Clase 2 – SIG para toma de decisiones: álgebra de mapas e análisis multicriterio Marcos W. D. De...
-
Upload
miguel-angel-moya-castillo -
Category
Documents
-
view
215 -
download
0
Transcript of Clase 2 – SIG para toma de decisiones: álgebra de mapas e análisis multicriterio Marcos W. D. De...
Clase 2 – SIG para toma de decisiones: álgebra de mapas e análisis multicriterio
Marcos W. D. De Freitas{[email protected]}
- ‐ Curso de Análisis Espacial de Datos Geográficos
Aplicación de los SIG
Para que sirven los SIG?
Como elegir la mejor manera de representar el espacio y cual flujo de informaciones (algoritmos)
vamos utilizar?
SIG como suporte en la toma de decisiones
Decidir es elegir entre alternativas.
Podemos encarar el proceso de manipulación de dados en uno sistema de información geográfica como una forma de producir diferentes hipótesis sobre o tema de estudio.
El concepto fundamental dos varios modelos de toma de decisión es lo de racionalidad.
Donde individuos e organizaciones siguen un comportamiento de elección entre alternativas, basado en criterios objetivos de juzgamiento, afín de satisfacer un nivel preestablecido de aspiraciones.
SIG como suporte en la toma de decisiones
Un modelo racional de toma de decisión preconiza cuatro pasos:
Definición del problema: formular el problema como una necesidad de llegar a un nuevo estado.
Busca de alternativas: establecer as diferentes alternativas (aquí consideradas como as diferentes posibles soluciones del problema) e determinar un criterio de evaluación.
Evaluación de alternativas: cada alternativa de respuesta es evaluada.
Selección de alternativas: las posibles soluciones son ordenadas, seleccionando la más deseable o agrupando las mejores para una evaluación posterior.
El problema
Poner la información antigua en nuevo contexto
Producir novas informaciones al combinar datos de diferentes fuentes
Herramientas de geoprocessamiento
Inferencia Geográfica: Combinando datos espaciales
Expresar el problema en términos espaciales Proponer local para un nuevo vertedero (basurero) Delimitar una área de protección ambiental Establecer cuales regiones son favorables a una cierta cultura Localizar un nuevo mercado en una determinada ciudad Estimar la distribución do dengue en São Paulo
Colectar información relevante Organizar un banco de datos geográfico
Procedimiento de inferencia geográfica Datos A,B,C (dados de entrada)…estime D (regiones que
satisfacen a un criterio)
Ejemplo
Un órgano gubernamental está a seleccionar locales para instalación de un depósito de basura nocivo a salud (de hospitales y químico). Especialistas elaboran una serie de criterios para excluir áreas que no tienen condiciones de abrigar o depósito de basura. Las reglas de exclusión son:
Declividad mayor que 15% en más de 70% da área;
50% área tienen suelos con más de 35% de arcilla;
Áreas a menos de 300m del lecho fluvial (cauce);
Distancia mayor que 25km das estradas de gran
tránsito;
Mantener distancia mayor que 50 km de áreas de
preservación ambiental o parques.
Tipos de Inferencia Geográfica
Resultado depende solamente de un dato de entrada1. Declividad (depende apenas de la altimetría)
Transforma altimetría en declividad (Procedimiento determinístico)
2. Tasa de arcilla (depende solamente de los perfiles de suelo) Transformación de los perfiles en tasa de
arcilla Procedimiento geoestadístico
Resultado depende de varios dados de entrada Ex. depósito de basura (basurero)
Reglas de combinación de los datos de entrada Reglas son lógicas (E,O,NO) o
matemáticas (SOMA, MEDIA) Álgebra de Mapas (operadores) Procedimiento determinístico
multivariado
Tipos de Inferencia Geográfica
Ejemplo
Obtención de un mapa de áreas vulnerables a erosión, a partir del os siguientes datos de entrada: Mapa de uso actual de suelo (obtenido por interpretación de
imágenes satelitales). Mapa de Declividad.
Procedimiento 1: Realizamos una intersección o superposición (overlay) entre los datos, a partir de un procedimiento de análisis booleana (lógica), donde, a cada combinación de clases de entrada, indicamos la clase de salida.
Procedimiento 2: Cada mapa (capa) es transformado en un modelo numérico de terreno, y los mapas resultantes son combinados a partir de una media ponderada. El resultado final será rebanado para producir un mapa temático final.
Procedimientos Procedimiento 1: Booleaño
Reglas SI el uso es “Residencial” Y la declividad es mayor que 15%,
LUEGO trata-se una área de riesgo. SI el uso es “Sin vegetación” Y la declividad es mayor que 5%,
LUEGO se trata de una área de “Medio Riesgo”. SI el uso es “Vegetación” O el uso es “Residencial”, LUEGO se
trata de una área de “Bajo_Riesgo”
Procedimiento 2: Media ponderada
Regla Riesgo[0..1] = 0.25 * USO[0..1] + 0.75*DECLIVIDAD[0..1] Riesgo (Temático) = Separar RISCO[0..1] en clases de riesgo
Inferencia: herramientas necesarias
Modelación del problema;
Operaciones entre dados espacialesÁlgebras de mapas
Abordajes distintos
Combinaciones de datos e operaciones: booleana, classificación continua (fuzzy), estadísticas (geoestadística y bayseana)
Evaluación de criteriosAnalisis multicriterio
Modelo de Datos en SIG
Para que estas manipulaciones sean realizadas e sean consistentes, es necesario que los datos están representados e organizados en una base de datos consistente y de fácil recuperación.
Aún es necesario definir operaciones formales (un álgebra)
Modelo de Datos Geográficos
Matrices (variables continuas) “distribución espacial de una variable
que posee valores en todos los puntos pertenecientes a una región geográfica.”
topografía, polución de un lago, deforestación en Amazônia
Vectores (entidades individuales) “elemento único cuja localización
pretende ser exacta y posee atributos característicos.”
lotes, municipios, líneas de transmisión
Tipos de atributosTipo Descripción Ejemplos
Categórico/Cualitativo
Nominal Clases sin definición de valores Tipos de vegetación, suelos, relieve, etc.
Ordinal Datos categóricos con un orden natural de ranking (ranquin): “bajo”, “medio”, “alto”.
Cualidad ambiental, clases de temperatura, etc.
Numérico/Cuantitativo
Escalar/Intervalo
Medidas con intervalos iguales (sin porcentajes o razones) donde el valor 0 es arbitrario y no tiene una significación verdadera.
Temperatura (Escala Fahrenheit), orientación de pendientes y declividad (grados).
Razón (ratio)
Datos cuantitativos donde la razón entre dos valores tienen un significado definido (2 es mitad de 4 y lo doblo de 1) y el 0 tiene una significación real.
Temperatura (Celsius y Kelvin), declividad (porcentaje), taja de analfabetismo, etc.
Álgebra geográfica
Matrices Raster
Vectores
Álgebra de matrices
Álgebra de vectores
vectores = op (matrices)
matrices = op (vectores)
Propiedades
Álgebra de matrices
Zonales Función de una zona delimitada por otro
mapa Declividad máxima de cada tipo de suelo
Le
Li
AqLs
5.0 7.57.0
20.0
10.0 12.0 15.0
15.015.0
Mapa de solos (restrição) Declividade (dado de entrada)
7.5 7.57.5
20.0
15.0 15.0 15.0
20.015.0
Máximo Zonal
Locales o de vecindad (entorno)• valor del punto es función de una
vecindad específica• filtraje en imágenes, declividad en MDE
Puntuales• Hacen referencia a un punto (pixel-a-
pixel). Independiente de la vecindad
• Operaciones complejas hechas por encadenamiento
Superposición de mapas
Operaciones sobre Matrices: PUNTUALES Unarias o de Transformación:
Entrada es una única matriz (raster), equivale a un mapeo
entre las matrices de entrada y salida.
Booleanas:
son utilizadas en análisis espacial cualitativa y generan una
variable de salida de tipo nominal/categórico a partir de reglas
aplicadas a matrices
Matemáticas:
Funciones aritméticas, logarítmicas y trigonométricas,
aplicadas a las matrices de tipo continuo (escalar, ordinal,
proporcional) Ejemplos
Reclasificación y ponderación operaciones booleanas e aritméticas
Operación puntual sobre matriz: Ponderación Unaria o de Transformación
Le
Ls
Li
Aq
0.35 0.200.35
0.20 0.200.35
0.35 0.100.35
Categórico Cuantiativo
V1={Le, Li, Ls, Aq}
Pesos Le = 0.60
Li = 0.20
Ls = 0.35
Aq = 0.10
V2={0.0, 1.0}
Transforma de cualitatico/categórico para cuantitativo/numérico: reflete la importancia relativa de cada clase/categoría en un determinado análisis numérico
Operación puntual sobre matrices: SlicingUnaria o de Transformación
3.0 8.05.0
10.0 15.05.0
12.0 20.010.0
Cuantitativo Categórico
Baixa
Média Alta
Clases de declividad: Baja: 0 - 9% Media: 10 - 19% Alta: > 20%
Ejemplo: Slicing de matriz declividad
Matriz de declividad Declividad categórica
Modelo Digital de ElevaciónClases de altimetria
Ejemplo: Slicing de matriz MDE
Operación puntual sobre matrices: Reclassificación
Unaria o de Transformación
Reclasificación: cambio de atributos
unión de clases con atributos comunes
generalización del conjunto espacial
ejemplo: clasificación del Brasil en regiones
Operaciones Puntuales: síntesis
Operaciones Unarias o de Transformación
ENTRADA SALIDA OPERACIÓN
CATEGÓRICO CUANTITATIVO PONDERACIÓN
CATEGÓRICO CATEGÓRICO RECLASIFICACIÓN
CUANTITATIVO CATEGÓRICO SLICING
Operações sobre matrices: BOOLEANAS
Utilizan operadores lógicos: AND, NOT, OR e XOR :
Entrada : Dos o más rasters.
Þ M1 AND M2 -> intersección de M1 e M2.
Þ M1 NOT M2 -> retorna solamente los elementos contidos
exclusivamente en M1.
Þ M1 OR M2 -> unión de M1 e M2.
Þ M1 XOR M2 -> retorna todos elementos contenidos en
M1 e M2 no inclusos en la
intersección. .
Operação puntuales sobre matrices: Booleanas
Expresiones booleanas pueden ser usadas como reglas para combinación lógica
de datos geográficos (metodología del especialista)
Ejemplo: Combinar Tipo de Suelo, Precipitación Mensual y Declividad para
producir Clases de Aptitud Agrícola
Operación puntuales sobre matrices: Matemáticas
Combinación de mapas numéricos por funciones matemáticas: refleten modelos e funciones conocidas por el especialista
Ex: ecuación universal de pierda de suelo
P = (erosividad) * (erodibilidad) * (declividad) *
(comp. encosta) * (uso de la tierra) * (índice
proteción)
Media ponderada para combinar declividad e suelo para encontrar adecuación
adecuación =
(p)λ
1(p)λ(p)λ
21f
P1 = capa de uso de la tierra ponderado
P2 = PI de declividad
onde:p localización (punto).l o peso local.
)(
1)()(
21 pppf
0.35 0.200.35
0.20 0.200.20
0.20 0.200.20
3.0 8.05.0
10.0 15.05.0
12.0 20.010.0
0.68 0.330.55
0.30 0.270.40
0.25 0.250.30
P1 P2
M3
Operación puntuales sobre matrices: Matemáticas
Álgebra de matrices
Zonales Función de una zona delimitada por otro
mapa Declividad máxima de cada tipo de suelo
Le
Li
AqLs
5.0 7.57.0
20.0
10.0 12.0 15.0
15.015.0
Mapa de solos (restrição) Declividade (dado de entrada)
7.5 7.57.5
20.0
15.0 15.0 15.0
20.015.0
Máximo Zonal
Locales o de vecindad (entorno)• valor del punto es función de una
vecindad específica• filtraje en imágenes, declividad en MDE
Puntuales• Hacen referencia a un punto (pixel-a-
pixel). Independiente de la vecindad
• Operaciones complejas hechas por encadenamiento
Superposición de mapas
Operaciones Locales sobre matrices
OPERACIONES DE VECINDAD
Os cálculos son realizados con base en la dimensión y forma de una vecindad en el entorno de cada punto (pixel).
Ejemplos típicos son:
Máximo, mínimo, media, moda
Filtros de imágenes
Métodos de interpolación
Mapas de declividad e orientación para MDE
Índices de diversidad para datos categóricos.
Vizinhança 3x3
Vizinhança 5x5
Vizinhança +
Operación Local sobre matrices: Índice de diversidad
EJEMPLO: Diversidad de vegetación de una región, computado a partir de una vecindad 3x3 en torno de cada punto.
2 11
3 21
2 11Rebrota
Cerrado
Flor. Densa
Flor. Várzea
NuméricoCategórico
Álgebra de matrices
Zonales Función de una zona delimitada por otro
mapa Declividad máxima de cada tipo de suelo
Le
Li
AqLs
5.0 7.57.0
20.0
10.0 12.0 15.0
15.015.0
Mapa de solos (restrição) Declividade (dado de entrada)
7.5 7.57.5
20.0
15.0 15.0 15.0
20.015.0
Máximo Zonal
Locales o de vecindad (entorno)• valor del punto es función de una
vecindad específica• filtraje en imágenes, declividad en MDE
Puntuales• Hacen referencia a un punto (pixel-a-
pixel). Independiente de la vecindad
• Operaciones complejas hechas por encadenamiento
Superposición de mapas
Operaciones Zonales sobre matrices
Son definidas sobre regiones específicas de un raster de entrada, donde las restricciones espaciales (zonas) son fornecidas por un otro raster numérico o categórico
Los operadores zonales incluyen:
media,
máximo,
mínimo,
desviación estándar,
Índice de diversidad, dos valores sobre una región especificada.
Operación Zonal sobre matrices: Máximo zonal
Exemplo: Máximo Zonal de um numérico com regiones
especificadas por um categórico.
7.0 7.55.0
12.0 15.010.0
15.0 20.015.0
Numérico Categórico Numérico
Zonas:Tipo de suelos
Entrada:matriz de declividad
Salida:máximo zonal
7.5 7.57.5
15.0 15.010.0
20.0 20.015.0
Operaciones sobre matrices: síntesis
TIPOS
PONTUAIS OPERAÇÕES ENTRADA SAÍDA
TRANSFORMAÇÃO
PONDERAÇÃO TEMÁTICO NUMÉRICO
RECLASSIFICAÇÃO TEMÁTICO TEMÁTICO
FATIAMENTO NUMÉRICO TEMÁTICO
BOOLEANAS
AND/NOT/OR/XOR TEMÁTICO/NUMÉRICO TEMÁTICO
MATEMÁTICA
FUNÇÃO NUMÉRICO NUMÉRICO
VIZINHANÇA OPERAÇÕES
TEMÁTCO NUMÉRICO Filtros de Imagens
Métodos de Interpol., etc NUMÉRICO NUMÉRICO
ZONAIS OPERAÇÕES
RESTRIÇÃO
TEMÁTICO
MÉDIA, MÁX., MÍN.
DESV.PADRÃO, etcNUMÉRICO NUMÉRICO
Álgebra geográfica
Matrices Raster
Vectores
Álgebra de matrices
Álgebra de vectores
vectores = op (matrices)
matrices = op (vectores)
Propiedades
Conceptos de las operaciones de álgebra de vectores
Operaciones de álgebra de vectores envuelven relacionamientos (entre vectores) basados en atributos descriptivos o espaciales.
Selección por atributos:
La restricción es basada solamente en atributos descriptivos
Ex: “seleccione todos los municipios de São Paulo con densidad
populacional mayor que 40hab/km2”.
Restricciones espaciales (relacionamientos) Topológicas (toca, dentro de , cruza, adyacente, etc)
Escuelas del barrio del Cerro Dirección (norte, sur, leste, oeste, noroeste, etc..)
barrios a leste del Arroyo Miguelete Métricas (envuelve distancias entre objetos)
hospitales a 2km de la Rambla
Operaciones de álgebra de vectores
Restricción basada en atributos descriptivos
Selección de un conjunto de vectores, dada una restricción basada
apenas en atributos descriptivos. Genera como resultado un sub-
conjunto (colección), en que sus miembros satisfacen la restricción.
Ex: “Seleccione todos los municipios da Bahiacon densidad populacional mayor que 40hab/km2”.
Mapa de Municípios do Estado da Bahia
Álgebra de vectores: Restricciones espaciales
Selección espacial
Selección de un conjunto de vectores, dada una restricción basada apenas en atributos espaciales. Genera como resultado un sub-conjunto (colección), en que sus miembros satisfacen la restricción.
topológicas dirección métricas
Ex: “Seleccione todos los municipios
De Bahia vecinos al municipio
de Canudos”. (Topológica)
Mapa de Municípios do Estado da Bahia
CanudosMonte SantoUauáJeremoaboChorrochó
Relacionamientos Espaciales entre Vectores
Relacionamiento topológico: “Toca”.
Relacionamiento topológico: “Adentro”.
Relacionamientos Espaciales entre Vectores
Relacionamiento topológico: “Cruza”, “Superposición ” e “Disyunto”.
Relacionamientos Espaciales entre Vectores
Álgebra de vectores: Restricción métrica
Determine una banda de tierra de 200 metros a lo largo de las márgenes de los ríos
Nilo
Egito
0 - 50m
50 - 100m
100 - 200m
> 200m
Mapas de distancia
Genera un mapa vectorial o matricial contiendo las distancias de
cada punto del mapa a un(os) vector(es) de referencia (punto, línea
polígono)
Álgebra de vectores: Restricción métrica
Álgebra de vectores: Unión espacial (Spatial Join)
Esta operación produce como resultado una colección de pares de objetos que satisfacen una restricción espacial.
Ejemplos:
“Para cada ruta de la Amazônia, encuentre las reservas indígenas a menos de 5Km de una ruta”.
Resp: conjunto de pares (reserva, ruta)
“Para las ciudades del Estado de Ceará, encuentre cuales
están a menos de 10Km de alguna represa con capacidad
de más de 50.000m3 del agua”.
Resp: conjunto de pares (ciudad, represa)
Operaciones complejas: matrices y vectores
Operación: actualizar atributo de vectores en tabla.
Considere o siguiente ejemplo: Un mapa de cuadras de una ciudad, donde cada cuadra es
modelada como un vector (atributos de las cuadras en tabla) Un mapa de declividad da região da cidade (geo-campo).
En tal situación, puede ser útil responder la siguiente cuestión: “Dado la declividad e el mapa de cuadras, calcule la
declividad media de cada cuadra e actualice esta información en el banco de datos, creando un nuevo atributo (dec_media)”.
Operador complejo: Zonal Statistics (QGIS Raster) o Zonal Statistics as Table QGIS/SAGA module
Estadística zonal
Atualização do atributo declividade
média
de cada quadra do eixo central de
Brasília
Abordajes de SIG en modelos de toma de decisiones
Lógica Booleana
Lógica Fuzzy
Media Ponderada
Análisis multicriterio
Abordaje booleana
Dispone de informaciones de entrada e de una metodología a fin de encontrar zonas que satisfacen un conjunto de criterios
Si los criterios son reglas determinísticas: Método : operaciones booleanas sobre los dados Resultado: mapa de mayor potencialidad en áreas con mayor
número de intersección de evidencias favorables.
Mapa de Aptitud
Mapa de suelos
Mapa de Declividad
Regras
?
Aptitud agrícola
Abordaje Booleana
A B
B
A B
C
A E B
A NÃO B A XO R B
(A E B) OU C A E B(B OU C)
A B
A O U B
BA
A
C
A B
Combinación lógica de mapas binarios a través de operadores condicionales
Resultado satisfaz o no a la condición, no hay tal vez
Operadores Y (AND), O (OR), O EXCLUSIVO (XOR) e NO (NOT)
Resultado de operadores lógicos pode ser visto a través del diagrama de Venn
Inferencia Booleana
Mapa de Suelos
Mapa de Declividad
Regras
Baixa: (suelo == Hidromorfico) OU (Decl == Alta) OU
((suelo == Litolico) E (Decl == Media)) OU
((suelo == Litolico) E (Decl == Baixa))
Media: ((suelo == Litolico) E (Decl == Mucho Baja)) OU
((suelo == Podzolico) E (Decl == Media))
Alta: Otros casos
Abordaje Bayesiana
Principal concepto: Probabilidad a priori e a posteriori
Ocurrencia de lluvia en el día siguiente dado media de 80 días de lluvia por año
probabilidad a priori : P(lluvia) = 80/365
Refinamiento: dada una cierta época del año
a posteriori : Factor época del año (Fépoca do año)
P(lluvia | época del año) = P(lluvia) * (Fépoca do año)
Otras evidencias: he llovido ayer, llueve hoy
P(lluvia|evidencia) = P(lluvia) * (Fépoca del año) * Fdia anterior * Fdia
hoy
Abordaje Fuzzy
Análisis tradicional: Áreas con declividad de 9,9% van ser clasificadas diferentemente de regiones con inclinación de 10,1%, no importando las demás condiciones
Clasificación continúa: A en lugar de rígidos, es obtenida una superficie de decisión continúa.
Los datos son transformados para un espacio de referencia [0,1] y procesados por combinación numérica, a través de media ponderada o inferencia “fuzzy”
Esto permite construir escenarios (por ejemplo, riesgo de 10%, 20% o 40%), que indican los diferentes compromisos de toma de decisión => mayor flexibilidad y un entendimiento mucho mejor acerca los problemas espaciales
0
1
Falso
Verdade
Lógica Boleanaz
F V
F(z)
Lógica Fuzzyz
VF
0
1
Falso
Verdade
Abordaje Fuzzy: Clasificación contínua
Lógica Fuzzy: Introducida por Lofti Zadeh (1960s), como un medio de modelar incertezas del lenguaje natural
“Fuzzy Logic” es una extensión de la lógica Booleana, que ha sido extendida para manipular lo concepto de “verdad parcial”, esto es, valores comprendidos entre “completamente verdadero” y “completamente falso”.
0
1
Falso
Verdade
Lógica Boleanaz
F V
F(z)
Lógica Fuzzyz
VF
0
1
Falso
Verdade
Abordaje Media Ponderada
Muy utilizado para análisis espacial
Cada evidencia (mapa) tiene un peso diferente, dependiendo de la importancia para la hipótesis considerada
Cada clase dentro de los mapas de evidencia también tienen un peso diferente
Resultado: mapa del grado de importancia relativa, con valores numéricos de salida
Atribución de los pesos es fundamental
Desventaja : carácter linear de adición de las evidencias
AbordajeMedia Ponderada
Aptitud = 0.4 * Declividade + 0.6 * Solo
Mapa de Suelos
Mapa de Declividad
Regras
Latossolo: 0.7Podzolico: 0.5Litossolo: 0.3Hidromorfico:
0.1
Declividad: [0...1]
La Técnica AHP - Processo Analítico Jerárquico
Cuando tenemos diferentes factores que contribuyen para nuestra decisión, como hacer para determinar la contribución relativa de cada uno ?
Thomas Saaty (1978) he propuesto, una técnica de elección basada en la lógica da comparación pareada, denominada Técnica AHP.
La cuestión central del método es identificar con que peso los factores individuales del nivel más bajo de una jerarquía influencian su factor máximo, o sea, el objetivo general
En ese procedimiento, los diferentes factores que influencian la toma de decisión son comparados dos-a-dos, e un criterio de importancia relativa es atribuido al relacionamiento entre esos factores, conforme una escala predefinida.
Libro: Multicriteria Decision Making – The Analytical Hierarchy process Pittsburg, RWS Publications , 1992
Suporte a la inferencia geográfica: Análisis Multicriterio
Criterio1 Criterio2 Criterio3 Criterio4
Inferencia
Producto
Mapa Apresen.
Atualiz.BcoDados
Investigar un número de alternativas, considerando múltiplos criterios e objetivos en conflicto
Escala de Valores AHP para Comparación Pareada
2,4,6,8 Valores intermediarios entre juzgamientos - posibilidad de compromisos adicionales.
La Técnica AHP - Processo Analítico Jerárquico
Ejemplo de uso de AHP en SIG -Inferencia
Mapear áreas potenciales a prospección de Cromo
Jerarquia de decisiones para mapa de potencialidad de cromo.
Matriz de Comparación de Factores
Potencialidad de cromo por media ponderada: Factores Cromo, Cobalto e Geologia
Consistencia de la selección realizada
Para testar lo resultado de tal proceso, es necesario conocer se hay
consistencia en la comparación pareada realizada. Según la teoría
de Saaty eso va indicar se los datos están lógicamente
relacionados,
El parâmetro para avaluar eso es denominado Razón de
consistencia (RC)La razón de consistencia (RC) que es la tolerancia permitida, es
estimada pela expresión: RC = IC/IR
Donde IC es el índice de consistencia e IR es el índice tablado
(estocástico o randomico).IC
IC = ( -n) / (n-1) donde n es el numero de factores
= valor medio del vector de consistencia
Razón de consistencia
La razón de consistencia (RC) que es la tolerancia permitida, es
estimada pela expresión: RC = IC/IR
Donde IC es el índice de consistencia e IR es el índice aleatorio (estocástico o random) en la tabla abajo.
RC = IC/IR = 0,070/0,58 = 0,12Según el método desarrollado por TS, el valor de RC deve ser menor que 0,10 para que la decisión sea consistente
IC = ( -n) / (n-1) onde n é o numero de fatoresIC = (3,140 –3) / (3-1) = 0,070
n IR
2 0,00
3 0,58
4 0,90
5 1,12
6 1,24
7 1,32
8 1,41
Prospección de Cromo: Consistencia de la selección
Conclusión: la selección fue consistente; pues el valor de RC = 0,012 < 0,10.
Resultado del Análisis AHPEspacio como una superfície de decisión
Fábio Roque Moreira
Proceso AHP
Paso 1: Comparar los criterios dos-a-dos
Paso 2: Verificar la consistencia de la comparación Compara la matriz de pesos com una matriz aleatoria Consistente se la probabilidad de la matriz ser aleatoria es
menor que 10%
Paso 3: Producir los pesos (soma = 1.0) Hacer una inferencia por media ponderada