ObI 1 Introduccion

Optimizacin bajo Incertidumbre
1. Introduccin
Carlos Testuri Germn Ferrari
Depto. Investigacin Operativa. Instituto de Computacin. Facultad de Ingeniera, UdelaR
2003-17
Contenido
1 Introduccin
Motivacin
Modelado y optimizacin
Objetivo
Ejemplo Produccin agrcola
Ejemplo Canilla"
Facultad de Ingeniera. UdelaR Optimizacin bajo Incertidumbre 1er. Semestre 2017 2 / 32

Introduccin Motivacin
Incertidumbre
Qu es la incertidumbre?
Cmo se manifiesta?
Cmo puede representarse?

Problemas de decisin con incertidumbre
La incertidumbre es relevante en muchos problemas de decisin

Esta se manifiesta hacia el futuro y se revela, con el paso del tiempo, en
el presente
Las entidades de un problema (datos, decisiones, objetivo, etc.) pueden
depender de eventos aleatorios que la representan
El modelado del problema conlleva la abstraccin de sus propiedades en
conjunto con la representacin de los eventos aleatorios y su evolucin
temporal

Modelado de problemas con incertidumbre
A menudo la incertidumbre en los problemas se la encapsula en modelos

deterministas (sin representacin de aleatoriedad)
Los modelos deterministas no permiten representar la dinmica de la
evolucin temporal de la incertidumbre
La optimizacin bajo incertidumbre (programacin estocstica)
constituye un esquema adecuado para modelar la incertidumbre dado
que permite valorar las decisiones tomadas luego de que la incertidumbre
es revelada
Los desafos de modelar y resolver problemas mediante programacin
estocstica son mayores que mediante programacin determinista.

Introduccin Modelado y optimizacin
Resolucin mediante modelos
Los modelos permiten la comprensin y la resolucin de problemas. Implican

abstracciones que reflejan interacciones relevantes de las entidades del
problema, donde la simplificacin
insuficiente implica costos extras o incapacidad de resolucin, y
excesiva provoca inviabilidad debido a falta de realismo.
El proceso de modelado conlleva ciertas etapas:

comprensin del problema,
formulacin (simblica) de modelo,
resolucin (computacional) del modelo, e
interpretacin de resultados.

Optimizacin
Anlisis y solucin de problemas en los cuales se determina una decisin

ptima entre un conjunto factible. La decisin es la mejor segn cierto
objetivo a minimizar o maximizar.
Propiedades del problema
Modelos del problema
Algoritmos de resolucin de modelos

Componentes de modelos
En optimizacin se utilizan modelos algebraicos de los problemas. Dichos

modelos estn compuestos por
parmetros (datos),
variables (decisiones),
conjunto factible de decisiones (mediante restricciones, etc.), y
objetivo (extremo de una funcin de las decisiones).

Introduccin Objetivo
Objetivo
Introducir al modelado de la incertidumbre en problemas de optimizacin,

evaluando los beneficios, desventajas y desafos de la metodologa.
Representar la incertidumbre con eventos aleatorios y funciones de
distribucin
Analizar la evolucin de los eventos y estructurar la dinmica de la
informacin en los problemas
Modelar los problemas mediante programacin matemtica
(optimizacin) en consistencia con la dinmica de la informacin
Resolver los modelos y valorar sus soluciones mediante mtricas
Capacitar en tcnicas generales y en algunas aplicaciones.

Introduccin Ejemplo Produccin agrcola
Produccin agrcola Problema
Un productor debe decidir, anualmente, las cantidades a plantar de ciertos

cultivos y, dependiendo de los rendimientos, las cantidades a vender o
comprar de forma tal de maximizar su ingreso total mientras cumple ciertos
requerimientos.
Trigo Maz Remolacha

Rendimiento (T/ha) 2,5 3 20
Costo plantar ($/ha) 150 230 260
Precio venta ($/T) 170 150 36 (< 6000 T)
10 (> 6000 T)
Precio compra ($/T) 238 210
Requisito mn. (T) 200 240
Tierra disponible (ha) 500

Produccin agrcola Modelo
Variables
xT , xM , xR : superficie de tierra dedicada a trigo, maz, y remolacha,
yvT , ycT : cantidades de trigo vendido y comprado,
yvM , ycM : cantidades de maz vendido y comprado, y
yfR , yvR : cantidades de remolacha vendida a precios favorable y bajo

Produccin agrcola Modelo
Variables
xT , xM , xR : superficie de tierra dedicada a trigo, maz, y remolacha,
yvT , ycT : cantidades de trigo vendido y comprado,
yvM , ycM : cantidades de maz vendido y comprado, y
yfR , yvR : cantidades de remolacha vendida a precios favorable y bajo
min 150xT + 230xM + 260xR

+238ycT 170yvT + 210ycM 150yvM 36yfR 10yvR
s.a. xT + xM + xR 500,
2, 5xT + ycT yvT 200,
3xM + ycM yvM 240,
20xR yfR yvR 0,
yfR 6000,
xT , xM , xR , yvT , ycT , yvM , ycM , yfR , yvR 0.

Produccin agrcola Solucin
Resumen de solucin:
Trigo Maz Remolacha

Superficie [x] (T) 120 80 300
Producido (T) 300 240 6000
Ventas (T) 100 6000
Compras (T)
Beneficio ($) 118.600

Produccin agrcola Solucin
Resumen de solucin:
Trigo Maz Remolacha

Superficie [x] (T) 120 80 300
Producido (T) 300 240 6000
Ventas (T) 100 6000
Compras (T)
Beneficio ($) 118.600
Sin embargo, los rendimientos dependen de las condiciones climticas.

Produccin agrcola Incertidumbre
Los rendimientos varian un 20% alrededor de los valores medios.

Se plantean tres escenarios con rendimientos correlacionados:
Escenarios Trigo Maz Remolacha

Bueno (+20%) 3 3,6 24
Medio 2,5 3 20
Malo (20%) 2 2,4 16

Produccin agrcola Soluciones segn escenarios
Resumen de las soluciones independientes segn escenario:
Bueno (+20%) Medio Malo (-20%)

Trigo Maz Remo. Trigo Maz Remo. Trigo Maz Remo.
Superficie (T) 183 67 250 120 80 300 100 25 375
Producido (T) 550 240 6000 300 240 6000 200 60 6000
Ventas (T) 350 6000 100 6000 6000
Compras (T) 180
Beneficio ($) 167.667 118.600 59.950

Produccin agrcola Soluciones segn escenarios
Resumen de las soluciones independientes segn escenario:
Bueno (+20%) Medio Malo (-20%)

Trigo Maz Remo. Trigo Maz Remo. Trigo Maz Remo.
Superficie (T) 183 67 250 120 80 300 100 25 375
Producido (T) 550 240 6000 300 240 6000 200 60 6000
Ventas (T) 350 6000 100 6000 6000
Compras (T) 180
Beneficio ($) 167.667 118.600 59.950
El modelo es sensible a los cambios en rendimientos.

Los pronsticos del tiempo son inseguros (rendimientos inciertos).
No hay una decisin perfecta para todos los escenarios.

Produccin agrcola Decisiones y etapas
Se pueden clasificar las decisiones segn:

decisiones de asignacin de tierra: xT , xM , xR
decisiones en compras y ventas: yvT , ycT , yvM , ycM , yfR , yvR
Se tiene la secuencia temporal de las decisiones segn etapas:

decisiones de primer-etapa: asignacin de tierra,
un evento aleatorio tiene lugar: situacin climtica, y
decisiones de segunda-etapa: compras y ventas.

Produccin agrcola Modelo estocstico (Formulacin extensiva)
Dados tres escenarios equiprobables, s = 1, 2, 3, correspondientes a los

escenarios bueno, medio y malo, respectivamente.
Variables de compras y ventas por escenario: yvTs , ycTs , yvMs , ycMs , yfRs , yvRs

Produccin agrcola Modelo estocstico (Formulacin extensiva)
Dados tres escenarios equiprobables, s = 1, 2, 3, correspondientes a los

escenarios bueno, medio y malo, respectivamente.
Variables de compras y ventas por escenario: yvTs , ycTs , yvMs , ycMs , yfRs , yvRs
min 150xT + 230xM + 260xR +

1 c
170yvTs + 210ycMs 150yvMs 36yfRs 10yvRs )
P
+ s=1,2,3 3 (238yTs
s.a. xT + xM + xR 500,
xT , xM , xR 0,
3xT + ycT1 yvT1 200, 2, 5xT + ycT2 yvT2 200, 2xT + ycT3 yvT3 200,
3, 6xM + ycM1 yvM1 240, 3xM + ycM2 yvM2 240, 2, 4xM + ycM3 yvM3 240,
24xR yfR1 yvR1 0, 20xR yfR2 yvR2 0, 16xR yfR3 yvR3 0,
yfR1 6000, yfR2 6000, yfR3 6000,
yvT1 , ycT1 , yvM1 , ycM1 , yfR1 , yvR1 0, yvT2 , ycT2 , yvM2 , ycM2 , yfRs , yvR2 0, yvT3 , ycT3 , yvM3 , ycM3 , yfR3 , yvR3 0.

Produccin agrcola Solucin estocstica
Trigo Maz Remolacha

Primer etapa Superficie (ha) 170 80 250
Segunda etapa
Produccin (T) 510 288 6000
Bueno (s=1) Ventas (T) 310 48 6000 (favor.)
Compras (T)
Produccin (T) 425 240 5000
Medio (s=2) Ventas (T) 225 5000 (favor.)
Compras (T)
Produccin (T) 340 192 4000
Malo (s=3) Ventas (T) 140 4000 (favor.)
Compras (T) 48
Beneficio esperado ($) 108.390

Produccin agrcola Valor de informacin perfecta
Si se conociera perfectamente el clima, el beneficio esperado en el largo plazo

es 13 (167.667 + 118.600 + 59.950) = $115.406 por ao, denominado esperar
y ver (WS).

Produccin agrcola Valor de informacin perfecta
Si se conociera perfectamente el clima, el beneficio esperado en el largo plazo

es 13 (167.667 + 118.600 + 59.950) = $115.406 por ao, denominado esperar
y ver (WS).
Realmente, lo mejor que se puede obtener es la solucin estocstica (RP), con
un beneficio esperado de $108.390 por ao.
La diferencia entre RP WS = $7.016, se denomina valor esperado de la
informacin perfecta (EVPI).

Produccin agrcola Valor de solucin estocstica
Asignar la tierra segn retornos medios, xT = 120, xM = 80, xR = 300, resulta

en un beneficio esperado de $107.240 por ao, denominado esperanza de
aplicar la solucin de valor esperado (EEV).

Produccin agrcola Valor de solucin estocstica
Asignar la tierra segn retornos medios, xT = 120, xM = 80, xR = 300, resulta

en un beneficio esperado de $107.240 por ao, denominado esperanza de
aplicar la solucin de valor esperado (EEV).
La diferencia entre la solucin estocstica y la esperanza de aplicar la
solucin de valor esperado, RP EEV = 108.390 107.240 = $1.150 por ao,
se denomina valor de la solucin estocstica (VSS).

Produccin agrcola Subproblema de segunda etapa
Se define ti (s) como el rendimiento del cultivo i {T, M, R} en el escenario

s = 1, 2, 3. Sea t(s) := [tT (s), tM (s), tR (s)] su agrupamiento.
Para una decisin de primer etapa x := [xT , xM , xR ] y un escenario s se define
el problema paramtrico
Q(x, t(s)) := min 238ycT 170yvT + 210ycM 150yvM 36yfR 10yvR

s.a. tT (s)xT + ycT yvT 200,
tM (s)xM + ycM yvM 240,
tR (s)xR yfR yvR 0,
yfR 6000,
yvT , ycT , yvM , ycM , yfR , yvR 0,
denominado subproblema de segunda etapa.

Produccin agrcola Formulacin implcita
Dados la variable de decisin de primer etapa, x, y el parmetro aleatorio, t,

que representa los retornos de los tres escenarios, se tiene la formulacin
implcita del problema
P3 1
min 150xT + 230xM + 260xR + s=1 3 Q(x, t(s))
s.a. xT + xM + xR 500,
xT , xM , xR 0.
Donde se define como funcin de recurso o valor a
3
X 1
Q(x) := Q(x, t(s)) = Et Q(x, t).
3
s=1

Produccin agrcola Parmetro aleatorio continuo
Dada la variacin del problema de produccin agrcola en la que los

rendimientos de los cultivos son variables aleatorias uniformes e
independientes: ti U[li , ui ], i {T, M, R}, cuyos rangos y medias coinciden
con los valores de los escenarios discretos anteriores.
Debido a la independencia del parmetro aleatorio, t = P [tT , tM , tR ], la funcin
de recurso puede separarse segn cultivos, Et Q(x, t) = i{T,M,R} Et Qi (xi , t),
donde Qi (xi , t) es el valor de la segunda etapa del cultivo i.
Entonces el problema original es equivalente a
P
min 150xT + 230xM + 260xR + i{T,M,R} Et Qi (xi , t)
s.a. xT + xM + xR 500,
xT , xM , xR 0;
Para resolverlo hay que obtener expresiones analticas de Et Qi (xi , t).

Produccin agrcola Expresin analtica de Et Q(x, t)
Para el caso i = R se tiene el subproblema
QR (xR , t) = min 36yfR (t) 10yvR (t)

s.a.
tR xR yfR (t) yvR (t) 0,
yfR (t) 6000,
yfR (t), yvR (t) 0.
La solucin del subproblema cumple que

yf v
R (t) = min{6000, tR xR } e yR (t) = max{tR xR 6000, 0}.
Por lo cual se tiene

QR (xR , t) = 36 min{6000, tR xR } 10 max{tR xR 6000, 0}.

Produccin agrcola Expresin analtica de Et Q(x, t)(2)
Et QR (xR , t) se calcula en tramos segn la realizacin de los lmites de los

rendimientos inferior, lR xR , y superior, uR xR , con respecto a la cuota de 6000.
Para el tramo 6000 lR xR se tiene que
yf
R (t) = 6000 y yv R (t) = tR xR 6000 con tR U[lR , uR ];
Ru 1
por lo que Et QR (xR , t) = 36(6000) 10 lRR ( xR 6000)( uR l R
)d .
Finalmente para todos los tramos se tiene

156000 10tR xR
si 6000 lR xR ,
xR 6000)2
Et QR (xR , t) = 36tR xR + 13(uxrR(u R lR )
si lR xR 6000 uR xR ,

36tR xR si uR xR 6000.


Produccin agrcola Solucin para parmetro aleatorio continuo
Dado que la funcin de recurso es convexa, continua y diferenciable, el

objetivo de primer etapa es lineal, y el problema es convexo, entonces las
condiciones de Karush-Kuhn-Tucker (KKT) son necesarias y suficientes para
un ptimo global de
P
min 150xT + 230xM + 260xR + i{T,M,R} Et Qi (xi , t)
s.a. xT + xM + xR 500,
xT , xM , xR 0.
Aplicando las condiciones KKT, con el multiplicador para la restriccin de
tierra, y resolviendo el sistema la solucin es
xT = 136, xM = 85, xR = 279, = 275.

Introduccin Ejemplo Canilla"
Problema Canilla"
Un vendedor de diarios puede comprar a su distribuidor hasta u diarios a

precio c por unidad.
Vende los diarios a sus clientes a precio q, y puede devolver al distribuidor los
diarios sobrantes a precio de retorno r, tal que 0 < r < c < q.
La demanda de diarios vara diariamente, y es modelada segn la variable
aleatoria con distribucin (acumulada) F().
Debe decidir cuantos diarios comprar, x, al distribuidor de forma de
maximizar su beneficio.

Canilla" Beneficio
El beneficio se define en funcin de la compra y la demanda segn

(q c)x, si x
g(x, ) :=
(r c)x + (q r), si x > .
Es una funcin lineal a trozos continua con pendiente positiva (q c) si x
y pendiente negativa (r c), si x > .
Si la demanda es conocida, entonces la decisin ptima es x = .

Canilla" Beneficio esperado
Segn la ley de los grandes nmeros el beneficio esperado a lo largo del

tiempo tiende al valor esperado
Z
E[ g(x, )] = g(x, )dF().
dF()
[Notar que la funcin de densidad de probabilidad de es d .]
Se busca maximizar dicho beneficio esperado
max0xu E[ g(x, )].

Canilla" Modelo
x : cantidad de diarios comprados,

y() : cantidad de diarios vendidos, y
w() : cantidades de diarios retornados.
min cx + Q(x)
s.a. 0 x u.
Donde Q(x) = E Q(x, ) y
Q(x, ) = min qy() rw()

s.a. y() ,
y() + w() x,
y(), w() 0.

Canilla" Propiedades de la solucin
La solucin cumple que y () = min{, x}, y w () = max{x , 0}.

La funcin de valor esperado de segunda etapa,
Q(x) = E [q min{, x} r max{x , 0}],
es convexa y continua; adems, diferenciable cuando es una variable

aleatoria continua.
Entonces, aplicando condiciones necesarias ptimas, la solucin es

x = 0, si c + Q0 (0) > 0,

x = u, si c + Q0 (u) < 0,
una solucin de c + Q0 (x) = 0, o/c.

Donde Q0 (x) es la derivada con respecto a x.

Canilla" Resolucin
Q(x) puede calcularse en funcin de la distribucin de , F().

Z x Z
Q(x) = (q r(x )) dF() + qx dF()
0 x
Z x
= (q r) dF()() rxF(x) qx(1 F(x))
0
[integrando () por partes]
Z x
= (q r) xF(x) F() d rxF(x) qx(1 F(x))
0
Z x
= qx + (q r) F()d.
0
Por lo que su derivada es Q0 (x) = q + (q r)F(x).

Canilla" Solucin
Estableciendo la condicin necesaria para el ptimo
c + Q0 (x) = c q + (q r)F(x) = 0,
qc
F(x) = .
qr
qc
Sea := qr .
La solucin en funcin de la distribucin es

x = 0, si < F(0),
x = u, si > F(u),
1
x = F () en otro caso.
Donde F 1 () es el -cuantil de F().

ObI 1 Introduccion

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

ObI 1 Introduccion

Încărcat de

Drepturi de autor:

Formate disponibile

Optimizacin bajo Incertidumbre

Carlos Testuri Germn Ferrari

Depto. Investigacin Operativa. Instituto de Computacin. Facultad de Ingeniera, UdelaR

Facultad de Ingeniera. UdelaR Optimizacin bajo Incertidumbre 1er. Semestre 2017 2 / 32

Facultad de Ingeniera. UdelaR Optimizacin bajo Incertidumbre 1er. Semestre 2017 3 / 32

Problemas de decisin con incertidumbre

La incertidumbre es relevante en muchos problemas de decisin

Facultad de Ingeniera. UdelaR Optimizacin bajo Incertidumbre 1er. Semestre 2017 4 / 32

Modelado de problemas con incertidumbre

A menudo la incertidumbre en los problemas se la encapsula en modelos

Facultad de Ingeniera. UdelaR Optimizacin bajo Incertidumbre 1er. Semestre 2017 5 / 32

Resolucin mediante modelos

Los modelos permiten la comprensin y la resolucin de problemas. Implican

El proceso de modelado conlleva ciertas etapas:

Facultad de Ingeniera. UdelaR Optimizacin bajo Incertidumbre 1er. Semestre 2017 6 / 32

Anlisis y solucin de problemas en los cuales se determina una decisin

Facultad de Ingeniera. UdelaR Optimizacin bajo Incertidumbre 1er. Semestre 2017 7 / 32

En optimizacin se utilizan modelos algebraicos de los problemas. Dichos

Facultad de Ingeniera. UdelaR Optimizacin bajo Incertidumbre 1er. Semestre 2017 8 / 32

Introducir al modelado de la incertidumbre en problemas de optimizacin,

Facultad de Ingeniera. UdelaR Optimizacin bajo Incertidumbre 1er. Semestre 2017 9 / 32

Produccin agrcola Problema

Un productor debe decidir, anualmente, las cantidades a plantar de ciertos

Trigo Maz Remolacha

Facultad de Ingeniera. UdelaR Optimizacin bajo Incertidumbre 1er. Semestre 2017 10 / 32

Produccin agrcola Modelo

Facultad de Ingeniera. UdelaR Optimizacin bajo Incertidumbre 1er. Semestre 2017 11 / 32

Produccin agrcola Modelo

min 150xT + 230xM + 260xR

Facultad de Ingeniera. UdelaR Optimizacin bajo Incertidumbre 1er. Semestre 2017 11 / 32

Produccin agrcola Solucin

Trigo Maz Remolacha

Facultad de Ingeniera. UdelaR Optimizacin bajo Incertidumbre 1er. Semestre 2017 12 / 32

Produccin agrcola Solucin

Trigo Maz Remolacha

Sin embargo, los rendimientos dependen de las condiciones climticas.

Facultad de Ingeniera. UdelaR Optimizacin bajo Incertidumbre 1er. Semestre 2017 12 / 32

Produccin agrcola Incertidumbre

Los rendimientos varian un 20% alrededor de los valores medios.

Escenarios Trigo Maz Remolacha

Facultad de Ingeniera. UdelaR Optimizacin bajo Incertidumbre 1er. Semestre 2017 13 / 32

Produccin agrcola Soluciones segn escenarios

Resumen de las soluciones independientes segn escenario:

Bueno (+20%) Medio Malo (-20%)

Facultad de Ingeniera. UdelaR Optimizacin bajo Incertidumbre 1er. Semestre 2017 14 / 32

Produccin agrcola Soluciones segn escenarios

Resumen de las soluciones independientes segn escenario:

Bueno (+20%) Medio Malo (-20%)

El modelo es sensible a los cambios en rendimientos.

Facultad de Ingeniera. UdelaR Optimizacin bajo Incertidumbre 1er. Semestre 2017 14 / 32

Produccin agrcola Decisiones y etapas

Se pueden clasificar las decisiones segn:

Se tiene la secuencia temporal de las decisiones segn etapas:

Facultad de Ingeniera. UdelaR Optimizacin bajo Incertidumbre 1er. Semestre 2017 15 / 32

Produccin agrcola Modelo estocstico (Formulacin extensiva)

Dados tres escenarios equiprobables, s = 1, 2, 3, correspondientes a los

Facultad de Ingeniera. UdelaR Optimizacin bajo Incertidumbre 1er. Semestre 2017 16 / 32

Produccin agrcola Modelo estocstico (Formulacin extensiva)

Dados tres escenarios equiprobables, s = 1, 2, 3, correspondientes a los

min 150xT + 230xM + 260xR +

Facultad de Ingeniera. UdelaR Optimizacin bajo Incertidumbre 1er. Semestre 2017 16 / 32

Produccin agrcola Solucin estocstica

Trigo Maz Remolacha

Facultad de Ingeniera. UdelaR Optimizacin bajo Incertidumbre 1er. Semestre 2017 17 / 32