Nella notazione usata in tutta la dispensa del laboratorio, come si scrive il valore della variabile $x_j$ in una soluzione *ottima* di un modello?
Con la barra, $\bar x_j$
Con la tilde, $\tilde x_j$
Con l'asterisco, $x_j^*$
Con il cappello, $\hat x_j$
Spiegazione. Nella dispensa la barra indica i valori di una soluzione ammissibile e la tilde quelli di una soluzione ottima ($\tilde x_j$, $\tilde z$); l'asterisco non si usa per le soluzioni dei modelli.
Nella notazione della dispensa, quali simboli indicano, in quest'ordine, la variabile duale del vincolo $i$, il costo ridotto della variabile $x_j$ e lo scarto del vincolo $i$ (in una soluzione ammissibile)?
$\bar\pi_i$, $\bar c_j$, $\bar s_i$
$\bar y_i$, $\bar r_j$, $\bar s_i$
$\bar\lambda_i$, $\bar\pi_j$, $\bar u_i$
$\bar y_i$, $\bar c_j$, $\bar\xi_i$
Spiegazione. Le variabili duali sono sempre $\pi_i$ (mai $y$), i costi ridotti $\bar c_j$ e gli scarti $\bar s_i$, con la barra per una soluzione ammissibile e la tilde per una ottima.
Ogni capitolo applicativo della dispensa segue la stessa scaletta in otto passi. In quale passo si risolve a mano un'istanza minima, prima di accendere il solver?
Costruzione guidata del modello (passo 2)
Caso di studio con dati CSV riproducibili (passo 4)
Esempio numerico svolto a mano (passo 3)
Analisi di sensitività (passo 7)
Spiegazione. La scaletta è: motivazione, costruzione guidata, esempio svolto a mano, caso di studio, codice Python/Gurobi, risultati, sensitività, esercizi.
Il laboratorio trasforma problemi gestionali in modelli di ottimizzazione continua e li risolve con Gurobi. Secondo la dispensa, qual è la domanda giusta alla fine di ogni esercitazione?
Qual è il valore ottimo del modello?
Quale solver trova l'ottimo più in fretta?
Quale decisione suggeriamo, e quanto è robusta?
Quante variabili e vincoli ha il modello?
Spiegazione. Il valore di un modello sta nella qualità della raccomandazione che permette di formulare: l'ottimo è il punto di partenza, non la risposta.
Nel laboratorio un modello risolto non si legge soltanto: lo si *interroga*. Quale di queste è un esempio di interrogazione di un piano di produzione?
Quanto vale un'ora di capacità in più?
Quante iterazioni del simplesso sono servite a Gurobi?
Quale versione di Python ha eseguito lo script?
Quante cifre decimali stampa il solver?
Spiegazione. Interrogare vuol dire porre domande economiche alla soluzione: il valore di una risorsa (prezzi ombra), la robustezza ai cambi dei dati, i compromessi da consigliare.
Ogni capitolo applicativo della dispensa segue una scaletta in otto passi. Nel passo «Risultati», che cosa succede all'output del solver?
Si usa per costruire un secondo modello più grande
Viene tradotto in linguaggio manageriale
Viene copiato invariato nella relazione
Viene confrontato con l'output di un altro solver
Spiegazione. I passi sono: motivazione, costruzione guidata, esempio svolto a mano, caso di studio, codice Python/Gurobi, risultati (l'output in linguaggio manageriale), sensitività, esercizi.
Tutti i numeri dei casi di studio della dispensa sono prodotti dagli script Python del corso. Se si cambiano i dati di un caso di studio, che cosa si deve fare?
Nulla: i numeri della dispensa non dipendono dai dati
Correggere a mano i numeri nella dispensa
Rieseguire gli script, che rigenerano dati, tabelle e figure
Passare alla licenza accademica di Gurobi
Spiegazione. Gli script rigenerano dati, risultati e figure: dati cambiati vogliono numeri rigenerati, mai corretti a mano.
Il laboratorio usa la programmazione matematica come strumento di *decisione*. Secondo la dispensa, in che cosa sta il valore di un modello?
Nella precisione del valore ottimo che calcola
Nella velocità del solver che lo risolve
Nella qualità della raccomandazione che permette
Nel numero di vincoli che riesce a gestire
Spiegazione. La dispensa lo dice esplicitamente: il valore di un modello sta nella qualità della raccomandazione che permette di formulare; il valore ottimo è solo il punto di partenza.
Dopo aver risolto un modello del laboratorio lo si *interroga* con tre tipi di domande: valore marginale, robustezza, compromesso. Quale domanda riguarda la **robustezza**?
La soluzione resiste se i dati cambiano del 5%?
Quanto vale un'ora di capacità in più?
Quale compromesso consiglieremmo al decisore?
Qual è il valore ottimo dell'obiettivo?
Spiegazione. La robustezza chiede se la raccomandazione sopravvive a una perturbazione dei dati. Un'ora di capacità in più è un valore marginale (un prezzo ombra), il compromesso è un trade-off, il valore ottimo non è un'interrogazione.
Nella dispensa del laboratorio gli oggetti di un modello (prodotti, canali, titoli, scenari) sono numerati. Come si scrivono gli insiemi degli indici?
Enumerati esplicitamente, per esempio $i \in \{1, 2, \dots, n\}$
Come insiemi astratti senza numerazione, per esempio $i \in I$
Solo con il conteggio $n$, mai con un insieme
Come insiemi di nomi (stringhe) letti dai dati
Spiegazione. Gli indici corrono su insiemi enumerati esplicitamente, così il testo usa già la notazione del modello costruito; gli unici insiemi non enumerati sono quelli di un grafo $G = (N, A)$.
Ogni modello della dispensa del laboratorio si scrive con la stessa impaginazione: prima le variabili, obiettivo e famiglie di vincoli numerati, una descrizione famiglia per famiglia. Che cosa chiude ogni formulazione?
La funzione obiettivo, scritta per ultima
L'elenco dei dati con le loro unità di misura
I vincoli di segno, che definiscono le variabili
Il valore della soluzione ottima, se noto
Spiegazione. Per convenzione i vincoli di non negatività chiudono il modello, perché definiscono le variabili; dopo il modello un elenco descrive obiettivo e vincoli, con il numero di vincoli di ciascuna famiglia.
Il laboratorio usa solo variabili continue; uno dei tre motivi è la *copertura*: molte decisioni reali sono naturalmente continue. Quale elenco contiene solo decisioni di questo tipo?
Aprire un impianto, scegliere un sito fra cinque, numero di camion
Quantità, flussi, quote di portafoglio, prezzi, potenze, coordinate
Assegnazione dei turni, percorsi di un veicolo, investimenti sì/no
Numero di serventi, numero di lotti, accensione di una macchina
Spiegazione. Quantità, flussi, quote, prezzi, potenze e coordinate sono gli esempi della dispensa; aprire, scegliere, contare o accendere sono decisioni sì/no o intere.
Ogni capitolo applicativo della dispensa segue gli stessi otto passi. Che cosa contiene il passo «Caso di studio»?
Un'istanza minima risolta a mano, passo per passo
Un'istanza realistica con i dati in file CSV
Il codice Python completo e commentato
Esercizi dalla verifica alle piccole estensioni
Spiegazione. Il caso di studio è un'istanza realistica con i dati in file CSV; l'istanza minima è l'esempio svolto a mano (passo 3), il codice è l'implementazione (passo 5).
Nel corso Modellazione PL tutti i modelli sono LP. Perché in un LP ogni ottimo locale è anche globale?
Perché un LP è un problema convesso
Perché un LP ha sempre un ottimo unico
Perché le variabili di un LP sono intere
Perché la regione di un LP è sempre limitata
Spiegazione. Un LP è sempre convesso: obiettivo lineare e regione ammissibile poliedrica. Per questo ogni ottimo locale è globale; l'ottimo può non essere unico e la regione può essere illimitata.
Quale modulo della collana è il prerequisito del corso Modellazione PL?
Ottimizzazione combinatoria
Algoritmi euristici
Programmazione lineare
Programmazione dinamica
Spiegazione. Il prerequisito è il modulo Programmazione lineare, in particolare la dualità e l'analisi di sensitività, che il corso usa in ogni capitolo.
Nella mappa dei modelli della dispensa di Modellazione PL, quale applicazione è un LP stocastico a scenari?
Produzione e scorte multiperiodali
Data Envelopment Analysis
Ricarica di veicoli elettrici
Newsvendor e varianti
Spiegazione. Il Newsvendor decide la quantità prima di conoscere la domanda: nella formulazione a scenari è un LP stocastico. Gli altri tre sono LP deterministici.
Nella mappa dei modelli della dispensa di Modellazione PL, quale concetto centrale accompagna l'arbitraggio e la prezzatura?
La dualità che prezza
Il rischio di coda
L'efficienza relativa
Decidere prima di sapere
Spiegazione. Nel capitolo sull'arbitraggio i duali dell'LP sono le probabilità neutrali al rischio che danno il prezzo a ogni titolo: la dualità che prezza. Gli altri concetti sono di CVaR, DEA e Newsvendor.
Nella mappa dei modelli della dispensa di Modellazione PL, a quale applicazione corrisponde il concetto centrale «efficienza relativa»?
Produzione e scorte multiperiodali
VaR e CVaR
Data Envelopment Analysis
Regressione robusta e quantile
Spiegazione. La DEA confronta unità (filiali) che usano input per produrre output e misura l'efficienza di ciascuna rispetto alle altre: efficienza relativa.
La dispensa di Modellazione PL usa solo variabili continue. Quale strumento si perderebbe o si indebolirebbe con variabili binarie?
La dualità con i prezzi ombra
La scrittura dei dati in CSV
L'uso di Python e Gurobi
La stampa delle figure
Spiegazione. Il motivo didattico: con variabili continue valgono la dualità, i prezzi ombra e i costi ridotti, che trasformano una soluzione numerica in una spiegazione economica.
Il percorso essenziale del corso Modellazione PL è formato da quattro laboratori. Su quale argomento è il secondo?
Ricarica di veicoli elettrici
Data Envelopment Analysis
Arbitraggio e prezzatura
Regressione robusta e quantile
Spiegazione. I quattro laboratori: (1) produzione e scorte, (2) DEA e forma di inviluppo, (3) decisioni a scenari (Newsvendor o CVaR), (4) progetto a scelta.
Nel percorso essenziale in quattro laboratori del corso Modellazione PL, che cosa si affronta nel terzo?
La DEA e la forma di inviluppo
Produzione e scorte con i prezzi ombra
Decisioni a scenari: Newsvendor o CVaR
Un progetto a scelta
Spiegazione. Il terzo laboratorio è dedicato alle decisioni a scenari, con il Newsvendor oppure il CVaR; DEA e produzione sono il secondo e il primo, il progetto il quarto.
Secondo la dispensa di Modellazione PL, qual è la domanda giusta alla fine di ogni esercitazione?
Quale decisione suggeriamo e quanto è robusta?
Quanto tempo impiega il solver a trovare l'ottimo?
Quante variabili e quanti vincoli ha il modello?
Quale linguaggio di programmazione è più veloce?
Spiegazione. Il valore di un modello sta nella qualità della raccomandazione: non basta l'ottimo, serve una decisione da suggerire e la sua robustezza.
Secondo il motivo della *copertura* della dispensa di Modellazione PL, quali decisioni sono per loro natura continue?
Aprire o chiudere un impianto
Potenze, flussi e quote di portafoglio
Assegnare un turno a ogni dipendente
L'ordine di visita di un giro di città
Spiegazione. Molte decisioni reali sono quantità continue: quantità, flussi, quote di portafoglio, potenze, pesi. Aprire un impianto, assegnare turni o ordinare le visite richiedono invece variabili intere.
Nel percorso essenziale in quattro laboratori del corso Modellazione PL, su quale argomento è il primo laboratorio?
Produzione e scorte, con i prezzi ombra
La DEA e la sua forma di inviluppo
Il Newsvendor nella formulazione a scenari
L'arbitraggio e la prezzatura dei titoli
Spiegazione. Il primo laboratorio è su produzione e scorte: un LP multiperiodale, i duali della capacità e la verifica di un prezzo ombra per perturbazione.
Nella dispensa di Modellazione PL, a quale insieme appartiene un conteggio come il numero $n$ di prodotti?
$\mathbb{Q}_{>0}$
$\mathbb{Z}_{\ge 1}$
$\mathbb{R}$
$\{0, 1\}$
Spiegazione. I conteggi sono interi positivi, $n \in \mathbb{Z}_{\ge 1}$; i dati numerici sono invece razionali ($\mathbb{Q}_{\ge 0}$ o $\mathbb{Q}_{>0}$).
Ogni capitolo applicativo della dispensa di Modellazione PL segue otto passi. Quale passo viene subito dopo la «Motivazione gestionale»?
La costruzione guidata del modello
Il caso di studio con i dati reali
L'analisi di sensitività completa
Gli esercizi di fine capitolo
Spiegazione. L'ordine: motivazione, costruzione guidata del modello, esempio svolto a mano, caso di studio, implementazione, risultati, sensitività, esercizi.
Regole della dualità negli LP. In un primale di massimo, il vincolo di uguaglianza $\sum_{j} a_{ij} x_j = b_i$ genera nel duale una variabile $\pi_i$:
non negativa, $\pi_i \ge 0$
non positiva, $\pi_i \le 0$
libera, $\pi_i \gtreqless 0$
fissata a $\pi_i = 0$
Spiegazione. Per le regole della dualità i vincoli di uguaglianza del primale danno variabili duali libere (e le variabili libere del primale danno vincoli duali di uguaglianza).
Primale $\max \sum_j c_jx_j$ soggetto a $\sum_j a_{ij}x_j \le b_i$ ($i = 1, \dots, m$), con variabili duali $\pi_i \ge 0$. Quale vincolo duale genera una variabile $x_j \ge 0$?
$\sum_{i} a_{ij}\pi_i \ge c_j$
$\sum_{i} a_{ij}\pi_i \le c_j$
$\sum_{i} a_{ij}\pi_i = c_j$
$\sum_{i} a_{ij}\pi_i \ge b_i$
Spiegazione. Il vincolo duale di $x_j$ ha per coefficienti la colonna di $x_j$ e per termine noto $c_j$; una variabile non negativa di un problema di massimo dà un vincolo $\ge$ nel duale (di minimo).
In un LP di **minimo** con valore ottimo $\tilde z$, il prezzo ombra del vincolo $i$ è $\tilde\pi_i = \partial\tilde z/\partial b_i$. Che segno ha per un requisito attivo $\sum_j a_{ij}x_j \ge b_i$?
$\tilde\pi_i \le 0$
$\tilde\pi_i \ge 0$
Qualsiasi segno, a seconda dei dati
Sempre $\tilde\pi_i = 0$
Spiegazione. Aumentare $b_i$ restringe la regione ammissibile, e una regione più stretta non può abbassare il minimo: $\tilde\pi_i \ge 0$, il costo marginale del requisito.
All'ottimo di un LP il vincolo $i$ ha scarto $\bar s_i > 0$ (non è attivo). Quanto vale il suo prezzo ombra $\tilde\pi_i$ (tasso di variazione del valore ottimo con $b_i$)?
$\tilde\pi_i = \bar s_i$
$\tilde\pi_i = -\bar s_i$
Dipende dal segno di $b_i$
$\tilde\pi_i = 0$
Spiegazione. Per gli scarti complementari $\tilde\pi_i\,\bar s_i = 0$: una risorsa avanzata non vale nulla al margine.
LP $\max \sum_j c_jx_j$ soggetto a $\sum_j a_{ij}x_j \le b_i$, $x \ge 0$, e valori duali $\bar\pi_i$. Come si definisce il costo ridotto $\bar c_j$ della variabile $x_j$?
$\bar c_j = c_j - \sum_{i} a_{ij}\,\bar\pi_i$
$\bar c_j = \sum_{i} a_{ij}\,\bar\pi_i - b_i$
$\bar c_j = c_j - \sum_{i} a_{ij}\,\bar x_j$
$\bar c_j = c_j - b_i\,\bar\pi_i$
Spiegazione. Il costo ridotto è lo scarto del vincolo duale di $x_j$: il coefficiente $c_j$ al netto del valore, ai prezzi duali, delle risorse consumate da un'unità di $x_j$.
All'ottimo di un LP la variabile $x_j$ vale zero, $\tilde x_j = 0$, e anche il suo costo ridotto è nullo, $\bar c_j = 0$. Che cosa si può concludere?
$x_j$ è positiva in ogni altra soluzione ottima
L'LP è inammissibile o illimitato
Nulla di certo: con la degenerazione può succedere
Il suo coefficiente $c_j$ in obiettivo è zero
Spiegazione. Vale solo l'implicazione $\bar c_j \ne 0 \Rightarrow \tilde x_j$ su un limite, non il viceversa: un costo ridotto nullo non dice che la variabile sia usata (degenerazione, ottimi alternativi).
L'LP $\max\,30x_1 + 50x_2$ (due vincoli) ha valore ottimo $\tilde z = 1900$. Il vincolo 1 ha termine noto $b_1 = 90$, prezzo ombra $\tilde\pi_1 = 14$ e intervallo di validità $[40, 240]$ (i valori di $b_1$ per cui $\tilde\pi_1$ resta lo stesso). Quanto vale l'ottimo con $b_1 = 100$?
$1914$
$2040$
$1900$
$3300$
Spiegazione. $100$ è dentro l'intervallo di validità, quindi il prezzo ombra è esatto: $1900 + (100 - 90) \cdot 14 = 2040$.
Primale (P) $\max \sum_j c_jx_j$ soggetto a $\sum_j a_{ij}x_j \le b_i$, $x \ge 0$; duale (D) $\min \sum_i b_i\pi_i$ soggetto a $\sum_i a_{ij}\pi_i \ge c_j$, $\pi \ge 0$. Quale enunciato è il teorema di dualità debole?
Per ogni $\bar x$ ammissibile di (P) e $\bar\pi$ ammissibile di (D): $\sum_{j} c_j\bar x_j \le \sum_{i} b_i\bar\pi_i$
Per ogni $\bar x$ ammissibile di (P) e $\bar\pi$ ammissibile di (D): $\sum_{j} c_j\bar x_j \ge \sum_{i} b_i\bar\pi_i$
Per ogni $\bar x$ ammissibile di (P) e $\bar\pi$ ammissibile di (D): $\sum_{j} c_j\bar x_j = \sum_{i} b_i\bar\pi_i$
Se (P) ha una soluzione ammissibile, allora anche (D) ne ha una
Spiegazione. Ogni soluzione ammissibile del duale dà un limite superiore al valore del primale di massimo. L'uguaglianza vale solo per le coppie ottime (dualità forte).
Sia (P) un LP di massimo e (D) il suo duale di minimo. Quale enunciato è il teorema di dualità forte?
Se (P) e (D) sono entrambi ammissibili, ogni coppia di soluzioni ammissibili ha lo stesso valore
Se (P) ha una soluzione ottima, questa è unica, e lo è anche la soluzione ottima di (D)
(P) ha una soluzione ottima se e solo se (D) ne ha una, e allora i valori ottimi coincidono
Se entrambi hanno soluzioni ottime, il valore ottimo di (D) è strettamente maggiore di quello di (P)
Spiegazione. Dualità forte: l'ottimo di un problema esiste esattamente quando esiste quello dell'altro, e il divario si chiude. Esistenza non vuol dire unicità.
Primale $\max\{\sum_j c_jx_j : \sum_j a_{ij}x_j \le b_i,\ x \ge 0\}$; per $\bar x$ ammissibile e $\bar\pi$ ammissibile nel duale siano $\bar s_i = b_i - \sum_j a_{ij}\bar x_j$ (scarti) e $\bar c_j = c_j - \sum_i a_{ij}\bar\pi_i$ (costi ridotti). La coppia è ottima se e solo se:
$\bar\pi_i + \bar s_i = 0$ per ogni $i$ e $\bar x_j + \bar c_j = 0$ per ogni $j$
$\bar s_i = 0$ per ogni $i$ e $\bar c_j = 0$ per ogni $j$
$\bar s_i > 0 \Leftrightarrow \bar\pi_i = 0$ per ogni $i$ e $\bar x_j > 0 \Leftrightarrow \bar c_j = 0$ per ogni $j$
$\bar\pi_i\,\bar s_i = 0$ per ogni $i$ e $\bar x_j\,\bar c_j = 0$ per ogni $j$
Spiegazione. Sono le condizioni degli scarti complementari. Danno implicazioni (vincolo lasco $\Rightarrow$ duale nullo), non equivalenze: la degenerazione è ammessa, quindi la terza opzione è troppo forte.
Per dimostrare la dualità debole per (P) $\max\{\sum_j c_jx_j : \sum_j a_{ij}x_j \le b_i,\ x \ge 0\}$ e il suo duale (D), con $\bar x$ ammissibile per (P) e $\bar\pi$ per (D), si usa la catena $\sum_j c_j\bar x_j \le \sum_j\sum_i a_{ij}\bar\pi_i\bar x_j \le \sum_i b_i\bar\pi_i$. Quali fatti servono?
Gli scarti complementari in $(\bar x, \bar\pi)$ e la dualità forte
L'ottimalità di $\bar x$ per (P) e l'unicità di $\bar\pi$
L'esistenza di una soluzione ottima sia di (P) sia di (D)
Spiegazione. Si usa solo l'ammissibilità delle due soluzioni: ammissibilità duale moltiplicata per $\bar x \ge 0$, poi ammissibilità primale moltiplicata per $\bar\pi \ge 0$. Ottimalità e dualità forte non intervengono.
In un LP di **minimo** con valore ottimo $\tilde z$, il prezzo ombra $\tilde\pi_i = \partial\tilde z/\partial b_i$ di un vincolo di capacità $\sum_j a_{ij}x_j \le b_i$ soddisfa $\tilde\pi_i \le 0$. Quali fatti danno questo segno?
Il vincolo è attivo all'ottimo e il suo scarto è nullo
Aumentare $b_i$ allarga la regione, e una regione più ampia non alza mai il minimo
La dualità forte e la non negatività di tutte le variabili
I costi ridotti delle variabili in base sono nulli all'ottimo
Spiegazione. Il segno di $\tilde\pi_i$ si ricava sempre da due domande: aumentare $b_i$ allarga o restringe la regione ammissibile? Una regione più ampia non peggiora mai l'ottimo.
Ogni capitolo del laboratorio si chiude con lo stesso protocollo di sensitività in sei passi. Che cosa prescrive il passo 3, dedicato a prezzi ombra e costi ridotti?
Costruire tre scenari (pessimistico, centrale, ottimistico) e confrontare i piani
Variare un peso nell'obiettivo e tracciare una frontiera costo-servizio
Confrontare ogni duale con una riottimizzazione dopo una piccola perturbazione, e leggere i costi ridotti
Segnalare i cambi bruschi del mix ottimo al variare dei dati
Spiegazione. Il passo 3 verifica i duali per perturbazione e legge il costo ridotto di ogni variabile a zero; gli scenari sono il passo 4, i trade-off il passo 5, la stabilità il passo 6.
Regole della dualità negli LP. Qual è il duale di $\max\ 30x_1 + 50x_2$ soggetto a $x_1 + 3x_2 \le 90$, $2x_1 + x_2 \le 80$, $x_1, x_2 \ge 0$ (una variabile duale $\pi_i$ per vincolo)?
Spiegazione. Due vincoli $\le$ in un massimo danno $\pi_1, \pi_2 \ge 0$; ogni variabile $x_j \ge 0$ dà un vincolo $\ge c_j$ i cui coefficienti sono le *colonne* del primale; i termini noti $(90, 80)$ diventano i costi di un minimo. Usare le righe è l'errore tipico.
Regole della dualità negli LP, lette per un primale di **minimo** (la tabella si legge da destra a sinistra). Che segno ha la variabile duale $\pi_i$ di un vincolo $\sum_j a_{ij}x_j \le b_i$?
$\pi_i \ge 0$
$\pi_i$ libera
$\pi_i \le 0$
Dipende dal segno di $b_i$
Spiegazione. In un minimo un vincolo $\ge$ dà $\pi_i \ge 0$, un'uguaglianza una $\pi_i$ libera, un vincolo $\le$ dà $\pi_i \le 0$ (come nell'LP «tutti i casi» della dispensa, dove $\tilde\pi_3 = -1$).
Sia (P) un LP di massimo e (D) il suo duale di minimo. (P) è ammissibile e **illimitato** (l'obiettivo cresce senza limite). Che cosa implica la dualità debole per (D)?
(D) è inammissibile
Anche (D) è illimitato
(D) ha valore ottimo $+\infty$ raggiunto in un vertice
Nulla: la dualità debole riguarda solo le soluzioni ottime
Spiegazione. La dualità debole dice che ogni $\bar\pi$ ammissibile di (D) dà un limite superiore $\sum_i b_i\bar\pi_i$ a ogni valore primale: se i valori primali sono illimitati, un tale limite non esiste, quindi (D) non ha soluzioni ammissibili.
Il teorema di dualità forte dice: (P) ha una soluzione ottima se e solo se (D) ne ha una, e allora i valori ottimi coincidono. La sua ipotesi è che (P) **abbia un ottimo**. Se invece (P) è inammissibile, che cosa si può dire di (D)?
(D) ha un ottimo, di valore 0
(D) è sempre illimitato, mai inammissibile
Anche (D) è sempre inammissibile
(D) è inammissibile oppure illimitato
Spiegazione. Senza un ottimo di (P) il teorema dice solo che neanche (D) ha un ottimo: (D) può essere illimitato oppure a sua volta inammissibile (esistono coppie di LP entrambi inammissibili).
Scarti complementari per un LP: $\bar\pi_i\bar s_i = 0$ (valore duale per scarto del vincolo $i$) e $\bar x_j\bar c_j = 0$ (variabile per costo ridotto). All'ottimo, quale implicazione vale **sempre**?
Spiegazione. Le condizioni sono implicazioni, non equivalenze: un vincolo lasco ha duale nullo e una variabile non nulla ha costo ridotto nullo. Per la degenerazione un vincolo attivo può avere duale nullo, e una variabile a zero costo ridotto nullo.
Per un LP, $\bar x$ e $\bar\pi$ soddisfano $\bar\pi_i\bar s_i = 0$ per ogni vincolo $i$ e $\bar x_j\bar c_j = 0$ per ogni variabile $j$ ($\bar s_i$ scarti, $\bar c_j$ costi ridotti). Che cos'altro serve per concludere che sono entrambe ottime?
Nient'altro: bastano gli scarti complementari
Che il primale abbia un'unica soluzione ottima
Che $\bar x$ sia ammissibile per (P) e $\bar\pi$ per (D)
Che ogni vincolo del primale sia attivo
Spiegazione. Il teorema riguarda una coppia di soluzioni **ammissibili**: ammissibilità più scarti complementari danno valori uguali, quindi ottimalità per la dualità debole. Una coppia non ammissibile può soddisfare i prodotti ed essere lontana dall'ottimo.
(P) è un LP di massimo e (D) il suo duale. Una $\bar x$ ammissibile di (P) e una $\bar\pi$ ammissibile di (D) hanno lo **stesso** valore, $\sum_j c_j\bar x_j = \sum_i b_i\bar\pi_i$. Che cosa segue?
Nulla, se prima non si verifica la dualità forte
Sono entrambe ottime, per la dualità debole
Solo $\bar x$ è ottima; $\bar\pi$ può non esserlo
I due problemi hanno soluzioni ottime uniche
Spiegazione. Per la dualità debole ogni valore primale è $\le \sum_i b_i\bar\pi_i$, che $\bar x$ raggiunge: $\bar x$ è ottima, e simmetricamente $\bar\pi$. Valori uguali certificano l'ottimalità; l'unicità non segue.
Analisi di sensitività degli LP: che cosa significa l'intervallo di validità $[c_j^{\min}, c_j^{\max}]$ del coefficiente $c_j$ in obiettivo (attributi Gurobi `SAObjLow`–`SAObjUp`)?
Variando solo $c_j$ al suo interno, il valore ottimo non cambia
Variando solo $c_j$ al suo interno, i prezzi ombra non cambiano
Variando solo $c_j$ al suo interno, la soluzione ottima non cambia
Variando solo $c_j$ al suo interno, $x_j$ resta strettamente positiva
Spiegazione. È il più grande intervallo in cui, variando solo $c_j$, la soluzione ottima resta la stessa; il valore ottimo invece cambia (di $\tilde x_j$ per unità di $c_j$). Per una variabile a zero un estremo è la soglia oltre cui conviene usarla.
LP $\max\ 30x_1 + 50x_2$ ($x_1 + 3x_2 \le 90$, $2x_1 + x_2 \le 80$) con una terza variabile $x_3$ ($c_3 = 20$, consumi $1$ e $1$): all'ottimo $x_3 = 0$, costo ridotto $\bar c_3 = -2$, soglia $c_3^{\max} = 22$. Con $c_3 = 23$ il nuovo ottimo è $(0, 5, 75)$. Che cosa mostra?
Il costo ridotto era stato calcolato male
Il costo ridotto dice *quando* $x_3$ entra, non *come* cambia la soluzione
Oltre la soglia $x_3$ entra con una sola unità
Oltre la soglia la vecchia soluzione resta ottima
Spiegazione. Oltre $c_3^{\max} = 22$ conviene usare la variabile, ma la nuova soluzione va ricalcolata: qui cambia del tutto, da $(30, 20, 0)$ a $(0, 5, 75)$ con valore $1975$.
Ogni laboratorio si chiude con lo stesso protocollo di sensitività in sei passi. Che cosa prescrive il passo 2, «one-at-a-time»?
Cambiare tutti i parametri insieme del $\pm 5\%$
Variare un parametro chiave su una griglia e graficare valore e decisioni
Risolvere il modello una volta per scenario di un insieme pessimistico–ottimistico
Togliere un vincolo alla volta e risolvere di nuovo
Spiegazione. One-at-a-time: un parametro chiave si muove su una griglia, gli altri restano fermi, e si graficano valore ottimo e decisioni. Gli scenari sono il passo 4, la stabilità il passo 6.
Protocollo di sensitività in sei passi del laboratorio. In quale passo si tracciano frontiere come costo–servizio, rischio–rendimento o costo–emissioni, variando un peso o una soglia?
Passo 1, scenario base
Passo 3, prezzi ombra e costi ridotti
Passo 4, scenari
Passo 5, trade-off
Spiegazione. Il passo 5 (trade-off) varia un peso o una soglia per tracciare una frontiera; il passo 4 costruisce almeno tre scenari coerenti (pessimistico, centrale, ottimistico).
LP $\max\ 30x_1 + 50x_2$ soggetto a $x_1 + 3x_2 \le 90$, $2x_1 + x_2 \le 80$, $x \ge 0$, e il suo duale $\min\ 90\pi_1 + 80\pi_2$ soggetto a $\pi_1 + 2\pi_2 \ge 30$, $3\pi_1 + \pi_2 \ge 50$, $\pi \ge 0$. $\bar x = (30, 20)$ e $\bar\pi = (14, 8)$ sono ammissibili ed entrambi gli obiettivi valgono $1900$. Che cosa certifica, e con quale teorema?
Solo che $\bar x$ è ammissibile
Che il duale è illimitato
Ottime entrambe: dualità forte
Che l'ottimo di (P) è unico
Spiegazione. $90\cdot 14 + 80\cdot 8 = 1260 + 640 = 1900 = 30\cdot 30 + 50\cdot 20$: una coppia primale-duale ammissibile con valori uguali è ottima (la dualità debole rende l'uguaglianza un certificato; la dualità forte garantisce che una tale coppia esista).
Dualità forte per gli LP: (P) ha una soluzione ottima se e solo se (D) ne ha una, e allora i valori ottimi coincidono. Che cosa **non** dice?
Che le soluzioni ottime sono uniche
Che i valori ottimi sono uguali
Che esiste un ottimo di (D) quando (P) ne ha uno
Che all'ottimo il divario si chiude
Spiegazione. Esistenza non significa unicità: le soluzioni ottime possono essere più d'una (per esempio con degenerazione o obiettivo parallelo a un lato), ma hanno tutte lo stesso valore ottimo.
Coppia (P) $\max\{\sum_j c_jx_j : \sum_j a_{ij}x_j \le b_i,\ x \ge 0\}$ e duale (D); scarti $\bar s_i$ e costi ridotti $\bar c_j$. Due soluzioni ammissibili $\bar x$ e $\bar\pi$ sono ottime se e solo se:
$\bar\pi_i + \bar s_i = 0$ e $\bar x_j + \bar c_j = 0$ per ogni $i$, $j$
$\bar\pi_i\bar s_i = 0$ e $\bar x_j\bar c_j = 0$ per ogni $i$, $j$
Spiegazione. Sono le condizioni degli scarti complementari: un vincolo con scarto positivo ha duale nullo e una variabile positiva ha costo ridotto nullo.
LP di massimo con valore ottimo $\tilde z$ e prezzo ombra $\tilde\pi_i$ del vincolo $i$, valido nell'intervallo $[b_i^{\min}, b_i^{\max}]$. Come varia $\tilde z$ quando $b_i$ si muove dentro l'intervallo?
Linearmente, con pendenza $\tilde\pi_i$
Resta costante, uguale a $\tilde z$
Quadraticamente in $b_i$
Linearmente, con pendenza $c_i$
Spiegazione. Dentro l'intervallo di validità la base ottima non cambia e $\tilde z$ è lineare in $b_i$ con pendenza $\tilde\pi_i = \partial\tilde z/\partial b_i$.
(P) è un LP di massimo **inammissibile** e il suo duale (D) è ammissibile. Che cosa dice la teoria della dualità su (D)?
(D) ha valore ottimo $0$
(D) ha un ottimo unico
(D) è illimitato
(D) è anch'esso inammissibile
Spiegazione. Se (D) avesse un ottimo, per la dualità forte lo avrebbe anche (P), che invece è inammissibile: un duale ammissibile senza ottimo è illimitato.
Coppia primale di massimo e duale; all'ottimo il duale $\tilde\pi_i$ del vincolo $i$ è strettamente positivo. Che cosa dicono gli scarti complementari sul vincolo $i$?
È attivo: $\bar s_i = 0$
Ha scarto positivo
Si può togliere
Il duale è illimitato
Spiegazione. Da $\tilde\pi_i \bar s_i = 0$ e $\tilde\pi_i > 0$ segue $\bar s_i = 0$: il vincolo è attivo all'ottimo.
(P) è un LP di massimo e (D) il suo duale. Che cosa dice la dualità debole del valore di una soluzione ammissibile di (D)?
È al più il valore ottimo di (P)
Coincide con il valore ottimo di (P)
È almeno il valore ottimo di (P)
Non ha legami con (P)
Spiegazione. Ogni soluzione ammissibile del duale di minimo dà un limite superiore: $\sum_j c_j \bar x_j \le \sum_i b_i \bar\pi_i$ per ogni coppia ammissibile.
LP di massimo: la variabile $x_j$ vale $0$ all'ottimo, con costo ridotto $\bar c_j = -2$. Di quanto deve crescere il suo coefficiente $c_j$ perché convenga attivarla?
Di almeno $1$
Di almeno $2$
Di almeno $4$
Di qualunque quantità positiva
Spiegazione. Il costo ridotto è la distanza dalla convenienza: con $\bar c_j = -2$ il coefficiente deve salire di almeno $2$ (la soglia $c_j^{\max}$).
3. Il solver: costruire, risolvere, interpretare (28)
In gurobipy, `m` è un `Model`. Che cosa crea `m.addVar(name='b')`, senza altri argomenti?
Una variabile continua libera
Una variabile continua con `lb=0` e `ub=+inf`
Una variabile binaria
Una variabile continua in $[0, 1]$
Spiegazione. Il default è continua con limite inferiore $0$: una variabile libera (intercetta della regressione, soglia del CVaR) richiede `lb=-GRB.INFINITY`. Dimenticarlo è l'errore più frequente in laboratorio.
Dopo aver risolto un LP con gurobipy, quali attributi di un vincolo danno il suo prezzo ombra e l'intervallo di validità del suo termine noto?
`X` e `SAObjLow`/`SAObjUp`
`RC` e `SARHSLow`/`SARHSUp`
`Pi` e `SARHSLow`/`SARHSUp`
`Slack` e `SAObjLow`/`SAObjUp`
Spiegazione. `Pi` sul vincolo è $\tilde\pi_i$ e `SARHSLow`–`SARHSUp` è l'intervallo $[b_i^{\min}, b_i^{\max}]$; `X`, `RC` e `SAObjLow`/`SAObjUp` riguardano le variabili.
In gurobipy, dopo `m.optimize()`, che cosa va controllato prima di leggere i valori `x.X` delle variabili o `c.Pi` dei vincoli?
Che `m.Status == GRB.OPTIMAL`
Che `m.ObjVal` sia positivo
Che tutti i valori `Slack` siano nulli
Che `m.Params.OutputFlag == 1`
Spiegazione. I valori si leggono solo se lo stato è ottimo (codice 2); altrimenti si diagnostica l'inammissibilità (codice 3) o l'illimitatezza (codice 5).
In gurobipy il vincolo `constr` è scritto `quicksum(x[v,t] for v in V) + base[t] <= C`, dove `base[t]` è una costante (il carico di base dell'ora `t`) e `C` è la capacità del contatore. Per portare la capacità a `nuovaC` in un'analisi di sensitività si scrive:
`constr.RHS = nuovaC`
`constr.RHS = nuovaC - base[t]`
`constr.RHS = nuovaC + base[t]`
`constr.Pi = nuovaC`
Spiegazione. Gurobi sposta la costante nel termine noto: il RHS memorizzato è `C - base[t]`. Scrivere `RHS = nuovaC` allenterebbe il vincolo di `base[t]` (il bug del caso della ricarica EV).
Un modello gurobipy che dovrebbe massimizzare il profitto, con variabili non negative, restituisce ottimo $0$ con tutte le variabili a zero. Qual è la causa più probabile?
L'obiettivo manca o ha il verso sbagliato (per esempio `GRB.MINIMIZE`)
Il modello è inammissibile e Gurobi restituisce l'origine
Si è superato il limite di dimensione della licenza pip
Una variabile è stata dichiarata libera con `lb=-GRB.INFINITY`
Spiegazione. Con variabili non negative, minimizzare un profitto dà $x = 0$: controllare `setObjective(..., GRB.MAXIMIZE)`. Un modello inammissibile non restituisce alcuna soluzione.
In gurobipy, dopo `x = m.addVars(I, T, name='x')` (un `tupledict` indicizzato dalle coppie `(i, t)`), come si scrive la somma di `x[i,t]` su tutti i `t`, per un `i` fissato?
`x.sum('*', i)`
`sum(x)`
`x.sum(i, '*')`
`gp.quicksum(x[i])`
Spiegazione. In un `tupledict` il carattere jolly `'*'` scorre un indice: `x.sum(i, '*')` somma sul secondo indice; `gp.quicksum(x[i, t] for t in T)` è l'alternativa.
Dopo aver risolto un LP con gurobipy, quale attributo di un vincolo dice se è attivo all'ottimo?
`c.Pi`, che è non nullo esattamente quando il vincolo è attivo
`c.Slack`, che vale $0$ quando il vincolo è attivo
`c.SARHSUp`, che è uguale al termine noto quando è attivo
`c.RC`, che è positivo quando il vincolo è attivo
Spiegazione. Un vincolo attivo ha scarto nullo. Un `Pi` nullo non implica un vincolo lasco (degenerazione), e `RC` riguarda le variabili, non i vincoli.
Uno script gurobipy ha creato `x = m.addVars(I, T)` con `I` lista di stringhe. Leggere `x[1, t]` solleva un `KeyError`. Qual è la causa più probabile?
Il modello non è ancora stato ottimizzato
Le variabili sono state dichiarate con i limiti predefiniti
Si è superato il limite della licenza
Gli indici usati sono diversi da quelli di `addVars` (int invece di str)
Spiegazione. Un `tupledict` è indicizzato esattamente dalle chiavi date ad `addVars`: l'intero `1` non è la stringa `'1'`. Controllare i tipi degli indici.
Ogni script gurobipy del laboratorio segue lo stesso scheletro: dati, modello, soluzione, risultati, sensitività. Quale istruzione viene subito dopo `m.optimize()` nel blocco «soluzione»?
`assert m.Status == GRB.OPTIMAL`, per fermarsi su uno stato inatteso
`m.setObjective(...)`, per fissare l'obiettivo
`m.addConstrs(...)`, per aggiungere i vincoli mancanti
`m.computeIIS()`, da eseguire in ogni script
Spiegazione. Lo scheletro controlla lo stato prima di leggere qualunque valore; obiettivo e vincoli stanno nel blocco del modello, `computeIIS()` solo nella diagnosi di un modello inammissibile.
Lo scheletro gurobipy standard del laboratorio ha cinque blocchi: dati, modello, soluzione, risultati, sensitività. Che cosa fa il blocco della sensitività?
Legge i file CSV e definisce i parametri
Crea variabili, vincoli e obiettivo
Cicla su un parametro chiave, riottimizza e salva le figure
Stampa `.X`, `.Pi` e `.RC` in un rapporto leggibile
Spiegazione. Prima i dati, poi il modello, la soluzione (con il controllo dello stato), il rapporto di `.X`, `.Pi`, `.RC`, e infine il ciclo su un parametro.
Un modello gurobipy minimizza un costo totale e, dopo `m.optimize()`, il suo stato è `GRB.UNBOUNDED`. Qual è la causa più probabile?
Manca un vincolo o un limite, e il costo può scendere senza fine
La domanda totale supera la capacità totale e manca una variabile di ammanco
I coefficienti coprono troppi ordini di grandezza (cattiva scala)
Il limite di tempo `TimeLimit` ha fermato il solver prima dell'ottimo
Spiegazione. Illimitato vuol dire che l'obiettivo migliora senza fine: quasi sempre manca un vincolo o un limite. Domanda oltre la capacità dà `INFEASIBLE`, un limite di tempo dà `TIME_LIMIT`.
Prima di risolvere, il log di Gurobi stampa la riga `Optimize a model with 24 rows, 36 columns and 72 nonzeros`. Che cosa sono le 24 righe e le 36 colonne?
24 variabili e 36 vincoli
24 iterazioni e 36 secondi
24 vincoli e 36 variabili
24 righe e 36 colonne di dati del CSV
Spiegazione. Le righe sono i vincoli, le colonne le variabili, i nonzeros i coefficienti non nulli della matrice: il primo controllo è che il modello abbia la dimensione attesa.
Come si ottiene la licenza accademica completa (gratuita) di Gurobi, secondo la dispensa?
È già inclusa in `pip install gurobipy`
Acquistandola dal sito Gurobi con qualunque email
Impostando `m.Params.License = 'academic'`
Email d'ateneo sul portale Gurobi, poi `grbgetkey`
Spiegazione. Ci si registra su portal.gurobi.com con l'email istituzionale, si richiede una Named-User Academic License e si esegue il comando `grbgetkey` indicato dal portale, dalla rete di ateneo o in VPN.
Uno script gurobipy si ferma con l'errore `Model too large for size-limited license`. Qual è il rimedio?
Attivare la licenza accademica completa
Impostare `m.Params.OutputFlag = 0` per risparmiare memoria
Spezzare il modello in due modelli più piccoli risolti separatamente
Dichiarare tutte le variabili con `lb=-GRB.INFINITY`
Spiegazione. La licenza pip si ferma a 2000 variabili e 2000 vincoli; la licenza accademica completa toglie il limite. Spezzare il modello cambierebbe il problema.
In gurobipy il laboratorio scrive `v1 = m.addConstr(x1 + 3*x2 <= 90, name='vincolo1')`, conservando l'oggetto restituito in `v1`. Perché?
Altrimenti il vincolo non viene aggiunto al modello
Per poterlo cancellare prima di `m.optimize()`
Per leggerne poi gli attributi, come il duale `v1.Pi`
Perché `addConstr` richiede un'assegnazione
Spiegazione. `addConstr` aggiunge il vincolo comunque; conservare l'oggetto permette di leggere `Pi`, `Slack`, `SARHSLow/Up` dopo la soluzione, o di cambiarne l'`RHS` in un ciclo di sensitività.
Il passo 5 della costruzione di un modello gurobipy nel laboratorio è `m.write('lp_2x2.lp')`. A che cosa serve?
Salva la soluzione ottima in un file
Scrive il modello in forma leggibile, per controllo
È obbligatorio prima di chiamare `m.optimize()`
Esporta il log del solver in un file
Spiegazione. È un passo di debug (facoltativo): il file `.lp` mostra obiettivo e vincoli come Gurobi li ha ricevuti, il modo più rapido di scoprire un errore di segno o di indice.
Uno script gurobipy imposta `m.Params.TimeLimit = 60` prima di `m.optimize()`. Che cosa succede se dopo 60 secondi il solver non ha finito?
La soluzione riparte con tolleranze più larghe
Si riporta la migliore soluzione trovata con stato `OPTIMAL`
Python solleva un'eccezione e il modello va perso
Si ferma, con stato `TIME_LIMIT` (codice 9)
Spiegazione. Il limite è in secondi; quando si raggiunge, `m.Status` vale `TIME_LIMIT` (9), non `OPTIMAL`: per questo lo stato si controlla sempre prima di leggere qualunque numero.
In gurobipy, dopo `m.optimize()`, `m.Status` è un codice intero. Quale codice corrisponde a `GRB.OPTIMAL`?
0
1
2
3
Spiegazione. La tabella della dispensa: `OPTIMAL` = 2, `INFEASIBLE` = 3, `UNBOUNDED` = 5, `TIME_LIMIT` = 9. Nel codice si confronta con la costante, `m.Status == GRB.OPTIMAL`.
Dopo aver risolto un LP con gurobipy, quali attributi di una **variabile** danno l'intervallo di validità del suo coefficiente in obiettivo (dove la soluzione ottima non cambia)?
`SAObjLow` e `SAObjUp`
`SARHSLow` e `SARHSUp`
`LB` e `UB` della variabile
`RC` e `Slack`
Spiegazione. `SAObjLow`–`SAObjUp` è $[c_j^{\min}, c_j^{\max}]$; `SARHSLow`–`SARHSUp` è l'intervallo del termine noto di un vincolo; `LB`/`UB` sono i limiti della variabile.
La checklist di interpretazione del laboratorio ha sette punti, a partire da «lo stato è `OPTIMAL`?». Qual è l'ultimo?
Stampare tutte le variabili con sei decimali
Salvare modello e soluzione in un file `.lp`
Risolvere di nuovo con un altro solver
Scrivere una raccomandazione manageriale di tre righe
Spiegazione. La checklist si chiude con la raccomandazione: stato, ordine di grandezza, vincoli attivi, prezzi ombra, costi ridotti, stabilità sotto perturbazioni del 5%, poi tre righe per il decisore.
Nella checklist di interpretazione del laboratorio, che cosa va letto per ogni variabile che vale zero nella soluzione ottima di un LP?
Il suo intervallo di validità `SARHSLow`/`SARHSUp`
Il suo costo ridotto `RC`
Il suo `Slack`, che deve essere positivo
Nulla: una variabile a zero non dice niente
Spiegazione. Il costo ridotto di una variabile a zero è il miglioramento di $c_j$ necessario perché entri; `Slack` e `SARHS` sono attributi dei vincoli, non delle variabili.
Output gurobipy dell'LP $\max\ 30x_1 + 50x_2$: `vincolo1: Slack = 0, Pi = 14.0, SARHS = [40, 240]`, `vincolo2: Slack = 0, Pi = 8.0, SARHS = [30, 180]`. Si può alzare di poche unità un solo termine noto, allo stesso costo unitario. Quale, e perché?
$b_2$: il suo intervallo di validità $[30, 180]$ è più stretto
Uno qualsiasi: entrambi i vincoli sono attivi all'ottimo
$b_1$: un'unità vale $14$ contro $8$
Nessuno: i vincoli attivi non si possono allentare
Spiegazione. I prezzi ombra confrontano le risorse: un'unità di $b_1$ alza l'ottimo di $14$, una di $b_2$ di $8$, finché $b_1$ resta in $[40, 240]$.
Output gurobipy di un LP di **minimo**: il vincolo `vincolo3`, $x_1 - 2x_2 \le -20$, ha `Slack = 0`, `Pi = -1.0`, `SARHS = [-200, inf]`. Come si legge?
Alzare $b_3$ di 1 abbassa di 1 il costo ottimo
Alzare $b_3$ di 1 alza di 1 il costo ottimo
Il vincolo non è attivo, quindi si può togliere
Un `Pi` negativo segnala un errore nel modello
Spiegazione. $\texttt{Pi} = \partial\tilde z/\partial b_3 = -1$: un vincolo $\le$ in un minimo ha $\texttt{Pi} \le 0$, e allentarlo fa risparmiare $1$ per unità (verifica: $b_3 = -19$ dà $\tilde z = 619$ invece di $620$).
Output gurobipy di un LP di **minimo**: la variabile $x_3 \le 0$ (dichiarata con `ub=0`) ha `X = 0`, `RC = -3.0`, `SAObj = [-inf, -6.0]`; il suo coefficiente in obiettivo è $c_3 = -9$. Come si legge?
$x_3$ è in base e potrebbe staccarsi da zero gratis
Al bound superiore; entra solo se $c_3 \ge -6$
$x_3$ è al bound superiore e abbassare $c_3$ la fa entrare
L'`RC` negativo vuol dire che la soluzione non è ottima
Spiegazione. Zero è il bound superiore di una variabile $\le 0$; forzare $x_3 = -1$ peggiorerebbe il costo di $3$, e la variabile conviene solo quando $c_3$ raggiunge l'estremo `SAObjUp` $= -6$.
In un LP di flusso a costo minimo risolto con gurobipy un arco è saturo (flusso pari alla capacità $u$, variabile al bound superiore) e ha `RC` $= -4$. Come si legge?
L'arco è troppo caro e dovrebbe portare meno flusso
La soluzione è degenere e `RC` non ha significato
Alzare il suo costo di 4 lo renderebbe conveniente
Un'unità di capacità in più su quell'arco farebbe risparmiare 4
Spiegazione. Per una variabile al bound superiore `RC` è il prezzo ombra del bound: in un minimo, un arco saturo con $\texttt{RC} < 0$ fa risparmiare $|\texttt{RC}|$ per ogni unità di capacità in più.
Un LP di produzione in gurobipy restituisce `INFEASIBLE`. `m.computeIIS()` scrive un conflitto formato dai vincoli di capacità dei mesi 1–4 e dai bilanci degli stessi mesi. Qual è la diagnosi più sensata?
Un errore di segno nell'obiettivo
La domanda dei primi mesi supera la capacità
Una variabile dichiarata libera per errore
Il modello è scalato male nel complesso
Spiegazione. Un insieme inconsistente irriducibile (IIS) è un insieme minimo di vincoli che non possono valere insieme: qui capacità e bilanci dei primi quattro mesi, cioè la loro domanda non si serve in tempo. Rimedi: più capacità, o domanda persa con una penalità.
`python3 -m pip install gurobipy` installa Gurobi con una licenza inclusa nel pacchetto. Quali limiti ha?
200 variabili e 200 vincoli
2000 variabili e 2000 vincoli
Nessun limite per gli LP
20000 variabili, vincoli illimitati
Spiegazione. La licenza del pacchetto pip arriva a 2000 variabili e 2000 vincoli: tutti i modelli del corso ci stanno; oltre serve la licenza accademica gratuita.
La dispensa del laboratorio si chiude con una checklist degli errori più frequenti con gurobipy e con i modelli. Quale di questi fa parte della checklist?
Controllare `m.Status` prima di leggere la soluzione
Riportare ogni prezzo ombra con il suo intervallo di validità
Leggere `.X` o `.Pi` senza controllare `m.Status`
Scrivere il modello in un file `.lp` per il debug
Spiegazione. Le altre tre sono buone pratiche raccomandate dalla dispensa.
In un LP si usa un prezzo ombra $\tilde\pi_i$ per valutare una variazione del termine noto $b_i$ ben oltre `SARHSUp` (l'estremo superiore del suo intervallo di validità). Perché è un errore?
Fuori dall'intervallo i prezzi ombra sono sempre nulli
`SARHSUp` è il valore ottimo, non un limite su $b_i$
Il prezzo ombra cambia sempre segno in `SARHSUp`
$\tilde\pi_i$ è esatto solo nel suo intervallo: oltre si risolve di nuovo
Spiegazione. Interpretare un prezzo ombra fuori da `SARHSLow`–`SARHSUp` è nella checklist degli errori più frequenti: il valore ottimo è lineare a tratti in $b_i$.
Un parametro stimato dai dati (per esempio un rendimento atteso) cambia alla seconda cifra decimale quando il campione cambia di poco. Quante cifre deve mostrare una relazione di laboratorio?
Sei, per essere il più precisi possibile
Poche: sei decimali di una stima che oscilla alla seconda ingannano
Nessuna: le stime non vanno riportate
Tutte quelle stampate dal solver
Spiegazione. La precisione fittizia è nella checklist degli errori: le cifre mostrate devono riflettere l'affidabilità della stima.
In un LP di **minimo** risolto con gurobipy, che segno ha l'attributo `Pi` (prezzo ombra $\partial\tilde z/\partial b_i$) di un vincolo attivo $\sum_j a_{ij}x_j \le b_i$? Sbagliarlo è nella checklist degli errori del laboratorio.
$\texttt{Pi} \le 0$: più capacità può solo abbassare il costo
$\texttt{Pi} \ge 0$: la capacità ha sempre un prezzo positivo
$\texttt{Pi} = 0$: i vincoli attivi non hanno prezzo
Qualsiasi segno, a seconda delle convenzioni del solver
Spiegazione. Aumentare $b_i$ allarga la regione ammissibile e una regione più ampia non alza mai il minimo, quindi $\texttt{Pi} \le 0$; in un problema di massimo lo stesso vincolo ha $\texttt{Pi} \ge 0$.
Tutti i risultati del laboratorio sono riproducibili dagli script Python del corso. Che cosa fa lo script che li esegue tutti (`esegui_tutti.py` nell'edizione italiana, `run_all.py` in quella inglese)?
Installa Gurobi e attiva la licenza
Rigenera dati, risultati e figure
Compila soltanto le slide
Carica i risultati sul sito del corso
Spiegazione. Un solo comando rigenera tutto ciò che la dispensa mostra; installare le dipendenze è un `pip install` separato.
Una voce della checklist degli errori del laboratorio è «ottimizzare un solo obiettivo quando il problema ne ha due». Quale esempio del laboratorio la illustra?
Leggere `.X` prima di controllare `m.Status`
Scegliere $C$ e $\gamma$ sull'insieme di test
Usare un prezzo ombra fuori dal suo intervallo di validità
Il minimax puro del picco della flotta EV, che ignora il costo
Spiegazione. Minimizzare solo il picco restituisce una soluzione qualsiasi fra quelle a picco minimo (27,79 € invece di 22,15 € a parità di picco): si combinano i due obiettivi.
I materiali del laboratorio sono organizzati in cartelle. Dove sono i dati di tutti i casi di studio?
In `dati/`, come file CSV
Dentro gli script Python, come costanti
In `soluzioni/`, insieme alle soluzioni
In `slides/`, come tabelle
Spiegazione. `dati/` contiene tutti i dati dei casi di studio in CSV; `python/` ha uno script per capitolo, `soluzioni/` le soluzioni degli esercizi per i docenti, `slides/` le slide dei quattro laboratori.
Nel percorso essenziale del corso Modellazione PL, quali obiettivi di apprendimento ha il laboratorio sulla DEA?
Formulare un LP multiperiodale con scorte
Formulare un LP a scenari e leggere il quantile
Presentare un progetto scelto liberamente
Un LP per unità, peer, target, efficienza forte
Spiegazione. Il laboratorio 2 (DEA): costruire un LP per ogni unità, leggere la forma di inviluppo (peer e target) e distinguere efficienza debole e forte.
Nel corso Modellazione PL, quali capitoli possono sostituire i laboratori 3–4 in un'edizione orientata all'incertezza e alla stima?
Produzione, ricarica EV e DEA
Newsvendor, CVaR, arbitraggio, regressione
I richiami di teoria e il capitolo sul solver
L'introduzione e l'organizzazione
Spiegazione. I capitoli dal Newsvendor alla regressione robusta e quantile possono sostituire i laboratori 3–4, oppure diventare approfondimenti per progetti individuali.
Fra i temi proposti per il progetto a scelta (laboratorio 4) del corso Modellazione PL, quale compare?
La ricarica dei veicoli elettrici
Il commesso viaggiatore
La colorazione dei grafi
Lo scheduling su più macchine
Spiegazione. Il progetto a scelta propone ricarica EV, arbitraggio o regressione robusta e quantile, con una presentazione manageriale: tutti modelli lineari del corso.
Nel percorso essenziale del corso Modellazione PL, che cosa si impara nel laboratorio 1 su produzione e scorte?
Stimare una retta di regressione dai dati storici
Calcolare il VaR e il CVaR di un portafoglio
Leggere duali e range, verificare un prezzo ombra
Misurare l'efficienza relativa delle filiali
Spiegazione. Laboratorio 1: formulare un LP multiperiodale, leggere duali, slack e intervalli di validità e verificare un prezzo ombra per perturbazione.
Checklist degli errori: in gurobipy si scrive il vincolo `quicksum(x) + base <= C`, con `base` una costante. Quale termine noto memorizza Gurobi?
$C$, la capacità scritta a destra
$C - \text{base}$, la capacità meno la costante
$C + \text{base}$, la capacità più la costante
$\text{base}$, la sola costante
Spiegazione. Gurobi porta le costanti a destra: il termine noto è $C - \text{base}$. Per cambiare la capacità a $C'$ si scrive quindi `v.RHS = C' - base`, non `v.RHS = C'`.
Secondo la checklist degli errori del corso Modellazione PL, quali variabili richiedono `lb=-GRB.INFINITY` in gurobipy?
Le scorte $s_{it}$ di fine mese nel modello di produzione
Le potenze $x_{vt}$ assegnate ai veicoli elettrici
I pesi $\lambda_j$ delle unità nella forma di inviluppo
L'intercetta $b$ della regressione e la soglia $\eta$ del CVaR
Spiegazione. In gurobipy il limite inferiore predefinito è $0$. L'intercetta $b$ e la soglia $\eta$ possono essere negative: sono libere. Scorte, potenze e pesi sono invece non negativi.
La checklist degli errori del corso Modellazione PL avverte di non scegliere i parametri ($\tau$, $\lambda$, il budget) guardando:
i dati usati per prendere la decisione
il numero di vincoli del modello
la documentazione di Gurobi
il tempo di calcolo del solver
Spiegazione. Se i parametri si scelgono sugli stessi dati (o scenari) con cui si decide, la valutazione è ottimistica: servono dati di verifica separati.
Il corso Modellazione PL installa `gurobipy`, `matplotlib`, `pandas` e `scipy`. A che cosa serve `scipy`?
A risolvere gli LP al posto di Gurobi
A disegnare le figure della dispensa
Solo alle funzioni statistiche
A leggere i file CSV dei dati
Spiegazione. Tutti i modelli si risolvono con Gurobi; `scipy` serve solo per le funzioni statistiche (per esempio i quantili della normale nel Newsvendor).
Nel corso Modellazione PL, quale script rigenera in un colpo dati, tabelle e figure (nella versione italiana)?
`python/genera_notebook.py`
`python/esegui_tutti.py`
`python/stile.py`
`python/lab04_produzione.py`
Spiegazione. `esegui_tutti.py` esegue tutti gli script dei capitoli e poi rigenera i notebook; `stile.py` contiene solo la palette e le funzioni di salvataggio.
Dopo `m.optimize()` in gurobipy, che cosa raccomanda la checklist degli errori prima di leggere `.X` o `.Pi`?
Controllare che `m.Status` sia `GRB.OPTIMAL`
Chiamare `m.update()` una seconda volta
Impostare `m.Params.OutputFlag = 1`
Salvare il modello in un file `.lp`
Spiegazione. Se il modello è inammissibile, illimitato o interrotto, `.X` e `.Pi` non esistono o non hanno significato: lo stato va controllato sempre per primo.
La checklist degli errori del corso Modellazione PL cita l'aggiornamento del termine noto di un vincolo con costanti a sinistra. In quale capitolo è capitato?
Produzione e scorte multiperiodali
Data Envelopment Analysis
Ricarica di veicoli elettrici
Arbitraggio e prezzatura
Spiegazione. Nella ricarica EV il vincolo di rete contiene il carico di base $b_t$: Gurobi lo sposta nel termine noto, e la prima analisi della capacità del contatore aggiornava il RHS nel modo sbagliato.
In un LP di **massimo** risolto con gurobipy, che segno ha l'attributo `Pi` di un vincolo $\le$ di risorsa?
$\texttt{Pi} \le 0$
$\texttt{Pi} \ge 0$
$\texttt{Pi} = 0$ sempre
Un segno qualsiasi
Spiegazione. In un massimo più risorsa allarga la regione e l'ottimo non peggiora: il prezzo ombra di un vincolo $\le$ è non negativo. Nei problemi di minimo, invece, un vincolo $\le$ ha $\texttt{Pi} \le 0$.
Nel laboratorio 4 del corso Modellazione PL (progetto a scelta), che cosa si prepara oltre al modello e ai suoi risultati?
Una nuova versione della dispensa
L'implementazione in un secondo solver
Una dimostrazione della dualità forte
Una presentazione manageriale dei risultati
Spiegazione. Il progetto a scelta (ricarica EV, arbitraggio o regressione) si chiude con una presentazione manageriale: la raccomandazione conta quanto l'ottimo.
Quanti capitoli applicativi, cioè con un modello e un caso di studio, ha il corso Modellazione PL?
3
11
7
14
Spiegazione. Sette capitoli applicativi (produzione, ricarica EV, DEA, Newsvendor, VaR e CVaR, arbitraggio, regressione) più tre capitoli di strumenti e l'organizzazione.
Il prezzo ombra della capacità di un mese vale $-3{,}81$ €/ora nell'intervallo $[330, 431]$ ore. La capacità passa da $420$ a $600$ ore. Che cosa raccomanda la checklist?
Prevedere il costo con $-3{,}81 \cdot 180$
Riottimizzare: si è usciti dall'intervallo
Raddoppiare il prezzo ombra
Considerare il modello inammissibile
Spiegazione. Il prezzo ombra vale solo dentro il suo intervallo di validità; $600$ è oltre $431$, quindi la previsione lineare non vale e si riottimizza.
Nel modello CVaR si dimentica `lb=-GRB.INFINITY` sulla soglia $\eta$. Che cosa succede?
Gurobi segnala un errore di sintassi
Il modello diventa a variabili intere
Nessun effetto: Gurobi lo capisce da sé
$\eta$ è forzata $\ge 0$ e l'ottimo può essere sbagliato
Spiegazione. In gurobipy il limite inferiore predefinito è $0$: se il VaR ottimo fosse negativo, il modello restituirebbe un CVaR sbagliato senza segnalare nulla.
LP di produzione e scorte a costo minimo (prodotti $i$, mesi $t$; $x_{it}$ = unità prodotte, $s_{it}$ = scorta a fine mese $t$, $d_{it}$ = domanda). Qual è il ruolo dei vincoli di bilancio $s_{i,t-1} + x_{it} = d_{it} + s_{it}$?
Limitano le ore macchina usate in ogni mese $t$
Rendono convesso l'obiettivo, quindi l'LP risolubile
Collegano i mesi consecutivi e obbligano a servire la domanda
Impongono scorta $s_{it}$ nulla in ogni mese
Spiegazione. Il bilancio è il legame intertemporale: ciò che entra (scorta precedente più produzione) è uguale a ciò che esce (domanda più scorta successiva).
L'LP di produzione e scorte con $n$ prodotti e $m$ mesi ha vincoli di bilancio $s_{i,t-1} + x_{it} = d_{it} + s_{it}$ (per ogni prodotto $i$ e mese $t$) e vincoli di capacità macchina $\sum_i a_i x_{it} \le b_t$. Quanti vincoli ha, oltre a quelli di non negatività?
$n\,m + m$
$2\,n\,m$
$n + m$
$n\,m$
Spiegazione. $n\,m$ bilanci delle scorte (uno per prodotto e mese) e $m$ vincoli di capacità (uno per mese, condiviso da tutti i prodotti).
LP di produzione e scorte a costo minimo (prodotti $i$, mesi $t$; $x_{it}$ = unità prodotte, $s_{it}$ = scorta a fine mese $t$, $d_{it}$ = domanda). $h_i$ è il costo mensile di giacenza e $a_i$ le ore macchina per unità del prodotto $i$. Nel caso di studio i prezzi ombra dei vincoli di capacità mensile differiscono esattamente di $h_3/a_3 = 0{,}762$ € all'ora fra mesi consecutivi. Perché?
Perché $0{,}762$ €/ora è il costo di produzione del prodotto 3
Perché il solver arrotonda i duali ai dati dell'ultimo prodotto
Perché ogni ora costa lo stesso in tutti i mesi dell'orizzonte
Perché un'ora in più permette di produrre $1/a_3$ unità del prodotto 3 un mese dopo
Spiegazione. Produrre $1/a_3$ unità del prodotto 3 un mese più tardi risparmia un mese di giacenza, $h_3/a_3$ per ora: ragionamento economico e solver danno lo stesso numero.
LP di produzione e scorte a costo minimo (prodotti $i$, mesi $t$; $x_{it}$ = unità prodotte, $s_{it}$ = scorta a fine mese $t$, $d_{it}$ = domanda). Che cosa succede se si tolgono i vincoli di bilancio $s_{i,t-1} + x_{it} = d_{it} + s_{it}$, lasciando capacità e non negatività?
Il modello diventa inammissibile, perché la sola capacità non basta
L'ottimo non produce nulla: nessun vincolo obbliga a servire la domanda
Il modello diventa illimitato, perché il costo può scendere senza limite
Non cambia nulla: i vincoli di capacità collegano già i mesi
Spiegazione. Senza bilancio il costo minimo si ottiene non producendo nulla. Con i bilanci, se la domanda totale supera la capacità cumulata, il modello è inammissibile.
LP di produzione e scorte a costo minimo (prodotti $i$, mesi $t$; $x_{it}$ = unità prodotte, $s_{it}$ = scorta a fine mese $t$, $d_{it}$ = domanda). Nei mesi di picco la capacità è stretta, quindi una parte della produzione va anticipata. Costi di giacenza $h_i$ (€/unità/mese) e ore macchina $a_i$ (per unità) variano col prodotto. Quale prodotto conviene produrre in anticipo e mettere a scorta?
Quello con $h_i/a_i$ minimo, la giacenza per ora macchina anticipata
Quello con $h_i$ minimo, qualunque siano le sue ore macchina $a_i$
Quello con $a_i$ minimo, che usa meno capacità
Tutti i prodotti in proporzione alla domanda dei mesi di picco
Spiegazione. Anticipare di un mese un'ora macchina costa $h_i/a_i$. Nel caso di studio si anticipa il prodotto 3 ($h_3/a_3 = 0{,}762$, il minimo), fino a 107 unità a scorta.
Si consideri un LP di minimo e il suo valore ottimo $\tilde z(b_i)$ in funzione di un solo termine noto $b_i$, sui valori per cui l'LP è ammissibile. Quale affermazione è corretta?
$\tilde z(b_i)$ è concava e lineare a tratti
$\tilde z(b_i)$ è convessa e lineare a tratti, con pendenza $\tilde\pi_i$
$\tilde z(b_i)$ è lineare su tutto il dominio
$\tilde z(b_i)$ è derivabile su tutto il dominio
Spiegazione. La pendenza è il prezzo ombra, che cambia agli estremi degli intervalli di validità: per questo la curva del valore della capacità del caso della produzione è convessa e decrescente, con spigoli.
LP di produzione e scorte a costo minimo (prodotti $i$, mesi $t$; $x_{it}$ = unità prodotte, $s_{it}$ = scorta a fine mese $t$, $d_{it}$ = domanda). I costi di produzione $c_{it}$ e di giacenza $h_{it}$ sono i dati dell'obiettivo. Quali fatti dimostrano che all'ottimo la scorta dell'ultimo mese $m$ è nulla, $\tilde s_{im} = 0$?
Solo che i vincoli di capacità siano attivi nel mese $m$
La dualità forte fra l'LP e il suo duale
Che la domanda sia uguale in ogni mese
$h_{im} > 0$ e $c_{it} > 0$: produrre in meno l'avanzo mantiene i bilanci e riduce il costo
Spiegazione. Una scorta finale positiva è denaro sprecato: eliminarla (producendo meno nell'ultimo mese in cui è stata prodotta) mantiene ammissibili tutti i bilanci e riduce strettamente il costo.
LP di produzione e scorte a costo minimo (prodotti $i$, mesi $t$; $x_{it}$ = unità prodotte, $s_{it}$ = scorta a fine mese $t$, $d_{it}$ = domanda). Nel caso di studio (3 prodotti, 6 mesi) il problema diventa inammissibile quando le capacità mensili $b_t$ scendono sotto il $97\%$ dei loro valori. Perché?
Perché i costi di giacenza diventano negativi
Perché l'obiettivo diventa non convesso
Perché la capacità cumulata non copre più la domanda cumulata
Perché Gurobi richiede almeno il $97\%$ della capacità
Spiegazione. Con i bilanci che obbligano a servire la domanda, la produzione dei mesi $1..t$ deve coprire la domanda dei mesi $1..t$ (al netto delle scorte iniziali): sotto quella capacità non esiste alcun piano.
LP di produzione e scorte a costo minimo (prodotti $i$, mesi $t$; $x_{it}$ = unità prodotte, $s_{it}$ = scorta a fine mese $t$, $d_{it}$ = domanda). Un prodotto, due mesi: domanda $d = (60, 100)$, capacità $80$ unità al mese, costo di produzione $10$ €/unità, giacenza $1$ €/unità/mese, scorta iniziale nulla. Qual è il costo ottimo?
$1620$ €
$1600$ €
$1640$ €
$1700$ €
Spiegazione. Il mese 2 può produrre solo 80 delle sue 100 unità, quindi 20 si producono nel mese 1 e restano a scorta: $x = (80, 80)$, $s_1 = 20$, costo $10 \cdot 160 + 1 \cdot 20 = 1620$ €.
LP di produzione e scorte a costo minimo (prodotti $i$, mesi $t$; $x_{it}$ = unità prodotte, $s_{it}$ = scorta a fine mese $t$, $d_{it}$ = domanda). Nel caso di studio il vincolo di capacità del mese 6 ha prezzo ombra $-3{,}810$ €/ora. Aggiungendo un'ora nel mese 6 e risolvendo di nuovo, il costo passa da $32889{,}33$ a $32885{,}52$ €. Che cosa mostra questa verifica?
Il prezzo ombra è confermato: la variazione, $-3{,}81$, coincide
Il prezzo ombra è sbagliato, perché il costo è sceso
L'ora in più è fuori dall'intervallo di validità
La capacità del mese 6 non è un vincolo attivo
Spiegazione. È il passo 3 del protocollo: la riottimizzazione riproduce la previsione marginale del duale, $\Delta\tilde z = \tilde\pi_6 \cdot 1$.
LP di produzione e scorte a costo minimo (prodotti $i$, mesi $t$; $x_{it}$ = unità prodotte, $s_{it}$ = scorta a fine mese $t$, $d_{it}$ = domanda). Caso di studio: 3 prodotti, 6 mesi, domanda di picco nei mesi 4–5, gli stessi costi unitari in ogni mese. Il prodotto 3 si produce in $89{,}5$ unità nel mese 1 ma solo $29{,}0$ nel mese 5. Perché?
La sua domanda è molto più alta nel mese 1 che nel mese 5
Pre-build: si produce in anticipo per liberare capacità nei mesi di picco
Il suo costo di produzione è più basso nel mese 1 che nel mese 5
Un errore numerico: un piano ottimo non crea mai scorte
Spiegazione. A parità di costi la scorta costa e basta; il solver anticipa il prodotto 3 (quello col minor costo di giacenza per ora macchina) per liberare ore macchina nei mesi di picco, e la scorta torna a zero nel mese 6.
Secondo la dispensa del laboratorio, qual è il nucleo della difficoltà nella pianificazione multiperiodale della produzione con risorse condivise?
La domanda dei mesi futuri è sconosciuta
La decisione di oggi cambia i vincoli di domani
I prodotti richiedono quantità intere
I costi di produzione sono non lineari
Spiegazione. Produrre in anticipo o no cambia la scorta disponibile dopo, quindi ciò che i mesi successivi devono produrre entro la loro capacità: i vincoli di bilancio legano i mesi fra loro.
Dove si presenta in pratica il problema multiperiodale di produzione e scorte del laboratorio?
Solo nella programmazione di una macchina
Solo nella scelta della localizzazione di un impianto
Solo nella prezzatura dei prodotti stagionali
Nei piani principali di produzione e nei contratti mensili
Spiegazione. Ogni volta che si pianifica la produzione su più periodi con risorse condivise: piani principali di produzione (MPS), pianificazione aggregata, contratti di fornitura con profili mensili.
Perché l'LP di produzione e scorte è il punto di partenza ideale del laboratorio, secondo la dispensa?
Ogni suo numero ha una lettura economica
È l'unico modello del laboratorio senza duali
Ha una soluzione in forma chiusa
Non richiede dati dall'azienda
Spiegazione. Quantità prodotte, scorte, prezzi ombra della capacità e i loro intervalli si traducono direttamente in denaro e decisioni: è l'abitudine che il laboratorio vuole costruire.
LP di produzione e scorte a costo minimo (prodotti $i$, mesi $t$; $x_{it}$ = unità prodotte, $s_{it}$ = scorta a fine mese $t$, $d_{it}$ = domanda, $c_{it}$ e $h_{it}$ = costi unitari di produzione e di giacenza, $a_i$ = ore macchina per unità, $b_t$ = ore disponibili): bilanci $s_{i,t-1} + x_{it} = d_{it} + s_{it}$, capacità $\sum_ia_ix_{it} \le b_t$. Un prodotto, due mesi: domanda $(60, 100)$, capacità $80$ unità al mese ($a = 1$), scorta iniziale nulla. Perché la soluzione è «forzata»?
Perché il costo di giacenza è nullo
Perché la domanda del mese 1 supera la sua capacità
Domanda totale e capacità totale coincidono
Perché l'LP ha una sola variabile
Spiegazione. Domanda totale $160$ = capacità totale $160$: l'unico piano ammissibile è $x_1 = x_2 = 80$ con $s_1 = 20$, quindi entrambi i vincoli di capacità sono attivi.
LP di produzione e scorte a costo minimo (prodotti $i$, mesi $t$; $x_{it}$ = unità prodotte, $s_{it}$ = scorta a fine mese $t$, $d_{it}$ = domanda, $c_{it}$ e $h_{it}$ = costi unitari di produzione e di giacenza, $a_i$ = ore macchina per unità, $b_t$ = ore disponibili): bilanci $s_{i,t-1} + x_{it} = d_{it} + s_{it}$, capacità $\sum_ia_ix_{it} \le b_t$. Un prodotto, due mesi: domanda $(60, 100)$, capacità $80$ al mese, $c = 10$, $h = 1$; piano ottimo $x = (80, 80)$, $s_1 = 20$. Con un'unità di capacità in più nel mese 2 il costo scende di 1 €. Quanto vale il prezzo ombra della capacità del mese 2, e perché?
$-1$: un'unità in meno attende a scorta
$-10$: si produce un'unità in meno
$+1$: la capacità in più costa
$0$: il vincolo non è attivo
Spiegazione. Con $b_2 = 81$: $x_2 = 81$, $s_1 = 19$, $x_1 = 79$; la produzione totale è la stessa, ma un'unità non aspetta più un mese a scorta, e si risparmia $h = 1$. In un minimo una capacità $\le$ ha duale $\le 0$.
LP di produzione e scorte a costo minimo (prodotti $i$, mesi $t$; $x_{it}$ = unità prodotte, $s_{it}$ = scorta a fine mese $t$, $d_{it}$ = domanda, $c_{it}$ e $h_{it}$ = costi unitari di produzione e di giacenza, $a_i$ = ore macchina per unità, $b_t$ = ore disponibili): bilanci $s_{i,t-1} + x_{it} = d_{it} + s_{it}$, capacità $\sum_ia_ix_{it} \le b_t$. Un prodotto, due mesi, domanda $(60, 100)$, capacità $80$ al mese: entrambi i vincoli di capacità sono attivi, eppure un'unità di capacità in più nel mese 1 non cambia nulla (duale $0$). Come è possibile?
È un errore numerico del solver
Perché il mese 1 ha un costo più alto
Perché il costo di giacenza si paga nel mese 2
Degenerazione: attivo, ma duale nullo
Spiegazione. Il mese 1 produce già il necessario (60 per sé, 20 per il mese 2); capacità in più lì non serve. Gli scarti complementari danno solo «lasco ⇒ duale nullo», non il viceversa.
LP di produzione e scorte a costo minimo (prodotti $i$, mesi $t$; $x_{it}$ = unità prodotte, $s_{it}$ = scorta a fine mese $t$, $d_{it}$ = domanda, $c_{it}$ e $h_{it}$ = costi unitari di produzione e di giacenza, $a_i$ = ore macchina per unità, $b_t$ = ore disponibili): bilanci $s_{i,t-1} + x_{it} = d_{it} + s_{it}$, capacità $\sum_ia_ix_{it} \le b_t$. Caso di studio: 3 prodotti, 6 mesi; $(c_i, h_i, a_i, s_{i0})$ = $(12; 0{,}8; 0{,}9; 30)$, $(18; 1{,}2; 1{,}4; 20)$, $(25; 1{,}6; 2{,}1; 10)$; ore $b_t$ = 420, 420, 460, 460, 460, 420; domanda con picco nei mesi 4–5. Quale prodotto ha il costo di giacenza per ora macchina, $h_i/a_i$, più basso?
Il prodotto 1, $0{,}889$
Il prodotto 2, $0{,}857$
Il prodotto 3, $0{,}762$
Sono tutti uguali
Spiegazione. $0{,}8/0{,}9 = 0{,}889$, $1{,}2/1{,}4 = 0{,}857$, $1{,}6/2{,}1 = 0{,}762$: tenere a scorta il prodotto 3 è il modo più economico di «immagazzinare» ore macchina, per questo si produce in anticipo.
LP di produzione e scorte a costo minimo (prodotti $i$, mesi $t$; $x_{it}$ = unità prodotte, $s_{it}$ = scorta a fine mese $t$, $d_{it}$ = domanda, $c_{it}$ e $h_{it}$ = costi unitari di produzione e di giacenza, $a_i$ = ore macchina per unità, $b_t$ = ore disponibili): bilanci $s_{i,t-1} + x_{it} = d_{it} + s_{it}$, capacità $\sum_ia_ix_{it} \le b_t$. Caso di studio: 3 prodotti, 6 mesi; $(c_i, h_i, a_i, s_{i0})$ = $(12; 0{,}8; 0{,}9; 30)$, $(18; 1{,}2; 1{,}4; 20)$, $(25; 1{,}6; 2{,}1; 10)$; ore $b_t$ = 420, 420, 460, 460, 460, 420; domanda con picco nei mesi 4–5. Nel mese 5 le domande sono $210$, $150$, $95$. Quante ore macchina servirebbero al mese 5 per produrre la propria domanda, contro $b_5 = 460$?
$455$, entro la capacità
$598{,}5$, oltre la capacità
$460$, esattamente la capacità
$520$, appena oltre la capacità
Spiegazione. $0{,}9\cdot 210 + 1{,}4\cdot 150 + 2{,}1\cdot 95 = 189 + 210 + 199{,}5 = 598{,}5 > 460$: il picco non si serve mese per mese, quindi servono scorte costruite nei mesi precedenti.
LP di produzione e scorte a costo minimo (prodotti $i$, mesi $t$; $x_{it}$ = unità prodotte, $s_{it}$ = scorta a fine mese $t$, $d_{it}$ = domanda, $c_{it}$ e $h_{it}$ = costi unitari di produzione e di giacenza, $a_i$ = ore macchina per unità, $b_t$ = ore disponibili): bilanci $s_{i,t-1} + x_{it} = d_{it} + s_{it}$, capacità $\sum_ia_ix_{it} \le b_t$. Caso di studio: 3 prodotti, 6 mesi; $(c_i, h_i, a_i, s_{i0})$ = $(12; 0{,}8; 0{,}9; 30)$, $(18; 1{,}2; 1{,}4; 20)$, $(25; 1{,}6; 2{,}1; 10)$; ore $b_t$ = 420, 420, 460, 460, 460, 420; domanda con picco nei mesi 4–5. Come entra nel modello la scorta iniziale $s_{i0}$?
Come dato nel bilancio del mese 1
Come variabile decisionale del mese 0
Come limite inferiore della scorta finale
L'LP la ignora
Spiegazione. Per $t = 1$ il bilancio è $s_{i0} + x_{i1} = d_{i1} + s_{i1}$ con $s_{i0}$ noto: è un dato, non una variabile (30, 20 e 10 unità nel caso di studio).
LP di produzione e scorte a costo minimo (prodotti $i$, mesi $t$; $x_{it}$ = unità prodotte, $s_{it}$ = scorta a fine mese $t$, $d_{it}$ = domanda, $c_{it}$ e $h_{it}$ = costi unitari di produzione e di giacenza, $a_i$ = ore macchina per unità, $b_t$ = ore disponibili): bilanci $s_{i,t-1} + x_{it} = d_{it} + s_{it}$, capacità $\sum_ia_ix_{it} \le b_t$. Caso di studio: 3 prodotti, 6 mesi; $(c_i, h_i, a_i, s_{i0})$ = $(12; 0{,}8; 0{,}9; 30)$, $(18; 1{,}2; 1{,}4; 20)$, $(25; 1{,}6; 2{,}1; 10)$; ore $b_t$ = 420, 420, 460, 460, 460, 420; domanda con picco nei mesi 4–5. Dove sono i dati del caso di studio, e perché conta?
Solo nella dispensa, come tabelle
Nel log stampato dal solver
In una base dati da interrogare a mano
In file CSV letti dallo script
Spiegazione. Domanda e capacità sono nei file CSV della cartella `dati/`; lo script li legge, quindi cambiando un dato e rieseguendo si rigenerano tutti i numeri del capitolo.
LP di produzione e scorte a costo minimo (prodotti $i$, mesi $t$; $x_{it}$ = unità prodotte, $s_{it}$ = scorta a fine mese $t$, $d_{it}$ = domanda, $c_{it}$ e $h_{it}$ = costi unitari di produzione e di giacenza, $a_i$ = ore macchina per unità, $b_t$ = ore disponibili): bilanci $s_{i,t-1} + x_{it} = d_{it} + s_{it}$, capacità $\sum_ia_ix_{it} \le b_t$. Il bilancio in gurobipy si scrive `(s0[i] if t == 1 else s[i, t-1]) + x[i, t] == domanda[i, t] + s[i, t]`. Perché l'espressione condizionale?
Per saltare il mese 1 in tutto il modello
La scorta entrante nel mese 1 è il dato `s0[i]`
Per rendere il vincolo una disuguaglianza
Perché `s[i, 0]` è una variabile libera
Spiegazione. Non esiste una variabile $s_{i0}$: nel mese 1 la scorta entrante è quella iniziale (una costante), nei mesi successivi è la variabile del mese precedente.
LP di produzione e scorte a costo minimo (prodotti $i$, mesi $t$; $x_{it}$ = unità prodotte, $s_{it}$ = scorta a fine mese $t$, $d_{it}$ = domanda, $c_{it}$ e $h_{it}$ = costi unitari di produzione e di giacenza, $a_i$ = ore macchina per unità, $b_t$ = ore disponibili): bilanci $s_{i,t-1} + x_{it} = d_{it} + s_{it}$, capacità $\sum_ia_ix_{it} \le b_t$. Nello script i vincoli di capacità si creano come `v_cap = m.addConstrs(...)`, conservando l'oggetto restituito. A che cosa serve?
A cancellare i vincoli del mese 6
A stampare il modello in un file
A nulla: lo impone la sintassi
Per leggerne i duali `Pi` e gli intervalli
Spiegazione. I prezzi ombra delle capacità e i loro intervalli di validità (`Pi`, `SARHSLow`, `SARHSUp`) si leggono da questi oggetti nell'analisi di sensitività.
LP di produzione e scorte a costo minimo (prodotti $i$, mesi $t$; $x_{it}$ = unità prodotte, $s_{it}$ = scorta a fine mese $t$, $d_{it}$ = domanda, $c_{it}$ e $h_{it}$ = costi unitari di produzione e di giacenza, $a_i$ = ore macchina per unità, $b_t$ = ore disponibili): bilanci $s_{i,t-1} + x_{it} = d_{it} + s_{it}$, capacità $\sum_ia_ix_{it} \le b_t$. Nello script `x = m.addVars(prodotti, mesi, name='x')` senza limiti. Che variabili si creano?
Continue, non negative, una per coppia
Variabili binarie, una per prodotto
Variabili intere, una per mese
Libere, una per coppia (prodotto, mese)
Spiegazione. `addVars` su due insiemi di indici crea una variabile per coppia; i limiti predefiniti sono $[0, +\infty)$ e il tipo è continuo, proprio ciò che chiede $x_{it} \ge 0$.
LP di produzione e scorte a costo minimo (prodotti $i$, mesi $t$; $x_{it}$ = unità prodotte, $s_{it}$ = scorta a fine mese $t$, $d_{it}$ = domanda, $c_{it}$ e $h_{it}$ = costi unitari di produzione e di giacenza, $a_i$ = ore macchina per unità, $b_t$ = ore disponibili): bilanci $s_{i,t-1} + x_{it} = d_{it} + s_{it}$, capacità $\sum_ia_ix_{it} \le b_t$. Nello script i bilanci si scrivono con `==`. Che cosa impone l'uguaglianza?
Che la produzione sia uguale alla domanda in ogni mese
Che le scorte restino costanti
Che tutta la domanda sia servita in tempo
Che la capacità sia usata tutta
Spiegazione. In ogni mese scorta entrante più produzione è uguale a domanda più scorta uscente: nulla va perso e non si ammettono arretrati. Ammettere domanda persa richiederebbe una variabile in più con una penalità.
LP di produzione e scorte a costo minimo (prodotti $i$, mesi $t$; $x_{it}$ = unità prodotte, $s_{it}$ = scorta a fine mese $t$, $d_{it}$ = domanda, $c_{it}$ e $h_{it}$ = costi unitari di produzione e di giacenza, $a_i$ = ore macchina per unità, $b_t$ = ore disponibili): bilanci $s_{i,t-1} + x_{it} = d_{it} + s_{it}$, capacità $\sum_ia_ix_{it} \le b_t$. Caso di studio: 3 prodotti, 6 mesi; $(c_i, h_i, a_i, s_{i0})$ = $(12; 0{,}8; 0{,}9; 30)$, $(18; 1{,}2; 1{,}4; 20)$, $(25; 1{,}6; 2{,}1; 10)$; ore $b_t$ = 420, 420, 460, 460, 460, 420; domanda con picco nei mesi 4–5. Nel piano ottimo il prodotto 1 si produce in $80$ unità nel mese 1, benché la sua domanda sia $110$. Perché?
La capacità del mese 1 è satura
La scorta iniziale di 30 copre il resto
Il prodotto 1 costa meno nei mesi dopo
Una parte della sua domanda va persa
Spiegazione. $s_{10} = 30$: il bilancio $30 + 80 = 110 + 0$ vale senza scorta residua; il mese 1 usa solo 330 delle sue 420 ore.
LP di produzione e scorte a costo minimo (prodotti $i$, mesi $t$; $x_{it}$ = unità prodotte, $s_{it}$ = scorta a fine mese $t$, $d_{it}$ = domanda, $c_{it}$ e $h_{it}$ = costi unitari di produzione e di giacenza, $a_i$ = ore macchina per unità, $b_t$ = ore disponibili): bilanci $s_{i,t-1} + x_{it} = d_{it} + s_{it}$, capacità $\sum_ia_ix_{it} \le b_t$. Caso di studio: 3 prodotti, 6 mesi; $(c_i, h_i, a_i, s_{i0})$ = $(12; 0{,}8; 0{,}9; 30)$, $(18; 1{,}2; 1{,}4; 20)$, $(25; 1{,}6; 2{,}1; 10)$; ore $b_t$ = 420, 420, 460, 460, 460, 420; domanda con picco nei mesi 4–5. Nel piano ottimo (costo $32.889{,}33$ €) tutte le scorte sono nulle alla fine del mese 6. Perché?
Lo impone un vincolo esplicito
Il solver arrotonda l'ultimo mese
La domanda del mese 6 è nulla
Una scorta finale costerebbe e basta
Spiegazione. Nulla dà valore alla scorta dopo l'orizzonte, quindi un'unità avanzata alla fine aggiungerebbe costo di produzione e giacenza senza servire domanda: il modello non ne lascia.
LP di produzione e scorte a costo minimo (prodotti $i$, mesi $t$; $x_{it}$ = unità prodotte, $s_{it}$ = scorta a fine mese $t$, $d_{it}$ = domanda, $c_{it}$ e $h_{it}$ = costi unitari di produzione e di giacenza, $a_i$ = ore macchina per unità, $b_t$ = ore disponibili): bilanci $s_{i,t-1} + x_{it} = d_{it} + s_{it}$, capacità $\sum_ia_ix_{it} \le b_t$. Caso di studio: 3 prodotti, 6 mesi; $(c_i, h_i, a_i, s_{i0})$ = $(12; 0{,}8; 0{,}9; 30)$, $(18; 1{,}2; 1{,}4; 20)$, $(25; 1{,}6; 2{,}1; 10)$; ore $b_t$ = 420, 420, 460, 460, 460, 420; domanda con picco nei mesi 4–5. Nel piano ottimo i prodotti 1 e 2 si producono su domanda, mentre il prodotto 3 accumula scorta nei mesi 1–3 (fino a $106{,}9$ unità a fine mese 3). Che strategia ha trovato il solver?
Il pre-build del prodotto 3
Produzione livellata di ogni prodotto
Vendite perse nei mesi di picco
Straordinari nei mesi di picco
Spiegazione. Il prodotto 3 ha il $h_i/a_i$ più basso: produrlo in anticipo libera ore nei mesi di picco 4–5 al costo di giacenza per ora minore; la sua scorta poi torna a zero.
LP di produzione e scorte a costo minimo (prodotti $i$, mesi $t$; $x_{it}$ = unità prodotte, $s_{it}$ = scorta a fine mese $t$, $d_{it}$ = domanda, $c_{it}$ e $h_{it}$ = costi unitari di produzione e di giacenza, $a_i$ = ore macchina per unità, $b_t$ = ore disponibili): bilanci $s_{i,t-1} + x_{it} = d_{it} + s_{it}$, capacità $\sum_ia_ix_{it} \le b_t$. Caso di studio: 3 prodotti, 6 mesi; $(c_i, h_i, a_i, s_{i0})$ = $(12; 0{,}8; 0{,}9; 30)$, $(18; 1{,}2; 1{,}4; 20)$, $(25; 1{,}6; 2{,}1; 10)$; ore $b_t$ = 420, 420, 460, 460, 460, 420; domanda con picco nei mesi 4–5. Il mese 1 usa $330$ delle sue $420$ ore; il solver riporta `Pi` $= 0$ con intervallo di validità $[330, +\infty)$. Come si legge?
Il mese 1 è il collo di bottiglia del piano
Ore in più nel mese 1 valgono $0{,}762$ €
Vincolo lasco: ore in più non valgono nulla
Il modello è degenere nel mese 1
Spiegazione. Un vincolo lasco ha prezzo ombra nullo; il prezzo resta nullo finché $b_1 \ge 330$, le ore effettivamente usate. Sotto 330 il vincolo comincerebbe a legare.
LP di produzione con un prodotto, scorta iniziale 0, domande $d_t$, capacità $b_t$ (unità al mese), bilanci $s_{t-1} + x_t = d_t + s_t$, $0 \le x_t \le b_t$, $s_t \ge 0$. Quale condizione sui dati è necessaria e sufficiente per l'ammissibilità?
Capacità totale almeno pari alla domanda totale
$b_t \ge d_t$ in ogni mese
Capacità dell'ultimo mese almeno pari alla sua domanda
Capacità cumulata $\ge$ domanda cumulata, ogni $t$
Spiegazione. La scorta porta la produzione solo in avanti: la domanda fino al mese $t$ va prodotta nei mesi $1, \dots, t$. Confrontare solo i totali non basta (un'eccedenza tardiva non serve un picco precoce); $b_t \ge d_t$ è sufficiente ma non necessaria.
5. Ricarica intelligente di veicoli elettrici (26)
LP di ricarica EV: potenza $x_{vt}$ al veicolo $v$ nell'ora $t$ (1 h), prezzo dell'energia $\pi_t$, dato di disponibilità $a_{vt} \in \{0,1\}$, potenza del caricatore $\bar p_v$, energia richiesta $e_v$, rendimento $\eta$, carico di base $b_t$, limite del contatore $k$; si minimizza $\sum_{v,t}\pi_tx_{vt}$. Perché il modello non ha bisogno di variabili binarie?
La disponibilità $a_{vt}$ è un dato osservato e la decisione (quanta potenza) è continua
Gurobi non gestisce variabili binarie in modelli di questa dimensione
Tutti i veicoli sono collegati in ogni ora della notte
I prezzi dell'energia $\pi_t$ sono uguali in tutte le ore
Spiegazione. Il vincolo $x_{vt} \le a_{vt}\,\bar p_v$ azzera la potenza nelle ore di assenza: non serve alcuna decisione acceso/spento.
LP di ricarica EV: potenza $x_{vt}$ al veicolo $v$ nell'ora $t$ (1 h), prezzo dell'energia $\pi_t$, dato di disponibilità $a_{vt} \in \{0,1\}$, potenza del caricatore $\bar p_v$, energia richiesta $e_v$, rendimento $\eta$, carico di base $b_t$, limite del contatore $k$; si minimizza $\sum_{v,t}\pi_tx_{vt}$. Il vincolo di energia del veicolo $v$ è $\eta\sum_t x_{vt} \ge e_v$. Perché all'ottimo vale con l'uguaglianza?
Perché $\eta < 1$ obbliga a prelevare energia in più
Perché il vincolo del contatore è sempre saturo
Perché i prezzi sono positivi: energia in più aggiunge solo costo
Perché le finestre di ricarica sono disgiunte
Spiegazione. Caricare più del necessario è permesso ma non conviene mai: con $\pi_t > 0$ ogni kWh in più aumenta solo il costo, quindi il requisito si soddisfa esattamente.
LP di ricarica EV: potenza $x_{vt}$ al veicolo $v$ nell'ora $t$ (1 h), prezzo dell'energia $\pi_t$, dato di disponibilità $a_{vt} \in \{0,1\}$, potenza del caricatore $\bar p_v$, energia richiesta $e_v$, rendimento $\eta$, carico di base $b_t$, limite del contatore $k$; si minimizza $\sum_{v,t}\pi_tx_{vt}$. Nel caso di studio il prezzo ombra del vincolo di energia di un veicolo è $0{,}0947 = 0{,}09/\eta$ €/kWh. Che cosa rappresenta?
Il prezzo medio dell'energia nella notte
Il prezzo dell'ora marginale del veicolo, diviso per $\eta$
Il prezzo dell'energia nel picco serale
Il costo orario della capacità del contatore $k$
Spiegazione. Il kWh marginale si compra nell'ora più economica ancora libera nella finestra del veicolo; un kWh in più nella batteria richiede $1/\eta$ kWh dalla rete al prezzo di quell'ora.
LP di ricarica EV: potenza $x_{vt}$ al veicolo $v$ nell'ora $t$ (1 h), prezzo dell'energia $\pi_t$, dato di disponibilità $a_{vt} \in \{0,1\}$, potenza del caricatore $\bar p_v$, energia richiesta $e_v$, rendimento $\eta$, carico di base $b_t$, limite del contatore $k$; si minimizza $\sum_{v,t}\pi_tx_{vt}$. Come si formula la variante di peak shaving (minimizzare il prelievo orario massimo dalla rete)?
Aggiungendo una variabile binaria per ogni ora di picco
Minimizzando $\sum_v\sum_t x_{vt}^2$
Fissando la potenza di ogni veicolo a $e_v/(\eta\, m)$
Minimizzando $z$ soggetto a $\sum_v x_{vt} + b_t \le z$ per ogni ora $t$
Spiegazione. La variabile ausiliaria $z$ è il prelievo di picco; la variante multiobiettivo minimizza costo $+\,\rho\, z$.
LP di ricarica EV: potenza $x_{vt}$ al veicolo $v$ nell'ora $t$ (1 h), prezzo dell'energia $\pi_t$, dato di disponibilità $a_{vt} \in \{0,1\}$, potenza del caricatore $\bar p_v$, energia richiesta $e_v$, rendimento $\eta$, carico di base $b_t$, limite del contatore $k$; si minimizza $\sum_{v,t}\pi_tx_{vt}$. Il peak shaving minimizza il prelievo di picco $z$. Nel caso di studio il minimax puro (picco 68 kW) spende $27{,}79$ €, mentre minimizzare costo $+\,0{,}2\,z$ raggiunge lo stesso picco con $22{,}15$ €. Qual è la lezione?
Con due obiettivi, ottimizzarne uno solo spreca l'altro
Il minimax puro è sempre la scelta migliore per il contatore
Il peak shaving non conviene mai al gestore
Il costo dell'energia non dipende dal picco
Spiegazione. Il minimax puro è degenere rispetto al costo: fra le soluzioni con picco minimo ne restituisce una qualsiasi. L'obiettivo pesato sceglie la più economica.
LP di ricarica EV: potenza $x_{vt}$ al veicolo $v$ nell'ora $t$ (1 h), prezzo dell'energia $\pi_t$, dato di disponibilità $a_{vt} \in \{0,1\}$, potenza del caricatore $\bar p_v$, energia richiesta $e_v$, rendimento $\eta$, carico di base $b_t$, limite del contatore $k$; si minimizza $\sum_{v,t}\pi_tx_{vt}$. Un'analisi di sensitività sul limite del contatore $k$ dà lo stesso costo per ogni valore di $k$, anche molto piccolo. Che cosa va sospettato per primo?
Che il modello sia inammissibile per $k$ piccolo
Che i prezzi dell'energia $\pi_t$ siano sbagliati
Il nostro codice, per esempio `RHS = nuovaC` su un vincolo che memorizza `C - base[t]`
Un bug di Gurobi
Spiegazione. È successo davvero preparando il caso di studio: quando un'analisi di sensitività non cambia nulla, si sospetta il codice prima del modello.
LP di ricarica EV: potenza $x_{vt}$ al veicolo $v$ nell'ora $t$ (1 h), prezzo dell'energia $\pi_t$, dato di disponibilità $a_{vt} \in \{0,1\}$, potenza del caricatore $\bar p_v$, energia richiesta $e_v$, rendimento $\eta$, carico di base $b_t$, limite del contatore $k$; si minimizza $\sum_{v,t}\pi_tx_{vt}$. Quali vincoli accoppiano i veicoli fra loro?
I vincoli di energia $\eta\sum_t x_{vt} \ge e_v$
I vincoli del contatore $\sum_v x_{vt} + b_t \le k$, uno per ora
I limiti del caricatore $x_{vt} \le a_{vt}\bar p_v$
I vincoli di non negatività $x_{vt} \ge 0$
Spiegazione. Senza il limite del contatore ogni veicolo si ottimizzerebbe da solo; i vincoli orari del contatore li mettono in competizione per la potenza.
LP di ricarica EV: potenza $x_{vt}$ al veicolo $v$ nell'ora $t$ (1 h), prezzo dell'energia $\pi_t$, dato di disponibilità $a_{vt} \in \{0,1\}$, potenza del caricatore $\bar p_v$, energia richiesta $e_v$, rendimento $\eta$, carico di base $b_t$, limite del contatore $k$; si minimizza $\sum_{v,t}\pi_tx_{vt}$. In quali condizioni il prezzo ombra del vincolo di energia del veicolo $v$ è pari a $\pi_t/\eta$ per una delle sue ore $t$?
Quando tutte le ore della notte hanno lo stesso prezzo $\pi_t$
Quando il veicolo $v$ è collegato in una sola ora della notte
Quando il vincolo del contatore è attivo in ogni ora $t$
Quando nell'ora $t$ è collegato e nessun limite di potenza è saturo
Spiegazione. Il kWh marginale si può allora comprare esattamente nell'ora $t$; se quell'ora fosse satura, il duale includerebbe anche il valore del limite attivo.
Ricarica EV, un veicolo, due ore: servono $e = 10$ kWh ($\eta = 1$), prezzi $\pi_1 = 0{,}12$ e $\pi_2 = 0{,}20$ €/kWh, potenza del caricatore $\bar p = 8$ kW, quindi carica 8 kWh nell'ora 1 e 2 nell'ora 2 (ore di 1 h, quindi kW e kWh coincidono). Quanto farebbe risparmiare un kW di potenza in più nell'ora 1?
$0{,}20$ €, il prezzo dell'ora 2
$0{,}12$ €, il prezzo dell'ora 1
$0{,}08$ €, la differenza di prezzo $\pi_2 - \pi_1$
Nulla, perché il requisito è già soddisfatto
Spiegazione. Un kW in più nell'ora 1 sposta un kWh dall'ora cara a quella economica: risparmio $0{,}20 - 0{,}12 = 0{,}08$ €. È il valore (assoluto) del duale del limite di potenza.
LP di ricarica EV: potenza $x_{vt}$ al veicolo $v$ nell'ora $t$ (1 h), prezzo dell'energia $\pi_t$, dato di disponibilità $a_{vt} \in \{0,1\}$, potenza del caricatore $\bar p_v$, energia richiesta $e_v$, rendimento $\eta$, carico di base $b_t$, limite del contatore $k$; si minimizza $\sum_{v,t}\pi_tx_{vt}$. Nel caso di studio ($\eta = 0{,}95$) i prezzi ombra dei vincoli di energia valgono $0{,}0842$ €/kWh per i furgoni V2, V3, V6 e $0{,}0947$ per V1, V4, V5. Perché sono diversi?
Le finestre sono diverse: l'ora libera più economica costa $0{,}08$ per alcuni, $0{,}09$ per altri
Perché i furgoni hanno batterie $e_v$ diverse
Perché il contatore è saturo solo per V1, V4, V5
Perché $\eta$ è diverso fra i due gruppi
Spiegazione. $0{,}0842 = 0{,}08/\eta$ e $0{,}0947 = 0{,}09/\eta$: i furgoni la cui finestra copre le ore a $0{,}08$ comprano lì il kWh marginale; gli altri arrivano tardi o partono presto.
LP di ricarica EV: potenza $x_{vt}$ al veicolo $v$ nell'ora $t$ (1 h), prezzo dell'energia $\pi_t$, dato di disponibilità $a_{vt} \in \{0,1\}$, potenza del caricatore $\bar p_v$, energia richiesta $e_v$, rendimento $\eta$, carico di base $b_t$, limite del contatore $k$; si minimizza $\sum_{v,t}\pi_tx_{vt}$. Nel caso di studio il costo notturno è $20{,}36$ € con limite del contatore $k = 120$ kW, $21{,}09$ € con $k = 80$, e il modello è inammissibile con $k = 60$ o $65$ kW. Perché inammissibile?
Perché i prezzi dell'energia diventano negativi
Perché i veicoli non possono ricevere la loro energia nelle loro finestre
Perché il solver richiede $k \ge 70$
Perché la variabile di peak shaving diventa negativa
Spiegazione. Un limite troppo basso lascia troppa poca potenza nelle ore in cui i furgoni sono collegati: i requisiti di energia non si possono soddisfare tutti.
LP di ricarica EV: potenza $x_{vt}$ al veicolo $v$ nell'ora $t$ (1 h), prezzo dell'energia $\pi_t$, dato di disponibilità $a_{vt} \in \{0,1\}$, potenza del caricatore $\bar p_v$, energia richiesta $e_v$, rendimento $\eta$, carico di base $b_t$, limite del contatore $k$; si minimizza $\sum_{v,t}\pi_tx_{vt}$. Minimizzando costo $+\,\rho z$ ($z$ = prelievo di picco) per $\rho$ crescente, il caso di studio trova: $\rho = 0$: costo $20{,}36$ €, picco $103{,}4$ kW; $\rho = 0{,}1$: $21{,}39$ €, $74{,}9$ kW; $\rho = 0{,}2$: $22{,}15$ €, $68{,}0$ kW. Che cosa mostra?
Ridurre il picco è molto costoso
Picco e costo non interagiscono
Il minimo costo puro ha già il picco minimo
Grandi tagli del picco costano poco: $-28\%$ per circa un euro
Spiegazione. La frontiera dei compromessi è ripida all'inizio: tagliare il picco da 103 a 75 kW costa circa un euro a notte, arrivare a 68 kW meno di due.
LP di ricarica EV: potenza $x_{vt}$ al veicolo $v$ nell'ora $t$ (1 h), prezzo dell'energia $\pi_t$, dato di disponibilità $a_{vt} \in \{0,1\}$, potenza del caricatore $\bar p_v$, energia richiesta $e_v$, rendimento $\eta$, carico di base $b_t$, limite del contatore $k$; si minimizza $\sum_{v,t}\pi_tx_{vt}$. Quale condizione sui dati è necessaria perché l'LP sia ammissibile, qualunque sia il limite del contatore?
$e_v \le \bar p_v$ per ogni veicolo $v$: basta un'ora di ricarica
$\sum_t \pi_t \ge e_v$ per ogni veicolo $v$
$\eta\,\bar p_v \sum_t a_{vt} \ge e_v$ per ogni veicolo $v$
$k \ge b_t$ soltanto nell'ora più cara
Spiegazione. Il veicolo $v$ può ricevere al più $\eta\,\bar p_v$ kWh in ogni ora in cui è collegato: se $\eta\,\bar p_v\sum_t a_{vt} < e_v$ il suo vincolo di energia non può valere. Il contatore può rendere il modello inammissibile anche quando questa condizione vale.
Una flotta aziendale di furgoni elettrici si ricarica di notte, quando l'energia costa poco. Quale rischio segnala il capitolo del laboratorio sulla ricarica intelligente?
I furgoni possono non essere disponibili al mattino
Se caricano tutti insieme, il picco esplode
I prezzi dell'energia sono fissati per contratto
I caricatori non possono modulare la potenza
Spiegazione. Caricare tutto nelle ore economiche concentra la domanda: crescono i costi di potenza e si può superare il limite del contatore; il modello distribuisce la potenza fra veicoli e ore.
Il problema della ricarica intelligente «sembra» richiedere variabili di accensione/spegnimento ma è un LP puro. Perché?
Perché Gurobi non gestisce le binarie
Perché i veicoli non smettono mai di caricare
Perché i prezzi sono costanti
La vera decisione è continua
Spiegazione. Il modello decide la potenza data a ogni veicolo in ogni ora, una quantità continua fra 0 e la potenza del caricatore: non serve alcuna variabile di accensione.
Quali aspetti della transizione energetica creano il problema di ricarica intelligente studiato nel laboratorio?
Flotte elettriche, prezzi orari, contatori
Accise, pedaggi e tariffe di sosta
Regole di riciclo delle batterie
La pianificazione dei viaggi lunghi
Spiegazione. Flotte di veicoli elettrici, prezzi orari dell'energia e limiti di potenza dei contatori: un problema operativo nuovo che un LP risolve bene.
Nel capitolo sulla ricarica intelligente, come si leggono i duali dei fabbisogni di energia?
Come il costo totale della notte
Come la potenza di ogni caricatore
Come prezzi delle ore marginali
Come il rendimento delle batterie
Spiegazione. Un kWh in più per un veicolo finisce nella sua ora più economica ancora libera: il duale è il prezzo di quell'ora, corretto per il rendimento $\eta$.
LP di ricarica EV: potenza $x_{vt}$ al veicolo $v$ nell'ora $t$ (1 h), prezzo dell'energia $\pi_t$, disponibilità $a_{vt} \in \{0, 1\}$, potenza del caricatore $\bar p_v$, energia richiesta $e_v$, rendimento $\eta$, carico di base $b_t$, limite del contatore $k$; si minimizza $\sum_{v,t}\pi_tx_{vt}$ con $\eta\sum_tx_{vt} \ge e_v$, $x_{vt} \le \bar p_va_{vt}$, $\sum_vx_{vt} + b_t \le k$. Un veicolo, due ore: $e = 10$ kWh, $\eta = 1$, prezzi $0{,}10$ e $0{,}20$ €/kWh, potenza del caricatore $\bar p = 8$ kW. Quanto valgono il costo e il prezzo ombra del fabbisogno?
Costo $1{,}00$ €, prezzo ombra $0{,}10$
Costo $2{,}00$ €, prezzo ombra $0{,}20$
Costo $1{,}20$ €, prezzo ombra $0{,}20$
Costo $1{,}20$ €, prezzo ombra $0{,}10$
Spiegazione. 8 kWh nell'ora economica, 2 in quella cara: $0{,}8 + 0{,}4 = 1{,}20$ €. L'11º kWh andrebbe nell'ora cara, quindi il duale è $0{,}20$ €/kWh.
LP di ricarica EV: potenza $x_{vt}$ al veicolo $v$ nell'ora $t$ (1 h), prezzo dell'energia $\pi_t$, disponibilità $a_{vt} \in \{0, 1\}$, potenza del caricatore $\bar p_v$, energia richiesta $e_v$, rendimento $\eta$, carico di base $b_t$, limite del contatore $k$; si minimizza $\sum_{v,t}\pi_tx_{vt}$ con $\eta\sum_tx_{vt} \ge e_v$, $x_{vt} \le \bar p_va_{vt}$, $\sum_vx_{vt} + b_t \le k$. Un veicolo, due ore, $e = 10$ kWh, prezzi $0{,}10$ e $0{,}20$ €/kWh, $\bar p = 8$ kW: quanto vale un kW di potenza in più nell'ora 1?
$0{,}10$ €: un kWh passa all'ora 1
$0{,}20$ €: il prezzo dell'ora 2
$0$: qui il limite di potenza non è attivo
$0{,}30$ €: la somma dei due prezzi
Spiegazione. Con $\bar p = 9$ un kWh in più si carica a $0{,}10$ invece che a $0{,}20$: il risparmio è la differenza di prezzo, $0{,}10$ € per kW.
LP di ricarica EV: potenza $x_{vt}$ al veicolo $v$ nell'ora $t$ (1 h), prezzo dell'energia $\pi_t$, disponibilità $a_{vt} \in \{0, 1\}$, potenza del caricatore $\bar p_v$, energia richiesta $e_v$, rendimento $\eta$, carico di base $b_t$, limite del contatore $k$; si minimizza $\sum_{v,t}\pi_tx_{vt}$ con $\eta\sum_tx_{vt} \ge e_v$, $x_{vt} \le \bar p_va_{vt}$, $\sum_vx_{vt} + b_t \le k$. Un veicolo, due ore, $e = 10$ kWh, prezzi $0{,}10$ e $0{,}20$ €/kWh, ma ora $\bar p = 12$ kW. Quanto valgono costo e duali?
Costo $1{,}20$ €, duali qui invariati
Costo $1{,}00$ €, duale dell'energia $0{,}20$
Costo $2{,}00$ €, duale della potenza $0{,}10$
Costo $1{,}00$ €, duali $0{,}10$ e $0$
Spiegazione. Tutti i 10 kWh stanno nell'ora economica: costo $1{,}00$ €; il kWh marginale va ancora nell'ora 1 (duale $0{,}10$) e il limite di potenza è lasco (duale $0$).
LP di ricarica EV: potenza $x_{vt}$ al veicolo $v$ nell'ora $t$ (1 h), prezzo dell'energia $\pi_t$, disponibilità $a_{vt} \in \{0, 1\}$, potenza del caricatore $\bar p_v$, energia richiesta $e_v$, rendimento $\eta$, carico di base $b_t$, limite del contatore $k$; si minimizza $\sum_{v,t}\pi_tx_{vt}$ con $\eta\sum_tx_{vt} \ge e_v$, $x_{vt} \le \bar p_va_{vt}$, $\sum_vx_{vt} + b_t \le k$. Nel codice gurobipy la disponibilità non è un vincolo: `x[v, t].UB = P[v] * disp[v, t]`. Che cosa succede quando il veicolo $v$ non è collegato nell'ora $t$?
Il modello diventa inammissibile
Il suo limite superiore è 0
Carica comunque a piena potenza
La variabile diventa libera di segno
Spiegazione. Con `disp[v, t] = 0` il limite $x_{vt} \le \bar p_va_{vt}$ diventa $x_{vt} \le 0$: le finestre di disponibilità si gestiscono con i limiti delle variabili.
LP di ricarica EV: potenza $x_{vt}$ al veicolo $v$ nell'ora $t$ (1 h), prezzo dell'energia $\pi_t$, disponibilità $a_{vt} \in \{0, 1\}$, potenza del caricatore $\bar p_v$, energia richiesta $e_v$, rendimento $\eta$, carico di base $b_t$, limite del contatore $k$; si minimizza $\sum_{v,t}\pi_tx_{vt}$ con $\eta\sum_tx_{vt} \ge e_v$, $x_{vt} \le \bar p_va_{vt}$, $\sum_vx_{vt} + b_t \le k$. Caso di studio: sei furgoni con finestre notturne diverse, prezzi orari stilizzati con picco serale, carico di base dell'edificio, contatore $k = 120$ kW, $\eta = 0{,}95$. Perché il vincolo di energia si scrive $\eta\sum_tx_{vt} \ge e_v$?
Perché $\eta$ converte i kWh in euro
Perché il contatore assorbe $\eta$ della potenza
Perché il prezzo comprende le tasse
Solo una quota $\eta$ arriva in batteria
Spiegazione. Con $\eta = 0{,}95$ un veicolo deve prelevare $e_v/0{,}95$ kWh dalla rete; per questo il suo duale è il prezzo dell'ora diviso per $\eta$.
LP di ricarica EV: potenza $x_{vt}$ al veicolo $v$ nell'ora $t$ (1 h), prezzo dell'energia $\pi_t$, disponibilità $a_{vt} \in \{0, 1\}$, potenza del caricatore $\bar p_v$, energia richiesta $e_v$, rendimento $\eta$, carico di base $b_t$, limite del contatore $k$; si minimizza $\sum_{v,t}\pi_tx_{vt}$ con $\eta\sum_tx_{vt} \ge e_v$, $x_{vt} \le \bar p_va_{vt}$, $\sum_vx_{vt} + b_t \le k$. Nel codice gurobipy i vincoli di energia e del contatore si conservano come `v_ene = m.addConstrs(...)` e `v_rete = m.addConstrs(...)`. Perché?
Per leggere duali e cambiare RHS
Per cancellarli dopo la soluzione
Perché Gurobi vuole vincoli con nome
Per stamparli nel log del solver
Spiegazione. I duali di `v_ene` sono i prezzi delle ore marginali; `v_rete` è il vincolo del contatore il cui `RHS` si cambia nell'analisi di sensitività (meno il carico di base!).
LP di ricarica EV: potenza $x_{vt}$ al veicolo $v$ nell'ora $t$ (1 h), prezzo dell'energia $\pi_t$, disponibilità $a_{vt} \in \{0, 1\}$, potenza del caricatore $\bar p_v$, energia richiesta $e_v$, rendimento $\eta$, carico di base $b_t$, limite del contatore $k$; si minimizza $\sum_{v,t}\pi_tx_{vt}$ con $\eta\sum_tx_{vt} \ge e_v$, $x_{vt} \le \bar p_va_{vt}$, $\sum_vx_{vt} + b_t \le k$. Caso di studio: quali vincoli si scrivono come limiti delle variabili e quali come vincoli espliciti?
Tutti quanti come limiti delle variabili
Tutti quanti come vincoli espliciti
Potenza come limiti; energia, contatore come vincoli
L'energia come limite; il resto come vincoli
Spiegazione. $x_{vt} \le \bar p_va_{vt}$ riguarda una sola variabile, quindi è un limite; energia (una per veicolo) e contatore (uno per ora) coinvolgono somme di variabili.
LP di ricarica EV: potenza $x_{vt}$ al veicolo $v$ nell'ora $t$ (1 h), prezzo dell'energia $\pi_t$, disponibilità $a_{vt} \in \{0, 1\}$, potenza del caricatore $\bar p_v$, energia richiesta $e_v$, rendimento $\eta$, carico di base $b_t$, limite del contatore $k$; si minimizza $\sum_{v,t}\pi_tx_{vt}$ con $\eta\sum_tx_{vt} \ge e_v$, $x_{vt} \le \bar p_va_{vt}$, $\sum_vx_{vt} + b_t \le k$. Risultati del caso: costo minimo $20{,}36$ €/notte con picco di prelievo $103{,}4$ kW (limite 120); il picco più basso possibile è $68{,}0$ kW. Che cosa fa il piano di costo minimo?
Distribuisce la ricarica in modo uniforme nella notte
Carica nelle ore economiche
Carica solo durante il picco serale
Tiene il prelievo a 68 kW
Spiegazione. Minimizzare solo il costo dell'energia spinge ogni veicolo nelle ore economiche, quindi il prelievo totale arriva a 103 kW; il peak shaving lo distribuisce e resta a 68 kW.
LP di ricarica EV (si minimizza il costo dell'energia, limite del contatore $\sum_vx_{vt} + b_t \le k$): costo notturno $21{,}93$ € con $k = 70$ kW, $21{,}09$ con $80$, $20{,}63$ con $90$, $20{,}36$ con $120$; inammissibile a $60$–$65$. Perché i risparmi per kW in più si riducono al crescere di $k$?
Il valore di un LP è convesso nel RHS
I prezzi dell'energia scendono di notte
Le batterie si riempiono con $k$ alto
È rumore numerico
Spiegazione. Per un minimo $\tilde z(k)$ è convessa e, per un vincolo $\le$, non crescente: la sua pendenza (il prezzo ombra del contatore) sale verso zero al crescere di $k$, finché il contatore smette di vincolare.
DEA: $n$ unità (DMU) $j$ usano input $x_{ij}$ per produrre output $y_{rj}$; si valuta la DMU $o$. Con pesi $u_r, v_i \ge 0$, il rapporto di efficienza della DMU $j$ è $\sum_r u_ry_{rj}/\sum_i v_ix_{ij}$. Come si definisce l'efficienza relativa della DMU $o$?
Come rapporto fra il suo output totale e l'output medio di tutte le DMU
Come suo rapporto di efficienza calcolato con pesi fissati dalla direzione
Come massimo del suo rapporto sui pesi che non danno a nessuna DMU rapporto sopra $1$
Come minimo del suo rapporto su tutti i pesi non negativi
Spiegazione. Ogni DMU sceglie i pesi che la mostrano nella luce migliore: se anche così resta sotto $1$, l'inefficienza non dipende da una scelta arbitraria dei prezzi.
DEA: $n$ unità (DMU) $j$ usano input $x_{ij}$ per produrre output $y_{rj}$; si valuta la DMU $o$. Il modello CCR frazionario massimizza il rapporto $\sum_r u_ry_{ro}/\sum_i v_ix_{io}$ soggetto a rapporto $\le 1$ per ogni DMU. Che cosa permette alla trasformazione di Charnes–Cooper di renderlo un LP?
Moltiplicare tutti i pesi per $t > 0$ non cambia alcun rapporto, quindi si può imporre $\sum_i v_ix_{io} = 1$
Tutti i rapporti sono minori di $1$, quindi i denominatori si possono togliere
I pesi ottimi sono interi, quindi i rapporti si possono enumerare
Gli output sono uguali per tutte le DMU, quindi contano solo gli input
Spiegazione. Con il denominatore dell'obiettivo normalizzato a $1$ l'obiettivo è il numeratore, e ogni vincolo di rapporto moltiplicato per il suo denominatore positivo diventa lineare.
DEA: $n$ unità (DMU) $j$ usano input $x_{ij}$ per produrre output $y_{rj}$; si valuta la DMU $o$. Forma di inviluppo CCR orientata all'input: $\min\theta$ soggetto a $\sum_j\lambda_jx_{ij} \le \theta x_{io}$, $\sum_j\lambda_jy_{rj} \ge y_{ro}$, $\lambda_j \ge 0$, $\theta$ libera. Qual è l'insieme di riferimento (i peer) della DMU $o$?
Tutte le DMU con efficienza $\tilde\theta = 1$
Le DMU $j$ con $\tilde\lambda_j > 0$ nella soluzione ottima
Tutte le DMU con output maggiori di $o$
Le DMU che usano gli stessi input di $o$
Spiegazione. I peer sono le DMU efficienti combinate nella DMU virtuale di $o$: le unità da cui $o$ dovrebbe imparare.
DEA: $n$ unità (DMU) $j$ usano input $x_{ij}$ per produrre output $y_{rj}$; si valuta la DMU $o$. Forma di inviluppo CCR orientata all'input: $\min\theta$ soggetto a $\sum_j\lambda_jx_{ij} \le \theta x_{io}$, $\sum_j\lambda_jy_{rj} \ge y_{ro}$, $\lambda_j \ge 0$, $\theta$ libera. Nel caso di studio l'ottimo CCR della filiale 6 ha $\sum_j \tilde\lambda_j = 1{,}924$ (ed è unico). Che cosa suggerisce sulla sua scala?
Troppo piccola (rendimenti crescenti): valutare di accorparla
Efficiente a ogni scala: nulla da cambiare
Dati sbagliati: la somma deve essere al più $1$
Troppo grande (rendimenti decrescenti): valutare di dividerla
Spiegazione. $\sum_j\tilde\lambda_j > 1$ segnala rendimenti decrescenti, $< 1$ rendimenti crescenti; la filiale 6 è infatti efficiente nel modello BCC, quindi la sua inefficienza CCR è dovuta alla dimensione.
DEA: $n$ unità (DMU) $j$ usano input $x_{ij}$ per produrre output $y_{rj}$; si valuta la DMU $o$. Forma di inviluppo CCR orientata all'input: $\min\theta$ soggetto a $\sum_j\lambda_jx_{ij} \le \theta x_{io}$, $\sum_j\lambda_jy_{rj} \ge y_{ro}$, $\lambda_j \ge 0$, $\theta$ libera. Una seconda fase massimizza gli scarti di input e output con $\theta$ fissata a $\tilde\theta$. Quando la DMU $o$ è debolmente ma non fortemente efficiente?
Quando $\tilde\theta < 1$
Quando $\tilde\theta = 1$ e tutti gli scarti sono nulli
Quando $\tilde\theta = 1$ ma qualche scarto ottimo della seconda fase è positivo
Quando non è peer di nessun'altra DMU
Spiegazione. Non può contrarre tutti gli input nella stessa proporzione, ma può ridurne almeno uno (o espandere un output): un'altra combinazione di DMU fa lo stesso con meno.
DEA: $n$ unità (DMU) $j$ usano input $x_{ij}$ per produrre output $y_{rj}$; si valuta la DMU $o$. Forma di inviluppo CCR orientata all'input: $\min\theta$ soggetto a $\sum_j\lambda_jx_{ij} \le \theta x_{io}$, $\sum_j\lambda_jy_{rj} \ge y_{ro}$, $\lambda_j \ge 0$, $\theta$ libera. Che segno hanno i prezzi ombra dei vincoli di output $\sum_j\lambda_jy_{rj} \ge y_{ro}$, e che cosa sono?
$\ge 0$; sono i pesi ottimi degli output $\tilde u_r$ della forma dei moltiplicatori
$\le 0$; sono gli scarti di output della seconda fase
Qualsiasi segno; sono le intensità ottime $\tilde\lambda_j$
$\ge 0$; sono i pesi ottimi degli input $\tilde v_i$
Spiegazione. Alzare il termine noto di un vincolo $\ge$ restringe la regione, quindi il minimo $\tilde\theta$ non può scendere; per dualità questi duali sono i pesi $\tilde u_r$.
DEA: $n$ unità (DMU) $j$ usano input $x_{ij}$ per produrre output $y_{rj}$; si valuta la DMU $o$. Nel caso di studio di 12 filiali bancarie, la filiale 7 è peer (unità di riferimento) di cinque filiali inefficienti. Che cosa raccomanda il laboratorio prima di agire sui target?
Nulla: i target calcolati dall'LP sono esatti
Controllare i dati dei peer più citati e ripetere l'analisi senza di essi
Togliere dall'analisi tutte le filiali inefficienti
Passare al modello BCC, che non ha peer
Spiegazione. La DEA è relativa: una sola DMU sulla frontiera può cambiare il verdetto su molte altre, e un errore di registrazione la renderebbe «troppo brava».
DEA: $n$ unità (DMU) $j$ usano input $x_{ij}$ per produrre output $y_{rj}$; si valuta la DMU $o$. Il modello BCC aggiunge $\sum_j\lambda_j = 1$ alla forma di inviluppo CCR orientata all'input. Quale relazione fra le due efficienze della stessa DMU vale sempre?
Spiegazione. Quindi l'efficienza di scala $\tilde\theta^{\rm CCR}/\tilde\theta^{\rm BCC}$ sta in $(0, 1]$. Il vincolo in più restringe la regione ammissibile di un problema di minimo, quindi $\tilde\theta$ non può scendere; la differenza fra le due misure è dovuta alla dimensione.
DEA: $n$ unità (DMU) $j$ usano input $x_{ij}$ per produrre output $y_{rj}$; si valuta la DMU $o$. Forma di inviluppo CCR orientata all'input: $\min\theta$ soggetto a $\sum_j\lambda_jx_{ij} \le \theta x_{io}$, $\sum_j\lambda_jy_{rj} \ge y_{ro}$, $\lambda_j \ge 0$, $\theta$ libera. Sia $\tilde h_o$ il valore ottimo della forma dei moltiplicatori CCR (l'efficienza relativa di $o$). Quale enunciato lo lega al $\tilde\theta$ ottimo della forma di inviluppo?
Spiegazione. La forma di inviluppo è il duale della forma dei moltiplicatori: per la dualità forte i valori ottimi coincidono, quindi la contrazione radiale ottima degli input è l'efficienza relativa.
DEA: $n$ unità (DMU) $j$ usano input $x_{ij}$ per produrre output $y_{rj}$; si valuta la DMU $o$. Il modello BCC è la forma di inviluppo CCR orientata all'input più il vincolo $\sum_j\lambda_j = 1$. Quali fatti dimostrano $\tilde\theta^{\rm BCC} \ge \tilde\theta^{\rm CCR}$?
La dualità forte fra i modelli BCC e CCR, che hanno lo stesso duale
Il vincolo in più restringe la regione, e un minimo su un insieme più piccolo non è mai più basso
I rendimenti di scala variabili fanno sempre sembrare ogni DMU peggiore che con rendimenti costanti
Gli scarti della seconda fase sono non negativi in entrambi i modelli
Spiegazione. Stesso obiettivo e stessi vincoli più uno: la regione ammissibile del BCC è contenuta in quella del CCR.
DEA: $n$ unità (DMU) $j$ usano input $x_{ij}$ per produrre output $y_{rj}$; si valuta la DMU $o$. Forma dei moltiplicatori CCR: $\max\sum_r u_ry_{ro}$ soggetto a $\sum_i v_ix_{io} = 1$ e $\sum_r u_ry_{rj} - \sum_i v_ix_{ij} \le 0$ per ogni $j$, $u, v \ge 0$. Nel suo duale (la forma di inviluppo), perché $\theta$ è libera e ogni $\lambda_j \ge 0$?
$\theta$ è un'efficienza, che può avere qualunque segno; i $\lambda_j$ sono pesi, quindi $\ge 0$
Gli output $y_{rj}$ sono positivi, quindi le variabili duali devono essere $\ge 0$ tranne $\theta$
La normalizzazione è un'uguaglianza (duale libero); i vincoli di rapporto sono $\le$ in un max ($\ge 0$)
Gli input $x_{ij}$ sono positivi, quindi i duali dei vincoli di rapporto sono $\ge 0$
Spiegazione. Sono le regole di conversione della dualità: uguaglianza $\to$ variabile libera, vincolo $\le$ in un problema di massimo $\to$ variabile $\ge 0$.
DEA: $n$ unità (DMU) $j$ usano input $x_{ij}$ per produrre output $y_{rj}$; si valuta la DMU $o$. Perché la DEA lascia che ogni DMU scelga i propri pesi $u_r, v_i$, invece di confrontare output e input a prezzi fissi?
Non esistono prezzi comuni: un'inefficienza deve resistere ai pesi più favorevoli
Pesi fissi renderebbero l'LP inammissibile per le DMU più efficienti
I pesi devono essere interi, e i prezzi fissi raramente lo sono
Prezzi fissi renderebbero efficiente ogni DMU, e non resterebbe una classifica
Spiegazione. Se una DMU resta sotto $1$ anche con i pesi a lei più favorevoli, la sua inefficienza non dipende da una scelta arbitraria dei prezzi.
DEA: $n$ unità (DMU) $j$ usano input $x_{ij}$ per produrre output $y_{rj}$; si valuta la DMU $o$. Nella forma dei moltiplicatori CCR, quali grandezze sono le variabili decisionali dell'LP risolto per la DMU $o$?
Gli input $x_{ij}$ e gli output $y_{rj}$ di tutte le DMU
Le efficienze di tutte le DMU
Le intensità $\lambda_j$ della DMU virtuale
I pesi degli output $u_r$ e degli input $v_i$
Spiegazione. Nella DEA $x$ e $y$ sono dati; la forma dei moltiplicatori sceglie i pesi, mentre le intensità $\lambda_j$ sono le variabili della forma duale (di inviluppo).
DEA: $n$ unità (DMU) $j$ usano input $x_{ij}$ per produrre output $y_{rj}$; si valuta la DMU $o$. Un input, un output. La DMU 1 usa $x = 2$ per produrre $y = 2$; la DMU 5 usa $x = 2$ per produrre $y = 1$. La DMU 5 ha efficienza BCC $\tilde\theta = 1$ (il suo input non si può contrarre radialmente). È fortemente efficiente?
Sì: $\tilde\theta = 1$ vuol dire fortemente efficiente
No: è debolmente efficiente, con scarto di output $1$
No: la sua efficienza è $0{,}5$
Sì, perché usa l'input più piccolo
Spiegazione. La DMU 1 fa di più con lo stesso input: la seconda fase trova lo scarto di output $\tilde s^+ = 1$. Con $\tilde\theta = 1$ ma uno scarto positivo, la DMU 5 è solo debolmente efficiente.
DEA: $n$ unità (DMU) $j$ usano input $x_{ij}$ per produrre output $y_{rj}$; si valuta la DMU $o$. Caso di studio di 12 filiali bancarie: la filiale 1 ha efficienza CCR $0{,}806$, efficienza BCC $0{,}900$ e, nell'ottimo CCR, $\sum_j\tilde\lambda_j = 0{,}671$. Qual è la diagnosi?
Troppo piccola (rendimenti crescenti) e inefficiente anche tolta la scala
Troppo grande: andrebbe divisa
Efficiente: il punteggio CCR è un artefatto
Efficiente nel modello BCC, quindi solo un problema di scala
Spiegazione. $\sum\tilde\lambda_j < 1$ segnala rendimenti crescenti (troppo piccola); BCC $0{,}90 < 1$ vuol dire che resta un'inefficienza tecnica anche confrontandola con filiali della sua taglia.
DEA: $n$ unità (DMU) $j$ usano input $x_{ij}$ per produrre output $y_{rj}$; si valuta la DMU $o$. Caso di studio: le filiali efficienti CCR sono 2, 7, 9, 10; quelle efficienti BCC sono 2, 3, 6, 7, 8, 9, 10, 12. Che cosa hanno in comune le filiali 3, 6, 8, 12?
Sono inefficienti in ogni modello
Sono peer di tutte le altre filiali
La loro inefficienza CCR è dovuta solo alla scala
Hanno dati sbagliati
Spiegazione. Efficienza BCC $1$ con CCR sotto $1$ vuol dire efficienza di scala $\tilde\theta^{\rm CCR}/\tilde\theta^{\rm BCC} < 1$: lavorano bene per la loro taglia (qui tutte troppo grandi, $\sum\tilde\lambda_j > 1$).
Una banca confronta le sue dodici filiali con la Data Envelopment Analysis (DEA). Perché non basta confrontare quanto spendono?
Perché le filiali hanno la stessa dimensione
Perché i dati sono riservati
Perché la DEA richiede un solo output
Gli output non hanno un prezzo comune
Spiegazione. Prestiti e depositi non hanno un valore relativo concordato, e una filiale grande non è inefficiente solo perché spende di più: la DEA confronta ogni filiale con le migliori pratiche osservate.
Oltre a un indice di efficienza, che cosa impara a leggere nel duale (forma di inviluppo) il capitolo del laboratorio sulla DEA?
I prezzi di mercato degli output
Unità di riferimento e target
Il numero di dipendenti da assumere l'anno dopo
La domanda di ogni unità
Spiegazione. La forma di inviluppo indica i peer ($\tilde\lambda_j > 0$) e, con $\tilde\theta$ e gli scarti, di quanto ridurre ogni input; il BCC separa anche inefficienza tecnica e di scala.
DEA: $n$ unità (DMU) $j$ usano input $x_{ij}$ per produrre output $y_{rj}$; si valuta la DMU $o$. Che cos'è una DMU nella DEA?
Una variabile decisionale dell'LP
Una matrice di dati del modello
Un'unità confrontata con unità simili
L'unità migliore del campione
Spiegazione. Decision Making Unit: filiali, ospedali, scuole... ognuna usa gli stessi tipi di input per produrre gli stessi tipi di output, quindi si possono confrontare.
DEA: $n$ unità (DMU) $j$ usano input $x_{ij}$ per produrre output $y_{rj}$; si valuta la DMU $o$. L'efficienza relativa è il rapporto pesato $\sum_ru_ry_{ro}/\sum_iv_ix_{io}$ con pesi scelti dalla DMU stessa. Quale valore significa «efficiente»?
$1$, il massimo ammesso
$0$, il minimo ammesso
Qualunque valore sopra $1$
La media di tutti i rapporti
Spiegazione. I pesi devono tenere il rapporto di ogni DMU al più $1$; una DMU è efficiente quando, con i pesi a lei più favorevoli, arriva a $1$.
DEA: $n$ unità (DMU) $j$ usano input $x_{ij}$ per produrre output $y_{rj}$; si valuta la DMU $o$. Il modello CCR frazionario massimizza $\sum_ru_ry_{ro}/\sum_iv_ix_{io}$ con ogni rapporto $\le 1$. Perché si può trasformare in un LP (Charnes–Cooper)?
Perché i rapporti valgono sempre 1
Riscalare i pesi non cambia i rapporti
Perché gli input sono interi positivi
Perché gli output sono fissati
Spiegazione. I rapporti non cambiano se tutti i pesi si moltiplicano per lo stesso fattore, quindi si può imporre $\sum_iv_ix_{io} = 1$: l'obiettivo diventa il numeratore e ogni vincolo di rapporto, moltiplicato per il suo denominatore positivo, diventa lineare.
DEA: $n$ unità (DMU) $j$ usano input $x_{ij}$ per produrre output $y_{rj}$; si valuta la DMU $o$. Forma di inviluppo CCR orientata all'input: $\min\theta$ soggetto a $\sum_j\lambda_jx_{ij} \le \theta x_{io}$, $\sum_j\lambda_jy_{rj} \ge y_{ro}$, $\lambda_j \ge 0$. Perché vale sempre $\tilde\theta \le 1$?
Perché gli output sono positivi
Perché ogni $\lambda_j \le 1$ per costruzione
La DMU da sola è ammissibile
Per la normalizzazione degli input
Spiegazione. La DMU stessa, presa da sola, è un'unità virtuale ammissibile con $\theta = 1$; minimizzando si può solo fare uguale o meglio, quindi $\tilde\theta \le 1$.
DEA: $n$ unità (DMU) $j$ usano input $x_{ij}$ per produrre output $y_{rj}$; si valuta la DMU $o$. Forma di inviluppo CCR orientata all'input: $\min\theta$ soggetto a $\sum_j\lambda_jx_{ij} \le \theta x_{io}$, $\sum_j\lambda_jy_{rj} \ge y_{ro}$, $\lambda_j \ge 0$. Nella forma di inviluppo CCR, $\sum_j\tilde\lambda_j < 1$ suggerisce rendimenti crescenti (DMU troppo piccola) e $> 1$ decrescenti. Sotto quale condizione vale questa lettura?
Quando l'ottimo è unico
Sempre, qualunque sia la soluzione ottima
Solo quando $\tilde\theta = 1$
Solo con un solo output
Spiegazione. Con più $\lambda$ ottimi la loro somma può cambiare da una soluzione all'altra, e il verso dell'inefficienza di scala sarebbe ambiguo.
DEA: $n$ unità (DMU) $j$ usano input $x_{ij}$ per produrre output $y_{rj}$; si valuta la DMU $o$. Forma di inviluppo CCR orientata all'input: $\min\theta$ soggetto a $\sum_j\lambda_jx_{ij} \le \theta x_{io}$, $\sum_j\lambda_jy_{rj} \ge y_{ro}$, $\lambda_j \ge 0$. Dopo la contrazione radiale, una seconda fase calcola gli scarti $s_i^-$, $s_r^+$ a $\tilde\theta$ fissato. Quali sono i target della DMU $o$?
$\hat x_{io} = x_{io}$, $\hat y_{ro} = y_{ro}$
$\hat x_{io} = x_{io} - s_i^-$, output invariati
Solo $\hat x_{io} = \tilde\theta x_{io}$, output invariati
$\tilde\theta x_{io} - s_i^-$ e $y_{ro} + s_r^+$
Spiegazione. Prima la contrazione radiale di $\tilde\theta$, poi si toglie lo scarto residuo di ogni input e si aggiunge lo scarto di ogni output.
DEA: $n$ unità (DMU) $j$ usano input $x_{ij}$ per produrre output $y_{rj}$; si valuta la DMU $o$. Forma di inviluppo CCR orientata all'input: $\min\theta$ soggetto a $\sum_j\lambda_jx_{ij} \le \theta x_{io}$, $\sum_j\lambda_jy_{rj} \ge y_{ro}$, $\lambda_j \ge 0$. Quando una DMU è **fortemente** efficiente?
Quando $\tilde\theta = 1$, qualunque siano gli scarti
$\tilde\theta = 1$ e nessuno scarto
Quando è peer di un'altra DMU del campione
Quando i suoi scarti sono positivi
Spiegazione. Con $\tilde\theta = 1$ ma uno scarto positivo la DMU è solo debolmente efficiente: non può ridurre tutti gli input in proporzione, ma un'altra unità fa lo stesso con meno di qualche input.
DEA: $n$ unità (DMU) $j$ usano input $x_{ij}$ per produrre output $y_{rj}$; si valuta la DMU $o$. Cinque DMU con un input e un output: $x = (2, 4, 6, 5, 2)$, $y = (2, 6, 7, 3, 1)$. Quanto vale l'efficienza CCR della DMU 1, con un input e un output?
$0{,}67$
$1{,}00$
$0{,}40$
$0{,}50$
Spiegazione. Con un input e un output l'efficienza CCR è $y/x$ diviso per il rapporto migliore, $6/4 = 1{,}5$ (DMU 2): $(2/2)/1{,}5 = 0{,}667$.
DEA: $n$ unità (DMU) $j$ usano input $x_{ij}$ per produrre output $y_{rj}$; si valuta la DMU $o$. Cinque DMU con un input e un output: $x = (2, 4, 6, 5, 2)$, $y = (2, 6, 7, 3, 1)$. Nella forma di inviluppo CCR per la DMU 1, l'unico peer è la DMU 2. Quanto vale $\tilde\lambda_2$?
$1$
$2/3$
$1/3$
$1/2$
Spiegazione. L'unità virtuale $\lambda_2(4, 6)$ deve produrre l'output della DMU 1: $6\lambda_2 = 2$, quindi $\lambda_2 = 1/3$, e usa $4/3 = 0{,}667\cdot 2$ di input, cioè $\tilde\theta = 0{,}667$.
DEA: $n$ unità (DMU) $j$ usano input $x_{ij}$ per produrre output $y_{rj}$; si valuta la DMU $o$. Cinque DMU con un input e un output: $x = (2, 4, 6, 5, 2)$, $y = (2, 6, 7, 3, 1)$. La DMU 5 ($x = 2$, $y = 1$) ha $\tilde\theta^{\rm BCC} = 1$ ma uno scarto di output $\tilde s^+ = 1$ nella seconda fase. Perché?
È la DMU più efficiente
La DMU 1 fa meglio con esso
Il suo input si potrebbe dimezzare
È solo un errore numerico
Spiegazione. Nessuna combinazione convessa usa meno di 2 unità di input, quindi $\tilde\theta = 1$; ma la DMU 1 fa meglio con lo stesso input: la DMU 5 è solo debolmente efficiente.
DEA: $n$ unità (DMU) $j$ usano input $x_{ij}$ per produrre output $y_{rj}$; si valuta la DMU $o$. Caso della banca: 12 filiali, input personale (FTE) e costi operativi, output prestiti e depositi. Come si ottengono i dati delle dodici filiali nel caso di studio?
Dal bilancio di una banca reale
Da un sondaggio fra i direttori
Generati dallo script con un seme fisso
Copiati a mano dalla dispensa
Spiegazione. Sono sintetici ma realistici: una funzione di produzione a rendimenti di scala decrescenti più un'inefficienza casuale per filiale, generati con un seme fisso e salvati in un file CSV.
DEA: $n$ unità (DMU) $j$ usano input $x_{ij}$ per produrre output $y_{rj}$; si valuta la DMU $o$. Caso della banca: 12 filiali, input personale (FTE) e costi operativi, output prestiti e depositi. Quanti input, output e DMU ha il caso di studio?
$m = 2$, $p = 2$, $n = 12$
$m = 1$, $p = 1$, $n = 12$
$m = 2$, $p = 1$, $n = 5$
$m = 12$, $p = 2$, $n = 2$
Spiegazione. Personale (FTE) e costi operativi come input, prestiti e depositi come output, dodici filiali: ogni LP di inviluppo ha al più 16 variabili e 13 vincoli.
DEA: $n$ unità (DMU) $j$ usano input $x_{ij}$ per produrre output $y_{rj}$; si valuta la DMU $o$. Caso della banca: 12 filiali, input personale (FTE) e costi operativi, output prestiti e depositi. Perché i dati del caso della banca sono generati con rendimenti di scala decrescenti?
Per rendere efficiente ogni filiale
Per rendere più piccoli gli LP
Perché lo richiede il CCR
Perché CCR e BCC differiscano
Spiegazione. Con rendimenti non costanti le filiali grandi sembrano inefficienti nel CCR ma possono essere efficienti nel BCC: il caso mostra la distanza fra efficienza tecnica e di scala.
DEA: $n$ unità (DMU) $j$ usano input $x_{ij}$ per produrre output $y_{rj}$; si valuta la DMU $o$. Caso della banca: 12 filiali, input personale (FTE) e costi operativi, output prestiti e depositi. La filiale 7 è la più piccola (9 FTE, 640 k€ di costi) ed è peer di cinque filiali inefficienti. Che cosa vuol dire «peer»?
Una filiale con la stessa efficienza
Un'unità con $\tilde\lambda_j > 0$ nell'unità virtuale
Una filiale della stessa dimensione
La filiale con i costi più bassi
Spiegazione. I peer sono le unità efficienti che compongono l'unità virtuale della DMU $o$ nella forma di inviluppo: sono i suoi riferimenti.
DEA: $n$ unità (DMU) $j$ usano input $x_{ij}$ per produrre output $y_{rj}$; si valuta la DMU $o$. Forma di inviluppo CCR orientata all'input: $\min\theta$ soggetto a $\sum_j\lambda_jx_{ij} \le \theta x_{io}$, $\sum_j\lambda_jy_{rj} \ge y_{ro}$, $\lambda_j \ge 0$. Nella funzione gurobipy `inviluppo` la variabile `theta` si crea con `lb=-GRB.INFINITY`. Perché?
Perché $\theta$ deve essere negativa
Perché Gurobi vuole un obiettivo libero
$\theta$ è libera nel modello
Per ammettere $\theta > 1$
Spiegazione. Nella forma di inviluppo $\theta$ è una variabile libera; vincoli e $\lambda_o = 1$ danno comunque $0 < \tilde\theta \le 1$. Dimenticare `lb` qui imporrebbe solo un innocuo $\theta \ge 0$, ma il modello dichiara ciò che afferma.
DEA: $n$ unità (DMU) $j$ usano input $x_{ij}$ per produrre output $y_{rj}$; si valuta la DMU $o$. Forma di inviluppo CCR orientata all'input: $\min\theta$ soggetto a $\sum_j\lambda_jx_{ij} \le \theta x_{io}$, $\sum_j\lambda_jy_{rj} \ge y_{ro}$, $\lambda_j \ge 0$. La funzione `inviluppo(X, Y, o, vrs=False)` aggiunge `lam.sum() == 1` quando `vrs=True`. Quale modello risolve allora?
Il BCC, a rendimenti di scala variabili
Il CCR, a rendimenti costanti
La forma dei moltiplicatori
La seconda fase degli scarti
Spiegazione. Il vincolo di convessità $\sum_j\lambda_j = 1$ rende l'unità virtuale una combinazione convessa delle unità osservate: il modello BCC.
DEA: $n$ unità (DMU) $j$ usano input $x_{ij}$ per produrre output $y_{rj}$; si valuta la DMU $o$. Forma di inviluppo CCR orientata all'input: $\min\theta$ soggetto a $\sum_j\lambda_jx_{ij} \le \theta x_{io}$, $\sum_j\lambda_jy_{rj} \ge y_{ro}$, $\lambda_j \ge 0$. Per ogni filiale lo script risolve sia la forma di inviluppo sia quella dei moltiplicatori, con un `assert` che i due valori ottimi coincidano. Che cosa controlla?
Che i dati siano positivi
Che ogni filiale sia efficiente
Che il solver sia abbastanza veloce
La dualità forte fra le due forme
Spiegazione. Le due forme sono una coppia primale-duale: valori ottimi uguali (e il prezzo ombra della normalizzazione pari a $\tilde\theta$) verificano numericamente la dualità forte.
DEA: $n$ unità (DMU) $j$ usano input $x_{ij}$ per produrre output $y_{rj}$; si valuta la DMU $o$. Forma di inviluppo CCR orientata all'input: $\min\theta$ soggetto a $\sum_j\lambda_jx_{ij} \le \theta x_{io}$, $\sum_j\lambda_jy_{rj} \ge y_{ro}$, $\lambda_j \ge 0$. Nello script si costruisce e risolve un LP di inviluppo per ogni DMU. Che cosa cambia da una DMU $o$ all'altra?
Tutto l'insieme dei vincoli
Solo i termini della DMU $o$
Il numero di variabili
Il verso dell'obiettivo
Spiegazione. La matrice delle unità osservate è la stessa; cambiano solo i termini con $x_{io}$ e $y_{ro}$, quindi una sola funzione chiamata con `o` diversi costruisce i dodici LP.
DEA: $n$ unità (DMU) $j$ usano input $x_{ij}$ per produrre output $y_{rj}$; si valuta la DMU $o$. Caso della banca: 12 filiali, input personale (FTE) e costi operativi, output prestiti e depositi. Filiale 6: CCR $0{,}76$, BCC $1{,}00$, somma dei $\tilde\lambda_j$ $= 1{,}924$ (unico peer: la filiale 7). Che cosa raccomanda la dispensa?
Tagliare il personale del 24%
Chiudere la filiale
Valutare di dividerla in due
Nulla: è efficiente
Spiegazione. Efficienza BCC 1 vuol dire nessuna inefficienza tecnica; il divario CCR è tutto di scala, e una somma dei $\lambda$ sopra 1 segnala rendimenti decrescenti: la filiale è troppo grande.
DEA: $n$ unità (DMU) $j$ usano input $x_{ij}$ per produrre output $y_{rj}$; si valuta la DMU $o$. Caso della banca: 12 filiali, input personale (FTE) e costi operativi, output prestiti e depositi. Filiale 1: CCR $0{,}8055$, BCC $0{,}90$, somma dei $\tilde\lambda_j = 0{,}671$; dopo la seconda fase il target dei costi è $463{,}2$ k€ contro $720$ attuali. Qual è la sua situazione?
Troppo piccola e inefficiente
Troppo grande, ma tecnicamente efficiente
Efficiente in entrambi i modelli
Inefficiente solo negli output
Spiegazione. Una somma dei $\lambda$ sotto 1 indica rendimenti crescenti (troppo piccola), e BCC $< 1$ indica anche inefficienza tecnica; dopo la contrazione radiale resta uno scarto di costi di $116{,}8$ k€.
DEA: $n$ unità (DMU) $j$ usano input $x_{ij}$ per produrre output $y_{rj}$; si valuta la DMU $o$. Forma di inviluppo CCR orientata all'input: $\min\theta$ soggetto a $\sum_j\lambda_jx_{ij} \le \theta x_{io}$, $\sum_j\lambda_jy_{rj} \ge y_{ro}$, $\lambda_j \ge 0$. Filiale 6 ($\tilde\theta = 0{,}76$): il prezzo ombra del vincolo dei depositi è $0{,}0104$, uguale al peso ottimo $\tilde u_2$ della forma dei moltiplicatori. Perché questi prezzi sono non negativi?
Perché gli output sono numeri positivi
Perché $\theta \le 1$
Perché l'LP è degenere
Un $\ge$ in un minimo non abbassa $\tilde\theta$
Spiegazione. Alzare l'output richiesto restringe la regione ammissibile, e in un minimo l'ottimo non può migliorare: $\tilde\theta$ sale di $0{,}0104$ per milione di depositi (verificato per perturbazione).
DEA: $n$ unità (DMU) $j$ usano input $x_{ij}$ per produrre output $y_{rj}$; si valuta la DMU $o$. Forma di inviluppo CCR orientata all'input: $\min\theta$ soggetto a $\sum_j\lambda_jx_{ij} \le \theta x_{io}$, $\sum_j\lambda_jy_{rj} \ge y_{ro}$, $\lambda_j \ge 0$. Togliendo la filiale 7 (peer di cinque filiali) e ricalcolando il CCR, cinque filiali cambiano efficienza e le filiali 3 e 8 diventano efficienti. Che cosa raccomanda la dispensa?
Togliere definitivamente la filiale 7
Controllare i dati dei peer più citati
Ignorare il risultato: la DEA è stabile
Usare d'ora in poi solo il BCC
Spiegazione. La DEA misura l'efficienza relativa alle unità osservate: una sola unità di frontiera può cambiare molti giudizi, quindi un errore di registrazione la renderebbe «troppo brava».
Newsvendor: un prodotto si compra al costo $c$, si vende al prezzo $p$ e le unità invendute si recuperano a $v < c$. Quanto valgono il costo di underage $c_u$ (per unità di domanda non servita) e di overage $c_o$ (per unità invenduta)?
$c_u = p$, $c_o = c$
$c_u = p - c$, $c_o = c - v$
$c_u = c - v$, $c_o = p - c$
$c_u = p - v$, $c_o = c$
Spiegazione. Underage = margine perso $p - c$; overage = costo di un'unità invenduta al netto del valore di recupero, $c - v$.
Newsvendor: quantità ordinata $q$ prima di osservare la domanda aleatoria $D$ (funzione di ripartizione $F$); costo unitario di underage $c_u$ (domanda non servita) e di overage $c_o$ (unità invenduta); si minimizza $c_o\mathbb E[(q - D)^+] + c_u\mathbb E[(D - q)^+]$. Se restare a corto costa molto più che avanzare ($c_u \gg c_o$), la quantità ottima $\tilde q$ è:
la domanda media $\mathbb E[D]$
un quantile basso della domanda
zero
un quantile alto della domanda
Spiegazione. $\alpha = c_u/(c_u + c_o)$ è vicino a $1$ e $\tilde q = F^{-1}(\alpha)$. Con i deperibili ($c_o$ alto) si ordina poco.
Newsvendor: quantità ordinata $q$ prima di osservare la domanda aleatoria $D$ (funzione di ripartizione $F$); costo unitario di underage $c_u$ (domanda non servita) e di overage $c_o$ (unità invenduta); si minimizza $c_o\mathbb E[(q - D)^+] + c_u\mathbb E[(D - q)^+]$. LP a scenari: domanda $d_s$ con probabilità $\pi_s$; l'overage è una variabile $o_s$ con $o_s \ge q - d_s$, $o_s \ge 0$ e termine $\pi_sc_oo_s$ nel costo da minimizzare. Perché all'ottimo vale $o_s = (q - d_s)^+$ senza variabili binarie?
Il suo costo positivo spinge $o_s$ giù fino al maggiore dei suoi due limiti inferiori
Perché all'ottimo $q$ è maggiore di ogni domanda $d_s$
Perché Gurobi linearizza il $\max$ in automatico
Perché gli scenari sono equiprobabili
Spiegazione. Questo trucco delle parti positive ritorna identico nel CVaR (gli eccessi $\xi_s$) e nella regressione quantile.
Newsvendor: quantità ordinata $q$ prima di osservare la domanda aleatoria $D$ (funzione di ripartizione $F$); costo unitario di underage $c_u$ (domanda non servita) e di overage $c_o$ (unità invenduta); si minimizza $c_o\mathbb E[(q - D)^+] + c_u\mathbb E[(D - q)^+]$. Che cosa misura il valore della soluzione stocastica (VSS)?
Il valore atteso di una previsione perfetta della domanda
Il costo atteso dell'ordine ottimo $\tilde q$
Costo atteso di ordinare $\mathbb E[D]$ meno costo atteso di $\tilde q$
La varianza del costo all'ordine ottimo
Spiegazione. Il VSS è il guadagno di modellare l'incertezza invece di inserire la media: nel caso di studio $11{,}17$ € per ciclo, l'$11\%$ del costo.
Newsvendor: quantità ordinata $q$ prima di osservare la domanda aleatoria $D$ (funzione di ripartizione $F$); costo unitario di underage $c_u$ (domanda non servita) e di overage $c_o$ (unità invenduta); si minimizza $c_o\mathbb E[(q - D)^+] + c_u\mathbb E[(D - q)^+]$. Nel caso di studio, con $\tilde q = 110$ la probabilità di non andare in rottura, $\mathbb P(D \le \tilde q)$, è $69\%$, mentre il fill rate (quota attesa di domanda servita) è $96\%$. Che cosa mostra?
Che il modello newsvendor è sbagliato
Che livello di servizio di ciclo e fill rate sono misure diverse
Che il fill rate è sempre il minore dei due
Che $\tilde q$ dovrebbe essere la domanda media
Spiegazione. Le due misure sono spesso confuse nei contratti: promettere il $95\%$ di probabilità di copertura piena costa $45{,}59$ € in più per ciclo, promettere un fill rate del $95\%$ è quasi gratis.
Newsvendor: quantità ordinata $q$ prima di osservare la domanda aleatoria $D$ (funzione di ripartizione $F$); costo unitario di underage $c_u$ (domanda non servita) e di overage $c_o$ (unità invenduta); si minimizza $c_o\mathbb E[(q - D)^+] + c_u\mathbb E[(D - q)^+]$. Tre scenari di domanda equiprobabili $D \in \{80, 100, 120\}$, $c_u = 9$, $c_o = 4$. Qual è la quantità ottima?
$100$, la domanda media
$80$, lo scenario più piccolo
$110$, fra i due più grandi
$120$, lo scenario più grande
Spiegazione. $\alpha = 9/13 = 0{,}6923$ e $F(100) = 2/3 < \alpha$: il più piccolo $q$ con $F(q) \ge \alpha$ è $120$. Verifica: $C(120) = 80$ contro $C(100) = 86{,}7$.
Newsvendor: quantità ordinata $q$ prima di osservare la domanda aleatoria $D$ (funzione di ripartizione $F$); costo unitario di underage $c_u$ (domanda non servita) e di overage $c_o$ (unità invenduta); si minimizza $c_o\mathbb E[(q - D)^+] + c_u\mathbb E[(D - q)^+]$. $F$ è continua. Quale enunciato è la regola del quantile per la quantità ottima $\tilde q$?
Newsvendor: quantità ordinata $q$ prima di osservare la domanda aleatoria $D$ (funzione di ripartizione $F$); costo unitario di underage $c_u$ (domanda non servita) e di overage $c_o$ (unità invenduta); si minimizza $c_o\mathbb E[(q - D)^+] + c_u\mathbb E[(D - q)^+]$. Quale argomento e quali ipotesi danno la regola del quantile $F(\tilde q) = c_u/(c_u + c_o)$?
Unità marginale: rende $c_u$ con prob. $1 - F(q)$, costa $c_o$ con prob. $F(q)$; $F$ continua
La dualità forte degli LP applicata al modello a scenari; $F$ discreta
Annullare la derivata del costo atteso; $D$ normale
Unità marginale: rende $c_u$ con prob. $F(q)$, costa $c_o$ con prob. $1 - F(q)$
Spiegazione. Conviene ordinare un'unità in più finché $c_u(1 - F(q)) \ge c_oF(q)$; la continuità di $F$ rende raggiungibile l'uguaglianza. Non serve la normalità; con domanda discreta si prende il più piccolo $q$ con $F(q) \ge \alpha$.
Newsvendor: quantità ordinata $q$ prima di osservare la domanda aleatoria $D$ (funzione di ripartizione $F$); costo unitario di underage $c_u$ (domanda non servita) e di overage $c_o$ (unità invenduta); si minimizza $c_o\mathbb E[(q - D)^+] + c_u\mathbb E[(D - q)^+]$. LP a scenari con domande $d_s$ di probabilità $\pi_s$ e variabili di overage $o_s \ge q - d_s$, $o_s \ge 0$. Che cosa serve perché all'ottimo valga $o_s = (q - d_s)^+$?
Che ogni scenario abbia domanda maggiore di $q$
Che il coefficiente $\pi_s\,c_o$ di $o_s$ nell'obiettivo da minimizzare sia positivo
Che $o_s$ sia dichiarata come variabile libera
Che il problema sia di massimo
Spiegazione. Se $\pi_sc_o > 0$, ogni $o_s$ sopra $\max\{q - d_s, 0\}$ si potrebbe abbassare riducendo il costo. Con coefficiente nullo o negativo il trucco non funziona.
Newsvendor: quantità ordinata $q$ prima di osservare la domanda aleatoria $D$ (funzione di ripartizione $F$); costo unitario di underage $c_u$ (domanda non servita) e di overage $c_o$ (unità invenduta); si minimizza $c_o\mathbb E[(q - D)^+] + c_u\mathbb E[(D - q)^+]$. Caso della panetteria: $p = 15$, $c = 6$, recupero $v = 2$ €, domanda normale con media $100$ e deviazione standard $20$. L'ordine ottimo è $\tilde q = 110{,}05$. Perché sopra la media?
Perché la distribuzione normale è asimmetrica a destra
Perché il valore di recupero è positivo
Perché $\alpha = c_u/(c_u + c_o) = 9/13 > 1/2$
Perché $c_o > c_u$
Spiegazione. $c_u = p - c = 9$, $c_o = c - v = 4$: restare a corto costa di più, quindi il rapporto critico supera un mezzo e $\tilde q = F^{-1}(0{,}6923)$ sta sopra la mediana $100$.
Newsvendor: quantità ordinata $q$ prima di osservare la domanda aleatoria $D$ (funzione di ripartizione $F$); costo unitario di underage $c_u$ (domanda non servita) e di overage $c_o$ (unità invenduta); si minimizza $c_o\mathbb E[(q - D)^+] + c_u\mathbb E[(D - q)^+]$. La domanda è normale con media $m$ e deviazione standard $\sigma$, quindi $\tilde q = m + z\,\sigma$ con $z = \Phi^{-1}(\alpha)$ ($\Phi$ = funzione di ripartizione normale standard, $\alpha = c_u/(c_u + c_o)$). Quando la scorta di sicurezza $z\sigma$ è positiva?
Quando $c_u > c_o$, cioè $\alpha > 1/2$
Quando $c_o > c_u$, cioè $\alpha < 1/2$
Sempre, perché $\sigma > 0$
Solo quando il valore di recupero è nullo
Spiegazione. $\Phi^{-1}(\alpha) > 0$ esattamente quando $\alpha > 1/2$; con overage costoso ($c_o > c_u$) si ordina sotto la media.
Newsvendor: quantità ordinata $q$ prima di osservare la domanda aleatoria $D$ (funzione di ripartizione $F$); costo unitario di underage $c_u$ (domanda non servita) e di overage $c_o$ (unità invenduta); si minimizza $c_o\mathbb E[(q - D)^+] + c_u\mathbb E[(D - q)^+]$. Una panetteria avversa al rischio minimizza $(1-\lambda)\,\mathbb E[\text{costo}] + \lambda\,\mathrm{CVaR}_{0{,}90}(\text{costo})$. Nel caso di studio, quando $\lambda$ va da $0$ a $1$, come cambia l'ordine?
Scende da $108{,}6$ a $101{,}2$: avversione al rischio vuol dire ordinare meno
Resta $108{,}6$: il CVaR non dipende da $q$
Scende a zero: non ordinare elimina ogni rischio
Sale da $108{,}6$ a $116{,}2$: gli scenari peggiori sono rotture di stock
Spiegazione. Qui la coda costosa viene dalle rotture di stock ($c_u > c_o$), quindi proteggersi vuol dire ordinare di più: $6{,}5$ € in più in media tagliano di $21{,}4$ € il costo medio del peggior $10\%$.
Newsvendor multiprodotto: tre torte ordinate in quantità $q_i$, costo atteso minimo di overage e underage, con un budget di produzione condiviso $\sum_i c_iq_i \le 1200$ €. All'ottimo il budget è speso tutto e il suo prezzo ombra è $-0{,}553$. Come si legge?
Ogni euro di budget costa $0{,}553$ € di interessi
Un euro di budget in più abbassa il costo atteso di circa $0{,}553$ €
Il budget andrebbe tagliato del $55{,}3\%$
Le torte sono correlate al $55{,}3\%$
Spiegazione. In un problema di minimo un budget $\le$ ha duale non positivo: allentarlo di un euro abbassa il costo atteso ottimo di $0{,}553$ €.
Newsvendor multiprodotto con budget condiviso $\sum_i c_iq_i \le B$ attivo all'ottimo. Rispetto alle quantità ottime di ogni prodotto preso da solo, le quantità con il budget sono:
più alte, per usare tutto il budget
identiche, perché i prodotti sono indipendenti
nulle tranne che per il prodotto più redditizio
più basse: il moltiplicatore del budget agisce come un costo unitario in più
Spiegazione. Con moltiplicatore $\lambda$ la condizione di ottimo di ogni prodotto include il termine $\lambda c_i$, come se il costo d'acquisto fosse più alto: ogni quantità si riduce (nel caso di studio da $111{,}1$ a $99{,}3$ per la prima torta).
Il modello del newsvendor descrive una decisione molto comune. Quale?
Scegliere un prezzo dopo aver osservato la domanda
Ripartire un budget fra canali con rendimenti noti
Instradare flussi su una rete con domande note
Scegliere una quantità prima di osservare la domanda
Spiegazione. Ordinando troppo resta invenduto, troppo poco si perdono vendite: moda, freschi, farmaci, capacità alberghiera, ricambi. È la porta d'ingresso dell'ottimizzazione stocastica: si decide prima e si scopre poi.
Secondo la dispensa del laboratorio, qual è il «risultato netto» che rende il newsvendor didatticamente forte?
La quantità ottima non è la domanda media
La quantità ottima è sempre la domanda media
Ordinare la domanda più grande possibile è sempre ottimo
L'incertezza si può sostituire con il suo valore atteso
Spiegazione. L'ottimo è un quantile della domanda fissato dal rapporto fra i due costi, in generale diverso dalla media; sostituire l'incertezza con la media ha un costo misurabile (il VSS).
Quali strumenti per «decidere prima e scoprire poi» introduce il capitolo del laboratorio sul newsvendor?
Variabili intere e branch-and-bound
Kernel e support vector
Scenari, VSS e misure di rischio
Soltanto i prezzi ombra dei vincoli di capacità
Spiegazione. Il capitolo trasforma il problema stocastico in un LP a scenari, misura il valore di modellare l'incertezza (VSS) e aggiunge livelli di servizio e avversione al rischio (media–CVaR).
Newsvendor: quantità ordinata $q$ scelta prima di osservare la domanda aleatoria $D$ (funzione di ripartizione $F$); costo unitario di underage $c_u$ (domanda non servita) e di overage $c_o$ (unità invenduta); si minimizza $c_o\mathbb E[(q - D)^+] + c_u\mathbb E[(D - q)^+]$. Per quale prodotto ci si aspetta un rapporto critico $c_u/(c_u + c_o)$ basso, quindi un ordine piccolo?
Un ricambio la cui mancanza ferma una linea di produzione
Un deperibile con margine basso e avanzi costosi
Un farmaco che in ospedale non deve mai mancare
Un prodotto molto venduto e con margine alto
Spiegazione. Se l'invenduto costa caro ($c_o$ grande) e il margine perso è piccolo ($c_u$ piccolo), il rapporto è basso e si ordina un quantile basso della domanda; carenze costose spingono l'ordine in alto.
Newsvendor: quantità ordinata $q$ scelta prima di osservare la domanda aleatoria $D$ (funzione di ripartizione $F$); costo unitario di underage $c_u$ (domanda non servita) e di overage $c_o$ (unità invenduta); si minimizza $c_o\mathbb E[(q - D)^+] + c_u\mathbb E[(D - q)^+]$. La regola $F(\tilde q) = c_u/(c_u + c_o)$ suppone $F$ continua. Con una domanda **discreta**, quale $q$ è ottimo?
La media della domanda discreta
Il $q$ con $F(q)$ più vicino a $c_u/(c_u + c_o)$
Il più piccolo $q$ con $F(q) \ge c_u/(c_u + c_o)$
Il più grande $q$ con $F(q) \le c_u/(c_u + c_o)$
Spiegazione. Con i salti di $F$ l'equazione può non avere soluzione; l'argomento marginale (l'unità successiva conviene finché $F(q) < c_u/(c_u + c_o)$) dà il più piccolo $q$ con $F(q) \ge c_u/(c_u + c_o)$, come nell'esempio a tre scenari della dispensa.
Newsvendor: quantità ordinata $q$ scelta prima di osservare la domanda aleatoria $D$ (funzione di ripartizione $F$); costo unitario di underage $c_u$ (domanda non servita) e di overage $c_o$ (unità invenduta); si minimizza $c_o\mathbb E[(q - D)^+] + c_u\mathbb E[(D - q)^+]$. Tre scenari equiprobabili $D \in \{80, 100, 120\}$, $c_u = 9$, $c_o = 4$. Quanto vale il costo atteso se si ordina la media, $q = 100$?
$80{,}0$
$86{,}7$
$180{,}0$
$100{,}0$
Spiegazione. $C(100) = \tfrac13[4\cdot 20 + 0 + 9\cdot 20] = 260/3 \approx 86{,}7$, più di $C(120) = 80$ all'ottimo: ordinare la media costa $6{,}7$ in più.
Newsvendor: quantità ordinata $q$ scelta prima di osservare la domanda aleatoria $D$ (funzione di ripartizione $F$); costo unitario di underage $c_u$ (domanda non servita) e di overage $c_o$ (unità invenduta); si minimizza $c_o\mathbb E[(q - D)^+] + c_u\mathbb E[(D - q)^+]$. Tre scenari equiprobabili $D \in \{80, 100, 120\}$ con $c_u = 9$, $c_o = 4$, quindi $\alpha^* = 9/13 \approx 0{,}692$. Perché $q = 100$ non è ottimo secondo la regola del quantile discreta?
Perché $100$ è la media, mai ottima
Perché $F(100) = 1/3$ è molto sotto $\alpha^*$
Perché $F(100) = 1 > \alpha^*$
Perché $F(100) = 2/3 \approx 0{,}667 < \alpha^*$
Spiegazione. La regola prende il più piccolo $q$ con $F(q) \ge 0{,}692$: $F(80) = 1/3$, $F(100) = 2/3 < 0{,}692$, $F(120) = 1$, quindi $\tilde q = 120$, coerente con il confronto diretto dei costi.
Newsvendor: quantità ordinata $q$ scelta prima di osservare la domanda aleatoria $D$ (funzione di ripartizione $F$); costo unitario di underage $c_u$ (domanda non servita) e di overage $c_o$ (unità invenduta); si minimizza $c_o\mathbb E[(q - D)^+] + c_u\mathbb E[(D - q)^+]$. Tre scenari equiprobabili $D \in \{80, 100, 120\}$, $c_u = 9$, $c_o = 4$: l'ottimo è $q = 120$, lo scenario più grande, benché la media sia 100. Qual è la lettura manageriale?
Restare corti costa più che restare lunghi
I dati della domanda sono sbagliati
L'invenduto qui non costa nulla
La media è sempre una scelta troppo prudente
Spiegazione. Con $c_u = 9$ contro $c_o = 4$ ogni unità mancante pesa più del doppio di una invenduta, quindi si copre lo scenario alto; l'incertezza si gestisce, non si ignora.
Newsvendor: quantità ordinata $q$ scelta prima di osservare la domanda aleatoria $D$ (funzione di ripartizione $F$); costo unitario di underage $c_u$ (domanda non servita) e di overage $c_o$ (unità invenduta); si minimizza $c_o\mathbb E[(q - D)^+] + c_u\mathbb E[(D - q)^+]$. Panetteria: $c_u = 9$, $c_o = 4$, domanda normale con media $100$ e deviazione standard $20$; $\tilde q = 110{,}05$. Il costo atteso è $91{,}43$ € in $\tilde q$ e $103{,}72$ € in $q = 100$. Che cosa mostra il confronto?
Che il modello normale qui è inadeguato
Che ordinare la media costa circa $12$ € in più a ciclo
Che le due quantità sono equivalenti
Che l'ottimo dovrebbe stare sotto la media
Spiegazione. Ordinare il 69º percentile invece della media fa risparmiare $103{,}72 - 91{,}43 \approx 12{,}3$ € a ciclo: il guadagno della regola del quantile.
Newsvendor: quantità ordinata $q$ scelta prima di osservare la domanda aleatoria $D$ (funzione di ripartizione $F$); costo unitario di underage $c_u$ (domanda non servita) e di overage $c_o$ (unità invenduta); si minimizza $c_o\mathbb E[(q - D)^+] + c_u\mathbb E[(D - q)^+]$. Caso della panetteria: la $q$ ottima si stima da $k$ scenari di domanda campionati, con 30 repliche per ogni $k$. Che cosa succede con pochi scenari?
La stima è distorta verso la media
La stima è esatta ma lenta da calcolare
L'LP diventa inammissibile
La decisione è instabile
Spiegazione. Gli scenari sono anch'essi un campione, e la decisione eredita la loro varianza: sotto i 100 scenari circa la $q$ ottima balla di $\pm 3$ unità fra una replica e l'altra.
LP a scenari del newsvendor: domande $d_s$ con probabilità $\pi_s$ ($s = 1, \dots, k$); variabili $q \ge 0$, eccedenza $o_s \ge q - d_s$ e carenza $u_s \ge d_s - q$, con $o_s, u_s \ge 0$; si minimizza $\sum_s\pi_s(c_oo_s + c_uu_s)$. Con $k = 600$ scenari equiprobabili l'LP dà $q = 108{,}61$ e il quantile empirico al $69{,}23\%$ degli scenari è $108{,}60$. Perché coincidono?
Un teorema: l'LP dà un quantile empirico
Per caso: con altri dati sarebbero diversi
Perché gli scenari sono estratti da una normale
Perché l'LP arrotonda $q$ allo scenario più vicino
Spiegazione. L'LP a scenari minimizza il costo atteso sotto la distribuzione empirica, e a essa si applica la regola del quantile: l'ottimo è un quantile empirico al rapporto critico (qui $9/13$).
LP a scenari del newsvendor: domande $d_s$ con probabilità $\pi_s$ ($s = 1, \dots, k$); variabili $q \ge 0$, eccedenza $o_s \ge q - d_s$ e carenza $u_s \ge d_s - q$, con $o_s, u_s \ge 0$; si minimizza $\sum_s\pi_s(c_oo_s + c_uu_s)$. Quante variabili e quanti vincoli (oltre alle non negatività) ha l'LP con $k$ scenari?
$k$ variabili e $k$ vincoli
$2k$ variabili e $k + 1$ vincoli
$2k + 1$ variabili e $2k$ vincoli
$k + 1$ variabili e $2k$ vincoli
Spiegazione. Variabili: $q$ più $o_s$ e $u_s$ per ogni scenario; vincoli: una definizione di eccedenza e una di carenza per scenario. L'unica vera decisione è $q$.
Newsvendor: quantità ordinata $q$ scelta prima di osservare la domanda aleatoria $D$ (funzione di ripartizione $F$); costo unitario di underage $c_u$ (domanda non servita) e di overage $c_o$ (unità invenduta); si minimizza $c_o\mathbb E[(q - D)^+] + c_u\mathbb E[(D - q)^+]$. Caso della panetteria ($\tilde q = 110$): un livello di servizio di ciclo del $95\%$ ($\mathbb P(D \le q) = 0{,}95$) richiede $q = 132{,}9$ e costa $+45{,}59$ € a ciclo. Quanto costa un **fill rate** del $95\%$ (quota di domanda servita in media)?
Quasi nulla: in $\tilde q$ il fill rate è già del $96\%$
Gli stessi $45{,}59$ €: le due misure coincidono
Di più, perché il fill rate è più severo
Non si può calcolare con questo modello
Spiegazione. In $\tilde q$ la probabilità di non andare in rottura è solo il $69\%$ ma il fill rate è già del $96\%$: promettere il 95% di fill rate è quasi gratis, promettere il 95% di probabilità di copertura totale costa caro. Lo SLA va letto bene.
Newsvendor: quantità ordinata $q$ scelta prima di osservare la domanda aleatoria $D$ (funzione di ripartizione $F$); costo unitario di underage $c_u$ (domanda non servita) e di overage $c_o$ (unità invenduta); si minimizza $c_o\mathbb E[(q - D)^+] + c_u\mathbb E[(D - q)^+]$. Caso della panetteria: livelli di servizio di ciclo del $90\%$, $95\%$, $99\%$ richiedono $q = 125{,}6$, $132{,}9$, $146{,}5$ e costano $+23{,}4$, $+45{,}6$, $+95{,}6$ € a ciclo rispetto all'ottimo economico. Come cresce il costo?
Linearmente nel livello di servizio
Diminuisce oltre il $95\%$
Sempre più in fretta verso il 100%
Non dipende dal livello di servizio
Spiegazione. Ogni punto di servizio in più richiede un quantile più alto della domanda, nella coda destra sottile: il costo aggiuntivo quasi raddoppia da 90% a 95% e di nuovo a 99%.
Newsvendor: quantità ordinata $q$ scelta prima di osservare la domanda aleatoria $D$ (funzione di ripartizione $F$); costo unitario di underage $c_u$ (domanda non servita) e di overage $c_o$ (unità invenduta); si minimizza $c_o\mathbb E[(q - D)^+] + c_u\mathbb E[(D - q)^+]$. Nell'ordine ottimo $\tilde q$ della regola del quantile, qual è la probabilità di **non** andare in rottura, $\mathbb P(D \le \tilde q)$?
$1/2$, perché $\tilde q$ è la mediana
$c_o/(c_u + c_o)$
$1$: l'ottimo non va mai in rottura
$c_u/(c_u + c_o)$
Spiegazione. Per definizione $F(\tilde q) = c_u/(c_u + c_o)$: il livello di servizio di ciclo dell'ottimo economico è il rapporto critico ($69\%$ nella panetteria). Chiedere di più costa.
Newsvendor: quantità ordinata $q$ scelta prima di osservare la domanda aleatoria $D$ (funzione di ripartizione $F$); costo unitario di underage $c_u$ (domanda non servita) e di overage $c_o$ (unità invenduta); si minimizza $c_o\mathbb E[(q - D)^+] + c_u\mathbb E[(D - q)^+]$. Una panetteria avversa al rischio minimizza $(1-\lambda)\mathbb E[\text{costo}] + \lambda\,\mathrm{CVaR}_{0{,}90}(\text{costo})$. Con $\lambda = 0$: costo medio $88{,}33$, CVaR $245{,}93$; con $\lambda = 0{,}25$: $90{,}37$ e $229{,}29$; con $\lambda = 1$: $94{,}87$ e $224{,}56$. Che cosa mostrano i numeri?
La protezione cresce linearmente con $\lambda$
Gran parte arriva già con $\lambda = 0{,}25$
Il CVaR non dipende da $\lambda$
Con $\lambda = 1$ il costo medio diminuisce
Spiegazione. Da $\lambda = 0$ a $0{,}25$ il CVaR scende di $16{,}6$ € per $2$ € di costo medio; andare fino a $\lambda = 1$ fa guadagnare meno di $5$ € in più: la frontiera è ripida all'inizio e piatta dopo.
Newsvendor: quantità ordinata $q$ scelta prima di osservare la domanda aleatoria $D$ (funzione di ripartizione $F$); costo unitario di underage $c_u$ (domanda non servita) e di overage $c_o$ (unità invenduta); si minimizza $c_o\mathbb E[(q - D)^+] + c_u\mathbb E[(D - q)^+]$. Perché il capitolo sul newsvendor aggiunge un termine di CVaR al costo atteso?
Perché il costo atteso non è convesso
Perché altrimenti l'LP a scenari non ha soluzione
Per stimare la distribuzione della domanda
La media nasconde i rari disastri
Spiegazione. Il costo atteso pesa allo stesso modo tutti gli scenari; il CVaR guarda la media del peggiore $10\%$, così il decisore può scambiare un po' di costo medio con protezione dalle code cattive.
Newsvendor: quantità ordinata $q$ scelta prima di osservare la domanda aleatoria $D$ (funzione di ripartizione $F$); costo unitario di underage $c_u$ (domanda non servita) e di overage $c_o$ (unità invenduta); si minimizza $c_o\mathbb E[(q - D)^+] + c_u\mathbb E[(D - q)^+]$. Nel newsvendor media–CVaR del laboratorio l'ordine avverso al rischio passa da $108{,}6$ ($\lambda = 0$) a $116{,}2$ ($\lambda = 1$). Perché qui l'avversione al rischio alza l'ordine?
Perché l'invenduto diventa meno caro
Perché la domanda media cresce con $\lambda$
Gli scenari peggiori sono rotture
Perché il CVaR ignora il costo di underage
Spiegazione. Con $c_u = 9 > c_o = 4$ gli scenari più costosi sono quelli di domanda alta con vendite perse; proteggersi da essi vuol dire ordinare di più.
Newsvendor: quantità ordinata $q$ scelta prima di osservare la domanda aleatoria $D$ (funzione di ripartizione $F$); costo unitario di underage $c_u$ (domanda non servita) e di overage $c_o$ (unità invenduta); si minimizza $c_o\mathbb E[(q - D)^+] + c_u\mathbb E[(D - q)^+]$. Tre dolci con domande correlate a $\rho = 0{,}7$ (le feste vanno bene o male per tutti). Che cosa implica la forte correlazione positiva per il rischio del piano congiunto?
Niente diversificazione: falliscono insieme
Elimina il rischio, per compensazione
Rende inattivo il vincolo di budget
Nulla: per il newsvendor la correlazione non conta
Spiegazione. Con correlazione alta gli scenari cattivi colpiscono tutti i prodotti insieme; trattarli come indipendenti sottostimerebbe il rischio del piano.
Newsvendor: quantità ordinata $q$ scelta prima di osservare la domanda aleatoria $D$ (funzione di ripartizione $F$); costo unitario di underage $c_u$ (domanda non servita) e di overage $c_o$ (unità invenduta); si minimizza $c_o\mathbb E[(q - D)^+] + c_u\mathbb E[(D - q)^+]$. Tre dolci, budget condiviso di $1200$ €: panettone $111{,}1 \to 99{,}3$, pandoro $91{,}5 \to 75{,}4$, torrone $65{,}9 \to 56{,}8$ (senza $\to$ con budget). Come vengono tagliate le quantità?
Tutte della stessa percentuale
Tutte dello stesso numero di unità
Non in proporzione, prodotto per prodotto
Si taglia solo il prodotto più caro
Spiegazione. I tagli sono dell'$11\%$, del $18\%$ e del $14\%$: il moltiplicatore del budget agisce come un costo aggiuntivo per euro speso, che pesa diversamente su ogni prodotto secondo i suoi costi.
Sei perdite equiprobabili $\{2, 4, 5, 7, 12, 20\}$, $\alpha = 0{,}80$. $\mathrm{VaR}_\alpha$ è la più piccola perdita $\eta$ con $\mathbb P(L \le \eta) \ge \alpha$, e $\mathrm{CVaR}_\alpha = \mathrm{VaR}_\alpha + \frac{1}{1-\alpha}\mathbb E[(L - \mathrm{VaR}_\alpha)^+]$. Quanto valgono VaR e CVaR?
VaR $= 12$, CVaR $= 16$
VaR $= 20$, CVaR $= 20$
VaR $= 12$, CVaR $= 18{,}67$
VaR $= 7$, CVaR $= 12$
Spiegazione. $F$ raggiunge $0{,}80$ alla quinta perdita: VaR $= 12$. CVaR $= 12 + \frac{1}{0{,}2}\cdot\frac16(20 - 12) = 18{,}67$: parte della massa di coda sta sul punto 12. La semplice media di $\{12, 20\}$, $16$, è l'errore tipico.
LP di Rockafellar–Uryasev per una perdita con scenari $s$ di probabilità $\pi_s$ e perdita $\ell_s(\mathbf x)$: $\min\ \eta + \frac{1}{1-\alpha}\sum_s\pi_s\xi_s$ soggetto a $\xi_s \ge \ell_s(\mathbf x) - \eta$, $\xi_s \ge 0$, $\mathbf x \in X$. Come va dichiarata in gurobipy la variabile soglia $\eta$?
Con i limiti predefiniti di `addVar`
Come variabile binaria
Con `ub=0`
Libera: `m.addVar(lb=-GRB.INFINITY)`
Spiegazione. $\eta \gtreqless 0$ nel modello; il default `lb=0` imporrebbe $\eta \ge 0$, un errore frequente in laboratorio.
LP di Rockafellar–Uryasev per una perdita con scenari $s$ di probabilità $\pi_s$ e perdita $\ell_s(\mathbf x)$: $\min\ \eta + \frac{1}{1-\alpha}\sum_s\pi_s\xi_s$ soggetto a $\xi_s \ge \ell_s(\mathbf x) - \eta$, $\xi_s \ge 0$, $\mathbf x \in X$. Con $\alpha = 0{,}99$ e solo $k = 220$ scenari equiprobabili, perché il CVaR stimato è poco affidabile?
Perché l'LP diventa non convesso per $\alpha$ vicino a $1$
Perché la coda contiene solo 2–3 scenari
Perché il VaR è allora sempre unico
Perché il CVaR non è definito per $\alpha > 0{,}95$
Spiegazione. La coda di massa $0{,}01$ contiene $2{,}2$ scenari: la stima è quasi rumore. Regola pratica: almeno alcune decine di scenari oltre il quantile.
Supply chain a due stadi con CVaR: le capacità $x_a$ si prenotano presso i fornitori $a$ prima di conoscere lo scenario di domanda $s$; poi in ogni scenario si decidono acquisti $f_{as}$ e carenze $u_s$. Quali variabili sono di primo stadio?
Gli acquisti $f_{as}$ in ogni scenario
Le carenze $u_s$ in ogni scenario
Le capacità prenotate $x_a$, uguali in tutti gli scenari
Gli eccessi $\xi_s$ del CVaR
Spiegazione. Le decisioni di primo stadio si prendono prima di osservare lo scenario e non possono dipenderne; acquisti e carenze sono decisioni di ricorso.
Supply chain a due stadi: nello scenario $s$ la domanda $d_s$ è coperta da acquisti $f_{1s} + f_{2s}$ e da una variabile di carenza $u_s \ge 0$, con $f_{1s} + f_{2s} + u_s \ge d_s$; ogni unità di $u_s$ costa una penalità $g$. Perché il modello non è mai inammissibile?
La domanda non coperta diventa carenza, pagata con la penalità $g$
Perché le capacità prenotate sono illimitate
Perché la domanda è deterministica
Perché il peso del rischio è nullo
Spiegazione. Il modello «compra» l'inammissibilità al prezzo della penalità: il vincolo di domanda si soddisfa sempre con $u_s$ abbastanza grande.
LP di Rockafellar–Uryasev per una perdita con scenari $s$ di probabilità $\pi_s$ e perdita $\ell_s(\mathbf x)$: $\min\ \eta + \frac{1}{1-\alpha}\sum_s\pi_s\xi_s$ soggetto a $\xi_s \ge \ell_s(\mathbf x) - \eta$, $\xi_s \ge 0$, $\mathbf x \in X$. Quale affermazione è corretta?
All'ottimo $\eta$ è la perdita attesa e il valore è il VaR
All'ottimo $\eta$ è un VaR e il valore ottimo è il CVaR
Servono variabili binarie per selezionare gli scenari di coda
Il valore ottimo è la perdita massima sugli scenari
Spiegazione. Minimizzare su $\eta$ bilancia soglia ed eccessi: il punto di equilibrio è il quantile di livello $\alpha$. Con distribuzioni discrete il VaR può non essere unico ($\tilde\eta$ è un VaR).
Il VaR$_\alpha$ è il quantile di livello $\alpha$ di una perdita, il CVaR$_\alpha$ la perdita media nella coda peggiore di massa $1 - \alpha$. Quale confronto è corretto?
Il VaR è convesso nelle decisioni e il CVaR no
Entrambi premiano sempre la diversificazione
Il VaR ha una formulazione LP a scenari, il CVaR no
Il CVaR è convesso e subadditivo; il VaR in generale non è né l'uno né l'altro
Spiegazione. Il CVaR è la misura coerente della coppia: convesso, subadditivo (premia la diversificazione) e ottimizzabile con un LP; il VaR può violare la subadditività.
LP di Rockafellar–Uryasev per una perdita con scenari $s$ di probabilità $\pi_s$ e perdita $\ell_s(\mathbf x)$: $\min\ \eta + \frac{1}{1-\alpha}\sum_s\pi_s\xi_s$ soggetto a $\xi_s \ge \ell_s(\mathbf x) - \eta$, $\xi_s \ge 0$, $\mathbf x \in X$. Sotto quali ipotesi l'intero modello è un LP?
Scenari equiprobabili e $\alpha = 0{,}9$
Perdite di scenario con distribuzione normale
$X$ è un poliedro e ogni perdita $\ell_s(\mathbf x)$ è lineare in $\mathbf x$
Al più 2000 scenari
Spiegazione. Con $X$ poliedrale e perdite lineari tutti i vincoli e l'obiettivo sono lineari; la soglia $\eta$ è libera e gli eccessi non negativi. 2000 è solo il limite della licenza di Colab.
LP di Rockafellar–Uryasev per una perdita con scenari $s$ di probabilità $\pi_s$ e perdita $\ell_s(\mathbf x)$: $\min\ \eta + \frac{1}{1-\alpha}\sum_s\pi_s\xi_s$ soggetto a $\xi_s \ge \ell_s(\mathbf x) - \eta$, $\xi_s \ge 0$, $\mathbf x \in X$. Perché all'ottimo vale $\xi_s = (\ell_s - \eta)^+$, per ogni scenario con $\pi_s > 0$?
$\xi_s$ ha costo $\pi_s/(1-\alpha) > 0$ e limiti inferiori $\ell_s - \eta$ e $0$
Perché la soglia $\eta$ è una variabile libera
Perché $\alpha < 1$ rende il problema limitato
Perché le perdite $\ell_s$ sono positive
Spiegazione. Stesso trucco delle parti positive del newsvendor: l'obiettivo spinge ogni $\xi_s$ giù fino al maggiore dei suoi due limiti inferiori.
Portafoglio mean-CVaR: la perdita dello scenario $s$ è $\ell_s(\mathbf x) = -\sum_i r_{is}x_i$, dove $r_{is}$ è il rendimento del titolo $i$ nello scenario $s$ e $x_i$ la sua quota. Perché l'intero modello si risolve come un LP?
Gli $r_{is}$ sono dati, quindi ogni perdita è lineare in $\mathbf x$, e le quote formano un poliedro
I rendimenti sono normali, quindi il CVaR ha una forma lineare chiusa
Gli scenari sono equiprobabili, quindi il CVaR è una media semplice delle perdite
Le perdite sono sempre positive, quindi le parti positive si possono togliere
Spiegazione. Perdite lineari e vincoli poliedrali ($\sum_ix_i = 1$, soglia di rendimento, $x \ge 0$) mantengono lineare la formulazione di Rockafellar–Uryasev, qualunque sia la distribuzione dei rendimenti (qui a code grasse).
LP di Rockafellar–Uryasev per una perdita con scenari $s$ di probabilità $\pi_s$ e perdita $\ell_s(\mathbf x)$: $\min\ \eta + \frac{1}{1-\alpha}\sum_s\pi_s\xi_s$ soggetto a $\xi_s \ge \ell_s(\mathbf x) - \eta$, $\xi_s \ge 0$, $\mathbf x \in X$. Come si costruisce uno stress test in questo modello a scenari?
Aggiungendo scenari estremi o alzandone le probabilità $\pi_s$
Spiegazione. Le probabilità $\pi_s$ sono dati: ripesare gli scenari o aggiungerne di estremi mostra come reagiscono la decisione ottima e il CVaR a code più severe.
Molti modelli del laboratorio ottimizzano un valore medio. Perché VaR e CVaR guardano invece la **coda** della distribuzione delle perdite?
Perché la media non si calcola con gli scenari
La media può nascondere grandi perdite rare
Perché la coda è sempre normale
Perché la coda rende il modello intero
Spiegazione. Una media può sembrare rassicurante mentre pochi scenari portano perdite enormi; il VaR dà una soglia di perdita elevata, il CVaR la perdita media oltre di essa.
VaR e CVaR di una perdita al livello $\alpha$: a quale domanda risponde ciascuno?
VaR: la perdita media; CVaR: la perdita massima
VaR: la probabilità di una perdita; CVaR: la sua varianza
Entrambi: la perdita nello scenario peggiore
VaR: una soglia; CVaR: la media oltre di essa
Spiegazione. Il VaR è il quantile $\alpha$ della perdita (una soglia superata con probabilità al più $1 - \alpha$); il CVaR è la perdita media nella coda peggiore di massa $1 - \alpha$, quindi dice anche quanto fa male.
Secondo la dispensa del laboratorio, qual è la «sorpresa» didattica del capitolo su VaR e CVaR?
Il CVaR si ottimizza con un semplice LP
Il VaR è sempre convesso e facile da ottimizzare
Il rischio di coda richiede variabili intere
Il CVaR coincide con la varianza della perdita
Spiegazione. Con gli scenari, la formulazione di Rockafellar–Uryasev rende il CVaR un LP; il VaR non ha una formulazione simile e in generale non è convesso.
Chi usa VaR e CVaR come linguaggio standard, secondo la dispensa del laboratorio?
Solo gli statistici accademici
Solo i meteorologi
Banche, assicurazioni, supply chain manager
Solo i gestori di portafoglio con rendimenti normali
Spiegazione. Dopo le crisi finanziarie «quanto perdiamo negli scenari peggiori?» è diventata anche una domanda regolamentare; le stesse misure si usano per i piani logistici, come nella supply chain a due stadi del capitolo.
Sei perdite equiprobabili $\{2, 4, 5, 7, 12, 20\}$, $\alpha = 0{,}80$: media $8{,}33$, $\mathrm{VaR}_{0{,}80} = 12$, $\mathrm{CVaR}_{0{,}80} = 18{,}67$. Perché il CVaR non è semplicemente $20$, la media degli scenari strettamente sopra il VaR?
Perché il CVaR deve valere il VaR più la media
Per un errore di arrotondamento
Perché parte della massa di coda sta su $12$
Perché le perdite non sono equiprobabili
Spiegazione. Lo scenario da 20 pesa $1/6 \approx 0{,}167$, meno di $0{,}20$: il restante $0{,}033$ della coda sta sul quantile 12. Quindi $\mathrm{CVaR} = 12 + \frac{1}{0{,}20}\cdot\frac16(20 - 12) = 18{,}67$.
LP di Rockafellar–Uryasev per una perdita con scenari $s$ di probabilità $\pi_s$ e perdita $\ell_s(\mathbf x)$, livello $\alpha \in (0, 1)$: $\min\ \eta + \frac{1}{1-\alpha}\sum_s\pi_s\xi_s$ soggetto a $\xi_s \ge \ell_s(\mathbf x) - \eta$, $\xi_s \ge 0$, $\mathbf x \in X$, $\eta$ libera. Sei perdite equiprobabili $\{2, 4, 5, 7, 12, 20\}$ (nessuna decisione $\mathbf x$), $\alpha = 0{,}80$: l'LP restituisce $\eta^* = 12$. Quanto valgono gli eccessi $\xi_s$ e il valore ottimo?
$\xi = (0, 0, 0, 0, 0, 20)$, valore $28{,}67$
$\xi = (0, 0, 0, 0, 0, 8)$, valore $18{,}67$
$\xi = (0, 0, 0, 0, 0, 8)$, valore $13{,}33$
$\xi = (10, 8, 7, 5, 0, 8)$, valore $50{,}5$
Spiegazione. $\xi_s = (\ell_s - 12)^+$: solo la perdita 20 supera la soglia, di 8. Valore $12 + \frac{1}{0{,}2}\cdot\frac16\cdot 8 = 18{,}67$: un solo LP dà VaR e CVaR, trattando correttamente la massa «a cavallo» del quantile.
Supply chain a due stadi con CVaR: il fornitore 1 è economico ma fragile (nel $12\%$ degli scenari la sua disponibilità crolla al $30\%$), il fornitore 2 caro ma affidabile. Quando il peso del rischio $\lambda$ va da 0 a 1, che cosa succede alle capacità prenotate?
Non cambiano: cambia solo il ricorso
La capacità si sposta verso il fornitore 1
Si riducono entrambe per tagliare il costo di prenotazione
La capacità si sposta verso il fornitore affidabile 2
Spiegazione. Da $\lambda = 0$ a $1$ il fornitore 1 passa da $161{,}5$ a $68{,}5$ e il fornitore 2 da $134{,}2$ a $236{,}9$: la protezione dagli scenari di guasto si compra con capacità affidabile.
Supply chain a due stadi con CVaR del laboratorio: da $\lambda = 0$ a $\lambda = 1$ il costo medio passa da $1724$ a $1906$ € e il $\mathrm{CVaR}_{0{,}90}$ da $2902$ a $2139$ €; già con $\lambda = 0{,}5$: $1803$ e $2217$. Come chiama la dispensa il costo medio in più pagato per la protezione?
Il valore della soluzione stocastica
Il costo della resilienza
Il prezzo dell'anarchia
Il prezzo ombra della capacità
Spiegazione. Circa $+79$ € di costo medio comprano $-685$ € di CVaR (con $\lambda = 0{,}5$): il costo della resilienza, il numero che serve in una discussione su dual sourcing o rishoring.
LP di Rockafellar–Uryasev per una perdita con scenari $s$ di probabilità $\pi_s$ e perdita $\ell_s(\mathbf x)$, livello $\alpha \in (0, 1)$: $\min\ \eta + \frac{1}{1-\alpha}\sum_s\pi_s\xi_s$ soggetto a $\xi_s \ge \ell_s(\mathbf x) - \eta$, $\xi_s \ge 0$, $\mathbf x \in X$, $\eta$ libera. Con scenari discreti l'LP restituisce un $\eta^*$ ottimo. Che cosa se ne può dire?
È sempre la perdita media
È sempre unico e uguale alla perdita massima
È un VaR, non necessariamente unico
Non ha significato, conta solo l'obiettivo
Spiegazione. All'ottimo $\eta^*$ è un quantile $\alpha$ della perdita; con distribuzioni discrete i minimi in $\eta$ possono formare un intervallo, quindi $\eta^*$ è *un* VaR. Il valore ottimo, il CVaR, è unico.
LP di Rockafellar–Uryasev per una perdita con scenari $s$ di probabilità $\pi_s$ e perdita $\ell_s(\mathbf x)$, livello $\alpha \in (0, 1)$: $\min\ \eta + \frac{1}{1-\alpha}\sum_s\pi_s\xi_s$ soggetto a $\xi_s \ge \ell_s(\mathbf x) - \eta$, $\xi_s \ge 0$, $\mathbf x \in X$, $\eta$ libera. Analisi di sensitività del laboratorio: che effetto ci si aspetta alzando il livello di confidenza $\alpha$?
Meno scenari in coda: stima più rumorosa
Un CVaR più piccolo
Nessun effetto sulla stabilità della stima
L'LP diventa inammissibile per $\alpha$ grande
Spiegazione. Un $\alpha$ più alto guarda una coda più sottile: a parità di scenari ne restano meno oltre il quantile e la stima è più rumorosa; il CVaR stesso può solo crescere.
Portafoglio mean-CVaR del corso (otto titoli settoriali, 220 scenari mensili): quale rendimento atteso minimo e quale livello $\alpha$ usa il caso di studio?
$8\%$ annuo e $\alpha = 0{,}90$
$5\%$ annuo e $\alpha = 0{,}95$
$8\%$ annuo e $\alpha = 0{,}99$
$10\%$ annuo e $\alpha = 0{,}90$
Spiegazione. Si minimizza il $\mathrm{CVaR}_{0,90}$ della perdita mensile con rendimento atteso almeno dell'$8\%$ annuo.
Portafoglio mean-CVaR del corso, $\alpha = 0{,}90$, rendimento atteso almeno $8\%$: la perdita mensile media è $-0{,}67\%$ e il VaR$_{90}$ è $3{,}27\%$. Quanto vale il CVaR$_{90}$?
$3{,}27\%$
$-0{,}67\%$
$4{,}89\%$
$2{,}60\%$
Spiegazione. Il CVaR$_{90}$ è la perdita media nel 10\% dei mesi peggiori, quindi non inferiore al VaR: $4{,}89\%$.
Mercato a un periodo: il titolo $i$ costa oggi $s^0_i$ e paga domani $s^1_{ij}$ nello stato $j$; il titolo 0 è privo di rischio (costa 1, paga $R$). LP di arbitraggio: $\min\sum_i s^0_ix_i$ soggetto a $\sum_i s^1_{ij}x_i \ge 0$ per ogni stato $j$, posizioni $x_i$ libere. L'LP risulta illimitato. Che cosa significa?
In questo mercato non esiste arbitraggio
Esiste un arbitraggio di tipo A: incasso oggi senza rischio, scalabile a piacere
I dati di prezzo sono incoerenti e l'LP è inammissibile
Esiste solo un arbitraggio di tipo B
Spiegazione. Esiste una strategia di costo negativo e pagamenti non negativi; i vincoli sono omogenei, quindi la si può scalare. Aggiungendo $\sum_i s^0_ix_i \ge -1$ l'ottimo diventa $-1$ e si ottiene una strategia concreta.
Mercato a un periodo: il titolo $i$ costa oggi $s^0_i$ e paga domani $s^1_{ij}$ nello stato $j$; il titolo 0 è privo di rischio (costa 1, paga $R$). LP di arbitraggio: $\min\sum_i s^0_ix_i$ soggetto a $\sum_i s^1_{ij}x_i \ge 0$ per ogni stato $j$, posizioni $x_i$ libere. Che cos'è un arbitraggio di tipo B?
Una strategia che incassa oggi e domani non paga mai
Una strategia con costo negativo e pagamenti negativi
Una strategia che oggi non costa, non perde mai e in qualche stato guadagna
Un portafoglio di soli titoli privi di rischio
Spiegazione. Nell'LP: ottimo $0$, con qualche vincolo di stato lasco in ogni soluzione ottima.
Mercato a un periodo: il titolo $i$ costa oggi $s^0_i$ e paga domani $s^1_{ij}$ nello stato $j$; il titolo 0 è privo di rischio (costa 1, paga $R$). LP di arbitraggio: $\min\sum_i s^0_ix_i$ soggetto a $\sum_i s^1_{ij}x_i \ge 0$ per ogni stato $j$, posizioni $x_i$ libere. Il duale ha una variabile $p_j \ge 0$ per stato e vincoli $\sum_j s^1_{ij}p_j = s^0_i$; dal titolo 0, $\sum_j R\,p_j = 1$. Che cosa sono i numeri $q_j = R\,p_j$?
Probabilità neutrali al rischio: i prezzi sono pagamenti attesi scontati sotto $q$
Le probabilità reali degli stati
Le posizioni ottime del portafoglio
I pagamenti del titolo privo di rischio
Spiegazione. Sono non negativi e a somma $1$, e $s^0_i = \frac1R\sum_j q_j\,s^1_{ij}$ per ogni titolo.
Mercato a un periodo: il titolo $i$ costa oggi $s^0_i$ e paga domani $s^1_{ij}$ nello stato $j$; il titolo 0 è privo di rischio (costa 1, paga $R$). LP di arbitraggio: $\min\sum_i s^0_ix_i$ soggetto a $\sum_i s^1_{ij}x_i \ge 0$ per ogni stato $j$, posizioni $x_i$ libere. In un mercato incompleto (più stati che titoli, qui quotati solo i titoli 0 e 1), come si prezza un titolo nuovo senza creare arbitraggio?
Con un prezzo unico, come in un mercato completo
Al suo pagamento atteso sotto le probabilità reali
Non si può prezzare in alcun modo
Con un intervallo: min e max del pagamento scontato sulle misure coerenti
Spiegazione. Nel caso di studio la call con strike 12 ha intervallo $[1{,}4615, 2{,}0308]$; ogni prezzo fuori dall'intervallo permette un arbitraggio.
Mercato a un periodo: il titolo $i$ costa oggi $s^0_i$ e paga domani $s^1_{ij}$ nello stato $j$; il titolo 0 è privo di rischio (costa 1, paga $R$). LP di arbitraggio: $\min\sum_i s^0_ix_i$ soggetto a $\sum_i s^1_{ij}x_i \ge 0$ per ogni stato $j$, posizioni $x_i$ libere. Con tre stati e prezzi coerenti, il duale restituisce la misura neutrale al rischio $q = (0{,}296;\ 0{,}704;\ 0)$. Che cosa segnala $q_3 = 0$?
Un errore nei dati di prezzo
Degenerazione: lo stato 3 non è prezzato, resta un arbitraggio di tipo B su di esso
Che lo stato 3 non può verificarsi
Un arbitraggio di tipo A
Spiegazione. Il teorema fondamentale richiede $q_j > 0$ per ogni stato per escludere anche l'arbitraggio di tipo B.
Mercato a un periodo: il titolo $i$ costa oggi $s^0_i$ e paga domani $s^1_{ij}$ nello stato $j$; il titolo 0 è privo di rischio (costa 1, paga $R$). LP di arbitraggio: $\min\sum_i s^0_ix_i$ soggetto a $\sum_i s^1_{ij}x_i \ge 0$ per ogni stato $j$, posizioni $x_i$ libere. Perché il valore ottimo di questo LP è sempre $\le 0$?
Il portafoglio nullo è ammissibile e costa $0$
Perché tutti i prezzi $s^0_i$ sono positivi
Perché il rendimento privo di rischio $R$ è almeno $1$
Perché le posizioni $x_i$ sono libere
Spiegazione. Un minimo non può superare il valore di una soluzione ammissibile; un valore negativo è un incasso immediato.
Mercato a un periodo: il titolo $i$ costa oggi $s^0_i$ e paga domani $s^1_{ij}$ nello stato $j$; il titolo 0 è privo di rischio (costa 1, paga $R$). LP di arbitraggio: $\min\sum_i s^0_ix_i$ soggetto a $\sum_i s^1_{ij}x_i \ge 0$ per ogni stato $j$, posizioni $x_i$ libere. Una misura neutrale al rischio è un vettore $q \ge 0$ con $\sum_j q_j = 1$ e $s^0_i = \frac1R\sum_j q_js^1_{ij}$ per ogni $i$. Quale enunciato è il teorema fondamentale della prezzatura?
Niente arbitraggio se e solo se esiste una misura neutrale al rischio con $q_j \ge 0$
Niente arbitraggio se e solo se la misura neutrale al rischio è unica
Niente arbitraggio di tipo A o B se e solo se ne esiste una con $q_j > 0$ per ogni $j$
Niente arbitraggio se e solo se i prezzi sono pagamenti attesi sotto le probabilità reali
Spiegazione. La positività stretta serve a escludere l'arbitraggio di tipo B; l'unicità caratterizza i mercati completi, non l'assenza di arbitraggio.
Mercato a un periodo: il titolo $i$ costa oggi $s^0_i$ e paga domani $s^1_{ij}$ nello stato $j$; il titolo 0 è privo di rischio (costa 1, paga $R$). LP di arbitraggio: $\min\sum_i s^0_ix_i$ soggetto a $\sum_i s^1_{ij}x_i \ge 0$ per ogni stato $j$, posizioni $x_i$ libere. Viceversa, si supponga che esista una misura neutrale al rischio $q > 0$, con $s^0_i = \frac1R\sum_j q_js^1_{ij}$. Quale calcolo mostra che non c'è arbitraggio?
L'LP primale è illimitato, quindi vale $-\infty$ e nessuna strategia rende
Pagamenti $\ge 0$ danno costo $\frac1R\sum_j q_j\bigl(\sum_i s^1_{ij}x_i\bigr) \ge 0$, $> 0$ se un pagamento è positivo
Il titolo privo di rischio costa $1$ e paga $R$, quindi ogni portafoglio costa quanto paga
L'obiettivo duale è nullo e, per la dualità debole, ogni portafoglio costa esattamente $0$
Spiegazione. Sostituendo la relazione di prezzatura nel costo: con $q > 0$ nessuna strategia può incassare (tipo A) o guadagnare gratis (tipo B).
Tre stati, titolo privo di rischio 0 (costa 1, paga $R = 1{,}04$), titoli rischiosi 1 e 2 con prezzi $6$ e $20$ e pagamenti $(10, 15, 13)$ e $(30, 15, 25)$. Si consideri il portafoglio $x = (-27, 1, 1)$ (prestito di 27, uno per titolo rischioso). Quanto valgono il costo di oggi e i pagamenti?
Costo $+1$, pagamenti $(11{,}92;\ 1{,}92;\ 9{,}92)$: non è un arbitraggio
Costo $-1$, pagamenti $(13;\ 3;\ 11)$: arbitraggio di tipo B
Costo $0$, pagamenti $(11{,}92;\ 1{,}92;\ 9{,}92)$: arbitraggio di tipo B
Costo $-1$, pagamenti $(11{,}92;\ 1{,}92;\ 9{,}92)$: arbitraggio di tipo A
Mercato a un periodo: il titolo $i$ costa oggi $s^0_i$ e paga domani $s^1_{ij}$ nello stato $j$; il titolo 0 è privo di rischio (costa 1, paga $R$). LP di arbitraggio: $\min\sum_i s^0_ix_i$ soggetto a $\sum_i s^1_{ij}x_i \ge 0$ per ogni stato $j$, posizioni $x_i$ libere. Versione normalizzata: si aggiunge $\sum_i s^0_ix_i \ge -1$. Nel caso di studio i prezzi del titolo 2 che non creano arbitraggio formano l'intervallo $[18{,}69;\ 21{,}54]$. Quanto vale l'ottimo dell'LP normalizzato se il titolo 2 è quotato $25$?
$-1$: fuori dall'intervallo esiste un arbitraggio
$0$: nessun arbitraggio a qualunque prezzo
$-25$: il guadagno è pari al prezzo
L'LP diventa inammissibile
Spiegazione. Dentro l'intervallo il valore è $0$ (prezzi coerenti); fuori scende a $-1$, l'incasso normalizzato di una strategia di arbitraggio.
Mercato a un periodo: il titolo $i$ costa oggi $s^0_i$ e paga domani $s^1_{ij}$ nello stato $j$; il titolo 0 è privo di rischio (costa 1, paga $R$). LP di arbitraggio: $\min\sum_i s^0_ix_i$ soggetto a $\sum_i s^1_{ij}x_i \ge 0$ per ogni stato $j$, posizioni $x_i$ libere. Perché le posizioni $x_i$ sono variabili libere in questo LP?
Perché i prezzi possono essere negativi
Perché il numero di stati è finito
Perché il duale richiede vincoli di uguaglianza
Perché ogni titolo si può comprare ($x_i > 0$) o vendere allo scoperto ($x_i < 0$)
Spiegazione. Le posizioni libere modellano acquisto e vendita allo scoperto; per le regole della dualità ogni variabile libera dà un'uguaglianza nel duale, la relazione di prezzatura $\sum_j s^1_{ij}p_j = s^0_i$.
Che cos'è un **arbitraggio**, nel capitolo del laboratorio su arbitraggio e prezzatura?
Una strategia rischiosa con rendimento atteso alto
Una strategia che replica l'indice di mercato
Denaro dal nulla, senza rischio di perdita
Un prestito al tasso privo di rischio
Spiegazione. Incassa oggi senza rischio di perdere domani, oppure non costa nulla oggi e può solo guadagnare domani; in un mercato ben funzionante queste occasioni non possono durare.
Perché «assenza di arbitraggio» è l'ipotesi di lavoro di tutta la finanza dei prezzi?
Tutti lo sfrutterebbero finché i prezzi si aggiustano
Perché l'arbitraggio è illegale
Perché i mercati non hanno titoli privi di rischio
Perché i prezzi sono fissati dai regolatori
Spiegazione. Un arbitraggio si può scalare a piacere, quindi verrebbe sfruttato finché i prezzi diventano coerenti: i desk cercano incoerenze, i risk manager validano i listini, i titoli nuovi si prezzano in modo coerente.
Secondo la dispensa del laboratorio, qual è la «sorpresa» didattica del capitolo sull'arbitraggio?
L'arbitraggio richiede una simulazione stocastica
I prezzi si trovano solo per tentativi
L'arbitraggio richiede variabili intere
Rilevare un arbitraggio è un LP
Spiegazione. Prezzi ombra, scarti complementari e dualità forte dei richiami diventano probabilità neutrali al rischio e teorema fondamentale della prezzatura: la coppia primale-duale più pulita della dispensa.
Quali professionisti usano la verifica di «assenza di arbitraggio», secondo la dispensa del laboratorio?
Solo banche centrali e regolatori
Trader, risk manager, chi prezza
Solo i revisori a fine anno
Solo i piccoli risparmiatori
Spiegazione. I desk cercano incoerenze fra strumenti quotati, i risk manager validano i prezzi di listino, e un titolo nuovo (per esempio un'opzione) va prezzato in modo coerente con quelli esistenti.
Mercato a un periodo: il titolo $i$ costa oggi $s^0_i$ e paga domani $s^1_{ij}$ nello stato $j$; il titolo 0 è privo di rischio (costa 1, paga $R = 1 + r$). LP di arbitraggio: $\min\sum_i s^0_ix_i$ soggetto a $\sum_i s^1_{ij}x_i \ge 0$ per ogni stato $j$, posizioni $x_i$ libere. Con un arbitraggio di tipo A l'LP è illimitato. Come ottiene la dispensa un certificato finito, una strategia concreta?
Limitando ogni posizione, $|x_i| \le 1$
Aggiungendo la normalizzazione $\sum_i s^0_ix_i \ge -1$
Rendendo non negative le posizioni
Togliendo il titolo privo di rischio
Spiegazione. I vincoli sono omogenei, quindi la strategia si può scalare a piacere; chiedere che l'incasso di oggi sia al più 1 rende l'ottimo $-1$ e la soluzione una strategia concreta.
Mercato a un periodo: il titolo $i$ costa oggi $s^0_i$ e paga domani $s^1_{ij}$ nello stato $j$; il titolo 0 è privo di rischio (costa 1, paga $R = 1 + r$). LP di arbitraggio: $\min\sum_i s^0_ix_i$ soggetto a $\sum_i s^1_{ij}x_i \ge 0$ per ogni stato $j$, posizioni $x_i$ libere. Il duale ha una variabile $p_j \ge 0$ per stato, vincoli $\sum_j s^1_{ij}p_j = s^0_i$ e obiettivo $\max\sum_j 0\cdot p_j$. Che cosa segue dall'obiettivo nullo?
Il duale è sempre illimitato
Il duale ha un'unica soluzione
Il primale è sempre inammissibile
Ogni soluzione ammissibile è ottima
Spiegazione. Tutti i termini noti del primale sono nulli, quindi l'obiettivo duale è identicamente nullo: ogni $p \ge 0$ che prezza i titoli è una soluzione duale ottima, e conta la sua esistenza.
Mercato a un periodo: il titolo $i$ costa oggi $s^0_i$ e paga domani $s^1_{ij}$ nello stato $j$; il titolo 0 è privo di rischio (costa 1, paga $R = 1 + r$). LP di arbitraggio: $\min\sum_i s^0_ix_i$ soggetto a $\sum_i s^1_{ij}x_i \ge 0$ per ogni stato $j$, posizioni $x_i$ libere. Mercato a tre stati del laboratorio ($R = 1{,}04$): pagamenti del titolo 1 $(10, 15, 13)$, del titolo 2 $(30, 15, 25)$. Prezzi di oggi $s^0_1 = 6$, $s^0_2 = 20$; la strategia $x = (-27, 1, 1)$ costa $-1$ oggi e paga $(11{,}92;\ 1{,}92;\ 9{,}92)$. Che cosa succede all'LP senza normalizzazione?
Ha ottimo $-1$, l'incasso
È inammissibile
È illimitato
Ha ottimo $0$: nessun arbitraggio
Spiegazione. I vincoli sono omogenei: moltiplicando la strategia per qualunque $t > 0$ si incassa $t$ oggi con pagamenti non negativi, quindi il costo non ha limite inferiore (arbitraggio di tipo A).
Mercato a un periodo: il titolo $i$ costa oggi $s^0_i$ e paga domani $s^1_{ij}$ nello stato $j$; il titolo 0 è privo di rischio (costa 1, paga $R = 1 + r$). LP di arbitraggio: $\min\sum_i s^0_ix_i$ soggetto a $\sum_i s^1_{ij}x_i \ge 0$ per ogni stato $j$, posizioni $x_i$ libere. Mercato a tre stati del laboratorio ($R = 1{,}04$): pagamenti del titolo 1 $(10, 15, 13)$, del titolo 2 $(30, 15, 25)$. Prezzi di oggi $s^0_1 = 6$, $s^0_2 = 20$. Per verificare a mano che $x = (-27, 1, 1)$ è un arbitraggio, che cosa si calcola?
Costo di oggi e pagamento in ogni stato
Il rendimento atteso con le probabilità reali
La varianza nei tre stati
Soltanto il costo di oggi
Spiegazione. Arbitraggio di tipo A: costo negativo oggi e pagamento non negativo in ogni stato, qui $-27\cdot 1{,}04 + 10 + 30 = 11{,}92$, $1{,}92$ e $9{,}92$; le probabilità non c'entrano.
Mercato a un periodo: il titolo $i$ costa oggi $s^0_i$ e paga domani $s^1_{ij}$ nello stato $j$; il titolo 0 è privo di rischio (costa 1, paga $R = 1 + r$). LP di arbitraggio: $\min\sum_i s^0_ix_i$ soggetto a $\sum_i s^1_{ij}x_i \ge 0$ per ogni stato $j$, posizioni $x_i$ libere. Mercato a tre stati del laboratorio ($R = 1{,}04$): pagamenti del titolo 1 $(10, 15, 13)$, del titolo 2 $(30, 15, 25)$. Il caso di studio analizza due configurazioni di prezzi: $(s^0_1, s^0_2) = (6, 20)$ e $(13; 18{,}6923)$. Che cosa si trova?
Entrambe le configurazioni sono coerenti
Entrambe le configurazioni hanno un arbitraggio
$(6, 20)$ è coerente, $(13; 18{,}6923)$ ha un arbitraggio
$(6, 20)$: tipo A; $(13; 18{,}6923)$: coerente
Spiegazione. Con $(6, 20)$ l'LP è illimitato (con la normalizzazione ottimo $-1$); con $(13; 18{,}6923)$ l'ottimo è 0 e i duali danno una misura di prezzatura che riproduce tutti i prezzi.
Mercato a un periodo: il titolo $i$ costa oggi $s^0_i$ e paga domani $s^1_{ij}$ nello stato $j$; il titolo 0 è privo di rischio (costa 1, paga $R = 1 + r$). LP di arbitraggio: $\min\sum_i s^0_ix_i$ soggetto a $\sum_i s^1_{ij}x_i \ge 0$ per ogni stato $j$, posizioni $x_i$ libere. Nel codice gurobipy del caso di studio le posizioni si creano con `m.addVars(n1, lb=-GRB.INFINITY)`. Che cosa non funzionerebbe con i limiti predefiniti?
Nulla: i limiti predefiniti sono già liberi
Le vendite allo scoperto sarebbero vietate
Il modello diventerebbe non lineare
I duali non sarebbero più disponibili
Spiegazione. Il limite inferiore predefinito è 0: le posizioni non potrebbero essere negative, quindi le strategie che vendono allo scoperto (come prendere a prestito al tasso privo di rischio) sarebbero escluse e molti arbitraggi non rilevati.
Mercato a un periodo: il titolo $i$ costa oggi $s^0_i$ e paga domani $s^1_{ij}$ nello stato $j$; il titolo 0 è privo di rischio (costa 1, paga $R = 1 + r$). LP di arbitraggio: $\min\sum_i s^0_ix_i$ soggetto a $\sum_i s^1_{ij}x_i \ge 0$ per ogni stato $j$, posizioni $x_i$ libere. Lo script del caso di studio aggiunge la normalizzazione $\sum_i s^0_ix_i \ge -1$ solo se richiesta (`normalizza`). Che cosa riporta per i prezzi $(6, 20)$ senza di essa?
Stato `UNBOUNDED`
Stato `INFEASIBLE`: nessuna strategia
Ottimo $0$: nessun arbitraggio
Ottimo $-1$, come normalizzato
Spiegazione. Senza normalizzazione l'LP con un arbitraggio di tipo A non ha ottimo finito: lo stato è `UNBOUNDED`; con essa, ottimo $-1$ e pagamenti $(0;\ 0;\ 0{,}20) \ge 0$.
Mercato a un periodo: il titolo $i$ costa oggi $s^0_i$ e paga domani $s^1_{ij}$ nello stato $j$; il titolo 0 è privo di rischio (costa 1, paga $R = 1 + r$). LP di arbitraggio: $\min\sum_i s^0_ix_i$ soggetto a $\sum_i s^1_{ij}x_i \ge 0$ per ogni stato $j$, posizioni $x_i$ libere. Nel codice del caso di studio i vincoli di stato si conservano in `v_stato = m.addConstrs(...)`. Perché?
Per cancellarli dopo la soluzione
Perché `addConstrs` lo richiede
Per leggerne i duali `Pi`
Per stamparli nel log del solver
Spiegazione. I duali dei vincoli di stato sono la misura di prezzatura $p_j$; moltiplicati per $R$ danno le probabilità neutrali al rischio.
Mercato a un periodo: il titolo $i$ costa oggi $s^0_i$ e paga domani $s^1_{ij}$ nello stato $j$; il titolo 0 è privo di rischio (costa 1, paga $R = 1 + r$). LP di arbitraggio: $\min\sum_i s^0_ix_i$ soggetto a $\sum_i s^1_{ij}x_i \ge 0$ per ogni stato $j$, posizioni $x_i$ libere. Mercato a tre stati del laboratorio ($R = 1{,}04$): pagamenti del titolo 1 $(10, 15, 13)$, del titolo 2 $(30, 15, 25)$. Prezzi coerenti $(1;\ 13;\ 18{,}6923)$: i duali dei vincoli di stato sono $p^* = (0{,}2846;\ 0{,}6769;\ 0)$. Quanto vale la misura neutrale al rischio $q$?
$q = p^* = (0{,}2846;\ 0{,}6769;\ 0)$
$q = (1/3;\ 1/3;\ 1/3)$
$q = p^*/R = (0{,}274;\ 0{,}651;\ 0)$
$q = R\,p^* = (0{,}296;\ 0{,}704;\ 0)$
Spiegazione. Il vincolo duale del titolo privo di rischio dà $\sum_jp_j = 1/R$, quindi $q_j = R\,p_j$ sono probabilità: $1{,}04\cdot 0{,}2846 = 0{,}296$ e $1{,}04\cdot 0{,}6769 = 0{,}704$.
Mercato a un periodo: il titolo $i$ costa oggi $s^0_i$ e paga domani $s^1_{ij}$ nello stato $j$; il titolo 0 è privo di rischio (costa 1, paga $R = 1 + r$). LP di arbitraggio: $\min\sum_i s^0_ix_i$ soggetto a $\sum_i s^1_{ij}x_i \ge 0$ per ogni stato $j$, posizioni $x_i$ libere. Mercato a tre stati del laboratorio ($R = 1{,}04$): pagamenti del titolo 1 $(10, 15, 13)$, del titolo 2 $(30, 15, 25)$. Con $q = (0{,}296;\ 0{,}704;\ 0)$, come si verifica il prezzo di oggi del titolo 2?
Mercato a un periodo: il titolo $i$ costa oggi $s^0_i$ e paga domani $s^1_{ij}$ nello stato $j$; il titolo 0 è privo di rischio (costa 1, paga $R = 1 + r$). LP di arbitraggio: $\min\sum_i s^0_ix_i$ soggetto a $\sum_i s^1_{ij}x_i \ge 0$ per ogni stato $j$, posizioni $x_i$ libere. Mercato a tre stati del laboratorio ($R = 1{,}04$): pagamenti del titolo 1 $(10, 15, 13)$, del titolo 2 $(30, 15, 25)$. Prezzi coerenti $(1;\ 13;\ 18{,}6923)$, ottimo dell'LP di arbitraggio $= 0$. Che cosa significa?
I prezzi sono coerenti: nessun arbitraggio
Pagamenti strettamente positivi in ogni stato: arbitraggio
L'LP è inammissibile
Un pagamento negativo nello stato 3
Spiegazione. Con ottimo 0 nessuna strategia ha costo negativo e pagamenti non negativi: i prezzi sono coerenti, e i duali dei vincoli di stato attivi prezzano i titoli.
Mercato a un periodo: il titolo $i$ costa oggi $s^0_i$ e paga domani $s^1_{ij}$ nello stato $j$; il titolo 0 è privo di rischio (costa 1, paga $R = 1 + r$). LP di arbitraggio: $\min\sum_i s^0_ix_i$ soggetto a $\sum_i s^1_{ij}x_i \ge 0$ per ogni stato $j$, posizioni $x_i$ libere. Mercato a tre stati del laboratorio ($R = 1{,}04$): pagamenti del titolo 1 $(10, 15, 13)$, del titolo 2 $(30, 15, 25)$. Sono quotati solo i titoli 0 e 1 (prezzi 1 e 13). Come calcola la dispensa l'intervallo dei prezzi del titolo 2 che non creano arbitraggio?
Risolvendo l'LP di arbitraggio con prezzi casuali
Facendo la media dei pagamenti del titolo 2
Min e max del suo valore sui $p$ coerenti
Con un solo LP che massimizza il prezzo
Spiegazione. Sulle misure di prezzatura $p \ge 0$ che riproducono i prezzi quotati, minimizzare e massimizzare il valore del titolo 2 dà $[18{,}69;\ 21{,}54]$.
Mercato a un periodo: il titolo $i$ costa oggi $s^0_i$ e paga domani $s^1_{ij}$ nello stato $j$; il titolo 0 è privo di rischio (costa 1, paga $R = 1 + r$). LP di arbitraggio: $\min\sum_i s^0_ix_i$ soggetto a $\sum_i s^1_{ij}x_i \ge 0$ per ogni stato $j$, posizioni $x_i$ libere. Una call sul titolo 1 con strike 12 paga $(0, 3, 1)$ nei tre stati. Con i titoli 0, 1, 2 quotati il suo prezzo è unico, $2{,}0308$; con i soli 0 e 1 è un intervallo, $[1{,}4615;\ 2{,}0308]$. Quale ipotesi rende unico il prezzo?
Un tasso privo di rischio positivo
Un mercato completo
Un pagamento della call mai nullo
Probabilità reali note in anticipo
Spiegazione. Con tre titoli indipendenti in tre stati il sistema duale $\sum_js^1_{ij}p_j = s^0_i$ ha un'unica soluzione e ogni titolo nuovo ha un solo prezzo; con meno titoli (mercato incompleto) le misure coerenti sono infinite e il prezzo è un intervallo.
Mercato a un periodo: il titolo $i$ costa oggi $s^0_i$ e paga domani $s^1_{ij}$ nello stato $j$; il titolo 0 è privo di rischio (costa 1, paga $R = 1 + r$). LP di arbitraggio: $\min\sum_i s^0_ix_i$ soggetto a $\sum_i s^1_{ij}x_i \ge 0$ per ogni stato $j$, posizioni $x_i$ libere. Mercato a tre stati del laboratorio ($R = 1{,}04$): pagamenti del titolo 1 $(10, 15, 13)$, del titolo 2 $(30, 15, 25)$. Prezzi di oggi $s^0_1 = 6$, $s^0_2 = 20$. Si compra un'unità di ciascun titolo rischioso (spesa 26) e si prende a prestito $B$ al tasso privo di rischio ($x_0 = -B$). Qual è il più grande $B$ per cui i pagamenti restano $\ge 0$ in ogni stato?
$B = 30$
$B = 38{,}46$
$B = 27$
$B = 28{,}85$
Spiegazione. Pagamento nello stato $j$: $s^1_{1j} + s^1_{2j} - 1{,}04B \ge 0$, cioè $B \le \min(40, 30, 38)/1{,}04 = 30/1{,}04 = 28{,}85$; lega lo stato peggiore. Oggi si incassa fino a $28{,}85 - 26 = 2{,}85$ senza rischio.
LP di regressione quantile: osservazioni $y_i$ con caratteristiche $x_{ij}$, coefficienti $w_j$ e intercetta $b$ liberi, scostamenti in eccesso $u_i \ge 0$ e in difetto $v_i \ge 0$ con $\sum_j w_jx_{ij} + b + u_i - v_i = y_i$; si minimizza $\sum_i[\tau u_i + (1 - \tau)v_i]$, $0 < \tau < 1$. Con $\tau = 1/2$, che cosa diventa l'obiettivo?
Metà della somma degli scostamenti assoluti: regressione mediana
La somma degli scostamenti al quadrato
Il più grande scostamento assoluto
La somma degli scostamenti con il loro segno
Spiegazione. Scostamenti in eccesso e in difetto costano uguale, $1/2$ ciascuno, e all'ottimo $u_i + v_i = |y_i - \text{previsione}|$.
LP di regressione quantile: osservazioni $y_i$ con caratteristiche $x_{ij}$, coefficienti $w_j$ e intercetta $b$ liberi, scostamenti in eccesso $u_i \ge 0$ e in difetto $v_i \ge 0$ con $\sum_j w_jx_{ij} + b + u_i - v_i = y_i$; si minimizza $\sum_i[\tau u_i + (1 - \tau)v_i]$, $0 < \tau < 1$. Sia $\tilde\pi_i$ il duale ottimo del vincolo di uguaglianza dell'osservazione $i$. In quale intervallo sta?
$[0, 1]$
$[-1, 1]$
$[-(1 - \tau),\ \tau]$
$[-\tau,\ 1 - \tau]$
Spiegazione. Dai vincoli duali di $u_i$ e $v_i$: $\tilde\pi_i = \tau$ sopra la stima, $-(1 - \tau)$ sotto, un valore interno sui punti interpolati.
LP di regressione quantile: osservazioni $y_i$ con caratteristiche $x_{ij}$, coefficienti $w_j$ e intercetta $b$ liberi, scostamenti in eccesso $u_i \ge 0$ e in difetto $v_i \ge 0$ con $\sum_j w_jx_{ij} + b + u_i - v_i = y_i$; si minimizza $\sum_i[\tau u_i + (1 - \tau)v_i]$, $0 < \tau < 1$. Con $p$ caratteristiche, che cosa sono i punti di appoggio della stima ottima?
Le osservazioni con gli scostamenti più grandi
Gli outlier, come i giorni di sciopero
Tutte le osservazioni sotto la stima
Le osservazioni interpolate (di solito $p + 1$), con duale interno
Spiegazione. Spostare qualunque altra osservazione, purché resti dal suo lato della stima, non cambia nulla.
LP di regressione quantile: osservazioni $y_i$ con caratteristiche $x_{ij}$, coefficienti $w_j$ e intercetta $b$ liberi, scostamenti in eccesso $u_i \ge 0$ e in difetto $v_i \ge 0$ con $\sum_j w_jx_{ij} + b + u_i - v_i = y_i$; si minimizza $\sum_i[\tau u_i + (1 - \tau)v_i]$, $0 < \tau < 1$. La selezione delle caratteristiche aggiunge un budget $\sum_j z_j \le t$ con $z_j \ge |w_j|$. Perché prima le caratteristiche vanno standardizzate?
Per rendere l'LP ammissibile per ogni budget $t$
Altrimenti il budget somma coefficienti in unità diverse
Per rendere positivi tutti i coefficienti $w_j$
Perché Gurobi richiede dati standardizzati
Spiegazione. Senza standardizzazione la selezione dipenderebbe dalle unità di misura; dopo, ogni coefficiente si legge come pezzi per deviazione standard della caratteristica.
LP di regressione quantile: osservazioni $y_i$ con caratteristiche $x_{ij}$, coefficienti $w_j$ e intercetta $b$ liberi, scostamenti in eccesso $u_i \ge 0$ e in difetto $v_i \ge 0$ con $\sum_j w_jx_{ij} + b + u_i - v_i = y_i$; si minimizza $\sum_i[\tau u_i + (1 - \tau)v_i]$, $0 < \tau < 1$. Con il budget $\sum_j |w_j| \le t$ sui coefficienti standardizzati, il prezzo ombra del budget passa da $-19{,}95$ a $-4{,}20$ pezzi per unità al crescere di $t$. Come si legge?
Come prezzo della complessità: le prime unità comprano segnale, le ultime rumore
Come coefficiente della temperatura nel modello stimato
Come numero di caratteristiche selezionate
Come errore commesso sui giorni di sciopero
Spiegazione. Le prime unità di budget comprano la temperatura, che spiega quasi tutto; il budget da scegliere è quello oltre il quale il prezzo ombra diventa trascurabile.
Una panetteria ordina il quantile del frattile critico della domanda (regola del newsvendor). Per un giorno caldo di fine settimana il quantile dell'intero storico dice $148$ pezzi, la regressione quantile condizionata al giorno dice $132$. Qual è il guadagno?
Nessuno: i due numeri sono equivalenti
Un prezzo di vendita più basso per la panetteria
Circa 16 pezzi invenduti in meno, a parità di costi e di regola
Un frattile critico più alto
Spiegazione. La regola del quantile vale ancora, applicata alla domanda condizionata al giorno, con informazione già disponibile; la differenza fra mediana e frattile critico è la scorta di sicurezza.
LP di regressione quantile: osservazioni $y_i$ con caratteristiche $x_{ij}$, coefficienti $w_j$ e intercetta $b$ liberi, scostamenti in eccesso $u_i \ge 0$ e in difetto $v_i \ge 0$ con $\sum_j w_jx_{ij} + b + u_i - v_i = y_i$; si minimizza $\sum_i[\tau u_i + (1 - \tau)v_i]$, $0 < \tau < 1$. Il vincolo duale dell'intercetta libera $b$ è $\sum_i\tilde\pi_i = 0$. Che cosa esprime?
Che gli scostamenti hanno somma nulla
La proprietà del quantile: circa una frazione $\tau$ dei dati sotto la stima
Che la stima passa per la media dei dati
Che tutti i duali sono nulli
Spiegazione. Con $\tilde\pi_i = \tau$ sopra, $-(1 - \tau)$ sotto e valori interni sui $p + 1$ punti di appoggio: $\tau n_+ - (1 - \tau)n_- + \sum_{\text{interp.}}\tilde\pi_i = 0$; con $\tau = 1/2$ metà sopra e metà sotto.
LP di regressione quantile: osservazioni $y_i$ con caratteristiche $x_{ij}$, coefficienti $w_j$ e intercetta $b$ liberi, scostamenti in eccesso $u_i \ge 0$ e in difetto $v_i \ge 0$ con $\sum_j w_jx_{ij} + b + u_i - v_i = y_i$; si minimizza $\sum_i[\tau u_i + (1 - \tau)v_i]$, $0 < \tau < 1$. Perché all'ottimo almeno uno fra $\tilde u_i$ e $\tilde v_i$ è nullo?
Perché $u_i$ e $v_i$ sono variabili binarie
Perché l'intercetta $b$ è libera
Perché le caratteristiche sono standardizzate
$\tau, 1 - \tau > 0$: abbassarle entrambe della stessa quantità mantiene il vincolo e abbassa il costo
Spiegazione. Stesso ragionamento sulle parti positive del newsvendor: la scomposizione dello scostamento in $u_i - v_i$ è stretta all'ottimo.
Regressione quantile per una panetteria: per un giorno caldo di fine settimana il modello mediano ($\tau = 0{,}5$) prevede $126{,}3$ pezzi e quello al frattile critico $\tau = 9/13$ ne prevede $132{,}1$. Quanto vale la scorta di sicurezza, e come si ottiene?
$5{,}8$ pezzi: la previsione quantile meno quella mediana
$132{,}1$ pezzi: tutta la previsione quantile
$16$ pezzi: la differenza col quantile non condizionato
$0$: non si è assunta alcuna distribuzione
Spiegazione. La scorta di sicurezza si calcola direttamente come differenza fra le due stime condizionate, senza ipotesi sulla distribuzione della domanda.
LP di regressione quantile: osservazioni $y_i$ con caratteristiche $x_{ij}$, coefficienti $w_j$ e intercetta $b$ liberi, scostamenti in eccesso $u_i \ge 0$ e in difetto $v_i \ge 0$ con $\sum_j w_jx_{ij} + b + u_i - v_i = y_i$; si minimizza $\sum_i[\tau u_i + (1 - \tau)v_i]$, $0 < \tau < 1$. Senza caratteristiche ($p = 0$) resta solo l'intercetta $b$. Che cosa restituisce l'LP come $\tilde b$?
La media delle osservazioni
Un quantile empirico di livello $\tau$ delle osservazioni
La mediana, qualunque sia $\tau$
L'osservazione più grande
Spiegazione. Alzare $b$ conviene finché la quota di osservazioni sotto di esso è al più $\tau$: il modello *è* la regola del quantile; con caratteristiche dà un quantile condizionato.
Il capitolo del laboratorio sulla regressione robusta e quantile parte dai parametri usati dagli altri modelli (curve di domanda, costi, scenari). Qual è il suo punto?
Quei parametri sono dati e non vanno discussi
Stimarli è a sua volta un problema di ottimizzazione
Si stimano sempre con i minimi quadrati
Si possono stimare solo con una libreria di machine learning
Spiegazione. Qualcuno deve stimare i numeri che alimentano i modelli, e la stima è un problema di ottimizzazione: con gli scarti assoluti resta un LP, risolto con Gurobi come tutto il resto.
Nel laboratorio una previsione della domanda si stima minimizzando la somma degli scarti assoluti invece di quelli al quadrato. Quali due vantaggi indica la dispensa?
Una soluzione in forma chiusa e un ottimo unico
Errori più piccoli su ogni osservazione e soluzioni più rapide
Niente dati e niente solver
Resta un LP e i giorni anomali pesano meno
Spiegazione. Gli scarti assoluti tengono lineare il problema (due parti non negative per scarto) e pagano ogni scarto una volta sola, quindi pochi giorni anomali non tirano la retta; pesando in modo asimmetrico le due parti si punta a un quantile.
LP di regressione quantile: osservazioni $y_i$ ($i = 1, \dots, n$) con caratteristiche $x_{ij}$ ($j = 1, \dots, p$), coefficienti $w_j$ e intercetta $b$ liberi, scostamenti in eccesso $u_i \ge 0$ e in difetto $v_i \ge 0$ con $\sum_j w_jx_{ij} + b + u_i - v_i = y_i$; si minimizza $\sum_i[\tau u_i + (1 - \tau)v_i]$, $0 < \tau < 1$. Quante variabili e quanti vincoli di uguaglianza ha l'LP?
$p$ variabili e $n + 1$ vincoli
$n + p$ variabili e $2n$ vincoli
$2n + p + 1$ variabili e $n$ vincoli
$2n$ variabili e $p + 1$ vincoli
Spiegazione. Variabili libere: i $p$ coefficienti e l'intercetta; non negative: $u_i$ e $v_i$ per ogni osservazione; un vincolo di uguaglianza per osservazione definisce il suo scostamento.
LP di regressione quantile: osservazioni $y_i$ ($i = 1, \dots, n$) con caratteristiche $x_{ij}$ ($j = 1, \dots, p$), coefficienti $w_j$ e intercetta $b$ liberi, scostamenti in eccesso $u_i \ge 0$ e in difetto $v_i \ge 0$ con $\sum_j w_jx_{ij} + b + u_i - v_i = y_i$; si minimizza $\sum_i[\tau u_i + (1 - \tau)v_i]$, $0 < \tau < 1$. Senza caratteristiche ($p = 0$): sette giorni di vendite $88, 96, 104, 112, 120, 132, 148$ e $\tau = 9/13$ (panetteria con $c_u = 9$, $c_o = 4$). Quanto valgono l'intercetta ottima $\tilde b$ e il valore ottimo?
$\tilde b = 120$, valore $680/13 \approx 52{,}31$
$\tilde b = 112$, valore $768/13 \approx 59{,}08$
$\tilde b = 132$, valore $704/13 \approx 54{,}15$
$\tilde b = 114{,}29$ (la media), valore $\approx 57{,}14$
Spiegazione. Alzare $b$ fa risparmiare $\tau$ su ogni osservazione sopra e costa $1 - \tau$ su ogni osservazione sotto: conviene finché la quota sotto è al più $\tau$. $\tilde b = 120$ (4 sotto, 2 sopra, $4/7 \le \tau \le 5/7$); valore $\tfrac4{13}(32 + 24 + 16 + 8) + \tfrac9{13}(12 + 28) = 680/13$.
Storico della panetteria, modello dei minimi scostamenti assoluti con tre caratteristiche sui 60 giorni: i giorni normali hanno scostamenti di al più $23{,}2$ pezzi, i cinque giorni di sciopero di almeno $67{,}5$. Come lo usa la dispensa?
Come diagnostica dei giorni anomali
Come motivo per passare ai minimi quadrati
Per togliere la temperatura dal modello
Per porre $\tau$ uguale alla quota di giorni anomali
Spiegazione. Lo scostamento stesso è uno strumento diagnostico: una soglia a 40 pezzi segnala esattamente i cinque giorni di sciopero, senza sapere nulla degli scioperi.
LP di regressione quantile: osservazioni $y_i$ ($i = 1, \dots, n$) con caratteristiche $x_{ij}$ ($j = 1, \dots, p$), coefficienti $w_j$ e intercetta $b$ liberi, scostamenti in eccesso $u_i \ge 0$ e in difetto $v_i \ge 0$ con $\sum_j w_jx_{ij} + b + u_i - v_i = y_i$; si minimizza $\sum_i[\tau u_i + (1 - \tau)v_i]$, $0 < \tau < 1$. Senza caratteristiche ($p = 0$), sette osservazioni $88, 96, 104, 112, 120, 132, 148$, $\tau = 9/13$: l'ottimo è $\tilde b = 120$, con 4 osservazioni sotto e 2 sopra. I duali valgono $\tau$ per le osservazioni sopra, $-(1 - \tau)$ per quelle sotto, e hanno somma nulla. Quanto vale il duale $\tilde\pi$ dell'osservazione interpolata $120$?
$9/13$
$-4/13$
$-2/13$
$2/13$
Spiegazione. Da $\sum_i\tilde\pi_i = 0$: $2\cdot\tfrac9{13} - 4\cdot\tfrac4{13} + \tilde\pi = 0$, quindi $\tilde\pi = -2/13$, strettamente dentro $[-4/13, 9/13]$ come per ogni punto interpolato.
LP di regressione quantile: osservazioni $y_i$ ($i = 1, \dots, n$) con caratteristiche $x_{ij}$ ($j = 1, \dots, p$), coefficienti $w_j$ e intercetta $b$ liberi, scostamenti in eccesso $u_i \ge 0$ e in difetto $v_i \ge 0$ con $\sum_j w_jx_{ij} + b + u_i - v_i = y_i$; si minimizza $\sum_i[\tau u_i + (1 - \tau)v_i]$, $0 < \tau < 1$. Sia $\tilde\pi_i$ il duale ottimo del vincolo dell'osservazione $i$. L'ottimalità sul coefficiente libero $w_j$ dà $\sum_i\tilde\pi_ix_{ij} = 0$. Che cosa esprime?
La caratteristica $j$ deve essere standardizzata
I segni degli scostamenti sono slegati dalla caratteristica $j$
Il coefficiente $w_j$ è nullo all'ottimo
Esattamente metà delle osservazioni sta sopra la stima
Spiegazione. Una variabile libera dà un vincolo duale di uguaglianza. Poiché $\tilde\pi_i$ vale $\tau$ o $-(1 - \tau)$ secondo il lato dello scostamento, la condizione dice che i segni degli scostamenti, pesati con $x_{ij}$, si compensano: l'analogo, caratteristica per caratteristica, della proprietà del quantile data dall'intercetta.
LP di regressione quantile: osservazioni $y_i$ ($i = 1, \dots, n$) con caratteristiche $x_{ij}$ ($j = 1, \dots, p$), coefficienti $w_j$ e intercetta $b$ liberi, scostamenti in eccesso $u_i \ge 0$ e in difetto $v_i \ge 0$ con $\sum_j w_jx_{ij} + b + u_i - v_i = y_i$; si minimizza $\sum_i[\tau u_i + (1 - \tau)v_i]$, $0 < \tau < 1$. Panetteria, 55 giorni normali, tre caratteristiche: la tabella delle stime per $\tau = 0{,}10;\ 0{,}50;\ 9/13;\ 0{,}90$ termina con la colonna «quota sotto la stima»: $0{,}073$, $0{,}455$, $0{,}673$, $0{,}873$. Che cosa controlla quella colonna?
La proprietà del quantile delle stime
La quota di giorni con temperatura positiva
L'errore fuori campione di ciascun modello
La quota di caratteristiche con coefficiente non nullo
Spiegazione. A meno dei $p + 1$ punti di appoggio, la stima lascia sotto di sé una quota $\tau$ delle osservazioni: i valori sono vicini ai quattro $\tau$, un po' più piccoli perché i punti interpolati non si contano.
LP di regressione quantile: osservazioni $y_i$ ($i = 1, \dots, n$) con caratteristiche $x_{ij}$ ($j = 1, \dots, p$), coefficienti $w_j$ e intercetta $b$ liberi, scostamenti in eccesso $u_i \ge 0$ e in difetto $v_i \ge 0$ con $\sum_j w_jx_{ij} + b + u_i - v_i = y_i$; si minimizza $\sum_i[\tau u_i + (1 - \tau)v_i]$, $0 < \tau < 1$. Una panetteria vende a $p = 15$ €, compra a $c = 6$ € e recupera $v = 2$ € per pezzo invenduto, quindi $c_u = 9$ e $c_o = 4$. Quale $\tau$ dà, con la regressione quantile, la quantità da produrre ogni giorno?
$\tau = 1/2$, la mediana
$\tau = 4/13 = c_o/(c_u + c_o)$
$\tau = 9/13 = c_u/(c_u + c_o)$
$\tau = 9/4 = c_u/c_o$
Spiegazione. Il newsvendor ordina il quantile $c_u/(c_u + c_o) = 9/13 \approx 0{,}69$ della domanda; la regressione quantile con quel $\tau$ lo dà condizionato al giorno. $4/13$ scambia i due costi.
LP di regressione quantile: osservazioni $y_i$ ($i = 1, \dots, n$) con caratteristiche $x_{ij}$ ($j = 1, \dots, p$), coefficienti $w_j$ e intercetta $b$ liberi, scostamenti in eccesso $u_i \ge 0$ e in difetto $v_i \ge 0$ con $\sum_j w_jx_{ij} + b + u_i - v_i = y_i$; si minimizza $\sum_i[\tau u_i + (1 - \tau)v_i]$, $0 < \tau < 1$. Stime della panetteria: il coefficiente del weekend vale $+37{,}05$ pezzi per $\tau = 0{,}10$ e $+27{,}98$ per $\tau = 0{,}90$. Come si legge?
Un errore numerico: i coefficienti non devono dipendere da $\tau$
Gli effetti cambiano fra i quantili della domanda
Il weekend conta solo per $\tau = 0{,}10$
Il modello dovrebbe usare solo $\tau = 1/2$
Spiegazione. Ogni $\tau$ stima un quantile condizionato diverso, e una caratteristica può spostare la parte bassa della distribuzione più di quella alta: la regressione quantile descrive tutta la distribuzione condizionata, non solo il suo centro.
LP di regressione quantile: osservazioni $y_i$ ($i = 1, \dots, n$) con caratteristiche $x_{ij}$ ($j = 1, \dots, p$), coefficienti $w_j$ e intercetta $b$ liberi, scostamenti in eccesso $u_i \ge 0$ e in difetto $v_i \ge 0$ con $\sum_j w_jx_{ij} + b + u_i - v_i = y_i$; si minimizza $\sum_i[\tau u_i + (1 - \tau)v_i]$, $0 < \tau < 1$. La selezione delle caratteristiche aggiunge variabili $z_j \ge 0$, vincoli $-z_j \le w_j \le z_j$ e il budget $\sum_jz_j \le t$. Perché all'ottimo vale $\tilde z_j = |\tilde w_j|$?
Perché $z_j$ compare nell'obiettivo con costo positivo
Perché i vincoli impongono $z_j = w_j$
Perché le caratteristiche sono standardizzate
Perché uno $z_j$ in più spreca solo budget
Spiegazione. I due vincoli dicono $z_j \ge |w_j|$; uno $z_j$ oltre $|w_j|$ spreca budget che potrebbe allentare un altro coefficiente, quindi all'ottimo si può prendere uguale a $|w_j|$ e il modello resta un LP.
LP di regressione quantile: osservazioni $y_i$ ($i = 1, \dots, n$) con caratteristiche $x_{ij}$ ($j = 1, \dots, p$), coefficienti $w_j$ e intercetta $b$ liberi, scostamenti in eccesso $u_i \ge 0$ e in difetto $v_i \ge 0$ con $\sum_j w_jx_{ij} + b + u_i - v_i = y_i$; si minimizza $\sum_i[\tau u_i + (1 - \tau)v_i]$, $0 < \tau < 1$. Panetteria, budget $\sum_j|w_j| \le t$ sui coefficienti standardizzati, tre caratteristiche vere e quattro irrilevanti. Al crescere di $t$ la temperatura entra a $t = 3$, il prezzo a $t = 24$, il weekend a $t = 30$. Che cosa dice l'ordine di ingresso?
L'ordine di importanza delle caratteristiche
L'ordine in cui sono stati raccolti i dati
Quali caratteristiche sono misurate nelle unità più grandi
Nulla: per un LP è arbitrario
Spiegazione. Con un budget scarso l'LP lo spende dove riduce di più l'errore: le caratteristiche vere entrano in ordine di importanza, mentre quelle irrilevanti restano vicine a zero finché il budget non diventa palesemente eccessivo.
LP di regressione quantile: osservazioni $y_i$ ($i = 1, \dots, n$) con caratteristiche $x_{ij}$ ($j = 1, \dots, p$), coefficienti $w_j$ e intercetta $b$ liberi, scostamenti in eccesso $u_i \ge 0$ e in difetto $v_i \ge 0$ con $\sum_j w_jx_{ij} + b + u_i - v_i = y_i$; si minimizza $\sum_i[\tau u_i + (1 - \tau)v_i]$, $0 < \tau < 1$. Con un budget $t$ sui coefficienti standardizzati, come sceglie $t$ la dispensa?
Il $t$ che minimizza l'errore sui dati storici
Il $t$ più grande che il solver accetta
Il $t$ oltre cui il suo prezzo ombra è trascurabile
Sempre $t$ pari al numero di caratteristiche
Spiegazione. L'errore storico scende sempre al crescere di $t$ (più libertà insegue il rumore); il prezzo ombra, il prezzo della complessità, dice quando un'unità di budget in più smette di comprare segnale.
LP di regressione quantile: osservazioni $y_i$ ($i = 1, \dots, n$) con caratteristiche $x_{ij}$ ($j = 1, \dots, p$), coefficienti $w_j$ e intercetta $b$ liberi, scostamenti in eccesso $u_i \ge 0$ e in difetto $v_i \ge 0$ con $\sum_j w_jx_{ij} + b + u_i - v_i = y_i$; si minimizza $\sum_i[\tau u_i + (1 - \tau)v_i]$, $0 < \tau < 1$. Con il vincolo di budget $\sum_jz_j \le t$ ($z_j \ge |w_j|$), lo scarto assoluto medio ottimo in funzione di $t$ è decrescente e convesso. Quale risultato spiega la convessità?
Le caratteristiche sono standardizzate
La convessità del valore di un LP in un termine noto
La proprietà del quantile dell'intercetta
La dualità forte rende lineare ogni funzione valore
Spiegazione. Per un LP di minimo, $\tilde z(t)$ è il massimo dell'obiettivo duale su un insieme duale fisso, lineare in $t$: un massimo di funzioni lineari è convesso. La pendenza è il prezzo ombra, che sale da $-19{,}95$ a $-4{,}20$.
Panetteria con 60 giorni di storico, 5 dei quali di sciopero. La retta dei minimi scarti assoluti (LP, $\tau = 1/2$) con la sola temperatura si stima sui 60 giorni e poi sui soli 55 normali. Di quanto differiscono le due intercette?
$11{,}24$ pezzi
$7{,}43$ pezzi
$0{,}72$ pezzi
$3{,}81$ pezzi
Spiegazione. Sui 60 giorni $b = 209{,}77$, sui 55 normali $b = 210{,}49$: appena $0{,}72$ pezzi. L'LP paga ogni scarto una volta sola e gli scioperi spostano appena la retta.
Panetteria: la retta dei minimi scarti assoluti (LP, $\tau = 1/2$) stimata con la sola temperatura su 60 giorni, 5 dei quali di sciopero, è $209{,}77 - 3{,}63\,t$. Quale scarto assoluto medio ha sui 55 giorni normali?
$13{,}08$ pezzi
$23{,}2$ pezzi
$67{,}5$ pezzi
$3{,}63$ pezzi
Spiegazione. Lo script dà $13{,}08$ pezzi: la retta resta dove sono i dati normali. $23{,}2$ e $67{,}5$ sono gli scarti estremi del modello a tre caratteristiche; $3{,}63$ è la pendenza.
Perché nel corso Modellazione PL la domanda della panetteria si stima minimizzando la somma degli scarti *assoluti*?
Così le variabili del modello sono intere
Il modello resta un LP e regge ai giorni anomali
Così la stima coincide sempre con la media
Così servono meno giorni di storico
Spiegazione. Gli scarti assoluti si linearizzano con due variabili non negative: il modello è un LP, e ogni scarto pesa in proporzione alla sua grandezza, quindi pochi giorni anomali non trascinano la stima.
Panetteria, retta dei minimi scarti assoluti ($\tau = 1/2$) con la sola temperatura ($p = 1$) sui 60 giorni. Quante osservazioni interpola la retta (i punti di appoggio)?
$1$
$29$
$60$
$2$
Spiegazione. I punti di appoggio sono $p + 1 = 2$, tanti quante le variabili libere ($w$ e $b$): 29 osservazioni stanno sopra la retta, 29 sotto, 2 sulla retta.
Panetteria, LP dei minimi scarti assoluti ($\tau = 1/2$) con la sola temperatura sui 60 giorni: 29 osservazioni sopra la retta, 29 sotto, 2 sulla retta. Quanti duali $\tilde\pi_i$ valgono $+0{,}5$?
$2$
$29$
$58$
$30$
Spiegazione. Un'osservazione sopra la stima ha $\tilde u_i > 0$ e quindi $\tilde\pi_i = \tau = 0{,}5$: sono le 29 sopra la retta. Le 29 sotto hanno $-0{,}5$, i 2 punti di appoggio un valore intermedio.
Regressione quantile della panetteria sui 55 giorni normali, giorno tipo (28 gradi, prezzo $3{,}00$, weekend): la mediana prevista è $126{,}3$ pezzi e il quantile $9/13$ previsto è $132{,}1$. Quale scorta di sicurezza si produce?
$126{,}3$ pezzi
$148{,}0$ pezzi
$5{,}8$ pezzi
$16{,}0$ pezzi
Spiegazione. La scorta di sicurezza è la differenza fra il quantile del frattile critico e la mediana: $132{,}1 - 126{,}3 = 5{,}8$ pezzi. $148$ è il quantile senza caratteristiche.
Panetteria, selezione delle caratteristiche con un budget sui coefficienti standardizzati: in quale ordine entrano le caratteristiche al crescere del budget?
Temperatura, prezzo, weekend
Weekend, prezzo, temperatura
Prezzo, temperatura, pioggia
Temperatura, follower, prezzo
Spiegazione. Entrano nell'ordine della loro importanza: temperatura (budget 3), prezzo (24), weekend (30). Le caratteristiche irrilevanti restano sotto i 2 pezzi finché il budget non è eccessivo.
Nella regressione del corso Modellazione PL, a che cosa serve puntare a un *quantile* della domanda invece che al suo centro?
A dare il numero che serve al newsvendor
A ridurre il numero di osservazioni
A togliere l'intercetta dal modello
A rendere intere le variabili
Spiegazione. Pesando in modo asimmetrico gli scarti in eccesso e in difetto la stima punta al quantile del frattile critico: la quantità da produrre del newsvendor.
Selezione delle caratteristiche con un budget sui coefficienti: che cosa rappresenta la variabile ausiliaria $z_j$, con $-z_j \le w_j \le z_j$?
Il segno del coefficiente $w_j$
Lo scarto dell'osservazione $j$
Il valore assoluto del coefficiente $w_j$
Il duale del vincolo di budget
Spiegazione. I due vincoli forzano $z_j \ge |w_j|$ e, con il budget $\sum_j z_j \le t$, all'ottimo $z_j = |w_j|$: un vincolo sulla somma dei valori assoluti scritto in forma lineare.
Perché nella selezione delle caratteristiche le caratteristiche si standardizzano prima di imporre il budget sui coefficienti?
Per rendere intere le variabili del modello
Per eliminare l'intercetta dalla stima
Per ridurre il numero di giorni di storico
Il budget somma coefficienti di unità diverse
Spiegazione. Un budget sulla somma dei $|w_j|$ ha senso solo se i coefficienti sono confrontabili: standardizzando, ognuno misura i pezzi per deviazione standard.
Panetteria, modello dei minimi scarti assoluti con tre caratteristiche sui 60 giorni: domanda $= 276{,}46 - 3{,}97\,t - 23{,}12\,p + 28{,}51\,w$ ($w = 1$ nel weekend). Di quanto cresce la domanda prevista nel weekend?
$28{,}51$ pezzi
$23{,}12$ pezzi
$3{,}97$ pezzi
$276{,}46$ pezzi
Spiegazione. Il coefficiente di $w$ è $28{,}51$: a parità di temperatura e prezzo, nel weekend la stima sale di $28{,}51$ pezzi.
La panetteria del newsvendor ha costo di underage $c_u = 9$ e di overage $c_o = 4$. Quale $\tau$ usa la regressione quantile per la quantità da produrre?
$4/13$
$9/13$
$9/4$
$1/2$
Spiegazione. Il frattile critico è $c_u/(c_u + c_o) = 9/13$: la regressione quantile con $\tau = 9/13$ dà il quantile da produrre.
Che cosa stima, per il newsvendor, il capitolo sulla regressione robusta e quantile?
La media della domanda giornaliera
La varianza della domanda giornaliera
Il quantile condizionato della domanda
Il prezzo di vendita ottimo del pane
Spiegazione. Pesando in modo asimmetrico gli scarti, la regressione stima il quantile della domanda condizionato alle condizioni del giorno.
Domande generate (38)
Ogni generatore crea a ogni avvio un'istanza nuova, con numeri diversi: qui alcuni esempi.
2. Richiami: programmazione lineare e analisi di sensitività (6)
Esempio 1 · lpm-g-lp-duali-cs · livello facile · dispensa
Si consideri l'LP $\max\; 43x_1 + 73x_2$ soggetto a $x_1 + 4x_2 \le 47$, $3x_1 + 3x_2 \le 96$, $x_1, x_2 \ge 0$; il suo duale ha una variabile $\pi_i \ge 0$ per ogni vincolo $i$ (il prezzo ombra del vincolo). La soluzione ottima è $(\tilde x_1, \tilde x_2) = (27, 5)$, con entrambi i vincoli attivi. Quali sono i valori duali ottimi $(\tilde\pi_1, \tilde\pi_2)$?
$(\tilde\pi_1; \tilde\pi_2) = (18{,}11; 6{,}22)$
$(\tilde\pi_1; \tilde\pi_2) = (11; 10)$
$(\tilde\pi_1; \tilde\pi_2) = (10; 11)$
$(\tilde\pi_1; \tilde\pi_2) = (10{,}75; 10{,}43)$
Spiegazione. Le due variabili sono positive, quindi per gli scarti complementari i due vincoli duali sono attivi: $1\pi_1 + 3\pi_2 = 43$ e $4\pi_1 + 3\pi_2 = 73$ (i coefficienti sono le colonne del primale), da cui $\tilde\pi = (10; 11)$. Risolvere con le righe invece che con le colonne è l'errore tipico.
Esempio 2 · lpm-g-lp-duali-cs · livello facile · dispensa
Si consideri l'LP $\max\; 32x_1 + 49x_2$ soggetto a $2x_1 + x_2 \le 72$, $2x_1 + 4x_2 \le 138$, $x_1, x_2 \ge 0$; il suo duale ha una variabile $\pi_i \ge 0$ per ogni vincolo $i$ (il prezzo ombra del vincolo). La soluzione ottima è $(\tilde x_1, \tilde x_2) = (25, 22)$, con entrambi i vincoli attivi. Quali sono i valori duali ottimi $(\tilde\pi_1, \tilde\pi_2)$?
$(\tilde\pi_1; \tilde\pi_2) = (5; 11)$
$(\tilde\pi_1; \tilde\pi_2) = (13{,}17; 5{,}67)$
$(\tilde\pi_1; \tilde\pi_2) = (11; 5)$
$(\tilde\pi_1; \tilde\pi_2) = (8; 9{,}8)$
Spiegazione. Le due variabili sono positive, quindi per gli scarti complementari i due vincoli duali sono attivi: $2\pi_1 + 2\pi_2 = 32$ e $1\pi_1 + 4\pi_2 = 49$ (i coefficienti sono le colonne del primale), da cui $\tilde\pi = (5; 11)$. Risolvere con le righe invece che con le colonne è l'errore tipico.
Esempio 1 · lpm-g-lp-costo-ridotto · livello facile · dispensa
Si consideri l'LP $\max\; 43x_1 + 73x_2$ soggetto a $x_1 + 4x_2 \le 47$, $3x_1 + 3x_2 \le 96$, $x_1, x_2 \ge 0$; il suo duale ha una variabile $\pi_i \ge 0$ per ogni vincolo $i$ (il prezzo ombra del vincolo). All'ottimo i duali sono $(\tilde\pi_1, \tilde\pi_2) = (10, 11)$. Si aggiunge una variabile $x_3 \ge 0$ con coefficiente $c_3 = 49$ in obiettivo e consumi $a_{13} = 4$, $a_{23} = 1$. Quanto valgono il suo costo ridotto $\bar c_3$ ($c_3$ meno il valore delle risorse che consuma ai prezzi ombra) e la soglia $c_3^{\max}$, il più piccolo $c_3$ per cui conviene usare $x_3$?
$\bar c_3 = 2$, soglia $c_3^{\max} = 51$
$\bar c_3 = -5$, soglia $c_3^{\max} = 54$
$\bar c_3 = 9$, soglia $c_3^{\max} = 40$
$\bar c_3 = -2$, soglia $c_3^{\max} = 51$
Spiegazione. Le risorse assorbite da un'unità di $x_3$ valgono $4\cdot 10 + 1\cdot 11 = 51$ ai prezzi ombra, quindi $\bar c_3 = 49 - 51 = -2$: $x_3$ resta a zero e conviene attivarla solo se $c_3$ sale almeno a $51$.
Esempio 2 · lpm-g-lp-costo-ridotto · livello facile · dispensa
Si consideri l'LP $\max\; 32x_1 + 49x_2$ soggetto a $2x_1 + x_2 \le 72$, $2x_1 + 4x_2 \le 138$, $x_1, x_2 \ge 0$; il suo duale ha una variabile $\pi_i \ge 0$ per ogni vincolo $i$ (il prezzo ombra del vincolo). All'ottimo i duali sono $(\tilde\pi_1, \tilde\pi_2) = (5, 11)$. Si aggiunge una variabile $x_3 \ge 0$ con coefficiente $c_3 = 60$ in obiettivo e consumi $a_{13} = 4$, $a_{23} = 4$. Quanto valgono il suo costo ridotto $\bar c_3$ ($c_3$ meno il valore delle risorse che consuma ai prezzi ombra) e la soglia $c_3^{\max}$, il più piccolo $c_3$ per cui conviene usare $x_3$?
$\bar c_3 = 4$, soglia $c_3^{\max} = 64$
$\bar c_3 = -4$, soglia $c_3^{\max} = 64$
$\bar c_3 = 40$, soglia $c_3^{\max} = 20$
$\bar c_3 = -4$, soglia $c_3^{\max} = 60$
Spiegazione. Le risorse assorbite da un'unità di $x_3$ valgono $4\cdot 5 + 4\cdot 11 = 64$ ai prezzi ombra, quindi $\bar c_3 = 60 - 64 = -4$: $x_3$ resta a zero e conviene attivarla solo se $c_3$ sale almeno a $64$.
Esempio 1 · lpm-g-lp-intervallo-b · livello media · dispensa
Si consideri l'LP $\max\; 43x_1 + 73x_2$ soggetto a $x_1 + 4x_2 \le 47$, $3x_1 + 3x_2 \le 96$, $x_1, x_2 \ge 0$; il suo duale ha una variabile $\pi_i \ge 0$ per ogni vincolo $i$ (il prezzo ombra del vincolo). All'ottimo entrambi i vincoli sono attivi e $\tilde x = (27, 5)$, con $\tilde x_1, \tilde x_2 > 0$. Tenendo fisso $b_2 = 96$, per quali valori di $b_1$ questa base resta ottima (l'intervallo di validità del prezzo ombra $\tilde\pi_1$)?
$b_1 \in [24; 96]$
$b_1 \in [35{,}25; 141]$
$b_1 \in [32; 128]$
$b_1 \in [32; 47]$
Spiegazione. Con entrambi i vincoli attivi, $x(b_1)$ risolve $A x = (b_1, 96)$: $x_1 = (3b_1 - 384)/(-9)$ e $x_2 = (96 - 3b_1)/(-9)$. La base resta ottima (i duali non cambiano) finché entrambe sono $\ge 0$, cioè per $b_1 \in [32, 128]$; Gurobi lo restituisce come `SARHSLow`–`SARHSUp`.
Esempio 2 · lpm-g-lp-intervallo-b · livello media · dispensa
Si consideri l'LP $\max\; 32x_1 + 49x_2$ soggetto a $2x_1 + x_2 \le 72$, $2x_1 + 4x_2 \le 138$, $x_1, x_2 \ge 0$; il suo duale ha una variabile $\pi_i \ge 0$ per ogni vincolo $i$ (il prezzo ombra del vincolo). All'ottimo entrambi i vincoli sono attivi e $\tilde x = (25, 22)$, con $\tilde x_1, \tilde x_2 > 0$. Tenendo fisso $b_2 = 138$, per quali valori di $b_1$ questa base resta ottima (l'intervallo di validità del prezzo ombra $\tilde\pi_1$)?
$b_1 \in [34{,}5; 138]$
$b_1 \in [69; 276]$
$b_1 \in [72; 288]$
$b_1 \in [34{,}5; 72]$
Spiegazione. Con entrambi i vincoli attivi, $x(b_1)$ risolve $A x = (b_1, 138)$: $x_1 = (4b_1 - 138)/6$ e $x_2 = (276 - 2b_1)/6$. La base resta ottima (i duali non cambiano) finché entrambe sono $\ge 0$, cioè per $b_1 \in [34{,}5, 138]$; Gurobi lo restituisce come `SARHSLow`–`SARHSUp`.
Esempio 1 · lpm-g-lp-dualita-debole · livello facile · dispensa
Si consideri l'LP $\max\; 43x_1 + 73x_2$ soggetto a $x_1 + 4x_2 \le 47$, $3x_1 + 3x_2 \le 96$, $x_1, x_2 \ge 0$; il suo duale ha una variabile $\pi_i \ge 0$ per ogni vincolo $i$ (il prezzo ombra del vincolo). Il punto $\bar x = (23, 4)$ è ammissibile per il primale e $\bar\pi = (11, 11)$ è ammissibile per il duale $\min\ 47\pi_1 + 96\pi_2$ (vincoli duali $\pi_1 + 3\pi_2 \ge 43$, $4\pi_1 + 3\pi_2 \ge 73$). Per la dualità debole, quale intervallo contiene certamente il valore ottimo $\tilde z$ del primale?
$\tilde z \in [989; 1281]$
$\tilde z \in [1573; 1865]$
$\tilde z \in [1281; 1427]$
$\tilde z \in [1281; 1573]$
Spiegazione. Ogni punto primale ammissibile dà un limite inferiore per un massimo, $43\cdot 23 + 73\cdot 4 = 1281$, e ogni punto duale ammissibile un limite superiore, $47\cdot 11 + 96\cdot 11 = 1573$. Quindi $1281 \le \tilde z \le 1573$ (qui $\tilde z = 1526$). Scambiare i ruoli dei due limiti è l'errore tipico.
Esempio 2 · lpm-g-lp-dualita-debole · livello facile · dispensa
Si consideri l'LP $\max\; 32x_1 + 49x_2$ soggetto a $2x_1 + x_2 \le 72$, $2x_1 + 4x_2 \le 138$, $x_1, x_2 \ge 0$; il suo duale ha una variabile $\pi_i \ge 0$ per ogni vincolo $i$ (il prezzo ombra del vincolo). Il punto $\bar x = (21, 18)$ è ammissibile per il primale e $\bar\pi = (7, 14)$ è ammissibile per il duale $\min\ 72\pi_1 + 138\pi_2$ (vincoli duali $2\pi_1 + 2\pi_2 \ge 32$, $\pi_1 + 4\pi_2 \ge 49$). Per la dualità debole, quale intervallo contiene certamente il valore ottimo $\tilde z$ del primale?
$\tilde z \in [672; 1554]$
$\tilde z \in [2436; 3318]$
$\tilde z \in [1554; 2436]$
$\tilde z \in [1554; 1995]$
Spiegazione. Ogni punto primale ammissibile dà un limite inferiore per un massimo, $32\cdot 21 + 49\cdot 18 = 1554$, e ogni punto duale ammissibile un limite superiore, $72\cdot 7 + 138\cdot 14 = 2436$. Quindi $1554 \le \tilde z \le 2436$ (qui $\tilde z = 1878$). Scambiare i ruoli dei due limiti è l'errore tipico.
Esempio 1 · lpm-g-lp-perturbazione · livello facile · dispensa
Si consideri l'LP $\max\; 43x_1 + 73x_2$ soggetto a $x_1 + 4x_2 \le 47$, $3x_1 + 3x_2 \le 96$, $x_1, x_2 \ge 0$; il suo duale ha una variabile $\pi_i \ge 0$ per ogni vincolo $i$ (il prezzo ombra del vincolo). All'ottimo $\tilde z = 1526$, il prezzo ombra del vincolo 1 è $\tilde\pi_1 = 10$ (e $\tilde\pi_2 = 11$), e l'intervallo di validità di $b_1$ (dove $\tilde\pi_1$ resta esatto) è $[32; 128]$. Quanto vale il nuovo valore ottimo se $b_1$ passa da $47$ a $57$, a parità del resto?
$\tilde z = 1426$
$\tilde z = 1536$
$\tilde z = 1636$
$\tilde z = 1626$
Spiegazione. Il nuovo valore $57$ è dentro l'intervallo di validità, quindi il prezzo ombra è esatto: $\tilde z + \tilde\pi_1\,\Delta b_1 = 1526 + 10\cdot(10) = 1626$.
Esempio 2 · lpm-g-lp-perturbazione · livello facile · dispensa
Si consideri l'LP $\max\; 32x_1 + 49x_2$ soggetto a $2x_1 + x_2 \le 72$, $2x_1 + 4x_2 \le 138$, $x_1, x_2 \ge 0$; il suo duale ha una variabile $\pi_i \ge 0$ per ogni vincolo $i$ (il prezzo ombra del vincolo). All'ottimo $\tilde z = 1878$, il prezzo ombra del vincolo 1 è $\tilde\pi_1 = 5$ (e $\tilde\pi_2 = 11$), e l'intervallo di validità di $b_1$ (dove $\tilde\pi_1$ resta esatto) è $[34{,}5; 138]$. Quanto vale il nuovo valore ottimo se $b_1$ passa da $72$ a $83$, a parità del resto?
$\tilde z = 1933$
$\tilde z = 1883$
$\tilde z = 1823$
$\tilde z = 1999$
Spiegazione. Il nuovo valore $83$ è dentro l'intervallo di validità, quindi il prezzo ombra è esatto: $\tilde z + \tilde\pi_1\,\Delta b_1 = 1878 + 5\cdot(11) = 1933$.
Esempio 1 · lpm-g-lp-tutti-casi · livello complessa · dispensa
Si consideri l'LP $\min\ -4x_1 + 12x_2 - 12x_3$, soggetto a (1) $x_1 + x_2 \ge 39$, (2) $x_1 + x_2 - x_3 = 64$, (3) $3x_1 - x_2 \le 92$, $x_1 \ge 0$, $x_2$ libera, $x_3 \le 0$. La sua soluzione ottima è $\tilde x = (39, 25, 0)$. Sia $\tilde\pi_i = \partial\tilde z/\partial b_i$ il valore duale del vincolo $i$ (in un minimo: $\pi_i \ge 0$ per $\ge$, libera per $=$, $\le 0$ per $\le$). Con gli scarti complementari, quali sono i valori duali ottimi?
Spiegazione. Il vincolo (1) è lasco ($64 > 39$), quindi $\tilde\pi_1 = 0$. $x_1 > 0$ e $x_2 \ne 0$ rendono attivi i loro vincoli duali (colonne del primale): $\pi_2 + 3\pi_3 = -4$ e $\pi_2 - \pi_3 = 12$, da cui $\tilde\pi_2 = 8$, $\tilde\pi_3 = -4 \le 0$ come richiesto. Il vincolo duale di $x_3$ non deve essere attivo: $x_3$ sta al suo limite $0$ con costo ridotto $-12 + 8 = -4$. Verifica: $\sum_i b_i\tilde\pi_i = 144 = \tilde z$.
Esempio 2 · lpm-g-lp-tutti-casi · livello complessa · dispensa
Si consideri l'LP $\min\ 4x_1 + 16x_2 - 12x_3$, soggetto a (1) $x_1 + x_2 \ge 51$, (2) $x_1 + x_2 - x_3 = 64$, (3) $x_1 - 2x_2 \le -41$, $x_1 \ge 0$, $x_2$ libera, $x_3 \le 0$. La sua soluzione ottima è $\tilde x = (29, 35, 0)$. Sia $\tilde\pi_i = \partial\tilde z/\partial b_i$ il valore duale del vincolo $i$ (in un minimo: $\pi_i \ge 0$ per $\ge$, libera per $=$, $\le 0$ per $\le$). Con gli scarti complementari, quali sono i valori duali ottimi?
Spiegazione. Il vincolo (1) è lasco ($64 > 51$), quindi $\tilde\pi_1 = 0$. $x_1 > 0$ e $x_2 \ne 0$ rendono attivi i loro vincoli duali (colonne del primale): $\pi_2 + \pi_3 = 4$ e $\pi_2 - 2\pi_3 = 16$, da cui $\tilde\pi_2 = 8$, $\tilde\pi_3 = -4 \le 0$ come richiesto. Il vincolo duale di $x_3$ non deve essere attivo: $x_3$ sta al suo limite $0$ con costo ridotto $-12 + 8 = -4$. Verifica: $\sum_i b_i\tilde\pi_i = 676 = \tilde z$.
3. Il solver: costruire, risolvere, interpretare (4)
Esempio 1 · lpm-g-sv-dimensioni · livello facile · dispensa
Un LP gurobipy di produzione e scorte ha $n = 4$ prodotti e $m = 8$ mesi: variabili $x_{it} \ge 0$ (unità prodotte) e $s_{it} \ge 0$ (scorta a fine mese) per ogni prodotto $i$ e mese $t$; un vincolo di bilancio $s_{i,t-1} + x_{it} = d_{it} + s_{it}$ per prodotto e mese (la scorta iniziale $s_{i0}$ è un dato); un vincolo di ore macchina $\sum_i a_ix_{it} \le b_t$ per mese. Che cosa riporta la riga `Optimize a model with ... rows, ... columns` del log di Gurobi?
$64$ righe, $40$ colonne
$40$ righe, $64$ colonne
$32$ righe, $64$ colonne
$40$ righe, $32$ colonne
Spiegazione. Le righe sono i vincoli: $nm = 32$ bilanci più $m = 8$ capacità, $40$ in tutto; le colonne sono le variabili: $2nm = 64$. Controllare queste dimensioni è la prima lettura del log.
Esempio 2 · lpm-g-sv-dimensioni · livello facile · dispensa
Un LP gurobipy di produzione e scorte ha $n = 3$ prodotti e $m = 11$ mesi: variabili $x_{it} \ge 0$ (unità prodotte) e $s_{it} \ge 0$ (scorta a fine mese) per ogni prodotto $i$ e mese $t$; un vincolo di bilancio $s_{i,t-1} + x_{it} = d_{it} + s_{it}$ per prodotto e mese (la scorta iniziale $s_{i0}$ è un dato); un vincolo di ore macchina $\sum_i a_ix_{it} \le b_t$ per mese. Che cosa riporta la riga `Optimize a model with ... rows, ... columns` del log di Gurobi?
$44$ righe, $33$ colonne
$33$ righe, $66$ colonne
$44$ righe, $66$ colonne
$66$ righe, $44$ colonne
Spiegazione. Le righe sono i vincoli: $nm = 33$ bilanci più $m = 11$ capacità, $44$ in tutto; le colonne sono le variabili: $2nm = 66$. Controllare queste dimensioni è la prima lettura del log.
Esempio 1 · lpm-g-sv-rc-soglia · livello facile · dispensa
gurobipy, LP di minimo: $\min\ 16x_1 + 17x_2$ soggetto a $2x_1 + 2x_2 \ge 110$, $x_1, x_2 \ge 0$. All'ottimo $x_2 = 0$. Quanto valgono il suo costo ridotto (attributo `x2.RC`, $c_2$ meno il valore delle risorse che usa ai prezzi ombra) e la soglia di costo `SAObjLow` sotto la quale conviene usare $x_2$?
`RC` $= 1$, soglia $16$
`RC` $= 1$, soglia $18$
`RC` $= -1$, soglia $16$
`RC` $= 9$, soglia $8$
Spiegazione. Si usa solo $x_1$, quindi il prezzo ombra del vincolo è $c_1/a_1 = 8$; $x_2$ usa $2$ unità, che valgono $16$: `RC` $= 17 - 16 = 1 \ge 0$ (una variabile al limite inferiore in un minimo). Conviene usarla quando il suo costo scende a $16$.
Esempio 2 · lpm-g-sv-rc-soglia · livello facile · dispensa
gurobipy, LP di minimo: $\min\ 8x_1 + 16x_2$ soggetto a $2x_1 + 3x_2 \ge 30$, $x_1, x_2 \ge 0$. All'ottimo $x_2 = 0$. Quanto valgono il suo costo ridotto (attributo `x2.RC`, $c_2$ meno il valore delle risorse che usa ai prezzi ombra) e la soglia di costo `SAObjLow` sotto la quale conviene usare $x_2$?
`RC` $= 4$, soglia $12$
`RC` $= -4$, soglia $12$
`RC` $= 4$, soglia $20$
`RC` $= 12$, soglia $4$
Spiegazione. Si usa solo $x_1$, quindi il prezzo ombra del vincolo è $c_1/a_1 = 4$; $x_2$ usa $3$ unità, che valgono $12$: `RC` $= 16 - 12 = 4 \ge 0$ (una variabile al limite inferiore in un minimo). Conviene usarla quando il suo costo scende a $12$.
Esempio 1 · lpm-g-sv-pi-capacita · livello facile · dispensa
gurobipy, LP di minimo: $\min\ 5x_1 + 11x_2$ soggetto a domanda $x_1 + x_2 \ge 130$ e capacità della fonte economica $x_1 \le 70$, $x \ge 0$. Output: costo ottimo $1010$; vincolo di domanda `Pi` $= 11$; vincolo di capacità `Pi` $= -6$, `SARHS` $= [0, 130]$. Quanto vale il costo ottimo se la capacità diventa $71$?
$\tilde z = 1004$
$\tilde z = 1015$
$\tilde z = 1016$
$\tilde z = 1021$
Spiegazione. `Pi` $= \partial\tilde z/\partial b$: una capacità $\le$ in un minimo ha `Pi` $\le 0$, ogni unità fa risparmiare $6$ (la fonte economica sostituisce quella cara). Il nuovo valore è dentro `SARHS`, quindi $1010 + (-6)\cdot(1) = 1004$.
Esempio 2 · lpm-g-sv-pi-capacita · livello facile · dispensa
gurobipy, LP di minimo: $\min\ 4x_1 + 12x_2$ soggetto a domanda $x_1 + x_2 \ge 50$ e capacità della fonte economica $x_1 \le 40$, $x \ge 0$. Output: costo ottimo $280$; vincolo di domanda `Pi` $= 12$; vincolo di capacità `Pi` $= -8$, `SARHS` $= [0, 50]$. Quanto vale il costo ottimo se la capacità diventa $44$?
$\tilde z = 248$
$\tilde z = 328$
$\tilde z = 312$
$\tilde z = 296$
Spiegazione. `Pi` $= \partial\tilde z/\partial b$: una capacità $\le$ in un minimo ha `Pi` $\le 0$, ogni unità fa risparmiare $8$ (la fonte economica sostituisce quella cara). Il nuovo valore è dentro `SARHS`, quindi $280 + (-8)\cdot(4) = 248$.
Esempio 1 · lpm-g-sv-rhs-costante · livello facile · dispensa
In gurobipy il vincolo del contatore di un modello di ricarica EV si scrive `constr = m.addConstr(quicksum(x[v,t] for v in V) + base[t] <= C)`, con la costante `base[t] = 39` (carico di base, kW) e `C = 109` (limite del contatore). Quale valore memorizza Gurobi in `constr.RHS`, e quale valore va assegnato a `constr.RHS` per studiare un limite di $134$ kW?
`constr.RHS` $= 148$, da impostare $173$
`constr.RHS` $= 109$, da impostare $134$
`constr.RHS` $= 70$, da impostare $134$
`constr.RHS` $= 70$, da impostare $95$
Spiegazione. Gurobi sposta la costante nel termine noto: `RHS` $= 109 - 39 = 70$. Scrivere `constr.RHS = 134` imporrebbe $\sum_v x_{vt} \le 134$, un altro vincolo; l'assegnazione corretta è $134 - 39 = 95$.
Esempio 2 · lpm-g-sv-rhs-costante · livello facile · dispensa
In gurobipy il vincolo del contatore di un modello di ricarica EV si scrive `constr = m.addConstr(quicksum(x[v,t] for v in V) + base[t] <= C)`, con la costante `base[t] = 29` (carico di base, kW) e `C = 119` (limite del contatore). Quale valore memorizza Gurobi in `constr.RHS`, e quale valore va assegnato a `constr.RHS` per studiare un limite di $109$ kW?
`constr.RHS` $= 90$, da impostare $80$
`constr.RHS` $= 148$, da impostare $138$
`constr.RHS` $= 90$, da impostare $109$
`constr.RHS` $= 119$, da impostare $109$
Spiegazione. Gurobi sposta la costante nel termine noto: `RHS` $= 119 - 29 = 90$. Scrivere `constr.RHS = 109` imporrebbe $\sum_v x_{vt} \le 109$, un altro vincolo; l'assegnazione corretta è $109 - 29 = 80$.
4. Produzione e scorte multiperiodali (3)
Esempio 1 · lpm-g-prod-2mesi-costo · livello facile · dispensa
LP di produzione e scorte, un prodotto, due mesi: $x_t$ = unità prodotte e $s_t$ = scorta a fine mese $t$, bilancio $s_{t-1} + x_t = d_t + s_t$ ($s_0 = 0$), capacità $x_t \le b_t$; si minimizza $\sum_t (c\,x_t + h\,s_t)$. Dati: domanda $d_1 = 55$, $d_2 = 100$; $b_1 = b_2 = 80$ unità; $c = 14$ €/unità, costo di giacenza $h = 1$ €/unità/mese. Qual è il costo ottimo del piano?
2190 €
2270 €
2170 €
2210 €
Spiegazione. Il mese 2 produce al più $80$, quindi $\tilde s_1 = d_2 - b_2 = 20$ unità si producono nel mese 1 e restano a scorta un mese: $14\cdot 155 + 1\cdot 20 = 2190$ €.
Esempio 2 · lpm-g-prod-2mesi-costo · livello facile · dispensa
LP di produzione e scorte, un prodotto, due mesi: $x_t$ = unità prodotte e $s_t$ = scorta a fine mese $t$, bilancio $s_{t-1} + x_t = d_t + s_t$ ($s_0 = 0$), capacità $x_t \le b_t$; si minimizza $\sum_t (c\,x_t + h\,s_t)$. Dati: domanda $d_1 = 25$, $d_2 = 100$; $b_1 = b_2 = 70$ unità; $c = 6$ €/unità, costo di giacenza $h = 2$ €/unità/mese. Qual è il costo ottimo del piano?
810 €
750 €
950 €
870 €
Spiegazione. Il mese 2 produce al più $70$, quindi $\tilde s_1 = d_2 - b_2 = 30$ unità si producono nel mese 1 e restano a scorta un mese: $6\cdot 125 + 2\cdot 30 = 810$ €.
Esempio 1 · lpm-g-prod-2mesi-duali · livello facile · dispensa
LP di produzione e scorte, un prodotto, due mesi: $x_t$ = unità prodotte e $s_t$ = scorta a fine mese $t$, bilancio $s_{t-1} + x_t = d_t + s_t$ ($s_0 = 0$), capacità $x_t \le b_t$; si minimizza $\sum_t (c\,x_t + h\,s_t)$. Dati: domanda $d_1 = 50$, $d_2 = 100$; $b_1 = b_2 = 80$ unità; $c = 14$ €/unità, costo di giacenza $h = 1$ €/unità/mese. Quanto valgono i prezzi ombra $\tilde\pi_t = \partial\tilde z/\partial b_t$ dei due vincoli di capacità ($\tilde z$ = costo ottimo; convenzione di segno di Gurobi)?
$\tilde\pi_1 = 0$, $\tilde\pi_2 = -1$
$\tilde\pi_1 = -1$, $\tilde\pi_2 = 0$
$\tilde\pi_1 = 0$, $\tilde\pi_2 = 1$
$\tilde\pi_1 = 0$, $\tilde\pi_2 = -14$
Spiegazione. Un'unità di capacità in più nel mese 2 permette di produrre un'unità un mese dopo, risparmiando la giacenza: $\tilde\pi_2 = -h = -1$ (un vincolo $\le$ in un problema di minimo ha $\tilde\pi \le 0$). Il mese 1 produce $70 < 80$: il suo vincolo non è attivo e $\tilde\pi_1 = 0$.
Esempio 2 · lpm-g-prod-2mesi-duali · livello facile · dispensa
LP di produzione e scorte, un prodotto, due mesi: $x_t$ = unità prodotte e $s_t$ = scorta a fine mese $t$, bilancio $s_{t-1} + x_t = d_t + s_t$ ($s_0 = 0$), capacità $x_t \le b_t$; si minimizza $\sum_t (c\,x_t + h\,s_t)$. Dati: domanda $d_1 = 25$, $d_2 = 100$; $b_1 = b_2 = 70$ unità; $c = 6$ €/unità, costo di giacenza $h = 2$ €/unità/mese. Quanto valgono i prezzi ombra $\tilde\pi_t = \partial\tilde z/\partial b_t$ dei due vincoli di capacità ($\tilde z$ = costo ottimo; convenzione di segno di Gurobi)?
$\tilde\pi_1 = 0$, $\tilde\pi_2 = -2$
$\tilde\pi_1 = 0$, $\tilde\pi_2 = 2$
$\tilde\pi_1 = -2$, $\tilde\pi_2 = 0$
$\tilde\pi_1 = 0$, $\tilde\pi_2 = -6$
Spiegazione. Un'unità di capacità in più nel mese 2 permette di produrre un'unità un mese dopo, risparmiando la giacenza: $\tilde\pi_2 = -h = -2$ (un vincolo $\le$ in un problema di minimo ha $\tilde\pi \le 0$). Il mese 1 produce $55 < 70$: il suo vincolo non è attivo e $\tilde\pi_1 = 0$.
Esempio 1 · lpm-g-prod-3mesi · livello complessa · dispensa
LP di produzione e scorte, un prodotto, tre mesi: $x_t$ = unità prodotte e $s_t$ = scorta a fine mese $t$, bilancio $s_{t-1} + x_t = d_t + s_t$ ($s_0 = 0$), capacità $x_t \le b_t$; si minimizza $z = \sum_t (c\,x_t + h\,s_t)$. Dati: $(d_1, d_2, d_3) = (60, 55, 120)$, $(b_1, b_2, b_3) = (80, 80, 90)$, $c = 9$ €/unità, $h = 2$ €/unità/mese. Quanto valgono il costo ottimo $\tilde z$ e le scorte ottime $\tilde s_1, \tilde s_2$?
Spiegazione. Con lo stesso $c$ in ogni mese conviene produrre il più tardi possibile. Al mese 3 mancano $120 - 90 = 30$ unità: $\tilde s_2 = 30$. Il mese 2 deve coprire $55 + 30 = 85 > 80$, quindi $\tilde s_1 = 5$. Costo $9\cdot 235 + 2\cdot(5 + 30) = 2185$ €.
Esempio 2 · lpm-g-prod-3mesi · livello complessa · dispensa
LP di produzione e scorte, un prodotto, tre mesi: $x_t$ = unità prodotte e $s_t$ = scorta a fine mese $t$, bilancio $s_{t-1} + x_t = d_t + s_t$ ($s_0 = 0$), capacità $x_t \le b_t$; si minimizza $z = \sum_t (c\,x_t + h\,s_t)$. Dati: $(d_1, d_2, d_3) = (50, 100, 70)$, $(b_1, b_2, b_3) = (70, 100, 60)$, $c = 11$ €/unità, $h = 2$ €/unità/mese. Quanto valgono il costo ottimo $\tilde z$ e le scorte ottime $\tilde s_1, \tilde s_2$?
Spiegazione. Con lo stesso $c$ in ogni mese conviene produrre il più tardi possibile. Al mese 3 mancano $70 - 60 = 10$ unità: $\tilde s_2 = 10$. Il mese 2 deve coprire $100 + 10 = 110 > 100$, quindi $\tilde s_1 = 10$. Costo $11\cdot 220 + 2\cdot(10 + 10) = 2460$ €.
5. Ricarica intelligente di veicoli elettrici (2)
Esempio 1 · lpm-g-ev-un-veicolo · livello facile · dispensa
LP di ricarica EV, un veicolo, due fasce di un'ora: $x_t$ = energia caricata nell'ora $t$ (kWh), $0 \le x_t \le \bar p = 11$ (potenza del caricatore, kW), requisito $x_1 + x_2 \ge e = 20$ kWh (rendimento $\eta = 1$); si minimizza $\pi_1x_1 + \pi_2x_2$ con $\pi_1 = 0{,}15$, $\pi_2 = 0{,}25$ €/kWh. Quanto valgono il costo minimo e il prezzo ombra del requisito (costo di un kWh in più)?
costo 3,9 €, prezzo ombra 0,1 €/kWh
costo 3,9 €, prezzo ombra 0,15 €/kWh
costo 3 €, prezzo ombra 0,15 €/kWh
costo 3,9 €, prezzo ombra 0,25 €/kWh
Spiegazione. L'ora economica si usa alla potenza massima ($11$ kWh), i restanti $9$ kWh vanno nell'ora 2: $3{,}9$ €. Un kWh in più finirebbe nell'ora cara: il duale è il prezzo dell'ora marginale, $0{,}25$.
Esempio 2 · lpm-g-ev-un-veicolo · livello facile · dispensa
LP di ricarica EV, un veicolo, due fasce di un'ora: $x_t$ = energia caricata nell'ora $t$ (kWh), $0 \le x_t \le \bar p = 6$ (potenza del caricatore, kW), requisito $x_1 + x_2 \ge e = 7$ kWh (rendimento $\eta = 1$); si minimizza $\pi_1x_1 + \pi_2x_2$ con $\pi_1 = 0{,}12$, $\pi_2 = 0{,}3$ €/kWh. Quanto valgono il costo minimo e il prezzo ombra del requisito (costo di un kWh in più)?
costo 1,02 €, prezzo ombra 0,3 €/kWh
costo 1,02 €, prezzo ombra 0,18 €/kWh
costo 0,84 €, prezzo ombra 0,12 €/kWh
costo 1,02 €, prezzo ombra 0,12 €/kWh
Spiegazione. L'ora economica si usa alla potenza massima ($6$ kWh), i restanti $1$ kWh vanno nell'ora 2: $1{,}02$ €. Un kWh in più finirebbe nell'ora cara: il duale è il prezzo dell'ora marginale, $0{,}3$.
Esempio 1 · lpm-g-ev-tre-ore · livello media · dispensa
LP di ricarica EV, un veicolo collegato per tre fasce di un'ora: $x_t$ = energia prelevata dalla rete nell'ora $t$ (kWh), $0 \le x_t \le \bar p = 9$; requisito $\eta\,(x_1 + x_2 + x_3) \ge e = 18$ kWh, con rendimento $\eta = 0{,}9$; si minimizza $\sum_t \pi_t x_t$ con $(\pi_1, \pi_2, \pi_3) = (0{,}18, 0{,}25, 0{,}08)$ €/kWh. Quanto valgono il costo minimo e il prezzo ombra del requisito (costo di un kWh in più nella batteria)?
costo 2,34 €, prezzo ombra 0,18 €/kWh
costo 2,84 €, prezzo ombra 0,25 €/kWh
costo 2,84 €, prezzo ombra 0,278 €/kWh
costo 2,84 €, prezzo ombra 0,089 €/kWh
Spiegazione. La rete deve fornire $e/\eta = 20$ kWh, comprati nelle ore più economiche alla potenza massima $\bar p$: costo $2{,}84$ €. Un kWh in più nella batteria richiede $1/\eta$ kWh nell'ora marginale (prezzo $0{,}25$): prezzo ombra $0{,}25/0{,}9 = 0{,}278$ €/kWh. Dimenticare $\eta$ fa comprare solo $e$ kWh.
Esempio 2 · lpm-g-ev-tre-ore · livello media · dispensa
LP di ricarica EV, un veicolo collegato per tre fasce di un'ora: $x_t$ = energia prelevata dalla rete nell'ora $t$ (kWh), $0 \le x_t \le \bar p = 9$; requisito $\eta\,(x_1 + x_2 + x_3) \ge e = 21{,}6$ kWh, con rendimento $\eta = 0{,}9$; si minimizza $\sum_t \pi_t x_t$ con $(\pi_1, \pi_2, \pi_3) = (0{,}25, 0{,}2, 0{,}3)$ €/kWh. Quanto valgono il costo minimo e il prezzo ombra del requisito (costo di un kWh in più nella batteria)?
costo 5,13 €, prezzo ombra 0,3 €/kWh
costo 5,85 €, prezzo ombra 0,3 €/kWh
costo 5,85 €, prezzo ombra 0,333 €/kWh
costo 5,85 €, prezzo ombra 0,222 €/kWh
Spiegazione. La rete deve fornire $e/\eta = 24$ kWh, comprati nelle ore più economiche alla potenza massima $\bar p$: costo $5{,}85$ €. Un kWh in più nella batteria richiede $1/\eta$ kWh nell'ora marginale (prezzo $0{,}3$): prezzo ombra $0{,}3/0{,}9 = 0{,}333$ €/kWh. Dimenticare $\eta$ fa comprare solo $e$ kWh.
6. Data Envelopment Analysis (3)
Esempio 1 · lpm-g-dea-ccr-1x1 · livello facile · dispensa
DEA con cinque DMU (unità decisionali), un input $x$ e un output $y$. DMU $j$: 1 $(x_{11}, y_{11}) = (8, 7)$; 2 $(x_{12}, y_{12}) = (10, 11)$; 3 $(x_{13}, y_{13}) = (3, 10)$; 4 $(x_{14}, y_{14}) = (8, 8)$; 5 $(x_{15}, y_{15}) = (11, 1)$. L'efficienza CCR della DMU $o$ è $h_o = \max\, u\,y_o/(v\,x_o)$ sui pesi $u, v \ge 0$ che danno a ogni DMU $j$ un rapporto $u\,y_j/(v\,x_j) \le 1$. Qual è l'efficienza CCR $\tilde h_{5}$ della DMU 5?
$\tilde h_{5} = 0{,}083$
$\tilde h_{5} = 0{,}091$
$\tilde h_{5} = 0{,}273$
$\tilde h_{5} = 0{,}027$
Spiegazione. Con un input e un output i pesi si semplificano: l'efficienza è $y_o/x_o$ diviso il rapporto migliore, $10/3$ della DMU 3: $(1/11)/(10/3) = 0{,}027$.
Esempio 2 · lpm-g-dea-ccr-1x1 · livello facile · dispensa
DEA con cinque DMU (unità decisionali), un input $x$ e un output $y$. DMU $j$: 1 $(x_{11}, y_{11}) = (6, 11)$; 2 $(x_{12}, y_{12}) = (5, 2)$; 3 $(x_{13}, y_{13}) = (6, 11)$; 4 $(x_{14}, y_{14}) = (10, 8)$; 5 $(x_{15}, y_{15}) = (12, 10)$. L'efficienza CCR della DMU $o$ è $h_o = \max\, u\,y_o/(v\,x_o)$ sui pesi $u, v \ge 0$ che danno a ogni DMU $j$ un rapporto $u\,y_j/(v\,x_j) \le 1$. Qual è l'efficienza CCR $\tilde h_{4}$ della DMU 4?
$\tilde h_{4} = 0{,}727$
$\tilde h_{4} = 0{,}436$
$\tilde h_{4} = 0{,}5$
$\tilde h_{4} = 0{,}8$
Spiegazione. Con un input e un output i pesi si semplificano: l'efficienza è $y_o/x_o$ diviso il rapporto migliore, $11/6$ della DMU 1: $(8/10)/(11/6) = 0{,}436$.
Esempio 1 · lpm-g-dea-bcc-1x1 · livello media · dispensa
DEA con cinque DMU (unità decisionali), un input $x$ e un output $y$. DMU $j$: 1 $(x_{11}, y_{11}) = (4, 4)$; 2 $(x_{12}, y_{12}) = (2, 2)$; 3 $(x_{13}, y_{13}) = (5, 7)$; 4 $(x_{14}, y_{14}) = (3, 6)$; 5 $(x_{15}, y_{15}) = (7, 9)$. L'efficienza BCC orientata all'input $\tilde\theta^{\rm BCC}$ della DMU $o$ è il più piccolo $\theta$ tale che una combinazione convessa delle DMU ($\lambda_j \ge 0$, $\sum_j\lambda_j = 1$) produca almeno $y_o$ con al più $\theta x_o$; l'efficienza di scala è $\mathrm{SE} = \tilde\theta^{\rm CCR}/\tilde\theta^{\rm BCC}$. La DMU 1 ha $\tilde\theta^{\rm CCR} = 0{,}5$. Quanto valgono il suo $\tilde\theta^{\rm BCC}$ e $\mathrm{SE}$?
Spiegazione. La DMU virtuale BCC è una combinazione convessa ($\sum_j \lambda_j = 1$) che produce almeno $y_o = 4$ col minimo input: combinando due DMU ai due lati di $y_o$ si ottiene $\tilde\theta^{\rm BCC} = 0{,}625$, meglio della migliore DMU singola ($0{,}75$). Poi $\mathrm{SE} = \tilde\theta^{\rm CCR}/\tilde\theta^{\rm BCC} = 0{,}8$.
Esempio 2 · lpm-g-dea-bcc-1x1 · livello media · dispensa
DEA con cinque DMU (unità decisionali), un input $x$ e un output $y$. DMU $j$: 1 $(x_{11}, y_{11}) = (6, 11)$; 2 $(x_{12}, y_{12}) = (5, 2)$; 3 $(x_{13}, y_{13}) = (6, 11)$; 4 $(x_{14}, y_{14}) = (10, 8)$; 5 $(x_{15}, y_{15}) = (12, 10)$. L'efficienza BCC orientata all'input $\tilde\theta^{\rm BCC}$ della DMU $o$ è il più piccolo $\theta$ tale che una combinazione convessa delle DMU ($\lambda_j \ge 0$, $\sum_j\lambda_j = 1$) produca almeno $y_o$ con al più $\theta x_o$; l'efficienza di scala è $\mathrm{SE} = \tilde\theta^{\rm CCR}/\tilde\theta^{\rm BCC}$. La DMU 4 ha $\tilde\theta^{\rm CCR} = 0{,}436$. Quanto valgono il suo $\tilde\theta^{\rm BCC}$ e $\mathrm{SE}$?
Spiegazione. La DMU virtuale BCC è una combinazione convessa ($\sum_j \lambda_j = 1$) che produce almeno $y_o = 8$ col minimo input: combinando due DMU ai due lati di $y_o$ si ottiene $\tilde\theta^{\rm BCC} = 0{,}567$, meglio della migliore DMU singola ($0{,}6$). Poi $\mathrm{SE} = \tilde\theta^{\rm CCR}/\tilde\theta^{\rm BCC} = 0{,}77$.
Esempio 1 · lpm-g-dea-ccr-2input · livello complessa · dispensa
DEA con cinque DMU (unità decisionali), due input e un output, dati $(x_{1j}, x_{2j}; y_{1j})$: 1: $(24, 4; 2)$, 2: $(18, 16; 2)$, 3: $(4, 16; 2)$, 4: $(30, 36; 3)$, 5: $(30, 30; 3)$. Forma di inviluppo CCR orientata all'input per la DMU $o$: $\min\theta$ soggetto a $\sum_j\lambda_jx_{ij} \le \theta x_{io}$ ($i = 1, 2$), $\sum_j\lambda_jy_{1j} \ge y_{1o}$, $\lambda_j \ge 0$. Per $o = 4$, quanto valgono l'efficienza $\tilde\theta$ e i target radiali degli input $(\tilde\theta x_{1o}; \tilde\theta x_{2o})$?
Spiegazione. Con rendimenti costanti si dividono gli input per l'output: i punti $(x_{1j}/y_{1j}, x_{2j}/y_{2j})$ si confrontano a parità di output. La forma di inviluppo cerca il più piccolo $\theta$ tale che una combinazione di DMU usi al più $\theta$ volte entrambi gli input della DMU 4: qui l'ottimo combina due DMU, $\tilde\theta = 0{,}511$ (la migliore DMU singola dà solo $0{,}667$).
Esempio 2 · lpm-g-dea-ccr-2input · livello complessa · dispensa
DEA con cinque DMU (unità decisionali), due input e un output, dati $(x_{1j}, x_{2j}; y_{1j})$: 1: $(5, 8; 1)$, 2: $(22, 22; 2)$, 3: $(7, 11; 1)$, 4: $(20, 18; 2)$, 5: $(10, 5; 1)$. Forma di inviluppo CCR orientata all'input per la DMU $o$: $\min\theta$ soggetto a $\sum_j\lambda_jx_{ij} \le \theta x_{io}$ ($i = 1, 2$), $\sum_j\lambda_jy_{1j} \ge y_{1o}$, $\lambda_j \ge 0$. Per $o = 2$, quanto valgono l'efficienza $\tilde\theta$ e i target radiali degli input $(\tilde\theta x_{1o}; \tilde\theta x_{2o})$?
Spiegazione. Con rendimenti costanti si dividono gli input per l'output: i punti $(x_{1j}/y_{1j}, x_{2j}/y_{2j})$ si confrontano a parità di output. La forma di inviluppo cerca il più piccolo $\theta$ tale che una combinazione di DMU usi al più $\theta$ volte entrambi gli input della DMU 2: qui l'ottimo combina due DMU, $\tilde\theta = 0{,}625$ (la migliore DMU singola dà solo $0{,}727$).
7. Il Newsvendor e le sue varianti (5)
Esempio 1 · lpm-g-nv-uniforme · livello facile · dispensa
Newsvendor: si ordina una quantità $q$ prima di conoscere la domanda; ogni unità costa $c = 12$ €, si vende a $p = 21$ € e, se invenduta, si recupera a $v = 9$ €. La domanda è uniforme su $[140, 164]$ e $q$ massimizza il profitto atteso. Quanto valgono il rapporto critico $\alpha^* = \mathbb P(D \le q^*)$ e la quantità ottima $q^*$?
$\alpha^* = 0{,}75$, $q^* = 158$
$\alpha^* = 0{,}5$, $q^* = 152$
$\alpha^* = 0{,}25$, $q^* = 146$
$\alpha^* = 0{,}6364$, $q^* = 155{,}3$
Spiegazione. $c_u = p - c = 9$, $c_o = c - v = 3$, $\alpha^* = c_u/(c_u + c_o) = 9/12$; per la distribuzione uniforme $F^{-1}(\alpha) = 140 + 24\,\alpha$, quindi $q^* = 158$, non la media.
Esempio 2 · lpm-g-nv-uniforme · livello facile · dispensa
Newsvendor: si ordina una quantità $q$ prima di conoscere la domanda; ogni unità costa $c = 14$ €, si vende a $p = 18$ € e, se invenduta, si recupera a $v = 4$ €. La domanda è uniforme su $[60, 116]$ e $q$ massimizza il profitto atteso. Quanto valgono il rapporto critico $\alpha^* = \mathbb P(D \le q^*)$ e la quantità ottima $q^*$?
$\alpha^* = 0{,}2857$, $q^* = 76$
$\alpha^* = 0{,}7143$, $q^* = 100$
$\alpha^* = 0{,}5$, $q^* = 88$
$\alpha^* = 0{,}5625$, $q^* = 91{,}5$
Spiegazione. $c_u = p - c = 4$, $c_o = c - v = 10$, $\alpha^* = c_u/(c_u + c_o) = 4/14$; per la distribuzione uniforme $F^{-1}(\alpha) = 60 + 56\,\alpha$, quindi $q^* = 76$, non la media.
Esempio 1 · lpm-g-nv-discreto · livello media · dispensa
Newsvendor: si ordina una quantità $q$ prima di conoscere la domanda $D$, per minimizzare il costo atteso $\mathbb E[c_o(q - D)^+ + c_u(D - q)^+]$, con costo di underage $c_u = 4$ per unità di domanda non servita e di overage $c_o = 12$ per unità invenduta. Scenari di domanda (probabilità tra parentesi): $70$ (0{,}3), $110$ (0{,}1), $120$ (0{,}3), $130$ (0{,}3). Quanto valgono la quantità ottima $q^*$ e il suo costo atteso?
$q^* = 130$, costo atteso 276
$q^* = 70$, costo atteso 148
$q^* = 110$, costo atteso 180
$q^* = 120$, costo atteso 204
Spiegazione. $\alpha^* = 4/16 = 0{,}25$: l'ottimo è il più piccolo $q$ con $F(q) \ge \alpha^*$, cioè $q^* = 70$, con costo atteso $\sum_s \pi_s (c_o (q - d_s)^+ + c_u (d_s - q)^+) = 148$.
Esempio 2 · lpm-g-nv-discreto · livello media · dispensa
Newsvendor: si ordina una quantità $q$ prima di conoscere la domanda $D$, per minimizzare il costo atteso $\mathbb E[c_o(q - D)^+ + c_u(D - q)^+]$, con costo di underage $c_u = 11$ per unità di domanda non servita e di overage $c_o = 4$ per unità invenduta. Scenari di domanda (probabilità tra parentesi): $60$ (0{,}4), $100$ (0{,}3), $110$ (0{,}1), $130$ (0{,}1), $140$ (0{,}1). Quanto valgono la quantità ottima $q^*$ e il suo costo atteso?
$q^* = 110$, costo atteso 147
$q^* = 100$, costo atteso 152
$q^* = 60$, costo atteso 352
$q^* = 130$, costo atteso 167
Spiegazione. $\alpha^* = 11/15 = 0{,}7333$: l'ottimo è il più piccolo $q$ con $F(q) \ge \alpha^*$, cioè $q^* = 110$, con costo atteso $\sum_s \pi_s (c_o (q - d_s)^+ + c_u (d_s - q)^+) = 147$.
Esempio 1 · lpm-g-nv-vss · livello complessa · dispensa
Newsvendor: si ordina una quantità $q$ prima di conoscere la domanda $D$, per minimizzare il costo atteso $\mathbb E[c_o(q - D)^+ + c_u(D - q)^+]$, con costo di underage $c_u = 7$ per unità di domanda non servita e di overage $c_o = 11$ per unità invenduta. Scenari di domanda (probabilità tra parentesi): $130$ (0{,}4), $140$ (0{,}2), $160$ (0{,}2), $190$ (0{,}1), $200$ (0{,}1). Calcolare la quantità ottima $q^*$, il suo costo atteso e il valore della soluzione stocastica VSS (costo atteso di ordinare la domanda media meno il costo di $q^*$).
$q^* = 130$, costo 147, VSS $= 147$
$q^* = 140$, costo 149, VSS $= 41{,}8$
$q^* = 130$, costo 147, VSS $= 190{,}8$
$q^* = 130$, costo 147, VSS $= 43{,}8$
Spiegazione. $\alpha^* = 0{,}3889$ dà $q^* = 130$ con costo $147$. La domanda media è $151$, con costo atteso $190{,}8$: VSS $= 190{,}8 - 147 = 43{,}8$.
Esempio 2 · lpm-g-nv-vss · livello complessa · dispensa
Newsvendor: si ordina una quantità $q$ prima di conoscere la domanda $D$, per minimizzare il costo atteso $\mathbb E[c_o(q - D)^+ + c_u(D - q)^+]$, con costo di underage $c_u = 11$ per unità di domanda non servita e di overage $c_o = 4$ per unità invenduta. Scenari di domanda (probabilità tra parentesi): $60$ (0{,}4), $100$ (0{,}3), $110$ (0{,}1), $130$ (0{,}1), $140$ (0{,}1). Calcolare la quantità ottima $q^*$, il suo costo atteso e il valore della soluzione stocastica VSS (costo atteso di ordinare la domanda media meno il costo di $q^*$).
$q^* = 110$, costo 147, VSS $= 45$
$q^* = 110$, costo 147, VSS $= 192$
$q^* = 100$, costo 152, VSS $= 40$
$q^* = 110$, costo 147, VSS $= 147$
Spiegazione. $\alpha^* = 0{,}7333$ dà $q^* = 110$ con costo $147$. La domanda media è $92$, con costo atteso $192$: VSS $= 192 - 147 = 45$.
Esempio 1 · lpm-g-nv-normale · livello facile · dispensa
Newsvendor: un prodotto si compra a $c = 8$ €, si vende a $p = 20$ € e ogni unità invenduta si recupera a $v = 4$ €; la domanda è normale con media $190$ e deviazione standard $10$. L'ordine ottimo soddisfa $F(\tilde q) = c_u/(c_u + c_o)$ con $c_u = p - c$ e $c_o = c - v$, quindi $\tilde q = \mu + z\sigma$ con $z = \Phi^{-1}(c_u/(c_u + c_o))$ (quantili della normale standard: $\Phi^{-1}(0{,}6) = 0{,}253$, $\Phi^{-1}(0{,}7) = 0{,}524$, $\Phi^{-1}(0{,}75) = 0{,}674$, $\Phi^{-1}(0{,}8) = 0{,}842$, $\Phi^{-1}(0{,}9) = 1{,}282$). Quanto vale $\tilde q$?
$\tilde q = 196{,}7$
$\tilde q = 198{,}4$
$\tilde q = 183{,}3$
$\tilde q = 190$
Spiegazione. $c_u = 12$, $c_o = 4$, rapporto critico $12/16 = 0{,}75$, $z = 0{,}674$: $\tilde q = 190 + 0{,}674\cdot 10 = 196{,}7$, sopra la media perché la carenza costa più dell'invenduto. Scambiare $c_u$ e $c_o$ dà $\mu - z\sigma$.
Esempio 2 · lpm-g-nv-normale · livello facile · dispensa
Newsvendor: un prodotto si compra a $c = 8$ €, si vende a $p = 22$ € e ogni unità invenduta si recupera a $v = 2$ €; la domanda è normale con media $90$ e deviazione standard $20$. L'ordine ottimo soddisfa $F(\tilde q) = c_u/(c_u + c_o)$ con $c_u = p - c$ e $c_o = c - v$, quindi $\tilde q = \mu + z\sigma$ con $z = \Phi^{-1}(c_u/(c_u + c_o))$ (quantili della normale standard: $\Phi^{-1}(0{,}6) = 0{,}253$, $\Phi^{-1}(0{,}7) = 0{,}524$, $\Phi^{-1}(0{,}75) = 0{,}674$, $\Phi^{-1}(0{,}8) = 0{,}842$, $\Phi^{-1}(0{,}9) = 1{,}282$). Quanto vale $\tilde q$?
$\tilde q = 100{,}5$
$\tilde q = 79{,}5$
$\tilde q = 103{,}5$
$\tilde q = 90$
Spiegazione. $c_u = 14$, $c_o = 6$, rapporto critico $14/20 = 0{,}7$, $z = 0{,}524$: $\tilde q = 90 + 0{,}524\cdot 20 = 100{,}5$, sopra la media perché la carenza costa più dell'invenduto. Scambiare $c_u$ e $c_o$ dà $\mu - z\sigma$.
Esempio 1 · lpm-g-nv-servizio-uniforme · livello media · dispensa
Newsvendor con domanda uniforme su $[90, 180]$, $c_u = 6$, $c_o = 9$. Il costo atteso di un ordine $q$ in $[90, 180]$ è $C(q) = \frac{c_o(q - 90)^2 + c_u(180 - q)^2}{2\cdot 90}$, minimo in $\tilde q = 90 + \frac{c_u}{c_u + c_o}\cdot 90$. Un contratto impone un livello di servizio di ciclo $\mathbb P(D \le q) = 0{,}9$. Quanto valgono l'ordine richiesto $q_\beta$ e il suo costo atteso in più $C(q_\beta) - C(\tilde q)$?
$q_\beta = 171$, costo in più $33{,}75$
$q_\beta = 99$, costo in più $168{,}75$
$q_\beta = 171$, costo in più $168{,}75$
$q_\beta = 171$, costo in più $330{,}75$
Spiegazione. $q_\beta = 90 + 0{,}9\cdot 90 = 171$; $\tilde q = 126$; $C(q_\beta) = 330{,}75$ e $C(\tilde q) = 162$, quindi il livello di servizio costa $168{,}75$ in più a ciclo rispetto all'ottimo economico, il cui livello di servizio è solo $0{,}4$.
Esempio 2 · lpm-g-nv-servizio-uniforme · livello media · dispensa
Newsvendor con domanda uniforme su $[70, 180]$, $c_u = 4$, $c_o = 2$. Il costo atteso di un ordine $q$ in $[70, 180]$ è $C(q) = \frac{c_o(q - 70)^2 + c_u(180 - q)^2}{2\cdot 110}$, minimo in $\tilde q = 70 + \frac{c_u}{c_u + c_o}\cdot 110$. Un contratto impone un livello di servizio di ciclo $\mathbb P(D \le q) = 0{,}9$. Quanto valgono l'ordine richiesto $q_\beta$ e il suo costo atteso in più $C(q_\beta) - C(\tilde q)$?
$q_\beta = 169$, costo in più $17{,}97$
$q_\beta = 169$, costo in più $69{,}3$
$q_\beta = 81$, costo in più $17{,}97$
$q_\beta = 169$, costo in più $91{,}3$
Spiegazione. $q_\beta = 70 + 0{,}9\cdot 110 = 169$; $\tilde q = 143{,}33$; $C(q_\beta) = 91{,}3$ e $C(\tilde q) = 73{,}33$, quindi il livello di servizio costa $17{,}97$ in più a ciclo rispetto all'ottimo economico, il cui livello di servizio è solo $0{,}67$.
8. VaR e CVaR (4)
Esempio 1 · lpm-g-cvar-coda-intera · livello facile · dispensa
Misure di rischio di una perdita $L$ con $k = 10$ scenari equiprobabili: $24, 32, 35, 5, 33, 25, 36, 1, 8, 11$. $\mathrm{VaR}_\alpha$ è la più piccola perdita $\ell$ con $\mathbb P(L \le \ell) \ge \alpha$; $\mathrm{CVaR}_\alpha$ è la perdita media nella coda peggiore di probabilità $1 - \alpha$. Con $\alpha = 0{,}7$, quanto valgono $\mathrm{VaR}_\alpha$ e $\mathrm{CVaR}_\alpha$?
VaR $= 33$, CVaR $= 34{,}67$
VaR $= 32$, CVaR $= 34$
VaR $= 32$, CVaR $= 36$
VaR $= 32$, CVaR $= 34{,}67$
Spiegazione. Ordinando le perdite, la funzione di ripartizione raggiunge $0{,}7$ alla posizione 7 in ordine crescente: VaR $= 32$. La coda di massa $1 - \alpha$ contiene esattamente le 3 perdite peggiori, la cui media è il CVaR, $34{,}67$.
Esempio 2 · lpm-g-cvar-coda-intera · livello facile · dispensa
Misure di rischio di una perdita $L$ con $k = 8$ scenari equiprobabili: $34, 13, 4, 16, 35, 32, 27, 38$. $\mathrm{VaR}_\alpha$ è la più piccola perdita $\ell$ con $\mathbb P(L \le \ell) \ge \alpha$; $\mathrm{CVaR}_\alpha$ è la perdita media nella coda peggiore di probabilità $1 - \alpha$. Con $\alpha = 0{,}75$, quanto valgono $\mathrm{VaR}_\alpha$ e $\mathrm{CVaR}_\alpha$?
VaR $= 34$, CVaR $= 36{,}5$
VaR $= 34$, CVaR $= 35{,}67$
VaR $= 35$, CVaR $= 36{,}5$
VaR $= 34$, CVaR $= 38$
Spiegazione. Ordinando le perdite, la funzione di ripartizione raggiunge $0{,}75$ alla posizione 6 in ordine crescente: VaR $= 34$. La coda di massa $1 - \alpha$ contiene esattamente le 2 perdite peggiori, la cui media è il CVaR, $36{,}5$.
Esempio 1 · lpm-g-cvar-a-cavallo · livello media · dispensa
Misure di rischio di una perdita $L$ con sei scenari equiprobabili: $24, 32, 35, 5, 33, 25$. $\mathrm{VaR}_\alpha$ è la più piccola perdita $\ell$ con $\mathbb P(L \le \ell) \ge \alpha$, e $\mathrm{CVaR}_\alpha = \mathrm{VaR}_\alpha + \mathbb E[(L - \mathrm{VaR}_\alpha)^+]/(1 - \alpha)$. Con $\alpha = 0{,}75$ (la coda di probabilità $1 - \alpha$ non è un numero intero di scenari), quanto valgono $\mathrm{VaR}_\alpha$ e $\mathrm{CVaR}_\alpha$?
VaR $= 33$, CVaR $= 34$
VaR $= 33$, CVaR $= 34{,}33$
VaR $= 35$, CVaR $= 34{,}33$
VaR $= 33$, CVaR $= 35$
Spiegazione. VaR $= 33$, la prima perdita in cui la funzione di ripartizione raggiunge $\alpha$. Poi $\mathrm{CVaR} = \mathrm{VaR} + \frac{1}{1-\alpha}\sum_s \pi_s (\ell_s - \mathrm{VaR})^+ = 34{,}33$: la parte della massa di coda che sta sul punto del VaR si conta al valore del VaR.
Esempio 2 · lpm-g-cvar-a-cavallo · livello media · dispensa
Misure di rischio di una perdita $L$ con sei scenari equiprobabili: $34, 13, 4, 16, 35, 32$. $\mathrm{VaR}_\alpha$ è la più piccola perdita $\ell$ con $\mathbb P(L \le \ell) \ge \alpha$, e $\mathrm{CVaR}_\alpha = \mathrm{VaR}_\alpha + \mathbb E[(L - \mathrm{VaR}_\alpha)^+]/(1 - \alpha)$. Con $\alpha = 0{,}75$ (la coda di probabilità $1 - \alpha$ non è un numero intero di scenari), quanto valgono $\mathrm{VaR}_\alpha$ e $\mathrm{CVaR}_\alpha$?
VaR $= 34$, CVaR $= 34{,}67$
VaR $= 34$, CVaR $= 34{,}5$
VaR $= 35$, CVaR $= 34{,}67$
VaR $= 34$, CVaR $= 35$
Spiegazione. VaR $= 34$, la prima perdita in cui la funzione di ripartizione raggiunge $\alpha$. Poi $\mathrm{CVaR} = \mathrm{VaR} + \frac{1}{1-\alpha}\sum_s \pi_s (\ell_s - \mathrm{VaR})^+ = 34{,}67$: la parte della massa di coda che sta sul punto del VaR si conta al valore del VaR.
Esempio 1 · lpm-g-cvar-pesato · livello complessa · dispensa
Misure di rischio di una perdita $L$ con scenari (probabilità tra parentesi): $26$ (0{,}3), $20$ (0{,}3), $9$ (0{,}3), $3$ (0{,}05), $27$ (0{,}05). $\mathrm{VaR}_\alpha$ è la più piccola perdita $\ell$ con $\mathbb P(L \le \ell) \ge \alpha$; $\mathrm{CVaR}_\alpha$ è il valore ottimo dell'LP di Rockafellar–Uryasev $\min_\eta\, \eta + \mathbb E[(L - \eta)^+]/(1 - \alpha)$. Con $\alpha = 0{,}9$, quanto valgono $\mathrm{VaR}_\alpha$ e $\mathrm{CVaR}_\alpha$?
VaR $= 26$, CVaR $= 26{,}14$
VaR $= 26$, CVaR $= 27$
VaR $= 27$, CVaR $= 27$
VaR $= 26$, CVaR $= 26{,}5$
Spiegazione. Ordinando le perdite e cumulando le probabilità, $F$ raggiunge $0{,}9$ in $\ell = 26$: VaR $= 26$. Poi $\mathrm{CVaR} = 26 + \frac{1}{0{,}1}\sum_s \pi_s(\ell_s - 26)^+ = 26{,}5$. La media condizionata oltre il VaR ignora la massa di coda che sta sul punto del VaR.
Esempio 2 · lpm-g-cvar-pesato · livello complessa · dispensa
Misure di rischio di una perdita $L$ con scenari (probabilità tra parentesi): $34$ (0{,}35), $13$ (0{,}3), $4$ (0{,}25), $16$ (0{,}05), $35$ (0{,}05). $\mathrm{VaR}_\alpha$ è la più piccola perdita $\ell$ con $\mathbb P(L \le \ell) \ge \alpha$; $\mathrm{CVaR}_\alpha$ è il valore ottimo dell'LP di Rockafellar–Uryasev $\min_\eta\, \eta + \mathbb E[(L - \eta)^+]/(1 - \alpha)$. Con $\alpha = 0{,}85$, quanto valgono $\mathrm{VaR}_\alpha$ e $\mathrm{CVaR}_\alpha$?
VaR $= 34$, CVaR $= 34{,}33$
VaR $= 35$, CVaR $= 35$
VaR $= 34$, CVaR $= 34{,}13$
VaR $= 34$, CVaR $= 35$
Spiegazione. Ordinando le perdite e cumulando le probabilità, $F$ raggiunge $0{,}85$ in $\ell = 34$: VaR $= 34$. Poi $\mathrm{CVaR} = 34 + \frac{1}{0{,}15}\sum_s \pi_s(\ell_s - 34)^+ = 34{,}33$. La media condizionata oltre il VaR ignora la massa di coda che sta sul punto del VaR.
Esempio 1 · lpm-g-cvar-eccessi · livello facile · dispensa
Formulazione di Rockafellar–Uryasev del CVaR: per una soglia $\eta$ gli eccessi sono $\xi_s = (\ell_s - \eta)^+$ e la funzione da minimizzare in $\eta$ è $F(\eta) = \eta + \frac{1}{1-\alpha}\sum_s\pi_s\xi_s$. Cinque scenari equiprobabili ($\pi_s = 0{,}2$) con perdite $\ell = (18; 18; 24; 26; 4)$, $\alpha = 0{,}8$. Per $\eta = 18$ (non necessariamente ottimo), quanto valgono $\sum_s\xi_s$ e $F(\eta)$?
$\sum_s\xi_s = 14$, valore $20{,}8$
$\sum_s\xi_s = 14$, valore $32$
$\sum_s\xi_s = 14$, valore $21{,}5$
$\sum_s\xi_s = 0$, valore $18$
Spiegazione. Contano solo le perdite sopra $18$: $\xi = (0; 0; 6; 8; 0)$, somma $14$. Allora $F(18) = 18 + \frac{1}{0{,}2}\cdot 0{,}2\cdot 14 = 32$. Le differenze negative si tagliano a zero; dimenticare il fattore $1/(1-\alpha)$ è l'altro errore tipico.
Esempio 2 · lpm-g-cvar-eccessi · livello facile · dispensa
Formulazione di Rockafellar–Uryasev del CVaR: per una soglia $\eta$ gli eccessi sono $\xi_s = (\ell_s - \eta)^+$ e la funzione da minimizzare in $\eta$ è $F(\eta) = \eta + \frac{1}{1-\alpha}\sum_s\pi_s\xi_s$. Cinque scenari equiprobabili ($\pi_s = 0{,}2$) con perdite $\ell = (12; 26; 10; 3; 12)$, $\alpha = 0{,}8$. Per $\eta = 21$ (non necessariamente ottimo), quanto valgono $\sum_s\xi_s$ e $F(\eta)$?
$\sum_s\xi_s = 5$, valore $26$
$\sum_s\xi_s = 5$, valore $22$
$\sum_s\xi_s = 5$, valore $22{,}25$
$\sum_s\xi_s = -42$, valore $-21$
Spiegazione. Contano solo le perdite sopra $21$: $\xi = (0; 5; 0; 0; 0)$, somma $5$. Allora $F(21) = 21 + \frac{1}{0{,}2}\cdot 0{,}2\cdot 5 = 26$. Le differenze negative si tagliano a zero; dimenticare il fattore $1/(1-\alpha)$ è l'altro errore tipico.
9. Arbitraggio e prezzatura (5)
Esempio 1 · lpm-g-arb-neutrali · livello facile · dispensa
Mercato a un periodo con due stati del mondo: un titolo privo di rischio costa oggi $1$ e paga $R = 1{,}1$ in entrambi gli stati; un titolo rischioso costa oggi $s^0_1 = 33$ e paga $58$ nello stato 1 e $31$ nello stato 2. Le probabilità neutrali al rischio sono $q_1, q_2 \ge 0$ con $q_1 + q_2 = 1$ sotto le quali ogni prezzo è il pagamento atteso diviso per $R$. Quanto valgono $q_1$ e $q_2$?
$(q_1; q_2) = (0{,}6259; 0{,}3741)$
$(q_1; q_2) = (0{,}0741; 0{,}9259)$
$(q_1; q_2) = (0{,}8037; 0{,}1963)$
$(q_1; q_2) = (0{,}1963; 0{,}8037)$
Spiegazione. Il prezzo è il valore atteso scontato dei pagamenti: $s^0_1 = (q_1 \cdot 58 + q_2 \cdot 31)/R$ con $q_1 + q_2 = 1$, quindi $q_1 = (R s^0_1 - 31)/(58 - 31) = 0{,}1963$. Dimenticare $R$ è l'errore tipico.
Esempio 2 · lpm-g-arb-neutrali · livello facile · dispensa
Mercato a un periodo con due stati del mondo: un titolo privo di rischio costa oggi $1$ e paga $R = 1{,}05$ in entrambi gli stati; un titolo rischioso costa oggi $s^0_1 = 44$ e paga $50$ nello stato 1 e $29$ nello stato 2. Le probabilità neutrali al rischio sono $q_1, q_2 \ge 0$ con $q_1 + q_2 = 1$ sotto le quali ogni prezzo è il pagamento atteso diviso per $R$. Quanto valgono $q_1$ e $q_2$?
$(q_1; q_2) = (0{,}819; 0{,}181)$
$(q_1; q_2) = (0{,}924; 0{,}076)$
$(q_1; q_2) = (0{,}181; 0{,}819)$
$(q_1; q_2) = (0{,}7143; 0{,}2857)$
Spiegazione. Il prezzo è il valore atteso scontato dei pagamenti: $s^0_1 = (q_1 \cdot 50 + q_2 \cdot 29)/R$ con $q_1 + q_2 = 1$, quindi $q_1 = (R s^0_1 - 29)/(50 - 29) = 0{,}819$. Dimenticare $R$ è l'errore tipico.
Esempio 1 · lpm-g-arb-call · livello media · dispensa
Mercato a un periodo con due stati del mondo: un titolo privo di rischio costa oggi $1$ e paga $R = 1{,}1$ in entrambi gli stati; un titolo rischioso costa oggi $s^0_1 = 33$ e paga $58$ nello stato 1 e $31$ nello stato 2. Le probabilità neutrali al rischio sono $q_1, q_2 \ge 0$ con $q_1 + q_2 = 1$ sotto le quali ogni prezzo è il pagamento atteso diviso per $R$. Un'opzione call con strike $34$ paga domani $\max(s^1_{1j} - 34, 0)$ nello stato $j$, dove $s^1_{1j}$ è il pagamento del titolo rischioso. In questo mercato completo, qual è oggi il prezzo senza arbitraggio della call?
4,28
1,62
4,71
10,91
Spiegazione. Le probabilità neutrali al rischio sono $q_1 = (R s^0_1 - 31)/(58 - 31) = 0{,}1963$, $q_2 = 1 - q_1$. La call paga $(24, 0)$, quindi il suo prezzo è $q_1 \cdot 24/R = 4{,}28$: valore atteso scontato sotto $q$.
Esempio 2 · lpm-g-arb-call · livello media · dispensa
Mercato a un periodo con due stati del mondo: un titolo privo di rischio costa oggi $1$ e paga $R = 1{,}05$ in entrambi gli stati; un titolo rischioso costa oggi $s^0_1 = 44$ e paga $50$ nello stato 1 e $29$ nello stato 2. Le probabilità neutrali al rischio sono $q_1, q_2 \ge 0$ con $q_1 + q_2 = 1$ sotto le quali ogni prezzo è il pagamento atteso diviso per $R$. Un'opzione call con strike $37$ paga domani $\max(s^1_{1j} - 37, 0)$ nello stato $j$, dove $s^1_{1j}$ è il pagamento del titolo rischioso. In questo mercato completo, qual è oggi il prezzo senza arbitraggio della call?
10,14
10,65
8,84
6,19
Spiegazione. Le probabilità neutrali al rischio sono $q_1 = (R s^0_1 - 29)/(50 - 29) = 0{,}819$, $q_2 = 1 - q_1$. La call paga $(13, 0)$, quindi il suo prezzo è $q_1 \cdot 13/R = 10{,}14$: valore atteso scontato sotto $q$.
Esempio 1 · lpm-g-arb-intervallo · livello complessa · dispensa
Mercato a un periodo con tre stati: un titolo privo di rischio costa $1$ e paga $R = 1{,}1$ in ogni stato; un titolo rischioso costa $s^0_1 = 14$ e paga $(a_1; a_2; a_3) = (5; 36; 11)$ nei tre stati. Un nuovo titolo paga $(c_1; c_2; c_3) = (5; 1; 2)$. Il suo prezzo è coerente (non crea arbitraggi) se vale $\frac1R\sum_j q_j\, c_j$ per probabilità neutrali al rischio $q_j \ge 0$, $\sum_j q_j = 1$, che prezzano anche i due titoli esistenti. Qual è l'intervallo dei prezzi coerenti (i suoi estremi)?
$[1{,}82; 3{,}66]$
$[1{,}71; 3{,}49]$
$[1{,}66; 3{,}33]$
$[0{,}91; 4{,}55]$
Spiegazione. Le misure coerenti soddisfano $\sum_j q_j = 1$ e $\sum_j q_j a_j = R\,s^0_1 = 15{,}4$: un segmento i cui estremi mettono massa su due soli stati, uno con pagamento sotto e uno sopra $15{,}4$. Minimizzando e massimizzando $\frac1R\sum_j q_jc_j$ (due LP) su di esso si ottiene $[1{,}66, 3{,}33]$. Dimenticare il fattore $R$ (nel vincolo o nello sconto) sposta l'intervallo.
Esempio 2 · lpm-g-arb-intervallo · livello complessa · dispensa
Mercato a un periodo con tre stati: un titolo privo di rischio costa $1$ e paga $R = 1{,}05$ in ogni stato; un titolo rischioso costa $s^0_1 = 24$ e paga $(a_1; a_2; a_3) = (35; 16; 8)$ nei tre stati. Un nuovo titolo paga $(c_1; c_2; c_3) = (8; 18; 16)$. Il suo prezzo è coerente (non crea arbitraggi) se vale $\frac1R\sum_j q_j\, c_j$ per probabilità neutrali al rischio $q_j \ge 0$, $\sum_j q_j = 1$, che prezzano anche i due titoli esistenti. Qual è l'intervallo dei prezzi coerenti (i suoi estremi)?
$[10{,}38; 12{,}53]$
$[10{,}9; 13{,}16]$
$[7{,}62; 17{,}14]$
$[10{,}72; 13{,}13]$
Spiegazione. Le misure coerenti soddisfano $\sum_j q_j = 1$ e $\sum_j q_j a_j = R\,s^0_1 = 25{,}2$: un segmento i cui estremi mettono massa su due soli stati, uno con pagamento sotto e uno sopra $25{,}2$. Minimizzando e massimizzando $\frac1R\sum_j q_jc_j$ (due LP) su di esso si ottiene $[10{,}38, 12{,}53]$. Dimenticare il fattore $R$ (nel vincolo o nello sconto) sposta l'intervallo.
Esempio 1 · lpm-g-arb-portafoglio · livello facile · dispensa
Mercato a un periodo con tre stati: il titolo 0 è privo di rischio (costa 1 oggi, paga $R = 1{,}05$ in ogni stato); il titolo 1 costa $15$ e paga $(10; 10; 6)$; il titolo 2 costa $25$ e paga $(16; 26; 32)$. Il portafoglio $x = (-28; -1; -1)$ contiene $x_i$ unità del titolo $i$ (negativo = allo scoperto). Quanto valgono il suo costo di oggi, $\sum_is^0_ix_i$, e il suo pagamento minimo domani sui tre stati?
costo $-68$, pagamento minimo $-67{,}4$
costo $-68$, pagamento minimo $-66$
costo $-69{,}4$, pagamento minimo $-67{,}4$
costo $-68$, pagamento minimo $-55{,}4$
Spiegazione. Costo: $-28\cdot 1 + -1\cdot 15 + -1\cdot 25 = -68$. Pagamenti: $-28\cdot 1{,}05 + -1s^1_{1j} + -1s^1_{2j}$ = $-55{,}4$, $-65{,}4$, $-67{,}4$, il minimo $-67{,}4$. Un costo negativo con tutti i pagamenti $\ge 0$ sarebbe un arbitraggio di tipo A. La posizione priva di rischio paga $R$ per unità, non 1.
Esempio 2 · lpm-g-arb-portafoglio · livello facile · dispensa
Mercato a un periodo con tre stati: il titolo 0 è privo di rischio (costa 1 oggi, paga $R = 1{,}04$ in ogni stato); il titolo 1 costa $15$ e paga $(18; 9; 6)$; il titolo 2 costa $38$ e paga $(22; 36; 34)$. Il portafoglio $x = (-36; 2; 1)$ contiene $x_i$ unità del titolo $i$ (negativo = allo scoperto). Quanto valgono il suo costo di oggi, $\sum_is^0_ix_i$, e il suo pagamento minimo domani sui tre stati?
costo $32$, pagamento minimo $20{,}56$
costo $32$, pagamento minimo $10$
costo $32$, pagamento minimo $8{,}56$
costo $30{,}56$, pagamento minimo $8{,}56$
Spiegazione. Costo: $-36\cdot 1 + 2\cdot 15 + 1\cdot 38 = 32$. Pagamenti: $-36\cdot 1{,}04 + 2s^1_{1j} + 1s^1_{2j}$ = $20{,}56$, $16{,}56$, $8{,}56$, il minimo $8{,}56$. Un costo negativo con tutti i pagamenti $\ge 0$ sarebbe un arbitraggio di tipo A. La posizione priva di rischio paga $R$ per unità, non 1.
Esempio 1 · lpm-g-arb-prezzo-atteso · livello facile · dispensa
Mercato a un periodo con tre stati e rendimento lordo privo di rischio $R = 1{,}02$. I duali dell'LP di arbitraggio danno le probabilità neutrali al rischio $q = (0{,}2; 0{,}1; 0{,}7)$, e ogni prezzo di oggi è il pagamento atteso scontato sotto $q$: $s^0_i = \frac1R\sum_jq_js^1_{ij}$. Un titolo nuovo paga $(10; 16; 4)$ nei tre stati. Qual è il suo prezzo di oggi senza arbitraggio?
$s^0 = 6{,}27$
$s^0 = 6{,}53$
$s^0 = 9{,}8$
$s^0 = 6{,}4$
Spiegazione. Pagamento atteso sotto $q$: $6{,}4$; scontato: $6{,}4/1{,}02 = 6{,}27$. Dimenticare lo sconto, o usare probabilità uguali invece di $q$, sono gli errori tipici.
Esempio 2 · lpm-g-arb-prezzo-atteso · livello facile · dispensa
Mercato a un periodo con tre stati e rendimento lordo privo di rischio $R = 1{,}02$. I duali dell'LP di arbitraggio danno le probabilità neutrali al rischio $q = (0{,}3; 0{,}5; 0{,}2)$, e ogni prezzo di oggi è il pagamento atteso scontato sotto $q$: $s^0_i = \frac1R\sum_jq_js^1_{ij}$. Un titolo nuovo paga $(2; 12; 26)$ nei tre stati. Qual è il suo prezzo di oggi senza arbitraggio?
$s^0 = 11{,}57$
$s^0 = 12{,}04$
$s^0 = 11{,}8$
$s^0 = 13{,}07$
Spiegazione. Pagamento atteso sotto $q$: $11{,}8$; scontato: $11{,}8/1{,}02 = 11{,}57$. Dimenticare lo sconto, o usare probabilità uguali invece di $q$, sono gli errori tipici.
10. Regressione robusta e quantile (6)
Esempio 1 · lpm-g-reg-perdita · livello facile · dispensa
Regressione quantile senza caratteristiche: si stima un'intercetta $b$ per $y = (120; 135; 141; 87; 137)$ minimizzando $\sum_i [\tau u_i + (1 - \tau) v_i]$, dove $u_i = (y_i - b)^+$ e $v_i = (b - y_i)^+$ sono gli scostamenti sopra e sotto $b$. Con $\tau = 0{,}8$, quanto vale l'obiettivo per $b = 121$?
$85$
$38$
$47$
$68$
Spiegazione. Gli scostamenti in eccesso ($u_i$, osservazioni maggiori di $b$) sommano $50$ e si pagano $\tau$; quelli in difetto ($v_i$) sommano $35$ e si pagano $1 - \tau$: $0{,}8\cdot 50 + 0{,}2\cdot 35 = 47$.
Esempio 2 · lpm-g-reg-perdita · livello facile · dispensa
Regressione quantile senza caratteristiche: si stima un'intercetta $b$ per $y = (107; 139; 102; 86; 108)$ minimizzando $\sum_i [\tau u_i + (1 - \tau) v_i]$, dove $u_i = (y_i - b)^+$ e $v_i = (b - y_i)^+$ sono gli scostamenti sopra e sotto $b$. Con $\tau = 0{,}9$, quanto vale l'obiettivo per $b = 130$?
$19{,}8$
$106{,}2$
$113{,}4$
$126$
Spiegazione. Gli scostamenti in eccesso ($u_i$, osservazioni maggiori di $b$) sommano $9$ e si pagano $\tau$; quelli in difetto ($v_i$) sommano $117$ e si pagano $1 - \tau$: $0{,}9\cdot 9 + 0{,}1\cdot 117 = 19{,}8$.
Esempio 1 · lpm-g-reg-quantile · livello media · dispensa
Regressione quantile senza caratteristiche: si stima un'intercetta $b$ per le $n = 7$ osservazioni $y = (126; 143; 149; 88; 145; 130; 151)$ minimizzando $z(b) = \sum_i [\tau (y_i - b)^+ + (1 - \tau)(b - y_i)^+]$, con $\tau = 0{,}25$. Quanto valgono l'intercetta ottima $\tilde b$ e il valore ottimo $\tilde z$?
$\tilde b = 143$, $\tilde z = 67{,}75$
$\tilde b = 130$, $\tilde z = 51{,}5$
$\tilde b = 126$, $\tilde z = 50{,}5$
$\tilde b = 88$, $\tilde z = 79$
Spiegazione. Senza caratteristiche l'LP restituisce il quantile empirico di livello $\tau$: alzare $b$ conviene finché la quota di osservazioni sotto di esso è al più $\tau$. Poiché $\tau n = 1{,}75$, $\tilde b$ è l'osservazione in posizione 2 in ordine crescente, $126$, con $\tilde z = 50{,}5$.
Esempio 2 · lpm-g-reg-quantile · livello media · dispensa
Regressione quantile senza caratteristiche: si stima un'intercetta $b$ per le $n = 6$ osservazioni $y = (148; 105; 87; 112; 149; 144)$ minimizzando $z(b) = \sum_i [\tau (y_i - b)^+ + (1 - \tau)(b - y_i)^+]$, con $\tau = 0{,}75$. Quanto valgono l'intercetta ottima $\tilde b$ e il valore ottimo $\tilde z$?
$\tilde b = 148$, $\tilde z = 36{,}75$
$\tilde b = 112$, $\tilde z = 86{,}75$
$\tilde b = 149$, $\tilde z = 37{,}25$
$\tilde b = 144$, $\tilde z = 38{,}75$
Spiegazione. Senza caratteristiche l'LP restituisce il quantile empirico di livello $\tau$: alzare $b$ conviene finché la quota di osservazioni sotto di esso è al più $\tau$. Poiché $\tau n = 4{,}5$, $\tilde b$ è l'osservazione in posizione 5 in ordine crescente, $148$, con $\tilde z = 36{,}75$.
Esempio 1 · lpm-g-reg-duale-interpolato · livello media · dispensa
LP di regressione quantile senza caratteristiche: $\min\sum_i[\tau u_i + (1 - \tau)v_i]$ soggetto a $b + u_i - v_i = y_i$, $u_i, v_i \ge 0$, $b$ libera; $\tilde\pi_i$ è il duale ottimo del vincolo dell'osservazione $i$ (vale $\tau$ per le osservazioni sopra $\tilde b$, $-(1 - \tau)$ per quelle sotto, e $\sum_i\tilde\pi_i = 0$). Dati: $y = (94; 101; 84; 87; 106)$, $\tau = 7/10$. Quanto valgono $\tilde b$ e il duale $\tilde\pi$ dell'osservazione interpolata ($y_i = \tilde b$)?
$\tilde b = 101$, $\tilde\pi = -0{,}2$
$\tilde b = 94$, $\tilde\pi = 0{,}7$
$\tilde b = 101$, $\tilde\pi = 0{,}2$
$\tilde b = 106$, $\tilde\pi = 0{,}2$
Spiegazione. $\tilde b$ è il quantile empirico di livello $\tau$: con $(k - 1)/n < \tau < k/n$ per $k = 4$ è il 4º valore più piccolo, $101$, con $3$ osservazioni sotto e $1$ sopra. Da $\sum_i\tilde\pi_i = 0$: $\tilde\pi = (1 - \tau)\cdot 3 - \tau\cdot 1 = 0{,}2$, dentro $[-(1 - \tau), \tau]$.
Esempio 2 · lpm-g-reg-duale-interpolato · livello media · dispensa
LP di regressione quantile senza caratteristiche: $\min\sum_i[\tau u_i + (1 - \tau)v_i]$ soggetto a $b + u_i - v_i = y_i$, $u_i, v_i \ge 0$, $b$ libera; $\tilde\pi_i$ è il duale ottimo del vincolo dell'osservazione $i$ (vale $\tau$ per le osservazioni sopra $\tilde b$, $-(1 - \tau)$ per quelle sotto, e $\sum_i\tilde\pi_i = 0$). Dati: $y = (105; 87; 112; 149; 144; 133; 154)$, $\tau = 11/14$. Quanto valgono $\tilde b$ e il duale $\tilde\pi$ dell'osservazione interpolata ($y_i = \tilde b$)?
$\tilde b = 149$, $\tilde\pi = 0{,}286$
$\tilde b = 154$, $\tilde\pi = 0{,}286$
$\tilde b = 149$, $\tilde\pi = -0{,}286$
$\tilde b = 144$, $\tilde\pi = 0{,}786$
Spiegazione. $\tilde b$ è il quantile empirico di livello $\tau$: con $(k - 1)/n < \tau < k/n$ per $k = 6$ è il 6º valore più piccolo, $149$, con $5$ osservazioni sotto e $1$ sopra. Da $\sum_i\tilde\pi_i = 0$: $\tilde\pi = (1 - \tau)\cdot 5 - \tau\cdot 1 = 0{,}286$, dentro $[-(1 - \tau), \tau]$.
Esempio 1 · lpm-g-reg-lad-3punti · livello complessa · dispensa
LP di regressione quantile con una caratteristica ($p = 1$): $\min\sum_i[\tau u_i + (1 - \tau)v_i]$ soggetto a $wx_i + b + u_i - v_i = y_i$, $u_i, v_i \ge 0$ ($u_i$: osservazione sopra la retta, $v_i$: sotto), $w, b$ liberi, con $\tau = 0{,}5$ e tre osservazioni $(x_i; y_i)$: (1; 34), (4; 47), (5; 12). Una retta ottima interpola $p + 1 = 2$ osservazioni. Quanto valgono la pendenza ottima $\tilde w$, l'intercetta $\tilde b$ e il valore ottimo?
pendenza $4{,}33$, intercetta $29{,}67$, valore $19{,}67$
pendenza $-5{,}5$, intercetta $39{,}5$, valore $29{,}5$
pendenza $-35$, intercetta $187$, valore $59$
pendenza $-5{,}5$, intercetta $39{,}5$, valore $14{,}75$
Spiegazione. Tre rette candidate, una per coppia di punti; ciascuna lascia un residuo $r$ sul terzo punto, che costa $\tau r$ se il punto sta sopra ($r > 0$) e $(1 - \tau)|r|$ se sta sotto. Valori: $19{,}67$, $14{,}75$, $59$. La più economica è la retta con pendenza $-5{,}5$ e intercetta $39{,}5$.
Esempio 2 · lpm-g-reg-lad-3punti · livello complessa · dispensa
LP di regressione quantile con una caratteristica ($p = 1$): $\min\sum_i[\tau u_i + (1 - \tau)v_i]$ soggetto a $wx_i + b + u_i - v_i = y_i$, $u_i, v_i \ge 0$ ($u_i$: osservazione sopra la retta, $v_i$: sotto), $w, b$ liberi, con $\tau = 0{,}5$ e tre osservazioni $(x_i; y_i)$: (1; 56), (3; 46), (8; 38). Una retta ottima interpola $p + 1 = 2$ osservazioni. Quanto valgono la pendenza ottima $\tilde w$, l'intercetta $\tilde b$ e il valore ottimo?
pendenza $-5$, intercetta $61$, valore $8{,}5$
pendenza $-2{,}57$, intercetta $58{,}57$, valore $2{,}43$
pendenza $-2{,}57$, intercetta $58{,}57$, valore $4{,}86$
pendenza $-1{,}6$, intercetta $50{,}8$, valore $3{,}4$
Spiegazione. Tre rette candidate, una per coppia di punti; ciascuna lascia un residuo $r$ sul terzo punto, che costa $\tau r$ se il punto sta sopra ($r > 0$) e $(1 - \tau)|r|$ se sta sotto. Valori: $8{,}5$, $2{,}43$, $3{,}4$. La più economica è la retta con pendenza $-2{,}57$ e intercetta $58{,}57$.
Esempio 1 · lpm-g-reg-obiettivo-retta · livello facile · dispensa
LP di regressione quantile con una caratteristica: $\min\sum_i[\tau u_i + (1 - \tau)v_i]$ con $wx_i + b + u_i - v_i = y_i$, $u_i, v_i \ge 0$ ($u_i$: osservazione sopra la retta, $v_i$: sotto). Per la retta candidata $w = 1$, $b = 110$ (non necessariamente ottima), $\tau = 0{,}9$ e le osservazioni $(x_i; y_i)$ (4; 117), (5; 125), (14; 112), (18; 138), quanto valgono $\sum_iu_i$, $\sum_iv_i$ e il valore dell'obiettivo?
$\sum u_i = 23$, $\sum v_i = 12$, valore $13{,}1$
$\sum u_i = 12$, $\sum v_i = 23$, valore $21{,}9$
$\sum u_i = 23$, $\sum v_i = 12$, valore $35$
$\sum u_i = 23$, $\sum v_i = 12$, valore $21{,}9$
Spiegazione. Residui $y_i - (wx_i + b)$: $3$, $10$, $-12$, $10$; le parti positive sommano $23$ (gli $u_i$), quelle negative $12$ (i $v_i$). Valore $0{,}9\cdot 23 + 0{,}1\cdot 12 = 21{,}9$; scambiare i pesi dei due lati è l'errore tipico.
Esempio 2 · lpm-g-reg-obiettivo-retta · livello facile · dispensa
LP di regressione quantile con una caratteristica: $\min\sum_i[\tau u_i + (1 - \tau)v_i]$ con $wx_i + b + u_i - v_i = y_i$, $u_i, v_i \ge 0$ ($u_i$: osservazione sopra la retta, $v_i$: sotto). Per la retta candidata $w = 4$, $b = 130$ (non necessariamente ottima), $\tau = 0{,}25$ e le osservazioni $(x_i; y_i)$ (4; 139), (9; 170), (13; 183), (19; 195), quanto valgono $\sum_iu_i$, $\sum_iv_i$ e il valore dell'obiettivo?
$\sum u_i = 5$, $\sum v_i = 18$, valore $8{,}25$
$\sum u_i = 18$, $\sum v_i = 5$, valore $14{,}75$
$\sum u_i = 5$, $\sum v_i = 18$, valore $23$
$\sum u_i = 5$, $\sum v_i = 18$, valore $14{,}75$
Spiegazione. Residui $y_i - (wx_i + b)$: $-7$, $4$, $1$, $-11$; le parti positive sommano $5$ (gli $u_i$), quelle negative $18$ (i $v_i$). Valore $0{,}25\cdot 5 + 0{,}75\cdot 18 = 14{,}75$; scambiare i pesi dei due lati è l'errore tipico.
Esempio 1 · lpm-g-reg-scorta · livello facile · dispensa
Una panetteria prevede la domanda giornaliera da temperatura $t$ (°C), prezzo $p$ (€) e indicatore di weekend $e \in \{0, 1\}$ con la regressione quantile. Modello mediano ($\tau = 0{,}5$): $274 - 3{,}5\,t - 26\,p + 32\,e$; modello al frattile critico $\tau = 9/13$ (il quantile del newsvendor): $285 - 3{,}7\,t - 26\,p + 36\,e$. Per un giorno con $t = 23$, $p = 3$, $e = 1$, quanto conviene produrre, e qual è la scorta di sicurezza?
produrre $147{,}5$, scorta di sicurezza $10{,}4$
produrre $157{,}9$, scorta di sicurezza $157{,}9$
produrre $168{,}3$, scorta di sicurezza $10{,}4$
produrre $157{,}9$, scorta di sicurezza $10{,}4$
Spiegazione. Si produce la previsione al frattile critico, $157{,}9$; la previsione mediana è $147{,}5$, e la loro differenza, $10{,}4$, è la scorta di sicurezza, ottenuta senza ipotesi sulla distribuzione della domanda.
Esempio 2 · lpm-g-reg-scorta · livello facile · dispensa
Una panetteria prevede la domanda giornaliera da temperatura $t$ (°C), prezzo $p$ (€) e indicatore di weekend $e \in \{0, 1\}$ con la regressione quantile. Modello mediano ($\tau = 0{,}5$): $266 - 3{,}9\,t - 25\,p + 30\,e$; modello al frattile critico $\tau = 9/13$ (il quantile del newsvendor): $276 - 4{,}1\,t - 27\,p + 30\,e$. Per un giorno con $t = 13$, $p = 2{,}5$, $e = 0$, quanto conviene produrre, e qual è la scorta di sicurezza?
produrre $152{,}8$, scorta di sicurezza $2{,}4$
produrre $155{,}2$, scorta di sicurezza $155{,}2$
produrre $155{,}2$, scorta di sicurezza $2{,}4$
produrre $157{,}6$, scorta di sicurezza $2{,}4$
Spiegazione. Si produce la previsione al frattile critico, $155{,}2$; la previsione mediana è $152{,}8$, e la loro differenza, $2{,}4$, è la scorta di sicurezza, ottenuta senza ipotesi sulla distribuzione della domanda.