📚 课程目录第2章概率论基础回顾

2. 概率论基础回顾：条件概率、全概率公式、贝叶斯公式的数学推导与证明

在可靠性工程中，我们经常需要在已知部分试验数据（如失效时间、故障次数）的条件下，更新对产品可靠度的认知。这一过程的核心数学工具正是概率论中的条件概率、全概率公式与贝叶斯公式。本节将严格推导这三个基本公式，并阐明它们在可靠性贝叶斯估计中的角色。

设随机试验的样本空间为 Ω，A、B 为两个事件，且 P(B) > 0。事件 A 在事件 B 已发生的条件下的条件概率定义为：

定义式： P(A | B) = P(A ∩ B) / P(B)

由该定义可直接推导出乘法公式：

P(A ∩ B) = P(B) · P(A | B) = P(A) · P(B | A)

乘法公式是连接联合概率与条件概率的桥梁，在可靠性中常用于计算系统在特定应力水平下发生故障的概率。

全概率公式用于将一个复杂事件的概率分解为若干互斥子事件的加权和。设事件组 {B₁, B₂, …, B_n} 满足：

则对任意事件 A，有：

全概率公式： P(A) = Σ_i=1ⁿ P(B_i) · P(A | B_i)

证明：

在可靠性中，{B_i} 常代表不同的失效模式、批次或环境条件，全概率公式用于计算系统的总体失效率。

贝叶斯公式是全概率公式的逆用，它描述了在观察到事件 A 发生后，如何更新对“原因” B_i 的概率估计。在相同的完备互斥组 {B_i} 下：

贝叶斯公式： P(B_k | A) = [P(B_k) · P(A | B_k)] / Σ_i=1ⁿ P(B_i) · P(A | B_i)

证明：

记忆要点： 贝叶斯公式的分子是“先验 × 似然”，分母是“全概率归一化因子”。在可靠性中，P(B_k) 是参数的先验分布，P(A | B_k) 是给定参数下的数据似然，P(B_k | A) 是后验分布。

在可靠性参数估计中，参数 θ 通常是连续变量。此时贝叶斯公式写为：

π(θ | x) = [π(θ) · f(x | θ)] / ∫_Θ π(θ) · f(x | θ) dθ

其中：

注意： 连续形式的归一化积分通常没有解析解，在工程中常借助共轭先验或数值方法（如 MCMC）求解。这是后续章节的核心技术难点。

下图展示了条件概率、乘法公式、全概率公式与贝叶斯公式之间的推导逻辑链：

问题： 某批电子元件的失效率 λ 有两种可能：λ₁ = 0.001（高可靠）或 λ₂ = 0.01（低可靠）。根据历史经验，P(λ₁) = 0.7，P(λ₂) = 0.3。现抽取 1 个元件进行 100 小时测试，该元件未失效。求在测试结果下 λ 的后验概率。

解：

先验：P(λ₁) = 0.7，P(λ₂) = 0.3
似然（指数寿命模型，T = 100 未失效）：
P(未失效 | λ₁) = e^-0.001×100 = e^-0.1 ≈ 0.9048
P(未失效 | λ₂) = e^-0.01×100 = e^-1 ≈ 0.3679
全概率（归一化常数）：
P(未失效) = 0.7 × 0.9048 + 0.3 × 0.3679 = 0.6334 + 0.1104 = 0.7438
后验：
P(λ₁ | 未失效) = (0.7 × 0.9048) / 0.7438 ≈ 0.8517
P(λ₂ | 未失效) = (0.3 × 0.3679) / 0.7438 ≈ 0.1483

结论： 经过一次无失效测试，高可靠 λ₁ 的后验概率从 0.7 提升至 0.8517，低可靠 λ₂ 的概率从 0.3 下降至 0.1483。这正是贝叶斯更新在可靠性中的直观体现——用数据修正先验信念。