Mean-based incomplete pairwise comparisons method with the reference values

Este artículo propone dos métodos cuantitativos basados en valores de referencia para calcular vectores de peso a partir de matrices incompletas de comparaciones por pares, demostrando la optimalidad y existencia de soluciones para sus variantes geométrica y aritmética.

Lo esencial

¡Hola! Imagina que estás organizando una gran fiesta y tienes que elegir el menú. Tienes muchos platos deliciosos, pero no puedes probarlos todos juntos al mismo tiempo. Además, ya sabes exactamente qué tan buenos son dos platos "clásicos" (por ejemplo, la sopa de pescado y el tablero de quesos) porque los has servido antes y tienes datos sobre lo mucho que gustaron.

El problema es: ¿Cómo decides qué tan buenos son los otros platos nuevos (como las setas o la ensalada) comparándolos solo con los que ya conoces y entre ellos, sin tener que probar todas las combinaciones posibles?

Este artículo científico presenta una solución inteligente para ese tipo de problemas, llamada Método de Estimación Heurística de Calificación (HRE) con valores de referencia, adaptado para cuando faltan datos.

Aquí te lo explico con analogías sencillas:

1. El Problema: La "Lista de Compras" Incompleta

En el mundo de las decisiones (llamado MCDM o toma de decisiones multicriterio), normalmente comparamos todo con todo. Si tienes 10 platos, tendrías que hacer 45 comparaciones. Eso es agotador.

A veces, faltan comparaciones (no probaste el plato A contra el B). Además, a veces ya tienes "puntos de referencia" (sabes que el plato C vale 10 puntos y el D vale 5). El artículo dice: "¡No te preocupes! Podemos calcular el valor de los platos desconocidos usando solo los que ya conoces y las pocas comparaciones que sí hiciste".

2. Las Dos Formas de Calcular (Las "Recetas")

Los autores proponen dos formas de hacer esta magia matemática, como si fueran dos recetas diferentes para mezclar ingredientes:

A. La Receta Aritmética (El Promedio Simple)

Imagina que quieres saber cuánto vale un nuevo pastel.

• Sabes que es 3 veces mejor que la sopa (que vale 6).
• Sabes que es la mitad que el queso (que vale 4).
• La receta aritmética dice: "Toma esos dos consejos, súmalos y divide entre dos". Es como hacer un promedio simple.
• Ventaja: Es muy fácil de entender y calcular mentalmente. Si las opiniones son muy diferentes, el resultado es un punto medio justo.
• Desventaja: A veces, si faltan demasiadas comparaciones o los datos son muy extraños, esta receta puede "fallar" y no dar ningún resultado (matemáticamente, la ecuación no se puede resolver).

B. La Receta Geométrica (El Equilibrio Perfecto)

Usando los mismos datos del pastel:

• La receta geométrica no suma y divide. En su lugar, multiplica los valores y saca una "raíz" (es como buscar el punto de equilibrio donde los errores se cancelan mejor).
• Ventaja: Es mucho más robusta. Funciona casi siempre, incluso si faltan muchas comparaciones. Además, los matemáticos demostraron que esta receta es "óptima", lo que significa que encuentra la respuesta más precisa posible minimizando los errores de juicio.
• Desventaja: Es un poco más difícil de calcular en la cabeza, pero las computadoras lo hacen en un segundo.

3. La Analogía del "Puente"

Imagina que los platos desconocidos son islas y las comparaciones son puentes.

• Valores de Referencia: Son islas grandes y sólidas donde ya sabemos exactamente dónde estamos (la altura del terreno).
• El Método: Intenta construir puentes desde las islas sólidas hacia las desconocidas.
  • Si usas la receta aritmética, necesitas que los puentes sean muy estables y numerosos para no caerte. Si hay huecos grandes, el puente no se construye.
  • Si usas la receta geométrica, es como tener un puente de goma elástico. Incluso si faltan algunos tramos, el puente se estira y conecta todo de forma segura. Además, siempre encuentra el camino más corto y eficiente.

4. ¿Por qué es importante esto?

En la vida real, pedirle a un experto que compare todo con todo es imposible (es demasiado trabajo y genera fatiga).

• Con este método, puedes decir: "Solo compara estos 3 platos nuevos con estos 2 clásicos, y deja el resto en blanco".
• El sistema matemático rellenará los huecos automáticamente.
• Esto ahorra tiempo, dinero y esfuerzo, y evita que te canses de tomar decisiones.

En Resumen

El artículo nos dice:

1. No necesitas comparar todo con todo. Basta con tener algunos puntos de referencia claros (como precios conocidos o calificaciones previas).
2. Tienes dos opciones:
   • Usa el Promedio (Aritmético) si quieres algo simple y tus datos son muy consistentes.
   • Usa el Equilibrio (Geométrico) si quieres la solución más precisa, segura y que funcione incluso con datos incompletos.
3. Es flexible: Puedes añadir más platos (alternativas) en el futuro sin tener que volver a calcular todo desde cero; el sistema se adapta.

Es como tener un asistente muy inteligente que, con muy pocas pistas, puede adivinar el valor de todo el menú para que tú solo tengas que disfrutar la fiesta.

Resumen técnico

A continuación presento un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Título del Artículo

Método de comparaciones parciales incompletas basado en la media con valores de referencia
(Mean-based incomplete pairwise comparisons method with the reference values)

1. Planteamiento del Problema

El artículo aborda un desafío fundamental en la toma de decisiones multicriterio (MCDM) y en el Proceso Analítico Jerárquico (AHP): la necesidad de calcular vectores de prioridad (pesos) a partir de matrices de comparaciones parciales incompletas que incorporan valores de referencia.

• Contexto: Tradicionalmente, métodos como el Método del Valor Propio (EVM) o el Método de la Media Geométrica (GMM) asumen que todas las comparaciones entre alternativas están disponibles. Sin embargo, en la práctica, obtener todas las comparaciones es costoso o inviable.
• Limitación de métodos existentes: Aunque existen extensiones para matrices incompletas, muchos métodos no integran de manera flexible el uso de alternativas de referencia (aquellas con prioridades o valores conocidos de antemano) para estimar las de las alternativas desconocidas.
• Objetivo: Desarrollar procedimientos que permitan calcular pesos para un conjunto incompleto de comparaciones, permitiendo al tomador de decisiones elegir libremente el número de alternativas de referencia y el rango de comparaciones (desde un mínimo de $n-1$ hasta un conjunto completo), manteniendo la coherencia con los valores de referencia ya establecidos.

2. Metodología

Los autores proponen dos variantes cuantitativas basadas en la Estimación Heurística de Calificación (HRE - Heuristic Rating Estimation), extendiendo los métodos aritmético y geométrico existentes para manejar datos incompletos.

A. Supuestos Fundamentales

• El conjunto de alternativas $A$ se divide en dos subconjuntos:
  • $A_U$: Alternativas con valores de prioridad desconocidos (a calcular).
  • $A_K$: Alternativas de referencia con valores de prioridad conocidos y fijos.
• Las comparaciones faltantes ($c_{ij} = ?$) se asumen consistentes con el resultado final de la clasificación, es decir, $c_{ij} = w(a_i)/w(a_j)$.

B. Variantes Propuestas

1. HRE Aritmética Incompleta (aiHRE):

   • Principio: La prioridad de una alternativa se aproxima a la media aritmética ponderada de las prioridades de las otras alternativas.
   • Formulación: Se transforma el problema en un sistema de ecuaciones lineales $Cw = b$.
   • Matriz: La matriz del sistema tiene una estructura específica (diagonal positiva, elementos no diagonales no positivos).
   • Condición de Solución: Se establecen condiciones suficientes (pero no necesarias) para la existencia de una solución única y positiva, basadas en la dominancia diagonal irreducible de la matriz y la conexión del grafo de comparaciones con las alternativas de referencia.

2. HRE Geométrica Incompleta (giHRE):

   • Principio: La prioridad de una alternativa es la media geométrica de los componentes de sus comparaciones.
   • Formulación: Se transforma el sistema no lineal original en un sistema lineal mediante logaritmos: $\bar{C}\bar{w} = \bar{b}$, donde $\bar{w}$ son los logaritmos de los pesos.
   • Optimalidad: Se demuestra que este método hereda la propiedad de optimalidad del GMM clásico. El vector de pesos calculado minimiza la función de error de mínimos cuadrados (suma de los cuadrados de los logaritmos de las desviaciones entre las comparaciones y las razones de pesos).
   • Existencia de Solución: Se prueba teóricamente que, bajo condiciones de conectividad (irreducibilidad) y la existencia de al menos una comparación directa entre una alternativa desconocida y una de referencia, siempre existe una solución única, real y positiva.

3. Contribuciones Clave

1. Flexibilidad en la recolección de datos: Permiten reducir drásticamente el número de comparaciones necesarias (mínimo $n-1$) sin perder la capacidad de calcular pesos, integrando valores de referencia conocidos.
2. Prueba de Optimalidad para giHRE: Demostración formal de que el método geométrico para datos incompletos minimiza la función de error de mínimos cuadrados, validando su robustez teórica.
3. Condiciones de Existencia de Solución:
   • Para giHRE: Se demuestra que la solución siempre existe si el grafo de comparaciones es irreducible y hay conexión con las referencias.
   • Para aiHRE: Se proporcionan condiciones suficientes (basadas en dominancia diagonal) para garantizar una solución positiva, aunque se reconoce que soluciones pueden existir incluso si estas condiciones no se cumplen estrictamente.
4. Integración con AHP: Los métodos se integran naturalmente en modelos jerárquicos de AHP, permitiendo que cada nodo utilice referencias locales, lo que aumenta la flexibilidad del modelo y protege contra el fenómeno indeseable de la reversión de rango (rank reversal) al añadir nuevas alternativas.

4. Resultados

• Ejemplos Numéricos: Los autores ilustran ambos métodos con ejemplos prácticos (elección de refrigeradores, diseños publicitarios, aperitivos para una fiesta).
  • En los ejemplos, ambos métodos producen resultados similares en términos de orden de clasificación, aunque los valores absolutos de los pesos difieren ligeramente.
  • Se muestra cómo el método geométrico tiende a ser más conservador (penaliza más las estimaciones pesimistas) en comparación con el aritmético, que es una media simple.
• Análisis de Consistencia: Se demuestra que si la matriz de comparaciones es consistente, ambos métodos (aritmético y geométrico) convergen al mismo vector de prioridades.
• Robustez: El método geométrico (giHRE) se presenta como más robusto teóricamente debido a la garantía de existencia de solución y su propiedad de optimalidad.

5. Significado e Impacto

• Reducción de Costos y Esfuerzo: Al permitir matrices incompletas y el uso de referencias, se reduce significativamente la carga cognitiva y el tiempo requerido de los expertos o tomadores de decisiones para realizar comparaciones.
• Aplicabilidad Práctica: Es especialmente útil en escenarios donde obtener todas las comparaciones es imposible o donde existen benchmarks (referencias) claros (ej. precios de mercado, estándares de calidad).
• Avance Teórico: El trabajo cierra brechas teóricas en la literatura de HRE y AHP, proporcionando fundamentos matemáticos sólidos (teoremas de existencia y optimalidad) para el uso de datos incompletos con referencias.
• Elección del Método: El artículo ofrece una guía práctica: si el objetivo es estimar valores absolutos asumiendo que todas las juicios son igualmente probables, el enfoque aritmético puede ser preferible por su intuición. Si el objetivo es la clasificación (ranking) y se busca robustez matemática y optimización de errores, el enfoque geométrico (giHRE) es superior.

En conclusión, el artículo presenta una extensión metodológica robusta y flexible para la toma de decisiones multicriterio, combinando la eficiencia de las comparaciones parciales con la estabilidad de los valores de referencia, validada tanto teóricamente como mediante ejemplos numéricos.