Vous êtes sur la page 1sur 90

Mini-curso:

Introdução à otimização sob incerteza


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

1.  Medidas  de  risco  


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

Análise  de  Sensibilidade  


2.  Otimização  robusta  
Petróleo  Brasileiro  S/A  
3.  Restrições  probabilísticas  

UNESP,  9  a  13  de  dezembro  de  2013  


Prof.  Fabrício  Oliveira  
Otimização sob incerteza
§  Modelos  de  programação   p(!)
estocástica:  
§  Dados  de  entrada  modelados   x1
como  processos  estocásticos;   E⌦ [Q(x1 , !)] Q(x1 , !)

§  Valor  da  função  objetivo  é  uma   x2


E⌦ [Q(x2 , !)]
variável  aleatória   ..
Q(x2 , !)
.
§  Pode  ser  caracterizada  por  uma  
distribuição  de  probabilidade;   xn
E⌦ [Q(xn , !)]
Análise  de  Sensibilidade   Q(xn , !)

Petróleo  
A  função  objetivo  como  variável   Brasileiro  S/A  
aleatória:  
§  Precisamos  de  uma  função  que,  de  alguma  forma,    caracterize  a  
distribuição  de  dessa  variável  aleatória:  
§  Critério  mais  comum:  média;  

UNESP,  9  a  13  de  dezembro  de  2013  


Prof.  Fabrício  Oliveira  
Otimização sob incerteza
§  Assim,  um  problema  onde   p(!)
maximizamos  o  lucro  resulta  na  
maximização  do  lucro  esperado   x1
deste  problema;   E⌦ [Q(x1 , !)] Q(x1 , !)
§  Problema:  demais  parâmetros  
x2
caracterizando  a  distribuição  são   E⌦ [Q(x2 , !)] Q(x2 , !)
negligenciados.   .
..
§  Ex:  Uma  variável  aleatória   xn
representando  o  lucro  com  um   E⌦ [Q(xn , !)] Q(xn , !)
valor  esperado  aceitável  para  o   Análise  de  Sensibilidade  
tomador  de  decisão  pode  possuir  
Petróleo  Brasileiro  S/A  
embutida  uma  probabilidade  não-­‐ O  valor  esperado  não  é  capaz  de    
desprezível  de  lucros  negativos   de  representar  a  exposição  a    
(perdas)   resultados  negativos  (ou  seja,    
ao  risco)  
§  Como  contornar  tal  diEiculdade:  
gestão  de  risco  
UNESP,  9  a  13  de  dezembro  de  2013  
Prof.  Fabrício  Oliveira  
Gestão de risco
p(!)
Primeiramente,  precisamos  deEinir  a  que  
risco  estamos  nos  referindo:  
§  Queremos  nos  proteger  do  risco  de  a   x1
E⌦ [Q(x1 , !)] Q(x1 , !)
distribuição  dos  lucros  (maximização)  
possuir  características  não  desejáveis,   r⌦ [Q(x1 , w)]
como  por  exemplo,  altas  probabilidades  
de  incorrer  em  custos  negativos  (perdas).   x2 Q(x2 , !)
E⌦ [Q(x2 , !)]
Como  controla-­‐lo  em  modelos  de  otimização:   r⌦ [Q(x2 , w)]
..
§   inserir  na  formulação  termos  que  são   .
Análise  de  Sensibilidade  
capazes  de  medir  o  risco  associado  a  uma  
distribuição  de  probabilidade;   Petróleo  Brasileiro  
xn S/A  
E⌦ [Q(xn , !)] Q(xn , !)
§  Toda  solução  gera  um  per;il  de  risco,  ao   r⌦ [Q(xn , w)]
qual  é  possível  se  associar  uma  medida  
§  Tal  termo  é  comumente  referido  como   r⌦ [f (x, !)] | r⌦ : x ! R
função  de  risco  ou  medida  de  risco;  
Medida  de  risco  
UNESP,  9  a  13  de  dezembro  de  2013  
Prof.  Fabrício  Oliveira  
Gestão de risco
Vamos  considerar  todas  as  medidas  de   p(!)
risco  considerando  problemas  de  2  
estágios  (por  ser  mais  simples)  onde  a   x1
E⌦ [Q(x1 , !)]
função  objetivo  consiste  da  maximização   Q(x1 , !)

de  um  lucro  esperado.   r⌦ [Q(x1 , w)]

§  A  generalização  para  problemas  multi-­‐ x2


estágio  não  é  evidente  pois  incorre-­‐se  em   E⌦ [Q(x2 , !)] Q(x2 , !)
problemas  de  consistência  temporal.   r⌦ [Q(x2 , w)]
..
§  Medidas  de  risco  consideradas:   .
1.  Variância;   Análise  de  Sensibilidade  
Petróleo  
2.  Probabilidade  de  déEicit  (shortfall   Brasileiro  
xn S/A  
E⌦ [Q(xn , !)] Q(xn , !)
probability)   r⌦ [Q(xn , w)]
3.  Escassez  esperada  (expected  shortage)  
4.  Value-­‐at-­‐Risk  (VaR)   r⌦ [f (x, !)] | r⌦ : x ! R
5.  Value-­‐at-­‐Risk  Condicional  (CVaR)   Medida  de  risco  
UNESP,  9  a  13  de  dezembro  de  2013  
Prof.  Fabrício  Oliveira  
Tomada de decisão neutra à risco

§  Vamos  considerar  o  problema  de  otimização:    

Var.  1o  Estágio   Var.  2o  Estágio  


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

UNESP,  9  a  13  de  dezembro  de  2013  


Prof.  Fabrício  Oliveira  
Tomada de decisão neutra à risco
§  DeEinindo:  

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


y(!)

§  Podemos  reescrever  nosso  problema  de  otimização  de  dois  


estágios  como  sendo:    

max EAnálise  
! [f (x, !)]de  Sensibilidade  
x
Petróleo  Brasileiro  S/A  
s.a: x 2 X

UNESP,  9  a  13  de  dezembro  de  2013  


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

UNESP,  9  a  13  de  dezembro  de  2013  


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

UNESP,  9  a  13  de  dezembro  de  2013  


Prof.  Fabrício  Oliveira  
Exemplo prático
§  Dados  de  entrada:  
Qtde    
§  Horizonte:  3h   Contrato   Preço  ($/MWh)  
Máxima  (MW)  
§  Preço  de  venda:  35/MWh   1   34   50  
§  Demandas:  150,  225,  175  (MW)   2   35   30  
Cenário   t=1   t=2   t=3   3   36   25  
1   28.5   36.3   31.4  
2   27.3   37.5   29.6  
3   29.4   35.7   31.3   40  

Análise   de  Sensibilidade  
Price  ($/MWh)  
4   33.9   38.9   37.5  
5   34.5   38.9   37.5   35  
Petróleo  Brasileiro  S/A  
6   29.2   34.8   31.2  
7   34.1   36.9   32.1   30  

8   33.4   35.4   34.9  


25  
9   28.4   36.3   32.9  
t=0   t=1   t=2   t=3  
10   27.6   38.9   32.1  
UNESP,  9  a  13  de  dezembro  de  2013  
Prof.  Fabrício  Oliveira  
Exemplo prático
§  Formulação  do  problema:  
 
3
X 3 X
X 3 10
X 3
X
C Mercado   Mercado  
max PtC F
f xf ⇡(!) P
t! yt! spot   futuro  
xf ,yt,!
t=1 f =1 t=1 !=1 t=1

s.a:
Eu  
0  xf  Xfmax , f = 1, 2, 3
3
X Análise  de  Sensibilidade  
xf + yt! = PtC , t = 1, 2, 3; ! = 1, . . . , 10Brasileiro  S/A  
Petróleo  
f =1 Demanda  
yt! 0

UNESP,  9  a  13  de  dezembro  de  2013  


Prof.  Fabrício  Oliveira  
Exemplo prático
§  Formulação  do  problema:  
 
Receita   Custo  (contratos)   Custo  spot  
3
X 3 X
X 3 10
X 3
X
C Mercado   Mercado  
max PtC F
f xf ⇡(!) P
t! yt! spot   futuro  
xf ,yt,!
t=1 f =1 t=1 !=1 t=1

s.a: Limites  para  os  contratos  


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

UNESP,  9  a  13  de  dezembro  de  2013  


Prof.  Fabrício  Oliveira  
Exemplo prático
§  Solução:  
§  FO:  $618.75  
§  Solução  ótima  x1*  =  x2*  =  x3*  =  0  

Cenário   Lucro  ($)  


1   1312.5  
2   1537.5  
3   1330.0  

Análise  de  Sensibilidade  


4   57.5  
5   -­‐1240.0  
6   1580.0   Petróleo  Brasileiro  S/A  
7   -­‐362.5  
8   167.5  
9   1065.0  
20%  de  chance  de    
10   740.0  
ter  prejuízo  
UNESP,  9  a  13  de  dezembro  de  2013  
Prof.  Fabrício  Oliveira  
Tomada de decisão avessa ao risco
§  A  grande  desvantagem  de  se  ignorar  o  risco  é  que  os  valores  ótimos  de  
x  e  y(ω)  pode  nos  levar  a  ter  o  maior  rendimento  médio  às  expensas  
de  obter  lucros  muito  baixo  em  alguns  cenários  desfavoráveis.  

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


que  modele  o  risco  de  variabilidade  associado  a  f(x,w).  è  medida  de  
risco.  

§  Matematicamente:     Análise  de  Sensibilidade  


Petróleo  Brasileiro  S/A  
r! {f (x, !)} | r! : x ! R

Medida  de  risco  

UNESP,  9  a  13  de  dezembro  de  2013  


Prof.  Fabrício  Oliveira  
Tomada de decisão avessa ao risco
§  Temos  basicamente  dois  paradigmas  distintos  para  a  consideração  do  
risco  na  formulação  do  problema  de  otimização:  
1.  Considerar  o  risco  na  função  objetivo,  minimizando-­‐o  
max E! [f (x, !)] r! {f (x, !)}
x
 
 
s.a: Peso  (se  0  è  neutro  ao  risco)  
x2X
2.  Considerar  o  risco  segundo  um  “orçamento”,  como  restrição  
Análise  de  Sensibilidade  
max E!Petróleo  
[f (x, !)]Brasileiro  S/A  
x
s.a:
r! {f (x, !)} 
x2X

UNESP,  9  a  13  de  dezembro  de  2013  


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

UNESP,  9  a  13  de  dezembro  de  2013  


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

UNESP,  9  a  13  de  dezembro  de  2013  


Prof.  Fabrício  Oliveira  
Medidas de risco
§  Variância  (Markowitz,  1952)  
§  Primeiramente  proposta  por  H.  M.  Markowitz;  
§  Modelo  média-­‐variância:  considera  o  valor  esperado  e  a  variância  do  
retorno;  
§  Variância:   V (x) = E! [(f (x, !) E! [f (x, !)])2 ]
§  Dessa  forma,  podemos  incorporar  a  variância  no  modelo  neutro  a  risco:  
!
X
max (1 ) cT x + ⇡(!)q(!)T y(!)
x,y(!)

Análise   de  !Sensibilidade  
!2⌦
Peso  ponderativo   2
X X
⇡(wB0 )f
⇡(!) f (x, !) Petróleo   (x, w0 ) S/A  
rasileiro   Problema  quadrático  
!2⌦ ! 0 2⌦
s.a:
Ax = b
T (!)x + W (!)y(!) = h(!), 8! 2 ⌦
x 2 X, y(!) 2 Y, 8! 2 ⌦
UNESP,  9  a  13  de  dezembro  de  2013  
Prof.  Fabrício  Oliveira  
Medidas de risco

§  Voltando  ao  exemplo:  


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

10 10 3
!2
X X X
P P
⇡! t! yt! ⇡! 0 t! 0 yt! 0
!=1 w0 =1 t=1

Análise  de  Sensibilidade  


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

yt! , t = 1, 2, 3; ! = 1, . . . , 10

UNESP,  9  a  13  de  dezembro  de  2013  


Prof.  Fabrício  Oliveira  
Medidas de risco
§  Resultados:  β  =  1  
§  FO  =  $208.65  (62%  menor)  
Min.  variância  =  exercer  o  
§  Solução  ótima:     máximo  dos  contratos  

§  x1*  50;  x2*  =  30;  x3*  =  25  

Cenário   Lucro  ($)  


1   463.50  
2   499.50   Pior  cenário  é  56%  
melhor…  

Análise  de  Sensibilidade  


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

UNESP,  9  a  13  de  dezembro  de  2013  


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

Cenário   Lucro  ($)  


1   463.50  
2   499.50   Pior  cenário  é  56%  
melhor…  

Análise  de  Sensibilidade  


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

UNESP,  9  a  13  de  dezembro  de  2013  


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

UNESP,  9  a  13  de  dezembro  de  2013  


Prof.  Fabrício  Oliveira  
Medidas de risco
Probabilidade  de  dé[icit  (shortfall  
probability,  Browne,  1999)  
§  De[inição:  probabilidade  do  lucro  
ser  menor  que  um  valor   P (!)
pre;ixado  η.  

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


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

UNESP,  9  a  13  de  dezembro  de  2013  


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

UNESP,  9  a  13  de  dezembro  de  2013  


Prof.  Fabrício  Oliveira  
Medidas de risco
§  Voltando  ao  exemplo:  
0 1
3
X 3 X
X 3 10
X 3
X 10
X
max (1 )@ C
PtC F
f xf ⇡! P
t! yt!
A ⇡! ✓ !
xf ,yt!
t=1 f =1 t=1 !=1 t=1 !=1

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

✓! 2 {0, 1}

UNESP,  9  a  13  de  dezembro  de  2013  


Prof.  Fabrício  Oliveira  
Medidas de risco
§  Resultados  (β  =  1,  η=$175)  
§  FO  =  $539.44  (13%  menor)  
§  Solução  ótima:    
§  x1*  =  49;  x2*  =  x3*  =  0;  

Cenário   Lucro  ($)   θ  


1   1028.54   0  
2   1165.42   0  
3   1055.83   0  
4   175.00  
5   -­‐804.27  
0  
1  
Análise  de  Sensibilidade  
Petróleo  Brasileiro  S/A  
6   1247.08   0  
7   -­‐147.08   1  
8   250.73   0  
9   849.58   0   10
X

10   573.54   0   SP ($175, x ) = ⇡! ✓!⇤ = 0.1(1) + 0.1(1) = 0.2
!=1
UNESP,  9  a  13  de  dezembro  de  2013  
Prof.  Fabrício  Oliveira  
Medidas de risco
§  Resultados  (β  =  1,  η=$175)  
§  FO  =  $539.44  (13%  menor)  
§  Solução  ótima:    
§  x1*  =  49;  x2*  =  x3*  =  0;  

Cenário   Lucro  ($)   θ  


1   1028.54   0  
2   1165.42   0  
3   1055.83   0  
4   175.00  
5   -­‐804.27  
0  
1  
Análise  de  Sensibilidade  
Petróleo  Brasileiro  S/A  
6   1247.08   0  
7   -­‐147.08   1  
8   250.73   0  
9   849.58   0   10
X

10   573.54   0   SP ($175, x ) = ⇡! ✓!⇤ = 0.1(1) + 0.1(1) = 0.2
!=1
UNESP,  9  a  13  de  dezembro  de  2013  
Prof.  Fabrício  Oliveira  
Medidas de risco
Observações:  probabilidade  de  dé[icit  
§  Aumenta  a  complexidade  do  
problema  ao  inserir  variáveis  
inteiras  na  formulação;  
§  Não  nos  permite  obter  informações  
relativas  a  distribuição  dos  lucros  
além  de  η;  
§  Uma  cauda  gorda  não  é  capaz  de  
ser  detectada;  
Análise  de  Sensibilidade  
§  Não  consiste  de  uma  uma  medida  
coerente  de  risco:   Petróleo  Brasileiro  S/A  
§  Unidade  de  medida  distinta  (não  
é  lucro!);  
§  Valor  meta  Eixo  η;  

UNESP,  9  a  13  de  dezembro  de  2013  


Prof.  Fabrício  Oliveira  
Medidas de risco
Escassez  esperada  (expected  shortage,  Acerbi,  Nordio  e  Sirtori,  2001)  
§  De[inição:  valor  esperado  do  lucro  dos  cenários  com  um  lucro  menor  que  
um  valor  preEixado  η.  

P (!)

E [max{⌘ f (x, !), 0}]


ES(⌘, x) = ⌘ , 8⌘ 2 R
SP (⌘, x)

Análise  de  Sensibilidade  


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

ES(⌘, x)

UNESP,  9  a  13  de  dezembro  de  2013  


Prof.  Fabrício  Oliveira  
Medidas de risco
§  Incorporando  a  escassez  esperada  no  modelo  neutro  à  risco:  

!
X X
T T
max (1 ) c x+ ⇡(!)q(!) y(!) ⇡(!)s(!)
x,y(!),✓(!)
!2⌦ !2⌦
s.a:
Ax = b Estrutura  matemática  que  
T (!)x + W (!)y(!) = h(!), 8! 2 ⌦ acumula  quanto  cada  

⌘ T
c x + q(!) y(!)T Análise  
 s(!), 8! 2 ⌦
de   Sensibilidade  
cenário  excedeu  η  e  calcula  
a  média  dos  excessos.  
Petróleo  Brasileiro  S/A  
s(!) 0, 8! 2 ⌦
x 2 X, y(!) 2 Y, 8! 2 ⌦

UNESP,  9  a  13  de  dezembro  de  2013  


Prof.  Fabrício  Oliveira  
Medidas de risco
§  Voltando  ao  exemplo:    
0 1
X3 3 X
X 3 10
X 3
X 10
X
max (1 )@ C
PtC F
f xf ⇡! P
t! yt!
A ⇡! s !
xf ,yt!
t=1 f =1 t=1 !=1 t=1 !=1

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

s! 0

UNESP,  9  a  13  de  dezembro  de  2013  


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

Cenário   Lucro  ($)   s  


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

UNESP,  9  a  13  de  dezembro  de  2013  


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

Cenário   Lucro  ($)   s  


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

UNESP,  9  a  13  de  dezembro  de  2013  


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

UNESP,  9  a  13  de  dezembro  de  2013  


Prof.  Fabrício  Oliveira  
Medidas de risco
Value-­‐at-­‐Risk  (Jorion,  2000)  
§  De[inição:  Dado  uma  probabilidade  
α,  O  VaR  é  dado  pelo  maior  valor  η  
que  garante  que  a  probabilidade  de   P (!)
se  obter  um  lucro  menor  que  η  é  
menor  que  1-­‐α.  

V aR(↵, x) = max{⌘ :
P (!|f (x, !) < ⌘)  1 ↵}, 8↵ 2 (0, 1)
Análise  de  Sensibilidade  
§  Pode-­‐se  pensar  o  VaR  como  sendo   o  
Petróleo   Brasileiro  S/A  
quantil  (1-­‐α)  da  distribuição  do   The image cannot be
displayed. Your
f (x, !)
lucro  
The image
cannot be
displayed. Your

UNESP,  9  a  13  de  dezembro  de  2013  


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

UNESP,  9  a  13  de  dezembro  de  2013  


Prof.  Fabrício  Oliveira  
Medidas de risco
§  Voltando  ao  e0xemplo:   1
3
X 3 X
X 3 10
X 3
X
max (1 )@ C
PtC F
f xf ⇡! P
t! yt!
A + ⌘
xf ,yt! ,✓! ,⌘
t=1 f =1 t=1 !=1 t=1

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

yt!
0
0, t = 1, 2, 3; ! = 1, . . . , 10
3 3 X
3 3
Análise  
1 de  Sensibilidade  
X X X Petróleo  
⌘ @ C
PtC F
f xf
P ABrasileiro  S/A  
t! yt!  M ✓! , ! = 1, . . . , 10
t=1 f =1 t=1 t=1
10
X
⇡! ✓ !  1 ↵
!=1
✓! 2 {0, 1}, ! = 1, . . . , 10
UNESP,  9  a  13  de  dezembro  de  2013  
Prof.  Fabrício  Oliveira  
Medidas de risco
§  Resultados:  (β  =  1,  α=0.8)  
§  FO  =  $535.75  (η=$177.50)  
§  Solução  ótima:    
§  x1*  50;  x2*  =  0;  x3*  =  0  

Cenário   Lucro  ($)   θ  


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

UNESP,  9  a  13  de  dezembro  de  2013  


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

Cenário   Lucro  ($)   θ  


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

UNESP,  9  a  13  de  dezembro  de  2013  


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

UNESP,  9  a  13  de  dezembro  de  2013  


Prof.  Fabrício  Oliveira  
Medidas de risco
§  Value-­‐at-­‐Risk  Condicional  
(CVaR,  Rockafellar  e  Uryasev,  
2000)   P (!)

§  De[inição:  Dado  uma  


probabilidade  α,  O  CVaR  é  
deEinido  como  a  média  dos  lucros  
menores  que  o  quantil  1-­‐α  da  
distribuição  de  lucro.  
§  No  caso  de  todos  os  cenários  
serem  equiprováveis,  o  CVaR  é   Análise  de  Sensibilidade  

computado  como  o  lucro   f (x, !)
Petróleo  Brasileiro  S/A  
esperado  dos  (1-­‐  α)%  piores  
cenários.   CV aR(↵, x)

1
CV aR(↵, x) = max{⌘ E[max{⌘ f (x, !), 0}]}, 8↵ 2 (0, 1)
1 ↵

UNESP,  9  a  13  de  dezembro  de  2013  


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

UNESP,  9  a  13  de  dezembro  de  2013  


Prof.  Fabrício  Oliveira  
Medidas de risco
§  Voltando  ao  exemplo:  
0 1
3
X 3 X
X 3 10
X 3
X
max (1 )@ C
PtC F
f xf ⇡! P
t! yt!
A+
xf ,yt! ,✓! ,⌘
t=1 f =1 t=1 !=1 t=1
P10 !
!=1⇡! s !

1 ↵
s.a:
0  xf  Xfmax , f = 1, 2, 3

Análise  de  Sensibilidade  


3
X
xf + yt! = PtC , t = 1, 2, 3; ! = 1, . . . , 10
f =1 Petróleo  Brasileiro  S/A  
yt! 0, t = 1, 2, 3; ! = 1, . . . , 10
0 1
X3 3 X
X 3 3
X
⌘ @ C
PtC F
f xf
P
t! yt!
A  s! , ! = 1, . . . , 10
t=1 f =1 t=1 t=1

s! 0, ! = 1, . . . , 10
UNESP,  9  a  13  de  dezembro  de  2013  
Prof.  Fabrício  Oliveira  
Medidas de risco
§  Resultados:  (β  =  1,  α =  0.8)  
§  FO  =  $208.65  (62%  menor)  
§  Solução  ótima:    
§  x1*  50;  x2*  =  30;  x3*  =  25  

Cenário   Lucro  ($)   s  


1   463.50   0  
2   499.50   0  
3   502.00   0  
4   69.50   0   Análise  de  Sensibilidade  
5   -­‐545.50   405.00   Petróleo  Brasileiro  S/A  
6   626.00   0  
7   -­‐140.50   0  
8   106.00   0  
9   363.00   0   1
10   143.00   0  
CV aR(↵, x) = 140.50 (0.1 ⇥ 405.00) = 343.00
1 0.8
UNESP,  9  a  13  de  dezembro  de  2013  
Prof.  Fabrício  Oliveira  
Medidas de risco
§  Resultados:  (β  =  1,  α =  0.8)  
§  FO  =  $208.65  (62%  menor)  
§  Solução  ótima:    
§  x1*  50;  x2*  =  30;  x3*  =  25  

Cenário   Lucro  ($)   s  


1   463.50   0  
2   499.50   0  
3   502.00   0  
4   69.50   0   Análise  de  Sensibilidade  
5   -­‐545.50   405.00   Petróleo  Brasileiro  S/A  
6   626.00   0  
7   -­‐140.50   0  
8   106.00   0  
9   363.00   0   1
10   143.00   0  
CV aR(↵, x) = 140.50 (0.1 ⇥ 405.00) = 343.00
1 0.8
UNESP,  9  a  13  de  dezembro  de  2013  
Prof.  Fabrício  Oliveira  
Medidas de risco
§  Observações:  CVaR  
§  Também  conhecido  como  “mean  
excess  loss”  ou  “average  value-­‐at-­‐
risk”  
§  Não  aumenta  a  complexidade  pois  
não  são  adicionadas  variáveis  
inteiras;  
§  É  capaz  de  levar  em  conta  o  efeito  
de  “caudas  gordas”;  
Análise  de  Sensibilidade  
§  E  ainda  é  uma  medida  coerente  de  
risco.   Petróleo  Brasileiro  S/A  

UNESP,  9  a  13  de  dezembro  de  2013  


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

UNESP,  9  a  13  de  dezembro  de  2013  


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

UNESP,  9  a  13  de  dezembro  de  2013  


Prof.  Fabrício  Oliveira  
Otimização Robusta

§  Oriunda  da  necessidade  de  se  

DETERMINÍSTICO  
gerar  soluções  robustas.   min cT x + d
x
§  Imunes  à  erros  de  estimação  dos  
dados  de  entrada  ou  eventuais  
s.a: Ax  b
variabilidades;  
§  O  conceito  de  robustez  está   Conjunto de!
intrinsicamente  atrelado  a  

SOB  INCERTEZA  
incerteza!
min cT x + d
deEinição  de  um  conjunto  de   x
incerteza.   s.a: Ax  b, (c, d, A, b) 2 ⇥
§  Conjunto  que  deEine  a   Análise  de  Sensibilidade  
Petróleo  Brasileiro  S/A  
permissividade  de  variabilidade;  
§  A  geometria  do  conjunto  de  
incerteza  é  fundamental  para  a   ROBUSTO  
min { max cT x + d}
x (c,d,A,b)2⇥
tratabilidade  do  problema;  
  s.a: Ax  b Pior caso!

UNESP,  9  a  13  de  dezembro  de  2013  


Prof.  Fabrício  Oliveira  
Otimização Robusta
§  A  otimização  robusta  se  baseia  na  “análise  de  pior  caso”  
§  Estaremos  sempre  buscando  a  melhor  solução  possível,  assumindo  que  a  
natureza  se  comportará  da  pior  maneira  possível.  
§  Desta  forma,  seja  o  seguinte  problema  de  otimização  linear:  

min cT x + d min cT x + d
x x
  s.a: Ax  b s.a: Ax  b, (c, d, A, b) 2 ⇥

Modelo  determinísAco  
Análise   de  Sensibilidade  
Modelo  sob  incerteza   Conjunto  de  
Petróleo  Brasileiro  S/A   incerteza  

§  Assumindo  que  o  valor  da  função  objetivo  é  nosso  “medidor  de  qualidade”  de  
uma  dada  solução,  temos…  

UNESP,  9  a  13  de  dezembro  de  2013  


Prof.  Fabrício  Oliveira  
Otimização Robusta
§  Assumindo  que  o  valor  da  FO  é  nosso  “medidor  de  qualidade”  de  uma  dada  
solução,  temos…  
§  Pior  que  pode  acontecer:  

max cT x + d
(c,d,A,b)2⇥

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


robusta)  como  sendo:  

min {
Análise  
max T
c x + d}
de   Sensibilidade  
x Petróleo  Brasileiro  S/A  
(c,d,A,b)2⇥

s.a: Ax  b
Pior  caso  (worst-­‐
case  scenario)  

UNESP,  9  a  13  de  dezembro  de  2013  


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

UNESP,  9  a  13  de  dezembro  de  2013  


Prof.  Fabrício  Oliveira  
Otimização Robusta
§  Dessa  forma,  podemos  pensar  (sem  perda  de  generalidade)  a  contraparte  
robusta  como  sendo  o  seguinte  problema  de  otimização  binível:  
min cT x
x
8 9
X <X =
s.a: aij xj + max ⌘ij âij xj  bi , 8i
⌘2U : ;
j j2Ji

xj 0, 8j
Pior  caso  (worst-­‐case  
scenario)  
§  Observação:   Análise  de  Sensibilidade  
§  No  caso  de  a  incerteza  ser  em  Petróleo  
um  dos  cBoeEicientes  
rasileiro  S/A  
da  FO,  ou  em  um  termo  
independente,  o  problema  pode  ser  facilmente  reescrito  na  forma  acima.  
§  Para  tal,  basta  reescrever  a  função  objetivo  como  uma  restrição  e  “anexa-­‐la”  a  
matriz  A.      

UNESP,  9  a  13  de  dezembro  de  2013  


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

UNESP,  9  a  13  de  dezembro  de  2013  


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

UNESP,  9  a  13  de  dezembro  de  2013  


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

UNESP,  9  a  13  de  dezembro  de  2013  


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

UNESP,  9  a  13  de  dezembro  de  2013  


Prof.  Fabrício  Oliveira  
Contraparte robusta
Representação  em  “esfera”  (Ben-­‐Tal  &  
Nemirovski,  2000)    
§  A  ideia  é  reduzir  o  elevado  
conservadorismo  da  representação   ã2
de  Soyster  por  intermédio  de  uma  
estrutura  geométrica  elipsoidal.   ΩΩ= √2
§  A  intuição  da  forma  utilizada  se  refere  
[a2 + â2 ]
ao  “feeling”  que  a  probabilidade  de  
todos  os  parâmetros  assumirem  seus   a2
piores  casos  simultaneamente  é  baixa.  
Análise  de  Sensibilidade  
§  A  técnica  permite  que  seja  controlado   [a2 â2 ]
o  nível  de  conservadorismo,  através  da  
deEinição  do  “diâmetro”     Petróleo  Brasileiro  S/A  
§   Vantagem:  redução  (e  eventual  
controle)  do  conservadorismo;  
[a1 â1 ] a1 [a1 + â1 ] ã1
§  Desvantagem:  aumenta  a  
complexidade  do  problema  (SOCP)  

UNESP,  9  a  13  de  dezembro  de  2013  


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

Análise  de  Sensibilidade  


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

UNESP,  9  a  13  de  dezembro  de  2013  


Prof.  Fabrício  Oliveira  
Contraparte robusta
Representação  em  “esfera”  (Ben-­‐Tal  &  
Nemirovski,  2000)     Assim,  a  contraparte  robusta  pode  ser  escrita  
§  A  ideia  é  reduzir  o  elevado   como  sendo:  
conservadorismo  da  representação   min cT x
de  Soyster  por  intermédio  de  uma   x
sX
estrutura  geométrica  elipsoidal.   X
s.a: aij xj + ⌦ â2ij x2j  bi , 8i
§  A  intuição  da  forma  utilizada  se  refere   j j2Ji
ao  “feeling”  que  a  probabilidade  de  
xj 0, 8j
todos  os  parâmetros  assumirem  seus  
piores  casos  simultaneamente  é  baixa.  
Análise  de  Sensibilidade  
§  A  técnica  permite  que  seja  controlado  
o  nível  de  conservadorismo,  através  da  
Parcela  de  proteção  ao  
pior  caso.  
deEinição  do  “diâmetro”     Petróleo  Brasileiro  S/A   8 9
§   Vantagem:  redução  (e  eventual   <X =
controle)  do  conservadorismo;   U = {⌘ | k⌘k2  ⌦} = ⌘j2 ⌦ 2
: ;
j2Ji
§  Desvantagem:  aumenta  a  
complexidade  do  problema  (SOCP)  

UNESP,  9  a  13  de  dezembro  de  2013  


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

“prejudicam”  o  problema.   Petróleo  Brasileiro  S/A  


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

UNESP,  9  a  13  de  dezembro  de  2013  


Prof.  Fabrício  Oliveira  
Contraparte robusta
Representação  poliédrica  (Bertsimas  
&  Sim,  2004)  
§  Neste  caso  também  busca-­‐se  reduzir  
o  nível  de  conservadorismo  com   ã2
relação  ao  método  de  Soyster;  
Γ=2
§  A  ideia  é  controlar,  através  de  um  
parâmetro  ajustável  Γ,  que  
[a2 + â2 ]
representa  quantas  “dimensões”  
podem  assumir  o  pior  caso.   a2
§  Contingência  guarda-­‐chuva:  o  
método  garante  que  sempre   Análise  de  Sensibilidade  
serão  considerados  os  Γ  que  mais  
[a2 â2 ]

“prejudicam”  o  problema.   Petróleo  Brasileiro  S/A  


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

UNESP,  9  a  13  de  dezembro  de  2013  


Prof.  Fabrício  Oliveira  
Contraparte robusta
Representação  poliédrica  (Bertsimas  
DeEinição  do  poliédro  Γ-­‐dimensional  como  
&  Sim,  2004)   conjunto  de  incerteza:  
§  Neste  caso  também  busca-­‐se  reduzir   X
o  nível  de  conservadorismo  com   U = {⌘ | k⌘k1  } = { |⌘j |  }
relação  ao  método  de  Soyster;   j2Ji

§  A  ideia  é  controlar,  através  de  um   No  pior  caso,  temos  que:  
8 9
parâmetro  ajustável  Γ,  que   <X X =
representa  quantas  “dimensões”   max
⌘2U :
⌘ij âij xj : |⌘j | 
;
podem  assumir  o  pior  caso.   j2Ji j2Ji

§  Contingência  guarda-­‐chuva:  o  


método  garante  que  sempre  
serão  considerados  os  Γ  que  mais  
Análise  de  Sensibilidade  
Que  pode  ser  escrito  como  o  seguinte  
problema  
Petróleo   B de  otimização:  
rasileiro   S/A  
“prejudicam”  o  problema.   X
max âij xj zij
§   Vantagem:  controle  do   z
j2Ji
conservadorismo  e  simplicidade;   X
s.a: zij  i
§  Desvantagem:  interpretação  de  Γ;  
j2Ji

0  zij  1, 8j 2 Ji
UNESP,  9  a  13  de  dezembro  de  2013  
Prof.  Fabrício  Oliveira  
Contraparte robusta
Representação  poliédrica  (Bertsimas   Para  que  evitemos  poblemas  de  não-­‐
&  Sim,  2004)   linearidade,  consideramos  a  formulação  dual  
deste  problema:  
§  Neste  caso  também  busca-­‐se  reduzir  
X
o  nível  de  conservadorismo  com   max âij xj zij
relação  ao  método  de  Soyster;   z
j2Ji
§  A  ideia  é  controlar,  através  de  um   X
s.a: zij  i
parâmetro  ajustável  Γ,  que  
j2Ji
representa  quantas  “dimensões”  
podem  assumir  o  pior  caso.   0  zij  1, 8j 2 Ji
§  Contingência  guarda-­‐chuva:  o  
método  garante  que  sempre  
serão  considerados  os  Γ  que  mais  
Análise  de  Sensibilidade  
X
“prejudicam”  o  problema.   Petróleo  Brasileiro  
min S/A  pij + i ⇡i
⇡,p
j2Ji
§   Vantagem:  controle  do   s.a: ⇡i + pij âij xj
conservadorismo  e  simplicidade;  
pij 0, 8j 2 Ji
§  Desvantagem:  interpretação  de  Γ;  
⇡i 0

UNESP,  9  a  13  de  dezembro  de  2013  


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

UNESP,  9  a  13  de  dezembro  de  2013  


Prof.  Fabrício  Oliveira  
Exemplo Prático
Problema  da  mochila  
X
max c j xj
x
j
X
s.a: qj x j  V
j

0  xj  1, 8j

§  Instância  considerada:     Análise  de  Sensibilidade  


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

UNESP,  9  a  13  de  dezembro  de  2013  


Prof.  Fabrício  Oliveira  
Exemplo Prático
Problema  da  mochila  
§  Contrapartes  robustas  

X
Soyster   X Bertsimas  &  Sim  
max c j xj max c j xj
x x
j j
X X X X
s.a: qj x j + q̂j xj  V s.a: qj xj + ⇡ + pj  V
j j j j

0  xj  1, 8j ⇡ + pj q̂j xj , 8j
X Análise  de  0 Sensibilidade  
Ben-­‐Tal  &  Nemirovski  
x  1, 8j j
max cj xj Petróleo  Brasileiro  S/A  
x
j
X sX
s.a: qj x j + ⌦ q̂j2 x2j  V
j j

0  xj  1, 8j
UNESP,  9  a  13  de  dezembro  de  2013  
Prof.  Fabrício  Oliveira  
Exemplo Prático
Resultados:  
Ben-­‐Tal  &   Bertsimas  &  
Soyster   Nemirovski   Sim  
#  Var.   50   50   101  
#  Const.   51   51   101  
Tipo   LP   NLP   LP  
FO   3874   4388   4483-­‐3847  

Γ  =  1  a  50  
4600  
4500  
4400  
Análise  de  Sensibilidade  
Petróleo  Brasileiro  S/A  
Valor  da  FO  

4300   Pior  caso  sempre  coberto  


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

UNESP,  9  a  13  de  dezembro  de  2013  


Prof.  Fabrício  Oliveira  
Garantias probabilísticas
ã2
§  Tanto  a  geometria  quanto  a  extensão  do  
Γ=1
conjunto  de  incerteza  é  deEinida  pelo  
decisor.   [a2 + â2 ]

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

pre-­‐estabelecido  a  priori.   [a2 â2 ]

§  Dependendo  do  “orçamento  de  


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

§  Ao  analisar  a  proporção  entre  o   Petróleo  Brasileiro  


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

[a1 â1 ] a1 [a1 + â1 ] ã1


UNESP,  9  a  13  de  dezembro  de  2013  
Prof.  Fabrício  Oliveira  
Garantias probabilísticas
ã2
§  Se  o  conjunto  de  incerteza  cobre  
Γ=1
completamente  o  espaço  de  incerteza  
temos  que  probabilidade  de   [a2 + â2 ]

inviabilidade  é  zero  (Soyster).   a2

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

demais  buscar  cobrir  o  espaço  de  


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

[a1 â1 ] a1 [a1 + â1 ] ã1


UNESP,  9  a  13  de  dezembro  de  2013  
Prof.  Fabrício  Oliveira  
Garantias probabilísticas
Probabilidade  de  inviabilidade  
§  Podemos  deEinir  a  probabilidade  de  inviabilidade  como  sendo  o  seguinte:  
8 9
<X X =
vio
P = Pr aij xj + ⌘j âij xj > bi
: ;
j j2Ji

§  Existem  vários  limites  para  essa  probabilidade  que  são  conhecidos  na  
literatura.  
Análise  de  Sensibilidade  
§  Em  geral  eles  estão  associados  com  a  geometria  do  conjunto  
§  Um  exemplo  é  a  expressão  geral,  que  Petróleo   Brasileiro  S/A  
é  comprovadamente   um  limite  para  Pvio  é  dado  
por:  
onde:
2 = = 1 (Soyster)
P vio  e 2|Ji | = ⌦ (Ben-tal e Nemirovski)
= (Bertsimas e Sim)

UNESP,  9  a  13  de  dezembro  de  2013  


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

Limite  para  probabilidade  


1  
0.9  

Análise  de  Sensibilidade  


0.8  
0.7  
Probabilidade  

0.6  
0.5  
Petróleo  Brasileiro  S/A  
0.4  
0.3  
0.2  
0.1  
0  
1   3   5   7   9   11   13   15   17   19   21   23   25   27   29   31   33   35   37   39   41   43   45   47   49  
Gama  
UNESP,  9  a  13  de  dezembro  de  2013  
Prof.  Fabrício  Oliveira  
Restrições probabilísticas
§  Em  determinadas  situações  pode  não  ser  possível  o  estabelecimento  de  
custos  de  recurso  
§  Pensando  no  custo  do  recurso  como  uma  penalização  para  o  desvio  face  a  
uma  meta,  pode  ser  o  caso  de  estarmos  interessados  em  atendê-­‐la  somente  
na  maioria  dos  casos  
§  Ou  seja,  que,  para  algumas  realizações,  tais  metas  poderiam  não  ser  atendidas.  
§  Dessa  forma,  consideraremos  que  uma  decisão  será  admissível  se  ela  

Análise  de  Sensibilidade  


satisfazer  as  restrições  com  probabilidade    igual  ou  maior  que  um  grau  
de  con;iabilidade  α  
Petróleo  Brasileiro  S/A  

p(x) := P{T (!)x h(!)} ↵

UNESP,  9  a  13  de  dezembro  de  2013  


Prof.  Fabrício  Oliveira  
Restrições probabilísticas
§  Tais  restrições  são  conhecidas  como  restrições  probabilisticas  e  busam  
inserir  a  consideração  admissibilidade  relativa.  

p(x) := P{T (!)x h(!)} ↵


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

Análise  de  Sensibilidade  


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

UNESP,  9  a  13  de  dezembro  de  2013  


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

§  Restrições  Probabilísticas  Conjuntas  (RPC)  


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

Análise  de  Sensibilidade  


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

UNESP,  9  a  13  de  dezembro  de  2013  


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

§  Restrições  Probabilísticas  Conjuntas  (RPC)  


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

Análise  de  Sensibilidade  


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

UNESP,  9  a  13  de  dezembro  de  2013  


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

Análise  de  Sensibilidade  


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

Dinheiro  após     Rendimentos  dos   Pagamentos  


a  compra   títulos  

UNESP,  9  a  13  de  dezembro  de  2013  


Prof.  Fabrício  Oliveira  
Restrições probabilísticas
§  Exemplo:  gestão  de  um  fundo  de  pensão  
§  Vamos  assumir  que  queremos  montantes  de  dinheiro  positivos  em  todos  os  
períodos.  
n
X j X
X n j
X
K i xi + ↵ik xi k 0, 8j = 1, . . . , 15
i=1 k=1 i=1 k=1
 
§  SimpliEicando  a  notação:  
j Lucro  com  bounds  
X
Análise  
ade  
x Sensibilidade  
n
X até  o  ano  m  
aij := ↵ik i max im i
x 0
k=1 Petróleo  Brasileiro  
i S/A   Lucro  positivo  em  
n cada  ano  
j
X X
bj := K s.a: aij xi bj , j = 1, . . . , m
k
i
k=1

UNESP,  9  a  13  de  dezembro  de  2013  


Prof.  Fabrício  Oliveira  
Restrições probabilísticas

§  Dados  do  problema  e  solução:  


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

Análise  de  Sensibilidade  


Petróleo  Brasileiro  S/A  

Fluxo  de  dinheiro  ao  longo  dos  anos  


 

UNESP,  9  a  13  de  dezembro  de  2013  


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

UNESP,  9  a  13  de  dezembro  de  2013  


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

UNESP,  9  a  13  de  dezembro  de  2013  


Prof.  Fabrício  Oliveira  
Restrições probabilísticas
§  Em  geral,  tais  problemas  não  são  fáceis  de  resolver.  
§  Em  geral  se  baseia  em  aproximações  ou  premissas  que  simpliEicam  o  
tratamento.  
§  Nesse  caso  em  particular,  assumindo  normalidade  e  independência,  
temos:   Independência  
Normalidade  
j
X
2
= 2 1
⇠j k, j = 1, . . . , m ⌘j = ⇠i (⇠j j)
k=1

n
X
!
Análise  
1
Xn de   Sensibilidade  
! !
P aij xi ⇠j P
↵j = Petróleo  
⇠j Brasileiro  
aij xS/A  
i bj ⌘j
i=1 i=1

n
! n
X X Linear  e  
P aij xi ⇠j ↵j ) aij xi bj + ⇠ j q↵ j comportada!  
i=1 i=1

UNESP,  9  a  13  de  dezembro  de  2013  


Prof.  Fabrício  Oliveira  
Restrições probabilísticas

§  Solução  ótima  


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

Análise  de  Sensibilidade  


Petróleo  Brasileiro  S/A  

UNESP,  9  a  13  de  dezembro  de  2013  


Prof.  Fabrício  Oliveira  
Restrições probabilísticas
§  O  problema  é  que,  apesar  das  restrições  RPI  garantirem  que  em  cada  ano  a  
probabilidade  de  rendimentos  negativos  ser  pequena,  a  probabilidade  de  
rendimentos  negativos  em  pelo  menos  um  ano  continua  alta.  
§  Note  que,  para  uma  conEiabilidade  de  95%,  14%  dos  cenários  apresentam  Eluxo  negativo  ao  
longo  dos  15  anos.  
§  Para,  tal  podemos  considerar  tais  restrições  de  forma  conjunta,  por  
intermédio  de  RPC  
§  Dessa,  podemos  reformular  nosso  problema  como  sendo:  
X n
max aim xi
x 0
i
( n
X Análise  de  
) Sensibilidade  
s.a: P aij xiPetróleo  
⇠j , j =B1, . . . , m S/A  ↵
rasileiro  
  i
§  Má  notícia:  integral  multidimensional  para  a  qual  não  é  conhecida  conversão  
determinística.  
§  Alguns  softwares  possuem  módulos  built-­‐in  para  tratamento  desse  tipo  de  problema,  
particularmente  no  caso  normal  multivariado.  
§  São  dados  de  entrada  o  vetor  de  médias  e  a  matriz  de  covariância.  
UNESP,  9  a  13  de  dezembro  de  2013  
Prof.  Fabrício  Oliveira  
Restrições probabilísticas
§  Solução  ótima  
§  Novamente  há  uma  tendência  de  migração  para  os  títulos  de  menor  prazo    
§  Aqui,  somente  5  dos  100  cenários  apresentam  Eluxo  negativo.  
Valor  ;inal:  $99  101,75  
(x⇤1 , x⇤2 , x⇤3 ) = (66, 91; 80, 26; 89, 30)

Análise  de  Sensibilidade  


Petróleo  Brasileiro  S/A  

UNESP,  9  a  13  de  dezembro  de  2013  


Prof.  Fabrício  Oliveira  
Restrições probabilísticas
Propriedades  importantes:  
§  Problemas  com  restrições  probabilística  são  pouco  difundidos  devido  a  
sua  complexidade  computacional.  
§  Não  existem  resultados  gerais  que  garantam  convexidade  do  conjunto  
viável  desse  tipo  de  restrição.  

RP C : C(↵) = {x | p(x) ↵}
RP I : C(↵1 , . . . , ↵m ) = \m m
i=1 Ci (↵i ) = \i=1 {pi (x) ↵i }

§  Ex.:  ω  uniforme  [0,  1]   Análise  de  Sensibilidade  


p(x) = P(!x1 + x2 7) Petróleo  Brasileiro  S/A  
✓ ◆
7 x2 7 x2
=P ! 1 ↵ ) (1 ↵)x1 + x2 7
x1 x1
7 x2
=1
x1
UNESP,  9  a  13  de  dezembro  de  2013  
Prof.  Fabrício  Oliveira  
Restrições probabilísticas
Propriedades  importantes:  
§  Problemas  com  restrições  probabilística  são  pouco  difundidos  devido  a  
sua  complexidade  computacional.  
§  Não  existem  resultados  gerais  que  garantam  convexidade  do  conjunto  
viável  desse  tipo  de  restrição.  

RP C : C(↵) = {x | p(x) ↵}
RP I : C(↵1 , . . . , ↵m ) = \m m
i=1 Ci (↵i ) = \i=1 {pi (x) ↵i }

§  Ex.:  ω  uniforme  [0,  1]   Análise  de  Sensibilidade  


Petróleo  Brasileiro  S/A  
7 x2
1 ↵ ) (1 ↵)x1 + x2 7
x1
α  =  0,3   α  =  0,7  

Só  é  convexo  para  α  >  0,5!    


UNESP,  9  a  13  de  dezembro  de  2013  
Prof.  Fabrício  Oliveira  
Restrições probabilísticas
Propriedades  importantes:  
§  BOA  NOTÍCIA:  Existem  casos  particulares  para  os  quais  são  garantidos  
resultados  de  convexidade  
§  Caso  1:  Caso  univariado,  matriz  T  determinística  e  h(ω)  =  ω.  Sendo  F  a  a  
função  distribuição  (acumulada)  de  ω,  C(α)  é  fechado  e  convexo  para  α  =[0,1]  
1
p(x) := P{T x !} ↵ ) C(↵) = {x | T x F (↵)}

§  Caso  2:  Caso  multivariado,  matriz  T  deterministica  e  h(ω)  =  ω.  Sendo  F  a  
Análise  de  Sensibilidade  
função  distribuição  (acumulada)  e  f  a  densidade  de  ω,  se:  
1.  log(f)  é  côncava  (Prékopa)  ou   Petróleo  Brasileiro  S/A  
2.  f-­‐1/m  é  convexa  (Borell)  
Então  C(α)  é  fechado  e  convexo  para  α  =[0,1]  
§  Casos  onde  isso  vale:  Normal  multivariada  e  uniforme.  

UNESP,  9  a  13  de  dezembro  de  2013  


Prof.  Fabrício  Oliveira  
Restrições probabilísticas

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

Análise  de  Sensibilidade  


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

UNESP,  9  a  13  de  dezembro  de  2013  


Prof.  Fabrício  Oliveira