EL PROCESO DE JERARQUÍA ANALÍTICO: QUÉ ES Y CÓMO SE UTILIZA

R. W. SAATY 4922 Ellsworth Avenue, Pittsburgh, PA 15213, U.S.A

Resumen: aquí presentamos el proceso de jerarquía analítica como un método de medición con
escalas de relación y lo ilustramos con dos ejemplos. Luego damos los axiomas y algunos de los
fundamentos teóricos centrales de la teoría. Finalmente, discutimos algunas de las ideas
relacionadas con este proceso y sus ramificaciones. En este documento, damos un énfasis especial
a la desviación de la consistencia y su medición y al uso de la medición absoluta y relativa,
proporcionando ejemplos y justificación para la preservación de rango y la reversión en la
medición relativa.

1. INTRODUCCIÓN

El proceso de jerarquía analítica (AHP) es una teoría general de la medición. Se utiliza para derivar
escalas de relación de comparaciones pareadas discretas y continuas. Estas comparaciones
pueden tomarse de mediciones reales o de una escala fundamental que refleje la fuerza relativa
de las preferencias y los sentimientos. El AHP tiene una preocupación especial con la desviación de
la consistencia, su medición y la dependencia dentro y entre los grupos de elementos de su
estructura. Ha encontrado sus aplicaciones más amplias en la toma de decisiones, planificación y
asignación de recursos para múltiples criterios y en la resolución de conflictos [l-6]. En su forma
general, el AHP es un marco no lineal para llevar a cabo tanto el pensamiento deductivo como el
inductivo sin el uso del silogismo, teniendo en cuenta varios factores simultáneamente y
permitiendo la dependencia y la retroalimentación, y haciendo concesiones numéricas para llegar
a una síntesis o conclusión. T. L. Saaty desarrolló el AHP en 1971-1975 mientras estaba en la
Escuela Wharton (Universidad de Pennsylvania, Filadelfia, Pa). Este documento está escrito en un
estilo expositivo para que sea más accesible para los no matemáticos interesados en el tema.
Nuestro propósito es triple: primero presentar el AHP a través de dos ejemplos estructurados
jerárquicamente (en contraste con estructuras de red de retroalimentación más elaboradas); A
continuación para dar los axiomas y algunos de los fundamentos teóricos centrales de la teoría; y,
finalmente, discutir algunas de las ideas relacionadas con la teoría y su aplicación que son más
relevantes en el uso del AHP. En particular, escribimos sobre sus generalizaciones y sobre dónde
usar la medición absoluta o relativa. Durante mucho tiempo, las personas se han preocupado por
la medición de eventos físicos y psicológicos. Por físico nos referimos al ámbito de lo que se
conoce a la moda como tangibles en relación con algún tipo de realidad objetiva fuera del
individuo que realiza la medición. Por el contrario, lo psicológico es el reino de lo intangible, ya
que se relaciona con las ideas y creencias subjetivas del individuo sobre sí mismo y el mundo de la
experiencia. La pregunta es si existe una teoría coherente que pueda abordar ambos mundos de la
realidad sin comprometer tampoco. El AHP es un método que se puede utilizar para establecer
medidas en los dominios tanto físicos como sociales. Al usar el AHP para modelar un problema, se
necesita una estructura jerárquica o de red para representar ese problema y comparaciones por
pares para establecer relaciones dentro de la estructura. En el caso discreto, estas comparaciones
conducen a matrices de dominancia y en el caso continuo a núcleos de operadores de Fredholm
[7], a partir de las cuales se derivan escalas de relación en forma de vectores propios principales, o
funciones propias, según sea el caso. Estas matrices, o núcleos, son positivas y recíprocas, por
ejemplo. aij = l / aji. En particular, se han realizado esfuerzos especiales para caracterizar estas
matrices, y varios de los documentos más teóricos sobre este tema abordan preguntas y ofrecen
nueva información sobre ellas. Debido a la necesidad de una variedad de juicios, también se ha
realizado un trabajo considerable para caracterizar el proceso de síntesis de diversos juicios [S].

2. DOS EJEMPLOS

En general, un modelo jerárquico de algún problema social puede ser uno que desciende de un
enfoque (un objetivo general), a criterios, a subcriterios que son subdivisiones de los criterios y
finalmente a las alternativas a partir de las cuales se debe elegir. . Nuestro primer ejemplo es una
aplicación del AHP desarrollado por Hamllainen y Seppalainen [9] para resolver un problema de
decisión socio-técnica a gran escala con criterios intangibles en Finlandia. El parlamento de
Finlandia se enfrentó a tomar una decisión sobre qué tipo de planta de energía construir. Los
parlamentarios estaban preocupados por cómo la nueva central eléctrica afectaría la economía
nacional de Finlandia; Salud, seguridad y medio ambiente para los ciudadanos finlandeses. y cómo
factores políticos como las relaciones de Finlandia con los Estados Unidos afectan el tipo de planta
que se adoptará. Su objetivo era construir una planta de energía que sirviera mejor al bienestar
general de la nación. Cada uno de los criterios principales se descompuso en subcriterios, seguidos
de las alternativas: los diferentes tipos de centrales eléctricas. En la Fig. 1 se muestra una simple
jerarquía del problema. Se ha realizado un extenso trabajo sobre cómo estructurar las jerarquías
para los problemas prácticos. Dos tipos generales de jerarquías son las jerarquías de proceso hacia
adelante y hacia atrás. Se ha encontrado que todos los problemas caen en una u otra de estas dos
categorías. La planificación los combina de manera iterativa [4]. Los elementos de una jerarquía se
agrupan en grupos de acuerdo con la homogeneidad (ver Axioma 2 en la Sección 3) y un nivel
puede consistir en uno o varios grupos homogéneos. Los elementos en cada nivel pueden
considerarse como restricciones, refinamientos o descomposiciones de los elementos anteriores.
En una jerarquía "completa", como en el ejemplo de "elegir la mejor universidad" que se muestra
a continuación, todos los elementos en un nivel tienen todos los elementos en el nivel siguiente
como descendientes. En este caso los niveles son agrupaciones homogéneas únicas. De lo
contrario, una jerarquía está "incompleta", como en el ejemplo de energía de Finlandia a
continuación.
 Focus> Atención

Bienestar general de la nación

Podemos hacer algunas observaciones sobre esta jerarquía. Obviamente, es simple: se podrían
agregar más elementos, en cualquier nivel, y más niveles. La pregunta es: “¿Cuánto se debe incluir
en una jerarquía?” Una regla general es que la jerarquía debe ser lo suficientemente compleja
para capturar la situación, pero lo suficientemente pequeña y ágil para ser sensible a los cambios.
Para los miembros del Parlamento finlandés, la jerarquía dada anteriormente capturó el grado de
complejidad que podrían abordar como una unidad política. Las comparaciones por pares son
fundamentales en el uso del AHP. Los miembros del parlamento primero deben establecer
prioridades para sus criterios principales al juzgarlos por pares por su importancia relativa,
generando así una matriz de comparación por pares. Los juicios que están representados por
números de la escala fundamental a continuación se utilizan para hacer las comparaciones. El
número de juicios necesarios para una matriz particular de orden n, el número de elementos que
se comparan, es n (n - 1) / 2 porque es recíproco y los elementos diagonales son iguales a la
unidad. El documento de Harker [lo, este número, págs. 353-3601 presenta las condiciones en las
que es posible usar menos juicios y obtener resultados precisos. El siguiente paso es que los
miembros del parlamento comparen los subcriterios que pertenecen a cada uno de los criterios
principales, construyendo así tres matrices de comparación por pares más para el nivel 3. Luego
las tres alternativas se comparan con respecto a cada uno de los subcriterios, lo que lleva a nueve
Matrices de comparación por pares para el nivel 4. El paso final es ponderar o sintetizar los
resultados para obtener las prioridades finales de las tres centrales eléctricas. Ahora ofrecemos un
segundo ejemplo con más detalles sobre cómo se realizan estas operaciones. El autor tiene un hijo
adolescente que se graduó de la escuela secundaria el año pasado con buenas calificaciones y
altas calificaciones en el SAT. Utilizamos un modelo de AHP para seleccionar la universidad de su
elección. Fue aceptado por Swarthmore College, Northwestern University, University of Michigan,
Vanderbilt University y Carnegie-Mellon University (a dos cuadras de su casa). Dado que el costo
de cada uno es aproximadamente el mismo, no se incluyó como criterio en la jerarquía. Tiene un
temperamento artístico, escribiendo diestro en una posición enganchada, que se dice que
demuestra que es "de cerebro derecho". El resultado del análisis fue que eligió Northwestern
University, cuya reputación y ambiente académico son ligeramente menos preferidos que los de
Swarthmore College, ya que atraía más a su naturaleza. En Northwestern, seleccionó una
habitación compartida frente al lago Michigan, que combina un lugar de vacaciones de 4 años con
el estudio. Para resumir su perspectiva: en lo que respecta a la UBICACIÓN, cuanto más lejos de
casa se percibe que es una escuela, mejor (pero no necesariamente lineal); REPUTACIÓN (cómo se
califica la escuela) fue ligeramente más importante que ACADEMICS (atención personalizada,
clases pequeñas vs. clases grandes); y AMBIENCE (lo feliz que se sintió en el lugar) fue un poco más
importante que la de ACADEMICS o la de LOCATION. La jerarquía se muestra a continuación en la
Fig. 2

Tabla l La escala fundamental.

Intensidad de Definición Explicación
importancia en escala
absoluta

1 igual importancia Dos actividades

contribuyen igualmente
al objetivo.

3 Importancia moderada La experiencia y el juicio

de uno sobre otro. favorecen fuertemente
una actividad sobre otra
5 Importancia esencial o La experiencia y el juicio
fuerte. favorecen fuertemente
una actividad sobre otra
 7 importancia muy fuerte Una actividad es
fuertemente favorecida y
su dominio demostrado
en la práctica.
9 Importancia extrema La evidencia que
favorece una actividad
sobre otra es del orden
de afirmación más alto
posible.
2,4,6,8 Valores intermedios Cuando se necesita
entre los dos juicios compromiso
adyacentes
Recíprocos Si la actividad i tiene uno de los números anteriores
que se le asigna cuando se compara con la actividad
j, entonces j tiene el valor recíproco cuando se
compara con i
Racionales Razones que surgen de Si la consistencia fuera
la escala forzada obteniendo n
valores numéricos para
abarcar la matriz

¿Qué pregunta se debe hacer?

Al examinar las matrices a continuación, observamos que un par de elementos (i, j) en un nivel de
la jerarquía se comparan con respecto a un elemento padre en el nivel inmediatamente superior
como una propiedad o criterio común usado para juzgar cuál de ellos lo tiene más y por cuánto ...
La forma típica de formular una pregunta para llenar una entrada en la matriz de comparaciones
es: cuando se consideran dos elementos, i en el lado izquierdo de la matriz y j en la parte superior,
que tiene la propiedad más , o cuál satisface el criterio más, es decir, cuál se considera más
importante según ese criterio y cuánto más (utilizando los valores de escala fundamentales de la
Tabla 1). Esto nos da aij (oraji). El valor recíproco se introduce automáticamente para la
transposición. La pregunta que se hace al hacer una comparación por pares puede influir en los
juicios proporcionados y, por lo tanto, también en las prioridades. Debe quedar claro desde el
principio cuál es el enfoque de la jerarquía y cómo los elementos en el segundo nivel sirven para
cumplir ese enfoque o son su consecuencia, y así sucesivamente la jerarquía de cada elemento
principal y sus descendientes. Tenemos lo siguiente para la matriz de comparaciones por pares de
los criterios con respecto al enfoque general:

Atención Ubicación Ambiente Reputación Academia

Ubicación 1 1/7 1/5 1/5
Ambiente 7 1 2 3
Reputación 5 ½ 1 1
Academia 5 1/3 1 1
En esta matriz la primera comparación no trivial es (UBICACIÓN, AMBIENTE). La pregunta es:
“¿Cuánto más se prefiere la UBICACIÓN sobre la AMBIENTE?” La AMBIENTE se prefiere muy
fuertemente (7 veces) sobre la UBICACIÓN, por lo que el valor recíproco l / 7 se ingresa en la
posición (1,2). El valor 7 se ingresa automáticamente en la posición de transposición (2, I) para
(AMBIENTE, UBICACIÓN). Como otra ilustración, se considera que AMBIENCE es entre igual y
moderadamente más importante que la REPUTACIÓN y, por lo tanto, el valor 2 (2 veces) se ingresa
en la posición (2,3) con el recíproco (1/2) ingresado automáticamente en la (3) , 2) posición y así
sucesivamente. Se dice que una matriz es consistente si aijaj, = aik, Vi, j, k. Tenga en cuenta que
esta matriz es inconsistente. Por ejemplo, (AMBIENCE, REPUTACIÓN) = 2, mientras que
(REPUTATION, ACADEMICS) = 1, por lo tanto, para ser consistente (AMBIENCE, ACADEMICS) =
(AMBIENCE, REPUTATION) x (RE-PUTATION, ACADEMICS) = (2) x (1) ) = 2. Pero tiene el valor 3. Por
lo tanto, el valor ingresado en la posición (2,4) es más grande de lo que debería ser para ser
consistente, pero luego ingresamos el valor recíproco l / 3 en la posición (4,2) y notamos que l / 3
<l / 2. La relevancia de esta observación es que mientras un valor excede el valor consistente
correspondiente, su recíproco es menor que el recíproco del valor consistente, y por lo tanto hay
una tendencia a compensar. Cuando una matriz recíproca positiva de orden n es consistente, el
valor propio principal tiene el valor n. Cuando es inconsistente, el valor propio principal excede n y
su desviación de n sirve como medida de inconsistencia al formar una relación (llamada relación
de consistencia, CR) de esta diferencia al promedio de las diferencias correspondientes de n de los
valores propios principales de un gran número de matrices de juicios elegidos al azar (ver Sección
4). El siguiente paso es derivar la escala de prioridades (o ponderaciones). Se ha demostrado que
esta escala se obtiene resolviendo el vector propio principal de la matriz y luego normalizando el
resultado. Esto se llama la escala local derivada antes de ponderar por la prioridad de su criterio
principal (que para los elementos de segundo nivel siempre es igual a la unidad, el peso del
enfoque). Después de ponderar, se llama la escala global derivada. También se ha demostrado que
el vector propio principal es la única forma de obtener la escala derivada que hace uso de toda la
información de dominio que se proporciona en la matriz cuando esta última es inconsistente. Al
calcular el vector propio principal, todas las posibles intransitividades y cadenas de intransitividad
entran en los cálculos a medida que la matriz se eleva a potencias [111. Obtenemos para el vector
de pesos relativos:

(UBICACIÓN, AMBIENTE, REPUTACIÓN, ACADÉMICAS) = (0.053, 0.491,0.238,0.213)

con una relación de inconsistencia de 0.02 (consulte la Sección 4 para obtener más detalles). El
siguiente paso es configurar matrices de comparaciones pareadas para las escuelas en el nivel 3 en
comparación con los criterios en el nivel 2. Hay cuatro matrices de este tipo. En la matriz
ilustrativa, que se presenta a continuación, comparamos SWARTHMORE, NORTHWESTERN, U.
MICHIGAN, VANDERBILT y CMU con respecto a su conveniencia percibida según la UBICACIÓN:

Nuevamente, la escala local derivada para las escuelas, para el criterio (1) UBICACIÓN, después de
resolver el vector propio principal, se enumera en la columna 4 bajo pesos:

(1) (SWARTH, NORTHW, U. MICH, VANDERB, CMU) = (0.115, 0.402, 0.283, 0.163, 0.037).

Ahora damos las escalas derivadas locales para los otros tres criterios, (2) AMBIENCE, (3)
REPUTATION y (4) ACADEMICS, omitiendo las matrices de comparación por pares

(2) (SWARTH, NORTHW, U. MICH, VANDERB, CMU) = (0.034, 0.539, 0.250, 0.121, 0.056);

(3) (SWARTH, NORTHW, U. MICH, VANDERB, CMU) = (0.521, 0.235, 0.147, 0.038, 0.059);

(4) (SWARTH, NORTHW, U. MICH, VANDERB, CMU) = (0.564, 0.209, 0.132, 0.040, 0.055).
El paquete de software que soporta el AHP, llamado Expert Choice, para la PC de IBM, se usó para
realizar estos cálculos y puede guiar al tomador de decisiones para mejorar su inconsistencia si es
necesario. Cuando la relación de consistencia excede de 0,10 de manera apreciable, los juicios a
menudo necesitan una reexaminación. Para sintetizar la escala de prioridad general, multiplicamos
como sigue:

Esto da una prioridad final de 0.387 para NORTHWESTERN, la escuela más preferida, con
SWARTHMORE como subcampeón con una prioridad de 0.270. La consistencia general de estos
juicios se obtiene como una relación de sumas de índices de inconsistencia ponderados a las
sumas correspondientes de índices aleatorios ponderados (ver Sección 4). En la siguiente sección
examinaremos algunos de los fundamentos matemáticos del AHP.

3. LOS AXIOMAS DE LOS AHP

Tres principios guían uno en la resolución de problemas utilizando el AHP [121: descomposición,
juicios comparativos y síntesis de prioridades como se muestra en el ejemplo anterior. El principio
de descomposición se aplica estructurando un problema simple con los elementos en un nivel que
son independientes de aquellos en niveles sucesivos, trabajando hacia abajo desde el enfoque en
el nivel superior, hasta los criterios que se relacionan con el enfoque en el segundo nivel, seguidos
de subcriterios en el nivel superior. Tercer nivel, y así sucesivamente, desde lo más general (y en
ocasiones incierto) hasta lo más particular y concreto. Saaty [121 hace una distinción entre dos
tipos de dependencia que denomina funcional y estructural. La primera es la familiar dependencia
contextual de los elementos con respecto a otros elementos en el desempeño de su función,
mientras que la segunda es la dependencia de la prioridad de los elementos con respecto a la
prioridad y el número de otros elementos. La medición absoluta, a veces llamada puntuación, se
usa cuando se desea ignorar dicha dependencia estructural entre los elementos, mientras que la
medición relativa se usa de otra manera. El principio de los juicios comparativos se aplica para
construir comparaciones por pares de la importancia relativa de los elementos en algún nivel dado
con respecto a un criterio o propiedad compartida en el nivel anterior, dando lugar al tipo de
matriz encontrada anteriormente y su correspondiente vector propio principal. El tercer principio
es el de sintetizar las prioridades. En el AHP, las prioridades se sintetizan desde el segundo nivel
hacia abajo multiplicando las prioridades locales por la prioridad de su criterio correspondiente en
el nivel superior y agregando, para cada elemento en un nivel de acuerdo con el criterio que
afecta. (Los elementos del segundo nivel se multiplican por la unidad, el peso de la única meta de
nivel superior). Esto da la prioridad global o compuesta de ese elemento, que a su vez se utiliza
para ponderar las prioridades locales de los elementos en el nivel inferior en comparación con el
otro como criterio, y así sucesivamente al nivel inferior. Cuatro axiomas gobiernan el AHP y utilizan
la noción de comparaciones pareadas como primitivo. Sea ’11 un conjunto finito de n elementos
llamados alternativas. Sea K un conjunto de propiedades o atributos con respecto a los cuales se
comparan los elementos en (11). Nos referiremos a los elementos de a como criterio. Un criterio
es primitivo. Realizamos comparaciones binarias de los elementos en 'It de acuerdo con a criterio
en c. Sea> c una relación binaria en 9t que representa "más preferido que" con respecto a un
criterio C en 6. Sea -c la relación binaria "indiferente a" con respecto a un criterio C en B. Por lo
tanto, dados dos elementos Ai, AjcA, Ai> .Aj o Aj> = Ai o Ai -c Aj, VC ~ 6. Utilizamos Ai kc Aj para
indicar más preferido o indiferente. Una familia dada de relaciones binarias> c con respecto a un
criterio C en 6 es primitivo. Sea 'el conjunto de cambios de% x 9l a R + (el conjunto de reales
positivos). Letf': K - + $. Deje Pc gf (C) para CE K. P, asigna un número real positivo para cada par
(Ai, Aj) c'91 x 2l. Deje Pc (Ai, Aj) = UijE R ', Ai, Aj E 91. Para cada CEK ;, el triple (%! I x VI, R +, PC) es
una escala de fundamental o primitiw. A funda La escala mental es un mapeo de objetos a un
sistema numérico.

Si Ai> c Aj, decimos que Ai domina Aj con respecto a C E Cs. Por lo tanto, PC representa la
intensidad o la fuerza de preferencia de una alternativa sobre otra.

Axioma 1 (el axioma recíproco)

Este axioma dice que las matrices de comparación que construimos están formadas por
comparaciones recíprocas pareadas, ya que si se considera que una piedra es cinco veces más
pesada que la otra, entonces la otra debe ser una quinta parte más pesada que la primera. Es esta
relación simple pero poderosa la base del AHP. Sea A = (aij) = (P&A, Aj)) el conjunto de
comparaciones pareadas de las alternativas con respecto al criterio C E 6. Según la definición de PC
y Axioma 1, A es una matriz recíproca positiva. El objetivo es obtener una escala de dominancia
relativa (u orden de rango) de las alternativas a partir de las comparaciones pareadas dadas en A.
Ahora mostraremos cómo derivar la dominancia relativa de un conjunto de alternativas de una
matriz de comparación por pares A. Let RMM (“) Sea el conjunto de (nxn) matrices recíprocas
positivas A = (aij) = (PJA, Ai)), VCEE. Sea [0, 11 ”el producto cartesiano en n de [0, l] y sea W: & n,>
[0, 11” para AE RMM (“), W (A) es un vector n-dimensional cuyas componentes se encuentran en
el intervalo [O, 11. El triple (RMM (“), [0, l]“, W) es una escala derivada. Una escala derivada es un
mapeo entre dos sistemas relacionales numéricos. Un aspecto importante del AHP es la idea de
consistencia. Si uno tiene una escala para una propiedad que poseen algunos objetos y mide esa
propiedad en ellos, entonces sus pesos relativos con respecto a esa propiedad son fijos. En este
caso, no existe una inconsistencia de juicio (aunque si uno tiene una escala física y la aplica a los
objetos en pares y luego deriva la posición relativa de los objetos en la escala de la matriz de
comparación por pares, es probable que se hayan producido imprecisiones en el acto de aplicar la
escala física y nuevamente habría inconsistencia). Pero al comparar con respecto a una propiedad
para la cual no hay una escala o medida establecida, estamos tratando de derivar una escala
mediante la comparación de los objetos de dos en dos. Dado que los objetos pueden estar
involucrados en más de una comparación y no tenemos una escala estándar, pero estamos
asignando valores relativos como una cuestión de juicio, las inconsistencias pueden ocurrir. En el
AHP, la consistencia se define de la siguiente manera y podemos medir la inconsistencia (consulte
la Sección 4). Dejinition. Se dice que el PC de mapeo es consistente si

De manera similar, la matriz A es consistente Ahora pasamos a

los axiomas jerárquicos 2-4, y definiciones relacionadas. En un conjunto parcialmente ordenado,
definimos x <y para significar que x <y y x # y; y se dice que cubre (domina) x. Si x <y, entonces x <t
<y es posible para no t. Usamos la notación x- = {yl x cubre y} y x '= {y) y cubre x}, para cualquier
elemento x en un conjunto ordenado. Sea H un conjunto finito parcialmente ordenado. Entonces
H es una jerarquía si satisface las siguientes condiciones:

(a) hay una partición de H en los conjuntos L ,, k = 1 ,. , h, para algunas h donde L1 = {b}, b es
un solo elemento;
(b) XEL, implica x-EL, + ~, k = l, ..., h - 1;
(c) XEL, implica x + EL ~ - ~, k = 2, ..., h.

Las nociones de escalas fundamentales y derivadas se pueden extender a x E L, y x- E Lt +,

reemplazando a C y A, respectivamente. La escala derivada resultante de comparar los
elementos en x con respecto a x se llama una escala derivada local o las prioridades locales
para los elementos en X-. De @ ition. Dado un número real positivo p> 1, se dice que un
conjunto no vacío x- c Lk + 1 es p-homogéneo con respecto a x E Lk si para cada par de
elementos y1, yz E .x -, l / pd P & r, y2 ) <p. En particular, el axioma recíproco implica que
Pc (yi, yi) = 1.
Axioma 2 (el axioma de homogeneidad)
Dada una jerarquía H, XEH y XEL ~, x- c L ,,, es p-homogénea para k = 1 ,. , h - 1. La
homogeneidad es esencial para comparaciones significativas, ya que la mente no puede
comparar elementos ampliamente dispares. Por ejemplo, no podemos comparar un grano
de arena con una naranja según el tamaño. Cuando la disparidad es grande, los elementos
deben colocarse en grupos separados de tamaño comparable, o en niveles diferentes en
conjunto. Dada L, L k + 1 5 H, denotemos la escala local derivada para YE x- y x E L, por $ k
+, (y / x), k = 2,3 ,. , h - 1. Sin pérdida de generalidad, podemos suponer que tik + r (y / x) =
1. Considere la matriz IC /, JLk / Lk-, cuyas columnas son escalas locales derivadas de
elementos en L, con respecto a los elementos en Lk _ 1. Dejinition. Se dice que un
conjunto A depende de un conjunto C si se puede definir una escala fundamental en A
iyith con respecto a cada CE 6. El proceso de relacionar elementos (por ejemplo,
alternativas) en un nivel de la jerarquía de acuerdo con los elementos del el siguiente nivel
superior (por ejemplo, los criterios) expresa la dependencia (lo que se llama dependencia
externa) de los elementos inferiores en el superior para que se puedan hacer
comparaciones entre ellos. Los pasos se repiten hacia arriba en la jerarquía a través de
cada par de niveles adyacentes al elemento superior, el enfoque o la meta. Los elementos
en un nivel también pueden depender entre sí con respecto a una propiedad en otro nivel.
El ingreso a la producción de industrias es un ejemplo de la idea de dependencia interna,
formalizada como sigue.
Dejinition. Sea U el dependiente externo de K. Se dice que los elementos en 91 son
dependientes internos con respecto a C E Q si para algunos A E '? I, PI es dependiente
externo de A.

Axioma 3
Sea H una jerarquía con niveles L ,, LX, ..., L ,. Para cada L ,, k = 1, 2, _ .., h - I:
(1) L! I +, es externo dependiente de Lk;
(2) L! I + 1 no es dependiente interno con respecto a todas las XE L;
(3) L, no es externo dependiente de Lk +,

Axioma 4 (el axioma de expectativas)

Este axioma es simplemente la afirmación de que los individuos reflexivos que tienen
razones para sus creencias deben asegurarse de que sus ideas estén adecuadamente
representadas en el modelo. Todas las alternativas, criterios y expectativas (explícitas e
implícitas) pueden y deben estar representadas en la jerarquía. Este axioma no asume la
racionalidad. Se sabe a veces que las personas albergan expectativas irracionales y tales
expectativas pueden ser acomodadas. Basándonos en los conceptos de Axiom 3, ahora
podemos desarrollar una función de ponderación. Para cada XE H, existe una función de
ponderación adecuada (cuya naturaleza depende del fenómeno que se estructura
jerárquicamente):
Tenga en cuenta que h = 1 es el último nivel para el que x- no está vacío. Los conjuntos Li
son los niveles de la jerarquía, y la función w, es la función prioritaria de los elementos en
un nivel con respecto al objetivo x. Observamos que incluso si x- # Lk (para algún nivel Lk),
w, puede definirse para toda L, estableciéndolo en cero para todos los elementos en L, no
en x. La función de ponderación es una de las contribuciones más significativas a la
aplicación de la teoría de la jerarquía.
Definición. Una jerarquía está completa si, Vx c L ,, x + c Lt_, podemos plantear la pregunta
central:
Problema básico. Dado cualquier elemento x EL, y el subconjunto Sc L, (E <p),
¿cómo definimos una función w ,, ~: S + [0, l] que refleja las propiedades de las
funciones de prioridad en los niveles L ,, k = cc ,. . . , p - 1. Específicamente, cuál es
la función wb.Lh. .Lh 4 [O, l]?

En términos menos técnicos, esto se puede parafrasear así:

Dado un sistema social (o económico) con un objetivo principal b, y el conjunto L,
de actividades básicas, de tal manera que el sistema puede modelarse como una
jerarquía con el elemento más grande b y el nivel más bajo L ,. ¿Cuáles son las
prioridades de los elementos de cualquier nivel y, en particular, las de L, con
respecto a b?
Desde el punto de vista de la optimización, para asignar un recurso a los elementos,
cualquier interdependencia puede tomar la forma de relaciones de entrada-salida como,
por ejemplo, el flujo de productos entre industrias. Una industria de alta prioridad puede
depender del flujo de material de una industria de baja prioridad. En un marco de
optimización, la prioridad de los elementos permite definir la función objetivo a
maximizar, y otras jerarquías proporcionan información sobre las restricciones, por
ejemplo, Relaciones entrada-salida. Ahora presentamos un método para resolver el
problema básico. Supongamos que Y = {yi ,. .., y ,,} c L, y que X = {xi ,. .., x ,, _ +,} c LL + l. Sin
pérdida de generalidad, podemos suponer que X = L ,, 1, y que hay un elemento z E Lk tal
que yi E z-. Entonces considera las funciones prioritarias
w ,: Y + [O, l] y wyj: X + [0, l] j = 1 ,. . . , mk.
Construya la función de prioridad de los elementos en X con respecto a z, denotado w, w:
X + [0, 11, por
W (Xi) = F wy, (xi) wz (Yj) t i = l, ..., mk + r j = 1
Es obvio que esto no es más que el proceso de ponderar la influencia del elemento yj en la
prioridad de xi multiplicándola con la importancia de xi con respecto a z. Los algoritmos
involucrados se simplificarán si uno combina w, j (xi) en una matriz B estableciendo bij = w,
j (xi). Si uno más establece wi = w (xi) y WI = w, (yj), entonces la fórmula anterior se
convierte en wi = z bijwJ, i = l, ..., nk + ,. j = l
Por lo tanto, se puede hablar del vector de prioridad w y, de hecho, de la matriz de
prioridad B del nivel (k + 1); esto da la formulación final,
w = Bw ’.
El siguiente teorema es fácil de probar. Teorema. Sea H una jerarquía completa con los
elementos más grandes de los niveles by h. Sea BI, la matriz de prioridad del nivel k, k = 1 ,.
. . h Si w 'es el vector de prioridad del nivel pth con respecto a algún elemento z en el nivel
(p - 1) th, entonces el vector de prioridad w del qth nivel (p <4) con respecto a z viene
dado por
w = BqB, _, ... B, + Iw ’.
Por lo tanto, el vector de prioridad del nivel más bajo con respecto al elemento b está
dado por
w = BhB, _ 1. . . Bzb
si L, tiene un solo elemento, b, = 1. De lo contrario, b, es un vector prescrito. Notamos que
el proceso de comparación por pares toma en consideración las no linealidades. Estas no
linealidades son capturadas por el proceso de ponderación de la composición.
Sistemas de red
A menudo, las alternativas dependen de los criterios y los criterios de las alternativas y
debe haber un ciclo que conecte los dos, que se estudie con mayor precisión con el
enfoque de retroalimentación de la red. El AHP se ha generalizado para tratar la
retroalimentación como se muestra a continuación, aunque la gente generalmente
prefiere simplificar y organizar su pensamiento en términos de una jerarquía lineal, incluso
si las respuestas son solo aproximadas. Una red es un conjunto de nodos (cada uno de los
cuales consta de un conjunto de elementos) y un conjunto de arcos que indican el orden
de interacción entre los componentes. Las prioridades de los elementos en cada nodo son
componentes del vector propio principal de la matriz de comparaciones por pares del
impacto relativo de estos elementos con respecto a un elemento o nodo con el que
interactúan. La interacción está indicada por un arco de la red. Todos estos vectores
propios definen lo que se conoce como
Supermatriz de prioridades de impacto. Al ponderar los vectores propios correspondientes
a cada componente según la prioridad de ese componente en el sistema, la supermatriz se
transforma en una matriz estocástica. Las prioridades de impacto limitantes se obtienen al
calcular las grandes potencias de esta matriz. Formalmente, tenemos el siguiente.
Dejnition. Un conjunto S parcialmente ordenado es un sistema de red si
(a) hay una partición de S en los conjuntos C, k = 1 ,. , s; (b) hay un pedido en C ,, k = 1 ,. . ,
s tal que x c CI, implica que x- o x 'está en CE, para algunos kj o ambos x- E Ck, xc E Ckj para
uno o más kj; (c) Para cada XES, hay una función de ponderación adecuada
w ,: x- - + [0, l] tal que 1 w, (y) = 1 YEX -
y para Ck c S, k = 1 ,. , s, hay una función de ponderación
donde C; = {Ch 1 Ck cubre C,}
Pasaremos ahora a los procedimientos de cálculo para las ponderaciones y para el índice
de inconsistencia.
4. LA SOLUCIÓN DE EIGENVECTOR PARA PESOS Y CONSISTENCIA
Hay un número infinito de formas de derivar el vector de prioridades de la matriz (aij).
Pero el énfasis en la consistencia conduce a una formulación de valores propios. Si aij
representa la importancia de la alternativa i sobre la alternativa j, y ajk representa la
importancia de la alternativa j sobre la alternativa k entonces aik, la importancia de la
alternativa i sobre la alternativa k, debe ser igual a aijajk para que los juicios sean
consistentes. Si no tenemos una escala, o no la tenemos convenientemente, como en el
caso de algunos dispositivos de medición, no podemos dar los valores precisos de \ vi / wj
sino solo una estimación. Nuestro problema se convierte en A’w '= imaxw', donde I. ,,, es
el valor propio más grande o principal de A '= (a,! J) el valor perturbado de A = (aij) con aji
= l / aij forzado. Para simplificar la notación, continuaremos escribiendo Aw = k maxi,
donde A es la matriz de comparaciones por pares. La solución se obtiene elevando la
matriz a una potencia suficientemente grande, luego sumando las filas y normalizando
para obtener el vector de prioridad w = (wl ,., w,). El proceso se detiene cuando la
diferencia entre los componentes del vector de prioridad obtenido en la potencia kth y en
la potencia k (1) es menor que un valor pequeño predeterminado. Una forma fácil de
obtener una aproximación a las prioridades es normalizar las medias geométricas de las
filas. Este resultado coincide con el vector propio para n <3. Una segunda forma de
obtener una aproximación es normalizando los elementos en cada columna de la matriz
de evaluación y luego promediando sobre cada fila. Nos gustaría advertir al lector de que
para aplicaciones importantes, solo se debe usar el procedimiento de derivación del
vector propio porque las aproximaciones pueden llevar a una inversión de rango a pesar
de proximidad del resultado al vector propio [13]. Es fácil probar que para una estimación
arbitraria x del vector de prioridad,
, lirn, & Akx = cw "" hacha
donde c es una constante positiva y w es el vector propio principal de A. Esto se puede
interpretar aproximadamente para decir que si comenzamos con una estimación y
operamos sucesivamente con A / & &,,, para obtener nuevas estimaciones, el resultado
converge a un múltiplo constante del eigenvector principal. Una forma sencilla de obtener
el valor exacto (o una estimación) de & ,,% cuando el valor exacto (o una estimación) de w
está disponible en forma normalizada es sumar las columnas de A y multiplicar el vector
resultante con el vector w . El número resultante es A ,,,,, (o una estimación). Esto se
deduce de

El problema es ahora, ¿qué tan buena es la estimación principal del vector propio w?
Tenga en cuenta que si obtenemos w = (wi, ..., w,) al resolver este problema, la matriz
cuyas entradas son wi / wj es una matriz consistente, que es nuestra estimación
consistente de la matriz A. La matriz original A no necesita se consistente. De hecho, las
entradas de A ni siquiera tienen que ser transitivas; es decir, A, puede preferirse a A2 y A2
a A, pero A, puede preferirse a A ,. Lo que nos gustaría es una medida del error debido a la
inconsistencia. Resulta que A es coherente si A A ,,,,, = n y que siempre tenemos II ,,, 2 n.
Esto sugiere usar i “ax - n como un índice de desviación de la consistencia. Pero

donde Li, i = 1 ,. . . , n son los valores propios de A. Adoptamos el valor promedio (A ,,,,, - n)
/ (n - l), que es el promedio (negativo) de E.i, i = 2 ,. . . , n (algunos de los cuales pueden ser
conjugados complejos). Es interesante observar que 2 (1. ,,, - n) / (n - 1) es la varianza del
error incurrido al estimar aij. Esto se puede mostrar por escrito y sustituyendo en la
expresión por & ,, ax. Esto es lo que nos concierne como el componente de error y su valor
16ij (<1 para un estimador imparcial. La normalización del vector propio principal produce
una estimación única de una escala de razón subyacente a los juicios. El IC de una matriz
de comparaciones está dado por CI = (3 ,,,, - n) / (n - 1). La relación de consistencia (CR) se
obtiene comparando el IC con el apropiado del siguiente conjunto de números, cada uno
de los cuales es un índice de consistencia aleatorio promedio (RI). ) derivado de una
muestra de tamaño 500, de una matriz recíproca generada aleatoriamente utilizando la
escala l / 9, l / 8, ..., 1,. .8, 9 para ver si es de aproximadamente 0.10 o menos. No menos
de 0.10, estudie el problema y revise los juicios:

¿Por qué tolerar el 10% de inconsistencia? La prioridad de la coherencia para obtener una
explicación coherente de un conjunto de hechos debe diferir en un orden de magnitud de
la prioridad de la inconsistencia, que es un error en la medición de la coherencia. Por lo
tanto, en una escala de O-1, la inconsistencia no debe exceder mucho de 0.10. Tenga en
cuenta que el requisito del 10% no debe hacerse mucho más pequeño, como 1% o 0.1%.
La razón es que la inconsistencia en sí misma es importante, ya que sin ella no se pueden
admitir los nuevos conocimientos que cambian el orden de preferencia. Asumir que todo
conocimiento es consistente contradice la experiencia que requiere un ajuste continuo en
la comprensión. Por lo tanto, el objetivo de desarrollar un marco coherente de gran
alcance depende de admitir alguna inconsistencia. Esto también explica por qué el número
de elementos comparados debe ser pequeño. Si el número de elementos es grande, sus
prioridades relativas serían pequeñas y el error puede distorsionar estas prioridades
considerablemente. Si el número de elementos es pequeño y las prioridades son
comparables, un pequeño error no afecta el orden de magnitud de las respuestas y, por lo
tanto, las prioridades relativas serían aproximadamente las mismas. Para que esto suceda,
los elementos deben ser <10, por lo que sus valores en general serían> 10% cada uno y,
por lo tanto, no se verán afectados por un error del 1%, por ejemplo. El índice de
consistencia (C.I.) para una jerarquía completa se define por

donde wij = 1 para j = 1, y nij +, es el número de elementos del (j + 1) th nivel con respecto
al criterio i del jth level. Sea ICJ el número de elementos de C; , y sea w (kJ (h) la prioridad
del impacto del componente hth en el componente kth, es decir, wck) (,,) = w ,, (C ,,) o
wcki: C ,, - + w ( ~) (,,,. Si etiquetamos los componentes de un sistema en líneas similares a
las que seguimos para una jerarquía, y denotamos por wjk la prioridad limitante del
elemento jth en el componente kth, tenemos

donde pk (j, h) es el C.I. de la matriz de comparación por pares de los elementos en el

componente kth con respecto al elemento jth en el componente hth.

5. MEDICIÓN ABSOLUTA Y RELATIVA E INFORMACIÓN ESTRUCTURAL

Lo siguiente se toma en gran parte de un documento de Saaty [6]. Los psicólogos
cognitivos han reconocido durante algún tiempo que hay dos tipos de comparaciones,
absolutas y relativas. En comparaciones absolutas, las alternativas se comparan con un
estándar en la memoria de uno que se ha desarrollado a través de la experiencia; en
comparaciones relativas, las alternativas se comparan en pares de acuerdo con un atributo
común. El AHP se ha utilizado con ambos tipos de comparaciones para derivar escalas de
relación de medición. A estas escalas las llamamos escalas de medición absolutas y
relativas, respectivamente. La medición relativa en el AHP está bien desarrollada y su uso
ya se ha ilustrado en el ejemplo de selección de escuela en este documento. Aquí hay una
breve descripción de la medida absoluta. Incidentalmente, el paquete de software Expert
Choice [14] también incluye este método de medición bajo el nombre de "calificaciones".
La medición absoluta (a veces llamada puntuación) se aplica para clasificar las alternativas
en función de los criterios o bien en términos de calificaciones (o intensidades) de los
criterios; p.ej. excelente (A), muy buena (B), buena (C), promedio (D), por debajo del
promedio (E), pobre y muy pobre (F). Después de establecer prioridades en los criterios (o
subcriterios, si hay alguno), también se realizan comparaciones en pares en las
clasificaciones en sí mismas para establecer prioridades para ellos bajo cada criterio.
Finalmente, las alternativas se califican marcando su calificación según cada criterio y
sumando estas calificaciones para todos los criterios. Esto produce una puntuación de
escala de relación para la alternativa. Los puntajes así obtenidos de las alternativas
pueden normalizarse.
Usando la medición absoluta, sin importar cuántas alternativas nuevas se introduzcan, o si
se eliminan las antiguas, los rangos de las alternativas no pueden revertirse. Esta idea se
ha utilizado para clasificar las ciudades en los EE. UU. Según nueve criterios según lo
juzgado por seis personas diferentes [6]. Otro ejemplo de un uso apropiado para la
medición absoluta es el de las escuelas que admiten estudiantes. La mayoría de las
escuelas establecen sus criterios de admisión independientemente del rendimiento de la
cosecha actual de estudiantes que buscan admisión. Sus prioridades se utilizan para
determinar si un alumno determinado cumple con el conjunto estándar para la
calificación. En ese caso, se debe utilizar la medición absoluta para determinar qué
estudiantes califican para la admisión. La medición absoluta necesita estándares, a
menudo establecidos por la sociedad para su conveniencia y, a veces, tienen poco que ver
con los valores y objetivos del juez que hace las comparaciones. En problemas de decisión
completamente nuevos o en problemas antiguos donde no se han establecido estándares,
debemos continuar utilizando la medición relativa comparando alternativas en pares para
identificar la mejor. La pregunta ahora es: "¿Qué sucede con la clasificación cuando se
usan medidas relativas y se agregan o eliminan alternativas?" Cuando se utiliza la medida
relativa para, por ejemplo, comprar un automóvil, incluso cuando las prioridades de los
criterios se establecen por adelantado independientemente de la Como alternativa, el
auto que califica al final depende de la cantidad de autos examinados. Agregar un auto
nuevo a la colección que está siendo examinada puede causar un cambio en el rango de
los autos originales. Este fenómeno puede explicarse considerando la operación de
normalización como un criterio estructural que tiene que ver con la información generada
en el proceso de medición. Con la medición relativa, la prioridad de tal criterio cambia
cuando se agregan nuevas alternativas o se eliminan las antiguas y, por lo tanto, las
prioridades de las alternativas antiguas, que dependen de todos los criterios, incluido este
criterio estructural, cambiarían y podría ocurrir un orden de clasificación diferente entre
Las antiguas alternativas. La analogía se puede hacer con cualquier modelo matemático,
por ej. Programación lineal, cuando se agrega una nueva variable o una nueva restricción.
No hay una relación necesaria entre la solución del nuevo problema y la anterior. Como
debería, el rango no se ve afectado cuando solo hay un criterio involucrado y los juicios
son consistentes. De manera más general, uno puede mostrar que, con coherencia, el
orden de clasificación de dos alternativas no se ve afectado cuando los valores de juicio de
una dominan los de la otra en cada matriz de comparación por pares según los criterios.
Sin embargo, el rango final puede cambiar incluso cuando los juicios son consistentes
cuando una alternativa domina a otro bajo un criterio pero está dominada por él bajo
otro. El siguiente ejemplo ilustra la idea de la reversión de rango debido a criterios
estructurales. En una decisión de inversión, utilicemos solo dos criterios, RETURN y LOW
RISK para determinar dónde es mejor invertir. Para simplificar, supongamos que son
igualmente importantes para que sus prioridades sean 0.5 y 0.5. Primero tomamos las dos
alternativas BONOS LIBRES DE IMPUESTOS (A) y VALORES (B), los comparamos por pares
de acuerdo con la preferencia primero bajo RETORNO y luego bajo RIESGO BAJO, y
obtenemos sus pesos compuestos. Tenemos:
Se prefiere A a B. Al observar que las prioridades de las alternativas bajo cada criterio se
obtienen sumando los elementos en cada columna y dividiendo por el total que es el
factor de normalización, podemos volver a escribir las operaciones aritméticas anteriores
para indicar que se aplica la normalización. volver a escalar las prioridades de los criterios
y utilizarlos para ponderar las prioridades de las alternativas antes de que se normalicen.
Así, al escribir 0.75 = 3/4, 0.25 = l / 4, 0.33 = l / 3, 0.67 = 2/3 y notando que 4 es el factor
de normalización para RETORNO y 3 es el factor de normalización para BAJO RIESGO, se
puede escribir lo anterior como

En otras palabras, la normalización puede considerarse como una operación que

transforma los pesos de los criterios de la escala original de (0.5, 0.5) a la nueva escala (0.5
/ 4,0.5 / 3) que cuando se normaliza
[0.125 / (0.125 + 0.167), 0.167 / (0.125 + 0.167)] = (0.43,0.57),
Cuales son las prioridades reselladas de los criterios. Es decir, la medición relativa puede
considerarse como una operación que siempre introduce un nuevo criterio que opera
sobre los criterios existentes al modificar sus prioridades. Anteriormente llamamos a este
criterio un criterio estructural. Se sabe en la teoría de la decisión tradicional que la
reversión de rango puede ocurrir cuando se introduce un nuevo criterio y aquí nos hemos
encontrado con un tipo de criterio fundamentalmente nuevo que siempre está presente
cuando realizamos una medición relativa. Ahora veamos cómo se produce la inversión de
rango aquí introduciendo las nuevas CUENTAS DE AHORRO (C) con las comparaciones
pareadas resultantes que se muestran en las siguientes dos matrices:
Por lo tanto, la presencia de la alternativa C ha provocado una reversión de rango entre A
y B y ahora se prefiere B a C, que se prefiere a A. En este caso, tendríamos que ignorar la
primera clasificación y usar la segunda. Notemos que este proceso de inversión de rango
no contradice ningún hecho comprobado existente y no tenemos ningún precedente
histórico en alguna teoría bien desarrollada de multicriterios para contrastarlo. De hecho,
la única teoría conocida que se ocupa de la inversión de rango incluso bajo un solo criterio
es la teoría de la utilidad. Allí, cuando se produce una reversión de rango bajo un criterio,
las nuevas alternativas que lo causan se llaman relevantes, de lo contrario se llaman
irrelevantes. El enfoque de medición relativa del AHP requiere que para que los elementos
sean comparables en pares, es esencial que todos sean homogéneos, lo que significa que,
para empezar, deben ser relevantes. No se puede escapar al hecho de que para hacer
frente a miles de intangibles necesitamos una medición relativa y que cuando lo usamos
puede ocurrir una reversión de rango. Es probable que la reversión de rango debido a
criterios estructurales ocurra en la vida real sin ser reconocida. En un trabajo reciente no
publicado, T. Saaty ha proporcionado el siguiente principio con respecto a la preservación
y la reversión de rango:
"Hay una mayor incertidumbre acerca de la optimización de rango con el aumento de la
tasa de cambio de información".
¿Juicios de grupo?
Al tratar con juicios de grupo, Saaty ha propuesto que cualquier regla para combinar los
juicios de varios individuos también debe satisfacer la propiedad recíproca. Una prueba de
que la media geométrica, que no exige a quién votar primero, satisface esta condición, se
generalizó en un artículo de Aczel y Saaty [S] y de Aczel y Alsina [15, este número, pp. 31 l-
3201 . Las diferencias de juicio de grupo se pueden resolver a través de una verificación de
consistencia. Cuando varias personas proponen juicios radicalmente diferentes en ciertas
posiciones de la matriz, estos pueden probarse con otros juicios en los que existe un
amplio acuerdo al resolver el problema por separado para cada juicio controvertido y
medir la consistencia. La sentencia de mayor consistencia.
En el problema general se mantiene. Se ha propuesto la siguiente comparación de
consistencia para los juicios de cada individuo con los del vector de escala derivado de los
juicios de grupo:
t bijwj / wi - n2 - 0.1. i, j = 1
Vargas [16] ha estudiado ampliamente los juicios probabilísticos. En particular, mostró que
cuando los juicios vienen dados por una distribución en y, el vector derivado pertenece a
una distribución de Dirichlet con una distribución /? De cada componente.
6. TEMAS DE INVESTIGACIÓN
Hay una serie de áreas que necesitan investigación adicional y otras en las que se debe
abrir un terreno. Se remite al lector a la literatura de AHP para aplicaciones y desarrollos
teóricos en la mayoría de estas áreas:
1) Generalización de la jerarquía y redes de sistemas a múltiples.
2) Investigación más profunda y extensa sobre juicios continuos.
3) Pruebe diferentes enfoques de toma de decisiones grupales sobre el mismo
problema y busque elementos comunes. Desarrollar pautas A, B, C para la
participación grupal en la toma de decisiones.
4) Investigue la relación del vector propio principal con la ley de energía de Weber-
Fechner.
5) Desarrollar aplicaciones del AHP en la teoría de juegos, particularmente con
respecto a la negociación.
6) Investigar la relación del AHP y la optimización. ¿Se puede resolver el problema
general de optimización utilizando el AHP?
7) Implementar estudios psicológicos para mostrar cómo la fuerza del sentimiento de
las personas puede representarse adecuadamente mediante escalas numéricas.
8) Estudie la sensibilidad de las prioridades al número de criterios y, más
generalmente, al tamaño de la jerarquía.
9) Ejemplo de opiniones sobre la satisfacción de los clientes con los resultados de
AHP.
10) Formule más casos utilizando el AHP en la asignación de recursos, la planificación,
el análisis de costo-beneficio y la resolución de conflictos.
11) ¿Hay poder en la formulación jerárquica y juicios para hacer mejores
predicciones? ¿Cómo puede ser probado?
12) El AHP y el análisis de riesgos: expone una teoría definitiva sobre el uso de
escenarios en el análisis de riesgos.
13) Investigar la relación entre el AHP y la inteligencia artificial.
14) Desarrollar la comunicación y los lenguajes causales utilizando el AHP.