概率论与数理统计基础：随机变量与分布函数
各位同学，欢迎来到第二章。说实话，很多硬件工程师一听“概率统计”就头疼，觉得这是数学家的活儿。我刚开始做可靠性时也这么想，直到第一次处理现场故障数据，才发现不懂分布函数，连问题都描述不清楚。
这一章，咱们不讲纯理论推导。我带你从工程应用的角度，把几个最常用的分布和统计方法搞明白。你想想看，一个电阻的寿命、一个焊点的失效时间、一批产品的良率波动——这些全是随机变量。怎么描述它们？怎么预测？这就是本章要解决的问题。
2.1 随机变量与分布函数
随机变量，说白了就是一个会变的数。比如你抽测10个电容，每个的漏电流都不一样。这个“漏电流”就是一个随机变量。
描述随机变量有两种方式：
- 概率质量函数（PMF）：用于离散型变量，比如“今天产线出几个次品”。
- 概率密度函数（PDF）：用于连续型变量，比如“这个电阻的阻值精确是多少”。
还有一个更常用的东西——累积分布函数（CDF）。它表示“随机变量小于等于某个值的概率”。
工程直觉： 在可靠性里，CDF 就是“失效概率”。F(t) = P(寿命 ≤ t)，表示产品在时间 t 之前失效的概率。我习惯先看 CDF 曲线，一眼就能判断产品早期失效多不多。
举个例子，一个批次的电阻，阻值服从正态分布。那么 CDF 在 100Ω 处的值，就是“抽到一个电阻阻值 ≤100Ω 的概率”。
2.2 正态分布：最基础的“误差模型”
正态分布，也叫高斯分布。为什么它重要？因为自然界里很多随机现象都服从它——测量误差、材料特性波动、工艺偏差……
它的概率密度函数长这样：
f(x) = (1 / (σ * √(2π))) * exp(-(x - μ)² / (2σ²))其中 μ 是均值，σ 是标准差。μ 决定分布的中心位置，σ 决定分布的“胖瘦”。
我在项目中遇到过一件事：一批电源模块的输出电压偏高，查了半天没找到原因。后来用正态分布拟合测试数据，发现均值 μ 确实偏了 0.3V，但 σ 正常。这说明不是随机波动，而是某个系统因素（比如基准电压芯片批次问题）导致的偏移。你看，分布能帮你区分“随机误差”和“系统误差”。
| 参数 | 含义 | 工程影响 |
|---|---|---|
| μ（均值） | 数据的中心位置 | 决定产品标称值是否准确 |
| σ（标准差） | 数据的离散程度 | 决定产品一致性和良率 |
个人习惯： 做设计时，我会要求关键参数的 Cpk（过程能力指数）≥1.33。这背后就是正态分布——Cpk 本质上衡量的是 μ 离规格限有几个 σ 的距离。
2.3 指数分布：无记忆的“寿命模型”
指数分布是可靠性工程里最常用的分布之一。它的概率密度函数是：
f(t) = λ * exp(-λt), t ≥ 0λ 是失效率，1/λ 就是平均寿命（MTTF）。
指数分布有一个非常独特的性质——无记忆性。什么意思？就是说一个产品已经工作了 1000 小时，它再工作 100 小时的概率，和一个新产品工作 100 小时的概率是一样的。
为什么会这样？因为指数分布描述的是“随机失效”阶段，也就是浴盆曲线的底部。这个阶段的失效是偶然因素引起的，跟产品已经用了多久没关系。
我曾经踩过的坑： 刚入行时，我用指数分布去拟合一批继电器的磨损数据，结果拟合得一塌糊涂。后来才意识到，磨损是耗损型失效，应该用威布尔分布。记住：指数分布只适用于随机失效阶段，别乱用。
2.4 威布尔分布：可靠性工程的“万能工具”
威布尔分布是可靠性工程师的瑞士军刀。它通过形状参数 β 的变化，可以模拟早期失效、随机失效、耗损失效三种阶段。
它的概率密度函数：
f(t) = (β / η) * (t / η)^(β-1) * exp(-(t / η)^β), t ≥ 0其中：
- β（形状参数）：决定分布的形状。β < 1 是早期失效，β = 1 退化为指数分布，β > 1 是耗损失效。
- η（尺度参数）：特征寿命，63.2% 的产品会在这个时间之前失效。
我举个例子。你测一批风扇的寿命，用威布尔分布拟合后得到 β = 2.3。这说明什么？β > 1，意味着风扇正在进入耗损期。这时候就该考虑预防性更换了。
| β 值范围 | 失效模式 | 工程对策 |
|---|---|---|
| β < 1 | 早期失效 | 老化筛选、burn-in |
| β = 1 | 随机失效 | 冗余设计、降额 |
| β > 1 | 耗损失效 | 预防性维护、定期更换 |
核心要点： 拿到失效数据后，第一件事就是拟合威布尔分布，看 β 值。它能告诉你产品现在处于生命周期的哪个阶段，比任何经验判断都准。
2.5 假设检验与置信区间
前面讲的都是“描述”数据。但工程上我们经常需要“判断”——比如：这批新工艺的焊点强度是否真的比旧工艺高？
这就用到假设检验了。
基本思路很简单：
- 提出一个原假设 H₀（比如“新旧工艺无差异”）。
- 收集数据，计算一个检验统计量。
- 看这个统计量出现的概率（p 值）。如果 p 值很小（通常 < 0.05），就拒绝 H₀，认为差异显著。
我个人的习惯是，做假设检验前先问自己三个问题：
- 数据是独立的吗？
- 样本量够不够？（一般每组至少 30 个）
- 我关心的是均值差异还是方差差异？
置信区间则是另一个角度。它给出一个范围，告诉你“总体参数有 95% 的概率落在这个区间里”。
比如，你测了 50 个电阻的阻值，算出 95% 置信区间是 [99.8Ω, 100.2Ω]。这意味着，如果重复这个实验很多次，每次算出的区间里，有 95% 会包含真实的总体均值。
避坑指南： 置信区间不是“总体参数有 95% 的概率落在本次计算的区间里”。这是初学者最容易搞混的。总体参数是固定的，随机的是区间本身。
下面这张图总结了本章的核心知识体系：
嗯，到这里，概率统计的基础框架就搭起来了。你可能会问：“这些分布怎么选？数据怎么拟合？”别急，后面几章我们会专门讲可靠性数据分析，到时候手把手带你实操。
记住一句话：分布是模型，统计是工具，工程判断才是灵魂。工具学得再好，也得结合实际场景来用。