Существует три наиболее часто используемых метода статистической оценки рисков. Следует рассмотреть каждый из них в отдельности.
Марковский анализ
Марковский анализ – метод статистической оценки рисков, который был назван в честь русского математика Маркова А.А., которому также принадлежит обобщение закона больших чисел при зависимых случайных величинах.
Марковский анализ, или анализ состояний, используется при необходимости анализа сложных восстанавливаемых систем. Анализ применяется того, когда будущее состояние системы зависит от её нынешнего, текущего состояния. Начальными данными для использования метода являются список разнообразных состояний системы, подсистемы/компонента. Результатами или данными выхода являются вероятности пребывания системы в разных состояниях. Или, иными словами, оценка вероятности отказа либо безошибочной работы её компонентов, то есть самого риска.
Метод является довольно сложным для применения, но в результате анализа существует возможность получения количественных и точных выходных данных. Требования к качеству исходных данных, которые необходимы для анализа систем методом Марковского анализа, являются более всеобъемлющими по сравнению с остальными методами статистического анализа рисков. Но, по своему смыслу, метод является очевидным и простым для понимания, и для его применения не существует каких-либо специальных стандартов.
Моделирование методом Монте-Карло
Такой статистический метод оцени рисков, как моделирование методом Монте-Карло, используется для выявления изменений системы, которые появляются по причине изменений первоначальных входных данных и их взаимозависимости с выходными данными. Для модели, которая определят такую взаимосвязь между входными и выходными данными, и следует использовать данный анализ.
Входные данные, в соответствии с методом Монте-Карло, могут быть характеризованы как некие случайные величины с соответствующими распределениями и со свойственной им неопределенностью. Для оценки риска с помощью данного метода необходимо использовать треугольные распределения или бета-распределения.
Метод характеризуется высокой значимостью ресурсов и возможностей, но также и высокой сложностью выполнения. Моделирование представляет собой математическую методику, целью которой является учет риска для принятия решений. Областями применения моделирования могут служить финансы, энергетика, проектирование, страхование, транспорт и многие другие области. Иногда для завершения моделирования необходимы сотни расчетов, но такой способ позволяет в результате получить распределения значений для допустимых последствий.
Байесовский анализ
Данный статистический метод оценки рисков использует априорное распределение показателей для оценки вероятности результатов. Другими словами, это метод принятия решения, который основан на понимании априорного распределения вероятностей ненаблюдаемых характеристик и распределении результатов эксперимента при фиксированных значениях данных ненаблюдаемых характеристик. Точность результатов метода напрямую зависит от точности подобного априорного распределения. Сеть Байеса является основой для моделирования связей причин и следствий, основой чего, в свою очередь, является анализ вероятностных соотношений первоначальных данных «входа» и выходных данных или результатов.
Ресурсы и возможности, как воздействующий фактор анализа, имеют высокую значимость. Сложность выполнения Байесовского анализа может быть определена, как высокая, но при этом с помощью анализа является возможным получение точных количественных выходных оценок.
