Простейший вид гамма-распределения - это распределение с плотностью

где - параметр сдвига, - гамма-функция, т.е.

(2)

Каждое распределение можно "развернуть" в масштабно-сдвиговое семейство. Действительно, для случайной величины , имеющей функцию распределения, рассмотрим семейство случайных величин, где- параметр масштаба, а- параметр сдвига. Тогда функция распределенияесть.

Включая каждое распределение с плотностью вида (1) в масштабно-сдвиговое семейство, получаем принятую в параметризацию семейства гамма-распределений:

Здесь - параметр формы,- параметр масштаба,- параметр сдвига, гамма-функциязадается формулой (2).

В литературе имеются и иные параметризации. Так, вместо параметра часто используют параметр. Иногда рассматривают двухпараметрическое семейство, опуская параметр сдвига, но сохраняя параметр масштаба или его аналог - параметр. Для некоторых прикладных задач (например, при изучении надежности технических устройств) это оправдано, поскольку из содержательных соображений представляется естественным принять, что плотность распределения вероятностей положительна для положительных значений аргумента и только для них. С этим предположением связана многолетняя дискуссия в 80-х годах о "назначаемых показателях надежности", на которой не будем останавливаться.

Частные случаи гамма-распределения при определенных значениях параметров имеют специальные названия. При имеем экспоненциальное распределение. При натуральномигамма-распределение - это распределение Эрланга, используемое, в частности, в теории массового обслуживания. Если случайная величинаимеет гамма-распределение с параметром формытаким, что- целое число,и, тоимеет распределение хи-квадратсстепенями свободы.

Области применения гамма-распределения

Гамма-распределение имеет широкие приложения в различных областях технических наук (в частности, в надежности и теории испытаний), в метеорологии, медицине, экономике . В частности, гамма-распределению могут быть подчинены общий срок службы изделия, длина цепочки токопроводящих пылинок, время достижения изделием предельного состояния при коррозии, время наработки до k-го отказа и т.д. . Продолжительность жизни больных хроническими заболеваниями, время достижения определенного эффекта при лечении в ряде случаев имеют гамма-распределение. Это распределение оказалось наиболее адекватным для описания спроса в ряде экономико-математических моделей управления запасами .

Возможность применения гамма-распределения в ряде прикладных задач иногда может быть обоснована свойством вопроизводимости: сумма независимых экспоненциально распределенных случайных величин с одним и тем же параметромимеет гамма-распределение с параметрами формы, масштабаи сдвига. Поэтому гамма-распределение часто используют в тех прикладных областях, в которых применяют экспоненциальное распределение.

Различным вопросам статистической теории, связанным с гамма-распределением, посвящены сотни публикаций (см. сводки ). В данной статье, не претендующей на всеохватность, рассматриваются лишь некоторые математико-статистические задачи, связанные с разработкой государственного стандарта .

Рассмотрим Гамма распределение, вычислим его математическое ожидание, дисперсию, моду. С помощью функции MS EXCEL ГАММА.РАСП() построим графики функции распределения и плотности вероятности. Сгенерируем массив случайных чисел и произведем оценку параметров распределения.

Гамма распределение (англ. Gamma distribution ) зависит от 2-х параметров: r (определяет форму распределения) и λ (определяет масштаб). этого распределения задается следующей формулой:

где Г(r) – гамма-функция:

если r – положительное целое, то Г(r)=(r-1)!

Вышеуказанная форма записи плотности распределения наглядно показывает его связь с . При r=1 Гамма распределение сводится к Экспоненциальному распределению с параметром λ.

Если параметр λ – целое число, то Гамма распределение является суммой r независимых и одинаково распределенных по экспоненциальному закону с параметром λ случайных величин x . Таким образом, случайная величина y = x 1 + x 2 +… x r имеет гамма распределение с параметрами r и λ.

, в свою очередь, тесно связано с дискретным . Если Распределение Пуассона описывает число случайных событий, произошедших за определенный интервал времени, то Экспоненциальное распределение, в этом случае,описывает длину временного интервала между двумя последовательными событиями.

Из этого следует, что, например, если время до наступления первого события описывается экспоненциальным распределением с параметром λ, то время до наступления второго события описывается гамма распределением с r = 2 и тем же параметром λ.

Гамма распределение в MS EXCEL

В MS EXCEL принята эквивалентная, но отличающаяся параметрами форма записи плотности гамма распределения .

Параметр α (альфа ) эквивалентен параметру r , а параметр b (бета ) – параметру 1/λ . Ниже будем придерживаться именно такой записи, т.к. это облегчит написание формул.

В MS EXCEL, начиная с версии 2010, для Гамма распределения имеется функция ГАММА.РАСП() , английское название - GAMMA.DIST(), которая позволяет вычислить плотность вероятности (см. формулу выше) и (вероятность, что случайная величина X, имеющая гамма распределение , примет значение меньше или равное x).

Примечание : До MS EXCEL 2010 в EXCEL была функция ГАММАРАСП() , которая позволяет вычислить интегральную функцию распределения и плотность вероятности . ГАММАРАСП() оставлена в MS EXCEL 2010 для совместимости.

Графики функций

В файле примера приведены графики плотности распределения вероятности и интегральной функции распределения .

Гамма распределение имеет обозначение Gamma(альфа; бета).

Примечание : Для удобства написания формул в файле примера для параметров распределения альфа и бета созданы соответствующие .

Примечание : Зависимость от 2-х параметров позволяет построить распределения разнообразных форм, что расширяет применение этого распределения. Гамма распределение , как и Экспоненциальное распределение часто используется для расчета времени ожидания между случайными событиями. Кроме того, возможно использование применение этого распределения для моделирования уровня осадков и при проектировании дорог.

Как было показано выше, если параметр альфа = 1, то функция ГАММА.РАСП() возвращает с параметром 1/бета . Если параметр бета = 1, функция ГАММА.РАСП() возвращает стандартное гамма распределение .

Примечание : Т.к. является частным случаем гамма распределения , то формула =ГАММА.РАСП(x;n/2;2;ИСТИНА ) для целого положительного n возвращает тот же результат, что и формула =ХИ2.РАСП(x;n; ИСТИНА) или =1-ХИ2.РАСП.ПХ(x;n) . А формула =ГАММА.РАСП(x;n/2;2;ЛОЖЬ) возвращает тот же результат, что и формула =ХИ2.РАСП(x;n; ЛОЖЬ) , т.е. плотность вероятности ХИ2-распределения.

В файле примера на листе Графики приведен расчет гамма распределения равного альфа*бета и

Неотрицательная случайная величина имеет гамма-распределение , если ее плотность распределения выражается формулой

где и , – гамма-функция:

Таким образом, гамма-распределение является двухпараметрическим распределением, оно занимает важное место в математической статистике и теории надежности. Это распределение имеет ограничение с одной стороны .

Если параметр формы кривой распределения – целое число, то гамма-распределение описывает время, необходимое для появления событий (отказов), при условии, что они независимы и появляются с постоянной интенсивностью .

В большинстве случаев это распределение описывает наработку системы с резервированием отказов стареющих элементов, время восстановления системы с резервированием отказов стареющих элементов, время восстановления системы и т. д. При различных количественных значениях параметров гамма-распределение принимает самые разнообразные формы, что и объясняет его широкое применение.

Плотность вероятности гамма-распределения определяется равенством, если

Функция распределения . (9)

Заметим, что функция надежности выражается формулой:

Гамма-функция обладает свойствами: , , (11)

откуда следует, что если – целое неотрицательное число, то

Кроме того, нам в последующем потребуется еще одно свойство гамма-функции: ; . (13)

Пример. Восстановление радиоэлектронной аппаратуры подчиняется закону гамма-распределения с параметрами и . Определить вероятность восстановления аппаратуры за час.

Решение. Для определения вероятности восстановления воспользуемся формулой (9) .

Для целых положительных значений функции , а при .

Если перейти к новым переменным, значения которых будут выражены ; , то получим табличный интеграл:

В этом выражении решение интеграла в правой части можно определить по той же формуле:

а при будет

При и новые переменные будут равны и , а сам интеграл будет равен

Значение функции будет равно

Найдем числовые характеристики случайной величины , подчиненной гамма-распределению

В соответствии с равенством (13) получим . (14)

Второй начальный момент найдем по формуле

откуда . (15)

Заметим, что при интенсивность отказов монотонно убывает, что соответствует периоду приработки изделия. При интенсивность отказов возрастает, что характеризует период изнашивания и старения элементов.

При гамма-распределение совпадает с экспоненциальным распределением, при гамма-распределение приближается к нормальному закону. Если принимает значения произвольных целых положительных чисел, то такое гамма-распределение называют распределением Эрланга -го порядка :

Здесь достаточно лишь указать, что закону Эрланга -го порядка подчинена сумма независимых случайных величин , каждая из которых распределена по показательному закону с параметром . Закон Эрланга -го порядка тесно связан со стационарным пуассоновским (простейшим) потоком с интенсивностью .

Действительно, пусть имеется такой поток событий во времени (рис. 6).

Рис. 6. Графическое представление пуассоновского потока событий во времени

Рассмотрим интервал времени , состоящий из суммы интервалов между событиями в таком потоке. Можно доказать, что случайная величина будет подчинена закону Эрланга -го порядка.

Плотность распределения случайной величины , распределенной по закону Эрланга -го порядка, может быть выражена через табличную функцию распределения Пуассона:

Если значение кратно и , то гамма-распределение совпадает с распределением хи-квадрат .

Заметим, что функцию распределения случайной величины можно вычислить по следующей формуле:

где определяются выражениями (12) и (13).

Следовательно, имеют место равенства, которые нам в дальнейшем пригодятся:

Пример. Поток производимых на конвейере изделий является простейшим с параметром . Все производимые изделия контролируются, бракованные укладываются в специальный ящик, в котором помещается не более изделий, вероятность брака равна . Определить закон распределения времени заполнения ящика бракованными изделиями и величину , исходя из того, чтобы ящик с вероятностью не переполнялся в течение смены.

Решение. Интенсивность простейшего потока бракованных изделий будет . Очевидно, что время заполнения ящика бракованными изделиями распределено по закону Эрланга

с параметрами и :

следовательно (18) и (19): ; .

Число бракованных изделий за время будет распределено по закону Пуассона с параметром . Следовательно, искомое число нужно находить из условия . (20)

Например, при [изделие/ч]; ; [ч]

из уравнения при

Случайная величина, имеющая распределение Эрланга, обладает следующими числовыми характеристиками (табл. 6).

Таблица 6

Заметим, что случайная величина, имеющая нормированное распределение Эрланга -го порядка, обладает следующими числовыми характеристиками (табл. 7).

Таблица 7

Равномерное распределение. Непрерывная величина Х распределена равномерно на интервале (a , b ), если все ее возможные значения находятся на этом интервале и плотность распределения вероятностей постоянна:

Для случайной величины Х , равномерно распределенной в интервале (a , b ) (рис. 4), вероятность попадания в любой интервал (x 1 , x 2 ), лежащий внутри интервала (a , b ), равна:

(30)


Рис. 4. График плотности равномерного распределения

Примерами равномерно распределенных величин являются ошибки округления. Так, если все табличные значения некоторой функции округлены до одного и того же разряда , то выбирая наугад табличное значение, мы считаем, что ошибка округления выбранного числа есть случайная величина, равномерно распределенная в интервале

Показательное распределение. Непрерывная случайная величина Х имеет показательное распределение

(31)

График плотности распределения вероятностей (31) представлен на рис. 5.

Рис. 5. График плотности показательного распределения

Время Т безотказной работы компьютерной системы есть случайная величина, имеющая показательное распределение с параметром λ , физический смысл которого – среднее число отказов в единицу времени, не считая простоев системы для ремонта.

Нормальное (гауссово) распределение. Случайная величина Х имеет нормальное (гауссово) распределение , если плотность распределения ее вероятностей определяется зависимостью:

(32)

где m = M (X ) , .

При нормальное распределение называется стандартным .

График плотности нормального распределения (32) представлен на рис. 6.

Рис. 6. График плотности нормального распределения

Нормальное распределение является наиболее часто встречающимся в различных случайных явлениях природы. Так, ошибки выполнения команд автоматизированным устройством, ошибки вывода космического корабля в заданную точку пространства, ошибки параметров компьютерных систем и т.д. в большинстве случаев имеют нормальное или близкое к нормальному распределение. Более того, случайные величины, образованные суммированием большого количества случайных слагаемых, распределены практически по нормальному закону.

Гамма-распределение. Случайная величина Х имеет гамма-распределение , если плотность распределения ее вероятностей выражается формулой:

(33)

где – гамма-функция Эйлера.

Гамма-распределение

Гамма-распределение является двухпараметрическим распределением. Оно занимает достаточно важное место в теории и практике надежности. Плотность распределения имеет ограничение с одной стороны (). Если параметр а формы кривой распределения принимает целое значение, это свидетельствует о вероятности появления такого же числа событий (например, отказов)

при условии, что они независимы и появляются с постоянной интенсивностью λ (см. рис. 4.4).

Гамма-распределение широко применяют при описании появления отказов стареющих элементов, времени восстановления, наработки на отказ резервированных систем. При различных параметрах гамма-распределение принимает разнообразные формы, что и объясняет его широкое применение.

Плотность вероятности гамма-распределения определяется равенством

где λ > 0, α > 0.

Кривые плотности распределения приведены на рис. 4.5.

Рис. 4.5.

Функция распределения

Математическое ожидание и дисперсия равны соответственно

При α < 1 интенсивность отказов монотонно убывает, что соответствует периоду приработки изделия, при α > 1 – возрастает, что характерно для периода изнашивания и старения элементов.

При α = 1 гамма-распределение совпадает с экспоненциальным распределением, при α > 10 гамма-распределение приближается к нормальному закону. Если а принимает значения произвольных целых положительных чисел, то такое гамма-распределение называют распределением Эрланга. Если λ = 1/2, а значение а кратно 1 /2, то гамма-распределение совпадает с распределением χ2 (хи-квадрат ).

Установление функции распределения показателей надежности по результатам обработки данных статистической информации

Наиболее полной характеристикой надежности сложной системы является закон распределения, выраженный в виде функции распределения, плотности распределения или функции надежности.

О виде теоретической функции распределения можно судить по эмпирической функции распределения (рис. 4.6), которая определяется из соотношения

где т, – число отказов на интервале времени t; N – объем испытаний; t i < t < t i+1 – интервал времени, на котором определяют эмпирическую функцию.

Рис. 4.6.

Построение эмпирической функции осуществляют, выполняя суммирование приращений, полученных на каждом интервале времени:

где k – число интервалов.

Эмпирическая функция надежности является функцией, противоположной функции распределения; ее определяют по формуле

Оценку плотности вероятности находят по гистограмме. Построение гистограммы сводится к следующему. Всю область значений времени t разбивают на интервалы t 1, t 2, ..., t i и для каждого из них осуществляют оценку плотности вероятности по формуле

где т i – число отказов на i -м интервале, i = 1, 2,..., k; (t i+1 – t i) – отрезок времени i -го интервала; N – объем испытаний; k – число интервалов.

Пример гистограммы приведен на рис. 4.7.

Рис. 4.7.

Сглаживая ступенчатую гистограмму плавной кривой, но ее виду можно судить о законе распределения случайной величины. В практике для сглаживания кривой часто, например, используют метод наименьших квадратов. Для более точного установления закона распределения необходимо, чтобы число интервалов было не менее пяти, а число реализаций, попадающих в каждый интервал, – не менее десяти.

Разночтения в понимании терминологии надежности

Проблема терминологии является достаточно сложной в различных областях науки и человеческой деятельности в целом. Известно, что споры о терминах ведутся в течение многих веков. Если коснуться переводов стихотворений, то можно увидеть яркое подтверждение этой мысли. Например, переводы такого всемирно известного шедевра, как "Гамлет", у Б. Л. Пастернака и Π. П. Гнедича резко отличаются. У первого из них смысл трагедии перевешивает музыку стиха, в отличие от второго. А оригинал "Гамлета", написанный языком XVI в., труден для понимания неангличанам, да и англичанам тоже, поскольку сам язык сильно эволюционировал за несколько веков, как, собственно, и любой другой язык в соответствии с законом синхронизма-десинхронизма.

Аналогичная картина наблюдается и в мировых религиях. Перевод Библии с церковно-славянского на русский язык, длившийся 25 лет, "развел" (вплоть до остановки перевода) святителя Филарета Московского (Дроздова) и крупнейшего церковного писателя – святителя Феофана Затворника (в ближайшее время запланировано издание собрания его сочинений в 42 т.). Переводы и уточнения "книги книг" Библии "переводят" людей в лагеря непримиримых врагов по жизни в нашем мире. Рождаются секты, еретики и герои, иногда даже льется кровь. А многочисленные переводы на русский язык основополагающей в сфере философии работы Иммануила Канта "Критика чистого разума" только укрепляют справедливость нашего тезиса о сложности проблемы терминологии (сверхбольшая система) в различных областях науки и человеческой деятельности в целом.

Антиномические явления имеют место в области науки и техники. Одно из решений проблемы обеспечения корректности и адекватности терминологии изложил Г. Лейбниц. Он в плане развития науки и техники в XVII в. предлагал для прекращения споров давать определения терминов с помощью универсального языка в цифровой форме (0011...).

Отметим, что в науке о надежности путь определения терминов традиционно решается на государственном уровне с помощью государственных стандартов (ГОСТов). Однако появление все более высокоинтеллектуальных технических систем, взаимодействие и сближение живых и неживых объектов, в них функционирующих, ставит новые, весьма трудные задачи обучения в педагогике и психологии, заставляет искать творческие компромиссные решения.

У зрелого и поработавшего в конкретной научной области, и в частности в области надежности, сотрудника актуальность вопросов терминологии не вызывает сомнений. Как писал Готфрид Вильгельм Лейбниц (в работе о создании универсального языка), споров было бы меньше, если бы термины были определены.

Разночтения в понимании терминологии надежности попытаемся сгладить следующими замечаниями.

Мы говорим "функция распределения" (ФР), опуская слово "наработка" или "отказ". Наработка чаще всего понимается как категория времени. Для невосстанавливаемых систем по смыслу более правильно надо говорить – интегральная ФР наработки до отказа, а для восстанавливаемых – наработка па отказ. А поскольку наработку чаще всего понимают как случайную величину, применяется отождествление вероятности безотказной работы (ВБР) и (1 – ФР), называемой в этом случае функцией надежности (ФН). Целостность такового подхода достигается за счет полной группы событий . Тогда

ВБР = ФН = 1 – ФР.

То же справедливо в отношении плотности распределения (ПР), которая является первой производной от ФР, в частности по времени, и, образно говоря, характеризует "скорость" появления отказов.

Полнота описания надежности изделия (в частности, для изделий разового применения), включающая динамику устойчивости поведения, характеризуется интенсивностью отказов через отношение ПР к ВБР и физически понимается как смена состояния изделия, а математически – введена в теории массового обслуживания через понятие потока отказов и ряд допущений в отношении самих отказов (стационарность, ординарность и др.).

Интересующихся этими вопросами, возникающими при выборе показателей надежности на этапе проектирования изделий, можно отослать к трудам таких именитых авторов, как А. М. Половко, Б. В. Гнеденко, Б. Р. Левин – выходцев из лаборатории надежности при Московском университете, руководимой А. Н. Колмогоровым, а также А. Я. Хинчина, E. С. Венцель, И. А. Ушакова, Г. В. Дружинина, А. Д. Соловьева, Ф. Байхельта, Ф. Прошана – основателей статистической теории надежности.

• См.: Колмогоров А. Н. Основные понятия теории вероятностей. М. : Мир, 1974.