La quantificazione dell'incertezza (UQ) è una tecnica statistica per prevedere molti fenomeni complessi come le condizioni meteorologiche e i rischi di tsunami. Implica la combinazione di dati reali (ad esempio misurazioni meteorologiche) insieme a equazioni matematiche per modellare sistemi fisici ben compresi. Questi modelli complessi sono solitamente associati a oggetti ad alta dimensionalità, grandi set di dati o forse entrambi. In tali scenari, è importante che la metodologia computazionale richiesta per stimare tali modelli sia efficiente in termini di risorse. Prof Ajay JASRA del Dipartimento di Statistica e Probabilità Applicata, NUS ei suoi collaboratori hanno proposto un approccio più efficiente per eseguire calcoli UQ.

Per problemi di UQ, il metodo Monte Carlo consente all'utente di approssimare numericamente le quantità di interesse in modo efficiente. Sebbene esista una versione migliorata, noto come metodo Multilevel Monte Carlo (MLMC), è difficile usarlo per problemi di UQ. metodi MLMC, per i problemi di UQ associati ai dati non è banale da applicare. Questo perché approssimando la distribuzione di probabilità associata, che è necessario per il funzionamento del metodo MLMC non è sempre possibile utilizzando la simulazione indipendente. Nel loro recente articolo, Il professor Jasra e i suoi collaboratori hanno sviluppato un nuovo approccio che consente a MLMC di affrontare i problemi di UQ senza compromettere un'accuratezza di alto livello utilizzando meno risorse computazionali.

In futuro, i ricercatori intendono ampliare i propri metodi statistici per affrontare una gamma più ampia di problemi. I metodi statistici includeranno anche il metodo Monte Carlo multi-indice che è un metodo meno impegnativo dal punto di vista computazionale con una precisione simile a MLMC.

Il professor Jasra ha detto, "Le idee in questo lavoro possono aiutare ad ampliare la classe di modelli utilizzati per problemi di quantificazione dell'incertezza, come per le previsioni del tempo."