با پیشرفت فن آوری اطلاعات و ارتباطات و توسعه ارتباط درون سازمانی و بین سازمانی نیاز به استفاده از مدل های بهینه سازی را برای استفاده منطقی از داده ها و اطلاعات فراهم شده گسترش داده است. این مطلب متضمن بزرگ شدن اندازه مسائل بهینه سازی که در عمل وجود دارند خواهد بود. در این شرایط لزوم به کارگیری روش های کار آمدی که بتوانند با سرعت بالا مسائل بسیار بزرگ را با کیفیت قابل قبول حل کنند بیش از بیش احساس می شود. اخیراً روش های بهینه سازی که بر پایه رویکرد هوش مصنوعی توسعه یافته اند، موفقیت های چشم گیری در حل موثر و کارای مسائل بهینه سازی به دست آورده اند. روش هایی چون الگوریتم ژنتیک ، جستجوی ممنوع ، گرم و سرد کردن شبیه سازی شده و شبکه عصبی ، قابلیت های خود را در حل مسائل بزرگ عملی به خوبی نشان داده اند. امتیازات ویژه ی موجود در شبکه های عصبی امکان کاربرد آنها را در حوزه وسیعی از تحقیقات فراهم ساخته است. از جمله آن امتیازات می توان به امکان یادگیری و بهبود عملکرد بر اساس داده های ورودی اشاره کرد. همچنین امکان انجام محاسبات به صورت موازی در شبکه های عصبی امتیاز دیگری است که با توجه به گسترش سخت افزارهای موازی، امکان حل مسائل بسیار بزرگ را توسط این رویکرد ممکن می سازد. در این پایان نامه چند مدل مختلف شبکه عصبی بازگشتی برای حل مسائل برنامه ریزی خطی و درجه دوم ارائه می شود. تحلیل وجود یکتایی، پایداری و همگرایی سراسری جواب ها مورد بررسی قرار می گیرند و عملکرد روش های ارائه شده با به کارگیری چند مثال نشان داده می شود.

امکان مطالعه بسیاری از پدیده های علمی در شرایط آزمایشگاهی وجود ندارد. از این رو این پدیده ها، در قالب مدل های ریاضی بیان شده و رفتار آنها توسط کد های کامپیوتری شبیه سازی می شود. این مدل ها شامل دستگاهی از معادلات دیفرانسیل معمولی یا جزئی هستند که حل آن ها توسط روش های عددی انجام می گیرد. برنامه یا کد کامپیوتری که قادر به حل عددی این دستگاه معادلات باشد را مدل کامپیوتری و اجرای مکرر این مدل با مقادیر مختلفی از ورودی ها را آزمایش کامپیوتری می گویند. ساختار این مدل ها از پیچیده گی های خاصی برخوردار است که یکی از عوامل آن، تعداد زیاد ورودی های است. متغیرهای ورودی می تواند به طور تکی یا در تقابل با سایر ورودی ها، خروجی مدل را تحت تاثیر خود قرار دهند. از این رو شناخت ورودی های تاثیر گذار و همچنین ورودی های کم اهمیت یا بی اهمیت ضرورری است. این مهم در قالب تحلیل حساسیت مدل های کامپیوتری، مورد مطالعه قرار می گیرد. روش های مختلفی برای تحلیل حساسیت مدل ها پیشنهاد شده است. یکی از این روش ها، تحلیل حساسیت واریانس – مبنا است. تحلیل حساسیت در این روش با استفاده اندازه هایی به نام های شاخص حساسیت مرتبه اول و شاخص حساسیت کل انجام می شود. شاخص های مذکور انتگرال های چندگانه ای هستند که مبتنی بر مفاهیم امیدریاضی شرطی و واریانس شرطی است. مقدار واقعی این انتگرال ها به دلیل صریح نبودن رابطه ورودی- خروجی مدل، همواره مجهول است. در نتیجه مسئله برآورد آن ها یا تقریب انتگرال ها مطرح می شود. برای این منظور راهکارهای متعددی توسط محققین پیشنهاد شده است. روش تحلیل حساسیت واریانس مبنا نیز دو رهیافت کلی موسوم به روش مونت کارلو مبنای سالتلی و روش طرح متعادل تصادفی (rbd) را برای تقریب شاخص ها ارائه می دهد که در این پایان نامه مورد مطالعه قرار گرفته است. پس از معرفی این دو روش ، واسنجی (اعتبار سنجی) آن ها با استفاده از تابع تحلیلی سبل انجام گرفت. نتایج بررسی نشان از دقت کافی و عملکرد مناسب این دو روش در برآورد شاخص های حساسیت داشت. به منظور تحلیل حساسیت مدل زیست محیطی inca-n از روش های مذکور استفاده شد. مدل کامپیوتری inca-n، جریان نیتروژن ورودی به آب رودخانه را شبیه سازی می کند. نیتروژن یک آلاینده منابع آب است که اثرات سوئی بر سلامت انسان و جانداران دارد. در این مطالعه، مدل مذکور تابعی از هفت متغیر ورودی (نرخ تبادلات نیتروژنی) و یک متغیر خروجی (متوسط سالانه بار نیتروژن ورودی به رودخانه) در نظر گرفته شد. پس از تحلیل حساسیت نیتروژن وروردی به رودخانه tweed واقع درکشور انگلستان، با استفاده از روش مونت کارلو مبنای سالتلی و روش طرح متعادل تصادفی مشخص شد که چهار متغیر، میزان جذب نیترات گیاهان، نرخ نیترات سازی، آلی سازی و معدنی سازی مهمترین عوامل موثر بر این آلاینده آب رودخانه tweed است.

در سال های اخیر، تعدد شرکت هایی که خدمات نسبتاً مشابه ای را به جامعه ارائه می دهند موجب شده است تا مشتریان بر اساس نیاز خود بتوانند شرکت مورد نظر را انتخاب و از خدمات آن بهره مند گردند. این گوناگونی به وضوح در صنایعی از قبیل بیمه، مخابرات، موسسات ارائه دهنده خدمات اینترنتی و شبکه های تلویزیون کابلی دیده می شود و سبب شده است تا موضوع نگه داشتن مشتریان فعلی و عدم جذب آن ها توسط غیر، از جمله مهم ترین استراتژی های مدیریتی تلقی شود. موضوع قطع ارتباط مشتری با خدمات دهنده فعلی، موسوم به ریزش مشتری است. از دست دادن یک مشتری سود آور به معنی جذب او توسط خدمات دهنده رقیب بوده و هزینه جذب مشتری جدید به مراتب بیشتر از هزینه نگهداری آن است. از دیدگاه مدیریت ریسک و اقتصاد، تشخیص مشتریانی که ریزش آن ها مخاطره زیادی دارد، بسیار مهم و قابل توجه است. اطلاعات موجود در سوابق مشتریان، اعم از مشتریان وفادار و ریزش شده، مبنایی برای پیش گویی رفتار آینده مشتریان است. اگر بتوان بر اساس اطلاعات مربوط به ویژگی های مشتریان، احتمال ریزش یا عدم آن را پیش بینی کرد، می توان با انجام فعالیت های باز دارنده، ریزش آن ها را به حداقل رسانید. به منظور پیش بینی ریزش مشتری، روش های گوناگون آماری و داده کاوی برای رده بندی وجود دارند که ازجمله مهم ترین آن ها می توان به رگرسیون لجستیک، شبکه عصبی مصنوعی، درخت تصمیم و نظریه مجموعه مبهم اشاره کرد. در این پایان نامه، مدل های مذکور را معرفی نموده و دقت و کارایی آن ها را بر روی یک مطالعه موردیبا استفاده از معیارهای ارزیابی مختلف مورد بررسی قرار دادیم. نتایج نشان داد، معیارهای ارزیابی مختلف، مدل های مختلفی را برای پیش بینی ریزش مشتری پیشنهاد می کنند.

مدل های نیمه پارامتری اولین بار توسط انگل و همکارانش در سال 1986 معرفی شدند. انگل و همکارانش (1986) و چن و شیائو (1991) از روش کمترین توان های دوم جریمه ای (اسپلاین هموارساز)، فریدمن (1990) با استفاده از رگرسیون تطبیقی چند متغیره اسپلاین (mars)، کیوزیک و همکارانش (1992) با استفاده از روش مانده های جزئی، سورینی و وانگ (1992) و کارول و همکارانش (1997) با استفاده از روش درستنمایی نیمرخ، پارامترهای این مدل ها را برآورد نمودند. در این پایان نامه، هدف برآورد مدل های نیمه پارامتری به وسیله دو روش اسپلاین های تطبیقی (mars) و اسپلاین های غیرتطبیقی (اسپلاین های هموارساز) است. در این راستا، ابتدا به توضیح هموارکنندههای نمودار پراکنش و مفهوم اسپلاین ها پرداخته ایم. سپس دو روش ناپارامتری، اسپلاین های هموارساز و mars، را به تفصیل توضیح داده ایم. و در نهایت به شرح چگونگی استفاده از این دو روش در برآورد مدل های نیمه پارامتری پرداخته ایم. به منظور مقایسه این دو روش در برآورد مدل های نیمه پارامتری، از یک مجموعه داده های شبیه سازی شده و چند مورد مطالعاتی استفاده کرده ایم. که بعد از بکارگیری هر دو روش بر روی این مجموعه داده ها، در تمامی موارد برتری روش اسپلاین های تطبیقی در برآورد مدل های نیمه پارامتری با داشتن ضریب تعیین بزرگتر و مجموع توان های دوم خطا کوچکتر به وضوح مشاهده می شود.

چکیده پهنه های آبی، همواره به عنوان یکی از عوامل موثر در محیط زیست انسان و سایر موجودات زنده، شناخته می شود. از این رو، یکی از مهم ترین موضوعات پژوهش های زیست محیطی، بررسی کیفیت پهنه-های آبی می باشد. در این راستا، آگاهی از پارامترهای کیفی آب، امری لازم و اجتناب ناپذیر است. با توجه به وجود برخی مشکلات در اندازه گیری این پارامترها در مناطق گوناگون، و از طرفی به دلیل وجود اثرات واکنش های پارامترهای مختلف، امروزه، محققین با به کارگیری روش های مختلف یادگیری ماشین و روش های پیشرفته ی آماری، اقدام به برآورد پارامترهای مورد نظر می کنند. بدین منظور، با توجه به پیشرفت علوم فضایی، استفاده از داده های تشعشع طیفی، در دستور کار پژوهش گران قرار گرفته است. با در نظر گرفتن خطای اندازه گیری این داده ها، و همچنین تاثیر اتمسفر بر روی داده های تشعشع طیفی، همواره نوفه به عنوان یکی از اجزای جداناپذیر این نوع داده ها مطرح است. بنابراین چنانچه روشی قابلیت مدل سازی در شرایط نوفه ای را دارا باشد، مطالعه ی آن روش به منظور تبدیل داده های تشعشع طیفی به داده های کیفی آب، سودمند خواهد بود. در این پایان نامه، ضمن معرفی دو روش جنگل های تصادفی (rf) و ماشین بردار پشتیبان (svm)، عملکرد این دو روش در برآورد پارامترهای کیفی آب در داده های تشعشع طیفی مورد ارزیابی قرار گرفته است. با توجه به نتایج حاصل می توان گفت در به کارگیری روش های rf و svm به منظور برآورد غلظت کلروفیل-a پایگاه داده nomad و برآورد غلظت رنگدانه پایگاه داده seabam، استفاده از متغیرهای rrs(?)/ rrs(555) منجر به نتایج بهتری نسبت به استفاده از متغیرهای rrs(?) به عنوان متغیرهای توضیحی می گردد. در برآورد غلظت کلروفیل-a پایگاه داده nomad، روش svm به ازای کلیه ی مقادیر نوفه، منجر به کمترین مقدار خطای mpae در بین سه روش rf، svm و روش یادگیری فعال (alm) می شود. در برآورد غلظت رنگدانه ی پایگاه داده seabam، مقدار خطای rmse حاصل از روش های rf و svm، نسبت به روش های alm، شبکه های عصبی مصنوعی (ann) و برخی الگوریتم های تجربی، تا حد قابل قبولی کاهش می یابد. در پایگاه داده momo، به طور کلی استفاده از دو روش rf و svm در برآورد کیفیت آب منجر به بهبود نتایج روش ann می گردد. به طور کلی با در نظر گرفتن نتایج حاصل و همچنین هزینه ی محاسبات، می توان گفت که در این تحقیق عملکرد روش rf تا حدی بهتر از روش svm می باشد.

در یک سری زمانی که اساسا به صورت دنباله ای از مشاهدات مرتب شده بر اساس زمان به صورت x_1,…,x_n می باشد، ممکن است نقای وجود داشته باشندکه در آن نقاط، خصوصیات آماری متغیر تصادفی دست خوش تغییر قرار گرفته باشند. برای مثال، ممکن است n_0 مشاهده اول، از توزیعی مانند f_0 و مشاهدات باقیمانده از توزیع دیگری مانند f_1 تبعیت کنند. نقطه n_0 را نقطه تغییر (change point) نامند و یافتن این نقطه که در آن، ویژگی سری زمانی تغییر یافته است طیف گسترده ای از مسایل جهان واقعی را در بر می گیرد. موضوع یافتن نقطه تغییر یکی از چالش برانگیزترین مسایل آماری است، زیرا تعداد و محل این نقاط ناشناخته هستند. بدین منظور روش های متعددی با قابلیت های مختلف پیشنهاد شده اند. در این پایان نامه، چهار روش مجموع تجمعی cusum)) مبتنی بر نمونه های خودگردان، تحلیل طیفی منفرد (ssa)، تشخیص بیزی برخط (bocpd) و مدل بیزی افراز ضربی (ppm) مورد مطالعه قرار گرفته اند. به منظور بررسی دقت و توانایی هر یک از این روش ها در تشخیص نقطه تغییر، از سه سری زمانی شبیه سازی شده و یک سری زمانی واقعی استفاده شده به طوری که سری های زمانی شبیه سازی شده به ترتیب مبین تغییر در سطح میانگین، تغییر در سطح واریانس و تغییر در خودهمبستگی هستند. نتایج داده های شبیه سازی شده نشان داد که از بین روش های ارایه شده، روش تشخیص برخط نقطه تغییر بیزی، نسبت به سه روش دیگر، عملکرد مناسب تری داشته و توانسته است هر گونه از تغییرات ذکر شده را به طور مناسبی برآورد نماید. با انتخاب این روش به عنوان روش برتر، داده های سری زمانی واقعی مورد بررسی قرار گرفته و عملکرد سایر روش ها با آن مقایسه شده اند. به دلیل هزینه زمانی صرف شده برای تحلیل داده ها و تشخیص نقاط تغییر از اهمیت بسزایی برخوردار می باشد، زمان اجرای روش ها نیز مورد مقایسه قرار گرفته اند. نتایج اخذ شده حاکی از مقرون به صرفه بودن روش تشخیص برخط نقطه تغییر بیزی در مجموعه داده های بزرگ است.

در گذشته برای ایجاد نقشه های رده بندی عوارض مختلف در سطح زمین از روش های مطالعه میدانی که بسیار وقت گیر و هزینه بر بود استفاده می شد. با ظهور ماهواره ها و برداشت تصاویر ماهواره ای، این مهم توسط تصاویر ماهواره ای و پردازش آنها انجام می شود. اما مشکل این است که دقت نتیجه های استخراج شده بستگی به عملکرد روش پردازش تصویر برای رده بندی دارد. روش های متداول رده بندی در گذشته توانسته اند به نحو مطلوبی این مهم را به انجام رسانند. با ظهور روش های جدید پیشرفته آماری و یادگیری ماشین، می توان امید داشت که این روش ها عملیات رده بندی تصاویر ماهواره ای را بهتر از روش های متداول انجام دهند. در این مطالعه جهت رده بندی کاربری اراضی مختلف از روش های پیشرفته آماری و یادگیری ماشین استفاده شده و عملکرد آنها با روش های متعارف مقایسه می شوند. بدین منظور از داده های تشعشع ابرطیفی استفاده می شود که درطول و عرض های جغرافیایی مشخصی جمع آوری شده اند. این داده ها شامل 176 متغیر توضیحی (باند ماهواره) و یک متغیر پاسخ 13رده ای است که نوع پوشش گیاهی در مختصات جغرافیایی منطقه مورد مطالعه را مشخص می کند. مقادیر متغیر توضیحی توسط سنجنده aviris برداشت شده است. برای استخراج داده ها، از تصاویر ماهواره ای land sat استفاده شده است. منطقه مطالعاتی در kfc ( kennedy flight center) ایالت فلوریدا آمریکا واقع شده است. روش های پیشرفته آماری مورد مطالعه در این پایان نامه، شامل ماشین بردار پشتیبان و جنگل تصادفی می باشند. روش ماشین بردار پشتیبان دارای 4 تابع کرنل مختلف است که هر یک از آنها دارای پارامترهای خاص خود می باشند. انتخاب نوع توابع کرنل و بهینه سازی مقادیر پارامترهای آن که با استفاده از جستجوی نقطه ای انجام می شود، دارای هزینه محاسباتی گزافی است. جنگل تصادفی، مجموعه ای از چندین درخت تصمیم است که ساخت آن وابسته به دو پارامتر تعداد درخت و تعداد متغیرهای مورد نیاز در رشد درخت می باشد که هزینه اجرای آن بسیار کمتر از روش ماشین بردار پشتیبان است. این دو روش ذکر شده جزء روش های پیشرفته هستند و روش های متداول آماری شامل تحلیل ممیزی درجه دوم، تحلیل ممیزی خطی است که در علوم مهندسی به ترتیب روش ماکزیمم درستنمایی، فاصله ماهالونبیس نامیده می شوند. مدل نهایی از مقایسه روش های پیشرفته و متداول آماری حاصل می شود. نتیجه مقایسه این 4 روش، مدل ماشین بردار پشتیبان با کرنل نرمال را مدل منتخب با دقت کلی 958/0 معرفی نموده که حساسیت بالایی برای تمامی رده ها دارد. به عبارت دیگر رده بندی برای تمامی 13 رده را بخوبی انجام داده است.

در واقعیت، رخداد پیشامدها متاثر از عواملی است که برخی از این عوامل، اثری وابسته به زمان و برخی دیگر، اثری مستقل از زمان بر رویداد این پیشامدها دارند. بنابراین مناسب است که مدلی در نظر بگیریم که مرکب از هر دو نوع پیشامد باشد. در برخی از مدل های نیمه پارامتری بقا، که برای مدل بندی داده های بازگشتی بقا منعطف و مفید هستند، ضرایب متغیرهای موجود در مدل، پویا و وابسته به زمان می باشند. در این مدل ها، برآوردگرها به صورت بسته و دقیق به دست نمی آیند و بایستی از روش های تقریبی عددی برای محاسبه آن ها استفاده نمود. شکل پیچیده این برآوردگرها، به دست آوردن توزیع آن ها را ناممکن می سازد. در این موارد، معمولا از نظریه مجانبی توزیع ها برای بررسی ویژگی های برآوردگرها استفاده می شود.

در ذخایر معدنی، تشخیص مقادیری که در دم راست توزیع واقع شده اند، از نظر اقتصادی اهمیت ویژه ای دارند؛ در نتیجه تشخیص مرز این گونه مشاهدات در صنعت معدن اهمیت بسزایی در‏ اکتشاف و استخراج دارد. روش های موجود برای تشخیص داده پرت فضایی، مقدار این داده ها را ارائه می کنند و معیاری جهت شناسایی ‏مرز مقادیر بالا ارائه نمی دهند. از این رو در این پایان نامه برای شناسایی مرز مقادیر بالا، روش ‎مرز-بالا‎ پیشنهاد می شود، که بر مبنای عدم وجود اثر‏ مرزی استوار است. در صورت عدم وجود اثر مرزی، مقادیر بالای مرز‏‏، هیچ گونه تاثیر پذیری از مقادیر کمتر از مرز ندارد. در این روش‏، نسبت تغییرنگارهای شاخص متقابل به تغییرنگار شاخص برای مرزهای پیشنهادی محاسبه شده و درصورتی که تابعی از فاصله موقعیت ها نباشد، عدم وجود اثر مرزی را نشان می دهد. همچنین اگر تغییرنگار باقی مانده شاخص مرز پیشنهادی، اثر قطعه ای تام را نشان دهد، آنگاه مرز پیشنهادی به عنوان مرز مقادیر بالا انتخاب می گردد. ارزیابی عملکرد این روش و نیز برخی روش های تشخیص داده پرت، در یک مطالعه شبیه سازی انجام شده است. همچنین به عنوان یک مورد مطالعاتی واقعی، از این روش برای تشخیص مرز مقادیر بالای عیار داده های طلای ساری گونای در استان کردستان، استفاده شده و ‎در‎ نتیجه مر‏ز ‎ppm 63/4‏ به عنوان مرز عیار بالای طلای ساری گونای انتخاب گردید. ‎‏‎

در کاربردهای مرتبط با نفت و آبهای زیرزمینی، مدل سازی رخساره ای صحیح، نقشی حیاتی، در شناسایی منابع جدید و اتخاذ تصمیم های مناسب مدیریتی مخزن ایفا می کند. بسیاری از کاربردهای فعلی مدل سازی رخساره ای، براساس تکنیک های شبیه سازی بر پایه واریوگرام استوار است. این نوع روش ها امکان بسیار محدودی در کنترل پیوستگی و بازتولید هندسه رخساره های شبیه سازی، به مدل ساز داده و ناهمگنی تصادفی بیشتر از حد انتظار را نمایش می دهند. بازتولید اشکال منحنی-شکل و الگوهای پیچیده، اثر حیاتی بر مدل سازی جریان سیال مخزن دارد. هرچند مدل سازی هندسه چنین ناهمگنی هایی، با روشهای برپایه شیء بسختی ممکن است، این روش ها نیز با محدودیت های مختص خود، همچون شرطی سازی مدل به داده ها، و نیاز به امکانات رایانه ای بالا و زمان زیاد مدل سازی روبرو هستند. در این پایان نامه، با مطالعه موردی بر روی میدان نفتی سروش واقع در شمال غرب خلیج فارس، به شبیه سازی رخساره ای این میدان پرداخته ایم. تحلیل داده های مغزه و گرده شناسی، محیطی دلتایی، آبرفتی و جلگه ای را برای نهشته های این میدان بیان می کند. در این محیط، بر اساس تحلیل های زیست محیطی، وجود رسوبات کانالی و جزر و مدی محرز است. در این مطالعه، شبیه سازی چندنقطه ای افق بورگان b میدان سروش با بکارگیری الگوریتم snesim و در نرم افزار sgems انجام می گیرد. این الگوریتم از طریق بکارگیری تصویری مفهومی به شمارش آماره های چندنقطه ای و بازتولید الگوهای غیرخطی می پردازد. تصویر آموزشی، شامل الگوها و ساختارهای کلی میدان است که از طریق شرکت ملی نفت ایران در اختیار قرار گرفته است. این تحقق، با استفاده از اطلاعات داده های رخساره ای چاه و مغزه و تفاسیر زمین شناسی و رسوب شناسی بدست آمده است. نتایج مدل شبیه سازی چندنقطه ای نشان می دهد که الگوها و روند ساختارهای موجود در تصویر آموزشی، بازتولید شده است. این امر در نقشه های محتوای اطلاعات و میانگین تحقق ها (etype map) نیز دیده می شود. هر چند هندسه کانال های مواج این میدان بازتولید شده است، تعداد پیشامدهای همانند تصویر آموزشی و تحقق های شبیه سازی با ضریب تعیین 47/0، فاصله محسوسی از همدیگر دارند. ضریب تعیین 99/0 بین نسبت های رخساره ای هدف (net to grass ratio) با نسبت های رخساره ای مدل چندنقطه ای برقرار است. در حالی که این نسبت در شبیه سازی برپایه شیء برابر با 2/0 است. در شبکه اعتبارسنجی، بازتولید نمونه های چاه در شبیه سازی چندنقطه ای با میانگین 73% و بازتولید نقطه به نقطه تصویر آموزشی در بازه 70% تا 80% در لایه های میانی و میانگین 57% در سایر لایه ها به دست آمده است که ارقام قابل قبولی هستند. سیال در جای مخزن در تحقق های مختلف در بازه کوچکی از تغییرات (527 - 511 میلیون بشکه) قرار دارد. با مقایسه نتایج شبیه سازی شاخص پی درپی و چندنقطه ای، مشاهده می شود میزان عدم اطمینان 5.5 برابر کاهش یافته است.

مدل های کامپیوتری شامل ورودی های زیادی هستند که مقادیر واقعی آن ها نامعلوم هستند. در روش های تحلیل حساسیت اخیر برای به دست آوردن اثر عدم قطعیت ورودی ها روی خروجی مدل کامپیوتری، از روش مونت کارلو استفاده شده است. اغلب برای مدل های کامپیوتری که محاسبات زمان بر و پیچیده ای دارند، گرفتن نمونه ای به اندازه کافی بزرگ برای انجام یک تحلیل عدم قطعیت معنی دار، غیرممکن است. در این پایان نامه با ارایه مدل کریگینگ به عنوان یک مدل جانشین که برآورد مدل کامپیوتری بر مبنای استفاده از مدل های فرایند تصادفی گاوسی در یک مفهوم بیزی می باشد، به انجام تحلیل حساسیت می پردازیم. تمام نتایج و شاخص هایی که با تحلیل حساسیت مونت کارلو مدل کامپیوتری به دست می آید با مدل جانشین نیز ولی با یک نمونه خیلی کوچکتر حاصل می شوند. دقت مدل کریگینگ با یک تابع تحلیلی و یک مورد مطالعاتی نشان داده می شود.