Zmienna losowa i wprowadzenie do modelowania
Transkrypt
Zmienna losowa i wprowadzenie do modelowania
Zmienne losowe i wprowadzenie do modelowania probabilistycznego Opracował: Zbigniew Rudnicki 1 Spis treści • • • • • • • Modele matematyczne Zmienne deterministyczne i zmienne losowe Ciąg realizacji zmiennej losowej i jego statystyki Szeregi , histogramy, rozkład doświadczalny z próby Estymacja parametrów rozkładów z populacji Wybrane rozkłady teoretyczne Proces stochastyczny 2 1 Modele matematyczne i zmienne 3 Modele i symulacja Praktyka inżynierska często wymaga badania układów niedostępnych lub jeszcze nie istniejących (projektowanych) bądź badania układów istniejących w zakresie niemożliwym do zrealizowania lub nieopłacalnym. W tym celu stosuje się badania symulacyjne na różnego rodzaju modelach. Najczęściej stosowane są modele matematyczne. Każdy model, a więc i matematyczny, jest tylko hipotetycznym oraz przybliżonym i uproszczonym odwzorowaniem wybranych cech rzeczywistego układu - istotnych dla danego celu i typu badań (np.: ) 4 2 Modelowanie matematyczne • Opisywanie funkcjonowania układów (mechanicznych, elektrycznych, biologicznych, ekonomicznych czy innych) językiem matematyki przy użyciu równań oraz nierówności zawierających stałe, zmienne, operatory działań oraz funkcje. • Najbardziej podstawowym pojęciem w modelowaniu matematycznym jest zmienna. 5 DEFINICJA ZMIENNEJ Zmienna to symboliczna reprezentacja cechy, która posiada: NAZWĘ lub inny identyfikator np.: adres TYP określony przez strukturę (skalar, wektor , macierz, rekord, lista, ...) rodzaj wartości (liczbowe, tekstowe, logiczne, ...) dopuszczalny zakres wartości WARTOŚĆ (lub zbiór wartości jeśli jest to zmienna złożona) - konkretną w danej chwili, przy czym, w następnej chwili wartość ta może ulec zmianie 6 3 Zmienne • Model matematyczny bada zależności zmiennych wyjściowych od zmiennych wejściowych. Zmienne wejściowe Układ Zmienne wyjściowe • Za zmienne wyjściowe przyjmowane są takie wielkości fizyczne, których otrzymywanie jest celem działania układu. Pozostałe mogą być uznawane za wejściowe. • W maszynach i układach mechanicznych zmiennymi są np: siły. momenty, naprężenia, odkształcenia, parametry geometryczne i materiałowe, nazwy elementów, rodzaje więzów i in. 7 Zmienne c.d. Zazwyczaj wśród zmiennych wejściowych wyróżnia się: zmienne sterowalne i mierzalne zwane też zmiennymi decyzyjnymi zmienne wejściowe mierzalne lecz niesterowalne (na przykład temperatura otoczenia) zmienne mierzalne, niesterowalne i zachowujące w przybliżeniu stałe wartości w trakcie badań zmienne niesterowalne i niemierzalne uznawane za zakłócenia 8 4 Zmienne wyrażają a) cechy mierzalne: • otoczenia, • przetwarzanych mediów (materiałów, energii, informacji) • elementów układu (maszyny) b) mogą także reprezentować nazwy lub umowne wartości przypisane cechom niemierzalnym. Np.: zmienna NAZ_MASZ może przechowywać takie słowa jak: „tokarka”, „wiertarka”, „strugarka” - określające nazwy maszyn. 9 Rozróżnianie modeli matematycznych Modele matematyczne można rozróżniać między innymi ze względu na: • charakter zmiennych (ciągłe lub dyskretne, zmienne deterministyczne lub zmienne losowe) • typy równań i zależności między zmiennymi (statyczne lub dynamiczne, liniowe lub nieliniowe, o stałych skupionych lub rozłożonych) • sposoby rozwiązywania równań (analityczne lub numeryczne czyli metodami kolejnych przybliżeń) 10 5 Zmienne ciągłe i zmienne dyskretne Zmienne DYSKRETNE (czyli skokowe) przyjmują tylko określone wartości ze skończonego lub przeliczalnego zbioru (np.: liczba zębów, liczba uszkodzeń, znormalizowane średnica) Zmienne CIĄGŁE - posiadają nieskończenie wiele wartości w każdym dowolnym skończonym przedziale Przykłady: siła, temperatura, naprężenie W praktyce - ze względu na ograniczoną dokładność pomiaru i cyfrowy sposób zapisu (z ograniczona precyzją) - zmienne ciągłe ulegają dyskretyzacji 11 Zmienne proste i złożone czyli TYPY zmiennych ze względu na strukturę: • zmienna skalarna - jej wartość w danym momencie jest pojedynczą liczbą • wektor n wymiarowy - jego wartość jest ciągiem n liczb np.: może reprezentować przebieg zmian siły • macierz dwuwymiarowa (przestrzennie) np.: obraz zużytej powierzchni łożyska • macierz trójwymiarowa (przestrzennie) (ciąg macierzy dwuwymiarowych) np.: film pokazujący przebieg zużycia powierzchni • Inne zmienne złożone jak: rekordy, listy, stosy, kolejki, drzewa, sieci 12 6 Zmienne i modele deterministyczne To zmienne które posiadają w każdym momencie wartość określoną - czyli - zdeterminowaną, gdyż: • albo są dane • lub są wynikami obliczeń otrzymanymi dla tych danych Wyniki są uzyskiwane w sposób powtarzalny. Inaczej mówiąc matematyczny model deterministyczny, przy powtarzaniu obliczeń dla tych samych danych, produkuje dokładnie takie same wyniki. W praktyce zazwyczaj taka powtarzalność powiązana z dokładnością nie występuje. 13 Zmienne losowe i modele statystyczne (probabilistyczne) 14 7 Losowy charakter zmiennych Mimo powtarzania badania „w możliwie tych samych warunkach” nie uzyskujemy zazwyczaj jednakowych wyników (przy odpowiednio dużej dokładności), bo: • istnieją błędy pomiaru i błędy zadawania wartości • powszechne są zakłócenia szczególnie w warunkach przemysłowych • losowy charakter zmiennych może wynikać ze złożoności zjawisk np.:niestabilność, b.wiele stopni swobody, ... 15 Jaki przyjąć model? deterministyczny czy statystyczny • należy to do decyzji badacza, uzależnionej m.in. od: • metod stosowanych w danej dziedzinie, • dominującego czynnika (deterministycznego lub losowego) • posiadania (lub nie) danych statystycznych pozwalających wnioskować o rozkładach prawdopodobieństwa 16 8 Definicja zmiennej losowej Zmienna losowa to zmienna dla której nie da się przewidzieć ani określić jaką konkretną przyjmie wartość a jedynie można oszacować (lub założyć) rozkład prawdopodobieństwa występowania: a) poszczególnych wartości (dla zmiennej dyskretnej), b) lub wartości z poszczególnych przedziałów (dla zmiennej ciągłej) Rozkład ten może być stały w czasie (stacjonarny) lub zmienny (niestacjonarny) 17 Badanie zmiennych losowych 1) Wielokrotny pomiar = zebranie danych statystycznych - ZBIORÓW REALIZACJI zmiennych losowych. 2) Badanie częstości występowania wartości - HISTOGRAMY (zwykły, znormalizowany, skumulowany). 3) Jeśli histogram ma kształt zbliżony do krzywej Gauss’a to: • • • wyznaczenie parametrów (miar) tendencji centralnej wyznaczenie parametrów (miar) rozproszenia wyznaczenie parametrów (miar) odchyleń od rozkł. normalnego 4) Testy zgodności danych statystycznych z założonym rozkładem 5) Zastąpienie histogramu - przez dopasowaną do niego krzywą teoretyczną, na przykład: • • • rozkład normalny, rozkład Gamma, . . . . inny rozkład 6) Wyznaczanie prawdopodobieństw wystąpienia określonych zdarzeń a) analitycznie - na podstawie funkcji rozkładów teoretycznych b) symulacyjnie - przez generowanie wartości pseudolosowych (met. Monte Carlo) 18 9 Statystyki opisowe 19 Opis zmiennej losowej - podstawowe statystyki Dla zbioru realizacji zmiennej losowej można wyznaczać podstawowe parametry statystyczne opisowe - zwane STATYSTYKAMI Ich główne kategorie to: 1) miary tendencji centralnej 2) miary rozproszenia 3) miary odchyleń od rozkładu normalnego 20 10 Miary tendencji centralnej Średnia oznaczana jest czasem przez µ 21 Miary rozproszenia Wariancja = suma kwadratów odchyleń od średniej/N Odchylenie standardowe σ = pierwiastek z wariancji 22 11 Przykład: Z dwu pól A i B zebrano po N=9 owoców borówki amerykańskiej wyniki pomiarów średnic przedstawiono w tabeli. Wartości średnie są takie same ale rozproszenie wyników inne 23 Średnia i wariancja - przykład 24 12 Uogólnienie statystyk - momenty A więc: • wartość oczekiwana - to moment zwykły rzędu pierwszego • wariancja - to moment centralny rzędu drugiego 25 Miary odchyleń od „normalności” Skośność i kurtoza (eksces) histogramu Skośność określa asymetrię krzywej histogramu Eksces określa jak ostry lub łagodny kształt ma histogram 26 13 Miary odchyleń od „normalności” µ3 - trzeci moment centralny µ4 - czwarty moment centralny σ - odchylenie standardowe 27 Histogramy 28 14 Szeregi, histogram Mały ciąg realizacji (o liczności < 30) można uporządkować rosnąco. Powstaje w ten sposób: SZEREG POZYCYJNY Liczniejsze ciągi (>30) po uporządkowaniu dzieli się na przedziały i zlicza wartości w każdym przedziale. Powstaje w ten sposób: SZEREG ROZDZIELCZY Graficznym przedstawieniem szeregu rozdzielczego jest HISTOGRAM 29 Histogram Matematycznie - to wektor o tylu składowych ile mamy wartości lub przedziałów wartości zmiennej losowej. Każda składowa podaje częstość wystąpień wartości zmiennej losowej z przedziału odpowiadającego tej składowej Graficznie: - to słupkowy wykres częstości występowania poszczególnych wartości (lub wartości z kolejnych przedziałów) zmiennej losowej. Suma składowych (słupków) jest równa liczbie pomiarów N. 30 15 Przykładowe zadanie • Skontrolowano długość 20 gwoździ, które nominalnie powinny mieć 35 mm a w praktyce długość ich wahała się w granicach: 34,95mm do 35,05mm Na podstawie danych pomiarowych sporządzić histogram o 5-ciu słupkach odpowiadających 5-ciu równym przedziałom 31 Przykład Histogramu oszacuj prawdopodobieństwo, że dł.< 34,99mm 32 16 Funkcje dla histogramów w Mathcadzie 1) hist(XG, X) XG - wektor granic przedziałów ma LP+1 składowych gdzie LP = liczba przedziałów i słupków X - wektor danych pomiarowych W wyniku zwraca tylko wektor wysokości słupków -------------------------2) histogram(LP, X) LP = liczba przedziałów i słupków , X - wektor danych pomiarowych - ta funkcja sama wyznacza minimum i maksimum zakresu zmienności oraz granice przedziałów. W wyniku otrzymujemy dwukolumnową macierz - pierwsza kolumna to dane dla osi poziomej histogramu a druga - dane dla osi pionowej histogramu. 33 Badanie częstości występowania różnych wartości zmiennej losowej Sporządzenie HISTOGRAMU przez: • podział zakresu zmienności na przedziały • zliczenie ile wyników pomiarów mieści się w każdym przedziale • przedstawienie tego na wykresie słupkowym 34 17 Wyznaczanie histogramu w Mathcadzie przy pomocy funkcji hist: 35 Wyznaczanie histogramu w Mathcadzie przy pomocy funkcji histogram: Funkcja histogram sama określa zakres zmienności, więc jej wyniki mogą być nieco różne niż funkcji hist. Daje ona w wyniku macierz dwu-kolumnową, w której pierwsza kolumna stanowi dane dla osi poziomej histogramu (współrzędne środków słupków) a druga kolumna to dane dla osi pionowej histogramu (wysokości słupków). 36 18 Histogram - przykład 2 Przez 12 miesięcy notowano ile razy w miesiącu nastąpiło awaryjne wyłączenie pewnej maszyny z powodu przeciążenia. Wyniki zamieszczono w tabeli poniżej. Przez W oznaczono liczbę wyłączeń. Sporządzić HISTOGRAM Wmin = 1 Wmax = 4 liczba przedziałów: m=4 6 His togra m liczby a wa rii na mie s ią c Powtórzenia 5 4 3 2 1 0 1 2 3 Liczba awarii/m-c 4 37 Histogram znormalizowany Po podzieleniu składowych histogramu przez liczbę wszystkich pomiarów otrzymujemy histogram znormalizowany podający względną częstość i stanowiący oszacowanie prawdopodobieństwa wystąpienia poszczególnych wartości zmiennej losowej P ra wdopodobie ńs two liczby a wa rii / m-c 6/12 5/12 4/12 3/12 2/12 1/12 0 1 2 3 4 Liczba awarii na mies iąc 38 19 Histogram znormalizowany czyli doświadczalnie otrzymany, szacunkowy rozkład prawdopodobieństwa Graficznie - to słupkowy wykres częstości względnej występowania wartości zmiennej losowej. Matematycznie - to wektor o tylu składowych ile mamy wartości lub przedziałów wartości zmiennej losowej. Każda składowa podaje względną częstość wystąpień: • poszczególnych wartości - zmiennej losowej dyskretnej • wartości w poszczególnych przedziałach - dla zmiennej losowej ciągłej 39 Histogram znormalizowany dla zmiennej losowej dyskretnej: • podaje zbadaną doświadczalnie względną częstość występowania poszczególnych wartości zmiennej losowej • względna częstość to ułamek (<1) który podaje ile razy wystąpiła dana wartość zm. losowej w stosunku do liczby wszystkich pomiarów 40 20 Histogram znormalizowany dla zmiennej losowej ciągłej: • podaje zbadaną doświadczalnie względną częstość występowania wartości zmiennej losowej w przedziałach na jakie podzielono cały zakres. • Względna częstość to ułamek (<1) który podaje ile razy wystąpiły wartości zm. losowej ciągłej mieszczące się w danym przedziale, w stosunku do liczby wszystkich pomiarów. 41 Empiryczny rozkład prawdopodobieństwa Jeśli liczba pomiarów była dostatecznie duża oraz jeśli można założyć, że zjawiska będą w przyszłości zachodziły z podobną częstością - możemy słupki histogramu znormalizowanego traktować jako: oszacowanie prawdopodobieństwa • To założenie jest słuszne dla procesów stacjonarnych - czyli takich, których parametry statystyczne nie zmieniają się w czasie • Histogram znormalizowany jest w takim przypadku - otrzymanym w wyniku doświadczeń czyli empirycznym - rozkładem prawdopodobieństwa 42 21 Od histogramu do krzywej ciągłej Rozpatrzmy histogramy sporządzone dla zbioru N danych: • Dla histogramu zwykłego: suma wysokości słupków = liczbie danych N. • Dla histogramu znormalizowanego: suma wysokości słupków = N/N = 1 Chcąc otrzymać krzywą ciągłą trzeba zwiększać liczbę słupków histogramu do nieskończoności, ale wtedy ich wysokość zmaleje do zera Jest to zgodne z faktem, że prawdopodobieństwo wystąpienia konkretnej jednej wartości z nieskończenie wielu możliwych - jest równe zero 43 Histogram znormalizowany Suma wys. słupków=1 7 przedziałów wysokość słupków maleje: 45 przedziałów 44 22 Od histogramu do krzywej ciągłej c.d. - histogram skumulowany Jak wykazano: histogramu zwykłego lub znormalizowanego nie da się bezpośrednio zagęścić do krzywej ciągłej. Można jednak tego dokonać dla histogramu skumulowanego. W histogramie skumulowanym wysokość i - tego słupka jest sumą słupków histogramu znormalizowanego od 1 do i 45 Histogram skumulowany czyli dystrybuanta empiryczna 46 23 Dystrybuanta czyli rozkład skumulowany (CDF) (ang.: CDF - Cumulative Distribution Function) Dystrybuanta F(x) to funkcja podająca prawdopodobieństwa nie przekroczenia przez zmienną losową poszczególnych wartości x A więc dla dowolnego punktu [a, F(a)] na krzywej dystrybuanty: rzędna F(a) tego punktu podaje prawdopodobieństwo, że zmienne losowa nie przekroczy wartości a: F(a) = p(x<a) 47 Histogram znormalizowany oraz SKUMULOWANY - dystrybuanta empiryczna 48 24 Rozkład SKUMULOWANY czyli DYSTRYBUANTA Dla każdego rozkładu dystrybuanta zmiennej losowej X zawsze: • na osi poziomej zaczyna się w Xmin a kończy w Xmax • na osi pionowej - gdzie wyrażane jest prawdopodobieństwo - zaczyna się od zera a kończy na 1 bo z definicji: • prawdopodobieństwo, że X<Xmin jest zerowe (zdarzenie niemożliwe) • prawdopodobieństwo, że X<Xmax jest równe 1 (zdarzenie pewne) 49 Krzywe: f(x) = gęstość prawdopodobieństwa oraz F(x) = dystrybuanta - dla rozkładu normalnego Funkcja f(x) gęstości prawdopodobieństwa (ang.: density) jest pochodną dystrybuanty F(x) Pole pod krzywą wyraża prawdopodobieństwo. ================================================= Dystrybuanta F(x) czyli rozkład skumulowany Pozwala odczytywać prawdopodobieństwo na osi rzędnych [jest całką z funkcji gęstości rozkładu prawdopodobieństwa f(x)] 50 25 Funkcje do rozkładów w Mathcadzie - mają nazwy rozpoczynające się od liter: R - od random - generatory liczb pseudolosowych D - od density - krzywe gęstości prawdopodobieństwa P - od probability - dystrybuanty (rozkł. skumulowane) 51 Funkcje Mathcad’a dla rozkładu normalnego 52 26 Rozkłady teoretyczne Rozkłady teoretyczne to krzywe (funkcje) opisane wzorami, które dopasowuje się do rozkładów doświadczalnych (czyli histogramów znormalizowanych) Najbardziej znany i najczęściej stosowany jest ROZKŁAD NORMALNY wyrażony krzywą Gauss’a Inne rozkłady używane w badaniach eksploatacyjnych to np.: • Log-normalny • Wykładniczy • Weibull’a • Raileigh’a • Beta • Poisson’a • Gama 53 Rozkład normalny (gęstości prawdopodobieństwa) Jednym z podstawowych rozkładów zmiennej losowej ciągłej jest rozkład normalny. Jest on opisany symetryczną krzywą Gaussa. W przedziale: m ± 3σ σ mieści się 99.73% wartości zmiennej losowej = Reguła trzech sigm m ± 2σ σ mieści się 95,45% wartości zmiennej losowej, m ± σ mieści się 68,27% wartości zmiennej losowej. 54 27 Reguła trzech sigm 55 Od histogramu do rozkładu Przykład 2 - obliczenia w Mathcadzie (1) W ciągu dwu miesięcy rejestrowano godziny przyjazdu autobusu a dokładniej ile minut po ósmej przyjechał autobus, który według rozkładu powinien być 10 minut po ósmej. Chcemy wykreślić HISTOGRAM czyli słupkowy wykres częstości przyjazdu dla poszczególnych minut (po ósmej).Użyjemy do tego funkcji hist. 1) Najpierw z pliku dyskowego wczytamy do wektora t dane o przyjazdach autobusu: t := READPRN(„AUTOBUS.PRN”) Elementy wektorów będziemy numerować od 1: ORIGIN := 1 Liczba wczytanych danych: N := length(t) N = 60 56 28 Od histogramu do rozkładu Przykład 2 - obliczenia w Mathcadzie (2) 2) wyznaczamy minimalną i maksymalną daną: tmin := min(t) tmin = 8 tmax := max(t) tmax = 16 3) ustalamy szerokość przedziału na 1 min: Dt := 1 w takim razie liczba przedziałów M będzie wynosić: M := (tmax-tmin) / Dt M = 8 Histogram H poda liczbę wystąpień wartości zmiennej losowej t w poszczególnych przedziałach zakresu (tmin .. tmax): 4) Wyznaczamy wektor T początków przedziałów: i := 1 .. M+1 Ti := tmin + (i-1) · Dt 5) Wyznaczamy histogram przy pomocy funkcji hist: H := hist(T, t) 57 Od histogramu do rozkładu Przykład 2 - obliczenia w Mathcadzie (3) 58 29 Od histogramu do rozkładu c.d Do doświadczalnego wykresu histogramu znormalizowanego chcemy dopasować krzywą rozkładu teoretycznego (np. krzywą Gauss’a) Pozwoli nam to uprościć dalsze obliczenia i sprowadzić działania na zmiennej losowej do szacunkowych działań arytmetycznych na parametrach tej krzywej Na przykład korzystać z „reguły trzech sigm” 59 60 30 Który rozkład teoretyczny wybrać? Do dyspozycji mamy wiele różnych wzorów i krzywych określających rozkłady teoretyczne np.: • • • • • • • równomierny Wykładniczy Weibull’a Raileigh’a Beta Poisson’a . . . . . . .. 61 Rozkład równomierny W Mathcadzie: punif(Xmin,Xmax) dunif((Xmin,Xmax) 62 31 Rozkład normalny 63 Rozkład Gamma 64 32 Testowanie hipotez statystycznych Hipotezy o zgodności danych statystycznych z jakimś rozkładem prawdopodobieństwa nazywają się hipotezami nieparametrycznymi (nie dotyczą parametrów rozkładu) Dla potwierdzenia (lub odrzucenia) takiej hipotezy przeprowadza się testy zgodności. Jednym z nich jest test Kołmogorowa-Smirnowa porównujący skumulowany histogram danych standaryzowanych ze standaryzowaną dystrybuantą oczekiwanego rozkładu 65 Testowanie hipotez statystycznych c.d. Hipotezy parametryczne dotyczą hipotez dotyczących parametrów statystycznych jak: średnia, odchylenie standardowe, wariancja, ... Średnią z próby statystycznej łatwo wyliczyć ale z innej próby wyjdzie nam inna średnia, więc dla różnych prób z danej populacji, średnia staje się zmienną losową i trzeba np. odpowiedzieć na pytanie: ” czy można przyjąć z 95% prawdopodobieństwa, że śrdnia populacji mieści się w przedziale od X1 do X2?” 66 33 Kiedy spodziewać się rozkładu normalnego? Gdy zmienna teoretycznie powinna mieć stałą wartość ale wskutek zakłóceń czy błędów wykazuje losowy rozrzut to kształt histogramu może być zbliżony do krzywej Gauss'a. Wtedy można założyć (z większym czy mniejszym błędem), że jest to zmienna losowa o rozkładzie normalnym. Oczywiście dla histogramów wyraźnie niesymetrycznych lub wykazujących wiele maksimów założenie takie nie byłoby słuszne i popełnilibyśmy wtedy błąd. 67 Testy normalności • Dla danego zbioru danych doświadczalnych można przeprowadzić testy normalności stwierdzające czy rozrzut jest zgodny z rozkładem normalnym np.: • test Shapiro-Wilka i inne dostępne w programie STATISTICA • Porównuje się na ogół rozkład skumulowany po jego standaryzacji polegającej na odjęciu od danych wartości średniej i podzieleniu ich przez odchylenie standardowe. • Rozkład normalny standaryzowany ma średnią zero i odchylenie standardowe jeden 68 34 Dopasowanie krzywej Gauss’a przy założeniu normalności rozkładu Wystarcza wyznaczenie dwu parametrów krzywej Gauss’a: • wartości średniej zbioru danych (położenie maksimum krzywej) • odchylenia standardowego (pierwiastka z wariancji) - będącego miarą rozrzutu wokół średniej 69 Zastosowania rozkładów teoretycznych A) Do wyznaczania (szacowania) prawdopodobieństwa zjawisk na podstawie przyjętych funkcji rozkładów - są to operacje na zdeterminowanych liczbach i funkcjach B) Do symulacji zjawisk losowych przez generowanie liczb losowych zgodnie z przyjętymi rozkładami teoretycznymi - metody Monte Carlo 70 35 Metody symulacyjne - Monte Carlo Metody „Monte Carlo” to grupa metod symulacyjnego rozwiązywania zagadnień przez losowanie wartości zmiennych losowych, według zadanych rozkładów. Dwa przykłady podano dalej. 71 A) Obliczanie całki metodą Monte Carlo Losując współrzędne punktów Xi, Yi, według rozkładów równomiernych, w prostokącie ABCD, można oszacować wartość całki (jako pola pod krzywą) według podanej proporcji: 72 36 Przykłady obliczeń z zastosowaniem zmiennych losowych W modelowaniu zagadnień mechanicznych ważnym problemem jest szacowanie prawdopodobieństwa zajścia pewnych zjawisk, na przykład zjawisk polegających na utracie stabilności utrzymywanej dzięki równowadze sił czy momentów albo uzyskiwanej dzięki nie przekraczaniu przez obciążenia dopuszczalnych granic n.p maksymalnych naprężeń, minimalnej grubości filmu smarnego i t.p. Zakładamy więc, że w najprostszych przypadkach rozpatrywać będziemy dwie przeciwstawne wielkości fizyczne tego samego typu (siły, momenty, naprężenia), które w modelu deterministycznym przyjęlibyśmy jako stałe, natomiast przy dokładniejszym rozpatrywaniu i zastosowaniu modelu stochastycznego, uznamy, że mają one losowy rozrzut, symetryczny wokół określonej średniej i w związku z tym każda z nich jest zmienną losową charakteryzowaną rozkładem normalnym. 73 B) Wyznaczanie prawdopodobieństwa na podstawie przyjętych rozkładów 74 37 Metoda I - symulacja przez losowanie: Szukane prawdopodobieństwo PR, że siła pchania przekroczy siłę tarcia możemy wyznaczyć metodą symulacji stochastycznej, (Metoda Monte Carlo) generując wartości pseudolosowe siły P oraz tarcia T według rozkładów normalnych: 75 Metoda II - metod obliczeniowa Zamiast badać kiedy T<P możemy badać różnicę zmiennych losowych, czyli kiedy T-P<0. Wprowadzimy zmienną Z=T-P Suma lub różnica NIEZALEŻNYCH zmiennych losowych o rozkładach normalnych, to nowa zmienna, np.: Z, taka, że jej średnia jest odpowiednio sumą lub różnicą średnich obu składników, a odchylenie standardowe jest sumą geometryczną odchyleń standardowych tych składników: 2 2 σZ = σT + σP Zsr = Tsr - Psr Tak więc interesuje nas prawdopodobieństwo: PR(Z<0) PR = pnorm(0, Zsr , σZ ) = pnorm(0, Tsr − Psr, σT 2 + σP 2 ) Jak widać, zmienne losowe, wskutek wykazywanego rozrzutu, przyjmują pewne cechy wektorowe. W szczególności, jeśli dwie porównywane zmienne losowe są NIEZALEŻNE to w przestrzeni znajdują się na dwu wzajemnie prostopadłych płaszczyznach. Dlatego nie możemy ich porównywać w jednym układzie XY (jak na poprzednim rysunku) 76 38 Procesy stochastyczne • Charakter zmiennej losowej określony jest rozkładem prawdopodobieństwa występowania jej wartości • Proces stochastyczny to przebieg zmian tego rozkładu w funkcji czasu albo innych zmiennych (np.: położenia w przestrzeni) • Proces stochastyczny jest więc funkcją (najczęściej czasu), której wartości są zmiennymi losowymi • Przykładem procesu stochastycznego mogą być przewidywane zmiany oporów czy luzów w łożyskach w funkcji czasu eksploatacji maszyny. 77 Procesy stochastyczne c.d. W praktyce dziedziną jest najczęściej przedział czasowy (taki proces stochastyczny nazywany jest szeregiem czasowym) lub obszar przestrzeni (wtedy nazywany jest polem losowym). Jako przykłady szeregów czasowych można podać: fluktuacje giełdowe, sygnały, takie jak mowa, dźwięk i wideo, dane medyczne takie jak EKG i EEG, ciśnienie krwi i temperatura ciała, losowe ruchy takie jak ruchy Browna. Przykładami pól losowych są statyczne obrazy, losowe krajobrazy i układ składników w niejednorodnych materiałach. 78 39