Действующий
- фокусировка на одной паре причин - последствий и одном сценарии за раз; сложное взаимодействие между рисками или между контролями не покрывается;
- он не применяется к очень сложным сценариям, где есть много причинно-следственных пар или где есть различные последствия, затрагивающие различные причастные стороны.
Методы в этом разделе направлены на то, чтобы обеспечить более полное понимание последствий и их вероятности. В целом последствия могут быть изучены путем:
- экспериментов, таких как клеточные исследования для изучения последствий воздействия токсинов с результатами, связанными с рисками для здоровья человека и окружающей среды;
- моделирования для определения того, как последствия развиваются после некоторого триггера, и как это зависит от контроля на месте. Это может включать математические или инженерные модели и логические методы, такие как анализ дерева событий (см. Б.5.2);
- экстраполяции из исторических данных (при наличии достаточных соответствующих исторических данных для того, чтобы анализ был статистически достоверным). Это особенно применимо к нулевым происшествиям, когда нельзя предположить, что, поскольку событие или следствие не произошло в прошлом, то оно не произойдет в ближайшем будущем;
- синтеза из данных, относящихся к показателям отказа или успеха компонентов систем: использование таких методов, как анализ дерева событий (см. Б.5.5), анализ дерева отказов (см. Б.5.6) или анализ последствий (см. Б.5.7);
- методов моделирования, чтобы генерировать, например, вероятность отказа оборудования и структурные отказы из-за старения и других процессов деградации.
Экспертов можно попросить высказать свое мнение о вероятностях и последствиях с учетом соответствующей информации и исторических данных. Существует ряд формальных методов для выявления экспертных оценок, которые делают использование суждения видимым и явным (см. Б.1).
Последствия и их вероятность могут быть объединены, чтобы представить уровень риска. Это можно использовать для оценки значимости риска путем сравнения уровня риска с критерием приемлемости или ранжирования рисков.
Методы сочетания качественных значений следствия и вероятности включают индексные методы (см. Б.8.6) и матрицы последствий и вероятности (см. Б.9.3). Единая мера риска также может быть получена из распределения вероятностей последствий (см., например, VaR [см. Б.5.12] и CVaR [см. Б.5.13] и S-кривые [см. Б.9.4]).
Обычно возникают проблемы, когда есть как данные, так и субъективная информация. Анализ Байеса позволяет использовать оба типа информации при принятии решений. Байесовский анализ основан на теореме, приписываемой преподобному Томасу Байесу (1760). В самой простой теореме Байеса дается вероятностная основа для изменения одного мнения в свете новых доказательств. Она обычно выражается следующим образом:
Теорема Байеса может быть расширена, чтобы охватить несколько событий в конкретном выборочном пространстве.
Например, предположим, что у нас есть некоторые данные D, которые мы хотим использовать для обновления нашего предыдущего понимания (или отсутствия) риска. Мы хотим использовать эти данные для оценки относительных качеств числа (N) несовместных гипотез, которые мы будем обозначать через Hn (где n = 1, 2, ..., N). Тогда теорему Байеса можно использовать для вычисления вероятности j-й гипотезы по формуле:
Формула показывает, что после учета новых данных обновленная вероятность гипотезы j [т.е. Pr(Hj|D)] получается путем умножения его предыдущей вероятности Pr(Hj) на скобки.
Числитель этой дроби - вероятность получения этих данных, если j-я гипотеза истинна. Знаменатель выводится из "закона полной вероятности" - это вероятность получения данных D, если бы каждая гипотеза была верной.
Байесовскую вероятность можно более легко понять, если рассматривать ее как степень убежденности человека в определенном событии, в отличие от классического подхода, основанного на физических доказательствах.
Байесовский анализ является средством получения вывода из данных, как субъективных, так и эмпирических. Байесовские методы могут быть разработаны для обеспечения вывода параметров через модель риска, разработанную для конкретной области применения, например, вероятности события, скорости события или времени события.
Байесовские методы могут быть использованы для предварительной оценки интересующего параметра, основанного на субъективных убеждениях. Априорное распределение вероятности обычно связано с субъективными данными, поскольку оно описывает состояние, в котором, как правило, отсутствуют объективные данные. Априорная оценка может быть построена с использованием только субъективных данных или с использованием соответствующих данных из подобных ситуаций. Априорная оценка может дать вероятностное предсказание вероятности события и быть полезной для оценки риска, для которого нет эмпирических данных.
Данные наблюдаемых событий затем могут быть объединены с предыдущим распределением через байесовский анализ, чтобы обеспечить последующую оценку интересующего параметра риска.
Теорема Байеса используется для включения новых доказательств в предыдущие убеждения для формирования обновленной оценки.
Байесовский анализ может предоставлять как точки, так и интервалы, оцениваемые для интересующего параметра. Эти оценки фиксируют неопределенности, связанные как с изменчивостью, так и с уровнем знаний. Это не похоже на классические выводы о частоте, которые представляют статистическую случайную вариацию интересующей переменной.
Вероятностная модель, лежащая в основе байесовского анализа, зависит от ее применения. Например, вероятностную модель Пуассона можно использовать для таких событий, как:
- несчастные случаи, несоответствия или поздние поставки, или биномиальная вероятностная модель может использоваться для единоразовых событий. Все чаще принято строить
- вероятностную модель для представления причинно-следственных связей между переменными в виде байесовской сети (см. Б.5.3).
Ввод байесовского анализа - это оценочные и эмпирические данные, необходимые для структурирования и количественной оценки вероятностной модели.