Onzekerheidsanalyse

Onzekerheidsanalyse is een systematische aanpak om onzekerheden in data, modellen en uitkomsten te kwantificeren en te communiceren. Het doel is om de betrouwbaarheid van conclusies en beslissingen te verbeteren door expliciet rekening te houden met wat niet met zekerheid bekend is.

Bij onzekerheidsanalyse wordt onderscheid gemaakt tussen verschillende soorten onzekerheid. Aleatorische onzekerheid (stochastische variabiliteit) ligt in de aard van het systeem en kan niet volledig worden geëlimineerd. Epistemische onzekerheid ontstaat uit beperkte kennis, ontbrekende data of onduidelijke modeldefinities. Oorzaken zijn meetfouten, onjuiste aannames, onbekende parameters en onzeker toekomstbeeld (scenario’s).

Methoden en benaderingen omvatten onder meer gevoeligheidsanalyse, waarmee wordt vastgesteld welke parameters de uitkomsten het meest beïnvloeden; onzekerheidspropagatie, waarbij onzekerheden door het model worden meegenomen om onzekerheidsbanden of verdelingen voor resultaten te verkrijgen; probabilistische methoden zoals Monte Carlo-simulatie en Bayesiaanse inference; intervalanalyse en vage logica voor grenzen en onduidelijkheden. Validatie en kalibratie van modellen zijn vaak onderdeel van de analyse om de geloofwaardigheid te vergroten.

Een typische workflow omvat: probleemformulering; identificatie van onbevestigde parameters en onzekerheidsbronnen; selectie van representaties (verdelingsvormen, intervallen); propagatie van onzekerheid door het model; analyse van resultaten (statistieken, risico-indicatoren) en documentatie van aannames en beperkingen. De resultaten dienen als steun bij besluitvorming en risicobeoordeling, met duidelijke communicatie over wat wel en niet wordt afgedekt door de analyse.

Toepassingsgebieden zijn onder andere engineering, milieu en klimaatmodellen, financiën en gezondheid. Beperkingen hangen samen met data-kwaliteit, modelkeuzes en de interpretatie van probabilistische uitkomsten.