Tesis

UNIVERSIDAD DE CHILE
FACULTAD DE CIENCIAS F
ISICAS Y MATEM
ATICAS
DEPARTAMENTO DE INGENIER
IA MATEM
ATICA
DEPARTAMENTO DE INGENIER
IA INDUSTRIAL
ESTUDIO DE M
ETODOS DE OPTIMIZACI
ON ROBUSTA PARA EL PROBLEMA

DE PLANIFICACI
ON DE PRODUCCI
ON EN MINER
IA A CIELO ABIERTO
TESIS PARA OPTAR AL GRADO DE MAG
ISTER EN GESTI
ON DE
OPERACIONES
MEMORIA PARA OPTAR AL T
ITULO DE INGENIERO CIVIL MATEM
ATICO
GUIDO RENATO LAGOS BARRIOS
PROFESOR GU
IA:
DANIEL ESPINOZA GONZ
ALEZ
PROFESOR CO-GU
IA:
EDUARDO MORENO ARAYA
MIEMBROS DE LA COMISI
ON:
JORGE AMAYA ARRIAGADA
ALEJANDRO JOFR
E C
ACERES
BERNARDO KULNIG PAGNONCELLI
SANTIAGO DE CHILE
AGOSTO 2011
RESUMEN DE LA TESIS PARA OPTAR AL T
ITULO DE
INGENIERO CIVIL MATEM
ATICO Y AL GRADO DE
MAG
ISTER EN GESTI
ON DE OPERACIONES
POR: GUIDO LAGOS BARRIOS
FECHA: AGOSTO DEL 2011
PROF. GU
IA: DANIEL ESPINOZA GONZ
ALEZ
ESTUDIO DE M
ETODOS DE OPTIMIZACI
ON ROBUSTA PARA EL PROBLEMA

DE PLANIFICACI
ON DE PRODUCCI
ON EN MINER
IA A CIELO ABIERTO
En el presente trabajo consideramos un problema de planiciaci on de producci on
en minera a cielo abierto. Usando el modelo de bloques, consistente en discretizar el
yacimiento minero en paraleleppedos regulares o bloques, el problema consiste en de-
cidir qu e bloques de la mina extraer y cu ales procesar, teniendo por objetivo maximizar
el benecio total de la explotaci on. Esta operaci on considera una capacidad limitada de
extracci on y procesamiento, y se realiza en un unico perodo de tiempo, e.g. un a no.
Esta tesis aborda este problema cuando la cantidad de mineral, o ley, de los bloques
est a sujeta a incertidumbre. Bajo este escenario el problema es altamente riesgoso, pues
los costos de operaci on son elevados y la explotaci on s olo se puede realizar una unica vez.
Para enfrentar esto proponemos varios modelos de optimizaci on bajo incertidumbre.
Proponemos primero dos enfoques de optimizaci on aversa al riesgo, los modelos de
minimizaci on de VaR y minimizaci on de CVaR. Presentamos tambi en un enfoque de op-
timizaci on robusta, el modelo MCH, y demostramos que tiene propiedades te oricas de-
seables de aversi on al riesgo. Inspirados en esto, proponemos el modelo MCH-, una
variaci on del modelo MCH. Y nalmente, consideramos una variante con recourse para
cada modelo, consistente en incorporar un paradigma multi-etapa a las decisiones de ex-
plotaci on.
Para representar la variabilidad de las leyes asumimos unicamente la disponibilidad de
un generador de muestras iid para el vector de leyes. Esto permite aproximar los modelos
de VaR, CVaR y MCH- usando la t ecnica Sample Average Approximation (SAA). De-
mostramos que te oricamente estos problemas aproximados convergen al problema es-
toc astico verdadero. Sin embargo, resultados de geometra discreta sugieren que esta con-
vergencia es muy lenta.
Finalmente, presentamos experimentos computacionales en una mina de tama no re-
ducido basada en datos reales. Los resultados permiten descartar el uso del modelo de
VaR, y en contraste los modelos CVaR, MCH y MCH- muestran un manejo de riesgo
controlable y coherente. Por otro lado, estimaciones estadsticas del gap de optimalidad
evidencian una lenta velocidad de convergencia de las aproximaciones SAA. Tambi en,
se constata que el uso de las variantes con recourse producen un aumento notable de los
benecios.
Indice general
1. Introducci on 1
1.1. Antecedentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. Literatura y estado del arte . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3. Sobre esta tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2. Descripci on del Problema 7
2.1. Problema determinista b asico . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2. Enfoques de optimizaci on bajo riesgo . . . . . . . . . . . . . . . . . . . 9
2.2.1. Modelo de minimizaci on de VaR . . . . . . . . . . . . . . . . . . 10
2.2.2. Modelo de minizaci on de CVaR . . . . . . . . . . . . . . . . . . 15
2.2.3. Modelos MCH y MCH- . . . . . . . . . . . . . . . . . . . . . . 22
2.2.4. Sobre el contenido de probabilidad de un poltopo . . . . . . . . 34
3. Aproximaci on SAA 37
3.1. Marco te orico general . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.1.1. Propiedades de estimadores SAA para Stochastic Programming
Problems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.1.2. Propiedades de estimadores SAA para Chance Constrained Prob-
lems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.2. An alisis SAA para modelos sin recourse . . . . . . . . . . . . . . . . . . 49
3.2.1. Modelo de minimizaci on de CVaR . . . . . . . . . . . . . . . . . 50
3.2.2. Modelo MCH . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.2.3. Modelo MCH- . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.2.4. Modelo de minimizaci on de VaR . . . . . . . . . . . . . . . . . . 58
3.3. An alisis SAA para modelos con recourse . . . . . . . . . . . . . . . . . 62
I
Indice general

Indice general
3.3.1. Modelo de minimizaci on de CVaR con recourse . . . . . . . . . . 65
3.3.2. Modelo MCH con recourse . . . . . . . . . . . . . . . . . . . . . 67
3.3.3. Modelo MCH- con Recourse . . . . . . . . . . . . . . . . . . . 68
3.3.4. Modelo de minimizaci on de VaR con recourse . . . . . . . . . . 70
4. Experimentos Computacionales 73
4.1. Descripci on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.2. Par ametros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.3. Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.3.1. Distribuci on emprica de benecios . . . . . . . . . . . . . . . . 77
4.3.2. Convergencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
4.3.3. Estudio de algunos factores que afectan convergencia . . . . . . . 93
5. Conclusiones y Trabajo Futuro 96
5.1. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
5.2. Trabajo futuro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
II
Captulo 1
Introducci on
1.1. Antecedentes
La minera es sin duda una de las actividades econ omicas m as importantes en Chile.
Seg un datos de la Comisi on Chilena del Cobre, al a no 2007 la minera representaba en
Chile aproximadamente el 7,3 % del PIB, el 65 % de las exportaciones y el 33 % de la in-
versi on extranjera. M as a un, en el escenario global Chile es uno de los principales actores
de la minera. Seg un datos de la fuente anterior, al a no 2007 Chile era el principal produc-
tor de cobre, nitratos, yodo y litio, poseyendo m as de un tercio de las reservas mundiales
de estos minerales.
La industria minera se puede clasicar en t erminos del tipo de excavaci on que realiza.
Se divide as en dos grandes categoras: minera a cielo abierto o de rajo abierto si las
labores se realizan por sobre la supercie terrestre, y minera subterr anea si se realizan
por debajo de la supercie. Si bien a nivel global es menos frecuente encontrar opera-
ciones mineras de cielo abierto, Chile es uno de los pases donde m as se realiza este tipo
de minera.
En t erminos de gesti on y operaci on, la minera a cielo abierto propone una gran y
compleja tarea. Particularmente, la fase de pre-factibilidad y factibilidad de este tipo de
proyectos mineros involucra una amplia gama de problemas. Una familia importante de
estos es la que se dedica a determinar el valor de la mina en el corto, mediano y largo plazo,
para lo cual se debe realizar, entre otras tareas, una proyecci on de c omo se explotar a el
yacimiento minero.
El modelo m as usual del que se sirven las planicaciones de producci on en minera a
cielo abierto es el modelo de bloques, el que consiste en discretizar el yacimiento minero
en paraleleppedos, o bloques, del mismo tama no. A cada bloque se le asignan varios
valores representando las propiedades del macizo rocoso que contiene, por ejemplo ubi-
caci on geogr aca, estimaciones de la cantidad de mineral que contiene, o ley, densidad
del contenido, etc etera. El modelo de bloques considera adem as que debe haber un se-
cuenciamiento para la extracci on de los bloques.

Este establece que un bloque a mayor
1
1.1. Antecedentes CAP
ITULO 1. Introducci on
profundidad puede ser extrado solamente despu es de haber extrado los bloques ubicados
directamente sobre el, y tambi en las paredes de la mina deben respetar una m axima pen-
diente para evitar derrumbes. Estas restricciones sobre el secuenciamiento de extracci on
se incorporan al modelo de bloques mediante las restricciones de precedencia para los
bloques.
En el contexto de proyecci on de la operaci on minera, dos problemas que generalmente
hacen uso del modelo de bloques son el ultimate pit problem, cuya traducci on literal es
problema del foso nal, y el production scheduling problem, o problema de secuenci-
amiento de producci on. El primer problema se realiza para valorizar una mina, determi-
nando qu e sectores del yacimiento pueden llegar a ser explotados durante el ciclo de vida
de la mina. El segundo problema busca, dado un n umero preestablecido de perodos de
tiempo, determinar qu e sectores ser an explotados durante qu e perodo de tiempo. Estos
dos problemas se hacen teniendo como objetivo maximizar el valor total de la operaci on
minera. Y naturalmente, existen en la literatura y en la pr actica una gran cantidad de
variaciones, simplicaciones y complejizaciones de dichos modelos.
Una caracterstica de estos problemas es que los yacimientos mineros generalmente
son de gran tama no, por ejemplo una mina grande normalmente posee entre 3 y 10
millones de bloques. Tambi en, para que la explotaci on de esta sea rentable se debe con-
siderar un ciclo de vida largo, usualmente m as de 20 a nos. Esto se traduce en que muchas
veces el problema de optimizaci on a resolver posea un tama no excesivamente grande,
incluso para minas medianas, haci endolo nalmente computacionalmente intratable si es
que no se recurren a m etodos ad-hoc para resolverlo.
Otra complicaci on que aora en estos problemas es la falta de conabilidad de los
par ametros con que se hacen las proyecciones de producci on. Una fuente de incertidum-
bre es la duraci on de la explotaci on, que por su gran extensi on hace difcil pronosticar
conablemente par ametros altamente relevantes como capacidad futura de procesamiento
en planta, costos de operaci on y precios de los minerales. Otro par ametro que padece de
imprecisi on es la cantidad de mineral, o ley, que cada bloque posee. Esto es fruto de que
la exploraci on del yacimiento, que determina en particular la cantidad de mineral en el,
se realiza usando sondajes que poseen un elevado costo. Como resultado se debe hacer
un n umero muy limitado de sondajes, con los que se determina las propiedades de al-
gunos sectores de la mina, y para los sectores inexplorados sus propiedades se estiman
con t ecnicas geo-estadsticas basadas en los sondajes.
En suma, los altos costos involucrados en la operaci on minera, los errores asociados a
las mediciones y estimaciones, y el hecho de que la extracci on del yacimiento rocoso se
realiza una sola vez, hacen que nalmente toda planicaci on de producci on posea un alto
riesgo asociado.
2
1.2. Literatura y estado del arte CAP
1.2. Literatura y estado del arte
En el contexto de minera a cielo abierto, los problemas ultimate pit problem y pro-
duction scheduling problem son los que han recibido m as atenci on en el ultimo par de
d ecadas. En cuanto al primero, si bien usualmente se aborda usando el algoritmo de Lerchs
& Grossman, las maneras m as ecientes para afrontarlo provienen de reformular el prob-
lema como uno de ujo m aximo y usar alguno de los algoritmos m as ecientes e.g. Push-
Relabel para resolvero (ver [UT98] y [HC00]). Y en el caso del segundo problema, pro-
duction scheduling problem, generalmente se formula como un problema de optimizaci on
lineal entera y es tratado usando herramientas del area, por ejemplo strong branching (ver
[CH03]) y strengthened formulations (ver [BBFF10]). Esfuerzos recientes para tratar este
problema de manera eciente consideran el trabajo de Bienstock et al. [BZ10], y el de
Chicoisne et al. [CEG
+
09], donde proponen una metodologa ad-hoc para el caso en que
existe una unica restricci on de capacidad.
El problema de incertidumbre en planicaci on minera ha recibido gran atenci on en
la ultima d ecada. De la mano de simulaciones para el contenido mineral del yacimiento
minero, llamadas conditional simulations (ver [EL06]), se ha mostrado que la incertidum-
bre en los par ametros del problema puede llevar a grandes p erdidas. Trabajos como el de
Leite et al. [LD07] han propuesto maximizar el valor esperado del Valor Presente Ne-
to (VPN) de la operaci on, y en cambio trabajos como el de Vielma et al. [VEM09] han
propuesto un enfoque averso al riesgo usando chance constraints, o restricciones en prob-
abilidad.

Este ultima publicaci on da un panorama general m as detallado de los esfuerzos
en esta lnea en los ultimos a nos.
En el campo de optimizaci on bajo incertidumbre existen primordialmente dos grandes
enfoques de modelamiento. Uno de ellos, frecuentemente referida como optimizaci on es-
toc astica, consiste en asumir que el par ametro incierto posee una distribuci on estoc astica,
de la cual se conoce su distribuci on o se tiene acceso a un generador de muestras de el.
Con esto se pueden inclur en el problema de optimizaci on restricciones probabilsticas,
por ejemplo restricciones en probabilidad, en esperanza, o incluso con momentos de orden
mayor. El otro enfoque de modelamiento, el de optimizaci on robusta, no asume ninguna
naturaleza estoc astica para el par ametro incierto, si no que simplemente se remite a opti-
mizar en la peor realizaci on posible del par ametro dentro de alg un rango predeterminado.
Los siguientes p arrafos se dedican a ahondar en los detalles de estas dos formas de abordar
la optimizaci on sujeta a incertidumbre.
En el caso de restricciones en probabilidad, o chance constraints, el estudio de estas
se inici o con el trabajo seminal de Charnes et al. [CCS58]. Si bien han sido extensamente
estudiadas desde entonces, dicultades como no convexidad de la regi on factible y la di-
cultad para integrar con precisi on en altas dimensiones resultaron en que no se produjeran
avances importantes en varias d ecadas. Sin embargo, el orecimiento de la optimizaci on
computacional ha producido que desde hace algo m as de una d ecada se empezaran a notar
avances importantes en el tratamiento de este tipo de problemas, de la mano de aproxima-
ciones convexas o aproximaciones en base a muestras. Para una revisi on general de esta
3
1.2. Literatura y estado del arte CAP
area, especialmente de la aproximaci on en base a muestras, llamada usualmente sample
average approximation (SAA), recomendamos ver [PAS09]. Contribuciones importantes
recientes en este ambito se centran en el tratamiento computacional de estos problemas,
va descomposiciones ad-hoc (ver [LAN10] y [Lue10]) o va asegurar, en probabilidad, la
satisfacci on de la restricci on en probabilidad (ver [CG10]).
En el caso de optimizaci on con restricciones en valor esperado, usualmente referido
simplemente como stochastic programming, esta comparte un desarrollo muy similar al
de las chance constraints; es decir, si bien este enfoque fue planteado hace varias d ecadas,
s olo los recientes avances en computaci on y optimizaci on computacional han permitido
un desarrollo signicativo. Especial menci on merece el enfoque sample average approxi-
mation para estos problemas, es decir, el tratamiento de estos problemas haciendo uso de
una muestra del par ametro incierto, con lo que el problema aproximado se puede ver como
un estimador del problema original. Resultados cruciales en esta lnea son, por ejemplo,
[DW88] que asegura la consistencia del estimador en un contexto general y [KSHdM02]
que garantiza convergencia del estimador a velocidad exponencial. Para una revisi on am-
plia de esta aproximaci on sugerimos referirse a [LSW06].
Un enfoque relacionado al de optimizaci on estoc astica es el de optimizaci on aversa
al riesgo, pues generalmente asume que el par ametro sigue alguna distribuci on estoc asti-
ca. Como su nombre sugiere, esta teora busca dar un tratamiento averso al riesgo a la
funci on de utilidad bajo estocacidad de un modelo. Trabajos tempranos en esta lnea in-
volucraron optimizar una combinaci on de esperanza y varianza de la funci on de utilidad
(ver [Mar52]). M as recientemente, enfoques para distribuciones de utilidad asim etricas
han ganado alta popularidad, como Value-at-Risk (VaR) primero, y ultimamente, con
fuerza a un creciente, Conditional Value-at-Risk (CVaR) (ver [RU00]). Para la masi-
caci on de este ultimo modelo han sido determinantes la tratabilidad de su optimizaci on
(ver [RU02]), tambi en que a diferencia del VaR sea una medida de riesgo coherente
en el sentido de Artzner et al. [ADEH99], y adem as que sea la componente fundamental
de las medidas de riesgo de distorsi on (ver [BB09]), tambi en conocidas como medidas
de riesgo espectrales. No obstante, la optimizaci on de CVaR haciendo uso de su aprox-
imaci on SAA sin duda uno de los enfoques de optimizaci on aversa al riesgo que ha
gozado de mayor popularidad ha mostrado ser inestable si es que no se toma en cuenta
la velocidad de convergencia de la aproximaci on, ver e.g. [LSV11]. Recomendamos el
reciente libro [SDR09] como una referencia exhaustiva y unicadora para las teoras de
optimizaci on estoc astica y optimizaci on aversa al riesgo.
El enfoque de optimizaci on robusta, mencionado anteriormente como una de las dos
vertientes principales en la optimizaci on bajo incertidumbre, se caracteriza por ni siquiera
asumir una naturaleza estoc astica para el par ametro incierto, y en vez simplemente es-
pecicar un conjunto de robustez para el par ametro y luego optimizar para la peor re-
alizaci on posible de este en el conjunto. El primer atisbo de esta metodologa se debe
a Soyster [Soy73], quien argumentaba que, en optimizaci on lineal continua, optimizar
para el peor caso en un intervalo cerrado posee la ventaja de poder formularse como un
problema lineal. Naturalmente optimizar para el peor caso posible probablemente resulte
4
1.3. Sobre esta tesis CAP
excesivamente conservador, afectando nalmente de sobremanera el valor objetivo del
problema. Por ello se han propuesto conjuntos de robustez menos conservadores, siendo
ejemplos importantes los conjuntos de robustez elipsoidales asociados a la norma L
2
,
ver e.g. [BTN00], o los asociados a un simplex generalizado asociados a la norma L
1
, ver [BS04].

Este ultimo ha gozado de gran popularidad ultimamente, principalmente
porque es un modelo sencillo y tratable, y tambi en porque es rico en propiedades al ser
aplicado a otras areas, por ejemplo a optimizaci on en redes [BS03], o a problemas cl asicos
del area de management sciences (ver [BT06]).
En optimizaci on sujeta a incertidumbre en general existe un recurso con enorme po-
tencial, que es permitir que algunas variables de decisi on se ajusten a las realizaciones del
par ametro incierto. Esto es, permitir que algunas decisiones se tomen solamente despu es
de que el par ametro aleatorio haya revelado su verdadero valor. Si bien este concep-
to introduce gran versatilidad en el problema de optimizaci on, posee el defecto de que
generalmente el problema resultante es intratable computacionalmente. En vista de esto
generalmente se propone usar simplicaciones, por ejemplo que las variables de segunda
etapa sean lineales en el par ametro incierto. En [BTGGN04] y [BTN08] se muestran en
general las caractersticas de este recurso en el contexto de optimizaci on robusta.
Por ultimo, resulta interesante que existen resultados que relacionan estrechamente
optimizaci on estoc astica, optimizaci on aversa al riesgo y optimizaci on robusta. Por ejem-
plo [BB09] y [NPS09] ven c omo un modelo de optimizaci on robusta se puede plantear
como uno de optimizaci on bajo riesgo, y viceversa. Y [CSS07] muestra c omo un proble-
ma de optimizaci on estoc astica se puede aproximar tratablemente usando un enfoque de
optimizaci on robusta.
1.3. Sobre esta tesis
En la presente tesis nos hacemos cargo del riesgo que presupone realizar planica-
ciones mineras en base a par ametros que est an sujetos a incertidumbre. En particular, nos
concentramos en el caso en que solamente la ley de mineral no se conoce con certeza.
Elegimos trabajar bajo un enfoque de aversi on al riesgo, pues, como se argument o antes,
el problema a tratar se caracteriza por ser de gran tama no, poseer un horizonte de plan-
icaci on extenso, tener costos operativos altos y la explotaci on s olo se puede realizar
una vez, con lo que el problema es altamente riesgoso. En contraste, los trabajos que se
han dedicado a estudiar la incertidumbre en el problema de planicaci on minera general-
mente han usado un enfoque de maximizaci on de valor esperado, el cual es un tratamiento
eminentemente neutro al riesgo. Los objetivos generales de este trabajo son, primero, es-
tudiar los principales enfoques de optimizaci on bajo incertidumbre, segundo, aplicarlos
al problema de planicaci on minera, y nalmente, evaluar el desempe no y resultados de
los enfoques propuestos.
La presente tesis est a organizada de la siguiente manera. En el Captulo 2 presentamos
el problema de planicaci on minera sin incertidumbre. Luego introducimos un esquema
5
1.3. Sobre esta tesis CAP
para la incertidumbre y mostramos los enfoques que proponemos para tratarla en el prob-
lema de planicaci on. A saber, los enfoques estudiados son minimizaci on de Conditional
Value-at-Risk, un modelo de optimizaci on robusta propuesto, que llamamos Modulat-
ed Convex Hull, y minimizaci on de Value-at-Risk. Tambi en presentamos la contraparte
con recourse de estos modelos. En el Captulo 3 exponemos los resultados pertinentes
a la aproximaci on Sample Average Approximation, la cual usamos para hacer los enfo-
ques robustos tratables. Estos resultados consideran consistencia de la aproximaci on y
validaci on estadstica de soluciones. En el Captulo 4 mostramos los resultados computa-
cionales obtenidos con los modelos propuestos. El an alisis de estos resultados considera
el estudio de los planes entregados por los distintos enfoques y el estudio num erico de la
convergencia de la aproximaci on SAA. Finalmente, en el Captulo 5 se dan las conclu-
siones de nuestro trabajo y se proponen futuras lneas de investigaci on.
6
Captulo 2
Descripci on del Problema
2.1. Problema determinista b asico
En esta secci on introducimos el problema de planicaci on b asico y sin incertidumbre
sobre el cual trabajaremos. Esta planicaci on se realizar a sobre un unico perodo de tiem-
po, es decir, consideramos que toda la explotaci on se produce durante una unica unidad de
tiempo, e.g. un a no. Consideramos esta simplicaci on pues el n ultimo de este trabajo es
evaluar el desempe no de los distintos modelos aversos al riesgo para tratar la incertidum-
bre en los objetivos del problema; luego, en vista de que trabajar con varios perodos de
tiempo hace crecer notablemente el n umero de variables y restricciones del problema,
preferimos evitar complejizaciones que no son estrictamente necesarias. Esta idea es re-
forzada por el hecho de que el modelo simplicado que usaremos ya es en s mismo un
modelo de gran tama no, que requiere de t ecnicas de optimizaci on ad-hoc para ser aplicado
a minas a cielo abierto reales. Tambi en asumimos que la planicaci on considera explotar
un s olo mineral, y que existe una elecci on de proceso, i.e. todo bloque extrado puede ser
o no procesado, lo cual es decidido por el tomador de decisiones.
Consideramos un yacimiento para minera a cielo abierto, a un no explotado, del cual
tenemos su modelo de bloques. Denotamos por B al conjunto de bloques de la mina, y
T BB al conjunto de restricciones de precedencia, esto es, (a, b) T ssi para extraer
el bloque a antes debe extraerse el bloque b.
Cada bloque b B tiene 1) un costo de extracci on de v
e
b
> 0 unidades monetarias
(UM), 2) un costo de procesamiento de v
p
b
> 0 UM, 3) una ley de mineral que asumimos
conocida de
b
> 0 unidades de mineral, y 4) un benecio de w
b
0 UM por unidad de
mineral. As, por ejemplo, si un bloque b es extrado y procesado se percibe una ganancia
econ omica de v
e
b
+ (w
b
b
v
p
b
) UM, y si un bloque es extrado solamente entonces se
percibe una ganancia de v
e
b
.
Todo plan de explotaci on debe cumplir las restricciones de precedencia de extracci on
establecidas por el conjunto de precedencias T B B. Tambi en, un bloque puede ser
7
2.1. Problema determinista b asico CAP
ITULO 2. Descripci on del Problema

procesado solamente si antes es extrado. Y adem as, se debe respetar las capacidades de
planta disponibles: cada bloque b consume c
e
b
> 0 unidades de producci on (UP) para ser
extrado y existe un total de C
e
> 0 UP disponibles para la extracci on; an alogamente,
cada bloque b consume c
p
b
> 0 UP para su procesamiento, del cual existe un total de
C
p
> 0 UP para procesamiento disponibles. Naturalmente, asumimos que la capacidad
de planta es limitada, esto es,
bB
c
e
b
> C
e
y
bB
c
p
b
> C
p
.
Las variables de decisi on del problema son las que denotan si un bloque es extrado o
no, y si es procesado o no. Para cada bloque b B la decisi on de su extracci on est a dada
por
x
e
b
=
_
1 si el bloque b es extrado,
0 si el bloque b no es extrado,
y la decisi on de procesamiento por
x
p
b
=
_
1 si el bloque b es procesado,
0 si el bloque b no es procesado.
Con esto el costo asociado a la explotaci on del bloque b es de v
e
b
x
e
b
+(w
b
v
p
b
)x
p
b
UM.
As, el problema de planicaci on minera b asico, con elecci on de proceso y en un unico
perodo, es
m ax
bB
[v
e
b
x
e
b
+ (w
b
b
v
p
b
)x
p
b
]
s.a. x
e
a
x
e
b
(a, b) T
x
p
b
x
e
b
b B
bB
c
e
b
x
e
b
C
e
bB
c
p
b
x
p
b
C
p
x
e
b
, x
p
b
0, 1 b B.
(2.1)
En lo sucesivo denominamos a este problema como el problema nominal dada una ley
R
B
+
.
Para alivianar la notaci on en las futuras secciones, preferimos usar notaci on matricial
y denir adem as el conjunto de planes factibles como
X :=
_
_
(x
e
, x
p
) 0, 1
B
: x
e
a
x
e
b
(a, b) T
x
p
x
e
(c
e
)
t
x
e
C
e
(c
p
)
t
x
p
C
p
_
_
(2.2)
donde x
e
:= (x
e
b
)
bB
, x
p
:= (x
p
b
)
bB
, c
e
:= (c
e
b
)
bB
y c
p
:= (c
p
b
)
bB
. Adicionalmente
denimos el vector de leyes conjuntas := (
b
)
bB
, los vectores de costos v
e
:= (v
e
b
)
bB
y
v
p
:= (v
p
b
)
bB
, y la matriz de benecios por procesamiento W
p
R
BB
tal que W
p
a,b
= w
b
si a = b y 0 si no. Dado un plan (x
e
, x
p
) y una ley R
B
+
, denimos tambi en la funci on
de benecio asociada como
(x
e
, x
p
, ) := (v
e
)
t
x
e
+ (W
p
v
p
)
t
x
p
. (2.3)
8
2.2. Enfoques de optimizaci on bajo riesgo CAP

As, dado un vector de leyes R
B
+
el problema nominal (2.1) asociado es equivalente
a
m ax (x
e
, x
p
, )
s.a. (x
e
, x
p
) X.
Hacemos notar que el par ametro , que en las futuras secciones consideraremos que
est a sujeto a incertidumbre, s olo afecta la funci on objetivo del problema.
Cabe destacar que en muchos modelos mineros la decisi on de procesar o no un bloque
se hace seg un una regla preestablecida, e.g. que un bloque b se procesa ssi
b
>
0
, para
alg un valor
0
predenido, o se procesa ssi
b
>
v
e
b
+v
p
b
w
b
, i.e. ssi el benecio por explotaci on
v
e
b
+(w
b
b
v
p
b
) es positivo. Una ventaja que esto presenta es que se puede determinar a
priori qu e bloques ser an procesados si es que son extrados, con lo que redeniendo varios
par ametros del problema se pueden usar solamente [B[ variables de decisi on para resolver
el problema.
En efecto, denamos B
P
B como el conjunto de bloques que ser an procesados si
es que son extrados, que son determinados por alguna regla preestablecida, por ejemplo
todos los bloques b B tales que
b
>
v
e
b
+v
p
b
w
b
. Denamos para todo bloque b B
P
u
b
:= v
e
b
+ (w
b
v
p
b
) y c
p
b
:= c
p
b
; y para todo b BB
P
sea u
b
:= v
e
b
y c
p
b
:= 0. Se
tiene que el problema nominal (2.1) se puede aproximar por
m ax u
t
x
s.a. x
a
x
b
(a, b) T
(c
e
)
t
x C
e
(c
p
)
t
x C
p
x 0, 1
B
.
(2.4)
Pese a la ventaja obvia de disminur a la mitad el n umero de variables de decisi on, es
f acil construr ejemplos en que la aproximaci on anterior es sub- optima para el problema
(2.1). Esto a un si la regla para el procesamiento sea que un bloque b es procesado al ser
extrado ssi >
v
e
b
+v
p
b
w
b
.
Otra ventaja del problema nominal (2.1) por sobre su aproximaci on (2.4) es que, co-
mo veremos en las secciones posteriores, en el contexto con incertidumbre podremos
usar la variable de extracci on x
e
como una variable de primera etapa y la variable de
procesamiento x
p
como una de segunda etapa o de recourse. Veremos que este recurso
permitir a obtener benecios considerables.
En lo sucesivo nos concentramos en el problema de planicaci on con elecci on de
proceso (2.1).
2.2. Enfoques de optimizaci on bajo riesgo
En lo sucesivo asumimos que no se conoce con exactitud el valor del vector de leyes
conjuntas R
B
+
. Nos interesa estudiar la incertidumbre que esto introduce en el prob-
9

lema nominal (2.1). Como se mencion o en el Captulo 1, en la pr actica los altos costos
de operaci on y la propiedad de ser un problema de una unica oportunidad, pues la ex-
plotaci on puede ser realizada s olo una vez, hacen que el riesgo asociado a la incertidumbre
sea considerable.
Nuestra hip otesis clave en este ambito es que asumimos que el vector de leyes sigue
alguna distribuci on estoc astica, que no necesariamente conocemos, soportada en un con-
junto compacto, que tambi en no necesariamente conocemos, y que sin embargo ten-
emos acceso a un generador de muestras iid de este par ametro. Decimos que una mues-
tra
1
,
2
, . . . ,
N
del vector aleatorio es iid ssi todos los vectores
i
poseen la misma
distribuci on de probabilidad y adem as cada
i
es distribuido independientemente de los
dem as vectores de la muestra.
La principal ventaja de esta hip otesis es que permite separar el an alisis del efecto de la
incertidumbre sobre el problema de planicaci on (2.1), del an alisis de c omo se obtienen
la distribuci on de probabilidad del vector de leyes . Esto es conveniente pues no s olo
asumir que el vector sigue alguna de las distribuciones de probabilidad usuales es una
hip otesis fuerte, si no que adem as determinar la distribuci on de probabilidad de es en
s mismo un problema complejo y, seg un se inere del trabajo de Vielma et al. [VEM09],
lejos de estar cerrado. Finalmente, pero no menos importante, otra ventaja de asumir que
se tiene una muestra iid de es que en la actualidad existen t ecnicas geo-estadsticas
hechas precisamente para obtener una muestra de este estilo para las leyes de mineral de
los bloques (ver [EL06] y [VEM09]).
2.2.1. Modelo de minimizaci on de VaR
El primer modelo que consideramos es el modelo de minimizaci on de Value-at-Risk
(VaR). Como se ver a en esta sub-secci on, el gran atractivo de este enfoque averso al
riesgo es que su motivaci on es altamente intuitiva. Tambi en veremos que este modelo
equivale a uno de optimizaci on estoc astica con restricciones en probabilidad. Si bien en
trabajos anteriores, por ejemplo en [VEM09], ya se ha estudiado la aplicaci on de esta
t ecnica a problemas de planicaci on minera, este estudio no ha sido exhaustivo pues no
ha considerado detalles importantes, como convergencia de la aproximaci on del problema
o el efectivo tratamiento del riesgo en la planicaci on. En virtud de esto elegimos trabajar
con este modelo, con la intenci on de completar los an alisis hechos en trabajos previos.
Primeramente denimos el VaR de una variable aleatoria (v.a.) de p erdidas. Diremos
en lo sucesivo que una v.a. real L es de p erdidas si preferimos los valores menores de
ella por sobre los valores altos. Por ejemplo, L puede representar el monto de una p erdida
monetaria en una apuesta. Asmismo, una v.a. real G es de benecios si G es una v.a. de
p erdidas.
Dada una v.a. de p erdidas L : (, T, P) R y un escalar [0, 1), que llamaremos
nivel de riesgo, se dene el Value-at-Risk con nivel de riesgo de L como
VaR
(L) := mn z R : P(L z) 1 , (2.5)

10

donde la probabilidad es con respecto al espacio de probabilidad (, T, P). Notar que
equivalentemente
VaR
(L) = mn z R : P(L + z < 0) .

En palabras simples, VaR
(L) es el percentil 100(1 ) % de L. La intuici on gruesa

detr as de este concepto es que con probabilidad 1 alta si se escoge peque no, como
es usual las p erdidas de L no exceder an el valor VaR
(L). Otra interpretaci on gruesa es

que VaR
(L) es la peor i.e. la mayor posible p erdida de L cuando ignoramos sus 100 %
peores p erdidas. De esto es claro que el VaR es un cuanticador o medidor del riesgo de
una v.a. de p erdidas, lo cual motiva su uso en nuestro problema de planicaci on minera
bajo incertidumbre.
En una sub-secci on posterior, 2.2.2, formalizaremos la idea de medida de riesgo e
introduciremos la noci on de medida de riesgo coherente de Artzner et al. [ADEH99],
que establece propiedades b asicas que una medida de riesgo razonable debera cumplir.
Ah veremos que VaR no es una medida de riesgo coherente, pues para algunas v.a. de
p erdidas L
1
, L
2
indpendientes se tiene
VaR
(L
1
+ L
2
) > VaR
(L
1
) + VaR
(L
2
);
es decir, VaR considera que a veces diversicar en acciones independientes entre s es
estrictamente m as riesgoso que no diversicar, lo cual atenta contra la intuici on b asica
de riesgo. Pese a esta debilidad te orica del VaR como medida de riesgo, consideramos de
todas maneras v alido probar su desempe no pr actico en nuestro problema de planicaci on
minera.
Consideramos ahora un plan de extracci on y procesamiento (x
e
, x
p
) X cualquiera,
donde el conjunto de planes factibles X es como se deni o en (2.2). Como el vector de
leyes es una v.a. entonces el benecio ((x
e
, x
p
), ) del plan (x
e
, x
p
) es tambi en una
v.a. Luego, mirando ((x
e
, x
p
), ) como una v.a. de p erdidas y eligiendo un nivel de
riesgo [0, 1), el valor VaR
[((x
e
, x
p
), )] es una cuanticaci on o valorizaci on del
riesgo del plan (x
e
, x
p
). Naturalmente es deseable que el riesgo de nuestro plan (x
e
, x
p
)
sea el menor posible. Eligiendo entonces un nivel de riesgo [0, 1), el modelo de
minimizaci on de VaR es
mn
x
e
,x
p
VaR
[((x
e
, x
p
), )] s.a. (x
e
, x
p
) X. (2.6)
Recordando la denici on (2.5) de VaR podemos reformular el problema de mini-
mizaci on de VaR de la siguiente manera equivalente:
mn z
s.a. P(((x
e
, x
p
), ) + z < 0)
(x
e
, x
p
) X, z R.
En palabras, la soluci on de este problema nos da un plan que tiene el mejor el m as bajo
percentil 100(1 ) % de p erdidas.
11

Sin embargo, este problema de optimizaci on adolece de varios inconveniencias. Primer-
amente, no es realista asumir que se conoce la distribuci on de de , con lo que no se
puede calcular a exactitud la probabilidad conjunta P(((x
e
, x
p
), ) + z < 0) en el vec-
tor aleatorio . M as a un, a un sabiendo la distribuci on de el c alculo exacto de dicha
probabilidad involucra integraci on en varias dimensiones, lo cual puede ser impracticable
de incorporar en una restricci on de un problema de optimizaci on. Otra dicultad no menor
es que, a un conociendo con exactitud la distribuci on de , el problema (2.6) puede no ser
convexo, pues el conjunto
_
(x
e
, x
p
, z) R
B
R
B
R : P(((x
e
, x
p
), ) + z < 0)
_
puede ser no convexo.
Para sortear al mismo tiempo todas estas dicultades hacemos uso de la t ecnica Sam-
ple Average Approximation, que consiste en aproximar la restricci on de probabilidad us-
ando una muestra iid del par ametro incierto. Esto es, asumimos que tenemos una muestra
iid
1
, . . . ,
N
de y utilizamos la aproximaci on
P(((x
e
, x
p
), ) + z < 0)
1
N
N
k=1
1
(,0)
_
((x
e
, x
p
),
k
) + z
_
,
donde para I R, 1
I
(x) es la funci on indicatriz de I:
1
I
(x) :=
_
1 si x I
0 si no.
La ventaja de realizar esta aproximaci on es que el conjunto
_
(x
e
, x
p
, z) R
B
R
B
R
B
:
1
N
N
k=1
1
(,0)
_
((x
e
, x
p
),
k
) + z
_

_
s es convexo, y tambi en se puede reformular linealmente como
_
(x
e
, x
p
, z) : 0, 1
N
tal que (x
e
, x
p
,
k
) + z +
k
M
k
0 k = 1, . . . , N
N
k=1
k
N|
_
donde M
k
, k = 1, . . . , N, son par ametros gran-M sucientemente grandes, e.g.
M
k
:= max
i=1,...,N
m ax
xX
(x,
i
) mn
xX
(x,
k
) k = 1, . . . , N.
Hemos obtenido as la aproximaci on SAA del problema de minimizaci on de VaR, dada
una muestra iid
1
, . . . ,
N
de y un nivel de riesgo [0, 1):
mn z
s.a. (x
e
, x
p
,
k
) + z +
k
M
k
0 k = 1, . . . , N
N
k=1
k
N|
0, 1
N
(x
e
, x
p
) X, z R.
(2.7)
12

El plan (x
e
, x
p
) soluci on de este problema ser a un candidato a soluci on optima del prob-
lema verdadero (2.6); i.e. ser a un plan candidato a minimizar el VaR con nivel de riesgo
del benecio de la explotaci on minera.
Destacamos que la aproximaci on SAA (2.7) es un problema lineal, con variables bi-
narias y continuas, y convexo. No obstante, esta formulaci on con par ametros gran-M es
sumamente ineciente desde un punto de vista computacional. Esto es, usar una formu-
laci on como esta causa que, al tratar de resolver una instancia de este problema con un
solver computacional tpico de Branch & Bound & Cut, e.g. CPLEX, sepamos a priori que
con alta probabilidad la resoluci on computacional demorar a una gran cantidad de tiempo,
que posiblemente exceda con creces un tiempo de c omputo razonable. El argumento que
explica esto es cl asico del area de programaci on entera, y es que la relajaci on lineal del
conjunto factible de la formulaci on (2.7) puede ser, debido a los par ametros M
k
, muy
poco ajustada a la envoltura convexa del conjunto factible de (2.7).
Contraparte con recourse
Consideramos ahora un ligero cambio de paradigma en el planteamiento del problema
de optimizaci on. Explotamos el hecho de que no conocemos a priori el verdadero vector
de leyes y nos preguntamos si podemos postergar alguna decisi on para despu es de que
se haya revelado la verdadera ley . La elecci on natural es tomar la elecci on del plan de
extracci on x
e
como una variable a decidir aqu y ahora, i.e. sin esperar a que se revelen
las verdaderas leyes , y tomar la elecci on de qu e bloques procesar, x
p
, como una variable
ajustable o de recourse que se ajusta a la realizaci on nal de . Esta nomenclatura es
propia del area de optimizaci on robusta (ver [BTGGN04]). Sin embargo esta idea viene
originalmente de optimizaci on estoc astica multi-etapa, donde la terminologa sera que la
decisi on x
e
es una variable de primera etapa y la decisi on x
p
de segunda etapa.
Para introducir el problema de planicaci on minera con recourse supongamos mo-
ment aneamente que efectivamente una vez que elegimos el plan de extracci on x
e
se rev-
ela la verdadera ley , y podemos tomar la decisi on de recourse x
p
. Bajo este esquema el
problema de optimizar el benecio de la explotaci on es:
m ax
x
e (v
e
)
t
x
e
+Q(x
e
, )
s.a. x
e
a
x
e
b
(a, b) T
(c
e
)
t
x
e
B
e
x
e
0, 1
B
(2.8)
donde
Q(x
e
, ) := max
x
p (W
p
v
p
)
t
x
p
s.a. x
p
x
e
(c
p
)
t
x
p
B
p
x
p
0, 1
B
.
Notar que si es determinista, i.e. se conoce de antemano el verdadero valor de las leyes,
entonces este problema es equivalente al problema (2.1).
13

Si este esquema para la realizaci on de fuera realista entonces obtendramos que la
decisi on optima x
p
es en realidad una funci on del espacio de todas las posibles leyes,
1
,
al espacio de todos los planes de procesamiento factibles. No obstante, asumimos al inicio
de esta secci on que no necesariamente conoceramos la distribuci on de , y en vez s olo
tendramos acceso a un generador de muestras iid de . Con esto el enfoque anterior sera
impracticable.
Una opci on posible es modelar el problema bajo riesgo como
m ax
x
e (v
e
)
t
x
e
+E[Q(x
e
, )]
s.a. x
e
a
x
e
b
(a, b) T
(c
e
)
t
x
e
B
e
x
e
0, 1
B
y resolver este problema estoc astico usando una aproximaci on SAA, i.e. aproximarlo us-
ando una muestra iid de . Sin embargo habamos establecido que el tratamiento adecuado
para el problema de planicaci on bajo incertidumbre deba ser averso al riesgo, y mini-
mizar esperanza es, por excelencia, un enfoque neutro al riesgo.
Lo que proponemos es aplicar este esquema, de usar variables con recourse, a los
modelos aversos al riesgo que usamos en este trabajo. Para introducir el modelo de mini-
mizaci on de VaR con recourse, y tambi en con el n de alivianar la formulaci on, denimos
primero la funci on de benecio con recourse
R
como
R
(x
e
, ) := (v
e
)
t
x
e
+ max
x
p (W
p
v
p
)
t
x
p
s.a. x
p
x
e
(c
p
)
t
x
p
B
p
x
p
0, 1
B
(2.9)
y tambi en denimos el conjunto X
R
de planes ( unicamente) de extracci on factibles como:
X
R
:=
_
x
e
0, 1
B
: x
e
a
x
e
b
(a, b) T
(c
e
)
t
x
e
B
e
_
. (2.10)
Dado un nivel de riesgo [0, 1), el problema de minimizaci on de VaR con recourse
es
mn
x
e z
s.a. P
_
R
(x
e
, ) + z < 0
_

x
e
X
R
, z R.
(2.11)
Como en el caso del problema de minimizaci on de VaR sin recourse, en este prob-
lema tambi en tenemos dicultades con la integraci on multidimensional que requiere la
restricci on en probabilidad, y tambi en esta restricci on puede hacer que el problema no sea
convexo. Adicionalmente, es un problema c omo se tratar a la variable con recourse x
p
, que
1
Recordamos al lector que asumimos que el par ametro est a soportado en el conjunto
14

en optimalidad, como se mencion o antes, no es un unico vector, si no que es una funci on
sobre el espacio de todas las posibles realizaciones de .
Nuevamente, como en el problema de minimizaci on de VaR sin recourse, sorteamos al
mismo tiempo todas estas dicultades para el problema (2.11) haciendo uso de su aprox-
imaci on SAA. Esto es, tomamos una muestra iid
1
, . . . ,
N
de y aproximamos la prob-
abilidad por la probabilidad frecuentista en la muestra. Es decir, usamos en el problema
(2.11) la aproximaci on
P
_
R
(x
e
, ) + z < 0
_

1
N
N
k=1
1
(,0)
_
R
(x
e
,
k
) + z
_
.
No es dif cil vericar que la siguiente es una formulaci on lineal para la aproximaci on SAA
del problema de minimizaci on de VaR con recourse:
mn z
s.a. (x
e
, x
p,k
,
k
) + z +
k
M
k
0 k = 1, . . . , N
N
k=1
k
N|
0, 1
N
(x
e
, x
p,k
) X k = 1, . . . , N
z R
(2.12)
donde y X son del modelo sin recourse, i.e. como se denieron en (2.3) y (2.2) respec-
tivamente.
Hacemos notar que la unica diferencia entre las aproximaciones SAA para los proble-
mas de VaR con y sin recourse es que, en el caso con recourse, tenemos una decisi on de
procesamiento, x
p,k
, por cada escenario
k
. Esto est a en perfecta sintonia con la arma-
ci on que hicimos antes, de que en el modelo con recourse la variable con recourse optima
es en realidad una funci on de todas las realizaciones del par ametro incierto. En efecto,
en el caso de la aproximaci on SAA lo que estamos haciendo es reducir el espacio para
desde su verdadero soporte a la muestra
1
, . . . ,
N
; luego la decisi on optima del
problema aproximado es una funci on de la muestra
1
, . . . ,
N
al espacio de los planes
de procesamiento factibles, i.e. es un plan x
p,k
por cada escenario
k
2.2.2. Modelo de minizaci on de CVaR
El segundo modelo que consideramos en nuestro estudio es el de minimizaci on de
Conditional Value-at-Risk (CVaR). Veremos que el CVaR es una medida de riesgo inspi-
rada en el VaR, cuya nalidad es cuanticar el riesgo de una v.a. de p erdidas. Sin embargo,
a diferencia del VaR, el CVaR poseer a varias propiedades te oricas deseables en una me-
dida de riesgo, y m as a un, ser a la componente fundamental de la familia de medidas de
riesgo de distorsi on. El modelo de minimizaci on de CVaR que propondremos en esta
subsecci on, veremos, consiste en elegir el plan que minimice el CVaR de las p erdidas.
15

Primeramente, denamos el CVaR de una v.a. de p erdidas
2
. Consideramos un espacio
de probabilidad (, T, P) y una v.a. de p erdidas L sobre dicho espacio. Sea (0, 1], y
supongamos moment aneamente que L no tiene atomos de probabilidad, i.e. P(L = p) =
0 para todo p R. En este caso, el CVaR con nivel de riesgo de L se dene como
CVaR
(L) := E[L[L VaR
(L)] , (2.13)
donde, recordemos, el VaR con nivel de riesgo de L es VaR
(L) := mnz : P(L

z) 1 . Notar que si = 1 entonces CVaR
(L) = E(L).
Dijimos en 2.2.1 que, de manera gruesa, VaR
(L) es el peor el m as alto valor que

puede tener L cuando desechamos sus 100 % peores p erdidas. Luego, intuitivamente,
CVaR
(L) es el promedio de las 100 % peores mayores p erdidas posibles de L.

Rockafellar et al. [RU00] muestran que, para distribuciones sin atomos, el CVaR de
una posici on L se puede obtener minimizando una funci on real, convexa y continuamente
diferenciable, lo cual es una ventaja considerable para poder optimizar el CVaR de una
variable afecta a riesgo. Para conservar esta propiedad al pasar a distribuciones generales,
posteriormente en [RU02] tambi en Rockafellar et al. generalizan la denici on de CVaR
de la siguiente manera: dada una v.a. de p erdidas L : (, T, P) R y (0, 1], se dene
el CVaR con nivel de riesgo de L como
CVaR
(L) := (1

) VaR
(L) +

CVaR
+
(L), (2.14)
donde
:= P(L > VaR
(L)) y CVaR
+
(L) := E[L[L > VaR
(L)]. Se verica f acil-

mente que si L no tiene atomos entonces esta denici on es equivalente a la denici on
(2.13). Adem as, tambi en se mantiene que CVaR
(L) = E(L) si = 1.
El resultado principal de [RU02], como se insinu o antes, es que en cualquier caso
para v.a. de p erdidas con o sin atomos el CVaR con nivel de riesgo de una v.a. L se
puede escribir como
CVaR
(L) = mn
tR
_
t +
1
E
_
(L t)
+
_
, (2.15)
donde
+
:= 1
0
para todo R. En ese trabajo se muestra que el lado derecho de
(2.15) es convexo y continuamente diferenciable en t, lo cual es una ventaja considerable
si se desea optimizar el CVaR de las p erdidas. Esto es, supongamos que L depende con-
tinuamente en una decisi on x X y es medible en un par ametro incierto , i.e. L =
L(x, ) es de Carath eodory. Si L es convexa en x entonces t +
1
E[(L(x, ) t)
+
] es
convexa en (x, t) y se tiene
mn
xX
CVaR
(L(x, )) = mn
xX,tR
_
t +
1
E
_
(L(x, ) t)
+
_
.
2
Recordamos que L : (, T, P) R es una v.a. de p erdidas si preferimos sus valores bajos por sobre
los altos.
16

Para m as detalles referimos al lector a [RU02], y para un enfoque alternativo para llegar a
la misma conclusi on recomendamos [SDR09, 6.2.4].
Si bien de lo expuesto se vislumbra claramente cu al ser a el modelo de minimizaci on de
CVaR que aplicaremos a nuestro problema de planicaci on minera, preferimos introducir
previamente las nociones b asicas de teora de riesgo. Esto no s olo servir a para ahondar en
las buenas propiedades te oricas que posee el CVaR las cuales carece el VaR si no que
adem as nos ser a util para discutir las propiedades del modelo MCH, el cual presentaremos
posteriormente en 2.2.3. La teora de riesgo que sigue corresponde a la iniciada por el
trabajo de Artzner et al. [ADEH99], y la idea fundamental es cuanticar el riesgo de un
costo que est a sujeto a variabilidad.
Introducci on a teora de riesgo
Consideremos un espacio de probabilidad (, T, P). Sea : L
(, T, P) un con-
junto de v.a. de p erdidas.
Denici on 2.2.1. Sea una funci on : : R, consideremos las siguientes propiedades
para , para todo X, Y ::
1. Monotona: Si X Y , esto es X() Y () para todo , entonces (X)
(Y ).
2. Equivarianza a traslaci on: Si c R entonces (X c) = (X) c.
Diremos que es medida de riesgo si satisface 1. y 2.
3. Convexidad: Si [0, 1] entonces (X + (1 )Y ) (X) + (1 )(Y ).
4. Homogeneidad positiva: Si 0, entonces (X) = (X).
Se dir a que es medida de riesgo coherente si cumple 1.4.
5. Comonotona: Si X e Y son comonot onicas, i.e. (X() X(
t
)) (Y () Y (
t
))
0 para todo ,
t
, entonces (X + Y ) = (X) + (Y ).
6. Ley-invarianza: Si X e Y tienen la misma distribuci on bajo P entonces (X) =
(Y ).
Por ultimo, se dir a que es medida de riesgo de distorsi on, o espectral, si satisface 1.6.
Para medida de riesgo y X v.a. de p erdidas, (X) puede interpretarse como la
mnima recompensa, o disminuci on de p erdidas, necesaria para hacer aceptable a X.
Por convenci on, diremos que X es aceptable si (X) 0. As, para una medida de
riesgo la monotona nos asegura que si entre dos posiciones riesgosas la primera, digamos,
17

provee consistentemente menores p erdidas que la segunda, entonces la primera es menos
riesgosa. Asmismo, la interpretaci on a equivarianza a traslaci on es que si disminuimos
nuestras p erdidas en una cantidad c garantizada, entonces nuestra recompensa por riesgo
debe disminuir en la misma cantidad.
Una medida de riesgo coherente corresponde a una medida de riesgo con una estruc-
tura particular para lidiar con la diversicaci on de riesgo. Fundamentalmente, convexidad
exige que diversicar posiciones nunca aumentar a el riesgo. Adicionalmente, homogenei-
dad positiva exige que el riesgo escale linealmente con el tama no de la posici on. Hacemos
notar tambi en que, cuando se tiene homogeneidad positiva, convexidad equivale a suba-
ditividad:
(X + Y ) (X) + (Y ) para todo X, Y :.
Las medidas de riesgo coherentes proveen ventajas adicionales en optimizaci on. Primer-
amente, debido a la propiedad de convexidad, optimizar el riesgo de una posici on usando
una medida de riesgo coherente no es un impedimento para que el problema sea convexo.
Y segundo, existe una conexi on con optimizaci on robusta, pues una medida de riesgo es
coherente si y s olo si puede ser expresada como el peor valor esperado sobre una familia
de distribuciones, como muestra el siguiente resultado:
Teorema 2.2.2 (Teorema de representaci on de medidas de riesgo coherentes). Una fun-
ci on : : R es una medida de riesgo coherente ssi existe una familia Q de medidas
de probabiliad sobre (, T) satisfaciendo
Q << P para todo Q Q, i.e. Q(A) = 0 para todo A T tal que P(A) = 0; y
para todo Q Q y todo X : se tiene
(X) = sup
Q
E
Q
[X] ,
donde E
Q
es la esperanza seg un la medida de probabilidad Q.
Para una demostraci on detallada de este resultado referimos al lector a la demostraci on
del Teorema 6.4 de [SDR09] y la discusi on que le sigue.
Para el caso de medidas de riesgo de distorsi on, la propiedad de comonotona exige
que si dos posiciones se mueven juntas entonces diversicar no disminuye el riesgo
conjunto. En otras palabras, cuando se tiene convexidad, comonotona exige que el ries-
go conjunto de dos posiciones riesgosas que se mueven juntas sea el mayor posible. La
propiedad de ley-invarianza, por su parte, es una propiedad b asica para poder estimar
consistentemente la medida de riesgo de una posici on a partir de datos. Para ver esto, con-
sideremos X e Y con la misma distribuci on y medida de riesgo no ley-invariante tal que
(X) ,= (Y ); consideremos tambi en muestras iid X
i
i=1,...,N
y Y
i
i=1,...,N
de X e Y ,
respectivamente, y un estimador
N
: R
N
R de que s olo depende de la distribuci on
de la muestra. Al hacer N se tiene que las muestras son asint oticamente id enticas y
18

entonces lm
N

N
(X
1
, . . . , X
N
) = lm
N

N
(Y
1
, . . . , Y
N
); sin embargo, (X) ,= (Y ), y
entonces al menos alguno de los dos estimadores debe ser incorrecto asint oticamente.
A continuaci on damos algunos ejemplos de distintos tipos de medidas de riesgo:
Value-at-Risk: el VaR con nivel de riesgo [0, 1], VaR
(L) = mnz R :
P(L z) 1 es una medida de riesgo, sin embargo no satisface subaditividad
y entonces convexidad tampoco, por lo que no es una medida de riesgo coherente.
Momentos uni-laterales: las medidas de riesgo
r,
(L) = E[X] +
r,
(L),
donde r 1, [0, 1] y
r,
(L) :=
_
E
_
(L E[L])
+
_
r
1/r
,
son medidas de riesgo coherentes (ver [BB09]).
Conditional Value-at-Risk: no es difcil vericar que el CVaR con nivel de riesgo
(0, 1], CVaR
(L) := mn
tR
_
t +
1
E(L t)
+
, es una medida de riesgo de

distorsi on.
Para una lista extensa de distintas medidas de riesgo referimos al lector a [SDR09, 6.3.2].
Por ultimo, mostramos el siguiente resultado que establece que, en espacios de proba-
bilidad discretos y equiprobables, toda medida de riesgo de distorsi on es una combinaci on
lineal convexa de medidas de riesgo CVaR.
Teorema 2.2.3. Sea (
N
, T, P
N
) un espacio de probabilidad nito y equiprobable, i.e.
N
=
1
, . . . ,
N
, T es el conjunto de las partes de
N
y P
N
(
i
) = 1/N para todo i.
Se tiene que medida de riesgo es medida de riesgo de distorsi on ssi existe funci on
: [0, 1] [0, 1] satisfaciendo
_
1
=0
(d) = 1 y
(X) =
_
1
=0
CVaR
(X)(d).
Para la demostraci on de este resultado remitimos al lector a la demostraci on del Lema
4.1 de [BB09]. Este resultado es v alido tambi en para distribuciones sin atomos en espacios
de probabilidad generales, para lo cual referimos al lector tambi en a la demostraci on del
lema ya citado de la referencia anterior. As, en estos casos podemos decir que CVaR es
la componente fundamental de las medidas de riesgo de distorsi on.
En nuestro caso, donde asumimos que s olo tenemos una muestra iid del par ametro
incierto , es de especial relevancia el caso de espacio de probabilidad discreto equiproba-
ble. Esto, pues nuestro foco es aproximar el espacio de probabilidad real de haciendo
uso de un sample iid de , y estimar en este espacio la medida de riesgo de distorsi on
a estudiar. Hacemos notar que esto es exactamente lo que se hizo para el caso de mini-
mizaci on de VaR, y es el enfoque natural a seguir en el modelo de minimizaci on de CVaR,
que presentamos en la siguiente subsecci on.
19

Modelo sin recourse
Sea (x
e
, x
p
) X un plan de extracci on y procesamiento factible. Asumiendo que el
vector de leyes conjuntas el par ametro incierto pertenece a un espacio de probabilidad
(, T, P), se tiene que ((x
e
, x
p
), ) es una v.a. de p erdidas. Dado un nivel de riesgo
(0, 1], es una cuanticaci on del riesgo del plan (x
e
, x
p
)
CVaR
[((x
e
, x
p
), )] = mn
tR
_
t +
1
E[((x
e
, x
p
), ) t]
+
_
.
El modelo que proponemos es escoger el plan que minimice el riesgo cuanticado con el
CVaR.
Formalmente, dado un nivel de riesgo (0, 1], el modelo de minimizaci on de CVaR
es
mn
x
CVaR
[((x
e
, x
p
), )] s.a. x X . (2.16)
Se verica f acilmente que ((x
e
, x
p
), ) es lineal, y entonces convexa, en (x
e
, x
p
), y
tambi en que es lineal afn en , con lo que es Carath eodory si la - algebra asociada
a es borealiana. Luego, como se dijo en el inicio de esta subsecci on, la funci on t +
1
E[((x
e
, x
p
), ) t]
+
es convexa en (x
e
, x
p
, t). Conclumos que si T, la - algebra
asociada a , es borealiana entonces se tiene la siguiente formulaci on equivalente para el
problema (2.16):
mn
x,t
t +
1
E[((x
e
, x
p
), ) t]
+
s.a. x X, t R . (2.17)
No obstante, como sucedi o en el modelo de minimizaci on de VaR en 2.2.1, esta
formulaci on requiere el c alculo de una esperanza, la cual involucra integrar en varias di-
mensiones. Adicionalmente, dijimos en 2.2 que era irreal en nuestro problema asumir
conocida la distribuci on conjunta del vector de leyes R
B
+
, lo cual es un escollo ex-
tra para el c alculo de la esperanza en (2.17). Para abordar este problema nuevamente
recurrimos a la aproximaci on SAA de este problema. Esto es, tomamos una muestra iid
1
, . . . ,
N
de y aproximamos
E[((x
e
, x
p
), ) t]
+
1
N
N
k=1
_
((x
e
, x
p
),
k
) t
+
.
As, la aproximaci on SAA del modelo de minimizaci on de CVaR es
mn
x,t
t +
1
N
N
k=1
_
((x
e
, x
p
),
k
) t
+
s.a. x X, t R , (2.18)
20

donde
1
, . . . ,
N
es una muestra iid de . M as a un, este problema se puede reformular
como un problema lineal a variables binarias y continuas de la siguiente manera:
mn t +
1
N
N
k=1
k
s.a.
k
((x
e
, x
p
),
k
) t k = 1, . . . , N
k
0 k = 1, . . . , N
(x
e
, x
p
) X, t R.
(2.19)
En sntesis, el modelo presentado busca escoger un plan averso al riesgo al elegir el
plan que minimiza su CVaR, una medida de riesgo con numerosas propiedades te oricas.
El problema verdadero (2.16) no es tratable pues requiere el c alculo de una esperanza
usando una distribuci on que resulta poco realista asumir conocida. Por ello, nos remitimos
a aproximar el problema verdadero usando la aproximaci on SAA (2.18), el cual requiere
conocer solamente una muestra iid del par ametro incierto . A continuaci on adaptamos
este modelo al cambio de paradigma presentado en 2.2.1, en el cual asumimos que la
decisi on x
p
es una variable de segunda etapa.
Contraparte con recourse
Buscamos ahora aplicar el modelo de minimizaci on de CVaR al esquema de decisi on
multi-etapa presentado en 2.2.1. Bajo este paradigma alternativo asumimos que debemos
elegir aqu y ahora la decisi on x
e
de qu e bloques extraer, posteriormente, despu es de
realizarse la extracci on, podemos ver cu al era la verdadera ley de los bloques, y s olo
entonces debemos decidir qu e bloques procesar. As, la decisi on x
e
es una variable de
primera etapa o aqu y ahora, y la decisi on x
p
es una variable de segunda etapa o de
recourse.
Para incorporar esta regla de decisi on a nuestro modelo basta redenir apropiadamente
la funci on de benecio , haciendo que la decisi on x
p
dependa de la decisi on de extrac-
ci on x
e
y la ley . Esto ya fue hecho en 2.2.1, donde, recordemos, se deni o el benecio
con recourse
R
en (2.9) como
R
(x
e
, ) := (v
e
)
t
x
e
+ max
x
p (W
p
v
p
)
t
x
p
s.a. x
p
x
e
(c
p
)
t
x
p
B
p
x
p
0, 1
B
.
Usaremos a continuaci on tambi en la notaci on (2.10) para el conjunto de planes de extrac-
ci on factibles:
X
R
:=
_
x
e
0, 1
B
: x
e
a
x
e
b
(a, b) T
(c
e
)
t
x
e
B
e
_
.
Dado un nivel de riesgo (0, 1], el modelo de minimizaci on de CVaR con recourse
es
mn
x
e
CVaR
R
(x
e
, )
s.a. x
e
X
R
. (2.20)
21

En la Propiedad 3.3.1, en 3.3 del siguiente captulo, mostraremos que
R
(, ) se puede
extender convexamente desde 0, 1
B
a [0, 1]
B
, y adem as esta extensi on es Carath eodory
si la - algebra asociada a es boreliana. Asumiendo esto ultimo, el cual es un supuesto
razonable, podemos reformular equivalentemente este problema como
mn
x,t
t +
1
E
_
R
(x
e
, ) t
+
s.a. x
e
X
R
, t R . (2.21)
Nuevamente, la esperanza en la formulaci on anterior presenta una dicultad mayor
en su tratabilidad. Usamos de nuevo entonces el m etodo de aproximaci on Sample Aver-
age Approximation para sortear este problema: tomamos una muestra iid
1
, . . . ,
N
del
vector de leyes y aproximamos la esperanza por el promedio dentro de la muestra. La
aproximaci on SAA del modelo de minimizaci on de CVaR con recourse queda
mn
x
e
,t
t +
1
N
N
k=1
_
R
(x
e
,
k
) t
+
s.a. x
e
X
R
, t R . (2.22)
Se verica f acilmente que este problema se puede reformular linealmente como
mn t +
1
N
N
k=1
k
s.a.
k
(x
e
, x
p,k
,
k
) t k = 1, . . . , N
k
0 k = 1, . . . , N
(x
e
, x
p,k
) X k = 1, . . . , N
t R,
(2.23)
donde X y son las versiones sin recourse del conjunto de planes factibles y bene-
cio, respectivamente. Remarcamos nalmente que este procedimiento es absolutamente
an alogo al hecho para el caso del modelo de VaR con recourse de 2.2.1.
2.2.3. Modelos MCH y MCH-
El tercer modelo que consideramos en este trabajo est a inspirado en optimizaci on ro-
busta. El modelo Modulated Convex-Hull (MCH) consistir a en asumir que el vector de
leyes se encuentra dentro de un conjunto que se obtendr a a partir de una muestra iid. Se
obtendr a una planicaci on aversa al riesgo al tomar el plan que optimice la peor p erdida
cuando el vector se encuentra en este conjunto. Veremos que este enfoque ser a equiv-
alente a minimizar una medida de riesgo de distorsi on de las p erdidas. Propondremos
adem as una versi on multi-etapa o con recourse. Asmismo propondremos una versi on al-
ternativa del modelo MCH, el modelo MCH-, que tendr a propiedades de convergencia, a
diferencia del modelo MCH.
El enfoque robusto que se propone en este modelo es asumir simplemente que el
par ametro incierto pertenece a un conjunto | R
B
+
, el cual considerar a todas las real-
izaciones razonables para . A continuaci on, escogemos el plan (x
e
, x
p
) que minimice
22

la peor realizaci on de las p erdidas cuando |, esto es, el plan soluci on de
mn
(x
e
,x
p
)X
m ax
|
((x
e
, x
p
), ). (2.24)
En principio, el plan (x
e
, x
p
) ser a robusto pues para cualquier otro plan existir a una
realizaci on razonable de , i.e. |, que ser a peor que la peor realizaci on del primero.
Acto seguido debemos decidir el conjunto | de realizaciones razonables para . Una
opci on posible es tomar | = R
B
+
, sin embargo la soluci on de (2.24) problabemente sea no
hacer nada, x
e
= x
p
= 0, una soluci on extremadamente conservadora. Otra posibilidad
es tomar la ley
b
de cada bloque b B variando en un intervalo; o es m as, establecer
un presupuesto de robustez [0, [B[] y especicar que no m as de bloques tengan
su peor realizaci on en el intervalo. Una tercera opci on es considerar las leyes que est en
a una distancia euclideana no mayor que, digamos, alg un > 0; o mejor a un, usar una
distancia euclideana modulada en varias direcciones, i.e. [[A
1
[[
2
donde A es matriz
sim etrica denida positiva. Estos ultimos dos enfoques son los que por su buena tratabili-
dad computacional gozan de mayor popularidad en optimizaci on robusta, para el primero
ver [BS04] y el segundo, [BTN00]. Sin embargo requieren decidir varios par ametros que
frecuentemente no son claros de establecer, e.g. el valor de o .
Al inicio de esta secci on, en 2.2, establecimos que nuestro modelo de incerteza para
el par ametro sera asumir que podramos obtener una muestra iid de el tan grande como
queramos. Basados en esto proponemos tomar un conjunto de incerteza basados en una
muestra iid
1
, . . . ,
N
. Una primera aproximaci on sera tomar | como conv(
1
, . . . ,
N
),
la envoltura convexa de la muestra. Pero con el n de tener un control de cu an conservador
ser a el plan resultante proponemos modular la envoltura convexa en torno al promedio de
la muestra.
Formalmente, dado [0, 1] y una muestra iid
1
, . . . ,
N
del vector de leyes ,
denimos
|
= |
(
1
, . . . ,
N
) := + (1 ) conv(
1
, . . . ,
N
), (2.25)
donde :=
1
N
N
k=1
k
. Denimos el modelo Modulated Convex Hull (MCH) con nivel
de riesgo como
mn
(x
e
,x
p
)X
m ax
|
((x
e
, x
p
), ) . (2.26)
Es f acil vericar que como ((x
e
, x
p
), ) es lineal afn para todo (x
e
, x
p
) y |
es
poltopo entonces
m ax
|
((x
e
, x
p
), ) = m ax
k=1,...,N
_
(x
e
, x
p
),
(k)
_
,
donde
(k)
:= + (1 )
k
. Notar que
(1)
, . . . ,
(N)
contiene a todos los v ertices
de |
. Luego, el problema MCH (2.26) se puede formular como un problema lineal a

variables binarias y continuas como
mn
s.a.
_
(x
e
, x
p
),
(k)
_
k = 1, . . . , N
(x
e
, x
p
) X.
(2.27)
23

Nos dedicamos ahora a demostrar que este modelo se puede ver como uno de opti-
mizaci on aversa al riesgo. Esto es, es equivalente a un problema en el que se minimiza
una medida de riesgo de las p erdidas del plan. M as a un, esta medida de riesgo ser a de dis-
torsi on. Usaremos el Teorema 4.2 de [BB09] para esta demostraci on, y con el n de hacer
un desarrollo claro de esta idea, a continuaci on hacemos un resumen de dicho teorema y
de su contexto.
Conexi on con optimizaci on aversa al riesgo y optimizaci on robusta
Consideremos un espacio de probabilidad (
N
, T, P
N
) nito y equiprobable. Es decir,
N
=
1
, . . . ,
N
, T es la - algebra de las partes de
N
, y P
N
( =
k
) = 1/N para
todo k = 1, . . . , N. En este contexto, una v.a. X : (
N
, T, P
N
) R es representable por
un vector x R
N
, x
k
= X(
k
); una medida de probabilidad Q sobre (
N
, T) se puede
representar por q
N
, q
k
= Q( =
k
), donde
N
:=
_
p R
N
+
:
N
k=1
p
k
= 1
_
es el smplex N-dimensional; y se tiene E
Q
(X) = q
t
x donde E
Q
es la esperanza con
respecto a la medida de probabilidad Q. Denimos adem as el smplex N-dimensional
restringido como
N
:=
_
p
N
: p
1
. . . p
N
_
,
y para X v.a. representada por x R
N
notaremos x
[]
:= (x
[1]
, . . . , x
[N]
)
t
donde x
[1]

. . . x
[N]
. Por ultimo, asumiremos que toda v.a. sobre (
N
, T, P
N
) es una v.a. de p erdi-
das.
Por el Teorema 2.2.3 sabemos que toda medida de riesgo de distorsi on es igual a
una combinaci on lineal convexa de medidas de CVaR. El siguiente teorema establece ese
hecho en el contexto presentado aqu, explotando la estructura particular que otorga el es-
pacio de probabilidad nito equiprobable. Para la demostraci on de este teorema remitimos
al lector a [BB09].
Teorema 2.2.4 (Teorema 4.2 de [BB09]). Sea : L
(
N
, T, P
N
) R una medida de
riesgo. es medida de riesgo de distorsi on ssi existe una medida de probabilidad q

N
sobre (
N
, P) tal que para todo X L
(
N
, T, P
N
) se tiene
(X) =
N
k=1
q
k
x
[k]
.
M as a un, cada uno de estos q

N
se puede escribir de la forma
q =
N
k=1
k
q
k
,
24

donde
N
y q
k
N
es la medida de probabilidad asociada a la medida de riesgo
de distorsi on CVaR con nivel de riesgo = k/N, k = 1, . . . , N. Estos medidas q
k
son
q
k
i
=
_
1/k si i = 1, . . . , k
0 si i = k + 1, . . . , N.
Notar que, en particular, en el espacio L
(
N
, T, P
N
) CVaR
1/N
mide la peor p erdida:
CVaR
1/N
(X) = ( q
1
)
t
x
[]
= x
[1]
= m ax
k=1,...,N
X(
k
),
y CVaR
1
mide la p erdida esperada:
CVaR
1
(X) = ( q
N
)
t
x
[]
=
1
N
N
k=1
x
[k]
=
1
N
N
k=1
X(
k
).
Adem as, usando el Teorema 2.2.2 y el hecho de que en (
N
, T, P
N
) la familia de
medidas que generan CVaR
, para (0, 1], es Q
:= q
N
: q
k

1
N
(ver [BB09]),
se tiene que la medida q
N

N
denida como
q
N
k
:=
1
N
_
_
1 si k N|
N N| si k = N| + 1
0 si no,
(2.28)
es la medida de probabilidad que genera CVaR
. Esto es, dada X L
(
N
, T, P
N
)
v.a. de p erdidas representada por x R
N
, se satisface
CVaR
(X) =
N
k=1
q
N
k
x
[k]
. (2.29)
Notar que cuando = j/N con j 1, . . . , N se tiene que, por denici on de q
N
,
q
N
= q
j
, y entonces tambi en se satisface la igualdad (2.29).
Consideremos nuevamente el espacio nito equiprobable (
N
, T, P
N
) y tomemos una
v.a. a R
d
sobre este espacio de probabilidad, i.e. a : (
N
, T, P
N
) R
d
. Por simplici-
dad, notemos a
k
:= a
_
k
_
para k = 1, . . . , N y / := a
1
, . . . , a
N
. Queremos usar un
esquema averso al riesgo para hacer que se cumpla la restricci on
z R
d
: a
t
z c ,
donde c R es dado, cuando a sigue la distribuci on mencionada.
Consideremos para ello una medida de riesgo de distorsi on : L
(
N
, T, P
N
) R
representada por q

N
. Es decir, consideremos la restricci on aversa al riesgo
z R
d
: (z
t
a c) 0.
25

Se tiene que esta es equivalente a la restricci on robusta
z R
d
: z
t
a
t
c a
t

q
(/) ,
donde
q
__
a
1
, . . . , a
N
__
:= conv(
_
N
k=1
q
(k)
a
k
: permutaci on
_
) (2.30)
es el q-permutahull de /.
En efecto, basta notar que
(a
t
z c) = (z
t
a) c
=
N
k=1
q
k
(z
t
a)
[k]
c
= max
permutaci on
_
N
k=1
q
(k)
(z
t
a)
k
_
c
= max
permutaci on
_
N
k=1
q
(k)
z
t
a
k
_
c
= max
permutaci on
_
z
t
_
N
k=1
q
(k)
a
k
__
c
= max
a
q(,)
z
t
a
t
c,
donde (z
t
a)
k
:= z
t
a
k
, la segunda igualdad viene del Teorema 2.2.4, y la tercera igualdad
viene de que q

N
. La cuarta desigualdad viene de que la funci on objetivo z
t
a
t
es
lineal.
Notemos que un corolario de este sencillo resultado es que, si a R
d
es un vector
aleatorio sobre (
N
, T, P
N
), entonces el problema de optimizaci on aversa al riesgo
mn
zZ
(z
t
a)
es equivalente al problema robusto
mn
zZ
m ax
a
q(,)
z
t
a
t
,
donde Z R
d
es un subconjunto cualquiera.
Volviendo al modelo MCH, queremos aplicar esta colecci on de corolarios del Teorema
2.2.4 a nuestro modelo. La idea fundamental es tomar el espacio de probabilidad nito
equiprobable que induce la muestra iid
1
, . . . ,
N
de , y denir una medida de riesgo de
distorsi on sobre este espacio.
Proposici on 2.2.5. Sea
1
, . . . ,
N
una muestra iid del vector de leyes . Consideremos
(
N
, T, P
N
) el espacio equiprobable nito que la muestra iid dene, es decir
N
=
1
, . . . ,
N
, T es el conjunto de las partes de
N
y P
N
( =
k
) = 1/N para todo
k = 1, . . . , N. Sea tambi en [0, 1] un nivel de riesgo.
26

1. Denamos
como
(L) := CVaR
1
(L) + (1 ) CVaR
1/N
(L)
para toda v.a. de p erdidas L L
(
N
, T, P
N
). Se tiene que
es una medida de
riesgo de distorsi on.
2. El problema (2.26) es equivalente al problema
mn
(x
e
,x
p
)X
(((x
e
, x
p
), )) ,
donde
opera en el espacio L
(
N
, T, P
N
).
Demostraci on. El punto 1. es directo del Teorema 2.2.4. Para 2. tomemos el conjunto
X
Z
:= ((x
e
, x
p
), ) X R : ((x
e
, x
p
), ) |
.
Es f acil ver que al tomar (
N
, T,
N
) se tiene
X
Z
= ((x
e
, x
p
), ) X R :
(((x
e
, x
p
), )) . (2.31)
En efecto, primero notemos que
CVaR
1/N
(((x
e
, x
p
), )) = (c
e
)
t
x
e
+ CVaR
1/N
((W
p
)
t
x
p
) + (c
p
)
t
x
p
= (c
e
)
t
x
e
+ (max
k=1,...,N
(W
p
)
t
x
p
) + (c
p
)
t
x
p
= max
k=1,...,N
((x
e
, x
p
), ) .
Luego,
(((x
e
, x
p
), )) = E[((x
e
, x
p
), )] + (1 ) CVaR
1/N
(((x
e
, x
p
), ))
= ((x
e
, x
p
), ) + (1 ) m ax
k=1,...,N

_
(x
e
, x
p
),
k
_
= max
k=1,...,N

_
((x
e
, x
p
), ) + (1 )
_
(x
e
, x
p
),
k
_
= max
k=1,...,N

_
(x
e
, x
p
), + (1 )
k
_
= max
|
((x
e
, x
p
), ) ,
y entonces son equivalentes
(((x
e
, x
p
), ))
m ax
|
((x
e
, x
p
), )
((x
e
, x
p
), ) |
,
lo que demuestra la igualdad de conjuntos (2.31). Finalmente, se concluye notando que el
problema MCH (2.26) es equivalente a
mn s.a. ((x
e
, x
p
), ) X
Z
,
y entonces tambi en es equivalente a
mn
(x
e
,x
p
)X
(((x
e
, x
p
), )) .
27

Cabe hacer notar que
es la medida de riesgo coherente sobre L
(
N
, T, P
N
)
formada por la familia de medidas de probabilidad Q
:= q
N
+ (1 )
N
sobre
(
N
, T, P
N
), donde q
N
= (1/N, . . . , 1/N)
t
es la medida de probabilidad asociada a
CVaR
1
() sobre L
(
N
, T, P
N
). Esto es, si
es la medida de riesgo coherente in-

ducida por la familia Q
como en el Teorema 2.2.2, entonces
.
A modo de sntesis, se tiene que, dada una muestra iid
1
, . . . ,
N
y un nivel de riesgo
[0, 1], el modelo MCH (2.26) es equivalente al enfoque averso al riesgo
mn E[((x
e
, x
p
), )] + (1 ) CVaR
1/N
[((x
e
, x
p
), )]
s.a. (x
e
, x
p
) X,
(2.32)
donde E y CVaR
1/N
se toman con respecto al espacio de probabilidad nito y equiproba-
ble inducido por la muestra iid. Destacamos que en este espacio CVaR
1/N
es simplemente
el peor escenario, i.e. para una v.a. de p erdidas L,
CVaR
1/N
(L) = m ax
k=1,...,N
L(
k
).
As, en cierto sentido, el modelo MCH consiste en optimizar una combinaci on lineal
convexa de la peor p erdida y la p erdida esperada de la mina. En particular, si elegimos
= 0 en el modelo MCH entonces estamos optimizando el peor escenario, que es el
enfoque m as conservador de todos; y si elegimos = 1 entonces optimizamos la p erdida
esperada, que es el enfoque neutro al riesgo. Luego, la nomenclatura nivel de riesgo
para es coherente, pues efectivamente controla cu an conservadores o aversos al riesgo
queremos realizar la planicaci on.
Modelo MCH-
Nos detenemos ahora a reexionar en torno a una posible convergencia, en alg un sen-
tido, de este modelo. En los modelos de minimizaci on de VaR y CVaR asumimos que
segua una distribuci on estoc astica y propusimos un modelo de optimizaci on aversa al
riesgo, llam emosle problema verdadero. No obstante, a falta del conocimiento exacto de la
distribuci on de preferimos aproximar el problema verdadero con una muestra iid, obte-
niendo un problema aproximado. Es de esperarse que al aumentar el tama no de la muestra
esta representar a m as elmente la distribuci on estoc astica original, traduci endose en que
el problema aproximado provea soluciones cada vez m as cercanas, en alg un sentido, a las
del problema verdadero. Y en efecto, en el siguiente captulo veremos que, bajo ciertas
condiciones suaves, en los modelos de minimizaci on de VaR y CVaR en sus versiones
con y sin recourse el problema aproximado converge al problema verdadero, tanto en
valor objetivo como en soluci on, al hacer crecer el tama no N de la muestra.
En contraste, el modelo MCH se basa desde un principio en una muestra de . En
particular, no existe un problema verdadero y una aproximaci on SAA para tal problema.
Si bien la formulaci on (2.32) del modelo MCH nos puede inducir a pensar que estamos
tomando E y CVaR
1/N
con respecto a un hipot etico verdadero espacio de probabilidad
28

(, T, P) para , esto no es correcto porque estas medidas est an denidas sobre el espacio
(
N
, T, P
N
) denido por la muestra equiprobable de .
Otra opci on posible es que el problema verdadero sea el problema (2.32) con respecto
a la distribuci on verdadera de , y luego tomar su aproximaci on SAA con una muestra
iid de tama no N, obteniendo el problema MCH (2.26). Sin embargo este enfoque sera
sub- optimo, pues el problema verdadero dependera desde un inicio de N pues esta-
mos tomando CVaR
1/N
y para tomar su aproximaci on SAA tomaramos una muestra de
tama no N. O en otras palabras, bajo este esquema si no tomamos una muestra de tama no
N entonces la aproximaci on SAA del problema original no sera equivalente al proble-
ma MCH (2.26). Y peor a un, al hacer crecer N, i.e. tomar un tama no de muestra mayor,
estaramos tomando un problema verdadero distinto pues este tambi en depende de N.
Mencionamos anteriormente que el modelo MCH consiste en optimizar, en el espacio
de probabilidad que dene la muestra iid, una combinaci on lineal convexa de la peor
p erdida y la p erdida esperada de la mina. Luego, es esperable que al hacer crecer el tama no
N de la muestra tanto la p erdida esperada como la peor p erdida converjan a sus verdaderos
valores. Sin embargo el an alisis de convergencia para un enfoque de este estilo se sale de
la teora de Sample Average Approximation para optimizaci on estoc astica (ver [SDR09,
Captulo 5]), pues esta teora no considera una metodologa para analizar la convergencia
del mejor peor caso al aumentar el tama no de la muestra.
La conclusi on de esta discusi on es que no hay una manera clara de realizar un an alisis
de convergencia para el problema MCH al hacer crecer el tama no de la muestra. Para
corregir esta situaci on proponemos usar adicionalmente en el problema de planicaci on
minera bajo riesgo el modelo MCH-. Este enfoque se inspira en la equivalencia entre el
modelo MCH (2.26) y el problema de optimizaci on aversa al riesgo (2.32), demostrada
por la Proposici on 2.2.5.
Dado un nivel de riesgo (0, 1], denimos el modelo MCH- como
mn E[((x
e
, x
p
), )] + (1 ) CVaR
[((x
e
, x
p
), )]
s.a. (x
e
, x
p
) X,
(2.33)
donde E y CVaR
est an tomados con respecto al hipot etico verdader espacio de probabil-

idad (, T, P) para .
Como en el modelo de minimizaci on de CVaR, si la - algebra T para es boreliana
entonces el problema (2.33) es equivalente a
mn E[((x
e
, x
p
), )] + (1 )
_
t +
1
E[((x
e
, x
p
), ) t]
+
_
s.a. (x
e
, x
p
) X, t R.
(2.34)
Para poder hacer tratables las esperanzas de este problema aplicamos la t ecnica SAA
y aproximamos la esperanza usando una muestra iid
1
, . . . ,
N
de . La aproximaci on
29

SAA del problema MCH- queda
mn
1
N
N
k=1
_
((x
e
, x
p
),
k
)
+ (1 )
_
t +
1
N
N
k=1
_
((x
e
, x
p
),
k
) t
+
_
s.a. (x
e
, x
p
) X, t R,
(2.35)
o en una versi on linealizada,
mn
1
N
N
k=1
_
((x
e
, x
p
),
k
)
+ (1 )
_
t +
1
N
N
k=1
k
_
s.a.
k
((x
e
, x
p
),
k
) t k = 1, . . . , N
R
N
+
, (x
e
, x
p
) X, t R.
(2.36)
El modelo MCH- aventaja al modelo MCH en que el modelo verdadero (2.33) no de-
pende de N, por lo que es absolutamente razonable preguntarse si su aproximaci on SAA
(2.35) converger a al problema verdadero, en alg un sentido, al hacer crecer el tama no de
muestra N. Veremos en el siguiente captulo que, bajo hip otesis bastante razonables sobre
el espacio de probabilidad (, T, P) de , en este modelo y en su variante con recourse
que veremos a continuaci on hay convergencia, en el sentido que tanto el valor objetivo
como la soluci on de la aproximaci on SAA converger an a sus respectivas contrapartes en
el problema verdadero.
Mostramos por ultimo una similitud o analoga adicional entre el modelo MCH y el
modelo MCH-.
Proposici on 2.2.6. Consideremos
1
, . . . ,
N
una muestra iid de y sea (
N
, T, P
N
) el
espacio nito equiprobable que esta dene. El problema MCH- aproximado (2.35) es
equivalente al problema
mn
(x
e
,x
p
)X
m ax
1
((x
e
, x
p
), ) , (2.37)
donde 1
:= + (1 )
q
N(
1
. . .
N
) es un conjunto de robustez para , y donde
q
N(
_
1
, . . . ,
N
_
) es como en (2.30). Aqu q
N

N
es el vector denido en (2.28), es
una medida de probabilidad sobre (
N
, T), y representa a CVaR
: L
(
N
, T, P
N
) R
de la manera que establece el Teorema 2.2.4.
Demostraci on. Por la representaci on que establece el Teorema 2.2.4, y en particular usando
la igualdad (2.29), se tiene
CVaR
((W
p
)
t
x
p
) = m ax
permutaci on
N
k=1
q
N
(k)
_
(W
p
k
)
t
x
p
_
= max
permutaci on

_
W
p
(
N
k=1
q
N
(k)
k
)
_
t
x
p
= max
q
N
(W
p
)
t
x
p
,
donde tomamos CVaR
sobre L
(
N
, T, P
N
). Luego,
CVaR
(((x
e
, x
p
), )) = (c
e
)
t
x
e
+ CVaR
((W
p
)
t
x
p
) + (c
p
)
t
x
p
= (c
e
)
t
x
e
+
_
m ax
q
N
(W
p
)
t
x
p
_
+ (c
p
)
t
x
p
= max
q
N
((x
e
, x
p
), ) ,
30

con lo que
m ax
1
((x
e
, x
p
), ) = m ax
q
N
[ ((x
e
, x
p
), ) + (1 ) ((x
e
, x
p
), )]
= [((x
e
, x
p
), )] + (1 ) m ax
q
N
((x
e
, x
p
), )
= E[((x
e
, x
p
), )] + (1 )CVaR
[ ((x
e
, x
p
), )] ,
lo que concluye la demostraci on.
Contrapartes con recourse
Adaptamos ahora los modelos MCH y MCH- para que incorporen el paradigma
multi-etapa presentado en 2.2.1. En el se deben elegir aqu y ahora qu e bloques ex-
traer; posteriormente, despu es de realizarse la extracci on, se puede ver cu al era la ver-
dadera ley de los bloques, y s olo entonces se debe decidir qu e bloques procesar. Como
se hizo antes, para incorporar este modelo de decisi on a nuestro paradigma basta redenir
el benecio , haciendo que la decisi on x
p
dependa de la decisi on de extracci on x
e
y la
ley . Recordamos entonces la denici on (2.9) de benecio con recourse
R
(x
e
, ) := (v
e
)
t
x
e
+ max
x
p (W
p
v
p
)
t
x
p
s.a. x
p
x
e
(c
p
)
t
x
p
B
p
x
p
0, 1
B
,
y tambi en recordamos la notaci on (2.10) para el conjunto de planes de extracci on factibles:
X
R
:=
_
x
e
0, 1
B
: x
e
a
x
e
b
(a, b) T
(c
e
)
t
x
e
B
e
_
.
Primeramente presentamos esta variante para el modelo MCH-. Dado un nivel de
riesgo (0, 1], el modelo MCH- con recourse es
mn E
_
R
(x
e
, )
+ (1 ) CVaR
R
(x
e
, )
s.a. x
e
X
R
.
(2.38)
Como se argument o para el modelo de minimizaci on de CVaR con recourse, si la
- algebra T para es boreliana entonces el problema (2.38) es equivalente a
mn E
_
R
(x
e
, )
+ (1 )
_
t +
1
E
_
R
(x
e
, ) t
+
_
s.a. x
e
X
R
, t R.
(2.39)
Una vez m as, para sortear el problema de modelamiento y tratabilidad computacional
que las esperanzas en este problema presentan, recurrimos a una aproximaci on SAA. Dada
una muestra iid
1
, . . . ,
N
de , la aproximaci on SAA del modelo MCH- con recourse es
mn
1
N
N
k=1
_
R
(x
e
,
k
)
+ (1 )
_
t +
1
N
N
k=1
_
R
(x
e
,
k
) t
+
_
s.a. x
e
X
R
, t R,
(2.40)
31

o equivalentemente, el problema linealizado
mn
1
N
N
k=1
_
((x
e
, x
p,k
),
k
)
+ (1 )
_
t +
1
N
N
k=1
k
_
s.a.
k
((x
e
, x
p,k
),
k
) t k = 1, . . . , N
(x
e
, x
p,k
) X k = 1, . . . , N
R
N
+
, t R,
(2.41)
donde y X son el benecio y conjunto factibles, respectivamente, sin recourse.
Discutimos ahora sobre una posible variante con recourse para el modelo MCH. Recorde-
mos que, dado un nivel de riesgo [0, 1] y una muestra
1
, . . . ,
N
del par ametro , el
problema MCH sin recourse original (2.26) es
mn
(x
e
,x
p
)X
m ax
|
((x
e
, x
p
), ) ,
donde |
:= + (1 )
_
conv(
_
1
, . . . ,
N
_
)
_
y :=
1
N
N
k=1
k
. Un atractivo de
este enfoque es que como la funci on de benecio sin recourse ((x
e
, x
p
), ) es lineal-afn
en , y |
es un poltopo del cual conocemos sus puntos extremos, entonces el problema

MCH (2.26) se puede formular como el problema lineal (2.27).
Volviendo a la variante multi-etapa, si replic aramos el esquema anterior la contraparte
con recourse directa del modelo MCH sera
mn
x
e
X
R
m ax
|
R
(x
e
, ), (2.42)
donde
R
es la funci on de benecio con recourse, denida en (2.9). Sin embargo
R
no es lineal ni lineal-afn en el par ametro . Veamos que esto conduce nalmente a que
no exista una formulaci on sencilla y tratable computacionalmente del problema (2.42),
candidato a ser contraparte con recourse del problema MCH.
Primero notemos que el problema (2.42) es equivalente a
mn
s.a.
R
(x
e
, ) |
x
e
X
R
.
Deniendo
Y = Y (x
e
) :=
_
x
p
0, 1
B
: x
p
x
e
, (c
p
)
t
x
p
B
p
_
se tiene que
m ax
x
p
Y
(W
p
v
p
)
t
x
p
= mn
x
p
Y
(W
p
v
p
)
t
x
p
= mn
x
p
conv(Y )
(W
p
v
p
)
t
x
p
,
donde conv(Y ) es la envoltura convexa de Y , y la segunda igualdad viene de que Y es
acotado y la funci on objetivo (W
p
v
p
)
t
x
p
es lineal en x
p
. Por otro lado, son equivalentes
las restricciones
R
(x
e
, ) |
m ax
|
[(v
e
)
t
x
e
m ax
x
p
Y
(W
p
v
p
)
t
x
p
]
m ax
|
mn
x
p
conv(Y )
(W
p
v
p
)
t
x
p
(v
e
)
t
x
e
.
32

Y, como |
y conv(Y ) son compactos convexos, y la funci on objetivo (W

p
v
p
)
t
x
p
es lineal en x
p
y lineal-afn en , entonces podemos intercambiar el orden en que se toma
el mnimo y el m aximo, ver e.g. teorema Min-Max de Sion [Sio58]. Luego, se puede
reescribir la restricci on de las siguientes maneras equivalentes
m ax
|
mn
x
p
conv(Y )
(W
p
v
p
)
t
x
p
(v
e
)
t
x
e
mn
x
p
conv(Y )
m ax
|
(W
p
v
p
)
t
x
p
(v
e
)
t
x
e
x
p
conv(Y ) t.q. m ax
|
(W
p
v
p
)
t
x
p
(v
e
)
t
x
e
x
p
conv(Y ) t.q. m ax
k=1,...,N
(W
p
(k)
v
p
)
t
x
p
(v
e
)
t
x
e
x
p
conv(Y ) t.q. k = 1, . . . , N (W
p
(k)
v
p
)
t
x
p
(v
e
)
t
x
e
x
p
conv(Y ) t.q. k = 1, . . . , N
_
(x
e
, x
p
),
(k)
_
,
donde
(k)
:= (1 )
k
+, k = 1, . . . , N, y donde la tercera equivalencia viene de que
(1)
, . . . ,
(N)
contiene a los puntos extremos de |
.
De esto conclumos que el problema (2.42) es equivalente a
mn
s.a.
_
(x
e
, x
p
), (1 )
k
+
_
k = 1, . . . , N
x
e
X
R
x
p
conv(Y ),
donde es el benecio sin recourse.
Sin embargo, esta formulaci on no es tratable tal como est a. En primer lugar, el conjun-
to Y , de planes de procesamiento x
p
factibles, depende explcitamente de x
e
. Y segundo,
este conjunto es b asicamente el conjunto factible de un problema knapsack, que como
es ampliamente conocido es un problema NP-completo. Estas dos caractersticas de esta
formulaci on hacen que encontrar una reformulaci on tratable sea una tarea compleja.
Como conclusi on de este an alisis sacamos que el problema (2.42), que sera la contra-
parte con recourse directa del enfoque MCH, no posee una formulaci on tratable evidente.
No obstante, inspir andonos en la Proposici on 2.2.5 proponemos una denici on alternativa
para el problema MCH con recourse.
Dado [0, 1], denimos el modelo MCH con recourse con nivel de riesgo como
mn
x
e
X
R
_
E
_
R
(x
e
, )
+ (1 ) CVaR
1/N
_
R
(x
e
, )
_
, (2.43)
donde
R
es el benecio con recourse y X
R
es el conjunto de planes de extracci on
factibles.
A partir de aqu el tratamiento es exactamente an alogo al hecho con el modelo MCH-
con recourse. Primero, si la - algebra T asociada a la hipot etica distribuci on verdadera
(, T, P) de es boreliana, entonces el problema (2.43) es equivalente a
mn
x
e
X
R
, tR
_
E
_
R
(x
e
, )
+ (1 )
_
t +
1
E
_
R
(x
e
, ) t
+
__
. (2.44)
33

Luego, en nuestro enfoque usual, para abordar el problema de modelamiento y tratabilidad
que presentan las esperanzas usamos la aproximaci on SAA de este problema. Dada una
muestra iid
1
, . . . ,
N
la aproximaci on SAA del problema MCH con recourse es
mn
x
e
X
R
, tR
_
1
N
N
k=1
_
R
(x
e
,
k
)
+ (1 )
_
t +
1
N
N
k=1
_
R
(x
e
,
k
) t
+
__
,
(2.45)
o en una formulaci on linealizada,
mn
1
N
N
k=1
_
_
(x
e
, x
p,k
),
k
_
+ (1 )
_
t +
1
N
N
k=1
k
_
_
(x
e
, x
p,k
),
k
_
t 0 k = 1, . . . , N
_
x
e
, x
p,k
_
X k = 1, . . . , N
t R,
(2.46)
donde y X son las variantes sin recourse del benecio y conjunto de planes factibles,
respectivamente.
2.2.4. Sobre el contenido de probabilidad de un poltopo
En las secciones 2.2.2 y 2.2.3 hemos ido presentando resultados que muestran la
rica estructura de las medidas de riesgo de distorsi on. Particularmente, hemos visto c omo
las aproximaciones SAA de los modelos de minimizaci on de CVaR, MCH y MCH-
pueden formularse indistintamente como problemas de optimizaci on aversa al riesgo o
como problemas de optimizaci on robusta. En esta secci on nos concentramos en esta ulti-
ma representaci on y nos preguntamos cu an representativo de la distribuci on original de
puede ser el conjunto de robustez en cada modelo. Veremos que esto tendr a implicancias
importantes en la convergencia de las aproximaciones SAA, tema que discutiremos en el
captulo siguiente.
Sea (0, 1) un nivel de riesgo cualquiera y consideremos una muestra iid
1
, . . . ,
N
de . Recordemos primeramente que el problema MCH sin recourse (2.26) es
mn
(x
e
,x
p
)X
m ax
|
((x
e
, x
p
), ) ,
donde
|
:= + (1 ) conv(
_
1
, . . . ,
N
_
)
y
:=
1
N
N
k=1
k
.
Tambi en, del Teorema 2.2.4 y la discusi on que le sigue, obtenemos f acilmente que la
aproximaci on SAA (2.18) del problema de minimizaci on de CVaR sin recourse es equiv-
alente al problema
mn
(x
e
,x
p
)X
m ax
q
N
(
1
...
N
)
((x
e
, x
p
), ) , (2.47)
34

donde q
N
es como en la denici on (2.28) y
q
N(
1
. . .
N
) es como en (2.30).
Y de manera an aloga, la Proposici on 2.37 arma que la aproximaci on SAA del prob-
lema MCH- es equivalente al problema
mn
(x
e
,x
p
)X
m ax
1
((x
e
, x
p
), ) ,
donde 1
:= +(1 )
q
N(
1
. . .
N
). En sntesis, las tres aproximaciones SAA se
formulan como un problema de optimizaci on robusta donde el unico cambio es la elecci on
del conjunto de robustez.
Una manera de establecer qu e modelo puede ser mejor que otro sera evaluar, para cu al
de estos tres conjuntos de robustez, el vector tiene mayor probabilidad de estar en el. Es
decir, calcular el contenido de probabilidad P( |) del conjunto de robustez | de cada
modelo. La primera dicultad de este enfoque es pr actica, pues el conjunto | depende de
N muestras independientes de , lo cual agrega complejidad al c alculo. Y la segunda es de
modelamiento, pues hemos asumido desde un principio que desconocemos la verdadera
distribuci on de probabilidad de , con lo cual no podramos calcular la probabilidad para
cada modelo.
A falta de resultados exactos nos apoyamos en el siguiente resultado, que nos permi-
tir a hacer algunas observaciones cualitativas importantes sobre el contenido de probabili-
dad de un poltopo.
Teorema 2.2.7 (Teorema 13.2.1 de [Mat02]). Sea B
d
la bola unitaria en R
d
y sea | B
d
un poltopo convexo contenido en B
d
. Si | tiene a lo m as N v ertices entonces
vol(|)
vol(B
d
)

_
Cln
_
N
d
+ 1
_
d
_
d/2
(2.48)
donde vol() es el volumen en R
d
y C es una constante independiente de d y N.
Supongamos moment aneamente que el soporte de la distribuci on de es la bola uni-
taria en R
d
, y que la distribuci on es uniforme en este conjunto. En tal caso el t ermino de la
izquierda de (2.48) es exactamente P( |). En consecuencia, a menos que el n umero de
v ertices de | sea exponencial en d, esta probabilidad es despreciable. O en otras palabras,
se necesita que el n umero de v ertices N sea exponencial en la dimensi on d del espacio
para que la probabilidad tenga alguna posibilidad de no ser cercana a 0.
Las implicancias de este resultado son fuertes, pues en nuestro caso la dimensi on d
del espacio es la cantidad de bloques, [B[. Como se ha mencionado en varias ocasiones,
una caracterstica principal del problema de planicaci on minera es el gran n umero de
bloques que tienen los modelos de bloques de minas de tama no normal. Y veremos en
el Captulo 4 que para una mina de casi 20.000 bloques no se pueden tomar m as de 400
muestras.
35

Como conclusi on de esta secci on tenemos que la cantidad de bloques, es decir la di-
mensi on del vector , es un factor a tomar en cuenta para las aproximaciones SAA. En el
siguiente captulo ahondamos en la discusi on que se tuvo al presentar el modelo MCH-,
en la cual dijimos que sera esperable que, al aumentar el tama no de la muestra, la aprox-
imaci on SAA de cada modelo convergiera a al problema verdadero. Veremos que esto
es cierto, y m as a un presentaremos un algoritmo que nos permitir a obtener soluciones
mejores en un sentido estadstico. Esto por un lado reeja que al hacer crecer a innito
N, el tama no de la muestra, el contenido de probabilidad de su envoltura convexa ser a 1.
Sin embargo, la discusi on de esta ultima secci on nos dice que el tama no de muestra nece-
sario para lograr esto posiblemente tendr a que ser m as que exponencial en la cantidad de
bloques de la mina.
36
Captulo 3
Aproximaci on SAA
3.1. Marco te orico general
3.1.1. Propiedades de estimadores SAA para Stochastic Program-
ming Problems
En la presente subsecci on se muestran las principales propiedades estadsticas de los
problemas de optimizaci on estoc astica resueltos usando la t ecnica Sample Average Ap-
proximation (SAA). Esta subsecci on se basa en las secciones 5.1.1, 5.1.2 y 5.6.1 de
[SDR09].
Consideramos el siguiente problema de optimizaci on estoc astica:
:= mn
xX
f(x) := E[F(x, )] (3.1)
donde X R
n
es un conjunto no-vaco cerrado, es un vector aleatorio cuya distribuci on
de probabilidad P est a soportada en el conjunto R
d
, y F : X Res una funci on
de Carath eodory, i.e., continua en x y medible en . Asumimos adem as que la esperanza
f(x) est a bien denida y es nita para cada x X.
Suponemos ahora que se tiene una muestra
1
, . . . ,
N
de N realizaciones del vector
estoc astico . Para cada x X podemos estimar el valor esperado f(x) promediando los
valores F(x,
j
), j = 1, . . . , N. Esto lleva a la, as llamada, aproximaci on Sample Average
Approximation (SAA)
N
:= mn
xX
_
f
N
(x) :=
1
N
N
j=1
F(x,
j
)
_
(3.2)
del problema verdadero (3.1). Asumimos siempre que cada muestra
j
tiene la misma
distribuci on (marginal) P que el vector estoc astico . Si, m as a un, cada
j
, j = 1, . . . , N,
37
3.1. Marco te orico general CAP
ITULO 3. Aproximaci on SAA

es distribuido independientemente de los dem as vectores de la muestra, decimos que la
muestra es independiente e id enticamente distribuida (iid).
Por la Ley de los Grandes N umeros cl asica (LGN) se tiene que, bajo algunas condi-
ciones de regularidad,

f
N
(x) converge puntualmente a f(x) c.s. cuando N . En
particular, por la LGN cl asica esto se tiene si la muestra es iid. Tambi en se tiene que
E[
f
N
(x)] = f(x), i.e.,

f
N
(x) es estimador insesgado de f(x). Luego, es natural esperar
que el valor optimo y soluciones optimas del problema SAA (3.2) converjan a sus con-
trapartes del problema verdadero (3.1) cuando N . En adelante denotamos por S
al conjunto de soluciones optimas del problema verdadero (3.1) y por

S
N
al conjunto de
soluciones optimas del problema SAA (3.2).
A continuaci on discutimos las propiedades estadsticas de los estimadores SAA

N
y
S
N
.
Consistencia
Esta secci on se basa ntegramente en [SDR09, 5.1.1 Consistency of SAAEstimators].
Buscamos estudiar las propiedades de convergencia de los estimadores SAA

N
y

S
N
. Se
dice que un estimador

N
de un par ametro es consistente si

N
converge c.s. a cuando
N . Consideremos primero la consistencia del estimador SAA

N
del valor optimo
. Tenemos que para todo x X jo,

N

f
N
(x), y entonces si se tiene puntualmente
la LGN, entonces
lmsup
N
N
lm
N
f
N
(x) = f(x) c.s.
Sigue que si se tiene puntualmente la LGN, entonces
lmsup
N
c.s. (3.3)
Sin algunas condiciones adicionales, la desigualdad puede ser estricta.
Proposici on 3.1.1 (Proposition 5.2, [SDR09]). Supongamos que

f
N
(x) converge c.s. a
f(x), cuando N , uniformemente en X. Entonces

N
converge a
c.s. cuando
N .
Para establecer la consistencia de los estimadores SAA de soluciones optimas nece-
sitamos condiciones ligeramente m as fuertes. Denotamos por D la distancia usual entre
conjuntos, D(A, B) := sup
xA
dist(x, B), donde dist(x, B) := nf
yB
|x y| y | | es
la norma euclidena en R
n
.
Teorema 3.1.2 (Theorem 5.3, [SDR09]). Supongamos que existe un conjunto compacto
C R
n
tal que:
1. el conjunto S de soluciones optimas del problema verdadero es no vaco y est a con-
tenido en C,
38

2. la funci on f(x) es a valores nitos y continua en C,
3.

f
N
(x) converge c.s. a f(x), cuando N , uniformemente en x C, y
4. con probabilidad 1 para N sucientemente grande el conjunto

S
N
es no vaco y
S
N
X.
Entonces

y D(
S
N
, S) 0 c.s. cuando N .
El siguiente resultado da condiciones sucientes para satisfacer los dos resultados
anteriores.
Teorema 3.1.3 (Theorem 7.48, [SDR09]). Sea X un subconjunto compacto y no vaco de
R
n
, y supongamos que:
1. para todo x X, la funci on F(, ) es continua en x, para casi todo ,
2. para todo x X, F(x, ) est a dominada por una funci on integrable, y
3. la muestra de

f
N
es iid.
Entonces la funci on f(x) tiene valores nitos y es continua en X, y

f
N
(x) converge a
f(x), con probabilidad 1, uniformemente sobre X.
Resultados asint oticos
Esta secci on se basa ntegramente en [SDR09, 5.1.2 Asymptotics of the SAAOptimal
Value]. Supongamos que la muestra es iid y consideremos una soluci on x X. Entonces
sabemos que el estimador SAA

f
N
(x) =
1
N
N
j=1
F(x,
j
), de f(x) = E(F(x, )), es
insesgado y tiene varianza
2
(x)/N, donde asumimos
2
(x) := Var (F(x, )) nito.
M as a un, por el Teorema Central Lmite se tiene que
N
1/2
_
f
N
(x) f(x)
_
T
Y
x
, (3.4)
donde
T
denota convergencia en distribuci on, y Y
x
tiene distribuci on normal con media
0 y varianza
2
(x), notado Y
x
A (0,
2
(x)). Esto es,

f
N
(x) tiene asint oticamente dis-
tribuci on normal, i.e., para N grande,

f
N
(x) tiene aproximadamente distribuci on normal
con media f(x) y varianza
2
(x)/N.
Esto lleva al siguiente intervalo de conanza (aproximado) con conanza 100(1) %
para f(x):
_
f
N
(x) z
/2
(x)
N
,

f
N
(x) + z
/2
(x)
N
_
(3.5)
39

donde z
/2
:=
1
(1 /2) y

2
(x) :=
1
N 1
N
j=1
_
F(x,
j
)

f
N
(x)
_
2
(3.6)
es el estimador de la varianza muestral de
2
(x). Esto es, el error de la estimaci on de f(x)
es (estoc asticamente) de orden O
p
(N
1/2
).
Consideramos ahora el valor optimo

N
del problema SAA (3.2). Claramente para
todo x
t
X se tiene

f
N
(x
t
) nf
xX

f
N
(x). Tomando valor esperado en ambos lados de
la desigualdad y minimizando en el lado izquierdo sobre todo x
t
X, obtenemos
nf
xX
E
_
f
N
(x)
_
E
_
nf
xX
f
N
(x)
_
(3.7)
Notar que la desigualdad (3.7) se tiene a un si f(x) = +o f(x) = para alg un x
X. Como E
_
f
N
(x)
_
= f(x), sigue que
E
_
N
_
. De hecho, tpicamente E
_
N
_
es
estrictamente menor que
, i.e.,

N
es estimador sesgado hacia abajo de
. El siguiente
resultado muestra que el sesgo decrece mon otonamente con el aumento del tama no N de
la muestra.
Proposici on 3.1.4 (Proposition 5.6, [SDR09]). Sea

N
el valor optimo del problema SAA
(3.2) y suponer que la muestra es iid. Entonces E
_
N
_
E
_
N+1
_

para todo
N N.
Teorema 3.1.5 (Theorem 5.7, [SDR09]). Sea

N
el valor optimo del problema SAA (3.2).
Supongamos que la muestra es iid, X es compacto y se tienen las siguientes hip otesis:
(A1) Para alg un x X la esperanza E[F(x, )
2
] es nita.
(A2) Existe una funci on medible C : R
+
tal que E[C()
2
] es nita y
[f(x) f(x
t
)[ C()|x x
t
| (3.8)
para todo x, x
t
X y casi todo .
Entonces se tiene:
N
= nf
xS
f
N
(x) + o
P
(N
1/2
) (3.9)
N
1/2
_
_
T
nf
xS
Y (x) (3.10)
M as a un, si S = x es un singleton, entonces
N
1/2
_
_
T
A
_
0,
2
(x)
_
(3.11)
40

An alisis de validaci on
Esta subsecci on se basa ntegramente en [SDR09, 5.6.1 Estimation of the Optimal-
ity Gap]. Consideramos el problema de, dado un punto factible x X candidato a ser
soluci on optima del problema real (3.1), estimar su gap de optimalidad
gap(x) := f(x)
. (3.12)
Claramente, para cada x X factible, gap(x) es no-negativo y gap(x) = 0 ssi x es una
soluci on optima del problema real.
Cota Inferior. Consideramos el valor optimo del problema SAA (3.2). Por (3.1.4) se
tiene que
E[
N
]. Esto signica que

N
proporciona una cota inferior estadstica
v alida del valor optimo
del problema real. La esperanza E[
N
] puede estimarse pro-
mediando. Esto es, resolver M veces el problema SAA (3.2) con muestras iid de tama no
N distintas. Sean

1
N
, . . . ,
M
N
los valores optimos de estos problemas SAA. Entonces
v
N,M
:=
1
M
M
m=1
m
N
(3.13)
es un estimador insesgado de E[
N
]. Como las muestras son iid, y entonces

1
N
, . . . ,
M
N
tambi en, se tiene Var[v
N,M
] =
1
M
Var[
N
], y entonces podemos estimar la varianza de
v
N,M
por

2
N,M
:=
1
M
_
1
M 1
M
m=1
(
m
N
v
N,M
)
2
_
(3.14)
En general, la variable aleatoria

N
, y entonces sus replicaciones

j
N
, no siguen una
distribuci on normal, incluso aproximadamente (ver (3.1.5)). Sin embargo, por el Teorema
Central Lmite, la distribuci on de probabilidad del promedio v
N,M
se hace aproximada-
mente normal cuando M crece. En consecuencia, podemos usar
L
N,M
:= v
N,M
t
,M1

N,M
, (3.15)
como una cota inferior aproximada con conanza (1 ) de la esperanza E[
N
], donde
t
,
es el valor crtico de una distribuci on t-student con grados de libertad.
Cota Superior. Tambi en podemos estimar f(x) con muestreo. Esto es, sea

f
N
(x) el
estimador muestral promedio de f(x), basado en una muestra de tama no N
t
generado
independiente de las muestras involucradas en computar x. Sea
2
N
el estimador de la
varianza de

f
N
(x):

2
N
(x) :=
1
N
t
(N
t
1)
N
j=1
_
F(x,
j
)

f
N
(x)
_
2
(3.16)
41

Entonces
U
N
(x) :=

f
N
(x) + z

N
(x) (3.17)
da una cota superior aproximada con conanza (1) para f(x), donde z
:=
1
(1)
para funci on de distribuci on acumulada de la normal standard. Notar que como N
t
puede ser grande entonces usamos el valor crtico z
de la distribuci on normal standard

en vez de una t-distribuci on.
Gap de optimalidad. Tenemos que
E
_
f
N
(x) v
N,M
_
= f(x) E[
N
] = gap(x) +
E[
N
] gap(x) (3.18)
i.e.,

f
N
(x) v
N,M
es un estimador sesgado del gap(x). Adem as, la varianza de este
estimador es igual a la suma de las varianzas de

f
N
(x) y v
N,M
, y entonces
f
N
(x) v
N,M
+ z
_

2
N
(x) +
2
N,M
(3.19)
da una cota superior conservadora de gap(x) con conanza (1). Decimos que esta cota
superior es conservadora porque de hecho da, con conanza (1 ), una cota superior
para gap(x) +
E[
N
], y tenemos
E[
N
] 0.
Un algoritmo de b usqueda y validaci on de soluciones SAA
La subsecci on anterior sugiere directamente un procedimiento para encontrar solu-
ciones SAA con menor gap de optimalidad. Consideramos el problema (3.1), es decir,
:= mn
xX
f(x) := E[F(x, )]
Dados tama no de muestra N y N
t
, n umero de iteraciones M y nivel de conanza
1 [0, 1], el procedimiento es el siguiente.
1. Con M muestras de tama no N,
1,m
, . . . ,
N,m
, m = 1, . . . , M, iid todos entre s,
resolver M problemas SAA de tama no N:
m
N
:= mn
xX
_
f
N
(x) :=
1
N
N
k=1
F(x,
k,m
)
_
, m = 1, . . . , M
Obtenemos M candidatos a soluci on x
m
, m = 1, . . . , M.
2. C alculo de cota inferior para
. Calculamos
v
N,M
:=
1
M
M
m=1
m
N

2
N,M
:=
1
M
_
1
M1
M
m=1
(
m
N
v
N,M
)
2
_
42

Se tiene que
L
N,M
:= v
N,M
t
,M1

N,M
(3.20)
es cota inferior inferior de
, con conanza (1 ).
3. C alculo de cota superior para
. Sabemos que dado un punto x X factible,

f(x) es cota superior de
; y del primer paso tenemos M candidatos x

m
X,
m = 1, . . . , M, a optimos del problema real (3.1), que en particular son factibles.
Tomamos una muestra iid de tama no N
t
,
1
, . . . ,
N
, del par ametro incierto . Adi-

cionalmente esta muestra es independiente de la muestra tomada en el paso 1. Para
cada x
m
, m = 1, . . . , M, calculamos
f
N
(x
m
) :=
1
N
k=1
F(x
m
,
k
)

2
N
(x
m
) :=
1
N
_
1
N
k=1
(F(x
m
,
k
)

f
N
(x
m
))
2
_
En particular tenemos que, para cada m = 1, . . . , M,
f
N
(x
m
) + z

N
(x
m
) (3.21)
es una cota superior para f(x
m
), y entonces para
tambi en, con conanza (1).

4. Cota superior para el gap de optimalidad f(x
m
)
. Para cada x
m
factible, m =
1, . . . , M, obtenemos la siguiente cota superior para el gap de optimalidad f(x
m
)
f
N
(x
m
) v
N,M
+ z
_

2
N
(x
m
) +
2
N,M
(3.22)
Usamos como mejor candidato a soluci on optima del problema real la soluci on x
m
que de la menor cota superior para el gap de optimalidad.
3.1.2. Propiedades de estimadores SAA para Chance Constrained
Problems
Consideramos ahora problemas con restricciones de probabilidad, o chance constrained
problems, y su resoluci on usando la t ecnica Sample Average Approximation. Esta subsec-
ci on se basa ntegramente en [SDR09, 5.7 Chance Constrained Problems].
Consideramos un chance constrained problem de la forma
mn
xX
f(x) s.t. p(x) (3.23)
donde X R
n
es un conjunto cerrado, f : R
n
R es funci on continua, (0, 1) es un
nivel de riesgo dado, y
p(x) := P[C(x, ) > 0] (3.24)
es la probabilidad de violaci on de la restricci on en el punto x X. Asumimos que
es un vector aleatorio, cuya distribuci on de probabilidad P est a soportada en el conjunto
43

R
d
, y la funci on C : R
n
R es una funci on de Carath eodory conocida
explcitamente.
Podemos escribir la probabilidad p(x) en forma de esperanza,
p(x) = E
_
1
(0,)
(C(x, ))
, (3.25)
y, dada una muestra
1
, . . . ,
N
del par ametro incierto , podemos estimar esta probabili-
dad con la aproximaci on SAA correspondiente
p
N
(x) :=
1
N
N
j=1
1
(0,)
_
C(x,
j
)
_
. (3.26)
As, p
N
(x) es igual a la proporci on de veces que en la muestra se cumple la condici on
C(x, ) > 0. Consecuentemente podemos escribir la contraparte SAAdel problema (3.23)
como
mn
xX
f(x) s.t. p
N
(x) (3.27)
Consistencia
Proposici on 3.1.6 (Proposition 5.29, [SDR09]). Sea C(x, ) una funci on de Carath eodory.
Entonces la funci on p(x) y p
N
(x) son semicontinuas inferiores, esto es, para todo x se
tiene que p(x) lminf
xx
p(x) y an alogamente para p
N
. Suponer adem as que la mues-
tra es iid. Entonces p
N
epiconverge c.s. a p cuando N , notado p
N
e
p c.s.; esto
es, c.s. se tiene que p
N
epiconverge a p. M as a un, suponer que para todo x X se tiene
P(C(x, ) = 0) = 0, (3.28)
i.e. C(x, ) ,= 0 c.s. Entonces la funci on p(x) es continua en X y p
N
(x) converge a p(x)
c.s. uniformemente sobre compactos de X.
Para una denici on exhaustiva de epiconvergencia de funciones reales extendidas y
sus propiedades ver [SDR09, 7.1.6 Epiconvergence].
Como la funci on p(x) es semicontinua inferior y el conjunto X es cerrado, sigue
que el conjunto factible del problema (3.23) es cerrado. Si m as a un es no-vaco y acotado
entonces el problema (3.23) tiene un conjunto no-vaco S de soluciones optimas (recordar
que la funci on objetivo f(x) se asume continua). Lo mismo aplica al problema SAA
(3.27). Tenemos aqu la siguiente propiedad de consistencia para el valor optimo

N
y el
conjunto

S
N
de soluciones optimas del problema SAA (3.27).
Proposici on 3.1.7 (Proposition 5.30, [SDR09]). Supongamos que el conjunto X es com-
pacto, la funci on f es continua, C(x, ) es funci on de Carath eodory, la muestra es iid, y
se tiene lo siguiente:
44

(a) existe soluci on optima x al problema verdadero tal que para todo > 0 existe
x X con |x x| y p(x) <
Entonces

y D(
S
N
, S) 0 c.s. cuando N .
La condici on (a) anterior es esencial para la consistencia de

N
y

S
N
. Pensar, por
ejemplo, en alguna situaci on donde la condici on p(x) dene un unico punto x tal que
p(x) = . Entonces cambios arbitrariamente peque nos en la restricci on p
N
(x) puede
resultar en que el conjunto factible del problema SAA correspondiente se vuelve vaco.
Hasta aqu tenemos que bajo condiciones suaves de regularidad se tiene que el valor
optima y soluciones optimas del problema SAA (3.27) convergen c.s., cuando N ,
a sus contrapartes respectivas del problema verdadero (3.23). Sin embargo, existen var-
ios potenciales problemas con el enfoque aqu presentado. Por ejemplo, para que p
N
(x)
sea un estimador razonablemente preciso de p(x), el tama no N de la muestra debe ser
signicativamente mayor a
1
. Para peque no esto puede resultar en un tama no de de
muestra muy grande. Otro problema es que tpicamente la funci on p
N
(x) es discontinua
en x y entonces el problema SAA (3.27) es un problema combinatorial difcil de resolver.
Validaci on de una soluci on optima
Consideramos ahora una t ecnica pr actica para validar un candidato x X a soluci on
optima del problmea verdadero (3.23). Esta tarea es doble, pues se necesita vericar la
factibilidad y optimalidad de x. Por supuesto, si un punto x es factible para el problema
verdadero entonces
f(x), i.e., f(x) da una cota superior para el valor optimo
.
Cota Superior. Comencemos vericando la factibilidad del punto x. Para ello necesita-
mos estimar la probabilidad p(x) = P(C(x, ) > 0). Procedemos usando las t ecnicas de
muestreo Monte Carlo. Para una muestra iid
1
, . . . ,
N
denamos como el n umero de
veces que la restricci on C(x, ) 0 es violada en la muestra, i.e.,
:=
N
j=1
1
(0,)
_
C(x,
j
)
_
. (3.29)
Entonces p
N
(x) = /N es un estimador insesgado de p(x), y tiene distribuci on bino-
mial B(p(x), N). En adelante usamos la notaci on b(k; , N) :=
k
j=1
_
N
j
_
j
(1 )
Nj
.
Para (0, 1) dado consideramos
U
,N
(x) := sup
[0,1]
: b(; , N) (3.30)
Como U
,N
(x) es funci on de entonces es una variable aleatoria. Notar que b(; , N)
es continua y monot onamente decreciente en (0, 1). Luego, de hecho, el supremo
45

de la mano derecha de (3.30) es alcanzado, y U
,N
(x) es igual al (0, 1) tal que
b(; , N) = . Denotando V := b(; p(x), N) tenemos que
P(p(x) < U
,N
(x)) = P
_
_
V >
..
b(; , N)
_
_
= 1 P(V )
= 1
N
k=0
P(V : = k) P( = k)
(3.31)
Como
P(V : = k) =
_
1 si b(; , N)
0 si no
(3.32)
y P( = k) =
_
N
k
_
p(x)
k
(1 p(x))
Nk
, sigue que
N
k=0
P(V : = k) P( = k) (3.33)
y entonces
P(p(x) < U
,N
(x)) 1 (3.34)
Esto es, p(x) < U
,N
(x) con probabilidad al menos 1. Luego, podemos tomar U
,N
(x)
como una cota superior de p(x) con conanza (1 ).
Obtenemos que si U
,N
(x) entonces x es soluci on factible del problema ver-
dadero (3.23) con probabilidad al menos 1 . En tal caso, podemos usar f(x) como una
cota superior, con conanza (1 ), del valor optimo
del problema verdadero /3.27).

Como este procedimiento involucra s olo c alculo de C(x,
j
), entonces puede ser realizado
para un tama no de muestra N grande, con lo que la factibilidad de x puede ser vericada
con alta precisi on, siempre que no sea muy peque no.
Cota Inferior. Para enteros positivos N y M, y una constante [0, 1), generamos M
muestras independientes
1,m
, . . . ,
N,m
, m = 1, . . . , M, cada una de tama no N, del vec-
tor aleatorio . Para cada muestra, resolvemos el problema SAA con nivel de signicancia
m
,N
:= mn
xX
f(x) s.t.
N
j=1
1
(0,)
_
C(x,
j,m
)
_
N. (3.35)
Si el problema es (3.35) es infactible o no-acotado asignamos su valor optimo como
o , respectivamente. Podemos ver

m
,N
, m = 1, . . . , M, como una muestra iid de
la variable aleatoria

,N
, donde

,N
es el valor optimo del respectivo problema SAA con
nivel de signicancia . A continuaci on ordenamos los valores en order no-decreciente,
(1)
,N
. . .

(M)
,N
. Queremos escoger un entero L 1, . . . , M y usar la cantidad
aleatoria

(L)
,N
como una cota inferior del valor optimo verdadero
.
46

Analizamos el procedimiento resultante para acotar. Sea x X un punto factible para
el problema, i.e., satisface
P(C(x, ) > 0) . (3.36)
Como
N
j=1
1
(0,)
(C(x,
j,m
)) tiene distribuci on binomial con probabilidad de exito igual
a la probabilidad del evento C(x, ) > 0, sigue que x es factible para el problema (3.35)
con probabilidad al menos
]N|
i=0
_
N
i
_
i
(1 )
Ni
= b(N|; , N) =:
N
. (3.37)
Cuando x es factible para (3.35) por supuesto se tiene

m
,N
f(x). Sea > 0 una
constante arbitraria y x un punto factible para el problema verdadero tal que f(x)
+.
Entonces para cada m 1, . . . , M tenemos
:= P
_
m
,N

+
_
P
_
m
,N
f(x)
_

N
(3.38)
Ahora, en el caso de
(L)
,N
>
+, la correspondiente realizaci on de la secuencia aleatoria
1
,N
, . . . ,
M
,N
contiene menos de L elementos que son menores o iguales que
+. Co-
mo los elementos de la secuencia aleatoria son independientes, la probabilidad del ultimo
evento es b(L1; , M). Como
N
, tenemos que b(L1; , M) b(L1;
N
, M).
Entonces, P
_
(L)
,N
>
+
_
b(L 1;
N
, M). Como la desigualdad resultante es
v alida para todo > 0 llegamos a la cota
P
_
(L)
,N
>
_
b(L 1;
N
, M). (3.39)
Obtenemos el siguiente resultado.
Proposici on 3.1.8 (Proposition 5.33, [SDR09]). Dados (0, 1) y [0, 1), elijamos
enteros positivos M, N y L tales que
b(L 1;
N
, M) (3.40)
donde
N
:= b(N|; , N). Entonces
P
_
(L)
,N
>
_
. (3.41)
Para N y M dados, es mejor tomar el mayor entero L 1, . . . , M satisfaciendo la
condici on (3.40. Esto es, para
L
:= m ax
1LM
L : b(L 1;
N
, M) , (3.42)
47

se tiene que la cantidad aleatoria

(L
)
,N
da una cota inferior para el valor optimo verdadero
con probabilidad al menos 1 . Si no existe L 1, . . . , M satisfaciendo (3.40), la

cota inferior, por denici on, es .
La pregunta que surge en relaci on al esquema de acotamiento se nalado es c omo es-
coger M, N y . En el caso en que el conjunto X y las funciones f() y C(, ), , son
convexas es ventajoso tomar = 0, porque entonces necesitamos resolver el problema
convexo siguiente
mn
xX
f(x) s.t. C(x,
j
) 0, j = 1, . . . , N, (3.43)
en vez del problema combinatorial (3.35). Notar que para = 0 tenemos que
N
=
(1 )
N
y la cota (3.40) toma la forma
L1
k=0
_
M
k
_
(1 )
Nk
[1 (1 )
N
]
Mk
(3.44)
En la pr actica, M est a acotado por el esfuerzo computacional requerido para resolver
M problemas de la forma (3.35). Notar que el esfuerzo por problema es mayor mientras
el tama no N de la muestra es mayor. Para L = 1 (que es el menor valor de L) y = 0,
el lado izquierdo de (3.44) es igual a [1 (1 )
N
]
M
. Notar que (1 )
N
e
N
para > 0 cercano a 0. Luego, si N es grande, uno necesitar a un gran M para hacer
[1 (1 )
N
]
M
menor que, por ejemplo, = 0,01, y entonces obtener una cota inferior
signicativa. Por ejemplo, para N = 7 tenemos que e
N
= 0,0009, y necesitaramos
M > 5000 para hacer [1(1)
N
]
M
menor a 0,01. Por ello, para = 0 es recomendable
tomar N no m as grande que, por ejemplo, 2/.
Un algoritmo de b usqueda y validaci on de soluciones SAA
La subsecci on anterior sugiere directamente un procedimiento para encontrar solu-
ciones SAA con menor gap de optimalidad. Consideramos el problema (3.23) es decir,
:= mn
xX
f(x) s.t. p(x) := P[C(x, ) > 0]
Dados tama no de muestra N y N
t
, n umero de iteraciones M, (0, 1) y nivel de con-
anza 1 [0, 1], el procedimiento es el siguiente.
1. Con M muestras de tama no N,
1,m
, . . . ,
N,m
, m = 1, . . . , M, iid todos entre s,
resolver M problemas SAA de tama no N:
m
,N
:= mn
xX
f(x) s.t.
N
j=1
1
(0,)
_
C(x,
j,m
)
_
N
Obtenemos M candidatos a soluci on x
m
, m = 1, . . . , M.
48
3.2. An alisis SAA para modelos sin recourse CAP

. Ordenamos los valores

m
,N
, m = 1, . . . , M, de
menor a mayor,

(1)
,N
. . .

(M)
,N
. Denimos
N
:= b(N|; , N)
L := maxL N : b(L 1;
N
, M)
Se tiene que

(L)
,N
es cota inferior de
, con conanza (1 ).
. Tomamos una muestra iid de tama no N

t
,
1
, . . . ,
N
,
del par ametro incierto . Adicionalmente esta muestra es independiente de la mues-
tra tomada en el paso 1. Para cada x
m
, m = 1, . . . , M, calculamos
U
,N
(x
m
) := sup
[0,1]
: b((x
m
); , N
t
) (3.45)
donde (x
m
) :=
j=1
1
(0,)
(C(x
m
,
j
)). Se tiene que U
,N
(x
m
) es cota superior,
con conanza (1 ), de p(x
m
). Luego, si U
,N
(x
m
) , entonces x
m
es punto
factible para el problema verdadero (3.23) y entonces f(x
m
) es cota superior para
, todo con conanza (1 ).

4. Cota superior para el gap de optimalidad f(x
m
)
. Para cada x
m
factible obtenido
en el paso 3. f(x
m
)

(L)
,N
es cota superior, con conanza (1 ), para el gap de
optimalidad f(x
m
)
.
Usamos como mejor candidato a soluci on optima del problema real (3.23) la solu-
ci on x
m
que sea factible (paso 3.) y que de la menor cota superior para el gap de
optimalidad.
3.2. An alisis SAA para modelos sin recourse
Consideramos el problema de planicaci on minera con elecci on de proceso, sin re-
course, denido en (2.1):
m ax (v
e
)
t
x
e
+ (W
p
v
p
)
t
x
p
s.a. x
e
a
x
e
b
(a, b) T
x
p
x
e
(c
e
)
t
x
e
B
e
(c
p
)
t
x
p
B
p
x
e
, x
p
0, 1
B
.
Denotamos a la funci on de benecio sin recourse:
(x
e
, x
p
, ) := (v
e
)
t
x
e
+ (W
p
v
p
)
t
x
p
49

yX al conjunto de planes de extracci on y procesamiento factibles:
X :=
_
_
x = (x
e
, x
p
) : x
e
a
x
e
b
(a, b) T
x
p
x
e
(c
e
)
t
x
e
B
e
(c
p
)
t
x
p
B
p
x
e
, x
p
0, 1
B
.
_
_
Notar que solamente la funci on objetivo depende del par ametro R
B
+
, (, )
es lineal para toda ley , y (x, ) es lineal-afn para todo plan x factible. En particular,
(, ) es continua.
Consideramos ahora que el par ametro R
B
+
est a sujeto a incertidumbre. Asumimos
que sigue una distribuci on estoc astica P, no necesariamente conocida, y que la - alge-
bra asociada T es boreliana, con lo que (, ) es Carath eodory pues (, ) es continua.
Podemos asumir tambi en que el vector de leyes est a soportado en un conjunto R
B
+
y, m as a un, es compacto, con lo que (x, ) /
(, T, P) para todo plan x factible.

3.2.1. Modelo de minimizaci on de CVaR
Recordemos el modelo de minimizaci on de CVaR y su aproximaci on SAA, la cual
presentamos en 2.2.2. Dado un nivel de riesgo (0, 1], el modelo de minimizaci on de
CVaR es
:= mn
xX, tR
E
_
t +
1
((x, ) t)
+
_
(3.46)
Y dada una muestra del par ametro incierto
1
, . . . ,
N
, la aproximaci on SAA del modelo
es
N
:= mn
xX, tR
1
N
N
k=1
_
t +
1
_
(x,
k
) t
_
+
_
. (3.47)
A continuaci on llamamos al problema (3.46) problema verdadero y al problema (3.47) su
aproximaci on SAA.
Usamos la notaci on de la secci on 3.1.1 y notamos
F(x, t, ) := t +
1
[(x, t, ) t]
+
,
f(x, t) := E[F(x, t, )] ,
y, dada una muestra iid
1
, . . . ,
N
del par ametro ,
f
N
(x, t) :=
1
N
N
k=1
F(x, t,
k
).
50

As, el problema de minimizaci on de CVaR (3.46) es equivalente a
= mn
x,t
f(x, t) s.t. x X, t R,
y su aproximaci on SAA (3.47) es, equivalentemente,
N
= mn
x,t
f
N
(x, t) s.t. x X, t R.
Destacamos que para todo plan x X se tiene que la siguiente expresi on para el CVaR,
con riesgo , de la variable aleatoria de p erdidas (x, ):
CVaR
((x, )) = mn
tR
f(x, t).
Denimos S como el conjunto de soluciones optimas del problema verdadero (3.46) en
X R, y

S
N
el conjunto de soluciones optimas de la aproximaci on SAA (3.47), tambi en
siguiendo la notaci on de 3.1.1.
Consistencia
Para analizar la convergencia de los estimadores SAA

N
y

S
N
a sus respectivos
contrapartes
y S aplicamos los resultados de consistencia de 3.1.1. Primeramente,

para aplicar el Teorema 3.1.3, consideramos el conjunto C := X [, ], donde
:= mn
xX
mn
(x, )
y
:= m ax
xX
m ax
(x, ).
Estos valores son nitos, y entonces [, ] es compacto. En efecto, como es com-
pacto y (x, ) es lineal afn en , entonces m ax
(x, ) y mn
(x, ) son nitos,

para todo x X, y se concluye porque X 0, 1
B
contiene un n umero nito de puntos.
Notar que podemos asumir que la soluci on (x
, t
) de (3.46) est a en C, y as mismo,

dada cualquier muestra
1
, . . . ,
N
distribuido seg un P, la soluci on ( x
N
,
t
N
) del problema
SAA (3.47) puede asumirse tambi en contenida en C. En efecto, sean x X y
cualesquiera. Se tiene para todo t que
F(x, t, ) = (
1
1)t
1
(x, ) (
1
1)
1
(x, ) = F(x, , )
y para todo t que
F(x, t, ) = t = F(x, , ).
Sigue que
E[F(x, , )] E[F(x, t, )] x X, t ,
E[F(x, , )] E[F(x, t, )] x X, t ,
51

y
1
N
N
k=1
F(x, , )
1
N
N
k=1
F(x, t, ) x X, t ,
1
N
N
k=1
F(x, , )
1
N
N
k=1
F(x, t, ) x X, t
para cualquier muestra
1
, . . . ,
N
de en . As, es claro que
= mn
(x,t)C
f(x, t)
y
N
= mn
(x,t)C
f
N
(x, t).
Asumiendo que la muestra de es iid, aplicamos el Teorema 3.1.3 usando el conjunto
compacto no vaco C, pues trivialmente F(, , ) es continua en todo (x, t) C, para
todo , y tambi en F(x, t, ) es integrable, para todo (x, t) C. Obtenemos as que
f(x, t) es nita y continua en C, y que

f
N
(x, t) converge a f(x, t), c.s., uniformemente
en C, con lo que la Proposici on 3.1.1 y Teorema 3.1.2 nos aseguran la consistencia del
problema SAA. Hemos demostrado el siguiente resultado.
Proposici on 3.2.1. Consideramos, para un nivel de riesgo dado (0, 1], los problemas
de minimizaci on de CVaR verdadero (3.46) y su aproximaci on SAA (3.47). Asumiendo
que el vector de leyes se distribuye seg un la distribuci on P soportada en el compacto
R
B
+
, que la - algebra asociada T es boreliana, y que la muestra
1
, . . . ,
k
de es
iid, se tiene que
y
D(
S
N
, S) 0
cuando N .
An alisis estadstico
Buscamos aplicar el algoritmo de la secci on 3.1.1 para encontrar, con el problema
SAA (3.47), soluciones que minimicen el gap de optimalidad del problema de mini-
mizaci on de CVaR verdadero (3.46). El algoritmo mencionado es directamente aplicable,
sin embargo se puede ser un poco m as perspicaz y notar que, para un x jo, el problema
mn
tR

f
N
(x, t) admite tomar un tama no de muestra considerablemente mayor al tama no
de muestra que admite el problema mn
xX, tR

f
N
(x, t), i.e. el problema SAA (3.47).
Esto, pues el ultimo problema tiene una gran cantidad de variables de decisi on binarias
y restricciones; en cambio el primer problema tiene una unica variable de decisi on, que
es continua, y N restricciones, asociadas a la linealizaci on del problema. La idea de fon-
do es con el problema SAA (3.47) encontrar un plan x candidato, y luego obtener un
mejor candidato t resolviendo el problema mn
tR

f
N
(x, t) con una muestra de tama no
N
t
considerablemente mayor. De esta manera se puede obtener un mejor candidato (x, t) a
soluci on del problema real (3.46). Se propone explotar este recurso siguiendo la siguiente
modicaci on del algoritmo de la secci on 3.1.1.
52

Algoritmo de b usqueda estadstica de soluciones
0. Denir par ametros de tama nos de muestra N y N
t
, N
t
N, n umero de repeti-
ciones M, y nivel de conanza (1 ) (0, 1).
1. Tomar M colecciones de muestras iid de tama no N:
1,m
, . . . ,
N,m
, m = 1, . . . , M,
todos iid entre s. Resolver M aproximaciones SAA (3.47) con las M colecciones
de muestras iid de tama no N:
m
N
:= mn
xX, tR
f
N
(x, t),
m = 1, . . . , M. Obtenemos en particular x
1
, . . . , x
M
, M candidatos a minimizadores
para el problema verdadero (3.46).
= mn
xX,tR
f(x, t), el valor objetivo del proble-
ma verdadero (3.46). Calculamos
v
N,M
:=
1
M
M
m=1
m
N

2
N,M
:=
1
M
_
1
M1
M
m=1
(
m
N
v
N,M
)
2
_
Se tiene que
L
N,M
:= v
N,M
t
,M1

N,M
es cota inferior inferior de
, con conanza (1 ).

t
,
1
, . . . ,
N
,
del par ametro incierto , que adem as sea independiente de las muestras del paso 1.
Para cada plan x
m
, m = 1, . . . , M, realizamos lo siguiente.
3.1 Obtenemos t
m
de resolver el problema
mn
tR
f
N
(x
m
, t).
3.2 Calculamos
f
N
(x
m
, t
m
) :=
1
N
k=1
F(x
m
, t
m
,
k
)

2
N
(x
m
, t
m
) :=
1
N
_
1
N
k=1
_
F(x
m
, t
m
,
k
)

f
N
(x
m
, t
m
)
_
2
_
Se tiene que
f
N
(x
m
, t
m
) + z

N
(x
m
, t
m
) (3.48)
es cota superior, con conanza (1 ), de mn
tR
f(x
m
, t), y entonces de
tambi en.
53

4. Elecci on de soluci on con menor cota para gap de optimalidad f. Para cada can-
didato x
m
, m = 1, . . . , M, es cota superior, con conanza (1 ), para el gap de
optimalidad Gap(x) := mn
tR
f(x, t)
f
N
(x
m
, t
m
) v
N,M
+ z
_

2
N
(x
m
, t
m
) +
2
N,M
(3.49)
Usamos como mejor candidato a soluci on optima del problema verdadero (3.46) la
soluci on x
m
que de la menor cota superior estadstica para el gap de optimalidad.
Como se ver a en las sucesivas secciones, tienen una estructura an aloga a la del prob-
lema de minimizaci on de CVaR los modelos MCH y MCH-, as como tambi en las ver-
siones con recourse de los modelos de CVaR, MCH y MCH-. Esto permitir a que el
algoritmo anterior pueda ser usado tambi en para encontrar soluciones en dichos modelos,
cambiando obviamente los problemas verdaderos y su aproximaci on SAA de manera
acorde a cada enfoque. As, con el n de no ser innecesariamente repetitivos, haremos
referencia a este algoritmo en las sucesivas secciones, dejando en claro siempre cu ales
par ametros del algoritmo hay que modicar para hacerlo aplicable al modelo en cuesti on
Hacemos notar que se podra pensar que si en una iteraci on m
1, . . . , M se
minimiza la cota superior (3.48) entonces en tal iteraci on tambi en se minimiza la cota
(3.49). Sin embargo esto no es cierto si
N,M
> 0, lo cual es esperable. En efecto, la
pregunta a responder b asicamente es si, dados x, y, a R, u, v, b, > 0 cualesquiera,
se tiene que si x y (v u) entonces x y (
v
2
+ b
2
u
2
+ b
2
). Esto
no es en general cierto, pues es falso que para todo u
t
, v
t
, b
t
> 0 se tenga v
t
u
t

v
t2
+ b
t2
u
t2
+ b
t2
.
3.2.2. Modelo MCH
Recordemos que, dado un nivel de riesgo [0, 1] y una muestra
1
, . . . ,
N
del
par ametro , el problema MCH original es
N
:= mn
xX
m ax
|
(x, ), (3.50)
donde |
:= + (1 )
_
conv(
_
1
, . . . ,
N
_
)
_
y :=
1
N
N
k=1
k
. Por Proposici on
2.2.5 tenemos que este problema original es equivalente a
N
= mn
xX, tR
1
N
N
k=1
_
((x, )) + (1 )
_
t +
1
1/N
[(x, ) t]
+
__
. (3.51)
Podemos ver este ultimo problema como la aproximaci on SAA, al usar la muestra
1
, . . . ,
N
, del problema
N
:= mn
xX, tR
E
_
((x, )) + (1 )
_
t +
1
1/N
[(x, ) t]
+
__
, (3.52)
54

el cual, notemos, depende del tama no N de la muestra. Inspirados en esto llamaremos al
problema (3.52) problema MCH verdadero y al problema (3.51) aproximaci on SAA del
problema verdadero.
El presente enfoque se propone para poder usar los resultados de la secci on 3.1.1. Si
bien este es bastante limitado estamos proponiendo aproximar un problema estoc astico,
que depende de un par ametro N, usando una muestra de tama no N, esto nos permi-
tir a obtener nalmente un criterio de selecci on de soluciones estadsticamente mejores
para el problema MCH original.
F(x, t, ) := ((x, )) + (1 )
_
t +
1
1/N
[(x, ) t]
+
_
,
f(x, t) := E[F(x, t, )] ,
y, dada una muestra
1
, . . . ,
N
del par ametro ,
f
N
(x, t) :=
1
N
N
k=1
F(x, t,
k
).
As, el problema MCH verdadero (3.52) es equivalente a
N
= mn
x,t
N
= mn
x,t
f
N
(x, t) s.t. x X, t R.
Denotamos tambi en como S al conjunto de soluciones optimas del problema verdadero
(3.52) y

S
N
al conjunto de soluciones optimas del problema SAA (3.51).
Consistencia: para el modelo MCH obviamos el an alisis de convergencia del problema
SAA (3.51) al problema verdadero (3.52) al hacer crecer el tama no de muestra N, pues
tanto

N
como
N
dependen de N. Por otro lado, una pregunta razonable a hacerse es
si, en alg un sentido, la interpretaci on geom etrica del problema MCH original (3.50) con-
verge; sin embargo esto sale del alcance de la teora y pr actica de la t ecnica SAA para
problemas de optimizaci on estoc astica.
Buscamos aplicar el algoritmo de la secci on 3.1.1 para encontrar, usando la aproxi-
maci on SAA (3.51), candidatos a soluciones para el problema verdadero (3.52) que min-
imicen, estadsticamente, el gap de optimalidad entre la aproximaci on SAA y el valor
55

optimo del problema verdadero. Como se mencion o antes, este enfoque es bastante limi-
tado, pues estamos aproximando el problema verdadero, que depende de N, usando una
muestra de tama no N. No obstante su obvia sub-optimalidad, igualmente es un enfoque
v alido, y en particular tambi en ser a v alido aplicar el algoritmo de 3.1.1 para seleccionar
sus estadsticamente mejores soluciones.
Al adaptar el algoritmo de 3.1.1 al modelo MCH tambi en podemos separar la elec-
ci on del mejor candidato a plan x de la elecci on del mejor candidato t, de manera an aloga
a lo hecho en el an alisis estadstico del modelo de CVaR, en 3.2.1. En consecuencia, el
algoritmo de 3.2.1 es perfectamente aplicable al modelo MCH, siempre que se redenan
en dicho algoritmo los siguientes t erminos: el problema verdadero ahora corresponder a al
problema (3.52), la aproximaci on SAA al problema (3.51), y usaremos
N
, F, f,

f
N
seg un la denici on que se dio para el enfoque MCH, al inicio de esta subsecci on.
Hacemos notar nalmente que cuando = 1 el problema verdadero (3.52) no depende
de N, pues es simplemente minimizar las p erdidas esperadas. Particularmente, el algorit-
mo de selecci on de soluciones entregar a la soluci on que, estadsticamente, sea el mejor
minimizador en el problema de minimizar la p erdida esperada.
3.2.3. Modelo MCH-
Recordemos el modelo MCH- y su aproximaci on SAA, ambos introducidos en 2.2.3.
Dado un nivel de riesgo (0, 1] el problema MCH- era
:= mn
xX, tR
E
_
((x, )) + (1 )
_
t +
1
[(x, ) t]
+
__
(3.53)
Y dada una muestra de tama no N del par ametro incierto ,
1
, . . . ,
N
, la aproximaci on
SAA del problema MCH- era
N
:= mn
xX, tR
1
N
N
k=1
_
((x, )) + (1 )
_
t +
1
[(x, ) t]
+
__
. (3.54)
Nuevamente, usamos la notaci on de la secci on 3.1.1:
F(x, t, ) := ((x, )) + (1 )
_
t +
1
[(x, ) t]
+
_
,
f(x, t) := E[F(x, t, )] ,
y, dada una muestra
1
, . . . ,
N
del par ametro ,
f
N
(x, t) :=
1
N
N
k=1
F(x, t,
k
).
56

As, el problema MCH- verdadero (3.53) es equivalente a
= mn
x,t
N
= mn
x,t
f
N
(x, t) s.t. x X, t R.
Denotamos, nuevamente, S al conjunto de soluciones optimas del problema verdadero
(3.53) y

S
N
Consistencia
Queremos vericar la consistencia de los estimadores SAA

N
y

S
N
. De manera
an aloga a lo hecho para la consistencia del modelo de minimizaci on de CVaR en 3.2.1,
aqu buscamos aplicar primeramente el Teorema 3.1.3, para lo cual consideramos el con-
junto C := X [, ], donde
:= mn
xX
mn
(x, )
y
:= m ax
xX
m ax
(x, ).
Como se argument o en dicha subsecci on, y son nitos, esencialmente porque el vector
de leyes est a soportado en el conjunto compacto y X es de cardinal nito.
Veamos primeramente que toda soluci on optima al problema verdadero (3.53) y al
problema SAA (3.54) est a contenida en C, cuando la muestra de se distribuye seg un la
distribuci on P. En efecto, procedemos como se razon o en 3.2.1, y consideramos primer-
amente N > 1 entero, x X y cualesquiera. Recordando que
F(x, t, ) := (x, ) + (1 )
_
t +
1
[(x, ) t]
+
_
se tiene para todo t y que F(x, t, ) F(x, , ) y para todo t y
que F(x, t, ) F(x, , ). Sigue que
E[F(x, , )] E[F(x, t, )] x X, t ,
E[F(x, , )] E[F(x, t, )] x X, t ,
y
1
N
N
k=1
F(x, , )
1
N
N
k=1
F(x, t, ) x X, t ,
1
N
N
k=1
F(x, , )
1
N
N
k=1
F(x, t, ) x X, t
para cualquier muestra
1
, . . . ,
N
de en . Luego, claramente
= mn
(x,t)C
E[F(x, t)]
57

y
N
= mn
(x,t)C
1
N
N
k=1
F(x, t,
k
).
El argumento sigue id entico al usado en la secci on de consistencia del modelo de
CVaR, 3.2.1. Asumimos que la muestra de es iid y aplicamos el Teorema 3.1.3 usando
el conjunto compacto no vaco C. En efecto, trivialmente F(, , ) es continua en todo
(x, t) C, para todo , y tambi en F(x, t, ) es integrable, para todo (x, t) C.
Obtenemos as que f(x, t) es nita y continua en C, y que

f
N
(x, t) converge a f(x, t),
c.s., uniformemente en C, con lo que la Proposici on 3.1.1 y Teorema 3.1.2 nos aseguran
la consistencia del problema SAA para el modelo MCH-. Esto demuestra la siguiente
proposici on.
Proposici on 3.2.2. Consideramos, para un nivel de riesgo dado (0, 1], los proble-
mas MCH- verdadero (3.53) y su aproximaci on SAA (3.54). Asumiendo que el vector de
leyes se distribuye seg un la distribuci on P con soporte compacto R
B
+
y - algebra
boreliana, y adem as que la muestra
1
, . . . ,
k
de es iid, se tiene que
y
D(
S
N
, S) 0
cuando N .
An alisis Estadstico: Para realizar el an alisis estadstico de b usqueda de soluciones que
minimicen el gap de optimalidad reutilizamos el algoritmo de 3.2.1 del modelo de CVaR,
al igual que lo se hizo con el modelo MCH. Para que dicho algoritmo encuentre soluciones
en el caso del modelo MCH-, debemos reinterpretar varios par ametros del algoritmo: el
problema verdadero ahora corresponder a al problema (3.53), la aproximaci on SAA al
problema (3.54), y usaremos
N
, F, f,

f
N
seg un la denici on que se dio al inicio de
esta subsecci on.
Se obtiene as un algoritmo para seleccionar, con el problema SAA (3.54), una solu-
ci on al problema verdadero (3.53) que minimiza hasta cierto punto el gap de optimalidad,
y tambi en cotas superiores e inferiores estadsticas para
.
3.2.4. Modelo de minimizaci on de VaR
Dado un nivel de riesgo (0, 1) el modelo de minimizaci on de VaR, recordemos,
era
:= mn
x,z
z s.t. P((x, ) + z < 0) , x X. (3.55)
58

Ydada una muestra
1
, . . . ,
N
del par ametro incierto , la aproximaci on SAAdel modelo
es
N
:= mn
x,z
z s.t.
1
N
N
j=1
1
(,0)
((x, ) + z) , x X. (3.56)
Siguiendo la notaci on de la secci on 3.1.2, denimos
f(x, z) := z
C(x, z, ) := (x, ) z
p(x, z) := P(C(x, z, ) > 0)
p
N
(x, z) :=
1
N
N
j=1
1
(0,)
(C(x, z,
j
))
donde
1
, . . . ,
N
es una muestra del par ametro . Con esto, el problema (3.55) de mini-
mizaci on de VaR con nivel de riesgo es equivalente a
= mn
x,z
f(z) s.t. p(x, z) , x X,
y su aproximaci on SAA (3.56) es equivalente a
N
= mn
x,z
f(z) s.t. p
N
(x, z) , x X.
Denimos tambi en como S al conjunto de soluciones optimas del problema verdadero
(3.55) y

S
N
Consistencia
Para asegurar la consistencia del problema SAA basta aplicar la Proposici on 3.1.7. En
nuestro caso esta ultima proposici on queda de la siguiente manera.
Proposici on 3.2.3. Supongamos que el vector de leyes se distribuye seg un la distribu-
ci on P con soporte compacto R
B
+
y - algebra boreliana. Si la muestra
1
, . . . ,
N
del vector de leyes R
B
es iid y se cumple la siguiente condici on
(a) existe soluci on optima x
X al problema verdadero (3.55) tal que F

(x
,)
, la
funci on de distribuci on acumulada de la variable aleatoria (x
, ), es tal que el
conjunto F
1
(x
,)
(1 ) tiene interior vaco
entonces

y D
_
S
N
, S
_
0 cuando N .
59

Demostraci on. Primeramente notemos que trivialmente en nuestro problema la funci on
objetivo es continua y C es Carath eodory en (x, z, ) si la - algebra asociada a es
boreliana. Ahora, an alogo a lo hecho para la consistencia del modelo de minimizaci on de
CVaR en 3.2.1, consideremos el conjunto K := X [, ], donde
:= mn
xX
mn
(x, )
y
:= m ax
xX
m ax
(x, ).
Se tiene que K es compacto, pues X es de cardinal nito y el vector de leyes est a so-
portado en el conjunto compacto, con lo que y son nitos. Sigue que en los
problemas (3.55) y (3.56) nos podemos restringir a K, cuando la muestra de se dis-
tribuye seg un la distribuci on P. En efecto, para todo x X y todo z < se tiene
p(x, z) = p
N
(x, z) = 1 > , con lo que (, ) no es parte del conjunto factible para
z en los problemas (3.55) y (3.56); y tambi en, para todo x X y todo z > , se tiene
p(x, z) = p
N
(x, z) = 0 < , entonces, como estamos minimizando z, basta restringir z al
conjunto [, ].
Por ultimo, es f acil vericar que la hip otesis (a) de la Proposici on 3.1.7 es equivalente a
la hip otesis (a) en nuestro caso. Primero, como X 0, 1
2B
entonces (a) es equivalente
a que exista x
soluci on optima al problema verdadero (3.55) tal que para todo > 0
existe z R tal que [z z
[ y tal que P((x
, ) + z < 0) < . Como se tiene que

z
= mnz : P((x
, ) + z < 0) y que P((x
, ) + z < 0) es decreciente como

funci on de z, entonces la condici on (a) es equivalente a que para todo > 0 se tenga
P((x
, ) +z
+ < 0) < , o equivalentemente, P((x
, ) z
+) > 1 . Esto
es, F
(x
,)
(z
+ ) > 1 para todo > 0, de lo que se concluye que las condiciones

(a) y (a) son equivalentes.
Hacemos notar que lo que exige la condici on (a) es que la funci on de distribuci on
acumulada de (x
, ) no tenga una meseta o planicie en el nivel 1 .

Buscamos aplicar el algoritmo de la secci on 3.1.2 de b usqueda soluciones optimas
que minimicen el gap de optimalidad entre el problema aproximado (3.56) y el problema
real (3.55).
Notemos que la naturaleza de nuestro problema nos permite tomar una cota superior
estadstica m as ajustada que la que se calcula en el paso 4. del algoritmo de 3.1.2. Para
ello consideramos el siguiente resultado.
Lema 3.2.4. Sea x X un plan,
1
, . . . ,
N
una muestra iid de y 1 un nivel

de conanza. Denamos
j
:= (x,
j
), j = 1, . . . , N
t
. Consideremos el problema de,
60

dada la muestra de tama no N
t
, calcular la menor cota superior estadstica, con conanza
1 , para VaR
(x) = mn
zR
z s.t. P((x, ) + z < 0) :
z
:= nf
z,
z
s.t. =
j=1
1
(0,)
((x,
j
) z)
sup
[0,1]
:
j=0
j
(1 )
N
j
.
(3.57)
Se tiene que el valor objetivo de (3.57) es
z
=
(
+1)
,
donde
:= m ax N :
j=0
j
(1 )
N
j

y
(j)
, j = 1, . . . , N
t
, son los estadsticos de orden de
1
, . . . ,
N
, i.e.
(1)
. . .
(N
)
.
Demostraci on. Primeramente, notemos que, dado 0, la restricci on
sup
[0,1]
_
:
j=0
_
N
t
j
_
j
(1 )
N
j

_

es equivalente a
j=0
_
N
t
j
_
j
(1 )
N
j
, (3.58)
pues
,N
() :=
j=0
j
(1 )
N
j
es estrictamente decreciente en [0, 1], salvo si
= N
t
. El caso = N
t
no nos interesa pues no es una soluci on factible del problema
(3.57).
Segundo, como
= (z) :=
j=1
1
(0,)
((x,
j
) z)
= # j 1, . . . , N
t
: z >
(j)

es decreciente en z entonces queremos encontrar el m aximo tal que se satisaga (3.58).
Sea
tal , i.e.
:= m ax N :
j=0
_
N
j
_
j
(1 )
N
j
.
Consideremos primero el caso
(
)
<
(
+1)
. Se tiene que z satisface (z) =
ssi z [
(
+1)
,
(
)
), luego z
=
(
+1)
. Consideremos ahora el caso
(
)
=
+1)
. Notemos que z :=
(
+1)
es factible para (3.57), pues
(
(
+1)
) = # j 1, . . . , N
t
:
(
+1)
>
(j)
<
y entonces, por denici on de
, (
(
+1)
) satisface (3.58). M as a un, z es optimo, pues
> 0 se tiene que (
(
+1)
) = # j 1, . . . , N
t
:
(
+1)
+ >
(j)

+ 1, con lo que no satisface (3.58).

61
3.3. An alisis SAA para modelos con recourse CAP

Aprovechando esta ventaja estructural que posee nuestro problema, se propone el sigu-
iente algoritmo de b usqueda y selecci on de soluciones x X que minimicen el gap de
optimalidad del modelo de minimizaci on de VaR con nivel de riesgo .
t
, con N
t
ciones M y nivel de conanza (1 ) (0, 1).
1,m
, . . . ,
N,m
, m = 1, . . . , M,
todos iid entre s. Resolver M problemas SAA (3.56) de tama no N:
m
,N
:= mn
xX, zR
z s.t.
N
j=1
1
(,0)
_
(x,
j,m
) + z
_
N,
para m = 1, . . . , M. Obtenemos, en particular, M candidatos a soluci on: x
1
, . . . , x
M
.
, objetivo de (3.55). Ordenamos los valores

m
,N
,
m = 1, . . . , M, de menor a mayor,

(1)
,N
. . .

(M)
,N
. Denimos
N
:= b(N|; , N)
N
, M)
Se tiene que

(L)
,N
es cota inferior de
, con conanza (1 ).

t
,
1
, . . . ,
N
,
del par ametro . Adicionalmente esta muestra es independiente de las muestras
tomadas en el paso 1. Para cada x
m
, m = 1, . . . , M, calculamos la soluci on z
m
de (3.57) seg un el lema 3.2.4. Se tiene que z
m
es cota superior para VaR
(x
m
), y
entonces para
tambi en, con conanza (1 ).

4. Cota superior para el gap de optimalidad VaR
(x
m
)
. Para cada iteraci on m =

1, . . . , M, z
m
(L)
,N
es cota superior, con conanza (1 ), para el gap de opti-
malidad VaR
(x
m
)
.
Usamos como mejor candidato a soluci on optima del problema de minimizaci on
de VaR
real (3.55) la soluci on x

m
que de la menor cota superior para el gap de
optimalidad.
3.3. An alisis SAA para modelos con recourse
Recordamos el modelo b asico de planicaci on con recourse introducido en 2.2.1:
m ax
x
e (v
e
)
t
x
e
+Q(x
e
, )
s.a. x
e
a
x
e
b
(a, b) T
(c
e
)
t
x
e
B
e
x
e
0, 1
B
(3.59)
62

donde
Q(x
e
, ) := max
x
p (W
p
v
p
)
t
x
p
s.a. x
p
x
e
(c
p
)
t
x
p
B
p
x
p
0, 1
B
Como dijimos en dicha secci on, en este paradigma multi-etapa el plan de procesamiento
x
p
0, 1
B
se ajusta para maximizar el benecio que supone elegir el plan de extracci on
x
e
0, 1
B
. Es decir, la variable de segunda etapa x
p
es un recurso, o recourse en
ingl es, de la variable de primera etapa x
e
.
Recordemos las deniciones de 2.2.1, de funci on de benecio con recourse
R
hecha
en (2.9):
R
(x
e
, ) := (v
e
)
t
x
e
+ max
x
p (W
p
v
p
)
t
x
p
s.a. x
p
x
e
(c
p
)
t
x
p
B
p
x
p
0, 1
B
y del conjunto X
R
de planes ( unicamente) de extracci on factibles hecha en (2.10):
X
R
:=
_
x
e
0, 1
B
: x
e
a
x
e
b
(a, b) T
(c
e
)
t
x
e
B
e
_
.
Notamos que solamente la funci on objetivo
R
depende del par ametro R
B
+
, y que
ahora
R
(, ) y
R
(x, ) ya no son necesariamente lineales o lineal-anes.
Introducimos ahora incertidumbre asumiendo que el par ametro R
B
+
, de ley de
los bloques, no es determinista. Nuevamente asumimos que sigue una distribuci on es-
toc astica P, no necesariamente conocida, soportada en un conjunto compacto R
B
+
.
Adem as asumiremos que la - algebra T asociada es boreliana. Los siguientes resultados
nos permitir an posteriormente establecer la consistencia de los enfoques de optimizaci on
bajo riesgo en este nuevo contexto de benecio con recourse.
Propiedad 3.3.1. Consideremos
R
denido como en (2.9).
1. Si el soporte de la distribuci on de es un compacto R
B
+
y la - algebra T
es boreliana entonces
R
(x
e
, ) L
(, T, P) para todo x
e
[0, 1]
B
, donde
(, T, P) es el espacio de probabilidad asociado a .
2.
R
(, ) : X
R
Rse puede extender continua y c oncavamente a [0, 1]
B
, para todo
R
B
.
Demostraci on. Para 1. como es compacto y T boreliana entonces basta demostrar que
R
(x
e
, ) es continua en R
B
. En efecto, jemos x
e
0, 1
B
cualquiera y denamos
Y =
_
x
p
0, 1
B
: x
p
x
e
, (c
p
)
t
x
p
B
p
_
.
63

Se tiene que
R
(x
e
, ) = (v
e
)
t
x
e
+ max
x
p
Y
(W
p
v
p
)
t
x
p
= (v
e
)
t
x
e
+ m ax
x
p
conv(Y )
(W
p
v
p
)
t
x
p
donde conv(Y ) es la envoltura convexa de Y , y la ultima igualdad viene de que (W
p

v
p
)
t
x
p
es lineal en x
p
e Y es nito. Sigue que por dualidad m ax
x
p
conv(Y )
(W
p
v
p
)
t
x
p
es continua en , con lo que en particular
R
(x
e
, ) es continua.
Para 2. reconsideramos el conjunto X de planes de extracci on y procesamiento factibles,
X =
_
_
(x
e
, x
p
) 0, 1
2B
: x
e
a
x
e
b
(a, b) T
(c
e
)
t
x
e
B
e
x
p
x
e
(c
p
)
t
x
p
B
p
_
_
y X := conv(X) su envoltura convexa. Veamos que
R
(x
e
, ) := (v
e
)
t
x
e
+ m ax
(x
e
,x
p
)X
(W
p
v
p
)
t
x
p
es una extensi on continua y c oncava de
R
a [0, 1]
B
.
En efecto, primero notemos que
R
(x
e
, ) = (v
e
)
t
x
e
+max
(x
e
,x
p
)X
(W
p
v
p
)
t
x
p
para x
e
X
R
. Tambi en, dado x
e
X
R
,
y : (x
e
, y) X = conv(y : (x
e
, y) X)
con lo que m ax
(x
e
,x
p
)X
(W
p
v
p
)
t
x
p
= m ax
(x
e
,x
p
)X
(W
p
v
p
)
t
x
p
, y entonces
R
(x
e
, ) =
R
(x
e
, ) para todo x
e
X
R
.
Ahora veamos que
R
(, ) : [0, 1]
B
R es continua y c oncava. Sea x
e
[0, 1]
B
y tomemos w R
B
cualquiera. Como X es poltopo, se tiene que m ax
(x
e
,x
p
)X
w
t
x
p
es
igual a
m ax
,x
p w
t
x
p
s.a. R
n
+
n
i=1
i
= 1
n
i=1
i
x
i
= x
e
n
i=1
i
y
i
= x
p
donde (x
i
, y
i
)
i=1,...,n
es la colecci on de v ertices de X. Este ultimo problema es equiva-
lente a
m ax
N
i=1
i
(w
t
y
i
)
s.a. R
N
+
N
i=1
i
= 1
N
i=1
i
x
i
= x
e
64

que es un problema lineal continuo con soluci on nita. Por dualidad, claramente este
ultimo problema es continuo y c oncavo en el par ametro x
e
. Luego, en particular para
w := W
p
v
p
, m ax
(x
e
,x
p
)X
(W
p
v
p
)
t
x
p
es continuo y c oncavo en x
e
[0, 1]
B
, con
lo que
R
(, ) tambi en.
La propiedad anterior nos da el siguiente resultado como corolario, el cual ser a esen-
cial para la consistencia de los modelos de optimizaci on bajo riesgo y con recourse.
Corolario 3.3.2. Si la - algebra T es boreliana entonces la funci on de benecio con
recourse
R
: X
R
R puede ser extendida a una funci on de Carath eodory en
[0, 1]
B
.
Finalmente denimos un conjunto que usaremos frecuentemente.
Propiedad 3.3.3. Deniendo el conjunto K := X
R
[
R
,
R
], donde
R
:= m ax
x
e
X
R
m ax
R
(x
e
, )
y
R
:= mn
x
e
X
R
mn
R
(x
e
, ),
se tiene que este es compacto.
Demostraci on. Viene de notar que
R
y
R
son nitos, pues es compacto y
R
(x, ) es
continua ver demostraci on de Propiedad 3.3.1 parte 1., y adem as X
R
es nito.
3.3.1. Modelo de minimizaci on de CVaR con recourse
Dado un nivel de riesgo (0, 1], recordemos el modelo de minimizaci on de CVaR
con recourse, el cual introdujimos en 2.2.2:
:= mn
x
e
X
R
, tR
E
_
t +
1
R
(x
e
, ) t
_
+
_
. (3.60)
Adem as, dada una muestra del par ametro incierto
1
, . . . ,
N
, su aproximaci on SAA es
N
:= mn
x
e
X
R
, tR
1
N
N
k=1
_
t +
1
R
(x
e
,
k
) t
_
+
_
. (3.61)
F(x, t, ) := t +
1
[
R
(x, t, ) t]
+
,
f(x, t) := E[F(x, t, )] ,
65

y, dada una muestra iid
1
, . . . ,
N
del par ametro ,
f
N
(x, t) :=
1
N
N
k=1
F(x, t,
k
).
Bajo esta notaci on el problema de minimizaci on de CVaR con recourse (3.60) es
= mn
x
e
,t
f(x
e
, t) s.t. x
e
X
R
, t R,
y su aproximaci on SAA (3.61) es
N
= mn
x
e
,t
f
N
(x
e
, t) s.t. x
e
X
R
, t R.
Denimos S como el conjunto de soluciones optimas de (3.60) en X
R
R y

S
N
el
conjunto de soluciones optimas del problema SAA (3.61).
Consistencia
de minimizaci on de CVaR con recourse verdadero (3.60) y su aproximaci on SAA (3.61).
Asumiendo que el vector de leyes se distribuye seg un la distribuci on P, soportada en
un compacto R
B
+
y con - algebra T boreliana, si la muestra
1
, . . . ,
k
de es iid,
entonces
y
D(
S
N
, S) 0
cuando N .
Demostraci on. La demostraci on es an aloga a la hecha para consistencia del modelo CVaR
sin recourse, es decir, aplicamos los resultados de consistencia de 3.1.1. Primeramente,
es f acil notar que podemos considerar tanto el problema verdadero (3.60) como su aprox-
imaci on SAA (3.61) como usando la funci on de benecio de Carath eodory del Corolario
3.3.2 y restringida al compacto K X
R
R. Usando Teorema 3.1.3 obtenemos que f
es nita y continua sobre K, y que

f
N
converge, con probabilidad 1, a f uniformemente
en K. Conclumos usando la Proposici on 3.1.1 y Teorema 3.1.2.
Usamos el mismo algoritmo de 3.2.1, del modelo de CVaR sin recourse, para en-
contrar soluciones estadsticamente mejores y tambi en una estimaci on del gap estadstico
entre el problema SAA (3.61) y el problema verdadero (3.60). El algoritmo del modelo
66

CVaR sin recourse es aplicable a la versi on con recourse pues este no requera que la fun-
ci on de benecio
R
tuviera alguna estructura en particular, o siquiera que el problema de
optimizaci on fuera computacionalmente tratable. Y naturalmente, si bien en 3.2.1 y X
eran los benecios y planes sin recourse, en esta secci on
R
y X
R
son sus contrapartes
con recourse, i.e. como se denieron en (2.9) y (2.10) respectivamente. Para que dicho
algoritmo sea aplicable al presente modelo, en el algoritmo se debe usar F, f y

f
N
co-
mo se denieron al inicio de esta secci on, y tambi en ahora el problema verdadero ser a el
problema (3.60), y la aproximaci on SAA ser a el problema (3.61).
3.3.2. Modelo MCH con recourse
Dados una muestra iid
1
, . . . ,
N
de y un nivel de riesgo [0, 1], consideramos el
problema MCH con recourse, introducido en 2.2.3:
N
:= mn
x
e
X
R
,tR
(1 )
_
t +
1
N
N
k=1
[
R
(x
e
,
k
) t]
+
_
+
1
N
N
k=1
R
(x
e
,
k
).
(3.62)
Podemos ver este problema como la aproximaci on SAA, usando la muestra
1
, . . . ,
N
,
del problema para en el espacio de probabilidad (, T, P)
N
:= mn
x
e
X
R
(1 )CVaR
1/N
(
R
(x
e
, )) + E(
R
(x
e
, )). (3.63)
Llamamos al problema (3.63) problema MCH con recourse verdadero, y al problema
(3.62) aproximaci on SAA del problema verdadero.
An alogo a lo argumentado en 3.2.2 para el modelo MCH sin recourse, este enfoque
es bastante limitado pues estamos aproximando el problema estoc astico (3.63), que clara-
mente depende de N, usando una muestra de tama no N. Sin embargo, lo usamos pues
nos permitir a obtener nalmente un criterio de selecci on de soluciones estadsticamente
mejores.
Usando notaci on de 3.1.1, denimos
F(x, t, ) := (
R
(x, )) + (1 )
_
t +
1
1/N
[
R
(x, ) t]
+
_
,
f(x, t) := E[F(x, t, )] ,
y, dada una muestra
1
, . . . ,
N
,
f
N
(x, t) :=
1
N
N
k=1
F(x, t,
k
).
As, el problema MCH verdadero (3.63) es equivalente a
N
= mn
x
e
,t
f(x
e
, t) s.t. x
e
X
R
, t R,
67

N
= mn
x
e
,t
f
N
(x
e
, t) s.t. x
e
X
R
, t R.
Denotamos como S al conjunto de soluciones optimas del problema verdadero y

S
N
al
conjunto de soluciones optimas de su aproximaci on SAA.
Consistencia: An alogo a lo sucedido para el modelo MCH sin recourse, obviamos el
an alisis de convergencia del problema SAA (3.62) al problema verdadero (3.63), pues
tanto

N
como
N
dependen de N. Carece de todo sentido entonces preguntarse si

N
converge a
N
cuando N .
Usamos el algoritmo de 3.2.1 para encontrar soluciones al problema MCH con re-
course que, estadsticamente, minimicen el gap de optimialidad entre el problema ver-
dadero y su aproximaci on SAA. Debemos redenir en dicho algoritmo F, f y

f
N
como
se denieron al inicio de esta subsecci on, y tambi en el problema verdadero ahora corre-
sponder a al problema (3.63) y la aproximaci on SAA al problema (3.62).
3.3.3. Modelo MCH- con Recourse
Dado un nivel de riesgo (0, 1] el problema MCH- con Recourse es
:= mn
x
e
X
R
, tR
E
_
(
R
(x
e
, )) + (1 )
_
t +
1
[
R
(x
e
, ) t]
+
__
(3.64)
Dada una muestra del par ametro incierto de tama no N,
1
, . . . ,
N
, la aproximaci on
SAA del problema MCH- con Recourse es
N
:= mn
x
e
X
R
, tR
1
N
N
k=1
_
(
R
(x
e
, )) + (1 )
_
t +
1
[
R
(x
e
, ) t]
+
__
.
(3.65)
Nuevamente, usamos la notaci on de 3.1.1:
F(x, t, ) := (
R
(x, )) + (1 )
_
t +
1
[
R
(x, ) t]
+
_
,
f(x, t) := E[F(x, t, )] ,
68

y, dada una muestra
1
, . . . ,
N
,
f
N
(x, t) :=
1
N
N
k=1
F(x, t,
k
).
As, el problema MCH- verdadero (3.64) equivale a
= mn
x
e
,t
f(x
e
, t) s.t. x
e
X
R
, t R,
y su aproximaci on SAA (3.65) a
N
= mn
x
e
,t
f
N
(x
e
, t) s.t. x
e
X
R
, t R.
Denotamos S al conjunto de soluciones optimas de (3.64) y

S
N
al conjunto de soluciones
optimas de (3.65).
Consistencia
MCH- con Recourse verdadero (3.64) y su aproximaci on SAA (3.65). Asumiendo que el
vector de leyes se distribuye seg un la distribuci on P, soportada en el compacto R
B
+
y con - algebra T boreliana, si la muestra
1
, . . . ,
k
de es iid entonces se tiene que
y
D(
S
N
, S) 0
cuando N .
Demostraci on. El argumento es el mismo que el dado para la Proposici on 3.3.4, de con-
sistencia de la aproximaci on SAA del modelo CVaR con recourse.
An alisis Estadstico: Para seleccionar en el modelo MCH- con recourse soluciones
que, estadsticamente, minimizan el gap de optimalidad entre el problema verdadero y
su aproximaci on SAA, usamos una vez m as el algoritmo de 3.2.1. Para hacer dicho
algoritmo aplicable al presente modelo tomamos en el las funciones F, f y

f
N
como se
denieron al inicio de esta subsecci on, y tambi en ahora el problema verdadero ser a el
problema (3.64) y su aproximaci on SAA el problema (3.65).
69

3.3.4. Modelo de minimizaci on de VaR con recourse
Dado un nivel de riesgo (0, 1), recordemos el modelo de minimizaci on de VaR
con recourse introducido en 2.2.1:
:= mn
x
e
,z
z s.t. P
_
R
(x
e
, ) + z < 0
_
, x
e
X
R
. (3.66)
Adem as, dada una muestra
1
, . . . ,
N
de su aproximaci on SAA era
N
:= mn
x
e
,z
z s.t.
1
N
N
j=1
1
(,0)
(
R
(x
e
, ) + z) , x
e
X
R
. (3.67)
Siguiendo la notaci on de 3.1.2 denimos
f(x, z) := z
C(x, z, ) :=
R
(x, ) z
p(x, z) := P(C(x, z, ) > 0)
p
N
(x, z) :=
1
N
N
j=1
1
(0,)
(C(x, z,
j
))
donde
1
, . . . ,
N
es una muestra del par ametro . As, el problema verdadero (3.66) es
equivalente a
= mn
x
e
,z
f(z) s.t. p(x
e
, z) , x
e
X
R
,
y su aproximaci on SAA (3.67) equivalente a
N
= mn
x
e
,z
f(z) s.t. p
N
(x
e
, z) , x
e
X
R
.
Denimos tambi en como S al conjunto de soluciones optimas del problema verdadero
(3.66) y

S
N
Consistencia
Como lo realizado en el caso del modelo VaR sin recourse, la consistencia viene de
aplicar la Proposici on 3.1.7. Obtenemos un resultado absolutamente an alogo al de consis-
tencia para VaR sin recourse en 3.2.4.
Proposici on 3.3.6. Consideremos el problema verdadero de minimizaci on de VaR con
recourse (3.66) y su aproximaci on SAA (3.67), donde
R
y X
R
son como en (2.9) y
(2.10), respectivamente. Supongamos que est a soportado en un compacto y su -
algebra asociada T es boreliana. Si la muestra
1
, . . . ,
N
es iid y se cumple la siguiente
condici on
70

(a) existe soluci on optima x
e,
X
R
al problema verdadero (3.66) tal que F
R
(x
e,
,)
,
la funci on de distribuci on acumulada de la variable aleatoria
R
(x
e,
, ), es tal
que el conjunto F
1
R
(x
e,
,)
(1 ) tiene interior vaco
entonces

y D(
S
N
, S) 0 cuando N .
Hacemos notar que la condici on (a) pide unicamente que la funci on de distribuci on
acumulada de
R
(x
e,
, ) no tenga una planicie en el nivel 1 .
Demostraci on. Primeramente, es f acil ver que podemos restringir tanto el problema ver-
dadero (3.66) como el aproximado (3.67) al conjunto compacto K, denido en (3.3.3).
Tambi en, claramente f(x, z) = z es continua, y C(x, z) =
R
(x, )z es de Carath eodory
pues por Proposici on 3.3.1
R
es Carath eodory. Luego, basta vericar que la condici on
(a) de Proposici on 3.3.1 es equivalente a la condici on (a), y la demostraci on de esto es
totalmente an aloga a la hecha para vericar la equivalencia entre las condiciones (a) y (a)
en Proposici on 3.2.3.
Queremos aplicar el algoritmo de la secci on 3.1.2 de b usqueda soluciones optimas
que minimicen el gap de optimalidad entre el problema aproximado (3.67) y el problema
verdadero (3.66). Hacemos notar que, pese a haber cambiado el conjunto factible X
R
y la funci on de benecio
R
con respecto al enfoque sin recourse, igualmente estamos
estructuralmente en las mismas condiciones que en el caso de VaR sin recourse: podemos
restringir el problema verdadero (3.66) y el aproximado (3.67) al compacto K, y C es
Carath eodory. Luego todos los resultados de la sub-secci on 3.2.4 son igualmente v alidos
para el caso de VaR con recourse, tomando en cuenta siempre la redenici on de X
R
y
R
.
En particular, tanto el Lema 3.2.4 de 3.2.4 como el algoritmo de selecci on de mejores
soluciones estadsticas de dicha secci on siguen siendo v alidos para el caso con recourse,
con X
R
y
R
denidos seg un (2.10) y (2.9) respectivamente.
Se propone entonces el siguiente algoritmo para la b usqueda y selecci on de soluciones
x
e
X
R
que minimicen el gap de optimalidad del modelo de minimizaci on de VaR con
recourse con nivel de riesgo .
t
, con N
t
ciones M y nivel de conanza (1 ) (0, 1).
1,m
, . . . ,
N,m
, m = 1, . . . , M,
todos iid entre s. Resolver M problemas SAA (3.67) de tama no N:
m
,N
:= mn
x
e
X
R
, zR
z s.t.
N
j=1
1
(,0)
_
R
(x
e
,
j,m
) + z
_
N,
para m = 1, . . . , M. Obtenemos, en particular, M candidatos a soluci on: x
e,1
, . . . , x
e,M
.
71

, objetivo de (3.66). Ordenamos los valores

m
,N
,
m = 1, . . . , M, de menor a mayor,

(1)
,N
. . .

(M)
,N
. Denimos
N
:= b(N|; , N)
N
, M)
Se tiene que

(L)
,N
es cota inferior de
, con conanza (1 ).

t
,
1
, . . . ,
N
,
del par ametro . Adicionalmente esta muestra es independiente de las muestras
tomadas en el paso 1. Para cada x
e,m
, m = 1, . . . , M, calculamos la soluci on z
m
del problema (3.57) seg un el Lema 3.2.4 en el contexto con recourse, i.e. tomando
en Lema 3.2.4 X
R
en vez de X y
R
en vez de . Se tiene que z
m
es cota superior
para VaR
(x
e,m
), y entonces para
tambi en, con conanza (1 ).

4. Cota superior para el gap de optimalidad VaR
(x
e,m
)
. Para cada iteraci on

m = 1, . . . , M, z
m
(L)
,N
es cota superior, con conanza (1 ), para el gap
de optimalidad VaR
(x
e,m
)
.
Usamos como mejor candidato a soluci on optima del problema verdadero de mini-
mizaci on de VaR
con recourse (3.66) la soluci on x

m
que de la menor cota superior
para el gap de optimalidad.
72
Captulo 4
Experimentos Computacionales
4.1. Descripci on
Nos proponemos ahora comparar los resultados que dan los distintos modelos de op-
timizaci on bajo riesgo propuestos. En primera instancia, nos gustara que esta compara-
ci on respondiera preguntas b asicas como qu e modelo da mejores benecios, qu e modelo
provee una mejor protecci on ante la incertidumbre, qu e diferencias existen entre us-
ar un modelo neutro al riesgo e.g. minimizar la p erdida esperada y usar un modelo
averso al riesgo, qu e compensaci on hay entre disminur el benecio y disminur el ries-
go, etc etera. Sin embargo, todas estas preguntas no ser an f aciles de responder pues no
existe una metodologa clara y concluyente para hacer este tipo de evaluaciones. El prob-
lema principal en este ambito es cu al es realmente la ley de los bloques. Si nalmente
no tenemos manera de conocerla, podemos tratar de responder estas preguntas asumien-
do que sigue alguna distribuci on. No obstante, esta soluci on es bastante limitada pues
eval ua nuestras distintas soluciones solamente en el marco que establece la distribuci on
que usemos.
La comparaci on que nos proponemos hacer tendr a el escollo adicional de que estamos
haciendo una aproximaci on de cada modelo, pues estamos aproximando la distribuci on
original del par ametro con una muestra de el. As, en primer lugar, nuestro problema
aproximado depender a del modelo que elijamos para obtener una muestra de .

Este no es
un problema trivial pues, como dijimos al inicio de 2.2, elegimos usar la aproximaci on
SAA pues es poco realista asumir que se conoce la verdadera distribuci on de , y sin em-
bargo para obtener una muestra se estar an haciendo necesariamente algunas suposiciones
de cu al es la distribuci on real. En segundo lugar, la convergencia del problema aproxima-
do al problema verdadero puede no ser r apida, traduci endose en que el comportamiento
impuesto en la muestra no se traduzca elmente a la distribuci on verdadera. En deniti-
va, apoyarnos en la aproximaci on SAA nos obligar a a evaluar tambi en c omo convergen
los distintos modelos propuestos y cu al es el comportamiento que impone cada modelo
aproximado.
73
4.1. Descripci on CAP
ITULO 4. Experimentos Computacionales

Para hacernos cargo de la mayora de las inc ognitas y dicultades expuestas, usaremos
muestras del par ametro tanto para hacer la aproximaci on SAA como para representar su
verdadera distribuci on. Como hemos discutido aqu, toda evaluaci on que realicemos con
este m etodo ser a restringida, pues 1) estaremos haciendo inherentemente una hip otesis
sobre cu al es la distribuci on que sigue realmente , y 2) estaremos evaluando solamente
cu an buena es la aproximaci on SAA al modelo asumido para .
Para los experimentos computacionales tomamos un yacimiento muy peque no, de 17
por 26 por 15 bloques, y donde las dimensiones de cada bloque es 10 10 10 metros.
El argumento para tomar una mina peque na es que ya sin incertidumbre el problema
de planicaci on minera es altamente complejo, debido a la gran cantidad de variables
que tiene y el tipo de restricciones que usa, y requiere el uso de t ecnicas ad-hoc para
ser abordado ecientemente; luego, preferimos tomar en nuestra evaluaci on una mina
peque na para evitar los pormenores propios del gran tama no del problema. Esta mina
simula un yacimiento de cobre consistente de vetas mineralizadas, y est a basada en datos
reales. Elegimos tomar una mina de tipo veta pues en estas el mineral est a depositado
de manera discontinua; por ejemplo, una mina sencilla de este tipo sera una donde el
mineral est a totalmente concentrado en un plano que corta el yacimiento. Usamos una
mina con esta caracterstica pues esta provocar a, en principio, los resultados m as adversos
en presencia de incertidumbre, con lo que sera esperable que este tipo de mina provea los
datos m as desaantes para los modelos bajo riesgo propuestos.
Para esta mina contamos con 20.000 escenarios para la distribuci on conjunta de ley
de los bloques. Esto es, cada escenario representa un vector R
B
de leyes. Estos es-
cenarios est an basados en la t ecnica geo-estadstica de Conditional Simulations, y fueron
obtenidos usando el procedimiento expuesto en [EL06]. Podemos asumir que estos 20.000
escenarios son una muestra iid del vector de leyes.
En esta mina todos los bordes poseen alg un escenario con un bloque con ley positiva,
luego es posible que alguna soluci on contemple extraer bloques en el borde. Recordemos
que las restricciones de precedencia del modelo de bloques requiere que para extraer un
bloque se deben extraer tambi en todos los bloques ubicados en un cono precisado por
las restricciones de precedencia arriba de el. Sin embargo si un plan establece extraer un
bloque del borde entonces solamente se requeriran extrar los bloques en el cono truncado
que est a arriba de el. Esto sera un error de modelaci on, pues en la pr actica si se desea
extraer un bloque en la frontera del yacimiento igualmente se deberan extraer todos los
bloques en el cono encima de el, produci endose un consumo de capacidad de extracci on
no previsto por el modelo. Prevemos esta situaci on y agregamos varias corridas de bloques
extras, con ley nula, en los bordes. Agregamos todos los bloques necesarios para que
extraer un bloque del borde requiera extraer un cono completo sobre el.
Para hacer las pruebas computacionales usamos el algoritmo de selecci on de solu-
ciones presentado para cada modelo en 3.2 y 3.3. M as formalmente, seguiremos el
siguiente procedimiento general.
0. Dado un modelo, en su variante con o sin recourse, y un nivel de riesgo [0, 1]
74
4.2. Par ametros CAP

con ,= 0 salvo si el modelo es MCH, denimos tama nos de muestra N y N
t
,
N
t
N. Tomamos tambi en M, el n umero de repeticiones para las pruebas, y
(1 ) (0, 1), el nivel de conanza para el an alisis estadstico.
1. Tomamos, de entre las primeras 20000 N
t
muestras del total de 20000, M colec-
ciones, sin repeticiones, de muestras de tama no N:
1,m
, . . . ,
N,m
, m = 1, . . . , M.
Para cada colecci on m = 1, . . . , M resolvemos un problema SAA de tama no N
usando la colecci on m- esima:
1,m
, . . . ,
N,m
. Obtenemos, en particular, M valores
objetivos

1
,N
, . . . ,
M
,N
y M candidatos a soluci on, x
1
, . . . , x
M
.
2. Calculamos la cota inferior estadstica, con conanza (1), para el valor objetivo
del problema verdadero,
. Esto se hace usando

1
,N
, . . . ,
M
,N
en el procedimiento
ad-hoc del modelo.
3. Tomando las ultimas N
t
muestras de las 20000 calculamos la cota superior estadsti-
ca, con conanza (1 ), para
usando el procedimiento de cada modelo.

4. Calculamos, para cada candidato x
1
, . . . , x
M
, la cota superior estadstica, con con-
anza (1), del gap de optimalidad. Diremos que la soluci on x
m
que minimice esta
cota es la soluci on estadsticamente optima para este modelo y estos par ametros.
Usando este procedimiento para encontrar la, estadsticamente, mejor soluci on de cada
modelo y combinaci on de par ametros, nos concentramos principalmente en estudiar los
siguientes aspectos.
C omo converge el modelo con el tama no N de la muestra.
Cu al es el perl de benecios que entrega cada modelo.
Comportamiento del modelo al variar el nivel de riesgo , y comparaci on con mini-
mizar p erdida esperada y minimizar peor p erdida.
Para cada modelo, comparaci on de resultados entre las versiones con y sin recourse.
4.2. Par ametros
Recordamos que usaremos una mina que simula un yacimiento de cobre consistente
de vetas mineralizadas. Las dimensiones de cada bloque son 10 10 10 metros, y el
yacimiento es una grilla de 17 26 15 bloques, i.e. 6.630 bloques. Para no complicar
el problema consideramos que para extraer cada bloque tambi en se deben extraer los 5
bloques en la cruz inmediatamente encima de el. Denido esto, se procedi o a agregar
bloques de ley nula en los bordes del yacimiento, seg un se argument o antes. El modelo
resultante consta de 19.720 bloques y de 86.450 restricciones de precedencia.
75
4.2. Par ametros CAP

Cada bloque consume una unidad de capacidad de extracci on y de procesamiento, y la
capacidad total de extracci on y procesamiento es de 9.860. Es decir, no se pueden extraer
ni procesar m as de la mitad del total de los bloques de la mina. El costo por extraer cada
bloque es de 1 UM, el costo por procesarlo 5 UM, y el benecio por bloque por unidad
de mineral es 25 UM.
Figura 4.1: Diagrama de bloques con leyes promedio superior a 0.4
En cuanto a las leyes de la mina, como ya se dijo, se cuenta con 20.000 escenarios para
el vector de leyes . En la Figura 4.1 se muestra un diagrama de la posici on topol ogica de
los bloques para los cuales la ley promedio es mayor o igual a 0.4. Como la leyenda de
la gura muestra, los bloques est an coloreados seg un su ley promedio. Por otro lado, en
la Figura 4.2 mostramos histogramas de las leyes promedio, para el yacimiento original
de 6.630 bloques y para el yacimiento completado de 19.720 bloques. Cada columna de
cada gr aco representa cu antos bloques tienen ley promedio en ese rango. La columna
con asterisco de m as a la derecha de cada histograma representa la cantidad de bloques
que tienen ley promedio en, o mayor, al rango especicado.
Para todos los modelos, con nivel de riesgo y tama no de muestra N dados, tomamos
siempre los siguientes par ametros para el algoritmo de selecci on de soluciones estadsti-
camente optimas:
nivel de conanza (1 ) = 95 %,
M = 30 repeticiones de cada prueba, y
N
t
= 10000 muestras para computar la cota superior.
76
4.3. Resultados CAP

0 0.5 1 1.5
0
200
400
600
800
1000
1200
1400
Ley promedio
C
a
n
t
i
d
a
d

d
e

b
l
o
q
u
e
s
Histograma para yacimiento original
*
0 0.2 0.4 0.6 0.8 1
0
2000
4000
6000
8000
10000
12000
14000
16000
Ley promedio
C
a
n
t
i
d
a
d

d
e

b
l
o
q
u
e
s
Histograma para yacimiento completado
*
Figura 4.2: Histograma de leyes promedio
Con estos par ametros podremos calcular las cotas superiores e inferiores estadsticas del
valor objetivo del problema verdadero, y cota superior estadstica del gap de optimalidad.
Adicionalmente, estimaremos la p erdida esperada y CVaR para varios niveles de
riesgo de cada plan estadsticamente optimo, usando las mismas N
t
= 10000 muestras
del c alculo de la cota superior. Para el caso de p erdida esperada, la Ley de los Grandes
N umeros nos asegura que esta ser a una buena estimaci on de la verdadera p erdida es-
perada del plan. En el caso del CVaR, el argumento en [SDR09, 6.5.1] nos asegura la
convergencia del estimador, y entonces tambi en ser a una buena estimaci on.
En la siguiente secci on mostramos los resultados m as relevantes de los experimentos
computacionales hechos en esta mina, con la metodologa presentada.
4.3. Resultados
4.3.1. Distribuci on emprica de benecios
Modelo minimizaci on de VaR
En general, los experimentos num ericos para el modelo de minimizaci on de VaR se
caracterizaron por ser sumamente inecientes en su resoluci on num erica. En circunstan-
cias en que todos los otros modelos sin recourse y el mismo tama no N de muestra re-
queran un tiempo razonable de resoluci on, digamos no m as que un par de horas, el mod-
elo de VaR demoraba varios das. Peor a un, la mayora de las pruebas con este modelo no
pudieron ser terminadas, pues el consumo excesivo de memoria que realizaba haca que
el nodo de c omputo donde se ejecutaba botara el trabajo. Esta ineciencia computacional
probablemente se deba en gran parte a la formulaci on con gran-M que usamos.
77
4.3. Resultados CAP

(a) Dist. acumulada, en muestra de planicaci on (b) Dist. acumulada, en muestra de evaluaci on
(c) Histograma, en muestra de planicaci on (d) Histograma, en muestra de evaluaci on
Figura 4.3: Distribuci on emprica de benecios, modelo minimizaci on de VaR
El mayor tama no de muestra en la que pudieron terminar las M = 30 repeticiones
de la prueba fue N = 100 muestras, y solamente para algunos nieles de riesgo . En la
Figura 4.3 se muestran, en dos tipos de gr aco, la distribuci on emprica que tuvieron las
soluciones estadsticamente optimas para el modelo VaR para = 1 % y = 3 %.
Los gr acos 4.3(a) y 4.3(b) muestran la funci on de distribuci on acumulada de los
benecios empricos al evaluar el plan estadsticamente optimo en las muestras de de
planicaci on y de evaluaci on. La muestra de planicaci on es la colecci on m- esima de
N muestras de en la que se obtuvo la planicaci on estadsticamente optima para una
prueba en particular. En cambio, la muestra de evaluaci on es la colecci on de N
t
= 10000
muestras de donde se trata de evaluar el desempe no real de la soluci on estadsticamente
optima de cada prueba. As, dada una soluci on estadsticamente optima x
para alguna
prueba, obtenida, digamos, en la iteraci on m- esima del problema, la distribuci on emprica
78
4.3. Resultados CAP

en la muestra de evaluaci on es la distribuci on de la colecci on de benecios
(x
,
1,m
), . . . , (x
,
N,m
)
y la distribuci on emprica en la muestra de evaluaci on es la distribuci on de
(x
,
1
), . . . , (x
,
N
).
Cabe resaltar que la muestra de evaluaci on no contiene a la muestra de planicaci on.
Tambi en, la muestra de evaluaci on siempre es la misma para todas las pruebas, no as la
muestra de planicaci on, pues cada una de las m = 1, . . . , 30 colecciones de muestras de
tama no N est a tomada al azar, como ya mencionamos.
En los gr acos 4.3(c) y 4.3(d) se muestran histogramas de la distribuci on emprica de
los benecios, en la muestra de planicaci on el primero y en la de evaluaci on el segundo.
En los histogramas las barras sobre las curvas muestran el promedio y desviaci on est andar
de la distribuci on emprica. Se incluyen adem as en todos los gr acos los resultados de las
pruebas de minimizar la p erdida esperada notada Esperanza en la leyenda y minimizar
peor p erdida notada Peor caso en la leyenda para hacer una comparaci on de los re-
sultados del modelo con estos dos enfoques extremos en cuanto al tratamiento de riesgo.
Estas ultimas dos pruebas se resolvieron usando N = 200 muestras y usando tambi en el
algoritmo de selecci on de soluciones estadsticamente optimas.
En los gr acos 4.3(a) y 4.3(c) se reeja cu al es el comportamiento que est a tratando
de imponer el modelo de VaR: maximizar el percentil de los benecios o equivalente-
mente, minimizar el percentil (1 ) de las p erdidas. Sin embargo este comportamiento
no se logra traducir a la muestra de evaluaci on. Es m as, pese a que los niveles de riesgo
son bajos, las distribuciones resultantes en la muestra de evaluaci on son peores que las
pruebas Esperanza y Peor caso: en la parte de menores benecios las pruebas VaR dan
mayor peso, y tienen un benecio esperado muy cercano al del enfoque Peor caso, el m as
conservador.
Hacemos notar tambi en la coherencia que muestran las pruebas de minimizar p erdidas
y minimizar peor p erdida: mientras la soluci on a la primera prueba efectivamente da el
benecio esperado m as alto, dando en desmedro peso a los peores benecios, la soluci on
de la segunda prueba da el menor peso a los peores benecios en detrimento de dar menos
peso a los benecios m as altos y entonces logrando un menor benecio esperado.
Modelo minimizaci on de VaR con recourse
Para el modelo VaR con recourse, en la Figura 4.4 mostramos la distribuci on emprica
de los benecios para la prueba con = 1 % y tama no de muestra de planicaci on N =
200. Adem as se muestran los resultados de las pruebas de minimizar p erdida esperada
leyenda Esperanza rec y minimizar peor p erdida leyenda Peor caso rec, ambas en su
variante con recourse.
79
4.3. Resultados CAP

Figura 4.4: Distribuci on emprica de benecios, modelo minimizaci on de VaR con re-
course
En primer lugar, se observa que todas las variantes con recourse entregan benecios
considerablemente mayores a la variante sin recourse. Adem as, ninguna prueba entre-
ga benecios negativos, o p erdidas. Se vericar a en todos los modelos que los planes
obtenidos con la variante con recourse entregan benecios mucho mayores y no entregan
benecios negativos.
Vemos tambi en que el comportamiento que se trata de imponer en la muestra de plan-
icaci on no es tan claro como en el caso sin recourse. Efectivamente, se ve que el modelo
en la muestra de planicaci on trata de maximizar el percentil de los benecios, sin em-
bargo no se observa que esto sea impuesto de manera clara. Al pasar a la muestra de
evaluaci on, el modelo VaR entrega una soluci on con riesgo intermedio entre minimizar
esperanza y minimizar peor caso. Esto contrasta con la variante sin recourse, donde vimos
que la soluci on obtenida daba, a modo grueso, un riesgo peor a la de estos dos modelos.
80
4.3. Resultados CAP

Por otro lado, en el ambito computacional, la ejecuci on de la variante con recourse del
modelo VaR fue m as eciente, permitiendo ejecutar la prueba para un tama no de muestra
N mayor. Esto puede ser debido a que los par ametros gran-M usados era los mismos
para las pruebas con y sin recourse, y en el caso con recourse estos par ametros eran m as
ajustados a los valores que la variable tomaba en optimalidad. No obstante, esta prueba
pudo ser ejecutada solamente para muy bajo, 1 %, y para mayor la prueba siempre fue
botada por el nodo de c omputo por falta de memoria.
Modelos CVaR, MCH y MCH- sin recourse
Figura 4.5: Distribuci on emprica de benecios, modelo minimizaci on de CVaR
Mostramos en las Figuras 4.5, 4.6 y 4.7 las distribuciones empricas del benecio
para las pruebas de minimizaci on de CVaR MCH y MCH-, respectivamente. Hacemos
notar que en todos estos gr acos se tiene el mismo rango para el eje de benecios. En
81
4.3. Resultados CAP

Figura 4.6: Distribuci on emprica de benecios, modelo MCH
todas estas pruebas siempre se tom o un un tama no de muestra de N = 200, tama no
que permiti o una eciente ejecuci on de las pruebas. As, por ejemplo, el peor tiempo de
ejecuci on fue el de la prueba de peor p erdida i.e. MCH con = 0 que requiri o en
promedio 7,5 horas en completarse, y el segundo peor tiempo fue menor a 3 horas. El
siguiente tama no de muestra tomado fue N = 400, pero tuvo mala ejecuci on y rara vez
se pudieron completar las pruebas, pues los trabajos necesitaba mucha memora y eran
botados por el nodo donde se estaban computando. Tambi en, con N = 200 muestras se
pudo ejecutar, para los tres modelos, las pruebas para varios niveles de riesgo : 1, 2, 3, 5,
10, 30, 50 y 70 %. No obstante, en los gr acos no mostramos los resultados para niveles
de riesgo bajos pues siempre los resultados no eran signicativamente distintos a los de la
prueba de minimizar peor p erdida. Cabe destacar que las pruebas para estos tres modelos
siempre fueron realizadas con las mismas M = 30 colecciones de muestras de tama no
N = 200, i.e. se usaron solamente estas 30 colecciones de 200 muestras de para correr
82
4.3. Resultados CAP

Figura 4.7: Distribuci on emprica de benecios, modelo MCH-
las pruebas para los tres modelos, para todos los niveles de riesgo.
En general, para los tres modelos se observa que al disminur se hace variar grad-
ualmente el riesgo de las distribuciones empricas, cambiando progresivamente desde el
resultado de minimizar esperanza al de minimizar peor caso. En efecto, al ir disminuyen-
do el nivel de riesgo disminuye en la muestra de planicaci on la probabilidad de tener
benecios bajos, disminuye la desviaci on est andar, y todo esto a costo de obtener un
menor benecio promedio. Este comportamiento es usual en los m etodos de optimizaci on
robusta y optimizaci on aversa al riesgo, y puede interpretarse como que el aumento de
certidumbre en el resultado nal generalmente se paga teniendo un menor benecio
esperado.
Estas tres componentes del comportamiento impuesto por los modelos se mantienen,
de manera gruesa, al pasar a la muestra de evaluaci on. No obstante, en esta ultima mues-
tra es bastante poco claro el efecto de tener menos probabilidad de tener bajos benecios.
83
4.3. Resultados CAP

Esto puede ser debido a que el CVaR, componente fundamental de los modelos de min-
imizaci on de CVaR, MCH y MCH-, hace enfasis en los peores benecios, lo cual exige
que la muestra sea particularmente representativa de las leyes que dan los peores bene-
cios. E intuitivamente, para tener una muestra que represente elmente los casos extremos,
se necesita que esta tenga gran tama no. Podemos conjeturar entonces que un tama no de
muestra de N = 200 a un no es sucientemente grande para resolver estos modelos. Esta
idea es reforzada por el hecho de que, en los tres modelos, el comportamiento en gener-
al en la muestra de planicaci on no concuerda totalmente con el comportamiento en la
muestra de evaluaci on.
Ahora, siendo m as detallista, se aprecia en los gr acos de distribuci on acumulada que
los modelos CVaR y MCH- se diferencian, para un mismo nivel de riesgo, solamente
en los benecios medios y altos; en los benecios bajos los dos modelos dan el mismo
resultado, tanto en la muestra de planicaci on comparar Figuras 4.7(a) y 4.5(a) como
en la de evaluaci on compara Figuras 4.7(b) y 4.5(b). En los rangos medios y altos, el
modelo MCH- da m as peso a tener mayores benecios, comparado con el modelo MCH.
En palabras simples, los resultados del modelo MCH- en el rango de benecios bajos
son casi id enticos a los del modelo CVaR, y para el rango de benecios medios y altos
el modelo MCH- tiene a parecerse m as a la soluci on de minimizar p erdida esperada,
especialmente para niveles m as altos. De nuevo, esto tanto en la muestra de planicaci on
como en la de evaluaci on. Esto se puede explicar porque, para un mismo , el modelo
CVaR es minimizar CVaR
de las p erdidas, y el modelo MCH- es minimizar E + (1

) CVaR
de las p erdidas.
Por otro lado, el comportamiento impuesto por el modelo MCH en la muestra de plan-
icaci on se aleja bastante del impuesto por los modelos CVaR y MCH-, y se caracteriza
por ser sumamente conservador en el rango de las peores p erdidas. En este rango el mode-
lo es muy similar al de minimizar peor caso (ver e.g. Figura 4.6(a)). Sin embargo, al pasar
a la muestra de evaluaci on este comportamiento se pierde, y el desempe no es casi id entico
al que impone el modelo CVaR con el mismo (ver e.g. las Figuras 4.6(b) y 4.5(b)).
Modelos CVaR, MCH y MCH- con recourse
En las Figuras 4.8, 4.9 y 4.10 se muestran las distribuciones empricas que dan los
modelos de minimizaci on de CVaR, MCH y MCH-, los tres en su variante con recourse.
Destacamos que en todos estos gr acos el eje de benecios tiene el mismo rango, para
facilitar la comparaci on. Tambi en se muestra el desempe no de las soluciones a minimizar
p erdida esperada y minimizar peor p erdida, ambas tambi en en su variante con recourse.
Los resultados aqu expuestos corresponden a una planicaci on con una muestra de
tama no N = 200. El siguiente tama no probado, N = 400, no se ejecut o satisfactoria-
mente, al igual que en el caso de estos modelos sin recourse y por los mismos motivos.
Los tiempos de ejecuci on en las pruebas con N = 200 muestras fueron siempre menores
a una hora. La diferencia de tiempo con las pruebas sin recourse se debe a que estas
ultimas se corrieron el cluster Mansci, de la Universidad Adolfo Ib a nez, en cambio las
84
4.3. Resultados CAP

Figura 4.8: Distribuci on emprica de benecios, modelo minimizaci on de CVaR con re-
course
pruebas con recourse fueron computadas en el cluster Vulcan, en el DII, Universidad de
Chile. Tambi en, igual al caso sin recourse, en estas pruebas tomamos siempre las mismas
M = 30 colecciones de tama no N = 200 para hacer todas las pruebas, para los tres
modelos y para varios valores de .
En primera instancia observamos que usar la variante con recourse da benecios no-
tablemente mejores que la variante sin recourse. En la Tabla 4.1 se comparan las vari-
antes con y sin recourse de todos los enfoques con nivel de riesgo = 10 %, salvo VaR,
mostrando estimaciones de p erdida esperada y CVaR5 %. Estas dos estimaciones se hacen
evaluando cada plan estadsticamente optimo en la muestra de evaluaci on. Como se argu-
ment o al inicio de este captulo, el gran tama no de esta muestra, N
t
= 10000, nos permite
asumir que estas son buenas estimaciones. Vemos que el benecio esperado pr acticamente
se triplica, y el riesgo cuanticado en el CVaR 5 % disminuye casi en 900 %.
85
4.3. Resultados CAP

Figura 4.9: Distribuci on emprica de benecios, modelo MCH con recourse
P erdida esperada CVaR 5 %
Sin rec. Con rec. Sin rec. Con rec.
Minimizar esperanza -7971 -20028 -1054 -9340
CVaR, = 10 % -6717 -18930 -1193 -9606
MCH, = 10 % -6576 -18199 -1243 -9362
MCH-, = 10 % -6990 -19333 -1225 -9592
Minimizar peor caso -5696 -17968 -942 -9239
Cuadro 4.1: Comparaci on de variantes con y sin recourse
Se observa en los tres modelos que, en general, variar el nivel de riesgo no produce
una diferencia dr astica en la distribuci on de los benecios. En el caso de la muestra de
planicaci on, al pasar de la variante sin recourse a con recourse se ha difuminado el efecto
de que a menor nivel de riesgo hay m as aversi on el riesgo. Por ejemplo, en la Figura
86
4.3. Resultados CAP

Figura 4.10: Distribuci on emprica de benecios, modelo MCH- con recourse
4.10(a) se ve que tomar = 70 % es incluso m as riesgoso que el modelo de minimizar
esperanza; en la Figura 4.8(a) las curvas de dos niveles de riesgo distintos se crucen varias
veces; y en 4.9(a) la diferenciaci on entre distintos es muy leve.
En cambio, al pasar a la muestra de evaluaci on vemos que la diferenciaci on por es
leve pero coherente con el nivel de riesgo. Por ejemplo, en 4.9(b) las curvas para distintos
son distinguibles, y a mayor la curva se acerca uniformemente a la de minimizar
esperanza; y en 4.10(b) hay niveles de riesgo distintos con curvas iguales, pero cuando
las curvas son distintas estas no se cruzan, a lo m as se superponen en los sectores de
benecios bajos y altos.
Por otro lado, se observa en la muestra de evaluaci on que, para los tres modelos, dis-
minur el nivel de riesgo no produce que se de menos peso o probabilidad a los benecios
bajos. En ese sentido, pareciera ser que minimizar p erdida esperada da resultados m as
robustos que los obtenidos usando los modelos aversos al riesgo, pues en la muestra de
87
4.3. Resultados CAP

evaluaci on no s olo pareciera dar menos peso a los benecios bajos, sin o que adem as dara
m as peso a los benecios altos. Esto es parad ojico, pues los tres modelos en cuesti on se
basan en reducir el CVaR, y esto, en cierta manera, considera reducir la probabilidad de
los peores benecios. Una posible explicaci on para esto es que el tama no de muestra para
la planicaci on, N = 200, no es sucientemente grande, y el argumento es el mismo que
se dio para el caso sin recourse.
En sntesis, no obstante el enorme aumento en los benecios que resulta de usar la
variante con recourse, los modelos CVaR, MCH y MCH- no producen resultados signi-
cativamente distintos, y m as a un, no es posible conclur que alguno de estos modelos d
resultados menos riesgosos que los que da minimizar p erdida esperada.
4.3.2. Convergencia
Nos dedicamos ahora a mostrar y estudiar los resultados del an alisis estadstico y de
convergencia para los cuatro modelos, en sus variantes con y sin recourse. La idea funda-
mental es examinar c omo cambian, para una prueba y un nivel de riesgo dado, estimadores
de inter es al tomar un tama no N de muestra mayor, y tambi en estudiar c omo convergen
estos modelos.
Para estudiar la convergencia de cada modelo nos concentramos en la cota superior
estadstica del gap de optimalidad. Recordemos que, en notaci on del Captulo 3 y usando
como ejemplo el modelo de CVaR, dado un plan x candidato, su gap de optimalidad es la
distancia entre
, el verdadero mnimo CVaR, y el CVaR del plan x. Nos concentramos

tambi en en estudiar c omo vara la p erdida esperada de cada plan soluci on, y estudiar
tambi en la variaci on del CVaR 5 %, entiendendo que este ultimo es un cuanticador ra-
zonable del riesgo de cada plan. Aproximaremos estos dos valores por sus estimadores en
la muestra de evaluaci on, ya que, como hemos mencionado previamente, su gran tama no
N
t
= 10000 nos permite asumir que estas ser an buenas aproximaciones.
En las siguientes siete tablas mostramos los resultados, para las variantes con y sin
recourse, de todos los modelos salvo para VaR sin recourse, pues no pudimos resolver este
modelo para N = 100 y menos a un N = 200. Comparamos distintos niveles de riesgo
y adem as inclumos los resultados para los enfoques de minimizar p erdida esperada (mn
E) y tambi en minimizar peor p erdida (mn PC). Para este ultimo enfoque no mostramos
una cota superior del gap, pues la metodologa SAA no permite estimar este valor.
Adem as, llamamos Coef. R-P, de coeciente riesgo-p erdida, al coeciente por-
centual entre el CVaR5 % y la p erdida esperada, para el plan estadsticamente optimo. Da-
do que obtenemos siempre que el CVaR 5 % y la p erdida esperada son negativos, entonces
este coeciente ser a siempre positivo y representar a la certeza del plan estadsticamente
optimo. Esto pues este coeciente representa en cierta manera un riesgo normalizado, y
como adicionalmente siempre los dos t erminos involucrados ser an negativos, represen-
tando benecios, entonces este es un ndice que cu anta certeza hay en el resultado nal
de un plan.
88
4.3. Resultados CAP

Cota gap
CVaR 5 %
P erdida E
Coef. R-P [ %]
mn PC = 1 % = 10 % = 30 % mn E
N = 50
-650
-5342
12.2
7398
-669
-5385
12.4
5413
-844
-5707
14.8
4492
-702
-6316
11.1
2725
-393
-7142
5.5
N = 100
-989
-6063
16.3
5867
-910
-5921
15.4
4080
-941
-6517
14.4
2801
-1156
-6649
17.4
1483
-789
-7668
10.3
N = 200
-942
-5696
16.5
4631
-1125
-6146
18.3
2830
-1193
-6717
17.8
1835
-1268
-7262
17.5
837
-1054
-7971
13.2
Cuadro 4.2: Resumen de estadsticos para modelo minimizaci on de CVaR
CVaR 5 %
P erdida E
Coef. R-P [ %]
mn PC = 1 % = 10 % = 30 % mn E
N = 50
-650
-5342
12.2
-673
-5400
12.5
-710
-5521
12.9
-1012
-6673
15.2
-393
-7142
5.5
N = 100
-989
-6063
16.3
-947
-5986
15.8
-1057
-6205
17.0
-1342
-6528
20.6
-789
-7668
10.3
N = 200
-942
-5696
16.5
-1214
-6199
19.6
-1243
-6576
18.9
-1324
-6592
20.1
-1054
-7971
13.2
Cuadro 4.3: Resumen de estadsticos para modelo MCH
En lneas generales se observan las siguientes tendencias.
Gap: Disminuye al aumentar N y tambi en al aumentar . Esto para todos los mode-
los salvo VaR con recourse, y salvo en MCH y MCH con recourse puse no hay una
estimaci on del gap.
CVaR 5 %: No se observa una tendencia mon otona en . Existe una tendencia clara
a disminur al aumentar N en modelos CVaR, con y sin recourse, MCH y MCH-
sin recourse, y minimizar esperanza con y sin recourse. Y la tendencia es m as bien
difusa en los modelos MCH y MCH- con recourse.
89
4.3. Resultados CAP

Cota gap
CVaR 5 %
P erdida E
Coef. R-P [ %]
mn PC = 1 % = 10 % = 30 % mn E
N = 50
-650
-5342
12.2
7350
-647
-5340
12.1
4958
-939
-5909
15.9
3558
-864
-6761
12.8
2725
-393
-7142
5.5
N = 100
-989
-6063
16.3
5816
-947
-5986
15.8
3664
-1053
-6480
16.3
2131
-1290
-7134
18.1
1483
-789
-7668
10.3
N = 200
-942
-5696
16.5
4583
-1153
-6228
18.5
2524
-1225
-6990
17.5
1325
-1383
-7586
18.2
837
-1054
-7971
13.2
Cuadro 4.4: Resumen de estadsticos para modelo MCH-
Cota gap
CVaR 5 %
P erdida E
Coef. R-P [ %]
mn PC = 1 % mn E
N = 50
-9218
-18826
49.0
3387
-9259
-18973
48.8
480
-9283
-19968
46.5
N = 100
-9178
-17923
51.2
3477
-9183
-18529
49.6
538
-9334
-20007
46.7
N = 200
-9239
-17968
51.4
2350
-9447
-18659
50.6
355
-9340
-20028
46.6
Cuadro 4.5: Resumen de estadsticos para modelo minimizaci on de VaR con recourse
P erdida esperada: aumenta al aumentar . Aumenta con N en todos los modelos
salvo peor caso con y sin recourse, y VaR con recourse. Sin embargo en los modelos
MCH y MCH- con recourse esta tendencia es menos clara que en los otros.
Coeciente entre CVaR 5 % y p erdida esperada: En todo los modelos, salvo MCH-
con recourse, este coeciente tiende a crecer al aumentar el tama no N de muestra.
90
4.3. Resultados CAP

Cota gap
CVaR 5 %
P erdida E
Coef. R-P [ %]
mn PC = 1 % = 10 % = 30 % mn E
N = 50
-9218
-18826
49.0
4618
-9034
-17956
50.3
2098
-9238
-18901
48.9
1352
-9480
-19495
48.6
480
-9283
-19968
46.5
N = 100
-9178
-17923
51.2
3678
-9172
-17916
51.2
1657
-9461
-19192
49.3
1059
-9557
-19614
48.7
538
-9334
-20007
46.7
N = 200
-9239
-17968
51.4
2070
-9372
-18224
51.4
890
-9606
-18930
50.7
642
-9539
-19685
48.5
355
-9340
-20028
46.6
Cuadro 4.6: Resumen de estadsticos para modelo minimizaci on de CVaR con recourse
CVaR 5 %
P erdida E
Coef. R-P [ %]
mn PC = 1 % = 10 % = 30 % mn E
N = 50
-9218
-18826
49.0
-9218
-18826
49.0
-9304
-19004
49.0
-9409
-19061
49.4
-9283
-19968
46.5
N = 100
-9178
-17923
51.2
-9172
-17916
51.2
-9351
-18221
51.3
-9533
-19065
50.0
-9334
-20007
46.7
N = 200
-9239
-17968
51.4
-9239
-17968
51.4
-9362
-18199
51.4
-9604
-18728
51.3
-9340
-20028
46.6
Cuadro 4.7: Resumen de estadsticos para modelo MCH con recourse
En la secci on 4.3.1 ya mencionamos los graves problemas que presentaba la tratabilidad
computacional de este efoque. Agregamos a esto los resultados aqu presentados que
sugieren que el modelo no guarda relaci on, en ning un plano, con los enfoques de min-
imizaci on de p erdida esperada y minimizaci on de peor p erdida. M as a un, los resultados
muestran que, dado , el aumento de N en la pr actica no disminuye el gap de optimali-
dad y tampoco se traduce en disminuci on de indicadores de inter es, por ejemplo p erdida
esperada o CVaR 5 %. Esta evidencia, en suma, contribuye a desechar el modelo de mini-
mizaci on de VaR.
Para los modelos CVaR, MCH y MCH- el comportamiento es predecible y razonable:
91
4.3. Resultados CAP

Cota gap
CVaR 5 %
P erdida E
Coef. R-P [ %]
mn PC = 1 % = 10 % = 30 % mn E
N = 50
-9218
-18826
49.0
4560
-9046
-17968
50.3
1784
-9481
-18539
51.1
1035
-9527
-19578
48.7
480
-9283
-19968
46.5
N = 100
-9178
-17923
51.2
3641
-9172
-17916
51.2
1505
-9468
-19252
49.2
819
-9334
-19955
46.8
538
-9334
-20007
46.7
N = 200
-9239
-17968
51.4
2047
-9372
-18224
51.4
790
-9592
-19333
49.6
510
-9427
-19899
47.4
355
-9340
-20028
46.6
Cuadro 4.8: Resumen de estadsticos para modelo MCH- con recourse
aumentar el tama no de muestra aumenta la certeza del plan, el benecio esperado y dis-
minuye el CVaR 5 %. Tambi en, al tomar menores estamos concentr andonos en una por-
ci on m as extrema de la distribuci on de benecios, por lo que se hace necesario tener un
mayor tama no de muestra N.
Consideramos importante que en los modelos sin recourse las cotas obtenidas son
muy gruesas y por tanto poco utiles. Por ejemplo, para el modelo CVaRcon nivel de riesgo
= 10 %, el an alisis estadstico para N = 200 nos da el intervalo [4740,5, 1864,2], con
conanza 95 %, para el mnimo CVaR 10 %. Por otro lado, el CVaR 10 % en la muestra
de evaluaci on es estimado por 1925,1 y la p erdida esperada por 6717,5.
Finalmente, es destacable los m ultiples benecios que trae usar la variante con re-
course de los modelos CVaR, MCH o MCH-. Adem as del claro aumento en los bene-
cios, tambi en evidenciamos una reducci on notoria en la cota del gap de optimalidad. Por
ejemplo, para el modelo MCH- con = 10 % y usando N = 200 para la aproximaci on
SAA, la cota del gap se reduce de 2524 a 790 al pasar de la variante sin recourse a con
recourse. Tambi en, el coeciente entre el CVaR 5 % y la p erdida esperada, que dijimos
sera un ndice de la certeza del plan estadsticamente optimo, en las variantes con re-
course siempre es de alrededor del 50 %, en circunstancias en que para los modelos sin
recourse est a siempre entre 15 y 20 %.
Como hemos obtenido de estos resultados, es un problema importante a considerar
la convergencia de la aproximaci on SAA en cada modelo. A continuaci on exploramos
algunos factores propios de nuestro problema que podran afectar esta convergencia. Par-
ticularmente, veremos cu anto afecta que el problema use mayormente variables binarias,
y tambi en estudiaremos la convergencia cuando conocemos la verdadera distribuci on de
92
4.3. Resultados CAP

probabilidad del vector .
4.3.3. Estudio de algunos factores que afectan convergencia
Relajaci on de variables enteras
Una caracterstica del problema de planicaci on minera es que usa una gran cantidad
de variables binarias. Recordamos que, para cada bloque b B, usamos la variable binaria
x
e
b
0, 1 para representar si un bloque es extrado o no, y x
p
b
0, 1 para representar
si un bloque es procesado o no. Queremos examinar si el uso de esta gran cantidad de
variables binarias afecta la convergencia de las aproximaciones SAA.
Nos concentramos en los modelos CVaR y MCH- sin recourse, pues son los mode-
los, fuera del modelo VaR, donde es atingente hablar de convergencia. Para realizar este
estudio repetimos las pruebas, para varios niveles de riesgo, siguiendo el procedimiento
general de repeticiones y an alisis estadstico de soluciones. Usamos los mismos par amet-
ros de las secciones anteriores, e.g. M = 30, N
t
= 10000, (1 ) = 95 %, etc etera; y la
unica diferencia es que ahora usaremos la relajaci on continua para las variables binarias,
i.e. pediremos simplemente x
e
b
, x
p
b
[0, 1] para todo bloque b B. Remarcamos que con
esto son continuas todas las variables en las formulaciones de los problemas.
Cota gap = 1 % = 10 %
Coef. C-BE LP IP LP IP
N = 50
7312
1.27
7398
1.37
5470
0.89
5413
0.95
N = 100
5806
0.91
5867
0.99
3911
0.58
4080
0.63
N = 200
4715
0.72
4631
0.75
2874
0.44
2830
0.42
N = 400
3827
0.62
1875
0.28
Cuadro 4.9: Comparaci on entre versiones IP y LP para modelo CVaR sin recourse
En la Tabla 4.9 mostramos los resultados para el modelo minimizaci on de CVaR sin
recourse, para = 1 % y = 10 %. Aqu Cota gap es la cota superior estadstica, y
Coef. BE es el coeciente entre la cota del gap y el benecio esperado. Vemos que no
hay una diferencia signicativa entre los dos resultados. Esta situaci on se repite para el
modelo MCH- y en varios niveles de riesgo . Esto sugiere descartar que la integrali-
dad en variables de decisi on en nuestro problema est e afectando la convergencia de la
aproximaci on SAA.
93
4.3. Resultados CAP

Distribuci on de probabilidad para vector
Al presentar el an alisis te orico asociado a la convergencia de cada modelo siempre
establecimos que, si el vector segua una distribuci on estoc astica que cumpla ciertas
propiedades, entonces efectivamente la aproximaci on SAA convergera al problema ver-
dadero. Nos dedicamos ahora a estudiar el efecto de la distribuci on estoc astica para . O
m as especcamente, nos concentraremos en descartar que los pobres resultados de con-
vergencia obtenidos en los experimentos anteriores especialmente para las variantes sin
recourse se deban a que las muestras con las que estamos trabajando no est en describi-
endo alguna distribuci on.
Para hacer esta comparaci on realizaremos de nuevo los pruebas, haciendo an alisis
estadstico y ocupando exactamente los mismos par ametros que en las veces anteriores,
salvo que ahora tomaremos otra muestra de vectores de leyes . Recordemos que hasta
ahora est abamos tomando todas las muestras desde una gran colecci on de 20000 vectores
, obtenida con el algoritmo de [EL06]. Lo que hacemos ahora es tomar todas las muestras
a partir de otra colecci on, tambi en de tama no 20000, obtenida de la siguiente manera.
1. Para cada bloque b B, consideramos las 20000 muestras de leyes de el,
1
b
, . . . ,
2
b
0000,
y obtenemos su ley promedio y desviaci on est andar:
b
:=
1
20000
20000
k=1
k
b
,
b
:=
_
1
20000
20000
k=1
_
k
b

b
_
2
.
2. Obtenemos 20000 muestras para
b
muestreando independientemente una distribu-
ci on log-normal con media
b
y varianza
2
b
.
3. Realizando este procedimiento para cada bloque b B obtenemos 20000 nuevas
muestras del vector .
Elegimos una distribuci on log-normal pues es generalmente asumido en la industria
que las leyes de los bloques siguen esta distribuci on. Tambi en, para obtener muestras de
este tipo basta tomar, para cada bloque b, N
1
, . . . , N
20000
muestras iid de una normal
con media 0 y varianza 1, y e
b
+
b
N
1
, . . . , e
b
+
b
N
20000
ser a una muestra iid como la que
necesitamos.
Usando esta nueva colecci on de muestras para realizamos de nuevo las pruebas para
los modelos CVaR y MCH-, con y sin recourse. En la Tabla 4.10 mostramos los resulta-
dos para CVaR, MCH- y MCH- con recourse, siempre con = 10 %. Cota gap es la
cota superior estadstica para el gap, Coef. C-BE, de coeciente cota-benecio espera-
do, es la raz on entre la cota superior del gap y el benecio esperado, Orig. signica que
son los resultados para las leyes originales, y L-N signica que son los resultados para
las leyes log-normales.
94
4.3. Resultados CAP

Cota gap CVaR MCH- MCH- rec.
Coef. C-BE Orig. L-N Orig. L-N Orig. L-N
N = 50
5413
0.95
3121
0.43
4958
0.84
2841
0.38
1784
0.10
911
0.06
N = 100
4080
0.63
2160
0.28
3664
0.57
1923
0.25
1505
0.08
462
0.03
N = 200
2830
0.42
1628
0.21
2524
0.36
1473
0.19
790
0.04
300
0.02
Cuadro 4.10: Comparaci on entre mina original y leyes log-normales, usando = 10 %
Observamos que efectivamente la cota del gap estadstico disminuye. Se obtienen en
general benecios esperados (o menos p erdidas esperadas) menores con los datos log-
normales, por lo que al dividir el gap por el benecio esperado intentamos aislar el efecto
que causa este cambio en las leyes. En este nuevo coeciente, que representa una cota
normalizada por los benecios, al pasar de los datos originales a los datos log-normales
este valor disminuye siempre a alrededor de la mitad, conrmando una disminuci on en el
gap de convergencia.
Por otro lado, las cotas superiores para el gap sigue altas en los datos log-normales,
representando una parte importante del benecio esperado. Por ejemplo, en los modelos
sin recourse el coeciente cota-benecio esperado generalmente es mayor a 20 %. En el
caso de los modelos con recourse este coeciente es mucho menor, sin embargo ya en los
datos originales estos valores siempre eran menores que 10 %.
Este an alisis nos sugiere que efectivamente ayuda a la convergencia de la aproxi-
maci on SAAque los datos provengan de una distribuci on razonable, con varias propiedades
te oricas. Sin embargo esto no permite disminuir al mnimo el gap de optimalidad de la
aproximaci on, e.g. en CVaR 10 % sin recourse la cota normalizada siempre era mayor a
20 %. Esto evidencia que en la convergencia entran en juego otros tipos de factores.
95
Captulo 5
Conclusiones y Trabajo Futuro
5.1. Conclusiones
Las conclusiones principales de este trabajo son las siguientes.
Si bien el modelo de minimizaci on de VaR es intuitivo y usa una herramienta, VaR,
de enorme popularidad en areas como nanzas y evaluaci on de proyectos, los re-
sultados aqu mostrados sugieren descartar su uso en el problema de planicaci on
minera bajo incertidumbre. En el ambito te orico, este modelo es deciente pues op-
timiza una medida de riesgo no convexa, y por tanto no coherente. Y en la pr actica,
nuestros experimentos computacionales evidencian un inadecuado, o incluso nulo,
manejo de riesgo. Remarcamos que, si bien fue una desventaja que la formulaci on
usada requiri o muchos m as recursos computacionales, e.g. tiempo y memoria, que
los otros modelos, igualmente existen otras formulaciones m as ecientes y de dis-
tintos niveles de complejidad. De todas maneras, el mal desempe no mostrado por
el modelo en el manejo de riesgo sugiere que es innecesario estudiar la aplicaci on
de las t ecnicas de mayor eciencia al modelo.
Los modelos de minimizaci on de CVaR, MCH y MCH- muestran ser modelos
atractivos para tratar el problema de planicaci on minera bajo riesgo aqu estudi-
ado. Si bien estos modelos son abordados usando una muestra iid del par ametro
incierto, te oricamente estas aproximaciones convergen, en el caso de los modelos
de CVaR y MCH-, al problema verdadero bajo supuestos razonables. Adem as,
estas aproximaciones poseen la ventaja de poder ser vistas indistintamente como
problemas de optimizaci on robusta o como problemas de optimizaci on aversa al
riesgo usando medidas de riesgo de distorsi on. Por otro lado, en el ambito pr actico
estos modelos tambi en son atractivos pues, en primer lugar, no a naden complejidad
al problema de planicaci on original, ya que son linealizables y usan pocas vari-
ables adicionales. Y en segundo lugar, los experimentos computacionales muestran
un tratamiento del riesgo deseable, pues las planicaciones obtenidas efectivamente
96
5.2. Trabajo futuro CAP
ITULO 5. Conclusiones y Trabajo Futuro

son aversas al riesgo y este comportamiento es controlable con el par ametro de nivel
de riesgo .
Las estimaciones estadsticas para la convergencia de los modelos de CVaRy MCH-
en 4.3.2 evidencian una lenta convergencia de las aproximaciones SAA. Los ex-
perimentos realizados en 4.3.3 muestran que esto no se debe a que el problema de
planicaci on minera use una gran cantidad de variables binarias. Tambi en permiten
descartar que usando una distribuci on de probabilidad sencilla para el par ametro
incierto aumente considerablemente la velocidad de convergencia. Por otro la-
do, la discusi on en 2.2.4 indica que la dimensi on del par ametro , i.e. el n umero
de bloques sujetos a incertidumbre, es un par ametro sumamente relevante en cu an
representativa de la distribuci on original puede ser una muestra de . Esto sugiere
que la cantidad de bloques con ley incierta, que en principio es un n umero grande,
explica la lenta velocidad de convergencia de las aproximaciones SAA.
Por ultimo, la incorporaci on del paradigma multi-etapa en las variantes con recourse
muestran una oportunidad gigante para el tratamiento de la incertidumbre en el
problema de planicaci on. Esto, pues este paradigma permite, simult aneamente,
mejorar de manera considerable los benecios, disminur la incerteza del resultado
nal de las planicaciones, y a la vez mejorar la convergencia de las aproximaciones
SAA.
5.2. Trabajo futuro
Este trabajo genera las siguientes lneas y posibilidades de trabajo futuro.
Investigar una implementaci on eciente del modelo de minimizaci on de CVaR en
el problema de planicaci on minera, subentendi endose que el exito en esta tarea
tambi en implicara poder implementar ecientemente los modelos MCH y MCH-
. Se pueden aplicar m etodos especcos para minimizaci on eciente de CVaR, o
tambi en implementar los m etodos m as novedosos para resolver los problemas de
planicaci on minera a cielo abierto (ver [CEG
+
09] y [BZ10]). Avances en este
ambito permitiran robustecer otros modelos de planicaci on en minera a cielo
abierto, por ejemplo el de planicaci on en varos perodos. Para m as ejemplos de
problemas en esta area recomendamos ver [CH03, 3.2].
Estudiar la convergencia de una combinaci on lineal convexa entre peor p erdida y
p erdida esperada. Vimos que, dada una muestra, el modelo MCH es precisamente
esto pero en el espacio nito equiprobable que dene la muestra. Conjeturamos
que la aproximaci on SAA de la minimizaci on de la peor p erdida efectivamente
converge, sin embargo no es claro c omo se acopla esto a la optimizaci on de la
combinaci on entre peor caso y p erdida esperada.
97
5.2. Trabajo futuro CAP
ITULO 5. Conclusiones y Trabajo Futuro

Vimos que el modelo MCH y las aproximaciones SAA de los modelos CVaR y
MCH-, todos en su variante sin recourse, se podan ver como minimizaci on de una
medida de riesgo de distorsi on denida en el espacio equiprobable (
N
, T, T
N
)
que dena la muestra de . Una pregunta interesante a resolver es si esta medida de
riesgo sobre el espacio equiprobable es tambi en una medida de riesgo, y de qu e tipo,
al tomarla en el espacio verdadero (, T, T) de .
Investigar la convergencia de las aproximaciones SAA de los modelos CVaR, MCH
y MCH- cuando la muestra no es iid. Esto dara pie a posibilidades como redenir
y manipular una muestra, obteniendo una nueva muestra de tama no tratable para
el modelo robusto de elecci on. As por ejemplo, podramos tomar una muestra iid
de gran tama no que sepamos represente elmente la distribuci on estoc astica, luego
hacer una agrupaci on de los datos en base a alg un criterio, y tomar un representante
por grupo con probabilidad proporcional.
Un problema que qued o pendiente en nuestro trabajo fue dar una formulaci on trat-
able para la contraparte con recourse directa (2.42) del modelo MCH. O, an aloga-
mente, demostrar que no existe una formulaci on solucionable en tiempo polinomial
para el problema (2.42).
Por ultimo, y quiz as la lnea de mayor impacto futuro en el area minera, estudiar la
factibilidad de implementar en la pr actica el esquema de decisi on multi-etapa que
usan los modelos con recourse aqu presentados. Como muestra nuestro trabajo,
este paradigma permite aumentar notablemente los benecios y reducir el riesgo de
la operaci on.
98
Bibliografa
[ADEH99] P. Artzner, F. Delbaen, J.M. Eber, and D. Heath, Coherent measures of risk,
Mathematical nance 9 (1999), no. 3, 203228. 4, 11, 17
[BB09] D. Bertsimas and D.B. Brown, Constructing uncertainty sets for robust lin-
ear optimization, Operations research 57 (2009), no. 6, 14831495. 4, 5,
19, 24, 25
[BBFF10] A. Bley, N. Boland, C. Fricke, and G. Froyland, A strengthened formulation
and cutting planes for the open pit mine production scheduling problem,
Computers & Operations Research 37 (2010), no. 9, 16411647. 3
[BS03] D. Bertsimas and M. Sim, Robust discrete optimization and network ows,
Mathematical Programming 98 (2003), no. 1, 4971. 5
[BS04] , The price of robustness, Operations research (2004), 3553. 5, 23
[BT06] D. Bertsimas and A. Thiele, A robust optimization approach to inventory
theory, Operations Research 54 (2006), no. 1, 150168. 5
[BTGGN04] A. Ben-Tal, A. Goryashko, E. Guslitzer, and A. Nemirovski, Adjustable ro-
bust solutions of uncertain linear programs, Mathematical Programming 99
(2004), no. 2, 351376. 5, 13
[BTN00] A. Ben-Tal and A. Nemirovski, Robust solutions of linear programming
problems contaminated with uncertain data, Mathematical Programming
88 (2000), no. 3, 411424. 5, 23
[BTN08] , Selected topics in robust convex optimization, Mathematical Pro-
gramming 112 (2008), no. 1, 125158. 5
[BZ10] D. Bienstock and M. Zuckerberg, Solving lp relaxations of large-scale
precedence constrained problems, Integer Programming and Combinatorial
Optimization (2010), 114. 3, 97
[CCS58] A. Charnes, WW Cooper, and GH Symonds, Cost horizons and certainty
equivalents: an approach to stochastic programming of heating oil, Man-
agement Science 4 (1958), no. 3, 235263. 3
99
Bibliografa Bibliografa
[CEG
+
09] R. Chicoisne, D. Espinoza, M. Goycoolea, E. Moreno, and E. Rubio, A new
algorithm for the open-pit mine scheduling problem, Tech. report, Working
Paper, Universidad Adolfo Iba nez and Universidad de Chile, 2009. 3, 97
[CG10] MC Campi and S. Garatti, A sampling-and-discarding approach to chance-
constrained optimization: feasibility and optimality, Journal of Optimiza-
tion Theory and Applications (2010), 124. 4
[CH03] L. Caccetta and S.P. Hill, An application of branch and cut to open pit mine
scheduling, Journal of Global optimization 27 (2003), no. 2, 349365. 3,
97
[CSS07] X. Chen, M. Sim, and P. Sun, A robust optimization perspective on stochas-
tic programming., Operations research (2007), no. 6, 10581071. 5
[DW88] J. Dupa cov a and R. Wets, Asymptotic behavior of statistical estimators and
of optimal solutions of stochastic optimization problems, The Annals of
Statistics 16 (1988), no. 4, 15171549. 4
[EL06] X. Emery and C. Lantu ejoul, Tbsim: A computer program for condition-
al simulation of three-dimensional gaussian random elds via the turning
bands method, Computers & Geosciences 32 (2006), no. 10, 1615 1628.
3, 10, 74, 94
[HC00] D.S. Hochbaum and A. Chen, Performance analysis and best implementa-
tions of old and newalgorithms for the open-pit mining problem, Operations
Research 48 (2000), no. 6, 894914. 3
[KSHdM02] A.J. Kleywegt, A. Shapiro, and T. Homem-de Mello, The sample average
approximation method for stochastic discrete optimization, SIAM Journal
on Optimization 12 (2002), no. 2, 479502. 4
[LAN10] J. Luedtke, S. Ahmed, and G.L. Nemhauser, An integer programming ap-
proach for linear programs with probabilistic constraints, Mathematical
Programming 122 (2010), no. 2, 247272. 4
[LD07] A. Leite and R. Dimitrakopoulos, Stochastic optimisation model for open
pit mine planning: application and risk analysis at copper deposit, Mining
Technology: Transactions of the Institute of Mining and Metallurgy, Section
A 116 (2007), no. 3, 109118. 3
[LSV11] A.E.B. Lim, J.G. Shanthikumar, and G.Y. Vahn, Conditional value-at-risk
in portfolio optimization: Coherent but fragile, Operations Research Letters
(2011). 4
100
Bibliografa Bibliografa
[LSW06] J. Linderoth, A. Shapiro, and S. Wright, The empirical behavior of sampling
methods for stochastic programming, Annals of Operations Research 142
(2006), no. 1, 215241. 4
[Lue10] J. Luedtke, An integer programming and decomposition approach to gen-
eral chance-constrained mathematical programs, Integer Programming and
Combinatorial Optimization (2010), 271284. 4
[Mar52] H.M. Markowitz, Portfolio selection, 1952, Journal of Finance (1952), 77
91. 4
[Mat02] J. Matousek, Lectures on discrete geometry, Springer-Verlag New York,
Inc., 2002. 35
[NPS09] K. Natarajan, D. Pachamanova, and M. Sim, Constructing risk measures
from uncertainty sets, Operations research 57 (2009), no. 5, 11291141. 5
[PAS09] B.K. Pagnoncelli, S. Ahmed, and A. Shapiro, Sample average approxima-
tion method for chance constrained programming: theory and applications,
Journal of optimization theory and applications 142 (2009), no. 2, 399416.
4
[RU00] R.T. Rockafellar and S. Uryasev, Optimization of conditional value-at-risk,
Journal of risk 2 (2000), 2142. 4, 16
[RU02] , Conditional value-at-risk for general loss distributions, Journal of
Banking & Finance 26 (2002), no. 7, 14431471. 4, 16, 17
[SDR09] A. Shapiro, D. Dentcheva, and A. Ruszczy nski, Lectures on stochastic pro-
gramming: modeling and theory, Society for Industrial Mathematics, 2009.
4, 17, 18, 19, 29, 37, 38, 39, 40, 41, 43, 44, 47, 77
[Sio58] M. Sion, On general minimax theorems., Pacic Journal of Mathematics 8
(1958), no. 1, 171176. 33
[Soy73] A.L. Soyster, Convex programming with set-inclusive constraints and ap-
plications to inexact linear programming, Operations research 21 (1973),
no. 5, 11541157. 4
[UT98] R. Underwood and B. Tolwinski, A mathematical programming viewpoint
for solving the ultimate pit problem, European Journal of Operational Re-
search 107 (1998), no. 1, 96107. 3
[VEM09] J.P. Vielma, D. Espinoza, and E. Moreno (eds.), Risk control in ultimate pits
using conditional simulations, 34th International Symposium on Applica-
tion of Computers and Operations Research in The Mineral Industry, 2009.
3, 10
101

Tesis

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Tesis

Caricato da

Copyright:

Formati disponibili

UNIVERSIDAD DE CHILE

ON ROBUSTA PARA EL PROBLEMA

ITULO DE INGENIERO CIVIL MATEM

IA: DANIEL ESPINOZA GONZ

ON ROBUSTA PARA EL PROBLEMA

ITULO 2. Descripci on del Problema

ITULO 2. Descripci on del Problema

ITULO 2. Descripci on del Problema

(L) := mn z R : P(L z) 1 , (2.5)

ITULO 2. Descripci on del Problema

(L) = mn z R : P(L + z < 0) .

(L) es el percentil 100(1 ) % de L. La intuici on gruesa

(L). Otra interpretaci on gruesa es

ITULO 2. Descripci on del Problema

ITULO 2. Descripci on del Problema

ITULO 2. Descripci on del Problema

ITULO 2. Descripci on del Problema

ITULO 2. Descripci on del Problema

(L) := E[L[L VaR

(L) := mnz : P(L

(L) es el peor el m as alto valor que

(L) es el promedio de las 100 % peores mayores p erdidas posibles de L.

:= P(L > VaR

(L) := E[L[L > VaR

(L)]. Se verica f acil-

ITULO 2. Descripci on del Problema

ITULO 2. Descripci on del Problema

ITULO 2. Descripci on del Problema

, es una medida de riesgo de

ITULO 2. Descripci on del Problema

ITULO 2. Descripci on del Problema

ITULO 2. Descripci on del Problema

ITULO 2. Descripci on del Problema

. Luego, el problema MCH (2.26) se puede formular como un problema lineal a

ITULO 2. Descripci on del Problema

ITULO 2. Descripci on del Problema

, para (0, 1], es Q

. Esto es, dada X L

ITULO 2. Descripci on del Problema

ITULO 2. Descripci on del Problema

ITULO 2. Descripci on del Problema

es la medida de riesgo coherente sobre L

es la medida de riesgo coherente in-

como en el Teorema 2.2.2, entonces

ITULO 2. Descripci on del Problema

est an tomados con respecto al hipot etico verdader espacio de probabil-

ITULO 2. Descripci on del Problema

ITULO 2. Descripci on del Problema

ITULO 2. Descripci on del Problema

es un poltopo del cual conocemos sus puntos extremos, entonces el problema

ITULO 2. Descripci on del Problema

y conv(Y ) son compactos convexos, y la funci on objetivo (W

ITULO 2. Descripci on del Problema

ITULO 2. Descripci on del Problema

ITULO 2. Descripci on del Problema

ITULO 3. Aproximaci on SAA

. Tenemos que para todo x X jo,

ITULO 3. Aproximaci on SAA

ITULO 3. Aproximaci on SAA

ITULO 3. Aproximaci on SAA

del problema real. La esperanza E[

ITULO 3. Aproximaci on SAA

de la distribuci on normal standard

ITULO 3. Aproximaci on SAA