Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
I Congreso Iberoamericano de Enseñanza de la Ingeniería CIEI-214 Jerarquización de Factores hacia un nuevo Modelo Curricular para la Maestría en Ingeniería Mecánica de la UNEXPO – Vicerrectorado “Luis Caballero Mejías” Arnone, V. 1, Centeno, R. 2, Díaz, R.2, y Serafin, M. 3 1 Departamento de Ingeniería Mecánica, Vicerrectorado “Luis Caballero Mejías”. Universidad Nacional Experimental Politécnica “Antonio José de Sucre” (UNEXPO-LCM) Caracas - Venezuela. arnonevic@cantv.net 2 Departamento de Ingeniería Industrial, Vicerrectorado “Luis Caballero Mejías”. Universidad Nacional Experimental Politécnica “Antonio José de Sucre” (UNEXPO-LCM) Caracas - Venezuela. rcsingeniero@gmail.com , vekio2@gmail.com 3 Departamento de Ciencias Básicas, Vicerrectorado “Luis Caballero Mejías”. Universidad Nacional Experimental Politécnica “Antonio José de Sucre” (UNEXPO-LCM) Caracas - Venezuela. mansera@gmail.com Resumen Se propone jerarquizar los factores que permitan el desarrollo de un nuevo plan de estudios para la Maestría en Ingeniería Mecánica mediante el uso del Proceso de Análisis Jerárquico Difuso (AHP Difuso) a los fines de lograr una diferenciación del producto y un potencialmente mayor posicionamiento dentro de la oferta de postgrado en ingeniería mecánica. Se derivaron los factores de interés a partir de la comparación de las expectativas de estudiantes actuales de las maestrías en ingeniería mecánica e ingeniería industrial. Las comparaciones por pares se realizaron en dos fases, la primera de explotación de los criterios individuales y la segunda de agregación a través de discusiones para obtener consenso entre el equipo investigador. Finalmente se obtiene un ordenamiento de los factores más relevantes para proponer un nuevo plan de estudios para la Maestría en Ingeniería Mecánica de la UNEXPO – Vicerrectorado “Luis Caballero Mejías”. Palabras clave: , AHP Fuzzy, Cambio Curricular, Ingeniería Mecánica, Postgrado. Factors’ Hierarchization toward a new Curricular Model for the Mechanical Engineering Master Degree at UNEXPO - Vicerrectorado "Luis Caballero Mejías" Abstract This paper intends hierarchically ordering of factors that support the development of a new study plan for the Master in Mechanical Engineering degree using Diffuse Analysis Hierarchical Process (Fuzzy AHP) in order to achieve product differentiation and a potentially bigger market share inside the graduate's degree offer in mechanical engineering. Interesting factors were derived starting from comparison of current students expectations of mechanical and industrial engineering master's programs. Two stage process was carried out to compare each pair of factors, the first one was exploitation of the individual approaches and the second one aggregation through discussions to obtain consent among the research team. Finally a classification of the most outstanding factors is obtained to propose a new plan of studies for the Mechanical Engineering Master Degree at UNEXPO - Vicerrectorado "Luis Caballero Mejías". Index terms: AHP Fuzzy, Curricular Change, Mechanical Engineer, Postgraduate Programs. I Congreso Iberoamericano de Enseñanza de la Ingeniería CIEI-214 Introducción La Dirección de Investigación y Postgrado del Vicerrectorado “Luis Caballero Mejías” de Universidad Nacional Experimental Politécnica “Antonio José de Sucre” (UNEXPO) administra en la sede de Caracas dos programas de Maestría, uno en Ingeniería Mecánica y otro en Ingeniería Industrial, ambos con firme trayectoria. A lo largo de estos años, la maestría en Ingeniería Industrial ha mantenido un desarrollo sostenido, se han adecuado los programas incorporando asignaturas cónsonas con el avance de la tecnología. Adicionalmente, la matrícula estudiantil ha ido en aumento la gran mayoría de los que ingresan culminan su escolaridad. Esta situación no ha ocurrido con la maestría en Ingeniería Mecánica, donde el programa tuvo un nivel aceptable en sus comienzos, pero la matrícula no ha crecido a un ritmo similar al de la maestría en Ingeniería Industrial. Las nuevas autoridades iniciaron un proceso de diagnóstico y revisión de los programas en términos de calidad académica, promoción de la investigación, pertinencia de los objetivos de formación y su justificación económica. El diagnóstico se estableció a partir de la evolución histórica de corto plazo de la matrícula de cada programa, en el caso de la Maestría en Ingeniería Mecánica la tendencia detectada informa de un programa subsidiado prominentemente por los ingresos que recauda, particularmente, el programa de Maestría en Ingeniería Industrial. De mantenerse o profundizarse ésta tendencia el programa sería insostenible en el tiempo. La Dirección de Investigación y Postgrado comisionó a los autores de ésta propuesta a los fines de proponer criterios que permitan diferenciar al egresado como producto del programa y lograr un mayor posicionamiento dentro del mercado de programas de postgrado en ingeniería mecánica. El equipo investigador ha propuesto realizar el proyecto en dos etapas, a saber: Una primera etapa, objeto de este trabajo, cuyo objetivo es identificar factores de interés y jerarquizarlos de tal manera que permitan el desarrollo de un nuevo plan de estudios para la maestría en Ingeniería Mecánica. La jerarquización de los factores permitirá también una asignación adecuada de los recursos humanos y materiales. En una segunda etapa se realizará el diseño curricular de la Maestría en consonancia con los resultados de la primera etapa. Se espera poder decidir si a la maestría en Ingeniería Mecánica se le da un carácter netamente técnico, con herramientas exclusivas de diseño, un enfoque donde predomine la gestión e innovación en ingeniería mecánica, o una combinación de los dos enfoques. El resto del artículo presenta a manera de contexto el diagnóstico del problema, las oportunidades de estudio en ingeniería mecánica a nivel de postgrado del país y los factores considerados por el grupo investigador para orientar los cambios curriculares. De seguido propone un marco teórico donde introduce el arquetipo del problema de toma de decisiones planteado (Hwang y Yoon, 1981; Yoon y Hwang 1995), y las herramientas de AHP (Saaty, 1980) y conjuntos difusos (Zadeh, 1965). Luego presenta la propuesta de análisis de éste trabajo que integra AHP y Conjuntos Difusos para abordar los problemas de toma de decisión multiatributo. Finalmente se presenta los resultados de aplicación a los siete factores que ésta investigación determinó para diseñar un nuevo modelo curricular del programa de Maestría en Ingeniería Mecánica para la UNEXPO, Vicerrectorado “Luis Caballero Mejías” (UNEXPO – LCM). Diagnóstico Los programas de Maestría que oferta la Dirección de Investigación y Postgrado del Vicerrectorado “Luis Caballero Mejías” de la UNEXPO son de régimen presencial y lapsos trimestrales. En la Figura 1, se muestra el progreso en el número de estudiantes. En los años 2006, 2007 y los dos primeros trimestres del 2008 el interés de nuevos estudiantes por el programa fue escaso. En ese lapso el rango de estudiantes que materializan su inscripción en el programa (nuevos ingresos) varió desde ninguno hasta un máximo de seis estudiantes por trimestre totalizando apenas veintinueve estudiantes inscritos. Una agresiva política de captación emprendida por las nuevas autoridades electas en julio de 2008 permitió elevar apreciablemente éste indicador totalizando veintiún nuevos estudiantes en el último trimestre de 2008 y el primero de 2009. Sin embargo, la matrícula total de estudiantes activos durante el lapso evaluado no es satisfactoria alcanzando su máximo (35 estudiantes en los dos trimestres finales de 2007). I Congreso Iberoamericano de Enseñanza de la Ingeniería CIEI-2142 5 6 3 0 5 4 4 11 10 15 21 23 26 34 31 29 31 3535 0 5 10 15 20 25 30 35 2006-I 2006-II 2006-III 2007-I 2007-II 2007-III 2008-I 2008-II 2008-III 2009-I Trimestre Académico N úm er o de E st ud ia nt es Nuevo Ingreso Total Inscritos Figura 1. Evolución de la Matrícula de la Maestría en Ing. Mecánica (UNEXPO – LCM) La realidad descrita y los resultados inmediatos de las primeras acciones planteó que la campaña de captación no constituyó suficiente incentivo para revitalizar el programa, por ello se propuso ésta investigación a los fines de analizar los factores que promuevan un rediseño del modelo curricular, que lo haga más atractivo para los potenciales interesados en obtener una maestría en esta área, estrechamente vinculado a la realidad nacional y regional, y con parámetros de calidad que permitan la movilidad internacional de los estudiantes y profesores. La oferta nacional oficial actualizada (CCNPG, 2009) en términos de estudios de postgrado en ingeniería mecánica se compone de trece programas de maestría, una especialización y un doctorado. De la totalidad 20% son dictados por la UNEXPO que tiene un programa a nivel de maestría en cada uno de sus Vicerrectorados Regionales (Barquisimeto, Caracas y Puerto Ordaz) y otro 20% lo constituye la oferta de Maestría que dicta la Universidad de Los Andes (ULA) que consta de tres menciones. El 100% de los programas son de régimen presencial. Nueve de los programas nunca han sido evaluados por el Consejo Consultivo Nacional de Postgrado por haber sido creados antes de la promulgación de la Normativa General de Estudios de Postgrado de octubre del 1996, que antecedió a la vigente. (CNU, 2001), y porque las respectivas instituciones no lo han sometido al proceso voluntario de acreditación, entre los cuales se encuentra el único programa Doctoral (Universidad Central de Venezuela – UCV), así como las tres maestrías de la UNEXPO. Cuatro programas se aprobaron luego de 1996, por lo cual tienen el carácter de programas autorizados, entre ellos el único que se dicta a nivel de especialización (Universidad Simón Bolívar – USB). Los únicos programas de maestría que se han sometido al proceso de acreditación son los que se dictan en la USB, que fue acreditado por un lapso de tres años a partir de 2002 (actualmente vencido) y el de la Universidad de Carabobo (UC) vigente desde 2006 y hasta agosto de éste año. Geográficamente la distribución regional de los programas se puede apreciar en la Figura 2: Figura 2. Distribución por Regiones de los Programas de Postgrado en Ingeniería Mecánica Es notorio, al observar la Figura 2, que la competencia por los potenciales estudiantes está concentrada en el área de influencia del Vicerrectorado “Luis Caballero Mejías” de la UNEXPO. Los quince programas abarcan apenas ocho ciudades del país, de las cuales sólo dos tienen alternativas, Mérida con las tres opciones de Maestría y Caracas donde se dicta una especialización, el doctorado y cuatro maestrías. De hecho, el 40% de los programas se dictan en la ciudad de Caracas y la cifra se aproxima a la mitad cuando se consideran las tres opciones de Maestría dictadas por la ULA como un único programa. Por estas razones se hace necesaria la diferenciación del egresado del programa de Maestría en Ingeniería Mecánica del Vicerrectorado “Luis Caballero Mejías” para apuntar y tratar de posicionarse en un nicho específico de potenciales estudiantes. Del diagnóstico del mercado se desprende que además de la promoción de un nuevo perfil curricular existen otras acciones no excluyentes que podrían potenciar la participación en el mercado de un programa de Maestría en Ingeniería Mecánica, a saber, una modalidad no presencial o mixta de la cual carece la oferta oficial actual en el país, así como la acreditación del programa, ya que en el momento de escribir este trabajo sólo el 6,7% de todos los programas de postgrado en el área tiene acreditación vigente, la Maestría ofertada por la UC. El grupo investigador aplicando la técnica de la tormenta de ideas, la revisión de los I Congreso Iberoamericano de Enseñanza de la Ingeniería CIEI-214 expedientes de una muestra de alumnos activos, la información documental sobre el desarrollo de las carreras profesionales en ingeniería, y a partir de información obtenida de la consulta de opinión de los estudiantes de ambos programas de maestría durante el final del último trimestre de 2008 estableció una serie de factores de pertinentes que se definen de seguido: Aplicabilidad de lo aprendido en la maestría en las actividades profesionales. Con este factor, el cual fue un criterio que resultó de la encuesta a 64 estudiantes activos, se resalta la importancia que ellos conceden al aprendizaje y/o fortalecimiento de las herramientas que le permitan progresar en el campo laboral, al punto que 64,1% de los estudiantes recomendarían a los demás inscribir una asignatura por “la aplicabilidad de lo aprendido en sus actividades profesionales”. En los EE.UU., la literatura reporta que la mayoría de los que poseen un grado académico en ciencias e ingeniería no trabajan en ocupaciones relacionadas a pesar de utilizar su entrenamiento en el área (NSB, 2006). De hecho, la Nacional Science Foundation publicó un informe estadístico donde se observa que el porcentaje de graduados cuyo trabajo está estrechamente relacionado con sus estudios muestra una media del 33,3% para todos los niveles, alcanzando su máximo (42,3%) para los egresados de Maestrías. (NSB, 2003) En ese mismo reporte se muestra que el porcentaje de relación entre estudios y el trabajo decrece en el lapso transcurrido desde la graduación en todos los niveles, sin embargo, la mayor declinación se verifica en el nivel de maestría, que abarca casi veinte puntos en el lapso desde la graduación hasta que han transcurrido entre 30 y 34 años de dicha fecha. Mucha de esta transición ocurre al migrar de ocupaciones técnicas hacia posiciones de gestión. Orientación a la empresa. Este factor refleja la mayor o menor importancia que tiene la maestría en la satisfacción de las necesidades, tanto técnicas como gerenciales, que tienen las empresas al favorecer que sus ingenieros mecánicos obtengan una maestría. Flexibilidad del programa. Este factor conduce a asumir que los programas de la maestría en Ingeniería Mecánica tengan pocas asignaturas obligatorias, de tal manera que cada estudiante puede hacerse un programa prácticamente individualizado. También puede incluir la evaluación de aspectos relacionados con la modalidad del programa a los fines de atender demanda cautiva de otras regiones, así como a los estudiantes que por razones laborales demanden modalidades más adaptables. Reconocimiento del programa. Con este factor se desea que el diseño curricular, el personal docente y las instalaciones sean de calidad reconocida tanto en el ámbito nacional como en el internacional. Significa garantizar las condiciones necesarias para someterse voluntariamente al proceso de acreditación del programa, así como el cumplimiento de otras normas, y/o recomendaciones internacionales en la zona geográfica de influencia. Competencia en investigación. Este factor refleja la necesidad de respetar las disposiciones y normativas vigentes respecto a la orientación hacia la investigación en los estudios de postgrado en general. La importancia de este componente está señalada en el literal b del artículo 4, los literales b y c del artículo 13, y los artículos 23, 25, 29 y 32 de la Normativa General de Estudios de Postgrado (CNU, 2001) entonces cualquier diseño curricular está obligado a adaptarse a esta situación. Disponibilidad oportuna de recursos docentes. Con este factor se reconoce la importancia de la incorporación oportuna del docente al plan del programa. Está estrechamentevinculado a la posibilidad de encontrar personal de investigación para las actividades docentes del programa cuya experticia y conocimientos permitan alcanzar las metas del programa. Adaptabilidad al entorno tecnológico. Con este factor se mide si la maestría en Ingeniería Mecánica está en línea con los requerimientos de las industrias del país y la región, en lo referente a su avance tecnológico. El objetivo de éste trabajo será ordenar jerárquicamente estos factores a los fines de establecer factores de ponderación para las decisiones involucradas en el diseño de un modelo curricular para la Maestría en Ingeniería Mecánica de la UNEXPO – LCM. Marco Teórico La experiencia humana muestra que somos inconsistentes al ordenar múltiples alternativas y se han propuesto diversas técnicas y herramientas para lidiar con estas situaciones, a tal punto que hay un campo de estudio incipiente y activo que trata de explicar como los factores psicológicos inducen a los gerentes y a los comerciantes a tomar decisiones subóptimas. I Congreso Iberoamericano de Enseñanza de la Ingeniería CIEI-214 (Bloomfield, 2008). El estudio de estos problemas ha sido particularmente relevante en matemáticas, donde se denominan problemas de toma de decisiones multiatributos. Consiste en seleccionar adecuadamente una opción de un conjunto de ellas, una buena descripción del abundante pero no concluido cuerpo teórico al respecto la realizan Hwang y Yoon (1981) y Yoon y Hwang (1995). En particular, los métodos disponibles no son necesariamente fáciles de entender y aplicar por todos los que se ven involucrados en este tipo de procedimiento, así mismo como afirman Zhou y colaboradores (Zhou, Ma, Tian, y Kwok, 1999) los métodos matemáticos tienden a reflejar un ambiente de decisión ideal donde los involucrados pueden considerar racionalmente todos los aspectos del problema, pensar sobre ellos, obtener información precisa al respecto y luego alcanzar el consenso. Otro inconveniente que enfrentan los modelos matemáticos, especialmente cuando su función primaria es la evaluación, es la integración de valoraciones objetivas que se corresponden con escalas cuantitativas, con las valoraciones subjetivas expresadas con mayor facilidad de forma cualitativa (Pérez, Centeno y Serafin, 2006). En general, los aspectos cualitativos generan diversos problemas en la toma de decisiones, de hecho, en atributos cualitativos es común que el ser humano realice ordenamientos que no son transitivos. Un proceso de Toma de Decisiones Colectivas se puede ver como una secuencia (Roubens, 1997). Se inicia por la Fase de Agregación, en la que se transforma un conjunto de valores de preferencias de individuales asociados a diferentes criterios de evaluación, y/o un conjunto de valores de preferencias de un grupo de personas sobre un criterio de evaluación particular, en un conjunto de valores de preferencia colectiva aplicando un operador de síntesis. Posteriormente, al vector de valores de preferencia colectiva se le aplica un criterio de selección donde se obtiene el conjunto solución del problema de decisión, en lo que se denomina Fase de Explotación. Los criterios de selección pueden estar basados en cualquier método que permita obtener una ordenación de la preferencia colectiva que emerge de la fase de agregación, en éste trabajo se ha seguido lo planteado por Díaz y colaboradores (Díaz, Piña, Ríos y Serafin, 2009) para la fase de explotación integrando AHP con conjuntos difusos, en aquel caso los investigadores acudieron a la negociación entre los que tomaban las decisiones a los fines de obtener consenso para fijar las ponderaciones correspondientes a cada par de factores que se compara. A diferencia del trabajo de Díaz y colaboradores (2009) donde todos los evaluadores son expertos en el área profesional donde se contextualizó la investigación, en esta oportunidad cada evaluador incorpora perspectivas diferentes en virtud de los distintos perfiles técnicos y funciones asociadas con el programa de Maestría en Ingeniería Mecánica que se estudia. Por esta razón el tema de consenso en éste trabajo se abordó mediante un tratamiento soportado en el marco conceptual de los conjuntos difusos. El método de decisión por jerarquización propuesto por Saaty (AHP), es en esencia la reducción de la complejidad de la evaluación de varios atributos en simultáneo, reemplazándola por una serie de comparaciones por pares que se agrupan en una matriz recíproca positiva. Los valores en la matriz serán numéricos y el método para garantizar los resultados impone un par de restricciones lógicas: (i) cuando se compara una alternativa contra sí misma, se les asigna “igual importancia”, y (ii) si a la opción i se le asigna un número x al compararla con la opción j, entonces cuando se compare la opción j contra la opción i el valor que se le asignará a dicha comparación es 1/x. Una escala que adaptó Coyle (2004) del trabajo original de Saaty se muestra en la Tabla 1. I Congreso Iberoamericano de Enseñanza de la Ingeniería CIEI-214 Tabla 1. Escala de Comparación de Saaty Intensidad de la Importancia Definición Lingüística Explicación 1 Igual Importancia Los dos factores contribuyen equitativamente. 3 Algo más importante La experiencia y el juicio favorecen ligeramente a un factor. 5 Mucho más importante La experiencia y el juicio favorecen claramente a un factor. 7 Sumamente más importante La experiencia y el juicio favorecen muy ampliamente a un factor. Dicha importancia es demostrada en la práctica. 9 Absolutamente más importante Existe evidencia de validez comprobada favoreciendo a uno de los factores. 2,4,6, 8 Valores intermedios Se usa como compromiso entre valuadores con juicios diferentes. Una vez que se establecen todas las comparaciones por pares y se registran en la matriz se determina el auto vector, cuyos componentes serán los pesos relativos para cada una de las opciones. El auto vector ω corresponde a la solución de la siguiente ecuación: λωω =A 1) Si los juicios expresados en las valoraciones fuesen perfectamente consistentes el auto valor λ sería igual al orden de la matriz n (el número de factores a ser comparados). En cualquier otro caso el auto valor será mayor ( n≥maxλ ), en estos casos se puede determinar un índice de consistencia empleando la siguiente ecuación: 1 max − −= n n iaconsistencdeíndice λ 2) El método concluye con la estimación de la tasa de consistencia (CR1) que es una medida de comparación de los juicios emitidos contra una muestra suficientemente grande de juicios aleatorios calculada por Saaty. La CR se determina dividiendo el índice de consistencia de la matriz de comparación entre el índice de 1 Consistency Ratio, por sus siglas en inglés. consistencia de matrices aleatorias del mismo orden. La recomendación de Saaty indica que cuando se obtienen valores de la tasa de consistencia menores a 0,1 es suficiente (CR<0,1) caso contrario, la confiabilidad de la consistencia de dichos juicios está en duda y el proceso podría repetirse hasta satisfacer el criterio. Los conjuntos difusos son una generalización de la teoría de conjuntos clásicos que introdujo Zadeh (1965), como una manera matemática de representar la vaguedad del lenguaje ordinario, en particular esa que provoca que la precisión sea en ocasiones inútil porque es más natural para el ser humano la interpretación de instrucciones ambiguas para actuar en consecuencia. El enfoque difuso permite modelar los datos, en el conocimiento de que las categorías del ser humano pueden solaparse, no requieren un único elemento representativo de la clase, o bien no es clara la pertenenciao exclusión absoluta de un elemento a las clases. Los conjuntos difusos serán entonces un par ordenado compuesto por el elemento y un valor entre cero y uno que indica el grado con el cual está asociado el elemento a la clase definida por el conjunto. En este enfoque la transición entre la ausencia total de pertenencia (membresía nula) y la pertenencia absoluta (membresía unitaria) es gradual en vez de abrupta como ocurre en la teoría clásica de conjuntos. Su expresión matemática es: ( ){ } XxxxA A ∈= ,,µ 3) ( ) XxxA ∈∀≤≤ ,10 µ 4) En los casos de conjuntos continuos la membresía se designa mediante una función que mapea los elementos del Universo X sobre alguno de los infinitos valores en el intervalo cerrado y continuo [0,1], por lo tanto se pueden establecer, en principio, un infinito número de funciones que pueden representarlos. Esta característica es simultáneamente una fortaleza y una debilidad de los modelos difusos, ganando flexibilidad sacrificando unicidad en los modelos. En éste contexto cualquier función del tipo [ ]1,0: aXm define un conjunto difuso, sin embargo no todas esas funciones pueden ser adecuadamente interpretadas como modelos de algún conjunto conceptual difuso. En otras palabras, toda función como m puede ser un conjunto difuso, pero se convertirá en uno si y I Congreso Iberoamericano de Enseñanza de la Ingeniería CIEI-214 sólo si coincide con alguna descripción semántica plausible de las propiedades imprecisas de los objetos del Universo X, de allí que seleccionar adecuadamente la función de membresía m, es la clave de un buen modelo difuso. Marco Metodológico Esta propuesta de trabajo se centra en una evaluación, dicha actividad consiste bien sea en otorgar una puntuación al desempeño observado sobre la base de una escala definida con anterioridad, o bien clasificar el desempeño en una categoría dentro de un conjunto habitualmente impar de ellas. AHP, encuadra dentro de éstas definiciones, no obstante, en este trabajo se considera que es más natural para un ser humano tratar la incertidumbre mediante el lenguaje común, que según Martín (1982) es muy útil en casos donde las variables se asocian a características cualitativas en vez de cuantitativas, como el de éste trabajo. En estos casos las variables o elementos de un sistema difuso se expresan en términos lingüísticos es decir cada comparación que realicen los evaluadores se traducirá en una de las categorías verbales descritas en la Tabla 1. Figura 3. Conjuntos Difusos para la Evaluación (Díaz, et al, 2009) Al evaluar mediante categorías en vez de hacerlo con juicios numéricos aparece la primera diferencia importante con el AHP tradicional de Saaty ya que propuso una escala equiespaciada mientras que las explicaciones de la Tabla 1 planteadas por Coyle (2004) manifiestan un sesgo hacia las categorías con mayor poder de discriminación entre los pares comparados. La traducción de las variables lingüísticas en conjuntos difusos, atendiendo a ésta característica se muestra de seguido: En la Figura 3, se distinguen un total de nueve conjuntos difusos de forma triangular. La variable que se muestra en el eje x hace referencia a la intensidad de la importancia que corresponderá a la asignación de quien compara el par de atributos con la variable lingüística correspondiente. Se verifica el sesgo hacia los extremos, mediante el solapamiento de las variables que refleja que es mucho más difícil distinguir mientras más se avance hacia los extremos de la intensidad de la importancia. Así mismo se verifica la continuidad en todo el Universo de intensidades que será la característica que se explotará para establecer juicios consensuados. El algoritmo que se siguió fue: Presentar a cada evaluador un par de factores a la vez, sobre ese par cada uno asignará una categoría que describa su juicio al comparar el primer factor con el segundo que se le presenta. De esa forma se llenaron las celdas superiores a la diagonal de la matriz cuadrada 7x7 que ordena igual los factores en las filas y las columnas. Se construyó el conjunto que agrupaba la totalidad de los juicios emitidos. Ello significó recorrer las funciones de membresía, µ(x), desde el límite inferior de la menor categoría seleccionada (xmin) hasta el límite superior de la máxima categoría que se eligió (xmax). En el caso de que las categorías no se solapaban la continuidad de la intensidad se garantizó asignando el valor de cero a la membresía en los intervalos ajenos al soporte de los conjuntos difusos respectivos. En los casos en que hubo solapamiento se recorrió cada función de membresía hasta el valor en que ocurría la intersección de las clases solapadas, donde se cambió a la función correspondiente de la nueva clase. Se determinó el valor de la intensidad correspondiente, x, a través del método del centroide (5). En los casos en que varios investigadores coincidan en la asignación de categorías se le asignará el peso correspondiente a la frecuencia de selección (denotado con la letra k) tanto en el numerador como en el denominador de la ecuación que permite calcular el centroide del conjunto de agregación de juicios. I Congreso Iberoamericano de Enseñanza de la Ingeniería CIEI-214 ( ) ( )∫ ∫ = max min min x x x x dxxk dxxkx x máx µ µ 5) Se complementa la matriz de comparación obligándola a ser recíproca en términos difusos. Bezdek, Spillman y Spillman (1978) definen dicha matriz de forma tal que sus elementos cumplen con: irjirr iijiij ∀=∧≠∀=+ 01 6) La condición 6 implica que si rij=1, entonces la alternativa i es absolutamente más importante que la alternativa j. Mientras que un valor de rij=rji=0,5 hace referencia a la situación donde existe igual importancia entre las alternativas i y j. Nótese que la definición de Bezdek y colaboradores obliga a los elementos de la diagonal a ser nulos, lo cual es inconsistente con la condición de igual importancia (máxima difusividad µ(x)=0,5), por lo cual en este trabajo se relaja la restricción que impusieron Bezdek y colaboradores para hacerlo consistente con la filosofía de Saaty. Una forma de tener un modelo similar al que arroja la matriz de comparación del AHP clásico (y poder calcular el auto vector) es utilizar para las comparaciones la función de relatividad (Shimura, 1973). Una ventaja que se gana al utilizar la función de Shimura (7) es que es capaz de lidiar con los ordenamientos no transitivos (Ross, 2004), que como se ha acotado con anterioridad son típicos del ser humano, específicamente en los atributos cualitativos. ( ) ( )( ) ( )[ ]yfxf xfyxf xy y ,max= 7) Donde )( xf y representan los valores de membresía que se le asignan a la comparación por pares de x con y, y )( xf y los de y con x. Se construye la matriz de relación determinando para cada par la función de relatividad de Shimura (7). Se calcula el autovector ω, determinando cada componente como el valor mínimo de cada fila luego de ser normalizados. Cada componente será el coeficiente de ponderación para el factor de la fila asociada. Se determina el producto Rω y se calcula cada autovalor asociado λ dividiendo el componente de Rω por el componente correspondiente de ω. Se determinan el índice de consistencia de la matriz de evaluación usando (1), y la tasa de consistencia de la evaluación mediante (2). Resultados A continuación se muestran las matrices llenadas por los tres evaluadores: 7. Adaptabilidad tecnológica. Mucho Más6. Disponibilidad docente. Mucho MásIgual5. Investigación IgualIgualIgual4. Reconocimiento del programa. Algo MenosIgualIgualMucho Más3. Flexibilidad. IgualAlgo MenosAlgo MenosMucho Más Algo Menos 2. Orientación a la empresa. IgualMucho MenosAlgo MenosMucho MásIgualAlgo Más1. Aplicabilidad. 7. Adaptabilidadtecnológica. 6. Disponibilidad docente. 5. Investigación 4. Reconocimiento del programa. 3. Flexibilidad. 2. Orientación a la empresa. 1. Aplicabilidad. Evaluador 1 7. Adaptabilidad tecnológica. Mucho Más6. Disponibilidad docente. Mucho MásIgual5. Investigación IgualIgualIgual4. Reconocimiento del programa. Algo MenosIgualIgualMucho Más3. Flexibilidad. IgualAlgo MenosAlgo MenosMucho Más Algo Menos 2. Orientación a la empresa. IgualMucho MenosAlgo MenosMucho MásIgualAlgo Más1. Aplicabilidad. 7. Adaptabilidad tecnológica. 6. Disponibilidad docente. 5. Investigación 4. Reconocimiento del programa. 3. Flexibilidad. 2. Orientación a la empresa. 1. Aplicabilidad. Evaluador 1 Figura 4. Matriz de Evaluación #1 7. Adaptabilidad tecnológica. Igual6. Disponibilidad docente. Algo MásIgual5. Investigación Algo MenosIgualAlgo Menos4. Reconocimiento del programa. Algo MenosIgualAlgo MenosIgual3. Flexibilidad. IgualAlgo Más Sumamente Menos Algo MenosIgual2. Orientación a la empresa. IgualIgualIgualAlgo MásAlgo Más Sumamente Más 1. Aplicabilidad. 7. Adaptabilidad tecnológica. 6. Disponibilidad docente. 5. Investigación 4. Reconocimiento del programa. 3. Flexibilidad. 2. Orientación a la empresa. 1. Aplicabilidad. Evaluador 2 7. Adaptabilidad tecnológica. Igual6. Disponibilidad docente. Algo MásIgual5. Investigación Algo MenosIgualAlgo Menos4. Reconocimiento del programa. Algo MenosIgualAlgo MenosIgual3. Flexibilidad. IgualAlgo Más Sumamente Menos Algo MenosIgual2. Orientación a la empresa. IgualIgualIgualAlgo MásAlgo Más Sumamente Más 1. Aplicabilidad. 7. Adaptabilidad tecnológica. 6. Disponibilidad docente. 5. Investigación 4. Reconocimiento del programa. 3. Flexibilidad. 2. Orientación a la empresa. 1. Aplicabilidad. Evaluador 2 Figura 5. Matriz de Evaluación #2 En el caso de la Figura 4 se nota una preferencia por el factor Reconocimiento del Programa. En cambio el segundo evaluador tiene una leve preferencia por el factor aplicabilidad como se observa en la Figura 5. Finalmente la Figura 6 muestra como el tercer evaluador manifiesta un interés muy marcado por la aplicabilidad. I Congreso Iberoamericano de Enseñanza de la Ingeniería CIEI-214 7. Adaptabilidad tecnológica. Algo Más6. Disponibilidad docente. Algo MenosIgual5. Investigación Algo MenosAlgo MenosIgual4. Reconocimiento del programa. Algo MásMucho MásMucho MásMucho Más3. Flexibilidad. Mucho MásSumamente MásMucho MásMucho MásAlgo Más2. Orientación a la empresa. Mucho MásMucho MásMucho MásAlgo MásMucho MásAlgo Más1. Aplicabilidad. 7. Adaptabilidad tecnológica. 6. Disponibilidad docente. 5. Investigación 4. Reconocimiento del programa. 3. Flexibilidad. 2. Orientación a la empresa. 1. Aplicabilidad. Evaluador 3 7. Adaptabilidad tecnológica. Algo Más6. Disponibilidad docente. Algo MenosIgual5. Investigación Algo MenosAlgo MenosIgual4. Reconocimiento del programa. Algo MásMucho MásMucho MásMucho Más3. Flexibilidad. Mucho MásSumamente MásMucho MásMucho MásAlgo Más2. Orientación a la empresa. Mucho MásMucho MásMucho MásAlgo MásMucho MásAlgo Más1. Aplicabilidad. 7. Adaptabilidad tecnológica. 6. Disponibilidad docente. 5. Investigación 4. Reconocimiento del programa. 3. Flexibilidad. 2. Orientación a la empresa. 1. Aplicabilidad. Evaluador 3 Figura 6. Matriz de Evaluación #3 Cuando se cuantifican los juicios y se completa la fase de agregación a través del método del centroide se obtiene la matriz que se muestra de en la Figura 7. 0,500,530,350,580,550,400,40 7. Adaptabilidad tecnológica. 0,470,500,500,530,400,350,50 6. Disponibilidad docente. 0,650,500,500,530,410,550,415. Investigación 0,420,470,470,500,300,310,29 4. Reconocimiento del programa. 0,450,600,590,700,500,500,333. Flexibilidad. 0,600,650,450,690,500,500,26 2. Orientación a la empresa. 0,600,500,590,710,670,740,501. Aplicabilidad. 7. Adaptabilidad tecnológica. 6. Disponibilidad docente. 5. Investigación 4. Reconocimiento del programa. 3. Flexibilidad. 2. Orientación a la empresa. 1. Aplicabilidad. Modelo Curricular más atractivo Función de Comparación Agregada 0,500,530,350,580,550,400,40 7. Adaptabilidad tecnológica. 0,470,500,500,530,400,350,50 6. Disponibilidad docente. 0,650,500,500,530,410,550,415. Investigación 0,420,470,470,500,300,310,29 4. Reconocimiento del programa. 0,450,600,590,700,500,500,333. Flexibilidad. 0,600,650,450,690,500,500,26 2. Orientación a la empresa. 0,600,500,590,710,670,740,501. Aplicabilidad. 7. Adaptabilidad tecnológica. 6. Disponibilidad docente. 5. Investigación 4. Reconocimiento del programa. 3. Flexibilidad. 2. Orientación a la empresa. 1. Aplicabilidad. Modelo Curricular más atractivo Función de Comparación Agregada Figura 7. Matriz de Comparación Agregada Aplicando (7) sobre los datos de la Figura 7 se obtienen los valores que se muestran de seguido: La evaluación hecha arroja que el factor preponderante es la aplicabilidad de los conocimientos (24%), seguido por la restricción legal de la competencia en investigación (17%). Los factores con menor consideración serán la orientación a la empresa (9%) y el reconocimiento del programa (10%) Los demás factores se ponderan con valores entre de 12 y 13%. 4,02 0,130,541,001,000,541,001,000,670,67 7. Adaptabilidad tecnológica. 0,130,540,891,001,001,000,670,541,00 6. Disponibilidad docente. 0,170,691,001,001,001,000,691,000,695. Investigación 0,100,410,720,890,891,000,430,450,41 4. Reconocimiento del programa. 0,120,490,821,001,001,001,001,000,493. Flexibilidad. 0,090,351,001,000,821,001,001,000,35 2. Orientación a la empresa. 0,251,001,001,001,001,001,001,001,001. Aplicabilidad. ωMin7. Adaptabilidad tecnológica. 6. Disponibilidad docente. 5. Investigación 4. Reconocimiento del programa. 3. Flexibilidad. 2. Orientación a la empresa. 1. Aplicabilidad. Modelo Curricular más atractivo Función de Relatividad de Shimura 4,02 0,130,541,001,000,541,001,000,670,67 7. Adaptabilidad tecnológica. 0,130,540,891,001,001,000,670,541,00 6. Disponibilidad docente. 0,170,691,001,001,001,000,691,000,695. Investigación 0,100,410,720,890,891,000,430,450,41 4. Reconocimiento del programa. 0,120,490,821,001,001,001,001,000,493. Flexibilidad. 0,090,351,001,000,821,001,001,000,35 2. Orientación a la empresa. 0,251,001,001,001,001,001,001,001,001. Aplicabilidad. ωMin7. Adaptabilidad tecnológica. 6. Disponibilidad docente. 5. Investigación 4. Reconocimiento del programa. 3. Flexibilidad. 2. Orientación a la empresa. 1. Aplicabilidad. Modelo Curricular más atractivo Función de Relatividad de Shimura Figura 8. Matriz de Relatividad y Autovector de Ponderaciones Con ésta metodología se obtuvo un λmax=9,25, que implica un índice de consistencia de 0,375 para la matriz de relatividad agregada. Al comparar con matrices aleatorias de orden 7 se determina que la tasa de consistencia no es satisfactoria en los términos fijados por Saaty (CR=0,28). Sin embargo, los investigadores consideran los hallazgos útiles en el entendido que las aproximaciones de cada evaluador se hacían desde marcos de referencia divergentes. El trabajo de Saaty estaba orientado a un solo evaluador, por lo tanto, no se ocupa del problema del consenso que representa una barrera adicional para la consistencia tal como refleja la tasa de consistencia obtenida. Referencias bibliográficas Bezdek, J., Spillman, B., y Spillman, R. (1978). A Fuzzy Relation Space for Group Decision Theory. Fuzzy Sets and Systems, 1(4), 255- 268. Bloomfield, R. (2008). Behavioral Finance. The New Palgrave Dictionary of Economics Online. Eds. S. Durlauf y L. Blume. <http://www.dictionaryofeconomics.com/articl e?id=pde2008_B000339>, 21/01/09. Consejo Consultivo Nacional de Postgrado (2009) Directorio Nacional de Postgrado. <http://www.ccnpg.gob.ve/directorio_nacional/default.asp>, 22/05/09. Consejo Nacional de Universidades (2001) Normativa General de los Estudios de Postgrado para las Universidades e Instituciones Debidamente Autorizadas por el Consejo Nacional de Universidades. Gaceta Oficial 129(37.328), 15-18. Coyle, G. (2004). Practical strategy: structured tools and techniques. Harlow, UK: Pearson. I Congreso Iberoamericano de Enseñanza de la Ingeniería CIEI-214 Díaz, R., Piña, J., Ríos, D., y Serafin, M. (2009) Uso de AHP y Conjuntos Difusos para Mejorar la Toma de Decisiones. Caso: Selección de Empresas Contratistas de Construcción en la Administración Pública Venezolana. En 7th Latin American and Caribbean Conference for Engineering and Technology (LACCEI). San Cristóbal, Venezuela. Hwang, C., y Yoon, K. (1981). Multiple attribute decision making: Methods and applications. Berlin: Springer. Martín, E. (1982). La Teoría de los Conjuntos Borrosos y la Toma de Decisiones. Revista Española de Financiación y Contabilidad, 11 (38 y 39), 405-430. National Science Board. (2003). Report of the National Science Board Committee on Education and Human Resources Task Force on National Workforce Policies for Science and Engineering. Arlington, VA: National Science Foundation. National Science Board. (2006). Science and Engineering Indicators 2006. Arlington, VA: National Science Foundation (Vol.1, NSB 06- 01). Pérez, I., Centeno, R., y Serafin, M. (2006) Evaluación de Aspirantes a Docentes en la Facultad de Ingeniería de la Universidad del Valle del Momboy mediante un Modelo Difuso de Soporte de Decisiones. En 1er Congreso Venezolano de Enseñanza de la Ingeniería. Maracaibo, Venezuela. Ross, T. (2004). Fuzzy logic with engineering applications, 2ed. Chichester, UK: John Wiley. Roubens, M. (1997). Fuzzy sets and decision analysis. Fuzzy Sets and Systems, 90(2), 199-206. Saaty, T. (1980). The Analytic Hierarchy Process. New York: McGraw-Hill. Shimura, M. (1973). Fuzzy sets concept in rank- ordering objects. Journal of Mathematical Analysis and Applications, 43(3), 717-733. Yoon, K., y Hwang, C. (1995). Multiple attribute decision making: An introduction. Thousand Oaks: Springer. Zadeh, L. (1965). Fuzzy sets. Information and Control, 8(3),338-353. Zhou, D., Ma, J., Tian, Q., y Kwok, R. (1999). Fuzzy group decision support system for project assessment. En IEEE (Ed.), Proceedings of the 32nd Hawaii International Conference on System Sciences (5-8). Hawaii, USA. Reseña curricular V. Arnone: Ingeniero Mecánico (UNEXPO). Profesor Asociado del Departamento de Ingeniería Mecánica de la UNEXPO Vicerrectorado “Luis Caballero Mejías” – Caracas. MSc en Ingeniería Mecánica (UNEXPO). Coordinador de la Maestría en Ingeniería Mecánica (UNEXPO – LCM). Investigador en el área de energética, refrigeración industrial y criogenia. R. Centeno: Ingeniero Civil (IUPFAN). Profesor Agregado del Departamento de Ingeniería Industrial de la UNEXPO Vicerrectorado “Luis Caballero Mejías” – Caracas. MSc en Gerencia de Proyectos (UCAB). Directora de Investigación y Postgrado (UNEXPO – LCM). PPI, Nivel Candidato. Investigadora en el área de análisis y mejora de sistemas organizacionales complejos. R. Díaz: Ingeniero Civil (UCV). Profesor Agregado del Departamento de Ingeniería Industrial de la UNEXPO Vicerrectorado “Luis Caballero Mejías” – Caracas. MBA (Wharton School – University of Pennsylvania). Coordinador de la Maestría en Ingeniería Industrial (UNEXPO – LCM). Investigador en el área de análisis y mejora de sistemas organizacionales complejos. M. Serafin: Ingeniero Químico (USB). Profesor Asistente del del Departamento de Ciencias Básicas de la UNEXPO Vicerrectorado “Luis Caballero Mejías” – Caracas. Investigador en el área de análisis y mejora de sistemas organizacionales complejos.
Compartir