Sensitivity analysis is the study o

Sensitivity analysis is the study of how the uncertainty in the output of a mathematical model or system (numerical or otherwise) can be apportioned to different sources of uncertainty in its inputs.[1][2] A related practice is uncertainty analysis, which has a greater focus on uncertainty quantification and propagation of uncertainty. Ideally, uncertainty and sensitivity analysis should be run in tandem. The process of recalculating outcomes under alternative assumptions to determine the impact of variable under sensitivity analysis can be useful for a range of purposes,[3] including

Testing the robustness of the results of a model or system in the presence of uncertainty.
Increased understanding of the relationships between input and output variables in a system or model.
Uncertainty reduction: identifying model inputs that cause significant uncertainty in the output and should therefore be the focus of attention if the robustness is to be increased (perhaps by further research).
Searching for errors in the model (by encountering unexpected relationships between inputs and outputs).
Model simplification – fixing model inputs that have no effect on the output, or identifying and removing redundant parts of the model structure.
Enhancing communication from modelers to decision makers (e.g. by making recommendations more credible, understandable, compelling or persuasive).
Finding regions in the space of input factors for which the model output is either maximum or minimum or meets some optimum criterion (see optimization and Monte Carlo filtering).
In case of calibrating models with large number of parameters, a primary sensitivity test can ease the calibration stage by focusing on the sensitive parameters. Not knowing the sensitivity of parameters can result in time being uselessly spent on non-sensitive ones.[4]

Kết quả (Việt) 1:

Phân tích độ nhạy là nghiên cứu như thế nào không chắc chắn trong đầu ra của một mô hình toán học hoặc hệ thống (số hay cách khác) có thể được apportioned vào nhiều nguồn khác nhau của sự không chắc chắn trong đầu vào của nó. [1] [2] một liên quan đến thực tế là phân tích sự không chắc chắn, có một tập trung nhiều hơn vào định lượng sự không chắc chắn và tuyên truyền của sự không chắc chắn. Lý tưởng nhất, không chắc chắn và phân tích độ nhạy nên được chạy song song. Quá trình của các kết quả recalculating theo các giả định khác để xác định tác động của biến theo phân tích độ nhạy có thể hữu ích cho một loạt các mục đích, [3] bao gồmThử nghiệm mạnh mẽ của các kết quả của một mô hình hay hệ thống sự hiện diện của sự không chắc chắn.Tăng cường sự hiểu biết về các mối quan hệ giữa các biến đầu vào và đầu ra trong một hệ thống hay mô hình.Không chắc chắn giảm: xác định các yếu tố đầu vào mô hình có gây ra sự không chắc chắn đáng kể trong đầu ra và nên do đó là trọng tâm của sự chú ý nếu mạnh mẽ để được tăng lên (có lẽ là do tiếp tục nghiên cứu).Tìm kiếm các lỗi trong các mô hình (do gặp phải bất ngờ mối quan hệ giữa các yếu tố đầu vào và đầu ra).Mô hình đơn giản hóa-sửa chữa các mô hình đầu vào mà không có hiệu lực vào đầu ra, hoặc xác định và loại bỏ các phần thừa của cấu trúc mô hình.Tăng cường giao tiếp từ modelers để ra quyết định (ví dụ như bằng cách đề nghị nhiều hơn đáng tin cậy, dễ hiểu, hấp dẫn hoặc thuyết phục).Việc tìm kiếm các khu vực trong không gian của các yếu tố đầu vào mà mô hình sản lượng tối đa hoặc tối thiểu hoặc đáp ứng một số tiêu chí tối ưu (xem tối ưu hóa và Monte Carlo lọc).Trong trường hợp đo đạc với số lượng tham số lớn các mô hình, một bài kiểm tra độ nhạy cảm chính có thể dễ dàng giai đoạn hiệu chuẩn bằng cách tập trung vào các thông số nhạy cảm. Không biết sự nhạy cảm của các thông số có thể kết quả trong thời gian bị uselessly chi không nhạy cảm với những người. [4]

Kết quả (Việt) 2:

Phân tích độ nhạy là nghiên cứu về cách sự không chắc chắn trong đầu ra của một mô hình toán học hoặc hệ thống (số lượng, hoặc cách khác) có thể được phân bổ cho các nguồn khác nhau của sự không chắc chắn trong đầu vào của nó. [1] [2] Một thực tế liên quan là phân tích sự không chắc chắn, trong đó có tập trung nhiều hơn vào việc định lượng không chắc chắn và tuyên truyền của sự không chắc chắn. Lý tưởng nhất, không chắc chắn và phân tích độ nhạy cảm nên được chạy song song. Quá trình tính toán lại kết quả theo các giả định thay thế để xác định tác động của biến theo phân tích độ nhạy cảm có thể có ích cho một loạt các mục đích, [3] bao gồm Kiểm tra sự vững mạnh của các kết quả của một mô hình hay hệ thống trong sự hiện diện của sự không chắc chắn. Tăng sự hiểu biết về các mối quan hệ giữa các biến đầu vào và đầu ra trong một hệ thống hay mô hình. giảm sự không chắc chắn. xác định đầu vào mô hình mà gây ra sự không chắc chắn đáng kể trong sản lượng và do đó nên là trọng tâm của sự chú ý nếu sự vững mạnh là phải được tăng lên (có lẽ bằng cách nghiên cứu thêm) Tìm kiếm sai sót trong các mô hình (do gặp phải các mối quan hệ bất ngờ giữa đầu vào và đầu ra). đơn giản hóa mẫu - sửa chữa mô hình đầu vào mà không có hiệu lực vào đầu ra, hoặc xác định và loại bỏ các phần dư thừa của các cấu trúc mô hình. Tăng cường thông tin liên lạc từ các nhà lập mô hình ra quyết định (ví dụ như bằng kiến nghị đáng tin cậy hơn, dễ hiểu, hấp dẫn hay thuyết phục). việc tìm kiếm các khu vực trong không gian của các yếu tố đầu vào mà các mô hình đầu ra hoặc là tối đa hoặc tối thiểu hoặc đáp ứng một số tiêu chí tối ưu (xem tối ưu hóa và Monte Carlo lọc). trong trường hợp hiệu chỉnh mô hình với số lượng lớn các thông số, một thử nghiệm độ nhạy cảm chính có thể giảm bớt các khâu chuẩn bằng cách tập trung vào các thông số nhạy cảm. Không biết sự nhạy cảm của các thông số có thể cho kết quả trong thời gian đang được một cách vô ích dành cho những người không nhạy cảm. [4]