IE-0505 TÉCNICAS DE OPTIMIZACIÓN
Proyecto 2: Optimización de portafolios Markowitz
Selección de un portafolio de fuentes de
producción de energía eléctrica para minimizar la
variabilidad del coste de producción.
Jaime Siézar Cárdenas, B16297
Resumen—Este proyecto consiste en el planeamiento de in-
versión en diferentes tecnologías de generación eléctrica con el
fin de mantener establece el precio de la energía eléctrica; con
datos relacionados al sistema energético de México. Para este
propósito se plantea la optimización desde el punto de vista de
los portafolios Markowitz, donde se busca diversificar la inversión
a fin de reducir la varianza manteniendo un retorno establecido.
Index Terms—Markowitz, portafolio, esperado, optimización.
I. F UNDAMENTOS DE LA OPTIMIZACIÓN DE
PORTAFOLIOS DE INVERSIÓN M ARKOWITZ
Antes de formular el problema de optimización es necesario
tener en cuenta algunas definiciones:
Variable aleatoria: De acuerdo con [1], es una función
que asigna un valor real a cada uno de los resultados de
un experimento. Debe cumplirse que cada experimento se
corresponda a un único valor de la función de la variable
aleatoria. Condiciones adicionales y mas detalles sobre la
variable aleatoria pueden consultarse en [1].
Valor esperado: Para una variable aleatoria x se denota por
E(x) ó x y corresponde al promedio estadistico de x, [1].
Valor de retorno: Es una medida de la ganancia por
una determinada inversión. Sea i un valor (en el sentido
económico) y su precio Pi0 en el tiempo 0 y en el tiempo T
su precio sea PiT entonces se define la tasa de retorno como
P T −P 0
ri = i P 0 i , [3].
i
Varianza: Es una medida de la dispersión de los datos
respecto a su valor promedio, se define de la siguiente
manera:
Pn −x)2
σ 2 = i=1 (xi N , [2].
Desviación estándar: Es también una medida de la varación
respecto al promedio y se define como la raíz cuadrada de la
varianza, se denota por σ, [2]. En aplicaciones económicas
se le denomina también riego [3], pues puede representar la
dispersión respecto a un valor de retorno esperado, una alta
varianza representa alto riesgo ya que las ganancias pueden
fluctuar de forma brusca.
Covarianza: Es una medida de la dependencia de dos
variables aleatorias, como afecta el cambio de una a la
1
otra. Para dos variables aleatorias x y y se define como
σxy =E((x − x)(y − y)), [2].
Con estas definiciones se plantea el problema de la
optimización de portafolios Markowitz como sigue [3]:
Sea ωi el monto invertido en el valor i y ω el monto
total de inversión, se define xi = ωωi como la proporción
invertida en i respecto al monto total de inversión. El vector
x = [x1 , x2 , ..., xn ]T representa el portafolio de inversión,
cuanto se invertirá en cada valor.
Pn
El retorno del portafolio se denota por rp = i=1 ri xi .
El desarrollo mostrado en [3] muestra que la varianza del
Pn
portafolio queda definida por ρ σ σ x x donde
i=1 ij i j i j
ρij = σij /σi σj y se le denomina coeficiente de correlación
entre ri y rj que representan el retorno de los valores i y j. El
coeficiente de correlación normaliza la covarianza entre -1 y 1.
El objetivo es minimzar la varianza sujeta a un valor
mínimo de retorno, de acuerdo con [3], el sistema en forma
matricial queda como sigue:
min xT Qx
 T
 µ x ≥ R
s.a. eT x = 1
x ≥ 0

Donde eT es un vector de unos, esta restricción implica que la
suma de las inversiones individuales debe ser igual al monto
total de inversión. R representa la restricción del valor mínimo
de retorno, µT el vector de retorno esperado para los valores y
Q, es matriz de covarianzas que relaciona los distintos valores.
II. A PLICACIÓN DE LA OPTIMIZACIÓN DE PORTAFOLIOS
M ARKOWITZ AL PLANEAMIENTO DE GENERACIÓN
ELÉCTRICA
Se tiene un portafolio de tecnologías de generación
eléctrica y se debe invertir en ellas de manera que el costo
de producción tenga baja varianza con el fin de mantener
estable el precio de la energía eléctrica. Como fundamento se
usarán los datos y la invetigación hecha por Hector Beltran
en [4] para el análisis del sector mexicano, en este estudio se
plantea la expansión en 14 315 MW y es posible decidir que
PROYECTO 2-OPTIMIZACIÓN DE PORTAFOLIOS MARKOWITZ IE-0505 TÉCNICAS DE OPTIMIZACIÓN

tipo de tecnología usar. funciones inversas. Siendo Cespm el costo esperado máximo,
y teniendo los costes esperados de cada tecnología, esta
restricción queda de la siguiente forma:
III. P LANTEAMIENTO DEL PROBLEMA DE OPTIMIZACIÓN
El problema parte de que se tiene un portafolio de 87.5x1 + 137.72x2 + 70.04x3 + 117.5x4 + 76.29x5
producción de energía eléctrica en el que se debe invertir +74.48x6 + 80.24x7 + 91.35x8 + 93.09x9 ≤ Cespm
para la expandir la capacidad de producción y satisfacer las
Se deben agregar dos restricciones mas; la de variables posi-
necesidades de los clientes, el portafolio se compone de las
tivas x ≥ 0 y la restricción de inversión (se invierte todo lo
siguientes tecnologías, x = {Térmica, GT, CCGT, CT, carbón,
disponible).
nuclear, geotérmica, hidro, eólica}. El estudio presentado por
[4], proporciona el coste de producción esperado para cada x1 + x2 + x3 + x4 + x5 + x6 + x7 + x8 + x9 = 1
tecnología, así como su desviación estándar, su varianza (son
tecnologías existentes y el riesgo de inversión se establece .
en cero, no obstante hay otros componentes de riesgo)y su De acuerdo a [4] se debe agregar restricciones para
coeficiente de correlación con las demás tecnologías. Esto establecer el x2 = 2 % y x4 = 8 %, esto debido a que son las
en base a como se componen sus costes, por ejemplo, las tecnologías que se encargan de suplir los picos de demanda.
tecnologías basadas en combustibles fósiles presentan una Se establece una restricción que conciernie a la energía eólica,
mayor varianza debido a la fluctuación del precio de estos debido a la fluctuación en la generación que puede haber en
combustibles. Los datos recopilados mostrados en [4] se una planta de este tipo dada la naturaleza de estas; se decide
recopilan en las tablas I y II: que se limitará el porcentaje invertido en energía eólica a no
más de un 6 % del total de inversión, quedando como sigue;
x4 ≤ 0.6.
Costo
esperado de Desviación
Tecnología Varianza σ 2 El problema de optimización queda entonces definido como:
producción estándar σ
($/MWh)
Térmica 87.5 0.0449 0.212 min xT Qx
GT 137.72 0.0671 0.259 
CCGT 70.04 0.0936 0.306 
 87.5x1 + 137.72x2 + 70.04x3
CT 117.5 0.0697 0.264 
+117.5x4 + 76.29x5 + 74.48x6 ≤ Cespm


Carbón 76.29 0.0335 0.183 


Nuclear 74.48 0.00372 0.061 

 +80.24x7 + 91.35x8 + 93.09x9
Geotérmica 80.24 0.00462 0.068



Hidro 91.35 2.89x10−4 0.017 s.a.
Eólica 93.09 25x10−5 0.005  x1 + x2 + x3 + x4 + x5 + x6 + x7 + x8 + x9 = 1
x4 = 0.08



Tabla I: Costo de producción esperado.

x2 = 0.02




x9 ≤ 0.06



Tomando x = [x1 , x2 , x3 , x4 , x5 , x6 , x7 , x8 , x9 ]T con x1 =

{x1 , x2 , x3 , x4 , x4 , x5 , x6 , x7 , x8 , x9 } ≥ 0

Térmica, x2 = GT, x3 = CCTG, x4 = CT, x5 = carbón, x6 =
Un estudio de los menores de la matriz Q de este problema
nuclear, x7 = geotérmica, x8 = hidro, x9 = eólica. Se tiene la
indicará que la matriz es semidefinida positiva, con lo cuál
matriz de correlación (matriz simétrica) siguiente.
estamos frente a un problema de optimización convexa, lo
x1 x2 x3 x4 x5 x6 x7 x8 x9 que implica que se pueden usar técnicas específicas para este
x1 1 0.884 0.899 0.924 0.722 0.260 0 0 0 tipo de problemas y además, de encontrar un óptimo este será
- global.
x2 1 0.968 0.802 0.818 0 0 0
0.189
-
x3 1 0.880 0.852 0 0 0
0.245 IV. S ELECCIÓN DEL ALGORITMO DE OPTIMIZACIÓN
x4 1 0.647 0.276 0 0 0
x5 1 0.143 0 0 0 Por tratarse de un problema de optimización quadrática
x6 1 0 0 0 convexa, se escoge el algoritmo interior-point-convex en
x7 1 0 0 Matlab®, los pasos que ejecuta este algoritmo se pueden
x8 1 0
x9 1
consutar en la página de Matworks. La diferencia principal
de los métodos de punto interior respecto al metodo simplex,
Tabla II: Matriz de correlación. es uque como su nobre indica, se establece la solución inicial
en un punto interior de la región factible y se varía en la
Con estos datos se puede construir la matriz de covarianza dirección de decreciemiento, no recorre los vértices como si
Q tomando en cuenta que σij = ρij σi σj , es poco prác- lo hace el método simplex.
tico escribirla acá, se puede consultar en el script Proyec- Presolve: Este algoritmo comienza con una presolución donde
to2_Markowitz.m . en caso de existir redundancias, las remueve y simplifica las
La restricción de retorno se sustituye por una restricción de restricciones.
costo, lo que es equivalente dado que el retorno y costo son Genera un punto inicial: Este es un vector de unos acorde

2
PROYECTO 2-OPTIMIZACIÓN DE PORTAFOLIOS MARKOWITZ
al problema y si el problema especifica límites superiores e
inferiores, se establece el punto inicial a mitad del intervalo.
Predictor-corrector: el algoritmo usa un predictor-corrector que
busca un punto que satisfaga las condiciones KKT e itera
hasta encontrar una solución que satisfaga las condiciones de
tolerancia especificadas por el usuario (o de no especificarse,
se rige de acuerdo a las tolerancias que tiene el algoritmo por
defecto). Para un problema del tipo min xT Hx + cT x tal que
Ax ≤ b, Aeq x = beq las condiciones KKT a satisfacer son las
siguientes:
T % M a t r i z de c o v a r i a n z a de c o s t o s
Hx + c − ATeq y − A z = 0
Ax − b − s = 0, Aeq x − beq = 0, si zi = 0, i = 1, 2, ..., m,
s ≥ 0, z ≥ 0. Donde A es la matriz de desigualdad extendida
(incluye las fronteras especificadas para las variables), b es el
vector correspondiente a esta matriz. s es el vector de holgura
para convertir desigualdades en igualdades, z es el vector de
multiplicadores de lagrange correspondiente z, y es el vector
de mulplicadores de lagrange asociado a las restricciones de
igualdad.
Ahora el algoritmo calcula el paso que debe usar mediante las
T 0.00160 0 0 0;
siguientes ecuaciones: rd = Hx + c − ATeq y − A z, req =
Aeq x − beq , rineq = Ax − b − s, rsz = Sz, S es la matriz
diagonal de los términos de holgura z es la columna de la
T
matriz de multplicadores de lagrange, rc = smz y se calcula el
paso mediante la fórmula de Newton resolviendo el siguiente
sistema.
 T    c = zeros (9 ,1);
H 0 −ATeq −A ∆x rd
  ∆s  = −  req 
A
 eq 0 0 0 
   
 A −I 0 0  ∆y  rineq 
0 Z 0 S ∆z rsz
El algoritmo hace unas modificaciones al paso calculado
con Newton, para cumplir la restricción s, z ≥ 0, resuelve
si zi = σrc en lugar de si zi = 0 con σ un parámetro
positivo y se reemplaza rsz en la ecuación de Newton por
rsz +∆z∆s−σrc 1 entre otras consideraciones adicionales para
darle mayor robustez al algoritmo. Con el paso calculado se
obtienen los nuevos vectores y se prueban en las condiciones
KKT, si el resultado cumple con la medición de optimalidad
requerida, entonces se detiene la iteración, caso contrario se
sigue iterando hasta obtener una medición de optimalidad
dentro de los valores establecidos (asumiendo que existe
solución).
V. O PTIMIZACIÓN
Primero es necesario definir el concepto de medición de
optimalidad de primer orden; este es un concepto que utilizan
los algoritmos de optimización y que proporciona una medida
de que tan cerca está la solución obtenida respecto al valor
real del óptimo, tiene diferentes definiciones para distintos
algoritmos. Esta medida debe ser cero en el mínimo (óptimo),
normalmente el algoritmo se detiene cuando esta medición es
menor que una tolerancia de optimalidad definida.
El algoritmo seleccionado minimiza una función de la forma
1 T T
2 X HX +C X, en este caso C=0, y H = Q, con la salvedad
de que al obtener el valor de la función, se dbe multiplicar por
dos para obtener el valor real.
3
IE-0505 TÉCNICAS DE OPTIMIZACIÓN
El código necesario para la optimización se divide en dos, una
primer parte para evaluar individualmente valores de costo
esperado y analizar la cantidad de iteraciones, tiempo de
solución (variable output),entre otros y una segunda sección
de código que genera la frontera de eficiencia.
La primer sección de código se muestra a continuación, al
ejecutarlo solicita un valor de costo esperado y resuelve el
problema.
clear ; clc ;
Q =[
0.0449 0.0485 0.0583 0.0517 0 . 0 2 8 0 . . .
0.00336 0 0 0;
0.0485 0.0671 0.0767 0.0548 0 . 0 3 8 8 . . .
−0.00298 0 0 0 ;
0.0583 0.0767 0.0936 0.0711 0 . 0 4 7 7 . . .
−0.00448 0 0 0 ;
0.0517 0.0548 0.0711 0.0697 0 . 0 3 1 2 . . .
0.00444 0 0 0;
0.0280 0.0388 0.0477 0.0312 0 . 0 3 3 5 . . .
0 . 0 0 3 3 6 −0.00298 −0.00448 0 . 0 0 4 4 4 . . .
0.00160 0.00372 0 0 0;
0 0 0 0 0 0 0.0462 0 0;
0 0 0 0 0 0 0 2.89*10^( −4) 0;
0 0 0 0 0 0 0 0 25*10^( −5)];
% R e s t r i c c i o n e s de i g u a l d a d e s p e c i f i c a d a s
Aeq = [ 1 1 1 1 1 1 1 1 1 ;
0 0 0 1 0 0 0 0 0;
0 1 0 0 0 0 0 0 0];
beq = [ 1 ; 0 . 0 8 ; 0 . 0 2 ] ;
% R e s t r i c c i o n e s de d e s i g u a l d a d n e c e s a r i a s
A = [87.5 137.72 70.04 117.5 76.29 7 4 . 4 8 . . .
80.24 91.35 93.09;
0 0 0 0 0 0 0 0 1];
b = [ i n p u t ( ’ i n g r e s e Cespm : ’ ) ; 0 . 0 6 ] ;
tic
o p t i o n s = o p t i m o p t i o n s ( ’ quadprog ’ , . . .
’ A l g o r i t h m ’ , ’ i n t e r i o r −p o i n t −convex ’ ) ;
x l = z e r o s ( 9 , 1 ) ; % No n e g a t i v i d a d
% % %O p t i m i z a c i o n c u a d r a t i c a % % % % %
[ x , f v a l , e x i t f l a g , o u t p u t ] = q u a d p r o g (Q, c , . . .
A, b , Aeq , beq , x l , [ ] , [ ] , o p t i o n s ) ;
V a r i a n z a =2 * f v a l ;
toc
d e s _ e s t =(2* f v a l ) ^ . 5 ; % D e s v i a c i o n e s t a n d a r
La segunda sección de código tiene ya definido un vector
de valores esperados y en base a este calcula la frontera de
eficiencia, el código se muestra a continuación:
% %G r a f i c a f r o n t e r a de e f i c i e n c i a
clear ; clc ;
% M a t r i z de c o v a r i a n z a de c o s t o s
Q =[
0.0449 0.0485 0.0583 0.0517 0 . 0 2 8 0 . . .
0.00336 0 0 0;
PROYECTO 2-OPTIMIZACIÓN DE PORTAFOLIOS MARKOWITZ IE-0505 TÉCNICAS DE OPTIMIZACIÓN

0.0485 0.0671 0.0767 0.0548 0 . 0 3 8 8 . . . de 0.0115, el algoritmo tarda 0.01 s en encontrar la

−0.00298 0 0 0 ; solución, con 6 iteraciones y un medida de optimalidad
0.0583 0.0767 0.0936 0.0711 0 . 0 4 7 7 . . . de primer orden de 7.7685x10−10 .
−0.00448 0 0 0 ;
0.0517 0.0548 0.0711 0.0697 0 . 0 3 1 2 . . . 3. Para Cespm = 82, el óptimo se encuentra
0.00444 0 0 0; con [x1 , x2 , x3 , x4 , x5 , x6 , x7 , x8 , x9 ]T =
0.0280 0.0388 0.0477 0.0312 0 . 0 3 3 5 . . . [0, 0.02, 0, 0.08, 0, 0.7056, 0.0420, 0.1525, 0],
0.00160 0 0 0; la varianza (función de costo para este problema) es
0 . 0 0 3 3 6 −0.00298 −0.00448 0 . 0 0 4 4 4 . . . de 0.0030, el algoritmo tarda 0.009 s en encontrar la
0.00160 0.00372 0 0 0; solución, con 9 iteraciones y un medida de optimalidad
0 0 0 0 0 0 0.0462 0 0; de primer orden de 2.5494x10−11 .
0 0 0 0 0 0 0 2.89*10^( −4) 0;
0 0 0 0 0 0 0 0 25*10^( −5)]; 4. Para Cespm = 84, el óptimo se encuentra
% R e s t r i c c i o n e s de i g u a l d a d e s p e c i f i c a d a s con [x1 , x2 , x3 , x4 , x5 , x6 , x7 , x8 , x9 ]T =
Aeq = [ 1 1 1 1 1 1 1 1 1 ; [0, 0.02, 0, 0.08, 0, 0.5909, 0.0361, 0.2730, 0],
0 0 0 1 0 0 0 0 0; la varianza (función de costo para este problema) es
0 1 0 0 0 0 0 0 0]; de 0.0024, el algoritmo tarda 0.009 s en encontrar la
beq = [ 1 ; 0 . 0 8 ; 0 . 0 2 ] ; solución, con 7 iteraciones y un medida de optimalidad
% R e s t r i c c i o n e s de d e s i g u a l d a d n e c e s a r i a s de primer orden de 9.5569x10−09 .
A = [87.5 137.72 70.04 117.5 76.29 7 4 . 4 8 . . .
80.24 91.35 93.09; 5. Para Cespm = 88, el óptimo se encuentra
0 0 0 0 0 0 0 0 1]; con [x1 , x2 , x3 , x4 , x5 , x6 , x7 , x8 , x9 ]T =
[0, 0.02, 0, 0.08, 0, 0.3615, 0.0245, 0.5130, 0.010],
o p t i o n s = o p t i m o p t i o n s ( ’ quadprog ’ , . . . la varianza (función de costo para este problema) es
’ A l g o r i t h m ’ , ’ i n t e r i o r −p o i n t −convex ’ ) ; de 0.0015, el algoritmo tarda 0.009 s en encontrar la
x l = z e r o s ( 9 , 1 ) ; % No n e g a t i v i d a d solución, con 9 iteraciones y un medida de optimalidad
Cespm = [ 7 6 : 1 : 9 5 ] ; %C o s t e s e s p e r a d o s de primer orden de 5.9981x10−09 .
c = zeros (9 ,1); Estás 5 pruebas muestran claramente la tendencia que sigue
f o r i = 1 : l e n g t h ( Cespm ) el problema, en cuanto menor queremos que sea el costo
% % % %O%p t i m i z a c i o n c u a d r a t i c a % % % % % máximo, se recurre a las tecnologías mas baratas sin embargo
%r e s t r i c c i o n e s de d e s i g u a l d a d esto hace que se aumente la varianza. En cuanto se sube el
b = [ Cespm ( i ) ; 0 . 0 6 ] ; costo máximo (se disminuye el retorno) el óptimo se mueve
[ x ( i , : ) , f v a l ( i , 1 ) ] = q u a d p r o g (Q, c , A, b , . . . hacia aquellas tecnologías que tienen menor variación en sus
Aeq , beq , x l , [ ] , [ ] , o p t i o n s ) ; costes de producción pero que su coste esperado es mayor. Se
%V a r i a n z a ejecuta la segunda sección de código para obtener una frontera
Varianza ( i ,1)=(2* fval ( i , 1 ) ) ; de eficiencia con mayor resolución, el resultado se muestra en
end la Figura 1.
%$ F r o n t e r a de e f i c i e n c i a
p l o t ( V a r i a n z a , Cespm , ’− r * ’ ) Frontera de eficiencia
x l a b e l ( ’ V a r i a n z a \ sigma ^2 ’) 96

y l a b e l ( ’ Costo esperado ’ ) 94
g r i d on
t i t l e ( ’ F r o n t e r a de e f i c i e n c i a ’ ) 92
Costo esperado $/MWh

90

VI. R ESULTADOS OBTENIDOS 88

1. Para Cespm = 76, el óptimo se encuentra 86

con [x1 , x2 , x3 , x4 , x5 , x6 , x7 , x8 , x9 ]T =
[0, 0.02, 0.7177, 0.08, 0, 0.1823, 0, 0, 0], la 84

varianza (función de costo para este problema) es 82

de 0.0583, el algoritmo tarda 0.01 s en encontrar la
80
solución, con 6 iteraciones y un medida de optimalidad
de primer orden de 1.2743x10−11 . 78

76
2. Para Cespm = 78, el óptimo se encuentra 0 0.01 0.02 0.03 0.04 0.05 0.06
con [x1 , x2 , x3 , x4 , x5 , x6 , x7 , x8 , x9 ]T = Varianza 2
[0, 0.02, 0.2672, 0.08, 0, 0.6328, 0, 0, 0], la
varianza (función de costo para este problema) es Figura 1: Frontera de eficiencia.

4
PROYECTO 2-OPTIMIZACIÓN DE PORTAFOLIOS MARKOWITZ
VII. A NÁLISIS Y CONCLUSIONES
El planteamiento del problema de optimización como tal
es simple, se define la función de coste y las restricciones a
aplicar. Lo complicado en el planteamiento es la obtención de
los datos necesarios para formular correctamente el problema,
en este caso el estudio se basa en los datos recopilados en [1],
no obstante la obtención de estos datos requiere un estudio
económico-estadístico amplio, se debe analizar el historial de
costos, como se compone el costo de cada tecnología, entre
otros muchos datos para obtener un modelo que pueda predecir
bien el comportamiento de los costos.
Con respecto al algoritmo de optimización seleccionado, este
funciona muy bien, su velocidad de convergencia es alta, alre-
dedor de 0,01 s (aunque puede tener un costo computacional
alto para problemas complejos) y entre 6-9 iteraciones para los
casos estudiados; no representó un problema para la obtención
de las soluciones, además tiene una gran precisión como se
puede ver de la medición de optimalidad de primer orden, en
el orden de 10−9 o menor para los casos estudiados. Dada la
naturaleza convexa del problema estudiado, se tiene certeza
que la solución encontrada es un óptimo global.
Haciendo un análisis mas detallado de las distintas soluciones
se observa que mientras menor se quiere que sea el costo
de producción (mayor retorno, tomando en cuenta que el
retorno es la cantidad de energia eléctrica producida por dolar
de inversión) la varianza es mayor; para el caso en que se
restringe el costo a no mas de 76 $/MWh se tiene una varianza
de 0.0583, la cuál representa una desviación estándar de 0.24
aproximadamente, es decir un 24 % (unos 18$ de desviación
estándar); hay una varianza en el costo de producción muy
alta, esto se debe a que las tecnologías mas baratas tienen una
alta varianza en el coste de producción debido a la naturaleza
fluctuante de los precios de los combustibles fósiles, el mayor
peso de la solución (71.7 % aproximadamente) para este caso
recae en la tecnología CCGT que usa gas natural normalmente.
Conforme la restricción de costo sube su valor, la solución se
“mueve” hacia las tecnologías de generación que tienen menor
varianza, pero que en este problema son mas caras, así por
ejemplo; para cuando la restricción de costo es de 78 $/MWh
el óptimo pasa de tener un 71.7 % (en el punto anterior) en
tecnología CCGT a tener solo 26.7 % en este nuevo caso y se
aumenta considerablemente la inversión en tecnología nuclear
respecto al punto anterior, esta tecnología es un poco mas
cara pero con una varianza mucho menor que la CCGT, la
desviacion estándar para el coste de producción esperado en
este caso es de 10 %, bastante menor que el caso anterior.
De esta forma queda claro que conforme la restricción de coste
“sea más debíl” en el sentido en que no importe tener costes
un poco más elevados, el óptimo se moverá hacia tecnologías
de baja varianza en sus costes de producción, aunque estas
sean mas caras. Por ejemplo, para el caso en que el coste
esperado es de 88 $/MWh se observa que en la solución ya
no hay componente en tecnología CCGT, hay una componente
fuerte en energía nuclear y una componente dominante en
hidro que son de las tecnologías de menor varianza; existen
mas componentes en las otras energías pero estas son las
mas representivas para el análisis. La tecnología nuclear y la
IE-0505 TÉCNICAS DE OPTIMIZACIÓN
geotérmica tienen valores de varianza muy similares, ¿Porqué
es mucho mas fuerte la componente en energía nuclear que en
geotérmica? la respuesta a esta pregunta se obtiene analizando
los costes de producción, como se puede ver de la Tabla I, la
energía nuclear es mucho más barata en relación a la geotér-
mica, de ahí que esta sea la que tenga mayor componente,
puesto que la restricción de coste no permite que se invierta
mas en la tecnología más cara.
¿Cuál es la mejor solución, es decir el mejor portafo-
lio? De forma estricta cualquier solución en la frontera
de eficiencia representa un óptimo para la restricción de
coste impuesta, no obstante analizando la frontera de efi-
ciencia se observa que para costes esperados mayores a
80 $/MWh la varianza disminuye muy poco, por lo que
se puede decir que para lo poco que disminuye la va-
rianza no resulta factible aumentar los costos de produc-
ción. Parece razonable entonces elegir una restricción de 80
$/MWh cuya solución es [x1 , x2 , x3 , x4 , x5 , x6 , x7 , x8 , x9 ] =
[0, 0.02, 0.0062, 0.08, 0, 0.8130, 0.0470, 0.0338, 0], es decir;
Térmica = 0, GT = 0.02, CCGT = 0.0062, CT = 0.08,
carbón = 0, nuclear = 0.8130, geotérmica = 0.0470, hidro
= 0.0338, eólica = 0, con una varianza de 0.0037, lo que
equivale a una desviación estándar de 6 % aproximadamente.
No obstante, como se mencionó, cualquier solución en la
frontera de eficiencia es un óptimo, la decisión radica en
cuanto se esté dispuesto a pagar a cambio de obtener una
determinada varianza.
R EFERENCIAS
[1] Peyton Z, Peebles Jr. Probability, random variables and random signal
principles. Edición 2. McGraw-Hill.
[2] Javier Gorgas, Nicolás Cardiel, Jaime Zamorano. Estadística básica para
estudiantes de ciencias. Universidad Complutense de Madrid. 2011.
[3] Roy H Kwon. Introduction to Linear Optimization and Extensions with
MATLAB®. Taylor & Francis Group. 2014.
[4] Hector Beltran. Moder portfolio theory applied to electricity generation
planning. Tésis de maestría. Ingeniería electrica y computación. UIUC.
2009.