Análisis de Decisiones en la Producción Agrícola: Comparación entre metodologías Grupo Interdisciplinario Decisiones Sistemas Agrícolas (GIDESA) HORACIO ROJO1 - CÁRMEN VICIEN2 - SILVIA ADRIANA RAMOS1 - XAVIER GONZÁLEZ1 FEDERICO BERT2 - RITA MARRA2 - ALEJANDRO WAINSTOCK1 1 2 Facultad de Ingeniería, Universidad de Buenos Aires, Av. Las Heras 2214, Ciudad Autónoma de Buenos Aires Facultad de Agronomía, Universidad de Buenos Aires, Av. San Martín 4453, Ciudad Autónoma de Buenos Aires 1 INTRODUCCIÓN El análisis y el estudio de las decisiones se han convertido en una de las ramas de más desarrollo en los últimos años dentro de la Economía, de la Administración y de la Psicología. Su interés surge de una necesidad descriptiva –conocer cuáles son los mecanismos que las gobiernan para predecir el comportamiento humano– y de una necesidad normativa –proveer de una metodología para la correcta elección entre diferentes alternativas o estrategias con el objeto de acercarse a un resultado deseado–. Para la toma de buenas decisiones, el decisor debe enfrentar una dificultad cada vez mayor en la interpretación de la realidad y en el modelado de sistemas complejos. Las decisiones se toman sobrellevando la presencia de incertidumbre, opiniones técnicas divergentes, datos imprecisos, errores de medición, múltiples criterios a tener en cuenta, entre otros. En particular, las decisiones bajo riesgo han sido una de las áreas de más interés en el desarrollo de esta rama del conocimiento. Los modelos de decisiones bajo riesgo estudiados a lo largo del tiempo centran su interés en aquellas decisiones cuyo resultado final depende fuertemente de factores de los que no se tiene certeza o que se desconocen. En la producción agrícola, es de gran interés la aplicación de estos modelos a las decisiones de asignación de tierra entre los distintos cultivos, porque al momento de decidir existe gran incertidumbre sobre las condiciones climáticas y de precios que determinan su resultado económico. El conocimiento de un modelo de decisión adecuado para este tipo de decisiones contribuirá a informar a los productores sobre sus selecciones de producción y esto redundaría en la obtención de mejores resultados y menos riesgo para sus producciones. En la siguiente sección, revisaremos las hipótesis que se adoptan en el caso de estudio de las decisiones de producción agrícola. Luego, haremos una breve recorrida por distintas teorías de decisión en la selección de asignación de tierras a distintos cultivos: Valor esperado, Teoría de la utilidad Esperada, Prospect Theory o teoría de los prospectos y optimización de Portafolio de Markowitz. Posteriormente, exploraremos la metodología de las Decisiones Robustas, como un enfoque alternativo a los anteriores, e introduciremos los conceptos de Optimización Robusta. Finalmente trataremos de revisar los resultados obtenidos. 2 CASO DE ESTUDIO Se modela un campo de una extensión estándar de 600 ha ubicado en la zona de Pergamino, provincia de Buenos Aires. El modelo de decisión de producción estará dado por la selección de alternativas de producción que abarcan distintos cultivos (maíz, soja, y doble cultivo trigo-soja de segunda) y su manejos agronómicos para esos cultivos (fecha de siembra, distancia entre hileras y dosis de fertilización). Originalmente el grupo plantearon 20 alternativas de Cultivos-Manejos (CM), pero resultados preliminares obtenidos, junto con información de los miembros del grupo de la Facultad de Agronomía, llevaron a reducir las alternativas a las 6 planteadas en González (2012) y que se detallan en la Tabla 1. ID de Alternativa Cultivo Ma4 Genotipo DK682 Fecha de Siembra 15-Sep Espacio entre fialas Nitrogen fertilizer (kg ha-1) 8.0 plants m-2 100 Maiz Ma5 DK682 15-Oct 6.5 plants m-2 60 So1 DM3700 15-Oct 52 cm between rows 0 So4 DM3800 25-Nov 52 cm between rows 0 SW3 Don Enrique + DM4800 1-Jul* NO APLICA 40 Guapo + DM4800 1-Jun* NO APLICA 80 Soja SW6 (*) Trigo-Soja 2da Short-cycle soybean is planted 20 days after wheat maturity. Tabla 1 Características de los Cultivo-Manejos considerados 2.1 ESTRATEGIAS El campo se considera divisible en 6 unidades (i.e., tiene 6 lotes de producción y para cada lote debe seleccionarse 1 CM). Los escenarios resultantes de las combinaciones de asignación de los 6 CMc entre las 6 partes del campo abarcan 462 estrategias, las que se encuentran parcialmente desarrolladas en la Tabla 2 mediante fracciones xk de 1, siendo xk la proporción de terreno a asignar a cada CMc en el escenario futuro. Llamaremos Estrategia a cada una de las diferentes combinaciones posibles de selección para asignar la tierra entre esos 6 CMc. En Rojo et al (2013) se encuentran detalladas las 462 estrategias consideradas. Estrategia Ma4 Ma5 So1 So4 SW3 SW6 1 2 3 4 . 7 . 461 462 1 5/6 2/3 1/2 . 0 . 0 0 0 1/6 1/3 1/2 . 1 . 0 0 0 0 0 0 . 0 . 0 0 0 0 0 0 . 0 . 0 0 0 0 0 0 . 0 . 1/6 0 0 0 0 0 . 0 . 5/6 1 Tabla 2 Detalle parcial de estrategias. 2.2 ESCENARIOS Una vez que el productor decide la combinación de CMc para el campo, obtendrá un rinde y posteriormente un ingreso económico. El resultado económico se calcula en base al rinde simulado – función de las condiciones climáticas- y a los precios de los commodities y costos. Estos dos factores (Condiciones Climáticas y Nivel de Precios) son los que aportan incertidumbre al modelo y configuran los escenarios a considerar. Las condiciones climáticas se incorporan simulando los rendimientos mediante modelos agronómicos específicos de simulación de crecimiento de cultivo (Jones et al 1998 - Podestá et al 2008). Dichos usan como entrada información climática histórica diaria junto con las características de los CMc y simulan, entre otras cosas, el rinde (kg/ha) de los CMc cultivo. Para las simulaciones se consideró una serie histórica de precios de los cultivos para el período 19832009 y también una tabla de rendimientos de los CMc para el período 1931-2007 en función de información climática histórica. En Rojo et al (2013) se puede apreciar la serie histórica de precios y los resultados de la simulación para los períodos completos. Los escenarios totales a considerar son una combinación de un año histórico de precios con un año histórico de rendimientos. Considerando 27 años de precios (1983-2009) y 77 años de rendimientos (1931-2007), su producto resulta en un total de 27 * 77 = 2079 escenarios a considerar. Las series históricas de datos climáticos y las series históricas de precios se combinan entre sí para generar los escenarios a ensayar. 2.3 INGRESO BRUTO DE CADA CMC Dado un CMc con c = 1 a 6, para un nivel de precios de un año m y un rendimiento según condiciones climáticas de un año n, el Ingreso Bruto en USD/Ha que percibe el productor para cada CMc es: Ingreso Bruto CMc (m,n) = Precio CMc (m) * Rendimiento CMc (n) con: c = 1 a 6; m = 1 (1983) a 27 (2009); n = 1 (1931) a 77 (2007) Para los interesados en reproducir el procedimiento de cálculo, en Rojo et al se indican 8 valores de Ingresos de los CMc (m,n), en USD/Ha, ordenados sobre una matriz de 2079 filas (cantidad de escenarios) y 8 columnas (4 CMc simples y 4 columnas correspondientes a cada una de las 2 partes que integran cada uno de los 2 CMc combinados). 2.4 MARGEN DE CADA CMC El productor debe afrontar costos fijos directos, costos variables directos y costos indirectos, todos en USD/Ha. Los costos fijos CFCMc dependen del CMc y corresponden al costo de las semillas, agroquímicos y labores. Los costos variables CVCMc dependen directamente del rendimiento de la producción del CMc e incluyen el costo de cosecha, el costo de transporte y el costo de comercialización, mediante un costo unitario adimensional CVuCMc. Los costos indirectos incluyen, entre otras cosas, los costos estructurales como por ejemplo el alquiler del terreno. Los costos CFCMc, CVuCMc y CECMc se muestran en Rojo et al. El Margen Neto, en USD/Ha, que obtiene el productor de cada CMc se calcula descontando los costos al Ingreso Bruto. Para los 4 CMc simples (Ma4, Ma5, So3 y So6) el margen neto, en USD/Ha, queda expresado por: Margen Neto CMc (m,n) = Ingreso CMc (m,n) * (1 – CVuCMc) – CFCMc – CECMc con c = 1 a 4; m = 1 (1983) a 27 (2009); n = 1 (1931) a 77 (2007) y para los 2 CMc combinados SW3 y SW6 el margen es el siguiente (se presenta solo el de SW3): Margen Neto CM5 (m,n) = Ingreso W3 (m,n) * (1 – CVuW3) – CF W3 – CE W3 + Ingreso So3 (m,n) * (1 – CVuSo3) – CF So3 – CE So3 En la Tabla 6 se indican 4 valores de Márgenes, en USD/Ha, de los CMc (m,n) que son parte de una matriz de 2079 filas (cantidad de escenarios) y 6 columnas (cantidad de CMc). 2.5 MARGEN DE CADA ESTRATEGIA Si se multiplica la matriz de Márgenes de los CMc, de 2079 filas (escenarios) y 6 columnas (CMc) por la traspuesta de 6 filas (CMc) y 472 columnas (estrategias) de la matriz de estrategias se obtiene una matriz de 2079 filas (escenarios) y 462 columnas (estrategias) que contienen los márgenes de cada combinación, en USD/Ha. Se denomina a este cálculo Mji: Margen de la estrategia j en el escenario i. 3 MODELOS DE DECISIÓN TRADICIONALES 3.1 VALOR ESPERADO Comenzando con Blas Pascal en 1670, el cálculo del valor esperado constituyó la primera métrica empleada para sugerir una buena decisión cuyo estado futuro se desconoce. La idea de valor esperado consiste en que con cada decisión se obtienen resultados asociados a una probabilidad. Calculando el valor esperado del resultado de cada decisión posible, la selección deberá ser aquella que proporcione el mayor valor esperado del retorno económico. Si suponemos los escenarios como equiprobables, en el modelo de decisión agrícola, la estrategia a elegir será la que arroje el mayor valor esperado del Margen neto. El resultado de las 5 estrategias con mayor promedio del margen se muestra en la figura 2. El cálculo se explica en la siguiente fórmula: Siendo i el subíndice que indica el escenario, cada escenario como combinación de precios y clima 2079 1 𝑉𝐸𝑗 = ∑ 𝑀𝑖𝑗 2079 𝑖=1 El resultado del cálculo para las 5 mejores estrategias se muestra en la Tabla . Estrategia 210 209 208 207 206 Valor esperado del Margen [US$/ha] 58.18 55.11 52.68 50.33 49.86 Tabla 3 Valor esperado del Margen para cada estrategia 206 207 208 209 210 Land allocation SW3 Soy1 Soy4 Ma5 Ma4 SW6 0.0 0.2 0.4 0.6 0.8 1.0 Figure 1 Asignación de terreno correspondiente a las estrategias 206, 207, 208, 209, 210 3.2 TEORÍA DE LA UTILIDAD ESPERADA En el siglo XVII Daniel Bernoulli demostró que el valor esperado no es adecuado para seleccionar la mejor alternativa. Introdujo el concepto de Riesgo, como posibilidad de que un evento probable produzca un resultado no deseado. Esta teoría propone que los individuos no buscan maximizar la riqueza, sino que buscan maximizar la satisfacción o utilidad que les proporciona la riqueza. Esta función de utilidad tiene la propiedad de ser creciente con derivada segunda negativa. Esta condición de la función de utilidad puede ser entendida de la siguiente forma: cuando un inversor crece en su nivel de riqueza, la utilidad que le produce una unidad más monetaria es cada vez menor. Lo que quiere decir que si mil pesos producen una utilidad x, dos mil pesos producen una utilidad necesariamente menor a 2x. Una de las fórmulas de utilidad que propuso Bernoulli es la logarítmica que cumple con la condición descripta anteriormente. 𝑈(𝑥) = 𝑙𝑛(𝑥) Entonces los inversores buscarán maximizar el valor esperado de la utilidad, y no el valor esperado del margen. Entonces, 2079 1 𝑈𝐸𝑗 = ∑ 𝑙𝑛(𝑊0 + 𝑀𝑖𝑗 ) 2079 𝑖=1 En donde W0 es la riqueza inicial del productor. Este agregado se incluye porque es significativo en nivel de riqueza en el que se encuentra el productor para medir su satisfacción con el resultado. Además, evita que en caso de pérdidas el logaritmo natural de un número negativo quede indefinido. Los resultados de la Utilidad Esperada para las cinco mejores estrategias se muestran en la tabla 4 y las distribuciones correspondientes a esas estrategias se muestran en la Figura 2. Estrategia 195 175 205 140 209 Valor esperado de la utilidad [Adimensional] 6.5850 6.5844 6.5839 6.5822 6.5804 Tabla 4 Estrategias con mayor valor de utilidad esperada Figura 2 Asignación de cultivos correspondiente a las estrategias con mayor valor de utilidad esperada 209 140 205 175 195 Land allocation SW3 Soy1 Soy4 Ma5 Ma4 SW6 0.0 0.2 0.4 0.6 0.8 1.0 3.3 TEORÍA DE LAS PERSPECTIVAS (PROSPECT THEORY) La teoría fue desarrollada por Daniel Kahneman (premio Nobel de Economía en 2002) y Amos Tversky en 1979. Básicamente, y entre otros conceptos, lo que plantea la teoría es lo siguiente: 1. La satisfacción de un resultado –antes llamada utilidad, ahora llamada función de valor– depende de la variación de ese resultado con un nivel de referencia subjetivo que tiene el decisor. Esto da lugar a un parámetro Wr o riqueza de referencia. 2. El efecto de satisfacción que producen las ganancias (resultado mejor que la referencia) no es simétrico a la insatisfacción que producen las pérdidas (resultado menor a la referencia). Ver Figura 3. Esto se denomina aversión a las pérdidas. 3. Cuando las probabilidades son muy bajas o muy altas, estas son abstraídas diferente en la cabeza del decisor. Es decir que existe una función que modela cómo se incorporan las probabilidades en la cabeza del decisor. Figura 3 Función de Valor Podemos utilizar la siguiente función de valor: 𝑉(𝑥) = { 𝑥𝛼 −𝜆. (−𝑥)𝛼 𝑠𝑖𝑥 ≥ 0 𝑠𝑖𝑥 < 0 Entonces, de una manera simplificada, podemos decir que el productor buscará maximizar la función de valor. Con α= 0.88 y λ= 2.25 2079 1 𝑉𝑗 = ∑ 𝑉(𝑀𝑖𝑗 − 𝑊𝑟 ) 2079 𝑖=1 Los resultados de las 5 mejores estrategias se muestran a continuación en la tabla 3 y sus respectivas distribuciones de cultivos se muestran en la figura 4. Estrategia 175 195 140 205 84 Valor [Adimensional] -45.52 -45.81 -46.11 -47.84 -47.87 Tabla 5 Estrategias con mayor Valor Figura 4. Asignación de cultivo para las estrategias con mayor valor. 205 140 195 175 Land allocation 84 SW3 Soy1 Soy4 Ma5 Ma4 SW6 0.0 0.2 0.4 0.6 0.8 1.0 3.4 OPTIMIZACIÓN DE PORTAFOLIO DE MARKOWITZ La teoría de optimización de portafolio es una teoría moderna de inversión que busca que el decisor pueda minimizar el riesgo mediante la selección óptima de los componentes de su inversión. Presentada por Harrty Markowitz en 1952, la teoría propone que el inversor debe abordar la cartera como un todo, estudiando las características del riesgo y retorno global, en lugar de escoger valores individuales. Las decisiones de producción agrícola pueden perfectamente entenderse como una inversión financiera. En lugar de disponer de un capital inicial a distribuir entre activos financieros, el productor dispone de su terreno a asignar con opciones de Cultivo-Manejo. Una forma fácil de seleccionar la estrategia recomendada según este modelo es graficar en un par de ejes cartesianos la media y el desvío estándar del margen de cada una de las estrategias (ver Figura 5). Figura 5. Media del margen vs desvió estándar del margen para cada estrategia 50 40 30 rendimiento 60 seleccion de portafolio 209 208 205 204 195 203 201202 194 175 200 335 199 193 191 192 174 140 198 334 197 331 190 185 189 173 171 172 333 84 139 330 188 184 321 187 183 170165 186 169 136 137 83 138 329 327 328 180 320 164 155166 182 181 301 167 163 130 168 134 8281 405 80 135 326 179 325 177 319 178 317 162 154 3 18 300 161153 129 120 160 266 132 128 79 404 324 131 7874133 401 323 316 159 311 152 315 299 158 297 151 127 119 298 105 157 150 265 126 118 77 73 156 403 64 125 767275 400 314 310 149313 391 309 148 296 124 291 117 104 312 147 295 123 264 262 116 103 71 63 146 49 122 263 115 121308 70 62 399 397 69 145 398 390 307 294 144 290 114 281 102 306 371 293 143 289 113 68 256 101 61 292 4866 28 112 260 67 100 60 440 47 111 396 170 180261 190 200 210 220 305 230 59 395 65 389 387 304 288 280 110 99 388 303 370 287 259 279 109 255 246 98 58 46 286 258 108 254 97 107 574527 439 257 26 394106 96 56 44 436 393 386 285 55 278 381 95 385 369 284 277 253 367 94 245 54 231 368 43 25 283 276 252 93 244 53 42 24 282 251 92 52 41384 23 435 380 51 275 40 90 426 383 379 50 366 274 250 243 361 89 desvio.st 230 39 382 365 22 273 249 242 88 229 38 21 272 248 241 37 20 434 24717 432 378 36 271 19433 425 377 270 35376 364 360 240 351 228 18 34 269 363 359 239 227 33 362 238 226 16 32 455 237 375 43131 15 424 374 430454 422 30 14 358 350 225 236 423 373 13 357 349 235 224 356234 22312233 11 429 222 10 451 428 Es lógico que el decisor seleccione aquella opción que le devuelva alto rendimiento con un bajo desvío estándar (arriba a la izquierda del grafico en la Figura 5). Así, se define una frontera integrada por las estrategias que se presentan en la Figura 6. Figura 6. Asignación de cultivos correspondientes a las estrategias de la frontera de Markowitz 140 175 195 205 Land allocation 84 SW3 Soy1 Soy4 Ma5 Ma4 SW6 0.0 0.2 0.4 0.6 0.8 1.0 4 MODELO ALTERNATIVO: METODOLOGÍA DE LAS DECISIONES ROBUSTAS El marco teórico del proyecto lo constituye la metodología de las DR (MDR) propuesta en Lempert (2006), de la cual en esta sección se presenta una síntesis. En el proceso de toma de decisiones dentro de un marco de incertidumbre, el decisor debe seleccionar una estrategia (Si) entre un conjunto de estrategias posibles (S) las cuales producen resultados que son función de factores del contexto sobre los que no se tiene certeza y por ello aportan incertidumbre sobre el resultado final. Estos factores definen un conjunto de escenarios considerados (F) donde cada escenario (Fj) está determinado por una combinación de estados que aportan incertidumbre. Definidos los escenarios F y las estrategias S, en la MDR se deben evaluar todas las combinaciones de elementos entre esos dos conjuntos E = S x F y seguir el procedimiento propuesto por Lempert (2007), en el cual se expresa que “la MDR es un procedimiento de decisión analítico e iterativo que ayuda a identificar estrategias robustas candidatas, caracterizar sus vulnerabilidades y evaluar otras alternativas que sean más sólidas cuando las candidatas sean vulnerables”. Los pasos metodológicos a seguir en la MDR son los siguientes: Seleccionar un subconjunto de estrategias posibles (S). Determinar todos los escenarios factibles de considerar (F). Especificar los diferentes modelos descriptivos de performance y los valores de los parámetros a tomarse y luego adoptar un modelo. Evaluar todas las combinaciones de estrategias y escenarios conforme el modelo adoptado obteniendo un resultado para cada combinación (E). De acuerdo a esa evaluación proponer estrategias robustas candidatas iniciales considerando todos los escenarios. Delimitar un subconjunto de escenarios en los cuales el resultado de adoptar las estrategias candidatas presentan vulnerabilidades pues no tienen buen desempeño y originan pérdida de performance o Regret respecto a la performance de la mejor estrategia en esos escenarios. Identificar un subconjunto de estrategias que pertenecen a la frontera con mejor performance entre los escenarios identificados en el paso anterior y los demás escenarios. Caracterizar la conveniencia de adoptar una estrategia de cobertura de acuerdo a un análisis de sus respectivas vulnerabilidades. Identificar un nuevo subconjunto de estrategias robustas candidatas que mejore el cubrimiento en los escenarios vulnerables e iterar desde el paso V hasta haber analizado todas las estrategias que resulten del análisis. 5 OTROS MODELOS ALTERNATIVOS: ENFOQUES DE OPTIMIZACIÓN ROBUSTA El propósito de la Optimización Robusta es encontrar, dentro del marco de la Programación Matemática, soluciones cuyos efectos sobre el objetivo planteado sean “poco sensibles” ante variaciones en los datos, producto de la incertidumbre en sus valores reales. Sobre este esquema general se han desarrollado varios enfoques alternativos con sus ventajas y desventajas los cuales están siendo objeto de análisis en un nuevo proyecto de investigación para ser desarrollados y aplicados en la solución del problema de la Producción Agrícola. A continuación se describen brevemente los enfoques que se están analizando. 5.1 OPTIMIZACIÓN NO LINEAL ROBUSTA El enfoque de Optimización Robusta presenta una estructura no lineal y uno de los más conocidos es el propuesto por Mulvey et al (1995) cuya idea central es introducir variables que reflejen el incumplimiento de la factibilidad incorporándolas en la función objetivo dentro de un término de “penalización” con un peso que denomina “Ω” y en las restricciones dentro de un conjunto de ecuaciones que denomina de “control” para medir la infactibilidad del modelo. Como el término de penalización en la función objetivo no es lineal, el modelo robusto pierde la linealidad lo cual constituye una desventaja de este enfoque 5.2 OPTIMIZACIÓN LINEAL ROBUSTA El primer enfoque de Optimización Lineal Robusta fue desarrollado por Soyster (1973) quien propuso un modelo de programación lineal cuyas restricciones contengan a todos los valores posibles de los datos inciertos. Los resultados obtenidos con este enfoque lograban su robustez a costa de un gran apartamiento de la solución óptima. Un nuevo enfoque que mejoró el apartamiento de la optimalidad fue el propuesto por Bertsimas et al (2004) el cual garantiza que por debajo de una tolerancia prefijada en el cambio del valor de los coeficientes inciertos la solución obtenida sigue siendo factible y por encima de esa tolerancia la garantiza según una función de alta probabilidad. Para ello incorpora un parámetro que denomina “Γ” cuyo papel es ajustar la robustez del método para flexibilizar y disminuir el apartamiento de la solución óptima. Enfoques de publicaciones recientes como ser Ben-Tal et al (2010) han avanzado en esta línea y también serán analizados y evaluados en el nuevo proyecto de investigación. 6 CONCLUSIONES Para la resolución del caso de estudio presentado, se han evaluado varias metodologías, que se han explicado brevemente en los capítulos anteriores. Algunas de ellas, como la optimización robusta, serán objeto de nuevas líneas de investigación en los proyectos en los cuales está trabajando el grupo. Cada una de las metodologías tiene un grado diferente de profundidad y de abordaje de la situación problemática. Por ello es que las soluciones que se obtuvieron tienen sensibles diferencias. Los resultados que, a nuestro juicio, permiten tomar mejores decisiones en los ámbitos de incertidumbre como el planteado en el caso de estudio, son las que implican decisiones robustas, porque facilitan la evaluación de distintos escenarios y toman en consideración la mayor variedad de resultados posibles (aunque no se enfoquen a obtener la solución óptima). Hay un factor que es necesario tener en cuenta y es el de las preferencias y actitudes ante el riesgo que tiene el decisor. Por ello, para seleccionar el mejor modelo, o la mejor metodología, es imprescindible estudiar en primera instancia cómo toma decisiones aquél que tiene el problema. 7 BIBLIOGRAFÍA BEN-TAL A., BERTSIMAS D., y BROWN D.B. (2010). “A Soft Robust Model for Optimization under Ambiguity”. Operations Resarch, Vol 58. Pp 1220-1234 BERTSIMAS D. y SIM, M. (2004). “The Price of robustness”. Operations Research, Vol 52, pp 35-53. GONZÁLEZ X. I. (2012): “Aplicación de Decisiones Robustas a la asignación del uso de la tierra entre diferentes actividades agrícolas”. Anales XXV ENDIO - XXIII EPIO, pgs 520 a 535, Ciudad Autónoma de Buenos Aires KAHNEMAN & Tversky. An Analisys of Decision Under Risk - Econométrica Vol. 47 N° 2 (Mar 1979) LEMPERT R. J. et al (2006): “A General, Analytic Method for Generating Robust Strategies and Narrative Scenarios”. Management Science, vol. 52, n° 4, pp 514 a 525 MARKOWITZ, Portfolio Selection. Journal of Finance (1952) MULVEY J. M., VANDEBEI M. J. y ZENIOS S. A. (1995). “Robust optimizations of large-scale systems”. Operations Research, Vol 43, pp 264-281 ROJO H., RAMOS S. A., GONZÁLEZ X. I., RASPA L., WAINSTOCK A., KALMUS D. (2013): “Procedimiento para identificar estrategias iniciales en una metodología de decisiones robustas aplicada a sistemas agropecuarios”. Anales XXVI ENDIO - XXIV EPIO, Ciudad de Córdoba SOYSTER A. L. (1973). “Convex programming with set-inclusive constraints and applications to inexact linear programming”. Operations Research, Vol 21, pp 1154-1157