2. 不确定性评估的数学基础
数值模型输出的不确定性评估，本质上是在回答一个问题：给定模型结构和输入参数的不确定性，输出结果的概率分布是什么样？要回答这个问题，必须先把“不确定性”从直觉描述转化为可计算的数学对象。本节围绕三个层层递进的概念展开：随机变量与分布（如何描述单个量的不确定性）、数字特征（如何用少量指标概括分布）、贝叶斯思维（如何利用观测数据更新对参数的认知）。
随机变量：把不确定的量变成可运算的对象
在数值模型中，许多量并非取固定值，而是具有一个可能取值的范围及其相对可能性。例如某流域的径流系数，受土壤参数、植被覆盖和降水空间分布影响，实测与模型估计往往在 0.35～0.55 之间波动。我们把这类“取值随试验结果而定的量”抽象为随机变量 X，其不确定性由概率分布完整刻画。
需要区分两类随机变量：离散型（如模型在某网格是否发生溢流，取 0/1）用概率质量函数描述；连续型（如渗透系数、糙率、气温）用概率密度函数 f(x) 描述。连续型随机变量取某一具体值的概率为零，有意义的是区间概率：
P(a < X ≤ b) = ∫[a,b] f(x) dx在数值模型不确定性分析中，最常见的分布假设包括：正态分布（用于测量误差、加性残差）、对数正态分布（用于严格为正且右偏的参数，如渗透系数、浓度）、均匀分布（用于仅有上下界而缺乏先验信息的参数）、贝塔分布（用于 0～1 之间的比例型参数，如径流系数、含水率）。分布选择不是形式问题——若把右偏的渗透系数误设为正态分布，抽样时会产生大量负值，直接导致模型物理失真。
数字特征：用少数指标概括分布
完整分布函数难以直接比较和传播，实践中常用数字特征概括。设随机变量 X 的密度为 f(x)，则：
- 期望 E[X] = ∫ x f(x)dx，反映分布的中心位置，是“最佳单点估计”的数学基础；
- 方差 Var(X) = E[(X−E[X])²]，反映分散程度，其平方根即标准差 σ，与 X 同量纲，便于解释；
- 变异系数 CV = σ/μ，无量纲，适合比较不同量级参数的不确定性大小；
- 分位数 xp，满足 P(X ≤ xp) = p，如 5% 与 95% 分位数构成 90% 置信区间，是报告不确定性区间最常用的方式。
一个关键性质是期望的线性性：E[aX+bY] = aE[X]+bE[Y]，无论 X、Y 是否独立都成立。但方差没有这种简单性：Var(X+Y) = Var(X)+Var(Y)+2Cov(X,Y)。协方差项正是数值模型不确定性传播中“参数相关性”的数学来源——若两个参数同向变化，输出方差会被放大；若负相关，则可能部分抵消。忽略相关性往往导致不确定性被高估或低估。
贝叶斯思维：从先验到后验的认知更新
经典统计把参数视为固定未知常数，贝叶斯方法则把参数也视为随机变量，用分布表达“我们对它的认知程度”。贝叶斯公式为：
p(θ | D) = p(D | θ) · p(θ) / p(D)
∝ 似然 × 先验其中 θ 为模型参数，D 为观测数据，p(θ) 是先验分布（建模前的认知），p(D|θ) 是似然（参数取 θ 时观测到 D 的可能性），p(θ|D) 是后验分布（融合数据后的更新认知）。分母 p(D) 是归一化常数，实际计算中常被省略，因为后验只需正比于似然乘先验。
贝叶斯思维对不确定性评估有三点直接价值。第一，它显式区分并量化两类不确定性：先验宽度反映认知不足（认知不确定性），似然反映观测噪声（偶然不确定性）。第二，它天然支持序贯更新：今天的后验可以作为明天新数据到来时的先验，适合滚动预报和实时校正。第三，它输出的是完整后验分布，而非单点估计，可直接给出参数的可信区间，并进一步传播到模型输出。
以教学示例说明：设某参数 θ 的先验为 N(1.0, 0.3²)，观测数据给出似然近似 N(1.4, 0.2²)。在正态—正态共轭情形下，后验仍为正态，其均值与方差为：
后验均值 = (μ₀/σ₀² + x̄/σ²) / (1/σ₀² + 1/σ²)
后验方差 = 1 / (1/σ₀² + 1/σ²)代入得后验均值 ≈ (1.0/0.09 + 1.4/0.04)/(1/0.09+1/0.04) ≈ (11.11+35.0)/36.11 ≈ 1.277，后验方差 ≈ 1/36.11 ≈ 0.0277，即 σ ≈ 0.166。可以看到：后验均值落在先验与观测之间，且后验标准差（0.166）小于先验（0.3）和似然（0.2），说明数据带来了信息增益。这正是贝叶斯更新“不确定性收缩”的直观体现。
把上述三个概念串起来，就形成了数值模型不确定性评估的基本数学链条：用随机变量与分布描述输入参数和观测误差的不确定性；用数字特征（期望、方差、分位数、协方差）概括和传播这些不确定性，并注意参数相关性对输出方差的影响；用贝叶斯公式在获得观测后更新参数认知，得到后验分布，再将其作为输入传播到模型输出，从而给出带可信区间的预测结果。后续章节的蒙特卡洛抽样、拉丁超立方、马尔可夫链蒙特卡洛等方法，都是在这一数学框架下的具体实现手段。