Teoria da Decisao

Transparncias de apoio ` leccionao de aulas tericas e a ca o

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

Caracter sticas de um problema de deciso a

Decisor O decisor o responsvel pela tomada de decises. Pode ser um unico indiv e a o duo, um grupo, uma empresa ou mesmo uma naoa . ca Acoes O decisor deve conseguir construir uma lista exaustiva e mutuamente exclusiva c de todas aces alternativas. Sempre que for poss co vel obter uma melhor informao, o decisor deve escolher a melhor fonte de informaao e a melhor ca c estratgiab global a seguir. e Estados da natureza Acontecimentos que podem ocorrer e que no podem ser a controlados pelo decisor. Os estados da natureza devem ser mutuamente exclusivos e devem descrever exaustivamente todas as situaes poss co veisc . Consequncias As consequncias so as medidas do benef e e a cio obtido pelo decisor. As consequncias dependem da deciso tomada e dos estados da natureza. Pode-se e a ento associar a cada par (deciso tomada, estado da natureza) um valor a a correspondente ` consequncia para o decisord . a e texto trataremos apenas de situaes em que o indiv co duo ou o grupo tm objece tivos unitrios e por isso que as decises so realmente individuais a o a b Uma estratgia um conjunto de regras de deciso que indicam, face a uma dada e e a observao da fonte de informao, qual a aco a realizar. ca ca ca c S pode ocorrer um e um s estado da natureza. o o d O valor associado a esse par corresponde a uma Funao Utilidade, que por vezes corc responde directamente a valores monetrios associados a cada consequncia. a e
a Neste

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

`s condies especiais de embalagem, cada contentor transporta 100.000m2 de a co

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

-uma questo de decises a o

Para o problema da 1. O decisor 2. As aces co 3. Os estados da natureza 4. As consequncias e dena:

-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 ).

Estados da natureza Os estados da natureza que podem ocorrer so: a

Procura de 100.000m2 de X@K ; Procura de 150.000m2 de X@K ; Procura de 250.000m2 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

Deciso com informao perfeita a ca

Ou por outras palavras, o decisor sabe qual dos estados da natureza vai ocorrer. Nesse caso escolher a deciso que maximiza a utilidade. a a Considerando que vai ocorrer o estado da natureza 0 , a aco a0 a tomar ca ser ento: a a a0 : U (a0 , 0 ) = maxai U (ai , 0 ) No exemplo da :

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).

Acoes admiss c veis e inadmiss veis

Por vezes poss reduzir a Matriz de Deciso, retirando aces que e vel a co nenhum decisor com bom senso poderia admitir. Se existe uma aco ak que sempre dominada por outra aco ai a , ento a ca e ca a acao ak pode ser retirada da Matriz de Deciso. c a

a Uma

acao ai domina uma aco ak se j U (ai , j ) U (ak , j ) c ca

(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

- Matriz de Deciso para continuao a ca alternativa

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

retirando a aco dominada . . . ca 500 200 250 825 -250 2075

Critrios de deciso no probabil e a a sticos

Laplace Todos os estados da natureza tm uma probabilidade de ocorrncia e e igual. Maximin (ou minimax) Critrio pessimista; natureza hostil; ocorre sempre o estado da natureza e que pode prejudicar mais. Savage Pessimismo moderado, Matriz de Deciso substitu por uma Matriz a e da de Pesares. Hurwicz Denio de um parmetro que pode variar entre 0 e 1, permitindo ca a assim reectir atitudes desde pessimista a optimista.

Critrios de deciso no probabil e a a sticos Laplace

Dado que a probabilidade de ocorrncia dos estados da natureza no e a e conhecida, considera-se que todos os estados da natureza tm uma e probabilidade de ocorrncia igual. Havendo n estados da natureza, ento a e a probabilidade de ocorrncia de cada um deles ser n . A aco a escolher e a 1 ca ser ento: a a maxai
1 n n j=1

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

Critrios de deciso no probabil e a a sticos Maximin

Critrio pessimista em que se considera que a natureza hostil e que por e e isso ocorrer sempre o estado da natureza que pode prejudicar mais. A a acao a escolher ser ento: c a a maxai minj U (ai ; j )

 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

Critrios de deciso no probabil e a a sticos Hurwicz

O critrio de Hurwicz pretende reectir todas as atitudes do decisor, desde e muito optimista a muito pessimista. Dene-se para tal um parmetro a 0 1 a que se chama ndice de optimismo. A acao a escolher obtida do seguinte modo: c e maxai maxj U (ai ; j ) + (1 ) minj U (ai ; j ) Se = 0 este critrio corresponde ` aplicao do critrio de Maximin, se e a ca e = 1, corresponde a um decisor 100% optimista.

Critrios de deciso no probabil e a a sticos Savage

O critrio de Savage chama-se tambm critrio da perda de oportunidade e e e minimax (ou pesar minimax). Este critrio baseia-se no critrio de Maximin, e e mas mais moderado, tendo sido criado pelo seguinte: e Uma vez decidida a aco a realizar e ocorrido o estado da natureza, o ca decisor sente pesar por no ter optado pela melhor aco. E esse pesar que a ca e se pretende minimizar. Para aplicar o critrio de Savage, necessrio transformar a Matriz de e e a Deciso numa Matriz de Pesares, usando a seguinte transformao: a ca P (ai ; j ) = maxak {U (ak ; j )} U (ai ; j ) e aplicar seguidamente o critrio de Minimax ` Matriz de Pesares. e a minai maxj P (ai ; j )

 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).

Critrios de deciso probabil e a sticos

Os critrios de deciso probabil e a sticos baseiam-se na incorporao da ca informao ` priori que o decisor tem sobre os estados da natureza. Essa ca a incorporao de informao corresponde ` atribuio de probabilidades de ca ca a ca ocorrncia aos estados da natureza. e Abordaremos a seguir dois critrios de deciso probabil e a sticos: Maximizao do valor esperado; ca Minimizao da perda de oportunidade esperada a . ca

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

Critrios de deciso probabil e a sticos Maximizao do ca valor esperado (MVE) a

Este critrio de deciso baseia-se na escolha da aco que maximiza a e a ca utilidade esperada. Para tal necessrio: e a 1. atribuir uma probabilidade h(j ) b de ocorrncia a cada um dos estados e da natureza j (que se consideram mutuamente exclusivos), de tal forma que a soma das probabilidades de ocorrncia seja igual a um, e ( j h(j ) = 1); 2. calcular o valor esperado de cada aco: ca ai V Eai =
j

{h(j ) U (ai ; j )}

3. escolher a aco a0 que maximiza o valor esperado: ca a0 : maxai {V Eai }

conhecido por critrio de Bayes ou por critrio de deciso ` priori. e e a a b Conhecida por probabilidade de ocorrncia a priori. e `
a Tambm e

 Maximizao do valor esperado (MVE) ca

Considerando os poss veis estados da natureza e repectivas probabilidades de ocorrncia, tal como se representam na primeira linha da tabela seguinte, e e ainda os valores de U (ai ; j ), obtem-se o mximo valor esperado. a
Estados da natureza Procura de 100.000m2 de X@K h(j ) ai Comprar 100.000m2 de X@K Comprar 200.000m2 de X@K Comprar 300.000m2 de X@K 300 -500 -900 50 250 -150 -450 750 1350 0.30 Procura de 150.000m2 de X@K 0.50 Procura de 250.000m2 de X@K 0.20 V Eai 25 125 -75

opta-se pela compra de 200.000m2 de X@K, a aco que corresponde ao ca mximo valor esperado (125 neste caso). a

 Minimizao da perda de oportunidade esperada ca

Considerando os poss veis estados da natureza e respectivas probabilidades de ocorrncia, tal como se representam na primeira linha da tabela seguinte, e e ainda os valores de P (ai ; j ), obtm-se a m e nima perda de oportunidade esperada.
Estados da natureza Procura de 100.000m2 de X@K h(j ) ai Comprar 100.000m2 de X@K Comprar 200.000m2 de X@K Comprar 300.000m2 de X@K 0 800 1200 200 0 400 1800 600 0 0.30 Procura de 150.000m2 de X@K 0.50 Procura de 250.000m2 de X@K 0.20 P OEai 460 360 560

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

Comprar 100.000m 2 de X@K

-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

Comprar 200.000m 2 de X@K

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

- Proposta de alargamento (cont.)

Evidentemente que os resultados do alargamento em estudo dependem fortemente da dimenso do mercado potencial. Para conhecer as hipteses de a o sucesso de cada uma das opes, foram consultados especialistas no mercado co europeu. A esses especialistas foi indicado que considerassem apenas duas possibilidades para o mercado, procura elevada e procura baixa. O resultado do estudo realizado pelos tcnicos, est representado na tabela seguinte: e a
P (i ) Procura baixa Lojas em toda a CE Lojas em toda a Pen nsula Ibrica e Lojas em Portugal 0.4 0.6 0.5 Procura elevada 0.6 0.4 0.5 Lucros (em Mum por ano) Procura baixa 3 2 1 Procura elevada 4 3 2

- Proposta de alargamento (rvore de deciso) a a

Ano 1 Ano 2 3+3-2=4 4.6 Procura baixa (3 Mum) 0.4 5.2 Procura elevada (4 Mum) 0.6 5.6 Sem alargamento (0 Mum) Procura baixa (3 Mum) 0.4 Procura elevada (4 Mum) 0.6 Sem alargamento (0 Mum) 4.6 Procura baixa (3 Mum) 0.4 Procura elevada (4 Mum) 0.6 3+4-2=5 Procura baixa (3 Mum) 0.4 3+4-2=5

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+2-1-2=2 4+2-1-2=3 2+2-1=3

Procura elevada (4 Mum) 0.6 4+4-2=6

Procura baixa (2 Mum) 0.6 Procura elevada (3 Mum) 0.4

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

Procura baixa (2 Mum) 0.6 Procura elevada (3 Mum) 0.4

Sem alargamento (0 Mum)

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

de outra forma, at quanto estamos dispostos a pagar pela informao adicional? e ca

Valor esperado da informao perfeita (VEIP) ca

Na ausncia de dados sobre a credibilidade do fornecedor de informao, no e ca a poss atribuir valor a essa informao. Pode-se no entanto determinar o e vel ca aumento esperado do Valor Esperado se a informao for perfeita, que ca e realmente um limite superior para esse valor. Esse limite superior conhecido por Valor Esperado da Informao Perfeita e ca (VEIP ), e pode ser obtido de trs formas diferentes: e 1. subtraindo o Mximo Valor Esperado (com incerteza), do Mximo Valor a a Esperado (com informao perfeita); ca 2. por uma anlise incremental; a 3. calculando o valor m nimo para a perda de oportunidade esperada.

VEIP Mtodo 1 e
Mximo Valor Esperado (informao perfeita) - Mximo Valor Esperado (incerteza) a ca a
j

h(j ) maxai U (ai , j ) maxai

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

VEIP Anlise incremental a

Partindo novamente do exemplo da , consideremos a aco escolhida ca pelo critrio do Mximo Valor Esperado, Comprar 200.000m2 de X@K . e a Para cada um dos estados da natureza que podem ocorrer, podemos calcular a diferena entre a maior utilidade e a utilidade associada ` aco escolhida. c a ca Seguidamente somam-se os produtos dessas diferenas pelas probabilidades c de ocorrncia dos respectivos estados da natureza: e
Estados da natureza Procura de 100.000m2 de X@K h(j ) maxai U (ai , j ) U (a2 , j ) (aco escolhida por MVE) ca maxai U (ai , j ) U (a2 , j ) 0.30 300 -500 800 Procura de 150.000m2 de X@K 0.50 250 250 0 Procura de 250.000m2 de X@K 0.20 1350 750 600 360 VEIP

VEIP = Minimizao da perda de oportunidade ca esperada

Considerando os poss veis estados da natureza e respectivas probabilidades de ocorrncia, tal como se representam na primeira linha da tabela seguinte, e e ainda os valores de P (ai ; j ), obtm-se a m e nima perda de oportunidade esperada.
Estados da natureza Procura de 100.000m2 de X@K h(j ) ai Comprar 100.000m2 de X@K Comprar 200.000m2 de X@K Comprar 300.000m2 de X@K 0 800 1200 200 0 400 1800 600 0 0.30 Procura de 150.000m2 de X@K 0.50 Procura de 250.000m2 de X@K 0.20 P OEai 460 360 560

VEIP = Minima perda de oportunidade esperada (360 neste caso).

Informao perfeita ou imperfeita? ca

A eliminao da incerteza atravs da aquisio de informao perfeita: ca e ca ca no praticvel; a e a no se pode fazer em tempo util; a no se pode fazer de forma econmica. a o Pode-se obter informao adicional (imperfeita): ca atravs da realizao de experincias e ca e atravs da realizao de inquritos. e ca e No entanto, no convm esquecer que: a e informao inicial + informao adicional informao perfeita ca ca ca

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 )

Informao perfeita Matriz de credibilidade ca

No caso de informaao perfeita (credibilidade mxima), considerando que o c a resultado ri indicia que ocorrer o estado da natureza i , a Matriz de a credibilidade ser a seguinte: a Resultados da experincia e r1 r2 r3 . . . rJ Estados da natureza 1 1 0 0 . . . 0 2 0 1 0 . . . 0 3 0 0 1 . . . 0 ... ... ... ... .. . ... J 0 0 0 . . . 1

- Informao Perfeita (rvore de deciso) ca a a

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?

Reverendo Thomas Bayes (17021761)

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

- Consultadoria externa (resoluo) ca

Aplicando o Teorema de Bayes, obtm-se as probabilidades revistas de e ocorrncia de cada um dos estados da natureza, dados os vrios resultados e a poss veis da experincia, tal como se representam na tabela seguinte: e
Estados da natureza Procura Resultados da consultadoria Previso de procura baixa a Previso de procura mdia a e Previso de procura alta a P (rk ) 0.48 0.39 0.13 de 100.000m2 de X@K
21 48 6 39 3 13

Procura de 150.000m2 de X@K

25 48 25 39 0 13

Procura de 250.000m2 de X@K

2 48 8 39 10 13

- Consultadoria externa (rvore de deciso) a a

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.