Documente Academic
Documente Profesional
Documente Cultură
Curs
Versiunea 2.1
S, . L. Mihail-Ioan Pop
2019
2
Cuprins
Introducere 5
2 Teoria fiabilităt, ii 33
2.1 Funct, ia de fiabilitate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.2 Fiabilitatea sistemelor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.3 Arbori de defectare . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
Bibliografie 41
3
4
Introducere
Versiunea 1 - preliminară
Versiunea 2
- corecturi
- adăugări: control statistic; figuri
Versiunea 2.1
- corectura operatiilor la portile logice pt. arbori de defectare
- completari minore
5
6
Capitolul 1
Probabilităt, i s, i statistică
matematică
m
P (A) = (1.2)
n
În felul acesta putem calcula probabilităt, ile oricărui eveniment cu condit, ia să identi-
7
ficăm toate evenimentele elementare echiprobabile care se pot produce. În practică nu
ı̂ntotdeauna este posibil acest lucru.
Exemplul 1. Se aruncă un zar. Care sunt probabilităt, ile de producere a avenimentelor:
A=”Se obt, ine o fat, ă pară”
B=”Se obt, ine un număr mai mic decât 3”
C=”Se obt, ine fat, a 7”
În cazul unui zar este us, or să identificăm evenimentele elementare. Spat, iul aces-
tora va fi E = {e1 , e2 , e3 , e4 , e5 , e6 }, unde evenimentul ei =”Se obt, ine fat, a i”. Atunci
probabilitatea fiecărui eveniment elementar este P (ei ) = 1/6. Pe scurt ei = {i} s, i
E = {1, 2, 3, 4, 5, 6}.
Evenimentul A = {2, 4, 6}=”Se obt, ine fat, a 2 sau fat, a 4 sau fat, a 6”. Probabilitatea
sa este P (A) = 3/6 = 1/2. La fel B = {1, 2}, P (B) = 2/6 = 1/3. Evenimentul C nu
poate fi scris in termeni de evenimente elementare, chiar daca le-am identificat pe toate,
deoarece C este un eveniment imposibil: P (C) = 0.
O abordare experimentală de calcul a probabilităt, ii unui eveniment se bazează pe
numărul de aparit, ii a evenimentului respectiv dintr-un număr total de ı̂ncercări. Con-
siderăm un experiment ı̂n care se urmăres, te aparit, ia unui anumit eveniment A. Se
execută experimentul ı̂n condit, ii identice de N ori. Se constată că evenimentul A apare
de n ori. Atunci se poate defini frecvent, a de aparit, ie a evenimentului A ca f (A) = n/N .
În practică se constată că:
lim f (A) = P (A). (1.3)
N →∞
As, adar repetând experimentul de un număr mare de ori se poate aproxima probabilitatea
evenimentului A prin frecvent, a sa de aparit, ie.
O abordare mult mai riguroasă de definire a probabilităt, ii se face pe baza unor
axiome. Nu vom folosi ı̂nsă această abordare.
După cum am văzut deja evenimentele pot fi exprimate ca mult, imi de evenimente el-
ementare. Acestora li se pot aplica operat, iile obis, nuite pe mult, imi (reuniune, intersect, ie,
diferent, ă, mult, imea contrarie). Dar evenimentele au s, i o interpretare literală, care poate
fi exprimată prin propozit, ii, pentru care se pot aplica operat, ii logice. Astfel, operat, iilor
pe mult, imi li se pot asocia operat, ii logice (sau, s, i, negare etc.). Dacă neglijăm diferent, a
dintre exprimarea unui eveniment ca mult, ime sau propozit, ie atunci are loc echivalent, a
operat, iilor pentru evenimentele A s, i B:
Aici operat, iile logice ”sau”, ”s, i” s-au notat cu ”+”, ”·”.
Mult, imile s, i operat, iile lor pot fi reprezentate grafic prin diagrame Venn-Euler. Pen-
tru aceasta considerăm spat, iul evenimentelor elementare E si reprezentăm toate eveni-
mentele compuse ca mult, imi care includ evenimentele elementare care duc la realizarea
8
Figura 1.1: Diagrama Venn-Euler pentru un eveniment A.
acestor evenimente compuse (fig. 1.1). Operat, iile pe evenimente (mult, imi) pot fi
reprezentate us, or (fig. 1.2).
În continuare vom vedea cum se calculează probabilitatea unui eveniment obt, inut
din alte evenimente prin operat, ii logice (operat, ii pe mult, imi).
Dacă considerăm 2 evenimente A s, i B ale căror probabilităt, i P (A), P (B) sunt cunos-
cute, să calculăm probabilitatea P (A ∪ B) = P (A + B) a evenimentului ”are loc A sau
B”. Dacă A s, i B sunt mult, imi disjuncte (A ∩ B = ∅) atunci din definit, ia probabilităt, ii
(1.2) rezultă:
P (A ∪ B) = P (A + B) = P (A) + P (B). (1.8)
Dacă ı̂nsă mult, imile A, B nu sunt disjuncte atunci se poate exprima A∪B = A∪(B\A) =
A ∪ (B \ (A ∩ B)), unde mult, imile A s, i B \ A = B \ (A ∩ B) sunt disjuncte. Atunci
probabilitatea lui A ∪ B se poate calcula ca:
sau
P (A + B) = P (A) + P (B) − P (A · B). (1.10)
Două mult, imi disjuncte reprezintă două evenimente dintre care doar unul se poate
realiza la un moment dat, niciodată ambele. Dacă ı̂nsă mult, imile nu sunt disjuncte este
posibil să se realizeze ambele evenimente asociate ı̂n acelas, i timp; aceasta se ı̂ntâmplă
când se realizează evenimentul dat de A ∩ B.
9
Definit, ia 1. Două evenimente se numesc incompatibile dacă producerea unuia exclude
producerea celuilalt. Două evenimente care se pot realiza ı̂n acelas, i timp se numesc
compatibile.
As, adar 2 mult, imi disjuncte caracterizează evenimente incompatibile.
Definit, ia 2. Două evenimente se numesc independente dacă producerea unuia nu modifică
probabilitatea de producere a celuilalt.
Pentru 2 evenimente independente A, B probabilitatea intersect, iei lor este:
X : E −→ Rn . (1.14)
X : E −→ R. (1.15)
Variabilele aleatoare pot fi discrete sau continue după cum mult, imea valorilor pe care le
iau X(E) este o mult, ime discretă (cum e mult, imea numerelor naturale N) sau o mult, ime
continuă (cum e R).
10
Deoarece evenimentele elementare pot avea asociate niste probabilităt, i prin inter-
mediul unei funct, ii de probabilitate P , acestea se transferă s, i valorilor variabilei aleatoare.
Astfel, dacă pentru un eveniment e ∈ E, P (e) = p s, i variabila aleatoare asociază fiecărui
eveniment elementar o unică valoare numerică (adică este funct, ie injectivă), atunci se
poate spune că valoarea x = X(e) apare cu aceeas, i probabilitate: P (x) = P (e) = p. În
general ı̂nsă o variabilă aleatoare poate asocia aceeas, i valoare numerică mai multor eveni-
mente elementare, astfel ı̂ncât probabilitatea unei valori nu este egală cu probabilitatea
unui eveniment elementar.
Probabilităt, ile asociate fiecărei valori a variabilei aleatoare formează repartit, ia de
probabilitate (numită uneori distribut, ia de probabilitate) a variabilei aleatoare. Pentru o
variabilă aleatoare discretă care ia valori xi cu probabilităt, ile P (xi ) = pi , i = 1, 2, 3, ...
repartit, ia sa poate fi reprezentată ca un tablou cu valorile pe prima linie s, i probabilităt, ile
asociate pe a doua linie:
x1 x2 x3 ... xi
X: = (1.16)
p1 p2 p3 ... pi i=1,2,3,...
Dacă X este o variabilă aleatoare continuă, atunci va lua valori ı̂ntr-o mult, ime con-
tinuă de numere, care poate fi un interval sau toată mult, imea numerelor reale. Atunci
repartit, ia sa de probabilitate nu mai poate fi dată ca un tablou care să cuprindă toate
valorile posibile. Mai mult, probabilitatea ca să apară o anumită valoare x nu mai este
un număr finit p, deoarece ı̂n acel caz suma tuturor probabilităt, ilor ar fi calculată pe un
interval continuu de valori si ar fi infinită. Probabilitatea asociată unei valori x trebuie
atunci să fie o mărime infinitezimală dP (x) = dF (x), iar suma devine o integrală, astfel
ı̂ncât condit, ia de normare devine:
ˆ ∞
dF (x) = 1. (1.18)
−∞
Funct, ia F (x) se numes, te funct, ie de repartit, ie (funct, ie de distribut, ie) a variabilei aleatoare
X. Aceasta poate fi definită ca:
ˆ x
F (x) = P (X < x) = dF (x0 ). (1.19)
−∞
11
Figura 1.3: Densitatea de probabilitate s, i funct, ia de repartit, ie pentru o repartit, ie con-
tinuă.
Dacă X nu ia valori ı̂n toată mult, imea R atunci se poate considera că f (x) = 0 ı̂n afara
intervalului de valori. În general probabilitatea ca variabila aleatoare să ia valori ı̂ntr-un
interval [a; b) se poate calcula ca:
ˆ b
P (X ∈ [a; b)) = f (x)dx. (1.22)
a
Dacă f (x) este o funct, ie continuă atunci nu contează cum se iau capetele intervalului
(deschise sau ı̂nchise), deoarece relat, ia de mai sus rămâne valabilă.
Densitatea de probabilitate ia valori f (x) ≥ 0. Funct, ia de repartit, ie ia valori
F (x) ∈ [0; 1]. F (x) este o funct, ie crescătoare cu proprietăt, ile: limx→−∞ F (x) = 0,
limx→∞ F (x) = 1.
Mărimi caracteristice ale variabilelor aleatoare
Pe lângă repartit, ia de probabilitate variabilele aleatoare au o serie de mărimi car-
acteristice. Acestea reprezintă valori numerice care poartă o informat, ie referitoare la
variabila aleatoare X. Vom prezenta pe scurt cele mai importante mărimi cu formule
atât pentru variabile discrete (cu sume) cât s, i continue (cu integrale).
1. Media unei variabile aleatoare X este definită ca
X
m = M (X) = xi p i , (1.23)
i
ˆ ∞
m = M (X) = xf (x)dx. (1.24)
−∞
Media reprezintă o măsură a valorii tipice a variabilei aleatoare.
2. Mediana Me reprezintă valoarea lui X care separă intervalul de valori ı̂n 2 părt, i
care au aceeas, i probabilitate:
12
ˆ Me ˆ ∞
xf (x)dx = xf (x)dx = 1/2. (1.26)
−∞ Me
3. Modul, atunci când există, reprezintă o valoare a variabilei aleatoare cu o prob-
abilitate maximă de aparit, ie:
P (Mo ) = max ., (1.27)
f (Mo ) = max . (1.28)
4. Momentul de ordinul n reprezintă media lui X n :
X
Mn (X) = M (X n ) = xni pi , (1.29)
i
ˆ ∞
n
Mn (X) = M (X ) = xn f (x)dx. (1.30)
−∞
Media este atunci momentul de ordinul 1: M (X) = M1 (X).
5. Momentul centrat de ordinul n este momentul de ordinul n al lui X − m:
X
µn (X) = M ((X − m)n ) = (xi − m)n pi , (1.31)
i
ˆ ∞
µn (X) = M ((X − m)n ) = (x − m)n f (x)dx. (1.32)
−∞
6. Dispersia este momentul centrat de ordinul 2:
X
D(X) = σ 2 (X) = µ2 (X) = (xi − m)2 pi , (1.33)
i
ˆ ∞
2
D(X) = σ (X) = µ2 (X) = (x − m)2 f (x)dx. (1.34)
−∞
7. Abaterea medie pătratică (abaterea standard):
p
σ(X) = D(x). (1.35)
Abaterea medie pătratică reprezintă o măsură a ı̂mprăs, tierii valorilor variabilei aleatoare
X ı̂n jurul mediei.
8. Coeficientul de variat, ie (abaterea relativă) reprezintă o măsură a ı̂mprăs, tierii
valorilor relativ la valoarea mediei:
σ(X)
CV (X) = ε(X) = . (1.36)
M (X)
9. Coeficientul de asimetrie (skewness) reprezintă o măsură a asimetriei repartit, iei
fat, ă de pozit, ia mediei:
µ3 (X)
skew(X) = 3 . (1.37)
σ (X)
10. Coeficientul de exces (aplatizare - kurtosis) reprezintă o măsură a turtirii
repartit, iei:
µ4 (X)
kurt(X) = 4 − 3. (1.38)
σ (X)
13
1.3 Variabile aleatoare multidimensionale
O variabilă aleatoare multidimensională ia un vector de valori:
X : E −→ Rn , (1.39)
Repartit, iile variabilelor Xi luate separat se numesc repartit, ii marginale ale variabilei
multidimensionale X s, i sunt date de funct, iile de repartit, ie marginale:
C(X, Y )
r(X, Y ) = . (1.48)
σ(X)σ(Y )
Definit, ia 5. Variabilele aleatoare X, Y sunt independente dacă evenimentele ”X < x”
s, i ”Y < y” sunt independente pentru orice x, y ∈ R.
14
Dacă X, Y sunt independente, atunci din definit, ia de mai sus rezultă:
i) M (X · Y ) = M (X) · M (Y ); (1.51)
ii) C(X · Y ) = 0. (1.52)
Din ultima relat, ie se vede că corelat, ia s, i raportul de corelat, ie pot fi folosite uneori ca
măsuri ale independent, ei a 2 variabile aleatoare. Trebuie ı̂nsă t, inut cont că implicat, ia
inversă celei din propozit, ie nu are loc ı̂n general: dacă C(X, Y ) = 0 nu este obligatoriu
ca X, Y sa fie independente. Raportul de corelat, ie ia valori r(X, Y ) ∈ [−1; 1] s, i dacă
X, Y sunt independente atunci r(X, Y ) = 0.
Exemplul 2. Un lot de 100 piese cont, ine 3 piese defecte. Se fac 10 extrageri a câte 1
piesă din lot, care este utilizată s, i apoi reintrodusă ı̂n lot, ı̂naintea următoarei extrageri
(pentru ca extragerile să se desfăs, oare ı̂n condit, ii identice). Care este probabilitatea ca
ı̂n cele 10 extrageri să se folosească o piesă defectă de 4 ori?
15
Probabilitatea ca o piesă să fie defectă este q = 3/100. Probabilitatea ca să fie bună
este p = 97/100. Se fac n = 10 extrageri. Vrem să determinăm probabilitatea ca piesa
extrasă să fie bună de k = 6 ori s, i defectă de n − k = 4 ori. Aceasta este:
6 4
97 3
6
P (n, k) = P (10, 6) = C10 ' 1, 42 · 10−4 .
100 100
Repartit, ia hipergeometrică
Dacă ı̂ntr-un lot de N piese, dintre care a sunt bune s, i b defecte, N = a + b, se extrag
n piese fără ca să fie repuse ı̂napoi ı̂n lot, probabilitatea să se obt, ină k piese bune s, i
n − k piese defecte este:
C k C n−k
P (n, k) = a nb . (1.56)
Ca+b
Repartit, ia Poisson
Aceasta reprezintă repartit, ia evenimentelor rare. Dacă un eveniment are probabil-
itatea de aparit, ie ı̂n unitatea de timp λ = dP/dt mică atunci probabilitatea ca eveni-
mentul să apară de k ori ı̂n timpul t este:
(λt)k −λt
P (k) = e , (1.57)
k!
unde k = 0, 1, 2, .... Aceasta are proprietatea:
mk −m
P (k) = e . (1.59)
k!
Repartit, ii continue
Repartit, ia uniformă
Aceasta este dată de o densitate de probabilitate constantă pe un interval:
1
f (x) = , x ∈ [a; b]. (1.60)
b−a
Se consideră că f (x) = 0 dacă x ∈
/ [a; b]. Funct, ia de repartit, ie este:
0, x<a
x−a
F (x) = , x ∈ [a; b] (1.61)
b−a
1, x>b
16
(b − a)2
D(X) = . (1.63)
12
Repartit, ia exponent, ială
Densitatea sa de probabilitate este:
unde λ > 0 este parametrul repartit, iei. Funct, ia de repartit, ie s, i mărimile sale caracter-
istice sunt:
F (x) = 1 − e−λx , x ≥ 0, (1.65)
1
M (X) = σ(X) = . (1.66)
λ
Repartit, ia normală (gaussiană)
Aceasta este repartit, ia valorilor măsurate de aparatele de măsură asupra cărora
act, ionează un număr mare de factori perturbatori. Densitatea sa de probabilitate este:
1 (x−m)2
f (x) = √ e− 2σ2 , x ∈ R. (1.67)
σ 2π
1 x20
f0 (x0 ) = √ e− 2 , (1.70)
2π
ˆ x0
1 x02
F0 (x0 ) = √ e− 2 dx0 . (1.71)
2π −∞
Dacă X ∈ N (m, σ 2 ) atunci funct, ia sa de repartit, ie se poate calcula pe baza funct, iei de
repartit, ie normate:
x−m
F (x) = F0 (x0 ) = F0 . (1.72)
σ
17
Teorema 1. (Teorema limită centrală) Dacă X1 , X2 , ..., Xn , ... sunt variabile aleatoare
independente s, i identic distribuite (cu aceeas, i repartit, ie), cu media M (Xi ) = m s, i dis-
persia D(Xi ) = σ 2 atunci variabila aleatoare Sn = X1 + X2 + ... + Xn are proprietatea:
Sn → N (nm, nσ 2 ) (1.73)
când n → ∞.
Consecint, a 1. În condit, iile din teorema limită centrală media variabilelor aleatoare Xi
are proprietatea:
σ2
Sn
Xn = → N m, (1.74)
n n
când n → ∞.
As, adar media aritmetică a unui număr mare de valori ale unei variabile aleatoare este
tot o variabilă aleatoare cu repartit, ie aproximativ normală, cu aceeas, i medie ca variabila
√
aleatoare s, i cu abaterea medie pătratică σ/ n, care scade la 0 pe măsură ce numărul de
valori cres, te la infinit. As, adar cu cât media este calculată cu mai multe valori cu atât
aceasta este mai bine estimată.
Repartit, ia Student
Repartit, ia Student este dată de densitatea de probabilitate:
− ν+1
1 Γ ν+1
2 x2 2
f (x) = √ + 1 , x ∈ R. (1.75)
νπ Γ ν2
ν
Parametrul ν > 0 reprezintă numărul gradelor de libertate al repartit, iei Student. Repartit, ia
Student are media s, i dispersia M (X) = 0, D(X) = ν/(ν − 2).
Repartit, ia χ2 (chi pătrat)
Aceasta are densitatea de probabilitate:
1 ν x
f (x) = ν
x 2 −1 e− 2 , x > 0, (1.76)
2ν/2 Γ 2
unde ν > 0 este numărul gradelor de libertate al repartit, iei χ2 . Media s, i dispersia sa sunt
M (X) = ν, D(X) = 2ν. P Dacă variabilele aleatoare Xi ∈ N (0, 1), i = 1, 2, ..., ν atunci
variabila aleatoare S 2 = νi=1 Xi2 are repartit, ie χ2 cu ν grade de libertate. Repartit, ia
χ2 apare astfel ca repartit, ie a dispersiei de estimat, ie a unei variabile aleatoare normale
reduse.
Repartit, ia Weibull
Densitatea de probabilitate a repartit, iei Weibull este:
b x b−1 −( x )b
f (x) = e a , x > 0, (1.77)
a a
unde a > 0 este un parametru de scară s, i b > 0 un parametru de formă. Uneori se mai
introduce s, i un parametru de pozit, ie x0 > 0:
b x − x0 b−1 − x−x
b
0
f (x) = e a
, x > x0 . (1.78)
a a
18
Aceasta dă repartit, ia Weibull ı̂n forma generală. Pentru x0 = 0 funct, ia de repartit, ie,
media s, i dispersia repartit, iei Weibull sunt:
x b
F (x) = 1 − e−( a ) , x > 0, (1.79)
a 1
M (X) = Γ , (1.80)
b b
2 2 2 1
D(X) = a Γ +1 −Γ +1 . (1.81)
b b
Repartit, ia Weibull este aplicată ı̂n teoria fiabilităt, ii, fiind un model de repartit, ie pentru
timpul de bună funct, ionare al aparatelor. Dacă b = 1 repartit, ia Weibull devine repartit, ia
exponent, ială cu parametrul λ = 1/a.
19
Figura 1.4: Densitatea de probabilitate pentru câteva repartit, ii de probabilitate continue.
20
O estimat, ie statistică θ̃ a unui parametru θ poate fi de mai multe tipuri:
- estimat, ie consistentă dacă θ̃ → θ când n → ∞;
- estimat, ie corectă (deplasată) dacă M (θ̃) → θ s, i D(θ̃) → 0 când n → ∞;
- estimat, ie absolut corectă (nedeplasată) dacă M (θ̃) = θ s, i D(θ̃) → 0 când n → ∞;
- estimat, ie eficientă dacă este absolut corectă s, i D(θ̃) = min .;
- estimat, ie suficientă (exhaustivă) dacă estimarea utilizează ı̂ntreaga informat, ie cont, inută
ı̂n es, antion.
Estimatori ai mediei s, i dispersiei
Considerăm o variabilă aleatoare X cu M (X) = m, D(X) = σ 2 necunoscute. Se
face un sondaj pur aleator, se măsoară X pe o select, ie de volum n s, i se obt, in valorile
experimentale x1 , x2 , ..., xn . Trebuie estimată media s, i dispersia pe baza acestei select, ii.
În continuare vom trata x1 , x2 , ..., xn ca nis, te variabile aleatoare independente cu aceeas, i
repartit, ie ca X.
Ca estimator al mediei putem alege media aritmetică a valorilor experimentale:
n
1X
m̃ = x = xi . (1.82)
n
i=1
Vom calcula media s, i dispersia estimatorului m̃ ca să vedem de ce tip este. Pentru
aceasta vom folosi următoarele proprietăt, i ale mediei s, i dispersiei:
Propozit, ia 2. Dacă X, Y sunt două variabile aleatoare care admit medii s, i dispersii s, i
a ∈ R atunci au loc următoarele:
i) M (X + Y ) = M (X) + M (Y );
ii) M (a · X) = a · M (X);
iiii) dacă X, Y sunt independente atunci D(X + Y ) = D(X) + D(Y );
iv) D(a · X) = a2 · D(X).
Atunci avem:
n n n
!
1X 1X 1X
M (x) = M xi = M (xi ) = m = m,
n n n
i=1 i=1 i=1
n n
!
1X 1 X 1 2 σ2
D(x) = D xi = D(x i ) = · nσ =
n n2 n2 n
i=1 i=1
s, i D(x) → 0 când n → ∞. Rezultă că m̃ = x este un estimator absolut corect (nede-
plasat). Aceasta ı̂nseamnă că indiferent câte valori experimentale folosim media lui x
va fi egală cu valoarea teoretică m, dar cu cât folosim mai multe valori experimentale
cu atât valoarea lui x va estima mai bine valoarea lui m. Estimatorul x (1.82) se mai
numes, te medie de select, ie.
Dispersia poate fi estimată ı̂n mod asemănător. Dat fiind că dispersia teoretică este
D(X) = M [(X − m)2 ], estimatorul dispersiei poate fi ales:
n
1X
D̃0 (X) = (xi − x)2 .
n
i=1
21
Media sa este:
n−1 2
M (D̃0 (X)) = σ .
n
As, adar D̃0 (X) este cel mult un estimator corect (deplasat). Un estimator absolut corect
este:
n
2 1 X
D̃(X) = s̃ = (xi − x)2 . (1.83)
n−1
i=1
Acesta se mai numes q, te dispersie de select, ie. Abaterea medie pătratică σ este estimată
de obicei prin s̃ = D̃(X), dar trebuie t, inut cont că acesta nu mai este un estimator
absolut corect.
Metode de estimare
Pentru estimarea parametrilor θ1 , θ2 , ..., θp ai repartit, iei de probabilitate a variabilei
aleatoare X, pe baza unei select, ii x1 , x2 , ..., xn , se pot folosi mai multe metode. Se
obt, in estimatorii θ̃1 , θ̃2 , ..., θ̃p . Considerăm mai departe că se cunoas, te expresia densităt, ii
de probabilitate a lui X f (x) = f (x, θ1 , θ2 , ..., θp ), dar valorile parametrilor θj sunt
necunoscute.
1. Metoda momentelor
În această metodă se calculează primele p momente ale variabilei X atât teoretic,
cât s, i experimental. Momentele teoretice de ordinul k sunt:
ˆ ∞
Mk (X) = M (X k ) = xk f (x)dx = Mk (θ1 , θ2 , ..., θp ), (1.84)
−∞
Se pune condit, ia ca aceasta să fie maximă L(θ1 , θ2 , ..., θp ) = max ., de unde rezultă:
∂L
= 0, j = 1, 2, 3, ..., p, (1.88)
∂θj
22
care reprezintă un sistem de p ecuat, ii. Rezolvându-l se obt, in valorile estimatorilor θ̃j .
Pentru simplitate se foloses, te ca funct, ie de verosimilitate:
n
X
ln L = ln f (xi , θ1 , θ2 , ..., θp ) (1.89)
i=1
s, i se rezolvă sistemul:
∂ ln L
= 0, j = 1, 2, 3, ..., p, (1.90)
∂θj
unde α (β) este dat. As, adar un interval de ı̂ncredere este un interval ocupat de parametru
cu o anumită probabilitate. Intervalul de ı̂ncredere (θ1 ; θ2 ) se obt, ine pe baza unei select, ii
x1 , x2 , ..., xn de valori ale variabilei X. Intervalul complementar R \ (θ1 ; θ2 ) se numes, te
interval critic. Probabilitatea β a ocupării intervalului de ı̂ncredere se numes, te nivel de
ı̂ncredere, iar probabilitatea α ca θ să fie ı̂n afara intervalului de ı̂ncredere se numes, te
nivel de semnificat, ie.
Dacă parametrul θ este estimat pe baza select, iei de valori experimentale, estimat, ia
sa θ̃ se comportă ca o variabilă aleatoare. Considerăm că aceasta este continuă.
Intervalele de ı̂ncredere sunt de mai multe tipuri, după cum este pozit, ionat intervalul
critic (care dă riscul ca θ să nu fie ı̂n intervalul de ı̂ncredere). Astfel, pot exista intervale
de ı̂ncredere cu risc bilateral de forma (θ1 ; θ2 ) sau unilateral dacă θ1 = −∞ (risc la
dreapta) sau θ2 = ∞ (risc la stânga). Dacă P (θ < θ1 ) = P (θ > θ2 ) = α/2 atunci avem
risc simetric; altfel riscul este asimetric.
1. Intervalul pentru medie dacă se cunoas, te dispersia
Fie X ∈ N (m, σ 2 ) o variabilă aleatoare normală de medie m s, i dispersie σ 2 , unde σ
este cunoscută. Media m este necunoscută. Pe baza unei select, ii de valori experimentale
x1 , x2 , ..., xn ale X se poate estima m prin media aritmetică a valorilor măsurate x.
Aceasta este tot o variabilă aleatoare normală x ∈ N (m, σ 2 /n). Dacă o normăm obt, inem
variabila aleatoare:
m−x
z= √ ∈ N (0, 1). (1.92)
σ/ n
a) Interval cu risc bilateral simetric
23
Figura 1.5: Interval cu risc bilateral simetric.
Rezultă că se poate găsi un interval simetric pentru z care să fie ocupat cu probabil-
itatea β:
P (z ∈ (−zα/2 ; zα/2 )) = β = 1 − α, (1.93)
astfel ı̂ncât P (z ≤ −zα/2 ) = P (z ≥ zα/2 ) = α/2 (risc bilateral simetric) (fig. 1.5). Dar
√
aceasta este echivalentă, luând m = x + zσ/ n, cu:
σ σ
P m ∈ x − zα/2 √ ; x + zα/2 √ = β = 1 − α. (1.94)
n n
de unde rezultă:
zα/2 = F0−1 (1 − α/2), (1.96)
unde F0−1 este inversa funct, iei F0 . Aceasta se calculează de obicei numeric cu calcula-
torul.
b) Interval cu risc bilateral asimetric
24
Se poate găsi un interval pentru z de forma:
unde
zαi = −F0−1 (αi ), zαs = F0−1 (1 − αs ). (1.99)
c) Interval cu risc unilateral
De mai sus rezultă intervalul cu risc la stânga:
σ
P (z > −zα ) = P m > x − zα √ = β = 1 − α, zα = −F0−1 (α) (1.100)
n
m−x
t= √ ∈ Student(n − 1) (1.102)
s/ n
25
are o repartit, ie χ2 cu ν = n − 1 grade de libertate. Putem găsi un interval cu risc
bilateral simetric pentru dispersia σ 2 cu nivelul de semnificat, ie α specificat:
(n − 1)s2 (n − 1)s2
2
χ2i ; χ2s 2
P χ ∈ =P σ ∈ ; = β = 1 − α, (1.106)
χ2s χ2i
astfel ı̂ncât P (χ2 ≤ χ2i ) = P (χ2 ≥ χ2s ) = α/2 (risc bilateral simetric) s, i
χ2i = Fχ−1 2 −1
2 (n−1) (α/2), χs = Fχ2 (n−1) (1 − α/2), (1.107)
H0 : θ = θ0
H1 : θ 6= θ0 .
H0 se numes, te ipoteza nulă s, i pe aceasta vrem să o testăm, iar H1 se numes, te ipoteza
alternativă. Ca să testăm ipoteza nulă trebuie aleasă o funct, ie discriminantă (sau statis-
tică) u = u(θ) s, i trebuie găsită o regiune de acceptare A pentru u astfel ı̂ncât probabili-
tatea condit, ionată verifică relat, ia:
Testul constă ı̂n calcularea pe baza unei select, ii x1 , x2 , ..., xn de valori ale X a unei
estimat, ii θ̃ a parametrului θ. Dacă ũ = u(θ̃) ∈ A atunci acceptăm ipoteza nulă H0 ; dacă
ũ 6∈ A atunci respingem ipoteza H0 s, i acceptăm ipoteza alternativă H1 . În ultimul caz
ı̂nsă trebuie să t, inem cont că ipoteza H0 poate fi totus, i adevărată cu o probabilitate α.
Statistica u poate fi o variabilă aleatoare redusă iar regiunea de acceptare poate fi un
interval asemănător cu intervalele de ı̂ncredere. Putem avea astfel teste cu specificare
26
unilaterală (date de intervale mărginite la 1 capăt) sau cu specificare bilaterală (date de
intervale mărginite la ambele capete).
1. Testul de egalitate a mediei
Fie X ∈ N (m, σ 2 ) o variabilă aleatoare cu media m necunoscută. Pe baza select, iei
x1 , x2 , ..., xn a X se poate estima m ' x. Testăm ipotezele:
H0 : m = m0
H1 : m 6= m0
unde
zα/2 = F0−1 (1 − α/2). (1.111)
As, adar dacă z0 ∈ (−zα/2 ; zα/2 ) acceptăm ipoteza nulă H0 ; dacă z0 6∈ (−zα/2 ; zα/2 ),
atunci o respingem s, i acceptăm ipoteza alternativă H1 .
Dacă ipoteza nulă este de forma: H0 : m ≥ m0 sau m ≤ m0 atunci vom folosi un
interval cu risc unilateral.
Dacă σ este necunoscut atunci σ ' s, unde s2 este dispersia de select, ie. Atunci:
x−m
u(m) = t = √ ∈ Student(n − 1). (1.112)
s/ n
−1
Calculăm u0 = u(m0 ) = t0 s, i tα/2 = FStudent(n−1) (1 − α/2). Dacă t0 ∈ (−tα/2 ; tα/2 )
acceptăm ipoteza nulă H0 ; dacă nu, o respingem.
În mod asemănător se poate face un test pentru valoarea dispersiei.
27
Funct, ionarea corectă a unui echipament este caracterizată ı̂n general de 2 proprietăt, i
ale sale: acuratet, ea s, i precizia. Acuratet, ea reprezintă proprietatea echipamentului de
a functiona cât mai aproape de punctul de lucru nominal. Precizia reprezintă pro-
prietatea acestuia de a avea deviat, ii cât mai mici ı̂n funct, ionare. Aceste proprietăt, i de
regulă se referă la o caracteristică numerică a echipamentului (mărimi de intrare s, i ies, ire,
parametri interni). Din acest punct de vedere, pentru o mărime numerică (cantitate)
X care caracterizează echipamentul acuratet, ea este măsurată de media acestei mărimi
M (X) s, i precizia este măsurată de abaterea medie pătratică a mărimii σ(X). As, adar
un echipament funct, ionează cu atât mai bine ı̂n raport cu mărimea X cu cât M (X) este
mai apropiată de valoarea nominală a lui X s, i σ(X) este mai apropiată de 0. Mărimea
X poate fi considerată o variabilă aleatoare, având o repartit, ie de probabilitate. De
multe ori se presupune repartit, ia normală (gaussiană) pentru X.
Diagrame de control (Shewhart)
Vom descrie o serie de metode generale folosite la detect, ia funct, ionării necorespunzătoare
a unui echipament pe baza unor probe luate ı̂n timpul lucrului s, i a reprezentării grafice a
unor mărimi statistice sub forma unor diagrame. Procesul general de realizare s, i aplicare
a diagramelor de control are mai multe etape. Le vom discuta ı̂n raport cu o mărime
numerică X care caracterizează funct, ionarea echipamentului.
În timpul fuct, ionării echipamentului se fac periodic măsurători de control asupra
mărimii X pentru detectarea deviat, iilor anormale ale acesteia. Se obt, in de regulă
es, antioane de măsurători cu un anumit volum n (număr de valori ale lui X), mai mare
sau mai mic. De exemplu pentru un utilaj care produce piese se pot măsura ı̂n mod
periodic un anumit număr de piese obt, inute, ales ı̂n mod convenabil, pot fi 3, 4, 5, 10, 20
etc. piese, dar de regulă acelas, i număr de piese la fiecare test. Se obt, in astfel es, antioane
de măsurători ale lui X de volume egale, ordonate cronologic după un indice i=1,2,3,...
(ordinea ı̂n care au fost luate).
Pentru fiecare es, antion se calculează nis, te mărimi caracteristice pentru acuratet, ea
s, i precizia echipamentului, de exemplu M (X) s, i σ(X) (calculate ca mărimi de select, ie).
Există diverse proceduri (tipuri de diagrame) care pot folosi alte mărimi caracteris-
tice. De exemplu precizia poate fi măsurată prin intervalul valorilor dintr-un es, antion
max(X) − min(X) iar acuratet, ea prin valoarea centrală (max(X) + min(X))/2. Aceste
mărimi se reprezintă pe 2 diagrame ı̂n funct, ie de timp (indicele i) (fig. 1.6).
Se consideră apoi nis, te valori centrale sau normale s, i nis, te limite naturale pentru
aceste mărimi t, inând cont că X este o variabilă aleatoare. Se reprezintă grafic pe dia-
grame s, i aceste valori ca linii orizontale. De exemplu pentru X se poate considera ca
valoare normală o valoare centrală XC obt, inută ca medie a lui X pentru un număr mare
de măsurători (es, antioane) pentru care se poate considera că echipamentul a funct, ionat
la parametri nominali. Pentru media valorilor dintr-un es, antion M (X) se pot alege nis, te
√
limite naturale de forma XC ± k · σ(M X) = XC ± k · σ(X)/ n cu k = 1, 2, 3. Dacă X
are o repartit, ie normală atunci probabilitatea ca M (X) obt, inut ı̂n urma unui test să fie
√ √
ı̂n intervalul [XC − k · σ(X)/ n; XC + k · σ(X)/ n] este aproximativ 0,68 pentru k = 1;
0,95 pentru k = 2 s, i 0,9973 pentru k = 3; probabilitatea ca M (X) să nu fie ı̂n respec-
tivele intervale (nivelul de semnificat, ie pentru intervalele de ı̂ncredere respective) este
28
α ' 0,32; 0,05 s, i respectiv 0,0027. Pentru σ(X) se pot considera nis, te limite superioare
cu aceleas, i valori ale nivelului de semnificat, ie.
Se urmăres, te evolut, ia valorilor de select, ie pe cele 2 diagrame. Ultimele limite (cele
mai depărtate de valoarea centrală sau normală, pentru k = 3) se consideră ca limite
de control; limitele interioare sunt limite de sigurant, ă. În principiu dacă s-au depăs, it
limitele de control 1 singură dată se poate decide reglajul sau repararea echipamentului
ı̂n privint, a caracteristicii afectate (acuratet, e pentru depas, irea lui M (X), precizie pentru
depăs, irea lui σ(X)). În practică ı̂nsă se aplica o serie de reguli care pot duce la decizia
reglajului s, i ı̂n raport cu limitele de sigurant, ă. Totodată trebuie t, inut cont că o depăs, ire
a unei limite poate fi un fenomen statistic, aleator s, i sa nu se datoreze unui defect al
echipamentului. Astfel, limita de control pentru k = 3 poate fi depăs, ită de M (X) ı̂n
mod aleator cu probabilitatea α ' 0, 0027, adică ı̂n medie ı̂n 1/0, 0027 ' 370 cazuri
(teste).
Există diverse seturi de reguli care pot fi folosite pentru luarea deciziei reglării echipa-
mentului. De exemplu regulile dezvoltate de Western Electric Company precizează, pen-
tru valorile de select, ie obt, inute pe fiecare es, antion, următoarele cazuri ı̂n care echipa-
mentul se poate comporta anormal:
1. 1 valoare a depăs, it limita pentru k = 3;
2. 2 din ultimele 3 valori au depăs, it limita pentru k = 2;
3. 4 din ultimele 5 valori au depăs, it limita pentru k = 1;
4. 8 valori consecutive sunt de aceeas, i parte a lui XC;
5. 6 valori consecutive merg ı̂n aceeas, i direct, ie (ı̂n sus sau ı̂n jos) indică o deviere
sistematică;
6. 14 valori consecutive merg alternativ ı̂n sus s, i ı̂n jos indică oscilat, ii ı̂n comportarea
echipamentului.
Aplicând aceste reguli pentru M (X) s, i σ(X) se pot detecta momentele când echipa-
mentul pierde acuratet, e sau precizie. Totus, i e posibil ca aceste comportamente să apară
pur aleator, fara ca echipamentul sa fi suferit o pierdere ı̂n calitate. Pentru toate regulile
de mai sus, acest lucru se ı̂ntâmplă ı̂n 1 caz din aproximativ 92 de teste.
29
Figura 1.6: Diagrame Shewhart pentru M (X) s, i σ(X). Pentru M (X) limitele superioare
√ √
s, i inferioare sunt LIk = XC − k · σ(X)/ n, LSk = XC + k · σ(X)/ n. Pentru σ(X)
acestea pot fi calculate la acelas, i nivel de semnificat, ie ca intervalele date de limitele
pentru M (X).
30
31
32
Capitolul 2
Teoria fiabilităt, ii
33
⇒ f (t) = λ(t)R(t); (2.4)
Alte relat, ii utile sunt:
ˆ t ˆ ∞
F (t) = f (t)dt, R(t) = f (t)dt; (2.5)
0 t
ˆ ∞ ˆ ∞ ˆ ∞
dR(t)
M T BF = tf (t)dt = − t dt = −tR(t)|∞
0 + R(t)dt ⇒
0 0 dt 0
ˆ ∞
⇒ M T BF = R(t)dt. (2.6)
0
În multe cazuri practice graficul ratei căderilor λ(t) are o formă tipică asemănătoare
cu o cadă de baie (fig. 2.1). Aceasta apare din cauza diferitelor mecanisme care duc la
defectarea unui aparat, echipament etc. Astfel, viat, a unui aparat poate fi ı̂mpărt, ită ı̂n
3 etape: etapa infantilă (EI) ı̂n care pot apărea defecte precoce care pot fi defecte de
fabricat, ie care au rămas ascunse, etapa viet, ii utile (EV) ı̂n care apar defecte accidentale
(aleatorii) astfel ı̂ncât rata căderilor este aproximativ constantă s, i etapa uzurii (EU) ı̂n
care se manifestă tot mai mult uzura alături de defectele accidentale. Etapa infantilă
poate fi evitată ı̂n exploatare dacă aparatele sunt testate ı̂n condit, ii normale de lucru
pentru o anumită perioada de timp (perioadă de rodaj) astfel ı̂ncât defectele de fabricat, ie
să se manifeste s, i aparatele afectate să fie eliminate sau reparate ı̂nainte de utilizarea lor
propriu-zisă.
Unele repartit, ii de probabilitate folosite ı̂n teoria fiabilităt, ii sunt:
Repartit, ia exponent, ială
Aceasta are rata căderilor λ = const. s, i funct, iile caracteristice:
34
Figura 2.1: Curba de tip ”cadă de baie” a ratei căderilor.
35
Figura 2.2: Sisteme serie s, i paralel.
o parte din componente s-au defectat. De exemplu componentele cu timp de viat, ă scurt
pot fi grupate astfel ı̂ncât o parte din ele să poată prelua funct, iile celorlalte componente
dacă s-au defectat.
În continuare vom vedea câteva tipuri de structuri de fiabilitate ale unor sisteme
formate din mai multe componente. Aceste structuri nu reflectă gruparea fizică a com-
ponentelor, ci ordinea componentelor care asigură buna funct, ionare a sistemului. În
schemele asociate se poate considera că probabilitatea ca sistemul să funct, ioneze ”curge”
de la un capăt la altul; sistemul funct, ionează dacă există o cale continuă de la un capăt
al sau la celălalt printr-o parte din componentele sale.
Sisteme serie
Acestea sunt sisteme ı̂n care defectarea unei componente atrage defectarea ı̂ntregului
sistem. Din punctul de vedere al fiabilităt, ii, sistemul serie poate fi reprezentat ca o legare
ı̂n serie a componentelor (fig. 2.2). Considerăm că fiecare componentă are rata căderilor
λi = const. s, i repartit, ia exponent, ială pentru timpul de bună funct, ionare. Atunci prob-
abilitatea ca sistemul să funct, ioneze la timpul t este egală cu probabilitatea ca toate
componentele sale să funct, ioneze la t:
Y P X
Rs (t) = Ri (t) = e− i λi t
= e−λs t ⇒ λs = λi . (2.17)
i i
1 M T BFi
M T BFs = = , (2.18)
nλ n
36
Figura 2.3: Sisteme mixte.
Sistemul se defectează dacă se defectează toate componentele sale. În termeni de prob-
abilitate la timpul t aceasta ı̂nseamnă:
Y Y
1 − Rp (t) = (1 − Ri (t)) ⇒ Rp (t) = 1 − (1 − Ri (t)). (2.20)
i i
În acest caz M T BFp ≥ M T BFi s, i sistemul paralel e mai bun decât componentele sale.
Sistemul paralel prezintă redundant, ă (funct, ionarea este asigurată de mai multe com-
ponente ı̂n acelas, i timp). În general redundant, a poate fi activă dacă toate componentele
funct, ionează ı̂n acelas, i timp sau pasivă dacă fiecare componentă intră ı̂n funct, iune la
defectarea altei componente, iar celelalte componente sunt t, inute ı̂n rezervă.
Sisteme mixte
Acestea sunt combinat, ii de sisteme serie s, i sisteme paralel (fig. 2.3). Fiabilitatea se
calculează ca o combinat, ie a fiabilităt, ilor sistemelor serie s, i paralel.
a) Sisteme serie-paralel
Acestea sunt formate din m×n componente, câte n legate ı̂n serie, formând m ramuri
37
care apoi sunt legate ı̂n paralel. Fiabilitatea ramurii i este:
n
Y
Ri = Rij (2.22)
j=1
a) Sisteme paralel-serie
Acestea sunt formate din n grupări paralel de câte m componente, grupările fiind
legate ı̂n serie. Fiabilitatea grupării j este:
m
Y
Rj = 1 − (1 − Rij ) (2.24)
i=1
38
Figura 2.4: Simboluri folosite ı̂n arborii de defectare.
39
Figura 2.5: Schema unui filtru.
Tabelul 2.1: Parametrii fiabilităt, ii componentelor din fig. 2.5. Valorile calculate au fost
rotunjite.
P (A+B) = P (A)+P (B)−P (A·B) = P (A)+P (B)−P (A)·P (B) ' P (A)+P (B). (2.27)
Din probabilitatea de defectare a sistemului se poate estima apoi fiabilitatea acestuia.
Exemplul 3. Un filtru are schema din figura 2.5. Se cunoas, te media timpului de
bună funct, ionare a componentelor M T BFi (tabelul 2.1). De aici se poate calcula rata
de defectare a componentelor, presupunând că este constantă ı̂n timp (timpul de bună
funct, ionare are o repartit, ie exponent, ială) λi = 1/M T BFi . Ne interesează care este prob-
abilitatea de defectare a filtrului ı̂ntr-o perioadă de 1 lună. Probabilitatea de defectare
a componentelor ı̂ntr-o lună este:
unde aproximarea este făcută ı̂n ipoteza că λi t 1 cu t = 1 lună = 1/12 ani. Aceste
date sunt calculate ı̂n tabel.
Mai ı̂ntâi vom obt, ine schema de fiabilitate a filtrului s, i apoi arborele de defectare
(fig. 2.6). În funct, ie de rolul pe care trebuie să ı̂l joace filtrul vom considera 2 cazuri:
Cazul 1. Toate componentele sunt esent, iale pentru buna funct, ionare: În
acest caz schema de fiabilitate a filtrului va fi cu legare ı̂n serie. Filtrul este defect dacă
oricare din componente este defectă. Arborele de defectare este cu o singură poartă
”sau” (fig. 2.6). Deoarece probabilităt, ile de defectare ale componentelor ı̂n 1 lună sunt
relativ mici, probabilitatea de defectare a sistemului se poate calcula ca suma acestora:
40
Figura 2.6: Schemele de fiabilitate s, i arborii de defectare pentru filtru ı̂n cele 2 cazuri.
Cazul 2. R, L s, i unul din condensatori sunt necesari pentru buna funct, ionare:
Acest caz apare atunci când funct, ia de transfer a filtrului nu este impusă stringent.
Schema de fiabilitate este cea din figura 2.6. Filtrul este defect dacă este defectă R sau
L sau blocul C+Ce; ultimul este defect dacă atât C cât s, i Ce sunt defecte. Din arborele
de defectare rezultă:
Pdef. bloc C+Ce ' Pdef. C · Pdef. Ce ,
Pdef. sistem ' Pdef. R + Pdef. L + Pdef. bloc C+Ce = Pdef. R + Pdef. L + Pdef. C · Pdef. Ce .
Se obt, ine Pdef. sistem ' 12, 65 · 10−3 ' 0, 012. Probabilitatea de defectare a sistemului
este mai mică decât ı̂n cazul precedent deoarece acum există o redundant, ă ı̂n schema de
fiabilitate (cei 2 condensatori ı̂ndeplinesc aceeas, i funct, ie).
Probabilitatea de defectare poate fi calculată s, i din fiabilitatea sistemului, care se
obt, ine aplicând schemei de fiabilitate regulile de calcul de la sistemele serie s, i paralel.
41
42
Bibliografie
[1] Cristina Cismas, iu, Adela Zară, Matematici pentru economis, ti: teoria proba-
bilităt, ilor s, i statistică matematică, Editura Universităt, ii Transilvania Bras, ov, 2002.
[3] Marius Iosifescu, Costache Moineagu, Vladimir Trebici, Emiliana Ursianu, Mică
enciclopedie de statistică, Editura S, tiint, ifică s, i Enciclopedică, 1985.
[4] Gheorghe Mihoc, Aneta Muja, Eugeniu Diatcu, Bazele matematice ale teoriei fia-
bilităt, ii, Editura Dacia, Cluj-Napoca, 1976.
[5] Valter Olariu, Valeriu Prepelit, ă, Matematici speciale, Editura Didactică s, i Peda-
gogică, Bucures, ti, 1985.
[6] I. Gh. S, abac, P. Cocârlan, O. Stănăs, ilă, A. Topală, Matematici speciale, Vol. II,
Editura Didactică s, i Pedagogică, Bucures, ti, 1983.
[8] Gheorghe Chit, ea, Biostatistica, Editura Universităt, ii ”Transilvania” Bras, ov, 1997.
[9] Gh. Mihoc, N. Micu, Teoria probabilităt, ilor s, i statistică matematică, Editura Di-
dactică s, i Pedagogică, Bucures, ti, 1980.
[10] Val. Gh. Panaite, Radu I. Munteanu, Control statistic s, i fiabilitate, Editura Didac-
tică s, i Pedagogică, Bucures, ti, 1982.
[11] Ciobanu, Lucian, Control statistic s, i fiabilitate: Baze teoretice s, i aplicat, ii ı̂n elec-
trotehnică, Universitatea Tehnică ”Gh. Asachi” Ias, i, 1999.
[12] W.E. Vesely, F.F. Goldberg, N.H. Roberts, D.F. Haasl, Fault Tree Handbook,
U.S. Nuclear Regulatory Commission, 1981, https://www.nrc.gov/reading-rm/
doc-collections/nuregs/staff/sr0492/
43
[14] Eric W. Weisstein, MathWorld - A Wolfram Web Resource, http://mathworld.
wolfram.com
44