560 likes | 728 Views
Kockázat elemzés. Dr. Koncsos László egy. Docens BME Vízi Közmű és Környezetmérnöki tsz. Statisztikai döntésfüggvények elméletének elemei és azok alkalmazása. -Kockázat fogalma és matematikai leírása -Ipari és környezeti katasztrófák -Védekezés, elhárítás lehetőségei.
E N D
Kockázat elemzés • Dr. Koncsos László • egy. Docens • BME Vízi Közmű és Környezetmérnöki tsz.
Statisztikai döntésfüggvények elméletének elemei és azok alkalmazása
-Kockázat fogalma és matematikai leírása -Ipari és környezeti katasztrófák -Védekezés, elhárítás lehetőségei
A Tisza és mellékfolyóinak árvízjárta területei és árvízi kitörései a szabályozások előtt (Ihrig D.)
A Tisza árvízvédelmi töltéseinek magasítása a folyószabályozás óta • A Tisza völgyben az első és másodrendű árvízvédelmi töltések hossza 1320 km, amelyekhez 119 km magasparti szakasz is tartozik. • A magyarországi 600 km hosszú folyószakaszon a védvonalak jelenlegi hossza a folyó két partján 1085 km. • A folyószabályozások során az eredeti árvédelmi töltéseken 1,5-2,5 m-t magasítottak, és szelvényprofiljukat is megváltoztatták.
A Tisza árterének feliszapolódás vizsgálata Szolnok, Alcsisziget melletti hullámtéren
1998 LEHETSÉGES ELŐREJELZETT Hidrodinamikai szimulációk: lehetséges árvízszint változások 2 méter!
[Ft] Kockázat töltésemelés tározás hullámtér r. [Ft] [m] klimaváltozás Területhasználat mód. Hullámtéri feltöltődés
A rendszer 100 éves várható költsége: i-edik állapot k i 100 S i
Kockázat-megelőzés K dK M dM dM
Kockázat-megelőzés K dK M dM
Mérések A Balaton vízszintváltozása (klímaváltozás nélkül) 2003 prognózis és észlelések
Balatonboglár (2003. november 11) Siófoki vízállás: 22 cm Vizy Zsigmond
Balatonboglár (2005. október 13) Siófoki vízállás: 110 cm Vizy Zsigmond
Feladat -döntéshozás támogatása -döntés függvényformában -cél: optimális döntés -Wald A.: Statistical decision functions Sequential analysis
Statisztikai eljárás is -> döntéshez vezet (legegyszerűbb eset: valószínűségi változó várható értékének vagy szórásának meghatározása) Pl. hipotézis ellenhipotézis Döntés alapja: -véletlen ingadozásnak alávetett adatok, vagy statisztikák -hibás döntés -> kár -> döntési kockázat cél: a legkisebb kockázattal járó döntés kiválasztása
Statisztikai döntési eljárás Példa: Szennyező anyag koncentrációjának szezonális maximuma: X -ez a mérések szerint exponenciális valószínűségi változó: Sűrűség fv. -Az eloszlás várható értékére döntést kell hoznunk Statisztikai döntés döntéstér
legyen Statisztikai minta A statisztikai minta elemei a múltbeli szezonális maximumok amelyek lényegesen nagyobb információtartalommal rendelkeznek, mint egy megfigyelés Mivel És E(x) legjobb becslése:
Másik lehetséges döntésfüggvény: Statisztikai döntési eljárás: Megfigyeljük az X valószínűségi változó értékeit, és ennek alapján választunk egy d döntést a lehetséges döntések D halmazából, amelyet a gyakorlati probléma határoz meg. A D halmazt döntéstérnek nevezzük. A döntés megválasztása bizonyos szabály alapján történik. Ezt a szabályt döntésfüggvénynek nevezzük.
Veszteségfüggvény és kockázatfüggvény választásra alapozzuk Ha a döntésünket a Az elkövetett hibához veszteségeket rendelhetünk, a döntés által okozott veszteség is a függvénye Legyen a veszteség pl. vagy
Tekintsük a veszteség átlagos mértékét: Amely a döntés kockázata Példa: Legyen v. szennyezőanyag éves középértéke normális eo. : A középértékek statisztikai mintája:
Legyen a döntésfüggvény: Legyen a veszteségfüggvény: A kockázatfüggvény:
Ami a döntés kockázata Válasszunk most másik döntésfüggvényt a veszteségfüggvény:
A kockázatfüggvény: esetünkben Melyik a jobb döntés?
Cauchy egyenlőtlenség alapján -> Megengedhetetlen döntésfüggvény
Értékétől függően változik a kockázat, akkor mindkét döntésfüggvény megengedhető Ha 2 1 a b Melyik döntésfüggvényt válasszuk?
Tekintsük a döntés tárgyát valószínűségi változónak sűrűségfüggvénye: a priori eloszlás (ismertnek tételezzük fel) Ekkor a kockázat várható értéke: Amelyet Bayes-féle kockázatnak nevezünk
-Azt a döntést, amelyre a Bayes-kockázat minimális, az a priori eloszláshoz tartozó Bayes-döntésnek nevezzük - A Bayes-döntés a minimális átlagos kockázatú döntés Ha a valószínűségi változó véges számú értéket vehet fel, akkor az a priori eloszlás: Ekkor a Bayes kockázat:
Ha Különböző döntésfüggvények, akkor mindegyikre kiszámítjuk a Bayes-fále kockázatot, és azt a döntésfüggvényt választjuk, amelyre a Bayes-kockázat a legkisebb Példa: t<2hét ----> d1 döntés t>2hét ----> d2 döntés Kritikus szennyezettség tartóssága
Veszteség mátrix Döntési változó: szennyezési koncentráció tetőzési szintje x=1, ha c<ch x=2, ha c>ch példa
Ha az a priori eloszlás nem ismert, akkor Minimax döntés
Szekvenciális döntési módszer -egymást követő megfigyelések lehetőségek: a) a Ho hipotézist elfogadjuk b) a Ho hipotézist elvetjük (H1 -et elfogadjuk) c) folytatjuk a megfigyeléseket a) és b) …végső döntések
Elsőfajú hiba: az a téves döntés, amikor Ho hipotézist elvetjük, pedig igaz, Másodfajú hiba: az a téves döntés, amikor Ho-t elfogadjuk pedig nem igaz Szekvenciális hipotézisvizsgálat során először megadjuk az első és másodfajú megengedett hibát Elsőfajú hiba valószínűsége: Másodfajú hiba valószínűsége: indifferens tartomány Elfogadási tartomány B A Kritikus, elutasítási tartomány
Szekvenciális próba végrehajtása: - az X valószínűségi változóra megfigyelés: X=x1 -kiszámítjuk az értékét, mellett -képezzük a Hányszor valószínűbb az x1 eredmény a mellett mint mellett Elfogadjuk a Ho hipotézist
Folytatjuk a megfigyelést …X=x2 Elvetjük a hipotézist ha folytatjuk: x2 és: Likelihood hányados
Elvetjük a hipotézist együttes sűrűségfv. Elfogadjuk a Ho hipotézist
Mintavételezés folytatásának feltétele: Példa..p0.
Mean [mm]= =SUM(Q)/A(Balaton) (S(year)=439 mm) standard deviation Precipitation
mean standard deviation Temperature
precipitation Temperature
Historical data Sum(A2)=339 mm Sum(B2)=445 mm Sum(histroric)=439 mm Monthly averages and max. of runoff from Zala watershed