Come si usa l’analisi di sensibilità?

L’analisi di sensibilità è un metodo di analisi che viene usato per identificare quanto le variazioni dei valori di input per una data variabile avranno un impatto sui risultati di un modello matematico. L’analisi di sensibilità può essere applicata in diverse discipline, tra cui l’analisi aziendale, gli investimenti, gli studi ambientali, l’ingegneria, la fisica e la chimica.

Comprendere l’analisi di sensibilità

L’analisi di sensibilità riguarda l’incertezza inerente ai modelli matematici in cui i valori degli input usati nel modello possono variare. È lo strumento analitico che accompagna l’analisi dell’incertezza, e i due sono spesso usati insieme. Tutti i modelli composti e gli studi eseguiti, per trarre conclusioni o inferenze per le decisioni politiche, si basano su presupposti riguardanti la validità degli input usati nei calcoli.

Per esempio, nella valutazione delle azioni, il rapporto return on assets (ROA) presuppone che un calcolo valido e accurato delle attività di una società possa essere calcolato e che sia ragionevole analizzare i profitti, o i rendimenti, riguardanti le attività come mezzo per valutare una società a scopo di investimento.

Le conclusioni tratte da studi o calcoli matematici possono essere significativamente alterate, a seconda di cose come la definizione di una certa variabile o i parametri scelti per uno studio. Quando i risultati di uno studio o di un calcolo non cambiano significativamente a causa di variazioni nelle ipotesi sottostanti, sono considerati robusti. Se le variazioni negli input o negli assunti di base cambiano significativamente i risultati, l’analisi di sensibilità può essere impiegata per determinare come i cambiamenti negli input, nelle definizioni o nella modellazione possono migliorare l’accuratezza o la robustezza di qualsiasi risultato.

Come viene usata l’analisi di sensibilità

L’analisi di sensibilità può essere utile in varie situazioni, comprese le previsioni o le previsioni e l’identificazione di dove devono essere fatti miglioramenti o regolazioni in un processo. Tuttavia, l’uso di dati storici può a volte portare a risultati imprecisi quando si fa una previsione, poiché i risultati passati non portano necessariamente a risultati futuri. Di seguito ci sono alcune applicazioni comuni dell’analisi di sensibilità.

Return on Investment

In un contesto aziendale, l’analisi di sensibilità può essere usata per migliorare le decisioni basate su certi calcoli o modellizzazioni. Un’azienda può usare l’analisi di sensibilità per identificare i migliori dati da raccogliere per le analisi future, per valutare le ipotesi di base riguardanti gli investimenti e il ritorno sugli investimenti (ROI), o per ottimizzare l’allocazione di beni e risorse.

Un semplice esempio di analisi di sensibilità usata negli affari è un’analisi dell’effetto dell’inclusione di una certa informazione nella pubblicità di un’azienda, confrontando i risultati di vendita di annunci che differiscono solo per il fatto di includere o meno quella specifica informazione.

Modelli climatici

I modelli informatici sono comunemente usati nelle previsioni meteorologiche, ambientali e dei cambiamenti climatici. L’analisi della sensibilità può essere usata per migliorare tali modelli analizzando come vari metodi di campionamento sistematico, input e parametri del modello influenzino l’accuratezza dei risultati o le conclusioni ottenute dai modelli informatici.

Ricerca scientifica

Le discipline della fisica e della chimica spesso impiegano l’analisi della sensibilità per valutare risultati e conclusioni. L’analisi di sensibilità si è dimostrata particolarmente utile nella valutazione e nell’aggiustamento di modelli cinetici che implicano l’uso di diverse equazioni differenziali. L’importanza dei vari input e gli effetti della varianza negli input sui risultati del modello possono essere analizzati.

Ingegneria

E’ una pratica standard in ingegneria usare modelli di computer per testare il design delle strutture prima che siano costruite. L’analisi della sensibilità aiuta gli ingegneri a creare progetti più affidabili e robusti valutando i punti di incertezza o le ampie variazioni dei possibili input e i loro corrispondenti effetti sulla fattibilità del modello. Il perfezionamento dei modelli informatici può avere un impatto significativo sull’accuratezza delle valutazioni di cose come la capacità di stress dei ponti o i rischi di tunneling.