机械可靠性设计第一章概率分布2012..ppt

电车门高度是按男子碰头的机会少于1％来设计的。假设穿皮鞋的男子的平均身高为178cm，标准差为6cm，问车门高度应设计成多大尺寸。 多少人中会有一人身高达到226cm? 设男子的平均身高为175cm，标准差为6cm，女子的平均身高为163cm，标准差为5cm。问偶然相遇的一对男女中，女子高于男子的概率是多少？ 若X为随机变量，且随机变量Y=lnX服从正态分布N(μ, σ2), 即 5 对数正态分布 则称X是一个对数正态分布变量，X=eY服从对数正态分布，其概率密度函数为： 正态分布的密度元为 将y=lnx，dy=dx/x 代入上式 σ=1.6 σ=0.5 σ=0.2 f(x) 0 x 2 1 3 4 0.8 1.6 对数正态分布的密度函数曲线（μ=0） 对数正态分布的密度函数曲线是单峰的且是偏态的 对数正态分布的分布函 数 同样，可令 可将上式转化为标准正态分布 μ 和σ既不是对数正态分布的位置参数和尺度参数，也不是其均值和标准差，而是它的“对数均值”和“对数标准差”。 对数正态分布的数字特征 对数正态分布的可靠度函数 若随机变量X在 [0,∞)上取值，具有概率密度函数 则称X服从三参数为(m, η, γ)的威布尔分布，记为X~W(m, η, γ) m 形状参数 η 尺度参数 γ 位置参数 6 威布尔（Weibull）分布 三参数威布尔分布的分布函数 1/ η m=0.5 m=1 m=1.5 m=2 m=3 η =1， γ =1 f(t) 0 t 2 1 3 4 形状参数m的大小，决定了威布尔分布密度函数曲线的形状 m1时，趋向呈单峰性，峰高随m减小而降低，m=3~4时与正态分布近似； m=1时，为二参数指数分布；与t= γ 相交于纵坐标为1/ η处。 m1时，密度函数曲线与t= γ 相交不相交，而是与之渐进 1/ η η =1 ， γ =1 m=0.5 m=1 m=1.5 m=2 m=3 f(t) 0 t 2 1 3 4 位置函数γ 的大小，反映了威布尔分布密度函数曲线的起始点位置在横坐标上的变化，又称“起始参数”或“转移参数” γ 0时，起点在+x值区 γ =0时，起点在坐标原点 γ 0时，起点在-x值区 可靠性分析中， γ具有极限值的含义，产品在t = γ以前不会失效，又称为最小保证寿命。 m=3 m=2 m=0.5 m=1 m=1.5 η =1 γ =0 3 λ(t) 0 t 2 1 3 4 1 2 4 实际使用中， γ =0情况居多，此时三参数威布尔分布转化为 二参数威布尔分布，具有概率密度函数 若令α =(1/ η)m，m= β ，则： 其分布函数为 特别：若β=1，则X服从参数为α的指数分布 随机变量 §2.2 几种常用分布 为了全面地研究随机试验的结果，揭示随机现象的统计规律性，有必要引入随机变量的概念。 设E为随机试验，其样本空间为Ω ={e}是基本事件的集合，若对每一个基本事件或样本点e?Ω 有一个实数X(e)与之对应，这样就得到一个定义在Ω 上的单值实函数X(e) ，称X(e) 为随机变量，简记为X。 引入随机变量后，任何随机事件均可通过随机变量来表示。 随机变量 建立随机变量的概念后，就可以把一个个孤立的随机试验结果（事件）通过随机变量联系起来，去研究它们的概率分布及随机试验的全部结果，就可能用数学分析的方法来研究整个随机试验。 随机变量的分布函数 定义：设X是一个随机变量，x是任意实数，函数 称为X的分布函数。 对于任意实数x1，x2（ x1x2 ）,有 若已知X的分布函数，就可以知道X落在区间（ x1，x2]上的概率，从这个意义上来说，分布函数完整地描述了随机变量的统计规律。 分布函数是普通函数，正是通过它我们能用数学分析的方法来研究随机变量。 分布函数的性质 1.分布函数是不减函数 对任意实数x1，x2（ x1x2 ） 2. 3. 分布函数是右连续的 随机变量的概率密度 定义：如果对于随机变量X 的分布函数F(x)，存在非负函数f(x)，使得对于任意实数x有 则称X为连续型随机变量，函数f(x)称为X的概率密度函数，简称概率密度 概率密度的性质 1. 2. 3. 对任意实数x1，x2（ x1x2 ） 4. 若f(x)在x 点连续，则有 随机变量的概率密度 随机变量的数字特征 1. 数学期望(代表值) 对于离散型随机变量 其定义来自于加权平均的概念 对于连续型随机变量 2. 方差与标准差（分散度） 3. 变异系数（变差系数） 当均值一定时，标准差是实验数据分散度的度量标准。 标准差的计算是以均值为基准的，因此仅仅根据标准差还不能充分说明分散度的大小