Formelsammlung zur Zuverlässigkeitsberechnung zusammengestellt von Tatjana Lange Fachhochschule Merseburg Fachbereich Elektrotechnik Inhalt: 1. Zuverlässigkeit von Betrachtungseinheiten ..............................................1 2. Zuverlässigkeit elementarer, nichtreparierbarer Systeme.........................2 3. Zuverlässigkeit komplexer Systeme: Boolesche Berechnungsmethode...3 4. Zuverlässigkeit komplexer Systeme: Markoff'sche Berechnungsmethode 5 5. Einige ausgewählte Grundlagen der Wahrscheinlichkeitstheorie ............6 6. Sonstige nützliche Formeln .......................................................................10 1. Zuverlässigkeit von Betrachtungseinheiten M Verteilungsfunktion der Lebensdauer (Ausfallwahrscheinlichkeit) und Verteilungsdichte: F ( t ) = P( X ≤ t ) f (t ) = dF ( t ) dt F(t ) = t ò f ( t )dt 0 M Überlebenswahrscheinlichkeit: allgemein. R( t ) = P ( X > t ) = 1 − F ( t ) M Bedingte Überlebenswahrscheinlichkeit: allgemein. Rx ( t ) = M R( x + t ) R( x ) Mittlere Lebensdauer (MTTF, MTBF): allgemein. ∞ für F ( t ) = 1 − exp( − λt ) R( t ) = exp( − λt ) für F ( t ) = 1 − exp( − λt ) R x ( t ) = exp( − λt ) für F ( t ) = 1 − exp( − λt ) ∞ E X = E [ X ] = t ⋅ f ( t ) ⋅ dt = R( t ) ⋅ dt ò ò 0 M M 0 Ausfallrate: allgemein. λ(t ) = − für F ( t ) = 1 − exp( − λt ) d (ln R( t ) ) R' ( t ) =− R( t ) dt λ ( t ) = λ = const . Zusammenhang zwischen Ausfallrate und Überlebenswahrscheinlichkeit: allgemein. für F ( t ) = 1 − exp( − λt ) æ t ö R( t ) = expçç − λ ( t ) ⋅ dt ÷÷ è 0 ø ò M 1 λ R( t ) = exp( − λt ) Verfügbarkeit (reparierbarer Betrachtungseinheiten): MTBF MTBF= Mean Time between Failure VD = MTTR = Mean Time to Repair MTBF + MTTR Tatjana Lange FH Merseburg Zuverlässigkeit Seite 1 2. Zuverlässigkeit elementarer, nichtreparierbarer Systeme M Seriensystem (im Sinne der Zuverlässigkeit): λ 1(t) λ 2(t) λ n(t) ... für Fi ( t ) = 1 − exp( − λ i t ) : allgemein: n æ æ n ö ö RS ( t ) = expçç −ç λ i ÷ ⋅ t ÷÷ è è i =1 ø ø RS ( t ) = ∏ Ri ( t ) å i =1 λ S (t ) = λ 3(t) n å λ i (t ) λS = i =1 n å λi i =1 Mittlere Lebensdauer (MTTF, MTBF) für F ( t ) = 1 − exp( − λt ) : E XS = 1 n å λi = i =1 Für λ1 = λ 2 =... = λ n = const . gilt: 1 n åE i =1 1 Xi E XS = E X1 1 = n nλ1 M Parallelsystem (im Sinne der λ 1(t) Zuverlässigkeit): λ 2(t) . .. λ n(t) für Fi ( t ) = 1 − exp( − λ i t ) : allgemein: RS ( t ) = 1 − n ∏ (1 − Ri ( t )) i =1 Für λ1 = λ 2 =... = λ n = const . und λ1t << 1 gilt: R S ( t ) ≈ 1 − ( λ 1t ) n Mittlere Lebensdauer (MTTF, MTBF) für F ( t ) = 1 − exp( − λt ) : Für λ1 = λ 2 =... = λ n = const . gilt: Tatjana Lange FH Merseburg E XS = Zuverlässigkeit 1 n 1 å λ1 k =1 k Seite 2 3. Zuverlässigkeit komplexer Systeme: Boolesche Berechnungsmethode Allgemeiner Ansatz: Jede Systemkomponente kann nur zwei Zustande annehmen: ì0 Komponente ausgefallen xi = í î1 Komponenten intakt Entsprechend der zuverlässigkeitstheoretischen Systemstruktur wird eine Boolesche Systemgleichung, bestehend aus Konjunktionen ("Und"-Verknüpfung) und Disjunktionen ("Oder"-Verknüpfungen) aufgestellt: S ( x1 , x2 ,..., xn ) Die Wahrscheinlichkeit, daß das System intakt ist (seine spezifizierten Aufgaben erfüllt) ist somit gleich der Wahrscheinlichkeit, daß die Systemgleichung S ( x1 , x2 ,..., xn ) den Wert 1 annimmt: P( System int akt ) = PS = P( S ( x1 , x2 ,..., xn ) = 1) = S ( P1 , P2 ,..., Pn ) wobei Pi die Intaktwahrscheinlichkeit der i-ten Komponente ist. M Für nichtreparierbare Systeme gilt: Überlebenswahrscheinlichkeit (Intaktwahrscheinlichkeit): RS ( t ) = S ( R1 ( t ), R2 ( t ),..., Rn ( t )) m − aus − n -System (System ist solange intakt, solange m von n Komponenten intakt sind) r i i − l æ nö æ i ö RS ( t ) = å å ( −1) ç ÷ ç ÷ Rkn − l ( t ) è i ø è lø i =1 l = 0 mit r = n − m Redundanz Für R1 ( t ) = R2 ( t ) =... = Rn ( t ) = e− λ1t gilt: E XS Tatjana Lange FH Merseburg 1 n 1 = å λ1 k = m k Zuverlässigkeit Seite 3 M Für reparierbare Systeme gilt: Verfügbarkeit: VS (t ) = S (V1 (t ),V2 ( t ),...,Vn ( t )) m − aus − n -System (System ist solange verfügbar, solange m von n Komponenten verfügbar sind) Für V1 ( t ) = V2 ( t ) =... = Vn ( t ) = Vk = MTBFk = const . gilt: MTBFk + MTTRk Nichtverfügbarkeit: m −1 n æ ö N S ( t ) = 1 − VS (t ) = å ç ÷ N kn−iVki mit N k = 1 − Vk i =0 è i ø r =n−m Redundanz Mittlerer Abstand zwischen zwei Systemausfällen (MTBF): Falls MTBFk >> MTTRk : MTBFS ≈ MTBFkr +1 æ n − 1ö r nç ÷ MTTRk è r ø Mittlere Dauer der Systemausfällen (MTBD - Mean Time of Break Down): Falls MTBFk >> MTTRk : Für Nk << MTBDS ≈ MTTRk r +1 1 gilt näherungsweise: n æ n ö r +1 æ n ö MTTRkr +1 N S ( t ) = 1 − VS ( t ) ≈ ç ÷ Nk = ç ÷ è r + 1ø è r + 1ø MTBFkr +1 Tatjana Lange FH Merseburg Zuverlässigkeit Seite 4 4. Zuverlässigkeit komplexer Systeme: Markoff'sche Berechnungsmethode Im Ergebnis einer quantitativen Analyse des Systemverhaltens wird ein Zustandsdiagramm aufgestellt, dessen Knoten die möglichen Systemzustände darstellen. Die Übergänge (Kanten) q jk zwischen die Knoten sind durch Übergangsraten bestimmt, die entweder Ausfallraten λ jk oder Reparaturraten µ jk darstellen: q12 Knoten j: Systemzustand j mit der 1 2 Zustandswahrscheinlichkeit p j q21 q13 q32 3 Übergangsrate: ì λ jk Ausfallrate q jk = í î µ jk Reperaturrate Die Markoff'sche Berechnungsmethode wird hier nur für den stationären Zustand, also unter der Annahme p j ( t ) = p j = const . betrachtet. Dabei wird angenommen, daß sowohl die zufällige Lebensdauern Xi aller Systemkomponenten als auch die zufälligen Reparaturzeiten Yi exponentialverteilt sind, also Xi ~ F ( t ) = 1 − exp( − λ it ) und Yi ~ FY ( t ) = 1 − exp( − µit ) . Für den j-ten Knoten gilt dann folgende Knotengleichung: n å pk qkj n p j å q jk − k =1 k≠ j =0 k =1 k≠ j " " ! " " ! Summe aller in den j − ten Knoten hineinführenden Kanten Summe aller aus dem j − ten Knoten herausführenden Kanten Die Zustandswahrscheinlichkeiten p j lassen sich berechnen, indem man für n − 1 Konten die Zustandsgleichungen aufstellt, diese durch die allgemeingültige Beziehung n å pj = 1 j =1 ergänzt und das so gebildete lineare Gleichungssystem aus n Gleichungen (n = Anzahl der Knoten im Zustandsdiagramm) löst. Tatjana Lange FH Merseburg Zuverlässigkeit Seite 5 5. Einige ausgewählte Grundlagen der Wahrscheinlichkeitstheorie M Zufall / zufälliges Ereignis: Bei Zusammentreffen von Ereignissen spricht man vom Zufall, wenn zwischen ihrem Eintreten kein oder nur ein unwesentlicher innerer Zusammenhang besteht. Ein Ereignis hängt vom Zufall ab, wenn sein Eintreten weder sicher noch unmöglich ist, sondern mit einer gewissen Wahrscheinlichkeit erfolgt. Diese Zufallsgesetzmäßigkeiten, die durch entsprechende Wahrscheinlichkeitsverteilungen erfaßt werden, nennt man stochastische Gesetzmäßigkeiten. M Zufallsvariable: Eine Zufallsvariable ist eine solche Variable (Veränderliche), die ihre Werte in Abhängigkeit vom Zufall, d.h. nach einer Wahrscheinlichkeitsverteilung annimmt. Man unterscheidet diskrete und stetige Zufallsvariable. Eine diskrete Zufallsvariable kann nur endlich viele (oder abzählbar unendlich viele) Werte annehmen (z.B. Menge der natürlichen Zahlen). Eine stetige Zufallsvariable kann (überabzählbar) unendlich viele Werte annehmen (z.B. alle Werte aus einem Intervall). M Relative Häufigkeit und Wahrscheinlichkeit Der Begriff Wahrscheinlichkeit ist aus der Beobachtung und Erfahrung entstanden.: Tritt bei N-maliger Durchführung eines Versuches ein bestimmtes zufälliges Ereignis Ai (oder Zufallsvariable) ni mal auf, so bezeichnet man mit (ni N ) die relative Häufigkeit des Ereignisses Ai . Bei gleichbleibenden Versuchsbedingungen schwankt die relative Häufigkeit bei wachsendem N immer weniger um einen bestimmten, praktisch konstanten Wert. Diese Zahl nennt man die Wahrscheinlichkeit der zufälligen Ereignisses Ai und bezeichnet sie mit P( Ai ) . M Rechenregeln für Wahrscheinlichkeiten: 1) Für jedes zufälligen Ereignisses Ai gilt: 0 ≤ P( Ai ) ≤ 1 2) Ist das Ereignis Ai unmöglich, so gilt: P( Ai ) = 0 3) Ist das Ereignis Ai sicher, so gilt: P( Ai ) = 1 4) Sind A und B zufällige Ereignisse, die einander ausschließen, so gilt P( A oder B) = P( A ∨ B ) = P( A) + P( B) Sind insgesamt N Ereignisse A1 , A2 ,....., AN , möglich, so gilt verallgemeinert: N P( A1 ∨ A2 ∨ ..... ∨ AN , ) = å P( Ai ) i =1 5) Schließen die Ereignisse A und B einander nicht aus, so gilt: P( A oder B ) = P( A ∨ B ) = P( A) + P(B ) − P( A, B ) Tatjana Lange FH Merseburg Zuverlässigkeit Seite 6 Hierbei ist P( A, B ) die gemeinsame Wahrscheinlichkeit (Verbundwahrscheinlichkeit) der Ereignisse A und B, d.h. die Wahrscheinlichkeit dessen, daß beide Ereignisse gleichzeitig (zusammen) auftreten. 6) Sind die Ereignisse A und B voneinander unabhängig, so gilt für die gemeinsame Wahrscheinlichkeit: P( A, B ) = P(B, A) = P( A) ⋅ P(B ) = P(B ) ⋅ P( A) 7) Sind die Ereignisse A und B voneinander abhängig, so gilt für die gemeinsame Wahrscheinlichkeit: P( A, B ) = P(B, A) = P( A) ⋅ P(B Hierbei ist P(B A) = P(B ) ⋅ P ( A B) A) die Wahrscheinlichkeit, mit der das Ereignis B unter der Bedingung (Annahme) eintritt, daß das Ereignis A bereits eingetreten ist (bzw. sicher eintreten wird). Die P(B Wahrscheinlichkeiten A) P(A und B ) nennt man bedingte Wahrscheinlichkeiten. 8) Sind die Ereignisse A und B voneinander unabhängig, so gilt: P(A 9) B ) = P ( A) , P(B A ) = P (B ) Wenn die Ereignisse H1 , H2 ,....., H N , ein vollständiges Ereignisfeld bilden und einander ausschließen, also N å P(H ) = 1 i =1 i und P (H i , H j ) = 0 für beliebige i ≠ j ist, so gilt für die Wahrscheinlichkeit des von den Ereignissen Hi abhängigen Ereignisses A folgender Satz über die totale Wahrscheinlichkeit: P ( A) = å P (H i ) ⋅ P ( A Hi ) N i =1 10) Bayes'sche Formel: P(H i A) = P(H i ) ⋅ P ( A P ( A) Hi ) = P (H i ) ⋅ P ( A å P(H ) ⋅ P(A j =1 Tatjana Lange FH Merseburg Hi ) N j Zuverlässigkeit Hj ) Seite 7 M Wahrscheinlichkeitsverteilung Verteilungsfunktion FX ( x ) : Der Wert der Verteilungsfunktion FX ( x ) im Punkt x gibt die Wahrscheinlichkeit an, mit der der Wert der Zufallsvariablen X kleiner/gleich x ist: FX ( x ) = F ( x ) = P ( X ≤ x ) diskrete Zufallsvariable: stetige Zufallsvariable: M Ist X eine diskrete Zufallsvariable, die die M Ist X eine stetige Zufallsvariable, so läßt Werte sich nur die Wahrscheinlichkeit angeben, mit der diese Zufallsvariable X Werte aus dem Intervall x1 , x2 annimmt: x1 , x2 ,..., x N mit den Wahrscheinlichkeiten P( X = x1 ), P( X = x 2 ),..., P( X = x N ) P( x1 ≤ X ≤ x 2 ) = annehmen kann, so wird die Wahrscheinlichkeitsverteilung durch eine treppenförmige Verteilungsfunktion bestimmt. x2 ò f (u )du x1 Die Funktion f ( x ) nennt man die Dichte der Zufallsvariablen X. Der Zusammenhang zwischen der Dichte Der Zusammenhang zwischen der Verteilungsfunktion und den Wahrscheinlichkeiten f ( x ) und der Verteilungsfunktion F ( x ) ist der diskreten Zufallsvariablen ist gegeben gegeben mit: mit: x F (x ) j j f x = F ( x ) = P ( X ≤ x ) = f ( u ) du ; ( ) ò F (x j ) = P(X ≤ x j ) = å P( X = xi ) = å P(xi ) dx −∞ i =1 i =1 1 1 F(x) 0,8 0,8 F(x) 0,6 0,6 P(x) 0,4 0,4 0,2 f(x) 0,2 x 0 0 1 2 3 4 5 6 7 8 0 9 -10 M Eigenschaften und Gesetze: -5 0 5 10 0 ≤ F (x ) ≤ 1 F (− ∞ ) = 0 da P( X ≤ −∞ ) = 0 F (+ ∞ ) = 1 da P( X ≤ +∞ ) = 1 F ( x1 ) ≤ F ( x 2 ) falls x1 ≤ x 2 P( x1 ≤ X ≤ x 2 ) = P( X ≤ x 2 ) − P( X ≤ x1 ) = F ( x 2 ) − F ( x1 ) N å P(x ) = 1, i =1 P(xa Tatjana Lange i ≤X 0 ≤ P ( xi ) ≤ 1 ∞ ò f (x )dx = 1 −∞ i =b ≤ xb ) = å P ( xi ) i =a FH Merseburg P ( x a ≤ X ≤ xb ) = xb ò f (x )dx xa Zuverlässigkeit Seite 8 M Erwartungswert und Varianz; Momente höherer Ordnung: diskrete Zufallsvariable: stetige Zufallsvariable: M Erwartungswert: N E ( X ) = å xi P( X = xi ) ∞ ò x ⋅ f ( x) ⋅ dx E( X ) = i =1 −∞ E ( aX + b) = a ⋅ E ( X ) + b Wenn Z = X + Y , dann E ( Z ) = E ( X + Y ) = E ( X ) + E (Y ) E ( α ⋅ X + β ⋅ Y ) = α ⋅ E ( X ) + β ⋅ E (Y ) M Varianz: N Var ( X ) = å xi − E ( X ) p( X = xi ) 2 i =1 ( Var ( X ) = ∞ ò [x − E ( X )] ⋅ f ( x) ⋅ dx 2 i −∞ ) ( ) Var ( X ) = E [ X − E ( X )] = E X 2 − [E ( X )] 2 2 Var ( aX + b ) = a 2Var ( X ) Wenn Z = X + Y , dann Var ( Z ) = Var ( X + Y ) = Var ( X ) + Var (Y ) + 2Cov ( X , Y ) Var ( α ⋅ X + β ⋅ Y ) = α 2 ⋅Var ( X ) + β 2 ⋅Var (Y ) + 2 ⋅ α ⋅ β ⋅ Cov ( X , Y ) Für statistisch unabhängige Zufallsvariable X und Y gilt: Var ( Z ) = Var ( X + Y ) = Var ( X ) + Var (Y ) Var ( α ⋅ X + β ⋅ Y ) = α 2 ⋅Var ( X ) + β 2 ⋅Var (Y ) M Momente k-ter Ordnung: N E ( X ) = å xik P ( X = xi ) k i =1 Tatjana Lange FH Merseburg E( X k ) = ∞ òx k ⋅ f ( x) ⋅ dx −∞ Zuverlässigkeit Seite 9 6. Sonstige nützliche Formeln æ nö n! K nk = çç ÷÷ = è k ø k!⋅(n − k )! Kombination: Ableitungen (x )' = n ⋅ x n (a )' = a x (ln x )' = 1 n −1 n ò x dx = x (e )' = a ⋅ e ⋅ ln a x Integrale ax ax x n +1 n +1 ò ax ò a dx = ln a òe x ax ò x ⋅ e dx = (u ⋅ v )' = u ⋅ v'+u '⋅v ' æ u ö u '⋅v − u ⋅ v' ç ÷ = v2 èvø dx = ln x x ax dx = 1 ax e a e ax (ax − 1) a2 ò u( x) ⋅ v' ( x) ⋅ dx = u ( x) ⋅ v( x) − ò u' ( x) ⋅ v( x) ⋅ dx Lösung eines Gleichungssystems mit Hilfe von Determinanten: Gleichungssystem: Lösung: a11x1 + a12 x2 + ... + a1n xn = b1 a21x1 + a22 x2 + ... + a2 n xn = b2 : : : xi = : ∆i ∆ an1x1 + an 2 x2 + ... + ann xn = bn a11 a12 a a ∆ = 21 22 : : an1 an 2 ... a1n ... a2 n ... : ... ann b1 a12 b a ∆1 = 2 22 : : bn an 2 ... a1n ... a2 n ... : ... ann a11 a12 a a ∆ n = 21 22 : : an1 an 2 . .. b1 . .. b2 . .. : . .. bn Berechnungsregel für Determinanten: a11 a12 a21 a22 : : an1 an 2 . . a1n a22 .. a2 n a12 .. a1n a12 .. a1n . . a2 n n +1 = a11 : .. : − a21 : .. : + ... + ( −1) : .. : .. : an 2 .. ann an 2 .. ann an −1, 2 .. an −1, n . . ann usw. Tatjana Lange FH Merseburg Zuverlässigkeit Seite 10