Baixe o app para aproveitar ainda mais
Prévia do material em texto
1 ANÁLISE DA DECISÃO DEP-CTG-UFPE Probabilidade Condicional – Probabilidade � Estado da Informação disponível – Quando o estado da informação é modificado por outro acontecimento – Notação: � P(A|B) - Probabilidade de A dado que B ocorreu Probabilidade Condicional – Definição – Regra do Produto P(A ∩ B) = P(A).P(B|A) = P(B).P(A|B) – Regra do Produto Generalizada P(A1 ∩A2 ∩ ... ∩ An) = P(A1).P(A2|A1) ...P(An|A1∩A3....∩An-1) 0)(,)( )()|( ≠∩= BP BP BAPBAP 0)(,)( )()|( ≠∩= AP AP BAPABP Eventos Independentes – Se dois eventos são independentes, então a probabilidade condicionada é igual à probabilidade não condicionada. � P(A|B)=P(A). Assim, P(A ∩ B) = P(A).P(B), o que não implica em A ∩ B = φ – A independência é função do estado da informação. Alterando o estado da informação os eventos poderão deixar de ser independentes. � Se P(A|B)=P(A) não se conclui que P(A| B∩C) e P(A|C) também sejam iguais a P(A) – Eventos são independentes se tanto a ocorrência de um evento como sua não ocorrência não altera a probabilidade do outro evento � Se A e B são independentes, então A e Bc, Ac e B, Ac e Bc também o são Exemplo – Num lote de 12 peças, 4 são defeituosas. Três peças são retiradas uma após a outra, ao acaso. Encontre a probabilidade (p) de todas essas três peças serem perfeitas. – Solução: � Eventos: D - Defeituosa ou P - Perfeita � A prob. da 1ª ser P é 8/12. Se a 1ª é P, a prob. da 2ª ser P é 7/11. Se as duas primeiras são P, a prob. da 3ª ser P é 6/10. � Pela regra do produto: P(A1∩A2∩A3)=P(A1).P(A2|A1) P(A3|A1∩A2) � Encontrando a probabilidade desejada p = (8/12).(7/11).(6/10)=(14/55) ≅ 25% Lei da Probabilidade Total A1 A2 A4 An A 3 ............. B U ⇒∩= = )( 1 U n i i BAB ∑ = ∩= n i i BAPBP 1 )()( ∑ = ⋅= n i ii ABPAPBP 1 )|()()( 2 Teorema de Bayes – Seja P(A1), P(A2),..., P(An) uma distribuição de probabilidade sobre {Ak}, k=1,2,...,n. – Se B ocorrer então P(A1|B), P(A2|B),..., P(An|B) é uma distribuição de probabilidade dos Ak condicionada à ocorrência de B )|()( )|()( )( )()|( 1 ∑ = ⋅ ⋅ = ∩ = n i ii kkk k ABPAP ABPAP BP BAPBAP Exemplo – Suponha que a colheita de uma safra de milho durante o mês maio poderá ser afetada pelo clima durante este período. A partir de registros históricos na empresa, tem-se que em 0,3% das vezes a colheita foi danificada pelo clima. Mesmo assim, um centro de meteorologia, que fornece previsões com uma confiabilidade de acerto de 95%, foi consultado. O relatório para o mês em questão indicou a ocorrência de fortes chuvas neste ano, que certamente prejudicariam significativamente a plantação. Exemplo – Qual a probabilidade da colheita ser afetada pelo clima neste ano? – A: O clima a ser observado (fato) A: chove, AC: não chove – B: Resultado do relatório (informação) B: indica que vai chover, BC: indica que não vai chover – P(B/A)=P(BC/AC)=0,95 � Probabilidade de acerto – P(BC/A)=P(B/AC)=0,05 � Probabilidade de erro Exemplo 05,0)997,0()05,0()003,0()95,0( )003,0()95,0()|( ≈ ⋅+⋅ ⋅ =BAP A AC P(A) 0,003 0,997 Exemplo 68,0)9,0()05,0()1,0()95,0( )1,0()95,0()|( ≈ ⋅+⋅ ⋅ =BAP A AC P(A) 0,1 0,9 Tipos de problemas de decisão � Sem experimentação (Sem dados) – Não é possível obter alguma informação que permita aprimorar o conhecimento sobre o estado da natureza � Com experimentação (Com dados) – Antes de se tomar uma ação, é possível coletar uma observação que permita conhecer melhor o estado da natureza 3 Observações: x � Observações = Dados = Informações � Guardam uma relação (probabilística) com os estados da natureza � A importância das observações deve-se à impossibilidade de se conhecer o estado da natureza diretamente Função de verossimilhança: P(x|θ) � Verossimilhança = Parece com a Verdade � Função de distribuição de probabilidade condicional � Representa o “canal de comunicação” com a natureza � Observações como consequência probabilística do verdadeiro estado da natureza Regras de decisão � Procedimento para a tomada de decisão quando há disponibilidade de dados sobre os estados da natureza � Indicam como as observações conduzem à escolha das respectivas alternativas de ação � Ação adotada de acordo com a observação Mudança de paradigma � Escolha Ação � Regra de decisão (sem dados) (com dados) Abordagem Bayesiana � Argumentação a partir dos eventos observados e das probabilidades das causas � Permite atualizar o conhecimento que se dispõe sobre os estados da natureza, denominado de conhecimento a priori, para um conhecimento que considere as novas evidências, denominado de conhecimento a posteriori, a partir de novas informações (experimentações) Distribuições de Probabilidade � Probabilidades prévias: π(θ) – Representam o conhecimento a priori, ou seja, antes da realização da experimentação � Probabilidades posteriores: π(θ|x) – Representam o conhecimento a posteriori, ou seja, após a realização da experimentação 4 Teorema de Bayes ∑ Θ ⋅ ⋅ = )|()( )|()()|( θθpi θθpiθpi xP xP x Conhecimento à posteriori Conhecimento à priori Instrumento de Medida Abordagem Bayesiana � Em problemas com experimentação, deve-se usar a distribuição posterior atualizada a partir da distribuição prévia e dos dados disponíveis � Limitações – Inútil quando há conflito de informações – Muito sensível à informação a priori Valor da Experimentação � Valor da Experimentação – Antes de realizar qualquer experimentação, deve-se determinar o valor potencial desta informação � Métodos usuais – Valor Esperado da Informação Perfeita (EVPI) � Fornece um valor superior do valor potencial do experimento – Valor Esperado da Experimentação (EVE) � Fornece o acréscimo esperado no prêmio, excluindo o custo do experimento Valor da Experimentação EVPI = prêmio esperado com informação perfeita – prêmio esperado sem experimentação EVE = prêmio esperado com experimentação – prêmio esperado sem experimentação Valor da Experimentação � Observações – O EVPI pode ser determinado para problemas de decisão sem experimentação, enquanto o EVE, apenas para problemas de decisão com experimentação – O valor do EVE é sempre menor ou igual ao do EVPI Exemplo ANÁLISE DE INVESTIMENTOS � Uma organização financeira pode optar pelas seguintes alternativas: vender suas ações ou continuar com as ações esperando uma elevação nos preços para a venda posterior. Como as ações estão em baixa um comprador propôs um pagamento de $150.000 para a venda imediata mais um adicional de $1.000.000 se as ações num prazo de um ano atingirem o aumento esperado. Se a empresa resolver não vender as ações o prejuízo será de $400.000 se as ações não subirem em um ano, mas se elas atingirem o aumento esperado ela terá um lucro de $1.500.000 vendendo-as posteriormente. Supondo-se que os estados naturais as ações não subirem e as ações subirem tem probabilidade respectiva de 70% e 30%. 5 Exemplo � Decisor: organização financeira � Natureza: ações da organização � Estados da Natureza: valor futuro das ações – θ1: Ações estarão em baixa – θ2: Ações estarão em alta � Alternativas de ação: comercialização das ações – a1: vender as ações ao comprador – a2: não vender as ações ao comprador � Prêmio: lucro com as ações � Tabela de Prêmios Cenários Ações em Baixa Ações em Alta Alternativas Vender as ações 150.000 1.150.000 Não vender as ações -400.000 1.500.000 Exemplo � Árvore de Decisão Ações em alta 1.150.000 150.000 1.500.000 -400.000 Não vender as ações Vender as ações Ações em baixaAções em alta Ações em baixa Exemplo � Probabilidades Prévias Cenários Ações em baixa Ações em alta Probabilidades 0,70 0,30 Exemplo � Regra da Máxima Probabilidade Alternativa Escolhida: Vender as ações Exemplo Cenário mais provável Ações em Baixa Alternativas Vender as ações 150.000 Não vender as ações -400.000 � Regra do Máximo Prêmio Esperado (Bayes) Alternativa Escolhida: Vender as ações Exemplo Cenário esperado Alternativas Vender as ações 450.000 Não vender as ações 170.000 450000 * =aVE 6 � Análise de Sensibilidade Exemplo Cenários Ações em baixa Ações em alta Probabilidades p 1-p )'()'( 21 pVEpVE aa = � Ponto de Cruzamento Exemplo )'1(1500000'400000)'1(1150000'150000 pppp −+−=−+ 389,0 18 7 ' ≅=p � Ponto de Cruzamento Exemplo 1a 2a 'p 000.500.1 000.150.1 000.150 000.400− 0 p )( pVEa 1 � Informação Perfeita Cenários Ações em Baixa Ações em Alta Regra Ótima 150.000 1.500.000 Exemplo � Informação Perfeita Exemplo 55000030,0.150000070,0.150000* =+= IPa VE 100000450000550000 ** =−=−= aa VEVEVEIP IP Exemplo � Considere agora que a organização financeira tem a disposição a possibilidade de contratar um consultor no mercado de ações para uma avaliação da tendência futura de suas ações antes de fechar uma possível venda. Este consultor poderá ao final indicar se as ações permanecerão em baixa ou se apresentação um crescimento no período. Por trabalhos realizados anteriormente, a organização sabe que o consultor possui um índice de acerto de 90% em suas previsões. O valor cobrado pelo consultor é de $50.000. Avalie se vale a pena a organização contratar este consultor. 7 Exemplo � Observação: Recomendação do consultor – x1: Indica que as ações estarão em baixa – x2: Indica que as ações estarão em alta � Decisão associada: Contratação do consultor – b1: contratar os serviços do consultor – b2: não contratar os serviços do consultor Exemplo � Função de Verossimilhança – Probabilidades de acerto – Probabilidades de erro (calculadas) � Probabilidades das Observações 67,010,0.30,090,0.70,0)|()()|()()( 2121111 ≅+=+= θθpiθθpi xPxPxP 33,067,01)(1)( 12 ≅−=−= xPxP 90,0)|()|( 2211 == θθ xPxP 10,0)|(1)|( 2221 =−= θθ xPxP 10,0)|(1)|( 1112 =−= θθ xPxP Exemplo � Probabilidades Posteriores – Se x=x1 95,0 10,0.30,090,0.70,0 90,0.70,0 )|()()|()( )|()()|( 212111 111 11 ≅ + = + = θθpiθθpi θθpiθpi xPxP xP x 05,0)|(1)|( 1112 ≅−= xx θpiθpi Cenários Ações em baixa Ações em alta Probabilidades 0,95 0,05 Exemplo � Regra de Decisão – Se x=x1 Alternativa Escolhida: Vender as ações (a*=a1) Cenário esperado Alternativas Vender as ações 200.000 Não vender as ações -305.000 200000)*( 1 =xaVE Exemplo � Probabilidades Posteriores – Se x=x2 21,0 90,0.30,010,0.70,0 10,0.70,0 )|()()|()( )|()()|( 222121 121 21 ≅ + = + = θθpiθθpi θθpiθpi xPxP xP x 79,021,01)|(1)|( 2122 ≅−=−= xx θpiθpi Cenários Ações em baixa Ações em alta Probabilidades 0,21 0,79 Exemplo � Regra de Decisão – Se x=x2 Alternativa Escolhida: Não vender as ações (a*=a2) Cenário esperado Alternativas Vender as ações 940.000 Não vender as ações 1.101.000 1101000)*( 2 =xaVE 8 � Informação Imperfeita Exemplo )*(2)*(1)*( 21 ).().( xaxaxa VExPVExPVE += 47330450000497330 *)*( =−=−= axa VEVEEVE 4973301101000.33,0200000.67,0)*( =+=xaVE � Conclusão – Como na regra ótima, observações diferentes conduzem a ações distintas, esta informação permite discriminar as ações – O EVPI=100000 é o máximo valor que a organização estaria disposta a pagar pelos serviços de um consultor. – Como o EVE<50000, este consultor específico não deverá ser contratado, pois o valor adicionado pela informação não supera o custo do serviço Exemplo � Árvore de Decisão 100.000 θ2 (0,05) Exemplo a1 a2 θ1 (0,95) θ2 (0,05) θ1 (0,95) 1.100.000 -450.000 1.450.000 100.000 θ2 (0,79) a1 a2 θ1 (0,21) θ2 (0,79) θ1 (0,21) 1.100.000 -450.000 1.450.000 x2 (0,33) x1 (0,67) 150.000 a1 a2 θ1 (0,70) θ2 (0,30) θ1 (0,70) 1.150.000 -400.000 1.500.000 b1 b2 θ2 (0,30) 150.000 -355.000 890.000 1.051.000 450.000 170.000 450.000 1.051.000 150.000 447.330 450.000
Compartilhar