Licenciatura em Engenharia Civil

Gestão e Avaliação de Projetos

Modelação dos
processos decisórios

Rui Carvalho Oliveira

Modelação dos processos decisórios

Tópicos programáticos

1. Introdução: contextos e processos decisórios.

2. Decisão em situações de incerteza e risco; valor da informação.

3. Noção de utilidade, modelação de preferências e atitude face

ao risco.

4. Decisões sequenciais e árvores de decisão.

5. Avaliação e decisão multi-critério. Estruturação: objectivos,

critérios e árvores de valores; descritores e operacionalização
de critérios. Avaliação local: funções de valor. Avaliação global:
métodos de agregação compensatórios e não compensatórios;
o modelo de soma ponderada. Análises de sensibilidade.
2

1
“I used to be indecisive, but now I’m not so sure.” (Bosco Pertwee)

 Porque é que as decisões são difíceis?

 Complexidade
 Incerteza
 Objetivos múltiplos (conflituantes, contraditórios, ...)
 Diferentes perspetivas (múltiplos atores, interesses em jogo, ...)

Dificuldade da tomada de decisão

1. Evitar decidir!

Nothing good ever came from a

management decision.

Avoid making decisions whenever

possible.

They can only get you in trouble.

Dogbert

2
 Sugestões de Dogbert
para evitar tomar decisões!

• Aja de forma confusa

• Forme um grupo de trabalho com pessoas demasiado ocupadas

para se reunirem

• Mande o pessoal recolher mais informação

• Perca documentos que requerem a sua aprovação

• Diga que está à espera de outro para acelerar o processo

• Faça anotações ilegíveis nas margens dos documentos que

requerem uma decisão sua

Dificuldade da tomada de decisão

3
 Estratégias de tomada de decisão

• Processo intuitivo

• Processo analítico

• Processo consultivo

Decisão : Processo intuitivo

Envolvente:
Engenho
Escolha
•Incerta
INTUIÇÃO
•Complexa Percepção
Informação
(Lógica não Decisão Resultados
•Dinâmica verificável)

•Competitiva
Valores
Preferências

...
 O homem é um processador imperfeito de informação
 Processos intuitivos são susceptíveis de gerar diversas
formas de inconsistências

4
Exemplo de inconsistências: Influência do modo como o problema é apresentado

Pediu-se a um grupo de 152 estudantes para imaginar que os EUA estavam a

preparar-se para uma epidemia que se previa poder matar 600 pessoas. Foi-lhes
pedido para escolher um e um só de entre dois programas de combate à epidemia:

Programa A que salvaria 200 pessoas.

Programa B com probabilidades de 1/3 de salvar todas as 600 vidas
e de 2/3 de nenhuma se salvar.

 72% dos estudantes indicaram preferir o programa A.

Amos Tversky, Daniel Kahneman, “The framing of decisions and the psychology of choice”
Science, 1981

Exemplo de inconsistências: Influência do modo como o problema é apresentado

Pediu-se a um grupo de 152 estudantes para imaginar que os EUA estavam a
preparar-se para uma epidemia que se previa poder matar 600 pessoas. Foi-lhes
pedido para escolher um e um só de entre dois programas de combate à epidemia:

Programa A que salvaria 200 pessoas.

Programa B com probabilidades de 1/3 de salvar todas as 600 vidas
e de 2/3 de nenhuma se salvar.
 72% dos estudantes indicaram preferir o programa A.

Num segundo teste, outros 155 estudantes foram confrontados com a mesma
situação. Contudo, foi-lhes solicitada a escolha entre os dois programas seguintes:
Programa C em que morreriam 400 pessoas.
Programa D com probabilidades de 1/3 de ninguém morrer
e de 2/3 de morrerem todas as 600 pessoas.
 78% dos estudantes indicaram preferir o programa D.

Amos Tversky, Daniel Kahneman, “The framing of decisions and the psychology of choice”, Science, 1981

5
 Decisão : Processo analítico

Envolvente: Engenho Alternativas

Escolha
•Incerta

•Complexa Estrutura
Percepção
Informação
Probabilidades Lógica Decisão
•Dinâmica

•Competitiva Atribuição de
valor
Valores Resultados
Preferências Preferência
... temporal
Atitude face ao
risco

Teoria da decisão (“Decision Analysis”)

 O que é uma “boa decisão”?

 Sob o ponto de vista formal, quando, à posteriori,

podemos dizer que tomaríamos a mesma decisão face à
informação disponível quando essa decisão foi tomada.

Nota: para avaliar a adequação do processo decisório é

indispensável distinguir a qualidade da decisão da
atratividade dos resultados reais da mesma.

6
 Decisão : Processo analítico

Alternativas Resultados Escolha

A1 R11, R12, ... R1M Critérios
Valoração
A2 (regras) Decisão
R21, R22, ... R2M e
. de A*
. Avaliação Decisão
. Resultados
An Rn1, Rn2, ... RnM

Preferências Análise de
Informação dos(s) agente(s) sensibilidade
Modelos de decisão:
Valor da informação
• Juízos de valor
Grau de satisfação • Funções de troca
de OBJECTIVOS • Atitude face ao risco
• Preferências temporais

Teoria da Decisão

 Decisão Estruturada

 É possível definir regras claras e precisas para processar a informação

disponível e selecionar uma solução (escolher entre as alternativas
disponíveis)

 Pelo menos potencialmente, é possível construir um algoritmo

(programável em computador) que pode substituir o agente de decisão

 Campo tradicional de aplicação de modelos normativos

7
 Teoria da Decisão

 Decisão não Estruturada

 Objetivos, “trade-offs”, restrições, informação relevante e metodologia de
análise não podem ser previamente determinados (ou são expressos de
forma imprecisa/difusa que inibe operacionalização)

 Experiência, intuição e capacidade de análise (“judgement”) do decisor

jogam um papel fundamental e insubstituível

• Numerosos fatores a ter em conta, de carácter muito diverso,

frequentemente contraditórios ou dificilmente harmonizáveis, muitas
vezes mal definidos e não sendo claro o papel que cada um
desempenha no processo decisório

• Fluidez do enquadramento contribui para que se recorra a processos

intuitivos, subjetivos e semi-empíricos de análise

Teoria da Decisão

Níveis de Decisão
Decisões não
estruturadas

Estratégico
Decisões
semi-estruturadas
Táctico

Operacional Decisões
estruturadas

8
 Teoria da decisão (“Decision Analysis”)

• Fornece métodos (de base científica) para organizar o processo decisório

 Decomposição do problema decisório num conjunto de problemas mais
pequenos (e, desejavelmente, mais fáceis de abordar).
 Provisão de mecanismos formais de integração dos resultados parcelares
de modo a que a(s) alternativa(s) preferível(eis) possa(m) ser
identificada(s)
• Permite a identificação da incerteza e obriga à sua representação
• Fornece uma metodologia para explicitar quadros de valores/
preferências
• Promove a “transparência” do processo decisório
 Torna claros e explícitos os quadros de preferências e juízos de valor
do(s) agente(s) de decisão, introduzindo objetividade e legitimação das
escolhas

Teoria da Decisão (“Decision Analysis”)

Decisão em situação de incerteza

9
Exemplo:
• Dimensionar um sistema de transportes públicos, estando
sob escrutínio 5 alternativas de capacidade :
D1 – capacidade mínima D2 – capacidade baixa
D3 – capacidade média D4 – capacidade alta
D5 – capacidade máxima

• Há incerteza quanto à procura de transporte, tendo-se

definido cinco cenários:
E1 – procura muito reduzida E2 – procura reduzida
E3 – procura mediana E4 – procura elevada
E5 – procura muito elevada

Exemplo:
• Foram estimados os resultados líquidos (ganhos) de cada capacidade
alternativa (Di) para cada cenário (Ej) de procura.

MATRIZ DE GANHOS
Estados da Natureza

E1 E2 E3 E4 E5
D1 26 24 22 20 20
Decisões Alternativas

D2 24 44 40 36 34
D3 16 40 60 54 50
D4 -20 10 46 80 76
D5 -50 -10 20 60 100

10
Exemplo:
• Foram estimados os resultados líquidos (ganhos) de cada capacidade
alternativa (Di) para cada cenário (Ej) de procura.

MATRIZ DE GANHOS

E1 E2 E3 E4 E5 Média
D1 26 24 22 20 20 22,4
D2 24 44 40 36 34 35,6
D3 16 40 60 54 50 44,0
D4 -20 10 46 80 76 38,4
D5 -50 -10 20 60 100 24,0

Max. média dos resultados (ganhos)

Regras (critérios) de decisão em situação de incerteza

• Média dos resultados (ganhos)

E1 E2 Média
D1 80 120 100,0
D2 20 180 100,0
D3 250 -50 100,0

Atitude face ao risco ?

11
 Decisão em situação de incerteza
Critério pessimista: para cada decisão considerar o
resultado menos favorável
D 1  20 D i  R i  min R ij 
j
D 2  24  D (decisão óptima)
*

D 3  16
D*  Max min R ij 
D 4   20 i  j 
D 5   50
MATRIZ DE GANHOS

E1 E2 E3 E4 E5
D1 26 24 22 20 20
D2 24 44 40 36 34
D3 16 40 60 54 50
D4 -20 10 46 80 76
D5 -50 -10 20 60 100

Decisão em situação de incerteza

Critério optimista: para cada decisão considerar o resultado
mais favorável
D 1  26 D i  R i  max R ij 
j
D 2  44
D 3  60 D*  Max max R ij 
D  80 i  j 
4

 100  D (decisão óptima)

*
D 5

MATRIZ DE GANHOS

E1 E2 E3 E4 E5
D1 26 24 22 20 20
D2 24 44 40 36 34
D3 16 40 60 54 50
D4 -20 10 46 80 76
D5 -50 -10 20 60 100

12
 Decisão em situação de incerteza

Critério intermédio (critério de Hurwicz)

• Para cada decisão associar uma média
ponderada entre os resultados mais e menos
favoráveis
D i  R i  c  max R ij   1  c   min R ij 
j j

• c – coeficiente de ponderação medindo o grau de

optimismo:
• c = 1 => optimista
• c = 0 => pessimista

Decisão em situação de incerteza

Critério intermédio (critério de Hurwicz)
Para c = 0,5
D 1  0 ,5  26  0 ,5  20  23
D 2  0,5  44  0,5  24  34
D 3  0,5  60  0,5  16  38  D * (decisão óptima)
D 4  0,5  80  0,5  (20)  30
D 5  0 ,5  100  0 ,5  (  50 )  25
MATRIZ DE GANHOS

E1 E2 E3 E4 E5
D1 26 24 22 20 20
D2 24 44 40 36 34
D3 16 40 60 54 50
D4 -20 10 46 80 76
D5 -50 -10 20 60 100

13
 Matriz de arrependimento ou custo de oportunidade
MATRIZ DE GANHOS
E1 E2 E3 E4 E5
D1 26 24 22 20 20
D2 24 44 40 36 34
D3 16 40 60 54 50
D4 -20 10 46 80 76
D5 -50 -10 20 60 100

• Para cada “estado da natureza” (cenário) Ej, identificar o resultado

mais favorável (e, portanto, a decisão ótima nesse contexto)
R *j  max R ij  Exemplo : para E1 → R1* = 26
i

• Para cada decisão Di (num cenário Ej) o custo de oportunidade é

C ij  R *j  R ij Exemplo : D2 → C21 = 26-24 = 2

D3 → C31 = 26-16 = 10
D4 → C41 = 26-(-20) = 46
D5 → C51 = 26-(-50) = 76

Matriz de arrependimento ou custo de oportunidade

MATRIZ DE GANHOS
E1 E2 E3 E4 E5
D1 26 24 22 20 20
D2 24 44 40 36 34
D3 16 40 60 54 50
D4 -20 10 46 80 76
D5 -50 -10 20 60 100

• Para cada “estado da natureza” (cenário) Ej, identificar o resultado mais

favorável (e, portanto, a decisão ótima nesse contexto) => R j  max R ij
*
i
 
• Para cada decisão Di (num cenário Ej) o custo de oportunidade é C ij  R *j  R ij
MATRIZ DE CUSTOS DE OPORTUNIDADE (PERDAS/ARREPENDIMENTO)
E1 E2 E3 E4 E5
D1 0 20 38 60 80
D2 2 0 20 44 66
D3 10 4 0 26 50
D4 46 34 14 0 24
D5 76 54 40 20 0

14
 Decisão em situação de incerteza
Critério Min – Max
(pessimista sobre a matriz de custos de oportunidade)
• A cada decisão associar o custo de oportunidade
(perda/arrependimento) máximo
D 1  80
D i  C i  max C ij
j
 
D 2  66
D 3  50
D 4  46  D (decisão óptima)
* D *  min  max C ij 
i  j 
D 5  76
MATRIZ DE CUSTOS DE OPORTUNIDADE (PERDAS/ARREPENDIMENTO)
E1 E2 E3 E4 E5
D1 0 20 38 60 80
D2 2 0 20 44 66
D3 10 4 0 26 50
D4 46 34 14 0 24
D5 76 54 40 0 0

Teoria da Decisão (“Decision Analysis”)

Decisão em situação de risco

15
 Decisão em situação de risco
 A cada “estado da natureza” (cenário) Ej é atribuída uma probabilidade
de ocorrência pj
MATRIZ DE GANHOS
Estados da natureza
Decisões E1 E2
D1 20 30
D2 0 60
Probabilidades 0,5 0,5

Estados da natureza Estados da natureza

Decisões E1 E2 Decisões E1 E2
D1 20 30 D1 20 30
D2 0 60 D2 0 60
Probabilidades 0,9 0,1 Probabilidades 0,2 0,8

Conclusão: decisão é sensível aos valores das probabilidades!

Decisão em situação de risco

 A cada “estado da natureza” (cenário) Ej é atribuída uma probabilidade
de ocorrência pj
MATRIZ DE GANHOS
Estados da natureza
Decisões E1 E2
D1 20 30
D2 0 60
Probabilidades 0,5 0,5

Estados da natureza
Decisões E1 E2
D1 20 30
D2 -25 90
Probabilidades 0,5 0,5

Conclusão: decisão é sensível aos valores de ganhos/perdas

envolvidos!

16
 Decisão em situação de risco
 A cada “estado da natureza” (cenário) Ej é atribuída uma probabilidade
de ocorrência pj
MATRIZ DE GANHOS
Estados da natureza
Decisões E1 E2
D1 20 30
D2 0 60
Probabilidades 0,5 0,5

• Critério do VALOR ESPERADO: a cada decisão é

associado o valor esperado dos resultados (ganhos),
sendo seleccionada a decisão com valor esperado
mais elevado
D i  E R i    R ij p j
j

D1 E [R1] = 20 x 0.5 + 30 x 0.5 = 25

D2 E [R2] = 0 x 0.5 + 60 x 0.5 = 30 Decisão “ótima”

Decisão em situação de risco

 A cada “estado da natureza” (cenário) Ej é atribuída uma probabilidade
de ocorrência pj

Exemplo (cont.):
• Foram estimados os resultados líquidos (ganhos) de cada capacidade
alternativa (Di) para cada cenário (Ej) de procura.
• Foram estimadas as probabilidades de ocorrência de cada cenário de
procura
MATRIZ DE GANHOS

E1 E2 E3 E4 E5
D1 26 24 22 20 20
D2 24 44 40 36 34
D3 16 40 60 54 50
D4 -20 10 46 80 76
D5 -50 -10 20 60 100
Probabilidade 0,05 0,20 0,50 0,15 0,10

17
 Decisão em situação de risco
MATRIZ DE GANHOS
E1 E2 E3 E4 E5
D1 26 24 22 20 20
D2 24 44 40 36 34
D3 16 40 60 54 50
D4 -20 10 46 80 76
D5 -50 -10 20 60 100
Probabilidade  0,05 0,20 0,50 0,15 0,10

• Critério do VALOR ESPERADO: a cada decisão é associado o

valor esperado dos ganhos D  E R   R p
i i 
j
ij j

D 1  0 , 05  26  0 , 2  24  0 ,5  22  0 ,15  20  0 ,1  20  22
D 2  0,05  24  0,2  44  0,5  40  0,15  36  0,1 34  38,8
D 3  0 ,05  16  0 , 2  40  0 ,5  60  0 ,15  54  0 ,1  50  52 Decisão
“ótima”
D 4  0,05  (20)  0,2 10  0,5  46  0,15  80  0,1 76  43,6
D 5  0,05  (50)  0,2  (10)  0,5  20  0,15  60  0,1 100  24,4

Teoria da Decisão (“Decision Analysis”)

Teoria da Utilidade

18
 Noção de Utilidade
Matriz de ganhos (monetários)
E1 E2 E[Di]
D1 -15 +30 7,5 D*
D2 0 +10 5,0
pj 0,5 0,5

• Questões:
a) Valoração dos resultados (monetários)
 Ganhar 10 mil euros é igualmente atraente quando, à partida, se
tem 100 mil euros ou não se tem nada?
b) Atitude face ao risco?!

• Utilidade associada a um resultado : medida do grau de

satisfação que esse resultado proporciona (ao agente decisor)

Noção de utilidade e curvas de utilidade

Curva de Utilidade
Utilidade

100
Matriz de ganhos (monetários) 90
80
E1 E2 70
D1 -15 +30 60
50
D2 0 +10 40
30
pj 0,5 0,5 20
10
0
-30 -20 -10 0 10 20 30 40 50 60 70
Mil €
Matriz de Utilidades

E1 E2 E[Di]
D1 +25 +55 40
D2 +40 +45 42,5
pj 0,5 0,5

19
 Escalas de medida

Dois tipos de escalas métricas:

Escala de razões: existe um zero absoluto

Ex: custos, distâncias, tempos, quantidades de produção …

Escala de intervalos: zero da escala é arbitrário

Ex: escala de temperaturas (Celcius, Fahrenheit)

Escalas de medida
Escala de razões: existe um zero absoluto
Distância Distância
(km) (milhas)
10,0 6,2
2x 2x
20,0 12,4
5x 5x
30,0 18,6
50,0 31,1

20
 Escalas de medida
Escala de intervalos: zero da escala é arbitrário

Temperatura Temperatura
(º Celcius) (º Fahrenheit)
10º 50º
2x 1,36x
20º 68º 2,44x
5x
30º 86º
50º 122º

Numa escala de intervalos, não é admissível

calcular rácios!

Escalas de medida
Escala de intervalos: zero da escala é arbitrário
Temperatura Temperatura
(º Celcius) (º Fahrenheit)
10º 50º
+10 +18
20º 68º
2x
2x
30º 86º
+20 +36
50º 122º

Numa escala de intervalos, é admissível

comparar intervalos (diferenças)!
Relações (rácios) entre diferenças são
preservadas.

21
 Noção de utilidade e curvas de utilidade
Curva de Utilidade

Utilidade
100
Matriz de ganhos (monetários) 90
80
E1 E2 70
D1 -15 +30 60
50
D2 0 +10 40
30
pj 0,5 0,5 20
10
0
-30 -20 -10 0 10 20 30 40 50 60 70
Mil €
Matriz de Utilidades

E1 E2 E[Di]
D1 +25 +55 40
D2 +40 +45 42,5
pj 0,5 0,5

Função utilidade

Construir (eliciar) a curva de utilidade

Exemplo: para valores monetários (ganhos) entre 0 e 200 mil euros
1) Seleccionar uma escala (0 a 100 utis, por exemplo) e
dois níveis de referência (escolha arbitrária)
U(0 €) = 0 utis
U(200 m€) = 100 utis

2) Conduzir um diálogo com o agente de decisão em que

este exprime preferências entre duas alternativas: uma
de resultado certo e outra de resultado incerto (jogo ou
lotaria)

22
 Função utilidade
Construir (eliciar) a curva de utilidade
Exemplo: para valores monetários (ganhos) entre 0 e 200 mil euros

Duas alternativas:
I. Entrar num jogo em que, com iguais probabilidades, pode
receber:
a) 200 m€ (50% de probabilidade); ou
b) 0 € (50% de probabilidade)
(valor esperado de ganhos: 0.5x200+0.5x0=100 m€)

II. Receber uma quantia fixa: 80 m€

Preferência do
agente de decisão

Função utilidade
Construir (eliciar) a curva de utilidade
Exemplo: para valores monetários (ganhos) entre 0 e 200 mil euros

Duas alternativas:
I. Entrar num jogo em que, com iguais probabilidades, pode
receber:
a) 200 m€ (50% de probabilidade); ou
Preferência
do agente de b) 0 € (50% de probabilidade)
decisão (valor esperado de ganhos: 0.5x200+0.5x0=100 m€)

II. Receber uma quantia fixa: 30 m€

23
 Função utilidade
Construir (eliciar) a curva de utilidade
Duas alternativas:
I. Entrar num jogo em que, com iguais probabilidades, pode
receber:
a) 200 m€ (50% de probabilidade); ou
b) 0 € (50% de probabilidade)
(valor esperado de ganhos: 0.5x200+0.5x0=100 m€)

II. Receber uma quantia fixa: 40 m€

Agente de decisão fica indiferente → utilidade associada ao jogo é
igual à utilidade da quantia certa

0,5 x U(200) + 0,5 x U(0) = U(40)

U(40 m€) = 50 utis
100 utis 0 utis

Função utilidade
Construir (eliciar) a curva de utilidade
Exemplo: para valores monetários (ganhos) entre 0 e 200 mil euros

Duas alternativas:
I. Entrar num jogo em que, com iguais probabilidades, pode
receber:
a) 200 m€ (50% de probabilidade); ou
b) 40 m€ (50% de probabilidade)
(valor esperado de ganhos: 0.5x200+0.5x40=120 m€)

II. Receber uma quantia fixa: 110 m€

Preferência do
agente de decisão

24
 Função utilidade
Construir (eliciar) a curva de utilidade
Duas alternativas:
I. Entrar num jogo em que, com iguais probabilidades, pode
receber:
a) 200 m€ (50% de probabilidade); ou
b) 40 m€ (50% de probabilidade)
(valor esperado de ganhos: 0.5x200+0.5x40=120 m€)

II. Receber uma quantia fixa: 100 m€

Agente de decisão fica indiferente → utilidade associada ao jogo é
igual à utilidade da quantia certa

0,5 x U(200) + 0,5 x U(40) = U(100)

U(100 m€) = 75 utis
100 utis 50 utis

Função utilidade
Construir (eliciar) a curva de utilidade
Exemplo: para valores monetários (ganhos) entre 0 e 200 mil euros

2) Conduzir um diálogo com o agente de decisão em que

este exprime preferências entre duas alternativas: uma
de resultado certo e outra de resultado incerto (jogo ou
lotaria)
Utilidade

m€

25
 Utilidade - Propensão e aversão ao risco
• AVERSÃO AO RISCO: utilidade marginal decrescente
Utilidade
80
60

20

200 400 600 Mil €

 

I. Recebo uma quantia fixa: 400 U(400) = 60

II. Jogo: recebo 200 (50%) ou 600 (50%) 0,5xU(200)+0,5xU(600) = 50
(valor esperado de ganhos: 0.5x200+0.5x600=400)

Utilidade - AVERSÃO AO RISCO

Utilidade
Utilidade marginal decrescente:
2
2 < 1
1

[U(x+) - U(x)] < [U(x) - U(x-)]

U(x+) + U(x-) < 2U(x) X- X X+ €

 
0,5 U(x+) + 0,5 U(x-) < U(x)

Valor esperado da utilidade associada a

um jogo:
x+
0,5

0,5 x-

26
 Utilidade - Propensão e aversão ao risco
• PROPENSÃO PARA O RISCO: utilidade marginal crescente

I. Recebo uma quantia fixa: 400 U(400) = 40

II. Jogo: recebo 200 (50%) ou 600 (50%) 0,5xU(200)+0,5xU(600) = 50
(valor esperado de ganhos: 0.5x200+0.5x600=400)

Utilidade - PROPENSÃO PARA O RISCO

Utilidade marginal crescente:

2

2 > 1 1

[U(x+) - U(x)] > [U(x) - U(x-)]

 
U(x+) + U(x-) > 2U(x)

0,5 U(x+) + 0,5 U(x-) > U(x) Valor esperado da utilidade associada a um
jogo:
x+
0,5

0,5 x-

27
 Noção de utilidade e curvas de utilidade
Curva de Utilidade

Utilidade
100
Matriz de ganhos (monetários) 90
80
E1 E2 70
D1 -15 +30 60
50
D2 0 +10 40
30
pj 0,5 0,5 20
10
0
-30 -20 -10 0 10 20 30 40 50 60 70
Mil €
Matriz de Utilidades

E1 E2 E[Di]
D1 +25 +55 40
D2 +40 +45 42,5
pj 0,5 0,5

Teoria da Decisão (“Decision Analysis”)

Valor da informação
1. Informação perfeita

28
 Decisão em situação de risco
 A cada “estado da natureza” (cenário) Ej é atribuída uma probabilidade
de ocorrência pj
MATRIZ DE GANHOS
Estados da natureza Valor
Decisões E1 E2 esperado
D1 20 30 25
Decisão
D2 0 60 30
Probabilidades 0,5 0,5 “ótima”

 Decisão é sensível aos valores das probabilidades!

 Informação perfeita: elimina elementos de incerteza (risco),

identificando qual o “estado da natureza” que vai ocorrer

 Qual o valor desta informação perfeita?

(no limite, qual o montante máximo que estaria disposto a
pagar para obter este tipo de informação?)

Decisão em situação de risco

Valor da Informação Perfeita

 Para o estado de informação inicial (à priori), identificar decisão ótima (DI*):
MATRIZ DE GANHOS
Estados da natureza Valor
Decisões E1 E2 esperado
D1 20 30 25 Decisão
D2 0 60 30 “ótima” à
Probabilidades 0,5 0,5
priori

 Admitindo que a Informação Perfeita indicou que vai ocorrer o estado

E1, qual o valor desta informação?
 Decisão ótima “à posteriori”? DII* = D1
 Resultado (Ganho) associado a esta decisão ótima “à posteriori”? R1,1=20
 Resultado (Ganho) associado à decisão ótima “à priori” (para
este estado da natureza)? R2,1=0
 Diferença de resultados (Ganhos) associada a esta alteração de
decisão (para este estado da natureza)? 20- 0=20 (valor desta informação)

29
 Decisão em situação de risco

Valor da Informação Perfeita

 Para o estado de informação inicial (à priori), identificar decisão ótima (DI*):
MATRIZ DE GANHOS
Estados da natureza Valor
Decisões E1 E2 esperado
D1 20 30 25 Decisão
D2 0 60 30 “ótima” à
Probabilidades 0,5 0,5
priori

 Admitindo agora que a Informação Perfeita indicou que vai ocorrer o

estado E2, qual o valor desta informação?
 Decisão ótima “à posteriori”? DII* = D2
 Resultado (Ganho) associado a esta decisão ótima “à posteriori”? R2,2=60
 Resultado (Ganho) associado à decisão ótima “à priori” (para
este estado da natureza)? R2,2=60
 Diferença de resultados (Ganhos) associada a esta informação
(para este estado da natureza)? 60- 60=0 (valor da informação perfeita)

Decisão em situação de risco

Valor da Informação Perfeita

 Para o estado de informação inicial (à priori), identificar decisão ótima (DI*):
MATRIZ DE GANHOS
Estados da natureza Valor
Decisões E1 E2 esperado
D1 20 30 25
Decisão
D2 0 60 30
Probabilidades 0,5 0,5 “ótima”

 Se a Informação Perfeita indicar que vai ocorrer o estado E1, o valor desta
informação (à posteriori) é VIP=20
Probabilidade = 0,5

 Se a Informação Perfeita indicar que vai ocorrer o estado E2, o valor desta
informação (à posteriori) é VIP=0
Probabilidade = 0,5
 À priori (antes de a conhecer), qual o Valor da Informação Perfeita?
Valor Esperado da Informação Perfeita: VEIP = 20 x 0,5 + 0 x 0,5 = 10

30
 Decisão em situação de risco
• Valor Esperado da Informação Perfeita – VEIP :
“ponderando” o valor da informação para cada cenário (estado da
natureza) através da probabilidade de ocorrência desse estado:

1. Para o estado de informação inicial (I), identificar a decisão ótima DI*

2. Para cada “estado da natureza” j (que se admite ter efectivamente

ocorrido):
A.Identificar a decisão ótima DII* a que está associado um resultado
optimizado Rj*
B.Calcular a diferença dos resultados em relação à decisão DI*
VIPj = Rj* - Rj(DI*)  valor da informação perfeita (para o estado j)

3. Valor esperado da informação perfeita:

E VIP    VIPj p j
j

Valor da Informação Perfeita

• Estado de informação I (à priori)

E1 E2 E3 E4 E5
D1 26 24 22 20 20
D2 24 44 40 36 34
D3 16 40 60 54 50
D4 -20 10 46 80 76
D5 -50 -10 20 60 100
Probabilidade  0,05 0,20 0,50 0,15 0,10

D 1  0 , 05  26  0 , 2  24  0 ,5  22  0 ,15  20  0 ,1  20  22
D 2  0,05  24  0,2  44  0,5  40  0,15  36  0,1 34  38,8
D 3  0 ,05  16  0 , 2  40  0 ,5  60  0 ,15  54  0 ,1  50  52 Decisão
“ótima”
D 4  0,05  (20)  0,2  10  0,5  46  0,15  80  0,1 76  43,6 (à priori)
D 5  0,05  (50)  0,2  (10)  0,5  20  0,15  60  0,1 100  24,4

31
 Valor da Informação Perfeita
E1 E2 E3 E4 E5
D1 26 24 22 20 20
D2 24 44 40 36 34
D3 16 40 60 54 50
D4 -20 10 46 80 76
D5 -50 -10 20 60 100
Probabilidade  0,05 0,20 0,50 0,15 0,10

1. - D I  D 3 → Decisão “ótima” (à priori)

*

2. - Se ocorrer j  1  DII*  D1  VIP1  R11  R31  26  16  10

j  2  DII*  D2  VIP2  R22  R32  44  40  4

Se j  3  DII*  D3  VIP3  R33  R33  60  60  0
ocorrer o
estado j
j  4  DII*  D4  VIP4  R44  R34  80  54  26
j  5  DII*  D5  VIP5  R55  R35  100  50  50

Valor da Informação Perfeita

• Exemplo:
1. - D *I  D 3

2. - j  1  DII*  D1  VIP1  R11  R31  26  16  10

j  2  DII*  D2  VIP2  R22  R32  44  40  4
j  3  DII*  D3  VIP3  R33  R33  60  60  0
Se ocorrer
o estado j j  4  DII*  D4  VIP4  R44  R34  80  54  26
j  5  DII*  D5  VIP5  R55  R35  100  50  50

Resumo: Informação Valor da informação Probabilidades

perfeita perfeita
Estado j = 1 10 0,05
Estado j = 2 4 0,2
Estado j = 3 0 0,5
Estado j = 4 26 0,15
Estado j = 5 50 0,1

VEIP  E VIP   10  0,05  4  0,2  0  0,5  26  0,15  50  0,1  10,2

32
 Teoria da Decisão (“Decision Analysis”)

Valor da informação
2. Informação imperfeita (à posteriori)

Valor da informação adicional (à posteriori)

• Estado de informação I (à priori)

E1 E2 E3 E4 E5
D1 26 24 22 20 20
D2 24 44 40 36 34
D3 16 40 60 54 50
D4 -20 10 46 80 76
D5 -50 -10 20 60 100
Probabilidade  0,05 0,20 0,50 0,15 0,10

D 1  0 , 05  26  0 , 2  24  0 ,5  22  0 ,15  20  0 ,1  20  22
D 2  0,05  24  0,2  44  0,5  40  0,15  36  0,1 34  38,8
D 3  0 ,05  16  0 , 2  40  0 ,5  60  0 ,15  54  0 ,1  50  52 Decisão
“ótima” (à
D 4  0,05  (20)  0,2  10  0,5  46  0,15  80  0,1 76  43,6 priori)
D 5  0,05  (50)  0,2  (10)  0,5  20  0,15  60  0,1 100  24,4

33
 Valor da informação adicional (à posteriori)
E1 E2 E3 E4 E5
D1 26 24 22 20 20
D2 24 44 40 36 34
DI* D3 16 40 60 54 50
D4 -20 10 46 80 76
D5 -50 -10 20 60 100
Probabilidade 0,05 0,20 0,50 0,15 0,10

Estado de informação II (à posteriori): alteração das probabilidades

Estado E1 E2 E3 E4 E5
pj 0,05 0,05 0,2 0,65 0,05
E D 1   20 , 9
E D 2   36 ,5
E D 3   52 , 4
Decisão “ótima” (à
E D 4   64 , 5  D *II  D 4
posteriori)
E D 5   45 , 0

Valor da informação adicional (à posteriori)

E1 E2 E3 E4 E5
D1 26 24 22 20 20
D2 24 44 40 36 34
DI* D3 16 40 60 54 50
DII* D4 -20 10 46 80 76
D5 -50 -10 20 60 100

Estado E1 E2 E3 E4 E5
Valor da -20-16 10-40 46-60 80-54 76-50
informação
R4j-R3j -36 -30 -14 +26 +26

D*II D*I

34
 Valor da informação adicional (à posteriori)
Estado E1 E2 E3 E4 E5
Valor da -20-16 10-40 46-60 80-54 76-50
informação
R4j-R3j -36 -30 -14 +26 +26

Probabilidades dos estados da natureza (à posteriori)

Estado E1 E2 E3 E4 E5
pj 0,05 0,05 0,2 0,65 0,05

• VEIA: Valor Esperado da Informação Adicional

VEIA = (-36) x 0.05 + (-30) x 0.05 + (-14) x 0.2 + 26 x 0.65 + 26 x 0.05 = 12.1

Valor da informação adicional (à posteriori)

• VEIA: Valor Esperado da Informação Adicional
VEIA = (-36) x 0.05 + (-30) x 0.05 + (-14) x 0.2 + 26 x 0.65 + 26 x 0.05 = 12.1

Valores esperados dos
ganhos (para
probabilidades após
informação adicional –
à posteriori)
E D 1   20 , 9
E D 2   36 ,5
E D 3   52 , 4 Decisão ótima à priori
E D 4   64 , 5  D *
II  DDecisão
4 ótima à posteriori
E D 5   45 , 0

VEIA = 64.5 – 52.4 = 12.1

Diferença entre valores esperados dos ganhos:

• da decisão ótima à posteriori (depois da informação adicional) – DII*
• e da decisão ótima à priori – DI*

Sendo este valores esperados calculados para a

nova informação (probabilidades à posteriori)
=> Aula 1

35
 Teoria da Decisão (“Decision Analysis”)

Árvores de decisão

Árvores de Decisão

• Árvores de decisão: representações esquemáticas de problemas de

decisão que recorrem a dois tipos de símbolos:

Momentos de decisão

Momentos de acaso

–Momentos de escolha controlada pelo decisor  momentos de

decisão
–Evoluções determinadas por factores exógenos (variáveis não
controláveis)  momentos de acaso

36
EXEMPLO: Uma empresa de prospeção de petróleo terá que tomar uma
decisão em relação à exploração de uma determinada zona que lhe foi
concessionada.
A empresa poderá:
– D1 - vender a concessão de prospeção a outra empresa, por
2 milhões de euros;
– D2 - perfurar com o exclusivo da exploração;
– D3 - perfurar em consórcio com outra empresa, cedendo 50% do
resultado da exploração por 1 milhão de euros;
– D4 - ceder todos os direitos de exploração a outra empresa,
recebendo 35% das vendas, no caso de existir "crude“.
O furo poderá estar num de três estados, com probabilidades estimadas para
cada estado seguinte:
– S1 - seco, com probabilidade de 0.50;
– S2 - produzindo um milhão de barris, com probabilidade de 0.30;
– S3 - produzindo 5 milhões de barris, com probabilidade de 0.20.
• A perfuração custa 5 milhões de euros e dever-se-á gastar mais 2 milhões
de euros na extração do "crude", caso exista. O produto pode ser vendido a
10 € o barril.
• Que decisão aconselha?

Árvores de Decisão
S2 (0.3)

D3 - consórcio S2 (0.3)

S2 (0.3)

37
 +2 Árvores de Decisão
-5
S2 (0.3)
(-5 - 2) + 10 = +3
(7)
(-5 - 2) + 5 x 10 = +43

+ 1 - (5 x 0.5) = -1.5

D3 - consórcio S2 (0.3)
+ 1 + 3 x 0.5 = 2.5
(4.5)
+ 1 + 43 x 0.5 = 22.5

S2 (0.3)
0.35 x 10 = 3.5
(4.55)
Valor esperado dos ganhos:
0.35 x 50 = 17.5
0x0.5+3.5x0.3+17.5x0.2=4.55

+2 Valor da informação
-5
Cenário 1: ocorre S1
S2 (0.3)
+3
(7)
Decisão à posteriori:
+43
D*II = D1 Ganho= +2
-1.5

D3 - consórcio S2 (0.3)
Decisão à priori:
+ 2.5 DI* = D2 Ganho= -5
(4.5)

+22.5

Valor da informação:
2 - (- 5) = 7
0
S2 (0.3)
+3.5
(4.55)

+17.5

38
 +2 Valor da informação
-5
S2 (0.3) Cenário 2: ocorre S2
+3
(7)

+43 Decisão à posteriori:

DII*  D 4 Ganho= +3.5
-1.5
Decisão à priori:
D3 - consórcio S2 (0.3)
+ 2.5 DI*  D2 Ganho= +3
(4.5)

+22.5

Valor da informação:
3.5 - 3 = 0.5
0
S2 (0.3)
+3.5
(4.55)
+17.5

+2 Valor da informação
-5
S2 (0.3) Cenário 3: ocorre S3
+3
(7)

+43 Decisão à posteriori:

DII*  D2 Ganho= +43
-1.5
Decisão à priori:
D3 - consórcio S2 (0.3)
+ 2.5 DI*  D2 Ganho= +43
(4.5)

+22.5

Valor da informação:
43 - 43 = 0
0
S2 (0.3)
+3.5
(4.55)

+17.5

39
 1) Se S1 Ganho Valor da informação perfeita
DII*  D1 2

DI*  D2 -5 Em resumo:
Valor da informação: 2 - (-5) = 7
Informação (Estado real)  S1 S2 S3

2) Se S2 Ganho Valor da Informação  7 0.5 0

DII*  D 4 3.5 Probabilidades  0.5 0.3 0.2

DI*  D2 3.0
Valor da informação: 3.5 - 3.0 = 0.5
Valor esperado da informação perfeita:

3) Se S3 Ganho 7 x 0.5 + 0.5 x 0.3 + 0 x 0.2 = 3.65 (x106)

DII*  D2 43

DI*  D2 43
Valor da informação: 43 - 43 = 0

+2
Valor da informação
-5 Adicional (P1, P2, P3 = 0.5, 0.4, 0.1)
S2 (0.4)
(-5 - 2) + 10 = +3 DI* = D2 (à priori)
(3)
(-5 - 2) + 5 x 10 = +43

+ 1 - (5 x 0.5) = -1.5

D3 - consórcio S2 (0.4)
+ 1 + 3 x 0.5 = 2.5
(2.5)
+ 1 + 43 x 0.5 = 22.5

DII*= D4 (à posteriori)
0

S2 (0.4)
0.35 x 10 = 3.5
(3.15)
0.35 x 50 = 17.5

VEIA = E[DII*] – E[DI*] = 3.15-3.0 = 0.15 M€

40
 Teoria da Decisão (“Decision Analysis”)

Decisões sequencias e
Árvores de decisão

Decisões sequenciais : Árvores de Decisão

• Sequência (cadeia) de decisões:
–Alternância entre momentos de escolha controlada pelo decisor 
momentos de decisão
–e evoluções determinadas por factores exógenos (variáveis não
controláveis)  momentos de acaso

Source: R.T. Clemen, Making Hard Decisions

41
 Decisões sequenciais : Árvores de Decisão

• Sequência (cadeia) de decisões:

–Alternância entre momentos de escolha controlada pelo decisor 
momentos de decisão
–e evoluções determinadas por factores exógenos (variáveis não
controláveis)  momentos de acaso

• Árvores de decisão:
–Representação de problemas de decisão sequenciais, descrevendo
a sequência de momentos de decisão ( ) e de acaso ( )
–Permitem identificar cadeias de decisões otimizadas (ao longo do
tempo)

Decisões sequenciais : Árvores de Decisão

• Exemplo - Substituição de um equipamento
Uma entidade possui um dado equipamento A que tem de ser
substituído por outro mais eficiente (B) no prazo máximo de 2 anos.
Esta substituição pode ocorrer imediatamente ou daqui a 1 ou 2
anos. Para determinar qual a data mais aconselhável para a sua
substituição, obtiveram-se as seguintes previsões:
Preço do equipamento B (milhares de euros)
Preço Actual Próximo ano Daqui a 2 anos
Prob. Preço Prob. Preço
0,2 600 0,6 400
0,4 500
700
0,7 700 0,5 500
0,5 600
0,1 750 0,8 950
0,2 1.000

42
 Decisões sequenciais : Árvores de Decisão
• Exemplo - Compra de um equipamento

Preço de venda de A (milhares de euros)

Actual Próximo ano Daqui a 2 anos
300 280 260

Prejuízos resultantes de usar A em vez de B (milhares

de euros)
Ano corrente Próximo ano
40 60

– Nota: Todos os preços e prejuízos foram previamente atualizados

para valores referentes ao ano em curso
– Questão: recomendaria a substituição imediata do equipamento?

Decisões sequenciais e árvores de decisão

1. Construção da árvore de decisão Ano 2
Momento de Ano 1
decisão

Ano 0

Momento de
acaso

43
 Decisões sequenciais e árvores de decisão
2. Estimação de resultados (custos, neste caso) nas “pontas” da árvore
Ano 1 Ano 2
Ano 0

360 = 600 + 40 - 280

400 = 700 - 300 240 = 400 + 40 + 60 - 260

340 = 500 + 40 + 60 - 260

460 = 700 + 40 - 280

340 = 500 + 40 + 60 - 260

440 = 600 + 40 + 60 - 260

510 = 750 + 40 - 280

790 = 950 + 40 + 60 - 260

840 = 1000 + 40 + 60 - 260

Custo total da substituição do equipamento

Decisões sequenciais e árvores de decisão

3. Síntese e decisão
Ano 1
Ano 2
Ano 0

360
400
240

340

460

340

440
510
510

Momento de decisão: 790

comprar

840
custo esperado 800
800 = 840 x 0,2 + 790 x 0,8

44
 Decisões sequenciais e árvores de decisão
3. Síntese e decisão
Ano 1
Ano 2
Ano 0

360
400
240

340

390 460

340

Momento de decisão:
390 440
Não comprar 510
510

790

840
custo esperado 800
800 = 840 x 0,2 + 790 x 0,8

Decisões sequenciais e árvores de decisão

3. Síntese e decisão Momento de decisão:
Ano 1 Não comprar Ano 2
Ano 0

360
400
240
280

340
280

390 460

340

390 440
510
510

790

840
custo esperado 800
800 = 840 x 0,2 + 790 x 0,8

45
 Decisões sequenciais e árvores de decisão
3. Síntese e decisão
Ano 1
Ano 2
Ano 0

360
400
240
280
340
280

390 460

380 340

380 = 0,2 x 280 +

+ 0,7 x 390 +
390 440
+ 0,1 x 510
510
510

790

840
custo esperado 800
800 = 840 x 0,2 + 790 x 0,8

Decisões sequenciais e árvores de decisão

3. Síntese e decisão Ano 1 Ano 2
Ano 0

360
400
240
280

340
280

390 460

380 340

390 440
510
Recomendação para
momento atual (ano 0): 510

Não comprar 790

840
800

46
 Decisões sequenciais : Árvores de Decisão

• Árvores de decisão:
1. Representam-se em árvore as possíveis sequências de
escolhas do decisor e do acaso (trajectórias de alternativas)
2. Calculam-se os resultados relativos às “pontas” da árvore
3. “Probabilizam-se” os ramos dos nós de acaso a fim de poder
associar-se a cada nó um valor de síntese (em geral, o valor
esperado)
4. Escolhem-se nos nós de decisão os ramos com melhor
resultado, iniciando essas escolhas nos nós de decisão mais
profundos da árvores e recuando progressivamente até atingir
o nó de decisão inicial (correspondente ao instante actual)

=> Aula 2

Teoria da decisão (“Decision Analysis”)

• Fornece métodos (de base científica) para organizar o processo
decisório

• Permite a identificação da incerteza e obriga à sua representação

• Fornece metodologias para explicitar quadros de valores / preferências

• Promove a “transparência” do processo decisório

 Torna claros e explícitos os quadros de preferências e juízos
de valor do(s) agente(s) de decisão, introduzindo objectividade
e legitimação das escolhas

• Cria condições para decisão em grupo e promove uma maior

compreensão da posição de cada actor e uma elevação da
consciencialização acerca dos aspectos envolvidos (e da sua
importância) e da raiz de qualquer conflito

• Cria condições para o desenvolvimento de novas intuições e

perspectivas de mais alto nível sobre o problema em apreço (isto é,
para gerar conhecimento)

47