3. 概率统计基础：随机变量与概率分布

做硬件可靠性这些年，我越来越觉得概率统计不是数学课上的抽象符号，而是我们和芯片寿命对话的语言。你想想看，一颗电阻的阻值为什么会漂移？一个MOS管的阈值电压为什么会退化？这些都不是确定性的，而是随机的。所以，要量化硬件失效，必须先搞懂随机变量和概率分布。

3.1 随机变量：失效的“语言”

随机变量，说白了就是把随机事件映射成数字。比如，一个电容的寿命是1000小时还是2000小时，这就是一个随机变量。它有两种类型：

• 离散型随机变量：取值是有限的或可数的。比如，一个批次1000个芯片中，失效的个数只能是0、1、2……1000。
• 连续型随机变量：取值是连续的。比如，某个晶体管的失效时间，可以是1234.56小时，也可以是任意实数。

3.2 概率分布：描述随机性的“指纹”

概率分布就是描述随机变量取值的规律。每个分布都有它的“脾气”，也就是概率密度函数（PDF）和累积分布函数（CDF）。PDF告诉你某个值出现的可能性有多大，CDF告诉你小于某个值的概率是多少。

在硬件可靠性里，我们最常打交道的就三个分布：指数分布、正态分布、威布尔分布。下面这张图能帮你快速建立整体认知：

3.3 指数分布：恒定失效率的“代言人”

指数分布是可靠性工程里最基础的分布。它的核心特点是失效率恒定，也就是著名的“无记忆性”。

它的概率密度函数是：

f(t) = λ * e^(-λt),  t ≥ 0

其中 λ 是失效率，1/λ 就是平均无故障时间（MTTF）。

我在项目中遇到过一件事：有次评估一批电源模块的可靠性，供应商给的数据直接用指数分布拟合。我一看，这批模块已经跑了3年，明显进入了耗损期。用指数分布算出来的MTTF严重偏大，差点导致备件计划出错。所以，用指数分布前一定要确认数据是否来自随机失效期。

3.4 正态分布：对称的“钟形曲线”

正态分布，也叫高斯分布，在硬件里主要用于描述耗损失效。比如轴承磨损、电解电容干涸、LED光衰，这些失效时间往往围绕一个中心值对称分布。

它的概率密度函数是：

f(t) = (1 / (σ * √(2π))) * e^(-(t-μ)² / (2σ²))

其中 μ 是均值，σ 是标准差。

正态分布有个68-95-99.7法则：

3.5 威布尔分布：最灵活的“变形金刚”

威布尔分布是我个人最喜欢的分布。为什么？因为它太灵活了。通过调整形状参数β，它可以模拟指数分布、正态分布，甚至更复杂的分布形态。

它的概率密度函数是：

f(t) = (β/η) * (t/η)^(β-1) * e^(-(t/η)^β),  t ≥ 0

其中 β 是形状参数，η 是尺度参数（特征寿命）。

β值决定了分布的形状：

3.6 如何选择分布？

选择分布不是拍脑袋，而是基于数据和物理失效机理。我一般按这个流程走：

1. 看失效机理：是随机失效（指数）、耗损失效（正态/威布尔），还是早期失效（威布尔β<1）？
2. 看数据特征：失效率是否恒定？失效时间是否对称？
3. 做拟合优度检验：用卡方检验或K-S检验验证分布假设。
4. 考虑工程经验：同类产品历史用什么分布？行业标准推荐什么？

我曾经在一个项目中，用威布尔分布拟合某型继电器的失效数据，β=2.3，明显是耗损失效。但供应商坚持用指数分布，说“大家都这么用”。结果呢？按指数分布算出的MTTF比实际高了40%，差点导致维护周期设置错误。所以，别盲从习惯，让数据说话。