Belirsizliklerle dolu dinamik sistemlerin gelecekteki davranışlarını tahmin etmek, bilim dünyasının en zorlu problemlerinden biri. Bu sistemlerin olasılıksal tahminleri yapmak için genellikle kesin distribüsyon bilgilerine ihtiyaç duyulur, ancak pratikte bu bilgileri elde etmek neredeyse imkansız.
Araştırmacılar bu soruna çözüm bulmak için 'dağıtımsal olarak gürbüz olasılıksal tahmin' (DRPP) adı verilen yeni bir çerçeve geliştirdi. Bu yöntem, önceden tanımlanmış bir belirsizlik kümesi üzerinde en kötü durum performans garantileri sunan olasılıksal tahmin ediciler tasarlamaya olanak tanıyor.
Metodun temel yeniliği, fonksiyonel-maksimin tabanlı yaklaşımı kullanması. Ancak bu yaklaşım, Lebesgue ölçüsüne göre yoğunluk fonksiyonları olan olasılık ölçüleri uzayında optimizasyon gerektirdiği için matematiksel olarak son derece karmaşık.
Araştırma ekibi bu zorluğu aşmak için orijinal maksimin problemini fonksiyon uzaylarından Öklid uzaylarına dönüştüren bir metodoloji geliştirdi. Bu dönüşüm sayesinde problem daha ele alınabilir hale geldi.
Bu gelişme, finans piyasalarından iklim modellemesine, mühendislik uygulamalarından biyolojik sistemlere kadar geniş bir yelpazede belirsizliklerle başa çıkmanın yolunu açıyor.