はじめに
ある機器が、今後どのタイミングで故障するのかを予測する場合、正規分布などのオーソドックスな確率分布関数を当てはめるのは難しい。というのは、機器の故障というのは、原則として修理等をしなければ、1回故障したら終わりである。また、機器の部品において重要な箇所がたった一か所だけでも壊れたら他がどんなに健全でも故障する。
以上のことを考えて故障をモデル化するのは難しい。しかし、そのようなモデルは複数考えられている。そこで、単純に機器の経年劣化は考慮せず常に同じ確率で故障するという仮定のもとで考えられたのが指数分布である。そして、経年劣化を単純な式で表したのがワイブル分布である。
今回は、累積分布関数と確率密度関数をある単純な関係式で関連付けた積分方程式を紹介しそれを数値計算することで、指数分布やワイブル分布を再現することを目的とする。
モデルの導入
ある時刻$x_0$ちょうどで故障するモデルを考える。($x<x_0$では健全だったが、$x=x_0$で故障した。)
ここで、モデルの確率密度関数を$f(x)$として、その積分で表される累計分布関数を以下のように定義する。
F(x)=\int^{x}_{0} f(x) dx
このとき、$0<x<x_0$までは、健全だったが$x=x_0$で始めて故障する条件付き確率$\lambda (x)$は以下のように定義される。
\lambda (x)=\frac{f(x)}{1-F(x)}
つまり、
\lambda (x)=\frac{f(x)}{1-\int^{x}_{0}f(x)dx}
ここで、分数関数の積分で威力を発揮する魔法の公式
\int \frac{g'(x)}{g(x)}dx=\log{g(x)}+Const
を用いて、区間$0\le x \le x_0$まで積分すると以下のようになる。
\int^{x_0}_{0} \lambda (x)dx=-\int^{x_0}_{0}{\frac{(1-F(x))'}{1-F(x)}}dx=-log(1-F(x_0))
したがって、
F(x)=1-\exp \{ - \int_{0}^{x}\lambda(x)dx\}
f(x)=\lambda (x) \exp \{ -\int^x_0 \lambda (x) dt \}
となる。ただし、$\lambda(x)=\lambda$と定数関数になる場合を特に指数分布といい、$\lambda (x)=abx^{b-1}$ただし、$(a>0,b>0)$となる場合を特にワイブル分布と呼ぶ。
プログラム
アルゴリズム
まず$x=x$時点での$f(x)$は積分方程式より、以下のように表せる。
f(x)=\lambda (x)(1-F(x))
ここで、微小時間$dx $を考えるとき、以下の事が近似的に成立する。
F(x+dx)=F(x)+f(x)dx
ここで、したがって、$f(x+dx)$は$f(x)$および$F(x)$のみで表現することができる。
したがって、上記の考えを差分法の一種であるオイラー法で表現する。
Python
以下のようなプログラムを作成した。
import numpy as np
import matplotlib.pyplot as plt
import japanize_matplotlib
import math
x_ary=[]
f_ary=[]
F_ary=[]
x_max=10
F=0
delta_x=1.0*10**-5
x=0
#Λの定義とパラメータ(ワイブル分布)
a=1.0
b=2.0
while x < x_max:
lamda=a*b*(x**(b-1))
f=lamda*(1-F)
F=F+f*delta_x
x=x+delta_x
x_ary.append(x)
f_ary.append(f)
F_ary.append(F)
plt.plot(x_ary, f_ary, label='f(x)')
plt.plot(x_ary, F_ary, label='F(x)')
plt.legend()
plt.xlabel('x')
plt.ylabel('f(x),F(x)')
plt.title('ワイブル分布 b='+str(b))
plt.savefig("指数分布とワイブル分布"+str(b)+".png")
plt.show()
結果
これを実行すると以下のようなグラフが出力される。
b=1
b=2
まとめ
今回は、故障予測などで多用される確率密度関数として指数関数とワイブル分布を紹介した。具体的には、ある積分方程式モデルを理論解析的に解いた。次に、計算機を用いた数値計算を行うことで、理論解析と齟齬が無いことを確認した。
参考文献

