3. 先验分布的概念
在贝叶斯可靠性分析中，先验分布是核心起点。它是在观测到试验数据之前，对未知参数（如失效率 λ、平均寿命 θ、可靠度 R(t)）所持有的不确定性概率描述。先验分布将工程经验、历史数据、专家判断等“先验信息”转化为数学形式，为后续的贝叶斯更新提供基础。
3.1 先验分布的定义
设未知参数为 θ，其取值空间为 Θ。先验分布是一个定义在 Θ 上的概率分布，记为 π(θ)，满足：
- 概率测度：π(θ) ≥ 0，且 ∫Θ π(θ) dθ = 1（连续）或 ∑ π(θ) = 1（离散）。
- 主观性与客观性的统一：π(θ) 既反映分析者基于已有知识的主观信念，又需遵循概率公理以保证数学严谨性。
- 贝叶斯定理的输入：先验分布与似然函数 L(data|θ) 结合，通过贝叶斯公式得到后验分布：
π(θ|data) = [L(data|θ) · π(θ)] / ∫ L(data|θ) π(θ) dθ其中分母为归一化常数（边际似然），确保后验分布积分为 1。
关键理解：先验分布不是“猜测”，而是对参数不确定性的量化承诺。它决定了贝叶斯推断的起点，并在样本量较小时对结果产生显著影响。
3.2 先验信息的重要性
先验信息是贝叶斯方法区别于经典频率学派的核心优势。在可靠性工程中，先验信息尤为重要，因为：
| 场景 | 经典方法困境 | 贝叶斯方法优势 |
|---|---|---|
| 高可靠、长寿命产品 | 试验时间极长，失效数据极少，点估计方差极大 | 利用相似产品历史失效率作为先验，大幅缩小置信区间 |
| 昂贵或一次性系统 | 无法进行大量破坏性试验 | 结合设计裕度、仿真数据、专家评分构建先验 |
| 加速寿命试验 | 外推模型不确定性高 | 将物理失效机理的先验知识融入加速模型参数 |
| 小批量、多品种生产 | 每个批次样本量不足 | 通过层级先验（Hierarchical Prior）借用批次间信息 |
工程经验：在航空发动机涡轮盘寿命评估中，仅靠 3~5 个轮盘的低循环疲劳试验数据，经典方法无法给出有工程意义的寿命下限。而引入材料 S-N 曲线、相似盘历史数据作为先验，贝叶斯方法可给出合理的可靠寿命估计。
3.3 无信息先验与有信息先验
根据先验信息的有无和强弱，先验分布可分为两大类：
3.3.1 无信息先验（Non-informative Prior）
当缺乏可靠的先验知识，或希望让数据“自己说话”时，使用无信息先验。其设计原则是“对参数取值不施加偏好”。
- 均匀先验（Uniform Prior）：π(θ) ∝ 常数。对位置参数（如正态均值 μ）适用，但对尺度参数（如标准差 σ）非不变。
- 杰弗里斯先验（Jeffreys Prior）：π(θ) ∝ √det[I(θ)]，其中 I(θ) 为 Fisher 信息量。具有参数变换不变性，是更“客观”的无信息先验。
- 参考先验（Reference Prior）：基于最大化后验分布与先验分布之间的 Kullback-Leibler 散度，适用于多维参数情形。
注意：无信息先验通常不是正常概率分布（积分发散），称为“非正常先验”。但只要后验分布正常，贝叶斯推断仍然有效。例如，对失效率 λ 取 Jeffreys 先验 π(λ) ∝ 1/λ，后验为 Gamma 分布。
3.3.2 有信息先验（Informative Prior）
当拥有可靠的先验信息时，应使用有信息先验。其构建方法包括：
| 方法 | 描述 | 可靠性工程示例 |
|---|---|---|
| 共轭先验 | 先验与后验属于同一分布族，计算简便 | 指数寿命试验：λ ~ Gamma(α, β)，后验仍为 Gamma |
| 历史数据拟合 | 用同类产品历史失效数据拟合分布 | 某型继电器失效率历史均值为 5×10⁻⁶/h，方差 1×10⁻¹² |
| 专家启发 | 通过结构化问卷获取专家对分位数、均值的判断 | 专家认为某新材料的 Weibull 形状参数在 1.5~2.5 之间 |
| 物理模型转化 | 从失效物理模型推导参数分布 | Arrhenius 模型激活能 Ea ~ N(0.8, 0.1²) eV |
3.4 先验分布选择流程
下图展示了在可靠性贝叶斯分析中选择先验分布的系统化流程：
3.5 先验分布对比总结
| 维度 | 无信息先验 | 有信息先验 |
|---|---|---|
| 信息含量 | 极低，近似“空白状态” | 高，融入工程经验与历史数据 |
| 适用阶段 | 全新产品、无历史数据、探索性分析 | 成熟产品、有相似型号数据、专家知识可用 |
| 后验主导因素 | 样本数据 | 先验 + 样本数据（样本少时先验主导） |
| 风险 | 小样本时后验方差过大，估计不稳定 | 先验错误可能导致偏差，需敏感性分析 |
| 典型分布 | π(λ) ∝ 1/λ, π(μ) ∝ 1, π(σ) ∝ 1/σ | λ ~ Gamma(α,β), μ ~ N(μ₀,σ₀²) |
实践建议：在可靠性工程中，优先使用有信息先验，但必须进行敏感性分析——即尝试不同先验（包括无信息先验），观察后验推断是否稳健。若后验对先验选择敏感，则应收集更多数据或重新审视先验的合理性。