Modelos probabilísticos

En los modelos probabilísticos, o estocásticos, algunos elementos no se conocen con certeza. Es decir, en los modelos probabilísticos se presupone que algunas variables importantes, llamadas variables aleatorias, no tendrán valores conocidos antes que se tomen las decisiones correspondientes, y que ese desconocimiento debe ser incorporado al modelo.

Un ejemplo de modelo probabilístico podría ser la decisión de establecer una compañía de Intemet mediante la venta pública de acciones de capital, a ntes de saber si el mercado para nuestra oferta será favorable (mercado en alza) y rendirá un alto precio de las acciones, o desfavorable(mercado sostenido) y el precio de éstas será bajo.

Como veremos en la tercera parte del libro, esos modelos incorporan la incertidumbre a través de probabilidades en las variables aleatorias; en este caso, la condición futura del mercado de valores. Estos modelos tienden a reportar su mayor utilidad cuando intervienen en ellos muchas entradas inciertas y hay pocas restricciones.

En consecuencia, los modelos de incertidumbre se usan a menudo para la toma de decisiones estratégicas referentes a la relación de una organización con su ambiente (incierto), como en el ejemplo de la oferta de acciones al público.

En la tercera parte del libro aprenderá qué tipos de criterios puede aplicar cuando el factor incertidumbre interviene en el modelo, y cómo tomar una decisión óptima a la luz de esos criterios. También en este caso tenemos problemas de decisión que son cuantitativos, en los cuales tratamos de optimizar alguna función de las variables de decisión.

Entre los temas de esta parte del libro figuran: análisis de decisiones, filas de espera, simulación, administración de proyectos y pronósticos. Puesto que la incertidumbre desempeña un papel fundamental en dichos modelos, esta parte del libro requiere ciertos conocimientos previos de cálculo de probabilidades y estadística.

Fuente: Apuntes de Investigación de operaciones de la UNIDEG