Analyse de sensibilité de modèle

Nous allons maintenant présenter l’analyse de sensibilité de modèles. Pour cela, nous
commencerons par expliquer le principe de l’analyse de sensibilité et son intérêt.
Ensuite, nous illustrerons une méthode particulière qui est la méthode de Morris.

1
 Analyse de sensibilité : principe

Pour rappel dans ce module, nous considérons le modèle comme une “boîte noire”.
C’est-à-dire que l’on ne s’intéresse pas aux équations mais qu’on utilise le modèle
comme un outil qui permet à partir de variables d’entrées et de paramètres de
produire des sorties qui sont nos variables d’intérêt. En tirant aléatoirement des
valeurs de paramètres puis en simulant le modèle avec les valeurs tirées
aléatoirement, on obtient une distribution de la variable de sortie, c’est ce que l’on
appelle la propagation des incertitudes des paramètres sur la variable de sortie. On
peut alors chercher à imputer la variabilité de cette sortie à chacun des paramètres,
ce qui permet, par exemple, d’identifier quel paramètre est le plus influent sur la
sortie.

2
 Analyse de sensibilité : principe

L’analyse de sensibilité formelle consiste donc à calculer des indices de sensibilité

pour chacun des paramètres.

3
 Méthode de Morris
Paramètre 1

Paramètre 2
4

Pour illustrer le principe de l'analyse de sensibilité, nous allons présenter le

fonctionnement d’une méthode particulière, la méthode de Morris. Nous
présenterons la méthode sur deux paramètres mais elle se généralise à plus de
paramètres. La première étape consiste à discrétiser l’espace. Deux jeux de
paramètres, qui ont en commun la même valeur pour le paramètre 2, sont simulés ce
qui donne deux valeurs de sortie (y1 et y2). Puisque la seule différence entre les deux
jeux de paramètres est la valeur du paramètre 1, la différence entre y1 et y2 ne peut
être imputée qu’à la variation de la valeur du paramètre 1, c’est ce qu’on appelle un
effet élémentaire du paramètre 1. En rajoutant un jeu de paramètres pour lequel la
valeur du paramètre 1 est la même que celle du deuxième jeu de paramètres, on
peut également calculer un effet élémentaire pour le paramètre 2. On peut dès lors
comparer les effets élémentaires des deux paramètres et l’importance relative des
deux paramètres sur la sortie. Seulement, on ne peut pas conclure à partir de ces
seules 3 simulations et il faut calculer plus d’effets élementaires sur l’espace des
paramètres.

4
 Méthode de Morris

∗
| | | |
3
Paramètre 1

, ,| |)

∗
| | | |
3
, ,| |
Paramètre 2
5

Au final les indices de sensibilité calculés sont mu* qui représentent la moyenne des
effets élémentaires et peuvent être utilisés pour comparer la contribution des 2
paramètres. Et les indices sigma qui sont les écarts type des effets élémentaires et qui
représentent les non linéarités du modèle ainsi que les intéractions entre les
paramètres.

5
 Méthode de Morris
Paramètre 1

Paramètre 2

Paramètre 1

Paramètre 2
6

C’est ce type de représentation (à droite) que l’on utilise souvent, où on a mu* en

abscisse et sigma en ordonnées pour chacun des paramètres. Les paramètres
localisés en haut à droite (ici Paramètre 2) sont les plus influents sur la variable de
sortie étudiée.

6
 7

Nous venons d’illustrer une méthode en particulier qui est la méthode de Morris,
mais il en existe d’autres, et en particulier les méthodes basées sur la décomposition
de la variance de Sobol, qui sont fondées sur des propriétés mathématiques mieux
établies. Ce diagramme qualitatif propose de choisir une méthode en fonction du
temps que l’on dispose, donné en nombre de simulation et des propriétés supposées
du modèle. Une possibilité, par exemple, est d’utiliser dans une première étape des
méthodes de Morris pour analyser un grand nombre de paramètres et d’utiliser des
méthodes de Sobol pour analyser plus finement le comportement de paramètres
identifiés comme les plus influents lors de la première étape.

7
 Choix de la méthode

Outils:
Package R sur le CRAN : “sensitivity”

Analyse de sensibilité et exploration de modèles. 2013. R Faivre et al. (éditions quae) 8

Pour finir, et pour mettre en oeuvre une analyse de sensibilité, le paquet R

‘sensitivity’ propose la plupart des méthodes listées ici.

8
Cette ressource pédagogique a été réalisée par un collectif de scientifiques : Jacques-Eric Bergez, Julie Constantin, Stéphane Couture, Patrice Loisel, Hélène Raynal,
Rodolphe Sabatier, Masoomeh Taghipoor, Ronan Trepos

Ingénieures pédagogiques numériques : Catherine Herry, Frédérique Malipier, Sophie Pleinet

10.15454/gks9-cm84