1 概念与定义
1.1 基本含义
不确定性是指对某一事物、事件、结果或判断无法获得完全确定把握的状态。它并不等同于“完全不知道”，而是表示所掌握的信息不足以将结论锁定为唯一结果，或者只能以概率、区间、等级等方式加以描述。
在日常语言中，不确定性常带有犹豫、模糊或待验证的含义；在科学语境中，它则是一种可分析、可度量、可比较的特征，用来说明知识、观测和预测的边界。
1.2 不确定性的来源
不确定性通常并非单一因素造成，而是由观测条件、信息完整性、系统性质以及建模方式共同作用形成。不同来源会影响不确定性的表现形式，也决定了后续处理方法。
1.2.1 观测误差
观测误差指在测量或记录过程中，由仪器精度、环境干扰、操作方式等引入的偏差。它可能使结果偏离真实值，也可能在多次观测中表现为波动。
1.2.2 信息缺失
当可获得的信息不完整时，判断往往只能建立在有限样本或局部证据之上。信息缺失越严重，对整体状态的把握就越不稳定，结论也更依赖额外假设。
1.2.3 系统随机性
某些系统本身就具有随机特征，结果并非由单一固定路径决定，而是呈现概率分布意义上的多种可能。此类不确定性并不完全来自认知不足，而是系统行为本身的内在性质。
1.2.4 模型近似
现实问题常需借助模型进行简化描述，而模型不可能完整复制原系统。参数设定、结构假设和忽略项都会带来近似误差，从而使预测结果带有不确定性。
1.3 与确定性的对比
确定性强调结果可被唯一推导、明确判定，且在给定条件下具有稳定可重复的对应关系。不确定性则意味着同一条件下可能出现多个结果，或者虽能给出趋势，却难以给出绝对结论。
二者并非简单对立。很多科学问题并不是在“确定”与“完全无知”之间二选一，而是处于不同程度的不确定状态。实际研究中，更常见的是在有限确定性基础上，对剩余不确定性进行说明和控制。
1.4 不确定性的分类
从认识来源和系统性质出发，不确定性通常可分为认知不确定性、随机不确定性和结构性不确定性。不同分类有助于选择相应的分析手段。
1.4.1 认知不确定性
认知不确定性来自知识不足、数据不全或理论尚不完善。随着观测改进、样本增加或模型更新，这类不确定性往往能够被逐步缩小。
1.4.2 随机不确定性
随机不确定性与事件本身的概率性有关，即使条件固定，结果仍可能变化。它常以概率分布、波动范围或发生频率的方式被描述。
1.4.3 结构性不确定性
结构性不确定性产生于对系统结构、因果关系或关键机制理解不充分。即便数据较多，如果模型框架本身存在偏差，预测仍可能系统性失真。
2 科学理论中的不确定性
2.1 物理学中的不确定性
物理学中的不确定性既涉及测量技术的极限，也涉及自然规律的概率性表达。它推动了现代物理对“可观测”与“可预测”边界的重新理解。
2.1.1 测量极限
任何测量都受到仪器分辨率、环境扰动和操作条件的限制。随着精度要求提高，测量误差对结果的影响会变得更加显著，因此“绝对精确”在实践中往往难以实现。
2.1.2 量子不确定性
在微观层面，某些物理量不能同时被无限精确地确定。量子理论将这种不确定性纳入基本描述之中，使概率不再只是知识不足的替代说法，而成为理论结构的一部分。
2.1.3 热力学涨落
在较小尺度或较短时间范围内，系统状态会围绕平均值发生波动，这种现象称为涨落。热力学与统计物理通过宏观平均来处理这些变化，但局部层面的不确定性仍然存在。
2.2 数学与统计学中的不确定性
数学本身强调逻辑确定性，但在统计学与应用数学中，不确定性是核心对象之一，尤其体现在随机变量、样本推断和误差估计中。
2.2.1 概率与随机变量
概率论用概率值刻画事件发生的可能性，随机变量则用于表示具有不确定结果的量。通过分布函数、期望和方差等指标，可以对这种不确定性进行系统描述。
2.2.2 误差分析
误差分析用于研究观测值、估计值与真实值之间的差异，并分析误差来源及其传播方式。它在实验科学和工程计算中尤为重要。
2.2.3 置信区间与假设检验
置信区间用于给出参数可能所在的范围，假设检验则通过样本证据评估某种判断是否可接受。二者都不提供绝对结论，而是以统计意义上的支持程度来表达不确定性。
2.3 复杂系统中的不确定性
复杂系统通常包含大量相互作用的组成部分，整体行为难以仅凭局部规律直接推断。其不确定性常表现为高维耦合、非线性响应和长程依赖。
2.3.1 非线性动力学
在非线性系统中，输入与输出之间并不保持简单比例关系，微小变化可能引起较大差异。因此，系统演化常难以用直观方式准确预测。
2.3.2 混沌现象
混沌并不等于完全无规律，而是指系统具有确定性方程，却呈现出复杂而难以长期预测的行为。其轨迹看似随机，但背后仍服从特定动力学结构。
2.3.3 敏感依赖初值
一些系统对初始条件极为敏感，起点上的微小差别会在演化过程中迅速放大。这使得长期预测极为困难，也是复杂系统不确定性的典型表现。
2.4 计算与工程中的不确定性
在计算和工程实践中，不确定性不仅来自现实对象，也来自算法、参数设定和数值实现过程。控制和评估这些因素，是提高结果可靠性的关键。
2.4.1 数值误差
数值误差包括舍入误差、截断误差等，常由有限精度计算和离散化近似引起。它们可能在迭代过程中积累，影响最终结果的稳定性。
2.4.2 参数不确定性
模型中的参数往往只能通过实验、观测或经验估计得到，而不是完全已知。参数取值范围的不确定，会直接影响模型输出。
2.4.3 模型不确定性
即便参数已较为准确，如果模型结构选取不当，结果仍可能偏离实际。模型不确定性强调的是“用什么方式描述系统”本身也带有不确定性。
3 测量与表征
3.1 误差类型
测量中的误差通常按成因和表现方式加以区分，以便判断其可修正程度和对结果的影响。
3.1.1 系统误差
系统误差指在相同条件下重复测量时，结果会朝同一方向偏离真实值的误差。它常与仪器校准、方法缺陷或固定偏置有关。
3.1.2 随机误差
随机误差表现为测量结果围绕真实值上下波动，难以被单次观测完全消除。通过重复测量和统计处理，可以减小其影响。
3.1.3 粗大误差
粗大误差通常由操作失误、记录错误或异常干扰造成，幅度明显大于一般误差。它往往需要通过数据审核、剔除规则或复测加以处理。
3.2 不确定度评定
不确定度评定是对测量结果可信范围的定量表达，强调结果不仅给出数值，还要说明其可能偏离程度。
3.2.1 A类评定
A类评定主要依据重复观测数据进行统计分析，通过样本均值、标准差等指标估计随机变化的大小。
3.2.2 B类评定
B类评定依赖非统计信息，如仪器说明书、校准证书、经验判断或历史数据，对不确定度进行间接估计。
3.2.3 合成标准不确定度
合成标准不确定度是把多个来源的不确定度按一定规则综合后的结果。它反映了测量结果整体上的分散程度，常用于最终报告。
3.3 数据表示方法
为了更清楚地表达结果的可信程度，数据常采用区间、概率或误差条等形式呈现。
3.3.1 区间表示
区间表示用上下界给出数值可能落入的范围，适合表达保守估计或边界条件明确的情况。
3.3.2 概率表示
概率表示通过分布函数或概率值说明不同结果出现的可能性，适用于随机性较强的场景。
3.3.3 误差条表示
误差条常用于图表中，直观显示数据点上下波动范围。它便于比较不同样本或不同条件下的不确定程度。
4 理论与方法
4.1 概率论基础
概率论为描述不确定性提供了基础语言，使事件可能性、随机规律和统计推断能够在统一框架下展开。
4.1.1 古典概率
古典概率建立在等可能假设之上，常用于理想化试验，如掷骰子、抽球等。它适合结构简单、结果空间明确的问题。
4.1.2 统计概率
统计概率来源于大量重复试验或观察频率。随着样本规模增加，频率通常趋于稳定，从而为概率赋予经验基础。
4.1.3 主观概率
主观概率表示个体或专家根据已有信息对事件可能性的判断。它常用于信息不完全、难以重复试验的情境。
4.2 统计推断
统计推断是在有限样本基础上对总体特征作出判断的过程，其核心任务是从不确定数据中提取较稳健的结论。
4.2.1 参数估计
参数估计通过样本数据推测总体参数，如均值、方差或回归系数。点估计给出单一数值，区间估计则同时表达不确定范围。
4.2.2 模型选择
模型选择用于在多个候选模型之间比较优劣，通常考虑拟合程度、复杂度和泛化能力。它有助于避免过度解释或过度简化。
4.2.3 贝叶斯推断
贝叶斯推断将先验知识与观测数据结合，得到后验分布，从而以动态方式更新对不确定事件的认识。它在小样本和信息融合问题中很有用。
4.3 不确定性量化
不确定性量化致力于明确输入、参数和结构上的不确定如何传递到输出结果中，是工程分析与风险评估的重要工具。
4.3.1 蒙特卡洛方法
蒙特卡洛方法通过大量随机抽样模拟系统行为，以近似估计结果分布。它适用于解析求解困难的问题。
4.3.2 敏感性分析
敏感性分析用于考察输入变化对输出结果的影响程度。它可以识别关键参数，帮助优先控制最重要的不确定来源。
4.3.3 传播误差分析
传播误差分析研究各环节误差如何在计算链或实验流程中累积与放大。该方法常用于评估最终结果的可靠区间。
4.4 信息论视角
信息论将不确定性与信息量联系起来，提供了衡量“尚未确定程度”的另一种方式。
4.4.1 熵
熵是描述系统不确定性或信息分散程度的指标。一般而言，熵越高，结果越难预测。
4.4.2 信息增益
信息增益表示获得新信息后不确定性减少的程度。它常用于决策、分类和特征选择。
4.4.3 不确定性与信息缺失
从信息论角度看，不确定性往往意味着可用信息不足。新增观测、更多样本或更高质量数据，都可能使熵下降并提升判断准确性。
5 认识论与科学方法
5.1 归纳推理中的不确定性
归纳推理由有限案例推出一般结论，天然带有不完全性。即使历史样本表现稳定，未来情形仍可能变化，因此结论通常只能达到一定程度的可信。
5.2 可证伪性与可重复性
科学知识之所以可靠，部分依赖于命题能够被检验和反驳，以及实验结果能够在相似条件下重复获得。不确定性并不否定科学方法，反而要求方法能够清楚展示证据强度与边界条件。
5.3 科学模型的适用边界
任何模型都只在特定范围内有效。超出尺度、条件或假设前提后，模型精度可能显著下降，因此界定适用边界是科学表达的重要内容。
5.4 理论修正与知识演化
随着数据积累和方法进步，旧理论可能被修正、补充或替换。知识演化的过程并非简单消除不确定性，而是在更高水平上重新界定已知与未知。
6 应用领域
6.1 天文学与天体物理
天文学研究对象距离遥远、观测条件受限，因而高度依赖间接推断。亮度、光谱和轨道等信息都带有不确定性，需要结合模型解释。
6.2 气象与气候预测
天气和气候系统复杂度高，初始状态微小变化即可影响预报结果。预报通常以概率形式发布，并通过集合预测评估不确定范围。
6.3 生物统计与医学研究
医学研究中的样本选择、个体差异和测量误差都会影响结论。统计显著性、置信区间和效应量常被用于表达研究结果的不确定程度。
6.4 金融风险建模
金融市场受到多种因素影响，价格波动和行为变化具有明显不确定性。风险建模通常结合概率分布、情景分析和压力测试来处理这些问题。
6.5 机器人与自动控制
机器人系统需要在感知不完整、环境变化和执行误差下完成任务，因此必须处理位置、状态和目标的不确定性。控制算法常利用反馈机制提升稳定性。
6.6 人工智能与机器学习
机器学习模型的训练数据、参数估计和泛化能力都存在不确定性。对于分类、预测或生成任务，模型输出往往需要同时报告置信度或概率分布。
7 相关概念
7.1 风险
风险通常指在不确定条件下可能造成损失或不良后果的程度。它强调的不仅是结果未知，还包括后果的重要性。
7.2 模糊性
模糊性侧重于概念边界不清或定义不精确，与随机性不同，它更多体现为语言、分类或规则上的不明确。
7.3 随机性
随机性是事件结果具有多种可能且无法仅由单一确定规律预先锁定的特征。它常与概率描述相联系。
7.4 可信度
可信度反映信息、结论或模型被接受的程度，通常与证据质量、方法透明度和重复验证结果有关。
7.5 置信度
置信度是统计语境中对区间估计或结论可靠程度的表述，常用于说明“在一定条件下有多大把握”。
8 经典例子与案例
8.1 测不准原理示例
在微观测量中，某些变量不能同时被无限精确地确定。该示例常用于说明自然界中存在非由技术完全消除的不确定边界。
8.2 抛硬币与随机试验
抛硬币是最常见的随机试验之一。虽然单次结果不可预知，但多次重复后，正反面频率通常趋近稳定比例。
8.3 天气预报误差
天气预报即使基于复杂模型，也难以对具体地点和时刻给出绝对准确的判断。预报误差体现了初值不完整与系统复杂性共同作用的结果。
8.4 复杂系统的预测失效
在交通流、生态系统或市场行为等复杂场景中，局部变化可能引发连锁反应。此类系统常在短期内尚可预测，长期则容易出现明显偏差。
8.5 统计抽样偏差
如果抽样方法不能代表总体，得到的结论就会偏向某一部分特征。抽样偏差会使看似精确的数据失去代表性，从而增加判断的不确定性。