Beruflich Dokumente
Kultur Dokumente
Verso 2.2 a c 2010, 2008, 2002, 1998 Maria Antnia Carravilla o Jos Fernando Oliveira e FEUP
Decises o
A incerteza muito mais a regra que a excepo, a unica coisa que pode ser e ca certa o passado e as decises tomam-se para o futuro. e o
Uma deciso uma alocao de recursos, irrevogvel e s pode ser alterada a e ca e a o por uma outra deciso a
Teoria da Deciso a
A Teoria da Deciso trata de: a tomada de decises racionais e consistentes em situaes de incerteza, o co fornecendo um conjunto de conceitos e tcnicas para apoio do decisor. e O objectivo da Teoria da Deciso : a e apoiar a escolha de uma aco (ou de uma estratgia) que seja consistente ca e com as alternativas, a informao, os valores e a lgica do decisor no ca o momento da tomada de deciso. a
A marca de sofs a um franchisingde venda de sofs que tem como fora e a c propulsorapara as suas vendas a inovaao nos materiais e no design e a qualidade e c facilidade de manuteno dos seus sofs. ca a Recentemente surgiu no mercado mundial um novo tipo de estofo, obtido a partir de estudos de materiais feitos pela Agncia Espacial Africana. Esse novo estofo, que tem e ainda o nome de cdigo X@K, tem todas as caracter o sticas da pele natural, mas no a absorve gorduras e no se desgasta. O preo dessa matria prima muito elevado e a sua a c e e produo ainda muito reduzida. ca e Os administradores da pretendem estar sempre na frente da inovao em sofs e ca a por isso consideram crucial para a empresa a aposta em X@K. A deciso a tomar a e quanto ` quantidade a comprar. Dado que esse estofo tem que ser transportado a partir a da costa oriental de Africa, onde est localizada a Agncia Espacial Africana, o a e transporte ter que ser feito por mar e em contentores e s se admite a compra de 1, 2 ou a o 3 contentores de X@K a . A aquisio ter que ser feita agora e s no in ca a o cio do prximo o ano que se poder voltar a comprar esse material. e a
a Devido
X@K.
(cont.)
Se for comprado 1 contentor, o preo de compra de 1m2 de X@K ser 22um, c a comprando-se 2 contentores, o preo de compra de 1m2 de X@K ser 20um e comprando c a 3 contentores, o preo de compra de 1m2 de X@K ser 18um. O preo de venda de 1m2 c a c ser 25um, mas se ao m do ano ainda restar X@K, este ter que ser vendido por 10um a a por m2 . Cada m2 de material no vendido por ruptura de stocks implica um preju de 5um. a zo A administraao considera que se podero vender sofs que consumam 100.000m2 , c a a 150.000m2 ou 250.000m2 de X@K. Os trs tipos de procura teriam probabilidades de e ocorrncia de respectivamente, 30%, 50% e 20%. e
-resposta
Decisor O decisor a administrao da e ca Aces As aces alternativas so: co co a
Comprar 1 contentor (100.000m2 de X@K ); Comprar 2 contentores (200.000m2 de X@K ); Comprar 3 contentores (300.000m2 de X@K ).
Consequncias H uma consequncia associada a cada par (aco, estado e a e ca da natureza). Neste caso se por exemplo se optar por comprar 2 contentores e a procura for de 150.000m2 de X@K, ento o lucro a para a empresa ser: a
150.000m2 25 um + 50.000m2 10 um 200.000m2 20 um = 250.000um m2 m2 m2
Matriz de Deciso a
Depois de denidas todas as aces alternativas e todos os estados da co natureza, deve ser poss associar a cada par (aco, estado da natureza) vel ca uma consequncia que ter um valor correspondente ` utilidade para o e a a decisor. Uij = U (ai ; j ) Com esses valores pode-se preencher uma tabela de duas entradas a que se chama Matriz de Deciso. a Estados da natureza Aces co a1 a2 a3 . . . am 1 U11 U21 U31 . . . Um1 2 U12 U22 U32 . . . Um2 3 U13 U23 U33 . . . Um3 ... ... ... ... .. . ... n U1n U2n U3n . . . Umn
- Matriz de Deciso a
Problema: Construa a Matriz de Deciso para o problema da a Soluo: ca A Matriz de Deciso para o problema da a seguinte (valores apresentados em kum). est representada na tabela a .
Estados da natureza Procura Aces co Comprar 100.000m2 de X@K Comprar 200.000m2 de X@K Comprar 300.000m2 de X@K de 100.000m2 de X@K 300 -500 -900 Procura de 150.000m2 de X@K 50 250 -150 Procura de 250.000m2 de X@K -450 750 1350
Se o decisor souber que a procura ser de 100.000m2 , ento opta por a a comprar 100.000m2 de X@K. Se o decisor souber que a procura ser de 150.000m2 , ento opta por a a comprar 200.000m2 de X@K. Se o decisor souber que a procura ser de 250.000m2 , ento opta por a a comprar 300.000m2 de X@K.
Deciso e incerteza a
A incerteza muito mais a regra que a excepo, a unica coisa que pode ser e ca certa o passado e as decises tomam-se para o futuro. e o Um decisor que no conhece qual o estado da natureza que vai ocorrer ter a a que ter critrios para tomar decises. Esses critrios podem ser: e o e no probabil a sticos; probabil sticos (dependentes da probabilidade de ocorrncia dos estados e da natureza).
a Uma
(continuao alternativa) ca
Se for comprado 1 contentor, o preo de compra de 1m2 de X@K ser 20um, c a comprando-se 2 contentores, o preo de compra de 1m2 de X@K ser 18um e comprando c a 3 contentores, o preo de compra de 1m2 de X@K ser 16um. O preo de venda de 1m2 c a c ser 25um, mas se ao m do ano ainda restar X@K, este ter que ser vendido por metade a a do preo de custo, 12.5um por m2 . c Cada m2 de material no vendido por ruptura de stocks implica um preju de 5um. a zo A administraao considera que se podero vender sofs que consumam 100.000m2 , c a a 150.000m2 ou 250.000m2 de X@K. Os trs tipos de procura teriam probabilidades de e ocorrncia de respectivamente, 30%, 50% e 20%. e
Estados da natureza Procura Aces co Comprar 100.000m2 de X@K Comprar 200.000m2 de X@K Comprar 300.000m2 de X@K Comprar 100.000m2 de X@K Comprar 300.000m2 de X@K de 100.000m2 de X@K 500 150 200 Procura de 150.000m2 de X@K 250 775 825 Procura de 250.000m2 de X@K -250 1150 2075
U (ai ; j )
Laplace
Considerando mais uma vez a Matriz de Deciso da a critrio de deciso de Laplace: e a Estados da natureza Aces co (compra de X@K ) 100.000m2 200.000m2 300.000m2 Procura de 100.000m2 de X@K 300 -500 -900 Procura de 150.000m2 de X@K 50 250 -150 Procura de 250.000m2 de X@K -450 750 1350
1 n n j=1 U (ai ; j ) 100 3 500 3 300 3
, e usando o
opta-se pela compra de 200.000m2 de X@K, a aco que corresponde ao ca n 1 valor mximo de n j=1 U (ai ; j ) ( 500 neste caso). a 3
Maximin
Considerando mais uma vez a Matriz de Deciso da a critrio de deciso Maximin: e a Estados da natureza Aces co (compra de X@K ) 100.000m2 200.000m2 300.000m2 Procura de 100.000m2 de X@K 300 -500 -900 Procura de 150.000m2 de X@K 50 250 -150 Procura de 250.000m2 de X@K -450 750 1350 minj U (ai ; j ) -450 -500 -900 , e usando o
opta-se pela compra de 100.000m2 de X@K, a aco que corresponde ao ca valor mximo de minj U (ai ; j ) (-450 neste caso). a
Savage
Considerando mais uma vez a Matriz de Deciso da a , transforme-se a matriz numa Matriz de Pesares e aplique-se o critrio Minimax: e Estados da natureza Aces co (compra de X@K ) 100.000m2 200.000m2 300.000m2 Procura de 100.000m2 de X@K 0 800 1200 Procura de 150.000m2 de X@K 200 0 400 Procura de 250.000m2 de X@K 1800 600 0 maxj P (ai ; j ) 1800 800 1200
Seguindo este critrio, a compra de 200.000m2 de X@K a aco escolhida, e e ca dado que corresponde ao valor m nimo de maxj P (ai ; j ) (800 neste caso).
aplicar este critrio necessrio comear por construir a Matriz de Pesares, tal e e a c como se apresentou no critrio no probabil e a stico de Savage.
a Para
{h(j ) U (ai ; j )}
opta-se pela compra de 200.000m2 de X@K, a aco que corresponde ao ca mximo valor esperado (125 neste caso). a
Opta-se pela compra de 200.000m2 de X@K, a aco que corresponde ` ca a m nima perda de oportunidade esperada (360 neste caso).
Arvores de deciso a
A rvore de deciso uma forma alternativa de estruturao de um a a e ca problema de deciso. a As arvores de deciso so muito uteis para representar problemas de deciso a a a complexos, com sequncias de aces e estados da natureza que ocorrem ao e co longo do tempo. Ns da rvore de deciso o a a ns de deciso (assinalados com quadrados) escolha do caminho feita o a pelo decisor (aces escolhidas pelo decisor) co ns causais (assinalados com c o rculos) caminho determinado por factores que o decisor no controla (estados da natureza) a
- Arvore de deciso a
Questo: Desenhe a rvore de deciso para o problema da a a a , onde deve indicar todas as aces, estados da natureza e suas probabilidades de co ocorrncia e consequncias. e e
300 um (0.3) Procura de 100.000m 2 de X@K 25 (0.5) Procura de 150.000m 2 de X@K (0.2) Procura de 250.000m 2 de X@K 50 um
-450 um (0.3) Procura de 100.000m 2 de X@K (0.5) Procura de 150.000m 2 de X@K (0.2) Procura de 250.000m 2 de X@K
-500 um
125
125
250 um
Comprar 300.000m 2 de X@K (0.3) Procura de 100.000m 2 de X@K (0.5) Procura de 150.000m 2 de X@K (0.2) Procura de 250.000m 2 de X@K
-900 um
750 um
-75
-150 um
1350 um
Resposta:
- Proposta de alargamento
Recentemente foi feita ` a uma proposta de alargamento do seu franchising para outros pa da Europa. Se o negcio correr bem, h a ses o a possibilidade de a empresa ter lucros elevados. O per odo a considerar para o alargamento do franchising ser de 2 anos. No a in de cada um dos anos ser necessrio tomar decises de alargamento, cio a a o que poder ser total (todos os pa da Comunidade Europeia) ou ento a ses a parcial, comeando-se pela Espanha e alargando numa segunda fase (no ano c seguinte) aos restantes pa da Comunidade Europeia. ses Os custos de alargamento esto representados na tabela seguinte (em Mum): a
Ano 1 Abertura de lojas em toda a Comunidade Europeia Abertura de lojas em Espanha Abertura de lojas nos restantes pa ses da Comunidade Europeia 2 1 Ano 2 3 1.5 2
5.6
2.6 Alargamento total (-2 Mum) Alargamento parcial 2 (-2 Mum) 3.4 Alargamento 3.8 5.2 parcial 1 (-1 Mum) Procura baixa (2 Mum) 0.6 Sem alargamento (0 Mum) 3.4
3+3-1-2=3 3+2-1=4 Procura baixa (3 Mum) 0.4 3.6 Procura elevada (4 Mum) 3+4-1-2=4 0.6 3+2-1=4
Alargamento parcial 2 (-2 Mum) Procura elevada (3 Mum) 0.4 4.4 1.4 Sem alargamento (0 Mum) Procura baixa (3 Mum) 0.6 1+3-3=1
4.4
3+3-1=5 Procura baixa (2 Mum) 1+2-1.5=1.5 0.6 Procura elevada (3 Mum) Alargamento 0.4 parcial 1 (-1.5 Mum) 1+1=2 1+3-1.5=2.5 2.5 Procura baixa (1 Mum) Sem alargamento 0.5 (0 Mum) 2+2-1.5=2.5 2.5 Procura baixa (1 Mum) Procura elevada (2 Mum) Procura baixa (2 Mum) 0.5 0.5 0.6 Procura elevada (4 Mum) 1+2=3 3 0.6 2.9 Procura elevada (3 Mum) 2+4-3=3 2.6 0.4 Procura elevada (2 Mum) 2+3-1.5=3.5 Alargamento 0.5 Procura baixa (3 Mum) 2+3-3=2 total (-3 Mum) 2+1=3 0.4 Procura baixa (1 Mum) 3.5 Alargamento 0.5 parcial 1 (-1.5 Mum) 3.5 Procura elevada (2 Mum) 0.5 Sem alargamento 2+2=4 (0 Mum) Alargamento total (-3 Mum) Procura elevada (4 Mum) 0.4 1.9
1+4-3=2
Informao adicional ca
At agora consideramos situaes em que o decisor escolhe entre aces e co co alternativas com base apenas na informao que possui ` priori sobre o ca a problema e sem tentar obter nenhuma informao adicional. ca Questes que se colocam nesta fase: o Vale ou no a pena obter informao adicional? a ca Que informao adicional obter? ca Que estratgia seguir depois de conhecida a informao adicional? e ca Quanto pode valer a informao adicionala ? ca
a Ou
VEIP Mtodo 1 e
Mximo Valor Esperado (informao perfeita) - Mximo Valor Esperado (incerteza) a ca a
j
h(j ) U (ai , j )
Estados da natureza Procura de 100.000m2 de X@K h(j ) maxai U (ai , j ) 0.30 300 Procura de 150.000m2 de X@K 0.50 250 Procura de 250.000m2 de X@K 0.20 1350 485 M V Eip
Considerando o mximo valor esperado (MVE) calculado anteriormente: a VEIP = M V Eip - MVE = 485 - 125 = 360
Matriz de credibilidade
A Matriz de credibilidade corresponde a uma medida da credibilidade da experincia realizada ou do consultor ouvido. e Considerando P (rk |j ) como a probabilidade de a experincia realizada ter e resultado rk , dado que o estado da natureza j e Resultados da experincia e r1 r2 r3 . . . rK
k
Estados da natureza 1 P (r1 |1 ) P (r2 |1 ) P (r3 |1 ) . . . P (rK |1 ) 1 2 P (r1 |2 ) P (r2 |2 ) P (r3 |2 ) . . . P (rK |2 ) 1 3 P (r1 |3 ) P (r2 |3 ) P (r3 |3 ) . . . P (rK |3 ) 1 ... ... ... ... .. . ... ... J P (r1 |J ) P (r2 |J ) P (r3 |J ) . . . P (rK |J ) 1
P (rk |j )
Ponto da situao: ca
Conhecemos ento: a P (j ) probabilidade (` priori) de ocorrncia do estado da natureza j a e conhecemos tambm: e P (rk |j ) probabilidade de a experincia realizada ter resultado rk , dado e que o estado da natureza j (credibilidade da experincia) e e Mas o que importante conhecer so as probabilidades de ocorrncia dos e a e estados da natureza aps a informao fornecida pelas experincias o ca e (probabilidades de ocorrncia ` posteriori). e a P (j |rk ) probabilidade de ocorrncia do estado da natureza j , dado que a e experincia realizada teve resultado rk e O Teorema de Bayes permite calcular P (j |rk ) a partir de P (rk |j ) e de P (j )
- Consultadoria externa
Voltando ao problema inicial . . . a administrao da ca considera que se podero vender sofs que consumam 100.000m2 , 150.000m2 ou 250.000m2 a a tm e de X@K. Com os conhecimentos que os administradores da sobre o negcio, os trs tipos de procura teriam probabilidades de ocorrncia o e e de respectivamente, 30%, 50% e 20%. Na ultima reunio da administrao falou-se na possibilidade de recorrer a a ca uma empresa de consultadoria externa com alguma credibilidade na avaliao do mercado para este tipo de produtos. ca Analisando cuidadosamente as avaliaes de mercado j realizadas por essa co a empresa, concluiu-se que, para o problema em causa, a matriz de credibilidade da empresa P (rk |j ) seria a que se encontra representada na tabela seguinte:
Estados da natureza Procura Resultados da consultadoria Previso de procura baixa a Previso de procura mdia a e Previso de procura alta a de 100.000m2 de X@K 0.7 0.2 0.1 Procura de 150.000m2 de X@K 0.5 0.5 0.0 Procura de 250.000m2 de X@K 0.1 0.4 0.5
Questo: a Como calcular P (j |rk ) (probabilidade de ocorrncia do estado da natureza e j , dado que a experincia realizada teve resultado rk ) a partir desses e valores?
Bayes apresentou a sua teoria das probabilidades num ensaio denominado Essay towards solving a problem in the doctrine of chances publicado nas Philosophical Transactions of the Royal Society of London em 1764. O artigo foi enviado para a Royal Society por Richard Price, um amigo de Bayes, que escreveu: I now send you an essay which I have found among the papers of our deceased friend Mr Bayes, and which, in my opinion, has great merit... In an introduction which he has written to this Essay, he says, that his design at rst in thinking on the subject of it was, to nd out a method by which we might judge concerning the probability that an event has to happen, in given circumstances, upon supposition that we know nothing concerning it but that, under the same circumstances, it has happened a certain number of times, and failed a certain other number of times. retirada de: http://www-groups.dcs.st-and.ac.uk/ history/Mathematicians/Bayes.html em 2002.03.13
a Informao ca
Teorema de Bayes
O Teorema de Bayes permite calcular P (j |rk ) (probabilidade de ocorrncia e do estado da natureza j dado que o resultado da experincia foi rk ), e conhecendo P (rk |j ) e P (j ). P (j |rk ) =
Resultados da experincia e r1 r2 r3 . . . rK P (rk ) P (r1 ) P (r2 ) P (r3 ) . . . P (rK ) 1 P (1 |r1 ) P (1 |r2 ) P (1 |r3 ) . . . P (1 |rK )
P (j , rk ) = P (rk )
P (rk |j ) P (j ) j P (rk |j ) P (j )
(1)
Estados da natureza 2 P (2 |r1 ) P (2 |r2 ) P (2 |r3 ) . . . P (2 |rK ) 3 P (3 |r1 ) P (3 |r2 ) P (3 |r3 ) . . . P (3 |rK ) ... ... ... ... .. . ... J P (J |r1 ) P (J |r2 ) P (J |r3 ) . . . P (J |rK )
j
P (j |rk ) 1 1 1 . . . 1
Bibliograa
Hillier, Frederick S. e Lieberman, Gerald (2001). Introduction to Operations Research, Mc Graw-Hill. Murteira, Bento (1981). Introduo ` Teoria da Deciso. ca a a Ravindram, Philips e Solberg (1987). Operations Research, Principles and Practice. John Wiley & Sons. Taha, Hamdy A. (1997). Operations Research, an Introduction. Prentice Hall. Winston, Wayne L. (1994). Operations Research, Applications and Algorithms Duxbury Press.