Calcul de la manière dont les incertitudes sur les entrées, paramètres ou conditions initiales se répercutent à travers un modèle pour produire de l'incertitude sur les sorties, prédictions ou quantités d'intérêt.

Principe

Propager les représentations de l'incertitude d'entrée vers l'avant dans le modèle en utilisant des techniques appropriées — échantillonnage Monte Carlo, linéarisation, chaos polynomial, modèles de substitution — en tenant compte de la non‑linéarité, des dépendances et des erreurs numériques.

Démonstration

Des ingénieurs aéronautiques réalisent des simulations Monte Carlo des coefficients aérodynamiques incertains via un modèle CFD pour obtenir une distribution de portance et déterminer les marges pour la conception de commande.

Mauvaise application

Supposer des relations linéaires alors que des effets non linéaires ou seuils dominent, utiliser trop peu d'échantillons, ignorer les corrélations d'entrée, ou considérer la propagation comme une réduction de l'incertitude épistémique plutôt que comme sa quantification.

Conséquence

Produit des distributions de probabilité, intervalles de confiance ou informations de sensibilité sur les sorties qui éclairent les marges de sécurité, la conception robuste et la priorisation des efforts de réduction de l'incertitude.

Inversion

Les approches inverses (inférence de paramètres ou calibration) cherchent à déduire les entrées à partir des sorties ; ignorer la propagation directe ou ne rapporter que des valeurs ponctuelles masque la véritable variabilité des sorties.

Limite

Nécessite des modèles spécifiés d'incertitude d'entrée et des modèles directs fiables ; la propagation ne corrige pas la forme du modèle en soi et peut être coûteuse en calcul pour des problèmes de haute dimension.

Tension sémantique

Tension avec la quantification d'incertitude inverse et l'estimation de paramètres ; avec l'analyse de sensibilité (qui peut examiner des dérivées locales plutôt que des distributions complètes de sortie).

Synthèse

La propagation de l'incertitude est la cartographie computationnelle avant des entrées incertaines vers des sorties incertaines, produisant distributions et diagnostics qui rendent explicites les conséquences de l'incertitude d'entrée pour la prise de décision.