第1章：可靠性数学基础
各位同学好，我是老张。搞了十几年可靠性工程，我最大的体会就是：数学不是万能的，但没有数学是万万不能的。今天咱们就从最基础的可靠性数学开始聊起。
本章核心：掌握概率论基础、常见分布函数、参数估计与假设检验，这是后续所有可靠性建模的根基。
1.1 概率论基础：从抛硬币到产品失效
概率论这东西，说白了就是研究「不确定性」的学问。你想想看，一个产品什么时候会坏？没人能精确预测。但我们可以用概率来描述这种不确定性。
事件与概率
事件就是「可能发生也可能不发生」的事情。比如：
- 一个电阻在1000小时内失效
- 一台发动机启动成功
- 一个焊点在温度循环后出现裂纹
概率就是事件发生的可能性大小，取值在0到1之间。0表示不可能，1表示必然发生。
我的经验：刚入行时我总纠结「概率到底准不准」。后来在做一个电源模块的可靠性评估时，我用了概率模型预测的失效率，和实际返修数据一对比，误差在5%以内。从那以后我就信了——概率不是玄学，是数学。
条件概率
条件概率说的是「在已知某件事发生的情况下，另一件事发生的概率」。公式很简单：
P(A|B) = P(A∩B) / P(B)举个例子：已知某批电容在高温下工作了500小时还没坏，问它再工作500小时还不坏的概率是多少？这就是条件概率在可靠性中的典型应用。
注意：条件概率和独立事件要分清楚。如果A和B独立，那么P(A|B)=P(A)。但在可靠性中，很多事件并不独立——比如一个零件坏了，可能会加大其他零件的负荷，导致它们也更容易坏。
1.2 常见分布：可靠性工程师的「兵器库」
搞可靠性，你得熟悉几种常见的分布函数。我习惯把它们比作不同的「兵器」，各有各的适用场景。
指数分布
指数分布是可靠性中最基础的分布。它的特点是「无记忆性」——也就是说，一个产品用了多久，和它还能用多久没关系。
概率密度函数：f(t) = λe^(-λt), t ≥ 0
累积分布函数：F(t) = 1 - e^(-λt)
失效率函数：h(t) = λ（常数！）λ是失效率，单位是「失效次数/时间」。比如λ=0.001/小时，意味着平均每1000小时失效一次。
适用场景：电子元器件的随机失效期、系统偶然故障。我在做通信设备可靠性评估时，90%的元器件都用指数分布建模。
正态分布
正态分布大家应该很熟悉了，就是那个「钟形曲线」。在可靠性中，它常用于描述磨损类故障。
概率密度函数：f(t) = (1/(σ√(2π))) * e^(-(t-μ)²/(2σ²))μ是均值，σ是标准差。μ决定了分布的中心位置，σ决定了分布的「胖瘦」。
威布尔分布
威布尔分布是我个人最喜欢的分布，没有之一。为什么？因为它太灵活了！通过调整形状参数β，它可以模拟各种失效率变化趋势。
概率密度函数：f(t) = (β/η) * (t/η)^(β-1) * e^(-(t/η)^β), t ≥ 0
累积分布函数：F(t) = 1 - e^(-(t/η)^β)β是形状参数，η是尺度参数（特征寿命）。
| β值 | 失效率趋势 | 典型场景 |
|---|---|---|
| β < 1 | 递减（早期失效） | 电子元器件老化筛选 |
| β = 1 | 恒定（随机失效） | 等同于指数分布 |
| β > 1 | 递增（磨损失效） | 机械零件、轴承 |
避坑指南：我曾经在一个项目中直接用指数分布给机械轴承建模，结果预测寿命比实际短了3倍。后来换成威布尔分布（β=2.3），拟合效果就好多了。记住：指数分布只适用于失效率恒定的情况，别乱用。
1.3 参数估计：从数据到分布
有了分布函数，但不知道参数值，等于白搭。参数估计就是干这个的——从试验数据中「猜」出分布参数。
点估计
点估计给出一个具体的数值。最常用的方法是：
- 矩估计法：用样本均值、方差等统计量来估计总体参数
- 极大似然估计（MLE）：找到使观测数据出现概率最大的参数值
我个人更推荐MLE，因为它在大样本下性质更好。不过计算稍微复杂点，现在都用软件算了。
# 指数分布的MLE（Python示例）
import numpy as np
from scipy.stats import expon
# 假设有失效时间数据（小时）
data = [120, 340, 560, 780, 1020, 1500, 2100]
# MLE估计λ
lambda_hat = 1 / np.mean(data)
print(f"估计的失效率 λ = {lambda_hat:.4f} /小时")
print(f"平均寿命 MTBF = {1/lambda_hat:.1f} 小时")区间估计
点估计只有一个值，但你知道它准不准？区间估计给出了一个范围，以及这个范围包含真实参数的概率（置信水平）。
比如：95%置信区间 [0.0003, 0.0008] /小时，意思是真实失效率有95%的概率落在这个区间内。
1.4 假设检验：用数据说话
假设检验解决的是「判断」问题。比如：改进后的产品失效率是不是真的降低了？
基本思路：
- 提出原假设H0（比如：改进前后失效率相同）
- 计算检验统计量
- 根据p值判断是否拒绝H0
注意：p值小于0.05通常被认为有统计显著性，但这只是惯例。我在一个项目中遇到过p=0.051的情况，客户非要说是「显著」的，我坚持说「不显著」。后来增加了样本量，p值变成了0.03，才确认了改进有效。所以，别迷信p值，样本量也很重要。
常用的可靠性假设检验：
- 指数分布的失效率比较（F检验）
- 威布尔分布的形状参数比较（似然比检验）
- 两批产品的寿命分布是否相同（K-S检验）
我的习惯：做假设检验前，先画个概率图（Probability Plot）看看数据大致符合什么分布。这比直接套公式靠谱多了。有一次我光看数据觉得是指数分布，画完概率图才发现是威布尔分布——差点用错模型。
好了，这一章的内容就到这里。数学基础打牢了，后面讲可靠性框图、故障树、蒙特卡洛仿真的时候，你才能跟得上。记住：可靠性建模不是堆公式，而是用数学工具解决工程问题。
公众号:蓝海资料掘金营，微信deep3321