不确定性学习（2）

续上。。。。。
定义的常量：不确定性很小的一些量，比如：一些物理常量，我们认为他们是确定的，因此为定义的常量。

决策变量：决策者可以直接控制的数量，也称为控制变量或者政策变量。决策变量根据定义没有真值，其值的确定依赖于决策者。

价值参数：代表了决策者以及其代表人群的偏好。价值参数不应该被认为经验数量；将价值参数的值用概率论来处理时否合适时存在争议的，一个观点认为当一个人对他的偏好不确定时，可以用概率不确定性来处理自身的价值参数，从而解决这一问题，然而，在偏好值不确定的情况下，更好的解决方式是改变你的价值参数系数。也就是重新分析来确定价值参数可能的变化范围，通过这种方式来获悉价值参数的变化能否导致我们感兴趣的结果变化，
参数方式处理价值参数，能够更加清楚的发现出价值参数的影响。而价值是否需要精炼也取决于是否对结果的显著性影响。
在决策过程中的数量涵盖了决策者活着其代表人群的价值和偏好，则为价值参数，如果仅仅是描述，建模的目的也是为了预测他们的反应，则为经验参数。表现为意向和观念的问题。

下标变量：描述时间和空间领域的一个位置或单元，或者用来描述一组元素中的一个，其不确定性没有意义。

模型范围参数：通过表示下标变量的范围和增量来表述模型系统的范围和领域。
分析的范围和具体程度的有限才能产生近似的不确定性，他限制了表示的精确性和计算的复杂性。参数灵敏范围为模型建立提供了模型范围参数的有效选择。

状态变量：是一些变量的最小子集中的元素，对于动态模型很重。其确定和不确定取决于输入参数的表示方法；

结果标准：哪些排列和测量可能结果的满意度。

- 经验数量不确定性的来源
统计变异；主观判断；语言不精确；变异性；固有的随机性；不一致性和近似

系统误差：研究数量的真实值域测量平均值随着测量次数增多的极限值之间的差异；

利用过去的数据进行回归分析来预测未来的情况则反映了主观判断带来的不确定性，而关于过去与将来的相似程度的主观不确定性要远大于对过去资料不适当拟合的不确定性

经验与主观评估是一致的。

随机性：如果不知道任何可以估算其变化性的原型或者模型，那么久将这个数量看作是随机的；

许多非线性系统表现出对初始条件极大的敏感性，带来了“蝴蝶效应“

不一致性来源于理解的不一致，对于多个看法，通常采用加权方式结合，可以专家自评，可以互评，也可以根据分布的不确定性。其中一个符合贝叶斯定理的简单方法就是用每个值的概率质量或者密度的加权均值啦总和专家的分布；
对于某一特定数量，看法不一致时，首先检验专家的认识到的不确定性相比这些差异是否显著，通过灵敏度分析来看不同专家看法对结果的影响，在确定加权策略。

近似不确定性的产生源于建立的模型仅仅是现实世界的一个简化版本；

- 模型形式的不确定性

模型本身的形式或者结构也具有不确定性；或者也可以说，任何一个模型都是错误的。近似的结果，也不肯能完全准确；

利用一个综合模型来集成所有模型，将其不确定性转化为参数价值的不确定性，经验数量的不确定性等

• 输入、输出及模型解决方法
  预测模型信息流
  $（X，D，V，M）->U$
  经验数量、决策变量、参数价值和参数范围－－－－》效用
  决策理论的原则，规定最佳决策要使期望效用最大化，MEU
  $（X，V，M，MEU）->D$
  另有，逆向分析活着政策区域分析
  $（X，D，M，MEU）->（D＊，X‘）$
  $（X，D，M，MEU）->（D＊，V‘）$
  将不确定性数量（X’ 或者V’ ）的定义域画在具有相同最优决策的政策区域内。用于研究决策或者决策对应的值，可用于研究用模型形式参数表示的一系列函数形式。