Medidas de aversión al riesgo y aprendizaje centrado en decisiones

Abstract

La incertidumbre en parámetros de entrada es omnipresente en problemas de toma de decisiones del mundo real, y su manejo enfrenta desafíos específicos debido a la naturaleza del problema y la disponibilidad de datos. En la presente tesis, se explorarán dos enfoques para abordar la incertidumbre en problemas de optimización. El primero, el aprendizaje centrado en decisiones o Decision-Focused Learning, sigue la premisa ”predecir, luego optimizar”. El segundo se basa en modelos de aversión al riesgo, una herramienta matemática que evaluación la incertidumbre asociada a eventos o decisiones, expresándola en términos de la probabilidad de resultados no deseados. El objetivo de esta investigación es determinar qué modelos, construidos bajo estos dos enfoques, gestionan mejor la incertidumbre asociada con la falta de conocimiento sobre los coeficientes del vector de costos en funciones objetivo, enfocándose en los problemas del camino más corto y la mochila. Para lograrlo, se estableció un caso base para cada problema, y se variaron sus parámetros para observar cómo estos cambios influían en los resultados. Esto permitirá identificar qué modelo es más adecuado y en qué situaciones sería adecuado su uso, facilitando la toma de decisiones en contextos reales con incertidumbre. Los resultados demostraron que un modelo basado en el paradigma de aprendizaje centrado en decisiones (DFL) fue más efectivo para enfrentar la incertidumbre en el problema del camino más corto, mostrando un desempeño superior en diversas configuraciones con un menor nivel de arrepentimiento. En contraste, los modelos aversos al riesgo presentaron resultados superiores en el problema de la mochila, gestionando mejor la incertidumbre en condiciones variadas y manteniendo un rendimiento consistente. No obstante, estos modelos fueron altamente sensibles a los parámetros de la función objetivo, lo cual afecto significativamente los tiempos de ejecución.