AD_MQ0607
-
Upload
rodrigo-de-lima -
Category
Documents
-
view
213 -
download
1
description
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]