4. 对数正态分布的参数估计
在疲劳寿命数据分析中，获得样本数据后，需要估计对数正态分布的两个关键参数：对数均值 μ 和对数标准差 σ。常用的参数估计方法有两种：极大似然估计法（MLE） 和 矩估计法（MoM）。两种方法各有侧重，适用于不同的工程场景。
4.1 极大似然估计法（MLE）
极大似然估计法通过最大化样本数据的联合概率密度函数（似然函数）来求解参数。对于对数正态分布，通常先对原始疲劳寿命数据取自然对数，然后对变换后的正态分布数据进行参数估计。
核心步骤：
- 数据变换： 设原始疲劳寿命数据为 \( t_1, t_2, \dots, t_n \)，计算 \( x_i = \ln(t_i) \)。
- 构建似然函数： 对于正态分布 \( N(\mu, \sigma^2) \)，似然函数为：
L(μ, σ²) = ∏ (1 / (σ√(2π))) · exp( - (x_i - μ)² / (2σ²) ) - 取对数并求导： 对似然函数取自然对数，然后分别对 μ 和 σ² 求偏导，令导数为零。
- 得到估计量：
- 对数均值 μ 的 MLE： \( \hat{\mu} = \frac{1}{n} \sum_{i=1}^{n} x_i \)（样本对数均值）
- 对数方差 σ² 的 MLE： \( \hat{\sigma}^2 = \frac{1}{n} \sum_{i=1}^{n} (x_i - \hat{\mu})^2 \)（有偏估计）
工程提示： 在疲劳寿命分析中，当样本量较小（如 n < 30）时，建议使用无偏修正的样本方差 \( s^2 = \frac{1}{n-1} \sum (x_i - \bar{x})^2 \) 替代 MLE 的方差估计，以减小系统偏差。
4.2 矩估计法（MoM）
矩估计法基于“样本矩等于总体矩”的原则。对于对数正态分布，利用原始数据的一阶矩（均值）和二阶矩（方差）来反推参数 μ 和 σ。
核心步骤：
- 计算样本矩： 设原始疲劳寿命数据为 \( t_1, t_2, \dots, t_n \)，计算样本均值 \( \bar{t} \) 和样本方差 \( s_t^2 \)。
- 建立矩方程： 对数正态分布的总体均值与方差公式为：
E[T] = exp(μ + σ²/2) Var[T] = [exp(σ²) - 1] · exp(2μ + σ²) - 求解参数： 令样本矩等于总体矩，解方程组得：
σ̂² = ln( 1 + s_t² / (t̄)² ) μ̂ = ln( t̄ ) - σ̂² / 2
注意： 矩估计法计算简单，不需要迭代求解，但估计效率通常低于 MLE。当样本数据中存在极端值（如早期失效或长寿命异常点）时，矩估计对样本方差敏感，可能导致参数估计偏差较大。
4.3 两种方法的对比
| 对比维度 | 极大似然估计（MLE） | 矩估计（MoM） |
|---|---|---|
| 计算复杂度 | 需迭代求解（正态变换后可直接计算） | 直接公式计算，无需迭代 |
| 小样本性能 | 方差估计有偏，需修正 | 方差估计无偏，但效率较低 |
| 大样本性能 | 渐近有效、渐近无偏 | 一致估计，但非有效 |
| 对极端值敏感度 | 中等（受对数变换影响） | 较高（直接使用样本方差） |
| 工程应用场景 | 高精度分析、可靠性评估 | 快速估算、初步设计阶段 |
工程建议： 在疲劳寿命数据分析中，优先使用极大似然估计法，尤其是当样本量 n ≥ 30 时。若需快速获得参数用于初步设计，或数据质量较差（如存在较多删失数据）时，矩估计法可作为备选方案。