onzekerheidsinschatting

Onzekerheidsinschatting is het proces waarbij de onzekerheid rondom een meting, voorspelling of schatting wordt gekwantificeerd. Het levert naast een puntwaarde ook informatie over de kans op afwijkingen, bijvoorbeeld in de vorm van verdelingen of intervalschattingen. Het doel is om beslissingen te ondersteunen door inzicht te geven in betrouwbaarheid en risico's.

Er bestaan twee hoofdtypen onzekerheid: aleatorische onzekerheid, die voortkomt uit inherent toeval in het systeem en niet volledig kan worden geëlimineerd, en epistemische onzekerheid, die veroorzaakt wordt door beperkte kennis, modelonvolledigheid of data-tekorten. Aleatorische onzekerheid is vaak irreducibel; epistemische onzekerheid kan verminderen door meer data of betere modellen.

Methoden omvatten probabilistische modellen, credible of predictieve intervallen, en bayesiaanse benaderingen met priors en posteriors. Daarnaast worden bootstrapping, resampling en ensemblemethoden toegepast om variabiliteit te schatten. Kalibratie- en evaluatietechnieken, zoals betrouwbaarheid-diagrams en Brier-score, testen of de gerapporteerde onzekerheid overeenkomt met de werkelijke frequentie. In machine learning worden vaak opties als Monte Carlo dropout en Gaussian-processen gebruikt om predictive uncertainty te schatten.

Toepassingsgebieden zijn onder meer engineering en kwaliteitscontrole, risicoanalyse, klimaatmodellering, medische diagnostiek en datawetenschap. Uitdagingen omvatten onder- en overconfidentie, calibratieproblemen, hoge rekenkosten, data-kwaliteit en interpretatie; bovendien kunnen veranderingen in de context de onzekerheidskaarten doen verouderen.

Zie ook: Bayesiaanse inferentie, probabilistische modellering, kalibratie, onzekerheidsmeting.

---