Modelling Under Risk and Uncertainty: An Introduction to Statistical, Phenomenological and Computational Methods

ویرایش:  
نویسندگان: Etienne de Rocquigny(auth.),  Walter A. Shewhart,  Samuel S. Wilks(eds.)  
سری: Wiley Series in Probability and Statistics 
ISBN (شابک) : 9780470695142, 9781119969495 
ناشر:  
سال نشر: 2012 
تعداد صفحات: 477 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 4 مگابایت 

قیمت کتاب (تومان) : 40,000



مدل‌سازی تقریباً در تمام زمینه‌های مهندسی صنعتی، زیست‌محیطی، اقتصادی، زیست پزشکی یا عمران نفوذ کرده است: با این حال استفاده از مدل‌ها برای تصمیم‌گیری تعدادی از مسائل را ایجاد می‌کند که این کتاب به آنها اختصاص دارد:

مدل من چقدر نامشخص است؟ آیا واقعاً حمایت از تصمیم گیری ارزشمند است؟ چه نوع تصمیمی را می توان واقعاً پشتیبانی کرد و چگونه می توانم عدم اطمینان باقیمانده را مدیریت کنم؟ با توجه به محدودیت های واقعی داده ها، توضیحات ریاضی چقدر باید اصلاح شود؟ آیا می توان عدم قطعیت را از طریق داده های بیشتر، افزایش سرمایه گذاری مدل سازی یا بودجه محاسباتی کاهش داد؟ الان باید کم بشه یا بعد؟ تجزیه و تحلیل یا روش های محاسباتی درگیر چقدر قوی است؟ آیا این روش ها باید / می توانند قوی تر باشند؟ آیا مدیریت عدم قطعیت، ریسک، کمبود دانش، تغییرپذیری یا خطاها به طور کلی منطقی است؟ انتخاب مدل‌سازی احتمالی برای رویدادهای نادر چقدر معقول است؟ رویدادهایی که باید در نظر گرفته شوند چقدر نادر هستند؟ مدیریت حوادث شدید و ارقام دقیق اعتماد به نفس تا چه اندازه منطقی است؟ آیا می توانم از دانش تخصصی / پدیدارشناسی برای سفت کردن ارقام احتمالی استفاده کنم؟ آیا دامنه‌های ارتباطی وجود دارند که می‌توانند مدل‌ها یا الهام‌بخش مشکل من باشند؟

نوشته شده توسط یک رهبر در چهارراه صنعت، دانشگاه و مهندسی، و بر اساس دهه‌ها تجربه چند رشته‌ای در زمینه، مدل‌سازی تحت ریسک و عدم قطعیتمقدمه‌ای منسجم به روش‌های درگیر در هر نوع توسعه مدل‌سازی ارائه می‌کند و عدم قطعیت اجتناب‌ناپذیر و ریسک‌های مرتبط را تصدیق می‌کند. این فراتر از دیدگاه «جعبه سیاه» است که برخی از تحلیلگران، مدل‌سازان، کارشناسان ریسک یا آماردانان بر روی پدیده‌شناسی زیربنایی فرآیندهای محیطی یا صنعتی توسعه می‌دهند، بدون اینکه ارزش کافی برای ویژگی‌های فیزیکی و پتانسیل مدل‌سازی درونی آن‌ها قائل شوند و یا معقول بودن عملی فرضیه‌های ریاضی را به چالش بکشند. ; برعکس، همچنین جذب مدل‌سازان محیطی یا مهندسی برای رسیدگی بهتر به مسائل مربوط به اطمینان مدل از طریق مواد آماری و تحلیل ریسک دقیق‌تر با بهره‌گیری از محاسبات علمی پیشرفته، برای مواجهه با مقررات جدید خارج از طراحی قطعی یا حمایت از تصمیم‌گیری قوی است.

< p>مدل سازی تحت ریسک و عدم قطعیت:

• به نگرانی فزاینده صنایع بزرگ، کارشناسان محیط زیست یا تحلیلگران می پردازد: مدل سازی قوی برای تصمیم گیری در سیستم های پیچیده.< /li>
• بینش جدیدی در مورد چالش های ریاضی و محاسباتی عجیب و غریب ایجاد شده توسط تجزیه و تحلیل های ایمنی صنعتی یا کنترل محیطی اخیر برای رویدادهای نادر ارائه می دهد.
• انتخاب‌های تئوری تصمیم را با تمایز یا جمع‌آوری ابعاد ریسک/ابهامات معرفتی و عدم قطعیت معرفتی از طریق مجموعه‌ای چند رشته‌ای منسجم از تخمین آماری، مدل‌سازی فیزیکی، محاسبات قوی و تحلیل ریسک اجرا می‌کند.
• مروری اصلی از روش‌های احتمالی معکوس پیشرفته برای شناسایی مدل، کالیبراسیون یا جذب داده‌ها، کلیدی برای هضم جمع‌آوری داده‌های چندفیزیکی با رشد سریع ارائه می‌کند.
• نمونه‌شده با یک مثال آموزشی مورد علاقه که از خطرات طبیعی، مهندسی و مهندسی عبور می‌کند. اقتصاد، که در سراسر کتاب برای تسهیل خواندن و درک ایجاد شده است.
• از دوره کارشناسی ارشد/دکتری و همچنین آموزش های پیشرفته برای آموزش حرفه ای پشتیبانی می کند

تحلیلگران و محققان در مدل‌سازی عددی، آمار کاربردی، محاسبات علمی، قابلیت اطمینان، مهندسی پیشرفته، خطرات طبیعی یا علوم محیطی از این کتاب بهره‌مند خواهند شد.

محتوا:
فصل 1 کاربردها و عملی یخ های مدل سازی، ریسک و عدم قطعیت (صفحات 1-33):
فصل 2 یک چارچوب مدل سازی عمومی (صفحه های 34-76):
فصل 3 یک مثال آموزشی عمومی: خطر طبیعی در یک تاسیسات صنعتی (صفحه های 77- 101):
فصل 4 درک ماهیت عدم قطعیت، حاشیه ریسک و مبنای زمانی برای تصمیم گیری احتمالی (صفحه های 102-142):
فصل 5 تکنیک های برآورد آماری مستقیم (صفحه های 143-205):
فصل 6 تخمین مدل ترکیبی از طریق تکنیک‌های معکوس (صفحه‌های 206-270):
فصل 7 روش‌های محاسباتی برای انتشار ریسک و عدم قطعیت (صفحه‌های 271-346):
فصل 8 بهینه‌سازی در شرایط عدم قطعیت: اقتصاد و چالش‌های محاسباتی 347– 373):
فصل 9 نتیجه‌گیری: دیدگاه‌های مدل‌سازی در زمینه ریسک و عدم قطعیت و تحقیقات بیشتر (صفحات 374-377):
فصل 10 پیوست‌ها (صفحه‌های 378-426):

Modelling has permeated virtually all areas of industrial, environmental, economic, bio-medical or civil engineering: yet the use of models for decision-making raises a number of issues to which this book is dedicated:

How uncertain is my model ? Is it truly valuable to support decision-making ? What kind of decision can be truly supported and how can I handle residual uncertainty ? How much refined should the mathematical description be, given the true data limitations ? Could the uncertainty be reduced through more data, increased modeling investment or computational budget ? Should it be reduced now or later ? How robust is the analysis or the computational methods involved ? Should / could those methods be more robust ? Does it make sense to handle uncertainty, risk, lack of knowledge, variability or errors altogether ? How reasonable is the choice of probabilistic modeling for rare events ? How rare are the events to be considered ? How far does it make sense to handle extreme events and elaborate confidence figures ? Can I take advantage of expert / phenomenological knowledge to tighten the probabilistic figures ? Are there connex domains that could provide models or inspiration for my problem ?

Written by a leader at the crossroads of industry, academia and engineering, and based on decades of multi-disciplinary field experience, Modelling Under Risk and Uncertainty gives a self-consistent introduction to the methods involved by any type of modeling development acknowledging the inevitable uncertainty and associated risks. It goes beyond the “black-box” view that some analysts, modelers, risk experts or statisticians develop on the underlying phenomenology of the environmental or industrial processes, without valuing enough their physical properties and inner modelling potential nor challenging the practical plausibility of mathematical hypotheses; conversely it is also to attract environmental or engineering modellers to better handle model confidence issues through finer statistical and risk analysis material taking advantage of advanced scientific computing, to face new regulations departing from deterministic design or support robust decision-making.

Modelling Under Risk and Uncertainty:

• Addresses a concern of growing interest for large industries, environmentalists or analysts: robust modeling for decision-making in complex systems.
• Gives new insights into the peculiar mathematical and computational challenges generated by recent industrial safety or environmental control analysis for rare events.
• Implements decision theory choices differentiating or aggregating the dimensions of risk/aleatory and epistemic uncertainty through a consistent multi-disciplinary set of statistical estimation, physical modelling, robust computation and risk analysis.
• Provides an original review of the advanced inverse probabilistic approaches for model identification, calibration or data assimilation, key to digest fast-growing multi-physical data acquisition.
• Illustrated with one favourite pedagogical example crossing natural risk, engineering and economics, developed throughout the book to facilitate the reading and understanding.
• Supports Master/PhD-level course as well as advanced tutorials for professional training

Analysts and researchers in numerical modeling, applied statistics, scientific computing, reliability, advanced engineering, natural risk or environmental science will benefit from this book.

Content:
Chapter 1 Applications and Practices of Modelling, Risk and Uncertainty (pages 1–33):
Chapter 2 A Generic Modelling Framework (pages 34–76):
Chapter 3 A Generic Tutorial Example: Natural Risk in an Industrial Installation (pages 77–101):
Chapter 4 Understanding Natures of Uncertainty, Risk Margins and Time Bases for Probabilistic Decision?Making (pages 102–142):
Chapter 5 Direct Statistical Estimation Techniques (pages 143–205):
Chapter 6 Combined Model Estimation through Inverse Techniques (pages 206–270):
Chapter 7 Computational Methods for Risk and Uncertainty Propagation (pages 271–346):
Chapter 8 Optimising Under Uncertainty: Economics and Computational Challenges (pages 347–373):
Chapter 9 Conclusion: Perspectives of Modelling in the Context of Risk and Uncertainty and Further Research (pages 374–377):
Chapter 10 Annexes (pages 378–426):