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

Este artigo refina os limiares de inconsistência para matrizes de comparações pareadas incompletas, demonstrando que eles dependem não apenas do tamanho da matriz e do número de entradas faltantes, mas também da estrutura do grafo das comparações conhecidas e de seu raio espectral.

O essencial

Imagine que você é um juiz em uma competição de culinária e precisa classificar 10 pratos diferentes. Para ser justo, você compara cada prato com todos os outros: "O Prato A é melhor que o B?", "O B é melhor que o C?". Se você fizer isso para todos, terá uma tabela gigante de comparações.

O problema é que os humanos não são máquinas. Às vezes, você diz que o A é o dobro do B, e o B é o triplo do C. Logicamente, o A deveria ser 6 vezes melhor que o C. Mas, na prática, você pode achar que o A é apenas 4 vezes melhor. Essa contradição é chamada de inconsistência.

Para saber se a sua avaliação é "boa o suficiente" ou se você precisa revisar suas notas, os especialistas usam uma régua chamada "limiar de 10%". Se a sua inconsistência passar de 10%, o resultado é considerado ruim.

O que este artigo descobriu?

Até agora, os pesquisadores usavam uma régua única e genérica para medir essa inconsistência, baseada apenas em quantos pratos você comparou e quantos faltaram.

Este artigo diz: "Ei, espere! A forma como você organizou as comparações importa tanto quanto o número delas."

Aqui está a explicação simples, usando analogias:

1. O Mapa das Comparações (O Gráfico)

Imagine que cada prato é um ponto em um mapa e cada comparação que você fez é uma estrada ligando dois pontos.

• Se você comparou o A com o B, e o B com o C, mas esqueceu de comparar o A com o C, você tem um "mapa" com uma estrada faltando.
• O artigo mostra que o formato desse mapa (se as estradas estão espalhadas ou agrupadas) muda a régua de medição.

A Analogia do Quebra-Cabeça:
Pense em completar um quebra-cabeça.

• Cenário A: Você tem 10 peças faltando, mas elas estão todas espalhadas em cantos diferentes do quadro. É difícil adivinhar como elas se encaixam porque não há muitas pistas vizinhas.
• Cenário B: Você tem 10 peças faltando, mas elas formam um buraco grande e conectado no meio. É mais fácil deduzir o que falta porque as peças ao redor dão muitas dicas.

O artigo descobre que, dependendo de como as peças faltantes estão distribuídas (o formato do "gráfico"), a dificuldade de adivinhar o resultado ideal muda. Portanto, a régua de 10% precisa ser ajustada para cada formato de mapa.

2. O "Raio" do Mapa (O Raio Espectral)

Os matemáticos usam um número chamado Raio Espectral para descrever a "conectividade" ou o "tamanho" desse mapa de comparações.

• Pense no Raio Espectral como a intensidade da rede de conexões. Um mapa com conexões muito fortes e diretas tem um raio alto. Um mapa com conexões fracas e dispersas tem um raio baixo.
• A descoberta principal é: Quanto maior o Raio Espectral do seu mapa, mais "tolerante" a régua de inconsistência pode ser. Ou seja, se o seu mapa de comparações é muito bem conectado, você pode ter um pouco mais de erro sem que o resultado fique ruim. Se o mapa é fraco, você precisa ser muito mais preciso.

3. Por que isso importa na vida real?

Imagine que você está usando um aplicativo para tomar decisões complexas (como escolher onde construir uma nova fábrica ou qual candidato votar). O aplicativo pede para você comparar opções aos pares.

• O jeito antigo: O aplicativo dizia: "Você tem 5 opções e faltam 2 comparações. Sua régua é X".
• O jeito novo (deste artigo): O aplicativo olha para o formato das suas comparações. "Ah, você faltou comparar estas duas opções específicas que deixam o mapa mais fraco. Sua régua deve ser mais rigorosa (Y), não X."

Isso evita dois erros:

1. Aprovar o injustificável: Aceitar uma decisão ruim porque a régua antiga era frouxa demais para aquele formato de mapa.
2. Rejeitar o aceitável: Pedir para o usuário refazer o trabalho porque a régua antiga era rígida demais para aquele formato.

Resumo da Ópera

Os autores (Csaba e László) criaram uma régua inteligente. Em vez de usar uma régua de plástico genérica para todos os casos, eles criaram uma régua que se molda à forma do "mapa" das suas comparações.

Eles provaram que a estrutura das suas perguntas (quem você comparou com quem) é tão importante quanto a quantidade de perguntas. Usar essa nova régua ajuda a detectar erros mais rápido e a tomar decisões mais precisas, especialmente quando não é possível comparar tudo com tudo (o que é comum em grandes projetos).

Em uma frase: Não basta saber quantas peças faltam no quebra-cabeça; é preciso saber onde elas faltam para saber se a imagem final faz sentido.

Resumo técnico

Resumo Técnico: Refinamento de Limiares de Inconsistência em Comparações Pares Incompletas

1. O Problema

As matrizes de comparação par (PCM) são fundamentais em metodologias de tomada de decisão multicritério, como o Processo Analítico Hierárquico (AHP). No entanto, a consistência cardinal (onde $a_{ik} = a_{ij} \cdot a_{jk}$) raramente é alcançada na prática. Para avaliar a aceitabilidade da inconsistência, utiliza-se o Índice de Inconsistência (CI) de Saaty, comparado a um "Índice Aleatório" (RI) que serve como limiar de referência (regra dos 10%).

O problema central abordado neste artigo é a aplicação inadequada desses limiares em matrizes de comparação par incompletas (onde algumas comparações estão ausentes, denotadas por $\star$).

• Limitação do Estado da Arte: Trabalhos anteriores (ex: Ágoston e Csátó, 2022) propuseram limiares baseados apenas no número de alternativas ($n$) e no número de entradas faltantes ($m$).
• A Lacuna: Essa abordagem assume que a posição das entradas faltantes é aleatória. No entanto, a estrutura de conexões entre as alternativas (representada por um grafo) influencia significativamente a capacidade de minimizar a inconsistência. Ignorar a topologia do grafo pode levar a limiares muito permissivos, aceitando matrizes que deveriam ser rejeitadas, ou vice-versa.

2. Metodologia

Os autores desenvolveram uma abordagem baseada na teoria dos grafos e otimização numérica para refinar os índices aleatórios:

• Representação em Grafos: Uma matriz incompleta é mapeada para um grafo não direcionado $G=(V, E)$, onde os vértices são as alternativas e as arestas representam as comparações conhecidas.
• Problema de Otimização: Para cada matriz incompleta gerada aleatoriamente, os autores resolvem o problema de minimização do autovalor dominante ($\lambda_{max}$) preenchendo as entradas faltantes ($x$) de forma a minimizar o CI. Isso é feito restringindo as variáveis ao intervalo da escala de Saaty $[1/9, 9]$.
• Cálculo do Índice Aleatório (RI):
  • Ao contrário de estudos anteriores que variavam apenas a contagem de faltas, este estudo fixa a estrutura do grafo (isomorfismo).
  • Foram gerados 1 milhão de matrizes aleatórias para grafos específicos (ou enumerados exaustivamente para casos pequenos, como $n=4$).
  • O RI é calculado como a média dos índices de inconsistência (CI) das matrizes completadas opticamente para cada estrutura de grafo específica.
• Análise Espectral: Investigou-se a correlação entre o RI calculado e o raio espectral ($\rho$) da matriz de adjacência do grafo associado.

3. Contribuições Principais

1. Refinamento dos Limiares: Demonstração de que o limiar de inconsistência aceitável não depende apenas de $n$ e $m$, mas também da topologia do grafo das comparações conhecidas.
2. Descoberta da Relação Espectral: Identificação de uma forte associação positiva entre o raio espectral do grafo e o valor do Índice Aleatório (RI). Grafos com maior raio espectral tendem a ter limites de inconsistência mais altos (mais permissivos).
3. Fórmula de Aproximação: Desenvolvimento de uma fórmula heurística para estimar o RI para matrizes grandes ($n \geq 7$) sem a necessidade de cálculos computacionais intensivos, utilizando o raio espectral como variável preditora.
4. Validação Prática: Demonstração de que o uso de limiares "ingênuos" (baseados apenas em contagem) pode levar a erros de classificação em milhares de matrizes, especialmente quando os padrões de preenchimento são fixos (como em sequências recomendadas na literatura).

4. Resultados Chave

• Impacto da Estrutura do Grafo: Para $n=4$ e $m=2$, dois grafos diferentes (um com arestas faltantes independentes e outro com arestas compartilhando um vértice) apresentaram RIs distintos (0.2646 vs 0.3165). A diferença de mais de 15% altera a decisão sobre a aceitabilidade de centenas de matrizes.
• Correlação com o Raio Espectral:
  • Existe uma relação monotônica crescente: quanto maior o raio espectral do grafo, maior o RI.
  • Grafos "quase regulares" (onde os graus dos vértices são muito próximos) tendem a ter o menor raio espectral e, consequentemente, os menores RIs (limiares mais rigorosos).
• Triângulos (Triads): A análise teórica sugere que o raio espectral reflete a distribuição de triângulos (subconjuntos de 3 alternativas) com diferentes números de entradas faltantes. Grafos com mais triângulos completos ou com poucas faltas são mais difíceis de otimizar, elevando o CI mínimo possível e, portanto, o RI.
• Precisão da Aproximação: A fórmula proposta (Equação 2 no artigo) estima o RI com um erro inferior a 1% em casos de teste ($n=8, m=5$), tornando-a viável para aplicações em tempo real.

5. Significado e Implicações Práticas

• Monitoramento em Tempo Real: Os resultados permitem a integração em softwares de decisão para monitorar a inconsistência continuamente à medida que os decisores preenchem as comparações. Erros podem ser detectados e corrigidos imediatamente, antes da coleta completa dos dados.
• Validade da Regra dos 10%: O estudo questiona a universalidade da regra de 10% de Saaty para matrizes incompletas, sugerindo que o limiar deve ser dinâmico e dependente da estrutura de conexões dos dados disponíveis.
• Aplicações em Grande Escala: Em cenários com milhares de alternativas (ex: esportes, preferências de estudantes), onde as comparações são naturalmente incompletas, o uso de limiares refinados baseados no grafo evita a aceitação de decisões inconsistentes que seriam rejeitadas se todas as comparações fossem conhecidas.
• Recomendação de Padrões de Preenchimento: Como a literatura recente recomenda padrões de preenchimento específicos para obter vetores de peso mais precisos, é crucial que os limiares de inconsistência sejam calculados especificamente para esses padrões de grafo, e não assumidos como aleatórios.

Em suma, o artigo estabelece que a geometria das conexões conhecidas é um fator determinante na avaliação da qualidade de dados de comparação par incompletos, exigindo uma revisão dos métodos padrão de validação de consistência.