3、概率论与数理统计基础：随机变量、概率分布（指数、正态、威布尔等）、期望与方差、大数定律与中心极限定理
蒙特卡洛仿真的本质，是通过大量随机抽样来逼近复杂系统的真实行为。因此，理解随机变量的生成逻辑、概率分布的数学特征以及统计推断的理论基石，是构建可靠仿真模型的前提。本章将系统梳理概率论与数理统计中与可靠性工程直接相关的核心概念，重点聚焦指数分布、正态分布、威布尔分布在寿命分析中的应用差异，并深入解析期望、方差、大数定律与中心极限定理如何支撑蒙特卡洛方法的收敛性与误差控制。
3.1 随机变量与概率分布：可靠性建模的数学语言
在可靠性工程中，产品的寿命（Time-to-Failure, TTF）本质上是一个随机变量。我们无法精确预知单台设备何时失效，但可以通过概率分布描述其失效时间的统计规律。随机变量分为离散型与连续型两类：离散型随机变量取有限或可数个值（如失效次数），连续型随机变量在某个区间内连续取值（如失效时间）。蒙特卡洛仿真的第一步，就是根据系统组件的失效模式，为其寿命选择合适的概率分布模型，并生成服从该分布的随机数序列。
可靠性分析中最常用的三种连续分布各有其物理背景与适用场景。指数分布是唯一具有"无记忆性"的连续分布，其失效率为常数λ，适用于电子元器件在偶然失效期（浴盆曲线底部）的建模。正态分布描述对称的随机波动，常用于机械磨损、尺寸偏差等退化型失效。威布尔分布则通过形状参数β灵活刻画失效率随时间的变化趋势：β<1表示早期失效（失效率递减），β=1退化为指数分布，β>1表示耗损失效（失效率递增）。
| 分布类型 | 概率密度函数 f(t) | 失效率 h(t) | 典型应用场景 |
|---|---|---|---|
| 指数分布 | λe-λt | λ（常数） | 电子元件、随机失效、无冗余系统 |
| 正态分布 | (1/σ√2π)·e-(t-μ)²/2σ² | 递增（t增大时） | 机械磨损、材料疲劳、退化过程 |
| 威布尔分布 | (β/η)·(t/η)β-1·e-(t/η)β | (β/η)·(t/η)β-1 | 多阶段失效、早期/耗损/随机失效统一建模 |
3.2 期望与方差：仿真输出的统计度量
期望E(X)是随机变量取值的加权平均，反映系统的平均寿命（MTTF）；方差Var(X)度量取值偏离期望的程度，反映寿命的离散性。在蒙特卡洛仿真中，每次仿真运行得到一组系统失效时间样本，通过计算样本均值与样本方差，即可估计系统的平均寿命与寿命波动范围。根据大数定律，当仿真次数N足够大时，样本均值依概率收敛于总体期望；而中心极限定理进一步告诉我们，样本均值的分布近似正态，其标准差为σ/√N，这为仿真误差的量化提供了理论依据。
实际操作中，工程师需要关注两个关键指标：一是仿真结果的置信区间，通常以"均值±1.96×标准误"构建95%置信区间；二是仿真精度，即允许的误差范围δ。根据中心极限定理，所需仿真次数N≈(1.96σ/δ)²。例如，若某系统寿命标准差σ=100小时，要求误差不超过±10小时，则至少需要N≈(1.96×100/10)²≈384次仿真。这一公式是蒙特卡洛仿真方案设计的基础。
3.3 大数定律与中心极限定理：蒙特卡洛收敛性的理论保障
大数定律（LLN）与中心极限定理（CLT）是蒙特卡洛方法的两大理论支柱。大数定律保证：当抽样次数趋于无穷时，样本均值几乎必然收敛于总体均值。这意味着只要仿真次数足够多，蒙特卡洛估计就是无偏且一致的。中心极限定理则进一步刻画了收敛的速度与误差分布形态：无论总体分布如何，当N足够大时，样本均值的标准化形式近似服从标准正态分布。这使我们可以用正态分布的性质构建置信区间，评估仿真结果的可靠性。
在工程实践中，这两个定理的应用体现在三个方面：第一，确定最小仿真次数，避免盲目增加计算量；第二，验证仿真结果的收敛性，通过绘制"均值-仿真次数"曲线观察其是否趋于平稳；第三，比较不同仿真方案的精度，选择计算成本与精度平衡的方案。需要注意的是，CLT要求样本独立同分布且方差有限，对于重尾分布（如某些威布尔分布β<1时），收敛速度可能较慢，需要适当增加仿真次数。
3.4 案例拆解：某型液压泵寿命分布的蒙特卡洛建模
背景与目标：某航空液压泵的寿命数据经初步分析不符合指数分布，工程师怀疑其存在磨损老化机制。目标是通过蒙特卡洛仿真，估计该泵的可靠度函数R(t)与平均寿命MTTF，并确定合理的预防性更换周期。
关键输入数据：收集到20台泵的失效时间（小时）：820, 950, 1100, 1250, 1380, 1450, 1520, 1600, 1680, 1750, 1820, 1900, 1980, 2050, 2150, 2280, 2400, 2550, 2700, 2900。初步统计：样本均值=1780h，样本标准差=580h。
分析判断过程：首先，绘制概率图（Weibull Plot）检验数据是否服从威布尔分布。计算得到形状参数β≈2.3（>1），尺度参数η≈2010h。β>1表明失效率随时间递增，符合磨损老化特征。若误用指数分布（β=1），会严重低估早期失效风险。随后，建立蒙特卡洛仿真模型：从威布尔分布(β=2.3, η=2010)中抽取N=5000个失效时间样本。
实际操作步骤：
- 使用逆变换法生成威布尔随机数：T = η·(-ln(1-U))^(1/β)，其中U为[0,1]均匀随机数。
- 对5000个样本排序，计算经验可靠度函数 R̂(t) = 1 - F̂(t)。
- 计算样本均值作为MTTF估计：MTTF ≈ 1785h（与理论值η·Γ(1+1/β)≈1782h吻合）。
- 构建95%置信区间：标准误 = σ/√N = 580/√5000 ≈ 8.2h，置信区间为[1769, 1801]h。
结果对比与决策：若按指数分布建模，MTTF估计为1780h，但可靠度函数差异显著。例如在t=1000h时，威布尔模型R(1000)=exp(-(1000/2010)^2.3)≈0.82，而指数模型R(1000)=exp(-1000/1780)≈0.57。两者相差25个百分点，直接影响维修策略。基于威布尔模型，建议将预防性更换周期设为1200h（此时可靠度约0.75），既避免过早更换造成浪费，又控制失效风险。
风险与代价：威布尔参数估计本身存在不确定性（20个样本的β估计误差约±0.4），可通过Bootstrap方法进一步量化参数不确定性对仿真结果的影响。此外，仿真假设泵的失效独立同分布，未考虑批次差异与使用环境变化，实际应用中需结合现场数据持续更新模型。
3.5 总结复盘：概率基础在蒙特卡洛可靠性分析中的关键作用
本章内容构成了蒙特卡洛可靠性仿真的数学基石。随机变量与概率分布提供了描述不确定性的语言，期望与方差给出了量化系统性能的指标，大数定律与中心极限定理则保证了仿真方法的收敛性与误差可控性。在实际工程中，工程师应遵循以下工作流程：首先，基于失效机理与历史数据选择分布类型并估计参数；其次，设计仿真方案（确定N、抽样方法、输出指标）；最后，通过收敛性检验与置信区间评估结果可靠性。
需要强调的是，蒙特卡洛仿真的精度不仅取决于仿真次数，更取决于输入分布模型的准确性。一个错误的分布假设，即使仿真百万次，得到的也是精确的错误结果。因此，建议在仿真前进行分布拟合优度检验，在仿真后进行敏感性分析，识别对输出影响最大的输入参数。概率论与数理统计不是孤立的数学工具，而是连接物理世界与仿真模型的桥梁——只有深刻理解其内涵，才能构建出真正可信的可靠性仿真模型。