1. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
Sistemas de Soporte a la Decisión
Sistemas de Soporte a la Decisión
basados en modelos
Javier Prieto1
1
Departamento de Estadística
Universidad Carlos III de Madrid, España
franciscojavier.prieto@uc3m.es
Máster en Gestión y Tecnología del Conocimiento
Universidad de Panamá, Julio de 2010
Javier Prieto Sistemas de Soporte a la Decisión
2. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
SSDs basados en modelos
Suponen decisiones racionales
Existencia de una función de utilidad que ordena las decisiones
Presencia de incertidumbre
Posibilidad de estimar las probabilidades de ocurrencia de sucesos
Modelos matemáticos que recojan consecuencias de decisiones
De forma cuantificable
Javier Prieto Sistemas de Soporte a la Decisión
3. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
Proceso de toma de decisiones en modelos formales
Etapas
Identificación de alternativas
Determinación del criterio/criterios de selección
Evaluación de las alternativas
Con respecto al criterio de selección
Respecto a su viabilidad técnica
Implantación
Javier Prieto Sistemas de Soporte a la Decisión
4. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
Técnicas para toma de decisiones en modelos
formales
Investigación de Operaciones
Problemas complejos
Complejidad asociada a:
Incertidumbre
Número de alternativas
Interacciones entre decisiones
Técnicas adaptadas a la complejidad de los problemas
Problemas simples vs. problemas complejos
Javier Prieto Sistemas de Soporte a la Decisión
5. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
Construccion de modelos
Estructura formal de los modelos
Basada en manipulación de variables
Representan alternativas cuantificables
Variables combinadas mediante expresiones matemáticas
Relaciones que han de cumplirse
Medida del interés de unas alternativas frente a otras
Lenguaje matemático
Javier Prieto Sistemas de Soporte a la Decisión
6. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
Tipos de modelos (i)
Predicción
Estimación de la evolución futura del sistema
Bajo incertidumbre
Simulación
Estimación del comportamiento del sistema bajo condiciones
alternativas
También bajo incertidumbre (normalmente)
Optimización
Selección de alternativas mejores
Normalmente sin incertidumbre (complejidad)
Heurísticos
Selección de alternativas próximas a las mejores
Con coste computacional reducido
Normalmente sin incertidumbre
Javier Prieto Sistemas de Soporte a la Decisión
7. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
Tipos de modelos (ii)
Por su estructura temporal
Modelos estáticos
Decisiones a tomar en un momento en el tiempo
Modelos más sencillos
Modelos dinámicos
Decisiones a tomar a lo largo del tiempo
Modelos deben incluir dependencias temporales
Debe considerarse un mayor número de decisiones (tamaño del
modelo)
Por su complejidad
Modelos con pocas alternativas
Modelos muy simples (árboles de decisión, enumeración de
alternativas)
Modelos con muchas alternativas
Modelos complejos requieren técnicas matemáticas sofisticadas
Javier Prieto Sistemas de Soporte a la Decisión
8. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
Simulación estocástica (i)
Métodos de simulación estocástica
Tratamiento cuantitativo de la incertidumbre en problemas reales
Estimación de medidas de comportamiento del sistema
Bajo situaciones futuras posibles
Ponderadas con una estimación de su probabilidad
Objetivo: comparar dichas estimaciones
Con referencias conocidas
Con otras decisiones posibles bajo incertidumbre
Mejora en el proceso de toma de decisiones
En situaciones suficientemente complejas
Javier Prieto Sistemas de Soporte a la Decisión
9. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
Simulación estocástica (ii)
Modelos descriptivos
Estudio de características de un sistema bajo condiciones inciertas
Se busca información estocástica:
Estimación de valores de interés (valor medio, varianza, percentiles)
Estimación del error cometido
Medidas de riesgo
Ejemplos:
Estudio comparativo de beneficios asociados a distintas ofertas
Probabilidad de que beneficios sean inferiores a una cierta cantidad
Javier Prieto Sistemas de Soporte a la Decisión
10. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
Importancia de la modelización de la incertidumbre
En la gran mayoría de las decisiones la incertidumbre es
fundamental
Las situaciones futuras son desconocidas
Se desconocen los cambios en el entorno
Se desconocen también los posibles cambios en la organización
Importancia del estudio de posibles alternativas
Selección de alternativas relevantes (escenarios)
Combinación de los resultados para las diferentes alternativas
(decisiones, riesgos)
Siempre hace falta partir de un modelo de la incertidumbre
Javier Prieto Sistemas de Soporte a la Decisión
11. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
El método de Montecarlo. Motivación
Dificultades
Se quieren calcular valores de variables no observadas
Relaciones con variables cuyos valores tampoco son conocidos
con certeza
Pero se pueden hacer hipótesis sobre las distribuciones de esas
variables
Utilizar relaciones entre variables (potencialmente complejas)
Procedimento
Se supone que dado un valor de las variables iniciales es sencillo
de calcular un valor de las variables de interés
Se construye una muestra de valores iniciales
Se genera una muestra de valores de interés
Se aplican técnicas estadísticas a la muestra
Javier Prieto Sistemas de Soporte a la Decisión
12. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
El método de Montecarlo. Descripción
Procedimiento de simulación
Definir variables entrada/salida y características
Definir relaciones
Generar valores variables de entrada
Obtener valores variables de salida
Repetir un número suficiente de veces
Estimar valores deseados
Javier Prieto Sistemas de Soporte a la Decisión
13. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
Ejemplo I (i)
Expansión de capacidad
Inversión a 3 años
Datos
Coste de la expansión (aleatorio)
Capacidad
Demanda (aleatoria)
Beneficios (aleatorios)
La información se descuenta al presente
Información para la decisión
Estimaciones y errores en el valor actualizado neto
Javier Prieto Sistemas de Soporte a la Decisión
14. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
Ejemplo I (ii)
Expansión de capacidad. Datos disponibles
Expansión
Coste medio 4500
Desv. Típica 700
Capacidad 100
Demanda
Valores medios
Periodo 1 75
Periodo 2 90
Periodo 3 92,5
Desv. típica 10
Beneficio unitario
Media inicial 20
Desv. típica inicial 2
Incremento mínimo 0,97
Incremento máximo 1,05
Descuento
Factor 0,05
Javier Prieto Sistemas de Soporte a la Decisión
15. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
Generación de variables de entrada
Datos de entrada
Aspecto más complejo del procedimiento
Datos de entrada han de recoger la incertidumbre presente en la
realidad
Y la que pueda existir en el futuro de interés
Deben preservar la distribución que se supone para los datos
Y las relaciones de dependencia/independencia de los mismos
Generación
Dependiente de la distribución
Casos sencillos soportados por software
Otros casos: técnicas matemáticas
Un ejemplo sencillo: distribución exponencial con parámetro λ
− log U/λ, U ∼ Unif[0, 1]
Javier Prieto Sistemas de Soporte a la Decisión
16. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
Tratamiento de resultados
Resultados de interés
Valores promedio e intervalos de confianza
Fórmulas estadísticas clásicas
» –
zs zs
1
s2 = 1 2
P P
m= n i xi , n−1 i (xi − m) , m − √ ,m + √
n n
Podemos seleccionar el número de repeticiones n
Cuanto mayor sea n, más coste computacional
Cuanto mayor sea n, menor error
Parar cuando el error sea suficientemente pequeño
Error proporcional a la inversa de la raíz cuadrada del número de
repeticiones
Javier Prieto Sistemas de Soporte a la Decisión
17. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
Temas avanzados
Datos dependientes
En muchos casos las muestras generadas no son independientes
Inventarios, colas, etc.
Son necesarias técnicas de estimación más sofisticadas
Medias agrupadas, método regenerativo
Reducción de varianza
Coste computacional asociado a repeticiones, elevado para
errores bajos
Técnicas sofisticadas de reducción del número de repeticiones
Muestreo estratificado, muestreo de importancia
Javier Prieto Sistemas de Soporte a la Decisión
18. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
Ventajas e inconvenientes
Ventajas
Procedimiento muy flexible
Planteamiento común a situaciones muy diferentes
Excepto generación de variables de entrada
Poco costoso de implementar
Fácil de aplicar con programas de propósito general (hojas de
cálculo)
Inconvenientes
Computacionalmente poco eficiente
No proporciona relaciones causales
Requiere hipótesis sobre datos de entrada
Javier Prieto Sistemas de Soporte a la Decisión
19. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
Ejemplo II (i)
Gestión de ventas de billetes de avión
Decisiones sobre la cantidad de plazas a ofertar
En varios estados posibles (5)
Incertidumbre en relación con los cambios de estados
Datos
Probabilidades de paso de un estado a otro
Coste de renovación y de avería
Información para la decisión
Porcentajes de equipos a renovar y averiados
Coste promedio de gestión del sistema
Javier Prieto Sistemas de Soporte a la Decisión
20. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
Ejemplo II (ii)
Gestión de ventas de billetes. Datos disponibles
Capacidad
Capacidad asientos 650
Limite ventas 715
Demanda
Promedio 620
Desv. Estandar 65
Pasajeros no aparecen
Probabilidad 0,05
Costes
Beneficio unidad 50
Coste overbooking 150
Beneficio no aparecen 75
Javier Prieto Sistemas de Soporte a la Decisión
21. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
Optimización
Técnicas formales (matemáticas) de optimización
Procedimientos formales para calcular la mejor alternativa
¿Es necesario considerar todas las alternativas?
Ineficiente en casos complejos
Se basan en resultados teóricos sofisticados
Consideran un número reducido de alternativas
Escogidas para que las conclusiones sean válidas para todas ellas
Proceso dependiente de la forma del problema
Javier Prieto Sistemas de Soporte a la Decisión
22. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
Conceptos generales
Objetivo
Encontrar el mejor conjunto de valores de las variables para un
criterio determinado
Valores a calcular: representados por variables
Variables de decisión (estado y control)
Variables auxiliares
Criterio a optimizar: función objetivo
Uno o varios criterios
Ordenación de alternativas
Condiciones sobre los valores aceptables de las variables:
restricciones
Estructura básica del problema
Variables
Función objetivo
Restricciones
Javier Prieto Sistemas de Soporte a la Decisión
23. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
Formulación de problemas (i)
Formato estandarizado
Identificación de variables
Variables contínuas o discretas
Expresión matemática de la función objetivo
Función que tome un valor o múltiples valores
Maximización o minimización
Funciones que definan las restricciones, como
Igualdades
Desigualdades
Javier Prieto Sistemas de Soporte a la Decisión
24. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
Formulación de problemas (ii)
Formalismo matemático
minx f (x)
s.a c(x) ≥ 0
d(x) = 0
Debemos saber cómo calcular f , c y d
Al menos poder escribir código para hacerlo
Las funciones han de ser contínuas
Javier Prieto Sistemas de Soporte a la Decisión
25. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
Procedimiento de solución (i)
Dependiente de propiedades de problemas
Propiedades relevantes:
Todas las variables toman valores contínuos
O algunas variables toman valores discretos
Las funciones del problema son todas lineales
O algunas son no lineales
Procedimientos de solución
Programación lineal (método simplex, puntos interiores)
Programación entera (branch and bound, branch and cut)
Javier Prieto Sistemas de Soporte a la Decisión
26. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
Procedimiento de solución (ii)
Resolución en Excel
Uso del Solver
Todas las diferentes partes del problema definidas en celdas
Variables, función objetivo, restricciones
Problemas que se pueden resolver
Problemas lineales contínuos
Problemas lineales enteros
Problemas no lineales contínuos
Javier Prieto Sistemas de Soporte a la Decisión
27. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
Ejemplo III (i)
Problema de planificación de la producción
Datos
Capacidades disponibles
Uso de capacidad
Para dos tipos de capacidad necesarios
Beneficios por unidad
Límites a la producción
Información para la decisión
Valores óptimos de la producción
Javier Prieto Sistemas de Soporte a la Decisión
28. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
Ejemplo III (ii)
Datos producción
Capacidad
Mano de obra 320
Maquinaria 320
Uso de capacidad
Producto A 0,5 0,6
Producto B 0,7 0,5
Producto C 0,9 1,0
Beneficios por unidad
Producto A 14
Producto B 17
Producto C 22
Límite de ventas
300
Javier Prieto Sistemas de Soporte a la Decisión
29. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
Procedimiento de solución (iii)
Casos especiales
Problemas con varias funciones objetivo
Dificultad: comparar diferentes alternativas entre diferentes criterios
Solución habitual: buscar una combinación de criterios que
represente las preferencias del usuario
Alternativamente: construir todas las soluciones para cualquier
combinación (razonable) de los criterios (frontera eficiente)
Problemas con incertidumbre
Dificultad: falta de expresiones explícitas para criterios de interés
Solución habitual: construir un equivalente sin incertidumbre
considerando un número reducido de escenarios
Dificultad: los problemas resultantes son muy grandes
Empleo de técnicas especiales, descomposición
Javier Prieto Sistemas de Soporte a la Decisión
30. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
Ventajas e inconvenientes
Ventajas
Procedimiento muy potente
Herramientas fácilmente disponibles
Para problemas de tipos habituales
Inconvenientes
Costoso de implementar
Computacionalmente costoso de resolver
Requiere modelos matemáticos detallados
Dificultad para incorporar la incertidumbre
Javier Prieto Sistemas de Soporte a la Decisión
31. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
Ejemplo IV (i)
Producción de aceros
Tres tipos de acero a producir a partir de chatarra
Datos
Diferentes costes de producción, precios de venta, uso de chatarra
Demandas máximas previstas
Chatarra
Costes
Capacidad de procesamiento
Información para la decisión
Cantidades óptimas a producir
Javier Prieto Sistemas de Soporte a la Decisión
32. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
Ejemplo IV (ii)
Producción de aceros. Datos disponibles
Datos aceros
Consumos Costes Precios Demanda
Barras 1,5 40 75 1200
Láminas 1,4 25 60 1600
Especiales 2,5 65 110 900
Chatarra
Costes 15
Capacidad 5000
Javier Prieto Sistemas de Soporte a la Decisión
33. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
Ejemplo V (i)
Planificación de la generación eléctrica
Ofertas de una central de generación para 24 horas. Cantidades
(y precios)
Datos
Estimaciones de los precios
Costes de generación y arranque
Restricciones técnicas de la central
Capacidad
Arranques
Rampas
Información para la decisión
Cantidades óptimas a producir
Javier Prieto Sistemas de Soporte a la Decisión
34. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
Ejemplo V (ii)
Planificación de la generación. Precios
12,000
10,000
8,000
31/10/08
30/10/08
29/10/08
6,000 28/10/08
27/10/08
26/10/08
25/10/08
4,000
Promedio
2,000
0,000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Javier Prieto Sistemas de Soporte a la Decisión
35. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
Ejemplo V (iii)
Planificación de la generación. Restricciones técnicas
Generación Capacidad
Mínimo técnico
Tiempo
Javier Prieto Sistemas de Soporte a la Decisión
36. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
Ejemplo V (iv)
Planificación de la generación eléctrica. Modelo matemático
Función objetivo
P P P
t (pt − c)xt − ca t at − cp t pt
Restricciones de capacidad respecto del estado encendido
gm yt ≤ xt ≤ gx yt
Restricciones que relacionan encendido con arranque
yt − yt−1 ≤ at , yt−1 − yt ≤ pt
Restricciones de rampa
xt − xt−1 ≤ ru , xt−1 − xt ≤ rd
Variables binarias, yt , at , pt
Caso más interesante:
Cuando existe incertidumbre en los precios
Javier Prieto Sistemas de Soporte a la Decisión
37. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
Ejemplo V (v)
Planificación de la generación eléctrica. Datos disponibles
Datos técnicos
Generación máxima 250
Generación mínima 50
Rampa subida 50
Rampa bajada 25
Datos de costes
Coste generación 5.6
Coste arranque 25
Coste parada 5
Javier Prieto Sistemas de Soporte a la Decisión
38. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
Ejemplo VI (i)
Evaluación del riesgo en préstamos personales
Banco debe decidir que préstamos a que clientes suponen un
riesgo excesivo
Datos
Información sobre cada cliente
Cualitativa (sexo, empleo, región, etc)
Cuantitativa (edad, años empleado, saldo de cuenta, devoluciones de
préstamos, etc)
Datos sobre clientes anteriores calificados como aceptables y no
aceptables
Información para la decisión
Regla que asigne a un nuevo cliente al grupo aceptable o al no
aceptable
Javier Prieto Sistemas de Soporte a la Decisión
39. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
Ejemplo VI (ii)
Evaluación del riesgo en préstamos personales
Metodología a aplicar: SVM
Encontrar hiperplano óptimo que separe los grupos
GRÁFICA 3
6,2
5,2
w’x-b=-1
4,2
w’x-b=1
3,2
2,2
1,2
1,20 1,56 1,92 2,28 2,64 3,00
Datos 1 Datos 1I
Javier Prieto Sistemas de Soporte a la Decisión
40. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
Ejemplo VI (iii)
Evaluación del riesgo en préstamos personales
SVMs: formalización matemática
Dadas observaciones xi y valores ci ∈ −1, 1
Encontrar un vector w solución de
m« w,b
ın ww
s.a ci (w xi − b) ≥ 1
En la práctica es más sencillo resolver el problema equivalente
1
P P
m«xa
a i ai − 2 aaccx x
P ij i j i j i j
s.a i ai ci = 0
ai ≥ 0
P
de manera que w = i ai ci xi
Javier Prieto Sistemas de Soporte a la Decisión
41. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
Lecturas
Contenidos recomendados de las referencias
[Evans & Olson] Capítulos 6 y 10
[Power] Capítulos 4 y 10
[Savage] Capítulos 4 y 7
[Turban] Capítulos 2 y 5
Javier Prieto Sistemas de Soporte a la Decisión
42. Toma de decisiones basada en modelos
Modelos de simulación
Modelos de optimización
Referencias
Referencias I
Evans, J.R. & Olson, D.L.
Introduction to Simulation and Risk Analysis
Prentice-Hall, 2002
Power, D.J.
Decision Support Systems: Concepts and Resources for Managers
Quorum Books, 2002
Savage, S.L.
Decision Making with Insight
Thomson, 2003
Turban, E.
Decision Support and Expert Systems: Management Support Systems
Prentice Hall, 1995
Javier Prieto Sistemas de Soporte a la Decisión