Litt sannsynlighetsregning

Transkript

1 Marvin Rausand Litt sannsynlighetsregning 3. september 2009 tapir akademisk forlag

2

3 1 Litt sannsynlighetsregning Risiko uttrykkes ofte som en funksjon av sannsynlighet og konsekvens. Det kan derfor være på sin plass med en kort gjennomgang av grunnleggende sannsynlighetsregning. Vedlegget er ment som en repetisjon av begreper og enkle formler. Lesere som er godt kjent med sannsynlighetsteori og statistikk kan hoppe over dette vedlegget. Mer omfattende beskrivelser av sannsynlighetsteori finnes for eksempel i [1, 2, 4, 5]. Første avsnitt, A1, omhandler stokastiske forsøk, utfall og hendelser, og gir en kortfattet gjennomgang av sannsynlighetsbegrepet. I A2 gjennomgås diskrete og kontinuerlige variabler. Viktige begrep og formler i pålitelighetsanalyse presenteres i avsnitt A3, mens noen viktige sannsynlighetsfordelinger gjennomgås i avsnitt A Sannsynlighetsteori Utfall og hendelser Utfall For å bestemme sannsynligheten for en hendelse, må vi ofte observere et fenomen over en viss tid. Dette kan gjøres ved å studere resultatene fra ei rekke forsøk. Eksempler på slike forsøk er et fly som tar av og lander på en flyplass, biler som kjører på en viss vegstrekning, og oljebrønner som bores fra en oljeplattform. Hvert forsøk resulterer i et utfall som vi betegner med bokstaven e. Stokastisk forsøk Selv om vi kan beskrive alle mulige utfall av et forsøk, kan vi likevel ikke med sikkerhet forutsi hvilket utfall som vil inntreffe før forsøket er gjennomført. Dersom forsøket kan gjentas under omtrent like forhold, kaller vi det et stokastisk

4 4 1 Litt sannsynlighetsregning forsøk, 1 også i tilfeller hvor vi bare kan forestille oss at det er mulig med noenlunde like gjentakelser, men hvor det i virkeligheten er umulig. Utfallsrommet Mengden av alle de mulige utfallene fra et stokastisk forsøk kaller vi utfallsrommet, 2 og betegner dette med S. Utfallsrommet kan ha et tellbart eller ikke-tellbart antall utfall. Når utfallene er tellbare, har vi et diskret utfallsrom. Når utfallet kan ta en hvilken som helst verdi i et begrenset eller ubegrenset intervall, er utfallsrommet kontinuerlig. Et utfallsrom med et begrenset antall, n, utfall kan skrives som S Dfe 1 ;e 2 ;:::;e n g. Eksempel 1.1 Et stokastisk forsøkt består av å slå kron (K) og mynt (M). Utfallsrommet er da S Dfe 1 ;e 2 gdfk; Mg der e 1 D K betyr at utfallet av kastet er kron og e 2 D M at det er mynt. Hendelser En hendelse, E, er en bestemt mengde av mulige utfall i utfallsrommet S. Vi skriver E S der betyr delmengde. De fleste hendelser består av mange utfall, men et enkelt utfall e oppfattes også som en hendelse. Et forsøk ender alltid i ett og bare ett utfall e. Når dette utfallet er med i hendelsen E, sier vi at hendelsen E inntreffer. Eksempel 1.2 Vi er interessert i å observere resultatet av en fotballkamp mellom lag A og lag B, målt i antall mål for hvert lag. I dette tilfellet er utfallsrommet S Df.0; 0/;.0; 1/;.1; 0/;.1; 1/;.0; 2/;.2; 0/;.1; 2/;.2; 1/; : : : g Utfallet.2; 0/ betyr at lag A vinner kampen to-null. Lag A kan vinne kampen på mange måter. Hvis vi får et utfall e som er med i mengden E 1 D f.1; 0/;.2; 0/;.2; 1/; : : : g, såharlaga vunnet. Mengden E 1 kan uttrykkes som lag A vinner kampen er en delmengde i S. Når kampen, for eksempel, gir utfallet e D.1; 0/, som er med i hendelsen E 1,sierviathendelsenE 1 har inntruffet og lag A har vunnet kampen. En annen hendelse er maksimalt to mål i kampen som er gitt ved mengden E 2 Df.0; 0/;.0; 1/;.1; 0/;.1; 1/;.0; 2/;.2; 0/g. Legg merke til at for eksempel utfallet e D.1; 0/ er med i både E 1 og E 2, slik at begge de to hendelsene inntreffer. 1 Ordet stokastisk kommer fra gresk og betyr tilfeldig. 2 Engelsk: Sample space.

5 1.1 Sannsynlighetsteori Snitt og union Vi har sett at en hendelse er en mengde av alle utfall som oppfyller visse kriterier. Vi skal nå se på hvordan vi kan kombinere to eller flere hendelser. Venn-diagram Et Venn-diagram, som vist i figur 1.1, brukes ofte til å illustrere utfallsrommet og de ulike hendelsene. I diagrammet representerer rektangelet utfallsrommet S. De enkelte utfallene av forsøket markeres som punkter i rektangelet. Mengden E inneholder alle utfallene som inngår i hendelsen, E. E S Figur 1.1. Venn-diagram med en hendelse, E. Komplementærhendelser La E være at hendelsen E ikke inntreffer. E inneholder alle de utfallene i S som ikke er med i E og kalles komplementærhendelsen til E. I noen tilfeller kan det være enklere å bestemme E enn hendelsen E. Komplementærhendelsen til utfallsrommet S er, pr. definisjon, en tom mengde, fordi utfallsrommet inneholder alle utfall. Snittet av to hendelser Snittet av de to hendelsene, E 1 og E 2, skrives med symbolet E 1 \ E 2,oger hendelsen som består av alle utfall som er felles for E 1 og E 2 (se figur 1.2(a)). Eksempel 1.3 I eksempel 1.2 får vi snittet E 1 \ E 2 Df.1; 0/;.2; 0/g Lag A vinner kampen og det er ikke flere enn to mål. Unionen av to hendelser Unionen av to hendelser, E 1 og E 2, skrives med symbolet E 1 [ E 2,ogbestårav alle utfall som tilhører E 1 eller E 2 eller begge, se figur 1.2(a).

6 6 1 Litt sannsynlighetsregning Disjunkte hendelser To hendelser, E 1 og E 2,erdisjunkte dersom E 1 \ E 2 D;, som betyr at det ikke er noen utfall av forsøket som gjør at både E 1 og E 2 inntreffer. To disjunkte hendelser er illustrert i figur 1.2(b). S S E 1 E 2 E 1 E 2 E 1 E 2 (a) (b) Figur 1.2. Venn-diagram av to hendelser, E 1 and E 2. I (a) er hendelsene overlappende. I (b) er hendelsene disjunkte Sannsynlighet Vi benytter sannsynlighetsbegrepet når vi skal si noe om framtida og ønsker å beskrive at vi kan ha flere mulige utfall, men når vi ikke vet hvilket av dem som inntreffer. Sannsynligheten til en hendelse E betegnes ved Pr.E/ og er alltid et tall mellom 0 og 1, eller mellom 0% og 100% dersom vi ønsker å uttrykke sannsynligheten som et prosenttall. Dersom Pr.E/ D 1, betyr dette at hendelsen A helt sikkert vil inntreffe, og dersom Pr.E/ D 0, betyr dette at hendelsen A umulig kan inntreffe. En kortfattet diskusjon av sannsynlighetsbegrepet er gitt i avsnitt 2.6, der vi beskrev tre ulike tilnærminger til sannsynlighetsbegrepet. Disse var: 1. Den klassiske tilnærmingen (som forutsetter at alle utfallene er like rimelige). 2. Frekventisttilnærmingen (der sannsynliheten til en hendelse E oppfattes som den relative frekvensen av E i en lang rekke forsøk som kan (tenkes) gjennomført under de samme betingelsene). 3. Den Bayesianske, eller subjektive, tilnærmingen (der sannsynligheten til en hendelse E er et mål for vår tro ( degree of belief ) knyttet til om E vil inntreffe eller ikke). Vi gjentar ikke denne beskrivelsen her og du bør derfor lese avsnitt 2.6 grundig før du fortsetter lesingen av vedlegg A. Definisjon av sannsynlighet Selv om begrepet sannsynlighet kan oppfattes på ulike måter, vil vi kunne gi sannsynlighetsbegrepet en formell definisjon som kan brukes uansett hvordan vi oppfatter begrepet.

7 1.1 Sannsynlighetsteori 7 La S være utfallsrommet til et stokastisk forsøk. For hver hendelse, E, i utfallsrommet kan vi anta at vi har et tall, Pr.E/, som tilfredsstiller følgende tre krav: 1. 0 Pr.E/ Pr.S/ D For en hvilket som helst sekvens av disjunkte hendelser E 1 ;E 2 ;:::, slik at E i \ E j D;for alle i j,er! 1[ 1X Pr E i D Pr.E i / (1.1) id1 Pr.E/ kalles sannsynligheten til hendelsen E. Krav 1 sier at sannsynligheten til en hendelse E alltid må være mellom null og én (1). En sannsynlighet lik null betyr at det er umulig at hendelsen vil inntreffe, mens en sannsynlighet lik én betyr at hendelsen helt sikkert vil inntreffe (krav 2). Sannsynligheten for at en hendelse befinner seg i utfallsrommet er altså lik én. Krav 3 sier at ei rekke hendelser ikke kan inntreffe samtidig, så er sannsynligheten for at minst en av dem skal inntreffe lik summen av sannsynlighetene til hendelsene (se addisjonsregelen). Hva er egentlig sannsynlighet? Selv om vi i tilfeller som kron-mynt eksempelet kan finne sannsynligheten relativt enkelt ut fra symmetriegenskapene til forsøksobjektet, vil vi som oftest måtte anslå sannsynlighetene. Slike beregninger kan gjøres på to ulike måter den klassiske eller den Bayesianske. I den klassiske framgangsmåten anslår vi sannsynligheter ut fra data som er samlet inn i gjentatte forsøk. Verdien p D Pr.E/ beregnes fra den relative frekvensen til hendelsen E i disse forsøkene. Tanken er at sannsynligheten Pr.E/ er en egenskap til et fysisk system eller en situasjon. I den Bayesianske framgangsmåten er sannsynlighet noe subjektivt og betraktes som et uttrykk for tro eller overbevisning. 3 Tidligere erfaring med problemet, fysisk kunnskap og data som er samlet fra relevante forsøk kan brukes til å anslå sannsynligheten, Pr.E/. En fordel med den Bayesianske metoden er at den kan brukes i situasjoner der stokastiske forsøk ikke kan brukes. Den subjektive tolkningen betyr også at vi kan snakke om sannsynligheter for påstander som ikke har mening i den klassiske tilnærmingen. id Uniforme sannsynlighetsmodeller Den enkleste sannsynlighetsmodellen vi har, er den uniforme sannsynlighetsmodellen som kan brukes når alle utfallene i utfallsrommet har lik sjanse for å inntreffe. 3 Engelsk: Degree of belief.

8 8 1 Litt sannsynlighetsregning Thomas Bayes ( ) studerte teologi og logikk ved universitetet i Edinburg. Han arbeidet som prest, men var spesielt interessert i logikk og grunnlaget for sannsynlighetsregningen. Hans navn er knyttet til Bayes formel og til hans tolkning av sannsynlighetsbegrepet der sannsynlighet oppfattes som et mål for vår tro eller overbevisning i motsetning til den klassiske fortolkningen, der sannsynligheten oppfattes som en egenskap ved objektet som studeres. Begrepet Bayesiansk ble første gang brukt om den subjektive tilnærmingen omtrent La S være et utfallsrom med n mulige utfall. Vi har en uniform sannsynlighetsmodell over S når Pr.e/ D 1 n for alle e 2 S (1.2) La E være en hendelse i S med n E mulige utfall. Når vi har en uniform sannsynlighetsmodell, er sannsynligheten for hendelsen E Pr.E/ D Antall utfall som gir E Antall mulige utfall D n E n (1.3) Eksempel 1.4 Når vi kaster en terning, gjennomfører vi et stokastisk forsøk. Utfallsrommet er S Df1; 2; 3; 4; 5; 6g, og antall mulige utfall er n D 6. Dersom terningen er rettferdig, får vi en uniform sannsynlighetsmodell og sannsynligheten for å få utfallet e D 2 er Pr.2/ D 1 6 Hendelsen E D partall består av utfallene f2; 4; 6g. Sannsynligheten til E er derfor Pr.E/ D n E n D 3 6 D 0: Grunnleggende regler i sannsynlighetsregning

9 1.1 Sannsynlighetsteori 9 Sannsynligheten for komplementærhendelser La E være komplementærhendelsen til hendelsen E. Sannsynligheten E er gitt ved Pr.E / D 1 Pr.E/ (1.4) Sannsynligheten for at E ikke vil inntreffe er derfor lik én minus sannsynligheten for at hendelsen E vil inntreffe. Addisjonsregelen La E 1 og E 2 være to hendelser. Da er Pr.E 1 [ E 2 / D Pr.E 1 / C Pr.E 2 / Pr.E 1 \ E 2 / (1.5) Likninga (1.5) kalles addisjonsregelen i sannsynlighetsregning, og er illustrert i Venn-diagrammet i figur 1.3. Hvis vi legger sammen sannsynlighetene for utfall E 1 og E 2 vil utfallene i snittet E 1 \ E 2 komme med to ganger. Vi må derfor trekke fra sannsynligheten for E 1 \E 2. Addisjonsregelen kan også illustreres ved et feiltre med en eller-port som vist til høgre i figur 1.3. Topp-hendelsen vil inntreffe når enten inngangshendelsen E 1 eller inngangshendelsen E 2 inntreffer. Dette kan skrives Topp D E 1 [ E 2. S Topp E 1 E 2 [Eller-port] E 1 E 2 E 1 E Figur 1.3. Hendelse E 1 eller hendelse E 2 inntreffer. Merk at når E 1 og E 2 er gjensidige utelukkende (dvs. at de ikke kan inntreffe samtidig og er disjunkte), så er Pr.E 1 [ E 2 / D Pr.E 1 / C Pr.E 2 / Dette er illustrert i figur 1.2(b). Addisjonsregelen kan enkelt utvides slik at dersom vi har en sekvens E 1 ;E 2 ;:::;E n av hendelsene som er gjensidig utelukkende, så er Pr.E 1 [ E 2 [[E n / D Pr.E 1 / C Pr.E 2 / CCPr.E n / nx D Pr.E i / (1.6) id1

10 10 1 Litt sannsynlighetsregning Betinget sannsynlighet I tida fra sannsynlighetsmodellen ble laget til forsøket vårt blir utført, kan vi få ekstra informasjon som vi ønsker å ta hensyn til i våre beregninger. Anta at vi ønsker å finne sannsynligheten for hendelsen E 2 når vi vet at hendelse E 1 allerede har inntruffet. Når E 1 har inntruffet, ønsker vi å finne den relative delen av E 2 som er en delmengde av E 1,kaltE 1 \ E 2. Vi definerer derfor den betingede sannsynligheten av E 2 gitt E 1 som Pr.E 2 j E 1 / D Pr.E 1 \ E 2 / Pr.E 1 / (1.7) hvis Pr.E 1 />0. Eksempel 1.5 Anta at en boks inneholder 5 røde (R) kort og 4 blå (B) kort. Vi trekker tilfeldig et kort fra boksen. Sannsynligheten for å trekke et rødt, eventuelt et blått, kort blir da: Pr.R/ D 5 9 Pr.B/ D 4 9 Vi trekker så et nytt kort tilfeldig fra boksen. Sannsynligheten for å trekke et rødt (blått) kort vil nå avhenge av hvilket kort vi trakk i første trekking, og vi får Pr.R j R/ D 4 8 Pr.R j B/ D 5 8 Pr.B j R/ D 4 8 Pr.B j B/ D 3 8 Vi trekker så et tredje kort tilfeldig fra boksen. Sannsynligheten for å trekke et rødt (blått) kort, vil nå avhenge av hvilke kort vi trakk i de to foregående trekkingene. Dette eksemplet kan enkelt illustreres i sannsynlighetstreet i figur 1.4. Vi ser at sannsynlighetstreet tilsvarer et hendelsestre som er omtalt i kapittel 11. Multiplikasjonsregelen Ved hjelp av betinget sannsynligheter kan vi regne ut sannsynligheten for at to eller flere hendelser skal inntreffe samtidig. Fra (1.7), ser til at Pr.E 1 \ E 2 / D Pr.E 2 j E 1 / Pr.E 1 / D Pr.E 1 j E 2 / Pr.E 2 / (1.8) Snittet mellom E 1 og E 2 kan illustreres av Venn-diagrammet i figur 1.5. Feiltreet viser at topphendelsen vil inntreffe dersom inngangshendelsene E 1 og E 2 inntreffer samtidig, slik at Topp D E 1 \ E 2. Dette kan generaliseres til

11 1.1 Sannsynlighetsteori 11 R B R 5/9 R B R 4/8 4/8 5/8 R B R B R 4/9 B B R 3/8 B B Trekking: /7 4/7 4/7 3/7 4/7 3/7 5/7 2/7 Figur 1.4. Sannsynlighetstre. Pr.E 1 \ E 2 \\E k / D D Pr.E 1 / Pr.E 2 j E 1 / Pr.E 3 j E 1 \ E 2 / Pr.E k j E 1 \\E k 1 / S Topp E 1 E 2 [Og-port] E 1 E 1 E 2 E 2 E 1 E Figur 1.5. Hendelse E 1 og hendelse E 2 inntreffer. Uavhengige hendelser Hendelsene E 1 og E 2 er uavhengige når de to hendelsene ikke påvirker hverandre, det vil si at informasjon om en hendelse ikke påvirker sannsynligheten for den andre hendelsen. Det betyr at hendelse E 1 og E 2 er uavhengige hvis, og bare hvis Pr.E 2 j E 1 / D Pr.E 2 / og Pr.E 1 j E 2 / D Pr.E 1 / Dette er det samme som å skrive at

12 12 1 Litt sannsynlighetsregning Pr.E 1 \ E 2 / D Pr.E 1 / Pr.E 2 / (1.9) Hvis sekvensen E 1 ;E 2 ;:::;E n av hendelser er uavhengige,såer Pr.E 1 \ E 2 \\E n / D Pr.E 1 / Pr.E 2 / Pr.E n / ny D Pr.E i / (1.10) id1 Oppdeling av utfallsrommet og total sannsynlighet E 1 ;E 2 ;:::;E n sies å være en oppdeling av utfallsrommet S,dersomE 1 ;E 2 ;:::;E n er disjunkte og dersom S D E 1 [ E 2 [[E n. La F være en hendelse i utfallsrommet S. Sannsynligheten til F kan da skrives som nx nx Pr.F / D Pr.F \ E i / D Pr.F j E i / Pr.E i / (1.11) id1 Uttrykket (1.11) kalles formelen for total sannsynlighet og er illustrert i figur 1.6. id1 E 2 S F E 1 E 3 E n Figur 1.6. Oppdeling av utfallsrommet. Eksempel 1.6 Betrakt et prosessystem der de tre mulige feilmoder E 1 ;E 2 og E 3 kan inntreffe. Disse tre feilmodene kan oppfattes som disjunkte og vil omfatte alle mulige feilmoder i denne situasjonen. Når en feilmode inntreffer, vil dette kunne gi en effekt F. Vi antar følgende sannsynligheter: Pr.E 1 / D 0:45 Pr.F j E 1 / D 0:35 Pr.E 2 / D 0:25 Pr.F j E 2 / D 0:10 Pr.E 3 / D 0:30 Pr.F j E 3 / D 0:05 Sannsynligheten for å få effekten F kan da finnes ved å bruke formelen for total sannsynlighet

13 1.2 Stokastiske variabler 13 Pr.F / D Pr.F j E 1 / Pr.E 1 / C Pr.F j E 2 / Pr.E 2 / C Pr.F j E 3 / Pr.E 3 / 0:198 D 19:8% Bayes regel Til nå har vi vist hvordan vi kan beregne sannsynlighetene for at en hendelse skal inntreffe. Bayes regel hjelper oss med å å regne motsatt, det vil si at gitt at en hendelse har inntruffet, så kan vi beregne sannsynligheten for at det skyldtes én bestemt årsak. Hvis hendelsene E 1 ;E 2 ;:::;E n utgjør en oppdeling av utfallsrommet S,der Pr.E i />0for alle i D 1;2;:::;n, så kan sannsynligheten for hendelsen F i S regnes ut ved hjelp av regelen om total sannsynlighet. Sannsynligheten for at hendelsen E j inntreffer, når vi vet at hendelsen F har inntruffet, er gitt ved Bayes regel Pr.E j j F/D Pr.F \ E j / P n id1 Pr.F \ E i/ D Pr.F j E j / Pr.E j / P n id1 Pr.F j E (1.12) i/ Pr.E i / for alle j D 1;2;:::;n. Eksempel 1.7 Et produkt lages av to ulike maskiner A og B. 70% av produktene er laget av maskin A, mens 30% av produktene lages av maskin B. Produktene kan være defekte (F ) og sannsynligheten for å få et defekt produkt, avhenger av hvilken maskin produktet kommer fra. Erfaring har vist at Pr.F j A/ D 0:02 og Pr.F j B/ D 0:07 Vi velger et tilfeldig produkt, og finner at produktet er defekt (F ). Sannsynligheten for at det defekte produktet er laget av maskin B kan da finnes ved å bruke Bayes regel: Pr.F j B/ Pr.B/ Pr.B j F/D Pr.F j B/ Pr.B/ C Pr.F j A/ Pr.A/ 0:07 0:30 D 0:07 0:30 C 0:02 0:70 D 0: Stokastiske variabler En stokastisk variabel er en funksjon som måler en egenskap ved de ulike utfallene i utfallsrommet. I det følgende bruker vi X som symbol for en stokastisk variabel. Når vi anvender X på et bestemt utfall e, fårviverdienx.e/ D x.

14 14 1 Litt sannsynlighetsregning Diskrete stokastiske variabler En stokastisk variabel X er diskret nården bare kan anta et tellbart antall verdier. Dette antallet kan være begrenset eller ubegrenset. Diskret sannsynlighetsfordeling La X være en diskret stokastisk variabel som kan ha verdiene i mengden fx 1 ;x 2 ;:::g, oglapr.x D x i / være sannsynligheten for at variabelen X får verdien x i. Denne sannsynligheten kalles ofte punktsannsynligheten for x i og kan tolkes som sannsynligheten for å få et utfall som er målt (ved X) til å være x i.viharda: 1. Pr.X D x i / 0 for alle i D 1;2;::: 2. P 1 id1 Pr.X D x i/ D 1 Eksempel 1.8 Anta at vi har en klasse med n D 20 studenter og at vi ønsker å måle hvor mange søsken (inklusive halvsøsken) (X) de ulike studentene har. Etter en spørrerunde får vi følgende data Antall søsken: Antall: Tabellen viser at det er 5 studenter som er enebarn, 4 har ett søsken, og så videre. Dersom vi trekker en student, e, tilfeldig fra denne klassen og måler med X hvor mange søsken studenten har, vet vi at verdien av X må være mellom 0 og 6. Punktsannsynlighetene for de ulike verdiene er gitt ut fra den uniforme sannsynlighetsmodellen. Antall søsken (x i ): Pr.X D x i /: Når vi har valgt ut studenten og observert variabelen, vet vi verdien x, ogvi kan for eksempel få resultatet x D 2. Tilfeldigheten i dette forsøket er knyttet til utfallet. Vi vet ikke verdien av X siden vi ikke vet hvilken student som velges ut. Med en gang vi vet hvem som er valgt ut, kan vi i de fleste tilfeller måle antall søsken uten usikkerhet. Punktsannsynlighetene til den stokastiske variabelen X illustreres ofte i et histogram som illustrert i figur 1.7.

15 1.2 Stokastiske variabler 15 Pr(X=x i ) Antall søsken, x i Figur 1.7. Histogram. Fordelingsfunksjon Fordelingsfunksjonen til en diskret stokastisk variabel X er F.x/ D Pr.X x/ D X x i x Pr.X D x i / (1.13) Fordelingsfunksjonen kalles noen ganger den kumulative fordelingsfunksjonen. Kumulativ betyr å summere. Sannsynligheten for at den stokastiske variabelen X har en verdi i intervallet.x i ;x j er for x i <x j. Forventningsverdi Pr.x i <X x j / D Pr.X x j / Pr.X x i / D F.x j / F.x i / (1.14) Forventningsverdien 4 til en diskret stokastisk variabel X med verdimengde fx 1 ;x 2 ;:::g er E.X/ D D 1X x i Pr.X D x i / (1.15) id1 Dette betyr at forventningsverdien er summen av alle verdier variabelen kan ha, multiplisert med de tilhørende sannsynlighetene. 4 Engelsk: Expected value eller Mean value.

16 16 1 Litt sannsynlighetsregning Eksempel 1.9 Vi ser igjen på eksempel 1.8. Forventningsverdien til X er E.X/ D 0 Pr.X D 0/ C 1 Pr.X D 1/ C 2 Pr.X D 2/ C 3 Pr.X D 3/ C4 Pr.X D 4/ C 5 Pr.X D 5/ C 6 Pr.X D 6/ D 1:75 Hvis vi mange ganger gjentar forsøket med å velge ut en student tilfeldig, vil vi i gjennomsnitt få 1.75 søsken. Det er opplagt at vi ikke kan få forventningsverdien 1.75 i noe enkelt forsøk. La g.x/ være en funksjon av X. Forventningsverdien til den stokastiske variabelen g.x/ er Varians og standardavvik EŒg.X/ D 1X g.x i / Pr.X D x i / (1.16) id1 Variansen og standardavviket beskriver spredningen i variabelens verdier. Variansen til X er Var.X/ D E.X / 2 D Standardavviket til X er 1X.x i / 2 Pr.X D x i / (1.17) id1 SD.X/ D p Var.X/ (1.18) Kontinuerlige stokastiske variabler La X være en stokastisk variabel med en verdimengde som ikke er tellbar. Dette er for eksempel tilfellet når vi måler tid eller vekt. Sannsynlighetsfordelingen til X kan beskrives på flere ulike måter. På samme måte som for en diskret variabel, er fordelingsfunksjonen til X gitt ved F.x/ D Pr.X x/ for 1<x<1 Her omfatter verdimengdentil X hele tall-linja. I mange tilfeller vil verdimengden være avgrenset. I risikoanalyser kan den stokastiske variabelen representere mange ulike størrelser, som eksplosjonstrykk, spredning av gass, tid til vi får stoppet en gasslekkasje, levetid for tekniske enheter, og så videre. I de neste avsnittene vil vi se spesielt på levetid, eller tid til svikt, for en teknisk enhet. I stedet for X vil vi bruke bokstaven T som betegnelse for den stokastiske variabelen tid til svikt.

17 1.3 Pålitelighetsanalyse Pålitelighetsanalyse I en risikoanalyse vil påliteligheten til utstyr og barrierer ha betydning for resultatet. Det finnes ulike måter å beregne pålitelighet på, og i dette avsnittet beskriver vi noen viktige metoder. For en mer detaljert gjennomgang, se [3]. Begrepet pålitelighet 5 defineres slik: Pålitelighet: Evnen en teknisk enhet har til å utføre en tiltenkt funksjon under gitte miljø- og driftsforhold over en gitt tidsperiode. I noen tilfeller defineres pålitelighet som sannsynligheten for at en teknisk enhet kan utføre en tiltenkt funksjon under gitte miljø- og driftsforhold over en gitt tidsperiode Svikt og feil Når en teknisk enhet ikke lenger er i stand til å utføre en tiltenkt funksjon, sier vi at den har sviktet. Svikt er en hendelse som inntreffer ved et bestemt tidspunkt t. Like før tidspunktet t funksjonerte enheten, mens den like etter t ikke lenger er i stand til å utføre den tiltenkte funksjonen. I noen tilfeller er det lett å observere svikttidspunktet t. I andre tilfeller vil det være en gradvis degradering i enhetens ytelse, slik at det er vanskelig å si akkurat når svikten inntreffer. Etter at enheten har sviktet, sier vi at enheten er i feiltilstand, eller at den feiler. Feil er med andre ord en tilstand, mens svikt er en hendelse. På engelsk skilles det klart mellom disse begrepene, der failure betegner svikt og fault betegner feil. På norsk brukes en mer uryddig terminologi og en skiller ofte ikke mellom svikt og feil Enkle systemer Betraktetsystemmedn komponenter. Hver komponent har to mulige tilstander som beskrives med tilstandsvariabelen X i,fori D 1;2;:::;n. 1 om komponent i er funksjonsdyktig X i D (1.19) 0 om komponent i er i feiltilstand X D.X 1 ;X 2 ; X n / kalles tilstandsvektoren til systemet. Tilstanden til systemet kan beskrives ved hjelp av den binære funksjonen 6.X/ D.X 1 ;X 2 ; X n / (1.20) der 1 om systemet er funksjonsdyktig.x/ D 0 om systemet er i feiltilstand Funksjonen.X/ kalles strukturfunksjonen til systemet. 5 Engelsk: Reliability 6 En binær funksjon/variabel har bare to verdier, her 0 og 1. (1.21)

18 18 1 Litt sannsynlighetsregning Seriesystem Et system, for eksempel et gassdeteksjonssystem, som bare funksjonerer når alle n komponentene eller detektorene funksjonerer, kalles et seriesystem [3]. Strukturfunksjonen er da.x/ D X 1 X 2 X n D ny X i (1.22) og vi ser at.x/ D 1 hvis, og bare hvis X i D 1 for alle i D 1;2;:::;n. Seriesystemet kan illustreres ved pålitelighetsnettverket 7 i figur 1.8. id n Figur 1.8. Pålitelighetsnettverk for et seriesystem. La hendelsen E i være at komponent i er i feiltilstand, for i D 1;2;:::;n, og la E S betegne at systemet er i feiltilstand. Siden systemet er i feiltilstand når minst en komponent er i feiltilstand, har vi at E S D E 1 [ E 2 [[E n Systemsvikt kan også illustreres ved hjelp av et feiltre, som vist i figur 1.9, der topphendelsen vil inntreffe dersom inngangshendelse E 1 eller inngangshendelse E 2 eller... inntreffer. Feiltrær er nærmere omtalt i kapittel 10. Topp Komp. 1 feiler Komp. 2 feiler Komp. n feiler 1 2 n Figur 1.9. Feiltre for et seriesystem. Parallellsystem Et system, for eksempel et gassdeteksjonssystem, som funksjonerer når minst en av n komponentene eller detektorene funksjonerer, kalles et parallellsystem [3]. Strukturfunksjonen er da 7 Engelsk: Reliability block diagram

19 .X/ D 1.1 X 1 /.1 X 2 /.1 X n / D Pålitelighetsanalyse 19 ny.1 X i / (1.23) og vi ser at.x/ D 0 hvis, og bare hvis, X i D 0 for alle i D 1;2;:::;n. Parallellsystemet kan illustreres ved pålitelighetsnettverket i figur id1 1 2 n Figur Pålitelighetsnettverk for et parallellsystem. Siden parallellsystemet er i feiltilstand når alle komponentene samtidig er i feiltilstand, har vi at E S D E 1 \ E 2 \\E n der E i, som ovenfor, betyr at komponent i er i feiltilstand, for i D 1;2;:::;n. Systemsvikt kan også illustreres ved hjelp av et feiltre, som vist i figur 1.11, der topphendelsen inntreffer dersom inngangshendelsene E 1 og hendelse E 2 og... inntreffer. Topp Komp. 1 feiler Komp. 2 feiler Komp. n feiler 1 2 n Figur Feiltre for et parallellsystem. Tid til svikt Tid til svikt 8 for en enhet er tida som går fra enheten settes i drift, til den svikter første gang. Vi bruker t D 0 som starttidspunkt. Vi bruker betegnelsen enhet som 8 Engelsk: Time to failure

20 20 1 Litt sannsynlighetsregning et samlebegrep for komponent og system. Siden vi ikke kan forutsi hvor lang tid som går før enheten svikter, kan vi oppfatte tida til svikt, T, som en stokastisk variabel. Tilstanden til enheten ved tidspunktett kan beskrives med tilstandsvariabelen X.t/, som også er en stokastisk variabel. 1 om enheten er funksjonsdyktig ved tidspunktet t X.t/ D 0 om enheten er i feiltilstand ved tidspunktet t Sammenhengen mellom tilstandsvariabelen X.t/ og tida til svikt T kan illustreres som i figur X(t) Svikt 1 0 Tid til svikt, T Tid t Figur Tilstandsvariabelen og tid til svikt for en enhet. Legg merke til at tid til svikt T ikke alltid måles i kalendertid. Den kan også måles med andre tidsbegrep, for eksempel som: - Antall ganger en bryter koples inn/ut - Antall km en bil kjører - Antall omdreininger for et rullelager I disse eksemplene vil tid til svikt ofte være en diskret variabel. En diskret variabel kan imidlertid tilnærmes ved en kontinuerlig variabel. I det følgende vil vi anta at tid til svikt T er en kontinuerlig variabel. Vi antar at enheten settes i drift ved tidspunkt t D 0 og at verdimengden til T er den positive aksen, det vil si at vi alltid har T 0. Fordelingsfunksjonen Fordelingsfunksjonen T er definert som F.t/ D Pr.T t/ for t>0 (1.24) Vi ser at F.t/er sannsynligheten for at enheten vil svikte i tidsintervallet.0; t.

21 1.3 Pålitelighetsanalyse 21 Sannsynlighetstettheten Sannsynlighetstettheten 9 f.t/er f.t/ D d dt Dette betyr at når t er liten, så er F.t C t/ F.t/ F.t/ D lim t!0 t D lim t!0 Pr.t < T t C t/ t (1.25) Pr.t < T t C t/ f.t/ t (1.26) Fordelingsfunksjonen F.t/ og sannsynlighetstettheten f.t/ er illustrert i figur F(t) f(t) 0 Tid t Figur Fordelingsfunksjonen F.t/og sannsynlighetstettheten f.t/. Fordelingsfunksjonen begynner med verdien 0 for den minste verdien og slutter med 1 for den største verdien. Sannsynlighetstettheten viser altså sannsynligheten for å få en verdi i et bestemt intervall. Overlevelsesfunksjonen Overlevelsesfunksjonen 10 til en enhet er gitt ved R.t/ D 1 F.t/ D Pr.T > t/ for t>0 (1.27) R.t/ uttrykker sannsynligheten for at en enhet ikke vil svikte i tidsintervallet.0; t, eller sannsynligheten for at enheten overlever tidsintervallet.0; t og fortsatt er funksjonsdyktig ved tidspunktet t. 9 Engelsk: Probability density function 10 Engelsk: Survivor function

22 22 1 Litt sannsynlighetsregning R(t) 1 0 Tid t Figur Overlevelsesfunksjonen R.t/. Sviktintensitet/feilrate Sannsynligheten for at en enhet vil svikte i tidsintervallet.t; t C t når vi vet at enheten funksjonerte ved tidspunktet t, er gitt ved den betinget sannsynligheten Pr.t < T t C t j T>t/D Pr.t < T t C t/ Pr.T > t/ D F.t C t/ F.t/ R.t/ Ved å dividere denne sannsynligheten på lengden av tidsintervallet, t, ogla t! 0, får vi sviktintensiteten z.t/ til enheten Pr.t < T t C t j T>t/ z.t/ D lim t!0 t D lim t!0 F.t C t/ F.t/ t 1 R.t/ D f.t/ R.t/ (1.28) Sviktintensiteten 11 z.t/ blir også kalt feilraten til enheten. I det følgende vil vi bruke begrepet feilrate selv om dette begrepet er litt inkonsekvent. Når t er liten, ser vi fra (1.28) at Pr.t < T t C t j T>t/ z.t/ t (1.29) Legg merke til forskjellen mellom sannsynlighetstettheten f.t/og feilraten z.t/. Anta at vi starter med en ny enhet ved tidspunktet t D 0 og at vi ved tidspunktet t D 0 spør hva er sannsynligheten for at denne enheten vil svikte i intervallet.t; t C t? Ifølge (1.26) er denne sannsynligheten tilnærmet lik sannsynlighetstettheten f.t/ ved tidspunktet t multiplisert med lengden av intervallet t. Betrakt deretter en enhet som har overlevd helt til tidspunktet t, ogatvived tidspunktet t spør hva er sannsynligheten for at denne enheten vil svikte i det neste intervallet.t; t C t? Denne (betingede) sannsynligheten er ifølge (1.29) tilnærmet lik feilraten z.t/ ved tidspunktet t multiplisert med intervallengden t. 11 Engelsk: Failure rate function. Betegnelsen Hazard rate function brukes også.

23 1.3 Pålitelighetsanalyse 23 Forventet tid til svikt La T være tida til svikt for en enhet. Forventet tid til svikt, MTTF 12 er da MTTF D E.T / D Siden f.t/ D R 0.t/, har vi at [3] MTTF D Ved hjelp av delvis integrasjon, får vi Z 1 0 Z 1 0 tf.t/dt (1.30) tr 0.t/ dt Z 1 MTTF D ŒtR.t/ 1 0 C R.t/ dt Hvis MTTF < 1, kan det vises at ŒtR.t/ 1 0 MTTF D Z D 0.Isåfaller R.t/ dt (1.31) Det er ofte enklere å beregne MTTF ut fra (1.31) enn ved å bruke (1.30). Median levetid Median levetid t m defineres ved R.t m / D 0:50 (1.32) Medianen deler fordelingen i to halvdeler. Enheten vil svikte før tidspunktet t m med 50% sannsynlighet, og etter t m med 50% sannsynlighet. Varians Variansen til T er Uavhengige variabler Var.T / D 2 D E.T / 2 D Z 1 0.t / 2 f.t/dt (1.33) De to kontinuerlige variablene T 1 og T 2 er uavhengige hvis f.t 2 j t 1 / D f 2.t 2 / og f.t 1 j t 2 / D f 1.t 1 /, som er det samme som å si at T 1 og T 2 er uavhengige dersom f.t 1 ;t 2 / D f 1.t 1 / f 2.t 2 / for alle t 1 og t 2 Denne definisjonen kan lett utvides til å gjelde for mer enn to variabler. 12 Engelsk: Mean Time To Failure (MTTF).

24 24 1 Litt sannsynlighetsregning 1.4 Noen spesifikke fordelinger Diskrete fordelinger Binomisk fordeling Den binomiske fordelingen brukes når 1. Vi har n uavhengige forsøk 2. Hvert forsøk har to mulige utfall E og E 3. Sannsynligheten Pr.E/ D p er den samme i alle forsøk Denne situasjonen kalles en binomisk situasjon, og forsøkene kalles av og til Bernoulli-forsøk.LaX være antallet av de n forsøkene som gir utfallet E.Daer X en diskret stokastisk variabel med punktsannsynlighet! Pr.X D x/ D n p x.1 x/ n x for x D 0; 1; : : : ; n (1.34) x der! n D x nš xš.n x/š (1.35) er binomialkoeffisienten. Fordelingen (1.34) kalles den binomiske fordelingen.n; p/, ogviskriver noen ganger X bin.n; p/. Her er n, antall forsøk, vanligvis en kjent konstant, mens p er en parameter i fordelingen. Parameteren p er vanligvis ukjent og ikke direkte observerbar. Det er ikke mulig å måle en parameter. En parameter kan bare anslås basert på observerte data. Dersom vi bruker den Bayesianske framgangsmåten, kan parameteren også anslås basert på tro og erfaring. Forventningsverdien og variansen til X er E.X/ D np (1.36) Var.X/ D np.1 p/ (1.37) Eksempel 1.10 Ei brannpumpe blir testet med jevne mellomrom. I disse testene forsøker vi å starte pumpa og la den kjøre ei kort stund. Vi observerer svikt i oppstart (hendelse E) dersom brannpumpa ikke kan startes i løpet av et bestemt tidsintervall. Anta at vi har gjennomført n D 150 tester, og at vi kan betrakte disse testene som uavhengige. I totalt X D 2 har hendelsen E blitt registrert. Fra (1.36) vet vi at p D E.X/=n og at det derfor er naturlig å anslå sannsynligheten for svikt i oppstart ved

25 1.4 Noen spesifikke fordelinger 25 Op D x n D 2 0:0133 D 1:33% 150 Eksempel 1.11 Et 2-av-3 system er et system som funksjonerer når minst 2 av 3 komponenter funksjonerer. Vi antar at komponentene er uavhengige, og lar X være antall komponenter som funksjonerer. La p være sannsynligheten for at en bestemt komponent funksjonerer. Denne situasjonen kan betraktes som en binomisk situasjon med n D 3 forsøk, og X har derfor ei binomisk fordeling. Sannsynligheten p S for at 2-av-3 systemet funksjonerer er p S D Pr.X 2/ D Pr.X D 2/ C Pr.X D 3/!! D 3 p 2.1 p/ 3 2 C 3 p 3.1 3/ D 3p 2.1 p/ C p 3 D 3p 2 2p 3 Poisson-fordelingen og Poisson-prosessen En Poisson-prosess brukes til å modellere antall hendelser E som inntreffer i løpet av et gitt tidsintervall. Hendelsen E kan, for eksempel, være en svikt eller ei ulykke. Følgende forutsetninger stilles: 1. Antall hendelser E i et tidsintervall er uavhengig av antallet som inntreffer i et hvilket som helst annet ikke-overlappende tidsintervall. Dette betyr at Poisson-prosessen ikke har noen hukommelse. 2. Sannsynligheten for at hendelsen E vil inntreffe i løpet av et svært kort tidsintervall er proporsjonal med lengden av tidsintervallet, og avhenger ikke av antallet hendelser som inntreffer utenfor dette tidsintervallet. 3. Sannsynligheten for at mer enn én hendelse vil inntreffe i løpet av et svært kort tidsintervall er neglisjerbar. Vi antar at prosessen starter ved tidspunktet t D 0.LaN.t/ være antall hendelser E som inntreffer i tidsintervallet.0; t. Sannsynlighetsfordelingen til N.t/ kalles Poisson-fordelingen og er gitt ved Pr.N.t/ D n/ D.t/n e t for n D 0; 1; : : : (1.38) nš der >0er en parameter og e D 2:71828 : : :: Forventningsverdien av N.t/ er og E.N.t// D t (1.39)

26 26 1 Litt sannsynlighetsregning D E.N.t// t Parameteren er derfor forventet antall hendelser pr. tidsenhet, og kalles frekvensen til Poisson-prosessen. Variansen til N.t/ er Var.N.t// D t (1.40) Kontinuerlige fordelinger Eksponensialfordelingen La oss anta at tida til svikt T for en enhet er eksponensialfordelt med parameter. Sannsynlighetstettheten til T er da gitt ved e f.t/d t for t>0, >0 0 ellers (1.41) Fordelingsfunksjonen er F.t/ D Pr.T t/ D 1 e t for t>0 (1.42) Sannsynlighetstettheten og fordelingsfunksjonen til eksponensialfordelingen er illustrert i figur Påliteligheten (overlevelsesfunksjonen) blir R.t/ D Pr.T > t/ D Z 1 t f.u/dud e t for t>0 (1.43) λ 1,0 0,8 0,6 0,4 0,2 F(t) f(t) 0, t Figur Eksponensialfordelingen ( D 0:4). Forventet tid til svikt (MTTF) MTTF D Z 1 0 R.t/ dt D Z 1 0 e t dt D 1 (1.44)

27 1.4 Noen spesifikke fordelinger 27 Variansen til T er Var.T / D 1 2 (1.45) og feilraten er z.t/ D f.t/ R.t/ D e t D (1.46) e t Vi ser at feilraten til en enhet med eksponensialfordelt levetid er konstant, det vil si uavhengig av tida. En brukt enhet har derfor samme sviktsannsynlighet somennyenhet. Resultatene i (1.44) og (1.46) er i god overensstemmelse med bruken av begrepene i dagligtalen. Hvis en enhet i gjennomsnitt har D 4 svikt/år, så er enhetens MTTF 1/4 år. Anta at en enhet har eksponensiell tid til svikt T. For en slik enhet Pr.T > t C x j T>t/D Pr.T > t C x/ Pr.T > t/ D e.tcx/ e t D e x D Pr.T > x/ Dette betyr at sannsynligheten for at en enhet vil funksjonere ved tidspunktet t C x, gitt at den funksjonerer ved tidspunktet t, er lik sannsynligheten for at en ny enhet har tid til svikt som er lengre enn x. Derfor er den gjenværende levetida til en enhet som funksjonerer ved tidspunkt t, uavhengig av t,ogvisier at eksponensialfordelingen mangler hukommelse. Oppsummert betyr en antakelse om eksponensialfordelt levetid at En brukt enhet er stokastisk sett så god som ny. Derfor er det ingen grunn til å bytte ut en enhet som funksjonerer. For beregningen av overlevelsesfunksjonen, MTTF, og så videre, er det tilstrekkelig å samle inn data om antall timer i drift og antall svikt. Alderen til disse enhetene er ikke av interesse i denne sammenhengen. Eksponensialfordelingen er den mest brukte levetidsfordelingen i anvendte risikoog pålitelighetsanalyser. Grunnen er dens matematiske enkelthet og at den fører til realistiske levetidsmodeller for visse typer enheter. Normal-fordelingen Den mest brukte fordelingen i statistikkfaget er normalfordelingen. En stokastisk variabel T er normalfordelt med forventning og varians 2 når sannsynlighettettheten til T er f.t/ D 1 p 2 e.t /2 =2 2 for 1<t<1 (1.47)

28 28 1 Litt sannsynlighetsregning For enkelhets skyld skriver vi noen ganger T N.; 2 /. Sannsynlighetstettheten f.t/er symmetrisk rundt en vertikal akse gjennom t D, oghart-aksen som horisontal asymptote. Kurven har sine vendepunkt i t D. Arealet som begrenses av kurven og den horisontale aksen er (som for alle sannsynlighetsfordelinger) lik 1. I det spesielle tilfellet når D 0 og 2 D 1 kalles fordelingen standard normalfordeling, N.0; 1/. Hvis T N.; 2 / og 2 >0, så er den stokastiske variabelen U D T N.0; 1/ Fordelingsfunksjonen til en stokastisk variabel U med standard normalfordeling betegnes vanligvis ˆ.u/ D Pr.U u/. Den tilhørende sannsynlighetstettheten er.u/ D p 1 e u2 =2 (1.48) 2 Fordelingsfunksjonen til en generell normalfordelingen T N.; 2 / kan skrives som T F.t/ D Pr.T t/ D Pr t (1.49) D Pr U t t D ˆ Eksempel 1.12 La T være tida til svikt for en teknisk enhet og anta at T er normalfordelt med forventning D timer og varians 2 der D 5000 timer. Sannsynligheten for at enheten vil svikte i tidsintervallet fra t 1 D timer til t 2 D timer er: t1 Pr.t 1 <T t 2 / D Pr < T t 2 t2 t1 D ˆ ˆ D ˆ.0:200/ ˆ. 0:600/ 0:305 at La T 1 ;T 2 ;:::;T n være uavhengig og identisk fordelt N.; 2 /. Det kan vises nx T i N n; n 2 id1

29 1.4 Noen spesifikke fordelinger 29 Summen av uavhengige normalfordelte stokastiske variabler er derfor også normalfordelt og P n id1 T i n p n D 1 n P n id1 T i p n N.0; 1/ Ved å bruke betegnelsen xt D 1 n P n id1 T i kan det siste uttrykket skrives som xt E.xT/ p Var. xt/ N.0; 1/ (1.50) Sentralgrenseteoremet La X 1 ;X 2 ;::: være ei rekke av uavhengige, identisk fordelte stokastiske variabler, hver med forventningsverdi og varians 2.La xx være det empiriske gjennomsnittet av de n første variablene i denne sekvensen, slik at Fordelingen er gitt ved xx D 1 n nx id1 X i xx E. xx/ p Var. xx/ D X x p n som nærmer seg en standard normalfordeling når n!1.detbetyrat Pr xx p n y!! 1 p 2 Z y 1 e t 2 =2 dt (1.51) Dette resultatet kalles sentralgrenseteoremet og (1.51) er gyldig for alle fordelinger for X i. Eksempel 1.13 La X ha ei binomisk fordeling med parametrene n og p. X kan betraktes som en sum av n uavhengige stokastiske variabler som er binomisk fordelte.1; p/. Vi kan derfor bruke sentralgrenseteoremet til å konkludere med at fordelingen til X E.X/ p Var.X/ D X np p np.1 p/ nærmer seg ei standard normalfordeling når n!1. Normaltilnærmingen betraktes som god når n og p er slik at np.1 p/ 10.

30

31 Referanser [1] Dudewicz, E. J. & Mishra, S. A. (1988). Modern Mathematical Statistics. New York: Wiley. [2] Løvås, G. G. (2004). Statistikk for universiteter og høgskoler. Universitetsforlaget; Oslo. [3] Rausand, M. & Høyland, A. (2004). System Reliability Theory; Models, Statistical Methods, and Applications (2nd ed.). Hoboken, NJ.: Wiley. [4] Ross, S. M. (2004). Introduction to Probability and Statistics for Engineers and Scientists. Amsterdam: Elsevier. [5] Ross, S. M. (2007). Introduction to Probability Models. Amsterdam: Elsevier.