2

Análise de
Decisão

To accompany
Quantitative Analysis for Management, Twelfth Edition,
by Render, Stair, Hanna and Hale
Power Point slides created by Jeff Heyl Copyright ©2015 Pearson Education, Inc.
 OBJECTIVOS
No final deste capítulo os estudantes devem ser capazes de:

1. Enumerar as etapas do processo de tomada de decisão

2. Descrever os tipos de ambiente de decisão.
3. Tomar decisões sob incerteza.
4. Tomar decisões sob risco com recurso a probabilidades
5. Desenvolver árvores de decisão úteis e precisas.
6. Calcular probabilidades usando a análise Bayesiana.
7. Utilizar o computador para resolver problemas básicos
de tomada de decisão.

Copyright ©2015 Pearson Education, Inc. 3–2

 ESTRUTURA
3.1 Introdução
3.2 Etapas da Análise de Decisão
3.3 Classificaão dos Ambientes de Decisão
3.4 Decisões Sob Incerteza
3.5 Decisões Sob Risco
3.6 Exemplo de Minimização
3.7 Uso do Software para a Matriz de Pagamentos
3.8 Árvore de Decisão
3.9 Estimação de Probabilidades Através da Análise
Bayesiana
Copyright ©2015 Pearson Education, Inc. 3–3
 Introdução

Copyright ©2015 Pearson Education, Inc. 3–4

 Introdução
• Em grande medida, os sucessos ou fracassos
que uma pessoa experimenta na vida
dependem das decisões que toma.
• A pessoa que liderou o programa espacial
mal-sucedido Challenger já não trabalha para
a NASA.
• A pessoa que desenhou o modelo topo de
vendas Mustang tornou-se presidente da
Ford.
• Por que e como essas pessoas tomaram suas
decisões? O que está envolvido na tomada de
uma boa decisão?
Copyright ©2015 Pearson Education, Inc. 3–5
 Introdução
• Uma decisão pode fazer a diferença entre
uma carreira de sucesso e uma de insucesso.
• Teoria de decisão é uma abordagem
analítica e sistemática para a resolver
problemas.
• Uma boa decisão é baseada na lógica,
considera todos os dados e as possíveis
alternativas e baseia-se numa abordagem
quantitativa.
• Independentemente do resultado uma boa
decisão é sempre boa.
Copyright ©2015 Pearson Education, Inc. 3–6
Etapas da Tomada de Decisão

1. Definir de forma clara do problema em mão

2. Listar todas as possíveis alternativas
3. Listar todos possíveis resultados (estados
de natureza)
4. Desenvolver a matriz de pagamentos
combinando as alternativas e estados
5. Seleccionar um dos modelos matemáticos
da teoria de decisão
6. Ajustar o modelo aos dados e tomar a
decisão
Copyright ©2015 Pearson Education, Inc. 3–7
 Thompson Lumber Company
Etapa 1 – Definição do problema
John Thompson considera expandir a empresa
fabricando e comercializando um novo produto -
galpões de armazenamento
Etapa 2 – Alternativas de decisão
• Construir uma nova fábrica (grande)
• Construir uma nova fábrica (pequena)
• Não desenvolver a nova linha de
produtos
Etapa 3 – Possíveis resultados (estados de
natureza)
• O Mercado pode ser favorável ou
desfavorável
Copyright ©2015 Pearson Education, Inc. 3–8
 Thompson Lumber Company

Etapa 4 – Matriz de pagamentos (lucros)

• Identificar os valores condicionais para
os lucros da planta grande, planta
pequena e não expansão para os dois
estados de natureza
Etapa 5 – Selecionar o modelo de decisão
• Depende do ambiente de decisão e do
risco e incerteza
Etapa 6 – Ajustar o modelo para os dados

Copyright ©2015 Pearson Education, Inc. 3–9

 Thompson Lumber Company

TABLE 3.1 – Valores condicionais

ESTADO DE NATUREZA

MERCADO UNFMERCADO
ALTERNATIVA FAVORÁVEL ($) DESFAVORÁVEL ($)
Fábrica Grande 200,000 –180,000

Fábrica Pequena 100,000 –20,000

Não Fazer Nada 0 0

Copyright ©2015 Pearson Education, Inc. 3 – 10

 Classificação dos Ambientes de
Decisão
• Decisões Sob Certeza
– O decisor sabe, com certeza, as consequências
da cada alternative de decisão
• Decisões Sob Incerteza
– O decisor não conhece as probabilidades de
ocorrência dos estados de natureza
• Decisões Sob Risco
– O decisor conhece as probabilidades de
ocorrência dos estados de natureza

Copyright ©2015 Pearson Education, Inc. 3 – 11

 Tomada de Decisão Sob
Incerteza
• Critérios de tomada de decisão sob incerteza

1. Maximax (optimista)
2. Maximin (pessimista)
3. Critério de realismo (Hurwicz)
4. Igual probabilidade (Laplace)
5. Minimax regret

Copyright ©2015 Pearson Education, Inc. 3 – 12

 Optimista
• Usado para encontrar a alternativa que
maximiza os lucros máximos – critério maximax
– Encontrar o lucro máximo para cada alternativa
– Escolher a alternative com o maior lucro

STATE OF NATURE
MERCADO MERCADO MÁXIMO NA
ALTERNATIVA FAVORÁVEL ($) DESFAVORÁVEL ($) LINHA ($)
Fábrica grande 200,000 –180,000
200,000
Fábrica pequena 100,000 –20,000 Maximax
100,000
Não fazer nada 0 0 0

Copyright ©2015 Pearson Education, Inc. 3 – 13

 Pessimista
• Usado para encontrar a alternativa que
maximiza os lucros mínimos – critério maximin
– Encontar o lucro mínimo para cada alternativa
– Escolher a alternative com o valor máximo

STATE OF NATURE
MERCADO MERCADO MÍNIMO NA
ALTERNATIVA FAVORÁVEL ($) DESFAVORÁVEL ($) LINHA ($)
-
Fábrica grande 200,000 –180,000
180,000
-
Fábrica pequena 100,000 –20,000
20,000
Não fazer nada 0 0 0
Maximin
Copyright ©2015 Pearson Education, Inc. 3 – 14
Critério de Realismo (Hurwicz)
• Muitas vezes chamado de media ponderada
– Espécie de compromisso entre optimismo e
pessimismo
– Escolhe-se um coeficiente of realismo , com 0 ≤
a≤1
a = 1 perfeitamente optimista
a = 0 perfeitamente pessimista
– Calcular a média ponderada para cada alternativa
– Escolher a alternative com o maior valor
RE  ai     max  ai   1     min  ai 

Copyright ©2015 Pearson Education, Inc. 3 – 15

Critério de Realismo (Hurwicz)
Para uma fábrica grande e  = 0.8
(0.8)(200,000) + (1 – 0.8)(–180,000) = 124,000
Para uma fábrica pequena e  = 0.8
(0.8)(100,000) + (1 – 0.8)(–20,000) = 76,000

ESTADO DE NATUREZA
MERCADO MERCADO CRITÉRIO DE
FAVORÁVEL DESFAVORÁVEL REALISMO
ALTERNATIVA ($) ($) ( = 0.8) $
Fábrica grande –180,000
200,000 124,000
Realismo
Fábrica pequena –20,000
100,000 76,000
Não fazer nada 0 0 0
Copyright ©2015 Pearson Education, Inc. 3 – 16
 Igual Probabilidade (Laplace)
• Considera todos s lucros para cada alternativa
– Encontra o lucro médio para cada alternativa
– Escolhe a alternative com a maior média

ESTADO DE NATUREZA
MERCADO MERCADO MÉDIA DA
ALTERNATIVA FAVORÁVEL ($) DESFAVORÁVEL ($) LINHA ($)
Fábrica grande 200,000 –180,000
10,000
Fábrica pequena 100,000 –20,000
40,000
Laplace
Não fazer nada 0 0 0

Copyright ©2015 Pearson Education, Inc. 3 – 17

 Minimax Regret
• Basedo em perdas de oportunidade
– A diferença entre o lucro óptimo e o lucro actual
para certa decisão
1. Criar uma tabela de perdas de oportunidade
determinando o custo de oportunidade por não
escolher a melhor alternativa
2. Calcular o custo de oportunidade subtraindo cada
retorno na coluna ao máximo da mesma coluna
3. Encontrar o custo de oportunidade máximo para
cada alternative e escolher aquela com o menor
valor

Copyright ©2015 Pearson Education, Inc. 3 – 18

 Minimax Regret
Perdas de oportunidade para o problema da Thompson Lumber

ESTADO DE NATUREZA
MERCADO FAVORÁVEL MERCADO
($) DESFAVORÁVEL
($)

200,000 –
0 – (–180,000)
200,000
200,000 –
0 – (–20,000)
100,000

200,000 – 0 0–0

Copyright ©2015 Pearson Education, Inc. 3 – 19

 Minimax Regret
Tabela de perdas de oportunidade para o problema da Thompson Lumber

ESTADO DE NATUREZA

MERCADO MERCADO
ALTERNATIVA FAVORÁVEL ($) DESFAVORÁVEL ($)
Fábrica grande 0 180,000

Fábrica pequena 100,000 20,000

Não fazer nada 200,000 0

Copyright ©2015 Pearson Education, Inc. 3 – 20

 Minimax Regret

ESTADO DE NATUREZA
MERCADO MERCADO NÃO MÁXIMO DA
ALTERNATIVA FAVORÁVEL ($) FAVORÁVEL ($) LINHA ($)

Fábrica grande 0 180,000

180,000

Fábrica pequena 100,000 20,000

100,000
Minimax
Não fazer nada 200,000 0
200,000

Copyright ©2015 Pearson Education, Inc. 3 – 21

 Tomada de Decisão Sob Risco
• Quando existem vários estados de natureza e
são conhecidas as probabilidades associadas
a cada um
– O método mais popular é o que consiste em
escolher a alternative com o maior valor monetário
esperado (VME)
n
VME  ai    xij  p  e j   xi1  p  e1   xi 2  p  e2   ...  xin  p en 
j 1
onde
xi = retorno para a alternative i no estado de natureza j
p(ej) = probabilidade de ocorrência do estado de natureza j

Copyright ©2015 Pearson Education, Inc. 3 – 22

 VME para Thompson Lumber
• Suponha que cada estado de natureza tenha
uma probabilidade de ocorrência de 0.50
• Qual seria a alternative com o maior valor
monetário esperado?
= ($200,000)(0.5) + (–$180,000)(0.5)
= $10,000
a) = ($100,000)(0.5) + (–$20,000)(0.5)
= $40,000
da) = ($0)(0.5) + ($0)(0.5)
= $0
Copyright ©2015 Pearson Education, Inc. 3 – 23
 VME para Thompson Lumber

ESTADO DE NATUREZA
MERCADO MERCADO
FAVORÁVEL DESFAVORÁVEL
ALTERNATIVA ($) ($) VME ($)
Fábrica grande –180,000
200,000 10,000

Fábrica pequena –20,000

100,000 40,000

Não fazer nada 0 0 0

Probabilidades 0.50 0.50 Maior VME

Copyright ©2015 Pearson Education, Inc. 3 – 24

 Valor Esperado de Informação
Perfeita (VEIP)
• VEIP é o valor máximo (limite) que se pode
pagar por uma informação adicional
• VECIP é o valor máximo que se esperaria
obter houvesse uma informação perfeita
antes de tomada a decisão
n
VECIP   max  xij   p  e j   max  xi1   p e1   max  xi 2   p e2   ...
j 1

VEIP  VECIP  VESIP  VECIP  max(VME )

VECIP = Valor esperado com informação perfeita

VESIP = Valor esperado sem informação perfeita
Copyright ©2015 Pearson Education, Inc. 3 – 25
 Valor Esperado de
Informação Perfeita (VEIP)
• Scientific Marketing, Inc. oferece uma análise
que trará certeza acerca das condições do
mercado (favorável)
• Essa informação adicional custará $65,000
• Será que a Thompson Lumber deve comprar
essa informação?

Copyright ©2015 Pearson Education, Inc. 3 – 26

 Valor Esperado de Informação
Perfeita (VEIP)

ESTADO DE NATUREZA
MERCADO MERCADO
ALTERNATIVA FAVORÁVEL ($) DESFAVORÁVEL ($) VME ($)

Fábrica grande 200,000 -180,000

10,000

Fábrica pequena 100,000 -20,000

40,000
Não fazer nada 0 0 0
Com informação
200,000 0
perfeita 100,000
VECIP
Probabilidades 0.5 0.5

Copyright ©2015 Pearson Education, Inc. 3 – 27

 Valor Esperado de Informação
Perfeita (VEIP)
• O máximo VME sem informação adicional é
$40,000
– Portanto

VEIP = VECIP – max(VME)

= $100,000 - $40,000
= $60,000

Então o máximo que Thompson deve

pagar por uma informação adicional é
$60,000

Copyright ©2015 Pearson Education, Inc. 3 – 28

 Valor Esperado de Informação
Perfeita (VEIP)
• O máximo VME sem informação adicional é
$40,000 Thompson não deve pagar
– Portanto $65,000 por essa informação

VEIP = VECIP – max(VME)

= $100,000 - $40,000
= $60,000

Então o máximo que Thompson deve

pagar por uma informação adicional é
$60,000

Copyright ©2015 Pearson Education, Inc. 3 – 29

Perda de Oportundade Esperada
• Perda de oportunidade esperada (POE) é o
custo de não escolher a melhor solução
– Construir uma tabela de perdas de oportunidade
– Para cada alternativa, multiplicar o custo de
oportunidade pela probabilidade desse custo para
cada estado de natureza e somar
– A perda de oportunidade esperada mínima
resultará sempre na mesma decisão que o
máximo VME
– A POE mínima será sempre igual ao VEIP

Copyright ©2015 Pearson Education, Inc. 3 – 30

Perda de Oportundade Esperada
POE (F. Grande) = (0.50)($0) + (0.50)($180,000) = $90,000
POE (F. Pequena) = (0.50)($100,000) + (0.50)($20,000) =
$60,000
POE (N.F. Nada) = (0.50)($200,000) + (0.50)($0) = $100,000

ESTADOS DE NATUREZA
MERCADO MERCADO
ALTERNATIVA FAVORÁVEL ($) DESFAVORÁVEL ($) POE
Fábrica grande 0 180,000
90,000
Fábrica pequena 100,000 20,000
60,000
Não fazer nada 200,000 0 Melhor
100,000POE
Probabilidades 0.5 0.5
Copyright ©2015 Pearson Education, Inc. 3 – 31
 Análise de Sensibilidade
Seja P-probab. de ocorrencia do estado de natureza 1
(1-P) probab. de ocorrencia do estado de natureza 2

VME(F. Grande) = $200,000P – $180,000)(1 – P)

= $200,000P – $180,000 +
$180,000P
= $380,000P – $180,000

VME(F. Pequena) = $100,000P – $20,000)(1 – P)

= $100,000P – $20,000 + $20,000P
= $120,000P – $20,000

VME(N. F. Nada) = $0P + 0(1 – P)

= $0
Copyright ©2015 Pearson Education, Inc. 3 – 32
 Análise de Sensibilidade
VME

$300,000

$200,000 Ponto 2 VME (F. Grande)

$100,000 Ponto 1 VME (F. Pequena)

0 VME (N. F. Nada)

.167 .615 1
–$100,000 Valores de P

–$200,000

Copyright ©2015 Pearson Education, Inc. 3 – 33

 Análise de Sensibilidade
Ponto 1: VME(N. F. Nada) = VME(F. Pequena)

Ponto 2: VME(F. Pequena) = VME(F. Grande)

Copyright ©2015 Pearson Education, Inc. 3 – 34

 Análise de Sensibilidade
INTERVALO DE
MELHOR ALTERNATIVA VALORES DE P
Não fazer nada Menor que 0.167
Fábrica pequena 0.167 – 0.615

VME
Fábrica grande Maior que 0.615
$300,000

Ponto 2 VME (F. Grande)

$200,000

Ponto 1
$100,000 VME (F. Pequena)

0 VME (N. F. Nada)

.167 .615 1
–$100,000 Valores de P

–$200,000

Copyright ©2015 Pearson Education, Inc. 3 – 35

 Um Exemplo de Minimização
• Leasing de uma fotocopiadora por 3 anos
– Que fotocopiadora deve ser escolhida?

Tabela de custos

10,000 CÓPIAS 20,000 CÓPIAS 30,000 CÓPIAS

POR MÊS POR MÊS POR MÊS

Máquina A 950 1,050 1,150

Máquina B 850 1,100 1,350
Máquina C 700 1,000 1,300

Copyright ©2015 Pearson Education, Inc. 3 – 36

 Um Exemplo de Minimização
• Critério de realismo com coeficiente de 70%

Média ponderada= 0.7(melhor retorno)

+ (1 – 0.7)(pior retorno)

Máquina A: 0.7(950) + 0.3(1,150) = 1,010

Máquina B: 0.7(850) + 0.3(1,350) = 1,000
Máquina C: 0.7(700) + 0.3(1,300) = 880

Copyright ©2015 Pearson Education, Inc. 3 – 37

 Um Exemplo de Minimização
• Critério de igual probabilidade

Máquina A: (950 + 1,050 + 1,150)/3 = 1,050

Máquina B: (850 + 1,100 + 1,350)/3 = 1,100
Máquina C: (700 + 1,000 + 1,300)/3 = 1,000

Copyright ©2015 Pearson Education, Inc. 3 – 38

 Um Exemplo de Minimização
• Critério de VME

Nº DE CÓPIAS PROBABILIDADE
10,000 0.40
20,000 0.30
30,000 0.30

Copyright ©2015 Pearson Education, Inc. 3 – 39

 Um Exemplo de Minimização

10,000 20,000 30,000

CÓPIAS CÓPIAS CÓPIAS VME
POR MÊS POR MÊS POR MÊS
Máquina A 950 1,050 1,150 1,040
Máquina B 850 1,100 1,350 1,075
Máquina C 700 1,000 1,300 970
Com informação perfeita 700 1,000 1,150 925
Probabilidade 0.4 0.3 0.3

Copyright ©2015 Pearson Education, Inc. 3 – 40

 Um Exemplo de Minimização
• VEIP

VECIP = $925
10,000 20,000 30,000
Menor VME
COPIES (VESIP)
COPIES = $970
COPIES
VME
PER PER PER
VEIP
MONTH= 970 – 925
MONTH = $45
MONTH
Máquina A 950 1,050 1,150 1,040
Máquina B 850 1,100 1,350 1,075
Máquina C 700 1,000 1,300 970
Com informação perfeita 700 1,000 1,150 925
Probabilidade 0.4 0.3 0.3
Copyright ©2015 Pearson Education, Inc. 3 – 41
 Um Exemplo de Minimização
• Critério de perda de oportunidade

Tabela de perdas de oportunidade

10,000 20,000 30,000

CÓPIAS CÓPIAS CÓPIAS
POR MÊS POR MÊS POR MÊS MÁXIMO POE
Máquina A 50 0 250
250 115
Máquina B 200
150 100 200 150
Máquina C 0 150
0 150 45
Probabilidade 0.4 0.3 0.3

Copyright ©2015 Pearson Education, Inc. 3 – 42

 Árvores de Decisão
• Qualquer problema que pode ser
apresentado numa tabela de decisão pode
ser graficamente representadonuma árvore
de decisão
– Muito útil quando uma se deve tomar uma
sequência de decisões deve ser tomada
– Todas as árvores de decisão contêm nós (pontos)
de decisão e nós (pontos) de estados de
natureza
– Nos nós de decisão deve ser escolhida uma
dentre várias alternativas

Copyright ©2015 Pearson Education, Inc. 3 – 43

 As cinco etapas para análise de
árvores de decisão
1. Definição do problema
2. Desenho da estrutura da árvore
3. Atribuição de probabilidades aos estados
4. Estimação dos retornos para cada possível
combinação das alternativas e estados de
natureza
5. Resolução do problema através do cálculo
dos valores monetários esperados (VMEs)
para cada nó dos estados de natureza

Copyright ©2015 Pearson Education, Inc. 3 – 44

 Estructura das Árvores de
Decisão
• As árvores começam da esquerda para a direita
• As decisões e os estados de natureza são
representadas em ordem sequencial
• Quadrados representam os nós de decisão
• Círculos representam os nós dos estados de natureza
• As linhas conectam os nós de decisão e os estados
de natureza

Copyright ©2015 Pearson Education, Inc. 3 – 45

 Árvore de Decisão para
Thompson
Nó de um estado de natureza

Mercado favorável
Um nó de decisão
1
Mercado desfavorável

r ica e
b d
Fá ran
G Mercado favorável
Fábrica
2
Pequena Mercado desfavorável
N.
F.
Nd
a

Copyright ©2015 Pearson Education, Inc. 3 – 46

 Árvore de Decisão para
Thompson
VME para o Nó = (0.5)($200,000) + (0.5)(–$180,000)
1 = $10,000
Retornos
Mercado favorável (0.5)
$200,000
Alternativa com o
melhor VME 1
Mercado desfavorável(0.5)
–$180,000
r ica e
áb d
F ran
G Mercado favorável (0.5)
$100,000
Fábrica
2
Pequena Mercado desfavorável(0.5)
–$20,000
N.
F.
Na = (0.5)($100,000)
da VME para o Nó
2 = $40,000 + (0.5)(–$20,000)

$0
Copyright ©2015 Pearson Education, Inc. 3 – 47
 Uma Árvore de Decisão
Complexa para Thompson
Primeiro ponto Segundo ponto de Retornos
de decisão decisão
Mercado Favorável (0.78)
$190,000
nd e 2 Mercado Desvorável (0.22)
–$190,000
ra
F. G Mercado Favorável (0.78)
) F. $90,000
. 45 Pequena
3 Mercado Desvorável (0.22)
(0 –$30,000
s so
ce N. F. Nada
–$10,000
Su
In
1 s uc Mercado Favorável (0.27)
es $190,000
do

o 4 Mercado Desvorável (0.73)

de
ca

(0
.5 ran –$190,000
er

5) F. G Mercado Desvorável(0.27)
M

F. $90,000
de

Pequena
5 Mercado Desvorável (0.73)
–$30,000
do
tu
Es

N. F. Nada
–$10,000
m
Co

Sem Mercado Favorável (0.50)

Es t $200,000
u do
nd e 6 Mercado Desvorável (0.50)
de ra –$180,000
Me
rc ad o F. G Mercado Favorável (0.50)
F. $100,000
Pequena
7 Mercado Desvorável (0.50)
–$20,000
N. F. Nada
$0
Copyright ©2015 Pearson Education, Inc. 3 – 48
 Uma Árvore de Decisão
Complexa para Thompson
1. Estudo com sucesso

VME(Nó 2) = VME(F. Grande | sucesso)

= (0.78)($190,000) + (0.22)(– $190,000) = $106,400
VME(Nó 3) = VME(F. pequena| sucesso)
= (0.78)($90,000) + (0.22)(– $30,000) = $63,600
VME N. F. Nada = – $10,000

Copyright ©2015 Pearson Education, Inc. 3 – 49

 Uma Árvore de Decisão
Complexa para Thompson
2. Etudo sem sucesso

VME(Nó 4) = VME(F. Grande| insucesso)

= (0.27)($190,000) + (0.73)(– $190,000) = – $87,400
VME(Nó 5) = VME(F. Pequena | insucesso)
= (0.27)($90,000) + (0.73)(– $30,000) = $2,400
VME N. F. Nada = – $10,000

Copyright ©2015 Pearson Education, Inc. 3 – 50

 Uma Árvore de Decisão
A melhor escolha é conduzir um estudo de mercado
Complexa para Thompson
3. Valor esperado com estudo de mercado
VME(Nó 1) = VME(Com estudo)
= (0.45)($106,400) + (0.55)($2,400)
= $47,880 + $1,320 = $49,200

4. Valor esperado sem estudo

VME(Nó 6) = VME(F. Grande)

= (0.50)($200,000) + (0.50)(– $180,000) = $10,000
VME(Nó 7) = VME(F. Pequena)
= (0.50)($100,000) + (0.50)(– $20,000) = $40,000
VME N. F. Nada = $0

Copyright ©2015 Pearson Education, Inc. 3 – 51

 Uma Árvore de Decisão
Complexa para Thompson
Primeiro ponto Segundo ponto de Retornos
de decisão decisão
$106,400 Mercado Favorável (0.78)
$190,000
nd e 2 Mercado Desvorável (0.22)
–$190,000
ra

$106,400
F. G $63,600 Mercado Favorável (0.78)
) Fabr. $90,000
. 45 Peque
3 Mercado Desvorável (0.22)
(0 –$30,000
s so
ce No Plant
–$10,000
Su
In
1 su
ce
–$87,400 Mercado Favorável (0.27)
ss $190,000
do

o
de 4 Mercado Desvorável (0.73)
ca

(0
.5 G ran –$190,000
er

5) F. $2,400 Mercado Favorável (0.27)

$2,400
M

Fabr. $90,000
de

Peque
5 Mercado Desvorável (0.73)
–$30,000
do
tu
Es

No Plant
–$10,000
m
Co
$49,200

Sem $10,000 Mercado Favorável (0.50)

Es t $200,000
u do
nd e 6 Mercado Desvorável (0.50)
de ra –$180,000
Me F. G
$40,000

rc $40,000 Mercado Favorável (0.50)

ad o Fabr. $100,000
Peque
7 Mercado Desvorável (0.50)
–$20,000
N. F. Ndada
$0
Copyright ©2015 Pearson Education, Inc. 3 – 52
 Valor Esperado da Informação
Amostral
• Thompson pretende saber o valor actual da
condução de um estudo de mercado

Valor esperado
Valor esperado sem
VEIA = com informação – informação amostral
amostral

= (VE com IA + custo) – (VE sem IA)

VEIA = ($49,200 + $10,000) – $40,000 = $19,200

Copyright ©2015 Pearson Education, Inc. 3 – 53