osäkerhetsanalyser

Osäkerhetsanalyser är systematiska metoder för att identifiera, kvantifiera och kommunicera hur osäkerhet i ingångsdata, modeller och antaganden påverkar modellernas utdata. Målet är att ge sannolikhetsfördelningar eller gränser för resultat istället för enkla punktestimat, så att beslut kan tas med bättre insikt om risker och tolkningsmöjligheter.

Osäkerhet delas ofta upp i aleatorisk och epistemisk. Aleatorisk osäkerhet uppstår ur naturliga variationer och beskrivs statistiskt. Epistemisk osäkerhet kommer från begränsad kunskap, databrist eller modellantaganden och kan minskas medny information eller bättre modeller.

Processen består av problemformulering, identifiering av osäkra ingångar och deras fördelningar eller intervall, modellkonstruktion, osäkerhetspropagering genom simulering eller andra tekniker, samt tolkning och dokumentation av bidrag till osäkerhet och risker. Validering mot data används för att bedöma modellens trovärdighet.

Metoder som används inkluderar Monte Carlo-simulering, Latin Hypercube Sampling och andra samplingstekniker för att propagera osäkerhet; känslighetsanalys för att rangordna insatsens påverkan; global känslighetsanalys (till exempel Sobol-indikatorer); samt Bayesianska metoder för parameterkalibrering och uppdatering av kunskap med ny information. Bootstrapping kan också användas för robusthetstest.

Resultatet är sannolikhetsfördelningar eller konfidensintervall för modellutdata och riskmått som sannolikhet för överskridanden. Osäkerhetsanalyser används inom teknik och industri, hydrologi, klimatmodellering, ekonomi, läkemedelsforskning och mjukvarutestning. Utmaningar inkluderar korrelerade ingångar, modellmisspecifikation och beräkningskostnader; bästa praxis betonar transparent dokumentation, reproducerbarhet och tydlig kommunikation av antaganden och osäkerheter.