Osäkerhetsmodeller

Osäkerhetsmodeller är metoder och matematiska representationer som används för att beskriva och kvantifiera osäkerhet i data, modeller och resultat. De används inom riskbedömning, beslutsfattande, ingenjörsvetenskap, ekonomi och vetenskaplig modellering för att ge beslutstöd när insamlade data är ofullständiga eller osäkra.

Osäkerhet kan delas upp i olika typer. Aleatorisk eller slumpmässig osäkerhet uppkommer ur naturlig variation och kan beskrivas med sannolikheter och fördelningar. Epistemisk osäkerhet uppstår på grund av bristande kunskap eller felaktiga antaganden och kan ofta minskas med ny data. Inom vissa sammanhang används kvalitativa metoder som fuzzy logik eller plausibilitets- och övertygelsefunktioner (Dempster–Shafer) när kvantitativa uppgifter saknas eller är otillräckliga.

Vanliga sätt att modellera osäkerhet inkluderar kvantitativa representationer som sannolikhetsfördelningar (t.ex. normal, lognormal, gamma), intervallmodeller och mer generella ramverk som fuzzy set-teori eller Dempster–Shafer-lära. Spridningen kan beräknas genom Monte Carlo-simuleringar, analytiska metoder eller Bayesianska tillvägagångssätt som uppdaterar fördelningar när ny data kommer.

Användningar inkluderar riskbedömningar i konstruktion och energi, miljö- och klimatsimuleringar, finansiell risk samt osäkerhetskvantifiering inom artificiell intelligens och maskininlärning. Viktiga utmaningar är att hantera beroenden mellan osäkerheter, databrist och modellantaganden, samt att kommunicera osäkerhet till beslutsfattare. En god praxis är känslighetsanalys, tydlig dokumentation av antaganden och noga val av lämplig representationsform.