Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Programaci On Estoc Astica
Programaci On Estoc Astica
E. Cerdáa , J. Morenob
a Departamento Análisis Económico. UCM.
b Departamento de Estadı́stica. UCM.
1 Introducción
Tal como su nombre indica, la Programación Estocástica trata problemas de Pro-
gramación Matemática en cuya formulación aparece algún elemento estocástico.
Por tanto, mientras que en un problema determinı́stico de Programación Ma-
temática, ya sea de Programación Lineal, Programación No Lineal, Programación
Entera, Programación Mixta Lineal Entera o Programación Mixta No Lineal En-
tera, 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 distribución
de probabilidad. Para precisar más, veamos las dos definiciones que propone
Prekopa [29]:
Primera definición: “Programación Estocástica es la ciencia que ofrece solu-
ciones para problemas formulados en conexión con sistemas estocásticos, en los
que el problema numérico resultante a resolver es un problema de Programación
Matemática de tamaño no trivial“.
Segunda definición: “La Programación Estocástica trata problemas de Progra-
mación Matemática en los que algunos de los parámetros son variables aleatorias,
bien estudiando las propiedades estadı́sticas del valor óptimo aleatorio o de otras
variables aleatorias presentes en el problema o bien reformulando el problema
en otro de decisión en el que se tiene en cuenta la distribución de probabilidad
conjunta de los parámetros aleatorios“.
Los problemas resultantes de ambas definiciones son llamados problemas de
Programación Estocástica.
2 Definiciones básicas
Se considera el siguiente problema de Programación Estocástica:
mı́n g̃0 x, ξ˜ ,
x
sujeto
a: (1.1)
g̃i x, ξ˜ ≤ 0, i = 1, 2, ..., m,
x ∈ D,
Ası́mismo puede ocurrir que para una realización ξ 1 sea g0 x1 , ξ 1 < g0 x2 , ξ 1
y en
1cambio
para otra realización ξ 2 del vector aleatorio ξ˜ sea g0 x2 , ξ 2 <
g0 x , ξ 2 .
Un caso particular del problema (PE) es el siguiente problema de Progra-
mación Lineal Estocástica:
mı́n cT ξ˜ x,
x
sujeto a : Ax = b, (1.2)
T ξ˜ x ≥ h ξ˜ ,
x ≥ 0,
mı́n g0 (x) ,
x
sujeto a : g̃i x, ξ˜ ≤ 0, i = 1, 2, ..., m, (1.3)
x ∈ D,
El método de restricciones de azar (chance constrained) fue introducido
por Charnes, Cooper y Symonds en 1958. Véanse [7], [8]. La idea consiste
en transformar el problema dado en un determinista equivalente en el que se
verifiquen las restricciones con, al menos, una determinada probabilidad fijada
de antemano. Hay que distinguir dos casos según se fije la probabidad para el
conjunto de las restricciones o para cada una de ellas por separado.
Restricciones de azar conjuntas:
Se considera el problema (3.1). Sea p ∈ [0, 1] dado. Se define el determinista
equivalente:
mı́n g0 (x) ,
x
˜ ≤ 0, g̃2 (x, ξ)
sujeto a : P g̃1 (x, ξ) ˜ ≤ 0, ..., g̃m (x, ξ)
˜ ≤ 0 ≥ p, (1.4)
x ∈ D.
mı́n g0 (x)
x
˜ ≤ 0 P g̃2 (x, ξ)
sujeto a : P g̃1 (x, ξ) ˜ ≤ 0 ...P g̃m (x, ξ)
˜ ≤ 0 ≥ p, (1.5)
x ∈ D.
mı́n g0 (x) ,
x
˜ ≤ 0 ≥ pi ,
sujeto a : P g̃i (x, ξ) para i = 1, 2, ..., m, (1.6)
x ∈ D.
m
m
C
≥ 1− P (Ai ) ≥1− (1 − pi ) = p.
i=1 i=1
Sean:
m
Ĉ (p1 , p2 , ..., pm ) = Ci (pi ) .
i=1
Serı́a deseable que los conjuntos C(p) y Ĉ (p1 , p2 , ..., pm ), que son los conjuntos
de soluciones factibles de los deterministas equivalentes que estamos estudiando,
fueran no vacı́os, cerrados y convexos. Las siguientes proposiciones tratan sobre
dichas cuestiones.
Proposición 3.2 Sea C(p) el conjunto de soluciones factibles del Problema (1.4).
En dicho conjunto se verifican las siguientes propiedades:
1) Si p1 ≤ p2 , entonces C(p1 ) ⊃ C(p2 ).
2) C(0) = D.
3) C(p) es no vacı́o para todo p ∈ [0, 1] ⇐⇒ C(1) = ∅.
Demostración:
1) Sea p1 ≤ p2 . Si x ∈ C(p2 ), es
q(x) = P (ξ | g1 (x, ξ) ≤ 0, g2 (x, ξ) ≤ 0, ..., gm (x, ξ) ≤ 0) ≥ p2 ≥ p1 =⇒ x ∈
C(p1 ).
2) C(0) = {x ∈ D | q(x) ≥ 0} = D, ya que q(x) es una probabilidad y por tanto
es mayor o igual que cero.
3) Si C(p) = ∅, ∀p ∈ [0, 1] =⇒ C(1) = ∅. Por otra parte, si C(1) = ∅ =⇒ ∀p ≤ 1,
por 1) es C(p) ⊃ C(1) = ∅.
mı́n cT x,
x
sujeto a : Ax = b, (1.7)
˜ ≥ h(ξ),
T (ξ)x ˜
x ≥ 0,
Para el Problema (1.7), dado el valor p ∈ [0, 1] , el programa determinista equi-
valente correspondiente al método de restricciones de azar tomadas en conjunto
será:
mı́n cT x,
x
sujeto a : Ax = b, (1.8)
˜ ≥ h(ξ)
P T (ξ)x ˜ ≥ p,
x ≥ 0,
Para el mismo Problema (1.7), dados los valores p1 , p2 , ..., pm , pertenecientes
al intervalo [0, 1] , el programa determinista equivalente correspondiente al método
de restricciones de azar tomadas de manera separada será:
mı́n cT x,
x
sujeto a : Ax =
b, (1.9)
P Ti ξ˜ x ≥ hi ξ˜ ≥ pi , i = 1, 2, ..., m,
x ≥ 0,
Sean C(p) el conjunto factible del programa (1.8) y Ĉ(p1 , p2 , ..., pm ) el con-
junto factible de (1.9). Aunque el programa estocástico inicial (1.7) es lineal,
los conjuntos de soluciones factibles C(p), Ĉ(p1 , p2 , ..., pm ) no tienen por qué ser
convexos, como se puede observar en el siguiente ejemplo.
Se considera el siguiente programa estocástico con una sola variable de decisión
x:
mı́n g0 (x),
x
sujetoa : T x ≥ h ξ˜ ,
−2
en donde T = ,
1
h ξ˜ toma los valores:
−4 −10
, con probabilidad 1/2, y con probabilidad 1/2.
0 3
Para este programa estocástico se tiene que, para todo p ∈ [0, 1/2] es C(p) =
Ĉ(p) = [0, 2] ∪ [3, 5], que no es convexo no conexo.
Las siguientes proposiciones recogen los principales resultados conocidos para
el tipo de problema que estamos considerando.
Proposición 3.6 Se considera el programa estocástico (1.7). Supongamos que
ξ˜ es
un vector
aleatorio cuya distribución de probabilidad es discreta y finita.Sea
P ξ = ξ k = αk , para k = 1, 2, ..., K. Entonces para p > 1 − mı́nk∈{1,2,...,K} αk
se verifica que el conjunto factible C(p) es convexo.
La demostración se encuentra en [17, ?]
A la vista de la proposición anterior, se comprueba inmediatamente que si
pj > 1 − mı́nk∈{1,2,...,K} αk para cada j = 1, 2, ..., m, el conjunto Ĉ (p1 , p2 , ..., pm )
es convexo.
Proposición
3.7 Se considera el programa estocástico (1.7). Supongamos que
T ξ˜ = T y que la probabilidad P correspondiente a h(ξ)
˜ = h̃ es cuasi-cóncava.
Entonces los conjuntos C(p) y Ĉ (p1 , p2 , ..., pm ) son cerrados y convexos.
La demostración se puede ver en [5]
Proposición 3.8Se considera el programa
estocástico (1.7). Sean T̃1· , T̃2· , ..., T̃m·
˜ ˜
las filas respectivas de la matriz T ξ , h ξ = h̃. Supongamos que T̃1· , T̃2· , ..., T̃m· ,
h̃ tienen distribución normal con
T
E T̃i· − E T̃i· T̃j· − E T̃j· = rij C, para i, j = 1, 2, ..., m,
donde rij y si son constantes para todo i, j. Entonces, C(p) es convexo para
p ≥ 0, 5.
Ejemplos:
˜
g(x) ≥ ξ, (1.10)
T
en donde x ∈ Rn , g(x) = (g1(x), g2 (x), ..., gm (x)) no contiene ningún elemneto
aleatorio y ξ˜ = ξ˜1 , ξ˜2 , ..., ξ˜m es un vector aleatorio de dimensión m.
En este caso para p ∈ [0, 1] se tiene que el conjunto factible del determinista
equivalente para restricciones de azar conjuntas es
C(p) = {x ∈ Rn | P (ξ | g(x) ≥ ξ) ≥ p} =
= x ∈ Rn | Fξ̃ (g(x)) ≥ p ,
˜
en donde Fξ̃ es la función de distribución del vectora aleatorio ξ.
Para pi ∈ [0, 1], considerando restricciones de azar individuales se tiene que
T
(x1 , x2 , ..., xn , −1) .
η̃(x) − mη̃ (x) −mη̃ (x)
P (η̃ (x) ≥ 0) ≥ pi ⇐⇒ P ≥ ≥ pi . ⇐⇒
ση̃ (x) ση̃ (x)
η̃(x) − mη̃ (x) −mη̃ (x) −mη̃ (x)
1−P < ≥ pi ⇐⇒ 1 − Φ ≥ pi ,
ση̃ (x) ση̃ (x) ση̃ (x)
mı́n ˜
g̃0 (x, ξ),
x (1.11)
sujetoa : x ∈ X
mı́n ˜
E[g̃0 (x, ξ)],
x (1.12)
sujeto a : x ∈ X
mı́n ˜
V ar[g̃0 (x, ξ)]
x (1.13)
sujeto a : x ∈ X
máx ˜
g̃0 (x, ξ),
x
sujeto a : x ∈ X
el problema de mı́nimo riesgo determinista equivalente serı́a
máx ˜ ≥λ ,
P g̃0 (x, ξ)
x
sujeto a : x ∈ X
En este caso la idea del nivel de aspiración es que “el valor objetivo al menos
sea λ”.
e) Criterio de Kataoka o criterio β−fractil
El criterio fue introducido por Kataoka [20].
Se comienza fijando por el decisor una probabilidad β ∈ (0, 1) para la función
objetivo y se determina el menor nivel que puede alcanzar la función objetivo
con esa probabilidad. En concreto, el determinista equivalente del problema es-
tocástico (1.11), según el criterio de Kataoka1 será:
mı́n λ
(xT ,λ)
sujeto a : P g̃0 x, ξ˜ ≤ λ = β,
x∈X
Comparando los tres primeros criterios con los dos últimos (que se llaman de
máxima probabilidad) aparecen algunas diferencias:
4.3 Ejemplo
Como ejemplo vamos a considerar el caso de función objetivo lineal con dis-
tribución de probabilidad normal.
Sea el programa estocástico lineal
mı́n ξ˜T x,
x (1.16)
sujeto a : x ∈ X
mı́n ξ¯T x,
x
sujeto a : x ∈ X
b) Criterio de mı́nima varianza
mı́n xT Sx,
x
sujeto a : x ∈ X
λ − ξ¯T x
máx √
x xT Sx (1.19)
sujeto a : x ∈ X.
Una vez resuelto este problema, la probabilidad máxima para la que se puede
asegurar que la función objetivo
estocástica
es menor o igual que el nivel de
λ − ξ¯T x
aspiración fijado λ, es: Φ máx √ .
x xT Sx
mı́n λ
(xT ,λ)
sujeto a : P ξ˜T x ≤ λ = β,
x∈X
mı́n λ
(xT ,λ)
√
sujeto a λ = Φ−1 (β) xT Sx + ξ¯T x,
x∈X
y este problema es equivalente al problema con n variables de decisión:
√
mı́n Φ−1 (β) xT Sx + ξ¯T x,
x
sujeto a : x ∈ X.
Este problema es convexo para β ≥ 0, 5. Una vez resuelto este problema, el
menor nivel λ para el que podemos afirmar que
√ la función objetivo no supera ese
−1
nivel con probabilidad β es λ = mı́n Φ (β) xT Sx + ξ¯T x.
x
5 Bibliografı́a
[1] Álvarez, F., Cerdá, E. “A Solution Method for a Class of Learning by Doing
Models with Multiplicative Uncertainty“. Top, 7, 1, 1-23, 1999.
[2] Beale, E.M.L., “On Minimizing a Convex Function Subject to Linear Ine-
qualities“. Journal of the Royal Statistical Society, B 17, 173-184, 1955.
[3] Bereanu, B. “Programme de Risque Minimal en Programmation Linéaire
Stochastique“. C. R. Acad. Sci. Paris, 259, 981-983, 1964.
[4] Bereanu, B. The Generalized Distribution Problem of Stochastic Linear Pro-
gramming. Symposia Matematica. Academic Press, 1976.
[5] Birge, J.R., Louveaux, F.V. Introduction to Stochastic Programming. Sprin-
ger, 1997.
[6] Caballero, R., Cerdá, E., Muñoz, M.M., Rey, L. “Analysis and Comparisons
of Some Solution Concepts for Stochastic Programming Problems“. Top,
10(1), 101-124, 2002.
[24] Markowitz, H. Mean Variance Analysis in Portfolio Choice and Capital Mar-
kets. Blackwell, 1987.
[32] Sen, S., Higle, J.L. “An Introductory Tutorial on Stochastic Linear Program-
ming Models“. Interfaces, 29:2, 33-61, 1999.