ABIESsensi

Analyse de sensibilité
Pierre Barbillon1 , Hervé Monod2
1
AgroParisTech, pierre.barbillon@agroparistech.fr
2
INRA MiAIGE, Herve.Monod@jouy.inra.fr
Formation ABIES : modélisation des phénomènes dynamiques

10/03/2016
Plan
1 Introduction
2 Méthode de Morris
3 Plan d’expérience
4 Appui sur le modèle linéaire

Coefficients de corrélation
Analyse de la variance
5 Analyse de la variance fonctionnelle (FANOVA), méthode de Sobol

Indices de Sobol
Estimation des indices de Sobol
6 Conclusions et Extensions
7 Modèle MEV
P. Barbillon, H. Monod (AgroParisTech, INRA) Analyse de sensibilité Formation ABIES 2 / 66

Introduction
Plan
1 Introduction


Indices de Sobol
7 Modèle MEV

Introduction
Principe : modèle complexe
Incertitudes, variabilité sur Xi ⇒ conséquences sur Y (AI Analyse d’Incertitudes),

Quelles sont les Xi les plus influentes sur Y ? (AS Analyse de Sensibilité).

Introduction
Principe : modèle complexe

Introduction
Exemple : un modèle d’évolution temporelle
Modèle de dynamique de population de Verhulst, on étudiera le modèle pour différentes

valeurs de t fixées :
K
Yt = M(K , Y 0, a) =
1 + (K /Y0 − 1) exp(−a · t)
Domaine de variation :
var borne inf borne sup
K 100 1000
Y0 1 40
a 0.05 0.2

Introduction
Contexte
Modèle = “boı̂te noire”(forme analytique peut-être inconnue) :
Y = M(X1 , . . . , Xd )
avec
Xi facteur d’entrée continu (paramètre, variable d’entrée du modèle, valeur initiale,
etc.)
Objectif : mesurer l’importance globale sur Y des facteurs d’entrée Xi
sur toute une gamme de variation des Xi
avec le minimum d’hypothèses sur le modèle (“model-free”)
en intégrant les interactions
sous une possible contrainte d’un nombre limité d’appels au modèle
difficulté supplémentaire si le nombre d d’entrées est important

Introduction
Approche stochastique globale
On considérera les variables Xi ∈ [0, 1], ainsi
M : [0, 1]d → R .
Loi des entrées :
les variables d’entrées Xi sont indépendantes,
1 ≤ i ≤ n, Xi ∼ U [0, 1].
L’hypothèse Xi ∼ U [0, 1] n’est pas restrictive car
(−1)
Xi ∼ Fi (fonction de répartition), Fi (Xi ) ∼ U[0, 1] ,
(−1)
où Fi inverse généralisée de la fonction de répartition.
La corrélation des entrées est beaucoup plus délicate à gérer...
On fait varier les entrées suivant leur loi de probabilité pour mesurer l’effet sur
Y = M(X1 , . . . , Xd ).

Introduction
Buts, questions ?
classement des variables,

mesures des interactions entre variables,
effet linéaire ou d’ordre supérieur ?
réduction de la dimension des entrées du modèle.

Introduction
Structuration des facteurs
indices par facteur

Introduction
indices par groupe de facteurs

Méthode de Morris
Plan
1 Introduction


Indices de Sobol
7 Modèle MEV

Méthode de Morris
Méthode de Morris : But
Méthode de Morris :
méthode d’analyse de sensibilité globale
objectifs principaux
identifier les facteurs influents
classer les facteurs selon leur influence
méthode de criblage / screening
limite : difficulté pour séparer les interactions des effets non linéaires
méthode relativement économe en nombre d’appels au modèle.

Méthode de Morris
Méthode de Morris : plan d’expérience One-At-a-Time (OAT)

Discrétisation et trajectoires dans le plan (X1 , X2 ) :
1.0
●
P_2=(x'_1,x'_2)
0.8
● ●
0.6
X2
0.4
● ●
P_0=(x_1,x_2) P_1=(x'_1,x_2)
0.2
●
0.0
0.0 0.2 0.4 0.6 0.8 1.0
X1
q
Paramètres sur la figure : r = 2, q = 6, δ = 2(q−1)
= 0.6
Méthode de Morris
Méthode de Morris : plan d’expérience
Domaine d’intérêt : Ω = [0, 1]d
Échantillonnage ⇒ N = r × (d + 1) simulations
grille régulière : D = {0, 1
, 2 , . . . , 1}d
q−1 q−1
“un facteur à la fois” (OAT) et pas de longueur fixe ±δ
(k)
(x1 , . . . , xi−1 , xi , xi+1 , . . . , xd ) −→ (x1 , . . . , xi−1 , x0i
(k) (k) (k) (k) (k) (k) (k) (k)
, xi+1 , . . . , xd )
(k) (k)
r trajectoires P0 , . . . , Pd où X1 , . . . , Xd varient successivement
randomisation : pour chaque trajectoire
(k)
1 point de départ P0 tiré au hasard dans la grille
2 ordre de modification des entrées Xj = permutation aléatoire π(j)
optimisation space-filling des trajectoires

Méthode de Morris
Méthode de Morris : analyse (exemple)
Y = M(X1 , . . . , X10 ) = X1 + 6 · X2 − 3 · X4 + 5 · X1 · X9 − (2 · X8 − 1)2
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 Y ∆
1 0.75 0.25 0.62 0.00 0.38 0.50 0.88 0.25 0.25 0.38 2.38 .
2 0.75 0.25 0.62 0.00 0.38 0.50 0.88 0.25 0.00 0.38 2.19 -0.19
3 0.75 0.25 0.62 0.00 0.38 0.50 0.62 0.25 0.00 0.38 2.19 0.00
4 0.75 0.25 0.62 0.00 0.62 0.50 0.62 0.25 0.00 0.38 2.19 0.00
5 0.75 0.25 0.62 0.25 0.62 0.50 0.62 0.25 0.00 0.38 1.44 -0.75
6 0.75 0.25 0.38 0.25 0.62 0.50 0.62 0.25 0.00 0.38 1.44 0.00
7 0.75 0.25 0.38 0.25 0.62 0.25 0.62 0.25 0.00 0.38 1.44 0.00
8 0.75 0.25 0.38 0.25 0.62 0.25 0.62 0.25 0.00 0.12 1.44 0.00
9 1.00 0.25 0.38 0.25 0.62 0.25 0.62 0.25 0.00 0.12 1.69 0.25
10 1.00 0.25 0.38 0.25 0.62 0.25 0.62 0.50 0.00 0.12 1.50 -0.19
11 1.00 0.50 0.38 0.25 0.62 0.25 0.62 0.50 0.00 0.12 3.00 1.50
12 0.62 0.25 0.00 0.38 1.00 0.62 0.62 0.50 0.25 0.50 0.91 -2.09
···
110
r = 10 ⇒ 10 · (10 + 1) = 110 appels au modèle.

Méthode de Morris
Méthode de Morris : analyse
Mesures d’importance du facteur Xi , i = 1, . . . , d :

(k) (k)
(k)
M(Pπk (i−1) ) − M(Pπk (i) )
effet élémentaire : ∆i =
δ
r
1 X (k)
effet moyen : µi = ∆i
r
k=1
r
1 X (k)
effet absolu moyen : µ?i = |∆i |
r
k=1
mesure l’effet (moyen / global) de l’entrée Xi .
v
u r
u 1 X (k) 2
écart-type des effets élémentaires : σi = t ∆ i − µi
r −1
k=1
rend compte des interactions et/ou des effets non linéaires de l’entrée Xi .
avec k : numéro de trajectoire, r nombre de trajectoires, πk permutation de l’ordre des facteurs
pour la trajectoire k

Méthode de Morris
Méthode de Morris : interprétation graphique

Représentation de l’importance des facteurs dans le plan (µ? , σ) :
Y = M(X1 , . . . , X10 ) = X1 + 6 · X2 − 3 · X4 + 5 · X1 · X9 − (2 · X8 − 1)2
X8
X1
1.5
1.0
X9
σ
0.5
0.0
X3
X7
X6
X5
X10 X4 X2
0 1 2 3 4 5 6
µ*
x <- morris(model = fonctionmodele, factors = 10, r =10,

design = list(type = "oat", levels = 9, grid.jump = 2))
P.plot(x)
Barbillon, H. Monod (AgroParisTech, INRA) Analyse de sensibilité Formation ABIES 18 / 66
Plan d’expérience
Plan
1 Introduction


Indices de Sobol
7 Modèle MEV

Appels au modèle
Pour un domaine de variation donné des entrées X1 , . . . , Xd , on choisit les appels au

modèle M() pour un budget fixé N :
 
x1;1 . . . x1;d
DN =  . . . . . . . . .  ,
xN;1 . . . xN;d
et on calcule
y1 = M(x1;1 , . . . , x1;d )
 
..
y (DN ) =  .
 
.
yN = M(xN;1 , . . . , xN;d )
Plusieurs méthodes
Grille régulière (beaucoup d’appels si d est grand),
Méthode de Monte-Carlo (échantillonnage aléatoire uniforme),
Plan en hypercube latin (bonnes propriétés de projection),
Plans sous contraintes de bon remplissage du domaine.

Exemples N = 25, d = 2
grille régulière Echantillonnage Monte−Carlo
1.0
1.0
0.8
0.8
0.6
0.6
X2
X2
0.4
0.4
0.2
0.2
0.0
0.0
0.0 0.2 0.4 0.6 0.8 1.0 0.2 0.4 0.6 0.8 1.0
X1 X1
Hypercube Latin Hypercube Latin maximin

1.0
1.0
0.8
0.8
0.6
0.6
X2
X2
0.4
0.4
0.2
0.2
0.0
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
X1 X1

Appui sur le modèle linéaire
Plan
1 Introduction


Indices de Sobol
7 Modèle MEV

Appui sur le modèle linéaire Coefficients de corrélation
Plan
1 Introduction


Indices de Sobol
7 Modèle MEV

Coefficient de corrélation linéaire
Y = M(X1 , X2 , X3 . . . , Xd )
Coefficient de corrélation linéaire :

Cov (Y , Xi )
ρ(Y , Xi ) = √ √
VarY · VarXi
SRC (Standardized Regression Coefficient) :
s
Var(Xi )
SRCi = βi
Var(Y )
SRCi ∈ [−1, 1],

P
Si Y = β0 + i βi Xi , et Xi indépendantes
X
(SRCi )2 = 1 .
i
Coefficient de corrélation partielle :

(−i)
ρ(Y , Xi |X (−i) ) = ρ(Y − Ŷ (−i) , Xi − X̂i )

Qualité du modèle linéaire ?
coefficient de détermination
(Ŷk − Ȳ )2
P
2
R = SCM/SCT = Pk
k (Yk − Ȳ )
2
où
Ȳ = n1 k Yk ,
P
P
Ŷk = β̂0 + i β̂i Xi .
0 ≤ R 2 ≤ 1.
Choix des appels au modèle ?

Exemple
Y = M(X1 , . . . , X10 ) = X1 + 6 · X2 − 3 · X4 + 5 · X1 · X9 − (2 · X8 − 1)2
original bias std. error min. c.i. max. c.i.

1 0.438 2.089e-03 9.691e-03 0.416 0.455
2 0.736 5.443e-04 1.081e-02 0.715 0.756
3 -0.005 1.130e-05 5.212e-03 -0.014 0.006
4 -0.379 -4.052e-04 8.248e-03 -0.395 -0.360
5 -0.002 4.820e-04 4.792e-03 -0.011 0.008
6 -0.002 -4.050e-05 5.076e-03 -0.014 0.007
7 0.002 -7.328e-05 5.455e-03 -0.010 0.012
8 -0.000 -5.381e-04 5.802e-03 -0.012 0.012
9 0.309 5.336e-04 7.719e-03 0.292 0.325
10 0.004 -7.532e-04 5.253e-03 -0.007 0.016
R 2 = 0.95
x=src(X,Y,nboot=100)
plot(x)
print(x)

Appui sur le modèle linéaire Analyse de la variance
Plan
1 Introduction


Indices de Sobol
7 Modèle MEV

Modèle d’ANOVA
Exemple d’analyse de la variance à 3 facteurs
Yijk` = µ + αi + βj + γk + (αβ)ij + (βγ)jk + (αγ)ik + (αβγ)ijk + Eijk` ,

où
µ effet commun,
αi effet principal du 1er facteur pour la modalité i ∈ {1, . . . , I },
βj effet principal du 2nd facteur pour la modalité j ∈ {1, . . . , J},
γk effet principal du 3ème facteur pour la modalité k ∈ {1, . . . , K },
Eijk` résidus, hypothèses de normalité, d’homoscédasticité et d’indépendance
i.i.d.
Eijk` ∼ N (0, σ 2 ) .
contraintes d’identifiabilité à poser... (nombre de paramètres libres = I · J · K ).
Discrétisation des variables quantitatives en I , J, K niveaux...

Si le modèle M() est déterministe, l’indice de répétition ` est superflu.

Décomposition de la variance
SCT = SCM + SCR

(Yijk` − Ȳ )2 (Ŷijk` − Ȳ )2 (Yijk` − Ŷijk` )2
P P P
= +
où
[ + (βγ) 1 P
Ŷijk` = µ̂ + α̂i + β̂j + γ̂k + (αβ)ij
d + (αγ)
jk
d = Yijk• =
ik nijk ` Yijk`
1 P
Ȳ = n i,j,k,` Yijk`
Si le modèle M() est déterministe et si le modèle d’ANOVA est complet (toutes les
interactions prises en compte)
Eijk` = 0 , SCR = 0 , SCM = SCT .
Décomposition de la somme des carrés d’ANOVA :
SCM = SC (α) + SC (β) + SC (γ) + SC (αβ) + SC (βγ) + SC (αγ) + SC (αβγ) ,
effets principaux, interactions d’ordre 2, interaction d’ordre 3.

Plan d’expérience factoriel
Si le modèle M() est déterministe, les répétitions ne sont pas nécessaires.

Pour garantir la pertinence de la décomposition des sommes des carrés, le plan doit
être orthogonal.
Solution : plan factoriel complet :
Choix d’un nombre de niveaux I pour discrétiser les variables,
appel de toutes les configurations possibles ⇒ I d appels à M().
Plan factoriel fractionnaire,
limiter les appels en utilisant des garantissant l’estimation des interactions jusqu’à un
certain ordre,
package R planor,
dans le modèle d’ANOVA sans toutes les interactions, SCR mesure l’importance des
interactions négligées.
qualité de l’ANOVA partiel :
SCM SCR
R2 = =1− .
SCT SCT

Analyse de la variance fonctionnelle (FANOVA), méthode de Sobol
Plan
1 Introduction


Indices de Sobol
7 Modèle MEV

Analyse de la variance fonctionnelle (FANOVA), méthode de Sobol Indices de Sobol
Plan
1 Introduction


Indices de Sobol
7 Modèle MEV

Rappel des hypothèses
les variables d’entrées Xi sont indépendantes,

1 ≤ i ≤ n, Xi ∼ U [0, 1].
L’hypothèse Xi ∼ U [0, 1] n’est pas restrictive car

(−1)
Xi ∼ Fi (fonction de répartition), Fi (Xi ) ∼ U [0, 1] ,
(−1)
où Fi inverse généralisée de la fonction de répartition.

Espérance et variance conditionnelle
Y = M(X1 , . . . , Xi , . . . , Xd ) est-elle plus ou moins variable si Xi = xi fixée ?
Var(Y |Xi = xi ), méthode globale ⇒ E(Var(Y |Xi )) .
Si E(Var(Y |Xi )) est faible, fixer Xi réduit la variabilité de Y donc Xi est influente !
Théorème de la variance totale :
Var(Y ) = E(Var(Y |Xi )) + Var(E(Y |Xi )) ,
a contrario si Xi est influente, Var(E(Y |Xi )) est grande.

Indices de Sobol du premier ordre
Var(E(Y |Xi ))
Si =
Var(Y )
Généralisation
Pdes SRC,
si Y = β0 + i βi Xi ,
βi2 Var(Xi )
Si = SCRi2 = .
Var(Y )

Décomposition de la variance fonctionnelle
Décomposition de la fonction (x1 , . . . , xd ) ∈ [0, 1]d 7→ Y = M(x1 , . . . , xd )

d
X X
M(x1 , . . . , xd ) = M0 + Mi (xi ) + Mi,j (xi , xj ) + . . . + M1,...,d (x1 , . . . , xd ) ,
i=1 1≤i,j≤d
Sous les contraintes

M0 constante,
∀1 ≤ r ≤ d, ∀1 ≤ i1 < i2 . . . < ir ≤ d, ∀1 ≤ s ≤ r ,
Z 1
Mi1 ,...,ir (xi1 , . . . , xir )dxis = 0 .
0

Décomposition de la variance fonctionnelle
i.i.d.
X1 , . . . , Xd ∼ U [0, 1]
Xd X
Y = M(X1 , . . . , Xd ) = M0 + Mi (Xi )+ Mi,j (Xi , Xj )+. . .+M1,...,d (X1 , . . . , Xd ) ,
i=1 1≤i,j≤d
M0 = E(Y ),
Mi (Xi ) = E(Y |Xi ) − E(Y ),
i 6= j, Mi,j (Xi , Xj ) = E(Y |Xi , Xj ) − Mi (Xi ) − Mj (Xj ) − M0
...
X X
Var(Y ) = Var(Mi (Xi )) + Mi,j (Xi , Xj ) + · · · + VarM1,...,d (X1 , . . . , Xd ) .
i i6=j

Définition des indices de Sobol
premier ordre :
Var(Mi (Xi )) E((E(Y |Xi ) − E(Y ))2 )
Si = =
Var(Y ) Var(Y )
second ordre
Var(Mi,j (Xi , Xj ))
Si,j =
Var(Y )
···
Propriété : X X
Si + Si,j + · · · + S1,...,d = 1
i i6=j

Indices totaux
X
i = 1, . . . , d, S Ti = Su ,
u∈P({1,...,d},i∈u
en utilisant le théorème de la variance totale :
E(Var(Y |X(−i) )) Var(E(Y |X(−i) ))

S Ti = =1− ,
Var(Y ) Var(Y )
où X(−i) = X1 , . . . , Xi−1 , Xi+1 , . . . , Xd .

indices par facteur

indices par groupe de facteurs

Analyse de la variance fonctionnelle (FANOVA), méthode de Sobol Estimation des indices de Sobol
Plan
1 Introduction


Indices de Sobol
7 Modèle MEV

Calcul / estimation des indices de Sobol
Calcul exact des indices de Sobol souvent impossible (intégrale de grande dimension,
forme non analytique du modèle...)
2 méthodes pour les approcher :

Échantillonnage de Monte-Carlo
Décomposition du modèle sur une base fonctionnelle...

Méthode de Sobol
Méthode de Sobol, version Saltelli (2002) : quasi-répétitions

base : 2 échantillonnages Monte Carlo ou LHS, A et B, de taille N
simulations : sur N(d + 2) combinaisons des facteurs calculées à partir de A et B
estimation des indices par calcul vectoriel
évaluation de la précision par répétition ou bootstrap
Remarque : étude par simulations dans Saltelli et al., 2010

Méthode Sobol-Saltelli2002 : plan d’expériences
 Monte-Carlo 
xA,1;1 . . . xA,1;d Combinaisons
A =  ... ... ...  → Ci =
xA,N;1 . . . xA,N;d  
xA,1;1 . . . xB,1;i . . . xA,1;d
 ... ... ... ... ... 
 Monte-Carlo  xA,N;1 . . . xB,N;i . . . xA,N;d
xB,1;1 . . . xB,1;d
B =  ... ... ...  pour i = 1, . . . , d
xB,N;1 . . . xB,N;d
=⇒ N × (2 + d) appels à M()

Méthode sobol2002 : estimation
=⇒ estimation de STi à partir de A et Ci



xA,1;1 ... xA,1;i ... xA,1;d
 yA,1
M  . 
A =  ... ... ... ... ...  → YA = .. 
xA,N;1 ... xA,N;i ... xA,N;d yA,N
 

xA,1;1 ... xB,1;i ... xA,1;d
 yCi ,1
M .. 
Ci =  . . . ... ... ... ...  → YCi =

. 
xA,N;1 ... xB,N;i ... xA,N;d yCi ,N


xB,1;1 ... xB,1;i ... xB,1;d
 yB,1
M  . 
B =  ... ... ... ... ...  → YB = .. 
xB,N;1 ... xB,N;i ... xB,N;d yB,N
=⇒ estimation de Si à partir de B et Ci

Estimation
N
1 X
V̂i = yB,k (yCi ,k − yA,k )
N
k=1
estime Var(E(Y |Xi ) − E(Y )),
N
1 X
V̂−(i) = yA,k (yA,k − yCi ,k )
N
k=1
estime Var(Y ) − Var(E(Y |X−(i) )) = E(Var(Y |X−(i) ))

Ainsi, pour V̂ un estimateur de la variance totale V (Y ), on a
V̂i
Ŝi = ,
V̂
V̂−(i)
ŜTi = .
V̂

Méthode sobol2002 : précautions
Les indices obtenus par calcul numérique sont des estimations :

propriétés de non-biais et de convergence
mais risque d’imprécision suivant la qualité et la taille de l’échantillonnage
l’estimation de l’indice d’un facteur peut être négative (surtout pour des facteurs peu
influents)
l’estimation de l’indice total d’un facteur peut être inférieure à celle de son indice
principal
nécessité d’estimer la précision
→ par bootstrap

Exemple
Y = M(X1 , . . . , X10 ) = X1 + 6 · X2 − 3 · X4 + X1 · X9 − X8 2
1.0
main effect
total effect
0.8
0.6
0.4
0.2
0.0
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10
x <- sobol2002(model = fonctionmodele, X1, X2, nboot = 100)

print(x)
plot(x)
N = 500 ⇒ (d + 2) · N = 6000 appels.

Indices du premier ordre et totaux
Y = M(X1 , . . . , X10 ) = X1 + 6 · X2 − 3 · X4 + X1 · X9 − X8 2

X1 0.121 7.877e-03 4.944e-02 0.016 0.208
X2 0.428 3.386e-03 7.034e-02 0.263 0.557
X3 0.003 4.086e-05 2.558e-04 0.003 0.004
X4 0.099 7.491e-03 3.966e-02 0.008 0.159
X5 0.003 4.086e-05 2.558e-04 0.003 0.004
X6 0.003 4.086e-05 2.558e-04 0.003 0.004
X7 0.003 4.086e-05 2.558e-04 0.003 0.004
X8 0.007 8.993e-04 9.895e-03 -0.012 0.028
X9 0.057 2.220e-04 3.289e-02 -0.020 0.125
X10 0.003 4.086e-05 2.558e-04 0.003 0.004

X1 0.223 -7.281e-03 5.323e-02 0.120 0.338
X2 0.475 4.522e-04 6.197e-02 0.342 0.602
X3 -0.003 -6.333e-06 2.743e-04 -0.004 -0.002
X4 0.091 -7.207e-03 3.680e-02 0.037 0.180
X5 -0.003 -6.333e-06 2.743e-04 -0.004 -0.002
X6 -0.003 -6.333e-06 2.743e-04 -0.004 -0.002
X7 -0.003 -6.333e-06 2.743e-04 -0.004 -0.002
X8 0.016 1.614e-03 1.175e-02 -0.010 0.036
X9 0.132 -4.366e-03 3.840e-02 0.067 0.228
X10 -0.003 -6.333e-06 2.743e-04 -0.004 -0.002

Conclusions et Extensions
Plan
1 Introduction


Indices de Sobol
7 Modèle MEV

Conclusions
différentes méthodes à utiliser dans des contextes différents, conclusions plus ou
moins fortes,
choix d’un échantillonnage en adéquation avec la méthode retenue,
Extensions
Modèle coûteux, utilisation d’un métamodèle (approximation rapide),
Modèle à sorties multidimensionnelles : temporel, spatial, ...
dépendance entre les entrées.

Références
Cukier R.I., Schaibly J.H. and Shuler K.E. (1975). Study of the sensitivity of coupled
reaction systems to uncertainties in rate coefficients. III. Analysis of the
approximations. The Journal of Chemical Physics, 63, 1140-1149. référence
historique sur FAST
Da Veiga S., Wahl F., Gamboa F. (2009). Local polynomial estimation for sensitivity
analysis for models with correlated inputs. Technometrics. méthode pour entrées
corrélées
Faivre R, Iooss B, Mahévas S, Makowski D, Monod H (éd.), 2013. Analyse de
sensibilité et exploration de modèles. Application aux sciences de la nature et de
l’environnement. Editions Quae, Versailles.
Ginot V., Gaba S., Beaudouin R., Aries F., Monod H. (2006). Combined use of local
and ANOVA-based global sensitivity analyses for the investigation of a stochastic
dynamic model : application to the case study of an individual-based model of a fish
population. Ecological Modelling 193, 479-491. application de méthodes d’AS
locales et globales
Hoeffding W. (1948). A class of statistics with asymptotically normal distribution.
Annals of Mathematical Statistics, 19, 293-325. référence historique sur la
décomposition d’une fonction de variables par espérances conditionnelles
Iooss B., Ribatet M. (2009). Global sensitivity analysis of computer models with
functional inputs. Reliability Engineering and System Safety, 94, 1194-1204. analyse
de sensibilité pour des facteurs d’entrée
P. Barbillon, H. Monod (AgroParisTech, INRA)
complexes
Analyse de sensibilité Formation ABIES 53 / 66
Références
Ishigami T. and Homma T. (1989). An importance quantification technique in

uncertainty analysis for computer models. Japan Atomic Energy Research Institute
Report JAERI-M 89-111. article de référence sur les indices de sensibilité
Lamboni M., Makowski D., Lehuger S., Gabrielle B., Monod H. (2009). Multivariate
global sensitivity analysis for dynamic crop models. Fields Crop Research, 113,
312-320. analyse de sensibilité pour sorties multivariées
Lurette A., Touzeau S., Lamboni M. Monod H. (2009). Sensitivity analysis to
identify key parameters influencing Salmonella infection in a pig batch. Journal of
Theoretical Biology, 258, 43-52. analyse de sensibilité pour sorties multivariées
Makowski D., Naud C., Monod H., Jeuffroy M.-H., Barbottin A. (2006). Global
sensitivity analysis for calculating the contribution of genetic parameters to the
variance of crop model prediction. Reliability Engineering and System Safety91,
1142–1147. comparaison de méthodes par simulations sur un modèle
Monod h., Naud, C., Makowski, D. (2006). Uncertainty and sensitivity analysis for
crop models. In : Working with Dynamic Crop Models, Evaluation, Analysis,
Parameterization, and Applications (Wallach, D., Makowski, D., Jones, J.W. Eds),
Chapter 4, pp. 55-100. Elsevier : Amsterdam. revue sur les méthodes d’analyse de
sensibilité et d’incertitude

Références
Petropoulos G., Wooster M.J., Carlson T.N. Kennedy M.C., Scholze M. (2009). A
global Bayesian sensitivity analysis of the 1d SimSphere soil-vegetation-atmospheric
transfer (SVAT) model using Gaussian model emulation. Ecological Modelling, x.
analyse de sensibilité via un méta-modèle de processus gaussien et une approche
bayésienne-
Pujol G., Iooss B. (2008). The sensitivity package, v1.4-0. Documentation d’un
package R accessible sur le Web.
Saltelli A., Tarantola S., and Chan K. (1999). A quantitative model-independent
method for global sensitivity analysis of model output. Technometrics, 41, 39–56.
introduction de FAST étendue
Saltelli A. (2002). Making best use of model evaluations to compute sensitivity
indices. Computer Physics Communications, 145, 280-297. amélioration de la
méthode de Sobol
Saltelli A., Ratto M., Andres T., Campolongo F., Cariboni J., Gatelli D., Saisana M.,
Tarantola S. (2008). Global Sensitivity Analysis. The Primer. Wiley. ouvrage de
synthèse le plus récent
Saltelli A., Annoni P., Azzini I., Campolongo F., Ratto M., Tarantola S. (2010).
Variance based sensitivity analysis of model output. Design and estimator for the
total sensitivity index. Computer Physics Communications, 181, 259-270.
comparaison par simulations de variantes de la méthode de Sobol-Saltelli
Références
Sobol, I.M. (1993). Sensitivity analysis for non-linear mathematical models.

Mathematical Modelling and Computer Experiments 1, 407–414. référence sur le
calcul des indices de sensibilité
Storlie C.B., Swiler L.P., Helton J.C., Sallaberry C.J. (2009). Implementation and
evaluation of nonparametric regression procedures for sensitivity analysis of
computationally demanding models. Reliability Engineering and System Safety, 94,
1735-1763. analyse de sensibilité via un méta-modèle non paramétrique
Sudret B. (2008). Global sensitivity analysis using polynomial chaos expansions.
Reliability Engineering and System Safety, 93, 964-979. analyse de sensibilité via un
méta-modèle
Tarantola S., Gatelli D., Mara T. (2006). Random balance designs for the estimation
of first order indices. Reliability Engineering and System Safety, 91, 717-727.
variante récente de la méthode FAST

Modèle MEV
Plan
1 Introduction


Indices de Sobol
7 Modèle MEV

Modèle MEV
Exemple : un modèle d’évolution temporelle
Modèle de dynamique de population de Verhulst, on étudiera le modèle pour différentes

valeurs de t fixées :
K
Yt = M(K , Y 0, a) =
1 + (K /Y0 − 1) exp(−a · t)
Domaine de variation :
var borne inf borne sup
K 100 1000
Y0 1 40
a 0.05 0.2

Modèle MEV
Exemple : modèle d’évolution temporelle
400
300 K=400, Y0=20
ME
200
100
a=0.1
a=0.05
a=0.2
0 20 40 60 80 100
T

Modèle MEV
Méthode de Morris : Application au modèle MEV temps t = 5
K
Yt = M(K , Y 0, a) =
1 + (K /Y0 − 1) exp(−a · t)
a
16
Y0
14
12
σ
10
8
6
4
10 20 30 40 50 60 70
µ*

Modèle MEV
K
Yt = M(K , Y 0, a) =
1 + (K /Y0 − 1) exp(−a · t)
K
350
a
300
250
σ
200
150
Y0
200 250 300

µ*

Modèle MEV
K
Yt = M(K , Y 0, a) =
1 + (K /Y0 − 1) exp(−a · t)
a
340
320
300
K
σ
280
260
240
Y0
220
200 300 400 500 600

µ*

Modèle MEV
Application au modèle MEV : t = 5, 30, 80
K
Yt = M(K , Y 0, a) =
1 + (K /Y0 − 1) exp(−a · t)
SRC
2 K 0.10
t = 5, R = 0.91,
Y0 0.90
a 0.30
SRC
2 K 0.48
t = 30, R = 0.67,
Y0 0.38
a 0.54
SRC
2 K 0.84
t = 80, R = 0.80,
Y0 0.17
a 0.28

Modèle MEV
Méthode de Sobol : Application au modèle MEV temps t = 5
K
Yt = M(K , Y 0, a) =
1.0 1 + (K /Y0 − 1) exp(−a · t)
main effect
total effect
0.8
0.6
0.4
0.2
0.0
K Y0 a

Modèle MEV
K
Yt = M(K , Y 0, a) =
1.0 1 + (K /Y0 − 1) exp(−a · t)
main effect
total effect
0.8
0.6
0.4
0.2
0.0
K Y0 a

Modèle MEV
K
Yt = M(K , Y 0, a) =
1.0 1 + (K /Y0 − 1) exp(−a · t)
main effect
total effect
0.8
0.6
0.4
0.2
0.0
K Y0 a

ABIESsensi

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

ABIESsensi

Transféré par

Droits d'auteur :

Formats disponibles

Analyse de sensibilité

Pierre Barbillon1 , Hervé Monod2

Formation ABIES : modélisation des phénomènes dynamiques

4 Appui sur le modèle linéaire

5 Analyse de la variance fonctionnelle (FANOVA), méthode de Sobol

P. Barbillon, H. Monod (AgroParisTech, INRA) Analyse de sensibilité Formation ABIES 2 / 66

4 Appui sur le modèle linéaire

5 Analyse de la variance fonctionnelle (FANOVA), méthode de Sobol

P. Barbillon, H. Monod (AgroParisTech, INRA) Analyse de sensibilité Formation ABIES 3 / 66

Principe : modèle complexe

Incertitudes, variabilité sur Xi ⇒ conséquences sur Y (AI Analyse d’Incertitudes),

P. Barbillon, H. Monod (AgroParisTech, INRA) Analyse de sensibilité Formation ABIES 4 / 66

Principe : modèle complexe

P. Barbillon, H. Monod (AgroParisTech, INRA) Analyse de sensibilité Formation ABIES 5 / 66

Exemple : un modèle d’évolution temporelle

Modèle de dynamique de population de Verhulst, on étudiera le modèle pour différentes

P. Barbillon, H. Monod (AgroParisTech, INRA) Analyse de sensibilité Formation ABIES 6 / 66

Modèle = “boı̂te noire”(forme analytique peut-être inconnue) :

P. Barbillon, H. Monod (AgroParisTech, INRA) Analyse de sensibilité Formation ABIES 7 / 66

Approche stochastique globale

On considérera les variables Xi ∈ [0, 1], ainsi

P. Barbillon, H. Monod (AgroParisTech, INRA) Analyse de sensibilité Formation ABIES 8 / 66

classement des variables,

P. Barbillon, H. Monod (AgroParisTech, INRA) Analyse de sensibilité Formation ABIES 9 / 66

Structuration des facteurs

indices par facteur

P. Barbillon, H. Monod (AgroParisTech, INRA) Analyse de sensibilité Formation ABIES 10 / 66

Structuration des facteurs

indices par groupe de facteurs

P. Barbillon, H. Monod (AgroParisTech, INRA) Analyse de sensibilité Formation ABIES 11 / 66

4 Appui sur le modèle linéaire

5 Analyse de la variance fonctionnelle (FANOVA), méthode de Sobol

P. Barbillon, H. Monod (AgroParisTech, INRA) Analyse de sensibilité Formation ABIES 12 / 66

Méthode de Morris : But

P. Barbillon, H. Monod (AgroParisTech, INRA) Analyse de sensibilité Formation ABIES 13 / 66

Méthode de Morris : plan d’expérience One-At-a-Time (OAT)

0.0 0.2 0.4 0.6 0.8 1.0

Méthode de Morris : plan d’expérience

Domaine d’intérêt : Ω = [0, 1]d

P. Barbillon, H. Monod (AgroParisTech, INRA) Analyse de sensibilité Formation ABIES 15 / 66

Méthode de Morris : analyse (exemple)

Y = M(X1 , . . . , X10 ) = X1 + 6 · X2 − 3 · X4 + 5 · X1 · X9 − (2 · X8 − 1)2

r = 10 ⇒ 10 · (10 + 1) = 110 appels au modèle.

P. Barbillon, H. Monod (AgroParisTech, INRA) Analyse de sensibilité Formation ABIES 16 / 66

Méthode de Morris : analyse

Mesures d’importance du facteur Xi , i = 1, . . . , d :

P. Barbillon, H. Monod (AgroParisTech, INRA) Analyse de sensibilité Formation ABIES 17 / 66

Méthode de Morris : interprétation graphique

Y = M(X1 , . . . , X10 ) = X1 + 6 · X2 − 3 · X4 + 5 · X1 · X9 − (2 · X8 − 1)2

x <- morris(model = fonctionmodele, factors = 10, r =10,

4 Appui sur le modèle linéaire

5 Analyse de la variance fonctionnelle (FANOVA), méthode de Sobol

P. Barbillon, H. Monod (AgroParisTech, INRA) Analyse de sensibilité Formation ABIES 19 / 66

Pour un domaine de variation donné des entrées X1 , . . . , Xd , on choisit les appels au

P. Barbillon, H. Monod (AgroParisTech, INRA) Analyse de sensibilité Formation ABIES 20 / 66

grille régulière Echantillonnage Monte−Carlo

Hypercube Latin Hypercube Latin maximin

P. Barbillon, H. Monod (AgroParisTech, INRA) Analyse de sensibilité Formation ABIES 21 / 66

4 Appui sur le modèle linéaire

5 Analyse de la variance fonctionnelle (FANOVA), méthode de Sobol

P. Barbillon, H. Monod (AgroParisTech, INRA) Analyse de sensibilité Formation ABIES 22 / 66

4 Appui sur le modèle linéaire

5 Analyse de la variance fonctionnelle (FANOVA), méthode de Sobol

P. Barbillon, H. Monod (AgroParisTech, INRA) Analyse de sensibilité Formation ABIES 23 / 66