अपना विश्लेषण सेट करने से पहले, वर्तमान स्थिति में क्या शामिल है इसकी वास्तविकता को ध्यान में रखें।
यह मंदी सीधे भूकंप या सुनामी के कारण नहीं थी। इसकी वजह बैक-अप पावर की कमी थी। यदि उनके पास भूकंप / सुनामी की परवाह किए बिना पर्याप्त बैक-अप पावर होती, तो वे ठंडा पानी चला सकते थे, और कोई भी मंदी नहीं होती थी। संयंत्र शायद वापस आ जाएगा और अब तक चल रहा है।
जापान, जो भी कारण के लिए, दो विद्युत आवृत्तियों (50 हर्ट्ज और 60 हर्ट्ज) है। और, आप 60 हर्ट्ज या इसके विपरीत में 50 हर्ट्ज की मोटर नहीं चला सकते। इसलिए, संयंत्र जो भी आवृत्ति का उपयोग कर रहा था / प्रदान कर रहा था वह आवृत्ति है जो उन्हें बिजली देने की आवश्यकता है। "यूएस प्रकार" उपकरण 60 हर्ट्ज पर चलता है और "यूरोपीय प्रकार" उपकरण 50 हर्ट्ज पर चलता है, इसलिए एक वैकल्पिक शक्ति स्रोत प्रदान करने में, इसे ध्यान में रखें।
अगला, वह पौधा काफी दुर्गम पहाड़ी क्षेत्र में है। बाहरी बिजली की आपूर्ति के लिए दूसरे क्षेत्र से एक लंबी बिजली लाइन (निर्माण के लिए दिन / सप्ताह) या बड़े गैसोलीन / डीजल चालित जनरेटर की आवश्यकता होती है। वे जनरेटर इतने भारी होते हैं कि उन्हें हेलीकॉप्टर से उड़ाना कोई विकल्प नहीं है। भूकंप / सुनामी से सड़कें अवरुद्ध होने के कारण उन्हें ट्रक चलाना भी एक समस्या हो सकती है। उन्हें जहाज से लाना एक विकल्प है, लेकिन इसमें दिन / सप्ताह भी लगते हैं।
लब्बोलुआब यह है, इस संयंत्र के लिए जोखिम विश्लेषण बैक-अप की SEVERAL (न सिर्फ एक या दो) परतों की कमी के लिए आता है। और, क्योंकि यह रिएक्टर एक "सक्रिय डिजाइन" है, जिसका अर्थ है कि इसे सुरक्षित रहने के लिए शक्ति की आवश्यकता होती है, जो परतें एक लक्जरी नहीं हैं, वे आवश्यक हैं।
यह एक पुराना पौधा है। एक नया संयंत्र इस तरह से डिजाइन नहीं किया जाएगा।
संपादित करें (03/19/2011) ============================================ ====
जे प्रेस्ली: आपके प्रश्न का उत्तर देने के लिए शब्दों की एक छोटी व्याख्या की आवश्यकता होती है।
जैसा कि मैंने अपनी टिप्पणी में कहा, मेरे लिए, यह "जब" का मामला है, न कि "अगर", और एक कच्चे मॉडल के रूप में, मैंने पोइसन डिस्ट्रीब्यूशन / प्रोसेस का सुझाव दिया। पॉइसन प्रक्रिया उन घटनाओं की एक श्रृंखला है जो समय के साथ औसत दर (या स्थान, या कुछ अन्य माप) पर होती हैं। ये घटनाएँ एक-दूसरे और यादृच्छिक (कोई पैटर्न नहीं) से स्वतंत्र हैं। घटनाएँ एक समय में होती हैं (2 या अधिक घटनाएं ठीक उसी समय नहीं होती हैं)। यह मूल रूप से एक द्विपद स्थिति ("घटना" या "कोई घटना नहीं") है, जहां घटना होने की संभावना अपेक्षाकृत कम है। यहाँ कुछ लिंक दिए गए हैं:
http://en.wikipedia.org/wiki/Poisson_process
http://en.wikipedia.org/wiki/Poisson_distribution
अगला, डेटा। यहाँ 1952 के बाद से INES स्तर के साथ परमाणु दुर्घटनाओं की एक सूची है:
http://en.wikipedia.org/wiki/Nuclear_and_radiation_accidents
मैं 19 दुर्घटनाओं की गणना करता हूं, 9 राज्य एक INES स्तर। एक INES स्तर के बिना उन सभी के लिए, मैं मान सकता हूं कि स्तर 1 स्तर से नीचे है, इसलिए मैं उन्हें स्तर 0 प्रदान करूँगा।
इसलिए, इसे निर्धारित करने का एक तरीका 59 वर्ष (59 = 2011 -1952) में 19 दुर्घटनाएं हैं। वह 19/59 = 0.322 एसीसी / वर्ष है। एक सदी के संदर्भ में, प्रति 100 वर्षों में 32.2 दुर्घटनाएँ हुईं। एक Poisson प्रक्रिया को मानते हुए निम्नलिखित रेखांकन देता है।
मूल रूप से, मैंने दुर्घटनाओं की गंभीरता के लिए एक असामान्य, गामा या घातीय वितरण का सुझाव दिया। हालाँकि, चूंकि INES स्तर असतत मान के रूप में दिए गए हैं, इसलिए वितरण को असतत होना चाहिए। मैं या तो ज्यामितीय या ऋणात्मक द्विपद वितरण का सुझाव दूंगा। यहां उनका विवरण दिया गया है:
http://en.wikipedia.org/wiki/Negative_binomial_distribution
http://en.wikipedia.org/wiki/Geometric_distribution
वे दोनों एक ही के बारे में डेटा फिट करते हैं, जो बहुत अच्छी तरह से नहीं है (बहुत से स्तर 0, एक स्तर 1, शून्य स्तर 2, आदि)।
Fit for Negative Binomial Distribution
Fitting of the distribution ' nbinom ' by maximum likelihood
Parameters :
estimate Std. Error
size 0.460949 0.2583457
mu 1.894553 0.7137625
Loglikelihood: -34.57827 AIC: 73.15655 BIC: 75.04543
Correlation matrix:
size mu
size 1.0000000000 0.0001159958
mu 0.0001159958 1.0000000000
#====================
Fit for Geometric Distribution
Fitting of the distribution ' geom ' by maximum likelihood
Parameters :
estimate Std. Error
prob 0.3454545 0.0641182
Loglikelihood: -35.4523 AIC: 72.9046 BIC: 73.84904
जियोमेट्रिक डिस्ट्रीब्यूशन एक साधारण एक पैरामीटर फंक्शन है जबकि नेगेटिव बाइनोमियल डिस्ट्रीब्यूशन एक अधिक लचीला दो पैरामीटर फंक्शन है। मैं लचीलेपन के लिए जाऊंगा, साथ ही नकारात्मक द्विपद वितरण की अंतर्निहित मान्यताओं को कैसे प्राप्त किया जाएगा। नीचे फिटेड नकारात्मक द्विपद वितरण का एक ग्राफ है।
नीचे इस सभी सामग्री के लिए कोड है। अगर किसी को मेरी मान्यताओं या कोडिंग के साथ कोई समस्या मिलती है, तो इसे इंगित करने से डरो मत। मैंने परिणामों के माध्यम से जाँच की, लेकिन मेरे पास वास्तव में इसे चबाने के लिए पर्याप्त समय नहीं था।
library(fitdistrplus)
#Generate the data for the Poisson plots
x <- dpois(0:60, 32.2)
y <- ppois(0:60, 32.2, lower.tail = FALSE)
#Cram the Poisson Graphs into one plot
par(pty="m", plt=c(0.1, 1, 0, 1), omd=c(0.1,0.9,0.1,0.9))
par(mfrow = c(2, 1))
#Plot the Probability Graph
plot(x, type="n", main="", xlab="", ylab="", xaxt="n", yaxt="n")
mtext(side=3, line=1, "Poisson Distribution Averaging 32.2 Nuclear Accidents Per Century", cex=1.1, font=2)
xaxisdat <- seq(0, 60, 10)
pardat <- par()
yaxisdat <- seq(pardat$yaxp[1], pardat$yaxp[2], (pardat$yaxp[2]-pardat$yaxp[1])/pardat$yaxp[3])
axis(2, at=yaxisdat, labels=paste(100*yaxisdat, "%", sep=""), las=2, padj=0.5, cex.axis=0.7, hadj=0.5, tcl=-0.3)
mtext("Probability", 2, line=2.3)
abline(h=yaxisdat, col="lightgray")
abline(v=xaxisdat, col="lightgray")
lines(x, type="h", lwd=3, col="blue")
#Plot the Cumulative Probability Graph
plot(y, type="n", main="", xlab="", ylab="", xaxt="n", yaxt="n")
pardat <- par()
yaxisdat <- seq(pardat$yaxp[1], pardat$yaxp[2], (pardat$yaxp[2]-pardat$yaxp[1])/pardat$yaxp[3])
axis(2, at=yaxisdat, labels=paste(100*yaxisdat, "%", sep=""), las=2, padj=0.5, cex.axis=0.7, hadj=0.5, tcl=-0.3)
mtext("Cumulative Probability", 2, line=2.3)
abline(h=yaxisdat, col="lightgray")
abline(v=xaxisdat, col="lightgray")
lines(y, type="h", lwd=3, col="blue")
axis(1, at=xaxisdat, padj=-2, cex.axis=0.7, hadj=0.5, tcl=-0.3)
mtext("Number of Nuclear Accidents Per Century", 1, line=1)
legend("topright", legend=c("99% Probability - 20 Accidents or More", " 1% Probability - 46 Accidents or More"), bg="white", cex=0.8)
#Calculate the 1% and 99% values
qpois(0.01, 32.2, lower.tail = FALSE)
qpois(0.99, 32.2, lower.tail = FALSE)
#Fit the Severity Data
z <- c(rep(0,10), 1, rep(3,2), rep(4,3), rep(5,2), 7)
zdis <- fitdist(z, "nbinom")
plot(zdis, lwd=3, col="blue")
summary(zdis)
संपादित करें (03/20/2011) ========================================== ============
जे प्रेस्ली: मुझे क्षमा करें, मैं कल इसे समाप्त नहीं कर सका। आप जानते हैं कि यह सप्ताहांत पर कैसा है, बहुत सारे कर्तव्य।
इस प्रक्रिया का अंतिम चरण पॉइज़न वितरण का उपयोग करके एक सिमुलेशन को इकट्ठा करना है, ताकि यह निर्धारित किया जा सके कि कोई घटना होती है, और फिर घटना की गंभीरता को निर्धारित करने के लिए नकारात्मक द्विपद वितरण। आप स्तर 7 की घटनाओं के माध्यम से स्तर 0 के लिए 8 संभावना वितरण उत्पन्न करने के लिए "शताब्दी विखंडू" के 1000 सेट चला सकते हैं। यदि मुझे समय मिलता है, तो मैं सिमुलेशन चला सकता हूं, लेकिन अभी के लिए, वर्णन करना होगा। शायद इस सामान को पढ़ने वाला कोई इसे चलाएगा। उसके बाद किया जाता है, आपके पास एक "आधार मामला" होगा जहां सभी घटनाओं को INDEPENDENT माना जाता है।
जाहिर है, अगला कदम उपरोक्त मान्यताओं में से एक या अधिक को आराम देना है। शुरू करने के लिए एक आसान जगह पॉसों वितरण के साथ है। यह मानता है कि सभी घटनाएं 100% स्वतंत्र हैं। आप इसे हर तरह से बदल सकते हैं। यहाँ गैर-सजातीय पॉसन वितरण के कुछ लिंक दिए गए हैं:
http://www.math.wm.edu/~leemis/icrsa03.pdf
http://filebox.vt.edu/users/pasupath/papers/nonhompoisson_streams.pdf
यही विचार नकारात्मक द्विपद वितरण के लिए भी जाता है। यह संयोजन आपको सभी प्रकार के रास्तों पर ले जाएगा। यहाँ कुछ उदाहरण हैं:
http://surveillance.r-forge.r-project.org/
http://www.m-hikari.com/ijcms-2010/45-48-2010/buligaIJCMS45-48-2010.pdf
http://www.michaeltanphd.com/evtrm.pdf
लब्बोलुआब यह है कि, आपने एक सवाल पूछा है, जहां जवाब इस बात पर निर्भर करता है कि आप इसे कितनी दूर ले जाना चाहते हैं। मेरा अनुमान है, किसी को, कहीं "कमीशन" देने के लिए कमीशन दिया जाएगा और यह आश्चर्यचकित होगा कि यह काम करने में कितना समय लगता है।
संपादित करें (03/21/2011) ============================================ ==========
मेरे पास उपर्युक्त सिमुलेशन को एक साथ थप्पड़ मारने का मौका था। परिणाम नीचे दर्शाए गए है। मूल पॉइसन डिस्ट्रीब्यूशन से, सिमुलेशन आठ पॉइसन डिस्ट्रीब्यूशन प्रदान करता है, प्रत्येक INES स्तर के लिए एक। जैसे-जैसे गंभीरता का स्तर बढ़ता है (INES स्तर की संख्या बढ़ जाती है), प्रति शताब्दी बूंदों की अपेक्षित घटनाओं की संख्या। यह एक क्रूड मॉडल हो सकता है, लेकिन यह शुरू करने के लिए एक उचित जगह है।
