参数分布分析
# 1、作用
通过拟合合适的分布（如 Weibull、指数、对数正态分布等），将复杂数据抽象为数学模型，直观呈现 “时间 - 概率” 关系（如失效概率随时间的变化曲线），基于分布模型，可量化评估产品的关键可靠性指标（平均寿命、可靠度、失效率等）。
# 2、输入输出描述
输入：时间变量及删失标注。
输出：可靠度、失效率等。
# 3、案例示例
案例：一家灯泡公司制造的白炽灯丝，工程师希望保证灯泡正常使用 10 年。他们给灯泡以模拟长期使用情况并记录每个灯泡的失效时间。通过这种方式可以利用 Weibull 分布对灯丝的失效数据进行建模分析，从而了解灯丝在不同使用阶段的失效概率等信息。
# 4、案例数据
# 5、案例操作
Step1：新建分析；
Step2：上传数据；
Step3：选择对应数据打开后进行预览，确认无误后点击开始分析；
step4：选择【参数分布分析】；
step5：查看对应的数据数据格式，【参数分布分析】要求输入寿命时间；
参数-时间变量的输入类型具有两种形式：
（1）非删失/右删失：此种情况要求用户输入产品生存时间变量和删失变量，并需要指定删失变量的类别，举例
| 样本 ID | 生存时间变量 | 删失变量（指定0是删失值） | 数据类型 | 场景说明 |
|---|---|---|---|---|
| S001 | 580 | 1 | 非删失 | 试验第 580 小时，元件失效 |
| S002 | 650 | 1 | 非删失 | 试验第 650 小时，元件失效 |
| S003 | 720 | 1 | 非删失 | 试验第 720 小时，元件失效 |
| S004 | 800 | 0 | 右删失 | 试验设定 800 小时终止，该元件仍正常工作（寿命 > 800h） |
| S005 | 800 | 0 | 右删失 | 同 S004，试验终止时未失效 |
（2）非删失/区间删失：此种情况要求用户输入产品开始时间变量和结束时间变量，举例
| 样本 ID | 开始时间变量（L） | 结束时间变量（R） | 数据类型 | 场景说明 |
|---|---|---|---|---|
| S006 | 120 | 120 | 非删失 | 试验第 120 天实时监测到材料失效，精确时间 = 120 天 |
| S007 | 150 | 150 | 非删失 | 试验第 150 天实时监测到材料失效，精确时间 = 150 天 |
| S008 | 90 | 180 | 区间删失 | 第 90 天抽检材料正常，第 180 天抽检发现失效 |
| S009 | 120 | 240 | 区间删失 | 第 120 天抽检材料正常，第 240 天抽检发现失效 |
| S010 | 60 | 150 | 区间删失 | 第 60 天抽检材料正常，第 150 天抽检发现失效 |
参数-分布：正态分布 对数正态分布 Weibull分布 Logistic 对数Logistic 最小极值 ；
参数-估计方法：极大似然、最小二乘法；
step6：点击【开始分析】，完成全部操作。
# 6、输出结果分析
输出结果1：参数估计表
图表说明：上表展示了分布参数估计，根据最贴合产品寿命规律的模型（如威布尔、指数分布），算出分布参数。
输出结果2：概率分布图
图表说明：上图展示了概率分布图，直观展示所选寿命模型（如威布尔、指数分布）与产品实际寿命数据的匹配程度，验证模型是否能用。
输出结果3：可靠度
图表说明：上图展示了可靠度曲线，清晰呈现产品在不同使用时间下，仍能正常工作的概率，判断产品耐用性。
输出结果4：不可靠度
图表说明：上图展示了不可靠度曲线，反映产品在不同时间发生故障的概率（不可靠度 = 1 - 可靠度），快速识别故障风险变化。
输出结果5：概率密度
图表说明：上图展示了概率密度图，找出产品故障概率最高的时间段，定位故障高发期。、
输出结果6：失效率
图表说明：上图展示了失效率图，展示产品在不同时间单位时间内的故障概率，判断产品所处的故障阶段（如磨合、正常使用、老化）。
输出结果7：预测器
# 7、注意事项
无
# 8、模型理论
可靠性分析的核心是通过分布模型描述产品失效时间的概率规律，以下是关键指标的通用数学表达：
设产品的失效时间为随机变量 T，其概率密度函数（PDF） 为 f(t），累积分布函数（CDF） 为 F(t)，二者满足：
- F(t)表示产品在时间 t 之前失效的概率（即失效概率）。
- 以下是可选分布选择。
（1）正态分布
核心特征：连续对称分布，均值 = 中位数 = 众数，概率密度呈钟形曲线，仅适用于失效时间对称分布的场景（可靠性分析中应用较少，因寿命数据多为右偏）。
关键参数：2 个参数
总体均值（位置参数），反映寿命集中趋势；
总体方差（尺度参数），反映寿命离散程度。
适用场景：产品失效由多种微小随机因素叠加且无明显偏态（如部分电子元件的性能漂移失效）。
（2）对数正态分布
核心特征：失效时间 T 的自然对数服从正态分布，概率密度右偏态（小概率长寿命），不具有无记忆性。
关键参数：2 个参数（对数域的正态参数）
对数均值（位置参数），对应中位寿命 ；
对数标准差（尺度参数），反映对数寿命的离散程度。
适用场景：材料腐蚀、疲劳裂纹扩展、设备维修时间、生物医学寿命数据。
（3）威布尔分布
核心特征：灵活性极强，可描述失效率递增、递减、恒定三种趋势，覆盖产品全生命周期失效阶段，工业可靠性分析的首选模型。
关键参数：2 个核心参数
形状参数，决定失效率趋势；
尺度参数（特征寿命）。
适用场景：机械零件磨损、材料老化、电子设备损耗失效、复杂系统整体失效。
（4）Logistic 分布
核心特征：连续对称分布，与正态分布类似，但尾部更厚（对极端值更敏感），常用于建模人口增长、产品市场渗透，可靠性中应用较少。
关键参数：2 个参数
位置参数（均值 = 中位数 = 众数），反映分布中心；
尺度参数，控制分布的离散程度。
适用场景：可靠性中用于建模具有对称失效特征且尾部波动较大的产品，或失效概率的 S 型增长过程。
（5）对数 Logistic 分布
核心特征：失效时间 T 的自然对数 服从 Logistic 分布，概率密度右偏态，适用于建模失效速率先增后减的过程。
关键参数：2 个参数（对数域的 Logistic 参数）
对数位置参数，对应中位寿命；
对数尺度参数，反映对数寿命的离散程度。
适用场景：药物疗效持续时间、设备老化失效（失效速率先快后慢）、经济系统的故障分布。
第四类：极值分布（建模极端事件失效）
（6）最小极值分布
核心特征：描述独立随机变量序列的最小值的分布规律，适用于建模 “最薄弱环节” 失效（产品失效由最薄弱部件决定）。
关键参数：2 个参数
位置参数，反映最小极值的集中趋势；
尺度参数，反映最小极值的离散程度。
适用场景：材料的断裂失效（由最薄弱裂纹决定）、结构的极限承载能力失效、电子系统的最低耐受电压失效。
# 9、参考文献
[1]Scientific Platform Serving for Statistics Professional 2021. SPSSPRO. (Version 1.0.11)[Online Application Software]. Retrieved from https://www.spsspro.com.