Análisis de sensibilidad

El análisis de sensibilidad examina cómo cambia la salida de un modelo cuando cambian las entradas seleccionadas. Muestra qué supuestos son más importantes, qué decisiones son sólidas y dónde una mejor evidencia podría mejorar la elección.

Cuándo usarlo

• Comprender la variedad de resultados en torno a un plan o valoración.
• Identificar supuestos capaces de revertir una recomendación.
• Detectar errores de modelo, discontinuidades y dependencias ocultas.
• Priorizar la investigación sobre los insumos con mayor valor de decisión.
• Distinga la sensibilidad individual de los escenarios y el análisis de incertidumbre probabilística.

Orígenes

El razonamiento de sensibilidad es anterior a los ordenadores y aparece en matemáticas, ingeniería, economía e investigación de operaciones. El cálculo digital lo hizo accesible a escala. VisiCalc, lanzado en 1979, ayudó a popularizar el modelado de hojas de cálculo; Lotus 1-2-3 y, más tarde, Microsoft Excel convirtieron rápidamente en rutina el análisis de «qué pasaría si». Los métodos de Monte Carlo proporcionan un enfoque diferente pero complementario al propagar supuestos de probabilidad a través de un modelo.

Qué es

La sensibilidad local cambia una entrada cerca de una línea base y observa el resultado. El análisis unidireccional varía las entradas individualmente; el análisis multidireccional varía varios juntos; El análisis de umbral encuentra el valor en el que cambia la decisión. La sensibilidad global examina la variación en un espacio de entrada más amplio y puede atribuir la incertidumbre de la salida a variables e interacciones individuales.

Sensibilidad no es lo mismo que incertidumbre. Una salida altamente sensible aún puede ser bien conocida si la entrada es cierta; una entrada incierta puede importar poco si la salida apenas responde. Combine la capacidad de respuesta del modelo con un rango o distribución defendible.

Por ejemplo, una aseguradora que fije el precio de una cobertura temporal de vida para fumadores de 60 años o más podría variar los supuestos de mortalidad, cancelación, gastos, intereses y selección. Un modelo de Montecarlo puede producir una distribución de resultados, pero el muestreo aleatorio no corrige unas tablas de vida sesgadas, una dependencia omitida ni un objetivo de fijación de precios inadecuado.