El calentamiento global obliga a la industria automotriz a reducir las emisiones reales de conducción y, por lo tanto, su huella de CO. Además de maximizar la eficiencia individual de los componentes del tren motriz, también existe un potencial de ahorro de energía en la elección de la estrategia de conducción. Muchos trabajos de investigación han señalado el potencial de los métodos de control predictivo de modelos (MPC) para reducir el consumo de energía. Sin embargo, esto resulta en un sistema de control complejo con muchos parámetros que afectan la eficiencia energética. Por lo tanto, una pregunta importante sigue en pie: ¿cómo influyen estos parámetros parcialmente inciertos (sistema o controlador) en la eficiencia energética? En este artículo, se utiliza un método de análisis de sensibilidad global basado en la varianza para responder a esta pregunta. Por lo tanto, se desarrolla y se parametriza un modelo detallado del tren motriz controlado por un MPC no lineal longitudinal (NMPC). Posteriormente, se realiza un screening cualitativo de Morris en este modelo, con el fin de reducir el conjunto de parámetros. Posteriormente, los parámetros restantes se cuantifican utilizando Índices de Sobol Generalizados, para tener en cuenta la dependencia temporal de los procesos físicos. Este análisis revela que las variaciones en la masa del vehículo, la temperatura de la batería, la resistencia a la rodadura y los consumidores auxiliares tienen la mayor influencia en el consumo de energía. En contraste, los parámetros del NMPC solo representan un máximo del 5% de la varianza de la salida.