WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 || 3 |

«/ / Г. Н. Черкесов НАДЕЖНОСТЬ АППАРАТНО-ПРОГРАММНЫХ КОМПЛЕКСОВ Рекомендовано Министерством образования Российской Федерации в качестве учебного пособия по дисциплине «Надежность, эргономика и качество» ...»

-- [ Страница 2 ] --

(10.59) Если наиболее вероятные пути проверены, то В формуле (10.59) параметры и q можно оценить по экспериментальным дан ным. Для плана испытаний [NBr], в котором определяются значения — числа прогонов и (7 - 1)-м = с помощью метода максималь ного правдоподобия найдем уравнения относительно искомых оценок:

В частности, при = 2 имеем:

Гиперболическая модель роста надежности Пусть — вероятность безотказной работы во время цикла испытаний, — установившееся значение вероятности. Тогда кривую роста надежности можно аппроксимировать с помощью гиперболической зависимости где а — скорость роста кривой;

k — номер цикла. Оценки параметров и а можно получить с методом максимального правдоподобия. Для этого органи зуют испытания по циклам, в каждом из которых выполняют фиксированное число прогонов:..., Число успешных прогонов из общего количества имеет биномиальное распределение с параметрами и Тогда функция максимального правдоподобия где..., — фактическое количество успешных прогонов в циклах. Приве дем уравнения максимального правдоподобия:

(10.60) Систему алгебраических уравнений (10.60) решают методом итераций. Однако при / <\ можно найти приближенное решение:

где Е = — постоянная Эйлера. Если указанное условие не выполняется, то оценки (10.61) можно использовать как начальное приближение в итерацион ной процедуре.

Оценки параметров можно получить и с помощью метода наименьших квадра тов. Для этого надо найти значения и а, которые обеспечат минимум выбо рочной дисперсии:

= Дифференцируя эту функцию по а, получим систему уравнений Отсюда найдем решение:

(10.62) Эти оценки являются несмещенными. Оценки (10.62) можно использовать для нахождения хороших начальных значений оценок максимального правдо подобия.

Список литературы 1. Холстед М. Начала науки о программах / Пер. с англ. — М.: Финансы и ста тистика, 1981. - 128 с.

2. Шнейдерман Б. Психология программирования. — М.: Радио и связь, 1984. — 304 с.

3. M. L. Probabilistic models for software reliability prediction // Inter national Fault Tolerant Computing. Newton, Mass.;

N. Y., 1972.

4. Shooman M. L. Operation Testing and Software Reliability Estimation during Program Development // Record of the 1973 IEEE Symp. on Computer Software Reliability. N. Y., 1973. - P. 51-57.

5. Shooman M. L. Software Reliability measurement and models // 1975, Reliability and Maintainability Symp. — Vol. 1. — Washington, D. C, 1975.

P. 458-491.

6. Shooman M. L. Structural model's software reliability prediction // 2-nd Inter national Conf. Software Engineering, 1976. P. 268-280.

7. Shooman M. L. Software engineering: Reliability, Development and Management. — McGraw-Hill, International. Book Co, 1983.

8. Тейер Т., Липов М., Нельсон Э. Надежность программного обеспечения. — М.:

Мир, 1981. - 324 с.

9. Липаев В. В. Проблемы обеспечения надежности и устойчивости сложных комплексов программ АСУ // УСиМ. — 1977. - № 3. С. 39-45.

10. Moranda P. Final Report of Software Reliability Study. — McDonnell Douglas Astronautic Company. MDC Report № 63921. Dec. 1972.

11. Moranda Software Reliability Research // Statistical Computer Performance Evaluation / Ed. by W. Freiberger. — N. Y.: Academic, 1972.

12. Moranda P. B. Applications of a Probability // Based Model to a Code Reading Experiment, April 30 - May 2, 1973. - P. 78-83.

13. Moranda P. B. Probability-Based Models for the Failures During Burn — In Phase Joint National Meeting ORSA // Tims. - Las Vegas;

N. Y.;

Nov., 1975.

14. Lipov M. TRW report № Maximum Likehood Estimation of Software Distribution. June, 1973.

15. Shick C.J., R. W. Assessment of Software Reliability // 11-th Annual Meeting of the German Operation Research Society. Hamburg, Germany, 6-8 Sept., 1972.

16. Shick C.J., Wolverton R. W. Achieving reliability in large scale software system // Proc. of the Annual Reliability and Maintainability Los Angeles, 1974. — P. 302-319.

Lipov M. Some variation of a Model for Software Time-to-Failure // TRW Systems Group. Correspondence 19-21 Aug., 1974.

18. Hamilton P. A., D. Measuring reliability of Computation Center Software // Proc. 3-th Internat. Conf. on Software. Eng. May 10-12 1978. - P. 29-36.

19. D. Validity of Execution time theory of software reliability // IEEE on reliability. - 1979. - № 3. - P. 199-205.

20. Sukert C. A. An investigation of software reliability models // Proc. Annual Reliability and Maintainability Symp. - 1977. — P. 478-484.

21. Wall]. K., Ferguson P. A. Pragmatic software reliability prediction // Proc. Annual Reliability and Maintainability Symp. - 1977. - P. 485-488.

22. Nelson E. Software reliability FTC-5 Internat. Symp. Fault Tolerant Computing.

Paris;

N. Y., 1975. - P. 24-28.

23. Nelson E. C. Estimation software reliability from test data // Microelectronics and reliability. - 1978. - Vol. 17. - P. 61-74.

24. Осима Ю. Надежность программного обеспечения // Дзеко сери. —1975. — Т. 16, № 10. - С.

25. Иыуду К. А., Касаткин А. И., В. В. Прогнозирование надежности программ на ранних этапах разработки // Надежность и контроль качества. — 1982. - № 5. С. 18-30.

26. Ллойд Д., Липов М. Надежность. — М.: Сов. радио, 1964. — 686 с.

Вопросы для самоконтроля 1. В чем состоят постановка задачи и этапы проектной оценки надежности про граммного обеспечения (ПО)?

2. Перечислите факторные модели в проектной оценке надежности ПО, их содер жание и применение.

3. Каков порядок проектной оценки надежности ПО?

4. Назовите варианты моделей оценки надежности программ по результа там их отладки. Сравните эти модели. Приведите перечень необходимых для расче тов исходных данных.

5. Какие существуют структурные модели оценки надежности программ по результатам испытаний?

Глава Практические методы статистической оценки надежности Роль эксперимента в оценке надежности Роль эксперимента в оценке надежности огромна. Достаточно сказать, что экспе римент (в частности, статистический эксперимент) является единственным источ ником объективной информации о надежности. Только эксперимент (в реальной или опытной эксплуатации, а также при специальных испытаниях аппаратуры) позволяет получить показатели надежности элементов, необходимые для теоре тического расчета надежности систем. Не имея же данных о надежности элемен тов, невозможно рассчитать надежность системы, а в этой ситуации становится бесполезным любой теоретический анализ моделей надежности.

Однако эксперимента с элементами системы (первичного эксперимента) для оценки надежности недостаточно. Проводимые на этапе проектирования теоре тические расчеты, обладая тем бесспорным достоинством, что они позволяют оценить надежность систем еще до их изготовления, являются все же прогнозом, содержащим даже при абсолютно достоверной информации о надежности эле ментов большую или меньшую методическую погрешность. Наличие этой по грешности объясняется двумя причинами: 1) несовершенством математической модели надежности, так как в ней отражаются не все, а лишь наиболее сущест венные факторы, влияющие на надежность;

2) нарушениями в реальной системе (хотя и небольшими в хорошей модели) тех допущений, которые приняты в про цессе формирования математической модели надежности.

Поэтому для подтверждения прогнозируемых теоретическим расчетом показа телей надежности систем необходим вторичный эксперимент над опытными образцами изделия или их макетами. Вторичный эксперимент имеет некоторые особенности по сравнению с первичным экспериментом.

Элементы обычно обладают высокими показателями надежности (средняя нара ботка до отказа равна десяткам, сотням тысяч и даже миллионам часов). Однако их производство, как правило, является массовым, и поэтому имеется принципи альная возможность проводить испытания большого числа элементов (тысячи, десятки и даже сотни тысяч). Иное дело с системами. Здесь количество испыты ваемых образцов исчисляется десятками, реже сотнями. В высоконадежных изделиях, где применено глубокое структурное резервирование, для получения хороших оценок надежности необходимо длительное наблюдение, иначе оценки могут значительно отличаться от реальных показателей надежности.

Часто не удается собрать статистику об отказах малосерийных и уникальных из делий в течение всей их жизни до морального старения. Поэтому иногда ставят под сомнение необходимость теоретических расчетов для таких систем, так как их результаты не удается подтвердить экспериментально.

Противоположная точка зрения, согласно которой теоретические расчеты не обходимы и для уникальных систем, основана на том, что последние обычно содержат большое число элементов, что позволяет получить хорошие экспе риментальные оценки надежности входящих в систему блоков и устройств.

Кроме того, при наличии достоверной информации о надежности блоков и уст ройств совершенствование математической модели позволяет снизить методиче скую погрешность до довольно низкого уровня. При этом по мере усложнения модели необходимо широкое применение методов статистического моделиро вания.

11.2. Классификация методов статистических испытаний надежности Статистические данные об отказах изделий можно получить в результате наблю дений за изделиями в нормальной или опытной (подконтрольной) эксплуатации либо в результате стендовых испытаний.

Наблюдения в нормальной эксплуатации — самый дешевый способ получения экспериментальных данных о надежности. Сведения об отказах (времени, месте, причине отказа, времени устранения, наработке между отказами, условиях экс плуатации и пр.) оформляются на местах эксплуатации оперативно-ремонтным персоналом в документах стандартной формы, собираются в центре сбора и об работки данных и обрабатываются по определенным алгоритмам. Достоинством этого способа является также то, что получаемые данные относятся к реальным системам. Недостатки способа — существенное запаздывание данных, затрудняю щее их использование при проведении работ по повышению надежности, ограни ченные возможности активного эксперимента, повышенное влияние субъектив.

ного фактора, так как в сборе сведений на местах участвуют не представители служб надежности, а оперативно-ремонтный персонал.

В опытной эксплуатации наблюдения за работоспособностью изделий проводят ся с участием представителей служб надежности, имеющих специальную подго товку, что позволяет проводить эксперименты по единой методике, в том числе и некоторые активные эксперименты в специальных режимах эксплуатации (по вышенный уровень помех, введение искусственных отказов и пр.). При этом снижается роль субъективного фактора. Однако, как и в первом случае, возмож ности активного планирования испытаний ограничены. Кроме того, для сбора сведений необходимо в течение длительного времени задействовать на местах эксплуатации довольно большой штат сотрудников служб надежности.

Стендовые испытания являются централизованными и проводятся либо на заво дах-изготовителях, либо на предприятиях разработчиках систем. Это весь ма дорогостоящий вид испытаний, осуществляемый к тому же не в реальных, а в имитируемых условиях эксплуатации. Кроме того, в течение периода испытаний, как правило, не удается использовать системы по назначению. Однако стендовые испытания — это едва ли не единственная возможность своевременно получить информацию о недостатках схемных решений, конструкции и техноло гии и применить ее для совершенствования технической документации системы и повышения ее надежности. Стендовые испытания позволяют проводить ак тивные эксперименты (в режимах, допускающих выявление слабых мест систе мы, в «пиковых» режимах, редких или недопустимых при нормальной эксплуа тации и пр.) и ускоренные испытания.

Испытания надежности можно классифицировать не только по виду, но и по ряду других признаков. По типу отказов различают испытания на внезапные от казы, на постепенные отказы и комплексные испытания.

По назначению испытания бывают определительные и контрольные [7]. Опреде лительные испытания предназначены для выявления фактического уровня по казателей надежности. Их результаты не только имеют значение для испытывае мой партии изделий, но могут иметь и более широкое применение. Контрольные испытания предназначены для того, чтобы установить соответствие фактических характеристик надежности конкретной партии изделий заданным требовани ям. При этом фактический уровень надежности количественно не определяется и результаты контрольных испытаний имеют значение лишь для испытываемой партии изделий.

По объему выборки различают испытания с полной и усеченной выборкой. Ис пытания с полной выборкой проводятся до полного «выжигания» — до отказа всех испытываемых изделий. При усеченной выборке часть образцов может про работать безотказно до конца испытаний.

При планировании обычных испытаний необходимо установить:

1. признаки отказов изделия. Все состояния изделия, связанные с отказами отдельных элементов, относят к одному из двух классов — работоспособные и неработоспособные — и таким образом определяют сложное событие «отказ системы»;

2. показатель надежности, который является главным для данного изделия.

В зависимости от назначения изделия и требований к надежности таким показателем может быть вероятность отказа или вероятность безотказной работы, интенсивность отказов, наработка на отказ, коэффициент готовно сти и др.;

3. условия испытаний (электрические режимы, климатические условия, меха нические нагрузки, последовательность и длительность решения информаци онных, информационно-расчетных и расчетных задач);

4. способ контроля работоспособности. Контроль может быть либо только внут ренний, то есть с помощью средств, предусмотренных для нормальной экс плуатации, либо внешний, с помощью средств, предназначенных специально для испытаний наконец, комбинированный (внутренний и внешний). По времени работы системы контроля различают контроль непрерывный и пе риодический с заданным периодом включения;

5. способ замены отказавших изделий, Здесь возможны следующие стратегии:

отказавшие изделия не заменяются до конца испытаний (план типа заме няются немедленно после отказа (план типа В), группою после того, как ко личество отказавших изделий достигнет заданного уровня (план Б, В), и т. д.;

6. количество испытываемых изделий 7. правило окончания испытаний. Здесь возможны следующие варианты плани рования: испытания заканчиваются по истечении заданного времени Т, после отказа, после отказа всех изделий, в момент времени = где —момент r-го отказа.

Для обозначения планов испытаний будем применять символику с тремя пози циями: количество испытываемых изделий, способ замены отказавших изделий, правило окончания испытаний. Возможны такие планы:

и др. Чаще всего применяются следующие четыре типа плана [6]-[8].

1. План Испытываются N элементов, каждый отказавший элемент заменяется новым, испытания проводятся в течение фиксированного време ни Г [10].

2. План Испытываются N элементов, отказавший элемент выводит ся из наблюдения, испытания проводятся в течение фиксированного вре мени Т [11].

3. План Испытываются N элементов, каждый отказавший элемент за меняется новым, испытания проводятся до получения отказа [12].

4. План Испытываются N элементов, отказавший элемент выводится из наблюдения, испытания проводятся до получения r-го отказа.

Стремление ускорить процесс испытаний и получить как можно больше инфор мации о надежности изделий вызывает необходимость использования косвен ных методов проведения испытаний, к которым относятся и ускоренные испыта ния. Для ускорения испытаний выбирается «модель подобия», обеспечивающая определенные пропорции результатов испытаний при реальных и некоторых искусственно созданных условиях и позволяющая установить количественные связи между результатами реальных и ускоренных испытаний с помощью ко эффициента ускорения (коэффициента подобия) Чаще всего ускорение обес печивают ужесточением климатических условий функционирования (темпера туры, давления, влажности и пр.) и увеличением коэффициента электрической или механической нагрузки Из данных, приведенных в табл. следует, что с помощью этих факторов можно добиться ускорения в раз и более по сравнению с реальными условиями (30 °С, = 1).

Таблица Ускорение испытаний с помощью температуры и Ускорение испытаний с помощью температуры (750 и коэффициента нагрузки Таблица (750 коэффициента нагрузки Элементы Коэффициент ускорения Элементы Коэффициент ускорения = 1 = 1,3 = 1,7 = 2, = 1 = 1,3 = 1,7 = 2, Резисторы 2,2 3,8 5,0 7, Резисторы 2,2 5,0 7, Конденсаторы 3,0 8,2 27 Конденсаторы 8,2 27 Диоды германиевые 27 45 89 Диоды германиевые 27 45 89 Для экспоненциального распределения наработки коэффициент подобия трак туется как отношение интенсивностей отказов элементов в условиях ускорен ных испытаний и в реальных условиях. Если принять неизменным среднее ожи даемое количество отказов за время испытаний, то при испытаниях можно сократить время испытаний обратно пропорционально коэффициенту подобия: = Основной областью применения ускоренных испытаний сле дует считать испытания ЭРИ и простых модулей.

Задачи определительных испытаний Задачи определительных испытаний существенно зависят от выбора оценивае мой характеристики и от наличия априорных сведений о надежности изделий.

Среди характеристик безотказности наибольший интерес представляют вероят ность отказа и функция распределения наработки до отказа. При оценке вероят ности отказа и других показателей безотказности наиболее удобны планы типа Б, так как они позволяют найти эмпирическую функцию распределения. При планах типа В по результатам испытаний непосредственно определяются ста тистические оценки наработки между отказами и параметры потока отказов.

Чтобы по этим данным найти оценки показателей безотказности, требуются до полнительные и довольно сложные расчеты. Однако при планах типа В можно дать оценку коэффициента готовности. Существует только один случай, когда характеристики безотказности и характеристики потока отказов удобно оцени вать по одному и тому же плану (Б или В). Это случай, когда закон распределе ния наработки известен заранее и он экспоненциальный. Тогда интенсивность отказов совпадает с параметром потока отказов, так что одновременно получает ся и характеристика безотказности, и характеристика потока отказов.

Рассмотрим теперь, как выбирается длительность испытаний. С точки зрения полноты информации наиболее желательным является план [N, Б, так как только в этом случае удается полностью построить эмпирическую функцию рас пределения. Однако длительность этих испытаний, в особенности для высокона дежных изделий, оказывается неприемлемо большой — во многих случаях она исчисляется многими тысячами часов. Стремление ограничить длительность ис пытаний приводит к планам типа [N, Б, 7], Б, и др.

Но при использовании любого из этих планов известна лишь часть эмпириче ской функции для t < Возможности распространения результатов испы таний для значений t > от априорной информации и от свойств получаемых статистических данных. От них же существенно зависит также спо соб обработки данных с помощью методов математической статистики. По этим признакам можно выделить следующие три задачи определительных испытаний, возникающие на стадии обработки данных и расположенные здесь в порядке их усложнения.

Задача 1. Вид функции распределения F(t) наработки до первого отказа из вестен. По результатам испытаний необходимо лишь определить параметры этого распределения. Например, пусть в результате теоретических исследова ний и последующей экспериментальной проверки показано, что для изделий определенного типа закон распределения наработки экспоненциальный, то есть F(t) = 1 - тогда необходимо оценить лишь параметр X. При некоторых других распределениях оценивают два параметра: при нормальном, m и А, — при распределении Вейбулла, k\\X— при гамма-распределении. Параметры оце нивают методами параметрической статистики. При этом допустимо проведение испытаний в течение времени — заданного времени эксплуатации изделия в реальных условиях, так как после определения параметров распределения можно прогнозировать вероятность отказа и для любого > (рис. В пре делах задачи 1 можно получить также оценки вероятности отказа, средней нара ботки до отказа и др.

Прогнозирование вероятности отказа по результатам испытаний Задача 2. Вид функции распределения F(t) заранее неизвестен. Однако результа ты испытаний показывают, что эмпирические функции распределения можно плавно аппроксимировать стандартными распределениями или их суперпози циями. Кроме того, из предварительной обработки экспериментальных данных видно, что качественный характер поведения эмпирических функций распреде ления и гистограмм не меняется от партии к партии. В таких случаях говорят, что статистика однородна. Например, две гистограммы, полученные для раз личных партий изделий, имеют выраженную асимметрию и одномодальны (рис. 11.2, либо имеют вид монотонно убывающих ступенчатых функций (рис.

Типовые гистограммы результатов испытаний В этом случае необходимо выполнить следующие действия по обработке данных:

1. выбрать одно из возможных семейств теоретических распределений, каче ственное поведение которых соответствует экспериментальным данным (например, логарифмически нормальное (рис. и экспоненциальное (рис.

2. наилучшим образом подобрать параметры распределения, пользуясь, напри мер, методом максимального правдоподобия или его частным случаем — ме тодом наименьших квадратов;

3. имея точечные оценки параметров, проверить согласие теоретического и экс периментального распределений по критериям согласия математической ста тистики (критерию Колмогорова, Мизеса и др.);

4. если проверка по критериям согласия дала положительный результат, то мож но переходить к решению задачи 1, чтобы найти другие оценки;

если же ответ отрицательный, то нужно повторить все действия для другого теоретического распределения, точнее описывающего экспериментальные данные. Но даже при положительном ответе полезно использовать два-три распределения, сравнить результаты аппроксимации и выбрать наилучшее распределение.

В случае, когда два распределения дают одинаково хорошие результаты, для дальнейшего применения выбирают то из них, для которого можно предло жить теоретическое обоснование.

Использование в условиях задачи 2 результатов эксперимента, проведенного за ограниченное время для получения оценок показателей надежности при большем длительности испытаний, вообще говоря, неправомерно. Для этого не обходимы, по крайней мере, косвенные подтверждения того, что при увеличении длительности испытаний не изменится качественно вид функции распределения, например, к экспоненциальной составляющей функции распределения не доба вится нормальная составляющая (рис. Таким косвенным подтверждением могут быть результаты длительных испытаний небольших партий изделий или результаты длительной эксплуатации аппаратуры, построенной из тех же элементов. Если не удается получить даже косвенного подтверждения, то ис пытания надо проводить в течение времени, равного времени эксплуатации Тогда вообще может возникнуть потребность в определении вида функции распределения.

Суперпозиция распределений и планирование испытаний Задача 3. Вид функции F(t) неизвестен и статистические данные неоднород ны, то есть качественный вид эмпирической функции распределения и гисто грамма меняются от партии к партии. Например, в одной партии гистограмма имеет вид, представленный на рис. а, в другой — на рис. б. В этом случае прежде всего необходимо выяснить значимость расхождений, используя методы непараметрической статистики (например, критерий знаков или крите рий Вилкоксона).

Если проверка подтвердит значимость расхождений, тогда необходимо выяснить и устранить причины неоднородности, после чего обработка статистических дан ных проводится как в задаче 2. Далее для определительных испытаний будут рассмотрены преимущественно задачи первого типа, а из задач второго типа — лишь одна: оценка вероятности отказа при неизвестном законе распределения наработки.

Оценка вероятности отказа по биномиальному плану. Точечная оценка. Доверительные интервалы Пусть для некоторых изделий с неизвестной функцией распределения наработ ки до первого отказа определяющим показателем надежности является вероят ность отказа изделия в течение времени t. Как было показано в предыдущем разделе, в таких условиях прогнозирование вероятности отказа в течение вре мени, превышающего время испытаний, невозможно. Поэтому выбираем план [N, Б, t], где длительность испытаний Т равна времени эксплуатации изделия Устанавливая на испытания одинаковых изделий и проверяя их работоспособ ность через время t, определяем число отказавших изделий т. Тогда точечной оценкой вероятности отказа является частость Q(t) = m(t)/N.

Согласно закону больших чисел, при увеличении./V точечная оценка схо дится по вероятности к оцениваемой Q(t). Следует, однако, отметить, что при испытаниях надежности далеко не всегда удается установить большое число изделий. Кроме того, для высоконадежных изделий обычно очень мало.

В этих условиях дисперсия оценки получается неприемлемо большой и точечная оценка становится неудовлетворительной. Наиболее ярко недостатки точечной оценки видны, когда т = 0 и = 0, что является априорной нижней оценкой (3(0 и, таким образом, не несет никакой новой информации о надежности изде лий. Поэтому кроме точечной оценки используют доверительные интервалы.

Абсолютно достоверными границами для неизвестной вероятности являют ся 0 и 1. Всякое сужение интервала (0, 1) связано с риском совершить ошибку, состоящую в неверном заключении о том, что находится между новыми гра ницами. В зависимости от того, как происходит сужение интервала (0, 1), разли чают двусторонний и односторонние интервалы.

Двусторонним доверительным интервалом для неизвестной и неслучайной ве личины вероятности Q(t) называют интервал со случайными границами, зависящими от исхода статистического эксперимента и такими, что вероятность покрытия этим интервалом неизвестного числа Q(t) не меньше заданной вероят ности называемой доверительной вероятностью или коэффициентом доверия:

Вероятность противоположного события, то есть того, что окажется в ин тервале (О, или 1), называется уровнем значимости у и равна 1-8. Уро вень значимости можно представить в виде суммы вероятностей:

Обычно у' и у" выбирают одинаковыми, так что у ' =у " =у / 2=( 1 - ) / Односторонними (верхним и нижним) доверительными интервалами называют, соответственно интервалы (0, и 1) — такие, что Здесь уровень значимости у = 1 - 8 выражает вероятность того, что число Q(t) попадет в интервал при верхнем интервале ив и н т е р в а л — при нижнем.

Доверительную вероятность нельзя выбирать слишком малой, так как снижает ся доверие к полученным границам и увеличивается риск сделать неверное за ключение. Нельзя выбирать ее и слишком близкой к единице, так как чем ближе к единице, тем шире границы для неизвестной вероятности. Опыт использо вания статистических методов показывает, что для практических целей доста точно брать 8 из диапазона 0,8...0,95. Иногда коэффициент доверия увеличивают до значения 0,98 или 0,99.

Правила вычисления и были предложены в начале 30-х годов XX в. ан глийскими статистиками К. и Э. Пирсоном [1]. Поскольку испытания различных образцов одного и же изделия происходят независимо друг от друга, число т отказавших за время t изделий распределено по биномиальному закону с параметрами N то есть вероятность отказа ровно т изделий из N определяется формулой Вероятность же отказа не более т изделий равна Здесь т — варианта, а N — параметры распределения. Функция являет ся ступенчатой функцией т, изменяющейся от нуля до единицы при увеличении т от нуля до N. Если построить семейство распределений у при одном и том же но различных и для удобства изображения сгладить ступенчатые функции непре рывными кривыми, то получим семейство зависимостей, приведенное на рис.

Рис. Определение доверительных границ параметра биномиального распределения с помощью принципа В этом семействе параметр Q увеличивается в направлении, указанном стрел кой. Если теперь провести перпендикуляр через точку — наблюдаемое при испытаниях число отказов, и две горизонтальные прямые на уровне у' и 1 - у", а затем подобрать две кривые семейства, которые проходили бы через точки пе ресечения а б, то параметры этих кривых и дают нижнюю и верхнюю дове рительные границы с коэффициентом доверия 5 = 1 - у' - у". Два уравнения, со ставленные для точек а и б, называют уравнениями Клоппера — Пирсона, они могут быть использованы для определения доверительных границ:

(11.2) (11.3) Учитывая, что вместо можем записать:

(11.4) При = 0 нижняя граница = О, а верхняя получается из Отсюда (11.5) Пример 11.1. При испытаниях 10 комплектов аппаратуры в течение 1000 ч не было обнаружено ни одного отказа. Найти доверительные границы для веро ятности безотказной работы аппаратуры в течение 1000 ч при коэффициенте доверия 0,9.

Решение. Поскольку при испытаниях не предусмотрено восстановление работо способности, а время испытаний совпадает с интервалом времени эксплуатации, заключаем, что план испытаний является планом типа [N, Б, t]. Так как во время испытаний не возникло ни одного отказа, используем формулу и находим = 1 - = 1 - ехр(-0,23) = 0,206.

Таким образом, при отсутствии отказов в 10 комплектах с гарантией 90% можно утверждать, что вероятность отказа не более 0,206.

Пример Какое количество изделий необходимо поставить на испытания по плану типа [N, Б, t], чтобы с гарантией 90% утверждать, что вероятность безот казной работы не ниже 0,9?

Решение. Наименьшее количество изделий потребуется, когда т = 0. Тогда из находим = lg(l - 5)/ Подставляя сюда 8= 0,9 и = 0,9, находим iV= 22. Если же 0,95 и = 0,95, то N 59, а при 5= 0,95 и 0,99 необходи мое число изделий = 299.

Из примеров 7.1 и 7.2 видно, что подтвердить даже не очень высокие показатели надежности не так-то просто. Значительно проще иногда удовлетворить требова нию заказчика о 100% безотказности при наблюдении за небольшой группой изделий, чем доказать методами математической статистики, что фактическая вероятность безотказной работы не ниже 0,9.

При > 0 для решения уравнений (11.2) и (11.4) можно использовать табли цы биномиального распределения. Так, в [2] приводится (табл. 6.1) значений N = 5(5)20(10)30 и = а в [3]- таблица (табл. 5.1) значений = п) для N= 5(5)30 и = 0,01(0,01)0,02(0,02)0,1(0,1)0,5.

Кроме того, в [3] имеется таблица (табл. 5.2) доверительных границ для пара метра биномиального распределения с коэффициентом доверия 8= 0, и 0,995 для значений тп и N - тп 1(1)20(2)30(5)50(10)60(20)100, 200, 500. Ана логичная таблица (табл. 10) имеется и в Пример 11.3. При объеме партии, определенном для тп = 0, во время испытаний по плану [N, В, t] происходит один отказ. Найти доверительные границы для ве роятности отказа и определить, насколько необходимо увеличить размер партии, чтобы с гарантией в 95% подтвердить уровень вероятности безотказной работы не менее 0,9. Как изменяются доверительные границы и объем партии, если не обходимо подтвердить уровень P(t) > 0,95?

Решение. Из табл. 5.2 в [3] для доверительной вероятности 5 = 0,95 и т - 0 нахо дим = 29. Затем при N= 29 и т = 1 определяем границы: 0,002 < < 0,149. Для снижения необходимо увеличить N. По той же таблице находим, что при 46 (N - т = 45 т = 1) вероятность 0,001 < < 0,099, то есть необходимо увеличить размер партии на 17 изделий (на 59%). Если же при N = 46 откажут два изделия, то = 0,1 достигается при + 2 = 61. Следовательно, необхо димо увеличить размер партии на 15 изделий (на 33%). Для подтверждения уровня P(t) = 0,95 при отсутствии отказов необходимо испытать 60 изделий, а при одном отказе — 98 изделий, то есть на 38 изделий (63%) больше.

Точное решение задачи о доверительном интервале в некоторых случаях полу чить затруднительно. Это объясняется сложностью непосредственного решения уравнений Клоппера — Пирсона, а также ограниченностью опубликованных таб лиц биномиального распределения. В таких случаях для расчетов, не требующих высокой точности, можно находить приближенные решения, основанные на использовании распределения Пуассона и нормального распределения. Рассмот рим три такие возможности.

Пуассоновское приближение. Если мало, велико и т « N, то справедливо выражение (11.6) С помощью уравнения и (11.4) преобразуются следующим образом:

(11.7) (11.8) Для определения ан ав можно использовать таблицы распределения Пуассона (например, табл. 7 в [4], табл. 7.2 в [2]). Для входа в таблицу необходимо задать варианту т и вероятность у" и найти параметр распределения ав. Аналогично по значениям (т - 1, 1 - у") определяют ан, а затем делением на вычисляют границы и Вместо таблиц распределения Пуассона можно использовать таблицы квантилей -распределения, используя тот факт, что квантиль -рас пределения и по уровню вероятности р при числе степеней свободы k = 2т + связана с параметром а распределения Пуассона, найденным по значениям р и т, соотношением 2т + 2) = 2а(р, т). Учитывая и находим:

(11.9) Пример 11.4. При испытании 100 источников стабилизированного питания в те чение 2000 ч было зарегистрировано два отказа. Найти доверительные границы для вероятности отказа одного источника за время 2000 ч с коэффициентом до верия 0,9.

Решение. Поскольку здесь число отказов значительно меньше числа испыты ваемых изделий и точечная оценка = 0,02 свидетельствует о том, что веро ятность отказа мала, для решения задачи используем пуассоновское приближе ние. По исходным данным определяем у' = (1 - 0,9)/2 = 0,05, 1 - у" = 0,95. Из табл. 7 в [4] при = = = 0.95 находим = 0,35536, а при 0,05 находим ав = 6,29579. Отсюда 0,00355 < < 0,063. Тот же результат можно получить и с помощью табл. 2.2а в [3]. При 1 - у" = 0, и п = 1т = 4 имеем = 0,711, а при = 0,05 и п = + 2 = 6 имеем = 12,592.

Подставляя и в (11.9), вычисляем искомые границы. При 5= 0,95 можно сравнить результаты, полученные по таблицам биномиального и ния: 0,004 < < 0,062 (биномиальное) и 0,0024 < < 0, Точность оценок при пуассоновском приближении получается вполне удовле творительной.

Приближение Если мало, iV велико и тп < - 1)/2, то при приближенных расчетах доверительных границ вместо биномиального рас пределения в уравнениях и можно использо вать распределение Пуассона и со значениями параметров " Отсюда при m « N « 1 получаем то есть получаем выражения параметров при пуассоновском приближении. Решая относи тельно и находим:

п.

у')' 2N-m+ 1 ' Если же используются таблицы то 1-у") + + 2, у') " 2N-m+ 1 + Пример В условиях примера найти доверительные границы с коэффи циентом доверия 0,95, используя приближение Решение. Из табл. 2.2а из [3] находим 0,95) = 0,484;

0,025) = 14,45. Под ставляя эти значения в получаем 0,00234 < < 0,0705.

Нормальное приближение. При достаточно больших NQ при решении уравнений можно использовать формулу где Ф(х) — функция Лапласа. Поскольку формула применяется при боль ших значениях > 9), вторым слагаемым можно пренебречь. Определяя квантиль нормального распределения zp, по уровню используя симметрию этого распределения, получаем уравнение Отсюда нетрудно найти (11.13) Аналогично, (11.14) Достоинством этих формул является то, что они не требуют использования таб лиц. Квантили zp можно заготовить заранее для применяемых на практике уров ней значимости: = 1,645;

= 1,29;

1>96.

Пример 11.6. При испытаниях 500 датчиков дискретной информации в системе централизованного контроля и управления в течение 1000 ч были зарегистриро ваны отказы в 12 из них. Необходимо найти доверительные границы для вероят ности отказа с коэффициентом доверия 5 = 0,9.

Решение. Согласно исходным данным, 1,645. Подставляя эти значения в (11.13), находим: 0,0141 < < 0,0392. То чечная оценка = 0,024.

Оценка параметра экспоненциального распределения.

Точечная оценка. Доверительный интервал Пусть известно, что изделия имеют экспоненциальное распределение наработки до первого отказа - 1 - Необходимо оценить параметр этого рас пределения имеющий смысл интенсивности отказов. В математической стати стике предлагается несколько методов для' получения точечной оценки парамет ра А.. Одним из наиболее распространенных и эффективных методов является метод максимального правдоподобия, предложенный английским статистиком Р. А. Фишером в г. Сущность метода состоит в следующем Пусть в результате испытаний, проведенных по некоторому плану, зарегист рированы отказы в моменты..., Число т может быть заранее заданным или случайным (в частности, т = 0), однако времена являются случайными величинами. Поэтому вектор X =..., можно рассматривать как реали зацию многомерной случайной величины. Если известна функция распределе ния наработки одного изделия F(t, А), зависящая от совокупности параметров А =..., (в частности, от одного параметра), постольку для каждого конкретного плана испытаний можно составить элемент вероятности того, что в испытаниях будут получены отказы в моменты t;

.

..., A) — многомерная плотность распределения случайного вектора..., Если зафиксировать такими, какими они оказались на самом деле при испытаниях, и изменять значения параметров А в некотором интервале, то заметим, что плотность..., А) имеет максимум. Согласно методу максимального правдоподобия, точечная оценка..., параметров..., должна обладать следующим свойством: обеспечивать максимальное значение плотности вероятности наблюдаемого исхода испытаний, то есть На практике удобнее отыскивать не максимум функции р(А), а максимум p(A).

Такая замена допустима, так как оба максимума достигаются в одной и той же точке. Функция L = p(A) называется функцией правдоподобия, и с ее помо щью задача определения точечной оценки ставится так: А должно обеспечивать максимальное значение функции L, то есть Точка ~А = в области А, обеспечивающая находится методом (А) градиента, согласно которому А является решением системы уравнений правдо подобия В частности, в случае однопараметрического экспоненциального распределения необходимо решить только одно уравнение, Рассмотрим теперь некоторые конкретные планы испытаний и найдем точечные оценки [17].

План [N, В, Т\. Поскольку испытания проводятся с немедленной заменой отка завших изделий работоспособными и заканчиваются в момент Т, мы учитываем, что интервалы между отказами распределены по экспоненциальному закону с одним и тем же параметром NX, а в интервале 7) все изделия проработали безотказно. Составим выражение для элемента вероятности наблюдаемого исхо да испытаний:

Отсюда L = т - NXT.

Уравнение правдоподобия Отсюда точечная оценка (11.15) Из (11.15) следует, что достаточной статистикой испытаний является число от казавших изделий т. Это вовсе не означает, что в процессе испытаний не требу ется непрерывного контроля работоспособности. Он необходим для своевремен ной замены отказавших изделий, хотя в протоколы испытаний моменты отказов заносить не обязательно.

Исследуем следующие свойства полученной оценки: несмещенность, состоя тельность, эффективность. В математической статистике показывается, что при достаточно общих условиях, накладываемых на функцию распределения нара ботки на отказ одного изделия А), оценка максимального правдоподобия эф фективна независимо от плана испытаний. Поэтому остается проверить несме щенность и состоятельность.

Достаточная статистика т распределена по закону Пуассона с параметром NXT, поэтому ее математическое ожидание и дисперсия Mm = Dm = NXT. Тогда из формулы (11.15) находим:

где — суммарная наработка всех изделий за время испытаний по плану типа В. Отсюда следует, что точечная оценка является несмещенной и эффективной.

План [N, Б, 7]. Поскольку испытания проводятся без замены отказавших из делий, число работоспособных изделий после каждого отказа уменьшается на единицу уменьшается суммарная интенсивность отказов. Согласно плану испытаний, элемент вероятности где — число размещений из N элементов — суммарная наработка всех изделий за время испытаний по плану типа определяемая по формуле Функция правдоподобия Уравнение правдоподобия Точечная оценка Х = т/ В достаточную статистику здесь входят уже две величины: число отказов т и суммарная наработка Чтобы определить сум марную наработку, необходимо точно фиксировать моменты всех отказов, то есть для получения точечной оценки здесь впервые потребовались моменты всех отказов.

План [N, В, Времена между соседними отказами..., Z,.) имеют экспо ненциальные распределения с параметром Л = Поэтому многомерная плот ность распределения вектора..., имеет вид Функция правдоподобия Уравнение правдоподобия Отсюда (11.16) Поскольку имеет распределение с параметрами NX и нетрудно найти математическое ожидание оценки Поскольку оценка получается смещенной, необходимо устранить смещение и вме сто принять Чтобы найти дисперсию несмещенной оценки максимального правдоподобия, надо сначала найти второй начальный момент Дисперсия несмещенной оценки Чтобы уменьшить дисперсию точечной оценки, надо назначить достаточно боль шое значение План [N, Б, Многомерная плотность распределения вектора име ет Функция правдоподобия Уравнение правдоподобия Оценка максимального правдоподобия Статистика имеет распределение Эрланга с параметрами X). Потому эта оценка также смещенная, как и Несмещенная оценка Заметим, что полученные точечные оценки, как и любые другие точечные оцен ки, при малом объеме испытаний неустойчивы, обладают большой дисперсией и могут создать неверное представление о действительной интенсивности отказов.

Поэтому кроме них используют оценки с помощью доверительных интервалов.

Двусторонним доверительным интервалом для параметра X с коэффициентом доверия 8 называют интервал со случайными границами, зависящими от исхода испытаний и такими, что вероятность покрытия этим интервалом неизвестного значения X не менее заданной вероятности: < X < > Ве роятности (11.17) называются уровнями значимости при определении нижней и верхней гра ниц соответственно. Они связаны с доверительной вероятностью соотноше нием + у' + у" = 1.

Уравнения (11.17) являются уравнениями, из которых находят доверительные границы и Нижним и верхним односторонними доверительными интервалами называют соответственно интервалы (0, и такие, что Р(0 < X < > 5;

< < X < > 5. Здесь уровень значимости у = 1 - 5 выражает вероятность того, что параметр X попадет в интервал со) или (О, соответственно. Рассмотрим теперь некоторые конкретные планы испытаний.

План \N, В, Т]. Достаточная статистика распределена по закону Пуассона с па раметром а = Если зафиксировать NT и построить зависимости от m при различных X, то получим семейство ступенчатых функций, которые после сгла живания имеют вид как на рис.

Определение доверительных границ параметра экспоненциального распределения с помощью принципа Параметр семейства а увеличивается в направлении, указанном стрелкой. Чтобы найти доверительные границы, необходимо, как и при оценке вероятности отка за, найти такие функции семейства, которые проходили бы через точки 1 и 2 пе ресечения перпендикуляра из точки с горизонтальными прямыми на уровне у' и 1 - у". Составляя соотношения для точек 1 и 2, получаем уравнения Клоппе (11.18) Второе уравнение преобразуется к виду Для решения уравнений можно использовать таблицы распределения Пуассона или При использовании таблиц распределения Пуассона по следовательность действий следующая:

а при использовании таблиц -распределения При m = 0 нижняя граница =0, а верхнюю находят из уравнения (11.19) где b = 2,3 при 8 = 0,9! b = 3 при 5 = 0,95 и Ъ = 3,68 при 5 = 0,975. Из формулы следует, что для подтверждения заданного уровня интенсивности от казов даже при безотказной работе всех изделий необходима наработка, при близительно втрое превышающая среднюю наработку = Если проана лизировать справочные данные о надежности логических элементов и типовых элементов радиоэлектронной аппаратуры, то можно заметить, что многие из этих элементов имеют интенсивности отказов и меньше. Так, резисторы, конденсаторы и трансформаторы имеют Х = соединения паяные и микросхемы — до а сварные электрические соединения — до Из формулы (11.19) видно, насколько трудно экспериментально определить эти значения. При = необходимо в течение года испыты вать 3500 элементов, при = 10~8 — 35 000 элементов, при = — десять миллионов элементов в течение 3,5 лет, или один миллион — в течение лет. Если же столь высокие значения интенсивности отказов задаются для сложных изделий, то практически не удается экспериментально подтвердить расчетные значения. Для серии из 1000 изделий практически предельной вели чиной о подтверждении которой может идти речь, является поскольку и в этом случае даже при безотказной работе для сбора сведений потребует ся эксплуатация в течение 3,5 лет, что для многих систем близко к периоду морального старения.

Пример 11.7. Из испытаний контрольно-измерительной аппаратуры получена следующая статистика: за 1000 ч в 20 приборах зарегистрированы 22 отказа.

Оценить интенсивность отказов с коэффициентом доверия 0,9, если известно, что закон распределения между соседними отказами одного прибора экспонен циальный.

Решение. Согласно (11.15), точечная оценка X = 22/(2 • 104) = 1,1 • 10~3 Для вычисления доверительного интервала воспользуемся табл. 2.2а из [3]. Для 1 — = 95% и п = 14 находим = 29,787, а для = 5% и п = 46 имеем = 62,83. Отсюда = 29,787 / (4 • = 0,745 • 10~3 ч"', = 62,83/(4 • = = 1,57 • План [N, Б, Т\. Поскольку именно этот план рассматривался в разделе при вычислении доверительных интервалов для вероятности отказа, можно восполь зоваться готовыми результатами, учитывая соотношение (11.20) Определяя и по формулам (11.2) и (11.4), из (11.20) находим:

(11.21) Из формул и следует, что для вычисления доверительного интервала достаточно знать лишь количество отказов за время Т, тогда как для вычисления точечной оценки максимального правдоподобия необходимо знать также суммарную наработку за время испытаний, что существенно усложняет проведение испытаний.

Пример 11.8. Известно, что за первые 10 000 ч наблюдения за 650 генераторами постоянного тока (ГПТ) отказали 15 из них. Считая ГПТ изделиями, определить доверительные границы для средней наработки до пер вого отказа с уровнем значимости 0,05.

Решение. При таком количестве отказов можно использовать нормальное прибли жение для биномиального распределения. Подставляя в (11.13) и (11.14) т = и = 1,96, находим = 0,0135;

= 0,0386 (для сравнения отметим, что при ис пользовании приближения = 0,01295, = 0,0377). От сюда = = - QB) = = 2,55 • 105 ч;

= = = 7,4 • 105 ч.

План [N, Уравнения имеют вид (11.22) где — распределение с параметром формы а варианта. Уравне ния следует решать с помощью таблиц распределения Эрланга [5, табл. VII], оп ределяя квантиль по значениям (у', и квантиль — по значениям (1 - у", Затем находят границы доверительного интервала:

(11.23) Удобнее использовать более распространенные таблицы распределения Пуассона а) [2], [4], [6], где т — варианта, а — параметр распределения, если учесть, что = 1 - - 1, а). Для этого надо записать уравнения Клоппера— Пирсона в виде Задавая вероятность 1 - у' и варианту - 1, находят сначала соответствующий параметр а затем по формуле — нижнюю границу Аналогично на ходят и Тогда (11.24) В частности, при = 1 имеем При использовании таблиц -распределения доверительные границы находят по формулам где — квантили -распределения с k = 2r степенями свободы.

Пример 11.9. При испытаниях 50 экземпляров процессорной платы до первого отказа получена наработка = 1300 ч. Найти доверительный интер вал для средней наработки на отказ платы РШ с коэффициентом доверия 0,8.

Если относительная длина интервала превысит значение 1,6, то продолжить испытания 50 экземпляров до второго отказа. Если и тогда > то продол жить испытания до выполнения указанного условия.

Решение. Согласно условиям задачи, план испытаний к типу \N, В, 50, 1. Согласно (11.23), = 1,62 • = 3,54 • Доверитель ные границы для средней наработки на отказ = 28 230 ч, = 616 930 ч, отно сительная длина интервала 8, = - / + ) = 1,82. Продолжение испы таний до второго отказа приводит к суммарной наработке = 2400 ч. Отсюда 770 ч, = 226 400 ч, = 1,52 < 1,6. Середина доверительного интерва ла Т = 128 590 ч.

План Б, Поскольку суммарная наработка всех изделий до окончания испыта ний имеет распределение Эрланга с параметрами X), постольку уравне ния имеют вид (11.22), а границы доверительного интервала При длина доверительного и нт е р в а л а ми ни мальна среди других значений, когда 11.6. Постановка задачи контроля надежности В процессе производства изделия подвергаются различным видам контроля, предусмотренным программой обеспечения качества и надежности. Так, входно му контролю подлежат многие комплектующие изделия. На промежуточных этапах технологического цикла контролируется качество функциональных узлов и блоков. Наиболее полная комплексная проверка качества изделий осуществля ется при выходном контроле производства [16]. Каждое изделие проверяется на соответствие техническим условиям (ТУ), испытывается на работоспособность в граничных режимах (проводятся температурные испытания, испытания на вибрацию, при повышенном и пониженном давлении и др.). При массовом про изводстве, когда нет возможности тщательно проверить каждое изделие, про водится выборочный контроль качества (дефектности), при котором по малой партии (выборке) делают заключение о качестве большой партии (генеральной совокупности) и принимают решение о ее приемке или браковке. Выборочный контроль в некоторых специальных режимах может проводиться и при малосе рийном производстве.

Перечисленные виды контроля имеют целью установить уровень качества. Изде лия, благополучно прошедшие все виды контроля качества, объявляются конди ционными. Однако этого недостаточно для успешной работы изделий на местах эксплуатации. Необходимо установить, насколько устойчиво качество изделий во времени. С этой целью и проводятся контрольные испытания надежности.

Они осуществляются по окончании всех других видов контроля и предназначе ны для того, чтобы определить, удовлетворяет ли данная партия изделий задан ным требованиям к надежности.

Конечным результатом контроля, как правило, является одно из двух решений:

считать партию хорошей, то есть удовлетворяющей требованиям к надежности, или забраковать ее как ненадежную. Важная особенность контроля надежности заключается в том, что решение о приемке и браковке принимается по отноше нию не к отдельным изделиям, как при выходном контроле качества, а к целой партии, однородной в смысле начального уровня качества (все изделия в партии кондиционные), причем не только к той партии, которая испытывается, но ко всем партиям большего объема. В этом его отличие от статистического контроля дефектности, где, строго говоря, решение распространяется на вполне опреде ленную партию большего объема.

Как и в случае определительных испытаний, для проведения контрольных испы таний необходимо составить план, называемый планом контроля Он пред ставляет собой совокупность условий испытания и правил принятия решения о приемке или браковке. Состав исходной информации для расчета параметров плана контроля определяется критерием надежности. В зависимости от выбора контролируемой характеристики надежности все планы контроля делятся на две группы: планы контроля вероятности отказа и планы контроля параметров зако на распределения. Далее для определенности будем рассматривать планы пер вого типа, хотя почти все рассуждения справедливы и для планов второго типа.

При контроле вероятности отказа требования к надежности задаются с помощью двух чисел и, имеющих следующий смысл: партия считается кондицион ной («надежной»), если вероятность отказа < и некондиционной («нена дежной»), если > При контроле надежности выносится решение о конди ционности или некондиционности партии (в первом случае она принимается, во втором — бракуется). Следует обратить внимание на то, что при проведении оп ределительных испытаний и при теоретических расчетах требования к надежно сти часто задаются с помощью одного числа и изделие считается надежным, если верхняя оценка < и ненадежным в противоположном случае. При контроле надежности принципиально нельзя ограничиться заданием только одного числа, так как в этом случае не удается обеспечить равные условия по уровням рисков принять неверное решение для обеих заинтересованных сторон, участвующих в контроле надежности. Промежуточная зона (Qo, называемая расстоянием между основной и конкурирующей гипотезами, вводится для хоро шего различения двух основных уровней (кондиция и брак), и чем она шире, тем проще принять статистическое решение. Контрольные испытания заканчивают ся принятием одной из следующих конкурирующих гипотез: — партия конди ционная (0 < Q < — партия некондиционная < Q < 1). Поскольку ста тистическое решение принимается на основе неполной информации, существует конечная вероятность совершить ошибку первого (хорошая партия бракуется) или второго (плохая партия принимается) рода.

Вероятность ошибки первого рода называется риском поставщика и представля ет собой вероятность того, что будет принята гипотеза хотя на самом деле верна гипотеза (вероятность отказа Q < Решение о верности гипотезы или принимается на основе критерия и. Если значение критерия, полученного на основании выборки, попадает в область то принимается гипотеза Если же это значение попадает в критическую область то гипотеза отвергается и принимается гипотеза Поэтому ошибку первого рода (риск изготовителя, по ставщика) рассчитывают как условную вероятность (11.25) Вероятность ошибки второго рода называется риском заказчика и представляет собой вероятность того, что будет принята гипотеза хотя вероятность отказа > При использовании критерия и ошибку второго рода рассчитывают как условную вероятность того, что значение критерия окажется в области при условии, что на самом деле верна гипотеза (11.26) Исследование зависимостей а и от показывает, что они достигают максимума на границе указанного в и диапазона и планирование контроль ных испытаний ведется в расчете на максимальные значения риска потребителя и заказчика:

(11.27) (11.28) Значения а и р являются исходной информацией для расчета парамет ров плана контроля. В процессе планирования находят объем контролируемой партии и приемочные нормативы. Приемочными нормативами называются некоторые постоянные числа, которые являются границами области или и при сравнении которых с числом отказавших изделий т принимается одна из конкурирующих гипотез. Правила принятия решения определяются методом контроля.

В настоящее время используются три основных метода статистического контро ля надежности: однократной выборки, двукратной выборки и последовательного контроля.

При однократной выборке существует один приемочный норматив с. Если при испытании партии из N изделий отказали т из них, то решение принимается со гласно правилу: т<с партия кондиционная (верна гипотеза т> с — пар тия некондиционная (верна гипотеза Контроль по однократной выборке легче спланировать и осуществить. Однако он наименее экономичен и требует сравнительно большого объема испытаний, особенно для партий с высокой надежностью.

При двукратной выборке существует два этапа. На первом этапе по результа там испытаний изделий с помощью двух приемочных нормативов и выносится одно из трех решений: < — принять партию (верна гипотеза — забраковать партию (верна гипотеза Я,);

< < — произвести вто рую выборку.

В последнем случае испытывается еще изделий, определяется число отка завших изделий и выносится решение: < — принять партию (верна гипо теза > — забраковать партию (верна гипотеза Метод двукратной выборки более экономичен. Но это его главное преимущест во проявляется лишь при контроле больших партий с очень высокой или очень низкой надежностью. При промежуточном уровне надежности выигрыша в объ еме испытаний почти нет. Расчеты же, связанные с таким контролем, сложнее, чем при однократной выборке. Кроме того, увеличивается время контроля. По этому метод двукратной выборки применяется сравнительно редко.

При последовательном контроле приемочные нормативы рассчитываются не в виде отдельных чисел, а в виде двух функций, = и = Для каждо го конкретного N определяется число отказавших изделий m{N) и сравнивается с граничными значениями и По результатам сравнения выносится решение:

< — принять партию (верна гипотеза > — забрако вать партию (верна гипотеза Я,);

< m(N) < — продолжить испытания.

Объем контролируемой партии изменяется от некоторого минимума до такого значения, когда будет принята одна из гипотез: или Таким образом, объем контролируемой партии и, как следствие, время контроля случайны. Этот метод является самым экономичным. Техническое его осуществление не связано с осо быми трудностями. Недостатком метода является возможное, хотя и маловеро ятное увеличение времени контроля. Однако рациональной организацией испы таний такое увеличение можно свести к минимуму.

Далее рассмотрим методику расчета планов контроля при однократной выборке и при последовательном контроле.

Контроль надежности по однократной выборке Пусть необходимо проконтролировать надежность некоторой партии изделий.

Требования к надежности каждого изделия заданы в следующем виде: изделие надежно, если вероятность его отказа в течение заданного времени t не превы шает ненадежно, если > В процессе контроля требуется при нять статистическое решение о том, являются изделия данной партии надежными или нет, и на этом основании принять или забраковать всю партию, обеспечив риск поставщика не более а, а риск заказчика не более Так как закон распреде ления наработки изделия неизвестен, то, как и в случае определительных испытаний (см. 11.4), выбираем план Б, t], где длительность испытаний падает со временем t работы изделия в нормальной эксплуатации. Для проведения испытаний и принятия решения кроме необходимо знать еще четыре числа: риски объем партии и приемочный норматив с. Если два из них задать, то два других можно определить по уравнениям и Если задаются и с, а определить нужно риски а и то получаем прямую зада чу планирования контроля. Если же задаются а и р, а определяются N по лучаем обратную задачу планирования.

Найдем теперь явный вид уравнений (11.27) и (11.28). Поскольку число отказов изделий m за время испытаний t распределено по биномиальному закону, мы вме сто (11.27) и (11.28) можем записать:

(11.29) (11.30) В частности, при с = 0 имеем:

(11.31) При с > 0 уравнения (11.29) и (11.30) можно решать с помощью таблиц биноми ального распределения. Если же N велико, a Q мало, то можно воспользоваться пуассоновским приближением или приближением для биномиального распределения. При приближении уравнения (11.27) и (11.28) заменяются следующими:

(11.32) (11.33) При использовании приближения значения и а, вычис ляются по формуле (11.34) С помощью уравнений легко решить прямую задачу планиро вания контроля, задавая с и N определяя Значительно сложнее решить обратную задачу, так как не удается получить в аналитическом виде выражение для с, входящего в пределы сумм формул (11.23) и (11.24). Поэтому с подбирают путем расчета достаточно большого числа вариантов. Прямое вычисление воз можно лишь тогда, когда удается воспользоваться нормальным приближением биномиального распределения.

При малом большом N и достаточно большом NQ справедлива формула Муав с помощью которой уравнения и записываются в следующем виде:

где Ф(х) — функция Лапласа, определяемая по формуле Определяя квантили нормального распределения по уровням 1 - а и (3 и исполь зуя свойство = получаем два уравнения:

Пренебрегая здесь под корнем величиной по сравнению с единицей, имеем:

(11.35) Складывая эти уравнения и обозначая = / находим:

откуда (11.36) По известным а, находим сначала формуле а затем с по форму ле (11.35).

Пример Определить объем однократной выборки и риск заказчика в пла не контроля надежности по вероятности с приемочным нормативом с = 0 и рис ком изготовителя а =0,15 если известно, что = 0,01, a = 0,1.

Решение. Используя пуассоновское приближение, из формулы получаем = - а) = 0,162. Отсюда N = Теперь по формуле нахо дим = 2,202. Уточнение рисков по формулам дает а = 1 - 0,996 = 1 - = 0,1496;

= = = 0,185.

Пример 11.11. Определить объем однократной выборки и приемочный норма тив в плане контроля надежности партии изделий с риском изготовителя и за казчика, не превышающим 10%, если известно, что вероятность отказа изделий из кондиционной партии за время t = 200 ч не должна превышать 0,01 и что пар тия признается некондиционной, если эта вероятность превышает 0,05.

Решение. Используя таблицу квантилей пуассоновского распределения (табл. в [4]), находим, что квантили для уровней вероятностей 0,9 и 0,1 различаются в 23 раза при с = 0, в 7,3 раза при с = 1 и в 4,85 раза при с = 2. Поскольку здесь Л выбираем с = 2. Тогда - 1,102, = 5,322, откуда получаем 0,09 < 0,1.

Пример Контролю надежности методом однократной выборки подлежит большая партия изделий с граничными значениями вероятности отказа за время t = 500 ч: = 0,05, = 0,1. Необходимо выбрать объем партии и приемочный норматив так, чтобы обеспечить риск изготовителя и риск заказчика а = р = 0,05.

Решение. Используя нормальное приближение биномиального распределения, из формулы при 1 - а =1 = 0,95, = 1,645, =5 находим = Отсюда N= = 316. Теперь по формуле определяем с = 1,645 • 3,97 + + 15,8 - 0,5 22. Так как = получилось довольно большим, применение нормального приближения правомерно и найденные параметры планов контро ля имеют приемлемую погрешность.

При решении обратной задачи, когда приходится выбирать N с перебором ряда вариантов, полезно иметь в виду следующее. С увеличением объема партии N и неизменном с увеличивается риск изготовителя а, но зато снижается риск потребителя При увеличении же с и неизменном N, напротив, увеличивает ся но уменьшается а. При одновременном пропорциональном росте N и с риск потребителя всегда снижается, причем весьма быстро, а риск изготовителя а может даже сначала возрасти, но затем, начиная с некоторых значений N с, также уменьшается, хотя и медленнее, чем р. Об этом можно судить по данным табл. 11.2.

В некоторых планах контроля по ряду причин, не связанных с расчетами, не уда ется обеспечить приемлемые для обеих сторон риски. Например, такая ситуация возникает, когда объем партии ограничен и не допускается повышенный риск за казчика или, напротив, когда в целях сокращения времени контроля требуется принять с = 0 и одновременно не превысить заданное значение риска изготовите ля. Тогда контроль планируется в интересах только одной стороны (изготовите ля или потребителя), и рассчитываются два норматива: — приемочное число, — браковочное число. При контроле в интересах изготовителя используется число и решение принимается согласно следующему правилу: партия кондиционная, т > — партия некондиционная.

Таблица Риски изготовителя и заказчика при изменении объема партии и приемочного норматива N с a N с а Р 15 1 1,50 0,173 0, 15 1 0,75 1,50 0,173 0, 30 2 3,00 0,191 0, 30 2 1,50 3,00 0,191 0, 75 5 3,75 7,50 0,168 0, 75 5 3,75 7,50 0,168 0, 150 10 7,50 15,0 0,138 0, 150 10 7,50 15,0 0, 300 20 15,0 30, 300 20 15,0 30,0 0, При контроле в интересах потребителя решение принимается с помощью со гласно правилу: т > — партия некондиционная (брак), т < партия конди ционная. При = - 1 оба правила объединяются в одно, сформулированное ранее. В общем же случае может быть = с, и даже Пример 11.13. На заводе изготовлена партия из 100 устройств индикации дан ных. Необходимо провести контроль надежности этих устройств в интересах из готовителя и в интересах потребителя, полагая, что вероятность отказа кондици онных изделий в течение 1000 ч не должна превышать 0,01, а некондиционными являются те изделия, вероятность отказа которых за то же время превышает 0,03.

Риск изготовителя и риск потребителя не должны превышать 5%.

Решение. Поскольку число контролируемых изделий довольно велико, a малы, пользуемся пуассоновским приближением. Выбираем сначала N с так, чтобы а = 0,05, a N < 100. По табл. VII, приведенной в [5], находим, что а < 0, обеспечивается при с) = (5;

0), (36;

1), (86;

2) и (136;

3). Выбираем N = 82, с = 2. По формуле (11.24) вычисляем, что р= 0,583 » 0,05, то есть при задан ных ограничениях не удается удовлетворить одновременно требования изго товителя и потребителя. Поэтому составим два плана. При контроле в интере сах примем N = 82 и = с = 2. Выясним, можно ли при таком объеме партии обеспечить р< 0,05. Полагая = 1, вычислим р = ехр(-0,03 • 82) = = ехр(-2,46) = 0,085 > 0,05, то есть даже при безотказной работе всех 82 уст ройств риск потребителя больше заданного. Увеличим число контролируе мых изделий до максимально возможного N= 100. Тогда при = 1 риск = = ехр(-З) = 0,0498 < 0,05. Принимаем = 1. Однако при N = 100 и = 2 риск а = 0,0803. Поэтому увеличим на единицу и найдем при = 3, что а = 0,019.

Итак, выбираем N = 100, = 3, = 1. При этом риск а = 0,019, риск 0,0498.

Последовательный контроль надежности Последовательный контроль не предусматривает предварительного определения объема испытаний [15]. Информация о надежности накапливается при последо вательно возрастающем объеме испытаний. В зависимости от плана испытаний объем V выражается числом контролируемых изделий N, временем испытаний Т, суммарной наработкой и т. д. При планировании контроля на каждом из по следовательных этапов составляется так называемое отношение правдоподобия — число отказов к моменту проверки;

и граничные значения кон тролируемого показателя надежности для кондиционных и некондиционных из делий соответственно (это могут быть и и и и др.). Число сравнивается с оценочными нормативами: А = а / (1 - а), В = (1 - Р)/ а, где а и — риски поставщика и заказчика соответственно. Число А есть отношение вероятностей принять плохую и хорошую аппаратуру;

В — отношение вероятно стей забраковать плохую и хорошую аппаратуру.

На каждом этапе контроля решение может быть вынесено на основании пер вичного правила: < А — партия принимается;

> В — партия бракуется;

А < < В — испытания продолжаются.

Вместо величин можно использовать их логарифмы, и тогда первичные правила приобретают следующий вид: < A — партия принимается;

> > \пВ — партия бракуется;

A < < В — испытания продолжаются.

Однако это правило не всегда удобно, так как требует для принятия решения не только логической операции сравнения, но и некоторых вычислений. Поэтому из первичного правила выводится вторичное, основанное на сравнении на каждом этапе числа отказавших изделий т с приемочными нормативами и являющи мися функциями объема испытаний V. Эти функции и определяют границы между зонами приемки, продолжения испытаний и браковки и нахо дятся из уравнений (11.37) Рассмотрим теперь отдельно методику планирования последовательного контро ля вероятности отказа и интенсивности отказов.

Контроль вероятности отказа по биномиальному плану. Поскольку вид функ ции распределения наработки до отказа неизвестен, будем, как и при однократ ной выборке, использовать план [N, Б, t]. Тогда число отказов т имеет биноми альное распределение, и отношение правдоподобия равно Подставляя (11.38) в (11.37), находим:

+ + = Отсюда = +sN, (11.39) / = (11.40) Нетрудно убедиться, что число всегда отрицательно, a и — положительны.

Функции и являются уравнениями двух параллельных прямых линий, пересекающих координатные оси в точках - и - Нано ся эти прямые на графики, получаем графическую форму плана контроля. Пря мые линии разбивают первый квадрант на три зоны: приемки, продолжения ис пытаний и браковки (рис. а). В процессе испытаний строится реализация случайного процесса выясняется ее принадлежность одной из зон. Испы тания заканчиваются тогда, когда достигнет одной из границ промежуточ ной зоны 2 или пересечет ее.

Графическая форма плана последовательного контроля Кроме графической, существует еще табличная форма плана контроля. В плос кости образуются сечения, параллельные оси абсцисс и проходящие через точки т = 0, 1, 2..., и вычисляются те значения N, при которых пересекаются гра ницы зон. В таблицу заносятся значения т и соответствующие им граничные значения объема испытаний и определяемые согласно и по формулам (11.41) Область N > является областью приемки, N < — областью браковки, a < N < — областью продолжения испытаний.

Пример 11.14. Построить план последовательного контроля вероятности безот казной работы изделий, в котором хорошей считается пар тия с вероятностью P(t) > 0,99, а плохой — партия с P(t) < 0,88. Риск поставщика а = 0,08, риск заказчика р= 0,06. План представить в графической и табличной формах до т = 10 и принять решение для = (1;

46), (4;

60), (5;

100).

Решение. Сначала находим А = = -2,73;

В = = = = 2,485;

ln[(l - С2о)/(1 = 0,1177;

= -1,049, Л, = 0,947, = 0,0452. Отсюда точки пересечения координатных осей = —21;

23,2, по ним строятся границы зон (рис. б). Результаты расчетов по формуле приведены в табл.

Таблица Табличная представления плана последовательного Таблица Табличная форма представления плана последовательного форма контроля вероятности отказа контроля вероятности отказа т 0 1 2 3 4 5 6 7 8 9 1 23 45 68 90 112 134 156 178 200 222 23 45 68 90 112 134 156 178 200 222 -- 11 23 45. 68 90 112 134 156 178 23 45 68 90 112 134 156 178 На основании составленного плана выносим решение: при = (1;

46) при нять партию, при (4;

60) забраковать партию, при (5;

100) продолжить испытания.

Контроль отказов по суммарной наработке. Пусть контролю под вергается партия изделий с экспоненциальным распределением наработки одно го изделия между отказами = 1 - Партия считается хорошей, если X < и плохой, если В 11.5 было показано, что в планах типов В Б количество отказов всех изделий контролируемой партии до получения суммарной наработки распределено по закону Пуассона. Поэтому отношение правдоподобия приобретает вид (11.42) Подставляя (11.42) в (11.37), находим:

Отсюда (11.43) (11.44) Как и раньше, партия принимается при < бракуется при т > и испытания продолжаются при < т < Вместо этого правила иногда удобнее пользо ваться другим правилом, в котором участвуют граничные значения суммарной наработки и соответствующие точкам пересечения прямых (11.43) и (11.44) с горизонтальными прямыми т = 0, 1, 2... Принимая в и = т и = m, получаем:

Партия принимается, если > бракуется, если < и испытания продолжа ются, если < < Пример В опытной эксплуатации находятся 100 непрерывно и одновре менно работающих восстанавливаемых устройств. Необходимо построить план последовательного контроля их надежности, обеспечивая риск поставщика не более 10%, риск заказчика не более 3% и полагая, что устройства восстанавлива ются практически мгновенно, а закон распределения наработки одного устрой ства экспоненциальный. Хорошими считаются устройства со средней наработ кой > 400 ч, плохими — устройства со средней наработкой < 200 ч. План представить в табличной форме до = 10.

Решение. По исходным данным находим: = 2,5 • = 5 • А = 3,4, В = 4,57, / = 0,693. Поскольку восстановление мгновенное, вместо суммарной наработки можно контролировать время t = Тогда = = 13,6 + 2,772m;

= = -9,09 + Результаты расчетов приведены в табл. 11.4.

Таблица Табличная форма представления плана последовательного контроля Таблица Табличная форма представления плана последовательного контроля средней наработки до отказа средней наработки до отказа т 00 1 2 3 4 5 6 7 8 9 1 m 13,6 16,4 19,14 21,92 24,69 27,46 30,23 33,00 35,78 38,55 41, 13,6 16,4 19,14 21,92 24,69 27,46 30,23 33,00 35,78 38,55 41, - - - - 2,00 4,77 7,54 10,32 13,09 18, 2,00 4,77 7,54 10,32 13,09 18, Экономичность планов оценивают по среднему числу испытываемых изде лий. Для метода однократной выборки объем партии — неслучайная величина, определяемая по формуле = ~ параметр распределения Пуас сона, вычисленный по уровню вероятности 1 - а при значении варианты = с.

Для. последовательного контроля средний объем партии вычисляется по форму ле, заимствованной из с. 135] и приводимой здесь без доказательства:

Расчеты по этой формуле показывают, что последовательный контроль дает в сред нем экономию от 30 до 50% по сравнению с контролем по однократной выборке.

Причем отношение уменьшается при сближении границ уменьшении риска поставщика и заказчика. Так, при а = = 0,1 и = / =2, отношение = 0,64, при а = (3 = 0,05 и том же оно уменьшается до 0,59, а при = = 1,25 -до 0,56.

Выигрыш в среднем вовсе не означает, что выигрыш будет при каждом испыта нии, так как количество испытываемых изделий до принятия решения о приемке или браковке не ограничено сверху. Поэтому выигрыш в среднем иногда обра щается в большой проигрыш в некоторых испытаниях. Чтобы устранить этот не достаток, применяют усеченный последовательный контроль.

Усеченный последовательный контроль заключается в том, что одновременно составляются два плана: план последовательного контроля и план контроля по однократной выборке. В первом плане определяются параметры прямых линий, являющихся границами зон, во втором плане — объем партии и приемочный норматив с. Если представить оба плана графически, то образуется ограниченная со всех сторон зона продолжения испытаний с двумя границами: с зоной прием ки и зоной браковки (рис. а).

Рис. Графическая форма плана усеченного последовательного контроля Согласно процедуре усеченного последовательного контроля, испытания прохо дят в соответствии с обычным планом последовательного контроля до тех пор, пока < Если ко времени достижения значения испытания еще не за кончены, тогда в силу вступает решающее правило контроля по однократной вы борке и партия принимается или бракуется в зависимости от соотношения Таким образом, объем испытаний становится случайной величиной с известной верхней границей = Следует отметить, что риск поставщика и риск заказчика в усеченном контроле отличаются от вероятностей а и (3, по которым параметры плана рассчитываются отдельно при последовательном контроле и при контроле по однократной вы борке. Однако при изложенном способе усечения такое отличие невелико и им можно пренебречь.

Пример 11.16. Построить план усеченного последовательного контроля веро ятности отказа невосстанавливаемых изделий при а = = 0,1;

= = 0, и представить его графически.

Решение. По исходным данным определяем: В = A = 9 = 2,1972;

= = /Qo =0,693;

ln[(l - - = 0,1177;

A, = = 2,71;

= = 0,1447. Кроме того, формуле (11.25) находим = 1,29 • 2,414 = 3,12, откуда = 97. Теперь по формуле (11.35) определяем с = 13. Результаты расчетов представлены на рис. б.

Список литературы 1. Pearson E. S., Clopper C.J. The use of confidence or fiducial limits illustrated in the case of the binomial // Biometrica. — 1934. — № 26. — P. 404.

2. Шор Я. Б., Кузьмин Ф. И. Таблицы для анализа и контроля надежности. — М.

Сов. радио, 1968. - 284 с.

3. Большее Л. Н., Смирнов Н. В. Таблицы математической статистики. — М. Наука, 1965. - 464 с.

4. Гнеденко Б. В., Беляев Ю. К., Соловьев А. Д. Математические методы в теории надежности. — М. Наука, 1965. — 524 с.

5. Справочник по вероятностным расчетам / Г. Г. Абезгауз, А. П. Тронь, Ю. Н. Ко пенкин, И. А. Коровина. — М. Воениздат, 1970. — 528 с.

6. Шор Я. Б. Статистические методы анализа и контроля качества и надежно сти. — М.: Сов. радио, 1962. — 564 с.

7. ГОСТ 16504-79. Качество продукции. Контроль и испытания. Основные тер мины и определения. — М.: Изд-во стандартов, 1979. — 22 с.

8. ГОСТ 17510-79. Надежность изделий машиностроения. Система сбора и об работки информации. Планирование наблюдений. — М.: Изд-во стандар тов, 1979. - 23 с.

9. ГОСТ 17509-72. Надежность изделий машиностроения. Система сбора и об работки информации. Методы определения точечных оценок показателей на дежности по результатам наблюдений. — М.: Изд-во стандартов, 1972. 52 с.

10. ГОСТ 18049-72. Надежность в технике. Испытания ограниченной про должительности с заменой отказавших изделий. — М.: Изд-во стандартов, 1972. - 13 с.

11. ГОСТ 18333-73. Надежность в технике. Испытания ограниченной про должительности без замены отказавших изделий. — Изд-во стандар тов, 1973. 10 с.

12. ГОСТ Надежность в технике. Испытания с ограниченным числом отказов. — М.: Изд-во стандартов, 1974. — 15 с.

13. ГОСТ 27.504-84. Надежность в технике. Методы оценки показателей надеж ности по цензурированным выборкам. — М.: Изд-во стандартов, 1984. — 41 с.

14. ГОСТ 27.410-87. Надежность в технике. Методы контроля показателей и планы контрольных испытаний на надежность. — М.: Изд-во стандартов, 1988. - 109 с.

15. ГОСТ 17331-71. Надежность в технике. Метод последовательных испыта ний. — М.: Изд-во стандартов, 1971. — 27 с.

16. ГОСТ 20736-75. Качество продукции. Статистический приемочный кон троль по количественному признаку при нормальном распределении контро лируемого параметра. — М.: Изд-во стандартов, 1975. — 91 с.

17. ГОСТ Прикладная статистика. Правила определения оценок и до верительных границ для параметров экспоненциального распределения и рас пределения Пуассона. М.: Изд-во стандартов, 1974. — 29 с.

18. ГОСТ Прикладная статистика. Правила определения оценок и до верительных границ для параметров нормального распределения. — М.: Изд во стандартов, 1974. — 20 с.

19. ГОСТ 27.411-81. Надежность в технике. Одноступенчатые планы контроля по альтернативному признаку при распределении времени безотказной рабо ты по закону Вейбулла. — М.: Изд-во стандартов, 1981. — 20 с.

20. ГОСТ 11.009-79. Прикладная статистика. Правила определения оценок и до верительных границ для параметров логарифмически нормального распреде ления. — М.: Изд-во стандартов, 1979. — 52 с.

21. Фишер Р. А. Статистические методы для исследователей. — М.: Госстатиздат, 1958. -342 с.

Вопросы для самоконтроля 1. В чем состоит назначение испытаний на надежность? Приведите пример пла нов испытаний.

2. В чем заключаются задачи определительных испытаний?

3. Перечислите свойства точечных оценок показателей надежности.

4. Перечислите точечные оценки средней наработки на отказ и их характери 5. В чем заключается принцип интервального оценивания показателей надежности?

6. В чем состоит постановка задачи контрольных испытаний на надежность?

Прямая и обратная задачи.

7. Как выбирается объем испытаний по рискам заказчика и изготовителя при однократной выборке?

8. Каковы табличная и графическая формы плана последовательного контроля надежности?

9. Каковы табличная и графическая формы плана усеченного последовательно го контроля надежности?

Математическое приложение П1. Преобразование Лапласа— Карсона и Преобразование функции F(t) осуществляется с помощью интеграла а преобразование — с помощью интеграла (П1.1) Интегрированием по частям в формуле можно убедиться, что при ДО) = О оба преобразования дают один и тот же результат:

В теории вероятностей и теории надежности таким свойством обладают функции распределения непрерывных случайных величин. Поэтому для них без особых ого ворок можно пользоваться любым из указанных преобразований. По этой же при чине далее приводятся формулы только для преобразования Лапласа — Карсона.

Основные функциональные соотношения:

(П1.2) Знак означает операционное соответствие оригинала во временной области и изображения в комплексной частотной области. Он заменяет интеграл, отра жающий интегральное преобразование Лапласа.

Формулы преобразования некоторых функций:

П2. Вычисление вычетов Вычет в простом полюсе вычисляется по формуле а вычет в полюсе порядка — по формуле (П2.2) Формулы (П2.1) и (П2.2) можно использовать для обратного операционного преобразования. Если F*(s) — дробно-рациональная функция 5, имеющая корни знаменателя s,,..., кратности..., соответственно и не равная нулю при s = 0, то оригинал этой функции находится по формуле (П2.3) Как видно из (П2.3), в круглых скобках имеет нулевой корень = О, так как 0. Если же = 0, то такой корень отсутствует.

ПЗ. Тауберовы теоремы Теорема П3.1. Для любого операционного соответствия F(t) F'(s) имеем:

то есть из существования предела при оо в области изображений следует суще ствование предела при области оригиналов, причем эти пределы равны.

Теорема П3.2 (для действительной области). Для операционного соответствия F(t) F'(s) (Re s > 0) достаточным условием справедливости соотношения (П3.1) является существование положительной постоянной при которой В (П3.1) +0 только вдоль действительной оси. Если функция F(t) оказывает ся монотонной для t > 0, то допустимо преобразование правой части (П3.1) по правилу Лопиталя, и тогда Таким образом, справедлива следующая теорема.

Теорема ПЗ.З. Для операционного соответствия F(t) s > 0) достаточ ным условием справедливости соотношения является условие монотонности F(t) при t > 0.

Теорема П3.4 (для комплексной области). Для того чтобы вместе с операцион ным соответствием F(t) было справедливо соотношение достаточно, чтобы одновременно: 1) произведение было положитель ным и неубывающим при t > 0;

2) существовала постоянная А — такая, чтобы при Re s —> +0 разность (F(s) - A)/s равномерно стремилась к некоторой ограни ченной функции s) на любом конечном интервале -а < s < a.

П4. Вывод формул для потоков случайных событий П4.1. Вывод формул для простейшего потока Пусть известно, что поток событий является стационарным ординарным потоком без последействия. Найдем явные выражения для распределений P{N(t) = п}, < ведущей функции потока H(t) и интенсивности потока событий, где N(t) — число событий в интервале (0, t), Т„ — время до события. Вывод излагается по работе А. Я. Хинчина [3.6].

Рассмотрим промежуток времени длительностью 1 и обозначим через р = вероятность того, что за этот срок не произойдет ни одного события. Разбивая промежуток на п равных частей, по формуле умножения вероятностей найдем:

(П4.1) где 0,..., 0) — вероятность отсутствия событий в интервале (т, х + t) при ус ловии, что до этого интервала событий не было. В силу отсутствия последей ствия вместо (П4.1) можно записать:

(П4.2) Если же учесть еще и стационарность, то исчезает зависимость вероятностей в (П4.2) от первого аргумента, и тогда Отсюда Повторяя практически без изменений приведенные рассуждения для отрезка k/n, получим:

Пусть теперь t — любое число из единичного отрезка времени. Подбирая k так, чтобы (П4.3) и учитывая, что невозрастающая функция времени, имеем:

Устремляя п оо и k оо так, чтобы условие (П4.3) по-прежнему выполнялось, получим:

Полагая теперь имеем:

(П4.4) Отсюда следует, что при стационарном потоке без последействия время до пер вого события имеет экспоненциальное распределение. Так как справедливо вы ражение (П4.5) Используя теперь свойство ординарности потока событий и разлагая экспоненту в ряд, при достаточно малом t имеем:

Рассмотрим теперь вероятность того, что в промежутке длительностью t + At произойдет п событий (п > 1). В силу стационарности вероятность не зависит от начала отсчета t. В указанном промежутке п событий могут произойти следую щими несовместными способами: п событий наступает за время t и 0 событий — за время At;

п - 1 событие наступает за время t и одно событие — за время At, и т. д.;

О событий за время t и п событий — за время Используя свойства стационарности и отсутствия последействия и суммируя вероятности несовмест ных событий, получаем:

Поскольку мы в силу ординарности и с учетом (П4.4) и (П4.5) находим:

Отсюда Переходя к пределу при At 0, имеем:

(П4.6) Присоединяя сюда уравнение решением которого является функция (П4.4), получим замкнутую систему дифференциальных уравнений. Решим ее при начальных условиях: = 1, = 0, п > 0. Подстановка в (П4.6) и (П4.7) выражения (П4.8) дает = 0, (t) - = 1, =0, n > 1. Непосредственным ин тегрированием в этих уравнениях получим:

(П4.9) Из (П4.8) и (П4.9) находим окончательно:

(П4.10) Таким образом, число событий за заданное время имеет распределение Пуассо на. Наличия трех указанных свойств достаточно для справедливости формулы (П4.10). Можно доказать и необходимость этих свойств. Для этого надо прове рить выполнение трех свойств, считая, что формула (П4.10) верна.

П4.2. Вывод формул нестационарного пуассоновского потока Пусть известно, что поток событий ординарный без последействия. Получим уравнения для вероятностей того, что в промежутке + t) произойдет ровно п событий. Обозначим (П4.11) По свойству ординарности при любом t Мгновенный параметр и интенсивность потока событий (П4.12) Используя свойство отсутствия последействия, для вероятности отсутствия со бытий в промежутке (т, т + t + At) получим:

Из и следует:

откуда при At 0 получаем дифференциальное уравнение Повторяя в точности рассуждения, используемые при выводе уравнений (П4.6), для вероятностей Рп(х, t) при п > 1 находим:

Отсюда при At —> 0 получаем дифференциальное уравнение Начальные условия для уравнений (П4.13) и (П4.14) следующие:

(П4.15) Решим систему уравнений (П2.20)—(П4.15) методом производящих функций.

Примем (П4.16) Умножая (П4.14) на и суммируя по всем п, получим:

Меняя здесь порядок суммирования и дифференцирования, находим:

(П4.17) или Отсюда Начальные условия для (П4.17) следующие: Ф(т, 0, х) = 0) = 1. Поэтому Окончательно получаем:

Разлагая второй сомножитель в ряд по степеням х и сравнивая его с рядом (П4.16), получим окончательно:

П4.3. Теоремы об асимптотическом поведении функции интенсивности и ведущей функции рекуррентного потока Теорема П4.1. Для рекуррентного потока событий выполняются равенства (П4.18) где H(t) и — решение уравнений (3.32) и Т — средний интервал ме жду событиями.

Доказательство. Представим изображение F*(s) функции распределения F(t) в виде разложения в ряд по степеням (П4.19) Подставим (П4.19) в знаменатель выражения (3.31):

(П4.20) Согласно тауберовой теореме, предельному переходу при t в формуле (П4.18) соответствует переход в области изображений при s 0. Из (П4.20) следует:

Отсюда Вторая часть равенства (П4.18) доказана. Первая часть равенства доказывается путем раскрытия неопределенности по Лопиталю — дифференцированием t в числителе и знаменателе дроби. Из (П4.18) следует, что при достаточно боль ших t для расчета среднего числа событий можно использовать приближенное (П4.21) Теорема П4.2 Для любого рекуррентного потока событий справед ливо предельное соотношение (П4.22) Доказательство. По теореме упреждения операционного исчисления При малых с учетом (П4.21) имеем:

Отсюда непосредственно следует (П4.22).

Теорема П4.3 (Смита). Для любой монотонно не возрастающей и интегрируе мой на (0, оо) функции и любого рекуррентного потока событий Доказательство. Согласно тауберовой теореме и теореме о свертке функций (П1.2), Теорема доказана.

П4.4. Вывод формул обобщенного пуассоновского потока Пусть известно, что вероятность (П4.23) где — функция распределения случайного параметра стационарного пуас соновского потока событий. Найдем выражение для вероятностей через функцию Используя правило дифференцирования интеграла по парамет ру, преобразуем (П4.23) к виду (П4.24) Начальные моменты распределения числа событий потока в интервале (0, t) Отсюда следует, что начальные моменты ОПП можно получить путем осредне ния по плотности (рандомизации) соответствующих начальных моментов Отсюда, в частности, находим среднее значение и дисперсию числа событий:

(П4.25) Из (П4.25) следует, что параметр потока событий (П4.26) есть величина постоянная, что свидетельствует о стационарности потока. Срав нивая (П4.26) и видим, что параметр потока связан с функцией со отношением Введем нулевую функцию (П4.27) Интегрируя здесь справа и слева по интервалу (0, со), находим:

Подставляя (П4.27) в (П4.24), получим выражение вероятностей через функцию (П4.28) Из формул (П4.23), (П4.24) и (П4.28) следует, что существует три эквивалент ных способа задания ОПП: через функции или многих слу чаях второй и третий способы оказываются более предпочтительными, так как функции и легче измерить.

Заметим, что обобщенный поток является ординарным по построению, так он получается путем рандомизации ординарного стационарного по тока, а рандомизация не может изменить свойство ординарности. Что касается последействия, то ОПП имеет сложное последействие, то есть он не может быть отнесен ни к потокам без последействия, ни к потокам с ограниченным после действием. Покажем это. Введем для потока типа Пальма, который является по током с ограниченным последействием, нулевую функцию в соответствии с (П4.27). Используя (3.38), найдем:

Вероятность наступления ровно одного события за время t (П4.29) Для обобщенного потока, согласно (П4.28), (П4.30) Приравнивая вероятности из (П4.29) и (П4.30), получим интегральное уравнение, решение которого определяет те функции когда ОПП будет иметь ограни ченное последействие:

Единственное решение этого уравнения = (= Xt). Это значит, что про стейший поток является частным случаем и потока типа Пальма, и обобщенного пуассоновского потока. В этом случае ОПП является потоком без последейст вия. Во всех остальных случаях он имеет сложное последействие.

П5. Модифицированный логико вероятностный метод. Основные теоремы Логико-вероятностный метод, изложенный в главе 6 и применяемый для анализа надежности двухполюсных сложных структур, содержит три этапа: запись логи ческой функции работоспособности (ЛФРС), преобразование логической функ ции к форме перехода к полному замещению (ФППЗ) и полное замещение всех логических переменных вероятностями и логических операций — арифметиче скими операциями. Модифицированный логико-вероятностный метод содержит еще один промежуточный этап — частичное замещение логических переменных вероятностями [6.3]. Поэтому вместо ФППЗ логическая функция преобразуется к форме перехода к частичному замещению (ФПЧЗ), а в результате частичного замещения появляется так называемая смешанная форма функции вероятно стей, содержащая одновременно и вероятности, и логические переменные, ариф метические и логические операции. После некоторых преобразований в СФФВ выполняется постепенное (многошаговое) замещение остальных логических переменных с целью перехода к искомой развернутой форме функции вероят ностей (РФФВ). Запись СФФВ по заданной функции алгебры логики (ФАЛ) проводится на основании следующих теорем.

Теорема П5.1. Пусть:

1. задана функция алгебры логики вида (П5.1) где v и & — логические операции дизъюнкции и конъюнкции;

X век торные аргументы логических функций / и соответственно;

а, — постоян ные коэффициенты, равные нулю или единице: = х при при = 1;

— бесповторные логические переменные, j К - — функции алгебры логики произвольного вида;

2. события независимы в совокупности, причем вероятности = = есть форма перехода к частичному замещению, и ей соответству ет (П5.2) где Доказательство теоремы можно найти в [7.2, с. 206—207].

Пример Ш. Пусть — беспо вторные переменные. Надо найти вероятность =1).

Решение. Согласно (П5.2), бесповторные логические переменные заменяем ве роятностями = - 1), а логические операции конъюнкции и отрицания — арифметическим операциями умножения и вычитания. Поскольку здесь а, = 1, то а, = = 1 - a поэтому (П5.3) Дальнейшая развертка (П5.3) к РФФВ проводится путем разрезания по незаме щенным логическим переменным в соответствии с теоремой разложения.

Теорема П5.2. (первая теорема разложения). Пусть задана некоторая СФФВ х„), зависящая от логических переменных и пусть события = = о,) независимы в совокупности. Тогда Утверждение теоремы следует непосредственно из формулы полной вероятности.

Теорема П5.3. Пусть заданы две логические функции:

Составим третью функцию:

(П5.4) Тогда:

1) если и ортогональны, то есть = 0 для i = \...n, то (П5.4) является фор мой перехода к частичному замещению и ей соответствует СФФВ 2) если если и не ортогональны, то формой перехода к частичному замеще нию является выражение и ему соответствует СФФВ (П5.5) Доказательство теоремы можно найти в [7.2, с. 208—209].

Пример П2. Пусть Найти = 1).

Решение. Здесь Функции и ортогональ ны. Поэтому ортогонализация необходима лишь для и Используя (П5.5), получим:

Здесь проведем разрезание сначала по а затем по Теорема П5.4. Дизъюнкция и конъюнкция ФАЛ где — логические функции вида (П5.1), в — бесповторные пере менные для всех — являются формой перехода к частичному замещению, и им соответствуют СФФВ Вероятности = 1) находят по формуле (П5.2). Если в дизъюнкции все слагаемые ортогональны, то достаточна бесповторность лишь в пределах одной функции Данная теорема является обобщением теоремы П5.1. При ее доказательстве ис пользуется основной прием — сведение рассматриваемой задачи к схеме независимых событий путем замещения бесповторных переменных и перевода логических функций с повторяющимися переменными в показатели степени вероятностей.

В следующих трех теоремах рассматриваются производящие полиномы дискрет ных распределений, содержащие в качестве коэффициентов смешанные формы функции вероятностей.

Теорема П5.5. (вторая теорема разложения). Пусть — производящий полином некоторого дискретного распределения с коэффици ентами, записанными в смешанной форме и зависящими от логических перемен ных.... х„. Тогда Данная теорема является одним из следствий теоремы П5.1.

Пример ПЗ. Пусть Необходимо найти производящий полином распределения.

Решение. Составим формулу (П5.6) Проведем сначала разрезание по В каждом из слагаемых проведем разрезание по и получим окончательно:

Теорема П5.6. (третья теорема разложения). Пусть Тогда Доказательство теоремы можно найти в [7.2, с. 211—212].

Пример П4. Пусть полином определен формулой (П5.6), а полином Надо найти 1, 1).

Решение. Возведение в степень полинома (П5.6) дает (П5.7) Непосредственно из (П5.7) имеем:

С другой стороны, по теореме П5.6 имеем 1, 1) = (q + pqz + pz2 )2. Нетрудно убедиться, что обе формулы совпадают.

Теорема П5.7. (четвертая теорема разложения). Пусть Тогда Теорема легко доказывается путем изменения порядка суммирования.

Пример П5. Пусть Надо найти Решение. Разрезанием по и непосредственно из (П5.8) находим:

С другой стороны, по теореме П5.7 имеем:

Нетрудно убедиться в том, что обе формулы дают одинаковый результат.

П6. Методы математической статистики П6.1. Точечное оценивание параметров распределений Точечной оценкой параметра а распределения F(x, а) называют скалярную ве личину, зависящую от выборки..., х„) и удовлетворяющую установлен ным требованиям.

454 Математическое приложение П6.1.1. Свойства точечных оценок Состоятельность. Оценка параметра а называется состоятельной, если она схо дится по вероятности к оцениваемому параметру:

(П6.1) С использованием второго неравенства Чебышева практически состоятельность устанавливается по поведению дисперсии оценки Вместо сходимости по вероятности (П6.1) устанавливается сходимость в сред неквадратическом Несмещенность. Оценка несмещенной, если математическое ожи дание оценки равно оцениваемому параметру при любом конечном, в том числе малом, объеме выборки:

Свойство несмещенности позволяет устранить систематическую ошибку в оцен ке параметра, оставляя только статистическую ошибку. Если оценка смещенная, но величина смещения известна, то следует устранить смещение введением по правочного коэффициента.

Эффективность. Точечная оценка параметра а называется эффективной, если она имеет минимальную дисперсию среди всех возможных точечных оценок.

Определение трудно применить непосредственно для установления свойства эффективности, так как оно требует знания всех возможных оценок, вычисле ния дисперсий всех оценок и выбора одной из них с минимальной дисперсией.

Решение задачи о свойстве эффективности существенно упрощается благодаря неравенству Рао — Крамера. Согласно этому неравенству, дисперсия любой точечной оценки не менее априорно вычисляемой величины, называемой дис персией эффективной оценки:

где — число испытаний;

fix, a) — функция плотности распределения непре рывной случайной величины X или функция общего члена ряда распределения дискретной случайной величины /(х, а) = Р(Х х, Согласно неравенству (П6.2), правило установления эффективности сводится к трем действиям:

1. По а) еще до построения конкретного вида точечной оценки пара метра находят дисперсию эффективной оценки 2. По виду функции fix, находят дисперсию оценки 3. Если = то оценка эффективная. Если же D(a)> то вычисляют ко эффициент эффективности К, = В последнем случае, когда не уда ется найти эффективную оценку, предпочтение отдают оценке с наибольшим коэффициентом эффективности.

Коэффициент эффективности зависит от объема выборки п. Если < 1, но предел при п оо равен 1, то оценку называют асимптотически эффек тивной. Если же предел < 1, то коэффициент называют коэффициентом асимптотической эффективности.

П6.1.2. Методы получения точечных оценок Метод моментов. Метод К. Пирсоном в 1894 г. Основная идея метода состоит в том, что приравнивается определенное количество теоретических и эмпи рических начальных и центральных моментов распределения. Количество урав нений должно быть равно количеству оцениваемых параметров:

Решение системы уравнений (П6.3) относительно неизвестных..., дает значение оценок а,,..., Для однопараметрических распределений = 1) система (П6.3) сводится к одному уравнению Для двухпараметрических распределений = 2) составляют два уравнения:

а (П6.4) Метод моментов сравнительно прост и предлагает состоятельные оценки. Состоя тельность непосредственно следует из сходимости по вероятности эмпирических начальных и центральных моментов к соответствующим теоретическим момен там. Оценки, как правило, являются смещенными. Можно показать [1], что при общих условиях оценки распределены асимптотически нормально со средним значением Ма, отличающимся от а на величину порядка и дисперсией вида D/n. Смещение нетрудно устранить введением поправки. Однако метод имеет более серьезный недостаток. Получаемая этим методом оценка часто имеет ко эффициент асимптотической эффективности значительно меньше единицы [2].

При оценке четырех и более параметров метод моментов не применяется, так как резко возрастает дисперсия оценок. В самом деле, для начального момента порядка дисперсия выборочного момента Аналогично дисперсия выборочных центральных моментов Отсюда, в частности, дисперсии оценок параметров нормального распределения, получаемых решением системы уравнений (П6.4), имеют вид Дисперсия выборочного момента второго порядка выражается через теоретиче ский момент четвертого порядка.

Метод квантилей. Основная идея метода состоит в том, что для выбранных зна чений вероятностей приравниваются эмпирические и теоретические квантили:

(П6.5) где — решение уравнения F(x, a) = В частности, для нормального рас пределения система уравнений (П6.5) имеет вид (П6.6) где и у — квантили стандартного нормального распределения с параметра ми (0;

1);

и — эмпирические квантили по уровням вероятностей и Решение (П6.6) имеет вид (П6.7) Обе оценки (П6.7) несмещенные. В этом легко убедится, если учесть, что = хр = + Чтобы найти дисперсии оценок, надо использовать выражение для дисперсии выборочной квантили Отсюда следует, что дисперсия минимальна там, где плотность распределения максимальна. Это можно учесть при выборе значений вероятностей Метод максимального правдоподобия. Метод предложен Р. А. Фишером в 1912 г.

Основная идея метода состоит в допущении, что наблюдаемая реально выбор ка является наиболее вероятным исходом статистического эксперимента. Если в полной или усеченной выборках получим выборочные значения..., х„), то в качестве оценки неизвестного параметра а надо выбрать такое значение которое обеспечивает максимум плотности вероятности распределения случай ного вектора..., (П6.8) Если а =..., — векторный параметр, то с помощью метода градиентов оценки находят как решение системы уравнений (П6.9) На практике вместо плотности /„ удобнее пользоваться логарифмом этой функ ции. Такое допустимо, так как логарифм является возрастающей функцией своего аргумента и поэтому достигает максимума в той же точке что и плот ность Функция L - называется функцией правдоподобия. После перехо да от/„ к L условие (П6.8) приобретает вид Система уравнений (П6.9) заменяется новой системой уравнений (П6.10) Оценки максимального правдоподобия (МП-оценки) обладают следующими свойствами:

1. Они состоятельны.

2. Если существует эффективная оценка, то метод дает именно эффективную оценку.

3. Оценка имеет асимптотически нормальное распределение со средним зна • чением а и дисперсией D(a)= где А(а) определяется по формуле (П6.2).

4. Оценка инвариантна относительно преобразования параметра. Это значит, что оценка некоторой функции параметра а совпадает с этой же функцией оценки параметра, то есть g(a) = 5. Оценки являются несмещенными или асимптотически несмещенными.

К недостаткам метода максимального правдоподобия следует отнести необходи мость знания распределения f(x, а) и сложность уравнений (П6.10).

Для нормального распределения точечные оценки максимального правдоподо бия для параметров m и по полной выборке..., х„) находят с помощью следующей функции правдоподобия:

(П6.11) Уравнения правдоподобия Отсюда Характеристики оценок Оценка s2 — смещенная. Для устранения смещения вводим поправку и получаем несмещенную МП-оценку дисперсии:

(П6.12) П6.1.3. Метод наименьших квадратов Метод используется для аппроксимации зависимости реализации случайных ве личин X и Y с помощью некоторой функции у = Метод является частным случаем метода максимального правдоподобия.

Пусть имеется п выборочных значений двухмерной случайной величины у,), i = \...п. Полагаем, что истинная зависимость определяется функцией ), а от клонения от нее суть ошибки измерения, которые подчиняются нормальному за кону со средним и дисперсией = Полагая различные измерения неза висимыми, найдем многомерную плотность распределения вектора..., в виде Тогда условие приобретает вид (П6.13) Поскольку первые два слагаемых на зависят от вида функции то у словие (П6.13) эквивалентно условию (П6.14) Поиск минимума происходит в задаваемом параметрически классе функций а). Из (П6.14) вытекает и название метода. Уравнения правдоподобия (П6.10) приобретают вид При полиномиальной аппроксимации могут, в частности, использоваться линей ная и параболическая аппроксимации.

Линейная аппроксимация. Функция представляет собой прямую линию = ах + Подставляя ее в (П6.15), получим два уравнения:

(П6.16) Разделив (П6.16) почленно на п и преобразуя, находим оценки максимального правдоподобия для параметров прямой линии:

Параболическая аппроксимация. Функция представляет собой квадратиче скую параболу = + + с. Из (П6.15) получим три уравнения:

(П6.17) Система (П6.17) сводится к трем алгебраическим уравнениям относительно па раметров а, Ь и с:

(П6.18) Систему уравнений (П6.18) решают методом определителей.

Аппроксимация с помощью линейной формы. Функцию представляют в форме Тогда система приобретает вид Отсюда получим систему алгебраических уравнений (П6.19) Решение (П6.19) дает оценки максимального правдоподобия для неизвестных параметров = \...r. В качестве функций можно использовать гармониче ские, экспоненциальные функции и пр.

П6.2. Интервальное оценивание параметров распределений Интервальное оценивание параметров применяют при малых выборках, когда точечные оценки имеют неприемлемо большие дисперсии.

П6.2.1. Постановка задачи Двусторонним доверительным интервалом для параметра распределения F(x, a) называют интервал со случайными границами и зависящими от выборки и обладающими следующим свойством: вероятность накрыть этим ин тервалом неизвестное, но неслучайное значение параметра а не менее заданной ве личины 8, называемой доверительной вероятностью или коэффициентом доверия:

Пусть параметр а имеет область допустимых значений а0). Вполне воз можно, что доверительный интервал не накроет значение параметра а, и тогда < а < или а < Вероятности этих событий Сумму этих вероятностей называют уровнем значимости:

Односторонним (нижним или верхним) доверительным интервалом называют интервал с одной фиксированной и одной случайной границами — такими, что Уровни значимости в этих случаях таковы:

П6.2.2. Принцип и уравнения Для определения доверительных границ вводят критериальную функцию или критерий зависящий от выборки и оцениваемого параметра. К критерию и предъявляются следующие требования:

1. Должен быть известен вид распределения критерия a).

2. Функция распределения а) не должна иметь других неизвестных пара метров, кроме оцениваемого параметра.

Принцип Клоппера — Пирсона состоит в следующем. В семействе функций а), построенных путем вариации параметра а, выбираются две кривые, про ходящие через точки у') и 1 - у"), где — значение критерия, получен ное по выборке. Одна из этих кривых имеет параметр а другая — параметр В соответствии с этим принципом записывают уравнения Решение уравнений (П6.20) дает значения доверительных границ.

П6.2.3. Доверительные границы для параметров нормального распределения При известной дисперсии доверительные границы для математического ожи дания находят с помощью критерия имеющего нормальное распределение параметрами (0;

1). Уравнения (П6.21) Заметим, что два уравнения (П6.21) эквивалентны одному уравнению с двой ным неравенством:

Отсюда (П6.22) где и — квантили нормального распределения с параметрами (0;

1) по уровням вероятностей и 1 - у" соответственно. Из (П6.22) находим:

Квантиль 0, a поэтому < х < При неизвестной дисперсии используем критерий (П6.23) имеющий распределение Стьюдента с k = п - 1 степенями свободы. Уравнения Клоппера — Пирсона имеют вид (П6.21), критерий и имеет вид (П6.23). Из (П6.21) получим:

где и — квантили распределения Стьюдента с k - п -1 степенями свободы.

Доверительные границы для дисперсии нормального распределения находят с помощью критерия имеющего с k = п - 1 ст епенями свободы. Из (П6.21) находим:

где — квантили распределения по уровням вероятностей соответственно.

П6.3. Проверка параметрических гипотез П6.3.1. Постановка задачи Простая основная гипотеза относительно параметра а распределения F(x, a) формулируется в следующем виде: а = Кроме того, формулируется про стая конкурирующая (альтернативная) гипотеза о том, что а = Принятие решения о том, что гипотеза верна или неверна, проводится с помощью кри терия значимости и, численное значение которого определяется по результатам статистического эксперимента. Для формирования решающего правила область допустимых значений критерия разбивают на две части: область принятия гипотезы и критическую область при попадании в которую значения критерия гипотеза отвергается. Гипотеза называется двусторонней, если альтернативное значению значение параметра может быть как больше, так и меньше В этом случае критическая область будет двухсвязной, и ее по добласти будут разделены областью Гипотеза называется односторонней, если альтернативное значение параметра может быть либо только больше, чем либо только меньше этого значения. Тогда критическая область будет одно связной.

Поскольку решение о верности (или неверности) гипотезы принимается по ограниченной выборке, правильность решения не гарантируется и возможны ошибки первого и второго рода. Вероятность ошибки первого рода а есть веро ятность отвергнуть верную гипотезу Вероятность ошибки второго рода есть вероятность принять неверную гипотезу когда на самом деле верна альтер нативная гипотеза. Вероятности являются, по существу, условными веро ятностями:

(П6.24) Вероятность (П6.25) называется мощностью критерия. Она представляет собой условную вероятность того, что правильной будет признана альтернативная гипотеза (отвергнута основ ная гипотеза) при условии, что она и на самом деле верна. К критерию значимости предъявляются те же требования, что и при построении доверительного интервала.

При планировании статистического эксперимента для проверки гипотезы ис пользуют всего 6 параметров: значения и вероятности граница щ областей и объем выборки п. Для них известны два уравнения связи (П6.24), которые позволяют найти любые два параметра, если заданы остальные четыре. Если заданы п и щ, то можно найти (прямая задача). Если за даны а и р, то можно найти и п (обратная задача).

П6.3.2. Проверка гипотез о параметрах нормального распределения Для нормального распределения F(x, m, проверке подлежат всего четыре ги потезы:

• о равенстве математического ожидания (МО) известному значению;

• о равенстве двух неизвестных МО;

• о равенстве дисперсии известному значению;

• о равенстве двух неизвестных дисперсий.

Проверка гипотезы о равенстве МО известному значению. Основная гипотеза состоит в том, что т = Заданы объем выборки п и вероятность ошибки первого рода а. При известной дисперсии а2 в качестве критерия используем величину В этом случае уравнения (П6.24) для определения границ двусторонней крити ческой области приобретают вид где — интеграл Лапласа. Отсюда находим квантиль нормального распреде ления по уровню вероятности = 1 - а/2. Критическая область состоит из двух частей: z > и z < Правило принятия решения следующее:

если и е то есть < и < то гипотеза верна;

2. если и е то есть и < или и >, то гипотеза неверна.

Чтобы найти мощность критерия, надо ввести конкурирующую (альтернатив ную) гипотезу состоящую в том, что т = Тогда, согласно (П6.25), мощность критерия При справедливости критерий и уже не будет иметь нормального распреде ления с параметрами (0;

1). Это распределение теперь имеет и'. Величина d, не зависящая от результатов эксперимента, называется расстоянием между гипотезами. Оно тем больше, чем больше = те, - и объем выборки п.

При d = О мощность критерия равна ошибке первого рода а, то есть очень мала.

При d 0 имеем:

(П6.26) При d > 0 второе слагаемое очень мало, и мощность критерия fi(d) + С ростом мощность критерия асимптотически приближается к единице, что оз начает состоятельность критерия. При d < О главным, напротив, будет второе слагаемое.

При выбранной границе критической области регулировать мощность крите рия можно только изменением объема выборки п и значения - При > О, пренебрегая в (П6.26) вторым слагаемым, найдем:

Отсюда требуемый объем выборки для обеспечения заданных значений ошибок первого и второго рода При односторонней критической области Критическая область для среднего арифметического При а = р критическая область При неизвестной дисперсии надо использовать критерий Проверка гипотезы о равенстве двух неизвестных математических ожиданий.

Пусть случайные величины X Y распределены по нормальному закону с из вестными дисперсиями и Основная гипотеза состоит в том, что неизвест ные математические ожидания равны между собой, то есть = В результате статистических испытаний получены две выборки,..., и —, Поскольку разность средних значений z = х - нормальное распределение с параметрами = - и = + то в качестве критерия есте ственно выбрать центрированную и нормированную разность При справедливости основной гипотезы критерий приобретает вид и не содержит в себе неизвестных величин. Двустороннюю критическую область находят из уравнения (П6.27) Отсюда критическая область и < или и >, = 1 - а/2. Правила приня тия решения таковы:

• если то верна;

• если или - у > то неверна.

Односторонняя критическая область имеет вид и > z-, если конкурирующая ги потеза следующая: > и и < если < Если дисперсии неизвестны, но одинаковы: ст = ст = а, то используют критерий (П6.27) Величина нормальное распределение с параметрами т = 0 и 1, V2 име ет с числом степеней свободы k = + - 2, а величина и = Т имеет распределение Стьюдента с параметром При справедливости гипотезы ЯО и равенстве дисперсий критерий (П6.27) приобретает вид Отсюда находим двустороннюю критическую область и < и (k).

Правило принятия решения: если то верна;

если \и\, то неверна.

Проверка гипотезы о равенстве дисперсии известному значению. Для проверки гипотезы а = используют критерий имеющий с числом степеней свободы = п - 1. При пользовании двусторонней конкурирующей гипотезы = двусто ронняя критическая область определяется неравенствами и <х,2 или и где и квантили по уровням вероятностей а/2 и 1 - а/ соответственно. При односторонней конкурирующей гипотезе критическая об CT ст CT ласть такова: и > i о ~ i Мощность критерия при односторонней гипотезе:

где Х = / — расстояние между гипотезами.

При двусторонней гипотезе Проверка гипотезы о равенстве двух неизвестных дисперсий. По двум независи мым выборкам...,..., том, что ах = В качестве критерия используется отношение Критерий имеет распределение Фишера с параметрами При справедли вости гипотезы критерий приобретает вид и вычисляется как отношение несмещенных оценок (П6.12) для дисперсий и Двустороннюю критическую область находят из уравнений Здесь = = — квантили распределения Фишера уровням вероятностей а/2 и 1 - а/2 соответственно, определяемые по таблицам распределения Фишера. Поскольку в таблицах приводятся только значения квантилей для р > 0,5, квантиль по уровню а/2 находят с помощью формулы П6.4. Критерии согласия П6.4.1. Постановка задачи В результате предварительной обработки статистических данных в форме вариа ционного ряда установлено, что эмпирическая функция распределения качест венно близка к теоретическому распределению класса F(x, а) и может быть ап проксимирована одной из кривых этого класса. В связи с этим формулируется основная гипотеза о том, что эмпирическая функция распределения согласу ется с теоретическим распределением F(x, а), в котором параметр а либо задан, либо вычислен в виде точечной оценки Вероятность ошибки первого рода а, называемая также уровнем значимости, трактуется как вероятность того, что ос новная гипотеза будет отвергнута, тогда как на самом деле она верна.

Выбирая критерий и, находят границу односторонней критической области и используют следующее правило принятия решения: если и е то есть и < то гипотеза верна — имеется согласие теоретического и эмпирического рас пределений;

если то есть и > то гипотеза неверна и согласия нет.

Критерий называют состоятельным, если при верности конкурирующей гипоте зы с увеличением объема выборки значения критерия растет и рано или поздно, но гарантированно, гипотеза о согласии будет отвергнута. В зависимости от вида функции х„, F(x, а)) различают критерии согласия Пирсона (кри терий х2), Колмогорова и Мизеса (критерий of).

П6.4.2. Критерий Пирсона (критерий /2) В качестве эмпирического распределения используется функция частостей. Об ласть допустимых значений (ОДЗ) случайной величины X разбивается на / ин тервалов, называемых разрядами, с границами /-го интервала и i = 1.../.

При этом обычно принимают = = где и х° — левая и правая границы ОДЗ. Частость есть отношение числа элементов вариационного ряда, попав ших в г'-й разряд, к длине выборки п. В качестве критерия используется функция (П6.28) Можно показать, что критерий Пирсона имеет асимптотически ние с числом степеней свободы k = n- 1. Если параметры теоретического распре деления неизвестны, но они определяются по выборке в форме точечных оценок то распределение имеет число степеней свободы k = п - 1 - где — число параметров теоретического распределения.

Чтобы проверить состоятельность критерия х2, надо ввести альтернативную ги потезу согласно которой теоретическому распределению в тех же границах разрядов соответствует вектор вероятностей..., р',). При справедли вости будет иметь значение Тогда математическое ожидание критерия (П6.28) (П6.29) С ростом п функция (П6.29) растет линейно. При любой фиксированной грани це критической области с ростом п значение критерия и гарантированно попадет в и гипотеза будет отвергнута.

При использовании критерия Пирсона необходимо учитывать следующие прак тические рекомендации:

1. Границы разрядов следует выбирать равными квантилям теоретического рас пределения по уровням р, = i = 1.../ - 1. Это делает знаменатели дробей в слагаемых формулы (П6.28) одинаковыми, не позволяя одним слагаемым по давлять другие.

2. Число разрядов и объем выборки следует выбирать так, чтобы число степе ней свободы k было не менее 10 и среднее число элементов выборки в одном разряде было также не менее 3. Критерий Пирсона является оптимистическим, то есть он склонен давать скорее положительный, чем отрицательный ответ. Поэтому при положи тельном ответе желательно проверить гипотезу с помощью другого критерия.

П6.4.3. Критерий Колмогорова (D-критерий) Критерий использует эмпирическую функцию распределения (П6.30) Критерий основан на максимальной разности между функциями распределения F{x, а) и а именно:

А. Н. Колмогоров показал, что случайная величина имеет асимптотическое распределение Границей критической области является квантиль распределения Колмогорова по уровню р = 1 - а (табл. П1).

Таблица П1. Квантили распределения Колмогорова а а а а 0,30 0,975 0,10 1,235 0,02 1,518 0,005 1, 0,20 0,05 1,358 0,01 0,001 1, Критерий Колмогорова пессимистический, то есть он склонен давать скорее от рицательный, чем положительный ответ. В этом дополняет крите рий Пирсона. Если оба критерия дают одинаковый ответ, то этому ответу можно доверять. Если же критерий Пирсона дает положительный ответ, а D-критерий — отрицательный, то следует обратиться к третьему критерию.

П6.4.4. Критерий Мизеса (критерий со2) Критерий использует эмпирическую функцию распределения (П6.30) и метрику среднеквадратического отклонения (П6.31) Подставляя (П6.30) в (П6.31) и выполняя интегрирование, получим:

Входящая в (П6.32) случайная величина К имеет биномиальное распределение с математическим ожиданием МК = nF(x) и дисперсией DK = nF(x)(l - F(x)).

Отсюда Теперь можно найти математическое ожидание случайной величины со2:

Чтобы математическое ожидание не зависело от объема выборки, надо умно жить со2 на п. Тогда критерий и его математическое ожидание находят по фор мулам Аналогично находят дисперсию со2 и При увеличении п дисперсия критерия стремится асимптотически к значе нию 1/45. Уже при п > 40 можно считать, что Du 1/45. Квантили распределе ния Мизеса = < z) по уровню 1 - а, необходимые для нахождения границы критической области, приведены в табл. П2.

Таблица П2. Квантили распределения Мизеса а a a a 0,1843 0,10 0,3473 0,03 0,5489 0,01 0, 0,20 0,2412 0,05 0,4614 0,02 0,6198 0,001 1, Критерий Мизеса является нейтральным и способен сглаживать отдельные даже большие, но маловероятные выбросы. Вместе с тем он довольно сложен при вы числении значения критерия.

П7. Таблицы стандартных распределений Таблица ПЗ. Распределение Пуассона а) а = 0,1 = 0,2 = 0,3 = 0,4 = 0,5 = 0,6 = 0,7 = 0,8 = 0,9 a= 1, 0 0,9048 8187 7408 6703 6065 5488 4966 4493 4066 1 0,9953 9825 9631 9384 9098 8781 8442 8088 7725 2 0,9999 9989 9964 9921 9856 9769 9659 9526 9371 3 - 9999 9997 9992 9982 9966 9942 9909 9865 4 - - - 9999 9998 9996 9992 9986 9977 5 - - - - - - 9999 9997 т Щт, а) =1,2 =1,3 1,4 1,5 =1,6 =1,7 = 1,8 1,9 = 2, а= 1, 0 0,3329 3012 2725 2466 2231 2019 1827 1653 1496 1 0,6990 6626 6268 5918 5578 5249 4932 4628 4337 2 0,9004 8795 8571 8335 8088 7834 7572 7306 7036 3 0,9743 9662 9569 9463 9344 9212 9068 8913 8747 4 0,9946 9923 9893 9857 9814 9763 9704 9636 9559 5 0,9990 9985 9978 9968 9955 9940 9920 9896 9868 6 0,9999 9997 9996 9994 9991 9987 9981 9974 9966 т Щт, а) а = 2,1 = 2,2 = 2,3 = 2,4 = 2,5 = 2,6 a = 2,7 = 2,8 a = 2,9 a = 3, 0 0,1225 1108 1003 0907 0821 0743 0672 0608 0550 1 0,3796 3546 3309 3084 2873 2674 2487 2311 2146 т а) а = 2,1 = 2,2 = 2,3 = 2,4 а = 2,5 = 2,6 а = = 2,8 = 2,9 = 3, 2 0,6496 6227 5960 5697 5438 5184 4936 4695 4460 3 0,8386 8194 7993 7787 7576 7360 7141 6919 6696 4 0,9379 9275 9162 9041 8912 8774 8629 8477 8318 5 0,9796 9751 9700 9653 9580 9510 9433 9349 9258 6 0,9941 9925 9906 9884 9858 9828 9794 9756 9713 7 0,9985 9980 9974 9967 9958 9947 9934 9919 9901 8 0,9997 9995 9994 9991 9989 9985 9981 9976 9969 Таблица П4. Квантили распределения Пуассона по уровню а а = 0,975 а = 0,95 а = 0,90 а = 0,80 а = 0,20 а = 0,10 а = 0,05 а = 0, 0 0,025 0,0515 0,105 0,223 1,609 2,303 2,996 3, 1 0,242 0,532 0,824 2,994 3,890 4,744 5, 2 0,619 0,8175 1,102 1,535 4,279 5,322 6,296 7, 3 1,090 1,3665 1,745 2,297 5,515 6,681 7,754 8, 4 1,623 1,970 2,433 3,090 6,721 7,994 9,154 10, 5 2,202 2,613 3,152 3,904 7,906 9,275 10,513 11, 6 2,815 3,286 4,734 9,075 10,532 11,842 13, 7 3,454 3,981 4,656 5,576 10,232 11,771 13,148 14, 8 4,115 4,695 5,432 6,428 11,380 12,995 14,435 15, 9 5,426 6,221 7,289 12,519 14,206 15,705 17, 10 5,491 6,169 7,021 8,157 13,651 15,407 16,962 18, 11 6,201 6,924 7,829 9,031 14,777 16,598 18,208 19, 12 6,922 7,689 8,646 9,910 15,897 17,782 19,442 20, 13 7,654 8,474 9,470 10,794 17,013 18,958 20,669 22, 14 8,396 9,297 10,300 11,682 18,125 20,128 21,886 23, 15 9,145 10,036 11,135 12,574 19,233 21,292 23,097 24, 16 9,903 10,832 11,976 13,469 20,338 22,452 24,301 25, 17 10,668 12,822 14,368 21,440 23,606 25,499 27, 18 12,442 13,672 15,268 22,538 26,692 28, 19 12,217 13,255 14,526 16,173 23,635 25,903 27,879 29, 20 13,000 14,072 15,383 17,078 24,728 27,045 29,062 30, Таблица П5. Функция Лапласа х 0 1 2 3 4 5 6 7 8 0,0 0000 0040 0080 0120 0160 0199 0239 0279 0319 0,1 0398 0438 0478 0517 0557 0596 0636 0675 0714 0,2 0793 0832 0871 0910 0948 0987 1026 1064 1103 0,3 1179 1217 1255 1293 1331 1368 1406 1443 1480 0,4 1554 1591 1628 1664 1700 1736 1772 1808 1844 0,5 1915 1950 1985 2019 2054 2088 2123 2157 2190 0,6 2258 2291 2324 2357 2389 2422 2454 2486 2518 0,7 2580 2612 2642 2673 2704 2734 2764 2794 2823 0,8 2881 2910 2939 2967 3000 3023 3051 3079 3106 3159 3186 3212 3238 3264 3289 3314 3340 3365 1,0 3413 3438 3461 3485 3508 3531 3554 3577 3600 1,1 3643 3665 3686 3708 3729 3749 3770 3790 3810 1,2 3849 3869 3888 3907 3925 3944 3962 3980 3997 4032 4049 4066 4082 4100 4115 4131 4147 4162 4192 4207 4222 4236 4251 4265 4279 4292 4306 1,5 4332 4345 4357 4370 4382 4394 4406 4418 4430 1,6 4452 4463 4474 4485 4495 4505 4515 4525 4535 1,7 4554 4564 4573 4582 4591 4599 4608 4616 4625 4641 4649 4656 4664 4671 4678 4686 4693 4700 1,9 4713 4719 4726 4732 4738 4744 4750 4756 4762 2,0 4773 4778 4783 4788 4793 4798 4803 4808 4812 2,1 4821 4826 4830 4834 4838 4842 4846 4850 4854 2,2 4861 4865 4868 4871 4875 4878 4881 4884 4887 2,3 4893 4896 4898 4901 4904 4906 4909 4911 4913 2,4 4918 4920 4922 4925 4927 4929 4931 4932 4934 2,5 4938 4940 4941 4943 4945 4946 4948 4949 4951 2,6 4953 4955 4956 4957 4959 4960 4961 4962 4963 4965 4966 4967 4968 4969 4970 4971 4972 4973 2,8 4974 4920 4922 4925 4927 4929 4931 4932 4934 2,9 4918 4920 4922 4925 4927 4929 4931 4932 4934 3,0 4918 4920 4922 4925 4927 4929 4931 4932 4934 Таблица П6. Квантили распределения Стьюдента по уровню 1 - а/ k a = 0,10 a = 0,05 a = 0,025 a = 0,02 a = 0,01 a = 0,005 a = 0, a = 0, 1 3,078 6,314 12,706 24,452 31,821 63,657 127,3 636, 2 1,886 6,920 4,303 6,205 6,965 9,925 14,089 31, 3 1,638 2,353 3,182 4,177 4,541 5,841 7,453 12, 4 1,533 2,132 2,776 3,495 3,747 4,604 5,597 8, 5 1,476 2,015 2,571 3,163 3,365 4,032 4,773 6, 6 1,440 2,447 2,969 3,143 3,307 4,317 5, 7 1,415 1,895 2,365 2,841 2,998 3,499 4,029 5, 8 1,860 2,306 2,752 2,896 3,355 3,833 5, 9 1,383 1,833 2,262 2,685 2,821 3,250 3,690 4, 10 1,372 1,812 2,228 2,634 2,764 3,169 3,581 4, 12 1,356 1,782 2,179 2,560 2,681 3,055 3,428 4, 14 1,345 1,761 2,145 2,510 2,624 2,977 3,326 4, 16 1,337 1,746 2,120 2,473 2,583 2,921 3,252 4, 18 1,330 1,734 2,101 2,445 2,552 2,878 3,193 3, 20 1,325 1,725 2,086 2,423 2,528 2,845 3,153 3, 22 1,321 1,717 2,074 2,405 2,508 2,819 3,119 3, 24 1,318 1,711 2,064 2,391 2,492 2,797 3,092 3, 26 1,315 1,706 2,056 2,379 2,479 2,779 3,067 3, 28 1,313 1,701 2,048 2,369 2,467 2,763 3,047 3, 38 1,310 1,697 2,042 2,360 2,457 2,750 3,030 3, 1,283 1,648 1,965 2,241 2,326 2,586 2,820 3, Список литературы 1. В. А., Прудников А. П. Справочник по операционному вычислению. — М.: Высш. шк., 1965. - 466 с.

2. А. Я. Работы по математической теории массового обслуживания. — М.: Физматлит, 1963. - 236 с.

3. И. А., Черкесов Г. Н. Логико-вероятностные методы исследования надежности структурно-сложных систем. — М.: Радио и связь, 1981. 264 с.

4. Крамер Г. Математические методы статистики. — М.: Мир, 1975. — 548 с.

5. Фишер Р. А. Статистические методы для исследователей. — М.: Госстатиз дат, 1958. - 326 с.

Алфавитный указатель International Standard Organization, 99 воздействие (продолжение) Total Quality Management, 99 песка и пыли, солнечного излучения, тепловое автоматизация проектирования, 52 апериодическое, алгоритм ортогонализации, 167 непрерывное, разрезания, 166 периодическое, математическое обеспечение, 54 восстанавливаемый элемент, восстановление, Б время восстановления объекта, безгранично делимое задание, 276 время устранения отказа, В вейбулловская модель, 396 геометрическая модель Моранды, вероятность безотказного применения, 32 гиперболическая модель роста вероятность безотказной работы, 25, 26, надежности, 181, 205 графический метод описания логических вероятность выполнения ожидаемого связей, задания, ветвь, 215 Д ветвящаяся структура, 161 двухполюсная структура, ветвящаяся структура типа дерево, 214 деградация ресурсов, вибрация дефектное изделие, гармоническая, 43 дублирование дисков, квазигармоническая, узкополосная случайная, 43 Ж широкополосная случайная, 43 жизненный цикл ФПК, виброизолятор, предпроектная подготовка, 43 „ анализ, внутренняя точка, 161 ' воздействие сопровождение, атмосферного давления. 39 эксплуатация, биологических факторов, 40 жизненный цикл элемента влаги период нормальной эксплуатации, на медь, 37 период приработки, на олово, 38 период старения, 3 испытания {продолжение) зависимость отказов контрольные, стохастическая, 83 на внезапные отказы, функциональная, 83 постепенные отказы, замыкающее множество, 162 определительные, запас живучести отработочные, максимальный, 200 предпусковые, минимальный, 200 выборкой, защита изделий, 41 выборкой, исключение недопустимых контактов, 42 ' от коррозии, 42 тренировочные, от плесени, 42 К применение допустимых контактов, электрохимическая, 42 классификация климатических районов, защита целостности данных, 124 классификация климатического зеркальное отображение дисков, 124 исполнения изделий КР, групповой, двухуровневая система, 304 комплексная отладка, одиночный, 303 композиция распределений, 64, 132 ' конгруэнтное множество, контроль качества, иерархические системы, корректность программ, избыточные ресурсы, 119, коэффициент изделие многократного циклического „ готовности, применения, готовности непрерывного длительного применения, 24. > коэффициент готовности однократного применения, 24 „ изделия конкретного назначения, 24.

коэффициент готовности систем, необслуживаемые, коэффициент технического обслуживаемые, использования, общего назначения, 24.

Pages:     | 1 || 3 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.