4. 经典统计方法在稀有事件中的应用

稀有失效事件的概率估计有一个根本困难：样本里“什么都没发生”往往才是常态。假设某安全阀每年动作约 200 次，十年累计 2000 次动作中只出现过 1 次拒动，那么直接算出的经验频率是 5×10⁻⁴，但这个数字几乎完全由那一次事件决定，换一年数据就可能变成 0 或 1×10⁻³。经典统计方法的价值，正是在这种“事件极少、信息极稀”的条件下，给出有明确假设前提、可计算、可解释的概率估计与置信区间，而不是把一次偶然观测当成精确概率。

本节围绕三个模型展开：二项分布处理“n 次独立试验中发生 k 次”的计数型稀有事件；泊松分布处理“单位时间或单位暴露量内发生 k 次”的稀有事件；指数分布处理“稀有事件发生前等待时间”的连续型问题。三者并非互相替代，而是对应不同的观测方式和不同的提问方式。

一、模型选择：先看观测方式，再看假设条件

选择模型的第一个判断是：观测到的是“试验次数与失败次数”，还是“暴露时间/暴露量与事件数”，还是“两次事件之间的间隔”。第二个判断是假设是否成立：二项分布要求每次试验相互独立且失效概率 p 恒定；泊松分布要求事件在暴露区间内独立、稀疏、发生率 λ 恒定，且不发生“聚集”（一次触发引发多次失效）；指数分布则要求失效率恒定（无记忆性），对应浴盆曲线的平坦段，不适用于早期失效或耗损失效阶段。

二、二项分布：成败型试验中的 p 估计与置信区间

二项分布适用于每次试验只有“成功/失败”两种结果、试验相互独立、失效概率 p 恒定的场景，例如某型继电器在规定动作次数内的拒动、某批次密封圈在压力循环中的泄漏。n 次试验中失效 k 次的概率为 P(X=k)=C(n,k)pᵏ(1−p)ⁿ⁻ᵏ，p 的点估计是 p̂=k/n。

稀有事件下 p̂ 的问题在于：当 k=0 时 p̂=0，这在工程上不可接受——没有观测到失效不等于失效概率为零。此时应使用单侧置信上限。以“零失效”为例，在置信水平 1−α 下，p 的单侧上限满足 (1−p)ⁿ=α，即 p_U=1−α^(1/n)。若某部件完成 n=500 次动作且零失效，取 95% 置信水平，则 p_U=1−0.05^(1/500)≈5.99×10⁻³。这个结果的含义是：数据与“失效率高达约 6×10⁻³”并不矛盾，不能宣称失效率低于千分之一。

当 k≥1 时，推荐使用 Clopper-Pearson 精确区间，它基于二项分布与 Beta 分布的关系：下限为 Beta(α/2, k, n−k+1) 分位数，上限为 Beta(1−α/2, k+1, n−k) 分位数。以 n=2000、k=1 为例，95% 双侧区间约为 [1.3×10⁻⁵, 2.8×10⁻³]，跨度超过两个数量级——这正是稀有事件估计的典型特征，也说明只报点估计 5×10⁻⁴ 会严重误导。若样本量很大而 p 很小，可用正态近似 p̂±z√(p̂(1−p̂)/n)，但 k 小于约 5 时近似不可靠，应回到精确法。

三、泊松分布：暴露量下的发生率 λ

当观测不是“固定次数的试验”，而是“一段暴露量内的事件数”时，泊松分布更自然。例如某类阀门在累计 12 万运行小时内发生 3 次卡涩，或某车队在 500 万公里行驶里程中发生 2 次同类失效。泊松模型假设事件独立、稀疏、发生率 λ 恒定，P(X=k)=e^(−λT)(λT)ᵏ/k!，点估计 λ̂=k/T。

泊松分布的置信区间有精确的卡方构造：在置信水平 1−α 下，λ 的下限为 χ²_α/2(2k)/(2T)，上限为 χ²_1−α/2(2k+2)/(2T)；k=0 时下限取 0，上限为 χ²_1−α(2)/(2T)=−ln(α)/T。以 T=12 万小时、k=3、95% 置信为例，下限约为 χ²_0.025(6)/(2×120000)≈1.37×10⁻⁵/h，上限约为 χ²_0.975(8)/(2×120000)≈5.45×10⁻⁵/h。若 k=0，则 95% 上限为 3.0/120000≈2.5×10⁻⁵/h，即“零事件”只能把发生率压到约 2.5×10⁻⁵/h 以下，而不是零。

使用泊松模型前必须检验“方差≈均值”这一特征。若同一设备在不同工况下失效率差异明显，或一次触发引发连锁多次失效，事件就不再独立稀疏，应改用负二项分布或分层泊松模型，否则区间会被系统性低估。

四、指数分布：等待时间与恒定失效率

指数分布描述稀有事件发生前的等待时间，其生存函数 R(t)=e^(−λt)，失效率恒为 λ，MTTF=1/λ。它适用于浴盆曲线的平坦段，即失效由随机外部冲击主导、与已运行时间无关的场合。若观测到 r 个完整失效时间 t₁…t_r，则 λ̂=r/Σt_i；若试验在总时间 T 处截尾且只观测到 r 次失效，则 λ̂=r/T。区间构造利用 2rλ/λ̂ 服从 χ²(2r) 的性质，得到 λ 的区间为 [χ²_α/2(2r)/(2T), χ²_1−α/2(2r+2)/(2T)]。

需要强调的是，指数分布的“无记忆性”是一个强假设。若数据来自磨损、腐蚀、疲劳等累积损伤机制，失效率随年龄上升，用指数分布会把早期风险低估、后期风险高估。此时应先做失效率趋势检验（如累积失效数对时间的拉普拉斯检验），确认趋势不显著后再使用指数模型。

五、工程实践中的报告方式

在稀有失效事件报告中，建议同时给出四项内容：模型及假设、样本量与暴露量、点估计、置信区间。例如“基于 2000 次动作、1 次拒动的二项模型，p 的点估计为 5×10⁻⁴，95% 精确区间为 [1.3×10⁻⁵, 2.8×10⁻³]”。这样的表述既保留了数据信息，也诚实反映了不确定性。当 k=0 时，应明确写出“未观测到失效，95% 置信上限为 X”，而不是写“失效率为 0”。此外，应记录数据来源、观测窗口和删失情况，因为区间宽度对样本量和暴露量高度敏感，任何省略都会让后续复核失去依据。