---

امکان مطالعۀ بسیاری از پدیده‌های علمی و طبیعی در شرایط آزمایشگاهی میسر نیست و لذا آنها را در قالب مدل‌های ریاضی بیان و با کدهای کامپیوتری پیچیده، شبیه‌سازی می‌کنند. اجرای مدل کامپیوتری با ورودی‌های متفاوت را آزمایش کامپیوتری می‌نامند. مباحث آماری، در آزمایش‌های کامپیوتری از جایگاه ویژه‌ای برخوردار است.

در این مقاله ضمن تشریح ساختار این مدل‌ها، به معرفی وبیان اهمیت تحلیل حساسیت واریانس‌مبنا می‌پردازیم. تحلیل حساسیت، مجموعۀ روش‌هایی است که اثربخش بودن پارامترهای ورودی را بر خروجی مدل با شاخص‌های حساسیت تعیین می‌کنند. این شاخص‌ها بر اساس مفاهیم واریانس‌های شرطی بیان می‌شوند. از آن جا که شکل ریاضی این مدل‌ها، به‌صورت صریح مشخص نیست؛ مسئلۀ برآورد این شاخص‌ها با روش‌های مونته‌کارلو‌مبنا مطرح می‌گردد. از طرف دیگر زمان اجرا، چالش جدی در مدل‌های کامپیوتری محسوب می‌شود. طرح نقاط آزمایش ویژه‌ای مبتنی بر اعداد شبه‌تصادفی، برای کاهش زمان اجرای مدل پیشنهاد شده است. به‌منظور پرداختن به جنبۀ عملی، از مدل ‎INCA-N‎ که میزان آلایندگی نیتروژن ورودی به آب رودخانه‌ها را شبیه‌سازی می‌کند، استفاده شده است تا بتوان با شاخص‌های حساسیت متغیرهای تأثیرگذار بر این عامل تهدید‌کنندۀ سلامت انسان و محیط زیست را شناسایی کرد. 

---

رخداد داده­های طول عمر مساله­ای است که معمولا در تحقیق­های گوناگون شامل آمارگیری­ها، آزمایش­های کلینیکی و مطالعات اپیدمیولوژی روی می­دهد. اخیرا تحقیق­های نظری وسیعی در حوزه­ی تحلیل داده­های طول عمر انجام شده است. با این حال، از آن­جایی که معمولا اطلاعات کمی بر اساس داده­ها برای برآورد صحیح پارامترهای مدل­ موجود است؛ استنباط­ها ممکن نسبت به فرض­های غیر قابل آزمون حساس باشند که نیاز به انجام یک تحلیل حساسیت را گوشزد می­نماید.  در این مقاله، ما نحوه ارزیابی­کردن اثر پریشیدگی پاسخ­های رگرسیونی لگ – بتا وایبل را بیان می­کنیم. همچنین کاربرد و تفسیر روش­های تحلیل تاثیر با استفاده از  تحلیل داده های سانسور شده، مرور و تعمیم داده می شود. یک شیوه درستنمایی – مبنا که منجر به برآورده­های ماکسیمم درستنمایی برای پارامترهای مدل می­گردد، مورد استفاده قرار می گیرد. به منظور ارزیابی عملکرد شاخص­های معرفی شده در کشف حساسیت پارامترهای کلیدی مدل، چندین مطالعه شبیه سازی انجام گرفته است. ما  به وسیله تحلیل کردن  داده­های  سرطان، روش های بیان شده را تشریح می­کنیم.

---

ر دنیای امروزی با استفاده از فرآیند مدل‌سازی آماری می‌‌توان پدیده‌‏های طبیعی را جهت تحلیل و پیش‌‏بینی اتفاقات مورد
بررسی، بکار برد. دﺭ ﺑﺴﻴﺎﺭﯼ ﺍﺯ ﺭﻭﺵ‌ﻫﺎﯼ ﻣﺪﻝ‌ﺳﺎﺯﯼ ﺁﺏ‌ﺷﻨﺎﺳﯽ ﺍﺯ ﺍﻃﻼﻋﺎﺕ ﻣﻮﺟﻮﺩ ﺑﻪ ﺑﻬﺘﺮﻳﻦ ﻭﺟﻪ ﺍﺳﺘﻔﺎﺩﻩ ﻧﻤﯽ‌‌ﺷﻮد به این دلیل که مدﻝ‌‌ﻫﺎﯼ ﺁﺏ‌ﺷﻨﺎﺳﯽ فرﺍﻳﻨﺪﻫﺎﯼ ﻣﺤﻴﻄﯽ ﺭﺍ ﺩﺭ ﻃﻴﻒ ﻭﺳﻴﻌﯽ ‏نشاﻥ ﻣﯽ‌ﺩﻫﻨﺪ ﮐﻪ ﺑﺎﻋﺚ ﺍﻓﺰﺍﻳﺶ ﭘﻴﭽﻴﺪﮔﯽ ﻣﺪﻝ می‌‌شود. در هنگام پیش‌بینی به طور مشخص پارامترها بر عملکرد مدل‌های آماری تاثیر می‌‌گذارند. وجود عدم قطعیت در بسیاری از مسائل ارزیابی ریسک در پارامترها منجر به عدم قطعیت در پیش‌بینی‌های مدل می‌‌شود. تحلیل حساسیت کلی ابزاری است که برای نشان‌دادن عدم قطعیت استفاده می‌شود و در تصمیم‌گیری، ارزیابی ریسک، ساده‌سازی مدل‌ها و غیره کاربرد دارد. دو روش تحلیل حساسیت فاصله مینکوفسکی و تحلیل حساسیت منطقه‌ای روش‌هایی هستند که می‌‌توانند با یک مجموعه نمونه داده شده از جفت‌های ورودی - خروجی مدل کار کنند. یک تفاوت قابل توجه بین این دو روش آن است که تحلیل حساسیت فاصله مینکوفسکی، توزیع‌های خروجی را مشروط به مقادیر ورودی (پیشرو) تحلیل می‌‌کند در حالی که تحلیل حساسیت منطقه‌ای، توزیع‌های ورودی را مشروط به مقادیر خروجی تحلیل می‌کند (معکوس). در این مقاله به تعیین روابط روش‌های حساسیت کلی (فاصله مینکوفسکی و منطقه‌ای) پرداخته و نشان داده خواهد شد، هنگامی که تحلیل حساسیت منطقه ای بر توابع چگالی احتمالی متمرکز شود به سمت تحلیل حساسیت فاصله مینکوفسکی همگرا می‌شود. همچنین مشابه شاخص‌های حساسیت پیشرو می‌توان شاخص‌‎‏‌های حساسیت معکوس را به دست آورد. سرانجام به تحلیل حساسیت یک طرح ذخیره‌سازی آب با‏ استفاده از مدل های‌‌مد با ابعاد بالای خروجی‌های مدل پرداخته می‌شود.