💰 quantitative finance

Preference Analysis Using Random Spanning Trees: A Stochastic Sampling Approach to Inconsistent Pairwise Comparisons

Questo articolo propone un approccio di campionamento stocastico basato su camminate casuali su alberi di copertura per analizzare le preferenze in presenza di giudizi a coppie inconsistenti o incompleti, generando indici probabilistici di vittoria e accettabilità di rango senza richiedere la proibitiva enumerazione completa di tutte le possibili combinazioni.

Autori originali: Salvatore Greco, Sajid Siraj, Michele Lundy

Pubblicato 2026-02-27

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Salvatore Greco, Sajid Siraj, Michele Lundy

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

🌳 Il Gioco degli Alberi: Come gestire le nostre indecisioni

Immagina di dover scegliere la scuola migliore per tuo figlio o il miglior fornitore di internet per un villaggio remoto. Per prendere una decisione, chiedi alle persone di confrontare le opzioni due alla volta: "La scuola A è meglio della B?", "La velocità è più importante del prezzo?".

Il problema è che gli esseri umani non sono calcolatrici. A volte diciamo che A è meglio di B, e B è meglio di C, ma poi diciamo che A è solo leggermente meglio di C, invece di essere molto meglio. In matematica, questo si chiama "incoerenza".

I metodi tradizionali di decisione dicono: "Ehi, hai sbagliato! Correggiamo i tuoi numeri per farli combaciare perfettamente e ti diamo un'unica risposta: 'Scegli la scuola A'."

Questo articolo dice: "Aspetta! Quell'incoerenza non è un errore. È un segnale importante."

Ecco come funziona il loro nuovo metodo, spiegato con metafore semplici.

1. L'idea di base: Non una, ma mille voci

Immagina che la tua mente non sia una sola voce, ma un coro di diverse versioni di te stesso.

Una versione di te pensa che il prezzo sia tutto.
Un'altra pensa che la qualità sia tutto.
Un'altra ancora è confusa e cambia idea a seconda del momento.

Quando fai confronti imperfetti, stai in realtà esprimendo tutte queste diverse "versioni" di te stesso contemporaneamente. Invece di cancellarle per trovare una sola "verità", questo metodo le ascolta tutte.

2. La Metafora del Bosco (Gli Alberi Spagnoli)

Il titolo parla di "Random Spanning Trees" (Alberi Spagnoli Casuali). Immagina un grande parco pieno di alberi (le tue opzioni) collegati da sentieri (i tuoi giudizi).

Il vecchio metodo: Prendeva tutti i sentieri, li mescolava in una zuppa e ne estraeva un unico sapore (una sola classifica).
Il nuovo metodo: Dice: "Ok, costruiamo un sentiero che collega tutti gli alberi senza fare giri inutili (questo è un 'albero'). Poi ne costruiamo un altro, e un altro ancora".

Ogni "albero" rappresenta una possibile versione coerente della tua mente. Se hai 4 opzioni e 6 criteri, ci sono miliardi di modi diversi per costruire questi alberi. Ogni albero ti dà una classifica diversa.

In un albero, la Scuola A vince.
In un altro, vince la Scuola B.
In un terzo, vince la C.

3. Il Problema: Troppi Alberi per contarli

Il problema è che il numero di questi alberi cresce in modo esplosivo. Per un problema reale (come scegliere l'infrastruttura per le telecomunicazioni in un paese in via di sviluppo), ci sono 21,7 miliardi di combinazioni possibili.
Contarli tutti uno per uno richiederebbe anni di calcolo. È come se qualcuno ti dicesse: "Conta ogni granello di sabbia sulla spiaggia prima di decidere quale colore di vernice usare". Impossibile.

4. La Soluzione Magica: Il Passeggero Casuale (Random Walk)

Invece di contare ogni singolo albero, gli autori usano un trucco statistico chiamato "Random Walk" (passeggiata casuale).

Immagina di essere un esploratore nel parco degli alberi:

Invece di disegnare tutti i sentieri possibili, cammini a caso attraverso il parco.
Ogni volta che cammini, trovi un nuovo "albero" (una nuova combinazione di giudizi).
Dopo aver camminato circa 20.000 volte (un numero gestibile per un computer), smetti.

Grazie alla statistica, questi 20.000 alberi casuali sono un campione perfetto che rappresenta l'intero parco di 21,7 miliardi di alberi. È come assaggiare un cucchiaino di zuppa per capire se è salata, senza dover bere l'intera pentola.

5. Cosa ti dicono i risultati? (I Nuovi Strumenti)

Invece di dirti "Scegli A", il metodo ti dà due tipi di informazioni molto più utili:

L'Indice di Vittoria (PWI): "C'è l'89% di probabilità che la Scuola A sia meglio della Scuola C".
- Significato: Non è una certezza assoluta, ma sai quanto sei sicuro della tua scelta. Se la probabilità è del 51%, è una scommessa rischiosa. Se è del 99%, puoi dormire sonni tranquilli.
L'Indice di Accettabilità (RAI): "C'è il 45% di probabilità che la Scuola A sia al primo posto, ma un 40% che sia al secondo".
- Significato: Ti mostra quanto è "stabile" una scelta. Se un'opzione oscilla tra il primo e l'ultimo posto, significa che la tua preferenza è molto incerta e forse devi riflettere meglio.

6. Perché è fantastico per il mondo reale?

Il metodo ha un superpotere: funziona anche se non hai tutte le risposte.
Spesso, nelle decisioni complesse, le persone non vogliono o non possono confrontare ogni coppia di opzioni (es. "Confronta la scuola A con la scuola Z"). I metodi vecchi si bloccano se mancano dati. Questo metodo, invece, usa solo i sentieri (alberi) che riesci a costruire con le informazioni che hai, senza inventare dati a caso.

In sintesi

Questo articolo ci insegna che l'incertezza non è un nemico da eliminare, ma una mappa da esplorare.

Invece di forzare una decisione perfetta su un mondo imperfetto, questo metodo ci permette di dire: "Ehi, basandomi su ciò che sai, c'è un'alta probabilità che questa sia la scelta giusta, ma ecco quanto potresti sbagliarti."

È come passare da un oracolo che ti dice una sola profezia, a un meteorologo che ti dice: "C'è il 90% di probabilità di sole, ma portati un ombrello per il 10% di pioggia". È una decisione più saggia, più umana e molto più robusta.

1. Il Problema: Inconsistenza e Incertezza nelle Preferenze

Il paper affronta una sfida fondamentale nell'analisi delle decisioni multicriterio (MCDM): l'inevitabile imprecisione dei giudizi umani nelle comparazioni a coppie (Pairwise Comparisons - PC).

Limiti degli approcci tradizionali: I metodi esistenti (come l'AHP con il vettore autovettore destro o la media geometrica delle righe) cercano di derivare un singolo vettore di priorità "vero", trattando l'inconsistenza (es. incoerenza cardinale o ordinale) come un errore di misurazione da minimizzare. Questo processo scarta informazioni preziose contenute nelle discrepanze.
La natura dell'inconsistenza: Gli autori propongono una riconcettualizzazione: l'inconsistenza non è un errore, ma un segnale di incertezza nelle preferenze e di pluralità di mentalità (mindsets) all'interno dello stesso decisore. Un decisore potrebbe avere più ordini di preferenza coerenti che coesistono.
Il collo di bottiglia computazionale: L'approccio basato sugli alberi ricoprenti (Spanning Trees) permette di enumerare tutte le combinazioni possibili di giudizi indipendenti per generare l'insieme completo dei vettori di priorità coerenti. Tuttavia, il numero di combinazioni cresce esponenzialmente ( $m^{m-2}n^{n-2}$ per $m$ criteri e $n$ alternative), rendendo l'enumerazione completa impossibile per problemi di dimensioni reali (es. miliardi di combinazioni). Inoltre, i metodi tradizionali spesso falliscono o richiedono imputazioni quando le matrici di confronto sono incomplete.

2. Metodologia: Campionamento Stocastico con Camminata Casuale

Per superare il limite computazionale e gestire l'incertezza, gli autori sviluppano un framework stocastico basato su due pilastri principali:

A. Analisi degli Alberi Ricoprenti (Spanning Trees)

Invece di aggregare i giudizi in un unico vettore, il metodo considera ogni combinazione di un albero ricoprente (un sottoinsieme di $n-1$ giudizi indipendenti) come una possibile "mentalità" coerente del decisore.

Si generano vettori di priorità per ogni albero ricoprente sia per le alternative rispetto ai criteri, sia per i criteri stessi.
Si combinano questi vettori per ottenere un punteggio globale per ogni alternativa.
L'obiettivo non è trovare una media, ma analizzare la distribuzione di tutti i possibili punteggi e ranghi risultanti.

B. Campionamento Stocastico (Random Walk)

Poiché l'enumerazione completa è proibitiva, il paper introduce un approccio di campionamento stocastico utilizzando procedure di camminata casuale (random walk) sugli grafi delle comparazioni.

Validità Statistica: È stato dimostrato (Aldous, 1989; Broder, 1989) che la camminata casuale genera un campione statisticamente rappresentativo e uniforme dall'insieme di tutti gli alberi ricoprenti, senza dover generare l'intera popolazione.
Gestione dei Dati Incompleti: Questo approccio è nativamente applicabile a matrici di comparazione incomplete (dove il decisore non risponde a tutte le coppie), evitando la necessità di imputare valori mancanti e preservando l'integrità dei dati.
Dimensione del Campione: Utilizzando la teoria del campionamento statistico, gli autori stabiliscono la dimensione del campione necessaria per raggiungere un livello di accuratezza ( $\lambda$ ) e confidenza ( $C$ ) desiderati tramite la formula:
$It(\lambda, C) = \frac{Z_C^2}{4\lambda^2}$
Ad esempio, per un'accuratezza di $\pm 0.01$ con un livello di confidenza del 99%, sono necessarie circa 16.641 iterazioni, un numero gestibile anche per problemi complessi.

3. Contributi Chiave e Metriche Proposte

Il paper introduce due metriche probabilistiche fondamentali per quantificare l'incertezza:

Pairwise Winning Index (PWI): La probabilità che un'alternativa $A$ sia preferita all'alternativa $B$ ( $P(A \succ B)$ ). Questo misura la robustezza della preferenza tra due opzioni specifiche.
Rank Acceptability Index (RAI): La probabilità che un'alternativa occupi una specifica posizione di classifica (es. 1°, 2°, 3° posto). Questo fornisce una distribuzione di probabilità sui ranghi possibili.

Vantaggi Metodologici:

Gestione dell'Inconsistenza: Trasforma l'inconsistenza da un problema da risolvere a una fonte di informazione sull'incertezza.
Scalabilità: Permette di analizzare problemi con miliardi di combinazioni (es. 21,7 miliardi nel caso di studio) tramite un campione di circa 20.000 iterazioni.
Robustezza: Fornisce ai decisori non solo "chi vince", ma "quanto sono sicuri" di quel risultato.

4. Risultati e Validazione

Gli autori hanno validato il metodo attraverso due casi di studio:

Esempio Didattico (Selezione Scolastica):
- Confronto tra l'enumerazione completa (944.784 combinazioni) e il campionamento stocastico (20.000 iterazioni per 20 esperimenti).
- Risultato: Le stime PWI e RAI ottenute tramite camminata casuale si sono discostate dalle popolazioni reali di meno dell'1%, confermando l'accuratezza statistica del metodo.
- Insight: Ha rivelato che, sebbene la scuola A e B fossero quasi alla pari per il primo posto (51% vs 49%), la scuola C aveva un'alta probabilità (80%) di essere l'ultima, offrendo una visione molto più ricca rispetto a un semplice vettore di priorità.
Caso di Studio Reale (Infrastruttura Telecomunicazioni):
- Selezione di un'infrastruttura backbone per aree rurali (4 alternative, 6 criteri).
- Il numero totale di combinazioni di alberi ricoprenti era di circa 21,7 miliardi.
- Risultato: Il campionamento ha identificato chiaramente che le opzioni "Fibra" e "Powerline" erano dominate, mentre "Microonde" e "Satellite" erano le preferite. Tuttavia, c'era un'incertezza significativa tra Microonde e Satellite (PWI ~51%), suggerendo che non c'era un vincitore netto assoluto, ma una dipendenza dalle specifiche combinazioni di giudizi.
- Le deviazioni standard tra 20 campioni indipendenti erano inferiori a 0,005, dimostrando l'affidabilità del metodo.

5. Significato e Implicazioni Pratiche

Questo lavoro rappresenta un avanzamento significativo nel campo dell'analisi decisionale:

Superamento del Collo di Bottiglia: Rende l'approccio degli alberi ricoprenti, storicamente teorico a causa della complessità computazionale, praticamente applicabile a problemi reali su larga scala.
Decisioni Informate dall'Incertezza: Sposta il paradigma dalla ricerca di una "soluzione esatta" (spesso illusoria in presenza di giudizi umani inconsistenti) alla caratterizzazione della distribuzione delle preferenze.
Flessibilità: Funziona senza modifiche anche quando i dati sono incompleti, una situazione comune in scenari reali complessi dove i decisori non possono o non vogliono valutare tutte le coppie.
Trasparenza: Permette ai decisori di vedere quanto i loro giudizi sono "fragili" o "robusti". Un'alta dispersione nelle distribuzioni PWI/RAI segnala che piccole variazioni nei giudizi potrebbero cambiare l'esito, suggerendo la necessità di raccogliere più informazioni o riflettere sui criteri.

In conclusione, il paper fornisce un toolkit operativo che combina teoria dei grafi, statistica e analisi decisionale per gestire l'incertezza intrinseca nelle preferenze umane, offrendo risultati probabilistici robusti e scalabili.