📚 课程目录第3章威布尔分布定义

3. 威布尔分布定义：两参数威布尔分布的PDF、CDF、可靠度函数与失效率函数的数学表达式推导

两参数威布尔分布是可靠性工程中最常用的寿命分布模型之一。它通过形状参数 β 和尺度参数 η 灵活地描述产品从早期失效到耗损失效的全生命周期。本节将系统推导其四个核心函数的数学表达式，并解释每个参数的物理含义。

3.1 两参数威布尔分布的基本参数

在正式推导之前，先明确两个参数的定义与作用：

参数	符号	取值范围	物理含义
形状参数	β	β > 0	决定失效模式：β < 1 为早期失效，β = 1 为偶然失效（指数分布），β > 1 为耗损失效
尺度参数	η	η > 0	特征寿命，表示63.2%的产品失效的时间点，决定分布在时间轴上的缩放

关键记忆点： 当 β = 1 时，威布尔分布退化为指数分布，失效率为常数 1/η；当 β = 2 时，近似于瑞利分布；当 β = 3.5 左右时，近似于正态分布。

3.2 概率密度函数（PDF）推导

两参数威布尔分布的 概率密度函数 描述了失效时间在某一时刻的瞬时概率密度。其标准数学表达式为：

f(t) = (β/η) * (t/η)^(β-1) * exp[-(t/η)^β],  t ≥ 0

推导思路：威布尔分布最初由瑞典工程师 Weibull 提出，其基本假设是失效率遵循幂律形式。PDF 的推导基于以下步骤：

定义失效率函数形式：假设失效率 λ(t) 是时间 t 的幂函数，即 λ(t) = (β/η) * (t/η)^(β-1)。
利用失效率与可靠度的关系：λ(t) = f(t) / R(t)，且 R(t) = exp[-∫λ(t)dt]。
积分求解：对 λ(t) 积分得到累积失效率 H(t) = (t/η)^β，代入可靠度函数 R(t) = exp[-H(t)]。
反推 PDF：f(t) = λ(t) * R(t) = (β/η) * (t/η)^(β-1) * exp[-(t/η)^β]。

    PDF 曲线特征：
    β < 1：曲线呈反J型，在 t=0 处趋于无穷大，迅速下降。
β = 1：指数分布，曲线从 λ 处单调递减。
β > 1：单峰曲线，先增后减，峰值位置随 β 增大向右移动。
β = 3.5 左右：近似对称，接近正态分布钟形曲线。

3.3 累积分布函数（CDF）推导

累积分布函数 F(t) 表示产品在时间 t 之前失效的概率，即不可靠度。通过对 PDF 从 0 到 t 积分得到：

F(t) = ∫₀ᵗ f(τ) dτ = 1 - exp[-(t/η)^β],  t ≥ 0

推导过程：

令 u = (τ/η)^β，则 du = (β/η) * (τ/η)^(β-1) dτ。
积分限变换：τ = 0 → u = 0；τ = t → u = (t/η)^β。
代入积分：F(t) = ∫₀^(t/η)^β e^(-u) du = 1 - e^(-u)|₀^(t/η)^β = 1 - exp[-(t/η)^β]。

CDF 的物理含义：当 t = η 时，F(η) = 1 - e^(-1) ≈ 0.632，即尺度参数 η 表示 63.2% 的产品失效的时间点，因此 η 也被称为 特征寿命。

3.4 可靠度函数（Survival Function）推导

可靠度函数 R(t) 表示产品在时间 t 之后仍然正常工作的概率，是 CDF 的补函数：

R(t) = 1 - F(t) = exp[-(t/η)^β],  t ≥ 0

推导直接由 CDF 得到：R(t) = 1 - [1 - exp(-(t/η)^β)] = exp[-(t/η)^β]。

可靠度函数的关键性质：

t = 0 时，R(0) = 1，表示初始时刻所有产品正常。
t → ∞ 时，R(∞) = 0，表示最终所有产品都会失效。
t = η 时，R(η) = e^(-1) ≈ 0.368，即 36.8% 的产品能存活到特征寿命。
在威布尔概率纸上，ln[-ln R(t)] 与 ln t 呈线性关系，斜率为 β，截距为 -β ln η。

3.5 失效率函数（Hazard Function）推导

失效率函数 λ(t) 描述了在 t 时刻仍正常工作的产品，在下一个瞬间失效的瞬时概率。其定义为 λ(t) = f(t) / R(t)：

λ(t) = (β/η) * (t/η)^(β-1),  t ≥ 0

推导过程：

代入 f(t) 和 R(t) 的表达式：λ(t) = [(β/η)*(t/η)^(β-1)*exp(-(t/η)^β)] / [exp(-(t/η)^β)]。
约去公共因子 exp(-(t/η)^β)，得到 λ(t) = (β/η) * (t/η)^(β-1)。

失效率函数的三种基本形态：

β 范围	失效率趋势	失效阶段	典型应用场景
β < 1	随时间递减	早期失效期	电子元器件老化筛选、软件缺陷暴露
β = 1	恒定常数	偶然失效期	指数分布模型、随机故障
β > 1	随时间递增	耗损失效期	机械磨损、材料疲劳、轴承寿命

工程应用注意： 实际产品的寿命往往经历浴盆曲线（早期→偶然→耗损），单一威布尔分布只能描述其中一个阶段。对于完整浴盆曲线，需要使用混合威布尔分布或分段模型。

3.6 四函数关系总结与SVG结构图

四个核心函数之间存在严格的数学推导关系，形成一个完整的逻辑闭环。下面的SVG图展示了它们之间的推导路径与相互转换关系。

3.7 四函数对比表

为便于课程学习和工程查阅，下表汇总了四个函数的表达式、推导来源和工程用途：

函数名称	数学表达式	推导来源	工程用途
概率密度函数 f(t)	(β/η)·(t/η)^(β-1)·exp[-(t/η)^β]	λ(t)·R(t)	失效时间分布形态分析、似然函数构建
累积分布函数 F(t)	1 - exp[-(t/η)^β]	∫₀ᵗ f(τ)dτ	不可靠度计算、失效概率预测
可靠度函数 R(t)	exp[-(t/η)^β]	1 - F(t)	可靠性评估、保修期设计
失效率函数 λ(t)	(β/η)·(t/η)^(β-1)	f(t)/R(t)	失效模式识别、维护策略制定

3.8 参数对函数形状的影响

为了直观理解 β 和 η 对威布尔分布形状的影响，下面通过一个参数对比表展示不同参数组合下的函数特征：

参数组合	β 值	η 值	PDF 形状	失效率趋势	典型应用
早期失效	0.5	100	反J型，t=0处无穷大	递减	电子元件老化筛选
偶然失效	1.0	100	单调递减指数型	常数	随机故障、指数分布
耗损失效	2.0	100	单峰右偏	递增	机械磨损、轴承寿命
快速耗损	3.5	100	近似对称钟形	快速递增	材料疲劳、结构失效

    工程经验法则：
    当 β 在 0.5~0.8 之间时，产品处于早期失效期，应进行老化筛选（burn-in）后再交付。
当 β 在 0.9~1.1 之间时，可近似使用指数分布简化计算，失效率视为常数。
当 β > 2 时，产品有明显的耗损特征，应制定预防性维护计划。
η 值越大，产品寿命越长；η 值越小，产品失效越早。

3.9 威布尔分布的矩与特征量

基于上述四个函数，可以推导出威布尔分布的重要统计特征量，这些特征量在工程寿命评估中具有直接应用价值：

统计特征量	数学表达式	工程含义
均值（MTTF）	η · Γ(1 + 1/β)	平均失效时间，用于寿命预期
中位寿命	η · (ln 2)^(1/β)	50%产品失效的时间点
特征寿命	η	63.2%产品失效的时间点
方差	η² · [Γ(1+2/β) - Γ²(1+1/β)]	寿命离散程度度量
B10寿命	η · (-ln 0.9)^(1/β)	10%产品失效的时间点，可靠性设计常用

其中 Γ(·) 表示伽马函数，定义为 Γ(x) = ∫₀^∞ t^(x-1) e^(-t) dt。当 β 为整数时，伽马函数可简化为阶乘形式。

Python 计算提示： 在 Python 中，可以使用 math.gamma() 函数计算伽马函数值。例如，计算 β=2 时的均值：MTTF = eta * math.gamma(1 + 1/2)，结果为 eta * 0.8862。

3.10 本章小结

本节完成了两参数威布尔分布四个核心函数的完整数学推导，建立了从失效率函数到概率密度函数、可靠度函数和累积分布函数的逻辑闭环。关键要点总结如下：

四个函数等价：已知任意一个函数，可通过积分、微分或代数运算推导出其余三个。
形状参数 β 决定失效模式：β < 1 早期失效，β = 1 偶然失效，β > 1 耗损失效。
尺度参数 η 决定寿命尺度：η 是特征寿命，对应 63.2% 失效概率。
失效率函数最简洁：λ(t) = (β/η)·(t/η)^(β-1)，是威布尔分布的核心定义基础。
工程应用广泛：从电子元件到机械系统，威布尔分布是可靠性工程的标准工具。