Généralisation de la décomposition de Hoeffding-Sobol ... - JdS'2012
Généralisation de la décomposition de Hoeffding-Sobol ... - JdS'2012
Généralisation de la décomposition de Hoeffding-Sobol ... - JdS'2012
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
On a alors<br />
V (ηu(Xu)) +<br />
Su =<br />
v=∅ Cov(ηu(Xu), ηv(Xv))<br />
u∩v=u,v<br />
V (Y )<br />
. (3)<br />
<br />
u∈{1,··· ,p}\{∅}<br />
Su = 1.<br />
Dans ces nouveaux indices, les termes <strong>de</strong> covariance permettent <strong>de</strong> prendre en compte<br />
<strong>la</strong> corré<strong>la</strong>tion éventuelle <strong>de</strong>s variables, en distinguant <strong>la</strong> contribution à part entière d’une<br />
variable (grâce au terme V (ηu(Xu))), et sa contribution cachée dans une variable corrélée<br />
(grâce à Cov(ηu(Xu), ηv(Xv)), pour v = ∅ et u ∩ v = u, v).<br />
Aussi, cet indice généralise bien celui <strong>de</strong> <strong>Sobol</strong>, puisqu’en cas d’indépendance <strong>de</strong>s entrées,<br />
les termes <strong>de</strong> covariance sont réduits à 0, et l’indice coïnci<strong>de</strong> exactement avec celui <strong>de</strong><br />
<strong>Sobol</strong>.<br />
Pour estimer ces indices, nous adopterons l’approche intuitive, qui consiste à estimer<br />
les termes <strong>de</strong> <strong>la</strong> <strong>décomposition</strong>, puis à estimer empiriquement leurs covariances. Ici, nous<br />
nous concentrerons sur l’estimation d’indices pour <strong>de</strong>s modèles <strong>de</strong> paires indépendantes<br />
<strong>de</strong> variables corrélées. Supposons qu’on dispose d’un tel modèle à p = 2k variables. On<br />
note les groupes <strong>de</strong> variables corrélées <strong>de</strong> <strong>la</strong> façon suivante:<br />
X = (X1, X2,<br />
· · · , X2k−1, X2k)<br />
<br />
X (1)<br />
<br />
X (k)<br />
Le principe est d’abord d’appliquer <strong>la</strong> <strong>décomposition</strong> <strong>de</strong> <strong>Sobol</strong> c<strong>la</strong>ssique sur les groupes<br />
<strong>de</strong> variables X (i) , ce qui livre<br />
η(X) = η0 + η1(X (1) ) + · · · + ηk(X (k) ) +<br />
où X (u) = (X (u1) , · · · , X (ut) ) si u = (u1, · · · , ut).<br />
k<br />
ηu(X (u) ), (4)<br />
Ensuite, pour chaque terme <strong>de</strong> premier ordre (ηi)i=1,··· ,k, nous utilisons <strong>la</strong> <strong>décomposition</strong><br />
généralisée, puis les indices <strong>de</strong> sensibilité généralisés sur cette nouvelle <strong>décomposition</strong>. On<br />
obtient ainsi <strong>de</strong>s indices qui permettent <strong>de</strong> mesurer l’influence <strong>de</strong>s variables corrélées dans<br />
le modèle. Les résultats théoriques seront illustrés sur <strong>de</strong>s exemples numériques.<br />
4<br />
|u|=2