En este momento estás viendo Análisis de sensibilidad

¿Qué es el análisis de sensibilidad?

El análisis de sensibilidad determina la influencia de diferentes valores de variables independientes sobre una variable dependiente dada bajo un conjunto particular de supuestos. Es decir, los análisis de sensibilidad estudian cómo las diferentes fuentes de incertidumbre en un modelo matemático contribuyen a la incertidumbre general del modelo. Esta técnica se utiliza dentro de límites específicos que dependen de una o más variables de entrada.

El análisis de sensibilidad se utiliza en el mundo empresarial y en el campo de la economía. Es comúnmente utilizado por analistas financieros y economistas, y también se llama análisis «si».

Conclusiones clave

  • El análisis de sensibilidad determina la influencia de diferentes valores de variables independientes sobre una variable dependiente dada bajo un conjunto particular de supuestos.
  • Este modelo también se denomina análisis de simulación o simulación.
  • El análisis de sensibilidad se puede utilizar para ayudar a hacer predicciones sobre los precios de las acciones de las empresas que cotizan en bolsa o cómo las tasas de interés afectan los precios de los bonos.
  • El análisis de sensibilidad permite pronosticar utilizando datos históricos y reales.

Cómo funciona el análisis de sensibilidad

El análisis de sensibilidad es un modelo financiero que determina el impacto de las variables objetivo en función de cambios en otras variables llamadas variables de entrada. Este modelo también se denomina análisis de simulación o simulación. Es una forma de predecir el resultado de una decisión a la luz de un rango particular de variables. Al crear un conjunto particular de variables, los analistas pueden determinar cómo los cambios en una variable afectan el resultado.

Las variables objetivo y de entrada, o independientes y dependientes, se analizan completamente cuando se realiza el análisis de sensibilidad. La persona que realiza el análisis observa cómo se mueven las variables y cómo la variable de entrada afecta al objetivo.

El análisis de sensibilidad se puede utilizar para predecir los precios de las acciones de las empresas públicas. Algunas de las variables que afectan los precios de las acciones incluyen las ganancias de la empresa, el número de acciones en circulación, las relaciones deuda-capital (D / E) y el número de competidores en la industria. El análisis de los precios futuros de las acciones se puede refinar haciendo diferentes supuestos o agregando diferentes variables. Este modelo también se puede utilizar para determinar el efecto de los cambios en las tasas de interés sobre los precios de los bonos. En este caso, las tasas de interés son la variable independiente y los precios de los bonos son la variable dependiente.

Los inversores también pueden utilizar el análisis de sensibilidad para determinar los efectos de diversas variables en el rendimiento de sus inversiones.

El análisis de sensibilidad permite pronosticar utilizando datos históricos y reales. Al estudiar todas las variables y los resultados potenciales, se pueden tomar decisiones importantes sobre las empresas, la economía y la realización de inversiones.

1:48

Análisis de sensibilidad

Ejemplo de análisis de sensibilidad

Supongamos que Sue es una directora de ventas que quiere comprender el impacto del tráfico de clientes en las ventas generales. Ella determina que las ventas son una función del precio y el volumen de transacciones. El precio del widget es de $ 1,000 y el año pasado Sue vendió 100 de un total de $ 100,000 en ventas. Sue también encuentra que un aumento del 10% en el tráfico de clientes aumenta el volumen de transacciones en un 5%. Esto le permite construir un modelo financiero y un análisis de sensibilidad en torno a esta ecuación en función de las declaraciones de lo que sucede. Puede decirle qué sucede con sus ventas si el tráfico de clientes aumenta un 10%, 50% o 100%. Con base en 100 transacciones actuales, un aumento del 10%, 50% o 100% en el tráfico de clientes equivale a un aumento del 5%, 25% o 50% en las transacciones, respectivamente. El análisis de sensibilidad muestra que las ventas son muy sensibles a los cambios en el tráfico de clientes.

Análisis de sensibilidad vs.Caso

En finanzas, el análisis de sensibilidad se crea para comprender el impacto de una variedad de variables en un resultado en particular. Es importante señalar que el análisis de sensibilidad no es lo mismo que el análisis de casos. Por ejemplo, se ha asumido que los analistas de acciones buscan analizar la sensibilidad y el análisis de escenarios del impacto de las ganancias por acción (EPS) en la valoración relativa de una empresa utilizando el plural de precio a ganancias (P / E).

El análisis de sensibilidad se basa en las variables que afectan la valoración, que un modelo financiero puede ilustrar utilizando el precio de las variables y EPS. El análisis de sensibilidad aísla estas variables y luego registra el rango de posibles resultados. Por otro lado, para el análisis de casos, el analista decide un escenario particular como una caída del mercado de valores o un cambio en la regulación de la industria. Luego cambia las variables dentro del modelo para alinearlas con ese escenario. Juntos, el analista tiene una imagen completa. Ahora conoce la gama completa de resultados, frente a todos los extremos, y comprende las consecuencias, dado un conjunto específico de variables definidas por escenarios de la vida real.

Ventajas y limitaciones del análisis de sensibilidad

El análisis de sensibilidad proporciona una serie de beneficios a los responsables de la toma de decisiones. Primero, sirve como un estudio en profundidad de todas las variables. Debido a que es más profundo, las predicciones pueden ser mucho más confiables. En segundo lugar, permite a los responsables de la toma de decisiones identificar dónde podrían realizar mejoras en el futuro. En última instancia, permite la capacidad de tomar decisiones acertadas sobre las empresas, la economía o sus inversiones.

Pero existen algunas desventajas al usar un modelo como este. Todos los resultados se basan en suposiciones porque todas las variables se basan en datos históricos. Esto significa que no es preciso, por lo que puede haber muchos errores al aplicar el análisis a predicciones futuras.