RLG

Programa Académico Ingeniería Industrial y

Comercial

INTRODUCCIÓN A LOS MODELOS ESTOCASTICOS

SEMANA 1 SESIÓN 1

INTRODUCCIÓN A LOS MODELOS

ESTOCASTICOS

INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara

 RLG

Contenido de la Sesión 1

• Revisión de Programación Lineal.

• Importancia de la toma de decisiones bajo

incertidumbre.

• Introducción a la Programación Lineal Estocástica.

• Introducción a los Modelos Estocásticos.

INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara

 RLG

Logros de las Sesiones 1

• Que los alumnos alcancen a comprender
lo que significa la formulación de
modelos considerando la incertidumbre.

INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara

 RLG

Revisión de Programación Lineal

INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara

 RLG
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.

INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara

 RLG
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.

INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara

 RLG
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
 RLG
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.

 RLG
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)
 RLG
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
 RLG

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

 RLG

Importancia de la toma de
decisiones bajo incertidumbre
 RLG
CLASIFICACIÓN DE
LOS PROBLEMAS DE DECISIÓN
Los procesos de
decisión se clasifican
según el grado de
conocimientos que se
tenga, sobre el
conjunto de factores
o variables, no
controladas por el
A esto se le conoce como ambiente o contexto.
decisor, y que pueden
tener influencia sobre
el resultado final.

INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara

 RLG

INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara

 RLG
ESTADOS NATURALES
• Certeza o Certidumbre: Estado que existe cuando
quienes toman decisiones disponen de información
completa y precisa, de lo más exacto, medible y confiable
acerca de los resultados de cada una de las alternativas
que consideremos.
• Incertidumbre: Existe cuando quienes toma decisiones no
cuentan con información suficiente para conocer las
consecuencias de acciones distintas. Es poco lo que se
sabe de las alternativas
• Riesgo: Estado que existe cuando la probabilidad de éxito
de que suceda un evento es inferior a 100 por ciento. Se
produce riesgo, siempre que no somos capaces de
diagnosticar con certeza el resultado de una alternativa.
– “Quienes toman buenas decisiones prefieren evitar o manejar los
riesgos”.

INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara

 RLG
¿DE DÓNDE VIENE LA INCERTIDUMBRE?

• Relacionados con el tiempo

• Incertidumbre financiera

• Incertidumbre relacionada con el mercado

• Competencia

• Relacionados con la tecnología

• ……

INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara

 RLG
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.

Si 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.

INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara

 RLG
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.

INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara

 RLG
Decisiones bajo incertidumbre

Como consecuencia de
la existencia de
incertidumbre, los
resultados estarán
sujetos a riesgo, es
decir a variabilidad.
INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara
 RLG
Componentes de un problema de decisión
El Tomador de Decisiones (TD),decisor:

Es el encargado de realizar la selección de alternativas

de la mejor manera, en función de sus objetivos.

INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara

 RLG
Componentes de un problema de decisión
Las alternativas o cursos de acción:

• Son las diferentes formas de actuar posibles: el TD

deberá seleccionar una de ellas.
• Es importante tener en cuenta que estas alternativas
deben ser excluyentes entre sí.

INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara

 RLG
Componentes de un problema de decisión
Los estados de la naturaleza:
• Son las variables no
controlables por el TD.

• Son eventos futuros que

influyen en el proceso de
decisión, pero que no pueden
ser controladas ni previstas,
en su comportamiento, por el
TD.
INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara
 RLG
Componentes de un problema de decisión
Los Resultados o consecuencias:

Es lo que se obtiene ante la

selección (la opción) de una
alternativa determinada, cuando
se presenta uno de los posibles
estados de la naturaleza.

INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara

 RLG
Componentes de un problema de decisión
Las Tablas de Decisión (o Matriz de Resultados):

Sirven para tratar muchos problemas de decisión y poseen

los siguiente elementos:
• Los diferentes estados de la naturaleza Sj: (S1,S2, Sn).
• Las distintas alternativas o cursos de acción, entre los
cuales el TD deberá seleccionar uno aj: (a1, a2, … am).
• Los resultados Rij que surgen de la elección de la
alternativa ai cuando se presenta el estado Sj.

INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara

 RLG
Componentes de un problema de decisión
El Criterio de Decisión:

• Es la especificación de un procedimiento para identificar la

mejor alternativa en un problema de decisión.
• La descripción de los diferentes criterios de decisión que
proporcionan la opción óptima será realizada de acuerdo
con el conocimiento que posea el TD acerca de los estados
de la naturaleza, es decir, atendiendo a la clasificación de
los procesos de decisión:
• Certidumbre
• Riesgo, e
• Incertidumbre.

INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara

 RLG
Componentes de un problema de decisión
El Criterio de Decisión en condiciones de certidumbre:

• La toma de decisiones en condiciones de certidumbre,

ocurre cuando el que las toma, conoce el estado de la
naturaleza que ocurrirá con absoluta seguridad.
• En la matriz de resultado, solo existe una columna que
puede aplicarse.
• Debe escogerse la estrategia (regla) que tenga mayor
pago, por que no hay ninguna razón lógica para hacer otra
cosa.
• Si la matriz fuera de costo escogeríamos la de menor
valor.

INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara

 RLG
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

INTRODUCCIÓN
Fuente: FERNANDO AGUIAR A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara
 RLG
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.

INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara

 RLG
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.
INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara
 RLG

Introducción a la
Programación Lineal Estocástica

INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara

 RLG
MODELOS DE
PROGRAMACIÓN MATEMÁTICA

INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara

 RLG
MODELOS DETERMINÍSTICOS MD
• Un MD 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.

INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara

 RLG
MODELOS ESTOCÁSTICOS ME
• 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, consumen mucho tiempo de computador y 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.
INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara
 RLG
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: Buscar en la web y determinar las

variables y su tipo de estos ejemplos.

INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara

 RLG
MODELO ESTOCÁSTICO

Representan sistemas donde los hechos suceden al azar, lo

cual no es repetitivo. No se puede asegurar cuáles acciones
ocurren en un determinado instante Se conoce la
probabilidad de ocurrencia y su distribución probabilística.

Ejemplo: Llega una persona cada 2020±10 segundos, con una

distribución equiprobable dentro del intervalo.

INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara

 RLG
PROGRAMACIÓN LINEAL ESTOCÁSTICA

• Tal como su nombre indica, la Programación Estocástica trata

problemas de Programación Matemática, en cuya formulación
aparece algún elemento estocástico.

• La Programación Estocástica trata sobre la toma de decisiones

bajo incertidumbre.

• Programación Estocástica es la ciencia que ofrece soluciones

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 (Preckopa, 1995).

INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara

 RLG
PROGRAMACIÓN LINEAL ESTOCÁSTICA
La Programación Estocástica trata problemas de Programación
Matemática en los que algunos de los parámetros son variables
aleatorias, bien estudiando las propiedades estadísticas 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 (Preckopa 1995).

La programación estocástica, hay que verla como "Programación

matemática con parámetros aleatorios“, donde en la formulación
aparece algún elemento estocástico.

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.
INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara
 RLG
PROGRAMACIÓN LINEAL ESTOCÁSTICA
De modo que tendremos que redefinir nuestra búsqueda del óptimo
en función de alguna de las características estadísticas de la
función objetivo.

Normalmente, la aleatoriedad se ignora, o se trata con el análisis de

sensibilidad.

Para problemas a gran escala, el análisis de sensibilidad es inútil Se

debe tener “Mucho Cuidado" en la determinación de los parámetros
de la instancia.

No importa cuán cuidadoso seas, no puedes deshacerte de la

aleatoriedad inherente.

La Programación Estocástica es el lo más representativo de lo que

sucede en la realidad!
INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara
 RLG
ENFOQUE BASADO EN ESCENARIOS
• Un enfoque basado en escenarios, no es de ninguna manera
el único enfoque para lidiar con la aleatoriedad, pero
parece ser razonable.
• El enfoque de escenario, asume que hay un número finito
de decisiones que la naturaleza puede tomar (resultados
de la aleatoriedad).
• Cada una de estas posibles decisiones se llama escenario.
• Incluso si la naturaleza actúa de una manera continua a
menudo una aproximación discreta es útil.

Ejemplo
• La demanda de un producto es " media o alta“.
• El clima es “ Seco” o “Húmedo”.
• El mercado irá “Arriba” o “Abajo”.

INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara

 RLG
ENFOQUE BASADO EN ESCENARIOS
Ejercicio: El agricultor

• Eulogio, es un agricultor que puede plantar en su chacra,

maíz, trigo o frijol.
• Asumir que la estación será mojado o seco Si está mojado,
el maíz es el más rentable. Si está seco, el trigo es el más
rentable.

¿Qué pasa si la probabilidad de una estación “mojado” es ρ.

El beneficio esperado de la plantación de los diferentes
cultivos es: maíz : -10 + 110 ρ
trigo : 40 + 30 ρ
frijol : 35 + 45 ρ

INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara

 RLG
ENFOQUE BASADO EN ESCENARIOS
Maíz : -10 + 110 ρ
Trigo : 40 + 30 ρ
Frijol : 35 + 45 ρ
• Supongamos que ρ= 0.5 ¿Cuál es el mejor plan de siembra?
Para 1/2 de maíz, 1/2 de trigo
• El Beneficio esperado=0.5(-10+110*0.5)+0.5(40+30*0.5)
=50
• ¿Es óptimo?
Supongamos que ρ=0.5 ¿Cuál es el mejor plan de siembra?
Para: Todo el frijol
• El Beneficio esperado 35+ 45*0.5= 57.5
• El beneficio esperado en comportarse óptimamente es
15%, mejor que en comportarse razonablemente
¡Las soluciones de promedio no funcionan!
INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara
 RLG
ENFOQUE BASADO EN ESCENARIOS

• La programación estocástica es como la programación

lineal, con parámetros “aleatorios” Por lo que, tiene
sentido hacer sólo un poco de revisión de la probabilidad.

• Ω es un “Resultado” de un experimento aleatorio.

• El conjunto de todos los resultados posibles si Ω.

• Los resultados se pueden combinar en subconjuntos A de

Ω (llamados eventos).

INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara

 RLG
Restricciones aleatorias

Min Z = X1 + X2
s.t.
ω1 X1 + X2 >= 7
ω2 X1 + X2 >= 4
X1, X2 >= 0
ω1 ~ U [1, 4]
ω2 ~ U [1/3, 1]

INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara

 RLG
Restricciones aleatorias

INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara

 RLG
Resultantes comparativas

INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara

 RLG
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.

• La programación estocástica trata sobre la

toma de decisiones bajo incertidumbre.

INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara

 RLG

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.

INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara

 RLG

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

INTRODUCCIÓN A LOS MODELOS ESTOCÁSTICOS Dr. Ricardo López Guevara