分析を設定する前に、現在の状況が何を含んでいるかの現実を覚えておいてください。
このメルトダウンは、地震や津波によって直接引き起こされたのではありません。それはバックアップ力の不足によるものでした。地震/津波に関係なく、十分なバックアップ力があれば、冷却水を流し続けることができ、メルトダウンは発生しませんでした。工場はおそらく今までに復旧して稼働しているでしょう。
日本には、何らかの理由で2つの電気周波数（50 Hzと60 Hz）があります。また、50 Hzのモーターを60 Hzで実行したり、その逆を行ったりすることはできません。したがって、プラントが使用/提供している周波数は、電源投入に必要な周波数です。「USタイプ」の機器は60 Hzで動作し、「ヨーロッパタイプ」の機器は50 Hzで動作するため、代替電源を提供する場合は、そのことに注意してください。
次に、その植物はかなり離れた山岳地帯にあります。外部電源を供給するには、別のエリアからの長い電力線（建設に数日/週が必要）または大型のガソリン/ディーゼル駆動の発電機が必要です。それらの発電機は十分に重いので、ヘリコプターでそれらを飛ばすことはオプションではありません。道路を地震/津波から遮断しているため、トラックでの輸送も問題になる可能性があります。それらを船で持ち込むことはオプションですが、日/週もかかります。
結論として、このプラントのリスク分析は、バックアップのレイヤーが（1つまたは2つだけではなく）いくつかないことに帰着します。そして、このリアクターは「アクティブデザイン」です。つまり、安全を維持するには電力が必要です。これらのレイヤーは贅沢ではなく、必須です。
これは古い植物です。新しいプラントはこのように設計されません。
編集（2011年3月19日）========================================== ====
Jプレスリー：あなたの質問に答えるには、用語の簡単な説明が必要です。
私のコメントで述べたように、これは「if」ではなく「いつ」の問題であり、大まかなモデルとして、ポアソン分布/プロセスを提案しました。ポアソンプロセスは、時間（または空間、またはその他の測定）の平均レートで発生する一連のイベントです。これらのイベントは互いに独立しており、ランダムです（パターンなし）。イベントは1つずつ発生します（2つ以上のイベントが完全に同時に発生するわけではありません）。これは基本的に、イベントが発生する確率が比較的低い二項状況（「イベント」または「イベントなし」）です。ここにいくつかのリンクがあります：
http://en.wikipedia.org/wiki/Poisson_process
http://en.wikipedia.org/wiki/Poisson_distribution
次に、データ。1952年以降のINESレベルの原子力事故のリストは次のとおりです。
http://en.wikipedia.org/wiki/Nuclear_and_radiation_accidents
私は19の事故を数え、9はINESレベルを述べています。INESレベルがない場合は、レベルがレベル1未満であることを前提として、レベル0を割り当てます。
したがって、これを定量化する1つの方法は、59年間で19件の事故です（59 = 2011 -1952）。それは19/59 = 0.322 acc / yrです。1世紀については、100年あたりの事故は32.2件です。ポアソンプロセスを仮定すると、次のグラフが得られます。
当初、私は事故の重大度について対数正規、ガンマ、または指数分布を提案しました。ただし、INESレベルは離散値として与えられるため、分布は離散である必要があります。幾何分布または負の二項分布のいずれかをお勧めします。以下がその説明です。
http://en.wikipedia.org/wiki/Negative_binomial_distribution
http://en.wikipedia.org/wiki/Geometric_distribution
どちらも同じくらいのデータに適合しますが、あまりよくありません（レベル0が1つ、レベル1が1つ、レベル2が0など）。
Fit for Negative Binomial Distribution
Fitting of the distribution ' nbinom ' by maximum likelihood
Parameters :
estimate Std. Error
size 0.460949 0.2583457
mu 1.894553 0.7137625
Loglikelihood: -34.57827 AIC: 73.15655 BIC: 75.04543
Correlation matrix:
size mu
size 1.0000000000 0.0001159958
mu 0.0001159958 1.0000000000
#====================
Fit for Geometric Distribution
Fitting of the distribution ' geom ' by maximum likelihood
Parameters :
estimate Std. Error
prob 0.3454545 0.0641182
Loglikelihood: -35.4523 AIC: 72.9046 BIC: 73.84904
幾何分布は単純な1パラメータ関数ですが、負の二項分布はより柔軟な2パラメータ関数です。私は柔軟性に加えて、負の二項分布がどのように導出されたかについての基礎となる仮定に加えます。以下は、当てはめられた負の二項分布のグラフです。
以下は、これらすべてのコードです。誰かが私の仮定やコーディングに問題を見つけた場合、それを指摘することを恐れないでください。結果を確認しましたが、これを実際に噛む時間はありませんでした。
library(fitdistrplus)
#Generate the data for the Poisson plots
x <- dpois(0:60, 32.2)
y <- ppois(0:60, 32.2, lower.tail = FALSE)
#Cram the Poisson Graphs into one plot
par(pty="m", plt=c(0.1, 1, 0, 1), omd=c(0.1,0.9,0.1,0.9))
par(mfrow = c(2, 1))
#Plot the Probability Graph
plot(x, type="n", main="", xlab="", ylab="", xaxt="n", yaxt="n")
mtext(side=3, line=1, "Poisson Distribution Averaging 32.2 Nuclear Accidents Per Century", cex=1.1, font=2)
xaxisdat <- seq(0, 60, 10)
pardat <- par()
yaxisdat <- seq(pardat$yaxp[1], pardat$yaxp[2], (pardat$yaxp[2]-pardat$yaxp[1])/pardat$yaxp[3])
axis(2, at=yaxisdat, labels=paste(100*yaxisdat, "%", sep=""), las=2, padj=0.5, cex.axis=0.7, hadj=0.5, tcl=-0.3)
mtext("Probability", 2, line=2.3)
abline(h=yaxisdat, col="lightgray")
abline(v=xaxisdat, col="lightgray")
lines(x, type="h", lwd=3, col="blue")
#Plot the Cumulative Probability Graph
plot(y, type="n", main="", xlab="", ylab="", xaxt="n", yaxt="n")
pardat <- par()
yaxisdat <- seq(pardat$yaxp[1], pardat$yaxp[2], (pardat$yaxp[2]-pardat$yaxp[1])/pardat$yaxp[3])
axis(2, at=yaxisdat, labels=paste(100*yaxisdat, "%", sep=""), las=2, padj=0.5, cex.axis=0.7, hadj=0.5, tcl=-0.3)
mtext("Cumulative Probability", 2, line=2.3)
abline(h=yaxisdat, col="lightgray")
abline(v=xaxisdat, col="lightgray")
lines(y, type="h", lwd=3, col="blue")
axis(1, at=xaxisdat, padj=-2, cex.axis=0.7, hadj=0.5, tcl=-0.3)
mtext("Number of Nuclear Accidents Per Century", 1, line=1)
legend("topright", legend=c("99% Probability - 20 Accidents or More", " 1% Probability - 46 Accidents or More"), bg="white", cex=0.8)
#Calculate the 1% and 99% values
qpois(0.01, 32.2, lower.tail = FALSE)
qpois(0.99, 32.2, lower.tail = FALSE)
#Fit the Severity Data
z <- c(rep(0,10), 1, rep(3,2), rep(4,3), rep(5,2), 7)
zdis <- fitdist(z, "nbinom")
plot(zdis, lwd=3, col="blue")
summary(zdis)
編集（2011年3月20日）========================================== ============
Jプレスリー：昨日はこれを終わらせられなくてごめんなさい。あなたはそれが週末、たくさんの義務である方法を知っています。
このプロセスの最後のステップは、ポアソン分布を使用してシミュレーションを組み立ててイベントがいつ発生するかを決定し、次に負の二項分布を使用してイベントの重大度を決定することです。1000組の「世紀のチャンク」を実行して、レベル0からレベル7のイベントの8つの確率分布を生成できます。時間があれば、シミュレーションを実行するかもしれませんが、今のところ、説明で説明する必要があります。多分これを読んでいる誰かがそれを実行するでしょう。それが完了すると、すべてのイベントが独立していると見なされる「基本ケース」ができます。
明らかに、次のステップは、上記の仮定の1つ以上を緩和することです。開始するのに簡単な場所は、ポアソン分布です。すべてのイベントは100％独立していると想定しています。いろいろな方法で変更できます。以下は、不均一ポアソン分布へのリンクです。
http://www.math.wm.edu/~leemis/icrsa03.pdf
http://filebox.vt.edu/users/pasupath/papers/nonhompoisson_streams.pdf
同じ考えが負の二項分布にも当てはまります。この組み合わせは、あらゆる種類のパスを導きます。ここではいくつかの例を示します。
http://surveillance.r-forge.r-project.org/
http://www.m-hikari.com/ijcms-2010/45-48-2010/buligaIJCMS45-48-2010.pdf
http://www.michaeltanphd.com/evtrm.pdf
一番下の行は、あなたが質問をしたところ、答えはどこまで行きたいかによって異なります。私の推測では、誰かがどこかで「回答」を生成するように依頼され、その作業にどれだけ時間がかかるかを驚かされるでしょう。
編集（2011年3月21日）========================================== ==========
上記のシミュレーションを一緒に平手打ちする機会がありました。結果を以下に示します。元のポアソン分布からのシミュレーションでは、INESレベルごとに1つずつ、8つのポアソン分布が提供されます。重大度レベルが上がる（INESレベル番号が上がる）につれて、1世紀あたりの予想イベント数は減少します。これは大雑把なモデルかもしれませんが、開始するには合理的な場所です。
