Elementos de Análise de Decisões Aplicada a um Problema do Setor Agrícola Lauro T. G. Fortes Coordenador-Geral de Desenvolvimento e Pesquisa INMET, março de 2008 Questão Central: Como posso utilizar a informação probabilística em meu processo de tomada de decisões? Resposta: Fazendo uso da metodologia de Análise de Decisões O que é Análise de Decisões ? • Disciplina consolidada a partir da segunda metade dos anos 60, pode ser definida como “Teoria da Decisão Aplicada”. • Reúne um conjunto de conceitos e técnicas quantitativas que facilitam o tratamento lógico de situações envolvendo incerteza, permitindo que se tomem boas decisões. • É particularmente útil para o tratamento de problemas complexos e únicos (que não se repetem), mas seus princípios aplicam-se também a situações corriqueiras. Alguns Conceitos e Pressupostos Básicos • Bons Resultados são resultados desejáveis • Boas Decisões são decisões logicamente consistentes com as informações disponíveis e as preferências do Decisor • Uma decisão se traduz em uma alocação efetiva de recursos, que não pode ser revertida sem incorrer em um custo significativo • O Decisor é a pessoa (na organização) com a competência e responsabilidade pela efetiva alocação de recursos. Assumimos que é um ser racional capaz de explicitar de forma lógica suas preferências em relação aos possíveis resultados de suas decisões. • O objetivo da Análise de Decisões é aumentar as chances de Bons Resultados por meio da tomada de Boas Decisões Síntese (simplificada) da Teoria da Decisão (d10 , d20 ,...,dn0 ) Variáveis de Decisão P(Sj) D2 ... Dn 0,3 0,25 P( R ) D1 0,35 0,45 0,4 0,35 0,3 0,25 0,2 0,15 0,1 0,05 0 0,2 0,15 0,1 0,05 S1 S2 10 20 30 Sj 40 50 .. . 0 -6000 10000 (d11, d21 ,...,dn1 ) Resultado Sm 3000 1500 R ( em $) R Modelo 0 0,7 0,6 Variáveis de Estado A decisão ótima será dada pela n-upla P( R ) 0,5 * 1 * 2 * n (d , d ,...,d ) que maximiza o valor Esperado de U(R) 0,4 0,3 0,2 0,1 0 -6000 0 1500 3000 10000 R (em $) maxD { E[U(R)] = U(ri). P(ri) } onde U é a função utilidade, que reflete as Preferências do Decisor frente ao Risco ( Von Neumann & Morgenstern, 1943) 0,35 0,7 0,3 0,6 0,25 0,5 P( R ) P( R ) Escolhendo entre Loterias 0,2 0,15 0,4 0,3 0,1 0,2 0,05 0,1 0 0 -6000 0 1500 3000 10000 -6000 0 R ( em $) 0,1 0,3 1.100 0,3 0,25 0,05 1500 3000 10000 R (em $) R -6.000 0 0,6 0 1.500 3.000 10.000 880 0,3 0,08 0,02 R -6.000 0 1.500 3.000 10.000 E( R ) = 0,1x(-6.000) + 0,3x0 + 0,3x1.500 E( R ) = 0x(-6.000) + 0,6x0 + 0,3x1.500 +0,25x3.000 + 0,05x10.000 = 1.100 +0,08x3.000 + 0,02x10.000 = 890 Aversão ao Risco 2.500 -500 Lauro 2.000 0,5 10.000 ~ E.C. < Valor Esperado Aversão ao Risco 0,5 -5.000 E.C. = Valor Esperado Indiferença ao Risco E.C. > Valor Esperado Atração pelo Risco Piquet Função Utilidade Exponencial Quando os resultados são números reais (por exemplo, Lucro), uma função utilidade muito usada na prática é a exponencial, definida por: U(x) = c [1- Exp (- x)] onde é denominado coeficiente de aversão ao risco A Exponential e a Linear satisfazem a Propriedade Delta: Adicionando-se um valor constante a todos os Resultados, a Decisão ótima não se altera Função Utilidade Exponencial Padronizada U(x)=(1- Exp(- r.x/xmax))/(1- Exp(-r)) 1,00 r=10 r=6 r=2 0,50 Utilidade U(x) -0,60 -0,40 0,00 -0,20 0,00 -0,50 r=0 0,20 0,40 -1,00 -1,50 -2,00 -2,50 -3,00 -3,50 -4,00 Lucro Normalizado X/Xmax 0,60 0,80 1,00 0,35 0,7 0,3 0,6 0,25 0,5 P( R ) P( R ) Escolhendo entre Loterias (cont.) 0,2 0,15 0,4 0,3 0,1 0,2 0,05 0,1 0 0 -6000 0 1500 3000 10000 -6000 R ( em $) 0 1500 3000 10000 R (em $) Considere que U é a função utilidade exponencial normalizada com coeficiente de aversão ao risco normalizado r = 2 0,1 0,3 0,3 1.100 0,25 0 E[U( R)] =0,0 0,05 R U( R ) 0 -6000 -2,68 0 0,00 1500 0,30 3000 0,6 880 0,08 0,52 10.000 1,00 0,3 700 E[U( R)] =0,15 0,02 R U( R ) -6000 -2,68 0 0,00 1500 0,30 3000 0,52 10.000 1,00 Exemplo do Amendoim Emerson tem uma propriedade de 800 acres em Jackson, na Flórida, onde vem plantando amendoim sem irrigação. Este ano em função da presença da La Niña e tendo uma oferta para arrendar sua propriedade, considera três possibilidades: •Plantar sem irrigação •Plantar com irrigação •Arrendar a propriedade Para ajudá-lo nessa decisão, recorre ao Professor Maurício que, antes de mais nada, visita o site do AgClimate, seu velho conhecido, e levanta um conjunto de informações. (http://www.agclimate.org/Development/apps/agClimate/controller/perl/agClimate. pl?function=phpyieldTool&location=local&type=php&primary=1&major=2&sub=6& suppressMenu=true) Valores Médios para o Plantio de Amendoim em Solo "Dothan Loamy Sand" no Condado de Jackson, FL Parâmtros e Variáveis Ano Neutro El Niño La Niña Produtividade Esperada com Irrigação ( lb/ac) 2.800 2.904 2.736 Classe Valor Prob (%) Valor Prob (%) Valor Prob (%) Baixa 1898 6 1780 0 1907 17 Média 2512 29 2523 50 2523 8 Alta 2954 65 3284 50 2947 75 2.558 2.540 2.373 Produtividade Esperada SEM Irrigação ( lb/ac) Classe Valor Prob (%) Valor Prob (%) Valor Prob (%) Baixa 1898 45 1780 33 1907 17 Média 2512 24 2523 34 2523 50 Alta 2954 31 3284 33 2947 33 Custo da Irrigação por Acre 35,0 45,0 50,0 Custo sem Irrigação por Acre 270,0 270,0 270,0 Custo com Irrigação por Acre ($) 305,0 315,0 320,0 Preço do Produto ($/ton) 440 360 360 Preço do Produto ($/lb) 0,17 0,14 0,14 Lucro Esperado por Acre Com Irrigação 180 97 68 Lucro Esperado por Acre SEM Irrigação 141 90 93 Árvore de Decisões Parâmetros 6,56 200.000 CLIMA N E.N. L.N. Prob 0,3 0,3 0,4 R 144.031 77.249 54.223 U( R ) 0,9925278 0,9219449 0,8322908 Não Irriga N E.N. L.N. 0,3 0,3 0,4 112.832 72.000 74.061 0,9766817 0,9070150 0,9131864 Aluga Qualquer 1 80.000 0,9288028 Decisão 88.073 Irriga 0,9072581 85.074 0,9303836 80.000 0,9288028 Aversão ao Risco Vmax 800 Área da Fazenda Determinação do Coeficiente de Aversão ao Risco V.E. E.C. E[U(X)] U(E.C.) 50.000 20.000 0,4819 0,4818 X1 0,5 X 100.000 X2 0,5 0 U( X ) 0,9637363 0,00 O Oráculo (ou o Valor Esperado da Informação Perfeita) Irriga 144.081 0,3 “N” 99.209 0,3 “E.N” Aluga Aluga 0,4 “L.N” 80.000 80.000 “N” “O Oráculo diz que será Ano Neutro” Por exemplo, se “E.N” então será El Niño com certeza, isto é, Pr ( E.N | “E.N.”) = 1. Portanto se “E.N.” então a melhor decisão é Alugar Questão : Pr(“E.N.”) =? Resposta : Pr(“ E.N.”) = Pr(E.N.)= 0,3 Valor Esperado COM Informação do Oráculo = 99.209 Valor Esperado SEM Informação do Oráculo = 85.074 Valor Esperado da Informação do Oráculo =14.135 Valor Esperado da Informação Perfeita V.E. U.E. E.C. U(C.E.) 99.209 0,948 89.500 0,948 0,3 "N" IRRIGA R ($) 144.031 U( R ) 0,9925278 0,3 "E.N." ALUGA 80.000 0,9288028 0,4 "L.N." ALUGA 80.000 0,9288028 Valor Esperado COM a Informação Perfeita Valor Esperado SEM a Informação Perfeita Valor Esperado DA Informação Perfeita EC COM a Informação Perfeita EC SEM a Informação Perfeita EC DA Informação Perfeita 99.209 85.074 14.135 89.500 80.650 8.850 Valor Esperado da Informação Imperfeita Expedito pode prever a fase do ENSO com 80% de acerto, e seus erros são igualmente distribuídos entre as demais alternativas. Ele está disposto a vender essa informação para o Emerson. Qual é o preço máximo que Emerson estaria disposto a pagar? Caracterização do Previsor: Pr(“N” | N)= 0,8 ; Pr(“E.N” | N) = 0,1; Pr(“L.N” | N) = 0,1 Pr(“N” | E.N)= 0,1; Pr(“E.N” | E.N) = 0,8; Pr(“L.N” | E.N) = 0,1 Pr(“N” | L.N)= 0,1; Pr(“E.N” | L.N) = 0,1; Pr(“L.N” | E.N) = 0,8 Valor da Informação Imperfeita: Estrutura do Problema COMPRA INFORMAÇÃO "N" "E.N" "L.N" Problema Original NÃO COMPRA NÃO IRRIGA Irriga N E.N. L.N. Não Irriga N E.N. L.N. Aluga Qualquer Irriga N E.N. L.N. Não Irriga N E.N. L.N. Aluga Qualquer Irriga N E.N. L.N. Não Irriga N E.N. L.N. Aluga Qualquer U.E. E.C. V.E. 0,9304 80.650 85.074 Árvore de Probabilidades: Teorema de Bayes Árvore Invertida A 0,3 N 0,3 E.N 0,4 L.N B|A 0,8 "N" 0,1 "E.N" 0,1 "L.N" 0,1 "N" 0,8 "E.N" 0,1 "L.N" 0,1 "N" 0,1 "E.N" 0,8 "L.N" AB B 0,24 0,03 0,31 "N" 0,03 0,03 0,24 0,31 "E.N" 0,03 0,04 0,04 0,32 0,38 "L.N" A|B 0,7742 N 0,0968 E.N 0,1290 L.N 0,0968 N 0,7742 E.N 0,1290 L.N 0,0789 N 0,0789 E.N 0,8421 L.N AB 0,24 0,03 0,04 0,03 0,24 0,04 0,03 0,03 0,32 X 0,31 "N" 125.980 0,9650 94.483 X COMPRA INFORMAÇÃO 0,9400 94.483 0,9400 85.000 0,31 "E.N" 0,38 "L.N" 0,9398 NÃO COMPRA 125.980 Irriga 0,9650 N E.N. L.N. Pr R 0,774194 144.031 0,096774 77.249 0,129032 54.223 U( R ) 0,9925278 0,9219449 0,8322908 1 103.878 Não Irriga 0,9632 80.000 Aluga 0,9288 80.740 Irriga 0,9172 N E.N. L.N. 0,774194 112.832 0,096774 72.000 0,129032 74.061 0,9766817 0,9219449 0,9131864 1 80.740 76.217 Não Irriga 0,9288 0,9261 80.000 X Aluga 0,9288 63.131 Irriga 0,8520 80.000 Qualquer 94.483 85.074 9.409 80.000 0,9288028 N E.N. L.N. 0,096774 144.031 0,774194 77.249 0,129032 54.223 0,9925278 0,9219449 0,8322908 1 N E.N. L.N. 0,096774 112.832 0,774194 72.000 0,129032 74.061 0,9766817 0,9219449 0,9131864 1 Qualquer N E.N. L.N. 76.959 N Não Irriga E.N. 0,9288 0,9189 L.N. 80.000 X Aluga Qualquer 0,9288 Problema Original NÃO IRRIGA U.E. 0,9304 E.C. 80.650 V.E. 85.074 Valor Esperado COM Informação Imperfeita Valor Esperado SEM Informação Imperfeita Valor Esperado DA Informação Imperfeita 1 1 80.000 0,9288028 0,078947 144.031 0,078947 77.249 0,842105 54.223 0,9925278 0,9219449 0,8322908 1 0,078947 112.832 0,078947 72.000 0,842105 74.061 0,9766817 0,9219449 0,9131864 1 1 80.000 0,9288028 EC COM Informação Imperfeita EC SEM Informação Imperfeita Valor Esperado DA Informação Imperfeita 85.000 80.650 4.350 Anexos A Função Utilidade – Breve Introdução John von Neumann and Oskar Morgenstern em Theory of Games and Economic Behavior (1944). Teoria da Escolha Racional sob Incerteza Se as preferências (atitudes) do Decisor em situações de risco forem consistentes com um conjunto básico de axiomas, então existirá uma função Utilidade definida sobre os Resultados das decisões tal que, em uma situação complexa, a melhor decisão para ele é aquela que maximiza a sua Utilidade Esperada. Conceitos Primários: p Loteria: Um conjunto de resultados incertos e suas respectivas probabilidades. A Ex: L: 1- p B L1L2 significa “L1 preferível a L2” L1~ L2 significa “L1 e L2 são indiferentes” Um Resultado A é equivalente a uma Loteria L que tem Prêmio A com probab. 1 A~ 1 A Axiomas da Teoria de Utilidade Ordenação: O Decisor é sempre capaz de ordenar os resultados em ordem de preferência •Comparabilidade: Para quaisquer resultados A e B, ou AB ou BA ou A~B •Transitividade: Se A~B e B~C então A~C Continuidade Se AB e BC então existe uma probabilidade p tal que B ~ L: [(p, A) , (1- p, C)]. Nesse caso B é chamado de equivalente certo de L. Substituição: Se L é uma loteria e CE é o seu equivalente certo então o Decisor sempre aceitará trocar o CE por L e vice-versa. Monotonicidade: Se AB e p>q então Lp Lq onde Lt : [ (t, A) , (1- t, B)] Decomposição (“no fun in gambling” axiom ) Uma Loteria Composta é equivalente a uma Loteria Simples com iguais probabilidades em relação aos Prêmios, isto é [(p, [(q, A), (1- q, B)]) , (1- p, B)]~ [(pq, A) , (1- pq, B)] Propriedades da Função Utilidade 1. O resultado não se altera se U for submetida a uma transformação linear positiva, isto é U a + bU onde b>0 2. A utilidade de qualquer loteria é igual à utilidade esperada de seus resultados ou seja U(L)= U(x)f(x)dx Corolário: O Equivalente Certo de uma loteria L é igual ao inverso da Utilidade de L: EC(L) = U-1 (L) 3. A loteria preferida é sempre aquela que tem a maior utilidade Teorema de Bayes Notação: A B AB A B A B {A} Pr obabilidade( A) Considere um conjunto exaustivo de eventos de eventos mutuamente exclusivos Ai , A2 ..., An (Doenças) mutuamente exclusivos Ai A2 ... An I conjunto exaustivo onde I Ai Aj , 1 i j n {I } 1 é o conjunto de todas as possibilidades (Identidade): e um outro evento B I (Sintoma) Ai e B | Ai Conhecemos também, portanto, Ai B Ai B | Ai Conhecemos todas as probabilidades Questão: Qual a probabilidade de determinada “Doença”, dado o “Sintoma”? Resposta: Ai | B nAi B | Ai A B | A j j Exemplos de Variáveis de Decisão e de Estado Decisão • Lançar ou não um novo produto • Realizar testes • Data de início do plantio • Quantidade de irrigação utilizada • Número de especialistas contratados • Orçamento para P&D • Gastos com Propaganda Estado • Demanda de um novo produto • Preço dos produtos concorrentes • Taxa de Juros • Início da estação de chuvas • Quantidade de precipitação no período • Custo de Desenvolvimento • Gastos em P&D • Produtividade Bibliografia Sugerida 1. 4. Readings in Decision Analysis, Decision Analysis Group, Eds. Ronald A. Howard and James E. Matheson, SRI International, Menlo Park, California, 1977. READINGS on The Principles and Applications of Decision Analysis, (Volumes I and II), Eds. Ronald A. Howard and James E. Matheson, Strategic Decisions Group, Menlo Park, California, 1984. Howard Raiffa. Decision analysis: introductory lectures on choices under uncertainty. Addison-Wesley, 1968. http://groups.msn.com/DecisionModeling/decisionanalysis1.msnw 5. http://www.engprod.ufjf.br/fernando/epd042/analise_decisao.pdf 2. 3. Em http://www.northworks.net/w_pub.htm: 6. The Decision to Seed Hurricanes (with R.A. Howard and J.E. Matheson), Science, Vol. 176, p. 1191-1202, 1972. 782k 7. Limitations, definitions, principles, and methods of risk assessment Scientific and Technical Review, International Office of Epizootics, 1995. 468k 8. The Invariance Approach to the Probabilistic Encoding of Information Ph. D. Thesis, Department of Operations Research, Stanford University, 1970. 5.9mb