Bilgiseller / Risk analizi yöntemleri
Filo güvenilirliğinde kısmi havuzlama: ortak bilgi ve birime özgü farklılıklar
Üç kurgusal filo grubu için aynı marjinal önselle ayrı, tam ve hiyerarşik havuzlamayı karşılaştırın; hiperparametre belirsizliğini ve yeni grup öngörüsünü koruyun.
Bu sayfada
Filoda çok sayıda benzer birim, fakat her biri için az kanıt bulunabilir. Hepsini ilişkisiz saymak ilgili olabilecek bilgiyi boşa harcar; bütün filoya tek olasılık vermek farkları siler. Üç gruplu özgün örnek, ortak topluluk modelinin ayrı arıza olasılıklarını korurken grupların birbirini nasıl bilgilendirdiğini açıkça gösterir.
Karşılaştırılabilir talepleri ve değiştirilebilir topluluğu tanımlayın
pj, j grubundaki birimin belirtilen talepte arızalanma olasılığı olsun. Talep tanımı gereken işlevi, süreyi ve işletme koşullarını içerir. Grup sayıları ancak paydaların karşılaştırılabilir fırsatları anlattığı kontrol edildikten sonra havuzlanabilir. Başlatma girişimi, işletme saati ve tamamlanmış sefer farklı kanıt birimleridir; her birinde arıza etiketi bulunduğu için aynı binom paydasını paylaşamaz. Sayım temeli fiziksel görevle uyumlu olmalıdır.
Değiştirilebilirlik, sonuçlar gözlenmeden önce belirtilen topluluk içindeki grup etiketlerini yer değiştirmenin ortak olasılık modelini değiştirmemesi demektir. Grupların olasılıklarının veya ekipman geçmişlerinin aynı olduğu anlamına gelmez. Sıcaklık, düzen veya görev grupları ilgili biçimde ayırıyorsa bilgi paylaşmadan önce bu özelliklere koşullanın, bunları açıklayıcı değişken olarak modelleyin veya toplulukları ayırın. Benzer görünmek tek başına bu model varsayımını gerekçelendirmez.
Özgün grup kanıtını görünür tutun
Kurgusal arıza sayıları A: 1/20 talep, B: 0/5, C: 5/25 olsun. Birleşik ampirik oran 6/50 = 0,12’dir; fakat bu sayı ne grup olasılıklarının eşitliğini ne B’nin kusursuzluğunu kanıtlar. Bilerek küçük tutulan sayılar çıkarım sorununu gösterir; bir gemi, işletmeci veya tedarikçiden gözlemler değildir. İncelenen topluluk ve kanıtın öğretici niteliği hesap boyunca korunur.
Hiyerarşik kısmi havuzlama grup olasılıklarının topluluğunu modeller ve özelliklerini gruplardan öğrenir. Tam havuzlama tek ortak olasılık kullanır. Havuzlamama grup analizlerini bağımsız tutar. Kısmi havuzlama her grup için pj’yi korurken topluluk bilgisini paylaşır. Aşağıdaki karşılaştırmayı yorumlanabilir kılmak için üç model de tek bir olasılık için aynı marjinal önsel dağılımla başlar. Değişen, gruplar arasındaki ilişkinin nasıl kurulduğudur.
Sabit filo önseli yerine gerçek hiyerarşi kurun
Ortak hiperparametre durumu H bir (μ, κ) çifti seçsin. H’ye koşullu pj, gruplar arasında bağımsız Beta(μκ, (1 − μ)κ) dağılımına uysun. Sonra pj’ye koşullu yj, Binomial(nj, pj) dağılımına uyar. μ topluluk ortalama arıza olasılığı, κ yoğunlaşma parametresidir; koşullu topluluk varyansı μ(1 − μ)/(κ + 1) olur. Bütün olasılıklar ve bu şekil parametreleri boyutsuzdur. Sayılar saat cinsinden hız değildir.
Denetlenebilir küçük hesap için eşit olasılıklı dört hiperparametre durumu kullanın: μ, 0,05 veya 0,20; κ, 10 veya 40 olabilir. Bu tam belirtilmiş kesikli hiperönseldir; gerçek filonun yalnız bu özellikleri taşıyabileceği iddiası değildir. Topluluk ortalaması ve yoğunlaşması belirsiz kalır; bütün grup olabilirlikleriyle güncellenir. Veriye baktıktan sonra bunları sabitlemek bu hiyerarşinin bir bölümünü atar. Belirsizlik hesabın içinde taşınmalıdır.
Ortak topluluk dağılımını bütün gruplarla güncelleyin
h durumu için ah = μhκh, bh = (1 − μh)κh yazın. Marjinal grup olabilirliği C(nj,yj) B(ah + yj, bh + nj − yj)/B(ah,bh) olur; B beta fonksiyonudur. Bu beta-binom kütlesi grup olasılığını bütünleyerek elde edilir. Olabilirlikleri gruplar boyunca ve durumun önsel ağırlığıyla çarpın; sonra durumlar arasında normalize edin. Böylece her grubun kanıtı ortak durumu etkiler.
| H | μ | κ | Önsel | Sonsal |
|---|---|---|---|---|
| H1 | 0,05 | 10 | 0,25 | 0,228168 |
| H2 | 0,05 | 40 | 0,25 | 0,234026 |
| H3 | 0,20 | 10 | 0,25 | 0,286612 |
| H4 | 0,20 | 40 | 0,25 | 0,251194 |
Oluşan ağırlıklar dört duruma yayılır; küçük örneklem tek bilinen topluluk seçmemiştir. Binom katsayıları h’ye göre sabit olduğundan bu durumları karşılaştırırken sadeleşebilir. Öngörü olasılığı hesaplarken normalize edilmiş sayım dağılımının parçası olarak kalırlar. Ortak güncelleme, pj değerlerini eşitliğe zorlamadan gruplar arasında bilgi aktarır. Bu nedenle aynı beta güncellemesini birbirinden bağımsız gruplarda yinelemekle aynı işlem değildir; öğrenilen üst katman ortaktır.
Her koşullu sonsalda büzülmeyi görün
Belirli h ve veriye koşullu pj, Beta(ah + yj, bh + nj − yj) dağılımındadır. Ortalaması (yj + κhμh)/(nj + κh), grubun ampirik oranıyla μh’nin ağırlıklı ortalamasıdır. Veri ağırlığı nj/(nj + κh), topluluk ağırlığı κh/(nj + κh) olur. Aynı κh için az verili grup daha fazla topluluk etkisi alır. Etkinin miktarı örneklem büyüklüğüyle açıkça ilişkilidir.
Tam sonsal ortalama bu ifadeyi H’nin güncellenmiş ağırlıkları üzerinden ortalar. Tek tahmini filo ortalaması yerleştirerek veya toplam arıza sayısını her grup olabilirliğinde yeniden kullanarak bulunmaz. Grup verileri ortak hiyerarşiye bir kez katkı verir. Örnekte sonsal ortalamalar A için 0,089450, B için 0,100878, C için 0,168619’dur. Bilgi paylaşımı sırasında aralarındaki ayrım korunur; gruba özgü kanıt silinmez.
Aynı marjinal önselle havuzlama seçeneklerini karşılaştırın
Havuzlamama durumunda her grup aynı dört durumlu önselden kendi bağımsız hiperparametre durumunu alır ve yalnız kendi sayılarıyla günceller. Tam havuzlamada aynı marjinal beta-karışımı önseline sahip tek p, 50 talepteki 6 arızanın tamamını alır. Bu, olasılıkların gruplar arası ilişkisini değiştirirken marjinal önseli kontrol eder. Böylece karşılaştırmadaki fark yalnız farklı birimlere elverişli önseller seçmekten doğmaz.
| Grup | y/n | Ayrı | Kısmi | Tam |
|---|---|---|---|---|
| A | 1/20 | 0,071221 | 0,089450 | 0,128369 |
| B | 0/5 | 0,075535 | 0,100878 | 0,128369 |
| C | 5/25 | 0,190629 | 0,168619 | 0,128369 |
Kısmi havuzlama burada A ve B’nin ayrı kestirimlerini yükseltir, C’ninkini düşürür. Her kestirimi ampirik filo oranına veya evrensel sabit hedefe çekmez. Tam havuzlamanın sonsal ortalaması tüm gruplarda aynıdır; ayrı model ise C’nin arızalarının B’yi bilgilendirmesine izin vermez. Tablo yalnız ortalamaları bildirir; belirsizliğe duyarlı karar tam sonsal karışımları veya onlardan türetilmiş aralıkları gerektirir. Ortalamaların sırası tek başına karar için yeterli değildir.
Mevcut ve yeni grupları farklı öngörün
B’nin sonraki tek talebinde sonsal arıza olasılığı ortalaması olan 0,100878’dir. Önceden gözlenmemiş değiştirilebilir grup ise topluluk modelinden yeni p alır; sonraki talep arıza olasılığı 0,130671 olur. B’nin kendi başarılı talepleri mevcut grup olasılığını bilgilendirir; yeni grubun böyle geçmişi yoktur. Gözlenmemiş grupta B’nin sonsalını kullanmak yanlış katmandan kanıt ödünç alır. Öngörünün hangi birime ait olduğu bu nedenle baştan belirlenmelidir.
Tek gruptaki sonraki beş talepte en az bir arızayı bildirirken grup olasılığını bütünleyin. Sonuç mevcut B için 0,364183, yeni grup için 0,432254’tür. Her beta bileşeninde arızasızlık olasılığı B(a, b + 5)/B(a,b) olur; B’de güncellenmiş a,b, yeni grupta topluluk a,b kullanılır ve H üzerinden ortalanır. B’nin ortalamasını binom formülüne yerleştirmek ise 0,412386 verir ve belirsizliği kaybeder.
İşletme farklarını ve ortak neden yollarını koruyun
Ortak topluluk dağılımı paylaşmak farklı hizmet koşullarını düzeltmez. C daha ağır ortamda çalışıyorsa ilgili açıklayıcı değişken olmadan onu sakin gruplara doğru büzmek gerçek mekanizmayı gizleyebilir. Ortak değişkenleri ve düzen değişikliklerini kanıt kaydında tutun. Çok talebi olan grup kötü belirtilmiş modele baskın çıkarken işletme farkı makul görünen filo ortalamasının arkasında kalabilir. Veri miktarı, topluluk tanımının doğruluğunu garanti etmez.
Koşullu bağımsızlık da kendi mühendislik gerekçesini ister. Ortak H’deki belirsizlik gruplar arasında öngörüsel ilişki yaratır; fakat bu ilişki fiziksel ortak darbe modeli değildir. Kirlenmiş yakıt, ortak yazılım veya tek güç kesintisi talepleri varsayılan hiyerarşinin ötesinde birlikte etkileyebilir. Havuzlama bu ortak nedenleri kaldırmaz; veri ve karar gerektirdiğinde olay yapısını veya kümeli olabilirliği ayrıca modelleyin. İstatistiksel bilgi paylaşımı fiziksel bağımlılığı açıklamış sayılmaz.
Hiyerarşinin öngördüklerini ve zayıf noktalarını denetleyin
Öngörü denetimleri modelin ürettiği sonuçları ilgili veri özellikleriyle karşılaştırır; mevcut ve yeni grupları ayırır. Modelin arızasız grupları, grup oranlarının yayılımını ve sıra dışı kümeleri yeniden üretebilmesini inceleyin. Yeni grup öngörülerini, geçmişleri uyumu zaten bilgilendirmiş gruplardan tek talepleri değil bütün grupları dışarıda bırakarak değerlendirin. Amaçlanan öngörüyle aynı işletme hedefini kullanın; değerlendirme birimi bilgi sızıntısını belirler.
Duyarlılık gösterimi olarak B’nin verisini çıkarmak, yeni grup öngörü ortalamasını 0,130671’den 0,157001’e taşır. Bu modelin yeniden hesabıdır; doğrulama sonucu veya elverişli kanıtı silme izni değildir. Az grup varken hiperönsel seçimi etkili kalır. Sonlu desteği ve önsel ağırlıkları genişletin veya değiştirin; ortaya çıkan öngörüleri inceleyip mühendislik kararını değiştirecek farkları açıklayın. Duyarlılık kanıtı seçmek için değil, modelin ne kadar dayandığını anlamak içindir.
Karara bir dağılım ve topluluk tanımı taşıyın
Hiyerarşi bilinen gruplar için kestirim, yeni karşılaştırılabilir gruplar için öngörü üretir; hem grup olasılıkları hem topluluk özellikleri belirsizdir. Filoyu belgelendirmez, eksik talep kayıtlarını düzeltmez veya C’nin yüksek sayısının nedensel gerekçesini tanımlamaz. Tek gemiye ilişkin karar ayrışmamış filo sayısını devralmak yerine o geminin ilgili koşullarını korumalıdır. Sonucun hangi fiziksel topluluğa taşınabildiği hesapla birlikte değerlendirilir.
Grup sayılarını, değiştirilebilirlik gerekçesini, tam hiperönseli, olabilirliği, sonsal durum ağırlıklarını ve öngörü hedefini saklayın. Tam sonlu hesap bilgi paylaşımını incelenebilir kılar: topluluk gruplardan öğrenir, her grup kendi kanıtını korur. Yararı, topluluk tanımı veya koşullu bağımsızlık varsayımları fiziksel filoya uymayı bıraktığı yerde biter. Sonraki veri bu sınırların sınanmasına ve kararı etkileyen belirsizliğin azaltılmasına hizmet etmelidir.