2. 不确定性的来源与分类

在上一节中，我们把不确定性区间理解为“对某个量可能取值范围的显式声明”。但要让这个区间真正可信，必须先回答一个更基础的问题：这个范围是被什么撑开的？如果说不清来源，区间就只能凭经验拍脑袋，既无法验证，也无法改进。本节围绕三条主线展开：偶然不确定性与认知不确定性的本质区别、参数不确定性与模型不确定性的分层、以及数据噪声与测量误差的识别方法。

一、偶然不确定性与认知不确定性：能不能被“消除”

最有用的一种分类，是按“增加信息后能否缩小”来划分。偶然不确定性（aleatoric uncertainty）来自系统本身固有的随机性，例如传感器热噪声、材料批次间的微观差异、用户到达时间的自然波动。它的关键特征是：即使你把模型做得再准、数据采得再多，这部分离散程度依然存在，只能被描述、被容忍，不能被消除。认知不确定性（epistemic uncertainty）则来自“我们不知道”，例如标定参数尚未测准、模型形式选择不当、训练数据覆盖不足。它的关键特征是：随着信息增加，它可以被压缩甚至消除。

这个区分直接决定工程动作。面对偶然不确定性，合理的做法是留安全裕度、做冗余设计、在报告中如实给出分布宽度；面对认知不确定性，合理的做法是补实验、加标定、扩大数据覆盖、做敏感性分析。把两者混为一谈，最常见的后果是把“本该补数据”的问题当成“只能接受”的噪声，或者反过来，把固有随机性误判为模型缺陷而反复调参。

一个便于操作的判断方法是做“信息增量测试”：假设再获得一批高质量数据或一次精确标定，问自己这个区间会不会明显收窄。会收窄的部分主要是认知不确定性；几乎不收窄的部分主要是偶然不确定性。注意这是思想实验，不是严格分解，实际系统中两者往往叠加，报告里应说明各自占比的判断依据。

二、参数不确定性与模型不确定性：错在“数”还是错在“形”

认知不确定性内部还可以再分层。参数不确定性指模型结构被认为基本正确，只是其中的系数、阈值、初始条件等数值不够准。例如某传热模型形式已知，但导热系数 k 的标定值有 ±8% 的偏差。模型不确定性则指结构本身可能不对：漏掉了某个物理效应、用了线性近似描述非线性过程、边界条件假设过于理想。前者是“数错了”，后者是“形错了”。

两者的处理路径完全不同。参数不确定性可以通过贝叶斯标定、最小二乘拟合、区间约束等方式压缩，并可用后验分布或置信区间量化；模型不确定性则要靠模型选择、交叉验证、残差结构分析、多模型集成来暴露和缓解，且往往无法用单一区间完全表达。工程上常见的错误是：残差存在系统性偏差（例如随输入单调偏移），却仍只调整参数去“压”残差，结果参数被扭曲，区间看似变窄实则失真。

三、数据噪声与测量误差：区间里最容易被低估的一块

无论哪类不确定性，最终都要通过数据进入分析，而数据本身并不干净。需要区分三类常见来源：随机噪声（如电子热噪声，多次测量围绕真值波动，可通过平均降低）、系统偏差（如传感器未校准导致的固定偏移，平均无法消除，必须标定）、粗大误差（如偶发跳变、记录错误，需靠异常检测剔除）。此外还有分辨率量化误差、采样不同步、环境漂移等。

识别这些成分有可操作的流程。以某温度采集通道为例（以下为教学示例参数，非实测）：对同一恒温源连续采样 200 次，得到均值 25.3 ℃、标准差 0.12 ℃，这反映随机噪声水平；再用更高等级的标准温度计比对，发现该通道系统性偏高 0.4 ℃，这就是系统偏差，应通过零点修正扣除；扫描序列时若发现个别点偏离均值超过 5 倍标准差，按粗大误差处理并记录剔除理由。修正后重新统计，才能得到较干净的随机分量用于区间构造。

下面这张图把本节的三层分类与识别路径整合在一起，重点表现“来源—性质—可否压缩—对应动作”的对应关系，而不是简单罗列名词。

四、把分类落到报告里：一个可执行的记录方式

分类的价值最终体现在报告能否被复核。建议对每个关键量至少记录四项：来源类别（偶然/认知）、子类（参数/模型/数据）、当前量化值（如标准差、偏差、区间半宽）、以及“若补充信息预计可压缩多少”的判断。下面给出一个可直接套用的示例记录（数值为教学示例，非实测）：