su
del
Distancia
al
centro
entorno
comercial
(1-100)
8
0
8
5
5
0
9
0
6
0
7
0
(mts.)
1.1
00
90
0
50
0
80
0
90
0
40
0
De las dos variables consideradas la primera es directa ya que cuanto mayor calidad tenga
el entorno ms atraccin tiene para el posible comprador y, por lo tanto, el valor del local
aumenta; mientras que la segunda variable, la distancia al centro comercial del barrio, es
inversa pues los locales ms prximos al centro son los que ms afluencia de pblico
tienen. Vamos a ver las diferentes formas de transformar la variable inversa en directa.
13
Las transformaciones que vamos a realizar son las siguientes (Tabla 2). Transformacin
por la inversa.
Transformacin por la diferencia a una constante k = 1.500.
Transformacin por la diferencia a una constante k = 2.000.
Local A
Dista
ncia
al
centr
o
comer
cial xi
1.100
Local B
900
Local C
500
Local D
800
Local E
900
Local F
400
1/xi
150
0-xi
2000
-xi
0,00
09
0,00
11
0,00
20
0,00
13
0,00
11
0,00
25
400
900
600
1100
100
0
700
1500
600
1100
110
0
1600
1200
En la tabla 2 Se puede observar que la variable directa obtenida en el caso de la diferencia a una
constante es diferente segn la constante que se emplea.
que se adopte), donde el experto sita cada uno de los testigos comparndolos todos
entre s. Miller (1956), en un estudio de gran repercusin en la teora de la decisin
establece que el cerebro humano tiene serias limitaciones para establecer comparaciones
globales entre distintos sujetos o alternativas a partir de una escala determinada, dificultad
que se incrementa de forma considerable cuando el nmero de elementos a comparar
supera el nmero 7 (nmero mgico de Miller). Sin embargo, se constata que el cerebro
humano se encuentra perfectamente adaptado a las comparaciones por pares, o sea a
comparar dos elementos entre s en funcin de una caracterstica determinada. Cuando
desarrollemos el Proceso Analtico Jerrquico (AHP) veremos que esta caracterstica es el
punto de partida de dicha metodologa, y que permite afrontar la cuantificacin de las
variables explicativas cualitativas de una forma eficiente, con el fin de incorporarlas al
proceso de Valoracin.
PRECIO COMPRA
()
-720.000
GANANCIAS
()
15.000
-850.000
12.000
-450.000
4.500
-600.000
18.000
Suma
705.0
838.0
445.0
582.0
Sin embargo, si esa misma informacin se presenta en euros, pero expresando el precio
de compra en miles (Tabla 4) el resultado difiere considerablemente:
Tabla 4. Inversiones y Ganancias de distintos proyectos
ACTI
VO
1
GANANCIAS
()
15.000
-850
12.000
-450
4.500
-600
18.000
Sum
a
14.2
80
11.1
50
4.05
0
17.4
00
Alternativa A
Criterio
1
X11
Criterio
2
X12
Criterio
3
X13
Alternativa B
X21
X22
X23
Alternativa C
X31
X32
X33
Alternativa D
X41
X42
X43
Alternativa E
X51
X52
X53
Alternativa F
X61
X62
X63
x11 Normalizado
x x
x11
x
x
11
21
31
x11
i1
41
51
61
i1
xijNormalizado
xij
n
xij
i1
xij > 0
Entre las cualidades positivas de la normalizacin por la suma est que conserva la
proporcionalidad.
x11normalizado x11
x21
xijnormalizado xij
max xij
4
El intervalo de los valores normalizados es 0 < xij < 1 de nuevo si xij 0ij; y
como ocurrira con el mtodo anterior, tambin se mantiene la proporcionalidad.
x31 x11
x21 x11
31
x normalizado
ij
xij min
xij
max x min x
i1n
ij
i1n
ij
i1n
4.4. Ejemplo
Partimos de la informacin de la Tabla 6, con 6 parcelas agrcolas de las cuales
conocemos tres variables explicativas, como son sus Ingresos Brutos en /Ha, el Riesgo
de que se produzca una helada expresado en porcentaje de aos en que se ha producido
una helada en los ltimos 10 aos, y la poblacin activa agraria del municipio donde se
encuentra situada la parcela.
Parcela
A
Parcela
B
Parcela
C
Parcela
D
Parcela
E
Parcel
aF
Riesgo
Poblaci
sos
de
Brut
helada
agrco
os
1.1
00
98
0
1.0
00
75
5
1.2
00
1.0
50
(%)1
0
2
5
1
5
1
5
5
la
5.00
0
6.00
0
8.50
0
15.0
00
2.50
0
3.00
0
1
0
De las tres variables consideradas, dos de ellas son variables directas con respecto
al precio, tanto los Ingresos brutos como la poblacin activa agrcola estn relacionadas
positivamente con el precio de las parcelas, a mayor valor de la variable mayor valor de
las parcelas. Sin embargo, el riesgo de helada es una variable inversa ya que, a mayor
riesgo de helada, menor precio. Por lo tanto, hay que transformar la variable Riesgo de
helada en directa, para lo que en este caso emplearemos la inversa del valor original.
Con la transformacin por la inversa la tabla inicial de los datos quedara de la
forma de la Tabla 7. En dicha Tabla ya hemos aadido tres filas (SUMA, MXIMO y
MNIMO) con los datos que nos van a servir para calcular las tres normalizaciones.
Parcela
A
Parcela
B
Parcela
C
Parcela
D
Parcela
E
Parcela
F
SUMA
Ingre
sos
brut
os
1.1
00
98
01.0
00
75
51.2
00
1.0
50
6.0
MAXI
MO
MINIM
O
85
1.2
00
75
5
Riesgo
de
helada
(%).
0,1000
0,0400
0,0667
0,0667
0,2000
0,1000
0,57
33
0,20
00
0,04
00
Poblaci
n
agrco
la
5.00
0
6.00
08.50
0
15.00
02.50
03.00
0
40.0
00
15.0
00
2.50
0
Pasamos a normalizar cada variable por los tres procedimientos vistos con el fin
de poder observar las diferencias entre ellas.
Normalizacin de la variable Ingresos Brutos:
En la Tabla 8 se presentan los valores de la variable normalizada por los distintos
mtodos, junto con los mximos y mnimos en cada caso y el recorrido (diferencia entre
el mximo y el mnimo) de la variable normalizada.
Parcela
A
Parcela
B
Parcela
C
Parcela
D
Parcela
E
Parcela
F
Mximo
Mnimo
Recorri
do
Normalizaci
n por la
suma
Normalizaci
n por el
Ideal
0,1808
0,1611
0,1643
0,1241
0,1972
0,1726
0,197
2
0,124
1
0,073
1
0,9167
0,8167
0,8333
0,6292
1,0000
0,8750
1,000
0
0,629
2
0,370
8
Normalizaci
n por el
rango
0,77
53
0,50
56
0,55
06
0,00
00
1,00
00
0,66
29
1,0
00
0,0
00
1,0
00
0.9167
Parcela
A
Parcela
B
Parcela
C
Parcela
D
Parcela
E
Parcela
F
Mximo
Mnimo
Recorri
do
Normalizaci
n por la
suma
Normalizaci
n por el
Ideal
0,1744
0,0698
0,1163
0,1163
0,3488
0,1744
0,348
8
0,069
8
0,279
1
0,5000
0,2000
0,3333
0,3333
1,0000
0,5000
1,000
0
0,200
0
0,800
0
Normalizaci
n por el
rango
0,37
50
0,00
00
0,16
67
0,16
67
1,00
00
0,37
50
1,0
00
0,0
00
1,0
00
Parcela
A
Parcela
B
Parcela
C
Parcela
D
Parcela
E
Parcela
F
Mximo
Mnimo
Recorri
do
Normalizaci
n por la
suma
Normalizaci
n por el
Ideal
0,1250
0,1500
0,2125
0,3750
0,0625
0,0750
0,375
0
0,062
5
0,312
5
0,3333
0,4000
0,5667
1,0000
0,1667
0,2000
1,000
0
0,166
7
0,833
3
Normalizaci
n por el
rango
0,20
00
0,28
00
0,48
00
1,00
00
0,00
00
0,04
00
1,0
00
0,0
00
1,0
00
En todos los casos, se observa que el recorrido o intervalo de las variables vara en
funcin del mtodo de normalizacin utilizado, siendo el ms concentrado la
normalizacin por la suma, y el menos la normalizacin por el rango en el que siempre
se tiene un valor 0 y otro 1.
El otro punto fundamental a comprobar es cul/es del mtodo/s mantiene/n la
proporcionalidad. Vamos a realizar la comprobacin sobre los datos normalizados de la
variable Ingresos Brutos (Tabla 11).
Parcela
A
Parcela
B
Parcela
C
Parcela
D
Parcela
E
Parcela
F
Ingr
eso
s
1.
10
98
0
1.
00
75
5
1.
20
1.
05
Proporc
in
1
0,8909
0,9091
0,6864
1,0909
0,9545
Norm.
por la
suma
0,1
808
0,1
611
0,1
643
0,1
241
0,1
972
0,1
726
Proporc
in
1
0,8909
0,9091
0,6864
1,0909
0,9545
Norm.
por el
Ideal
0,9
167
0,8
167
0,8
333
0,6
292
0,8
750
Proporc
in
1
0,8909
0,9091
0,6864
1,0909
0,9545
Norm.
por el
rango
0,7
753
0,5
056
0,5
506
Proporc
in
1
0,6522
0,7101
0
1,2899
0,6
629
0,8551
1.100
1.100
1.100
proporcin Parcela A
proporcin Parcela B
proporcin Parcela C
1.100
980
1.000
1
0,8909
0, 9091
.
De los tres mtodos de normalizacin vistos los que mantienen la proporcionalidad
de los datos son la normalizacin por la suma y la normalizacin por el ideal. Estos dos
procedimientos sern los utilizados en todos los procesos de normalizacin de los mtodos
multicriterio que desarrollaremos en los prximos captulos.
Segn el valor que demos a p obtenemos distancias diferentes, de las cuales las
comunes son:
p = 1. Distancia Manhattan o Norma L1
p = 2. Distancia Euclidiana o Norma L2
ms
En un eje de coordenadas bidimensional (Figura 1), las distancias entre dos puntos A
y B seran.
Distancia Manhattan L1 = 6+8 = 14 Distancia Euclidiana L2 = 10 Distancia
Chevyshev L = 8
X2
B (2,7)
10
A (10,1)
8
X1
Figura 1. Distancia Euclidiana y Manhattan. (Figura tomada de Romero C., 1977 pg.
48)
La distancia Manhattan se corresponde con la suma de los catetos del tringulo
rectngulo de la figura. La distancia Euclidiana a su vez se corresponde con la
hipotenusa de dicho tringulo, y la distancia Chevyshev con el mximo valor de los
dos catetos que configuran la distancia Manhattan. En trminos geomtricos, podemos
decir que la distancia Manhattan representa la ms larga entre dos puntos y la
Chevysev la ms corta, quedando la euclidiana como una distancia i n t e r m e d i a .
Para el problema que nos ocupa en este momento, determinar una metodologa
para elegir el resultado ms ajustado al Ideal en valoracin, vamos a considerar la
distancia Manhattan. La base de esta eleccin est en el trabajo de Yoon (1987) en el
que intenta medir la credibilidad de las diferentes mtricas llegando a la conclusin de
que la mtrica L1 es la ms creble. Las distancias Euclidiana y Chevysev las
retomaremos al desarrollar la Programacin por m e t a s .
Vamos a ver ahora cmo utilizar los conceptos desarrollados anteriormente de las
Distancias y la Programacin compromiso para elegir el valor definitivo entre los
distintos valores obtenidos en funcin del mtodo utilizado. Para ello, con cada uno de
los mtodos de vauacin que se utilicen para calcular el valor del activo problema,
recalcula el valor de los comparables, con lo que tendremos tantos grupos de valores
de los comparables como mtodos utilizados (Vm).
Por otro lado tenemos los valores reales de cada uno de los comparables, valores de
los que partimos (VR) y al que consideramos como Punto Ideal.
Fijados estos valores, el procedimiento consiste en el clculo de la distancia L1
entre cada Vm y VR.
Aquel Vm cuya distancia al Ideal sea menor ser el mtodo cuya solucin
adoptaremos como definitiva, ya que es el mtodo con el que obtenemos Vm ms
parecidos al Ideal que, recordemos son los valores reales y observados de los
comparables.
5.1. Ejemplo
Veamos este proceso con un ejemplo. Para ello utilizaremos la informacin de
un caso que seguiremos en captulos posteriores, y puesto que an no se han
presentado los mtodos multicriterio, utilizaremos nicamente el modelo clsico del
Ratio de valuacin14, y aplicaremos la distancia Manhattan para determinar cul de
los distintos valores encontrados en funcin del Ratio utilizado es el ms adecuado.
Queremos calcular el valor del inmueble urbano X. Tenemos la informacin de
la Tabla17.
Tabla 17. Informacin de partida
Inmueb
le
urban
o
A
B
C
D
E
X
Precio
/m2
Sup
2490
1890
2100
1780
2600
0
135
98
110
75
110
120
Distanc
ia
al
centro
Mts.
1000
1500
1300
1500
800
1000
Calidad
del
entorno
S/100
60
65
90
60
65
85
El Ratio de valuacin (NIV2005) consiste en obtener un ratio o razn o cociente entre el precio y
cada variable explicativa. El producto del ratio obtenido por la cuanta de la variable explicativa del
bien a
valorar nos dar el valor de este ltimo
Precio
/m2
Sup
2490
1890
2100
1780
2600
135
98
110
75
110
120
648
SUMA
Distanc
ia
al
centro
Mts.
0,0010
0,0007
0,0008
0,0007
0,0013
0,0010
0,00535
Calidad
del
entorno
S/100
60
65
90
60
65
85
425
Inmue
ble
Aurban
B
C
D
E
X
SUMA
Precio
/m2
Sup
2490
1890
2100
1780
2600
0,208
3
0,151
2
0,169
8
0,115
7
0,169
8
0,185
2
1
Distan
cia al
centro
0,186
8
0,124
6
0,143
7
0,124
6
0,233
5
0,186
8
1
Calida
d del
entorn
o
0,141
2
0,152
9
0,211
8
0,141
2
0,152
9
0,200
0
1
Una vez normalizados, calculamos las respectivas ratios y los valores del inmueble X, cuyo
valor desconocemos y pretendemos e s t i m a r :
Variable Superficie.
Tenemos, por lo tanto, tres valores distintos en funcin de la ratio utilizado. Vamos
a determinar qu solucin es la ms adecuada que ser aqulla que obtenga la menor
Distancia Manhattan (6), o sea aquella solucin que se haya obtenido con la ratio que al
recalcular con l el precio de los comparables la suma de las diferencias absolutas de estos
entre los valores recalculados de los comparables y los reales sea menor.
El clculo de la distancia Manhattan para cada Ratio consiste en calcular el valor de
los comparables con cada uno de las ratios y sumar los valores absolutos de las diferencias
entre estos valores recalculados y los precios reales. Esa suma es la Distancia Manhattan
para cada Ratio. Para la ratio Ingresos brutos, que sabemos es igual 13.328 el clculo es
el siguiente:
Los valores calculados con el ratio Ingresos brutos aparecen en la tercera columna de la
Tabla 20. La suma de las diferencias absolutas entre estos valores y los precios reales (Ideal
en este caso) es la Distancia Manhattan de este mtodo.
La misma operacin se realiza con las otras dos ratios Edad y Poblacin agraria,
con lo que al final tenemos las Distancia Manhattan de las tres formas de clculo.
Tabla 20. Distancias Manhattan de los valores recalculados de los comparables al Ideal
Inmueble
Precio
urbano/m2
A
B
C
D
2490
1890
2100
1780
Valor
con
Ratio
Superf
2777
2016
2263
1543
Distancia
Absoluta
287
126
163
237
Valor
con
Ratio
Distanci
a
al
2495
1663
1919
1663
Distancia
Absoluta
5
227
181
117
Valor
con
Ratio
Calida
1916
2076
2875
1916
Distancia
Absoluta
574
186
775
e136
2600
2263
DISTAN
CIA
338
1150
3119
519
1048
2076
524
2195
Es evidente en este caso que los valores con menor distancia el Ideal son los obtenidos con la
ratio Distancia al centro, por lo tanto, adoptaremos el valor del inmueble problema X
deducido por esta ratio:
2
5. NDICE DE ADECUACIN
La aplicacin del ndice de adecuacin ( Ia ) (Aznar y Guijarro, 2005) es otra forma de
emplear la Distancia Manhattan en aquellos casos en que solo utilizamos un solo mtodo de
valoracin con un nico resultado (este hecho, como ms adelante veremos, es bastante
corriente cuando trabajamos con Programacin por metas, AHP y ANP).
En estos casos se trata de enfrentar la solucin obtenida mediante el mtodo utilizado, con la
que se obtendra con una solucin ingenua (naive) del problema o con otra solucin que
considersemos como patrn. La solucin naive sera la que aplicara el valorador cuando
el nico dato conocido de los comparables es su precio, de manera que el valor estimado
para cualquier activo problema sera, en buena lgica, el obtenido como promedio entre el
conjunto de comparables de la m u e s t r a .
6.1. Ejemplo.
Si seguimos con el caso del punto anterior y calculamos la
Distancia Manhattan en el supuesto de que el valorador haya optado por
la solucin naive o sea considera como el valor apropiado la media de los
precios de los comparables: 2172 euros/m2 (Tabla 21).
Vemos que con los dos primeros Ratios mejoramos la solucin naive y con el tercero la
solucin es peor a la naive, siendo la mejor de las tres la obtenida mediante el Ratio
Distancia al centro pues mejora la solucin naive en un 29,77%.
15
15
7. MULTIPLICACIN DE MATRICES
El producto de matrices es una operacin que utilizaremos en el proceso de
aplicacin de AHP y puede realizarse fcilmente mediante la funcin MMULT del
Asistente de funciones de Excel.
Cuando tenemos dos matrices que multiplicar (Pantalla 2)
Para obtener la matriz producto con la funcin MMULT, previo a la accin de aceptar hay
que tener pulsadas las teclas Ctrl (Control) y Mays
(Maysculas).
Se
acepta y se obtiene la matriz columna (4X1) producto de las dos matrices, Pantalla 6.
8. SUMA PONDERADA
La Suma ponderada permite ponderar una serie de alternativas en funcin de un
grupo de criterios. El proceso parte de informacin similar a la de la Tabla 22 donde se tiene
el valor normalizado, xij , de las variables para cada alternativa y el peso o
ponderacin de cada variable, wj .
Siendo:
Wi = Ponderacin final obtenida de cada alternativa.
wj = Peso de cada variable obtenido por uno de los mtodos de ponderacin (se vern en los
prximos captulos)
xij = Valor de cada variable para cada alternativa.
Ejemplo.
Se plantea el problema de decidir entre varios candidatos a un puesto de trabajo, para
determinar cul de los seleccionados es el idneo se escogen tres criterios, conocimiento de
ingls, aos de experiencia en puesto similar y conocimientos tcnicos. Dichos criterios se
puntan para cada candidato de cero a diez y se pondera la importancia de cada criterio de
cero a cinco. La informacin completa aparece en la Tabla 23.
Tabla 23. Informacin del proceso de seleccin
Como veremos este mtodo de clculo de las ponderaciones de las alternativas forma parte
de los mtodos que desarrollaremos en captulos posteriores como CRITIC, Entropa, AHP
y ANP. En todos estos casos la metodologa utilizada nos proporciona la informacin
necesaria y mediante el procedimiento de la Suma ponderada llegamos al resultado final
buscado.
El procedimiento de la suma ponderada es equivalente al visto anteriormente como
producto de matrices y veremos cmo en la aplicacin de AHP podemos utilizar ambos
indistintamente.
9. NOMENCLATURA
Para poder aplicar la metodologa multicriterio a la valoracin es imprescindible
realizar algunos cambios en la terminologa original de forma que se adapte el vocabulario
multicriterio a la terminologa v a l o r a t i v a .
Las denominadas Alternativas en el modelo general se correspondern en
valoracin con el conjunto de activos comparables (fincas o parcelas en el caso agrario,
inmuebles urbanos en valoracin urbana, etc.), cuyos precios y elementos de comparacin
o variables explicativas se conocen, ms el activo a valorar.
Los denominados atributos o criterios en el modelo general equivalen con lo que
denominamos en valoracin elementos de comparacin o variables explicativas, que son
aquellos elementos o variables que explican el precio.
De forma que la estructura jerrquica del grfico 3, clsico de ayuda a la toma de
decisiones.
278