Les performances de conception données par les fabricants peuvent généralement différer des performances opérationnelles en raison de la variabilité de certains paramètres opérationnels. Habituellement, la phase de conception est divisée en deux phases différentes. La première phase consiste à déterminer la conception pré-optimale. Grâce à l'utilisation de logiciels numériques, la meilleure conception possible est choisie en tenant compte de certaines performances idéales à atteindre. La deuxième phase consiste à certifier par des expériences à dimension réelle que la conception déterminée précédemment est valide. De cette façon, la conception post-optimale est spécifiée. Cette deuxième phase est la plus coûteuse. À cet égard, les fabricants cherchent à réduire l'utilisation des expériences à dimension réelle. La Quantification de l'Incertitude Optimale (OUQ) [1, 2] est un outil mathématique puissant qui peut être utilisé pour rigoureusement la probabilité de dépasser un seuil de performance donné pour des conditions opérationnelles ou des caractéristiques du système incertaines. Ce cadre mathématique peut être formulé comme un problème d'optimisation sur un ensemble A de mesures de probabilité et de fonctions de probabilité admissibles pour calculer, par exemple, le supremum d'une famille de fonctions de répartition d'une fonction objective g imparfaitement connue qui dépend de certaines variables aléatoires avec une distribution µ imparfaitement connue sur l'ensemble A. Le problème de la reconstruction adaptative d'une fonction croissante monotone à partir d'observations ponctuelles imparfaites de cette fonction est communément appelé "reconstruction". imparfaites de cette fonction est communément appelé régression isotonique dans la littérature statistique. littérature statistique. Cependant, nous considérons ce problème sous des hypothèses qui diffèrent de la formulation standard, et ces différences motivent notre approche du problème.