Государственный комитет РФ по рыболовству

Федеральное государственное образовательное

Учреждение высшего профессионального образования

Камчатский государственный технический университет

Кафедра математики

Курсовая работа по дисциплине

«Математическая экономика»

На тему: «Риск и страхование.»

Введение…………………………………………………………..……………….....3

1.КЛАССИЧЕСКАЯ СХЕМА ОЦЕНКИ ФИНАНСОВЫХ ОПЕРАЦИЙ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ …………….............................................................................4 1.1. Определение и сущность риска…………………………………..……………..…...4

1.2. Матрицы последствий и рисков…………………………………….……..……6

1.3.Анализ связанной группы решений в условиях полной неопределенности…………………………………………………...……………......7

1.4. Анализ связанной группы решений в условиях частичной неопределенности…………………………………………………………………..8

1.5. Оптимальность по Парето…………………………………………………….9

2. ХАРАКТЕРИСТИКИ ВЕРОЯТНОСТНЫХ ФИНАНСОВЫХ ОПЕРАЦИЙ……..…..…...12

2.1. Количественная оценка риска………………………………………………..12

2.2. Риск отдельной операции……………………………………………………..13 2.3. Некоторые общие измерители риска……………………………………….15

2.4. Риск разорения……………………………………………………………..…16

2.5. Показатели риска в виде отношений………………………………………..17

2.6. Кредитный риск……………………………………………………………….17

3. ОБЩИЕ МЕТОДЫ УМЕНЬШЕНИЯ РИСКОВ……………………………………….…….18

3.1. Диверсификация………………………………………………………………18

3.2. Хеджирование…………………………………………………………………21

3.3. Страхование…………………………………………………………………...22

3.4. Качественное управление рисками………………………………….……….24

Практическая часть……………………………………………………………...….27

Заключение………………………………………………………..………….…. ..29

Список литературы…………………………………………….……….……..….30

Приложения……………………………………………………….…………..…...31

ВВЕДЕНИЕ

Развитие мировых финансовых рынков, характеризующееся усилением процессов глобализации, интернационализации, либерализации, оказывает непосредственное влияние на всех участников мирового экономического пространства, основными членами которого являются крупные финансово-кредитные институты, производственные и торговые корпорации. Все участники мирового рынка непосредственно ощущают на себе влияние всех вышеперечисленных процессов и в своей деятельности должны учитывать новые тенденции развития финансовых рынков. Число рисков, возникающих в деятельности таких компаний, существенно увеличилось в последние годы. Это связано с появлением новых финансовых инструментов, активно используемых участниками рынка. Применение новых инструментов хотя и позволяет снизить принимаемые на себя риски, но также связано с определенными рисками для деятельности участников финансового рынка. Поэтому все большее значение для успешной деятельности компании приобретает в настоящее время осознание роли риска в деятельности компании и способность риск-менеджера адекватно и своевременно реагировать на сложившуюся ситуацию, принять правильное решение в отношении риска. Для этого необходимо использовать различные инструменты страхования и хеджирования от возможных потерь и убытков, набор которых в последние годы существенно расширился и включает как традиционные приемы страхования, так и методы хеджирования с использованием финансовых инструментов.

От того, насколько правильно будет выбран тот или иной инструмент, будет зависеть, в конечном счете, эффективность деятельности компании в целом.

Актуальность темы исследования предопределена также незавершенностью разработки теоретической основы и классификации страхования финансовых рисков и выявления его особенностей в России.

Глава 1. КЛАССИЧЕСКАЯ СХЕМА ОЦЕНКИ ФИНАНСОВЫХ

ОПЕРАЦИЙ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ

Риск – одно из важнейших понятий, сопутствующих любой активной деятельности человека. Вместе с тем это одно из самых неясных, многозначных и запутанных понятий. Однако, несмотря на его неясность, многозначность и запутанность, во многих ситуациях суть риска очень хорошо понимается и воспринимается. Эти же качества риска являются серьезной преградой для его количественной оценки, которая во многих случаях необходима и для развития теории и на практике.

Рассмотрим классическую схему принятия решений в условиях неопределенности.

1.1. Определение и сущность риска

Напомним, что финансовой называется операция, начальное и конечное состояния которой имеют денежную оценку и цель проведения которой заключается в максимизации дохода – разности между конечной и начальной

оценками (или какого-нибудь другого подобного показателя).

Почти всегда финансовые операции проводятся в условиях неопределенности и потому их результат невозможно предсказать заранее. Поэтому финансовые операции рискованны : при их проведении возможны как прибыль, так и убыток (или не очень большая прибыль по сравнению с той, на что надеялись проводившие эту операцию).

Проводящий операцию (принимающий решение) называется ЛПР – Лицо ,

принимающее решение . Естественно, ЛПР заинтересовано в успехе операции и является за нее ответственным (иногда только перед самим собой). Во многих случаях ЛПР – это инвестор, вкладывающий деньги в банк, в какую– то финансовую операцию, покупающий ценные бумаги и т.п.

Определение. Операция называется рискованной , если она может иметь несколько исходов, не равноценных для ЛПР.

Пример 1 .

Рассмотрим три операции с одним и тем же множеством двух исходов –

альтернатив A , В , которые характеризуют доходы, получаемые ЛПР. Все три

операции рискованные. Понятно, что рискованными являются первая и вторая

операции, так как в результате каждой операции возможны убытки.

Но почему должна быть признана рискованной третья операция? Ведь она сулит только положительные доходы ЛПР? Рассматривая возможные исходы третьей операции, видим, что можем получить доход в размере 20 единиц, поэтому возможность получения дохода в 15 единиц рассматривается как неудача, как риск недобрать 5 единиц дохода. Итак, понятие риска обязательно предполагает рискующего – того, к кому этот риск относится, кто озабочен результатом операции. Сам риск возникает, только если операция может окончиться исходами, не равноценными для него, несмотря на, возможно, все его усилия по управлению этой операцией.

Итак, в условиях неопределенности операция приобретает еще одну характеристику – риск. Как оценить операцию, с точки зрения ее доходности и риска? На этот вопрос на так просто ответить, главным образом из-за многогранности понятия риска. Существует несколько разных способов такой оценки. Рассмотрим один из таких подходов.

1.2. Матрицы последствий и рисков

Допустим, рассматривается вопрос о проведении финансовой операции. Неясно, чем она может закончиться. В связи с этим проводится анализ нескольких возможных решений и их последствий. Так приходим к следующей общей схеме принятия решений (в том числе финансовых) в условиях неопределенности.

Предположим, что ЛПР рассматривает несколько возможных решений

i =1, …,n . Ситуация неопределенна, понятно лишь, что наличествует какой– то из вариантов j =1,….,n . Если будет принято i– е решение, а ситуация есть j– я, то фирма, возглавляемая ЛПР, получит доход q ij . Матрица Q =(q ij) называется матрицей последствий (возможных решений). Допустим, мы хотим оценить риск, который несет i -е решение. Нам неизвестна реальная ситуация. Но если бы мы её знали, то выбрали бы наилучшее решение, т.е. приносящее наибольший доход. Если ситуация j -я, то было бы принято решение, дающее доход q i =max q ij . Значит, принимая i -е решение, мы рискуем получить не q j , а только q ij , т.е. принятие i -го решения несет риск не добрать r ij =q j –q ij называется матрицей рисков .

Пример 2.

Пусть матрица последствий есть

Составим матрицу рисков. Имеем q 1 =max q i1 =8, q 2 =5, q 3 =8, q 4 =12. Следовательно, матрица рисков есть

1.3. Анализ связанной группы решений в условиях полной неопределенности

Ситуация полной неопределенности характеризуется отсутствием какой бы то ни было дополнительной информации (например, о вероятностях тех или иных вариантов реальной ситуации). Какие же существуют правила– рекомендации по принятию решений в этой ситуации?

Правило Вальда (правило крайнего пессимизма).

Рассматривая i -е решение, будем полагать, что на самом деле ситуация складывается самая плохая, т.е. приносящая самый малый доход: a i =min q a 0 с наибольшим a i0 . Итак, правило Вальда рекомендует принять решение i 0 такое, что a i0 =max a i =max(min q ij).Так, в примере 2 имеем a 1 =2, a 2 =2, a 3 =3, a 4 = 1. Теперь из чисел 2, 2, 3, 1 находим максимальное - 3. Значит, правило Вальда рекомендует принять 3-е решение.

Правило Сэвиджа (правило минимального риска).

При применении этого правила анализируется матрица рисков R =(r ij). Рассматривая i -е решение, будем полагать, что на самом деле складывается ситуация максимального риска b i =max r ij . Но теперь выберем решение i 0 с наименьшим b i0 . Итак, правило Сэвиджа рекомендует принять решение i 0 такое, что b i0 =min b i =min(max r ij).Так, в примере 2 имеем b 1 =8, b 2 =6, b 3 =5, b 4 =7. Теперь из чисел 8, 6, 5, 7 находим минимальное – 5.

Правило Гурвица (взвешивающее пессимистический и оптимистический подходы к ситуации).

Принимается решение i, котором достигается максимум

{λ min q ij +(1– λ max q ij)},

где 0≤λ ≤1. Значение λ выбирается из субъективных соображений. Если λ приближается к 1, то правило Гурвица приближается к правилу Вальда, при приближении λ к 0 правило Гурвица приближается к правилу «розового оптимизма» (догадайтесь сами, что это значит). В примере 2 при λ=1/2 правило Гурвица рекомендует второе решение.

1.4. Анализ связанной группы решений в условиях частичной неопределенности

Предположим, что в рассматриваемой схеме известны вероятности р j того, что реальная ситуация развивается по варианту j . Именно такое положение называется частичной неопределенностью. Как здесь принимать решение? Можно выбрать одно из следующих правил.

Правило максимизации среднего ожидаемого дохода.

Доход, получаемый фирмой при реализации i -го решения, является случайной величиной Q i с рядом распределения. Математическое ожидание М [Q i ] и есть средний ожидаемый доход, обозначаемый также Q i . Итак, правило рекомендует принять решение, приносящее максимальный средний ожидаемый доход. Предположим, что в схеме примера 2 вероятности есть – 1/2, 1/6, 1/6, 1/6.

Тогда Q 1 =29/6, Q 2 =25/6, Q 3 =7, Q 4 =17/6. Максимальный средний ожидаемый доход равен 7 и соответствует третьему решению.

Правило минимизации среднего ожидаемого риска.

Риск фирмы при реализации i -го решения является случайной величиной R i с рядом распределения

Математическое ожидание M [R i ] и есть средний ожидаемый риск, обозначаемый также R i . Правило рекомендует принять решение, влекущее минимальный средний ожидаемый риск. Вычислим средние ожидаемые риски при указанных выше вероятностях. Получаем R 1 =20/6, R 2 =4, R 3 =7/6, R 4 =32/6. Минимальный средний ожидаемый риск равен 7/6 и соответствует третьему решению.

Замечание. Отличие частичной (вероятностной) неопределенности от полной неопределенности очень существенно. Конечно, принятие решений по правилам Вальда, Сэвиджа, Гурвица никто не считает окончательными, самыми лучшими. Но когда мы начинаем оценивать вероятность варианта, это уже предполагает повторяемость рассматриваемой схемы принятия решений: это уже было в прошлом, или это будет в будущем, или это повторяется где-то в пространстве, например, в филиалах фирмы.

1.5. Оптимальность по Парето

Итак, при попытке выбрать наилучшее решение мы столкнулись в предыдущем параграфе с тем, что каждое решение имеет две характеристики – средний ожидаемый доход и средний ожидаемый риск. Теперь имеем оптимизационную двухкритериальную задачу по выбору наилучшего решения.

Существует несколько способов постановки таких оптимизационных задач.

Рассмотрим такую задачу в общем виде. Пусть А - некоторое множество операций, каждая операция а имеет две числовые характеристики Е (а ), r (а ) (эффективность и риск, например) и разные операции обязательно различаются хотя бы одной характеристикой. При выборе наилучшей операции желательно, чтобы Е было больше, а r меньше.

Будем говорить, что операция а доминирует операцию b, и обозначать а >b, если Е (а )≥Е (b ) и r (а )≤r (b ) и хотя бы одно из этих неравенств, строгое. При этом операция а называется доминирующей , а операция b - доминируемой . Ясно, что ни при каком разумном выборе наилучшей, операции доминируемая операция не может быть признана таковой. Следовательно, наилучшую операцию надо искать среди недоминируемых операций. Множество этих операций называется множеством Парето или множеством оптимальности по Парето .

Имеет место чрезвычайно важное утверждение.

Утверждение.

На множестве Парето каждая из характеристик Е , r - (однозначная) функция другой. Другими словами, если операция принадлежит множеству Парето, то по одной ее характеристике можно однозначно определить другую.

Доказательство. Пусть а ,b - две операции из множества Парето, тогда r (а ) и r (b ) – числа. Предположим, что r (а )≤r (b ), тогда Е (а ) не может быть равно Е (b ), так как обе точки а , b принадлежат множеству Парето. Доказано, что по характеристике r E . Так же просто доказывается, что по характеристике Е можно определить характеристику r .

Продолжим анализ приведенного в § 10.2 примера. Рассмотрим графическую иллюстрацию. Каждую операцию (решение) (R, Q ) отметим как точку на плоскости – доход откладываем вверх по вертикали, а риск – вправо по горизонтали (рис. 10.1). Получили четыре точки и продолжаем анализ примера 2.

Чем выше точка (R, Q ), тем более доходная операция, чем точка правее, тем более она рисковая. Значит, нужно выбирать точку выше и левее. В нашем случае множество Парето состоит только из одной третьей операции.

Для нахождения лучшей операции иногда применяют подходящую взвешивающую формулу, которая для операции Q с характеристиками (R, Q ) даёт одно число, по которому и определяют лучшую операцию. Например, пусть взвешивающая формула есть f (Q )=2Q–R . Тогда для операций (решений) примера 2 имеем: f (Q 1)=2*29/6– 20/6=6,33; f (Q 2)=4,33; f (Q 3)=12,83; f (Q 4)=0,33. Видно, что третья операция – лучшая, а четвертая – худшая.

Глава 2. ХАРАКТЕРИСТИКИ ВЕРОЯТНОСТНЫХ ФИНАНСОВЫХ

ОПЕРАЦИЙ

Финансовая операция называется вероятностной , если существует вероятность каждого ее исхода. Прибыль такой операции – разность конечной и начальной денежных ее оценок – является случайной величиной. Для такой операции удается ввести количественную оценку риска, согласующуюся с нашей интуицией.

2.1. Количественная оценка риска

В предыдущей главе дано определение рискованной операции, как имеющей, по крайней мере, два исхода, не равноценных в системе предпочтений ЛПР. В контексте данной главы вместо ЛПР можно, употреблять также термин «инвестор» или какой-либо подобный, отражающий заинтересованность проводящего операцию (возможно, пассивно) в ее успехе.

При исследовании риска операции встречаемся с фундаментальным утверждением.

Утверждение.

Количественная оценка риска операции возможна только при вероятностной характеристике множества исходов операции.

Пример 1.

Рассмотрим две вероятностные операции:

Несомненно, риск первой операции меньше риска второй операции. Что же касается того, какую операцию выберет ЛПР, это зависит от его склонности к риску (подобные вопросы подробно рассмотрены в дополнении к ч. 2).

2.2. Риск отдельной операции

Так как мы хотим количественно оценить рискованность операции, а это невозможно сделать без вероятностной характеристики операции, то ее исходам припишем вероятности и оценим каждый исход доходом, который ЛПР получает при этом исходе. В итоге получим случайную величину Q, которую естественно назвать случайным доходом операции, или просто случайным доходом . Пока ограничимся дискретной случайной величиной (д.с.в.):

где q j - доход, а р j – вероятность этого дохода.

Операцию и представляющую ее случайную величину – случайный доход будем отождествлять при необходимости, выбирая из этих двух терминов более удобный в конкретной ситуации.

Теперь можно применить аппарат теории вероятностей и найти следующие характеристики операции.

Средний ожидаемый доход – математическое ожидание с.в. Q , т.е. М [Q ]=q 1 p 1 +…+q n p n , обозначается еще m Q , Q, употребляется также название эффективность операции .

Дисперсия операции - дисперсия с.в. Q , т.е. D [Q ]=М [(Q - m Q) 2 ], обозначается также D Q .

Среднее квадратическое отклонение с.в. Q , т.е. [Q ]=√(D [E ]), обозначается

также σ Q .

Отметим, что средний ожидаемый доход, или эффективность операции, как и среднее квадратическое отклонение, измеряется в тех же единицах, что и доход.

Напомним фундаментальный смысл математического ожидания с.в.

Среднее арифметическое значений, принятых с.в. в длинной серии опытов, примерно равно ее математическому ожиданию. Все более признанным становится оценка рискованности всей операции посредством среднего квадратического отклонения случайной величины дохода Q , т.е. посредством σ Q . В данной книге это основная количественная оценка.

Итак, риском операции называется число σ Q – среднее квадратическое отклонение случайного дохода операции Q . Обозначается также r Q .

Пример 2.

Найдем риски первой и второй операций из примера 1:

Сначала вычисляем математическое ожидание с.в. Q 1:

т 1 =– 5*0,01+25*0,99=24,7. Теперь вычислим дисперсию по формуле D 1 =M [Q 1 2 ]-m 1 2 . Имеем М [Q 1 2 ]= 25*0,01+625*0,99=619. Значит, D 1 =619– (24,7)2=8,91 и окончательно r 1 =2,98.

Аналогичные вычисления для второй операции дают m 2 =20; r 2 =5. Как и «полагала интуиция», первая операция менее рискованная.

Предлагаемая количественная оценка риска вполне согласуется с интуитивным пониманием риска как степени разбросанности исходов операции – ведь дисперсия и среднее квадратическое отклонение (квадратный корень из дисперсии) и суть меры такой разбросанности.

Другие измерители риска.

По нашему мнению, среднее квадратическое отклонение является наилучшим измерителем риска отдельной операции. В гл. 1 рассмотрены классическая схема принятия решений в условиях неопределенности и оценки риска в этой схеме. Полезно познакомиться: с другими измерителями риска. В большинстве случаев эти измерители – просто вероятности нежелательных событий.

2.3. Некоторые общие измерители риска

Пусть известна функция распределения F случайного дохода операции Q. Зная ее, можно придать смысл следующим вопросам и ответить на них.

1. Какова вероятность того, что доход операции будет менее заданного s . Можно спросить по– другому: каков риск получения дохода менее заданного? Ответ: F (s ).

2. Какова вероятность того, что операция окажется неуспешной, т.е. ее доход будет меньше среднего ожидаемого дохода m ?

Ответ: F (m ) .

3. Какова вероятность убытков и каков их средний ожидаемый размер? Или каков, риск убытков и их оценка?

4. Каково отношение средних ожидаемых убытков к среднему ожидаемому доходу? Чем меньше это отношение, тем меньше риск разорения, если ЛПР вложил в операцию все свои средства.

При анализе операций ЛПР желает иметь доход побольше, а риск поменьше. Такие оптимизационные задачи называют двухкритериальными. При их анализе два критерия – доход и риск – часто «свертывают» в один критерий. Так возникает, например, понятие относительного риска операции . Дело в том, что одно и то же значение среднего квадратического отклонения σ Q , которое измеряет риск операции, воспринимается по-разному в зависимости от величины среднего ожидаемого дохода т Q , поэтому величину σ Q / т Q иногда называют относительным риском операции. Такую меру риска можно трактовать как свертку двухкритериальной задачи

σ Q →min,

т Q →max,

т.е. максимизировать средний ожидаемый доход при одновременной минимизации риска.

2.4. Риск разорения

Так называется вероятность столь больших потерь, которые ЛПР не может компенсировать и которые, следовательно, ведут к его разорению.

Пример 3.

Пусть случайный доход операции Q имеет следующий ряд распределения, и потери 35 или более ведут к разорению ЛПР. Следовательно, риск разорения в результате данной операции равен 0,8;

Серьезность риска разорения оценивается именно величиной соответствующей вероятности. Если эта вероятность очень мала, то ею часто пренебрегают.

2.5. Показатели риска в виде отношений.

Если средства ЛПР равны С , то при превышении убытков У над С возникает реальный риск разорения. Для предотвращения этого отношение К 1 = У / С , называемое коэффициентом риска , ограничивают специальным числом ξ 1 . Операции, для которых этот коэффициент превышает ξ1, считают особо рискованными. Часто учитывают также вероятность р убытков У и тогда рассматривают коэффициент риска К 2 = р Y/ С , который ограничивают другим числом ξ 2 (ясно, что ξ 2 ≤ ξ 1). В финансовом менеджменте чаще применяют обратные отношения С / У и С /(рУ ), которые называют коэффициентами покрытия рисков и которые ограничиваются снизу числами 1/ ξ 1 и 1/ ξ 2 .

Именно такой смысл имеет так называемый коэффициент Кука, равный отношению:

Коэффициент Кука используется банками и другими финансовыми компаниями. В роли весов при «взвешивании» выступают вероятности – риски потери соответствующей актива.

2.6. Кредитный риск

Так называется вероятность невозврата в срок взятого кредита.

Пример 4.

Статистика запросов кредитов такова: 10% – государственные органы, 30% – другие банки и остальные – физические лица. Вероятности невозврата взятого кредита соответственно таковы: 0,01; 0,05 и 0,2. Найти вероятность невозврата очередного запроса на кредит. Начальнику кредитного отдела доложили, что получено сообщение о невозврате кредита, но в факсовом сообщении имя клиента было плохо пропечатано. Какова вероятность, что данный кредит не возвращает какой– то банк?

Решение. Вероятность невозврата найдем по формуле полной вероятности. Пусть Н 1 - запрос поступил от госоргана, Н 2 – от банка, Н 3 – от физического лица и А - невозврат рассматриваемого кредита. Тогда

Р (А )= Р (Н 1)Р H1 А + Р (Н 2)Р H2 А + Р (Н з)P H3 А = 0,1*0,01+0,3*0,05+0,6*0,2=0,136.

Вторую вероятность найдем по формуле Байеса. Имеем

Р A Н 2 =Р (Н 2)Р H2 А / Р (А )= 0,015/0,136=15/136≈1/9.

Как в реальности определяют все приведенные в этом примере данные, например, условные вероятности Р H1 А ? По частоте невозврата кредита для соответствующей группы клиентов. Пусть физические лица взяли всего 1000 кредитов и 200 не вернули. Значит, соответствующая вероятность Р H3 А оценивается как 0,2. Соответствующие данные – 1000 и 200 берутся из информационной базы данных банка.

Глава 3. ОБЩИЕ МЕТОДЫ УМЕНЬШЕНИЯ РИСКОВ

Как правило, риск стараются уменьшить. Для этого существует немало методов. Большая группа таких методов связана с подбором других операций. Таких, чтобы суммарная операция имела меньший риск.

3.1. Диверсификация

Напомним, что дисперсия суммы некоррелированных случайных величин равна сумме дисперсий. Из этого вытекает следующее утверждение, лежащее в основе метода диверсификации.

Утверждение 1.

Пусть О 1 ,...,О n – некоррелированные операции с эффективностями е 1 ,..., е n и рисками r 1 ,...,r 2 . Тогда операция «среднее арифметическое» О =(О 1 +...+O n)/ п имеет эффективность е =(e 1 +...+e n)/n и риск r =√(r 1 2 +…r 2 n)/n .

Доказательство этого утверждения – простое упражнение на свойства математического ожидания и дисперсии.

Следствие 1.

Пусть операции некоррелированы и а≤ e i и b ≤ r i ≤c с для всех i =1,..,n . Тогда эффективность операции «среднее арифметическое» не меньше а (т.е. наименьшей из эффективностей операций), а риск удовлетворяет неравенству b √ n ≤ r ≤c √ n и, таким образом, при увеличении n уменьшается. Итак, при увеличении числа некоррелированных операций их среднее арифметическое имеет эффективность из промежутка эффективностей этих операций, а риск однозначно уменьшается.

Этот вывод называется эффектом диверсификации (разнообразия) и представляет собой в сущности единственно разумное правило работы на финансовом и других рынках. Этот же эффект воплощен в народной мудрости – «не клади все яйца в одну корзину». Принцип диверсификации гласит, что нужно проводить разнообразные, не связанные друг с другом операции, тогда эффективность окажется усредненной, а риск однозначно уменьшится.

При применении этого правила нужно быть осторожным. Так, нельзя отказаться от некоррелированности операций.

Предложение 2.

Предположим, что среди операций есть ведущая, с которой все остальные находятся в положительной корреляционной связи. Тогда риск операции «среднее арифметическое» не уменьшается при увеличении числа суммируемых операций.

Действительно, для простоты примем более сильное предположение, именно, что все операции О i ; i =1,...,n , просто копируют операцию O 1 в каких– то масштабах, т.е. O i =k i O 1 и все коэффициенты пропорциональности k i положительны. Тогда операция «среднее арифметическое» О =(O 1 +...+O n)/n есть просто операция O 1 в масштабе

и риск этой операции

Поэтому, если операции примерно одинаковы по масштабности, т.е. k i ≈1, то и

Мы видим, что риск операции «среднее арифметическое» не уменьшается при увеличении числа операций.

3.2. Хеджирование

В эффекте диверсификации ЛПР составлял новую операцию из нескольких, имеющихся в его распоряжении. При хеджировании (от англ. hedge - изгородь) ЛПР подбирает или даже специально конструирует новые операции, чтобы, проводя их совместно с основной, уменьшить риск.

Пример 1.

По контракту российская фирма через полгода должна получить крупный платеж от украинской компании. Платеж равен 100 000 гривен (примерно 600 тыс. руб.) и будет произведен, именно в гривнах. У российской фирмы, есть опасения, что за эти полгода курс гривны упадет по отношению к российскому рублю. Фирма хочет подстраховаться от такого падения и заключает форвардный контракт с одним из украинских банков на продажу тому 100 000 гривен по курсу 6 руб. за гривну. Таким образом, что бы ни произошло за это время с курсом рубль– гривна, российская фирма не понесет из– за этого убытков.

В этом и заключается суть хеджирования. При диверсификации наибольшую ценность представляли независимые (или некоррелированные) операции. При хеджировании подбираются операции, жестко связанные с основной, но, так сказать, другого знака, говоря более точно, отрицательно коррелированные с основной операцией.

Действительно, пусть O 1 – основная операция, ее риск r 1 , O 2 – некоторая дополнительная операция, ее риск r 2 , О - операция– сумма, тогда дисперсия этой операции D =r 1 2 +2k 12 r 1 r 2 +r 2 2 , где k - коэффициент корреляции эффективностей основной и дополнительной операций. Эта дисперсия может быть меньше дисперсии основной операции, только если этот коэффициент корреляции отрицателен (точнее: должно быть 2k 12 r 1 r 2 +r 2 2 <0, т.е. k 1 2 <–r 2 /(2r 1)).

Пример 2.

Пусть ЛПР решает проводить операцию O 1 .

Ему советуют провести одновременно операцию S , жестко связанную с О . В сущности обе операции надо изобразить с одним и тем же множеством исходов.

Обозначим суммарную операцию через О , эта операция есть сумма операций O 1 и S . Вычислим характеристики операций:

M [O 1 ]=5, D [O 1 ]=225, r 1 =15;

M [S ]=0, D [S ]=25;

M [O ]=5, D [O ]=100, r =10.

Средняя ожидаемая эффективность операции осталась неизменной, а риск уменьшился из-за сильной отрицательной коррелированности дополнительной операции S по отношению к основной операции.

Конечно, на практике не так легко подобрать дополнительную операцию, отрицательно коррелированную с основной, да еще с нулевой эффективностью. Обычно допускается небольшая отрицательная эффективность дополнительной операции и из-за этого эффективность суммарной операции становится меньше, чем у основной. Насколько допускается уменьшение эффективности на единицу уменьшения риска зависит от отношения ЛПР к риску.

3.3. Страхование

Можно рассматривать страхование как один из видов хеджирования. Поясним некоторые термины.

Страхователь (или застрахованный) – тот, кто страхуется.

Страховщик - тот, кто страхует.

Страховая сумма - сумма денежных средств, на которую застраховано имущество, жизнь, здоровье страхователя. Эта сумма выплачивается страховщиком страхователю при наступлении страхового случая. Выплата страховой суммы называется страховым возмещением .

Страховой платеж выплачивается страхователем страховщику.

Обозначим страховую сумму ω , страховой платеж s , вероятность страхового случая р . Предположим, что застрахованное имущество оценивается в z. По правилам страхования ω≤ z.

Таким образом, можно предложить следующую схему:

Таким образом, страхование представляется выгоднейшим мероприятием с точки зрения уменьшения риска, если бы не страховой платеж. Иногда страховой платеж составляет заметную часть страховой суммы и представляет собой солидную сумму.

3.4. Качественное управление рисками

Риск – столь сложное понятие, что весьма часто невозможна его количественная оценка. Поэтому широко развиты методы управления риском качественного характера, без количественной оценки. К таким относятся многие банковские риски. Наиболее важные из них – это кредитный риск и риски неликвидности и неплатежеспособности.

1. Кредитный риск и способы его уменьшения . При выдаче кредита (или ссуды) всегда есть опасение, что клиент не вернет кредит. Предотвращение невозврата, уменьшение риска невозврата кредитов – это важнейшая задача кредитного отдела банка. Какие же существуют способы уменьшения риска невозврата кредита.

Отдел должен постоянно систематизировать и обобщать информацию по выданным кредитам и их возвращению. Информация по выданным кредитам должна быть систематизирована по величине выданных кредитов, должна быть построена классификация клиентов, которые взяли кредит.

Отдел (банк в целом) должен вести так называемую кредитную историю, своих клиентов, в том, числе и потенциальных (т.е. когда, где, какие кредиты брал и как их возвращал клиент). Пока у нас в стране большинство клиентов не имеет своей кредитной истории.

Есть различные способы обеспечения кредита, например, клиент отдает что-то в залог и если не возвращает кредит, то банк становится собственником залога;

В банке должна быть четкая инструкция по выдаче кредита (кому какой кредит можно выдать и на какой срок);

Должны быть установлены четкие полномочия по выдаче кредита. Скажем, рядовой сотрудник отдела может выдать кредит не более $1000, кредиты до $10000 может выдать начальник отдела, свыше $10 000, но не более $100 000, может выдать вице-президент по финансам и кредиты свыше $100 000 выдает только совет директоров (читайте роман А. Хейли «Менялы»);

Для выдачи особо больших и опасных кредитов объединяются несколько банков и сообща выдают этот кредит;

Существуют страховые компании, которые страхуют невозврат кредита (но есть точка зрения, что невозврат кредита не подлежит страхованию – это риск самого банка);

Существуют внешние ограничения по выдаче кредитов (например, установленные Центральным банком); скажем, не разрешается выдавать очень крупный кредит одному клиенту;

2. Риски неликвидности , неплатежеспособности и способы их уменьшения . Говорят, что средства банка достаточно ликвидны, если банк способен быстро и без особых для себя потерь обеспечить выплату своим клиентам денежных средств, которые они доверили банку на кратковременной основе. Риск неликвидности – это и есть риск не справиться с этим. Впрочем, этот риск лишь для краткости назван так, полное его название – риск несбалансированности баланса в части ликвидности .

Все активы банка по их ликвидности делятся на три группы:

1) первоклассные ликвидные средства (кассовая наличность, средства банка на корреспондентском счете в Центробанке, государственные ценные бумаги, векселя крупных надежных компаний;

2) ликвидные средства (ожидаемые краткосрочные платежи банку, некоторые виды ценных бумаг, некоторые материальные активы, которые могут быть быстро и без больших потерь проданы и т.п.);

3) неликвидные средства (просроченные кредиты и ненадежные долги, многие материальные активы банка, прежде всего здания и сооружения).

При анализе риска неликвидности учитываются в первую очередь первоклассные ликвидные средства.

Говорят, что банк платежеспособен, если способен расплатиться со всеми своими клиентами, но, возможно, для этого придется провести какие-нибудь крупные и длительные операции, вплоть до продажи оборудования, зданий, принадлежащих банку, и т.д. Риск неплатежеспособности возникает, когда неясно, сумеет ли банк расплатиться.

Платежеспособность банка зависит от очень многих факторов. Центральный банк устанавливает ряд условий, в которые банки должны выполнять для поддержания своей платежеспособности. Самые важные из них: ограничение обязательств банка; рефинансирование банков Центральным банком; резервирование части средств банка на корреспондентском счете в Центральном банке.

Риск неликвидности ведет к возможным излишним потерям банка: чтобы расплатиться с клиентом, банку, возможно, придется одолжить деньги у других банков по более высокой процентной ставке, чем в обычных условиях. Риск неплатежеспособности вполне может привести к банкротству банка.

Практическая часть

Предположим, ЛПР имеет возможность составить операцию из четырех некоррелированных операций, эффективности и риски которых даны в таблице.

Рассмотрим несколько вариантов составления операций из этих операций с равными весами.

1. Операция составлена только из 1-й и 2-й операций. Тогда e 12 =(3+5)/2=4;

r 12 = √ (2 2 +4 2)/2≈2,24

2. Операция составлена только из 1-й, 2-й и 3-й операций.

Тогда e 123 =(3+5+8)/3=5,3; r 123 =√(2 2 +4 2 +6 2)/3≈2,49.

3. Операция составлена из всех четырех операций. Тогда

e 1– 4 =(3+5+8+10)/4=6,5; r 1– 4 =√(2 2 +4 2 +6 2 +12 2)/4≈ 3,54.

Видно, что при составлении операции из всё большего числа операций риск растёт весьма незначительно, оставаясь близко к нижней границе рисков составляющих операций, а эффективность каждый раз равна среднему арифметическому составляющих эффективностей.

Принцип диверсификации применяется не только для усреднения операций, проводимых одновременно, но в разных местах (усреднение в пространстве), но и проводимых последовательно во времени, например, при повторении одной операции во времени (усреднение во времени). Например, вполне разумной является стратегия покупки акций какой-нибудь стабильно работающей компании 20-го января каждого года. Неизбежные колебания курса акций этой компании благодаря этой процедуре усредняются и в этом проявляется эффект диверсификации.

Теоретически эффект диверсификации только положителен – эффективность усредняется, а риск уменьшается. Однако усилия по проведению большого числа операций, по отслеживанию их результатов могут, конечно, свести на нет все плюсы от диверсификации.

ЗАКЛЮЧЕНИЕ

Данная курсовая работа рассматривает теоретические и практические вопросы и проблемы рисков.

В первой главе рассматриваются классическая схема оценки финансовых операций в условиях неопределенности.

Во второй главе сделан обзор характеристик вероятностных финансовых операций. Под финансовыми рисками понимаются кредитные, коммерческие, риски биржевых операций и риск неправомерного применения финансовых санкций государственными налоговыми инспекциями.

В третьей главе показаны общие методы уменьшения рисков. Приведены примеры качественного управления рисками.

Список литературы

1.Малыхин В.И. Финансовая математика: Учеб. пособие для вузов. М.: ЮНИТИ– ДАНА, 1999. – 247 с.

2. Страхование: принципы и практика/ Составитель Дэвид Бланд: пер. с англ.–М.: Финансы и статистика, 2000.–416с.

3. Гвозденко А.А. Финансово-экономические методы страхования: Учебник.–М.: Финансы и статистика, 2000.–184с.

4. Сербиновский Б.Ю., Гарькуша В.Н. Страховое дело: Учебное пособие для вузов. Серия “Учебники, учебные пособия” Ростов н/Д: “Феникс”, 2000–384 с.

ТЕХНИЧЕСКАЯ ДИАГНОСТИКА ЭЛЕКТРОННЫХ СРЕДСТВ

УДК 678.029.983

Составитель: В.А. Пиккиев.

Рецензент

Кандидат технических наук, доцент О.Г. Бондарь

Техническая диагностика электронных средств : методические рекомендации для проведения практических занятий по дисциплине «Техническая диагностика электронных средств»/ Юго-Зап. гос. ун-т.; сост.: В.А. Пиккиев, Курск, 2016. 8с.: ил.4, табл.2, прилож.1. Библиогр.:с. 9 .

Методические указания для проведения практических занятий предназначены для студентов направления подготовки 11.03.03 «Конструирование и технология электронных средств».

Подписано в печать. Формат 60х84 1\16 .

Усл. печ. л. Уч.-изд.л. Тираж 30 экз. Заказ. Бесплатно

Юго-Западный государственный университет.

ВВЕДЕНИЕ. ЦЕЛЬ И ЗАДАЧИ ИЗУЧЕНИЯ ДИСЦИПЛИНЫ.
1. Практическое занятие № 1. Метод минимального числа ошибочных решений
2. Практическое занятие № 2. Метод минимального риска
3. Практическое занятие № 3. Метод Байеса
4. Практическое занятие № 4. Метод наибольшего правдоподобия
5. Практическое занятие № 5. Метод минимакса
6. Практическое занятие № 6. Метод Неймана–Пирсона
7. Практическое занятие № 7. Линейные разделяющие функции
8. Практическое занятие № 8. Обобщенный алгоритм нахождения разделяющей гиперплоскости

ВВЕДЕНИЕ. ЦЕЛЬ И ЗАДАЧИ ИЗУЧЕНИЯ ДИСЦИПЛИНЫ .

Техническая диагностика рассматривает задачи диагностирования, принципы организации систем тестового и функционального диагноза, методы и процедуры алгоритмов диагноза для проверки неисправности, работоспособности и правильности функционирования, а также для поиска неисправностей различных технических объектов. Основное внимание уделяется логическим аспектам технической диагностики при детерминированных математических моделях диагноза.

Цель дисциплины состоит в освоении методов и алгоритмов технической диагностики.

Задачей курса является подготовка технических специалистов освоивших:

Современные методы и алгоритмы технической диагностики;

Модели объектов диагностирования и неисправностей;

Алгоритмы диагностирования и тесты;

Моделирование объектов;

Аппаратуру систем поэлементного диагностирования;

Сигнатурный анализ;

Системы автоматизации диагностирования РЭА и ЭВС;

Навыки разработки и построения моделей элементов.

Предусмотреные в учебном плане практические занятия, позволяют формировать у студентов профессиональные компетенции аналитического и творческого мышления путем приобретения практических навыков диагностики электронных средств.

Практические занятия предусматривают работу с прикладными задачами разработки алгоритмов поиска неисправностей электронных устройств и построению контролирующих тестов с целью их дальнейшего использования при моделировании функционирования этих устройств.

ПРАКТИЧЕСКОЕ ЗАНЯТИЕ № 1

МЕТОД МИНИМАЛЬНОГО ЧИСЛА ОШИБОЧНЫХ РЕШЕНИЙ.

В задачах надежности рассматриваемый метод часто дает «неосторожные решения», так как последствия ошибочных решений существенно различаются между собой. Обычно цена пропуска дефекта существенно выше цены ложной тревоги. Если указанные стоимости приблизительно одинаковы (для дефектов с ограниченными последствиями, для некоторых задач контроля и др.), то применение метода вполне оправдано.

Вероятность ошибочного решения определяется так

D 1 - диагноз исправного состояния;

D 2 - диагноз дефектного состояния;

P 1 -вероятность 1 диагноза;

P 2 - вероятность 2-го диагноза;

x 0 - граничное значение диагностического параметра.

Из условия экстремума этой вероятности получаем

Условие минимума дает

Для одномодальных (т. е. содержат не более одной точки максимума) распределений неравенство (4) выполняется, и минимум вероятности ошибочного решения получается из соотношения (2)

Условие выбора граничного значения (5) называется условием Зигерта–Котельникова (условием идеального наблюдателя). К этому условию приводит также метод Байеса.

Решение x ∈ D1 принимается при

что совпадает с равенством (6).

Рассеяние параметра (величина среднеквадратичного отклонения) принимается одинаковым.

В рассматриваемом случае плотности распределений будут равны:

Таким образом, полученные математические модели(8-9) могут быть использованы для диагностики ЭС.

Пример

Диагностика работоспособности жестких дисков осуществляется по количеству битых секторов (Reallocated sectors). Фирма Western Digital при производстве ЖД модели “My Passport” использует следующие допуски: Исправными считаются диски у которых среднее значение составляет х 1 = 5 на единицу объема и среднеквадратичное отклонение σ 1 = 2 . При наличии дефекта магнитного напыления (неисправное состояние) эти значения равны х 2 = 12, σ 2 = 3 . Распределения предполагаются нормальными.

Требуется определить предельное количество неисправных секторов, выше которого жесткий диск подлежит снятию с эксплуатации и разборке (во избежание опасных последствий). По статистическим данным, неисп­равное состояние магнитного напыления наблюдается у 10% ЖД.

Плотности распределения:

1. Плотность распределения для исправного состояния:

2. Плотность распределения для дефектного состояния:

3. Разделим плотности состояния и приравняем к вероятностям состояний:

4. Прологарифмируем данное равенство и найдем предельное количество неисправных секторов:

Это уравнение имеет положительный корень x 0 =9,79

Критическое количество битых секторов равно 9 на единицу объема.

Варианты задания

№ п/п	х 1	σ 1	х 2	σ 2

Вывод : Использование данного метода позволяет принимать решение без оценки последствий ошибок, из условий задачи.

Недостатком является то, что указанные стоимости приблизительно одинаковы.

Применение данного метода, распространено в приборостроение и машиностроении.

Практическое занятие № 2

МЕТОД МИНИМАЛЬНОГО РИСКА

Цель работы: изучение метода минимального риска для диагностики технического состояния ЭС.

Задачи работы :

Изучить теоретические основы метода минимального риска;

Провести практические расчеты;

Сделать выводы по использованию метода минимального риска ЭС.

Теоретические пояснения .

Вероятность принятия ошибочного решения слагается из вероятностей ложной тревоги и пропуска дефекта. Если приписать «цены» этим ошибкам, то получим выражение для среднего риск.

Где D1- диагноз исправного состояния; D2- диагноз дефектного состояния; P1-вероятность 1 диагноза; P2- вероятность 2-го диагноза; x0- граничное значение диагностического параметра; С12- стоимость ложной тревоги.

Разумеется, цена ошибки имеет условное значение, но она должна учесть предполагаемые последствия ложной тревоги и пропуска дефекта. В задачах надежности стоимость пропуска дефекта обычно существенно больше стоимости ложной тревоги (C12 >> C21). Иногда вводится цена правильных решений С11 и С22, которая для сравнения со стоимостью потерь (ошибок) принимается отрицательной. В общем случае средний риск (ожидаемая величина потери) выражается равенством

Где С11, С22 - цена правильных решений.

Величина x, предъявляемая для распознавания, является случайной и потому равенства (1) и (2) представляют собой среднее значение (математическое ожидание) риска.

Найдем граничное значение x0 из условия минимума среднего риска. Дифференцируя (2) по x0 и приравнивая производную нулю, получим сначала условие экстремума

Это условие часто определяет два значения x0, из которых одно соответствует минимуму, второе – максимуму риска (рис. 1). Соотношение (4) является необходимым, но недостаточным условием минимума. Для существования минимума R в точке x = x0 вторая производная должна быть положительной (4.1.), что приводит к следующему условию

(4.1.)

относительно производных плотностей распределений:

Если распределения f (x, D1) и f(x, D2) являются, как обычно, одномодальными (т. е. содержат не более одной точки максимума), то при

Условие (5) выполняется. Действительно, в правой части равенства стоит положительная величина, а при x>x1 производная f "(x/D1), тогда как при x

В дальнейшем под x0 будем понимать граничное значение диагностического параметра, обеспечивающее по правилу (5) минимум среднего риска. Будем также считать распределения f (x / D1) и f (x / D2) одномодальными («одногорбыми»).

Из условия (4) следует, что решение об отнесении объекта x к состоянию D1 или D2 можно связать с величиной отношения правдоподобия. Напомним, что отношение плотностей вероятностей распределения x при двух состояниях называется отношением правдоподобия.

По методу минимального риска принимается следующее решение о состоянии объекта, имеющего данное значение параметра x:

(8.1.)

Эти условия вытекают из соотношений (5) и (4). Условие (7) соответствует x< x0, условие (8) x > x0. Величина (8.1.) представляет собой пороговое значение для отношения правдоподобия. Напомним, что диагноз D1 соответствует исправному состоянию, D2 – дефектному состоянию объекта; C21 – цена ложной тревоги; C12 – цена пропуска цели (первый индекс – принятое состояние, второй – действительное); C11 < 0, C22 – цены правильных решений (условные выигрыши). В большинстве практических задач условные выигрыши (поощрения) для правильных решений не вводятся и тогда

Часто оказывается удобным рассматривать не отношение правдоподобия, а логарифм этого отношения. Это не изменяет результата, таккак логарифмическая функция возрастает монотонно вместе со своимаргументом. Расчет для нормального и некоторых других распределений при использовании логарифма отношения правдоподобия оказывается несколько проще. Рассмотрим случай, когда параметр x имеет нормальное распределение при исправном D1 и неисправном D2 состояниях. Рассеяние параметра (величина среднеквадратичного отклонения) принимается одинаковым. В рассматриваемом случае плотности распределений

Внося эти соотношения в равенство (4), получаем после логарифмирования

Диагностика работоспособности флэш накопителей осуществляется по количеству битых секторов (Reallocated sectors). Фирма Toshiba TransMemory при производстве модели “UD-01G-T-03” использует следующие допуски: Исправными считаются накопители у которых среднее значение составляет х1 = 5 на единицу объема. Среднеквадратичное отклонение примем равным ϭ1 = 2.

При наличии дефекта NAND памяти эти значения равны х2 = 12, ϭ2 = 3 . Распределения предполагаются нормальными. Требуется определить предельное количество неисправных секторов, выше которого жесткий диск подлежит снятию с эксплуатации. По статистическим данным, неисправное состояние наблюдается у 10% флэш накопителей.

Примем, что отношение стоимостей пропуска цели и ложной тревоги , и откажемся от «вознаграждения» правильных решений (С11=С22=0). Из условия (4) получаем

Варианты задания:

Вар.

X 1 мм.

X 2 мм.

б1

б2

Вывод

Метод позволяет оценить вероятность принятия ошибочного решения определяется как минимизация точки экстремума среднего риска ошибочных решений при максимуме правдоподобия, т.е. проводится расчет минимального риска происхождения события при наличии информации о максимально подобных событиях.

ПРАКТИЧЕСКАЯ РАБОТА № 3

МЕТОД БАЙЕСА

Среди методов технической диагностики метод, основанный на обобщенной формуле Байеса, занимает особое место благодаря простоте и эффективности. Разумеется, метод Байеса имеет недостатки: большой объем предварительной информации, «угнетение» редко встречающихся диагнозов и др. Однако в случаях, когда объем статистических данных позволяет применить метод Байеса, его целесообразно использовать как один из наиболее надежных и эффективных.

Пусть имеется диагноз D i и простой признак k j , встречающийся при этом диагнозе, то вероятность совместного появления событий (наличие у объекта состояния D i и признака k j)

Из этого равенства вытекает формула Байеса

Очень важно определить точный смысл всех входящих в эту формулу величин:

P(D i) – вероятность диагноза D i , определяемая по статистическим данным (априорная вероятность диагноза). Так, если предварительно обследовано N объектов и у N i объектов имелось состояние D i , то

P (k j / D i )– вероятность появления признакаk j у объектов с состоянием D i . Если среди N i объектов, имеющих диагноз D i , у N ij , проявился признак k j , то

P (k j )– вероятность появления признакаk j во всех объектах независимо от состояния (диагноза) объекта. Пусть из общего числа N объектов признак k j был обнаружен у N j объектов, тогда

Для установления диагноза специальное вычисление P(k j) не требуется. Как будет ясно из дальнейшего, значения P(D i) и P(k j /D v), известные для всех возможных состояний, определяют величину P(k j).

В равенстве (2) P(D i / k j) – вероятность диагноза D i после того, как стало известно наличие у рассматриваемого объекта признака k j (апостериорная вероятность диагноза).

Обобщенная формула Байеса относится к случаю, когда обследование проводится по комплексу признаков K, включающему признаки k 1 , k 2 , …, k ν . Каждый из признаков k j имеет m j разрядов (k j1 , k j2 , …, k js , …, k jm). В результате обследования становится известной реализация признака

и всего комплекса признаков К * . Индекс * , как и раньше, означает конкретное значение (реализацию) признака. Формула Байеса для комплекса признаков имеет вид

где P(D i / K *) – вероятность диагноза D i после того, как стали известны результаты обследования по комплексу признаков K; P(D i) – предварительная вероятность диагноза D i (по предшествующей статистике).

Формула (7) относится к любому из n возможных состояний (диагнозов) системы. Предполагается, что система находится только в одном из указанных состояний и потому

В практических задачах нередко допускается возможность существования нескольких состояний A 1 , …, A r , причем некоторые из них могут встретиться в комбинации друг с другом. Тогда в качестве различных диагнозов D i следует рассматривать отдельные состояния D 1 = A 1 , …, D r = A r и их комбинации D r+1 = A 1 /\ A 2 .

Перейдем к определению P (K * / D i ) . Если комплекс признаков состоит из н признаков, то

где k * j = k js – разряд признака, выявившийся в результате обследования. Для диагностически независимых признаков;

В большинстве практических задач, особенно при большом числе признаков, можно принимать условие независимости признаков даже при наличии существенных корреляционных связей между ними.

Вероятность появления комплекса признаков K *

Обобщенная формула Байеса может быть записана

где P(K * / D i) определяется равенством (9) или (10). Из соотношения (12) вытекает

что, разумеется, и должно быть, так как один из диагнозов обязательно реализуется, а реализация одновременно двух диагнозов невозможна.

Следует обратить внимание на то, что знаменатель формулы Байеса для всех диагнозов одинаков. Это позволяет сначала определить вероятности совместного появления i-го диагноза и данной реализации комплекса признаков

и затем апостериорную вероятность диагноза

Для определения вероятности диагнозов по методу Байеса необходимо составить диагностическую матрицу (табл. 1), которая формируется на основе предварительного статистического материала. В этой таблице содержатся вероятности разрядов признаков при различных диагнозах.

Таблица 1

Если признаки двухразрядные (простые признаки «да – нет»), то в таблице достаточно указать вероятность появления признака P(k j / D i).

Вероятность отсутствия признака P (k j / D i ) = 1 − P (k j / D i ) .

Однако более удобно использовать единообразную форму, полагая, например, для двухразрядного признака P (kj /D ) = P (kj 1/D ) ; P (k j /D ) = P (kj 2/D ).

Отметим, что ∑P (k js / D i ) =1 , где m j – число разрядов признака k j .

Сумма вероятностей всех возможных реализаций признака равна единице.

В диагностическую матрицу включены априорные вероятности диагнозов. Процесс обучения в методе Байеса состоит в формировании диагностической матрицы. Важно предусмотреть возможность уточнения таблицы в процессе диагностики. Для этого в памяти ЭВМ следует хранить не только значения P(k js / D i), но и следующие величины: N – общее число объектов, использованных для составления диагностической матрицы; N i - число объектов с диагнозом D i ; N ij – число объектов с диагнозом D i , обследованных по признаку k j . Если поступает новый объект с диагнозом D μ , то проводится корректировка прежних априорных вероятностей диагнозов следующим образом:

Далее вводятся поправки к вероятностям признаков. Пусть у нового объекта с диагнозом D μ выявлен разряд r признака k j . Тогда для дальнейшей диагностики принимаются новые значения вероятности интервалов признака k j при диагнозе D μ:

Условные вероятности признаков при других диагнозах корректировки не требуют.

Практическая часть

1.Изучить методические указания и получить задание.

ПРАКТИЧЕСКАЯ РАБОТА № 4

В этом методе стоимости решений принимаются одинаково, и отношение правдоподобия принимает вид

Решение аналогично методу минимального риска.

Здесь отношение априорных вероятностей исправного (Р 1) и неисправного (Р 2) состояний принимается равным единице, а условие нахождения K 0 выглядит так:

Пример

Определить предельное значение параметра K 0 , выше которого объект подлежит снятию с эксплуатации.

Объект - газотурбинный двигатель.

Параметр - содержание железа в масле K , (г/т). Параметр имеет нормальное распределение при исправном (D 1 ) и неисправном (D 2 ) состояниях. Известно:

Решение

Метод минимального риска

Согласно выражению (2.4)

После подстановки выражения

и логарифмирования получаем

Преобразуя и решая данное квадратное уравнение, получим:

K 01 =2,24; К 02 =0,47. Искомое граничное значение К 0 =2,24.

Метод минимального числа ошибочных решений

Условие получения K 0 :

Подставляя и раскрывая соответствующие плотности вероятностей, получаем

уравнение:

Подходящим корнем этого уравнения является величина 2,57.

Итак, K 0 = 2,57.

Метод наибольшего правдоподобия

Условие получения К 0 :

F(K 0 /D 1) = F(K 0 /D 2).

Итоговое квадратное уравнение будет выглядеть так:

Искомое K 0 = 2,31.

Определим вероятность ложной тревоги P(H 21 ) , вероятность пропуска дефекта Р(Н 12) , а также величину среднего риска R для граничных значений K 0 , найденных различными методами.

Если в исходных условиях K 1 , то

и

Если в исходных условиях K 1 > K 2 , то

и

Для метода минимального риска при K 0 =2,29 получаем следующее

Для метода минимального числа ошибочных решений при K 0 =2,57:

Для метода наибольшего правдоподобия при K 0 =2,37:

Сведем результаты расчетов в итоговую таблицу.

Задания к задаче №2.

Вариант задания выбирается по двум последним цифрам номера зачетной книжки. Во всех заданиях требуется определить граничное значение K 0 , разделяющее объекты на два класса: исправный и неисправный. Результаты решений наносятся на график (рис. 9.1), который строится на миллиметровке и вклеивается в работу.

Итак, техническое диагностирование объекта осуществляется по параметру K . Для исправного объекта даются среднее значение параметра K 1 и среднеквадратическое отклонение σ 1 . Для неисправного соответственно K 2 и σ 2 . В исходных данных также для каждого варианта приводится соотношение цен C 12 /C 21 . Распределение K принимается нормальным. Во всех вариантах P 1 =0,9; P 2 =0,1.

Варианты заданий приведены в табл. 2.1-2.10.

Исходные данные к вариантам 00÷09 (табл. 2.1):

Объект - газотурбинный двигатель.

Параметр - виброскорость (мм/с).

Неисправное состояние - нарушение нормальных условий работы опор ротора двигателя.

Таблица 2.1

Обозначение величин	Варианты
K 1
K 2
σ 1
σ 2
C 12 /C 21

Исходные данные к вариантам 10÷19 (табл. 2.2):

Объект - газотурбинный двигатель.

Параметр Cu ) в масле (г/т).

Неисправное состояние - повышенная концентрация Cu

Таблица 2.2

Обозначение величин	Варианты
K 1	1,0	1,1	1,2	1,3	1,4	1,5	1,6	1,7	1,8	1,9
K 2
σ 1	0,3	0,3	0,3	0,3	0,3	0,3	0,3	0,3	0,3	0,3
σ 2
C 12 /C 21

Исходные данные к вариантам 20÷29 (табл. 2.3):

Объект - подкачиваемый топливный насос топливной системы.

Параметр - давление топлива на выходе (кг/см 2).

Неисправное состояние - деформация крыльчатки.

Таблица 2.3

Обозначение величин	Варианты
K 1	2,50	2,55	2,60	2,65	2,70	2,75	2,80	2,85	2,90	2,95
K 2	1,80	1,85	1,90	1,95	2,00	2,05	2,10	2,15	2,20	2,25
σ 1	0,20	0,20	0,20	0,20	0,20	0,20	0,20	0,20	0,20	0,20
σ 2	0,30	0,30	0,30	0,30	0,30	0,30	0,30	0,30	0,30	0,30
C 12 /C 21

Исходные данные к вариантам 30÷39 (табл. 2.4):

Объект - газотурбинный двигатель.

Параметр - уровень виброперегрузок (g ).

Неисправное состояние - раскатка наружной обоймы подшипников.

Таблица 2.4

Обозначение величин	Варианты
K 1	4,5	4,6	4,7	4,8	4,9	5,0	5,1	5,2	5,3	5,4
K 2	6,0	6,1	6,2	6,3	6,4	6,5	6,6	6,7	6,8	6,9
σ 1	0,5	0,5	0,5	0,5	0,5	0,5	0,5	0,5	0,5	0,5
σ 2	0,7	0,7	0,7	0,7	0,7	0,7	0,7	0,7	0,7	0,7
C 12 /C 21

Исходные данные к вариантам 40÷49 (табл. 2.5):

Объект - межвальный подшипник газотурбинного двигателя.

Параметр - показания виброакустического прибора контроля состояния подшипника (µа).

Неисправное состояние - появление следов выкрашивания на беговых дорожках подшипника.

Таблица 2.5

Обозначение величин	Варианты
K 1
K 2
σ 1
σ 2
C 12 /C 21

Исходные данные к вариантам 50÷59 (табл. 2.6)

Объект - газотурбинный двигатель.

Параметр - содержание железа (Fe ) в масле (г/т).

Неисправное состояние - повышенная концентрация Fe в масле из-за ускоренного изнашивания зубчатых соединений в коробке приводов.

Таблица 2.6

Обозначение величин	Варианты
K 1	1,95	2,02	1,76	1,82	1,71	1,68	1,73	1,81	1,83	1,86
K 2	4,38	4,61	4,18	4,32	4,44	4,10	4,15	4,29	4,39	4,82
σ 1	0,3	0,3	0,3	0.3	0,3	0,3	0,3	0,3	0,3	0,3
σ 2
C 12 /C 21

Исходные данные к вариантам 60÷69 (табл. 2.7):

Объект - масло для смазки газотурбинного двигателя.

Параметр - оптическая плотность масла, %.

Неисправное состояние - пониженные эксплуатационные свойства масла, имеющего оптическую плотность.

Таблица 2.7

Обозначение величин	Варианты
K 1
K 2
σ 1
σ 2
C 12 /C 21

Исходные данные к вариантам 70÷79 (табл. 2.8):

Объект - топливные фильтроэлементы.

Параметр - концентрация примесей меди (Cu ) в масле (г/т).

Неисправное состояние - повышенная концентрация Cu в масле из-за интенсификации процессов изнашивания омедненных шлицевых соединений приводных валов.

Таблица 2.8

Обозначение величин	Варианты
K 1
K 2
σ 1
σ 2
C 12 /C 21

Исходные данные к вариантам 80÷89 (табл. 2.9)

Объект - аксиально-поршневой насос.

Параметр - величина производительности насоса, выражаемая объемным

КПД (в долях от 1,0).

Неисправное состояние - низкое значение объемного КПД, связанное с поломкой насоса.

Таблица 2.9

Обозначение величин	Варианты
K 1	0,92	0,91	0,90	0,89	0,88	0,07	0,86	0,85	0,84	0,83
K 2	0,63	0,62	0,51	0,50	0,49	0,48	0,47	0,46	0,45	0,44
σ 1	0,11	0,11	0,11	0,11	0,11	0,11	0,11	0,11	0,11	0,11
σ 2	0,14	0,14	0,14	0,14	0,14	0,14	0,14	0,14	0,14	0,14
C 12 /C 21

Исходные данные к вариантам 90÷99 (табл. 2.10)

Объект - система управления самолета, состоящая из жестких тяг.

Параметр - суммарный осевой люфт сочленений, мкм.

Неисправное состояние - повышенный суммарный осевой люфт из-за износа сопрягаемых пар.

Таблица 2.10

Обозначение величин	Варианты
K 1
K 2
σ 1
σ 2
C 12 /C 21

Метод минимального риска используется для определения граничного значения определяющего параметра для принятия решения о состоянии объекта, исходя из условия минимума средних затрат.

Пусть состояние некоторого объекта определяется значением некоторого параметра х. необходимо выбрать такое значение этого параметра х 0 , чтобы:

Исправное состояние характеризуется плотностью распределения параметра х, f (x / D 1) а неисправное – f(x / D 2) (рис 2.8). Кривые f (x / D 1) и f(x / D 2) пересекаются и поэтому невозможно выбрать х 0 так, чтобы правило (2.16) не давало бы ошибочных решений.

Возникающие при принятии решения ошибки подразделяют на ошибки первого и второго рода.

Ошибка первого рода – принятие решения о неисправности (наличии дефекта) объекта, когда в действительности объект находится в исправном состоянии.

Ошибка второго рода – принятие решения об исправном состоянии объекта, когда в действительности объект находится в неисправном состоянии (объект содержит дефект).

Вероятность ошибки первого рода равна произведению вероятности двух событий:

вероятности того, что объект находится в исправном состоянии;

вероятности того, что значение определяющего параметра х превысит граничное значение х 0 .

Выражение для определения вероятности ошибки первого рода имеет вид:

где p(D 1 ) – априорная вероятность нахождения объекта в исправном состоянии (считается известной на основании предварительных статистических данных).

Аналогично определяется вероятность ошибки второго рода:

Рис. 2.8. Плотности вероятностей состояний объекта диагностирования

Элементы систем сбора информации: унифицирующие измерительные преобразователи.

Для согласования первичного преобразователя с устройствами системы сбора информации его выходной сигнал должен быть унифицирован, т.е. отвечать некоторым требованиям по уровню, мощности, виду носителя информации и т.д., которые определяются соответствующими ГОСТ.

Для преобразования выходных сигналов первичных преобразователей в унифицированные применяется ряд нормирующих преобразователей. На вход нормирующих преобразователей могут подаваться естественные сигналы первичных преобразователей различных физических величин, а на выходе формируются соответствующие унифицированные сигналы.

Группа средств, обеспечивающих унификацию сигнала между его источником или выходом первичного преобразователя и входом вторичного устройства, относится к классу унифицирующих измерительных преобразователей (УИП).

Различают следующие типы УИП:

индивидуальные;

групповые;

многоканальные.

Индивидуальные УИП (рис. 3.36а)) обслуживают один ПП и включаются между ПП и коммутатором или последующим измерительным преобразователем. Индивидуальные УИП размещаются вместе с ПП непосредственно на объекте исследования.

Они используются для унификации сигналов при сравнительно небольшом количестве измеряемых параметров и при ограниченном времени измерения, не позволяющем использовать групповые УИП.

Индивидуальные УИП позволяют производить:

преобразование одного унифицированного сигнала в другой;

гальваническую развязку входных цепей;

размножение входного сигнала по нескольким выходам.

Однако применение в каждом измерительном комплексе ИИС своего УИП усложняет систему и снижает ее надежность и экономическую эффективность.

Групповые УИП (рис. 3.36б)) являются более эффективными с этой точки зрения они обслуживают определенную группу первичных преобразователей, выходные сигналы которых представляют собой однородные физические величины. Они располагаются в Ииспосле коммутатора и управляются совместно с последним блоком управления.

При построении многоканальных ИИС разнородных физических величин последние группируются по роду физической величины, а каждая группа подключается к соответствующему групповому УИП.

Многоканальные УИП. (рис. 3.36в)) Если измеряемые физические величины в основном разнородные, то в ИИС могут применяться многоканальные УИП, которые представляют собой объединенные в одном корпусе или одной плате несколько индивидуальных УИП. Преобразование информации осуществляется поn входам иn выходам. Основной конструктивной особенностью многоканального УИП является использование общих источника питания и системы контроля для всех индивидуальных УИП.

Рис. 3.36.основные типы унифицирующих

измерительных преобразователей

Основные функции, выполняемые УИП:

линейные (масштабирование, установление нуля, температурная компенсация);

нелинейные (лианеризация) преобразования сигналов.

При линейной характеристике первичного преобразователя УИП выполняет линейные операции, которые называются масштабированием . Суть масштабирования заключается в следующем. Пусть входной сигнал изменяется в пределах отy 1 доy 2 , а динамический диапазон выходного сигнала УИП должен лежать в пределах от0 доz . Тогда для совмещения начала динамических диапазонов УИП и первичного преобразователя к сигналу ПП должен быть добавлен сигнал, а затем суммарный сигнал должен быть усилен враз.

Возможен также вариант, при котором выходной сигнал ПП сначала усиливается, а потом совмещаются начала динамических диапазонов.

Первый вариант приведения выходного сигнала к унифицированному виду обычно используется в индивидуальных УИП, а второй в групповых.

Т.к. связь между выходным сигналом yПП и измеряемым параметром чаще всего нелинейная (например, у термопар, платиновых термопреобразователей сопротивления и т.д.) УИП должен выполнять операциюлинеаризации . Линеаризация заключается в спрямлении функции преобразования ПП. В этом случае линеаризующая функция должна иметь вид обратной функции преобразования ПП.

Для линеаризации функции преобразования в УИП используются специальные нелинейные звенья. Они могут включаться до линейного

унифицирующего преобразователя, после него или в цепь обратной связи усилителя, используемого для изменения масштаба измеряемой величины.

U вх

U ОС

U вых

R 1

R 2

R 3

R 4

R 5

D 1

D 2

D 3

Чаще всего линеаризация достигается кусочно–линейной аппроксимацией и выполняется с помощью цепочки последовательно соединенных резисторов, шунтированных стабилитронами или диодами Д 1  Д 3

Рис. 3.37.структурная схема УИП

С ростом напряжения на выходе усилителя увеличивается ток делителя и падение напряжения на каждом из резисторов R 1  R 5 .как только падение напряжения на каком-либо из резисторов достигает напряжения пробоя соответствующего стабилитрона, стабилитрон начинает шунтировать этот резистор. Сопротивления резисторов подбираются таким образом, чтобы получать требуемую зависимость напряжения обратной связиU ОС инвертирующего усилителяУ , снимаемого с резистораR 5 , от выходного напряжения усилителя.

Типовой аналоговый УИП содержит в своем составе:

выходной усилитель;

устройство гальванической развязки;

функциональный преобразователь, линеаризующий сигнал ПП;

выходной усилитель;

стабилизированный источник питания.

Некоторые первичные преобразователи в качестве выходного имеют сигнал переменного тока такой сигнал модулируется либо по амплитуде (например, дифференциальные трансформаторные преобразователи), либо по частоте (например, пьезорезонаторы).

В качестве примера рассмотрим структурную схему УИП, предназначенного для преобразования переменного напряжения датчиков давления, перепада давления, расхода, уровня, паросодержания в унифицированный сигнал постоянного тока 0…5 мА (рис. 3.38.).

Рис. 3.38. Структурная схема УИП

Переменное напряжение с дифференциального трансформаторного первичного преобразователя демодулятором преобразуется в пропорциональное напряжение постоянного тока, которое усиливается магнитным МУ и электроннымУ усилителями постоянного тока, охваченными глубокой отрицательной обратной связью через устройство обратной связиОС , позволяющее при необходимости линеаризовать характеристику первичного преобразователя.

Унифицирующие измерительные преобразователи, работающие с частотными ПП, должны выполнять те же функции, что и УИП амплитудных ПП.