LA DECISION CON APOYO CUANTITATIVO

MÉTODO TOPSIS

El métodos TOPSIS, “Technique for order Preferente by Similarity to Ideal

Solution” (Técnica para ordenar preferencias por similitud a la solución ideal),
fue desarrollado por Hwang y Yoon en el año 1981 y se basa en el concepto de
que es deseable que una alternativa determinada se ubique a la menor
distancia respecto de una alternativa ideal que representa lo mejor (ideal
positiva o simplemente ideal) y a la mayor distancia respecto a una alternativa
ideal que representa lo peor (ideal negativa o anti-ideal).

1. El Concepto de Alternativa Ideal

El concepto de alternativa ideal tiene una larga tradición en diversos campos

científicos, especialmente en la literatura psicométrica, en donde se maneja
una noción absoluta de ideal. Zeleny (1973 y 1982) lo impone como pieza
central de su propuesta de “solución de compromiso”, en el sentido de la
alternativa más próxima a la ideal. Para dicho autor los conceptos de “ideal” y
de “solución de compromiso” incluso son una hipótesis sobre la racionalidad
subyacente en los procesos humanos de decisión.

Es en el método TOPSIS donde se contemplan las sutilezas que el concepto

de “ideal” tiene y se construye un método operativo.

Conviene, entonces, formalizar algunas definiciones básicas:

Dado un conjunto {Ai} de m alternativas de decisión, un conjunto {Cj} de n

criterios (básicamente en su componente atributo) y una matriz V cuyos
elementos vij son las evaluaciones de cada una de las alternativas respecto a
cada criterio de decisión normalizados 1 :

Se denomina punto ideal en Rn al punto o vector:

A+ = [A 1+ , A 2+ , ......, A m+ ] donde A i+ es el maxi vij para el caso de los criterios que

1
Los vij se obtienen de normalizar los elementos de la matriz R= [rij], i=1, 2,... m y j=1, 2, ..., n.
representan atributos deseables (como beneficios en sentido amplio) y A+ =
[A −
1 , A 2− , ......, A m− ] donde Ai− es el minj vij para el caso de los criterios que
representan atributos indeseables (como costos en sentido amplio).

La alternativa A + se llama ALTERNATIVA IDEAL.

Se denomina punto anti-ideal en Rn al punto o vector:

A − = [A 1− , A 2− , ......, A m− ] donde A i− es el minj vij para el caso de los criterios que

−
representan atributos deseables (como beneficios, por ejemplo) y A =
[A +
1 , A 2+ , ......, A m+ ] donde A i+ es el maxj vij para el caso de los criterios que
representan atributos indeseables (como costos).

Con estas definiciones, se puede sintetizar que el método TOPSIS busca

acercarse a la menor distancia posible al punto ideal y alejarse a la mayor
distancia posible del punto anti-ideal.

Esta suerte del dilema (trabajar con el ideal, con el anti-ideal o con la mezcla de
los dos) puede conducir a resultados diferentes, basta observar la Figura 1, en
la que se han representado cinco alternativas (A, B, C, D y E) para un problema
de dos criterios C1 y C2. También aparecen en la figura los puntos ideal y anti-
ideal, respecto a los que es inmediato observar que C es la más próxima al
ideal mientras que D es la más lejana del anti-ideal (en ambos casos utilizando
una métrica de distancia euclídea y pesos iguales).

Figura 1: Distancia al Ideal y al Anti ideal

C2

A Ideal

Anti-ideal E

C1

2
¿Cómo resuelve TOPSIS el problema?. De la siguiente manera: Calculando
para cada alternativa, las distancias ponderadas al ideal y al anti-ideal según
una métrica p escogida previamente.

O sea que:
∀A i = [v i1 , v i2 ,........, v in ] , i= 1, 2, ……….m, se calculan las distancias
ponderadas al ideal y al anti-ideal, de acuerdo con la métrica seleccionada. La
más utilizada es la métrica de Minkowski entre dos puntos de Rn, que en este
caso se define de la siguiente manera:

1/ p
⎡ ⎤
d ( A i ) = ⎢∑ w pj v ij − A +j
+ p
p ⎥ y
⎣ j ⎦

1/ p
⎡ ⎤
d ( A i ) = ⎢∑ w pj v ij − A −j
− p
p ⎥
⎣ j ⎦

Donde p, es el parámetro de distancia. Los valores más utilizados son p=1, p=2
y p=∞.

Para p=1, se obtiene la denominada distancia ciudad: d + ( A i ) = ∑ w j v ij − A +j 2

12
⎡ ⎤
Para p=2, se obtiene la distancia euclídea: d ( A i ) = ⎢∑ w j v ij − A +j
+ 2
⎥
⎣ j ⎦

(
Para p=∞, la distancia resulta: d + ( A i ) = Max w j v ij − A +j
j
)
A partir de las distancias ponderadas al ideal y al anti-ideal, se determina lo que
se denomina “ratio de similaridad” al “ideal”:

dp- ( A i )
RS( A i ) =
dp+ (A i ) + dp- (A i )

Ratio que varía entre RS( A − ) = 0 para el anti-ideal y RS( A + ) = 1 para el ideal.
Finalmente, RS( A i ) se utiliza para el ordenamiento final de las alternativas,

2
Se presentan las correspondientes a la solución ideal. Las distancias a la solución anti-ideal
se obtienen de modo análogo.

3
según las distancias que en él se reflejan hacia la solución ideal o ideal positiva
y la solución anti-ideal o ideal negativa.

Es importante aclarar el sentido de “ratio de similaridad”. En rigor, similaridad

es un abuso de la lengua, sería de similitud. Implica lo que se puede denominar
“proximidad relativa” respecto a la alternativa ideal, combinando la proximidad a
la solución “ideal” y la lejanía a la solución “anti-ideal”, seleccionándose luego
la alternativa que se ubica lo más cerca posible a la máxima similaridad
respecto a la ideal (de todos modos, tanto la ideal como la anti-ideal son
virtuales).

2. El Algoritmo del TOPSIS (o cómo funciona)

El esquema que se presenta a continuación, sintetiza los pasos que deben

realizarse para aplicar TOPSIS.

Paso 1: Establecimiento de la matriz de decisión.

4
El método TOPSIS evalúa la matriz de decisión que se refiere a m alternativas
del conjunto {Ai} en función de n criterios del conjunto {Cj}:

w1 w2 L wj L wn
c1 c2 L cj L cn
A1 r11 r12 r1j r1n
A2 r21 r22 r2 j r2n
M
Am rm1 rm2 rmj rmn

donde rij denota la valoración de la i-ésima alternativa en términos del j-ésimo

criterio. Además, el vector W = [w1, w2,……wn] es el vector de pesos asociado
con Cj.

Paso 2: Normalización del matriz de decisión.

En el método TOPSIS primero se convierten las dimensiones de los distintos

criterios en criterios no dimensionales. Un elemento vij de la matriz de decisión
normalizada puede calcularse de diferentes modos (Ver Anexo: Cuadro de
Procedimientos de Normalización), pero es habitual que en TOPSIS se utilice
el siguiente:

rij
v ij = , j=1, 2, ....., n; i= 1, 2, ....., m.
∑ (r )
m
2
ij
i=1

Paso 3: Construcción de la matriz de decisión normalizada ponderada.

Cada valor normalizado ponderado v ij de la matriz en cuestión ( V ) se calcula

como el producto entre cada wj por cada v ij , j= 1,2,…n; i= 1,2,……, m.
Donde, wj es el peso del j-ésimo criterio, tal que ∑w j puede ser igual a 1, si
hablamos del caso general que verifica la igualdad. Es bien conocido que los
pesos de los criterios en un problema de decisión no tienen el mismo
significado y no todos tienen la misma importancia. Estos pesos pueden
obtenerse de diferentes modos: mediante asignación directa, mediante el

5
método AHP, etc.

Paso 4: Determinación de la Solución Ideal Positiva (SIP) y la Solución

Anti-ideal o Ideal Negativa (SIN).

El conjunto de valores ideal positivo A + y el conjunto de valores ideal negativo

A − se determinan como sigue:

{ } ⎧
( ⎫
)
A + = A 1+ , L , A n+ = ⎨⎛⎜ max vij , j ∈ J ⎞⎟ min vij , j ∈ J′ ⎬; i = 1, 2,L , m
⎩ ⎝ i ⎠ i ⎭

{ } ⎧
( ) ⎫
A − = A 1− , L , A n− = ⎨ min vij , j ∈ J ⎛⎜ max vij , j ∈ J′ ⎞⎟⎬; i = 1, 2,L , m
⎩ i ⎝ i ⎠ ⎭

Donde J está asociado con los criterios que representan atributos deseables y
J' está asociado con los criterios que representan atributos indeseables.

Paso 5: Cálculo de las medidas de distancia.

La distancia de cada alternativa de la solución ideal positiva A + viene dada

como:
1/ 2
⎡ ⎤
i
+
(
d = ⎢∑ vij − A +j )
2
⎥ y
⎣ j ⎦

En tanto que la separación de cada alternativa de la solución ideal negativa

A − , es:
1/ 2
⎡ ⎤
i
−
(
d = ⎢∑ vij − A −j ) 2
⎥
⎣ j ⎦

En este caso se utiliza la distancia Euclídea m-multidimensional.

Paso 6: Cálculo de la proximidad relativa a la solución ideal.

Esto se obtiene, como se dijera, con el ratio de similaridad, que puede

expresarse como sigue:

di−
RSi = + ; i = 1, 2, L , m
di + di−

6
Si RSi =1, entonces Ai es igual A+ (Solución Ideal). Si RSi =0, entonces Ai es
igual A- (Solución Anti-ideal). Es decir, que cuando más próximo es el valor del
ratio a 1, indica una mayor prioridad de la alternativa i-ésima.

Paso 7: Ordenación de las preferencias.

Simplemente se ordenan las alternativas de acuerdo con el ratio, en orden

descendente.

3. Un Ejemplo Sencillo

Supóngase que se debe seleccionar uno de tres candidatos para ocupar un

cargo determinado.

Con tal fin, a cada uno de ellos se le han realizado dos cuestionarios para su
evaluación. Cada uno de los cuestionarios tiene el mismo peso w1= w2 = 0,5.
De acuerdo con esto, se supone un problema multicriterio con tres alternativas
y 2 criterios.

Sean los tres candidatos A1, A2 y A3, los que obtuvieron en cada evaluación las
valoraciones que se presentan en la Tabla 1, las que provienen de una escala
numérica 0,1, 2, 3, 4, 5, donde 5 > 4 > 3 > 2 > 1> 0.

Tabla 1: Matriz de Decisión

C1 C2
A1 1 5
A2 4 2
A3 3 3
Pesos 0,5 0,5

Aplicación del método TOPSIS:

Paso 2: Normalización del Matriz de Decisión

C1 C2
A1 1 5
A2 4 2
A3 3 3

7
 C1 C2

∑ (r )
m
2
ij = 5,09902 6,164414
i=1

Tabla 2: Matriz Normalizada

C1 C2
A1 0,19612 0,81111
A2 0,78446 0,32444
A3 0,58835 0,48666
Pesos 0,5 0,5

Paso 3: Construcción de la matriz normalizada ponderada

Tabla 2: Matriz Normalizada y Ponderada

C1 C2
A1 0,09806 0,40555
A2 0,39223 0,16222
A3 0,29417 0,24333

Paso 4: Determinación de la SIP y la SIN.

C1 C2
A1 0,09806 0,40555
A2 0,39223 0,16222
A3 0,29417 0,24333
+
A 0,39223 0,40555
A− 0,09806 0,16222

Paso 5: Cálculo de las medidas de distancia euclídea.

Tabla 3: Distancias a A +
C1 C2 di+
A1 0,086538 0,000000 0,294174
A2 0,000000 0,059211 0,243332
A3 0,009615 0,026316 0,189555

Tabla 4: Distancias a A −
C1 C2 di−
A1 0,000000 0,059211 0,243332

8
 C1 C2 di−
A2 0,086538 0,000000 0,294174
A3 0,038462 0,006579 0,212227

Paso 6 y 7: Cálculo de la proximidad relativa a la solución ideal y Ordenación.

RSi Ranking
A1 0,452706 3
A2 0,547294 1
A3 0,528215 2

4. Bibliografía

Alberto C y Carignano C. (2007): Apoyo Cuantitativo a las Decisiones.

Asociación Cooperadora de la FCE de la UNC.
García Cascales, M. (2009): Métodos para la comparación de alternativas
mediante un Sistema de Ayuda a la Decisión (S.A.D.) y Soft Computing. Tesis
Doctoral. Universidad Politécnica de Cartagena.
Zeleny, M. (1973): Compromise programming, in Multicriteria decision making.
J.-L. Cochrane and M. Zeleny, Eds. Columbia: University of South Carolina.
Zeleny, M. (1982). Multiple criteria decision making. McGrawHill.
Hwang C. y Yoon K. (1995): Multiple Attribute Decision Making an Introduction.
Sage. USA.