- •Условные сокращения
- •Введение
- •1. Менеджмент риска информационной безопасности
- •1.1. Основные термины и определения
- •1.2. Система менеджмента информационной безопасности
- •1.3. Менеджмент риска информационной безопасности
- •Конец первой и последующих итераций
- •1.3.1. Установление контекста
- •1.3.2. Оценка риска нарушения информационной безопасности
- •1.3.2.1. Анализ риска
- •1.3.2.1.1. Идентификация риска
- •1. Определение (идентификация) активов
- •Реестр информационных ресурсов Компании
- •2. Определение угроз
- •Определение существующих мер и средств контроля и управления
- •Выявление уязвимостей
- •5. Определение последствий
- •1.3.2.1.2. Установление значения риска (количественная оценка риска)
- •1.3.2.2. Оценивание риска
- •1.3.3. Обработка риска
- •1) Снижение риска
- •2) Сохранение риска
- •Предотвращение риска
- •Перенос риска
- •1.3.4. Принятие риска
- •1.3.5. Коммуникация риска
- •1.3.6. Мониторинг и переоценка риска
- •1.4. Стандарты в области управления информационными рисками
- •1.5. Инструментальные средства для управления рисками
- •1.5.9. Гриф 2006
- •1.5.10. АванГард
- •1.6. Контрольные вопросы
- •2. Математические основы принятия решений при управлении рисками
- •2.1. Основные понятия и обобщенная классификация задач принятия решений
- •2.2. Формальное описание моделей принятия решений
- •2.3. Методы экспертных оценок
- •2.3.1. Методологические основы и предпосылки применения методов экспертных оценок
- •2.3.2. Основные типы шкал
- •2.3.3. Методы проведение экспертизы
- •2.3.4. Качественные экспертные оценки
- •2.3.5. Этапы работ по организации экспертной оценки
- •2.3.6. Отбор экспертов и их характеристика
- •2.3.7. Методы опроса экспертов
- •2.3.8. Методы обработки экспертной информации, оценка компетентности и согласованности мнений экспертов
- •2.4. Детерминированные модели и методы принятия решений
- •2.4.1. Постановка многокритериальных задач принятия решений
- •2.4.2. Характеристики приоритета критериев. Нормализация критериев
- •2.4.3. Принципы оптимальности в задачах принятия решений
- •2.4.4. Постановка задач оптимизации на основе комбинирования принципов оптимальности
- •2.4.5. Теория полезности. Аксиоматические методы многокритериальной оценки
- •2.4.6. Метод аналитической иерархии
- •2.4.7. Методы порогов несравнимости электра
- •2.5. Статистические модели и методы принятия решений в условиях неопределенности
- •2.5.1. Статистическая модель однокритериального принятия решений в условиях неопределенности
- •2.5.2. Построение критериев оценки и выбора решений для первой ситуации априорной информированности лпр
- •2.5.2.1. Критерий Байеса-Лапласа
- •2.5.2.2. Критерий минимума среднего квадратического отклонения функции полезности или функции потерь
- •2.5.2.3. Критерий максимизации вероятности распределения функции полезности
- •2.5.2.4. Модальный критерий
- •2.5.2.5. Критерий минимума энтропии математического ожидания функции полезности
- •2.5.2.6. Критерий Гермейера
- •2.5.2.7. Комбинированный критерий. Объединение критериев Байеса-Лапласа и среднего квадратического отклонения функции полезности (потерь)
- •2.5.3. Построение критериев оценки и выбора решений для второй ситуации априорной информированности лпр
- •2.5.3.1. Максиминный критерий Вальда
- •2.5.3.2. Критерии минимаксного риска Сэвиджа
- •2.5.4. Построение критериев оценки и выбора решений для третьей ситуации априорной информированности лпр
- •2.5.4.1. Критерий Гурвица
- •2.5.4.2. Критерий Ходжеса-Лемана
- •2.5.5. Пример оценки отдельных характеристик качества информационной системы в условиях неопределенности
- •2.5.6. Статистическая модель многокритериального принятия решений на основе принципов оптимальности в условиях неопределенности
- •2.5. Методы оптимизации
- •2.7. Контрольные вопросы
- •Заключение
- •Приложение Справочные данные
- •Библиографический список
- •Оглавление
- •394026 Воронеж, Московский просп., 14
2.3.8. Методы обработки экспертной информации, оценка компетентности и согласованности мнений экспертов
Основными целями обработки экспертной информации являются получение обобщенных данных и выявление новой информации, содержащейся в скрытой форме в экспертных оценках [68].
В зависимости от целей экспертного оценивания и выбранного метода опроса при обработке результатов опроса возникают следующие задачи:
построение обобщенной оценки альтернатив на основе индивидуальных оценок экспертов;
построение обобщенной оценки на основе парного сравнения альтернатив каждым экспертом;
определение относительных весов альтернатив;
определение согласованности мнений экспертов;
определение зависимостей между ранжировками;
оценка надежности результатов обработки.
Рассмотрим алгоритмы обработки результатов экспертного оценивания множества альтернатив. Пусть экспертов оценили альтернатив по показателям. Результаты оценивания представим в виде величин где – номер эксперта ; j – номер альтернативы ; k – номер показателя (признака) сравнения. Если оценка альтернатив произведена методом ранжирования, то величины представляют собой ранги. Если оценка альтернатив выполнена методом непосредственного оценивания, то величины представляют собой числа из некоторого отрезка числовой оси или баллы.
Рассмотрим случай, когда величины получены методом непосредственного оценивания, т. е. являются числами или баллами. Для получения групповой оценки альтернатив в этом случае можно воспользоваться средним значением оценки каждого объекта:
где – групповая оценка j-й альтернативы; – весовые коэффициенты показателей сравнения альтернатив; — коэффициенты компетентности экспертов.
Обычно используют нормированные коэффициенты весов показателей и компетентности экспертов:
Весовые коэффициенты показателей могут быть определены экспертным путем. Если – коэффициент веса k-го показателя, даваемый -м экспертом, то средний коэффициент веса k-го показателя по всем экспертам
.
Коэффициенты компетентности экспертов можно вычислить по апостериорным данным, т.е. по результатам оценивания альтернатив. Основной идеей этого вычисления является предположение о том, что компетентность экспертов должна оцениваться по степени согласованности их оценок с групповой оценкой объектов.
Пусть экспертов оценили альтернатив, используя одну и ту же шкалу интервалов. Тогда имеем матрицу оценок где – оценка -гo эксперта для j-го объекта.
Коэффициенты компетентности экспертов могут быть вычислены с использованием следующего итеративного алгоритма.
Первоначально на шаге t=0 значения коэффициентов компетентности равны между собой: .
Затем на шагах коэффициенты компетентности корректируются по формулам:
Рассмотрим теперь случай, когда экспертов оценили альтернатив , , используя одну и ту же шкалу порядка. Тогда имеем матрицу рангов где – ранговая оценка i-го эксперта для -й альтернативы. Обработка результатов ранжирования заключается в построении обобщенной ранжировки. Для построения такой ранжировки введем пространство ранжировок и метрику в этом пространстве. Каждая ранжировка множества альтернатив -м экспертом есть точка в пространстве ранжировок.
Ранжировку можно представить в виде матрицы парных сравнений элементы которой определяются следующим образом:
Очевидно, что , так как каждая альтернатива эквивалентна самой себе. Элементы матрицы антисимметричны: . Если все ранжируемые объекты эквивалентны, то все элементы матрицы парных сравнений равны нулю. Будем считать, что точка в пространстве ранжировок, соответствующая такой матрице, является началом отсчета.
Метрика при выполнении некоторых аксиом (неотрицательности, независимости от перестановок, перенумерации объектов, правила треугольника и др.) определяется по известной формуле:
Используя введенную метрику, можно определить обобщенную ранжировку как точку, которая наилучшим образом согласуется с точками, представляющими собой ранжировки экспертов. На практике наилучшее согласование чаще всего определяется как медиана или средняя ранжировка.
Медиана — точка в пространстве ранжировок, сумма расстояний от которой до всех точек — ранжировок экспертов является минимальной:
Средняя ранжировка определяется как точка, сумма квадратов расстояний от которой до всех точек — ранжировок экспертов является минимальной:
Если учитывается компетентность экспертов, то медиана и средняя ранжировка определяются из условий
где — коэффициент компетентности z'-го эксперта.
Если ранжирование объектов проводится по нескольким показателям, то сначала определяется медиана по всем показателям для каждого эксперта, а затем — медиана по множеству экспертов.
Основным недостатком рассмотренного выше подхода определения обобщенной ранжировки является трудоемкость расчетов. Естественный способ отыскания или перебором всех точек пространства ранжировок с увеличением количества объектов также становится неприемлемым, поскольку при этом очень быстро возрастает размерность пространства и, следовательно, объем вычислений.
Расхождение обобщенных ранжировок при различных критериях возникает при малом числе экспертов и несогласованности их оценок. Если мнения экспертов близки, то обобщенные ранжировки, построенные по критериям медианы и среднего значения, будут совпадать.
Сложность вычисления медианы или средней ранжировки привела к необходимости применения более простых методов построения обобщенной ранжировки.
Метод суммирования рангов заключается в ранжировании объектов по величинам сумм рангов , полученных каждым объектом от всех экспертов. Для матрицы ранжировок составляются суммы
Далее объекты упорядочиваются в порядке возрастания суммы рангов.
Еще одним более обоснованным в теоретическом отношении подходом к построению обобщенной ранжировки является переход от матрицы ранжировок к матрице парных сравнений и вычисление собственного вектора, соответствующего максимальному собственному числу этой матрицы. Упорядочение объектов проводится по величине компонентов собственного вектора.
Рассмотрим вопросы оценки согласованности мнений экспертов. При обработке результатов ранжирования часто возникает задача определения зависимости между ранжировками двух и более экспертов, задача оценки связи между достижением различных целей при решении одной и той же совокупности проблем или задача оценки взаимосвязи между разными признаками.
Решение данных задач проводится с помощью оценки ранговой корреляции. Под ранговой корреляцией понимается статистическая связь между ранжировками. Эта связь анализируется на основании исходных статистических данных, представленных ранжировками экспертов альтернатив в виде матрицы , где – ранговая оценка -го эксперта для -й альтернативы. Статистический анализ дает ответ на вопрос о том, есть ли какая-то согласованность (или связь) между упорядочениями анализируемых альтернатив.
Рассмотрим случай оценки связи между ранжировками двух экспертов -м и -м экспертами . В этих задачах мерой взаимосвязи может служить коэффициент ранговой корреляции, например, Спирмена.
Представим вычисление коэффициента ранговой корреляции Спирмена в виде следующего алгоритма.
Выполнить ранжирование оцениваемых альтернатив двумя экспертами:
где – векторы рангов, выставляемых соответственно -м и -м экспертами.
Вычислить коэффициент ранговой корреляции Спирмена :
где — показатель связанных рангов в i-й ранжировке; – число групп равных рангов в -й ранжировке; – число равных рангов в -й группе связанных рангов в -й ранжировке.
Коэффициент корреляции Спирмена изменяется от –1 до +1. Равенство единице достигается при одинаковых ранжировках, те. когда . Значение имеет место при противоположных ранжировках. При равенстве коэффициента корреляции нулю ранжировки считаются линейно независимыми.
Проверка статистически значимого отличия от нуля рангового коэффициента корреляции проводится при «не слишком малых» n (n > 10) и заданном уровне значимости критерия а с помощью неравенства
где -ная точка распределения Стьюдента с степенями свободы; (табл. 1П, Приложение).
Выполнение неравенства (4) приводит к необходимости отвергнуть гипотезу об отсутствии статистически значимой ранговой корреляционной связи.
В случае небольших объемов выборок при статистическая проверка гипотезы об отсутствии ранговой корреляционной связи проводится с помощью специальных таблиц. Таблица 2П (см. Приложение) значений вспомогательной величины позволяет при малых построить то пороговое значение , при превышении которого по абсолютной величине коэффициентом Спирмена , следует признать наличие статистически значимой связи между сравниваемыми ранжировками (отвергается гипотеза об отсутствии корреляционной связи). Задавшись уровнем значимости критерия а и числом сравниваемых альтернатив , определяем из табл. 2П величину , соответствующую заданному и значению (или приблизительно равному ). Тогда
где .
Пример. Два эксперта провели ранжирование 10 альтернатив (табл. 2.3). Вычислить коэффициент ранговой корреляции Спирмена.
Таблица 2.3
Ранжировка 10 альтернатив двумя экспертами
Эксперт |
Альтернатива (режимный параметр) |
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
|
2 |
3 |
1 |
4 |
6 |
5 |
9 |
7 |
8 |
10 |
В данном примере , связанные ранги отсутствуют . Вычислим выборочный коэффициент корреляции Спирмена:
=
= 0,915
Определим значимость полученной оценки при . При (величина определена по табл. 2П), по формуле (5) получим
Поскольку выборочное значение коэффициента ранговой корреляции Спирмена превышает пороговое значение ( ), то следует признать наличие статистически значимой связи между сравниваемыми ранжировками (отвергается гипотеза об отсутствии корреляционной связи) и оценка коэффициента ранговой корреляции Спирмена является значимой.
Перейдем к рассмотрению вопросов оценки согласованности мнений экспертов, когда число экспертов больше двух.
При ранжировании альтернатив эксперты обычно расходятся во мнениях. В связи с этим возникает необходимость в количественной оценке степени согласия экспертов. Получение количественной меры согласованности мнений экспертов позволяет более обоснованно интерпретировать причины расхождения мнений. В качестве меры согласованности мнений группы экспертов часто используют дисперсионный коэффициент конкордации (или согласованности) Кэндалла и энтропийный коэффициент конкордации.
Коэффициент конкордации Кэндалла. Пусть – матрица результатов ранжирования, полученная в результате оценки альтернатив экспертами, т. е. – ранг, присеваемый i-м экспертом -й альтернативе.
Составим суммы рангов по каждому столбцу. В результате получим вектор с компонентами
Величины рассмотрим как реализации случайной величины и найдем оценку дисперсии. Как известно, оптимальная по критерию минимума средней квадратической ошибки оценка дисперсии определяется формулой:
где оценка математического ожидания:
Дисперсионный коэффициент конкордации равен отношению оценки дисперсии к максимальному значению этой оценки:
где , так как .
Для случая отсутствия связанных рангов (все альтернативы разные) дисперсионный коэффициент конкордации определяют по формуле Кэндалла
Если в ранжировках имеются связанные ранги, то максимальное значение дисперсии в знаменателе формулы (7) становится меньше, чем при отсутствии связанных рангов. При наличии связанных рангов дисперсионный коэффициент конкордации вычисляется по следующей формуле:
где – показатель связанных рангов в i-й ранжировке; – число групп равных рангов в -й ранжировке; — число равных рангов в -й группе связанных рангов в -й ранжировке.
Если совпадающих рангов нет, то и, следовательно, . В этом случае формула (8) совпадает с формулой (7).
Коэффициент конкордации равен единице, если все ранжировки экспертов одинаковы, и равен нулю, если все ранжировки различны, т.е. совершенно нет совпадения.
Коэффициент конкордации, вычисляемый по формуле (7) или (8), является выборочной оценкой истинного (теоретического) значения коэффициента и, следовательно, представляет собой случайную величину. Для определения значимости оценки коэффициента конкордации необходимо знать распределение частот для разных значений числа экспертов m и количества альтернатив п.
Для малых значений ( ) с помощью табл. 3П-6П значений , приведенных в Приложении, где
может быть получен ответ па вопрос о том, как сильно могут отклоняться от нуля выборочные значения коэффициента конкордации в ситуации, когда значение теоретического коэффициента конкордации свидетельствует о полном отсутствии связи между анализируемыми ранжировками.
«Входами» в указанные таблицы является тройка чисел ( ), «выходом» — вероятность того, что величина может быть такой, какой она является в рассматриваемой выборке, или большей в условиях отсутствия связи между ранжировками в генеральной совокупности. Если окажется, что эта вероятность меньше принятой величины уровня значимости критерия (например, ), т. е. , то гипотезу об отсутствии связи следует отвергнуть, т. е. признать статистическую значимость анализируемой связи.
Таблица 7П критических значений коэффициента конкордации построена несколько иначе. В ней при уровне значимости и в соответствии со «входами» ( ) даны «критические» значения величины , т. е. такие значения, при превышении которых следует отвергать гипотезу об отсутствии связей между ранжировками (признавать их статистическую значимость).
Пример. Три эксперта проранжировали пять альтернатив (табл. 2.4). Оценить согласованность мнений экспертов.
Таблица 2.4
Ранжировка пяти альтернатив тремя экспертами
Эксперт |
Фактор |
||||
|
|
|
|
|
|
|
4 |
2 |
3 |
1 |
5 |
|
1 |
2 |
4 |
3 |
5 |
|
1 |
2 |
5 |
3 |
4 |
В данном примере . Вычислим и
Из табл. 6П (см. Приложение) для при находим . Если выбрать уровень значимости критерия , то и гипотезу об отсутствии связи следует отвергнуть, т. е. признать статистическую значимость анализируемой связи и считать, что мнения экспертов согласованны. Если уровень значимости критерия , то и гипотезу об отсутствии связи между ранжировками следует принять, считая при этом, что мнения экспертов несогласованны.
Из табл. 7П (см. Приложение) для и уровня значимости критерия находим . Так как , то гипотезу об отсутствии связи между ранжировками следует принять и считать, что мнения экспертов несогласованны.
Для уровня значимости критерия из табл. 7П для находим . Так как то и в этом случае гипотезу об отсутствии связи между ранжировками следует принять и считать, что мнения экспертов несогласованны.
Пример. Пусть три эксперта проранжировали пять альтернатив (табл. 2.5). Требуется оценить согласованность мнений экспертов.
Таблица 2.5
Ранжировка пяти альтернатив тремя экспертами
Эксперт |
Фактор |
||||
|
|
|
|
|
|
|
5 |
3 |
4 |
1,5 |
1,5 |
|
4 |
2 |
5 |
2 |
2 |
|
3,5 |
3,5 |
5 |
2 |
1 |
В данном примере и в отличие от предыдущего примера есть связанные ранги. Вычислим и :
Из табл. 6П (см. Приложение) для при находим . Если выбрать уровень значимости критерия , то и гипотезу об отсутствии связи следует отвергнуть, т.е. признать статистическую значимость анализируемой связи и считать, что мнения экспертов согласованны.
Из табл. 7П (см. Приложение) для и уровня значимости критерия находим . Так как , то гипотезу об отсутствии связи между ранжировками следует отвергнуть и считать, что мнения экспертов согласованны.
Для уровня значимости из табл. 7П находим . Так как , то гипотезу об отсутствии связи между ранжировками следует принять и считать, что мнения экспертов несогласованны.
Для больших значений и можно использовать известные статистики. При числе альтернатив оценка значимости коэффициента конкордации может быть проведена по критерию . Величина имеет -распределение с степенями свободы. Для оценки значимости выбирают уровень значимости критерия (часто равный 0,05), определяют по табл. 8П при величину . Если то гипотезу об отсутствии связи между ранжировками следует отвергнуть (т.е. статистически значимое) и считать, что ранжировки связаны.
Следующий пример иллюстрирует то, как оценивается значимость коэффициента конкордации Кэндалла по критерию .
Пример. Пяти экспертам было предложено проранжировать 10 альтернатив. Результаты опроса приведены в табл. 2.6. Оценить согласованность мнений экспертов.
Таблица 2.6
Ранжировка 10 альтернатив пятью экспертами
Эксперт |
Альтернатива (режимный параметр) |
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
1 |
3 |
4,5 |
4,5 |
6,5 |
6,5 |
9 |
10 |
2 |
8 |
|
1,5 |
1,5 |
5 |
6 |
7,5 |
7,5 |
9,5 |
9,5 |
3 |
4 |
|
2 |
2 |
4,5 |
4,5 |
8,5 |
8,5 |
8,5 |
8,5 |
2 |
6 |
|
1 |
3 |
4 |
5 |
7,5 |
7,5 |
9,5 |
9,5 |
2 |
6 |
|
1,5 |
1,5 |
5,5 |
5,5 |
8 |
9 |
9 |
10 |
3,5 |
3,5 |
В данном примере и есть связанные ранги. Вычислим и . Для вычисления дисперсионного коэффициента конкордации определим сначала сумму квадратов отклонений:
Поскольку в ранжировках имеются связанные ранги, то вычисление коэффициента конкордации выполним по формуле (8). Сначала найдем величины . Затем рассчитаем коэффициент конкордации:
Оценим значимость коэффициента конкордации. В данном случае число степеней свободы . Табличное значение для числа степеней свободы и уровня значимости равно (см. табл. П8).
Вычислим выборочное значение :
Поскольку значение гипотеза о согласованности мнений экспертов (ранжировок) принимается.
Таким образом, в результате экспертного оценивания получили групповую ранжировку режимных параметров по степени их влияния на выходы целевых продуктов.
Энтропийный коэффициент конкордации. Этот коэффициент вычисляют по формуле
где – энтропия:
— максимальное значение энтропии; – оценки вероятности присвоения i-го ранга -му объекту. Эти оценки вероятностей вычисляются в виде отношения количества экспертов , приписавших альтернативе ранг , к общему числу экспертов :
Максимальное значение энтропии достигается при равновероятном распределении рангов, т. е. когда . Тогда
Подставив это соотношение в формулу (9), получим
Значения энтропийного коэффициента конкордации изменяются в интервале . При распределение альтернатив по рангам равновероятно, поскольку в этом случае . Данный случай может быть обусловлен либо невозможностью ранжирования объектов по сформулированной совокупности показателей, либо полной несогласованностью мнений экспертов. Значение достигается при , когда все эксперты дают одинаковую ранжировку.
Сравнительное оценивание дисперсионного и энтропийного коэффициентов конкордации показывает, что эти коэффициенты дают примерно одинаковую оценку согласованности мнений экспертов при близких ранжировках. Однако если, например, вся группа экспертов разделилась на подгруппы, причем ранжировки в этих подгруппах противоположны, то коэффициенты конкордации имеют разные значения. В таких случаях энтропийный коэффициент конкордации позволяет зафиксировать факт разделения мнений на противоположные группы. Объем вычислений для энтропийного коэффициента конкордации несколько больше, чем для дисперсионного коэффициента конкордации.
Обработка экспертной информации, полученной на основе метода парных сравнений. Одним из вопросов, возникающих при обработке экспертной информации, является следующий: каким образом получить оценку всей совокупности альтернатив на основе частных результатов парного сравнения, не накладывая условия транзитивности? Рассмотрим алгоритм решения этой задачи.
Пусть экспертов проводят оценивание всех пар альтернатив, давая числовую оценку:
Если при оценивании пары альтернатив и экспертов высказались в пользу предпочтения экспертов высказались противоположным образом – экспертов считают эти альтернативы равноценными, то оценка математического ожидания случайной величины
Общее количество экспертов равно Определив отсюда и подставив его в предыдущую формулу, получим
Очевидно, что . Совокупность величин образует матрицу на основе которой можно построить ранжировку всех альтернатив и определить коэффициенты относительной важности альтернатив.
Вектор коэффициентов относительной важности альтернатив порядка вычисляют по формуле
где
– матрица математических ожиданий оценок пар альтернатив; - вектор коэффициентов относительной важности альтернатив порядка
Коэффициенты относительной важности первого порядка являются относительными суммами элементов строк матрицы . Действительно, если , то с учетом формул (11) и (12) получим
Коэффициенты относительной важности второго порядка ( ) являются относительными суммами элементов строк матрицы
Из теоремы Перрона-Фробенпуса следует утверждение: если матрица неотрицательна и неразложима, то при увеличении порядка величина сходится к максимальному собственному числу матрицы :
а вектор коэффициентов относительной важности объектов стремится к собственному вектору к матрицы X, соответствующему максимальному собственному числу
Как известно, собственные числа и собственные векторы матрицы находят путем решения алгебраического уравнения
Компоненты собственного вектора являются коэффициентами относительной важности объектов, измеренными в шкале отношений.
На практике коэффициенты относительной важности альтернатив проще вычислять с помощью последовательной процедуры по формуле (11) при Обычно трех-четырех последовательных вычислений достаточно, чтобы получить значения и , близкие к предельным значениям, определяемым соотношениями (13), (14).
Напомним некоторые понятия, необходимые для ранжирования оцениваемых альтернатив.
Матрица называется неотрицательной, если все ее элементы неотрицательные. Рассмотренная выше матрица математических ожиданий неотрицательная, поскольку все ее элементы (10) неотрицательны.
Матрица называется неразложимой, если перестановкой рядов (строк и одноименных столбцов) ее нельзя привести к треугольному виду:
где - неразложимые подматрицы матрицы .
Представление матрицы в виде (15) означает разбиение альтернатив на доминирующих множеств:
При матрица неразложима, т.е. существует только одно доминирующее множество, совпадающее с исходным множеством альтернатив.
Разложимость матрицы означает, что среди экспертов имеются большие разногласия в оценке альтернатив.
Если матрица неразложима, то вычисление коэффициентов относительной важности позволяет определить, во сколько раз одна альтернатива превышает другую по сравниваемым показателям. Вычисление коэффициентов относительной важности альтернатив позволяет одновременно построить ранжировку альтернатив. Альтернативы ранжируются так, что первой считается альтернатива, у которой коэффициент относительной важности наибольший. Полная ранжировка определяется цепочкой неравенств
из которой следует
.
Если матрица X является разложимой, то определить коэффициенты относительной важности можно только для каждого множества . Для каждой подматрицы определяется максимальное собственное число и соответствующий этому числу собственный вектор. Компоненты полученного собственного вектора являются коэффициентами относительной важности альтернатив, входящих в множество . По этим коэффициентам осуществляется ранжирование альтернатив данного множества.
Таким образом, можно сделать следующий вывод: если неразложима, то но результатам парного сравнения объектов возможно измерение предпочтительности альтернатив как в шкале интервалов, так и в шкале порядка (ранжирование); если же матрица разложима, то возможно только ранжирование альтернатив.