Главная страница

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
страница6 из 12
1   2   3   4   5   6   7   8   9   ...   12
8,54
12,94 33,86 42,98 37,10 1,6
4,06
6,39
10,32 27,63 34,18 31,46 1,7 2,90
4,85
8,32 22,45 27,53 26,91 1,8 2,11 3,74 6,78 18,22 22,42 23,20 1,9 1,56 2,91 5,58 14,80 18,45 20,14 2
1,17 2,30
4,63
12,06 15,32 17,60 2,1 0,88 1,83 3,87
9,86
12,83 15,47 2,2 0,68 1,47 3,26 8,10
10,82 13,67 2,5 0,33 0,81 2,03
4,63
6,76
9,70
2,6 0,26 0,67 1,75 3,88 5,85 8,73 2,7 0,21 0,56 1,52 3,27
5,09
7,88 2,8 0,17 0,47 1,32 2,77 4,44 7,14 2,9 0,14 0,40 1,16 2,36 3,90 6,49 3
0,11 0,34 1,02 2,02 3,44 5,91 3,1 0,09 0,29 0,90 1,73 3,04 5,41 3,2 0,08 0,25 0,80 1,50 2,70
4,96 Относительная погрешность формулы (19) относительно параметра

не превышает 10% при
1,5


; формулы (21) для
V
C

– не превышает 10% при
2,

 что вполне допустимо при инженерных расчетах.

60 Абсолютная погрешность формулы (24) для относительно параметра не превышает 3% при
1

 иона уже меньше 1,5% при
2

 (см. Рисунок 8). Рисунок 8. Графическая зависимость абсолютной погрешности формулы (24) Приближенные формулы ускоренных расчётов дисперсии и коэффициента вариации, приемлемые для экспресс-анализа С помощью компьютерного моделирования в профессиональном математическом пакете Mathematica были получены следующие приближенные формулы для ускоренных расчетов дисперсии и коэффициента вариации
2 2,345 1
1
D

 

,
0,934 С (25) Абсолютная погрешность приближения (25) для D

относительно параметра

меньше 3% при
1,5


; формулы для Сне превышает 0,7% при
1

 (см. Рисунок 9). Данные соотношения могут пригодиться при инженерном экспресс–
анализе. Рисунок 9. Графическая зависимость абсолютной погрешности Сот

2 3
4 5
6 7
0.001 0.002 0.003 0.004 0.005 0.006 0.007

61 Кроме того, в результате графического моделирования в пакете Mathematica позволило получить для
( , )
GW

 
следующую приближенную формулу
2,86 (
1) 2
S
V
A
C




− +
, (27) Нов силу (25) имеем
0.934 2,86 0,86
S
A






(28) Рассмотрим некоторые частные случаи. В случае показательного распределения
1

=
,
1
V
C

=
и
2
S
A

=
, что вполне согласуется. Распределение Рэлея (
2

= ), тогда из теории [46]:
4 0,523
V
C




=

и
3 2
(
3)
0, 631
(4
)
S
A
 



=


, а по формуле (28)
0,523
V
C


и
0, Если же
3, 6

=
, когда
2
( , )
( ;
)
GW
N a
 


(о чем речь впереди, см. п. 2.5), то
0 0,30069
S
V
A
C


=


, что тоже вполне согласуется с классической теорией случайных величин (см. Таблицу 2). Таблица 2. Диапазон коэффициентов вариации для стандартных распределений Пределы изменения коэффициента

вариации
V
C

Закон распределения СВ

0 Нормальный
0,3 0, 4
V
C



Гамма–распределение
0, 4 1
V
C



Гнеденко-Вейбулла Экспоненциальный Указанную зависимость (27) представлена графически на Рисунке 10.

62
Рисунок 10. Графическая зависимость асимметрии от коэффициента вариации Показатели надёжности невосстанавливаемых объектов в модели Гнеденко-Вейбулла распределения отказов Исходным показателем надёжности невосстанавливаемых технологических объектов ГТС, оценка которого производится на основе обработки собираемых статистических данных, является интенсивность отказов
( )
t

, определяемая следующим образом
( )
( )
1
( )
f t
t
F Отметим преимущества введенной величины
− по известной интенсивности
( )
t

несложно оценить остальные показатели надёжности, те. функция интенсивности отказов является одной из форм закона распределения случайной величины
0 0
0
( )
( )
( ) exp
( )
,
( )
1
( )
exp
( )
t
t
t
f t
P t
t
s ds
P t
f s ds
s ds








= −
=


= −
=












– функция ( )
t

наглядно описывает все этапы жизненного цикла функционирования объекта (см. рис, в частности кривая интенсивности отказов достаточно просто характеризует процессы деградации
5 10 15 20 25 30 20 40 60 80

63
− интенсивность отказов может быть легко определена экспериментальным путем. Для распределения Гнеденко-Вейбулла функция интенсивности отказов имеет вид
1
( )
t
t
 

 

=
(29) Распределение
Гнеденко-Вейбулла позволяет аппроксимировать экспериментальную кривую интенсивности отказов на каждом из основных периодов функционирования системы [3]. В частности, период приработки отвечает распределению Гнеденко-Вейбулла с параметром
(0;1)


; период нормальной эксплуатации – с параметром
1

 и период старения – с параметром
2

 . Это следует из исследования функциональной зависимости от параметров

и

интенсивности отказов ( )
t

(см. Рисунок 11). Рисунок 11. Аппроксимация кривой интенсивности отказов распределением

Гнеденко-Вейбулла (пунктирная линия) Применимость распределения Гнеденко-Вейбулла в описании функционирования объектов с позиций жизненного цикла, в том числе процессов деградации Здесь следует еще раз обратить внимание на тот факт, что в модели отказов по распределению
Гнеденко-Вейбулла, для участка устойчивого функционирования, коэффициента для третьего участка коэффициент

64 больше 2 (см. Рисунок 11). Разрыв между численными значениями коэффициента, очевидно, объясняется тем, что, практически, деградация как эволюционный процесс является непрерывным, а его возникновение происходит не дискретно, а непрерывно. Таким образом уже на участке нормальной работы ближе к началу третьего этапа, начинается процесс деградации. Из методики формирования оценок надёжности оборудования следует, что данное значения параметра характеризует нахождения оборудования в конце II- этапа эксплуатации, на котором этап нормальной эксплуатации переходит в преддеградационное состояние (Рисунок 12). Рисунок 12. Интенсивность отказов оборудования и граничные значения интервалов для параметра


. Главной проблемой в решении подобных задач является определение критического значения
crit
t
– при котором можно считать, что оборудование перешло из периода нормально эксплуатации в период деградации или старения. Из теории известно, что при
2

 наступает деградационный период, нона практике такого четкого разграничения на принадлежность реального состояния оборудования к одному из трех периодов эксплуатации не бывает. Характер

65 перехода от первого этапа ко второму, также, как и от второго к третьему - достаточно плавный, например, при значениях

близких к 2, сложно идентифицировать состояние оборудования по оценки показателей надёжности. Можно наблюдать, что в конце второго периода уже начинают сокращаться интервалы между отказами, что говорит о начале третьего периода. Поэтому, необходимо применять комплексный подход к оценке показателей надёжности с использованием других методов, например, нечеткой логики. Прогнозирование наступления момента очередного отказа элементов системы ГПА Моменты начала деградационных процессов при эксплуатировании объектов
ГТС, в частности ГПА и САУ ГПА, можно найти на основании изучения теоретической плотности вероятности отказа оборудования, подчиненной двухпараметрическому распределению Гнеденко-Вейбулла
( , )
GW

 Сделаем эвристическое допущение о том, что максимальный рост вероятности отказа оборудования, который соответствует первой точке перегиба функции плотности вероятности отказа, находящейся левее математического ожидания случайной величины

, соответствует моменту времени следующего отказа. Проведя несложные преобразования, получим формулу для нахождения точки максимального изменения плотности вероятности отказа, соответствующей первой точке перегиба плотности распределения (2)
( , )
GW
 
:
1 3(
1)
(
1)(5 1)
2
crit
t







− −


= 





. (30) Данное выражение определено при значениях
2

 . При единичном значении параметра масштаба (
1

= ) график
crit
t
как функции от параметра формы

имеет вид

66 Рисунок 13. График зависимости

crit
t
от параметра

при
1

= . Отметим, что в нашем случае t
M
crit


. Несложно убедиться в том, что
1
crit
t




, (31) ввиду того, что
1 3(
1)
(
1)(5 1)
lim
1 2






→+


− Следовательно, в терминах интенсивности отказов, получаем
1 2
(
)
crit
t





(32) Итак, пусть имеются эксплуатационные данные об отказах активных элементов ГТС
 
,
1,..,
k
k
n

=
. Формируем последовательность
 
,
1,..,
1
k
t
k
n
=
− где
1
k
k
t
k


+
=
− . Предполагая, что распределение времени между отказами подчиняется двухпараметрическому распределению Гнеденко-Вейбулла с функцией распределения (1) найдем точечные оценки неизвестных параметров и

. Среднее время безотказной работы, те. наработка до отказа, составляет
1 1
1 1
T
M





=
=  +




. Следовательно, значения должны
k
t лежать в окрестности
1
T
в период нормальной эксплуатации, характеризующийся постоянством
4 6
8 10 0.9 1.0 1.1 1.2 1.3 1.4

67 интенсивности отказов. Процесс старения (деградации) означает нарастание интенсивности отказов, интервалы между отказами уменьшаются, что соответствует приближению
k
t к Детально изучим первую точку перегиба распределения Гнеденко-Вейбулла с помощью асимптотических методов. Справедливо следующее разложение при больших значениях параметра формы

, полагая параметр масштаба
1

= :
1 1
3(
1)
(
1)(5 1)
1 3
1 1
3 1
5 2
2
crit
t















− −







=
=
− −


=






















(
)
2 2
2 1
1 3
ln
3 5
2 3
5 1
1 ln
2 3
5 1
6 1
ln ln 2
ln
3 5
2 2
5 3
e








− −












 +
+











+

+
+

















(
)
2 0,962 2, 688 1



 −
+
→  (33) в силу того, что
1 1
1
(
)
0 1
5 5









→  















2.3. Асимптотическое исследование функции средней остаточной наработки, дисперсии и коэффициента вариации остаточной наработки Средняя остаточная наработка (остаточное время жизни) как функция от времени является важной характеристикой (или даже мерой) процессов старения в приложениях теории надёжности. Ее используют в актуарной математике и страховании, в медицине и биологии. Теоретические свойства ее были

68 рассмотрены Коксом в 1962 [60]. Обзор по теории и приложениям средней остаточной наработки имеется в книгах [90, 133]. Остаточная наработка и функция средней остаточной наработки Пусть время T безотказной работы элемента является случайной величиной, подчиненной двухпараметрическому закону распределения Гнеденко-Вейбулла
( , )
GW
 
с функцией распределения (1), плотностью (2) и математическим ожиданием
(
)
0 0
1 Рассмотрим условную случайную величину
(
)
t
X
T
t T
t
=

 , которая называется остаточной наработкой или остаточное время безотказной работы, являющейся интересным объектом для анализа как в теории надёжности, таки в проблемах качества и безопасности. Найдем математическое ожидание указанной случайной величины, те. функцию средней остаточной наработки или математическое ожидание остатка долговечности) на отказ. Имеем
1
( )
(
)
( )
(
)
t
X
F t
P t
T
t
F
P T
t
T
t




  +
=
− 
 =
=
1
( )
1
( )
(
)
(
)
( )
1
( )
(
) 1 1
,
( )
F t
F t
P t
F t
F t
F t
F t
P t





+
+ −

+
+ −
=
=
= где ( ) 1
( )
P x
F x
= −
обозначает вероятность безотказной работы. Тогда
0 0
0 0
1 1
( )
(
)
(
)
(
)
( )
( )
t
t
X
MX
x dF
x
x dP t
x
x P t
x
P t
x dx
P t
P t
+
+
+
+


=
= −
+
=

+
+
+
=







0 1
1
(
) (
)
( )
,
( )
( )
t
P t
x d x
t
P y dy
P t
P t
+
+
=
+
+ так как, по правилу Бернулли-Лопиталя:
2 2
1
(
)
(
)
lim
(
)
lim lim lim
(
)
0,
1 1
x
x
x
x
F t
x
f t
x
x P t
x
x f t
x
x
x
→+
→+
→+
→+

+

+
+
=
=
=
+
=


69 в предположении существования второго момента распределения, что, очевидно, верно, для распределения Гнеденко-Вейбулла. Итак, функция средней остаточной наработки определяется следующим образом
(
)
1 1
( )
(
)
( )
1
( )
( )
1
( )
t
M T
t T
t
P x dx
F x dx
P t
F t
t
t

+
+
=

 =
=




. (34) В случае существования плотности распределения можно получить другое выражение для нахождения ( )
t

:
( )
( )
(
)
( )
x f x dx
t
t
M T
t T
t
t
P t

+

=

 Выразим через
( )
t

базовые показатели надёжности, а именно интенсивность отказов
( )
t

и вероятность безотказной работы
( )
P t , и как следствие, функцию плотности времени безотказной работы ( )
f t . Из соотношения
(34) следует, что
(
)
(
)
( ) 1
( )
1
( )
t
F t
F x После дифференцирования получаем
(
)
(
) (
)
(
)
( ) 1
( )
( )
( )
1
( )
1
( )
t
t
F t
t
f t
F x
F t


+


+

= −
= − Следовательно,
1
( )
( )
( )
t
t
t




+
=
, и, тогда, по известному в теории надёжности соотношению [78]:
0
( )
( )
t
d
P t
e
  вероятность безотказной работы может быть выражена через функцию
( следующим образом

70 0
0 0
0 0
0
( )
1 1
( ) 1
ln ( )
( )
( )
( )
( )
( )
(0)
( )
( )
t
t
t
t
t
t
d
d
d
d
d
t
P t
e
e
e
e
 
 



 


 
 
 
 
 








+





+

+















=
=
=
=

, то есть,
0
( )
(0)
( )
1
( )
( )
t
dz
z
P t
F t
e
t





= Дифференцированием последнего соотношения получаем, что функция плотности времени безотказной работы элемента имеет вид
1 0
( )
2
(0) (
( ) 1)
( )
( )
t
z
dz
t
f Применяя правило Бернулли–Лопиталя к выражению для ( )
t

, получаем соотношение
(
)
(
)
1
( )
( )
1
( )
1
( )
1 1
lim
( )
lim lim lim lim
( )
( )
1
( )
t
t
t
F t
f t
F x dx
F t
t
t
f t
t
t
t
F t


→+
→+
→+


+


− −
=
=
=
=
→ +
→ +

, устанавливающее интересную связь между предельными значениями ( )
t

и
( Отсюда следует предельное соотношение для средней остаточной наработки в случае распределения Гнеденко-Вейбулла
( , )
GW
 
:
,
0 1
1
lim
( )
,
1 .
0,
1
t
t





→+
+
 


=
=




(35) Отметим, что несмещенной статистической оценкой
( )
t

для выборки
1 2
, ,...,
n
t t
t
является эмпирическая функция [90]:

71
(
)
(
)
1 1
(
)
[
]
ˆ ( )
1 1
( )
[
]
n
i
i
i
n
n
n
i
i
t
t
t
t
t
P t
t
t



=
=
− 

=
− где
[
]
i
t
t


– индикаторная функция
1,
[
]
0,
i
i
i
t
t
t
t
t
t



 = Асимптотическое разложение средней остаточной наработки Теперь найдем аналитическое представление для ( ).
t

Имеем, исходя из определения
(
)
( )
( )
( )
(
)
(
)
(
)
1
( )
1
( )
( )
1 1
(
)
1 0
0 0
t
t
t
F t
F x dx
x
t
t
e
e
dx
t
t
t
x
x
x
e
e
dx
e
dx
e
e
dx



















+


+ −
=
 Для вычисления интеграла используем неполную гамма-функцию (см.
8.350(1) из [33]):
(
)
1
,
0
x
t a
a x
e
t
dt



= 
(36) По формуле 3.381(8) из [33] имеем
1 1
(
)
, (Отсюда

72
( )
1 1
1 1
(
)
( )
1
,
t
t
e
t
















=
 +













(37) Преобразуем (37), используя свойства гамма-функции Эйлера
( )
( )
( )
(
)
(
)
(
)
1 1
1 1
( )
1
,
1 1
1 1
1 1
1 1
,
,
t
t
t
t
e
t
e
t
e
t



















 













=
 +

=
















 


 


=

− 
=





 


 


 


 Отсюда
( )
(
)
1 1
( )
,
t
t
e
t











=









,
(38) где
( )
1
,
a
y
z
a z
y
e dy
+


=


– неполная гамма-функция (см. 8.350(2) из [33]). Получим еще одно аналитическое представление средней остаточной наработки через функцию Куммера-Похгаммера, воспользовавшись аппаратом специальных функций. Справедливо следующее соотношение
1
(
)
(
)
1;
1; (
)
1 1 0
t
x
t
e
dx
te
F
t











=
+





, где
(
)
1
( )
(
)
; ;
1 1 1
(1
)(
)
( )
(
)
!
1 0
0
k
l
k
k
k
F
x
x
x
l
l
k
k
k
k
l



 




+
+
+

 +
= +
=



+
+

 + стандартное обозначение вырожденной гипергеометрической функции города или функции Куммера-Похгаммера, относящейся к классу специальных функций
[6, 74]. Доказательство приведено в Приложении Б. Следовательно,

73 1
1 1
(
)
(
)
( )
1 1;
1; (
)
1 1
t
t
t
e
t e
F
t

















=

 +
− 
+














(40) Получим выражение для ( )
t

в виде обобщенного степенного ряда. Применяя формулу (39) получаем
1 1
(
)
(
)
1,
1; (
)
1 1 1 1
0 1
k
t
t
F
t
e
k
k









+





+
=

+  










= 
+ +Таким образом,
1 1
(
)
(
)
(
)
(
)
1 1
1 0
0 0
1 1
k
k
k
t
t
t
x
t
t
e
dx
e
te
k
k
k
k














+
+
+






=
 +
=










 =
=

+ +где
( )
k
a обозначает символ Похгаммера [6]:
( )
(
)
( )
a k
a
k
a
 +Окончательно приходим к следующему разложению
(
)
!
( )
1 0
!
1 0
1
k
t
t k
t
T
k
k
k









+
 


=







=

+ +








, (41) где
0
T
определено ранее. Приданное соотношение дает
1
( )
t
const


=
=
, соответствующее показательному распределению. Рассмотрим важный частый случай распределения Гнеденко-Вейбулла, когда значение параметра формы
2

=
, так называемое распределение Рэлея.

74 1
2 2
1 2
( )
1 2
0
t
t
x
t
e
e
dx












=

 +
− Так как
1 1
2 2




+
=




,
(
)
(
)
(
)
2 2
2 1
2 2
2 0
2 0
0
x
t
t
x
e
dx
e
d
x
t









=
=



, где
( )
2 2
1 0
2 0
x
e
dx





=

– функция Лапласа. Следовательно,
(
)
(
)
2 2
1 1
( )
2 2
0 0
2 2
t
t
t
e
t
e
t















=


=
− Данную зависимость представим в графическом виде (см. Рисунок 14), считая, без ограничения общности, что значение параметра масштаба
1

= . Рисунок 14. Функция средней остаточной наработки для распределения Рэлея. Укажем оценку погрешности в случае приближенного вычисления ( )
t

по найденному аналитическому разложению. Имеет место следующее утверждение
1 2
3 4
5 0.2 0.4 0.6 0.8

75 1
0 1
1 0
(
)
!
( )
1
( )
!
k
N
N
k
k
t
t k
t
T
R
t
k








 + +


=




 


= 

+





, где
1 1
(
)
1 1
( )
1
!
1 (
)
N
N
t
N
R
t
t
N
N
t









+


  +



+




+ −




,
1
(
)
N
t


+ Замечание Очевидно, что
1
lim
( )
0
N
N
R
t

→+
= при фиксированных
, , t
 Доказательство приведено в Приложении Б. Изучим асимптотическое поведение
( )
t

при
t → + . Справедливо асимптотическое представление для ( )
t

:
1 1
1
( )
1
( 1)
1
(
)
,
(
)
1
k
k
t
t
t
t
k
k






 
+








+


→ +









=


(42) Или более развернуто
1 1 2 1 3 2
3 1
1 1
(1
)(1 2 )
( )
(
)
(
)
(1
)(1 2 )
(1 (
1) )
1
,
(
)
(
1)
1
(
)
N
N
t
t
t
t
N
t
O
t
N
t












 
 
 




 







=
+
+
+




 −

+

+
→ +В частности, главный член асимптотики имеет вид
1 1
( )
,
1,
(
)
t
t
t




 


→ + . (Доказательство приведено в Приложении Б.

76 Нахождение дисперсии остаточной наработки. Рассмотрим теперь остаточную дисперсию условной случайной величины
(
)
t
X
T
t T
t
=

 . Согласно [133] она выражается следующим образом
2 2
2 2
2
( )
(
)
( )
(1
( )) ( )
( )
1
( )
t
t
t
E X
t
F x
x dx
t
F В случае распределения Гнеденко-Вейбулла
( , )
GW
 имеем
(
)
(
)
(
)
(
)
2 2
( )
2
( )
(
)
(
)
(
)
(
)
2 2
2
( )
2
( )
(
)
(
)
2 2
(
)
( )
(
)
(
)
(
)
2 2
(
t
x
x
z
t
e
e
e
e
dz dx
t
t
x
z
t
z
t
z
e
dx
e
dz
t
e
dz e
dx
t
t
x
t
t
t
z
e
e
z
t dz
t
t
t
z
z
e
e
zdz
t
e
dz
t
t
































+
+


=

=


+ +
+


=

=

=




+ Но, ввиду справедливости следующих соотношений
( )
(
)
(
)
t
x
e
dx
t
t
e





+ −
=

,
( )
(
)
(
)
t
t
z
z e
dz
t
t
e







 получаем, что

77
( )
(
)
(
)
2 2
( )
2
( )
(
)
(
)
(
)
2
= 2 2
( )
( )
t
t
z
t
e
e
zdz
t
t
t
t
e
t
z
e
e
zdz
t
t
t
t

















+ −


=


=







+ В силу того, что
1 2
(
)
, (
)
2
z
e
zdz
t
t





 
+



=






, получаем формулу для нахождения дисперсии остаточной наработки
1 2
(
)
2 2
( )
2
, (
)
2
( )
( )
2
t
t
e
t
t
t
t








 


=







. (44) Асимптотическое представление дисперсии остаточной наработки и коэффициента вариации остаточной наработки Получим асимптотическое представление дисперсии остаточной наработки из предыдущего соотношения. Заметим, что
2 ,( )
(
)
2 2
2 ,( )
( )
2 1 ,( )
t
t
e
t
t
t











 











=










(45) Используя профессиональный пакет символьных вычислений Wolfram
Mathematica, получаем следующее разложение

78 2 ,( )
2 1
2(1
)
(4 11 7
)
1 1
2 3
4 1
2 3
1
(
)
(
)
(
)
, (
)
t
t
O
t
t
t
t
t












 
 
 












+




=
+
+
+
+ 

















, верное при 4 1
0

−  . В случае деградационных процессов, как мы знаем,
1

 . Окончательно, из формулы (45) получаем
1 4(1
)
2(1
)(3 5 )
2 1
( )
1 2(
1)
2 3
2 2
2 2
(
)
(
)
t
O
t
t
t
t









 
 
 









=
+
+
+ 











(46) Изобразим графически полученную зависимость, взяв первые три члена разложения, при значениях параметров масштаба
1

= и формы Рисунок 15. График

2
( )
t

для значений параметров
1,
2


=
= . Проверим полученное соотношение на показательном распределении. В этом случае, при значении
1

=
2 2
1 1
( )
,
( )
t
t




=
= . В силу того, что
(
)
2
, (
)
2,
(1
)
x
t
t
t
xe
dx
t
e
t







+





= 
=
=
+





, получаем
2 3
4 5
0.05 0.10 0.15 0.20 0.25

79 1
1 1
1 2
( )
2
(1
)
2 2
2 2
t
t
t
e
t
t
e









=
+


=
, что и требовалось показать. На основании полученных соотношений выше найдем асимптотическое представление для коэффициента вариации
( )
C T t
V
:
( )
1 1
1
( )
1 2
3 2
( )
(
)
(
)
t
C T t
O
V
t
t
t
t







 
 




=
= −
+
+ 





. (47) Графическое представление полученной зависимости, учитывающее первые четыре члена разложения, при значениях параметров масштаба
1

= и формы Рисунок 16. График коэффициента вариации

( )
C T t
V
для значений
1

= и
1,1

=
1   2   3   4   5   6   7   8   9   ...   12


написать администратору сайта