Practicamente todos los problemas de optimizacion que surgen en el mundo real estan sujetos a algun tipo de incertidumbre. En muchas ocasiones es razonable reemplazar los elementos estocasticos por aproximaciones deterministas, ya sea porque dicha incertidumbre es pequena o porque afecta a parametros no fundamentales del modelo. Sin embargo, muchas otras veces la resolucion efectiva del problema pasa por trabajar con modelos de optimizacion que tengan en cuenta la incertidumbre de modo explicito. Es precisamente en este contexto en el que surge la programacion estocastica, y en esta charla llevaremos a cabo una introduccion informal a los mismos. Partiremos de una serie de ejemplos ilustrativos de las diferencias entre modelos deterministas y estocasticos, que permitiran obtener una primera impresion de los nuevos retos que supone la optimizacion bajo incertidumbre, tanto teoricos como practicos. El nucleo de la presentacion consistira en recorrer las distintas capas en las que hay que trabajar de cara a una resolucion exitosa de este tipo de problemas: comprension de la version determinista del problema y de las tecnicas existentes para su resolucion, modelado de la incertidumbre que rodea la version estocastica, inclusion de medidas de riesgo en la funcion objetivo, desarrollo de metodologias para resolver el problema estocastico y estudio de la estabilidad de las mismas