可靠性数据分析教程总结

常见的可靠性指标及其概率解释

失效分布和平均寿命

剩余寿命

具有年龄t的产品从t开始继续使用下去直到失效为止所经历的时间，记为$\xi_t$

$$\begin{aligned} F_t(x) &= P(\xi_t \leqslant x) = P(\xi \leqslant t + x | \xi > t) \\ &= \frac{F(t + x) - F(t)}{1 - F(x)} \end{aligned}$$

平均寿命

MTTF或MTBF

$$E(\xi) = \int_{0}^{\infty} t f(t) dt$$

可靠度和可靠寿命

要求$R(t) = R$，求相应的时间t，这个时间称为可靠寿命$t_R$

• $R = 0.5$时$t_{0.5}$称为中位寿命
• $R = e^{-1}$时$t_{e^{-1}}$称为特征寿命

数据的初步整理分析

直方图

分为频数（r）、频率（f）、累计频率（F）、失效率（λ）直方图

组数：$k = 1 + 3.3lg(n)$

经验分布函数

$$F_n(t) = \begin{cases} 0 &, t < t_1 \\ \frac{i}{n} &, t_i \leqslant t < t_{i + 1} \\ 1 &, t \geqslant t_n \end{cases}$$

完全样本

样本容量较大时：$F_n(t_i) = \frac{i}{n}$

样本容量较小（$n \leqslant 20$）时：

• 海森公式：$F_n(t_i) = \frac{i - 0.5}{n}$
• 数学期望公式：$F_n(t_i) = \frac{i}{n + 1}$
• 近似中位秩公式：$F_n(t_i) = \frac{i - 0.3}{n + 0.4}$

当$i = n = 1$时它们都等于0.5

删失样本

用乘积限估计：

$$\hat{R}(t) = \begin{cases} 1 &, t < t_1 \\ \prod_{i = 1}^{j} (\frac{n - i}{n - i + 1})^{\delta_i} &, t_j \leqslant t < t_{j + 1} \\ 0 &, t \geqslant t_n \end{cases}$$

随机截尾寿命试验的可靠度函数计算

残存比率法

残存比率法是由概率乘法公式得来的，因此它适用于样本量较大的情况

定义产品在时间区间$(t_{i-1}, t_i)$内的残存概率$S(t_i)$，它是一个条件概率。表示在$t_{i-1}$时刻能完好工作的产品继续工作至$t_i$时刻尚能完好工作的概率

$$\begin{aligned} S(t_i) &= P(\xi > t_i | \xi > t_{i - 1}) \\ &= \frac{R(t_i)}{R(t_{i - 1})} \end{aligned}$$

产品在某时刻ti的可靠度

$$\begin{aligned} R(t_i) &= \prod_{j = 1}^{i} S(t_j) \end{aligned}$$

$S(t_i)$可以由样本估计

平均秩次法

平均秩次法可用于样本量较小的情况，它采用了中位秩公式

算出平均秩次i，带入中位秩公式：$F_n(t_k) = \frac{i - 0.3}{n + 0.4}$

例如：如果F2秩次为2，它前面和后面的排列总共有24种；如果F2秩次为3，它前面和后面的排列总共有6种，F2的平均秩次由2、3的种类加权平均得$F_n(t_2) = \frac{6 * 3 + 24 * 2}{6 + 24} = 2.2$

样本量多时用增量公式：$\Delta A_k = A_k - A_{k - 1} = \frac{n + 1 - A_{k - 1}}{n - i + 2}$

顺序统计量的应用

第k个顺序统计量的分布

设总体$\xi$的分布函数为$F(t)$，密度函数为$f(t)$，则容量为n的子样，其第k个顺序统计量$T(k)$的分布密度函数为：

$$f_{T(k)}(t) = n C_{n - 1}^{k - 1} [F(t)]^{k - 1} [1 - F(t)]^{n - k} f(t)$$

顺序统计量的联合分布、经验分布函数的分布

略

各种截尾样本的联合分布

$f_{T_1, T_2, ..., T_r}(t_1, t_2, ..., t_r) =$

• 完全寿命试验：$n! \prod_{i = 1}^{n} f(t_i)$
• 定数截尾试验：$\frac{n!}{(n - r)!} [\prod_{i = 1}^{r} f(t_i)] [1 - F(t_r)]^{n - r}$（失效的时间为$t_i$，顺序已定；未失效的为$t_r$，(n - r)个排列）
• 定时截尾试验：$\frac{n!}{(n - r)!} [\prod_{i = 1}^{r} f(t_i)] [1 - F(t_0)]^{n - r}$（把$t_r$换为$t_0$）
• 随机截尾试验：$C \prod_{i = 1}^{r} f(t_i) \prod_{i = 1}^{k} [1 - F(\tau_i)]$（C不能用一个统一的表达式表示，此处暂以C代之，因为在实际应用中，其大小无影响）

常见失效分布

二项分布

n次伯努利实验成功次数

• $P(X = x) = C_n^x p^x (1 - p)^{n - x}$
• $E(X) = np$
• $D(X) = np(1 - p)$

当n很大，p很小时近似于泊松分布，$\lambda = np$

二项分布的和服从贝塔分布

负二项分布

预定成功次数s，求试验次数

• $P(X = x) = C_{x - 1}^{s - 1} p^s (1 - p)^{x - s}$（最后一次为成功，前面的抽$s - 1$次成功）
• $E(X) = \frac{s}{p}$
• $D(X) = \frac{s(1 - p)}{p^2}$

超几何分布

N个产品有D个次品，抽n个，求次品数

• $P(X = x) = \frac{C_D^x C_{N-D}^{n-x}}{C_N^n}$
• $E(X) = n \frac{D}{N}$
• $D(X) = \frac{N - n}{N - 1} n \frac{D}{N} \frac{N - D}{N}$

当N很大，n很小时近似于二项分布，$p = \frac{D}{N}$

泊松分布

一段时间内事件发生的次数

• $P(X = x) = \frac{\lambda^x}{x!} e^{-\lambda}$
• $E(X) = \lambda$
• $D(X) = \lambda$

贝塔分布

成功s次，失败f次，成功概率的分布

• f(x)