Você está na página 1de 30

Modelagem e Simulao - Anlise de Deciso

Notas de Aula - Fernando Nogueira 1


Anlise de Deciso

1. Introduo

A Anlise de Deciso envolve o uso de processos racionais para selecionar a melhor
alternativa dentre um conjunto de alternativas possveis.
Os processos de tomada de deciso podem ser divididos em duas principais
categorias:

1) Tomada de Deciso Sem Experimentao, e
2) Tomada de Deciso Com Experimentao.

Os problemas abaixo exemplificam algumas situaes nas quais faz-se necessrio
tomar alguma deciso:

Uma industria lana um novo produto no mercado. Qual ser a reao dos
clientes potenciais ? Quanto deveria ser produzido ? A aceitao do produto
por parte do mercado deveria ser testada em uma pequena regio antes de
decidir sobre a distribuio total do produto ? Quanto deve-se investir em
publicidade para lanar o produto ?
Uma concorrncia pblica ser aberta. Qual ser o custo do projeto ? Quais
as potencias companhias que poderiam concorrer ?
Uma firma agrcola necessita planejar para o prximo ano o uso de suas
terras. Quantos hectares devem ser destinados a pastagens para criao de
gado e quantos hectares devem ser destinados ao plantio de milho e soja ?

Estes exemplos so tipos de processos de tomada de deciso nos quais existe uma
grande incerteza envolvida. Anlise de Deciso fornece uma metodologia para tomar tais
decises de maneira racional.
O exemplo prottipo abaixo ser utilizado para ilustrar a metodologia envolvida.

Exemplo Prottipo: a companhia GoferBroke possui terras que podem ter petrleo. Um
levantamento geofsico determinou que existe 1 chance em 4 de realmente existir petrleo
nestas terras. Por causa desta informao, outra companhia petrolfera quer comprar estas
terras por $90.000,00. Entretanto, a GoferBroke sabe que o custo para perfurar um poo
Modelagem e Simulao - Anlise de Deciso
Notas de Aula - Fernando Nogueira 2
naquela regio $100.000,00. Se for encontrado petrleo, o retorno esperado dever ser de
$800.000,00. Descontando o custo da perfurao, o lucro ento ser de $700.000,00.
A tabela abaixo resume estas informaes.

Tabela 1 - Payoff para a companhia GoferBroke
Payoff Estado
Alternativa Poo com Petrleo Poo Seco
Perfurar $700.000,00 $-100.000,00
Vender a terra $90.000,00 $90.000,00
Chance 1 em 4 3 em 4

Qual a deciso que a companhia GoferBroke deve tomar: 1) vender a terra e ganhar
$90.000,00 sem riscos ou 2) perfurar o poo a um custo de $100.000,00 e obter um retorno
de $800.000,00, resultando em lucro de $700.000,00 com um risco estimado em 75% (3 em
4) ?

2. Tomada de Deciso Sem Experimentao

Como se percebe no exemplo prottipo, existe uma informao referente chance
que existe em achar petrleo ou no. Esta informao pode ser convertida em uma medida
de probabilidade. Com isso, pode-se dizer que existe uma probabilidade de 0.25 de
encontrar petrleo e conseqentemente, uma probabilidade de 0.75 de no encontrar
petrleo. A estas probabilidades d-se o nome de Probabilidades a Priori.
Na terminologia de Anlise de Deciso, os valores $700.000,00, $-100.000,00,
$90.000,00 e $90.000,00 da tabela 1 so denominados Estados da Natureza.
Por Tomada de Deciso Sem Experimentao, entende-se que de conhecimento
apenas as Probabilidades a Priori e os Estados da Natureza.
Neste tipo de tomada de deciso pode-se utilizar, entre outros, trs critrios:
1. Critrio de Maximin Payoff,
2. Critrio de Mxima Verossimilhana, e
3. Critrio da Regra de Bayes.

2.1 Critrio de Maximin Payoff

Neste critrio, o problema de tomar uma deciso vista como um J ogo (Teoria dos
J ogos) entre o Tomador de Deciso (jogador A) e a Natureza (jogador B).
Modelagem e Simulao - Anlise de Deciso
Notas de Aula - Fernando Nogueira 3
Como a matriz de Payoff geralmente formada para o Tomador de Deciso (os
valores da matriz so os payoff para o jogador A), a deciso pode ser tomada baseada no
Critrio de Maximin Payoff.

Critrio de Maximin Payoff: para cada ao (estratgia), encontrar o mnimo payoff entre
todos os Estados da Natureza e ento encontrar o mximo destes payoff mnimos. Escolher
a ao cujo mnimo payoff resultou neste mximo.

No exemplo prottipo o Maximin :

Payoff Mnimo em
Linha
Estado

Alternativa Poo com Petrleo Poo Seco
Perfurar $700.000,00 -$100.000,00 $-100.000,00
Vender a terra $90.000,00 $90.000,00 $90.000,00 Maximin

Com isso, a deciso a ser tomada vender a terra.

2.2 Critrio de Mxima Verossimilhana

Este critrio assume como deciso a ser tomada a que for mais provvel.

Critrio de Mxima Verossimilhana: identificar o Estado da Natureza mais provvel (o
com maior probabilidade). Para este Estado da Natureza, encontrar a ao com mximo
payoff. Escolher esta ao.

Aplicando este critrio para o exemplo prottipo, indica que o Estado Poo Seco
possui a maior probabilidade. Na coluna "Poo Seco", a alternativa "Vender a terra" possui
o maior payoff.

Payoff Estado
Alternativa Poo com Petrleo Poo Seco
Perfurar $700.000,00 $-100.000,00
Vender a terra $90.000,00 $90.000,00 Mximo
Probabilidade Prior 0.25 0.75
Mximo

Modelagem e Simulao - Anlise de Deciso
Notas de Aula - Fernando Nogueira 4
Com isso, a ao a ser tomada, segundo este critrio vender a terra.
O maior problema deste critrio que este ignora completamente muita informao
relevante. Nenhum outro Estado da Natureza considerado, a no ser o mais provvel.

2.3 Critrio da Regra de Bayes


Thomas Bayes (*1702, Londres, Inglaterra; 1761 em Tunbridge Wells, Inglaterra).

Regra de Deciso de Bayes: usando a melhor estimativa das probabilidades dos
respectivos Estados da Natureza (as Probabilidades Priori), calcular o valor esperado de
payoff para cada alternativa possvel. Escolher a alternativa com mximo payoff esperado.

Para o exemplo prottipo, os payoff esperados E so calculados diretamente a partir
da tabela 1 como:

( ) [ ] ( ) 00 , 000 . 100 00 , 000 . 100 * 75 . 0 00 , 000 . 700 * 25 . 0 Perfurar Payoff E = + =
(1)
( ) [ ] ( ) 00 , 000 . 90 00 , 000 . 90 * 75 . 0 00 , 000 . 90 * 25 . 0 Terra Vender Payoff E = + =
(2)

Uma vez que $100.000,00 maior que $90.000,00 a ao a ser tomada, segundo
este critrio perfurar o poo. Percebe-se que este critrio resultou em uma ao diferente
das aes obtidas segundo os dois critrios anteriores.
A grande vantagem deste critrio em relao aos demais que este incorpora todas
as informaes disponveis (Estados da Natureza e Probabilidades a Priori).
A fim de verificar o efeito de possveis imprecises nas Probabilidades a Priori,
pode-se realizar uma Anlise de Sensibilidade.

Modelagem e Simulao - Anlise de Deciso
Notas de Aula - Fernando Nogueira 5
2.3.1 Anlise de Sensibilidade para o Critrio da Regra de Bayes

A Anlise de Sensibilidade para o Critrio da Regra de Bayes facilmente
implementado atravs da generalizao das expresses (1) e (2). Denominando p como a
Probabilidade a Priori para poo com petrleo, a Probabilidade a Priori para poo seco
dada por 1-p, uma vez que a soma das probabilidades a Priori resulta em 1. Os payoff
esperados (em milhares de $, para simplificao da notao) ficam:

( ) [ ] ( ) 100 p 800 p 1 100 p 700 Perfurar Payoff E = =
(3)
( ) [ ] ( ) 90 p 1 90 p 90 Terra Vender Payoff E = + =
(4)

A figura abaixo mostra em azul a reta dada pela expresso (3), em vermelho a reta
dada pela expresso (4) e em verde a reta que divide a regio onde a deciso deveria ser
vender a terra (regio esquerda) da regio onde a deciso deveria ser perfurar o poo
(regio direita).

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
-100
0
100
200
300
400
500
600
700
Analise de Sensibilidade para o exemplo GoferBroke
Probabilidade a Priori para Poo com Petroleo
P
a
y
o
f
f

E
s
p
e
r
a
d
o
Regio onde
a deciso deveria
ser perfurar o poo
Regio onde
a deciso deveria
ser vender a terra
Fig. 1 - Regies de Deciso para o Critrio da Regra de Bayes

Para encontrar a Probabilidade a Priori (ponto no eixo x do grfico da figura 1) onde
a deciso a ser tomada muda (Crossover Point) faz-se:
Modelagem e Simulao - Anlise de Deciso
Notas de Aula - Fernando Nogueira 6

( ) [ ] ( ) [ ]
2375 . 0
800
190
p
90 100 p 800 Terra Vender Payoff E Perfurar Payoff E
= =
= = =

(5)

Com isso, pode-se concluir que se p>0.2375, a deciso deveria ser perfurar o poo e
se p<0.2375, a deciso deveria ser vender a terra.
Para outros problemas que possuem mais de que duas alternativas, o mesmo
procedimento pode ser aplicado, a diferena que vai haver mais retas (uma para cada
alternativa). No entanto, a reta que estiver mais acima (no exemplo, reta azul acima da
vermelha para a regio onde p>0.2375 e reta vermelha acima da azul para a regio onde
p<023.75) dentre as demais em uma regio indica a deciso a ser tomada.
Com mais que duas retas, poder haver mais de um Crossover Point, onde a deciso
muda de uma alternativa para outra.
Para problemas com mais de dois Estados da Natureza, a metodologia mais direta
realizar a Anlise de Sensibilidade sobre somente dois Estados de cada vez.

3. Tomada de Deciso Com Experimentao

Freqentemente, testes adicionais (experimentaes) podem ser realizadas para
melhorar as estimativas preliminares dos respectivos Estados da Natureza fornecidos pelas
Probabilidades a Priori. Estas estimativas melhoradas so denominadas Probabilidades a
Posteriori.

Exemplo Prottipo com Experimentao: a companhia GoferBroke pode realizar um
levantamento geofsico mais detalhado das suas terras para obter uma melhor estimativa da
probabilidade de encontrar petrleo. O custo deste levantamento $30.000,00.
O levantamento geofsico obtm sondagens ssmicas que indicam se a estrutura
geolgica favorvel para a presena de petrleo. Assim, as possibilidades de encontrar
petrleo podem ser divididas em duas categorias:

USS: Sondagem Ssmica Desfavorvel presena de petrleo na regio pouco provvel;
FSS: Sondagem Ssmica Favorvel presena de petrleo na regio bastante provvel.

Baseado em experincias passadas, se existir petrleo, ento a probabilidade de
Sondagem Ssmica Desfavorvel :

Modelagem e Simulao - Anlise de Deciso
Notas de Aula - Fernando Nogueira 7
( ) 4 . 0 petrleo Estado USS P = = , e (6)
( ) 6 . 0 4 . 0 1 petrleo Estado FSS P = = = (7)

Similarmente, se no h petrleo (isto , o Estado da Natureza Poo Seco), ento a
probabilidade de Sondagem Ssmica Desfavorvel estimada para ser:

( ) 8 . 0 o sec poo Estado USS P = = , e (8)
( ) 2 . 0 8 . 0 1 o sec poo Estado FSS P = = = (9)

A estas probabilidades dadas em (6), (7), (8) e (9) d-se o nome de Probabilidades
Condicionais, a partir das quais pode-se encontrar as Probabilidades a Posteriori dos
respectivos Estados da Natureza dada as Sondagens Ssmicas.

3.1 Probabilidades a Posteriori

Em termos gerais, considerando que:

n =nmero de Estados da Natureza;
P(Estado =estado i) =Probabilidade a Priori que o Estado verdadeiro da Natureza
o estado i, para i =1, 2, . . ., n;
Constatao = constatao a partir de uma experimentao (uma varivel
randmica);
Constatao j =um valor possvel de constatao;
P(Estado =estado i | Constatao =constatao j) =Probabilidade a Posteriori que o
Estado verdadeiro da Natureza estado i, dado que Constatao =constatao j, para i =1,
2, . . ., n.

O objetivo :

Dado P(Estado =estado i) e P(Constatao =constatao j | Estado =estado i), para
i =1, 2, . . . , . Qual P(Estado =estado i | Constatao =constatao j)?

Esta questo respondida por combinar as seguintes frmulas da teoria de
Probabilidade:

( )
( )
( ) j o constata o Constata P
j o constata o Constata , i estado Estado P
j o constata o Constata i estado Estado P
=
= =
= = =

(10)
Modelagem e Simulao - Anlise de Deciso
Notas de Aula - Fernando Nogueira 8

( ) ( ) = = = =
=
n
1 k
j o constata o Constata , k estado Estado P j o constata o Constata P
(11)

( )
( ) ( ) i estado Estado P . i estado Estado j o constata o Constata P
j o constata o Constata , i estado Estado P
= = =
= = =

(12)

A probabilidade em (12), d-se o nome de Probabilidade Conjunta.
Portanto, para cada i =1, 2,..., n, a frmula desejada para a Probabilidade a
Posteriori :

( )
( ) ( )
( ) ( ) = = =
= = =
= = =
=
n
1 k
k estado Estado P . k estado Estado j o constata o Constata P
i estado Estado P . i estado Estado j o constata o Constata P
j o constata o Constata i estado Estado P

(13)

A expresso 13 denominada Teorema de Bayes.
Retomando o exemplo prottipo, se a constatao do levantamento ssmico
Sondagem Ssmica Desfavorvel (USS), ento as Probabilidades a Posteriori so:

( )
7
1
) 75 . 0 ( 8 . 0 ) 25 . 0 ( 4 . 0
) 25 . 0 ( 4 . 0
USS o Constata petroleo Estado P =
+
= = =
(14)

( )
7
6
7
1
1 USS o Constata o sec poo Estado P = = = =
(15)

Similarmente, se o levantamento ssmico resulta em Sondagem Ssmica Favorvel
(FSS), ento:

( )
2
1
) 75 . 0 ( 2 . 0 ) 25 . 0 ( 6 . 0
) 25 . 0 ( 6 . 0
FSS o Constata petroleo Estado P =
+
= = =
(16)

( )
2
1
2
1
1 FSS o Constata o sec poo Estado P = = = =
(17)

Uma maneira interessante de organizar estes clculos utilizar um diagrama em
rvore de probabilidade.

Modelagem e Simulao - Anlise de Deciso
Notas de Aula - Fernando Nogueira 9
Fig. 2 - Diagrama em rvore de Probabilidades.

No diagrama da figura 2, as Probabilidades a Priori esto na primeira coluna e as
Probabilidades Condicionais esto na segunda coluna. Estas probabilidades so as
informaes de entrada. Multiplicando cada Probabilidade na primeira coluna por uma
probabilidade na segunda coluna resulta na Probabilidade Conjunta correspondente na
terceira coluna. Cada Probabilidade Conjunta torna-se o numerador no clculo das
Probabilidades a Posteriori na quarta coluna. Acumulando as Probabilidades Conjuntas
com mesma constatao, fornece o denominador para cada Probabilidade a Posteriori com
esta constatao.
Depois que estes clculos foram completados, a Regra de Deciso de Bayes pode
ser aplicada simplesmente como em (1) e (2), com as Probabilidades a Posteriori no lugar
das Probabilidades a Priori. De novo, usando os payoff dados e subtraindo os custo da
experimentao, obtm-se o seguinte resultado:

Payoff Esperado se constatao Sondagem Ssmica Desfavorvel (USS):

( ) [ ] ( ) ( ) 7 . 15 30 100
7
6
700
7
1
USS o Constata Perfurar Payoff E = + = =
(18)

Modelagem e Simulao - Anlise de Deciso
Notas de Aula - Fernando Nogueira 10
( ) [ ] ( ) ( ) 60 30 90
7
6
90
7
1
USS o Constata Vender Payoff E = + = =
(19)

Payoff Esperado se constatao Sondagem Ssmica Favorvel (FSS):

( ) [ ] ( ) ( ) 270 30 100
2
1
700
2
1
FSS o Constata Perfurar Payoff E = + = =
(20)

( ) [ ] ( ) ( ) 60 30 90
2
1
90
2
1
FSS o Constata Vender Payoff E = + = =
(21)

Uma vez que o objetivo maximizar o Payoff Esperado, estes resultados produzem
a seguinte poltica tima, como mostra a tabela 2.

Tabela 2 - Politica tima com Experimentao sob a Regra de Deciso de Bayes.
Constatao a
partir do
Levantamento
Ssmico
Ao tima Payoff Esperado
excluindo custos de
levantamento
Payoff Esperado
incluindo custos de
levantamento
USS vender a terra 90 60
FSS perfurar 300 270

Entretanto, este resultado no responde se vlido gastar (ou no) $30.000,00 para
realizar a experimentao.

3.2 O Valor da Experimentao

Antes de realizar qualquer experimentao, deve-se estimar seu valor potencial.
Para isto pode-se utilizar dois mtodos.
O primeiro mtodo assume que o experimento ir remover toda a incerteza sobre o
verdadeiro Estado da Natureza e ento calcula-se a melhora no Payoff Esperado ignorando
o custo da experimentao. Esta quantidade, denominada Valor Esperado da Informao
Perfeita (EVPI) fornece um limite superior para o valor potencial do experimento.
Portanto, se este limite superior menor que o custo da experimentao, a experimentao
no deve ser realizada.
Entretanto, se este limite superior excede o custo da experimentao, ento um
segundo mtodo dever ser utilizado. Este segundo mtodo calcula a melhora atual no
Payoff Esperado (ignorando o custo da experimentao) que resultaria a partir de realizar a
Modelagem e Simulao - Anlise de Deciso
Notas de Aula - Fernando Nogueira 11
experimentao. A comparao da melhora do Payoff Esperado com o custo indica se a
experimentao deve ou no ser realizada.

Valor Esperado da Informao Perfeita: admitindo que a experimentao permita
identificar o verdadeiro Estado da Natureza (informao perfeita) e portanto, a ao a ser
realizada aquela que fornece o maior Payoff para aquele Estado. Uma vez que no se
conhece qual o Estado da Natureza que ser identificado como verdadeiro Estado da
Natureza, o clculo do Payoff Esperado com Informao Perfeita (ignorando os custos da
experimentao) requer ponderar o mximo Payoff para cada Estado da Natureza pelas suas
respectivas Probabilidades a Priori. A tabela 3 mostra os Payoff Mximos (em milhares de
$) para os possveis Estados da Natureza do exemplo prottipo.

Tabela 3 - Payoff Mximos para os possveis Estados da Natureza
Payoff Estado
Alternativa Poo com Petrleo Poo Seco
Perfurar $700 $-100
Vender a terra $90 $90
Probabilidade Prior 0.25 0.75
Mximo Payoff $700 $90

O Payoff Esperado com Informao Perfeita (EVWPI) para o exemplo prottipo
ento:

5 . 242 ) 90 ( 75 . 0 ) 700 ( 25 . 0 EVWPI = + =
(22)

O Valor Esperado da Informao Perfeita (EVPI) calculado como:

EVWOE EVWPI EVPI = (23)

onde:
EVWOE o Valor Esperado Sem Experimentao.

Geralmente a experimentao no fornece Informao Perfeita, porm o EVPI
fornece um limite superior do valor esperado da experimentao.
Para o exemplo prottipo, o Valor Esperado Sem Experimentao (seo 2.3) 100.
Portanto:

Modelagem e Simulao - Anlise de Deciso
Notas de Aula - Fernando Nogueira 12
5 . 142 100 5 . 242 EVPI = = (24)

Uma vez que 142.5 maior que 30 (custo do levantamento geofsico), deve-se
proceder com o levantamento geofsico. O segundo mtodo citado abaixo avalia o potencial
benefcio da experimentao.

Valor Esperado da Experimentao: para calcular esta quantidade requer primeiro
computar o Payoff Esperado Com Experimentao (ignorando os custos da
experimentao) (seo 3.1) e as probabilidades das Constataes P(Constatao =
constatao j). Esta quantidade ento fica:

( ) [ ] j o constata o Constata payoff E . j o constata o Constata P
aao Experiment Com Esperado Payoff
j
= =
=

(25)

onde:

( )
( ) ( ) = = =
= =
=
n
1 k
k estado Estado P . k estado Estado j o constata o Constata P
j o constata o Constata P

(26)

Para o exemplo prottipo, tem-se que:

( ) ( ) ( ) 7 . 0 75 . 0 * 8 . 0 25 . 0 * 4 . 0 ) o sec poo ( P . o sec poo USS P ) petroleo ( P . petroleo USS P USS P = + = + = (27)
( ) ( ) ( ) 3 . 0 75 . 0 * 2 . 0 25 . 0 * 6 . 0 ) o sec poo ( P . o sec poo FSS P ) petroleo ( P . petroleo FSS P FSS P = + = + = (28)
( ) 90 USS o Constata Payoff E = = (29)
( ) 300 FSS o Constata Payoff E = = (30)

Com isso, o Payoff Esperado Com Experimentao :

153 ) 300 ( 3 . 0 ) 90 ( 7 . 0 aao Experiment Com Esperado Payoff = + =
(31)

O Valor Esperado da Experimentao (EVE) dado ento por:

aao Experiment Sem Esperado Payoff aao Experiment Com Esperado Payoff EVE =
(32)

Para o exemplo prottipo, fica:

Modelagem e Simulao - Anlise de Deciso
Notas de Aula - Fernando Nogueira 13
53 100 153 EVE = = (33)

Uma vez que este valor excede 30 (o custo do levantamento geofsico), a
experimentao dever ser realizada.

4. rvores de Deciso

rvores de Deciso fornecem uma maneira til de visualmente mostrar o problema
e ento organizar o trabalho computacional descrito nas sees anteriores. Tais rvores so
teis quando uma seqncia de decises precisa ser realizada.
O exemplo prottipo envolve uma seqncia de duas decises:

1. O levantamento geofsico dever ser realizado ?
2. Qual ao (perfurar ou vender a terra) dever ser realizada ?

Nestas rvores, os ns so denominados bifurcaes (forks) e os arcos so
denominados galhos (branches). Uma bifurcao de deciso (decision fork), representada
aqui por um quadrado, indica que uma deciso precisa ser feita naquele ponto do processo.
Uma bifurcao de chance (chance fork), representada por um crculo, indica que um
evento randmico ocorre naquele ponto.
A rvore da figura 3 mostra a rvore para o exemplo prottipo.


Fig. 3 - rvore de Deciso para o exemplo prottipo.

Modelagem e Simulao - Anlise de Deciso
Notas de Aula - Fernando Nogueira 14
Na rvore da figura 3, a primeira deciso representada pela bifurcao a. A
bifurcao b a bifurcao de chance representando o evento randmico do resultado do
levantamento geofsico. Os dois galhos provenientes da bifurcao b representam os dois
resultados possveis do levantamento. Aps, vem a segunda deciso (bifurcaes c,d e e)
com duas escolhas possveis. Se a deciso perfurar, ento resultar em outras bifurcaes
de chance (f, g e h), que se conectam a dois galhos que representam os dois Estados da
Natureza.
O prximo passo na construo da rvore de deciso inserir o fluxo de dinheiro e
as probabilidades referentes a cada galho (arco). Na figura 4, as probabilidades esto em
azul dentro de parnteses e o fluxo de dinheiro (em milhares de $) em vermelho e em verde,
no canto direito da figura encontra-se os valores de Payoff para cada ao.

Fig. 4 - rvore de Deciso para o exemplo prottipo com fluxo de dinheiro e probabilidades.



Modelagem e Simulao - Anlise de Deciso
Notas de Aula - Fernando Nogueira 15
4.1 Realizando a Anlise

De posse da rvore de Deciso (como na figura 4), pode-se realizar a anlise, de
acordo com os seguintes passos:

1. Comear no lado direito da rvore e mover para a esquerda uma coluna de cada
vez. Para cada coluna, utilizar o passo 2 ou passo 3, dependendo se a bifurcao na
coluna uma bifurcao de chance ou uma bifurcao de deciso.

2. Para cada bifurcao de chance calcular seu Payoff Esperado multiplicando o Payoff
Esperado de cada galho (em verde, na figura 4) pela probabilidade de cada galho e
ento somar estes produtos. Armazenar este Payoff Esperado para cada bifurcao
de deciso (tambm em verde na figura 5) e designar esta quantidade como sendo o
Payoff Esperado para o galho oriundo desta bifurcao.

3. Para cada bifurcao de deciso comparar o Payoff Esperado de seus galhos e
escolher a alternativa cujo galho tem maior Payoff Esperado. Em cada caso,
armazenar a escolha na rvore de Deciso inserindo barras duplas (representando
uma barreira) em cada galho rejeitado (ver figura 5).

Para comear o procedimento, considere a coluna mais direita cujos galhos originam-
se das bifurcaes f, g e h. Aplicando o passo 2, seus Payoff Esperados (EP) so
calculados como:

7 . 15 ) 130 (
7
6
) 670 (
7
1
EP = + =
para bifurcao f (34)
270 ) 130 (
2
1
) 670 (
2
1
EP = + =
para bifurcao g (35)
100 ) 100 (
4
3
) 700 (
4
1
EP = + =
para bifurcao h (36)

Estes Payoff Esperados so colocados acima destas bifurcaes (ver figura 5).
Dando seqncia, move-se uma coluna para a esquerda, o que consiste em alcanar
as bifurcaes de deciso c,d e e. Atravs do passo 3 obtm-se:

Bifurcao c: perfurar com EP =-15.7
vender com EP =60
60>-15.7, portanto escolher vender
Modelagem e Simulao - Anlise de Deciso
Notas de Aula - Fernando Nogueira 16
Bifurcao d: perfurar com EP =270
vender com EP =60
270>60, portanto escolher perfurar
Bifurcao e: perfurar com EP =100
vender com EP =90
100>90, portanto escolher perfurar

Estes Payoff Esperados so colocados acima destas bifurcaes de deciso (ver
figura 5). A alternativa escolhida tambm est indicando para inserir barras duplas nos
galhos rejeitados.
Movendo mais uma coluna a esquerda alcana-se a bifurcao de chance b.
Aplicando o passo 2, os Payoff Esperados de seus galhos encontram-se armazenados
sobre as seguintes bifurcaes de deciso (c e d). Portanto, o Payoff Esperado :

123 ) 270 ( 3 . 0 ) 60 ( 7 . 0 EP = + =
para bifurcao b (37)

Finalmente, alcana-se a bifurcao de deciso a. Aplicando o passo 3, resulta em:

Bifurcao a: fazer levantamento geofsico com EP =123
no fazer levantamento geofsico com EP =100
123>100, portanto escolher fazer levantamento

O Payoff Esperado de 123 deve ser colocado sobre a bifurcao a e uma barra dupla
indicando o galho rejeitado.

Modelagem e Simulao - Anlise de Deciso
Notas de Aula - Fernando Nogueira 17
Fig. 5 - rvore de Deciso final para o exemplo prottipo.

Uma vez concluda a rvore, move-se da esquerda para a direita atravs apenas dos
caminhos abertos (sem barras duplas), o que resulta na seguinte poltica tima:

Poltica tima:
Fazer levantamento geofsico,
Se resultado desfavorvel, vender a terra, seno perfurar.
O Payoff Esperado (incluindo os custos do levantamento) 123 ($123.000,00).

Esta soluo tima (nica) a mesma que pode ser obtida sem o beneficio da
rvore de Deciso aplicando a expresso 37 para os valores da tabela 2.



Modelagem e Simulao - Anlise de Deciso
Notas de Aula - Fernando Nogueira 18
5. Teoria da Utilidade

Nas sees anteriores, considerou-se que o Payoff Esperado em termos monetrios
uma medida apropriada das conseqncias de tomar uma ao. Entretanto, em muitas
situaes esta considerao no reflete o "verdadeiro" Payoff Esperado que o tomador de
decises deseja. O pargrafo abaixo explica o porque disto.
Supondo que seja oferecido a um indivduo um investimento (jogo, negcio,...) no
qual h (1) uma chance de 50% de ganhar $100.000,00 ou (2) receber $40.000,00 com
garantia (chance de 100%). Muitas pessoas devem preferir a opo 2 (receber $40.000,00
com garantia), mesmo embora o Payoff Esperado de ganhar $100.000,00 em uma chance de
50% $50.000,00.
Este exemplo no invalida a Regra de Deciso de Bayes porque existe uma maneira
de transformar os valores monetrios para uma escala apropriada que reflete as preferncias
do tomador de deciso. Esta escala denominada Funo de Utilidade para o Dinheiro.
A figura 6 mostra um exemplo desta funo para um indivduo (organizao) que
tem "averso ao risco" (verde), "indiferente ao risco" (azul), "atrao ao risco" (vermelho).
As funes na figura 6 indicam que o valor do dinheiro M possui uma utilidade
u(M). De maneira textual, para a curva "averso ao risco" por exemplo, um ganho de 600
(M =600) possui uma utilidade de apenas algo em torno de 300 (u(M) =300), enquanto um
prejuzo de 600 (M =-600) possui uma utilidade em torno de -2500 (u(M) =- 2500). Para
as demais curvas o raciocnio anlogo.
Um modelo bastante comum utilizado para a Funo de Utilidade u(M) dado
abaixo:

( )

=

R
M
e 1 R M u
(38)

onde:
M o valor do dinheiro;
R a tolerncia ao risco do indivduo.

Assim, uma grande averso ao risco corresponde para um pequeno valor de R,
enquanto uma atrao ao risco corresponde para um alto valor de R.
Neste contexto comum apresentar as curvas da figura 6 como na figura 7.
Modelagem e Simulao - Anlise de Deciso
Notas de Aula - Fernando Nogueira 19

-600 -400 -200 0 200 400 600
-3000
-2000
-1000
0
1000
2000
3000
M
u(M)
Funo de Utilidade
averso
ao risco
atrao
ao risco
indiferena
ao risco
Fig. 6 - Exemplo de Funo de Utilidade para o Dinheiro.


atrao
ao risco
indiferena
ao risco
averso
ao risco

Fig. 7 - Funo de Utilidade tipicamente apresentada.

Como exemplo desta teoria, tem-se a Funo de Utilidade do Dinheiro para o
exemplo prottipo da companhia GoferBroke de acordo com a figura 8. A companhia
GoferBroke possui averso ao risco (curva verde).
O procedimento para utilizar a rvore de deciso para analisar o problema de
tomada de deciso idntico ao descrito na seo 4, exceto que os Payoff monetrios so
substitudos pelos valores de utilidade u(M).
Modelagem e Simulao - Anlise de Deciso
Notas de Aula - Fernando Nogueira 20


-600 -400 -200 0 200 400 600
-800
-600
-400
-200
0
200
400
600
800
M
u(
M)
Funao de Utilidade para o dinheiro da GoferBroke
averso
ao risco
indiferena
ao risco
Fig. 8 - Funo de Utilidade para o Dinheiro da companhia GoferBroke.

A tabela abaixo mostra os valores dos Payoff monetrios e seus respectivos valores
de utilidade.

Tabela 4 - Utilidade para a companhia GoferBroke
Payoff Monetrio Utilidade
-130 -150
-100 -105
60 60
90 90
670 580
700 600

A rvore de Deciso agora fica:

Modelagem e Simulao - Anlise de Deciso
Notas de Aula - Fernando Nogueira 21
Fig. 9 - rvore de Deciso para o exemplo prottipo com valores de utilidade.

A Poltica tima obtida com os valores de utilidade neste exemplo a mesma obtida
com os Payoff monetrios, apenas com a diferena no valor da Utilidade Esperada (que
corresponde ao Payoff Esperado no caso de utilizar Payoff monetrio).

Poltica tima (utilidade):
Fazer levantamento geofsico,
Se resultado desfavorvel, vender a terra, seno perfurar.
A Utilidade Esperada (incluindo os custos do levantamento) 106.5 ($106.500,00).







FONTE: Hiller & Lieberman, CAP. 15

Modelagem e Simulao - Anlise de Deciso
Notas de Aula - Fernando Nogueira 22
Exerccios - Anlise de Deciso
qualquer erro, favor enviar e-mail para fernog@engprod.ufjf.br

1) Uma companhia desenvolveu um novo chip de computador que a habilita a produzir
computadores. Alternativamente, est firma pode vender os direitos do chip por
$15.000.000,00. Se a companhia escolhe produzir os computadores, a lucratividade
depender da habilidade da companhia para vender os computadores. Devido a
informaes dos distribuidores, a companhia ir vender com certeza 10.000
computadores, porm se o produto "emplacar", a companhia poder vender 100.000
computadores. Para propsitos de anlise, estes dois nveis de vendas so dois
resultados possveis, porm, suas probabilidades a priori no so conhecidas. O
custo de instalao da linha de produo de $6.000.000,00. O lucro sobre cada
computador vendido $600,00.
a) Identifique as aes (alternativas), os estados da natureza e a tabela de
Payoff.
b) Desenvolva um grfico dos Payoff Esperados para cada ao alternativa
versus a probabilidade a priori de vender 10.000.
c) Determine o ponto de Crossover para o grfico acima. Qual o significado
deste ponto ?
d) Assumindo que as probabilidades a priori dos dois nveis de venda so
ambos iguais a 0.5, qual ao deveria ser tomada ?

2) Dada a seguinte tabela de investimentos:
Economia
Crescente
Economia
Estvel
Economia
Decrescente
Investimento
Conservador
$30.000,00 $5.000,00 $-10.000,00
Investimento
Especulativo
$40.000,00 $10.000,00 $-30.000,00
Investimento Cclico $-10.000,00 $0,00 $15.000,00
Probabilidade a Priori 0.1 0.5 0.4
Qual investimento deve ser escolhido segundo cada um dos critrios abaixo:
a) Maximin Payoff
b) Mxima Verossimilhana
c) Deciso de Bayes

3) Reconsidere o problema 1 agora considerando que uma pesquisa de mercado ao
custo de $1.000.000,00 pode ser realizada para prever qual dos dois nveis de
Modelagem e Simulao - Anlise de Deciso
Notas de Aula - Fernando Nogueira 23
demanda mais provvel ocorrer. Experincias prvias indicam que tais pesquisas
so corretas em dois teros das vezes em que so realizadas.
a) Encontre o EVPI para este problema. Considere a probabilidade a priori de
vender 10.000 igual a probabilidade a priori de 100.000 igual a 0.5.
b) A resposta em a) indica que compensa realizar a pesquisa de mercado ?
c) Desenvolva um diagrama em rvore de probabilidade para obter as
probabilidades a posteriori dos dois nveis de demanda para cada dos dois
resultados possveis da pesquisa de mercado.
d) Encontre EVE.

4) J os toma decises de acordo com a regra de deciso de Bayes. J os construiu a
seguinte tabela de Payoff :
Estado da Natureza
Alternativa S
1
S
2
S
3

A
1
50 100 -100
A
2
0 10 -10
A
3
20 40 -40
Probabilidade a Priori 0.5 0.3 0.2
a) Qual alternativa J os deve escolher ?
b) Encontre EVPI
c) Qual o mximo que J os deve pagar para obter maiores informaes sobre qual
estado da natureza ir ocorrer ?

5) Suponha que voc more em uma regio sujeita a terremotos, assim voc est
considerando comprar um seguro para sua casa ao custo anual de $180,00. A
probabilidade de um terremoto danificar sua casa durante um ano 0.001. Se isto
acontece, voc estima que o custo dos danos (totalmente cobertos pelo seguro)
$160.000,00. Seus bens (incluindo a sua casa) totalizam $250.000,00.
a) Aplique a regra de deciso de Bayes para determinar qual alternativa
(comprar ou no o seguro) maximiza seus bens esperados aps 1 ano.
b) Voc agora tem construdo uma funo de utilidade que mede o valor dos
seus bens (x) em $. Est funo dada por ( ) x x u = . Compare a utilidade
de reduzir seus bens totais no prximo ano pelo custo do seguro contra
terremotos com a utilidade esperada no prximo ano de no comprar o
seguro contra terremoto. Voc deveria comprar o seguro ?

Modelagem e Simulao - Anlise de Deciso
Notas de Aula - Fernando Nogueira 24
6) Faa um programa que calcule, dado uma matriz de Payoff para n estados da
natureza e m alternativas, os payoffs seguindo os critrios de Maximin,
Maxima Verossimilhana e Bayes.

7) Faa um programa que gere, a cada iterao, uma matriz de Payoff com valores
aleatrios para os intervalos dado na tabela abaixo:

Payoff Estado
Alternativa Poo com Petrleo Poo Seco
Perfurar M
11
M
12
Vender a terra M
21
M
22
Probabilidade
Prior
p
1
p
2

onde:
M
11
=[300,1000]
M
12
=[-300,-50]
M
21
= M
22
=[50,120]
p
1
=[0.05,0.40]
p
2
=1- p
1


A cada iterao o programa dever determinar os Payoffs seguindo os critrios de
Maximin, Maxima Verossimilhana e Bayes. Aps vrias iteraes, verificar qual
dos critrios resultou em melhor payoff a cada iterao e os payoffs mdios para
cada critrio.












Modelagem e Simulao - Anlise de Deciso
Notas de Aula - Fernando Nogueira 25
Respostas
1.a)






1.b)
( ) [ ] ( ) 54 p 54 p 1 54 p 0 es Computador oduzir Pr Payoff E + = + =
( ) [ ] ( ) 15 p 1 15 p 15 Direitos Vender Payoff E = + =

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
0
10
20
30
40
50
60
Analise de Sensibilidade
Probabilidade a Priori para Vender 10.000
P
a
y
o
f
f

E
s
p
e
r
a
d
o


1.c)
( ) [ ] ( ) [ ] 7222 . 0
54
39
p 15 54 p 54 Direitos Vender Payoff E es Computador oduzir Pr Payoff E = = = + =
O significado do ponto de crossover que se a probabilidade a priori de vender 10.000
computadores for menor que 0.7222, a deciso a ser tomada, segundo o critrio de Bayes
Produzir Computadores, caso contrrio, Vender Direitos.
1.d) Obviamente, Produzir Computadores.



Estado da Natureza
Alternativas
Vender 10.000 Vender 100.000
Produzir Computadores 0 54
Vender Direitos 15 15
Modelagem e Simulao - Anlise de Deciso
Notas de Aula - Fernando Nogueira 26
2.a)
Economia
Crescente
Economia
Estvel
Economia
Decrescente
Mnimo
em Linha

Investimento
Conservador
$30.000,00 $5.000,00 $-10.000,00 -10.000,00 Maximin
Investimento
Especulativo
$40.000,00 $10.000,00 $-30.000,00 -30.000,00
Investimento
Cclico
$-10.000,00 $0,00 $15.000,00 -10.000,00 Maximin
Investimento Conservador ou Investimento Cclico.
2.b)
Economia
Crescente
Economia
Estvel
Economia
Decrescente

Investimento
Conservador
$30.000,00 $5.000,00 $-10.000,00
Investimento
Especulativo
$40.000,00 $10.000,00 $-30.000,00 Mximo
Investimento Cclico $-10.000,00 $0,00 $15.000,00
Probabilidade a
Priori
0.1 0.5 0.4
Mximo
Investimento Especulativo.
2.c)
( ) [ ] ( ) 00 , 500 . 1 00 , 000 . 10 * 4 . 0 00 , 000 . 5 * 5 . 0 00 , 000 . 30 * 1 . 0 r Conservado Payoff E = + + =
( ) [ ] ( ) 00 , 000 . 3 00 , 000 . 30 * 4 . 0 00 , 000 . 10 * 5 . 0 00 , 000 . 40 * 1 . 0 vo Especulati Payoff E = + + =
( ) [ ] ( ) 00 , 000 . 5 00 , 000 . 15 * 4 . 0 00 , 0 * 5 . 0 00 , 000 . 10 * 1 . 0 Cclico Payoff E = + + =
Mximo
Investimento Cclico.






Modelagem e Simulao - Anlise de Deciso
Notas de Aula - Fernando Nogueira 27
3.a)








5 . 34 ) 54 ( 5 . 0 ) 15 ( 5 . 0 EVWPI = + =

Estado da Natureza
Alternativas
Vender
10.000
Vender
100.000
Payoff Esperado
Produzir
Computadores
0 54 0*0.5 +54*0.5 =27 Mximo
Vender Direitos 15 15 15*0.5 +15*0.5 =
15

Probabilidade a Priori 0.5 0.5

27 EVWOE=

5 . 7 27 5 . 34 EVWOE EVWPI EVPI = = =

3.b) Uma vez que 7.500.000,00 maior que 1.000.000,00, a pesquisa deve ser realizada
segundo este critrio.
3.c)
Estado da Natureza
Alternativas
Vender 10.000 Vender 100.000
Produzir Computadores 0 54
Vender Direitos 15 15
Probabilidade a Priori 0.5 0.5
Mximo Payoff 15 54
Modelagem e Simulao - Anlise de Deciso
Notas de Aula - Fernando Nogueira 28

( ) ( ) ( ) 5 . 0 5 . 0 *
3
1
5 . 0 *
3
2
) 100 V ( P . 100 V 10 Pesq P ) 10 V ( P . 10 V 10 Pesq P 10 Pesq P = + = + =
( ) ( ) ( ) 5 . 0 5 . 0 *
3
2
5 . 0 *
3
1
) 100 V ( P . 100 V 100 Pesq P ) 10 V ( P . 10 V 100 Pesq P 100 Pesq P = + = + =

3.d)
Regra de Bayes com probabilidade a posteriori.
Payoff Esperado se constatao Pesq10:
( ) [ ] ( ) ( ) 17 1 54
3
1
0
3
2
10 Pesq o Constata oduzir Pr Payoff E = + = =
( ) [ ] ( ) ( ) 14 1 15
3
1
15
3
2
10 Pesq o Constata Vender Payoff E = + = =

Payoff Esperado se constatao Pesq100:
( ) [ ] ( ) ( ) 35 1 54
3
2
0
3
1
100 Pesq o Constata oduzir Pr Payoff E = + = =
( ) [ ] ( ) ( ) 14 1 15
3
2
15
3
1
100 Pesq o Constata Vender Payoff E = + = =



Modelagem e Simulao - Anlise de Deciso
Notas de Aula - Fernando Nogueira 29
Politica tima com Experimentao sob a Regra de Deciso de Bayes.
Constatao a
partir da Pesquisa
Ao tima Payoff Esperado
excluindo custos de
levantamento
Payoff Esperado
incluindo custos de
levantamento
Pesq10 produzir 18 17
Pesq100 produzir 36 35

27 36 * 5 . 0 18 * 5 . 0 ) 36 ( * ) 100 pesq ( P ) 18 ( * ) 10 pesq ( P aao Experiment Com Esperado Payoff = + = + =

O Valor Esperado da Experimentao (EVE) dado por:
0 27 27 EVE
aao Experiment Sem Esperado Payoff aao Experiment Com Esperado Payoff EVE
= =
=

Uma vez que 0 menor que 1.000.000,00, a pesquisa no deve ser realizada segundo este
critrio.
4.a)
( ) [ ] ( ) 35 100 * 2 . 0 100 * 3 . 0 50 * 5 . 0 1 A Payoff E = + + =
Mximo
( ) [ ] ( ) 1 10 * 2 . 0 10 * 3 . 0 0 * 5 . 0 2 A Payoff E = + + =
( ) [ ] 14 ) 40 ( * 2 . 0 40 * 3 . 0 20 * 5 . 0 3 A Payoff E = + + =


4.b)
Estado da Natureza
Alternativa S
1
S
2
S
3

A
1
50 100 -100
A
2
0 10 -10
A
3
20 40 -40
Probabilidade a Priori 0.5 0.3 0.2
Mximo Payoff 50 100 -10

53 ) 10 ( * 2 . 0 100 * 3 . 0 50 * 5 . 0 EVWPI = + + =
35 EVWOE =
18 35 53 EVWOE EVWPI EVPI = = =
Modelagem e Simulao - Anlise de Deciso
Notas de Aula - Fernando Nogueira 30

4.c) J os dever gastar no mximo 18.
5.a)
Portanto, no comprar seguro.

5.b)
Portanto, comprar seguro.



Estado da Natureza Payoff Esperado
Alternativas
Haver
terremoto
No haver
terremoto

Comprar
Seguro
249820,00 249820,00 249820,00
No Comprar
Seguro
90.000,00 250.000,00 249840,00 Mximo
Probabilidade
a Priori
0.001 0.999
Estado da Natureza Payoff Esperado
Alternativas
Haver
terremoto
No haver
terremoto

Comprar
Seguro
499.82 499.82 499.82 Mximo
No Comprar
Seguro
300 500 499.80
Probabilidade
a Priori
0.001 0.999