Определить оценки распределений функций плотности вероятности ПКГ в начале и конце эксперимента.
1. Определить оценки распределений функций плотности вероятности ПКГ в начале и конце эксперимента (при и при ) по методу уменьшения неопределенности (МУН).
Метод уменьшения неопределенности (МУН) - это новая реализация МПВ (метода прямоугольных вкладов), которая возникла в процессе его развития. МУН основан на использовании нормированного равномерного распределения, заданного в интервале вместо прямоугольного вклада шириной , построенного около точки с координатой .
При этом для выражения функции распределения используют кусочно - линейную интерполяцию
, (П.1)
где .
, (П.2)
где - нижняя и верхняя границы интервала значений случайной величины ;
, - объем выборки;
- число одинаковых реализаций .
оценивается аналогично .
Вполне очевидно, что уравнение (1.2) представляет собой уравнение прямой с угловым коэффициентом
. (П.3.)
Для нахождения функции плотности вероятности следует воспользоваться данными графика и выражением
, (П.4)
где - приращение аргумента и соответствующее приращение функции .
По данным табл. П.2 для значений ПКГ в начале эксперимента составим вариационный ряд: .
Границы поля допуска :
Статистические данные значений ПКГ разбивают поле допуска значений ПКГ на интервалы:
1 участок , , .
Определяем оценку функции распределения (интегральный закон распределения).
Определяем оценку функции плотности распределения вероятности (дифференциальный закон распределения вероятности)
2 участок , , .
3 участок , , .
4 участок , , .
5 участок , , .
Проверка осуществляется суммированием площадей фигур, находящихся под ломаной , т.е.
Графики и приведены на рис. П.1 и П.2.
В начале эксперимента
Рис.П.1. График функции
Рис.П.2. График функции
Математическое ожидание
Математическое ожидание - это значение случайной величины, относительно которого группируются все заданные значения. Математическое ожидание случайной величины равно сумме произведений случайной величины на их вероятности
(П.5)
Выражение (П.5) справедливо для дискретной случайной величины, в нашем случае (непрерывная случайная величина) сумма заменяется интегралом, а вероятность - элементом вероятности, поэтому
Дисперсия случайной величины
Среднее квадратическое значение отклонения случайной величины относительно математического ожидания
По данным табл. П.2 для значений ПКГ в конце эксперимента составим вариационный ряд:
Границы поля допуска:
Статистические данные значений ПКГ разбивают поле допуска значений ПКГ на интервалы:
1 участок: ; ; .
2 участок: ; ; .
3 участок: ; ; .
4 участок: ; ; .
5 участок: ; ; .
Проверка
Графики и приведены на рис. П.3 и П.4.
В начале эксперимента :
Рис.П.3. График функции
Рис.П.4. График функции
Математическое ожидание
;
Дисперсия случайной величины
Среднее квадратическое значение отклонения случайной величины относительно математического ожидания
Определение среднего квадратического отклонения (СКО) для всех значений ПКГ
Таким образом, на основании проведенных расчетов было установлено, что .
Следовательно, значения можно записать посредством следующего линейного уравнения
3. Определение значения критерия Стьюдента:
Значение критерия Стьюдента , соответствующее - процентному пределу ошибки (уровню значимости ошибки) и степеням свободы определим по таблице.
где - доверительная вероятность прогноза. ;
- объём выборки.
В соответствии с полученными значениями и .
4. Определяем значения доверительных границ с учетом критерия Стьюдента.
- верхняя доверительная граница ПКГ
- нижняя доверительная граница ПКГ
(П.6)
(П.7)
Подставляя в выражение (П.6) и (П.7) требуемые величины определяем значение верхней и нижней доверительных границ ПКГ соответственно. Полученные результаты сводим в табл. П.4
Таблица П.4
0 |
0 |
6,23 |
-6,23 |
1180 |
0,4059 |
6,6359 |
-5,8241 |
2370 |
0,8932 |
7,1232 |
-5,3368 |
3550 |
1,0715 |
7,3015 |
-5,1585 |
4750 |
1,4068 |
7,6368 |
-4,8232 |
5980 |
1,6172 |
7,8472 |
-4,6128 |
7280 |
2,2163 |
8,4463 |
-4,0137 |
8600 |
2,3469 |
8,5769 |
-3,8831 |
9870 |
2,4037 |
8,6337 |
-3,8263 |
11250 |
2,7303 |
8,9603 |
-3,4997 |
12520 |
3,0021 |
9,2321 |
-3,2279 |
13820 |
3,4217 |
9,6517 |
-2,8083 |
15180 |
3,9512 |
10,1812 |
-2,2788 |
16520 |
4,1032 |
10,3332 |
-2,1268 |
17880 |
4,6633 |
10,8933 |
-1,5667 |
19240 |
4,5908 |
10,8208 |
-1,6392 |
20660 |
4,9582 |
11,1882 |
-1,2718 |
В ходе исследования значения ПКГ снимаются через равные интервалы, поэтому для оценки порядка полинома математической модели прогнозирования воспользуемся аппаратом конечных разностей.
Имеем функцию и дискретные значения аргумента образуют арифметическую прогрессию с разностью , т.е.
Обозначим значения при соответствующих значениях аргумента так:
Величины
называют разностями первого порядка (первыми разностями).
Величины
называют разностями второго порядка.
Аналогично определяются разности произвольного порядка :
Конечные разности в более наглядной форме представляют в форме таблицы, которая называется диагональной. Каждый столбец таблицы составляется так, что разности записываются между составляющими значениями уменьшаемого и вычитаемого.
Составим диагональную таблицу П.5 для статистических данных табл. П.1.
Таблица П.5
0 |
0 |
|||
0,4059 |
||||
1180 |
0,4059 |
0,0814 |
||
0,4873 |
-0,2276 |
|||
2370 |
0,8932 |
0,309 |
||
0,1783 |
-0,152 |
|||
3550 |
1,0715 |
0,3335 |
0,157 |
-0,0321 |
4750 |
1,4068 |
0,1249 |
||
0,2104 |
0,2638 |
|||
5980 |
1,6172 |
0,3887 |
||
0,5991 |
-0,0798 |
|||
7280 |
2,2163 |
0,4685 |
||
0,1306 |
-0,3726 |
|||
8600 |
2,3469 |
0,0959 |
||
0,0347 |
-0,196 |
|||
9870 |
2,4037 |
0,2919 |
||
0,3266 |
-0,2371 |
|||
11250 |
2,7303 |
0,5448 |
||
0,2718 |
-0,093 |
|||
12520 |
3,0021 |
0,1478 |
||
0,4196 |
-0,0378 |
|||
13820 |
3,4217 |
0,11 |
||
0,5295 |
-0,2675 |
|||
15180 |
3,9512 |
0,3775 |
||
0,152 |
-0,0306 |
|||
16520 |
4,1032 |
0,4081 |
||
0,5601 |
-0,2246 |
|||
17880 |
4,6633 |
0,6326 |
||
-0,0725 |
-0,1927 |
|||
19240 |
4,5908 |
0,4399 |
||
0,3674 |
||||
20660 |
4,9582 |
Разности второго порядка мало отличаются от постоянных, поэтому в качестве математической модели может быть выбран полином второй степени.
6. Определение параметров модели прогнозирования по методу наименьших квадратов
В основе метода наименьших квадратов лежит условие: коэффициенты моделей должны быть таковы, чтобы значение суммы квадратов невязок было минимальным, т.е.
где - модель прогнозирования.
Для этого необходимо выполнить условия минимума суммы , т.е.
Составляем систему уравнений для нахождения коэффициентов и .
Таким образом, путем преобразования получим:
Сократив уравнения на 2, получим:
Введем обозначения.
Уравнения принимают вид:
Данная система уравнений далее решается по правилу Крамера: матричным способом решения систем линейных неоднородных уравнений.
Определение параметров модели прогнозирования для кривой .
Определитель системы находится так:
Определитель параметра находится так:
Определитель параметра находится так:
Определитель параметра запишется в виде:
Далее
Полученная зависимость
Ее график приведен на рис. П.5.
Определение параметров модели прогнозирования (для кривой ).
Полученная зависимость имеет вид:
Ее график приведен на рис. П.5.
6.3. Определение параметров модели прогнозирования (для кривой )
-5,491*
-4,629*
-62,128
-2,623*
6,358*
-1,507*
Полученная зависимость:
7. Определение наработки до отказа
Теперь, после того, как найдены параметры выбранной модели изменений ПКГ, производится экстраполяция ее статистических данных до предельного состояния исследуемого параметра , и находятся оценки нижних и верхних границ доверительного интервала средней наработки до отказа и из уравнений
и - нижняя и верхняя граница доверительного интервала средней наработки до отказа, следовательно средняя наработка до отказа определяется как
с доверительной вероятностью прогноза Р=0,98.
Приложение 1.
Износ шин в мм при пути пробега