Está en la página 1de 37

INTRODUCCIÓN A LOS MODELOS

ESTOCASTICOS

CARRERA DE INGENIERÍA INDUSTRIAL Y COMERCIAL


Ricardo López Guevara
Contenido de la Sesión 1 y 2

• Revisión de Programación Lineal.

• Importancia de la toma de decisiones bajo

incertidumbre.

• Introducción a la Programación Lineal Estocástica.

• Introducción a los Modelos Estocásticos.

Ricardo López Guevara


Logros de las Sesiones 1 y 2
• Que los alumnos alcancen a comprender
lo que significa la formulación de
modelos considerando la incertidumbre.

Ricardo López Guevara


INTRODUCCIÓN A LOS MODELOS ESTOCASTICOS

Revisión de Programación Lineal

CARRERA DE INGENIERÍA INDUSTRIAL Y COMERCIAL


Ricardo López Guevara
Componentes de un modelo de
programación matemática
Los modelos matemáticos tienen dos componentes
básicos:
• Datos: Valores conocidos y constantes.
• Variables: Valores que se calculan.

Mediante la combinación lineal de los mismos se generan:


• Función Objetivo que debe minimizarse o maximizarse.
• Restricciones que establecen límites al espacio de
soluciones.

Ricardo López Guevara


Resumen de Pasos para formular un
problema de programación lineal

1- Definir claramente las variables de decisión.

2- Formular la función objetivo.

3- Definir claramente las restricciones

4- Formular el Modelo Matemático.

Ricardo López Guevara


RL

Ejemplo: Problema de Mezclas


Una fábrica produce aceite mezclando aceites refinados, dos de
origen vegetal y tres de origen no vegetal. En un mes sólo es
posible refinar 200 toneladas de vegetal y 250 de no vegetal. El
aceite resultante debe cumplir un valor de dureza comprendido
entre 3 y 6. El costo de una tonelada para cada aceite refinado
junto con su dureza aparecen en la siguiente tabla:
Veg-1 Veg-2 NoVeg-1 NoVeg-2 NoVeg-3

Costo 110 120 130 110 115

Dureza 8.8 6.1 2.0 4.2 5.0

La gerencia de la fábrica quiere saber cómo refinar las


cantidades apropiadas de cada aceite a fin de maximizar el
beneficio de la producción final sabiendo que una tonelada del
aceite producido se vende a 150.
10
Ricardo López Guevara
RL

1. Definición de Variables de Decisión


X1 : Cantidad de aceite refinado Veg-1

X2 : Cantidad de aceite refinado Veg-2


X3 : Cantidad de aceite refinado NoVeg-1

X4 : Cantidad de aceite refinado NoVeg-2

X5 : Cantidad de aceite refinado NoVeg-3

Y : Cantidad de aceite a producir.

Ricardo López Guevara


RL

2. Función Objetivo

Z : En este caso el objetivo es maximizar


el beneficio de la producción final sabiendo
que una tonelada del aceite producido se
vende a 150.
Max Z = 150Y -110 X1 -120X2 -130X3 -110X4 -115X5
(Valor aceite producido –costo aceites refinados)

Ricardo López Guevara


RL

3. Restricciones funcionales
R1: (aceite vegetal refinado<= capacidad de refinar aceite vegetal)
X1+ X2 ≤ 200
R2 : (aceite No vegetal refinado <= Capacidad de refinar aceite No Vegetal).
X3 + X4 + X5 ≤ 250
R3 : (Límite superior de dureza del aceite producido).
8.8X1+6.1X2 + 2X3+ 4.2X4 + 5X5 <=6Y

R4 : (Límite superior de dureza del aceite producido).


8.8X1+6.1X2 + 2X3+ 4.2X4 + 5X5 >= 3Y
R3 : (Suma de cantidades aceites refinados = cantidad aceite producido).
X1+ X2 + X3 + X4 + X5 = Y

R7 : Restricción de signo de las variables


X1, X2, X3, X4, X5, Y ≥ 0

Ricardo López Guevara


RL

4. Modelo Matemático
Max Z = 150Y -110 X1 -120X2 -130X3 -110X4 -115X5
SA:
X1+ X2 ≤ 200
X3 + X4 + X5 ≤ 250
8.8X1+6.1X2 + 2X3+ 4.2X4 + 5X5 <=6Y
8.8X1+6.1X2 + 2X3+ 4.2X4 + 5X5 >= 3Y
X1+ X2 + X3 + X4 + X5 =Y

X1, X2, X3, X4, X5 ≥ 0

Ricardo López Guevara


RL

INTRODUCCIÓN A LOS MODELOS ESTOCASTICOS

Importancia de la toma de
decisiones bajo incertidumbre

CARRERA DE INGENIERÍA INDUSTRIAL Y COMERCIAL


Ricardo López Guevara
Importancia de la toma de decisiones
bajo incertidumbre
La teoría de la decisión se ocupa de
analizar cómo elige una persona,
aquella acción que, de entre un
conjunto de acciones posibles, le
conduce al mejor resultado dadas sus
preferencias.
Sí debo invertir o no en bienes de
capital, qué carrera voy a estudiar,
qué auto me compraré o, incluso, con
quién debería casarme, son
problemas muy comunes que nos
afectan en nuestra vida cotidiana y a
los que —en términos formales— se
enfrenta la teoría de la decisión.
Ricardo López Guevara
Importancia de la toma de decisiones
bajo incertidumbre
Para proceder al análisis de la decisión
es preciso identificar previamente un
conjunto de opciones posibles desde la
perspectiva de quien toma la decisión
(su conjunto factible) y un conjunto de
consecuencias de cada una de las
opciones, consecuencias que se puedan
anticipar y ordenar según las
preferencias del individuo.
Se supone que, dado su conjunto
factible, el individuo elegirá aquella
opción que tenga —o crea que tenga—
las mejores consecuencias, es decir, la
que prefiera más.
Ricardo López Guevara
Importancia de la toma de decisiones
bajo incertidumbre
• La decisión puede ser paramétrica, es decir, un
parámetro o estratégica, es decir, si las
decisiones de los actores son
interdependientes, de forma que nuestra
decisión dependa de lo que hagan los demás.
• A esto habría que añadirle la cantidad de
información con que cuenta el individuo para
decidirse por una opción u otra de su conjunto
factible.
• Si la información sobre los resultados de las
distintas opciones es completa, conocemos con
toda seguridad las consecuencias de nuestras
decisiones, entonces el individuo se hallará ante
una situación de certidumbre; si, por el
contrario,
• La información es incompleta, desconocemos
qué consecuencias tendrán nuestras acciones,
la situación será bien de riesgo o bien de
incertidumbre.
Ricardo López Guevara
Importancia de la toma de decisiones
bajo incertidumbre

Como
consecuencia de
la existencia de
incertidumbre,
los resultados
estarán sujetos
a riesgo, es
decir a
variabilidad.

Ricardo López Guevara


Importancia de la toma de decisiones
bajo incertidumbre
Teoría de la Decisión

Un Actor Más de un Actor

Teoría Paramétrica de Teoría Estratégica de la Decisión. Teoría de la Elección Social


la Decisión (Teoría de Juegos)

Certidumbre Riesgo Incertidumbre

Ricardo López Guevara


Fuente: FERNANDO AGUIAR
Importancia de la toma de decisiones
bajo incertidumbre
Certeza o Certidumbre: Bajo condiciones de certeza o
certidumbre, conocemos nuestros objetivos y tenemos
información de lo mas exacto, medible y confiable
acerca de los resultados de cada una de las alternativas
que consideremos.

Incertidumbre: Bajo condiciones de incertidumbre es


poco lo que se sabe de las alternativas.

Riesgo: Es la probabilidad de que suceda un evento.


Se produce riesgo siempre que no somos capaces de
diagnosticar con certeza el resultado de una alternativa.

Ricardo López Guevara


La distinción entre riesgo e
incertidumbre se refiere a la primera
como aquella situación en la que no existe
certeza sobre el resultado de la
decisión, aunque se conoce al menos la
probabilidad de los distintos resultados
alternativos.

Por ejemplo, de la elección entre cara o


cruz de una moneda:
• desconocemos de antemano el
resultado (si la moneda no está
trucada, claro está) pero conocemos la
probabilidad objetiva de las dos
alternativas.
• Las situaciones de incertidumbre se
caracterizarían, en cambio, por el
hecho de que no sólo desconocemos el
resultado final, sino que no podemos
predecirlo tampoco en términos de
probabilidades objetivas.
Ricardo López Guevara
Importancia de la toma de decisiones
bajo incertidumbre
Decisiones Bajo Certidumbre

Con frecuencia las decisiones de certidumbre, es


cuando no se tiene ninguna duda en absoluto sobre el
evento que ocurrirá y cuando existe un solo resultado
para cada acción posible.

Ejemplo: Un programa de producción muy apretado,


puede obligar a un Ingeniero a pedir 10 empleados para
que trabajen cuatro horas de tiempo extra con toda
certeza y puede prever con alto grado de certidumbre
el número de piezas adicionales que pueden
programarse con absoluta certeza antes de programar
las horas extras. Ricardo López Guevara
Importancia de la toma de decisiones
bajo incertidumbre
Decisiones Bajo Certidumbre

La toma de decisiones bajo certidumbre no siempre son


obvias, ya que quien enfrenta esta decisión (identificar
los procesos/actividades disponibles, medir las
consecuencias y seleccionar el mejor proceso/acto)
involucra por ejemplo a la programación lineal.

Ejemplo: Colocar 20 ordenes de trabajo distintas, a 20


maquinas diferentes, donde cualquiera de estas podría
realizar el trabajo, puede involucrar en forma literal
miles de combinaciones diferentes

Ricardo López Guevara


Importancia de la toma de decisiones
bajo incertidumbre
Decisiones Bajo Incertidumbre

Quienes toman este tipo de decisiones con frecuencia tienen que


asignarle una probabilidad a cada evento, lo que no es una actividad
sencilla.
Podemos asignar probabilidades con un alto grado de objetividad,
cuando contamos con prueba matemáticas o datos históricos sobre
la probabilidad de ocurrencia de cada uno de los diferentes
evento.

Ejemplo: Aunque las compañías de seguros de vida no pueden


determinar el año en el que morirá cada asegurado, si pueden,
calcular la probabilidad objetiva basados en la expectativa de que
los índices de mortalidad prevalecientes en el pasado se repitan en
el futuro. Ricardo López Guevara
Cómo tomar, entonces una

buena decisión?

Lo primero es reconocer que

existe incertidumbre.

Luego debe estimar los

resultados esperados, su

posibilidad de ocurrencia y el

impacto que generan.

Ricardo López Guevara


Se recomienda que
construya un expediente
de riesgo respondiendo las
siguientes preguntas:

• Cuáles son los elementos


sujetos a incertidumbre?
•Cuáles son los posibles
resultados asociados?
•Cuál es la posibilidad que cada
uno de estos resultados
ocurra?
•Cuáles son las consecuencias?

Ejercicio de clase con evaluación:


Elabore los pasos anteriores para la
decisión de acabar su carrera que
está estudiando. Ricardo López Guevara
INTRODUCCIÓN A LOS MODELOS ESTOCASTICOS

Introducción a la
Programación Lineal Estocástica

CARRERA DE INGENIERÍA INDUSTRIAL Y COMERCIAL


Ricardo López Guevara
Programación Matemática Estocástica
la Programación Estocástica trata
problemas de Programación Matemática
en cuya formulación aparece algún
elemento estocástico.
Mientras que en un problema
determinístico de Programación
Matemática, ya sea de Programación
Lineal, Programación No Lineal,
Programación Entera, Programación
Mixta Lineal Entera o Programación
Mixta No Lineal Entera, todos los datos
(coeficientes) que aparecen en su
formulación son números conocidos, en
Programación Estocástica dichos datos
(o al menos alguno de ellos) son
desconocidos, aunque para ellos se
conoce o se puede estimar su
Ricardo López Guevara
distribución de probabilidad.
Programación Estocástica
• La Programación Estocástica: Son todos
aquellos modelos de optimización en donde uno
o más parámetros del problema son modelados
a través de variables aleatorias.
• Una manera de enfrentar esta aleatoriedad
consiste en reemplazar los parámetros
aleatorios por su valor esperado, lo cual lleva a
resolver un problema determinístico de
programación matemática (lineal), donde la
variabilidad inherente a los parámetros se
aborda a través del Análisis de Sensibilidad o
Postoptimal.
• No obstante, la solución obtenida de esta
manera puede no ser representativa de la
realidad, al no considerar la dispersión de los
valores que toman los parámetros en torno al
valor esperado, lo cual entre otras cosas
puede invalidar su implementación al resultar
finalmente escenarios muy diferentes del
promedio.
Ricardo López Guevara
Programación Estocástica

• De este modo y en general, una forma de incorporar esta situación de


incertidumbre es considerar un número finito de posibles
realizaciones o escenarios para los parámetros aleatorios.
• El impacto de la incorporación explicita de la incertidumbre en
modelos de programación matemática afecta la Factibilidad y
Optimalidad del sistema en estudio.
• En efecto, la solución que entrega la resolución de un modelo
determinista que considera reemplazar los parámetros aleatorios por
su valor esperado, puede ser infactible para un escenario en
particular.
• En este contexto la connotación que tiene el término factibilidad en
programación estocástica es más extensa que en el caso
determinístico, debido a que no se puede garantizar que la solución del
modelo estocástico sea factible para todas las posibles realizaciones
de la variable aleatoria.
• Frecuentemente se incluye términos de penalización en la función
objetivo que castigan estas posibles infactibilidades ponderada por un
cierto costo. Ricardo López Guevara
Programación Lineal Estocástica

Dado un conjunto de estrategias X ϵ Rm, que llamamos región factible, y


una función objetivo f(x) real de variable vectorial, nuestro problema es
seleccionar la estrategia x ϵ X, de forma que el valor de la función
objetivo para esa estrategia sea el mejor de todos los posibles.
Si la función objetivo es lineal, y la región factible está definida también
por relaciones lineales entre las variables, estamos ante un programa
lineal.
Si introducimos en el problema parámetros aleatorios, tenemos un
modelo de programación lineal estocástica. Los parámetros aleatorios
pueden aparecer tanto en la definición de la función objetivo como en la
de la región factible, o en ambas.
Ricardo López Guevara
Programación Lineal Estocástica

Al introducir la aleatoriedad en el problema, la definición de óptimo


cambia, ya que, en general no se podrá, o no tendrá sentido calcular el
óptimo de la función objetivo para cada realización de las variables
aleatorias que intervienen.
De modo que tendremos que redefinir nuestra búsqueda del óptimo en
función de alguna de las características estadísticas de la función
objetivo.

Ricardo López Guevara


MODELOS ESTOCASTICOS

• Los modelos determinísticos son aquellos donde se supone que


los datos se conocen con certeza, es decir, se supone que
cuando el modelo sea analizado se tiene disponible toda la
información necesaria para la toma de decisiones.

• Por el contrario, en los modelos estocásticos también conocidos


como modelos probabilísticos, algún elemento no se conoce con
anticipación, incorporando así la incertidumbre.

Ricardo López Guevara


MODELOS ESTOCASTICOS
Modelos determinísticos

• Un Modelo determinístico es un modelo matemático donde


las mismas entradas producirán invariablemente las
mismas salidas, no contemplándose la existencia del azar ni
el principio de incertidumbre.
• Está estrechamente relacionado con la creación de
entornos simulados a través de simuladores para el estudio
de situaciones hipotéticas, o para crear sistemas de
gestión que permitan disminuir la incertidumbre.

• La inclusión de mayor complejidad en las relaciones con una


cantidad mayor de variables y elementos ajenos al modelo
determinístico hará posible que éste se aproxime a un
modelo probabilístico o de enfoque estocástico.
Ricardo López Guevara
MODELOS ESTOCASTICOS
Modelos estocásticos
• Un modelo es estocástico cuando al menos una variable del
mismo es tomada como un dato al azar y las relaciones
entre variables se toman por medio de funciones
probabilísticas.
• Sirven por lo general para realizar grandes series de
muestreos, quitan mucho tiempo en el computador son muy
utilizados en investigaciones científicas.
• Para lograr modelar correctamente un proceso estocástico
es necesario comprender numerosos conceptos de
probabilidad y estadística.
• Dentro del conjunto de procesos estocásticos se
encuentran, por ejemplo, el tiempo de funcionamiento de
una máquina entre avería y avería, su tiempo de reparación
y el tiempo que necesita un operador humano para realizar
una determinada operación.
Ricardo López Guevara
MODELOS ESTOCASTICOS

Ejemplos
Modelos determinísticos: la planificación de una línea de
producción, asignación de las salas de clases en universidad.

Modelos estocásticos: filas de espera, administración de


proyectos y pronóstico.

Ejercicio de Clase: determinar las variables y su tipo de


estos ejemplos.
Ricardo López Guevara
Conclusiones

• La importancia de la toma de decisiones

radica, en que siendo esta, ya sea de

certidumbre, incertidumbre o riesgo,

nos indica que un problema es valorado

y considerado profundamente para

elegir el mejor camino a seguir según

las diferentes alternativas.

Ricardo López Guevara


BIBLIOGRAFÍA
Referencias Básicas

1. Frederick S. Hillier y Gerald J. Lieberman.


(2002). Investigación de operaciones. (7a ed.+).
- México: McGraw-Hill.
2. Wayne L. Winston. (2005). Investigación de
operaciones: Aplicaciones y Algoritmos. (4a
ed.).- México: Thomson.

Ricardo López Guevara


GRACIAS
Lo más importante no siempre es el
cómo empiezas, sino el cómo terminas.
Ricardo López Guevara

Ricardo López Guevara