Académique Documents
Professionnel Documents
Culture Documents
FACULTAD DE CIENCIAS F
ISICAS Y MATEM
ATICAS
DEPARTAMENTO DE INGENIER
IA MATEM
ATICA
DEPARTAMENTO DE INGENIER
IA INDUSTRIAL
ESTUDIO DE M
ETODOS DE OPTIMIZACI
ON DE PRODUCCI
ON EN MINER
IA A CIELO ABIERTO
TESIS PARA OPTAR AL GRADO DE MAG
ISTER EN GESTI
ON DE
OPERACIONES
MEMORIA PARA OPTAR AL T
ATICO
GUIDO RENATO LAGOS BARRIOS
PROFESOR GU
IA:
DANIEL ESPINOZA GONZ
ALEZ
PROFESOR CO-GU
IA:
EDUARDO MORENO ARAYA
MIEMBROS DE LA COMISI
ON:
JORGE AMAYA ARRIAGADA
ALEJANDRO JOFR
E C
ACERES
BERNARDO KULNIG PAGNONCELLI
SANTIAGO DE CHILE
AGOSTO 2011
RESUMEN DE LA TESIS PARA OPTAR AL T
ITULO DE
INGENIERO CIVIL MATEM
ATICO Y AL GRADO DE
MAG
ISTER EN GESTI
ON DE OPERACIONES
POR: GUIDO LAGOS BARRIOS
FECHA: AGOSTO DEL 2011
PROF. GU
ALEZ
ESTUDIO DE M
ETODOS DE OPTIMIZACI
ON DE PRODUCCI
ON EN MINER
IA A CIELO ABIERTO
En el presente trabajo consideramos un problema de planiciaci on de producci on
en minera a cielo abierto. Usando el modelo de bloques, consistente en discretizar el
yacimiento minero en paraleleppedos regulares o bloques, el problema consiste en de-
cidir qu e bloques de la mina extraer y cu ales procesar, teniendo por objetivo maximizar
el benecio total de la explotaci on. Esta operaci on considera una capacidad limitada de
extracci on y procesamiento, y se realiza en un unico perodo de tiempo, e.g. un a no.
Esta tesis aborda este problema cuando la cantidad de mineral, o ley, de los bloques
est a sujeta a incertidumbre. Bajo este escenario el problema es altamente riesgoso, pues
los costos de operaci on son elevados y la explotaci on s olo se puede realizar una unica vez.
Para enfrentar esto proponemos varios modelos de optimizaci on bajo incertidumbre.
Proponemos primero dos enfoques de optimizaci on aversa al riesgo, los modelos de
minimizaci on de VaR y minimizaci on de CVaR. Presentamos tambi en un enfoque de op-
timizaci on robusta, el modelo MCH, y demostramos que tiene propiedades te oricas de-
seables de aversi on al riesgo. Inspirados en esto, proponemos el modelo MCH-, una
variaci on del modelo MCH. Y nalmente, consideramos una variante con recourse para
cada modelo, consistente en incorporar un paradigma multi-etapa a las decisiones de ex-
plotaci on.
Para representar la variabilidad de las leyes asumimos unicamente la disponibilidad de
un generador de muestras iid para el vector de leyes. Esto permite aproximar los modelos
de VaR, CVaR y MCH- usando la t ecnica Sample Average Approximation (SAA). De-
mostramos que te oricamente estos problemas aproximados convergen al problema es-
toc astico verdadero. Sin embargo, resultados de geometra discreta sugieren que esta con-
vergencia es muy lenta.
Finalmente, presentamos experimentos computacionales en una mina de tama no re-
ducido basada en datos reales. Los resultados permiten descartar el uso del modelo de
VaR, y en contraste los modelos CVaR, MCH y MCH- muestran un manejo de riesgo
controlable y coherente. Por otro lado, estimaciones estadsticas del gap de optimalidad
evidencian una lenta velocidad de convergencia de las aproximaciones SAA. Tambi en,
se constata que el uso de las variantes con recourse producen un aumento notable de los
benecios.
Indice general
1. Introducci on 1
1.1. Antecedentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Literatura y estado del arte . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3. Sobre esta tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2. Descripci on del Problema 7
2.1. Problema determinista b asico . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2. Enfoques de optimizaci on bajo riesgo . . . . . . . . . . . . . . . . . . . 9
2.2.1. Modelo de minimizaci on de VaR . . . . . . . . . . . . . . . . . . 10
2.2.2. Modelo de minizaci on de CVaR . . . . . . . . . . . . . . . . . . 15
2.2.3. Modelos MCH y MCH- . . . . . . . . . . . . . . . . . . . . . . 22
2.2.4. Sobre el contenido de probabilidad de un poltopo . . . . . . . . 34
3. Aproximaci on SAA 37
3.1. Marco te orico general . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.1.1. Propiedades de estimadores SAA para Stochastic Programming
Problems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.1.2. Propiedades de estimadores SAA para Chance Constrained Prob-
lems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.2. An alisis SAA para modelos sin recourse . . . . . . . . . . . . . . . . . . 49
3.2.1. Modelo de minimizaci on de CVaR . . . . . . . . . . . . . . . . . 50
3.2.2. Modelo MCH . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.2.3. Modelo MCH- . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.2.4. Modelo de minimizaci on de VaR . . . . . . . . . . . . . . . . . . 58
3.3. An alisis SAA para modelos con recourse . . . . . . . . . . . . . . . . . 62
I
Indice general
Indice general
3.3.1. Modelo de minimizaci on de CVaR con recourse . . . . . . . . . . 65
3.3.2. Modelo MCH con recourse . . . . . . . . . . . . . . . . . . . . . 67
3.3.3. Modelo MCH- con Recourse . . . . . . . . . . . . . . . . . . . 68
3.3.4. Modelo de minimizaci on de VaR con recourse . . . . . . . . . . 70
4. Experimentos Computacionales 73
4.1. Descripci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.2. Par ametros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.3. Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.3.1. Distribuci on emprica de benecios . . . . . . . . . . . . . . . . 77
4.3.2. Convergencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
4.3.3. Estudio de algunos factores que afectan convergencia . . . . . . . 93
5. Conclusiones y Trabajo Futuro 96
5.1. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
5.2. Trabajo futuro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
II
Captulo 1
Introducci on
1.1. Antecedentes
La minera es sin duda una de las actividades econ omicas m as importantes en Chile.
Seg un datos de la Comisi on Chilena del Cobre, al a no 2007 la minera representaba en
Chile aproximadamente el 7,3 % del PIB, el 65 % de las exportaciones y el 33 % de la in-
versi on extranjera. M as a un, en el escenario global Chile es uno de los principales actores
de la minera. Seg un datos de la fuente anterior, al a no 2007 Chile era el principal produc-
tor de cobre, nitratos, yodo y litio, poseyendo m as de un tercio de las reservas mundiales
de estos minerales.
La industria minera se puede clasicar en t erminos del tipo de excavaci on que realiza.
Se divide as en dos grandes categoras: minera a cielo abierto o de rajo abierto si las
labores se realizan por sobre la supercie terrestre, y minera subterr anea si se realizan
por debajo de la supercie. Si bien a nivel global es menos frecuente encontrar opera-
ciones mineras de cielo abierto, Chile es uno de los pases donde m as se realiza este tipo
de minera.
En t erminos de gesti on y operaci on, la minera a cielo abierto propone una gran y
compleja tarea. Particularmente, la fase de pre-factibilidad y factibilidad de este tipo de
proyectos mineros involucra una amplia gama de problemas. Una familia importante de
estos es la que se dedica a determinar el valor de la mina en el corto, mediano y largo plazo,
para lo cual se debe realizar, entre otras tareas, una proyecci on de c omo se explotar a el
yacimiento minero.
El modelo m as usual del que se sirven las planicaciones de producci on en minera a
cielo abierto es el modelo de bloques, el que consiste en discretizar el yacimiento minero
en paraleleppedos, o bloques, del mismo tama no. A cada bloque se le asignan varios
valores representando las propiedades del macizo rocoso que contiene, por ejemplo ubi-
caci on geogr aca, estimaciones de la cantidad de mineral que contiene, o ley, densidad
del contenido, etc etera. El modelo de bloques considera adem as que debe haber un se-
cuenciamiento para la extracci on de los bloques.
Este establece que un bloque a mayor
1
1.1. Antecedentes CAP
ITULO 1. Introducci on
profundidad puede ser extrado solamente despu es de haber extrado los bloques ubicados
directamente sobre el, y tambi en las paredes de la mina deben respetar una m axima pen-
diente para evitar derrumbes. Estas restricciones sobre el secuenciamiento de extracci on
se incorporan al modelo de bloques mediante las restricciones de precedencia para los
bloques.
En el contexto de proyecci on de la operaci on minera, dos problemas que generalmente
hacen uso del modelo de bloques son el ultimate pit problem, cuya traducci on literal es
problema del foso nal, y el production scheduling problem, o problema de secuenci-
amiento de producci on. El primer problema se realiza para valorizar una mina, determi-
nando qu e sectores del yacimiento pueden llegar a ser explotados durante el ciclo de vida
de la mina. El segundo problema busca, dado un n umero preestablecido de perodos de
tiempo, determinar qu e sectores ser an explotados durante qu e perodo de tiempo. Estos
dos problemas se hacen teniendo como objetivo maximizar el valor total de la operaci on
minera. Y naturalmente, existen en la literatura y en la pr actica una gran cantidad de
variaciones, simplicaciones y complejizaciones de dichos modelos.
Una caracterstica de estos problemas es que los yacimientos mineros generalmente
son de gran tama no, por ejemplo una mina grande normalmente posee entre 3 y 10
millones de bloques. Tambi en, para que la explotaci on de esta sea rentable se debe con-
siderar un ciclo de vida largo, usualmente m as de 20 a nos. Esto se traduce en que muchas
veces el problema de optimizaci on a resolver posea un tama no excesivamente grande,
incluso para minas medianas, haci endolo nalmente computacionalmente intratable si es
que no se recurren a m etodos ad-hoc para resolverlo.
Otra complicaci on que aora en estos problemas es la falta de conabilidad de los
par ametros con que se hacen las proyecciones de producci on. Una fuente de incertidum-
bre es la duraci on de la explotaci on, que por su gran extensi on hace difcil pronosticar
conablemente par ametros altamente relevantes como capacidad futura de procesamiento
en planta, costos de operaci on y precios de los minerales. Otro par ametro que padece de
imprecisi on es la cantidad de mineral, o ley, que cada bloque posee. Esto es fruto de que
la exploraci on del yacimiento, que determina en particular la cantidad de mineral en el,
se realiza usando sondajes que poseen un elevado costo. Como resultado se debe hacer
un n umero muy limitado de sondajes, con los que se determina las propiedades de al-
gunos sectores de la mina, y para los sectores inexplorados sus propiedades se estiman
con t ecnicas geo-estadsticas basadas en los sondajes.
En suma, los altos costos involucrados en la operaci on minera, los errores asociados a
las mediciones y estimaciones, y el hecho de que la extracci on del yacimiento rocoso se
realiza una sola vez, hacen que nalmente toda planicaci on de producci on posea un alto
riesgo asociado.
2
1.2. Literatura y estado del arte CAP
ITULO 1. Introducci on
1.2. Literatura y estado del arte
En el contexto de minera a cielo abierto, los problemas ultimate pit problem y pro-
duction scheduling problem son los que han recibido m as atenci on en el ultimo par de
d ecadas. En cuanto al primero, si bien usualmente se aborda usando el algoritmo de Lerchs
& Grossman, las maneras m as ecientes para afrontarlo provienen de reformular el prob-
lema como uno de ujo m aximo y usar alguno de los algoritmos m as ecientes e.g. Push-
Relabel para resolvero (ver [UT98] y [HC00]). Y en el caso del segundo problema, pro-
duction scheduling problem, generalmente se formula como un problema de optimizaci on
lineal entera y es tratado usando herramientas del area, por ejemplo strong branching (ver
[CH03]) y strengthened formulations (ver [BBFF10]). Esfuerzos recientes para tratar este
problema de manera eciente consideran el trabajo de Bienstock et al. [BZ10], y el de
Chicoisne et al. [CEG
+
09], donde proponen una metodologa ad-hoc para el caso en que
existe una unica restricci on de capacidad.
El problema de incertidumbre en planicaci on minera ha recibido gran atenci on en
la ultima d ecada. De la mano de simulaciones para el contenido mineral del yacimiento
minero, llamadas conditional simulations (ver [EL06]), se ha mostrado que la incertidum-
bre en los par ametros del problema puede llevar a grandes p erdidas. Trabajos como el de
Leite et al. [LD07] han propuesto maximizar el valor esperado del Valor Presente Ne-
to (VPN) de la operaci on, y en cambio trabajos como el de Vielma et al. [VEM09] han
propuesto un enfoque averso al riesgo usando chance constraints, o restricciones en prob-
abilidad.
Este ultima publicaci on da un panorama general m as detallado de los esfuerzos
en esta lnea en los ultimos a nos.
En el campo de optimizaci on bajo incertidumbre existen primordialmente dos grandes
enfoques de modelamiento. Uno de ellos, frecuentemente referida como optimizaci on es-
toc astica, consiste en asumir que el par ametro incierto posee una distribuci on estoc astica,
de la cual se conoce su distribuci on o se tiene acceso a un generador de muestras de el.
Con esto se pueden inclur en el problema de optimizaci on restricciones probabilsticas,
por ejemplo restricciones en probabilidad, en esperanza, o incluso con momentos de orden
mayor. El otro enfoque de modelamiento, el de optimizaci on robusta, no asume ninguna
naturaleza estoc astica para el par ametro incierto, si no que simplemente se remite a opti-
mizar en la peor realizaci on posible del par ametro dentro de alg un rango predeterminado.
Los siguientes p arrafos se dedican a ahondar en los detalles de estas dos formas de abordar
la optimizaci on sujeta a incertidumbre.
En el caso de restricciones en probabilidad, o chance constraints, el estudio de estas
se inici o con el trabajo seminal de Charnes et al. [CCS58]. Si bien han sido extensamente
estudiadas desde entonces, dicultades como no convexidad de la regi on factible y la di-
cultad para integrar con precisi on en altas dimensiones resultaron en que no se produjeran
avances importantes en varias d ecadas. Sin embargo, el orecimiento de la optimizaci on
computacional ha producido que desde hace algo m as de una d ecada se empezaran a notar
avances importantes en el tratamiento de este tipo de problemas, de la mano de aproxima-
ciones convexas o aproximaciones en base a muestras. Para una revisi on general de esta
3
1.2. Literatura y estado del arte CAP
ITULO 1. Introducci on
area, especialmente de la aproximaci on en base a muestras, llamada usualmente sample
average approximation (SAA), recomendamos ver [PAS09]. Contribuciones importantes
recientes en este ambito se centran en el tratamiento computacional de estos problemas,
va descomposiciones ad-hoc (ver [LAN10] y [Lue10]) o va asegurar, en probabilidad, la
satisfacci on de la restricci on en probabilidad (ver [CG10]).
En el caso de optimizaci on con restricciones en valor esperado, usualmente referido
simplemente como stochastic programming, esta comparte un desarrollo muy similar al
de las chance constraints; es decir, si bien este enfoque fue planteado hace varias d ecadas,
s olo los recientes avances en computaci on y optimizaci on computacional han permitido
un desarrollo signicativo. Especial menci on merece el enfoque sample average approxi-
mation para estos problemas, es decir, el tratamiento de estos problemas haciendo uso de
una muestra del par ametro incierto, con lo que el problema aproximado se puede ver como
un estimador del problema original. Resultados cruciales en esta lnea son, por ejemplo,
[DW88] que asegura la consistencia del estimador en un contexto general y [KSHdM02]
que garantiza convergencia del estimador a velocidad exponencial. Para una revisi on am-
plia de esta aproximaci on sugerimos referirse a [LSW06].
Un enfoque relacionado al de optimizaci on estoc astica es el de optimizaci on aversa
al riesgo, pues generalmente asume que el par ametro sigue alguna distribuci on estoc asti-
ca. Como su nombre sugiere, esta teora busca dar un tratamiento averso al riesgo a la
funci on de utilidad bajo estocacidad de un modelo. Trabajos tempranos en esta lnea in-
volucraron optimizar una combinaci on de esperanza y varianza de la funci on de utilidad
(ver [Mar52]). M as recientemente, enfoques para distribuciones de utilidad asim etricas
han ganado alta popularidad, como Value-at-Risk (VaR) primero, y ultimamente, con
fuerza a un creciente, Conditional Value-at-Risk (CVaR) (ver [RU00]). Para la masi-
caci on de este ultimo modelo han sido determinantes la tratabilidad de su optimizaci on
(ver [RU02]), tambi en que a diferencia del VaR sea una medida de riesgo coherente
en el sentido de Artzner et al. [ADEH99], y adem as que sea la componente fundamental
de las medidas de riesgo de distorsi on (ver [BB09]), tambi en conocidas como medidas
de riesgo espectrales. No obstante, la optimizaci on de CVaR haciendo uso de su aprox-
imaci on SAA sin duda uno de los enfoques de optimizaci on aversa al riesgo que ha
gozado de mayor popularidad ha mostrado ser inestable si es que no se toma en cuenta
la velocidad de convergencia de la aproximaci on, ver e.g. [LSV11]. Recomendamos el
reciente libro [SDR09] como una referencia exhaustiva y unicadora para las teoras de
optimizaci on estoc astica y optimizaci on aversa al riesgo.
El enfoque de optimizaci on robusta, mencionado anteriormente como una de las dos
vertientes principales en la optimizaci on bajo incertidumbre, se caracteriza por ni siquiera
asumir una naturaleza estoc astica para el par ametro incierto, y en vez simplemente es-
pecicar un conjunto de robustez para el par ametro y luego optimizar para la peor re-
alizaci on posible de este en el conjunto. El primer atisbo de esta metodologa se debe
a Soyster [Soy73], quien argumentaba que, en optimizaci on lineal continua, optimizar
para el peor caso en un intervalo cerrado posee la ventaja de poder formularse como un
problema lineal. Naturalmente optimizar para el peor caso posible probablemente resulte
4
1.3. Sobre esta tesis CAP
ITULO 1. Introducci on
excesivamente conservador, afectando nalmente de sobremanera el valor objetivo del
problema. Por ello se han propuesto conjuntos de robustez menos conservadores, siendo
ejemplos importantes los conjuntos de robustez elipsoidales asociados a la norma L
2
,
ver e.g. [BTN00], o los asociados a un simplex generalizado asociados a la norma L
1
, ver [BS04].
Este ultimo ha gozado de gran popularidad ultimamente, principalmente
porque es un modelo sencillo y tratable, y tambi en porque es rico en propiedades al ser
aplicado a otras areas, por ejemplo a optimizaci on en redes [BS03], o a problemas cl asicos
del area de management sciences (ver [BT06]).
En optimizaci on sujeta a incertidumbre en general existe un recurso con enorme po-
tencial, que es permitir que algunas variables de decisi on se ajusten a las realizaciones del
par ametro incierto. Esto es, permitir que algunas decisiones se tomen solamente despu es
de que el par ametro aleatorio haya revelado su verdadero valor. Si bien este concep-
to introduce gran versatilidad en el problema de optimizaci on, posee el defecto de que
generalmente el problema resultante es intratable computacionalmente. En vista de esto
generalmente se propone usar simplicaciones, por ejemplo que las variables de segunda
etapa sean lineales en el par ametro incierto. En [BTGGN04] y [BTN08] se muestran en
general las caractersticas de este recurso en el contexto de optimizaci on robusta.
Por ultimo, resulta interesante que existen resultados que relacionan estrechamente
optimizaci on estoc astica, optimizaci on aversa al riesgo y optimizaci on robusta. Por ejem-
plo [BB09] y [NPS09] ven c omo un modelo de optimizaci on robusta se puede plantear
como uno de optimizaci on bajo riesgo, y viceversa. Y [CSS07] muestra c omo un proble-
ma de optimizaci on estoc astica se puede aproximar tratablemente usando un enfoque de
optimizaci on robusta.
1.3. Sobre esta tesis
En la presente tesis nos hacemos cargo del riesgo que presupone realizar planica-
ciones mineras en base a par ametros que est an sujetos a incertidumbre. En particular, nos
concentramos en el caso en que solamente la ley de mineral no se conoce con certeza.
Elegimos trabajar bajo un enfoque de aversi on al riesgo, pues, como se argument o antes,
el problema a tratar se caracteriza por ser de gran tama no, poseer un horizonte de plan-
icaci on extenso, tener costos operativos altos y la explotaci on s olo se puede realizar
una vez, con lo que el problema es altamente riesgoso. En contraste, los trabajos que se
han dedicado a estudiar la incertidumbre en el problema de planicaci on minera general-
mente han usado un enfoque de maximizaci on de valor esperado, el cual es un tratamiento
eminentemente neutro al riesgo. Los objetivos generales de este trabajo son, primero, es-
tudiar los principales enfoques de optimizaci on bajo incertidumbre, segundo, aplicarlos
al problema de planicaci on minera, y nalmente, evaluar el desempe no y resultados de
los enfoques propuestos.
La presente tesis est a organizada de la siguiente manera. En el Captulo 2 presentamos
el problema de planicaci on minera sin incertidumbre. Luego introducimos un esquema
5
1.3. Sobre esta tesis CAP
ITULO 1. Introducci on
para la incertidumbre y mostramos los enfoques que proponemos para tratarla en el prob-
lema de planicaci on. A saber, los enfoques estudiados son minimizaci on de Conditional
Value-at-Risk, un modelo de optimizaci on robusta propuesto, que llamamos Modulat-
ed Convex Hull, y minimizaci on de Value-at-Risk. Tambi en presentamos la contraparte
con recourse de estos modelos. En el Captulo 3 exponemos los resultados pertinentes
a la aproximaci on Sample Average Approximation, la cual usamos para hacer los enfo-
ques robustos tratables. Estos resultados consideran consistencia de la aproximaci on y
validaci on estadstica de soluciones. En el Captulo 4 mostramos los resultados computa-
cionales obtenidos con los modelos propuestos. El an alisis de estos resultados considera
el estudio de los planes entregados por los distintos enfoques y el estudio num erico de la
convergencia de la aproximaci on SAA. Finalmente, en el Captulo 5 se dan las conclu-
siones de nuestro trabajo y se proponen futuras lneas de investigaci on.
6
Captulo 2
Descripci on del Problema
2.1. Problema determinista b asico
En esta secci on introducimos el problema de planicaci on b asico y sin incertidumbre
sobre el cual trabajaremos. Esta planicaci on se realizar a sobre un unico perodo de tiem-
po, es decir, consideramos que toda la explotaci on se produce durante una unica unidad de
tiempo, e.g. un a no. Consideramos esta simplicaci on pues el n ultimo de este trabajo es
evaluar el desempe no de los distintos modelos aversos al riesgo para tratar la incertidum-
bre en los objetivos del problema; luego, en vista de que trabajar con varios perodos de
tiempo hace crecer notablemente el n umero de variables y restricciones del problema,
preferimos evitar complejizaciones que no son estrictamente necesarias. Esta idea es re-
forzada por el hecho de que el modelo simplicado que usaremos ya es en s mismo un
modelo de gran tama no, que requiere de t ecnicas de optimizaci on ad-hoc para ser aplicado
a minas a cielo abierto reales. Tambi en asumimos que la planicaci on considera explotar
un s olo mineral, y que existe una elecci on de proceso, i.e. todo bloque extrado puede ser
o no procesado, lo cual es decidido por el tomador de decisiones.
Consideramos un yacimiento para minera a cielo abierto, a un no explotado, del cual
tenemos su modelo de bloques. Denotamos por B al conjunto de bloques de la mina, y
T BB al conjunto de restricciones de precedencia, esto es, (a, b) T ssi para extraer
el bloque a antes debe extraerse el bloque b.
Cada bloque b B tiene 1) un costo de extracci on de v
e
b
> 0 unidades monetarias
(UM), 2) un costo de procesamiento de v
p
b
> 0 UM, 3) una ley de mineral que asumimos
conocida de
b
> 0 unidades de mineral, y 4) un benecio de w
b
0 UM por unidad de
mineral. As, por ejemplo, si un bloque b es extrado y procesado se percibe una ganancia
econ omica de v
e
b
+ (w
b
b
v
p
b
) UM, y si un bloque es extrado solamente entonces se
percibe una ganancia de v
e
b
.
Todo plan de explotaci on debe cumplir las restricciones de precedencia de extracci on
establecidas por el conjunto de precedencias T B B. Tambi en, un bloque puede ser
7
2.1. Problema determinista b asico CAP
bB
c
e
b
> C
e
y
bB
c
p
b
> C
p
.
Las variables de decisi on del problema son las que denotan si un bloque es extrado o
no, y si es procesado o no. Para cada bloque b B la decisi on de su extracci on est a dada
por
x
e
b
=
_
1 si el bloque b es extrado,
0 si el bloque b no es extrado,
y la decisi on de procesamiento por
x
p
b
=
_
1 si el bloque b es procesado,
0 si el bloque b no es procesado.
Con esto el costo asociado a la explotaci on del bloque b es de v
e
b
x
e
b
+(w
b
v
p
b
)x
p
b
UM.
As, el problema de planicaci on minera b asico, con elecci on de proceso y en un unico
perodo, es
m ax
bB
[v
e
b
x
e
b
+ (w
b
b
v
p
b
)x
p
b
]
s.a. x
e
a
x
e
b
(a, b) T
x
p
b
x
e
b
b B
bB
c
e
b
x
e
b
C
e
bB
c
p
b
x
p
b
C
p
x
e
b
, x
p
b
0, 1 b B.
(2.1)
En lo sucesivo denominamos a este problema como el problema nominal dada una ley
R
B
+
.
Para alivianar la notaci on en las futuras secciones, preferimos usar notaci on matricial
y denir adem as el conjunto de planes factibles como
X :=
_
_
(x
e
, x
p
) 0, 1
B
: x
e
a
x
e
b
(a, b) T
x
p
x
e
(c
e
)
t
x
e
C
e
(c
p
)
t
x
p
C
p
_
_
(2.2)
donde x
e
:= (x
e
b
)
bB
, x
p
:= (x
p
b
)
bB
, c
e
:= (c
e
b
)
bB
y c
p
:= (c
p
b
)
bB
. Adicionalmente
denimos el vector de leyes conjuntas := (
b
)
bB
, los vectores de costos v
e
:= (v
e
b
)
bB
y
v
p
:= (v
p
b
)
bB
, y la matriz de benecios por procesamiento W
p
R
BB
tal que W
p
a,b
= w
b
si a = b y 0 si no. Dado un plan (x
e
, x
p
) y una ley R
B
+
, denimos tambi en la funci on
de benecio asociada como
(x
e
, x
p
, ) := (v
e
)
t
x
e
+ (W
p
v
p
)
t
x
p
. (2.3)
8
2.2. Enfoques de optimizaci on bajo riesgo CAP
b
v
p
b
) es positivo. Una ventaja que esto presenta es que se puede determinar a
priori qu e bloques ser an procesados si es que son extrados, con lo que redeniendo varios
par ametros del problema se pueden usar solamente [B[ variables de decisi on para resolver
el problema.
En efecto, denamos B
P
B como el conjunto de bloques que ser an procesados si
es que son extrados, que son determinados por alguna regla preestablecida, por ejemplo
todos los bloques b B tales que
b
>
v
e
b
+v
p
b
w
b
. Denamos para todo bloque b B
P
u
b
:= v
e
b
+ (w
b
v
p
b
) y c
p
b
:= c
p
b
; y para todo b BB
P
sea u
b
:= v
e
b
y c
p
b
:= 0. Se
tiene que el problema nominal (2.1) se puede aproximar por
m ax u
t
x
s.a. x
a
x
b
(a, b) T
(c
e
)
t
x C
e
(c
p
)
t
x C
p
x 0, 1
B
.
(2.4)
Pese a la ventaja obvia de disminur a la mitad el n umero de variables de decisi on, es
f acil construr ejemplos en que la aproximaci on anterior es sub- optima para el problema
(2.1). Esto a un si la regla para el procesamiento sea que un bloque b es procesado al ser
extrado ssi >
v
e
b
+v
p
b
w
b
.
Otra ventaja del problema nominal (2.1) por sobre su aproximaci on (2.4) es que, co-
mo veremos en las secciones posteriores, en el contexto con incertidumbre podremos
usar la variable de extracci on x
e
como una variable de primera etapa y la variable de
procesamiento x
p
como una de segunda etapa o de recourse. Veremos que este recurso
permitir a obtener benecios considerables.
En lo sucesivo nos concentramos en el problema de planicaci on con elecci on de
proceso (2.1).
2.2. Enfoques de optimizaci on bajo riesgo
En lo sucesivo asumimos que no se conoce con exactitud el valor del vector de leyes
conjuntas R
B
+
. Nos interesa estudiar la incertidumbre que esto introduce en el prob-
9
2.2. Enfoques de optimizaci on bajo riesgo CAP
(L) es la peor i.e. la mayor posible p erdida de L cuando ignoramos sus 100 %
peores p erdidas. De esto es claro que el VaR es un cuanticador o medidor del riesgo de
una v.a. de p erdidas, lo cual motiva su uso en nuestro problema de planicaci on minera
bajo incertidumbre.
En una sub-secci on posterior, 2.2.2, formalizaremos la idea de medida de riesgo e
introduciremos la noci on de medida de riesgo coherente de Artzner et al. [ADEH99],
que establece propiedades b asicas que una medida de riesgo razonable debera cumplir.
Ah veremos que VaR no es una medida de riesgo coherente, pues para algunas v.a. de
p erdidas L
1
, L
2
indpendientes se tiene
VaR
(L
1
+ L
2
) > VaR
(L
1
) + VaR
(L
2
);
es decir, VaR considera que a veces diversicar en acciones independientes entre s es
estrictamente m as riesgoso que no diversicar, lo cual atenta contra la intuici on b asica
de riesgo. Pese a esta debilidad te orica del VaR como medida de riesgo, consideramos de
todas maneras v alido probar su desempe no pr actico en nuestro problema de planicaci on
minera.
Consideramos ahora un plan de extracci on y procesamiento (x
e
, x
p
) X cualquiera,
donde el conjunto de planes factibles X es como se deni o en (2.2). Como el vector de
leyes es una v.a. entonces el benecio ((x
e
, x
p
), ) del plan (x
e
, x
p
) es tambi en una
v.a. Luego, mirando ((x
e
, x
p
), ) como una v.a. de p erdidas y eligiendo un nivel de
riesgo [0, 1), el valor VaR
[((x
e
, x
p
), )] es una cuanticaci on o valorizaci on del
riesgo del plan (x
e
, x
p
). Naturalmente es deseable que el riesgo de nuestro plan (x
e
, x
p
)
sea el menor posible. Eligiendo entonces un nivel de riesgo [0, 1), el modelo de
minimizaci on de VaR es
mn
x
e
,x
p
VaR
[((x
e
, x
p
), )] s.a. (x
e
, x
p
) X. (2.6)
Recordando la denici on (2.5) de VaR podemos reformular el problema de mini-
mizaci on de VaR de la siguiente manera equivalente:
mn z
s.a. P(((x
e
, x
p
), ) + z < 0)
(x
e
, x
p
) X, z R.
En palabras, la soluci on de este problema nos da un plan que tiene el mejor el m as bajo
percentil 100(1 ) % de p erdidas.
11
2.2. Enfoques de optimizaci on bajo riesgo CAP
k=1
1
(,0)
_
((x
e
, x
p
),
k
) + z
_
,
donde para I R, 1
I
(x) es la funci on indicatriz de I:
1
I
(x) :=
_
1 si x I
0 si no.
La ventaja de realizar esta aproximaci on es que el conjunto
_
(x
e
, x
p
, z) R
B
R
B
R
B
:
1
N
N
k=1
1
(,0)
_
((x
e
, x
p
),
k
) + z
_
_
s es convexo, y tambi en se puede reformular linealmente como
_
(x
e
, x
p
, z) : 0, 1
N
tal que (x
e
, x
p
,
k
) + z +
k
M
k
0 k = 1, . . . , N
N
k=1
k
N|
_
donde M
k
, k = 1, . . . , N, son par ametros gran-M sucientemente grandes, e.g.
M
k
:= max
i=1,...,N
m ax
xX
(x,
i
) mn
xX
(x,
k
) k = 1, . . . , N.
Hemos obtenido as la aproximaci on SAA del problema de minimizaci on de VaR, dada
una muestra iid
1
, . . . ,
N
de y un nivel de riesgo [0, 1):
mn z
s.a. (x
e
, x
p
,
k
) + z +
k
M
k
0 k = 1, . . . , N
N
k=1
k
N|
0, 1
N
(x
e
, x
p
) X, z R.
(2.7)
12
2.2. Enfoques de optimizaci on bajo riesgo CAP
R
(x
e
, ) := (v
e
)
t
x
e
+ max
x
p (W
p
v
p
)
t
x
p
s.a. x
p
x
e
(c
p
)
t
x
p
B
p
x
p
0, 1
B
(2.9)
y tambi en denimos el conjunto X
R
de planes ( unicamente) de extracci on factibles como:
X
R
:=
_
x
e
0, 1
B
: x
e
a
x
e
b
(a, b) T
(c
e
)
t
x
e
B
e
_
. (2.10)
Dado un nivel de riesgo [0, 1), el problema de minimizaci on de VaR con recourse
es
mn
x
e z
s.a. P
_
R
(x
e
, ) + z < 0
_
x
e
X
R
, z R.
(2.11)
Como en el caso del problema de minimizaci on de VaR sin recourse, en este prob-
lema tambi en tenemos dicultades con la integraci on multidimensional que requiere la
restricci on en probabilidad, y tambi en esta restricci on puede hacer que el problema no sea
convexo. Adicionalmente, es un problema c omo se tratar a la variable con recourse x
p
, que
1
Recordamos al lector que asumimos que el par ametro est a soportado en el conjunto
14
2.2. Enfoques de optimizaci on bajo riesgo CAP
R
(x
e
, ) + z < 0
_
1
N
N
k=1
1
(,0)
_
R
(x
e
,
k
) + z
_
.
No es dif cil vericar que la siguiente es una formulaci on lineal para la aproximaci on SAA
del problema de minimizaci on de VaR con recourse:
mn z
s.a. (x
e
, x
p,k
,
k
) + z +
k
M
k
0 k = 1, . . . , N
N
k=1
k
N|
0, 1
N
(x
e
, x
p,k
) X k = 1, . . . , N
z R
(2.12)
donde y X son del modelo sin recourse, i.e. como se denieron en (2.3) y (2.2) respec-
tivamente.
Hacemos notar que la unica diferencia entre las aproximaciones SAA para los proble-
mas de VaR con y sin recourse es que, en el caso con recourse, tenemos una decisi on de
procesamiento, x
p,k
, por cada escenario
k
. Esto est a en perfecta sintonia con la arma-
ci on que hicimos antes, de que en el modelo con recourse la variable con recourse optima
es en realidad una funci on de todas las realizaciones del par ametro incierto. En efecto,
en el caso de la aproximaci on SAA lo que estamos haciendo es reducir el espacio para
desde su verdadero soporte a la muestra
1
, . . . ,
N
; luego la decisi on optima del
problema aproximado es una funci on de la muestra
1
, . . . ,
N
al espacio de los planes
de procesamiento factibles, i.e. es un plan x
p,k
por cada escenario
k
2.2.2. Modelo de minizaci on de CVaR
El segundo modelo que consideramos en nuestro estudio es el de minimizaci on de
Conditional Value-at-Risk (CVaR). Veremos que el CVaR es una medida de riesgo inspi-
rada en el VaR, cuya nalidad es cuanticar el riesgo de una v.a. de p erdidas. Sin embargo,
a diferencia del VaR, el CVaR poseer a varias propiedades te oricas deseables en una me-
dida de riesgo, y m as a un, ser a la componente fundamental de la familia de medidas de
riesgo de distorsi on. El modelo de minimizaci on de CVaR que propondremos en esta
subsecci on, veremos, consiste en elegir el plan que minimice el CVaR de las p erdidas.
15
2.2. Enfoques de optimizaci on bajo riesgo CAP
(L)] , (2.13)
donde, recordemos, el VaR con nivel de riesgo de L es VaR
(L) = E(L).
Dijimos en 2.2.1 que, de manera gruesa, VaR
(L) := (1
) VaR
(L) +
CVaR
+
(L), (2.14)
donde
(L)) y CVaR
+
(L) = E(L) si = 1.
El resultado principal de [RU02], como se insinu o antes, es que en cualquier caso
para v.a. de p erdidas con o sin atomos el CVaR con nivel de riesgo de una v.a. L se
puede escribir como
CVaR
(L) = mn
tR
_
t +
1
E
_
(L t)
+
_
, (2.15)
donde
+
:= 1
0
para todo R. En ese trabajo se muestra que el lado derecho de
(2.15) es convexo y continuamente diferenciable en t, lo cual es una ventaja considerable
si se desea optimizar el CVaR de las p erdidas. Esto es, supongamos que L depende con-
tinuamente en una decisi on x X y es medible en un par ametro incierto , i.e. L =
L(x, ) es de Carath eodory. Si L es convexa en x entonces t +
1
E[(L(x, ) t)
+
] es
convexa en (x, t) y se tiene
mn
xX
CVaR
(L(x, )) = mn
xX,tR
_
t +
1
E
_
(L(x, ) t)
+
_
.
2
Recordamos que L : (, T, P) R es una v.a. de p erdidas si preferimos sus valores bajos por sobre
los altos.
16
2.2. Enfoques de optimizaci on bajo riesgo CAP
(, T, P) un con-
junto de v.a. de p erdidas.
Denici on 2.2.1. Sea una funci on : : R, consideremos las siguientes propiedades
para , para todo X, Y ::
1. Monotona: Si X Y , esto es X() Y () para todo , entonces (X)
(Y ).
2. Equivarianza a traslaci on: Si c R entonces (X c) = (X) c.
Diremos que es medida de riesgo si satisface 1. y 2.
3. Convexidad: Si [0, 1] entonces (X + (1 )Y ) (X) + (1 )(Y ).
4. Homogeneidad positiva: Si 0, entonces (X) = (X).
Se dir a que es medida de riesgo coherente si cumple 1.4.
5. Comonotona: Si X e Y son comonot onicas, i.e. (X() X(
t
)) (Y () Y (
t
))
0 para todo ,
t
, entonces (X + Y ) = (X) + (Y ).
6. Ley-invarianza: Si X e Y tienen la misma distribuci on bajo P entonces (X) =
(Y ).
Por ultimo, se dir a que es medida de riesgo de distorsi on, o espectral, si satisface 1.6.
Para medida de riesgo y X v.a. de p erdidas, (X) puede interpretarse como la
mnima recompensa, o disminuci on de p erdidas, necesaria para hacer aceptable a X.
Por convenci on, diremos que X es aceptable si (X) 0. As, para una medida de
riesgo la monotona nos asegura que si entre dos posiciones riesgosas la primera, digamos,
17
2.2. Enfoques de optimizaci on bajo riesgo CAP
i=1,...,N
y Y
i
i=1,...,N
de X e Y ,
respectivamente, y un estimador
N
: R
N
R de que s olo depende de la distribuci on
de la muestra. Al hacer N se tiene que las muestras son asint oticamente id enticas y
18
2.2. Enfoques de optimizaci on bajo riesgo CAP
(L) = mnz R :
P(L z) 1 es una medida de riesgo, sin embargo no satisface subaditividad
y entonces convexidad tampoco, por lo que no es una medida de riesgo coherente.
Momentos uni-laterales: las medidas de riesgo
r,
(L) = E[X] +
r,
(L),
donde r 1, [0, 1] y
r,
(L) :=
_
E
_
(L E[L])
+
_
r
1/r
,
son medidas de riesgo coherentes (ver [BB09]).
Conditional Value-at-Risk: no es difcil vericar que el CVaR con nivel de riesgo
(0, 1], CVaR
(L) := mn
tR
_
t +
1
E(L t)
+
1
, . . . ,
N
, T es el conjunto de las partes de
N
y P
N
(
i
) = 1/N para todo i.
Se tiene que medida de riesgo es medida de riesgo de distorsi on ssi existe funci on
: [0, 1] [0, 1] satisfaciendo
_
1
=0
(d) = 1 y
(X) =
_
1
=0
CVaR
(X)(d).
Para la demostraci on de este resultado remitimos al lector a la demostraci on del Lema
4.1 de [BB09]. Este resultado es v alido tambi en para distribuciones sin atomos en espacios
de probabilidad generales, para lo cual referimos al lector tambi en a la demostraci on del
lema ya citado de la referencia anterior. As, en estos casos podemos decir que CVaR es
la componente fundamental de las medidas de riesgo de distorsi on.
En nuestro caso, donde asumimos que s olo tenemos una muestra iid del par ametro
incierto , es de especial relevancia el caso de espacio de probabilidad discreto equiproba-
ble. Esto, pues nuestro foco es aproximar el espacio de probabilidad real de haciendo
uso de un sample iid de , y estimar en este espacio la medida de riesgo de distorsi on
a estudiar. Hacemos notar que esto es exactamente lo que se hizo para el caso de mini-
mizaci on de VaR, y es el enfoque natural a seguir en el modelo de minimizaci on de CVaR,
que presentamos en la siguiente subsecci on.
19
2.2. Enfoques de optimizaci on bajo riesgo CAP
[((x
e
, x
p
), )] = mn
tR
_
t +
1
E[((x
e
, x
p
), ) t]
+
_
.
El modelo que proponemos es escoger el plan que minimice el riesgo cuanticado con el
CVaR.
Formalmente, dado un nivel de riesgo (0, 1], el modelo de minimizaci on de CVaR
es
mn
x
CVaR
[((x
e
, x
p
), )] s.a. x X . (2.16)
Se verica f acilmente que ((x
e
, x
p
), ) es lineal, y entonces convexa, en (x
e
, x
p
), y
tambi en que es lineal afn en , con lo que es Carath eodory si la - algebra asociada
a es borealiana. Luego, como se dijo en el inicio de esta subsecci on, la funci on t +
1
E[((x
e
, x
p
), ) t]
+
es convexa en (x
e
, x
p
, t). Conclumos que si T, la - algebra
asociada a , es borealiana entonces se tiene la siguiente formulaci on equivalente para el
problema (2.16):
mn
x,t
t +
1
E[((x
e
, x
p
), ) t]
+
s.a. x X, t R . (2.17)
No obstante, como sucedi o en el modelo de minimizaci on de VaR en 2.2.1, esta
formulaci on requiere el c alculo de una esperanza, la cual involucra integrar en varias di-
mensiones. Adicionalmente, dijimos en 2.2 que era irreal en nuestro problema asumir
conocida la distribuci on conjunta del vector de leyes R
B
+
, lo cual es un escollo ex-
tra para el c alculo de la esperanza en (2.17). Para abordar este problema nuevamente
recurrimos a la aproximaci on SAA de este problema. Esto es, tomamos una muestra iid
1
, . . . ,
N
de y aproximamos
E[((x
e
, x
p
), ) t]
+
1
N
N
k=1
_
((x
e
, x
p
),
k
) t
+
.
As, la aproximaci on SAA del modelo de minimizaci on de CVaR es
mn
x,t
t +
1
N
N
k=1
_
((x
e
, x
p
),
k
) t
+
s.a. x X, t R , (2.18)
20
2.2. Enfoques de optimizaci on bajo riesgo CAP
N
k=1
k
s.a.
k
((x
e
, x
p
),
k
) t k = 1, . . . , N
k
0 k = 1, . . . , N
(x
e
, x
p
) X, t R.
(2.19)
En sntesis, el modelo presentado busca escoger un plan averso al riesgo al elegir el
plan que minimiza su CVaR, una medida de riesgo con numerosas propiedades te oricas.
El problema verdadero (2.16) no es tratable pues requiere el c alculo de una esperanza
usando una distribuci on que resulta poco realista asumir conocida. Por ello, nos remitimos
a aproximar el problema verdadero usando la aproximaci on SAA (2.18), el cual requiere
conocer solamente una muestra iid del par ametro incierto . A continuaci on adaptamos
este modelo al cambio de paradigma presentado en 2.2.1, en el cual asumimos que la
decisi on x
p
es una variable de segunda etapa.
Contraparte con recourse
Buscamos ahora aplicar el modelo de minimizaci on de CVaR al esquema de decisi on
multi-etapa presentado en 2.2.1. Bajo este paradigma alternativo asumimos que debemos
elegir aqu y ahora la decisi on x
e
de qu e bloques extraer, posteriormente, despu es de
realizarse la extracci on, podemos ver cu al era la verdadera ley de los bloques, y s olo
entonces debemos decidir qu e bloques procesar. As, la decisi on x
e
es una variable de
primera etapa o aqu y ahora, y la decisi on x
p
es una variable de segunda etapa o de
recourse.
Para incorporar esta regla de decisi on a nuestro modelo basta redenir apropiadamente
la funci on de benecio , haciendo que la decisi on x
p
dependa de la decisi on de extrac-
ci on x
e
y la ley . Esto ya fue hecho en 2.2.1, donde, recordemos, se deni o el benecio
con recourse
R
en (2.9) como
R
(x
e
, ) := (v
e
)
t
x
e
+ max
x
p (W
p
v
p
)
t
x
p
s.a. x
p
x
e
(c
p
)
t
x
p
B
p
x
p
0, 1
B
.
Usaremos a continuaci on tambi en la notaci on (2.10) para el conjunto de planes de extrac-
ci on factibles:
X
R
:=
_
x
e
0, 1
B
: x
e
a
x
e
b
(a, b) T
(c
e
)
t
x
e
B
e
_
.
Dado un nivel de riesgo (0, 1], el modelo de minimizaci on de CVaR con recourse
es
mn
x
e
CVaR
R
(x
e
, )
s.a. x
e
X
R
. (2.20)
21
2.2. Enfoques de optimizaci on bajo riesgo CAP
E
_
R
(x
e
, ) t
+
s.a. x
e
X
R
, t R . (2.21)
Nuevamente, la esperanza en la formulaci on anterior presenta una dicultad mayor
en su tratabilidad. Usamos de nuevo entonces el m etodo de aproximaci on Sample Aver-
age Approximation para sortear este problema: tomamos una muestra iid
1
, . . . ,
N
del
vector de leyes y aproximamos la esperanza por el promedio dentro de la muestra. La
aproximaci on SAA del modelo de minimizaci on de CVaR con recourse queda
mn
x
e
,t
t +
1
N
N
k=1
_
R
(x
e
,
k
) t
+
s.a. x
e
X
R
, t R . (2.22)
Se verica f acilmente que este problema se puede reformular linealmente como
mn t +
1
N
N
k=1
k
s.a.
k
(x
e
, x
p,k
,
k
) t k = 1, . . . , N
k
0 k = 1, . . . , N
(x
e
, x
p,k
) X k = 1, . . . , N
t R,
(2.23)
donde X y son las versiones sin recourse del conjunto de planes factibles y bene-
cio, respectivamente. Remarcamos nalmente que este procedimiento es absolutamente
an alogo al hecho para el caso del modelo de VaR con recourse de 2.2.1.
2.2.3. Modelos MCH y MCH-
El tercer modelo que consideramos en este trabajo est a inspirado en optimizaci on ro-
busta. El modelo Modulated Convex-Hull (MCH) consistir a en asumir que el vector de
leyes se encuentra dentro de un conjunto que se obtendr a a partir de una muestra iid. Se
obtendr a una planicaci on aversa al riesgo al tomar el plan que optimice la peor p erdida
cuando el vector se encuentra en este conjunto. Veremos que este enfoque ser a equiv-
alente a minimizar una medida de riesgo de distorsi on de las p erdidas. Propondremos
adem as una versi on multi-etapa o con recourse. Asmismo propondremos una versi on al-
ternativa del modelo MCH, el modelo MCH-, que tendr a propiedades de convergencia, a
diferencia del modelo MCH.
El enfoque robusto que se propone en este modelo es asumir simplemente que el
par ametro incierto pertenece a un conjunto | R
B
+
, el cual considerar a todas las real-
izaciones razonables para . A continuaci on, escogemos el plan (x
e
, x
p
) que minimice
22
2.2. Enfoques de optimizaci on bajo riesgo CAP
= |
(
1
, . . . ,
N
) := + (1 ) conv(
1
, . . . ,
N
), (2.25)
donde :=
1
N
N
k=1
k
. Denimos el modelo Modulated Convex Hull (MCH) con nivel
de riesgo como
mn
(x
e
,x
p
)X
m ax
|
((x
e
, x
p
), ) . (2.26)
Es f acil vericar que como ((x
e
, x
p
), ) es lineal afn para todo (x
e
, x
p
) y |
es
poltopo entonces
m ax
|
((x
e
, x
p
), ) = m ax
k=1,...,N
_
(x
e
, x
p
),
(k)
_
,
donde
(k)
:= + (1 )
k
. Notar que
(1)
, . . . ,
(N)
contiene a todos los v ertices
de |
N
=
1
, . . . ,
N
, T es la - algebra de las partes de
N
, y P
N
( =
k
) = 1/N para
todo k = 1, . . . , N. En este contexto, una v.a. X : (
N
, T, P
N
) R es representable por
un vector x R
N
, x
k
= X(
k
); una medida de probabilidad Q sobre (
N
, T) se puede
representar por q
N
, q
k
= Q( =
k
), donde
N
:=
_
p R
N
+
:
N
k=1
p
k
= 1
_
es el smplex N-dimensional; y se tiene E
Q
(X) = q
t
x donde E
Q
es la esperanza con
respecto a la medida de probabilidad Q. Denimos adem as el smplex N-dimensional
restringido como
N
:=
_
p
N
: p
1
. . . p
N
_
,
y para X v.a. representada por x R
N
notaremos x
[]
:= (x
[1]
, . . . , x
[N]
)
t
donde x
[1]
. . . x
[N]
. Por ultimo, asumiremos que toda v.a. sobre (
N
, T, P
N
) es una v.a. de p erdi-
das.
Por el Teorema 2.2.3 sabemos que toda medida de riesgo de distorsi on es igual a
una combinaci on lineal convexa de medidas de CVaR. El siguiente teorema establece ese
hecho en el contexto presentado aqu, explotando la estructura particular que otorga el es-
pacio de probabilidad nito equiprobable. Para la demostraci on de este teorema remitimos
al lector a [BB09].
Teorema 2.2.4 (Teorema 4.2 de [BB09]). Sea : L
(
N
, T, P
N
) R una medida de
riesgo. es medida de riesgo de distorsi on ssi existe una medida de probabilidad q
N
sobre (
N
, P) tal que para todo X L
(
N
, T, P
N
) se tiene
(X) =
N
k=1
q
k
x
[k]
.
M as a un, cada uno de estos q
N
se puede escribir de la forma
q =
N
k=1
k
q
k
,
24
2.2. Enfoques de optimizaci on bajo riesgo CAP
N
es la medida de probabilidad asociada a la medida de riesgo
de distorsi on CVaR con nivel de riesgo = k/N, k = 1, . . . , N. Estos medidas q
k
son
q
k
i
=
_
1/k si i = 1, . . . , k
0 si i = k + 1, . . . , N.
Notar que, en particular, en el espacio L
(
N
, T, P
N
) CVaR
1/N
mide la peor p erdida:
CVaR
1/N
(X) = ( q
1
)
t
x
[]
= x
[1]
= m ax
k=1,...,N
X(
k
),
y CVaR
1
mide la p erdida esperada:
CVaR
1
(X) = ( q
N
)
t
x
[]
=
1
N
N
k=1
x
[k]
=
1
N
N
k=1
X(
k
).
Adem as, usando el Teorema 2.2.2 y el hecho de que en (
N
, T, P
N
) la familia de
medidas que generan CVaR
:= q
N
: q
k
1
N
(ver [BB09]),
se tiene que la medida q
N
N
denida como
q
N
k
:=
1
N
_
_
1 si k N|
N N| si k = N| + 1
0 si no,
(2.28)
es la medida de probabilidad que genera CVaR
(
N
, T, P
N
)
v.a. de p erdidas representada por x R
N
, se satisface
CVaR
(X) =
N
k=1
q
N
k
x
[k]
. (2.29)
Notar que cuando = j/N con j 1, . . . , N se tiene que, por denici on de q
N
,
q
N
= q
j
, y entonces tambi en se satisface la igualdad (2.29).
Consideremos nuevamente el espacio nito equiprobable (
N
, T, P
N
) y tomemos una
v.a. a R
d
sobre este espacio de probabilidad, i.e. a : (
N
, T, P
N
) R
d
. Por simplici-
dad, notemos a
k
:= a
_
k
_
para k = 1, . . . , N y / := a
1
, . . . , a
N
. Queremos usar un
esquema averso al riesgo para hacer que se cumpla la restricci on
z R
d
: a
t
z c ,
donde c R es dado, cuando a sigue la distribuci on mencionada.
Consideremos para ello una medida de riesgo de distorsi on : L
(
N
, T, P
N
) R
representada por q
N
. Es decir, consideremos la restricci on aversa al riesgo
z R
d
: (z
t
a c) 0.
25
2.2. Enfoques de optimizaci on bajo riesgo CAP
q
__
a
1
, . . . , a
N
__
:= conv(
_
N
k=1
q
(k)
a
k
: permutaci on
_
) (2.30)
es el q-permutahull de /.
En efecto, basta notar que
(a
t
z c) = (z
t
a) c
=
N
k=1
q
k
(z
t
a)
[k]
c
= max
permutaci on
_
N
k=1
q
(k)
(z
t
a)
k
_
c
= max
permutaci on
_
N
k=1
q
(k)
z
t
a
k
_
c
= max
permutaci on
_
z
t
_
N
k=1
q
(k)
a
k
__
c
= max
a
q(,)
z
t
a
t
c,
donde (z
t
a)
k
:= z
t
a
k
, la segunda igualdad viene del Teorema 2.2.4, y la tercera igualdad
viene de que q
N
. La cuarta desigualdad viene de que la funci on objetivo z
t
a
t
es
lineal.
Notemos que un corolario de este sencillo resultado es que, si a R
d
es un vector
aleatorio sobre (
N
, T, P
N
), entonces el problema de optimizaci on aversa al riesgo
mn
zZ
(z
t
a)
es equivalente al problema robusto
mn
zZ
m ax
a
q(,)
z
t
a
t
,
donde Z R
d
es un subconjunto cualquiera.
Volviendo al modelo MCH, queremos aplicar esta colecci on de corolarios del Teorema
2.2.4 a nuestro modelo. La idea fundamental es tomar el espacio de probabilidad nito
equiprobable que induce la muestra iid
1
, . . . ,
N
de , y denir una medida de riesgo de
distorsi on sobre este espacio.
Proposici on 2.2.5. Sea
1
, . . . ,
N
una muestra iid del vector de leyes . Consideremos
(
N
, T, P
N
) el espacio equiprobable nito que la muestra iid dene, es decir
N
=
1
, . . . ,
N
, T es el conjunto de las partes de
N
y P
N
( =
k
) = 1/N para todo
k = 1, . . . , N. Sea tambi en [0, 1] un nivel de riesgo.
26
2.2. Enfoques de optimizaci on bajo riesgo CAP
como
(L) := CVaR
1
(L) + (1 ) CVaR
1/N
(L)
para toda v.a. de p erdidas L L
(
N
, T, P
N
). Se tiene que
es una medida de
riesgo de distorsi on.
2. El problema (2.26) es equivalente al problema
mn
(x
e
,x
p
)X
(((x
e
, x
p
), )) ,
donde
opera en el espacio L
(
N
, T, P
N
).
Demostraci on. El punto 1. es directo del Teorema 2.2.4. Para 2. tomemos el conjunto
X
Z
:= ((x
e
, x
p
), ) X R : ((x
e
, x
p
), ) |
.
Es f acil ver que al tomar (
N
, T,
N
) se tiene
X
Z
= ((x
e
, x
p
), ) X R :
(((x
e
, x
p
), )) . (2.31)
En efecto, primero notemos que
CVaR
1/N
(((x
e
, x
p
), )) = (c
e
)
t
x
e
+ CVaR
1/N
((W
p
)
t
x
p
) + (c
p
)
t
x
p
= (c
e
)
t
x
e
+ (max
k=1,...,N
(W
p
)
t
x
p
) + (c
p
)
t
x
p
= max
k=1,...,N
((x
e
, x
p
), ) .
Luego,
(((x
e
, x
p
), )) = E[((x
e
, x
p
), )] + (1 ) CVaR
1/N
(((x
e
, x
p
), ))
= ((x
e
, x
p
), ) + (1 ) m ax
k=1,...,N
_
(x
e
, x
p
),
k
_
= max
k=1,...,N
_
((x
e
, x
p
), ) + (1 )
_
(x
e
, x
p
),
k
_
= max
k=1,...,N
_
(x
e
, x
p
), + (1 )
k
_
= max
|
((x
e
, x
p
), ) ,
y entonces son equivalentes
(((x
e
, x
p
), ))
m ax
|
((x
e
, x
p
), )
((x
e
, x
p
), ) |
,
lo que demuestra la igualdad de conjuntos (2.31). Finalmente, se concluye notando que el
problema MCH (2.26) es equivalente a
mn s.a. ((x
e
, x
p
), ) X
Z
,
y entonces tambi en es equivalente a
mn
(x
e
,x
p
)X
(((x
e
, x
p
), )) .
27
2.2. Enfoques de optimizaci on bajo riesgo CAP
(
N
, T, P
N
)
formada por la familia de medidas de probabilidad Q
:= q
N
+ (1 )
N
sobre
(
N
, T, P
N
), donde q
N
= (1/N, . . . , 1/N)
t
es la medida de probabilidad asociada a
CVaR
1
() sobre L
(
N
, T, P
N
). Esto es, si
.
A modo de sntesis, se tiene que, dada una muestra iid
1
, . . . ,
N
y un nivel de riesgo
[0, 1], el modelo MCH (2.26) es equivalente al enfoque averso al riesgo
mn E[((x
e
, x
p
), )] + (1 ) CVaR
1/N
[((x
e
, x
p
), )]
s.a. (x
e
, x
p
) X,
(2.32)
donde E y CVaR
1/N
se toman con respecto al espacio de probabilidad nito y equiproba-
ble inducido por la muestra iid. Destacamos que en este espacio CVaR
1/N
es simplemente
el peor escenario, i.e. para una v.a. de p erdidas L,
CVaR
1/N
(L) = m ax
k=1,...,N
L(
k
).
As, en cierto sentido, el modelo MCH consiste en optimizar una combinaci on lineal
convexa de la peor p erdida y la p erdida esperada de la mina. En particular, si elegimos
= 0 en el modelo MCH entonces estamos optimizando el peor escenario, que es el
enfoque m as conservador de todos; y si elegimos = 1 entonces optimizamos la p erdida
esperada, que es el enfoque neutro al riesgo. Luego, la nomenclatura nivel de riesgo
para es coherente, pues efectivamente controla cu an conservadores o aversos al riesgo
queremos realizar la planicaci on.
Modelo MCH-
Nos detenemos ahora a reexionar en torno a una posible convergencia, en alg un sen-
tido, de este modelo. En los modelos de minimizaci on de VaR y CVaR asumimos que
segua una distribuci on estoc astica y propusimos un modelo de optimizaci on aversa al
riesgo, llam emosle problema verdadero. No obstante, a falta del conocimiento exacto de la
distribuci on de preferimos aproximar el problema verdadero con una muestra iid, obte-
niendo un problema aproximado. Es de esperarse que al aumentar el tama no de la muestra
esta representar a m as elmente la distribuci on estoc astica original, traduci endose en que
el problema aproximado provea soluciones cada vez m as cercanas, en alg un sentido, a las
del problema verdadero. Y en efecto, en el siguiente captulo veremos que, bajo ciertas
condiciones suaves, en los modelos de minimizaci on de VaR y CVaR en sus versiones
con y sin recourse el problema aproximado converge al problema verdadero, tanto en
valor objetivo como en soluci on, al hacer crecer el tama no N de la muestra.
En contraste, el modelo MCH se basa desde un principio en una muestra de . En
particular, no existe un problema verdadero y una aproximaci on SAA para tal problema.
Si bien la formulaci on (2.32) del modelo MCH nos puede inducir a pensar que estamos
tomando E y CVaR
1/N
con respecto a un hipot etico verdadero espacio de probabilidad
28
2.2. Enfoques de optimizaci on bajo riesgo CAP
[((x
e
, x
p
), )]
s.a. (x
e
, x
p
) X,
(2.33)
donde E y CVaR
E[((x
e
, x
p
), ) t]
+
_
s.a. (x
e
, x
p
) X, t R.
(2.34)
Para poder hacer tratables las esperanzas de este problema aplicamos la t ecnica SAA
y aproximamos la esperanza usando una muestra iid
1
, . . . ,
N
de . La aproximaci on
29
2.2. Enfoques de optimizaci on bajo riesgo CAP
N
k=1
_
((x
e
, x
p
),
k
)
+ (1 )
_
t +
1
N
N
k=1
_
((x
e
, x
p
),
k
) t
+
_
s.a. (x
e
, x
p
) X, t R,
(2.35)
o en una versi on linealizada,
mn
1
N
N
k=1
_
((x
e
, x
p
),
k
)
+ (1 )
_
t +
1
N
N
k=1
k
_
s.a.
k
((x
e
, x
p
),
k
) t k = 1, . . . , N
R
N
+
, (x
e
, x
p
) X, t R.
(2.36)
El modelo MCH- aventaja al modelo MCH en que el modelo verdadero (2.33) no de-
pende de N, por lo que es absolutamente razonable preguntarse si su aproximaci on SAA
(2.35) converger a al problema verdadero, en alg un sentido, al hacer crecer el tama no de
muestra N. Veremos en el siguiente captulo que, bajo hip otesis bastante razonables sobre
el espacio de probabilidad (, T, P) de , en este modelo y en su variante con recourse
que veremos a continuaci on hay convergencia, en el sentido que tanto el valor objetivo
como la soluci on de la aproximaci on SAA converger an a sus respectivas contrapartes en
el problema verdadero.
Mostramos por ultimo una similitud o analoga adicional entre el modelo MCH y el
modelo MCH-.
Proposici on 2.2.6. Consideremos
1
, . . . ,
N
una muestra iid de y sea (
N
, T, P
N
) el
espacio nito equiprobable que esta dene. El problema MCH- aproximado (2.35) es
equivalente al problema
mn
(x
e
,x
p
)X
m ax
1
((x
e
, x
p
), ) , (2.37)
donde 1
:= + (1 )
q
N(
1
. . .
N
) es un conjunto de robustez para , y donde
q
N(
_
1
, . . . ,
N
_
) es como en (2.30). Aqu q
N
N
es el vector denido en (2.28), es
una medida de probabilidad sobre (
N
, T), y representa a CVaR
: L
(
N
, T, P
N
) R
de la manera que establece el Teorema 2.2.4.
Demostraci on. Por la representaci on que establece el Teorema 2.2.4, y en particular usando
la igualdad (2.29), se tiene
CVaR
((W
p
)
t
x
p
) = m ax
permutaci on
N
k=1
q
N
(k)
_
(W
p
k
)
t
x
p
_
= max
permutaci on
_
W
p
(
N
k=1
q
N
(k)
k
)
_
t
x
p
= max
q
N
(W
p
)
t
x
p
,
donde tomamos CVaR
sobre L
(
N
, T, P
N
). Luego,
CVaR
(((x
e
, x
p
), )) = (c
e
)
t
x
e
+ CVaR
((W
p
)
t
x
p
) + (c
p
)
t
x
p
= (c
e
)
t
x
e
+
_
m ax
q
N
(W
p
)
t
x
p
_
+ (c
p
)
t
x
p
= max
q
N
((x
e
, x
p
), ) ,
30
2.2. Enfoques de optimizaci on bajo riesgo CAP
q
N
[ ((x
e
, x
p
), ) + (1 ) ((x
e
, x
p
), )]
= [((x
e
, x
p
), )] + (1 ) m ax
q
N
((x
e
, x
p
), )
= E[((x
e
, x
p
), )] + (1 )CVaR
[ ((x
e
, x
p
), )] ,
lo que concluye la demostraci on.
Contrapartes con recourse
Adaptamos ahora los modelos MCH y MCH- para que incorporen el paradigma
multi-etapa presentado en 2.2.1. En el se deben elegir aqu y ahora qu e bloques ex-
traer; posteriormente, despu es de realizarse la extracci on, se puede ver cu al era la ver-
dadera ley de los bloques, y s olo entonces se debe decidir qu e bloques procesar. Como
se hizo antes, para incorporar este modelo de decisi on a nuestro paradigma basta redenir
el benecio , haciendo que la decisi on x
p
dependa de la decisi on de extracci on x
e
y la
ley . Recordamos entonces la denici on (2.9) de benecio con recourse
R
(x
e
, ) := (v
e
)
t
x
e
+ max
x
p (W
p
v
p
)
t
x
p
s.a. x
p
x
e
(c
p
)
t
x
p
B
p
x
p
0, 1
B
,
y tambi en recordamos la notaci on (2.10) para el conjunto de planes de extracci on factibles:
X
R
:=
_
x
e
0, 1
B
: x
e
a
x
e
b
(a, b) T
(c
e
)
t
x
e
B
e
_
.
Primeramente presentamos esta variante para el modelo MCH-. Dado un nivel de
riesgo (0, 1], el modelo MCH- con recourse es
mn E
_
R
(x
e
, )
+ (1 ) CVaR
R
(x
e
, )
s.a. x
e
X
R
.
(2.38)
Como se argument o para el modelo de minimizaci on de CVaR con recourse, si la
- algebra T para es boreliana entonces el problema (2.38) es equivalente a
mn E
_
R
(x
e
, )
+ (1 )
_
t +
1
E
_
R
(x
e
, ) t
+
_
s.a. x
e
X
R
, t R.
(2.39)
Una vez m as, para sortear el problema de modelamiento y tratabilidad computacional
que las esperanzas en este problema presentan, recurrimos a una aproximaci on SAA. Dada
una muestra iid
1
, . . . ,
N
de , la aproximaci on SAA del modelo MCH- con recourse es
mn
1
N
N
k=1
_
R
(x
e
,
k
)
+ (1 )
_
t +
1
N
N
k=1
_
R
(x
e
,
k
) t
+
_
s.a. x
e
X
R
, t R,
(2.40)
31
2.2. Enfoques de optimizaci on bajo riesgo CAP
N
k=1
_
((x
e
, x
p,k
),
k
)
+ (1 )
_
t +
1
N
N
k=1
k
_
s.a.
k
((x
e
, x
p,k
),
k
) t k = 1, . . . , N
(x
e
, x
p,k
) X k = 1, . . . , N
R
N
+
, t R,
(2.41)
donde y X son el benecio y conjunto factibles, respectivamente, sin recourse.
Discutimos ahora sobre una posible variante con recourse para el modelo MCH. Recorde-
mos que, dado un nivel de riesgo [0, 1] y una muestra
1
, . . . ,
N
del par ametro , el
problema MCH sin recourse original (2.26) es
mn
(x
e
,x
p
)X
m ax
|
((x
e
, x
p
), ) ,
donde |
:= + (1 )
_
conv(
_
1
, . . . ,
N
_
)
_
y :=
1
N
N
k=1
k
. Un atractivo de
este enfoque es que como la funci on de benecio sin recourse ((x
e
, x
p
), ) es lineal-afn
en , y |
R
(x
e
, ), (2.42)
donde
R
es la funci on de benecio con recourse, denida en (2.9). Sin embargo
R
no es lineal ni lineal-afn en el par ametro . Veamos que esto conduce nalmente a que
no exista una formulaci on sencilla y tratable computacionalmente del problema (2.42),
candidato a ser contraparte con recourse del problema MCH.
Primero notemos que el problema (2.42) es equivalente a
mn
s.a.
R
(x
e
, ) |
x
e
X
R
.
Deniendo
Y = Y (x
e
) :=
_
x
p
0, 1
B
: x
p
x
e
, (c
p
)
t
x
p
B
p
_
se tiene que
m ax
x
p
Y
(W
p
v
p
)
t
x
p
= mn
x
p
Y
(W
p
v
p
)
t
x
p
= mn
x
p
conv(Y )
(W
p
v
p
)
t
x
p
,
donde conv(Y ) es la envoltura convexa de Y , y la segunda igualdad viene de que Y es
acotado y la funci on objetivo (W
p
v
p
)
t
x
p
es lineal en x
p
. Por otro lado, son equivalentes
las restricciones
R
(x
e
, ) |
m ax
|
[(v
e
)
t
x
e
m ax
x
p
Y
(W
p
v
p
)
t
x
p
]
m ax
|
mn
x
p
conv(Y )
(W
p
v
p
)
t
x
p
(v
e
)
t
x
e
.
32
2.2. Enfoques de optimizaci on bajo riesgo CAP
(k)
v
p
)
t
x
p
(v
e
)
t
x
e
x
p
conv(Y ) t.q. k = 1, . . . , N (W
p
(k)
v
p
)
t
x
p
(v
e
)
t
x
e
x
p
conv(Y ) t.q. k = 1, . . . , N
_
(x
e
, x
p
),
(k)
_
,
donde
(k)
:= (1 )
k
+, k = 1, . . . , N, y donde la tercera equivalencia viene de que
(1)
, . . . ,
(N)
contiene a los puntos extremos de |
.
De esto conclumos que el problema (2.42) es equivalente a
mn
s.a.
_
(x
e
, x
p
), (1 )
k
+
_
k = 1, . . . , N
x
e
X
R
x
p
conv(Y ),
donde es el benecio sin recourse.
Sin embargo, esta formulaci on no es tratable tal como est a. En primer lugar, el conjun-
to Y , de planes de procesamiento x
p
factibles, depende explcitamente de x
e
. Y segundo,
este conjunto es b asicamente el conjunto factible de un problema knapsack, que como
es ampliamente conocido es un problema NP-completo. Estas dos caractersticas de esta
formulaci on hacen que encontrar una reformulaci on tratable sea una tarea compleja.
Como conclusi on de este an alisis sacamos que el problema (2.42), que sera la contra-
parte con recourse directa del enfoque MCH, no posee una formulaci on tratable evidente.
No obstante, inspir andonos en la Proposici on 2.2.5 proponemos una denici on alternativa
para el problema MCH con recourse.
Dado [0, 1], denimos el modelo MCH con recourse con nivel de riesgo como
mn
x
e
X
R
_
E
_
R
(x
e
, )
+ (1 ) CVaR
1/N
_
R
(x
e
, )
_
, (2.43)
donde
R
es el benecio con recourse y X
R
es el conjunto de planes de extracci on
factibles.
A partir de aqu el tratamiento es exactamente an alogo al hecho con el modelo MCH-
con recourse. Primero, si la - algebra T asociada a la hipot etica distribuci on verdadera
(, T, P) de es boreliana, entonces el problema (2.43) es equivalente a
mn
x
e
X
R
, tR
_
E
_
R
(x
e
, )
+ (1 )
_
t +
1
E
_
R
(x
e
, ) t
+
__
. (2.44)
33
2.2. Enfoques de optimizaci on bajo riesgo CAP
1
N
N
k=1
_
R
(x
e
,
k
)
+ (1 )
_
t +
1
N
N
k=1
_
R
(x
e
,
k
) t
+
__
,
(2.45)
o en una formulaci on linealizada,
mn
1
N
N
k=1
_
_
(x
e
, x
p,k
),
k
_
+ (1 )
_
t +
1
N
N
k=1
k
_
_
(x
e
, x
p,k
),
k
_
t 0 k = 1, . . . , N
_
x
e
, x
p,k
_
X k = 1, . . . , N
t R,
(2.46)
donde y X son las variantes sin recourse del benecio y conjunto de planes factibles,
respectivamente.
2.2.4. Sobre el contenido de probabilidad de un poltopo
En las secciones 2.2.2 y 2.2.3 hemos ido presentando resultados que muestran la
rica estructura de las medidas de riesgo de distorsi on. Particularmente, hemos visto c omo
las aproximaciones SAA de los modelos de minimizaci on de CVaR, MCH y MCH-
pueden formularse indistintamente como problemas de optimizaci on aversa al riesgo o
como problemas de optimizaci on robusta. En esta secci on nos concentramos en esta ulti-
ma representaci on y nos preguntamos cu an representativo de la distribuci on original de
puede ser el conjunto de robustez en cada modelo. Veremos que esto tendr a implicancias
importantes en la convergencia de las aproximaciones SAA, tema que discutiremos en el
captulo siguiente.
Sea (0, 1) un nivel de riesgo cualquiera y consideremos una muestra iid
1
, . . . ,
N
de . Recordemos primeramente que el problema MCH sin recourse (2.26) es
mn
(x
e
,x
p
)X
m ax
|
((x
e
, x
p
), ) ,
donde
|
:= + (1 ) conv(
_
1
, . . . ,
N
_
)
y
:=
1
N
N
k=1
k
.
Tambi en, del Teorema 2.2.4 y la discusi on que le sigue, obtenemos f acilmente que la
aproximaci on SAA (2.18) del problema de minimizaci on de CVaR sin recourse es equiv-
alente al problema
mn
(x
e
,x
p
)X
m ax
q
N
(
1
...
N
)
((x
e
, x
p
), ) , (2.47)
34
2.2. Enfoques de optimizaci on bajo riesgo CAP
:= +(1 )
q
N(
1
. . .
N
). En sntesis, las tres aproximaciones SAA se
formulan como un problema de optimizaci on robusta donde el unico cambio es la elecci on
del conjunto de robustez.
Una manera de establecer qu e modelo puede ser mejor que otro sera evaluar, para cu al
de estos tres conjuntos de robustez, el vector tiene mayor probabilidad de estar en el. Es
decir, calcular el contenido de probabilidad P( |) del conjunto de robustez | de cada
modelo. La primera dicultad de este enfoque es pr actica, pues el conjunto | depende de
N muestras independientes de , lo cual agrega complejidad al c alculo. Y la segunda es de
modelamiento, pues hemos asumido desde un principio que desconocemos la verdadera
distribuci on de probabilidad de , con lo cual no podramos calcular la probabilidad para
cada modelo.
A falta de resultados exactos nos apoyamos en el siguiente resultado, que nos permi-
tir a hacer algunas observaciones cualitativas importantes sobre el contenido de probabili-
dad de un poltopo.
Teorema 2.2.7 (Teorema 13.2.1 de [Mat02]). Sea B
d
la bola unitaria en R
d
y sea | B
d
un poltopo convexo contenido en B
d
. Si | tiene a lo m as N v ertices entonces
vol(|)
vol(B
d
)
_
Cln
_
N
d
+ 1
_
d
_
d/2
(2.48)
donde vol() es el volumen en R
d
y C es una constante independiente de d y N.
Supongamos moment aneamente que el soporte de la distribuci on de es la bola uni-
taria en R
d
, y que la distribuci on es uniforme en este conjunto. En tal caso el t ermino de la
izquierda de (2.48) es exactamente P( |). En consecuencia, a menos que el n umero de
v ertices de | sea exponencial en d, esta probabilidad es despreciable. O en otras palabras,
se necesita que el n umero de v ertices N sea exponencial en la dimensi on d del espacio
para que la probabilidad tenga alguna posibilidad de no ser cercana a 0.
Las implicancias de este resultado son fuertes, pues en nuestro caso la dimensi on d
del espacio es la cantidad de bloques, [B[. Como se ha mencionado en varias ocasiones,
una caracterstica principal del problema de planicaci on minera es el gran n umero de
bloques que tienen los modelos de bloques de minas de tama no normal. Y veremos en
el Captulo 4 que para una mina de casi 20.000 bloques no se pueden tomar m as de 400
muestras.
35
2.2. Enfoques de optimizaci on bajo riesgo CAP
:= mn
xX
f(x) := E[F(x, )] (3.1)
donde X R
n
es un conjunto no-vaco cerrado, es un vector aleatorio cuya distribuci on
de probabilidad P est a soportada en el conjunto R
d
, y F : X Res una funci on
de Carath eodory, i.e., continua en x y medible en . Asumimos adem as que la esperanza
f(x) est a bien denida y es nita para cada x X.
Suponemos ahora que se tiene una muestra
1
, . . . ,
N
de N realizaciones del vector
estoc astico . Para cada x X podemos estimar el valor esperado f(x) promediando los
valores F(x,
j
), j = 1, . . . , N. Esto lleva a la, as llamada, aproximaci on Sample Average
Approximation (SAA)
N
:= mn
xX
_
f
N
(x) :=
1
N
N
j=1
F(x,
j
)
_
(3.2)
del problema verdadero (3.1). Asumimos siempre que cada muestra
j
tiene la misma
distribuci on (marginal) P que el vector estoc astico . Si, m as a un, cada
j
, j = 1, . . . , N,
37
3.1. Marco te orico general CAP
f
N
(x)] = f(x), i.e.,
f
N
(x) es estimador insesgado de f(x). Luego, es natural esperar
que el valor optimo y soluciones optimas del problema SAA (3.2) converjan a sus con-
trapartes del problema verdadero (3.1) cuando N . En adelante denotamos por S
al conjunto de soluciones optimas del problema verdadero (3.1) y por
S
N
al conjunto de
soluciones optimas del problema SAA (3.2).
A continuaci on discutimos las propiedades estadsticas de los estimadores SAA
N
y
S
N
.
Consistencia
Esta secci on se basa ntegramente en [SDR09, 5.1.1 Consistency of SAAEstimators].
Buscamos estudiar las propiedades de convergencia de los estimadores SAA
N
y
S
N
. Se
dice que un estimador
N
de un par ametro es consistente si
N
converge c.s. a cuando
N . Consideremos primero la consistencia del estimador SAA
N
del valor optimo
N
f
N
(x), y entonces si se tiene puntualmente
la LGN, entonces
lmsup
N
N
lm
N
f
N
(x) = f(x) c.s.
Sigue que si se tiene puntualmente la LGN, entonces
lmsup
N
c.s. (3.3)
Sin algunas condiciones adicionales, la desigualdad puede ser estricta.
Proposici on 3.1.1 (Proposition 5.2, [SDR09]). Supongamos que
f
N
(x) converge c.s. a
f(x), cuando N , uniformemente en X. Entonces
N
converge a
c.s. cuando
N .
Para establecer la consistencia de los estimadores SAA de soluciones optimas nece-
sitamos condiciones ligeramente m as fuertes. Denotamos por D la distancia usual entre
conjuntos, D(A, B) := sup
xA
dist(x, B), donde dist(x, B) := nf
yB
|x y| y | | es
la norma euclidena en R
n
.
Teorema 3.1.2 (Theorem 5.3, [SDR09]). Supongamos que existe un conjunto compacto
C R
n
tal que:
1. el conjunto S de soluciones optimas del problema verdadero es no vaco y est a con-
tenido en C,
38
3.1. Marco te orico general CAP
S
N
X.
Entonces
y D(
S
N
, S) 0 c.s. cuando N .
El siguiente resultado da condiciones sucientes para satisfacer los dos resultados
anteriores.
Teorema 3.1.3 (Theorem 7.48, [SDR09]). Sea X un subconjunto compacto y no vaco de
R
n
, y supongamos que:
1. para todo x X, la funci on F(, ) es continua en x, para casi todo ,
2. para todo x X, F(x, ) est a dominada por una funci on integrable, y
3. la muestra de
f
N
es iid.
Entonces la funci on f(x) tiene valores nitos y es continua en X, y
f
N
(x) converge a
f(x), con probabilidad 1, uniformemente sobre X.
Resultados asint oticos
Esta secci on se basa ntegramente en [SDR09, 5.1.2 Asymptotics of the SAAOptimal
Value]. Supongamos que la muestra es iid y consideremos una soluci on x X. Entonces
sabemos que el estimador SAA
f
N
(x) =
1
N
N
j=1
F(x,
j
), de f(x) = E(F(x, )), es
insesgado y tiene varianza
2
(x)/N, donde asumimos
2
(x) := Var (F(x, )) nito.
M as a un, por el Teorema Central Lmite se tiene que
N
1/2
_
f
N
(x) f(x)
_
T
Y
x
, (3.4)
donde
T
denota convergencia en distribuci on, y Y
x
tiene distribuci on normal con media
0 y varianza
2
(x), notado Y
x
A (0,
2
(x)). Esto es,
f
N
(x) tiene asint oticamente dis-
tribuci on normal, i.e., para N grande,
f
N
(x) tiene aproximadamente distribuci on normal
con media f(x) y varianza
2
(x)/N.
Esto lleva al siguiente intervalo de conanza (aproximado) con conanza 100(1) %
para f(x):
_
f
N
(x) z
/2
(x)
N
,
f
N
(x) + z
/2
(x)
N
_
(3.5)
39
3.1. Marco te orico general CAP
j=1
_
F(x,
j
)
f
N
(x)
_
2
(3.6)
es el estimador de la varianza muestral de
2
(x). Esto es, el error de la estimaci on de f(x)
es (estoc asticamente) de orden O
p
(N
1/2
).
Consideramos ahora el valor optimo
N
del problema SAA (3.2). Claramente para
todo x
t
X se tiene
f
N
(x
t
) nf
xX
f
N
(x). Tomando valor esperado en ambos lados de
la desigualdad y minimizando en el lado izquierdo sobre todo x
t
X, obtenemos
nf
xX
E
_
f
N
(x)
_
E
_
nf
xX
f
N
(x)
_
(3.7)
Notar que la desigualdad (3.7) se tiene a un si f(x) = +o f(x) = para alg un x
X. Como E
_
f
N
(x)
_
= f(x), sigue que
E
_
N
_
. De hecho, tpicamente E
_
N
_
es
estrictamente menor que
, i.e.,
N
es estimador sesgado hacia abajo de
. El siguiente
resultado muestra que el sesgo decrece mon otonamente con el aumento del tama no N de
la muestra.
Proposici on 3.1.4 (Proposition 5.6, [SDR09]). Sea
N
el valor optimo del problema SAA
(3.2) y suponer que la muestra es iid. Entonces E
_
N
_
E
_
N+1
_
para todo
N N.
Teorema 3.1.5 (Theorem 5.7, [SDR09]). Sea
N
el valor optimo del problema SAA (3.2).
Supongamos que la muestra es iid, X es compacto y se tienen las siguientes hip otesis:
(A1) Para alg un x X la esperanza E[F(x, )
2
] es nita.
(A2) Existe una funci on medible C : R
+
tal que E[C()
2
] es nita y
[f(x) f(x
t
)[ C()|x x
t
| (3.8)
para todo x, x
t
X y casi todo .
Entonces se tiene:
N
= nf
xS
f
N
(x) + o
P
(N
1/2
) (3.9)
N
1/2
_
_
T
nf
xS
Y (x) (3.10)
M as a un, si S = x es un singleton, entonces
N
1/2
_
_
T
A
_
0,
2
(x)
_
(3.11)
40
3.1. Marco te orico general CAP
. (3.12)
Claramente, para cada x X factible, gap(x) es no-negativo y gap(x) = 0 ssi x es una
soluci on optima del problema real.
Cota Inferior. Consideramos el valor optimo del problema SAA (3.2). Por (3.1.4) se
tiene que
E[
N
]. Esto signica que
N
proporciona una cota inferior estadstica
v alida del valor optimo
N
] puede estimarse pro-
mediando. Esto es, resolver M veces el problema SAA (3.2) con muestras iid de tama no
N distintas. Sean
1
N
, . . . ,
M
N
los valores optimos de estos problemas SAA. Entonces
v
N,M
:=
1
M
M
m=1
m
N
(3.13)
es un estimador insesgado de E[
N
]. Como las muestras son iid, y entonces
1
N
, . . . ,
M
N
tambi en, se tiene Var[v
N,M
] =
1
M
Var[
N
], y entonces podemos estimar la varianza de
v
N,M
por
2
N,M
:=
1
M
_
1
M 1
M
m=1
(
m
N
v
N,M
)
2
_
(3.14)
En general, la variable aleatoria
N
, y entonces sus replicaciones
j
N
, no siguen una
distribuci on normal, incluso aproximadamente (ver (3.1.5)). Sin embargo, por el Teorema
Central Lmite, la distribuci on de probabilidad del promedio v
N,M
se hace aproximada-
mente normal cuando M crece. En consecuencia, podemos usar
L
N,M
:= v
N,M
t
,M1
N,M
, (3.15)
como una cota inferior aproximada con conanza (1 ) de la esperanza E[
N
], donde
t
,
es el valor crtico de una distribuci on t-student con grados de libertad.
Cota Superior. Tambi en podemos estimar f(x) con muestreo. Esto es, sea
f
N
(x) el
estimador muestral promedio de f(x), basado en una muestra de tama no N
t
generado
independiente de las muestras involucradas en computar x. Sea
2
N
el estimador de la
varianza de
f
N
(x):
2
N
(x) :=
1
N
t
(N
t
1)
N
j=1
_
F(x,
j
)
f
N
(x)
_
2
(3.16)
41
3.1. Marco te orico general CAP
N
(x) (3.17)
da una cota superior aproximada con conanza (1) para f(x), donde z
:=
1
(1)
para funci on de distribuci on acumulada de la normal standard. Notar que como N
t
puede ser grande entonces usamos el valor crtico z
f
N
(x) v
N,M
_
= f(x) E[
N
] = gap(x) +
E[
N
] gap(x) (3.18)
i.e.,
f
N
(x) v
N,M
es un estimador sesgado del gap(x). Adem as, la varianza de este
estimador es igual a la suma de las varianzas de
f
N
(x) y v
N,M
, y entonces
f
N
(x) v
N,M
+ z
_
2
N
(x) +
2
N,M
(3.19)
da una cota superior conservadora de gap(x) con conanza (1). Decimos que esta cota
superior es conservadora porque de hecho da, con conanza (1 ), una cota superior
para gap(x) +
E[
N
], y tenemos
E[
N
] 0.
Un algoritmo de b usqueda y validaci on de soluciones SAA
La subsecci on anterior sugiere directamente un procedimiento para encontrar solu-
ciones SAA con menor gap de optimalidad. Consideramos el problema (3.1), es decir,
:= mn
xX
f(x) := E[F(x, )]
Dados tama no de muestra N y N
t
, n umero de iteraciones M y nivel de conanza
1 [0, 1], el procedimiento es el siguiente.
1. Con M muestras de tama no N,
1,m
, . . . ,
N,m
, m = 1, . . . , M, iid todos entre s,
resolver M problemas SAA de tama no N:
m
N
:= mn
xX
_
f
N
(x) :=
1
N
N
k=1
F(x,
k,m
)
_
, m = 1, . . . , M
Obtenemos M candidatos a soluci on x
m
, m = 1, . . . , M.
2. C alculo de cota inferior para
. Calculamos
v
N,M
:=
1
M
M
m=1
m
N
2
N,M
:=
1
M
_
1
M1
M
m=1
(
m
N
v
N,M
)
2
_
42
3.1. Marco te orico general CAP
, con conanza (1 ).
3. C alculo de cota superior para
f
N
(x
m
) :=
1
N
k=1
F(x
m
,
k
)
2
N
(x
m
) :=
1
N
_
1
N
k=1
(F(x
m
,
k
)
f
N
(x
m
))
2
_
En particular tenemos que, para cada m = 1, . . . , M,
f
N
(x
m
) + z
N
(x
m
) (3.21)
es una cota superior para f(x
m
), y entonces para
. Para cada x
m
factible, m =
1, . . . , M, obtenemos la siguiente cota superior para el gap de optimalidad f(x
m
)
f
N
(x
m
) v
N,M
+ z
_
2
N
(x
m
) +
2
N,M
(3.22)
Usamos como mejor candidato a soluci on optima del problema real la soluci on x
m
que de la menor cota superior para el gap de optimalidad.
3.1.2. Propiedades de estimadores SAA para Chance Constrained
Problems
Consideramos ahora problemas con restricciones de probabilidad, o chance constrained
problems, y su resoluci on usando la t ecnica Sample Average Approximation. Esta subsec-
ci on se basa ntegramente en [SDR09, 5.7 Chance Constrained Problems].
Consideramos un chance constrained problem de la forma
mn
xX
f(x) s.t. p(x) (3.23)
donde X R
n
es un conjunto cerrado, f : R
n
R es funci on continua, (0, 1) es un
nivel de riesgo dado, y
p(x) := P[C(x, ) > 0] (3.24)
es la probabilidad de violaci on de la restricci on en el punto x X. Asumimos que
es un vector aleatorio, cuya distribuci on de probabilidad P est a soportada en el conjunto
43
3.1. Marco te orico general CAP
, (3.25)
y, dada una muestra
1
, . . . ,
N
del par ametro incierto , podemos estimar esta probabili-
dad con la aproximaci on SAA correspondiente
p
N
(x) :=
1
N
N
j=1
1
(0,)
_
C(x,
j
)
_
. (3.26)
As, p
N
(x) es igual a la proporci on de veces que en la muestra se cumple la condici on
C(x, ) > 0. Consecuentemente podemos escribir la contraparte SAAdel problema (3.23)
como
mn
xX
f(x) s.t. p
N
(x) (3.27)
Consistencia
Proposici on 3.1.6 (Proposition 5.29, [SDR09]). Sea C(x, ) una funci on de Carath eodory.
Entonces la funci on p(x) y p
N
(x) son semicontinuas inferiores, esto es, para todo x se
tiene que p(x) lminf
xx
p(x) y an alogamente para p
N
. Suponer adem as que la mues-
tra es iid. Entonces p
N
epiconverge c.s. a p cuando N , notado p
N
e
p c.s.; esto
es, c.s. se tiene que p
N
epiconverge a p. M as a un, suponer que para todo x X se tiene
P(C(x, ) = 0) = 0, (3.28)
i.e. C(x, ) ,= 0 c.s. Entonces la funci on p(x) es continua en X y p
N
(x) converge a p(x)
c.s. uniformemente sobre compactos de X.
Para una denici on exhaustiva de epiconvergencia de funciones reales extendidas y
sus propiedades ver [SDR09, 7.1.6 Epiconvergence].
Como la funci on p(x) es semicontinua inferior y el conjunto X es cerrado, sigue
que el conjunto factible del problema (3.23) es cerrado. Si m as a un es no-vaco y acotado
entonces el problema (3.23) tiene un conjunto no-vaco S de soluciones optimas (recordar
que la funci on objetivo f(x) se asume continua). Lo mismo aplica al problema SAA
(3.27). Tenemos aqu la siguiente propiedad de consistencia para el valor optimo
N
y el
conjunto
S
N
de soluciones optimas del problema SAA (3.27).
Proposici on 3.1.7 (Proposition 5.30, [SDR09]). Supongamos que el conjunto X es com-
pacto, la funci on f es continua, C(x, ) es funci on de Carath eodory, la muestra es iid, y
se tiene lo siguiente:
44
3.1. Marco te orico general CAP
y D(
S
N
, S) 0 c.s. cuando N .
La condici on (a) anterior es esencial para la consistencia de
N
y
S
N
. Pensar, por
ejemplo, en alguna situaci on donde la condici on p(x) dene un unico punto x tal que
p(x) = . Entonces cambios arbitrariamente peque nos en la restricci on p
N
(x) puede
resultar en que el conjunto factible del problema SAA correspondiente se vuelve vaco.
Hasta aqu tenemos que bajo condiciones suaves de regularidad se tiene que el valor
optima y soluciones optimas del problema SAA (3.27) convergen c.s., cuando N ,
a sus contrapartes respectivas del problema verdadero (3.23). Sin embargo, existen var-
ios potenciales problemas con el enfoque aqu presentado. Por ejemplo, para que p
N
(x)
sea un estimador razonablemente preciso de p(x), el tama no N de la muestra debe ser
signicativamente mayor a
1
. Para peque no esto puede resultar en un tama no de de
muestra muy grande. Otro problema es que tpicamente la funci on p
N
(x) es discontinua
en x y entonces el problema SAA (3.27) es un problema combinatorial difcil de resolver.
Validaci on de una soluci on optima
Consideramos ahora una t ecnica pr actica para validar un candidato x X a soluci on
optima del problmea verdadero (3.23). Esta tarea es doble, pues se necesita vericar la
factibilidad y optimalidad de x. Por supuesto, si un punto x es factible para el problema
verdadero entonces
.
Cota Superior. Comencemos vericando la factibilidad del punto x. Para ello necesita-
mos estimar la probabilidad p(x) = P(C(x, ) > 0). Procedemos usando las t ecnicas de
muestreo Monte Carlo. Para una muestra iid
1
, . . . ,
N
denamos como el n umero de
veces que la restricci on C(x, ) 0 es violada en la muestra, i.e.,
:=
N
j=1
1
(0,)
_
C(x,
j
)
_
. (3.29)
Entonces p
N
(x) = /N es un estimador insesgado de p(x), y tiene distribuci on bino-
mial B(p(x), N). En adelante usamos la notaci on b(k; , N) :=
k
j=1
_
N
j
_
j
(1 )
Nj
.
Para (0, 1) dado consideramos
U
,N
(x) := sup
[0,1]
: b(; , N) (3.30)
Como U
,N
(x) es funci on de entonces es una variable aleatoria. Notar que b(; , N)
es continua y monot onamente decreciente en (0, 1). Luego, de hecho, el supremo
45
3.1. Marco te orico general CAP
..
b(; , N)
_
_
= 1 P(V )
= 1
N
k=0
P(V : = k) P( = k)
(3.31)
Como
P(V : = k) =
_
1 si b(; , N)
0 si no
(3.32)
y P( = k) =
_
N
k
_
p(x)
k
(1 p(x))
Nk
, sigue que
N
k=0
P(V : = k) P( = k) (3.33)
y entonces
P(p(x) < U
,N
(x)) 1 (3.34)
Esto es, p(x) < U
,N
(x) con probabilidad al menos 1. Luego, podemos tomar U
,N
(x)
como una cota superior de p(x) con conanza (1 ).
Obtenemos que si U
,N
(x) entonces x es soluci on factible del problema ver-
dadero (3.23) con probabilidad al menos 1 . En tal caso, podemos usar f(x) como una
cota superior, con conanza (1 ), del valor optimo
m
,N
:= mn
xX
f(x) s.t.
N
j=1
1
(0,)
_
C(x,
j,m
)
_
N. (3.35)
Si el problema es (3.35) es infactible o no-acotado asignamos su valor optimo como
o , respectivamente. Podemos ver
m
,N
, m = 1, . . . , M, como una muestra iid de
la variable aleatoria
,N
, donde
,N
es el valor optimo del respectivo problema SAA con
nivel de signicancia . A continuaci on ordenamos los valores en order no-decreciente,
(1)
,N
. . .
(M)
,N
. Queremos escoger un entero L 1, . . . , M y usar la cantidad
aleatoria
(L)
,N
como una cota inferior del valor optimo verdadero
.
46
3.1. Marco te orico general CAP
N
j=1
1
(0,)
(C(x,
j,m
)) tiene distribuci on binomial con probabilidad de exito igual
a la probabilidad del evento C(x, ) > 0, sigue que x es factible para el problema (3.35)
con probabilidad al menos
]N|
i=0
_
N
i
_
i
(1 )
Ni
= b(N|; , N) =:
N
. (3.37)
Cuando x es factible para (3.35) por supuesto se tiene
m
,N
f(x). Sea > 0 una
constante arbitraria y x un punto factible para el problema verdadero tal que f(x)
+.
Entonces para cada m 1, . . . , M tenemos
:= P
_
m
,N
+
_
P
_
m
,N
f(x)
_
N
(3.38)
Ahora, en el caso de
(L)
,N
>
1
,N
, . . . ,
M
,N
contiene menos de L elementos que son menores o iguales que
+. Co-
mo los elementos de la secuencia aleatoria son independientes, la probabilidad del ultimo
evento es b(L1; , M). Como
N
, tenemos que b(L1; , M) b(L1;
N
, M).
Entonces, P
_
(L)
,N
>
+
_
b(L 1;
N
, M). Como la desigualdad resultante es
v alida para todo > 0 llegamos a la cota
P
_
(L)
,N
>
_
b(L 1;
N
, M). (3.39)
Obtenemos el siguiente resultado.
Proposici on 3.1.8 (Proposition 5.33, [SDR09]). Dados (0, 1) y [0, 1), elijamos
enteros positivos M, N y L tales que
b(L 1;
N
, M) (3.40)
donde
N
:= b(N|; , N). Entonces
P
_
(L)
,N
>
_
. (3.41)
Para N y M dados, es mejor tomar el mayor entero L 1, . . . , M satisfaciendo la
condici on (3.40. Esto es, para
L
:= m ax
1LM
L : b(L 1;
N
, M) , (3.42)
47
3.1. Marco te orico general CAP
(L
)
,N
da una cota inferior para el valor optimo verdadero
k=0
_
M
k
_
(1 )
Nk
[1 (1 )
N
]
Mk
(3.44)
En la pr actica, M est a acotado por el esfuerzo computacional requerido para resolver
M problemas de la forma (3.35). Notar que el esfuerzo por problema es mayor mientras
el tama no N de la muestra es mayor. Para L = 1 (que es el menor valor de L) y = 0,
el lado izquierdo de (3.44) es igual a [1 (1 )
N
]
M
. Notar que (1 )
N
e
N
para > 0 cercano a 0. Luego, si N es grande, uno necesitar a un gran M para hacer
[1 (1 )
N
]
M
menor que, por ejemplo, = 0,01, y entonces obtener una cota inferior
signicativa. Por ejemplo, para N = 7 tenemos que e
N
= 0,0009, y necesitaramos
M > 5000 para hacer [1(1)
N
]
M
menor a 0,01. Por ello, para = 0 es recomendable
tomar N no m as grande que, por ejemplo, 2/.
Un algoritmo de b usqueda y validaci on de soluciones SAA
La subsecci on anterior sugiere directamente un procedimiento para encontrar solu-
ciones SAA con menor gap de optimalidad. Consideramos el problema (3.23) es decir,
:= mn
xX
f(x) s.t. p(x) := P[C(x, ) > 0]
Dados tama no de muestra N y N
t
, n umero de iteraciones M, (0, 1) y nivel de con-
anza 1 [0, 1], el procedimiento es el siguiente.
1. Con M muestras de tama no N,
1,m
, . . . ,
N,m
, m = 1, . . . , M, iid todos entre s,
resolver M problemas SAA de tama no N:
m
,N
:= mn
xX
f(x) s.t.
N
j=1
1
(0,)
_
C(x,
j,m
)
_
N
Obtenemos M candidatos a soluci on x
m
, m = 1, . . . , M.
48
3.2. An alisis SAA para modelos sin recourse CAP
m
,N
, m = 1, . . . , M, de
menor a mayor,
(1)
,N
. . .
(M)
,N
. Denimos
N
:= b(N|; , N)
L := maxL N : b(L 1;
N
, M)
Se tiene que
(L)
,N
es cota inferior de
, con conanza (1 ).
3. C alculo de cota superior para
,
del par ametro incierto . Adicionalmente esta muestra es independiente de la mues-
tra tomada en el paso 1. Para cada x
m
, m = 1, . . . , M, calculamos
U
,N
(x
m
) := sup
[0,1]
: b((x
m
); , N
t
) (3.45)
donde (x
m
) :=
j=1
1
(0,)
(C(x
m
,
j
)). Se tiene que U
,N
(x
m
) es cota superior,
con conanza (1 ), de p(x
m
). Luego, si U
,N
(x
m
) , entonces x
m
es punto
factible para el problema verdadero (3.23) y entonces f(x
m
) es cota superior para
. Para cada x
m
factible obtenido
en el paso 3. f(x
m
)
(L)
,N
es cota superior, con conanza (1 ), para el gap de
optimalidad f(x
m
)
.
Usamos como mejor candidato a soluci on optima del problema real (3.23) la solu-
ci on x
m
que sea factible (paso 3.) y que de la menor cota superior para el gap de
optimalidad.
3.2. An alisis SAA para modelos sin recourse
Consideramos el problema de planicaci on minera con elecci on de proceso, sin re-
course, denido en (2.1):
m ax (v
e
)
t
x
e
+ (W
p
v
p
)
t
x
p
s.a. x
e
a
x
e
b
(a, b) T
x
p
x
e
(c
e
)
t
x
e
B
e
(c
p
)
t
x
p
B
p
x
e
, x
p
0, 1
B
.
Denotamos a la funci on de benecio sin recourse:
(x
e
, x
p
, ) := (v
e
)
t
x
e
+ (W
p
v
p
)
t
x
p
49
3.2. An alisis SAA para modelos sin recourse CAP
_
x = (x
e
, x
p
) : x
e
a
x
e
b
(a, b) T
x
p
x
e
(c
e
)
t
x
e
B
e
(c
p
)
t
x
p
B
p
x
e
, x
p
0, 1
B
.
_
_
Notar que solamente la funci on objetivo depende del par ametro R
B
+
, (, )
es lineal para toda ley , y (x, ) es lineal-afn para todo plan x factible. En particular,
(, ) es continua.
Consideramos ahora que el par ametro R
B
+
est a sujeto a incertidumbre. Asumimos
que sigue una distribuci on estoc astica P, no necesariamente conocida, y que la - alge-
bra asociada T es boreliana, con lo que (, ) es Carath eodory pues (, ) es continua.
Podemos asumir tambi en que el vector de leyes est a soportado en un conjunto R
B
+
y, m as a un, es compacto, con lo que (x, ) /
:= mn
xX, tR
E
_
t +
1
((x, ) t)
+
_
(3.46)
Y dada una muestra del par ametro incierto
1
, . . . ,
N
, la aproximaci on SAA del modelo
es
N
:= mn
xX, tR
1
N
N
k=1
_
t +
1
_
(x,
k
) t
_
+
_
. (3.47)
A continuaci on llamamos al problema (3.46) problema verdadero y al problema (3.47) su
aproximaci on SAA.
Usamos la notaci on de la secci on 3.1.1 y notamos
F(x, t, ) := t +
1
[(x, t, ) t]
+
,
f(x, t) := E[F(x, t, )] ,
y, dada una muestra iid
1
, . . . ,
N
del par ametro ,
f
N
(x, t) :=
1
N
N
k=1
F(x, t,
k
).
50
3.2. An alisis SAA para modelos sin recourse CAP
= mn
x,t
f(x, t) s.t. x X, t R,
y su aproximaci on SAA (3.47) es, equivalentemente,
N
= mn
x,t
f
N
(x, t) s.t. x X, t R.
Destacamos que para todo plan x X se tiene que la siguiente expresi on para el CVaR,
con riesgo , de la variable aleatoria de p erdidas (x, ):
CVaR
((x, )) = mn
tR
f(x, t).
Denimos S como el conjunto de soluciones optimas del problema verdadero (3.46) en
X R, y
S
N
el conjunto de soluciones optimas de la aproximaci on SAA (3.47), tambi en
siguiendo la notaci on de 3.1.1.
Consistencia
Para analizar la convergencia de los estimadores SAA
N
y
S
N
a sus respectivos
contrapartes
(x, )
y
:= m ax
xX
m ax
(x, ).
Estos valores son nitos, y entonces [, ] es compacto. En efecto, como es com-
pacto y (x, ) es lineal afn en , entonces m ax
(x, ) y mn
, t
t
N
) del problema
SAA (3.47) puede asumirse tambi en contenida en C. En efecto, sean x X y
cualesquiera. Se tiene para todo t que
F(x, t, ) = (
1
1)t
1
(x, ) (
1
1)
1
(x, ) = F(x, , )
y para todo t que
F(x, t, ) = t = F(x, , ).
Sigue que
E[F(x, , )] E[F(x, t, )] x X, t ,
E[F(x, , )] E[F(x, t, )] x X, t ,
51
3.2. An alisis SAA para modelos sin recourse CAP
N
k=1
F(x, , )
1
N
N
k=1
F(x, t, ) x X, t ,
1
N
N
k=1
F(x, , )
1
N
N
k=1
F(x, t, ) x X, t
para cualquier muestra
1
, . . . ,
N
de en . As, es claro que
= mn
(x,t)C
f(x, t)
y
N
= mn
(x,t)C
f
N
(x, t).
Asumiendo que la muestra de es iid, aplicamos el Teorema 3.1.3 usando el conjunto
compacto no vaco C, pues trivialmente F(, , ) es continua en todo (x, t) C, para
todo , y tambi en F(x, t, ) es integrable, para todo (x, t) C. Obtenemos as que
f(x, t) es nita y continua en C, y que
f
N
(x, t) converge a f(x, t), c.s., uniformemente
en C, con lo que la Proposici on 3.1.1 y Teorema 3.1.2 nos aseguran la consistencia del
problema SAA. Hemos demostrado el siguiente resultado.
Proposici on 3.2.1. Consideramos, para un nivel de riesgo dado (0, 1], los problemas
de minimizaci on de CVaR verdadero (3.46) y su aproximaci on SAA (3.47). Asumiendo
que el vector de leyes se distribuye seg un la distribuci on P soportada en el compacto
R
B
+
, que la - algebra asociada T es boreliana, y que la muestra
1
, . . . ,
k
de es
iid, se tiene que
y
D(
S
N
, S) 0
cuando N .
An alisis estadstico
Buscamos aplicar el algoritmo de la secci on 3.1.1 para encontrar, con el problema
SAA (3.47), soluciones que minimicen el gap de optimalidad del problema de mini-
mizaci on de CVaR verdadero (3.46). El algoritmo mencionado es directamente aplicable,
sin embargo se puede ser un poco m as perspicaz y notar que, para un x jo, el problema
mn
tR
f
N
(x, t) admite tomar un tama no de muestra considerablemente mayor al tama no
de muestra que admite el problema mn
xX, tR
f
N
(x, t), i.e. el problema SAA (3.47).
Esto, pues el ultimo problema tiene una gran cantidad de variables de decisi on binarias
y restricciones; en cambio el primer problema tiene una unica variable de decisi on, que
es continua, y N restricciones, asociadas a la linealizaci on del problema. La idea de fon-
do es con el problema SAA (3.47) encontrar un plan x candidato, y luego obtener un
mejor candidato t resolviendo el problema mn
tR
f
N
(x, t) con una muestra de tama no
N
t
considerablemente mayor. De esta manera se puede obtener un mejor candidato (x, t) a
soluci on del problema real (3.46). Se propone explotar este recurso siguiendo la siguiente
modicaci on del algoritmo de la secci on 3.1.1.
52
3.2. An alisis SAA para modelos sin recourse CAP
m
N
:= mn
xX, tR
f
N
(x, t),
m = 1, . . . , M. Obtenemos en particular x
1
, . . . , x
M
, M candidatos a minimizadores
para el problema verdadero (3.46).
2. C alculo de cota inferior para
= mn
xX,tR
f(x, t), el valor objetivo del proble-
ma verdadero (3.46). Calculamos
v
N,M
:=
1
M
M
m=1
m
N
2
N,M
:=
1
M
_
1
M1
M
m=1
(
m
N
v
N,M
)
2
_
Se tiene que
L
N,M
:= v
N,M
t
,M1
N,M
es cota inferior inferior de
, con conanza (1 ).
3. C alculo de cota superior para
,
del par ametro incierto , que adem as sea independiente de las muestras del paso 1.
Para cada plan x
m
, m = 1, . . . , M, realizamos lo siguiente.
3.1 Obtenemos t
m
de resolver el problema
mn
tR
f
N
(x
m
, t).
3.2 Calculamos
f
N
(x
m
, t
m
) :=
1
N
k=1
F(x
m
, t
m
,
k
)
2
N
(x
m
, t
m
) :=
1
N
_
1
N
k=1
_
F(x
m
, t
m
,
k
)
f
N
(x
m
, t
m
)
_
2
_
Se tiene que
f
N
(x
m
, t
m
) + z
N
(x
m
, t
m
) (3.48)
es cota superior, con conanza (1 ), de mn
tR
f(x
m
, t), y entonces de
tambi en.
53
3.2. An alisis SAA para modelos sin recourse CAP
f
N
(x
m
, t
m
) v
N,M
+ z
_
2
N
(x
m
, t
m
) +
2
N,M
(3.49)
Usamos como mejor candidato a soluci on optima del problema verdadero (3.46) la
soluci on x
m
que de la menor cota superior estadstica para el gap de optimalidad.
Como se ver a en las sucesivas secciones, tienen una estructura an aloga a la del prob-
lema de minimizaci on de CVaR los modelos MCH y MCH-, as como tambi en las ver-
siones con recourse de los modelos de CVaR, MCH y MCH-. Esto permitir a que el
algoritmo anterior pueda ser usado tambi en para encontrar soluciones en dichos modelos,
cambiando obviamente los problemas verdaderos y su aproximaci on SAA de manera
acorde a cada enfoque. As, con el n de no ser innecesariamente repetitivos, haremos
referencia a este algoritmo en las sucesivas secciones, dejando en claro siempre cu ales
par ametros del algoritmo hay que modicar para hacerlo aplicable al modelo en cuesti on
Hacemos notar que se podra pensar que si en una iteraci on m
1, . . . , M se
minimiza la cota superior (3.48) entonces en tal iteraci on tambi en se minimiza la cota
(3.49). Sin embargo esto no es cierto si
N,M
> 0, lo cual es esperable. En efecto, la
pregunta a responder b asicamente es si, dados x, y, a R, u, v, b, > 0 cualesquiera,
se tiene que si x y (v u) entonces x y (
v
2
+ b
2
u
2
+ b
2
). Esto
no es en general cierto, pues es falso que para todo u
t
, v
t
, b
t
> 0 se tenga v
t
u
t
v
t2
+ b
t2
u
t2
+ b
t2
.
3.2.2. Modelo MCH
Recordemos que, dado un nivel de riesgo [0, 1] y una muestra
1
, . . . ,
N
del
par ametro , el problema MCH original es
N
:= mn
xX
m ax
|
(x, ), (3.50)
donde |
:= + (1 )
_
conv(
_
1
, . . . ,
N
_
)
_
y :=
1
N
N
k=1
k
. Por Proposici on
2.2.5 tenemos que este problema original es equivalente a
N
= mn
xX, tR
1
N
N
k=1
_
((x, )) + (1 )
_
t +
1
1/N
[(x, ) t]
+
__
. (3.51)
Podemos ver este ultimo problema como la aproximaci on SAA, al usar la muestra
1
, . . . ,
N
, del problema
N
:= mn
xX, tR
E
_
((x, )) + (1 )
_
t +
1
1/N
[(x, ) t]
+
__
, (3.52)
54
3.2. An alisis SAA para modelos sin recourse CAP
f
N
(x, t) :=
1
N
N
k=1
F(x, t,
k
).
As, el problema MCH verdadero (3.52) es equivalente a
N
= mn
x,t
f(x, t) s.t. x X, t R,
y su aproximaci on SAA (3.51) es, equivalentemente,
N
= mn
x,t
f
N
(x, t) s.t. x X, t R.
Denotamos tambi en como S al conjunto de soluciones optimas del problema verdadero
(3.52) y
S
N
al conjunto de soluciones optimas del problema SAA (3.51).
Consistencia: para el modelo MCH obviamos el an alisis de convergencia del problema
SAA (3.51) al problema verdadero (3.52) al hacer crecer el tama no de muestra N, pues
tanto
N
como
N
dependen de N. Por otro lado, una pregunta razonable a hacerse es
si, en alg un sentido, la interpretaci on geom etrica del problema MCH original (3.50) con-
verge; sin embargo esto sale del alcance de la teora y pr actica de la t ecnica SAA para
problemas de optimizaci on estoc astica.
An alisis estadstico
Buscamos aplicar el algoritmo de la secci on 3.1.1 para encontrar, usando la aproxi-
maci on SAA (3.51), candidatos a soluciones para el problema verdadero (3.52) que min-
imicen, estadsticamente, el gap de optimalidad entre la aproximaci on SAA y el valor
55
3.2. An alisis SAA para modelos sin recourse CAP
N
, F, f,
f
N
seg un la denici on que se dio para el enfoque MCH, al inicio de esta subsecci on.
Hacemos notar nalmente que cuando = 1 el problema verdadero (3.52) no depende
de N, pues es simplemente minimizar las p erdidas esperadas. Particularmente, el algorit-
mo de selecci on de soluciones entregar a la soluci on que, estadsticamente, sea el mejor
minimizador en el problema de minimizar la p erdida esperada.
3.2.3. Modelo MCH-
Recordemos el modelo MCH- y su aproximaci on SAA, ambos introducidos en 2.2.3.
Dado un nivel de riesgo (0, 1] el problema MCH- era
:= mn
xX, tR
E
_
((x, )) + (1 )
_
t +
1
[(x, ) t]
+
__
(3.53)
Y dada una muestra de tama no N del par ametro incierto ,
1
, . . . ,
N
, la aproximaci on
SAA del problema MCH- era
N
:= mn
xX, tR
1
N
N
k=1
_
((x, )) + (1 )
_
t +
1
[(x, ) t]
+
__
. (3.54)
Nuevamente, usamos la notaci on de la secci on 3.1.1:
F(x, t, ) := ((x, )) + (1 )
_
t +
1
[(x, ) t]
+
_
,
f(x, t) := E[F(x, t, )] ,
y, dada una muestra
1
, . . . ,
N
del par ametro ,
f
N
(x, t) :=
1
N
N
k=1
F(x, t,
k
).
56
3.2. An alisis SAA para modelos sin recourse CAP
= mn
x,t
f(x, t) s.t. x X, t R,
y su aproximaci on SAA (3.54) es, equivalentemente,
N
= mn
x,t
f
N
(x, t) s.t. x X, t R.
Denotamos, nuevamente, S al conjunto de soluciones optimas del problema verdadero
(3.53) y
S
N
al conjunto de soluciones optimas del problema SAA (3.54).
Consistencia
Queremos vericar la consistencia de los estimadores SAA
N
y
S
N
. De manera
an aloga a lo hecho para la consistencia del modelo de minimizaci on de CVaR en 3.2.1,
aqu buscamos aplicar primeramente el Teorema 3.1.3, para lo cual consideramos el con-
junto C := X [, ], donde
:= mn
xX
mn
(x, )
y
:= m ax
xX
m ax
(x, ).
Como se argument o en dicha subsecci on, y son nitos, esencialmente porque el vector
de leyes est a soportado en el conjunto compacto y X es de cardinal nito.
Veamos primeramente que toda soluci on optima al problema verdadero (3.53) y al
problema SAA (3.54) est a contenida en C, cuando la muestra de se distribuye seg un la
distribuci on P. En efecto, procedemos como se razon o en 3.2.1, y consideramos primer-
amente N > 1 entero, x X y cualesquiera. Recordando que
F(x, t, ) := (x, ) + (1 )
_
t +
1
[(x, ) t]
+
_
se tiene para todo t y que F(x, t, ) F(x, , ) y para todo t y
que F(x, t, ) F(x, , ). Sigue que
E[F(x, , )] E[F(x, t, )] x X, t ,
E[F(x, , )] E[F(x, t, )] x X, t ,
y
1
N
N
k=1
F(x, , )
1
N
N
k=1
F(x, t, ) x X, t ,
1
N
N
k=1
F(x, , )
1
N
N
k=1
F(x, t, ) x X, t
para cualquier muestra
1
, . . . ,
N
de en . Luego, claramente
= mn
(x,t)C
E[F(x, t)]
57
3.2. An alisis SAA para modelos sin recourse CAP
N
= mn
(x,t)C
1
N
N
k=1
F(x, t,
k
).
El argumento sigue id entico al usado en la secci on de consistencia del modelo de
CVaR, 3.2.1. Asumimos que la muestra de es iid y aplicamos el Teorema 3.1.3 usando
el conjunto compacto no vaco C. En efecto, trivialmente F(, , ) es continua en todo
(x, t) C, para todo , y tambi en F(x, t, ) es integrable, para todo (x, t) C.
Obtenemos as que f(x, t) es nita y continua en C, y que
f
N
(x, t) converge a f(x, t),
c.s., uniformemente en C, con lo que la Proposici on 3.1.1 y Teorema 3.1.2 nos aseguran
la consistencia del problema SAA para el modelo MCH-. Esto demuestra la siguiente
proposici on.
Proposici on 3.2.2. Consideramos, para un nivel de riesgo dado (0, 1], los proble-
mas MCH- verdadero (3.53) y su aproximaci on SAA (3.54). Asumiendo que el vector de
leyes se distribuye seg un la distribuci on P con soporte compacto R
B
+
y - algebra
boreliana, y adem as que la muestra
1
, . . . ,
k
de es iid, se tiene que
y
D(
S
N
, S) 0
cuando N .
An alisis Estadstico: Para realizar el an alisis estadstico de b usqueda de soluciones que
minimicen el gap de optimalidad reutilizamos el algoritmo de 3.2.1 del modelo de CVaR,
al igual que lo se hizo con el modelo MCH. Para que dicho algoritmo encuentre soluciones
en el caso del modelo MCH-, debemos reinterpretar varios par ametros del algoritmo: el
problema verdadero ahora corresponder a al problema (3.53), la aproximaci on SAA al
problema (3.54), y usaremos
N
, F, f,
f
N
seg un la denici on que se dio al inicio de
esta subsecci on.
Se obtiene as un algoritmo para seleccionar, con el problema SAA (3.54), una solu-
ci on al problema verdadero (3.53) que minimiza hasta cierto punto el gap de optimalidad,
y tambi en cotas superiores e inferiores estadsticas para
.
3.2.4. Modelo de minimizaci on de VaR
Dado un nivel de riesgo (0, 1) el modelo de minimizaci on de VaR, recordemos,
era
:= mn
x,z
z s.t. P((x, ) + z < 0) , x X. (3.55)
58
3.2. An alisis SAA para modelos sin recourse CAP
N
:= mn
x,z
z s.t.
1
N
N
j=1
1
(,0)
((x, ) + z) , x X. (3.56)
Siguiendo la notaci on de la secci on 3.1.2, denimos
f(x, z) := z
C(x, z, ) := (x, ) z
p(x, z) := P(C(x, z, ) > 0)
p
N
(x, z) :=
1
N
N
j=1
1
(0,)
(C(x, z,
j
))
donde
1
, . . . ,
N
es una muestra del par ametro . Con esto, el problema (3.55) de mini-
mizaci on de VaR con nivel de riesgo es equivalente a
= mn
x,z
f(z) s.t. p(x, z) , x X,
y su aproximaci on SAA (3.56) es equivalente a
N
= mn
x,z
f(z) s.t. p
N
(x, z) , x X.
Denimos tambi en como S al conjunto de soluciones optimas del problema verdadero
(3.55) y
S
N
al conjunto de soluciones optimas del problema SAA (3.56).
Consistencia
Para asegurar la consistencia del problema SAA basta aplicar la Proposici on 3.1.7. En
nuestro caso esta ultima proposici on queda de la siguiente manera.
Proposici on 3.2.3. Supongamos que el vector de leyes se distribuye seg un la distribu-
ci on P con soporte compacto R
B
+
y - algebra boreliana. Si la muestra
1
, . . . ,
N
del vector de leyes R
B
es iid y se cumple la siguiente condici on
(a) existe soluci on optima x
,)
, la
funci on de distribuci on acumulada de la variable aleatoria (x
, ), es tal que el
conjunto F
1
(x
,)
(1 ) tiene interior vaco
entonces
y D
_
S
N
, S
_
0 cuando N .
59
3.2. An alisis SAA para modelos sin recourse CAP
(x, )
y
:= m ax
xX
m ax
(x, ).
Se tiene que K es compacto, pues X es de cardinal nito y el vector de leyes est a so-
portado en el conjunto compacto, con lo que y son nitos. Sigue que en los
problemas (3.55) y (3.56) nos podemos restringir a K, cuando la muestra de se dis-
tribuye seg un la distribuci on P. En efecto, para todo x X y todo z < se tiene
p(x, z) = p
N
(x, z) = 1 > , con lo que (, ) no es parte del conjunto factible para
z en los problemas (3.55) y (3.56); y tambi en, para todo x X y todo z > , se tiene
p(x, z) = p
N
(x, z) = 0 < , entonces, como estamos minimizando z, basta restringir z al
conjunto [, ].
Por ultimo, es f acil vericar que la hip otesis (a) de la Proposici on 3.1.7 es equivalente a
la hip otesis (a) en nuestro caso. Primero, como X 0, 1
2B
entonces (a) es equivalente
a que exista x
soluci on optima al problema verdadero (3.55) tal que para todo > 0
existe z R tal que [z z
= mnz : P((x
, ) +z
, ) z
+) > 1 . Esto
es, F
(x
,)
(z
(x) = mn
zR
z s.t. P((x, ) + z < 0) :
z
:= nf
z,
z
s.t. =
j=1
1
(0,)
((x,
j
) z)
sup
[0,1]
:
j=0
j
(1 )
N
j
.
(3.57)
Se tiene que el valor objetivo de (3.57) es
z
=
(
+1)
,
donde
:= m ax N :
j=0
j
(1 )
N
j
y
(j)
, j = 1, . . . , N
t
, son los estadsticos de orden de
1
, . . . ,
N
, i.e.
(1)
. . .
(N
)
.
Demostraci on. Primeramente, notemos que, dado 0, la restricci on
sup
[0,1]
_
:
j=0
_
N
t
j
_
j
(1 )
N
j
_
es equivalente a
j=0
_
N
t
j
_
j
(1 )
N
j
, (3.58)
pues
,N
() :=
j=0
j
(1 )
N
j
es estrictamente decreciente en [0, 1], salvo si
= N
t
. El caso = N
t
no nos interesa pues no es una soluci on factible del problema
(3.57).
Segundo, como
= (z) :=
j=1
1
(0,)
((x,
j
) z)
= # j 1, . . . , N
t
: z >
(j)
es decreciente en z entonces queremos encontrar el m aximo tal que se satisaga (3.58).
Sea
tal , i.e.
:= m ax N :
j=0
_
N
j
_
j
(1 )
N
j
.
Consideremos primero el caso
(
)
<
(
+1)
. Se tiene que z satisface (z) =
ssi z [
(
+1)
,
(
)
), luego z
=
(
+1)
. Consideremos ahora el caso
(
)
=
+1)
. Notemos que z :=
(
+1)
es factible para (3.57), pues
(
(
+1)
) = # j 1, . . . , N
t
:
(
+1)
>
(j)
<
, (
(
+1)
) satisface (3.58). M as a un, z es optimo, pues
> 0 se tiene que (
(
+1)
) = # j 1, . . . , N
t
:
(
+1)
+ >
(j)
m
,N
:= mn
xX, zR
z s.t.
N
j=1
1
(,0)
_
(x,
j,m
) + z
_
N,
para m = 1, . . . , M. Obtenemos, en particular, M candidatos a soluci on: x
1
, . . . , x
M
.
2. C alculo de cota inferior para
m
,N
,
m = 1, . . . , M, de menor a mayor,
(1)
,N
. . .
(M)
,N
. Denimos
N
:= b(N|; , N)
L := maxL N : b(L 1;
N
, M)
Se tiene que
(L)
,N
es cota inferior de
, con conanza (1 ).
3. C alculo de cota superior para
,
del par ametro . Adicionalmente esta muestra es independiente de las muestras
tomadas en el paso 1. Para cada x
m
, m = 1, . . . , M, calculamos la soluci on z
m
de (3.57) seg un el lema 3.2.4. Se tiene que z
m
es cota superior para VaR
(x
m
), y
entonces para
(x
m
)
(L)
,N
es cota superior, con conanza (1 ), para el gap de opti-
malidad VaR
(x
m
)
.
Usamos como mejor candidato a soluci on optima del problema de minimizaci on
de VaR
R
(x
e
, ) := (v
e
)
t
x
e
+ max
x
p (W
p
v
p
)
t
x
p
s.a. x
p
x
e
(c
p
)
t
x
p
B
p
x
p
0, 1
B
y del conjunto X
R
de planes ( unicamente) de extracci on factibles hecha en (2.10):
X
R
:=
_
x
e
0, 1
B
: x
e
a
x
e
b
(a, b) T
(c
e
)
t
x
e
B
e
_
.
Notamos que solamente la funci on objetivo
R
depende del par ametro R
B
+
, y que
ahora
R
(, ) y
R
(x, ) ya no son necesariamente lineales o lineal-anes.
Introducimos ahora incertidumbre asumiendo que el par ametro R
B
+
, de ley de
los bloques, no es determinista. Nuevamente asumimos que sigue una distribuci on es-
toc astica P, no necesariamente conocida, soportada en un conjunto compacto R
B
+
.
Adem as asumiremos que la - algebra T asociada es boreliana. Los siguientes resultados
nos permitir an posteriormente establecer la consistencia de los enfoques de optimizaci on
bajo riesgo en este nuevo contexto de benecio con recourse.
Propiedad 3.3.1. Consideremos
R
denido como en (2.9).
1. Si el soporte de la distribuci on de es un compacto R
B
+
y la - algebra T
es boreliana entonces
R
(x
e
, ) L
(, T, P) para todo x
e
[0, 1]
B
, donde
(, T, P) es el espacio de probabilidad asociado a .
2.
R
(, ) : X
R
Rse puede extender continua y c oncavamente a [0, 1]
B
, para todo
R
B
.
Demostraci on. Para 1. como es compacto y T boreliana entonces basta demostrar que
R
(x
e
, ) es continua en R
B
. En efecto, jemos x
e
0, 1
B
cualquiera y denamos
Y =
_
x
p
0, 1
B
: x
p
x
e
, (c
p
)
t
x
p
B
p
_
.
63
3.3. An alisis SAA para modelos con recourse CAP
R
(x
e
, ) = (v
e
)
t
x
e
+ max
x
p
Y
(W
p
v
p
)
t
x
p
= (v
e
)
t
x
e
+ m ax
x
p
conv(Y )
(W
p
v
p
)
t
x
p
donde conv(Y ) es la envoltura convexa de Y , y la ultima igualdad viene de que (W
p
v
p
)
t
x
p
es lineal en x
p
e Y es nito. Sigue que por dualidad m ax
x
p
conv(Y )
(W
p
v
p
)
t
x
p
es continua en , con lo que en particular
R
(x
e
, ) es continua.
Para 2. reconsideramos el conjunto X de planes de extracci on y procesamiento factibles,
X =
_
_
(x
e
, x
p
) 0, 1
2B
: x
e
a
x
e
b
(a, b) T
(c
e
)
t
x
e
B
e
x
p
x
e
(c
p
)
t
x
p
B
p
_
_
y X := conv(X) su envoltura convexa. Veamos que
R
(x
e
, ) := (v
e
)
t
x
e
+ m ax
(x
e
,x
p
)X
(W
p
v
p
)
t
x
p
es una extensi on continua y c oncava de
R
a [0, 1]
B
.
En efecto, primero notemos que
R
(x
e
, ) = (v
e
)
t
x
e
+max
(x
e
,x
p
)X
(W
p
v
p
)
t
x
p
para x
e
X
R
. Tambi en, dado x
e
X
R
,
y : (x
e
, y) X = conv(y : (x
e
, y) X)
con lo que m ax
(x
e
,x
p
)X
(W
p
v
p
)
t
x
p
= m ax
(x
e
,x
p
)X
(W
p
v
p
)
t
x
p
, y entonces
R
(x
e
, ) =
R
(x
e
, ) para todo x
e
X
R
.
Ahora veamos que
R
(, ) : [0, 1]
B
R es continua y c oncava. Sea x
e
[0, 1]
B
y tomemos w R
B
cualquiera. Como X es poltopo, se tiene que m ax
(x
e
,x
p
)X
w
t
x
p
es
igual a
m ax
,x
p w
t
x
p
s.a. R
n
+
n
i=1
i
= 1
n
i=1
i
x
i
= x
e
n
i=1
i
y
i
= x
p
donde (x
i
, y
i
)
i=1,...,n
es la colecci on de v ertices de X. Este ultimo problema es equiva-
lente a
m ax
N
i=1
i
(w
t
y
i
)
s.a. R
N
+
N
i=1
i
= 1
N
i=1
i
x
i
= x
e
64
3.3. An alisis SAA para modelos con recourse CAP
R
:= m ax
x
e
X
R
m ax
R
(x
e
, )
y
R
:= mn
x
e
X
R
mn
R
(x
e
, ),
se tiene que este es compacto.
Demostraci on. Viene de notar que
R
y
R
son nitos, pues es compacto y
R
(x, ) es
continua ver demostraci on de Propiedad 3.3.1 parte 1., y adem as X
R
es nito.
3.3.1. Modelo de minimizaci on de CVaR con recourse
Dado un nivel de riesgo (0, 1], recordemos el modelo de minimizaci on de CVaR
con recourse, el cual introdujimos en 2.2.2:
:= mn
x
e
X
R
, tR
E
_
t +
1
R
(x
e
, ) t
_
+
_
. (3.60)
Adem as, dada una muestra del par ametro incierto
1
, . . . ,
N
, su aproximaci on SAA es
N
:= mn
x
e
X
R
, tR
1
N
N
k=1
_
t +
1
R
(x
e
,
k
) t
_
+
_
. (3.61)
Usamos la notaci on de la secci on 3.1.1 y notamos
F(x, t, ) := t +
1
[
R
(x, t, ) t]
+
,
f(x, t) := E[F(x, t, )] ,
65
3.3. An alisis SAA para modelos con recourse CAP
f
N
(x, t) :=
1
N
N
k=1
F(x, t,
k
).
Bajo esta notaci on el problema de minimizaci on de CVaR con recourse (3.60) es
= mn
x
e
,t
f(x
e
, t) s.t. x
e
X
R
, t R,
y su aproximaci on SAA (3.61) es
N
= mn
x
e
,t
f
N
(x
e
, t) s.t. x
e
X
R
, t R.
Denimos S como el conjunto de soluciones optimas de (3.60) en X
R
R y
S
N
el
conjunto de soluciones optimas del problema SAA (3.61).
Consistencia
Proposici on 3.3.4. Consideramos, para un nivel de riesgo dado (0, 1], los problemas
de minimizaci on de CVaR con recourse verdadero (3.60) y su aproximaci on SAA (3.61).
Asumiendo que el vector de leyes se distribuye seg un la distribuci on P, soportada en
un compacto R
B
+
y con - algebra T boreliana, si la muestra
1
, . . . ,
k
de es iid,
entonces
y
D(
S
N
, S) 0
cuando N .
Demostraci on. La demostraci on es an aloga a la hecha para consistencia del modelo CVaR
sin recourse, es decir, aplicamos los resultados de consistencia de 3.1.1. Primeramente,
es f acil notar que podemos considerar tanto el problema verdadero (3.60) como su aprox-
imaci on SAA (3.61) como usando la funci on de benecio de Carath eodory del Corolario
3.3.2 y restringida al compacto K X
R
R. Usando Teorema 3.1.3 obtenemos que f
es nita y continua sobre K, y que
f
N
converge, con probabilidad 1, a f uniformemente
en K. Conclumos usando la Proposici on 3.1.1 y Teorema 3.1.2.
An alisis estadstico
Usamos el mismo algoritmo de 3.2.1, del modelo de CVaR sin recourse, para en-
contrar soluciones estadsticamente mejores y tambi en una estimaci on del gap estadstico
entre el problema SAA (3.61) y el problema verdadero (3.60). El algoritmo del modelo
66
3.3. An alisis SAA para modelos con recourse CAP
N
:= mn
x
e
X
R
,tR
(1 )
_
t +
1
N
N
k=1
[
R
(x
e
,
k
) t]
+
_
+
1
N
N
k=1
R
(x
e
,
k
).
(3.62)
Podemos ver este problema como la aproximaci on SAA, usando la muestra
1
, . . . ,
N
,
del problema para en el espacio de probabilidad (, T, P)
N
:= mn
x
e
X
R
(1 )CVaR
1/N
(
R
(x
e
, )) + E(
R
(x
e
, )). (3.63)
Llamamos al problema (3.63) problema MCH con recourse verdadero, y al problema
(3.62) aproximaci on SAA del problema verdadero.
An alogo a lo argumentado en 3.2.2 para el modelo MCH sin recourse, este enfoque
es bastante limitado pues estamos aproximando el problema estoc astico (3.63), que clara-
mente depende de N, usando una muestra de tama no N. Sin embargo, lo usamos pues
nos permitir a obtener nalmente un criterio de selecci on de soluciones estadsticamente
mejores.
Usando notaci on de 3.1.1, denimos
F(x, t, ) := (
R
(x, )) + (1 )
_
t +
1
1/N
[
R
(x, ) t]
+
_
,
f(x, t) := E[F(x, t, )] ,
y, dada una muestra
1
, . . . ,
N
,
f
N
(x, t) :=
1
N
N
k=1
F(x, t,
k
).
As, el problema MCH verdadero (3.63) es equivalente a
N
= mn
x
e
,t
f(x
e
, t) s.t. x
e
X
R
, t R,
67
3.3. An alisis SAA para modelos con recourse CAP
N
= mn
x
e
,t
f
N
(x
e
, t) s.t. x
e
X
R
, t R.
Denotamos como S al conjunto de soluciones optimas del problema verdadero y
S
N
al
conjunto de soluciones optimas de su aproximaci on SAA.
Consistencia: An alogo a lo sucedido para el modelo MCH sin recourse, obviamos el
an alisis de convergencia del problema SAA (3.62) al problema verdadero (3.63), pues
tanto
N
como
N
dependen de N. Carece de todo sentido entonces preguntarse si
N
converge a
N
cuando N .
An alisis estadstico
Usamos el algoritmo de 3.2.1 para encontrar soluciones al problema MCH con re-
course que, estadsticamente, minimicen el gap de optimialidad entre el problema ver-
dadero y su aproximaci on SAA. Debemos redenir en dicho algoritmo F, f y
f
N
como
se denieron al inicio de esta subsecci on, y tambi en el problema verdadero ahora corre-
sponder a al problema (3.63) y la aproximaci on SAA al problema (3.62).
3.3.3. Modelo MCH- con Recourse
Dado un nivel de riesgo (0, 1] el problema MCH- con Recourse es
:= mn
x
e
X
R
, tR
E
_
(
R
(x
e
, )) + (1 )
_
t +
1
[
R
(x
e
, ) t]
+
__
(3.64)
Dada una muestra del par ametro incierto de tama no N,
1
, . . . ,
N
, la aproximaci on
SAA del problema MCH- con Recourse es
N
:= mn
x
e
X
R
, tR
1
N
N
k=1
_
(
R
(x
e
, )) + (1 )
_
t +
1
[
R
(x
e
, ) t]
+
__
.
(3.65)
Nuevamente, usamos la notaci on de 3.1.1:
F(x, t, ) := (
R
(x, )) + (1 )
_
t +
1
[
R
(x, ) t]
+
_
,
f(x, t) := E[F(x, t, )] ,
68
3.3. An alisis SAA para modelos con recourse CAP
f
N
(x, t) :=
1
N
N
k=1
F(x, t,
k
).
As, el problema MCH- verdadero (3.64) equivale a
= mn
x
e
,t
f(x
e
, t) s.t. x
e
X
R
, t R,
y su aproximaci on SAA (3.65) a
N
= mn
x
e
,t
f
N
(x
e
, t) s.t. x
e
X
R
, t R.
Denotamos S al conjunto de soluciones optimas de (3.64) y
S
N
al conjunto de soluciones
optimas de (3.65).
Consistencia
Proposici on 3.3.5. Consideramos, para un nivel de riesgo dado (0, 1], los problemas
MCH- con Recourse verdadero (3.64) y su aproximaci on SAA (3.65). Asumiendo que el
vector de leyes se distribuye seg un la distribuci on P, soportada en el compacto R
B
+
y con - algebra T boreliana, si la muestra
1
, . . . ,
k
de es iid entonces se tiene que
y
D(
S
N
, S) 0
cuando N .
Demostraci on. El argumento es el mismo que el dado para la Proposici on 3.3.4, de con-
sistencia de la aproximaci on SAA del modelo CVaR con recourse.
An alisis Estadstico: Para seleccionar en el modelo MCH- con recourse soluciones
que, estadsticamente, minimizan el gap de optimalidad entre el problema verdadero y
su aproximaci on SAA, usamos una vez m as el algoritmo de 3.2.1. Para hacer dicho
algoritmo aplicable al presente modelo tomamos en el las funciones F, f y
f
N
como se
denieron al inicio de esta subsecci on, y tambi en ahora el problema verdadero ser a el
problema (3.64) y su aproximaci on SAA el problema (3.65).
69
3.3. An alisis SAA para modelos con recourse CAP
:= mn
x
e
,z
z s.t. P
_
R
(x
e
, ) + z < 0
_
, x
e
X
R
. (3.66)
Adem as, dada una muestra
1
, . . . ,
N
de su aproximaci on SAA era
N
:= mn
x
e
,z
z s.t.
1
N
N
j=1
1
(,0)
(
R
(x
e
, ) + z) , x
e
X
R
. (3.67)
Siguiendo la notaci on de 3.1.2 denimos
f(x, z) := z
C(x, z, ) :=
R
(x, ) z
p(x, z) := P(C(x, z, ) > 0)
p
N
(x, z) :=
1
N
N
j=1
1
(0,)
(C(x, z,
j
))
donde
1
, . . . ,
N
es una muestra del par ametro . As, el problema verdadero (3.66) es
equivalente a
= mn
x
e
,z
f(z) s.t. p(x
e
, z) , x
e
X
R
,
y su aproximaci on SAA (3.67) equivalente a
N
= mn
x
e
,z
f(z) s.t. p
N
(x
e
, z) , x
e
X
R
.
Denimos tambi en como S al conjunto de soluciones optimas del problema verdadero
(3.66) y
S
N
al conjunto de soluciones optimas del problema SAA (3.67).
Consistencia
Como lo realizado en el caso del modelo VaR sin recourse, la consistencia viene de
aplicar la Proposici on 3.1.7. Obtenemos un resultado absolutamente an alogo al de consis-
tencia para VaR sin recourse en 3.2.4.
Proposici on 3.3.6. Consideremos el problema verdadero de minimizaci on de VaR con
recourse (3.66) y su aproximaci on SAA (3.67), donde
R
y X
R
son como en (2.9) y
(2.10), respectivamente. Supongamos que est a soportado en un compacto y su -
algebra asociada T es boreliana. Si la muestra
1
, . . . ,
N
es iid y se cumple la siguiente
condici on
70
3.3. An alisis SAA para modelos con recourse CAP
R
(x
e,
,)
,
la funci on de distribuci on acumulada de la variable aleatoria
R
(x
e,
, ), es tal
que el conjunto F
1
R
(x
e,
,)
(1 ) tiene interior vaco
entonces
y D(
S
N
, S) 0 cuando N .
Hacemos notar que la condici on (a) pide unicamente que la funci on de distribuci on
acumulada de
R
(x
e,
, ) no tenga una planicie en el nivel 1 .
Demostraci on. Primeramente, es f acil ver que podemos restringir tanto el problema ver-
dadero (3.66) como el aproximado (3.67) al conjunto compacto K, denido en (3.3.3).
Tambi en, claramente f(x, z) = z es continua, y C(x, z) =
R
(x, )z es de Carath eodory
pues por Proposici on 3.3.1
R
es Carath eodory. Luego, basta vericar que la condici on
(a) de Proposici on 3.3.1 es equivalente a la condici on (a), y la demostraci on de esto es
totalmente an aloga a la hecha para vericar la equivalencia entre las condiciones (a) y (a)
en Proposici on 3.2.3.
An alisis estadstico
Queremos aplicar el algoritmo de la secci on 3.1.2 de b usqueda soluciones optimas
que minimicen el gap de optimalidad entre el problema aproximado (3.67) y el problema
verdadero (3.66). Hacemos notar que, pese a haber cambiado el conjunto factible X
R
y la funci on de benecio
R
con respecto al enfoque sin recourse, igualmente estamos
estructuralmente en las mismas condiciones que en el caso de VaR sin recourse: podemos
restringir el problema verdadero (3.66) y el aproximado (3.67) al compacto K, y C es
Carath eodory. Luego todos los resultados de la sub-secci on 3.2.4 son igualmente v alidos
para el caso de VaR con recourse, tomando en cuenta siempre la redenici on de X
R
y
R
.
En particular, tanto el Lema 3.2.4 de 3.2.4 como el algoritmo de selecci on de mejores
soluciones estadsticas de dicha secci on siguen siendo v alidos para el caso con recourse,
con X
R
y
R
denidos seg un (2.10) y (2.9) respectivamente.
Se propone entonces el siguiente algoritmo para la b usqueda y selecci on de soluciones
x
e
X
R
que minimicen el gap de optimalidad del modelo de minimizaci on de VaR con
recourse con nivel de riesgo .
0. Denir par ametros de tama nos de muestra N y N
t
, con N
t
N, n umero de repeti-
ciones M y nivel de conanza (1 ) (0, 1).
1. Tomar M colecciones de muestras iid de tama no N:
1,m
, . . . ,
N,m
, m = 1, . . . , M,
todos iid entre s. Resolver M problemas SAA (3.67) de tama no N:
m
,N
:= mn
x
e
X
R
, zR
z s.t.
N
j=1
1
(,0)
_
R
(x
e
,
j,m
) + z
_
N,
para m = 1, . . . , M. Obtenemos, en particular, M candidatos a soluci on: x
e,1
, . . . , x
e,M
.
71
3.3. An alisis SAA para modelos con recourse CAP
m
,N
,
m = 1, . . . , M, de menor a mayor,
(1)
,N
. . .
(M)
,N
. Denimos
N
:= b(N|; , N)
L := maxL N : b(L 1;
N
, M)
Se tiene que
(L)
,N
es cota inferior de
, con conanza (1 ).
3. C alculo de cota superior para
,
del par ametro . Adicionalmente esta muestra es independiente de las muestras
tomadas en el paso 1. Para cada x
e,m
, m = 1, . . . , M, calculamos la soluci on z
m
del problema (3.57) seg un el Lema 3.2.4 en el contexto con recourse, i.e. tomando
en Lema 3.2.4 X
R
en vez de X y
R
en vez de . Se tiene que z
m
es cota superior
para VaR
(x
e,m
), y entonces para
(x
e,m
)
(L)
,N
es cota superior, con conanza (1 ), para el gap
de optimalidad VaR
(x
e,m
)
.
Usamos como mejor candidato a soluci on optima del problema verdadero de mini-
mizaci on de VaR
1
,N
, . . . ,
M
,N
y M candidatos a soluci on, x
1
, . . . , x
M
.
2. Calculamos la cota inferior estadstica, con conanza (1), para el valor objetivo
del problema verdadero,
1
,N
, . . . ,
M
,N
en el procedimiento
ad-hoc del modelo.
3. Tomando las ultimas N
t
muestras de las 20000 calculamos la cota superior estadsti-
ca, con conanza (1 ), para
para alguna
prueba, obtenida, digamos, en la iteraci on m- esima del problema, la distribuci on emprica
78
4.3. Resultados CAP
,
1,m
), . . . , (x
,
N,m
)
y la distribuci on emprica en la muestra de evaluaci on es la distribuci on de
(x
,
1
), . . . , (x
,
N
).
Cabe resaltar que la muestra de evaluaci on no contiene a la muestra de planicaci on.
Tambi en, la muestra de evaluaci on siempre es la misma para todas las pruebas, no as la
muestra de planicaci on, pues cada una de las m = 1, . . . , 30 colecciones de muestras de
tama no N est a tomada al azar, como ya mencionamos.
En los gr acos 4.3(c) y 4.3(d) se muestran histogramas de la distribuci on emprica de
los benecios, en la muestra de planicaci on el primero y en la de evaluaci on el segundo.
En los histogramas las barras sobre las curvas muestran el promedio y desviaci on est andar
de la distribuci on emprica. Se incluyen adem as en todos los gr acos los resultados de las
pruebas de minimizar la p erdida esperada notada Esperanza en la leyenda y minimizar
peor p erdida notada Peor caso en la leyenda para hacer una comparaci on de los re-
sultados del modelo con estos dos enfoques extremos en cuanto al tratamiento de riesgo.
Estas ultimas dos pruebas se resolvieron usando N = 200 muestras y usando tambi en el
algoritmo de selecci on de soluciones estadsticamente optimas.
En los gr acos 4.3(a) y 4.3(c) se reeja cu al es el comportamiento que est a tratando
de imponer el modelo de VaR: maximizar el percentil de los benecios o equivalente-
mente, minimizar el percentil (1 ) de las p erdidas. Sin embargo este comportamiento
no se logra traducir a la muestra de evaluaci on. Es m as, pese a que los niveles de riesgo
son bajos, las distribuciones resultantes en la muestra de evaluaci on son peores que las
pruebas Esperanza y Peor caso: en la parte de menores benecios las pruebas VaR dan
mayor peso, y tienen un benecio esperado muy cercano al del enfoque Peor caso, el m as
conservador.
Hacemos notar tambi en la coherencia que muestran las pruebas de minimizar p erdidas
y minimizar peor p erdida: mientras la soluci on a la primera prueba efectivamente da el
benecio esperado m as alto, dando en desmedro peso a los peores benecios, la soluci on
de la segunda prueba da el menor peso a los peores benecios en detrimento de dar menos
peso a los benecios m as altos y entonces logrando un menor benecio esperado.
Modelo minimizaci on de VaR con recourse
Para el modelo VaR con recourse, en la Figura 4.4 mostramos la distribuci on emprica
de los benecios para la prueba con = 1 % y tama no de muestra de planicaci on N =
200. Adem as se muestran los resultados de las pruebas de minimizar p erdida esperada
leyenda Esperanza rec y minimizar peor p erdida leyenda Peor caso rec, ambas en su
variante con recourse.
79
4.3. Resultados CAP
de las p erdidas.
Por otro lado, el comportamiento impuesto por el modelo MCH en la muestra de plan-
icaci on se aleja bastante del impuesto por los modelos CVaR y MCH-, y se caracteriza
por ser sumamente conservador en el rango de las peores p erdidas. En este rango el mode-
lo es muy similar al de minimizar peor caso (ver e.g. Figura 4.6(a)). Sin embargo, al pasar
a la muestra de evaluaci on este comportamiento se pierde, y el desempe no es casi id entico
al que impone el modelo CVaR con el mismo (ver e.g. las Figuras 4.6(b) y 4.5(b)).
Modelos CVaR, MCH y MCH- con recourse
En las Figuras 4.8, 4.9 y 4.10 se muestran las distribuciones empricas que dan los
modelos de minimizaci on de CVaR, MCH y MCH-, los tres en su variante con recourse.
Destacamos que en todos estos gr acos el eje de benecios tiene el mismo rango, para
facilitar la comparaci on. Tambi en se muestra el desempe no de las soluciones a minimizar
p erdida esperada y minimizar peor p erdida, ambas tambi en en su variante con recourse.
Los resultados aqu expuestos corresponden a una planicaci on con una muestra de
tama no N = 200. El siguiente tama no probado, N = 400, no se ejecut o satisfactoria-
mente, al igual que en el caso de estos modelos sin recourse y por los mismos motivos.
Los tiempos de ejecuci on en las pruebas con N = 200 muestras fueron siempre menores
a una hora. La diferencia de tiempo con las pruebas sin recourse se debe a que estas
ultimas se corrieron el cluster Mansci, de la Universidad Adolfo Ib a nez, en cambio las
84
4.3. Resultados CAP
-650
-5342
12.2
7398
-669
-5385
12.4
5413
-844
-5707
14.8
4492
-702
-6316
11.1
2725
-393
-7142
5.5
N = 100
-989
-6063
16.3
5867
-910
-5921
15.4
4080
-941
-6517
14.4
2801
-1156
-6649
17.4
1483
-789
-7668
10.3
N = 200
-942
-5696
16.5
4631
-1125
-6146
18.3
2830
-1193
-6717
17.8
1835
-1268
-7262
17.5
837
-1054
-7971
13.2
Cuadro 4.2: Resumen de estadsticos para modelo minimizaci on de CVaR
CVaR 5 %
P erdida E
Coef. R-P [ %]
mn PC = 1 % = 10 % = 30 % mn E
N = 50
-650
-5342
12.2
-673
-5400
12.5
-710
-5521
12.9
-1012
-6673
15.2
-393
-7142
5.5
N = 100
-989
-6063
16.3
-947
-5986
15.8
-1057
-6205
17.0
-1342
-6528
20.6
-789
-7668
10.3
N = 200
-942
-5696
16.5
-1214
-6199
19.6
-1243
-6576
18.9
-1324
-6592
20.1
-1054
-7971
13.2
Cuadro 4.3: Resumen de estadsticos para modelo MCH
En lneas generales se observan las siguientes tendencias.
Gap: Disminuye al aumentar N y tambi en al aumentar . Esto para todos los mode-
los salvo VaR con recourse, y salvo en MCH y MCH con recourse puse no hay una
estimaci on del gap.
CVaR 5 %: No se observa una tendencia mon otona en . Existe una tendencia clara
a disminur al aumentar N en modelos CVaR, con y sin recourse, MCH y MCH-
sin recourse, y minimizar esperanza con y sin recourse. Y la tendencia es m as bien
difusa en los modelos MCH y MCH- con recourse.
89
4.3. Resultados CAP
-650
-5342
12.2
7350
-647
-5340
12.1
4958
-939
-5909
15.9
3558
-864
-6761
12.8
2725
-393
-7142
5.5
N = 100
-989
-6063
16.3
5816
-947
-5986
15.8
3664
-1053
-6480
16.3
2131
-1290
-7134
18.1
1483
-789
-7668
10.3
N = 200
-942
-5696
16.5
4583
-1153
-6228
18.5
2524
-1225
-6990
17.5
1325
-1383
-7586
18.2
837
-1054
-7971
13.2
Cuadro 4.4: Resumen de estadsticos para modelo MCH-
Cota gap
CVaR 5 %
P erdida E
Coef. R-P [ %]
mn PC = 1 % mn E
N = 50
-9218
-18826
49.0
3387
-9259
-18973
48.8
480
-9283
-19968
46.5
N = 100
-9178
-17923
51.2
3477
-9183
-18529
49.6
538
-9334
-20007
46.7
N = 200
-9239
-17968
51.4
2350
-9447
-18659
50.6
355
-9340
-20028
46.6
Cuadro 4.5: Resumen de estadsticos para modelo minimizaci on de VaR con recourse
P erdida esperada: aumenta al aumentar . Aumenta con N en todos los modelos
salvo peor caso con y sin recourse, y VaR con recourse. Sin embargo en los modelos
MCH y MCH- con recourse esta tendencia es menos clara que en los otros.
Coeciente entre CVaR 5 % y p erdida esperada: En todo los modelos, salvo MCH-
con recourse, este coeciente tiende a crecer al aumentar el tama no N de muestra.
90
4.3. Resultados CAP
-9218
-18826
49.0
4618
-9034
-17956
50.3
2098
-9238
-18901
48.9
1352
-9480
-19495
48.6
480
-9283
-19968
46.5
N = 100
-9178
-17923
51.2
3678
-9172
-17916
51.2
1657
-9461
-19192
49.3
1059
-9557
-19614
48.7
538
-9334
-20007
46.7
N = 200
-9239
-17968
51.4
2070
-9372
-18224
51.4
890
-9606
-18930
50.7
642
-9539
-19685
48.5
355
-9340
-20028
46.6
Cuadro 4.6: Resumen de estadsticos para modelo minimizaci on de CVaR con recourse
CVaR 5 %
P erdida E
Coef. R-P [ %]
mn PC = 1 % = 10 % = 30 % mn E
N = 50
-9218
-18826
49.0
-9218
-18826
49.0
-9304
-19004
49.0
-9409
-19061
49.4
-9283
-19968
46.5
N = 100
-9178
-17923
51.2
-9172
-17916
51.2
-9351
-18221
51.3
-9533
-19065
50.0
-9334
-20007
46.7
N = 200
-9239
-17968
51.4
-9239
-17968
51.4
-9362
-18199
51.4
-9604
-18728
51.3
-9340
-20028
46.6
Cuadro 4.7: Resumen de estadsticos para modelo MCH con recourse
En la secci on 4.3.1 ya mencionamos los graves problemas que presentaba la tratabilidad
computacional de este efoque. Agregamos a esto los resultados aqu presentados que
sugieren que el modelo no guarda relaci on, en ning un plano, con los enfoques de min-
imizaci on de p erdida esperada y minimizaci on de peor p erdida. M as a un, los resultados
muestran que, dado , el aumento de N en la pr actica no disminuye el gap de optimali-
dad y tampoco se traduce en disminuci on de indicadores de inter es, por ejemplo p erdida
esperada o CVaR 5 %. Esta evidencia, en suma, contribuye a desechar el modelo de mini-
mizaci on de VaR.
Para los modelos CVaR, MCH y MCH- el comportamiento es predecible y razonable:
91
4.3. Resultados CAP
-9218
-18826
49.0
4560
-9046
-17968
50.3
1784
-9481
-18539
51.1
1035
-9527
-19578
48.7
480
-9283
-19968
46.5
N = 100
-9178
-17923
51.2
3641
-9172
-17916
51.2
1505
-9468
-19252
49.2
819
-9334
-19955
46.8
538
-9334
-20007
46.7
N = 200
-9239
-17968
51.4
2047
-9372
-18224
51.4
790
-9592
-19333
49.6
510
-9427
-19899
47.4
355
-9340
-20028
46.6
Cuadro 4.8: Resumen de estadsticos para modelo MCH- con recourse
aumentar el tama no de muestra aumenta la certeza del plan, el benecio esperado y dis-
minuye el CVaR 5 %. Tambi en, al tomar menores estamos concentr andonos en una por-
ci on m as extrema de la distribuci on de benecios, por lo que se hace necesario tener un
mayor tama no de muestra N.
Consideramos importante que en los modelos sin recourse las cotas obtenidas son
muy gruesas y por tanto poco utiles. Por ejemplo, para el modelo CVaRcon nivel de riesgo
= 10 %, el an alisis estadstico para N = 200 nos da el intervalo [4740,5, 1864,2], con
conanza 95 %, para el mnimo CVaR 10 %. Por otro lado, el CVaR 10 % en la muestra
de evaluaci on es estimado por 1925,1 y la p erdida esperada por 6717,5.
Finalmente, es destacable los m ultiples benecios que trae usar la variante con re-
course de los modelos CVaR, MCH o MCH-. Adem as del claro aumento en los bene-
cios, tambi en evidenciamos una reducci on notoria en la cota del gap de optimalidad. Por
ejemplo, para el modelo MCH- con = 10 % y usando N = 200 para la aproximaci on
SAA, la cota del gap se reduce de 2524 a 790 al pasar de la variante sin recourse a con
recourse. Tambi en, el coeciente entre el CVaR 5 % y la p erdida esperada, que dijimos
sera un ndice de la certeza del plan estadsticamente optimo, en las variantes con re-
course siempre es de alrededor del 50 %, en circunstancias en que para los modelos sin
recourse est a siempre entre 15 y 20 %.
Como hemos obtenido de estos resultados, es un problema importante a considerar
la convergencia de la aproximaci on SAA en cada modelo. A continuaci on exploramos
algunos factores propios de nuestro problema que podran afectar esta convergencia. Par-
ticularmente, veremos cu anto afecta que el problema use mayormente variables binarias,
y tambi en estudiaremos la convergencia cuando conocemos la verdadera distribuci on de
92
4.3. Resultados CAP
1875
0.28
Cuadro 4.9: Comparaci on entre versiones IP y LP para modelo CVaR sin recourse
En la Tabla 4.9 mostramos los resultados para el modelo minimizaci on de CVaR sin
recourse, para = 1 % y = 10 %. Aqu Cota gap es la cota superior estadstica, y
Coef. BE es el coeciente entre la cota del gap y el benecio esperado. Vemos que no
hay una diferencia signicativa entre los dos resultados. Esta situaci on se repite para el
modelo MCH- y en varios niveles de riesgo . Esto sugiere descartar que la integrali-
dad en variables de decisi on en nuestro problema est e afectando la convergencia de la
aproximaci on SAA.
93
4.3. Resultados CAP
b
:=
1
20000
20000
k=1
k
b
,
b
:=
_
1
20000
20000
k=1
_
k
b
b
_
2
.
2. Obtenemos 20000 muestras para
b
muestreando independientemente una distribu-
ci on log-normal con media
b
y varianza
2
b
.
3. Realizando este procedimiento para cada bloque b B obtenemos 20000 nuevas
muestras del vector .
Elegimos una distribuci on log-normal pues es generalmente asumido en la industria
que las leyes de los bloques siguen esta distribuci on. Tambi en, para obtener muestras de
este tipo basta tomar, para cada bloque b, N
1
, . . . , N
20000
muestras iid de una normal
con media 0 y varianza 1, y e
b
+
b
N
1
, . . . , e
b
+
b
N
20000
ser a una muestra iid como la que
necesitamos.
Usando esta nueva colecci on de muestras para realizamos de nuevo las pruebas para
los modelos CVaR y MCH-, con y sin recourse. En la Tabla 4.10 mostramos los resulta-
dos para CVaR, MCH- y MCH- con recourse, siempre con = 10 %. Cota gap es la
cota superior estadstica para el gap, Coef. C-BE, de coeciente cota-benecio espera-
do, es la raz on entre la cota superior del gap y el benecio esperado, Orig. signica que
son los resultados para las leyes originales, y L-N signica que son los resultados para
las leyes log-normales.
94
4.3. Resultados CAP