Une moyenne additionne ou pondère des valeurs sans représenter complètement leurs erreurs ; une fusion probabiliste combine modèle, distributions, corrélations et vraisemblances pour obtenir estimation et incertitude cohérentes.
Une mesure aberrante est comparée au modèle et aux autres sources, puis rejetée, pondérée ou conservée comme événement selon une règle robuste. Le conflit et son effet sur la confiance sont tracés.
Une fusion probabiliste aide à décider sous incertitude en évaluant actions et conséquences sur plusieurs états possibles, avec seuils de risque, valeur de l’information et option d’abstention ou de repli.
Un filtre de Kalman convient souvent à un état continu avec bruit proche d’un modèle gaussien ; une méthode particulaire représente mieux plusieurs hypothèses ou des distributions irrégulières.
Calibrer une incertitude probabiliste compare les probabilités annoncées aux fréquences observées sur des cas connus, puis ajuste le modèle sans toucher au test final.
Une fusion probabiliste demande une nouvelle observation lorsque l’incertitude restante peut changer la décision et que l’information supplémentaire coûte moins cher que l’erreur.
La fusion probabiliste combine des observations en associant à chaque hypothèse une probabilité ou une distribution d’incertitude.
Calibrer l’incertitude d’une fusion probabiliste demande de comparer ses intervalles ou probabilités à la fréquence réelle des erreurs sur des données indépendantes.