Académique Documents
Professionnel Documents
Culture Documents
sensibilité
type d'analyse
Applications
Notations et vocabulaire
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 :
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 :
One-At-a-Time (OAT)
Méthodes locales
Les méthodes locales impliquent de
prendre la dérivée partielle de la sortie Y
par rapport à une entrée Xi:
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.
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.
Polynômes du chaos
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.
Ce document provient de
« https://fr.wikipedia.org/w/index.php?
title=Analyse_de_sensibilité&oldid=196585274 ».