1 基本概念
不确定性量化是围绕“结果在多大程度上可信”这一问题展开的一类方法体系。它并不只关心一个数值结果本身，而是同时关注结果背后的波动范围、误差来源及其对结论的影响。与单纯给出点估计不同，这一领域更强调对不确定信息的系统描述、传递与评估。
在科学研究与工程实践中，不确定性量化常用于处理模型输入、观测数据、计算过程和决策输出中的不完备信息。其目标不是消除所有不确定性，而是在可接受的成本下尽可能清楚地表明“知道什么”“不知道什么”以及“未知部分会如何改变结论”。
1.1 定义与研究对象
不确定性量化的研究对象包括随机变量、参数误差、模型简化误差、观测噪声以及由此产生的输出波动。它关注从输入到输出的全过程，既研究单个不确定源，也研究多种不确定源耦合后的综合影响。
从方法角度看，该领域结合概率统计、数值分析、逆问题、优化和推断技术，对不确定性的表示、传播和压缩进行统一处理。其核心任务是将难以直接判断的“模糊性”转化为可计算、可比较和可解释的量。
1.1.1 不确定性与误差的区别
不确定性与误差并不完全相同。误差通常指真实值与观测值、计算值之间的偏离，强调“偏了多少”；而不确定性则强调对这种偏离程度及其来源的认知不足，强调“有多不确定”。
在一些情形下，误差可以通过校准、修正或更高精度测量予以减少；但不确定性往往不可彻底消除，只能通过更充分的数据、更合理的模型和更稳健的分析方法加以刻画。换言之，误差是结果偏差的表现，不确定性则是对偏差与波动的整体描述。
1.1.2 随机性与认知性不确定性
随机性不确定性来自系统本身的波动，例如自然过程中的内在随机变化。它通常具有统计意义上的规律，能够通过重复观测得到较稳定的分布特征。
认知性不确定性则源于知识不足，例如参数未知、模型结构简化或数据缺失。与随机性相比，它更依赖于信息补充和模型修正。实际问题中，两者常同时存在，并在分析中交织出现。
1.2 发展背景
不确定性量化的发展与统计学、计算科学和工程建模的进步密切相关。随着模型复杂度提升，单一确定性预测越来越难以满足解释、验证和决策的需要。
在传统科学研究中，结果常以平均值、最可能值或经验范围表达；而随着计算能力增强，人们逐渐能够处理大规模样本、复杂分布和高维参数，从而使不确定性分析成为可操作的研究方向。
1.2.1 统计学对不确定性量化的贡献
统计学为不确定性量化提供了基础语言，包括概率分布、抽样理论、参数估计和假设检验等工具。借助这些概念，可以将观测数据中的波动转化为可推理的量化信息。
此外，统计学还发展了区间估计、模型选择和误差分析等方法，使研究者能够在有限样本条件下描述可信范围，并比较不同模型的拟合效果与解释能力。
1.2.2 计算科学中的需求推动
随着数值模拟广泛应用于工程、物理和材料等领域，模型输出越来越依赖复杂计算过程。由于输入参数、边界条件和算法近似都可能带来波动，单纯的确定性结果往往不足以支撑高风险场景下的判断。
计算科学的需求推动了蒙特卡洛模拟、代理建模、敏感性分析和贝叶斯推断等方法的发展，使不确定性可以在大规模仿真与数据驱动框架中被系统处理。
1.3 核心目标
不确定性量化并非只为“描述模糊”，更重要的是服务于预测、评估和决策。其核心目标可以概括为提高结果可信度、识别主要风险来源，并为后续行动提供依据。
1.3.1 可信预测
可信预测要求不仅给出未来状态或模型输出的估计值，还要说明其可能波动的范围及对应概率。这样，使用者可以根据置信程度判断结果是否足以支持实际应用。
1.3.2 风险评估
风险评估关注不确定性可能造成的最坏影响、失效概率或超限可能。通过量化风险，研究者能够更早识别脆弱环节，并对安全裕度进行更合理的配置。
1.3.3 决策支持
在决策场景中，不确定性量化帮助比较不同方案在不确定条件下的稳健性。它使决策不再依赖单点结果，而是综合考虑收益、风险与可信区间，从而提升选择的合理性。
2 不确定性的类型
不确定性通常按来源划分为随机不确定性、认知不确定性和混合不确定性。不同类型对应不同的数学处理方式，也影响后续的建模策略与结果解释。
2.1 随机不确定性
随机不确定性是由系统内部或外部环境的天然波动引起的。即使条件完全相同，结果也可能发生变化，因此它具有不可重复的统计特征。
2.1.1 天然波动与内在随机性
天然波动常见于自然过程、粒子运动、材料微观结构演化等场景。其核心特征是结果本身存在随机散布，通常用概率分布而非单值来描述。
2.1.2 观测噪声
观测噪声指测量过程引入的随机扰动，如仪器精度限制、环境干扰或采样波动。它会导致观测值偏离真实状态，是数据分析中最常见的不确定来源之一。
2.2 认知不确定性
认知不确定性来自信息不足或模型理解不完整。随着观测增加或理论改进，这类不确定性有可能显著降低，因此也常被称为可减少不确定性。
2.2.1 参数未知
参数未知意味着模型中某些关键量没有被准确测定，或只能通过有限数据估计。这类问题在系统识别、材料参数反演和生物统计中十分常见。
2.2.2 模型结构不足
模型结构不足是指所选模型无法完整描述真实系统，例如忽略了某些耦合机制、非线性效应或边界条件。此时即便参数估计准确，结果仍可能存在系统偏差。
2.3 混合不确定性
混合不确定性是多种不确定源共同作用的结果，既包含随机波动，也包含认知不足。实际问题中，这种情况十分普遍，尤其是在复杂系统建模中。
2.3.1 多源不确定性的叠加
多源不确定性叠加后，往往表现为输出分布变宽、尾部变化或风险概率增加。不同来源之间还可能存在耦合，使得简单相加的处理方式不再适用。
2.3.2 可分解与不可分解情形
在一些问题中，随机性与认知性可以通过实验设计或统计建模分离；但在另一些复杂情境下，两者相互混杂，难以明确拆分，只能统一建模并给出综合评估。
3 数学基础
不确定性量化建立在概率论、数理统计和贝叶斯理论等数学基础之上。这些工具提供了描述、推断和更新不确定信息的形式化框架。
3.1 概率论基础
概率论为不确定性的数学表达提供了标准语言，使随机现象能够以统一方式建模和分析。
3.1.1 随机变量与分布
随机变量用于表示不确定结果，概率分布则描述其取值规律。常见分布包括正态分布、均匀分布、二项分布和对数正态分布等，具体选取取决于问题背景。
3.1.2 期望、方差与协方差
期望反映随机变量的平均水平，方差衡量其波动幅度，协方差则描述两个变量之间的联动关系。这些量是评估不确定性强弱和相关结构的基本指标。
3.2 统计推断基础
统计推断关注如何利用有限样本对总体特征进行估计和判断，是不确定性量化中的关键环节。
3.2.1 参数估计
参数估计用于从数据中反推出模型参数，常见方法包括最大似然估计、最小二乘估计和贝叶斯估计。估计结果通常伴随标准误差或区间范围。
3.2.2 假设检验
假设检验用于比较不同假设是否与数据相容。它常被用来判断模型是否合理、参数是否显著以及不同处理方案之间是否存在统计差异。
3.2.3 置信区间
置信区间给出参数或统计量可能落入的范围，并附带一定置信水平。它比单一点估计更能体现样本波动带来的不确定性。
3.3 贝叶斯理论
贝叶斯理论提供了一种将先验知识与观测数据结合的更新框架，特别适合处理不完全信息条件下的推断问题。
3.3.1 先验分布
先验分布表示在获得新数据之前对参数或状态的已有认知。它可以来自历史经验、理论判断或专家知识。
3.3.2 后验分布
后验分布是结合观测数据后得到的新分布，反映更新后的认知状态。它通常比先验更贴近实际，并可直接用于预测与决策。
3.3.3 似然函数
似然函数描述在给定参数条件下观测数据出现的可能性，是连接数据与参数推断的核心桥梁。它在贝叶斯推断和频率学派方法中都具有重要作用。
4 主要方法
不确定性量化的方法体系较为丰富，常见手段包括随机采样、敏感性分析、贝叶斯推断和区间估计等。不同方法适用于不同类型的问题和数据条件。
4.1 蒙特卡洛方法
蒙特卡洛方法通过大量随机采样近似求解复杂不确定性问题，适用于解析解难以获得的情形。
4.1.1 随机采样
随机采样是指从输入分布中生成样本，并将其输入模型计算输出分布。样本数量越大，近似结果通常越稳定。
4.1.2 收敛性与误差控制
蒙特卡洛方法的精度随样本数增加而提升，但计算成本也随之增长。实际应用中常通过方差缩减、分层采样或停止准则来控制误差。
4.2 敏感性分析
敏感性分析用于识别哪些输入变量对输出影响最大，从而帮助聚焦关键不确定源。
4.2.1 局部敏感性分析
局部敏感性分析考察在某一基准点附近，输入微小变化对输出的影响。它计算简便，但通常只适用于近线性或小扰动情形。
4.2.2 全局敏感性分析
全局敏感性分析考虑整个参数空间内的变化影响，更适合非线性、多峰或强耦合系统。它能够更全面地反映参数作用机制。
4.2.3 参数重要性排序
参数重要性排序根据敏感性指标对变量进行优先级划分。该结果可用于实验设计、模型简化和资源分配。
4.3 贝叶斯不确定性分析
贝叶斯不确定性分析将参数估计、预测和模型更新统一在概率框架下，适用于数据逐步积累的场景。
4.3.1 参数后验估计
参数后验估计通过先验与数据融合，得到参数的后验分布及其统计特征。相比单点估计，它更能反映参数本身的不确定程度。
4.3.2 预测分布生成
预测分布生成用于估计未来观测或未知输出的可能范围。它不仅包含参数不确定性，也包含观测层面的波动。
4.3.3 模型更新
模型更新指在新数据到来后修正参数、结构或预测结果。贝叶斯框架下的更新过程连续且自然，适合动态系统分析。
4.4 置信传播与区间估计
置信传播关注不确定性如何在计算链条中传递，而区间估计则用区间形式表达结果范围。
4.4.1 概率区间
概率区间指在一定概率水平下，结果可能落入的区间。它常用于风险沟通和预测表达。
4.4.2 可信区间
可信区间通常与贝叶斯推断相关，表示参数或状态落在某一区间内的后验概率较高。它具有明确的概率解释。
4.4.3 容忍区间
容忍区间用于保证总体中一定比例的数据落入指定范围，并带有相应置信水平。它在质量控制和标准评估中较为常见。
5 模型与计算方法
实际不确定性分析往往依赖数值模型、近似算法和高效计算策略。由于真实系统通常复杂且高维，直接精确求解并不总是可行。
5.1 数值模型中的不确定性
数值模型本身就可能包含多种不确定因素，这些因素会影响最终输出的稳定性与可信度。
5.1.1 输入参数不确定性
输入参数不确定性来自材料常数、初始条件、载荷强度等变量的未知或波动。它通常是传播分析的起点。
5.1.2 边界条件不确定性
边界条件不确定性源于外部约束描述不完整或测量误差。对很多偏微分方程模型而言，这类不确定性会显著改变解的行为。
5.1.3 网格离散误差
网格离散误差是数值求解中将连续问题离散化所引入的近似偏差。网格越粗，误差通常越明显，但计算量也更低。
5.2 代理模型与降阶模型
当原始模型计算代价过高时，代理模型和降阶模型可用于近似原系统，从而提高不确定性分析的效率。
5.2.1 响应面方法
响应面方法用简单函数近似复杂映射，便于快速评估输入变化对输出的影响。它常用于设计空间探索和优化。
5.2.2 高斯过程代理
高斯过程代理不仅给出预测值，还能给出预测方差，因此特别适合与不确定性分析结合使用。它在小样本条件下表现较好。
5.2.3 低秩近似
低秩近似通过压缩冗余信息减少计算维度，适用于结构较规整的大型系统。它有助于缓解高维模型带来的计算负担。
5.3 高维问题处理
高维不确定性问题常面临维数灾难，即维度上升导致采样、优化和推断难度急剧增加。
5.3.1 维数灾难
维数灾难使得均匀采样难以覆盖参数空间，模型训练和误差估计也变得更不稳定。它是高维分析中的核心难题之一。
5.3.2 稀疏表示
稀疏表示假设只有少数变量或基函数真正重要，从而减少模型复杂度。它在特征选择和压缩表示中应用广泛。
5.3.3 分层建模
分层建模将复杂系统拆分为多个层级或模块，分别处理局部不确定性，再将结果整合。该方法有利于提高可解释性和可扩展性。
6 数据驱动与机器学习中的不确定性量化
在数据驱动方法中，不确定性量化不仅用于提升预测质量，也用于判断模型输出是否值得信赖。随着机器学习广泛应用，这一问题变得越来越重要。
6.1 预测不确定性
预测不确定性描述模型对某一输入输出结果的把握程度，通常体现在概率分布或区间范围上。
6.1.1 分类任务中的置信度
在分类任务中，置信度反映模型对某一类别判断的确定程度。高置信度并不总意味着高准确率，因此仍需结合校准指标进行评估。
6.1.2 回归任务中的预测区间
回归任务中的预测区间给出目标值可能出现的范围。相比单一预测值，它更适合用于风险敏感场景。
6.2 模型不确定性
模型不确定性与模型本身的结构、参数和泛化能力有关，常用于判断模型在未见数据上的可靠程度。
6.2.1 参数不确定性
参数不确定性指模型参数由于数据有限而不能被精确确定。它会影响模型输出的稳定性和解释性。
6.2.2 泛化误差估计
泛化误差估计用于衡量模型在新样本上的表现偏差。它是评估机器学习模型可靠性的关键指标之一。
6.3 深度学习中的方法
深度学习模型复杂度高、参数量大，因此不确定性分析尤其重要。相关方法主要用于增强输出的可解释性和风险识别能力。
6.3.1 贝叶斯神经网络
贝叶斯神经网络将权重视为概率变量，从而输出分布而非单点结果。它在不确定性表达上更自然，但计算通常较复杂。
6.3.2 集成学习
集成学习通过组合多个模型的预测结果来估计波动范围。不同模型之间的差异可作为不确定性的间接信号。
6.3.3 Dropout 近似
Dropout 近似在推理阶段保留随机失活机制，以模拟模型输出的随机波动。它是一种实现相对简便的不确定性估计方式。
6.4 评估指标
评估指标用于检验不确定性估计是否合理，既关注准确性，也关注概率表达是否与真实情况一致。
6.4.1 校准度
校准度衡量模型给出的概率是否与实际发生频率一致。校准良好的模型，其置信判断通常更可靠。
6.4.2 覆盖率
覆盖率表示真实值落入预测区间的比例。它常用于检查区间估计是否过窄或过宽。
6.4.3 负对数似然
负对数似然综合考虑预测概率与观测结果之间的一致程度。数值越小，通常说明概率预测越合理。
7 误差分析与传播
误差分析与传播研究不确定性从源头到输出的传递路径，是理解最终结论可信度的重要环节。
7.1 误差来源识别
在分析前，需要先识别误差来自测量、近似还是数值计算，以便采取针对性的修正策略。
7.1.1 测量误差
测量误差来自仪器精度、采样方式或环境干扰。它通常影响原始数据质量，并进一步传递到后续分析中。
7.1.2 近似误差
近似误差指模型用简化形式替代复杂真实系统时产生的偏差。它是很多理论模型不可避免的组成部分。
7.1.3 截断误差
截断误差是由于级数、离散或算法停止条件引起的误差。它在数值计算中较常见，且常与步长或迭代次数有关。
7.2 误差传播方法
误差传播方法用于估计输入不确定性如何影响输出结果，常见手段包括解析、数值和统计三类。
7.2.1 解析传播
解析传播通过公式推导直接计算误差传播关系，适合结构较简单的问题。其优点是清晰，但适用范围有限。
7.2.2 数值传播
数值传播通过仿真或迭代计算跟踪不确定性在模型中的演化。它适合复杂系统，但通常需要较高计算成本。
7.2.3 统计传播
统计传播基于样本模拟或概率模型估计输出分布，常与蒙特卡洛方法结合使用。它在处理非线性和高维问题时较为灵活。
7.3 不确定性分解
不确定性分解旨在将总波动拆分为不同来源的贡献，以便识别主要驱动因素。
7.3.1 方差分解
方差分解把总方差拆分为由不同输入或因素贡献的部分。它有助于比较各类不确定源的相对影响。
7.3.2 主效应与交互效应
主效应反映单个因素的独立作用，交互效应则描述多个因素共同作用的结果。二者共同构成系统输出变化的主要结构。
7.3.3 贡献度分析
贡献度分析用于衡量各因素对总体不确定性的贡献比例。该结果常被用于优化设计、实验排序和风险控制。
8 应用领域
不确定性量化已广泛进入多类应用场景，其价值在于提高预测可靠性、辅助模型验证并增强决策稳健性。
8.1 自然科学
自然科学中的许多对象本身就具有复杂波动特征，因此特别需要不确定性分析来解释观测与模型之间的偏差。
8.1.1 物理建模
物理建模中，不确定性量化可用于描述参数误差、测量偏差和理论近似对结果的影响，帮助提高模型可信度。
8.1.2 气候与天气预测
气候与天气预测高度依赖初始条件和模型结构，因此常通过集合预报、概率区间和敏感性分析来表达不确定性。
8.1.3 材料性能评估
材料性能评估中，微观结构差异、制备波动和测试误差都会影响强度、寿命等指标的稳定性，需要进行综合量化。
8.2 工程技术
工程场景通常对安全性和稳定性要求较高，不确定性量化可帮助提前识别失效风险。
8.2.1 结构可靠性分析
结构可靠性分析用于评估建筑、机械或航空部件在载荷波动下的失效概率。它是安全设计的重要组成部分。
8.2.2 控制系统设计
控制系统设计中，不确定性分析可帮助评估参数变化、扰动和传感误差对系统稳定性的影响。
8.2.3 传感器融合
传感器融合通过整合多个信息源提高估计质量，同时也需要处理不同传感器之间的误差差异和置信度差别。
8.3 医学与生命科学
医学和生命科学中的观测往往样本有限且噪声较多，因此更需要明确结果的不确定范围。
8.3.1 诊断辅助
诊断辅助系统通过输出概率或置信度帮助临床判断信息是否充分。它更强调辅助而非替代人工判断。
8.3.2 生物统计建模
生物统计建模中，不确定性量化可用于处理个体差异、样本波动和模型拟合误差，提高统计结论的稳健性。
8.3.3 药效与风险预测
药效与风险预测关注药物反应、剂量波动及不良反应概率。区间化和概率化表达有助于更全面地评估效果。
8.4 人工智能与数据科学
在人工智能与数据科学中，不确定性量化主要用于提升模型可信度与可解释性，并减少过度自信带来的风险。
8.4.1 模型可信度评估
模型可信度评估通过概率输出、校准分析和稳定性测试判断模型是否适合实际部署。
8.4.2 异常检测
异常检测中，不确定性较高的样本往往更可能偏离训练分布，因此可作为异常信号的重要参考。
8.4.3 决策系统
决策系统需要在收益与风险之间平衡，不确定性量化能帮助系统在信息不足时采取更保守或更稳健的策略。
9 实践流程
不确定性量化在实际项目中通常遵循较为固定的流程，从问题界定到结果解释依次展开。
9.1 问题定义
明确问题边界是后续分析的前提。若目标和不确定源不清晰，后续建模往往会失去针对性。
9.1.1 目标变量确定
目标变量确定是指明确需要预测、评估或控制的对象，如位移、温度、风险概率或分类结果。
9.1.2 不确定源识别
不确定源识别要求区分哪些因素会影响结果，并判断其属于随机性、认知性还是混合类型。
9.2 建模与校准
在完成问题定义后，需要建立合适模型并利用数据进行校准，使其尽可能贴近实际。
9.2.1 数据预处理
数据预处理包括清洗、标准化、异常值处理和缺失值修补等步骤，目的在于提高输入质量。
9.2.2 参数标定
参数标定通过观测数据调整模型参数，使模型输出与真实系统保持更一致的对应关系。
9.2.3 模型验证
模型验证用于检查模型在未参与拟合的数据上的表现，判断其是否具有稳定的泛化能力。
9.3 结果解释
结果解释阶段关注如何把复杂的不确定性分析转化为可理解、可沟通的信息。
9.3.1 结果可视化
结果可视化常借助分布图、误差带、置信区间图或概率热图，使不确定范围更直观。
9.3.2 风险阈值设定
风险阈值设定用于定义何种输出应被视为可接受、警戒或不可接受，是决策流程中的关键环节。
9.3.3 决策建议生成
决策建议生成将分析结果转化为行动方案，例如采用保守策略、进一步采样或调整模型结构等。
10 局限与挑战
尽管不确定性量化方法已较为成熟，但在大规模复杂系统中仍面临若干实际困难。
10.1 计算成本
高精度不确定性分析往往需要大量样本和重复计算，因此成本较高。
10.1.1 大规模采样开销
当模型调用成本高时，大规模采样会显著增加计算时间与资源消耗，限制方法的实时应用。
10.1.2 高维模型复杂度
高维模型中的参数众多，导致推断和传播过程更复杂，往往需要近似与压缩技术配合使用。
10.2 数据不足
许多实际问题面临样本稀少、标注困难或观测不完整的情况，使不确定性估计不稳定。
10.2.1 小样本问题
小样本条件下，统计估计容易受偶然波动影响，置信区间也可能较宽，降低结论稳定性。
10.2.2 偏差与缺失数据
偏差和缺失数据会扭曲模型学习到的规律，使不确定性估计出现系统偏移或低估。
10.3 理论与工程落差
理论方法在实际部署中往往需要面对复杂环境、规则变化和系统耦合，因此会出现落地难题。
10.3.1 模型假设失配
模型假设失配指理论前提与真实系统不一致，例如独立性假设过强或分布设定不合理，从而削弱分析结果。
10.3.2 可解释性不足
当模型过于复杂时，即使能给出不确定性区间，也未必能清楚说明其形成原因。可解释性不足会影响结果的可信沟通与实际采纳。