UTILIZACIN DE SISTEMAS EXPERTOS PARA LA OPTIMIZACIN DE LA TOMA DE

DESICIONES MULTICRITERIO
JAIME ANDRS LARA BORRERO *
Pontificia Universidad Javeriana
Profesor Asistente y miembro de los grupos de investigacin Hidrociencias e Informtica y Mtodos
Matemticos Aplicados, Pontificia Universidad Javeriana.
Ingeniero Civil, Pontificia Universidad Javeriana (1996). Master en Ingeniera y Gestin Ambiental,
Universidad Politcnica de Catalua, Espaa (1998). Doctor en Territorio y Medio Ambiente,
Universidad Politcnica de Madrid (2003)
JUAN CAMILO QUIJANO NIETO
Pontificia Universidad Javeriana
DANIEL RIVEROS
Pontificia Universidad Javeriana
ANDRS TORRES ABELLO
Pontificia Universidad Javeriana
MARIA CAMILA FORERO LUNAL
Pontificia Universidad Javeriana
Direccin postal del autor principal (*):Cra7 40-62 Ed. Jos Gabriel Maldonado S.J., Facultad de
Ingeniera, Bogot, Colombia.
Telefono:(57)1 3208320 ext 5260 FAX:(57)1 3208320 ext 5255 e-mail: laraj@javeriana.edu.co
RESUMEN
En Colombia como en la mayora de pases de Amrica, la seleccin de tecnologas de potabilizacin
de aguas es un problema de gestin importante para las comunidades, sobretodo para las ms
pequeas cuyos recursos en la mayora de los casos son limitados y el recurso humano encargado
de esta labor no siempre el ms capacitado. Esta situacin ha llevado en muchas ocasiones a la
eleccin de tecnologas inadecuadas y en general al despilfarro de recursos, que como dije antes no
abundan.
En respuesta a esta situacin, el Gobierno Colombiano a partir del ao 2000, hizo obligatorio el uso
de una herramienta de apoyo a la toma de decisiones llamada SELTEC.
Mediante simulacin de montecarlo se gener una tabla de 2000 patrones utilizando el Seltec para
obtener las respectivas funciones objetivo, estos 2000 registros tienen 38 atributos, un nmero de
etiquetas variable dependiendo del atributo entre 2 y 7 y un conjunto de 28 variables objetivo
diferentes.
Se empleo el software ARBN 1.0, desarrollado por los investigadores para rboles de decisin, el
cual arrojo como resultado que el rbol hace uso de 26 de las 38 variables que emplea el Seltec,
teniendo su rama ms larga 8 nodos mientras que la ms corta cuenta solo con 3.
Es evidente el potencial de esta metodologa, dado que la reduccin de variables redunda
directamente en la facilidad de utilizacin del modelo y a la larga en un ahorro de recursos en el
proceso de seleccin de tecnologas de potabilizacin, as como en la confiabilidad de los resultados
obtenidos.
PALABRAS CLAVE: Sistemas Inteligentes, Tratamiento agua potable, Planificacin ambiental.
INTRODUCCIN
Tanto en el mbito Colombiano como en el latinoamericano encontramos muchos ejemplos de
inversiones en infraestructura municipal que han sido equivocadas por falta de herramientas de apoyo
a la toma de decisiones a la hora de escoger la tecnologa ms adecuada a implementar en un
determinado lugar, lo que es especialmente grave si tenemos en cuanta que en muchas de estas
ocasiones los recursos son limitados y muchas veces esta situacin no permite corregir dichos
errores.
En el ao 2000 entro en vigor en el territorio Colombiano la resolucin No 1096 del hoy extinto
Ministerio de Desarrollo econmico, por la cual se adoptaba el Reglamento Tcnico para el sector de

Agua Potable y Saneamiento Bsico RAS 2000. Dicho reglamento en su artculo 103, referente a
los requisitos mnimos para el desarrollo de sistemas nuevos de potabilizacin reza Para la seleccin
de las alternativas de tratamiento para sistemas de potabilizacin de poblaciones menores de 30.000
hab, debe usarse el Programa de Seleccin de Tecnologa y Anlisis de Costos en Sistemas de
Potabilizacin (Seltec).
El Modelo SELTEC, surge como solucin a la problemtica de planeacin ambiental relacionada con
la seleccin de tecnologas de potabilizacin. Sin embargo en estudios realizados en municipios de la
sabana de Bogot (Cadavid, et al,2002) se ha encontrado que si bien el modelo soluciona el
problema de seleccin de las posibles alternativas, su implementacin no resulta ser los
suficientemente eficiente y parsimoniosa para abordar la problemtica expuesta debido en ocasiones
a la falta de alguna de la informacin que requiere el modelo o en otras a la calidad de dicha
informacin, lo que aporta una gran incertidumbre sobre los resultados obtenidos.
En este orden de ideas, los autores de la presente investigacin optaron por emplear herramientas de
los denominados Sistemas Inteligentes (especificadamente rboles de decisin) con el fin de estudiar
su viabilidad como herramienta de optimizacin del modelo SELTEC, de manera que se pueda contar
con informacin sobre el peso de algunas variables en la decisin final y a la larga determinar si es
posible eliminar algunas de ellas, en busca de un modelo parsimonioso y de ms fcil aplicacin para
los gestores municipales.
Para tal efecto, despus de algunas aclaraciones sobre el modelo conceptual original, el concepto de
sistemas expertos, de entropa y de los rboles de decisin, se presenta la metodologa usada para la
obtencin y organizacin de los patrones de entrada necesarios para el entrenamiento de rbol, se
discuten los resultados parciales obtenidos y las ventajas de disponer de un sistema inteligente en
este tipo de estudios.
MARCO CONCEPTUAL
Seltec
La estructura general del modelo conceptual de seleccin de tecnologa se presenta en forma de
Niveles (Figura 1). Un Nivel de seleccin opera como un filtro donde se descartan las tecnologas
que no cumplen con las condiciones de sostenibilidad de acuerdo a los valores asignados a las
variables (datos de entrada) para una aplicacin especfica.
Alternativas
Tecnolgicas

INSTITUCIONALIZACIN DE LA
TECNOLOGIA.

Niveles 0 y 1

Jerarquizacin
de soluciones
sostenibles

Tecnologas
institucionalizadas

NIVEL SOCIOCULTURAL DE
LA LOCALIDAD.

Nivel 2

DISPONIBILIDAD
DE RECURSOS Y
MATERIALES.

Nivel 3

RIESGO
ANALISIS DE
SANITARIO Y
EFICIENCIA DE LAS COSTOS.
TECNOLOGIAS.

Nivel 4

Nivel 5

CAPACIDAD Y
DISPONIBILIDAD
DE PAGO.

Nivel 6

Figura 1. Esquema General del Modelo Conceptual para la Seleccin de Tecnologa.

La estructura del modelo conceptual involucra unos datos de entrada para cada uno de los niveles
con lo que se realizan selecciones parciales de tecnologas no sostenibles y sostenibles, estas
ultimas a su ves son un dato de entrada al siguiente nivel, hasta obtener la seleccin final. Los niveles

cinco y seis ayudan en el anlisis de costos para poder levar a cabo la opcin escogida en los niveles
previos.
En la siguiente figura se puede ver una captura de pantalla del software para la aplicacin del modelo
conceptual (Figura 2).

Figura 2. Formulario de Tecnologas sostenibles - Seltec

Sistemas Expertos
No resulta fcil dar una definicin de sistema experto (SE), entre otras cosas, por el concepto de SE,
ya que a medida que se va progresando, sus funciones se van ampliando y resulta un concepto
cambiante (Castillo y Alvarez, 1989). Edward Feigenbaum, de la Universidad de Stanford, defini en
el Congreso Mundial de Inteligencia Artificial (Davis y Buchanan, 1977) un SE como: un programa de
computador inteligente que usa conocimiento y procedimientos de inferencia para resolver problemas
que son los suficientemente difciles como para requerir la intervencin de un experto humano para
su resolucin. Hoy con los avences conseguidos, resultara ms correcto definir un SE como: un
sistema informtico que simula el proceso de aprendizaje, de memorizacin, de razonamiento, de
comunicacin y de accin de un experto humano en una determinada rama de la ciencia,
suministrando, de esta forma, un consultor que puede sustituirle con unas ciertas garantas de xito
(Castillo y Alvarez, 1989). Ciertamente las anteriores definiciones contienen elementos claves
fcilmente inidentificables en el problema que se estudia en este trabajo como es la seleccin de
tecnologas. Por consiguiente, se desprenden otros valores agregados como por ejemplo: (i) mejorar
la calidad del conocimiento de los expertos humanos; (ii) conseguir la supervivencia del conocimiento
y que no muera con la muerte fsica del experto humano; (iii) multiplicar el nmero de expertos, y por
tanto, hacer ms accesible el conocimiento existente; y (iv) disminuir el costo del conocimiento. De
esta forma, lo que este trabajo pretende es sentar las bases de un SE para el diagnstico y
evaluacin de puentes existentes.
Entropa de Informacin
El aprendizaje inductivo mencionado en la definicin del SE se implementa en este trabajo, mediante
la concepcin de un rbol de decisin, el cual para su diseo parsimonioso requiere en la mayora de
los casos de conocimiento de entropa de informacin. Aunque el concepto de entropa fue
introducido por primera vez en 1865 por Rudolph J. Clausius, es solo en 1948 que nace formalmente
la disciplina de la Teora de la Informacin, gracias a Claude Shannon. Las definiciones de entropa
son varias dependiendo del la aproximacin fsica (medida del desorden) o matemtica de este
concepto (grado de complejidad de la informacin, grado de pureza o impureza de la informacin).
Aunque la teora de la informacin encontr inicialmente aplicacin en el diseo de sistemas de
comunicacin, su uso, y por ende el empleo de la entropa como medida de informacin, se ha
extendido a otras disciplinas, dentro de las cuales la Ingeniera Civil. En el marco de la Teora de la
Informacin el logaritmo en base 2 del nmero de mensajes, todos equiprobables, nos da el nmero
de bits necesarios para codificarlos. En el caso de que los mensajes no tengan la misma frecuencia,
es decir diferentes probabilidades, se puede pensar de transmitir los ms frecuentes con un nmero
inferior de bits y viceversa. En Teora de la Informacin esto se conoce como mxima compresin
posible de la informacin, o compresin estadstica de la seal.

Arboles de Decisin
Los rboles de decisin (Quinlan, 1986; Mitchell, 1997) son sistemas inteligentes basados en el
conocimiento mediante reglas, que permiten clasificar una serie de ejemplos o salidas ordenando los
atributos (variables) que contribuyen a la clasificacin en orden descendente en un rbol. El algoritmo
utilizado en el presente trabajo es aplicable a variables discretas. Si las variables son continuas es
necesario representarlas en intervalos discretos. Tenemos por lo tanto unas variables de entrada
(atributos) que representan los nodos potenciales del rbol, los valores de las variables que
representan las ramas, y las hojas que son las variables de decisin (Figura 3).

Variables

ROOT
NODE

Variables
values

NODE

LEAF
NODE

NODE

LEAF
NODE

LEAF
NODE

Decision
variables

LEAF
NODE

Figura 3. Topologa simplificada de un rbol de decisin

(Fuente: Obregn et al., 2003)
Una serie de patrones que incluya las variables de entrada y de decisin es necesaria para entrenar
el rbol. En cada nodo se efecta un test estadstico gracias a la explotacin del concepto de
Entropa y Ganancia de Informacin. Esta ltima se define la aptitud de un determinado atributo A
para clasificar a solo los ejemplos, y matemticamente se expresa como (Mitchell, 1997)

Gain(C , A) = Entropy(C )

Cv
Entropy(Cv )
vValues ( A) C

ecuacin (1)

donde Values(A) es la serie de todos los posibles valores para el atributo A, y Cv es la subserie de C
para la cual el atributo A tiene valor v. Gain(C,A) es simplemente la informacin provista acerca de la
variable de decisin, dado el valor de algn atributo A. Dicho de otra forma el valor de Gain(C,A) es el
nmero de bits que uno se ahorra cuando codifica el valor de la variable de decisin de un miembro
arbitrario de C, conociendo el valor del atributo A (Mitchell, 1997). Por lo tanto en cada nodo se
selecciona el atributo que tiene ms ganancia de informacin. El procedimiento descrito es
bsicamente el mismo seguido por el algoritmo ID3 (Quinlan, 1986) para entrenar rboles de
decisin.
METODOLOGA.
Para el presente estudio se tomaron los niveles cero, uno, dos, tres y cuatro del Seltec, dado que se
busca optimizacin de la seleccin de la tecnologa sin entrar en el anlisis de costos. En primer lugar
se estudio el modelo conceptual, las variables de cada uno de los niveles y las posibles rutas que
tomaba el software respondiendo a los diversos valores de entrada de ciertas variables. De esta
forma se determin que el SELTEC tiene 3 puntos importantes dentro de los niveles estudiados, el
primero en el Nivel 0, que corresponde al Tipo de Localidad que puede ser Zona Rural o
Cabecera Municipal, dependiendo la opcin seleccionada se toman caminos distintos. El segundo
punto de inters se presenta en el Nivel 1 cuando se pregunta la Poblacin Total que puede tomar
valores por rangos entre 501 y 15.000 habitantes si se escogi previamente Zona Rural o un valor
entre 501 y 30.000 habitantes si fue Cabecera Municipal. Dependiendo de la seleccin el camino a
seguir por el modelo ser diferente.
Hasta el momento se ha definido dos bifurcaciones dentro del modelo. Cada bifurcacin divide el
modelo conceptual lo que origina un cambio en las preguntas y opciones que estn despus de la
bifurcacin. De esta forma divide el problema inicial en diferentes dependiendo de la condicin

especfica. Hasta el momento se han definido dos bifurcaciones que han originado 5 problemas
distintos que se muestran en la tabla 1
TABLA 1 . Bifurcaciones 1 y 2. Problemas a partir de las bifurcaciones 1 y 2.
PROBLEMA
PROBLEMA 1
PROBLEMA 2
PROBLEMA 3
PROBLEMA 4
PROBLEMA 5

BIFURCACIN 1
TIPO LOCALIDAD
RURAL
RURAL
CABECERA MUNICIPAL
CABECERA MUNICIPAL
CABECERA MUNICIPAL

BIFURCACIN 2
POBLACIN TOTAL
500 5.000 Habitantes
5.001 15.000 Habitantes
500 5.000 Habitantes
5.001 15.000 Habitantes
15.001 30.000 Habitantes

La tercera bifurcacin detectada se presenta en el Nivel 4, Tipo de Fuente, que puede tomar los
valores: Agua de Mar, Fuente subterrnea o Fuente Superficial. Si la entrada es Agua de Mar el
modelo no encuentra una posible solucin al problema, razn por la cual esta opcin no se tiene en
cuenta; si es agua subterrnea debe especificar si es Salobre o No Salobre, si se opta por agua no
salobre, el modelo no encuentra tecnologas sostenibles para el problema, por lo que tampoco se
tiene en cuenta. Finalmente la opcin de fuente superficial da tres nuevas opciones, ro de ladera, ro
de valle o por ultimo un lago o embalse.
Al igual que en las dos primeras bifurcaciones se generan nuevos problemas, los resultantes hasta el
nivel tres teniendo en cuenta las tres bifurcaciones se muestra en la tabla 2.
TABLA 2. Bifurcaciones 1, 2 y 3. Problemas hata el nivel 4 con bifurcaciones 1, 2 y 3.
PROBLEMA

BIFURCACIN 1
TIPO LOCALIDAD

PROBLEMA 1
PROBLEMA 2
PROBLEMA 3
PROBLEMA 4
PROBLEMA 5
PROBLEMA 6
PROBLEMA 7
PROBLEMA 8
PROBLEMA 9
PROBLEMA 10
PROBLEMA 11
PROBLEMA 12
PROBLEMA 13
PROBLEMA 14
PROBLEMA 15
PROBLEMA 16
PROBLEMA 17
PROBLEMA 18
PROBLEMA 19
PROBLEMA 20

RURAL
RURAL
RURAL
RURAL
RURAL
RURAL
RURAL
RURAL
CABE. MUNICIPAL
CABE. MUNICIPAL
CABE. MUNICIPAL
CABE. MUNICIPAL
CABE. MUNICIPAL
CABE. MUNICIPAL
CABE. MUNICIPAL
CABE. MUNICIPAL
CABE. MUNICIPAL
CABE. MUNICIPAL
CABE. MUNICIPAL
CABE. MUNICIPAL

BIFURCACIN 2
POBLACIN TOTAL
(HAB)
500 5.000
500 5.000
500 5.000
500 5.000
5.001 15.000
5.001 15.000
5.001 15.000
5.001 15.000
500 5.000
500 5.000
500 5.000
500 5.000
5.001 15.000
5.001 15.000
5.001 15.000
5.001 15.000
15.001 30.000
15.001 30.000
15.001 30.000
15.001 30.000

BIFURCACIN FUENTE
DEL AGUA
SUBT. NO SALOB.
SUPERF. R. VALLE
SUPERF. R. LADER
SUPERF. LAG o EMB
SUBT. NO SALOB.
SUPERF. R. VALLE
SUPERF. R. LADER
SUPERF. LAG o EMB
SUBT. NO SALOB.
SUPERF. R. VALLE
SUPERF. R. LADER
SUPERF. LAG o EMB
SUBT. NO SALOB.
SUPERF. R. VALLE
SUPERF. R. LADER
SUPERF. LAG o EMB
SUBT. NO SALOB.
SUPERF. R. VALLE
SUPERF. R. LADER
SUPERF. LAG o EMB

En cada uno de estos problemas el conjunto de variables que el modelo solicita para proponer una
posible solucin es diferente. El nmero total de variables que el modelo requiere en todos los
problemas es de 128. El tipo de variable vara dependiendo el tipo de solicitud. Bsicamente los tres
tipos de variables que se reconocieron fueron valores reales, cadenas de texto y enteros.
Una vez estudiado el modelo y obtenidos los problemas y las bifurcaciones y posteriormente
habiendo encontrado y definido todas las posibles variables el siguiente paso es poder ejecutar el
modelo muchas veces con el objeto de estudiar sus resultados.
Se desarrollo un programa en VBA que permite automatizar el procedimiento de ejecucin del
SELTEC, tomando las variables de entrada de una hoja de calculo, ejecutando SELTEC y guardando

los resultados en archivos de texto. Para poder hacer esto se generaron dichas variables mediante
simulacin de Montecarlo.
El modelo SELTEC analiza diferentes problemas (Tabla 2). Cada uno de los problemas se enfoca de
una forma diferente debido a que el tipo de localidad y el tamao de la poblacin vara, por lo que se
decidi abordar el estudio de cada problema por separado, analizando los resultados y definiendo as
un rbol de decisin para cada uno de ellos.
Sin embargo las variables resultantes para cada uno de los problemas de la Tabla 2 es superior a 60,
lo que genera un posible conjunto de soluciones de 360 , teniendo en cuenta que en promedio cada
variable puede tomar tres valores distintos. Como primera aproximacin al problema y con el fin de
determinar la viabilidad de la metodologa se determino trabajar hasta el nivel 3, y analizar el
problema 1 de la tabla 1, es decir para una zona rural con una poblacin entre 501 y 5000 habitantes.
En dicho problema el modelo SELTEC analiza 38 variables.
Mediante la simulacin de Montecarlo se obtuvo una tabla de 2000 patrones, complementada con las
2000 respuestas correspondientes que arroj el Seltec. Es evidente que la representatividad de estos
datos frente a las 338 posibilidades existentes es baja, pero dado que lo que se busca es la determinar
la viabilidad de la metodologa hacia la optimizacin de este modelo de apoyo a la toma de decisiones
mediante el empleo de los rboles de decisin, consideramos que estos datos pueden darnos luces
sobre la misma.
A partir de aqu se procede a introducir esta tabla de patrones en el software de rboles de decisin
ARBON 1.0, desarrollado por los investigadores, y cuyos resultados se discuten a continuacin.
RESULTADOS Y DISCUSIN
Para los 2000 patrones se obtuvieron 28 tipos de respuesta distintos. Cada respuesta es una solucin
propuesta por el Modelo SELTEC dependiendo de las variables solicitadas.
El conjunto de entrada que se debe analizar mediante la metodologa propuesta se compone de
2000 registros con 38 atributos y un nmero de etiquetas cambiante dependiendo del atributo. El
atributo con mayor nmero de tiquetas tiene 7 y el que menos 2.
La funcin objetivo (respuesta del Modelo SELTEC) tiene 28 etiquetas, tal como se coment
anteriormente.
El rbol resultante encuentra todas las posibles soluciones de la funcin objetivo haciendo uso de 26
variables, es decir, propone un nuevo modelo basado en el modelo SELTEC sin hacer uso de 12 de
las variables empleadas por este. Sin embargo la ruta mas larga propuesta por el rbol para
encontrar dicha solucin es solamente de 8 nodos. Es decir para esa situacin especfica el rbol
requiere nicamente 8 variables para poder dar una solucin. De igual forma la ruta mas corta es de
nicamente 3 nodos, lo que pretendera que a partir nicamente de 3 variables.
Estos resultados nos permiten pensar que la metodologa empleada es viable y que con algunos
pequeos ajustes permitir atacar el problema involucrando la totalidad de las variables y los cuatro
niveles tcnicos involucrados en la decisin, para posteriormente desarrollar un aplicativo
computacional que permita la aplicacin de este modelo simplificado y optimizado, con un muy buen
ajuste al Seltec, pero, he aqu el mayor aporte, reduciendo la cantidad de informacin necesaria de
manera importante, lo que redundar en una mayor facilidad de aplicacin del modelo y a la larga en
menores costos para los municipios que pudieran llegar a utilizarlo.
Aun es prematuro aventurar en que porcentaje se puede reducir el nmero de variables de entrada,
pero los resultados preliminares son alentadores dado que como se comentaba anteriormente, la ruta
mas larga encontrada tiene 8 nodos, esto quiere decir que de las 38 variables de entrada, para
encontrar esta solucin solo se emplean 8, y las otras 30 pueden tomar cualquier valor porque
siempre se va a llegar a la misma respuesta. Algo similar ocurre con la rama ms corta, en la que se
emplean 3 variables, mientras que el Seltec usaba alrededor de 12 para obtener el mismo resultado.
En la figura 4 se muestra un ejemplo de una ruta con 7 nodos.

El nodo inicial del rbol fue el atributo nmero 5 correspondiente a Aceptacin de Qumicos por parte
de la comunidad.
Aceptacin de
qumicos = SI

Origen del
Servicio de
Nerga = Sin
Energa

Crecimiento
Poblacin Anual
= 1-10 %

Tipo de Transporte al
centro urbano mas cercano.
(Disponibilidad de Medios
Filtrantes ) = Terrestre

Horas de
funcionamiento
planta = 24 horas

Estado de la Va.
(Disponibilidad de Medios
Filtrantes ) = Pavimentada

Organizaciones
Sociales= No Hay

Filtracin medios filtrantes

Remosin Hierro y manganeso
Solo Desinfeccin de Hipoclorito de Sodio y de hipoclorito de Calcio

Figura 4. Ejemplo Una rama del rbol con 7 nodos.

REFERENCIAS BIBLIOGRAFICAS
Cadavid C., Cortez S. (2002) Aplicacin critica del Modelo de Seleccin de tecnologas y Anlisis
de costos en sistemas de potabilizacin de agua; Trabajo de grado Ingeniera Civil, Pontificia
Universidad Javeriana.
Castillo, E. & E. Alvarez (1989). Sistemas Expertos. Aprendizaje e Incertidumbre.. Paraninfo S.A.
Madrid, Espaa.
Davis, R. & B.G. Buchanan (1977). Meta level knowledge. Overview and applications In
proceedings of the 5th International Joint Conference on Artificial Intelligence, 920-927. Cambridge
Ma.
Hopgood A. A. (2001). Intelligent Systems for Engineers and Scientists. CRC Press.
Mitchell T. (1997). Machine Learning. (pp 52-80). McGraw Hill.
Obregn N. & F. Fragal. (2002). Sistemas Inteligentes, Ingeniera e Hidroinformtica. Ciencias e
Ingeniera Neogranadina. Vol. 13.
Obregn N. & F. Fragal. (2003). Some Applications of Artificial Intelligent Systems in
Hydroinformatics. Eighteeen International Joint Conference on Artificial Intelligence. EDSS03
Workshop. Acapulco, agosto 9-15.
Obregn N., Fragal F. & O. Garca. (2003). Advances in Hydroinformatic Estimation of Aquifer
Vulnerability. IAHR Congress. Grecia, agosto 24-29. (Aprobado)
Quinlan, J. R. (1986). Induction of decision trees. Machine Learning, 1 (1), 81-106
CINARA (2001). Modelo conceptual para la seleccin de tecnologa en sistemas de potabilizacin
de agua; Ministerio de Desarrollo Econmico.