AD_MQ0607

31
1 Análise de Decisão Métodos Quantitativos LEI 2006/2007 Susana Nascimento [email protected] Departamento de Informática 2 MQ 06/07 Advertência • Autores João Moura Pires ([email protected] ) Susana Nascimento ([email protected] ) • Este material pode ser livremente usado para uso pessoal ou académico e sem qualquer autorização prévia do autor desde que acompanhado desta declaração do autor. Para uso comercial (por exemplo em cursos pagos) o uso deste material requer a expressa autorização do autor.

description

jkhj

Transcript of AD_MQ0607

  • 1Anlise de DecisoMtodos Quantitativos

    LEI2006/2007

    Susana [email protected]

    Departamento de Informtica

    2MQ 06/07

    Advertncia

    Autores Joo Moura Pires ([email protected]) Susana Nascimento ([email protected])

    Este material pode ser livremente usado para uso pessoal ou acadmico e sem qualquer autorizao prvia do autor desde que acompanhado desta declarao do autor.

    Para uso comercial (por exemplo em cursos pagos) o uso deste material requer a expressa autorizao do autor.

  • 23MQ 06/07

    Sumrio

    Introduo

    Tomada de deciso sem experimentao

    Tomada de deciso com experimentao

    rvores de Deciso

    Teoria da Utilidade

    4MQ 06/07

    Tomada de deciso em ambientes com Incerteza

    Um fabricante de txteis quer introduzir um novo produto no mercado Qual ir ser a reaco dos potenciais consumidores? Qual a quantidade de produto a produzir? Dever-se- fazer um estudo de mercado em pequena regio antes de comercializar pelo

    Pas inteiro? Que investimento necessrio fazer em Pblicidade para que lanamento de produto seja

    um sucesso?

    Uma empreza financeira quer investir em seguros Quais os sectores de mercado e seguradoras individuais que constituem os melhores

    alvos? Para onde que a economia est dirigida? Como que estes factores devem afectar (i.e. que peso devem ter) na tomada de deciso?

  • 3Anlise de Deciso

    Estudo de metodologias para a Tomada de Deciso em ambientes com elevado grau de incerteza associado.Estudo de metodologias para a Tomada de Deciso em ambientes com elevado grau de incerteza associado.

    6MQ 06/07

    Exemplo: enunciado

    Um empresa possui um terreno acerca do qual h suspeita da existncia de petrleo Uma firma consultora indica que existe 1 chance em 4 de haver

    petrleo

    Uma outra empresa (que tambm tem conhecimento dessa hiptese) prope-se comprar o terreno por 90 000 .

    Explorao do petrleo: Custos: 100 000 No caso de haver petrleo espera-se uma facturao de 800 000 ,

    ou seja um lucro de 700 000

  • 47MQ 06/07

    Exemplo: organizar os dados

    3 em 41 em 4Probabiliade

    90 000 90 000 Vender o terreno

    -100 000 700 000 Explorar o terreno

    No h petrleoH petrleoDecises alternativas

    Situao real do terrenoLucro

    Qual a deciso a tomar?Vender?Explorar o terreno?

    Obter mais informao?

    8MQ 06/07

    Exemplo: Formular o Problema

    A deciso consiste na escolha de uma entre n alternativas a1, a2, , an. Factores aleatrios determinam as circunstncias em que a deciso vai

    ser executada. Essas circunstncias so designadas por estados do mundo ou

    cenrios - e1, e2, , em. Sejam P(ei) as probabilidades de cada um dos cenrios ei

    Assume-se: so conhecidas as consequncias da deciso em cada um dos cenrios - Lucro(ai | ej)

    Qual a deciso a tomar? Obter mais informao?

  • 59MQ 06/07

    Organizar os dados

    P(em)P(e1)Prob. dos cenrios

    Lucro(an | em)

    Lucro(a1 | em)

    em

    Lucro(an | e1)an

    Lucro(ai | ej)

    Lucro(a1 | e1)a1

    e1Decises

    alternativas

    Estados do mundo ou cenriosLucro

    10MQ 06/07

    Critrios para a Tomada de Deciso

    C1: Maximizar o ganho

    C2: Maximizar a verosimilhana

    C3: Regra de Bayes - Maximizar o ganho esperado

  • 611MQ 06/07

    Para cada alternativa possvel, ai, determinar o ganho mnimo para todos os cenrios/estados possveis, ej (j=1, ...,m) Para cada ai determinar minj lucro(ai | ej)

    Escolher a alternativa que maximiza o lucro mnimo Escolher a alternativa ak (1k n), tal que:

    minj lucro(ai | ej) = maxi minj lucro(ai | ej)

    Justificao - ponto de vista pessimista Escolher a alternativa do melhor ganho garantido

    1 analisar as alternativas considerando o pior cenrio2 escolher a alternativa que maximiza o ganho numa situao de pior cenrio

    Maximizar o ganho (C1: Max-Min)

    12MQ 06/07

    Exemplo: critrio Max-Min

    90 000

    -100 000

    minj(ai | ej)

    90 000 90 000 a2:vender o terreno

    -100 000 700 000 a1:explorar o terreno

    e2: no h petrleo

    e1:h petrleoDecises alternativas

    Situao real do terrenoLucro

    maxi minj(ai | ej) 90 000

    No entra em linha de conta com as probabilidades dos cenrios!

  • 713MQ 06/07

    C2: Maximizar a verosimilhana

    Identificar o cenrio mais provvel (mais verosmil) e escolher a aco que, para esse cenrio, maximiza o ganho.

    Apenas toma em considerao os efeitos da deciso para o cenrio mais provvel. No considera as probabilidades dos outros cenrios No considera os ganhos possveis nos outros cenrios

    14MQ 06/07

    Exemplo: critrio da mxima verosimilhana

    0.750.25Probabiliade P(ej)

    90 000 90 000 a2: Vender o terreno

    -100 000 700 000 a1: Explorar o terreno

    e2: no h petrleo

    e1:H petrleoDecises alternativas

    Situao real do terrenoLucro

    Cenrio mais provvel

    Maior ganho no cenrio mais provvel

  • 815MQ 06/07

    Regra de Bayes - Maximizar o valor esperado

    Com base nas probabilidades dos cenrios calcular o valor esperado do ganho para cada uma das decises alternativas e escolher aquela alternativa que maximiza o valor esperado do ganho. Ganho esperado de cada deciso alternativa

    Escolher a alternativa ak:

    Lucro(ai ) = lucro(ai | ej )P(ej )j=1

    m

    Lucro(ak ) = maxi Lucro(ai )

    16MQ 06/07

    Um exemplo: Regra de Bayes

    0.750.25

    90 000

    100 000

    Lucro(ai)

    P(ej)

    90 000 90 000 a2:vender o terreno

    -100 000 700 000 a1:explorar o terreno

    e2: no h petrleo

    e1:h petrleoDecises alternativas

    Situao real do terrenoLucro

    Lucro(a1) = 0.25(700 K) +0.75 (-100 K) = 100 K

    Lucro(a2) = 0.25(90 K) +0.75 (90 K) = 90 K

  • 917MQ 06/07

    Notas sobre a Regra de Bayes

    A regra de maximizar o lucro esperado incorpora toda a informao disponvel Os ganhos possveis em cada um dos cenrios As probabilidades de ocorrncia dos cenrios

    Probabilidades Apesar de estes valores serem estimativas das chances de

    ocorrncia do cenrios futuros pior no as ter em conta. No ter em conta significa assumir que os cenrios futuros so

    equiprovveis.anlise de sensibilidade

    18MQ 06/07

    Anlise de Sensibilidade da Regra de Bayes

    Os valores mais sensveis sobre os quais convm efectuar uma anlise de sensibilidade so os valores das probabilidades

    Analisar como variam os ganhos esperados das alternativas com a variao da distribuio de probabilidades

    O nmero de variveis independentes igual ao nmero de cenrios possveis menos 1. Porqu?

    Interessa analisar para que valores das probabilidades a deciso se altera.

    analisar graficamente

  • 10

    19MQ 06/07

    -100

    0

    100

    200

    300

    400

    500

    600

    700

    800

    0 0.2 0.4 0.6 0.8 1

    Lucro(a1) Lucro(a2)

    Lucro(ai)

    P(e1)

    Um exemplo: Anlise de sensibilidade da regra de Bayes

    a1a2

    Lucro(a1) = P(e1)700 + (1 - P(e1))(-100)

    Lucro(a2) = P(e1)90 + (1 - P(e1))90

    Lucro(a1) = Lucro(a2)

    P(e1) = 0.2375

    20MQ 06/07

    Tomada de deciso com experimentao

    Inicialmente temos E = {e1, e2, , em}: conjunto de cenrios ou estados P(E) = {P(e1), P(e2), , P(em)}: respectivas probabilidades A = {a1, a2, ., an} Lucros(A | E) = {lucro(ai | ej) | i = 1, .., n; j = 1, , m}

    Pela regra de deciso de Bayes

    Lucro(ai ) = lucro(ai | ej )P(ej )j=1

    m Anlise desensibilidade Obter mais informao para melhorar a confiana em P(E).

    Quais os novos valores de P(E)? Quanto custa obter nova informao?

    Valer a pena?

  • 11

    21MQ 06/07

    Exemplo: Chegada de nova informao

    Antes de se tomar a deciso possvel realizar um estudo ssmico detalhado para estimar melhor a probabilidade de existncia de petrleo no terreno. O estudo custa 30 000 Resultados do estudo: T = {F (favorvel), D(desfavorvel)}

    Caratersticas de confiana e fiabilidade deste teste: P(D | e1(Petrleo)) = 0.4; P(F | e1(Petrleo)) = 0.6; P(D | e2(no h Petrleo)) = 0.8; P(F | e2(no h Petrleo)) = 0.2;

    22MQ 06/07

    Como incorporar a nova informao?

    Inicialmente temos E = {e1, e2, , em}: conjunto de cenrios ou estados P(E) = {P(e1), P(e2), , P(em)}: respectivas probabilidades A = {a1, a2, ., an} Lucros(A | E) = {lucro(ai | ej) | i = 1, .., n; j = 1, , m}

    Vamos realizar uma experincia que se caracteriza por ter como resultados possveis: T={t1, , tK}.

    O que se pretende saber : P(ej | tk)

    KketTPecadaPara jkj ,..1 )|(: ==

    Probabilidadesapriori

    Probabilidades aposteriori

  • 12

    23MQ 06/07

    Teorema de Bayes

    Ue1

    e2

    e3 e4

    e5

    e6 e7

    e8

    e9

    e10{e1, e2, , em} uma partio de U

    {P(e1), P(e2), , P(em)} Prob. apriori

    e2

    e3 e4

    e5e6 e7

    e8 e9

    UT

    e6 e7

    e8e9

    e4e3

    e2e5

    T

    Nova informao ou evidncia: T

    T

    Normalizao

    P(ei | T) Prob. a posteriori

    24MQ 06/07

    Teorema de Bayes

    Ue1

    e2

    e3 e4

    e5

    e6 e7

    e8

    e9

    e10 P(ei) = P(ei|U)

    e2

    e3 e4

    e5e6 e7

    e8 e9

    UT

    e6 e7

    e8e9

    e4e3

    e2e5

    T

    T

    Normalizao

    P(ei, T) = P(ei, T |U) P(ei |T) = P(ei, T|T)

    P(ei |T) = P(ei, T) / P(T)

  • 13

    25MQ 06/07

    Teorema de Bayes

    Ue1

    e2

    e3 e4

    e5

    e6 e7

    e8

    e9

    e10

    e2

    e3 e4

    e5e6 e7

    e8 e9

    UT

    e6 e7

    e8e9

    e4e3

    e2e5

    T

    T

    Normalizao

    P(ei, T) = P(ei, T |U) P(ei |T) = P(ei, T|T)

    P(ei |T) = P(ei, T) / P(T)

    P(T ) = P(ei ,T )i=1

    m = P(ei )P(T | ei )i=1

    mP(ei, T) = P(ei)P(T | ei)

    conhecido

    26MQ 06/07

    Teorema de Bayes

    Ue1

    e2

    e3 e4

    e5

    e6 e7

    e8

    e9

    e10

    e2

    e3 e4

    e5e6 e7

    e8 e9

    UT

    e6 e7

    e8e9

    e4e3

    e2e5

    T

    T

    Normalizao

    P(ei, T) = P(ei, T |U) P(ei |T) = P(ei, T|T)

    P(ei | T ) = P(ei )P(T | ei )P(ei )P(T | ei )

    i=1

    m

  • 14

    27MQ 06/07

    Inicialmente temos E = {e1, e2, , em}: Conjunto de cenrios ou estados P(E) = {P(e1), P(e2), , P(em)}: Respectivas probabilidades

    Vamos realizar uma experincia que se caracteriza por ter como resultados possveis: T={t1, , tK}.

    Calcular probabilidades aposteriori P(ej | tk)

    Como incorporar a nova informao?

    Para cada ej : P(T = tk | ej ),k =1,..K

    =

    =m

    iii

    jkjj

    eTPeP

    etPePTeP

    1)|()(

    )|()()|(

    28MQ 06/07

    Exemplo: Como incorporar a nova informao?

    T = {F (favorvel), D (desfavorvel)}

    Caratersticas de confiana e fiabilidade deste teste P(D | e1(Petrleo)) = 0.4; P(F | e1(Petrleo)) = 0.6;

    P(D | e2(no h Petrleo)) = 0.8; P(F | e2(no h Petrleo)) = 0.2;

    Probabiliades priori: P(e1) = 0.25; P(e2) = 0.75

    Se T = FP(e1 | F) = P(e1)P(F | e1)P(e1)P(F | e1)+ P(e2 )P(F | e2 )

    = 0.25 0.60.25 0.6 + 0.75 0.2 = 0.5

    P(e2 | F) =1 P(e1 | F) = 0.5

  • 15

    29MQ 06/07

    Exemplo: Como incorporar a nova informao?

    T = {F (favorvel), D (desfavorvel)}

    Caratersticas de confiana e fiabilidade deste teste P(D | e1(Petrleo)) = 0.4; P(F | e1(Petrleo)) = 0.6;

    P(D | e2(no h Petrleo)) = 0.8; P(F | e2(no h Petrleo)) = 0.2;

    Probabiliades priori: P(e1) = 0.25; P(e2) = 0.75

    Se T = DP(e1 | D) = P(e1)P(D | e1)P(e1)P(D | e1)+ P(e2 )P(D | e2 )

    = 0.25 0.40.25 0.4 + 0.75 0.8 =1/7

    P(e2 | D) =1 P(e1 | D) = 6/7

    30MQ 06/07

    Exemplo: Como incorporar a nova informao?

    0.80.2e2

    0.40.6e1

    DFP(T|ei)

    0.75e2

    0.25e1

    P(ei)

    0.60.15e2

    0.10.15e1

    DFP(ei, T)

    0.700.30P(T)

    6/70.5e2

    1/70.5e1

    DFP(ei|T)

    P(ei, T) = P(ei)P(T | ei)

    P(T ) = P(ei ,T )ei

    P(ei| T) = P(ei , T) / P(T)

  • 16

    31MQ 06/07

    Exemplo: Como incorporar a nova informao?

    0.80.2e2

    0.40.6e1

    DFP(T|ei)

    0.75e2

    0.25e1

    P(ei)

    0.60.15e2

    0.10.15e1

    DFP(ei, T)

    0.700.30P(T)

    6/70.5e2

    1/70.5e1

    DFP(ei|T)

    T = F

    T = D

    apriori

    aposteriori

    32MQ 06/07

    Exemplo: decidir com a nova informao T = D

    6/71/7

    90 000

    14 286

    Lucro(ai)

    P(ej| T = D)

    90 000 90 000 a2:vender o terreno

    -100 000 700 000 a1:explorar o terreno

    e2: no h petrleo

    e1:h petrleoDecises alternativas

    Situao real do terrenoLucro

    Lucro(a1) = (1/7)(700 K) + (6/7) (-100 K) = 100/7 = 14 286

    Lucro(a2) = 0.5(90 K) + 0. 5 (90 K) = 90 K

  • 17

    33MQ 06/07

    Exemplo: decidir com a nova informao T = F

    0.50.5

    90 000

    300 000

    Lucro(ai)

    P(ej| T = F)

    90 000 90 000 a2:vender o terreno

    -100 000 700 000 a1:explorar o terreno

    e2: no h petrleo

    e1:h petrleoDecises alternativas

    Situao real do terrenoLucro

    Lucro(a1) = 0.5(700 K) +0.5 (-100 K) = 300 K

    Lucro(a2) = 0.5(90 K) +0. 5 (90 K) = 90 K

    34MQ 06/07

    Exemplo: decidir com nova informao - resumo

    0.25

    0.75

    e1

    e2

    Lucro(a1) = 100

    Lucro(a2) = 90

    0. 5

    0.5

    e1

    e2

    Lucro(a1) = 300

    Lucro(a2) = 90

    T = F1/7

    6/7

    e1

    e2

    Lucro(a1) = 14.282

    Lucro(a2) = 90

    T = D

    apriori a posteriori - com experimentao

    Lucro(a1) = 270

    Lucro(a2) = 60

    Lucro(a1) = -16 (-15,718)

    Lucro(a2) = 60Custo da experincia

    30 K

  • 18

    35MQ 06/07

    Questo: Vale realmente a pena obter mais informao?

    Conhecendo: As probabilidades apriori de cada um dos possveis cenrios: P(ei) O lucro esperado de cada uma das alternativas: Lucro(ai) As caractersticas de fiabilidade e confiana do teste: P(T | ei) O custo do teste

    Ser que vale a pena realizar a experincia (que tem um custo) para obter mais informao? Ou, antes pelo contrrio decidir j com a informao disponvel?

    36MQ 06/07

    O Valor da experincia: dois passos

    Assumir que a experincia remove qualquer incerteza sobre o estado do mundo ou cenrio em que nos encontramos, ou seja depois de conhecido o resultado da experincia, o estado do mundo fica completamente determinado. valor esperado da informao perfeita- aumento do valor

    esperado do lucro ignorando o custo da experincia. O valor esperado da informao perfeita o limite superior

    do valor potencial da experincia (se este valor for inferior ao custo da experincia, esta no se deve realizar). Podemos ento determinar o valor da experincia.

  • 19

    37MQ 06/07

    Valor esperado da informao perfeita (EVPI)

    Aumento do valor esperado do lucro ignorando o custo da experincia e supondo que esta determina completamente qual o estado do mundo o EVPI. Para cada cenrio escolhemos a melhor deciso, isto , supondo

    que o cenrio conhecido. Assim o lucro em cada caso :maxi lucro(ai | ej)

    O lucro esperado com informao perfeita a mdia destes lucros mximos ponderada pela probabilidade de ocorrncia dos estados.

    O EVPI a diferena entre o lucro esperado com informao perfeita e o lucro esperado sem a experimentao

    LucroInfPerfeita = P(ej )maxij=1m lucro(ai | ej ){ }

    EVPI = LucroInfPerf LucroSemExperimentao

    38MQ 06/07

    Exemplo: Valor esperado da informao perfeita

    .750.25

    90 000

    100 000

    Lucro(ai)

    90 000 90 000 a2:vender o terreno

    -100 000 700 000 a1:explorar o terreno

    e2: no h petrleo

    e1:h petrleo

    Decises alternativas

    Situao real do terrenoDeciso sem exper.

    Lucro(a1) = 0.25(700 K) +0.75 (-100 K) = 100 K

    Lucro(a2) = 0.25(90 K) +0.75 (90 K) = 90 K

    LucroSemExperimentao = 100 K

  • 20

    39MQ 06/07

    Exemplo: Valor esperado da informao perfeita

    .750.25

    90 000 90 000 a2:vender o terreno

    -100 000 700 000 a1:explorar o terreno

    e2: no h petrleo

    e1:h petrleo

    Decises alternativas

    Situao real do terrenoDeciso com Inf.Perfeita

    LucroInfPerf = 0.25(700 K) +0.75 (90 K) = 242.5 K

    EVPI = LucroInfPerf - LucroSemExperimentao = 242.5 - 100 = 142.5 K

    40MQ 06/07

    Exemplo: Resumo - valor da experimentao

    Sem realizar experimentao LucroSemExperimentao = 100 K

    Realizando uma experincia que determine completamente o estado do mundo LucroInfPerf = 242.5 K

    Aumento do lucro com informao perfeita EVPI = 142.5 K

    Custo da experincia real: 30 K Como EVPI = 142.5 K > 30 K vale a pena analisar com

    mais detalhe se realizao da experincia pode ou no trazer mais valia.

  • 21

    41MQ 06/07

    Valor Esperado da Experincia: EVE

    EVE - Aumento do valor esperado do lucro ignorando o custo da experincia. Para cada resultado possvel da experincia escolhe-se a deciso de

    acordo com a regra de Bayes. Assim o lucro em cada caso :Lucro(T = tk)

    O lucro esperado com a experincia a mdia destes lucros ponderada pela probabilidade de ocorrncia de cada resultado da experincia.

    O EVE a diferena entre o lucro esperado com a experincia e o lucro esperado sem a experimentao

    EVE = LucroEsperadoComExp - LucroSemExp

    LucroEsperadoComExp = P(tk )k=1

    m Lucro(T = tk )

    42MQ 06/07

    Exemplo: EVE

    0.25

    0.75

    e1

    e2

    Lucro(a1) = 100

    Lucro(a2) = 90

    0. 5

    0.5

    e1

    e2

    Lucro(a1) = 300

    Lucro(a2) = 90

    T = F1/7

    6/7

    e1

    e2

    Lucro(a1) = 14.282

    Lucro(a2) = 90

    T = D

    apriori a posteriori - com experimentao

    P(T=F) = 0.3 P(T=D) = 0.7

    LucroEsperadoComExp = (0.3)300 + (0.7) 90 = 153EVE = LucroEsperadoComExp - LucroSemExp = 153 - 100 = 53 K

  • 22

    43MQ 06/07

    Exemplo: Resumo - valor da experimentao

    Sem realizar experimentao LucroSemExperimentao = 100 K

    Realizando uma experincia perfeita LucroInfPerf = 242.5 K

    Aumento do lucro com informao perfeita EVPI = 142.5 K

    Como EVPI > 30 K vale a pena determinar EVE

    Realizando a experincia real LucroInfComExper = 153 K

    Aumento esperado do lucro com experincia EVE = 53 K

    Como EVE > 30 K vale a pena realizar a experincia

    Custo da experincia real: 30 K

    44MQ 06/07

    Sumrio AD-A2

    Introduo

    Tomada de deciso sem experimentao

    Tomada de deciso com experimentao

    rvores de deciso

    Teoria da utilidade

  • 23

    45MQ 06/07

    rvores de Deciso

    Sequncias de decises Devemos realizar o estudo ssmico? Devemos vender ou explorar o terreno?

    Uma rvore de deciso tem:

    Ns de deciso: representados por um quadrado e indicam que uma deciso deve ser tomada neste ponto do processo. Os ramos que saiem do n so as alternativas da deciso.

    Ns de aleatrio: representados por um crculo e indicam que um acontecimento aleatrio deve ocorrer nesse ponto. Os ramos que saiem do n so os resultados possveis da experincia aleatria.

    46MQ 06/07

    rvores de Deciso: exemplo

    c

    d

    b

    f

    g

    eh

    Fazer estudo

    Sem estudo

    desfavorvel

    favorvel

    explorar

    vender

    H petrleo

    Sem petrleo

    H petrleo

    Sem petrleo

    H petrleo

    Sem petrleo

    explorar

    vender

    explorar

    vender

    a

  • 24

    47MQ 06/07

    rvores de Deciso: exemplo

    a

    c

    d

    b

    f

    g

    eh

    Fazer estudo

    Sem estudo

    desfavorvel

    favorvel

    explorar

    vender

    H petrleo

    Sem petrleo

    H petrleo

    Sem petrleo

    H petrleo

    Sem petrleo

    explorar

    vender

    explorar

    vender

    0

    0-30

    0

    670800

    0-130

    60

    -10090

    670

    -130

    60

    700

    -100

    90

    8000

    8000

    -10090

    -10090

    1 . Ganhos nos ramos2 . Lucro nas folhas

    a

    48MQ 06/07

    rvores de Deciso: exemplo

    c

    d

    b

    f

    g

    eh

    Fazer estudo

    Sem estudo

    desfavorvel

    favorvel

    explorar

    vender

    H petrleo

    Sem petrleo

    H petrleo

    Sem petrleo

    H petrleo

    Sem petrleo

    explorar

    vender

    explorar

    vender

    0

    0-30

    0

    670800

    0-130

    60

    -10090

    670

    -130

    60

    700

    -100

    90

    8000

    8000

    -10090

    -10090

    3 . Probabilidades nos ramos(nos aleatrios)

    apriori(.25)

    (.75)

    a posteriori dado T = F(.5)

    (.5)

    a posteriori dado T = D(1/7)

    (6/7)

    a

    (.7)

    (.3)

  • 25

    49MQ 06/07

    rvores de Deciso: exemplo

    c

    d

    b

    f

    g

    eh

    Fazer estudo

    Sem estudo

    desfavorvel

    favorvel

    explorar

    vender

    H petrleo

    Sem petrleo

    H petrleo

    Sem petrleo

    H petrleo

    Sem petrleo

    explorar

    vender

    explorar

    vender

    0

    0-30

    0

    670800

    0-130

    60

    -10090

    670

    -130

    60

    700

    -100

    90

    8000

    8000

    -10090

    -10090

    4 . Efectuar a anliseCalcular o Lucro Esperado

    (.25)

    (.75)

    (.5)

    (.5)

    (1/7)

    (6/7)

    a

    (.7)

    (.3)

    Lucro

    LE(n) = Soma(Lucro(filhos)*P(filho))

    -15.7

    270

    100

    60

    270

    100

    123

    123

    50MQ 06/07

    rvores de Deciso: exemplo

    c

    d

    b

    f

    g

    eh

    Fazer estudo

    Sem estudo

    desfavorvel

    favorvel

    explorar

    vender

    H petrleo

    Sem petrleo

    H petrleo

    Sem petrleo

    H petrleo

    Sem petrleo

    explorar

    vender

    explorar

    vender

    0

    0-30

    0

    670800

    0-130

    60

    -10090

    670

    -130

    60

    700

    -100

    90

    8000

    8000

    -10090

    -10090

    5 . Decidir

    (.25)

    (.75)

    (.5)

    (.5)

    (1/7)

    (6/7)

    a

    (.7)

    (.3)

    -15.7

    270

    100

    60

    270

    100

    123

    123

  • 26

    51MQ 06/07

    rvores de Deciso: exemplo

    c

    d

    b

    gFazer estudo

    desfavorvel

    favorvel

    vender

    H petrleo

    Sem petrleoexplorar

    0

    0-30

    6090

    670

    -130800

    0-100

    5 . Decidir

    (.5)

    (.5)a

    (.7)

    (.3)

    270

    60

    270

    123

    123

    52MQ 06/07

    rvores de Deciso: exemplo

    c

    d

    b

    f

    g

    eh

    Fazer estudo

    Sem estudo

    desfavorvel

    favorvel

    explorar

    vender

    H petrleo

    Sem petrleo

    H petrleo

    Sem petrleo

    H petrleo

    Sem petrleo

    explorar

    vender

    explorar

    vender

    0

    0-30

    0

    670800

    0-130

    60

    -10090

    670

    -130

    60

    700

    -100

    90

    8000

    8000

    -10090

    -10090

    4 . Efectuar a anliseCalcular o Lucro Esperado

    (.25)

    (.75)

    (.5)

    (.5)

    (1/7)

    (6/7)

    a

    (.7)

    (.3)

    Custo da experincia 30

    -15.7

    270

    100

    60

    270

    100

    123

    123

    apriori

    a posteriori dado T = F

    a posteriori dado T = D

    123 - 100 = 23

  • 27

    53MQ 06/07

    Exemplo: Resumo - valor da experimentao

    Sem realizar experimentao LucroSemExperimentao = 100 K

    Realizando a experincia real LucroInfComExper = 153 K

    Aumento esperado do lucro com experincia EVE = 53 K

    Como EVE > 30 K vale a pena realizar a experincia

    Custo da experincia real: 30 K

    123 - 100 = 23(153 - 30) - 100 = 23(153 - 100) - 30 = 23EVE - Custo da experincia = Aumento esperado do lucro com a

    experincia depois de subtrado o seu custo

    54MQ 06/07

    Teoria da Utilidade

    Valores monetrios no so a nica medida possvel para avaliar as consequncias da tomada de deciso.

    Exemplos: Uma aposta:

    (100 000 ; 0.5) e (0 ; 0.5) | LucroEsperado = 50 000 ( 40 000 ; 1.0) e (0 ; 0.0) | LucroEsperado = 40 000

    Um investimento Enorme lucro e enorme prejuzo (risco de falncia)

    Seguros Porque que as pessoas compram seguros?

    (investimento pobre sob ponto vista monetrio ...)

  • 28

    55MQ 06/07

    Funes de Utilidade para o Lucro Monetrio

    M

    u(M)

    0

    0.5

    1

    1.5

    2

    2.5

    3

    3.5

    4

    4.5

    0 10 20 30 40 50 60 70 80 90 100 110

    K

    56MQ 06/07

    Funes de Utilidade para o Lucro Monetrio

    0

    1

    2

    3

    4

    5

    0 10 20 30 40 50 60 70 80 90 100 110M

    u(M)

    K

    Funo de utilidade marginal decrescente para valor monetrio: Averso ao risco

  • 29

    57MQ 06/07

    Funes de Utilidade para o Lucro Monetrio

    M

    u(M)

    K

    0

    12

    3

    4

    56

    7

    89

    10

    1112

    13

    14

    1516

    17

    0 10 20 30 40 50 60 70 80 90 100 110

    Favorvel ao lucro

    Averso ao risco

    Neutro

    Cada decisor tem a sua funo de utilidade e em geral dependentedo contexto. Como definir?

    Preferncias do decisor

    58MQ 06/07

    Princpio da Indiferena

    O decisor indiferente a duas alternativas que tenham o mesmo valor esperado de utilidade.

    Exemplo: Funo de utilidade como a do exemplo; Oferta:

    lucro = 100 000 ; u = 4; probabilidade = p lucro = 0 ; u = 0; probabilidade = 1 - p

    Escolher entre pares de alternativas (definir valores de p): Oferta com p = 0.25 (E(u) = 1) ou obter com garantia 10 K (u(10 K ) = 1) Oferta com p = 0. 50 (E(u) = 2) ou obter com garantia 30 K (u(30 K ) = 2) Oferta com p = 0.75 (E(u) = 3) ou obter com garantia 60 K (u(60 K ) = 3)

    E(u) = 4p

  • 30

    59MQ 06/07

    Modelos para a Funo de Utilidade

    Assumir que a funo de utilidade tem uma certa forma matemtica e ento ajust-la: Escala da funo de Utilidade irrelevante Somente os valores relativos de Utilidade interessam

    Funo exponencial de utilidade

    R - Tolerncia ao risco do decisor

    Grande averso ao risco - Pequenos valores de R

    Pequena averso ao risco - grandes valores de R

    Modelo deaverso ao riscou(M ) = R 1 e

    MR

    60MQ 06/07

    Funo Exponencial de Utilidade

    0

    10

    20

    30

    40

    50

    60

    70

    0 50 100 150 200

    R = 20

    R = 40

    R = 60

    M

    u(M)

    Grande averso ao risco - Pequenos valores de R

    Pequena averso ao risco - grandes valores de R

    u(M ) = R 1 eMR

  • 31

    61MQ 06/07

    Modelos para a Funo de Utilidade (2)

    Vamos considerar uma caso em que os valores de M para os quais estamos interessados pertencem a [m-, m+]

    u(M) = A B eMR

    Onde

    A = e m

    R

    e m

    R em +

    R

    B = 1e

    m

    R em +

    R

    Fazendo R = m+, obtm uma funo cujo contradomnio [0, 1]