1537187765ebook - PDCA - Po

Mini-curso:
Introdução à otimização sob incerteza

Aula 3 – Otimização avessa ao risco
Prof. Fabrício Oliveira
fabricio.oliveira@puc-rio.br
Conteúdo programado!
1.  Medidas de risco

1.  Variância;
2.  Probabilidade de déEicit (shortfall probability)
3.  Escassez esperada (expected shortage)
4.  Value-‐at-‐Risk (VaR)
5.  Value-‐at-‐Risk Condicional (CVaR)
Análise de Sensibilidade

2.  Otimização robusta
Petróleo Brasileiro S/A
3.  Restrições probabilísticas
UNESP, 9 a 13 de dezembro de 2013

Otimização sob incerteza
§  Modelos de programação p(!)
estocástica:
§  Dados de entrada modelados x1
como processos estocásticos; E⌦ [Q(x1 , !)] Q(x1 , !)
§  Valor da função objetivo é uma x2

E⌦ [Q(x2 , !)]
variável aleatória ..
Q(x2 , !)
.
§  Pode ser caracterizada por uma
distribuição de probabilidade; xn
E⌦ [Q(xn , !)]
Análise de Sensibilidade Q(xn , !)
Petróleo
A função objetivo como variável Brasileiro S/A
aleatória:
§  Precisamos de uma função que, de alguma forma, caracterize a
distribuição de dessa variável aleatória:
§  Critério mais comum: média;

Otimização sob incerteza
§  Assim, um problema onde p(!)
maximizamos o lucro resulta na
maximização do lucro esperado x1
deste problema; E⌦ [Q(x1 , !)] Q(x1 , !)
§  Problema: demais parâmetros
x2
caracterizando a distribuição são E⌦ [Q(x2 , !)] Q(x2 , !)
negligenciados. .
..
§  Ex: Uma variável aleatória xn
representando o lucro com um E⌦ [Q(xn , !)] Q(xn , !)
valor esperado aceitável para o Análise de Sensibilidade
tomador de decisão pode possuir
embutida uma probabilidade não-‐ O valor esperado não é capaz de
desprezível de lucros negativos de representar a exposição a
(perdas) resultados negativos (ou seja,
ao risco)
§  Como contornar tal diEiculdade:
gestão de risco
Gestão de risco
p(!)
Primeiramente, precisamos deEinir a que
risco estamos nos referindo:
§  Queremos nos proteger do risco de a x1
E⌦ [Q(x1 , !)] Q(x1 , !)
distribuição dos lucros (maximização)
possuir características não desejáveis, r⌦ [Q(x1 , w)]
como por exemplo, altas probabilidades
de incorrer em custos negativos (perdas). x2 Q(x2 , !)
E⌦ [Q(x2 , !)]
Como controla-‐lo em modelos de otimização: r⌦ [Q(x2 , w)]
..
§  inserir na formulação termos que são .
capazes de medir o risco associado a uma
distribuição de probabilidade; Petróleo Brasileiro
xn S/A
E⌦ [Q(xn , !)] Q(xn , !)
§  Toda solução gera um per;il de risco, ao r⌦ [Q(xn , w)]
qual é possível se associar uma medida
§  Tal termo é comumente referido como r⌦ [f (x, !)] | r⌦ : x ! R
função de risco ou medida de risco;
Medida de risco
Gestão de risco
Vamos considerar todas as medidas de p(!)
risco considerando problemas de 2
estágios (por ser mais simples) onde a x1
E⌦ [Q(x1 , !)]
função objetivo consiste da maximização Q(x1 , !)
de um lucro esperado. r⌦ [Q(x1 , w)]
§  A generalização para problemas multi-‐ x2

estágio não é evidente pois incorre-‐se em E⌦ [Q(x2 , !)] Q(x2 , !)
problemas de consistência temporal. r⌦ [Q(x2 , w)]
..
§  Medidas de risco consideradas: .
1.  Variância; Análise de Sensibilidade
Petróleo
2.  Probabilidade de déEicit (shortfall Brasileiro
xn S/A
E⌦ [Q(xn , !)] Q(xn , !)
probability) r⌦ [Q(xn , w)]
3.  Escassez esperada (expected shortage)
4.  Value-‐at-‐Risk (VaR) r⌦ [f (x, !)] | r⌦ : x ! R
5.  Value-‐at-‐Risk Condicional (CVaR) Medida de risco
Tomada de decisão neutra à risco
§  Vamos considerar o problema de otimização:
Var. 1o Estágio Var. 2o Estágio

X
max cT x + ⇡(!)q(!)T y(!)
x,y(!)
!2⌦
s.a:
Ax = b Análise de Sensibilidade
T (!)x + W (!)y(!) = h(!), 8! 2 ⌦
x 2 X, y(!) 2 Y, 8! 2 ⌦

§  DeEinindo:
f (x, !) = cT x + max{q(!)T y(!) | T (!)x + W (!)y(!) = h(!), y(!) 2 Y }

y(!)
§  Podemos reescrever nosso problema de otimização de dois

estágios como sendo:
max EAnálise
! [f (x, !)]de Sensibilidade
x
s.a: x 2 X

§  Observe o que essa formulação
nos diz: max E! [f (x, !)]
§  Considere f(x,ω) como o valor da x
variável aleatória f(x, .) avaliada no s.a: x 2 X
argumento ω;
§  Dessa forma, variando x em X, uma
família de variáveis aleatórias
f(x, .), onde x pertence a X é induzida
pelos problemas de segundo-‐estágio; f (x, !)
§  Assim, encontrar o melhor x Análise de Sensibilidade
corresponde a encontrar a melhor x1
Petróleo Brasileiro S/A µ1
variável aleatória da família. ⇡(!)
x2
§  Nesse problema, isso é alcançado .. µ2 ⇡(!)
através do ranqueamento das .
variáveis de acordo com seu valor xn
esperado e selecionando-‐se a maior; µn ⇡(!)

Exemplo prático
§  Considere o seguinte problema:
§  Problema do comercializador de energia:
§  Preciso deEinir os montantes de Mercado Mercado
energia a ser comprados hora a spot futuro
hora, a qual venderei para um grupo
de clientes;
§  Objetivo: maximizar meu lucro;
Eu
§  Tenho duas opções: comprar no
mercado spot (preço incerto) ou
exercer compra sob contratos
preEixados (mercado futuro) Petróleo
de Brasileiro S/A
valor e quantidade máxima (sem
mínimo); Demanda
§  Preço de venda para os clientes e
demandas horárias conhecidos.

Exemplo prático
§  Dados de entrada:
Qtde
§  Horizonte: 3h Contrato Preço ($/MWh)
Máxima (MW)
§  Preço de venda: 35/MWh 1 34 50
§  Demandas: 150, 225, 175 (MW) 2 35 30
Cenário t=1 t=2 t=3 3 36 25
1 28.5 36.3 31.4
2 27.3 37.5 29.6
3 29.4 35.7 31.3 40
Price ($/MWh)
4 33.9 38.9 37.5
5 34.5 38.9 37.5 35
6 29.2 34.8 31.2
7 34.1 36.9 32.1 30
8 33.4 35.4 34.9

25
9 28.4 36.3 32.9
t=0 t=1 t=2 t=3
10 27.6 38.9 32.1
Exemplo prático
§  Formulação do problema:

3
X 3 X
X 3 10
X 3
X
C Mercado Mercado
max PtC F
f xf ⇡(!) P
t! yt! spot futuro
xf ,yt,!
t=1 f =1 t=1 !=1 t=1
s.a:
Eu
0  xf  Xfmax , f = 1, 2, 3
3
X Análise de Sensibilidade
xf + yt! = PtC , t = 1, 2, 3; ! = 1, . . . , 10Brasileiro S/A
Petróleo
f =1 Demanda
yt! 0

Exemplo prático
§  Formulação do problema:

Receita Custo (contratos) Custo spot
3
X 3 X
X 3 10
X 3
X
C Mercado Mercado
max PtC F
f xf ⇡(!) P
t! yt! spot futuro
xf ,yt,!
t=1 f =1 t=1 !=1 t=1
s.a: Limites para os contratos

Eu
0  xf  Xfmax , f = 1, 2, 3
3
xf + yt! = PtC , t = 1, 2, 3; ! = 1, . . . , 10Brasileiro S/A
Petróleo
f =1 Demanda
yt! 0 Total comprado tem que
atender demanda

Exemplo prático
§  Solução:
§  FO: $618.75
§  Solução ótima x1* = x2* = x3* = 0
Cenário Lucro ($)

1 1312.5
2 1537.5
3 1330.0

4 57.5
5 -‐1240.0
6 1580.0 Petróleo Brasileiro S/A
7 -‐362.5
8 167.5
9 1065.0
20% de chance de
10 740.0
ter prejuízo
Tomada de decisão avessa ao risco
§  A grande desvantagem de se ignorar o risco é que os valores ótimos de
x e y(ω) pode nos levar a ter o maior rendimento médio às expensas
de obter lucros muito baixo em alguns cenários desfavoráveis.
§  De forma a controlar esse efeito, normalmente utiliza-‐se um termo

que modele o risco de variabilidade associado a f(x,w). è medida de
risco.
§  Matematicamente: Análise de Sensibilidade

r! {f (x, !)} | r! : x ! R
Medida de risco

§  Temos basicamente dois paradigmas distintos para a consideração do
risco na formulação do problema de otimização:
1.  Considerar o risco na função objetivo, minimizando-‐o
max E! [f (x, !)] r! {f (x, !)}
x

s.a: Peso (se 0 è neutro ao risco)
x2X
2.  Considerar o risco segundo um “orçamento”, como restrição
max E!Petróleo
[f (x, !)]Brasileiro S/A
x
s.a:
r! {f (x, !)} 
x2X

§  Em ambos os casos, a solução
ótima está condicionada aos
parâmetros que deEinem a
tolerância à exposição ao
risco;
§  Soluções indicam pontos
e;icientes, cuja coleção deEine
uma fronteira e;iciente;
§  Em termos gerais, um ponto
eEiciente é um par retorno
esperado/risco de forma que Análise de Sensibilidade
é impossível encontrar um Petróleo Brasileiro S/A
conjunto de variáveis de
decisões que provenham
simultaneamente maior retorno
e menor risco

Medidas de risco
§  São usadas para caracterizar o risco;
§  Permitem a comparação direta entre duas soluções distintas em termos
de risco.
§  Propriedades desejáveis para medidas de risco (Artzner et. al
1999):
1.  Invariância translacional: (risco constante para constante)
r! {f1 (!) + a} = r! {f1 (!)} + a para todo f1 (!) 2 F
2.  Subaditividade: (efeito portfólio)
r! {f1 (!) + f2 (!)}  r! {f1 (!)} + r! {f2 (!)} para todo f1 (!), f2 (!) 2 F
3.  Homogeneidade positiva: (dobro dPetróleo Brasileiro
o investimento, S/A de risco...)
dobro
r! {f1 (!) ⇥ a} = r! {f1 (!)} ⇥ a para todo f1 (!) 2 F
4.  Monotonicidade: (melhor performance = menor risco)
Se f1 (!) f2 (!) para todo f1 (!), f2 (!) 2 F , então r! {f1 (!)}  r! {f2 (!)}

Medidas de risco
§  Variância (Markowitz, 1952)
§  Primeiramente proposta por H. M. Markowitz;
§  Modelo média-‐variância: considera o valor esperado e a variância do
retorno;
§  Variância: V (x) = E! [(f (x, !) E! [f (x, !)])2 ]
§  Dessa forma, podemos incorporar a variância no modelo neutro a risco:
!
X
max (1 ) cT x + ⇡(!)q(!)T y(!)
x,y(!)
Análise de !Sensibilidade
!2⌦
Peso ponderativo 2
X X
⇡(wB0 )f
⇡(!) f (x, !) Petróleo (x, w0 ) S/A
rasileiro Problema quadrático
!2⌦ ! 0 2⌦
s.a:
Ax = b
T (!)x + W (!)y(!) = h(!), 8! 2 ⌦
x 2 X, y(!) 2 Y, 8! 2 ⌦
Medidas de risco
§  Voltando ao exemplo:

0 1
X3 3 X
X 3 10
X 3
X
max (1 )@ C
PtC F
f xf ⇡! P
t! yt!
A
xf ,yt!
t=1 f =1 t=1 !=1 t=1
10 10 3
!2
X X X
P P
⇡! t! yt! ⇡! 0 t! 0 yt! 0
!=1 w0 =1 t=1

s.a:
0  xf  Xfmax , f = 1, 2, 3
3
X
xf + yt! = PtC , t = 1, 2, 3; ! = 1, . . . , 10
f =1
yt! , t = 1, 2, 3; ! = 1, . . . , 10

Medidas de risco
§  Resultados: β = 1
§  FO = $208.65 (62% menor)
Min. variância = exercer o
§  Solução ótima: máximo dos contratos
§  x1* 50; x2* = 30; x3* = 25
Cenário Lucro ($)

1 463.50
2 499.50 Pior cenário é 56%
melhor…

3 502.00
4 69.50
5 -‐545.50 Petróleo Brasileiro S/A
… mas o melhor
6 626.00 cenário é 60.4% pior…
7 -‐140.50
8 106.00
9 363.00
…afeta ambas as caudas da distribuição!
10 143.00

Medidas de risco
§  Resultados: β = 1
Min. variância = excercer o
§  FO = $208.65 (62% menor) máximo dos contratos
§  Solução ótima:
§  x1* 50; x2* = 30; x3* = 25
Cenário Lucro ($)

1 463.50
2 499.50 Pior cenário é 56%
melhor…

3 502.00
4 69.50
5 -‐545.50 Petróleo Brasileiro S/A
… mas o melhor
6 626.00 cenário é 60.4% pior…
7 -‐140.50
8 106.00
9 363.00
…afeta ambas as caudas da distribuição!
10 143.00

Medidas de risco
Observações:
§  Possui a diEiculdade de
tornar o modelo
quadrático, e portanto
mais diEícil de ser
resolvido;
§  Penaliza desvios para
ambos os sentidos:
§  Cenários de alta
rentabilidade também Análise de Sensibilidade
são penalizados; Petróleo Brasileiro S/A
§  Não é uma medida
coerente para medida ao
risco;

Medidas de risco
Probabilidade de dé[icit (shortfall
probability, Browne, 1999)
§  De[inição: probabilidade do lucro
ser menor que um valor P (!)
pre;ixado η.
SP (⌘, x) = P (! | f (x, !) < ⌘), 8⌘ 2 R

§  Em termos gerais, quanto menor a
probabilidade de déEicit, melhor
para o tomador de decisão. Análise de Sensibilidade
§  A probabilidade de déEicit é dada ⌘ f (x, !)
pela soma das probabilidades dos
cenários abaixo (“à esquerda”) de
η. SP (⌘, x)

Medidas de risco
§  Incorporando a probabilidade de dé[icit no modelo neutro a
risco:
!
X X
T T
max (1 ) c x+ ⇡(!)q(!) y(!) ⇡(!)✓(!)
x,y(!),✓(!)
!2⌦ !2⌦
s.a:
Estrutura matemática que
Ax = b “conta” quantos cenários
T (!)x + W (!)y(!) = h(!), 8! 2 ⌦ Análise de Sensibilidade
Eicam abaixo de η e
acumula suas
⌘ cT x + q(!)T y(!)  M ✓(!),
Petróleo probabilidades
8! B2rasileiro
⌦ S/A
✓(!) 2 {0, 1}, 8! 2 ⌦
x 2 X, y(!) 2 Y, 8! 2 ⌦

Medidas de risco
0 1
3
X 3 X
X 3 10
X 3
X 10
X
max (1 )@ C
PtC F
f xf ⇡! P
t! yt!
A ⇡! ✓ !
xf ,yt!
t=1 f =1 t=1 !=1 t=1 !=1
s.a:
0  xf  Xfmax , f = 1, 2, 3
3
X
xf + yt! = PtC , t = 1, 2, 3; ! = 1, . . . , 10
f =1 Análise de Sensibilidade
yt! 0, t = 1, 2, 3; ! = 1, . . . , 10 Petróleo Brasileiro S/A
0 1
X 3 X 3 X3 X3
⌘ @ C C
Pt F
f xf
P
t! yt!
A  M ✓! , ! = 1, . . . , 10
t=1 f =1 t=1 t=1
✓! 2 {0, 1}

Medidas de risco
§  Resultados (β = 1, η=$175)
§  FO = $539.44 (13% menor)
§  x1* = 49; x2* = x3* = 0;
Cenário Lucro ($) θ

1 1028.54 0
2 1165.42 0
3 1055.83 0
4 175.00
5 -‐804.27
0
1
6 1247.08 0
7 -‐147.08 1
8 250.73 0
9 849.58 0 10
X
⇤
10 573.54 0 SP ($175, x ) = ⇡! ✓!⇤ = 0.1(1) + 0.1(1) = 0.2
!=1
Medidas de risco
§  Resultados (β = 1, η=$175)
§  FO = $539.44 (13% menor)
§  x1* = 49; x2* = x3* = 0;

1 1028.54 0
2 1165.42 0
3 1055.83 0
4 175.00
5 -‐804.27
0
1
6 1247.08 0
7 -‐147.08 1
8 250.73 0
9 849.58 0 10
X
⇤
10 573.54 0 SP ($175, x ) = ⇡! ✓!⇤ = 0.1(1) + 0.1(1) = 0.2
!=1
Medidas de risco
Observações: probabilidade de dé[icit
§  Aumenta a complexidade do
problema ao inserir variáveis
inteiras na formulação;
§  Não nos permite obter informações
relativas a distribuição dos lucros
além de η;
§  Uma cauda gorda não é capaz de
ser detectada;
§  Não consiste de uma uma medida
coerente de risco: Petróleo Brasileiro S/A
§  Unidade de medida distinta (não
é lucro!);
§  Valor meta Eixo η;

Medidas de risco
Escassez esperada (expected shortage, Acerbi, Nordio e Sirtori, 2001)
§  De[inição: valor esperado do lucro dos cenários com um lucro menor que
um valor preEixado η.
P (!)
E [max{⌘ f (x, !), 0}]

ES(⌘, x) = ⌘ , 8⌘ 2 R
SP (⌘, x)

Para fazer a conta da média, precisamos
considerar só a probabilidade dos cenários Petróleo Brasileiro S/A
que dão lucro menor que η.
⌘ f (x, !)
ES(⌘, x)

Medidas de risco
§  Incorporando a escassez esperada no modelo neutro à risco:
!
X X
T T
max (1 ) c x+ ⇡(!)q(!) y(!) ⇡(!)s(!)
x,y(!),✓(!)
!2⌦ !2⌦
s.a:
Ax = b Estrutura matemática que
T (!)x + W (!)y(!) = h(!), 8! 2 ⌦ acumula quanto cada
⌘ T
c x + q(!) y(!)T Análise
 s(!), 8! 2 ⌦
de Sensibilidade
cenário excedeu η e calcula
a média dos excessos.
s(!) 0, 8! 2 ⌦
x 2 X, y(!) 2 Y, 8! 2 ⌦

Medidas de risco
0 1
X3 3 X
X 3 10
X 3
X 10
X
max (1 )@ C
PtC F
f xf ⇡! P
t! yt!
A ⇡! s !
xf ,yt!
t=1 f =1 t=1 !=1 t=1 !=1
s.a:
0  xf  Xfmax , f = 1, 2, 3
3
X
xf + yt! = PtC , t = 1, 2, 3; ! = 1, . . . , 10
f =1 Análise de Sensibilidade
yt! 0, t = 1, 2, 3; ! = 1, . . . , 10 Petróleo Brasileiro S/A
0 1
X 3 XX3 3 X3
⌘ @ C C
Pt F
f xf
P
t! yt!
A  s! , ! = 1, . . . , 10
t=1 f =1 t=1 t=1
s! 0

Medidas de risco
§  Resultados: (β = 1, η=$0)
§  FO = $208.65 (62% menor)
§  x1* 50; x2* = 30; x3* = 25
Cenário Lucro ($) s

1 463.50 0
2 499.50 0
3 502.00 0
4
5
69.50
-‐545.50 545.50
0
6 626.00 0
7 -‐140.50 140.50
8 106.00 0 P10 ⇤
9 363.00 0 ⇤ !=1 ⇡! s! 54.55 + 14.05
ES(0, x ) = 0 P10 = = $342.75
!=1|s⇤ 0 ⇡!
0.2
10 143.00 0

Medidas de risco
§  Resultados: (β = 1, η=$0)
§  FO = $208.65 (62% menor)
§  x1* 50; x2* = 30; x3* = 25

1 463.50 0
2 499.50 0
3 502.00 0
4
5
69.50
-‐545.50 545.50
0
6 626.00 0
7 -‐140.50 140.50
8 106.00 0 P10 ⇤
9 363.00 0 ⇤ !=1 ⇡! s! 54.55 + 14.05
ES(0, x ) = 0 P10 = = $342.75
!=1|s⇤ 0 ⇡!
0.2
10 143.00 0

Medidas de risco
§  Observações: escassez esperada
§  Note que, neste caso:
§  A complexidade é pouco
afetada;
§  O risco é medido na mesma
unidade do lucro;
§  No entanto, ainda assim não é
uma medida coerente de risco:
§  Valor Eixo η Análise de Sensibilidade

Medidas de risco
Value-‐at-‐Risk (Jorion, 2000)
§  De[inição: Dado uma probabilidade
α, O VaR é dado pelo maior valor η
que garante que a probabilidade de P (!)
se obter um lucro menor que η é
menor que 1-‐α.
V aR(↵, x) = max{⌘ :
P (!|f (x, !) < ⌘)  1 ↵}, 8↵ 2 (0, 1)
§  Pode-‐se pensar o VaR como sendo o
quantil (1-‐α) da distribuição do The image cannot be
displayed. Your
f (x, !)
lucro
The image
cannot be
displayed. Your

Medidas de risco
§  Incorporando o VaR ao modelo neutro à risco:
!
X
T
max (1 ) c x+ ⇡(!)q(!)T y(!) + ⌘
x,y(!),✓(!),⌘
!2⌦
s.a:
Ax = b
Estrutura matemática que
T (!)x + W (!)y(!) = h(!), 8! 2 ⌦ “conta” quais cenários
X
⇡(!)✓(!)  1 ↵ Análise de Sensibilidade
excederam η ao passo que
maximiza η dinamicamente
!2⌦ Petróleo Brasileiro S/A
⌘ cT x + q(!)T y(!)  M ✓(!), 8! 2 ⌦
✓(!) 2 {0, 1}, 8! 2 ⌦
x 2 X, y(!) 2 Y, 8! 2 ⌦

Medidas de risco
§  Voltando ao e0xemplo: 1
3
X 3 X
X 3 10
X 3
X
max (1 )@ C
PtC F
f xf ⇡! P
t! yt!
A + ⌘
xf ,yt! ,✓! ,⌘
t=1 f =1 t=1 !=1 t=1
s.a:
0  xf  Xfmax , f = 1, 2, 3
3
X
xf + yt! = PtC , t = 1, 2, 3; ! = 1, . . . , 10
f =1
yt!
0
0, t = 1, 2, 3; ! = 1, . . . , 10
3 3 X
3 3
Análise
1 de Sensibilidade
X X X Petróleo
⌘ @ C
PtC F
f xf
P ABrasileiro S/A
t! yt!  M ✓! , ! = 1, . . . , 10
t=1 f =1 t=1 t=1
10
X
⇡! ✓ !  1 ↵
!=1
✓! 2 {0, 1}, ! = 1, . . . , 10
Medidas de risco
§  Resultados: (β = 1, α=0.8)
§  FO = $535.75 (η=$177.50)
§  x1* 50; x2* = 0; x3* = 0

1 1022.50 0
2 1157.50 0
3 1050.00 0
4 177.50 0 Análise de Sensibilidade
η (VaR)
5 -‐795.00 1 Petróleo Brasileiro S/A
6 1240.00 0
7 -‐142.50 1
8 252.50 0
P (!|f (x, !) < ⌘) = 0.1 + 0.1 = 0.2
9 845.00 0
10 570.00 0

Medidas de risco
§  Resultados: (β = 1, α=0.8)
§  FO = $535.75 (η=$177.50)
§  x1* 50; x2* = 0; x3* = 0

1 1022.50 0
2 1157.50 0
3 1050.00 0
η (VaR)
5 -‐795.00 1 Petróleo Brasileiro S/A
6 1240.00 0
7 -‐142.50 1
8 252.50 0
P (!|f (x, !) < ⌘) = 0.1 + 0.1 = 0.2
9 845.00 0
10 570.00 0

Medidas de risco
§  Obsevações: VaR
§  Também aumenta a
complexidade do problema, ao
inserir variáveis inteiras;
§  Assim como o shortfall
probability, não é possível obter
informações referentes à
“espessura” da cauda;
§  A cauda pode ser “gorda”, no
sentido de cenários Análise de Sensibilidade
avassaladores poderem vPetróleo ir a Brasileiro S/A
ocorrer com relativa
probabilidade;
§  Não é uma medida coerente de
risco

Medidas de risco
§  Value-‐at-‐Risk Condicional
(CVaR, Rockafellar e Uryasev,
2000) P (!)
§  De[inição: Dado uma

probabilidade α, O CVaR é
deEinido como a média dos lucros
menores que o quantil 1-‐α da
distribuição de lucro.
§  No caso de todos os cenários
serem equiprováveis, o CVaR é Análise de Sensibilidade
⌘
computado como o lucro f (x, !)
esperado dos (1-‐ α)% piores
cenários. CV aR(↵, x)
1
CV aR(↵, x) = max{⌘ E[max{⌘ f (x, !), 0}]}, 8↵ 2 (0, 1)
1 ↵

Medidas de risco
§  Incorporando o CVaR ao modelo neutro à risco:
! ✓ P ◆
X
!2⌦ ⇡(!)s(!)
max (1 ) cT x + ⇡(!)q(!)T y(!) + ⌘
x,y(!),s(!),⌘ 1 ↵
!2⌦
s.a:
Ax = b
T (!) + W (!)y(!) = h(!), 8! 2 ⌦ Estrutura matemática que
⌘ cT x + q(!)T y(!)  s(!), 8! 2 ⌦ Análise de Sensibilidade
acumula o que excede de η ao
passo que maximiza η
s(!) 0, 8! 2 ⌦ Petróleo Brasileiro S/A
x 2 X, y(!) 2 Y, 8! 2 ⌦

Medidas de risco
0 1
3
X 3 X
X 3 10
X 3
X
max (1 )@ C
PtC F
f xf ⇡! P
t! yt!
A+
xf ,yt! ,✓! ,⌘
t=1 f =1 t=1 !=1 t=1
P10 !
!=1⇡! s !
⌘
1 ↵
s.a:
0  xf  Xfmax , f = 1, 2, 3

3
X
xf + yt! = PtC , t = 1, 2, 3; ! = 1, . . . , 10
f =1 Petróleo Brasileiro S/A
yt! 0, t = 1, 2, 3; ! = 1, . . . , 10
0 1
X3 3 X
X 3 3
X
⌘ @ C
PtC F
f xf
P
t! yt!
A  s! , ! = 1, . . . , 10
t=1 f =1 t=1 t=1
s! 0, ! = 1, . . . , 10
Medidas de risco
§  Resultados: (β = 1, α = 0.8)
§  FO = $208.65 (62% menor)
§  x1* 50; x2* = 30; x3* = 25

1 463.50 0
2 499.50 0
3 502.00 0
5 -‐545.50 405.00 Petróleo Brasileiro S/A
6 626.00 0
7 -‐140.50 0
8 106.00 0
9 363.00 0 1
10 143.00 0
CV aR(↵, x) = 140.50 (0.1 ⇥ 405.00) = 343.00
1 0.8
Medidas de risco
§  Resultados: (β = 1, α = 0.8)
§  FO = $208.65 (62% menor)
§  x1* 50; x2* = 30; x3* = 25

1 463.50 0
2 499.50 0
3 502.00 0
5 -‐545.50 405.00 Petróleo Brasileiro S/A
6 626.00 0
7 -‐140.50 0
8 106.00 0
9 363.00 0 1
10 143.00 0
CV aR(↵, x) = 140.50 (0.1 ⇥ 405.00) = 343.00
1 0.8
Medidas de risco
§  Observações: CVaR
§  Também conhecido como “mean
excess loss” ou “average value-‐at-‐
risk”
§  Não aumenta a complexidade pois
não são adicionadas variáveis
inteiras;
§  É capaz de levar em conta o efeito
de “caudas gordas”;
§  E ainda é uma medida coerente de
risco. Petróleo Brasileiro S/A

Medidas de risco
§  Observações Einais:
§  Levar em conta riscos permite tomar decisões que evitam resultados
indesejados
§  Usualmente, a gestão de risco é feito por intermédio de medidas de
risco.
§  Algumas medidas tradicionais:
§  Variância – não-‐linear
§  Shortfall probability e expected shortfall – requerem targets e aumentam
complexidade, mas são amigáveis no que se refere a algoritmos de
decomposição
Petróleo
§  VaR e CVaR não usam tais targets. Mais Barasileiro S/A
inda, CVaR é coerente.
§  Atualmente CVaR é amplamente utilizado pois, além de ser uma medida
coerente, pode ser expresso através de funções lineares

Otimização Robusta
§  Consiste de um paradigma completamente diferente, no que se refere a
consideração de incerteza em problemas de otimização;
§  Neste caso, o paradigma envolve questões como aversão à risco e
viabilidade
§  Alguns autores consideram a utilização de medidas de risco e o uso de chance
constraints como otimização robusta
§  Os primeiros trabalhos sobre otimização robusta datam da década de 50
§  Análise de pior caso e modelos maximin (ou minimax);
§  Na década de 70, ganhou força novamente com o trabalho de Soyster (73).
Petróleo
§  Um novo “boom” aconteceu no início Brasileiro
da década S/A
de 00, com os trabalhos de Dimitri
Bertsimas e Melvin Sim (2004).
§  Atualmente, existem diversas formas de se ver um problema de otimização
que podem ser consideradas com sendo “otimização robusta”

§  Oriunda da necessidade de se
DETERMINÍSTICO
gerar soluções robustas. min cT x + d
x
§  Imunes à erros de estimação dos
dados de entrada ou eventuais
s.a: Ax  b
variabilidades;
§  O conceito de robustez está Conjunto de!
intrinsicamente atrelado a
SOB INCERTEZA
incerteza!
min cT x + d
deEinição de um conjunto de x
incerteza. s.a: Ax  b, (c, d, A, b) 2 ⇥
§  Conjunto que deEine a Análise de Sensibilidade
permissividade de variabilidade;
§  A geometria do conjunto de
incerteza é fundamental para a ROBUSTO
min { max cT x + d}
x (c,d,A,b)2⇥
tratabilidade do problema;
s.a: Ax  b Pior caso!

§  A otimização robusta se baseia na “análise de pior caso”
§  Estaremos sempre buscando a melhor solução possível, assumindo que a
natureza se comportará da pior maneira possível.
§  Desta forma, seja o seguinte problema de otimização linear:
min cT x + d min cT x + d
x x
s.a: Ax  b s.a: Ax  b, (c, d, A, b) 2 ⇥
Modelo determinísAco
Modelo sob incerteza Conjunto de
Petróleo Brasileiro S/A incerteza
§  Assumindo que o valor da função objetivo é nosso “medidor de qualidade” de
uma dada solução, temos…

§  Assumindo que o valor da FO é nosso “medidor de qualidade” de uma dada
solução, temos…
§  Pior que pode acontecer:
max cT x + d
(c,d,A,b)2⇥
§  Dessa forma, podemos deEinir o nosso problema robusto (contraparte

robusta) como sendo:
min {
Análise
max T
c x + d}
de Sensibilidade
x Petróleo Brasileiro S/A
(c,d,A,b)2⇥
s.a: Ax  b
Pior caso (worst-‐
case scenario)

§  Hipóteses básicas:
1.  As variáveis de decisão x representam decisões do tipo “aqui e agora”, ou seja, a
elas devem ser atribuídos valores como resultado da resolução do problema antes
que os dados reais se revelem;
2.  O agente tomador de decisão só é responsável pelas consequências das decisões
realizadas quando, e somente quando, os dados reais estão dentro do conjunto
de incertezas Θ;
3.  As restrições são inElexíveis, i.e., não são permitidas violações;
§  DeEinições:
§  Conjunto de incerteza: seja o conjunto Ji o conjunto de coeEicientes de uma dada
linha i de A que estão sujeitos à incerteza.
§  Cada entrada aij de A é modelada como uma variável aleatória ãij que assume
valores no intervalo simétrico e limitado [aij – âij, aij + âij ]. Além disso, deEinimos
ηij = (ãij -‐ aij)/âij, que obedece uma distribuição qualquer desconhecida e assume
valores no intervalo [-‐1, 1] ;

§  Dessa forma, podemos pensar (sem perda de generalidade) a contraparte
robusta como sendo o seguinte problema de otimização binível:
min cT x
x
8 9
X <X =
s.a: aij xj + max ⌘ij âij xj  bi , 8i
⌘2U : ;
j j2Ji
xj 0, 8j
Pior caso (worst-‐case
scenario)
§  Observação: Análise de Sensibilidade
§  No caso de a incerteza ser em Petróleo
um dos cBoeEicientes
rasileiro S/A
da FO, ou em um termo
independente, o problema pode ser facilmente reescrito na forma acima.
§  Para tal, basta reescrever a função objetivo como uma restrição e “anexa-‐la” a
matriz A.

Contraparte robusta
Representação em “caixa” (Soyster,
1973)
§  A ideia é utilizar uma caixa para ã2
representar o conjunto de possíveis
valores para os parâmetros incertos
§  Utiliza-‐se o máximo nível de
proteção possível; [a2 + â2 ]
§  Assume-‐se que todos os a2
parâmetros incertos assumirão
o pior valor possível [a2 â2 ]
simultâneamente. Análise de Sensibilidade
§  Vantagem: simplicidade de Petróleo Brasileiro S/A
implementação;
§  Desvantagem: elevado grau de [a1 â1 ] a1 [a1 + â1 ] ã1
conservadorismo (alta deterioração
da função-‐objetivo)

Contraparte robusta
1973) DeEinição da caixa como conjunto de incerteza:
§  A ideia é utilizar uma caixa para
U = {⌘ | k⌘k1  1} = {|⌘j |  1, 8j 2 Ji }
valores para os parâmetros incertos
§  Utiliza-‐se o máximo nível de No pior caso, temos que:
proteção possível;
8 9
<X =
§  Assume-‐se que todos os max ⌘ij âij xj : |⌘j |  1, 8j 2 Ji
parâmetros incertos assumirão ⌘2U : ;
j2Ji
o pior valor possível X
simultâneamente. = Análise de Sensibilidade
âij xj
§  Vantagem: simplicidade de j2Ji
implementação;
§  Desvantagem: elevado grau de
conservadorismo (alta deterioração No óAmo do pior caso, η = 1 se âij é
da função-‐objetivo) posi7vo para todo i,j

Contraparte robusta
1973) Assim, a contraparte robusta pode ser escrita
§  A ideia é utilizar uma caixa para como sendo:
min cT x
valores para os parâmetros incertos x
X X
§  Utiliza-‐se o máximo nível de s.a: aij xj + âij xj  bi , 8i
proteção possível; j j2Ji
§  Assume-‐se que todos os xj 0, 8j
parâmetros incertos assumirão
o pior valor possível Parcela de proteção ao pior
simultâneamente. Análise de Sensibilidade
caso.
§  Vantagem: simplicidade de Petróleo Brasileiro S/A
implementação;
U = {⌘ | k⌘k1  1} = {|⌘j |  1, 8j 2 Ji }
§  Desvantagem: elevado grau de
conservadorismo (alta deterioração
da função-‐objetivo)

Contraparte robusta
Representação em “esfera” (Ben-‐Tal &
Nemirovski, 2000)
§  A ideia é reduzir o elevado
conservadorismo da representação ã2
de Soyster por intermédio de uma
estrutura geométrica elipsoidal. ΩΩ= 1
§  A intuição da forma utilizada se refere
[a2 + â2 ]
ao “feeling” que a probabilidade de
todos os parâmetros assumirem seus a2
piores casos simultaneamente é baixa.
§  A técnica permite que seja controlado [a2 â2 ]
o nível de conservadorismo, através da
deEinição do “diâmetro” Petróleo Brasileiro S/A
§  Vantagem: redução (e eventual
controle) do conservadorismo;
[a1 â1 ] a1 [a1 + â1 ] ã1
§  Desvantagem: aumenta a
complexidade do problema (SOCP)

Contraparte robusta
Nemirovski, 2000)
§  A ideia é reduzir o elevado
conservadorismo da representação ã2
estrutura geométrica elipsoidal. ΩΩ= √2
§  A intuição da forma utilizada se refere
[a2 + â2 ]
todos os parâmetros assumirem seus a2
§  A técnica permite que seja controlado [a2 â2 ]
deEinição do “diâmetro” Petróleo Brasileiro S/A
§  Vantagem: redução (e eventual
controle) do conservadorismo;
[a1 â1 ] a1 [a1 + â1 ] ã1

Contraparte robusta
Nemirovski, 2000) DeEinição do elipsóide como conjunto de incerteza:
8 9
§  A ideia é reduzir o elevado <X =
2 2
conservadorismo da representação U = {⌘ | k⌘k2  ⌦} = ⌘j  ⌦
: ;
j2Ji
No pior caso, temos que:
estrutura geométrica elipsoidal. 8 9
§  A intuição da forma utilizada se refere <X X =
2 2
max ⌘ij âij xj : ⌘ij  ⌦
ao “feeling” que a probabilidade de ⌘2U :
j2Ji j2Ji
;
todos os parâmetros assumirem seus 8v
0 12
9
> u >
piores casos simultaneamente é baixa. >
<uu X X >
=

t@ ⌘ij âij xj A : 2
⌘ij  ⌦ 2
§  A técnica permite que seja controlado = max
⌘2U > >
>
: j2Ji j2Ji >
;
deEinição do “diâmetro” Petróleo B8rasileiro
v0
u
S1/A 0 12
9
>
> u X 2 >
>
§  Vantagem: redução (e eventual < u X X =
= max t @ ⌘ij A @ âij xj A : 2
⌘ij  ⌦ 2
controle) do conservadorismo; ⌘2U > >
: j2Ji j2Ji j2Ji
>
>
;
§  Desvantagem: aumenta a sX
complexidade do problema (SOCP) =⌦ â2ij x2j
j2Ji

Contraparte robusta
Nemirovski, 2000) Assim, a contraparte robusta pode ser escrita
§  A ideia é reduzir o elevado como sendo:
conservadorismo da representação min cT x
de Soyster por intermédio de uma x
sX
estrutura geométrica elipsoidal. X
s.a: aij xj + ⌦ â2ij x2j  bi , 8i
§  A intuição da forma utilizada se refere j j2Ji
xj 0, 8j
todos os parâmetros assumirem seus
§  A técnica permite que seja controlado
Parcela de proteção ao
pior caso.
deEinição do “diâmetro” Petróleo Brasileiro S/A 8 9
§  Vantagem: redução (e eventual <X =
controle) do conservadorismo; U = {⌘ | k⌘k2  ⌦} = ⌘j2 ⌦ 2
: ;
j2Ji

Contraparte robusta
Representação poliédrica (Bertsimas
& Sim, 2004)
§  Neste caso também busca-‐se reduzir
o nível de conservadorismo com ã2
relação ao método de Soyster;
Γ=1
§  A ideia é controlar, através de um
parâmetro ajustável Γ, que
[a2 + â2 ]
representa quantas “dimensões”
podem assumir o pior caso. a2
§  Contingência guarda-‐chuva: o
método garante que sempre Análise de Sensibilidade
serão considerados os Γ que mais
[a2 â2 ]
“prejudicam” o problema. Petróleo Brasileiro S/A

§  Vantagem: controle do
conservadorismo e simplicidade; [a1 â1 ] a1 [a1 + â1 ] ã1
§  Desvantagem: interpretação de Γ;

Contraparte robusta
& Sim, 2004)
o nível de conservadorismo com ã2
relação ao método de Soyster;
Γ=2
§  A ideia é controlar, através de um
[a2 + â2 ]
podem assumir o pior caso. a2
método garante que sempre Análise de Sensibilidade
[a2 â2 ]
“prejudicam” o problema. Petróleo Brasileiro S/A

§  Vantagem: controle do
conservadorismo e simplicidade; [a1 â1 ] a1 [a1 + â1 ] ã1

Contraparte robusta
DeEinição do poliédro Γ-‐dimensional como
& Sim, 2004) conjunto de incerteza:
§  Neste caso também busca-‐se reduzir X
o nível de conservadorismo com U = {⌘ | k⌘k1  } = { |⌘j |  }
relação ao método de Soyster; j2Ji
§  A ideia é controlar, através de um No pior caso, temos que:
8 9
parâmetro ajustável Γ, que <X X =
representa quantas “dimensões” max
⌘2U :
⌘ij âij xj : |⌘j | 
;
podem assumir o pior caso. j2Ji j2Ji

método garante que sempre
Que pode ser escrito como o seguinte
problema
Petróleo B de otimização:
rasileiro S/A
“prejudicam” o problema. X
max âij xj zij
§  Vantagem: controle do z
j2Ji
conservadorismo e simplicidade; X
s.a: zij  i
j2Ji
0  zij  1, 8j 2 Ji
Contraparte robusta
Representação poliédrica (Bertsimas Para que evitemos poblemas de não-‐
& Sim, 2004) linearidade, consideramos a formulação dual
deste problema:
X
o nível de conservadorismo com max âij xj zij
relação ao método de Soyster; z
j2Ji
§  A ideia é controlar, através de um X
s.a: zij  i
j2Ji
podem assumir o pior caso. 0  zij  1, 8j 2 Ji
X
“prejudicam” o problema. Petróleo Brasileiro
min S/A pij + i ⇡i
⇡,p
j2Ji
§  Vantagem: controle do s.a: ⇡i + pij âij xj
conservadorismo e simplicidade;
pij 0, 8j 2 Ji
⇡i 0

Contraparte robusta
& Sim, 2004) Assim, a contraparte robusta pode ser escrita
§  Neste caso também busca-‐se reduzir como sendo:
o nível de conservadorismo com
relação ao método de Soyster; min cT x
x
§  A ideia é controlar, através de um X X
s.a: aij xj + ⇡i i + pij  bi , 8i
parâmetro ajustável Γ, que j j2Ji
podem assumir o pior caso. ⇡i + pij âij yj , 8i, j 2 Ji
§  Contingência guarda-‐chuva: o xj 0, 8j
pij 0, 8i, j
⇡i 0, 8i
Parcela de
Petróleo Brasileiro S/A proteção ao
“prejudicam” o problema. pior caso.
§  Vantagem: controle do X
conservadorismo e simplicidade; U = {⌘ | k⌘k1  } = { |⌘j |  }
j2Ji

Exemplo Prático
Problema da mochila
X
max c j xj
x
j
X
s.a: qj x j  V
j
0  xj  1, 8j
§  Instância considerada: Análise de Sensibilidade

Petróleo
§  50 itens, cj = U[1, 200], pj = U[1, 100]; Brasileiro S/A
§  Desvios aleatórios de 50% para qj ;

Exemplo Prático
Problema da mochila
§  Contrapartes robustas
X
Soyster X Bertsimas & Sim
max c j xj max c j xj
x x
j j
X X X X
s.a: qj x j + q̂j xj  V s.a: qj xj + ⇡ + pj  V
j j j j
0  xj  1, 8j ⇡ + pj q̂j xj , 8j
X Análise de 0 Sensibilidade
Ben-‐Tal & Nemirovski
x  1, 8j j
max cj xj Petróleo Brasileiro S/A
x
j
X sX
s.a: qj x j + ⌦ q̂j2 x2j  V
j j
0  xj  1, 8j
Exemplo Prático
Resultados:
Ben-‐Tal & Bertsimas &
Soyster Nemirovski Sim
# Var. 50 50 101
# Const. 51 51 101
Tipo LP NLP LP
FO 3874 4388 4483-‐3847
Γ = 1 a 50
4600
4500
4400
Valor da FO
4300 Pior caso sempre coberto

4200 para Γ> 30
4100
4000
3900
3800
1 6 11 16 21 26 31 36 41 46 51
Γ

Garantias probabilísticas
ã2
§  Tanto a geometria quanto a extensão do
Γ=1
conjunto de incerteza é deEinida pelo
decisor. [a2 + â2 ]
§  O espaço de incerteza, por sua vez, é a2
pre-‐estabelecido a priori. [a2 â2 ]
§  Dependendo do “orçamento de

robustez” estabelecido, a abrangência
do espaço é maior ou menor, segundo o [a1 â1 ] a1 [a1 + â1 ] ã1
ã2
quanto de tal espaço é coberto pelo
conjunto estabelecido. Análise de Sensibilidade
Γ=2
§  Ao analisar a proporção entre o Petróleo Brasileiro

[a2 + â2 ] S/A
conjunto de incerteza e o espaço de a2
incerteza, podemos pensar em [a2 â2 ]
probabilidades de viabilidade
[a1 â1 ] a1 [a1 + â1 ] ã1

ã2
§  Se o conjunto de incerteza cobre
Γ=1
completamente o espaço de incerteza
temos que probabilidade de [a2 + â2 ]
inviabilidade é zero (Soyster). a2
§  No entanto, pode ser conservador [a2 â2 ]
demais buscar cobrir o espaço de

incerteza completamente.
§  Dessa forma, buscamos avaliar o [a1 â1 ] a1 [a1 + â1 ] ã1
ã2
trade-‐off entre cobrir parte do
conjunto, aceitando certo grau de Análise de Sensibilidade
Γ=2
exposição. Petróleo Brasileiro
[a2 + â2 ] S/A
§  A pergunta é: como medimos esse grau a2
de exposição? [a2 â2 ]
§  Usando uma medida de probabilidade
de inviabilidade.
[a1 â1 ] a1 [a1 + â1 ] ã1

Probabilidade de inviabilidade
§  Podemos deEinir a probabilidade de inviabilidade como sendo o seguinte:
8 9
<X X =
vio
P = Pr aij xj + ⌘j âij xj > bi
: ;
j j2Ji
§  Existem vários limites para essa probabilidade que são conhecidos na
literatura.
§  Em geral eles estão associados com a geometria do conjunto
§  Um exemplo é a expressão geral, que Petróleo Brasileiro S/A
é comprovadamente um limite para Pvio é dado
por:
onde:
2 = = 1 (Soyster)
P vio  e 2|Ji | = ⌦ (Ben-tal e Nemirovski)
= (Bertsimas e Sim)

Probabilidade de inviabilidade
§  Podemos deEinir a probabilidade de inviabilidade como sendo o seguinte:
8 9
<X X =
vio
P = Pr aij xj + ⌘j âij xj > bi
: ;
j j2Ji
Limite para probabilidade

1
0.9

0.8
0.7
Probabilidade
0.6
0.5
0.4
0.3
0.2
0.1
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49
Gama
Restrições probabilísticas
§  Em determinadas situações pode não ser possível o estabelecimento de
custos de recurso
§  Pensando no custo do recurso como uma penalização para o desvio face a
uma meta, pode ser o caso de estarmos interessados em atendê-‐la somente
na maioria dos casos
§  Ou seja, que, para algumas realizações, tais metas poderiam não ser atendidas.
§  Dessa forma, consideraremos que uma decisão será admissível se ela

satisfazer as restrições com probabilidade igual ou maior que um grau
de con;iabilidade α
p(x) := P{T (!)x h(!)} ↵

§  Tais restrições são conhecidas como restrições probabilisticas e busam
inserir a consideração admissibilidade relativa.
p(x) := P{T (!)x h(!)} ↵

§  T(ω) é uma matriz m x n, h(ω) um vetor m e p(x) representa a conEiabilidade
da decisão.
§  Pensando em T(ω)x ≥ h(ω) como uma meta, p(x) pode ser entendido como a

probabilidade de satisfazer tal meta.
§  Note que, neste caso, estamos preocupados com a satisfação
Petróleo Brasileiro S/A da meta (T(ω)x
≥ h(ω)), sem se importar com a magnitude da violação.
§  Em problemas com recurso a ótica é exatamente oposta.

§  Existem duas classes de restrições probabilísticas:
§  Restrições Probabilísticas Individuais (RPI)
pi (x) := P{Ti (!)x hi (!)} ↵i , 8i = 1, . . . , m
§  Restrições Probabilísticas Conjuntas (RPC)

p(x) := P{Ti (!)x hi (!), 8i = 1, . . . , m} ↵

§  A principal diferença é que, nas RPI, metas são estabelecidas
individualmente, enquanto nas RPC há uma espécie de atendimento
simultâneo. Petróleo Brasileiro S/A
§  Se, quando agrupadas, as metas individuais representam uma única meta
síntese è RPC
§  Se cada uma das metas individuais descreve um objetivo diferente è RPI

§  Existem duas classes de restrições probabilísticas:
§  Restrições Probabilísticas Individuais (RPI)
pi (x) := P{Ti (!)x hi (!)} ↵i , 8i = 1, . . . , m
§  Restrições Probabilísticas Conjuntas (RPC)

p(x) := P{Ti (!)x hi (!), 8i = 1, . . . , m} ↵

§  Considerações de ordem prática: em geral, RPC são muito mais diEíceis
computacionalmente do que várias RPI.
§  Em alguns casos podem ser usar RPI para aproximar uma RPC
§  Propriedade: considere p(x) > α. Se x satisfaz pi(x) > αi, para todo i = 1,…,
m, sendo αi = 1 – (1-‐α)/m, então x satisfaz p(x) > α (vide desigualdade de
Bonferroni)

§  Exemplo: gestão de um fundo de pensão
§  Considere um fundo de pensão de uma companhia com certas obrigações
Einanceiras para os próximos 15 anos.
§  Capital inicial $250 000,00.
§  Três títulos (bonds) que dão retornos anuais (coupons).
§  Objetivo: maximizar o total de dinheiro ao Eim de 15 anos.
§  αij – rendimento por título I no ano j
§  βj – pagamento a ser feito no ano j

§  γi – custo por título do tipo I
§  xi – quantidade de títulos i a serem comprados
Petróleo
j
Brasileiro S/A
j
n
X n
XX X
K i xi + ↵ik xi k
i=1 k=1 i=1 k=1
Dinheiro após Rendimentos dos Pagamentos

a compra títulos

§  Exemplo: gestão de um fundo de pensão
§  Vamos assumir que queremos montantes de dinheiro positivos em todos os
períodos.
n
X j X
X n j
X
K i xi + ↵ik xi k 0, 8j = 1, . . . , 15
i=1 k=1 i=1 k=1

§  SimpliEicando a notação:
j Lucro com bounds
X
Análise
ade
x Sensibilidade
n
X até o ano m
aij := ↵ik i max im i
x 0
k=1 Petróleo Brasileiro
i S/A Lucro positivo em
n cada ano
j
X X
bj := K s.a: aij xi bj , j = 1, . . . , m
k
i
k=1

§  Dados do problema e solução:

Solução ótima:
Valor Einal: 127 331,97
⇤1 , x⇤2 , x⇤3 ) = (31, 11; 55, 53; 147, 29)
(x

Fluxo de dinheiro ao longo dos anos


§  Note que, formalmente, em nenhum
momento a restrição é violada, porém em 3
momentos temos uma quantidade de
dinheiro nula.
§  Solução muito dependente da exatidão dos
pagamentos (βj)
§  Agora, vamos considerar que tais
pagamentos se comportam como uma
variável aleatória de média βj e desvio-‐
padrão 500 x j.
§  Ao simularmos 100 cenários e analisarmos
o Eluxo de dinheiro, observamos que 77
dos 100 cenários apresentam ;luxo
negativo em algum momento do horizonte
de planejamento (15 anos)

§  De forma a tornar a solução mais robusta, vamos utilizar
restrições probabilisticas individuais
§  Pediremos que a probabilidade de se estar com uma quantidade positiva
de dinheiro seja maior que α = 95%.
§  Para tal, vamos deEinir: j
X
⇠j = ˜j K
k=1
§  Assim, podemos reescrever nosso problema como sendo:
n
max aim xi Petróleo Brasileiro S/A
x 0
i
( n
)
X
s.a: P aij xi ⇠j ↵j , j = 1, . . . , m
i

§  Em geral, tais problemas não são fáceis de resolver.
§  Em geral se baseia em aproximações ou premissas que simpliEicam o
tratamento.
§  Nesse caso em particular, assumindo normalidade e independência,
temos: Independência
Normalidade
j
X
2
= 2 1
⇠j k, j = 1, . . . , m ⌘j = ⇠i (⇠j j)
k=1
n
X
!
Análise
1
Xn de Sensibilidade
! !
P aij xi ⇠j P
↵j = Petróleo
⇠j Brasileiro
aij xS/A
i bj ⌘j
i=1 i=1
n
! n
X X Linear e
P aij xi ⇠j ↵j ) aij xi bj + ⇠ j q↵ j comportada!
i=1 i=1

§  Solução ótima

Valor ;inal: $103 924,54
§  Há uma tendência de migração para os
títulos de menor prazo (x⇤1 , x⇤2 , x⇤3 ) = (62, 87; 72, 63; 101, 06)
§  Aqui, 14 dos 100 cenários apresentam
Eluxo negativo.
§  Note que, ainda assim, não é uma proteção
deEinitiva, dado que a proteção é feita para
cada ano


§  O problema é que, apesar das restrições RPI garantirem que em cada ano a
probabilidade de rendimentos negativos ser pequena, a probabilidade de
rendimentos negativos em pelo menos um ano continua alta.
§  Note que, para uma conEiabilidade de 95%, 14% dos cenários apresentam Eluxo negativo ao
longo dos 15 anos.
§  Para, tal podemos considerar tais restrições de forma conjunta, por
intermédio de RPC
§  Dessa, podemos reformular nosso problema como sendo:
X n
max aim xi
x 0
i
( n
X Análise de
) Sensibilidade
s.a: P aij xiPetróleo
⇠j , j =B1, . . . , m S/A ↵
rasileiro
i
§  Má notícia: integral multidimensional para a qual não é conhecida conversão
determinística.
§  Alguns softwares possuem módulos built-‐in para tratamento desse tipo de problema,
particularmente no caso normal multivariado.
§  São dados de entrada o vetor de médias e a matriz de covariância.
§  Solução ótima
§  Novamente há uma tendência de migração para os títulos de menor prazo
§  Aqui, somente 5 dos 100 cenários apresentam Eluxo negativo.
Valor ;inal: $99 101,75
(x⇤1 , x⇤2 , x⇤3 ) = (66, 91; 80, 26; 89, 30)


Propriedades importantes:
§  Problemas com restrições probabilística são pouco difundidos devido a
sua complexidade computacional.
§  Não existem resultados gerais que garantam convexidade do conjunto
viável desse tipo de restrição.
RP C : C(↵) = {x | p(x) ↵}
RP I : C(↵1 , . . . , ↵m ) = \m m
i=1 Ci (↵i ) = \i=1 {pi (x) ↵i }
§  Ex.: ω uniforme [0, 1] Análise de Sensibilidade

p(x) = P(!x1 + x2 7) Petróleo Brasileiro S/A
✓ ◆
7 x2 7 x2
=P ! 1 ↵ ) (1 ↵)x1 + x2 7
x1 x1
7 x2
=1
x1
§  Problemas com restrições probabilística são pouco difundidos devido a
sua complexidade computacional.
§  Não existem resultados gerais que garantam convexidade do conjunto
viável desse tipo de restrição.
RP C : C(↵) = {x | p(x) ↵}
RP I : C(↵1 , . . . , ↵m ) = \m m
i=1 Ci (↵i ) = \i=1 {pi (x) ↵i }
§  Ex.: ω uniforme [0, 1] Análise de Sensibilidade

7 x2
1 ↵ ) (1 ↵)x1 + x2 7
x1
α = 0,3 α = 0,7
Só é convexo para α > 0,5!

§  BOA NOTÍCIA: Existem casos particulares para os quais são garantidos
resultados de convexidade
§  Caso 1: Caso univariado, matriz T determinística e h(ω) = ω. Sendo F a a
função distribuição (acumulada) de ω, C(α) é fechado e convexo para α =[0,1]
1
p(x) := P{T x !} ↵ ) C(↵) = {x | T x F (↵)}
§  Caso 2: Caso multivariado, matriz T deterministica e h(ω) = ω. Sendo F a
função distribuição (acumulada) e f a densidade de ω, se:
1.  log(f) é côncava (Prékopa) ou Petróleo Brasileiro S/A
2.  f-‐1/m é convexa (Borell)
Então C(α) é fechado e convexo para α =[0,1]
§  Casos onde isso vale: Normal multivariada e uniforme.

§  BOA NOTÍCIA: Existem casos particulares para os quais são garantidos
resultados de convexidade
§  Caso 3: Caso multivariado, matriz T estocástica e e h(ω) = h determinístico.
com média μ e matriz de covariância Σ. Então C(α) é convexo para α =[1/2,1]
n p o
C(↵) = x 2 Rn | µT x h+ 1
(↵) xT ⌃x

§  Quando a matriz T não é constante, tais problemas crescem muito em
complexidade. Petróleo Brasileiro S/A
§  Podem ser usadas técnicas de amostragem para obtenção de estimativas
para valor da solução ótima
§  Em geral, usa-‐se o caso normal como referência


1537187765ebook - PDCA - Po

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

1537187765ebook - PDCA - Po

Загружено:

Авторское право:

Доступные форматы

Mini-curso:

Introdução à otimização sob incerteza

1. Medidas de risco

Análise de Sensibilidade

UNESP, 9 a 13 de dezembro de 2013

§ Valor da função objetivo é uma x2

UNESP, 9 a 13 de dezembro de 2013

de um lucro esperado. r⌦ [Q(x1 , w)]

§ A generalização para problemas multi-­‐ x2

§ Vamos considerar o problema de otimização:

Var. 1o Estágio Var. 2o Estágio

UNESP, 9 a 13 de dezembro de 2013

f (x, !) = cT x + max{q(!)T y(!) | T (!)x + W (!)y(!) = h(!), y(!) 2 Y }

§ Podemos reescrever nosso problema de otimização de dois

UNESP, 9 a 13 de dezembro de 2013

UNESP, 9 a 13 de dezembro de 2013

UNESP, 9 a 13 de dezembro de 2013

8 33.4 35.4 34.9

UNESP, 9 a 13 de dezembro de 2013

s.a: Limites para os contratos

UNESP, 9 a 13 de dezembro de 2013

Cenário Lucro ($)

Análise de Sensibilidade

§ De forma a controlar esse efeito, normalmente utiliza-­‐se um termo

§ Matematicamente: Análise de Sensibilidade

Medida de risco

UNESP, 9 a 13 de dezembro de 2013

UNESP, 9 a 13 de dezembro de 2013

UNESP, 9 a 13 de dezembro de 2013

UNESP, 9 a 13 de dezembro de 2013

§ Voltando ao exemplo:

Análise de Sensibilidade

UNESP, 9 a 13 de dezembro de 2013

§ x1* 50; x2* = 30; x3* = 25

Cenário Lucro ($)

Análise de Sensibilidade

UNESP, 9 a 13 de dezembro de 2013

Cenário Lucro ($)

Análise de Sensibilidade

UNESP, 9 a 13 de dezembro de 2013

UNESP, 9 a 13 de dezembro de 2013

SP (⌘, x) = P (! | f (x, !) < ⌘), 8⌘ 2 R

UNESP, 9 a 13 de dezembro de 2013

UNESP, 9 a 13 de dezembro de 2013

UNESP, 9 a 13 de dezembro de 2013

Cenário Lucro ($) θ

Cenário Lucro ($) θ

UNESP, 9 a 13 de dezembro de 2013

E [max{⌘ f (x, !), 0}]

Análise de Sensibilidade

UNESP, 9 a 13 de dezembro de 2013

UNESP, 9 a 13 de dezembro de 2013

UNESP, 9 a 13 de dezembro de 2013

Cenário Lucro ($) s

UNESP, 9 a 13 de dezembro de 2013

Cenário Lucro ($) s

UNESP, 9 a 13 de dezembro de 2013

UNESP, 9 a 13 de dezembro de 2013

UNESP, 9 a 13 de dezembro de 2013

UNESP, 9 a 13 de dezembro de 2013

Cenário Lucro ($) θ

UNESP, 9 a 13 de dezembro de 2013

Cenário Lucro ($) θ

1.  Medidas de risco

§  Valor da função objetivo é uma x2

§  A generalização para problemas multi-‐ x2

§  Vamos considerar o problema de otimização:

§  Podemos reescrever nosso problema de otimização de dois

§  De forma a controlar esse efeito, normalmente utiliza-‐se um termo

§  Matematicamente: Análise de Sensibilidade

§  Voltando ao exemplo:

§  x1* 50; x2* = 30; x3* = 25

§  De[inição: Dado uma

§  Oriunda da necessidade de se

§  Dessa forma, podemos deEinir o nosso problema robusto (contraparte

§  Contingência guarda-‐chuva: o

§  Instância considerada: Análise de Sensibilidade

§  O espaço de incerteza, por sua vez, é a2

pre-‐estabelecido a priori. [a2 â2 ]

§  Dependendo do “orçamento de

§  Ao analisar a proporção entre o Petróleo Brasileiro

§  No entanto, pode ser conservador [a2 â2 ]

§  Restrições Probabilísticas Conjuntas (RPC)

§  Restrições Probabilísticas Conjuntas (RPC)

§  Dados do problema e solução: