Programação Estocástica em Dois Estágios com Aversão a Risco usando Geração de Cenários Híbrida

Redes varejistas precisam definir pedidos antes de conhecer a demanda, e a qualidade
dessas decisões em Programação Estocástica em Dois Estágios (2SSP) depende criticamente da
fidelidade dos cenários que representam a incerteza. Este trabalho propõe uma estratégia data-
driven que combina (i) um estimador não-linear de ML para a média condicional da demanda e (ii)
uma cópula Gaussiana sobre os resíduos, preservando a dependência conjunta entre itens, aplicada
a um newsvendor multiproduto com objetivo média–CVaRα (Rockafellar-Uryasev). O método é
comparado contra Sample Average Approximation (SAA) e distribuições triangulares independentes
(Especialista). Em avaliação out-of-sample sobre dados reais Walmart (200 itens: 10 lojas × 20
departamentos), a geração híbrida domina ambas as referências com significância estatística em
testes de Wilcoxon, reduzindo o custo total e elevando a taxa de atendimento.