Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: momenty

Sortuj według:

Ogranicz wyniki do:

Moments of the weighted Cantor measures

Harding Steven N., Riasanovsky Alexander W. N.

Demonstratio Mathematica

2019

Vol. 52, nr 1

256--273

Based on the seminal work of Hutchinson, we investigate properties of α-weighted Cantor measures whose support is a fractal contained in the unit interval. Here, α is a vector of nonnegative weights summing to 1, and the corresponding weighted Cantor measure μα is the unique Borel probability measure on [0, 1] satisfying [wzór] where φn : x ↦ (x+n)/N. In Sections 1 and 2 we examine several general properties of the measure μα and the associated Legendre polynomials in L2μα[0,1]. In Section 3, we (1) compute the Laplacian and moment generating function of μα, (2) characterize precisely when the moments Im = ∫[0,1]xmdμα exhibit either polynomial or exponential decay, and (3) describe an algorithm which estimates the firstmmoments within uniform error ε in O((loglog(1/ε))·m log m). We also state analogous results in the natural case where α is palindromic for the measure να attained by shifting μα to [−1/2,1/2].

Metoda analizy niepewności oparta na połączeniu zasady maksymalnej entropii i metody oceny punktowej

Zhang X. L., Huang H. Z., Wang Z. L., Xiao N. C., Li Y. F.

Eksploatacja i Niezawodność

2012

Vol. 14, No. 2

114-119

Niepewność jest nieodłącznym elementem procesów projektowania produktu. Dlatego też podejmowanie niezawodnych decyzji wymaga analizy niepewności, która uwzględniałaby wszystkie rodzaje niepewności. W praktyce inżynierskiej, z powodu niepełnej wiedzy, wyznaczenie rozkładu niektórych zmiennych projektowych nie jest możliwe. Co więcej, funkcja stanu granicznego jest wysoce nieliniowa, co sprawia, że do poprawnego obliczenia prawdopodobieństwa uszkodzenia potrzebna jest znajomość momentów wyższych rzędów tej funkcji. W niniejszej pracy zaproponowano metodę analizy niepewności łączącą zasadę maksymalnej entropii z metodą bootstrapową. W pierwszej części pracy wykorzystano metodę bootstrapową do obliczenia przedziałów ufności czterech pierwszych momentów dla zmiennych losowych typu mieszanego oraz zmiennych z próby. Następnie, wyznaczono momenty wyższych rzędów funkcji stanu granicznego przy użyciu metody redukcji wymiarów. Po trzecie, w celu obliczenia funkcji gęstości prawdopodobieństwa (PDF) oraz dystrybuanty (CDF) funkcji stanu granicznego, sformułowano model optymalizacji oparty na zasadzie maksymalnej entropii. Proponowana metoda nie wymaga założenia znajomości rozkładów zmiennych losowych ani obliczania wrażliwości dla funkcji stanu granicznego w odniesieniu do najbardziej prawdopodobnego punktu awarii. W końcowej części artykułu porównano na podstawie przykładów numerycznych wyniki otrzymane za pomocą proponowanej metody oraz symulacji Monte Carlo (MCS).

Uncertainty is inevitable in product design processes. Therefore, to make reliable decisions, uncertainty analysis incorporating all kinds of uncertainty is needed. In engineering practice, due to the incomplete knowledge, the distribution of some design variables can not be determined. Furthermore, the performance function is highly nonlinear, therefore, the high order moments of the performance function are needed to calculate the probability of failure accurately. In this paper, an uncertainty analysis method combining the maximum entropy principle and the bootstrapping method is proposed. Firstly, the bootstrapping method is used to calculate the confidence intervals of the first four moments for mixed random variables and sample variables. Secondly, the high order moments of limit state functions are estimated using the reduced dimension method. Thirdly, to calculate the probability density function (PDF) and cumulative distribution function (CDF) of the limit state functions, an optimization model based on the maximum entropy principle is formulated. In the proposed method, the assumptions that the distribution of the random variables are known and the calculation of the sensitivity for limit state function with respect to the Most Probable Point (MPP) are avoided. Finally, comparisons of results from the proposed methods and the MCS method are presented and discussed with numerical examples.