Please enable JavaScript.

Coggle requires JavaScript to display documents.

Modelos, es un, en otras palabras, los modelos deterministas, por ejemplo,…

- - - - El modelo podría incluir los siguientes pasos:
        
        Definición de Variables Aleatorias : Se definen variables aleatorias para representar la demanda incierta, los costos variables y otros factores. Por ejemplo, la demanda podría ser una variable aleatoria con una distribución de probabilidad.
        
        Función Objetivo Estocástica : La función objetivo del problema de programación (por ejemplo, minimizar costos o maximizar beneficios) se formula en términos de expectativas matemáticas de las variables aleatorias. Esto significa que la función objetivo se convierte en una función estocástica que depende de los valores esperados de las variables aleatorias.
        
        Restricciones Estocásticas : Las restricciones del problema se ajustan para acomodar la incertidumbre. Por ejemplo, las restricciones podrían estar relacionadas con la probabilidad de cumplir con los niveles de servicio o el cumplimiento de contratos.
        
        Resolución del Problema Estocástico : Se resuelve el problema de programación estocástica utilizando técnicas de optimización estocástica, como la programación lineal estocástica o la programación dinámica estocástica. Estas técnicas consideran la incertidumbre y buscan encontrar estrategias óptimas bajo diferentes escenarios.
        
        Análisis de Sensibilidad : Se realiza un análisis de sensibilidad para evaluar cómo las decisiones óptimas cambian con respecto a diferentes distribuciones de probabilidad de las variables aleatorias. Esto proporciona información sobre la sensibilidad de las decisiones a la incertidumbre.
        
        Toma de Decisiones Robustas : Con los resultados del modelo estocástico, la empresa puede tomar decisiones más informadas, seleccionando estrategias que sean robustas y eficientes bajo diferentes condiciones de incertidumbre.
        
        Este enfoque permite a la empresa considerar la incertidumbre y tomar decisiones que sean más adaptables y resistentes a las fluctuaciones en la demanda y otros factores inciertos.
        
        La programación estocástica es una herramienta poderosa para abordar problemas de toma de decisiones en un mundo real caracterizado por la incertidumbre.
- - - - Reproducibilidad
        
        Dado un conjunto específico de entradas y condiciones iniciales, se obtendrá siempre el mismo resultado.
      - Determinismo
        
        El comportamiento del sistema se rige por ecuaciones o reglas específicas y se considera completamente predecible.
      - Presicion
        
        Los valores de las variables en un modelo determinista se conocen con certeza y no varían con el tiempo.
      - Ausencia de incertidumbre
        
        No se tiene en cuenta la incertidumbre ni la aleatoriedad en los datos o en el sistema modelado.
      - on útiles en situaciones en las que se puede establecer con confianza que no hay incertidumbre significativa y que los resultados futuros son totalmente previsibles.
        
        se pueden utilizar en ciencias físicas y matemáticas para describir sistemas con alta certeza y precisión, como en cálculos de ingeniería, dinámica de fluidos y problemas de mecánica clásica.
        
        en muchas aplicaciones del mundo real, la incertidumbre y la variabilidad son inevitables, por lo que los modelos deterministas a menudo no son adecuados para capturar la complejidad de situaciones más complejas o impredecibles.
- - - - Distribuciones de probabilidad
        
        En lugar de proporcionar resultados precisos, los modelos probabilistas a menudo ofrecen distribuciones de probabilidad que describen la gama de resultados posibles y la probabilidad asociada con cada uno.
      - Simulación y muestreo
        
        Los modelos probabilistas a menudo se utilizan para realizar simulaciones y muestreos aleatorios con el fin de estimar los resultados posibles y evaluar los riesgos.
      - Variabilidad y aleatoriedad
        
        Los modelos probabilistas reconocen que los resultados futuros no son completamente predecibles y que pueden variar de una instancia a otra debido a factores aleatorios.
      - Estadísticas descriptivas
        
        Los modelos probabilistas a menudo se basan en estadísticas descriptivas, como la media, la desviación estándar y otros momentos estadísticos, para resumir la información sobre las variables aleatorias.
      - son ampliamente utilizados en diversas disciplinas, como la estadística, la economía, la ingeniería, la ciencia de datos, la física y la gestión de riesgos.
        
        de aplicaciones de modelos probabilistas incluyen la predicción del tiempo, la valoración de opciones financieras, la simulación de sistemas complejos, el análisis de datos estadísticos y la toma de decisiones bajo incertidumbre.
- - - - Un enfoque común para modelar el riesgo en la investigación de operaciones es el Análisis de Riesgo y Simulación.
        
        Supongamos que una empresa está planeando su cadena de suministro y debe tomar decisiones sobre la cantidad de productos que debe producir y distribuir para satisfacer la demanda del mercado. Sin embargo, la demanda de los productos es incierta y puede variar debido a factores como cambios en las preferencias del cliente, retrasos en la producción o problemas de transporte.
        
        En este escenario, un modelo de riesgo podría incluir los siguientes pasos:
        
        Definir Escenarios de Riesgo : Identificar diferentes escenarios posibles de demanda y eventos que puedan afectar la cadena de suministro, como retrasos en la producción, problemas de calidad, etc.
        
        Asignar Probabilidades : Asignar probabilidades a cada escenario de riesgo basado en datos históricos o expertos. Por ejemplo, se podría asignar una probabilidad del 30% a la demanda normal, un 20% a la demanda alta y un 50% a la demanda baja.
        
        Modelar el Sistema : Utilizar técnicas de investigación de operaciones, como la programación lineal o la programación dinámica, para modelar la cadena de suministro en función de diferentes escenarios de riesgo. Esto podría incluir decisiones sobre la producción, el almacenamiento y la distribución.
        
        Simulación : Realizar simulaciones para evaluar cómo se desempeña el sistema en cada uno de los escenarios de riesgo, teniendo en cuenta las probabilidades asignadas.
        
        Optimización Bajo Riesgo : Utilizar técnicas de optimización para determinar la estrategia óptima que minimice el riesgo o maximice el rendimiento en función de los resultados de la simulación.
        
        Toma de Decisiones : Basarse en los resultados de la simulación y la optimización para tomar decisiones informadas sobre la producción, el inventario y la distribución en la cadena de suministro.
        
        Este enfoque permite a la empresa tomar decisiones que sean robustas ante diferentes escenarios de riesgo y minimizar las posibles pérdidas o costos asociados con la incertidumbre en la demanda y la operación de la cadena de suministro.
        
        los modelos de riesgo son herramientas valiosas para abordar problemas complejos y dinámicos en entornos empresariales y de toma de decisiones.