2. ОПИСАНИЕ НЕОПРЕДЕЛЕННОСТЕЙ В ТЕОРИИ ПРИНЯТИЯ РЕШЕНИЙ

2.3.4. Интервальные данные в задачах оценивания параметров (на примере гамма-распределения)

Рассмотрим классическую в прикладной математической статистике параметрическую задачу оценивания. Исходные данные – выборка x 1 , x 2 , ..., x n , состоящая из n действительных чисел. В вероятностной модели простой случайной выборки ее элементы x 1 , x 2 , ..., x n считаются набором реализаций n независимых одинаково распределенных случайных величин. Будем считать, что эти величины имеют плотность f ( x ). В параметрической статистической теории предполагается, что плотность f ( x ) известна с точностью до конечномерного параметра, т.е., при некотором Это, конечно, весьма сильное предположение, которое требует обоснования и проверки; однако в настоящее время параметрическая теория оценивания широко используется в различных прикладных областях.

Все результаты наблюдений определяются с некоторой точностью, в частности, записываются с помощью конечного числа значащих цифр (обычно 2 – 5). Следовательно, все реальные распределения результатов наблюдений дискретны. Обычно считают, что эти дискретные распределения достаточно хорошо приближаются непрерывными. Уточняя это утверждение, приходим к уже рассматривавшейся модели, согласно которой статистику доступны лишь величины

y j = x j + j , j = 1, 2, ... , n ,

где x i – «истинные» значения, погрешности наблюдений (включая погрешности дискретизации). В вероятностной модели принимаем, что n пар

образуют простую случайную выборку из некоторого двумерного распределения, причем x 1 , x 2 , ..., x n - выборка из распределения с плотностью . Необходимо учитывать, что и - реализации зависимых случайных величин (если считать их независимыми, то распределение yi будет непрерывным, а не дискретным). Поскольку систематическую ошибку, как правило, нельзя полностью исключить , то необходимо рассматривать случай Нет оснований априори принимать и нормальность распределения погрешностей (согласно сводкам экспериментальных данных о разнообразии форм распределения погрешностей измерений, приведенным в и , в подавляющем большинстве случаев гипотеза о нормальном распределении погрешностей оказалась неприемлемой для средств измерений различных типов). Таким образом, все три распространенных представления о свойствах погрешностей не адекватны реальности. Влияние погрешностей наблюдений на свойства статистических моделей необходимо изучать на основе иных моделей, а именно, моделей интервальной статистики.

Пусть - характеристика величины погрешности, например, средняя квадратическая ошибка . В классической математической статистике считается пренебрежимо малой () при фиксированном объеме выборки n . Общие результаты доказываются в асимптотике . Таким образом, в классической математической статистике сначала делается предельный переход , а затем предельный переход . В статистике интервальных данных принимаем, что объем выборки достаточно велик (), но всем измерениям соответствует одна и та же характеристика погрешности . Полезные для анализа реальных данных предельные теоремы получаем при . В статистике интервальных данных сначала делается предельный переход , а затем предельный переход . Итак, в обеих теориях используются одни и те же два предельных перехода: и , но в разном порядке. Утверждения обеих теорий принципиально различны.

Изложение ниже идет на примере оценивания параметров гамма-распределения, хотя аналогичные результаты можно получить и для других параметрических семейств, а также для задач проверки гипотез (см. ниже) и т.д. Наша цель – продемонстрировать основные черты подхода статистики интервальных данных. Его разработка была стимулирована подготовкой ГОСТ 11.011-83 .

Отметим, что постановки статистики объектов нечисловой природы соответствуют подходу, принятому в общей теории устойчивости . В соответствии с этим подходом выборке x = (x 1 , x 2 , ..., x n ) ставится в соответствие множество допустимых отклонений G (x ), т.е. множество возможных значений вектора результатов наблюдений y = (y 1 , y 2 , ..., y n ). Если известно, что абсолютная погрешность результатов измерений не превосходит , то множество допустимых отклонений имеет вид

Если известно, что относительная погрешность не превосходит , то множество допустимых отклонений имеет вид

Теория устойчивости позволяет учесть «наихудшие» отклонения, т.е. приводит к выводам типа минимаксных, в то время как конкретные модели погрешностей позволяют делать заключения о поведении статистик «в среднем».

Оценки параметров гамма-распределения. Как известно, случайная величина Х имеет гамма-распределение, если ее плотность такова :

где a – параметр формы, b – параметр масштаба, - гамма-функция. Отметим, что есть и иные способы параметризации семейства гамма-распределений .

Поскольку M (X ) = ab , D (X ) = ab 2 , то оценки метода имеют вид

где - выборочное среднее арифметическое, а s 2 – выборочная дисперсия. Можно показать, что при больших n

с точностью до бесконечно малых более высокого порядка.

Оценка максимального правдоподобия a * имеет вид :

(12)

где - функция, обратная к функции

При больших n

Как и для оценок метода моментов, оценка максимального правдоподобия b * параметра масштаба имеет вид

При больших n с точностью до бесконечно малых более высокого порядка

Используя свойства гамма-функции, можно показать , что при больших а

с точностью до бесконечно малых более высокого порядка. Сравнивая с формулами (11), убеждаемся в том, что средние квадраты ошибок для оценок метода моментов больше соответствующих средних квадратов ошибок для оценок максимального правдоподобия. Таким образом, с точки зрения классической математической статистики оценки максимального правдоподобия имеют преимущество по сравнению с оценками метода моментов.

Необходимость учета погрешностей измерений. Положим

Из свойств функции следует , что при малых v

В силу состоятельности оценки максимального правдоподобия a * из формулы (13) следует, что по вероятности при

Согласно модели статистики интервальных данных результатами наблюдений являются не x i , а y i , вместо v по реальным данным рассчитывают

(14)

В силу закона больших чисел при достаточно малой погрешности , обеспечивающей возможность приближения для слагаемых в формуле (14), или, что эквивалентно, при достаточно малых предельной абсолютной погрешности в формуле (1) или достаточно малой предельной относительной погрешности имеем при

по вероятности (в предположении, что все погрешности одинаково распределены). Таким образом, наличие погрешностей вносит сдвиг, вообще говоря, не исчезающий при росте объема выборки. Следовательно, если то оценка максимального правдоподобия не является состоятельной. Имеем

где величина a *(y ) определена по формуле (12) с заменой x i на y i , i =1,2,…,n . Из формулы (13) следует , что

т.е. влияние погрешностей измерений увеличивается по мере роста а .

Из формул для v и w следует, что с точностью до бесконечно малых более высокого порядка

(16)

С целью нахождения асимптотического распределения w выделим, используя формулу (16) и формулу для v , главные члены в соответствующих слагаемых

Таким образом, величина w представлена в виде суммы независимых одинаково распределенных случайных величин (с точностью до зависящего от случая остаточного члена порядка 1/n ). В каждом слагаемом выделяются две части – одна, соответствующая Мб и вторая, в которую входят На основе представления (17) можно показать, что при распределения случайных величин v и w асимптотически нормальны, причем

Из асимптотического совпадения дисперсий v и w , вида параметров асимптотического распределения (при ) оценки максимального правдоподобия a * и формулы (15) вытекает одно из основных соотношений статистики интервальных данных

(18)

Соотношение (18) уточняет утверждение о несостоятельности a *. Из него следует также, что не имеет смысла безгранично увеличивать объем выборки n с целью повышения точности оценивания параметра а , поскольку при этом уменьшается только второе слагаемое в (18), а первое остается постоянным.

В соответствии с общим подходом статистики интервальных данных в стандарте предлагается определять рациональный объем выборки n rat определять из условия «уравнивания погрешностей» (предложено в монографии ) различных видов в формуле (18), т.е. из условия

Упрощая это уравнение в предположении получаем, что

Согласно сказанному выше, целесообразно использовать лишь выборки с объемами . Превышение рационального объема выборки не дает существенного повышения точности оценивания.

Применение методов теории устойчивости. Найдем асимптотическую нотну. Как следует из вида главного линейного члена в формуле (17), решение оптимизационной задачи

соответствующей ограничениям на абсолютные погрешности, имеет вид

Однако при этом пары не образуют простую случайную выборку, т.к. в выражения для входит . Однако при можно заменить на М(х 1). Тогда получаем, что

при a >1, где

Таким образом, с точностью до бесконечно малых более высокого порядка нотна имеет вид

Применим полученные результаты к построению доверительных интервалов. В постановке классической математической статистики (т.е. при ) доверительный интервал для параметра формы а , соответствующий доверительной вероятности , имеет вид

где - квантиль порядка стандартного нормального распределения с математическим ожиданием 0 и дисперсией 1,

В постановке статистики интервальных данных (т.е. при ) следует рассматривать доверительный интервал

в вероятностной постановке (пары образуют простую случайную выборку) и в оптимизационной постановке. Как в вероятностной, так и в оптимизационной постановках длина доверительного интервала не стремится к 0 при

Если ограничения наложены на предельную относительную погрешность, задана величина , то значение с можно найти с помощью следующих правил приближенных вычислений .

(I) Относительная погрешность суммы заключена между наибольшей и наименьшей из относительных погрешностей слагаемых.

(II) Относительная погрешность произведения и частного равна сумме относительных погрешностей сомножителей или, соответственно, делимого и делителя.

Можно показать, что в рамках статистики интервальных данных с ограничениями на относительную погрешность правила (I) и (II) являются строгими утверждениями при

Обозначим относительную погрешность некоторой величины t через ОП(t ), абсолютную погрешность – через АП(t ).

Из правила (I) следует, что ОП() = , а из правила (II) – что

Поскольку рассмотрения ведутся при то в силу неравенства Чебышева

по вероятности при поскольку и числитель, и знаменатель в (19) с близкой к 1 вероятностью лежат в промежутке где константа d может быть определена с помощью упомянутого неравенства Чебышева.

Поскольку при справедливости (19) с точностью до бесконечно малых более высокого порядка

то с помощью трех последних соотношений имеем

(20)

Применим еще одно правило приближенных вычислений .

(III) Предельная абсолютная погрешность суммы равна сумме предельных абсолютных погрешностей слагаемых.

Из (20) и правила (III) следует, что

Из (15) и (21) вытекает , что

откуда в соответствии с ранее полученной формулой для рационального объема выборки с заменой получаем, что

В частности, при a = 5,00, = 0,01 получаем т.е. в ситуации, в которой были получены данные о наработке резцов до предельного состояния , проводить более 50 наблюдений нерационально.

В соответствии с ранее проведенными рассмотрениями асимптотический доверительный интервал для a , соответствующий доверительной вероятности = 0,95, имеет вид

В частности, при имеем асимптотический доверительный интервал вместо при

При больших а в силу соображений, приведенных при выводе формулы (19), можно связать между собой относительную и абсолютную погрешности результатов наблюдений x i :

(21)

Следовательно, при больших а имеем

Таким образом, проведенные рассуждения дали возможность вычислить асимптотику интеграла, задающего величину А .

Сравнение методов оценивания. Изучим влияние погрешностей измерений (с ограничениями на абсолютную погрешность) на оценку метода моментов. Имеем

Погрешность s 2 зависит от способа вычисления s 2 . Если используется формула

(22)

то необходимо использовать соотношения

По сравнению с анализом влияния погрешностей на оценку а* здесь возникает новый момент – необходимость учета погрешностей в случайной составляющей отклонения оценки от оцениваемого параметра, в то время как при рассмотрении оценки максимального правдоподобия погрешности давали лишь смещение. Примем в соответствии с неравенством Чебышева

(23)

Если вычислять s 2 по формуле

(24)

то аналогичные вычисления дают, что

т.е. погрешность при больших а существенно больше. Хотя правые части формул (22) и (24) тождественно равны, но погрешности вычислений по этим формулам весьма отличаются. Связано это с тем, что в формуле (24) последняя операция – нахождение разности двух больших чисел, примерно равных по величине (для выборки из гамма-распределения при большом значении параметра формы).

Из полученных результатов следует, что

При выводе этой формулы использована линеаризация влияния погрешностей (выделение главного линейного члена). Используя связь (21) между абсолютной и относительной погрешностями, можно записать

Эта формула отличается от приведенной в

а

б) для повышения точности оценивания объем выборки целесообразно безгранично увеличивать;

в) оценки максимального правдоподобия лучше оценок метода моментов,

то в статистике интервальных данных, учитывающей погрешности измерений, соответственно:

а) не существует состоятельных оценок: для любой оценки a n существует константа с такая, что

б) не имеет смысла рассматривать объемы выборок, большие «рационального объема выборки»

в) оценки метода моментов в обширной области параметров лучше оценок максимального правдоподобия, в частности, при и при

Ясно, что приведенные выше результаты справедливы не только для рассмотренной задачи оценивания параметров гамма-распределения, но и для многих других постановок прикладной математической статистики.

Метрологические, методические, статистические и вычислительные погрешности. Целесообразно выделить ряд видов погрешностей статистических данных. Погрешности, вызванные неточностью измерения исходных данных, называем метрологическими. Их максимальное значение можно оценить с помощью нотны. Впрочем, выше на примере оценивания параметров гамма-распределения показано, что переход от максимального отклонения к реально имеющемуся в вероятностно-статистической модели не меняет выводы (с точностью до умножения предельных значений погрешностей или на константы). Как правило, метрологические погрешности не убывают с ростом объема выборки.

Методические погрешности вызваны неадекватностью вероятностно-статистической модели, отклонением реальности от ее предпосылок. Неадекватность обычно не исчезает при росте объема выборки. Методические погрешности целесообразно изучать с помощью «общей схемы устойчивости» , обобщающей популярную в теории робастных статистических процедур модель засорения большими выбросами. В настоящей главе методические погрешности не рассматриваются.

Статистическая погрешность – это та погрешность, которая традиционно рассматривается в математической статистике. Ее характеристики – дисперсия оценки, дополнение до 1 мощности критерия при фиксированной альтернативе и т.д. Как правило, статистическая погрешность стремится к 0 при росте объема выборки.

Вычислительная погрешность определяется алгоритмами расчета, в частности, правилами округления. На уровне чистой математики справедливо тождество правых частей формул (22) и (24), задающих выборочную дисперсию s 2 , а на уровне вычислительной математики формула (22) дает при определенных условиях существенно больше верных значащих цифр, чем вторая .

Выше на примере задачи оценивания параметров гамма-распределения рассмотрено совместное действие метрологических и вычислительных погрешностей, причем погрешности вычислений оценивались по классическим правилам для ручного счета . Оказалось, что при таком подходе оценки метода моментов имеют преимущество перед оценками максимального правдоподобия в обширной области изменения параметров. Однако, если учитывать только метрологические погрешности, как это делалось выше в примерах 1-5, то с помощью аналогичных выкладок можно показать, что оценки этих двух типов имеют (при достаточно больших n ) одинаковую погрешность.

Вычислительную погрешность здесь подробно не рассматриваем. Ряд интересных результатов о ее роли в статистике получили Н.Н.Ляшенко и М.С.Никулин .

В этой статье описаны синтаксис формулы и использование функции ГАММА.РАСПП в Microsoft Excel.

Возвращает гамма-распределение. Эту функцию можно использовать для изучения переменных, которые имеют асимметричное распределение. Гамма-распределение широко используется при анализе систем массового обслуживания.

Синтаксис

ГАММА.РАСП(x;альфа;бета;интегральная)

Аргументы функции ГАММА.РАСП описаны ниже.

x - обязательный аргумент. Значение, для которого требуется вычислить распределение.

Альфа - обязательный аргумент. Параметр распределения.

Бета - обязательный аргумент. Параметр распределения. Если аргумент "бета" = 1, функция ГАММА.РАСП возвращает стандартное гамма-распределение.

Интегральная - обязательный аргумент. Логическое значение, определяющее форму функции. Если аргумент "интегральная" имеет значение ИСТИНА, функция ГАММА.РАСП возвращает интегральную функцию распределения; если этот аргумент имеет значение ЛОЖЬ, возвращается функция плотности распределения вероятности.

Замечания

Пример

Скопируйте образец данных из следующей таблицы и вставьте их в ячейку A1 нового листа Excel. Чтобы отобразить результаты формул, выделите их и нажмите клавишу F2, а затем - клавишу ВВОД. При необходимости измените ширину столбцов, чтобы видеть все данные.

Неотрицательная случайная величина имеет гамма-распределение , если ее плотность распределения выражается формулой

где и , – гамма-функция:

Таким образом, гамма-распределение является двухпараметрическим распределением, оно занимает важное место в математической статистике и теории надежности. Это распределение имеет ограничение с одной стороны .

Если параметр формы кривой распределения – целое число, то гамма-распределение описывает время, необходимое для появления событий (отказов), при условии, что они независимы и появляются с постоянной интенсивностью .

В большинстве случаев это распределение описывает наработку системы с резервированием отказов стареющих элементов, время восстановления системы с резервированием отказов стареющих элементов, время восстановления системы и т. д. При различных количественных значениях параметров гамма-распределение принимает самые разнообразные формы, что и объясняет его широкое применение.

Плотность вероятности гамма-распределения определяется равенством, если

Функция распределения . (9)

Заметим, что функция надежности выражается формулой:

Гамма-функция обладает свойствами: , , (11)

откуда следует, что если – целое неотрицательное число, то

Кроме того, нам в последующем потребуется еще одно свойство гамма-функции: ; . (13)

Пример. Восстановление радиоэлектронной аппаратуры подчиняется закону гамма-распределения с параметрами и . Определить вероятность восстановления аппаратуры за час.

Решение. Для определения вероятности восстановления воспользуемся формулой (9) .

Для целых положительных значений функции , а при .

Если перейти к новым переменным, значения которых будут выражены ; , то получим табличный интеграл:

В этом выражении решение интеграла в правой части можно определить по той же формуле:

а при будет

При и новые переменные будут равны и , а сам интеграл будет равен

Значение функции будет равно

Найдем числовые характеристики случайной величины , подчиненной гамма-распределению

В соответствии с равенством (13) получим . (14)

Второй начальный момент найдем по формуле

откуда . (15)

Заметим, что при интенсивность отказов монотонно убывает, что соответствует периоду приработки изделия. При интенсивность отказов возрастает, что характеризует период изнашивания и старения элементов.

При гамма-распределение совпадает с экспоненциальным распределением, при гамма-распределение приближается к нормальному закону. Если принимает значения произвольных целых положительных чисел, то такое гамма-распределение называют распределением Эрланга -го порядка :

Здесь достаточно лишь указать, что закону Эрланга -го порядка подчинена сумма независимых случайных величин , каждая из которых распределена по показательному закону с параметром . Закон Эрланга -го порядка тесно связан со стационарным пуассоновским (простейшим) потоком с интенсивностью .

Действительно, пусть имеется такой поток событий во времени (рис. 6).

Рис. 6. Графическое представление пуассоновского потока событий во времени

Рассмотрим интервал времени , состоящий из суммы интервалов между событиями в таком потоке. Можно доказать, что случайная величина будет подчинена закону Эрланга -го порядка.

Плотность распределения случайной величины , распределенной по закону Эрланга -го порядка, может быть выражена через табличную функцию распределения Пуассона:

Если значение кратно и , то гамма-распределение совпадает с распределением хи-квадрат .

Заметим, что функцию распределения случайной величины можно вычислить по следующей формуле:

где определяются выражениями (12) и (13).

Следовательно, имеют место равенства, которые нам в дальнейшем пригодятся:

Пример. Поток производимых на конвейере изделий является простейшим с параметром . Все производимые изделия контролируются, бракованные укладываются в специальный ящик, в котором помещается не более изделий, вероятность брака равна . Определить закон распределения времени заполнения ящика бракованными изделиями и величину , исходя из того, чтобы ящик с вероятностью не переполнялся в течение смены.

Решение. Интенсивность простейшего потока бракованных изделий будет . Очевидно, что время заполнения ящика бракованными изделиями распределено по закону Эрланга

с параметрами и :

следовательно (18) и (19): ; .

Число бракованных изделий за время будет распределено по закону Пуассона с параметром . Следовательно, искомое число нужно находить из условия . (20)

Например, при [изделие/ч]; ; [ч]

из уравнения при

Случайная величина, имеющая распределение Эрланга, обладает следующими числовыми характеристиками (табл. 6).

Таблица 6

Заметим, что случайная величина, имеющая нормированное распределение Эрланга -го порядка, обладает следующими числовыми характеристиками (табл. 7).

Таблица 7

Равномерное распределение. Непрерывная величина Х распределена равномерно на интервале (a , b ), если все ее возможные значения находятся на этом интервале и плотность распределения вероятностей постоянна:

Для случайной величины Х , равномерно распределенной в интервале (a , b ) (рис. 4), вероятность попадания в любой интервал (x 1 , x 2 ), лежащий внутри интервала (a , b ), равна:

(30)


Рис. 4. График плотности равномерного распределения

Примерами равномерно распределенных величин являются ошибки округления. Так, если все табличные значения некоторой функции округлены до одного и того же разряда , то выбирая наугад табличное значение, мы считаем, что ошибка округления выбранного числа есть случайная величина, равномерно распределенная в интервале

Показательное распределение. Непрерывная случайная величина Х имеет показательное распределение

(31)

График плотности распределения вероятностей (31) представлен на рис. 5.

Рис. 5. График плотности показательного распределения

Время Т безотказной работы компьютерной системы есть случайная величина, имеющая показательное распределение с параметром λ , физический смысл которого – среднее число отказов в единицу времени, не считая простоев системы для ремонта.

Нормальное (гауссово) распределение. Случайная величина Х имеет нормальное (гауссово) распределение , если плотность распределения ее вероятностей определяется зависимостью:

(32)

где m = M (X ) , .

При нормальное распределение называется стандартным .

График плотности нормального распределения (32) представлен на рис. 6.

Рис. 6. График плотности нормального распределения

Нормальное распределение является наиболее часто встречающимся в различных случайных явлениях природы. Так, ошибки выполнения команд автоматизированным устройством, ошибки вывода космического корабля в заданную точку пространства, ошибки параметров компьютерных систем и т.д. в большинстве случаев имеют нормальное или близкое к нормальному распределение. Более того, случайные величины, образованные суммированием большого количества случайных слагаемых, распределены практически по нормальному закону.

Гамма-распределение. Случайная величина Х имеет гамма-распределение , если плотность распределения ее вероятностей выражается формулой:

(33)

где – гамма-функция Эйлера.

THE PRACTICE OF APPLYING GAMMA DISTRIBUTION THE THEORY OF RELIABILITY OF TECHNICAL SYSTEMS

Ruslan Litvinenko

candidate of technical sciences, docent, associate professor at the sub-department of electrotechnical complexes and systems, Kazan state power engineering university,

Russia, Republic of Tatarstan, Kazan

Aleksandr Jamshhikov

master student ,

Russia, Republic of Tatarstan, Kazan

Aleksej Bagaev

master student Kazan state power engineering university ,

Russia, Republic of Tatarstan, Kazan

АННОТАЦИЯ

В практике эксплуатации технических систем в большинстве случаев приходится иметь дело с вероятностными (случайными) процессами, когда функция отражает аргумент с некоторой вероятностью. В условиях неопределенности информации о законе распределения времени наступления отказов вследствие малых объемов статистических данных, что как правило бывает на начальных этапах разработки техники, исследователю приходится принимать решение о выборе априорной модели надежности, исходя из опыта предыдущей эксплуатации прототипов или аналогов. Систематизация информации о практическом использовании основных распределений при прогнозировании и оценке надежности различных технических систем является актуальной научной задачей.

В основе изложенного материала лежит систематизация информации опубликованной литературе, и представляющая анализ результатов модельных и экспериментальных исследований надежности техники, а также статистические данные полученные в ходе эксплуатации.

Представленная теоретическая информация о применении гамма-распределения в теории надежности может быть использована в качестве первого приближения, и подлежит обязательному уточнению, с использованием различных критериев проверки гипотез, по мере увеличения объема статистических данных в ходе последующих испытаний.

Надо иметь достаточно оснований для применения экспоненциального закона распределения, как и любого другого. Поэтому статья может быть полезна исследователям на ранних этапах разработки или модернизации технической системы, в качестве априорной информации для построения моделей и критериев, используемых для обеспечения и контроля надежности.

ABSTRACT

In practice, operation of technical systems in most cases have to deal with stochastic (random) processes, when the function reflects the argument with a certain probability. In the face of uncertainty about the law of distribution of time of occurrence of failures due to small amounts of statistical data, which usually happens in the initial stages of technology development, the researcher has to decide on the choice of prior model reliability based on previous operating experience of prototypes or analogues. Systematization of information on the practical use of basic distributions in forecasting and assessing the reliability of various technical systems is an important scientific task.

In the above material is the systematization of the information published in literature, and representing the analysis results of model and experimental studies of reliability of equipment, as well as statistical data obtained during operation.

Presents theoretical information on the use of gamma distribution in the theory of reliability can be used as a first approximation and is subject to obligatory specification, using different criteria of testing hypotheses, increasing the volume of statistical data in subsequent tests.

It is necessary to have sufficient grounds for application of exponential distribution law, like any other. Therefore, the article may be useful for researchers in the early stages of development or modernization of technical systems, as a priori information to build the models and criteria used to ensure and control the reliability.

Ключевые слова: надежность, распределение, наработка, вероятность, плотность, этап, математическое ожидание.

Keywords: reliability, distribution, operation time, probability, density of distribution, stage, expected value.

Для описания отказов системы могут быть предложены модели, предназначенные для решения различных задач надежности и по-разному учитывающие комплекс факторов, присущих характеру отказов.

Случайный характер возникновения отказов в процессе эксплуатации технических систем и их элементов позволяет применять в их описании вероятностно-статистические методы. Наиболее распространенными являются модели отказов, основанные на распределении соответствующих случайных величин – наработок до отказа невосстанавливаемых объектов и наработок между отказами восстанавливаемых объектов.

В качестве основных видов распределения наработок изделий до отказа следует выделить :

• экспоненциальное;
• Вейбулла-Гнеденко;
• гамма;
• логарифмически-нормальное;
• нормальное.

В результате обзора литературы в области надежности технических систем дана оценка практического применения гамма-распределения при исследовании различных технических объектов. На основе проведенного анализа можно подобрать подходящее априорное распределение соответствующего критерия или показателя надежности.

Гамма-распределение имеет двухпараметрическую плотность с параметром формы и параметром масштаба :

.

Вероятность безотказной работы определяется по формуле:

,

где: – гамма-функция;

– неполная гамма-функция.

Математическое ожидание (среднее время безотказной работы) и среднее квадратическое отклонение для гамма-распределения равны:

.

Формула для интенсивности отказов следующая:

.

Гамма-распределение служит для описания износовых отказов; отказов вследствие накопления повреждений; описания наработки сложной технической системы с резервными элементами; распределения времени восстановления ; а также может быть использовано при рассмотрении долговечности (ресурса) некоторых технических объектов .

Гамма-распределение обладает рядом полезных свойств:

На основании вышесказанного можно сделать вывод, что гамма-распределение допустимо использовать на всех участках жизненного цикла: приработки (), нормальной эксплуатации () и старения () .

Исходя из , в задачах, которые решаются в терминах преобразования Лапласа, гамма-распределением удобно аппроксимировать реальные распределения.

В приводится следующее определение: гамма-распределение – характеристика времени возникновения отказов в сложных электромеханических системах в тех случаях, когда имеют место мгновенные отказы элементов на начальной стадии эксплуатации или в процессе отладки системы, то есть является удобной характеристикой времени возникновения отказов аппаратуры в процессе ее приработки.

Для сложных технических систем, состоящих из элементов, у которых вероятность безотказной работы имеет показательное распределение, вероятность безотказной работы системы в целом будет иметь гамма-распределение.

Распределение времени возникновения отказов сложной технической системы с резервом замещением (при условии, что потоки отказов основной системы и всех резервных простейшие) также может быть описано гамма-распределением . Аналогичным образом в случае ненагруженного или смешанного резервирования вероятность безотказной работы системы подчиняется обобщенному гамма-распределению.

В заключение необходимо отметить, что при решении отдельных задач также применяют специальные виды (их несколько десятков), а также дискретные распределения, которые в рамках данной статьи не рассматривались. При этом между распределениями существуют различные взаимные переходы и связи. Несмотря на существующие критерии согласия выбранного теоретического и эмпирического распределения, они все дают ответ на вопрос: есть или нет достаточно серьезных оснований отвергнуть гипотезу о выбранном распределении? Авторами замечено, что любые данные можно подогнать под многопараметрический закон, даже если он не будет соответствовать реальным физическим явлениям . Таким образом, при выборе вида распределения и его параметров необходимо прежде всего учитывать физическую сущность происходящих процессов и событий.

Список литературы:

1. ГОСТ Р.27.001-2009. Надежность в технике. Модели отказов. – М.: Стандартинформ, 2010. – 16 с.
2. Герцбах И.Б., Кордонский Х.Б. Модели отказов / под ред. Б.В. Гнеденко. – М.: Советское радио, 1966. – 166 с.
3. Гнеденко Б.В. Вопросы математической теории надежности. – М.: Радио и связь,1983. – 376 с.
4. Каштанов В.Н., Медведев А.И. Теория надежности сложных систем: уч.пособие – М.: ФИЗМАТЛИТ, 2010. – 609 с.
5. Литвиненко Р.С. Имитационная модель процесса функционирования электротехнического комплекса с учетом надежности его элементов // Журнал «Надежность». – 2016. – № 1 (56) – С. 46–54.
6. Литвиненко Р.С., Идиятуллин Р.Г., Киснеева Л.Н. Оценка надежности гибридного транспортного средства на этапе разработки // Журнал «Транспорт: наука, техника, управление». – 2016. – № 2 – С. 34–40.
7. Машиностроение: энциклопедия в 40 т. Т. IV-3: Надежность машин / В.В. Клюев, В.В. Болотин, Ф.Р. Соснин и др.; под общ. ред. В.В. Клюева. – М.: Машиностроение, 2003. – 592 с.
8. Труханов В.М. Надежность технических систем типа подвижных установок на этапе проектирования и испытания опытных образцов: научное издание – М.: Машиностроение, 2003. – 320 с.
9. Хазов Б.Ф., Дидусев Б.А. Справочник по расчету надежности машин на стадии проектирования. – М.: Машиностроение, 1986. – 224 с.
10. Черкесов Г.Н. Надежность аппаратно-программных комплексов: учеб. пособие. – СПб.: Питер, 2005. – 479 с.