Sự không chắc chắn là gì? Các nghiên cứu khoa học liên quan

Sự không chắc chắn là gì?

Sự không chắc chắn (uncertainty) là trạng thái tồn tại khi một sự kiện, kết quả hoặc giá trị không thể được xác định một cách chính xác tại thời điểm hiện tại hoặc trong tương lai. Khái niệm này đóng vai trò trung tâm trong khoa học, kỹ thuật, tài chính và cả trong ra quyết định thường nhật, bởi vì thực tế luôn chứa đựng những yếu tố không thể đoán trước hay kiểm soát hoàn toàn.

Sự không chắc chắn có thể đến từ thiếu thông tin, dữ liệu không đầy đủ, lỗi đo lường, thay đổi của môi trường hoặc những yếu tố nằm ngoài mô hình dự đoán. Trong nhiều trường hợp, nó không đơn thuần là vấn đề thiếu dữ liệu mà là bản chất không thể biết trước của một hệ thống – chẳng hạn như trong cơ học lượng tử hoặc các hiện tượng hỗn loạn trong khí hậu.

Khác với khái niệm ngẫu nhiên (randomness), sự không chắc chắn bao hàm cả các yếu tố có thể đoán định được nếu có đủ thông tin, cũng như những yếu tố bản chất không thể xác định. Do đó, việc hiểu và phân tích sự không chắc chắn giúp cải thiện độ tin cậy và an toàn trong mọi lĩnh vực ứng dụng, từ phân tích rủi ro đến thiết kế hệ thống kỹ thuật.

Phân loại sự không chắc chắn

Việc phân loại sự không chắc chắn giúp nhận diện đúng bản chất và chọn phương pháp xử lý phù hợp trong từng bối cảnh cụ thể. Các loại không chắc chắn thường gặp được phân chia theo nguyên nhân phát sinh hoặc khả năng kiểm soát.

Dưới đây là bốn nhóm chính thường được đề cập trong tài liệu khoa học và kỹ thuật:

• Không chắc chắn ngẫu nhiên (Aleatory uncertainty): phát sinh từ bản chất biến thiên không thể tránh khỏi, ví dụ như sự chênh lệch tự nhiên giữa các đơn vị sản phẩm. Đây là loại không chắc chắn không thể loại bỏ bằng việc thu thập thêm dữ liệu.
• Không chắc chắn nhận thức (Epistemic uncertainty): do thiếu hiểu biết hoặc giới hạn trong khả năng đo lường, mô hình hóa. Loại này có thể được giảm thiểu bằng nghiên cứu sâu hơn hoặc cải tiến phương pháp thu thập dữ liệu.
• Không chắc chắn mô hình (Model uncertainty): xuất phát từ việc chọn sai mô hình toán học, giả định không phù hợp hoặc không đầy đủ để mô tả hiện tượng.
• Không chắc chắn về quyết định (Decision uncertainty): xảy ra khi không có đủ cơ sở để lựa chọn giữa các phương án, hoặc các giá trị và mục tiêu chưa được xác định rõ.

Bảng dưới đây tổng hợp một số đặc điểm phân biệt giữa hai loại không chắc chắn phổ biến nhất:

Loại	Nguồn gốc	Khả năng giảm thiểu	Ví dụ
Aleatory	Biến thiên nội tại	Không	Độ bền khác nhau giữa các vật liệu cùng loại
Epistemic	Thiếu thông tin	Có	Chưa đủ dữ liệu địa chất để thiết kế công trình

Phân tích đầy đủ hơn có thể tìm thấy tại ACS Environmental Science & Technology.

Vai trò trong thống kê và mô hình hóa

Trong thống kê và khoa học dữ liệu, sự không chắc chắn là một thành phần không thể tách rời khi xây dựng và đánh giá mô hình. Các tham số ước lượng, khoảng tin cậy, phân phối xác suất và kiểm định giả thuyết đều được thiết kế để mô tả hoặc kiểm soát mức độ không chắc chắn trong dữ liệu hoặc suy luận.

Ví dụ, trong mô hình hồi quy tuyến tính, độ dốc của đường hồi quy không chỉ được biểu diễn bằng một giá trị duy nhất mà còn đi kèm với khoảng tin cậy 95% để thể hiện phạm vi mà giá trị thực sự có thể nằm trong đó. Tương tự, sai số chuẩn (standard error) phản ánh mức độ biến động trong mẫu và do đó là chỉ báo của sự không chắc chắn trong ước lượng.

Các kỹ thuật mô hình hóa tiên tiến như mô hình Bayes, bootstrap sampling hay phân tích đa mô hình (model averaging) đều được phát triển nhằm định lượng và quản lý sự không chắc chắn một cách khoa học. Từ đó giúp cải thiện chất lượng dự báo và hỗ trợ các quyết định có cơ sở xác suất rõ ràng.

Sự không chắc chắn trong trí tuệ nhân tạo và học máy

Trong lĩnh vực trí tuệ nhân tạo (AI) và học máy (machine learning), sự không chắc chắn đóng vai trò quan trọng trong việc đánh giá độ tin cậy của mô hình và tăng cường khả năng diễn giải. Mô hình học máy có thể đưa ra dự đoán chính xác trung bình cao, nhưng nếu không định lượng được độ tin cậy cho từng dự đoán, thì tính ứng dụng trong môi trường thực sẽ bị hạn chế.

Hai loại không chắc chắn chính được đề cập trong AI là:

• Không chắc chắn theo mô hình: do giới hạn trong cấu trúc mô hình (ví dụ mạng nơ-ron) hoặc sự không đầy đủ của không gian giả định.
• Không chắc chắn trong dữ liệu: do dữ liệu đầu vào bị nhiễu, sai nhãn hoặc không đại diện cho toàn bộ phân phối thực tế.

Các phương pháp như Bayesian Neural Networks, dropout-based uncertainty estimation và kỹ thuật Monte Carlo đều được sử dụng để ước lượng phân phối xác suất của đầu ra, từ đó phản ánh sự không chắc chắn. Tham khảo thêm tại arXiv:1703.04977.

Biểu diễn toán học của sự không chắc chắn

Sự không chắc chắn được mô hình hóa thông qua các đại lượng xác suất. Trong toán học, sự mô tả này thường biểu hiện dưới dạng phân phối xác suất (probability distribution), kỳ vọng (expectation), phương sai (variance), hoặc hàm mật độ xác suất (probability density function – PDF). Đây là những công cụ trung tâm để định lượng sự không chắc chắn trong các mô hình thống kê và dự báo.

Trong khung lý thuyết Bayes, không chắc chắn về một tham số $\theta$ được mô tả bằng phân phối tiên nghiệm $P(\theta)$, sau đó cập nhật thành phân phối hậu nghiệm $P(\theta \mid D)$ dựa trên dữ liệu quan sát $D$. Quá trình này được mô tả qua công thức Bayes:

$P(\theta \mid D) = \frac{P(D \mid \theta) P(\theta)}{P(D)}$

Trong đó:

• $P(\theta)$: phân phối tiên nghiệm
• $P(D \mid \theta)$: hàm khả năng (likelihood)
• $P(D)$: xác suất biên của dữ liệu
• $P(\theta \mid D)$: phân phối hậu nghiệm – phản ánh sự không chắc chắn đã cập nhật

Cách tiếp cận này cho phép mô hình hóa sự không chắc chắn một cách động và cập nhật theo thời gian. Nó đặc biệt hữu ích trong các hệ thống học trực tuyến, mô hình thời gian thực, hoặc môi trường có dữ liệu liên tục biến đổi.

Sự không chắc chắn trong khoa học khí hậu và môi trường

Các mô hình khí hậu toàn cầu (GCMs) và mô hình đánh giá tác động môi trường đều chứa nhiều tầng lớp không chắc chắn, bao gồm dữ liệu đầu vào, thông số mô hình, giả định lý thuyết, và biến động khí tượng. Việc mô tả và truyền đạt sự không chắc chắn trong các dự báo môi trường có ý nghĩa quan trọng trong xây dựng chính sách và thích ứng với biến đổi khí hậu.

IPCC (Intergovernmental Panel on Climate Change) đề xuất một khung đánh giá gồm ba thành phần không chắc chắn:

• Không chắc chắn định lượng (probabilistic): được mô tả bằng dải xác suất
• Không chắc chắn định tính (qualitative): mô tả bằng thuật ngữ như “very likely” hay “medium confidence”
• Không chắc chắn cấu trúc mô hình: phản ánh giới hạn trong hiểu biết về các quá trình vật lý

Việc hiểu rõ các tầng không chắc chắn này cho phép các nhà khoa học và chính trị gia đánh giá rủi ro dựa trên nhiều kịch bản thay vì dựa vào một kết quả duy nhất. Báo cáo mới nhất có thể truy cập tại IPCC AR6 Report.

Đo lường và mô phỏng sự không chắc chắn

Trong thực hành kỹ thuật và mô hình hóa, việc định lượng không chắc chắn thường được thực hiện thông qua các phương pháp mô phỏng và phân tích độ nhạy. Các phương pháp này giúp kiểm tra độ tin cậy của mô hình và đưa ra dải kết quả thay vì một kết quả duy nhất.

Một số phương pháp phổ biến:

• Monte Carlo Simulation: sử dụng các phân phối xác suất để mô phỏng hàng nghìn kịch bản và quan sát phân bố đầu ra.
• Phân tích độ nhạy (Sensitivity Analysis): đánh giá mức độ ảnh hưởng của mỗi biến đầu vào đến đầu ra mô hình.
• Bootstrap resampling: lấy mẫu lại từ dữ liệu gốc để đánh giá độ tin cậy của các thống kê.
• Khoảng tin cậy (Confidence Intervals): ước lượng phạm vi mà một tham số thực sự có thể nằm trong đó với một mức độ tin cậy nhất định.

Bảng sau so sánh ba kỹ thuật định lượng không chắc chắn:

Phương pháp	Ứng dụng	Ưu điểm	Hạn chế
Monte Carlo	Dự báo mô hình	Phân phối xác suất đầu ra chi tiết	Chi phí tính toán cao
Bootstrap	Ước lượng sai số	Dễ triển khai, không phụ thuộc phân phối	Yêu cầu mẫu lớn
Phân tích độ nhạy	Xác định biến ảnh hưởng lớn	Hiểu rõ cấu trúc mô hình	Không định lượng toàn bộ phân phối

Tác động đến ra quyết định

Không chắc chắn đóng vai trò trọng yếu trong ra quyết định – từ cá nhân, tổ chức đến cấp chính sách quốc gia. Các mô hình ra quyết định hiện đại đều cố gắng tích hợp sự không chắc chắn vào quá trình đánh giá để tối ưu hóa lựa chọn theo mục tiêu và rủi ro.

Các phương pháp phổ biến trong lý thuyết ra quyết định:

• Expected Utility Theory: lựa chọn phương án có giá trị kỳ vọng cao nhất theo hàm lợi ích cá nhân.
• Decision Trees: xây dựng cây các lựa chọn và kết quả gắn với xác suất tương ứng.
• Robust Optimization: tối ưu hóa dưới kịch bản xấu nhất để đảm bảo an toàn.

Trong thực tế, người ra quyết định còn bị ảnh hưởng bởi thiên kiến nhận thức, cảm xúc, và mức độ chấp nhận rủi ro khác nhau. Do đó, việc trình bày rõ ràng mức độ không chắc chắn là yếu tố then chốt để tăng minh bạch và hiệu quả trong việc lựa chọn phương án hành động.

Ứng dụng trong kinh tế và tài chính

Trong kinh tế học và tài chính, sự không chắc chắn là biến số cốt lõi ảnh hưởng đến hành vi đầu tư, tiêu dùng và hoạch định chính sách. Các thị trường tài chính luôn phản ánh sự không chắc chắn qua biến động giá, lãi suất và chỉ số niềm tin thị trường.

Các công cụ định lượng được sử dụng rộng rãi:

• Volatility: đo lường sự dao động của giá tài sản, phản ánh rủi ro ngắn hạn.
• Value at Risk (VaR): ước tính tổn thất lớn nhất có thể xảy ra trong một khoảng thời gian với xác suất xác định.
• Beta: đo độ nhạy của cổ phiếu so với thị trường tổng thể.

Trong bối cảnh kinh tế vĩ mô, sự không chắc chắn ảnh hưởng đến kỳ vọng tiêu dùng, đầu tư và chính sách tiền tệ. Các mô hình như DSGE (Dynamic Stochastic General Equilibrium) tích hợp các cú sốc và sự kiện không chắc chắn để mô phỏng phản ứng của nền kinh tế trước các thay đổi chính sách hoặc ngoại lực.

Kết luận

Sự không chắc chắn là một thực tại khách quan và không thể loại bỏ hoàn toàn trong bất kỳ hệ thống nào. Tuy nhiên, bằng cách nhận diện đúng loại không chắc chắn, sử dụng công cụ định lượng phù hợp và xây dựng chiến lược ra quyết định thông minh, chúng ta có thể biến sự không chắc chắn thành lợi thế trong phân tích, đổi mới và phát triển bền vững.