Главная страница
Навигация по странице:

  • Гнеденко-Вейбулла

  • Модели и методы. Модели и методы построения вероятностно статистических оценок для мониторинга показателей надёжности в диспетчерском управлении транспортом газа


    Скачать 3.85 Mb.
    НазваниеМодели и методы построения вероятностно статистических оценок для мониторинга показателей надёжности в диспетчерском управлении транспортом газа
    АнкорМодели и методы
    Дата06.03.2022
    Размер3.85 Mb.
    Формат файлаpdf
    Имя файлаds04_15_rusev_main.pdf
    ТипДиссертация
    #384628
    страница5 из 12
    1   2   3   4   5   6   7   8   9   ...   12
    1938 года, будучи доцентом кафедры теории вероятностей механико-математического факультета МГУ, Б.В. Гнеденко работал над задачами построения асимптотических распределений максимального члена вариационного ряда ив начале июня 1941 года защитил докторскую диссертацию, включавшую в себя, в том числе, эту тему. В 1943 г. классическая работа Б.В.

    47
    Гнеденко, положившая начало целому направлению в теории вероятностей, была издана только на французском языке [135]. Поэтому (вслед замы будем использовать термин распределение Гнеденко–Вейбулла»
    . Позже В. Вейбулл
    [150] призывал активно использовать данное распределение в теории надёжности и контроле качества ввиду достаточной гибкости моделирования различных возникающих на практике форм функции интенсивности отказов, которая будет рассмотрена в дальнейшем в работе. Как отмечается в [22] примерно половина всех работ по статистическим методам в надёжности за 1967-1980 гг. была посвящена распределению Гнеденко-Вейбулла. Таким образом, начиная с х годов прошлого века, распределение Гнеденко-Вейбулла использовалось в весьма обширном спектре прикладных задач из самых разных областей знаний таки и нашло чрезвычайно широкое применение в машиностроении,
    приборостроении,
    радиоэлектронике. Приведем только некоторые из тем исследований, в которых применялся анализ данных на основе распределения Гнеденко-Вейбулла: моделирование скорости ветра над океаном, обобщенная модель массового отравления, моделирование сроков хранения продукции в фармакологии, описание человеческого поведения, изучение моделей продолжительности промышленных кризисов, динамические модели течения этнополитических конфликтов, задачи об оффшорных торгах по аренде нефтяных и газовых месторождений, оценивание влияния температуры на прорастание люцерны, описание процессов ползучести материалов, изучение проблем надёжности нефтепромыслового оборудования [7,
    46, 59, 77, 141, 143]. Можно с полной уверенностью сказать, что распределение Гнеденко-
    Вейбулла является одним из трех (наряду с лог-нормальным и гамма- распределением, которые используются в современной практике для аппроксимации распределений различных односторонне ограниченных случайных величин [17]. Также интересно отметить, что история возникновения и развития распределение Гнеденко-Вейбулла удивительным образом пересекается с историей и этапами формирования самой теории надёжности. Примерно водно время появились (начало х годов XX века, стали бурно использоваться и развиваться в е годы. Приведем достаточно наглядную модель возникновения распределения

    Гнеденко-Вейбулла (которое будем в дальнейшем обозначать как , )
    GW
     
    ): так называемую модель слабого звена см. [87]). Пусть имеется последовательная цепь, состоящая из большого числа
    n
    звеньев. Допустим, что прочности отдельных звеньев можно трактовать как реализации
    n
    независимых, одинаково распределенных неотрицательных случайных величин
    1
    ,...,
    n
    X
    X
    . На оба конца цепи подается равномерно возрастающая нагрузка, и фиксируется напряжение, при котором происходит разрыв цепи. Очевидно, что это напряжение равнопрочности наислабейшего звена цепи (разрыв происходит, когда рвется самое слабое звено, поэтому его можно трактовать как реализацию случайной величины
    1 Если ( )
    F x − функция распределения каждой из
    k
    X
    ,
    1,...,
    k
    n
    =
    , то функция распределения
    ( )
    n
    G x
    для
    n
    X находится следующим образом (в силу независимости и одинаковой распределённости случайных величин
    1
    ,...,
    n
    X
    X
    ):
    1
    ( )
    (
    ) 1
    (
    ) 1
    (
    ,...,
    )
    n
    n
    n
    n
    G x
    P X
    x
    P X
    x
    P X
    x
    X
    x
    =

    = −

    = −


    =
    1 1
    (
    ) 1 (1
    ( )) .
    n
    n
    k
    k
    P X
    x
    F x
    =
    = −

    = − В технических приложениях, при больших
    n
    , как правило, вместо
    ( )
    n
    G будет использоваться ее асимптотическое представление. Однако, при каждом фиксированном положительном
    x
    очевидно, что lim
    ( ) 1
    n
    n
    G x
    →
    = . Поэтому необходимо провести нормировку
    n
    X по аналогии стем, как это делается в центральной предельной теореме из классической теории вероятностей, чтобы распределение не вырождалось при n →  . Понятно также, что
    n
    X по вероятности сходится к нулю, что по определению означает

    49 0 {|
    |
    }
    0, (
    )
    n
    P X
    n


     


    →  . Действительно,


    1
    {|
    |
    }
    { min
    }
    n
    n
    k
    k
    n
    P
    X
    P X
    P
    X






    =

    =

    =


    1 1
    ,...,
    {
    }
    (1
    ( ))
    0, (
    ),
    n
    n
    n
    k
    k
    P X
    X
    P X
    F
    n




    =
    =


    =

    = −

    → так как 1
    ( ) 1
    F


     . Произведем нормировку
    n
    X с помощью домножения на некоторую растущую функцию от
    n
    . При этом нам не избежать условий на поведение функции распределения
    ( )
    F x при
    0
    x → + . Предположим, что
    ( )
    F x
    ax

    ,
    (
    0
    x → + ), где
    a
    и

    − неотрицательные числа, (все стандартные непрерывные распределения, сосредоточенные на положительной полуоси, удовлетворяют данному условию (см, например, [46])). Функция распределения
    ( )
    W x нормированной случайной величины
    1
    n
    Y
    n
    X

    =
    уже не вырождается с ростом
    n
    , и её предельное распределение находится с помощью следующих выкладок
    1 1
    ( )
    (
    )
    1 1
    n
    n
    x
    x
    W x
    P Y
    x
    P X
    F
    n
    n








    =

    =

    = − −












    1 1
    1 1
    1 1
    , (
    ).
    n
    n
    ax
    x
    ax
    a
    e
    n
    n
    n











    − −
    = − −

    → Заменяя параметр
    a
    на новый параметр

    , определяемый из уравнения
    a


    =
    , получаем распределение Гнеденко-Вейбулла, которое в дальнейшем будем обозначать как , )
    GW
     с функцией распределения
    ( )
    ( ) 1
    ,
    0,
    0,
    0.
    x
    F x
    e
    x





    = −




    50
    2.2. Различные аппроксимации фундаментальных числовых характеристик распределения, точность полученных приближенных формул Итак, пусть случайная величина
    ( , )
    GW

     
    подчиняется распределению
    Гнеденко-Вейбулла, те. её функция распределения имеет следующий вид
    (
    )
    1
    ,
    0
    ( )
    0,
    0
    t
    e
    t
    F t
    t



     −


    = 

    
    (1) где

    называется масштабным параметром
    (
    0)

     , а − параметром формы
    (
    0)

     , от которого существенно зависит вид графика плотности распределения см. Рисунок 7):
    (
    )
    1
    ,
    0
    ( )
    0,
    0
    t
    t
    e
    t
    f t
    t




     


    


    = 

    
    (2) Рисунок 7. Формы кривой плотности распределения Гнеденко-Вейбулла для некоторых значений параметров


    (при
    0.5

    =
    ). В современной литературе по теории надёжности данное распределение нашло широкое применение, в связи сего универсальностью и гибкостью в приложениях. Целый ряд распределений является частным случаем распределения
    Гнеденко-Вейбулла (см. Рисунок 7): значение параметра формы

    , равное 1, превращает его в показательное распределение при

    = 2 распределение оно

    51 совпадает с распределением Рэлея начиная с значений

    > 2 распределение
    Гнеденко-Вейбулла позволяет аппроксимировать лог-нормальное распределение
    [46]; если же

    > 3,5, то данное распределение служит достаточно хорошим приближением для нормального распределения, на котором базируются различные модели прикладной математической статистики. Математическое ожидание и дисперсия

    равны, соответственно,
    1 1
    1
    M





    =  +




    ,
    2 2
    1 2
    1 1
    1
    D










    =
     +
    − 
    +












    , (3) где
    ( )
    1 0
    x
    t
    x
    t
    e dt
    +



    =

    − гамма-функция Эйлера. Введем для краткости следующее обозначение
    1
    def
    k
    k




     =  +




    . Тогда
    1 1
    M



    =  ,
    ( )
    2 2
    1 2
    1
    D






    =
     − 




    , а коэффициенты вариации, асимметрии и эксцесса имеют вид, соответственно
    ( )
    ( )
    2 2
    1 2
    2 1
    1 1,
    V
    D
    C
    M








     − 

    =
    =
    =



    (4)
    ( )
    ( )
    3 3
    1 2
    1 3
    2 2
    1 2
    3 2
    ,
    S
    A







     −   + 
    =


     − 




    (5)
    ( )
    ( ) ( )
    ( )
    2 2
    4 4
    1 3
    1 2
    2 1
    2 2
    2 1
    4 12 3
    6
    X
    E










     −   +

     − 
    − 
    =


     − 




    (6) Отметим, что вышеуказанные коэффициенты являются специальными мерами, позволяющими охарактеризовать форму и другие особенности функции распределения, в чем состоит важность их рассмотрения. В силу того, что все

    52 перечисленные характеристики случайной величины

    с функцией распределения
    (1) включают в себя функцию специального вида
    ( )
    x

    , значения которой можно найти только численными методами, и требующими достаточно трудоемких вычислений, возникает проблема теоретического изучения распределения
    Гнеденко-Вейбулла. Для исследования числовых характеристик данного распределения используем методы асимптотического анализа [43, 74] и теории рядов [117], еще со времен И. Ньютона и Г. Лейбница являющиеся мощным инструментарием-орудием математического анализа. Асимптотические разложения для математического ожидания, дисперсии, коэффициентов вариации, асимметрии и эксцесса. Все указанные выше выражения (3) – (6) являются некоторыми комбинациями от выражений вида
    1
    ,
    1, 2,3, 4
    k
    k
    k




     +
    = Нас интересует асимптотика числовых характеристик распределения
    ( , )
    GW
     
    при достаточно больших

    . С этой целью найдем разложение вряд Тейлора функции
    (
    )
    1 x
     + в окрестности действительной точки
    0
    x = :
    (
    )
    ( )
    ( )
    ( )
    ( )
    2 3
    1 1
    1 1
    1
    ...,
    (
    0)
    1!
    2!
    3!
    x
    x
    x
    x
    x

    
    



     +
    = 
    +
    +
    +
    +
    → . Как известно, (1) 0! 1

    = = . Требуется найти
    ( )
    1


    ,
    ( )
    1
    

    ,
    ( )
    1
    

    и т.д. Можно использовать для этой цели вспомогательную специальную функцию, тесно связанную с теорией Эйлеровых интегралов, которая представляет собой логарифмическую производную гамма-функции, и обозначаемую обычно через
    ( )
    ( )
    ( )
    x
    x
    x



    =

    , называемую дигамма-функцией [74].

    53 Номы пойдем другим путём. Известно разложение гамма-функции в бесконечное произведение Вейерштрасса [33, 117]:
    1 1
    1
    ( )
    x
    x
    k
    k
    x
    xe
    e
    x
    k

    +

    =


    =
    +






    , где
    0,57721...

    =
    − постоянная Эйлера-Маскерони. Тогда
    1 1
    1 1
    ( )
    (1
    )
    x
    x
    k
    k
    x
    e
    e
    x
    x
    x
    k

    +

    =


    =
    =
    +



     +



    , и, следовательно,
    1 1
    1 1
    ln
    1
    ln 1 1
    (1
    )
    1
    x
    k
    k
    k
    x
    x
    x
    x
    e
    k
    k
    k
    x
    x
    x
    k
    k
    x
    x
    e
    e
    e
    e
    e
    e
    k




    +
    +
    =
    =







    +
    +

    +















    =




     +
    =
    +
    =

    =






    (7) В силу стандартного разложения функции ln(1
    )
    x
    + вряд Маклорена имеем
    2 3
    4 5
    1 1
    1 1
    ln 1
    ...,
    1 2
    3 4
    5
    x
    x
    x
    x
    x
    x
    x
    k
    k
    k
    k
    k
    k
    k


     
     
     
     

    +
    =

    +

    +



     
     
     
     


     
     
     
     Таким образом, получаем следующее соотношение
    ( )
    ( )
    ( )
    2 3
    4 5
    1 1
    1 2
    2 1
    2 1
    1 1
    1 1
    1
    ln 1 1
    1 1
    ( )
    2 3
    4 5
    n
    n
    n
    n
    n
    n
    n
    k
    k
    k
    n
    n
    k
    n
    x
    x
    x
    x
    x
    x
    x
    x
    x
    n
    k
    k
    k
    k
    k
    k
    n k
    n
    n
    k
    e
    e
    e
    e
    e

    +
    +
    + +
    +
    +
    +
    =
    =
    = =
    =
    =
    =


     
     
     
     




     

    +

    +



    +



     
     
     
     


     


     
     
     
     




     






    



    =
    =
    =
    =
    , где
    1 1
    ( )
    s
    k
    s
    k

    +
    =
    =

    − дзета-функция Римана, задаваемая в виде ряда Дирихле. Ввиду известного разложения функции
    x
    e вряд Маклорена получаем
    ( )
    2
    ( )
    2 1
    2 3
    4
    (2)
    (3)
    1
    (2)
    1
    (4)
    2 3
    4 2
    n
    n
    n
    n
    x
    n
    e
    x
    x
    x





    +
    =




    = +

    +
    +





    ,
    2 2
    3 3
    4 4
    1 2!
    3!
    4!
    x
    x
    x
    x
    e
    x






    = −
    +

    +

    , и, следовательно, на основании правила перемножения рядов [33, 117] из (7) следует

    54
    ( )
    2 1
    ( )
    2 2
    3 3
    2 3
    2 2
    3 3
    (1
    )
    (2)
    (3)
    1 1
    2!
    3!
    2 3
    1 1
    1
    (2)
    2 (3) 3
    (2)
    ...,
    2 6
    n
    n
    n
    x
    n
    n
    x
    x
    e
    e
    x
    x
    x
    x
    x
    x
    x
    x












    
    +
    =



     +
    =

    =

     

    = −
    +

    +
     +

    +
    =

     









    = нов силу того что
    2 2
    1 см, например, [33]), в конечном итоге получаем разложение
    2 2
    2 2
    3 3
    1 1
    (1
    ) 1 2 (3)
    ...,
    2 6
    6 2
    x
    x
    x
    x

     








     +
    = где
    (3)
    1, 202...

    =
    − постоянная Апери, а
    0,577...

    =
    − постоянная Эйлера-
    Маскерони. Также получено полезное соотношение
    2 4
    2 3
    4
    (3)
    1
    (1
    )
    1
    (4)
    12 3
    4 72
    x
    x
    e
    x
    x
    x










     +и, как следствие
    2 4
    2 3
    4
    (3)
    1 1
    1
    (4)
    12 3
    4 72 Таким образом можно окончательно получить разложения фундаментальных характеристик (3)-(6) распределения Гнеденко-Вейбулла по обратным степеням параметра формы

    до любого порядка малости, используя технику оперирования со степенными рядами [117]. В силу громоздкости полученных выражений ограничимся 3-4 слагаемыми в разложениях:

    55 2
    2 2
    3 2
    3 4
    4 2
    2 4
    4 1
    1 1
    1 1
    1 2 (3)
    2 6
    6 2
    1 3
    1 1
    8
    (3)
    ,
    (
    )
    24 20
    M
    o


    










     
    








    =
    − +
    +

    +
    +
    +















    +
    +
    +
    +
    +
    → 










    (8)
    (
    )
    2 2
    2 2
    4 2
    2 3
    4 3
    2 4
    2 2
    5 5
    1 1
    1 29 1
    2 (3)
    4
    (3)
    6 3
    3 360 1
    1 40 29 720
    (3) 140
    (3) 1080 (5)
    180 1
    ,
    (
    )
    D
    o

    
     



    




     
    
     
     









    =

    +
    +
    +
    +













    +
    +
    +
    +
    +




    +
    → 




    (9)
    (
    )
    (
    )
    2 6
    2 3
    3 3
    6 4
    5 4
    4 19 2160
    (3)
    1 6 (3) 1 1
    120 6
    (3) 1080
    (3)
    360
    (5) 1 1
    , (
    )
    20
    V
    D
    C
    M
    o








     


     

     






    =
    =

    +


    

    +
    +



    +
    → 





    
    (10)
    (
    )
    (
    )
    2 6
    3 2
    3 6
    4 4
    2 2
    11 2160
    (3)
    1 3
    1 24 (3)
    2 5
    (3)
    432
    (3)
    24
    (5)
    1 1
    15
    , (
    )
    S
    A
    o







     

     






    =
    +

    







    +
    → 





    
    (11)
    (
    )
    2 4
    2 8
    2 6
    2 2
    1 6
    (3)
    20 (5) 1 27 72 5
    1087
    (3) 15120
    (3)
    3628800 (3) (5)
    2 1
    35 1
    , (
    )
    X
    E
    o
     




     
     







    +
    =
    +







    +

    


    +
    → 




    (12)

    56 где ( и

    определены выше. Получим некоторые комбинированные функционально-степенные разложения для фундаментальных характеристик случайной величины

    , имеющей распределение Гнеденко-Вейбулла
    ( , )
    GW
     
    . Эти разложения могут быть использованы для приближенных вычислений. Будем исходить из следующих классических соотношений, выполняющихся для всех
    1

     (см. [33]; фактически, первое было нами доказано выше
    2 1
    ( ) 1
    ln
    1
    ( 1)
    n
    n
    n
    n
    n





    +
    =


     +
    = − +






    ,
    2 1
    1 1
    1
    (2 1)
    1
    ln
    1
    ln
    ,
    2
    Sin (
    )
    2 1
    n
    n
    n
    n
     



     


    +
    +
    =


    +
     +
    =
    − После потенцирования первых двух перечисленных выше рядов, ограничившись разложениями вряд до членов порядка малости не больше пяти, которые выполняются при

    →  , получаем
    3 2
    4 2
    3 4
    4 1
    1 1
    1
    ,
    (
    )
    A
    A
    A
    e
    o















     +
    =
    +
    +
    +
    +
    → 












    , (13)
    3 5
    1 3
    5 5
    1 1
    1 1
    ,
    (
    )
    Sin (
    )
    B
    B
    B
    o
     


     










     +
    =
    +
    +
    +
    +
    → 












    , (14) где
    2 4
    2 3
    4
    (2)
    (3)
    1
    ;
    ;
    (4)
    ,
    2 12 3
    4 72
    A
    A
    A







    =
    =
    = −
    =
    +




    3 2
    1 3
    5
    (3)
    (5)
    (3)
    ,
    ,
    3 2
    5 2
    B
    B
    B



     

    = −
    = −

    = Таким образом, имеем два гибридных разложения для математического ожидания
    ( , )
    GW
     
    , выполняющихся при

    →  :
    3 2
    4 2
    3 4
    4 1
    1 1
    1 1
    1
    ,
    A
    A
    A
    M
    e
    o

















    =  +
    =
    +
    +
    +
    +












    (15)

    57 3
    5 1
    3 5
    5 1
    1 1
    Sin (
    )
    B
    B
    B
    M
    o
     


     








    =
    +
    +
    +
    +








    , (16) Также можно получить два соотношения для дисперсии (при

    →  ):
    2 2
    3 2
    4 2
    2 2
    3 4
    4 6
    2 14 1
    1
    ,
    A
    A
    A
    A
    D
    e
    o














    =
    +
    +
    +








    (17)
    2 2
    2 2
    4 2
    2 1
    3 1
    1 3
    1 2
    2 3
    4 4
    7 6
    2 1
    1 6
    3 12 160 96
    Sin (
    )
    B
    B
    B
    B B
    B
    D
    o





     


     Доказательство приведено в Приложении Б. И, как следствие, получаем следующие асимптотические разложения для коэффициента вариации
    ( , )
    GW
     
    (при

    →  ):
    4 2
    3 3
    1 6 (3) 1 252 (4)
    1 1
    24 С 







    +
    =

    +
    +








    , (18)
    2 4
    2 2
    2 2
    1 6 (3) 1 1 21 (4)
    1 1
    1 2
    12 С Коэффициенты вариации
    V
    C

    , асимметрии и эксцесса
    X
    E

    , случайной величины

    являются в силу задания безразмерной величиной. Данный факт позволяет использовать их в качестве универсальных количественных оценок распределения. В приложениях коэффициент вариации играет большую роль. Он содержит только параметр

    (отсюда следует, что

    представляет собой безразмерную величину. Учитывая, что (3) 1, 202


    и
    (5) 1, 037


    , (см. [33]) получаем следующие аппроксимирующие формулы, выполняющихся при больших значениях

    :

    58 2
    3 4
    5 1
    0,577 0,989 0,907 0,981 0,982 1
    M












    +

    +




    (19)
    2 2
    3 4
    5 1
    1, 645 4,303 11, 718 26,531
    D










    +





    (20)
    2 3
    4 5
    1, 282 0,937 1, 662 2, 753 4,855
    V
    C








    +

    +
    (21)
    2 3
    4 5
    5,966 12, 280 36, 224 106, 077 315,549 1,140
    S
    A






     −
    +

    +

    +
    (22)
    2 3
    4 5
    27 28,918 152, 616 666, 448 2877,877 12120,831 5
    X
    E









    +

    +
    (23) Указанные выражения предлагается использовать при инженерных расчетах для приближенного и упрощенного вычисления важных числовых характеристик распределения Гнеденко-Вейбулла. Заметим, что из (15) можно получить совсем грубое, но вполне имеющее практическую значимость, приближение для математического ожидания случайной величины
    ( , )
    GW

     
    :
    2 2
    1 1
    ,
    12
    M
    e










    +




    (24) меру точности которой приведем далее. Оценки точности полученных аппроксимаций Для оценки степени точности полученных аппроксимирующих соотношений был использован профессиональный компьютерный математический пакет

    59
    Wolfram Mathematica [149]. На основании численных расчетов, выполненных в указанном пакете, была исследована степень точности полученных приближенных равенств (19) и (21) с учетом количества членов данных разложений. Результаты сведены в Таблицу 1 значений относительной погрешности Таблица 1.

    Таблица значений относительной погрешности аппроксимирующих формул количество членов

    5 4
    3 5
    4 3
    1,5 5,79
    1   2   3   4   5   6   7   8   9   ...   12


    написать администратору сайта