Analyse de

sensibilité
type d'analyse

L’analyse de sensibilité est l'étude de la

façon dont l'incertitude de la sortie d'un
code ou d'un système (numérique ou
autre) peut être attribuée à l'incertitude
dans ses entrées[1],[2],[3]. Il s'agit d'estimer
des indices de sensibilité qui quantifient
l'influence d'une entrée ou d'un groupe
d'entrées sur la sortie.
Introduction

Applications

L'analyse de sensibilité peut être utile

pour beaucoup d'applications[4]:

Tester la robustesse d'un modèle ou

d'un système en présence
d'incertitude.
Une meilleure compréhension des
relations entre l'entrée et la sortie des
variables dans un système ou d'un
modèle.
La réduction d'incertitude, à travers
l'identification des entrées du modèle
qui causent une incertitude importante
dans la production et devraient donc
être le centre de l'attention.
La recherche d'erreurs dans le modèle
(par la rencontre inattendue des
relations entre les entrées et les
sorties).
La simplification du modèle, en fixant
les entrées qui n'ont pas d'effet sur la
sortie, ou en identifiant et en
supprimant les parties redondantes de
la structure du modèle.
L'amélioration de la communication
entre modélisateurs et décideurs (par
exemple en formulant des
recommandations plus crédibles,
compréhensibles, irrésistibles ou de
persuasion).
Trouver des régions dans l'espace des
entrées pour lesquelles la sortie du
modèle est maximale ou minimale, ou
répond à un certain critère d'optimalité
(voir optimisation et méthode de
Monte Carlo).
Pour la calibration des modèles avec
un grand nombre de paramètres, une
analyse de sensibilité peut faciliter le
réglage des paramètres en se
concentrant sur les paramètres
sensibles. Sans connaître la sensibilité
des paramètres, beaucoup de temps et
 d'effort peuvent être gaspillés pour
régler des paramètres peu sensibles[5].
Chercher à identifier les liens
importants entre les observations, les
entrées du modèle, et des prédictions
ou des prévisions, conduisant à
l'élaboration de meilleurs modèles[6],[7].

Notations et vocabulaire

L'objet d'étude de l'analyse de sensibilité

est une fonction , (appelée "modèle
mathématique" ou "code"). Elle peut être
vue comme une boîte noire dont on ne
connaît que sa sortie . Ses entrées
sont notées . Il s'agit de
paramètres de la boîte noire qui ont un
impact sur la sortie du système.
avec .

Problématiques
Le choix de la méthode de l'analyse de
sensibilité est généralement déterminée
pour répondre aux contraintes qu'impose
la fonction . Les plus courantes sont :

Coût de calcul : sauf dans de très rares

cas, faire une analyse de sensibilité
requiert d'évaluer un grand nombre
de fois[8]. Cela devient une barrière
quand :
Une seule exécution du code
prend beaucoup de temps (c'est
couramment le cas).
 Le code dispose d'un grand
nombre d'entrées. L'espace à
explorer devient trop grand (voir
"Malédiction de la
dimensionnalité").
Entrées corrélées : l'hypothèse
d'indépendance entre les entrées du
modèle simplifie beaucoup l'analyse de
sensibilité, mais parfois on ne peut pas
négliger que les entrées soient
fortement corrélées. Les corrélations
entre les entrées doivent alors être
prises en compte dans l'analyse[9].
La non-linéarité : selon que le code à
analyser est linéaire ou non, on
préférera différentes techniques (score
de régression linéaire quand il est
linéaire, scores fondés sur la variance
quand il ne l'est pas)[10].
Interactions : lorsque les entrées ont
seulement des effets additifs, on dit
qu'elles ne sont pas en interaction.
Certaines techniques simples (nuage
de point, OAT) sont alors
applicables[11]. Quand ce n'est pas le
cas, d'autres techniques sont plus
indiquées (calcul des indices de Sobol
simples et totaux).
Sorties multiples ou fonctionnelle :
généralement introduite pour des
codes à une seule sortie, l'analyse de
sensibilité s'étend aux cas où la sortie
Y est un vecteur, une fonction[12], une
série temporelle ou un champ.
À partir de données : il arrive que l'on
n'ait pas la possibilité d'évaluer le code
sur tous les points désirés. On ne
dispose de la sortie du code qu'en des
points donnés (pour une analyse
rétrospective ou une expérience non-
reproductible, par exemple). La
réponse du code en d'autres points
que ceux donnés doit alors être inférée
à partir des points connus. On
construit alors un modèle statistique
du code (ou "méta-modèle"[13]).
Code stochastique : un code est dit
déterministe lorsque, pour plusieurs
 évaluations du code avec les mêmes
entrées, on obtient toujours la même
sortie. Lorsque ce n'est pas le cas (la
sortie est différente malgré des
entrées identiques), le code est dit
stochastique. Il faut alors séparer la
variabilité de la sortie due à la
variabilité sur les entrées de celle due
au caractère stochastique[14].

Méthodologies
Il existe un grand nombre d'approches
pour faire une analyse de sensibilité, dont
beaucoup ont été développées pour
répondre à une ou plusieurs des
contraintes discutées ci-dessus. Elles se
distinguent également par le type de
mesure de sensibilité (décomposition de
variance, dérivées partielles, effets
élémentaires...). En général, on retrouve
le plan suivant dans la plupart des
procédures :

1. Quantifier l'incertitude dans chaque

entrée (plages de valeurs possibles,
distributions de probabilité). Cela
peut être un problème en soi car
beaucoup de méthodes existent
pour obtenir l'incertitude des
distributions de données
subjectives[15].
2. Identifier la(les) sortie(s) du modèle
qui vont être analysées (la cible
d'intérêt devrait idéalement avoir
 une relation directe avec le
problème abordé par le modèle). La
seule rationalisation imposée par
cette tâche est un des bénéfices de
l'analyse de sensibilité.
3. Exécuter le modèle un certain
nombre de fois en suivant un plan
d'expérience[16] (différent suivant
l'approche choisie et l'incertitude
des entrées).
4. Calculer la mesure de sensibilité
choisie pour le problème.

Dans certains cas, cette procédure sera

répétée, par exemple en hautes-
dimensions, des problèmes où
l'utilisateur doit d'abord trier les variables
sans importance ("screening") avant
d'effectuer une analyse de sensibilité
complète[1].

Les différentes méthodologies (voir ci-

dessous) se distinguent par les mesures
de sensibilité qui sont calculées. Ces
méthodologies se chevauchent parfois et
d'autres mesures de sensibilité, adaptées
aux contraintes du problème, peuvent
être testées.

One-At-a-Time (OAT)

Le moyen le plus simple et le plus

commun d'étudier la sensibilité des
entrées est de les modifier une par une
("One-At-a-Time" : OAT), les autres
restant fixées à une valeur nominale. On
voit alors l'effet que cela produit sur la
sortie[17],[18],[19]. La méthode OAT
implique habituellement de :

Déplacer une variable d'entrée, laissant

les autres à une valeur de référence
(nominale)
Puis remettre la variable d'entrée à sa
valeur nominale ; puis à faire ainsi pour
chacune des autres entrées de la
même manière.

La sensibilité peut ensuite être mesurée

par la surveillance des changements
dans la sortie, par exemple, par les
dérivées partielles ou de régression
linéaire. Cela semble logique que tout
changement observé dans la sortie peut
être attribué sans ambiguïté à la seule
variable changée. En outre, en modifiant
une variable à la fois, on peut garder
toutes les autres variables fixes à leur
centrale ou de valeurs de référence. Cela
accroît la comparabilité des résultats
(tous les "effets" sont calculés en
référence au même point "central" dans
l'espace des entrées). La méthode OAT
est souvent préférée par les
modélisateurs pour des raisons
pratiques. Lorsque le modèle ne
converge pas lors d'une analyse OAT, le
modélisateur sait immédiatement qui est
le paramètre responsable de l'échec.
Cependant, malgré sa simplicité, cette
approche ne permet pas d'explorer
totalement l'espace des entrées. En effet,
elle ne tient pas compte de la variation
simultanée de variables d'entrée. Cela
signifie que la méthode OAT ne peut pas
détecter la présence d'interactions entre
les variables d'entrée[20]. De plus, le choix
de la valeur nominale et de
l'échantillonnage peuvent poser
problème. Par exemple, sur le modèle
avec la valeur
nominale , l'influence de sera
invisible par une méthode OAT.

Méthodes locales
Les méthodes locales impliquent de
prendre la dérivée partielle de la sortie Y
par rapport à une entrée Xi:

où l'indice indique que la dérivée est

prise à un point fixe dans l'espace des
entrées (d'où l'adjectif "local").
Modélisation adjointe[21],[22] et
Différenciation automatisée[23] sont les
méthodes de ce type. Semblables à OAT,
les méthodes locales n'essaient pas
d'explorer l'espace des entrées. Elles
examinent seulement les petites
perturbations, généralement une variable
à la fois.
Les nuages de points

Un outil simple mais utile est de tracer

des nuages de points de la variable de
sortie en fonction de variables d'entrée,
après que le modèle a été évalué sur un
échantillon aléatoire (respectant les
distributions des entrées). L'avantage de
cette approche est qu'elle s'applique
aussi à des données. Elle donne aussi
une indication visuelle directe de la
sensibilité.

L'analyse par régression

L'analyse par régression, dans le contexte

de l'analyse de sensibilité, consiste à
utiliser les coefficients de régression
standardisés comme des mesures
directes de la sensibilité. La régression
doit être linéaire par rapport aux
données. Sinon il est difficile d'interpréter
les coefficients standardisés. Cette
méthode est donc plus appropriée
lorsque le modèle de réponse est en fait
linéaire ; la linéarité peut être confirmée,
par exemple, si le coefficient de
détermination est grand. Les avantages
de l'analyse par régression sont qu'elle
est simple et a un faible coût de calcul.

Décomposition de variance
Les méthodes basées sur la
décomposition de variance[24],[25],[26]
considèrent les entrées comme des
variables aléatoires et s'intéressent
seulement à la variance de la sortie.
Celle-ci est décomposée en termes
attribuables à une entrée ou à un groupe
d'entrées. Les indices de sensibilité
calculés sont les indices de Sobol : ils
représentent la proportion de variance
expliquée par une entrée ou un groupe
d'entrées.

Pour l'entrée , l'indice de Sobol simple

est donné par :
où et désignent la variance et
l'espérance (ou moyenne pondérée).

L'indice de Sobol simple ne prend pas en

compte l'incertitude causée par les
interactions de avec les autres
variables. Pour inclure toutes les
interactions dans lesquelles est
impliquée on utilise l'indice de Sobol
total :

où

.
Les méthodes basées sur la
décomposition de variance permettent
d'explorer complètement l'espace des
entrées et de prendre en compte les
interactions ainsi que les réponses non
linéaires. Pour ces raisons, elles sont
largement utilisées. Le calcul des indices
de Sobol nécessite de nombreuses
évaluations du modèle (de l'ordre du
millier). Plusieurs estimateurs
existent[27],[28],[29]. On recourt
généralement à des méta-modèles
(émulateurs) pour rendre possible le
calcul.

Screening
Les méthodes de "screening"
s'appliquent à des modèles de grande
dimension pour lesquels on veut
distinguer rapidement quelles entrées
sont significatives, sans chercher
l'exhaustivité. Il s'agit d'observer l'effet de
perturbations élémentaires des entrées
sur les sorties. La méthode de Morris[30]
est une des plus connues.

Fourier Amplitude Sensitivity Test

(FAST)

Le principe est d'approcher une fonction

par des harmoniques en utilisant la
transformation de Fourier. Les indices de
Sobol sont alors exprimés
analytiquement en fonction des
coefficients de la série de Fourier[10].

Polynômes du chaos

Le principe est de projeter la fonction

d'intérêt sur une base de polynômes
orthogonaux. Les indices de Sobol sont
alors exprimés analytiquement en
fonction des coefficients de cette
décomposition[31].

Références
1. (en) Bertrand Iooss et Paul Lemaître,
Uncertainty Management in
Simulation-Optimization of Complex
 Systems, Springer, Boston, MA,
coll. « Operations
Research/Computer Science
Interfaces Series », 2015
(ISBN 978-1-4899-7546-1 et
9781489975478,
DOI 10.1007/978-1-4899-7547-8_5 (https:/
, lire en ligne (https://link.springer.co
m/chapter/10.1007/978-1-4899-754
7-8_5) [archive]), p. 101–122
2. A. Saltelli, « Sensitivity Analysis for
Importance Assessment », Risk
Analysis, vol. 22, no 3, 2002, p. 1–12
3. A. Saltelli, M. Ratto, T. Andres, F.
Campolongo, J. Cariboni, D. Gatelli,
M. Saisana et S. Tarantola, Global
Sensitivity Analysis : The Primer,
John Wiley & Sons, 2008
4. D. J. Pannell, « Sensitivity Analysis
of Normative Economic Models:
Theoretical Framework and
Practical Strategies », Agricultural
Economics, vol. 16, 1997, p. 139–152
(DOI 10.1016/S0169-5150(96)01217-0 (ht
)
5. A. Bahremand et F. De Smedt,
« Distributed Hydrological Modeling
and Sensitivity Analysis in Torysa
Watershed, Slovakia », Water
Resources Management, vol. 22,
no 3, 2008, p. 293–408
(DOI 10.1007/s11269-007-9168-x (https://
)
6. M. Hill, D. Kavetski, M. Clark, M. Ye,
M. Arabi, D. Lu, L. Foglia et S. Mehl,
« Practical use of computationally
frugal model analysis methods »,
Groundwater, vol. 54, no 2, 2015,
p. 159–170
(DOI 10.1111/gwat.12330 (https://dx.doi.o
)
7. M. Hill et C. Tiedeman, Effective
Groundwater Model Calibration, with
Analysis of Data, Sensitivities,
Predictions, and Uncertainty, John
Wiley & Sons, 2007
8. J. C. Helton, J. D. Johnson, C. J.
Salaberry et C. B. Storlie, « Survey of
sampling based methods for
uncertainty and sensitivity
analysis », Reliability Engineering and
System Safety, vol. 91, 2006,
p. 1175–1209
(DOI 10.1016/j.ress.2005.11.017 (https://d
)
9. (en) Gaelle Chastaing, Fabrice Gamboa
et Clémentine Prieur, « Generalized
Hoeffding-Sobol decomposition for
dependent variables - application to
sensitivity analysis », Electronic
Journal of Statistics, vol. 6, 2012,
p. 2420–2448 (ISSN 1935-7524 (http
s://portal.issn.org/resource/issn/193
5-7524) ,
DOI 10.1214/12-EJS749 (https://dx.doi.org
, lire en ligne (https://projecteuclid.or
g/euclid.ejs/1356098617) [archive],
consulté le 20 novembre 2017)
10. Julien JACQUES, Contributions à
l'analyse de sensibilité et à l'analyse
discriminante généralisée, Université
Joseph-Fourier - Grenoble I,
12 décembre 2005 (lire en ligne (http
s://tel.archives-ouvertes.fr/tel-0001
1169/) [archive])
11. A. Saltelli et P. Annoni, « How to
avoid a perfunctory sensitivity
analysis », Environmental Modeling
and Software, vol. 25, 2010, p. 1508–
1517
(DOI 10.1016/j.envsoft.2010.04.012 (https
)
12. (en) Fabrice Gamboa, Alexandre Janon,
Thierry Klein et Agnès Lagnoux,
« Sensitivity analysis for
multidimensional and functional
outputs », Electronic Journal of
Statistics, vol. 8, no 1, 2014, p. 575–
603 (ISSN 1935-7524 (https://portal.i
ssn.org/resource/issn/1935-7524) ,
DOI 10.1214/14-EJS895 (https://dx.doi.org
, lire en ligne (https://projecteuclid.or
g/euclid.ejs/1400592265) [archive],
consulté le 20 novembre 2017)
13. Amandine Marrel, Bertrand Iooss,
François Van Dorpe et Elena Volkova,
« An efficient methodology for
modeling complex computer codes
with Gaussian processes »,
Computational Statistics & Data
Analysis, vol. 52, no 10, 15 juin 2008,
p. 4731–4744
(DOI 10.1016/j.csda.2008.03.026 (https://
, lire en ligne (http://www.sciencedire
ct.com/science/article/pii/S0167947
308001758) [archive], consulté le
20 novembre 2017)
14. (en) Amandine Marrel, Bertrand Iooss,
Sébastien Da Veiga et Mathieu
Ribatet, « Global sensitivity analysis
of stochastic computer models with
joint metamodels », Statistics and
Computing, vol. 22, no 3,
1er mai 2012, p. 833–847
(ISSN 0960-3174 (https://portal.issn.
org/resource/issn/0960-3174) et
1573-1375 (https://portal.issn.org/re
source/issn/1573-1375) ,
DOI 10.1007/s11222-011-9274-8 (https://d
, lire en ligne (https://link.springer.co
m/article/10.1007/s11222-011-9274
-8) [archive], consulté le
20 novembre 2017)
15. A. O'Hagan et al., Uncertain
Judgements : Eliciting Experts'
Probabilities, Chichester, Wiley, 2006
(lire en ligne (https://books.google.c
om/books?
id=H9KswqPWIDQC) [archive])
16. J. Sacks, W. J. Welch, T. J. Mitchell et
H. P. Wynn, « Design and Analysis of
Computer Experiments », Statistical
Science, vol. 4, 1989, p. 409–435
17. J. Campbell et al., « Photosynthetic
Control of Atmospheric Carbonyl
Sulfide During the Growing
Season », Science, vol. 322, no 5904,
2008, p. 1085–1088
(PMID 19008442 (https://www.ncbi.nlm.ni
,
DOI 10.1126/science.1164015 (https://dx.
,
Bibcode 2008Sci...322.1085C (https://ui.a
)
18. R. Bailis, M. Ezzati et D. Kammen,
« Mortality and Greenhouse Gas
Impacts of Biomass and Petroleum
Energy Futures in Africa », Science,
vol. 308, 2005, p. 98–103
(PMID 15802601 (https://www.ncbi.nlm.ni
,
DOI 10.1126/science.1106881 (https://dx.
,
Bibcode 2005Sci...308...98B (https://ui.ad
)
19. J. Murphy et al., « Quantification of
modelling uncertainties in a large
ensemble of climate change
simulations », Nature, vol. 430, 2004,
p. 768–772
(PMID 15306806 (https://www.ncbi.nlm.ni
,
DOI 10.1038/nature02771 (https://dx.doi.o
,
Bibcode 2004Natur.430..768M (https://ui.a
)
20. Czitrom, « One-Factor-at-a-Time
Versus Designed Experiments »,
American Statistician, vol. 53, no 2,
1999 (lire en ligne (https://www.ques
tia.com/googleScholar.qst?docId=50
01888588) [archive])
21. Dan G. Cacuci, Sensitivity and
Uncertainty Analysis : Theory, vol. I,
Chapman & Hall
22. Dan G. Cacuci, Mihaela Ionescu-Bujor
et Michael Navon, Sensitivity and
Uncertainty Analysis : Applications to
Large-Scale Systems, vol. II,
Chapman & Hall, 2005
23. A. Griewank, Evaluating Derivatives,
Principles and Techniques of
Algorithmic Differentiation, SIAM,
2000
24. Sobol', I. (1990). Sensitivity estimates
for nonlinear mathematical models.
Matematicheskoe Modelirovanie 2,
112–118. in Russian, translated in
English in Sobol' , I. (1993).
Sensitivity analysis for non-linear
mathematical models. Mathematical
Modeling & Computational
Experiment (Engl. Transl.), 1993, 1,
407–414.
25. T. Homma et A. Saltelli, « Importance
measures in global sensitivity
analysis of nonlinear models »,
Reliability Engineering and System
Safety, vol. 52, 1996, p. 1–17
(DOI 10.1016/0951-8320(96)00002-6 (http
)
26. Saltelli, A., K. Chan, and M. Scott
(Eds.) (2000). Sensitivity Analysis.
Wiley Series in Probability and
Statistics. New York: John Wiley and
Sons.
27. Alexandre Janon, Thierry Klein,
Agnès Lagnoux et Maëlle Nodet,
« Asymptotic normality and
efficiency of two Sobol index
estimators », ESAIM: Probability and
Statistics, vol. 18, janvier 2014,
p. 342–364 (ISSN 1292-8100 (http
s://portal.issn.org/resource/issn/129
2-8100) et 1262-3318 (https://porta
l.issn.org/resource/issn/1262-
3318) ,
DOI 10.1051/ps/2013040 (https://dx.doi.o
, lire en ligne (https://www.cambridg
e.org/core/journals/esaim-probabilit
y-and-statistics/article/asymptotic-n
ormality-and-efficiency-of-two-sobol-i
ndex-estimators/BA1716ED7E64ECE
 70E4B88323EFDC811) [archive],
consulté le 20 novembre 2017)
28. Andrea Saltelli, Paola Annoni, Ivano
Azzini et Francesca Campolongo,
« Variance based sensitivity
analysis of model output. Design
and estimator for the total
sensitivity index », Computer Physics
Communications, vol. 181, no 2,
1er février 2010, p. 259–270
(DOI 10.1016/j.cpc.2009.09.018 (https://d
, lire en ligne (http://www.sciencedire
ct.com/science/article/pii/S0010465
509003087) [archive], consulté le
20 novembre 2017)
29. Art B. Owen, « Better Estimation of
Small Sobol' Sensitivity Indices »,
ACM Trans. Model. Comput. Simul.,
vol. 23, no 2, mai 2013, p. 11:1–11:17
(ISSN 1049-3301 (https://portal.issn.
org/resource/issn/1049-3301) ,
DOI 10.1145/2457459.2457460 (https://dx
, lire en ligne (http://doi.acm.org/10.1
145/2457459.2457460) [archive],
consulté le 20 novembre 2017)
30. Max D. Morris, « Factorial Sampling
Plans for Preliminary Computational
Experiments », Technometrics,
vol. 33, no 2, 1er mai 1991, p. 161–
174 (ISSN 0040-1706 (https://portal.i
ssn.org/resource/issn/0040-1706) ,
DOI 10.1080/00401706.1991.10484804 (h
, lire en ligne (http://www.tandfonline.
com/doi/abs/10.1080/00401706.19
91.10484804) [archive], consulté le
20 novembre 2017)
31. Bruno Sudret, « Global sensitivity
analysis using polynomial chaos
expansions », Reliability Engineering
& System Safety, bayesian Networks
in Dependability, vol. 93, no 7,
1er juillet 2008, p. 964–979
(DOI 10.1016/j.ress.2007.04.002 (https://d
, lire en ligne (http://www.sciencedire
ct.com/science/article/pii/S0951832
007001329) [archive], consulté le
20 novembre 2017)

Liens externes
Revue internationale de la Cinétique
Chimique – septembre 2008 (http://w
ww3.interscience.wiley.com/journal/1
21401979/issue) [archive] – Numéro
Spécial sur l'Analyse de Sensibilité
Ingénierie de la fiabilité et de la
Sécurité du Système (Volume 91,
2006) (http://www.elsevier.com/wps/fi
nd/journaldescription.cws_home/4059
08/description#description) [archive]
– numéro spécial sur l'analyse de
sensibilité
la page web sur l'analyse de Sensibilité
(https://ec.europa.eu/jrc/en/samo) [a
rchive] – (Centre Commun de
Recherche de la Commission
Européenne)
SimLab (https://ec.europa.eu/jrc/en/s
amo/simlab) [archive], le logiciel
gratuit pour global d'analyse de
sensibilité le Centre Commun de
Recherche
L'Analyse de sensibilité Excel Add-In (ht
tp://www.life-cycle-costing.de/sensitivi
ty_analysis/) [archive] est un logiciel
gratuit (pour l'usage privé et
commercial) Excel Add-In qui permet
simple de l'échantillon en fonction de
l'analyse de sensibilité s'exécute
MUCM Projet (http://mucm.ac.uk/inde
x.html) [archive] – de nombreuses
ressources de l'incertitude et de
l'analyse de sensibilité du calcul
exigeant des modèles.
GEM-SA (http://www.tonyohagan.co.u
k/academic/GEM/index.html) [archive
] – un programme pour la réalisation
de l'analyse de sensibilité avec des
processus Gaussien.
SALib
(https://salib.github.io/SALib/) [archiv
e] Analyse de Sensibilité de la
Bibliothèque en Python (Numpy).
Contient Sobol, Morris, Factoriel
Fractionnaire et des méthodes FAST.
OpenTURNS (http://www.openturns.or
g/) [archive] : initiative open source
pour le traitement des incertitudes, des
risques et des statistiques. Code
 multiplateforme (C++, Python) pour
faire des méta-modèles.
sensitivity (https://cran.r-project.org/w
eb/packages/sensitivity/sensitivity.pd
f) [archive] : package R contenant de
nombreux estimateurs d'indices de
Sobol.

Portail des probabilités et de la st

Ce document provient de
« https://fr.wikipedia.org/w/index.php?
title=Analyse_de_sensibilité&oldid=196585274 ».

La dernière modification de cette page a été faite

le 31 août 2022 à 16:12. •
Le contenu est disponible sous licence CC BY-SA
4.0 sauf mention contraire.