不确定性学习（1）

确定性性产生的原因：信息不完全、来源不一致、表述不精确、内容具有变化性等，不确定性可以是某个量，某种结构等

• 概率的本质

  概率学派：概率就是一个理论上无限次的试验序列的属性，而不是单一事件的属性，在试验总体未知的情况下，或者没有充足的经验数据时，很难评估出概率，其主要适用于掷骰子这样的机会事件。

  个人主观主义观点或者贝叶斯观点认为：概率是一个不仅与事件本身有关，而且还与信息的掌控情况有关，即$p(x|e)$，条件概率，这里的概率只是你的、专家的，而不是事件本身的概率。
  在没有任何经验数据的情况下，依旧可以估算概率。

  以上两个观点，均满足概率的公理，即：互斥事件概率和为1。

• 澄清试验
  为了使一个有意义的概率分布可以被估计，事件或者数量必须良好设定的，所谓良好设定是指给定完全的信息，人们将同意某个事件是否发生。

• 量的类型
  参数灵敏性分析：通过检验输出的确定变化对不确定性量的影响。

  针对不同类型的量，不确定分析的方法也不尽相同。

  量的类型包括：

  经验变量：纳入模型中的现实世界中可测量性，所谓经验性指的是：变量在任何时间段内必须是可测量的，之上原则上可以。

  满足良好设定，可以通过澄清试验，可以也是唯一可以使用概率分布形式来表示不确定性的。唯一同时具备不确定性和真值（区别于适当值和恰当值）的数量类型

  也被称为机会变量机会节点和机会选择。在实际应用中，往往会被认为是确定的值，忽略其不确定性。

（未完，待续 。。。。）