
+ w
4
+ w
5
+ w
6
= 1
w
i
0
La solucin ptima de (O1) es w
1
= w
2
= w
3
= 0, w
4
= 0.8, w
5
= w
6
= 0.1, y el valor
ptimo es 0.068525. As, podemos simular las valoraciones de los candidatos externos
para los candidatos que quedan por evaluar globalmente como sigue:
Finalmente, ordenamos las valoraciones de los candidatos y concluimos que el
candidato P
3
es el ms adecuado para hacer el trabajo. Cabe resaltar que el resultado es
diferente a la solucin ofrecida por los otros mtodos de la distancia de Hamming y los
ndices de competencias.
3.3. Tcnicas de agregacin basadas en la eficiencia
Tambin podemos disear un modelo flexible, basado en la eficiencia, que permite
calcular los intervalos en los que pueden oscilar las ponderaciones de cada competencia
de cada candidato para poder realizar una ordenacin. Para ello nos basamos en un
Candidato Valoracin agregada
P
4
0.490
P
5
0.525
52
Gestin de recursos humanos basada en la lgica borrosa
modelo de Kao y Liu (2001) con el que se obtienen eficiencias en funcin de un
parmetro . La propuesta original de estos autores est hecha con nmeros borrosos
donde el uso del parmetro est perfectamente justificado como el anlisis de
eficiencia por -cortes. Sin embargo, nosotros hemos preferido no hacer referencia
explcita a esta teora por no sobrecargar la notacin y porque, en definitiva, lo que nos
interesa es analizar los intervalos que se obtienen con las funciones objetivo de los
programas que se muestran a continuacin.
Para el candidato j-simo dispondremos de los modelos siguientes:
EXTREMO INFERIOR EXTREMO SUPERIOR
( )
[ ] 1 , 0
0
1
, , 1 , s.a.
) ( Y Min
1
R
i
L
i
1
1 L
j
=
=
=
=
=
=
i
k
i
i
i
k
i
i
k
i
i
L
ij
k i
c
K
( )
[ ] 1 , 0
0
1
, , 1 , s.a.
) ( Y Max
1
R
i
L
i
1
1 R
j
=
=
=
=
=
=
i
k
i
i
i
k
i
i
k
i
i
R
ij
k i
c
K
donde L y R significan izquierda y derecha, respectivamente.
Como ocurre en la mayora de problemas fraccionales, se prefiere trabajar con los
modelos lineales equivalentes. Para ello hacemos el cambio de variable
=
=
k
i
i
i
i
y
1
.
53
Lourdes Cans Dars
Entonces, el modelo queda
EXTREMO INFERIOR EXTREMO SUPERIOR
( )
[ ] 1 , 0
0
0
1
, , 1 , s.a.
) ( Y Min
1
R
i
L
i
1
L
j
=
=
=
=
=
t
k i t t
y c
i
k
i
i
i
k
i
i
L
ij
K
( )
[ ] 1 , 0
0
0
1
, , 1 , s.a.
) ( Y Max
1
R
i
L
i
1
R
j
=
=
=
=
=
t
k i t t
y c
i
k
i
i
i
k
i
i
R
ij
K
Finalmente, los candidatos se ordenan segn el valor medio de la funcin objetivo.
Podemos calcular los pesos con un operador de agregacin OWA para despus
definir el intervalo de tolerancia.
El algoritmo es el siguiente:
PASO 1: Evaluar los candidatos . , ,
1 n
a a K
PASO 2: Aplicar OWA para calcular los w
i
para las
k
c c , ,
1
K competencias de los
candidatos.
PASO 3: Aceptar tolerancias para estos pesos, es decir, w
i
w
i
L
, w
i
R
[ ]
.
PASO 4: Generar el modelo fraccionario.
Ejemplo 3. Supongamos que tenemos k caractersticas,
k
c c , ,
1
K y n candidatos,
. , ,
1 n
a a K En nuestro ejemplo, seis competencias y cinco candidatos.
54
Gestin de recursos humanos basada en la lgica borrosa
c
1
c
2
c
3
c
4
c
5
c
6
P
1
[0.3-0.1(1-),
0.7+0.15(1- )]
0.1
[0.3-0.2(1-),
0.6+0.15(1-)]
[0.4-0.15(1-),
0.9+0.1(1-)]
[0.5-0.25(1-),
0.8+0.1(1-)]
[0.8-0.3(1-),
0.9+0.1(1-)]
P
2
[0.1-0.05(1-),
0.3+0.3(1-)]
[0.7-0.25(1-),
0.9+0.05(1-)]
0
[0.6-0.35(1-),
0.8+0.15(1-)]
[0.4-0.2(1-),
0.7+0.1(1-)]
0.8
P
3
0.3
[0.6-0.3(1-),
0.9+0.1(1-)]
[0.4-0.2(1-),
0.7+0.2(1-)]
[0.8-0.1(1-),
0.9+0.1(1-)]
[0.3-0.25(1-),
0.7+0.3(1-)]
[0.5-0.15(1-),
0.7+0.15(1-)]
P
4
[0.4-0.05(1-),
0.6+0.2(1-)]
[0.3-0.3(1-),
0.5+0.25(1-)]
[0.4-0.3(1-),
0.8+0.1(1-)]
[0.5-0.35(1-),
0.7+0.25(1-)]
1
[0.3-0.1(1-),
0.7+0.3(1-)]
P
5
[0.2-0.2(1-),
0.5+0.3(1-)]
[0.7-0.3(1-),
1]
[0.4-0.1(1-),
0.7+0.2(1-)]
[0.6-0.3(1-),
0.9+0.05(1-)]
[0.4-0.3(1-),
0.6+0.2(1-)]
0.8
Y los intervalos de tolerancia asignados a los pesos calculados anteriormente con
operadores OWA son:
1
= 0.25 1 ( ) [ , 0.1+ 0.15 1 ( ) ]
2
= 0.3 1 ( ) [ , 0.1+ 0, 2 1 ( ) ]
3
= 0.1 1 ( ) [ , 0.1+ 0, 35 1 ( )]
4
= 0.30.2 1 ( ) [ , 0.8+0.1 1 ( ) ]
5
= 0.1 0.05 1 ( ) [ , 0. 15+0.1 1 ( )]
6
= 0.1 0.1 1 ( ) [ , 0.2+ 0.2 1 ( ) ]
Calculamos con GAMS
o con MS Excel
. No
podemos olvidar que es importante recabar toda la informacin posible de la empresa
para conocer su realidad y escoger el mtodo o combinacin de mtodos de seleccin
adecuado.
57
Lourdes Cans Dars
5. BIBLIOGRAFA
ALLES. M. A. (2000): Direccin estratgica de recursos humanos: gestin por
competencias. Buenos Aires: Granica.
BOHLANDER, G.W.; SNELL, S. Y SHERMAN, A. (2003): Managing Human Resources.
Mason : South-Western College.
BOYATZIS, R.E. (1982). The Competent Manager. A model for effective performance.
John Wiley & Sons. New York.
CALVO, T. Y MESIAR, R. (2003): Weighted triangular norms-based aggregation
operators. Fuzzy Sets and Systems 137 pp. 3-10.
CANS, L.; FERNNDEZ, J.A. Y VALDS, J. (2002): Aplicacin de las nuevas
tecnologas a las polticas de contratacin y reestructuracin de plantillas: el
programa StaffManager 1.0. I Congreso Nacional de Comercio Electrnico
Aplicado. Valencia.
CANS, L Y LIERN, V. (2003): Toma de decisiones mediante algoritmos borrosos:
aplicacin a la viabilidad y reestructuracin de plantillas laborales. Revista Europea
de Direccin y Economa de la Empresa, 12, pp. 127-142.
CANS, L. Y LIERN, V. (2004): Some fuzzy models for human resources management.
Int. J. Technology, Policy and Management, vol. 4 No. 4, pp. 291-308.
CANS, L.; VALDS, J. Y ZARAGOZA, P.C. (2003): La gestin por competencias como
pieza fundamental para la gestin del conocimiento. Boletn de Estudios
Econmicos n 180 pp. 445-463.
CARLSSON, C.H. Y FULLR, R. (2002): Fuzzy reasoning in decision making and
optimization. Heidelberg: Springer-Verlag.
CARLSSON, C.H. Y KORHONEN, P. (1986): A Parametric approach to fuzzy linear
programming. Fuzzy Sets and Systems 20 pp. 17-30.
CEOE (2002): La gestin por competencias en Espaa. Informe para el observatorio
europeo de gestin por competencias.
www.ceoe.es/webceoe/ceoe/obseu/informe.pdf
58
Gestin de recursos humanos basada en la lgica borrosa
DUBOIS, D.; KERRE, E.; MESIAR, R. Y PRADE, H. (2000): Fuzzy interval analysis in D.
Dubois and H. Prade [eds.]: Fundamentals of Fuzzy Sets, Boston: Kluwer Academic
Publishers.
FILEV, D. Y YAGER, R. R. (1998): On issue of obtaining OWA operator weights.
Fuzzy Sets and Systems, 94, pp. 157-169.
FODOR, J.C.; MARICHAL, J.L. Y ROUBENS, M. (1995): Characterization of some
aggregation functions arising from MCDM problems en B. Bouchon-Meunier, R.R.
Yager y L.A. Zadeh (eds.) Fuzzy Logic and Soft Computing, Series: Advances in
Fuzzy Systems-Applications and Theory vol. 4 (World Scientific Publishing
Singapore) pp. 194-201.
GALLEGO FRANCO, M. (2001): Gestin humana basada en competencias.
www.arearh.com
GIL ALUJA, J. (1996): La gestin interactiva de los recursos humanos en la
incertidumbre. Madrid: Ed. Centro de Estudios Ramn Areces.
GIL ALUJA, J. (1999): Elements for a theory of decision in uncertainty. Boston: Kluwer
Academic Publishers.
GIL LAFUENTE, J. (2002): Algoritmos para la excelencia. Claves para el xito en la
gestin deportiva. Ed. Milladoiro. Vigo.
GOGUEN, J.A. (1967): L-fuzzy sets. JMAA, 18, pp. 145-174.
GOGUEN, J.A. (1969): The logic of inexact concepts. Synthese, 19, pp. 325-373.
GMEZ- MEJA, L.R.; BALKIN, D.B. Y CARDY, R.L. (2001): Managing Human
Resources. New Jersey: Prentice Hall.
GUH. Y.Y.; HON. C.C. Y LEE. E.S. (2001): Fuzzy weighted average: The linear
programming via Charnes and Cooper's rule. Fuzzy Sets and Systems 117 pp. 157-
160.
KAO, C. Y LIU, S.T. (2001): Fraccional programming approach to fuzzy weighted
average. Fuzzy Sets and Systems, 120, pp. 435-444.
KAUFMANN, A. Y GIL ALUJA, J. (1987): Tcnicas operativas de gestin para el
tratamiento de la incertidumbre. Hispano Europea. Madrid.
LEGIND LARSEN, H. (2002): Efficient importance weighted aggregation between min
and max. 9th international Conference on Information Processing and Management
59
Lourdes Cans Dars
of Uncertainty in Knowledge-Based Systems (IPMU'2002). 1-5 julio. Annecy.
Francia.
LEN, M.T. Y LIERN, V. (1998): Fuzzy methods and infeasible linear programs an
application to staff design problems. Fuzzy Economic Review 3 pp. 79-94.
LEN, M.T. Y LIERN, V. (2001): A fuzzy method to repair infeasibility in linearly
constrained problems. Fuzzy Sets and Systems 122 pp. 53-59.
MURTY, K. (1983): Linear Programming, John Wiley and sons, New York.
PEREDA MARN, S. Y BERROCAL BERROCAL, F. (1999): Gestin de recursos humanos
por competencias. Editorial Centro de Estudios Ramn Areces. Madrid.
SCHINDLER, S.Y SEMMEL, T. (1993): Station staffing at Pan American World
Airways. Interfaces 23 pp. 91-98.
SPENCER, L.M. Y SPENCER, S.M. (1993): Competence at work. Models for superior
performance. John Wiley & Sons. New York.
VALLE CABRERA, R. (1995): Gestin estratgica de los recursos humanos. Buenos
Aires: Addison-Wesley Iberoamericana.
YAGER, R.R. (1988): On ordered weighted averaging aggregation operators in multi-
criteria decisin making. IEEE Trans. Systems, Man Cybernet, 18, pp. 183-190.
ZADEH, L. (1965): Fuzzy Sets. Information and Control, 8, pp. 338-353.
ZIMMERMANN, H.J. (1996): Fuzzy Set Theory and its Applications. Tercera edicin.
Boston: Kluwer Academic Publishers.
60