frequent problem is the scarcity of

frequent problem is the scarcity of historical data relating to its position, which can
limit the usefulness of many conventional statistical methods, such as linear
regression. One approach to addressing this problem is the use of expert
judgement, discussed above, another is the development of probabilistic models to
simulate the recession process, based on Monte Carlo sampling (see Meadowcroft
et al. 1997). The main elements of developing a probabilistic model are:
• development of a conceptual model of behaviour, e.g. a cliff behaviour
model, with particular emphasis on assessing the potential event sizes and
the event timing;
• assigning probability distributions to represent variability and uncertainty
in the key parameters (e.g. event size, event timing, extreme wave heights
etc.) Some parameters such as extreme wave heights have been
extensively studied and probability distributions for these can be
established using standard methods. Other factors are more difficult to
quantify and may call for a degree of subjectivity, but this should be
guided, where possible, by informed arguments about what ranges of
values are likely with what degree of confidence.
• developing a probabilistic prediction framework and selecting a simulation
strategy. Simulations may be ‘static’ or ‘dynamic’ to simulate a given time
period using a time-stepping approach. The static approach is simply a
Monte Carlo simulation of the model. There is no attempt to simulate any
variation in time, though future prediction can be made by setting, for
example, climate parameters to their predicted values.
• the dynamic approach, ideal for long term prediction, involves repeating
many simulations of the required time period to establish a histogram of
probability distribution of the given response at a given point in time. The
dynamic approach means that events (both deterministic and probabilistic)
that will occur in future can be included. As well as random loadings this
could include deterioration of a structure, or management intervention.
• running repeated simulations, the key requirements are for a pseudo
random number generator which produces a stream of values between 0.0
and 1.0. Correlated variables require additional functions to ensure that
sampled values are correctly correlated. After a large number of
simulations, the frequency distributions and correlations of the sampled
data should conform to the specified probability distributions, and the
result will be a stable frequency distribution, reflecting the variability of the
input data and the form of the response function.

Kết quả (Việt) 1:

vấn đề thường xuyên là sự khan hiếm dữ liệu lịch sử liên quan đến vị trí của nó, mà có thểhạn chế tính hữu dụng của nhiều phương pháp thống kê thông thường, chẳng hạn như tuyến tínhhồi quy. Một cách tiếp cận để giải quyết vấn đề này là việc sử dụng các chuyên giabản án, thảo luận ở trên, còn lại là sự phát triển của các mô hình xác suất đểMô phỏng quá trình suy thoái kinh tế, dựa trên mẫu Monte Carlo (xem MeadowcroftCTV năm 1997). Các yếu tố chính trong việc phát triển một mô hình xác suất là:• phát triển một mô hình khái niệm hành vi, ví dụ như là một hành vi vách đáMô hình, với sự nhấn mạnh đặc biệt vào việc đánh giá các kích thước kiện tiềm năng vàthời gian tổ chức sự kiện;• việc phân công phân bố xác suất để đại diện cho sự biến đổi và không chắc chắntrong các thông số chủ chốt (ví dụ như sự kiện kích thước, thời gian tổ chức sự kiện, cực sóng heightsvv) Một số tham số như heights sóng cực đãnghiên cứu rộng rãi và phân bố xác suất cho chúng có thểđược thành lập bằng cách sử dụng phương pháp tiêu chuẩn. Các yếu tố khác là khó khăn hơn đểđịnh lượng và có thể gọi cho một mức độ chủ quan, nhưng điều này nênhướng dẫn, nếu có thể, bởi các lý luận thông báo về những gì các phạm vi củagiá trị có khả năng với mức độ của sự tự tin.• phát triển khung dự đoán xác suất và chọn một mô phỏngchiến lược. Mô phỏng có thể 'tĩnh' hoặc 'động' để mô phỏng một thời gian nhất địnhkhoảng thời gian bằng cách sử dụng một phương pháp tiếp cận bước thời gian. Các phương pháp tĩnh chỉ đơn giản là mộtMonte Carlo mô phỏng của mô hình. Có là không có nỗ lực để mô phỏng các bất kỳbiến thể trong thời gian, mặc dù tương lai dự báo có thể được thực hiện bằng cách thiết lập, choVí dụ, khí hậu các thông số cho các giá trị dự đoán.• phương pháp tiếp cận năng động, lý tưởng cho các dự báo dài hạn, bao gồm việc lặp đi lặp lạiCác mô phỏng nhiều giai đoạn thời gian cần thiết để thiết lập một biểu đồ củaphân bố xác suất của các phản ứng nhất định tại một thời điểm nhất định. Cácphương pháp tiếp cận năng động có nghĩa là sự kiện (xác định và xác suất)mà sẽ xảy ra trong tương lai có thể được bao gồm. Cũng như là ngẫu nhiên khi điều nàycó thể bao gồm sự suy giảm của một cấu trúc, sự can thiệp của quản lý.• chạy lặp đi lặp lại mô phỏng, các yêu cầu quan trọng là cho một giảngẫu nhiên số máy phát điện mà sản xuất một dòng của các giá trị giữa 0.0và 1.0. Tương quan biến yêu cầu các chức năng bổ sung để đảm bảo rằngLấy mẫu các giá trị có tương quan chính xác. Sau khi một số lượng lớnMô phỏng, phân phối tần số và tương quan của việc lấy mẫudữ liệu nên phù hợp với các phân phối xác suất được chỉ định, và cáckết quả sẽ là một phân bố tần số ổn định, phản ánh sự biến đổi của cácđầu vào dữ liệu và các hình thức của hàm phản ứng.

Kết quả (Việt) 2:

vấn đề thường xuyên là sự khan hiếm của các dữ liệu lịch sử liên quan đến vị trí của nó, có thể
hạn chế sự hữu dụng của nhiều phương pháp thống kê thông thường, chẳng hạn như tuyến tính
hồi quy. Một cách tiếp cận để giải quyết vấn đề này là sử dụng các chuyên gia
đánh giá, thảo luận ở trên, một là sự phát triển của mô hình xác suất để
mô phỏng các quá trình suy thoái kinh tế, dựa trên mẫu Monte Carlo (xem Meadowcroft
et al. 1997). Các yếu tố chính của việc phát triển một mô hình xác suất là:
• phát triển một mô hình khái niệm của hành vi, ví dụ như một hành vi vách đá
mô hình, đặc biệt chú trọng vào việc đánh giá kích thước kiện tiềm năng và
thời gian sự kiện;
• gán phân bố xác suất để đại diện cho biến đổi và sự không chắc chắn
trong thông số quan trọng (ví dụ như kích thước sự kiện, thời gian sự kiện, chiều cao sóng cực
vv) Một số thông số như chiều cao sóng cực đoan đã được
nghiên cứu rộng rãi và phân bố xác suất cho các có thể được
thiết lập bằng phương pháp chuẩn. Các yếu tố khác là khó khăn hơn để
xác định số lượng và có thể gọi cho một mức độ chủ quan, nhưng điều này nên được
hướng dẫn, nếu có thể, bởi đối số thông tin về những gì dao động của
giá trị là có thể với mức độ tự tin.
• phát triển một khuôn khổ dự đoán xác suất và chọn một mô phỏng
chiến lược. Mô phỏng có thể 'tĩnh' hoặc 'năng động' để mô phỏng một thời gian nhất định
khoảng thời gian sử dụng một cách tiếp cận thời gian bước. Cách tiếp cận tĩnh chỉ đơn giản là một
mô phỏng Monte Carlo của mô hình. Không có cố gắng để mô phỏng bất kỳ
sự thay đổi trong thời gian, mặc dù dự đoán trong tương lai có thể được thực hiện bằng cách thiết lập, cho
ví dụ, các thông số khí hậu đến các giá trị dự đoán của họ.
• cách tiếp cận năng động, lý tưởng cho các dự báo dài hạn, bao gồm việc lặp đi lặp lại
nhiều mô phỏng thời gian yêu cầu để thiết lập một biểu đồ của
phân phối xác suất của phản ứng được đưa ra tại một thời điểm cho trước. Các
cách tiếp cận năng động có nghĩa là các sự kiện (cả hai xác định và xác suất)
sẽ xảy ra trong tương lai có thể được bao gồm. Cũng như tải trọng ngẫu nhiên này
có thể bao gồm sự suy thoái của một cấu trúc, hoặc can thiệp quản lý.
• chạy mô phỏng lặp đi lặp lại, những yêu cầu quan trọng là cho một giả
tạo số ngẫu nhiên mà tạo ra một dòng của các giá trị giữa 0.0
và 1.0. Biến tương quan yêu cầu chức năng bổ sung để đảm bảo rằng
giá trị lấy mẫu tương quan một cách chính xác. Sau khi một số lượng lớn các
mô phỏng, phân bố tần số và mối tương quan của các mẫu
dữ liệu phải phù hợp với các phân bố xác suất nhất định, và
kết quả sẽ là một phân phối tần số ổn định, phản ánh sự thay đổi của các
dữ liệu đầu vào và các hình thức của các chức năng phản ứng.