MTODOS Y AJUSTES PARA EL ANLISIS DE LA SENSIBILIDAD

37

01

Como ya sabemos que para nuestro modelo de todos los trminos de productos cruzados
=j
con yo

02

son cero, esto puede reducirse a la prctica

03

'r

04

S UN = 1#

(1,47)

yo

05

yo

06

en el que la incertidumbre se divide entre los temas,

07

cada tema que comprende

09

un indicador y su peso. Es fcil imaginar aplicaciones similares. Porejemplo, se podra dividir la

incertidumbre entre los observacional
datos, estimacin

10

cin, los supuestos del modelo, la resolucin del modelo y as sucesivamente.

08

11
12

Mtodos 1.2.16Further

13
14

Hasta ahora hemos hablado de las siguientes herramientas para el anlisis de sensibilidad:

15
diecisis
17

derivados y derivados de sigma-normalizado;

18

(coeficientes de regresin estandarizados);

19

medidas basadas en la varianza;

20

grfico de dispersin.

21
22
23
24
25
26
27

Wehaveshowntheequivalenceofsigma-normalizedcoefficients
Sps
= psZ ) Y / $
yo

yo
Y)Xyo, los coeficientes de regresinyo
yy la varianza de base de primer orden
ndices de sensibilidad S
yopara los modelos lineales, ascomo cmo Syoes un modelo de libre
extensin Ofthe esquema de descomposicin de la varianza de los modelos
desconocido
de

linealidad. Hemos hablado de cmo los modelos no aditivos pueden ser tratados en el marco de
sensibilidad basado en thevariance. Tambin hemos indicado que la dispersin de las parcelas
son un anlisis de sensibilidad powerfultoolfor y se muestra cmo S

28
29

debe interpretarse en relacin con la existencia de

30

grfico de dispersin.

31
32
33
34
35
36
37
38
39
40
41
42
43
44

'Shape'in una x

yopoder
yoversus

En un mayor nivel de detalle (Ratto et al., 2007) se puede utilizar regresin moderna
herramientas Sion (tales como los mtodos de filtrado de espacio de estados) para interpolar
puntos en thescatterplots, produciendo muy"Y
fiable
*
% x mi yo
%curvas. Las curvas pueden
yo= x
a continuacin, ser utilizado para el anlisis de sensibilidad. Su forma es ms evidente que los
diagramas de dispersin thatof densos (comparar Figura 1.7 con la figura
1.8).
Adems,
se puede derivar los ndices de sensibilidad de primer orden directamente de esas curvas, de
modo que una forma eficaz de estimar S
yoes el uso de la regresin de espacio de estados en el
diagramas de dispersin y luego tomar las varianzas de estos.
En general, para un modelo de linealidad desconocido, monotonicidad y aditividad,
medidas basadas en la varianza constituyen un buen medio para hacer frente a la configuracin de
fijacin del factor comola y el factor de priorizacin. Discutiremos uno settingbefore an ms el
final de este captulo,
pero consideremos primero si existen
alternativas a los mtodos basados en ofvariance de uso para la configuracin de modo
fardescribed.

19 de de noviembre de, de 2007

20: 1

Wiley / GSAS

Pgina-37

c01

38

INTRODUCCIN A LA anlisis de sensibilidad

Por qu puede ser que necesitamos una alternativa? El principal problema con varianzas

01

medidas basadas es coste computacional. La estimacin de la sensibilidad coefficientstakes muchos

modelruns (vase el captulo 4) .Accelerating los ndices de clculo ofsensitivity de allorders - o
incluso simplemente de la S

02
03
04

yo# STiPareja - es
el tema ms intensamente investigado en el anlisis de sensibilidad (ver el filteringapproach que
acabamos de mencionar). Se puede esperar razonablemente que el estimationof estas medidas
ser ms eficiente en el tiempo.

05
06
07

Al mismo tiempo, y si slo para propsitos de seleccin, sera til

08

disponer de mtodos para encontrar informacin aproximada sensibilidad al samplesizes

inferiores. Uno de estos mtodos es la Prueba de Efecto Primaria.

09
10
11
12

Prueba Efecto 1.2.17Elementary

13
14
15
diecisis
17
18
19

La prueba Efecto primaria es simplemente un promedio de ms de los factores derivados spaceof. El

mtodo es muy simple. Considere un modelo con k independentinputfactors x
que vara a travs pag de entrada levels.The
yo# yo = 1# 2# (((# K,
el espacio es el discretizada pagrejilla -level +. Para un valor dado de x, La elementaryeffect de la
yofactor de entrada se define como

20

.Y "X

21
22

EE

yo=

1#

X2# ( ( ( # X
yo-1# Xyo+ *# ( ( ( Xk%- Y "X1# X2# ( ( ( # X k% #(1,48)
/
*

23
24

dnde pag es el nmero de niveles, * es un valor en 01/"pag - 1% # (((# 1 - 1/"pag - 1% 1,

25

x = "X

26
27
28
29

1# X2# ( ( ( Xk% es cualquier valor seleccionado en + tal que la transformada

punto"x + mi
yo*%todava est en + para cada ndice yo = 1# (((# Ky
yomi
es un vector de
ceros, pero con una unidad como su yo componente. Entonces los valores absolutos de la

EE

yo,

Calculada en r diferentes puntos de la cuadrcula para cada factor, se promedian

30

2*yo=

31
32

1 'r
r

%EEyo
j%

(1,49)

j=1

33
34
35
36
37
38
39

y los factores clasifican de acuerdo con la media obtenida 2

*
.
yo

En orderto calcular de manera eficiente, una estrategia bien elegido para isneeded
movindose de un efecto a otro, por lo que el espacio de entrada se explora conuna mnimo de
puntos (vase el captulo 3).
*
Dejando a un lado los problemas computacionales, por el momento,
es una medida
2
til

por las siguientes razones:

40
41

1.It es semi-cuantitativa - los factores se clasifican en una escala de intervalo;

42

2.It es numricamente eficiente;

43
44

3.It es muy bueno para la fijacin del factor - de hecho es un buen indicador de S
Ti;
4.It puede aplicarse a conjuntos de factores.

19 de de noviembre de, de 2007

20: 1

Wiley / GSAS

Pgina-38

c01

MTODOS Y AJUSTES PARA EL ANLISIS DE LA SENSIBILIDAD

39

Debido a su naturaleza semi-cuantitativa de la* 2se puede considerar una proyeccin

01

05

mtodo, especialmente til para la investigacin de los modelos con muchos (de un fewdozen a
100) incierta factors.Itcan tambin ser utilizado antes de aplicar medida basada en avariance
para podar el nmero de factores a ser considered.As medida en que el punto (3) anterior se
refiere,
2*es bastante resistente contra el tipo

06

II errores, es decir, si un factor se considera por noninfluential* 2es poco probable que sea

07

identificada como influyente por otra medida.

02
03
04

08

1.2.18Monte Carlo Filtrado

09
10

Mientras 2*es un mtodo de abordar el factor de fijacin al tamao de la muestra inferior, el

nextmethod presentamos est vinculado a un entorno totalmente diferente para
sensitivityanalysis. A esto le llamamos 'mapeo factor "y que se refiere a situaciones en las
whichwe especialmente preocupados con una parte particular de la distribucin ofoutput Y. Por
ejemplo, a menudo estamos interesados en Ypor encima o por belowa umbral dado. Si Y fueron
una dosis de contaminantes, que podra ser interestedin la cantidad (la frecuencia) un nivel de
umbral

11
12
13
14
15
diecisis
17
18
19
20
21

para este contaminante est siendo

excedido. O Ypodra ser una prdida (por ejemplo, financieros) y podemos estar interesados inhow
menudo se est superando una prdida mxima admisible. En estos settingswe tienden a dividir a
la realizacin de Yen "bueno" y "malo". Esto conduce filtrado Tomonte Carlo (MCF, ver Saltelliet
al.2004, pp.151-191 para areview). En MCF se corre un experimento de Monte Carlo producir
realizationsof la salida de los intereses correspondientes a diferentes puntos muestreados en
theinputfactor espacio, como para el anlisis basado en la varianza o regresin.

22
23
24
25
26
27
28
29
30
31
32

Teniendo
hecho esto, realizaciones de uno filters'the, egelements de la Y -vector.

dividir el vector Yen dos subconjuntos: la del buen comportamiento realizationsand la de los '' mal
comportamiento. Lo mismo se aplicar a las distribuciones (marginales) de cada uno de los
factores de entrada. Cabe destacar que en este contexto se IsNot interesado en la varianza de Y
tanto como en la parte de la distribucinde Y lo que importa - por ejemplo, el extremo de cola
inferior de la distribucin quizs irrelevantes en comparacin con la cola-extremo superior

33
34
35
36

Esta

puede entailcomparing ellos con algn tipo de evidencia o la plausibilidad (por ejemplo, uno
puede tener una buena razn para rechazar todos los valores negativos de Y). O simplemente
comparar onemight Y contra umbrales,
tan solo se mentioned.This

o viceversa, dependiendo de
los problem.Thus el anlisis no tiene que ver con qu factor de varianza drivesthe Y tanto como
con la que el factor produce realizaciones de Yen la zona prohibida. Est claro que si un factor ha
sido juzgado byeither noninfluential 2*o S

37
38
39

Ti,

son como sigue:

Ser poco probable que aparezca en un CCM. Pasos para MCF

40
41

Una simulacin se clasifica como segundo, Por comportamiento o segundo, Por Nonbeconductual (Figura 1.11).

De este modo se define un conjunto de elementos binarios, lo que permite la identificacin

oftwo subconjuntos para cada x
yo: Una que contiene un nmero norte de elementos denotado

42
43
44

19 de de noviembre de, de 2007

20: 1

Wiley / GSAS

Pgina-39

c01

40

INTRODUCCIN A LA anlisis de sensibilidad

01

)
(x |segundo

02

segundo

03

)
(x | segundo

04

segundo

05
06

07

08

Figura 1.11Mapeo behaviouraland nonbehaviouralrealizations con el filtrado de Montecarlo

09
10
11

/
0
"X % SEGUNDO%y un conjunto complementario
x % segundo
que contiene el restante norte =

12
13

norte - norte simulaciones (Figura 1.11).

14

15
diecisis
17

A foreach beperformed statisticaltestcan factorindependently, el anlisis de la distancia

mxima entre el distributionsof acumulativa la"X % SEGUNDO%y
/
0
x %segundo
conjuntos (Figura 1.12).

18
19
20

Siel dos juegos son visualmente y estadsticamente18

factor de influencia en la fijacin de mapeo factor.

diferente, entonces x
yoes un

21
22
23

24

Anterior

25

0,8

26

27

metro(xyo

|segundo

norte(xyo

|segundo

28

0,6
F(x yo
)

29
30
31

0,4

32

ren, n

33

0,2

34
35
36

37

0,2

38

0,4

0,6

0,8

39

Figura 1.12La distincin entre los dos conjuntos utilizando un estadstico de prueba

40
41
42
43

18

44

pp. 38-39).

Smirnov para dos muestras (versin de dos caras) se utiliza en la Figura 1.12 (ver Saltelli et al.2004,

19 de de noviembre de, de 2007

20: 1

Wiley / GSAS

Pgina-40

c01

Posibles errores posible para un anlisis de sensibilidad

41

Factores de entrada 1.3NONINDEPENDENT

01
02

A lo largo de este captulo introductorio hemos asumido sistemticamente thatinputfactors son

independentofone another.The razn principal de thisassumption es de carcter muy prctico:
muestras de entrada son dependientes morelaborious para generar (aunque los mtodos estn
disponibles para este; vase Saltelliet al., 2000) y, lo que es peor, el tamao de muestra necesario
para calcular las medidas de Sensi-actividades para muestras no independientes es mucho mayor
que en las muestras correlacionadas CASEOF.

03
04
05
06
07
08

19

09

Por esta razn se aconseja al analista trabajar

10

en muestras no correlacionados tanto como sea posible,

egby tratamiento de dependen-

11

cias como las relaciones explcitas con un trmino de20ruido.

Tenga en cuenta que cuando se trabaja
con el MCF se acaba de describir una estructura de dependencia se genera por thefiltering s. Los
factores filtrados probablemente se correlacionan con una anothereven si fueran independientes
en la muestra original sin filtrar. Este couldbe un usefulstrategy para eludir el uso de muestras
correlacionadas en el anlisis de sensi-actividad. Todava puede haber casos muy particulares,
donde los factores useofcorrelated es inevitable.

12
13
14
15
diecisis

Un caso podra ocurrir con el apartado

17
18

enfoque de arranque mtrica se describe en la Figura 1.3.

19

el paso factores generalbe gustosas correlacionados entre s,

20

muestra es que puede extraerse de estos,willhave que respetar la correlacin

21

estructura.

24
25
26

e IFA

Otro caso especial en que uno tiene que tomar la dependencia de factores 'en

22
23

Despus de la estimacin

consideracin es cuando el analista A intenta demostrar la falsedad de un anlisis Uncer-incertiproducido por el analista de B.
En una adversarialcontext tales, A
tiene que demostrar que el anlisis de B es incorrecta (por ejemplo, no conservativa) whentaking
incluso la debida consideracin de la covarianza de los factores de entrada como explcita o
implcitamente, enmarcados por B.

27
28
29
30
31
32

Posibles errores 1.4POSSIBLE PARA UN

SENSITIVITYANALYSIS

33
34

Como se menciona cuando se habla de la necesidad de ajustes,

un anlisis de sensibilidad

35

puede failif su propsito subyacente se deja sin definir;

36

y las medidas pueden ser lanzados en un problema, produciendo una gama de

differentfactorrankingsbutleaving la researchernone la cual wiserasto

37

diversas statisticaltests

38
39
40
41

19

La dependencia y la correlacin no son sinnimos.

La correlacin implica la dependencia,mientras

42

lo contrario no es cierto. Las dependencias se describen, sin embargo, a travs de correlaciones para los clculos
practicalnumerical.

43

20

44

En lugar de introducir x
1y x2como factores correlacionados uno puede entrar
1yxx3, con x3siendo
un factor que describe el ruido, y el modelo x
2como una funcin de x1y x3.

19 de de noviembre de, de 2007

20: 1

Wiley / GSAS

Pgina-41

c01

42

INTRODUCCIN A LA anlisis de sensibilidad

Clasificacin de creer o privilegio. Otro peligro potencial es presentar medidas sensi-actividades

para demasiadas variables de salida Y .
Aunque la exploracin de la

01
02

sensibilidad de varios productos de los modelos es una buena prctica para probar la qualityof el
modelo, es mejor, al presentar los resultados de la sensibilidad anal-analysis, para centrarse en la
inferencia clave sugerida por el modelo, en lugar de toconfuse al lector con matrices de
sensibilidad ndices relativos a intermediateoutput variables. anlisis de sensibilidad a trozos, como
cuando compartimento modelo investigatingone a la vez, puede conducir a errores de tipo II si se
descuidan los factores interactionsamong ofdifferentcompartments.

03
04
05
06
07
08

Itis tambin vale la pena

09

sealando que, una vez que un anlisis basado en modelos se ha producido, la mayora modellerswill
no voluntariamente se someten a una revisin a travs de un anlisis de sensibilidad por thirdparty.

10
11
12

Esta anticipacin de crtica por anlisis de sensibilidad es tambin uno de los 10

13

mandamientos de econometra aplicada de acuerdo con Peter Kennedy:

14
15
diecisis
17
18
19

T confiese en presencia de la sensibilidad. Corolario: T se anticipatecriticism [ ] Al informar de un

anlisis de sensibilidad,
los investigadores deben explicar
plenamente su busca especificacin para que los lectores puedan juzgar por s mismos howthe pueden haber
sido afectado los resultados. Esto es bsicamente un "honestidad es la mejor policy'approach, defendida por
Leamer, (1978, p. VI) (Kennedy, 2007).

20
21
22
23
24
25
26
27
28

Para evitar este escollo, analista debe poner en prctica la incertidumbre y la sensibilidad
tividad analiza de forma rutinaria, tanto en el proceso de modelado y en el uso oper-ational del
modelo para producir inferencias tiles.
Finalmente el peligro OfType IIIerror debe Keptin mind.Framing
error se puede producir commonly.If un anlisis de sensibilidad es implementedby conjuntamente
con el propietario del problema (que puede coincidir con el modelador) y apractitioner (que podra
volver a ser un modelador o un estadstico o un anlisis de sensibilidad practitionerof),

29
30
31
32

es importante para evitar la antigua pidiendo simplemente

algunos 'technicalhelp'from este ltimo en un encuadre predefinido de
problem.Most a menudo que no el practicante

el

desafiar el encuadre

antes de nada.

33
34
35
36
37

OBSERVACIONES 1.5CONCLUDING

38
39

1.We apenas han mostrado diferentes configuraciones para el anlisis de sensibilidad, tales como:

40
41

42

43
44

factor de priorizacin, vinculado a S

yo;
*
factor de fijacin, vinculado a S
;
Tio 2
mapeo de los factores, vinculados a MCF;

metamodelado (consejos).

19 de de noviembre de, de 2007

20: 1

Wiley / GSAS

Pgina-42

c01

OBSERVACIONES FINALES

43

Los autores han encontrado que estos ajustes tiles en un nmero de applications.This no
significa que los otros ajustes no se pueden definir y usefullyapplied.

01
02
03

2.We han discutido aptitud para el uso como un elemento clave del modelo quality.If est bien
definido el objetivo, la salida del distrito se pueden ser de inters wellidentified. En el contexto de
una controversia, aqu es donde estar la atencin

04
05
06

centrado y donde se debe concentrar el anlisis de sensibilidad.

07

3.As discuten, algunos factores a menudo accountfor mostofthe variation.Advantage

deben tomarse ofthis funcin para simplificar el anlisis de los resultados de la
sensibilidad OFA.
sensibilidades de grupo tambin son tiles
para la presentacin

08
09
10

Los resultados de una manera concisa.

11

Anlisis / sensibilidad 4.Assumingmodelstobetrueisalwaysdangerous.Anuncer-incerti- es

siempre ms convincente cuando uncertaintyhas sido propagados a travs de ms de un
modelo. El uso de un parsi-armo- impulsado por los datos y un modelo de ley impulsado por
menos parsimoniosa de la

12
13
14
15
diecisis
17
18
19

misma aplicacin puede ser especialmente eficaz y convincente.

5. Cuando la comunicacin de los resultados cientficos transparencia es un activo.
A medida que la
hiptesis de un modelo parsimonioso se evalan con ms facilidad, sensitivityanalysis debe ir
seguida de un modelo de simplificacin.

20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37

El lector encontrar en este captulo y los siguientes ejemplos didcticos

con el propsito de la familiarizacin con medidas de sensibilidad.

La mayora de

ejercicios willbe basan en modelos cuya produccin (y, posiblemente, las medidas de
sensibilidad aso-ado) puede ser calculada analticamente.
En ms prctica
casos el modelo bajo anlisis o desarrollo sern un computationalone, sin una frmula analtica
cerrada.
Por lo general, los modelos implicarn ecuaciones diferenciales o algo- optimizacin
ritmos que implican soluciones numricas. Por esta razn los mejores cas-cas disponibles para clculos
numricos se presentarn en la siguiente chapters.For la Efectos elementales de prueba, vamos a
ofrecer procedimientos numricos desa-rrollado por Campolongo et al.(1999b, 2000,2007) .Para la
varianza-basedmeasures presentaremos el diseo basado Monte Carlo desarrollado por Saltelli (2002),
as como el balance de azar diseos basados en la prueba de Fourier AmplitudeSensitivity (FAST-RBD,
Tarantola et al.De 2006, vase el captulo 4). Todos los thesemethods se basan en verdaderos puntos en
el espacio de los factores de entrada, es decir, sobre el modelo de actualcomputations en estos puntos.
Un classof mtodos importantes y poderosos sern presentados en el captulo 5; tales tcnicas se basan
en los meta-modelado, por ejemplo, en las estimaciones del modelo en los puntos de espera de juicio.
Metamodellingallows para una gran reduccin en el coste del anlisis y se convierte de hecho opcin
theonly cuando el modelo es caro de mantener, por ejemplo, cuando un nico simulationof El modelo
tiene decenas de minutos o horas o ms. El inconveniente es thatmetamodelling herramientas tales
como los desarrollados por Ratto et al.(2007) se lessstraightforward para codificar que sencilla Monte
Carlo. Siempre que sea posible, debe darse a pointerswill software disponible.

38
39
40
41
42
43
44

19 de de noviembre de, de 2007

20: 1

Wiley / GSAS

Pgina-43

c01

44

INTRODUCCIN A LA anlisis de sensibilidad

1.6EXERCISES

01
02

1.Prove que

03
04

V "Y% = E "Y2 % - mi2"% Y,

05

2.Prove que para un modelo aditivo

06

07

10
11

ajuste? Te estar inclinado para fijar factores con una ms grande de primera
orderterm o ms bien los que tienen un trmino efecto total ms grande?

12
13

5.Suppose x

14
15
diecisis

19
20
21
22

2,

4. Si la varianza de Yya que los resultados de un anlisis de incertidumbre es demasiado grande, y

el objetivo es reducirlo, el anlisis de sensibilidad se puede utilizar para suggesthow Cuntos y
qu factores debe ser mejor determinado. Es esta una nueva

09

18

1y

La fijacin de una variable slo puede disminuir la varianza del modelo.

3. por qu en 2*Se utilizan las diferencias absolutas en lugar de simples diferencias?

08

17

de dos variables independientes x

1y x2son variables aleatorias uniforme en el intervalo [0, 1]. Que es

el significado? Cul es la diferencia? Cul es la media de x
1+x2? Que es
la varianza de x
1+x2?
6.Compute S
yoanalticamente para el modelo (1.3, 1.4) con los siguientes valores:
r = 2ps = 01# 21 y ! = 02# 11.

7.Write un modelo (una funcin analtica y de las funciones de distribucin de los factores) en el
que se fija un factor de incertidumbre aumenta la varianza.
8. Cul habra sido el resultado del uso de distribuciones cero centrada forthe +'S en la
ecuacin (1.27)?

23
24
25

1.7ANSWERS

26
27

1.Given una funcin Y = F"x%dnde x ="X

1#

28

dnde pag"x%es la distribucin conjunta de x con

29

Medio funcin se puede definir como

30

X2
2# xk%y x ~ pag"x%
pag"x%rex = 1, entonces la

3
E "Y% =

31

F"x%pag"x%rex#

32
33

y su varianza como

34
35

3
2
"F"x% - E "Y %%
pag"x%rex

var"Y% =

36

37

38
39

3
F2"x%pag"x%rex +2mi
"Y% - 2

E "Y% f"x%pag"x%rex

2
= E "Y2% + mi2"Y% - 2mi
"Y%

40

= E "Y2% - mi2"% Y,

41
42
43
44

Usando esta frmula itcan fcilmente ser probado thatVar"Y% = var"Y + do%,con do
una constante arbitraria.
Carlo basado en este resultado se utiliza en Monte

19 de de noviembre de, de 2007

20: 1

Wiley / GSAS

Pgina-44

c01

RESPUESTAS

45

varianza (y la varianza condicional) ajustando la base de clculo de todas valuesof Y restar E

"Y%.
Esto se hace porque la numrica
error en el

01
02

estimacin de la varianza aumenta con el valor de Y .

03

las variables writetheadditivemodeloftwo 2.Wecanx

04
05

Y=F

06

funcion de x

1"X1%+

x2como

+ ,
2.
Recordando que la varianza de "Y% puede escribirse como V "Y% = mi Y2 -

07
08

mi2"Y%,dnde mi representa el valor esperado,

09

obtenemos
+
V "Y% = mi F12 + F22 + 2F

10
11

,
1F2

y su aplicacin a Y

-mi2"F

1+

F2%,

Dado que E "f

12

1F2%= E "f1% E "f2%para las variables independientes, entonces la anterior

se puede reducir a

13
14

+ ,
+ ,
V "Y% = mi F12 +mi F22 -mi2"F

15
diecisis
17

1y

F2"X2%,dnde F1es slo una funcin de x1y F2slo es una

2
1%-mi

"F

2%

que puede ser reescrito como

18

V "Y% = V "f

19

1%+V

20
21
22
23
24
25
26
27
28
29
30
31
32
33

lo que prueba que la fijacin sea x

1o x2slo puede reducir la varianza de Y .
3.Modulus incrementalratios se utilizan con el fin de evitar valores positivos andnegative se
anulen entre s en el clculo de la media.
4.Itis un nuevo setting.In Saltelliet al.(2004) que se llama itthe variancecutting ajuste, cuando
el objetivo del anlisis de sensibilidad es la reductionof la varianza de salida a un nivel inferior
al fijar el menor nmero de
factores de entrada. Este ajuste puede ser considerado como relevante en, por ejemplo, los
estudios de evaluacin de riesgos.
La fijacin de los factores con el total ms alto efecto
plazo aumenta nuestras posibilidades de fijacin, adems de los trminos de primer orden,
posiblemente someinteraction trminos encerrados en losmaximizando
totales,
as nuestra
posibilidades de reduccin de la varianza (ver Saltelli et al., 2004).
5.Both x

1y

x2se distribuyen de manera uniforme en .0# 1/, es decir,

p "X

34
35
36

"f2% #

Esto significa que p "X

37

yo%

1%

= p "X2% = U "0# 1%,

es 1 para xyo .0# 1/y cero en caso contrario. As

3

38

EX

39

1%

= EX2% =

p "x% xrex =

51

x2

x=0

1
2

40
41

Promover:

42
43
44

3
Var "X

1%

= Var "X2% =

19 de de noviembre de, de 2007

20: 1

p "x% x -

x=0

Wiley / GSAS

rex =

x2-x +

x=0

Pgina-45

1
4

.
rex

c01

46

INTRODUCCIN A LA anlisis de sensibilidad

01

=.

x3
3

02

EX

03
04

x2

1+x2%

x/10 =

1
12

= EX1% + EX2% = 1#

como las variables son separables en la integral.

05

Dado que x

06

1+x2es

ese

07

un modelo aditivo (vase el ejercicio 1) tambin es cierto

1

08

Var "X

09
10

1+x2%

El mismo resultado se obtiene integrando explcitamente

11

12

Var "X

13

1+x2%

15
diecisis

14

17

= Var "X1% + Var "X2% =

1=0

2=0

pag"x%"x
1+ x2- 1%

rex

1rex2,

6.Note que el modelo (1.3, 1.4) es lineal y aditivo. Adems, su funcin de densidad probcapacidad se puede escribir como el producto
Ofthe factores "
distribuciones marginales (factores independientes). Escribir el modelo de r = 2we tener

18
19

Y "Z

20
21

1#

Z2% = +1Z1++2Z2

con

22
23
24

1~

N "0# 1%o equivalentemente p "Z1% = ps

Z

25
26
27
28

31
32
33
34

"Z 2
mi- 1%
2psZ2
23
1

y una ecuacin similar para p "Z

2%. Tenga en cuenta que, por definicin, las distribuciones

estn normalizados, es decir, la integral de cada p "Z
yo% sobre su propia variable 1
Zes
1, de modo que la media de Y se puede reducir a

29
30

3
E "Y% = +1

++

Z
-+

1p

"Z1%re1Z
2

Estos integralsare Ofthe tipo

++

++

Z
-+

2p

"Z2%re2Z

xmi-x2rex, Cuya primitiva -mi-x2/2

desaparece en los extremos de la integracin, de manera que E "Y% = 0. Teniendo en cuenta

que themodel es aditivo, la varianza habr

35
36

V "Y% = VZ +V

37
38
39

Ya sea para Z

1o

= V "+

1Z1%+V

"+2Z2%,

Z2ser

40

V Z = V "+
yo

41
42

Z2

yoZyo%=

2
V "Z
+yo

yo%,

Nosotros escribimos

43

V "Z

44

19 de de noviembre de, de 2007

20: 1

yo%

2
2
% - mi2"Z
%
yo
= E "Z
yo% = E "Zyo

Wiley / GSAS

Pgina-46

c01

RESPUESTAS

47

01
02

E "Z2yo% =

03
04
05

1
23 $

z2yomi-z2yo/2psyo2Zrez

yo,

Z yo

La forma es presentada

06

07

++

t2mi-a2re

08

t=

-0

09

lo que da con una fcil transformacin

10
11

E "Z2yo% = ps
2
Z

12

yo

13

as que eso

14
15

V Z = +2yopsZ2

diecisis

yo

yo

17
18

19

V "Y% = +21 psZ2 ++2 2 psZ2

20
21

22
23

SZ =

24

yo

+2yopsZ2

yo

V "Y%

25
26

Insercin de los valores ps = 01# 21 y ! = 02# 11 obtenemos V "Y% = 8 y

27

S Z = S Z =1 .
1

29

El resultado anterior se puede obtener mediante la aplicacin de la frmula de forma explcita

28

para S

yoa

nuestro modelo:

30

34

que implica el clculo de primera E "Y % Z

Y=+

35

yo=

1Z1++2Z2se

3
E "Y % Z

1=

38
39
40
41

*
%
1

p "z

1%

-+

42

SZ =

43

yo

*
1

*
++
P "z2% "+11z

de +

*
1z 1

19 de de noviembre de, de 2007

20: 1

yo

+21 psZ2 ++2 2 psZ2

Wiley / GSAS

2z2%rez1rez2=

+1z

*
,
1

- Es, como antes, igual a +

+2yopsZ2
1

44

1:

++

Por lo tanto
V- La varianza sobre z
Z
y

*
%. Aplicando esto a nuestro modelo
z yo

obtiene, por ejemplo, para el factor Z

36
37

yo%%
#

V "Y%

yo

32
33

V "E" Y % Z

SZ =

31

2
ps2
1 Z1

Pgina-47

c01

48

INTRODUCCIN A LA anlisis de sensibilidad

7.WeconsiderthemodelY = x

01

distribuidos de la

02
03

04

1#

x2, Con thefactorsidentically

X2~ N "0ps

Basado en el ejercicio anterior es fcil ver que

05
06

E "Y% = EX

07

1x2%=

08

as que eso

09

+
,
+ , + ,
V "Y% = mi x2 1 x22 = mi x2 1 mi x2 2 = ps4,

10
11
12

Si x

13

2se

18
19

*
%=
1x 2

EX

15
diecisis

*
,
2

fija a un valor genrico x

14

17

EX1%EX2%= 0#

entonces
x*2 EX

1%=

como en un ejercicio anterior, y

V "Y % x

2=

*
%
2

= V "X

1x

/
0
+ ,
mi x21 "x*2 %2 ="x* 2 %2mi x21 ="x* 2 %2ps2,

*
%=
2

20
21

Es fcil ver que V "X

22

mdulo de x*

23

*
%se
1x 2

hace ms grande que V "Y%siempre que la

es mayor que ps.

Adems, a partir de la relacin

24

V "Y % x

25

2=

*
%
2

= "x2*%2ps2

26
27

uno tiene

28

30

4
= V "Y%,
= ps

E "V" Y % x

2%%

29

Dado que

31

E "V" Y % x

32
33

2%%

+ V "E" Y %2%%
x = V "Y%

debe ser que

34

V "E" Y % x

35

2%%

36

= 0#

37

iethe ndice de sensibilidad de primer orden es nula

para ambos x

38

resultados se ilustran en las dos figuras que siguen.

39

~2

40

diferentes valores de

41

varianza de Y. La ordenada es cero para x

42
43
44

V "Y% para

*
x~
2

x2.Estas

*
%, es decir,
"YV% x
x 1
x 2
2= x
para ps = 1. La lnea horizontal es el incondicional

La figura 1.13 muestra una grficax de"Y

V% x
x2*

1y

2=

*
2

*
%a
2

= 0, y se convierte en ms alta que

1.

*
La Figura 1.14 muestra un diagrama de dispersin de
(La
Y versus
mismaxforma hara
1

appearforx*

) .Itisclearfrom El valor de plotthatwhateverthe

19 de de noviembre de, de 2007

20: 1

Wiley / GSAS

Pgina-48

c01