- •Введение
- •Глава I определениясистемного анализа
- •Системность - общее свойство материи
- •Определения системного анализа
- •Понятие сложной системы
- •Характеристика задач системного анализа
- •Особенности задач системного анализа
- •Глава 2 характеристика этапов системного анализа
- •Процедуры системного анализа
- •Анализ структуры системы
- •Построение моделей систем
- •Исследование ресурсных возможностей
- •Определение целей системного анализа
- •Формирование критериев
- •Генерирование альтернатив
- •Реализация выбора и принятия решений
- •Внедрение результатов анализа
- •Глава 3 построение моделей систем
- •Понятие модели системы
- •Агрегирование - метод обобщения моделей
- •Глава 4 имитационное моделирование - метод проведения системных исследований
- •Сущность имитационного моделирования
- •Композиция дискретных систем
- •Содержательное описание сложной системы
- •Глава 5 теория подобия - методология обоснования применения моделей
- •Модели и виды подобия
- •Основные понятия физического подобия
- •Элементы статистической теории подобия
- •Глава 6 эксперимент - средство построения модели
- •Характеристика эксперимента
- •Обработка экспериментальных данных
- •Глава 7 параметрические методы обработки экспериментальной информации
- •7.1. Оценивание показателей систем и определениеихточности
- •7.2. Использование метода максимального правдоподобия для оценивания параметров законов распределения
- •Глава I определения системного анализа 7
- •Глава 2 33
- •Глава 3 построение моделей систем 53
- •Глава I определения системного анализа 7
- •Глава 2 33
- •Глава 3 построение моделей систем 53
- •7.5. Примеры оценки показателей законов распределения
- •Глава 8
- •Глава I определения системного анализа 7
- •Глава 2 33
- •Глава 3 построение моделей систем 53
- •Формулировка теоремы Байеса для событий
- •Глава I определения системного анализа 7
- •Глава 2 33
- •Глава 3 построение моделей систем 53
- •8.3. Вычисление апостериорной плотности при последовательном накоплении информации
- •Достаточные статистики
- •Сопряженные распределения
- •8.9. Оценивание параметров семейства гамма-распределений
- •Глава I определения системного анализа 7
- •Глава 2 33
- •Глава 3 построение моделей систем 53
- •Глава 9
- •Общие замечания
- •Ядерная оценка плотности
- •Глава 10
- •Задача линейного программирования
- •Глава I определения системного анализа 7
- •Глава 2 33
- •Глава 3 построение моделей систем 53
- •Метод искусственных переменных
- •Дискретное программирование
- •Нелинейное программирование
- •Глава 11 системный анализ и модели теории массового обслуживания
- •Глава I определения системного анализа 7
- •Глава 2 33
- •Глава 3 построение моделей систем 53
- •Замкнутые системы с ожиданием
- •11.5. Пример расчета надежности системы с ограниченным количеством запасных элементов
- •Глава 12 численные методы в системном анализе
- •Метод последовательных приближений
- •Глава I определения системного анализа 7
- •Глава 2 33
- •Глава 3 построение моделей систем 53
- •Глава 13 выбор или принятие решений
- •Глава I определения системного анализа 7
- •Глава 2 33
- •Глава 3 построение моделей систем 53
Элементы статистической теории подобия
В общем случае параметры исследуемых систем, процессов или явлений могут представлять собой случайные величины. Поэтому необходимо применять основные положения теории подобия с учетом стохастического характера процессов и явлений, происходящих в объектах. Принципы подобия в стохастическом смысле основаны на том, что сравниваемые параметры являются случайными величинами, а критерии подобия - функциями этих случайных величин.
Рассмотрим постановку задачи определения подобия системы-оригинала и модели. Пусть имеется соотношение [29] вида
P = P1AP2A111APni, (5.2)
ще р,, =^-, і = 1, m - статистики критериев, сформированные для каж-
xV
дой группы одноименных параметров; {х|(} - параметры системы-оригинала; {х2Д - параметры модели.
Считается, что системы подобны, если отношение (5.2) равно единице. Параметры, входящие в выражение (5.2), в общем случае являются случайными величинами. В такой постановке можно говорить о равенстве критерия р единице только с некоторой долей вероятности. Если критерий р является непрерывной случайной величиной, то вероятность того, что р = 1, в точности равна 0. В стохастической постановке принято считать, что две системы подобны, когда функции распределения параметров, характеризующих эти системы, равны, а статистика критерия подобия находится в пределах верхней и нижней границ доверительного интервала. Вектор параметров системы в общем слу
чае представляет собой набор функциональных и конструктивно-технологических параметров системы. Примерами таких параметров могут служить физические характеристики: коэффициент теплопередачи, рабочее давление, число оборотов вала турбины, параметры, характеризующие габаритные размеры объекта и т.п. В качестве параметров могут использоваться обобщенные параметры, например, характеристики надежности типа среднего времени до отказа (наработка на отказ), коэффициент готовности, вероятность выполнения задачи и т.д.
Примеры параметров промышленных объектов. Проведем анализ параметров на примере конкретных промышленных объектов. Рассмотрим агрегаты, входящие в структуру атомных электростанций (АЭС). Так при анализе модульных парогенераторов АЭС определяющими параметрами являются количество трубок в модуле, количество модулей, длина трубки, толщина стенок трубки, коэффициент теплопередачи, параметры рабочего тела. При исследовании подобия турбин определяющими параметрами являются мощность турбины, габаритные размеры, параметры пара, такие как влажность, температура и пр. Для электронных устройств помимо конструктивного подобия необходимо анализировать электрические параметры: напряжение и силу тока на входе и выходе, коэффициент усиления и т.п.
Изложим способ получения численного значения статистик критерия подобия. Пусть случайные параметрыхп, хп, ..., хы имеют плотность распределенияZ11(X1), соответственно параметры х21, х22, ..., х2т имеют плотносгь/^(х2(). Тогда в терминах задачи проверки статистических гипотез нулевая гипотеза H0 будет состоять в том, Vrofu(Xl) =/гі(х2) для всех одноименных параметров.
Альтернативная гипотеза заключается в том, что/и(хь) ^f2i(X2). Для критерия подобия можно записать, что сравниваемые системы подобны, если р є [рл, р J. Здесь ря, р4 - соответственно нижняя и верхняя границы доверительного интервала для критерия подобия, определяемые с некоторым уровнем значимости.
Для определения численного значения статистики критерия р при справедливости гипотезы H0 необходимо по известным плотностям распределения случайных величин X1. и х определить плотности распределения/^ w) иZ21(X2)1 от этих плотностей перейти к плотности распределения величины р и, наконец, вычислить выборочное значение статистики р и границы критической области [ря, pj.
Величиных,
и х2,
независимы, следовательно, их совместная
плот-
X. і Акр хя P - Pl Ap2A-Aplli=-i-A А... А .
*21 Х22Х1т
Иными словами сравнению подлежат параметры одного типа. Например, сравнивают длину трубок парогенераторов оригинала и модели, толщину стенок этих парогенераторов, их теплопроводность и т.д.
Множество величин р( представляет собой набор независимых случайных величин. Тоща объекты — оригинал и модель — находятся в отношении подобия, если они подобны по каждому определяющему параметру.
Теперь задача сводится к определению доверительного интервала по каждому критерию подобия р. с одним и тем же уровнем значимости. Если такие интервалы найдены и для каждого критерия выполняются условия ре [p„,pj , то объекты можно считать подобными. Если же хотя бы по одному критерию условие подобия не выполняется, то оснований считать объекты подобными нет.
Следует заметить, что часть анализируемых параметров может иметь детерминированный характер. Так, в примере с парогенератором можно считать, что длина трубок, толщина стенок трубок - величины неслучайные, поэтому при анализе подобия объектов по этим параметрам решение тривиальное, не требующее привлечения аппарата случайных функций. Подобие по этим параметрам определяется путем деления параметров объекта-оригинала на соответствующие параметры модели. Таким образом, размерность задачи (5.2), требующей анализа с использованием аппарата случайных функций, существенно понижается.
Методика определения плотности распределения величины р состоит в следующем. Итак р = — - выборочное значение статистики кри-
^Zi
терия, определенное по результатам испытаний системы оригинала и модели, Fp (к) - функция распределения величины р(. He нарушая общности, опустим индекс в записи для функции распределения, так как аналогичные выкладки будут иметь место для любых параметров системы, имеющих характер случайных величин. Запишем выражение для функции распределения:
/
^<к
Fp(K)^P(p<K) = P
(.. „2, независимы, следс 7
ность распределения есть произведение плотностей этих величин. Co-
гласно [31], вероятность соотношения -l^k выражается интегралом
Х2
от совместной плотности по области, определенной неравенствами х2>
О, X1 < х2к:
Fp(K)= JJ fl(y)f2(z)dydz. (5.3)
X2 >0
X1^X2K
Будем считать, что функция Fp(K) дифференцируема, т.е. существует
ПЛОТНОСТЬ Ур(к).
Точные доверительные границы определяются из соотношений
р.
J/p(K///0)dK = a;
! (5.4)
J /Р(к/H0)dK=a,
Pb
где a - уровень значимости.
В данных соотношениях неизвестными величинами являются значения границ доверительного интервала ря, р4, относительно которых необходимо решить интегральные уравнения (5.4). Определив функцию распределения статистики критерия (5.3) можно ограничиться вычислением приближенных границ доверительного интервала. Для этого необходимо получить плотность распределения статистики критерия р, вычислить математическое ожидание
шр =J Ч(к^к
«р
и среднее квадратическое отклонение статистики критерия
Фі(у)
=
0P
\\-iy
Рассмотрим методику проверки гипотезы о подобии объектов оригинала и модели. Решение о подобии объектов будем принимать на основании сравнения оценок, полученных на различных этапах исследования, а именно, при функционировании объекта-оригинала и при исследовании модели. Особо подчеркнем, что в качестве сравниваемых параметров фигурируют оценки. Поскольку оценки определяются путем обработки выборки случайных чисел ограниченного объема, то они сами являются случайными величинами, имеющими плотность распределения/^/). В ряде случаев плотность распределения оценок характеристик довольно просто получить на основании плотности распределения исходной случайной величины. Известно [30], что если оценка характеристики выражается через достаточную статистику M(T) (через М(Т)ъ математической статистике принято обозначать сумму случайных величин), то для определения ее плотности распределения можно воспользоваться аппаратом характеристических функций. Такая ситуация имеет место при определении средней наработки, интенсивности отказа, вероятности отказа, коэффициента готовности и ряда других параметров системы. Рассмотрим два случая распределения наблюдаемых случайных величин.
Случайная величина (например, наработка до отказа) имеет гамма-распределение t~T(t, X, а) с параметрами: X - параметр масштаба и a - параметр формы. Определим плотность распределения средней величины. Рассмотрим функционирование объекта-оригинала. Пусть за время его работы наблюдаемая случайная величина реализовалась к раз. Положим, что все случайные величины независимы и распределены по гамма-закону
Tv.-» a ч_ V7“'"exP(-V)
Ц,Л’а,) Г(од •
Характеристическая функция для данной плотности имеет вид
/ . Y1
Х,-іуV1 jI
Характеристическая функция величины X = ^Tj, где к- объем стати-
J-I
стических данных, определяется из соотношения
Фх(у) =
Применяя к данному выражению обратное преобразование Фурье, получаем плотность распределения случайной величины X
/(-r^pa1)- . • (5-5)
Що,)
Перейдем от плотности распределения случайной величины X, представляющей собой сумму случайных величин, к величине T , являющейся средней величиной
*
T—
41 к '
Плотность распределения средней величины будет иметь вид
Г(*а,)
Аналогичное выражение получим для распределения оценки, рассчитанной по результатам испытаний модели:
Л,a,) = (5.7)
Г(па2)
здесь п - объем статистических данных, полученных при проведении исследования модели. Определим теперь функцию распределения статистики критерия р, для чего подставим выражения (5.6) и (5.7) в (5.3) и получим
ZprCO=JJ/, (*,)/2 (f2Vfc1A1=
f2>0(,S 1гк
(IcXJa'exp(-fcy,) г,"»-1 exp(-nX2t2)
_гг ) ‘1 exPl kViHW;) r2 exp(-nA2t2),
T(^a1)Г(па2) 1 2-
'1Sr2K
Перейдем в данном выражении к повторному интегралу и произведем замену переменных ?2 = v, tx = uv, получим
к \ла2/|Л \*ai Ical-I-
Г
(t-mrf
4
V
2л-
і T(Ha2)Faa1) J0 **1 V 1 Uf*
Внутренний интеграл в данном выражении представляется через гамма-функцию следующим образом:
7
^+*<*,-1exp{-v(fcX1M+пХ2
)]dv=
J0 У і * JJu (n^+fcVr -1
Таким образом, функция распределения критерия р будет иметь вид
fr(K\- г (nK)"“’ (kK )*°1 r(naz +ka, )ц>а‘du
р \ Г(ш, )Г(/са, )(пк2 +k\u)'iai*ka'
Соответствующая данной функции плотность распределения получается дифференцированием данного выражения по к и равна
fг, > _ (пК г (U1)taTUa2 +E(X1)K*-'-1р Г{па2)Г(ка,)(пК+к\куа^а' ' ^ ' ’
При справедливости гипотезы H0 должны выполняться соотношения X1=X2=X, a =Ot2=O, тогда условная плотность распределения статистики критерия будет иметь вид
гЧк.’П (к/пУаП(п + к)д.)Kta-
р 0 r(na)r(jta)(Kjt/n + l)<,,+t|“' ^ ^
Точные верхнюю и нижнюю границы доверительного интервала ря, р4 определяем, решая уравнения (5.4), подставляя в них выражение (5.9). Данные уравнения решаются численными методами, например, методом последовательных приближений. Гамма-распределение является довольно общим распределением. К семейству гамма-распределений относятся распределение Рэлея, экспоненциальное распределение, %2- распределение. Таким образом, полученные результаты могут быть обобщены на ряд других законов распределения случайной величины, для которой формируется критерий подобия.
Второй случай характеризует ситуацию, когда наблюдаемые случайные величины подчиняются нормальному распределению. Методику разработки критерия будем рассматривать на примере сравнения средних арифметических выборочных данных, полученных при функционировании оригинала и модели. Пусть наблюдаемые случайные величины имеют плотность распределения соответственно
Z1wW=-T-ех р л/2яі,
/2ЧО
=
J-ехр
у/2ns,
где in,, J1 - параметры плотности распределения случайной величины, полученной при наблюдении за объектом-оригиналом; от2, S2 - параметры плотности распределения случайной величины, полученной при исследовании модели. Тогда выборочные средние значения, определяемые
к
(a2
+
і2
)
у2 -2v(|xa2 + ms2)/(a2 + s2) + (ц2а2 + т2s2)/(а2 + S2)
Is2O2 /(а2 + .V2)
В числителе данного выражения добавим и отнимем величину
ґ Ґ 2 2 ч V (цо +ms )
, тогда выражение примет вид
2
„
(HO
+ms2)
V
-2v H
*
=
?
">
/
1 'У
'
2s'о/
(o'
+
і')
(a
+s')
(-г-"»,)2
2d:
V 1
г ,
N
(х-тЛ
л/гїсо,
і
(|X2a2
+rn
s2)
(,O2
+s2)
(ца2
+
ms1)
(o2
+
s2)
(ца2
+
ms2)
(a2
+s2)
Is2O2/(o2
+s2)
(¾
- W2
)2
2a!
Ix^dx2.
-exp
(v-m
)2
dv.
2a2
V
—
-
Qx-т)2
2(a2+s2)
dv,
exp
2
a1
S11
(a1
+S2)
^(^f^Jv-= J=-QX
p
0
о
V
271
a,
V27ia2
^
2a,
(5.10) '
Произведем
в данном выражении следующую замену
переменных: Щ
°1
Д
=—,
s
=
~>
Далее
индексы у параметров для простоты
опустим. Запишем показатель у
экспоненты, предварительно суммируя
слагаемые:
v_
(у-Ц)У
+ (у-го)У
_
V2O2-2v|xa2
+[X2O2
+vV-Ivms1
+m2s2
Is2O2 ~ Is2O1
Приведем
подобные члены в данном выражении:
у2
(о2
+
S2)
-
2у(цсг
+
ms2)
+ |ro2
+m2s2
Переходим
в данном выражении к повторному
интегралу, выполняя при ЭТОМ
замену
переменных X2
=VtXl
= UV-.
где
о.
=
-j-,
O2
=
к п
Запишем
функцию распределения статистики
критерия р:
Fp"
(
к)
=
JJ
^
expf-^-^ll
1
Jt2>о
V2ita,
I
2a,
n/27OT
/,"(*)
I2nM
2 V2
.2
_
л2
(uv-m.f
Л
2 2
Is
о
-exp
exp
exp
2а;
V
=
жения
для плотностей распределения:
1
В
первом слагаемом получили квадрат
разности двух выражений, причем выделили
переменную V.
Второе
слагаемое получилось не зависящим
от интегрируемой переменной. Упростим
второй член данной суммы, для чего
вынесем за скобку (a2+j2y2,
тогда
получим
_
(ц2о2
+
щ2S2
)(g2
+ S2)
- (ро2
+
ms2
)2
_
2 2s2o2(o2+s2)
W2S4
+W2S2O2
+H2O2S2
+H2O4
-р2о4
-2\io2ms2
-m2s4
2s2o2(o2
+s2)
Приведем
подобные члены и получим простое
выражение
2
(о2+S2)
Преобразуем
выражение (5.10)
с
учетом полученных результатов:
K-J j
Fp
(к)
=\du\v— 7=—exp
О
О V
2710,
V
27ta2
/
2
2 .
2 2.
(Ц
a
+ m
s )
/
2,2.
(a
+ s
)
|1<Г
+
ms
a2
+S2
2
V
LV
V
Qia2
+
ms')
V
^+*2)
J
Qxa2
+
ms2)
V
(°2
+
*2>
J
Разделим
числитель и знаменатель на (a2+s2),
получим
ЦО‘
+
ms
a2
+s2
(
I ,!
\
(W1H-W2)
Fp"(K)
=
jf
Vna1O2
(W2O12H+
W1O,2)
г«-Ь=
('Vi-тУ
2
(о2+і2)_
dujvexp
о
2(о,‘и'
+о2‘)
(W2O12M+
W1O2')
dv.
■eА
ГГ
ехр
ov27ca,
-Jlna2
о Viito1 Tiiia2
2 оУДа2 +52)
1 + Ф
Jlial2U2 +о22)о,о2 _ Л
■Jl(a
2u2 +O22) о,‘и'+о,‘ (Внутренний интеграл в данной формуле выражается через функцию Лапласа. Покажем это. Для этого введем обозначение:
2 2 O2M2 + о
(W2O1 И + W1O2 ) Jlia2U2 + о,2)о,о2
cfu-
TexP
p.a2 + ms2 о2 +S2
у--
Z=-
Os
4Ї
Соответствующая плотность распределения статистики критерия выглядит следующим образом:
Va
Тогда интеграл можно записать в виде
/2
=
-Jl
.
I
vexp(-z2
)dz.,
л/a2+
і2
„
1
1
(W1W-W2)'
ч 2(о12и2+о22)/
VitO1O2 |
(W2Oj-M + W1O22) |
Jlia1" и2 +O2-) |
2 ■> 2 O1 И“ +O2 |
Л» =
Viiio1 Viico.
■ехр
1 + Ф
о, о,
+
,
,
~
,
ехр
O1 и" + о.
(W2Oj-M+ W1O2')
Jlia*u2 +а*)а,а2 _
p.a +ms
где нижнии предел интегрирования равен а = -
По определению функция Лапласа имеет вид
2 у
ф(;у) = -= J exp(-Z2)*.
У/К о
Следовательно, можно записать
V
2(а2 + і2)іо
/ 2 Iv
(W2Oj-M+ W1O2 )
J Iia* и2 +о22)о,о2
/ J
При условии справедливости нулевой гипотезы должны выполняться соотношения т= mv s = Sr Следовательно, условная плотность распределения статистики критерия при условии справедливости нулевой гипотезы будет иметь вид
л/яла ' (ца2 +Wi2)
((J-G2 + Wi2)
-^2 (а2 + і2)іо
Y
1 + Ф
(а2 + і2) ^2(о2 + і2) (
S Q
+—: гехр
Г2 Cu-1)2
2(и2 / к + 1 In)
1
fp (u^ H0) = - ехр
Vitr
271
((J-O +Wi )
1 |
|
гу/пк(и /к+ Mn) |
‘ |
-Jnkiu2 /к + Мп) |
|
^ Jliu2/к + Мп) j |
|
(и Ik+ Mn)
Jliu2/к+ \/п) и2/к + 1/п
1 + Ф
ryfnk(u/k +1/п) Jliu21 к+ Mn) _
а2 + і2
L V
/ j
(5.11)
Подставляя полученное значение в (5.10) и переходя к прежним обозначениям, будем иметь
здесь г = mis.
Зная плотность распределения статистики критерия подобия, можно вычислить по аналогии с предыдущим случаем границы доверительного интервала для заданного уровня значимости. Для этого необходимо подставить выражение (5.11) в (5.4) и решить уравнения относительно верхней и нижней границ доверительного интервала. Нормальный закон распределения также является общим случаем, частными случаями которого будут усеченное нормальное распределение, логарифмическое нормальное распределение.
Таким образом, проверяя по каждой группе одноименных параметров гипотезу о их подобии, решаем задачу подобия системы оригинала и модели.
/