📊 statistics

Statistical inference with belief functions: A survey

यह शोध पत्र विश्वास फलनों (belief functions) के साथ सांख्यिकीय अनुमान में सबसे महत्वपूर्ण योगदानों का सर्वेक्षण करता है, जो विशेष रूप से उन परिदृश्यों में डेटा से विश्वास मापों (belief measures) को सीखने की विधियों पर ध्यान केंद्रित करता है जहाँ अपर्याप्त जानकारी पारंपरिक संभाव्यता वितरण सीखने को अव्यवहारिक बना देती है।

मूल लेखक: Fabio Cuzzolin

प्रकाशित 2026-05-11

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Fabio Cuzzolin

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक रहस्य सुलझाने की कोशिश कर रहे एक जासूस हैं, लेकिन आपके पास संदिग्धों की कोई स्पष्ट सूची या ज्ञात अलबी (alibi) नहीं है (जैसा कि एक मानक प्रायिकता चार्ट में होता है), बल्कि आपके पास सुरागों का एक बिखरा हुआ ढेर है। कुछ सुराग मजबूत हैं, कुछ कमजोर हैं, और कुछ तो बस आपको यह बताते हैं कि अपराधी किसी विशिष्ट पड़ोस में कहीं है, लेकिन यह नहीं बताते कि वह वास्तव में कौन है।

यह विश्वास कार्यों (Belief Functions) की दुनिया है। पारंपरिक सांख्यिकी हर साक्ष्य को एक सटीक प्रतिशत में बदलने की कोशिश करती है (जैसे, "70% संभावना है कि संदिग्ध जॉन है"), जबकि विश्वास कार्य यह कहने में अधिक सहज होते हैं कि, "मुझे 70% यकीन है कि यह जॉन है, लेकिन मुझे यह भी 20% यकीन है कि यह जॉन या मैरी में से कोई एक है, और मेरे पास 10% के लिए बिल्कुल भी जानकारी नहीं है।"

यह शोध पत्र, जो फैबियो कुज़ोलिन (Fabio Cuzzolin) द्वारा लिखा गया है, एक सर्वेक्षण (एक बड़ी समीक्षा) है कि हम डेटा से सीखने के लिए इस "बिखरे हुए साक्ष्य" वाले ढांचे का उपयोग कैसे कर सकते हैं। यह सवाल पूछता है: हम बिना किसी "पूर्व" (prior) कहानी का अनुमान लगाए, कच्चे नंबरों और अवलोकनों को इन लचीले विश्वास मानचित्रों में कैसे बदल सकते हैं?

यहाँ चर्चा किए गए मुख्य दृष्टिकोणों का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया है:

1. पारंपरिक जासूस (Likelihood-Based)

विचार: यह दृष्टिकोण डेटा को देखता है और पूछता है, "कौन सा संदिग्ध सुरागों में सबसे अच्छी तरह फिट बैठता है?"
उपमा: कल्पना कीजिए कि आपको एक कीचड़ वाला पदचिह्न मिलता है। आप जूते के आकार के एक चार्ट को देखते हैं। पदचिह्न आकार 10 से पूरी तरह मेल खाता है। आकार 9 थोड़ा अलग है, और आकार 11 बहुत अलग है।

यह कैसे काम करता है: पेपर बताता है कि हम इस "फिट" को एक विश्वास मानचित्र में बदल सकते हैं। जो आकार सबसे अच्छा फिट बैठता है उसे उच्चतम "विश्वास" मिलता है।
कमी: पेपर नोट करता है कि यह विधि बहुत कठोर है। यह केवल ऐसे मानचित्र बनाता है जहाँ संदिग्ध खूबसूरती से एक के भीतर एक समाहित होते हैं (जैसे रूसी गुड़िया: आकार 10, आकार 11 के अंदर है, जो आकार 12 के अंदर है)। यह विश्वास की पूरी, जटिल वास्तविकता को नहीं पकड़ पाता; यह एक वास्तविक विश्वास मानचित्र के बजाय एक "संभावना" (possibility) मानचित्र जैसा है।

2. सतर्क बेयसियन (Robust Bayesian)

विचार: पारंपरिक बेयसियन कहते हैं, "मुझे डेटा देखने से पहले एक अनुमान (एक प्रायर/prior) की आवश्यकता है।" लेकिन क्या होगा यदि आप नहीं जानते कि क्या अनुमान लगाना है?
उपमा: एक विशिष्ट शुरुआती बिंदु पर दांव लगाने के बजाय, कल्पना कीजिए कि आपके पास संभावित शुरुआती अनुमानों की एक पूरी टोकरी है। आप अपने डेटा को हर एक अनुमान के माध्यम से चलाते हैं।

यह कैसे काम करता है: परिणाम एक एकल उत्तर नहीं है, बल्कि उत्तरों की एक "रेंज" या एक "लिफाफा" (envelope) है। पेपर इसे क्रेडल सेट (Credal Set) कहता है। यह यह कहने जैसा है कि, "चाहे हम कौन सा भी शुरुआती अनुमान चुनें, संदिग्ध निश्चित रूप से इस पड़ोस में है।"
कमी: पेपर सुझाव देता है कि यह विधि गणितीय रूप से ठोस है लेकिन यह बहुत लोकप्रिय नहीं हुई है क्योंकि इसे सामान्य अनुमानों की टोकरियों के लिए बनाया गया है, न कि विशेष रूप से इस क्षेत्र में उपयोग किए जाने वाले अद्वितीय "विश्वास" नियमों के लिए।

3. समय यात्री (Fiducial Inference)

विचार: यह एक कठिन विधि है जो डेटा को रिवर्स-इंजीनियर करने की कोशिश करती है। यह पूछती है, "यदि हम उत्तर जानते, तो रैंडम शोर (noise) कैसा दिखता?"
उपमा: कल्पना कीजिए कि एक मशीन एक गुप्त सामग्री (पैरामीटर) को रैंडम आटे (शोर) के साथ मिलाती है ताकि एक केक (डेटा) बनाया जा सके।

यह कैसे काम करता है: आप केक (डेटा) का स्वाद लेते हैं। यह विधि मानती है कि "रैंडम आटा" का वितरण डेटा मिलने के बाद भी वही रहता है। पीछे की ओर काम करके, आप पता लगा सकते हैं कि गुप्त सामग्री कहाँ होनी चाहिए थी।
कमी: पेपर बताता है कि इसके लिए एक "जादुई समीकरण" (एक सहायक चर/auxiliary variable) की आवश्यकता होती है जिसे हम वास्तव में देख नहीं सकते। यह एक केक को रिवर्स-इंजीनियर करने जैसा है यह मानकर कि आप जानते हैं कि आटे को कैसे मिलाया गया था, भले ही आप मिक्सिंग बाउल को देख नहीं सकते। यह काम करता है, लेकिन गणित बहुत भारी और जटिल हो जाता है।

4. "कमजोर" विश्वास करने वाला (Weak Belief & Inferential Models)

विचार: यह टाइम ट्रैवलर विधि का एक आधुनिक मोड़ है। यह स्वीकार करता है, "हम रैंडम शोर की भविष्यवाणी पूरी तरह से नहीं कर सकते, इसलिए आइए इसके बारे में थोड़ा अस्पष्ट (fuzzy) रहें।"
उपमा: रैंडम आटे की सटीक मात्रा का अनुमान लगाने के बजाय, जासूस कहता है, "मुझे यकीन नहीं है कि आटा 1 कप था या 1.2 कप, लेकिन मुझे यकीन है कि यह 1 और 1.5 के बीच था।"

यह कैसे काम करता है: वे शोर के लिए संभावनाओं की एक सीमा को कवर करने के लिए एक "प्रेडिक्टिव रैंडम सेट" का उपयोग करते हैं। यह एक ऐसा विश्वास मानचित्र बनाता है जो "कमजोर" (कम प्रतिबद्ध) है लेकिन जो हम नहीं जानते उसके बारे में अधिक ईमानदार है।
कमी: इसके लिए एक जटिल, अदृश्य संरचना (एक "प्रेडिक्टिव रैंडम सेट") बनाने की आवश्यकता होती है जो सीधे उस वास्तविक डेटा से नहीं जुड़ती जिसे हम देख सकते हैं।

5. फ्रीक्वेंटिस्ट (Confidence Intervals)

विचार: यह मानक "प्रयोग को 1,000 बार दोहराने" वाला दृष्टिकोण है।
उपमा: यदि आप 1,000 बार सिक्का उछालते हैं, तो आपको हेड्स की एक रेंज मिलती है। एक "कॉन्फिडेंस इंटरवल" कहता है, "यदि हम इस प्रयोग को बार-बार करते, तो 95% बार, वास्तविक उत्तर इस रेंज में होता।"

यह कैसे काम करता है: पेपर दिखाता है कि हम इन "रेंजों" को विश्वास कार्यों में कैसे बदल सकते हैं। केवल यह कहने के बजाय कि "यह रेंज में है," आप उस रेंज के विभिन्न हिस्सों को विश्वास की डिग्री प्रदान करते हैं।
कमी: पेपर सुझाव देता है कि यह आशाजनक है लेकिन इसमें "ओवरफिटिंग" की समस्या हो सकती है—अर्थात, विधि विशेष रूप से जिस तरह से प्रयोग को डिज़ाइन किया गया था, उसके लिए बहुत अधिक अनुकूलित हो सकती है, न कि स्वयं डेटा के लिए।

मुख्य निष्कर्ष (The Big Picture Conclusion)

लेखक, फैबियो कुज़ोलिन, निष्कर्ष निकालते हैं:

लाइकलीहुड (Likelihood) विधियाँ आसान हैं लेकिन बहुत सरल हैं (वे केवल "संभावना" मानचित्र बनाती हैं)।
बेयसियन (Bayesian) विधियाँ सुरक्षित हैं लेकिन वे लोकप्रिय नहीं हुई हैं क्योंकि वे इस विशिष्ट प्रकार के गणित के लिए तैयार नहीं की गई हैं।
फिडुशियल (Fiducial) और "कमजोर" विधियाँ शक्तिशाली हैं लेकिन अदृश्य, जटिल संरचनाओं पर निर्भर करती हैं जिन्हें सही ठहराना कठिन है।
फ्रीक्वेंटिस्ट (Frequentist) विधियाँ सच्चाई के करीब पहुँच रही हैं लेकिन उन्हें पूरी तरह से फिट होने के लिए और काम करने की आवश्यकता है।

अंतिम निष्कर्ष:
विश्वास कार्य तब एक शक्तिशाली उपकरण हैं जब आपके पास सटीक प्रायिकता अनुमान लगाने के लिए पर्याप्त डेटा नहीं होता है। वे आपको यह कहने की अनुमति देते हैं, "मैं सटीक रूप से नहीं जानता, लेकिन मुझे पता है कि यह कहीं यहाँ है, और मुझे इस हिस्से के बारे में उस हिस्से की तुलना में अधिक यकीन है।" यह पेपर इस बात की समीक्षा करता है कि गणितज्ञों ने इन मानचित्रों को डेटा से बनाने के लिए विभिन्न तरीकों का उपयोग कैसे किया है, यह रेखांकित करते हुए कि हालांकि हमारे पास कई उपकरण हैं, एक ऐसा आदर्श उपकरण खोजना जो सरल भी हो और गणितीय रूप से पूर्ण भी, अभी भी एक प्रगतिशील कार्य है।

तकनीकी सारांश: विश्वास कार्यों के साथ सांख्यिकीय अनुमान: एक सर्वेक्षण

समस्या विवरण

यह शोध पत्र विश्वास कार्यों (डेम्पस्टर-शेफर सिद्धांत) के ढांचे के भीतर सांख्यिकीय अनुमान की मौलिक चुनौती को संबोधित करता है। विशेष रूप से, यह एक पैरामीट्रिक मॉडल $f(x|\theta)$ से प्रेक्षित डेटा $x$ के आधार पर पैरामीटर $\theta$ के बारे में अनिश्चितता को मापने की समस्या का समाधान करता है, जिसमें पूर्व वितरण (prior distribution) को निर्दिष्ट करने की आवश्यकता नहीं होती है।

कोलमोगोरोव के योगात्मक संभाव्यता मापों (additive probability measures) के विपरीत, विश्वास कार्यों को ऐसी स्थितियों को संभालने के लिए डिज़ाइन किया गया है जहाँ डेटा दुर्लभ, गुणात्मक या सटीक संभाव्यता वितरण सीखने के लिए अपर्याप्त होता है। मुख्य समस्या पैरामीटर स्पेस $\Theta$ के लिए विश्वास माप (विश्वास की डिग्री) का निर्माण करना है जो सीधे सांख्यिकीय साक्ष्य से प्राप्त हो, जिससे पारंपरिक सांख्यिकीय विधियों और विश्वास कार्यों द्वारा प्रदान किए गए अनिश्चितता के व्यापक प्रतिनिधित्व के बीच के अंतर को पाटा जा सके।

कार्यप्रणाली और सैद्धांतिक ढांचा

सर्वेक्षण विश्वास कार्य अनुमान के मौजूदा दृष्टिकोणों को शास्त्रीय सांख्यिकीय अनुमान के चार मुख्य धाराओं: लाइकलीहुड-आधारित (Likelihood-based), बायेसियन (Bayesian), फिडुशियल (Fiducial), और फ्रीक्वेंटिस्ट (Frequentist) विधियों के सामान्यीकरण द्वारा व्यवस्थित करता है।

1. विश्वास कार्यों के आधार

शोध पत्र अनुमान के गणितीय आधार को स्थापित करता है:

यादृच्छिक सेट परिभाषा (Random Set Definition): एक विश्वास कार्य एक बहु-मूल्य वाले मानचित्रण (यादृच्छिक सेट) $\Gamma: \Omega \to 2^\Theta$ द्वारा प्रेरित होता है, जो एक स्रोत संभाव्यता स्थान $(\Omega, P)$ से पैरामीटर स्पेस तक होता है। विश्वास $Bel(A) $इस बात की संभाव्यता है कि यादृच्छिक सेट$ A$ का उपसमुच्चय है।
मूल संभाव्यता असाइनमेंट (Basic Probability Assignment - BPA): एक मास फंक्शन $m: 2^\Theta \to [0,1]$ फोकल तत्वों (focal elements) को संभाव्यता द्रव्यमान आवंटित करता है।
क्रेडल व्याख्या (Credal Interpretation): एक विश्वास कार्य को सुसंगत संभाव्यता वितरणों के एक उत्तल सेट (convex set) के निचले आवरण (lower envelope) के रूप में देखा जाता है।
संयोजन और अनुकूलन (Combination and Conditioning): स्वतंत्र साक्ष्य को फ्यूज करने के लिए डेम्पस्टर के संयोजन नियम ( $\oplus$ ) का उपयोग किया जाता है, और अनुकूलन (conditioning) को एक श्रेणीगत (categorical) विश्वास कार्य के ऑर्थोगोनल योग के माध्यम से किया जाता है।

2. अनुमान दृष्टिकोण

सर्वेक्षण डेटा से विश्वास कार्यों को प्राप्त करने के लिए विशिष्ट कार्यप्रणालियों का विवरण देता है:

लाइकलीहुड-आधारित अनुमान (Likelihood-Based Inference):
- शेफर का दृष्टिकोण: एक कंसोनेंट (consonant) विश्वास कार्य का निर्माण करता है जहाँ कंटूर फंक्शन $pl(\theta|x)$ सामान्यीकृत लाइकलीहुड $L(\theta; x)$ है। यह लाइकलीहुड सिद्धांत का पालन करता है और डेम्पस्टर के नियम के माध्यम से बायेसियन अनुमान के साथ संगत है।
- विश्वास लाइकलीहुड फंक्शन: एक हालिया विस्तार (कुज़ोलिन) $\theta$ द्वारा पैरामीटराइज्ड सैंपल स्पेस पर विश्वास कार्यों के एक परिवार को परिभाषित करता है। यह सेट-वैल्यूड अवलोकनों के लिए निचले और ऊपरी लाइकलीहुड को परिभाषित करने की अनुमति देता है, जो स्टोकेस्टिक स्वतंत्रता को सामान्य बनाता है और सामान्यीकृत लॉजिस्टिक रिग्रेशन जैसे ढांचों को सक्षम बनाता है।
(मजबूत) बायेसियन अनुमान ((Robust) Bayesian Inference):
- वासरमैन का दृष्टिकोण: विश्वास कार्यों का उपयोग क्रेडल सेट्स (prior distributions के वर्गों) को उत्पन्न करने के लिए करता है। एक एकल प्रायर के बजाय, एक 'एनवेलप' (envelope) प्रायर का उपयोग बायेस नियम के माध्यम से अपडेट किया जाता है, जिसके परिणामस्वरूप पोस्टीरियर एनवेलप प्राप्त होता है। पोस्टीरियर संभाव्यता के बंधों की गणना ऊपरी और निचले समाकलों (integrals) का उपयोग करके की जाती है।
फिडुशियल अनुमान (Fiducial Inference):
- डेम्पस्टर का सहायक चर (Auxiliary Variable): फिशर के फिडुअल तर्क को एक सहायक चर $u$ और एक समीकरण $x = a(\theta, u)$ पेश करके विस्तारित करता है। प्रेक्षित $x$ पर प्रेरित विश्वास कार्य को अनुकूलित करने से बिना किसी प्रायर के $\theta$ पर एक विश्वास माप प्राप्त होता है।
- इंफेरेंशियल मॉडल (IM) और कमजोर विश्वास (Weak Belief): यह फिडुअल विचार पर आधारित है जो पिवट वितरण को "स्मियर" (smear) करने के लिए "प्रेडिक्टिव रैंडम सेट्स" का उपयोग करता है, जिससे यह धारणा कमजोर हो जाती है कि सहायक चर को पूरी तरह से अनुमानित किया जा सकता है। यह "कमजोर विश्वास" या "इलास्टिक विश्वास" की ओर ले जाता है, जो वैध इंफेरेंशियल मॉडल प्रदान करता है जो डेम्पस्टर के पोस्टीरियर द्वारा डोमिनेटेड है।
- संकेतों के साथ सांख्यिकीय अनुमान (Statistical Inference with Hints): एक भिन्नता जो कार्यात्मक मॉडल $x = f(\theta, \omega)$ का उपयोग करती है जहाँ अवलोकन "हिंट्स" (संरचनाएं) उत्पन्न करते हैं जो $\theta$ के बारे में परिकल्पनाओं का आकलन करने की अनुमति देते हैं।
फ्रीक्वेंटिस्ट अनुमान (Frequentist Inference):
- निचली/ऊपरी संभाव्यता (Lower/Upper Probability): वॉली और फाइन ने सापेक्ष आवृत्तियों के आधार पर निचली संभाव्यता के लिए एस्टिमेटर्स प्रस्तावित किए, जो विश्वास कार्यों को सुपर-एडिटिव निचली संभाव्यता के एक विशेष मामले के रूप में देखते हैं।
- कॉन्फिडेंस इंटरवल और संरचनाएं: विश्वास कार्यों को निचली और ऊपरी संभाव्यता प्राप्त करने के लिए क्रेडल सेट्स (संभाव्य अंतराल के सेट) में बदलने के लिए विधियाँ मौजूद हैं। हाल ही में, "कॉन्फिडेंस स्ट्रक्चर" विश्वास कार्यों को फ्रीक्वेंटिस्ट कवरेज संभावनाओं के साथ सामंजस्य बिठाने के लिए अवलोकन-सशर्त यादृच्छिक सेटों का उपयोग करते हैं।

प्रमुख योगदान

यह शोध पत्र एक व्यापक सर्वेक्षण के रूप में कार्य करता है न कि नए प्रयोगात्मक परिणामों की प्रस्तुति के रूप में। इसके प्राथमिक योगदान हैं:

विधियों का वर्गीकरण (Taxonomy of Methods): यह उनके शास्त्रीय सांख्यिकीय प्रतिमानों के साथ संबंध के आधार पर विश्वास कार्य अनुमान के विविध परिदृश्य को व्यवस्थित रूप से वर्गीकृत करता है।
सैद्धांतिक एकीकरण (Theoretical Unification): यह प्रदर्शित करता है कि कैसे विश्वास कार्य मानक सांख्यिकीय अवधारणाओं को सामान्यीकृत करते हैं, जैसे कि यह दिखाना कि कैसे लाइकलीहुड-आधारित अनुमान कंसोनेंट विश्वास कार्यों का उत्पादन करता है और कैसे फिडुअल तर्क बिना प्रायर के विश्वास माप को प्रेरित करता है।
आलोचनात्मक मूल्यांकन (Critical Evaluation): यह प्रत्येक दृष्टिकोण की शक्तियों और सीमाओं का तुलनात्मक विश्लेषण प्रदान करता है, जिसमें निम्नलिखित मुद्दों को उजागर किया गया है:
- संयोजन और अनुकूलन के साथ लाइकलीहुड-आधारित विधियों में कम्यूटेटिविटी (commutativity) का अभाव।
- फिडुअल दृष्टिकोणों में सहायक चरों की कम्प्यूटेशनल जटिलता और गैर-विशिष्टता।
- लाइकलीहुड-आधारित विधियों का कंसोनेंट (संभवतः/possibilistic) विश्वास कार्यों तक सीमित होना, जो सामान्य विश्वास सिद्धांत की अभिव्यंजक शक्ति का पूर्ण उपयोग नहीं कर सकते।
- अवलोकन-सशर्त यादृच्छिक सेटों के डिजाइन विकल्प के कारण कॉन्फिडेंस स्ट्रक्चर थ्योरी में ओवरफिटिंग की संभावित समस्याएं।

परिणाम और निष्कर्ष

सर्वेक्षण प्रयोगात्मक परिणाम प्रस्तुत नहीं करता है बल्कि सैद्धांतिक निष्कर्षों का संश्लेषण करता है:

लाइकलीहुड-आधारित अनुमान अच्छी तरह से समर्थित है लेकिन कंसोनेंट विश्वास कार्यों तक सीमित है, जो प्रभावी रूप से एक पॉसिबिलिस्टिक (possibilistic) अनुमान विधि के रूप में कार्य करता है।
फिडुशियल दृष्टिकोण (डेम्पस्टर का मॉडल, IM, हिंट्स) बिना प्रायर के अनिश्चितता को सफलतापूर्वक मात्रात्मक रूप देते हैं लेकिन अक्सर अदृश्य सहायक चरों और जटिल संरचनाओं (प्रेडिक्टिव रैंडम सेट्स) पर निर्भर करते हैं।
क्रेडल सेट्स के माध्यम से मजबूत बायेसियन अनुमान गणितीय रूप से सुदृढ़ है लेकिन इसे व्यापक रूप से अपनाया नहीं गया है, आंशिक रूप से इसलिए क्योंकि इसे विश्वास कार्यों के लिए विशिष्ट एनवेलप के बजाय जेनेरिक एनवेलप के लिए डिज़ाइन किया गया है।
फ्रीक्वेंटिस्ट दृष्टिकोण आमतौर पर निचली और ऊपरी संभाव्यता उत्पन्न करते हैं, हालांकि कॉन्फिडेंस स्ट्रक्चर एक आशाजनक सेतु प्रदान करते हैं।

महत्व और दायरा

शोध पत्र एक मौलिक सर्वेक्षण के रूप में अपने महत्व का दावा करता है जो मुख्यधारा के संभाव्यता व्याख्याओं के साथ विश्वास कार्य अनुमान के संबंधों को स्पष्ट करता है। यह तर्क देता है कि अधिकांश दृष्टिकोणों को लाइकलीहुड, बायेसियन, फिडुअल या फ्रीक्वेंटिस्ट विधियों के सामान्यीकरण के रूप में समझा जा सकता है।

लेखक नोट करता है कि विश्वास कैलकुलस की शक्ति आंशिक ज्ञान या अज्ञानता के तहत अनुमान लगाने की क्षमता में निहित है जहाँ सरल पैरामीट्रिक मॉडल उपलब्ध नहीं होते हैं। सर्वेक्षण स्पष्ट रूप से गुणात्मक डेटा, मशीन लर्निंग अनुप्रयोगों और सांख्यिकीय शिक्षण सिद्धांत जैसे विषयों को बाहर रखता है, और केवल सांख्यिकीय डेटा से अनुमान के गणितीय लक्षण वर्णन पर ध्यान केंद्रित करता है। शोध पत्र निष्कर्ष निकालता है कि हालांकि कोई भी एकल विधि पूर्ण नहीं है, यह क्षेत्र अनिश्चितता मात्रात्मककरण के लिए उपकरणों का एक समृद्ध सेट प्रदान करता है, जिसमें कॉन्फिडेंस स्ट्रक्चर और विश्वास लाइकलीहुड को भविष्य के विकास के लिए विशेष रूप से आशाजनक क्षेत्रों के रूप में पहचाना गया है।