Gestión de Procesos de Decisión Grupal

Laura L. Boaglio
Facultad de Ciencias Exactas Físicas y Naturales. Universidad Nacional de Córdoba.
Av. Vélez Sarsfield 1611, Córdoba, Argentina, 5000
lauraboaglio@gmail.com

José Maria Conforte

Facultad de Ciencias Exactas Físicas y Naturales. Universidad Nacional de Córdoba.
Av. Vélez Sarsfield 1611, Córdoba, Argentina, 5000
jmconforte@yahoo.com

Claudia E. Carignano
Universidad Nacional de Córdoba. Facultad de Ciencias Económicas.
Av. Valparaíso s/n, Ciudad Universitaria, Córdoba, Argentina, 5000
claudiacarignano@gmail.com

José L. Zanazzi
Facultad de Ciencias Exactas Físicas y Naturales. Universidad Nacional de Córdoba.
Av. Vélez Sarsfield 1611, Córdoba, Argentina, 5000
jlzanazzi@gmail.com

Magdalena Dimitroff
Facultad de Ciencias Exactas Físicas y Naturales. Universidad Nacional de Córdoba.
Av. Vélez Sarsfield 1611, Córdoba, Argentina, 5000
mdimitroff@iua.edu.ar

Abstract
This article examines the group decision making processes. Due to the difficulties of this practice, it is
considered necessary to implement specific methodologies that add efficiency to the activity. The decision
problems are framed in the conceptual environment studied by the so-called Multicriteria Decision Aid (DMD).
For these problems, we have developed a method called DRV Processes (Decision with reduced variability). The
method requires individual judgments from group members. The judgments are represented by utility functions.
Process stability is verified with probability theory elements. This resource allows inference if stability was
reached or if it is necessary resume the analysis of the problem and issue new trials. The method uses
multivariate random variables to define a comprehensive model of the process. On this basis defines the terms of
aggregation and the way to generate the ranking of alternatives. The article analyzes the problems of team work
and presents several DMD contributions to resolve this problem. Includes a brief description of the method and
describes some actual applications, which highlights the way that the methodology incorporates the contributions
of all members, while favoring the exchange of views and experiences. In its conclusions, the article emphasizes
that the application of this method produces a positive reaction from the participants, improves the personal
relations and strengthens the leadership.

keywords: Group decision making process – Multicriteria Decision Aid - Multivariate statistics – Process
stability
Resumen
El presente artículo examina la problemática de los procesos de toma de decisiones realizados en equipo. Debido
a las dificultades de esta práctica, se considera necesario implementar metodologías específicas que agreguen
eficiencia a la actividad. Los problemas de decisión grupal considerados, se enmarcan en el entorno conceptual
de la denominada Decisión Multicriterio Discreta (DMD). Para esta problemática, se desarrolla un método
denominado Procesos DRV (Decisión con reducción de la variabilidad), el cual requiere el aporte de juicios
individuales de los miembros del grupo. Los juicios se representan mediante funciones de utilidad y se adoptan
elementos de probabilidad para verificar la estabilidad del proceso. Esto permite inferir si se ha logrado acuerdo
en el grupo o en caso contrario, si es preciso retomar el análisis y emitir nuevos juicios. La propuesta utiliza
variables aleatorias multivariadas para definir un modelo global del proceso. Define las modalidades de
agregación y establece el modo de generar el ordenamiento de las alternativas. El artículo analiza la problemática
del trabajo grupal y enumera diversos aportes realizados desde la DMD, a la resolución de este problema.
Incluye una breve descripción de los procesos DRV y describe algunas aplicaciones reales, donde se destaca el
modo en que la metodología logra captar los aportes de todos los miembros, a la vez que favorece el intercambio
de opiniones y experiencias. En sus conclusiones, el artículo destaca que la aplicación de este método produce
una reacción positiva en las personas participantes, mejora el clima grupal y refuerza los liderazgos.

Palabras clave: Proceso de decisión grupal – Decisión Multicriterio – Estadística multivariada – Estabilidad del
proceso

1. Introducción
En el presente artículo se considera la problemática del trabajo en equipo en el contexto de la toma de
decisiones. El área de las ciencias sociales que se dedica al estudio de las organizaciones acuerda en que una
realización apropiada del trabajo de un grupo de personas, en situación de tomar decisiones, presenta múltiples
ventajas. Sin embargo, no es fácil adoptar una decisión que reciba el aporte de todos los integrantes del grupo y
que pueda ser compartida y sostenida por los mismos.

Respecto a los problemas de toma de decisiones, que se contemplan para ser tratados por un grupo de personas,
se originan en situaciones donde es necesario seleccionar uno de entre un conjunto pequeño y discreto de
elementos de decisión, con pocos criterios de análisis y una cantidad de entre diez y veinte participantes. Es decir
se tratan problemas de decisión que se instalan en el entorno conceptual desarrollado por la denominada
“Decisión multicriterio discreta” (DMD), también llamada “Apoyo multicriterio a la decisión”. Una revisión
general de los conceptos fundamentales de esta rama del conocimiento se encuentra en Barba Romero y
Pomerol (1997) [2].

El paradigma dominante en la DMD considera la figura ideal de una sola persona a cargo de la decisión. En
formulaciones recientes, el trabajo en equipo comienza a ser observado con características distinguibles. Las
mismas presentan distintos enfoques sobre el tratamiento de las diferencias entre los juicios de los integrantes del
grupo.

Desde el punto de vista de considerar la incertidumbre, la ponencia de Zanazzi (2001) [28] encuentra que la
variabilidad en los juicios debe ser reducida mediante un proceso de análisis. Propone la distribución normal
como forma de representar esta variabilidad, en la situación en la cual el grupo de decisores ha logrado
uniformar y compatibilizar sus preferencias. De no encontrarse la normalidad, entiende que se debe continuar
con el análisis hasta lograrla, o hasta que resulte evidente la incompatibilidad entre las opiniones de los
miembros.

En Zanazzi et al. (2006) [29,30] se discute sobre la modalidad de agregación y la distribución de probabilidad
adecuada para modelar la variabilidad de las preferencias globales asignadas a cada una de las alternativas. Se
arriba nuevamente a que la distribución normal es apropiada para servir de modelo, deduciéndose expresiones
que permiten determinar los valores esperados y las varianzas de todas las distribuciones resultantes. En Zanazzi
y Gomes (2009) [31] se propone utilizar un nuevo método denominado "Procesos DRV: Decisión con
Reducción de Variabilidad”, para efectuar el análisis de los juicios individuales y la manera de establecer el
ordenamiento final de las alternativas, dado que las valoraciones globales también están representadas mediante
distribuciones normales.

En acuerdo con que, el modo recomendable para que la actividad grupal resulte productiva es apoyar el esfuerzo
con métodos adecuados, el presente artículo se enmarca en la propuesta señalada anteriormente. Respecto a la
organización del mismo, en la sección dos se hace referencia a otros enfoques y metodología para tratar la
problemática. En la sección tres, dado que los fundamentos conceptuales se encuentran en las citadas
publicaciones, se expone la secuencia completa de los pasos necesarios para la implementación de la
metodología basada en los Procesos DRV. Algunas aplicaciones en situaciones reales se describen en la sección
cuatro. Finalmente, en la sección cinco, se señalan a modo de conclusión algunas de las ventajas que el trabajo
con la metodología a permitido experimentar.

2
2. Estado del Arte
El problema de la decisión unipersonal con enfoque determinístico, espacio discreto de alternativas y objetivos
múltiples y contrapuestos, es abordado por los métodos tradicionales de la Decisión Multicriterio Discreta
(DMD). Una descripción de los mismos puede encontrarse en Carignano Autran, y otros (2004) [6].

En cuanto a la toma de decisiones con grupos de personas, si bien existen antecedentes de aplicaciones DMD
lejanas en el tiempo, el problema de la decisión grupal parece despertar un generalizado interés alrededor del año
2000.
La literatura especializada recoge, por ejemplo, diversas aplicaciones de conjuntos difusos a esta problemática,
donde las variables linguísticas permiten representar las diferencias de opiniones. Pueden recordarse por ejemplo
los aportes de Saaty (1978) [19]; Alley H., Bacinello C. y Hipel K. (1979) [1]; Tanino (1984) [24]; Herrera,
Herrera-Viedma y Chiclana F (2001) [14]; Shuo-Yan, Yao-Hui, Chun-Ying (2007) [23]; Ying-Ming, Parkan
(2006) [26]; Lean, Shouyang, Kin (2008) [18].

También la Teoría Matemática de la Evidencia, de Dempster-Shafer, ha sido utilizada para representar la

incertidumbre en la expresión de las preferencias. En este enfoque, se destacan los aportes de Beynon, Curry y
Morgan (2000) [4]y de Beynon (2002) [3].

Se trabaja asimismo en propuestas que combinan métodos. En Chung-Hsing Y, Yu-Hern Ch (2009) [7], se
utilizan conjuntos difusos para representar la imprecisión y TOPSIS para la agregación. Es frecuente también el
uso combinado entre el DEA y el AHP, tal como hacen Ying-Ming W., Kwai-Sang Ch. y Jendy Pui-Fun L.
(2008) [27].

El TOPSIS es utilizado en diversas contribuciones, por su atractiva modalidad de agregación. El trabajo de Shih
H, Shyur H, Lee E (2007) [21], analiza posibles extensiones del método a la problemática grupal. En tanto que
Shih H (2008) [22], propone un método de once pasos que estudia por separado beneficios y costos.

El método VIP propone un soporte a la toma de decisiones con equipos de trabajo, con base informática. La
propuesta se adapta especialmente para situaciones con información incierta sobre los criterios de decisión, de
hecho, los integrantes no proponen valores precisos, sino relaciones que el método transforma en restricciones
para una posterior resolución con PL. El método puede revisarse en Dias, Climaco (2000a, 2000b) [8,9], o en
Dias, Climaco (2005) [10].

También el Analytic Hierarchy Process de Saaty es utilizado con adaptaciones para permitir la práctica grupal
del tipo GDM. En ese sentido, los textos de Saaty (1978, 1996) [19,20], realizan los primeros aportes. En tanto,
los trabajos de Forman E, Peniwati K (1998) [13] y Escobar M, Moreno-Jimenez J (2007) [12], proponen una
aproximación conceptual ajustada a la problemática de funcionamiento de los equipos.

Otro enfoque destacable, es el adoptado en los métodos SMAA (Stochastic Multicriteria Acceptability Analysis).
Esta propuesta, al igual que la de Escobar M, Moreno-Jimenez J (2007) [12], o la del presente artículo, utiliza
distribuciones de probabilidad multivariadas para representar la variabilidad en las preferencias. La estrategia
queda reflejada en Lahdelma, Hokkanen y Salminen (1998) [16], Lahdelma y Salminen (2001) [17], o en
Tervonen (2007) [25].

A los efectos del presente artículo, son importantes los antecedentes del método utilizado. Los fundamentos
conceptuales de los Procesos DRV se han presentado en Zanazzi J (2001) [28] y en Zanazzi y otros (2006)
[29,30]. El recorrido completo sobre la propuesta se encuentra en Zanazzi J y Gomes (2009) [31].

3. Procesos de decisión en equipo

El análisis grupal de problemas de decisión tiene efectos positivos, para las capacidades del grupo. Al respecto,
conviene reflexionar sobre el supuesto de que las personas desarrollan sus actividades como un proceso
continuo de sucesivas tomas de decisiones, conforme a la Teoría de la Elección Racional, Elster (1990) [11],
Becker (1986) [5].

Bajo esa lógica, cualquiera sea la organización, la realización ordenada y controlada de prácticas conjuntas de
decisión, que se desarrollan con frecuencia elevada, contribuye a favorecer la cohesión y la capacitación del
grupo. Estas dinámicas facilitan el compromiso con las decisiones compartidas y contribuyen al éxito en las
acciones.

3
Por este motivo, la metodología DRV se orienta a facilitar el proceso de análisis conjunto de problemas de
decisión, de modo que el grupo pueda distinguir en qué difieren sus opiniones y acercar posiciones. Estimula
además, la realización de aportes independientes de los miembros del grupo con la preocupación de que los
integrantes se identifiquen con la decisión adoptada.

En definitiva, plantea abrir un espacio regulado en el proceso de análisis donde los integrantes intercambien
conocimientos y experiencias situados en la “región positiva” de la interacción, para hacer posible el crecimiento
del conocimiento global y consecuentemente la conformación de un equipo de trabajo eficiente.

A continuación se presenta una secuencia d e pasos necesarios para la implementación de la metodología que
utiliza los Procesos DRV.

Paso 1: Adopción de criterios. Se proponen criterios que pueden entenderse como objetivos a cumplir y deben
valorar aspectos diferentes. Es preciso que sean independientes entre sí, es decir que las valoraciones emergentes
no pueden estar correlacionadas.

Paso 2: Definición de alternativas. El grupo de trabajo identifica las alternativas de decisión . Es importante que
se elaboren definiciones claras de cada una de ellas.

Paso 3: Asignación de utilidades. Se recorren una por una las ramas del problema de decisión. En la Figura 1 se
representan las ramas.

Objetivo General
Rama criterios

Criterio 1 Criterio 2 Criterio I

…
……
Alt 1 Alt 1 Alt 1

Alt 2 Alt 2 Alt 2

… .. Ramas
… .. … ..
Alt J alternativas Alt J
Alt J

Figura 1

Es preciso que el grupo analice cada rama con diversos ejercicios hasta que el trabajo de análisis se considere
suficiente. La tarea de análisis conjunto genera una reducción marcada en la variabilidad inherente de los juicios.
En efecto, al iniciar el estudio de opiniones las posturas pueden ser completamente dispersas, sin embargo, al
progresar en la tarea, esa dispersión tiende a reducirse de manera sostenida, hasta arribar a una condición de
estabilidad. Se entiende por condición de estabilidad al estado en el cual las opiniones individuales no presentan
variabilidad significativa, aunque se continúe con el estudio del problema.

Cuando se considera apropiado, las opiniones o preferencias se expresan de manera independiente con el auxilio
de una función de utilidad cardinal, conforme a las especificaciones de Keeney & Raiffa (1993) [15]. Estas
utilidades se normalizan a la escala (0,1) mediante la aplicación de la regla de la suma. La asignación de
utilidades debe ser una tarea individual. Es importante que cada uno de los miembros la realice por separado, con
independencia de los juicios emitidos por sus compañeros.

4
Si se consideran, un equipo de trabajo con N individuos, donde n = 1, 2 , , N y un número K de
elementos de decisión a mensurar, donde k = 1, 2 , , K y se denomina u kn al valor de la función de utilidad
asignada por el integrante n al elemento k, las utilidades estandarizadas se expresan como:
ukn
wkn = K
(1)
∑u k =1
kn

Paso 4: Análisis estadístico de los resultados. Se realiza un estudio de la variabilidad de las utilidades asignadas,
mediante diversas herramientas estadísticas. Esto conduce a decidir si es posible suponer que las opiniones
alcanzaron un punto de equilibrio.
Los resultados de cada rama pueden representarse en términos de la suma de cuadrados de los wkn del modo
siguiente:

∑ ( wk − w) + ∑∑ ( wkn − wk )
K K N
2
SCtotal=
2
(2)
=
k 1 =
k 1=
n 1

Donde w es la media general y wk es el promedio para cada una de las ramas. En el segundo miembro de (2),
el primer término puede denominarse: suma de cuadrados entre elementos (SCE) y el segundo: suma de
cuadrados dentro de los elementos (SCD).

La sumatoria SCD es la que representa las diferencias entre las opiniones y la que debe disminuir a medida que
progresa el análisis. A los efectos de contrastar esta sumatoria con algún valor de referencia puede suponerse que
al iniciar el análisis de la rama, la peor condición posible es que las medias verdaderas de los elementos sean
iguales y que las distribuciones sean uniformes.

Conviene recordar que la distribución Uniforme de probabilidades, cuando se encuentra definida en un intervalo
(a,b), tiene media µ = (a + b) / 2 y varianza σ = (b − a ) / 12 . Si se aceptan los siguientes supuestos:
2 2 2

medias iguales a la inversa de la cantidad de elementos, distribuciones uniformes definidas entre cero y dos
veces la media, varianza muestral equivalente a la varianza de la uniforme; se puede calcular una suma de
cuadrados de referencia (SCU), del siguiente modo:
SCU = 4( N − 1)(1 / K ) 2 / 12 (3)

Así entonces, es posible suponer que a medida que progresa el análisis de la rama, la suma de cuadrados SCD
desciende desde un valor cercano a SCU, hasta un mínimo propio de la estabilidad.

Para facilitar el seguimiento del proceso es posible definir un indicador adecuado. En efecto, sea el Índice de
Variabilidad Remanente (IVR), que se obtiene como sigue:

IVR = ( SCD / SCU ) *100% (4)

En la práctica, puede suponerse que valores de IVR por debajo de veinticinco por ciento, son propios de la
estabilidad. Por otra parte, cuando se alcanza la condición estable, las distribuciones de probabilidad de los
elementos comparados pueden suponerse como normales.

Paso 5: Verificación de la condición estable. Es preciso decidir si se profundiza el estudio de la rama o se pasa
a otra. Para ello, se observa el indicador IVR y se compara el comportamiento de los datos con el esperable para
observaciones realizadas en poblaciones normales. Si el IVR es elevado o se verifica falta de normalidad, debe
retomarse el análisis de la rama en el paso tercero. Caso contrario, se continúa con el paso siguiente.

Paso 6: Agregación. Cuando se alcanza la estabilidad en todas las ramas, las utilidades son representadas con
variables aleatorias multidimensionales. Es posible entonces agregar los juicios individuales mediante una
ponderación lineal. Cada miembro del grupo asignó un peso w jn al criterio j y una ponderación uijn , a la
alternativa i cuando es medida según el criterio j. Por otra parte, la utilidad que cada individuo asigna a cada

5
alternativa, con cada criterio, puede obtenerse como el producto de las dos cantidades anteriores. Entonces la
utilidad global asignada por el individuo n a la alternativa i, se determina del siguiente modo:

J
v in = ∑ w jn * uijn (5)
j=1

Paso 7: Ordenamiento. Sea A(i ) una alternativa de decisión cualquiera, el promedio de las valoraciones
asignadas a cada A(i ) puede considerarse como medida de la utilidad que el grupo reconoce a la misma en su
(1)
conjunto. Esto es, puede suponerse que cuando el promedio de las utilidades globales de A es mayor que el de
A( 2 ) , entonces A(1) es preferible a A( 2 ) .
Con esta lógica, el ordenamiento de los resultados muestrales, de los mayores a los menores promedios, permite
proponer el siguiente ordenamiento para las alternativas:

A(1)  A( 2 )  ....  A( I ) (6)

Donde A(1) es la más preferible y A( I ) es la de menor preferencia.

Ahora bien, estos promedios son sólo resultados muestrales, entendidos como aproximaciones de las verdaderas
preferencias. Cabe entonces investigar si las diferencias encontradas son estadísticamente significativas. Para
ello conviene aplicar en forma repetida la prueba estadística de comparación de medias para variables
dependientes.

Sea Dsr una variable aleatoria que representa la diferencia entre las valoraciones globales asignadas por cada
individuo a las alternativas s y respectivamente, donde el promedio de A(s ) es mayor al de A(r ) . Entonces los
elementos de la muestra de Dsr están dados por:
ds=
rn v s n − vr n con 1≤ n ≤ N (7)

Luego, la hipótesis nula H0: E( Dsr ) = 0 —no hay diferencia significativa entre los verdaderos pesos globales
promedio de las alternativas s y r respectivamente— contra la alternativa H1: E( Dsr ) > 0 —hay una diferencia
significativa— puede analizarse mediante la aplicación del siguiente estadístico:

dsr
T= (8)
Ssr N
Para cuyo cálculo deben obtenerse previamente:

∑ ( dsrn − dsr )
N N
∑ dsrn
2

dsr = n =1
y Ssr = n =1
(9)
N N −1

Cuando H0 es cierta, la cantidad T tiene distribución t de Student con (N-1) grados de libertad. Ahora bien, para
facilitar la decisión sobre la hipótesis, puede calcularse la probabilidad

P [ T ≥ t0 / E (Dsr ) =
0] =
p (10)

En general, si p es muy pequeño, se rechaza H0, pues es poco probable conseguir un valor mayor o igual que el
obtenido suponiendo que la hipótesis nula es verdadera. El valor de p puede ser hallado mediante la aplicación
de diversos algoritmos.

En esta aplicación de pruebas repetidas, es conveniente reducir la probabilidad de cometer Errores de Tipo I
(ETI). Con esa finalidad se aplica la tasa de falso descubrimiento (FDR), propuesta por Benjamini & Hochberg

6
(1995), con la modalidad sugerida en Benjamini & Yekutieli (2001). De este modo, el valor límite de p puede
encontrarse haciendo:
α
p(I) ≤ L
I (11)
L ∑m
1
m =1

Donde α representa el nivel de significación elegido por el investigador para las pruebas individuales, L es la
cantidad de hipótesis puestas a prueba y p(I) es el valor p obtenido en la prueba de H1. El procedimiento consiste
en ordenar los valores p en orden ascendente, compararlos con el segundo miembro de la desigualdad (11) y
encontrar el máximo número M de prueba para el cual se verifica la desigualdad. De este modo se rechazan H1,
H2,…, HM con una considerable ganancia en la potencia de las pruebas y la consiguiente disminución de
probabilidad de cometer ETI.

En un problema de decisión en equipo de trabajo, el desarrollo del proceso mediante la mencionada secuencia de
pasos, permite arribar a un ordenamiento final de las alternativas de decisión que establece las prioridades
acordadas. Este resultado refleja las opiniones conjuntas del grupo, producto del arribo a la condición de
estabilidad en las valoraciones emitidas.

4. Aplicaciones reales
El método ha sido aplicado para apoyar actividades de toma de decisiones con distintos grupos de trabajo. A
continuación se realiza una breve descripción de algunas de estas aplicaciones.

Por ejemplo, se desarrolló una experiencia con el título de “Curso para la toma de decisiones en equipo”. En
dicho evento, participaron dieciséis personas que, inscriptas de manera voluntaria, presentaban características
diversas. Las distribuciones referidas a edad y formación se reflejan en las tablas siguientes.

Edad Frecuencia
Entre 21 y 30 años 5
Entre 30 y 40 7
Mayor a 40 4
Tabla 1 – Distribución del grupo por edades

Estudios Frecuencia
Universitario incompleto 7
Universitario completo 6
Posgrados 3
Tabla 2 – Distribución del grupo por nivel de estudios

La actividad se desarrolló a lo largo de nueve horas de un día sábado. Dado que no existía previamente un
equipo y a que en general, ni siguiera existía conocimiento previo entre sus integrantes, se dedicaron las primeras
cuatro horas a realizar ejercicios típicos de coaching ontológico, a fin de facilitar la generación de motivación y
vínculos.

La segunda parte se dedicó al estudio de un problema de decisión, en el cual una empresa debe establecer
prioridades para su programa de capacitación interna, mediante el ordenamiento de seis alternativas. El grupo
inició el análisis con la adopción en plenario de cuatro criterios de decisión y puso especial énfasis en la
definición de los mismos.

Cada uno de los integrantes expresó sus percepciones. La muestra de utilidades normalizadas fue analizada con
un software estadístico y los resultados se publicaron con auxilio de un proyector especial. Entre dichos
resultados se encontró el diagrama de la Figura 2.

7
 Figura 2 – Diagramas de caja para los criterios

En el diagrama, los números enteros señalados en el eje de abscisas representan a los diferentes criterios.

Cabe destacar que estos resultados son compatibles con el comportamiento esperable en grupos de personas con
preferencias homogéneas, dado que se verifica una tendencia a concentrar las preferencias. En el criterio 2, por
ejemplo, no se encuentra una distribución uniforme. Por el contrario, los participantes coinciden en calificar a
ese criterio como el más importante y en ponderarlo con valores que se concentran en torno a 0,40.

Más aún, también existe coincidencia en identificar el criterio 4 como el segundo en importancia. De hecho, los
diagramas correspondientes a los criterios dos y cuatro, son compatibles con la normalidad y la falta de
comportamiento gaussiano se manifiesta sólo en los criterios que parecen ser menos relevantes.

Pero lo importante del diagrama es que orienta el resto del análisis. Para buscar consenso no es preciso replantear
todo el problema, dado que las diferencias de opiniones deben estar centradas en los criterios que evidencian
mayores alejamientos respecto de la distribución normal.

En efecto, los valores extraños que aparecen en el primer criterio indican que sólo dos de las dieciséis personas
han tenido un punto de vista diferente al respecto. A partir de esos resultados se realizó una breve reflexión en
plenario, donde los participantes con opiniones alejadas consideraron que la diferencia se originó en una errónea
comprensión del problema analizado.

Esta conclusión permitió arribar a un rápido acuerdo de opiniones. Con ello, un proceso de análisis que en
condiciones habituales pudo ser largo y problemático, particularmente por las diferencias de percepción
encontradas, pudo resolverse en unos pocos minutos.

Otra de las aplicaciones se realizó durante el desarrollo de un sistema de gestión del mantenimiento preventivo
para los elementos electromecánicos de trece diques de la Provincia de Córdoba. Con esa finalidad, se utilizó una
versión simplificada del método conocido como “Análisis de modos y efectos de falla” (FMEA).

La modificación introducida al FMEA consiste en la definición de cuatro categorías para calificar gravedad,
probabilidad y capacidad de detección, en vez de las diez que habitualmente se utilizan. A fin de establecer el
puntaje correspondiente a cada categoría en una escala cardinal, se organizó una reunión con los cinco ingenieros
que integran el equipo de trabajo.

Para el criterio gravedad, por ejemplo, los participantes efectuaron un ejercicio para definir las categorías como
leve, moderada, severa y crítica; y acordar el estricto significado de cada una. Una vez aceptada esta definición,
cada uno de los individuos expresó su percepción sobre la intensidad de la gravedad. En un primer intento, el
indicador IVR alcanzó un valor de 38%, lo cual evidencia diferencias sustanciales en las apreciaciones.

Un nuevo estudio en plenario permitió identificar el origen de las diferencias: tres de los miembros tuvieron una
apreciación similar sobre cuánto más grave es una categoría que otra, pero los otros dos se apartaron en
diferentes direcciones. La exposición de los puntos de vista utilizados permitió acercar las posiciones y una
nueva valoración arrojó un IVR de sólo 11%.

Cabe precisar que el trabajo fue, en sus aspectos generales, bien recibido por los integrantes del grupo y sus
participantes aceptaron y cumplieron con facilidad las diferentes consignas del mismo.

8
5. Conclusiones
El artículo propone una metodología que facilita el desarrollo de procesos de toma de decisiones en equipo. Para
ello, utiliza conceptos de métodos DMD, herramientas de Estadística y el sostén de una computadora personal.

La aplicación de esta metodología tiene las siguientes ventajas: organiza la tarea del equipo dado que provee una
modalidad estructurada de trabajo; estimula el proceso de análisis del problema, las funciones de utilidad
contribuyen a expresar de modo objetivo las preferencias; favorece la realización de aportes individuales de todo
el grupo; permite establecer cuándo se ha obtenido un adecuado nivel de profundización en dicho análisis.

Además, proporciona una forma sencilla y evidente de valorar las opiniones de manera global y agrega
transparencia en el estudio de las opiniones mediante el empleo de herramientas estadísticas.

Cabe destacar que el método no tiene grandes requerimientos informáticos. Muy por el contrario, una
computadora personal y una planilla de cálculo estándar pueden ser suficientes para su implementación.

También es importante enfatizar que permite al equipo construir la decisión, se logra de este modo que la misma
sea compartida y ofrezca por tanto mayores posibilidades de concreción.

6. Referencias

[1] Alley H, Bacinello C, Hipel K. “Fuzzy set approaches to planning in the grand river basin”. Advances in
Water Resources.-Vol 1-, pgs. 3,12. (1979)
[2] Barba-Romero S. y Pomerol J. “Decisiones Multicriterio. Fundamentos teóricos y utilización práctica”.
Servicio de Publicaciones Universidad de Alcalá. España. (1997)
[3] Beynon M. DS/AHP Method: “A mathematical analysis, including an understanding of uncertainty”.
European Journal of Operational Research, -Vol. 140-, No. 1, pgs. 148,164. (2002).
[4] Beynon M, Curry B, Morgan P.: “The dempster-shafer theory of evidence: an alternative approach to
multicriteria decision modelling”. Omega, -Vol. 28-, pgs. 37,50. (2000)
[5] Becker G. “The ec[4]onomic approach to human behavior”. In: Elster J. “Rational Choice”, New York, New
York University Press, cap 4. (1986)
[6] Carignano C; Autran Monteiro Gomes L. y González Araya M. “Toma de decisión en escenarios complejos.
Introducción a los métodos discretos del apoyo multicriterio a la decisión”. Editorial: Pioneira Thomson
Learning Ltda. ISBN: 85-2214-0354-2. Brasil. (2004)
[7] Chung-Hsing y, Yu-Hern C. “Introduction of a second channel: implications for pricing and profits”.
European Journal of Operational Research. Electronic Edition -Vol. 194-, No 3, pgs 258,279. (2009)
[8] Dias L, Clímaco J. “Additive aggregation with variable interdependent parameters: the vip analysis
software”. Journal of the Operational Research Society. –Vol. 51-, pgs.1070,1082. (2000A)
[9] Dias L, Clímaco J. “ELECTRE TRI for groups with imprecise information on parameter values”. Group
Decision and Negotiation. –Vol 9-, pgs. 355,377. (2000B)
[10] Dias L, Clímaco J. “Dealing with imprecise information in group multicriteria decisions: a methodology and
a gdss architecture”. European Journal of Operational Research, -Vol. 160, pgs. 291,307. (2005).
[11] Elster J. “Elección racional, preferencias y creencias”. Tuercas y tornillos. Barcelona, Gedisa. (1990)
[12] Escobar M, Moreno-Jiménez J. “Agreggation of individual preference structures”. Group Decision and
Negotiation, -Vol. 16 (4)-, pgs. 287,301. (2007)
[13] Forman E, Peniwati K.. “Aggregating individual judgements and priorities with the AHP”. European
Journal of Operational Research. -Vol 9-, pgs. 108,165. (1998)
[14] Herrera F, Herrera-Viedma E. y Chiclana F. “Multiperson decision-making based on multiplicative
preference relations”. European Journal of Operational Research, -Vol. 129-, (2), pgs.. 372,385. (2001).
[15] Keeney R, Raiffa H. “Decisions with multiple objectives: preferences and value tradeoffs”. Wiley, New
York. (1993)
[16] Lahdelma R, Hokkanen J, Salminen P. “Stochastic multiobjective acceptability analysis”. European
Journal of Operational Research, -Vol. 106-, pgs. 137,143. (1998)
[17] Lahdelma R, Salminen P. “SMAA-2: Stochastic multicriteria acceptability analysis for group decision
making”. Operations Research, -Vol. 49 (3)-, pgs. 444,454. (2001)
[18] Lean Y, Shouyang W, Kin K “An intelligent-agent-based fuzzy group decision making model for financial
multicriteria decision support: the case of crédito scoring”. European Journal of Operational Research, -
Vol. 187-, pgs. 1476,1486. (2008).
[19] Saaty T: “Exploring the interface between hierarchies. Multiple objectives and fuzzy sets”. Fuzzy Sets and
Systems, -Vol. 1 (1)-, pgs. 57,68. (1978)

9
[20] Saaty T. “Decision making for leaders: the analytic hierarchy process in a complex world. RWS”
Publications, Pittburg, USA. (1996)
[21] Shih H, Shyur H, Lee E.. “An extension of topsis for group decision making”. Mathematical and Computer
Modelling -Vol. 45 (7-8)-, pgs. 801,813. (2007)
[22] Shih H. “Incremental analysis for MCDM with an application to group TOPSIS”. European Journal of
Operational Research. –Vol. 186 (2), pgs. 720,734. (2008)
[23] Shuo-Yan CH, Yao-Hui CH, Chun-Ying SH.:“A fuzzy simple additive weighting system under group
decision-making for facility location selection with objective/subjective attributes”. European Jounal of
Operational Research, -Vol. 189- pgs. 132,145. (2007)
[24] Tanino T. Fuzzy Preference “Orderings in group decision-making”. Fuzzy Sets and Systems, -Vol. 12-
pgs. 117,131. (1984)
[25] Tervonen T. “New directions in stochastic multicriteria acceptability analysis”. Tesis doctoral, University of
Turku, Finlandia. (2007)
[26] Ying-Ming W, Parkan C. “Optimal aggregation of fuzzy preference relations with an application to
broadband internet service selection”. European Jounal of Operational Research, Artículo en prensa,
disponible en INTERNET. (2006)
[27] Ying-Ming W., Kwai-Sang CH. Y Jendy Pui-Fun L.. “A note on the application of the data envelopment
analytic hierarchy process for supplier selection”. International Journal of Production Research. Edición
Electrónica:pgs. 1,18.Disponible en Internet. (2008)
[28] Zanazzi J.. “Sobre la variabilidad de los juicios cuando la decisión multicriterio discreta se aplica con
múltiples decisores”. XXXIII SBPO – A Pesquisa Operacionale e o Meio Ambiente. Campos do Jordao.
Brasil. (2001)
[29] Zanazzi J.; Carignano C.; Boaglio L.; Dimitroff M.; Conforte J.: Procesos de decisión multicriterio con
grupos de trabajo” XIX ENDIO (ENCUENTRO NACIONAL DE DOCENTES EN INVESTIGACIÓN
OPERATIVA) - XVII EPIO (Escuela de Perfeccionamiento en Investigación Operativa). Rosario
(Argentina). (2006A)
[30] Zanazzi J.; Carignano C.; Boaglio L.; Dimitroff M.; Conforte J.: “Metodología para apoyar la toma de
decisiones en equipo” Revista de la Escuela de Perfeccionamiento en Investigación Operativa, -Vol 27-
pgs. 61,74. Argentina. (2006B)
[31] Zanazzi J.L., Autran Monteiro Gomes L “La búsqueda de acuerdos en equipos de trabajo: el método
decisión con reducción de la variabilidad (DRV)”. Revista: Pesquisa Operacional. Publication of
Sociedade Brasileira de Pesquisa Operacional. Print ISSN 0101-7438 -Vol 29– pgs 195,221. Brasil.
(2009)

10