Skip to main content

függelék A — Valószínűségszámítási összefoglaló

Ez a függelék a könyvben használt valószínűségszámítási fogalmakat és összefüggéseket foglalja össze. Nem helyettesít egy tankönyvet, hanem a fejezetekben felhasznált eszközök gyors felidézését szolgálja; a részletes tárgyalás például Rausand, Barros és Høyland (Rausand és mtsai. 2020), valamint Modarres, Kaminskiy és Krivtsov (Modarres és mtsai. 2016) könyvében található.

A.1. Események és valószínűség

Egy véletlen kísérlet lehetséges kimeneteinek halmaza az eseménytér \(\Omega\), ennek részhalmazai az események. A \(P\) valószínűség Kolmogorov axiómái szerint: \(P(A) \ge 0\); \(P(\Omega) = 1\); egymást kizáró eseményekre \(P(A \cup B) = P(A) + P(B)\). Ebből következik a komplementer szabálya, \(P(\bar{A}) = 1 - P(A)\), és két tetszőleges eseményre

\[ P(A \cup B) = P(A) + P(B) - P(A \cap B) . \]

Több eseményre a szita-formula (inklúzió–exklúzió) általánosítja ezt; a hibafa csúcseseményének pontos valószínűsége ezzel számolható a minimális vágatokból (10.4.2. szakasz). Ha az események valószínűsége kicsi, a metszetek elhanyagolhatók, és \(P(\bigcup A_i) \approx \sum P(A_i)\): ez a ritkaesemény-közelítés, amely koherens rendszerekre mindig felső korlát.

A feltételes valószínűség \(P(A \mid B) = P(A \cap B)/P(B)\), ha \(P(B) > 0\). Két esemény független, ha \(P(A \cap B) = P(A)\,P(B)\), azaz \(P(A \mid B) = P(A)\). A függetlenség és a kizárólagosság két különböző fogalom: két egymást kizáró, pozitív valószínűségű esemény sosem független. A redundáns rendszerek számításában a függetlenség feltevése a legkritikusabb; a közös okú meghibásodások éppen ennek sérülését írják le (10.6. szakasz).

Ha \(B_1, \dots, B_n\) az eseménytér egy felosztása, a teljes valószínűség tétele szerint \(P(A) = \sum_i P(A \mid B_i)\,P(B_i)\), és a Bayes-tétel szerint

\[ P(B_j \mid A) = \frac{P(A \mid B_j)\,P(B_j)}{\sum_i P(A \mid B_i)\,P(B_i)} . \]

Mit jelent egy riasztás?

Egy berendezésnél a veszélyes hiba előfordulási valószínűsége egy adott ellenőrzéskor 1%. A diagnosztika a valódi hibát 99%-os valószínűséggel jelzi, de hibátlan állapotban is 5%-os valószínűséggel ad téves riasztást. Ha riasztás van, mekkora a valódi hiba valószínűsége? A Bayes-tétel szerint \(0{,}01\cdot0{,}99/(0{,}01\cdot0{,}99 + 0{,}99\cdot0{,}05) = 0{,}167\). A riasztások hatoda valódi: egy ritka hibánál még egy jó diagnosztika is többségében téves riasztást ad. Ez a jelenség a riasztáskezelés és a kezelői bizalom egyik alapproblémája (16.4. szakasz).

A.2. Valószínűségi változók és eloszlások

Egy \(X\) valószínűségi változó eloszlásfüggvénye \(F(x) = P(X \le x)\); folytonos esetben a sűrűségfüggvény \(f(x) = F'(x)\). A várható érték \(E[X] = \int x f(x)\,dx\), a szórásnégyzet \(\text{Var}(X) = E[(X - E[X])^2]\). Ha \(X\) egy elem élettartama, akkor \(F(t)\) a meghibásodási valószínűség, \(R(t) = 1 - F(t)\) a megbízhatóság, és \(\text{MTTF} = E[X] = \int_0^\infty R(t)\,dt\) (8. fejezet). A könyvben használt fő eloszlásokat a A.1. táblázat foglalja össze.

táblázat A.1: A könyvben használt fő eloszlások
Eloszlás Sűrűség- vagy valószínűségfüggvény Várható érték Alkalmazás a könyvben
binomiális \((n, p)\) \(\binom{n}{k}p^k(1-p)^{n-k}\) \(np\) k-ból-n rendszerek
Poisson \((\mu)\) \(\mu^k e^{-\mu}/k!\) \(\mu\) meghibásodások száma adott idő alatt
exponenciális \((\lambda)\) \(\lambda e^{-\lambda t}\) \(1/\lambda\) állandó meghibásodási ráta, Markov-modellek
Weibull \((\beta, \eta)\) \(\frac{\beta}{\eta}\left(\frac{t}{\eta}\right)^{\beta-1} e^{-(t/\eta)^\beta}\) \(\eta\,\Gamma(1 + 1/\beta)\) korai, véletlen és elhasználódásos meghibásodások
normális \((\mu, \sigma)\) \(\frac{1}{\sigma\sqrt{2\pi}} e^{-(x-\mu)^2/(2\sigma^2)}\) \(\mu\) mérési hibák, közelítések
lognormális \((\mu, \sigma)\) \(\frac{1}{x\sigma\sqrt{2\pi}} e^{-(\ln x-\mu)^2/(2\sigma^2)}\) \(e^{\mu+\sigma^2/2}\) bizonytalan paraméterek, javítási idők
gamma \((a, b)\) \(\frac{b^a}{\Gamma(a)} x^{a-1} e^{-bx}\) \(a/b\) a meghibásodási ráta bayesi becslése
\(\chi^2\) \((\nu)\) a gamma \((\nu/2, 1/2)\) speciális esete \(\nu\) a ráta konfidenciakorlátai

A lognormális eloszlás a valószínűségi biztonsági elemzések szokásos modellje a bizonytalan paraméterekre. Ha \(\ln X\) normális eloszlású \(\mu\) várható értékkel és \(\sigma\) szórással, akkor \(X\) mediánja \(e^{\mu}\), és a hibatényező \(\text{EF} = e^{1{,}645\sigma}\) a 95%-os és az 50%-os kvantilis hányadosa (Modarres és mtsai. 2016). Például \(\text{EF} = 3\) esetén \(\sigma = 0{,}668\), és a várható érték a medián 1,25-szöröse; ezért a 10.7. szakasz Monte Carlo-szimulációjában a csúcsesemény várható értéke nagyobb volt a pontbecslésnél.

A.3. A Poisson-folyamat

Ha a meghibásodások egymástól függetlenül, állandó \(\lambda\) intenzitással következnek be (és a meghibásodott elemet azonnal kicseréljük), a \((0, t]\) időszakban bekövetkező meghibásodások száma \(\lambda t\) paraméterű Poisson-eloszlású:

\[ P(N(t) = k) = \frac{(\lambda t)^k}{k!}\,e^{-\lambda t}, \qquad k = 0, 1, 2, \dots \]

Az első meghibásodásig eltelt idő exponenciális eloszlású, és a folyamat emlékezet nélküli: \(P(T > t + s \mid T > t) = P(T > s)\). Egy már \(t\) ideje működő elem további élettartama tehát ugyanolyan eloszlású, mint egy újé. Ez a tulajdonság teszi lehetővé a Markov-modellek egyszerű felírását (12. fejezet), de egyben a korlátja is: öregedő elemekre nem érvényes.

Kis \(\lambda t\) esetén \(P(N(t) \ge 1) = 1 - e^{-\lambda t} \approx \lambda t\), és két vagy több meghibásodás valószínűsége elhanyagolható. Például \(\lambda t = 0{,}1\) mellett \(P(N \ge 1) = 0{,}095\), \(P(N = 2) = 0{,}0045\).

A.4. A meghibásodási ráta becslése

Ha \(T\) összes üzemidő alatt \(r\) meghibásodást figyeltünk meg (időcenzúrázott adat), a ráta maximum likelihood becslése \(\hat{\lambda} = r/T\), és az egyoldali \(1-\alpha\) szintű felső konfidenciakorlát

\[ \lambda_{1-\alpha} = \frac{\chi^2_{1-\alpha}(2r + 2)}{2T} , \]

ahol \(\chi^2_{1-\alpha}(\nu)\) a \(\nu\) szabadsági fokú \(\chi^2\)-eloszlás \(1-\alpha\) kvantilise (8. fejezet). Hibamentes tapasztalat (\(r = 0\)) esetén ebből \(\lambda_{1-\alpha} = -\ln\alpha/T\); ez a 18.1.1. szakasz becslésének alapja.

A bayesi becslés az előzetes tudást (például iparági adatbázisok értékét) kombinálja a saját megfigyelésekkel. Ha a ráta előzetes eloszlása gamma \((a, b)\), és \(T\) idő alatt \(r\) meghibásodás történt, az utólagos eloszlás gamma \((a + r, b + T)\), várható értéke \((a + r)/(b + T)\).

Bayesi frissítés

A 8. fejezet távadóiról 250 darab négy éven át gyűjtött adata szerint \(T = 8{,}76\cdot10^{6}\) óra alatt \(r = 3\) meghibásodás történt (\(\hat{\lambda} = 3{,}42\cdot10^{-7}\,\text{h}^{-1}\)). Tegyük fel, hogy egy iparági adatbázis alapján az előzetes várakozás \(5\cdot10^{-7}\,\text{h}^{-1}\), amelyet egy gyengén informatív, \(a = 2\), \(b = 4\cdot10^{6}\) óra paraméterű gamma-eloszlással írunk le. Az utólagos eloszlás gamma \((5;\ 1{,}276\cdot10^{7}\,\text{h})\), várható értéke \(3{,}92\cdot10^{-7}\,\text{h}^{-1}\), 90%-os felső korlátja \(6{,}26\cdot10^{-7}\,\text{h}^{-1}\). A saját adatok a becslést az iparági értéknél kedvezőbb irányba mozdították, de nem annyira, mint a puszta maximum likelihood becslés, mert az előzetes tudás is számít.

A.5. Hasznos közelítések

A biztonsági számításokban gyakran használt közelítések, amelyek kis valószínűségeknél (\(x \ll 1\)) pontosak:

  • \(1 - e^{-x} \approx x\), így \(F(t) \approx \lambda t\), ha \(\lambda t \ll 1\);
  • \(1 - \prod_i (1 - q_i) \approx \sum_i q_i\) (a VAGY-kapu és a soros rendszer ritkaesemény-közelítése);
  • egy periodikusan, \(T_1\) időközönként tesztelt elem átlagos meghibásodási valószínűsége \(\frac{1}{T_1}\int_0^{T_1} \lambda t\,dt = \lambda T_1/2\);
  • két egyszerre tesztelt elem együttes meghibásodási valószínűségének időátlaga \(\frac{1}{T_1}\int_0^{T_1} (\lambda t)^2\,dt = \lambda^2 T_1^2/3\), ami az egyedi átlagok szorzatának 4/3-szorosa (10. fejezet).

Mindegyik közelítésnél érdemes ellenőrizni, hogy a feltétel (\(\lambda t \ll 1\), kis \(q_i\)) valóban teljesül-e; például egy évtizedes nagyjavítási időközzel számolt, rejtett meghibásodásoknál (\(\lambda T_M \approx 0{,}2\)) a lineáris közelítés már néhány százalékos hibát okoz (12.5.1. szakasz).