Análise de Sensibilidade

Análise de Sensibilidade (em inglês: Sensitivity analysis) é um método de investigação de modelos matemáticos ou de simulação que permite avaliar como as mudanças nos dados de entrada, parâmetros ou premissas do modelo afetam seus resultados de saída (por exemplo, a solução ótima, o valor da função objetivo ou outros indicadores-chave).

A análise de sensibilidade é uma ferramenta importante na pesquisa operacional, otimização, teoria da decisão, gestão de riscos, análise econômica e análise de sistemas.

Essência e Finalidade

O objetivo principal da análise de sensibilidade é entender quão estáveis (robustos) são os resultados da modelagem ou otimização em relação à incerteza ou variações nos dados de entrada. Ela ajuda a responder a perguntas como:

• "O que acontecerá com a solução ótima se o custo de um recurso mudar em 10%?"
• "Quanto o lucro mudará com as flutuações na demanda do mercado?"
• "Quais parâmetros do modelo têm a maior influência no resultado final?"
• "Quão confiável é a previsão obtida com o modelo?"

As tarefas-chave da análise de sensibilidade incluem:

• Avaliação da robustez:* Determinar se a otimalidade ou a aceitabilidade da decisão se mantém com a alteração dos parâmetros.
• Identificação de parâmetros críticos: Revelar quais dados de entrada ou parâmetros do modelo causam mudanças significativas nos resultados de saída, mesmo com pequenas variações.
• Aumento da confiança no modelo: Demonstrar que o modelo se comporta de maneira previsível e lógica em resposta a mudanças nos dados de entrada.
• Apoio à tomada de decisão: Fornecer ao tomador de decisão informações sobre a gama de resultados possíveis e os riscos associados à incerteza dos dados de entrada.
• Definição de direções para pesquisas futuras: Indicar quais dados precisam ser coletados ou quais parâmetros do modelo são mais importantes de serem refinados.

Métodos de Análise de Sensibilidade

Existem vários métodos para realizar a análise de sensibilidade, dos mais simples aos mais complexos:

• Análise local (One-at-a-Time, OAT/OFAT): Altera-se um parâmetro de entrada por vez, mantendo os demais fixos. Este é o método mais simples, mas não permite avaliar o efeito da interação entre os parâmetros.
• Análise baseada em derivadas (sensibilidade local): Avalia o impacto de pequenas mudanças nos parâmetros por meio das derivadas parciais das variáveis de saída em relação aos parâmetros de entrada.
• Análise de cenários: Consideram-se vários cenários discretos (por exemplo, otimista, pessimista, mais provável), correspondentes a diferentes conjuntos de valores para os parâmetros de entrada.
• Análise de sensibilidade global: Investiga o efeito da variação simultânea de todos (ou muitos) parâmetros dentro de suas faixas de incerteza. Frequentemente, são utilizados métodos estatísticos:
• Métodos de Monte Carlo: Gera-se um grande número de conjuntos aleatórios de parâmetros de entrada para avaliar a distribuição dos resultados de saída.
• Análise de regressão: Constrói-se um modelo de regressão que relaciona os resultados de saída com os parâmetros de entrada.
• Análise de variância (ANOVA) e métodos baseados em variância: Permitem quantificar a contribuição de cada parâmetro (e suas interações) para a variância total (incerteza) do resultado de saída.

Papel na Pesquisa Operacional e Otimização

Na pesquisa operacional, a análise de sensibilidade é uma etapa padrão após a obtenção da solução ótima. Ela permite determinar:

• Limites de estabilidade da solução ótima: A faixa na qual os parâmetros da função objetivo ou das restrições podem variar para que a solução ótima encontrada permaneça ótima.
• Preços-sombra (avaliações duais): O quanto o valor da função objetivo mudará com uma pequena alteração (relaxamento) de uma restrição (por exemplo, ao adicionar uma unidade de um recurso escasso). Os preços-sombra indicam o valor dos recursos.
• Intervalos de variação permitidos para os parâmetros: As faixas de variação dos coeficientes da função objetivo ou dos lados direitos das restrições dentro das quais a estrutura atual da solução ótima (o conjunto de variáveis básicas na programação linear) é mantida.

Esses resultados ajudam o tomador de decisão a entender quão críticos são os dados de entrada e quais recursos são os mais valiosos ("gargalos").

Papel na Modelagem e Tomada de Decisão

Em um contexto mais amplo de modelagem e tomada de decisão, a análise de sensibilidade ajuda a:

• Avaliar riscos: Identificar os fatores que introduzem a maior incerteza no resultado.
• Validar o modelo: Verificar a adequação do comportamento do modelo sob diferentes condições.
• Comparar alternativas: Avaliar qual das alternativas é mais robusta a mudanças nas condições externas.
• Melhorar a compreensão do sistema: Identificar as principais forças motrizes e inter-relações no sistema modelado.

Interpretação dos Resultados

• Alta sensibilidade a um parâmetro significa que mesmo pequenos erros em sua estimativa ou sua variabilidade podem impactar fortemente o resultado. Tais parâmetros exigem atenção especial.
• Baixa sensibilidade indica que o resultado do modelo ou da decisão depende pouco das mudanças em um determinado parâmetro dentro da faixa considerada, ou seja, a decisão é robusta em relação a esse parâmetro.

Vantagens

• Aumenta a confiabilidade e a validade dos modelos e das decisões.
• Ajuda a identificar riscos e incertezas.
• Melhora a compreensão do sistema e do modelo.
• Orienta os esforços para a coleta de dados e o refinamento do modelo.

Limitações

• Pode ser computacionalmente custoso, especialmente com um grande número de parâmetros (análise global).
• Métodos simples (OAT) podem não detectar os efeitos da interação entre parâmetros.
• Os resultados dependem das faixas de variação de parâmetros escolhidas e das premissas do modelo.

Ver também

• Pesquisa Operacional
• Otimização
• Modelagem Matemática
• Modelagem de Simulação
• Teoria da Decisão
• Gestão de Riscos
• Incerteza
• Programação Linear

Literatura

• Saltelli, A., et al. Global Sensitivity Analysis: The Primer. — Wiley, 2008.
• Hillier, Frederick S.; Lieberman, Gerald J. Introduction to Operations Research. — McGraw-Hill Education. (11th ed., 2021) (Contém seções sobre análise de sensibilidade em PL)
• Taha, Hamdy A. Operations Research: An Introduction. — Pearson. (10th ed., 2017) (Contém seções sobre análise de sensibilidade em PL)