Modelos sustitutos para la cuantificación de la incertidumbre: Una visión general

La cuantificación de la incertidumbre se ha convertido en un tema candente en las ciencias computacionales en la última década. De hecho, los modelos informáticos (también conocidos como simuladores) están volviéndose cada vez más complejos y exigentes, pero el conocimiento de los parámetros de entrada para alimentar el modelo suele ser limitado. Basándose en los datos disponibles y posiblemente en el conocimiento de expertos, los parámetros se representan mediante variables aleatorias. De crucial interés es la propagación de las incertidumbres a través del simulador para estimar estadísticas de las cantidades de interés. La simulación de Monte Carlo, una técnica popular basada en la simulación de números aleatorios, resulta inasequible en la práctica cuando cada ejecución del simulador lleva minutos a horas. En esta contribución, revisamos brevemente técnicas recientes para eludir la simulación de Monte Carlo, a saber, modelos sustitutos. Se presentan las bases de las expansiones de caos polinómico y de las aproximaciones de tensores de bajo rango, junto con pistas sobre cómo derivar las estadísticas de interés, a saber, momentos, índices de sensibilidad o probabilidades de falla.