Escolar Documentos
Profissional Documentos
Cultura Documentos
Modelação dos
processos decisórios
1
“I used to be indecisive, but now I’m not so sure.” (Bosco Pertwee)
1. Evitar decidir!
Dogbert
2
Sugestões de Dogbert
para evitar tomar decisões!
para se reunirem
3
Estratégias de tomada de decisão
• Processo intuitivo
• Processo analítico
• Processo consultivo
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
Amos Tversky, Daniel Kahneman, “The framing of decisions and the psychology of choice”
Science, 1981
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
•Complexa Estrutura
Percepção
Informação
Probabilidades Lógica Decisão
•Dinâmica
•Competitiva Atribuição de
valor
Valores Resultados
Preferências Preferência
... temporal
Atitude face ao
risco
6
Decisão : Processo analítico
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
7
Teoria da Decisão
Teoria da Decisão
Níveis de Decisão
Decisões não
estruturadas
Estratégico
Decisões
semi-estruturadas
Táctico
Operacional Decisões
estruturadas
8
Teoria da decisão (“Decision Analysis”)
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
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
E1 E2 Média
D1 80 120 100,0
D2 20 180 100,0
D3 250 -50 100,0
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
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
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
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
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
Decisões E1 E2
D1 20 30
D2 -25 90
Probabilidades 0,5 0,5
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
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
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 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?!
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
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
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
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
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€)
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€)
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€)
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€)
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€)
Função utilidade
Construir (eliciar) a curva de utilidade
Exemplo: para valores monetários (ganhos) entre 0 e 200 mil euros
m€
25
Utilidade - Propensão e aversão ao risco
• AVERSÃO AO RISCO: utilidade marginal decrescente
Utilidade
80
60
20
0,5 x-
26
Utilidade - Propensão e aversão ao risco
• PROPENSÃO PARA O RISCO: utilidade marginal crescente
2 > 1 1
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
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”
29
Decisão em situação de risco
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:
E VIP VIPj p j
j
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
32
Teoria da Decisão (“Decision Analysis”)
Valor da informação
2. Informação imperfeita (à posteriori)
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 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
Estado E1 E2 E3 E4 E5
pj 0,05 0,05 0,2 0,65 0,05
VEIA = (-36) x 0.05 + (-30) x 0.05 + (-14) x 0.2 + 26 x 0.65 + 26 x 0.05 = 12.1
E D 1 20 , 9
Valores esperados dos
ganhos (para E D 2 36 ,5
probabilidades após E D 3 52 , 4 Decisão ótima à priori
informação adicional –
à posteriori) E D 4 64 , 5 D *
II DDecisão
4 ótima à posteriori
E D 5 45 , 0
35
Teoria da Decisão (“Decision Analysis”)
Árvores de decisão
Árvores de Decisão
Momentos de decisão
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)
+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)
+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
DI* D2 3.0
Valor da informação: 3.5 - 3.0 = 0.5
Valor esperado da informação perfeita:
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
40
Teoria da Decisão (“Decision Analysis”)
Decisões sequencias e
Árvores de decisão
41
Decisões sequenciais : Árvores de Decisão
• 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)
42
Decisões sequenciais : Árvores de Decisão
• Exemplo - Compra de um equipamento
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
400
240
340
460
340
440
510
510
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
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
790
840
custo esperado 800
800 = 840 x 0,2 + 790 x 0,8
360
400
240
280
340
280
390 460
380 340
390 440
510
Recomendação para
momento atual (ano 0): 510
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
47