Escolar Documentos
Profissional Documentos
Cultura Documentos
1. Introdução
2. Medindo
a
qualidade
de
árvores
de
cenários
3. Métodos
de
geração
de
cenários
4. Aproximação
por
média
amostral
(SAA)!
h h(!)
UNESP,
9-‐13
de
dezembro
de
2013
Prof.
Fabrício
Oliveira
Geração de cenários!
Árvores
de
cenários:
terminologia
básica
Decisão
0 1 2 T
t
UNESP,
9-‐13
de
dezembro
de
2013
Prof.
Fabrício
Oliveira
Geração de cenários!
Árvores
de
cenários:
terminologia
básica
Estados
Decisão
0 1 2 T
t
UNESP,
9-‐13
de
dezembro
de
2013
Prof.
Fabrício
Oliveira
Geração de cenários!
Árvores
de
cenários:
terminologia
básica
Cenários para os
elementos incertos
Estados
Decisão
0 1 2 T
t
UNESP,
9-‐13
de
dezembro
de
2013
Prof.
Fabrício
Oliveira
Geração de cenários!
Árvores
de
cenários:
terminologia
básica
Cenários para os
elementos incertos
Estados
Decisão
estágios
0 1 2 T
t
UNESP,
9-‐13
de
dezembro
de
2013
Prof.
Fabrício
Oliveira
Representação da incerteza
Árvore
de
cenários
§ O
que
signiYica
possuir
ramiYicações
na
árvore?
Petróleo
árvores
de
cenário
ξk,
k
=
1,…,
n,
cada
Bos
uma
n rasileiro
S/A
levando
as
soluções
x⇤k = arg min F (x, ⇠k )
x2X
UNESP,
9-‐13
de
dezembro
de
2013
Prof.
Fabrício
Oliveira
Geração de cenários
Avaliando
estabilidade:
§ Assuma
que
nós
possuímos
um
simulador
para
avaliar
F (x⇤ k , ⌘)
Isso
permite:
§ comparar
duas
soluções
x1*
e
x2*
§ comparar
dois
métodos
de
geração
de
cenários
distintos
§ testar
estabilidade
out-‐of-‐sample
(“por
fora
da
amostra”):
1. Gera-‐se
um
conjunto
de
árvores
ξk,
k
=
1,
…,
n
2. Resolve-‐se
os
problemas
usando
as
árvores
è
soluções
xk*
Análise
de
Sensibilidade
3. Testa-‐se
as
soluções
buscando
observar
se:
Petróleo
Brasileiro
S/A
F (x⇤k , ⌘) ⇠ = F (x⇤l , ⌘)
sampling…)
§ Pros:
Implementação
fácil;
convergência
em
direção
a
Análise
de
Sensibilidade
1 2
... ...
n 1 n 1 2 n 1 n
Petróleo
Brasileiro
S/A
distribuição;
... m=M
Moment
matching
§ Ideia
principal:
construir
uma
árvore
de
cenários
de
forma
que
a
mesma
possua
um
determinado
conjunto
de
propriedades
§ Mais
comumente,
tais
propriedades
são
os
momentos
das
distribuições
marginais
e
covariância/correlação
§ Tipicamente,
as
propriedades
não
especiYicam
as
distribuições
completamente,
mas
isso
não
é
um
problema
para
o
método.
§ Atualmente
possui
duas
versões:
Análise
de
Sensibilidade
Petróleo
B(rasileiro
§ Através
de
um
modelo
de
otimizacão
Høyland
S/A
&
Wallace
(2001))
§ Através
de
uma
heurística
(Høyland
et.
al
(2003))
Moment
matching
§
(Hoyland
et.
al
(2003))
§ Consiste
de
uma
aproximação
eYiciente
do
problema
anterior
para
o
caso
de
4
momentos
marginais
+
correlações
§ Construído
baseado
em
dois
passos
básicos
que
são
repetidos
alternativamente:
correção
de
correlação
e
correção
das
distribuições
marginais.
§ Funciona
bem
para
árvores
grandes
Análise
d e
S ensibilidade
§ Precisa
de
probabilidades
iniciais
e
valores
iniciais
Petróleo
Brasileiro
S/A
§ O
outro
método
também,
mas
de
forma
indireta..
§ PYlug (2001) mostrou que, sob determinadas condições Lipschitz, temos:
onde
g
é
a
função
de
densidade
de
ξ.
Note
que
nosso
problema
tradicional
de
dois
estágios
é
um
caso
particular
dele.
Basta
fazermos:
f (x) = cT x + Q(x)
X = {x | Ax = b} Q(x) = E⌦ [Q(x, ⇠)]
Q(x, ⇠) = min q(⇠)T y(⇠) | W (⇠)y(⇠) = h(⇠) Análise
de
ST ensibilidade
(⇠)x
y Petróleo
Brasileiro
S/A
§ Vamos
assumir
que
nesse
caso
a
integral
representa
o
nosso
maior
problema
§ Poderia
ser
um
valor
esperado
discreto,
mas
com
muitas
componentes
em
ξ
também.
UNESP,
9-‐13
de
dezembro
de
2013
Prof.
Fabrício
Oliveira
Aproximação por média amostral
Propriedades
fundamentais
§ O
segredo
do
funcionamento
do
SAA
se
respalda
em
duas
propriedades
fundamentais:
§ Propriedade
2:
v̂
N
é
limite
inferior
para
v*
Prova(2/2):
Que,
por
sua
vez
é
o
mesmo
que:
2 3
1 X
E⌦ [v̂N ] E⌦ 4 F (x, ⇠ n )5
N
n=1,...,N
Que
é
o
mesmo
que
dizer
que:
8
<
2 Análise
X
de
3S9ensibilidade
=
1
E⌦ [v̂N ] min E⌦ 4 Petróleo
Brasileiro
F (x, ⇠ n )S5/A
= v ?
: N ;
n=1,...,N
Ou
seja,
podemos
garantir
que,
ao
calcularmos
o
valor
esperado
da
funções
objetivo
dos
problemas
amostrais,
teremos
um
limite
inferior
para
o
problema
original
UNESP,
9-‐13
de
dezembro
de
2013
Prof.
Fabrício
Oliveira
Aproximação por média amostral
Aproximação
para
o
limite
inferior
§ Dadas
as
duas
propriedades
apresentadas
anteriormente,
podemos
então
deYinir
um
procedimento
para
calcular
uma
estimativa
para
v̂
N
.
1. Sorteiam-‐se
M
amostras
{ξ11,
ξ21,
...,
ξN1},
{ξ,2,
ξ22,
...,
ξN2},
...,
{ξ1M,
ξ2M,
...,
ξNM}
2. Para
cada
amostra
m
de
8
N
cenários,
resolva:
9
<1 X =
m
v̂N = min F (x, ⇠ nm )
x2X : N ;
n=1,...,N
X
Análise
de
Sensibilidade
3. Assim,
podemos
obter
uma
estimativa
LNM
para
v̂
N
calculando
1
Petróleo
Brasileiro
m S/A
LN M = v̂N
M
m=1,...,M
§ Podemos
usar
as
mesmas
ideias
que
usamos
para
provar
a
Propriedade
1
para
mostrar
que
LNM
é
um
estimador
não-‐enviesado
para
E⌦ [v̂N ]
UNESP,
9-‐13
de
dezembro
de
2013
Prof.
Fabrício
Oliveira
Aproximação por média amostral
Aproximação
para
o
limite
inferior
§ Podemos
utilizar
o
Teorema
do
Limite
Central
para
construir
um
intervalo
de
conYiança
para
LNM.
Assim,
sabemos
que:
p 2
M [LN M E⌦ [v̂N ]] ! N (0, L)
2 m
onde
L
é
a
variância
de
v̂
N
,
m
=
1,
.
.
.
,
M
e
a
seta
indica
convergência
com
2
respeito
a
distribuição
normal
com
média
0
de
variância
L
.
2
§ Para
aproximar
L
,
podemos
usar
o
estimador
amostral
dado
por:
s2L =
1 Análise
X
m de
Sensibilidade
(v̂N LN M ) 2
M 1 Petróleo
Brasileiro
S/A
m=1,...,M
§ Finalmente,
dado
um
nível
de
conYiança
α
(e,
por
consequência
zα,tal
que
P
(z
z
↵
)
=
1
↵
)
podemos
deYinir
o
intervalo
de
conYiança
como
sendo:
z↵ s L z s
LN M p , LN M + p↵ L
M M
UNESP,
9-‐13
de
dezembro
de
2013
Prof.
Fabrício
Oliveira
Aproximação por média amostral
Aproximação
para
o
limite
superior
§ Observe
que,
toda
vez
que
resolvemos
um
dos
problemas
v̂
m
,
a
solução
N
N
obtida
x̂
m
pode
ser
imediatamente
usada
para
obter-‐se
uma
estimativa
para
o
valor
de
um
limite
superior
para
o
problema.
§ Para
tal,
basta
notar
que:
f (x̂) v ? , 8x̂ 2 X
§ Dessa
forma,
podemos
usar
alguma
solução
“quase-‐ótima”
x̂
N
m
para,
usando
um
estimador
não-‐enviesado
para
f
(x̂)
obter
uma
estimativa
para
o
limite
superior.
Análise
de
Sensibilidade
Petróleo
Brasileiro
S/A
§ Podemos
usar
um
estimador
inspirado
no
que
Yizemos
para
o
limite
inferior.
§ Podemos
usar
as
mesmas
ideias
que
usamos
para
provar
a
Propriedade
1
para
mostrar
que
UNT
é
um
estimador
não-‐enviesado
para
f (x̂)
UNESP,
9-‐13
de
dezembro
de
2013
Prof.
Fabrício
Oliveira
Aproximação por média amostral
Aproximação
para
o
limite
superior
§ Algumas
observações:
§ O
estimador
UNT
considera
N
e
T
tal
que
N
>
T
>>
N
§ A
razão
disso
é
que,
quando
se
trata
de
um
problema
de
segundo
estágio,
para
uma
solução
x̂
N
a
avaliação
de
f
(x̂)
é
em
geral
computacionalmente
m
barata
e
pode
se
beneYiciar
de
técnicas
de
decomposição
e
paralelização.
§ A
vantagem
de
usar
valores
grandes
para
T
e
N
se
refere
a
possibilidade
de
reduzir
a
variabilidade
da
estimativa.
§
Análise
d e
Sensibilidade
Exatamente
como
Yizemos
anteriormente,
podemos
nos
basear
no
Petróleo
Brasileiro
S/A
Teorema
do
Limite
Central
para
deYinir
intervalos
de
conYiança
para
a
estimativa
do
limite
superior
f (x̂)
2
é
a
variância
de
f
ˆ
N
onde
U
t
(x̂),
t
=
1,
.
.
.
,
T
e
a
seta
indica
convergência
com
2
respeito
a
distribuição
normal
com
média
0
de
variância
U
.
2
§ Para
aproximar
U
,
podemos
usar
o
estimador
amostral
dado
por:
1 X
sU = 2
(fˆN
t
(x̂) UN T (x̂))2
T 1
t=1,...,T Análise
de
Sensibilidade
§ Finalmente,
dado
um
nível
de
conYiança
Petróleo
α
B rasileiro
(e,
S/A
por
consequência
zα,tal
que
P
(z
z
↵
)
=
1
↵
)podemos
deYinir
o
intervalo
de
conYiança
como
sendo:
z↵ s U z↵ s U
UN T (x̂) p , UN T (x̂) + p
T T
UNESP,
9-‐13
de
dezembro
de
2013
Prof.
Fabrício
Oliveira
Aproximação por média amostral
Aproximação
para
o
gap
de
otimalidade
§ Chamamos
de
gap
de
otimalidade
qualquer
diferença
de
valores
que
nos
dão
uma
medida
do
quão
longe
estamos
do
valor
da
solução
ótima.
§ Note
que,
agora
que
temos
uma
estimativa
para
o
limite
inferior
e
outra
para
o
limite
superior
do
real
valor
de
v*,
podemos
combinar
essas
informações
para
obtermos
uma
estimativa
do
nosso
gap
de
otimalidade.
§ Basta
lembrar
que:
v̂N v ? f (x̂)
§ Dessa
forma,
estaremos
interessados
em
estimar
o
valor
do
gap
de
Análise
de
Sensibilidade
otimalidade,
o
qual
é
dado
pela
diferença:
Petróleo
Brasileiro
S/A
f (x̂) v?
§ Assim,
pela
lei
dos
grandes
números,
temos
que
quando
N,
M,
N
e
T
tendem
ao
inYinito,
tal
estimador
tende
a
0.
§ Além
disso,
como
por
deYinição
temos
que:
UN T (x̂) LN M Análise
0 ) GAPNd e
Sensibilidade
M N T (x̂) 0
Petróleo
Brasileiro
S/A
§ Não
é
sempre
verdade,
pois
esses
valores
são
estimativas
dentro
de
um
intervalo
de
conYiança
que
pode
ser
grande
o
suYiciente
para
“furar”
essa
premissa!
§ Que,
por
sua
vez,
pode
ter
sua
variância
estimada
segundo
o
estimador
s
PN
sN = n=1 (v̂Análise
de
Sensibilidade
N v N (⇠ n ))2
N B
Petróleo
1 rasileiro
S/A
§ E,
novamente,
usando
o
Teorema
do
Limite
Central,
podemos
deYinir
um
intervalo
de
conYiança
para
o
nosso
estimador
v̂
N
do
valor
da
função
objetivo
z↵/2 sN z↵/2 sN
v̂N p , v̂N + p
N N
UNESP,
9-‐13
de
dezembro
de
2013
Prof.
Fabrício
Oliveira
Aproximação por média amostral
Usando
SAA
como
técnica
de
geração
de
cenários
§ Podemos
usar
este
intervalo
de
conYiança
de
forma
“reversa”:
§ Dada
uma
tolerância
β
para
o
tamanho
do
intervalo,
onde
β
representa
um
desvio
percentual
máximo
tolerável;
§ Dado
um
determinado
nível
de
conYiança
1
–
α.
§ Podemos
então
deYinir
que:
✓ ◆2
z↵/2 sN
N
Análise
de
Sensibilidade
( /2)v̂N
Petróleo
Brasileiro
S/A
Assumindo
a
divisão
do
intervalo
de
forma
simetrica
ao
redor
do
valor
esperado