p A quantificação da incerteza (UQ) é uma técnica estatística para prever muitos fenômenos complexos, como condições climáticas e riscos de tsunami. Envolve a combinação de dados da vida real (por exemplo, medições do tempo), juntamente com equações matemáticas para modelar sistemas físicos que são bem compreendidos. Esses modelos complexos são geralmente associados a objetos de alta dimensão, grandes conjuntos de dados ou possivelmente ambos. Em tais cenários, é importante que a metodologia computacional necessária para estimar tais modelos seja eficiente em termos de recursos. Prof Ajay JASRA do Departamento de Estatística e Probabilidade Aplicada, NUS e seus colaboradores propuseram uma abordagem mais eficiente para realizar cálculos UQ. p Para problemas de UQ, o método de Monte Carlo permite ao usuário aproximar numericamente as quantidades de interesse de uma maneira eficiente. Embora haja uma versão aprimorada, conhecido como método Multilevel Monte Carlo (MLMC), é um desafio usá-lo para problemas de UQ. Métodos MLMC, para problemas de UQ associados a dados, não é trivial aplicar. Isso ocorre porque aproximando a distribuição de probabilidade associada, o que é necessário para o método MLMC funcionar nem sempre é possível usando simulação independente. Em seu artigo recente, O Prof Jasra e seus colaboradores desenvolveram uma nova abordagem que permite ao MLMC lidar com problemas de UQ sem comprometer um alto nível de precisão, usando menos recursos computacionais.

p No futuro, os pesquisadores planejam expandir seus métodos estatísticos para lidar com uma gama maior de problemas. Os métodos estatísticos também irão incorporar o método de Monte Carlo multi-índice, que é um método menos exigente computacionalmente com precisão semelhante ao MLMC.

p Prof Jasra disse, "As ideias neste trabalho podem ajudar a ampliar a classe de modelos usados ​​para problemas de quantificação de incerteza, como para a previsão do tempo. "