不确定性（，incertitude）或不确定度，是指涉及不完美或未知信息的情境。它适用于对未来事件的预测、已完成的物理测量，以及对未知事物的认知，在决策中尤为重要。不确定性出现在哲学、物理学、计量学、统计学、经济学、金融学、保险学、心理学、社会学及信息工程等多个学科之中。在计量学中，不确定性是表征测量结果分散性的参数，也是描述未定误差特征的量值，一般用可能发生的概率或区间表示。在经济学中，它属于关于风险管理的概念，指经济主体对于未来的经济状况（尤其是收益和损失）的分布范围和状态不能确知，其不可量化部分又称奈特氏不确定性。
决策论专家对于不确定性有更深入的分析。道格拉斯·W·哈伯德认为不确定性是当我们没有足够知识来描述当前情况或估计将来的结果。对于可量化的不确定性，可以根据所有可能的结果，套用概率密度函数来分析。风险则与不确定性不同：风险是可能出现负面效果或损失的「不确定性」状态。弗兰克·奈特于1921年从概念上划清了风险与不确定性的界限：风险是可测量的不确定性，而（真正意义上的）不确定性是不可测量且无法计算的。对于可量化的不确定性，可以通过对每个可能状态或结果赋予概率来测量，这包括对连续变量应用概率密度函数。
二阶不确定性
在统计学和经济学中，二阶不确定性——表现为对概率估计的置信度——通过（一阶）概率的概率密度函数来表示。主观逻辑中的意见承载着这类二阶不确定性。
风险与不确定性
奈特认为，不确定性必须在一个与风险截然不同的意义上理解：「风险」在某些情况下是指可测量的量，而在其他情况下则指不可测量的东西。可测量的不确定性，或严格意义上的「风险」，与不可测量的不确定性有着根本性的区别——后者实际上根本不是不确定性。
模糊性与歧义性
模糊性（）是分析者无法明确区分两个不同类别时的不确定形式，例如「中等身高的人」与「高个子」。这种模糊性可以通过模糊逻辑或主观逻辑来建模。
歧义性（）是即使可能结果本身也不清楚其含义和解释的不确定形式。例如「他去了银行」（可指河岸或金融机构）。丹尼尔·埃尔斯伯格通过瓮实验说明了歧义性及其与风险的区别。
测量中的不确定性
测量不确定度计算的最常用程序是国际标准化组织（ISO）发布的《测量不确定度表示指南》（GUM）。测量结果的不确定度通常由若干分量组成，这些分量被视为随机变量，根据估算方法分为两类：
- A类评定：通过统计方法评估的分量。
- B类评定：通过其他方式评估的分量（如根据经验或概率分布的假定）。
通过将各分量的方差通过测量函数传播，合成标准不确定度表示为合成方差的平方根，其最简形式为重复观测的标准偏差。
当不确定度表示标准误时，约68.3%的情况下被测量的真值落在所述的范围内。若将区间宽度加倍，则约95.4%的真值落在区间内；宽度三倍时，约99.7%落在区间内（即「一倍西格玛」、「两倍西格玛」和「三倍西格玛」置信区间）。
科学与公众传播
科学中的不确定性在公共领域与在科学界的解读可能完全不同。部分原因在于公众的多样性以及科学家容易误解受众倾向而未能清晰有效地传达信息。此外，某个公共议题上常有多方科学声音同时发声。不同科学研究因方法差异导致结果差异，可能被公众解读为缺乏共识，而在实际上共识确实存在。例如，气候变化否认者曾利用弗兰克·伦茨的建议将全球变暖框定为科学不确定性议题，这后来成为记者报道该议题时常用的冲突框架。
哲学视角
在西方哲学中，第一位关注不确定性问题的哲学家是皮浪，由此产生了希腊化哲学中的皮浪主义和学园怀疑论，这是哲学怀疑论的最早流派。困惑（）和不可知（）代表了古希腊哲学中关于不确定性的核心概念。
牛津大学哲学家威廉·麦卡斯基尔提出了「道德不确定性」的概念——即在缺乏任何一种道德理论确定性的情况下应该如何行动，以及在面对这种不确定性时应该如何行动的研究。
应用领域
不确定性在多个领域中具有重要的实际意义：
- 天气预报：现代天气预报已普遍包含不确定性数据（如降水概率）。
- 物理学：在亚原子层面，不确定性可能是宇宙的一个基本且不可避免的属性。海森堡测不准原理对观察者能够同时知晓粒子的位置和速度的精度设定了极限。
- 经济学与金融学：股票市场等金融市场中的投资涉及奈特氏不确定性，因为罕见但灾难性事件的概率未知。
- 人工智能：在不确定性下推理是AI系统的核心能力之一。贝叶斯网络、主观逻辑、模糊逻辑和Dempster-Shafer理论等技术用于在部分可观测和随机环境中进行决策。
参见
*
参考文献
评论 (0)