Curso 2013 Fabricio 1

Mini-curso:
Introdução à otimização sob incerteza

Aula 1 – Otimização Estocástica
Prof. Fabrício Oliveira
fabricio.oliveira@puc-rio.br
Conteúdo programado!
1.  Exemplo – o problema do fazendeiro

2.  Modelos estocásticos de dois estágios com
recurso
3.  Indicadores “de qualidade”
•  EVPI
•  VSS Análise de Sensibilidade
Petróleo Brasileiro S/A
4.  Tipos de recurso
5.  Modelos multi-‐estágio!
UNESP, 9-‐13 de dezembro de 2013

Introdução – o caso do fazendeiro
Vamos iniciar com um exemplo:
§  O fazendeiro John possui 500ha de terra CANA-‐DE-‐
disponíveis. Ele é especialista em 3 cultivos: TRIGO
ACUCAR
trigo, milho e cana-‐de-‐açucar. Durante o
inverno, o mesmo precisa decidir quanto da terra MILHO
dedicar a cada uma das 3 culturas;
§  Outra restrição importante é que John precisa
produzir pelo menos 200ton. de milho e Trigo Milho Cana-‐de-‐
240ton. de trigo para poder alimentar seu gado. açucar
Caso seja necessário, ele pode comprar estes Rendimento
2.5 3.0 20
produtos em um mercado local. Um eventual médio (ton./ha)
excesso também pode ser comercializado,
porém a preços inferiores aos de compra.
Análise de Sensibilidade
Custo de
produção (R$/ha)
150 230 260
Petróleo Preço
Brasileiro S/A
de venda
§  A cana-‐de-‐açucar é cultivada exclusivamente 170 150 36 ou 10
(R$/ton)
para gerar lucro: toda produção é vendida para
atacadistas à R$36,00/ton. No entanto, o Preço de
238 210 -‐
governo impõe uma cota de produção de compra(R$/ton)
6000ton., de forma que qualquer quantidade Requerimento
200 240 -‐
produzida acima deste valor deve ser vendida mínimo (ton)
por apenas R$10,00/ton.
§  Sejam as seguintes variáveis de decisão:

§  x1 – acres dedicados ao trigo
§  x2 – acres dedicados ao milho
§  x3 – acres dedicados a cana-‐de-‐açúcar
§  w1 – toneladas de trigo vendidas
§  y1 – toneladas de trigo compradas
§  w2 – toneladas de milho vendidas
§  y2 – toneladas de milho compradas
§  w3 – toneladas de cana-‐de-‐açúcar vendidas ao preço mais
favorável
§  w4 – toneladas de cana-‐de-‐açúcar vendidas ao preço menos
favorável
§  O problema que maximiza o lucro do fazendeiro é dado por:
min z =150x1 + 230x2 + 260x3 + 238y1 170w1 +

210y2 150w2 36w3 10w4
s.a:
x1 + x2 + x3  500
2, 5x1 + y1 w1 200
3x2 + y2 w2 Análise
240 de Sensibilidade
w3 + w4  20x3Petróleo Brasileiro S/A
w3  6000
x1 , x2 , x3 , y1 , y2 , w1 , w2 , w3 , w4 0

§  O problema que maximiza o lucro do fazendeiro é dado por:
Lucro com
min z =150x1 + 230x2 + 260x3 + 238y1 170w1 +
trigo
Custos de 210y2 150w2 36w3 10w4
produção Receita com
s.a: cana-‐de-‐açucar
Lucro com
x1 + x2 + x3  500 Limite de terra
milho
2, 5x1 + y1 w1 200
3x2 + y2 w2 Análise
240 de dSe tensibilidade
Req. rigo e milho
w3 + w4  20x3Petróleo Brasileiro S/A

Limites para cana-‐de-‐açucar
w3  6000
x1 , x2 , x3 , y1 , y2 , w1 , w2 , w3 , w4 0

§  Solução ótima:
Distribuição da plantação (ha)
Trigo Total Total Total
Milho Produzido Comprado Vendido
Cana-‐de-‐açucar Trigo 300 -‐ 100
120
Milho 240 -‐
300 80 Cana-‐de-‐açucar 6.000 -‐ 6.000
Lucro total R$118.600

§  Essa solução não é tão didícil Petróleo
de entender:
Brasileiro S/A
§  Lucro da cana (favorável) por acre: 20 x 36 – 260 = R$460
§  Lucro do trigo por acre: 2,5 x 170 – 150 = R$275
§  Lucro do milho por acre: 3 x 150 – 230 = R$220
§  Lucro da cana (desfavorável) por acre: 20 x 10 – 260 = -‐R$60
120
Milho 240 -‐
300 80 Cana-‐de-‐açucar 6.000 -‐ 6.000

§  Estratégia ótima: Petróleo Brasileiro S/A
§  1) Maximizar produção de cana na faixa favorável;
§  2) Atende requisitos mínimos de milho e trigo;
§  3) Planta-‐se trigo com o que sobrar de terra.

120
Milho 240 -‐
300 80 Cana-‐de-‐açucar 6.000 -‐ 6.000

§  Agora, o que aconteceria se, Petróleo
por contas de cSondições
Brasileiro /A climáticas,
os rendimentos por hectare não forem exatamente os valores
históricos médios?

Vamos considerar dois cenários distintos:
§  Cenário 1: condições climáticas favoráveis fazem os rendimentos serem
20% melhores.
Cana-‐de-‐açucar
Trigo 550 -‐ 350
183.33
250 Milho 240 -‐ -‐
Cana-‐de-‐açucar 6000 -‐ 6000
66.67
Lucro 41% maior
§  Note que, neste caso, a estratégia é a mesma, mas a alocação de terra é
completamente diferente, sendo necessárias áreas menores.

Vamos considerar dois cenários distintos:
§  Cenário 2: condições climáticas desfavoráveis fazem os rendimentos
serem 20% piores.
Cana-‐de-‐açucar
Trigo 200 -‐ -‐
100
25 Milho 60 180 -‐
375 Cana-‐de-‐açucar 6000 -‐ 6000
Lucro 50% menor
§  Neste caso, a estratégia ainda é a mesma, sendo necessárias áreas maiores.
§  Aqui a estratégia é abortada no “passo 2” e o milho é complementado com o
mercado

§  Claramente, o fazendeiro se vê nas mãos dos meteorologistas, o
que não é exatamente vantajoso para o fazendeiro!
§  O Fazendeiro precisa de precisão na previsão para antever a produtividade
da terra è variável aleatória
§  Dependendo das condições climáticas, o lucro do fazendeiro pode variar de
R$59.950 a R$167.667, assumindo que ele saberá qual vai ser a
produtividade exata da terra;
§  O dilema do fazendeiro: quanto plantar de cana-‐de-‐açúcar ?

-‐  Se plantar muito, pode acontecer de haver uma superprodução que será
prejudicada pelo preço pouco favorável (prejuízo), além da necessidade
eventual de comprar trigo e milho;
-‐  Se plantar pouco, pode deixar de ganhar com o lucro da cana e ter que se
contentar com o lucro baixo de um eventual excedente de trigo e/ou milho;
§  Obviamente, não existe uma solução que seja perfeita em todos os
casos. Mas será que poderíamos fazer algo que, em geral, seja
satisfatório?
§  Fica clara a necessidade de obtermos uma solução que leve em
conta todos os cenários possíveis simultaneamente
§  conceito de otimização estocástica.
§  Dessa forma, buscaremos por soluções que, em média,
apresentem melhor desempenho
§  Para medir a qualidade da solução face aos possíveis cenários, usa-‐se o
valor esperado;
§  Dado que o fazendeiro pensa no longo-‐prazo, essa é uma premissa
razoável; Análise de Sensibilidade
§  Note que existe uma relação temporal
Petróleo entre
Brasileiro S/A a tomada das
decisões e a realização da incerteza
§  A terra precisa ser distribuída antes de se saber a produtividade
§  Compra e venda só será realizada após colheita (quando será conhecida
a produtividade)
§  Dessa forma, seja s = {1, 2, 3} o
conjunto de cenários. Estágio 1
§  Cenário è possível realização do
fenômeno incerto; Decide
§  Rededinindo as variáveis do plantação
problema tal que:
§  yjs – quantidade de j comprada, caso
s = 2
ocorra cenário s
§  wis – quantidade de i vendida, caso
ocorra cenário s
§  Note que, neste caso a variável x
Análise Decide
de Sensibilidade
Decide Decide
compra S/A compra
Petróleo Brasileiro compra
não precisa ser rededinida e venda e venda e venda
§  A quantidade plantada não pode ser
dependente dos cenários de Estágio 2
produtividade, pois não há como
esperar a ocorrência da incerteza
para se tomar tal decisão;
§  Esta divisão entre momentos de
tomada de decisão é o que se Estágio 1
caracteriza por um estágio
§  No exemplo, temos um problema Decide
de 2 estágios; plantação
§  No caso de haver vários momentos

onde há tomada de decisão,
s = 2
teremos um problema do tipo
multi-‐estágio;
§  O ganho em se considerar o Análise de Sensibilidade
Decide Decide
Decide
compra S/A compra
problema desta forma advém Petróleo Brasileiro compra
justamente da ]lexibilidade de se e venda e venda e venda
postergar parte das decisões do Estágio 2
problema, segundo a realização da
incerteza.

§  Desta forma, a formulação do problema do fazendeiro como um
problema estocástico de 2 estágios é dado por:
min z =150x1 + 230x2 + 260x3 Custo 1o estágio
1
(170w11 238y11 + 150w21 210y21 + 36w31 + 10w41 ) Custo cenário 1
3
1
(170w12 238y12 + 150w22 210y22 + 36w32 + 10w42 )
3 Custo cenário 2
1
(170w13 238y13 + 150w23 210y23 + 36w33 + 10w43 )
3 Custo cenário 3
s.a: x1 + x2 + x3  500
3x1 + y11 w11 200, 3, 6x2 + y21 w21 240
w31 + w41  20x3 , w31  6000
2, 5x1 + y12 w12 200, 3x22 + y22
Análise
w 240
de Sensibilidade Restrições cenário 1
Petróleo
22
Brasileiro S/A
w32 + w42  20x3 , w32  6000 Restrições cenário 2
2x1 + y13 w13 200, 2, 4x23 + y23 w23 240
w33 + w43  20x33 , w33  6000 Restrições cenário 3
x 1 , x2 , x3 0
y11 , y21 , y12 , y22 , y13 , y23 0
w11 , w21 , w31 , w41 , w12 , w22 , w32 , w42 , w13 , w23 , w33 , w43 0
§  A solução para o problema estocástico é dada por:
Total Total Total
Produzido Comprado Vendido
Trigo 510 -‐ 310
Distribuição da plantação (ha) s=1 Milho 288 -‐ 48
Trigo
Milho
Cana-‐de-‐açucar Lucro no cenário: R$167000 (-‐0.42%)
Trigo 425 -‐ 225
170
250 s=2 Milho 240 -‐ -‐
80 Análise de 5000

Sensibilidade
Cana-‐de-‐açucar -‐ 5000
Petróleo Brasileiro
Lucro S n/A
o cenário: R$109350 (-‐7.80%)
Trigo 340 -‐ 140
s=3 Milho 192 48 -‐
Lucro no cenário: R$48820 (-‐18.57%)
Lucro total (esperado) R$108390
Otimização estocástica
§  Algumas observações:

1.  Para consideração da distribuição de probabilidade da
incerteza, usamos uma aproximação discreta
§  Pode-‐se usar a distribuição real de probabilidade, mas o cálculo do
valor esperado rapidamente torna-‐se impossível (mais sobre isso em
alguns slides)
2.  As decisões corretivas, tomadas após a realização da
incerteza são conhecidas como decisões de recurso
§  Do inglês recourse.
3.  A formulação apresentada é conhecida como equivalente
determinístico (ED) ou forma estendida
§  Alguns autores separam e/ou confundem essas noções. Aqui
usaremos para a formulação com a incerteza representada por
cenários previamente dedinidos.
§  Modelo estocástico 2 estágios:

§  Consiste da versão mais “bem comportada” de modelos
estocásticos;
§  Se adequa a uma vasta gama de problemas;
§  Amplamente estudado e possuidor de diversas
propriedades desejáveis.
§  Sejam:
§  x – decisões de primeiro eAnálise
stágio è dd e Sensibilidade
ecisões tomadas antes
da realização da incerteza, de caráter de]initivo
§  y – decisões de segundo estágio è decisões tomadas após
realização da incerteza, de caráter corretivo
§  ξ – vetor aleatório è representa os valores incertos
§  Assim, a formulação geral de problemas estocásticos de 2
estágios com recurso é dada por:
min cT x + E⇠ [Q(x, ⇠)]
s.a Ax = b
x 0
§  Onde:
Q(x, ⇠) = min q(⇠)T y(⇠) | W (⇠)y(⇠) = h(⇠)

T (⇠)x, y 0
§  Neste caso, ξ é o vetor cujo componentes são q, h e T e que
representa os valores que os parâmetros incertos podem
assumir.

§  No caso do fazendeiro, temos que:
Q(x, s) = min 238y1 (s) 170w1 (s) + 210y2 (s) 150w2 (s) 36w3 (s) 10w4 (s)
s.a: t1 (s)x1 + y1 (s) w1 (s) 200
t2 (s)x2 + y2 (s) w2 (s) 240
w3 (s) + w4 (s)  t3 (s)x3
w3 (s)  6000
y1 (s), w1 (s), y2 (s), w2 (s), w3 (s), w4 (s) 0
§  Aqui, ξ = {t1(s), t2(s), t3(s)} , sendo q, W, e h dixos
§  Exercício: identidicar quem são essas matrizes no problema do
fazendeiro!

§  Vamos precisar de um pouco mais de notação:
§  Vamos considerar que ω representa um possível acontecimento, ou seja,
uma realização possível da incerteza;
§  E vamos considerar ξ como sendo o valor (ou vetor de valores) que nosso
parâmentro incerto asume, por conta do acontecimento de ω
§  Assim sendo, temos que, em problema de dois estágios, a seguinte
sequência de acontecimentos norteia a formulação:
Análise
x ! ⇠(!) ! y(!, x) de Sensibilidade
§  Por se tratar de uma variável aPetróleo Brasileiro
leatória, devemos S/A assumir que
conhecemos algumas informações a respeito do comportamento de ξ:
§  Função de distribuição de probabilidade (pdf) e/ou
§  Função de probabilidade acumulada (cdf)

§  E aí, voltando ao nosso problema original, podemos reescrever a
formulação deixando tudo mais “claro”:
T
⇥ T
⇤
min c x + E⇠ q(!) y(!)
s.a Ax = b
T (!)x + W (!)y(!) = h(!), 8! 2 ⌦
x, y(!) 0
§  Porque eu gosto mais dessa Análise de Sensibilidade
formulação:
§  Deixa claro quem é decido antes (independente de ω) e quem é decido
depois (dependente de ω);
§  Evidencia que quanto mais acontecimentos possíveis, maior o problema
(mais sobre isso adiante)
§  Possui um nome: Equivalente Determinístico
§  Uma consideração sobre o valor esperado da função de recurso:
⇥ ⇤
T
min c x + E⇠ q(!) y(!) T
s.a Ax = b
T (!)x + W (!)y(!) = h(!), 8! 2 ⌦
x, y(!) 0
Z 1
⇥ ⇤
§  Note que: E⇠ q(!)T y(!) = q(⇠)T y(⇠)f⇠ (⇠)d⇠
Análise
1 de Sensibilidade
Petróleo
§  Só é possível calcular caso haja Brasileiro
“fórmulas S/A e para distribuições
fechadas”
bem-‐comportadas;
§  Vide B&L, exemplo do Fazendeiro e Jornaleiro no Capítulo 1
§  Pode ser não linear e sofrer de problemas de convexidade.

§  Assim, consideraremos aproximações discretas
⇥ ⇤
T
min c x + E⇠ q(!) y(!) T
s.a Ax = b
T (!)x + W (!)y(!) = h(!), 8! 2 ⌦
x, y(!) 0
S
X
⇥ ⇤
§  Onde: E⇠ q(!)T y(!) = P (⇠ s )q(⇠ s )T y(⇠ s )
s=1
§  Soma dinita, linear e convexa; Petróleo Brasileiro S/A
§  Representa uma aproximação do fenômeno real, tão redinada quanto se
queira, desde que esteja disposto a “pagar” por isso;
§  Cada elemento da representação recebe o nome de cenário

§  Nossa formulação dinal para o ED de um problema de dois
estágios é dada por :
S
X
min cT x + P (⇠ s )q(⇠ s )T y(⇠ s )
s=1
s.a Ax = b
T (⇠ s )x + W (⇠ s )y(⇠ s ) = h(⇠ s ), 8s = 1, . . . , S
s Análise de Sensibilidade
x, y(⇠ ) 0 Petróleo Brasileiro S/A

§  Nossa formulação dinal para o ED de um problema de dois
estágios é dada por :
S
X
min cT x + P (⇠ s )q(⇠ s )T y(⇠ s )
s=1
s.a Ax = b
Primeiro
T (⇠ s )x + W (⇠ s )y(⇠ s ) = h(⇠ s ), 8s = 1, . . . , S
estágio
s Análise de Sensibilidade
x, y(⇠ ) 0 Petróleo Brasileiro S/A Segundo estágio

Exemplo: conceito de estágio
§  Problema de localização:
§  clientes i = 1, …, m
§  locais potenciais para receber facilidade j = 1, …, n
§  receita de atendimento = qij = (ri – vj – tij )di
§  (receita – custo prod. – frete)demanda
i1 j1 i2 i1 j1 i2

j2 j3 j4 Petróleo Brasileiro
j2 S/A j3 j4
i3 j5 i4 i3 j5 i4

i1 j1 i2 i1 j1 i2

j2 j3 j4 Petróleo Brasileiro
j2 S/A j3 j4
i3 j5 i4 i3 j5 i4

n
X m X
X n
i1 j1 i2
max z(x, y) = c j xj + qij yij
x,y
j=1 i=1 j=1
j2 j3 j4 n
X Petróleo Brasileiro S/A
s.a yij  1, i = 1, . . . , m
j=1
i3 j5 i4 0  yij  xj , i = 1, . . . , m, j = 1, . . . , n
xj 2 {0, 1}, j = 1, . . . , n

Custo instalação Lucro líquido

n
X m X
X n
i1 j1 i2
max z(x, y) = c j xj + qij yij
x,y
j=1 i=1 j=1
j2 j3 j4 n
X Decisão instalação Fração atendida
s.a yij  1, i = 1, . . . , m
j=1 Limite demanda
i3 j5 i4 0  yij  xj , i = 1, . . . , m, j = 1, . . . , n
xj 2 {0, 1}, j = 1, . . . , n Limite oferta

2 3
Caso 1: custos e receita n
X m X
X n
max z(x, y) = c j xj + E⇠ 4 qij (!)wij (!)5
incertos (ri , vj e tij x,y
j=1 i=1 j=1
estocásticos) n
X
§  Neste caso temos: s.a yij  1, i = 1, . . . , m
j=1
§  Primeiro estágio:
instalação e alocação 0  yij  xj , i = 1, . . . , m, j = 1, . . . , n
§  Segundo estágio: -‐ (?!) xj 2 {0, 1}, j = 1, . . . , n
§  Por formalidade, vamos wij (!) = yij , i = 1, . . . , m, j = 1, . . . , n, 8!
dedinir wij(ω) = yij para
todo ω como sendo nossa
Onde:
2 Análise de Sensibilidade
3
variável de segundo m
XX n
Petróleo Brasileiro S Xm X
/A
n
E⇠ 4 qij (!)wij (!)5 = E⇠ [qij (!)wij (!)] =
estágio. i=1 j=1 i=1 j=1
m X
X n
E⇠ [qij (!)] yij
i=1 j=1

2 3
Caso 1: custos e receita n
X m X
X n
max z(x, y) = c j xj + E⇠ 4 qij (!)wij (!)5
incertos (ri , vj e tij x,y
j=1 i=1 j=1
estocásticos) n
X
§  Neste caso temos: s.a yij  1, i = 1, . . . , m
j=1
§  Primeiro estágio:
instalação e alocação 0  yij  xj , i = 1, . . . , m, j = 1, . . . , n
§  Segundo estágio: -‐ (?!) xj 2 {0, 1}, j = 1, . . . , n
§  Por formalidade, vamos wij (!) = yij , i = 1, . . . , m, j = 1, . . . , n, 8!
dedinir wij(ω) = yij para
todo ω como sendo nossa
Onde:
3
variável de segundo m
XX n
Petróleo Brasileiro S Xm X
/A
n
E⇠ 4 qij (!)wij (!)5 = E⇠ [qij (!)wij (!)] =
estágio. i=1 j=1 i=1 j=1
m X
X n
E⇠ [qij (!)] yij Ou seja, sem poder para atuar
i=1 j=1 no segundo estágio, dá no mesmo
que otimizar considerando a
média
n
X m X
X n
Caso 2: demanda incerta max z(x, y) = c j xj (vj + tij )yij +
(di estocásticos) x,y
j=1 i=1 j=1
" #
§  Neste caso temos: m
X m
X m
X
E⇠ qi+ wi+ (!) qi wi (!) + ri di (!)
§  Primeiro estágio: i=1 i=1 i=1
instalação e alocação m
X
§  Segundo estágio: -‐ s.a yij  M xj , j = 1, . . . , n
excesso e falta i=1
n
X
§  Nesse caso, vamos wi+ (!) wi (!) = di (!) yij , i = 1, . . . , m
dedinir: j=1
§  wij+(ω) = total em falta; Análise d e S

xj 2 {0, 1}, j = 1, . . . , n
y
ensibilidade
0, i = 1, . . . , m, j = 1, . . . , n
§  wij-‐(ω) = total em excesso; Petróleo
ij
Brasileiro S/A
wi+ (!), wi (!) 0, i = 1, . . . , m

n
X m X
X n
Caso 2: demanda incerta max z(x, y) = c j xj (vj + tij )yij +
(di estocásticos) x,y
j=1 i=1 j=1
" #
§  Neste caso temos: m
X m
X m
X
E⇠ qi+ wi+ (!) qi wi (!) + ri di (!)
§  Primeiro estágio: i=1 i=1 i=1
instalação e alocação m
X
§  Segundo estágio: -‐ s.a yij  M xj , j = 1, . . . , n
excesso e falta i=1
n
X
§  Nesse caso, vamos wi+ (!) wi (!) = di (!) yij , i = 1, . . . , m
dedinir: j=1
§  wij+(ω) = total em falta; Análise d e S

xj 2 {0, 1}, j = 1, . . . , n
y
ensibilidade
0, i = 1, . . . , m, j = 1, . . . , n
§  wij-‐(ω) = total em excesso; Petróleo
ij
Brasileiro S/A
wi+ (!), wi (!) 0, i = 1, . . . , m
Neste caso não há poder de “atuação” propriamente,

mas há variáveis que aplicam ações de recurso
(dependem de ω).

2 3
n
X n
X m X
X n
Caso 3: demanda max z(x, y) = c j xj (gj wj + E⇠ 4 qij (!)yij (!)5
incerta (di estocásticos) x,y j=1 j=1 i=1 j=1
§  Neste caso temos: Xn

s.a yij (!)  1, i = 1, . . . , m
§  Primeiro estágio: j=1
instalação e di (!)yij (!)  wj , j = 1, . . . , n
capacidade alocada
0  yij (!)  xj , i = 1, . . . , m, j = 1, . . . , n
§  Segundo estágio: -‐ xj 2 {0, 1}, wj 0, j = 1, . . . , n
alocação
§  Nesse caso, vamos
dedinir: Análise de Sensibilidade
§  yij (ω) = distribuição;
§  gj = custo de
investimento por
unidade


2 3
n
X n
X m X
X n
Caso 3: demanda max z(x, y) = c j xj (gj wj + E⇠ 4 qij (!)yij (!)5
incerta (di estocásticos) x,y j=1 j=1 i=1 j=1
§  Neste caso temos: Xn

s.a yij (!)  1, i = 1, . . . , m
§  Primeiro estágio: j=1
instalação e di (!)yij (!)  wj , j = 1, . . . , n
capacidade alocada
0  yij (!)  xj , i = 1, . . . , m, j = 1, . . . , n
§  Segundo estágio: -‐ xj 2 {0, 1}, wj 0, j = 1, . . . , n
alocação
§  Nesse caso, vamos
dedinir: Análise de Sensibilidade
§  yij (ω) = distribuição;
Petróleo
XS Brasileiro S/A
§  gj = custo de min cT x + s s T s
P (⇠ )q(⇠ ) y(⇠ ) Fica claro quem é
investimento por s=1 quem?
unidade s.a Ax = b
T (⇠ s )x + W (⇠ s )y(⇠ s ) = h(⇠ s ), 8s = 1, . . . , S
x, y(⇠ s ) 0

Indicadores de qualidade
§  Tradicionalmente, modelos estocásticos possuem a reputação de
serem muito complicados de resolver computacionalmente
§  Alternativas naturais:
§  Resolver problemas determinísticos considerando a média dos
parâmetros incertos;
§  Resolver problemas determinísticos para cada cenário e depois
combinar as soluções heuristicamente.
§  Felizmente, é possível (na mAnálise

aioria dos cd e Sensibilidade
asos) medir de forma
precisa o quanto de otimalidade está
Petróleo sendo
Brasileiro perdida ao se
S/A
desprezar a incerteza (VSS) e o quão longe estamos do perfeito
(EVPI)


§  Expected Value of Perfect Information (EVPI)
§  Mede o valor máximo que o tomador de decisões estaria disposto a pagar
pela informação completa (e precisa) sobre o que acontecerá no futuro.
§  Algumas dedinições que precisaremos:
§  ξ representando os cenários possíveis para o parâmetro incerto;
§  Para toda realização da incerteza, conseguimos uma solução x viável e
portanto possível de ser avaliada
§  Sejam então:
§  Solução espere-‐e-‐veja (wait-‐and-‐see): imagine que você pudesse esperar
Petróleo
pela realização da incerteza antes Brasileiro
de tomar uma Sd/A
ecisão ótima x e obter o
respectivo valor z. Assim, dedinimos WS como sendo:
h i
W S = E⇠ min z(x, ⇠) = E⇠ [z(x(⇠), ⇠)]
x

§  Mede o valor máximo que o tomador de decisões estaria disposto a pagar
pela informação completa (e precisa) sobre o que acontecerá no futuro.
§  Algumas dedinições que precisaremos:
§  ξ representando os cenários possíveis para o parâmetro incerto;
§  Para toda realização da incerteza, conseguimos uma solução x viável e
portanto possível de ser avaliada
§  Sejam então:
§  Solução aqui-‐e-‐agora (here-‐and-‐now): consiste da solução do modelo
Petróleo
estocástico, considerando todos Brasileiro
os cenários S/A
simultaneamente. Chamando
de RP tal valor, temos:
RP = min E⇠ [z(x, ⇠)]

x

§  Finalmente, temos que:
EV P I = |RP W S|
§  Ex.: problema do fazendeiro:

RP = $108.390
$167.700 + $118.600 + $59.900
WS =
= $115.406
EV P I = $7.016 Petróleo Brasileiro S/A
Quanto o fazendeiro está
disposto a pagar pela
previsão do tempo perfeita.

§  Value of Stochastic Solution (VSS)
§  Mede o benedício obtido em se considerar a incerteza para obtenção da
solução, quando comparada ao que você teria feito sem levar em conta a
incerteza;
§  Compara o desempenho da decisão tomada considerando valores médios
e aquela tomada levando em conta a incerteza;
§  Seja então:
§  Valor esperado da solução obtida usando o valor esperado (EEV):
para obter este valor, primeiro resolvemos o problema considerando o
valor médio de ξ.
EV = min z(x, ⇠)
onde: ⇠ = E⇠ [⇠] x
x(⇠) -‐ solução ótima de EV

§  Mede o benedício obtido em se considerar a incerteza para obtenção da
solução, quando comparada ao que você teria feito sem levar em conta a
incerteza;
§  Compara o desempenho da decisão tomada considerando valores médios
e aquela tomada levando em conta a incerteza;
§  Seja então:
§  Valor esperado da solução obtida usando o valor esperado (EEV): e
dinalmente, dixamos essa solução para ser avaliada considerando a
incerteza.
⇥ ⇤
EEV = E⇠ z(x(⇠), ⇠)
Pense no EEV como uma medida de como x(⇠) se sai ao
permitirmos que as decisões de segundo estágio sejam

tomadas como função de x(⇠)
e ξ

§  Finalmente, temos que:
V SS = |EEV RP |
§  Ex.: problema do fazendeiro:

RP = $108.390
EEV = $107.240
V SS = $1.150 Análise de Sensibilidade
Quanto o fazendeiro ganha
por consultar você antes de
realizar a plantação

§  Observações:
§  Alguns limites importantes:
§  EVPI ≥ 0;
§  VSS ≥ 0;
§  WS ≤ RP ≤ EEV (minimização!)
§  Existem diversos estudos que tentam obter indícios que
permitam concluir quando teremos altos ou baixos EVPI e
VSS. A triste notícia é que Análise de Snensibilidade
até atualmente, enhuma evidência
generalizada está disponível. Petróleo Brasileiro S/A
§  Pode ter relação com a proporção da incerteza;

§  São conhecidos outros bounds (vide B&L cap. 4).

Tipos de recurso
§  Modelos de 2 estágios podem ser clasidicados segundo

o “tipo de recurso” que o mesmo apresenta.
§  Relembrando a notação, podemos escrever nosso

problema de 2 estágios como sendo:
T
⇥ ⇤
min c x + E⇠ q⇠T y⇠
s.a Ax = Petróleo
b Brasileiro S/A
T⇠ x + W⇠ y⇠ = h⇠ , 8⇠ 2 ⌅
x 0, y⇠ 0, 8⇠ 2 ⌅

Tipos de recurso
§  Modelos de 2 estágios podem ser clasidicados segundo

o “tipo de recurso” que o mesmo apresenta.
§  Relembrando a notação, podemos escrever nosso

problema de 2 estágios como sendo:
T
⇥ ⇤
min c x + E⇠ q⇠T y⇠
Primeiro estágio Análise
s.a Ax = b
de Sensibilidade
Segundo estágio
T⇠ x + W⇠ y⇠ = h⇠ , 8⇠ 2 ⌅
x 0, y⇠ 0, 8⇠ 2 ⌅

Tipos de recurso
§  A questão por trás de classidicar o recurso é basicamente
referente a viabilidade do problema de segundo estágio.
§  Vamos considerar nosso problema subdividido em duas parte:
min cT x + E⇠ [Q(x, ⇠)]

s.a Ax = b
x 0
onde: Análise de Sensibilidade
Q(x, ⇠) = min q⇠T y⇠ | W⇠ y⇠ = h⇠ T⇠ x, x 0, y⇠ 0. 8⇠ 2 ⌅

Tipos de recurso
§  Recurso Simples:

§  Dizemos que o problema possui recurso simples quando
temos a matriz W como sendo uma matriz identidade.
§  O que signidica isso? Que podemos reescrever o problema de
segundo estágio como sendo:
+T + T
Q(x, ⇠) = min q⇠ y⇠ + q⇠ y⇠
s.a: Iy⇠+ Análise
Iy ⇠ = h⇠
de
T⇠S x,ensibilidade
8⇠ 2 ⌅
x 0
y⇠+ , y⇠ 0, 8⇠ 2 ⌅

Tipos de recurso

§  Neste caso, para qualquer vetor hξ – Tξx (i.e., para qualquer
solução x), uma solução viável está prontamente disponível
e vale:
§  hξ – Tξx , se hξ > Tξx
§  Tξx – hξ , se hξ < Tξx
§  Note que as variáveis y representam uma formalidade
somente (forma canônica) Análise de Sensibilidade
Q(x, ⇠) = min qPetróleo
+T + Brasileiro
⇠ y ⇠ + q T
⇠ y⇠
S/A
s.a: Iy⇠+ Iy⇠ = h⇠ T⇠ x, 8⇠ 2 ⌅

x 0
y⇠+ , y⇠ 0, 8⇠ 2 ⌅
Tipos de recurso

§  Exemplo clássico: problema do jornaleiro (vide B&L, cap 1 -‐
”News vendor problem”)
§  Todos os dias o jornaleiro compra x ≤ u jornais por c
§  Vende durante o dia ξ (demanda, que é estocástica) a q > c
§  Revende, ao dim do dia, os “encalhados” por r < c
min cT x + E⇠ [Q(x, ⇠)]
s.a 0  x  u Análise de Sensibilidade
Q(x, ⇠) = min qy⇠ rw⇠
s.a: y⇠  ⇠
y⇠ + w ⇠  x
y⇠ , w ⇠ 0
Tipos de recurso

§  Exemplo clássico: problema do jornaleiro (vide B&L, cap 1 -‐
”News vendor problem”)
§  Todos os dias o jornaleiro compra x ≤ u jornais por c
§  Vende durante o dia ξ (demanda, que é estocástica) a q > c
§  Revende, ao dim do dia, os “encalhados” por r < c
min cT x + E⇠ [Q(x, ⇠)] y⇠⇤ = min{⇠, x}
s.a 0  x  u Análise de
w S=ensibilidade
max{x ⇠, 0} ⇤
⇠
Q(x, ⇠) = min qy⇠ rw⇠
Esse tipo de recurso
s.a: y⇠  ⇠ permite que soluções
y⇠ + w ⇠  x triviais sejam obtidas
no que se refere ao
y⇠ , w ⇠ 0 problema de recurso!
Tipos de recurso
§  Recurso Fixo

§  Basicamente signidica que a matriz de recurso (nome
popular de W) não é afetada pela incerteza.
§  Neste caso, temos que:
Q(x, ⇠) = min q⇠T y⇠

s.a: W y⇠ = h⇠ T⇠ x, 8⇠ 2 ⌅
x
Análise
0, y
de
0, 8⇠ 2 ⌅
Sensibilidade
⇠ Brasileiro S/A
Petróleo
§  Possuir recurso dixo garante algumas propriedades úteis,

principalmente em termos numérico.
§  A principal: Q(x, ξ) convexo e linear por partes quando Ξ é dinito
Tipos de recurso
§  Recurso Completo

§  Estamos agora preocupados com a questão da viabilidade de Q(x, ξ).
Podemos sempre assumir que Q(x, ξ) é viável?
§  Seja o conjunto Y(χ, ω), tal que:
Y ( , !) = {y | W (!)y }
Dizemos que Y(χ, ω) possui recurso completo se o mesmo é não-‐vazio
para todo e qualquer valor de χ.
§  Fazendo χ = h(ω) – T(ω)x, dicamos com:
Y (h(!) T (!)x, !) = {y | W (!)y h(!) T (!)x}
Que basicamente expressa a condição de viabilidade do segundo estágio,
a qual deve valer para todo h(ω) – T(ω)x, o que, indiretamente, é o
mesmo que valer para todo x.
Tipos de recurso

§  Já o conceito de recurso relativamente completo é um pouco
menos extenuante.
§  Exigir recurso completo pode ser infactível em termos práticos.
§  Nesse contexto, vamos dedinir χ da seguinte forma:
= {h(!) T (!)x | (!, x) 2 ⌦ ⇥ X}

onde Ω representa o conjunto de todas as possíveis realizações e X
representa o conjunto de viabilidade drasileiro
Petróleo B o primeiro
S/A estágio.
§  Repare que a sutileza estar em não ser mais viável para toda e
qualquer coisa que aconteça com X, mas ser sempre viável, dado
um X viável.

Tipos de recurso

§  Algumas observações:
§  B&L (Cap. 3) usa uma notação bem particular (e bastante difundida)
para representar viabilidade, a qual ajuda bastante na prova de
propriedades importantes.
K1 = {x | Ax = b, x 0} min cT x + E⇠ [Q(x, ⇠)]
K2 = {x | E⇠ [Q(x, ⇠)] < 1} s.a: x 2 K1 \ K2
K2 (⇠) = {x | Q(x, ⇠) < 1}
Análise
\ de Sensibilidade
K2P = {x | Q(x, ⇠) < 1 8⇠ 2 ⌅} =Brasileiro
Petróleo K2 (⇠) S/A
⇠2⌅
§  Algumas propriedades importantes:
§  Se K2(ξ) é um poliédro convexo e fechado è K2P fechado e convexo
§  Se Ξ é dinito è K2P = K2
§  Recurso dixo è K2 = K2P e K2 fechado e convexo
Problemas multi-estágio
§  Em alguns casos, a tomada de decisão segue um dluxo sequencial dinâmico.
§  Especialmente em problemas que levam em conta horizontes de tempo;
§  Pode ser importante revisar ou postergar decisões para momentos posteriores,
quando mais da incerteza estiver disponível.
§  Pode não fazer sentido tomar toda a decisão em um único ponto do tempo,
enquanto espera-‐se que todas as ações de recurso dêem conta de toda
incerteza;
Estágio 1 Estágio 2

Decide 2

Decide 2
Decide 1
Decide 2
Decide 2
Fluxo temporal

§  Em alguns casos, a tomada de decisão segue um dluxo sequencial dinâmico.
§  Especialmente em problemas que levam em conta horizontes de tempo;
§  Pode ser importante revisar ou postergar decisões para momentos posteriores,
quando mais da incerteza estiver disponível.
§  Pode não fazer sentido tomar toda a decisão em um único ponto do tempo,
enquanto espera-‐se que todas as ações de recurso dêem conta de toda
incerteza;
Estágio 1 Estágio 2 Estágio 3

Decide 2
Decide 3

Decide 3
Decide 1
Decide 3
Decide 2
Decide 3
Fluxo temporal

Problemas multi-estágio!
Estágio e recurso!
§  Dependendo da natureza do Estágio 1 Estágio 2 Estágio 3
problema, o problema pode
possuir somente 2-estágios ou ser Decide 3
multi-estágio! s=2
Decide 2 Decide 3
1.  Tipicamente problemas
multi-estágio são mais Decide 3
difíceis em termos
Decide 3
computacionais;!
s=2 s=2
2.  Em muitos casos opta-se por
Decide 1 Decide 2 Decide 3
aproximar tais problemas
Decide 3
por problemas 2-estágios;! Petróleo Brasileiro S/A
3.  Em alguns casos isso não é Decide 3
possível, dada a s=2
Decide 2 Decide 3
“preciosidade” da
informação adicional obtida Decide 3
em estágios posteriores.!

§  A formulação genérica para um problema multi-‐estágio

é dada por:
⇥ ⇤
min cT1 x1 + E⇠2 c2 (!)x2 (!2 ) + . . . E⇠H [cH (!)xH (!H )]
s.a: W1 x1 = h1
T1 (!)x1 + W2 x2 (!2 ) = h2 (!)
..
.
TH 1 (!)xH 1 (!H 1 ) + WH xH (!H ) = hH (!)
x1 0, xt (!t )
0, t = 2, . . . , H

§  Observações:
§  H é o total de estágios;
§  Note o tipo de recurso. Não é requisito mas é o mais utilizado.


é dada por:
⇥ ⇤
s.a: W1 x1 = h1
T1 (!)x1 + W2 x2 (!2 ) = h2 (!) Note o efeito
aninhado das
..
. esperanças…
TH 1 (!)xH 1 (!H 1 ) + WH xH (!H ) = hH (!)
x1 0, xt (!t )
0, t = 2, . . . , H


é dada por:
⇥ ⇤
s.a: W1 x1 = h1
A dependência em ω serve
H
T1 (!)x1 + W2 x2 (!2 ) = h2 (!) para destacar o
.. condicionamento da decisão a
. que aconteceu
TH 1 (!)xH 1 (!H 1 ) + WH xH (!H ) = hH (!)

x1 0, xt (!t )
0, t = 2, . . . , H
A dependência em ω serve
para destacar a incerteza no
parâmetro

§  No exemplo de 3 estágios apresentado, teriamos:
2 0 13
X X
min c1 x1 + P (⇠2s ) 4c2 (⇠2s )x2 (⇠2s ) +@ P (⇠3s )c3 (⇠3s )x3(⇠3s | ⇠2s )A5
⇠2s 2S ⇠3s 2S
s.a:Ax  b
T (⇠2s )x1 + W (⇠2s )x2 (⇠2s ) = h(⇠2s ), 8⇠2s x3(ξ31|ξ21)
ξ32
T (⇠3s | ⇠2s )x2 (⇠2s ) + W (⇠3s | ⇠2s )x3 (⇠3s | ⇠22 ) = x2(ξ21) x3(ξ32|ξ21)

x3(ξ33|ξ21)
h(⇠3s | ⇠2s ), 8⇠2s , 8⇠3s
x3(ξ31|ξ22)
x1 0 Petróleo Brasileiro
ξS/A 2
2 ξ32
x1 x2(ξ 2 )
2 x3(ξ32|ξ22)
x(⇠2s ) 0, 8⇠2s
x3(ξ33|ξ22)
x(⇠3s | ⇠2s ), 8⇠2s , 8⇠3s x3(ξ31|ξ23)
ξ32
x2(ξ23) x3(ξ32|ξ23)
cenário
⇠estágio x3(ξ33|ξ23)

§  Por muito tempo (inclusive atualmente) os métodos que envolvem a solução
de problemas desse tipo se baseiam na seguinte propriedade:
§  Note que o único elemento conectando os estágios é a realização de xt(ωt)
§  Dessa forma, podemos escrever um equivalente determinístico utilizando
programação dinâmica (vide Introduction to Dynamic Programming,
Nemhauser (66))
§  Último estágio (H):
QH (xH 1 , ⇠H (!)) = min cH (!)xH (!)

s.a: WH xH (!) = hH (!) TH 1 (!)xH 1
xH (!) 0
Decide H
..
.
Decide
H-‐1
Decide H
Decide H
ω

Nemhauser (66))
§  Estágio t = 2, …, H-‐1:
..
Decide t .
Qt+1 (xt ) = E⇠t+1 [Qt+1 (xt , ⇠t+1 (!)))]

..
.
Decide
t-‐1 ..
Petróleo Brasileiro S/A Decide t .
..
Qt (xt 1 , ⇠t (!)) = min ct (!)xt (!) + Qt+1 (xt ) ω
Decide t .
s.a: Wt xt (!) = ht (!) Tt 1 (!)xt 1

xt (!) 0

Nemhauser (66))
§  Estágio 1:
min c1 x1 + Q(x1 )

s.a: W1 x1 = h1
x1 0
..
Decide 1
.
ω

§  Exemplo: problema de localização:

§  Considere a seguinte situação: assumindo incerteza na
demanda e qij = (ri – vj – tij )di , queremos que a decisão de
localização (x1) seja realizada agora, porém passível de
revisão em 12 meses (x2).
§  Deseja-‐se planejar a operação e localização da cadeia,
considerando um horizonte de 36 meses.
Estágio 1 Estágio 2 Petróleo Brasileiro
Estágio S/A
3
x1 x2 (! 2 ) Fluxo temporal
t=0 (hoje) y 2 (! 2 ) t=12 y 3 (! 3 ) t=36


§  Considere a seguinte situação: assumindo incerteza na
demanda e qij = (ri – vj – tij )di , queremos que a decisão de
localização (x1) seja realizada agora, porém passível de
revisão em 12 meses (x2).
§  Deseja-‐se planejar a operação e localização da cadeia,
considerando um horizonte de 36 meses.
§  Análise de Sensibilidade
x1 – decisão de instalação no estágio 1
§  x2(ω2) – decisão de instalação no estágio
Petróleo 2 S/A
Brasileiro
§  y2(ω2) – decisão de alocação de dluxo no estágio 2
§  y3(ω3) – decisão de alocação de dluxo no estágio 3

§  Considere a seguinte situação: assumindo incerteza na demanda e qij = (ri
– vj – tij )di , queremos que a decisão de localização (x1) seja realizada
agora, porém passível de revisão em 12 meses (x2).
§  Deseja-‐se planejar a operação e localização da cadeia, considerando um
horizonte de 36 meses. 2
2 33
n
X m X
X n n
X m X
X n
max z(x, y) = c j xj + E⇠ 2 4 2
qij (! 2 )yij
2
(! 2 ) c2j (! 2 )x2j (! 2 ) + E⇠3 |⇠2 4 3
qij (! 3 )yij
3
(! 3 )55
x,y
j=1 i=1 j=1 j=1 i=1 j=1
n
X

2
s.a yij (! 2 )  1, i = 1, . . . , m
j=1

2 2
di (! )yij (! 2 )
 M x1j , j
= 1, . . . , n
Xn
3
yij (! 3 )  1, i = 1, . . . , m
j=1
di (! 3 )yij
3
(! 3 )  M (x2j (! 2 ) + x1j ), j = 1, . . . , n
x1j + x2j (! 2 )  1, j = 1, . . . , n
xj 2 {0, 1}, wj 0, j = 1, . . . , n
t
0  yij (! t )  1, t = 1, 2, i = 1, . . . , m, j = 1, . . . , n

q21d21
§  Exemplo: problema de localização: q22d21
§  Vamos considerar o equivalente q21d22
determinístico desse problema q11d11 q22d22
discretizando ω da seguinte forma: q21d21
§  Duas realizações para q(ω) por q12d11

q22d21
estágio: q11, q12, q21, q22; q21d22
q22d22
§  Duas realizações para d(ω) por
estágio: d11, d12, d21, d22; q11d12 q21d21
§  Todos equiprováveis. Análise de Sensibilidade q22d21
q21d22
§  Note que, neste caso, o total Petróleo
de Brasileiro S/A q12d12
q22d22
cenários são 16: q21d21
§  Cada trajetória representa um cenário; q22d21
§  O crescimento da árvore de cenários é q21d22
exponencial! q22d22

§  Exemplo: problema

2
de l ocalização: 2 33
n
X 4
X m X
X n n
X 4
X m X
X n
14 2 2 14 3 55
max z(x, y) = c j xj + qijs2 yijs2 c2js2 x2js2 + 3
qijs3 yijs3
x,y
j=1
4 i=1 j=1 j=1
4 i=1 j=1
s2 =1 s3 =1
n
X
2 2
s.a yijs2  1, i = 1, . . . , m, s = 1, . . . , 4
j=1
2 1 2
dis2 yijs2  M xj , j = 1, . . . , n, s = 1, . . . , 4
n
X
3 3
yijs3  1, i = 1, . . . , m, s = 1, . . . , 4
j=1
3
dis3 yijs 2 1 2
3
3  M (xjs2 + xj ), j = 1, . . . , n, s = 1, . . . , 4, s = 1, . . . , 4
x1j + x2js2 2
 1, j = 1, . . . , n, s = 1, . . . , 4
xj 2 {0, 1}, wj 0, j = 1, . . . , n
x2js2 2 {0, 1}, j = 1, . . . , n, s2 = 1, . . . , 4
0  yijst  1, t = 1, 2, i = 1, . . . , m, j = 1, . . . , n, st = 1, . . . , 4

Take aways
§  Mais estágios implicam em uma aderência
maior ao processo decisório…
§  Representa a tomada de decisão levando em
conta que parte das decisões podem ser
tomadas baseadas em mais informação
§  … porém também implicam em mais x3(ξ31|ξ21)
“trabalho” x2(ξ21)
ξ32
x3(ξ32|ξ21)
§  Modelos de maior porte, que rapidamente

x3(ξ33|ξ21)
se tornam intratáveis dado o número de x3(ξ31|ξ22)
cenários; Petróleo Brasileiro
x1
ξS/A
2
2
x2(ξ
ξ32
x3(ξ32|ξ22)
2 )
2
§  A geração de cenários requer mais x3(ξ33|ξ22)

so]isticação para representar
x3(ξ31|ξ23)
adequadamente o problema ξ32
x2(ξ23) x3(ξ32|ξ23)
§  Métodos de decomposição se fazem cenário
⇠estágio x3(ξ33|ξ23)
necessários, porém precisam ser adaptados.

Curso 2013 Fabricio 1

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Curso 2013 Fabricio 1

Enviado por

Direitos autorais:

Formatos disponíveis

Mini-curso:

Introdução à otimização sob incerteza

1. Exemplo – o problema do fazendeiro

UNESP, 9-­‐13 de dezembro de 2013

§ Sejam as seguintes variáveis de decisão:

min z =150x1 + 230x2 + 260x3 + 238y1 170w1 +

UNESP, 9-­‐13 de dezembro de 2013

w3 + w4  20x3Petróleo Brasileiro S/A

UNESP, 9-­‐13 de dezembro de 2013

Lucro total R$118.600

Lucro total R$118.600

UNESP, 9-­‐13 de dezembro de 2013

Lucro total R$118.600

UNESP, 9-­‐13 de dezembro de 2013

UNESP, 9-­‐13 de dezembro de 2013

UNESP, 9-­‐13 de dezembro de 2013

§ O dilema do fazendeiro: quanto plantar de cana-­‐de-­‐açúcar ?

Análise de Sensibilidade

§ No caso de haver vários momentos

UNESP, 9-­‐13 de dezembro de 2013

80 Análise de 5000

§ Algumas observações:

§ Modelo estocástico 2 estágios:

Q(x, ⇠) = min q(⇠)T y(⇠) | W (⇠)y(⇠) = h(⇠)

UNESP, 9-­‐13 de dezembro de 2013

UNESP, 9-­‐13 de dezembro de 2013

UNESP, 9-­‐13 de dezembro de 2013

UNESP, 9-­‐13 de dezembro de 2013

UNESP, 9-­‐13 de dezembro de 2013

UNESP, 9-­‐13 de dezembro de 2013

UNESP, 9-­‐13 de dezembro de 2013

Análise de Sensibilidade

UNESP, 9-­‐13 de dezembro de 2013

Análise de Sensibilidade

UNESP, 9-­‐13 de dezembro de 2013

UNESP, 9-­‐13 de dezembro de 2013

Custo instalação Lucro líquido

UNESP, 9-­‐13 de dezembro de 2013

UNESP, 9-­‐13 de dezembro de 2013

§ wij+(ω) = total em falta; Análise d e S

UNESP, 9-­‐13 de dezembro de 2013

§ wij+(ω) = total em falta; Análise d e S

Neste caso não há poder de “atuação” propriamente,

UNESP, 9-­‐13 de dezembro de 2013

§ Neste caso temos: Xn

UNESP, 9-­‐13 de dezembro de 2013

§ Neste caso temos: Xn

UNESP, 9-­‐13 de dezembro de 2013

§ Felizmente, é possível (na mAnálise

UNESP, 9-­‐13 de dezembro de 2013

UNESP, 9-­‐13 de dezembro de 2013

RP = min E⇠ [z(x, ⇠)]

UNESP, 9-­‐13 de dezembro de 2013

§ Ex.: problema do fazendeiro:

UNESP, 9-­‐13 de dezembro de 2013

x(⇠) -­‐ solução ótima de EV

UNESP, 9-­‐13 de dezembro de 2013

UNESP, 9-­‐13 de dezembro de 2013

§ Ex.: problema do fazendeiro:

UNESP, 9-­‐13 de dezembro de 2013

§ Pode ter relação com a proporção da incerteza;

§ Modelos de 2 estágios podem ser clasidicados segundo

§ Relembrando a notação, podemos escrever nosso

UNESP, 9-­‐13 de dezembro de 2013

1.  Exemplo – o problema do fazendeiro

UNESP, 9-‐13 de dezembro de 2013

§  Sejam as seguintes variáveis de decisão:

UNESP, 9-‐13 de dezembro de 2013

UNESP, 9-‐13 de dezembro de 2013

UNESP, 9-‐13 de dezembro de 2013

UNESP, 9-‐13 de dezembro de 2013

UNESP, 9-‐13 de dezembro de 2013

UNESP, 9-‐13 de dezembro de 2013

§  O dilema do fazendeiro: quanto plantar de cana-‐de-‐açúcar ?

§  No caso de haver vários momentos

UNESP, 9-‐13 de dezembro de 2013

§  Algumas observações:

§  Modelo estocástico 2 estágios:

UNESP, 9-‐13 de dezembro de 2013

UNESP, 9-‐13 de dezembro de 2013

UNESP, 9-‐13 de dezembro de 2013

UNESP, 9-‐13 de dezembro de 2013

UNESP, 9-‐13 de dezembro de 2013

UNESP, 9-‐13 de dezembro de 2013

UNESP, 9-‐13 de dezembro de 2013

UNESP, 9-‐13 de dezembro de 2013

UNESP, 9-‐13 de dezembro de 2013

UNESP, 9-‐13 de dezembro de 2013

UNESP, 9-‐13 de dezembro de 2013

UNESP, 9-‐13 de dezembro de 2013

§  wij+(ω) = total em falta; Análise d e S

UNESP, 9-‐13 de dezembro de 2013

§  wij+(ω) = total em falta; Análise d e S

UNESP, 9-‐13 de dezembro de 2013

§  Neste caso temos: Xn

UNESP, 9-‐13 de dezembro de 2013

§  Neste caso temos: Xn

UNESP, 9-‐13 de dezembro de 2013

§  Felizmente, é possível (na mAnálise

UNESP, 9-‐13 de dezembro de 2013

UNESP, 9-‐13 de dezembro de 2013

UNESP, 9-‐13 de dezembro de 2013

§  Ex.: problema do fazendeiro:

UNESP, 9-‐13 de dezembro de 2013

x(⇠) -‐ solução ótima de EV

UNESP, 9-‐13 de dezembro de 2013

UNESP, 9-‐13 de dezembro de 2013

§  Ex.: problema do fazendeiro:

UNESP, 9-‐13 de dezembro de 2013

§  Pode ter relação com a proporção da incerteza;

§  Modelos de 2 estágios podem ser clasidicados segundo

§  Relembrando a notação, podemos escrever nosso

UNESP, 9-‐13 de dezembro de 2013

§  Modelos de 2 estágios podem ser clasidicados segundo

§  Relembrando a notação, podemos escrever nosso

UNESP, 9-‐13 de dezembro de 2013

UNESP, 9-‐13 de dezembro de 2013

§  Recurso Simples:

UNESP, 9-‐13 de dezembro de 2013

§  Recurso Simples:

§  Recurso Simples:

§  Recurso Simples:

§  Recurso Fixo

§  Possuir recurso dixo garante algumas propriedades úteis,

§  Recurso Completo

§  Recurso Completo

UNESP, 9-‐13 de dezembro de 2013

§  Recurso Completo

UNESP, 9-‐13 de dezembro de 2013

UNESP, 9-‐13 de dezembro de 2013

UNESP, 9-‐13 de dezembro de 2013

§  A formulação genérica para um problema multi-‐estágio

UNESP, 9-‐13 de dezembro de 2013

§  A formulação genérica para um problema multi-‐estágio

UNESP, 9-‐13 de dezembro de 2013

§  A formulação genérica para um problema multi-‐estágio

UNESP, 9-‐13 de dezembro de 2013

UNESP, 9-‐13 de dezembro de 2013

UNESP, 9-‐13 de dezembro de 2013

UNESP, 9-‐13 de dezembro de 2013

UNESP, 9-‐13 de dezembro de 2013

§  Exemplo: problema de localização:

UNESP, 9-‐13 de dezembro de 2013

§  Exemplo: problema de localização: