Praktyka analizy wrażliwości jest szeroko rozpowszechniona w dyscyplinach technologicznych: oznacza analizowanie, jak bardzo zmienia się wynik procesu w miarę dostrajania parametrów modelu. Analiza wrażliwości w systemach probabilistycznych i teoretyczno-decyzyjnych jest szczególnie ważna, ponieważ stosowane prawdopodobieństwa są zazwyczaj albo wyciągane z danych, albo szacowane przez ekspertów, co oznacza, że same są obarczone znaczną niepewnością. Tylko w rzadkich przypadkach, takich jak rzuty kostką w tryktrak, prawdopodobieństwa są obiektywnie znane. W przypadku procesu decyzyjnego opartego na użyteczności można myśleć o wynikach jako o faktycznie podjętej decyzji lub oczekiwanej użyteczności tej decyzji. Rozważmy najpierw to drugie: ponieważ oczekiwanie zależy od prawdopodobieństw z modelu, możemy obliczyć pochodną oczekiwanej użyteczności dowolnego działania w odniesieniu do każdej z tych wartości prawdopodobieństwa. (Na przykład, jeśli wszystkie warunkowe rozkłady prawdopodobieństwa w modelu są jawnie zestawione, wówczas obliczenie oczekiwań obejmuje obliczenie stosunku dwóch wyrażeń sumy iloczynu; więcej na ten temat w rozdziale 21.) W ten sposób można określić, które parametry w modelu mają największy wpływ na oczekiwaną użyteczność ostatecznej decyzji. Jeśli zamiast tego interesuje nas podjęta decyzja, a nie jej użyteczność zgodnie z modelem, możemy po prostu systematycznie zmieniać parametry (być może za pomocą wyszukiwania binarnego), aby zobaczyć, czy decyzja się zmienia, a jeśli tak, to co jest najmniejsze zaburzenie, które powoduje taką zmianę. Można by pomyśleć, że nie ma większego znaczenia, jaka decyzja zostanie podjęta, tylko jaka jest jej użyteczność. To prawda, ale w praktyce może istnieć bardzo istotna różnica między rzeczywistą użytecznością decyzji a użytecznością zgodną z modelem. Jeżeli wszystkie uzasadnione perturbacje parametrów pozostawiają optymalną decyzję niezmienioną, wówczas uzasadnione jest założenie, że decyzja jest dobra, nawet jeśli oszacowanie użyteczności dla tej decyzji jest zasadniczo nieprawidłowe. Z drugiej strony, jeśli optymalna decyzja zmienia się znacznie wraz ze zmianą parametrów modelu, to istnieje duża szansa, że model może wydać decyzję, która w rzeczywistości jest zasadniczo nieoptymalna. W takim przypadku warto zainwestować dalszy wysiłek w dopracowanie modelu. Te intuicje zostały sformalizowane w kilku dziedzinach (teoria kontroli, analiza decyzji, zarządzanie ryzykiem), które proponują pojęcie solidnej lub minimaksowej decyzji, czyli takiej, która daje najlepszy wynik w najgorszym przypadku. Tutaj „najgorszy przypadek” oznacza najgorszy w odniesieniu do wszystkich prawdopodobnych zmian wartości parametrów modelu. Pozostawiając wszystkie parametry θ w modelu, solidna decyzja jest zdefiniowana przez
W wielu przypadkach, szczególnie w teorii sterowania, solidne podejście prowadzi do projektów, które działają bardzo niezawodnie w praktyce. W innych przypadkach prowadzi do zbyt konserwatywnych decyzji. Na przykład, przy projektowaniu autonomicznego samochodu, solidne podejście zakładałoby najgorszy przypadek zachowania innych pojazdów na drodze — to znaczy, że wszystkie są kierowane przez morderczych maniaków. W takim przypadku optymalnym rozwiązaniem dla samochodu jest pozostanie w garażu. Bayesowska teoria decyzyjna oferuje alternatywę dla metod odpornych: jeśli istnieje niepewność co do parametrów modelu, modeluj tę niepewność za pomocą hiperparametrów. Podczas gdy solidne podejście może powiedzieć, że pewne prawdopodobieństwo θi w modelu może wynosić od 0,3 do 0,7, z rzeczywistą wartością wybraną przez przeciwnika, aby wszystko wyszło tak źle, jak to możliwe, podejście bayesowskie umieściłoby wcześniejszy rozkład prawdopodobieństwa na θi, a następnie postępuj jak poprzednio. Wymaga to większego wysiłku związanego z modelowaniem – na przykład modelarz bayesowski musi zdecydować, czy parametry θi oraz θj są niezależne – ale często skutkuje to lepszą wydajnością w praktyce. Oprócz niepewności parametrycznej zastosowania teorii decyzji w świecie rzeczywistym cierpią również na niepewność strukturalną. Na przykład założenie niezależności Ruchu Lotniczego, Sporów i Budownictwa może być niepoprawne i mogą istnieć dodatkowe zmienne, które model po prostu pomija. Obecnie nie mamy dobrego zrozumienia, jak brać pod uwagę tego rodzaju niepewność. Jedną z możliwości jest zachowanie zestawu modeli, być może wygenerowanych przez algorytmy uczenia maszynowego, w nadziei, że zestaw wychwytuje znaczące różnice, które mają znaczenie.