Probabilistica de Preferencias

XLVI
16 a 19
SIMPSIO BRASILEIRO DE PESQUISA OPERACIONAL
Setembro de 2014
Pesquisa Operacional na Gesto da Segurana Pblica
Salvador/BA
XLVI SBPO Simpsio Brasileiro

de Pesquisa Operacional
16 a 19 de setembro de 2014
Salvador - BA
S
I
A
COMPOSIO
N
A
PROBABILSTICA
DE
R
PREFERNCIAS
P
Annibal Parracho SantAnna
XLVI
16 a 19
Setembro de 2014
Salvador/BA
XLVI Simpsio Brasileiro de Pesquisa Operacional
Prefcio
Este minicurso apresenta os fundamentos e resultados do
emprego da composio probabilstica de preferncias no
apoio deciso multicritrio.
S
I
A
A ideia bsica da composio probabilstica que, ao se

aplicar um critrio de preferncia para tomar uma deciso,
h um componente subjetivo que torna imprecisa a medida
N
A
de preferncia, mesmo que baseada na observao de uma
varivel que possa ser determinada objetivamente com toda preciso.
R
P
Essa impreciso obriga a tratar as medidas de prefern-
cia segundo qualquer critrio como variveis aleatrias. Isto traz a vantagem de permitir que se meam as preferncias em termos de probabilidade de ser a melhor opo (no
problema de escolha) ou de probabilidade de ser melhor ou
XLVI
16 a 19
Setembro de 2014
Salvador/BA

pior que patamares e tetos pr-estabelecidos (no problema
de classificao).
A partir dessa transformao das medidas de preferncia
de determinsticas em probabilsticas, pode-se passar a
usar o clculo de probabilidades para resolver o problema
S
I
A
de combinar as preferncias segundo mltiplos critrios

para produzir uma medida de preferncia global.
Podem-se empregar nessa combinao as formas mais
N
A
simples de clculo de probabilidades compostas. Do mes-
mo modo podem-se empregar as distribuies de probabilidades mais simples para modelar as preferncias.
R
P
Pode-se tambm lanar mo de distribuies mais com-
plexas para tornar essa modelagem mais realista, assim

como formular regras de deciso mais sofisticadas. Mas,
as mudanas mais acentuadas nos resultados s costumam
surgir quando novos critrios ou novas alternativas so incorporados anlise.
3
XLVI
16 a 19
Setembro de 2014
Salvador/BA

A estratgia de comear a anlise com um modelo simples, e que produz resultados rapidamente, amplia a compreenso do problema de deciso e suscita propostas de
aperfeioamento. Nesse ponto, a abordagem probabilstica
facilita a incluso de novas alternativas, novos critrios e
S
I
A
novas formas de composio.
A seguir se cuida do problema de classificao. Depois,
do problema de escolha. Nessa segunda parte, ser discuti-
N
A
do, alm do uso direto da composio probabilstica na
composio de critrios, o uso da transformao probabilstica para resolver problemas tcnicos em reas como a
R
P
da modelagem de relaes entre critrios usando capacidades e a da modelagem da granularidade nos conjuntos
aproximativos.
Conclui o minicurso uma aplicao da composio pro-
babilstica determinao das prioridades dos modos de

falha na FMEA.
4
XLVI
16 a 19
Setembro de 2014
Salvador/BA
Sumrio
1. O Problema de Classificao ......................................................................... 7
1.1 Alternativas, Critrios, Classes e Perfis .................................................. 8
1.2 Perfis Representativos ............................................................................. 9
1.3 Notao ................................................................................................. 10
1.4 Ordenao dos Perfis............................................................................. 11
1.5 Modelagem das Medidas de Preferncia ............................................... 12
S
I
A
1.6 Estimao da Varincia ......................................................................... 13

1.7 Clculo de Probabilidades de Preferncia ............................................. 14
1.8 Regras de Composio Probabilsticas .................................................. 15
N
A
1.9 Opes de Composio ......................................................................... 16

1.10 Fmulas de Composio ..................................................................... 17
1.11 A Regra de Classificao .................................................................... 18

1.12 Algoritmos de Classificao Ascendente e Descendente .................... 19
1.13 Classificao Benevolente e Classificao Exigente........................... 20
R
P
1.14 Extremos por diferentes probabilidades conjuntas .............................. 21
2. O Problema de Escolha ................................................................................... 22

2.1 Introduo ............................................................................................. 23
2.2 Probabilidades de ser a Melhor Alternativa .......................................... 24
2.3 Modelagem das Perturbaes ................................................................ 25
2.4 Pontos de Vista Progressista e Conservador ......................................... 26
2.5 Regras de Composio .......................................................................... 27
2.6 Frmulas................................................................................................ 28
5
XLVI
16 a 19
Setembro de 2014
Salvador/BA

2.7 Regras de Composio Ponderada ........................................................ 29
2.8 Composio pela Integral de Choquet ................................................... 30
2.9 Estimao da Capacidade ...................................................................... 31
2.10 Granulao de Conjuntos Aproximativos............................................ 32
2.11 DRSA Dominance-based Rough Sets Analysis ............................... 33
2.12 Aproximaes e Fronteiras .................................................................. 34
2.13 Qualidade da Aproximao ................................................................. 35
S
I
A
2.14 Clculo da probabilidade de prioridade de risco na FMEA ................. 36
3. Exemplo de Prioridades de Risco na FMEA ................................................. 37

3.1. Potenciais Falhas na Docagem de Navio .............................................. 38
3.3 Causas dos Modos de Falha .................................................................. 39
N
A
3.4 Avaliaes Iniciais ................................................................................ 40

3.5 Transformao Probabilstica ................................................................ 41
3.6 Procedimento MATLAB- Transformao Probabilstica ...................... 42

3.7 Resultados da Transformao Probabilstica ......................................... 43
R
P
3.8 Resultados da Composio Probabilstica ............................................. 44

3.9 Discusso dos Resultados ...................................................................... 45
3.10 Concluses .......................................................................................... 46
3.11 CPP-Tri ............................................................................................... 47
3.12 Extrato de coluna da planilha Excel da CPP-Tri ................................. 48
3.13 Classificao dos Modos de Falha ...................................................... 49
Bibliografia ...................................................................................................... 50
XLVI
16 a 19
Setembro de 2014
Salvador/BA
1. O Problema de Classificao
S
I
A
N
A
R
P
XLVI
16 a 19
Setembro de 2014
Salvador/BA

1.1 Alternativas, Critrios, Classes e Perfis
O problema de classificao o de alocar alternativas

em classes ordenadas pr-determinadas.
No contexto da deciso multicritrio, cada alternativa
identificada por um vetor, cada coordenada de tal vetor re-
S
I
A
presentando a preferncia segundo um critrio diferente.

As classes so representadas por alternativas hipotticas,
chamadas perfis representativos.
N
A
R
P
XLVI
16 a 19
Setembro de 2014
Salvador/BA

1.2 Perfis Representativos
Perfis representativos podem ser construdos indagando,

segundo cada critrio, que valor se atribui a uma alternativa excelente, boa, regular, ruim ou pssima. Neste caso, h
cinco classes, cada uma representada por um nico perfil.
S
I
A
Para levar em conta as relaes entre os critrios, perfis
representativos podem ser construdos de vrias formas e
N
A
em qualquer nmero. Por exemplo, cada classe pode ser

representada por um limite superior e um limite inferior.
Como, na prtica, temos que classificar no uma alternativa nica, mas um conjunto de diferentes alternativas, po-
R
P
demos formar os perfis a partir do universo de alternativas

a ser distribudo pelas classes. Por exemplo, perfis centrais
de r classes seriam formados com coordenadas dadas pela
quantis de ordem 1/2r, 3/2r, ... , (2r-1)/2r, para cada critrio.
XLVI
16 a 19
Setembro de 2014
Salvador/BA

1.3 Notao
Para formular o problema de classificao, os seguintes

termos so empregados.
G = {g1, ..., gm}, um conjunto de m critrios.
A = (a1, ..., am) um vetor do Rm que armazena as avalia-
S
I
A
es de acordo com os m critrios da alternativa a ser clas-
sificada. Quanto maior o valor da coordenada aj, melhor a

alternativa de acordo com o critrio gj.
N
A
C = {C1, ..., Cr} um conjunto de r classes, ordenadas da
pior para a melhor, de modo que a alternativa mais bem

classificada se colocada em uma classe de maior ndice.
R
P
Para identificar a classe Ci, para cada i de 1 a r, so em-
pregados n perfis representativos, cada um deles formado

por um vetor de avaliaes segundo os m critrios. O hsimo perfil representativo da i-sima classe dado pelo
vetor de avaliaes pelos m critrios (cih1, ..., cihm).
10
XLVI
16 a 19
Setembro de 2014
Salvador/BA

1.4 Ordenao dos Perfis
Os perfis representativos so construdos de tal modo que

se i1 <i2,
ento,
para cada j, ci1hj ci2hj e, para pelo menos um j0,
S
I
A
ci1hj0 < ci2hj0.
N
A
R
P
11
XLVI
16 a 19
Setembro de 2014
Salvador/BA

1.5 Modelagem das Medidas de Preferncia
Para permitir a comparao probabilstica, as avaliaes

aj da alternativa a ser classificada so substitudas por distribuies de probabilidade centradas em aj.
Para classificar a alternativa comparam-se as probabili-
S
I
A
dades de tais distribuies apresentarem valores acima e

abaixo dos perfis de cada classe.
A modelagem das perturbaes que causam a impreci-
N
A
so nas avaliaes pode usar toda informao disponvel
seguindo os princpios da inferncia estatstica. Na falta de

maior informao, supe-se a forma normal, com distri-
R
P
buies idnticas e independentes para as perturbaes.

Para simplificar, podem ser assumidas, em vez de nor-
mais, distribuies triangulares com moda nos aj e extremos nos pontos mnimo e mximo dos conjuntos de coordenadas dos perfis {C11j, ..., Crnj}, ou uniformes com mdia
aj e amplitude dada pela diferena entre esses extremos.
12
XLVI
16 a 19
Setembro de 2014
Salvador/BA

1.6 Estimao da Varincia
Como os centros das distribuies so determinados pelos aj, para completar a modelagem das distribuies normais basta determinar a varincia.
Boas estimativas da varincia das perturbaes que afe-
S
I
A
tam as avaliaes podem ser obtidas colhendo mltiplas
avaliaes da mesma alternativa segundo cada critrio. Por

exemplo, a mediana das varincias observadas nas avalia-
N
A
es de cada alternativa por um grupo de avaliadores que
aplicam um mesmo critrio um bom estimador.

Na falta de informao direta, a varincia observada nas
R
P
coordenadas dos perfis para cada critrio pode ser usada

para estimar a varincia das avaliaes segundo o critrio.
13
XLVI
16 a 19
Setembro de 2014
Salvador/BA

1.7 Clculo de Probabilidades de Preferncia
Uma vez substitudas as medidas determinsticas aj por

distribuies de variveis aleatrias Xj centradas nesses
valores, probabilidades de localizao acima e abaixo podem ser calculadas.
Denotando por Aij+ e Aij- as probabilidades de o valor da
S
I
A
j-sima coordenada do vetor de avaliaes aleatrias da alternativa A estar, respectivamente, acima e abaixo daque-
N
A
les associados ao j-simo critrio nos perfis da i-sima
classe, por independncia entre as perturbaes que afetam

as avaliaes de diferentes alternativas por um mesmo cri-
R
P
trio, temos:
Aij+ = hP[XjCihj]
Aij- = hP[XjCihj].
14
XLVI
16 a 19
Setembro de 2014
Salvador/BA

1.8 Regras de Composio Probabilsticas
A abordagem probabilstica propicia o uso de regras de

composio baseadas no clculo de probabilidades conjuntas. Com isso, se elimina a necessidade de atribuir previamente pesos para os critrios ou capacidades para conjun-
S
I
A
tos de critrios.
As regras de composio probabilstica so formadas
segundo princpios gerais. Segundo cada princpio so cri-
N
A
adas formas de composio extremas. A comparao entre
os resultados extremos gera conhecimento sobre as alternativas, fortalecendo a concluso em caso de concordn-
R
P
cia. Em caso de discordncia, o tomador de deciso que

no queira escolher uma forma de deciso, poder usar a
informao sobre as caractersticas dos critrios que conduzem a diferentes ordenaes para reformular o modelo.
15
XLVI
16 a 19
Setembro de 2014
Salvador/BA

1.9 Opes de Composio
Quanto probabilidade conjunta:

melhor por todos os critrios
(probabilidade da interseo)
ou
S
I
A
por algum critrio

(probabilidade da unio).
Quanto correlao entre as perturbaes das avaliaes
N
A
da mesma alternativa por diferentes critrios:
independncia
ou
R
P
mxima dependncia.
Quanto fronteira:
probabilidade de ser melhor que o perfil

ou
probabilidade de no ser pior que o perfil.
16
XLVI
16 a 19
Setembro de 2014
Salvador/BA

1.10 Frmulas de Composio
Probabilidade de a alternativa estar acima da classe i:

Ai+ = jAij+ (independncia e interseo)
Ai+ = 1-j(1-Aij+) (independncia e melhor para algum)
Ai+ = minjAij+ (mxima dependncia e melhor para todos)
Ai+ = maxjAij+ (mxima dependncia e melhor para algum)
S
I
A
Probabilidade de a alternativa estar abaixo da classe i:
N
A
Ai- = jAij- (independncia e melhor para todos)
Ai = 1-j(1-Aij ) (independncia e melhor para algum)

Ai- = minjAij- (mxima dependncia e melhor para todos)
R
P
Ai- = maxjAij- (mxima dependncia e melhor para algum)
A opo quanto fronteira s importante no problema
de escolha, onde h comparao se faz com mais de um.
17
XLVI
16 a 19
Setembro de 2014
Salvador/BA

1.11 A Regra de Classificao
O procedimento de classificao baseado na comparao das diferenas Ai+-Ai-.

A regra de classificao simples: a alternativa A alocada classe i com o menor valor absoluto para Ai+-Ai-.
S
I
A
Uma vez que existe a possibilidade de empates, a alternativa pode ser classificada em duas classes adjacentes.
Com as distribuies sem saltos e os perfis ordenados
N
A
como exigido, no mais do que duas classes podem apre-
sentar o mesmo valor absoluto para a diferena Ai+-Ai-. A

probabilidade de isto acontecer pequena e decresce com
R
P
o nmero de perfis.
Com a atribuio de valores crescentes com a prefern-
cia pela alternativa, essas diferenas constituem uma sequencia no-crescente. Isto permite a identificao do pon-
to de mnimo valor absoluto por um algoritmo de

varredura.
18
XLVI
16 a 19
Setembro de 2014
Salvador/BA

1.12 Algoritmos de Classificao Ascendente e Descendente
Um algoritmo eficiente para a classificao pode ser desenvolvido em duas etapas. O primeiro passo identifica o
menor valor de i para o qual a diferena Ai+-Ai- negativa
ou nula. Se esta diferena sempre positiva, a alternativa
S
I
A
deve pertencer classe mais elevada. Se nunca positiva,

a alternativa colocada na classe mais baixa. Se para esse
i a diferena nula, ento a alternativa fica na classe Ci.
N
A
Se nenhum desses casos acontecer, uma segunda etapa
consiste em comparar os valores absolutos das diferenas

Ai+-Ai- para a classe com a primeira diferena negativa e
R
P
para a que a precede. Se estes valores absolutos so os

mesmos, a alternativa colocada nas duas classes. Se so
diferentes, colocada naquela entre essas duas classes com
o menor valor absoluto da diferena.
19
XLVI
16 a 19
Setembro de 2014
Salvador/BA

1.13 Classificao Benevolente e Classificao Exigente
A possibilidade de alocao em duas classes vizinhas
consequncia natural da impreciso do processo subjetivo
de determinar preferncias. Pode-se ampliar a possibilidade de classificao intervalar, aplicando uma regra mais
S
I
A
benevolente para obter uma classificao superior e uma

regra mais exigente para obter uma classificao inferior.
Essas regras podem ser baseadas em taxas fixas de redu-
N
A
o, respectivamente, para a probabilidade de estar abaixo
e acima dos perfis representativos de cada classe. Uma

classificao benevolente determinada por percentagem de
R
P
reduo c coloca a alternativa na classe Ci para o maior i

que minimize o valor absoluto da diferena Ai+-(1-c)Ai-
em vez da diferena Ai+-Ai-. Analogamente, uma classifi-
cao exigente para a mesma reduo percentual coloca a

alternativa na classe Ci para o menor i que minimize a di-
ferena (1-c)Ai+-Ai- em vez da diferena Ai+-Ai-.

20
XLVI
16 a 19
Setembro de 2014
Salvador/BA

1.14 Extremos por diferentes probabilidades conjuntas
Outra forma de gerar um extremo mais baixo comparar

a probabilidade conjunta de estar acima de todos os perfis
da classe com a de estar abaixo de pelo menos um deles.
Supondo independncia isto corresponde a comparar Ai+ =
jAij+ com Ai- = 1-j(1-Aij-).
S
I
A
Analogamente, para obter o extremo mais alto, se com-
para a probabilidade conjunta de estar abaixo de todos os
N
A
perfis da classe com a probabilidade de estar acima por pe-
lo menos um deles. Supondo independncia isto corresponde a comparar Ai+ = 1-j(1-Aij+) com Ai- = jAij-.
R
P
21
XLVI
16 a 19
Setembro de 2014
Salvador/BA
2. O Problema de Escolha
S
I
A
N
A
R
P
22
XLVI
16 a 19
Setembro de 2014
Salvador/BA

2.1 Introduo
O problema de escolha o de identificar a melhor em

um conjunto de alternativas. Uma resposta mais completa
para o problema ser uma ordenao de todas as alternativas.
S
I
A
Mesmo quando resolvido em termos de ordenao total,
esse problema se diferencia do problema anterior, de classificao, por no se partir de classes com perfis represen-
N
A
tativos conhecidos a priori.
Como no problema de classificao, o primeiro passo

tratar as medidas de preferncia numricas obtidas inici-
R
P
almente, no como determinsticas, mas, como parmetros

de locao de distribuies de probabilidades de possveis
valores que em outras avaliaes de preferncia sob idn-
ticas circunstncias seriam atribudos mesma opo.
23
XLVI
16 a 19
Setembro de 2014
Salvador/BA

2.2 Probabilidades de ser a Melhor Alternativa
A associao de distribuies de probabilidades s medidas exatas permite substituir cada vetor de avaliaes do
conjunto de alternativas segundo um critrio por um vetor
de probabilidades de cada alternativa ser a melhor segundo
S
I
A
esse critrio.
Finalmente, dessas probabilidades de preferncia se-
N
A
gundo cada critrio so derivadas probabilidades de prefe-
rncia global segundo todos os critrios, usando regras do
clculo de probabilidades.
R
P
Como no problema de classificao, a escolha entre as
possveis regras de composio facilitada pelo seu carter probabilstico.
24
XLVI
16 a 19
Setembro de 2014
Salvador/BA

2.3 Modelagem das Perturbaes
A medida observada assinala apenas um ponto em torno

do qual se encontra o valor que se deseja medir. O modelo
para a distribuio de probabilidade desse valor aleatrio
completado adicionando a esse ponto, visto como um pa-
S
I
A
rmetro de locao, informao sobre outros parmetros
suficientes para determinar tal distribuio. Hipteses ge-
rais de independncia entre perturbaes e hipteses sobre
N
A
a forma da sua distribuio simplificam a determinao
desses parmetros.
Os mesmos princpios referidos na modelagem das per-
R
P
turbaes do problema de classificao se aplicam aqui,

com a diferena que no se dispe de perfis representativos. Neste caso, a amplitude do conjunto de valores das alternativas poder substituir a do conjunto dos perfis para
gerar estimador do parmetro de disperso.
25
XLVI
16 a 19
Setembro de 2014
Salvador/BA

2.4 Pontos de Vista Progressista e Conservador
Tm-se duas formas de transformao probabilstica,

conforme se tome como referncia a fronteira superior ou
a inferior e se calcula a probabilidade de cada alternativa
ser a melhor ou a de no ser a pior. A primeira chamada
S
I
A
progressista e a segunda conservadora. A abordagem progressista resultar em dar mais importncia aos critrios
em que haja menos alternativas prximas da fronteira su-
N
A
perior e a conservadora aos critrios em que, ao contrrio,
haja menos alternativas prximas da fronteira inferior.

Denotando por Xkj a varivel aleatria associada avali-
R
P
ao da k-sima alternativa pelo j-simo critrio, os escores da alternativa k-sima sero, assumindo independncia
entre perturbaes de medidas por diferentes critrios:
Mkj = qP[XkXq] (progressista),
mkj = 1- qP[XkjXqj] (conservador).

26
XLVI
16 a 19
Setembro de 2014
Salvador/BA

2.5 Regras de Composio
Como no problema de classificao, no problema de escolha, a composio dos critrios pode ser feita pelo clculo das probabilidades conjuntas.
Quando a composio pela probabilidade conjunta de
S
I
A
ser o melhor segundo todos os critrios, ou no ser o pior
segundo todos os critrios, tem-se uma regra de composi-
N
A
o pessimista. Quando o escore dado pela probabilidade

de ser o melhor ou no ser o pior segundo pelo menos um
critrio, temos uma regra de composio otimista. Em ambos os casos, outros dois valores extremos podem ser cal-
R
P
culados conforme se faa o clculo das probabilidades das

intersees sob hiptese de independncia, multiplicando,
ou sob hiptese de mxima dependncia, pelo mnimo das
probabilidades dos eventos interseptados.
27
XLVI
16 a 19
Setembro de 2014
Salvador/BA

2.6 Frmulas
Supondo independncia:
Escore pessimista e progressista: jMkj.
Escore otimista e progressista: 1- j(1-Mkj).
Escore pessimista e conservador: jmkj.
S
I
A
Escore otimista e conservador: 1- j(1-mkj).
Nestes produtrios j varia ao longo de todas os critrios.
N
A
Supondo mxima dependncia, troque-se por mn.
Nos casos otimistas, isto resulta em calcular mximos.

Escore pessimista e progressista: mnjMkj.
R
P
Escore otimista e progressista: mxj(1-Mkj).

Escore pessimista e conservador: mnjmkj.
Escore otimista e conservador: mxj(1-mkj).
28
XLVI
16 a 19
Setembro de 2014
Salvador/BA

2.7 Regras de Composio Ponderada
Se for possvel numericamente expressar a preferncia

entre critrios como uma distribuio de probabilidade ou
uma capacidade, o escore poder ser dado por uma mdia
ponderada das probabilidades de preferncia segundo cada
S
I
A
critrio ou uma integral de Choquet em relao a uma capacidade.
Capacidade no conjunto finito de critrios S toda fun-
N
A
o :2S [0,1] satisfazendo: ()=0, (S)=1 e A e B
2N, [A B (A) (B)].
A capacidade aditiva se (AB) = (A) + (B) para
R
P
todo par (A,B) de conjuntos de critrios disjuntos.

Probabilidades so capacidades aditivas.
29
XLVI
16 a 19
Setembro de 2014
Salvador/BA

2.8 Composio pela Integral de Choquet
A integral de Choquet de Mkj=(Mk1, ... , Mkm), funo

com valores em Rm+, com relao a uma capacidade em
S={1, , m} definida por:
P(Mk) =
=1(Mk(j) Mk(j 1))({(j), . . . , (m)}),
para permutao em S com
S
I
A
Mk(1)Mk(2)...Mk(m1)Mk(m) e Mk(0) = 0.
N
A
Outra forma de clculo:
P (Mk)=
=1 Mk((j)) [(A(j)) (A(j+1))] para
A(j)={(j), . . . , (m)} para cada j de 1 a m e A(m+1)=.
R
P
30
XLVI
16 a 19
Setembro de 2014
Salvador/BA

2.9 Estimao da Capacidade
Mesmo que se deseje usar mdia ponderada ou capacidade, as regras baseadas nas probabilidades conjuntas podem ser usadas inicialmente para gerar conhecimento que
facilite a escolha dos pesos ou das capacidades dos conjun-
S
I
A
tos de critrios.
Uma forma automtica de obteno da capacidade fa-
N
A
zer a capacidade de cada conjunto de critrios proporcional ao mximo da probabilidade de alguma alternativa ser
preferida por algum critrio do conjunto.
Princpio de maximizao da preferncia: a capacidade
R
P
do subconjunto {C1 , ... , Cs} deve ser proporcional a

maxa(1-(1-Pa1)...(1-Pas)),
para a variando ao longo do conjunto de alternativas e Paj
denotando a probabilidade de a alternativa a-sima maximizar a preferncia segundo o critrio j-simo.
31
XLVI
16 a 19
Setembro de 2014
Salvador/BA

2.10 Granulao de Conjuntos Aproximativos
Em vez de investir na anlise das interaes entre os critrios, pode-se investir na eliminao de critrios redundantes. Para isto, pode-se recorrer Teoria dos Conjuntos
Aproximativos (Rough Sets Theory Pawlak, 1982).
S
I
A
Os critrios a selecionar podem ser vistos como um con-
junto de atributos de condio, C, que se deseja usar para
N
A
explicar os atributos de deciso, D.
A reduo de critrios na Rough Sets Theory consiste
em explicar as decises usando os atributos de condio da

forma mais simples. baseada na identificao de re-
R
P
ducts, que so subconjuntos mnimos de atributos de

condio suficientes. Esta dificultada porque, nas regras
originais, diferenas pontuais so suficientes para exigir a
presena de certos critrios.
32
XLVI
16 a 19
Setembro de 2014
Salvador/BA

2.11 DRSA Dominance-based Rough Sets Analysis
Rough Sets Theory trata de variveis quaisquer. Se as

variveis so critrios, isto , estabelecem relao de ordem (dominncia) entre as alternativas, regras foram criadas para admitir que certa percentagem de divergncias se-
S
I
A
ja admitida (VC-DRSA). Em vez disto pode-se usar a

transformao probabilstica para reduzir as diferenas.
N
A
Consideremos a partio {Cls}s{1, .. , n} determinada pelos

atributos de deciso e as classes acumuladas
Clt = Cl s
s t
R
P
or
Clt = Cl s
s t
; t = 1,..., n
Dominncia por um conjunto de atributos de condio P:

yDPx y domina x para todo elemento de P.
DP ( x ) = {y U : yDP x} ,
+
DP ( x ) = {y U : xDP y}.
33
XLVI
16 a 19
Setembro de 2014
Salvador/BA

2.12 Aproximaes e Fronteiras
) {
P Cl t = x U : D P
( ) {
(x ) Clt }
P Cl t = x U : DP (x ) Cl t .
) {
P Cl t = x U : D P
( ) {
(x ) Clt }
S
I
A
P Cl t = x U : DP (x ) Cl t .
+
BP(Cl)= P (Cl) - P (Cl).
N
A
R
P
34
XLVI
16 a 19
Setembro de 2014
Salvador/BA

2.13 Qualidade da Aproximao
Pawlak define um ndice de qualidade da aproximao

de um conjunto de atributos de condio P para um conjunto de atributos de deciso D no universo U pela proporo dos elementos de U que no esto em fronteira por P
S
I
A
de nenhuma das classes da partio determinada por D.
O ndice de qualidade de aproximao usado para ava-
N
A
liar se atingido o objetivo de conseguir a mesma qualidade da aproximao com menos atributos.
Aplicando a transformao probabilstica aos atributos
R
P
de deciso se aproxima e, dependendo da grandeza do ar-
redondamento, se igualam valores prximos. Isto diminui

o nmero de alternativas na fronteira, eleva a qualidade da
aproximao e permite eliminar atributos de condio.
35
XLVI
16 a 19
Setembro de 2014
Salvador/BA

2.14 Clculo da probabilidade de prioridade de risco na FMEA
O NPR (nmero de probabilidade de risco) da FMEA

(failure modes and effects analysis) uma aproximao
para a probabilidade de o modo de falha ser o de maior
frequncia, indetectabilidade e gravidade. Conceitualmen-
S
I
A
te, a prioridade do risco associado ao modo de falha pode

ser pensada como a probabilidade de dano (gravidade)
condicional na ocorrncia no detectada, multiplicada pela
N
A
probabilidade de o dano no ser evitado (indetectabilidade)
condicional na ocorrncia multiplicada pela probabilidade

de ocorrncia (frequncia). Esses nveis de frequncia, in-
R
P
detectabilidade e gravidade so avaliados independentemente. O risco prioritrio o que maximiza cada uma dessas probabilidades. Assim, o clculo do nmero de
prioridade de risco pode ser substitudo por uma composio pessimista das probabilidades de maximizar cada um
desses componentes.
36
XLVI
16 a 19
Setembro de 2014
Salvador/BA
3. Exemplo de Prioridades de Risco na FMEA
S
I
A
N
A
R
P
37
XLVI
16 a 19
Setembro de 2014
Salvador/BA

3.1. Potenciais Falhas na Docagem de Navio
Inicialmente se identificaram eventos e peas de risco.

Dez modos de falha foram identificados como mais importantes, cinco associados a eventos e cinco a peas.
Ento, 32 especialistas responderam questionrio, en-
S
I
A
quadrando esses modos de falha em nveis de 1 a 5 de gravidade, frequncia e indetectabilidade.
Para a mdia da distribuio representando a avaliao
N
A
de cada modo de falha por cada critrio foram usadas as
modas dos conjuntos de 32 avaliaes.
Para a varincia, suposta a mesma para todas as avalia-
R
P
es pelo mesmo critrio, foram tomadas as medianas das

10 varincias dos conjuntos de 32 avaliaes de um mesmo modo de falha pelo critrio.
38
XLVI
16 a 19
Setembro de 2014
Salvador/BA

3.3 Causas dos Modos de Falha
Evento
Coliso de navio com dique
falha na entrada ou sada
Atraso na pintura
falta de aderncia da tinta
Falha no bombeamento
componente emperrado
Atraso na entrega de material
deficincias no gerenciamento
Falta de lastro
descontrole de pesos no navio
N
A
Pea
Motor
Disjuntor
Bomba centrfuga
R
P
Vlvula gaveta
Acoplamento de motor auxiliar
S
I
A
enrolamento em curto
contator danificado
eixo desbalanceado
haste danificada
elementos gastos
39
XLVI
16 a 19
Setembro de 2014
Salvador/BA

3.4 Avaliaes Iniciais
Modo de falha
gravidade frequncia
Indetectabilidade
Coliso
Pintura
Bombeamento
Material
Lastro
Motor
Disjuntor
4
4
Vlvula gaveta
R
P
Acoplamento
N
A
3
Bomba centrfuga
S
I
A
3
Estimativas da Varincia
gravidade
frequncia
indetectabilidade
0,40
0,26
0,25
40
XLVI
16 a 19
Setembro de 2014
Salvador/BA

3.5 Transformao Probabilstica
Dois arquivos texto, um com a matriz das avaliaes

e outro com os desvios padro, so a entrada solicitada pelo procedimento do MATLAB da transformao probabilstica.
S
I
A
A sada uma matriz com os vetores de probabilidade de maximizar.
A grande contribuio para este procedimento de
N
A
Valter de Senna que resolveu o problema produzido pelos
arredondamentos das pequenas probabilidades das intersees.
R
P
41
XLVI
16 a 19
Setembro de 2014
Salvador/BA

3.6 Procedimento MATLAB- Transformao Probabilstica
% NOME: decisao_normal com desvios padro prvios

filename=uigetfile('*.txt', ' arquivo de medidas');
filedesvios=uigetfile('*.txt', 'arquivo de desvios');
resultados=strcat('resultados(normal)_de_',filename);
dados = importdata(filename, ' ');
desvio = importdata(filedesvios, ' ');
tol=1.0e-6;
escala=10^(size(dados,1)^(1/3));
reavaliados=zeros(size(dados));
for j=1:size(dados,2)
minimo=min(dados(:,j))-4*desvio(j);
maximo=max(dados(:,j))+4*desvio(j);
for i=1:size(dados,1)
M=dados(:,j);
M(i)=[];
prov=@(x)produtocdfnormal_vet(x,M,desvio(j)).*normpd
f(x,dados(i,j),desvio(j))*escala;
reavaliados(i,j)=quad(prov,minimo,maximo,tol)/escala;
end
end
fid = fopen(resultados,'w');
for i = 1:size(dados,1)
fprintf(fid,'%0.8f\t', reavaliados(i,:));
fprintf(fid,'\n');
end
fclose(fid);
S
I
A
N
A
R
P
42
XLVI
16 a 19
Setembro de 2014
Salvador/BA

3.7 Resultados da Transformao Probabilstica
Modo de falha
gravidade
frequncia
indetectabilidade
Coliso
0,001822
0,010112
0,000623
Pintura
0,000009
0,010112
0,000623
Bombeamento
0,064739
0,316448
0,058627
Material
0,064739
0,010112
0,820973
Lastro
0,001822
0,000000
Motor
0,064739
0,316448
Disjuntor
0,064739
0,010112
Bomba centrfuga
0,064739
0,010112
N
A
Vlvula gaveta
Acoplamento
R
P
S
I
A
0,000623
0,000623
0,000623
0,058627
0,064739
0,316448
0,058627
0,607883
0,000000
0,000000
43
XLVI
16 a 19
Setembro de 2014
Salvador/BA

3.8 Resultados da Composio Probabilstica
Modo de falha
PPR
Ao menos um
Ao menos um
(independente)
(dependente)
0,012531
0,010112
Coliso
0,000000
Pintura
0,000000
0,010738
0,010112
Bombeamento
0,001201
0,398180
0,316448
Material
0,000537
0,834256
Lastro
0,000000
0,002444
Motor
0,000013
Disjuntor
0,000000
Bomba centrfuga
0,000038
A
N
IS
0,361099
0,820973
0,001822
0,316448
0,064739
0,128473
0,064739
Vlvula gaveta
A
-
0,074773
0,001201
0,398180
0,316448
Acoplamento
0,000000
0,607883
0,607883
44
XLVI
16 a 19
Setembro de 2014
Salvador/BA

3.9 Discusso dos Resultados
A primeira coluna tem a probabilidade de prioridade de

risco, obtida multiplicando os 3 valores da matriz anterior.
A segunda tem o escore probabilidade de maximizar
segundo algum critrio supondo independncia, obtido
S
I
A
pela aplicao da frmula
1- (1-probmaxF1)(1-probmaxF2)(1-probmaxF3).
N
A
A terceira tem o escore probabilidade de maximizar se-
gundo algum critrio supondo mxima dependncia, dado

pelo mximo das probabilidades de maximizar a priorida-
R
P
de segundo cada critrio.
45
XLVI
16 a 19
Setembro de 2014
Salvador/BA

3.10 Concluses
Os nicos modos de falha potencial que tem posio

acima da posio central n-3 so BOMBEAMENTO e
VLVULA GAVETA.
Note-se
que
modo
de
falha
potencial
S
I
A
ACOPLAMENTO, que tem 5 na gravidade e 1 na fre-
quncia, recebe a probabilidade de prioridade de risco

mais baixa.
N
A
Isto se deve ao fato de a gravidade ser avaliada com
mais incerteza que a frequncia.

J
nas
colunas
R
P
da
direita,
ACOPLAMENTO sobe.
46
posio
de
XLVI
16 a 19
Setembro de 2014
Salvador/BA

3.11 CPP-Tri
Muitas vezes, h interesse, no apenas em determinar os

modos de falha potenciais de alto risco, mas, tambm, em
classificar todos os modos de falha. Nesse caso, podemos
usar CPP-Tri.
S
I
A
Com as avaliaes de 1 a 5, podemos definir cinco clas-
ses. Podemos identificar cada classe por um perfil de coordenadas todas iguais.
N
A
Tratando-se de classificaes crescentes de risco, os
pontos de vista exigente e benevolente se invertem. O primeiro gera uma classificao arrojada e o segundo uma
R
P
classificao cautelosa.
47
XLVI
16 a 19
Setembro de 2014
Salvador/BA

3.12 Extrato de coluna da planilha Excel da CPP-Tri
-2
0,63
B1:
B3:
probabilidades de estar acima de cada classe em

cada critrio
Prob [gi(a)>B1]
B9:
=DIST.NORM(interface!$B1;B$1;$B$3;1)
probabilidades de estar abaixo de cada classe em
cada critrio
S
I
A
Prob [gi(a)<B1]
B13:
=DIST.NORM(B$1; interface!$B1;$B$3;1)
Independente
=MULT(B$9:D$9)
benevolente
=1-(1-B9)*(1-C9)*(1-D9)
exigente
=MULT(B$9:D$9)
N
A
Estes ltimos valores so comparados com valores ba-
R
P
seados em B$13:D$13 para gerar a diferena relativa

primeira classe.
Analogamente para as outras classes.
48
XLVI
16 a 19
Setembro de 2014
Salvador/BA

3.13 Classificao dos Modos de Falha
Lim. Inf.
Centro
Coliso
Pintura
Bombeamento
Material
Lastro
Motor
Modo de falha
Bomba centrfuga
R
P
S
I
A
N
A
4
Disjuntor
Lim. Sup.
Vlvula gaveta
Acoplamento
49
XLVI
16 a 19
Setembro de 2014
Salvador/BA
Bibliografia
N
A
R
P
S
I
A
50
XLVI
16 a 19
Setembro de 2014
Salvador/BA

Composio Probabilstica
SantAnna, A. P. (2002) Aleatorizao e Composio de
Medidas de Preferncia, Pesquisa Operacional, 22:87103.
SantAnna, A. P. ( 2002) Data Envelopment Analysis of
S
I
A
randomized ranks, Pesquisa Operacional, 22 (2):203215.
SantAnna, A. P. (2013) Detalhamento de uma Metodolo-
N
A
gia de Classificao baseada na Composio Probabils-
tica de Preferncias. Relatrios de Pesquisa em Engenharia de Produo, 13, 12-21.
R
P
SantAnna, A. P. (2014) Probabilistic Composition of Preferences, Springer Decision Engineering Series, Springer, Berlin.
51
XLVI
16 a 19
Setembro de 2014
Salvador/BA

Deciso Multicritrio
Ehrgott, M., Figueira, J. R. and Greco S. (2010) Trends in
Multicriteria Decision Analysis, Dordrecht: Springer.
Greco, J, & Ehrgott, S. (2005) Multicriteria Decision
Analysis: state of the art survey, 3-24. Boston: Springer.
S
I
A
Roy, B. (1996). Multicriteria Methodology for Decision

Aiding, Dordrecht: Kluwer.
Tryantaphilou, E., Lootsma, F. A., Pardalos, P. M. &
N
A
Mann, S. H. (1994) On the Evaluation and Application
of Different Scales for Quantifying Pairwise Comparisons in Fuzzy Sets. Journal of Multicriteria Decision
R
P
Analysis, 3:133-155.
Von Neumann, J. and Morgenstern, O. (1944) Theory of

Games and Economic Behavior. Princeton, NJ. Princeton University Press.
52
XLVI
16 a 19
Setembro de 2014
Salvador/BA

Ponderao de Critrios
Keeney, R, L. (1992). Value-focused thinking: a path to
creative decision making. Cambridge-MA: Harvard
University Press.
Keeney, R. L. and Raiffa (1976) H. Decisions with Multi-
S
I
A
ple Objectives' Preferences and Value Tradeoffs. New

York, John Wiley & Sons.
Saaty, T. L. (1980) The Analytic Hierarchy Process: Plan-
N
A
ning, Priority Setting, Resource Allocation, ISBN 0-07-
054371-2, McGraw-Hill.
Saaty, T. L. (1990) How to make a decision: The analytic
R
P
hierarchy process, European Journal of Operational Research, 48 (1):9-26.
Vargas, L. G. (1982) Reciprocal Matrices with Random

Coefficients. Mathematical Modelling, 3:69-81.
53
XLVI
16 a 19
Setembro de 2014
Salvador/BA

Capacidades
Banzhaf, J. F. (1965), "Weighted voting doesn't work: A
mathematical analysis", Rutgers Law Review 19
(2):317343.
Choquet, G. (1953) Theory of capacities. Annales de
S
I
A
lInstitut Fourier, 5:131295.
Grabisch, M. (1997). k-order additive discrete fuzzy

measures and their representation. Fuzzy Sets and Sys-
N
A
tems, 92:167189.
Penrose, L. (1946) The Elementary Statistics of Majority

Voting, Journal of the Royal Statistical Society, 109
R
P
(1):5357.
Shapley, L. S. (1953) A Value for n-person Games, in

Contributions to the Theory of Games vol. II, Kuhn, H.
W. and Tucker, A.W. (eds.), 307-317.
54
XLVI
16 a 19
Setembro de 2014
Salvador/BA

Modelagem das Perturbaes
Brugha, C. M. (2000) Relative Measurement and the Power Function. European Journal of Operational Research, 121:627-640.
Martino, J. P. (1970) The lognormality of Delphi esti-
S
I
A
mates. Technological Forecasts, 1(4):355-358.
Mathworks (2014) MATLAB 8.0 and Statistics Toolbox

8.1, The MathWorks, Inc., Natick-MA.
N
A
R Core Team (2014) R: A language and environment for
statistical computing. R Foundation for Statistical Computing, Vienna, Austria. ISBN 3-900051-07-0, available
R
P
at http://www.R-project.org/
55
XLVI
16 a 19
Setembro de 2014
Salvador/BA

DEA
Andrade, G. N. & SantAnna, A. P. (2013), Composio
Probabilstica e ndice de Malmquist para Avaliao de
Eficincia em Distribuidoras de Energia Eltrica, Anais
do SBPO 2013, p. 937-948.
S
I
A
Charnes, A., Cooper, W. W. and Rhodes, E. (1978),

Measuring the Efficiency of Decision Making Units. European Journal of Operational Research, 2:429-444.
N
A
Entani, T., Maeda, Y. e Tanaka, H. (2002), Dual models of
interval DEA and its extensions to interval data. European Journal of Operational Research, 136:32-45.
R
P
Fare, R., Grosskopf, S. e Lovell, C. A. K. (1994) Production frontiers, Cambridge: Cambridge University Press
SantAnna, A. P. ; Ribeiro, R. O. A. ; Meza, L. A. (2014)

Probabilistic composition in quality management in the
retail trade sector. International Journal of Quality and
Reliability Management, 31, 718-736.
56
XLVI
16 a 19
Setembro de 2014
Salvador/BA

ELECTRE
Almeida-Dias, J., Figueira, J. R. and Roy, B. (2010)
ELECTRE TRI-C: a multiple criteria sorting method
based on characteristic reference actions, European
Journal of Operational Research, 204 (3):565580.
S
I
A
Almeida-Dias, J., Figueira, J.R. and Roy, B. (2012) A

multiple criteria sorting method where each category is
characterized
by
several
reference
actions:
N
A
the
ELECTRE TRI-nC method, European Journal of Opera-
tional Research, 217 (3):567579.
Roy, B. (1968) Classement et choix en presence de points
R
P
de vue multiples (la method ELECTRE), pp. 5775, La

Revue dInformatique et de Recherche Oprationelle
(RIRO).
Yu, W. (1992) ELECTRE TRI Aspects methodologiques

et guide dutilisation. Document du LAMSADE, Universit de ParisDauphine, Paris.
57
XLVI
16 a 19
Setembro de 2014
Salvador/BA

FMEA
AIAG (2008), Potential Failure Mode and Effects Analysis, Automotive Industry Action Group, 4th. Ed Southfield, MI.
Sant'Anna, A. P. (2012) Probabilistic priority numbers for
S
I
A
failure modes and effects analysis, International Journal

of Quality & Reliability Management, 29 (3):349362.
SantAnna, A. P., Ribeiro, R. O. A. and Angulo Meza, L.
N
A
(2014) Probabilistic composition in quality management
in the retail trade sector, International Journal of Quality

& Reliability Management, 31 (6):718-736.
R
P
Stamatis, D. H. (1995) Failure Modes and Effects Analysis

Milwaukee: ASQC Quality Press.
US Defense Department (1949), Procedures for Performing a Failure Mode, Effects and Criticality Analysis, US
Government Printing Office, Washington, DC, US Military Procedure MIL STD-1629.

58
XLVI
16 a 19
Setembro de 2014
Salvador/BA

Fuzzy Sets
Zadeh, L. A. (1965) Fuzzy sets. Information and Control,
8:338353.
Zadeh, L. A. (1978) Fuzzy sets as the basis for a Theory of
Possibility. Fuzzy Sets and Systems, 1:3-28.
S
I
A
N
A
R
P
59
XLVI
16 a 19
Setembro de 2014
Salvador/BA

Rough Sets
Blaszczynski, J., Greco, S., Slowinski, R. and Szelag, M.
(2006) On Variable Consistency Dominance-based
Rough Set Approaches. Lecture Notes in Artificial Intelligence, v. 4259, Berlin: Springer-Verlag, p. 191-202.
Greco, S., Matarazzo, B. and Sowiski, R. (2001) Rough
S
I
A
sets theory for multi-criteria decision analysis. European

Journal of Operational Research, 129 (1):147.
N
A
Pawlak, Z. (1982) Rough Sets, International Journal of
Computer and Information Science, 11:341-356.

SantAnna, A. P. & Moreira Filho, R. M. (2013) Agrega-
R
P
o automtica de classes nos atributos de deciso em

aplicaes de Conjuntos aproximativos com dominncia.
Sistemas & Gesto, 8:68-76.
60

Probabilistica de Preferencias

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Probabilistica de Preferencias

Enviado por

Direitos autorais:

Formatos disponíveis

XLVI

SIMPSIO BRASILEIRO DE PESQUISA OPERACIONAL

Pesquisa Operacional na Gesto da Segurana Pblica

XLVI SBPO Simpsio Brasileiro

SIMPSIO BRASILEIRO DE PESQUISA OPERACIONAL

Pesquisa Operacional na Gesto da Segurana Pblica

XLVI Simpsio Brasileiro de Pesquisa Operacional

A ideia bsica da composio probabilstica que, ao se

de preferncia, mesmo que baseada na observao de uma

varivel que possa ser determinada objetivamente com toda preciso.

Essa impreciso obriga a tratar as medidas de prefern-

SIMPSIO BRASILEIRO DE PESQUISA OPERACIONAL

Pesquisa Operacional na Gesto da Segurana Pblica

XLVI Simpsio Brasileiro de Pesquisa Operacional

de combinar as preferncias segundo mltiplos critrios

Podem-se empregar nessa combinao as formas mais

simples de clculo de probabilidades compostas. Do mes-

Pode-se tambm lanar mo de distribuies mais com-

plexas para tornar essa modelagem mais realista, assim

SIMPSIO BRASILEIRO DE PESQUISA OPERACIONAL

Pesquisa Operacional na Gesto da Segurana Pblica

XLVI Simpsio Brasileiro de Pesquisa Operacional

novas formas de composio.

A seguir se cuida do problema de classificao. Depois,

do problema de escolha. Nessa segunda parte, ser discuti-

do, alm do uso direto da composio probabilstica na

babilstica determinao das prioridades dos modos de

SIMPSIO BRASILEIRO DE PESQUISA OPERACIONAL

Pesquisa Operacional na Gesto da Segurana Pblica

XLVI Simpsio Brasileiro de Pesquisa Operacional

1.6 Estimao da Varincia ......................................................................... 13

1.9 Opes de Composio ......................................................................... 16

1.11 A Regra de Classificao .................................................................... 18

1.14 Extremos por diferentes probabilidades conjuntas .............................. 21

2. O Problema de Escolha ................................................................................... 22

SIMPSIO BRASILEIRO DE PESQUISA OPERACIONAL

Pesquisa Operacional na Gesto da Segurana Pblica

XLVI Simpsio Brasileiro de Pesquisa Operacional

2.14 Clculo da probabilidade de prioridade de risco na FMEA ................. 36

3. Exemplo de Prioridades de Risco na FMEA ................................................. 37

3.3 Causas dos Modos de Falha .................................................................. 39

3.4 Avaliaes Iniciais ................................................................................ 40

3.6 Procedimento MATLAB- Transformao Probabilstica ...................... 42

3.8 Resultados da Composio Probabilstica ............................................. 44

SIMPSIO BRASILEIRO DE PESQUISA OPERACIONAL

Pesquisa Operacional na Gesto da Segurana Pblica

XLVI Simpsio Brasileiro de Pesquisa Operacional

SIMPSIO BRASILEIRO DE PESQUISA OPERACIONAL

Pesquisa Operacional na Gesto da Segurana Pblica

XLVI Simpsio Brasileiro de Pesquisa Operacional

O problema de classificao o de alocar alternativas

presentando a preferncia segundo um critrio diferente.

SIMPSIO BRASILEIRO DE PESQUISA OPERACIONAL

Pesquisa Operacional na Gesto da Segurana Pblica

XLVI Simpsio Brasileiro de Pesquisa Operacional

Perfis representativos podem ser construdos indagando,

Para levar em conta as relaes entre os critrios, perfis

representativos podem ser construdos de vrias formas e

em qualquer nmero. Por exemplo, cada classe pode ser

demos formar os perfis a partir do universo de alternativas

SIMPSIO BRASILEIRO DE PESQUISA OPERACIONAL

Pesquisa Operacional na Gesto da Segurana Pblica

XLVI Simpsio Brasileiro de Pesquisa Operacional