Refined thresholds for inconsistency: The effect of the graph associated with incomplete pairwise comparisons

Este artículo refina los umbrales de inconsistencia para matrices de comparaciones pareadas incompletas demostrando que dependen no solo del tamaño de la matriz y el número de entradas faltantes, sino también de la estructura del grafo asociado a las comparaciones conocidas, lo que permite una detección más precisa de errores y un monitoreo continuo.

Lo esencial

¡Hola! Imagina que estás organizando un gran torneo de cocina para elegir el mejor chef. Tienes 10 participantes y, para decidir al ganador, pides a los jueces que comparen a los chefs dos a dos: "¿Quién es mejor, el Chef A o el Chef B?".

El problema es que los humanos no somos robots. A veces decimos que el Chef A es el doble de bueno que el B, y que el B es el triple de bueno que el C. Pero si preguntamos directamente al Chef A comparado con el C, el juez podría decir "¡A es 5 veces mejor!", cuando la lógica matemática sugeriría que debería ser 6 veces (2 x 3). ¡Esa es la inconsistencia!

Este artículo de investigación habla de cómo medir esa "confusión" en las decisiones, pero con un giro muy interesante: no todas las preguntas son iguales.

Aquí te explico la idea principal usando analogías sencillas:

1. El problema de las preguntas faltantes

En un torneo grande, es imposible que todos comparen a todos. Quizás el Chef A nunca se enfrentó al Chef J. En el mundo de las matemáticas, esto se llama una matriz incompleta. Hay "huecos" en la información.

Anteriormente, los expertos decían: "Si tienes 100 preguntas y faltan 10, usa una regla general para ver si la confusión es aceptable". Era como decir: "Si te faltan 10 piezas de un rompecabezas, asume que el resto está bien si el 90% encaja".

2. La gran revelación: La forma importa más que el número

Los autores de este paper descubrieron que esa regla general era demasiado simple. No importa solo cuántas piezas faltan, sino dónde faltan.

La analogía del mapa de carreteras:
Imagina que las comparaciones son carreteras que conectan ciudades (los chefs).

• Caso A: Faltan dos carreteras, pero están muy lejos una de la otra (conectan ciudades que no se conocen entre sí).
• Caso B: Faltan dos carreteras, pero ambas salen de la misma ciudad principal.

El artículo demuestra que el Caso B es mucho más peligroso para la consistencia que el Caso A. Si las carreteras faltantes están "agrupadas" en un mismo punto, es más difícil reconstruir el mapa correcto y es más probable que los jueces estén confundidos.

3. El "Radio Espectral": El latido del mapa

Para medir esto, los autores usan un concepto matemático llamado radio espectral. No te asustes, no necesitas saber matemáticas avanzadas.

Imagina que tu red de comparaciones es un sistema de tuberías de agua:

• Si las tuberías están muy conectadas y el agua fluye libremente por muchos caminos, el sistema es "fuerte" y estable.
• Si las tuberías están mal conectadas o hay cuellos de botella, el sistema es "frágil".

El radio espectral es como medir la "presión" o la "fuerza" de esa red.

• Alta presión (Radio alto): Significa que las conexiones conocidas están muy interconectadas. Si hay un error aquí, se propaga rápido. El umbral de tolerancia a la confusión debe ser más estricto (más bajo).
• Baja presión (Radio bajo): La red es más dispersa. Aquí puedes permitirte un poco más de confusión sin que todo el sistema colapse.

4. ¿Por qué importa esto en la vida real?

Antes, si un software de toma de decisiones veía que faltaban 5 preguntas, decía: "Está bien, la inconsistencia es del 8%, pasa".

Ahora, gracias a este estudio, el software puede mirar el dibujo de las preguntas que faltan:

• Si las preguntas faltantes rompen la red en un punto crítico, el software dirá: "¡Ojo! Aunque solo falten 5, la estructura es delicada. Esa inconsistencia del 8% es demasiado alta. Pide al juez que revise sus respuestas".
• Si las preguntas faltantes están en un lugar donde no afectan tanto, el software dirá: "Todo bien, sigue adelante".

En resumen

Este artículo nos enseña que la estructura de la información es tan importante como la cantidad de información.

Es como si tuvieras un equipo de fútbol:

• Si faltan dos jugadores de la defensa (que están muy conectados entre sí), el equipo es muy vulnerable.
• Si faltan dos jugadores que no se necesitan entre sí para jugar, el equipo puede aguantar mejor.

Los autores han creado nuevas "reglas de oro" (umbral de 10% de Saaty) que se adaptan a la forma específica de tu red de preguntas. Esto ayuda a detectar errores de inmediato, ahorrando tiempo y evitando decisiones desastrosas basadas en datos confusos.

La lección final: No cuentes solo las piezas que faltan; mira cómo está dibujado el rompecabezas antes de decidir si la imagen tiene sentido.

Resumen técnico

Resumen Técnico

1. Planteamiento del Problema

En la toma de decisiones multicriterio, específicamente en el Proceso Analítico Jerárquico (AHP), las matrices de comparaciones pareadas son fundamentales. Sin embargo, estas matrices suelen ser inconsistentes (es decir, no cumplen la transitividad lógica: si $A$ es mejor que $B$ y $B$ mejor que $C$, $A$ no necesariamente es la suma exacta de preferencias sobre $C$).

Para determinar si una inconsistencia es aceptable, se utiliza el Índice de Inconsistencia (CI) de Saaty, comparándolo con un Índice Aleatorio (RI) para calcular la Razón de Consistencia (CR). El umbral estándar de aceptabilidad es $CR \leq 0.1$ (regla del 10%).

El problema central abordado en este trabajo surge en el caso de matrices incompletas (donde faltan algunas comparaciones). Aunque existen índices para medir la inconsistencia en matrices incompletas, los umbrales de aceptabilidad actuales (propuestos recientemente por Ágoston y Csató, 2022) se basan únicamente en:

1. El número de alternativas ($n$).
2. El número de entradas faltantes ($m$).

La limitación crítica: Estos umbrales asumen que las entradas faltantes están distribuidas aleatoriamente. Sin embargo, en la práctica, los patrones de comparación faltantes suelen ser fijos (diseñados por el experto o por restricciones del problema), lo que genera una estructura de grafo específica. El artículo demuestra que ignorar la topología de este grafo conduce a umbrales imprecisos, aceptando inconsistencias que deberían ser rechazadas o viceversa.

2. Metodología

Los autores proponen un enfoque basado en la teoría de grafos y el análisis espectral para refinar los umbrales de inconsistencia.

• Representación Gráfica: Una matriz de comparaciones pareadas incompleta se representa como un grafo no dirigido $G = (V, E)$, donde los vértices son las alternativas y las aristas representan las comparaciones conocidas.
• Optimización de Completado: Para evaluar la inconsistencia, se resuelve un problema de optimización convexa (minimización del valor propio dominante $\lambda_{max}$) para completar las entradas faltantes de la manera más consistente posible.
• Cálculo del Índice Aleatorio (RI) Refinado:
  • En lugar de generar matrices con posiciones de entradas faltantes aleatorias, los autores fijan la estructura del grafo (isomorfismo).
  • Generan millones de matrices aleatorias manteniendo la misma topología de grafo.
  • Calculan el RI promedio para esa estructura específica.
• Análisis Espectral: Se investiga la relación entre el RI calculado y el radio espectral ($\rho$) de la matriz de adyacencia del grafo (el valor propio máximo en valor absoluto).
• Enfoque Numérico: Se realizó un análisis exhaustivo para $n=4$ (enumeración completa de 83,521 escenarios) y simulaciones masivas (1 millón de matrices) para $n=5$ y $n=6$.

3. Contribuciones Clave

1. Descubrimiento de la Dependencia Estructural: Se demuestra que el umbral de inconsistencia no depende solo de $n$ y $m$, sino también de la estructura del grafo subyacente. Dos matrices con el mismo número de entradas faltantes pero con diferentes patrones de conexión pueden tener índices aleatorios significativamente distintos.
2. Correlación con el Radio Espectral: Se establece una fuerte asociación entre el valor del RI y el radio espectral del grafo. Un radio espectral más alto generalmente implica un RI más alto (y por tanto, un umbral de inconsistencia más permisivo), aunque la relación no es perfecta.
3. Fórmula de Aproximación: Para casos donde el cálculo exacto es computacionalmente costoso ($n \geq 7$), los autores proponen una fórmula heurística que ajusta el RI estándar en función de la desviación del radio espectral del grafo específico respecto al promedio esperado.
4. Validación de Patrones Fijos: Se confirma que cuando los patrones de llenado son fijos (como se recomienda en la literatura para obtener vectores de peso óptimos), el uso de umbrales "ingenuos" (que ignoran el grafo) es inapropiado y puede llevar a decisiones erróneas.

4. Resultados Principales

• Impacto Cuantitativo: En matrices de tamaño $n=4$ con 2 entradas faltantes, existen dos tipos de grafos posibles. El RI varía de 0.2646 a 0.3165 (una diferencia del 15.8%). Ignorar esta diferencia clasifica incorrectamente cientos de matrices (aproximadamente 1,165 matrices en una muestra de Saaty) como aceptables o inaceptables.
• Relación con Triadas: El radio espectral está fuertemente correlacionado con la distribución de "triadas" (submatrices de 3x3) que tienen 0 o 1 entrada faltante. Los grafos con radios espectrales más altos tienden a tener más triadas con pocas o ninguna entrada faltante, lo que hace más difícil minimizar la inconsistencia global.
• Precisión de la Aproximación: La fórmula heurística propuesta (basada en $\Delta \rho$) tiene un error menor al 1% en los casos probados ($n=8, m=5$), permitiendo su uso práctico sin necesidad de optimización costosa.
• Monotonía: A medida que aumenta el número de alternativas ($n$), la diferencia entre los RI de diferentes estructuras de grafo disminuye (el efecto del grafo se diluye), pero sigue siendo significativa para tamaños de matriz pequeños y medianos ($n \leq 6$).

5. Significado e Implicaciones

• Monitoreo en Tiempo Real: Los resultados permiten integrar estos umbrales refinados en software de toma de decisiones. Esto permite a los expertos monitorear la inconsistencia durante la recolección de datos (matrices incompletas) y detectar errores inmediatamente, sin esperar a completar todas las comparaciones.
• Rigor Científico: Cuestiona la validez universal de la "regla del 10%" de Saaty en contextos de datos incompletos con estructuras fijas, sugiriendo que la aceptabilidad debe evaluarse dinámicamente según la topología de la información disponible.
• Aplicabilidad: Es crucial para aplicaciones donde las comparaciones son costosas o difíciles de obtener (deportes, remesas bilaterales, preferencias estudiantiles), donde los patrones de datos faltantes no son aleatorios sino determinísticos.

En conclusión, el artículo avanza la teoría de la toma de decisiones al demostrar que la geometría de la información faltante (el grafo) es un factor determinante en la evaluación de la calidad de las comparaciones pareadas, ofreciendo herramientas matemáticas precisas para ajustar los umbrales de aceptabilidad.