Analyse de Sensibilité Bayésienne — Propagation de l'incertitude informée par les priors et évaluation de la sensibilité des sorties
L'Analyse de Sensibilité Bayésienne (ASB) combine l'inférence bayésienne et l'analyse de sensibilité pour quantifier systématiquement comment les entrées incertaines d'un modèle — exprimées sous forme de distributions de probabilité a priori (priors) — se propagent à travers le modèle et influencent ses sorties. Elle identifie les paramètres qui déterminent le plus la variabilité des sorties, permettant des conclusions robustes en présence d'une incertitude réelle.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Berger, J. O. (1994). An overview of robust Bayesian analysis. Test, 3(1), 5–124. DOI: 10.1007/BF02562676 ↗
- Saltelli, A., Ratto, M., Andres, T., Campolongo, F., Cariboni, J., Gatelli, D., Saisana, M., & Tarantola, S. (2008). Global Sensitivity Analysis: The Primer. Wiley. ISBN: 9780470059975
Comment citer cette page
ScholarGate. (2026, June 3). Bayesian Sensitivity Analysis — Prior-informed uncertainty propagation and output sensitivity assessment. ScholarGate. https://scholargate.app/fr/simulation/bayesian-sensitivity-analysis
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Programmation dynamique bayésienneSimulation↔ compare
- Modèle de Markov bayésienSimulation↔ compare
- Modèle de MarkovSimulation↔ compare
- Simulation de Monte-CarloPrise de décision↔ compare
- Analyse de sensibilité stochastiqueSimulation↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →