Analyse de sensibilité

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. 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. L'analyse de sensibilité peut être utile pour beaucoup d'applications: 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. 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. L'objet d'étude de l'analyse de sensibilité est une fonction , (appelée "modèle mathématique" ou "code").

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Publications associées (54)

Personnes associées (37)

Unités associées (1)

Concepts associés (6)

Cours associés (9)

Séances de cours associées (18)

MOOCs associés (21)

ENV-370: Environmental system analysis and assessment

Les enjeux environnementaux doivent être abordés de façon systémique. L'Analyse du Cycle de Vie (ACV) et l'Analyse de Flux de Matière (AFM) sont des méthodes permettant d'évaluer de façon globale les

ME-484: Numerical methods in biomechanics

Students understand and apply numerical methods (FEM) to answer a research question in biomechanics. They know how to develop, verify and validate multi-physics and multi-scale numerical models. They

MATH-616: Numerical methods for random PDEs and uncertainty

The course focuses on mathematical models based on PDEs with random parameters, and presents numerical techniques for forward uncertainty propagation, inverse uncertainty analysis in a Bayesian framew

Model-based scale-up of a continuously operated consolidated bioprocess based on a microbial consortium for the production of ethanol

David Béat Dempfle

This work demonstrated that consolidated bioprocessing is a promising concept for conversion of lignocellulose to ethanol at industrial scale. CBP offers great cost saving potential, is feasible to be

EPFL2022

A contagion process with self-exciting jumps in credit risk applications

Puneet Pasricha

The modeling of the probability of joint default or total number of defaults among the firms is one of the crucial problems to mitigate the credit risk since the default correlations significantly aff

TAYLOR & FRANCIS LTD2022

NMR spectroscopy of a single mammalian early stage embryo

Jürgen Brugger, Giovanni Boero, Marco Grisi, Gaurasundar Marc Conley, Kyle Joel Rodriguez

The resolving power, chemical sensitivity and non-invasive nature of NMR have made it an established technique for in vivo studies of large organisms both for research and clinical applications. NMR w

ACADEMIC PRESS INC ELSEVIER SCIENCE2022

Uncertainty quantification

Uncertainty quantification (UQ) is the science of quantitative characterization and estimation of uncertainties in both computational and real world applications. It tries to determine how likely certain outcomes are if some aspects of the system are not exactly known. An example would be to predict the acceleration of a human body in a head-on crash with another car: even if the speed was exactly known, small differences in the manufacturing of individual cars, how tightly every bolt has been tightened, etc.

Analyse de sensibilité

Incertitude de mesure

vignette|Mesurage avec une colonne de mesure. En métrologie, une incertitude de mesure liée à un mesurage (d'après le Bureau international des poids et mesures). Elle est considérée comme une dispersion et fait appel à des notions de statistique. Les causes de cette dispersion, liées à différents facteurs, influent sur le résultat de mesurage, donc sur l'incertitude et in fine sur la qualité de la mesure. Elle comprend de nombreuses composantes qui sont évaluées de deux façons différentes : certaines par une analyse statistique, d'autres par d'autres moyens.

Ce cours de base est composé des sept premiers modules communs à deux cours bachelor, donnés à l’EPFL en génie mécanique et génie civil.

The course introduces the theoretical foundations to choice modeling and describes the steps of operational modeling.

Discrete choice models are used extensively in many disciplines where it is important to predict human behavior at a disaggregate level. This course is a follow up of the online course “Introduction t

Couvre le cadre d'interprétation de l'analyse du cycle de vie, y compris l'identification des points significatifs, la vérification et l'analyse de sensibilité.

Se penche sur l'application de la thermodynamique dans les voies métaboliques, en discutant des contraintes, des réactions bidirectionnelles et des méthodes d'estimation.

L'analyse de sensibilité basée sur les variations pour les systèmes stochastiques couvre l'impact des paramètres d'incertitude et des indices de sensibilité dans les modèles stochastiques.