Baixe o app para aproveitar ainda mais
Prévia do material em texto
Pesquisa Operacional Responsável pelo Conteúdo: Prof. Dr. Luciano Rossi Revisão Textual: Aline Gonçalves Teoria da Decisão Teoria da Decisão • Possibilitar a tomada de decisão com base em métodos quantitativos e probabilísticos que permitam a escolha racional em um conjunto de alternativas possíveis. OBJETIVO DE APRENDIZADO • Análise de Decisão Bayesiana; • Análise de Decisão Multicritério. UNIDADE Teoria da Decisão Análise de Decisão Bayesiana Vimos, nas unidades anteriores, que a Pesquisa Operacional é um conjunto de métodos e/ou técnicas que têm base no conhecimento científico, o qual fornece as ferramentas necessárias para possibilitar a tomada de decisão em um contexto de incerteza. Assim, o contexto que mais demanda esse tipo de aplicação é o organiza- cional, onde se busca constantemente a obtenção de bens e/ou serviços que tragam o máximo ganho possível com o mínimo custo de operação. As decisões, em um contexto organizacional, podem ser classificadas por meio do nível no qual elas ocorrem e pela complexidade que elas carregam. Quanto aos níveis, podemos ter as decisões sendo tomadas nos níveis (i) estratégico, (ii) tático e (iii) operacional, em que se observa diferentes impactos provenientes das decisões. Nesta unidade, trataremos dos conceitos que são preconizados pela Teoria da Decisão, que pode ser definida como um conjunto de técnicas que auxiliam na toma- da de decisão. Em particular, estudaremos nesta primeira seção a Análise de Decisão Bayesiana, que é uma das técnicas relacionadas à Teoria da Decisão. Assim, vamos iniciar nossos estudos pelos componentes de uma análise de decisão bayesiana. Componentes de uma Análise de Decisão Bayesiana Os componentes em uma análise bayesiana consideram, basicamente, as infor- mações disponíveis no momento da tomada de decisão. Por exemplo, quando somos obrigados a decidir em um contexto no qual não há possibilidade de se obter novas informações e contamos apenas com as experiências passadas, estamos realizando uma análise a priori para tomar a decisão. Por outro lado, se é possível obter novas informações que sejam úteis para a revisão da decisão a priori, realizaremos uma análise a posteriori. A análise denominada preposteriori ocorre quando o tomador de decisão adia a escolha, de modo que ele possa receber mais informações sobre o problema, o que ocasionará um impacto sobre os custos associados à decisão. Finalmente, chamamos de decisões sequenciais aquelas tomadas de forma incremen- tal em diferentes etapas do processo, possibilitando a análise do impacto de cada decisão e a correção de rumo em função dessas análises. Probabilidade A probabilidade é uma área da Matemática que estuda a chance de ocorrência de determinados eventos. Atribui-se a origem da probabilidade em associação com diversos tipos de jogos. Em um jogo, os eventos possíveis de ocorrer são aleatórios e a probabilidade nos apresenta a estimativa de ocorrência de um evento em um contexto de incerteza. 8 9 Consideremos um exemplo simples para ilustrar o conceito de probabilidade. Suponha que queiramos saber a probabilidade de ocorrência do número cinco em um jogo de dados honesto. Veja que os resultados possíveis em um jogo de dados são { }1,2,3,4,5,6S = , esse conjunto de possibilidades é denominado espaço amostral. Considerando que o nosso evento é representado por { }5A = , a proba- bilidade de ocorrência desse evento é: 1 0,167 16,67%. 6 A S = = = Onde A é a cardinalidade do conjunto A, ou o tamanho desse conjunto. Por tamanho de conjunto estamos nos referindo à quantidade de elementos que ele con- tém. Veja que a probabilidade pode ser expressa de três formas; como uma fração 1 6 , como um fator ( )0,167 ou como porcentagem ( )16,67% . Considere agora que queremos saber a probabilidade de, em um jogo de mo- edas e de dados, ocorrer cara e o número três, respectivamente, em cada tipo de jogo. Primeiro, precisamos definir nosso espaço amostral. Seja k cara= e c coroa= , assim, nosso espaço amostral é { }1, 2, 3, 4, 5, 6, 1, 2, 3, 4, 5, 6S k k k k k k c c c c c c= . Essa representação considera o resultado do jogo da moeda associado com o resul- tado do jogo de dado, por exemplo, 5k representa o resultado cara, para o jogo da moeda, e 5, para o jogo do dado. Como nosso evento é { }3A k= , temos: 1 0,08 8,33%. 12 A S = = = Na próxima seção, estudaremos a utilização da probabilidade para auxiliar na tomada de decisão, por meio da análise de decisão bayesiana. Exemplo de Aplicação Para ilustrar a análise de decisão bayesiana vamos considerar um exemplo prático, o qual é uma adaptação da aplicação apresentada por Goldschmidt (1970). Uma grande rede de lojas de calçados masculinos decidiu abrir uma filial em uma grande cidade. Para o cargo de gerente da nova loja, os diretores da rede consideram a aplicação de um teste que foi especialmente desenvolvido por uma consultoria da área. A aplicação do teste, para a admissão do novo gerente, terá um custo total estimado em R$ 5.000,00 e alguns membros da diretoria são contrários a assumir esse custo e defendem que o novo gerente seja contratado sem a aplicação do teste. Após um período de discussão sobre o problema, ficou decidido que, caso o teste fosse aplicado, os candidatos com um conceito final (N ) maior ou igual a 100 formariam um primeiro grupo de seleção para a vaga de gerente na nova loja, e os candidatos com conceito menor que 100 formariam um segundo grupo. Além disso, 9 UNIDADE Teoria da Decisão a diretoria verificou que havia outras lojas do grupo que optaram pela realização do teste, conseguiram levantar os dados de vendas dessas lojas e correlacioná-los com o conceito do respectivo gerente. Assim, a Tabela 1 apresenta os resultados dessa análise de correlação entre conceito (N ) e volume de vendas. Tabela 1 - Correlação entre o volume de vendas nas lojas do grupo e seu respectivo gerente Volume de vendas Percentual de gerentes com N ≥ 100 Alto 100% Médio 60% Baixo 0% Ainda de acordo com os dados históricos, a diretoria verificou que, caso a contra- tação do novo gerente fosse feita sem a aplicação do teste de seleção, as probabilida- des de ocorrência de cada um dos volumes de vendas (alto, médio ou baixo) seriam equivalentes, então estabeleceram que o volume de vendas seria considerado alto se fossem vendidos 160 pares de sapatos por mês. Caso a venda mensal fosse em torno de 100 pares, o volume de vendas seria considerado médio e 40 pares definiria um baixo volume de vendas. O preço médio de cada par de sapatos é de R$ 500,00, e estima-se que o custo mensal com a contratação será de R$ 12.000,00. Uma árvore de decisão é um modelo probabilístico utilizado para a representação gráfica das opções existentes em determinado problema e de uma probabilidade asso- ciada a cada opção. Nesse contexto, cada “ramo” de uma árvore de decisão representa uma das opções possíveis e, a partir da seleção de um dos ramos, podemos ter outros desdobramentos que indicam novas opções possíveis. A Figura 1 apresenta a árvore de decisão que descreve as opções de escolha para o problema descrito. R$ 80.000,00 R$ 50.000,00 R$ 20.000,00 R$ 0,00 R$ 80.000,00 R$ 50.000,00 R$ 20.000,00 R$ 0,00 R$ 80.000,00 R$ 12.00 0,00A dmitir Admitir Admitir Alto Aplic ar N ≥ 1 00 N < 100 Não Admitir Não Admitir Não Admitir Não Aplicar R$ 12.00 0,00R$ 5 .000 ,00 R$ 12.00 0,00 1/3 1/3 1/3 R$ 50.000,00 R$ 20.000,00 R$ 0,00 Médio Baixo Alto Médio Baixo Alto Médio Baixo Figura 1 – Árvore de decisão para o problema da loja de sapatos. Os losangos indicam pontos de decisão e os círculos representam eventos Fonte: Adaptado de GOLDSCHMIDT (1970) Veja que, inicialmente, há um ponto de decisão que é representado pelo primeiro losango à esquerda na Figura 1; nesse caso, a escolha deve ser feita entre a opção de 10 11 aplicar o teste ou não. Caso a opção seja por aplicar o teste, há o custode R$ 5.000,00 dessa aplicação, o qual é representado na árvore de decisão destacado em vermelho. Por outro lado, se optarmos por não aplicar o teste, não haverá esse custo. Seguindo da esquerda para a direita na árvore de decisão, observamos um evento, representado por um círculo na figura, para o qual há uma distinção entre o grupo de candidatos a gerente que obtiveram a nota 100N ≥ no teste e os demais. A partir des- se ponto, há outros pontos de decisão que representam a mesma escolha em ramos diferentes da árvore. A escolha, nesse caso, é de admitir ou não o gerente para a nova loja. Note que, para o caso de não admissão, o valor do faturamento da loja é zero, pois assumimos que sem a figura do gerente não haverá vendas. Independentemente do ramo que seja seguido na árvore, a opção pela admissão do gerente representará um custo mensal de R$ 12.000,00, o qual é destacado, na figura, em vermelho. Note que todos os valores em vermelho definem um desembolso. O último evento representado nos diferentes ramos da árvore refere-se ao volume de vendas previsto. Esses volumes podem ser altos, médios ou baixos. Os valores que correspondem ao faturamento para os respectivos volumes de vendas são representa- dos, na cor azul, à direita da Figura 1. O cálculo para a obtenção desses valores é feito considerando o volume de vendas previsto multiplicado pelo valor médio de cada par de sapatos. Assim, teremos os seguintes montantes para cada volume de venda: :1 60 * 500 80000volume alto = :100 * 500 50000volume médio = : 40 * 500 20000volume baixo = A árvore de decisão necessita de uma informação adicional para que possa ser considerada de forma efetiva. Nesse contexto, é preciso que tenhamos uma estima- tiva da probabilidade de ocorrência de cada um dos ramos possíveis. A descrição do problema evidencia que, para o caso em que admitimos um gerente sem a aplicação do teste, as probabilidades de ocorrência para cada um dos três volumes de vendas são as mesmas, ou seja, 1 3 (podemos interpretar como sendo uma ocorrência em três possíveis). Esses valores são representados, na Figura 1, na cor verde. Essas pro- babilidades não são válidas para os demais ramos, nos quais optamos pela realização do teste. Nesses casos, a probabilidade deve ser calculada. A escolha de realizar o teste aos candidatos à vaga de gerente nos traz uma infor- mação adicional que pode alterar o espaço amostral no qual estamos trabalhando. Assim, vamos utilizar o teorema de Bayes para calcular a probabilidade condicional de um candidato que tenha 100N ≥ , dado o volume de vendas. A fórmula do teorema de Bayes tem a seguinte forma geral: ( ) ( ) ( ) ( ) ( )1 | * | | * i i i n j jj P A B P B P B A P A B P B = = ∑ 11 UNIDADE Teoria da Decisão Assim, o cálculo da probDar espaçoabilidade de o volume de vendas ser alto, dado que o candidato tenha obtido 100N ≥ no teste, será: ( ) ( ) ( )( ) ( ) ( ) ( ) ( ) ( ) 100| * | 100 100| * 100| * 100| * P N A P A P A N P N A P A P N M P M P N B P B ≥ ≥ = ≥ + ≥ + ≥ Essa equação demonstra o cálculo da probabilidade de o volume de vendas ser alto, dado que o gerente obteve nota maior ou igual a 100 ( ( | 100)P A N ≥ ). Assim, o teorema de Bayes descreve essa probabilidade como a razão entre a probabilidade de o gerente ter obtido nota maior ou igual a 100, dado que as vendas foram altas, e a soma dos pro- dutos das probabilidades de o gerente ter obtido nota maior ou igual a 100, dado que os volumes de vendas foram alto, médio e baixo, respectivamente, e a probabilidade a priori de cada volume de vendas. Aplicando o teorema para calcular a probabilidade de o volume de vendas ser alto ( ( )P A ), dado que 100N ≥ , temos o seguinte: ( ) 11* 53| 100 1 1 1 81* 0,6* 0* 3 3 3 P A N ≥ = = + + Nesse mesmo sentido, a probabilidade de o volume de vendas ser médio ( )( )P M , dado que 100N ≥ , é: ( ) 10,6* 33| 100 1 1 1 81* 0,6* 0* 3 3 3 P M N ≥ = = + + Finalmente, a probabilidade de o volume de vendas ser baixo ( ( )P B ), dado que 100N ≥ , é: ( ) 10* 3| 100 0 1 1 11* 0,6* 0* 3 3 3 P B N ≥ = = + + A aplicação do teorema de Bayes para calcular a probabilidade do volume de vendas, dado que o gerente teve a nota de teste menor que 100, segue a mesma lógica utilizada para os cálculos anteriores. Assim, as probabilidades calculadas serão as seguintes: ( )| 100 0P A N < = 12 13 ( ) 2| 100 7 P M N < = ( ) 5| 100 7 P B N < = Note que, em ambos os casos, a soma das probabilidades é sempre igual a 1. As probabilidades de ocorrência estão associadas com os eventos na árvore de decisão. Cada evento tem uma chance de ocorrer, a qual é representada pela proba- bilidade. Anteriormente, calculamos as probabilidades para representar as chances de ocorrência dos eventos relacionados com os volumes de vendas. Há, também, a necessidade de se calcular as chances do evento relacionado com a nota do teste. Nesse caso, a probabilidade relacionada com o evento da nota ( ( )100P N ≥ ) é obtida por meio do produto da probabilidade a priori de cada evento de venda e a probabi- lidade a posteriori de cada evento de venda. Por exemplo, a probabilidade de vendas altas sem a aplicação do teste é ( ) 1 3 P A = e a probabilidade de um gerente que tem nota maior ou igual a 100, dado que as vendas foram altas, é ( 100 | ) 1.P N A≥ = Nesse contexto, a probabilidade conjunta dos eventos considerados é: ( ) ( ) 1 1100| * 1* 3 3 P N A P A≥ = = A somatória das probabilidades conjuntas dos eventos A, B e C resultará na pro- babilidade marginal do evento ( )100P N ≥ , conforme descrito na Tabela 2. Tabela 2 – Cálculo da probabilidade marginal para o evento de teste P (A) P (M) P (B) Probabilidade Marginal ( )100P N ≥ 1 11* 3 3 = 1 10,6* 3 5 = 10* 0 3 = 8 15 ( )100P N < 10* 0 3 = 1 20,4* 3 15 = 11* 1 3 = 7 15 Probabilidade a priori 1 3 1 3 1 3 1 Fonte: GOLDSCHMIDT (1970) A probabilidade marginal é calculada por meio da somatória das probabilidades conjuntas. Note que, para ( 100)P N < , consideramos o complemento da probabilida- de a posteriori de cada evento. A Figura 2 apresenta a árvore de decisão, referente ao nosso problema, com a representação das probabilidades associadas aos eventos e os valores esperados para cada ponto de decisão. 13 UNIDADE Teoria da Decisão R$ 68.750,00 R$ 56.750,00 R$ 30.266,00 R$ 7.733,00 R$ 16.571,00 R$ 28.571,00 R$ 38.000,00 R$ 50.000,00 R$ 20.000,00 R$ 0,00 R$ 80.000,00 R$ 50.000,00 R$ 20.000,00 R$ 0,00 R$ 80.000,00 R$ 12.00 0,00A dmitir Admitir Admitir Alto Aplic ar N ≥ 1 00 N < 100 Não Admitir Não Admitir Não Admitir Não Aplicar R$ 12.00 0,00R$ 5 .000 ,00 R$ 12.00 0,00 1/3 1/3 1/3 0 2/7 5/7 7/15 8/15 5/8 3/8 0 R$ 50.000,00 R$ 20.000,00 R$ 0,00 Médio Baixo Alto Médio Baixo Alto Médio Baixo Figura 2 – Árvore de decisão para o problema da loja de sapatos. As probabilidades são representadas em verde e os valores internos referem-se ao faturamento esperado Fonte: Adaptado de GOLDSCHMIDT (1970) Vamos analisar a árvore de decisão, na Figura 2, a partir dos ramos superiores. O evento referente à expectativa do volume de vendas é calculado pela média pon- derada de cada volume e sua probabilidade associada. Assim, o volume de vendas esperado nesse ramo da árvore é: ( )5 3*80000 *50000 0*20000 68750 8 8 + + = Esse valor não considera o custo da admissão do gerente, que é de R$ 12.000,00, o qual deve ser descontado, o que resultará no valor de R$ 56.750,00 de faturamento esperado no caso de admitirmos um gerente com 100N ≥ . Veja que a probabilidade marginal associada ao evento de contratar um gerente com 100N ≥ é de 8 15 , assim, temos que multiplicar essa probabilidade pelo faturamento esperado, da seguinte forma: 8 *56750 30266. 15 = Além disso, temos que descontar o custo da aplicação da prova, que é de R$ 5.000,00,o que nos fará chegar à conclusão de que, se admitirmos um gerente que realizou a avaliação e obteve uma nota maior ou igual a 100, nós teremos um faturamento esperado de R$ 25.266,00. Considerando o mesmo procedimento para o evento do volume de vendas, no qual o gerente obteve uma nota inferior a 100, teremos o seguinte: ( ) 2 50*80000 *50000 *20000 28571 7 7 + + = 14 15 Realizando o desconto referente ao custo do processo de admissão de R$ 12.000,00, teremos um valor de R$ 16.571,00. Considerando, ainda, a probabi- lidade marginal desse evento, temos: 7 *16571 7733 15 = Por fim, descontando o custo da aplicação da prova, resta-nos um valor de R$ 2.733,00 que corresponde ao faturamento esperado no caso de admitirmos um gerente que realizou a avaliação e obteve uma nota inferior a 100. Finalmente, vamos realizar a mesma análise para o caso no qual admitiremos um gerente sem a aplicação da avaliação. O faturamento esperado é dado por: 1 1 1*80000 *50000 *0 50000 3 3 3 + + = Descontando o custo de admissão de R$ 12.000,00, restará o valor de R$ 38.000,00. Como não temos o custo da avaliação para esse caso, esse valor corresponde à expectativa de faturamento se ocorre de admitirmos um gerente sem a aplicação da avaliação. Observe que os ramos na árvore que representam os casos nos quais não houve a admissão do gerente para a nova loja de sapatos foram desconsiderados. Esses ramos nos levam a uma expectativa de faturamento igual a zero, o que corresponde à não realização de vendas devido à ausência de gerente. De acordo com os resultados analisados na árvore de decisão, temos que a opção que resultará em um maior faturamento mensal médio é a contratação de um gerente para a nova loja sem a aplicação da avaliação. Essa opção resultará em um faturamento de R$ 38.000,00, valor que é superior aos associados às outras opções (R$ 25.266,00 e R$ 2.733,00). Análise de Decisão Multicritério Os nossos estudos foram desenvolvidos sobre os principais temas voltados para a tomada de decisão, mais especificamente, consideramos métodos quantitativos para a modelagem e a seleção das melhores alternativas. Nesta seção, consideraremos uma abordagem menos matemática e mais gerencial. Trata-se do método denominado Análise de Decisão Multicritério. Nesse contexto, esse método busca fornecer uma abordagem mais simples para o tratamento de problemas complexos, sem que haja detrimento da eficácia e da eficiência na busca pelos resultados ótimos. A Teoria da Decisão, a qual é o tema central nesta unidade, descreve diferentes ele- mentos que são pertinentes ao processo decisório. O elemento central nesse processo 15 UNIDADE Teoria da Decisão é o tomador de decisão, que pode ser um único indivíduo ou um grupo. Além do tomador de decisão, há sempre a alternativa mais viável, por meio da qual obteremos a melhor solução para o nosso problema. Outro elemento importante é o cenário (contexto) no qual a decisão está sendo tomada. Esse cenário, comumente, é uma visão de futuro no qual se considera os impactos da decisão. A avaliação da alternativa selecionada é feita por meio de um critério específico que indicará o quão viável é a alternativa escolhida. O critério é quantificado por meio de um atributo, que é um valor de desempenho associado. Por fim, uma tabela de pagamentos mapeia os valores esperados como retorno das diferentes alternativas. Considere um exemplo no qual você precisa decidir entre quatro alternativas de investimento. Nesse contexto, o seu consultor financeiro estabeleceu três cenários distintos, os quais descrevem (i) a queda, (ii) a manutenção ou (iii) o aumento da taxa de juros atual. Além disso, o consultor estimou uma probabilidade de ocorrência para cada cenário, sendo 10%, 60% e 30%, respectivamente. Os ganhos esperados para cada uma das alternativas são descritos na Tabela 3. Tabela 3 – Pagamentos com o mapeamento dos ganhos esperados em cada uma das alternativas consideradas Alternativas Cenários 10% 60% 30% 1 R$ 1.000,00 R$ 1.200,00 R$ 1.500,00 2 R$ 950,00 R$ 1.300,00 R$ 1.600,00 3 R$ 800,00 R$ 1.200,00 R$ 1.650,00 4 R$ 650,00 R$900,00 R$ 1 .720,00 Fonte: Adaptado de COSTA (2002) O exemplo, anteriormente apresentado, pode ser detalhado por meio dos ele- mentos da Teoria da Decisão: • Tomador de decisão: você, leitor; • Alternativa mais viável: é a solução buscada para o problema; • Cenário: as variações futuras da taxa de juros; • Critério: o maior ganho possível; • Atributo: dinheiro, unidade financeira; • Tabela de pagamentos: descrita na Tabela 3. A análise multicritério, como o próprio nome se refere, aborda a solução de proble- mas de decisão por meio de diferentes critérios. Nesse sentido, a análise multicritério é composta por um objetivo (identificar a alternativa mais adequada), um conjunto de cri- térios e um conjunto de alternativas, todos esses elementos estão associados e formam um hierarquia de possibilidades. Assim, as análises podem ser conduzidas por meio da avaliação do desempenho das alternativas, de acordo com os critérios estabelecidos, e pela avaliação da importância dos critérios, em função do objetivo pretendido. 16 17 Uma especialização da análise multicritério é denominada Método da Análise Hierárquica, que tem por objetivo a seleção de alternativas em um processo decisó- rio no qual haja distintos critérios de avaliação. O modelamento do problema é feito por meio da estruturação de uma hierarquia em camadas que definem: (i) o objetivo, (ii) os critérios e (iii) as alternativas. Considere um exemplo de problema no qual queremos realizar a compra de um automóvel, esse é o nosso objetivo na hierarquia. Temos como critérios: (a) o custo de aquisição, (b) o custo de manutenção, (c) o conforto, (d) o prestígio que o carro nos trará e (e) o desempenho. Suponha que, nesse exemplo, tenhamos subcritérios que nos ajudem a definir os critérios. Assim, os subcritérios para cada critério são: (a1) o preço, (a2) a forma de pagamento, (b1) o custo dos serviços, (b2) o custo das peças, (c1) a dirigibilidade, (c2) o espaço interno, (e1) a potência e (e2) a velocidade. Considere, também, que temos três alternativas de carros; A1, A2 e A3. Objetivo Aquisição de um automóvel (A1) (a) (a1) (a2) (b1) (b2) (c1) (c2) (e1) (e2) (b) (c) (d) (e) (A2) (A3) Critérios Subcritérios Alternativas Figura 3 – Hierarquia com duas camadas de critérios Fonte: Adaptado de COSTA (2002) A Figura 3 apresenta o esquema hierárquico que modela o problema da escolha de um automóvel para aquisição. Nessa representação podemos identificar os princi- pais elementos para a construção da hierarquia. O primeiro elemento considerado é denominado de foco principal, que, no nosso exemplo, é definido como a aquisição de um automóvel. Outro elemento importante é o conjunto de alternativas viáveis que descreve as opções sobre as quais realizaremos a nossa escolha, e no exemplo as alternativas são os três automóveis que são disponíveis para a aquisição. O último elemento da hierarquia é o conjunto de critérios. Esse último elemento tem por obje- tivo descrever, de maneira mais detalhada, os atributos associados às alternativas, de modo que possam facilitar a avaliação do seu desempenho. As características mais importantes referentes aos critérios são: (i) a completude, que garante que todas as propriedades importantes estão consideradas, (ii) a minimização, não permitindo a ocorrência de redundância, e (iii) a operacionalidade, que garante a fácil compreen- são dos critérios pelo tomador de decisão. O elemento da hierarquia que se refere aos critérios pode ser desdobrado em di- versos níveis. Note que o exemplo apresentado na Figura 3 considera dois níveis de critérios. A quantidade de níveis utilizada é definida a partir do grau de complexidade do contexto da decisão. Quanto maior a complexidade, maior deve ser o número de camadas de critérios.17 UNIDADE Teoria da Decisão O processo de seleção da melhor alternativa é feito por meio da comparação, par a par, dos elementos de uma camada da hierarquia com os elementos da camada supe- rior. Desse modo, faremos a comparação entre os desempenhos dos automóveis A1 e A2 nos elementos adjacentes, que são os subcritérios da camada superior. Em outras palavras, avaliaremos qual dos veículos apresenta o melhor preço, a melhor forma de pagamento, o melhor custo de manutenção, assim por diante. Note que devemos fazer a avaliação entre (A1 e A2), (A1 e A3) e (A2 e A3), assim, teremos um cenário comparativo entre todas as alternativas possíveis, segundo os subcritérios desejados. O mesmo processo de avaliação pareada deve ser realizado entre as camadas dos subcritérios e dos critérios. Nesse caso, estamos interessados em estabelecer quais subcritérios são mais importantes para o respectivo critério. Por exemplo, vamos analisar os subcritérios preço e forma de pagamento e julgar qual deles é mais importante para o critério custo de aquisição. O objetivo aqui é estabelecer uma importância relativa para os subcritérios por meio do seu impacto no critério. Para a camada dos critérios, faremos a avaliação pareada de acordo com o nosso foco principal. Considere, por exemplo, os critérios custo de aquisição e custo de manutenção. O objetivo é avaliar qual desses dois critérios é mais impactante no foco principal, que é a aquisição de um automóvel. Essa avalição deve ser feita para todos os pares de critérios. A avaliação descrita aqui é qualitativa, ou seja, estamos estabelecendo valores não numéricos para a diferenciação entre os elementos da hierarquia. Desse modo, podemos considerar diferentes escalas para a designação de valores que diferenciem os elementos, par a par. Uma escala possível de se utilizar é composta por cinco diferentes graus de importância: (i) igual, (ii) moderada, (iii) forte, (iv) muito forte e (v) extrema. A utilização dessa escala é feita de acordo com o seguinte exemplo: o tomador de decisão pode avaliar que o automóvel A1 tem um desempenho igual ao A2, quando estamos considerando o subcritério preço. Ou, ainda, pode-se conside- rar que a importância do subcritério espaço interno é muito forte quando compa- rado com o subcritério dirigibilidade, considerando-se o critério conforto. A coleta dos dados de avaliação dos elementos da hierarquia pode ser feita por meio de formulários que avaliam pares de elementos no mesmo nível na hierarquia sob a ótica de um elemento no nível superior. Os tomadores de decisão devem ser indivíduos que tenham um bom nível de conhecimento a respeito daquilo que se pretende julgar. O próximo passo para a escolha da melhor opção, segundo o método da análise hierárquica, é o estabelecimento de valores (escala quantitativa) associados aos graus de importância (escala qualitativa). Podemos considerar a correlação entre as escalas de acordo com o apresentado na Tabela 4. 18 19 Tabela 4 – Correlação entre as escalas qualitativa e quantitativa Escala qualitativa Escala quantitativa Importância igual 1 Importância moderada 3 Importância forte 5 Importância muito forte 7 Importância extrema 9 Fonte: Adaptado de COSTA (2002) Os resultados das avaliações pareadas são utilizados para a representação de tabelas onde os respectivos valores quantitativos são apresentados. Trata-se de representação de uma matriz recíproca, na qual as interseções entre linha e coluna contêm os valores do julgamento. Veja na Tabela 5 os resultados para a avaliação pareada dos critérios em função do objetivo. Tabela 5 – Matriz recíproca para a avaliação dos critérios em função do foco principal Foco principal (a) (b) (c) (d) (e) Custo de aquisição (a) 1 5 3 9 1/2 Custo de manutenção (b) 1/5 1 3 1/5 1/2 Conforto (c) 1/3 1/3 1 3 2 Prestígio (d) 1/9 5 1/3 1 1/3 Desempenho (e) 2 2 1/2 3 1 Fonte: Adaptado de COSTA (2002) O preenchimento da Tabela 5 considera os resultados das avaliações pareadas. Por exemplo, na avaliação entre o custo de aquisição (a) e o custo de manutenção (b), con- siderou-se que o primeiro tem uma importância forte em relação ao segundo, assim, a nota respectiva foi 5. Veja que, se invertemos a avaliação desses critérios, ou seja, o custo de manutenção (b) comparado com o custo de aquisição (a), o valor preenchido na célula é uma fração onde o denominador é igual à nota para os critérios na ordem inversa, e o numerador é igual a um (1/5). Essa característica é inerente às matrizes recíprocas. Veja também que nas células que estão na interseção do mesmo critério o valor preenchido é igual a 1, ou seja, se o critério é o mesmo, a importância é igual. A construção das matrizes recíprocas deve ser feita para todos os elementos nos níveis da hierarquia. A Figura 4 apresenta as matrizes para a avaliação dos subcrité- rios, de acordo com cada critério. Veja que o “prestígio” não apresenta subcritérios, assim, avaliamos as alternativas (A1, A2 e A3) segundo esse critério, visto que na hierarquia esses elementos são adja- centes. As alternativas, no último nível da hierarquia, devem ser avaliadas de acordo com cada subcritério no nível superior, de maneira similar àquela considerada para o critério prestígio. 19 UNIDADE Teoria da Decisão Custo de aquisição (a) Preço (a1) Forma de pagamento (a2) (a1) 1 1 5 1/5 (a2) Prestígio (d) A1 A2 A3 A3A1 1 1 1 3 1/3 1/3 1/5 35 A2 Desempenho (e) Potência (e1) Velocidade (e2) (e1) 1 1 3 1/3 (e2) Custo de manutenção (b) Custo de serviços (b1) Custo de peças (b2) (b1) 1 1 1/3 3 (b2) Conforto (c) Dirigibilidade (c1) Espaço (c2) (c1) 1 1 1/3 3 (c2) Figura 4 – Matrizes recíprocas para avaliação dos subcritérios em função dos respectivos critérios Fonte: adaptado de COSTA (2002) O passo seguinte do processo de avaliação consiste em normalizar os valores das tabelas. Essa normalização é feita dividindo os valores das células de cada colu- na pela somatória desses valores nas respectivas colunas. Vamos considerar, como exemplo, a Tabela 5. Primeiro, calculamos a somatória de todas as colunas, assim, para a coluna (a) temos: 1 1 11 2 3,64 5 3 9 + + + + = . A seguir, dividimos cada valor da coluna pela somatória calculada: 1 3,64 0,27÷ = 1 3,64 0,05 5 ÷ = 1 3,64 0,09 3 ÷ = 1 3,64 0,03 9 ÷ = 2 3,64 0,55.÷ = Esses valores normalizados devem substituir os valores originais nas células. A Tabela 6 apresenta a matriz recíproca normalizada. Tabela 6 – Matriz recíproca normalizada para a avaliação dos critérios em função do foco principal Foco principal (a) (b) (c) (d) (e) Custo de aquisição (a) 0,27 0,38 0,38 0,56 0,12 Custo de manutenção (b) 0,05 0,08 0,38 0,01 0,12 Conforto (c) 0,09 0,03 0,13 0,19 0,46 Prestígio (d) 0,03 0,38 0,04 0,06 0,08 Desempenho (e) 0,55 0,15 0,06 0,19 0,23 Fonte: Adaptado de COSTA (2002) Após a normalização de todas as matrizes recíprocas, o próximo passo é o cálculo das médias locais (ML) para cada uma das linhas da matriz. O cálculo das ML é feito a 20 21 partir da soma de todos os valores das linhas dividido pelo número de valores. Assim, as ML para as linhas na Tabela 6 são: ( )0,27 0,38 0,38 0,56 0,12 5 0,34+ + + + ÷ = ( )0,05 0,08 0,38 0,01 0,12 5 0,13+ + + + ÷ = ( )0,09 0,03 0,13 0,19 0,46 5 0,18+ + + + ÷ = ( )0,03 0,38 0,04 0,06 0,08 5 0,12+ + + + ÷ = ( )0,55 0,15 0,06 0,19 0,23 5 0, 24+ + + + ÷ = As ML calculadas definem um vetor de prioridades para cada elemento na ma- triz. Assim, a média local para os critérios, de acordo com foco principal, é o vetor: [ ]0,34; 0,13; 0,18; 0,12; 0, 24Foco PrincipalML = . Veja que cada elemento no vetor repre- senta a ML de um dos critérios avaliados. Dizemos que esses valores representam a prioridade de escolha dentre os critérios. O último passo para a seleção das alternativas, de acordo com a hierarquia esta- belecida pelo foco principal e pelos critérios de seleção, é o cálculo da média global (MG). Nesse sentido,vamos considerar uma simplificação do exemplo anterior, com o objetivo de ilustrar de forma mais simples o cálculo e a interpretação das MG. Considere a Figura 5, que apresenta uma hierarquia com uma única camada de cri- térios e as respectivas ML calculadas. Note que temos quatro critérios na hierarquia da Figura 5 e três alternativas. Os valo- res acima dos critérios formam o vetor de priorização (ML), os quais indicam qual dos critérios deve ser escolhido em função da ML. Nesse caso, o critério (b) é o que apresenta a maior ML (0,45). Lembrando que esses valores são resultado da avaliação pareada dos critérios tendo em vista o foco principal. Abaixo de cada critério há o respectivo vetor de ML das alternativas. Assim, as cores que destacam os valores representam uma das três alternativas. Poderíamos interpretar esses valores da seguinte forma: sob a ótica do critério (a), a alternativa com maior prioridade (ML = 0,6) é A3. 0,09 0,45 0,06 0,22 Foco PrincipalObjetivo ML Critérios Alternativas ML (A1) 0,1 ; 0,3 ; 0,6 0,5 ; 0,3 ; 0,2 0,4 ; 0,3 ; 0,2 0,6 ; 0,1 ; 0,3 (a) (b) (c) (d) (A2) (A3) Figura 5 – Hierarquia com uma única camada de critérios e os respectivos vetores de priorização Fonte: Adaptado de COSTA (2002) 21 UNIDADE Teoria da Decisão As ML não permitem que escolhamos uma das alternativas, pois não descrevem as prioridades de maneira global. Assim, a MG nos revelará uma prioridade, obtida a partir das ML, de modo a permitir a priorização. O cálculo da MG é feito por meio da soma dos produtos das ML em todos os níveis. Por exemplo, a MG de A1 será: ( ) ( ) ( ) ( ) 1 0,09*0,1 0,45*0,5 0,06*0,4 0,22*0,6 0,39AMG = + + + = Veja que multiplicamos a ML de (a) pela ML de A1 nos quatro vetores (valores em azul). Para o cálculo da MG de A2, o procedimento é o mesmo: ( ) ( ) ( ) ( ) 2 0,09*0,3 0,45*0,3 0,06*0,3 0,22*0,1 0,20AMG = + + + = Analogamente, a MG de A3 é: ( ) ( ) ( ) ( ) 3 0,09*0,6 0,45*0,2 0,06*0,2 0,22*0,3 0,22AMG = + + + = A representação das MG calculadas também é feita na forma de um vetor de prio- ridade: [ ]0,39; 0, 20; 0, 22MG = , esses valores referem-se às prioridades para cada alternativa, sob a ótica do foco principal. Assim, para esse exemplo, selecionaríamos a alternativa A1, cuja 0,39MG = é a maior dentre as demais MG. 22 23 Material Complementar Indicações para saber mais sobre os assuntos abordados nesta Unidade: Vídeos Probabilidade: Conceitos Básicos O professor Paulo Pereira explica, no vídeo, os conceitos básicos de probabilidade, com experimentos aleatórios e determinísticos, Espaço Amostral e Eventos. https://youtu.be/8g571hUvgeo Teorema de Bayes – Características (Probabilidade a Priori, Condicional e Conjunta) No vídeo, você conhecerá melhor o Teorema de Bayes, explicando sobre probabilidade a priori, probabilidade condicional, probabilidade conjunta e probabilidade a posteriori. https://youtu.be/78R1yNVGnSk Árvore de Decisão: método simplificado Aprenda uma maneira simplificada para aplicar a árvore de decisão em casos reais. https://youtu.be/dJxHpfZx__U AHP: Analytic Hierarchy Process Veja mais sobre o método de análise hierárquica no vídeo com explicações do professor Aneirson Silva, que traz a história do método, contextualização, aplicação, entre outros. https://youtu.be/da29aL_2Nio 23 UNIDADE Teoria da Decisão Referências ANDRADE, E. L. Introdução à pesquisa operacional: métodos e modelos para a análise de decisão. 4. ed. Rio de Janeiro: LTC, 2011. COSTA, H. G. Introdução ao método de análise hierárquica: análise multicritério no auxílio à decisão. Niterói: HGC, 2002. GOLDSCHMIDT, P. C. A teoria da decisão bayesiana na estratégia mercadológica. Revista de Administração de Empresas, v. 10, n. 1, p. 65-77, 1970. 24
Compartilhar