Saltar al contenido
Volver a los resultados

Análisis de Sensibilidad Global — Sobol, Morris y FAST

Propuesto por
I.M. Sobol (indices, 2001); Morris (screening, 1991); Cukier et al. (FAST, 1973)
Año
1973–2001
Tipo
Variance-based sensitivity decomposition

Este texto es una traducción automática y aún no se ha revisado. Leer el original en inglés

Tamaño de letra

¿Qué hace?

El análisis de sensibilidad global (GSA, por sus siglas en inglés) es una familia de técnicas que descomponen la varianza de la salida de un modelo entre sus parámetros de entrada, cuantificando cuánto contribuye cada entrada —y cada combinación de entradas— a la incertidumbre total en el resultado.

Los índices basados en la varianza de Sobol (2001), el cribado uno-a-uno (OAT) de Morris (1991), y la Prueba de Sensibilidad de Amplitud de Fourier (FAST, propuesta por primera vez por Cukier et al. en 1973) son los tres enfoques más utilizados. Juntos, sirven como el conjunto de herramientas estándar para identificar qué parámetros impulsan el comportamiento del modelo y cuáles pueden fijarse de forma segura.

La intuición detrás del método

Imagina un modelo con diez "perillas" de entrada. Quieres saber cuáles son importantes y cuáles apenas afectan la salida. Una verificación de sensibilidad local solo te dice qué sucede cerca de una configuración particular; el análisis de sensibilidad global explora todo el espacio plausible a la vez. El enfoque Sobol es exhaustivo: asigna fracción de varianza total a cada entrada y combinación. Morris es un cribado económico que clasifica parámetros por influencia general. FAST utiliza trucos de transformada Fourier para descomposición con menos ejecuciones del modelo. Los tres responden la misma pregunta fundamental con diferentes costos y precisión.

Historia

La descomposición de la varianza de la salida del modelo en contribuciones de entradas individuales tiene sus raíces en la tradición ANOVA, pero su aplicación sistemática a modelos computacionales comenzó con la Prueba de Sensibilidad de Amplitud de Fourier introducida por Cukier, Levine y Shuler en la década de 1970. Max Morris formalizó el enfoque de cribado de efectos elementales uno-a-uno en un artículo de 1991 que sigue siendo ampliamente citado por su economía práctica. La formulación moderna más influyente provino de Ilya M. Sobol, cuyo artículo de 2001 estableció los estimadores de Monte Carlo para los índices basados en la varianza de primer orden y de efecto total que ahora son el estándar. El libro de texto de Saltelli y sus colegas (2008) consolidó el campo y estableció el esquema de muestreo de Saltelli como la implementación de referencia para los índices de Sobol. Hoy en día, el análisis de sensibilidad global es un componente rutinario de la validación de modelos en ingeniería, ciencias ambientales, epidemiología y economía.

Cuándo usarlo

El análisis de sensibilidad global es apropiado siempre que necesite comprender qué entradas impulsan la incertidumbre en un modelo computacional, o cuando desee simplificar un modelo identificando parámetros no influyentes que pueden fijarse. Se aplica a cualquier modelo determinista o estocástico donde las entradas pueden describirse mediante distribuciones o rangos plausibles. Los índices de Sobol son la opción más informativa cuando el número de ejecuciones del modelo es asequible (típicamente cientos a miles por parámetro). El cribado de Morris se prefiere para la exploración inicial cuando el modelo es costoso y hay muchos parámetros candidatos para clasificar rápidamente. FAST es un buen término medio cuando el costo de muestreo de Sobol es prohibitivo pero se desea una descomposición completa de la varianza. El método no requiere entradas distribuidas normalmente; se esperan tipos de entrada continuos. No es adecuado cuando no se pueden asignar distribuciones de probabilidad o rangos plausibles a las entradas, o cuando el modelo se basa puramente en datos sin una estructura de simulación directa.

Limitaciones y consideraciones

  • Los índices de Sobol requieren N×(2k+2) ejecuciones del modelo, lo que puede ser prohibitivo para simuladores costosos con muchos parámetros.
  • El cribado de Morris revela la clasificación de la importancia de los parámetros, pero no descompone la varianza en fracciones cuantificadas; no puede reemplazar los índices de Sobol cuando se necesita una asignación precisa.
  • Todos los métodos asumen que la incertidumbre de entrada puede caracterizarse mediante distribuciones de probabilidad o rangos acotados; si este conocimiento previo no está disponible o no es fiable, los índices resultantes reflejan una incertidumbre asumida en lugar de la verdadera.
  • Para modelos con entradas discretas o categóricas, el marco estándar basado en la varianza no se aplica directamente y se requieren extensiones o enfoques alternativos.

Las condiciones de la fuente no sustituyen una revisión científica independiente ni la validación por un motor de análisis.

Fortalezas

  • Explora todo el espacio de entrada simultáneamente en lugar de hacer suposiciones de linealización local, capturando el comportamiento no lineal y las interacciones entre parámetros.
  • Los índices de efecto total de Sobol (ST) identifican directamente los parámetros no influyentes que pueden fijarse, lo que permite una simplificación del modelo basada en principios.
  • El método de Morris es extremadamente económico en relación con la descomposición completa de la varianza, lo que lo hace práctico para modelos de alta dimensión o computacionalmente costosos.
  • FAST logra una descomposición completa de la varianza con menos ejecuciones que el muestreo Saltelli-Sobol, ofreciendo un compromiso eficiente.
  • Los resultados son interpretables: los índices de sensibilidad son fracciones normalizadas de la varianza total, lo que permite una clasificación y comunicación sencillas.

Aplicaciones

  • Identificar qué parámetros del modelo influyen más en las predicciones en los modelos climáticos y del sistema terrestre, dirigiendo los esfuerzos de calibración hacia los parámetros que importan.
  • Simplificar modelos farmacocinéticos y farmacodinámicos complejos fijando parámetros no influyentes antes de ajustarlos a datos clínicos.
  • Priorizar la reducción de la incertidumbre en las evaluaciones de riesgo y seguridad para sistemas de ingeniería nuclear, química o estructural.
  • Guiar el diseño experimental en biología computacional y modelado de sistemas revelando qué factores de entrada impulsan más la variabilidad en las salidas del modelo.
  • Apoyar el análisis de políticas cuantificando qué supuestos de entrada inciertos afectan más las conclusiones de los modelos económicos o epidemiológicos.

Cómo funciona

Cómo funciona

1

El analista especifica el espacio de parámetros de entrada: a cada parámetro se le asigna una distribución de probabilidad (o un rango plausible) que captura el conocimiento previo sobre su incertidumbre. El modelo cuya salida se va a analizar también se define en esta etapa. La elección cuidadosa de los rangos de entrada es crítica porque los índices de sensibilidad son relativos al espacio que se explora.

2

Se genera un conjunto estructurado de combinaciones de entrada de acuerdo con el método elegido. Para los índices de Sobol, el esquema de muestreo de Saltelli produce N×(2k+2) evaluaciones del modelo para k parámetros; utiliza secuencias cuasi-aleatorias (de baja discrepancia) para cubrir el espacio de entrada de manera eficiente. El método de Morris utiliza un diseño de trayectoria uno-a-uno que varía un parámetro a la vez mientras mantiene los demás fijos. FAST utiliza un esquema de muestreo periódico construido sobre frecuencias distintas asignadas a cada entrada.

3

El modelo computacional se evalúa en cada punto de entrada muestreado. Esta etapa puede ser la parte más costosa del análisis si el modelo es computacionalmente caro. Para simuladores costosos, a veces se sustituyen modelos sustitutos (metamodelos) como los emuladores de procesos gaussianos para hacer factible el número requerido de evaluaciones.

4

Las salidas del modelo se analizan para calcular las medidas de sensibilidad. Para Sobol, la varianza total de la salida se particiona: el índice de primer orden S1 captura la fracción de varianza debida a un parámetro que actúa solo, y el índice de efecto total ST captura su contribución incluyendo todas las interacciones con otros parámetros. Morris calcula un efecto elemental para cada parámetro en cada punto de la trayectoria; la media y la desviación estándar de estos efectos indican la influencia general y la no linealidad o interacción. FAST utiliza el análisis de Fourier de la variación de la salida para atribuir la varianza a cada frecuencia de entrada.

5

Los parámetros se clasifican según sus índices de sensibilidad. Un S1 alto sugiere que un parámetro tiene un fuerte efecto directo; una gran brecha entre S1 y ST indica una interacción significativa con otros parámetros. Los parámetros con ST cercano a cero pueden fijarse en valores nominales sin afectar materialmente la distribución de la salida — este es el resultado práctico clave. Los resultados se muestran típicamente como gráficos de barras o diagramas de dispersión de índices con intervalos de confianza bootstrap.

Errores comunes

  • Especificar rangos de entrada demasiado estrechos reduce artificialmente la sensibilidad aparente de los parámetros que importarían en un rango realista más amplio; siempre base los rangos de entrada en el conocimiento del dominio o en los datos.
  • Reportar solo los índices de primer orden (S1) e ignorar los índices de efecto total (ST) pasa por alto los efectos de interacción; un parámetro con S1 bajo pero ST alto sigue siendo importante porque interactúa fuertemente con otros.
  • Usar muy pocas ejecuciones del modelo para los índices de Sobol produce estimaciones de índices inestables y poco fiables; siempre se deben calcular intervalos de confianza bootstrap para evaluar la convergencia.
  • Aplicar un resultado de cribado de Morris como respuesta final cuando el propósito requiere una atribución precisa de la varianza — Morris clasifica los parámetros pero no cuantifica sus contribuciones fraccionarias; use Sobol o FAST para eso.
  • Confundir el análisis de sensibilidad local (derivadas en un solo punto) con el análisis de sensibilidad global — el análisis local no captura las interacciones entre parámetros ni la no linealidad en todo el espacio de entrada.

Preguntas frecuentes

¿Debo usar Sobol, Morris o FAST?

La elección depende de su presupuesto de ejecuciones del modelo y de su objetivo. Comience con Morris si el modelo es costoso y tiene muchos parámetros para cribar — los clasifica de forma económica. Si puede permitirse N×(2k+2) ejecuciones (donde k es el número de parámetros), los índices de Sobol ofrecen la imagen más completa al cuantificar los efectos de primer orden y de interacción como fracciones de la varianza total. FAST es una buena opción cuando desea una descomposición completa de la varianza pero el tamaño de la muestra de Sobol es demasiado grande; logra información similar con menos ejecuciones.

¿Qué significan realmente los índices de primer orden (S1) y de efecto total (ST)?

S1 para un parámetro es la fracción de la varianza total de la salida explicada solo por ese parámetro, ignorando las interacciones. ST es la fracción explicada por ese parámetro y todas sus interacciones con otros parámetros. Si S1 ≈ ST para todos los parámetros, las interacciones son insignificantes. Una gran brecha entre S1 y ST indica efectos de interacción importantes. Los parámetros con ST cercano a cero pueden fijarse sin cambiar significativamente la incertidumbre de la salida.

¿Cuántas ejecuciones del modelo necesito?

El esquema estándar de Saltelli para los índices de Sobol requiere N×(2k+2) ejecuciones, donde N es un tamaño de muestra base (a menudo 512–2048) y k es el número de parámetros de entrada. Por ejemplo, con k=10 parámetros y N=1024, eso es 22 528 ejecuciones. Morris típicamente necesita r×(k+1) ejecuciones, donde r es el número de trayectorias (a menudo 10–50), lo que da un total mucho menor. Los requisitos de FAST varían según la implementación, pero generalmente se encuentran entre los de Morris y Sobol.

¿Puedo usar el análisis de sensibilidad global en un modelo que no es una simulación?

El GSA se aplica a cualquier modelo que mapea un conjunto de entradas a salidas y puede evaluarse repetidamente con diferentes valores de entrada. Esto incluye modelos estadísticos, modelos de aprendizaje automático y ecuaciones analíticas, no solo simulaciones basadas en la física. El requisito es que las entradas puedan asignarse a distribuciones o rangos plausibles y que el modelo pueda ejecutarse suficientes veces para poblar la matriz de muestra.

Métodos relacionados

Fuentes

  1. Sobol, I.M. (2001). Global Sensitivity Indices for Nonlinear Mathematical Models and Their Monte Carlo Estimates. Mathematics and Computers in Simulation, 55(1–3), 271–280.

    Abrir referencia DOI
    Copiado.
  2. Saltelli, A. et al. (2008). Global Sensitivity Analysis: The Primer. Wiley.

    Abrir referencia DOI
    Copiado.