ANLISE DE RISCO E INCERTEZA NA TOMADA DE DECISO NA GESTO HIDROAMBIENTAL

Marcos Airton de Sousa Freitas1 Resumo - Tomar deciso consiste em escolher a melhor alternativa de acordo com critrios estabelecidos, a partir de uma certa quantidade de informaes, com o propsito de atingir um objetivo estabelecido. Nos sistemas de recursos hdricos, por exemplo, existe a aleatoriedade bsica dos processos hidrolgicos, ou a incerteza hidrolgica, que estabelece a disponibilidade de gua. H tambm a incerteza inerente aos processos econmicos, sociais e ambientais, que determina as demandas de gua. Existem, pelo menos, duas abordagens no tratamento da incerteza (explicitamente estocstica e implicitamente estocstica). Na abordagem implicitamente estocstica, o problema resolvido supondo que os eventos sejam conhecidos total ou parcialmente (anlise de risco). Em ambos os casos a anlise de risco de fundamental importncia. Demonstra-se, por meio desse artigo, a aplicabilidade desses conceitos e tcnicas com nfase em recursos hdricos e meio ambiente. Abstract - Taking decision consists of choosing the best alternative criteria in accordance with established, from a certain amount of information, with the intention to reach an established objective. In water resources systems, for example, there exits random hidrological processes, or the hidrological uncertainty, that establishes the water availability. There is also the inherent uncertainty to the economic, social and environmental processes, that determine the water demands. There exist, at least, two approaches in the treatment of the uncertainty (explicitly and implicitly random). In the implicitly random approach, the problem is decided assuming that the events are known total or partially (risk analysis). In both cases the risk analysis is of basic importance. It is demonstrated, for way of this article, the applicability of these concepts and techniques, with emphasis in water resources and environment. Palavras-chave: gesto hidroambiental, anlise de risco, incerteza.

Agncia Nacional de guas ANA. Setor Policial Sul, Quadra 3, Lote 5, Bloco B, Braslia DF. Telefone: (61) 4455367. E-mail: masfreitas@ana.gov.br

INTRODUO Um dos fatores que podem complicar uma tomada de deciso racional a incerteza. A maior parte das decises, sobretudo as mais importantes, tomada com base em algum tipo de previso, o que, por si s, j coloca o fator incerteza no processo de deciso. Mesmo que o problema no exija alguma previso, outro fator complicador a insuficincia de informaes (ANDRADE, 2000). Dessa forma, torna-se importante fazer uma avaliao do grau de incerteza existente no processo de deciso, ou seja, procurar uma estimativa do risco envolvido. Na Engenharia Civil, bem como em outras reas, h uma tendncia, cada vez maior, de se projetar de forma econmica, no entanto dentro de nveis de segurana especificados. Muitas vezes, necessrio analisar a previso da performance de um sistema para o qual existe pouca ou nenhuma experincia. Na elaborao de um projeto de engenharia so feitas idealizaes do sistema a ser representado. Tradicionalmente, os carregamentos aos quais o sistema est submetido so modelados por representaes geomtricas ou analticas simples, assim como os materiais e suas propriedades so considerados estveis e definidos de maneira nica (HARR, 1987). Entretanto, os carregamentos no so completamente conhecidos. H incertezas, por exemplo, quanto freqncia e intensidade de terremotos, a variao das vazes superficiais e subterrneas, a ao e variabilidade dos ventos e ondas etc. De acordo com YEN (1988), o planejamento, o projeto e a operao de sistemas de recursos hdricos e ambientais esto sujeitos inevitavelmente s incertezas, relacionadas aos seguintes aspectos: geofsicos; variabilidade da demanda; operacionais; medies; inabilidade do modelo de simulao ou do mtodo de projeto etc. As palavras risco e incerteza assumem, na maioria das vezes, significados distintos, embora em muitos casos aparecem como sinnimos. De acordo com o Novo Dicionrio Aurlio da Lngua Portuguesa, em sua 9 edio, os termos so definidos da seguinte forma: RISCO: [Do baixo latim risiku, riscu, este provavelmente do latim resecare, cortar; ou do esp. Risco, penhasco alto e escarpado]. S.m. 1. Perigo ou possibilidade de perigo. 2. Jur. Possibilidade de perda ou de responsabilidade pelo dano. INCERTEZA: [De in-+certeza]. S.f. Falta de certeza; hesitao; indeciso, perplexidade, dvida. YEVJEVICH (1976) apud VIEIRA (1979) define os termos risco e incerteza conforme o que segue: RISCO: probabilidade de excedncia ou no excedncia da distribuio de probabilidade de variveis aleatrias quando relacionadas a sistemas de recursos hdricos na natureza, tanto naturais quanto artificiais ou uma combinao de ambos.

INCERTEZA: todo tipo de erros envolvido na relao do homem com a natureza, notadamente na determinao de informao em variveis randmicas, no uso de mtodos de resoluo de problemas e na tomada de deciso. Consoante ANDRADE (2000), risco definido como uma estimativa do grau de incerteza que se tem com respeito realizao de resultados futuros desejados. Assim, por exemplo, quanto mais ampla for a faixa de valores previsveis para o retorno de um investimento, tanto maior ser o grau de risco do investimento. Existem trs princpios de incertezas, aplicveis somente nas situaes, onde emergem deficincias de informaes, dependendo da teoria qual a incerteza conceitualizada (KLIR, 1995): princpio de incerteza mnima; princpio da incerteza mxima; e o princpio da invarincia da incerteza. O problema mais difcil, numa anlise de risco, justamente a estimativa das probabilidades. A probabilidade , desta forma, uma medida de incerteza. Assim, mesmo que o problema seja novo para o gestor, ele sempre ter informaes a respeito (sem informao alguma o problema fica realmente difcil), que lhe do uma certa sensibilidade acerca da incerteza dos fatores envolvidos. Com um pouco de esforo de imaginao, ele pode quantificar o grau de certeza (ou incerteza) que tem sobre cada fator. Com isso, estar definindo, em termos numricos, a probabilidade de ocorrncia do fator que ele acha razovel. Outro problema na tomada de deciso consiste da escolha da melhor alternativa de acordo com critrios estabelecidos, a partir de uma certa quantidade de informaes, com o propsito de atingir um objetivo estabelecido.A multidimensionalidade , atualmente, a principal caracterstica dos problemas de tomada de deciso do mundo real, tendo objetivos econmicos, ambientais, sociais e tcnicos. Junto com a multidimensionalidade dos objetivos (e restries tambm) devemos observar a incerteza. Matematicamente a incerteza refere-se probabilidade do resultado de um experimento aleatrio (BELCHIOR et al., 1997). Tal propriedade aleatria est ligada ao ambiente e aumenta com a quantidade de variveis e imprecises contidas na descrio especfica do sistema, que geralmente complexa e incompleta. A insuficincia de informao fator determinante no grau de incerteza em determinado sistema, assim como a introduo de informao de natureza irrelevante no problema. No entanto, a quantidade de incertezas pode ser reduzida pela obteno de novas informaes relevantes, como o resultado de algumas aes, tais como observao de um fato novo, execuo de um experimento, obteno de um registro histrico (KLIR, 1995). Nos sistemas de recursos hdricos existe a aleatoriedade bsica dos processos hidrolgicos, ou a incerteza hidrolgica, que estabelecem a disponibilidade de gua. H tambm a dos processos econmicos, sociais e ambientais que determinam as demandas de gua (PORTO et al., 1997).

Existem abordagens especializadas no tratamento da incerteza hidrolgica, as quais podem ser divididas, de acordo com a maneira como a aleatoriedade inserida, temos duas grandes classes: explicitamente estocstica e implicitamente estocstica. As abordagens explicitamente estocsticas inserem os modelos probabilsticos que descrevem a aleatoriedade do futuro na formulao do problema decisrio, que ser resolvido por otimizao. Existem abordagens explicitamente estocsticas com Programao Linear, mas as necessidades de simplificao do problema so grandes, entre outros motivos, pela prpria restrio de linearidade. Uma caracterstica desta abordagem que uma regra decisria produzida de forma direta como resultado do processo computacional, associando as decises que so buscadas ao estado do sistema (PORTO et al., 1997). Na abordagem implicitamente estocstica o problema resolvido supondo que os eventos so conhecidos (total ou parcialmente). Nesta temos duas situaes, caso haja dados suficientes para montar uma srie amostral, esta ser usada. Vale ressaltar que esta srie obtida atravs da observao cronolgica dos eventos hidrolgicos (chuva, vazo, temperatura etc). Se no se tm dados suficientes para montar uma srie histrica, deve-se simular uma ou n sries sintticas atravs de modelos estocsticos de simulao. As incertezas que envolvem todas as atividades humanas, em particular as aes ou intervenes relacionadas a recursos hdricos, subentendem, geram ou implicam em riscos, entendendo-se por risco a probabilidade ou a possibilidade da ocorrncia de valores, eventos ou fenmenos indesejveis ou adversos. Assim, as medidas, observaes e tomadas de deciso do administrador de recursos hdricos contm variadas formas de incertezas, e propiciam a convivncia continuada e inevitvel com inmeros tipos de riscos (VIEIRA, 1999). Essa convivncia precisa ser explicitada para ensejar a identificao e a quantificao da intensidade desses riscos e, se possvel, sua preveno, minimizao ou mitigao. A Anlise de Risco, como instrumento de gesto, compreende de um modo geral, quatro etapas ou fases: identificao ou qualificao dos riscos; quantificao dos riscos; minimizao dos riscos; e mitigao ou remediao dos efeitos dos riscos. Por outro lado, os riscos a serem avaliados e gerenciados podem ser classificados em: fsicos ou estruturais, econmicos, sociais e ambientais, os quais, por sua vez, podem se desdobrar em componentes e sub-componentes, em sucessivos nveis de detalhamento. A Tabela 1 apresenta as atividades, as incertezas, os riscos e as medidas mitigatrias na gesto de secas em bacias hidrogrficas.

Tabela 1: Atividades e Riscos na Gesto de Secas em Bacias Hidrogrficas

ATIVIDADES Estimativas das Disponibilidades INCERTEZAS Metodologias adotadas para avaliao das disponibilidades (variabilidade das disponibilidades futuras) Metodologias adotadas para avaliao das demandas (variabilidade das demandas futuras) RISCOS - Definies e conceituaes errneas - Superestimativa das disponibilidades - Definies e conceituaes errneas - Subestimativa das demandas MEDIDAS Aprimorar Sistema de Informao (Banco de Dados) Quantificar os riscos Cadastro de usurios atualizado Utilizar metodologias adequadas regio (ex.: melhor estimativa da evapotranspirao irrigao) Quantificar os riscos de demanda insatisfeita Atualizar conhecimento e aprimorar mtodos Quantificar os riscos

Estimativas das Demandas

Estudos de Eventos Histricos (sries observadas e reconstitudas) Avaliao dos Parmetros Caractersticos de Secas (Durao, Severidade, Magnitude) e Anlise de Freqncia Previso de Secas Conceituao de secas Dados hidrometeorolgicos (erros e inadequao da amostra) Insuficincia de dados Situao operacional das redes climatolgicas e hidrolgicas Estimativa dos volumes dos reservatrios e gua subterrnea Estimativa das demandas Identificao das causas das secas Dados climticos Estrutura dos modelos de previso Parmetros dos modelos Identificao dos ndices de secas Coleta, processamento e transmisso dos dados Incertezas operacionais Quantificao das solicitaes Quantificao da capacidade do sistema (bacia hidrogrfica) Tempo hbil para implementao Previso de custos Adequao das aes Integrao entre os rgos federais, estaduais e municipais Qualificao dos agentes administrativos e usurios de gua Definies de objetivos Estabelecimento das metas e instrumentos Conceituao imprpria Superestimativa / subestimativa -

Superestimativa / Subestimativa dos parmetros Metodologias inadequadas Superestimativa / Subestimativa Modelos inadequados Parmetros (ndices) de monitoramento inadequados Falta de recursos financeiros Quantificao subestimada ou superestimada Ineficincia das aes Dficit oramentrio Desarticulao das aes Corrupo Falta de comunicao Decises inadequadas Objetivos conflitantes Estratgias -

Atualizar conhecimento e aprimorar mtodos Quantificar os riscos Aprimorar sistema de coleta de dados Levantamento batimtrico (CA-V) Quantificar os riscos Atualizar conhecimento e aprimorar modelos

Monitoramento de Secas Anlise dos Impactos das Secas Aes Mitigadoras -

Identificar e aperfeioar ndices adequados regio Aprimorar Sistema de Informao (BD) Elaborar mapas de vulnerabilidade e de riscos Quantificar os riscos Modelar a relao ndice de seca aos impactos correspondentes Melhoria do sistema institucional e legal Quantificar os riscos da no consecuo das aes Associar ndice de seca ao impacto e s aes exigidas Estabelecer oramentos e cronogramas Efetuar controle sistemtico sobre o andamento das aes Efetuar monitoramento das aes Estabelecer estratgias e

Planejamento (curto, mdio e longo prazo):

1. Plano Emergencial de Combate Seca (curto prazo) 2. Plano de Convivncia com a Seca (mdio e longo prazos)

Efetiva capacitao dos tcnicos e usurios

inexeqveis Metas e produtos superestimados

instrumentos operacionais Efetuar controle sistemtico sobre o andamento dos trabalhos

CRITRIOS DE DECISO SOB CONDIES DE INCERTEZA Existem vrias definies e conceitos de deciso. Basicamente, deciso o curso de ao escolhido, como o meio mais efetivo ou eficiente disposio, para obter o resultado esperado e resolver o problema. No cabe aqui a discusso relativa classificao das decises, entretanto, a introduo de deciso racional requerida. Pode-se enunciar que uma deciso racional aquela que, de forma efetiva e eficiente, garante a realizao dos objetivos premeditados, para os quais os meios e os recursos foram alocados (ANDRADE, 1990). Tal definio est centrada em trs pontos importantes para caracterizar a racionalidade de uma deciso: satisfao dos interesses humanos envolvidos; modificao dos meios necessrios aos objetivos procurados; e consistncia do curso de ao. Logo, uma deciso to mais racional de acordo com o grau de envolvimento destas caractersticas no processo. Em certos casos no se tem como calcular as probabilidades envolvidas no processo de deciso, quer pela falta de informao (sries) ou porque o problema demasiadamente novo. Em vista desta complicao faz-se necessrio o uso da probabilidade subjetiva. Sabe-se que a probabilidade medida de incerteza. O bom senso diz que mesmo que o problema seja inteiramente novo, os recursos humanos envolvidos dispem de informao que s vezes pode ser puramente subjetiva. Tal informao deve conter pistas para que se possa aferir, atravs da sensibilidade, o grau de incerteza ou certeza que tem sobre cada fator. Feito isso, estar definido, numericamente, a probabilidade do fator, importante mencionar que a subjetividade nos d apenas um rumo a seguir, pois o erro nesta aferio pode ser alm do esperado. Contudo, a aferio destas probabilidades subjetivas a problemas do mundo real nem sempre possvel, dada quantidade de fatores envolvidos e a discordncia da subjetividade. Nessas situaes, tendo sido determinados os resultados possveis, associados aos diversos eventos que podero ocorrer, o tomador de decises se depara com um problema de escolha de alternativa que poder resultar em sucesso, caso ocorra um evento favorvel, mas que poder resultar em fracasso quando o evento ocorrido seja desfavorvel. Alguns critrios podem ajudar a iluminar a melhor alternativa.

O critrio Minimax ou Maximin supe que em determinado modelo ocorrer o pior evento possvel, contudo o Minimin ou Maximax dita o oposto, sempre ocorre o melhor resultado.Para equilibrar esta balana que surgiu o critrio de Hurwicz, este procura delimitar um meio termo entre os dois extremos anteriores.O critrio de Savage procura determinar os arrependimentos mximos que podero ocorrer, para cada um dos eventos, quando feita uma escolha (ANDRADE, 1990). Mtodo de Monte Carlo O mtodo de Monte Carlo um processo de operar modelos estatsticos de forma a lidar experimentalmente com variveis descritas por funes probabilsticas (ANDRADE, 1990). Tal mtodo nada mais que uma simulao matemtica. Em Pesquisa Operacional temos dois tipos de modelos para resoluo de problemas, modelo de otimizao e modelo de simulao. Um modelo de simulao tem por objetivo representar o mundo real (sempre uma parte dele). Este modelo pode ser usado quando o tomador de decises tenta prever o que aconteceria ao sistema real em determinadas condies, condies estas que esto sob seu controle, o que muitas vezes impossvel no mundo real. Com o Mtodo de Monte Carlo pode-se gerar inmeras sries sintticas. Estas sries seriam semelhantes do ponto de vista estatstico, tendo suas propriedades como mdia, desvio padro, assimetria etc, iguais ao da srie real (observada) com erro controlvel. Assim, pode-se mimetizar o comportamento do modelo. Basta que se tenha uma srie histrica, para se extrair suas propriedades estatsticas. fcil perceber a importncia da otimizao na resoluo de problemas. A robustez do mtodo, aliado a sua simplicidade, apontam para uma diversa gama de aplicaes. APLICAES Nesta seo demonstra-se a aplicabilidade dos conceitos vistos anteriormente, com nfase em recursos hdricos e meio ambiente. Critrios de Deciso Em determinada fazenda deseja-se cultivar uma rea. Esta depende muito da quantidade de precipitao que ocorre na regio. Necessrio se faz escolher o ms em que se deve comear a plantar. Obviamente, a chuva tem seu grau de incerteza, variando suas precipitaes ms a ms. Sabe-se tambm que se chover demais pode arruinar a cultura. Logo tem que se escolher um ms dentre vrias situaes (eventos) de chuva, ponderando-se a precipitao que melhor se adapte a cultura. Suponha que ocorreram os seguintes eventos (valores em milmetros) apresentados na Tabela 2:

Tabela 2: Eventos de chuvas ocorridos na regio.

Ms Janeiro Fevereiro Maro Abril Maio Junho Julho Agosto Setembro Outubro Novembro Dezembro

Evento1 48,46 32,14 25,30 28,39 17,20 25,83 40,32 23,35 28,12 26,43 26,30 32,04

Evento2 42,49 43,67 26,14 40,04 21,71 38,42 54,98 44,12 48,43 37,76 32,52 37,54

Evento3 57,23 53,48 53,27 105,80 89,73 69,23 79,60 41,91 73,23 89,07 110,49 100,04

Evento4 177,38 107,83 76,56 154,84 107,43 72,09 152,61 30,78 102,15 121,53 48,52 86,91

Devem ser empregados os critrios de deciso sob condies de incerteza. Assim sendo podese aferir um ms apropriado considerando os eventos envolvidos. Usou-se a distribuio normal inversa com probabilidade aleatria para todos os eventos, tendo como mdia e desvio padro os valores mostrados na Tabela 3. Depois de adotados os critrios, foram obtidos os resultados apresentados na Tabela 4: Tabela 3: Mdia e desvio padro dos eventos de chuva Evento 1: Evento 2: Evento 3: Evento 4:

x = 50 , = 10 x = 40 , = 10 x = 80 , = 20 x = 100 , = 30

O critrio Minimax obtm o resultado do pior evento possvel. Assim deve-se escolher a alternativa que determina a maior precipitao daquelas que seriam as menores possveis, ou seja, escolher a melhor das piores. J o critrio Minimin adotado quando se tem elevado grau de otimismo envolvido no processo. Tal critrio aponta a melhor alternativa dentre as melhores, escolhendo a melhor das melhores. fcil notar que os dois critrios discutidos so opostos. Ainda por cima so extremos em suas escolhas. Neste caso tem-se o critrio de Hurwicz, o qual admite um elevado grau de flexibilidade, dependendo do grau de otimismo do tomador de decises, fornecendo uma regra de deciso bastante precisa.

Tabela 4: Escolha do ms segundos vrios critrios

Ms Janeiro Fevereiro Maro Abril Maio Junho Julho Agosto Setembro Outubro Novembro Dezembro Valor Escolha Maximin 42,49 32,14 25,30 28,39 17,20 25,83 40,32 23,35 28,12 26,43 26,30 32,04 42,49 Janeiro Maximax 177,38 107,83 76,56 154,84 107,43 72,09 152,61 44,12 102,15 121,53 110,49 100,04 177,38 Janeiro Hurwicz 67,45 37,85 25,63 63,23 45,12 23,13 56,15 10,39 37,01 47,55 42,10 34,00 67,45 Janeiro Savage 53,26 69,55 100,82 22,54 69,95 105,29 30,89 146,60 75,23 55,85 128,86 90,47 22,54 Abril

Sua formulao a seguinte:

H (a i ) = v.(max(c ij )) (1 v).(min(c ij )) sendo: a i = alternativa de deciso; c ij = precipitao da alternativa i caso ocorra o evento j;

(1)

Tem-se ainda a varivel v, chamada de coeficiente de otimismo. Esta varivel afere diretamente o grau de otimismo do gerente. Se v = 0, o pessimismo extremo, e se v = 1 tem-se otimismo extremo. Nesta aplicao adotou-se v = 0,5, que um valor moderado. O critrio de Savage determina os arrependimentos mximos que podero ocorrer, para cada um dos eventos. Determina-se uma matriz de arrependimentos, sendo arrependimento a diferena de precipitao de cada opo para a precipitao mxima do evento. Os elementos so calculados assim:

rij = max(cij ) cij

(2)

Depois de calculada a matriz de arrependimentos (Tabela 5), escolhe-se o arrependimento mximo de cada opo (ms). A alternativa escolhida dever ser aquela que minimiza o arrependimento mximo, como pode ser constatado na tabela da pgina anterior. O resultado da aplicao usando os quatros critrios foi o seguinte: Minimax: Janeiro; Minimin: Janeiro; Hurwicz: Janeiro; Savage: Abril;

Tabela 5: Matriz de arrependimentos

Matriz de Arrependimentos 0,00 12,50 53,26 0,00 16,32 11,31 57,01 69,55 23,16 28,84 57,22 100,82 20,07 14,94 4,69 22,54 31,26 33,27 20,76 69,95 22,62 16,56 41,26 105,29 8,14 0,00 30,89 24,77 25,11 10,86 68,58 146,60 20,33 6,55 37,27 75,23 22,02 17,22 21,42 55,85 22,16 22,46 0,00 128,86 16,42 17,44 10,45 90,47

A escolha do ms de Janeiro pelos trs primeiros critrios no coincidncia. Atentando-se para o modus operandi, observa-se que eles tm abordagem semelhante. J o critrio de Savage tem abordagem bem diferente dos demais, pois trata do arrependimento. Vale ressaltar que a escolha do critrio depende do tomador de decises e sempre haver um critrio que melhor se aplica a um determinado problema. Nesta aplicao o ms escolhido foi Janeiro. importante perceber que estes critrios tentam aproximar uma escolha que geralmente subjetiva em uma escolha exata. Nem sempre se consegue tomar decises racionais usando subjetividade. A quantidade de eventos envolvidos aqui foi reduzida para efeito didtico, mas pode-se usar os critrios junto com simulao matemtica para obter um resultado onde h insuficincia de dados. Poder-se-ia simular n eventos usando o mtodo de Monte Carlo e depois usar os critrios para escolher a melhor alternativa.
Mtodo de Monte Carlo Associado s rvores de Deciso

Como foi citado a priori, o mtodo de Monte Carlo bastante til em anlise de risco, principalmente quando temos outra tcnica aliada simulao. Usando rvores de deciso podemos explorar um conjunto de posicionamentos possveis objetivando a resoluo do problema. Uma rvore de deciso um grafo usado para representar os nveis e camadas do processo decisrio. Estrutura das mais usadas na Cincia da Computao, a rvore pode representar muito bem os caminhos de deciso e suas respectivas conseqncias, no entanto deve-se estabelecer critrios para construo da rvore.

A simplicidade da rvore deve ser mantida a todo custo, sob pena de no conseguirmos us-la corretamente, as informaes representadas nos vrtices devem ser objetivas e necessrias. O modelo de anlise de risco precisa ser claro, para que possamos represent-lo na rvore. Os recursos humanos envolvidos na tomada de deciso precisam estar conscientes da construo da rvore em todos os aspectos, de forma a assegurar que todas as estratgias estejam presentes, o grau de modelagem esteja correto e para que os resultados alcanados possam ser discutidos. Neste item vamos examinar uma associao do mtodo de Monte Carlo com rvores de deciso, de forma a avaliar o risco de um conjunto de estratgias possveis para a soluo de um problema. A rvore de deciso ferramenta das mais antigas e utilizadas para facilitar o processo de anlise de deciso. A difuso dos microcomputadores deu um novo impulso a esta tcnica, por tornarem possvel a associao de modelos de anlise de risco e sensibilidade que do rapidez e flexibilidade ao processo de resoluo de um problema. Para que uma rvore de deciso seja instrumento eficaz de auxlio gerncia, alguns cuidados devem ser tomados: A rvore deve ser simples e conter somente as informaes realmente necessrias, de forma a permitir uma comunicao fcil e completa; Os modelos para anlise de risco e sensibilidade devem ser, dentro do possvel, simples e fceis de compreender, para que seus resultados sejam bem aceitos; As pessoas que vo decidir devem ser envolvidas no processo de anlise, de forma a assegurar que: estejam presentes todas as estratgias que devem ser analisadas; o nvel de modelagem seja correto, sem simplificaes ou complicaes desnecessrias; e os resultados obtidos sejam bem compreendidos e discutidos.
Aplicao do Mtodo de Monte Carlo Associado s rvores de Deciso

Os gestores ambientais de uma determinada Unidade de Conservao ou de uma Bacia Hidrogrfica esto considerando usar um helicptero para conter acidentes ambientais (derramamentos de cargas perigosas, apagar incndios na floresta, etc). A questo definida na forma como os gestores decidiro a melhor forma de usar o helicptero. Baseados em observaes feitas em outros acidentes na rea focada foi visto que h 70% de probabilidade de o helicptero aplacar o acidente na rea A, resultando em uma grande demanda por seus servios. Por outro lado, temos que existe 30% de probabilidade de ocorrer uma pequena demanda pelos seus servios, o que

poderia ocasionar prejuzos ambientais e financeiros, pois trata-se de um equipamento caro e seu uso deve ser constante de forma a recuperar o que foi investido e salvaguardar a rea de interesse ambiental. Para tanto, os gestores imaginaram as seguintes possibilidades de deciso, que devem ser analisadas: 1. 2. 3. usar o helicptero na rea B; usar o helicptero na rea A e se houver grande demanda usar na rea B em seguida; usar o aparelho na rea A e continuar usando sem importar-se com a demanda.

Agora temos que apontar valores possveis aos resultados e considerar a incerteza envolvida em cada item, usando o conhecimento e experincia dos guardas determinou-se os seguintes valores para o ganho de eficincia (em horas semanais) com o uso do helicptero e a probabilidade de que o evento ocorra dentre os 4 identificados (Tabela 6). Tabela 6: Possibilidades, ganhos de eficincia e probabilidades
Possibilidades Possibilidade 1:

Possibilidade 2

Possibilidade 3

Possibilidade 4

Ganho de Eficincia -1 Ocorrncia de pequena 0 demanda na rea A 1 1 Grande demanda na rea A em usar na 3 rea B. 5 1 Ocorrncia de grande demanda na rea A, 2 atender A sempre. 3 -1 Usar imediatamente na 0 rea B. 3 5

Probabilidade(%)

20 50 30 20 30 50 20 40 40 20 30 30 20

Usando os dados acima levantados podemos modelar a rvore de deciso agora, importante listar os componentes da rvore antes de iniciarmos a fase de desenho (Figura 1). Quadrados: so os vrtices de deciso. Crculos: so os vrtices aleatrios. Histogramas: representam as probabilidades associadas aos ns aleatrios, os nmeros internos so os intervalos de nmeros aleatrios escolhidos para os experimentos da simulao.

Figura 1: rvore de deciso Resolver o problema de simulao estabelecer regras que determinam o comportamento do modelo, o qual deve ser bastante prximo do real. Portanto, quando o nmero aleatrio gerado levar a um vrtice de deciso, deve-se tomar todos os ramos que saem no vrtice, de forma a no se interferir tendenciosamente no processo, se o nmero aleatrio gerado levar a um vrtice aleatrio, deve-se tomar somente o ramo ou valor dado pelo nmero aleatrio sorteado (ANDRADE,1990). A simulao ir determinar uma distribuio do grau de eficincia. Note que no precisamos simular a deciso 1, pois seu resultado bvio, se h uma pequena demanda na regio A, ento devemos deslocar o helicptero para a regio B (deciso 4). Essa facilidade inicial se deve ao fato de termos apenas duas regies. Com mais regies provavelmente teramos que usar simulao para este item. Entretanto, ainda precisamos simular as decises 2 e 3. Seus resultados sofrem influncia direta do vrtice A, para cada srie simulada. Aplicando os conceitos de simulao de Monte Carlo citados nas sees anteriores, obtivemos os resultados apresentados na Tabela 7.

Tabela 7: Resultado da simulao de Monte Carlo associado rvore de deciso

N. Randmico(A) Escolha
3 1 2 5 0 3 6 1 2 5 D;E C C D;E C D;E D;E C C D;E

N. Deciso(Random)
4;7 3 1 2;5 7 1;6 7;6 2 1 9;3

Resultado
3;3 0 -1 3;2 1 1;3 5;3 0 -1 5;2

R2
3 0 -1 3 1 1 5 0 -1 5

R3
3 0 -1 2 1 3 3 0 -1 2

Onde R2 o resultado para a deciso 2 e R3 para a deciso 3, perceba que para a deciso 1 usaremos a distribuio para a deciso 4 (mostrada acima), pois a deciso 4 determina 1 (vrtice aleatrio B). A primeira coluna a de nmeros aleatrios para o vrtice A, a segunda coluna define a escolha da deciso de acordo com a rvore e seus histogramas, a terceira define o nmero aleatrio gerado de acordo com o histograma do vrtice aleatrio escolhido na coluna anterior, depois temos as colunas de resultado. Portanto, com a simulao obtivemos a distribuio de probabilidade para as decises 2 e 3. A seguir deve-se comparar os parmetros estatsticos, mdia e desvio padro, mostrados na Tabela 8. Tabela 8: Parmetros estatsticos relativos cada deciso
D eciso 1 1,7 2,24 D eciso 2 1,6 2,27 D eciso 3 1,2 1,62

Mdia D sv.Padro

Logo, temos a mdia (que o grau de eficincia esperado pelo helicptero em cada situao) e o desvio padro, que representa o risco de baixa eficincia envolvido em cada possibilidade. Portanto, conclumos que a melhor alternativa a deciso 1, pois ela apresenta a maior eficincia mdia (1,7), mas vale a pena olhar a deciso 3, devido a seu baixo desvio padro (1,62) outra candidata a ser implementada. Uma segunda aplicao diz respeito anlise de risco utilizando a teoria dos conjuntos difusos (fuzzy). Teoria dos Conjuntos Difusos (TCD) Antes de iniciarmos a apresentao sobre risco difuso e probabilstico, precisamos introduzir a teoria dos conjuntos difusos para que haja um melhor entendimento do assunto que iremos abordar e elucidar quaisquer dvidas referentes s aplicaes que iremos demonstrar.

A teoria dos conjuntos difusos (fuzzy) usada para representar modelos de raciocnio impreciso, que possuem um papel essencial na notvel habilidade humana de tomar decises racionais, em ambientes de incertezas e imprecises (ZADEH, 1988). A principal motivao da TCD o desejo de construir uma estrutura formal quantitativa, capaz de capturar as imprecises do conhecimento humano, isto , na forma como este conhecimento formulado na linguagem natural. Esta teoria visa ser a ponte entre modelos matemticos tradicionais, precisos, de sistemas fsicos e a representao mental, geralmente subjetiva (imprecisa), destes sistemas (DUBOIS et al., 1991). A mente humana opera com conceitos subjetivos tais como alto, baixo, velho e novo, que so incorporados em classes (conjuntos) de objetos na TCD, onde a pertinncia ou no de um elemento a um conjunto d-se de forma gradual e no abrupta (ZADEH, 1990). Um conjunto ntido ou convencional definido como uma coleo de objetos x X, onde X o conjunto universo. Cada elemento pode ou no pertencer a um conjunto A, onde A X. Em um conjunto difuso, representado por em X, cada elemento x pode ter um grau de pertinncia, usualmente no intervalo real [0,1]2, em decorrncia de sua funo de pertinncia caracterstica (BELCHIOR et al., 1997). Portanto, cada funo de pertinncia mapea elementos de um dado conjunto universo X, que sempre um conjunto ntido, para um nmero real em [0,1]. Nos extremos tem-se que, se o grau de pertinncia 0, o elemento no pertence ao conjunto e, se 1, o elemento pertence 100% ao conjunto. Em seguida, mostraremos os conceitos principais relacionados aos conjuntos difusos, baseados em (BELCHIOR et al., 1997): Conjunto de elementos : por exemplo, item em estoque. Varivel Lingstica V: rtulo para um atributo dos elementos , como o nvel de estoque de uma empresa. Termo Lingstico T: referente a uma varivel lingstica, correspondendo a um adjetivo ou a um advrbio, como estoque baixo, relacionado com possveis nveis de estoque de uma empresa. Conjunto Referencial X [- ,]: um atributo particular de V, num conjunto de elementos
, como, por exemplo, [250,750] unidades para nvel de estoque.

Grau de Pertinncia (): valor de pertinncia de um elemento em relao ao conjunto de elementos, rotulado por uma varivel lingstica V, e identificado pelo termo lingstico T. Por exemplo, seja o valor de pertinncia dado por um gerente a estoque, atravs do adjetivo baixo, envolvendo os nveis de estoque sob seu gerenciamento.

Quando sua funo de pertinncia definida neste intervalo diz-se que o conjunto normalizado.

As funes de pertinncia podem assumir diversas formas, sendo a trapezoidal (), ou um de seus casos particulares (como a triangular) a mais utilizada (GALVO et al., 1999).

: [0,1]: (x, a, b, c, d) = 0,

se x < a (x - a)/(b - a), se a x < b 1, se b x c (d - x)/(d - c), se c < x d 0, se x > d. Figura 2: Funo de pertinncia trapezoidal Existem outros conceitos3 importantes na TCD, mas no cabe aqui sua discusso, existe grande quantidade de material (alguns apontados nas referncias bibliogrficas deste trabalho) sobre o assunto, haja vista que no uma teoria nova. Risco Probabilstico e Risco Difuso (fuzzy) A anlise de risco um grande laboratrio para aplicao dos conceitos originrios da Teoria dos Conjuntos Difusos, com estes conceitos a abordagem tende a ser mais realista que os modelos e mtodos convencionais, que geralmente so pouco flexveis. A anlise de um artefato ou projeto de Engenharia, geralmente de natureza fsica, requer a comparao entre duas variveis comuns, uma a solicitao (ou carga), a outra a capacidade (ou resistncia). Naturalmente, o que se espera que a capacidade sempre exceda a solicitao, ou seja, - > 0, seja este um servio simples ou complexo. Entretanto, nem sempre esta premissa satisfeita ocasionando o que chamamos de falha. Seja k o grau de garantia (ou coeficiente de segurana) do modelo, com k > 1, tem-se, = k., sendo que e so determinsticos. Contudo, pode-se deparar com situaes em que e sejam determinados por uma distribuio de probabilidades. Nesses casos as variveis so denominadas aleatrias, sendo que a razo / tambm aleatria, assim como a margem de segurana M, que a diferena . O risco probabilstico pode, ento, ser definido como:
3

Operaes, aritmtica difusa, regras, transformaes (fuzzification e defuzzification) etc.

R = P( < )

ou

R = P(M < 0)

(3)

Note que P determina uma distribuio de probabilidade. ~ ~ ~ M = ( )

(4)

Podemos considerar e nmeros difusos4, assim usando a definio de risco citada a priori e nos expressando em operaes difusas: O risco difuso, segundo Ganoulis (1994), pode ser definido como:

Rd =
Sendo:

M <0

(m)dm

(m)dm

(5)

~ (m) = funo de pertinncia de M .

~ ~ ~ M = ( ) ,

tambm possvel uma abordagem mista, utilizando, ao mesmo tempo, variveis aleatrias e ~ nmeros difusos, como, por exemplo, considerar uma varivel e um nmero difuso. Nesse caso,
~ P( < ) uma funo de distribuio de probabilidades cumulativa, expressa em nmeros

difusos, ou seja, uma distribuio difusa (fuzzy probability). Muitas variveis em recursos hdricos tm natureza difusa ou probabilstica, entre elas podemos citar vazo, nvel de gua, demandas etc., assim como custos e benefcios (de natureza econmica), que esto intimamente ligados com a viabilidade do projeto. Quando h dados escassos (pequenas sries estatsticas etc.) dificultando estimativas por uso de distribuies de probabilidade convencionais h a necessidade de usar estas tcnicas. As aplicaes so muitas. Dentre elas pode-se citar, quantificao de danos ambientais, clculo de riscos econmicos, graus de pertinncia de impactos ambientais, clculo de riscos ambientais difusos etc. Aplicao de Risco Probabilstico e Risco Difuso (fuzzy) Esta aplicao a anlise dos riscos ambientais referentes implantao de um projeto de Engenharia em uma rea verde, aqui usa-se uma estimativa dos valores antes da implementao do projeto e os possveis valores depois do mesmo, em escala de 0 a 10 foi estimado um valor para cada fator ambiental (Tabela 9).

Um nmero difuso na verdade um conjunto difuso com valores numricos.

Tabela 9: Impacto atribudo a cada fator ambiental (antes e aps a obra)

ndice 1 2 3 4 5 6 7 8 9 10 Fator Ambiental Fauna Flora gua Ar Solo Tem peratura Vento Eroso Um idade Reservatrios Depois da Obra Pessim ista M dio timo 5,68 5,45 6,20 3,54 4,00 5,41 4,20 5,00 6,70 4,70 4,53 5,93 5,20 3,80 6,17 4,76 7,10 6,12 6,20 6,40 7,26 5,30 7,08 4,37 6,20 7,45 8,00 4,47 4,42 5,58 Antes da Obra Pessim ista M dio tim o 6,51 6,00 7,29 4,84 4,45 6,52 5,78 4,73 7,17 4,86 3,47 6,23 5,80 5,51 7,54 6,45 7,09 7,19 7,67 6,73 8,50 4,50 6,67 7,43 7,72 5,89 8,07 6,80 5,74 7,77

Para cada fator foi estimado um valor pessimista, provvel (mdio) e um valor otimista (timo), antes e depois da obra. Usando o conceito de nmero difuso triangular (NDT) calcula-se o impacto ambiental de cada fator, basta fazer a diferena entre os valores depois da obra e os valores anteriores. ~ ~ Di () Ai = ( Pessimista D Pessimista A ), ( Mdio D Mdio A ), (timo D timo A )

(6)

Outra medida usada a do impacto difuso mdio local (em cada fator), dado por: ~ = ( Pessimista + Mdio + timo ) / 3 r
i R R D

(7)

Figura 3: Nmero difuso triangular. Calcula-se para todos os fatores o impacto difuso, depois o impacto difuso mdio e a pertinncia do impacto (para impactos negativos). O grau de pertinncia dado pelo ponto que intercepta o eixo da funo no caso x = 0, y = interseo do fator com o eixo de pertinncia (v grfico do NDT). Tabela 10: Risco difuso
ndice 1 2 3 4 5 6 7 8 9 10 Mdia Impacto Difuso Mdio -0,55 -0,45 0,27 1,06 -1,71 0,01 -0,33 0,41 1,56 -1,32 -0,11 Impacto Mdio Difuso -0,82 -0,95 -0,59 0,20 -1,23 -0,92 -1,01 -0,62 -0,01 -1,95 Pertinncia Risco Difuso(%) 1,00 1,00 1,00 1,00 1,00 1,00 1,00 0,88 1,00 1,00 1,00 20,19 15,29 8,54 2,21 15,41 9,94 12,89 6,99 4,94 23,07 10,96

Pessimista -0,83 -1,30 -1,58 -0,16 -0,60 -1,69 -1,47 0,80 -1,52 -2,33 -1,07

timo -1,09 -1,11 -0,47 -0,30 -1,37 -1,07 -1,24 -3,06 -0,07 -2,19 -1,20

Na ltima linha da planilha acima temos o clculo da mdia dos impactos(para cada tipo).Para o grau de pertinncia usa-se os conceitos bsicos de geometria analtica, no caso ponto e reta. A mdia dos impactos calculada simplesmente pela mdia aritmtica, quanto s outras mdias temse que usar o conceito de NDT, pois so na verdade nmeros difusos (resulta de operaes com nmeros difusos). Agora se calcula o risco em cada fator, o qual dado por:

R=

( i + x Mnimo ) X Mximo X Mnimo

(8)

Onde Xmximo o valor de x do maior vrtice (ponto em x) do tringulo formado pelo grfico do NDT e Xmnimo justamente o menor valor de x para um vrtice, i o grau de pertinncia do fator. A medida que interessa, na verdade, a do risco mdio difuso. Este valor que indica o risco global da aplicao, o mesmo calculado da mesma forma que o risco de cada fator (frmula anterior), s que usando os valores mdios de cada componente (calculados na ltima linha da planilha). Nesta aplicao, o risco mdio difuso foi de 10,96%. Risco que pode ser considerado baixo.
CONCLUSES

Conclui-se que essencial o uso das tcnicas aqui apresentadas, principalmente na rea de recursos hdricos e meio ambiente. Entende-se que necessria a divulgao das tcnicas aos tomadores de deciso. O modo como aplicada a tcnica influi para que o problema seja resolvido mais rapidamente. O uso de ferramentas apropriadas, como uma boa planilha de clculo idem. A seguir, so enumeradas algumas possveis aplicaes na rea de recursos hdricos: avaliao da vulnerabilidade e risco de sistemas de reservatrios multiusos (gerao de energia, abastecimento urbano de gua, irrigao etc.); mapeamento da vulnerabilidade e risco de poluio das guas subterrneas e superficiais em bacias hidrogrficas; mapeamento da vulnerabilidade e risco de enchentes em bacias urbanas e rurais; anlise da incerteza na regularizao de vazes em rios intermitentes de bacias de regies semi-ridas; risco probabilstico e incerteza nas chuvas em determinada regio; anlise de risco e impacto ambiental na qualidade das guas de lagos e audes tropicais; e anlise de risco de secas hidrolgicas em rios intermitentes.
REFERNCIAS BIBLIOGRFICAS

ANDRADE, E. L. Introduo Pesquisa Operacional: Mtodos e Modelos para Anlise de Deciso, 2 ed., LTC, Rio de Janeiro, 2000. BELCHIOR, A. D., G. B. XEXO, A. Conjuntos Fuzzy, COPPE, UFRJ, ES-430, 1997. R. C. ROCHA, Enfoques sobre a Teoria dos

FREITAS, M. A. S.; ARAJO, E. W. O. - Anlise de risco, complexidade e incerteza na tomada de deciso em recursos hdricos e meio ambiente, Anais do II Encontro de Ps-Graduao e Pesquisa da Universidade de Fortaleza, abril de 2002. GALVO, C. O., M. J. S. VALENA (ed.) Sistemas Inteligentes: Aplicaes a Recursos Hdricos e Cincias Ambientais, ABRH, Ed. da Universidade UFRGS, 1999. GANOULIS, J. G. Engineering Risk Analysis of Water Pollution Probabilities and Fuzzy Sets, Germany: VCH, Weinheim, 1994. HARR, M. E. , Reliability-Based Design in Civil Engineering, McGraw-Hill Book Company, 1987. KLIR, G. J., Principles of uncertainly: What are they? Why do we need them?, Fuzzy Sets and Systems, 74, 15-311, 1995 PORTO, R.L.L et al - Tcnicas quantitativas para o gerenciamento de recursos hdricos,1 ed, ABRH/UFRGS, 1997. VIEIRA, V. P. B. Avaliao Quantitativa de Riscos Econmicos e Ambientais, In: Sistemas Inteligentes: Aplicaes a Recursos Hdricos e Cincias Ambientais, Ed. ABRH/Ed. Univ. UFRS, Porto Alegre, 1999. VIEIRA, V. P. B. Risk Assessment in the Evaluation of Water Resources Projects, Dissertao de Doutorado, Colorado State University, 1978. YEN, B. C. Stochastic methods and reliability analysis in water resources, Adv. Water Resources, vol. 11, 1988. ZADEH, L. Optmality and no scalar valued performance criteria, IEEE Transactions on Automatic Control, v.59, n.8, 1963.
Nota: As opinies apresentadas neste artigo so de responsabilidade do seu autor, podendo no significar
postura ou atitude da Agncia Nacional de guas ANA.