Statistiska metoder för säkerhetsanalys

Relevanta dokument
Föreläsning 8, FMSF45 Binomial- och Poissonfördelning, Poissonprocess

1 Stokastiska processer. 2 Poissonprocessen

Matematisk statistik 9 hp Föreläsning 8: Binomial- och Poissonfördelning, Poissonprocess

Statistiska metoder för säkerhetsanalys

Statistiska metoder för säkerhetsanalys

Statistiska metoder för säkerhetsanalys

FÖRELÄSNING 4:

Föreläsning 8, Matematisk statistik Π + E

Föreläsning 12: Repetition

Veckoblad 3. Kapitel 3 i Matematisk statistik, Blomqvist U.

Veckoblad 3. Kapitel 3 i Matematisk statistik, Dahlbom, U.

Kapitel 4. Kontinuerliga slumpvariabler och deras sannolikhetsfördelningar. Sannolikhetslära och inferens II

Matematisk statistik för D, I, Π och Fysiker

TMS136. Föreläsning 4

Statistiska metoder för säkerhetsanalys

Stokastiska processer och simulering I 24 augusti

SF1905 Sannolikhetsteori och statistik: Lab 2 ht 2010

4.1 Grundläggande sannolikhetslära

Tentamen MVE301 Sannolikhet, statistik och risk

Våra vanligaste fördelningar

Simulering av Poissonprocesser Olle Nerman, Grupprojekt i MSG110,GU HT 2015 (max 5 personer/grupp)

Tiden i ett tillstånd

Matematisk statistik för D, I, Π och Fysiker

Tentamen i matematisk statistik (9MA241/9MA341, STN2) kl 14 18

Matematisk statistik 9 hp, HT-16 Föreläsning 10: Punktskattningar

Tillåtna hjälpmedel: Räknedosa. Formel- och tabellsamling i matematisk statistik.

1. För tiden mellan två besök gäller. V(X i ) = 1 λ 2 = 25. X i Exp (λ) E(X i ) = 1 λ = 5s λ = 1 5

SF1922/SF1923: SANNOLIKHETSTEORI OCH. PASSNING AV FÖRDELNING: χ 2 -METODER. STATISTIK. Tatjana Pavlenko. 14 maj 2018

TENTAMEN I STATISTIKENS GRUNDER 2

SF1901: SANNOLIKHETSTEORI OCH. PASSNING AV FÖRDELNING: χ 2 -METODER. STATISTIK. Tatjana Pavlenko. 12 oktober 2015

Matematisk statistik för B, K, N, BME och Kemister

Tentamen LMA 200 Matematisk statistik,

Kapitel 3 Diskreta slumpvariabler och deras sannolikhetsfördelningar

Tentamensskrivning i stokastik MAGB64, 7.5 ECTS den 8 juni 2012 kl 14 19

Statistiska metoder för säkerhetsanalys

Tentamen MVE301 Sannolikhet, statistik och risk

Tentamen i Statistik, STA A10 och STA A13 (9 poäng) Måndag 14 maj 2007, Kl

Tentamen MVE301 Sannolikhet, statistik och risk

Kunna beräkna medelantal kunder för alla köer i ett könät utan återkopplingar. I denna övning kallas ett kösystem som ingår i ett könät oftast nod.

Nedan redovisas resultatet med hjälp av ett antal olika diagram (pkt 1-6):

Problemsamling i Sannolikhetsteori

Tentamen MVE301 Sannolikhet, statistik och risk

Fö relä sning 2, Kö system 2015

Finansiell Statistik (GN, 7,5 hp,, VT 2009) Föreläsning 2. Diskreta Sannolikhetsfördelningar. (LLL Kap 6) Stokastisk Variabel

Statistiska metoder för säkerhetsanalys

Formel- och tabellsamling i matematisk statistik

LINKÖPINGS UNIVERSITET EXAM TAMS 15 / TEN 1

TMS136. Föreläsning 7

Introduktion till statistik för statsvetare

Tentamen'i'TMA321'Matematisk'Statistik,'Chalmers'Tekniska'Högskola.''

Repetition och förberedelse. Sannolikhet och sta.s.k (1MS005)

LMA521: Statistisk kvalitetsstyrning

4 Diskret stokastisk variabel

Stokastiska Processer

LMA522: Statistisk kvalitetsstyrning

Binomialfördelning, två stickprov

Kurssammanfattning MVE055

Lärmål Sannolikhet, statistik och risk 2015

Markovprocesser SF1904

P(ξ > 1) = 1 P( 1) = 1 (P(ξ = 0)+P(ξ = 1)) = ξ = 2ξ 1 3ξ 2

Poisson Drivna Processer, Hagelbrus

Övning 1 Sannolikhetsteorins grunder

Resultat till ett försök är ofta ett tal. Talet kallas en stokastisk variabel (kortare s. v.).

0 om x < 0, F X (x) = c x. 1 om x 2.

F6 STOKASTISKA VARIABLER (NCT ) Används som modell i situation av följande slag: Slh för A är densamma varje gång, P(A) = P.

TENTAMEN I SF1904 MARKOVPROCESSER FREDAGEN DEN 18 AUGUSTI 2017 KL

Kunna beräkna spärren i ett M/M/m*upptagetsystem. Känna till begreppet utnyttjning av en betjänare och beräkna den.

Datorövning 3 Bootstrap och Bayesiansk analys

Matematisk statistik för B, K, N, BME och Kemister

F23 forts Logistisk regression + Envägs-ANOVA

Kap 3: Diskreta fördelningar

PROGRAMFÖRKLARING III

b) Beräkna sannolikheten för att en person med språkcentrum i vänster hjärnhalva är vänsterhänt. (5 p)

Gamla tentamensuppgifter i stokastik

Kunna beräkna medelantal kunder för alla köer i ett könät utan återkopplingar.

Kunna beräkna spärren i ett M/M/m*upptagetsystem.

SF1901: SANNOLIKHETSTEORI OCH STATISTIKTEORI KONSTEN ATT DRA INTERVALLSKATTNING. STATISTIK SLUTSATSER. Tatjana Pavlenko.

SF1911: Statistik för bioteknik

TAMS14/36 SANNOLIKHETSLÄRA GK Poissonprocessen (komplettering) Torkel Erhardsson 14 maj 2010

1.1 Diskret (Sannolikhets-)fördelning

F13 Regression och problemlösning

Tentamen i matematisk statistik (9MA241/9MA341, STN2) kl 08-12

Föreläsning 5: Hypotesprövningar

4.2.1 Binomialfördelning

Finansiell Statistik (GN, 7,5 hp, HT 2008) Föreläsning 2

Repetition och förberedelse. Sannolikhet och sta.s.k (1MS005)

Resultat till ett försök är ofta ett tal. Talet kallas en stokastisk variabel (kortare s. v.).

Grundläggande matematisk statistik

Matematisk statistik KTH. Formel- och tabellsamling i Matematisk statistik, grundkurs

Demonstration av laboration 2, SF1901

Kunna beräkna P (spärr) för system med begränsat antal kunder och köplatser. Kunna beräkna medelantal upptagna betjänare.

LINKÖPINGS UNIVERSITET EXAM TAMS 27 / TEN 2

Matematisk statistik för B, K, N, BME och Kemister

Bestäm med hjälp av en lämplig och välmotiverad approximation P (X > 50). (10 p)

Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 3

Uppgift 2) Datum: 23 okt TENTAMEN I MATEMATIK OCH MATEMATISK STATISTIK, kurskod 6H3000

Tentamen MVE301 Sannolikhet, statistik och risk

TAMS65 - Föreläsning 6 Hypotesprövning

FACIT för Förberedelseuppgifter: SF1911 STATISTIK FÖR BI0TEKNIK inför tentan MÅDAGEN DEN 9 DECEMBER 2016 KL Examinator: Timo Koski

e x/1000 för x 0 0 annars

Transkript:

1 / 14 Statistiska metoder för säkerhetsanalys F2: Händelseströmmar och Poissonprocesser

Definition Intensitet Exempel 2 / 14 Händelseström Händelsen A inträffar vid de okända tidpunkterna S 1, S 2,... Ex: A = jordbävning ; A = brand S 1 S 2 S 3 S 4 S 5 Följden S 1, S 2,... kallas stream of events för A (händelseström för A). N A (t) = antal gånger A sker i intervallet [0, t], N A (s, t) = antal gånger A sker i intervallet [s, s + t], P t (A) = P(A inträffar minst en gång i [0, t]) = P(N A (t) 1) För ett fixt t (t.ex. 1 år) är P t (A) ett mått på risken för A.

Definition Intensitet Exempel Intensitet Om mekanismerna bakom händelseströmmen inte ändrar sig sker händelsen A med en viss konstant intensitet λ A (per tidsenhet). Definition: Intensiteten λ A definieras som λ A = lim t 0 P t (A) t Tolkning: P t (A) = risk för A under tiden t λ A t om t är litet. Om t = 1 (i lämplig enhet) så är P t (A) λ A. Skattning: Om vi studerar händelseströmmen under intervallet [0, T] och noterar N A (T) = antal händelser under intervallet, kan vi skatta λ A med N A (T)/T. 3 / 14

Definition Intensitet Exempel 4 / 14 Exempel: Jordbävningar I ett område har man noterat 63 jordbävningar under 75 år. (a) Uppskatta risken för jordbävning en dag (en månad). (b) Beräkna sannolikheten (risken) för jordbävning under ett år. Vilka antaganden måste vi göra för beräkningen? (c) Beräkna sannolikheten (risken) för jordbävning under tio år. (d) Vad är förväntad tid mellan jordbävningar?

Definition Intensitet Exempel Ex: Jordbävning: Vi har A= jordbävning och har observerat T = 75 år = 75 365 dagar där N A (T) = 63. Skattad intensitet λ A = N A(T) T = 63 75 = 0.84 år 1 = 63 75 365 = 0.0023 dag 1. För t = 1 dag får vi P 1 (A) = risk för jordbävning under en dag λ A = 0.0023. För t = 30 dagar får vi P 7 (A) = risk för jordbävning under en månad λ A 30 = 0.069. För t = 3650 dagar = 10 år får vi??? (0.0023 3650 = 8.4 > 1!) 5 / 14

Egenskaper Exempel 6 / 14 Poissonprocess (Poisson stream of events) Om det för händelseströmmen A gäller två eller flera händelser inträffar inte (exakt) samtidigt, det förväntade antalet händelser som sker i ett tidsintervall är ändligt, d.v.s. λ A är ändlig, antalet händelser som sker i icke överlappande intervall är oberoende. har vi en Poisson stream (Poissonprocess). Egenskaper: N A (t) = antal händelser i intervallet [0, t] är Po(λ A t), N A (s, t) = antal händelser i intervallet [s, s + t] är Po(λ A t), Förväntad tid mellan händelserna, d.v.s. återkomststiden, T A = 1/λ A, Tiden mellan två händelser är exponentialfördelad med väntevärde 1/λ A.

Egenskaper Exempel Poissonfördelning Om N A (t) är Po(λ A t)-fördelad så gäller att P(N A (t) = k) = e λ At (λ At) k, k = 0, 1, 2,... k! Speciellt: P t (A) = P(N A (t) 1) = 1 P(N A (t) = 0) = 1 e λ At (λ At) 0 = 1 e λ At 0! 7 / 14

Egenskaper Exempel 8 / 14 1 Jordbävningar under en dag 1 Jordbävningar under en månad 0.8 0.8 sannolikhet 0.6 0.4 sannolikhet 0.6 0.4 0.2 0.2 0 0 5 10 15 20 antal 0 0 5 10 15 20 antal 1 Jordbävningar under ett år 1 Jordbävningar under 10 år 0.8 0.8 sannolikhet 0.6 0.4 sannolikhet 0.6 0.4 0.2 0.2 0 0 5 10 15 20 antal 0 0 5 10 15 20 antal

Egenskaper Exempel Ex: Jordbävning (forts) t = 1 dag :N A (1) Po(λ A ) = Po(0.0023), P 1 (A) = 1 e 0.0023 = 0.0023, t = 30 dagar :N A (30) Po(λ A 30) = Po(0.069), P 30 (A) = 1 e 0.069 = 0.067, t = 365 dagar :N A (365) Po(λ A 365) = Po(0.84), P 365 (A) = 1 e 0.84 = 0.57, t = 3650 dagar :N A (3650) Po(λ A 3650) = Po(8.4), P 3650 (A) = 1 e 8.4 = 0.9998. Tiden mellan successiva jordbävningar är i medeltal: T A = 1 λ A = 1 0.0023 = 434.8 dagar 9 / 14

Exempel Egenskaper 10 / 14 Exempel: Sjukhusbränder För sjukhus i Storbritannien anses intensiteten för brand (A) vara λ A = exp(β 0 + β 1 ln a) [år 1 ] där β 0 7.1, β 1 0.75 och a är totala golvytan (m 2 ). För en byggnad på 5000 m 2 innebär det att λ A = 0.49. (a) Verkar det rimligt att händelserna A = brand på sjukhus skulle utgöra en Poisson stream? (b) Vad är risken för brand i byggnaden under en månad? Brand i sig behöver inte innebära katastrof, men om det kombineras med t.ex. händelsen B = dörrarna kan ej öppnas blir det ett allvarligt scenario. (c) Vad är intensiteten för händelserna A B? Hur ska man beräkna risken för detta scenario (brand samtidigt som dörrarna ej kan öppnas)?

Exempel Egenskaper 11 / 14 Sjukhusbrand (forts) (a) Ja. (b) t = 1 månad = 1/12 år med N A (t) Po(λ A t) = Po(0.49/12) = Po(0.041), P t (A) = 1 P(N A (t) = 0) = 1 e 0.041 = 0.040 (c) Vi är intresserade av den sammansatta händelsen A B och P t (A B) = 1 P(N A B (t) = 0) =??? Vad kan vi säga om N A B (t) = antal bränder där dörrarna inte kan öppnas i intervallet [0, t]?

Exempel Egenskaper 12 / 14 Initieringshändelse och scenarier S 1 S 2 S 3 S 4 S 5 B B Vi har en följd av initieringshändelser (A) som skulle kunna leda till allvarliga scenarier. Ur den får vi en följd av scenarier (A B) i andelen P(B) av händelserna. Om händelsen B är oberoende av händelseströmmen för A så är även A B en händelseström med intensitet λ A B = λ A P(B). Om händelserna A följer en poissonprocess så gör scenarierna A B det också.

Exempel Egenskaper Sjukhusbrand (forts) Vi har att N A B (t) Po(λ A P(B) t) och t = 1/12 : P t (A B) = 1 e λ At P(B) = 1 e 0.041 P(B). Men hur ska vi uppskatta P(B)? Det finns två alternativ, baserade på en observationsperiod: (1) Som andelen av A som även ledde till B: P(B) antal A B under observationsperioden antal A under observationsperioden Kräver ett stort antal A för att bli bra. (2) Skatta separat. Inspektera dörrarna ett (stort) antal gånger och notera om de kan öppnas eller ej: P(B) antal gånger dörrarna ej kunde öppnas antal inspektioner 13 / 14

14 / 14 Addition av strömmar Vi kan ha flera oberoende strömmar, t.ex. bränder ( ) och vattenläckor ( ), som löper parallellt: Om bränder inträffar med intensitet λ A1 och vattenläckor med intensitet λ A2 så inträffar problem med intensitet λ A1 + λ A2. Ex: sjukhusbränder och -vattenläckor Om bränder inträffar med intensitet 0.49 (år 1 ) och vattenläckor med intensitet 0.77 (år 1 ) och inträffar problem (=brand eller vattenläcka) med intensitet 0.49 + 0.77 = 1.26 (år 1 ).