La cuantificación de la incertidumbre se puede utilizar en el posicionamiento de nuevos pozos de petróleo y en la determinación de la profundidad a la que se debe perforar en busca de petróleo y gas. La información proporciona a los tomadores de decisiones una mejor comprensión de los posibles resultados. Crédito:Pixabay
La cuantificación de la incertidumbre (UQ) es una técnica estadística para predecir muchos fenómenos complejos, como las condiciones meteorológicas y los riesgos de tsunamis. Implica la combinación de datos de la vida real (por ejemplo, mediciones meteorológicas) junto con ecuaciones matemáticas para modelar sistemas físicos que se comprenden bien. Estos modelos complejos suelen estar asociados con objetos de alta dimensión, grandes conjuntos de datos o posiblemente ambos. En tales escenarios, Es importante que la metodología computacional requerida para estimar tales modelos sea eficiente en el uso de recursos. Prof Ajay JASRA del Departamento de Estadística y Probabilidad Aplicada, NUS y sus colaboradores han propuesto un enfoque más eficiente para realizar cálculos de UQ.
Para problemas de UQ, el método Monte Carlo permite al usuario aproximar numéricamente cantidades de interés de una manera eficiente. Aunque hay una versión mejorada, conocido como el método Multilevel Monte Carlo (MLMC), es un desafío usarlo para problemas de UQ. Métodos MLMC, para los problemas de UQ asociados a los datos no es trivial de aplicar. Esto se debe a que, al aproximar la distribución de probabilidad asociada, que es necesario para que funcione el método MLMC, no siempre es posible utilizando una simulación independiente. En su artículo reciente, El profesor Jasra y sus colaboradores han desarrollado un nuevo enfoque que permite a MLMC abordar problemas de UQ sin comprometer una precisión de alto nivel y utilizando menos recursos computacionales.
En el futuro, los investigadores planean expandir sus métodos estadísticos para abordar una mayor variedad de problemas. Los métodos estadísticos también incorporarán el método Monte Carlo de índices múltiples, que es un método menos exigente desde el punto de vista computacional con una precisión similar a MLMC.
El profesor Jasra dijo:"Las ideas de este trabajo pueden ayudar a ampliar la clase de modelos utilizados para los problemas de cuantificación de la incertidumbre, como para la predicción del tiempo ".
