1. CAPITOLUL 1 Noiuni elementare de teoria probabilitilor aplicate n analiza fiabilitii sistemelor .................................................................................................... 2 1.1 Fenomen determinist i aleator ...................................................................

2 1.2 Evenimente i cmp de evenimente............................................................. 2 1.2.1 Teorema lui Poincar ........................................................................... 5 1.2.2 Teorema Sylvester Poincar .............................................................. 6 1.2.3 Teorema probabilitilor condiionate .................................................... 6 1.2.4 Teorema probabilitilor totale............................................................... 7 1.2.5 Teorema lui Bayes ................................................................................ 8 1.3 Variabila aleatoare. Funcie de repartiie...................................................... 9 1.3.1.1 Proprieti ale densitii de repartiie ............................................... 10 1.3.2 Variabile aleatoare multidimensionale................................................. 10 1.3.3 Caracteristici numerice ale variabilelor aleatoare discrete .................. 11 1.3.3.1 Valoarea medie i dispersia variabilei aleatoare.............................. 11 1.3.3.2 Dispersia unei variabile aleatoare.................................................... 12 1.3.3.3 Abaterea standard ........................................................................... 12 1.3.3.4 Moment si moment centrat de ordinul k al unei variabile aleatoare . 13 1.3.3.5 Cuantila de ordin n a unei variabile aleatoare.................................. 13 1.3.3.6 Mediana unei variabile aleatoare..................................................... 13 1.3.3.7 Moda unei variabile aleatoare.......................................................... 14 1.3.3.8 Coeficientul de variatie .................................................................... 14 1.3.3.9 Covarianta si coeficientul de corelare a doua variabile aleatoare.... 14 1.3.4 Caracteristicile numerice ale variabilelor aleatoare continue .............. 14 1.3.4.1 Inegalitatea lui Cebev ................................................................... 15 1.4 Funcii de repartiie utilizate n modelele de fiabilitate ................................ 15 1.4.1 Funcii de repartiie pentru variabile aleatoare discrete....................... 15 1.4.1.1 Funcia de repartiie binominal....................................................... 15 1.4.1.2 Repartiia multinomial .................................................................... 17 1.4.1.3 Repartiia hipergeometric............................................................... 18 1.4.1.4 Repartiia polinomial ...................................................................... 19 1.4.1.5 Funcia de repartiie Poisson ........................................................... 19 1.4.1.6 Repartiia generalizat a lui Poisson ............................................... 19 1.4.2 Funcii de repartiie pentru variabile aleatoare continui ....................... 20 1.4.2.1 Funcia normal, normal trunchiat i normal normat de repartiie 20 1.4.2.2 Funcia lognormal de repartiie ...................................................... 21 1.4.2.3 Funcia exponeniala de repartiie.................................................... 21 1.4.2.4 Funcia Rayleigh de repartiie .......................................................... 22 1.4.2.5 Funcia de repartiie Weibull ............................................................ 22 1.4.2.6 Funcia de repartiie x2 (hi-ptrat)..................................................... 23 2. Bibliografie......................................................................................................... 24

1. CAPITOLUL 1 NOIUNI

ELEMENTARE DE TEORIA PROBABILITILOR APLICATE N ANALIZA FIABILITII SISTEMELOR

1.1

Fenomen determinist i aleator

Omul vine n contact cu o multitudine de fenomene pe care ncearc s i le explice i s le foloseasc. El le asociaz modele ce reprezint aproximaii, pe baza crora poate s obin evaluri cantitative sau calitative asupra fenomenelor respective. Studierea lor sistematic a condus la identificarea a dou mari tipuri de fenomene ce se difereniaz net din punct de vedere al modelarii. Acestea sunt fenomenele deterministe si fenomenele aleatoare. Un fenomen determinist este un fenomen cruia i se poate ataa o legitate astfel nct evoluia sa n timp sa fie in mod unic, aprioric cunoscut. Repetarea fenomenului de mai multe ori, n condiii identice, conduce la rezultate identice (parcurgerea acelorai stri). Un fenomen aleator este un fenomen cruia i se poate ataa o legitate care permite ca evoluia sa fie cunoscuta in spaiul unei mulimi de rezultate posibile. Repetarea fenomenului conduce in general la rezultate diferite, dar din cadrul aceleai mulimi de rezultate posibile. Modelarea fenomenelor aleatoare este mult mai dificil si mai puin accesibil. Ea a fost posibil odat cu dezvoltarea teoriei probabilitilor i statisticii matematice. Teoria probabilitilor este ramura matematicii care se ocup de modelarea fenomenelor aleatoare. Pentru a se nelege esena modelului probabilist este necesar mai nti definirea modului n care este perceput realitatea care urmeaz a fi modelat. Pentru cunoaterea si modelarea fenomenelor modalitatea cea mai comod este observaia. Experimentul este desfurarea ntr-un cadru organizat n care se stabilesc anumite ipoteze, modul de desfurare, mijloacele i modul de nregistrare a observaiilor. Evenimentele sunt rezultate ale unor experimente. 1.2 Evenimente i cmp de evenimente

n sensul elaborrii unui model probabilist, pentru cunoaterea unui fenomen aleator, se organizeaz un experiment n care el este observat, nregistrndu-se evenimentele care-l descriu. Se prezint n continuare, n mod intuitiv, modul de construire a modelelor probabiliste oferite de teoria probabilitilor. n conformitate cu definirea axiomatic a evenimentelor i probabilitilor, propus de A.N. Kolmogarov, conceptul de eveniment se bazeaz pe noiunea de eveniment elementar. Un eveniment elementar este rezultatul indivizibil al observaiei, el fiind definibil fr ajutorul altor evenimente posibile. Evenimentele elementare pot defini, prin combinarea lor, alte evenimente care constituie evenimentele propriu-zise.
De exemplu dac se consider un motor electric si se urmrete evoluia sa n timp el trece succesiv prin perioade alternante de funcionare si de avarie/reparare. Se pot identifica doua evenimente elementare, starea de funcionare F si starea de avarie (reparare), R. ntotdeauna se produce unul din aceste evenimente. Daca se considera rezultatul aruncrii unui zar, evenimentele

elementare sunt aparitia unui numr de la 1 la 6. n afara de aceste evenimente elementare se mai pot defini si alte evenimente ca apariia unui numr par, unui numr mai mare dect 2, etc.

Se simte nevoia ca evenimentele s poat fi definite cu ajutorul evenimentelor elementare folosindu-se un suport matematic adecvat. Fie E mulimea tuturor evenimentelor elementare asociate unui fenomen aleator i F mulimea submulimilor sale, deci a evenimentelor. Dac mulimea F are proprietile: - conine mulimea E ca un eveniment; - dac A1 si A2 sunt evenimente ale lui F atunci si A1 U A2 , A1 I A2 , A i sunt evenimente ale lui F; - daca A1, A2, ., An sunt evenimente ale lui F, atunci si

I Ai , U Ai sunt
i =1 i =1

evenimente ale lui F; atunci F constituie o mulime special denumit cmp de evenimente. Se remarc structurarea unei mulimi de evenimente, asociate fenomenului aleator, pe baza evenimentelor elementare folosindu-se operatorii logici I I SAU U , negaie . Se pot evidenia urmtoarele categorii de evenimente: evenimentul sigur, este evenimentul care se realizeaz ntotdeauna i const din realizarea unuia din evenimentele posibile asociate fenomenului. Este evident c evenimentul sigur este chiar mulimea E (mulimea evenimentelor elementare). Se tie ca ntotdeauna se realizeaz unul din evenimentele elementare. evenimentul contrar al unui eveniment Ai const din realizarea oricrui alt eveniment din F care nu este Ai. El se noteaz A i . evenimentul contrar evenimentului sigur, este evenimentul care nu se poate realiza. El se numete eveniment imposibil i se noteaz cu mulimea vida . evenimentul A I B, A si B, este evenimentul care const din realizarea simultan a evenimentelor A si B. Daca A I B = , evenimentele A si B nu se pot produce deodat i deci sunt incompatibile sau se exclud reciproc. evenimentul A U B , A sau B, este evenimentul care se produce la producerea cel puin a unuia din cele doua evenimente A, B. evenimente condiionate sunt evenimente care se influeneaz. Un eveniment A este condiionat de un eveniment B dac cunoaterea producerii lui B influeneaz producerea lui A. Dac nu evenimentele sunt independente. Vom numi reuniunea evenimentelor A1, A2, ..., Ak i o vom nota prin A j ,
j =1 k

evenimentul care se realizeaz cnd cel puin unul din evenimentele A1, A2, ..., Ak se realizeaz; Vom numi intersecia evenimentelor A1, A2, ..., Ak i o vom nota prin A j ,
j =1 k

evenimentul care se realizeaz cnd se realizeaz toate evenimentele A1, A2, ..., Ak;

Evenimentele A i B se numesc incompatibile dac nu se pot realiza, scriem A B = . Evenimentele A i A sunt evenimente incompatibile; Diferena evenimentelor A i B este evenimentul A B care se realizeaz dac i numai dac se realizeaz A dar nu se realizeaz B; Diferena simetric a evenimentelor A i B este evenimentul A B = (A - B) (B - A); Fie Ai F, (i = 1, 2, ..., n) un sistem de evenimente. Dac Ai , Ai Aj = , (i j), Ai = E , sistemul se numete sistem complet de evenimente.
i =1 n

Dac se consider cazul motorului electric care trece prin cele dou stri, F i R se pot identifica evenimentele: E = {{F}, {R}}, {F} = R, FR= , FR.
___

Dac mulimea E este finit, mulimea evenimentelor F are o structur algebric de tip Boole n raport cu operatorii U , I , - i deci sunt aplicabile proprietile acesteia.

1.2. Probabilitate. Teoreme de probabilitate Cunoaterea unui fenomen aleator nu este suficient numai prin definirea i enumerarea evenimentelor care i se pot asocia. Aceast identificare mrete gradul de cunoatere dar lipsete posibilitatea de comparare a ansei de producere a evenimentelor. Acest lucru este posibil prin introducerea unei msuri pe cmpul de evenimente. Aceasta msur este probabilitatea de producere a unui eveniment. Ea a fost definit ca o mrime pozitiv, cuprinsa ntre 0 i 1 verificnd axiomele: - probabilitatea evenimentului sigur este maxim, P(E) = 1; (1.1)

- probabilitatea evenimentului A U B, n ipoteza c A si B sunt mutual exclusive este: P (A U B) = P(A) + P(B); (A I B = ) (1.2) Ansamblul (E,F,P) este denumit spaiu de probabilitate. Aplicaia P are urmtoarele proprieti: - 0 P (A) 1 - tiind c A U A = E rezult P ( A U A) = P( E ) = 1 Deoarece A I A = , rezult c cele dou evenimente sunt mutual exclusive i n conformitate cu axioma (1.2) rezult: P( A) + P( A) = 1 ceea ce permite determinarea probabilitii evenimentului contrar : P( A) = 1 P( A) - Dac A B atunci P (A) P (B). 1.2.1 Teorema lui Poincar Teorema generalizeaz axioma (1.2) pentru cazul n care evenimentele sunt oarecare (nu mutual exclusive). Fie A si B dou evenimente oarecare. Probabilitatea producerii a cel puin unuia din ele este: P (A U B) = P (A) + P (B) - P (A I B) Pentru demonstrarea acestei teoreme fie prezentarea din figura 1. (1.3)

B B

AB

Figura 1.1 Demonstrarea teoremei lui Poincar Se poate vedea c evenimentul A U B este echivalent cu evenimentul

A U {A I B } U B. De asemenea se observ c evenimentele A, A I B, B sunt evenimente mutual exclusive dou cte dou. Rezult: P (A U B) = P {A U (A I B ) U B} = P (A) + P (A I B) + P (B) = P (A) + P (A I B) + P (B) + P (A I B) - P (A I B). Prin aplicarea reciprocei axiomei (2) se obine expresia cutat: P (A U B) = P (A) + P (B) - P (A I B) 1.2.2 Teorema Sylvester Poincar Reprezint o generalizare a teoremei lui Poincar pentru cazul cu mai mult de dou evenimente. Fie N evenimente oarecare Ai. N k 1 j1 N j1 N N P U A i = P(A i ) P(A i I A j ) + .... + P(A i I A j I A k ) ... k = 3 j= 2 i =1 j= 2 i 1 i =1 i =1 (1.4)
N +1

+( 1) P(A 1 I A 2 ... I A N ) Dac evenimentele sunt incompatibile dou cte dou, rezult: N N P U A i = P(A i ) (1.5) i =1 i =1 Se constat c determinarea probabilitii unor evenimente structurate prin logica SAU este simpl numai n cazul particular al evenimentelor mutual exclusive ceea ce n aplicaiile practice nu se ntmpl des. De aceea de mare utilitate este exprimarea unei astfel de expresii printr-o expresie echivalent cu evenimente mutual exclusive:

U A = A (A A ) (A A A ) .... (A A .... A A )
i =1 i 1 1 2 1 2 3 1 2 N 1 N

__

__

__

__

__

__

(1.6)

Evaluarea acestei expresii conduce la o suma de probabiliti, deci la aplicarea relaiei (1.5) dificultatea de evaluare transferndu-se evalurilor evenimentelor de tip SI, care se pot evalua mai uor. 1.2.3 Teorema probabilitilor condiionate Probabilitatea unui eveniment condiionat este probabilitatea producerii evenimentului tiind c evenimentul condiie s-a produs. Fie A i B dou evenimente n concordan cu cazurile din figur: A B AB A
B

(b)

(a) Fig. 1.2 Definirea probabilitilor condiionate

n cazul (a) evenimentul B fiind inclus n A nseamn ca ntotdeauna cnd se produce B se produce i A. Probabilitatea producerii evenimentului A tiind ca B s-a produs este: P(B) P(A/B) = =1 P(B) In cazul (b) evenimentul B se poate produce odat cu A numai proporional cu partea lor comun n raport cu ansa de producere a lui B. Rezult: P(A I B) P(A/B) = P(B) Rezult c: P(A I B) = P(A/B)P(B) (1.7) cunoscut sub denumirea de teorema probabilitilor condiionate.
Pentru exemplificare, fie cazul unui motor electric la care apar vibraii. Din practica s-a constatat ns ca nu toate duc la avariere, unele fiind datorate unor perturbaii externe altele unor cauze de degradare interna. Fie A evenimentul ce consta in defectarea motorului si B apariia de vibraii. Producerea lui B poate cauza producerea lui A, deci evenimentele sunt condiionate (cazul (b) n care nu la toate evenimentele B se produce A ci numai la vibraiile cauzate de degradri interne ale motorului).

Dac evenimentele sunt independente atunci: P(A/B) = P(A ) i deci

P(A I B) = P(A )P(B)

Generaliznd rezult: P( A1 I A2 I ..... I An ) = P( A1 / A2 I A3 ..... An )P( A2 / A3 I ..... ..... An )P( A3 / A4 I ..... I AN )......P( AN 1 / AN )P( AN )

(1.8)

(1.9)

1.2.4 Teorema probabilitilor totale Fie un sistem complet de evenimente (o mulime n care toate evenimentele sunt dou cte dou mutual exclusive). Ele verific condiia: N N P = P( Ai ) = 1 U Ai i=1 i=1 Fie de asemenea B un eveniment care se produce odat cu unul din evenimentele Ai. Teorema probabilitilor totale permite determinarea probabiliti producerii lui B:

P(B ) = P(B / Ai )P( Ai )

N i =1

(1.10)

Pentru nelegerea modului de utilizare al acestei teoreme de mare utilitate practic se va exemplifica modul ei de deducere. Evenimentul B se produce dac se produce A1 sau dac se produce A2, etc. Deci: {B} = {B I A1 } U {B I A2} U . U {B I AN} Evenimentele {B I Ai} sunt mutual exclusive dou cate dou deoarece i Ai sunt mutual exclusive. Rezult: 7

P{B} = P(B I Ai )
N i =1

Cum B i Ai sunt condiionate rezult: P (B I Ai ) = P (B/Ai) P (Ai) i deci se obine:

P{B} = P(B/Ai )P(A i )

N i =1

Spre exemplificare fie cazul unei ntreprinderi care are in dotare 20 de motoare electrice de acelai tip dar provenind de la dou firme constructoare diferite, 5 de la una i 15 de la alta, fiecare lot avnd probabiliti diferite de avarie. Funcionarea tuturor motoarelor condiioneaz funcionarea normala a ntreprinderii, avaria unuia reducnd producia ntreprinderii. Fie B evenimentul care const din diminuarea produciei datorit avarierii unuia din cele 20 de motoare i fie Ai evenimentul care const din avarierea unui motor i din lotul 1 sau lotul 2 (cele dou firme constructoare). De asemenea fie q1=0,95 i q2=0,96, probabilitile de avarie a celor dou tipuri de motoare. Evenimentul reducerea produciei ntreprinderii, B se poate scrie: { Reducerea produciei} = { (S-a redus producia prin avarierea unui motor provenind de la firma 1) SAU (S-a redus producia prin avarierea unui motor de la firma 2)}. Rezult: {B} = {B I A1 } U {B I A2}. n conformitate cu teorema probabilitilor totale se poate scrie: P(B)= P(B/A1)P(A1)+P(B/A2)P(A2) inndu-se cont c : P(B/A1) = 5/20 =0.25 ; P(B/A2) = 15/20 = 0.75; P(A1) = q1= 0,95; P(A2) = q2= 0,96 rezult: P(B) = 0.25*0.95+0.75*0.96=0.9575

1.2.5 Teorema lui Bayes Fie un sistem complet de evenimente Ai si B un eveniment care se produce odat cu unul din evenimentele Ai (n condiiile teoremei anterioare). Probabilitatea ca dac s-a produs evenimentul B el s se fi produs odat cu Ai, este: P(B/A i )P(A i ) (1.11) P(A i /B) = N P(B/A i )P(A i )
i =1

Deci:

Din teorema probabilitilor condiionate (4) se poate scrie: P (Ai/B) P (B) = P (B/Ai) P (Ai)
P(A i /B ) = P(B/A i )P(A i ) P(B/A i )P(A i ) = n P(B) P(B/A i )P(A i )
i =1

Spre exemplificare se consider acelai exemplu ca la teorema probabilitilor totale. Se pune problema care este probabilitatea ca dac s-a redus producia ntreprinderii ea s fi fost datorat avarierii unui motor de la firma 1. n acest caz se poate scrie c P(A1/B) este:

P(B/A1 )P(A1 ) P(B/A1 )P(A1 ) = P(B) P(B/A1 )P(A1 ) + P(B/A 2 )P(A 2 )

P(B/A1 )P(A1 ) 0.25 * 0.95 0.2375 = = = 0.248 P(B) 0.25 * 0.95 + 0.75 * 0.96 0.9575

1.3

Variabila aleatoare. Funcie de repartiie.

Modelarea fenomenelor aleatoare prezentat anterior prin definirea unui cmp de evenimente i a unei msuri a producerii lor cu ajutorul probabilitii permite o cunoatere mult mai avansat a acestora. Realitatea este ns mult mai complicat fiind necesare instrumente suplimentare care s permit o mai fidel descriere i mai ales folosirea unui bagaj matematic mai performant. Acest lucru l ofer definirea variabilelor aleatoare i a funciilor de repartiie care reprezint formalizri mai avansate ale noiunilor de eveniment i probabilitate. Dintre variabilele aleatoare frecvent ntlnite n teoria fiabilitii menionm: a) numrul de defeciuni care apar ntr-o anumit perioad de funcionare a unui dispozitiv; b) numrul produselor defecte dintr-un lot examinat; c) timpul de funcionare fr defeciune; d) timpul de restabilire; e) timpul de stagnare forat; f) nivelul parametrilor tehnici ai dispozitivelor, etc. Fie (E,F,P) un spaiu de probabilitate. O funcie X : E R este numit variabil aleatoare (v.a.) dac pentru orice (Ei E, X (Ei) x) F pentru orice x R. Variabilei aleatoare, definit pe un domeniu real, i se asociaz un cmp de evenimente, probabilitile de producere ale acestora definind valorile pe care variabila aleatoare le poate lua. Unele proprieti ale variabilelor aleatoare: 1 Fie o variabil aleatoare i c o constant. Atunci + c, c, , 2, cu 0 sunt de asemenea variabile aleatoare; Dac { n }nN este un ir de variabile aleatoare i: ( ) = inf { n ( )} ,

( ) = sup{ n ( )}, ( ) = lim sup n ( ) , ( ) = lim inf n ( ) , atunci , ,

nN

nN

, sunt de asemenea variabile aleatoare;

Fie i dou variabile aleatoare. Atunci - , + , ,

, sunt de

asemenea variabile aleatoare. O variabil aleatoare este complet determinat prin funcia sau densitatea sa de repartiie. Introducerea ca element de descriere, a unor variabile, ajut mult la construirea unor modele mai fidele cu realitatea. Variabilele aleatoare pot fi considerate n general discrete sau continui (exist variabile aleatoare care nu sunt nici discrete nici continui). O variabila aleatoare este discret dac ia valori ntr-o submulime numrabil a lui R i este continu dac ia valori ntr-un interval. Numrul de avarii al
unui motor ntr-o perioada dat T reprezint o variabil aleatoare discreta iar durata de funcionare pn la prima avarie, o variabil aleatoare continu.

O variabil aleatoare este complet determinat prin funcia sau densitatea sa de repartiie. Funcia de repartiie se definete ca o funcie F : R [0,1] : (1.12) F(x) = P{X x} expresie echivalent cu P {Ei : X(Ei) x}. 9

Funcia de repartiie are urmtoarele proprieti: - Daca x1 < x2 atunci F(x1) F(x2) - F(x + 0) = F(x) (funcia este continua la dreapta) - lim F(x) = F(-) = 0; lim F(x) = F() =1
x x

Pentru o variabil aleatoare discret ea se poate exprima mai sugestiv prin :

x 1 , x 2 ...x n pi X p , p ...p ; xi < xi+1 sau in general conform (2.1) F(x ) = x i x 1 2 n

unde, pi = P (X = xi). Dac exist o funcie integrabil f : R R+ astfel nct

F(x ) = f (t )dt pentru orice xR,
x

atunci variabila aleatoare X admite o densitate de repartiie (sau probabilitate). Evident, deoarece F (+ ) = 1:
+

f (t )dt = 1

Dac f este continu, atunci, F(x) = f(x), x R. Funcia de repartiie are o importan deosebit deoarece permite exprimarea ntr-o form analitic condensat a tuturor valorilor posibile i a probabilitilor lor.
Fie de exemplu un motor electric si Tf variabila aleatoare timpul de funcionare nentrerupt pn la prima avarie i fie F(t) = 1 exp (- 0.00251 t ) funcia sa de repartiie. Probabilitatea ca motorul s funcioneze mai puin de 1000 ore este F(1000) si este 0.918. Deci repartiia, permite determinarea probabilitii cumulate la stnga, Tf 1000. Prin proprietile pe care le au funciile de repartiie se pot calcula orice valori sau intervale de valori pentru Tf. n continuare se prezint cele mai importante caracteristici si importanta lor pentru modelare.

Densitatea funciei de repartiie F ( x + h) Fx ( x) Dac exist lim x = Fx/ ( x) atunci Fx/ ( x) se numete densitatea h0 h de repartiie a variabilei X i Fx/ ( x) = f x ( x), xR 1.3.1.1 Proprieti ale densitii de repartiie 1) Deoarece Fx ( x) =

f x (t )dt ,

(t )dt = 1 ;

2) Deoarece Fx este ne descresctoare, fx(x)0, xR. 1.3.2 Variabile aleatoare multidimensionale.

Un vector aleator multidimensional X=(X1, X2, ..., Xk) este diferit de funcia X:ERk care asociaz evenimentului eE, vectorul X(e)=(X1(e), X2(e), ..., Xk(e)). Astfel X:ER2 este bidimensional dac pentru fiecare pereche de submulimi din R, (A1, A2):A1(-,x1], A2(-,x2], evenimentul (eE, X1(e)A1 i X2(e)A2) aparine mulimii F.

10

prin:

Fie X= (X1, X2, ..., Xk):ERk un vector aleator. Funcia Fx:Rk[0, 1] definit

Fx(x)=Fx(x1, x2, ..., xk) = P(eE, X1(e)x1, ..., Xk(e)xk) se numete funcia de repartiie a vectorului X. Proprietile funciei de repartiie pentru o variabil multidimensional: 1) lim Fx ( x1 , x2 ,..., xk ) = 0 , lim Fx ( x1 , x2 ,..., xk ) = 1 () 1jk;
x j x j

2) lim Fx ( x1 ,..., x j ,..., xk ) = F( x1 ,..., x j 1 , x j +1 ,..., xk ) ( x1 ,..., x j 1 , x j +1 ,..., xk ) .

x j

Dac exist fx: RkR astfel nct: Fx ( x1 , x2 ,..., xk ) = ... f x (u1 , u 2 ,..., u k )dx1...dxk

x1

xk

atunci f se numete densitatea de repartiie a vectorului X. Proprietile densitii funciei de repartiie: 1) f x ( x1 ,..., xk )dx1...dxk = 1 ;
Rk

k F ( x1 ,..., xk ) ; 2) f x ( x1 ,..., xk ) = x1...xk

3) P( X 1 A1 ,..., X k Ak ) = ... f x ( x1 ,..., xk )dx1...dxk
A1 Ak

Pentru vectorul aleator bidimensional X=(X1, X2) avem: lim F( x1 , x2 ) ( x1 , x2 ) = Fx2 ( x2 )

x1 x2

lim F( x1 , x2 ) ( x1 , x2 ) = Fx1 ( x1 )

Fx1 i Fx2 se numesc funciile de repartiie marginale corespunztoare

vectorului X.

1.3.3 Caracteristici numerice ale variabilelor aleatoare discrete Cele mai importante si mai folosite caracteristici numerice ale variabilelor aleatoare sunt: valoarea medie, dispersia, abaterea standard, momentul, moda, cuantila, mediana, coeficientul de variaie. 1.3.3.1 Valoarea medie i dispersia variabilei aleatoare Fie X o variabil aleatoare discret definit prin: x 1 , x 2 ...x n X p , p ...p 1 2 n unde valorile xi au fost aezate n ordine cresctoare iar p i = 1 .
i =1 n

Valoarea medie a lui X este:

M(X ) = E(X ) = x i P(x = x i ) = x i p i

i =1 i =1

(1.13)

unde P (X = xi) = pi . 11

Daca X este o variabil aleatoare continu M (X ) = xf (x )dx

(1.14)

Valoarea medie este o valoare numeric cuprins n domeniul de definiie al variabilei aleatoare X, calculat ca o ponderare a probabilitilor valorilor posibile ale variabilei. Dac se consider cazul clasic al rezultatelor apariie unui numr la aruncarea unui zar, se poate defini ca variabil aleatoare discret numrul ntreg N. Repartiia sa este:

1 2 3 4 5 6 N 1 1 1 1 1 1 , , , , , 6 6 6 6 6 6

Valoarea medie a lui N, M(N) = 1

1 1 1 1 1 1 + 2 + 3 + 4 + 5 + 6 3,5 6 6 6 6 6 6

Deci se constat c valoarea medie nu este neaprat una din valorile variabilei i c ea cade n mijlocul domeniului de definiie (deoarece valorile sunt echiprobabile) artnd ca n medie N are o valoare ntre 3 i 4. Media are urmtoarele proprieti mai importante: - Daca X = c = const. M(X) = M(C) = c - M(cX) = cM(X); c R - Daca X Y atunci M(X) M(Y) - M (X+Y) = M(X) + M(Y) - Daca X si Y sunt independente M(XY) = M(X) M(Y) 1.3.3.2 Dispersia unei variabile aleatoare Dispersia unei variabile aleatoare discrete i continui este:
+

(1.15)

D(x ) = [x M(x )] f (x )dx ; D(X ) = [x - M(X)]2 f (x )dx

2 i =1

(1.16)

Se poate observa c dispersia reprezint valoarea medie a ptratului abaterii de la valoare medie (de remarcat c valoarea medie a abaterii de la valoarea medie este zero i nu prezint nici o relevan). Proprietile mai importante ale dispersiei sunt : - D(X) = M(X2) - M(X)2 (permite exprimarea dispersiei in funcie de medie) - Daca X = c = ct atunci D(X) = 0 2 - D(cX) = c D(X) (1.17) - D(X + Y) = D(X) + D(Y) + 2M [(X - M(X))(Y - M(Y))] Daca X si Y sunt independente, D(X + Y) = D(X) + D(Y). 1.3.3.3 Abaterea standard

12

Abaterea standard se noteaz cu (X) i este definit de D ( X ) . Are semnificaia unei abateri medii de la valoarea medie. Utilitatea abaterii standard const n ntrirea informaiei pe care o ofer valoarea medie prin precizarea abaterii medii probabile fa de ea. n cazul exemplului de mai de sus, faptul c media a rezultat 3,5 nu este foarte relevant deoarece valorile sunt echiprobabile, deci se poate s apar orice numr cu aceeai ans. Abaterea standard rezultat de 2,917, confirm c poate s se produc o abatere medie de aproximativ trei, ceea ce nseamn c se bazeaz tot domeniul de valori posibile. Deci dispersia a adugat o informaie important pentru rezultatele aleatoare posibile n cadrul experimentului. Dispersia i abaterea standard mai permit diferenierea variabilelor aleatoare care au acelai tip de lege i au medii egale sau apropiate mai credibile fiind acelea cu dispersia mai mic. 1.3.3.4 Moment si moment centrat de ordinul k al unei variabile aleatoare Momentul de ordinul k este o generalizare a noiunii de medie i este definit pentru o variabila aleatoare discret i continu prin:

M x k = x ik P(X = x i )
i =1

( )

M x k = x k f (x )dx

( )
k

De asemenea, momentul centrat de ordinul k are expresia:

M [X - M(x )] = [x i M(X )] P(X = x i )

k i =1

sau pentru o variabil continu:

M [X M (x )]

}=

k [x M (X )] f (x )dx

Se constat c momentul centrat de ordinul 2 este dispersia iar momentul de ordinul 1 valoarea medie. Momentele sunt folosite pentru stabilirea de majorani sau minorani n cadrul evalurilor probabiliste precum i n estimrile statistice. 1.3.3.5 Cuantila de ordin n a unei variabile aleatoare Cuantila de ordinul n este valoarea variabilei aleatoare pentru care aria de sub densitatea de repartiie este 1/n din aria total (figura 1.3) : f(x) Pentru o variabila discret i continu S1/n ea se definete: 1 F ( x1/ n 0) < F (x1/ n ) n i respectiv x x1 x n 1/n 1 F ( x1 / n ) = f ( x )dx = n Figura 1.3 Definirea cuantilei de ordinul n 1.3.3.6 Mediana unei variabile aleatoare Reprezint valoarea variabilei pentru care mparte aria de sub curba densitii de repartiie in doua pri egale. Este de fapt cuantila de ordinul 2 : 13

F ( x1 / 2 0)

1 < F (x1/ 2 ) ; 2

x1 / 2

f (x )dx = 2

1.3.3.7 Moda unei variabile aleatoare Reprezint valoarea variabilei aleatoare cu probabilitatea cea mai mare (valorile ce maximizeaz densitatea de repartiie). n cazul exemplului anterior toate valorile 1-6 sunt valori modale avnd aceeai probabilitate de producere. 1.3.3.8 Coeficientul de variatie Reprezint raportul dintre abaterea standard si media unui variabile aleatore. Are semnificaia unei erori relative.

Cv =

(X) M(X)

1.3.3.9 Covarianta si coeficientul de corelare a doua variabile aleatoare Covarianta dintre dou variabile aleatoare X i Y este definit de: Cov(X,Y) = M[(X - M(X)(Y - M(Y)]= M[XY] - M[X]M[Y] iar coeficientul de corelare :

Cov(X, Y) D(X)D(Y) Coeficientul de corelare este cuprins ntre 1 i +1 i reflect gradul de dependen liniar dintre cele dou variabile. Semnul su indic semnul pantei relaiei liniare dintre variabile. Dac Cor(X,Y) = 0, X, Y sunt independente iar dac este 1 atunci dependena este liniar.
Cor(X,Y)= 1.3.4 Caracteristicile numerice ale variabilelor aleatoare continue Fie (E, F, P) un cmp de probabilitate i o variabil aleatoare continu a crei funcie de repartiie este F(x). Fie f(x) densitatea de repartiie a variabilei aleatoare . Expresia
M ( ) =

xdF ( x) = xf ( x)dx

se numete valoarea medie a variabilei aleatoare continue Variabila aleatoare = - M() se numete abaterea variabilei aleatoare continue . Dac rN. Expresia
M r ( ) = M ( r ) =

r x dF ( x) =

f ( x)dx

se numete momentul de ordinul r al variabilei aleatoare continue . Momentul absolut de ordinul r se definete prin egalitatea:
M r ( ) = M ( ) =
r

x dF ( x) =
r

f ( x)dx

14

n acelai mod n care s-au definit: valoarea medie condiionat, momentul centrat de ordinul r, dispersia i abaterea medie ptratic n cazul variabilelor aleatoare discrete se definesc i pentru variabilele aleatoare continue. Proprietile valorii medii i ale dispersiei unei variabile aleatoare discrete se menin i n cazul variabilelor aleatoare continue. Vom prezenta n continuare o proprietate important cunoscut sub numele de: 1.3.4.1 Inegalitatea lui Cebev

Fie () o variabil aleatoare pentru care M() i D() exist i fie > 1, un numr oarecare. Are loc inegalitatea: 1 P({ : ( ) M ( )} ) 2 unde am notat = D() 1.4

Funcii de repartiie utilizate n modelele de fiabilitate

n analizele de fiabilitate funciile de repartiie joac un rol esenial. Ele sunt cele care stau la baza elaborrii modelelor. Este foarte important ca tehnica de alegere i de determinare a parametrilor lor s fie bine neleas de aceasta depinznd precizia de modelare. 1.4.1 Funcii de repartiie pentru variabile aleatoare discrete 1.4.1.1 Funcia de repartiie binominal Funcia de repartiie binomial este una din funciile foarte folosite la modelarea sistemelor cu componente independente, binare (cu dou stri) i identice [1.1]. Fie un fenomen aleator la producerea cruia se nregistreaz numai dou valori mutual exclusive, x1 si x2, cu probabilitile complementare p si q (p + q = 1). Fie X o variabil de tip Bernoulli (funcie indicatoare) asociat fenomenului :

De exemplu, rezultatele obinute la aruncarea unui zar, sau evoluia in timp a unui motor prin strile de funcionare i avarie, etc.

0 1 X p 1 p definit prin: X(x1) = 1 ; X(x2) = 0, cu proprietile:

M(X) = 0 (1-p) + 1 p = p D(X) = (0 - p)2 (1 + p) + (1 - p)2 p = p (1 - p) (p + 1 - p) = p (1 - p)= pq Fie cazul n care se repet de n ori n condiii identice fenomenul aleator menionat i fie Xi variabilele Bernoulli asociate seriei de n fenomene. Numrul de apariii a valorilor xi reprezint variabile aleatoare. Fie K variabila aleatoare discret, care reprezint numrul de apariii ale lui x1. Este clar c se poate scrie : K = X1 + X2 + ... + Xn. 15

Variabila aleatoare K poate fi definit prin: k ... n 0 1 2 ... K . . . . P (k ) ... n Dac s-ar determina PN(k) ea ar fi complet definit. Fie evenimentul A n care apare de k ori succesiv valoarea x1 si de n-k ori valoarea x2:

A = { x1 x1 .... x1 x 2 ......... x 2 n-k - ori k - ori

Dac fenomenele sunt independente atunci: P(A) = C P ( x1 )i C P ( x2 ) j = p k (1 p ) n k
i =1 j = k +1 k n

inndu-se cont de ordinea de apariie deoarece k valori x1 se pot combina cu k cele n - k valori x2 n C n ori feluri, rezult:
Pn ( k ) = {K = k } = Cnk p k q n k

(1.18)

Variabila K are o repartiie binominal sau de tip Bernoulli definit prin:

i i n i P{K k } = Cn pq k

(1.19)

Probabilitile Pn(k) rezult din dezvoltarea binomului (p + q)n :

i =0

( p + q )n = Pn (k ) = 1 .
n k =0

Principalele caracteristici numerice ale variabilei K sunt: - valoarea medie M(K)

k n k M(K ) = kPn (k ) = kC k sau M (K ) = M ( X i ) = M ( X i ) = np np q
n n

k =0
n

k =0

i =1

i =1

- dispersia D(K)

D(K ) = [k M (k )] Pn (k ) sau D(K ) = D( X i ) = D( X i ) = npq

2
n n k =0 i =1 i =1

- abaterea standard ( K) = npq - Moda, valoarea lui K cu probabilitatea maxima este data de valoarea ko care verifica dubla inegalitate: np q k 0 np + p
Pentru exemplificare se consider o central electric n care se afl 2 grupuri turbogeneratoare identice, de putere P, fiecare evolund numai prin dou stri, funcionare F si avarie (reparare) A cu probabilitile p=0.9 si respectiv q=0.1. Modelul binomial permite determinarea a numeroi indicatori de comportament ai grupurilor din centrala. In tabelul 1.1 se prezint identificarea realitii din central cu modelul probabilist de tip binomial.

16

Tabelul 1.1 Identificarea centralei electrice cu modelul probabilist binomial Caracteristici Modelul probabilist binomial Centrala electrica Grup turbogenerator cu doua stri Fenomenul aleator binar Fenomen cu doua stri x1 si x2 F si A Variabila Bernoulli Numrul de repetri n condiii identice a fenomenului binar
n

0 1 X p 1 p
n

0 1 X p 1 p
Funcionarea simultana independenta a celor doua grupuri : n=2 X1+X2

Variabila K Funcia de repartiie

Xi
i =1

P{K k} = Cin p i q n i
i =0

P{K k} = Ci2 0.9i 0.12i

i =0

Cele 2 grupuri funcionnd simultan pot fi asimilate cu cele n incercari independente iar rezultatul funcionare sau avarie a unui grup cu valorile x1 si x2. Analogia este totala daca grupurile sunt independente. Se pot determina : - Probabilitile strilor prin care evolueaz centrala (tabelul 1.2 ) :
k P2 (k ) = P{K = k } = C2 0.9 k 0.12k

Tabelul 1.2 Aplicarea metodei binomiale pentru modelarea comportamentului centralei Valoarea lui K 0 1 2 Starea centralei Zero grupuri in funciune Un grup in funciune Ambele grupuri in funciune Probabilitatea q2 2pq P
2

Valoarea 0.1*0.1=0.01 2*0.9*0.1=0.18 0.9 = 0.81

2

Puterea produsa 0 P 2P

- numrul mediu de grupuri simultan in funciune M(K) = np=2*0.9 = 1.8 - dispersia si abaterea standard a numrului mediu de grupuri in funciune D(K) = npq=2*0.9*0.1 = 0.18 iar (K) =

npq = 0.18 = 0.424

Deci in medie sunt 1.8 grupuri simultan in funciune cu abaterea medie de 0.424 ceea ce arata ca probabil mai frecvent centrala se va afla cu 2 grupuri in funciune - starea centralei cu probabilitatea maxima Se remarca ca starea cea mai probabila, moda variabilei K este cea cu doua grupuri simultan in funciune ea avnd probabilitatea cea mai mare, 0.81.

1.4.1.2 Repartiia multinomial S considerm acum o urm care conine nj bile de culoarea j, cu 1 j k i

n = n j . S notm Aj evenimentul care const din extragerea unei bile de culoarea j

j =1

(1jk) i cu pj = P(Aj). Avem evenimentul

pj = nj n1 + n2 + ... + n j = nj n

i deci

p
j =1

=1

Fie Bk1 ,k2 ,...,kr , evenimentul care const din obinerea, n urn a n extrageri repetate (cu punerea de fiecare dat n urn a bilei extrase), a k1 bile de culoarea 1,

17

k2 bile de culoarea 2, ...,

kr bile de culoarea r ( n = k j ). Deoarece ordinea n

j =1

care sunt extrase bilele nu intereseaz, obinem: n! k2 Pn (k1 , k 2 ,..., k r ) = P( Bk1 ,k2 ,...,kr ) = p1k1 p2 ... prkr (1) k1!k 2 !...k r ! Repartiia determinat de probabilitatea (1) se numete repartiie multinomial (polinomial). Expresia din membrul drept al egalitii (1) reprezint termenul general al dezvoltrii polinomului (p1+...+pr)r; aceast justific numele repartiiei. Menionm c n fiabilitate se gsesc multe aplicaii ale acestei repartiii. De exemplu, o operaie dat constituie o reuit sau un eec datorat unor defeciuni de tipuri diferite independente unele de altele. Valoarea medie i dispersia repartiiei multinomial sunt date de: M(j) = npj, D2(j) = npj(1-pj) (1 j k) 1.4.1.3 Repartiia hipergeometric

Fie n, a, b N, cu n<a+b. Prin definiie repartiia hipergeometric este o repartiie discret n care valorile k, astfel nct max(0,n-b) k min(n,a), li se atribuie probabilitile: Cak Cbnk (2) Pn (k ; a, b) = Can+b Relaia aceasta se obine n modul urmtor: considerm o urn n care sunt a bile albe i b bile negre. Din urn se fac n extrageri succesive fr a pune bila extras napoi. Notnd cu Ak evenimentul care const din obinerea a k bile albe n cele n extrageri, evenimentele {Ak}(max(0,n-b) k min(n,a)) formeaz un sistem complet de evenimente. A determina probabilitatea P(Ak)=Pn(k;a,b) revine la a determin numrul total de evenimente elementare ale cmpului i numrul de evenimente elementare favorabile lui Ak. Numrul total de evenimente elementare este egal cu numrul combinrilor ce se pot face cu cele (a+b) bile din urn luate cte n. Numrul cazurilor favorabile este dat de numrul grupelor care se pot forma coninnd fiecare k bile albe i n-k bile negre. Din cele a bile albe putem forma k grupe, care conin fiecare k bile albe. Cu cele b bile negre putem forma Ca
nk k nk grupe, care conin fiecare n-k bile negre. Aadar, exist C a grupe, care Ca Ca conin fiecare k bile albe i n-k bile negre. Rezult astfel (2), care definete repartiia hipergeometric.

nim ( n ,a )

Se verific imediat c:

n k = max(o ,nb )

P ( k ; a , b) = 1

Funcia
n k =0

Cbn b(b 1)...(b n + 1) Pn (0; a, b) = n = Ca+b (a + b)(a + b 1)...(a + b n + 1) generatoare a repartiiei hipergeometrice

este:

G ( z ) = Pn (k ; a, b) z k

z 1

Valoarea medie i dispersia variabilei aleatoare hipergeometrice este:

18

M ( ) =

na a+b

D 2 ( ) =

nab(a + b n) (a + b) 2 (a + b 1)

1.4.1.4 Repartiia polinomial Repartiia polinomial permite modelarea fiabilitii sistemelor cu componente muli stri i independente. Dac se consider cazul modelului binomial la care n loc de strile x1 i x2 sunt posibile m stri, respectiv x1, x2, , xm i dac, probabilitile lor de apariie sunt p1, p2, ,pm atunci, funcia de repartiie a variabilei aleatoare K, reprezentnd apariia de k1 ori a valorii x1, de k2 ori a valorii x2, ., de km ori a valorii xm, are densitatea de repartiie polinomial: n! km k2 Pn (k1 , k2 ,..., km ) = p1k1 p2 ... pm (1.20) k1!k2!...km ! unde

pi = 1 ;
i =1

k
i =1

= n.

Se poate exemplifica c i n celelalte cazuri folosirea acestei repartiii, dac se consider exemplul anterior n care fiecare din grupurile din centrala electric, poate evolua prin m stri. 1.4.1.5 Funcia de repartiie Poisson Funcia Poisson de repartiie mai este denumita i funcia de repartiie a evenimentelor rare. Ea poate fi dedus ca un caz limit a repartiiei binomiale atunci cnd media np rmne constant iar n tinde la infinit, ceea ce nseamn c p devine foarte mic, deci reflect apariii rare. Densitatea i funcia de repartiie Poisson au expresia:
P( X = k ) =
k

k e k!

k N
k

(1.21)

i =0 i =0 i! Ea este folosit n cazul sistemelor foarte fiabile pentru a se determina probabilitatea strilor cu componente defecte. Media este M(X) = , iar dispersia D(X) =

F (k ) = P ( X = i ) =

1.4.1.6 Repartiia generalizat a lui Poisson Fie cazul prezentat anterior constnd din repetarea de n ori a unui fenomen aleator cu dou stri complementare, x1 si x2 dar la care de fiecare dat probabilitile de apariie a strilor sunt diferite, pi si respectiv qi. Dac Xi sunt funciile 1 0 indicatoare asociate, definite prin : Xi iar K numrul de apariii a valorii p q i i x1 atunci : K = X1 + X2 + ... + Xn . Probabilitile valorilor pe care K poate s le ia, rezult din dezvoltarea: (p1 + q1) (p2 + q2) . . . (pn + qn) = 1 (1.22) Rezult c n modelul de mai sus caracteristicile numerice: - valoarea medie a numrului de apariii x1 19

M(K ) = M( X i ) = M(X i ) = p i
i =1 i =1 i =1

- Dispersia numrului de apariii x1

D(K ) = pi qi .
i =1

Repartiia generalizat Poisson permite modelarea unui ansamblu de n componente binare, diferite (cu probabiliti de avarie diferite) i independente.
Fie cazul centralei electrice din exemplul anterior, n care cele doua grupuri au puterile P1 si P2 si respectiv probabilitile de funcionare i avarie p1 (q1) i p2 (q2). In tabelul 1.2 se prezint strile si probabilitile aferente ca urmare a aplicrii modelului Poisson generalizat. Ele rezulta si din dezvoltarea: (p1+q1)( p2+q2) = p1p2+ p1q2+ q1p2+ q1q2 =1 Tabelul 1.2 Aplicarea funciei de repartiie Poisson generalizat Valoarea Starea centralei Probabilitatea lui K 0 Grupul 1 i grupul 2 n avarie q1q2 Grupul 1 in funciune si 2 in 1 p1q2 avarie Grupul 2 in funciune si 1 in 1 q1p2 avarie 2 Grupul 1 si 2 in funciune p1p2 Puterea produsa 0 P1 P2 P1+ P2

Valoarea 0,10,05=0,005 0,90,05=0,045 0,10,95=0,095 0,90,95=0,855

Numrul mediu de grupuri simultan n funciune este p1 + p2 = 0,9 + 0,95 = 1,85 iar dispersia i abaterea standard p1 q1+ p2 q2 = 0,90,1+ 0,950,05 = 0,1375 respectiv 0,37.

1.4.2 Funcii de repartiie pentru variabile aleatoare continui Funciile de repartiie pentru variabile aleatoare continui au o importan aparte pentru analizele de fiabilitate. Ele sunt folosite pentru a modela evoluiile n timp ale componentelor : durata de via, durata rezidual de via (de supravieuire), durata de reparare nentrerupt, etc. 1.4.2.1 Funcia normal, normal trunchiat i normal normat de repartiie O variabil aleatoare X are o lege normal de repartiie dac funcia i densitatea sa de repartiie sunt de forma:
x 1 2 F (x ) = e 2 1 z m
2

dz = (

xm );
(1.23)

e 2 avnd media i dispersia ca parametri: M(X) = m; D(X) = 2 (figura 1.4). f(z) f(x) f(x) f(x)

f ( x) =

1 x m 2

1/ 2 x M(X) M(Z)=0 20

1/ 2 x

Figura 1.4 Legea normal i normal normat de repartiie Deoarece n analizele de fiabilitate variabilele de timp sunt pozitive, de importan practic este legea normal trunchiat cu domeniul de variaie pentru X de la 0 la +. Ea are forma [1.2] : xm m 1 (1.24) F ( x) = ( ( ) ( )) m 1 ( )

Fie Z o variabil normal normat definita prin Z =

Xm cu proprietile :

M(Z) = 0; D(X) = 1. Funcia i densitatea sa de repartiie (figura 1.4) sunt: 1 1 1 z 2 t2 1 2 z2 ( ) ( ) F(z ) = e dt = z ; f z = e (1.25) 2 2 unde (z) este funcia Laplace. Funcia normal normat de repartiie prezint avantajul c avnd media 0 i dispersia 1 nu depinde de ali parametri, poate fi tabelat i folosit pentru estimrile statistice. Fiind simetric are proprietatea c (-z) = 1 - (z). Se poate arta cum se poate folosi legea normal normat pentru evaluri ale unei legi normale obinuite. Dac X este o variabil aleatoare normal i dac se dorete evaluarea P(a X b) se poate scrie :
am bm am Xm bm P =

1.4.2.2 Funcia lognormal de repartiie O variabil aleatoare X are o lege lognormal de repartiie dac densitatea sa de repartiie este dat de: [ln (x ) m ]2 1 2 2 e ; x>0 (1.26) f (x ) = ( x ) 2 ; x<0 0 Deci variabil ln(X-) are o lege normal de repartiie de valoare medie m i dispersie 2. Caracteristici: - M(X) = + em + 2/2 - D(X) = e2m e2(e2-1) Se utilizeaz pentru a modela comportamentul unor echipamente cu fenomene cumulative. Cel mai des este aplicat pentru a modela mentenabilitatea componentelor reparabile. 1.4.2.3 Funcia exponeniala de repartiie O variabil aleatoare X are o lege de repartiie exponenial dac funcia de repartiie este de forma: 21

F(x) = 1 e x ; > 0 (1.27) avnd caracteristicile: - M(X) = 1/ - D(X) = 1/2 Este o repartiie preferat, datorit formei sale simple ct i a caracteristicilor sale numerice. Caracterizeaz comportamentul componentelor la care nu apar fenomene cumulative de degradare i uzur deci la care intensitatea de avarie este 0. 1.4.2.4 Funcia Rayleigh de repartiie O variabil aleatoare X are o repartiie Rayleigh dac : F(x) = 1 e

x 2
2

si f(x)= x e

x 2
2

(1.28)

Media i dispersia sunt

si

(1

).

Este o repartiie care este folosit pentru modelarea fiabilitii componentelor cu intensitate liniar cresctoare de avarie [1.3]. 1.4.2.5 Funcia de repartiie Weibull O variabil aleatoare X are o repartiie de tip Weibull, dac funcia i densitatea de repartiie au forma:

F ( x) = 1 e

si

unde, x ; > 0 ; este parametrul de forma, > 0; de scala si de locaie, - < < + . Se remarc c pentru = 1, = 1, = 0 funcia Weibull devine o funcie exponenial, pentru =2 devine o repartiie Rayleigh iar pentru >2 funcia tinde ctre o funcie normal de repartiie (figura 1.5). Parametrul , numit de locaie, definete intersecia densitii cu axa Ox.

x f (x ) =

x 1 e

(1.29)

22

Figura 1.5 Funcia Weibull de repartiie pentru diferite valori ale parametrului de forma ( = 0, = 1). Caracteristici numerice al variabilei aleatoare cu repartiie Weibull: 1 - M ( X ) = + + 1
2 2 2 1 - = + 1 + 1 1

1 - Moda m = + 1 Funcia de repartiie Weibull este folosit pentru modelarea comportamentului componentelor ce prezint fenomene cumulative de degradare i de uzur.
1.4.2.6 Funcia de repartiie x2 (hi-ptrat) Fie o familie de variabile aleatoare X1, X2, ... , Xn repartizate normal (m, ). Variabila: 1 n 2 Y = 2 ( X k m)

k =1

hi ptrat cu n grade de libertate. Ea are densitatea de repartiie: 0; x<0 x n 1 f(x) = (1.30) 1 2 2 2 2 n/2 2 (n/2) x e ; x > 0 unde (n) este funcia gamma. Are caracteristicile: - M(X) = n2 - D(X) = 2n4 Este folosit n estimrile statistice ale parametrilor de fiabilitate.

are o repartiie

23

2. BIBLIOGRAFIE [1.1] [1.2] [1.3] [1.4] V.I.Nitu, C.Ionescu, F. Beichelt, P.Franken, Elsayed A. Elsayed, Mariana Craiu, Fiabilitatea in energetic, Pedagogic, Bucureti, 1980 Editura Didactic i

Zuverlassigkeit und Instandhaltung. methoden, VEB Verlag Berlin,1983

Mathematische

Reliability Engineering, Addison Wesley Longman, Inc., 1996 Teoria probabilitilor i statistic matematic

24