2. El análisis de sensibilidad es una técnica utilizada en
diversos campos (la economía, ingeniería, estadística) con
el objetivo de cuantificar y comprender cómo las
variaciones en las variables de entrada afectan los
resultados de interés con el fin de identificar las variables
más influyentes.
El análisis de sensibilidad consiste en un estudio
sistemático de cómo afectan las conclusiones de un
modelo.
AnÁLISIS DE SENSIBILIDAD
3. En una serie de pruebas nos permiten tomar
diferentes decisiones basados en nuestros
sistemas. Muchas organizaciones basan
decisiones en estos análisis ya que permite
conocer el futuro de inversiones, créditos,
entre otras. Y lo dé a conocer de una manera
acertada, este análisis sirve tanto como
para formular como para evaluar la
exactitud de un sistema.
AnÁLISIS DE SENSIBILIDAD
Consiste en modificar los valores numéricos
de cada parámetro. Para el cual se incrementa
o decrementa el valor del parámetro cuya
sensibilidad se quiere estudiar en un cierto
porcentaje y luego se analiza los efectos de
esas modificaciones en qué medida esta
variación afecta a las conclusiones del
modelo.
4. 1°
Facilita la toma de
decisiones.
2°
Asegura el control de calidad.
3°
Mejor asignación de recursos.
¿QUÉ ES Y CUÁL ES SU IMPORTANCIA
EN UN PROYECTO?
Es una herramienta de gestión que permite a las
organizaciones predecir los resultados de un
proyecto, ayudando a comprender las
incertidumbres, las limitaciones y los alcances de un
modelo de decisión.
7. definicion
En la dinámica de sistemas, el análisis de sensibilidad es
una herramienta poderosa para comprender cómo
cambian las variables de interés en respuesta a cambios
en los parámetros o condiciones iniciales del sistema.
Permite evaluar el impacto de estas variaciones en el
comportamiento del sistema a lo largo del tiempo.
8. tipos
Cuando se realiza un análisis de sensibilidad, es
común agregar variables específicas que nos
interesan en el estudio.
Estas variables pueden ser de diferentes tipos,
como:
● variables de estado
● variables de flujo
● variables auxiliares
● otra variable relevante para el análisis.
10. 1°
Las variables auxiliares son,
como su nombre
indica,variables de ayuda
en un modelo
2°
Su papel auxiliar consiste en colaborar en la
definición de las variables de flujo y en
documentar el modelo haciéndolo más
comprensible.
3°
Las variables auxiliares representan pasos en las que
se descompone el cálculo de una variable de flujo a
partir de los valores tomados por los niveles.
Variables auxiliares
12. En un paisaje rural en el año 2021 se tiene 20 hectáreas de cultivos agrícolas alimentarios y 3 hectáreas de
ganadería. Los cultivos agricolas, tenían una cosecha con rendimiento de 5 toneladas /Ha-mes. Se auto
consumía en la zona el 10% de esto, otro 20% se transforma en subproductos y se comercializaba ruralmente, el
resto se comercializaban directo para el municipio de chinácota, el cual tenía una demanda promedio de 500
toneladas de esos alimentos al año.
Ejemplo
14. Son las manipulaciones de las hipótesis iniciales de los
valores de las constantes del Modelo. Para obtener
variaciones significativas que muestren el
comportamiento real del sistema se puede manipular
un valor o varios a la vez y analizar el resultado, luego
volver a cambiar los valores, y así las veces necesarias
para obtener un patrón en los valores de salida.
VARIACIONES
15. Las modificaciones de los
valores iniciales buscan
analizar los resultados que
estos producen en el sistema
Sin embargo, los sistemas no
alteran su estructura,
quedando el funcionamiento
igual que con los parámetros
iniciales.
CAMBIO DE PARÁMETROS
Las variaciones de los valores
pueden tomar distintos valores
para cada variable, y se puede
asignar un valor aleatorio a cada
parámetro para su posterior
análisis. Pero esta técnica obvio
los efectos que puede tener un
grupo de parámetros al variar en
cierto rango. Para evitar esta
situación, se usan métodos de
variaciones más complejos, como
lo es el de Montecarlo.
16. Método de Montecarlo
De acuerdo con este método, se sortean
aleatoriamente los valores de los
parámetros, de acuerdo con una
distribución que represente su dispersión
con relación a los valores considerados
normales, y se simula el modelo con los
valores de los parámetros que resulten de
ese sorteo. Se repite el proceso un cierto
número de veces hasta conseguir
almacenar un número importante de
trayectorias que se someten a un análisis
estadístico para estudiar su eventual
dispersión. Esta dispersión es una medida
de la sensibilidad del modelo.
18. Identificación de variables y
parámetros críticos
Ayuda a identificar las variables y
parámetros más influyentes para
comprender y controlar el modelo.
Revela las interacciones y
relaciones clave dentro del
sistema.
19. Evaluación de la robustez del
modelo
Muestra la sensibilidad del modelo a cambios
en las variables y parámetros.
Permite mejorar la estabilidad y
confiabilidad del modelo.
20. Optimización y toma de decisiones
Encuentra valores óptimos para maximizar o
minimizar resultados relevantes.
Apoya la toma de decisiones
informadas en situaciones
complejas.
21. Comunicación de resultados
Facilita la comprensión y discusión de los
hallazgos del modelo con tomadores de
decisiones y partes interesadas.
Permite una comunicación
efectiva de la influencia de las
variables y parámetros.
22. Mejora del modelo
Identificar errores, discrepancias y
suposiciones incorrectas para corregir el
modelo.
Refina la representación del
sistema real.
23. Exploración de escenarios
alternativos
o
Evalúa diferentes condiciones y cambios
en variables para comprender el
comportamiento del sistema.
Identifica áreas clave de
intervención y políticas
adecuadas.
24.
25. El análisis de sensibilidad permite a las empresas
pronosticar el éxito o fracaso de un proyecto utilizando
datos confiables y certeros. Al estudiar todas las
variables y los posibles resultados, los directores de
proyectos pueden me tomar mejores decisiones
respecto al proyecto, el negocio o las inversiones.
27. DEFINICION
el modelo permite hacer predicciones. Es decir, alcanza un nivel de
precisión tan elevado que nos permite emplearlo para predecir con
exactitud qué valores tomarán algunas magnitudes en un instante de
tiempo determinado del futuro.
29. Ejemplo:
-Gestión de políticas públicas
(impacto social)
Ello no excluye que en
determinados problemas
de las ciencias sociales
puedan hacerse también
predicciones, pero estas
no suelen tener el
grado de aceptación de
las que se logran en las
ciencias físicas.
Supongamos que queremos evaluar el impacto
de diferentes niveles de inversión en educación
en los resultados académicos de los
estudiantes.
30. Una forma de utilizar los modelos, incluso si son imprecisos, es
analizando las tendencias de evolución de las magnitudes en
lugar de buscar predicciones numéricas precisas.
ejemplo de un modelo que intenta analizar la tendencia
de crecimiento de la población en una ciudad en los
próximos años.
31. En este caso, el objetivo es
determinar la dirección
en la que una magnitud se
mueve: si tiende a crecer,
decrecer, oscilar o
permanecer constante.
Si la línea que conecta los puntos
muestra un aumento constante,
podemos prever que la población
tiende a crecer en el futuro. Si la
línea muestra una disminución
constante, podemos prever que la
población tiende a disminuir.
33. El modelo del puesto de limonada mostrado a continuación explicaremos lo sensible que son los cambios en
los parámetros y valores iniciales de las poblaciones que contiene un ciclo de realimentación positivo.
1
34. CREDITS: This presentation template was created by Slidesgo,
including icons by Flaticon, infographics & images by Freepik
Gracias