Epistemische vs. Aleatorische Unsicherheit
Epistemische Unsicherheit entsteht aus fehlendem Wissen (reduzierbar durch mehr Daten); aleatorische Unsicherheit ist inhärentes Rauschen in den Daten (nicht reduzierbar).
Epistemische Unsicherheit ist Wissenslücke (behebbar mit mehr Daten); aleatorische ist inhärentes Rauschen (nicht behebbar). Die Unterscheidung bestimmt, wo Investment sinnvoll ist.
Erklärung
Epistemische Unsicherheit sinkt mit mehr Trainingsdaten und wird durch Bayessche Methoden oder Ensembles geschätzt. Aleatorische Unsicherheit bleibt konstant und wird durch heteroskedastische Modelle modelliert.
Relevanz für Marketing
Unterscheidung hilft bei Investitionsentscheidungen: Epistemische Unsicherheit → mehr Daten sammeln lohnt sich; aleatorische → bessere Feature Engineering nötig.
Beispiel
Ein Conversion-Modell für ein neues Marktsegment hat hohe epistemische Unsicherheit (wenig Daten). Click-Through-Raten haben hohe aleatorische Unsicherheit (inhärente Nutzer-Variabilität).
Häufige Fallstricke
Alle Unsicherheit als epistemisch behandeln (→ endloses Datensammeln). Aleatorische Unsicherheit ignorieren (→ unrealistische Accuracy-Erwartungen).
Entstehung & Geschichte
Die Unterscheidung stammt aus der Philosophie (Aristoteles) und wurde von Der Kiureghian & Ditlevsen (2009) für Engineering formalisiert. Kendall & Gal (2017) brachten sie in Deep Learning.
Abgrenzung & Vergleiche
Epistemische vs. Aleatorische Unsicherheit vs. Uncertainty Quantification (UQ)
UQ ist das Gesamtfeld; epistemisch vs. aleatorisch ist die fundamentale Taxonomie innerhalb von UQ.