故障树手册（Fault Tree handbook)（4）

最新推荐文章于 2022-06-16 07:50:31 发布

赵星汉同学

最新推荐文章于 2022-06-16 07:50:31 发布

阅读量1k

点赞数 1

分类专栏：软件测试软件工程文章标签：安全

本文链接：https://blog.csdn.net/sinat_34905048/article/details/105446339

版权

第六章概率理论：关于事件的数学描述

6.1 概述

通过学习前边的内容我们已经奠定了故障树的基础，我么几乎已经可以开始进入一些真实的故障树案例教学。但是，因为我们在第八章和第九章的例子中不仅有故障树的构建，还有故障树的评估，所以我们必须在第六章和第七章先把评估涉及的数学概念讲清楚。

第六章讲解了定量评估故障树所涉及的基础的数学知识：概率理论。概率论是故障树分析的基础，因为它提供了对事件的分析处理，而事件是故障树的基本组成部分。我们将讨论的概率论的主题包括结果集合和相对频率的概念、概率论的代数、组合分析和一些集合论。我们从结果集合的概念开始，它可以方便地用随机实验及其结果来描述。

6.2 随机试验和随机试验结果

随机试验被定义为可能获得的结果是不确定的观测活动。如果一个观测总是出现相同的结果，那么这个结果就是确定性的。如果结果是许多可能性中的一种，那么这个结果就是非确定的。因此，如果我们抛一个硬币来猜是“人头”还是“国徽”，我们就在进行一个抛硬币的随机试验。如果我们的硬币“有猫腻”，我们知道它两面都是“国徽”，我们就不是在进行随机试验，因为结果肯定是“国徽”。类似的，掷骰子是一个随机的实验，除非骰子在每次试验中都给出完全相同的结果。“随机试验”这个术语十分常见，读者可以举出大量的例子。测量某个弹簧的刚度、电机的故障时间、测量陨石中的铁含量等。很明显，我们周边许多观测都是随机试验。

随机试验的特点是把所有可能的结果一一列出。当结果不是很多时，列出所有结果相对容易，但是如果结果的数量非常大，清单或许将是大到无法实现。随机实验结果的项目化在数学上被称为结果空间，但我们认为“结果集合”这个术语更具有描述性。符号 ${E_1,E_2,...E_n}$ 将被用于表示事件 $E_1,E,2,...En$ 的结果集合。结果空间的概念将用几个例子进行说明。

名称	内容
随机试验	一次抛硬币
目标	判定是正面还是反面
结果集合	${T，H\}$

注意，如果当前存在有硬币掉进附近的缝隙中找不到的情况，则应该把这种情况加入到结果集合中。

名称	内容
随机试验	把硬币抛向一个有标尺的平面
目标	判定硬币不动后的坐标
结果集合	${\{x_1,y_1\},\{x_2,y_2\},...\}$ , ${x,y\}$ 是硬币的笛卡尔坐标。

注意，这个结果集合有无穷多的元素。

名称	内容
随机试验	启动柴油机
目标	判定柴油机能否正常启动
结果集合	${S,F\}$

名称	内容
随机试验	掷色子
目标	色子静止后的数字是多少
结果集合	${1,2,3,4,5,6\}$

名称	内容
随机试验	一次关闭阀门的尝试
目标	判定阀门关闭©还是保持开启(O)
结果集合	${C,O\}$

此外，如果我们考虑到部分故障模式，那么结果集合可能包含例如“阀门打开不到一半”，“阀门关闭后又自己打开了”之类的事件。

名称	内容
随机试验	系统运行规定长度的时间。系统中存在两个关键部件A和B，如果A和B之中任何一个有问题，系统就会发生故障。（因此A和B是单一故障）
目标	判定在时间 $t$ 内系统会如何出问题
结果集合	{系统没出问题，A故障导致系统故障，B故障导致系统故障，A和B都故障了导致系统故障}

注意，我们在结果集合中没有包含故障发生的时间，因为我们只关心系统在规定的时间内有没有发生故障。

名称	内容
随机试验	两个并行系统的运行，如果两个系统分别被指定为A和B，我们定义 $F_i=$ 系统i故障的事件， $O_i=$ 系统i没有失效的事件 $(i = A, B)$ 。
目标	判定在规定的时间区间系统是否失效
结果集合	${(F_A,O_B),(O_A,F_B)(O_A,O_B)(F_A,F_B)\}$

在本例中，系统总体故障只存在事件 $F_A,F_B)$ 。

6.3 概率的相对频率定义

假设一些随机试验，其结果集合是 $E_1,E_2,E_3...E_n$ 。假设我们重复N次试验，观察结果 $E_1$ 出现的次数。在重复N次后， $E_1$ 出现了 $N_1$ 次，我们就可以设定该结果出现的几率为
$\frac{N_1}{N}$
这个结果表示在进行该项随机试验N次，结果 $E_1$ 出现的频率。现在我们进一步探索这个问题：如果试验重复的次数N变成无穷大（ $N\to \infty$ ），那么这个几率是否会趋近于一个极限值？如果这个极限值存在，我们将这个极限值叫做事件 $E_1$ 相关的概率，用符号 $P(E_1)$ 表示。因此
$P(E_1)=\lim_{N \to \infty}(\frac{N_1}{N}) \tag{VI-1}$

从这个定义中我们可以轻松得到如下的性质：

$0<P(E_1)<1$
如果 $P(E_1)=1$ , $E_1$ 一定会发生。
如果 $P(E_1)=0$ ，则 $E_1$ 一定不会发生。

概率更正式的定义涉及到集合的原理，在这里不多做叙述，公式VI-1作为实用中使用的定义已经足够了。

6.4 概率的数学运算

我们从一个随机试验中选择A与B两个可能出现的结果，假设A与B是互斥的。这就意味着在试验的一次操作中A和B不会同时发生。举个例子，我们抛硬币只能得到“正面”或“反面”两个结果中的一个。我们不可能在一次抛硬币中同时获得正面和反面。如果A和B是互斥的，我们可以列出A与B概率间的数学表达：
$P(A\ or \ B)=P(A)+P(B) \tag{VI-2}$

这种关系有时被称为“概率的加法规则”,适用于互斥的事件。这个公式可以很容易的扩展到任意数量的互斥事件A，B，C，D，E，……
$P(A\ or\ B \ or \ C \ or\ D\ or \ E)=P(A)+P(B)+P(C)+P(D)+P(E) \tag{VI-3}$

而对于那些不是完全互斥的事件，我们就需要一个更加通用的公式。例如，假设一个掷色子的随机试验，我们定义如下两个事件：

A——“数字是2”
B——“数字是偶数”

很明显这两个事件不是完全互斥的，因为如果结果是2，那么A和B都符合。则现在 $P(A\ or\ B)$ 的通用表达为
$P(A\ or \ B)=P(A)+P(B)-P(A \ and \ B) \tag{VI-4}$

如果A和B是完全互斥的，那么 $\ and \ B)=0$ ，公式VI-4就变成了公式VI-2, 读者还应该注意到当事件并不互斥的情况下，公式VI-2总是对真实概率VI-4的一个上边界。现在让我们回到刚才的抛色子问题，我们通过数学方法计算 $P(A\ or\ B)$ ：
$\ or \ B)=1/6+1/2-1/6=1/2$

公式IV-4能被扩展到任意数量的事件。举个例子，对于A，B，C三个事件：
$\ or \ B \ or \ C)=P(A)+P(B)+P(C)-P(A \ and \ B) - P(A \ and \ C) - P(B \ and \ C)+P(A \ and \ B \ and \ C) \tag{VI-5}$

对于n个事件 $E_1,E_2,....,E_n$ ，通用的公式可以表示为：
$\begin{aligned} P(E_1 \ or \ E_2 \ or ...E_n)&= \sum_{i=1}^{n}P(E_i)-\sum_{i=1}^{n-1}\sum_{j=i+1}^{n}P(E_i \ and \ E_j) + \\ &\sum_{i=1}^{n-2}\sum_{j=i+1}^{n-1}\sum_{k=j+1}^{n}P(E_i \ and \ E_j \ and \ E_k)... + \\ &(-1)^n P(E_1 \ and \ E_2 and \ ...\ and \ E_n) \tag{VI-6}\end{aligned}$
(CSDN的公式渲染引擎是Katax，不支持split公式格式，怎么解决啊？)
如果我们忽略两个或以上事件 $E_i$ 同时发生的可能性概率，公式VI-6可以化简成
$P(E_1 \ or \ E_2 \ or \ ... \ E_n) = \sum_{i=1}^{n}P(E_i) \tag{VI-7}$

公式VI-7被称为“稀有事件近似法则（rare event approximation)”，当 $P(E_i)<0.1$ 时，它与真实概率之间的误差将小于10%。进一步说，任何误差都是保守的，因为真实概率会比公式VI-7的结果略低一些。稀有事件近似法则在故障树的量化中具有十分重要的作用，它将在第十一章中进一步论述。

现在有两个事件A和B，它们互相独立。这意味着实验中的几次重复期间，A的发生（不发生）对于随后B的发生没有任何影响，反之亦然。如果一个平衡性很好的钱币被随机抛起，第一次出现正面并不会对第二次出现反面的概率有任何影响，都是1/2。所以连续的抛硬币的结果是被看成是互相独立的。同样的，如果两个部件并行运行，它们互相间是隔离的，其中一个的故障并不会对另外一个造成影响。在这种情况下，部件的故障就是独立事件。如果A和B是互相独立的两个事件，我们可以写成
$\ and \ B)=P(A)P(B) \tag{VI-8}$
这经常被称作“概率的乘法原理”，我们也可以轻易的得到多个事件的扩展。
$\ and \ B \ and \ C \ and \ D)=P(A)P(B)P(C)P(D) \tag{VI-9}$

我们经常会遇到事件间并不是互相独立的，换句话说，它们是互相依赖的。举个例子，电路中过热的电阻会影响边上电感或其他电路的故障概率。星期二下雨的概率很大程度上受到星期一天气整体情况的影响。为了更好的探讨这一概念，我们将介绍条件概率的概念，我们引入条件概率的符号： $P (B ∣ A)$ ，它表示A事件已经发生的条件下，B事件发生的概率。A和B都发生的概率会变成如下形式
$\ and \ B)=P(A)P(B|A) = P(B)P(A|B) \tag{VI-10}$
如果A和B是互相独立的，那么 $\ and P(B|A) = P(B)$ ，公式VI-10就简化成了公式VI-8。公式VI-10构成了事件A和B联合发生的概率通用表示形式。

对于A、B、C三个事件，我们有
$\ and \ B \ and \ C) = P(A)P(B|A)P(C|A \ and \ B) \tag{VI-11}$
其中 $\ and \ B)$ 是A和B已经发生时C发生的概率。对于n个事件 $E_1,E_2,E_3...E_n$ ，
$P(E_1 \ and \ E_2 \ and \ E_3 \ ...E_n) = P(E_1)P(E_2|E_1)P(E_3|E_1 \ and \ E_2) \\ ... P(E_n|E_1 \ and \ E_2 ... \ and E_{n-1}) \tag{VI-12}$

我们举一个非常有用的例子，考虑如下的随机试验：我们从52张打乱规则的牌中选择一张。我们记下牌面（如7或者Q等等），并把它放在一边（我们并不把它放进牌堆里——这就是“不重复抽样”）。然后我们从余下的51张牌中再抽取一张并记录牌面。现在我们计算在这两次抽牌中，我们抽中A的概率是多少。这有三个互相独立的概率数据

第一张抽到A然后第二张不是A
第一张不是A然后第二张抽到A
第一张和第二张都抽到了A

我们用数学进行表达，这样看起来更加简洁：

$\begin{aligned} P(两次抽牌至少有一张A) &= P(A) \\ &= P(A_1 \ and \ \overline{A}_2)+P(\overline{A}_1 \ and \ A_2)+P(A_1 and A_2) \\ &= P(A_1)P(\overline{A}_2|A_1)+P(\overline{A_1})P(A_2|\overline{A_1})+P(A_1)P(A_2|A_1) \end{aligned}$

在这里字母的下标指的是第几次抽牌， $A$ 用于指代“抽到A”， $\overline{A}$ 用于指代“没有抽到A”。我们能求出这个表达式的值为
$\begin{aligned} P(A) = (\frac{4}{52})(\frac{48}{51})+(\frac{48}{52})(\frac{4}{51})+(\frac{4}{52})(\frac{3}{51})=\frac{396}{52\times 51}=\frac{33}{221}=0.149 \end{aligned}$
现在让我们计算得到一张A和一张K的概率：
$$ $\begin{aligned} P(A \ and \ K) &=P(A_1)P(K_2|A_1)+P(K_1)P(A_2|K_1) \\ &=(\frac{4}{52})(\frac{4}{51})+(\frac{4}{52})(\frac{4}{51}) \\ &=0.012 \end{aligned}$
我们现在指出一个很重要的观点。如果事件“抽到一张A”和事件“抽到一张K”是互相独立的，那么
$P(A \ and\ K)=P(A)P(K)=(0.149)^2 = 0.022$
但是我们刚算出 $\ and \ K)=0.012 \neq 0.022$ 。这是因为该问题涉及的两件事并不互相独立。在这一点上，读者应该能够提出一个论点，即如果抽到的第一张牌后放回排堆里，并且在第二次抽之前洗牌，那么所讨论的事件将是独立的。

故障树分析中的一个重要应用就是，计算在一个互相独立的事件集合中的一个及以上事件的发生概率。

假设一个互相独立的事件 ${E_1,E_2,E_3,...E_n}$ ，我们定义 $\overline{E_1}$ 表示 $E_1$ 的未发生事件，同样方法表示 $E_2$ 到 $E_n$ 。因为任何一个事件的结果都可能是发生或未发生。我们可以得到
$P(\overline{E_i})+P(E_i)=1 \tag{VI-13}$
$P(\overline{E_i}) = 1- P(E_i) \tag{VI-14}$