Análisis de sensibilidad
Análisis de sensibilidad (del inglés Sensitivity analysis) es un método para estudiar modelos matemáticos o de simulación, que permite evaluar cómo los cambios en los datos de entrada, parámetros o supuestos del modelo afectan sus resultados de salida (por ejemplo, la solución óptima, el valor de la función objetivo u otros indicadores clave).
El análisis de sensibilidad es una herramienta importante en la investigación de operaciones, optimización, teoría de la decisión, gestión de riesgos, el análisis económico y el análisis de sistemas.
Esencia y propósito
El objetivo principal del análisis de sensibilidad es comprender cuán estables (robustos) son los resultados del modelado o la optimización frente a la incertidumbre o las variaciones en los datos iniciales. Ayuda a responder preguntas como:
- "¿Qué sucederá con la solución óptima si el costo de un recurso cambia en un 10%?"
- "¿Cuánto cambiará el beneficio con las fluctuaciones de la demanda del mercado?"
- "¿Qué parámetros del modelo tienen la mayor influencia en el resultado final?"
- "¿Cuán fiable es el pronóstico obtenido a través del modelo?"
Las tareas clave del análisis de sensibilidad son:
- Evaluación de la robustez: Determinar si la optimalidad o aceptabilidad de la decisión se mantiene al cambiar los parámetros.
- Identificación de parámetros críticos: Identificar los datos de entrada o parámetros del modelo cuyos pequeños cambios provocan modificaciones significativas en los resultados de salida.
- Aumento de la confianza en el modelo: Demostrar que el modelo se comporta de manera predecible y lógica en respuesta a los cambios en los datos de entrada.
- Apoyo a la toma de decisiones: Proporcionar al tomador de decisiones información sobre el rango de posibles resultados y los riesgos asociados con la incertidumbre de los datos de entrada.
- Definición de áreas para futuras investigaciones: Señalar qué datos es más importante recopilar o qué parámetros del modelo es crucial refinar.
Métodos de análisis de sensibilidad
Existen varios métodos para realizar un análisis de sensibilidad, desde los más simples hasta los más complejos:
- Análisis local (One-at-a-Time, OAT/OFAT): Se varía un parámetro de entrada a la vez, mientras los demás parámetros permanecen fijos. Es el método más simple, pero no permite evaluar el efecto de la interacción entre parámetros.
- Análisis basado en derivadas (sensibilidad local): Evalúa el impacto de pequeños cambios en los parámetros a través de las derivadas parciales de las variables de salida con respecto a los parámetros de entrada.
- Análisis de escenarios: Se consideran varios escenarios discretos (por ejemplo, optimista, pesimista, más probable) que corresponden a diferentes conjuntos de valores de los parámetros de entrada.
- Análisis de sensibilidad global: Se investiga el efecto del cambio simultáneo de todos (o muchos) parámetros dentro de sus rangos de incertidumbre. A menudo se utilizan métodos estadísticos:
- Métodos de Monte Carlo: Se genera una gran cantidad de conjuntos aleatorios de parámetros de entrada para evaluar la distribución de los resultados de salida.
- Análisis de regresión: Se construye un modelo de regresión que relaciona los resultados de salida con los parámetros de entrada.
- Análisis de varianza (ANOVA) y métodos basados en la varianza: Permiten cuantificar la contribución de cada parámetro (y sus interacciones) a la varianza total (incertidumbre) del resultado de salida.
Papel en la investigación de operaciones y la optimización
En la investigación de operaciones, el análisis de sensibilidad es una etapa estándar después de encontrar una solución óptima. Permite determinar:
- Límites de estabilidad de la solución óptima: El rango en el que pueden variar los parámetros de la función objetivo o las restricciones, para que la solución óptima encontrada siga siendo óptima.
- Precios sombra (evaluaciones duales): Cuánto cambiará el valor de la función objetivo con un pequeño cambio (relajación) en una restricción (por ejemplo, al agregar una unidad de un recurso escaso). Los precios sombra indican el valor de los recursos.
- Intervalos de variación admisibles para los parámetros: Los rangos de cambio para los coeficientes de la función objetivo o los lados derechos de las restricciones, dentro de los cuales se preserva la estructura actual de la solución óptima (el conjunto de variables básicas en la programación lineal).
Estos resultados ayudan al tomador de decisiones a comprender cuán críticos son los datos iniciales y qué recursos son los más valiosos ("cuellos de botella").
Papel en el modelado y la toma de decisiones
En el contexto más amplio del modelado y la toma de decisiones, el análisis de sensibilidad ayuda a:
- Evaluar riesgos: Identificar los factores que introducen la mayor incertidumbre en el resultado.
- Validar el modelo: Comprobar la adecuación del comportamiento del modelo ante cambios en las condiciones.
- Comparar alternativas: Evaluar cuál de las alternativas es más robusta a los cambios en las condiciones externas.
- Mejorar la comprensión del sistema: Identificar las fuerzas motrices clave y las interrelaciones en el sistema modelado.
Interpretación de los resultados
- Una alta sensibilidad a un parámetro significa que incluso pequeños errores en su estimación o su variabilidad pueden afectar significativamente el resultado. Dichos parámetros requieren una atención especial.
- Una baja sensibilidad indica que el resultado del modelo o de la decisión depende poco de los cambios en dicho parámetro dentro del rango considerado, es decir, la solución es robusta con respecto a este parámetro.
Ventajas
- Aumenta la fiabilidad y la validez de los modelos y las decisiones.
- Ayuda a identificar riesgos e incertidumbres.
- Mejora la comprensión del sistema y del modelo.
- Orienta los esfuerzos para la recopilación de datos y el refinamiento del modelo.
Limitaciones
- Puede ser computacionalmente costoso, especialmente con un gran número de parámetros (análisis global).
- Los métodos simples (OAT) pueden no detectar los efectos de interacción entre parámetros.
- Los resultados dependen de los rangos de variación elegidos para los parámetros y de los supuestos del modelo.
Bibliografía
- 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) (Contiene secciones sobre análisis de sensibilidad en PL)
- Taha, Hamdy A. Operations Research: An Introduction. — Pearson. (10th ed., 2017) (Contiene secciones sobre análisis de sensibilidad en PL)