基础概率与统计回顾：随机变量、分布类型、均值、方差、标准差、协方差与相关性
在灵敏度分析、蒙特卡洛模拟与公差分配策略中，所有工程决策最终都归结为对不确定性的量化与管理。无论是电阻的阻值漂移、机械零件的加工偏差，还是传感器输出的噪声波动，我们都需要用数学语言精确描述这些不确定性。本章作为课程的第二块基石，系统回顾概率论与数理统计中最核心的概念：随机变量、常见分布类型、描述数据离散程度的统计量，以及刻画多变量之间联动关系的协方差与相关性。这些概念不是孤立的数学定义，而是后续所有分析工具的语言基础——没有对分布类型的正确选择，蒙特卡洛模拟就会产生偏差；不理解协方差与相关性，公差分配就可能忽略关键参数间的耦合效应。
随机变量与分布类型：从物理世界到数学抽象
核心原理：随机变量是将随机试验的结果映射到实数轴上的函数。在工程语境中，它代表某个可测量但存在不确定性的物理量——例如电阻的标称值、装配间隙的尺寸、温度传感器的读数。随机变量分为离散型（取值可数，如缺陷个数）和连续型（取值充满某个区间，如电压值）。连续型随机变量用概率密度函数（PDF）描述，其曲线下的面积等于概率；累积分布函数（CDF）则给出随机变量小于等于某个值的概率。理解PDF与CDF的关系是后续蒙特卡洛模拟中抽样与统计的基础。
分布类型的选择依据：不同的物理过程对应不同的分布形态，错误选择分布类型会导致模拟结果严重偏离实际。下表总结了工程中最常用的四种分布及其适用场景：
| 分布类型 | 概率密度函数形式 | 均值 μ | 标准差 σ | 典型工程场景 |
|---|---|---|---|---|
| 正态分布 N(μ, σ²) | f(x) = (1/σ√2π)·exp[-(x-μ)²/2σ²] | μ | σ | 大量独立微小因素叠加（中心极限定理）；加工误差、测量噪声 |
| 均匀分布 U(a, b) | f(x) = 1/(b-a), a ≤ x ≤ b | (a+b)/2 | (b-a)/√12 | 只知道上下限、无中间偏好；量化误差、数字舍入误差 |
| 三角分布 Tri(a, m, b) | 线性上升后线性下降，峰值在 m | (a+m+b)/3 | √[(a²+m²+b²-ab-am-bm)/18] | 有最可能值但尾部线性衰减；专家估计、项目管理中的三点估算 |
| 对数正态分布 | Y = ln(X) 服从正态分布 | exp(μ_ln + σ_ln²/2) | μ·√[exp(σ_ln²)-1] | 物理量非负且右偏；材料强度、化学反应时间、半导体工艺参数 |
均值、方差与标准差：量化位置与离散度
核心原理：均值（期望）是随机变量的加权平均，代表分布的“中心位置”；方差是每个取值与均值之差的平方的期望，度量分布的“离散程度”；标准差是方差的平方根，其优势在于与原始数据具有相同的量纲，便于工程解读。对于样本数据，我们使用样本均值 x̄ 和样本标准差 s 来估计总体参数。在公差分配中，标准差直接决定了公差带的宽度——六西格玛设计即要求规格限距离均值至少 6 个标准差。
操作流程：在实际工程中，计算统计量的标准步骤如下：
- 数据采集：从生产线上随机抽取至少 30 个样本（小样本需用 t 分布修正）；
- 计算样本均值：x̄ = (1/n)·Σxᵢ；
- 计算样本方差：s² = [1/(n-1)]·Σ(xᵢ - x̄)²，注意分母为 n-1 以获得无偏估计；
- 计算标准差：s = √s²；
- 验证分布假设：使用 Q-Q 图或 Shapiro-Wilk 检验判断数据是否近似正态。
案例拆解：某精密机械加工厂生产直径标称值为 10.00 mm 的轴类零件。从当班产品中随机抽取 50 件，测得样本均值 x̄ = 10.002 mm，样本标准差 s = 0.008 mm。若客户要求公差为 ±0.02 mm，则规格限为 [9.98, 10.02]。计算过程能力指数 Cpk = min[(USL-μ)/3σ, (μ-LSL)/3σ] = min[(10.02-10.002)/(3×0.008), (10.002-9.98)/(3×0.008)] = min[0.75, 0.917] = 0.75。Cpk < 1.33 表明过程能力不足，需要调整工艺或放宽公差。这个案例说明，仅知道均值还不够，标准差决定了过程能否满足公差要求。
协方差与相关性：捕捉变量间的联动关系
核心原理：在公差分配和灵敏度分析中，多个输入参数往往不是独立的。例如，同一批次生产的电阻，其阻值可能因温度系数相同而呈现正相关；而机械加工中，轴的直径与孔的直径可能因刀具磨损而负相关。协方差 Cov(X,Y) = E[(X-μₓ)(Y-μᵧ)] 度量两个变量共同偏离各自均值的程度，但其数值受量纲影响，难以直接比较。相关系数 ρ = Cov(X,Y)/(σₓ·σᵧ) 将协方差归一化到 [-1, 1] 区间，消除了量纲影响，是更常用的指标。
判断方法：相关系数的解读遵循以下经验法则：
- |ρ| ≥ 0.8：强相关，变量间存在明显的线性联动；
- 0.3 ≤ |ρ| < 0.8：中等相关，需在公差分配中考虑耦合效应；
- |ρ| < 0.3：弱相关或近似独立，可简化处理；
- ρ > 0：正相关，一个变量增大时另一个也倾向于增大；
- ρ < 0：负相关，一个变量增大时另一个倾向于减小。
实战场景：在电子系统公差分配中，假设某电源模块的输出电压 V_out 由基准电压 V_ref 和反馈电阻比 R₁/R₂ 决定。若 V_ref 与 R₁ 来自同一供应商且使用相同材料，它们之间存在正相关 ρ = 0.6。若忽略此相关性，蒙特卡洛模拟会高估输出电压的波动范围，导致过度设计。正确的做法是在模拟中生成相关随机变量——例如使用 Cholesky 分解将独立正态样本转换为具有指定相关系数的样本。具体步骤为：
# 生成两个具有相关系数 ρ 的正态随机变量
# 1. 生成独立标准正态 Z₁, Z₂
# 2. 构造 X₁ = Z₁
# 3. 构造 X₂ = ρ·Z₁ + √(1-ρ²)·Z₂
# 此时 Corr(X₁, X₂) = ρ案例闭环：某汽车制动系统供应商需要分配制动盘厚度公差。制动盘厚度 T 与材料硬度 H 存在负相关 ρ = -0.45（因为较厚的盘冷却慢，导致硬度略低）。若按独立变量分配公差，模拟结果显示制动性能波动范围为 ±3.2%；考虑相关性后，实际波动范围为 ±2.7%，缩小了 15.6%。这意味着原设计存在 15% 的过度保守，通过修正相关性模型，供应商将公差带从 ±0.15 mm 放宽到 ±0.18 mm，制造成本降低了 8%，同时仍满足性能要求。复盘经验：在公差分配前，务必通过历史数据或实验设计（DOE）估计输入参数间的相关系数矩阵，否则模拟结果可能严重偏离实际。
总结复盘：从概念到工程决策
本章的核心逻辑可以概括为一条决策链：识别随机变量 → 选择分布类型 → 计算统计量 → 评估相关性 → 输入模拟模型。每一步的错误都会向下游传播。分布类型选择错误会导致模拟输出分布形态失真；忽略相关性会导致公差带过宽或过窄；标准差估计偏差则直接影响过程能力判断。在实际项目中，建议建立标准化的数据收集流程，确保每个关键参数都有足够的样本量支撑分布拟合，并定期更新相关系数矩阵以反映工艺变化。下一阶段我们将在此基础上，深入探讨灵敏度分析如何识别对输出影响最大的输入参数，为蒙特卡洛模拟的降维和公差分配的优化提供方向。