----------------------- Page 1-----------------------

METODOLOGÍA
PARA LA CONSTRUCCIÓN DE UN
NUEVO ESCALAFÓN TAURINO
1. Teoría de la Decisión Multicriterio
El conjunto de técnicas agrupadas bajo la denominación
Teoría de la Decisión Multicriterio, permite evaluar una serie de
alternativas que se caracterizan por determinados criterios. En e
l
caso del Nuevo Escalafón Taurino (NET), se pretende obtener un
índice significativo para cada matador (alternativas) a partir de los
doce indicadores (criterios) seleccionados:
1. Festejos en plazas de 1ª categoría
2. Festejos en plazas de 2ª categoría
3. Orejas en plazas de 1ª categoría
4. Orejas en plazas de 2ª categoría
5. Orejas en Madrid
6. Vueltas al ruedo en Madrid
7. Orejas en Sevilla
8. Vueltas al ruedo en Sevilla
9. Orejas en Bilbao
10. Orejas en Valencia
11. Orejas en Pamplona
12. Reses lidiadas
1
----------------------- Page 2-----------------------
Se inicia el proceso de estimación a partir de una mat
riz de
decisión compuesta por m filas (las alternativas) y n columnas (las
variables), cuyos elementos xij son la información disponible sobre
cada torero. Se define la solución ideal A+ como aquella alternativa
que incluye el valor preferible de cada variable:
 A+ + + +
= (x ,..., x ,..., x )
1 j n
donde x + = max { U (x ) }
j j ij
con i = 1,..., m ; j = 1,... n
Por tanto, x+ es el valor óptimo de cada variable que maximiza
j
su función de utilidad.
Las 12 variables con las que se ha construido el NET han de
verificar la propiedad de exclusividad, para preveni
r la doble
contabilización de conceptos afines. Por ello, se ha
de realizar
previamente un Análisis de Componentes Principales. Se trata de
una técnica estadística multivariante que permitirá que las variables
–ahora, mutuamente independientes- sean las p
untuaciones
factoriales alcanzadas por cada matador.
Por otra parte, la propiedad de exhaustividad
supone la
elección de aquellas variables que resulten relevantes en el proceso
de ordenación. Es decir, aquéllas que, estando a disposición del
investigador, describan de la manera más completa
posible el
concepto objetivo de escalafón: relación de individuos ordenada en
función de sus méritos.
2
----------------------- Page 3-----------------------
Una de las claves para la adecuada obtención construcción de
los índices sintéticos radica en la elección de las ponderaciones,
que discriminarán la importancia relativa de
cada una de las
variables. Las ponderaciones serán imputadas exógenamente, sin
intervención de las preferencias del investigador, a partir de l
os
porcentajes que de la varianza total explican
los componentes
principales retenidos:
w = (w ,..., w )
j 1 n
donde wj es el vector de las ponderaciones asignadas a cada
componente. Los pesos de los factores son normalizados para que
su suma sea igual a 1:
∑wj = 1
j
2. Método de las Ponderaciones Simples Aditivas
El método de las Ponderaciones Simples
Aditivas (SAW,
siglas de Simple Additive Weighting), agrega de manera aditiva la
contribución de las variables, al multiplicar
su valor por la
ponderación correspondiente y sumar, a continuación, los productos
obtenidos para cada alternativa. Por consiguient
e, asigna a los
diferentes lidiadores un índice equivalente a la media ponderada de
todas sus variables:
SAW = ∑w t
i j ij
j
3
----------------------- Page 4-----------------------
Este indicador sintético SAW nos permite ordenar a los
matadores del escalafón, obteniendo así una clasificación
jerarquizada en función de las variables que hemos considerado
relevantes (festejos y trofeos en plazas de primera y segunda
categoría, etc.).
3. Bibliografía
- Barba-Romero, S. y Pomerol, J.C. (1997): Decisiones Multicriterio.
Fundamentos Teóricos y Utilización Práctica. Alcalá de Henares:
Universidad de Alcalá.
- Hair, J.F.; Anderson, R.E.; Tatham, R.L.; Black, W.C. (1999)
:
Análisis multivariante. Madrid: Prentice Hall (5ª edición).
- Jolliffe, I.T. (1986): Principal component analysis. Nueva York:

Springer-Verlag.
- Yoon, K.P. y Hwang, C.L. (1995): Multiple attribute decision

making. An introduction. Thousand Ocks: Sage Publications.

4
----------------------- Page 5-----------------------
ANEXO: Análisis de Componentes Principales
El análisis de componentes principales es un procedimiento
estadístico que transforma de manera lineal un conjunto
de
variables en otro substancialmente más reducido, compuesto por
indicadores que, no correlacionadas entre sí, reúnen la mayor parte
de la información contenida en los datos originales.
Algebraicamente, el análisis de componentes principales se
define de la forma siguiente:
Y = A’ * X
donde Y es el vector columna de los componentes principales
(y , y ,...); X, el vector columna de las variables originales (x , x ,...,
1 2 1
2
xp); y A , la matriz traspuesta de A que, a su vez, es la matriz de
autovectores asociados a los autovalores de la matriz
de
correlaciones entre las variables.
El punto de partida del análisis lo constituye la matriz de datos
X, con tantas filas como observaciones y tantas columnas como
variables seleccionadas. Para homogeneizar las distintas unidades
de medida que adoptan los datos, se estandarizan las variables

originales, sustrayéndoles su media y dividiendo ese resultado por

su desviación típica. Se opera, pues, con una matriz estandarizada
de datos.
5
----------------------- Page 6-----------------------
Se calcula, posteriormente, la matriz R de correlaciones entre
las variables. Diagonalizar R es el paso siguiente, esencial e
n el
análisis de componentes principales al conseguir explicitar
la
variación recogida en la matriz de correlaciones en términos de
autovectores y autovalores de los componentes principales.
La diagonalización de R implica:
A * R * A = B
donde B es la matriz diagonal de R, formada por
los
autovalores, que informan de la cantidad de varianza explicada por
los factores; A es la matriz de autovectores relacionados con
las
raíces características; y A , su matriz traspuesta.
Ya que el objetivo esencial de este análisis es lograr
el
máximo grado explicativo de la variación de las variables, se irán

seleccionando sucesivamente aquellos componentes princip

ales
con mayor varianza o, en otras palabras, con autovalores más altos.
Existen varias pautas para elegir el número de componentes
retenidos. En este caso, se ha recurrido al criterio que recomienda
la elección de aquellos factores cuyos autovalores asociados sean
mayores que 1, es decir, con una varianza superior a las variables
estandarizadas.
 Para esclarecer el significado que encierran los componentes
principales, hay que valerse de los vectores característic
os
relacionados con cada factor A. Se determina, en primera instancia,
la matriz de pesos factoriales, cuyos elementos son
las
6
----------------------- Page 7-----------------------
correlaciones entre las variables y los componentes. Elemen
tos
que, por otra parte, resultan proporcionales a los autovectores,
al
ser el producto de éstos por la raíz cuadrada de los autovalore
s
correspondientes.
Sin embargo, para una más correcta interpretación de l
os
componentes principales, se efectúa una rotación ortogonal de la
matriz de pesos factoriales, que supondrá un cambio en los ejes de
coordenadas dentro del mismo subespacio ocupado por
los
componentes. La rotación empleada es la denominada varimax. Su
propósito reside en la maximización de las varianzas de los pesos
factoriales. En consecuencia, cada componente rotado contará con
pesos más extremos para las diversas variables, facilitando así la
descripción del componente: aquellas variables
más
correlacionadas, en valor absoluto, con un determinado f
actor,
identificarán el contenido de éste.
Las puntuaciones factoriales son los valores que alcanzan los
individuos, en los diversos componentes principales. Se hallan a

través de la combinación lineal que relaciona cada factor con la

s
variables originales mediante la matriz de autovectores.
Se ha llevado a cabo un análisis de componentes principales
sobre los 12 indicadores seleccionados, aplicando el métod
o
varimax de rotación de los factores. Se han retenido aquell
os
componentes cuyos autovalores asociados eran mayores que la
unidad y, por tanto, con una varianza superior a las vari
ables
originales estandarizadas.
7
----------------------- Page 8-----------------------
Los cuatro factores extraídos acumulan una proporción de
varianza igual al 78.089%. Su interpretación depende de los pesos
factoriales, es decir, de la correlación entre cada componente y las
variables:
- Factor 1: Festejos en plazas de 1ª y 2ª categoría, rese
s
lidiadas, orejas en Madrid y Valencia
- Factor 2: Orejas en Pamplona, Sevilla y Bilbao
- Factor 3: Vueltas al ruedo en Sevilla
- Factor 4: Vueltas al ruedo en Madrid
Se muestran, a continuación, los autovalores, la varianza
explicada por los componentes y la matriz de pesos factoriales.
Latent Roots (Eigenvalues)
1 2 3 4 5 6
5.769 1.455 1.134 1.013 0.836 0.576
7 8 9 10 11 12
0.532 0.266 0.184 0.146 0.046 0.044
Percent of Total Variance Explained
1 2 3 4
39.795 20.081 9.702 8.511
 8
----------------------- Page 9-----------------------
Rotated Loading Matrix (VARIMAX, Gamma = 1.0000)
1 2 3 4
FEST2 0.906 0.286 0.029 0.008
OREJA2 0.860 0.273 0.078 0.026
FEST1 0.854 0.284 -0.302 -0.055
RESES 0.851 0.247 -0.060 -0.070
OREJA1 0.838 0.325 -0.044 0.034
OREJAMAD 0.654 -0.039 -0.257 0.029
OREJAVAL 0.652 0.064 0.298 0.071
OREJAPAM 0.110 0.912 0.111 -0.105
OREJASEV 0.379 0.804 0.068 0.033
OREJABIL 0.227 0.722 -0.241 0.065
VUELTSEV 0.055 0.021 -0.911 0.011
VUELTMAD -0.012 0.013 0.008 -0.995
9