Universidade Veiga de Almeida

Curso Engenharia da Computação

Caio Henrique - 1220104843

Denilson Rosestolato - 1220200594

Erik Vidal - 1220104843

Guilherme Alves de Ascenção - 1220101000

Kevyn Galdino de Afonso Ferreira - 120104651

Grafos aplicado a programação

Teoria da decisão

Rio de Janeiro

2023
 Sumário

1. Teoria da decisão – conceitos e exemplos

2. Teoria da decisão – métodos e programas computacionais
3. Método de Monte Carlo
4. Teoria dos jogos
5. Árvore de decisão
6. Referências
 1.
Teoria da decisão – conceitos e exemplos
A Teoria da Decisão é um campo interdisciplinar que trata do processo de
tomada de decisões por indivíduos e organizações. Fundamenta-se na ideia de
que as decisões são baseadas em uma avaliação racional de alternativas e seus
respectivos resultados. A tomada de decisão envolve a seleção da melhor
alternativa com base em critérios e preferências estabelecidos.
Conceitos Principais:
- Racionalidade: Pressupõe-se que o decisor agirá racionalmente, buscando
maximizar o valor ou utilidade da escolha.
- Preferências: São as inclinações do decisor em relação a diferentes
resultados, refletindo seus objetivos e desejos.
- Alternativas: Opções entre as quais o decisor pode escolher.
- Resultados e Incertezas: Cada alternativa tem um conjunto de possíveis
resultados, com incertezas que afetam a probabilidade de cada um.
- Custos e Benefícios: A análise de custo-benefício é usada para avaliar as
consequências de cada alternativa.
Exemplo Real:
Considere uma empresa que precisa decidir entre investir em energia renovável
ou continuar com fontes de energia tradicionais. A análise começa com a
identificação de alternativas: instalação de painéis solares ou manutenção do
status quo. A racionalidade sugere que a empresa deve escolher a opção com o
melhor retorno sobre o investimento. As preferências podem incluir fatores como
sustentabilidade, independência energética e imagem pública. Os resultados
possíveis variam desde economias a longo prazo com energia solar até custos
iniciais substanciais. Incertezas como mudanças na política energética e na
tecnologia solar podem afetar o resultado. Uma análise detalhada de custo-
benefício, considerando tanto fatores econômicos quanto ambientais, informará
a decisão final.
 2.
Teoria da decisão – métodos e programas computacionais
No âmbito da Teoria da Decisão, diversos métodos e programas computacionais
foram desenvolvidos para auxiliar indivíduos e organizações a tomarem decisões
mais informadas e fundamentadas. Estas ferramentas abrangem desde modelos
simples baseados em critérios múltiplos até algoritmos complexos de
aprendizado de máquina.
Métodos e Programas Computacionais:
1. Análise de Decisão Multicritério (MCDA): Utiliza algoritmos para avaliar e
priorizar diversas alternativas com base em vários critérios. Programas como o
Expert Choice e o DecisionPro são exemplos de software que aplicam MCDA.
2. Sistemas Baseados em Regras: Estes sistemas utilizam um conjunto de
"se/então" regras para imitar o processo de decisão humano em situações
específicas. Softwares como o Drools permitem a implementação de sistemas
de gestão de regras de negócio.
3. Simulação de Monte Carlo: Um método computacional que utiliza a
simulação de variáveis aleatórias para modelar a incerteza e prever possíveis
resultados. Softwares como o @RISK e o Crystal Ball permitem a realização
dessas simulações.
4. Árvores de Decisão e Florestas Aleatórias: Ferramentas de aprendizado
de máquina que ajudam na classificação e regressão para prever resultados.
Plataformas como o R e Python com suas bibliotecas Scikit-learn proporcionam
implementações dessas técnicas.
5. Teoria dos Jogos: Modela situações de decisão entre agentes racionais com
interesses conflitantes. Programas como o Gambit oferecem ferramentas para
analisar e resolver jogos.
 3.
Método de Monte Carlo
O Método de Monte Carlo, é uma poderosa ferramenta de estatística que foi
desenvolvido durante a segunda guerra e faz uso de uma variedade de campos,
desde física, engenharia, finanças e ciências sociais. Esse método se baseia na
geração aleatória de números, para resolver problemas complexos e calcular
valores e analisar fenômenos incertos.
O nome Monte Carlo, foi inspirado no cassino de Monte Carlo, conhecido por
seu elemento de aleatoriedade.
Conceitos Principais
Amostragem aleatória:
O método utiliza amostras aleatórias para aproximar resultados. Por exemplo,
calcular o valor esperado de uma função, geramos várias amostras aleatórias
dessa função e calculamos a média.
Convergência:
A convergência é um conceito essencial no Método Monte Carlo. Diz respeito ao
processo de redução da incerteza com base na medida, que mais amostras são
geradas. À medida que o número de amostras cresce, o número de estimativa
se aproxima do valor real.
Estimação estatística:
Com as amostras geradas, o Método Monte Carlo calcula estimativas
estatísticas, como médias, desvios padrão e percentis, para analisar o
comportamento do sistema ou resolver problemas complexos, quanto mais
amostras forem geradas, maior se torna a precisão das estimativas.
Simulação de Pi:
Um exemplo do Método Monte Carlo, é a estimativa do valor de Pi.
Imagine um quadrado com um círculo inscrito, se criarmos pontos aleatórios
dentro do quadrado, alguns deles aparecerão dentro do círculo. A razão entre o
número de pontos que vão estar dentro do círculo e o número total de pontos
criados, se aproxima de π/4. Quanto mais pontos gerarmos, mais precisamente
estimaremos o valor de PI.
 4.
Teoria dos jogos
Contextualização e Conceito

A Teoria dos Jogos é um ramo da matemática e da economia que estuda o

comportamento estratégico entre indivíduos em situações competitivas. Ela
explora como as decisões de um jogador são influenciadas pelas ações dos
outros participantes e como essas interações levam a diferentes resultados. Um
conceito fundamental na Teoria dos Jogos é o equilíbrio de Nash, que ocorre
quando cada jogador está fazendo a melhor escolha possível, dadas as escolhas
dos outros jogadores.

Em contraste com a abordagem competitiva tradicional, a cooperação na Teoria

dos Jogos envolve a tomada de decisões que beneficiam não apenas o próprio
jogador, mas também os outros participantes. Embora pareça contraintuitivo à
primeira vista, estudos e experimentos demonstram consistentemente que a
cooperação pode levar a resultados mais favoráveis a longo prazo do que a
competição pura.

Benefícios da Cooperação

Pensar primeiro nos outros e adotar estratégias cooperativas pode gerar uma
série de benefícios, tanto para os indivíduos quanto para a sociedade como um
todo. Alguns desses benefícios incluem:

Maximização do bem-estar coletivo: Ao cooperar, os jogadores podem alcançar

resultados que são melhores para todos do que aqueles que poderiam ser
alcançados individualmente. Isso ocorre porque a cooperação muitas vezes leva
a soluções que otimizam recursos e promovem a colaboração em vez da
competição destrutiva.

Construção de confiança e relacionamentos: A cooperação fortalece os laços

entre os participantes, promovendo a confiança e a cooperação futura. Quando
os jogadores percebem que os outros estão dispostos a agir em benefício mútuo,
eles tendem a ser mais receptivos à cooperação e menos propensos a adotar
comportamentos egoístas.

Redução de conflitos: Ao buscar soluções que beneficiem a todos, os jogadores

podem evitar conflitos desnecessários e encontrar maneiras de resolver disputas
de forma pacífica e construtiva. Isso é especialmente importante em contextos
em que a cooperação é essencial para alcançar objetivos comuns, como
negociações comerciais ou resolução de problemas sociais.
Exemplos de Cooperação na Prática

Negociações comerciais: Em vez de adotar táticas competitivas que visam

apenas maximizar os próprios lucros, as empresas podem se beneficiar mais a
longo prazo ao buscar acordos que sejam mutuamente benéficos para todas as
partes envolvidas. Isso pode levar a relações comerciais duradouras e parcerias
estratégicas vantajosas para todos os envolvidos.

Trabalho em equipe: Em ambientes de trabalho, equipes que priorizam a

cooperação e o compartilhamento de ideias tendem a ser mais eficazes na
resolução de problemas e na realização de projetos complexos. Ao valorizar as
contribuições de todos os membros da equipe e trabalhar em conjunto para
alcançar objetivos comuns, as organizações podem alcançar níveis mais altos
de produtividade e satisfação no trabalho.

Colaboração em comunidades: Em comunidades locais, a cooperação pode

desempenhar um papel crucial na abordagem de questões sociais e ambientais,
como o combate à pobreza, o acesso à educação e a preservação dos recursos
naturais. Ao unir esforços e recursos, os membros da comunidade podem criar
mudanças significativas e construir um futuro mais sustentável para todos.

Conclusão

Em resumo, a Teoria dos Jogos oferece insights valiosos sobre como a

cooperação pode ser uma estratégia vantajosa em uma ampla gama de
contextos. Ao pensar primeiro nos outros e adotar uma abordagem cooperativa,
os indivíduos e as organizações podem criar resultados que beneficiam não
apenas a si mesmos, mas também a sociedade como um todo. Promover a
cooperação é essencial para enfrentar os desafios complexos do mundo
moderno e construir um futuro mais justo, equitativo e sustentável para todos.
 5.
Árvore de decisão
Conceitos iniciais:

As árvores de decisão, como ditas no nome, são algoritmos ou ferramentas de

machine learning, que são vastamente utilizadas e requisitadas, para conseguir
uma visualização clara e simples de caminhos, decisões, escolhas,
probabilidades, custos e mais a serem tomados e levados em conta.

É muito utilizada por iniciantes na área de machine learning por ser um passo
simples e primordial para as subsequentes ferramentas mais complexas.

Estrutura da árvore de decisões:

Como podemos ver, a árvore de decisão sempre começa com um nó inicial de

um problema, decisão, atividade, objetivo, que se divide em diferentes caminhos
e resultados que separadamente podem levar a mais caminhos possíveis e
diferentes resultados considerando todas as possibilidades.
Podemos categorizar 3 diferentes tipos de nó, sendo eles:

1. Nó de probabilidade: representado por um círculo, determina as

probabilidades de diferentes resultados.
2. Nó de decisão: representado por um quadrado, mostra a decisão a
ser tomada
3. Nó de término: representado por um triângulo, determina o término
de um dos respectivos caminhos de decisão.
Exemplos:
Com essa introdução em mente já é possível começar a montar árvores de
decisão e analisá-las seguindo exemplos cotidianos e rotineiros.

Como podemos ver inicialmente há o desejo de fazer um churrasco no fim de

semana, onde a decisão e a vontade primária, é que o churrasco seja realizado
na varanda de casa, porém existe o fator probabilidade de chuva que deve ser
analisado pois isso pode interromper completamente o churrasco e seus custos.

Assim criam-se 2 nós de possibilidade, 1 considerando o evento na varanda de

casa com custo fixo x e a possibilidade de chover ou não, e o outro nó
premeditando a probabilidade de chuva, com o evento sendo realizado na
churrasqueira com valor y de aluguel mais os custos fixos.
E no final de cada nó temos seus devidos fechamentos:

1. Na varanda de casa sem chuva: desejo primário com satisfação

total e custo x
2. Na varanda de casa com chuva: insatisfação, pois a probabilidade
da chuva foi concretizada tornando o evento um fracasso, e assim
com a insatisfação da pessoa e com custo x.
3. Na churrasqueira sem a chuva: há o sentimento de insatisfação
também pois teve um custo maior y, sendo que poderia ter seguido
com seu plano e desejo inicial considerando as probabilidades.
4. Na churrasqueira, porém com a baixa chance de chuva se
concretizando: tem-se os termos neutros e calculados, com valor
y, onde o evento segue com naturalidade.
 6.
Referências
- Bazerman, M. H., & Moore, D. A. (2013). Judgment in Managerial Decision
Making. John Wiley & Sons.
- Kahneman, D., & Tversky, A. (1979). Prospect Theory: An Analysis of Decision
under Risk. Econometrica, 47(2), 263-291.
- Saaty, T. L. (1980). The Analytic Hierarchy Process. McGraw-Hill.
- Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical
Learning. Springer.
- Metropolis, N., & Ulam, S. (1949). The Monte Carlo method. Journal of the
American Statistical Association.
- Fishman, G. S. (2013). Monte Carlo: Concepts, Algorithms, and Applications.
Springer Science & Business Media.
- Duarte, L. G. S. (2011). Estatística e probabilidade: Uma introdução à teoria
geral dos experimentos.
- https://www.lucidchart.com/pages/pt/o-que-e-arvore-de-decisao

- https://pt.linkedin.com/pulse/sobre-árvores-de-decisão-aloysio-souza-jr-

- https://didatica.tech/como-funciona-o-algoritmo-arvore-de-decisao/