Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Quantification of Model Uncertainty Based on Variance and Entropy of Bernoulli Distribution

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26110%2F22%3APU147154" target="_blank" >RIV/00216305:26110/22:PU147154 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://www.mdpi.com/2227-7390/10/21/3980" target="_blank" >https://www.mdpi.com/2227-7390/10/21/3980</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.3390/math10213980" target="_blank" >10.3390/math10213980</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Quantification of Model Uncertainty Based on Variance and Entropy of Bernoulli Distribution

  • Popis výsledku v původním jazyce

    This article studies the role of model uncertainties in sensitivity and probability analysis of reliability. The measure of reliability is failure probability. The failure probability is analysed using the Bernoulli distribution with binary outcomes of success (0) and failure (1). Deeper connections between Shannon entropy and variance are explored. Model uncertainties increase the heterogeneity in the data 0 and 1. The article proposes a new methodology for quantifying model uncertainties based on the equality of variance and entropy. This methodology is briefly called "variance = entropy". It is useful for stochastic computational models without additional information. The "variance = entropy" rule estimates the "safe" failure probability with the added effect of model uncertainties without adding random variables to the computational model. Case studies are presented with seven variants of model uncertainties that can increase the variance to the entropy value. Although model uncertainties are justified in the assessment of reliability, they can distort the results of the global sensitivity analysis of the basic input variables. The solution to this problem is a global sensitivity analysis of failure probability without added model uncertainties. This paper shows that Shannon entropy is a good sensitivity measure that is useful for quantifying model uncertainties.

  • Název v anglickém jazyce

    Quantification of Model Uncertainty Based on Variance and Entropy of Bernoulli Distribution

  • Popis výsledku anglicky

    This article studies the role of model uncertainties in sensitivity and probability analysis of reliability. The measure of reliability is failure probability. The failure probability is analysed using the Bernoulli distribution with binary outcomes of success (0) and failure (1). Deeper connections between Shannon entropy and variance are explored. Model uncertainties increase the heterogeneity in the data 0 and 1. The article proposes a new methodology for quantifying model uncertainties based on the equality of variance and entropy. This methodology is briefly called "variance = entropy". It is useful for stochastic computational models without additional information. The "variance = entropy" rule estimates the "safe" failure probability with the added effect of model uncertainties without adding random variables to the computational model. Case studies are presented with seven variants of model uncertainties that can increase the variance to the entropy value. Although model uncertainties are justified in the assessment of reliability, they can distort the results of the global sensitivity analysis of the basic input variables. The solution to this problem is a global sensitivity analysis of failure probability without added model uncertainties. This paper shows that Shannon entropy is a good sensitivity measure that is useful for quantifying model uncertainties.

Klasifikace

  • Druh

    J<sub>imp</sub> - Článek v periodiku v databázi Web of Science

  • CEP obor

  • OECD FORD obor

    10103 - Statistics and probability

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/GA20-01734S" target="_blank" >GA20-01734S: Pravděpodobnostně orientovaná globální citlivostní měření konstrukční spolehlivosti</a><br>

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Ostatní

  • Rok uplatnění

    2022

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    Mathematics

  • ISSN

    2227-7390

  • e-ISSN

  • Svazek periodika

    10

  • Číslo periodika v rámci svazku

    21

  • Stát vydavatele periodika

    CH - Švýcarská konfederace

  • Počet stran výsledku

    19

  • Strana od-do

    1-19

  • Kód UT WoS článku

    000882301000001

  • EID výsledku v databázi Scopus

    2-s2.0-85141695110