Definición: La incertidumbre de medición cuantifica el conocimiento insuficiente del verdadero valor de la variable de medición. Se trata un parámetro [] asignado como porcentaje del resultado de medición, que puede asignarse a la variable de medición sobre la base de la información disponible. En otras palabras, un rango en el que el valor verdadero de la variable se encuentra con una probabilidad definida. Si lo consultamos leemos que la incertidumbre es "la falta de certidumbre". Como esta definición tampoco nos aporta demasiada información, buscamos también este término y confirmamos que se trata de certeza, es decir, el "conocimiento seguro y claro de algo".
Por tanto, la incertidumbre es la falta de conocimiento seguro y claro. Si los resultados de una medición van acompañados de una incertidumbre, podemos intuir que por sí solos los valores obtenidos no nos garantizan conocer de forma clara y segura lo que estamos midiendo. La incertidumbre se refiere a la falta de certeza sobre los datos, las condiciones o los resultados de un problema de decisión. Se presenta cuando no se dispone de información completa o precisa sobre los parámetros del modelo, lo que dificulta la toma de decisiones óptimas.
Características: Toma de decisiones bajo condiciones de incertidumbre:
En muchos problemas de decisiones se presentan variables que no están bajo el control de un competidor racional y acerca de las cuales quienes toman las decisiones tiene poca o ninguna información sobre la base de la cual conocer el estado de cosas futuras. La toma de decisiones bajo incertidumbre se presenta cuando no puede predecirse fácilmente el futuro sobre la base de experiencias pasadas. A menudo se presentan muchas variables incontrolables. Algunas veces es posible consolidar los efectos de esas variables no controlables en términos de su distribución de probabilidad.
El modelo de incertidumbre en Investigación de Operaciones se utiliza para la toma de decisiones cuando no se tiene certeza sobre los datos o el entorno. A continuación, se presentan sus ventajas y desventajas:
VENTAJAS ° Mayor realismo: Permite modelar situaciones del mundo real donde los datos son inciertos o variables. ° Mejor toma de decisiones: Ayuda a los tomadores de decisiones a considerar múltiples escenarios posibles y prepararse para ellos.
° Reducción de riesgos: Facilita la identificación y mitigación de posibles impactos negativos. ° Flexibilidad: Se pueden incorporar diferentes niveles de incertidumbre y adaptarse a cambios en el entorno.
° Uso de herramientas avanzadas: Técnicas como la programación estocástica y los modelos de simulación permiten optimizar decisiones en condiciones inciertas.
DESVENTAJAS ° Mayor complejidad matemática: Requiere modelos más sofisticados, lo que puede dificultar su implementación y comprensión. ° Mayor costo computacional: Puede demandar más tiempo y recursos computacionales para obtener soluciones óptimas.
° Dificultad en la estimación de probabilidades: En algunos casos, es complicado asignar valores de probabilidad a eventos inciertos. ° Resultados no siempre precisos: Dependiendo de la calidad de los datos y las suposiciones, las soluciones pueden no ser óptimas en la práctica.
° Requiere mayor cantidad de datos: La calidad del modelo depende de la disponibilidad y precisión de la información utilizada.
OBJETIVO
-
Se busca seleccionar la mejor opción basándose en criterios que permitan enfrentar la incertidumbre, como el criterio de Hurwicz (optimismo-pesimismo), maximín o minimax.
Ejemplo: Decidir en qué mercado internacional expandirse sin datos fiables sobre el comportamiento del consumidor.