Kockázat elemzés Dr. Koncsos László egy. Docens

Slides:



Advertisements
Hasonló előadás
Összetett kísérleti tervek és kiértékelésük:
Advertisements

Események formális leírása, műveletek
Hipotézis-ellenőrzés (Statisztikai próbák)
I. előadás.
II. előadás.
Összetett kísérleti tervek és kiértékelésük
MI 2003/9 - 1 Alakfelismerés alapproblémája: adott objektumok egy halmaza, továbbá osztályok (kategóriák) egy halmaza. Feladatunk: az objektumokat - valamilyen.
A többszörös összehasonlítás gondolatmenete. Több mint két statisztikai döntés egy vizsgálatban? Mi történik az elsõ fajú hibával, ha két teljesen független.
Anyagáramok meghatározásának hibája és a becslés pontosításának lehetőségei.
Illés Tibor – Hálózati folyamok
Matematikai Statisztika VIK Doktori Iskola
Két változó közötti összefüggés
MI 2003/ Alakfelismerés - még egy megközelítés: még kevesebbet tudunk. Csak a mintánk adott, de címkék nélkül. Csoportosítás (klaszterezés, clustering).
STATISZTIKA II. 5. Előadás Dr. Balogh Péter egyetemi adjunktus Gazdaságelemzési és Statisztikai Tanszék.
Statisztika II. IX. Dr. Szalka Éva, Ph.D..
Dr. Szalka Éva, Ph.D.1 Statisztika II. VII.. Dr. Szalka Éva, Ph.D.2 Mintavétel Mintavétel célja: következtetést levonni a –sokaságra vonatkozóan Mintavétel.
Statisztika II. VI. Dr. Szalka Éva, Ph.D..
Statisztika II. IV. Dr. Szalka Éva, Ph.D..
Statisztika II. II. Dr. Szalka Éva, Ph.D..
Előadó: Prof. Dr. Besenyei Lajos
Mintavételes eljárások
III. előadás.
Játékelméleti alapfogalmak előadás
Kvantitatív módszerek
KÉT FÜGGETLEN, ILL. KÉT ÖSSZETARTOZÓ CSOPORT ÖSZEHASONLÍTÁSA
Nem-paraméteres eljárások, több csoport összehasonlítása
Statisztika II. VIII. Dr. Szalka Éva, Ph.D..
Készítette: Kosztyán Zsolt Tibor
Kvantitatív módszerek
Kvantitatív módszerek 8. Hipotézisvizsgálatok I. Nemparaméteres próbák Dr. Kövesi János.
Budapesti Műszaki és Gazdaságtudományi Egyetem
Az Alakfelismerés és gépi tanulás ELEMEI
A statisztikai próba 1. A munka-hipotézisek (Ha) nem igazolhatók közvetlen úton Ellenhipotézis, null hipotézis felállítása (H0): μ1= μ2, vagy μ1- μ2=0.
Kvantitatív Módszerek
Kvantitatív módszerek
Kvantitatív módszerek
Idősor elemzés Idősor : időben ekvidisztáns elemekből álló sorozat
Lineáris programozás.
Statisztikai döntésfüggvények elméletének elemei
Lineáris programozás Elemi példa Alapfogalmak Általános vizsg.
$ Információ Következmény Döntés Statisztikai X.  Gyakorlati problémák megoldásának alapja  Elemzéseink célja és eredménye  Központi szerep az egyén.
Valószínűségszámítás
Gazdaságstatisztika 11. előadás.
Gazdaságstatisztika 16. előadás Hipotézisvizsgálatok Alapfogalamak
Hipotézis vizsgálat (2)
Alapsokaság (populáció)
Alapfogalmak.
t A kétoldalú statisztikai próba alapfogalmai
Dr. Dobó Marianna október 4..  vízkár elhárítás: az árvizek belvizek, helyi vízkárok, vízminőségi haváriák károkozó hatásának megelőzésére, csökkentésére.
Költség-minimalizálás az ellenőrző kártyák alkalmazásánál Feladatmegoldás, kiegészítés.
Hipotézisvizsgálat v az adatforrás működési “mechanizmusát” egy véletlen eloszlás jellemzi v az adatok ismeretében megfogalmazódnak bizonyos hipotézisek.
Paleobiológiai módszerek és modellek 4. hét
I. előadás.
Dr. Takács Attila – BME Geotechnikai Tanszék
A szóráselemzés gondolatmenete
Valószínűségszámítás II.
MI 2003/8 - 1 Alakfelismerés alapproblémája: adott objektumok egy halmaza, továbbá osztályok (kategóriák) egy halmaza. Feladatunk: az objektumokat - valamilyen.
Mérés és adatgyűjtés laboratóriumi gyakorlat
A számítógépes elemzés alapjai
Bevezetés a méréskiértékelésbe (BMETE80ME19) 2014/
Árvizek gyakorisága, erőssége, okozott kár (általános összefoglaló) Gábris Veronika, környezettan Bsc 2015 Gábris Veronika Y4EXCR.
A Tisza árvízi szabályozásának közgazdasági elemzése
A számítógépes elemzés alapjai
II. előadás.
Kvantitatív módszerek MBA és Számvitel mesterszak
Kockázat és megbízhatóság
Valószínűségi változó, eloszlásfüggvény
Gazdaságinformatikus MSc
1.3. Hipotézisvizsgálat, statisztikai próbák
Előadás másolata:

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

Az esztelen erdőírtás következményei Kárpátalján

Tisza: a legnagyobb vízszintek alakulása

Detektálhatók a trendek? (Vásárosnamény)

Hidrodinamikai szimulációk: lehetséges árvízszint változások 1998 LEHETSÉGES ELŐREJELZETT 2 méter!

A Tisza vízgyűjtő (160000 km2)

Kockázat [Ft] töltésemelés tározás hullámtér r. [Ft] [m] klimaváltozás Hullámtéri feltöltődés Területhasználat mód.

A rendszer 100 éves várható költsége: i-edik állapot k i 100 S i

Kockázat-megelőzés K dK M dM dM

Árvízvédekezésre fordított vízügyi kiadások 1998-2001 [milliárd Ft] Kockázat-megelőzés K Árvízvédekezésre fordított vízügyi kiadások 1998-2001 [milliárd Ft] Évek Jelenlegi kiépítettség mellett (tényleges költségek) Kiépített védvonalak esetén (számított költségek) 1998 1.5 ~0,15-0,3 1999 7.5 ~0,75-1,5 2000 13.5 ~1,35-2,7 2001 6.5 ~0,65-1,3 Összesen: 29 ~2,9-5,8 dK M dM

A Balaton vízszintváltozása (klímaváltozás nélkül) Mérések 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 Ha a döntésünket a választásra alapozzuk 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

Elfogadjuk a Ho hipotézist 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

X [mm] Comparison of historical water budget and B2 scenario (monthly averages) for Lake Balaton X=P+R-E-Qout

Thomas-Fiering model for water budget of Lake Balaton Monthly averages ARMA Auto-correlation residuals Standard deviation X=P+R-E-Qout

R P E auto-correlation of precipitation, evapotranspiration, and runoff (past)

E[mm] t

Comparison of generated and measured water budget [mm]

Water level [cm] Scenario b2 present 1921-2002