Mean-based incomplete pairwise comparisons method with the reference values

Este artigo propõe dois métodos quantitativos baseados em valores de referência para calcular vetores de peso a partir de matrizes de comparações pareadas incompletas, estendendo as heurísticas aritmética e geométrica, provando a otimalidade e a existência de solução para a versão geométrica e fornecendo condições suficientes para a versão aritmética.

O essencial

Imagine que você é o organizador de uma grande festa e precisa escolher os melhores petiscos para servir aos seus convidados. Você tem uma lista de opções: um prato de queijos, uma sopa de peixe, cogumelos recheados, uma tortilha e um salada de gyros.

O problema é que você não consegue provar tudo de uma vez só. Além disso, você já sabe, por experiência passada, que a "Sopa de Peixe" é um clássico infalível (vamos chamar de Valor de Referência 6) e o "Prato de Queijos" é muito bom, mas não tanto quanto a sopa (Valor de Referência 4).

Agora, você precisa descobrir o "ponto" (a nota de qualidade) dos novos pratos (cogumelos, tortilha, etc.) comparando-os entre si e com os clássicos que você já conhece.

É aqui que entra o artigo que você pediu para explicar. Os autores, Konrad, Anna, Jacek e Jiri, propõem uma maneira inteligente de fazer essas comparações mesmo quando você não tem todas as informações.

O Problema: A "Lista Incompleta"

Normalmente, para decidir o melhor petisco, você compararia cada prato com todos os outros. Se tiver 6 opções, você precisaria fazer 15 comparações (6 vezes 5 dividido por 2). Isso é chato e demorado.

Muitas vezes, você só compara:

• Cogumelos com Tortilha.
• Tortilha com Sopa (o clássico).
• Mas esquece de comparar Cogumelos com a Sopa.

Essa é uma Matriz de Comparação Parcial Incompleta. A maioria dos métodos antigos de decisão exigia que você comparasse tudo com tudo. Se faltasse um dado, o sistema travava ou dava um erro.

A Solução: O Método "HRE" (Estimativa Heurística de Classificação)

Os autores criaram duas novas formas de calcular a nota final dos petiscos desconhecidos, usando os valores que você já conhece (a Sopa e o Queijo) como âncoras. Eles chamam isso de HRE Incompleto.

Eles oferecem dois "sabores" de cálculo:

1. O Sabor Aritmético (A Média Simples)

Imagine que você quer saber a nota do "Cogumelo".

• Você sabe que o Cogumelo é 3 vezes melhor que a Tortilha.
• Você sabe que a Tortilha é 2 vezes melhor que a Sopa (que vale 6).
• Logo, o Cogumelo deve valer algo em torno de... bem, a média aritmética pega todas essas pistas e faz uma média simples.

A analogia: É como calcular a sua nota final na escola somando todas as provas e dividindo pelo número de provas. É intuitivo e fácil de entender. Se você diz "A é o dobro de B" e "B é o triplo de C", a média aritmética tenta equilibrar tudo de forma linear.

• Vantagem: É fácil de calcular e interpretar.
• Desvantagem: Às vezes, se as comparações estiverem muito confusas (inconsistentes), essa média simples pode não funcionar ou dar resultados estranhos.

2. O Sabor Geométrico (A Média Multiplicativa)

Agora, imagine que você não está somando as notas, mas multiplicando as "forças" de preferência.

• Se o Cogumelo é 3x a Tortilha, e a Tortilha é 2x a Sopa, a força total é $3 \times 2 = 6$.
• O método geométrico usa raízes quadradas (ou cúbicas) para equilibrar esses números multiplicados.

A analogia: Pense em investir dinheiro. Se você ganha 10% no primeiro mês e 10% no segundo, você não soma 20%. Você multiplica os fatores de crescimento. O método geométrico funciona assim: ele "suaviza" os extremos. Se uma comparação diz que algo é "muito bom" e outra diz que é "apenas ok", a média geométrica não deixa o "muito bom" dominar tanto quanto a média aritmética.

• Vantagem: Os autores provaram matematicamente que este método sempre funciona (tem solução) e é o "melhor possível" (ótimo) em termos de precisão matemática, mesmo com dados faltando.
• Desvantagem: É um pouco mais difícil de calcular de cabeça.

Por que isso é importante? (A Magia da Flexibilidade)

O grande trunfo desse artigo é a liberdade.

Antes, se você esquecesse de comparar o "Cogumelo" com a "Sopa", o sistema dizia: "Erro! Falta informação".
Com esse novo método, o sistema diz: "Sem problemas! Vamos usar o que você tem e o valor conhecido da Sopa para deduzir o resto".

Isso permite que você:

1. Escolha quantas comparações fazer: Pode ser o mínimo necessário (apenas comparar com os clássicos) ou comparar tudo.
2. Adicione novos itens sem bagunçar tudo: Se amanhã você decidir adicionar um "Bruschetta" à lista, você só precisa compará-lo com os clássicos. As notas dos outros petiscos não mudam. Isso evita o famoso "efeito borboleta" onde mudar uma nota pequena muda o ranking de tudo.

Resumo da Ópera

Os autores criaram um "tradutor" matemático que pega suas opiniões parciais sobre petiscos (ou qualquer outra coisa, como escolher um carro ou um funcionário) e as converte em uma lista de prioridades organizada.

• Se você quer algo intuitivo e rápido, use o método Aritmético (a média simples).
• Se você quer precisão matemática garantida e não se importa com cálculos um pouco mais complexos, use o método Geométrico.

Ambos permitem que você tome decisões melhores gastando menos tempo comparando coisas, usando o que você já sabe (os valores de referência) como base para descobrir o que você não sabe. É como ter um GPS que sabe o caminho mesmo se você esquecer de ligar uma das ruas no mapa.

Resumo técnico

Aqui está um resumo técnico detalhado do artigo "Mean-based incomplete pairwise comparisons method with the reference values", apresentado em português:

Título: Método de Comparações Pareadas Incompletas Baseado em Média com Valores de Referência

1. Problema Abordado

O artigo aborda um desafio central na Tomada de Decisão Multicritério (MCDM), especificamente no contexto do Processo Analítico Hierárquico (AHP) e métodos de estimativa heurística de classificação (HRE - Heuristic Rating Estimation). Tradicionalmente, métodos como o Método do Autovalor (EVM) e o Método da Média Geométrica (GMM) exigem uma matriz de comparações pareadas completa (todas as $n(n-1)/2$ comparações).

O problema identificado é a dificuldade prática de obter todas essas comparações, especialmente em cenários complexos com muitos critérios ou alternativas. Além disso, métodos existentes muitas vezes não aproveitam adequadamente a disponibilidade de valores de referência (alternativas com pesos/prioridades já conhecidos e fixos). O objetivo é desenvolver métodos quantitativos robustos para calcular vetores de peso a partir de matrizes de comparações pareadas incompletas, utilizando um conjunto de alternativas de referência para guiar a estimativa das alternativas desconhecidas.

2. Metodologia Proposta

Os autores propõem duas extensões dos métodos HRE (Heuristic Rating Estimation) para lidar com dados incompletos:

• Divisão do Conjunto de Alternativas: O conjunto de alternativas $A$ é dividido em dois subconjuntos:
  • $A_U$: Alternativas com valores de preferência desconhecidos (a serem calculados).
  • $A_K$: Alternativas de referência com valores de preferência conhecidos e fixos.
• Tratamento de Dados Faltantes: Quando uma comparação $c_{ij}$ é desconhecida (marcada como "?"), o método assume que o valor faltante é consistente com a solução final, ou seja, $c_{ij} = w(a_i)/w(a_j)$. Isso permite transformar a matriz incompleta em um sistema de equações.

Os dois métodos propostos são:

1. aiHRE (Arithmetic Incomplete HRE):

   • Baseia-se na premissa de que o peso de uma alternativa é a média aritmética ponderada das prioridades dos outros elementos, ajustada pelas comparações disponíveis.
   • Formula-se como um sistema de equações lineares $Cw = b$, onde $C$ é uma matriz auxiliar e $b$ é um vetor constante derivado das comparações com as alternativas de referência.
   • O artigo estabelece condições suficientes (mas não necessárias) para a existência de uma solução única e positiva, envolvendo a dominância diagonal da matriz e a irredutibilidade do grafo de comparações.

2. giHRE (Geometric Incomplete HRE):

   • Baseia-se na premissa de que o peso de uma alternativa é a média geométrica dos componentes $c_{ij}w(a_j)$.
   • Originalmente um sistema não linear, é transformado em um sistema linear através de uma transformação logarítmica ($\ln w(a_i)$).
   • O sistema resultante é da forma $\bar{C}\bar{w} = \bar{b}$.
   • Diferentemente da versão aritmética, o método geométrico demonstra propriedades matemáticas mais robustas quanto à existência de solução.

3. Principais Contribuições

• Flexibilidade na Coleta de Dados: Os métodos permitem que o decisor escolha livremente o número de alternativas de referência e o número de comparações a serem realizadas (de um mínimo de $n-1$ até o conjunto completo), reduzindo significativamente a carga cognitiva e o tempo de avaliação.
• Prova de Otimalidade do giHRE: O artigo prova que o método geométrico incompleto (giHRE) é ótimo no sentido de que o vetor de peso calculado minimiza a função de erro de mínimos quadrados (semelhante à propriedade do GMM original).
• Existência de Solução:
  • Para o giHRE, prova-se que uma solução única, real e positiva sempre existe sob condições naturais (irredutibilidade do grafo e existência de pelo menos uma comparação direta entre um elemento não-referência e um de referência).
  • Para o aiHRE, são fornecidas condições suficientes para a existência de solução, embora reconheça-se que soluções podem existir mesmo quando essas condições não são estritamente atendidas.
• Integração com AHP: Os métodos são projetados para se integrarem naturalmente a modelos hierárquicos do AHP, permitindo a identificação de critérios de referência e prevenindo o fenômeno indesejado de reversão de classificação (rank reversal) ao adicionar novas alternativas.

4. Resultados e Exemplos Numéricos

O artigo ilustra os métodos com exemplos práticos:

• Exemplo de Refrigeradores: Um caso simples com 3 alternativas e comparações completas, servindo como base de comparação.
• Exemplo de Campanha Publicitária: 5 designs de outdoors (3 novos, 2 de referência com lucros conhecidos). Ambos os métodos (aritmético e geométrico) foram aplicados, gerando vetores de peso ligeiramente diferentes, mas mantendo a mesma ordem de classificação.
• Exemplo de Menu de Festa: 6 aperitivos (4 novos, 2 de referência). O exemplo demonstra como lidar com uma matriz altamente incompleta (muitos "?"). Os resultados mostram que, embora os valores absolutos dos pesos difiram entre os métodos aritmético e geométrico, a classificação relativa (ranking) permanece consistente.
• Análise de Consistência: O artigo discute que, para matrizes consistentes, ambos os métodos produzem resultados idênticos. Para matrizes inconsistentes, o método aritmético tende a ser mais intuitivo (média simples), enquanto o geométrico é mais robusto teoricamente e penaliza mais as estimativas pessimistas.

5. Significado e Conclusão

A pesquisa oferece uma evolução significativa para a aplicação prática de métodos de comparações pareadas. Ao permitir o uso de valores de referência e matrizes incompletas, os métodos propostos (aiHRE e giHRE) tornam o processo de decisão mais ágil e menos oneroso, sem sacrificar a qualidade matemática da solução.

• Para Praticantes: Oferece uma ferramenta flexível para situações onde a coleta de todas as comparações é inviável, permitindo a incorporação de dados históricos ou benchmarks (valores de referência) diretamente no modelo.
• Para Pesquisadores: Estabelece fundamentos teóricos sólidos, provando a otimalidade do giHRE e as condições de existência para ambos os métodos, preenchendo uma lacuna na literatura sobre HRE com dados incompletos.

Em suma, o trabalho valida que é possível derivar vetores de peso confiáveis e matematicamente fundamentados mesmo com dados parciais, desde que se disponha de um conjunto de ancoragem (referências) adequado.