01初级可靠性工程技术.docVIP

随机事件 在一次试验中可能发生也可能不发生的事件称为随机事件，比如说1年后的今天会不会下雨啊，它可能是晴天，也可能是雨天，或者是阴天。我可能明天就中了六合彩，只停留在我们的希望，但不中的可能性很大。比如说三年后某台TV会不会坏，我们并不能够提前知道，它有可能三年后变成废品也有可能还是完好无损。 随机变数 随机变数是一种变数，它是随机事件的函数，它的值是随机出现的，因此下一个值无法百分百预测到. 例： 掷一骰子的点数，我们不知道下一次会是几点； 医院中新生儿的体重 样本大小为20的不良铁钉数 有二种随机变数：间断(discrete)和连续(continuous) 1.间断随机变数其值是有限的(finite)； 比如说掷骰子,他可能的产出{1.2.3.4.5.6} 2.连续随机变数其值是无限的(infinite),它是在一区段中其求值。 比如说你的身高175cm，他的身高169.9cm， 固定事件 就是一定会发生的事件，比如说人一定会死，但就是活到几岁死。还有，在没有外界应力下，水一定是往低处流的，固体一定是往下落的。 机率定义 某一事件的机率为出现在0和1之间的某一数，该数是指相关的实验，某一事件可能发生的大小，表示的是一种可能性。比如我们说我有80%会把篮球投进，这个80%就是你根据你的经验，你投进的机率。比如你进行100次投篮，有80次左右你会投进。 机率为0就是说不发生，机率为1，就是说必定发生。 次数分布 例：某一顾问公司，从事一件能源分析项目，他们针对停车场内50辆汽车，调查乘每辆汽车乘坐人数如下表，请制作次数分布 每辆车的乘坐人数 上面就是50辆车乘坐人员数量。 下列表示的是各个不同乘坐人数发生的次数。 乘坐人数 次数点数 频率 次数分布图 用上面那个例子，那么它的次数分布图如下： 黑点就代表发生各个乘坐人数的次数。 平均数 平均数是统计中的重要概念之一，它是中心值，是衡量宇宙变异的集中点。通过样本平均数来估计总体平均数.样本容量取得越大，则用样本平均数估计的总体平均数越精确，也就是所表示的总体平均的变化趋势越集中于准确值. 一般地，如果有n个数 . 那么 　　① 叫做这n个数的平均数， 读作“x拨” . 某小组一次数学测验的成绩如下：86　　91　　100　　72　　93　　89　　90　85　　75　　95 这个小组的平均成绩是多少？ =（86+91+100+72+93+89+90+85+75+95）/10=87.6 标准差 样本标准差（n代表样本数，代表样本平均数）标准差能综合反映一组数据的离散程度或个别差异程度。母体标准差用符号表示就是δ，读作：西格玛。 例子：2批电阻甲和乙，每批有5个小电阻，测试这2批电阻，单位为欧姆，甲组分别为：10 15 20 25 30， 平均值为(10+15+20+25+300)/5=20;标准差为 乙组分别为：18 19 20 21 22， 平均值为（18+19+20+21+22）/5=20，标准差为 显然乙批的电阻的标准差比甲批的小，比如说我们的规格定为[18，22]，中心值是20，这个就表示说甲批的电阻的变化太大，容易超出我们的规格，或者说甲批的厂商的制程能力差，造成飘出规格的几率大，不良率高，品质不好。 也可用下图表示： 平均数信赖区间(Confidence Intervals) 所谓平均数信赖区间，其意为在某一特定的机率下，可能包含母体平均数(mean)的区间，因此在抽样资料中，所算出的mean=75，SE =10中，信赖区间65到85，就可说该区间有68.3%的机会（机率），包含真正的母体平均数mean。 公式表示为： 请画出Process A 95.4%的信赖区间 假设检定Hypothesis Testing “一般而言，显著性测试是为一种额外的工作程序，在许多案例，当做出显著性陈述时，最好是画出一个区间，在此区间内会非常有可能包含母体母数的值”。 ±3个标准差的区间，或±3个标准误(SE)包括99.73%的观察值，假若一个观察值落在3S或3SE之外，假若我们说此观察值并不属于由参考分配所描述的母体，但实际上它却是属于此母体，那么我们犯错的机会只有0.27%(或10,000次中有27次)。 站在实验者的立场，我们自己问自己，过程所产生的变异，是否是我们所采取的措施导致的呢？还是仅仅由于过程随机性的变异所引起呢？这时我们就可以通过假设检定做显著性测试来识别这种变异是否为“真”。 可靠性基本概念 定义： 可靠性为某一产