ENSAYO

LA INCERTIDUMBRE DISTA DE SER UN DESCONOCIMIENTO

POR

HEIDY LILIANA CARMONA URIBE

INVESTIGACIN DE OPERACIONES
RICARDO LEN SNCHEZ ARENAS

ADMINISTRACIN DE EMPRESAS
ESCOLME
2014

ENSAYO N 2
INVESTIGACIN DE OPERACIONES
En su entrevista, Dantzig (1997) menciona:
1. "Los problemas del mundo real son todos sucios. Ningn modelo de
stos es una aproximacin a la realidad, esto no es la realidad".
2. "Yo trabajo en planeamiento sobre incertidumbre... Este es el futuro..."
Teniendo en cuenta estas dos afirmaciones:
a. Qu opinin tiene sobre cada una de ellas?
b. En nuestro contexto, a qu se refera Dantzig con la afirmacin de que
el futuro es el planeamiento sobre incertidumbre? Aporte un ejemplo.

LA INCERTIDUMBRE DISTA DE SER UN DESCONOCIMIENTO

"Los problemas del mundo real son todos sucios. Ningn modelo de
stos es una aproximacin a la realidad, esto no es la realidad".
Los problemas del mundo real no se solucionan con operaciones
rgidas, paradigmas establecidos, esos problemas reales se debe de dejar en
el campo de la incertidumbre, ya que all radica la efectividad del modelo.
Cuando la matemtica se aplica a un proceso o problema limpio se
obtienen procesos o resultados concretos, no ocurriendo lo mismo con los
problemas del mundo real, ya que estos requieren de un cmulo de opciones
para poder encontrar la mejor alternativa, y por ello nace el mtodo Simplex,
ste es un procedimiento iterativo que permite mejorar la solucin de la
funcin objetivo en cada paso. El proceso concluye cuando no es posible
continuar mejorando dicho valor, es decir, se ha alcanzado la solucin
ptima (el mayor o menor valor posible, segn el caso, para el que se
satisfacen todas las restricciones) (Izquierdo-Granja & Ruiz-Ruiz, 2014).
"Yo trabajo en planeamiento sobre incertidumbre... Este es el
futuro..."
El futuro por s mismo es slo incertidumbre y cada momento que no
se ha vivido puede llenarse de cualquier circunstancia, planeada o
imprevista. Y el solo hecho de preocuparnos frente a esa inseguridad no
generar las soluciones necesarias.
La incertidumbre es un universo de riqueza ya que contiene todas las
posibilidades. Es un enorme vaco en el que cualquier cosa tiene aforo y
puede suceder. Es la nada que lo contiene todo y que an est por construir
con un infinito de posibilidades. En muchos casos esta incertidumbre se
asfixia en viejos paradigmas estratgicos. La estructura de estos modelos no
puede dar cuenta de la complejidad de las relaciones. Los significados
emergentes del proceso de interaccin entre la organizacin y el pblico se
pierden bajo una estructura rgida y determinista.
Segn Ramos & Cerisola (2014):
La estocasticidad o incertidumbre aparece en todos los
sistemas pero hasta ahora no era posible la solucin de
problemas de optimizacin de grandes sistemas considerando
explcitamente sta. La incertidumbre puede deberse a carencia
de datos fiables, errores de medida o tratarse de parmetros
que representan informacin sobre el futuro.
En optimizacin determinista se supone que los
parmetros del problema son conocidos con certeza, aunque

sea a su valor medio. En optimizacin estocstica (stochastic

optimization SP) se relaja esta condicin. No se conocen sus
valores, slo sus distribuciones y habitualmente se supone que
stas son discretas con un nmero finito de estados posibles. La
suposicin de distribuciones discretas es habitual en los
optimizadores de optimizacin estocstica. Actualmente no
existen aplicaciones estndar o comerciales, potentes y fiables,
para resolver problemas estocsticos. Todava no es un campo
en desarrollo. Los tipos de modelos que aparecen en
programacin lineal estocstica son motivados principalmente
por problemas con decisiones de tipo aqu y ahora (here and
now), decisiones previas bajo futuro incierto. Esto es, decisiones
que deben tomarse basndose en informacin a priori, existente
o supuesta, sobre situaciones futuras sin realizar observaciones
adicionales. Recurso es la capacidad de tomar una accin
correctora despus de que haya ocurrido un suceso aleatorio.
La optimizacin estocstica permite incorporar actitudes
adversas al riesgo, por ejemplo, mediante la penalizacin de los
peores escenarios. La generalizacin del concepto de proteccin
frente al riesgo se hace mediante optimizacin robusta. Se dice
que una solucin es robusta si es casi ptima para todos los
escenarios. Se dice que un modelo es robusto si es casi factible
en todos los escenarios. La optimizacin robusta trata de
encontrar un equilibrio simultneo entre ambos objetivos de
optimalidad y factibilidad.
Es as como comprendo a Dantzig cuando habla sobre la
incertidumbre, un sinfn de posibilidades. Por ejemplo, Jobs (Steve),
solo su empresa creci cuando saboreo la incertidumbre en su vida,
pues de all se renov y le dio un nuevo respiro a la empresa (Apple)
Se vivan tiempos de incertidumbre sobre hacia donde ira el mercado
de la msica digital hasta que el 23 de octubre de 2001 Steve Jobs marc la
hoja de ruta con la presentacin del iPod. Desde entonces Apple ha vendido
ms de 300 millones de su mp3.
La incertidumbre dista de ser un desconocimiento ya que el solo hecho de
dejar la mente abierta a los posibles cambios que depara el futuro permite
poseer un conocimiento oculto para afrontar esa situacin.

Referencias

Dantzig, G. (1997). Planeando sobre la incertidumbre. Tomado de la

revista ORMS Today, oct-nov 1999.
Ramos, A., Cerisola, S. (2014). Optimizacin estocstica. Recuperado de
http://www.iit.upcomillas.es/aramos/simio/apuntes/a_sp.pdf
Izquierdo-Granja, D., Ruiz-Ruiz, J.J. (2014). PHPSimplex. Recuperado de
http://www.phpsimplex.com/teoria_metodo_simplex.htm#