Modelagem e Simulação - Análise de Decisão

Análise de Decisão
1. Introdução

A Análise de Decisão envolve o uso de processos racionais para selecionar a melhor

alternativa dentre um conjunto de alternativas possíveis.
Os processos de tomada de decisão podem ser divididos em duas principais
categorias:

1) Tomada de Decisão Sem Experimentação, e

2) Tomada de Decisão Com Experimentação.

Os problemas abaixo exemplificam algumas situações nas quais se faz necessário

tomar alguma decisão:

Uma indústria lança um novo produto no mercado. Qual será a reação dos
clientes potenciais? Quanto deveria ser produzido? A aceitação do produto
por parte do mercado deveria ser testada em uma pequena região antes de
decidir sobre a distribuição total do produto? Quanto se deve investir em
publicidade para lançar o produto?

Uma concorrência pública será aberta. Qual será o custo do projeto? Quais
as potencias companhias que poderiam concorrer?

Uma firma agrícola necessita planejar para o próximo ano o uso de suas
terras. Quantos hectares devem ser destinados a pastagens para criação de
gado e quantos hectares devem ser destinados ao plantio de milho e soja?

Estes exemplos são tipos de processos de tomada de decisão nos quais existe uma
grande incerteza envolvida. Análise de Decisão fornece uma metodologia para tomar tais
decisões de maneira racional.
O exemplo protótipo abaixo será utilizado para ilustrar a metodologia envolvida.

Exemplo Protótipo: a companhia GoferBroke possui terras que podem ter petróleo. Um
levantamento geofísico determinou que existe 1 chance em 4 de realmente existir petróleo
nestas terras. Por causa desta informação, outra companhia petrolífera quer comprar estas
terras por $90.000,00. Entretanto, a GoferBroke sabe que o custo para perfurar um poço

Notas de Aula - Fernando Nogueira 1

 Modelagem e Simulação - Análise de Decisão

naquela região é $100.000,00. Se for encontrado petróleo, o retorno esperado deverá ser de
$800.000,00. Descontando o custo da perfuração, o lucro então será de $700.000,00.
A tabela abaixo resume estas informações.

Tabela 1 - Payoff para a companhia GoferBroke

Estado Payoff
Alternativa Poço com Petróleo Poço Seco
Perfurar $700.000,00 $-100.000,00
Vender a terra $90.000,00 $90.000,00
Chance 1 em 4 3 em 4

Qual a decisão que a companhia GoferBroke deve tomar: 1) vender a terra e ganhar
$90.000,00 sem riscos ou 2) perfurar o poço a um custo de $100.000,00 e obter um retorno
de $800.000,00, resultando em lucro de $700.000,00 com um risco estimado em 75% (3 em
4) ?

2. Tomada de Decisão Sem Experimentação

Como se percebe no exemplo protótipo, existe uma informação referente à chance

que existe em achar petróleo ou não. Esta informação pode ser convertida em uma medida
de probabilidade. Com isso, pode-se dizer que existe uma probabilidade de 0.25 de
encontrar petróleo e conseqüentemente, uma probabilidade de 0.75 de não encontrar
petróleo. A estas probabilidades dá-se o nome de Probabilidades a Priori.
Na terminologia de Análise de Decisão, os valores $700.000,00, $-100.000,00,
$90.000,00 e $90.000,00 da tabela 1 são denominados Payoffs e os nomes “Poço com
Petróleo” e “Poço Seco” são denominados Estados da Natureza.
Por Tomada de Decisão Sem Experimentação, entende-se que é de conhecimento
apenas as Probabilidades a Priori e os Estados da Natureza.
Neste tipo de tomada de decisão pode-se utilizar, entre outros, três critérios:
1. Critério de Maximin Payoff,
2. Critério de Máxima Verossimilhança, e
3. Critério da Regra de Bayes.

2.1 Critério de Maximin Payoff

Neste critério, o problema de tomar uma decisão é vista como um Jogo (Teoria dos
Jogos) entre o Tomador de Decisão (jogador A) e a Natureza (jogador B).

Notas de Aula - Fernando Nogueira 2

 Modelagem e Simulação - Análise de Decisão

Como a matriz de Payoff é geralmente formada para o Tomador de Decisão (os

valores da matriz são os payoff para o jogador A), a decisão pode ser tomada baseada no
Critério de Maximin Payoff.

Critério de Maximin Payoff: para cada ação (estratégia), encontrar o mínimo payoff entre
todos os Estados da Natureza e então encontrar o máximo destes payoff mínimos. Escolher
a ação cujo mínimo payoff resultou neste máximo.

No exemplo protótipo o Maximin é:

Estado Payoff Mínimo em

Linha
Alternativa Poço com Petróleo Poço Seco
Perfurar $700.000,00 -$100.000,00 $-100.000,00
Vender a terra $90.000,00 $90.000,00 $90.000,00 Maximin

Com isso, a decisão a ser tomada é vender a terra.

2.2 Critério de Máxima Verossimilhança

Este critério assume como decisão a ser tomada a que for mais provável.

Critério de Máxima Verossimilhança: identificar o Estado da Natureza mais provável (o

com maior probabilidade). Para este Estado da Natureza, encontrar a ação com máximo
payoff. Escolher esta ação.

Aplicando este critério para o exemplo protótipo, indica que o Estado Poço Seco
possui a maior probabilidade. Na coluna "Poço Seco", a alternativa "Vender a terra" possui
o maior payoff.

Estado Payoff
Alternativa Poço com Petróleo Poço Seco
Perfurar $700.000,00 $-100.000,00
Vender a terra $90.000,00 $90.000,00 Máximo
Probabilidade à Prior 0.25 0.75
Máximo

Notas de Aula - Fernando Nogueira 3

 Modelagem e Simulação - Análise de Decisão

Com isso, a ação a ser tomada, segundo este critério é vender a terra.
O maior problema deste critério é que este ignora completamente muita informação
relevante. Nenhum outro Estado da Natureza é considerado, a não ser o mais provável.

2.3 Critério da Regra de Bayes

Thomas Bayes (*1702, Londres, Inglaterra; 1761 em Tunbridge Wells, Inglaterra).

Regra de Decisão de Bayes: usando a melhor estimativa das probabilidades dos

respectivos Estados da Natureza (as Probabilidades à Priori), calcular o valor esperado de
payoff para cada alternativa possível. Escolher a alternativa com máximo payoff esperado.

Para o exemplo protótipo, os payoff esperados E são calculados diretamente a partir

da tabela 1 como:

E[Payoff (Perfurar)] = 0.25 * 700.000,00 + 0.75 * (− 100.000,00) = 100.000,00 (1)

E[Payoff (Vender Terra )] = 0.25 * 90.000,00 + 0.75 * (90.000,00) = 90.000,00 (2)

Uma vez que $100.000,00 é maior que $90.000,00 a ação a ser tomada, segundo
este critério é perfurar o poço. Percebe-se que este critério resultou em uma ação diferente
das ações obtidas segundo os dois critérios anteriores.
A grande vantagem deste critério em relação aos demais é que este incorpora todas
as informações disponíveis (Estados da Natureza e Probabilidades a Priori).
A fim de verificar o efeito de possíveis imprecisões nas Probabilidades a Priori,
pode-se realizar uma Análise de Sensibilidade.

Notas de Aula - Fernando Nogueira 4

 Modelagem e Simulação - Análise de Decisão

2.3.1 Análise de Sensibilidade para o Critério da Regra de Bayes

A Análise de Sensibilidade para o Critério da Regra de Bayes é facilmente

implementado através da generalização das expressões (1) e (2). Denominando p como a
Probabilidade a Priori para poço com petróleo, a Probabilidade a Priori para poço seco é
dada por 1-p, uma vez que a soma das probabilidades a Priori resulta em 1. Os payoff
esperados (em milhares de $, para simplificação da notação) ficam:

E[Payoff (Perfurar)] = 700p − 100(1 − p) = 800p − 100 (3)

E[Payoff (Vender Terra)] = 90p + 90(1 − p ) = 90 (4)

A figura abaixo mostra em azul a reta dada pela expressão (3), em vermelho a reta
dada pela expressão (4) e em verde a reta que divide a região onde a decisão deveria ser
vender a terra (região à esquerda) da região onde a decisão deveria ser perfurar o poço
(região à direita).

Analise de Sensibilidade para o exemplo GoferBroke

700

600

500
Região onde Região onde
a decisão deveria a decisão deveria
ser vender a terra ser perfurar o poço
400
Payoff Esperado

300

200

100

-100
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Probabilidade a Priori para Poço com Petroleo

Fig. 1 - Regiões de Decisão para o Critério da Regra de Bayes

Para encontrar a Probabilidade a Priori (ponto no eixo x do gráfico da figura 1) onde

a decisão a ser tomada muda (Crossover Point) faz-se:

Notas de Aula - Fernando Nogueira 5

 Modelagem e Simulação - Análise de Decisão

E[Payoff (Perfurar)] = E[Payoff (Vender Terra )] = 800p − 100 = 90 (5)

190
p= = 0.2375
800

Com isso, pode-se concluir que se p>0.2375, a decisão deveria ser perfurar o poço e
se p<0.2375, a decisão deveria ser vender a terra.
Para outros problemas que possuem mais de que duas alternativas, o mesmo
procedimento pode ser aplicado, a diferença é que vai haver mais retas (uma para cada
alternativa). No entanto, a reta que estiver mais acima (no exemplo, reta azul acima da
vermelha para a região onde p>0.2375 e reta vermelha acima da azul para a região onde
p<023.75) dentre as demais em uma região indica a decisão a ser tomada.
Com mais que duas retas, poderá haver mais de um Crossover Point, onde a decisão
muda de uma alternativa para outra.
Para problemas com mais de dois Estados da Natureza, a metodologia mais direta é
realizar a Análise de Sensibilidade sobre somente dois Estados de cada vez.

3. Tomada de Decisão Com Experimentação

Freqüentemente, testes adicionais (experimentações) podem ser realizadas para

melhorar as estimativas preliminares dos respectivos Estados da Natureza fornecidos pelas
Probabilidades a Priori. Estas estimativas melhoradas são denominadas Probabilidades a
Posteriori.

Exemplo Protótipo com Experimentação: a companhia GoferBroke pode realizar um

levantamento geofísico mais detalhado das suas terras para obter uma melhor estimativa da
probabilidade de encontrar petróleo. O custo deste levantamento é $30.000,00.
O levantamento geofísico obtém sondagens sísmicas que indicam se a estrutura
geológica é favorável para a presença de petróleo. Assim, as possibilidades de encontrar
petróleo podem ser divididas em duas categorias:

USS: Sondagem Sísmica Desfavorável ⇒ presença de petróleo na região é pouco provável;

FSS: Sondagem Sísmica Favorável ⇒ presença de petróleo na região é bastante provável.

Baseado em experiências passadas, se existir petróleo, então a probabilidade de

Sondagem Sísmica Desfavorável é:

Notas de Aula - Fernando Nogueira 6

 Modelagem e Simulação - Análise de Decisão

P(USS Estado = petróleo) = 0.4 , e (6)

P(FSS Estado = petróleo) = 1 − 0.4 = 0.6 (7)

Similarmente, se não há petróleo (isto é, o Estado da Natureza é Poço Seco), então a

probabilidade de Sondagem Sísmica Desfavorável é estimada para ser:

P(USS Estado = poço sec o ) = 0.8 , e (8)

P(FSS Estado = poço sec o ) = 1 − 0.8 = 0.2 (9)

A estas probabilidades dadas em (6), (7), (8) e (9) dá-se o nome de Probabilidades
Condicionais, a partir das quais se podem encontrar as Probabilidades a Posteriori dos
respectivos Estados da Natureza dada as Sondagens Sísmicas.

3.1 Probabilidades a Posteriori

Em termos gerais, considerando que:

n = número de Estados da Natureza;

P(Estado = estado i) = Probabilidade a Priori que o Estado verdadeiro da Natureza é
o estado i, para i = 1, 2,..., n;
Constatação = constatação a partir de uma experimentação (uma variável aleatótia);
Constatação j = um valor possível de constatação;
P(Estado = estado i | Constatação = constatação j) = Probabilidade a Posteriori que o
Estado verdadeiro da Natureza é estado i, dado que Constatação = constatação j, para i = 1,
2, . . ., n.

O objetivo é:

Dado P(Estado = estado i) e P(Constatação = constatação j | Estado = estado i), para

i = 1, 2,..., . Qual é P(Estado = estado i | Constatação = constatação j)?

Esta questão é respondida por combinar as seguintes fórmulas da teoria de

Probabilidade:

P(Estado = estado i Constatação = constatação j) =

P(Estado = estado i, Constatação = constatação j) (10)
P(Constatação = constatação j)

Notas de Aula - Fernando Nogueira 7

 Modelagem e Simulação - Análise de Decisão

n
P(Constatação = constatação j) = ∑ P(Estado = estado k, Constatação = constatação j)
(11)
k =1

P(Estado = estado i, Constatação = constatação j) = (12)

P (Constatação = constatação j Estado = estado i ).P(Estado = estado i )

A probabilidade em (12), dá-se o nome de Probabilidade Conjunta.

Portanto, para cada i =1, 2,..., n, a fórmula desejada para a Probabilidade a
Posteriori é:

P (Estado = estado i Constatação = constatação j) = (13)

P(Constatação = constatação j Estado = estado i ).P(Estado = estado i )
n
∑ P(Constatação = constatação j Estado = estado k ).P(Estado = estado k )
k =1

A expressão 13 é denominada Teorema de Bayes1.

Retomando o exemplo protótipo, se a constatação do levantamento sísmico é
Sondagem Sísmica Desfavorável (USS), então as Probabilidades a Posteriori são:

P (Estado = petroleo Constatação = USS) =

0.4(0.25)
=
1 (14)
0.4(0.25) + 0.8(0.75) 7

P (Estado = poço sec o Constatação = USS) = 1 −

1 6
=
(15)
7 7

Similarmente, se o levantamento sísmico resulta em Sondagem Sísmica Favorável

(FSS), então:

P (Estado = petroleo Constatação = FSS) =

0.6(0.25)
=
1 (16)
0.6(0.25) + 0.2(0.75) 2

P (Estado = poço sec o Constatação = FSS) = 1 −

1 1
=
(17)
2 2

1
O Teorema de Bayes se basea em que P(A ∩ B) = P(A / B)P(B) = P(B / A )P(A ) e, portanto,
P(A ∩ B) P(A ∩ B)
P(A / B) = ou P(B / A ) = . Assim, de posse de P(A / B) e P(B) , calcula-se
P(B) P(A )
P(A ∩ B) e então divide-se esta probabilidade conjunta por P(A ) para se obter P(B / A ) (a probabilidade
condicional inversa de P(A / B) ).

Notas de Aula - Fernando Nogueira 8

 Modelagem e Simulação - Análise de Decisão

Uma maneira interessante de organizar estes cálculos é utilizar um diagrama em

árvore de probabilidade.

Fig. 2 - Diagrama em Árvore de Probabilidades.

No diagrama da figura 2, as Probabilidades a Priori estão na primeira coluna e as

Probabilidades Condicionais estão na segunda coluna. Estas probabilidades são as
informações de entrada. Multiplicando cada Probabilidade na primeira coluna por uma
probabilidade na segunda coluna resulta na Probabilidade Conjunta correspondente na
terceira coluna. Cada Probabilidade Conjunta torna-se o numerador no cálculo das
Probabilidades a Posteriori na quarta coluna. Acumulando as Probabilidades Conjuntas
com mesma constatação, fornece o denominador para cada Probabilidade a Posteriori com
esta constatação.
Depois que estes cálculos foram completados, a Regra de Decisão de Bayes pode
ser aplicada simplesmente como em (1) e (2), com as Probabilidades a Posteriori no lugar
das Probabilidades a Priori. De novo, usando os payoffs dados e subtraindo o custo da
experimentação, obtém-se o seguinte resultado:

Payoff Esperado se constatação é Sondagem Sísmica Desfavorável (USS):

Notas de Aula - Fernando Nogueira 9

 Modelagem e Simulação - Análise de Decisão

[
E Payoff (Perfurar Constatação = USS) = ] 1
(700) + 6 (− 100) − 30 = −15.7 (18)
7 7

[ ]
E Payoff (Vender Constatação = USS) =
1
(90) + 6 (90) − 30 = 60 (19)
7 7

Payoff Esperado se constatação é Sondagem Sísmica Favorável (FSS):

[ ]
E Payoff (Perfurar Constatação = FSS) =
1
(700) + 1 (− 100) − 30 = 270 (20)
2 2

[ ]
E Payoff (Vender Constatação = FSS) =
1
(90) + 1 (90 ) − 30 = 60 (21)
2 2

Uma vez que o objetivo é maximizar o Payoff Esperado, estes resultados produzem
a seguinte política ótima, como mostra a tabela 2.

Tabela 2 - Politica Ótima com Experimentação sob a Regra de Decisão de Bayes.

Constatação a Ação Ótima Payoff Esperado Payoff Esperado
partir do excluindo custos de incluindo custos de
Levantamento levantamento levantamento
Sísmico
USS vender a terra 90 60
FSS perfurar 300 270

Entretanto, este resultado não responde se é válido gastar (ou não) $30.000,00 para
realizar a experimentação.

3.2 O Valor da Experimentação

Antes de realizar qualquer experimentação, deve-se estimar seu valor potencial.

Para isto pode-se utilizar dois métodos.
O primeiro método assume que o experimento irá remover toda a incerteza sobre o
verdadeiro Estado da Natureza e então se calcula a melhora no Payoff Esperado ignorando
o custo da experimentação. Esta quantidade, denominada Valor Esperado da Informação
Perfeita (EVPI) fornece um limite superior para o valor potencial do experimento.
Portanto, se este limite superior é menor que o custo da experimentação, a experimentação
não deve ser realizada.

Notas de Aula - Fernando Nogueira 10

 Modelagem e Simulação - Análise de Decisão

Entretanto, se este limite superior excede o custo da experimentação, então um

segundo método deverá ser utilizado. Este segundo método calcula a melhora atual no
Payoff Esperado (ignorando o custo da experimentação) que resultaria a partir de realizar a
experimentação. A comparação da melhora do Payoff Esperado com o custo indica se a
experimentação deve ou não ser realizada.

Valor Esperado da Informação Perfeita: admitindo que a experimentação permita

identificar o verdadeiro Estado da Natureza (informação perfeita) e portanto, a ação a ser
realizada é aquela que fornece o maior Payoff para aquele Estado. Uma vez que não se
conhece qual o Estado da Natureza que será identificado como verdadeiro Estado da
Natureza, o cálculo do Payoff Esperado com Informação Perfeita (ignorando os custos da
experimentação) requer ponderar o máximo Payoff para cada Estado da Natureza pelas suas
respectivas Probabilidades a Priori. A tabela 3 mostra os Payoff Máximos (em milhares de
$) para os possíveis Estados da Natureza do exemplo protótipo.

Tabela 3 - Payoff Máximos para os possíveis Estados da Natureza

Estado Payoff
Alternativa Poço com Petróleo Poço Seco
Perfurar $700 $-100
Vender a terra $90 $90
Probabilidade à Prior 0.25 0.75
Máximo Payoff $700 $90

O Payoff Esperado com Informação Perfeita (EVWPI) para o exemplo protótipo é

então:

EVWPI = 0.25(700) + 0.75(90) = 242.5 (22)

O Valor Esperado da Informação Perfeita (EVPI) é calculado como:

EVPI = EVWPI − EVWOE (23)

onde:
EVWOE é o Valor Esperado Sem Experimentação.

Geralmente a experimentação não fornece Informação Perfeita, porém o EVPI

fornece um limite superior do valor esperado da experimentação.

Notas de Aula - Fernando Nogueira 11

 Modelagem e Simulação - Análise de Decisão

Para o exemplo protótipo, o Valor Esperado Sem Experimentação (seção 2.3) é 100.
Portanto:

EVPI = 242.5 − 100 = 142.5 (24)

Uma vez que 142.5 é maior que 30 (custo do levantamento geofísico), deve-se
proceder com o levantamento geofísico. O segundo método citado abaixo avalia o potencial
benefício da experimentação.

Valor Esperado da Experimentação: para calcular esta quantidade requer primeiro

computar o Payoff Esperado Com Experimentação (ignorando os custos da
experimentação) (seção 3.1) e as probabilidades das Constatações P(Constatação =
constatação j). Esta quantidade então fica:

Payoff Esperado Com Experiment açao = (25)

[
∑ P(Constataçã o = constataçã o j).E payoff Constataçã o = constataçã o j]
j

onde:

P(Constatação = constatação j) = (26)

n
∑ P(Constatação = constatação j Estado = estado k ).P(Estado = estado k )
k =1

Para o exemplo protótipo, tem-se que:

P(USS ) = P(USS petroleo).P(petroleo) + P (USS poço sec o).P(poço sec o) = 0.4 * 0.25 + 0.8 * 0.75 = 0.7 (27)
P(FSS) = P(FSS petroleo).P(petroleo) + P(FSS poço sec o ).P(poço sec o) = 0.6 * 0.25 + 0.2 * 0.75 = 0.3 (28)
E(Payoff Constatação = USS ) = 90 (29)
E (Payoff Constatação = FSS) = 300 (30)

Com isso, o Payoff Esperado Com Experimentação é:

Payoff Esperado Com Experiment açao = 0.7(90) + 0.3(300 ) = 153 (31)

O Valor Esperado da Experimentação (EVE) é dado então por:

Notas de Aula - Fernando Nogueira 12

 Modelagem e Simulação - Análise de Decisão

EVE = Payoff Esperado Com Experiment açao − Payoff Esperado Sem Experiment açao (32)

Para o exemplo protótipo, fica:

EVE = 153 − 100 = 53 (33)

Uma vez que este valor excede 30 (o custo do levantamento geofísico), a

experimentação deverá ser realizada.

4. Árvores de Decisão

Árvores de Decisão fornecem uma maneira útil de visualmente mostrar o problema

e então organizar o trabalho computacional descrito nas seções anteriores. Tais árvores são
úteis quando uma seqüência de decisões precisa ser realizada.
O exemplo protótipo envolve uma seqüência de duas decisões:

1. O levantamento geofísico deverá ser realizado?

2. Qual ação (perfurar ou vender a terra) deverá ser realizada?

Nestas árvores, os nós são denominados bifurcações (forks) e os arcos são

denominados galhos (branches). Uma bifurcação de decisão (decision fork), representada
aqui por um quadrado, indica que uma decisão precisa ser feita naquele ponto do processo.
Uma bifurcação de chance (chance fork), representada por um círculo, indica que um
evento randômico ocorre naquele ponto.
A árvore da figura 3 mostra a árvore para o exemplo protótipo.

Notas de Aula - Fernando Nogueira 13

 Modelagem e Simulação - Análise de Decisão

Fig. 3 - Árvore de Decisão para o exemplo protótipo.

Na árvore da figura 3, a primeira decisão é representada pela bifurcação a. A

bifurcação b é a bifurcação de chance representando o evento randômico do resultado do
levantamento geofísico. Os dois galhos provenientes da bifurcação b representam os dois
resultados possíveis do levantamento. Após, vem a segunda decisão (bifurcações c,d e e)
com duas escolhas possíveis. Se a decisão é perfurar, então resultará em outras bifurcações
de chance (f, g e h), que se conectam a dois galhos que representam os dois Estados da
Natureza.
O próximo passo na construção da árvore de decisão é inserir o fluxo de dinheiro e
as probabilidades referentes a cada galho (arco). Na figura 4, as probabilidades estão em
azul dentro de parênteses e o fluxo de dinheiro (em milhares de $) em vermelho e em verde,
no canto direito da figura encontra-se os valores de Payoff para cada ação.

Notas de Aula - Fernando Nogueira 14

 Modelagem e Simulação - Análise de Decisão

Fig. 4 - Árvore de Decisão para o exemplo protótipo com fluxo de dinheiro e probabilidades.

4.1 Realizando a Análise

De posse da Árvore de Decisão (como na figura 4), pode-se realizar a análise, de

acordo com os seguintes passos:

1. Começar no lado direito da Árvore e mover para a esquerda uma coluna de cada
vez. Para cada coluna, utilizar o passo 2 ou passo 3, dependendo se a bifurcação na
coluna é uma bifurcação de chance ou uma bifurcação de decisão.

2. Para cada bifurcação de chance calcular seu Payoff Esperado multiplicando o Payoff
Esperado de cada galho (em verde, na figura 4) pela probabilidade de cada galho e
então somar estes produtos. Armazenar este Payoff Esperado para cada bifurcação

Notas de Aula - Fernando Nogueira 15

 Modelagem e Simulação - Análise de Decisão

de decisão (também em verde na figura 5) e designar esta quantidade como sendo o

Payoff Esperado para o galho oriundo desta bifurcação.

3. Para cada bifurcação de decisão comparar o Payoff Esperado de seus galhos e

escolher a alternativa cujo galho tem maior Payoff Esperado. Em cada caso,
armazenar a escolha na Árvore de Decisão inserindo barras duplas (representando
uma barreira) em cada galho rejeitado (ver figura 5).

Para começar o procedimento, considere a coluna mais à direita cujos galhos originam-
se das bifurcações f, g e h. Aplicando o passo 2, seus Payoff Esperados (EP) são
calculados como:

1 6 para bifurcação f (34)

EP = (670) + (−130) = −15.7
7 7

EP =
1 1
(670) + (−130) = 270
para bifurcação g (35)
2 2

EP =
1 3
(700) + (−100) = 100
para bifurcação h (36)
4 4

Estes Payoff Esperados são colocados acima destas bifurcações (ver figura 5).
Dando seqüência, move-se uma coluna para a esquerda, o que consiste em alcançar
as bifurcações de decisão c,d e e. Através do passo 3 obtém-se:

Bifurcação c: perfurar com EP = -15.7

vender com EP = 60
60>-15.7, portanto escolher vender
Bifurcação d: perfurar com EP = 270
vender com EP = 60
270>60, portanto escolher perfurar
Bifurcação e: perfurar com EP = 100
vender com EP = 90
100>90, portanto escolher perfurar

Estes Payoff Esperados são colocados acima destas bifurcações de decisão (ver
figura 5). A alternativa escolhida também está indicando para inserir barras duplas nos
galhos rejeitados.

Notas de Aula - Fernando Nogueira 16

 Modelagem e Simulação - Análise de Decisão

Movendo mais uma coluna a esquerda alcança-se a bifurcação de chance b.

Aplicando o passo 2, os Payoff Esperados de seus galhos encontram-se armazenados
sobre as seguintes bifurcações de decisão (c e d). Portanto, o Payoff Esperado é:

EP = 0.7(60) + 0.3(270) = 123 para bifurcação b (37)

Finalmente, alcança-se a bifurcação de decisão a. Aplicando o passo 3, resulta em:

Bifurcação a: fazer levantamento geofísico com EP = 123.

não fazer levantamento geofísico com EP = 100
123>100, portanto escolher fazer levantamento.

O Payoff Esperado de 123 deve ser colocado sobre a bifurcação a e uma barra dupla
indicando o galho rejeitado.

Fig. 5 - Árvore de Decisão final para o exemplo protótipo.

Notas de Aula - Fernando Nogueira 17

 Modelagem e Simulação - Análise de Decisão

Uma vez concluída a Árvore, move-se da esquerda para a direita através apenas dos
caminhos abertos (sem barras duplas), o que resulta na seguinte política ótima:

Política Ótima:
Fazer levantamento geofísico,
Se resultado é desfavorável, vender a terra, senão perfurar.
O Payoff Esperado (incluindo os custos do levantamento) é 123 ($123.000,00).

Esta solução ótima (única) é a mesma que pode ser obtida sem o beneficio da
Árvore de Decisão aplicando a expressão 37 para os valores da tabela 2.

5. Teoria da Utilidade

Nas seções anteriores, considerou-se que o Payoff Esperado em termos monetários é

uma medida apropriada das conseqüências de tomar uma ação. Entretanto, em muitas
situações esta consideração não reflete o "verdadeiro" Payoff Esperado que o tomador de
decisões deseja. O parágrafo abaixo explica o porquê disto.
Supondo que seja oferecido a um indivíduo um investimento (jogo, negócio,...) no
qual há (1) uma chance de 50% de ganhar $100.000,00 ou (2) receber $40.000,00 com
garantia (chance de 100%). Muitas pessoas devem preferir a opção 2 (receber $40.000,00
com garantia), mesmo embora o Payoff Esperado de ganhar $100.000,00 em uma chance de
50% é $50.000,00.
Este exemplo não invalida a Regra de Decisão de Bayes porque existe uma maneira
de transformar os valores monetários para uma escala apropriada que reflete as preferências
do tomador de decisão. Esta escala é denominada Função de Utilidade para o Dinheiro.
A figura 6 mostra um exemplo desta função para um indivíduo (organização) que
tem "aversão ao risco" (verde), "indiferente ao risco" (azul), "atração ao risco" (vermelho).
As funções na figura 6 indicam que o valor do dinheiro M possui uma utilidade
u(M). De maneira textual, para a curva "aversão ao risco", por exemplo, um ganho de 600
(M = 600) possui uma utilidade de apenas algo em torno de 300 (u(M) = 300), enquanto um
prejuízo de 600 (M = -600) possui uma utilidade em torno de -2500 (u(M) = - 2500). Para
as demais curvas o raciocínio é análogo.
Um modelo bastante comum utilizado para a Função de Utilidade u(M) é dado
abaixo:

Notas de Aula - Fernando Nogueira 18

 Modelagem e Simulação - Análise de Decisão

 −
M  (38)

u(M ) = R 1 − e R 
 
 

onde:
M é o valor do dinheiro;
R é a tolerância ao risco do indivíduo.

Assim, uma grande aversão ao risco corresponde para um pequeno valor de R,

enquanto uma atração ao risco corresponde para um alto valor de R.
Neste contexto é comum apresentar as curvas da figura 6 como na figura 7.
Função de Utilidade

3000

2000
atração
ao risco
1000

u(M)
0

-1000 indiferença
ao risco
aversão
-2000
ao risco

-3000

-600 -400 -200 0 200 400 600

M

Fig. 6 - Exemplo de Função de Utilidade para o Dinheiro.

Notas de Aula - Fernando Nogueira 19

 Modelagem e Simulação - Análise de Decisão

aversão
ao risco

indiferença
ao risco

atração
ao risco

Fig. 7 - Função de Utilidade tipicamente apresentada.

Como exemplo desta teoria, tem-se a Função de Utilidade do Dinheiro para o

exemplo protótipo da companhia GoferBroke de acordo com a figura 8. A companhia
GoferBroke possui aversão ao risco (curva verde).
O procedimento para utilizar a árvore de decisão para analisar o problema de
tomada de decisão é idêntico ao descrito na seção 4, exceto que os Payoff monetários são
substituídos pelos valores de utilidade u(M).
Funçao de Utilidade para o dinheiro da GoferBroke
800

600

400

200

u(
M) 0

-200

-400

-600 indiferença
ao risco
aversão
ao risco

-800
-600 -400 -200 0 200 400 600
M

Fig. 8 - Função de Utilidade para o Dinheiro da companhia GoferBroke.

Notas de Aula - Fernando Nogueira 20

 Modelagem e Simulação - Análise de Decisão

A tabela abaixo mostra os valores dos Payoff monetários e seus respectivos valores
de utilidade.

Tabela 4 - Utilidade para a companhia GoferBroke

Payoff Monetário Utilidade
-130 -150
-100 -105
60 60
90 90
670 580
700 600

A Árvore de Decisão agora fica:

Fig. 9 - Árvore de Decisão para o exemplo protótipo com valores de utilidade.

A Política Ótima obtida com os valores de utilidade neste exemplo é a mesma obtida
com os Payoff monetários, apenas com a diferença no valor da Utilidade Esperada (que
corresponde ao Payoff Esperado no caso de utilizar Payoff monetário).

Notas de Aula - Fernando Nogueira 21

 Modelagem e Simulação - Análise de Decisão

Política Ótima (utilidade):

Fazer levantamento geofísico,
Se resultado é desfavorável, vender a terra, senão perfurar.
A Utilidade Esperada (incluindo os custos do levantamento) é 106.5 ($106.500,00).

FONTE: Hiller & Lieberman, CAP. 15

Notas de Aula - Fernando Nogueira 22

 Modelagem e Simulação - Análise de Decisão

Exercícios - Análise de Decisão

qualquer erro, favor enviar e-mail para fernando.nogueira@ufjf.edu.br

1) Uma companhia desenvolveu um novo chip de computador que a habilita a produzir

computadores. Alternativamente, está firma pode vender os direitos do chip por
$15.000.000,00. Se a companhia escolhe produzir os computadores, a lucratividade
dependerá da habilidade da companhia para vender os computadores. Devido a
informações dos distribuidores, a companhia irá vender com certeza 10.000
computadores, porém se o produto "emplacar", a companhia poderá vender 100.000
computadores. Para propósitos de análise, estes dois níveis de vendas são dois
resultados possíveis, porém, suas probabilidades a priori não são conhecidas. O
custo de instalação da linha de produção é de $6.000.000,00. O lucro sobre cada
computador vendido é $600,00.
a) Identifique as ações (alternativas), os estados da natureza e a tabela de
Payoff.
b) Desenvolva um gráfico dos Payoff Esperados para cada ação alternativa
versus a probabilidade a priori de vender 10.000.
c) Determine o ponto de Crossover para o gráfico acima. Qual o significado
deste ponto?
d) Assumindo que as probabilidades a priori dos dois níveis de venda são
ambos iguais a 0.5, qual ação deveria ser tomada?

2) Dada a seguinte tabela de investimentos:

Economia Economia Economia

Crescente Estável Decrescente

Investimento $30.000,00 $5.000,00 $-10.000,00

Conservador

Investimento $40.000,00 $10.000,00 $-30.000,00

Especulativo

Investimento Cíclico $-10.000,00 $0,00 $15.000,00

Probabilidade a Priori 0.1 0.5 0.4

Qual investimento deve ser escolhido segundo cada um dos critérios abaixo:
a) Maximin Payoff
b) Máxima Verossimilhança
c) Decisão de Bayes

3) Reconsidere o problema 1 agora considerando que uma pesquisa de mercado ao

custo de $1.000.000,00 pode ser realizada para prever qual dos dois níveis de

Notas de Aula - Fernando Nogueira 23

 Modelagem e Simulação - Análise de Decisão

demanda é mais provável ocorrer. Experiências prévias indicam que tais pesquisas
são corretas em dois terços das vezes em que são realizadas.
a) Encontre o EVPI para este problema. Considere a probabilidade a priori de
vender 10.000 igual a probabilidade a priori de 100.000 igual a 0.5.
b) A resposta em a) indica que compensa realizar a pesquisa de mercado ?
c) Desenvolva um diagrama em árvore de probabilidade para obter as
probabilidades a posteriori dos dois níveis de demanda para cada dos dois
resultados possíveis da pesquisa de mercado.
d) Encontre EVE.

4) José toma decisões de acordo com a regra de decisão de Bayes. José construiu a
seguinte tabela de Payoff :

Estado da Natureza

Alternativa S1 S2 S3

A1 50 100 -100

A2 0 10 -10

A3 20 40 -40

Probabilidade a Priori 0.5 0.3 0.2

a) Qual alternativa José deve escolher?

b) Encontre EVPI
c) Qual é o máximo que José deve pagar para obter maiores informações sobre qual
estado da natureza irá ocorrer?

5) Suponha que você more em uma região sujeita a terremotos, assim você está
considerando comprar um seguro para sua casa ao custo anual de $180,00. A
probabilidade de um terremoto danificar sua casa durante um ano é 0.001. Se isto
acontece, você estima que o custo dos danos (totalmente cobertos pelo seguro) é
$160.000,00. Seus bens (incluindo a sua casa) totalizam $250.000,00.
a) Aplique a regra de decisão de Bayes para determinar qual alternativa
(comprar ou não o seguro) maximiza seus bens esperados após 1 ano.
b) Você agora tem construído uma função de utilidade que mede o valor dos
seus bens (x) em $. Está função é dada por u(x ) = x . Compare a utilidade
de reduzir seus bens totais no próximo ano pelo custo do seguro contra
terremotos com a utilidade esperada no próximo ano de não comprar o
seguro contra terremoto. Você deveria comprar o seguro?

Notas de Aula - Fernando Nogueira 24

 Modelagem e Simulação - Análise de Decisão

6) Faça um programa que calcule, dado uma matriz de Payoff para n estados da
natureza e m alternativas, os payoff´s seguindo os critérios de Maximin,
Maxima Verossimilhança e Bayes.

7) Faça um programa que gere, a cada iteração, uma matriz de Payoff com valores
aleatórios para os intervalos dado na tabela abaixo:

Estado Payoff
Alternativa Poço com Petróleo Poço Seco
Perfurar M11 M12
Vender a terra M21 M22
Probabilidade à p1 p2
Prior

onde:
M11 = [300,1000]
M12 = [-300,-50]
M21 = M22 = [50,120]
p1 = [0.05,0.40]
p2 = 1- p1

A cada iteração o programa deverá determinar os Payoff´s seguindo os critérios de

Maximin, Maxima Verossimilhança e Bayes. Após várias iterações, verificar qual
dos critérios resultou em melhor payoff a cada iteração e os payoff´s médios para
cada critério.

Notas de Aula - Fernando Nogueira 25

 Modelagem e Simulação - Análise de Decisão

Respostas
1.a)

Estado da Natureza
Alternativas Vender 10.000 Vender 100.000

Produzir Computadores 0 54

Vender Direitos 15 15

1.b)
E[Payoff (Pr oduzir Computadores )] = 0p + 54(1 − p ) = −54p + 54
E[Payoff (Vender Direitos)] = 15p + 15(1 − p ) = 15

Analise de Sensibilidade
60

50

40
Payoff Esperado

30

20

10

0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Probabilidade a Priori para Vender 10.000

1.c)
39
E[Payoff (Pr oduzir Computadores )] = E[Payoff (Vender Direitos)] ⇒ −54p + 54 = 15 ⇒ p = = 0.7222
54

O significado do ponto de crossover é que se a probabilidade a priori de vender 10.000

computadores for menor que 0.7222, a decisão a ser tomada, segundo o critério de Bayes é
Produzir Computadores, caso contrário, é Vender Direitos.
1.d) Obviamente, Produzir Computadores.

Notas de Aula - Fernando Nogueira 26

 Modelagem e Simulação - Análise de Decisão

2.a)

Economia Economia Economia Mínimo

Crescente Estável Decrescente em Linha

Investimento $30.000,00 $5.000,00 $-10.000,00 -10.000,00 Maximin

Conservador

Investimento $40.000,00 $10.000,00 $-30.000,00 -30.000,00

Especulativo

Investimento $-10.000,00 $0,00 $15.000,00 -10.000,00 Maximin

Cíclico

Investimento Conservador ou Investimento Cíclico.

2.b)

Economia Economia Economia

Crescente Estável Decrescente

Investimento $30.000,00 $5.000,00 $-10.000,00

Conservador

Investimento $40.000,00 $10.000,00 $-30.000,00 Máximo

Especulativo

Investimento Cíclico $-10.000,00 $0,00 $15.000,00

Probabilidade a 0.1 0.5 0.4

Priori

Máximo
Investimento Especulativo.
2.c)
E[Payoff (Conservador )] = 0.1* 30.000,00 + 0.5 * 5.000,00 + 0.4 * (− 10.000,00) = 1.500,00
E[Payoff (Especulativo )] = 0.1* 40.000,00 + 0.5 *10.000,00 + 0.4 * (− 30.000,00) = −3.000,00
E[Payoff (Cíclico)] = 0.1* (− 10.000,00) + 0.5 * 0,00 + 0.4 *15.000,00 = 5.000,00 Máximo
Investimento Cíclico.

Notas de Aula - Fernando Nogueira 27

 Modelagem e Simulação - Análise de Decisão

3.a)

Estado da Natureza
Alternativas Vender 10.000 Vender 100.000

Produzir Computadores 0 54

Vender Direitos 15 15

Probabilidade a Priori 0.5 0.5

Máximo Payoff 15 54
EVWPI = 0.5(15) + 0.5(54) = 34.5

Estado da Natureza
Alternativas Vender Vender Payoff Esperado
10.000 100.000

Produzir 0 54 0*0.5 + 54*0.5 = 27 Máximo

Computadores

Vender Direitos 15 15 15*0.5 + 15*0.5 =

15

Probabilidade a Priori 0.5 0.5

EVWOE = 27

EVPI = EVWPI − EVWOE = 34.5 − 27 = 7.5

3.b) Uma vez que 7.500.000,00 é maior que 1.000.000,00, a pesquisa deve ser realizada
segundo este critério.
3.c)

Notas de Aula - Fernando Nogueira 28

 Modelagem e Simulação - Análise de Decisão

2 1
P(Pesq10) = P(Pesq10 V10).P(V10) + P(Pesq10 V100).P(V100) = * 0.5 + * 0.5 = 0.5
3 3
1 2
P(Pesq100) = P(Pesq100 V10).P(V10) + P(Pesq100 V100).P(V100) = * 0.5 + * 0.5 = 0.5
3 3

3.d)
Regra de Bayes com probabilidade a posteriori.
Payoff Esperado se constatação é Pesq10:
2
[ ]
E Payoff (Pr oduzir Constatação = Pesq10 ) = (0) + 1 (54) − 1 = 17
3 3
2
[ ]
E Payoff (Vender Constatação = Pesq10) = (15) + 1 (15) − 1 = 14
3 3

Payoff Esperado se constatação é Pesq100:

1
[
E Payoff (Pr oduzir Constatação = Pesq100 ) = ] (0) + 2 (54) − 1 = 35
3 3
1
[
E Payoff (Vender Constatação = Pesq100) = ] (15) + 2 (15) − 1 = 14
3 3

Notas de Aula - Fernando Nogueira 29

 Modelagem e Simulação - Análise de Decisão

Politica Ótima com Experimentação sob a Regra de Decisão de Bayes.

Constatação a Ação Ótima Payoff Esperado Payoff Esperado
partir da Pesquisa excluindo custos de incluindo custos de
levantamento levantamento
Pesq10 produzir 18 17
Pesq100 produzir 36 35

Payoff Esperado Com Experiment açao = P ( pesq10) * (18) + P ( pesq100 ) * (36) = 0.5 *18 + 0.5 * 36 = 27

O Valor Esperado da Experimentação (EVE) é dado por:

EVE = Payoff Esperado Com Experiment açao − Payoff Esperado Sem Experiment açao
EVE = 27 − 27 = 0
Uma vez que 0 é menor que 1.000.000,00, a pesquisa não deve ser realizada segundo este
critério.
4.a)
E[Payoff (A1)] = 0.5 * 50 + 0.3 *100 + 0.2 * (− 100) = 35 Máximo
E[Payoff (A 2)] = 0.5 * 0 + 0.3 *10 + 0.2 * (− 10) = 1
E[Payoff (A3)] = 0.5 * 20 + 0.3 * 40 + 0.2 * (−40) = 14

4.b)
Estado da Natureza

Alternativa S1 S2 S3

A1 50 100 -100

A2 0 10 -10

A3 20 40 -40

Probabilidade a Priori 0.5 0.3 0.2

Máximo Payoff 50 100 -10

EVWPI = 0.5 * 50 + 0.3 *100 + 0.2 * (−10) = 53

EVWOE = 35
EVPI = EVWPI − EVWOE = 53 − 35 = 18

4.c) José deverá gastar no máximo 18.

5.a)

Notas de Aula - Fernando Nogueira 30

 Modelagem e Simulação - Análise de Decisão

Estado da Natureza Payoff Esperado

Alternativas Haver Não haver
terremoto terremoto

Comprar 249820,00 249820,00 249820,00

Seguro

Não Comprar 90.000,00 250.000,00 249840,00 Máximo

Seguro

Probabilidade 0.001 0.999

a Priori
Portanto, não comprar seguro.

5.b)

Estado da Natureza Payoff Esperado

Alternativas Haver Não haver
terremoto terremoto

Comprar 499.82 499.82 499.82 Máximo

Seguro

Não Comprar 300 500 499.80

Seguro

Probabilidade 0.001 0.999

a Priori

Portanto, comprar seguro.

Notas de Aula - Fernando Nogueira 31