МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ

Федеральное государственное бюджетное образовательное учреждение

высшего профессионального образования
«МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ СТРОИТЕЛЬНЫЙ УНИВЕРСИТЕТ»

Кафедра строительства объектов тепловой и атомной энергетики

Л.Г. Дерюшев

НАДЕЖНОСТЬ СООРУЖЕНИЙ
СИСТЕМ ВОДОСНАБЖЕНИЯ

Учебное пособие

Москва 2015
УДК 628.1
ББК 38.761
Д36

Рецензенты:
профессор, доктор технических наук О.Г. Примин,
заместитель генерального директора ОАО «МосводоканалНИИпроект»;
кандидат технических наук И.Н. Жмаков, профессор кафедры

Дерюшев, Л.Г.
Д36 Надежность сооружений систем водоснабжения : учебное
пособие / Л.Г. Дерюшев, Х.Х. Фам, Н.Л. Дерюшева; М-во об-
разования и науки Рос. Федерации, Моск. гос. строит. ун-т. Мо-
сква : МГСУ, 2015. 280 с.
ISBN 978-5-7264-
Изложены основы теории вероятностей, математической статисти-
ки и теории надежности, которые применяются при решении задач по
оценке и обеспечению надежности сооружений систем водоснабжения.
Приведены примеры оценки надежности сооружений систем водоснаб-
жения.
Для студентов строительных вузов, научных работников и инжене-
ров, которые занимаются вопросами проектирования, строительства и
эксплуатации сооружений систем водоснабжения и водоотведения.

УДК 628.1
ББК 38.761

ISBN 978-5-7264- © ФГБОУ ВПО «МГСУ», 2015

 ПРЕДИСЛОВИЕ

В предлагаемом пособии рассмотрены основные вопросы теории

надежности водопроводных объектов в предельно простой форме.
Потребность в таком пособии уже давно назрела в связи с изме-
нившимися нормативными требованиями по оценке эффектив-
ности объектов на стадии их проектирования, строительства и экс-
плуатации. В учебных планах строительных вузов изучению «на-
дежности объектов систем водоснабжения и водоотведения»
отводится очень небольшое количество часов, следовательно, по-
собие по этой дисциплине не может вместить ни разъяснений слож-
ных вопросов, ни доказательств отдельных математических моде-
лей, ни сколько-нибудь подробных практических примеров по
оценке надежности водопроводных сооружений. Предлагаемое
пособие необходимо использовать совместно с тем перечнем ма-
териалов, который приведен в библиографическом списке.
При составлении пособия ставилась цель описать необходимые
понятия и методы, необходимые исследователю при решении про-
блемы надежности объекта на стадии его проектирования или экс-
плуатации, в их логической последовательности. Изложенные в
пособии модели и предложения помогут студенту оценить надеж-
ность системы, сооружения, установить уровни надежности и опре-
делить способы достижения этих уровней. Предложения почерп-
нуты главным образом из монографий ведущих специалистов МГУ,
МГСУ, СПбГАСУ в области теории надежности, собственной про-
изводственной и исследовательской практики. Следует иметь в виду,
что, несмотря на значительное место, отведенное примерам оцен-
ки надежности водопроводных сооружений, они служат в первую
очередь иллюстрацией представлений в области теории надежности
водопроводных объектов.

Автор выражает глубокую благодарность аспирантам Ха Хай Фам

и Н.Л. Дерюшевой за сбор исходных данных и оформление пособия.

Л.Г. Дерюшев

3
 ВВЕДЕНИЕ

Надежность сооружений систем водоснабжения как наука не-

разрывно связана с именем замечательного ученого в области водо-
снабжения Н.Н. Абрамовым. В монографии «Надежность систем
водоснабжения» Н.Н. Абрамов наряду с оригинальным изложени-
ем самой теории надежности обосновал основные направления ее
практического применения при проектировании, строительстве и
эксплуатации систем водоснабжения и водоотведения. Он впервые
сформулировал и предложил термины и показатели надежности
водопроводных систем, сооружений и их составляющих (оборудо-
вания, конструкций, материалов).
Теория надежности систем водоснабжения это система опреде-
ленных идей, математических моделей и методов, направленных
на оценку и обеспечение надежности инженерных сооружений по
забору, очистке, подаче и распределению воды потребителям.
Поскольку теория надежности в основном связана с нахожде-
нием вероятностей, средних значений, распределений вероятно-
стей и т.д., то можно допустить, что она тесно связана с теорией
вероятностей, математической статистикой, теорией массового
обслуживания.
Надежность — это мера способности объекта (изделия, соору-
жения, системы) работать безотказно, когда он находится в экс-
плуатации. Количественно надежность выражается вероятностью
безотказной работы объекта в течение времени t в заданных усло-
виях эксплуатации. Понятием, противоположным надежности,
является понятие ненадежности, которое определяется как вероят-
ность отказа в течение заданного t времени работы. Надежность —
понятие качественное. Надежность каждого объекта в конкретных
условиях его работы задается числовыми или функциональными
характеристиками (показателями).
Математическая теория надежности возникла в связи с опытом
эксплуатации сложных военных систем в годы Второй мировой
войны. Системы водоснабжения — не менее сложные и ответствен-
ные объекты для любых населенных или промышленных пунктов.
Безотказная подача воды воспринимается потребителями не как
прихоть в обеспечении их комфортных условий быта, а как нор-
мальная потребность для существования. Обеспечение нормальных

4
санитарных условий и пожарной безопасности нарушается при
прекращении подачи воды потребителям.
Действующие нормативные документы по проектированию во-
допроводных сооружений содержат требования по обеспечению
надежности систем водоснабжения по трем категориям. Однако
этими требованиями не предусматривается количественная оцен-
ка надежности проектируемого объекта. Обеспечение качества си-
стемы водоснабжения негласно переносится на усмотрение экс-
пертов, проектировщиков, строителей и инженеров службы экс-
плуатации объекта. Высокий уровень подготовки отечественных
специалистов в области водоснабжения и водоотведения до недав-
него времени позволял сравнительно неплохо проектировать и
строить водопроводные объекты. С переходом на коммерческую
основу взаимоотношений между заказчиком и исполнителем ста-
вится под сомнение условное обеспечение надежности системы
водоснабжения. На отечественный рынок в настоящее время по-
ставляются материалы, оборудование, машины и механизмы мно-
гочисленными поставщиками с различной репутацией. Поставщи-
ки не несут ответственности за рекламу своей продукции, а потре-
бители не владеют теми инструментами, которые бы позволили
оценить качество предлагаемого товара.
Во всем мире качество продукции оценивается методами, кото-
рые применяются в теории надежности: математического модели-
рования, математической статистики. В свою очередь, все эти ме-
тоды базируются на теории вероятностей, носящей название «рус-
ской науки», фундамент которой был заложен Н.И. Лобачевским
(1792—1856), М.В. Остроградским (1801—1861), Б.Я. Буняковским
(1804—1889), П.Л. Чебышевым (1821—1894), А.М. Ляпуновым
(1857—1918), А.А. Марковым (1856—1922), А.Н. Колмогоровым
(1903—1987). Сейчас нет области знания, в которой не использо-
вались бы перечисленные методы. Применение вороятносто-ста-
тистических методов стало традиционным во многих науках.
В настоящем учебном пособии приводятся наиболее известные
методы оценки и обеспечения надежности объектов, которые мо-
гут применяться в системах водоснабжения. Подготовка специали-
стов, обладающих знаниями в области теории надежности систем
водоснабжения, позволит осознанно подходить к вопросам нор-
мирования, проектирования, строительства и эксплуатации каче-
ственных водопроводных систем.

5
 Глава 1
ПОНЯТИЕ НАДЕЖНОСТИ

1.1. Термины и определения надежности в теории

водоснабжения
Формирование теории водоснабжение как науки можно отнести
к третьему тысячелетию до н.э. Но, не смотря на этот исторический
период и очевидность факта, что вода является самым необходимым
продуктом для существования человечества, теория надежности
водоснабжения не получила должного развития. Вопросами водо-
снабжения до 50-х гг. прошлого столетия занимались инженеры
путей сообщения, инженеры-механики [1]. До настоящего време-
ни законодательно не сформулированы понятия надежности систем
водоснабжения. Надежность водоснабжения каждый инженер трак-
тует по своему усмотрению. Нет единства в представлении о каче-
стве водоснабжения.
В технике и математической статистике надежность объекта
имеют точное значение и определение. Под понятием объект под-
разумевается любое изделие, сооружение, надежность которого
изучается независимо от его структуры. В то же время, при состав-
лении модели надежности объекта его именуют элементом или си-
стемой. Различие между этими понятиями чисто условное и со-
стоит в том, что при определении надежности элемент считают
неделимым, а систему представляют в виде совокупности отдельных
частей, надежность каждой из которых определяют отдельно.
До последнего времени надежность объектов водоснабжения
решалась за счет запасов прочности или широкого применения
резервирования, что приводило к увеличению стоимости сооруже-
ний. Этот упрощенный процесс в настоящее время не прекратил-
ся. Наоборот, темпы его развития возрастают, и будут продолжать
возрастать. Отсюда следует, что проблема повышения надежности
из года в год становится все более актуальной.
Наиболее кратко надежность можно определить, как свойство
объекта не отказывать в работе. Если объект работает хорошо и
всегда готов выполнять те функции, для которых он предназначен,
то такой объект называют надежным.

6
 Удовлетворительная работа объекта без отказов на интервале
времени t и готовность к работе в нужное время являются крите-
риями надежности. Изделие может состоять из одного элемента —
кирпича, но может представлять собой и сложную систему, из не-
скольких элементов: водозаборного сооружения, насосной стан-
ции, очистных сооружений, трубопроводов. Надежность системы
зависит от надежности его элементов. Как будет показано далее,
существует точная математическая связь между надежностью си-
стемы и надежностью ее элементов. Мерой повреждаемости из-
делия является интенсивность его отказов. Если отказы отсутству-
ют, оборудование обладает 100%-й надежностью или уровнем на-
дежности равным 1. Однако опыт показывает, что безотказных
изделий не существует.
Понятием, противоположным надежности, является понятие
ненадежности, которое определяется как вероятность отказа в те-
чение заданного времени работы.
Решение задач по надежности объекта имеет два аспекта: коли-
чественное определение и собственно обеспечение требуемого
уровня надежности.
При рассмотрении различных проблем надежности объектов
водоснабжения исследуются и оцениваются определенные коли-
чественные показатели. К сожалению, определения, которые при-
водятся в учебной и нормативной литературе по данным показате-
лям не всегда однозначны. Особенно это проявляется в ГОСТах
изданных до 1990 и после 1990 годов [6; 7; 8; 9].
Не обращая внимание на сочетание изменений и совпадений в
формулировках, ориентируясь на смысловое содержание основных
определений и понятий, которые используются в теории надеж-
ности [1; 2; 3; 6; 8; 10], отметим, что под термином надежность
системы водоснабжения следует понимать ее свойство сохранять
во времени в установленных пределах значения всех параметров, ха-
рактеризующих способность выполнять требуемые функции в задан-
ных режимах и условиях применения, технического обслуживания,
ремонтов.
Надежность включает: безотказность, долговечность, ремонто-
пригодность и сохраняемость [6; 10].
Надежность имеет для потребителя такое же значение, как ко-
личество воды, которое должно подаваться в единицу времени. Если
случиться, что количество воды, подаваемой потребителю в еди-
ницу времени, снизится, то такая ситуация, хотя она и не является

7
желательной, в определенных условиях может считаться допусти-
мой, а система водоснабжения — надежной. С другой стороны,
водовод, который пропускает всю воду от водопитателя, может от-
казать в работе на длительный период. Тут-то и возникает понятие
надежности системы водоснабжения.
Допустимые пределы изменения параметров или свойств систе-
мы водоснабжения, составного оборудования, сооружений, обе-
спечивающих ее работоспособность, нормируются требованиями
СНиП, технической документацией. Поэтому отклонение параме-
тров (подачи Q, напора Н или других характерных параметров) за
допустимые пределы следует рассматривать как одну из форм утра-
ты свойств, необходимых для обеспечения работоспособности объ-
екта. Поэтому понятие исправности шире понятия работоспособ-
ности. В случаях, когда контролируемые параметры выходят за
допустимые пределы, то наступает отказ объекта. Частота, с кото-
рой происходят отказы и неисправности, используется как параметр
для математического определения надежности. Этот параметр на-
зывается интенсивностью отказов λ и измеряется обычно числом
n
отказов n за время t работы, λ = . Обратная величина называется
t 1
временем наработки до первого отказа (между отказами) T = .
λ
Обычно допускается, что время до первого отказа объекта Т — ве-
личина случайная. Это предположение выполняется далеко не всег-
да (например, когда нестабильно выполняется ремонт объекта,
меняется состав оборудования, сооружений и т.д.).
Количественно надежность выражается вероятностью безот-
казной работы объекта в течение заданного времени в расчетных
условиях эксплуатации. Для оценки вероятности события (безот-
казной работы) принято использовать обозначение Р. Истинная
вероятность Р определяется как предел

n
P = lim P = lim ,
N →∞ N →∞ N

где n — количество благоприятных исходов;

N — общее количество испытаний.
Необходимо помнить, что если вероятность получена на основе
небольшого числа опытов N, она может представлять собой (хотя и
не обязательно) только оценку Р вероятности. Если в результате

8
большого числа испытаний известно, что надежность системы рав-
на 0,9, то из этого не следует, что эта система из 10 операций 9 вы-
полнит успешно и только 1 раз откажет. Возможно, что будет 2 или
3 отказа, а может быть и не будет ни одного. Но из большого числа
испытаний около 90 % будет без отказов и около 10 % — с отказами.
Расчет надежности, будучи вероятностным расчетом, использует
идеализированные, математические модели. Инженер, который вы-
полняет подобные расчеты, должен иметь знания в области мате-
матического анализа и курса теории вероятностей. Опираясь на
результаты испытаний (наблюдений) объектов, он оценивает их на-
дежность статистическими методами. На основе полученных ре-
зультатов составляются рекомендации и оценки, которые позволя-
ют рассчитывать необходимый на данный период времени состав
сооружений и оборудования для конкретных условий эксплуатации
системы водоснабжения. Кроме того, эти оценки позволяют решать
проблему оптимизации надежности системы водоснабжения — про-
блему оптимального синтеза, оптимального резервирования и об-
служивания объектов. Теория надежности — точная наука; она ба-
зируется на конкретных правилах и законах, которые сформулиро-
ваны в теории вероятностей, математической статистике, теории
потоков, теории массового обслуживания в единых терминах и по-
нятиях. Основная терминология, которая применяется в теории на-
дежности, исчерпывающим образом изложена в литературе [1—10].
Испытанием (или наблюдением) называется осуществление на
практике какого-нибудь комплекса условий; явления, происходя-
щие при наличии этого комплекса, называются событиями. Явле-
ния, происходящие при многократных повторениях испытания,
называются массовыми.
Если при каждом испытании неизбежно происходит событие
U, то такое событие называется достоверным. Если некоторое со-
бытие ξ заведомо не может произойти в условиях данного испыта-
ния, то его называют невозможным.
В теории вероятностей события, представляющие различные
возможные исходы испытания, называются случайными.
Случайной величиной называется переменная Х, значение ко-
торой определяется случайным исходом испытаний. Случайные
величины обозначаются прописными буквами латинского алфа-
вита X, Y, Z, ..., а их возможные значения — строчными буквам xi,
yi, zi, ..., где i = 1, 2, 3, ... . В теории вероятностей различаются два
вида случайных величин: дискретные и непрерывные.

9
 Дискретные случайные величины — это величины, которые мо-
гут принимать конечное или бесконечное множество значений.
При этом они могут быть определенным образом занумерованы и
составлять последовательный ряд x1, x2, ..., xn.
Непрерывные случайные величины — это величины, которые в
пределах интервала (даже небольшого) могут принимать бесконеч-
ное количество значений.
Все эти понятия используются в тех случаях, когда испытания
носят массовый характер. И тогда интерес представляют как раз не
результаты единичного испытания, а некоторые общие закономер-
ности массового явления в целом. Закономерности массовых яв-
лений требуют для своего изучения особых «статистических» при-
емов исследования.
При изучении массовых явлений прежде всего встречаются с
понятием частости случайного события. Если испытание повто-
рилось N раз, возможно появление некоторого события А и при
этом k раз событие А фактически имело место; тогда частость по-
явления события А в данной серии из N испытаний равна

k
W ( A) = .
N

В весьма обширном и важном классе случаев при многократном

повторении испытания частость появления события А обнаружи-
вает устойчивость, т.е. она очень редко сколько-нибудь существен-
но отклоняется от некоторого положительного постоянного числа.
Это положительное число, меньшее единицы и представляющее
собой количественную оценку возможности случайного события
А, называется его вероятностью. Вероятность, обозначаемая сим-
волом Р(А), представляет собой некую величину, связанную со слу-
чайным событием А.
Для описания случайных величин используются:
• закон распределения случайной величины, который является
наиболее полной ее характеристикой; он несет всю необходимую
информацию о случайной величине. Недостатком этой характери-
стики является то, что для ее получения необходимо иметь большое
число наблюдений (испытаний);
• числовые характеристики случайной величины, которые несут
гораздо меньшую информацию о случайной величине, но требуют
меньшего объема наблюдений (испытаний) для своего определения.

10
 Наиболее часто в качестве числовых характеристик использу-
ются:
• характеристика, которая определяет положение центра груп-
пирования наблюдаемых значений случайных величин;
• характеристика, которая описывает распределение отдельных
значений случайной величины относительно центра группиро-
вания.
Числовые характеристики и параметры закона распределения
случайной величины связаны между собой определенней зависи-
мостью; часто по значению числовых характеристик можно пред-
положить вид закона распределения случайной величины.

1.2. Закон распределения случайной величины

Соответствие между всеми возможными значениями случайной
величины и их вероятностями называется законом распределения
данной случайной величины.
Как правило, в качестве закона распределения случайной вели-
чины используется функция распределения (интегральный закон
распределения) случайной величины: Функцией распределения
случайной величины Х называют функцию F(x), определяющую
для каждого значения х вероятность того, что случайная величина
Х примет значение меньше х, т.е. F(x) = P{X < x}.
Иногда функцию F(x) называют интегральной функцией рас-
пределения. Функция распределения обладает следующими свой-
ствами:
• Значение функции распределения принадлежит отрезку [0, 1]:
0  F(x)  1.
• Функции распределения есть неубывающая функция.
• Вероятность того, что случайная величина Х примет значение,
заключенное в интервале (а, b), равна приращению функции рас-
пределения на этом интервале:

Р{а < X < b} = F(b) – F(а).

• Если все возможные значения случайной величины Х при-
надлежат интервалу (а, b), то F(x) = 0 при х  а; F(x) = 1 при х  b.
• Справедливы следующие предельные отношения:

lim F ( x ) = 0; lim F ( x ) = 1.
n→−∞ n→∞

11
 На практике функции распределения непрерывных случайных
величин именуют как законы распределения. Подобное допущение
не искажает существенно точность при оценке случайных событий.
В теории надежности водоснабжения в качестве основной не-
прерывной случайной величины рассматривается время t (время
наработки на отказ, время восстановления и т.д.). Поэтому в даль-
нейшем все рассуждения о непрерывных случайных событиях бу-
дем проводить с учетом тождества X ≡ t и условия

F(t) = P{T  t}.

Следовательно, P{T > t} = 1 – F(t), поскольку рассматриваются

противоположные события, которые образуют полную группу со-
бытий.
Для решения ряда задач необходимо знать теоретические зако-
ны распределения случайных величин.
Рассматрим две группы законов распределения случайных ве-
личин:
• для дискретных случайных величин;
• для непрерывных случайных величин.

1.2.1. ЗАКОНЫ РАСПРЕДЕЛЕНИЯ ДИСКРЕТНЫХ СЛУЧАЙНЫХ ВЕЛИЧИН

Для решения ряда задач необходимо знать теоретические зако-
ны распределения случайных величин.
Наиболее часто применяются следующие законы распределения
дискретных величин:
• Биноминальное распределение. Это распределение возникает в
случае, если:
— при испытаниях возможно два исхода: появление и непо-
явление события;
— испытания проводятся в объеме n, установленном заранее;
— при каждом испытании вероятность появления интересу-
ющего нас события остается постоянной.
Биноминальное распределение описывает распределение
P(x, n, p)-вероятностей появления ровно х событий в испытаниях
объема n с вероятностью р появления события в каждом испытании.
Интересующая нас вероятность появления ровно х событий в
испытаниях объемом n определяется по формуле

12
 n!
P ( x, n, p) = C nx p x (1 − p)n− x = p x (1 − p)n− x , 0 ≤ P ≤ 1.
x !(n − x )!

Здесь величины n и p являются параметрами закона распреде-

ления.
Переменные величины, определяющие значения искомой ве-
роятности, называются параметрами этого распределения.
Числовые характеристики биномиального распределения (точ-
ное определение которых будет приведено ниже в подразд. 1.3) и
их связь с параметрами распределения могут быть представлены в
виде:
• математического ожидания, представляющего собой число
событий, возникающих при многократном повторении испытаний

X = M[X] = np;
• дисперсии

D(x) = np(1 – p);

• коэффициента вариаций

б( x ) 1− p
ϑx = = ;
M [X ] np

• коэффициента асимметрии

1− 2 p
Σ x = α3 = ;
np(1 − p)

• коэффициента эксцесса

σ 1
E x = α4 = 3 − + .
n np(1 − p)

Отметим, что для нормального распределения α3 = 0 и α4 = 3

Часто необходимо знать статистические значения величия P*;
Dp*. Значение P* можно оценить по формуле

13
 x
P* = , (1.1)
n
где х — количество интересующих нас исходов испытаний;
n — общее число испытаний.
Математическое ожидание этой оценки

⎡x⎤ 1 1
M [P x ] = M ⎢ ⎥ = M [ x ] = np = p.
⎣ ⎦
n n n

Таким образом, статистическое значение вероятности P*, опре-

деленное по формуле (1.1), является несмещенной оценкой р:

⎛x⎞ 1 1 p * (1 − p * )
D p* = D ⎜ ⎟ = 2 D( x ) = 2 np * (1 − p * ) = . (1.2)
⎝n⎠ n n n

Следовательно,

p * (1 − p * )
б p* = D p* = .
n

Если объем наблюдений n увеличивается (n → ), то биноми-

альное распределение стремится к нормальному с параметрами

a = pnD(x) = np(1 – p).

Функция распределения для биномиального закона

x ⎛n⎞
F ( x, n, p) = ∑ i =1 p( x, n, p) = ∑ i =1 ⎜ ⎟ p x (1 − p)n− x .
x
⎝x⎠

Пример 1.1. Определить вероятность того, что в контролируемой

партии оборудования будет обнаружено число бракованных штук бо-
лее двух, но менее или равно 4, для случая, когда: n = 20; p = 0,3.
Таблица 1.1
Данные к примеру
x P(x) F(x) x P(x) F(x)
0 0,0008 0,0008 3 0,0716 0,1070
1 0,0068 0,0076 4 0,1304 0,2374
2 0,0278 0,0354 5 0,1789 0,4163

14
 Следовательно, интересующая нас вероятность будет равна

P{2 < x  4} = F(4) – F(2) = 0,2374 – 0,0354 = 0,202.

Биноминальное распределение применяется для апроксимации
модели событий, возникающих:
• при испытаниях элементов без замены (распределение веро-
ятностей числа вышедших из строя элементов подчиняется бино-
миальному распределению при том, что условия проведения опы-
та постоянны);
• при контроле качества изготовления оборудования (деталей)
выборками объемом n с возвращением.
Обобщением биномиального распределения является полино-
миальное распределение.
• Полиноминальное распределение. Применяется для аппрокси-
мации модели событий, когда количество исходов испытаний будет
более двух (например, деталь по результатам испытаний может быть
отнесена к одной из групп очень высокого, высокого, среднего ка-
чества и негодная).
В этом случае:

n! x
P ( x1, x2 , ..., x k ; n, p1, p2 , ..., pk ) = p1x1 p2x2 ... pk k ,
x1 ! x2 ! ... x k !

где k — количество исходов;

i = 0, 1, 2, …, n; 0  pi  1; ∑ pi = 1.
n
i =1
• Распределение Пуассона. Это распределение нашло широкое
применение в технике. Оно возникает в том случае, если вероят-
ность p появления события при каждом испытании мала, а объем
испытаний велик. Часто это распределение называют распределе-
нием редких событий. Этому распределению подчиняется количе-
ство неисправностей (отказов) в заданных равных интервалах вре-
мени, число бракованных изделий в контролируемых партиях.
Распределение Пуассоза имеет вид

a x −a
P ( x, a ) = e ,
x!

где а — параметр распределения.

15
 Распределение Пуассона является однопараметрическим. Чис-
ловые характеристики распределения (подробнее их определения
приводятся в подразд. 1.3) следующие:
• среднее значение

M[x] = a;
• дисперсия

D(x) = a → M[x] = D(x) = a;

• коэффициент вариации

1
ϑx = ;
a

• коэффициент асимметрии

1
Σ x = α3 = ;
a

• коэффициент эксцесса

1
E x = α4 = + 3.
a

При увеличении параметра a распределение Пуассона стремит-

ся к нормальному. Если а > 20, то распределение Пуассона заме-
няют нормальным. Распределение Пуассона часто используется
вместо биномиального распределения. Если в каждом испытании
p  0,10, то биномиальное распределение заменяется распределе-
нием Пуассона, т.е.

P(x, n, p) = P(x, a = pn).

• Распределение Паскаля. При испытаниях или планировании

эксперимента может возникнуть задача получения заданного чис-
ла событий k на случайном отрезке времени хi.
Распределение Паскаля представляет собой распределение ве-
роятностей длительности испытаний до получения определенного

16
числа интересующих нас исходов, если вероятность этих исходов
при каждом испытании равна р.
Распределение Паскаля является двухпараметрическим и имеет
вид

P ( x, k, p) = C xk−−11 p k (1 − p) x −k ,

где х — число повторений испытаний или длительность проведения

испытаний, x = k, k + 1, …;
k — количество исходов, до достижении которых испытания бу-
дут прекращены;
p — вероятность интересующего нас исхода в каждом испытании,
0  p  1.

1.2.2. ЗАКОНЫ РАСПРЕДЕЛЕНИЯ НЕПРЕРЫВНОЙ СЛУЧАЙНОЙ ВЕЛИЧИНЫ

Для описания непрерывных случайных величин задание вероят-
ностей P(ti) не имеет смысла, так как даже в малых интервалах зна-
чений ti будет несчетное множество.
В этих случаях для установления связи между значениями ин-
тервала, в который может попадать случайная величина, и вероят-
ностью попадания в этот интервал используется понятие плотность
вероятности f(t), т.е.

P {t < T < t + Δt }
lim = f ( x ).
Δt →0 Δt
Эту форму записи закона распределения часто называют диф-
ференциальным законом распределения.
Между плотностью вероятности f(t) и функцией распределения
F(t) существует следующая связь (рис. 1.1):
∞
F (t ) = P {T ≤ t } = ∫ f (t )dt,
−∞

следовательно (рис. 1.2),

t1 t2
F (t1 ) = P {T ≤ t } = ∫ f (t )dt; F (t 2 ) = P {T ≤ t } = ∫ f (t )dt ;
−∞ −∞

17
 t2 t2 t1
P {t1 < T < t 2 } = ∫ f (t )dt = ∫ f (t )dt − ∫ f (t )dt = F (t 2 ) − F (t1 ).
t1 −∞ −∞

f(t)

t
t t + Δt
Рис. 1.1. Функция плотности вероятности

f(t)

f(ti)
t
t1 t2

Рис. 1.2. График функции f(t)

1.2.3. НЕКОТОРЫЕ СВОЙСТВА ФУНКЦИИ РАСПРЕДЕЛЕНИЯ

Функция распределения представляет собой непрерывную воз-
растающую величину (рис. 1.3).
f(t)

1,0

t
t1 t2

Рис. 1.3. График функции F(t)

18
 Приращение функции распределения на интервале (t1, t2) пред-
ставляет собой вероятность попадания случайной величины T в
этот интервал, т.е.

P{t1 < T < t2} = F(t2) – F(t1).

Если случайная величина T изменяется в пределах от – до +,

то:
lim F ( x ) = 0;
x →−∞

lim F ( x ) = 1.
x →+∞

Следовательно, в общем случае

0  F(t)  1.
Если функция распределения представляет собой непрерывную
величину, то

dF (t )
F ′(t ) = = f (t ).
dt

1.3. Числовые характеристики случайных величин

1.3.1. ИСПОЛЬЗУЕМАЯ ТЕРМИНОЛОГИЯ

Рассмотренные выше законы распределения наиболее полно
характеризуют случайные величины, так как указывают, какие зна-
чения (или из каких интервалов) может принимать соответствую-
щая случайная величина и каковы вероятности этих значений. Од-
нако в ряде случаев для выполнения инженерных расчетов о слу-
чайной величине требуется знать гораздо меньше, а именно:
• знать некоторое среднее из значений случайной величины,
вокруг которого группируются остальные значения, т.е. знать по-
ложение «центра группирования» на числовой оси;
• знать каково рассеивание массы вероятности относительно
некоторого центра, т.е. знать числовую характеристику рассеива-
ния.

19
 Наиболее часто употребляются в технике следующие числовые
характеристики положения центра группирования:
• математическое ожидание, или среднее значение, случайной
величины Т обозначаемое символом MТ;
• медиана случайной величины t, обозначаемая символом Меt;
• мода случайной величины t, обозначаемая символом М0t;
• квантиль — параметр, отвечающий заданному уровню вероят-
ности Р, т.е. такое значение x = xp, при котором функция распре-
деления принимает значение Р и F(xp) = P.
Рассмотрим оценку математического ожидания или среднего
значения.
Среднее значение случайной непрерывной величины представ-
ляет собой начальный момент первого порядка, т.е.

Т = М [T].
Математическое ожидание не является случайной величиной,
оно принимает вполне определенное значение и определяется по
формуле
∞
T= ∫ tf (t )dt.
−∞

Статистическое значение средней величины определяется из

соотношения

1 Z 1 Z
T*= ∑
n j =1
t j m j = ∑ t j a.
n j =1

Величина T*, определяемая по формуле (1.2), является несме-

щенной, состоятельной и эффективной оценкой математического
ожидания M[Т].
Величина T* случайна и является функцией объема результатов
наблюдений.
Под понятием медиана Меt в математической статистике под-
1
разумевается квантиль, которая отвечает значению F(tp) = p = ,
2
1
т.е. такое значение, для которого функция распределения равна .
2

20
При геометрической интерпретации (рис. 1.4) медиана есть абсцис-
са такой точки кривой плотности вероятности f(t), ордината кото-
рой делит площадь под кривой на две равные части.
f(t)

F1
F2

t
Met

Рис. 1.4. Интерпретация понятия «медиана»

В математической статистике модой М0t называется наиболее

вероятное значение ti случайной непрерывной величины Т, плот-
ность вероятности f(t) которой имеет наибольшее значение
(рис. 1.5).
f(t)

t
M0t

Рис. 1.5. Интерпретация понятия «мода»

Не менее важной характеристикой случайной величины служит

ее показатель рассеивания. Например, если имеются две равно-
мерно распределенные непрерывные случайные величины и одна
из них распределена в области от –5 до +5, а другая — от –500 до
+500, то эти величины имеют одинаковые математические ожида-
ния, но существенно различаются по характеру рассеивания. Пер-
вая из них компактнее распределена относительно средней, чем

21
вторая. Характеристика, показывающая насколько тесно сгруппи-
рованы возможные значения случайной величины около центра
группирования, называется числовой характеристикой рассеива-
ния. Очевидно, что таких характеристик с одинаковым назначени-
ем может быть несколько.
В технике наиболее часто употребляются следующие характе-
ристики рассеивания:
• дисперсия, обозначаемая символом DТ (или DХ);
• среднее квадратическое отклонение, обозначаемое через σt;
• коэффициент вариации, обозначаемый символом ϑt.
Во всех этих характеристиках за центр рассеивания принимает-
ся математическое ожидание величины.
Формулы для определения дисперсий имеют следующий вид:
• для дискретных величин
n
D( x ) = ∑ ( xi − x )2 p( xi );
i =1

• для непрерывных величин

∞

∫ (ti − T )
* 2
D(T ) = f (t )dt .
−∞

Характеристики рассеивания случайной величины графически

могут быть представлены в виде (рис. 1.6):
f(t)

D(t1)

D(t2)
t
T
Рис. 1.6. Интерпретация понятия
«рассеивание случайных величин»

Cтатистическая дисперсия S2(t), характеризующая рассеивание

случайной величины tj в наблюдениях объемом n, определяется по
формуле

22
 1 Z
( )
2
S 2 (t ) = ∑ t −T
n j =1 j
mj,

где mj — число наблюдений в j-м интервале;

z — количество интервалов, на которое разбиваются все наблю-
дения, или

1 n
( )
2
S 2(x) = ∑
n i =1
ti − T .

Здесь в качестве средней величины T используется ее теорети-

ческое значение. На практике эта величина практически не из-
вестна, поэтому используется ее оценка T *, определяемая по ре-
зультатам наблюдений. В этих случаях при обработке статистиче-
ских данных для определения S2(t) используются формулы

1 Z
( )
2
S 2 (t ) = ∑ t −T *
n − 1 j =1 j
mj

или

1 Z
( )
2
S 2 (t ) = ∑ t −T *
n − 1 i =1 i
mj.

В технике чаще пользуются не самой дисперсией, а корнем ква-

дратным из нее, взятым с положительным знаком, называемым
средним квадратическим отклонением и обозначаемым символом
σ(t).
Итак,
σ(t ) = D(t )

или, при его оценке, S (t ) = S 2 (t ).

1.3.2. КОЭФФИЦИЕНТ ВАРИАЦИИ

В качестве относительной характеристики рассеивания также
используется коэффициент вариации, обозначаемый символом ϑt
и представляющий отношение среднего квадратического отклоне-
ния к среднему значению Т или T * (рис. 1.7), т.е.

23
 σ(t )
ϑt = ,
T

или эмпирический коэффициент вариации

S (t )
ϑ *t (t ) = .
T*

f(t)

t1*; S(t1)

t2*; S(t2)

t
t1* t2*

Рис. 1.7. Интерпретация относительной характеристики рассеивания —

«коэффициента вариации»

1.3.3. КОРРЕЛЯЦИЯ МЕЖДУ ДВУМЯ СОБЫТИЯМИ

В инженерной практике случай применения коэффициента кор-
реляции для оценки силы (тесноты) связи между величинами, ког-
да исследуется связь между двумя признаками Х к Y, встречается
сравнительно часто. Например, зависимость бесперебойной рабо-
ты электроагрегата от частоты его включений и возникающей при
этом пусковой нагрузки по мощности. Такая зависимость общеиз-
вестна, она оценивается всеми изготовителями насосных агрегатов
и нагнетателей воздуха, а также эксплуатирующими организациями.
Коэффициентом корреляции величин Х и Y называется ковариа-
ция cov(X′Y′) нормированных величин X′ и Y′. Этот коэффициент
по абсолютной величине всегда меньше единицы и достигает зна-
чения +1 или –1 лишь при наличии точной линейной зависимости
между величинами Х и Y. В теории математической статистики [3;
13] коэффициент корреляции обозначают ρXY. Ковариацией на-
зывают также момент связи случайных величин X и Y.
Вычисление коэффициента ρXY можно рассмотреть на примере.
Пусть X и Y — случайные величины с математическими ожида-
ниями МX, МY и дисперсиями σX2 и σY2. Величины X и Y нормиро-
ваны, их оценки получают по формулам

24
 X − MX Y − MY
X′= ,Y′= ,
σX σY

где σX, σY — среднее квадратическое отклонение случайной вели-

чины Х от центра группирования МХ и соответственно Y от МY.
Вычисления ковариации и коэффициента корреляции величин
X и Y выполняется по формуле

⎛ X − MX Y − MY ⎞
ρ XY = cov( X ′Y ′) = M ⎜ ⎟⎠ =
⎝ σX σY
M [( X − MX )(Y − MY )] cov( XY ) μ xy
= = = .
σ X σY σ X σY σ X σY

Если величины X и Y независимы, то их ковариация, а следова-

тельно, и коэффициент корреляции равны нулю. Обратное заклю-
чение о независимости величин при условии ρXY = 0 несправедливо.

1.3.4. КОЭФФИЦИЕНТ АСИММЕТРИИ Σt (ИЛИ α3)

Этот коэффициент характеризует асимметрию кривой распре-
деления f(t) (рис. 1.8) и вычисляется как отношение третьего цен-
трального момента μ3 ко второму центральному моменту в степени
3/2; т.е.

μ3 μ3
Σt = = .
μ3/2
2 σ 3 (t )

f(t)

1
2

t
t1 t2

Рис. 1.8. Интерпретация характеристики «ассиметрия»:

1 — симметричное распределение; 2 — асимметричное распределение

25
 Статистическое значение коэффициента асимметрии опреде-
ляется по формуле

1 n
* ∑(t − t * )3
n i =1 i
∑ = S 3(t ) .
t

1.3.5. КОЭФФИЦИЕНТ ЭКСЦЕСССА Ex (ИЛИ αv)

Этот коэффициент является показателем островершинности
кривой распределения f(x), т.е. характеризует, насколько рассма-
триваемое распределение отличается от нормального (рис. 1.9).

f(t)

Рис. 1.9. Интерпретация показателя «коэффициент эксцесса»:

1 — рассматриваемое распределение; 2 — нормальное распределение

Коэффициент эксцесса представляет собой отношение четвер-

того центрального момента μv к квадрату второго центрального мо-
мента μv2 т.е.

μv μv
Et = αt = = .
μ 2v σ tv

Статистическое значение коэффициента эксцесса начисляется

по формуле

1 n
n
∑(ti − t * )4
E t* = i =1 4 .
S (t )

26
 Понятие числовых характеристик может быть распространено
и на систему случайных величин.
Например, для двух случайных величин X и Y начальным мо-
ментом порядка k, s называется математическое ожидание произ-
ведения Xk и Ys, т.е.

mk,s = M[XkYs].
Центральным моментом порядка k, s систем (X, Y) называется
математическое ожидание произведения.в k-й и s-й степени
. соот-
ветствующих центрированных величин X = X – X и Y = Y – Y, т.е.
. .
μk,s = M[XkYs].
Для дискретных величин выражения для этих моментов имеют
вид:

mk,s = ΣiΣjxikyjsPij;

mk,s = ΣiΣj(xi – X)k(yj – Y)sPij,

где Pij — вероятность того, что система примет значение (xi, yj);
Pij = P(x = xi)(y = yj).
Для непрерывных величин формулы для mk,s и μk,s примут вид:
+∞
mk,s = ∫ ∫x
k
y s f ( x, y )dx dy;
−∞

+∞
μ k ,s = ∫ ∫ ( xi − X )
k
( y j − Y )s f ( x, y)dx dy.
−∞

Важное значение при решении ряда прикладных вопросов име-

ет второй смешанный центральный момент
..
μ1,1 = M[XY],
представляющий собой математическое ожидание произведения
центрированных величин. В литературе по теории вероятностей
[5; 13] его часто называют моментом связи, ковариацией, корреля-
ционным моментом случайных величин X и Y.

27
 Глава 2
ПОКАЗАТЕЛИ НАДЕЖНОСТИ ОБЪЕКТОВ
ВОДОСНАБЖЕНИЯ

2.1. Формирование показателей надежности

Нормирование и выбор показателей надежности различных тех-
нических устройств, к каким относятся объекты водоснабжения
(системы, сооружения, оборудование), необходимо выполнять с
учетом рекомендаций, изложенных в стандартизированных мето-
дических указаниях [6; 7; 8; 10].
Нормирование надежности объектов водоснабжения ставится
как неотложная технико-экономическая задача для оптимизации
подачи и распределения воды потребителям [16; 19; 20; 21]. Нормы
надежности водопроводных сооружений, систем, полученные экс-
пертным путем или с помощью методов технико-экономической
оптимизации, должны использоваться не только на стадии их про-
ектирования, но и эксплуатации. Обоснование надежности объ-
ектов водоснабжения в настоящее время осуществляется на экс-
пертном уровне, поэтому с научной точки зрения не может быть
признано правомерным.
Проблемы нормирования и обеспечения надежности объектов
водоснабжения обусловливают необходимость решения задач по
расчету показателей их надежности.
Расчеты надежности и оптимальности любых технических объ-
ектов строго регламентированы во всех странах мира. Поэтому ин-
женерам, занимающимся данными расчетами, необходимо знать
методы их выполнения.
Выбор методов расчета надежности объектов водоснабжения
обусловлен следующими особенностями:
• отсутствием регламентированной статистической информа-
ции о надежности сооружений и оборудования (объектов);
• сложностью натурных испытаний на надежность объектов по
техническим и экономическим причинам;
• ограничением данных испытаний на надежность объектов,
поставляемых из различных стран мира;
• разнообразием и множеством факторов (случайных и детер-
минированных), влияющих на надежность объектов.

28
 При оценке и расчете уровня надежности объекта необходимо
учитывать следующие факторы:
• условия функционирования объекта;
• условия эксплуатации и квалификацию обслуживающего пер-
сонала (организацию работ, обеспечение запасными частями, тех-
никой, профессиональный отбор, образование, дисциплина и др.);
• качество статистических данных;
• качество и периодичность ремонтов (плановых, внеплановых,
аварийных);
• условия ведения отчетной документации по эксплуатации
объектов (данные о наработках, простоях, ремонтах и испытаниях);
• соответствие используемой математической модели надеж-
ности натуре.
Выбор и обоснование уровня надежности объекта связаны с по-
казателями:
• удельного ущерба от возникновения отказа;
• уровня цен и системы ценообразования;
• ущерба, наносимого при прекращении подачи воды.
Следует отметить, что перечисленные выше факторы и показа-
тели настолько сложно оценить и учесть, что на практике во всех
странах мира инженеры отказались обосновывать уровни надеж-
ности объектов, к которым относятся объекты водоснабжения,
экономическими методами. Оптимальность уровня надежности
объекта назначается либо волевым решением либо по результатам
сопоставления показателей надежности лучших аналогов. Но, к
сожалению, в отечественной практике оценок показателей надеж-
ности действующих объектов водоснабжения чрезвычайно мало.
Необходимо этот факт осознать, организовать работы по накопле-
нию необходимой информации для достижения поставленной цели
по нормированию и оценке надежности объектов водоснабжения.
В теории надежности распространено использование показате-
ля Р(t) — вероятности безотказной работы до момента t или функ-
ции надежности и показателя F(t) — вероятности наступления от-
каза за время t. Эти показатели взаимосвязаны по условию
Р(t) = 1 – F(t) = Р(Т > t). Обычно предполагается, что распределение
величины Т — непрерывное, т.е. существует плотность f(t) = F′(t) и
t
F (t ) = ∫ f (t )dx. Графики функций Р(t) и F(t) имеют вид, представ-
0
ленный на рис. 2.1.

29
 P(t)

1,0

0,632

0,368

0
t
Рис. 2.1. Графики вероятностей Р(t) и F(t) при экспоненциальном
законе распределения непрерывной случайной величины t

Во взаимосвязи с этими графиками интенсивность отказа объ-

екта определяется по зависимости

f (t ) f (t )
λ(t ) = = ,
P (t ) 1 − F (t )
где f(t) — плотность распределения времени безотказной работы;
Р(t) — вероятность безотказной работы;
F(t) — вероятность наступления отказа.
Другими словами, интенсивность отказа есть вероятность от-
каза объекта за единицу времени (если эта единица мала) при ус-
ловии, что к данному моменту объект не отказал. Интегрируя (2.1),
можно получить выражение функции надежности через интенсив-
ность отказа:
t
− ∫ λ(t )dx
P (t ) = e 0 = e −Λ(t ), (2.2)
t
где Λ(t ) = ∫ λ(t )dx.
0
Из (2.2) следует выражение для вероятности безотказной рабо-
ты объекта до момента t2 при условии, что к моменту t1 он еще не
отказал:
t2
− ∫ λ(t )dx
P (t1, t 2 ) = e t1
= e −Λ(t ),

т.е. поведение объекта определяется значениями интенсивности

только на интервале (t1, t2).

30
 2.2. Числовые характеристики
Функциональные характеристики надежности Р(t), λ(t), f(t), F(t)
являются полными характеристиками, т.е. содержат всю информа-
цию о надежности объекта (до первого отказа). Однако на практи-
ке удобнее задавать надежность числовыми характеристиками.
Оценка числовых величин статистическими методами требует
меньшего объема испытаний, чем оценка функции распределения
и тем более плотности распределения. С другой стороны, потери
от отказов при массовой эксплуатации однотипных объектов обыч-
но выражаются через некоторые средние характеристики надеж-
ности, и в этом случае функцию распределения отказа можно не
знать.
Наиболее важной числовой характеристикой надежности явля-
ется среднее время безотказной работы или среднее время жизни
объекта, определяемое по формуле
∞ ∞ ∞
T0 = ∫ tf (t )dt = ∫ tF (t )dt = ∫ P (t )dt
0 0 0

(последний интеграл получается из предыдущего интегрировани-

ем по частям). Геометрически (см. рис. 2.1) среднее время есть пло-
щадь под графиком функции надежности.
Наряду с этой характеристикой рассматривается и среднее вре-
мя восстановления объекта — Тв ≡ t.
Нередко для оценки интервальной надежности объекта, функ-
ция безотказной работы которого имеет экспоненциальный закон
распределения, используется коэффициент готовности Kг, означа-
ющий вероятность того, что в момент времени t объект находится
в работоспособном состоянии и проработает безотказно в течение
интервала времени t = τ:

T0
P [ X (t ) = 1, T0 ≤ t ≤ T0 + τ ] или K г =
T0 + τ

1 1 1
T0 = = , τ= ,
λ ϖ μ

где Т0 — среднее время безотказной работы;

31
 τ — среднее время восстановления.
λ — интенсивность отказа;
ϖ — параметр потока отказов;
μ — интенсивность восстановления.
Другой числовой характеристикой является дисперсия времени
жизни
∞
2 2
DT = M (Ti − T0 ) = σ 2 = ∫ (Ti − T0 ) f (t )dt =
0
∞ ∞
= ∫ t 2 f (t )dt − T 2 = 2 ∫ tP (t )dt − T 2 .
0 0

Величина σ = DTi дает среднее отклонение случайного време-

ни жизни Ti от своего среднего T0 (рис. 2.2). Эта характеристика
используется сравнительно редко — обычно для тех распределений,
у которых плотность имеет резко выраженный одновершинный
вид, т.е. разброс σ значительно меньше, чем среднее Т0.
f(t)

t
T
Рис. 2.2. Интерпретация понятия «дисперсия»

Иногда объект рассчитан на выполнение одной задачи, которую

он решает самостоятельно или в составе некоторой системы. После
выполнения этой задачи объект не используется, в частности, унич-
тожается. Если задача решается за время t0 то в этом случае интерес
представляет не вся функция надежности, а только ее значение
G = Р(t0).
Часто время выполнения задачи t z — случайное. Пусть
F(t) = P(tz < t) — функция распределения времени выполнения за-
дачи. Предположим, что задача выполняется тогда и только тогда,
когда во время ее решения элемент не отказывает. В этом случае
вероятность выполнения задачи равна

32
 ∞
G = ∫ P (t )dF (t ).
0

Опыт показывает, что даже хорошо изготовленные и правильно

эксплуатируемые объекты (оборудование, сооружения и системы)
не могут быть полностью гарантированы от возникновения отказов.
Причем, возникновение отказов во времени подчиняется опреде-
ленной закономерности (рис. 2.3), которую можно проследить по
изменению интенсивности отказа λ(t): повышенное значение ин-
тенсивности отказа в начальный период эксплуатации, затем спад
и стабилизация кривой на относительно низком уровне и новый
рост интенсивности отказа, не прекращающийся вплоть до окон-
чания эксплуатации.

Прира- Внезапные
Интенсивность отказов

боточные и износовые
отказы Износовые отказы отказы

Период Период нормальной эксплуатации Период

прира- износа
ботки

λ = 1/t
0
Tп Tи M
Время эксплуатации T
Рис. 2.3. Интенсивность отказа объекта как функция времени эксплуатации
(долговечности)

По характеру поведения λ(t) вся ось времени может быть раз-

бита на три участка. На первом участке возникают отказы, которые
происходят в течение раннего периода эксплуатации объекта. Они
называются приработочными отказами и в большинстве случаев
происходят вследствие плохой технологии монтажа и плохого кон-
троля качества объекта при его строительстве. Подобные погреш-
ности не вызывают беспокойства, и отказы, к которым они неиз-
бежно приводят, случаются обычно в течение первых минут или
часов работы. Ранние отказы могут быть исключены так называе-

33
мыми процессами «приработки». Процесс приработки состоит
в том, что объект в течение нескольких часов заставляют работать
в условиях, близких к условиям эксплуатации; дефектные, состав-
ные части объекта, отказывающие в течение этих первых часов ра-
боты объекта, заменяют исправным оборудованием, конструкци-
ями; если выявляются дефекты или какая-либо ошибка монтажа,
они исправляются. Только после этого объект сдается в эксплуата-
цию потребителям.
На втором участке возникают отказы, которые вызываются из-
носом составных частей (деталей насосов, двигателей, запорной
арматуры, труб и т.д.) объекта. Они возникают у объекта, который
неправильно обслуживается или совсем не обслуживается. Отказы
за счет износа являются признаком старения объекта. Период из-
носа составных частей объекта колеблется от нескольких минут до
нескольких лет. В большинстве случаев отказы за счет износа могут
быть предотвращены. Так, для многократно используемого объ-
екта одним из возможных методов предотвращения отказов за счет
износа является замена через определенное время его составных
частей, которые подвержены износу, причем интервал времени
между заменами должен быть короче среднего периода его износа.
Если доступ к отдельным частям объекта (например дюкерам, пе-
реходам трубопроводов) затруднен, то они рассчитываются на бо-
лее длительный срок службы, чем предполагаемый (нормируемый)
период работы объекта. Перед пуском в эксплуатацию подобные
объекты (изделия) предварительно испытываются и включаются в
работу с момента Тп. У многих правильно спроектированных и
смонтированных объектов водоснабжения период старения на-
ступает через существенный промежуток времени (1  t  50 лет),
в связи с чем реальный срок их службы укладывается на втором
периоде, а интенсивность отказов стабилизируется λ(t) = const.
На третьем участке возникают так называемые внезапные отка-
зы, которые не могут быть устранены ни при испытаниях, ни в
процессе эксплуатации. Такие отказы возникают вследствие вне-
запной концентрации нагрузок, превышающей расчетную нагруз-
ку. Внезапные отказы возникают случайно, неожиданно; никто не
может предсказать, когда они произойдут. Однако такие внезапные
отказы все же подчиняются определенным общим закономерно-
стям, так что частота отказов в течение достаточно большого пе-
риода примерно постоянна. Внезапные отказы называют иногда
«катастрофическими», однако это название неточно, так как при-

34
работочные и износовые отказы могут быть столь же «катастро-
фичными» по своим последствиям, а внезапные отказы не обяза-
тельно должны быть «катастрофичны» для объекта, в котором они
происходят.
Классификация отказов на приработочные, износовые и вне-
запные производится по двум основным признакам. Во-первых,
каждый из этих типов отказов характеризуется своим особым ста-
тистическим распределением и поэтому требует различной мате-
матической обработки. Во-вторых, для устранения каждого типа
отказов должны применяться различные методы.
Первоочередная задача обеспечения надежности состоит в ис-
ключении сначала приработочных отказов посредством наблюде-
ния их распределения и определения в соответствии с этим необ-
ходимой длительности периода приработки и последующих мер
доводки объекта. Предупреждение износовых отказов осуществля-
ется за счет мероприятий по выявлению причин таких отказов,
определения межремонтных сроков и сроков профилактической
замены различных деталей, оборудования. Наконец, главное вни-
мание должно быть обращено на внезапные отказы: на их преду-
преждение, уменьшение или полное устранение, потому что имен-
но внезапный отказ наиболее пагубно сказывается на надежности
оборудования, сооружения, объекта во время основной работы — в
период после испытания объекта и перед началом износа его частей.
Для объектов с большим сроком службы (50 и более лет) это время
соответствует периоду между ремонтами.
К сожалению, часто даже всех приложенных усилий оказыва-
ется недостаточно для полного исключения приработочных и пред-
упреждения износовых отказов. Приработочные отказы могут про-
исходить в объекте (в детали оборудования, конструкции сооруже-
ния) при каждом осмотре или ремонте в результате неправильного
выбора деталей для замены отказавших или приближающихся к
состоянию износа объектов, вследствие ошибок монтажа или в ре-
зультате не вполне удовлетворительной наладки системы при ре-
монте. Такой негодный ремонт может привести к приработочным
отказам объекта в течение всего времени его функционирования;
объект при этом никогда не будет надежным, хотя при хорошем
ремонте и при учете только внезапных отказов объект мог бы пред-
ставлять собой весьма надежное техническое устройство. Износо-
вые отказы могут быть также причиной существенного падения
уровня надежности любого объекта. Однако увеличение интенсив-

35
ности отказов объекта, как правило, является следствием наруше-
ний эксплуатации, а не скрытых изъянов конструкции, схемных
решений компоновки объекта.
Высокая надежность — это низкая интенсивность отказов λ и,
следовательно, большая средняя наработка на отказ Т0. Понять ве-
роятностный смысл характеристики λ можно на таком примере.
Допустим, на объекте для понижения грунтовых вод установлено
100 погружных насосов в скважинах, которые эксплуатируются без
восстановления, и с течением времени отказывают. Рабочих сква-
жин — 30, остальные резервные. Насосы однотипные и включают-
ся в работу и отключаются по усмотрению диспетчера (по случайно-
му принципу), с одинаковым коэффициентом использования kи.
За первые 5 лет эксплуатации отказало 50 насосов, а за после-
дующие 5 лет отказало 20 насосов. Спрашивается, когда насосная
установка наиболее надежна — в начальный момент или через 5 лет
с момента эксплуатации. На первый взгляд, кажется, что в началь-
ный момент установка была менее надежна, так как за 5 лет отка-
зало 50 погружных насосов, а на втором интервале через 5 лет от-
казало только 20 насосов. Но такие рассуждения неправильны. Ведь
в начальный момент на объекте было 100 насосов и за 5 лет отказал
каждый второй, а на последующем этапе осталось только 50 насо-
сов и за 5 лет отказал каждый 2,5-й насос. Таким образом, оценив
локальную характеристику надежности в момент t = t0 + 5 лет и
выполнив оценки показателя интенсивности отказов за сто и пять-
50 20
десят лет, т.е. λ1 = = 0,2 и λ 2 = = 0,4, получим λ1 < λ2.
100 50

2.3. Законы надежности

2.3.1. ПОНЯТИЕ О ЗАКОНАХ НАДЕЖНОСТИ
Оценка функции надежности Р(t) статистическими методами
требует большого объема информации, которая формируется за
счет отчетных данных либо данных испытаний объекта. В теории
математической статистики [5] данные наблюдений или данные
эксперимента в принципе не влияют на выбор методов получения
научно обоснованных выводов о массовых явлениях. Названия ис-
точников получения информации обезличиваются, а потому име-
нуются как данные испытаний. Кроме того, испытания объекта на
заданном участке времени всегда имеют ограничения по тем или

36
иным причинам, и ничего в принципе нельзя сказать о надежности
объекта за пределами этого участка времени, т.е. нельзя экстрапо-
лировать надежность. Положение в корне меняется тогда, когда
известен вид функции надежности с точностью до одного или не-
скольких неизвестных параметров Р(t) = Р(t, α, β …). Оценка этих
параметров требует значительно меньшего объема испытаний. Кро-
ме того, оценив параметры надежности на всем бесконечном ин-
тервале времени (если, конечно, нет уверенности, что вид распре-
деления не меняется на всей оси).
Тип распределения можно найти двумя путями — статистиче-
ски, проверяя гипотезу о принадлежности распределения данному
типу, и физически, построив физическую модель отказа и исследо-
вав ее математическими методами.
Первый метод обладает тем же недостатком, что и вообще ста-
тистическая оценка распределения: если, проводя испытания на
данном интервале времени, пусть даже с высоким уровнем значи-
мости была подтверждена гипотеза о принадлежности распределе-
ния данному типу, то отсюда не следует, что этот тип распределения
сохраняется за пределами этого интервала.
Второй метод требует обширной и глубокой информации (часто
на микроуровне), которой почти никогда не бывает. Тем не менее,
несмотря на эти пессимистические соображения, в теории и прак-
тике надежности используется несколько типов распределений, о
которых будет сказано ниже.

2.3.2. ЭКСПОНЕНЦИАЛЬНЫЙ (ПОКАЗАТЕЛЬНЫЙ) ЗАКОН

Экспоненциальным называют распределение вида

Р(t) = e–λt.
Для него

F(t) = 1 – e–λt, f(t) = λe–λt.

f (t )
Интенсивность отказа λ(t ) = − = λ постоянна. Среднее время
жизни P (t )
∞
1
T0 = MT = ∫ e −λt dt = .
0
λ

37
 Поэтому экспоненциальный закон часто записывают в виде
t
−
P (t ) = e T0
. (2.3)

Дисперсия, как нетрудно подсчитать, равна

1
DT = σ 2 = = T02 ,
λ2

т.е. дисперсия равна квадрату среднего. Этот факт можно исполь-

зовать для статистического подтверждения экспоненциального
закона, поскольку моменты MT = MT2 статистически оценивают-
ся очень просто. Если время t мало, т.е. t < T0, то можно пользо-
ваться приближенной формулой

1
P (t ) = 1 − ,
T0

2
1⎛ t ⎞
в которой ошибка не превосходит ⎜ ⎟ . Для экспоненциально-
2 ⎝ T0 ⎠
го закона характерно то, что вероятность безотказной работы в
течение времени t не зависит от того, сколько времени до этого
проработал объект. На этом свойстве основано применение в тео-
рии надежности марковских процессов.
Экспоненциальный закон чрезвычайно популярен в теории на-
дежности. В большинстве работ, особенно в тех, где решаются срав-
нительно сложные задачи, предполагается без какого-либо обо-
снования, что функция надежности показательная.
При этом обычно приводятся такие доводы: а) все так делают,
б) если не предполагать показательности, то задача не решается,
в) даже если истинная функция надежности не показательная, то
все равно использование показательного распределения дает не-
плохое приближение, г) обычно имеется очень небольшая стати-
стическая информация о распределении отказов. В этих условиях
естественно использовать показательный закон как самый простой
однопараметрический закон.
Ясно, что первые два довода не являются убедительными. Ниже
в главе 3 будут изложены методы, позволяющие решать даже труд-

38
ные задачи при произвольных предположениях относительно рас-
пределений. Что касается третьего довода, то тут все зависит от типа
задачи — для некоторых задач замена произвольного распределения
показательным не сильно меняет характеристики (порядок величин
сохраняется), но в других задачах от таких действий характеристи-
ки могут увеличиваться или уменьшаться в 10, 100, 1000 раз. На-
конец, последний довод также не выдерживает критики: исполь-
зование показательного закона существенно искажает статистиче-
скую информацию.
У многих объектов водоснабжения период старения наступает
через большой промежуток времени, так что реальный срок служ-
бы объекта укладывается в период нормальной эксплуатации (см.
рис. 2.3). На данном участке работы λ(t) ≡ const, и в этом случае при
расчете надежности следует пользоваться показательным законом.
Таково статистическое обоснование правильности использова-
ния показательного закона.
Следует, однако, иметь в виду, что при такой статистической
проверке показательности распределения необходимо соблюдение
двух условий:
• объем наблюдений должен быть достаточно велик — не менее
нескольких сотен наблюдений (испытаний);
• если испытания проводились на некотором участке времени,
то и подтвердить показательность распределения можно только на
этом участке. Утверждать, что интенсивность постоянна вне дан-
ного участка, нельзя, как бы ни был велик объем испытаний.
В некоторых ситуациях можно физически проверить равенство
(2.3), из которого следует показательность распределения.
Рассмотрим сложную систему, состоящую из большого числа
элементов. В момент отказа каждый элемент заменяется новым.
Если система не обладает избыточностью, то каждый отказ эле-
мента является отказом системы. Таким образом, поток отказов
системы есть сумма большого числа потоков отказов элементов.
В теории потоков доказывается (теорема Хинчина), что сумма боль-
шого числа независимых потоков будет с большой точностью по-
током пуассоновским. Важным свойством этого потока является
то, что время от данного момента до ближайшей точки (отказа)
этого потока имеет показательное распределение.
Итак, если система состоит из большого числа элементов, то
время до первого отказа с хорошим приближением имеет экспо-

39
ненциальное распределение. Используя это распределение в за-
дачах надежности, необходимо каждый раз проверять законность
такого шага.

2.3.3. НОРМАЛЬНЫЙ ЗАКОН

Строго говоря, в теории надежности используется усеченный
нормальный закон

∞ ( x −T0 )2
C 1 −
P (t ) = P {T > t } =
2π σ ∫t
e 2σ 2 dx,

где множитель С находится из условия Р(0) = 1.

Но поскольку в задачах теории надежности обычно среднеква-
дратический разброс σ гораздо меньше, чем среднее время жизни
1
Т0, σ ≤ T0 , то можно принять, что С = 1.
3
Интенсивность отказа для нормального закона имеет следую-
щий вид, представленный на рис. 2.4.

f(t)
P(t) λ(t)

(t – T )
P(t) Y= σ
λ(t)
1,0
f(t)
0,5

T Время эксплуатации T, ч

Рис. 2.4. Интенсивность отказов при нормальном распределении

Кривая выходит из начала координат и, монотонно возрастая,

приближается к асимптоте Y = (t – T)/σ. Нормальное распределение
имеет ту особенность, что площадь под кривой плотности стано-
вится равной 100 % только в том случае, когда кривая в обоих на-
правлениях простирается до бесконечности. Однако это принци-

40
пиально невозможно, потому что новые изделия (элементы) вклю-
чаются в работу в момент Т = 0, а не в момент Т = –∞. Нормальное
распределение может, следовательно, рассматриваться только как
аппроксимация. Однако эта аппроксимация, как правило, оказы-
вается очень точной, особенно в тех случаях, когда стандартное
отклонение мало по сравнению со средней Т0.
Выше отмечалось, что все отказы делятся на внезапные, которые
носят чисто случайный характер, и постепенные, которые возни-
кают в результате постепенного старения, износа элемента. Услов-
но предполагается, что внезапные отказы подчиняются показатель-
ному закону, а постепенные — нормальному. Эта условность свя-
зана с тем, что строгого определения внезапных и постепенных
отказов не существует, следовательно, нет возможности четко от-
личать их друг от друга.
Обычно нормальный закон можно использовать (и притом с
неплохой точностью), если плотность f(t) имеет одновершинный
симметричный вид и σ = DT << MT = T0 .

2.3.4. НОРМАЛЬНО-ЭКСПОНЕНЦИАЛЬНЫЙ ЗАКОН

Данный закон позволяет отразить появление внезапных и из-
носовых отказов при функционировании объекта. При его выводе
использовались в большей мере аналитические методы [10; 15; 23].
Предполагалось, что объект состоит как бы из двух частей, одна из
которых отказывает по экспоненциальному закону

P{T1 > t} = e–λt,

а другая отказывает независимо от первой по нормальному закону

∞ ( x − a )2
C 1 −
P {T2 > t } =
2π σ ∫t
e 2σ 2 dx,

где а — случайный параметр времени, который имеет нормальный

закон распределения; а = МТ2.
Отказ объекта наступает тогда, когда отказывает хотя бы одна
из его частей, т.е.

Т = min(T1, T2).

41
 Тогда

∞ ( x − a )2
C 1 −
P (t ) = P {T > t } = P {T1 > t } P {T2 > t } = e
2π σ ∫t
−λt 2σ 2
e dx.

С учетом данной модели, можно определить среднее время жиз-

ни объекта, предполагая, что σ << а:

∞ ∞ ∞ ( x − a )2
C 1 −
T = ∫ P (t )dt = ∫ e −λt
2π σ ∫t
e 2σ 2 dt .
0 0

Если поменять порядок интегрирования, то в окончательном

виде получим:

∞ ∞ ( x − a )2 ∞ ( x − a )2
1 1 − 1 1 1 −λx −
T = ∫e
2π σ ∫t ∫
−λt 2
2σ 2
e 2σ dx = − e dx =
0
λ 2π σ −∞
σ 2λ2
1 1 −λa−
= − e 2 .
λ λ

2.3.5. ЗАКОН ВЕЙБУЛЛА

Функция распределения Вейбулла имеет вид
b
⎛ t −c ⎞
−⎜
⎝ a ⎟⎠
F (t ) = 1 − e , (2.4)

где а, b, с — параметры распределения, которые должны удовлет-

ворять условию a > 0, b > 0, c  0.
Параметр а является характеристикой масштаба, параметр b —
характеристикой формы, с — характеристикой сдвига.
Плотность вероятности распределения Вейбулла имеет вид
b
b−1 − ⎛ t −c ⎞
b ⎛t −c⎞ ⎜⎝
a ⎠
⎟
f (t ) = ⎜ ⎟ e (2.5)
a⎝ a ⎠

при условии t ≥ c, f (t = 0) и t < c.

42
 Если Т является наработкой до отказа, то вероятность безот-
казной работы до наработки t находится по уравнению
b
⎛ t −c ⎞
−⎜
⎝ a ⎟⎠
P (t ) = 1 − F (t ) = e ,

а интенсивность отказов по уравнению

⎧ b ⎛ t − c ⎞ b−1
f (t ) ⎪ ⎜ при t ≥ c
λ(t ) = = ⎨ a ⎝ a ⎟⎠
P (t ) ⎪
⎩0 при t < c.

Для расчетов по уравнениям (2.4), (2.5) можно пользоваться

стандартными таблицами [9; 11].
Распределение Вейбулла широко используется в теории надеж-
ности. Конечно, предположение о степенном характере функции
распределения в окрестности нуля довольно естественно, но ни-
откуда не следует, что показатель у всех функций будет один и тот
же. Если же показатели разные, то никакого закона Вейбулла не
получится.
Однако в пользу распределения Вейбулла есть один существен-
ный довод. Распределение Вейбулла есть двухпараметрическое рас-
пределение, которое содержит в себе показательное распределение.
Поэтому любое реальное распределение приближается распреде-
лением Вейбулла заведомо намного лучше, чем показательным рас-
пределением. Это соображение в значительной степени оправды-
вает применение закона Вейбулла.

2.3.6. ГАММА-РАСПРЕДЕЛЕНИЕ
Гамма-распределение определяется двухпараметрической плот-
ностью вероятности

⎧ 1 − ⎫
t
⎪ a β⎪
t e
f (t ) = ⎨ a !β a+1 ⎬, t > 0, (2.6)
⎪ ⎪
⎩0, t ≤ 0 ⎭

причем параметр масштаба β > 0 и параметр формы а > –1.

43
 Функция распределения

t t
1 − 1 Гt
F (t ) = ∫ a +1
t a β
e dt = (a + 1), (2.7)
0
a !β a! β

Функция надежности

⎧ 1
⎪⎪ t 1 −
t Г
a! t
P (t ) = ⎨ ∫ a !β a+1 t e dt = 1 − β (a + 1), t > 0
a β

⎪0
⎪⎩1, t < 0.

Неполную гамма-функцию очень трудно рассчитать; однако

если а — целое число, то
t t i
∞ 1 − − ⎛t ⎞ 1 a −1 ( λt ) −λt 1
i
∑ i =0 ⎜⎝ β ⎟⎠ i ! ∑ i =0 i ! e i !.
a
P (t ) = ∫ t a β
e dt = e β
=
t a !β a+1

В этом случае время T можно интерпретировать как сумму не-

зависимых слагаемых

Т = ξ1 + ξ2 + ξ3 + …. ξa,
где каждое слагаемое имеет показательное распределение
P{ξi > t} = e–λt.
Среднее значение и дисперсия находятся из уравнений:

a a
MT = , DT = 2 .
λ λ

Для расчетов по уравнениям (2.6), (2.7) можно пользоваться

таблицами, приведенными в [15].
Поскольку гамма-распределение содержит в себе показательное
(а = 1), в пользу его использования можно привести те же доводы,
что и в пользу использования распределения Вейбулла.

44
 Глава 3
НАДЕЖНОСТЬ СИСТЕМЫ

3.1. Надежность систем с последовательно соединенными

элементами
3.1.1. ПОНЯТИЕ ОБЪЕКТА В ТЕОРИИ НАДЕЖНОСТИ
Выше отмечалось, что деление объекта на элементы системы
весьма условно. Элемент — это такой объект, надежность которого
изучается сама по себе, независимо от его структуры и надежности
составляющих его частей. Наоборот, система — это объект, надеж-
ность которого оценивается по его структуре и надежности эле-
ментов. Таким образом, один и тот же объект мы можем рассма-
тривать и как элемент, и как систему.
Если надежность объекта можно оценить при испытании, то он
рассматривается как одно целое. В противном случае объект рас-
сматривается как система, которая состоит из отдельных элементов
с заданной (или полученной в ходе испытания) надежностью. Со-
четание элементов формирует простую или сложную систему, с
точки зрения методов расчета ее надежности. Существует точная
математическая связь между надежностью системы и надежностью
ее элементов.
Уровень надежности элемента определяется испытаниями, ко-
торые дают информацию об интенсивности отказов. Чем прочнее
элемент, тем меньшей интенсивностью отказов он будет обладать.
Действительная интенсивность отказов, определяющая вероят-
ность безотказной работы, зависит от случайных факторов, дей-
ствующих в процессе производства, и от случайных изменений
условий эксплуатации элемента. Она зависит от соотношения меж-
ду прочностью, закладываемой в элемент (оборудование, сооруже-
ние) при проектировании, и многообразия условий его функцио-
нирования.
Расчеты надежности систем основаны на двух важных операци-
ях: на оценке с максимально возможной точностью надежности
элементов, используемых в данных условиях работы системы, и на
расчетах надежности различных комбинаций этих элементов.

45
 Моделью надежности системы из последовательных элементов
называют систему, в которой отказ любого элемента приводит к ее
отказу.
Ранее отмечалось, что длительные испытания (большой объем
статистических данных) дают более точную информацию о дей-
ствительной надежности элемента. В случае длительных испытаний
расчет надежности системы проводится при помощи нескольких
сравнительно простых и точных теорем теории вероятностей. По-
сле того как получены правильные количественные характеристи-
ки надежности элемента в системе или хотя бы хорошие оценки
этих характеристик, можно точно рассчитать надежность всей си-
стемы, даже если система представляет собой наиболее сложную
комбинацию элементов из всех мыслимых. Степень точности ре-
зультатов расчета не зависит от аппарата теории вероятностей, так
как вероятностные соотношения сами по себе совершенно точны;
достоверность расчетов зависит в основном от точности данных о
надежности отдельных элементов.
В расчетах надежности системы используются следующие ос-
новные правила теории вероятностей:
1. Если А и В — два независимых события, вероятности которых
Р(А) и Р(В), то вероятность того, что имеют место оба события,
равна произведению

Р(АВ) = Р(А) · Р(В). (3.1)

2. Если достаточно, чтобы из двух совместимых событий про-
изошло хотя бы одно (А или В) или оба вместе, то

Р(А ∨ В) = Р(А) + Р(В) – Р(А) · Р(В). (3.2)

3. Если события несовместимы, т.е. когда происходит одно, дру-
гое событие не может произойти, формула (3.2) упрощается:

Р(А ∨ В) = Р(А) + Р(В). (3.3)

4. Если два события не только несовместимы, но и противопо-
ложны, т.е. когда не происходит А, происходит В(A), и наоборот, из
(3.3) получаем
P(A) + P(B) = 1.
Случаи 1 и 2 — противоположные события, т.е. Рпосл + Fпосл = l,
поскольку противоположное событие для безотказной работы двух

46
элементов осуществляется тремя путями: или отказывает один эле-
мент, или другой, или оба вместе. Следовательно, величины Рпосл
и Fпосл можно соответственно назвать надежностью и ненадежно-
стью последовательного соединения элементов, или последовательной
системы. Это означает, что отказ любого элемента приводит к от-
казу системы.
Случаи 3 и 4 — также противоположные события, т.е.
Рпар + Fпар = l, так как противоположное событие для двух отказав-
ших элементов есть событие, когда один или об элемента работают
безотказно. Рпар и Fпар называются соответственно надежностью и
ненадежностью параллельного соединения элементов, или системы с
нагруженным резервом. Это означает, что если отказал один элемент,
то существует другой элемент, который выполняет требуемую функ-
цию, и, следовательно, такая параллельная система из двух элемен-
тов не отказывает, если отказал один элемент. Очевидно, что если
имеется более двух элементов, включенных параллельно, например
п элементов, система не откажет до тех пор, пока работает хотя бы
один элемент. Следовательно, из п параллельных элементов допу-
скается отказ п – 1 элемента, и это не приводит к отказу системы
при условии, что один оставшийся элемент удовлетворительно вы-
полняет требуемую функцию.
При рассмотрении элементов с неэкспоненциальным распре-
делением отказов необходимо учитывать, что интенсивности их
отказов не постоянны, а являются функцией нapaботки Т этих эле-
ментов. Поэтому для заданного времени, для которого определя-
ется надежность, необходимо использовать интенсивность отказов
элемента, соответствующую его наработке к этому времени.
В большинстве случаев закономерности отказов элементов в
системе удается достаточно точно описать экспоненциальной
функцией; это всегда возможно, если момент возникновения от-
казов учитывается за время суммарной наработки системы или
когда элементы работают только в течение периода нормальной
эксплуатации (т.е. проводится профилактическая замена). В случае,
когда интенсивность отказов постоянна, с экспоненциальным рас-
пределением, формулы (3.1), (3.2) могут быть представлены в виде

Рпосл(t) = e–λ1t · e–λ2t = e–(λ1 + λ2)t;

Fпосл(t) = 1 – e–(λ1 + λ2)t;

47
 Рпар(t) = e–λ1t + e–λ2t – e–(λ1 + λ2)t; (3.4)

Fпар(t) = (1 – e–(λ1)t)(1 – e–(λ2)t). (3.5)

Сложные системы обычно состоят из большого числа элементов
или блоков, соединенных последовательно, что означает, что си-
стема отказывает при отказе любого элемента или блока. В неко-
торых случаях к заведомо малонадежным элементам системы для
повышения надежности подключаются резервные элементы; ино-
гда к целым группам элементов подключаются такие же или по-
добные группы, включаемые параллельно. Случай двух параллель-
но работающих водоводов, каждый из которых имеет 50 %-ную
пропускную способность. Каждый из водоводов имеет только один
ремонтный участок (элемент), т.е. совокупность труб, соединенных
в трубопровод, который ограничивается переключающими устрой-
ствами.
Такие параллельные соединения из двух или более элементов
или групп элементов можно рассматривать как блоки, соединенные
последовательно, т.е. система отказывает, если отказывает такой
блок в целом.
Для n элементов или блоков, соединенных последовательно,
надежность системы выражается формулой
n
Pпосл = P1 ⋅ P2 ⋅ P3 ⋅ ... ⋅ Pn = ∏ Pi , (3.6)
i =1

где Pi — надежность i-го элемента или блока в последовательном

соединении.
Формула (3.6) является фундаментальной формулой для рас-
чета надежности сложных систем. Эта формула называется законом
произведения надежностей.
Когда надежность каждого элемента в системе оценивается по
экспоненциальному закону, то формула (3.4), определяющая на-
дежность системы, упрощается и принимает вид

⎛ n ⎞
Pпосл (t ) = e −λ1t ⋅ e −λ 2t ⋅ e −λ3t ⋅ ... ⋅ e −λ nt = exp ⎜ − t ∑ λ i ⎟ . (3.7)
⎝ i =1 ⎠

В качестве простого примера предварительного анализа надеж-

ности рассмотрим, используя экспоненциальный закон надежно-

48
сти, водовод, состоящий из «последовательно» соединенных ре-
монтных участков одинаковой длины каждый. Ремонтные участки
смонтированы: 1-й — из стальных труб с защитными покрытиями,
2-й — из чугунных с защитными покрытиями, 3-й — из полимерных
труб. Предположим, что ремонтные участки работают равное ко-
личество времени с момента монтажа, в равных условиях эксплу-
атации.
При этих условиях участки имеют следующие интенсивности
отказов:
1-й — λ1 = 5,7 · 10–6 1/ч;
2-й — λ2 = 4,56 · 10–6 1/ч;
3-й — λ3 = 7,6 · 10–6 1/ч.
Сначала складываем все интенсивности отказов:

Σλi = (5,7 + 4,56 + 7,6) · 10–6 = 17,86 · 10–6 1/ч.

Эта сумма представляет собой интенсивность отказов всего во-
довода. Оценим надежность системы для заданного времени
t = 8760 ч (время работы от ревизии до ревизии)

Рпосл(t) = e–0,00001786·8760 = e–0,156 = 0,9.

Следовательно, от этой системы можно ожидать с вероятностью
Рпосл(8760) = 0,9, что система водоводов имеет среднюю наработку
на отказ
1 1
T= = = 55 991 ч = 6,39 лет.
λ 0,00001786

Конечно, каждый вправе сомневаться в том, насколько точны

вероятностные расчеты. Могут ли они дать ответы, достаточно близ-
кие к истинным? Если число испытаний мало, оценка может су-
щественно отличаться от истинной вероятности; она может быть
завышенной или заниженной, но может быть и близкой к истинной
вероятности. Оценками, полученными по результатам небольшого
числа испытаний, нужно пользоваться осторожно. Количество
«испытаний», из которых получена оценка вероятности, является
мерой достоверности полученной оценки. Не в меньшей мере на
точность оценки влияет и «соблюдение единиц измерения» иссле-
дуемых величин. Так, надежность задвижек, обратных и предохра-
нительных клапанов, которые работают совместно с трубопрово-

49
дами, насосами в системе, часто выражают количеством циклов
при переключениях. Время работы трубопровода непрерывная ве-
личина, а цикл задвижки — периодическая. Складывать эти вели-
чины, как это часто делается инженерами, недопустимо. Необхо-
димо переводить значение интенсивности отказов за рабочий цикл
в единицы интенсивности отказов за время работы системы. Толь-
ко после этого для численных расчетов можно использовать фор-
мулу (3.5). Число циклов можно связать с наработкой, измеряемой
в часах, особенно в тех случаях, когда существует некоторая регу-
лярность рабочих циклов. Переход от циклов к часам может быть
очень полезен при сложных вероятностных расчетах. Такой переход
приводит надежность элемента к общему параметру и значительно
упрощает математические выкладки.
Перевод в интенсивность отказов за время t работы бывает не-
обходим также для элементов со случайными промежутками за-
нятости в течение общего периода работы системы (например на-
сос на насосной станции, запорная арматура), хотя интенсивность
их отказов тоже выражается числом отказов за время t.
Время t в формуле (3.5) — время работы системы. Только в том
случае, когда элемент работает в системе непрерывно, время его
работы совпадает с временем работы системы. Например, если эле-
мент должен работать всего 1/1000 времени работы системы t, то
интенсивность его отказов в масштабе времени работы системы
будет λ′/1000.
В общем виде, когда элемент работает в среднем t1 час за время
t работы системы, интенсивность отказов элемента в масштабе вре-
мени работы системы выражается формулой

λ′t1
λ= .
t

Эта приведенная интенсивность отказов элемента может быть

использована в формуле (3.5) для элементов со случайными про-
межутками занятости. Если t1 составляет весьма малую часть t, то
элемент может оказаться высоконадежным в масштабе времени
работы системы, даже если интенсивность его отказов сравнитель-
но высока при непрерывной работе.
Формула (3.6) основана на предположении, что в отключенном
или обесточенном состоянии элемент имеет нулевую интенсив-
ность отказов, хотя система в это время работает.

50
 Но это не всегда так. Интенсивность отказов элемента может не
быть равной нулю даже в обесточенном или в отключенном состо-
янии. Если λ′ — интенсивность отказов в рабочем, а λ″ — в выклю-
ченном состоянии и если элемент в течение t часов работы t1 час
находится в рабочем состоянии, a t2 = t – t1 час, — в выключенном,
то поведение элемента в системе будет описываться средней ин-
тенсивностью отказов, равной

λ ′t 2 + λ ′′t 2
λ= . (3.8)
t

Формула (3.7) выражает, следовательно, интенсивность отказов

элемента в масштабе времени работы системы [3].
Если интенсивность отказов элемента выражается в единицах
рабочих циклов, т.е. значением λс за один рабочий цикл, и если
элемент в среднем совершает с операций за t часов работы системы,
элемент в системе будет иметь интенсивность отказов

cλ c
λ= .
t

Но если элемент к тому же обладает зависящей от времени ин-

тенсивностью отказов λ′ во включенном состоянии и интенсивно-
стью отказов λ″ — в выключенном, интенсивность отказов элемен-
та в масштабе времени работы всей системы будет равна

cλ c + λ ′t1 + λ ′′t 2
λ= .
t

Очевидно, что в этой формуле t1 + t2 = t, где t — заданное время

работы системы.
Формулу (3.8) можно рассматривать как общую формулу для
расчета интенсивностей отказов элементов в масштабе времени
работы системы. Для большинства элементов (переключателей,
регулирующей арматуры) величиной λ″ можно пренебречь, за ис-
ключением тех случаев, когда воздействие нагрузок на элемент в
работающей системе очень велико, даже если сам элемент выклю-
чен (из-за коррозии металла). Интенсивность отказов некоторых
устройств, в частности переключающих (запорной арматуры), поч-
ти полностью определяется величиной λс, так что в этих случаях

51
величиной λ′ также можно пренебречь; для других элементов, в
частности для элементов, включаемых на длительное время, опре-
деляющей является как раз зависящая от времени интенсивность
отказов λ′. Но имеется и категория элементов, для которых необ-
ходимо учитывать как λс, так и λ′. Такие элементы обычно являют-
ся надолго включаемыми элементами, поскольку в них возникают
процессы износа при включениях и выключениях, а также коррозии.
Практически влияние переключения не будет столь значитель-
ным, так как сумма зависящих от времени интенсивностей отказов
других элементов в системе обычно гораздо больше, чем интенсив-
ность отказов за цикл переключающих устройств, которые совер-
шают один цикл переключений за время выполнения задания.
Однако если переключающее устройство совершает большое
число циклов за время выполнения задания или если система со-
держит много переключающих устройств, чувствительных к пере-
падам давлений, вызванным переключениями, то частота включе-
ния и отключения этих устройств за время t должна учитываться
при расчетах надежности системы.
Иногда возникает вопрос, не лучше ли, не экономичнее ли
оставлять такие элементы включенными, даже когда не требуется
работа системы? Что выгоднее, с точки зрения надежности, — опре-
деляется отношением вероятности безотказной работы за время t
пребывания во включенном состоянии, когда в этом нет необхо-
димости, к вероятности безотказной работы за цикл одного вклю-
чения. Таким образом, критерий для выбора режима использования
объекта получается в виде отношения ожидаемых чисел отказов
для двух случаев
n
∑ (ci λ ci + T1i λ1′ + T2i λ1′ )
i =1
ρ= n
, (3.9)
∑ λ ci
i =1

где T1 + T2 = T.
Если ρ > 1, более высокая надежность достигается выключени-
ем системы на T-часовой промежуток, когда не требуется функци-
онирования системы. Если ρ < 1, более высокая надежность до-
стигается, когда систему оставляют включенной на T-часовой про-
межуток времени, т.е. вплоть до начала выполнения следующего

52
задания. Но, очевидно, что r может стать меньше единицы, только
если в формуле (3.9) числитель будет меньше знаменателя. Это мо-
жет случиться, например, если за промежуток времени Т, когда
система остается включенной, ни один элемент не переключается,
т.е. с = 0. Если за время Т все элементы системы включены, среднее
n
число отказов будет T∑ λ ci . Оно должно быть меньше среднего
i=1 n
числа отказов системы за одно включение ∑ λ ci . Требование ρ < 1
i=1
выполняется, если длительность промежутка Т меньше отношения
интенсивности отказов системы за один переключающий цикл или
за одно включение к интенсивности отказов за один час непре-
рывной работы:
n
∑ λ ci
i =1
T< n
.
∑ λi
i =1

Очевидно, что величина Т может быть важна только для систем,

которые содержат элементы со сравнительно высокой интенсив-
ностью отказов λс и когда эти элементы не подвержены переклю-
чениям во время нормальной работы системы.
Об экономичности системы, когда ее элементы включены без
выполнения заданных функций, можно судить по эксплуатацион-
ным затратам за время t. Но более важным является тот факт, что
в нагруженном состоянии (трубы заполнены водой) большинство
трубопроводов подвержено износу в меньшей степени, чем в со-
стоянии простоя (трубы не заполнены водой).

3.1.2. СТАРЕЮЩИЕ ЭЛЕМЕНТЫ

Очевидно, что трубы, смонтированные и уложенные в землю,
должны работать длительный срок без перекладки. Со временем
они теряют свою работоспособность. Поэтому их целесообразно
относить к стареющим элементам.
В теории надежности [2; 3; 6; 7; 23] элемент называется старе-
ющим, если с течением времени λ(t) монотонно возрастает при
t1 < t2, λ(t1)  λ(t2). И если рассматривается случай со стареющим

53
элементом (системой) то говорят: стареющая величина t, стареющее
распределение F(t). Для стареющего элемента характерно, что его
t
функция Λ(t ) = ∫ λ( x )dx выпукла вниз. В частности, стареющим
0
является показательное распределение.
Большинство распределений, используемых в теории надеж-
ности, ближе к моделям стареющих величин. И это не случайно.
Предположение о том, что элемент — стареющий, весьма есте-
ственно. Физически оно означает, что с течением времени элемент
становится все менее и менее надежным. Если не учитывать пери-
оды испытаний (приработки), то практически все элементы водо-
проводных систем можно отнести к стареющим.
Обычно конструкция системы такова, что время жизни системы
τ есть некоторая функция от времен жизни элементов τ1, τ2, ..., τn.
Предположим еще, что элементы отказывают независимо друг от
друга, т.е. τ1, τ2, ..., τn независимы. Тогда система, составленная из
стареющих элементов, как правило, сама будет стареющей [2; 23].
В теории надежности искомые характеристики надежности часто
не находятся в явном виде из-за того, что сложна задача, либо по-
тому, что отсутствует необходимая информация. В этом случае есте-
ственно искать односторонние или двусторонние оценки для этих
характеристик. Чтобы понять, какие оценки нужны, введем по-
нятия положительной и отрицательной характеристики надежно-
сти. Характеристику назовем положительной, если ее увеличение
соответствует увеличению надежности. Таковы характеристики P(t)
и Т.
Наоборот, интенсивность λ(t) является отрицательной характе-
ристикой, так как ее увеличение соответствует падению надежно-
сти. Пусть α — положительная характеристика. Тогда оценку вида
a ≤ α назовем оптимистической, а оценку вида a ≥ α — пессимисти-
ческой.
Оптимистические оценки завышают надежность, а пессими-
стические занижают ее. Ясно, что для прогноза надежности нужны
в основном пессимистические оценки [23]. Если найдена такая
оценка, то, конечно, полезно иметь дополнительную оценку — она
даст возможность оценить погрешность пессимистической оценки.
Основной смысл теории стареющих элементов состоит в том,
что в классе стареющих элементов можно получить большое число
важных и простых оценок. В этом классе показательное распреде-
ление является в некотором смысле экстремальным.

54
 3.1.3. НАДЕЖНОСТЬ ВОССТАНАВЛИВАЕМОГО ЭЛЕМЕНТА
Случай мгновенного восстановления. Предположим, что элемент,
начавший работать в момент t = 0, в некоторый момент tj = τj от-
казывает. Ранее приводились оценки надежности элемента только
до момента tj = τj, будущее было не интересно. На практике, если
элемент является достаточно сложным или дорогим устройством,
его восстанавливают (при условии, что это возможно). Если неис-
правное изделие ремонтировать не целесообразно, его заменяют
на новое. Обычно в теории надежности [2; 3; 23] эти два типа вос-
становления элементов не различают и называют одним словом —
восстановление.
Итак, в момент t1 = τ1 начинается восстановление элемента.
Предположим, что время восстановления мало по сравнению со
временем жизни. Тогда можно им пренебречь и считать, что вос-
становление мгновенное. После восстановления элемент начина-
ет работать и через время τ2 снова отказывает. В момент отказа
t2 = τ1 + τ2 происходит второе восстановление, и так далее (рис. 3.1).
ξt
τ1 τ2

0 t1 t2 ....... tv t tv+1

Рис. 3.1. Интерпритация процесса жизни

и мгновенного восстановления элемента

Обычно вводится допущение, что периоды жизни τ1, τ2, ..., τn

независимы и одинаково распределены, для них справедливы ус-
ловия

Р{τk < t} = F(t), Mτk = T, Dτk = σ2, f(t) = F′(t).

Если восстановление заключается в замене, то это условие вы-
полняется. В случае ремонта это условие справедливо сравнитель-
но редко (например, когда ремонт состоит в том, что устраняются
видимые неисправности). Чтобы учесть зависимость τk от преды-
дущих τ1 или τ2, ..., τn и т.д., надо знать структуру элемента и надеж-
ность его частей и рассматривать элемент как систему.
Процесс восстановления. Процесс восстановления можно рас-
сматривать как поток случайных точек 0 < t1 < t2 <... tn <...·. Раздел
математики, изучающий этот процесс, называется теорией вос-

55
становления. В этой теории изучаются или оцениваются различные
характеристики процесса, которые в теории надежности называ-
ются характеристиками надежности.
Введем обозначение Fn(t) = P{τn < t}, что позволяет записать:
t
Fn+1(t) = ∫ Fn(t – x) dF(t), F1(t) = F(t), fn(t) = F ′(t).
0

Пуассоновский поток. Пусть F(t) = 1 – e–λt, т.е. время жизни эле-

мента имеет показательное распределение. В этом случае процесс
восстановления называется пуассоновским потоком.
В этом случае f(t) = λe–λt.
t
Так как fn+1(t) = ∫ f n(t – ) f(x)dx, то, интегрируя последовательно,
0
находим

λ nt n−1 −λt
f n (t ) = e ,
(n − 1)!

т.е. момент tn имеет гамма-распределение с параметром n.

Интегрируя fn(t), получим:
n−1
( λt )k −λt
Fn (t ) = 1 − ∑ e ,
k =0 k !

откуда

( λt )n −λt
P {v(t ) = n} = e .
n!
Это основная формула в теории пуассоновского потока.
Плотность восстановления
∞
λ nt n−1 −λt
h(t ) = ∑ e = λ.
n=1 (n − 1)!

Следовательно, для пуассоновского потока плотность восста-

новления совпадает с интенсивностью отказа. Далее:
t
H (t ) = ∫ h( x )dx = λt .
0

56
 Найдем распределение остаточного времени жизни:
t
P {ξ t > x } = e −λ(t + x ) + ∫ λe −λ(t + x −u)du = e −λu ,
0

т.е. остаточное время жизни элемента имеет такое распределение,

как и полное время жизни.

3.2. Надежность системы при постоянном резервировании

При проектировании системы водоснабжения недостаточно
просто выбрать число ее элементов по заданным характеристикам.
Необходимо убедиться, что требуемая величина надежности систе-
мы при этом обеспечивается. Если уровень надежности системы
недостаточен, то применяется резервирование ее элементов. Виды
резервирования разнообразны [2; 3; 6; 7; 10; 23]: нагруженный ре-
зерв, ненагруженный резерв, облегченный резерв, восстанавлива-
емый резерв, невосстанавливаемый резерв, постоянное резерви-
рование, скользящее резервирование, резервирование замещени-
ем и т.д.
Расчет надежности системы (например, двух водоводов) при по-
стоянном резервировании ее элементов, соединенных параллель-
но, можно выполнить по формулам (3.4) и (3.5).
Однако часто параллельно работают больше чем два элемента
(водовода). Возможна параллельная работа трех, четырех, … и n
элементов. Тогда необходимо оценивать вероятности появления
не двух, а n событий. Например, если в системе параллельно рабо-
тают три элемента: А, В, С с параметрами надежности Р(А), Р(В) и
Р(С), то вероятность того, что система будет безотказно функцио-
нировать, рассчитывается по формуле

Р(А ∨ В ∨ С) = Р(А) + Р(В) + Р(С) – P(A)P(B) – P(A)P(C) –

– P(B)P(C) + P(A)P(B)P(С).
Если все три элемента равнонадежны, т.е.

Р(А) = Р(В) = Р(С) = Р,

то

Р(А ∨ В ∨ С) = 3Р – 3Р2 + Р3.

57
 Аналогично можно рассчитать надежность системы, состоящей
из четырех параллельно работающих элементов. Подобные рас-
четы утомительны. Существует более простой способ расчета на-
дежности параллельно работающих элементов. Используя форму-
лу Р + F = 1, вычисляем вначале ненадежность F, а затем, вычитая
ее из 1, получаем величину надежности. Например, вероятность
отказа двух элементов F = F1F2. Вероятность отказа трех параллель-
но работающих элементов F= F1F2F3, а ненадежность п параллель-
ных элементов
n
F(t)н = F1(t)F2(t)F3(t) и ... Fn(t) = ∑ Fi (t ).
i =1

Тогда надежность n работающих параллельно элементов выра-

жается в виде
n
F (t )н = F1(t ) + F2 (t )F3 (t )...Fn (t ) = ∑ Fi (t ).
i =1

Метод предварительного вычисления ненадежности F(t)н как

произведения ненадежностей элементов чрезвычайно облегчает
расчеты надежности параллельного соединения.
На практике для быстрой оценки величины ненадежности эле-
ментов часто используется довольно простой способ аппроксима-
ции. Если допускать, что вероятность безотказной работы каждого
элемента имеет экспоненциальное распределение, то

λ 2t 2 λ 3t 3
P (t ) = e −λt = 1 − λt + − + ... ,
2! 3!

получаем

λ 2t 2 λ 3t 3
F (t )н = 1 − e −λt = λt − + − ... .
2! 3!

Когда λt существенно меньше единицы, λt < 0,1, можно с не-

λ 2t 2
значительной погрешностью пренебречь членом и последую-
2!
щими слагаемыми, в результате чего получаем

58
 F(t)н = 1 – e–λt  λt,

P(t)н = e–λt  1 – λt.

Мгновенная интенсивность отказов систем параллельно соеди-

ненных элементов является функцией времени работы t, тем не
менее среднюю наработку на отказ системы можно рассматривать
как стационарную величину. Например, для системы из двух па-
раллельных элементов (рис. 3.2, а).

P2(t) = e–λ2t

P = e–λt P = e–λt P = e–λt

P1(t) = e–λ1t

а б
Рис. 3.2. Системы с двумя (а) и тремя (б) параллельно
включенными элементами

∞ ∞ ∞ ∞
T0 = ∫ Pн dt = ∫ e −λ1t dt + ∫ e −λ 2t dt − ∫ e −( λ1 +λ 2 )t dt =
0 0 0 0
1 1 1
= + − .
λ1 λ 2 λ1 + λ 2

Если надежности элементов системы одинаковы, то средняя

наработка на отказ будет равна

2 1 1 1 3
T0 = − = + = .
λ 2λ λ 2λ 2λ

Аналогично, для трех одинаковых элементов, работающих па-

раллельно (рис. 3.2, б)

P(t)н = 1 – F(t)нT0 = 1 – F3 = 1 – (1 – e–λt)3 =

= 3e–λt – 3e–2λt + e–3λt;

1 1 1 11
T0 = + + = .
λ 2 λ 3λ 6 λ

59
 Когда три элемента, работающие параллельно, неодинаковы,

P(t)н = 1 – F(t)нT0 = 1 – (1 – e–λ1t)(1 – e–λ2t)…(1 – e–λnt);

1 1 1 1 1 1 1
T0 = + + − − − + .
λ1 λ 2 λ 3 λ1 + λ 2 λ1 + λ 3 λ 2 + λ 3 λ1 + λ 2 + λ 3

Наконец, для п одинаковых элементов, работающих параллель-

но,

P(t)н = 1 – F(t)нT0 = 1 – (1 – e–λ1t)(1 – e–λ2t)…(1 – e–λnt);

1 1 1 1
T0 = + + + ... .
λ 2 λ 3λ nλ

3.3. Надежность системы при ненагруженном

резервировании
В системах водоснабжения не всегда применяется параллельная
работа элементов с нагруженным резервом. Чаще для обеспечения
надежности системы используется схема с резервированием ее эле-
ментов ненагруженным резервом. При такой схеме используется
работа основных элементов системы, а другая часть (резервных)
элементов вступает в работу только при отказе одного или несколь-
ких основных элементов.
Работа элементов в системе с ненагруженным резервом обычно
требует контрольных приборов, с помощью которых обнаружива-
ются отказы элементов, и устройства переключений, которые по-
зволяют включать резервные элементы в работу. Предположим, что
прибор, обнаруживающий отказ, и переключатель имеют 100%-ную
надежность и что работающие и резервные элементы имеют оди-
наковую интенсивность отказов λ.
Можно рассматривать группу основных и резервных элементов
как единую систему (например противопожарная насосная стан-
ция), в которой допускается несколько отказов до того, как систе-
ма окончательно прекратит выполнение своих функций. Если для
резервирования одного основного элемента (насосного агрегата)
включаются п резервных элементов (насосных агрегатов), то в си-
стеме n + 1 элемент, и в ней может произойти п отказов, не вызывая

60
отказа системы. Только отказы (n + 1) элементов вызовут отказ всей
системы. Используя теорему полной вероятности можно записать:

⎛ ( λt )2 ( λt )3 ⎞
e −λt ⎜1 + λt + + ...⎟ = 1.
⎝ 2! 3! ⎠

В этом выражении величина (e–λt · 1) представляет собой веро-

ятность того, что не произойдет ни одного отказа, величина (e–λt · λt)
⎛ ( λt )2 ⎞
дает вероятность того, что произойдет один отказ, ⎜ e −λt —
⎝ 2! ⎟⎠
вероятность того, что произойдут два отказа, и т.д. Следовательно,
вероятность того, что произойдет один отказ или не произойдет ни
одного отказа, равна (e–λt + λte–λt), вероятность того, что произой-
⎛ ( λt )2 ⎞
дет не более двух отказов, равна ⎜ e −λt + λte −λt + e −λt и т.д. Эти
⎝ 2! ⎟⎠
вероятности представляют собой надежность многократно резер-
вированных систем, состоящих из одинаковых элементов, т.е. из
элементов, имеющих одинаковую интенсивность отказов.
Если обозначить через Рн и Fн соответственно надежность и не-
надежность всей системы с ненагруженным резервом, то, посколь-
ку Рн + Fн = 1, можно написать:

⎛ ( λt )2 ( λt )3 ⎞
Pн + Fн = e −λt ⎜1 + λt + + ...⎟ = 1.
⎝ 2! 3! ⎠

Если допускается один отказ, то

Рн + Fн = e–λt + e–λtλt = e–λt(1 + λt). (3.10)

Формула (3.10) характеризует надежность системы, состоящей
из одного работающего и одного резервного элемента с интенсив-
ностью отказов λ, при ненагруженном резерве.
Поскольку в системах водоснабжения подобные методы резер-
вирования элементов применяются сравнительно редко, ограни-
чимся приведенной выше информацией.

61
 3.4. Надежность невосстанавливаемой системы
с независимыми элементами

3.4.1. НЕВОССТАНАВЛИВАЕМЫЕ СИСТЕМЫ

Системы водоснабжения, как правило, восстанавливаются. Од-
нако условия восстановления различны: в одних системах элемен-
ты восстанавливаются непрерывно (насосные агрегаты на насосных
станциях жилищно-коммунального водоснабжения), в других си-
стемах (трубы в системах подачи и распределения воды) элементы
восстанавливаются после отказа либо износа. В этой связи, если
исключить периоды приработки и износа, то подобные системы
на интервале времени «нормального периода жизни» можно рас-
сматривать как невосстанавливаемые. Поэтому эти модели заслу-
живают внимания со стороны любого специалиста в области водо-
снабжения.
Предположим, что система состоит из n элементов. Время жиз-
ни i-го элемента есть случайная величина Ti с функцией распреде-
ления

Fi(t) = P{Ti < t}, Pi(t) = 1 – g(t),

где Pi(t) — вероятность безотказной работы i-го элемента до мо-
мента t.
Элементы не восстанавливаются и все время Тi — независимы.
Состояние i-го элемента в момент t будем задавать функцией
Xi(t):

⎧0, если в момент t i `й элемент работает;

X i (t ) = ⎨
⎩1, если в момент t i `й элемент не работает.

Тогда состояние всех элементов задается двоичным вектором

X(t) = [x1(t), x2(t), x3(t), ..., xn(t)].

Допустим, что система может находиться тоже только в двух со-
стояниях — исправном или неисправном, соответственно:

⎧0, если в момент t система исправна;

(t ) = ⎨
⎩1, если в момент t система неисправна.

62
 При этом состояние элементов в каждый момент времени одно-
значно определяет состояние системы, т.е.

φ(t) = f[x1(t), x2(t), x3(t), ..., xn(t)].

В теории надежности логическая функция f удовлетворяет од-

ному важному условию. Для того, чтобы его сформулировать, вве-
дем на множестве двоичных векторов упорядоченность — скажем,
что

X = (x1, x2, x3, ..., xn) < X = (x1′, x2′, x3′, ..., xn′) если для всех xi  xi′.

Тогда условие на функцию f записывается так:

если X < X′, то f(X) < f(X′).

Смысл этого ограничения очень прост: дополнительные отказы

элементов не могут перевести систему из неисправного состояния
в исправное.
Множество E+ = {x; f(x) = 0} — это множество исправных со-
стояний системы, а множество E– = {x; f(x) = 1} — это множество
неисправных состояний системы.
Пусть T — время жизни системы, F(t) = P{T < t} — вероятность
отказа системы до момента t, P(t) = 1 – F(t) — вероятность безот-
казной работы системы до момента t.
В принципе можно написать выражение для функции надеж-
ности системы:
n
P (t ) = ∑ ∏ gix (t )pil − x .
i i
(3.11)
x ∈E + i =1

Произведение, стоящее под знаком суммы, есть вероятность

того, что элементы находятся в состоянии X. На самом деле фор-
мула (3.11) позволяет рассчитать надежность системы только для
нескольких простых случаев. Дело в том, что число элементов n
велико, а число состояний элементов, равное 2n, будет астрономи-
чески велико, и никакая машина не в состоянии сосчитать сумму
(3.11).
А.Д. Соловьев [23] предложил несколько методов, позволяющих
рассчитывать надежность подобных систем. При описании этих

63
систем предлагается говорить о способах соединения элементов в
системе так, как будто это трубопроводная сеть. Такой язык удобен,
но следует понимать, что он условен и, говоря о соединении эле-
ментов в системе, лишь описывается на этом языке логическая
функция f(x).

3.4.2. ПОСЛЕДОВАТЕЛЬНОЕ СОЕДИНЕНИЕ

Допустим, что элементы в системе соединены последовательно,
так как отказ любого элемента вызывает отказ системы. Подчер-
кнем, что принятое последовательное соединение в смысле надеж-
ности не означает (для трубопроводной сети), что реальное соеди-
нение этих элементов в схеме будет последовательным. Например,
элементы в схеме могут быть соединены параллельно, но если в ре-
зультате отказа этих элементов прекращается подача воды, то
в смысле надежности они будут соединены последовательно. Это
важное замечание относится и ко всем дальнейшим пунктам.
Определим для последовательного соединения основные харак-
теристики надежности системы. Система работоспособна в момент
t только тогда, когда работоспособны все элементы, т.е.

P(t) = P{T > t} = P{T1 > t, …, Tn > t} = P{T1 > t} … P{Tn > t} =
= Р1(t) P2(t) ... Pn(t).

Вероятность отказа системы

F = 1 – P1 … Pn = 1 – (1 – g1) … (1 – gn)
(ради краткости не будем писать аргумент t).
Если g1 + … + gn << 1, то можно пользоваться приближенной
формулой

F  g1 + … + gn,
1
в которой абсолютная ошибка Δ  (g1 + … + gn)2.
2
Интенсивность отказа системы в этом случае будет равна:

P ′(t ) n n
P ′(t ) n
λ(t ) = − = − [ ln P (t )]′ = − ∑ [ ln pi (t )]′ = − ∑ i = ∑λ i (t ), (3.12)
P (t ) i =1 i =1 Pi (t ) i =1

64
т.е. интенсивность отказа системы равна сумме интенсивностей
отказа элементов

λ = λ1 + λ2 + … + λn. (3.13)
Отсюда следует, что если время жизни каждого элемента экспо-
ненциальное, то и время жизни системы распределено по показа-
тельному закону.
Обозначим:
∞
ti = MTi = ∫ pi (t )dt — среднее время жизни i-го элемента;
0
∞
Т i = MTi = ∫Pi (t )dt — среднее время жизни системы.
0
В общем случае время Т не выражается явно как совокупность
ti, однако в случае, когда все времена жизни экспоненциальные, из
(3.13) следует:

1
T= . (3.14)
1 1 1
+ + ⋅⋅⋅ +
t1 t 2 tn

Из равенства (3.12) видно также, что если все элементы старе-

ющие, т.е. λi(t) монотонно возрастает, то и сама система является
стареющей, так как λ(t) тоже будет монотонно возрастать.
Можно показать, что в этом случае среднее время жизни систе-
мы [10; 23]:

1 1
T≥ = . (3.15)
1 1 1 λ1 + λ 2 + ⋅⋅⋅ + λ n
+ + ⋅⋅⋅ +
t1 t 2 tn

Таким образом, если для стареющих элементов рассчитывается

среднее время жизни по формуле (3.14), то при этом занижается
истинное среднее время T. При большом n это занижение может
быть значительным.
Если элементы стареют не очень интенсивно, то величина λ(0)
t0 будет лишь немного меньше единицы и в этом случае оценка
(3.15) будет достаточно точной.

65
 3.4.3. ПАРАЛЛЕЛЬНОЕ СОЕДИНЕНИЕ
Элементы в системе соединены параллельно в смысле надеж-
ности, если отказ системы наступает тогда и только тогда, когда
отказывают все элементы. Отсюда сразу получаем:

F(t) = g1(t) g2(t) … gn(t);

P(t) = 1 – g1(t) … gn(t).

Параллельное соединение элементов назначается обычно в тех

случаях, когда несколько элементов выполняют одну и ту же функ-
цию. Для ее выполнения достаточно одного элемента, поэтому
остальные элементы играют роль резервных, а само параллельное
соединение часто называют горячим резервом. Понятно, что в та-
кой ситуации элементы чаще всего бывают одинаковыми, т.е.

gi(t) = g(t)

и F(t) = gn(t), P(t) = 1 – gn(t).

Если g(t) — стареющее распределение, то и F(t) — стареющее

распределение [10].
Среднее время жизни системы
∞
T = ∫ ⎡⎣1 − g n (t )⎤⎦ dt (3.16)
0

вычисляется в явном виде очень редко. Например, для случая

g(t) = 1 – e–λt

1⎛ 1 1⎞
T= ⎜⎝1 + + ... + ⎟⎠ . (3.17)
λ 2 n

С другой стороны, при большом n, как видно из формулы (3.17),

среднее время в основном зависит от поведения функции распре-
деления при больших t. Но поведение «хвостов» распределений
обычно известно очень плохо. В этих условиях желательно иметь
для среднего Т пусть очень грубую, но простую оценку. Такую оцен-
ку можно получить.

66
 Пусть распределение g(t) — стареющее, тогда справедливо не-
равенство

0,56
P (T ) = 1 − g(T ) ≥ .
n +1

Теперь предположим, что функция надежности элемента р(t)

обладает следующим свойством — касательная к графику p(t), про-
веденная в точке t = Т, лежит ниже этого графика. Тогда справед-
ливо неравенство

1
P (T ) ≤ .
n +1

Если распределение p(t) — стареющее, то тогда [10; 23]

0,56 1
≤ P (T ) ≤ . (3.18)
n +1 n +1

Неравенство (3.18) очень удобно. Если дан график р(t), то на оси

ординат берутся две (а и b) точки (рис. 3.3).
P(t)
1 0,56 ,
a= и b=
n +1 n +1
1

n=3
a
b
t
0 T T
Рис. 3.3. Интерпретация интервала оценки среднего времени Т
стареющего элемента

Через них проводим горизонтальные прямые до пересечения с

графиком р(t), получаем две точки на оси абсцисс — Т и Т. Если
уверены, что элемент стареющий, и если проверили, что касатель-
ные к графику р(t) научастке (Т, Т) лежат ниже графика, то спра-
ведливо неравенство Т  Т  Т.

67
 Отметим, что на практике часто встречается такое соединение
элементов — система из n одинаковых элементов исправна тогда и
только тогда, когда исправно не менее m элементов. Для этого
случая
n
P (t ) = ∑ Cnk p k (t )q n−k (t );
k =m

n!
C nk = .
k !(n − k )!

При m = n получается последовательное соединение, а при

m = 1 — параллельное. Для этого случая также можно получить
оценку типа (3.18).

3.4.4. КОМБИНАЦИИ ПОСЛЕДОВАТЕЛЬНЫХ И ПАРАЛЛЕЛЬНЫХ

СОЕДИНЕНИЙ

На практике соединение элементов в системе (в смысле надеж-

ности) чаще всего приводится к комбинации последовательных и
параллельных соединений. В этом случае применяя многократно
формулы (3.17) и (3.15) нетрудно рассчитать надежность системы.
Покажем это на примере (рис. 3.4, 3.5).

Рис. 3.4. Схема итераций преобразования сооружений объекта

в модель надежности системы

Рассчитывая надежность каждой из обведенных пунктиром

групп, считаем каждую из этих групп одним элементом с известной
надежностью и получаем новую систему, представленную на
рис. 3.5.

68
 Рис. 3.5. Схема итераций по упрощению модели надежности объекта

Проделывая с этой системой ту же операцию, получаем третью

систему и так далее до тех пор, пока не получим один элемент.
Метод путей и сечений. Это один из общих методов расчета на-
дежности. Система из множества элементов A = {i1, i2, …, ik} рас-
сматривается как путь:
а) система исправна, если исправны все элементы этого множе-
ства независимо от состояния других элементов;
б) никакое подмножество А не обладает свойством а).
Пусть A1, A2, …, Am — множество всех путей. Событие, состоящее
в том, что все элементы исправны, обозначим аналогично буквой
Ai. Тогда функция надежности системы будет равна

P (t ) = P { A1 + A2 +… + Am } =
m
{
= ∑P { Ai } − ∑P Ai A j +} ∑ P { Ai A j Ak } −… (3.19)
i =1 i< j i < j <k

Каждая из вероятностей, стоящих в правой части, вычисляется

по формуле

P{AiAjAk} = PS1 PS2 … PSl,

где S1, PS2, …, PSl — номера элементов, образующих пути A1, A2, …,
Ak (эти пути могут, пересекаться).
При небольшом числе путей m формула (3.19) удобна, при боль-
шом числе путей она неэффективна, так как число слагаемых пра-
вой части равно 2m – 1. Существует прием, позволяющий в неко-
торых случаях уменьшать объем вычислений. Прежде всего, оче-
видно, что

F(t) = 1 – P(t) = P{A1 A2 … Ak},

где Ak — событие, дополнительное к Ak.

69
 Два пути назовем пересекающимися, если они имеют хотя бы
один общий элемент. Два пути назовем связанными, если их мож-
но соединить цепочкой пересекающихся путей. Поскольку понятие
связанности является отношением эквивалентности, все пути раз-
биваются на классы связанных путей.
Пусть {A1, A2, …, Ak1} — первый класс, {A1, A2, …, Ak2} — второй
класс, и так далее. Поскольку события Ai и Aj из разных классов
независимы,

F(t) = P{A1 … Am}, P{Ak1–1 … Ak2}.

Если число путей в классах невелико, то вероятности в правой
части легко вычисляются.
Введем теперь понятие сечения. Множество элементов B = {j1,
j2, …, jl} называется сечением, если:
а) система неисправна, если неисправны все элементы сечения
независимо от состояния других элементов;
б) никакое подмножество B не обладает свойством а).
Пусть B1, B2, …, BS — все сечения. Событие, состоящее в том,
что все элементы неисправны, обозначим той же буквой Bi. Тогда:
S
{
F (t ) = P {B1 + B2 + BS } = ∑P {Bi } − ∑P Bi B j + }
i =1 i< j

= ∑ P {Bi B j Bk } −… = S1 − S2 + S3 − ... (3.20)

i < j <k

Обычно вероятности gi(t) на представляющем интерес участке

времени малы. Знакопеременная сумма (3.20) обладает таким свой-
ством для любого k:

S1 – S2 + S3 – ... – S2k  S1 – S2 + S3 – ... – S2k+1,

т.е.

F(t) = S1 – S2 + S3 – ... + (–1)x–1Sxθ,

где 0  θ  1.
Если

S1 = ΣiP{Bi} << S2 = Σi<jP{BiBj},

70
то справедлива приближенная формула
S
F (t ) ≈ S1 = ∑P {Bi }. (3.21)
i =1

Если такого приближения недостаточно, можно взять еще не-

сколько слагаемых Sx, использовав оценку (3.21). Саму сумму S1
также можно оценить. Допустим, что все gi(t) одного порядка,
gi = xia) (a — малый параметр). Тогда любая вероятность P{Bi} = k · a2,
где x — число элементов в сечении. В этом случае в сумме S1 мож-
но ограничиться самыми короткими сечениями, у которых x ми-
нимально, грубо оценив все остальные слагаемые.
Рекуррентный метод. Часто для расчета надежности можно ис-
пользовать рекуррентный метод, суть которого состоит в следую-
щем.
Допустим, что оценивается надежность системы. Будем рассма-
тривать систему Sn как n-й член некоторой последовательности S1,
Sn, …, Sn, …, в которой каждая последующая система получается из
предыдущей добавлением нескольких элементов, множество со-
стояний каждой системы SnXn = {Xn} выбираем так, чтобы:
а) по состоянию системы Xn можно однозначно сказать, рабо-
тоспособна система или нет;
б) последовательность состояний систем X1, X2, …, Xn, … обра-
зовывала марковскую цепь, т.е. чтобы по известному состоянию
n-й системы Xn однозначно определялись вероятности состояний
системы Sn+1. Конечно, если взять Xn = (x1, …, xn), задать состояния
всех элементов системы, то эти два условия будут выполнены. Но
очень часто удается выбрать пространство с гораздо меньшим чис-
лом состояний, для которого условия а) и б) выполняются. Тогда
можно для расчета надежности воспользоваться обычными мето-
дами теории марковских цепей.
Приведем два примера.
1. Пусть система имеет вид, представленный на рис. 3.6.

A B

1 2 3
Рис. 3.6. Интерпретация системы из n элементов

71
 Для удобства понимания будем интерпретировать систему так:
элементы — это линии, по которым подается вода; из А по двум
линиям она поступает на первые два пункта, каждый из этих пун-
ктов передает ее по двум линиям на следующие два пункта и т.д.
Вероятность отказа каждой линии равна g, сами пункты связи счи-
таются безотказными. Каждая из двух входных и двух выходных
линий тоже считается безотказной. Система Sn, состоящая из 4
(n – 1) элементов (линий связи) исправна, если вода поступает из
А в В.
Возьмем в качестве пространства состояний системы

Xn = {0, 1, 2}.

Состояние Xn = 1 означает, что информация не поступает на і

конечных пунктов. Ясно, что последовательность, X1, X2, …, Xn, …
образует однородную марковскую цепь.
Переходные вероятности

P00 = (1 – g2)2; P01 = 2g2(1 – g);

P10 = (1 – g)2; P11 = 2g2(1 – g).

Других переходных вероятностей можно не вычислять, так как

состояние 2 является поглощающим.
Пусть Pn = (1 – g2)2; P01 = 2g2(1 – g), тогда P = Pn + gn — вероят-
ность безотказной работы системы. Вероятности Pn и gn удовлет-
воряют рекуррентным уравнениям (уравнения Колмогорова):

Pn+1 = (1 – g)2Pn + (1 – g)2g;

gn+1 = 2g2(1 – g2)Pn + 2g(1 – g)gn

с начальными условиями P1 = 1, g1 = 0.
Решая эти уравнения, получим:

1 − g 4 − λ 2 n−1 λ1 − 1 − g 4 n−1
P= λ + λ , (3.22)
λ1 − λ 2 1 λ 2 − λ1 2

где λ1 и λ2 — корни уравнения

72
 λ2 = –[2g(1 – g) + (1 – g2)2]λ + 2g(1 – g)2(1 – g) = 0,
откуда:

1 1
( ) ( ) ( )
2 4 2 3
λ1 = g (1 − g ) + 1− g2 + 1− g2 + g 2 (1 − g ) − g (1 − g ) 1 − g 2 ;
2 4

1 1
( ) ( )
2
λ 2 = g (1 − g ) + 1− g2 − (1 − g )4 + g 2 (1 − g )2 − g (1 − g )3 1 − g 2 .
2 4

При g → 0 λ1 → 1, а λ2 → 0, поэтому при молом g, даже не очень

большом n вторым слагаемым в (3.22) можно пренебречь.
Раскладывая λ1 и λ2 по степеням g, получим:

λ1 = 1 – 3g4 + 0(g4), λ2 = 2g – 4g2 + 4g2 + 0(g4).

C некоторым приближением получается:

P  (1 – g4)(1 – 3g4)n.
Ветвящаяся система. Ветвящаяся система Sn имеет вид, пред-
ставленный на рис. 3.7.
Pn
P2
Pn–
P1

P0

a1

a2 P0
an

Рис. 3.7. Схема ветвящейся системы

Головной элемент, имеющий функцию надежности P0, управ-

ляет F1 одинаковыми элементами первого ранга с функцией на-

73
дежности P1, каждый из них управляет F2 элементами второго ран-
га, у всех элементов второго ранга с функцией надежности P2 и так
далее.
Отказ каждого элемента выключает из работы все элементы,
следующие за ним. Элементы последнего n-го ранга называются
выходными, их число равно a1a2 … an = N.
Таким образом, выходной элемент может не работать либо по-
тому, что он сам отказал, либо потому, что отказал один из пред-
шествующих ему элементов. Система Sn считается отказавшей, если
число работающих выходных элементов стало меньше некоторого
критического числа in.
Здесь в качестве состояния системы Sn можно взять число рабо-
тающих выходных элементов. Обозначим его Xn = 0, 1, 2, … N.
Последовательность X0, X1, …, Xn, … образует марковскую цепь.
Эта цепь будет неоднородной. Она является частным случаем дис-
кретного ветвящегося процесса Гальтона — Ватсона и исследовать
ее проще всего методом производящих функций [10; 23].
Пусть

P(Z) = MZ xn.
Обозначим вероятность νn биномиальной случайной величины
как

P{νn = k} = C aknP nk gnan–k, gn = 1 – an.

Это есть вероятность того, что из an, элементов n-го ранга, управ-
ляемых одним элементом предыдущего ранга, не отказало k эле-
ментов. Производящая функция биномиальной величины

MZ νn = (PnZ + gn)an. (3.23)

Заметим, что

Xn = νn(1) + νn(2) + … + νn(xn–1),

где νn(i) — независимы и распределены по закону (3.23).
Тогда по формуле полных вероятностей

= ΣSP{xn–1 = S}MZ νϑn

(1)
+ … + ν(x n–1) (1)
+ … + ν(S)
Pn(Z) = MZ νn n n =
= ΣSP{xn–1 = S}(PnZ + gn) anS
= Pn–1[(PZ + gn) ]. an

74
 Итак,
Pn(Z) = Pn–1[(PZ + gn)an]
причем
P0(Z) = P0Z + g0.
Эта рекуррентная формула позволяет найти производящую
функцию Pn(Z), но при большом числе выходных элементов она
малоэффективна. Однако моменты величины Xn находятся доволь-
но просто:

MXn = Pn′(1) = P n–1

′ (1)anPn = P0P1...Pn a1a2...an.
С большими вычислениями, но все же в обозримой форме, на-
ходятся Mxn2, Mxn3 и так далее.
Учитывая это обстоятельство, можно предложить следующий
метод приближенной оценки функции надежности системы:
⎧x m⎫
P (t ) = p{ X n ≥ m} = P ⎨ n ≥ ⎬.
⎩ n N ⎭
Как известно из анализа,
⎧0, если X < a ;
lim ∑ Clk X k (1 − X )l −k = ⎨⎩1,
l →∞ k m если X > a .
≥
l N

Но тогда

⎡ k x −k
⎤
⎢ ⎛ X ⎞ ⎛ X ⎞ ⎥ ⎧X m⎫
lim M ⎢ ∑ C xk ⎜ N ⎟ ⎜1 − N ⎟ ⎥ = P ⎨ N ≥ ⎬ = P (t ).
x →∞ ⎝ N ⎠ ⎝ N ⎠ ⎩ N N⎭
⎢k≥ m ⎥
⎣x N ⎦

При достаточно большом l (при l ≥ 3) справедлива приближенная

формула
1
∑ Clk N l MX Nk (N − X n )l −k ≈ P (t ),
k m
≥
l N

где левая часть выражается через моменты Xn порядка не выше l.

75
 3.4.5. МОДЕЛИ ЗАВИСИМОСТИ ЭЛЕМЕНТОВ
В системах без восстановления можно допустить наличие за-
висимости отказов элементов в системе.
Дискретная зависимость. Предположим, что каждый элемент
может находиться в трех состояниях — простоя, работы и отказа.
Состояние отказа — необратимое, так как элементы невосста-
навливаемые. Состояние всех элементов задается троичным век-
тором
ν = (ν1, ν2, ..., νn),
где νi = 0 — простой; νi = 1 — работа; νi = 2 — отказ i-го элемента.
Допустим, что отказ элемента может быть собственным и не-
собственным. Каждый і-й элемент имеет некоторый ресурс Ti и его
собственный отказ наступает тогда, когда суммарное время работы,
т.е. суммарное время, проведенное в состоянии 1 достигает вели-
чины Ti.
Несобственные отказы (переходы 0 → 2 и 1 → 2), а также пере-
ходы из рабочего состояния в состояние простоя и обратно (0 → 2
и 1 → 2) могут происходить только в моменты собственных отказов
элементов(см. рис. 3.8). Причем переходить из состояния в состо-
яние в эти моменты могут с некоторыми заданными вероятностя-
ми целые группы элементов.
Холодное резервирование. Пусть имеется n одинаковых элемен-
тов с вероятностью отказа g(t). В момент t = 0 первый из включае-
мых в работу, а остальные в выключенном состоянии образуют хо-
лодный резерв (рис. 3.8). В момент отказа работающего элемента
включается первый резервный, после его отказа второй, и так далее.
Система отказывает, когда отказывают все n элементов. Время жиз-
ни системы
τ = τ1 + τ2 + … + τn,
где τi — время работы i-го элемента.
Вероятность отказа системы Fn(t) определяется реккурентно:
t
Fk (t ) = ∫Fk −1(t − X )dg (t ); (3.24)
0

F1(t) = g(t),

76
а среднее время жизни системы

Tn = Mτ = nt0,
где t0 = MTi.

Рис. 3.8. Интерпретация перехода элемента в состояние:

простоя, работы, отказа

Если элементы стареющие, то сама система тоже будет старею-

щей. Кроме того, справедлива следующая оценка:
k
⎡ 1 ⎤
n−1 ⎢ ln
P[t ]⎥⎦
Fn (t ) ≤ 1 − ∑ ⎣ P (t ),
k =0 k!

где P(t) = 1 – g(t).

Эта оценка удобна тем, что в отличие от (3.24) она не требует
знания промежуточных значений функции g(x), 0  X  t, достаточ-
но знать g(t).
Зависимость начальных параметров. Время безотказной работы
изделия определяется двумя факторами: значениями начальных
параметров изделия и параметрами режима, в котором работает это
изделие. Отказы элементов могут быть зависимыми из-за того, что
они входят в состав одной системы и на них действует общий слу-
чайный режим. Но отказы элементов могут быть зависимы и по-
тому, что зависимы их начальные параметры — этот тип зависимо-
сти почти никогда не учитывается. Не будем развивать никакой
теории, а ограничимся примером.
Пусть завод поставляет одинаковые трубы, из которых монти-
руется трубопровод из 100 труб (элементов). На заводе периодиче-
ски возникают неполадки, обнаруживаемые не сразу. За период от
начала неполадки до ее обнаружения с завода поставляется в сред-

77
нем 100 дефектных труб (элементов), которые отказывают в систе-
ме вскоре после начала работы. Предположим, что остальные тру-
бы, изготовленные в период нормальной работы завода, практиче-
ски безотказны. После обнаружения неполадки дефект
устраняется и завод продолжает нормально работать. Допустим, за
время неполадки изготавливается в среднем 100.000 труб. Если из
большой партии труб (например продукция за год) взять равно-
мерно распределенную по множеству элементов выборку и про-
вести испытания, то получим, что вероятность отказа трубы равна
100
g= = 0,001,
100 000
а вероятность отказа трубопровода (системы из последовательных
элементов)

F = 1 – (0,999)100 = 0,095.
При сложившихся условиях поставки труб на объекты можно
допустить, что группа дефектных труб может попасть на один, мак-
симум на два объекта и поэтому истинная вероятность отказа тру-
бопровода равна 0,001  F  0,002.
Эта разница получена потому, что в первом случае пренебрегли
зависимостью отказов. Цель этого утрированного примера — об-
ратить внимание на то, что зависимость начальных параметров
следует как-то учитывать при расчете надежности, особенно на-
дежности оборудования, объектов систем водоснабжения.
Зависимость отказов из-за общего режима. Обозначим режим ра-
боты системы ε(t). Допустим, что элементы соединены в системе
последовательно и при фиксированной траектории ε(t) отказывают
независимо. Тогда, если Pi(t; ε) — условная вероятность безотказной
работу в случае фиксированного режима ε(t), то функция надеж-
ности системы

P(t) = MlPi(t; ε) … Pn(t; ε), (3.25)

где усреднение берется по всем траекториям режима. Безусловная
функция надежности і-го элемента равна

Pi(t) = MεPi(t; ε),

и, как видно из (3.25),вообще говоря,

78
 P(t)  P1(t) … Pn(t).
Для того, чтобы воспользоваться формулой (3.25), надо, во-
первых, знать, как зависит надежность от режима, и, во-вторых,
как распределен случайный процесс ε(t). Однако, даже не зная рас-
пределения процесса ε(t), можно получить одно полезное неравен-
ство.
Предположим, что справедлива гипотеза линейного накопления
повреждений. Тогда

Pi(t; ε) = Pi0[A(t)],
t
где A(t ) = ∫v [ε( X )] dx.
0
Пусть P{A(t) < X} = Фt(X) — функция распределения случайной
величины А(t). Тогда из (3.25) следует:
∞
P (t ) = ∫Pi 0 ( X )… Pn0 ( X )dФt ( X )
0

∞
и Pi (t ) = ∫Pi 0 ( X )dФt ( X ).
0

Существует одно малоизвестное неравенство Чебышева [23]:

если функции φi(X)  0 монотонно убывают, a F(Х) — функция рас-
пределения, то
+∞ +∞ +∞

∫ ϕ1( X )…ϕ ndx ≥ ∫ ϕ1( X )dF ( X )… ∫ ϕ n ( X )dF ( X ).

−∞ −∞ −∞

Применяя его к данному случаю, получим:

P(t)  P1(t)P2(t) … Pn(t),

т.е., при расчете надежности в предположении независимости эле-
ментов, несколько занижена истинная надежность.
Случай зависимости надежности элементов от состояния других
элементов. Пусть состояние элементов определяется двоичным век-

79
тором l(t) = (l1(t), …, ln(t)); траекторию процесса l(t) на [0, t] обо-
значим Гt. Если предположить, что нет зависимости начальных
параметров элементов и нет зависимости отказов из-за общего слу-
чайного режима (например, режим детерминированный), то един-
ственным возможным типом зависимости может быть зависимость
надежности одного элемента от отказов других элементов. Отказы
элементов могут приводить к дополнительному износу других эле-
ментов.
Например, в момент отказа возникает гидравлический удар, ко-
торый скачком меняет давление в сети. При увеличении давления
нагрузка передается на другие элементы. Если элементы функци-
онально заменяемы, то при отказе одного элемента другие берут
на себя дополнительную нагрузку, отчего их надежность, естествен-
но, падает. Наконец, отказы одних элементов могут включать или
выключать другие элементы (насосные установки, запорную арма-
туру, трубопроводы).
Трудно описать все возможные проявления такой зависимости,
но ясно, что в самом общем случае эту зависимость можно описать
так: если фиксирована траектория процесса l(x) до момента t, то
вероятность перейти за время Δt из состояния l = l(t) в состояние l′
равна

P{l(t + Δt) = l′/Гt} = λ(Гt, l′)Δt + 0(Δt).

Эта формула учитывает и возможность появления в один момент
нескольких отказов. Более частным является случай, когда в каж-
дый данный момент может произойти только один отказ. В этом
случае процесс l(t) задается интенсивностями отказов элементов.
Также предполагается, что вероятность появления более одного
отказа на Δt есть 0(Δt). Cледующим является тот случай, когда ин-
тенсивность отказа элемента зависит от времени t и от состояния
процесса в момент t; λi(l(t), t).
В этом случае процесс l(t) будет марковским. Наконец, послед-
ний случай — это случай, когда интенсивности при фиксированном
l(t) = l не зависят от времени, т.е. λi(l). Отметим, что если известно
одномерное распределение процесса

P{l(t) = l} = Pl(t),
то в силу монотонности функции f(l) (состояния системы) нахо-
дится и функция надежности системы

80
 P (t ) = P {l (t ) ∈ E + } = ∑ Pl (t )
l ∈E +

(монотонность f(l) означает, что система, отказав, не может вос-

становиться из-за появления дополнительных отказов элементов).
Процесс чистой гибели. Рассматривается случай, когда интенсив-
ность отказа элементов зависит только от состояния этих элемен-
тов в данный момент λi = λi(l). Но предварительно рассмотрим слу-
чай, когда элементы входят в систему симметрично, т.е. λi(l) не за-
висит от номера i (все элементы одинаковы), λi(l) = λ(l) и функция
f(l) не меняется при любой перестановке координат вектора l. В этом
случае интенсивность λ(l) и функция f(l) зависят только от числа
отказавших элементов:

K = ∑ i =1 li =|| l ||,
n

⎧0, если K < m ≤ n ,

f (l ) = ⎨
⎩1, если K ≥ m .

Тогда вместо процесса l(t) можно рассмотреть процесс ξ(t) = || l(t) ||,
это число неисправных элементов в момент t.
Вероятность перехода из состояния K в состояние (K + і) за вре-
мя Δt равна

P{ξ(t + Δt) = K + 1/ξ(t) = K} = ϑkΔt + 0(Δt),

где νk = Δt + 0(Δt), || l || = K,
νk — суммарная интенсивность отказа оставшихся в живых
(n – K) элементов.
Получившийся марковский однородный процесс с состояния-
ми 0, 1,..., в котором мгновенные скачки возможны только вверх
на одно состояние, называется процессом чистой гибели. Посколь-
ку рассматривается только поведение процесса до момента отказа
системы, состояние m будет поглощающим, так как, попав в это
состояние при νm = 0, процесс навсегда в нем останется.
Введем вероятности состояний

Рk(t) = Е{ξ(і) = K}.

81
 Очевидно также, что вероятность отказа системы равна

F(t) = P(t).
Для вероятностей состояний легко составляются уравнения Кол-
могорова:

⎧ P0′(t ) = −ν0 P0 (t );
⎪ …………………….
⎪⎪
⎨Pk′(t ) = ν k −1Pk −1(t ) − ν k Pk (t );
⎪ k = 1, 2, …, m − 1
⎪
⎪⎩ Pm′ (t ) = ν m−1Pm−1(t ).

Так как в начальный момент t = 0 в системе исправны все эле-

менты (это обычное предположение), то

Р0(0) = 1, Рk(0) = 0, K > 0.

В работе [23] доказано, что, применив к этой системе преобра-

зование Лапласа для расчета надежности, можно пользоваться при-
ближенной формулой

ν0 ν1...ν m−1 m
F (t ) = t .
m!

Относительная погрешность при этом не превысит

1 m−1
∑ ν t.
m + 1 k =0 k

Отметим еще такую очевидную интерпретацию данной модели:

время до отказа системы T есть сумма независимых величин

T = ξ0 + ξ1 + … + ξm–1,
где Р{ξk > t} = e–νkt.
Это следует из того, что время пребывания процесса в каждом
состоянии K имеет показательное распределение с параметром νk.
Отсюда, в частности, мгновенно получается

82
 1 1 1
T= + + ... + .
v0 v1 vm−1

Изученный процесс чистой гибели включает в себя довольно

много реальных моделей резервирования без восстановления. Пусть
резервная группа состоит из m элементов — один рабочий, осталь-
ные резервные. При отказе рабочего элемента мгновенно включа-
ется резервный элемент. Система отказывает, когда отказывают все
элементы (например, противопожарные системы водоснабжения).
Пусть λ — интенсивность отказа рабочего элемента, λ′ — интенсив-
ность отказа каждого резервного элемента. Процесс ξ(t) (число от-
казавших элементов к моменту t) будет процессом чистой гибели,
если взять

νk = λ + (m – 1)λ′.
При λ′ = 0 получаем холодный резерв, при λ′ = λ — горячий ре-
зерв, а в случае, когда λ′ < λ, — теплый резерв. Существуют и другие
модели, которые описываются процессом чистой гибели.
Обобщенный процесс чистой гибели. Рассмотрим случай, когда
интенсивность отказа i-го элемента λi(l). Поток отказов элементов
системы относится к марковскому однородному процессу l(t). Но
это процесс многомерный, и уравнения Колмогорова выглядят для
него весьма громоздко. Не приводя дальнейших подробностей, от-
метим, что оценивать надежность такой системы с небольшой по-
грешностью можно по формуле [23]

λ i (l 0 )...λ im (l m−1 ) m
F (t ) = ∑ t ,
π m!

где m — количество элементов в системе;

π — путь;
λi(l)t — интенсивность отказов на участке времени t, которая
очень мала, т.е. λi(l) — интенсивности положительны и фиксиро-
ваны, а t → 0.
Среднее время жизни системы будет равно

⎡ 1 1 ⎤
T = ∑ P ( π) ⎢ 0 + ... + .
π ⎣ λ(l ) λ(l m−1 ) ⎥⎦

83
 3.4.6. НАДЕЖНОСТЬ ВОССТАНАВЛИВАЕМОЙ СИСТЕМЫ
С НЕЗАВИСИМЫМИ ПОСЛЕДОВАТЕЛЬНО СОЕДИНЕННЫМИ ЭЛЕМЕНТАМИ

Случай последовательного соединения элементов самый частый,

который встречается в водопроводных системах — трубопроводах,
оборудовании водозаборных и очистных сооружений и т.д.
Мгновенное восстановление. Рассмотрим мгновенное восстанов-
ление системы на примере. Пусть система состоит из n элементов,
gі(t) — функция распределения времени жизни i-го элемента, tі —
среднее время безотказной работы i-го элемента. Элементы отка-
зывают независимо друг от друга. В момент отказа элемента он
мгновенно и полностью восстанавливается (например, происходит
замена новым идентичным элементом). Поток отказов элемента
будет, очевидно, процессом восстановления, а поток отказов си-
стемы, поскольку каждый отказ элемента есть отказ системы, будет
суммой n независимых процессов восстановления. Для такой си-
стемы можно в принципе рассчитать все характеристики надеж-
ности.
Обозначим νі(t) — случайное число отказов i-го элемента на [0,
t], ν(t) — число отказов системы на [0, t].

Тогда, ν(t) = ν1(t) + … + νn(t). (3.26)

Так как распределение νі(t) известно, то возможно просчитать
распределение ν(t). Обозначим Hi(t) и hi(t) — функция восстанов-
ления и плотность восстановления потока отказов i-го элемента,
Н(t) — среднее число отказов системы на [0, t], h(t) = H′(t) — ин-
тенсивность отказов системы. Тогда из (3.26) следует, что

Н(t) = Н1(t) + … + Hn(t);

h(t) = h1(t) + … + hn(t).

В принципе, можно найти распределение остаточного времени
(время от момента t до ближайшего отказа системы). Не будем за-
ниматься выводом громоздких формул для распределений ξt и ν(t),
так как на практике их почти не используют. Рассмотрим работу
системы в стационарном режиме. При известных условиях
1
lim hi (t ) = ,
t →∞ ti

84
откуда следует, что

1 1
lim h(t ) = +… + .
t →∞ t1 tn

C другой стороны, для любого стационарного потока интенсив-

ность потока обратна к среднему интервалу между соседними точ-
ками потока. Отсюда среднее время между соседними отказами
(или средняя наработка на отказ) Т равно

1
T= .
1 1
+… +
t1 tn

Далее, пусть ξk — стационарное остаточное время жизни k-го

элемента, ξ — стационарное остаточное время жизни системы. По-
скольку ξ = minkξk, то
n ∞
1
P {ξ > X } = ∏ ∫Pk (u)du, (3.27)
k =1 t k k

где Pk(u) — функция надежности k-го элемента; Pk(u) = 1 – gk(u).

Пусть τ — случайное время между соседними отказами системы
(следует иметь в виду, что последовательные интервалы между от-
казами системы зависимы) и

P(t) = P{τ > t}.

Из теории стационарных потоков [23] следует, что
∞
1
T X∫
P {ξ > X } = P (t )dt .

Приравнивая этот интеграл к правой части (3.27) и дифферен-

цируя по Х, получим
∞
n
P (X ) 1
P(X ) = T ∑ i ∏
ti k ≠i t k ∫k k
P (u)du. (3.28)
i =1

85
 Случай большого числа элементов в системе. Литовский матема-
тик Б.И. Григелионис доказал [23], что при выполнении некоторых
общих условий сумма большого числа независимых потоков асим-
птотически будет пуассоновским потоком с переменным параме-
тром. Пуассоновским потоком с переменным параметром λ(t) на-
зывается точечный поток, который определяется двумя условиями:
• появлением независимых точек потока на непересекающих-
ся интервалах;
• появлением k точек на интервале; вероятность их появления
равна
t2
k
1 ⎡2 ⎤
t − ∫ λ(t )dt

K ! ⎢ t∫
Pk (t1, t 2 ) = ⎢ λ(t )dt ⎥ ⋅ e t1
. (3.29)
⎥
⎣1 ⎦

Не приводя точной формулировки теоремы Григелиониса, от-

метим, что главное условие этой теоремы состоит в том, что интен-
сивность каждого из слагаемых потоков бесконечно мала по от-
ношению к интенсивности суммарного потока, т.е. в данном случае
интенсивность потока отказов каждого элемента должна быть мала
по сравнению с интенсивностью потока отказов системы:

hk(t) << h(t).

Итак, предположим, что число элементов n велико и выполне-
ны условия теоремы Григелиониса. Тогда поток отказов системы
можно считать с хорошим приближением пуассоновским потоком
с переменным параметром. Из (3.29) получаем, что среднее число
отказов системы на [0, t] равно
∞ t
H (t ) = ∑KPk (0, t ) = ∫λ( X )dx, H′(t) = λ(t),
k =1 0

т.е. параметром пуассоновского потока будет введенная раньше

интенсивность потока

h(t) = λ(t).
Для сложных систем интенсивность h(t) меняется медленно и
на интервале между соседними отказами ее можно считать посто-

86
янной. Этот факт связан с тем, что в сложной (n — велико) и от-
носительно надежной системе время жизни каждого отдельного
элемента очень велико, гораздо больше представляющего интерес
интервала времени. Поэтому плотности отказов qk′(t) меняются на
этом интервале медленно, а с ними так же медленно меняются hk(t)
и h(t). Для каждого элемента поток восстановлений будет прибли-
женно стационарным только через время, равное нескольким сред-
ним временам жизни. По этим же причинам можно интенсивность
потока h(t) рассчитывать по приближенной формуле

h(t ) ≈ ∑ k =1 qk′ (t ).
n

Если h(t) меняется медленно, то остаточное время жизни t име-

ет распределение

P{ξt > X}  e–Xh(t). (3.30)

Вероятность появления на участке (t, t + x) k отказов можно
считать по приближенной формуле

Pk (t, t + x ) ≈
[ xh(t )]k e − Xh(t ).
K!

Распределение интервала между соседними отказами, если этот

интервал начался в момент t, можно считать по формуле (3.30).
Конечное время восстановления. Представим, что время жизни
k-го элемента имеет функцию распределения gk(t) и среднее tk1, а
время восстановления имеет функцию распределения rk(t) и сред-
нее tk2. Рассматривается случай, когда при отказе элемента вся си-
стема останавливается и включается в работу в момент окончания
восстановления. Естественно также предположить,что во время
восстановлений система «застывает», т.е. надежность элементов в
это время не меняется (рис. 3.9).

0
Рис. 3.9. Интерпретация работы и восстановления системы

Прямоугольники на рисунке соответствуют участкам восста-

новлений. Если вырезать эти участки и сомкнуть интервалы рабо-

87
ты, то получим поток, рассмотренный в предыдущем подразделе.
Это соображение дает возможность вычислить все характеристики
надежности. Но, как и выше, ограничимся тем, что найдем стаци-
онарные характеристики, а затем рассмотрим случай большого
числа элементов.
Пусть Т0 — среднее время безотказной работы системы, а Тв —
среднее время восстановления систем, Тв = τ. Из сказанного выше
очевидно, что

1
T0 = ,
1 1 1
+ +… +
t11 t21 t n1

а функция распределения времени жизни выражается из (3.28).

Если в стационарном режиме произошел отказ системы, то с
вероятностью

1
t k1
1 1 1
+ +… +
t11 t21 t n1

это отказ k-го элемента. Поэтому функция распределения времени

восстановления системы равна

r ( x)
∑ k =1 kt
n

k1
,
1
∑ k =1 t
n

k1

а среднее время

t
∑ k =1 tk 2
n

k1
Tв = .
1
∑ k =1 t
n

k1

88
 Отсюда стационарный коэффициент готовности

T1 1
Kг = = .
T1 + Tв tk 2
1 + ∑ k =1
n
t k1

Чтобы получить распределение остаточного времени жизни си-

стемы ξ, надо правую часть уравнения (3.28) умножить на коэффи-
циент готовности:
n ∞
1
P {ξ > x } = K г ∏ ∫Pk (u)du.
k =1 t k1 x

Перейдем теперь к случаю, когда система состоит из большого

числа элементов. Если бы восстановление было мгновенным, то
поток отказов системы был пуассоновским потоком с переменным
параметром. Наш поток (рис. 3.10) получится, если разрежем пу-
ассоновский поток в точках отказа и вставим туда интервалы вос-
становления. При этом, если на оси первого потока в момент t (t —
наработка системы) возник отказ, то с вероятностью

hk (t )
π k (t ) =
h(t )

это отказ k-го элемента.

Рис. 3.10. Интерпретация работы и восстановления системы из n элементов

Поэтому, если в момент, когда наработка системы достигла ве-

личины t, возник отказ, то функция распределения времени вос-
становления ηt будет равна:

89
 ∑ hk (t )rk ( x ) = r ( x ),
n

P {ηt < x } = k =1n t

∑ k =1 hk (t )
а среднее время восстановления

∑ k =1 hk (t )t k 2 .
n

Tв (t ) =
∑ k =1 hk (t )
n

Для оценки других характеристик предположим дополнительно,

что время восстановления мало по сравнению с интервалом безот-
казной работы системы (это предположение естественно, так как
система почти все время должна работать). Тогда можно пренебречь
разницей между календарным временем и наработкой системы.
Найдем нестационарный коэффициент готовности системы
t t
1 − K г (t ) ≈ ∫ [1 − rt (t )] ⋅ h(t − x )dx ≈ h(t )∫ [1 − rt (t )] dx ≈ h(t )Tв (t ). (3.31)
0 0

Из (3.31) найдем среднее время, в течение которого система на

интервале [0, t] находится в неисправном состоянии, обозначим
его τ(t). Если рассмотреть единичный процесс

⎧0, если в момент t система исправна;

ϕ(t ) = ⎨
⎩1, если в момент t система не исправна,
t t
то τ(t ) = M ∫ϕ(t )dx = ∫M ϕ(t )dx.
0 0
Но Mφ(x) = P{φ(x) = 1} = 1 – Kг(x), отсюда
t n
τ(t ) = ∫ h( x )Tв ( x )dx = ∑ t k 2 H k ( x ).
0 k =1

Если h(t) меняется медленно, тогда остаточное время жизни си-

стема ξt имеет распределение [см. (3.76)]

P{ξt > x} = Kг(t)e–xh(t).

90
 Конечное время восстановления (независимое восстановление).
Рассмотрим случай (рис. 3.10), когда каждый элемент работает, от-
казывает, восстанавливается, снова работает, и так далее, незави-
симо от других элементов. Время жизни k-го элемента имеет функ-
цию распределения gk(t), а время ремонта — rk(t). Соответственно
tk1 и tk2 — среднее время жизни и восстановления.
На первых n осях времени изображена работа элементов, на по-
следней оси — работа системы. Прямоугольниками отмечены участ-
ки восстановления. Пусть Т0 — среднее время безотказной работы,
а Тв — среднее время восстановления системы в стационарном ре-
жиме. Рассматриваемый процесс H(t) имеет стационарное распре-
деление и стационарную вероятность

T0
lim P {H (t ) ∈ E + } = P+ , P+ = K г = .
t →∞ T0 + Tв

Допустим интенсивность потока отказов системы в стационар-

ном режиме есть λ.
Тогда

⎧ 1
⎪ λ = Т +T ,
⎪ 0 в
⎨ (3.32)
⎪ K = T0 .
⎪⎩ г T0 + Tв

Из (3.32) можно найти T0 и Tв. Поскольку элементы в системе

работают независимо, то ее коэффициент готовности
n
ti1
Kг = ∏ .
i =1 ti1 + ti 2

Аналогично оценим интенсивность потока отказов системы Λ.

Для того, чтобы на [t, t + dt] произошел отказ системы, надо, чтобы
в момент t все элементы, кроме одного, скажем k-го, были исправ-
ны, вероятность этого

ti1
∏t ,
i ≠K i1 + ti 2

91
a k-й элемент на [t, t + dt] отказал, вероятность этого dt/tk1 + tk2.
Перемножая эти две величины и суммируя по k, получим, что ве-
роятность отказа системы на [t, t + d] равна
n
dt ti1 n
1
∑t ∏ = K г dt ∑ .
k =1 k1 + t k 2 i ≠ K ti1 + ti 2 k =1 t k1

С другой стороны, по определению интенсивности Λ эта веро-

ятность равна Λdt и отсюда
n
1
Λ = Kг ∑ .
k =1 t k1

Используя теперь формулу (3.32), получаем:

Kг 1 1− Kг
T0 = = , Tв = T.
Λ n
1 Kг 0
∑t
k =1 k1

3.4.7. МАРКОВСКИЕ МЕТОДЫ

Точные формулы для характеристик марковского процесса. Пред-
положим, что процесс H(t), описывающий работу системы, —
марковский однородный процесс с конечным числом состояний,
обозначим состояния 0, 1, 2, ..., n. Состояния {0, 1, 2, …, m – 1} =
= E+ соответствуют исправным состояниям системы, а состояния
{m, ..., n} = E– — неисправным состояниям системы. Процесс
H(t) называется марковским однородным процессом, если для
любых состояний i1, i2, …, ik, i, j; i  j и любых моментов 0  t1 
 t2  …  tk < t < t + h условная вероятность

P{H(t + h) = j/H(ti) = i, … H(tk), H(t) = i} =

= P{H(t + h) = j/H(t) = i} = λijh + 0(h), при h → 0. (3.33)
Из этого определения следует, что вероятности будущих состо-
яний процесса определяются знанием его настоящего состояния и
при этом условии не зависят от прошлого поведения процесса.
Если, например, в системе время безотказной работы каждого эле-
мента и время его восстановления имеют экспоненциальное рас-

92
пределение, то процесс, описывающий поведение такой системы,
будет марковским однородным процессом. Однако эти свойства
могут иметь процессы и в гораздо более общих ситуациях, напри-
мер, когда отказы элементов зависимы, а время восстановления
элементов зависит от состояния системы. В настоящее время нет
необходимости описывать все те случаи, когда возникает марков-
ский процесс. Проще для каждой конкретной системы проверять
условие (3.33). Исходя из определения, легко показать [23], что в
каждом состоянии i процесс H(t) находится в течение экспоненци-
ального времени ξi (рис. 3.11) с параметром λii.
Т.е. P{ξi > t} = eλiit,
где λii = –Σjiλij.
χ(t)

2
1
ξi

Рис. 3.11. Интерпретация процесса безотказной работы

и восстановления системы с экспоненциальным распределением

Вероятность того, что процесс из состояния i прейдет в состоя-

ние j, равна

λi 0
π iit = −
λ ii

(если λii = 0, то состояние i будет поглощающим, так как, попав в

него, процесс навсегда в нем остается; в этом случае можно по-
ложить πij = 0). Таким образом, марковский однородный процесс
в каждом состоянии находится экспоненциально распределенное
время, и эти времена независимы, а переход из состояния в состо-
яние управляется цепью Маркова с переходными вероятностями
πij. Такая трактовка марковского процесса оказывается для ряда
задач удобной.

93
 Пусть Pi(t) = P{H(t) = i}.
Вероятность состояний Pi(t) удовлетворяют уравнениям Кол-
могорова

⎧ n
⎪P j′(t ) = ∑λ ij Pi (t ),
⎨ i =0 (3.34)
⎪ j = 0, 1, …, n.
⎩

Эту систему можно записать и в матричной форме:

P ′(t) = P(t) · Λ,

где P(t) — вектор вероятностей состояний, P(t) = (P0(t), …, Pn(t)), а

Λ — матрица интенсивностей перехода, Λ = (λij).
Эта матрица характеризуется двумя свойствами:
• все λij  0 при i  j;
• Σ j=0λij = 0.
n

Для того, чтобы система (3.34) имела единственное решение,

т.е. процесс H(t) был однозначно определен, надо задать начальное
распределение процесса Pi(0) = Pi0.
Систему (3.34) можно решить, применив к ней преобразование
Лапласа. Пусть
∞
ai ( Z ) = ∫ e − Zt .
0

Тогда, используя элементарные свойства преобразования Ла-

пласа, получим:

⎧ n
⎪− P j 0 + Za j ( Z ) = ∑ai ( Z )λ ij ,
⎨ i =0
⎪ = 0, 1 , … , n.
⎩ j

Решение этой системы по правилу Крамера дает [23]

Δi( Z )
ai ( Z ) = ,
Δ( Z )

94
где Δ(Z) = || Zσij – λij ||,
⎧0, i ≠ j,
здесь σij — символ Кронекера, σ ij = ⎨
⎩1, i = j,
а определитель Δi(Z) получается из определителя Δ(Z) заменой i-й
строки определителя строкой начальных вероятностей Pj0. Здесь
Δ(Z) — многочлен степени (n + 1), a Δi(Z) — многочлен меньшей
степени. Отсюда, по формуле обращения из [23], находятся сами
вероятности Pi(Z). Конечно, при большом числе состояний здесь
могут возникнуть непреодолимые вычислительные трудности. При
этом возможно использование ЭВМ.
Предположим теперь, что состояния образуют один эргодиче-
ский класс. Это значит, что для любых i и j найдутся i1, i2, …, ik такие,
что λ1i1, λi1i2, …, λikj > 0, т.е. из любого состояния i можно перейти
в любое другое состояние j. Тогда существуют пределы lim Pi (t ) = Pi ,
t →∞
не зависящие от начального распределения. Эти предельные вели-
чины, называемые стационарными вероятностями, удовлетворяют
системе алгебраических уравнений:
n ⎫
∑Pi λ ij = 0, ⎪
i =0 ⎪
n
⎬ (3.35)
∑Pi = 1, j = 0, 1, ..., n.⎪⎪
i =0 ⎭

После этого краткого описания основных определений и фактов

для марковских процессов приступим к подробному выводу харак-
теристик марковских процессов, тех характеристик, которые в мо-
делях теории надежности являются основными характеристиками
надежности.
Пусть А — некоторое множество состояний, i ∉ A и τi(A)
есть время перехода из состояния i в множество A т.е.

τi(A) = inf{t : ξ(t) ∈ A|ξ(0) = i}.

Распределение τi(A) проще всего найти в терминах преобразо-

вания Лапласа. Поэтому обозначим:

φi(Z) = Me–Zτi(A).

95
 Тогда по формуле полных вероятностей для математического
ожидания имеем:

⎡ ⎤
λ ii ⎢ λ ij λ ij ⎥
ϕi (Z ) = − ∑ + ∑ ϕ ( Z )⎥ .
Z − λ ii ⎢ j ∈A −λ ii i∉A −λ ii j
⎢ ⎥
⎣ j ∉L ⎦
Это уравнение получается так: в состоянии i процесс проведет
экспоненциальное время ξi, его преобразование Лапласа равно

λ ii
− ,
Z − λ ii
λ ij
а затем с вероятностью перейдет в состояние j. Если j ∈ A, то
−λ ii
при этом условия τi(A) = ξi, еcли же j ∉ A, то τi(A) = ξi + τi(A), причем
эти слагаемые независимы. Преобразовав найденное уравнение,
получим

∑ ( Z δij − λ ij )ϕ j ( Z ) = λ i ( A),
j ∉A

i ∉ A, λ i ( A) = ∑ λ ij . (3.36)
j ∈A

Решив систему, мы найдем φi(Z) — это будет правильная раци-

ональная дробь; обратив ее, найдем распределение величины τi(Z).
Пусть
τi(A) = Mτi(A) = –φ′(0),
i

Дифференцируя (3.36) по Z и полагая Z = 0, получим для средних

алгебраическую систему:

⎧ ∑ λ ijT j ( A) = −1
⎪
⎨ j ∉A
⎪⎩i ∉ A.

Пусть теперь gij(A) есть вероятность того, что попали в состояние

j ∈ A при условии, что в начальный момент находились в состоянии

96
i и в первый раз попали в множество A. Нетрудно составить урав-
нения для этих вероятностей

λ ij λ ij
gij ( A) = +∑ g kj ( A),
−λ ij k ∉A −λ ij
k ≠i

которые получаются так: либо из i сразу попадем в j — вероятность

λ ij λ
этого будет , либо из i с вероятностью ik попадем в k ∉ A, при
−λ ii −λ ii
этом условии вероятность попасть в j будет равна gkj(A). Преобразуя
уравнения, получим:

∑ λ ij g kj ( A) = −λ ij , (3.37)
k ∉A

i ∉ A, j ∈ A.
Из этой системы и находятся gkj(A). Покажем теперь, что через
величины τi(A) и вероятности gij(A) выражаются все введенные ра-
нее (см. гл. 2) характеристики надежности τ0′, τk′, τk″, τ′, τ″, τ.
Пусть в начальный момент τ = 0, H(0) = 0, тогда

τ0′ = τ0(E–).
Кроме того, из (3.37) найдем g0j(E–) — вероятность того, что в
момент первого отказа система попала в состояние j ∈ E–. Но тог-
да по формуле полных вероятностей

P {τ1′′ < t } = ∑ g0 j (E − )P {τ j (E − ) < t }.

j ∈E −

Вероятность того, что в момент первого восстановления систе-

ма попадет в состояние k ∈ E+ по формуле полных вероятностей
равна

∑ g0 j (E − ) g0 j (E + ).
j ∈E −

Зная эти вероятности, можно найти распределение τ1′ и вероят-

ности состояний, в которые попадем в момент второго отказа, и т.д.

97
Не будем выписывать в общем случае распределений τk′ и τk″ — это
громоздко и, кроме того, на практике в основном используют ста-
ционарные величины — τ′ и τ″. Для того, чтобы найти их распре-
деление, найдем предварительно такие вероятности:
gi(E+) — вероятность того, что в момент восстановления систе-
мы в стационарном режиме попали в состояние i ∈ E–;
gi(E–) — вероятность в момент отказа попасть в состояние i ∈ E–;
gi(E+) — вероятность за время dt перейти из E– в i ∈ E+ при ус-
ловии, что за это время произошел переход из E– в E+, т.е.

∑ P j λ ji dt ∑ P j λ ji
j ∈E − j ∈E −
gi (E + ) = = .
∑ ∑ P j λ ji dt ∑ ∑ P j λ ji
i ∈E + j ∈E − i ∈E + j ∈E −

Аналогично

∑ P j λ ji
j ∈E −
gi (E − ) = .
∑ ∑ P j λ ji
i ∈E − j ∈E +

Здесь Pi — стационарные вероятности состояний, находимые

из (3.35).
Теперь

P {τ ′ < t } = ∑ gi (E + ) ⋅ P {τ i (E + ) < t }
i ∈E +

P {τ ′′ < t } = ∑ gi (E − ) ⋅ P {τ i (E + ) < t }.
i ∈E −

Распределение остаточного времени жизни системы τ находит-

ся по формуле

P {τ ′ < t } = ∑ g(E + ) ⋅ P {τ i (E + ) < t }.

i ∈E +

98
 Еще проще находятся средние T0′ = Mτ0′, T ′ = Mτ′, T ″ = Mτ″ и
T = Mτ:

T0′ = T0(E–);

T′= ∑ qi (E + ) ⋅Ti (E − );
i ∈E +

T ′′ = ∑ qi (E − ) ⋅Ti (E + );
i ∈E −

T= ∑ PT
i i ( E − ).
i ∈E +

Наконец, коэффициент готовности

T′
Kг = = ∑ P.
T ′ + T ′′ i∈E + i

Процесс рождения и смерти. Рассмотрим теперь один специаль-

ный марковский процесс, который очень часто возникает в моде-
лях теории надежности (а также в теории массового обслуживания).
Процессом рождения и смерти (в литературе по теории надеж-
ности его также называют процесс гибели и размножения) назы-
вается марковский процесс с конечным или счетным числом со-
стояний 0, 1, 2, 3, ..., в котором мгновенные переходы возможны
только в два соседних состояния, т.е. λi,i+1 = λi, λi,i–1 = μi, λij = 0, если
| i – j | > 1.
Кроме того, μ0 = 0 и, если число состояний конечно и равно
(n + 1), то λn = 0.
Для такого процесса уравнения Колмогорова имеют вид:

⎧P0′(t ) = −λ 0 P0 (t ) + μ1P1(t );
⎪
⎪Pk′(t ) = λ k −1Pk −1(t ) − ( λ k + μ k )Pk (t ) + μ k +1Pk +1(t );
⎨
⎪k = 1, 2, ..., n − 1;
⎪⎩Pn′(t ) = λ n−1Pn−1(t ) − μ n Pn (t )

(для бесконечного числа состояний последнего уравнения не будет).

99
 Для того, чтобы процесс рождения и смерти имел стационарное
распределение, необходимо и достаточно выполнение следующих
условий [9]:
∞ ⎫
λ 0 λ1...λ k −1
∑ < ∞,⎪
k =1 μ1μ 2 ...μ k ⎪
∞
⎬ (3.38)
μ1μ 2 ...μ k
∑ λ λ ...λ = ∞ ⎪⎪
k =1 0 1 k ⎭

(эти условия — для бесконечного числа состояний, для конечного

числа состояний стационарные вероятности всегда существуют).
Пусть выполнены условия (3.38), тогда стационарные вероятности
Pk = lim Pk (t ) существуют и удовлетворяют уравнениям:
t →∞

⎧0 = −λ 0 P0 + μ1P1;
⎪
⎨0 = λ k −1Pk −1 − ( λ k + μ k )Pk (t ) + μ k +1Pk +1 ;
⎪k = 1, 2, ...
⎩
Для решения этой системы введем новые неизвестные

ak = μk+1Pk+1 – λkPk.
Тогда рассматриваемая система будет иметь вид a 0 = 0,
ak – ak–1 = 0, т.е. ak = 0 для всех k. Отсюда

λ 0 λ1...λ k −1
Pk = P = θ k Pk .
μ1μ 2 ...μ k 0

∞
Так как сумма ∑ Pk = 1, то
k =0

θk
Pk = ∞
,
∑ θi
i =0

λ 0 λ1...λ k −1
θ0 = 1, θ k =
μ1μ 2 ...μ k

100
(разумеется, этот вывод справедлив и для конечного числа состо-
яний, нужно присвоить θk = 0, при k > n).
Теперь для процесса рождения и смерти найдем в явном виде
все те характеристики надежности, которые были найдены выше
для общего случая.
В моделях теории надежности состояние процесса рождения и
смерти Н(t) = k — это, как правило, число неисправных элементов
в системе. Тогда из условия монотонности следует [23], что множе-
ства E+ и E– должны быть связаны, т.е.

E+ = {0, 1, …, m},

E– = {m + 1, m + 2, …}.
Удобно ввести величины:

τij = inf{t; H(t) = j/H(0) = i},

где τ ij — время достижения состояния j из состояния i. Пусть
Tij = Mτij. Заметим, что при переходе из множества и E– в E+ систе-
ма всегда попадает в состояние (m + 1), а переходя из E– в E+, — в
состояние m. Поэтому (как и выше, пусть H(0) = 0)

τ0′ = T0,m+1, τk = Tm,m+1.

Кроме того, из теории стационарных потоков следует, что

∑ Pk ∞
P {τ > t } = P {τ m,m+1 > X } dx
Tm,m+1 ∫
k ≤m
(3.39)
t

(это равенство получается из связи функций Пальма и распреде-

ления интервала между соседними точками потока).
Итак, все приводится к нахождению распределения величины
τij. Так как в моделях теории надежности почти всегда число со-
стояний конечно, то будем считать, что рассматриваемый процесс
рождения и смерти имеет конечное число состояний 0, 1, 2, ..., n
(в противном случае распределения τij при i > j эффективно не вы-
числяются).
Найдем сначала распределение τ0k. Пусть φij(Z) = Me–τijZ. По фор-
муле (3.36) функции φij(Z), i < k удовлетворяют системе

101
 ⎧( Z + λ 0 )ϕ 0 k − λ 0 ϕ1k = 0,
⎪
⎪−μ1ϕ 0 k + ( Z + λ1 + μ1 )ϕ1k − λ1μ 2ϕ 2 k = 0
⎨
⎪.............................................................
⎪⎩−μ k −1ϕ k −2,k + ( Z + λ k −1 + μ k −1 )ϕ k −1,k = λ k −1

Обозначим определитель этой системы Δk(Z) во правилу Кра-

мара, получим:

λ 0 λ1...λ k −1
ϕ0k (Z ) = .
Δ k (Z )

Раскладывая определитель Δk(Z) по элементам последнего столб-

ца, можно получить для этих определителей реккурентное уравне-
ние

Δk(Z) = (Z + λk–1 + μk–1)Δk(Z) – λk–2μk–1Δk–2(Z).

Введем нормированные определители

Δ k (Z )
Δ k (Z ) = .
λ 0 λ1...λ k −1

Для них справедливо уравнение

⎛ μ +Z ⎞ μk
Δ k ( Z ) = ⎜1 + k −1 ⎟⎠ Δ k −1( Z ) − λ Δ k −2 ( Z ). (3.40)
⎝ λ k −1 k −1

Начальные условия

Z
Δ0(Z) = 1, Δ1( Z ) = 1 + .
λ0

Тогда

1
ϕ 0 k ( Z ) = Me −τ 0 k Z = .
Δ k (Z )

Многочлены Δk(Z) удовлетворяют следующим свойствам:

102
 • Δk(0) = 1;
• все корни Δk(Z) различны и отрицательны;
• корни соседних многочленов чередуются, т.е. между любыми
двумя корнями Δk(Z) лежит один корень Δk–1(Z);
• модуль максимального по величине корня не превосходит

k −1
Ak = ∑ ( λ i + μ i ).
i =0

Эти свойства дают удобный алгоритм для вычисления корней.

Для нахождения распределений τij заметим, что при i < j

τij = τi,i+1 + … + τj–1,j, (3.41)

где в силу марковости процесса слагаемые независимы. В частности,

τ0k = τ0,k–1 + τk–1,k

откуда φ0k(Z) = Me–τ0,k–1Z Me–τk–1,kZ = φ0,k–1(Z)φk–1,k(Z), т.е.

Δ k −1( Z )
ϕ k −1,k ( Z ) = ,
Δ k (Z )

а из (3.41) следует, что при i < j

Δi (Z )
ϕ ij ( Z ) = .
Δ j (Z )

Для того, чтобы быстро найти распределения τij при i > j, рас-
смотрим «перевернутый» процесс
^(t) = n – H(t),
H
^(t) будет
его состояниями также будут 0, 1, 2, ..., n. Очевидно, что H
процессом рождения и смерти, причем
^λ = μ , μ^ = λ
k n–k k n–k

и при i > j τij = τ^n–i,n–j.

103
 Заменяя в (3.40) λk–1 на μn–k+1 и μk–1 на λn–k+1, получим рекку-
рентное уравнение для Δ ^ (Z)
k

 k ( Z ) = ⎛1 + λ n−k +1 + Z
Δ
⎞ λ n−k +1 
⎜⎝ μ n−k +1 ⎟⎠ Δ k −1( Z ) − μ Δ k −2 ( Z );
n− k +1

 1( Z ) = 1 + Z .
 0 ( Z ) = 1, Δ
Δ
μn

^ (Z), и тогда при i > j

Решая это уравнение, находим Δk

−τ ij Z 
 n −i ( Z )
Δ
ϕ ij ( Z ) = Me = Me −τ n−1,n− j Z = .
 n− j ( Z )
Δ

Можно найти выражения для распределений основных харак-

теристик надежности:

1
Me − Z τ′0 = ;
Δ m−1( Z )

Δ m(Z )  n−m−1( Z )
Δ
Me − Z τ k = Me − Z τ′ = ; Me − Z τ′′k = Me − Z τ′′ '' = ;
Δ m+1( Z )  n− m ( Z )
Δ

 n−m−1( Z )
Δ
Me − Z τ′′k = Me − Z τ′′ = .
 n− m ( Z )
Δ

Кроме того, из (3.39) и свойств преобразования Лапласа находим

n m
Δ m+1( Z ) − Δ m ( Z )
Me − Z τ = ∑ Pk + ∑ Pk
ZTm,m+1Δ m+1( Z )
.
k = m+1 k =0

В заключение найдем средние значения этих величин:

• коэффициент готовности

T′ m
Kг = = ∑ Pk .
T ′ + T ′′ k =0

104
 • интенсивность потока отказов сиcтемы λ:

λdt = Pmλmdt.

Для того, чтобы система отказала на [t, t + dt], нужно, чтобы в

момент t она находилась в состоянии m, вероятность этого Pm, и на
[t, t + dt] произошел переход из состояния m в состояние (m + 1),
вероятность этого λmdt. Итак,

1
λ = λ m Pm = .
T ′ + T ′′

Отсюда:

1 m
T ′ = Tm,m+1 = ∑P ;
λ m Pm k =0 k

1 n
T ′ = Tm+1,m = ∑ P.
λ m Pm k =m+1 k

Кроме того, поскольку за m можно взять любое число, то:

m
1 m
T0,m+1 = T0′ = ∑ ∑ Pi .
k =0 λ k θ k i =0

И, наконец, из того, что

m
M τ = ∑ Pk M τ k,m+1,
k =0

следует:
2
m
1 ⎛m ⎞
T = Mτ = ∑ ⎜ ∑ Pi ⎟ .
k =0 λ k Pk ⎝ i =1 ⎠

Рассмотрим общую модель теории надежности, которая описы-

вается процессом рождения и смерти (рис. 3.12).

105
 λ
n–m

λ'

μ
m

Рис. 3.12. Модель резервированной системы с восстановлением

Это модель скользящего резервирования с восстановлением.

Предположим, что имеется (n – m) рабочих элементов с интенсив-
ностью отказа λ и m резервных элементов с интенсивностью от-
каза λ′ (теплый, или скользящий резерв). Каждый отказавший эле-
мент поступает в ремонтное устройство, состоящее из r ремонтных
единиц. Каждая единица может одновременно восстанавливать
один элемент. Время восстановления имеет показательное распре-
деление с параметром μ. Если все ремонты единицы заняты вос-
становлением, то поступающие элементы становятся в очередь.
При отказе рабочего элемента на его место мгновенно становится
резервный элемент и его интенсивность отказа меняется с λ′ на λ.
Восстановившиеся элементы становятся в резерв, а если все ре-
зервные и хотя бы один рабочий элемент отказали, то восстано-
вившийся элемент становится на рабочее место. Этот процесс бу-
дет процессом рождения и смерти. В моделях теории надежности
состояние процесса рождения и смерти H(t) = k — это, как прави-
ло, число неисправных элементов в системе. Система неисправна,
если число неисправных элементов больше m, т.е. отказали все ре-
зервные элементы и хотя бы один рабочий.
Пусть H(t) — число неисправных элементов в момент t. Интен-
сивности λk и μk будут иметь следующий вид:

⎧(n − m) + (m + k )λ ′, если k ≤ m ;
λk = ⎨
⎩(n − k )λ, если k > m ;

⎧kμ, если k ≤ ч ;
μk = ⎨
⎩r μ, если k > ч.

106
 Здесь E+ = {0, 1, 2, ..., m}; E– = {m + 1, ..., n}.
Используя все выведенные выше формулы, можно вычислить
характеристики надежности системы.
Поскольку процесс рождения и смерти довольно часто встре-
чается в практике надежности, было бы полезно составить стан-
дартную программу для вычисления характеристик надежности.
Входом здесь будут числа λk, μk, m, n. Программа должна:
• вычислить Δk(Z) и Δ ^ (Z);
k
• найти их корни;
• найти стационарные вероятности;
• найти распределения величин τ0′, τk′, τk″, τ′, τ″, τ, их среднее и
коэффициент готовности.

3.4.8. ОЦЕНКА НАДЕЖНОСТИ СЛОЖНЫХ ВОССТАНАВЛИВАЕМЫХ СИСТЕМ

Описание системы. Рассмотрим систему, состоящую из n эле-
ментов, каждый из которых работает, отказывает, сразу же после
отказа восстанавливается, после восстановления возвращается на
свое место и включается в работу, снова отказывает и так далее.
Состояние элементов в каждый момент времени задается двоичным
вектором

⎧0, если в момент t i `й элемент исправен;

li (t ) = ⎨
⎩1, если в момент t i `й элемент неисправен.

l(t) = (l1(t), l2(t), …, ln(t)),

Состояние системы задается функцией

⎧0, если в момент t система исправна;

f [l (t )] = ⎨
⎩1, если в момент t система неисправна.

Как и выше, предполагаем, что функция f удовлетворяет следу-

ющему условию:

из l < l′ следует f(l)  f(l′).

Пусть E + = {l: f(l) = 0} — множество исправных состояний

системы; E– = {l: f(l) = 1} — множество неисправных состояний
системы.

107
 Пусть l = (l1, l2, …, li–1, 0, li+1, ..., ln).
Определим вектор l(i) так:

l(i) = (l1, …, li–1, 1, li+1, ..., ln)

т.е. вектор l(i) получается из l при отказе i-го элемента.

Назовем состояние l ∈ E– граничным неисправным состоянием,
если существует l′ ∈ E+ и номер i такой, что l′(i) = l. Другими сло-
вами, в граничное неисправное состояние можно попасть из E+
при отказе одного элемента. Множество граничных неисправных
состояний обозначим Г–. Определим условие, при котором отка-
зывают элементы в системе.
Пусть в момент t система находится в состоянии l = l(t). Допу-
стим, что вероятность отказа i-го элемента на интервале (t, t + h)
равна

λi(l)h + 0(h) (3.42)

и не зависит от поведения процесса l(x) момента t, а вероятность

появления более одного отказа на (t, t + h) есть (h), т.е. исключают-
ся групповые отказы. Условие (3.42) выполняется с достаточной
точностью, если сами элементы являются достаточно сложными
устройствами, так как тут действует предельная теорема Григелио-
ниса [10].
Если же элементы простые, то они обычно входят в системы
большими симметричными группами, поток отказов от этой груп-
пы по той же теореме Григелиониса будет пуассоновским (условие
постоянства) и поэтому опять условие (3.42) должно выполняться.
Следует учесть, что с течением времени система может изнаши-
ваться, стареть и интенсивности λi(x) будут тогда зависеть от вре-
мени λi(l, t). Но обычно интенсивности с течением времени меня-
ются медленно, и на не очень большом участке времени их можно
считать постоянными.
Если интенсивность отказов λi(l) и li = 1, то і-й элемент в состо-
янии l неисправен.
n
Обозначим ∑ λ i (l ) = λ(l ) и допустим, что для любого
i =1
e ∈ E+ λ(l) > 0, иначе система становится безотказной. После от-
каза элемент мгновенно поступает на восстановление. Количество

108
ремонтных единиц — r. Дисциплина восстановления элементов
может быть произвольной, так как не все ремонтные единицы мо-
гут быть доступны для данного элемента (например, ремонтные
рабочие могут иметь разную специализацию), при ремонте среди
элементов может быть установлен приоритет, восстановление эле-
ментов может прерываться из-за поступления более важного от-
казавшего элемента и т.п. Но ставятся условия:
• каждый элемент имеет хотя бы одну доступную для него ре-
монтную единицу и, если в момент отказа элемента имеется хотя
бы одна свободная и доступная для него ремонтная единица, то он
мгновенно поступает на одну из них;
• ремонт элемента может прерываться при поступлении других
отказавших элементов, однако суммарное время ремонта ηij имеет
всегда одно и то же распределение

P{ηij < X} = Gij(X),

где i — номер элемента; j — номер ремонтной единицы, на которую

поступил отказавший элемент (здесь учитывается, что ремонтные
рабочие могут иметь разную квалификацию).
Допустим, что ηij  0. В начальный момент система полностью
исправна, т.е. l(0) = (0, 0, …, 0).
Задача заключается в нахождении распределения момента пер-
вого отказа системы

τ = inf{t: l(t) ∈ E– | l(0) = 0}.

Если интервалы времени ремонта будут распределены экспо-

ненциально, т.е.

Gij(X) = 1 – e–μijX, (3.43)

то процесс l(t) будет Марковским. Однако, как показывают стати-

стические данные, время ремонта почти никогда не имеет показа-
тельного распределения. При допущении (3.43) сильно искажают-
ся характеристики надежности. С другой стороны, в реальных ус-
ловиях время ремонта обычно очень мало по сравнению с
интервалом между соседними отказами элементов. Поэтому есте-
ственно исследовать асимптотическое поведение величины τ, ког-

109
да время ремонта в некотором смысле стремится к нулю, и, как
следствие, получить приближенные формулы для характеристик
надежности. Авторами [10; 23] доказано, что если время ремонта
элементов в среднем мало по сравнению со временем между со-
седними отказами элементов, то для оценки вероятности безот-
казной работы системы можно пользоваться приближенной фор-
мулой

P(t) P{τ > t}  e–Λα t,

m

∞
x m−1
где Λ = ∑ λ k (0) ...λ km (l m−1
)∫
(m − 1)!
dG ( x ).
π∈П 0 0
 Глава 4
СБОР ИНФОРМАЦИИ О НАДЕЖНОСТИ И ПРОВЕРКА
СТАТИСТИЧЕСКИХ ГИПОТЕЗ

4.1. Требования к информации

Своевременная регистрация всех происходящих в процессе экс-
плуатации повреждений элементов систем водоснабжения и сбор
необходимых сведений о причинах их возникновения представля-
ют собой единственный возможный источник информации для
получения обоснованных численных показателей надежности во-
допроводных объектов. Для накопления требуемых статистических
сведений о повреждениях элементов водопроводных систем не-
обходимо, чтобы формы регистрации неисправностей сооружений
и оборудования были по возможности простыми и предельно уни-
фицированными для всех организаций, эксплуатирующих данные
объекты. Поэтому разработка методов и форм регистрации повреж-
дений имеет большое практическое значение. Качество информа-
ции определяется ее достоверностью, полнотой, непрерывностью
и оперативностью [25].
Достоверность достигается точным учетом всех отказов неза-
висимо от причины возникновения, последствий или трудоемкости
их устранения. Не менее важно и правильное определение причин
отказов. Достоверность информации в значительной степени за-
висит от квалификации персонала, ведущего записи в журналах по
эксплуатации оборудования и сооружений, а также лиц, выполня-
ющих обработку сведений об отказах объектов водоснабжения.
Полнота информации заключается в том, что собранные сведения
должны быть достаточны для решения поставленных задач.
Объем информации определяется целями решения задачи, осо-
бенностями конструкции и условиями эксплуатации объекта.
Для определения количественных показателей надежности и
выявления причин отказов необходимо иметь сведения как мини-
мум об(о):
• отказавшем объекте (наименование и тип отказавшего устрой-
ства, узла, технологического агрегата, которые представляют собой
объект или элемент);

111
 • времени наступления отказа;
• наработке на отказ (моменты включения и отключения эле-
мента);
• причине возникновения отказа.
• условиях восстановления
При оценке причин отказа необходимы дополнительные сведе-
ния об условиях эксплуатации, режиме работы, ремонта объекта.

4.2. Сведения о потоках отказов

Водопроводные сооружения и системы относятся к восстанав-
ливаемым объектам. Оборудование или сооружение (насосные
агрегаты, запорная арматура, трубопроводы и т.д.) после каждого
отказа ремонтируется на месте или заменяется идентичным, при-
чем моменты наступления отказов являются случайными величи-
нами. Последовательность отказов, возникающих в случайные мо-
менты времени, именуют потоком.
Для математического описания потоков отказов обычно исполь-
зуют модели теории потоков однородных событий и теории вос-
становления, изложенных в работах [4; 10; 23]. Описание этих мо-
делей базируется на терминологии, которая используется в теории
потоков отказов (потоков однородных событий).
Обычно число отказов на промежутке времени (0, t) обозначают
как функцию N (t). Поток называется стационарным, если закон
распределения N(a + τ1) – N(a), N(a + τ2) – N(a), … N(a + τk) – N(a)
для любого конечного k ≥ 1 зависит только от чисел τ1, τ2, ..., τk, но
не зависит от α ≥ 0. Выполнение требования стационарности озна-
чает, что вероятностная структура потока не зависит от сдвига во
времени. В частности, закон распределения числа отказов на любом
промежутке времени (τ2 – τ1) не зависит от самих значений τ1 и τ2,
а зависит только от их разности.
Поток называется потоком без последействия, если для любой
конечной системы попарно непересекающихся промежутков вре-
мени τ1, τ2, ..., τk числа отказов на этих промежутках N(τ1),
N(τ2), ..., N(τk) являются взаимно независимыми случайными
величинами.
В частности, выполнение требования отсутствия последействия
означает, что закон распределения числа отказов на любом про-
межутке времени не зависит от реализации потока до и после это-
го промежутка времени.

112
 Поток называется ординарным, если

g (2; Δτ, τ)
lim = 0,
n→∞ Δτ

∞
где g(2; τ, τ) = ∑ p(n; Δτ, τ) — вероятность получения по меньшей
n= 2
мере двух отказов на интервале времени [τ, τ + τ].
Ординарность означает практическую невозможность возник-
новения двух или более отказов одновременно.
Отметим возможность упрощения задания потока при выпол-
нении требований стационарности и отсутствия последействия.
В качестве характеристики потока отказов используется ведущая
функция ω(τ) данного потока — математическое ожидание числа
отказов за время τ.
Ведущая функция потока равна по определению

ω(τ) = М[N(τ)],

где М[N(τ)] — математическое ожидание числа отказов за время τ.

Приращение ведущей функции на отрезке времени [τ, τ] можно
обозначить ω(τ, τ). Если ω(τ) дифференцируема, то

d ω(τ)
u(τ) =
dτ

называется плотностью или интенсивностью потока.

Если ω(τ) < +∞ для τ > 0, то поток называется финитным. Фи-
нитный поток называется регулярным, если для любого момента
времени выполняется условие

lim p(0; 2Δτ; τ − Δτ) = 1,

τ→0

где р(0; 2τ; τ – τ) — вероятность не получить ни одного отказа в

течение промежутка времени (0; 2τ; τ – τ). Регулярность означа-
ет практическую невозможность возникновения отказов в заранее
заданный момент времени.

113
 4.3. Пуассоновские потоки
Самым простым потоком является стационарный ординарный
поток без последействия, который принято называть простейшим
или однородным пуассоновским. Он задается при помощи вероят-
ностей)

P{N(τ) = n} = р (n; τ) (0 ≤ τ < ; n = 0, 1, 2).

Если поток простейший (выполняются требования ординар-

ности, отсутствия последействия) и существует ведущая функция
ω(τ), то он задается вероятностями получения n отказов на фикси-
рованном отрезке τ:

(ωτ)n −ωτ
p(τ) = e ,
n!

где ω — математическое ожидание числа отказов на отрезке време-

1
ни τ, ω = .
τ cp

4.4. Выбор модели потока отказов

На этапе обработки статистической информации о надежности
объекта водоснабжения первым возникает вопрос о выборе мате-
матической модели для описания отказов потока. От того, насколь-
ко правильно выбрана модель, зависит достоверность и точность
полученных результатов. Окончательное суждение о том, пригодна
предполагаемая модель для описания потока отказов, может быть
сделано только на основании статистической проверки выдвинутой
гипотезы при помощи специальных критериев, некоторые из ко-
торых будут рассмотрены ниже.
Вопрос о выборе математической модели для описания потока
в каждом конкретном случае может решаться на основе исследо-
вания основных свойств реального потока: финитности, регуляр-
ности, ординарности, последействия и стационарности. Наличие
или отсутствие указанных свойств зависит от сложности объекта
(оборудования), от условий работы и от вида отказа.
Перейдем к рассмотрению свойств потоков.

114
 Финитность потока означает, что среднее число отказов на лю-
бом конечном отрезке времени должно быть конечно. Очевидно,
что для любого реального потока это условие выполняется.
Как уже отмечалось, регулярность означает практическую не-
возможность возникновения отказов в заранее заданный момент
времени. Не будем рассматривать редкие случаи, когда для обо-
рудования, установленного некачественно, это требование не вы-
полняется, например, насос с отметкой выше уровня воды в ис-
точнике может не запуститься в работу при включении агрегата.
И обслуживающий персонал насосных станций допускает возник-
новение подобного события заранее. Однако в большинстве прак-
тических случаев отказы, возникшие в такие моменты времени,
составляют небольшую долю процента по отношению к общему
числу отказов и их влиянием можно пренебречь. Если же по какой-
либо причине число таких отказов велико, их можно выделить из
общего потока и обработать отдельно.
Требование ординарности также можно считать выполненным
в большинстве практических случаев. Напомним, что требование
ординарности означает практическую невозможность возникно-
вения двух или более отказов одновременно. Поэтому причиной
нарушения ординарности в реальных потоках являются в основном
вторичные отказы и переключения агрегатов, трубопроводов, со-
оружений. Отметим, что если на регулярность потока влияют толь-
ко заранее заданные моменты переключений, то на ординарность
влияют и случайные переключения, связанные, например, с от-
казами основного оборудования. Практика исследования потоков
отказов насосных агрегатов систем водоснабжения показала, что
неординарность незначительно влияет на свойства потока и этим
влиянием без ущерба для точности статистических оценок можно
пренебречь. Отказы, возникшие в моменты включения или изме-
нения режимов основного оборудования, можно, как и в предыду-
щем случае, выделить из общего потока и рассматривать отдельно.
В этой связи, потоки отказов объектов водоснабжения (обору-
дования, сооружений, систем) практически можно считать финит-
ными, регулярными и ординарными. Предположение об отсутствии
этих свойств у потоков приводит, как правило, к усложнению мо-
дели, а следовательно и статистических оценок.
В то же время, необоснованно принятые предположения об от-
сутствии последействия и стационарности могут привести к значи-

115
тельным ошибкам при обработке статистической информации,
определении и использовании показателей надежности
Одной из основных причин наличия нестационарности и по-
следействия в потоке событий на любом объекте следует считать
различные воздействия человека.
Воздействия человека, изменяющиеся во времени по опреде-
ленному (не случайному) закону, приводят к нестационарности.
К таким воздействиям можно отнести отключения технологиче-
ского оборудования, сооружений, наличие периодов приработки
после пуска оборудования в эксплуатацию и после ремонтов, из-
менение условий эксплуатации во времени, изменение режима ра-
боты основного оборудования по плану-графику и т.д.
Случайные внешние воздействия обусловливают последействие
в потоках. В качестве примеров случайных воздействий, вызыва-
ющих последействие, можно привести случайные отключения обо-
рудования при ошибках персонала, отказах вспомогательного обо-
рудования (например при переключениях насосных агрегатов,
трубопроводов), случайные воздействия человека при выполнении
ремонтных работ и т.д. При случайном изменении условий экс-
плуатации меняется и интенсивность потока отказов. Условия экс-
плуатации, а следовательно, и интенсивность потока отказов не
могут меняться мгновенно. Если на каком-либо отрезке времени
интенсивность имеет повышенное значение, то более вероятно,
что на смежном отрезке интенсивность потока также будет иметь
повышенное значение, и наоборот. Как показывает практика, дис-
персия числа отказов в таком потоке будет больше, чем в случае
неизменных условий работы.
При прогнозировании потока, говоря о том, что поток нестацио-
нарен, будем иметь в виду, что нестационарность потока во време-
ни задана не случайным образом или ее можно рассчитать по име-
ющимся данным. Если же известно, что имеются какие-либо воз-
действия, влияющие на поток, или закон изменения этих
воздействий во времени не задан, или не удается рассчитать закон
изменения во времени характеристик потока по имеющимся све-
дениям о внешних воздействиях, или закон изменений внешних
воздействий задан как случайный, в потоке следует предполагать
последействие. При статистической обработке для того, чтобы рас-
сматривать поток как нестационарный, достаточно знать неслу-
чайный закон изменения воздействий во времени, а определение
зависимости характеристик потока от воздействий можно считать

116
задачей статистического исследования потока. Поэтому при ста-
тистической обработке преимущественное применение находят
модели нестационарных потоков, в то время как при прогнозиро-
вании более широкое применение находят потоки отказов с по-
следействием.
В качестве примера рассмотрим прогнозирование потока от-
казов технологического оборудования в целом. Если бы отключения
оборудования производились только по заранее заданному графи-
ку, например при капитальных ремонтах агрегатов, то такой поток
можно было бы рассматривать как неоднородный пуассоновский
с интенсивностью и(τ), пропорциональной количеству работающих
агрегатов. Так как заранее нельзя предусмотреть все отключения
агрегатов, например при авариях, то такой поток приходится рас-
сматривать как поток с последействием, причем если плановые
остановки агрегатов в течение рассматриваемого промежутка вре-
мени не предвидятся, то поток можно считать стационарным, так
как вероятность остановки агрегата вследствие аварии для любого
момента времени одинакова. В то же время при статистической
обработке потока, т.е. при обработке реализации потока, все
отключения можно учесть и рассматривать поток как нестацио-
нарный.
Следующей причиной, в результате которой в потоке появля-
ются нестационарность и последействие, является отличие законов
распределения отдельных элементов от экспоненциального. От-
личие законов распределения элементов от экспоненциального
по-разному сказывается на свойствах потока в зависимости от слож-
ности и состава оборудования и вида отказа.
Рассмотрим сначала поток отказов одного восстанавливаемого
элемента. В этом случае вероятность безотказной работы зависит
только от момента возникновения последнего отказа, а законы рас-
пределения времени между отказами можно считать одинаковыми.
Заметим, что последействием, обусловленным случайными внеш-
ними воздействиями, в случае потока отказов одного элемента ча-
сто можно пренебречь. Это допущение основано на том, что часто-
та изменения внешних воздействий, как правило, больше частоты
их восстановления. Кратковременные отключения элементов мож-
но рассматривать как случайные изменения режимов работы. По-
этому зависимость между наработками отдельных элементов будет
незначительна, и все предпосылки модели потока восстановления
оказываются выполненными.

117
 Выше уже отмечалось, что интенсивность потока восстановле-
ния устанавливается не сразу. Поэтому для того, чтобы определить
установившееся значение интенсивности потока отказов, длитель-
ность испытаний должна быть достаточно велика или испытания
должны начинаться после того, как поток установится. Иначе го-
воря, испытания должны начинаться не в момент отказа, а в про-
извольный момент времени, не зависящий от моментов возникно-
вения отказов. Поток отказов в этом случае можно считать стацио-
нарным.
Если на испытаниях находится не один элемент, а группа одно-
временно установленных элементов, то испытания должны начи-
наться после того, как поток установится или проводится доста-
точно длительное время. Необходимо отметить, что практически
при испытаниях на надежность в условиях эксплуатации наблюде-
ние ведется над оборудованием, состоящем из различных деталей
с различными законами распределения. Кроме того, еще до мон-
тажа оборудование подвергается приработке, причем различное
оборудование к моменту ввода в эксплуатацию нарабатывает раз-
личное количество часов (на заводских стендах). Все это приводит
к тому, что поток устанавливается значительно быстрее, чем в слу-
чае суммы потоков одинаковых элементов.
Как следует из предельных теорем, если вероятность отказа каж-
дого элемента мала и отказы независимы, то при числе элементов
m →  суммарный поток отказов стремится к пуассоновскому, т.е.
не имеет последействия. Если к тому же каждый поток стациона-
рен, то суммарный поток тоже стационарен, т.е. является простей-
шим независимо от вида закона распределения наработок между
отказами.
Точность приближения суммарного потока отказов к модели
простейшего потока зависит от числа элементов m, отличия законов
распределения времени безотказной работы отдельных элементов
от экспоненциального и ожидаемого числа отказов [2; 5; 10; 23].
Если наработки между отказами подчиняются экспоненциаль-
ному закону распределения, то поток отказов каждого элемента
простейший. Простейшим будет и суммарный поток отказов таких
элементов, независимо от их числа.
Если основная причина отличия закона распределения времени
безотказной работы элемента от экспоненциального заключается
в наличии периода приработки, то, как показывает анализ, для того,
чтобы отличие индивидуальных законов распределения мало вли-

118
яло на форму потока в случае внезапных отказов, необходимо вы-
полнение соотношения [10]

m ⎛λ ⎞
> 10 ⎜ o − 1⎟ при М[N] > 1, (4.1)
M [N ] ⎝ λ ⎠

где М[N] — математическое ожидание числа отказов на рассматри-

ваемом отрезке времени;
λ0 — значение интенсивности отказов в начальный момент вре-
мени, λ0 = λ(0);
λ — установившееся значение интенсивности отказов.
Смысл приведенного неравенства заключается в том, что при
больших значениях отношения m/M[N] число отказов каждого эле-
мента в общем потоке невелико и поэтому индивидуальные зако-
ны распределения элементов не влияют на закон распределения
числа отказов в суммарном потоке. И наоборот, при малых значе-
ниях отношения m/M[N] от каждого элемента может быть полу-
чено несколько отказов и закон распределения числа отказов сум-
марного пока будет в значительной степени определяться индиви-
дуальными законами распределения наработок между отказами
элементов. Обычно для сокращения времени испытаний (длитель-
ности наблюдения на интервале времени τ + τ) производят ис-
пытания не одного элемента, оборудования, сооружения и т.д., а
группы объектов. Очевидно, что все приведенные выше выводы
остаются в силе и в этом случае. Отличия заключаются в следую-
щем. Поток постепенных отказов элемента или даже всей системы
нельзя рассматривать как сумму потоков отказов большого числа
элементов с малыми интенсивностями отказов, так как постепен-
ные отказы обусловливаются в основном одним или несколькими
элементами.
При наличии большой группы элементов можно рассматривать
приближение суммарного потока постепенных отказов как про-
стейший или неоднородный пуассоновский поток. Законы рас-
пределения наработок между отказами в случае постепенных от-
казов значительно отличаются от экспоненциального и условие
близости суммарного потока к простейшему задается в этом случае
неравенством

m ⎛λ ⎞
> 10 ⎜ o − 1⎟ при М[N] > 1, (4.2)
M [N ] ⎝ λ ⎠

119
где m — количество элементов, обусловливающих постепенные от-
казы.
Таким образом, при соблюдении неравенств (4.1) и (4.2) основ-
ной причиной последействия в потоках отказов сложного обору-
дования являются случайные внешние воздействия.
Из сделанного обзора потоков отказов объектов водоснабжения
видно, что часто принимаемая при расчетах гипотеза о близости
потока к простейшему недостаточно обоснована и, во всяком слу-
чае, требует проверки.

4.5. Сущность проверки статистических гипотез

Статистической гипотезой называют всякую гипотезу, которая
относится к законам распределения или параметрам закона рас-
пределения случайных величин и которая может быть проверена
статистически, т.е. по результатам выборочных наблюдений.
Статистические гипотезы могут быть отнесены или к распреде-
лениям случайных величин, или к их числовым характеристикам.
В первом случае при проверке статистических гипотез прихо-
дится решать два вида задач:
• проверка гипотез о законах распределения случайных величин
т.е. проверка различия (или сходимости) между статистическим
распределением и распределением генеральной совокупности;
• проверка однородности двух (или более) статистических (вы-
борочных) распределений, т.е. проверка гипотезы, что оба выбо-
рочных распределения характеризуют одну генеральную совокуп-
ность.
Во втором случае (при проверке гипотез относительно числовых
характеристик или параметров законов распределения) могут ре-
шаться следующие задачи:
• сравнение средних значений выборочной совокупности и
генеральной совокупности (случайно ли расхождение между ними
или расхождение существенно);
• проверка гипотезы о равенстве дисперсий выборочной и ге-
неральной совокупности;
• проверка гипотезы о равенстве средних значений двух или
более выборочных наблюдений;
• проверка статистической гипотезы о равенстве двух или более
выборочных дисперсий.

120
 При проверке статистических гипотез выдвигаются две гипоте-
зы: Н0 — нулевая гипотеза, т.e. такая гипотеза, которая подтверж-
дает выдвинутое предположение, например, что расхождения меж-
ду характеристиками случайны, и Н1 — альтернативная (противо-
положная) гипотеза, которая отвергает сделанное предположение
о том, что расхождения неслучайны и существенны.
Проверка статистических гипотез осуществляется в следующей
последовательности [4; 15]:
• в соответствий с решаемой задачей формулируется критерий
R. В общем случае критерий R является функцией выборочных на-
блюдений, т.е.

R = R{Fn (x1, x2, ..., xn; θ)};

⎧ n ⎫
R = R ⎨∏ F ( xi ; θ)⎬;
⎩ i =1 ⎭

• по результатам и выборочных наблюдения вычисляется зна-

чение критерия R;
• вычисленное значение критерия R со значением этого кри-
терия устанавливается в соответствии с выдвинутым предположе-
нием.
Рассмотрим геометрическую интерпретацию поставленной за-
дачи. Критерий R, являющийся функцией выборочных наблюде-
ний, представляет собой случайную величину, следовательно, он
может описан некоторым законом распределения (рис. 4.1).

f(R)

Ω\ω
R
Ω

Рис. 4.1. Плотность вероятности наблюдения величины R

121
 Обозначим область возможного изменения критерия Ω. Рас-
смотрим область ω, отсекаемую некоторой прямой; при этом зна-
чение критерия в этой точке обозначим Rα, а оставшуюся область —
через Ω – ω = Ω\ω (знак\означает исключение).
Говорят, что гипотеза Н0 справедлива, если значение статисти-
ческого критерия R попадает в область Ω\ω т.е.

Н0 : R ∈ Ω\ω.

Если справедлива гипотеза Н1, то критерий R попадает в крити-

ческую область ω, т.е.

Н0 : R ∈ ω.

В связи с тем, что значение критерия R — величина случайная,

может оказаться, что R попадает в критическую область, хотя спра-
ведлива гипотеза Н0 и, наоборот, R попадает в область Ω\ω, хотя
справедлива гипотеза Н1.
Следовательно, при проверке гипотез может быть совершено
два вида ошибок:
• ошибка первого рода возникает в тех случаях, когда справед-
лива гипотеза Н0, но критерий R попадает в критическую зону ω.
Вероятность такой ошибки обозначается через α;
• ошибка второго рода состоит в том, что справедлива альтер-
нативная гипотеза Н1, но значение критерия R попадает в область
Ω\ω. Вероятность такой ошибки обозначается через β.
Вероятность ошибки первого рода определяется из соотношения

Р{R ∈ ω/Н0} = α.

В этом случае величина α называется уровнем значимости.

Вероятность ошибки второго рода определяется по формуле

Р{R ∈ Ω\ω / Н1} = β.

При проверке гипотез возникает проблема выбора уровня зна-

чимости α. При уменьшении α вероятность отвергнуть нулевую
гипотезу Н0 уменьшается, но при этом растет β, т.е. увеличивается
вероятность ошибки второго рода — принять гипотезу, когда она
неверна.

122
 Выбор критической области и представляет собой сущность ре-
шения задачи о проверке статистических гипотез.
При решении ряда практических задач одному и тому же уров-
ню значимости α могут соответствовать различные критические
области.
Рассмотрим эту задачу на примере t-критерия:
• Первый случай. Область больших положительных отклонений
(рис. 4.2)
f(t)
P{R > Rα1} = α1

α1
t
Rα1

Рис. 4.2. Область больших положительных отклонений

• Второй случай. Область больших отрицательных отклонений

(рис. 4.3).
f(t)
P{R > Rα2} = α2

α2
t
Rα2

Рис. 4.3. Область больших отрицательных отклонений

• Третий случай. Двухсторонняя область отклонений (рис. 4.4).

f(t)
P{|R < Rα3|} = α3
α3 α3
2 2
t
Rα3

Рис. 4.4. Двухсторонняя область отклонений

123
 Критическая область выбирается в соответствии с решаемой
задачей. Для выбора критической области в статистике введено по-
нятие мощности критерия. Под мощностью критерия понимают
вероятность того, что значение вычисленного критерия попадает
в критическую зону, если верна конкурирующая гипотеза. По ста-
тистическим данным вычисляется критерий R. Если верна альтер-
нативная гипотеза Н1, то вычисление значение критерия R попа-
дает в критическую область, т.е.

Р{R ∈ ω/Н0} = γ.
Величина γ и является характеристикой мощности критерия;
γ = 1 – β.
При правильном выборе критической области эта вероятность
должна иметь максимальное значение.
Чем больше мощность критерия, тем меньше вероятность со-
вершить ошибку второго рода.
В статистике различают два вида гипотез:
• Непараметрические гипотезы и критерии. Применение их не
требует знания законов распределения случайных величин. В ка-
честве таких критериев, например, используется χ2-критерий (Пир-
сона), λ-критерий (Колмогорова), W-критерий (Вилкоксона) и т.д.
Точность (качество) проверки гипотез с помощью непараметриче-
ских критериев всегда ниже по сравнению с точностью проверки
параметрических критериев.
• Параметрические гипотезы и критерии. Они основаны на зна-
нии законов распределения случайной величины. Эти критерии,
как правило, используются для проверки однородности средних и
дисперсий. К ним относятся: t-критерий (Стьюдента) — для про-
варки однородности средних; F-критерий (Фишера) — для про-
верки однородности дисперсии двух групп наблюдений; M-критерий
(Бартлетта) — для проверки однородности нескольких дисперсий,
когда объемы наблюдений различны; G-критерий (Кочрена), ког-
да объемы выборки одинакова; Λ-критерий (Неймана-Пирсона) —
для проверки однородности нескольких средних.

4.6. Проверка гипотез о законе распределения

Гипотезы о законе распределения также называют: гипотезы о
сходимости распределений, выравнивание статистических распре-
делений, подбор теоретического распределения.

124
 Проверка гипотез о законах распределения основываются на
изучении меры расхождения между статистическим и теоретиче-
ский распределениями.
Предположим, что произведены наблюдения над некоторой
случайной величиной. Все полученные наблюдения разбиты на l
интервалов. В каждый интервал попало mi число наблюдений
(рис. 4.5).
f(t)

m1 m2 m3 ml–1 ml
t
1 2 3 l–2 l–1 l
Рис. 4.5. Интерпретация интервалов наблюдений по оси времени

При этом

m1 + m2 +... + ml = n,
где n — общее количество наблюдений (испытаний);
mi — статистическое значение числа наблюдений (испытаний),
попавших в i-й интервал.
Обозначим Pi — теоретическое значение вероятности попадания
наблюдений в i-й интервал.
Следовательно,
l
∑ Pi = p1 + p2 + ... + pn = 1.
i =1

Умножив на n, получим

np1 + np2 + … + npi = n,

где npi — теоретическое значение числа наблюдений (испытаний),
попавших в i-й интервал.
При построении критерия χ2 в качестве меры расхождения меж-
ду статистическим и теоретическим распределениями использует-
ся расхождение между теоретической и статистической частотами.

125
 Рассмотрим некоторую случайную величину ξi, равную
mi − npi
ξi = .
npi

Величина ξi распределена асимптотически нормально. Очевид-

но, распределение величины ξi будет тем ближе к нормальному, чем
будут больше величины mi и npi, т.е. когда объем наблюдений будет
достаточно велик.
Обычно требуется, чтобы mi = 8—10. Рассмотрим распределение
суммы величин ξ2i :
l l
(mi − npi )2
∑ ξi2 = ∑ npi
= χ 2 (l − 1),
i =1 i =1

l
т.е. величина ∑ ξ i2 подчиняется χ2-распределению с числом степе-
i=1
ней свободы k = l – 1, где l — количество интервалов.
Число степеней свободы k уменьшают на единицу, так как на-
кладывается условие
l l
∑ npi = ∑ mi .
i =1 i =1

Кроме того, необходимо учесть, что при подборе теоретическо-

го распределения eго параметры вычисляются по данным ста-
тистических наблюдений (испытаний). Чтобы уменьшать воз-
никшую в связи с этим ошибку, количество степеней свободы
χ2-распределения уменьшают еще на число параметров предпо-
лагаемого закона распределения. Следовательно, при проверке
гипотезы о законе распределения в этом случае используют
χ2-распределение с k = l – c – 1 степенями свободы, где c — число
параметров теоретического распределения*.
Для проверки выдвинутой гипотезы поступают двояко:
• сравнивают вычисленное значение критерия χ2 с его теоре-
тическим значением xα2, взятым при уровне значимости α и числе
степеней свободы k = l – c – 1.
* При проверке статистических гипотез используют данные табл. 1—17
прил. 1.

126
 Если при этом окажется, что χ2 ≤ χα2(k), то принимается нулевая
гипотеза Н0, если же χ2  χα2(k), то гипотеза Н0 отвергается. Однако
при этом нельзя утверждать, что гипотеза Н1 справедлива;
• находят значение вероятности Р{χ2 ≤ χα2(k)}. Если эта вероят-
ность велика, то принимают гипотезу Н0. Это значит, что расхож-
дение между частотами mi и npi является неслучайным, а получен-
ное статистическое распределение согласуется с предполагаемым
теоретическим распределением.
Чем больше объем наблюдений, тем при меньшем значении ве-
роятности Р{x2 ≥ xα2(k)} можно принимать нулевую гипотезу Н0.
Считают, что при n ≤ 100 можно принимать Н0 с вероятностью
Р ≥ 0,2÷0,3. При больших n значение Р может быть взято меньше
(при n ≥ 1000 Р ≥ 0,05).
Рассмотрим пример выравнивания статистического распреде-
ления.
Пример 4.1. Выравнивание статистического распределения, по-
строенного по данным табл. 4.1.
Значения величин в табл. 4.1 вычислялись по следующим фор-
мулам:
mi
Pi * = ; ΔРi = Pi* – Рi, где n = 170.
n
По данным табл. 4.1 получено:

T0 = 36,335; S2(T) = 10,37; σ = 3,3.

Р еш ен ие
Ti − T
• Вычисляем Z i = . По таблицам функции Лапласа опре-
σ
деляем значение Ф(Zi) и значение F(Zi) = 0,5 + Ф(Zi).
В формуле для вычисления Zi значение Ti берется равным зна-
чению Т для конца интервала, так, например, для первого интер-
вала Т1 = 31,5 и
31,5 − 36,335
Zi = = −1,47.
3,3
• Находим значение теоретической частоты Рi = F(Zi) – F(Zi – 1)
и вычисляем значение npi = 170 Pi. При вычислении значений Pi в
качестве теоретического распределения принято нормальное.

127
 • Определяем величину
(mi − npi )2
χ2 = .
npi
По результатам вычислений получаем: χ2 = 0,725 (статистическое
значение χ2-критерия).
• Находим значение χα2(k) при уровне значимости α = 0,05 и
числе степеней свободы k = l – с – 1 = 7 – 2 – 1 = 4, где l = 7 —
число интервалов после объединения; с — количество наложенных
связей, равное количеству параметров выбранного распределения;
для нормального распределения с = 2. То есть

χα2(k) = χ20,05 = 9,49 (прил. 1, табл. 9).

Так как x2 = 0,725 < χ20,05 = 9,49, то вычисленное значение кри-

терия не попадает в критическую область, и гипотеза о выбранном
законе распределения не отвергается.
Таблица 4.1
Данные к примеру

(mi − npi )2
Интервал mi P*(Ti) Zi j(Zi) F(Zi) pi npi Δpi
npi

27,5—29,5 3⎫12
⎬ 0,071 –1,47 –0,4292 0,0708 0,0708 12 0 0,0002
29,5—31,5 9⎭

31,5—33,5 23 0,135 –0,860 –0,3050 0,1950 0,1242 21,2 0,153 0,0108

33,5—35,5 33 0,194 –0,213 –0,0987 0,4013 0,2063 35,2 0,137 0,0123
35,5—37,5 33 0,224 0,353 0,1368 0,6368 0,2355 40,0 0,100 0,0115
37,5—39,5 34 0,200 0,960 0,3315 0,8315 0,1947 33,2 0,02 0,0053
39,5—41,5 21 0,124 1,565 0,4406 0,9406 0,1091 18,7 0,283 0,0149

41,5—43,5 8⎫ 9
⎬ 0,053 2,780 0,4972 0,9972 0,0566 9,7 0,050 0,0036
43,5—45,5 1 ⎭

Сумма 170 1,00 — — — — 170 0,725

В случае использования второго способа проверки гипотезы о

сходимости статистического распределения с нормальным распре-
делением по таблицам x2-распределения определяем значение ве-
роятности

128
 P{χα2(k) = χ20,05 (4)}.
Если эта вероятность достаточно велика, это расхождение меж-
ду статистическим и теоретическим распределениями случайно (не-
значимо) и, следовательно, нулевая гипотеза должна быть принята.
В нашем случае {χα2(k) = χ20,05} = 0,94, т.е. расхождение между
статистическим и теоретическим распределениями случайно с ве-
роятностью 0,94.
Если бы эта вероятность была мала, то это означало бы, что рас-
хождение между теоретическим и статистическим распределения-
ми не случайно и нулевая гипотеза должна быть отвергнута.
Оценка χ2-критерия. Этот критерий является достаточно мощ-
ным, однако ему присущи определенные недостатки:
• в некоторых интервалах количество наблюдений мало, их при-
ходится объединять с соседними интервалами, что может привести
к определенной погрешности;
• параметры теоретического распределения находятся по ста-
тистическим данным. И хотя это учитывается уменьшением числа
степеней свободы, но не гарантирует от ошибок;
• учитывая α и принимая во внимание, что для ряда законов
необходимо иметь l  4, чтобы k = l – c –1  1, этот критерий мож-
но применять при числе наблюдений n  30 (чтобы в каждом ин-
тервале было не менее восьми наблюдений).

4.7. Выравнивание статистического распределения

с использованием λ-критерия (критерия Колмогорова)
В 1933 г. В.И. Гливенко и А.Н. Колмогоров показали, что если
F(x) функция распределения случайной величины (x ≡ t) является
непрерывной, то величина Dn, равная максимальной разности те-
оретического и статистического значений этой функции, умно-
женная на n, т.е.

Dn = max | Fn*(x) – F(x)| n,

имеет своим пределом распределение, вычисляемое по формуле
∞
∑ (−1)k e −2k λ
2 2
P {Dn ≤ λ} =
k =−∞

и независимое от вида функции F(x).

129
 В формуле (4.3) Fn*(x) — статистическая функция распределения
случайной величины (x ≡ t), определяемая по объему наблюдений n;
F(x) — теоретическая функция распределения случайной вели-
чины (x ≡ t);
n — число наблюдений (испытаний).
Критерий Колмогорова использует в качестве меры расхождения
максимальной разности между F(x) и Fn*(x) (рис. 4.6).
F(x)

Fn*(x)
F(x)

Dn

x
Рис. 4.6. Графическая интерпретация меры
расхождения между F(x) и Fn*(x)

Если имеется достаточно большое количество наблюдений n,

то при всяком λ > 0 вероятность того, что Dn  λ, обозначаемая че-
рез k(λ), равна
∞
∑ (−1)k e −2k λ .
2 2
P {Dn < λ} = k( λ) =
k =−∞

Тогда
∞
∑ (−1)k e −2k λ .
2 2
P {Dn > λ} = 1 − k( λ) = 1 −
k =−∞

Следовательно, если вероятность P{Dn > λ} — достаточно вели-

ка, то расхождение между Fn*(x) и F(x) будет случайным. В против-
ном случае, если вероятность эта мала, расхождение будет неслу-
чайным и гипотеза о сходимости распределений должна быть от-
вергнута.
Схема решения задачи выравнивания статистического распре-
деления с помощью λ-критерия:

130
 • по экспериментальным данным строим статистическую функ-
цию распределения Fn*(x) и сравниваем с предполагаемым теоре-
тическим распределением F(x);
• определяем максимальную разность между этими функциями:
max |Fn*(x) – F(x)|;
• вычисляем значение критерия λ0:

λ0 = max |Fn*(x) – F(x)| n;

• по значению λ0 определяем вероятность P{Dn > λ0} с исполь-

зованием таблиц λ-критерия (табл. 12 прил. 1). Если эта вероятность
велика, то расхождение случайно и нулевая гипотеза принимается.
Пример 4.2. Выравнивание статистического распределения с ис-
пользованием λ-критерия — критерия Колмогорова.
Пусть объем выборки n = 170, максимальное отклонение стати-
стической выборки от теоретической max |Fn*(x) – F(x)| = 0,0149,
критерий Колмогорова λ0 = 0,0149 170 = 0,194.
Р еш ен и е
По таблицам для λ-критерия находим, что P{Dn > 0,194} = 1 –
– k(0,194) = 1, следовательно, гипотеза о нормальном распределе-
нии принимается.
Критерий Колмогорова всегда дает завышенное значение схо-
димости распределений.
Оценка λ-критерия. Метод проверки гипотезы очень прост, так
как оценивается расхождение только в одной точке. Недостатком
критерия является то, что:
• не учитывается факт, что параметры предполагаемого теоре-
тического распределения вычисляются по статистическим данным,
поэтому, как правило, получаются завышенные результаты сходи-
мости;
• λ-критерий необходимо применять в случае, если известны
параметры теоретического распределения (что редко имеет место);
• обычно применяется при малом объеме наблюдений, когда
точность принятия решений мала, а задача решается упрощенно.
Чем меньше n, тем выше надо устанавливать критическую гра-
ницу вероятности сходимости (при n = 10- … 15-нулевая гипотеза
принимается при P{Dn > λ0}  0,05; при n  100 значение P  0,01…0,05,
но при таком числе наблюдений лучше пользоваться критерием χ2.

131
 4.8. Проверка однородности наблюдений
(исключения ошибок наблюдений)
При обработке статистических данных бывают случаи, когда
отдельные результаты наблюдений резко отличаются от результатов
остальных. Возникают сомнения в необходимости объединения
всех этих данных при определении статистического закона рас-
пределения. Для разрешения сомнений уточняется условие по од-
нородности выборки наблюдений.
Для проверки однородности наблюдений используются несколь-
ко методов, справедливых для случаев, когда распределения вы-
борочной и генеральной совокупности являются нормальными
(с параметрами α и σ2:
• Первый метод. Применяется, когда известны параметры тео-
ретического закона распределения случайной величины.
Результаты наблюдений располагаются в виде вариационного
ряда, следовательно могут выделяться только крайние члены (пер-
вый или последний). Эти выделяющиеся члены называется экс-
тремальными.
Проверка гипотезы об однородности наблюдений в этой случае
заключается в проверке неравенства:

| xэ – x | ≤ tP;n; σ(x),

где tP;n — размах распределения этой разности при процентном

пределе (вероятности) Р и числе наблюдений n.
Для величины tP;n составлены специальные таблицы (табл. 8
прил. 1). Если неравенство соблюдается, то экстремальная вели-
чина вариационного ряда является однородный в данной выбороч-
ной совокупности, и его отбрасывать не следует.
Если | xэ – x | > tP;n; σ(x), то величина xэ не принадлежит данной
совокупности и должна быть исключена.
Пример 4.3. Проверка сходимости статистического распределения
к теоретическому.
Пусть среднее выборки X = x = 36, среднеквадратическое от-
клонение σ(x) = 3,3, объем выборки n = 50.
Реш ение
Первый метод. В вариационном ряду наблюдений имеется член
xэ = 51, который резко отличается от других наблюдений. Принад-
лежит ли xэ данному ряду?

132
 Решаем задачу при α = 0,10, т.е. доверительная вероятность рав-
на 1 – α = Р = 0,90.
По таблицах для tP;n находим: t0,9;50 = 2,987 (табл. 11 прил.1);
| 51 – 36 | = 15 > 2,987. Следовательно, величина xэ = 51 должна быть
исключена из наблюдений при обработке статистических данных.
Но, как правило, параметры теоретического распределения не-
известны, и чаще используется второй метод.
Второй метод. Применяется, когда параметры закона распре-
деления неизвестны.
Вводим допущение, что размах отклонения величины xi имеет
нормальный закон распределения. Определяем по статистическим
данным следующие величины:

1 n 1 n
( )
2
X*= ∑
n i =1
xi ; S 2 ( x ) = ∑
n − 1 i =1
xi − X * .

Вычисляем значение r (иногда ее называют «размахом») по сле-

дующей зависимости:

| xэ − X * |
r=
S(x)

и сравниваем со значением этого критерия при уровне значимости

α (P = 1 – α) и числе наблюдений n.
Если

| xэ − X * |
r= ≤ tP;n,
S(x)

то член принадлежит к рассматриваемому ряду.

Если равенство не соблюдается, то значение xэ из выборки дан-
ных должно быть исключено.
Пример 4.4. Проверка однородности выборки.
Пусть объем выборки n = 8, среднее значение совокупности
выборки X* = 62, дисперсия S(x) = σ = 2,4, проверяемое значение
xэ = 58,6; уровень значимости α = 0,10; вероятность принятия зна-
чения P = 0,9.
Р еш ен и е
• Определяем значение r:

133
 62 − 58,6
r= = 1,415.
2,4
• По табл. 11 прил. 1 определяем значение tP;n = t0,9;8 = 2,2.
• Сопоставляем значения r и tP;n, 1,415 < 2,2.
Следовательно, величина xэ при обработке результатов наблю-
дений не должна исключаться.

4.9. Проверка гипотез о количественных характеристиках

распределений случайных величин
При проверке гипотез предполагается, что:
• используется параметрические критерии, т.е. необходимо
знать закон распределения случайных величин;
• случайные величины подчиняются нормальному распреде-
лению.

4.9.1. КЛАССИФИКАЦИЯ ПАРАМЕТРИЧЕСКИХ ГИПОТЕЗ

Рассмотрим классификацию гипотез по следующим признакам:
• по видам сравниваемых числовых характеристик. В этом случае:
— проверяется гипотеза, касающаяся однородности выбо-
рочных и генеральных совокупностей;
— проверяются гипотезы однородности числовых характе-
ристик выборочных распределений;
• по количеству сравниваемых числовых характеристик. В этом
случае:
— сравниваются две числовые характеристики;
— проверяется однородность числовых характеристик более
двух групп наблюдений.
При проверке однородности числовых характеристик придер-
живаются следующей последовательности: сначала проверяют од-
нородность дисперсий, затем — однородность средних.
4.9.2. ПРОВЕРКА ОДНОРОДНОСТИ ДИСПЕРСИЙ
Проверка однородности (равенства) дисперсий означает про-
верку случайности расхождения сравниваемых характеристик.
Рассмотрим возможные варианты проверки:
• Проверка однородности дисперсий выборочной и генеральной
совокупности. Для решения этой задачи может быть использован
χ2-критерий или F-критерий.

134
 — Проверка гипотез с использованием χ2-критерия. Для этой цели
используются неравенство следующего вида:

nS 2 ( x )
x 2 α (k ) < < x α2 (k ),
1−
2
σ 2( x) 2

когда используется двухсторонний критерий;

nS 2 ( x )
< xα2 (k ),
σ 2( x)

когда используется односторонний критерий.

В приведенных формулах: n — число наблюдений;
S2(x) — статистическая дисперсия случайной величины x;

1 n
( )
2
S 2(x) = ∑
n − 1 i =1
xi − X * ;

σ2(x) — дисперсии генеральной совокупности;

x 2 α (k ) и x α2 (k ) — квантили случайной величины х2, взятые при
1−
2 2
уровнях значимости 1 – α/2 и α/2 и числе степеней свободы k = n – 1.
Пример 4.5. Проверка однородности статистической дисперсии
и дисперсии генеральной совокупности.
Пусть объем выработки n = 170, дисперсия выборки S2(T) = 10,87,
среднеквадратическое отклонение σ2(T) = 9,20, уровень значимости
α = 0,10.
Р еш ен и е
По таблицам χ2-распределения определяем:

x 2 α (k ) = x0,95
2
(169) = 140,62;
1−
2

x α2 (k ) = x0,05
2
(169) = 202;
2

nS 2 (T ) 170 ⋅10,87
140,62 < = = 199 < 202.
σ 2 (T ) 9,30

135
 Следовательно, сравниваемые дисперсии S2(T) и σ2(T) одно-
родны, т.е. расхождение между ними случайно.
В случае использования одностороннего критерия, имеем

xα2(k) = x20,10, 169 = 193,85;

nS 2 (T )
т.е. = 199 > 193,85.
σ 2 (T )
Следовательно, с уровнем значимости α = 0,10 гипотеза о слу-
чайном расхождении дисперсий S2(T) и σ2(T) должна быть отвер-
гнута.
— Проверка гипотез с использованием F-критерия. В этом случае
используется зависимость

S 2(X )
F= < Fα (k1; ∞), (4.4)
σ2(X ) 2

когда применяется двухсторонний критерий;

S 2(X )
F= < Fα (k1; ∞), (4.5)
σ2(X )

когда применяется односторонний критерий.

При использовании формул (4.4) и (4.5) в числителе должна сто-
ять большая дисперсия.
В приведенных формулах Fα (k1; ∞) и F α(k 1; ) значения χ 2-
2
критерия взяты при уровнях значимости α/2 и α числе степеней
свободы числителя k1 = n – 1 и знаменателя .
Пример 4.6. Применение формул.
Пусть объем выборки n = 170, 1 – α = 0,90, среднеквадратиче-
ское отклонение, определяемое статистическими методами,
S2(T) = 10,87, среднеквадратическое теоретическое отклонение
σ2(Т) = 9,3.
Р ешение
Вычисляем значения F-критерия:

S 2 ( X ) 10,87
F= = = 1,17.
σ2(X ) 9,3

136
 Табличное значение F-критерия для α = 0,05; k1 = 169 и k2 = 
(табл. 10 прил. 1): F0,05 (169; ) = 1,29.
Поскольку F = 1,17 < F0,05 (169; ) =1,22, то при использовании
двухстороннего критерия гипотеза о случайности расхождений
между σ2(Т) и S2(T) не отвергается.
В случае использования одностороннего критерия F = 1,29 > F0,10
(169; ) = 1,14 гипотеза о случайности расхождений дисперсий от-
вергается.
Если статистическое значение критерия близко к его теорети-
ческому значению, то нужно проверять гипотезу с использованием
как χ2-критерия, так и F-критерия.
• Проверка однородности дисперсий выборочных совокупностей.
Эта проверка может проходить с использованием различных
критериев.
— Проверка однородности дисперсий двух выборочных совокупно-
стей. Обычно осуществляется с использованием F-критерия:

S12 ( x )
F= ≥ Fα (k1; k2 ),
S 22 ( x ) 2

когда используется двухсторонний критерий;

S12 ( x )
F= ≥ Fα (k1; k2 ),
S 22 ( x )

когда используется односторонний критерий.

В числителе, как уже указывалось, должна находиться большая
дисперсия. Если же S22(x)  S21(x), то

S 22 ( x ) 2
F= 2
≤ Fα (k1; k2 ), F = S 2 ( x ) ≤ Fα (k1; k2 ).
S1 ( x ) 2 S12 ( x )

Пример 4.7. Применение F-критерия.

Было проведено наблюдение над двумя группами насосных агре-
гатов, для которых получены следующие значения наработок на
отказ:
T1*(X) = 205 часов; T2*(X) = 140 часов;
S(T1) = 65 часов; S(T2) = 85 часов.
при этом n1 = 23 и n2 = 22.

137
 Необходимо проверить однородность дисперсий выборочных
совокупностей при доверительной вероятности 1 – α = 0,90.
Реш ение
По табл. 10 прил. 1 при α/2 = 0,05, k1 = 21 и k2 = 22 находим:

F0,05(21; 22) = 2,06.

Вычисляем дисперсионное отношение и сравниваем его с та-
бличным:

S 2 (T2 ) 852
F= = = 1,71 < F0,05 (21; 22) = 2,06.
S 2 (T1 ) 652

Следовательно, гипотеза о случайности расхождений между дис-

персиями должна быть принята — при такой разнице в дисперси-
ях это объясняется малым числом наблюдений (испытаний) n1 и
n2.
— Проверка гипотезы об однородности дисперсий, когда число групп
наблюдений более двух. В этом случае могут быть использованы два
вида критериев: G-критерий и М-критерий.
G-критерий (критерий Кочрена) применяется, когда объем на-
блюдений в группах одинаков, т.е. n1 = n2 =... = nm.
Значение G-критерия определяется по следующей формуле:

Si2 ( X )max
G= m
≤ Gα (m; k ),
∑ Si2 ( X )
i =1

где α — уровень значимости;

m — число групп наблюдения;
k — число степеней свободы, k = n – 1.
Пример 4.8. Применение G-критерия.
Была проанализирована статистическая информация по четы-
рем насосным станциям о времени восстановления насосных агре-
гатов, m = 4. Объем выборки статистической информации в каждой
группе составил n = 17; при этом

S12(x) = 40; S22(x) = 30; S32(x) = 50; S42(x) = 20.

Необходимо проверить однородность дисперсий при α = 0,05
(табл. 13 прил. 1 для G-критерия составлена для α = 0,05 и α = 0,01).

138
 Р еш ен и е
В рассматриваемом случае S2i (x)max = S32(x).

50 50
G= = = 0,357 < G 0,05(4; 16) = 0,4366.
40 + 30 + 50 + 20 140

Следовательно, гипотеза о случайности расхождения между m

дисперсиями не отвергается.
Как видим, проверка с помощью G-критерия очень проста, но
критерий не очень чувствителен.
М-критерий (критерий Бартлетта) используется для проверки
однородности дисперсий, когда объемы наблюдений в каждой груп-
пе различны. Значение М-статистики вычисляется по следующей
формуле:

⎛1 m ⎞ m
M = K ln ⎜ ∑ K j S 2j ⎟ − ∑ K j ln S 2j
⎝K j =1 ⎠ j =1

m m
где K — суммарное число степеней своды, K = ∑ K j = ∑ (n j − 1);
j =1 j =1
Kj — число степеней свободы в j-й группе наблюдений, Kj = nj – 1;
nj — число наблюдений в j-й группе;
Sj2 — дисперсия в j-й группе наблюдений.
Вычисленное значение М-критерия сравнивается с величинами
ma(α; m; Cj) и mb(β; m; Ci).
В этом случае Сi вычисляется по формуле:
m
1 1
Ci = ∑ − .
j =1 K j K

Если вычисленное значение М-критерия меньше ma(α; m; C1)

для всех значений С1, то принимается гипотеза об однородности
дисперсии.
Если ma2ma(α; m; C1)  min mb(β; m; C1), то вычисляется значение
С1.
Для вычисленного значения С1 и значений α и m по таблицам
определяются величины ma и mb.
Если ma(α; m; C1)  M, то гипотеза отвергается, если M < mb(β;
m; C1), то гипотеза принимается.

139
 При проверке однородности дисперсий следует отдавать пред-
почтение критерию Бартлетта, так как он более мощный, чем
G-критерий.
Если G-критерий дает отрицательный ответ об однородности
дисперсий, то необходимо проверить гипотезу с использованием
M-критерия.
Пример 4.9. Применение M-критерия.
Было проведено исследование характеристики прочности сталь-
ных труб с толщиной стенки δ. Результаты исследований приведе-
ны в табл. 4.2.
Таблица 4.2
Данные к примеру
Напряжение σbj,

Напряжение σbj,
квадратическое

квадратическое
наблюдений nj

наблюдений nj
стенки δj, мм

стенки δj, мм
отклонение

отклонение
Толщина

Толщина
Средне-

Средне-
кг/мм2

кг/мм2
Объем

Объем
S2j(σb)

S2j(σb)
1 9 68,2 10,95 4 6 62,5 5,58
2 8 68,2 11,82 5 4 61,8 6
3 5 64 7,18 — — — —

Однородность дисперсий Sj(σb) при уровне значимости α = 0,05

проверяется по М-критерию.
Вычисляем значения величин, входящих в формулу для
М-критерия

⎛1 5 ⎞
K ln ⎜ ∑ K j S 2j (σ b )⎟ = 27 ⋅ 2,205 = 59,6;
⎝K j =1 ⎠

5
∑ K j ln S 2j (σ b ) = 57,05;
j =1

M = 59,6 – 57,05 = 2,55.

По таблицам для М-критерия (табл. 14 прил. 1) находим: ma(α;

m; C1) и mb(β; m; C1).
В этих таблицах C1 меняется от 0 до 5.

140
 При C1 = 0 ma = mb = 9,49, при C1 = 5 ma = mb = 11,02, т.е. для всех
значений C1 вычисленное значение М-критерия

М = 2,55 < mb = 0,49…11,02.

4.10. Проверка гипотез о равенстве средних

Наиболее часто приходится проверять следующие виды гипотез:
• об однородности средних выборочной и генеральной сово-
купностей;
• об однородности средних двух выборочных совокупностей
(т.е. их принадлежность к одной и той же гeнеральной совокуп-
ности);
• об однородности средних нескольких (более двух) выбороч-
ных совокупностей.
При проверке однородности средних полагаем, что выборки
взяты из нормального распределения генеральных совокупностей.
Проверка гипотезы об однородности средних выборочной и гене-
ральной совокупностей. Рассмотрим два случая:
1. Дисперсия D(x) генеральной совокупности известна.
В этом случае по данным статистических наблюдений вычис-
ляется V-статистика, значение которой сравнивается со значением
величины Z α или Zα:
2

X*−X X*−X n
V = = ≤ Z α (или Z α ),
σX σ( X ) 2

σ( x )
где σ X = ;
n
n — объем наблюдений;
2. Дисперсия генеральной совокупности неизвестна. В этом случае
значение V-статистики сравнивается с значением величин Z или t:

X*−X n
V = ≤ Z α ( Z α ),
S(X ) 2

когда n > 30, или

141
 X*−X n
V = ≤ tα или tα,K,
S(X ) 2
,K

когда n ≤ 30,
где S(x) — среднее квадратическое отклонение величины x в вы-
борке объемом n;
t α или tα,K — значение t-критерия, взятого при уровне значи-
,K
2
мости α/2 (или α) и числе степеней свободы K = n – 1.
Пример 4.10. Проверка однородности средних выборочной и гене-
ральной совокупностей.
Пусть среднее значение генеральной совокупности T* = 36,335,
среднее значение выборки T = 36,00, дисперсия D(T) = 9,30, т.е.
среднеквадратическое отклонение σ(T) = 3,05, объем выборки
n = 170, 1 – α = 0,90.
Реш ение
Вычисляем значение V-статистики:

V =
(36,335 − 36 < 00) 170
= 1,435.
3,05

Пользуемся двухсторонним критерием, тогда Z0,05 = 1,645 (табл. 3

прил. 1), V = 1,436 < Z0,05 = 1,645.
Следовательно, расхождение между средними значениями T* и
T случайно (незначимо), и гипотеза об однородности этих величин
должна быть принята.
Если D(T) — неизвестна, а S(T) = 3,3, то будем иметь:

V =
(36,335 − 36,00) 170 = 1,33 < Z 0,05 = 1,645,
3,3

и гипотеза о равенстве средних с вероятностью 0,95 не отвергается;

Проверка гипотезы об однородности средних двух выборочных со-
вокупностей.
Рассмотрим три случая.
1. Дисперсия D(x) генеральной совокупности известна. Проверка
производятся с использованием V-статистики, т.е.

142
 X 1* − X 2*
V = ≤ Z α или Z α.
1 1
σX + 2
n1 n2

2. Дисперсия генеральной совокупности неизвестна. В этом случае

значение V-статистики вычисляется по формуле

X 1* − X 2*
V = ≤ tα или tα,K,
n1S12 + n2S 22 ⎛ 1 1 ⎞ 2
,K
+
n1 + n2 − 2 ⎜⎝ n1 n2 ⎟⎠

где t α , tα,K — значение t-критерия, взятого при уровне значимости

,K
2
α/2 и α и числе степеней свободы K = n1 + n2 – 2;
n1S12 + n2S 22
— приведенная дисперсия.
n1 + n2 − 2
Пример 4.11. Проверка однородности средних по значению
V-статистики.
Пусть среднее значение генеральной совокупности T1* = 205;
среднеквадратическое отклонение S(T1) = 65; объем выборки
n1 = 23; и T2* = 140; S(T2) = 85; n2 = 22.
Р еш ен и е
Ранее для этого примера проверялась однородность дисперсий.
Проверим однородность средних по значению V-статистики:

205 − 140
V = = 2,83.
23,652 + 22,852 ⎛ 1 1 ⎞
⎜ + ⎟
23 + 22 − 2 ⎝ 23 22 ⎠

Зададимся доверительной вероятностью 1 – α = 0,90. Тогда для

α/2 = 0,05 и K = 23 + 22 – 2 = 43;
t0,005;43 = 1,681; т.е. V = 2,83 > t0,005;43 = 1,681.
Следовательно, гипотеза о случайности расхождений средних
этих групп наблюдений должна быть отвергнута.
3. Дисперсия выборочной совокупности неоднородна. В этих слу-
чаях используется следующая приближенная зависимость:

143
 tα
,K 1 ,K 2
X 1* − X 2* < 2
.
S12 ( X ) S12 ( X )
+
n1 n1

Величина t α , K1, K2 представляет собой приведенное значение

,K
2
t-критерия и вычисляется по формуле

S12 ( X ) S 2(X )
tα = tα + 2 t .
2
,K 1 ,K 2 n1 ,K
2 1
n2 α2 ,K 2

Пример 4.12. Проверка однородности дисперсий с использованием

F-критерия.
Пусть значение генеральной совокупности T1* = 205; среднеква-
дратическое отклонение S(T1) = 65; объем выборки n1 = 23; и
T2* = 140; S(T2) = 85; n2 = 22; 1 – α = 0,90.
Реш ение
Проверим однородность дисперсий с использованием
F-критерия:

S 2 (T2 ) 982
F= = = 2,27 > F0,05 (21; 22) = 2,06,
S 2 (T1 ) 652

т.е. расхождение дисперсий не случайно.

Проверяем однородность средних, т.е. устанавливаем справед-
ливость неравенства

t 0,05;21;22
205 − 140 ≤ ,
652 982
+
2 2 23 22
65 96
t 0,05;21,22 = t 0,05;22 + t = 188 ⋅1,717 + 436 ⋅1,720 = 1297.
где 22 22 0,05;21
1297
В связи с тем, что 65 > = 52, гипотеза о случайности рас-
25
хождений между средними должна быть отвергнута.
Проверка гипотезы об однородности средних нескольких (более
двух) выборочных совокупностей. Рассмотрим два случая:

144
 1. С использованием F-критерия.
В этом случае статистическое значение F-критерия вычисляет-
ся по формуле

S 2(X )
F= ≶ Fα (m − 1; K ),
S 2(X )

где S2(X) — дисперсия, характеризующая рассеивание средних зна-

1 m
чений, S 2 ( X ) = ∑ ( X − X )2 ;
m − 1 j =1 j
m — число сравниваемых средних;
Xj — среднее значение случайной величины в j-й выборке,
n
1 j
X j = ∑ xij ;
n j i =1
1 m
X = ∑ X j;
X — среднее значение m-средних величин.
Если n1 = n2 = … = nm = const, то m j =1 если объемы на-
блюдений различны, то

1 m
X= ∑n X ,
n j =1 j j
m
n — общее число наблюдений, n = ∑ n j ;
j =1
2 2
S (X) — оценка дисперсий S j (X) (средневзвешенная дисперсия),
1 m
2
S (X ) = ∑
K j =1
K j S 2j ;

Kj — число степеней свободы j-й выборки, Kj = nj – 1;

m
K — общее число степеней свободы, K = ∑ K j .
j =1
Таким образом, F-статистика в этом случае представляет собой
отношение двух дисперсий, из которых одна характеризует рассе-
ивание средних, а другая представляет собой средневзвешенное
значений всех дисперсий. Здесь всегда S2(X) > S2(X).
Вычисленное значение F-статистики сравнивается с Fα(m – 1).
Пример 4.13. Проверка однородности средних для условий, при-
веденных в табл. 5.1 и K = 27; m = 5; n = 32; α = 0,05.

145
 Реш ение
Вычисляем рассеивание средних величин:

1 m
S 2(X ) = ∑ ( X − X )2 ,
m − 1 j =1 j

1 m 1
где X = ∑ n X = (9 ⋅ 68,2 + 8 ⋅ 68,2 + 5 ⋅ 64 + 6 ⋅ 62,5 + 4 ⋅ 61,8) = 65,70.
n j =1 j j 32
Тогда:
2 2 2
2 1 ⎡⎢(68,2 − 65,7) + (68,2 − 65,7) + (64 − 65,7) + ⎤⎥
S (X ) = = 10,21;
4 ⎢ + (62,5 − 65,7)2 + (61,8 − 65,7)2 ⎥
⎣ ⎦

1 m
1
S 2(X ) =
K
∑ K j S 2j ( X ) = 27 ⋅ 244,9 = 9,05;
j =1

S 2 ( X ) 10,21
F= = = 1,13 < F0,05 (4;27) = 2,728.
S 2 ( X ) 9,05

Следовательно, расхождение между средними величинами не-

значительно, т.е. толщина стенки трубы несущественно влияет на
величину характеристики прочности σв;
2. С использованием Λ0-критерия.
Здесь Λ0 — преобразованный критерии Неймана — Пирсона.
Статистическое значение величина Λ0 вычисляется по формуле

S n2 ( X )
Λ0 = ≶ Λ α (m; ncp ), (4.6)
G ⎡⎣S 2 ( X )⎤⎦

где S n2 (X) — полная дисперсия выборочных значений,

1 m
S n2 ( X ) = ∑ ( X i − X )2 ;
n i =1
m
n — общее число наблюдений, n = ∑ n j ;
i =1

146
 X — общая средняя (среднее значение) средних величин,
1 m
X = ∑nj X j;
m i =1
m — число групп наблюдений;
ncp — среднее геометрическое значение числа наблюдений (при-
веденное число наблюдений), ncp = m n1, n2 , ..., nm ;
G[S 2 (X)] — средняя геометрическая дисперсия выборок,
1

( ) ( ) ( )
G[S ( X )] = ⎡ S12 S 22 ... S m2 ⎤ .
2 n1 n2 nm n
⎢⎣ ⎥⎦
Необходимо иметь в виду, что проверка однородности средних
должна предшествовать проверке однородности дисперсий.
Пример 4.14. Проверка однородности данных генеральной совокуп-
ности.
Дано количество выборок m = 5, уровень значимости α = 0,05.
Тогда:
n1 = 9; S 21(X) = 10,955;
n2 = 8; S 22(X) = 11,825;
n3 = 5; S 23(X) = 7,18;
n4 = 6; S 24(X) = 5,58;
n5 = 4; S 25(X) = 6,00;
X = 65,70; S 2n(X) = 9,31.
Вычисляем значение величин, входящих в формулу (4.6):

nlgG[S2(X)] = n1lgS 21(X) + n2lgS 22(X) +

+ n3lgS 23(X) + n4lgS 24(X) + n5lgS 25(X).

Или 32nlgG[S2(X)] = 29,8481, откуда G[S2(X)] = 8,641.

Тогда статистическое значение; Λ0-критерия равно

S n2 ( X ) 9,31
Λ0 = 2
= = 1,09.
⎡
G ⎣S ( X )⎦ ⎤ 8,541

Приведенное значение числа наблюдений

ncp = 5 9 ⋅ 8 ⋅ 5 ⋅ 6 ⋅ 4 = 6.

147
 По табл. 15 прил. 1 для Λ0-критерия определяем:

Λα(m; ncp) = Λ0,05(5; 6) = 1,97.

Так как Λ0 = 1,09 < Λ0,05(5; 6) = 1,97, то выборочные характери-
стики однородны и влияние толщины стенки на σв незначимо. При
этом полагаем, что выборочные наблюдения взяты из генеральной
совокупности, распределенной по нормальному закону. Примене-
ние t-критерия допустимо и для проверки гипотезы об однород-
ности выборочных наблюдений, относящихся к генеральной со-
вокупности, у которой распределение несколько отличается от
нормального.
Если распределение признака генеральной совокупности не под-
чиняется нормальному распределению, то в таких случаях для про-
верки гипотез об однородности наблюдений применяются непа-
раметрические гипотезы и критерии.

4.11. Непараметрические статистические гипотезы

Непараметрические гипотезы — это такие гипотезы, для про-
верки которых не надо знать закон распределения случайной ве-
личины.
Чувствительность критериев, используемых для проверки не-
параметрических гипотез, ниже, чем чувствительность критериев
для проверки параметрических гипотез, так как закон распределе-
ния дает наиболее полную информацию о случайной величине.
В настоящее время применяются две группы непараметрических
критериев:
• Первая группа — группа гипотез, при проверке которых в ка-
честве критериев используются статистики, основанные на раз-
ности эмпирических и теоретических распределений изучаемого
признака. В этом случае в качестве критериев используются:
— критерий χ2 (Пирсона);
— критерий L (Колмогорова);
— критерий Dт (Смирнова);
— критерий R (Реньи);
— критерий ω2.
Эта группа критериев, как правило, используется для проверки
принадлежности рассматриваемой выборочной совокупности к
некоторой генеральной совокупности.

148
 • Вторая группа — группа гипотез, при проверке которых ис-
пользуются критерии, основанные на простейших функциях ран-
говых статистик (используются свойства вариационных рядов).
К этим критериям относятся:
— критерий знаков;
— критерий серий;
— критерий Вилкоксона;
— критерий Ван-дер-Вардена (X-критерий).
Они используются для проверки однородности двух выборочных
совокупностей. При этой распределение признака случайных ве-
личин должно быть непрерывным.
Рассмотрим проверку непараметрических статистических ги-
потез с помощью критериев первой группы.
1. Проверка однородности двух выборочных наблюдений с помощью
χ2-критерия.
Пусть n1 и n2 — объемы выборочных наблюдений. Разбиваем
число наблюдений в каждой выборке на l интервалов. В каждый
интервал попадает какое-то количество наблюдений mi, т.е.

m1′ + m2′ + … + m′l = n1;

m1″ + m2″ + … + m″l = n2.

Далее вычисляем значение χ2-критерия до формуле

2
l
1 ⎛ mi′ mi′′⎞
χ = n1n2 ∑
2
⎜ − n ⎟⎠ .
i =1 mi′ + mi′′ ⎝ n1 2

Полученное значение χ2 сравниваем с теоретическим, т.е.

χ2  χ2α(l – 1),

где l — количество интервалов.

Если χ2 < χ2α(l – 1), то гипотеза об однородности наблюдений
принимается. Это — наиболее часто применяемый критерий при
проверке непараметрических гипотез, когда n1 и n2 достаточно ве-
лики. Чем больше n, тем чувствительнее этот критерий.
Пример 4.15. Проверка однородности изделий (труб) по толщине
стенки.

149
 Из труб, поступивших от двух заводов, вырезаны образцы и опре-
делены значения σb. Необходимо проверить, являются ли обе тру-
бы однородными в отношении значения характеристики σb.
Реш ение
Данные наблюдений и подсчет значения критерия приведены
в табл. 4.3.
Таблица 4.3
Данные к примеру
Частоты
Интервалы 1 mi′ mi′′ mi′ mi′′
изменения mi′ + mi″ − (5)×(6)
mi′ mi″ mi′ + mi′′ n1 n2 n1 n2
σb

До 42 9 — 9 111·10–3 0,158 — 250·10–4 277·10–9

42—45 13 13 26 38,5·10–3 0,228 0,130 96·10–4 37·10–9
–3
45—48 20 35 55 18,2·10 0,351 0,354 0 0
48—51 12 37 49 20,4·10–3 0,210 0,374 269·10–4 54,9·10–9
Более 51 3 14 17 38,8·10–3 0,053 0,142 79·10–4 47,6·10–9
Сумма 57 99 15,6 — 1,000 1,000 — 417,10

Из таблицы видно, что вторая выборка сдвинута относительно

первой:

χ2 = 57 · 99 · 417 · 10–5 = 23,53.

Пусть α = 0,05, тогда при числе степеней свободы l – 1 = 5 – 1 = 4
значение χ2α(l – 1) составит χ20,05(4) = 9,49.
Следовательно, χ2 = 23,53 > χ20,05(4) = 9,49.
Таким образом, гипотеза об однородности двух труб ( в отноше-
ний значений средней величины) должна быть отвергнута.
2. Проверка однородности двух выборочных наблюдений с исполь-
зованием критерия Вилкоксона.
Этот критерий применяются, когда объемы выборок малы.
Рассмотрим следующие случаи:
1. Проверка гипотез путем вычисления значения критерия, осно-
ванного на числе инверсий u.
Пусть имеем два выборочных наблюдения объемами n1 и n2.
Все элементы обеих выборок выписываются в два вариационных
ряда:

n1 : x1, x2, …, xn1,

150
 n2 : y1, y2, …, yn2,

где n — суммарное количество наблюдений, n = n1 + n2.

Далее все наблюдения выписываются в одну возрастающую по-
следовательность (в один вариационный ряд), т.е.

x1x2y1x3x4y2y3...

Затем вычисляется число инверсий u для x или y.

Например, подсчитывается число инверсий uy для y.
Напомним, что под инверсией y понимается число, ровное ко-
личеству элементов x, предшествующих рассматриваемому элемен-
ту y, т.е.

uy = 2 + 4 + 4 + …

При этом среднее число инверсий (оценка математического

ожидания) равно:

n1n2
u= .
2

Дисперсия числа инверсий равна:

n1n2
S 2 (u) = (n + n + 1).
12 1 2

В том случае, если n1 и n2 > 10, распределение случайного зна-

чения числа инверсий вариационного ряда асимптотически нор-
мально. Это свойство используется для построения критической
области статистики u. Поскольку в этом случае (нормального рас-
пределения) функция распределения числа инверсий симметрич-
на, то при проверке гипотезы об однородности используется двух-
сторонний критерий (рис. 4.7), т.е.

uα,K = u − Z α S (u); uα,b = u + Z α S (u).

2 2

Следовательно, если uα,K < u < uα,b, то гипотеза об однородности

выборочных наблюдений должна быть принята.

151
 f(u)

uα uα u
;K ;b
2 2

Рис. 4.7. Функция плотности нормального распределения

В случае, если u < uα,K или u > uα,b, гипотеза об однородности

выборочных наблюдений должна быть отвергнута.
Пример 4.16. Проверка однородности данных наработки между
отказами гидравлических машин.
В результате проведенных наблюдений за двумя группами ги-
дравлических машин, эксплуатируемых в различных климатиче-
ских зонах, зафиксировано число отказов n1 и n2. Время между от-
казами составило tj и τj, соответственно:

n1 = 23; tj = 40, 60, 65, 75, 80, 90, 95, 101, 110, 115, 124, 135, 151,
155, 160, 167, 176, 180, 195, 205, 220, 268, 280,

n2 = 22; τj = 23, 78, 96, 104, 122, 137, 165, 171, 192, 203, 221, 226,
231, 245, 252, 263, 270, 278, 252, 298, 305, 340.
Необходимо проверить однородность условий эксплуатации
двух групп машин.
Реш ение
По этим наблюдениям составляем один вариационный ряд:

τ1t1t2t3t4τ2t5t6t7τ3t8t4t9t10t5t11t12t6t13t14t15t7t16t8t17t18t9t19
τ10t20t21τ11τ12τ13τ14τ15τ16t22τ17τ18t23τ19τ20τ21τ22.
Вычисляем число инверсий для t

ut = 1 + 1 + 1 + 1 + 2 + 2 + 2 + 3 + 4 + 4 + 5 + 5 + 6 + 6 + 6 +
+ 7 + 8 + 8 + 9 + 10 + 10 + 16 + 8 = 135;

152
 23,22
u= = 253;
2

23,22
S 2 (u) = (23 + 22 + 1) = 1940;
12

S(u) = 44.
При уровне значимости α = 0,05 для нормального распределения:

Z0,075 = Z0,025 =1,96.

Тогда: uα,K = 253 – 1,96 · 44 = 166,76 = 167;

uα,b = 253 + 1,96 · 44 = 339,24 = 339;

ut = 135 < uα,K = 167, т.е. число инверсий попадает в критическую
зону. Следовательно, гипотеза об однородности условий эксплуа-
тации машин должна быть отвергнута.
При использовании критерия Вилкоксона в качестве сравнива-
емых характеристик наблюдений используются средние значения
выборочных наблюдений (в данном примере они смещены друг
относительно друга).
2. Проверка гипотезы однородности выборочных наблюдений, ос-
нованная на вычислении ранговой W-статистики.
Под рангом вариационного ряда понимается порядковый номер
элемента вариационного ряда. Пусть имеем вариационный ряд

x1x2y1x3x4y2y3y4y5.
Тогда ранги элементов будут: 1 2 3 4 5 6 7...
По общему вариационному ряду (для обеих выборок) вычисля-
ется W-статистика для той выборки, в которой число элементов
меньше

Wx = r1 + r2 + r3 + …,
где ri — ранг i-го элемента в выборке меньшего объема, например
n2.
Среднее значение (математическое ожидание) W-статистики
равно:

153
 n2 (n1 + n2 + 1)
M [W ] = .
2

Дисперсия W-статистики

n1n2
S 2 (W ) = (n + n + 1).
12 1 2

Порядок проверки гипотезы об однородности наблюдений с ис-

пользованием W-статистики сводится к следующему.
По статистическим данным строится общий вариационный ряд
и вычисляется W-статистика для элементов выборки меньшего объ-
ема. Полученное значение W-статистики сравнивается с ее крити-
ческими значениями: ω(α; m; n) и W(α; m; n), т.е.

ω(α; m; n) < W < W(α; m; n).

При соблюдении указанного неравенства гипотеза со однород-

ности выборок принимается. При этом ω(α; m; n) определяется по
табл. 17 прил. 1 для W-статистики, а

W(α; m; n) = 2M[W] – ω(α; m; n).

Эта формула справедлива для m и n > 25.

Если m и n < 25, то:

W(α; m; n) = 2M[W] – ω(α; m; n).

и W(α; m; n) = 2M[W] – ω(α; m; n), начиная с m и n > 5.

Пример (используются данные предыдущего примера).
Вариационный ряд:

τ1t1t2t3t4τ2t5t6t7τ3t8…

Ранги вариационного ряда: 1 2 3 4 5 6 7 8 9 10 11...;

Значение W — статистическая выборка

Wt = 2+ 3 + 4 + 5 + 6 + 7 + 8 + 9 + 11 + 13 + 14 + 16 + 17 +
+ 19 + 20 + 21 + 25 +25 + 26 + 28 + 30 + 31 + 38 + 41 = 401.

154
 Математическое ожидание

22(23 + 22 + 1)
M [W ] = = 506.
2
Дисперсия

S2(W) = 1942, следовательно S(W) = 44,06 = 44.

По табл. 17 прил. 1 для W-статистики, находим:

ω(0,05; 22; 23) = 432

W(0,05; 22, 23) = 2M[W] — ω(0,05; 22; 23) = 2 × 506 – 432 = 580.

Таким образом, Wt = 401 < ω(0,05; 22; 23) = 432.

Следовательно, гипотеза об однородности выборочных наблю-
дений отвергается.
3. Проверка гипотезы об однородности двух выборочных наблю-
дений с использованием критерия знаков.
Критерий знаков используется в том случае, если объемы на-
блюдений в выборках одинаковы, т.е. n1 = n2 = n. В этом случае
проверяется гипотеза о равенстве математических ожиданий в рас-
сматриваемых выборках.
Метод проверки гипотез основан на вычислении числа поло-
жительных (отрицательных) разностей μ результатов наблюдений
и сопоставлений полученного значения с критическим значением
критерия m(α; n), соответствующего уровню значимости α и числу
наблюдений n.
Для определения числа положительных разностей μ результаты
двух групп наблюдений выписываются в ряд в соответствии с оче-
редностью их получения и сравниваются друг с другом.
Величина μ является случайной величиной, подчиняющейся
биномиальному распределению с параметрами n и P = 0,5, т.е.
n
K
⎛1⎞
Р {μ = K / n, p} = W ( K ; n) = ∑ C ni ⎜ ⎟ ,
i =1
⎝2⎠

где k = 0, 1, 2, …, n;

155
 n
K
⎛1⎞
Р {μ = K / n, p} = W ( K ; n) = ∑ C ni ⎜ ⎟ .
i =1
⎝2⎠

В случае, если средние значения двух выборочных наблюдений

равны, то вероятность получения положительных и отрицательных
разностей равна, т.е. Р = 0,5. В качестве альтернативных гипотез Н1
в случае использования одностороннего критерия, могут быть:
• Н{Р < 0,50}, нулевая гипотеза Н0 принимается, если

μ  m(α; n); (4.7)

• Н{P > 0,50},

μ  n – m(α; n);
• в случае использования двухстороннего критерия Н{Р  0,50}
и нулевая гипотеза принимается, если

min{μ, n – μ}  m(α; n).

Значение критерия m(α; n) определяется из табл. 16 прил. 1 по
принятому значению α к объему выборочных наблюдений n.
Часто при проварке гипотез с использованием критерия знаков
определяется не критическое значение числа положительных раз-
ностей m(α; n), а минимально необходимое число наблюдений,
cоответствующее m(α; n) = μ, при котором нулевая гипотеза Н0 мо-
жет быть принята, если по результатам наблюдений получено чис-
ло положительных разностей μ.
Критическое значение число наблюдений N(α; μ) определяется
из соотношения

N(α; μ) = min{n};

m(α; n) = μ.
В этом случае условиями принятия нулевой гипотезы являются:
• n  N(α; μ) для Н{Р < 0,50}; (4.8)
• n  N(α; n – μ) для Н{P > 0,50};
• n  N(α; min{μ, n – μ}) для Н{Р  0,50}.

156
 Пример 4.17. Проверка однородности данных наработки между
отказами насосных агрегатов.
Данные наблюдений за наработками двух однотипных насосных
агрегатов до получения 16 отказов приведены в табл. 4.4.
Таблица 4.4
Данные к примеру
Насосный Насосный
Номер агрегат № Знак Номер агрегат № Знак
отказов разности отказов разности
1 2 1 2
1 50 30 + 9 480 490 –
2 98 80 + 10 560 580 –
3 120 150 – 11 610 620 –
4 175 190 – 12 630 670 –
5 198 210 – 13 670 690 –
6 260 250 + 14 750 740 +
7 340 310 + 15 810 820 –
8 410 390 + 16 880 900 –

Р еш ен и е
Проверяем гипотезу о равенстве характеристик надежности двух
насосных агрегатов при α = 0,05. В качестве альтернативной гипо-
тезы Н1 принимаем гипотезу Н{Р < 0,5}, т.е. насосный агрегат № 1
является менее надежным.
По табл. 16 прил. 1 при n = 16 и α = 0,05, находим:

m(α; n) = m(0,05; 16) = 4 и N(α; μ) = N(0,05; 6) = 21.

Таким образом μ = 6 > m (0,05; 16) = 4 и n = 16 < N (0,05; 7) = 21.
Неравенства (4.7) и (4.8) не удовлетворяются и гипотеза о равенстве
показателей надежности рассматриваемых насосных агрегатов
должна быть отвергнута.

157
 Глава 5
ПРИМЕРЫ ОЦЕНКИ НАДЕЖНОСТИ
ВОДОПРОВОДНЫХ СООРУЖЕНИЙ

5.1. Элементы системы водоснабжения

В монографии по надежности систем водоснабжения [1] кратко
и четко изложено понятие об элементах систем водоснабжения.
Все составляющие системы водоснабжения — трубопроводы, на-
сосные станции, водозаборы, очистные сооружения, насосные
агрегаты, запорная и регулирующая арматура и т.д. могут рассма-
триваться как элементы. Деление системы на элементы зависит от
вида статистической информации и выбранной математической
модели надежности системы.
Большая часть систем водоснабжения и их элементы являются
восстанавливаемыми объектами, а показатели их надежности раз-
личаются по безотказности, долговечности и ремонтопригодности.

5.2. Количественная оценка надежности природных

источников
От надежности поступления воды из реки, озера, подземных
источников в систему водоснабжения зависит удовлетворение по-
требностей потребителей. Отказ источника может повлечь полное
прекращение подачи воды в расчетную точку. Это может произой-
ти в результате недопустимого снижения дебита источника, повы-
шения уровня воды, что может вызвать затопление водозаборных
и очистных сооружений. Непредвиденное и резкое ухудшение ка-
чества воды источника, например в результате природных ката-
строф, сброса сточных вод промышленными объектами, также
может обусловить отказ системы водоснабжения.
В оценке надежности природных источников заинтересованы
такие отрасли как: гидроэнергетика, водный транспорт, орошение,
дорожное и мостовое строительство, все виды промышленности и
городского хозяйства. В нашей стране наблюдения за режимом и
состоянием поверхностных водоемов осуществляются в основном
учреждением «Росгеология», которая создана на базе одного из ста-

158
рейших геологоразведочных предприятий Росиии — «Центргеоло-
гия». Этим ведомством разработаны также методики обработки
получаемых статистических данных о водоемах и оценки надеж-
ности источника [20]. Наличие статистических данных по многим
источникам и создание единой методики их обработки значитель-
но облегчают возможность получения оценок надежности источ-
ников, используемых для водоснабжения.
Режим реки, т.е. изменение ее расходов и уровней воды во вре-
мени, обусловливается сочетанием многих факторов: характером
чередования и длительностью периодов различных метеорологи-
ческих условий, сезонов года, изменениями температуры, количе-
ством выпадающих атмосферных осадков, режимом таяния снегов,
характером водосборного бассейна (площадь, рельеф, раститель-
ный покров, грунты). Так как четкая, численно выраженная функ-
циональная зависимость показателей стока реки от всех перечис-
ленных факторов практически не может быть получена, наблюда-
емые различные значения расходов и уровней реки могут
рассматриваться как случайные события.
Наблюдения за режимом реки и первичная обработка получен-
ных данных производятся водомерными постами, расположенны-
ми в различных по течению створах реки. При этом замеры уровней
воды производятся систематически, обычно два раза в сутки и бо-
лее часто в периоды паводков, чтобы регистрировать мгновенные
высокие уровни. Используются также автоматические приборы —
лимнографы, позволяющие вести непрерывную запись отметок
поверхности потока. Все замеряемые уровни привязываются к
«нулю поста», имеющему известную геодезическую отметку. Каж-
дому уровню воды в данном створе реки соответствует единствен-
но возможное значение расхода (величины стока) реки при условии
неизменного состояния русла.
Объем стока в единицу времени (расход) рассчитывается по фор-
муле

Q = ΣϑiΔωi,
где ϑi — средняя скорость течения воды в пределах площади ωi.
Первичные статистические материалы дают возможность полу-
чить значения максимальных и минимальных уровней воды в реке,
которые необходимы для определения отметок расположения во-
дозаборных и очистных сооружений систем водоснабжения. Ха-

159
рактер изменения расхода реки Q за длительные сроки, например
за год, представляется кривой, называемой гидрографом (рис. 5.1).
Q, м3/с
700
600
500
400
300
200
100
0

I II III IV V VI VII VIII IX X XI XII

Месяц
Рис. 5.1. График изменения расхода реки за год

Методика обработки статистических материалов, поступающих

от водомерных постов, имеет определенную специфику, отражаю-
щую традиции и опыт гидрологической практики. Для вероятност-
ной оценки расходов и уровней строятся так называемые кривые
обеспеченности (рис. 5.2).
Для оценки расходов и уровней воды в источнике строятся так
называемые кривые обеспеченности (рис. 5.2). Ординаты кривой
обеспеченности P(x > xi) выражают вероятности благоприятных
событий, когда значение контролируемого параметра x не будет
ниже допустимого предела xi. Вероятности противоположных со-
бытий (x < xi) отражает кривая закона распределения F(x < xi). При-
чем, сумма этих вероятностей равна P(x > xi) + F(x < xi) = 1.
При использовании кривой плотности вероятности f(х) вероят-
ность превышения Р(х > хi), т.е. обеспеченность, выражается пло-
щадью кривой, расположенной вправо от абсциссы хi. Площадь
кривой, расположенная влево от хi дает величину F(х) = Р(хi – х) —
т.е. величину гарантийной обеспеченности. Очевидно, сумма F(х)
и Р(х > хi) равна 1.
Построение кривой повторяемости (кривая 1 на рис. 5.3) ана-
логично построению гистограмм и эмпирических кривых плотно-
сти вероятности (см. гл. 2). Ординаты тех и других дают вероятность
появления событий — появления уровней в отдельных интервалах.

160
 P(x)

P(x < xi)

P(x > xi)
1

0,5

0,1
P(x < xi)
P(x > xi)
2

0 x
xi

Рис. 5.2. Зависимость распределения обеспеченности уровня воды

в водоеме: 1 — кривая, отражающая интегральный закон распределения;
2 — кривая обеспеченности

Hi
1200

1100

1000

900

800
1 2

700

50 100 150 200 250 300 350 365 дней

600
10 20 30 40 50 60 70 80 90 100%
Рис. 5.3. Кривые повторяемости (1) и продолжительности (2) уровней воды
в источнике

Абсциссы отдельных точек кривой продолжительности 2 (обе-

спеченности) получаются последовательным суммированием аб-

161
сцисс кривой повторяемости; ординаты этих точек соответствуют
нижнему уровню каждого рассматриваемого интервала значений
Hi. Полученная кривая аналогична кривой обеспеченности, по-
казанной на рис. 5.2. Разница между ними лишь в том, что харак-
теристики вероятности появления (или превышения) на рис. 5.2
располагаются на оси абсцисс, а на рис. 5.3 — на оси ординат (как
это обычно делается в практике для кривых распределения).
Распределение характеристик стока обычно достаточно хорошо
аппроксимируется биномиальным законом распределения или за-
коном трехпараметрического гамма-распределения по формуле

⎛ θ ⎞ C x C n− x
P ⎜ x; n; p = ⎟ = θ nN −θ ,
⎝ N⎠ CN

где N — размер генеральной совокупности, из которой берется вы-

борка объемом n;
n — объем выборки;
θ — количество событий, с определенным признаком; θ
р — вероятность появления интересующего нас события, p = ;
N
N !
C Nn = ,
n !( N − n)!

⎛N −n⎞
D(x) — дисперсия, D( x ) = np(1 − p) ⎜ ;
⎝ N − 1 ⎟⎠
М[x] — среднее число исходов с определенным признаком,
М[x] = nP.
Основными параметрами биномиального распределения явля-
ются:
• коэффициент вариации

ϑt = Сϑ =
∑(k − 1)2 ,
n −1

где k = Q/Qср;
• паводочный расход каждого года Q;
• средний многолетний паводочный расход Qср.
Водоем, выбираемый в качестве источника водоснабжения, дол-
жен обеспечить возможность забора максимального суточного рас-

162
хода с заданной гарантийной обеспеченностью (вероятностью).
Для систем водоснабжения расчетная (нормативная) обеспечен-
ность отборов воды из природного источника устанавливается в
отношении как максимальных, так и минимальных расходов и
уровней воды в источнике. Возможность получения максимально-
го расчетного отбора воды из источника системой водоснабжения
должна быть обеспечена при всех расходах реки, включая мини-
мальный.
Обеспеченность минимальных среднемесячных расходов воды
поверхностных источников, %, должна приниматься следующей в
зависимости от категории системы водоснабжения [19]:
I ..............................................................95
II .............................................................90
III ...........................................................85
Средняя за год величина стока поверхностных источников на-
значается с вероятностью Р = 99 [20].
Конечно, условия по обеспечению среднемесячных расходов
источников не полностью совпадают с условиями расчета систем
водоснабжения, которые рассчитываются по обеспечению суточ-
ных расходов воды (max и min) потребителям. Подземные источ-
ники систем водоснабжения назначаются с запасом 95%-ной обе-
спеченности, восполняемой за счет питания из поверхностных
источников.

5.3. Оценка надежности трубопроводов

Трубопроводы водопроводных систем выполняют функцию
транспорта воды потребителям. Монтируются эти важнейшие со-
оружения как правило из различных видов труб, запорной, регу-
лирующей и предохранительной арматуры. Функции водопрово-
дных сетей и водоводов могут быть нарушены в результате различ-
ного рода повреждений. Наиболее частые отказы трубопроводов
обусловлены повреждением стенок или стыков труб. В чугунных и
асбестоцементных трубах при накоплении внутренних напряжений
могут образовываться сколы и выпадать целые куски стенок.
В стальных трубах повреждения чаще обусловлены свищами, тре-
щинами в стенках. Полимерные трубопроводы не менее часто от-
казывают из-за низкого качества их изготовления и монтажа: тру-
бы рвутся, сминаются, расклеиваются и т.д. Для ликвидации по-
вреждения трубопровода требуется временное выключение

163
ремонтного участка из работы. При этом на все время ремонта пре-
кращается подачи воды по участку, т.е. происходит полное нару-
шение его работоспособности. В соответствии с указаниями СНиП
длины ремонтных участков водопроводных сетей (между соседни-
ми задвижками) должны определяться исходя из того, чтобы при
выключении одного из участков отключалось не более пяти по-
жарных гидрантов. Нарушение работоспособности участка трубо-
провода начинается с момента его выключения и заканчивается
моментом его включения после окончания ремонта и операций,
связанных с промывкой и дезинфекцией труб. Дать четкую клас-
сификацию причин отказа трубопроводов по «внутренним» и
«внешним» признакам, характерным для определенного вида труб,
запорной арматуры, не представляется возможным из-за отсутствия
достаточной статистической информации и условности деления
повреждений по их разновидностям [1]. Практика эксплуатации
трубопроводных систем показывает, что многие из «внутренних»
отказов (повреждений) элементов водопроводных сооружений яв-
ляются в значительной степени результатом внешних воздействий
(среды, давления, ударов, сотрясений и др.). Так, повреждения тру-
бопроводов часто обусловлены причинами действия блуждающих
токов, агрессивностью среды, динамическими и статическими на-
грузками от городского транспорта, просадкой грунта и т.п.
Разнообразны и «внутренние» причины, вызывающие отказы
трубопроводов. Неисправности могут возникать вследствие исполь-
зования дефектных изделий, некачественного выполнения строи-
тельно-монтажных работ, их приемки и испытания, неудовлетво-
рительного режима эксплуатации. Своевременная регистрация всех
происходящих в процессе эксплуатации повреждений элементов
водопроводных сетей и водоводов и сбор всех необходимых сведе-
ний об обнаруженных повреждениях представляют собой един-
ственный возможный источник информации для получения обо-
снованных численных показателей надежности этих элементов.
Принимая во внимание перечисленные выше методы оценки
надежности объектов (см. гл. 3), условия строительства и эксплу-
атации трубопроводных систем водоснабжения, можно допустить,
что за элемент трубопровода целесообразно принимать его ремонт-
ный участок (рис. 5.4), ограниченный по концам запорной арма-
турой, которая позволяет его отключать на период ремонта и лик-
видации повреждений [1].

164
 1. Дата 2. Место повреждения 3. Характеристика участка
Год № участка или адрес Материал труб
Месяц Длина
Число № колодцев Диаметр
Глубина заложения
Тип стыкового соединения

4. Время повреждения и ремонта 5. Эскиз участка

А. Время получения сигнала (известия) А Б
о повреждении ________ ч, мин
Б. Время прибытия аварийной бригады и
начала ремонтных работ (с отключением,
без отключения) __________ ч, мин ПК ПК
В. Время окончания работ и включения
участка
6. Причины повреждения (очевидные или 7. Вид ремонтных работ
предполагаемые)
8. Дополнительные (необходимые) сведения ____________________________
_________________________________________________________________
Подпись

Рис. 5.4. Ведомость данных по ремонтному участку трубопровода

На сегодня надежность труб и трубопроводных систем не нор-

мируется. В рекламной, технической и даже научной литературе
это свойство трактуется произвольно. Например, в публикациях
по исследованию надежности трубопроводных систем водоотведе-
ния, водо-, газо- и теплоснабжения трубы и трубопроводы оцени-
ваются безотказностью, а в рекламе изготовителей труб — долго-
вечностью [15; 18]. Поскольку на практике показатели надежности
труб и деталей трубопроводов не используются при проектировании
трубопроводных систем, на отмеченные различия не обращают
внимание, хотя нарушается не терминология, а смысловое понятие.
В научной литературе [14; 18] в качестве показателя надежности
трубы или трубопровода используют λ, 1/(км-год) — интенсивность
отказов трубопровода единичной длины (частота отказов в год каж-
дого километра). Когда переходят к оценке надежности трубопро-
вода длиной L, то интенсивность его отказов рассчитывают по фор-
муле

Λ = λL.

165
 Чем больше длина L, тем больше Λ-интенсивность отказов тру-
бопровода. При этом допускается, что отказы трубопровода носят
чисто случайный характер и распределяются по показательному
закону; поток отказов трубопровода обладает свойствами простей-
шего потока (стационарностью, ординарностью, отсутствием по-
следействия), и для его описания используется аппарат марковских
случайных процессов.
На первый взгляд удобно (или просто) моделировать процесс
отказов трубопровода марковским процессом (без последействия,
показательное распределение времени работы элемента и его ре-
монта). Но тогда существует допущение, что вероятность отказа
элемента (трубопровода) в будущем зависит только от его состояния
в настоящий момент t0 и не зависит от того, сколько времени он
проработал ранее на интервале (0 – t0) [3]. Если же допустить, что
надежность трубопровода зависит от условия, насколько давно он
эксплуатируется, т.е. зависит от предыстории, то и процесс отказов
и восстановления трубопровода не будет марковским. Далее по-
следует, что физика отказов трубопровода носит не чисто внезап-
ный, а износовый характер, процесс его восстановления детерми-
нирован (фактор участия людей) и применение системы диффе-
ренциальных уравнений для описания потоков отказов и
восстановления сети в соответствии с моделью «гибели и размно-
жения» не корректно (так как элементы могут находиться не толь-
ко в состоянии работы или отказа, но и на профилактике).
Возможно, эти доводы несколько абстрактны, но они подтверж-
даются определениями, понятиями и данными, приведенными в
государственных стандартах [6—8] и нормах амортизационных от-
числений (табл. 5.1) [17]. Согласно нормативным требованиям по
выбору показателей надежности объектов в технике [18], основным
показателем надежности трубопровода является Тсл ~ средний срок
службы (показатель долговечности).
При анализе данных, приведенных в нормах [17], можно убе-
диться (выполнив пересчет норм амортизационных отчислений
материальных ресурсов), что средние сроки службы трубопроводов
(как совокупность труб, стыков, фасонных деталей и т.п., соеди-
ненных последовательно) изначально планировались вне зависи-
мости от их протяженности. Приведенные доводы подтверждают-
ся и статистическими данными о наработках на отказ трубопро-
водных участков систем водоснабжения (табл. 5.2).

166
 Таблица 5.1
Нормируемые сроки долговечности трубопроводов
Средний срок службы Тсл, год
трубопроводов
Трубы водо- канали-
тепловых сетей
проводных зационных илопроводов
в непроходных
сетей сетей
каналах
Асбестоцементные 20 30 30 —
Железобетонные 30 20 — —
Бетонные — 20 — —
Керамические — 40 — —
Кирпичные — 14,9 — —
Чугунные 58,8 50 50 —
Стальные 20 25 20 25

Таблица 5.2
Данные о неисправностях трубопроводов

Срок Районы водопроводной сети

службы, 1-й 2-й 3-й 4-й 5-й Среднее k
годы n L, км n L, км n L, км n L, км n L, км
1994 г.
1—5 0 9,3 0 16,7 0 41,3 2 51,8 2 37,1 0,8
5—10 0 9,3 2 16,7 2 41,3 8 51,8 0 37,1 2,4
10—15 0 9,3 1 16,7 8 41,3 18 51,8 10 37,1 7,4
15—20 7 9,3 3 16,7 1 41,3 15 51,8 4 37,1 6
>20 8 9,3 11 16,7 15 41,3 42 51,8 11 37,1 17,4
1995 г.
1—5 0 9,3 0 16,7 1 41,3 0 51,8 1 37,1 0,4
5—10 0 9,3 2 16,7 32 41,3 16 51,8 10 37,1 12
10—15 1 9,3 2 16,7 27 41,3 27 51,8 18 37,1 15
15—20 10 9,3 0 16,7 15 41,3 25 51,8 5 37,1 11
>20 19 9,3 5 16,7 25 41,3 48 51,8 18 37,1 23
1996 г.
1—5 0 9,3 0 16,7 1 41,3 4 51,8 0 37,1 1
5—10 0 9,3 2 16,7 35 41,3 10 51,8 3 37,1 10
10—15 2 9,3 1 16,7 18 41,3 37 51,8 6 37,1 12,8
15—20 5 9,3 2 16,7 22 41,3 28 51,8 9 37,1 13,2
>20 14 9,3 14 16,7 15 41,3 40 51,8 15 37,1 19,6

167
 Окончание табл. 5.2

Срок Районы водопроводной сети

службы, 1-й 2-й 3-й 4-й 5-й Среднее k
годы n L, км n L, км n L, км n L, км n L, км
1997 г.
1—5 1 9,3 0 16,7 1 41,3 1 51,8 0 37,1 0,6
5—10 2 9,3 1 16,7 6 41,3 1 51,8 0 37,1 2
10—15 2 9,3 0 16,7 54 41,3 24 51,8 3 37,1 16,6
15—20 3 9,3 3 16,7 33 41,3 11 51,8 6 37,1 11,2
>20 17 9,3 16 16,7 26 41,3 28 51,8 17 37,1 20,8

В табл. 5.2 приведены отчетные данные МГП «Мосводоканал»

о повреждениях трубопроводов в различных районах г. Москвы
(диаметр трубы 150 мм, материал — сталь, количество повреждений
n на участке длиной L). Из табл. 5.3 видно, что количество неис-
правностей, возникавших на трубопроводах, в большей мере за-
висело от места нахождения участка сети, его условий работы, а не
протяженности. На отдельных, более протяженных участках сети,
возникало меньше аварий, чем на коротких участках.
Из теории надежности известно, что для объекта, подобного
водопроводному или канализационному трубопроводу, модель «на-
дежности» разрабатывается с учетом теоремы [11; 21]: если система
из n элементов начала функционировать в бесконечно удаленный
момент времени в прошлом (элементы системы не обязательно
идентичны, но взаимно независимы; отказ каждого элемента при-
водит к отказу всей системы; в случае отказа каждый из элементов
заменяется исправным; процесс обнаружения и поиска неисправ-
ностей и их последующего устранения практически не занимает
времени), то количество отказов в интервале времени [0, t] зависит
лишь от t, а суммарный параметр интенсивности отказов Λn оста-
ется постоянным при возрастании числа элементов n.
Исследуя только свойства, которые присущи трубопроводной
системе, вполне логично допускать, что предельное состояние ее
элементов наступает по причинам износа (старения материала,
коррозии) или механического повреждения при статическом или
динамическом воздействии грунта (свидетельство тому — стати-
стические данные о повреждениях трубопроводов [11; 12; 18, 22]).
Доказано [10; 11], что у элементов с отказами износового харак-
тера значения средней наработки на отказ и среднего срока службы

168
совпадают, т.е. То ≡ Тсл. Период старения элемента объективно за-
висит от его качества, а время возникновения повреждения эле-
мента при случайном механическом воздействии (при нарушении
правил строительства, стихийных бедствиях, взрывах, диверсиях и
т.д.) или накопившихся напряжениях в дефектном узле непред-
сказуемо. Частота непредсказуемых ситуаций зависит от длины
трубопровода, но подобные ситуации необходимо рассматривать
отдельно. Статистическая информация о надежности изделий
(в частности, трубопроводных элементов) должна быть однородной.
Не различать события отключения элемента из работы по их при-
чинам — то же самое, что отвергать основы теории надежности и
математической статистики. Выявленные при исследовании за-
кономерности должны быть объективны. Если оценки надежности
трубопроводов условны и не согласуются с существующими тре-
бованиями теории надежности [4; 5; 7, 16], то границы их допусти-
мости необходимо оговаривать. Кроме того, «оценивать степень
надежности водопроводной сети исходя лишь из сопоставления
количества повреждений на тех или иных трубопроводах было бы
неправильно» [18]. Многочисленная статистика повреждений на
сетях Московского водопровода выявляет следующую закономер-
ность: из общего числа повреждений аварии, в результате которых
была прервана подача воды потребителям, в среднем составляет
12 %.
При этом необходимо учитывать не только причины, но и вре-
мя устранения неисправности трубопровода. Строительными нор-
мы и правилами [21] расчетное время ликвидации аварии на тру-
бопроводе 1-й категории нормируется в пределах, указанных в
табл. 5.3.
Таблица 5.3
Нормируемое время восстановления трубопроводов

Расчетное время ликвидации аварий на трубопроводах,

Диаметр труб, мм ч, при глубине заложения труб, м
до 2 более 2
До 400 8 12
Св. 400 до 1000 12 18
Св. 1000 18 24

Примечание. При необходимости дезинфекции трубопроводов после ликви-

дации аварии указанное в таблице время следует увеличить на 12 часов.

169
 Приведенные рекомендации могут рассматриваться лишь как
временные и ориентировочные, поскольку они не отражают цело-
го ряда факторов, существенно влияющих на длительность вос-
становления поврежденного участка трубопровода [1].
Пример 5.1. Оценка надежности водоводов.
Стальной водовод имеет интенсивность отказов λ = 0,5—0,93 1/
(км-год), как это и принимается часто [14; 18].
Решение
По формуле

То = 1 / λL
рассчитаем значения средней наработки на отказ То водовода при
различной его протяженности: при L = 5 км То = 0,4—0,2 года; при
L = 5 м То = 400—215 лет; при L = 1 м То = 2000—1075 лет и т.д.
Очевидно, что значение средней наработки на отказ трубопро-
вода длиной 5 и 1 м не может в сотни и десятки раз превышать
50 лет. Срок службы любой трубы участка системы водоснабжения
(водоотведения) оценивается допустимыми пределами ее долго-
вечности:

Tcл ≤ To + t aσ / N − 1,

где Тсл — нормируемый срок службы; ta — квантиль распределения

Стьюдента; σ — среднее квадратичное отклонение наработки на
отказ; N — объем выборки наблюдений; (N – 1) — число степеней
свободы.
Приведенный пример с произвольным подходом к решению
задачи по оценке надежности трубопроводов подтверждает вывод
о том, что пренебрежение основами теории надежности при раз-
работке методов оптимизации систем водоснабжения и водоотве-
дения дискредитирует выбранное направление. Поскольку основ-
ным показателем надежности трубопровода является долговеч-
ность, которая оценивается Тсл, интервалы функционирования ti
его элемента (трубы) при выполнении заданных функций можно
фиксировать только по периодам работы ремонтного участка тру-
бопровода (с момента укладки до момента замены). Неисправность
запорной арматуры или колодца не обусловливают отказ ремонт-
ного участка или трубопровода, поскольку для их замены или вос-
становления не требуется времени более допустимого, т.е. τ ≤ τдоп.

170
По условиям СНиП 2.04.02—84 допускается снижение подачи воды
на время Tдоп ≤ 3 сут.
За отказ трубопровода (ремонтного участка) следует принимать
событие, связанное с выключением его из работы для замены труб,
а не произвольное (любое) выключение трубопровода из работы —
отключение на время t < 10 мин — 3 сут для устранения неисправ-
ностей (при профилактике запорно-регулирующей арматуры, по-
жарных гидрантов, колодцев, при выполнении врезок и т.д.). Смысл
данного определения заключается в том, что при оценке надеж-
ности трубопровода необходимо оценивать качество конструкции,
материалов, из которых трубопровод изготовлен, и изменение их
свойств во времени при заданных условиях функционирования и
эксплуатации системы водоснабжения. Воздействие человека на
трубопровод не может быть объективным событием (повреждения
трубопровода при земляных работах, военных событиях и т.д.). По-
токи подобных воздействий в теории надежности принято рассма-
тривать как потоки детерминированных событий, не подчиняю-
щихся законам распределения случайных величин. Детерминиро-
ванные потоки связаны с психологическими и социальными
факторами, а потому требуют особых методов исследования.
Необходимо отметить также, что точности сбора и обработки
статистической информации по надежности трубопроводов не уде-
ляется должного внимания. На практике «службы эксплуатации»
трубопроводов вели и ведут учет повреждений водопроводной (ка-
нализационной) сети по обезличенной совокупности трубопрово-
дов системы на закрепленной за ведомством территории, а не по
участкам, различающимся по видам труб, условиям воздействия
статических и динамических сил, блуждающих токов, грунтовых
вод и т.д. В каждой организации понятия «надежность» и «отказ»
трубопровода трактуются по-своему. Хранение и распространение
информации о надежности трубопроводов до недавнего времени
не стимулировались существовавшей системой оплаты труда. На-
оборот, эта информация искажалась и скрывалась от анализа спе-
циалистов и контролирующих организаций. Возможно, что в дру-
гих странах отчетная документация по эксплуатации трубопровод-
ных систем находится в аналогичном состоянии. Тем не менее
специалисты зарубежных стран констатируют [22], что правильно
смонтированный и эксплуатируемый трубопровод из любого ма-
териала может служить 100—200 лет и больше. Например, из правил
Германской ассоциации газо- и водопроводов, а также Ассоциации

171
санитарной инженерии исключены различия по материалам труб.
Трубопровод из любого вида труб должен служить назначенный
срок. Другое дело, условия защиты трубопроводов при этом будут
различными. И их необходимо оценивать.
Таким образом можно сказать:
• надежность трубопровода целесообразно оценивать долго-
вечностью;
• показателем долговечности трубопровода является средний
срок службы или средняя наработка на отказ Тсл ≡ То;
• при анализе статистических данных необходимо установить
объективные причины отказов трубопроводов: износ под воздей-
ствием окружающей среды, электрокоррозии, снижение несущей
способности и т.д.

5.4. Оценка надежности технологических систем

насосных станций
5.4.1. ПРОВЕРКА ОДНОРОДНОСТИ ДАННЫХ О НАРАБОТКЕ
НА ОТКАЗ НАСОСНЫХ УСТАНОВОК

Технологическая система насосной станции (ТСНС) объединя-

ет: насосные агрегаты, трубопроводы, запорно-регулирующую ар-
матуру и т.д.
Непрерывно функционирующая ТСНС относится к восстанав-
ливаемым системам.
Специалисты в области водоснабжения и водоотведения отве-
чают за технологическую часть насосной станции.
Оценка надежности ТСНС осуществляется по надежности ее
элементов — насосных установок (рис. 5.5).

Рис. 5.5. Насосная установка

172
 Насосная установка — насосный агрегат с комплектующим обо-
рудованием (насос, двигатель, запорно-регулирующая арматура,
обвязочные трубопроводы), смонтированным по определенной
схеме, обеспечивающей работу насоса.
При неисправности любого комплектующего оборудования от-
ключается (останавливается) на ремонт вся насосная установка.
Оценки показателей надежности насосных установок Тo, Тв ≡ τ
можно получить по выборкам статистических данных об отказах и
о времени восстановления последних. Следует иметь в виду, что
согласно ГОСТу 27.002—89 [6]:
μ — интенсивность восстановления, μ = 1/Тв;
ω — параметр потока отказов, ω = 1/Тo.
Доверительный интервал для каждого показателя надежности
насосной установки принимается в зависимости от закона распре-
деления наработки на отказ (на основании закона распределения
времени восстановления) насосной установки, объема наблюдений
n и стандартного отклонения σ ≡ S2 с уровнем значимости gt = 0,1.
При обработке статистического материала необходимо соблюдать
условие о том, чтобы объем отобранной выборки был бы однороден
и соответствовал генеральной совокупности данных.
Необходимость проверки однородности данных о наработке на
отказ насосных установок обусловливается тем, что существующие
алгоритмы обработки статистических данных [10; 20] основывают-
ся на допущении, что наработки на отказ (между отказами) для всех
объектов в выбранной партии распределены одинаково, т.е. при-
чины их отказов одни и те же. Поэтому только для однородных
данных о надежности насосных установок можно считать, что раз-
брос наработок на отказ Δti = ti – ti–1 носит случайный характер и
не является следствием различия в условиях функционирования
или искажения статистической информации. Так, нулевая гипоте-
за Н0 о неизменности условий эксплуатации и регулярности веде-
ния записей об отказах насосных установок на насосной станции
выполнялась путем сравнения данных, собранных до подконтроль-
ной эксплуатации и при ней по методике, которая применяется в
работах [13; 24]. При проверке упомянутой гипотезы использовал-
ся критерий χ2набл, связанный с критерием Пирсона χ2. На последу-
ющем этапе обработки статистических данных выполнялась про-
верка однородности выборки о наработках между отказами насо-
сных установок каждой насосной станции. Проверки выполнялись
по критериям Бартлетта М и Фишера F [10; 15]. Нулевая гипотеза

173
Н0 принималась, если при проверке равенства дисперсий подгрупп
каждой выборки выполнялось условие

M < mb(α, m^, C1) < ma(α, m^, C1),

2
⎛ 1 mw ⎞ mw
где M = k ln ⎜ ∑k j Sw 2j ⎟ − ∑k j ln Sw 2j ;
⎝ k j =1 ⎠ j =1
 

( )
m m
 j −1 ,
k — суммарное число степеней свободы, k = ∑k j = ∑ П
j =1 j =1

здесь П^ — число данных в j-й подгруппе;

j
m^ — число подгрупп;

1 m
^
( );
2 2

 −1 ∑ j
2
S j — дисперсия в j-й подгруппе, S j = X −X
m j =1
X — среднее время наработки на отказ насосной установки по
j-й подгруппе, X = T0j;

m
1 1
C1 = ∑ − ,
j =1 K j Kj

а при проверке равенства средних — условие

2
 = S ( X ) < F (m
F  − 1; K ),
α
S 2(X )

где S2(X) — дисперсия, характеризующая рассеивание средних T0j,


1 m
 −1 ∑
S 2(X ) = ( X − X ),
m j =1
здесь X — среднее время наработки на отказ насосной установки
по выборке, X = T0;
S2(X) — оценка дисперсий Sj2 (средневзвешенная дисперсия),

1 m
S ( X ) = ∑k j S 2j .
2
k j =1
Если в выборке данных о наработках между отказами (о нара-
ботках на отказ) насосных установок t11; t12; …; t1i; t21; t22; …; t2i; …;

174
tj1; tj2; …; tji объем каждой подгруппы данных но превышал nj = 5—10,
то проверка однородности выполнялась по критерию

yn j n j (n − 2)
t = ,
n − n j − n j yn j

где ynj — наибольшее отклонение средней подгруппы от общей

X −Xj
средней, yn j = ;
S
n — объем выборки;
nj — объем j-й подгруппы;
S — среднее квадратическое отклонение данных в выборке.
Этот критерий имеет распределение Стьюдента с K = n – 2 сте-
пенями свободы [13]. Следует заметить, что выбранные данные о
наработках между отказами насосных установок обладают и свой-
ством представительности (репрезентативности), так как случай-
ность отбора каждой выборки обеспечивалась. В табл. 5.4 пред-
ставлена проверка этой гипотезы на примере условных городов,
которым присвоены порядковые номера.
В результате проведенных точечных оценок установлено, что

X = T0 = 2944, S = 1200, n = 600.

Проверка однородности: M = 8,8 < mb = (0,05; 10) = 16,92;

F^ = 0,043 < F0,05(9; 532) = 1,88, т.е. гипотеза Н0 не отвергается, по-
скольку условие 2847 < T0 < 3041 выполняется.
Из табл. 5.4 видно, что параметры надежности исследованных
насосных установок незначительно отличаются от генеральной
средней X = T0, и могут использоваться при оценке средней нара-
ботки на отказ типовой насосной установки. Очевидно, такой вы-
вод справедлив потому, что отечественной промышленностью вы-
пускаются насосы, электродвигатели, запорная арматура, обратные
клапаны с однозначными параметрами надежности для каждого
типа оборудования [10; 11; 14; 15; 18]. Отклонения полученных оце-
нок надежности насосных установок T01, T02, …, T0i от генеральной
средней Т0 можно объяснить различиями в организации ремонтных
работ и квалификации обслуживающего персонала на насосных
станциях.

175
 Таблица 5.4
Точечные оценки времени наработки на отказ насосных установок
Точечные оценки времени наработки на отказ
Насосная насосных установок
Город
станция
T0 T0 S
1 3012 3012 1329
2 3224 3224 1870
1
3 3062 3062 1490
4 3098 3098 792
1 3408 3408 1327
2
2 2840 2875 1131
2797
1 2784 1544
2770
2525
2 2616 1084
2627
3 2427
3 2353 623
2355
3492
4 3931 3010 898
2847

Примечание. Города 1, 2, 3 — это условные города, принятые для рассмотрения

примера.

5.4.2. ПРОВЕРКА ГИПОТЕЗЫ О РАСПРЕДЕЛЕНИИ НАРАБОТКИ НА ОТКАЗ

НАСОСНОЙ УСТАНОВКИ ПО ЗАКОНУ ВЕЙБУЛЛА

Эта проверка выполнялась по тем выборкам, объем которых пре-

вышал n = 50 [3; 7; 10; 16]. В качестве меры расхождения теорети-
ческого и статистического распределений принималось число, ко-
торое вычислялось по правилу
2
 2 = (vi − npi ) ,
l
X ∑ np
i =1 i

где l — число слагаемых, по которым определяется мера X^2;

vi — число отказов, попавших в i-й интервал;
npi — математическое ожидание числа отказов в i-м интервале
при принятой гипотезе.

176
 Нулевая гипотеза Н0 принималась, если выполнялось условие

X^2 < Xα2(k), k = l – 1 – c,

где с — число параметров распределения, оцениваемых по той же

статистике.
При построении гистограммы — статистического аналога плот-
ности распределения наработки на отказ насосной установки, зна-
чения ^f (t) вычислялись по формуле

f (t ) = vi ,
nti

где ti — длина i-го интервала, а число разбиения K вариационного

ряда определялось по правилу Старджесса

K = 1 + 3,3 lg n.

Плотность теоретического распределения наработки на отказ

насосной установки вычислялась по формуле [6; 7]
b
b −1 − ⎛ X −C ⎞
b ⎛X −C ⎞ ⎝⎜ a ⎠⎟
f (t ) = ⎜ ⎟ e ,
a⎝ a ⎠

S
где a — параметр масштаба, a = ,
gb
здесь S — выборочное среднее квадратическое отклонение ti = Xi
от T0 = X;
gb — коэффициент, определяемый по табл. 1 [7];
C — параметр сдвига, C = X – Kb;
здесь Kb — коэффициент, определяемый по табл. 1 [7];
b — параметр формы, определяемый по табл. 1 [7] в зависимости
от ассиметрии r, определяемой по формуле
3
n n ⎡ 1 n ⎤ 2
ρ= ∑
(n − 1)(n − 2) i =1
( X i − X )3 / ⎢ ∑ ( X i − X )2 ⎥ .
⎣ n − 1 i =1 ⎦

177
 Учитывая, что S является смещенной оценкой, ее исправленная
оценка определяляется по формуле

ti2
σ = S2 − ,
12

ti2
где — поправка Шепарда,
12
здесь ti — длина интервала разбивная.
На рис. 5.6—5.13 приводятся гистограммы и теоретические
функции плотностей наработок на отказ насосных установок систем
ТCН. По методике, как это будет показано ниже, выполнялась про-
верка гипотезы о распределении наработки на отказ насосной уста-
новки по закону Вейбулла.
Для построения теоретической кривой плотности распределения
f(t) следует пользоваться параметрами, приведенными в табл. 5.5, 5.6.
С несколько большей погрешностью, чем у гипотезы о распре-
делении наработки на отказ по закону Вэйбулла, по результатам
проверки может быть принята и гипотеза о нормальном законе рас-
пределения наработка на отказ насосной установки. Поэтому до-
верительный интервал для оценки генеральной средней наработки
на отказ насосной установки T0 определялся по неравенству
σ σ
T0 − t < T0 < T0 + t ,
n n
где t — табулированное значение критерия Стьюдента, взятого при
уровне значимости α = 0,05 и числе степеней свободы k = n – 1.
Таблица 5.5
Оценки и доверительные границы параметров плотности распределения
наработки на отказ насосной установки. Город 1. Насосная станция № 1
a b c Vb ρb gb Kb П σ Xн < T < Xв
3241 2,25 140,4 0,47 0,48 0,41 0,886 136 1300 2792 <Т < 3231

Таблица 5.6
Оценки и доверительные границы параметров плотности распределения
наработки на отказ насосной установки. Город 1. Насосная станция № 2
a b C Vb ρb gb Kb П σ Xн < T < Xв
3418 1,9 189 0,54 0,7 0,49 0,888 132 1847 2910 < Т < 3538

178
 Рис. 5.6. Плотность распределения наработки на отказ
насосной установки (город 1, насосная станция № 1)

Рис. 5.7. Плотность распределения наработки на отказ

насосной установки (город 1, насосная станция № 2)

Рис. 5.8. Гистограмма наработки на отказ насосной установки

(город 1, насосная станция № 3)

179
Рис. 5.9. Гистограмма наработки на отказ насосной установки
(город 2, насосная станция № 1)

Рис. 5.10. Гистограмма наработки на отказ насосной установки

(город 2, насосная станция № 2) при K = 1 + 3,3lgП

Рис. 5.11. Гистограмма наработки на отказ насосной установки

(город 3, насосная станция № 1)

180
 Рис. 5.12. Гистограмма наработки на отказ насосной установки
(город 3, насосная станция № 2) при K = 1 + 3,3lgП

Рис. 5.13. Гистограмма наработки на отказ насосной установки

(город 3, насосная станция № 4)
Таблица 5.7
Интервальные оценки наработки на отказ насосных установок

σ σ
Город № насосной станции Интервальные оценки X − t < T0 < X + t
n n
1 2768 < T0 < 3236
2 2909 < T0 < 3639
1
3 2849 < T0 < 3275
4 2774 < T0 < 3412
1 3036 < T0 < 3780
2
2 2501 < T0 < 3249

181
 Окончание табл. 5.7

σ σ
Город № насосной станции Интервальные оценки X − t < T0 < X + t
n n
1 2322 < T0 < 3246
2 2390 < T0 < 2842
3
3 1961 < T0 < 2745
4 2665 < T0 < 3355
Оценка средней генеральной
2847 < T0 < 3047
совокупности

Примечание. Города 1, 2, 3 — это условные города, принятые для рассмотрения

примера.

В табл. 5.7 приведятся интервальные оценки наработки на отказ

насосных установок рассмотренных систем ТСН. Из этой таблицы
видно, что средняя наработка на отказ насосной установки любой
системы ТСН может быть принята в пределах 2847—3047 часов.

5.4.3. ОПРЕДЕЛЕНИЕ СТАТИСТИЧЕСКИХ ПАРАМЕТРОВ ПОТОКА ОТКАЗОВ

НАСОСНОЙ УСТАНОВКИ

Чтобы изучить поток отказов насосной установки, следует опре-

делить его основные характеристики и убедиться в стационарности
как необходимом условии применения функции Пальма — Хин-
ω(0; t )
чина ψ k (t ) = lim для описания этого потока (где ψk(t) — ве-
π1(τ; e)
роятность поступления в промежуток времени t ровна k отказам
при условии, что в начальный момент этого промежутка τ отказ
наступил).
Обычно у любого реального потока отказов проверяется наличие
свойств: финитности, регулярности, стационарности, последей-
ствия и ординарности.
Финитность потока означает, что среднее число отказов на лю-
бом конечном отрезке времени должно быть конечно. Очевидно,
что для потока отказов насосной установки это свойство должно
выполняться.
Регулярность подразумевает практическую невозможность воз-
никновения отказов в заранее заданный момент времени. Можно
привести пример, когда это свойство не будет полностью выпол-
няться для насосной установки. Допустим, на насосной станции

182
имеются две насосные установки — одна рабочая, другая резервная,
переключение с одной насосной установки на другую произвольное.
Очевидно, что в момент такого переключения возникнет какая-то
не нулевая вероятность отказа насосной установки J из-за случай-
ности этого события. Если насосы часто переключаются в течение
суток и при каждом отключении перекрываются запорной армату-
рой, то вероятность J будет значительной, так как запорная арма-
тура отказывает именно в моменты закрытия и открытия.
Однако на всех насосных станциях 2-го подъема насосные агре-
гаты как правило запускаются на открытые задвижки, имеют малую
частоту включения и отказы электродвигателей в моменты пуска
не превышают 5 % от общего числа отказов насосных установок.
Поэтому допущение регулярности потока отказов насосных уста-
новок не будет грубым. Вполне можно допустить и то, что поток
отказов насосной установки обладает свойством ординарности.
Причиной нарушения ординарности реального потока отказов на-
сосной установки могут быть и случайные переключения насосных
агрегатов, связанные с отказами насосных установок (на практике
при отключении одной насосной установки возможно отключение
и некоторого числа исправных насосных установок). Однако такие
ситуации возникают сравнительно редко, да и предположение об
отсутствии свойств финитности, регулярности и ординарности у
потока отказов ведет к неоправданному усложнению модели, а сле-
довательно, и дальнейших расчетов.
Наличие у потока отказов насосной установки свойств стацио-
нарности и последействия обусловливается следующими призна-
ками: восстанавливаемостью, наличием внешних воздействий (из-
менение температуры, режима работы, воздействие человека и т.д.),
отличием закона распределения наработки на отказ насосной уста-
новки от экспоненциального. Из теории восстановления [2] из-
вестно, что интенсивность потока отказов любого восстанавлива-
емого объекта при неизменных условиях эксплуатации устанавли-
вается, поэтому на достаточном интервале времени этот поток
отказов можно рассматривать как стационарный. На последействие
потока отказов насосной установки в большей мере оказывает вли-
яние человек. Последействие сказывается на небольшом отрезке
времени в период приработки насосной установки. Из литератур-
ных источников известно [10], что если ремонты насосной уста-
новки будут выполняться качественно, то последействие в ее по-
токе отказов будет незначительно.

183
 С учетом плана испытаний [NRT] оценивались параметры по-
тока отказов насосных установок систем ТСНС [6; 10; 16]. Среднее
число отказов насосной установки за время t можно рассчитать по
формуле

 = ri ,
ω
Ti N i

где ri — число отказов, попавших на интервал времени Тi;

Ni — число насосных установок, образующих поток отказов на
интервале времени Тi.
Интервалы времени T1, T2, Т3, ..., Тi выбирались таким образом,
чтобы в каждый интервал попадало достаточное число отказов
(ri  10) и Тi был не менее 7000 часов. При меньших интервалах в
потоке отказов насосной установки наблюдалось последействие,
что указывало на справедливость гипотезы о возрастающей функ-
ции интенсивности (ВФИ) откозов у насосной установки.
Таблица 5.8
Оценки параметров потока отказов насосных установок
№ насосной Параметры потока отказов насосных
Город
станции установок ω · 10–4, 1/ч
1 3,3
2 3,1
1
3 3,25
4 3,22
1 2,89
2
2 3,25
1 3,5
2 3,6
3
3 4,2
4 3,3
По выборке 3,36

Проверку стационарности потоков отказов насосных установок

систем ТСНС можно выполнить по критериям Бартлетта М и Фи-
шера F [3; 13], т.е. оценить отклонение числа отказов ri на отрезке
времени Тi от математического ожидания числа появления отказов
насосной установки Мr(t) и проверить однородность дисперсий по
формуле Si2 = [Мri(t) – ri]2.

184
 Результаты этой проверки и выполнение условия T0 << tн.уст, т.е.
что время функционирования насосной установки tн.уст во много
раз больше, чем время между ее соседними отказами T0 позволяют
допустить [3; 8; 10; 21], что

1
lim ω(t ) =
t →∞ Ti

и вероятность поступления в промежуток времени t ровно k отказов

насосной установки остаются неизменными (ψk(t) = const).
В табл. 5.8 приведены оценки параметров потока отказов насо-
сных установок рассмотренных выше систем ТСНС.

5.4.4. ПРОВЕРКА ГИПОТЕЗЫ О ЗАКОНЕ РАСПРЕДЕЛЕНИЯ ВРЕМЕНИ

ВОССТАНОВЛЕНИЯ НАСОСНОЙ УСТАНОВКИ ПОСЛЕ ОТКАЗА ПО ЗАКОНУ
ЭРЛАНГА 2-ГО ПОРЯДКА
Методика оценки времени восстановления насосной установки
аналогична выше упомянутой, т.е. методике оценки наработки на
отказ насосной установки. При этом необходимо знать, что процесс
восстановления насосной установки не является чисто случайным
и существенно зависит от ситуаций, возникающих при выполнении
ремонтных работ на насосной станции. Длительность ремонта на-
сосной установки τ < 500 ч в большей мере обусловливается слу-
чайными процессами (величиной и числом неисправностей), а
τ > 500 ч насосной установки обусловливается причинами, которые
носят детерминированный характер (сложившиеся на насосной
станции условия ремонта оборудования и поставки запасных де-
талей; уровень квалификации обслуживающего персонала и т.д.).
Ремонт насосной установки, длительность которого превышает
500 ч, как правило, выполняется дополнительно вызванной на на-
сосную станцию ремонтной бригадой (в то время, когда нет по-
ступления запасных деталей оборудования, не прибыла ремонтная
бригада насосная установка простаивает в неисправном состоянии).
Если резервного оборудования на насосной станции в избытке, то
насосные установки, случается, простаивают в ремонте и более
1 года. Подобные простои превышают всякие нормы и не обуслов-
лены причинами, связанными с неисправностью оборудования.
При обработке статистического материала подобные данные ис-
ключаются из выборки по условию постановки задачи. В дальней-

185
шем, при оценке уровня надежности системы ТСНС насосной
станции, на которой длительность ремонта любой ее насосной уста-
новки в отдельных случаях может превышать 500 ч, необходимо
вводить дополнительное условие, что одна насосная установка в
системе ТСНС постоянно находится на восстановлении.
В табл. 5.9, 5.10 и на рис. 5.14—5.19 приведены оценки и гисто-
граммы времени восстановления насосных установок насосных
станций выбранных городов. Результаты обработки статистических
данных по времени восстановления этих насосных установок по-
казали: гипотеза о распределении времени восстановления насо-
сной установки после отказа по закону Эрланга 2-го порядка не
отвергается; среднее время восстановления насосной установки
после отказа находится в пределах 134 < Тв < 158 часов; среднее
время простоя на профилактике — 106 < τпр < 130 ч. Время восста-
новления насосных установок при интегральных оценках больше,
чем время простоя установок на профилактике, т.е. Тв > tпр.
Таблица 5.9
Точечные оценки времени восстановления насосных установок
Оценки времени Оценки времени простоя
№ насосной восстановления насосной насосной установки
Город установки после отказа на профилактике
станции
Тв ≡ τ S τпр S
1 157 87 122 79
1 2 148 109 — —
4 132 99 — —
3 1 — — 114 72

Таблица 5.10
Интервальные оценки времени восстановления насосных установок
Оценки времени Оценки времени простоя
№ насосной восстановления насосной насосной установки
Город установки после отказа на профилактике
станции
Тв ниж ≡ τниж Тв верх ≡ τверх τпр τпр
ниж верх

1 142 172 110 134

1 2 126 170
4 86 178
3 1 91 131
Средние по выборке 134 158 106 130

186
Рис. 5.14. Плотность распределения времени восстановления насосной
установки после отказа. Насосная станция № 1, город 1

Рис. 5.15. Функция распределения времени восстановления насосной

установки после отказа. Насосная станция № 1, город 1

Рис. 5.16. Плотность распределения времени восстановления насосной

установки после отказа, насосная станция № 2, город 1

187
 Рис. 5.17. Функция распределения времени восстановления
насосной установки после отказа, насосная станция № 2, город 1

Рис. 5.18. Гистограмма времени простоя насосной установки

на профилактике при K = 1 + 3,3lgП. Насосная станция № 1, город 1

Рис. 5.19. Гистограмма времени простоя насосной установки

на профилактике. Насосная станция № 1, город 3

188
 Очевидно, что период функционирования системы ТСН на ин-
тервале времени (t; t + τ) в момент работы ремонтной бригады бу-
дет самым благоприятным для возникновения отказа системы ТСН,
а оценка надежности системы ТСН за время τ = Tв будет отражать
качество функционирования системы в экстремальной ситуации.

5.5. Структурная схема технологической системы

насосной станции
5.5.1. ХАРАКТЕРИСТИКА ТЕХНОЛОГИЧЕСКИХ СИСТЕМ
НАСОСНЫХ СТАНЦИЙ

Технологические схемы рассматриваемых в примере насосных

станций приведены на рис. П1—П9 прил. 2. Насосные станции
работают в полуавтоматическом режиме. Технологическое обору-
дование на каждой насосной станции восстанавливается одной
ремонтной бригадой, и лишь в отдельных случаях, при сложных
ремонтах, на станции вызываются специализированные ремонтные
бригады. На насосных станциях применяются скользящее резер-
вирование и профилактическое обслуживание насосных установок,
т.е. каждая насосная установка ставится на плановый ремонт лишь
при условии, что все другие насосные установки работоспособны
или, в крайнем случае, если на ремонте какая-либо насосная уста-
новка восстанавливается дополнительно вызванной специализи-
рованной ремонтной бригадой. В результате возникают такие си-
туации, при которых насосная установка после наступления срока
ремонта вынуждена продолжать работу до возвращения из ремон-
та другой насосной установки или до возникновения неисправно-
стей, не допускающих ее работу. На всех рассматриваемых насосных
станциях применяется структурное резервирование систем ТСН;
противопожарные насосные установки отсутствуют, так как по-
дача воды в точки пожара обеспечивается рабочими насосными
установками за счет снижения напора в диктующих точках рас-
пределительной сети (насосные установки для подачи воды на про-
мывку очистных сооружений не включаются в систему ТСН).

5.5.2. ОБОСНОВАНИЕ СТРУКТУРНЫХ СХЕМ НАДЕЖНОСТИ

ТЕХНОЛОГИЧЕСКИХ СИСТЕМ НАСОСНЫХ СТАНЦИЙ

Схема, отражающая деление системы на элементы и влияние

отказов элементов на надежность системы, составляется в соот-

189
ветствии с правилами теории надежности [1; 2; 4; 5; 6; 8] и особен-
ностей работы оборудования систем ТСН. При анализе техноло-
гических схем насосных станций 1—4 нетрудно убедиться, что их
структурные схемы надежности (ССН) подобны. Действительно,
у каждой системы ТСН элементами являются насосные установки,
которые подразделяются на основные и резервные. К основным
элементам системы ТСНС относятся те насосные установки, ко-
торые необходимы для создания расчетной подачи воды потреби-
телям, к резервным — насосные установки, которые включаются
в работу после отказа или остановки на профилактику основных
насосных установок.

Рис. 5.20. Этапы построения структурной схемы надежности

технологической системы водопроводной насосной станции

190
 Если учесть сравнительно высокую надежность трубопроводов,
взаимоисключение положительных и отрицательных сторон схем
размещения запорной арматуры, применяющихся на насосных
станциях 1—4, то при составления ССН каждой системы ТСНС
можно рассматривать только один вид элементов — насосные уста-
новки. Последовательность построения ССН можно проследить
по рис. 5.20.

5.5.3. УСЛОВИЯ ОТКАЗА ТЕХНОЛОГИЧЕСКИХ СИСТЕМ ВОДОПРОВОДНЫХ

НАСОСНЫХ СТАНЦИЙ

Условия отказа ТСНС вывляются по результатам анализа нор-

мативных требований по функционированию водопроводных со-
оружений, условиям эксплуатации насосных станций и статисти-
ческим данным о надежности насосных установок.
При 1-й категории технологической ТСНС насосной станции,
числе основных элементов m, равных 1 – m, числе резервных эле-
ментов n условие отказа системы равно n + c, где c принимает зна-
чение натурального ряда 1, 2, 3… в зависимости от категории ТСНС,
числа основных насосов (насосных установок) m и условий их со-
вместной работы на систему трубопроводов и уменьшается на 1,
если длительность ремонта отдельных насосных установок превы-
шает 500 часов. Для ТСНС снижение подачи воды из-за аварий не
рассматривается.

5.5.4. МАТЕМАТИЧЕСКАЯ МОДЕЛЬ НАДЕЖНОСТИ ТЕХНОЛОГИЧЕСКОЙ

СИСТЕМЫ НАСОСНОЙ СТАНЦИИ

При формализации процесса функционирования TСНС исполь-

зуется наиболее общий метод преобразований — метод интеграль-
ных уравнений. Решение задачи по оценке надежности ТСНС за-
ключается в отыскании минимального значения целевой функции
P(t). В этой связи интегральные уравнения составляются для про-
цесса восстановления ТСНС на таком интервале времени [t, t + τ]
на котором отказ системы ТСНС имеет наибольшую вероятность,
т.е. P(t) → min.
Метод дифференциальных уравнений при формализации про-
цесса функционирования ТСНС не применяется по тем причинам,
что он основан на допущении постоянства λ и μ для каждого эле-
мента системы ТСНС на интервале времени [t, t + τ] при t → , где
λ и μ — интенсивность отказа и интенсивность восстановления

191
элемента, имеющего показательное распределение наработки на
отказ и показательное распределение времени восстановления.

Λ
μ

Рис. 5.21. Структурная схема модели надежности ТСНС

В отдельных случаях допущение постоянства и μ для насосной

установки не сильно влияет на характеристики надежности систе-
мы ТСНС. Однако для решения поставленной задачи такое допу-
щение противоречит не только физике, но и логическому описанию
процесса функционирования системы ТСНС. В этом нетрудно убе-
диться, если рассмотреть логическую схему функционирования
системы TВH, у которой m + n однотипных элементов (рис. 5.21 и
5.22).
P 1 2 ... Z 1 2 ... Z
ΔPi

ΔPi

t
t0 τ1 τ2
ti ti+1 ti+2

Рис. 5.22. Логическая схема процесса восстановления системы

при λ = const, μ = const, r = 1, m > 1

192
 Система непрерывно работает на отрезке времени [0, t] и вос-
станавливается одной ремонтной единицей r = 1. В момент t = to m
элементов включаются в работу (см. рис. 5.22), а остальные n эле-
ментов, находясь в холодном резерве, ждут своей очереди. Через
некоторое случайное время ti работающий элемент отказывает, и в
работу включается первый резервный элемент, а отказавший эле-
мент ставится на восстановление. Система продолжает выполнять
свои функции, но ее надежность уменьшается на величину ΔРi.
Предполагаем, что ремонтная единица может одновременно вос-
станавливать не более 1 элемента за время τ.
Возможны следующие варианты допущений:
1. Допустим, что для каждого элемента ТСНС выполняется ус-
ловие λ = const, μ = const.
Если за время τ1 возможно появление такого числа отказавших
элементов, у которого математическое ожидание равно Z, то веро-
ятность безотказной работы ТСНС снизится еще на величину
ΔPΣ =(ΔP1 + ΔP2 + … + ΔPZ).
При Z > 1 период регенерации ТСНС может состоять из беско-
нечно большого числа шагов, так как ремонтная единица за время
τi будет восстанавливать по одному элементу, а в ТСНС будет на-
капливаться по Z – 1 отказавших элементов. Но тогда вероятность
K
безотказной работы ТСНС lim P ∑ → 0.
K →0
i =1
Следовательно, 1-е допущение не удовлетворяет условиям ре-
шения рассматриваемой задачи.
2. Допустим, что у каждого элемента ТСHС:
λ(t) — ВФИ интенсивности отказов;
μ(t) — ВФИ восстановлений;
μ(t) > λ(t).
При таких допущениях ТСНС может регенерироваться, так как
с увеличением суммарной интенсивности отказов элементов
m m
Λ = ∑ λ i будет возрастать и μ(t), причем max μ(t) > 1 > max ∑ λ i (со-
i=1 i=1
став ремонтной бригады, режим ее работы будут меняться с учетом
сложившихся условий).
Допущение непостоянства λ и μ для элемента любой системы
не позволяет получить решение задачи по определению вероят-
ности безотказной работы системы в замкнутой форме [21].

193
 Поэтому для частного решения задачи по оценке Р(τ) системы
TСНС, естественно применение модели со следующими допуще-
ниями:
• в ТСНС элементы не отказывают и не меняют параметры в
состоянии резерва (хранения);
• каждый элемент изменяет свои состояния по графу (pиc. 5.23);
• каждый элемент восстанавливается либо при наработке t, либо
в момент отказа, если он происходит раньше;
• отказ наступает в момент, когда восстанавливается и стоят в
очереди на восстановление n+с элементов;
• время наработки на отказ элемента распределяется по закону
Вейбулла, а время восстановления после отказа — по закону Эр-
ланга 2-го порядка.

1 2

5 4 3

Рис. 5.23. Граф состояний ТСНС: 1 — работа, 2 — отказ,

3 — ожидание восстановления, 4 — восстановление,
5 — пребывание в резерве

Для экстремального определения целевой функции P(τ) рас-

смотрим функционирование системы ТСН на таком отрезке вре-
мени, на котором ремонтная единица занята восстановлением от-
казавшего элемента, а суммарная интенсивность отказов основных
m
 = max λ .
элементов Λ принимает значение Λ ∑ i
i=1
Вероятность безотказной работы ТCНС на отрезке времени [0,
] может оцениваться по формуле
∞
 (τ) = 1 − P {n + C − 1 < τ} dV (τ),
P ∫
0

где P{n + C – 1 < τ} — вероятность того, что за время занятости

ремонтной единицы откажут n + с – 1 элементов;
V(τ) — функция времени восстановления элемента.
Выполненные статистические исследования позволяют допу-
стить, что у ТСНС:

194
 • время t = τ, за которое оценивается вероятность безотказной
работы, не превышает среднего времени безотказной работы эле-
мента T0;
• суммарная интенсивность отказов элементов принимает на
отрезке времени τ = Tв максимальное значение Λ.
Верхняя оценка вероятности простоя в очереди на восстанов-
ление n + с – 1 элементов системы TСH может быть определена по
формуле [10; 21]

∞
( Λτ)K
P {n + C − 1 < τ} ≤ ∑ exp(−Λτ),
K = n+C −1 k !

T n+C −1
 (τ) ≤ 1 − ( Λτ)
в

P ∫ (n + C − 1)! exp(−Λτ) dV (τ) =

0
Tв
Λ n+C −1τ n+C −1( Λτ)n+C −1
= 1 − ∫ [1 − V (τ)] exp(−Λτ) d (τ) =
0
(n + C − 2)!
T
Λ n+C −1 в
=1−
(n + C − 2)! ∫0
[1 − V (τ)] exp(−Λτ)τ n+C −1d (τ),

где exp(–Λτ) = R1(τ) — вероятность того, что промежуток времени

между двумя последовательными моментами наступления событий
стационарного потока без последействия превзойдет (вероятность,
что за время элемент восстановиться и ТСНС не откажет);
1 – V(τ) = R2(τ) — вероятность того, что элемент не восстано-
вится за время τ.
В ТСНС для восстановления элементов применяется ручной
труд. Данное обстоятельство существенно влияет на характер про-
цесса восстановления ТСНС (он не является уже полностью слу-
чайным процессом). Поэтому можно предположить, что в момент,
m
когда Λ = max ∑ λ i наступает равновесие, т.е. τ = Tв (за время более,
i=1
чем n + С – 1 элементов не откажут) и процесс восстановления
ТCНС приобретает свойства потока, параметры которого детерми-
нированы.

195
 Кроме того, если общий поток событий соответствует модели
экспоненциального распределения, то: R1(τ = Tв) = exp(–ΛTв) =
0,37

⎛ 2T ⎞ ⎛ 2T ⎞
R2 (τ = Tв ) = 1 − V (τ = Tв ) = 1 − ⎜1 − в ⎟ exp ⎜ − в ⎟ = 0,4
⎝ Tв ⎠ ⎝ Tв ⎠

T
n+C −1 в
 (τ) = 1 − ( Λτ)
(n + C − 2)! ∫0
P 0,37 ⋅ 0,4 ⋅ τ n+C −2d τ =

( ΛτTв )n+C −1 ( ΛτTв )a

= 1 − 0,148 = 1 − 0,148 ,
(n + C − 1)! a!

где а — число появлений событий (отказы, остановки на ремонт

насосных установок).
Очевидно, элементы в ТСНС могут работать как постоянно, так
и переменно в течение суток; их могут ремонтировать и заменять
на новые. Условное число непрерывно работающих элементов в
ТСНС можно определить по формуле

m1 = mβ,
m
∑ ti
i =1
где β = ;
24m
m — число основных элементов в системе ТСН;
ti — время работы i-го элемента в системе ТCН в сутки, которое
оценивается по графику режима работы насосной станции.
В этой связи искомую математическую модель надежности си-
стемы ТСН можно представить в виде

 (τ) = 1 − 0,148 (mi ωTв ) ,

a
P
a!

где miω = Λ.
Для упрощения расчетов надежности системы ТСН по формулам
предлагается номограмма, которая приведена на рис. 5.24.

196
 Рис. 5.24. Номограмма для определения числа резервных насосных
установок на насосной станции при заданных параметрах: m, ω, n, β, Tв и r = 1

Номограмма имеет логарифмические шкалы: на оси ординат

откладываются значения вероятности безотказной работы системы
ТСНС, P(τ) (уровни надежности), а по оси абсцисс значения вида
m, ω, β, Tв.
Восстанавливая перпендикуляр, например, из точки М до пере-
сечения с кривой J = f(a) и проводя горизонталь через точку пере-
сечения А (рис. 5.5) на оси ординат находят значения P(τ). Если
известны P(τ), m, ω, β, Tв, а неизвестно значение n, то операции
выполняются в обратном порядке.

197
 ЗАКЛЮЧЕНИЕ

В современном представлении надежность водопроводного объ-

екта является неотъемлемым потребительским свойством и пока-
зателем его качества. Надежность оценивается количественными
показателями, а не абстрактными умозаключениями потребителей.
Из-за необоснованных инженерных решений при проектиро-
вании и строительстве водопроводных сооружений и систем впу-
стую тратятся миллиарды рублей и производятся лишние трудовые
затраты. Теория надежности — это область инженерных знаний и
правил, которая, будучи хорошо освоенной и правильно исполь-
зуемой, помогает сократить не только непроизводительные рас-
ходы материальных и трудовых ресурсов, но и здоровье людей. Она
позволяет систематизировать оценки инженерных решений по до-
стижению поставленной цели.
Представленные в пособии методические материалы и примеры
оценки надежности водопроводных объектов позволяют молодым
специалистам в области водоснабжения и водоотведения ознако-
миться с основами теории надежности, творчески подходить к ста-
тистической информации при проведении исследований и обо-
снованию предлагаемых решений.

198
 БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Абрамов Н.Н. Надежность систем водоснабжения. М. : Строй-

издат, 1979.
2. Барлоу Р., Прошан Ф. Математическая теория надежности. М. :
Советское радио, 1969.
3. Базовский И. Надежность. Теория и практика. М. : Мир, 1965.
4. Волков П.Н. Элементы теории вероятностей и математической
статистики. М. : МАДИ, 1970.
5. Вентцель Е.С. Теория вероятностей. М. : Наука, 1969.
6. ГОСТ 27.002—89. Надежность в технике. Термины и опреде-
ления. М., 1989.
7. ГОСТ Р 53480—2009. Надежность в технике. Термины и опре-
деления. М., 2009.
8. ГОСТ 27.003—83. Выбор и нормирование показателей надеж-
ности. М., 2009.
9. ГОСТ 11.007—75. Правила определения оценок т доверитель-
ных границ для параметров распределения Вейбулла. М., 1976.
10. Гнеденко Б.В., Беляев Ю.К., Соловьев А.Д. Математические
методы в теории надежности. М. : Наука, 1965.
11. Груничев А.С, Михайлов А.И., Шор Я.Б. Таблицы для расчетов
надежности при распределении Вейбулла. М. : Изд-во стандартов,.
1974.
12. Дерюшев Л.Г. Оценка надежности технологических систем
водопроводных насосных станций : дис. … канд. техн. наук. М.,1979.
13. Дерюшев Л.Г. Показатели надежности трубопроводных си-
стем водоснабжения и водоотведения //Водоснабжение и сан. тех-
ника. 2000. № 12.
14. Дерюшев JI.Г., Минаев А.В. О вопросах оценки надежности
трубопроводных систем водоснабжения // Надежность водопро-
водных систем : тезисы докладов / МДНТП. М., 1988.
15. Дунин-Барковский И.В., Смирнов Н.В. Теория вероятностей и
математическая статистика в технике (общая часть) // М. : Техни-
ко-теоретическая литература, 1955
16. Ильин Ю.А. Расчет надежности подачи воды. М. : Стройиздат,
1987.
17. Нормы амортизационных отчислений / Госплан СССР. М.,
1977.

199
 18. Методические указания. Методика выбора номенктлатуры
нормируемых показателей надежности технических устройств. МУ
3—69. М.,1970.
19. Положение о составе разделов проектной документации и
требования к их содержанию (Постановление Правительства РФ
от 18.05.2009 № 427).
20. Проблемы надежности систем водоснабжения : тез. докл.
Всесоюз. конф. по надежности систем водоснабжения. М. : МИСИ,
1973.
21. СП 31.13330.2012. Водоснабжение. Наружные сети и соору-
жения. М., 2012.
22. СНиП 2.01.14—83. Определение расчетных гидрологических
характеристик. М., 1985.
23. Соловьев А.Д. Основы математической теории надежности /
Государственный комитет стандартов Совета министров СССР.
М.,1975. Вып.1, 2, 3.
24. Xерц Р. К. Процесс старения и необходимость восстановления
водопроводных сетей // АКВА. 1996. № 5.
 ПРИЛОЖЕНИЕ 1

ТАБЛИЦЫ МАТЕМАТИЧЕСКОЙ СТАТИСТИКИ*

Таблица П1
Z2
1 −
Плотность вероятности нормированного нормального распределения f ( Z ; 0,1) = e 2
2π

Z 0 1 2 3 4 5 6 7 8 9
0,0 0 3989 3989 3989 3988 3986 3984 3982 3980 3977 3973
0,1 0 3970 3965 3967 3956 3951 3945 3933 3932 3925 3918
0,2 0 3910 3902 3824 3885 3876 3867 3857 3847 3835 3825
0,3 0 3874 3802 3790 3778 3765 3752 3733 3725 3712 3697

201
0,4 0 3633 3668 3653 3637 3621 5505 3589 3572 3555 3538
0,5 0 3521 3503 3485 3467 3448 3429 3410 3391 3372 3352
0,6 0 3332 3312 3292 3271 3251 3230 3209 3187 3166 3144
0,7 0 3123 3101 3075 3055 3034 3011 2989 2555 2943 2926
0,8 0 2897 2874 2850 2827 2803 2720 2755 2732 2705 2585
0,9 0 2661 2537 2513 2589 2565 2541 2516 2492 2458 2444
1,0 0 2420 2396 2371 2347 2323 2299 2275 2251 2227 2263
1,1 0 2179 2155 2131 2107 2083 2059 2036 2012 1989 1955
1,2 0 1942 1919 1895 1872 1849 1826 1804 1781 1758 1736
1,3 0 1714 1691 1669 1647 1626 1604 1582 1561 1539 1518

* Заимствованы из: Большов Л.Н., Смирнов Н.В. Таблицы математической статистики. М. : Наука, 1983.
 Окончание табл. П1

Z 0 1 2 3 4 5 6 7 8 9
1,4 0 1497 1476 1456 1435 1415 1594 1374 1354 1334 1315
1,5 0 1295 1276 1257 1238 1219 1200 1182 1163 1145 1127
1,6 0 1109 1092 1074 1057 1040 1023 1006 989 973 957
1,7 0,0 9405 9246 9089 8933 8780 8628 8478 8329 8183 8038
1,8 0,0 7895 7754 7614 7477 7341 7256 7074 6943 6814 6687
1,9 0,0 6562 6438 6316 6195 6077 5959 5844 5730 5618 5508
2,0 0,0 5399 5292 5186 5082 4980 4879 4780 4582 4586 4491
2,1 0,0 4398 4307 4217 4128 4041 3955 3871 3788 3705 3626
2,2 0,0 3547 3470 3394 3319 3245 3174 3103 3034 2965 2398
2,3 0,0 2833 2768 2705 2643 2582 2522 2463 2406 2349 2294
2,4 0,0 2239 2186 2134 2083 2033 1984 1936 1888 1842 1797

202
2,5 0,0 1753 1709 1667 1625 1585 1545 1505 1468 1431 1394
2,6 0,0 1358 1324 1289 1256 1223 1191 1160 1130 1100 1071
2,7 0,0 1042 1014 987 951 935 909 885 861 837 814
2,8 0,00 7915 7696 7483 7274 7071 6873 6679 8491 6357 6127
2,9 0,00 5952 5782 5616 5454 5295 5143 4993 4847 4705 4567
3,0 0,00 4432 4301 4173 4049 3928 3810 5625 3584 3475 3370
3,0 0,00 4432 3267 2384 1723 1232 873 6612 425 292 199
4,0 0,003 1338 893 539 385 249 160 101 64 40 24
5,0 0,005 1487 897 536 317 186 108 62 35 20 11
 Таблица П2
Z v2
1 −
Нормированная функция Лапласа ϕ( Z ) = ∫ e 2 dv
2π 0

Сотые дали для Z

Z
0 1 2 3 4 5 6 7 8 9
0,0 0,0000 040 080 120 160 199 239 279 319 359
0,1 398 438 478 517 557 596 636 675 714 753
0,2 793 832 871 910 948 987 026 064 103 141
0,3 0,1179 217 255 293 331 368 406 443 480 517
0,4 554 591 628 664 700 736 772 808 844 879
0,5 915 950 985 019 054 088 123 157 190 224
0,6 0,2257 291 324 357 389 422 454 486 517 549

203
0,7 580 611 642 673 703 734 764 794 823 852
0,8 881 910 939 967 995 023 051 078 106 133
0,9 0,3159 186 212 238 264 289 315 340 365 389
1,0 413 437 461 485 508 583 554 577 599 621
1,1 643 665 686 708 729 749 770 790 810 830
1,2 849 869 888 907 925 944 962 980 997 015
1,3 0,4032 049 066 082 099 115 131 147 162 177
1,4 192 207 222 236 251 265 279 292 306 319
1,5 332 345 357 370 382 394 406 418 429 441
1,6 452 463 474 484 495 505 515 525 535 545
1,7 554 564 573 582 591 599 608 616 625 633
1,8 641 649 656 664 671 678 686 693 699 706
1,9 713 719 726 732 738 744 750 756 761 767
 Окончание табл. П2

Сотые дали для Z

Z
0 1 2 3 4 5 6 7 8 9
2,0 772 778 783 788 793 798 803 808 812 817
2,1 821 826 830 834 838 842 846 850 854 857
860 864 867 871 874 877 880 883 886 889
2,2
966 474 906 263 545 755 894 962 962 893
892 895 898 900 903 906 908 911 913 915
2,3
759 559 296 969 581 133 625 060 437 758
918 920 922 924 926 928 930 932 934 936
2,4
025 237 397 506 564 572 531 493 309 128
937 939 941 942 944 946 947 949 950 952
2,5
903 634 323 969 574 139 664 151 600 012

204
953 954 956 957 958 959 960 962 963 964
2,6
388 729 035 308 547 754 930 074 189 274
965 966 967 968 969 970 971 971 972 973
2,7
330 358 359 333 280 202 099 972 821 946
0,4974 975 975 976 977 978 978 979 980 980
2,8
449 229 988 726 443 140 818 476 116 730
981 981 982 983 983 984 984 985 985 986
2,9
342 929 498 052 589 111 618 110 588 051
986 986 987 987 988 988 988 989 989 989
3,0
501 938 361 772 171 558 933 297 650 992
990 990 990 991 991 991 992 992 992 992
3,1
324 646 957 260 553 836 112 378 636 886
993 993 993 993 994 994 994 994 994 996
3,2
129 363 590 810 024 230 429 623 810 991
 995 995 995 995 995 995 996 996 996 996
3,3
166 335 499 658 811 959 103 242 376 505
996 996 996 996 997 997 997 997 997 997
3,4
631 752 869 982 091 197 299 398 493 585
997 997 997 997 997 998 998 998 998 998
3,5
674 759 842 922 999 074 146 215 282 347
998 998 998 998 998 998 998 998 998 998
3,6
409 469 527 583 637 689 739 787 834 879
998 998 999 999 999 999 999 999 999 999
3,7
922 964 004 043 080 116 150 184 216 247
999 999 995 999 999 999 999 999 999 999
3,8
274 305 333 359 385 409 433 456 478 499
999 999 999 999 999 999 999 999 999 999
3,9
519 539 557 575 593 609 625 641 655 670

205
999 993 999 999 999 999 999 999 999 999
4,0
683 696 709 721 733 744 755 765 775 784
999 999 999 999 999 999 999 999 999 999
4,1
793 802 811 819 826 834 841 848 854 861
999 999 999 999 999 999 999 999 999 999
4,2
867 872 878 883 888 893 898 902 907 911
999 999 999 999 999 999 999 999 999 999
4,3
915 918 922 925 929 932 935 938 941 943
999 999 999 999 999 999 999 999 999 999
4,4
946 948 951 953 955 957 959 961 963 964
999 999 999 999 999 999 999 999 999 999
4,5
966 968 969 971 972 973 974 976 971 978
999
5,0
997
 Таблица П3
Значения квантилей Zα нормированного нормального распредления
F(Z; 0,1) = α (обратной функции Лапласа)
α 0 1 2 3 4 5 6 7 8 9
0,00 – –3,09 –2,88 –2,75 –2,65 –2,58 –2,51 –2,46 –2,41 –2,37
0,01 –2,33 –2,29 –2,26 –2,23 –2,20 –2,17 –2,14 –2,12 –2,10 –2,07
0,02 –2,05 –2,03 –2,01 –0,200 –1,98 –1,96 –1,94 –1,93 –1,91 –1,90
0,03 –1,88 –1,87 –1,85 –1,84 –1,83 –1,81 –1,80 –1,79 –1,77 –1,76
0,04 –1,75 –1,74 –1,73 –1,72 –1,71 –1,70 –1,68 –1,67 –1,66 –1,65
0,05 –1,64 –1,64 –1,63 –1,62 –1,61 –1,60 –1,59 –1,58 –1,57 –1,56
0,06 –1,55 –1,55 –1,54 –1,53 –1,52 –1,51 –1,51 –1,50 –1,49 –1,48

206
0,07 –1,48 –1,47 –1,46 –1,45 –1,45 –1,44 –1,43 –1,43 –1,42 –1,41
0,08 –1,41 –1,40 –1,39 –1,39 –1,38 –1,37 –1,37 –1,36 –1,35 –1,35
0,09 –1,34 –1,33 –1,33 –1,32 –1,32 –1,31 –1,30 –1,30 –1,29 –1,29
0,10 –1,28 –1,28 –1,27 –1,26 –1,26 –1,25 –1,25 –1,24 –1,24 –1,23
0,11 –1,23 –1,22 –1,22 –1,21 –1,21 –1,20 –1,20 –1,19 –1,19 –1,18
0,12 –1,18 –1,17 –1,17 –1,16 –1,16 –1,15 –1,15 –1,14 –1,14 –1,13
0,13 –1,13 –1,12 –1,12 –1,11 –1,11 –1,10 –1,10 –1,09 –1,09 –1,09
0,14 –1,08 –1,08 –1,07 –1,07 –1,06 –1,06 –1,05 –1,05 –1,05 –1,04
0,15 –1,04 –1,03 –1,03 –1,02 –1,02 –1,02 –1,01 –1,01 –1,00 –1,00
0,16 –0,99 –0,99 –0,99 –0,98 –0,98 –0,97 –0,97 –0,97 –0,96 –0,96
0,17 –0,95 –0,95 –0,95 –0,94 –0,94 –0,93 –0,93 –0,93 –0,92 –0,92
 0,18 –0,92 –0,91 –0,91 –0,90 –0,90 –0,90 –0,89 –0,89 –0,89 –0,88
0,19 –0,88 –0,87 –0,87 –0,87 –0,86 –0,86 –0,86 –0,85 –0,85 –0,85
0,20 –0,84 –0,84 –0,83 –0,83 –0,83 –0,82 –0,82 –0,82 –0,81 –0,81
0,21 –0,81 –0,80 –0,80 –0,80 –0,79 –0,79 –0,79 –0,78 –0,78 –0,78
0,22 –0,77 –0,77 –0,77 –0,76 –0,76 –0,76 –0,75 –0,75 –0,75 –0,74
0,23 –0,74 –0,74 –0,73 –0,73 –0,72 –0,72 –0,72 –0,72 –0,71 –0,71
0,24 –0,71 –0,70 –0,70 –0,70 –0,69 –0,69 –0,69 –0,68 –0,68 –0,68
0,25 –0,67 –0,67 –0,67 –0,67 –0,66 –0,66 –0,66 –0,65 –0,65 –0,65
0,26 –0,64 –0,64 –0,64 –0,63 –0,63 –0,63 –0,63 –0,62 –0,62 –0,62
0,27 –0,61 –0,61 –0,61 –0,60 –0,60 –0,60 –0,59 –0,59 –0,59 –0,59
0,28 –0,58 –0,58 –0,58 –0,57 –0,57 –0,57 –0,57 –0,56 –0,56 –0,56

207
0,29 –0,55 –0,55 –0,55 –0,54 –0,54 –0,54 –0,54 –0,53 –0,53 –0,53
0,30 –0,52 –0,52 –0,52 –0,52 –0,51 –0,51 –0,51 –0,50 –0,50 –0,50
0,31 –0,50 –0,49 –0,49 –0,49 –0,48 –0,48 –0,48 –0,48 –0,47 –0,47
0,32 –0,47 –0,46 –0,46 –0,46 –0,46 –0,45 –0,45 –0,45 –0,45 –0,44
0,33 –0,44 –0,44 –0,43 –0,43 –0,43 –0,43 –0,42 –0,42 –0,42 –0,42
0,34 –0,41 –0,41 –0,41 –0,40 –0,40 –0,40 –0,40 –0,39 –0,39 –0,39
0,35 –0,39 –0,38 –0,38 –0,38 –0,37 –0,37 –0,37 –0,37 –0,36 –0,36
0,36 –0,36 –0,36 –0,35 –0,35 –0,35 –0,35 –0,34 –0,34 –0,34 –0,33
0,37 –0,33 –0,33 –0,33 –0,32 –0,32 –0,32 –0,32 –0,31 –0,31 –0,31
0,38 –0,31 –0,30 –0,30 –0,30 –0,30 –0,29 –0,29 –0,29 –0,28 –0,28
0,39 –0,28 –0,28 –0,27 –0,27 –0,27 –0,27 –0,26 –0,26 –0,26 –0,26
 Продолжение табл. П3

α 0 1 2 3 4 5 6 7 8 9
0,40 –0,25 –0,25 –0,25 –0,25 –0,24 –0,24 –0,24 –0,24 –0,23 –0,23
0,41 –0,23 –0,23 –0,22 –0,22 –0,22 –0,21 –0,21 –0,21 –0,21 –0,20
0,42 –0,20 –0,20 –0,20 –0,19 –0,19 –019 –0,19 –0,18 –0,18 –0,18
0,43 –0,18 –0,17 –0,17 –0,17 –0,17 –0,16 –0,16 –0,16 –0,16 –0,15
0,44 –0,15 –0,15 –0,15 –0,14 –0,14 –0,14 –0,13 –0,13 –0,13 –0,13
0,45 –0,13 –0,12 –0,12 –0,12 –0,12 –0,11 –0,11 –0,11 –0,11 –0,10
0,46 –0,10 –0,10 –0,10 –0,09 –0,09 –0,09 –0,09 –0,08 –0,08 –0,88
0,47 –0,08 –0,07 –0,07 –0,07 –0,07 –0,06 –0,06 –0,06 –0,06 –0,05
0,48 –0,05 –0,05 –0,05 –0,04 –0,04 –0,04 –0,04 –0,03 –0,03 –0,03

208
0,49 –0,03 –0,02 –0,02 –0,02 –0,02 –0,01 –0,01 –0,01 –0,01 –0,00
0,50 0,00 0,00 0,01 0,01 0,01 0,01 0,02 0,02 0,02 0,02
0,51 0,03 0,03 0,03 0,03 0,04 0,04 0,04 0,04 0,05 0,05
0,52 0,05 0,05 0,06 0,06 0,06 0,06 0,07 0,07 0,07 0,07
0,53 0,08 0,08 0,08 0,08 0,09 0,09 0,09 0,09 0,10 0,10
0,54 0,10 0,10 0,11 0,11 0,11 0,11 0,12 0,12 0,12 0,12
0,55 0,13 0,13 0,13 0,13 0,14 0,14 0,14 0,14 0,15 0,15
0,56 0,15 0,15 0,16 0,16 0,16 0,16 0,17 0,17 0,17 0,17
0,57 0,18 0,18 0,18 0,18 0,18 0,19 0,19 0,19 0,20 0,20
0,58 0,20 0,20 0,21 0,21 0,21 0,21 0,22 0,22 0,22 0,23
0,59 0,23 0,23 0,23 0,24 0,24 0,24 0,24 0,25 0,25 0,25
 0,60 0,25 0,26 0,26 0,26 0,26 0,27 0,27 0,27 0,27 0,28
0,61 0,28 0,28 0,28 0,29 0,29 0,29 0,30 0,30 0,30 0,30
0,62 0,31 0,31 0,31 0,31 0,32 0,32 0,32 0,32 0,33 0,33
0,63 0,33 0,33 0,34 0,34 0,34 0,35 0,35 0,35 0,35 0,36
0,64 0,36 0,36 0,36 0,37 0,37 0,37 0,37 0,38 0,38 0,38
0,65 0,39 0,39 0,39 0,39 0,40 0,40 0,40 0,40 0,41 0,41
0,66 0,41 0,42 0,42 0,42 0,42 0,43 0,43 0,43 0,43 0,44
0,67 0,44 0,44 0,45 0,45 0,45 0,45 0,46 0,46 0,46 0,46
0,68 0,47 0,47 0,47 0,48 0,48 0,48 0,48 0,49 0,49 0,49
0,69 0,50 0,50 0,50 0,50 0,51 0,51 0,51 0,52 0,52 0,52
0,70 0,52 0,53 0,53 0,53 0,54 0,54 0,54 0,54 0,55 0,55

209
0,71 0,55 0,56 0,56 0,56 0,57 0,57 0,57 0,57 0,58 0,58
0,72 0,58 0,59 0,59 0,59 0,59 0,60 0,60 0,60 0,61 0,61
0,73 0,61 0,62 0,62 0,62 0,63 0,63 0,63 0,63 0,64 0,64
0,74 0,64 0,65 0,65 0,65 0,66 0,66 0,66 0,67 0,67 0,67
0,75 0,67 0,68 0,68 0,68 0,69 0,69 0,69 0,70 0,70 0,70
0,76 0,71 0,71 0,71 0,72 0,72 0,72 0,73 0,73 0,73 0,74
0,77 0,74 0,74 0,75 0,75 0,75 0,76 0,76 0,76 0,77 0,77
0,78 0,77 0,78 0,78 0,78 0,79 0,79 0,79 0,80 0,80 0,80
0,79 0,81 0,81 0,81 0,82 0,82 0,82 0,83 0,83 0,83 0,84
0,80 0,84 0,85 0,85 0,85 0,86 0,86 0,86 0,87 0,87 0,87
0,81 0,88 0,88 0,89 0,89 0,89 0,90 0,90 0,90 0,91 0,91
 Окончание табл. П3

α 0 1 2 3 4 5 6 7 8 9
0,82 0,92 0,92 0,92 0,93 0,93 0,93 0,94 0,94 0,95 0,95
0,83 0,95 0,96 0,96 0,97 0,97 0,97 0,98 0,98 0,99 0,99
0,84 0,99 1,00 1,00 1,01 1,01 1,02 1,02 1,02 1,03 1,03
0,85 1,04 1,04 1,05 1,05 1,05 1,06 1,06 1,07 1,07 1,08
0,86 1,08 1,09 1,09 1,09 1,10 1,10 1,11 1,11 1,12 1,12
0,87 1,13 1,13 1,14 1,14 1,15 1,15 1,16 1,16 1,17 1,17
0,88 1,18 1,18 1,19 1,19 1,20 1,20 1,21 1,21 1,22 1,22
0,89 1,23 1,23 1,24 1,24 1,25 1,25 1,26 1,26 1,27 1,27
0,90 1,28 1,29 1,29 1,30 1,30 1,31 1,32 1,32 1,33 1,33

210
0,91 1,34 1,35 1,35 1,36 1,37 1,37 1,38 1,39 1,39 1,40
0,92 1,41 1,41 1,42 1,43 1,43 1,44 1,45 1,45 1,46 1,47
0,93 1,48 1,48 1,49 1,50 1,51 1,51 1,52 1,53 1,54 1,54
0,94 1,55 1,56 1,57 1,58 1,59 1,60 1,61 1,62 1,63 1,64
0,95 1,64 1,65 1,66 1,67 1,68 1,70 1,71 1,72 1,73 1,74
0,96 1,75 1,76 1,77 1,79 1,80 1,81 1,83 1,84 1,85 1,87
0,97 1,88 1,90 1,91 1,93 1,94 1,96 1,98 2,00 2,01 2,03
0,98 2,05 2,07 2,10 2,12 2,14 2,17 2,20 2,23 2,26 2,29
0,99 2,33 2,37 2,41 2,46 2,51 2,58 2,65 2,75 2,88 3,09
 Таблица П4
Значения вероятности F(x) экспоненциального распределения P(x) = e–x
x 0 1 2 3 4 5 6 7 8 9
0,0 0,0 – 9900 9802 9704 9608 9512 9418 9324 9231 9139
0,1 0,0 9048 8958 8869 8781 8694 8607 8521 8437 8353 8270
0,2 0,0 8187 8106 8025 7945 7866 7788 7710 7634 7558 7483
0,3 0,0 7408 7334 7261 7189 7118 7047 6977 6907 6839 6771
0,4 0,0 6703 6636 6570 6505 6440 6376 6313 6250 6188 6126
0,5 0,0 6065 6005 5945 5886 5827 5770 5712 5655 5599 5543
0,6 0,0 5488 5433 5379 5325 5273 5220 5468 5117 5066 5016
0,7 0,0 4966 4916 4867 4819 4771 4724 4677 4630 4584 4538
0,8 0,0 4493 4449 4404 4360 4317 4274 4232 4189 4148 4107

211
0,9 0,0 4066 4025 3985 3945 3906 3867 3829 3791 3753 3716
1,0 0,0 3679 3642 3606 3570 3534 3499 3465 3430 3395 3362
1,1 0,0 3329 3296 3263 3230 3198 3166 3135 3104 3073 3042
1,2 0,0 3012 2982 2952 2923 2894 2865 2836 2808 2780 2753
1,3 0,0 2725 2698 2671 2645 2618 2592 2567 2541 2516 2491
1,4 0,0 2466 2441 2417 2393 2369 2346 2322 2299 2276 2254
1,5 0,0 2231 2209 2187 2165 2144 2122 2101 2080 2060 2039
1,6 0,0 2019 1999 1979 1959 1940 1920 1901 1882 1864 1845
1,7 0,0 1827 1809 1791 1773 1755 1738 1720 1703 1686 1670
1,8 0,0 1653 1636 1620 1604 1588 1572 1557 1541 1526 1511
1,9 0,0 1496 1481 1466 1451 1437 1423 1409 1395 1381 1367
2,0 0,0 1353 1340 1327 1313 1300 1287 1275 1262 1249 1237
 Окончание табл. П4

x 0 1 2 3 4 5 6 7 8 9
2,1 0,0 1225 1212 1200 1188 1177 1165 1153 1142 1130 1119
2,2 0,0 1108 1097 1086 1075 1065 1054 1043 1033 1023 1013
2,3 0,0 1003 993 983 973 963 954 944 935 926 916
2,4 0,0 9072 8981 8892 8804 8716 8629 8544 8458 8374 8291
2,5 0,0 8208 8127 8046 7966 7887 7808 7730 7654 7577 7502
2,6 0,0 7427 7354 7280 7208 7136 7065 6995 6825 6856 6788
2,7 0,0 6721 6654 6581 6522 6457 6393 6329 6266 6204 6142
2,8 0,0 6081 6020 5961 4901 5843 5784 5727 5670 4514 5558
2,9 0,0 5502 5448 5393 5340 5287 5234 5182 5130 5079 5029
3,0 0,0 4979 4929 4880 4832 4784 4736 4689 4642 4596 4550

212
3,1 0,0 4505 4460 4416 4372 4328 4285 4243 4200 4159 4117
3,2 0,0 4076 4036 3995 3956 3916 3877 3839 3801 3163 3725
3,3 0,0 3688 3652 3615 3519 3544 3508 3474 3439 3405 3371
3,4 0,0 3337 3304 3271 3239 3206 3175 3143 3112 3081 3050
3,5 0,0 3020 2990 2960 2930 2901 2872 2844 2816 2788 2760
3,6 0,0 2732 2705 2578 2652 2625 2399 2573 2548 2522 2497
3,7 0,0 2472 2448 2423 2399 2375 2352 2328 2305 2282 2260
3,8 0,0 2237 2215 2193 2171 2149 2128 2107 2086 2065 2044
3,9 0,0 2024 2004 1984 1964 1945 1925 1906 1887 1869 1850
4,0 0,0 1832 1813 1795 1777 1760 1742 1725 1708 1691 1674
4,1 0,0 1657 1641 1624 1608 1592 1576 1561 1545 1530 1515
4,2 0,0 1500 1485 1470 1455 1441 1426 1412 1398 1384 1370
 4,3 0,0 1357 1343 1330 1317 1304 1291 1278 1265 1253 1241
4,4 0,0 1228 1216 1203 1191 1180 1168 1156 1145 1133 1122
4,5 0,0 1111 1100 1089 1078 1067 1057 1046 1035 1025 1015
4,6 0,0 1005 995 985 975 966 956 947 937 928 919
4,7 0,00 9095 9005 8915 8826 8739 8652 8566 8480 8356 8312
4,8 0,00 8230 8148 8067 7985 7907 7828 7760 7573 7897 7521
4,9 0,00 7447 7372 7299 7226 7155 7083 7013 6943 6874 6806
5,0 0,00 6738 6671 6604 6639 6474 6409 6346 6282 6220 6158

x a b x a b x a b x a b
1,0 3,679 1 6 2,479 3 20 2,061 9 70 3,975 31
2,0 1,353 1 7 9,119 4 30 9,358 14 80 1,805 35

213
3,0 4,979 2 8 3,355 4 40 4,248 18 90 8,194 40
4,0 1,832 2 9 1,234 4 50 1,929 22 100 3,72 44
5,0 6,738 3 10 4,54 5 60 8,757 27

Таблица П5
Значения натуральных логарифмов xα = ln(1 – α)
1–α 0 1 2 3 4 5 6 7 8 9
0,01 4,6052 4,5099 4,4229 4,3428 4,2687 4,1997 4,1352 4,0746 4,0174 3,9633
0,02 3,9120 3,8633 3,8167 3,7623 3,7297 3,6889 3,6497 3,6019 3,5756 3,5305
0,03 3,5066 3,4638 3,5970 3,4013 3,3714 3,3444 3,3143 3,2969 3,2602 2,2342
0,04 3,2189 3,1942 3,1701 3,1501 3,2136 3,1011 3,0791 3,0576 3,0366 3,016
0,05 2,9957 2,976 2,9565 2,9375 2,9188 2,9005 2,8824 2,8647 2,8473 2,8202
 Окончание табл. П5

1–α 0 1 2 3 4 5 6 7 8 9
0,06 2,8134 2,7968 2,7807 2,7647 2,7489 2,7334 2,7181 2,7031 2,6883 2,6737
0,07 2,6593 2,6451 2,6301 2,6173 2,6037 2,5903 2,5771 2,5640 2,5501 2,5383
0,08 2,5257 2,5133 2,5011 2,4189 2,4770 2,4651 2,4434 2,4419 2,4304 2,4191
0,09 2,4079 2,3969 2,3860 2,3652 2,3645 2,3539 2,3434 2,3331 2,3228 2,3127
0,1 2,3026 2,2073 2,2103 2,0402 1,9661 1,8971 1,8326 1,7720 1,7148 1,6607
0,2 1,6094 1,5601 1,5141 1,4697 1,4271 1,3863 1,3471 1,3093 1,2730 1,2379
0,3 1,2040 1,1712 1,1394 1,1077 1,0788 1,0498 1,0217 0,9943 0,9676 0,9416
0,4 0,9163 0,8916 0,8775 0,8440 0,8210 0,7985 0,7765 0,7550 0,7340 0,7134
0,5 0,6931 0,6734 0,6539 0,6349 0,6162 0,5979 0,5798 0,5621 0,5447 0,5276
0,6 0,5108 0,4943 0,4781 0,4521 0,4413 0,4208 0,4155 0,4005 0,3857 0,3711
0,7 0,3567 0,3425 0,3285 0,3147 0,3011 0,2877 0,2745 0,2614 0,2485 0,2357
0,8 0,2231 0,2107 0,1985 0,1863 0,1744 0,1625 0,1508 0,1393 0,1278 0,1165

214
0,9 0,1054 0,0943 0,0834 0,0726 0,0619 0,0513 0,0408 0,0305 0,0202 0,0101
0,91 0,0943 0,0932 0,0921 0,0910 0,0899 0,0888 0,0877 0,0866 0,0856 0,0845
0,92 0,0834 0,0823 0,0812 0,0801 0,0790 0,0780 0,0769 0,0758 0,0747 0,0736
0,93 0,0726 0,0715 0,0704 0,0694 0,0683 0,0672 0,0661 0,0651 0,0640 0,0629
0,94 0,0619 0,0608 0,0598 0,0587 0,0576 0,0566 0,0555 0,0545 0,0534 0,0523
0,95 0,0513 0,0503 0,0492 0,0481 0,0471 0,0460 0,0450 0,0440 0,0429 0,0419
0,96 0,0408 0,0398 0,0387 0,0377 0,0367 0,0356 0,0346 0,0336 0,0325 0,0315
0,97 0,0305 0,0294 0,0284 0,0274 0,0263 0,0253 0,0243 0,0233 0,0222 0,0212
0,98 0,0202 0,0192 0,0182 0,0171 0,0161 0,0151 0,0141 0,0131 0,0121 0,0111
0,99 0,0101 0,0091 0,0080 0,0070 0,0060 0,0050 0,0040 0,0030 0,0020 0,0010
 Таблица 6
Значения вероятностей P(m; np) биномиального распределения P(m; np) = Cnmpm(1 – p)n–m
P
n 0,01 0,02 0,04 0,06 0,08 0,1 0,2 0,3 0,4 0,5
m
0 0,95099 0,90392 0,81537 0,73390 0,65908 0,59049 0,32768 0,16807 0,07776 0,03125 5
1 0,04803 0,09224 0,16987 0,23422 0,28656 0,32805 0,40960 0,36015 0,25920 0,15625 4
2 0,00097 0,00376 0,01416 0,02990 0,04984 0,07290 0,20480 0,30870 0,34560 0,31250 3
5 5
3 0,00001 0,00008 0,00059 0,00191 0,00433 0,00810 0,05120 0,13230 0,23040 0,31250 2
4 0,00001 0,00006 0,00019 0,00045 0,00640 0,02835 0,07680 0,15625 1
5 0,00001 0,00032 0,00243 0,01024 0,03125 0
0 0,90438 0,81707 0,66483 0,53862 0,43439 0,34868 0,10737 0,02825 0,00605 0,00098 10
1 0,09135 0,16675 0,27701 0,34380 0,37773 0,38742 0,26844 0,12106 0,04031 0,00977 9

215
2 0,00415 0,01531 0,05194 0,09875 0,14781 0,19371 0,30199 0,23347 0,12093 0,04395 8
3 0,00011 0,00083 0,00577 0,01681 0,03427 0,05740 0,20133 0,26683 0,21499 0,11719 7
4 0,00003 0,00042 0,00188 0,00522 0,01116 0,08808 0,20012 0,25082 0,20508 6
10 5 0,00002 0,00014 0,00054 0,00149 0,02642 0,10292 0,20066 0,24609 5 10
6 0,00001 0,00004 0,00014 0,00551 0,03676 0,11148 0,20508 4
7 0,00001 0,00079 0,00900 0,04247 0,11719 3
8 0,00007 0,00145 0,01062 0,04395 2
9 0,00014 0,00157 0,00977 1
10 0,00001 0,00010 0,00098 0
0 0,86006 0,73857 0,54209 0,39529 0,28630 0,20589 0,03518 0,00475 0,00047 0,00003 15
15 1 0,13031 0,22609 0,33880 0,37847 0,37343 0,34315 0,13194 0,03052 0,00470 0,00046 14 15
2 0,00921 0,03230 0,09882 0,16910 0,22731 0,26690 0,23090 0,09156 0,02194 0,00320 13
 Продолжение табл. П6
P
n 0,01 0,02 0,04 0,06 0,08 0,1 0,2 0,3 0,4 0,5
m
3 0,00040 0,00286 0,01784 0,04677 0,08565 0,12851 0,25014 0,17004 0,06339 0,01389 12
4 0,00001 0,00017 0,00223 0,00896 0,02234 0,04284 0,18760 0,21862 0,12678 0,04166 11
5 0,00001 0,00020 0,00126 0,00427 0,01047 0,10318 0,20613 0,18594 0,09164 10
6 0,00001 0,00013 0,00062 0,00194 0,04299 0,14724 0,20660 0,15274 9
7 0,00001 0,00007 0,00028 0,01382 0,08113 0,17708 0,19638 8
8 0,00001 0,00003 0,00345 0,03477 0,11806 0,19638 7
15 9 0,00067 0,01159 0,06121 0,15274 6 15
10 0,00010 0,00298 0,02449 0,09164 5
11 0,00001 0,00058 0,00742 0,04166 4
12 0,00008 0,00165 0,01389 3

216
13 0,00001 0,00025 0,00320 2
14 0,00002 0,00046 1
15 0,00003 0
0 0,81791 0,66761 0,44200 0,29011 0,18869 0,12158 0,01153 0,00080 0,00004 20
1 0,16523 0,27249 0,36834 0,37035 0,32816 0,27017 0,05765 0,00684 0,00049 0,00002 19
2 0,01586 0,05283 0,14580 0,22457 0,27109 0,28518 0,13691 0,02785 0,00309 0,00018 18
3 0,00096 0,00647 0,03645 0,08601 0,14144 0,19012 0,20536 0,07160 0,01235 0,00109 17
20 4 0,00004 0,00056 0,00645 0,02333 0,05227 0,08978 0,21820 0,13042 0,03499 0,00462 16 20
5 0,00004 0,00086 0,00477 0,01454 0,03192 0,17456 0,17886 0,07465 0,01479 15
6 0,00009 0,00076 0,00316 0,00887 0,10910 0,19164 0,12441 0,03696 14
7 0,00001 0,00010 0,00055 0,00197 0,05455 0,16426 0,16588 0,07393 13
8 0,00001 0,00008 0,00036 0,02216 0,11440 0,17971 0,12013 12
 9 0,00001 0,00005 0,00739 0,06537 0,15974 0,16018 11
10 0,00001 0,00203 0,03082 0,11714 0,17620 10
11 0,00046 0,01201 0,07099 0,16018 9
12 0,00009 0,00386 0,03550 0,12013 8
13 0,00001 0,00102 0,01456 0,07393 7
14 0,00022 0,00485 0,03696 6
20 20
15 0,00004 0,00129 0,01479 5
16 0,00001 0,00027 0,00462 4
17 0,00004 0,00109 3
18 0,00018 2
19 0,00002 1
20 0
n

217
0,99 0,98 0,96 0,94 0,92 0,9 0,8 0,7 0,6 0,5
P
P
n 0,01 0,02 0,04 0,06 0,08 0,1 0,2 0,3 0,4 0,5
m
0 0,77782 0,60346 0,36040 0,21291 0,12436 0,07179 0,00378 0,00013 0,00000 0,00000 25
1 0,19642 0,30789 0,37541 0,33975 0,27036 0,19942 0,02361 0,00144 0,00005 0,00000 24
2 0,02381 0,07540 0,18771 0,26023 0,28211 0,26589 0,07084 0,00739 0,00038 0,00001 23
3 0,00184 0,01180 0,05996 0,12735 0,18807 0,22650 0,13577 0,02428 0,00194 0,00007 22
25 4 0,00010 0,00132 0,01374 0,04471 0,08995 0,13842 0,18668 0,05723 0,00710 0,00038 21 25
5 0,00011 0,00240 0,01199 0,03285 0,06459 0,19602 0,10302 0,01989 0,00158 20
6 0,00001 0,00033 0,00255 0,00952 0,02392 0,16335 0,14717 0,04420 0,00528 19
7 0,00004 0,00044 0,00225 0,00722 0,11084 0,17119 0,07999 0,01433 18
8 0,00006 0,00044 0,00180 0,06235 0,16508 0,11998 0,03223 17
 Окончание табл. П6

P
n 0,01 0,02 0,04 0,06 0,08 0,1 0,2 0,3 0,4 0,5
m
9 0,00001 0,00007 0,00038 0,02944 0,13364 0,15109 0,06089 16
10 0,00001 0,00007 0,01178 0,09164 0,16116 0,09742 15
11 0,00001 0,00401 0,05355 0,14651 0,13284 14

12 0,00117 0,02678 0,11395 0,15498 13

13 0,00029 0,01148 0,07597 0,15498 12
14 0,00006 0,00422 0,04341 0,13284 11
25 15 0,00001 0,00132 0,02122 0,09742 10 25

218
16 0,00035 0,00884 0,06089 9
17 0,00008 0,00312 0,03223 8
18 0,00002 0,00092 0,01433 7
19 0,00023 0,00528 6
20 0,00005 0,00158 5
21 0,00001 0,00038 4
22 0,00007 3
23 0,00001 2
0 0,73970 0,54548 0,29386 0,15626 0,08197 0,04239 0,00124 0,00002 30
1 0,22415 0,33397 0,36732 0,29921 0,21382 0,14130 0,00928 0,00029 29
30 30
2 0,03283 0,09883 0,22192 0,27693 0,26961 0,22766 0,03366 0,00180 0,00004 28
3 0,00310 0,01882 0,08630 0,16498 0,21881 0,23609 0,07853 0,00720 0,00027 27
 4 0,00021 0,00259 0,02427 0,07108 0,12843 0,17707 0,13252 0,02084 0,00120 0,00003 26
5 0,00001 0,00028 0,00526 0,02359 0,05807 0,10230 0,17228 0,04644 0,00415 0,00013 25
6 0,00002 0,00091 0,00627 0,02104 0,04736 0,17946 0,08293 0,01152 0,00055 24
7 0,00013 0,00137 0,00627 0,01804 0,15382 0,12185 0,02634 0,00190 23
8 0,00002 0,00025 0,00157 0,00576 0,11056 0,15014 0,05049 0,00545 22
9 0,00004 0,00033 0,00157 0,06756 0,15729 0,08228 0,01332 21
10 0,00001 0,00006 0,00037 0,03547 0,14156 0,11519 0,02798 20
11 0,00001 0,00007 0,01612 0,11031 0,13962 0,05088 19
12 0,00001 0,00638 0,07485 0,14738 0,08055 18
13 0,00221 0,04442 0,13604 0,11154 17
14 0,00067 0,02312 0,11013 0,13544 16
30 15 0,00018 0,01057 0,07831 0,14446 15 30
16 0,00004 0,00425 0,04895 0,13544 14

219
17 0,00001 0,00150 0,02687 0,11154 13
18 0,00046 0,01294 0,08055 12
19 0,00013 0,00545 0,05088 11
20 0,00003 0,00200 0,02798 10
21 0,00001 0,00063 0,01332 9
22 0,00017 0,00545 8
23 0,00004 0,00190 7
24 0,00001 0,00055 6
25 0,00013 5
26 0,00003 4
n
0,99 0,98 0,96 0,94 0,92 0,9 0,8 0,7 0,6 0,5
P
 Таблица П7
t α ;K
Значения функции F(t) = α распределения Стьюдента F (t α ; K ) = ∫ f K (t ) dt
−∞

K
1 2 3 4 5 6 7 8 9 10
t
0,0 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000
0,1 0,53173 0,53527 0,53667 0,53742 0,53788 0,53820 0,53843 0,53860 0,53873 0,53884
0,2 0,56283 0,57001 0,57286 0,57438 0,57532 0,57596 0,57642 0,57676 0,57704 0,57726
0,3 0,59277 0,60376 0,60812 0,61044 0,61188 0,61285 0,61355 0,61409 0,61450 0,61484
0,4 0,62112 0,63608 0,64203 0,64520 0,64716 0,64850 0,64946 0,65019 0,65076 0,65122
0,5 0,64758 0,66667 0,67428 0,67834 0,68085 0,68256 0,68380 0,68473 0,68546 0,68605

220
0,6 0,67202 0,69528 0,70460 0,70958 0,71267 0,71477 0,71629 0,71744 0,71835 0,71907
0,7 0,69440 0,72180 0,73284 0,73875 0,74243 0,74493 0,74674 0,74811 0,74919 0,75006
0,8 0,71478 0,74618 0,75890 0,76574 0,76999 0,77289 0,77500 0,77659 0,77784 0,77885
0,9 0,73326 0,76845 0,78277 0,79050 0,79531 0,79860 0,80099 0,80280 0,80422 0,80536
1,0 0,75000 0,78868 0,80450 0,81305 0,81839 0,82204 0,82469 0,82670 0,82828 0,82955
1,1 0,76515 0,80698 0,82416 0,83346 0,83927 0,84325 0,84614 0,84834 0,85006 0,85145
1,2 0,77886 0,82350 0,84187 0,85182 0,85805 0,86232 0,86541 0,86777 0,86961 0,87110
1,3 0,79129 0,83838 0,85777 0,86827 0,87485 0,87935 0,88262 0,88510 0,88705 0,88862
1,4 0,80257 0,85176 0,87200 0,88295 0,88980 0,89448 0,89788 0,90046 0,90249 0,90412
1,5 0,81283 0,86380 0,88471 0,89600 0,90305 0,90786 0,91135 0,91400 0,91607 0,91775
1,6 0,82219 0,87463 0,89605 0,90758 0,91475 0,91964 0,92318 0,92587 0,92797 0,92966
 1,7 0,83075 0,88438 0,90615 0,91782 0,92506 0,92998 0,93354 0,93622 0,93833 0,94002
1,8 0,83859 0,89317 0,91516 0,92688 0,93412 0,93902 0,94256 0,94522 0,94730 0,94897
1,9 0,84579 0,90109 0,92318 0,93488 0,94207 0,94692 0,95040 0,95302 0,95506 0,95669
2,0 0,85242 0,90825 0,93034 0,94194 0,94903 0,95379 0,95719 0,95974 0,96172 0,96331
2,1 0,85854 0,91473 0,93672 0,94817 0,95512 0,95976 0,96306 0,96553 0,96744 0,96896
2,2 0,86420 0,92060 0,94241 0,95367 0,96045 0,96495 0,96813 0,97050 0,97233 0,97378
2,3 0,86945 0,92593 0,94751 0,95853 0,96511 0,96945 0,97250 0,97476 0,97650 0,97787
2,4 0,87433 0,93077 0,95206 0,96282 0,96919 0,97335 0,97627 0,97841 0,98005 0,98134
2,5 0,87888 0,93519 0,95615 0,96662 0,97275 0,97674 0,97950 0,98153 0,98307 0,98428
2,6 0,88312 0,93923 0,95981 0,96998 0,97588 0,97967 0,98229 0,98419 0,98563 0,98675
2,7 0,88709 0,94292 0,96311 0,97295 0,97861 0,98221 0,98468 0,98646 0,98780 0,98884
2,8 0,89081 0,94630 0,96607 0,97559 0,98100 0,98442 0,98674 0,98840 0,98964 0,99060

221
2,9 0,89430 0,94941 0,96875 0,97794 0,98310 0,98633 0,98851 0,99005 0,99120 0,99208
3,0 0,89758 0,95227 0,97117 0,98003 0,98495 0,98800 0,99003 0,99146 0,99252 0,99333
3,1 0,90067 0,95490 0,97335 0,98189 0,98657 0,98944 0,99134 0,99267 0,99364 0,99437
3,2 0,90359 0,95733 0,97533 0,98355 0,98800 0,99070 0,99247 0,99369 0,99458 0,99525
3,3 0,90634 0,95958 0,97713 0,98503 0,98926 0,99180 0,99344 0,99457 0,99539 0,99599
3,4 0,90895 0,96166 0,97877 0,98636 0,99037 0,99275 0,99428 0,99532 0,99606 0,99661
3,5 0,91141 0,96359 0,98026 0,98755 0,99136 0,99359 0,99500 0,99596 0,99664 0,99714
3,6 0,91375 0,96538 0,98162 0,98862 0,99223 0,99432 0,99563 0,99651 0,99713 0,99758
3,7 0,91598 0,96705 0,98286 0,98958 0,99300 0,99496 0,99617 0,99698 0,99754 0,99795
3,8 0,91809 0,96860 0,98400 0,99045 0,99369 0,99552 0,99664 0,99738 0,99789 0,99826
3,9 0,92010 0,97005 0,98504 0,99123 0,99430 0,99601 0,99705 0,99773 0,99819 0,99852
 Продолжение табл. П7
K
1 2 3 4 5 6 7 8 9 10
t
4,0 0,92202 0,97140 0,98600 0,99193 0,99484 0,99644 0,99741 0,99803 0,99844 0,99874
4,2 0,92560 0,97386 0,98768 0,99315 0,99576 0,99716 0,99798 0,99850 0,99885 0,99909
4,4 0,92887 0,97602 0,98912 0,99415 0,99649 0,99772 0,99842 0,99886 0,99914 0,99933
4,6 0,93186 0,97792 0,99034 0,99498 0,99708 0,99815 0,99876 0,99912 0,99935 0,99951
4,8 0,93462 0,97962 0,99140 0,99568 0,99756 0,99850 0,99902 0,99932 0,99951 0,99964
5,0 0,93717 0,98113 0,99230 0,99625 0,99795 0,99877 0,99922 0,99947 0,99963 0,99973
5,2 0,93952 0,98248 0,99309 0,99674 0,99827 0,99899 0,99937 0,99959 0,99972 0,99980
5,4 0,94171 0,98369 0,99378 0,99715 0,99853 0,99917 0,99950 0,99968 0,99978 0,99985
5,6 0,94375 0,98478 0,99437 0,99750 0,99875 0,99931 0,99959 0,99974 0,99983 0,99989

222
5,8 0,94565 0,98577 0,99490 0,99780 0,99893 0,99942 0,99967 0,99980 0,99987 0,99991
6,0 0,94743 0,98666 0,99536 0,99806 0,99908 0,99952 0,99973 0,99984 0,99990 0,99993
6,2 0,94910 0,98748 0,99577 0,99828 0,99920 0,99959 0,99978 0,99987 0,99992 0,99995
6,4 0,95066 0,98822 0,99614 0,99847 0,99931 0,99966 0,99982 0,99990 0,99994 0,99996
6,6 0,95214 0,98890 0,99646 0,99863 0,99940 0,99971 0,99985 0,99992 0,99995 0,99997
6,8 0,95352 0,98953 0,99675 0,99878 0,99948 0,99975 0,99987 0,99993 0,99996 0,99998
7,0 0,95483 0,99010 0,99701 0,99890 0,99954 0,99979 0,99989 0,99994 0,99997 0,99998
7,2 0,95607 0,99063 0,99724 0,99901 0,99960 0,99982 0,99991 0,99995 0,99997 0,99999
7,4 0,95724 0,99111 0,99745 0,99911 0,99965 0,99984 0,99993 0,99996 0,99998 0,99999
7,6 0,95836 0,99156 0,99764 0,99920 0,99969 0,99986 0,99994 0,99997 0,99998 0,99999
7,8 0,95941 0,99198 0,99781 0,99927 0,99972 0,99988 0,99995 0,99997 0,99999 0,99999
8,0 0,96042 0,99237 0,99796 0,99934 0,99975 0,99990 0,99995 0,99998 0,99999 0,99999
 K
11 12 13 14 15 16 17 18 19 20
t
0,0 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000 0,50000
0,1 0,53893 0,53900 0,53906 0,53912 0,53917 0,53921 0,53924 0,53928 0,53930 0,53933
0,2 0,57743 0,57759 0,57771 0,57782 0,57792 0,57800 0,57807 0,57814 0,57820 0,57825
0,3 0,61511 0,61534 0,61554 0,61571 0,61585 0,61598 0,61609 0,61619 0,61628 0,61636
0,4 0,65159 0,65191 0,65217 0,65240 0,65260 0,65278 0,65293 0,65307 0,65319 0,65330
0,5 0,68654 0,68694 0,68728 0,68758 0,68783 0,68806 0,68826 0,68843 0,68859 0,68873
0,6 0,71967 0,72017 0,72059 0,72095 0,72127 0,72155 0,72179 0,72201 0,72220 0,72238
0,7 0,75077 0,75136 0,75187 0,75230 0,75268 0,75301 0,75330 0,75356 0,75379 0,75400
0,8 0,77968 0,78037 0,78096 0,78146 0,78190 0,78229 0,78263 0,78293 0,78320 0,78344
0,9 0,80630 0,80709 0,80776 0,80833 0,80883 0,80927 0,80965 0,81000 0,81031 0,81059

223
1,0 0,83060 0,83148 0,83222 0,83286 0,83341 0,83390 0,83433 0,83472 0,83506 0,83537
1,1 0,85259 0,85355 0,85436 0,85506 0,85566 0,85620 0,85667 0,85709 0,85746 0,85780
1,2 0,87233 0,87335 0,87422 0,87497 0,87563 0,87620 0,87670 0,87715 0,87756 0,87792
1,3 0,88991 0,89099 0,89191 0,89270 0,89339 0,89399 0,89452 0,89500 0,89542 0,89581
1,4 0,90546 0,90658 0,90754 0,90836 0,90907 0,90970 0,91025 0,91074 0,91118 0,91158
1,5 0,91912 0,92027 0,92125 0,92209 0,92282 0,92346 0,92402 0,92452 0,92498 0,92538
1,6 0,93105 0,93221 0,93320 0,93404 0,93478 0,93542 0,93599 0,93650 0,93695 0,93736
1,7 0,94140 0,94256 0,94354 0,94439 0,94512 0,94576 0,94632 0,94683 0,94728 0,94768
1,8 0,95034 0,95148 0,95245 0,95328 0,95400 0,95463 0,95518 0,95568 0,95612 0,95652
1,9 0,95802 0,95914 0,96008 0,96089 0,96158 0,96220 0,96273 0,96321 0,96364 0,96403
2,0 0,96460 0,96567 0,96658 0,96736 0,96803 0,96861 0,96913 0,96959 0,97000 0,97037
2,1 0,97020 0,97123 0,97209 0,97283 0,97347 0,97403 0,97452 0,97495 0,97534 0,97569
 Окончание табл. П7

K
11 12 13 14 15 16 17 18 19 20
t
2,2 0,97496 0,97593 0,97675 0,97745 0,97805 0,97858 0,97904 0,97945 0,97981 0,98014
2,3 0,97898 0,97990 0,98067 0,98132 0,98189 0,98238 0,98281 0,98319 0,98352 0,98383
2,4 0,98238 0,98324 0,98396 0,98457 0,98509 0,98554 0,98594 0,98629 0,98660 0,98688
2,5 0,98525 0,98604 0,98671 0,98727 0,98775 0,98816 0,98853 0,98885 0,98913 0,98938
2,6 0,98765 0,98839 0,98900 0,98951 0,98995 0,99033 0,99066 0,99095 0,99121 0,99144
2,7 0,98967 0,99035 0,99090 0,99137 0,99177 0,99211 0,99241 0,99267 0,99291 0,99311
2,8 0,99136 0,99198 0,99249 0,99291 0,99327 0,99358 0,99385 0,99408 0,99429 0,99447
2,9 0,99278 0,99334 0,99380 0,99418 0,99450 0,99478 0,99502 0,99523 0,99541 0,99557
3,0 0,99396 0,99447 0,99488 0,99522 0,99551 0,99576 0,99597 0,99616 0,99632 0,99646

224
3,1 0,99495 0,99541 0,99578 0,99608 0,99634 0,99656 0,99675 0,99691 0,99705 0,99718
3,2 0,99577 0,99618 0,99652 0,99679 0,99702 0,99721 0,99738 0,99752 0,99764 0,99775
3,3 0,99646 0,99683 0,99713 0,99737 0,99757 0,99774 0,99788 0,99801 0,99812 0,99821
3,4 0,99704 0,99737 0,99763 0,99784 0,99802 0,99817 0,99830 0,99840 0,99850 0,99858
3,5 0,99751 0,99781 0,99804 0,99823 0,99839 0,99852 0,99863 0,99872 0,99880 0,99887
3,6 0,99792 0,99818 0,99838 0,99855 0,99869 0,99880 0,99890 0,99898 0,99905 0,99911
3,7 0,99825 0,99848 0,99866 0,99881 0,99893 0,99903 0,99911 0,99918 0,99924 0,99929
3,8 0,99853 0,99874 0,99890 0,99902 0,99913 0,99921 0,99928 0,99934 0,99940 0,99944
3,9 0,99876 0,99894 0,99909 0,99920 0,99929 0,99936 0,99942 0,99948 0,99952 0,99956
4,0 0,99896 0,99912 0,99924 0,99934 0,99942 0,99948 0,99954 0,99958 0,99962 0,99965
4,2 0,99926 0,99938 0,99948 0,99955 0,99961 0,99966 0,99970 0,99973 0,99976 0,99978
4,4 0,99947 0,99957 0,99964 0,99970 0,99974 0,99978 0,99980 0,99983 0,99985 0,99986
 4,6 0,99962 0,99969 0,99975 0,99979 0,99983 0,99985 0,99987 0,99989 0,99990 0,99991
4,8 0,99972 0,99978 0,99983 0,99986 0,99988 0,99990 0,99992 0,99993 0,99994 0,99995
5,0 0,99980 0,99985 0,99988 0,99990 0,99992 0,99993 0,99995 0,99995 0,99996 0,99997
5,2 0,99985 0,99989 0,99991 0,99993 0,99995 0,99996 0,99996 0,99997 0,99997 0,99998
5,4 0,99989 0,99992 0,99994 0,99995 0,99996 0,99997 0,99998 0,99998 0,99998 0,99999
5,6 0,99992 0,99994 0,99996 0,99997 0,99997 0,99998 0,99998 0,99999 0,99999 0,99999
5,8 0,99994 0,99996 0,99997 0,99998 0,99998 0,99999 0,99999 0,99999 0,99999 0,99999
6,0 0,99996 0,99997 0,99998 0,99998 0,99999 0,99999 0,99999 0,99999
6,2 0,99997 0,99998 0,99998 0,99999 0,99999 0,99999
6,4 0,99997 0,99998 0,99999 0,99999 0,99999
6,6 0,99998 0,99999 0,99999 0,99999
6,8 0,99999 0,99999 0,99999

225
7,0 0,99999 0,99999

Таблица П7а
Верхние процентные точки распределения Стьюдента

K
1 2 3 4 5 6 7 8 9 10
t
0,001000 318,3 22,33 10,21 7,17 5,89 5,21 4,79 4,50 4,30 4,14
0,000100 3183 70,7 22,20 13,03 9,68 8,02 7,06 6,44 6,01 5,69
0,000010 31831 224 47,91 23,33 15,54 12,03 10,11 8,90 8,10 7,53
0,000005 63652 316 60,40 27,82 17,89 13,55 11,22 9,79 8,83 8,15
 Таблица П8

Значения квантилей tα;K и t α распределения Стьюдента для уровней значимости

;K
2
K +1 K +1
∞ − ∞ −
⎛ t2 ⎞ 2 α ⎛ t2 ⎞ 2
α = BK ∫ dt и = BK ∫ dt
t α ;K
⎜⎝1 + 2 ⎠⎟ 2 t
⎜⎝1 + 2 ⎟⎠
α
;K
2

Двухсторонние интервалы (α/2) – t α

;K
2

k 0,5 0,2 0,1 0,05 0,02 0,01

Односторонние интервалы (α) – tα;K
0,25 0,1 0,02 0,025 0,01 0,005

226
1 1 3,0777 6,3138 12,7062 31,8205 63,6567
2 0,8165 1,8856 2,9200 4,3027 6,9646 9,9248
3 0,7649 1,6377 2,3534 3,1824 4,5407 5,8409
4 0,7407 1,5332 2,1318 2,7764 3,7469 4,6041
5 0,7267 1,4759 2,0150 2,5706 3,3649 4,0321
6 0,7176 1,4398 1,9432 2,4469 3,1427 3,7074
7 0,7111 1,4149 1,8946 2,3646 2,998 3,4995
8 0,7064 1,3968 1,8595 2,306 2,8965 3,3554
9 0,7027 1,3830 1,8331 2,2622 2,8214 3,2498
10 0,6998 1,3722 1,8125 2,2281 2,7638 3,1693
11 0,6974 1,3634 1,7959 2,201 2,7181 3,1058
12 0,6955 1,3562 1,7823 2,1788 2,681 3,0545
 13 0,5938 1,3502 1,7709 2,1604 2,6503 3,0123
14 0,6924 1,3450 1,7613 2,1448 2,6245 2,9768
15 0,6912 1,3406 1,7530 2,1314 2,6025 2,9467
16 0,6901 1,3368 1,7459 2,1199 2,5835 2,9208
17 0,6892 1,3334 1,7396 2,1098 2,5669 2,8982
18 0,6884 1,3304 1,7341 2,1009 2,5524 2,8784
19 0,6876 1,3277 1,7291 2,0930 2,5395 2,8609
20 0,6870 1,3253 1,7247 2,0860 2,5280 2,8453
21 0,6864 1,3232 1,7207 2,0796 2,5176 2,8314
22 0,6858 1,3212 1,7171 2,0739 2,5083 2,8188
23 0,6853 1,3195 1,7139 2,0687 2,4999 2,8073
24 0,6848 1,3178 1,7109 2,0639 2,4922 2,7969
25 0,6844 1,3163 1,7081 2,0595 2,4851 2,7874

227
26 0,6840 1,3150 1,7056 2,0555 2,4786 2,7787
27 0,6837 1,3137 1,7033 2,0518 2,4727 2,7707
28 0,6834 1,3125 1,7011 2,0484 2,4671 2,7633
29 0,6830 1,3114 1,6991 2,0452 2,4620 2,7564
30 0,6828 1,3104 1,6973 2,0423 2,4573 2,7500
32 0,6822 1,3086 1,6939 2,0369 2,4487 2,7385
34 0,6818 1,0307 1,6909 2,0322 2,4411 2,7284
36 0,6814 1,3055 1,6883 2,0281 2,4345 2,7195
38 0,6810 1,3042 1,6860 2,0244 2,4286 2,7116
40 0,6807 1,3031 1,6839 2,0211 2,4233 2,7045
42 0,6804 1,3020 1,6820 2,0181 2,4185 2,6981
44 0,6801 1,3011 1,6802 2,0154 2,4141 2,6923
 Окончание табл. П8

Двухсторонние интервалы (α/2) – t α

;K
2

k 0,5 0,2 0,1 0,05 0,02 0,01

Односторонние интервалы (α) – tα;K
0,25 0,1 0,02 0,025 0,01 0,005
46 0,6799 1,3002 1,6787 2,0129 2,4102 2,6870
48 0,6796 1,2994 1,6772 2,0106 2,4066 2,6822
50 0,6794 1,2987 1,6759 2,0086 2,4033 2,6778
55 0,6790 1,2971 1,6730 2,0040 2,3961 2,6682
60 0,6786 1,2958 1,6706 2,0003 2,3901 2,6603
65 0,6783 1,2947 1,6686 1,9971 2,3851 2,6536

228
70 0,6780 1,2938 1,6669 1,9944 2,3808 2,6479
80 0,6776 1,2922 1,6641 1,9901 2,3739 2,6387
90 0,6772 1,2910 1,6620 1,9867 2,3685 2,6316
100 0,6770 1,2901 1,6602 1,9840 2,3642 2,6259
120 0,6765 1,2886 1,6577 1,9799 2,3578 2,6174
150 0,6761 1,2872 1,6551 1,9759 2,3515 2,6090
200 0,6757 1,2858 1,6525 1,9719 2,3451 2,6006
250 0,6755 1,2849 1,6510 1,9695 2,3414 2,5956
300 0,6753 1,2844 1,6499 1,9679 2,3388 2,5923
400 0,6751 1,2837 1,6487 1,9659 2,3357 2,5882
500 0,6750 1,2832 1,6479 1,9647 2,3338 2,5857
 Таблица П9
∞
Значения верхнего предела x2α;K χ2 распределения в зависимости от вероятностей p( x 2 > xα2 ;k ) = ∫ f (x2 )d(x 2 ) = 1 − α
xα2 ;k

и числа степеней свободы K

Уровни значимости
K
0,99 0,975 0,95 0,9 0,8 0,2 0,1 0,05 0,025 0,01
1 0,03157 0,03982 0,02393 0,0158 0,0642 1,648 2,706 3,841 5,024 6,635
2 0,0201 0,0506 0,103 0,211 0,446 3,219 4,605 5,991 7,378 9,21
3 0,115 0,216 0,352 0,584 1,005 4,642 6,251 7,815 9,348 11,346
4 0,297 0,484 0,711 1,064 1,649 5,989 7,779 9,488 11,143 13,277
5 0,554 0,831 1,145 1,610 2,343 7,289 9,236 11,070 12,832 15,085

229
6 0,872 1,237 1,635 2,204 3,070 8,558 10,545 12,592 14,449 16,812
7 1,239 1,690 2,167 2,833 3,822 9,803 12,017 14,067 16,013 18,475
8 1,646 2,180 2,733 3,400 4,594 11,030 13,362 15,507 17,535 20,090
9 2,088 2,700 3,325 4,168 5,380 12,242 14,684 16,919 19,023 21,666
10 2,558 3,247 3,940 4,865 6,179 13,442 15,987 18,307 20,483 23,209
11 3,053 3,816 4,575 5,578 6,989 14,631 17,275 19,675 21,920 24,726
12 3,571 4,404 5,226 6,304 7,807 15,812 18,549 21,026 23,336 26,217
13 4,107 5,009 5,892 7,042 8,634 16,985 19,812 22,362 24,736 27,688
14 4,660 5,629 6,571 7,790 9,467 18,151 21,064 23,685 26,119 29,141
15 5,229 6,262 7,261 8,547 10,307 19,311 22,307 24,996 27,488 30,578
16 5,812 6,908 7,962 9,312 11,152 20,465 23,542 26,296 28,845 32,000
 Продолжение табл. П9

Уровни значимости
K
0,99 0,975 0,95 0,9 0,8 0,2 0,1 0,05 0,025 0,01
17 5,408 7,564 8,672 10,085 12,002 21,615 24,769 27,587 30,191 33,409
18 7,015 8,231 9,390 10,865 12,857 22,760 25,989 28,869 31,526 34,805
19 7,633 8,907 10,117 11,651 13,716 23,900 27,204 30,144 32,852 36,191
20 8,260 9,591 10,851 12,443 14,578 25,038 28,412 31,410 34,170 37,566
21 8,897 10,283 11,591 13,240 15,445 26,171 29,615 32,671 35,479 38,932
22 9,542 10,982 12,338 14,041 16,314 27,301 30,813 33,924 36,781 40,289
23 10,196 11,688 13,091 14,848 17,187 28,429 32,007 35,172 38,076 41,638
24 10,856 12,401 13,848 15,659 18,062 29,553 33,196 36,415 39,364 42,980

230
25 11,524 13,120 14,611 16,473 18,940 30,675 34,382 37,652 40,646 44,314
26 12,198 13,844 15,379 17,292 19,820 31,795 35,563 38,885 41,923 45,642
27 12,879 14,573 16,151 18,114 20,703 32,912 36,741 40,113 43,194 46,963
28 13,565 15,308 16,928 18,939 21,588 34,027 37,916 41,337 44,461 48,218
29 14,256 16,047 17,708 19,768 22,475 35,139 39,087 42,557 45,722 49,588
30 14,953 16,791 18,493 20,599 23,364 36,250 40,256 43,773 46,979 50,892
31 15,655 17,539 19,281 21,434 24,255 37,359 41,422 44,985 48,232 52,191
32 16,362 18,291 20,072 22,271 25,148 38,466 42,585 46,194 49,480 53,486
33 17,073 19,047 20,867 23,110 26,042 39,572 43,745 47,400 50,725 54,116
34 17,789 19,806 21,664 23,952 26,938 40,676 44,903 48,602 51,966 56,061
35 18,509 20,569 22,465 24,797 27,836 41,778 46,059 49,802 53,203 57,342
 36 19,233 21,336 23,269 25,643 28,735 42,879 47,212 50,998 54,437 58,619
37 19,960 22,106 24,075 26,492 29,635 43,978 48,363 52,192 55,668 59,892
38 20,691 22,878 24,884 27,343 30,537 45,076 49,513 53,384 56,895 61,162
39 21,426 23,654 25,695 28,196 31,441 46,173 50,660 54,572 58,120 62,428
40 22,164 24,433 26,509 29,061 32,345 47,269 51,806 55,758 59,342 63,691
41 22,906 25,215 27,326 29,907 33,251 48,363 52,949 56,942 60,610 64,950
42 23,650 25,999 28,144 30,765 34,157 49,456 54,090 58,124 61,777 66,206
43 24,398 26,785 28,966 31,625 35,065 50,548 55,230 59,304 62,990 67,459
44 25,148 27,575 29,787 32,487 35,974 51,639 56,369 60,481 64,201 68,709
45 25,901 28,366 30,612 33,350 36,884 52,729 57,505 61,656 65,410 69,957
46 26,657 29,160 31,439 34,215 37,795 53,818 58,641 62,830 66,617 71,201

231
47 27,416 29,956 32,268 35,081 38,708 54,906 59,774 64,001 67,821 72,443
48 28,177 30,755 33,098 35,949 39,621 55,993 60,907 65,171 69,023 73,683
49 28,941 31,555 33,930 36,818 40,534 57,079 62,038 66,339 70,222 74,919
50 29,707 32,357 34,764 37,689 41,449 58,164 63,167 67,505 71,420 76,154
51 30,475 33,162 35,600 38,560 42,365 59,248 64,295 68,669 72,616 77,386
52 31,246 33,968 96,437 39,433 43,281 60,332 65,422 69,832 73,810 78,616
53 32,018 34,776 37,276 40,308 44,199 61,414 66,548 70,993 75,002 79,843
54 32,793 35,586 38,116 41,183 45,117 62,496 67,673 72,153 76,192 81,069
55 33,570 36,398 38,958 42,060 46,036 63,577 68,796 73,311 77,380 82,292
56 34,350 37,212 39,801 42,937 46,955 64,658 69,918 74,468 78,567 83,513
57 35,131 38,027 40,646 43,816 47,876 65,737 71,040 75,624 79,752 84,733
 Продолжение табл. П9

Уровни значимости
K
0,99 0,975 0,95 0,9 0,8 0,2 0,1 0,05 0,025 0,01
58 35,913 38,844 41,492 44,696 48,797 66,816 72,160 76,778 80,936 85,950
59 36,698 39,662 42,339 45,577 49,718 67,894 73,279 77,931 82,117 87,166
60 37,485 40,482 43,188 46,459 50,641 68,972 74,397 79,082 83,298 88,379
61 38,273 41,303 44,038 47,342 51,564 70,049 75,514 80,232 84,476 89,591
62 39,063 42,126 44,889 48,226 52,487 71,125 76,630 81,381 85,654 90,802
63 39,855 42,950 45,741 49,111 53,412 72,201 77,745 82,529 86,830 92,010
64 40,649 43,776 46,595 49,996 54,336 73,276 78,860 83,675 88,004 93,217
65 41,444 44,603 47,450 50,883 55,262 74,351 79,973 84,821 89,177 94,422

232
66 42,240 45,431 48,305 51,770 56,188 75,425 81,086 85,965 90,349 95,626
67 43,038 46,261 49,162 52,659 57,115 76,498 82,197 87,108 91,519 96,828
68 43,838 47,092 50,020 53,548 58,042 77,571 83,308 88,250 92,688 98,028
69 44,639 47,924 50,879 54,438 58,970 78,643 84,418 89,391 93,856 99,227
70 45,442 48,758 51,739 55,329 59,898 79,715 85,527 90,531 95,023 100,425
71 46,246 49,592 52,600 56,221 60,827 80,786 86,635 91,670 96,189 101,621
72 47,051 50,428 53,462 57,113 61,756 81,857 67,743 92,808 97,353 102,816
73 47,858 51,265 54,325 58,006 62,686 82,927 88,850 93,945 98,516 104,010
74 48,666 52,103 55,189 58,900 63,616 83,997 89,956 95,081 99,678 105,202
75 49,475 52,942 56,054 59,795 64,547 85,066 91,061 96,217 100,839 106,393
76 50,286 53,782 56,920 60,590 65,478 86,135 92,166 97,351 101,999 107,582
 77 51,097 54,623 57,786 61,586 66,409 87,203 93,270 98,484 103,158 108,771
78 51,910 55,466 58,654 62,483 67,341 88,271 94,374 99,617 104,316 109,958
79 52,725 56,309 59,522 63,380 68,274 89,338 95,476 100,749 105,473 111,144
80 53,540 57,153 60,391 64,278 69,207 90,405 96,578 101,879 106,629 112,329
81 54,357 57,998 61,251 65,176 70,140 91,472 97,680 103,010 107,783 113,512
82 55,174 58,845 62,132 66,076 71,074 92,538 98,780 104,139 108,937 114,695
83 55,993 59,692 63,004 66,976 72,008 93,604 99,880 105,267 110,090 115,876
84 56,813 60,540 63,876 67,876 72,943 94,669 100,980 106,395 111,242 117,057
85 57,634 61,389 64,749 68,777 73,878 95,734 102,079 107,522 112,393 118,236
86 58,456 62,239 65,623 69,679 74,813 96,799 103,177 108,648 113,544 119,414
87 59,279 63,089 66,498 70,581 75,749 97,863 104,275 109,773 114,693 120,591

233
88 60,103 63,941 67,373 71,484 76,685 98,927 105,312 110,898 115,841 121,767
89 60,928 64,793 68,249 72,387 77,622 99,991 106,469 112,022 116,989 122,942
90 61,754 65,647 69,126 73,291 78,558 101,054 107,565 113,145 118,136 124,116
91 62,581 66,501 70,003 74,196 79,496 102,170 108,661 114,268 119,282 125,289
92 63,409 67,356 70,882 75,101 80,433 103,179 109,756 115,390 120,427 126,462
93 64,238 68,211 71,760 76,006 81,371 104,241 110,850 116,511 121,571 127,633
94 65,068 69,068 72,640 76,912 82,309 105,303 111,944 117,632 122,715 128,803
95 65,898 69,925 73,520 77,818 83,248 106,364 113,038 118,752 123,858 129,973
96 65,730 70,783 74,400 78,725 84,187 107,425 114,131 119,871 125,000 131,141
97 67,562 71,642 75,282 79,633 85,126 108,486 115,223 120,990 126,141 132,309
98 68,396 72,501 76,164 80,541 86,065 109,547 116,315 122,108 127,282 133,476
 Окончание табл. П9

Уровни значимости
K
0,99 0,975 0,95 0,9 0,8 0,2 0,1 0,05 0,025 0,01
99 69,230 73,361 77,046 81,449 87,005 110,607 117,407 123,225 128,422 134,642
100 70,065 74,222 77,929 82,358 87,945 111,667 118,498 125,342 129,561 135,807
110 77,750 86,600 91,400 97,440 122,310 129,290 135,140
120 86,200 95,500 100,540 106,870 132,850 140,120 146,000
130 94,670 104,400 108,670 116,280 143,360 150,860 157,680
140 103,250 113,400 118,890 125,770 153,830 162,640 168,180
150 111,900 122,460 128,160 135,300 154,350 172,430 179,170
160 118,590 131,350 137,450 144,840 174,850 183,170 190,130

234
170 129,290 140,620 146,720 154,350 185,280 193,850 202,000
180 138,110 149,820 151,120 163,990 195,820 104,830 211,900
190 146,890 158,960 165,440 173,550 206,250 215,280 222,820
200 155,590 168,000 174,000 182,980 216,530 225,780 233,500
210 164,530 177,290 184,130 192,670 227,060 236,530 244,430
220 173,350 186,440 193,460 202,240 237,400 247,090 255,160
230 182,220 195,630 202,810 211,770 247,760 257,650 265,880
240 191,300 205,030 212,390 221,550 258,330 268,430 276,830
250 200,200 214,250 221,760 231,130 268,660 278,950 287,520
 Таблица П10
Квантили F-распределения F(α; K1; K2)
α = 0,025
K1
1 2 3 4 5 6 7 8 9
K2
1 647,79 799,5 864,16 899,58 921,85 937,11 948,22 956,66 963,28
2 38,506 39 39,165 39,248 39,298 39,331 39,355 39,373 39,387
3 17,443 16,044 15,439 15,101 14,885 14,735 14,624 14,54 14,473
4 12,218 10,649 9,9792 9,0045 9,3645 9,1973 9,0741 8,9796 8,9047
5 10,007 8,4336 7,7636 7,3879 7,1464 6,9777 6,8531 6,7572 6,681
6 8,8131 7,2598 6,5988 6,2272 5,9876 5,8197 5,6955 5,5996 5,5234

235
7 8,0727 6,5415 5,8898 5,5226 5,2852 5,1186 4,9949 4,8994 4,8232
8 7,5709 6,0595 5,416 5,0526 4,8173 4,6517 4,5286 4,4332 4,3572
9 7,2093 5,7147 5,0781 4,7181 4,4844 4,3197 4,1971 4,102 4,026
10 6,9367 5,4564 4,8256 4,4683 4,2361 4,0721 3,9498 3,8549 3,779
11 6,7241 5,2559 4,6300 4,2751 4,0440 3,8807 3,7586 3,6638 3,5879
12 6,5538 5,0959 4,4742 4,1212 3,8911 3,7283 3,6065 3,5118 3,4958
13 6,4143 4,9653 4,3472 3,9959 3,7667 3,6043 3,4827 3,3880 3,3120
14 6,2979 4,8567 4,2417 3,8919 3,6634 3,5014 3,3799 3,2853 3,2093
15 6,1995 4,7650 4,1528 3,8043 3,5764 3,4147 3,2934 3,1987 3,1227
16 6,1151 4,6867 4,0768 3,7294 3,5021 3,3406 3,3194 3,1248 3,0488
 Продолжение табл. П10

K1
1 2 3 4 5 6 7 8 9
K2
17 6,0420 4,6189 4,0112 3,6648 3,4379 3,2767 3,1556 3,0610 2,9849
18 5,9781 4,5597 3,9539 3,6038 3,3820 3,2209 3,0999 3,0053 2,9291
19 5,9216 4,5075 3,9034 3,5587 3,3327 3,1717 3,0509 2,9563 2,8800
20 5,8715 4,4613 3,8587 3,5147 3,2891 3,1283 3,0074 2,9128 2,8365
21 5,8266 4,4199 3,8188 3,4754 3,2501 3,0865 2,9686 2,8740 2,7977
22 5,7863 4,3828 3,7829 3,4401 3,2151 3,0546 2,9338 2,8392 2,7628
23 5,7498 4,3492 3,7505 3,4083 3,1835 3,0232 2,9024 2,8077 2,7313
24 5,7167 4,3187 3,7211 3,3794 3,1548 2,9946 2,8738 2,7791 2,7027

236
25 5,6864 4,2909 3,6943 3,0353 3,1287 2,9585 2,8448 2,7531 2,6766
26 5,6586 4,2655 3,6697 3,3289 3,1048 2,9447 2,8240 2,7293 2,6528
27 5,6331 4,2421 3,6472 3,3067 3,0828 2,9228 2,8021 2,7074 2,6309
28 5,6097 4,2205 3,6264 3,2863 3,0625 2,9027 2,7820 2,6872 2,6106
29 5,5879 4,2006 3,6072 3,2674 3,0438 2,8840 2,7633 2,6686 2,5919
30 5,5675 4,1821 3,5894 3,2499 3,0265 2,8667 2,7460 2,6513 2,5746
40 5,4239 4,0510 3,4633 3,1261 2,9037 2,7444 2,6238 2,5289 2,4519
60 5,2857 3,9253 3,3425 3,0077 2,7863 2,6274 2,5068 2,4117 2,3344
120 5,1524 3,8046 3,2270 2,8943 2,6740 2,5154 2,3948 2,2994 2,2217
 5,0239 3,6889 3,1161 2,7852 2,5665 2,4082 2,2875 2,1918 2,1136
 α = 0,025
K1
10 12 15 20 24 30 40 60 120
K2
1 968,63 976,71 984,87 993,1 997,25 1001,4 1005,6 1009,8 1014,0 1018,3
2 39,398 39,415 39,431 39,448 39,456 39,465 39,473 39,481 39,490 39,498
3 14,419 14,337 14,253 14,167 14,124 14,081 14,037 13,992 13,9470 13,902
4 8,8439 8,7512 8,6565 8,5599 8,5109 8,4613 8,4111 8,3604 8,30920 8,2573
5 6,6192 6,5246 6,4227 6,3285 6,278 6,2269 6,1751 6,1225 6,06930 6,0153
6 5,4613 5,3662 5,2687 5,1684 5,1172 5,0652 5,0125 4,9589 4,90450 4,8491
7 4,7611 4,6658 4,5678 4,4667 4,415 4,3624 4,3089 4,2544 4,19890 4,1523
8 4,2951 4,1997 4,1012 3,9995 3,9472 3,894 3,8398 3,7844 3,72790 3,6702

237
9 3,9639 3,8682 3,7694 3,6669 3,6142 3,5604 3,5055 3,4493 3,39180 3,3329
10 3,7168 3,6209 3,5217 3,4186 3,3654 3,311 3,2554 3,1984 3,13990 3,0798
11 3,5257 3,4296 3,3299 3,2261 3,1725 3,1176 3,0613 3,0035 2,94410 2,8828
12 3,3736 3,2773 3,1772 3,0728 3,0187 2,9633 2,9063 2,8478 2,78740 2,7249
13 3,2497 3,1532 3,0527 2,9477 2,8932 2,8373 2,7797 2,7204 2,65900 2,5955
14 3,1469 3,0501 2,9493 2,8437 2,7888 2,7324 2,6742 2,6142 2,55190 2,4872
15 3,0602 2,9633 2,8621 2,7559 2,7006 2,6437 2,585 2,5242 2,46110 2,3953
16 2,9862 2,889 2,7875 2,6808 2,6252 2,5678 2,5085 2,4471 2,38310 2,3163
17 2,9222 2,2849 2,2730 2,6158 2,5598 2,5021 2,4422 2,3801 2,3153 2,2474
18 2,8664 2,7689 2,6667 2,5590 2,5027 2,4445 2,3842 2,3214 2,2558 2,1869
 Продолжение табл. П10

K1
10 12 15 20 24 30 40 60 120
K2
19 2,8173 2,7196 2,6171 2,5089 2,4523 2,3937 2,3329 2,2695 2,2032 2,1333
20 2,7737 2,6758 2,5731 2,4645 2,4076 2,3486 2,2873 2,2234 2,1562 2,0853
21 2,7348 2,6368 2,5338 2,4247 2,3675 2,3082 2,2465 2,1819 2,1141 2,0422
22 2,6998 2,6017 2,4984 2,3890 2,3315 2,2718 2,2097 2,1446 2,0760 2,0032
23 2,6682 2,5699 2,4665 2,3567 2,2989 2,2389 2,1763 2,1107 2,0415 1,9677
24 2,6396 2,5412 2,4374 2,3273 2,2693 2,2090 2,1460 2,0799 2,0099 1,9353
25 2,6135 2,5149 2,4110 2,3005 2,2422 2,1816 2,1183 2,0517 1,9811 1,9055
26 2,5895 2,4909 2,3867 2,2759 2,2174 2,1565 2,0928 2,0257 1,9545 1,8781

238
27 2,5676 2,4688 2,3644 2,2533 2,1946 2,1334 2,0693 2,0018 1,9299 1,8527
28 2,5473 2,4484 2,3438 2,2324 2,1735 2,1121 2,0477 1,9796 1,9072 1,8291
29 2,5286 2,4295 2,3248 2,2131 2,1540 2,0923 2,0276 1,9591 1,8861 1,8078
30 2,5112 2,4120 2,3072 2,1952 2,1359 2,0739 2,0089 1,9400 1,8664 1,7861
40 2,3882 2,2882 2,1819 2,0677 2,0069 1,9429 1,8752 1,8028 1,7242 1,6371
60 2,2702 2,1692 2,0613 1,9445 1,8817 1,8152 1,7440 1,6668 1,5810 1,4822
120 2,1570 2,0548 1,9450 1,8249 1,7597 1,6899 1,6141 1,5299 1,4327 1,3104
 2,0483 1,9447 1,8326 1,7085 1,6402 1,5660 1,4835 1,3883 1,2684 1,0000
 α = 0,05

K1
1 2 3 4 5 6 7 8 9
K2
1 161,45 199,5 215,71 224,58 230,16 233,99 236,77 238,88 240,54
2 18,513 19 19,164 19,247 19,226 19,339 19,353 19,371 19,385
3 10,128 9,5521 9,2776 9,1172 9,0135 8,9406 8,8868 8,8452 8,8123
4 7,7086 6,9443 6,5914 6,3883 6,256 6,1631 6,0942 6,041 5,9988
5 6,6079 5,7861 5,4095 5,1922 5,0503 4,9503 4,8759 4,8183 4,7725
6 5,9874 5,1433 4,7571 4,5337 4,3874 4,2839 4,2066 4,1468 4,099
7 5,591 4,7374 4,3468 4,1203 3,9715 3,866 3,787 3,7257 3,6767
8 5,3177 4,59 4,0668 3,8378 3,6875 3,5806 3,5005 3,4381 3,3881

239
9 5,1174 4,2565 3,8626 3,6331 3,4817 3,3738 3,2927 3,2296 3,1789
10 4,9646 4,1028 3,7083 3,478 3,3258 3,2172 3,1355 3,0717 3,0204
11 4,8443 3,9823 3,5874 3,3567 3,2039 3,0946 3,0123 2,948 2,8962
12 4,7472 3,8853 3,4903 3,2592 3,1059 2,9961 2,9134 2,8486 2,7964
13 4,6672 3,8056 3,4105 3,1791 3,0254 2,9153 2,8321 2,7669 2,7144
14 4,6001 3,7389 3,3439 3,1122 2,9582 2,8477 2,7642 2,6987 2,6458
15 4,5431 3,6823 3,2874 3,0556 2,9013 2,7905 2,7066 2,6408 2,5876
16 4,494 3,6337 3,2389 3,0069 2,8524 2,7413 2,6572 2,5911 2,5377
17 4,4513 3,5915 3,1978 2,9647 2,81 2,6987 2,6143 2,548 2,4943
 Продолжение табл. П10

K1
1 2 3 4 5 6 7 8 9
K2
18 4,4139 3,5546 3,1599 2,9277 2,7729 2,6613 2,5767 2,5102 2,4563
19 4,3808 3,5219 3,1274 2,8951 2,7401 2,6283 2,5435 2,4768 2,4557
20 4,3513 3,4928 3,0984 2,8661 2,7109 2,599 2,514 2,4471 2,3928
21 4,3248 3,4668 3,0725 2,8401 2,6848 2,5727 2,4876 2,4205 2,3661
22 4,3009 3,4434 3,0491 2,8167 2,6613 2,5491 2,4638 2,3965 2,3419
23 4,2793 3,4221 3,028 2,7955 2,64 2,5277 2,4422 2,3748 2,3201
24 4,2597 3,4028 3,0088 2,7763 2,6207 2,5082 2,4226 2,3551 2,3002
25 4,2417 3,3852 2,9912 2,7587 2,603 2,4904 2,4047 2,3371 2,2821

240
26 4,2252 3,369 2,9751 2,7426 2,5868 2,4741 2,3883 2,3205 2,2655
27 4,21 3,3541 2,9604 2,7278 2,5719 2,4591 2,3732 2,3053 2,2501
28 4,196 3,3404 2,9467 2,7141 2,5581 2,4453 2,3593 2,2913 2,236
29 4,183 3,3277 2,934 2,7044 2,5445 2,4323 2,3463 2,2782 2,2229
30 4,1709 3,3158 2,9223 2,6896 2,5336 2,4205 2,3343 2,2662 2,2107
40 4,0848 3,2317 2,8387 2,606 2,4495 2,3359 2,349 2,1802 2,124
60 4,0012 3,1504 2,7581 2,5252 2,3683 2,254 2,1665 2,097 2,0404
120 3,9201 3,0718 2,6802 2,4472 2,29 2,175 2,0867 2,0167 1,9588
 3,8415 2,9957 2,6049 2,3719 2,2141 2,0986 2,0096 1,9384 1,8799
 α = 0,05
K1
10 12 15 20 24 30 40 60 120
K2
1 241,88 243,91 245,01 248,01 249,05 250,09 251,14 252,2 253,25 2,54,32
2 19,396 19,413 19,446 19,446 19,454 19,462 19,471 19,479 19,487 19,496
3 8,7855 8,7446 8,6602 8,6602 8,6385 8,6166 8,5944 5,572 8,5494 8,5265
4 5,9644 5,9117 5,8025 5,8025 5,7744 5,7459 5,717 5,6878 5,6581 5,6281
5 4,7351 4,6777 4,5581 4,5581 4,5272 4,4957 4,4638 4,4314 4,3984 4,365
6 4,06 3,9999 3,8742 3,8742 3,8415 3,8082 3,7743 3,7398 3,7047 3,6688
7 3,6365 3,5747 3,4445 3,4445 3,4105 3,3758 3,3404 3,3043 3,2674 3,2298
8 3,3472 3,284 3,1503 3,1503 3,1152 3,0794 3,0428 3,0053 2,9669 2,9276

241
9 3,1373 3,0729 2,9365 2,9365 2,9005 2,8637 2,8259 2,7872 2,7475 2,7067
10 2,9782 2,913 2,774 2,774 2,7372 2,6996 2,6609 2,6211 2,5801 2,5379
11 2,8536 2,7876 2,6464 2,6464 2,609 2,5705 2,5309 2,4901 2,448 2,4045
12 2,7534 2,6866 2,5436 2,5436 2,5055 2,4663 2,4259 2,3842 2,341 2,2962
13 2,671 2,6037 2,4589 2,4589 2,4202 2,3803 2,3392 2,2966 2,2524 2,2064
14 2,6021 2,5342 2,3879 2,3879 2,3487 2,3082 2,2664 2,223 2,1778 2,1307
15 2,5437 2,4753 2,3275 2,3275 2,2878 2,2468 2,2043 2,1601 2,1141 2,0658
16 2,4935 2,4247 2,2756 2,2756 2,2354 2,1938 2,1507 2,1058 2,0589 2,0096
17 2,4499 2,3807 2,3077 2,2304 2,1898 2,1477 2,104 2,0584 2,0107 1,9604
 Продолжение табл. П10

K1
10 12 15 20 24 30 40 60 120
K2
18 2,4117 2,3421 2,2686 2,1906 2,1497 2,1071 0,0629 2,0166 1,9681 1,9168
19 2,3779 2,308 2,2341 2,1555 2,1141 2,0712 2,0264 1,9796 1,9302 1,878
20 2,3479 2,2776 2,2033 2,1242 2,0825 2,0391 1,9938 1,9464 1,8963 1,8432
21 2,321 2,2504 2,1757 2,096 2,054 2,0102 1,9645 1,9165 1,8657 1,8117
22 2,2967 2,2258 2,1508 2,0707 2,0283 1,9842 1,938 1,8895 1,838 1,7831
23 2,2747 2,2036 2,1282 2,0476 2,005 1,9605 1,9139 1,8649 1,8128 1,757
24 2,2547 2,1834 2,1077 2,0267 1,9838 1,939 1,892 1,8424 1,7897 1,7331
25 2,2365 2,1649 2,0889 2,0075 1,9643 1,9192 1,8718 1,8217 1,7684 1,711

242
26 2,2197 2,1479 2,0716 1,9898 1,9464 1,901 1,8533 1,8027 1,7488 1,6906
27 2,2043 2,1323 2,0558 1,9736 1,9299 1,8842 1,8361 1,7851 1,7307 1,6717
28 2,19 2,1179 2,0411 1,9586 1,9147 1,8687 1,8203 1,7689 1,7138 1,6541
29 2,1768 2,1045 2,0275 1,9446 1,9005 1,8543 1,8055 1,7537 1,6981 1,6377
30 2,1646 2,0921 2,0148 1,9317 1,8874 1,8409 1,7918 1,7396 1,6835 1,6223
40 2,0772 2,0035 1,9245 1,8389 1,7929 1,7444 1,6928 1,6373 1,5766 1,5089
60 1,9926 1,9174 1,8364 1,748 1,7001 1,6491 1,5943 1,5343 1,4673 1,3893
120 1,9105 1,8337 1,7505 1,6587 1,6084 1,5543 1,4952 1,429 1,3519 1,2539
 1,8307 1,7522 1,6664 1,5705 1,5173 1,4591 1,394 1,318 1,2214 1
 α = 0,1
K1
1 2 3 4 5 6 7 8 9
K2
1 39,8640 49,5000 53,5930 55,8330 57,2410 58,2040 58,9060 59,4390 59,8580
2 8,5263 9,0000 9,1618 9,2434 9,2926 9,3255 9,3491 9,3668 9,3805
3 5,5383 5,4624 5,3908 5,3427 5,3092 5,2847 5,2662 5,2517 5,2400
4 4,5448 4,3246 4,1908 4,1073 4,0506 4,0098 3,9790 3,9549 3,9357
5 4,0604 3,7797 3,6195 3,5202 3,4530 3,4045 3,3679 3,3393 3,3163
6 3,7760 3,4633 3,2888 3,1808 3,1075 3,0546 3,0145 2,9830 2,9577
7 3,5894 3,2574 3,0741 2,9605 2,8833 2,8274 2,7849 2,7516 2,7247
8 3,4579 3,1131 2,9238 2,8064 2,7265 2,6683 2,6241 2,5893 2,5612

243
9 3,3603 3,0065 2,8129 2,6927 2,6106 2,5509 2,5053 2,4694 2,4403
10 3,2850 2,9245 2,7217 2,6053 2,5216 2,4606 2,4140 2,3772 2,3473
11 3,2252 2,8595 2,6602 2,5362 2,4612 2,3891 2,3416 2,3040 2,2735
12 3,1765 2,8068 2,6055 2,4801 2,3940 2,3310 2,2828 2,2446 2,2135
13 3,1362 2,7632 2,5603 2,4337 2,3467 2,2830 2,2341 2,1953 2,1638
14 3,1022 2,7265 2,5222 2,3947 2,3069 2,2426 2,1931 2,1539 2,1220
15 3,0732 2,6952 2,4898 2,3614 2,2730 2,2081 2,1582 2,1185 2,0862
16 3,0481 2,6682 2,4618 2,3327 2,2438 2,1783 2,1280 2,0880 2,0553
17 3,0262 2,6446 2,4374 2,3077 2,2183 2,1524 2,1017 2,0613 2,0284
 Продолжение табл. П10

K1
1 2 3 4 5 6 7 8 9
K2
18 3,0070 2,6239 2,4160 2,2858 2,1958 2,1296 2,0785 2,0379 2,0047
19 2,9899 2,6056 2,3970 2,2663 2,4760 2,1094 2,0580 2,0171 1,9836
20 2,9747 2,5893 2,3801 2,2489 2,1582 2,0913 2,0397 1,9985 1,9649
21 2,9609 2,5746 2,3649 2,2333 2,1423 2,0751 2,0232 1,9819 1,9480
22 2,9486 2,5613 2,3512 2,2193 2,1279 2,0605 2,0084 1,9668 1,9327
23 2,9874 2,5493 2,3387 2,2065 2,1149 2,0472 1,9949 1,9531 1,9189
24 2,9271 2,5383 2,3274 2,1949 2,1030 2,0351 1,9826 1,9407 1,9063
25 2,9177 2,5283 2,3170 2,1843 2,0922 2,0241 1,9714 1,9292 1,8947

244
26 2,9091 2,5191 2,3075 2,1745 2,0822 2,0139 1,9610 1,9188 1,8841
27 2,9012 2,5106 2,2987 2,1655 2,0730 2,0045 1,9515 1,9091 1,8743
28 2,8939 2,5028 2,2906 2,1571 2,0645 1,9959 1,9427 1,9001 1,8652
29 2,8871 2,4955 2,2831 2,1494 2,0566 1,9889 1,9345 1,8918 1,8568
30 2,8807 2,4887 2,2761 2,1422 2,0492 1,9803 1,9269 1,8841 1,8490
40 2,8354 2,4404 2,2261 2,0909 1,9968 1,9269 1,8725 1,8289 1,7929
60 2,7914 2,3932 2,1774 2,0410 1,9467 1,8747 1,8194 1,7748 1,7380
120 2,7478 2,3473 2,1300 1,9923 1,8959 1,8238 1,7675 1,7220 1,6843
 2,7055 2,3026 2,0838 1,9449 1,8473 1,7741 1,7167 1,6702 1,6316
 α = 0,1
K1
10 12 15 20 24 30 40 60 120
K2
1 60,1950 60,7050 61,2200 61,7400 62,0020 62,2650 62,5290 62,7940 63,0610 63,3280
2 9,3916 9,4081 9,4247 9,4413 9,4496 9,4579 9,4663 9,4746 9,4829 9,4913
3 5,2304 5,2156 5,2003 5,1845 5,1764 5,1681 5,1597 5,1512 5,1425 5,1337
4 3,9199 3,8955 3,8703 3,8443 3,8310 3,8174 3,8036 3,7896 3,7753 3,7607
5 3,2974 3,2682 3,2380 3,2067 3,1905 3,1741 3,1573 3,1402 3,1228 3,1050
6 2,9369 2,9047 2,8712 2,8363 2,8183 2,8000 2,7812 2,7620 2,7423 2,7222
7 2,7025 2,6681 2,6322 2,5947 2,5753 2,5555 2,5351 2,5142 2,4928 2,4708
8 2,5380 2,5020 2,4642 2,4246 2,4041 2,3830 2,3614 2,3391 2,3162 2,2926

245
9 2,4163 2,3789 2,3396 2,2983 2,2768 2,2547 2,2320 2,2085 2,1843 2,1592
10 2,3226 2,2841 2,4350 2,2007 2,1784 2,1554 2,1317 2,1072 2,0818 2,0554
11 2,2482 2,2087 2,1671 2,1230 2,1000 2,0762 2,0516 2,0261 1,9997 1,9721
12 2,1878 2,1474 2,1049 2,0597 2,0360 2,0115 1,9861 1,9597 1,9323 1,9036
13 2,1376 2,0966 2,0532 2,0070 1,9827 1,9576 1,9315 1,9043 1,8759 1,8462
14 2,0954 2,0537 2,0095 1,9625 1,9377 1,9119 1,8852 1,8572 1,8280 1,7973
15 2,0593 2,0171 1,9722 1,9243 1,8990 1,8728 1,8454 1,8168 1,7867 1,7551
16 2,0281 1,9854 1,9399 1,8913 1,8656 1,8388 1,8108 1,7816 1,7507 1,7182
17 2,0009 1,9577 1,9117 1,8624 1,8362 1,8090 1,7805 1,7506 1,7191 1,6856
 Окончание табл. П10

K1
10 12 15 20 24 30 40 60 120
K2
18 1,9770 1,9333 1,8868 1,8368 1,8103 1,7827 1,7537 1,7232 1,6910 1,6567
19 1,9557 1,9117 1,8647 1,8142 1,7873 1,7592 1,7298 1,5988 1,6659 1,6308
20 1,9367 1,8924 1,8449 1,7938 1,7667 1,7382 1,7083 1,6768 1,6433 1,6074
21 1,9197 1,8750 1,8272 1,7756 1,7481 1,7193 1,6890 1,6569 1,6228 1,5862
22 1,9043 1,8593 1,8111 1,7590 1,7312 1,7021 1,6714 1,6389 1,6042 1,5668
23 1,8903 1,8450 1,7964 1,7439 1,7159 1,6864 1,6554 1,6224 1,5871 1,5490
24 1,8775 1,8319 1,7831 1,7302 1,7019 1,6721 1,6407 1,6073 1,5715 1,5327
25 1,8658 1,8200 1,7708 1,7175 1,6890 1,6589 1,6272 1,5934 1,5570 1,5176

246
26 1,8550 1,8090 1,7596 1,7059 1,6771 1,6468 1,6147 1,5805 1,5437 1,5036
27 1,8451 1,7989 1,7492 1,6951 1,6662 1,6356 1,6032 1,5686 1,5313 1,4906
28 1,8359 1,7895 1,7395 1,6852 1,6560 1,6252 1,5925 1,5575 1,5198 1,4784
29 1,8274 1,7808 1,7306 1,6759 1,6465 1,6155 1,5825 1,5472 1,5090 1,4670
30 1,8195 1,7727 1,7223 1,6673 1,6377 1,6065 1,5732 1,5376 1,4989 1,4564
40 1,7627 1,7146 1,6624 1,6052 1,5741 1,5411 1,5056 1,4672 1,4248 1,3769
60 1,7070 1,6574 1,6034 1,5435 1,5107 1,4755 1,4373 1,3952 1,3476 1,2915
120 1,6524 1,6012 1,5450 1,4821 1,4472 1,4094 1,3676 1,3203 1,2646 1,1926
 1,5987 1,5458 1,4871 1,4206 1,3832 1,3419 1,2951 1,2400 1,1686 1,0000
 Таблица П11
*
xэ − X
Квантили распределения максимального относительного отклонения vα;n, vα ;n = max
S(x)

Значение доверительной вероятности α

n
0,01 0,02 0,05 0,1 0,2
3 1,414 1,414 1,414 1,414 1,406
4 1,728 1,723 1,71 1,689 1,645
5 1,972 1,955 1,917 1,869 1,791
6 2,161 2,13 2,067 1,996 1,894
7 2,31 2,265 2,182 2,093 1,974

247
8 2,431 2,374 2,273 2,172 2,041
9 2,532 2,464 2,349 2,238 2,097
10 2,616 2,54 2,414 2,294 2,146
11 2,689 2,606 2,47 2,343 2,19
12 2,753 2,663 2,519 2,387 2,229
13 2,809 2,713 2,563 2,426 2,264
14 2,859 2,759 2,602 2,461 2,297
15 2,905 2,8 2,638 2,494 2,327
16 2,946 2,837 2,67 2,523 2,354
17 2,983 2,871 2,701 2,551 2,38
 Окончание табл. П11

Значение доверительной вероятности α

n
0,01 0,02 0,05 0,1 0,2
18 3,017 2,903 2,728 2,577 2,404
19 3,049 2,932 2,754 2,601 2,426
20 3,079 2,959 2,779 2,623 2,447
21 3,106 2,984 2,801 2,644 2,467
22 3,132 3,008 2,823 2,664 2,486
23 3,156 3,03 2,843 2,683 2,504
24 3,179 3,051 2,862 2,701 2,521

248
25 3,2 3,071 2,88 2,718 2,537
26 3,22 3,089 2,897 2,734 2,553
27 3,239 3,107 2,913 2,749 2,568
28 3,258 3,124 2,929 2,764 2,582
29 3,275 3,14 2,944 2,778 2,596
30 3,291 3,156 2,958 2,792 2,609
31 3,307 3,171 2,972 2,805 2,622
32 3,322 3,185 2,985 2,818 2,634
33 3,337 3,199 2,998 2,83 2,646
34 3,351 3,212 3,01 2,842 2,657
 35 3,364 3,224 3,022 2,853 2,668
36 3,377 3,236 3,033 2,864 2,679
37 3,389 3,248 3,044 2,874 2,689
38 3,401 3,259 3,055 2,885 2,699
39 3,413 3,27 3,065 2,894 2,709
40 3,424 3,281 3,075 2,904 2,718
41 3,435 3,291 3,084 2,913 2,727
42 3,445 3,301 3,094 2,922 2,736
43 3,455 3,31 3,103 2,931 2,745
44 3,465 3,32 3,112 2,94 2,753

249
45 3,474 3,329 3,12 2,948 2,762
46 3,483 3,338 3,129 2,956 2,77
47 3,492 3,346 3,137 2,964 2,778
48 3,501 3,354 3,145 2,972 2,785
49 3,51 3,363 3,152 2,98 2,793
50 3,518 3,7 3,16 2,987 2,8
51 3,526 3,378 3,167 2,994 2,807
52 3,534 3,386 3,175 3,001 2,814
 Таблица П12
∞
2 2
λ
Значения функции P(λ) (критерия Колмогорова), P ( λ ) = 1 − K ( λ ) = P ( Dn > λ 0 ) = 1 − ∑ (−1) K ⋅ e −2 K ,
K =−∞

где Dn = max{FK(x) – F(x)}

λ P(λ) λ P(λ) λ P(λ) λ P(λ) λ P(λ) λ P(λ)
0,29 1,00000 0,43 0,99260 0,57 0,90130 0,71 0,69450 0,85 0,46530 0,99 0,28090
0,30 0,99999 0,44 0,99030 0,58 0,88960 0,72 0,67770 0,86 0,45030 1,00 0,27000
0,31 0,99998 0,45 0,98740 0,59 0,87720 0,73 0,66090 0,87 0,43550 1,01 0,25940
0,32 0,99995 0,46 0,98400 0,60 0,86430 0,74 0,64400 0,88 0,42090 1,02 0,24920
0,33 0,99991 0,47 0,98000 0,61 0,85080 0,75 0,62720 0,89 0,40670 1,03 0,23920
0,34 0,99983 0,48 0,97530 0,62 0,83680 0,76 0,61040 0,90 0,39270 1,04 0,22960

250
0,35 0,99970 0,49 0,97000 0,63 0,82220 0,77 0,59360 0,91 0,37910 1,05 0,22020
0,36 0,99950 0,50 0,96390 0,64 0,80730 0,78 0,57700 0,92 0,36570 1,06 0,21110
0,37 0,99920 0,51 0,95720 0,65 0,79200 0,79 0,56050 0,93 0,35270 1,07 0,20240
0,38 0,99870 0,52 0,94770 0,66 0,77640 0,80 0,54410 0,94 0,33990 1,08 0,19390
0,39 0,99810 0,53 0,94150 0,67 0,76060 0,81 0,52800 0,95 0,32750 1,09 0,18570
0,40 0,99720 0,54 0,93250 0,68 0,74420 0,82 0,51200 0,96 0,31540 1,10 0,17770
0,41 0,99600 0,55 0,92280 0,69 0,72780 0,83 0,49620 0,97 0,30360 1,11 0,17000
0,42 0,99450 0,56 0,91240 0,70 0,71120 0,84 0,48060 0,98 0,29210 1,12 0,16260
1,13 0,15550 1,28 0,07550 1,43 0,03350 1,58 0,01360 1,73 0,00500 1,88 0,00170
1,14 0,14860 1,29 0,07170 1,44 0,03160 1,59 0,01270 1,74 0,00470 1,89 0,00160
1,15 0,14200 1,30 0,06810 1,45 0,02980 1,60 0,01200 1,75 0,00440 1,90 0,00150
 1,16 0,13560 1,31 0,06460 1,46 0,02820 1,61 0,01120 1,76 0,00410 1,91 0,00140
1,17 0,12940 1,32 0,06130 1,47 0,02660 1,62 0,01050 1,77 0,00380 1,92 0,00130
1,18 0,12350 1,33 0,05820 1,48 0,02500 1,63 0,00980 1,78 0,00350 1,93 0,00120
1,19 0,11770 1,34 0,05510 1,49 0,02360 1,64 0,00920 1,79 0,00330 1,94 0,00110
1,20 0,11220 1,35 0,05220 1,50 0,02220 1,65 0,00860 1,80 0,00310 1,95 0,00100
1,21 0,10700 1,36 0,04950 1,51 0,02090 1,66 0,00810 1,81 0,00290 1,96 0,00090
1,22 0,10190 1,37 0,04690 1,52 0,01970 1,67 0,00760 1,82 0,00270 1,97 0,00090
1,23 0,09700 1,38 0,04440 1,53 0,01850 1,68 0,00710 1,83 0,00250 1,98 0,00080
1,24 0,09240 1,39 0,04200 1,54 0,01740 1,69 0,00660 1,84 0,00230 1,99 0,00070
1,25 0,08790 1,40 0,03970 1,55 0,01640 1,70 0,00620 1,85 0,00210 2,00 0,00070
1,26 0,08360 1,41 0,03750 1,56 0,01540 1,71 0,00580 1,86 0,00200 2,01 0,00060

251
1,27 0,07940 1,42 0,03540 1,57 0,01490 1,72 0,00540 1,87 0,00190 2,02 0,00060
2,03 0,00050 2,13 0,00020 2,23 0,00010 2,33 0,00004 2,43 0,00001 2,63 0,000001600
2,04 0,00050 2,14 0,00020 2,24 0,00010 2,34 0,00004 2,44 0,00001 2,70 0,000001000
2,05 0,00040 2,15 0,00020 2,25 0,00010 2,35 0,00003 2,45 0,00001 2,75 0,000000600
2,06 0,00040 2,16 0,00020 2,26 0,00010 2,36 0,00003 2,46 0,00001 2,80 0,000000300
2,07 0,00040 2,17 0,00020 2,27 0,00010 2,37 0,00003 2,47 0,00001 2,85 0,000000018
2,08 0,00040 2,18 0,00010 2,28 0,00010 2,38 0,00002 2,48 0,00001 2,90 0,000000010
2,09 0,00030 2,19 0,00010 2,29 0,00010 2,39 0,00002 2,49 0,00001 2,95 0,000000006
2,10 0,00030 2,20 0,00010 2,30 0,00010 2,40 0,00002 2,50 0,00001 3,00 0,000000003
2,11 0,00030 2,21 0,00010 2,31 0,00005 2,41 0,00002 2,55 0,00000
2,12 0,00020 2,22 0,00010 2,32 0,00004 2,42 0,00002 2,60 0,00000
 Таблица П13

G-критерий (Кочрена). Значения g(α, m, K), где m — число сравниваемых дисперсий, K — число степеней свободы
α = 0,01
Значения K
m
1 2 3 4 5 6 7 8 9 10 16
2 0,9999 0,995 0,9794 0,9586 0,9373 0,9172 0,8988 0,8823 0,8674 0,8539 0,7949
3 9933 9423 8831 8335 7933 1606 7335 7107 6912 6743 6059
4 9676 8643 7814 7212 6761 6410 6129 5897 5702 5536 4884
5 0,9279 0,7885 0,6957 0,6329 0,5875 0,5531 0,5259 0,5037 0,4854 0,4697 0,4094
6 8828 7218 6258 5635 5195 4866 4608 4401 4229 4084 3529
7 8376 6644 5685 5080 4659 4347 4105 3911 3751 3616 3105

252
8 0,7945 0,6152 0,5209 0,4627 0,4226 0,3932 0,3704 0,3522 0,3373 0,3248 0,2779
9 7544 5727 4810 4251 3870 3592 3378 3207 3067 2950 2514
10 7175 5358 4469 3934 3572 3308 3106 2945 2813 2704 2297
12 0,6528 0,4751 0,3919 0,3428 0,3099 0,2861 0,268 0,2535 0,2419 0,232 0,1961
15 5747 4069 3317 2882 2593 2386 2228 2104 2002 1918 1612
20 4799 3297 2654 2288 2048 1877 1748 1646 1567 1501 1248
24 0,4247 0,2871 0,2295 0,197 0,1759 0,1608 0,1495 0 0,1338 0,1283 0,106
30 3632 2412 1913 1635 1454 1327 1232 1157 1100 1054 867
40 2940 1915 1508 1281 1135 1033 0957 0898 0853 0816 0668
60 0,2151 0,1371 0,1069 0,0902 0,0796 0,0722 0,0668 0,0625 0,0594 0,0567 0,0461
120 1225 0759 0585 0489 0429 0387 0357 0334 0316 0302 0242
 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000
 α = 0,05

Значения K
m
1 2 3 4 5 6 7 8 9 10 16
2 0,9985 0,975 0,9392 0,9057 0,8772 0,8534 0,8332 0,8159 0,801 0,788 0,7341
3 9669 8709 7977 7457 7071 6771 6530 6333 6167 6025 5466
4 9065 7679 6841 6287 5895 5598 5365 5175 5071 4884 4366
5 0,8412 0,6839 0,5981 0,544 0,5063 0,4783 0,4564 0,4387 0,4241 0,4118 0,3645
6 7808 6161 5321 4803 4447 4184 3980 3817 3682 3568 3135
7 7271 5612 4800 4307 3974 3726 3535 3384 3259 3154 2756
8 0,6798 0,5157 0,4377 0,391 0,3595 0,3362 0,3185 0,3043 0,2926 0,2829 0,2462
9 6385 4775 4027 3584 3286 3067 2901 2768 2639 2568 2226

253
10 6020 4450 3733 3311 3029 2823 2666 2541 2439 2353 2032
12 0,541 0,3924 0,3264 0,288 0,2624 0,2439 0,2299 0,2187 0,2098 0,202 0,1737
15 4709 3346 2758 2419 2195 2034 1911 1815 1736 1671 1429
20 3894 2705 2205 1921 1735 1602 1501 1422 1357 1303 1108
24 0,3434 0,2354 0,1907 0,1656 0,1493 0,1374 0,1268 0 0,116 0,1113 0,0942
30 2929 1980 1598 1377 1237 1137 1061 1002 0958 0921 0771
40 2370 1576 1259 1082 0968 0887 0827 0780 0745 0713 0595
60 0,1737 0,1131 0,0895 0,0765 0,0682 0,0623 0,0583 0,0552 0,052 0,0497 0,0411
120 998 0632 0495 0419 0371 0337 0312 0292 0279 0266 0218
 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000
 Таблица П14
М-критерий (Бортлетта). Значения ma(α, m, C1) и mb(α, m, C1),
α = 0,01

Значения C1
m
0 0,5 1 2 3 4 5 6 8 10 12 14
3(a) 9,21 9,92 10,47 10,81 9,83
(b) 9,21 9,29 9,38 9,59 9,83
4(a) 11,34 11,95 12,46 13,11 13,03 12,03
(b) 11,34 11,4 11,46 11,63 11,82 12,03
5(a) 13,28 13,81 14,3 15,03 15,34 15,06 14,07
(b) 13,28 13,33 13,39 13,53 13,69 13,87 14,07

254
6(a) 15,09 15,58 16,03 16,79 17,27 17,37 16,98 16,03
(b) 15,09 15,14 19,2 15,33 15,48 15,65 15,84 16,03
7(a) 16,81 17,27 17,7 18,46 19,02 19,32 19,28 18,84
(b) 16,81 16,87 16,93 17,06 17,21 17,37 17,55 17,73
8(a) 18,48 18,91 19,32 20,07 20,67 21,08 21,25 21,13 19,76
(b) 18,48 18,54 18,6 18,74 18,88 19,04 19,21 19,39 19,76
9(a) 20,09 20,5 20,9 21,64 22,26 22,74 23,03 23,1 22,41
(b) 20,09 20,15 20,22 20,36 20,51 20,67 20,84 21,01 21,37
10(a) 21,67 22,06 22,45 23,17 23,8 24,32 24,69 24,9 24,66 23,33
(b) 21,67 21,73 21,8 21,95 22,1 22,26 22,42 22,6 22,95 23,33
 11(a) 23,21 23,59 23,97 24,67 25,31 25,85 26,28 26,57 26,65 25,86
(b) 23,21 23,28 23,35 23,5 23,66 23,82 23,98 24,15 24,51 24,88
12(a) 24,72 25,1 25,46 26,15 26,79 27,35 27,81 28,16 28,46 28,07 26,79
(b) 24,72 24,8 24,87 25,03 25,18 25,35 25,51 25,68 26,04 26,41 26,79
13(a) 26,22 26,58 26,93 27,62 28,25 28,81 29,3 29,7 30,16 30,06 29,22
(b) 26,22 26,29 26,37 26,53 26,69 26,85 27,02 27,19 27,55 27,91 28,29
14(a) 27,69 28,04 28,39 29,06 29,69 30,26 30,77 31,19 31,77 31,88 31,39 30,16
(b) 27,69 27,77 27,85 28,01 28,17 28,34 28,51 28,68 29,03 29,4 29,77 30,16
15(a) 29,14 29,49 29,83 30,49 30,11 31,68 32,2 32,66 33,32 33,59 33,37 32,52
(b) 29,14 29,22 29,3 29,47 29,63 29,8 29,97 30,15 30,5 30,87 31,24 31,62

255
α = 0,05

Значения C1
m
0 0,5 1 2 3 4 5 6 8 10 12 14
3(a) 5,99 6,47 6,89 7,38 7,22
(b) 5,99 6,22 6,43 6,84 7,22
4(a) 7,81 8,24 8,63 9,21 9,43 9,18
(b) 7,81 8 8,17 8,52 8,85 9,18
5(a) 9,49 9,88 10,24 10,85 11,24 11,31 11,02
(b) 9,49 9,65 9,8 10,11 10,42 10,72 11,02
6(a) 11,07 11,43 11,78 12,4 12,85 13,11 13,1 12,78
 Окончание табл. П14

Значения C1
m
0 0,5 1 2 3 4 5 6 8 10 12 14
6(b) 11,07 11,22 11,36 11,65 11,94 12,22 12,5 12,78
7(a) 12,59 12,94 13,27 13,88 14,38 14,73 14,88 14,81
(b) 12,59 12,73 12,87 13,14 13,41 13,68 13,95 14,22
8(a) 14,07 14,4 14,72 15,32 15,84 16,25 16,51 16,6 16,16
(b) 14,07 14,2 14,33 14,59 14,85 15,11 15,38 15,64 16,16
9(a) 15,51 15,83 16,14 16,73 17,26 17,7 18,08 18,22 18,12
(b) 15,51 15,63 15,76 16,02 16,27 16,52 16,78 17,03 17,54
10(a) 16,92 17,23 17,54 18,12 18,65 19,11 19,48 19,75 19,89 19,4

256
(b) 16,92 17,04 17,17 17,41 17,66 17,91 18,16 18,41 18,91 19,4
11(a) 18,31 18,61 18,91 19,48 20,02 20,49 20,89 21,21 21,52 21,32
(b) 18,31 18,43 18,55 18,79 19,04 19,28 19,52 19,77 20,26 20,75
12(a) 19,68 19,97 20,26 20,83 21,36 21,84 22,27 22,62 23,06 23,07 22,56
(b) 19,68 19,79 19,91 20,15 20,39 20,63 20,87 21,12 21,6 22,08 22,56
13(a) 21,03 21,32 21,6 22,16 22,69 23,18 23,62 23,99 24,53 24,7 24,44
(b) 21,03 21,14 21,26 21,5 21,74 21,97 22,21 22,45 22,92 23,4 23,88
14(a) 22,36 22,65 22,93 23,48 24,01 24,5 24,95 25,34 25,95 26,25 26,17 25,66
(b) 22,36 22,48 22,6 22,83 23,06 23,3 23,53 23,77 24,24 24,71 25,19 25,66
15(a) 23,68 23,97 24,24 24,79 25,31 25,8 26,26 26,67 27,33 27,73 27,8 27,5
(b) 23,68 23,8 23,92 24,15 24,38 24,61 24,85 25,08 15,55 26,01 26,48 26,95
 ТаблицаП15
m
Значения Λ0(n, m) критерия для α = 0,05, где m — число сравниваемых выборок n = m ∏ ni
i =1

n
m
2 3 4 5 6 7 8 9 10 12 15 20
2 52,6 5,82 3,05 2,26 1,99 1,78 1,62 1,51 1,41 1,33 1,25 1,17
3 46,1 5,73 3,12 2,33 2,06 1,84 1,68 1,54 1,43 1,35 1,26 1,18
4 38,8 5,42 3 2,26 2,01 1,81 1,66 1,54 1,43 1,35 1,26 1,18
5 33,2 5,14 2,92 2,22 1,97 1,78 1,62 1,5 1,42 1,34 1,25 1,18
10 21,3 4,36 2,64 2,06 1,84 1,66 1,54 1,44 1,38 1,31 1,23 1,16
20 15,2 3,79 2,41 1,93 1,74 1,58 1,44 1,38 1,32 1,26 1,2 1,14

257
25 13,9 3,64 2,38 1,87 1,68 1,54 1,42 1,36 1,31 1,25 1,19 1,13
50 11,4 3,29 2,15 1,74 1,59 1,48 1,38 1,32 1,27 1,21 1,17 1,12

Таблица П16
Критерий знаков. Доверительные пределы для медианы
Номинальный уровень значимости α Номинальный уровень значимости α
M M
0,1 0,05 0,025 0,01 0,005 0,1 0,05 0,025 0,01 0,005
0 4 5 6 7 8 26 64 67 70 73 76
1 7 8 9 11 12 27 66 69 72 76 78
2 9 11 12 14 15 28 68 71 74 78 80
3 12 13 15 17 18 29 70 74 77 80 83
4 14 16 17 19 21 30 72 76 79 83 85
 Окончание табл. П16

Номинальный уровень значимости α Номинальный уровень значимости α

M M
0,1 0,05 0,025 0,01 0,005 0,1 0,05 0,025 0,01 0,005
5 17 18 20 22 24 31 75 78 81 85 87
6 19 21 23 25 26 32 77 80 83 87 90
7 21 23 25 27 29 33 79 82 86 89 92
8 24 26 28 30 32 34 81 85 88 92 94
9 26 28 30 33 34 35 83 87 90 94 97
10 28 30 33 35 37 36 85 89 92 96 99
11 31 33 35 38 39 37 87 91 94 98 101
12 35 35 37 30 42 38 90 93 97 101 104
13 35 37 40 42 44 39 92 96 99 103 106
14 37 40 42 45 47 40 94 98 101 105 108

258
15 39 42 44 47 49 41 96 100 103 108 110
16 42 44 47 50 52 42 98 102 106 110 113
17 44 47 49 52 54 43 100 104 108 112 115
18 46 49 51 54 57 44 102 106 110 114 117
19 48 51 54 57 59 45 105 109 112 117 120
20 51 53 56 59 61 46 107 111 114 119 122
21 53 56 58 62 64 47 109 113 117 121 124
22 55 58 61 64 66 48 111 115 119 123 126
23 57 60 63 66 69 49 113 117 121 125 129
24 59 62 65 69 71 50 115 119 123 128 131
25 62 65 67 71 73 51 117 122 125 130 133
 Таблица П17

Значения W-статистики критерия Вилкоксона W(α; m; n); m  n

α α
m n m n
0,1 0,05 0,025 0,01 0,1 0,05 0,025 0,01
2 11 6 4 3
3 12 7 5 4
4 13 7 5 4 3
5 14 8 6 4 3
6 15 8 6 4 3
7 16 8 6 4 3
8 17 9 6 5 3

259
9 1 2 18 9 7 5 3
10 1 19 10 7 5 4
1 11 1 20 10 7 5 4
12 1 21 11 8 6 4
13 1 22 11 8 6 4
14 1 23 12 8 6 4
15 1 24 12 9 6 4
16 1 25 12 9 6 4
17 1
18 1 3 7 6
19 2 1 3 4 7 6
20 2 1 5 8 7 6
 Продолжение табл. П17
α α
m n m n
0,1 0,05 0,025 0,01 0,1 0,05 0,025 0,01
21 2 1 6 9 8 7
22 2 1 7 10 8 7 6
1 23 2 1 8 11 9 8 6
24 2 1 9 11 10 8 7
25 2 1 10 12 10 9 7
11 13 11 9 7
2 12 14 11 10 8
3 3 3 13 15 12 10 8
4 3 14 16 13 11 8

260
5 4 3 15 16 13 11 9
2 6 4 3 16 17 14 12 9
7 4 3 17 18 15 12 10
8 5 4 3 18 19 15 13 10
9 5 4 3 19 20 16 13 10
10 6 4 3 20 21 17 14 11
21 21 17 14 11 13 33 30 27 24
22 22 18 15 12 14 35 31 28 25
3 23 23 19 15 12 15 37 33 29 26
5
24 24 19 15 12 16 38 34 30 27
25 25 20 16 13 17 40 35 32 28
18 42 37 33 29
 4 13 11 10 19 43 38 34 30
5 14 12 11 10 20 45 40 35 31
6 15 13 12 11 21 47 41 37 32
7 16 14 13 11 5 22 48 43 38 33
8 17 15 14 12 23 50 44 39 34
9 19 16 14 13 24 51 45 40 35
10 20 17 15 13 25 53 47 42 36
11 21 18 16 14
12 22 19 17 15 6 30 28 26 24
13 23 20 18 15 7 32 30 27 25
14 25 21 19 16 8 34 31 29 27
4
15 26 22 20 17 9 36 33 31 28

261
16 27 24 21 17 10 38 35 32 29
17 28 25 21 18 11 40 37 34 30
18 30 26 22 19 12 42 38 35 32
19 31 27 23 19 13 44 40 37 33
6
20 32 28 24 20 14 46 42 38 34
21 33 29 25 21 15 48 44 40 36
22 35 30 26 21 16 50 46 42 37
23 36 31 27 22 17 52 47 43 39
24 38 32 27 23 18 55 49 45 40
25 38 33 28 23 19 57 51 46 41
20 59 53 48 43
5 5 20 19 17 16 21 61 55 50 44
 Продолжение табл. П17
α α
m n m n
0,1 0,05 0,025 0,01 0,1 0,05 0,025 0,01
6 21 20 18 17 22 63 57 51 45
7 23 21 20 18 23 65 58 53 47
6
8 25 23 21 19 24 67 60 54 48
5 9 27 24 22 20 25 69 62 56 50
10 28 26 23 21
11 30 27 24 22 7 41 39 36 34
7
12 32 28 26 23 8 44 41 38 35
9 46 43 40 37 9 70 66 62 59
10 49 45 42 39 10 73 69 65 61

262
11 51 47 44 40 11 76 72 68 63
12 54 49 46 42 12 80 75 71 66
13 56 52 48 44 13 83 78 73 68
14 59 54 50 45 14 86 81 76 71
15 61 56 52 47 15 90 84 79 73
7 9
16 64 58 54 49 16 93 87 82 76
17 66 61 56 51 17 97 90 84 78
18 69 63 58 52 18 100 93 87 81
19 71 65 60 54 19 103 96 90 83
20 74 67 62 56 20 107 99 93 85
21 76 69 64 58 21 110 102 95 88
22 79 72 66 59 22 113 105 98 90
 23 81 74 68 61 23 117 108 101 93
7 24 84 76 70 63 9 24 120 111 104 95
25 86 78 72 64 25 123 114 107 98
8 55 51 49 45 10 87 82 78 74
9 58 54 51 47 11 91 86 81 77
10 60 56 53 49 12 94 89 84 79
11 63 59 55 51 13 98 92 88 82
12 66 62 58 53 14 102 96 91 85
13 69 64 60 56 15 106 99 94 88
14 72 67 62 58 16 109 103 97 91
15 75 69 65 60 17 113 106 100 93
10
16 78 72 67 62 18 117 110 103 96
8

263
17 81 75 70 64 19 121 113 107 99
18 84 77 72 66 20 125 117 110 102
19 87 80 74 68 21 128 120 113 105
20 90 83 77 70 22 132 123 116 108
21 92 85 79 72 23 136 127 119 110
22 95 88 81 74 24 140 130 122 113
23 98 90 84 76 25 144 134 126 116
24 101 9 86 78
25 104 96 89 81 11 106 100 96 91
11
12 110 104 99 94
13 114 108 103 97 21 190 180 171 162
11 13
14 118 112 106 100 22 195 185 176 166
 Продолжение табл. П17
α α
m n m n
0,1 0,05 0,025 0,01 0,1 0,05 0,025 0,01
15 123 116 110 103 23 200 189 180 170
16 127 120 113 107 13 24 205 194 185 174
17 131 123 117 110 25 211 199 189 178
18 135 127 121 113
19 139 131 124 116 14 174 166 160 152
11 20 144 135 128 119 15 179 171 164 156
21 148 139 131 123 16 185 176 169 161
22 152 143 135 126 17 190 182 174 165
23 156 147 139 129 18 196 187 179 170

264
24 161 151 142 132 19 202 192 183 174
14
25 165 155 146 136 20 207 197 188 178
21 213 202 193 183
12 127 120 115 109 22 218 207 198 187
13 131 125 119 113 23 224 212 203 192
14 136 129 123 116 24 229 218 207 196
15 141 133 127 120 25 235 223 212 200
12 16 145 138 131 124
17 150 142 135 127 15 200 192 184 176
18 155 146 139 131 16 206 197 190 181
15
19 159 150 143 134 17 212 203 195 186
20 164 155 147 138 18 218 208 200 190
 21 169 159 151 142 19 224 214 205 195
22 173 163 155 145 20 230 220 210 200
12 23 178 168 159 149 21 236 225 216 205
24 183 172 163 153 15 22 242 231 221 210
25 187 176 167 156 23 248 236 226 214
24 254 242 231 219
13 149 142 136 130 25 260 248 237 224
14 154 147 141 134
15 159 152 145 138 16 229 219 211 202
16 165 156 150 142 17 235 225 217 207
13
17 170 161 154 146 18 242 231 222 212
16
18 175 166 158 150 19 248 237 228 218

265
19 180 171 163 154 20 255 243 234 223
20 185 175 167 158 21 261 249 239 228
22 267 255 245 233 20 361 348 377 324
23 274 261 251 238 21 370 356 344 331
16
24 280 267 256 244 22 378 364 351 337
20
25 287 273 262 249 23 386 371 359 344
24 394 379 366 351
17 259 249 240 230 25 403 387 373 358
18 266 255 246 235
17 19 273 262 252 241 21 399 385 373 359
20 280 268 258 246 21 22 408 393 381 366
21 287 274 264 252 23 417 401 388 373
 Окончание табл. П17
α α
m n m n
0,1 0,05 0,025 0,01 0,1 0,05 0,025 0,01
22 294 281 270 258 24 425 410 396 381
21
23 300 287 276 263 25 434 418 404 388
17
24 307 294 282 269
25 314 300 288 275 22 439 424 411 396
23 448 432 419 403
22
18 291 280 270 259 24 457 441 427 411
19 299 287 277 265 25 467 450 435 419
20 306 294 283 271
21 313 301 290 277 23 481 465 451 434
18

266
22 321 307 296 283 23 24 491 474 459 443
23 328 314 303 289 25 500 483 468 451
24 335 321 309 295
25 343 328 316 301 24 525 507 492 475
24
25 535 517 501 484
19 325 313 303 291
20 333 320 309 297 25 25 570 552 536 517
21 341 328 316 303
19 22 349 335 323 310
23 357 342 330 316
24 364 350 337 323
25 372 357 344 329
 Таблица П18

1 1+ r
Преобразование Фишера (Z-преобразование), Z = arg th ⋅ r = ln
2 1− r

r 0,000 0,002 0,004 0,006 0,008 r 0,000 0,002 0,004 0,006 0,008
0,00 0,0000 0,0020 0,0040 0,0060 0,0080 0,15 0,1511 0,1532 0,1552 0,1573 0,1593
0,01 0,0100 0,0120 0,0140 0,0160 0,0180 0,16 0,1614 0,1634 0,1655 0,1676 0,1696
0,02 0,0200 0,0220 0,0240 0,0260 0,0280 0,17 0,1717 0,1737 0,1758 0,1779 0,1799
0,03 0,0300 0,0320 0,0340 0,0360 0,0380 0,18 0,1820 0,1841 0,1861 0,1882 0,1903
0,04 0,0400 0,0420 0,0440 0,0460 0,0480 0,19 0,1923 0,1944 0,1965 0,1986 0,2007
0,05 0,0500 0,0520 0,0541 0,0561 0,0581 0,20 0,2027 0,2048 0,2069 0,2090 0,2111

267
0,06 0,0601 0,0621 0,0641 0,0661 0,0681 0,21 0,2132 0,2153 0,2174 0,2195 0,2216
0,07 0,0701 0,0721 0,0741 0,0761 0,0782 0,22 0,2237 0,2258 0,2279 0,2300 0,2321
0,08 0,0802 0,0822 0,0842 0,0862 0,0882 0,23 0,2342 0,2363 0,2384 0,2405 0,2427
0,09 0,0902 0,0923 0,0943 0,0963 0,0983 0,24 0,2448 0,2469 0,2490 0,2512 0,2533
0,10 0,1003 0,1024 0,1044 0,1064 0,1084 0,25 0,2554 0,2575 0,2597 0,2618 0,2640
0,11 0,1104 0,1125 0,1145 0,1165 0,1186 0,26 0,2661 0,2683 0,2704 0,2726 0,2747
0,12 0,1206 0,1226 0,1246 0,1267 0,1287 0,27 0,2769 0,2790 0,2812 0,2833 0,2855
0,13 0,1307 0,1328 0,1348 0,1368 0,1389 0,28 0,2877 0,2899 0,2920 0,2942 0,2964
0,14 0,1409 0,1430 0,1450 0,1471 0,1491 0,29 0,2986 0,3008 0,3029 0,3051 0,3073
 Окончание табл. П18

r 0,000 0,002 0,004 0,006 0,008 r 0,000 0,002 0,004 0,006 0,008
0,30 0,3095 0,3117 0,3139 0,3161 0,3183 0,65 0,7753 0,7788 0,7823 0,7858 0,7893
0,31 0,3205 0,3228 0,3250 0,3272 0,3294 0,66 0,7928 0,7964 0,7999 0,8035 0,8071
0,32 0,3316 0,3339 0,3361 0,3383 0,3406 0,67 0,8107 0,8144 0,8180 0,8217 0,8254
0,33 0,3428 0,3451 0,3473 0,3496 0,3518 0,68 0,8291 0,8328 0,8366 0,8404 0,8441
0,34 0,3541 0,3564 0,3586 0,3609 0,3632 0,69 0,8480 0,8518 0,8556 0,8595 0,8634
0,35 0,3654 0,3677 0,3700 0,3723 0,3746 0,70 0,8673 0,8712 0,8752 0,8792 0,8832
0,36 0,3769 0,3792 0,3815 0,3838 0,3861 0,71 0,8872 0,8912 0,8953 0,8994 0,9035
0,37 0,3884 0,3907 0,3931 0,3954 0,3977 0,72 0,9076 0,9118 0,9160 0,9202 0,9245

268
0,38 0,4001 0,4024 0,4047 0,4071 0,4094 0,73 0,9287 0,9330 0,9373 0,9417 0,9461
0,39 0,4118 0,4142 0,4165 0,4189 0,4213 0,74 0,9505 0,9549 0,9594 0,9639 0,9684
0,40 0,4236 0,4260 0,4284 0,4308 0,4332 0,75 0,9730 0,9775 0,9822 0,9868 0,9915
0,41 0,4356 0,4380 0,4404 0,4428 0,4453 0,76 0,9962 1,0010 1,0058 1,0106 1,0154
0,42 0,4477 0,4501 0,4526 0,4550 0,4574 0,77 1,0203 1,0253 1,0302 1,0352 1,0403
0,43 0,4599 0,4624 0,4648 0,4673 0,4698 0,78 1,0454 1,0505 1,0557 1,0609 1,0661
0,44 0,4722 0,4747 0,4772 0,4797 0,4822 0,79 1,0714 1,0768 1,0822 1,0876 1,0931
0,45 0,4847 0,4872 0,4897 0,4922 0,4948 0,80 1,0986 1,1042 1,1098 1,1155 1,1212
0,46 0,4973 0,4999 0,5024 0,5049 0,5075 0,81 1,1270 1,1329 1,1388 1,1447 1,1507
 0,47 0,5101 0,5126 0,5152 0,5178 0,5204 0,82 1,1568 1,1630 1,1692 1,1754 1,1817
0,48 0,5230 0,5256 0,5282 0,5308 0,5334 0,83 1,1881 1,1946 1,2011 1,2077 1,2144
0,49 0,5361 0,5387 0,5413 0,5440 0,5466 0,84 1,2212 1,2280 1,2349 1,2419 1,2490
0,50 0,5493 0,5520 0,5547 0,5573 0,5600 0,85 1,2562 1,2634 1,2707 1,2782 1,2857
0,51 0,5627 0,5654 0,5682 0,5709 0,5736 0,86 1,2933 1,3011 1,3089 1,3169 1,3249
0,52 0,5763 0,5791 0,5818 0,5846 0,5874 0,87 1,3331 1,3414 1,3498 1,3583 1,3670
0,53 0,5901 0,5929 0,5957 0,5985 0,6013 0,88 1,3758 1,3847 1,3938 1,4030 1,4124
0,54 0,6042 0,6070 0,6098 0,6127 0,6155 0,89 1,4219 1,4316 1,4415 1,4516 1,4618
0,55 0,6184 0,6213 0,6241 0,6270 0,6299 0,90 1,4722 1,4828 1,4937 1,5047 1,5160
0,56 0,6328 0,6358 0,6387 0,6416 0,6446 0,91 1,5275 1,5393 1,5513 1,5636 1,5762

269
0,57 0,6475 0,6505 0,6535 0,6565 0,6595 0,92 1,5890 1,6022 1,6157 1,6296 1,6438
0,58 0,6625 0,6655 0,6685 0,6716 0,6746 0,93 1,6584 1,6734 1,6888 1,7047 1,7211
0,59 0,6777 0,6807 0,6838 0,6869 0,6900 0,94 1,7380 1,7555 1,7736 1,7923 1,8117
0,60 0,6931 0,6963 0,6994 0,7026 0,7057 0,95 1,8318 1,8527 1,8745 1,8972 1,9210
0,61 0,7089 0,7121 0,7153 0,7185 0,7218 0,96 1,9459 1,9721 1,9996 2,0287 2,0595
0,62 0,7250 0,7283 0,7315 0,7348 0,7381 0,97 2,0923 2,1273 2,1649 2,2054 2,2494
0,63 0,7414 0,7447 0,7481 0,7514 0,7548 0,98 2,2976 2,3507 2,4101 2,4774 2,5550
0,64 0,7582 0,7616 0,7650 0,7684 0,7718 0,99 2,6467 2,7587 2,9031 3,1063 3,4534
 ПРИЛОЖЕНИЕ 2

ТЕХНОЛОГИЧЕСКИЕ СХЕМЫ НАСОСНЫХ СТАНЦИЙ

ДЛЯ ПРИМЕРОВ РАСЧЕТА

Рис. П1. Технологическая схема насосной станции № 1 города 1

Рис. П2. Технологическая схема насосной станции № 2 города 2

270
Рис. П3. Технологическая схема насосной станции № 3 города 1

Рис. П4. Технологическая схема насосной станции № 4 города 1

Рис. П5. Технологическая схема насосной станции № 2 города 2

271
Рис. П6. Технологическая схема насосной станции № 1 города 3

Рис. П7. Технологическая схема насосной станции № 2 города 3

Рис. П8. Технологическая схема насосной станции № 3 города 3

272
Рис. П9. Технологическая схема насосной станции № 4 города 3

273
 ОГЛАВЛЕНИЕ

ПРЕДИСЛОВИЕ ..................................................................................3
Введение ................................................................................................4
Глава 1. Понятие надежности ...............................................................6
1.1. Термины и определения надежности в теории
водоснабжения..........................................................................6
1.2. Закон распределения случайной величины ..........................11
1.2.1. Законы распределения дискретных случайных
величин .........................................................................12
1.2.2. Законы распределения непрерывной случайной
величины ......................................................................17
1.2.3. Некоторые свойства функции распределения ............18
1.3. Числовые характеристики случайных величин .....................19
1.3.1. Используемая терминология .......................................19
1.3.2. Коэффициент вариации ..............................................23
1.3.3. Корреляция между двумя событиями .........................24
1.3.4. Коэффициент асимметрии Σt (или α3)........................25
1.3.5. Коэффициент эксцессса Ex (или αv) ............................26
Глава 2. Показатели надежности объектов
водоснабжения ......................................................................28
2.1. Формирование показателей надежности...............................28
2.2. Числовые характеристики ......................................................31
2.3. Законы надежности ................................................................36
2.3.1. Понятие о законах надежности ...................................36
2.3.2. Экспоненциальный (показательный) закон ...............37
2.3.3. Нормальный закон .......................................................40
2.3.4. Нормально-экспоненциальный закон ........................41
2.3.5. Закон Вейбулла.............................................................42
2.3.6. Гамма-распределение ...................................................43
Глава 3. Надежность системы .............................................................45
3.1. Надежность систем с последовательно соединенными
элементами .............................................................................45
3.1.1. Понятие объекта в теории надежности .......................45
3.1.2. Стареющие элементы ...................................................53
3.1.3. Надежность восстанавливаемого элемента .................55
3.2. Надежность системы при постоянном резервировании .......57

274
 3.3. Надежность системы при ненагруженном
резервировании.......................................................................60
3.4. Надежность невосстанавливаемой системы
с независимыми элементами .................................................62
3.4.1. Невосстанавливаемые системы ...................................62
3.4.2. Последовательное соединение ....................................64
3.4.3. Параллельное соединение ...........................................66
3.4.4. Комбинации последовательных и параллельных
соединений ...................................................................68
3.4.5. Модели зависимости элементов ..................................76
3.4.6. Надежность восстанавливаемой системы
с независимыми последовательно соединенными
элементами ...................................................................84
3.4.7. Марковские методы .....................................................92
3.4.8. Оценка надежности сложных восстанавливаемых
систем .........................................................................107
Глава 4. Сбор информации о надежности и проверка
статистических гипотез ....................................................... 111
4.1. Требования к информации ................................................... 111
4.2. Сведения о потоках отказов .................................................112
4.3. Пуассоновские потоки .........................................................114
4.4. Выбор модели потока отказов ..............................................114
4.5. Сущность проверки статистических гипотез ......................120
4.6. Проверка гипотез о законе распределения ..........................124
4.7. Выравнивание статистического распределения
с использованием λ-критерия (критерия Колмогорова) ....129
4.8. Проверка однородности наблюдений (исключения
ошибок наблюдений) ...........................................................132
4.9. Проверка гипотез о количественных характеристиках
распределений случайных величин .....................................134
4.9.1. Классификация параметрических гипотез ...............134
4.9.2. Проверка однородности дисперсий ..........................134
4.10. Проверка гипотез о равенстве средних ...............................141
4.11. Непараметрические статистические гипотезы...................148
Глава 5. Примеры оценки надежности водопроводных
сооружений ..........................................................................158
5.1. Элементы системы водоснабжения .....................................158
5.2. Количественная оценка надежности природных
источников ............................................................................158

275
 5.3. Оценка надежности трубопроводов .....................................163
5.4. Оценка надежности технологических систем насосных
станций .................................................................................172
5.4.1. Проверка однородности данных о наработке
на отказ насосных установок .....................................172
5.4.2. Проверка гипотезы о распределении наработки
на отказ насосной установки по закону Вейбулла ....176
5.4.3. Определение статистических параметров потока
отказов насосной установки ......................................182
5.4.4. Проверка гипотезы о законе распределения
времени восстановления насосной установки
после отказа по закону Эрланга 2-го порядка ...........185
5.5. Структурная схема технологической системы
насосной станции .................................................................189
5.5.1. Характеристика технологических систем
насосных станций ......................................................189
5.5.2. Обоснование структурных схем надежности
технологических систем насосных станций..............189
5.5.3. Условия отказа технологических систем
водопроводных насосных станций ............................191
5.5.4. Математическая модель надежности
технологической системы насосной станции ...........191
Заключение .......................................................................................198
Библиографический список .............................................................199
ПРИЛОЖЕНИЕ 1. Таблицы математической статистики ..............201
ПРИЛОЖЕНИЕ 2. Технологические схемы насосных станций
для примеров расчета ........................................................................270
 Учебное издание

Дерюшев Леонид Георгиевия

НАДЕЖНОСТЬ СООРУЖЕНИЙ СИСТЕМ ВОДОСНАБЖЕНИЯ

Учебное пособие

Редактор А.К. Смирнова

Корректор В.К. Чупрова
Компьютерная правка О.В. Суховой
Компьютерная верстка О.Г. Горюновой
Дизайн обложки Д.Л. Разумного

Подписано в печать 27.05.2015 г. Формат 60×84/16.

И-312. Усл.-печ. л. 00,00. Уч.-изд. л. 00,00. Тираж 100 экз. Заказ

Федеральное государственное бюджетное образовательное учреждение

высшего профессионального образования
«Московский государственный строительный университет».
129337, Москва, Ярославское ш., 26.
Издательство МИСИ – МГСУ.
Тел. (495) 287-49-14, вн. 13-71, (499) 188-29-75, (499) 183-97-95.
E-mail: ric@mgsu.ru, rio@mgsu.ru.
Отпечатано в типографии Издательства МИСИ – МГСУ.
Тел. (499) 183-91-90, (499) 183-67-92, (499) 183-91-44