книги из ГПНТБ / Мирцхулава, Ц. Е. Надежность гидромелиоративных сооружений
.pdfДопустим, что имеем |
попарно независимые события А и А2, |
||||
Ап и |
необходимо найти |
их вероятность /Д Л ^ Л г + .-.+ Л Д , |
Мы |
||
знаем, |
что |
Р(ЛК)+ ? (Л К) = 1. |
(9) |
||
|
|
||||
Ль Л2, ..., Л„ являются независимыми событиями, поэтому |
|
||||
|
Q(Aь Аг, ..., |
An) = q ( A 1)q(A2) ...q(An) = |
|
||
|
= [1— (,Р(Л1)] [1—Я(Л2)] ... [1 - Р ( А п)]. |
(10) |
|||
Я(Л1+ Л 2+ ...+ Л „) = |
1 - [ 1 - Р ( Л 1) ] [ 1 - Р ( Л 2)]...[1 -Р (Л п )]. |
(11) |
|||
Если вероятность |
всех п событий |
равна Р, имеем |
|
||
|
Р (Л 1+ Л 2+ ...+ Л п) = |
1 - ( 1 - Р ) « . |
(12) |
Пример 3 легко можно решить зависимостью (11):
Р (Л + В + С ) = 1 — (1—0,4) (1 -0 ,2 ) (1 -0 ,4 ) =0,712.
3.ПОЛНАЯ ВЕРОЯТНОСТЬ И ТЕОРЕМА ГИПОТЕЗ
Предположим, что событие Л может произойти с одним и
только с одним из п несовместимых и единственно возможных
П
событий # 1 , ..., Нп, то есть Л = ^ 41Я*. Тогда из теорем сложе- i=i
ния и умножения вероятностей получается формула для вычис ления вероятности события Л:
|
Р ( А ) = 2 Р (Н^Р(А/Н,). |
(13) |
|
i=i |
|
События Hi\ |
i = l ...п называются гипотезами, |
а формула |
(1 3 )— формулой |
полной вероятности. |
/ |
Формула полной вероятности указывает, что вероятность со бытия Л определяется как сумма произведений вероятности каж дой гипотезы Hi на условную вероятность события Л при усло вии Hi.
Поставим теперь следующую задачу. Пусть с опытом связаны п несовместимых и единственно возможных гипотез Ни ..., Нп,
вероятности которых до опыта известны и равны |
соответственно |
Р (Hi),..., Р( Нп) . Известно также, что гипотеза Hi |
сообщает не |
которому событию Л вероятность P(A/Hi). Проведем опыт, в ко тором событие Л наступило. Это должно вызвать переоценку вероятностей гипотез Hi. Требуется найти условные вероятности гипотез Hi при условии, что событие Л наступило.
Ответ на поставленную задачу дает формула Байеса [18]
P( Hi l A) = |
., |
(14) |
2 |
P(Hi)P(AIHi) |
|
1= 1 |
|
|
30
то есть вероятность гипотезы после испытания равна произведе нию вероятности гипотезы до испытания на соответствующую ей условную вероятность события, которое произошло при испыта нии, деленному на полную вероятность этого события.
Пример 4. Два завода изготавливают одинаковые детали. Первый завод
делает 60% общей продукции, второй — 40%. |
Дефектных деталей первый за |
||
вод выпускает |
10%, а |
второй— 15%. Иайти |
процент недефектных деталей, |
изготавливаемых обоими |
заводами. |
|
|
Р е ш е н и е . |
Применим формулу полной вероятности: |
||
|
Р(А)=0,60-0,90+0,85-0,40=0,88 . |
||
Я (Л) =0,88, |
то есть |
недефектных деталей |
будет 88%. |
4. ЗАКОНЫ РАСПРЕДЕЛЕНИЯ СЛУЧАЙНЫХ ВЕЛИЧИН |
|||
Решение |
многих |
задач гидротехники и мелиорации сводится |
к оценке возможных значений случайных величин. Как было ука зано, случайной величиной называется величина, о которой за ранее неизвестно, какое значение она примет в результате опыта. В задачах гидротехники и мелиорации приходится оперировать как дискретными, так и непрерывными случайными величинами.
Для наглядного представления распределения вероятностей строят полигоны распределения вероятностей, которые имеют вид ломаных линий.
Если заменить полигональную ломаную линию плавной кри вой, которая возможно ближе выражала бы изучаемую ломаную линию, эта кривая будет называться кривой вероятностей.
Важно знать соотношение между возможными значениями слу чайной величины и их вероятностями, которое называется зако ном ,распределения случайной величины.
Йсчерпывающей характеристикой случайных величин является функция распределения F(x), которая для случайной величины х может быть записана так:
F ( x ) = P ( X < x ) = ^ Р ( Х = х {). |
(15) |
xi<x |
|
Помимо функции распределения, для дискретных случайных величин существуют другие формы законов распределения: ряд распределения и многоугольник распределения.
Зная функцию распределения, можно вычислить вероятность попадания случайной величины на заданный участок с границами а, р, которая равна приращению функции распределения на уча
стке: |
1 |
P ( a ^ X < $ ) = F ( p ) - F ( a ) . |
(16) |
Если существует не отрицательная функция f(x), удовлетво ряющая при любом х равенству F'(x)=f(x), то f(x) называ ется плотностью распределения вероятностей случайной величи-
31
|
|
|
0 |
a. |
j3 |
|
х |
|
|
|
Рис, 1. Плотность распределения |
непрерывной случайной ве |
|
||||||
|
|
|
личины. |
|
|
|
|
|
|
|
|
|
|
|
|
X |
|
||
ны |
X, имеющей функцию |
распределения |
/7(л:) = | |
f(x)dx, |
а |
||||
случайная величина X — непрерывной. |
|
— СО |
|
|
|||||
случайной |
величины |
X |
|||||||
на |
Вероятность |
попадания |
непрерывной |
||||||
участок (а, |
р) равна заштрихованной |
на |
рисунке |
1 площади |
|||||
и может быть найдена по |
формуле |
э |
|
|
|
|
|||
|
|
|
|
|
|
|
|
||
|
|
P=(a< X< $ ) = §f(x)dx. |
• |
(17) |
а
При решении многих практических задач можно ограничить ся лишь знанием математического ожидания и дисперсии, не учи тывая законов распределения.
Математическое ожидание тх случайной величины X для дис кретных случайных величин выражается формулой
т х = ^ |
x iP i > |
( 18) |
£=1 |
|
|
для непрерывных случайных величин |
|
|
со |
|
|
тх= J |
xf(x)dx. |
(19) |
— оо |
|
|
Дисперсия Dx для прерывных случайных величин будет иметь |
||
вид: |
i |
|
Д * = 2 (x i— ^ x ) 2P i = |
(20) |
|
/=1 |
/=1 |
|
32
для непрерывных случайных величин
оо
Dx= f (x—mx)2f(x)dx. |
(21) |
- 00 |
|
Дисперсия случайной величины характеризует ее рассеивание вокруг математического ожидания. Вместо дисперсии часто опе рируют среднеквадратическим отклонением, которое равно ариф метическому значению квадратного корня из величины диспер сии, то есть
Ох = V l T x.
На практике вместо термина «среднеквадратическое откло нение» чаще пользуются понятием «среднеквадратическая ошиб ка». В дальнейшем под среднеквадратической ошибкой будем понимать среднеквадратическое отклонение при условии, что систематические погрешности измерений отсутствуют.' При реше нии многих задач в практике необходимо дать количественную оценку большим погрешностям (более 2—3 среднеквадратических отклонений).
Может быть случай, что одна и та же случайная величина в разных диапазонах ее возможных значений может подчиняться различным законам распределения.
В связи с этим приведем краткую характеристику основных законов распределения случайных величин.
Биномиальное распределение
Если вероятность появления события А в каждом испытании постоянна и равна Р, то вероятность появления события А в п независимых испытаниях т раз может быть вычислена по фор муле Бернулли:
Р ( х = т )= С ™ p m q n - m (m= l , 2, ..., п). |
(22) |
Такое распределение дискретной случайной величины X на зывается биномиальным.
Для биномиального распределения математическое ожидание числа появлений события будет тх—пр, а среднеквадратическое
отклонение и дисперсия |
|
|
||
|
Ох— V npq\ Dx—npq. |
(23) |
||
Биномиальный коэффициент вычисляется по зависимости |
(при |
|||
ложение 12) |
|
|
|
|
С„т = |
п\ |
п ( п —1)... (п—т+1) |
(24) |
|
т\(п—т)\ |
1 -2-3... т |
|||
|
|
Пример 5. На заводе имеется много дождевальных аппаратов. Исследова нием установлено, что из выпускаемых заводом изделий 5% оказываются де
3 З а к а з 6767 |
з з |
фектными. Необходимо установить, что из десяти взятых аппаратов два ока жутся дефектными.
Р е ш е н и е . я = 1 0 ; |
Р = 0,05; 9=0,95. |
|
Рт(2) = Cj0 • 0,05'-*. 0,958к 0,07. |
Таким образом, из |
взятой партии дефектными могут оказаться примерно |
7% аппаратов. |
|
Вероятность попадания в некоторый интервал для биноми
ального распределения |
вычисляется |
суммированием: |
|
|
|
|
т-2 |
|
|
P(ml<^xs^m2) = |
^ |
СптРтдп~т. |
|
|
|
|
т —т 1 |
|
|
Факториалы больших чисел могут быть вычислены прибли |
||||
женно по формуле Стирлинга |
|
|
|
|
п\ |
|
|
1 |
|
2’ л (' + |
12га + 288«3 |
|
||
т ) " У |
|
|||
1п(«!) |
/И - - \ Ы п - |
-п—In У 2 ii. |
(25) |
Из-за громоздкости вычислений при больших значениях п часто пользуются следующими приближениями для биномиаль ного распределения. Если X — число наступлений события А в п независимых испытаниях, в каждом из которых вероятность этого события равна Р, 0 < ^ )< 1 , то при п-+-оо
Х - п Р
(26)
Y nPq
то есть при достаточно больших п и не очень малых Р биноми альное распределение можно заменить нормальным.
Если при п->оо вероятность наступления события А стремит ся к нулю так, йто а = пр остается постоянным, то биномиальное распределение стремится к пуассоновскому.
Распределение Пуассона
В теории вероятностей доказывается, что число появлений ред ких событий будет приближенно подчиняться закону Пуассона. Закон Пуассона независимо от вероятности события действует в тех случаях, когда эти события в ряде опытов распределяются с одинаковой средней плотностью независимо друг от друга и сов мещение двух или нескольких событий практически исключено.
Если математическое ожидание или среднее число событий, наблюдаемое на некотором промежутке, принимаемом за едини-
34
цу, равно К, то вероятность того, что на интервале / произойдет ровно К событий, может быть подсчитана по формуле (27) или по приложению 11.
Рк = |
е~и , |
(27) |
|
К\ |
|
где К — случайная величина, |
которая может |
принимать положи |
тельные значения, включая нуль.
Произведение Х1=а представляет собой среднее число собы тий, наблюдаемых на отрезке длиной /, и называется параметром распределения. В теории вероятностей доказывается, что диспер сия случайной величины, распределенной по закону Пуассона, равна ее математическому ожиданию XI.
Для распределения Пуассона математическое ожидание, сред
неквадратическое отклонение, дисперсия могут быть |
установле |
|
ны так: |
|
|
тх= а ; охж У а\ |
Dx= a . |
(28) |
Вероятность попадания в некоторый интервал |
|
|
|
т 2 |
|
P (m ,^ X ^ m 2) = e - w |
^ • |
(29) |
|
m=mi |
|
Закон равномерной плотности
Распределение случайной величины будет описываться зако ном равномерной плотности (рис. 2), когда возможные значения этой случайной величины х лежат в определенном Интервале, в пределах которого все они имеют равную плотность.
3* |
3.5 |
В этом, случае график плотности вероятности имеет форму
прямоугольника с ординатой f(x): |
|
|
f( x)— —-— при |
a ^ i x ^ b ; |
(30) |
b—a |
|
|
f ( x) —0 при х < а |
или х>Ь. |
|
Равномерное распределение встречается в тех |
случаях, ког |
да некоторая величина известна с ограниченной точностью, но она при изменении принимает непрерывное значение.
Для равномерного распределения математическое ожидание, среднеквадратическое отклонение и дисперсия будут:
тX |
а+Ь ш а |
Ь—а |
' |
__ (b—a)2 |
(31) |
|
~2~ ’ Gjc~~ |
2 f 3 |
’ |
12 |
|||
|
|
Вероятность попадания случайной величины, имеющей равно мерное распределение, на участок (а, Р), представляющий собой часть интервала (а, Ь),
Р ( а < х < $ ) = |
d x |
Р — а |
(32) |
|
Ь—а |
Ь—а |
|||
|
|
Нормальный закон распределения
Многие встречающиеся на практике, в том числе при решении задач гидротехники и мелиорации, случайные величины могут рассматриваться как сумма независимых между собой или мало зависимых частных ошибок, каждая из которых в этой сумме иг рает малую роль. В этом случае суммарная случайная величина будет подчиняться нормальному закону с плотностью распределе ния (рис. 3)
f(x) = |
1 |
е |
( х - т х ? |
|
|
2а2 |
(3 ) |
||||
|
|||||
|
X |
< *xV2v:
Классическое нормальное (Гауссово) распределение играет огромную роль в теории вероятностей и математической стати стике. В ряде случаев оно служит предельной формой для дру гих распределений.
Для нормального закона распределения математическое ожи дание, ереднеквадратическое отклонение, дисперсия будут:
тх—а\ ст*=а; Dx= a 2. |
(34) |
Нормальный закон распределения (закон Гаусса) чаще дру гих применяется при решении практических задач, он является предельным, и к нему приближаются другие законы распреде ления. Опытами установлено, что нормальному закону подчиня ются как ошибки измерений, так и изменчивость физико-техни ческих показателей материала, турбулентные пульсации и др.
36
Вероятность попадания случайной величины X на участок (а, р) определяется или с помощью таблиц приведенной функции
Лапласа (см. приложение |
10) |
|
|
|
|
|
||
Р(а<Х<р) |
_!_[ф /Jz-Щх. |
л |
а—тх |
V |
||||
ф |
||||||||
0,675ах |
(35) |
|||||||
|
2 |
\ |
0,675аж |
|
J ] ’ |
|||
или с помощью таблиц |
нормальной |
функции |
распределения |
|||||
Р ( а < Х < р ) |
= |
Ф* |
ft тА _ф * |
|
(36) |
|||
где |
|
|
|
/ |
|
|
|
|
|
|
х |
|
|
|
|
||
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
(37) |
|
|
|
|
— ОО |
|
|
|
|
|
|
|
e~tadt |
(при р =0,477). |
(38) |
||||
|
|
о |
|
|
|
|
|
Когда участок (а, р) расположен симметрично относительно центра рассеивания тх, то при длине участка 2Е вероятность попадания на него будет
Рис. 3. Характеристика кривой нормального распределения:
®— ср ед неквадратическое отклонение (стандартное отклонение).
37
Р ( IХ - т хI < £ ) = |
Ф ('----’----- |
) =2Ф* ( |
(39) |
||
1 |
1 |
\ 0,G753jr |
/ |
\ |
I |
Функция распределения E(x) случайной величины графически^ может быть построена с помощью соотношения
F (х) = Р (Х<.х) —Р (—о о < Х < х ) =
Ф |
х — т х |
(40) |
|
0,675сЛ |
|||
2 |
|
Среднеквадратические отклонения на практике часто исполь зуются для определения границы области отклонения случайной величины.
Если случайная величина подчиняется нормальному закону распределения, можно показать, что вероятность отклонения слу чайной величины от своего математического ожидания не более чем на а равна 62,27%, не более чем на 2а — 95,45%, не более чем на За — 99,73%, то есть
Р { \ Х - т х\ ^ За} =99,73% .
Близость к единице величины, соответствующей За (правило трех а), указывает, что нарушение этого правила наблюдается в одном случае из трехсот.
Логарифмически-нормальное распределение
Логарифмически-нормальное распределение широко использу ется в теории надежности для описания опытных данных о дли тельности безотказной работы различных элементов. Интенсив ность отказов (неисправности) элементов, подчиняющаяся этому распределению, вначале возрастает до некоторого максимального значения, а затем при t->-оо убывает до нуля. Данное распреде ление как и распределение Вейбулла применяется при описании усталостной прочности материалов. Этим распределением можно также описывать данные об отказах тех элементов, скорость из носа которых с течением времени уменьшается.
Если X случайная величина и lg(X —а) подчиняется нормаль ному закону распределения с математическим ожиданием тх и среднеквадратическим отклонением ох, то случайная величина имеет логарифмически-нормальное распределение с функцией плотности распределения:
l g [( x ~a ) ~m x Y2
f ( x ) = -------- -— rz—е |
2ах‘ |
; х > а . |
(41) |
ах( х — а)]Х2л |
|
|
|
38
Рис. 4. Плотность логарифмически-нормаль- ного закона распределения.
Параметры а, тх и ох этого распределения связаны соотно
шением |
|
|
а = а |
; о ! = IgO + л 2), |
(42) |
|
’Ч |
|
|
mx= \ g { a \ —а)---- — a l, |
(4 3) |
где ai и аг — первые два начальных момента логарифмическинормального распределения;
г]— действительный корень уравнения т]3+ З р —yi = О".
7 != |
м 3 |
■— коэффициент асимметрии. |
|
|
ах |
Кривая плотности логарифмически-нормального распределения с т ж= 0,46 и ох= 1 показана на рисунке 4. При х^.а функция плотности распределения равна нулю.
Экспоненциальное распределение
В практике расчетов надежности исключительное значение имеет экспоненциальное распределение.
Функция распределения непрерывной случайной величины, под чиненной показательному, или экспоненциальному, закону, имеет вид:
1—е~Хх |
при х ^О |
|
F(x) = |
|
(44) |
О |
при х < 0 . |
|
Плотность распределения величины |
х будет: |
|
\е~Хх |
при |
|
О |
|
(45) |
|
при х < 0 , |
39