3. 样本量设计的基本统计框架

加速寿命试验的样本量设计，本质上不是“拍一个数”，而是在四个统计量之间做平衡：显著性水平 α、检验功效 1−β、可检测效应量 Δ、样本量 n。这四个量构成一个闭合的数学关系——已知其中三个，第四个就被唯一确定。理解这个关系，是后续所有样本量公式推导的起点。

一、假设检验：把工程问题翻译成统计命题

加速寿命试验通常关心的是“产品在正常应力下的特征寿命是否达到目标”。设加速模型外推得到的特征寿命为 η，目标值为 η₀，则检验可写为：

H₀: η ≥ η₀   （寿命达标，产品合格）
H₁: η < η₀   （寿命不达标，产品不合格）

这是一个单侧检验。选择单侧而非双侧，是因为工程上只关心“是否低于目标”，不关心“是否显著高于目标”。单侧检验在相同 α 下比双侧检验有更高功效，因此样本量更省。

检验统计量取决于寿命分布假设。若寿命服从 Weibull 分布且形状参数已知，可用对数寿命的正态近似：

Z = (μ̂ − μ₀) / (σ / √n)

其中 μ = ln η 为对数特征寿命，σ 为对数寿命标准差。当 Z 小于临界值 −z_{1−α} 时拒绝 H₀。这里 z_{1−α} 是标准正态分布的 1−α 分位数，例如 α = 0.05 时 z_{0.95} = 1.645。

二、两类错误与功效的物理含义

假设检验会犯两类错误。第一类错误（α）是“合格误判为不合格”，即生产者风险；第二类错误（β）是“不合格误判为合格”，即使用者风险。功效 1−β 就是“不合格时能正确检出的概率”。

在加速寿命试验中，α 通常取 0.05 或 0.10，β 通常取 0.10 或 0.20。α 越小，拒绝门槛越严，越难检出真实的不合格，因此需要更大样本量来维持功效。这就是 α 与 n 之间的第一层张力。

三、置信区间：样本量的另一种表达

置信区间与假设检验是同一枚硬币的两面。若要求特征寿命的 100(1−α)% 置信下限不低于 η₀，则等价于在 α 水平下拒绝 H₀。置信区间宽度直接由样本量决定：

η 的置信区间半宽 ≈ z_{1−α/2} · σ / √n   （双侧）
η 的置信下限 ≈ μ̂ − z_{1−α} · σ / √n     （单侧）

因此，“希望估计精度达到 ±δ”这一工程语言，可以直接翻译成样本量公式：n = (z_{1−α/2} · σ / δ)²。这是置信区间视角下最常用的样本量估算式。

四、功效方程：把四个量锁在一起

把“真实寿命低于目标 Δ = μ₀ − μ₁”这一情形代入检验统计量，可得到功效方程：

1 − β = Φ( z_{1−α} − Δ·√n / σ )

其中 Φ 为标准正态累积分布函数。反解出样本量：

n = [ (z_{1−α} + z_{1−β}) · σ / Δ ]²

这个公式是本节的核心。它清楚显示：样本量与 σ² 成正比，与 Δ² 成反比。也就是说，寿命分散越大、要检出的差异越小，样本量就越大，且呈平方级增长。把 Δ 减半，样本量要翻四倍。

n = [ (1.645 + 1.282) × 0.8 / 0.36 ]²
  = [ 2.927 × 0.8 / 0.36 ]²
  = [ 6.504 ]²
  ≈ 42.3 → 取整为 43 个失效样本

五、加速因子对样本量的修正

加速寿命试验的样本量公式还要引入加速因子 AF。若在加速应力下进行试验，等效于正常应力下的信息量会放大。设加速因子为 AF，则加速应力下的等效样本量需求为：

n_acc = n_normal / AF^m

其中 m 与寿命分布和加速模型有关。对 Weibull 分布、对数线性加速模型，m 通常取 1（对特征寿命）或与形状参数相关。这意味着加速因子越大，所需样本量越小，但外推不确定性也越大，需要在样本量与外推风险之间权衡。

六、从公式到工程决策

实际使用这个框架时，建议按以下顺序推进：

1. 先定 α 和 β。α 由产品责任等级决定，β 由对漏检的容忍度决定。两者一旦确定，z 值就固定了。
2. 再估 σ。σ 来自历史试验数据、同类产品数据或预试验。σ 估计不准是样本量设计最大的风险来源，建议做敏感性分析。
3. 确定 Δ。Δ 不是统计量，而是工程判断：多小的寿命下降是必须检出的？Δ 越小，样本量越大，成本越高。
4. 代入公式求 n，再根据截尾比例、加速因子、试验台位数量反推投试样本量。
5. 做敏感性分析。把 σ 和 Δ 各上下浮动 20%，观察 n 的变化范围，判断设计是否稳健。

总结来说，假设检验提供了判断框架，置信区间提供了精度视角，功效方程把 α、β、Δ、n 锁成一个可解的等式。掌握这个等式，就能在加速寿命试验设计阶段，用工程语言和统计语言同时说清楚“为什么要这么多样本”。