概率论与数理统计复习：随机变量、概率分布、期望、方差、协方差

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。无论仿真对象是电子设备的寿命、机械结构的疲劳周期，还是通信链路的误码率，其底层逻辑都离不开对随机现象的数学刻画。因此，在进入仿真算法之前，必须夯实概率论与数理统计的核心概念。本章将系统梳理随机变量、关键概率分布（指数、正态、威布尔）、期望、方差与协方差，并重点说明这些概念在可靠性分析中的工程映射关系。

3.1 随机变量与概率分布：从数学定义到工程语义

核心原理：随机变量并非一个抽象的数字符号，而是将随机试验的结果映射到实数轴上的函数。在可靠性工程中，随机变量通常代表元器件的失效时间、维修所需时长、负载应力的大小等。根据取值方式的不同，随机变量分为离散型（如失效次数）和连续型（如失效时间）。概率分布函数则完整描述了随机变量取值的可能性规律——对于连续型变量，概率密度函数 f(x) 的积分给出累积分布函数 F(x) = P(X ≤ x)，而 F(x) 的工程含义正是"产品在时间 x 之前失效的概率"。

判断方法：选择何种概率分布来描述工程数据，不能凭经验拍脑袋，而应遵循以下判断流程：

1. 数据来源分析：明确数据是寿命数据、应力数据还是计数数据。寿命数据优先考虑指数或威布尔分布；应力数据（如振动幅值）优先考虑正态或对数正态分布。
2. 失效率行为判断：若失效率随时间恒定（浴盆曲线底部），选择指数分布；若失效率随时间单调递增（磨损期），选择威布尔分布且形状参数 β > 1；若失效率随时间递减（早期失效期），选择 β < 1 的威布尔分布。
3. 统计检验验证：使用 Kolmogorov-Smirnov 检验或 Anderson-Darling 检验对候选分布进行拟合优度检验，以量化数据与理论分布的偏差。

分布类型	概率密度函数	关键参数	可靠性工程典型场景
指数分布	f(t) = λe^(-λt), t ≥ 0	λ（失效率）	电子元件随机失效期、无记忆性系统
正态分布	f(x) = (1/σ√(2π))·e^(-(x-μ)²/(2σ²))	μ（均值）、σ（标准差）	材料强度、载荷分布、制造公差
威布尔分布	f(t) = (β/η)(t/η)^(β-1)·e^(-(t/η)^β)	β（形状）、η（尺度）	机械磨损、轴承寿命、多阶段失效
对数正态分布	f(t) = (1/(tσ√(2π)))·e^(-(ln t - μ)²/(2σ²))	μ、σ（对数域）	半导体器件寿命、维修时间

3.2 期望、方差与协方差：量化不确定性的标尺

核心原理：概率分布给出了随机变量的完整信息，但在工程决策中，我们往往需要更简洁的量化指标。期望 E[X] 是随机变量取值的加权平均，代表系统的"平均表现"；方差 Var(X) = E[(X-μ)²] 度量了取值偏离均值的程度，是风险评估的核心指标；协方差 Cov(X,Y) = E[(X-μ_X)(Y-μ_Y)] 则刻画了两个随机变量之间的线性相关方向与强度。在可靠性分析中，协方差矩阵是处理多变量相关失效问题的数学基础——例如，两个并联的冗余传感器若受到相同环境应力，其失效时间并非独立，此时协方差不可忽略。

操作流程：在蒙特卡洛仿真中，期望与方差的估计遵循以下步骤：

1. 根据选定的概率分布生成 N 个随机样本 x₁, x₂, ..., xₙ。
2. 计算样本均值 x̄ = (1/N)Σxᵢ，作为 E[X] 的估计。
3. 计算样本方差 s² = (1/(N-1))Σ(xᵢ - x̄)²，作为 Var(X) 的估计。
4. 若涉及多个变量，计算样本协方差矩阵，评估变量间的相关性。
5. 随着 N 增大，样本均值依概率收敛于真实期望（大数定律），样本分布趋近于真实分布（中心极限定理）。

3.3 案例拆解：威布尔分布在轴承寿命仿真中的应用

背景与约束：某风电齿轮箱制造商需要评估其新型轴承的可靠性指标。工程团队收集了 30 个轴承的失效时间数据（单位：小时），初步统计显示：最小失效时间 820 小时，最大 12400 小时，样本均值 5600 小时。由于风电设备维护成本极高，团队需要准确估计轴承的 B10 寿命（即 10% 失效时对应的时间），以制定预防性维护计划。

分析判断过程：首先，对失效数据绘制威布尔概率图，发现数据点近似落在一条直线上，表明威布尔分布拟合良好。通过极大似然估计得到形状参数 β = 2.3（> 1，表明失效率随时间递增，符合磨损机理），尺度参数 η = 6300 小时。若错误地假设为指数分布（λ = 1/5600），则 B10 寿命为 -ln(0.9)/λ ≈ 590 小时——这显然与观测到的最小失效时间 820 小时矛盾，说明指数分布假设不成立。

实际操作步骤：

1. 使用 Python 的 scipy.stats.weibull_min 拟合参数，得到 β = 2.3, η = 6300。
2. 计算 B10 寿命：t_B10 = η · (-ln(0.9))^(1/β) = 6300 × (0.1054)^(1/2.3) ≈ 6300 × 0.382 ≈ 2407 小时。
3. 执行蒙特卡洛仿真：生成 100,000 个威布尔随机样本，统计样本中小于 2407 小时的比例，验证约为 10%。
4. 进一步仿真不同维护周期下的失效概率，为维护策略提供输入。

结果对比与复盘：威布尔分布给出的 B10 寿命为 2407 小时，而指数分布假设给出的 B10 仅为 590 小时——两者相差 4 倍以上。若采用指数分布，维护计划将过于保守，导致不必要的停机检查；若忽略早期失效风险直接使用均值 5600 小时，则 10% 的轴承会在 2407 小时前失效，可能引发灾难性故障。复盘经验：分布类型的选择比参数估计精度更影响最终结论，必须结合失效机理和统计检验双重验证。

# 威布尔参数拟合与蒙特卡洛仿真示例
import numpy as np
from scipy.stats import weibull_min

# 失效时间数据（小时）
failures = np.array([820, 1150, 2100, 3400, 3900, 4500, 5200, 5800, 6400, 7100,
                     7800, 8400, 9100, 9800, 10500, 11200, 11800, 12400])

# 拟合威布尔分布
shape, loc, scale = weibull_min.fit(failures, floc=0)
print(f"形状参数 β = {shape:.2f}, 尺度参数 η = {scale:.1f}")

# 蒙特卡洛仿真：生成10万个样本
samples = weibull_min.rvs(shape, loc=0, scale=scale, size=100000)
b10 = np.percentile(samples, 10)
print(f"仿真B10寿命 = {b10:.0f} 小时")

3.4 常见误区与总结复盘

误区一：混淆总体参数与样本统计量。期望和方差是总体分布的固有属性，而样本均值和样本方差是估计值。蒙特卡洛仿真中，有限样本量必然引入估计误差，误差大小与 1/√N 成正比。工程上建议至少 10⁴ 次抽样以保证两位有效数字的精度。

误区二：忽视协方差的存在。在系统可靠性分析中，若假设所有组件失效独立，会低估系统失效概率。例如，两个并联的电源模块共享同一输入母线，当母线电压尖峰时，两个模块可能同时失效——此时协方差为正，系统可靠性远低于独立假设下的预测值。

误区三：将正态分布视为万能分布。正态分布适用于对称、无界的随机变量，但寿命数据严格非负且通常右偏。强行使用正态分布拟合寿命数据，会产生负的失效时间样本，这在物理上无意义。