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

• $f(x) = \frac{1}{B(s, f)} x^{s - 1} (1 - x)^{f - 1} = I_x(s, f), 0 < x < 1, s > 0, f > 0$
• $E(x) = \frac{s}{s + f}$
• $D(x) = \frac{sf}{(s + f)^2 (s + f + 1)}$

理解

其中B是贝塔函数

$$B(p, q) = \int_0^1 t^{p - 1} (1 - t)^{q - 1} dt$$
$$B(p, q) = \frac{\Gamma(p) \Gamma(q)}{\Gamma(p + q)} = B(q, p)$$

不完全贝塔函数（积分上限换为x）

$$B_x(p, q) = \int_0^x t^{p - 1} (1 - t)^{q - 1} dt$$

正则贝塔函数

$$I_x(p, q) = \frac{B_x(p, q)}{B(p, q)}$$

和二项分布的关系（失败次数在f次以内的概率）

$$\sum_{i = 0}^{f} C_n^i p^{n - i} (1 - p)^i = I_R(n - f, f + 1)$$

指数分布

如果产品所受到的应力冲击服从强度为$\lambda$的泊松过程，且产品受到一次冲击就故障，则产品故障次数服从泊松分布，产品寿命服从指数分布（一次事件发生的时间）

• $f(x) = \lambda e^{-\lambda x}$
• $F(x) = 1 - e^{-\lambda x}$
• $E(x) = \frac{1}{\lambda} = \theta$
• $D(x) = \frac{1}{\lambda^2} = \theta^2$

伽马分布

产品受到k次冲击才故障，产品寿命服从伽马分布（k次事件发生的时间）

• $f(x) = \frac{\lambda^k}{\Gamma(k)} x^{k - 1} e^{-\lambda x}$
• $F(x) = 1 - e^{-\lambda x} \sum_{i = 0}^{k - 1} \frac{(\lambda x)^i}{i!}$
• $E(x) = \frac{k}{\lambda}$
• $D(x) = \frac{k}{\lambda^2}$

理解

$$\begin{aligned} \Gamma(k) &= \int_{0}^{\infty} y^{k - 1} e^{-y} dy \\ &= \int_{0}^{\infty} (\lambda x)^{k - 1} e^{-\lambda x} d(\lambda x) \\ &= \int_{0}^{\infty} \lambda^k x^{k - 1} e^{-\lambda x} dx \\ 1 &= \int_{0}^{\infty} \frac{\lambda^k}{\Gamma(k)} x^{k - 1} e^{-\lambda x} dx \\ f(x) &= \frac{\lambda^k}{\Gamma(k)} x^{k - 1} e^{-\lambda x} \end{aligned}$$

正态分布

很多独立同分布的随机变量相加服从正态分布

• $f(x) = \frac{1}{\sigma \sqrt{2\pi}} e^{-\frac{(x - \mu)^2}{2\sigma^2}} = \frac{1}{\sigma} \phi(\frac{x - \mu}{\sigma})$
• $F(x) = \Phi(\frac{x - \mu}{\sigma})$
• $\lambda(x) = \frac{\frac{1}{\sigma} \phi(\frac{x - \mu}{\sigma})}{1 - \Phi(\frac{x - \mu}{\sigma})}$
• $E(x) = \mu$
• $D(x) = \sigma^2$

描述寿命时，x从0开始，当$\mu > 3\sigma$时差别很小，若不满足，则除以$x > 0$部分的面积来满足积分为1（截尾正态分布）

对数正态分布

很多独立同分布的随机变量相乘服从正态分布（$ln(x)$服从正态分布）

$\mu$、$\sigma$是$ln(x)$的均值、标准差

• $f(x) = \frac{1}{x \sigma \sqrt{2\pi}} e^{-\frac{[ln(x) - \mu]^2}{2\sigma^2}} = \frac{1}{x\sigma} \phi(\frac{ln(x) - \mu}{\sigma})$
• $F(x) = \Phi(\frac{ln(x) - \mu}{\sigma})$
• $\lambda(x) = \frac{\frac{1}{x\sigma} \phi(\frac{ln(x) - \mu}{\sigma})}{1 - \Phi(\frac{ln(x) - \mu}{\sigma})}$
• $E(x) = e^{\mu + \frac{\sigma^2}{2}}$
• $D(x) = E^2(x) (e^{\sigma^2} - 1)$

威布尔分布

极值分布

n个环寿命为$T_i$

• 最小极值分布：$F_{T_1} = 1 - [1 - F(t)]^n$
• 最大极值分布：$F_{T_n} = [F(t)]^n$

当$n \to \infty$时它们趋向于渐进分布，根据$F(t)$不同，有三种较典型的渐近分布

极小值分布

• I型：$F_s(t) = 1 - e^{-e^{\frac{t - \gamma}{\eta}}}, \eta > 0$（极值分布）
• II型：$F_s(t) = 1 - e^{-[-\frac{t - \gamma}{\eta}]^{-m}}, -\infty < t \leqslant \gamma, \eta > 0, m > 0$
• III型：$F_s(t) = 1 - e^{-[\frac{t - \gamma}{\eta}]^{m}}, \gamma \leqslant t < \infty, \eta > 0, m > 0$（三参数威布尔分布）

极大值分布

• I型：$F_L(t) = e^{-e^{-\frac{t - \gamma}{\eta}}}, \eta > 0$
• II型：$F_L(t) = e^{-[\frac{t - \gamma}{\eta}]^{-m}}, \gamma \leqslant t < \infty, \eta > 0, m > 0$（Frechet分布）
• III型：$F_L(t) = e^{-[-\frac{t - \gamma}{\eta}]^m}, -\infty < t \leqslant \gamma, \eta > 0, m > 0$

威布尔分布

一般$t_0 = \eta^m$

• $F(t) = 1 - e^{-\frac{(t - \gamma)^m}{t_0}}$
• $f(t) = \frac{m}{t_0} (t - \gamma)^{m - 1} e^{-\frac{(t - \gamma)^m}{t_0}}$
• $\lambda(t) = \frac{m}{t_0} (t - \gamma)^{m - 1}$
• $E(t) = \gamma + \eta \Gamma(1 + \frac{1}{m})$
• $D(t) = \eta^2 [\Gamma(1 + \frac{2}{m}) - \Gamma^2(1 + \frac{1}{m})]$

m是形状参数，$m > 1$时失效率递增，$m = 1$时失效率恒定，$m < 1$时失效率递减

$t_0$或$\eta$是尺度参数，往往与工作条件负载的大小有关，负载大的，相应的尺度参数要小

$\gamma$是位置参数，平移函数

特征寿命：$t_{e^{-1}} = \gamma + \eta$

BS分布、逆高斯分布

略

可靠性指标的点估计

用来估计总体参数的实值统计量称为点估计量。点估计是样本的函数，因而是随机变量。当样本值给定后，得到的是参数的单值

点估计的优良性

• 均方差：$MSE_{\theta} = E(\hat{\theta} - \theta)^2 = D(\hat{\theta}) + [E(\hat{\theta}) - \theta]^2$
• 无偏性：$E(\hat{\theta}) = \theta$，消除系统误差
• 一致性：$\lim_{n \to \infty} P(|\hat{\theta} - \theta| > \varepsilon) = 0$，即$\hat{\theta} \overset{P}{\rightarrow} \theta$，当样本信息足够多时，估计的不确定性可减小到任意小
• 方差：$D(\hat{\theta})$

矩估计

如果某参数$\theta$可以表示为总体前r阶矩的函数，则可以用前r阶矩估计$\theta$

原则：（1）涉及到的矩的阶数尽可能小，常用的矩估计一般只涉及一二阶矩；（2）所用估计最好是（最小）充分统计量的函数

极大似然估计（MLE）

当样本x给定后，可考虑对不同的$\theta$，概率密度如何变化，它代表试验出现该组样本的相对可能性大小。选取一个使样本观测值结果出现的概率达到最大的值作为$\theta$的估计值

将x带入联合分布函数得到似然函数$L(x; \theta)$，为了方便可取对数，求$\theta$使L最大（求导，令导数为0解方程）

在一些情况下不能得到完全寿命数据，其似然函数为截尾样本的联合分布：$\frac{n!}{(n - f)!} [\prod_{i = 1}^{r} f(t_i)] [1 - F(t_r)]^{n - r}$

指数分布的可靠性指标估计

形式都是$\hat{\theta} = \frac{T}{r}, \hat{\lambda} = \frac{1}{\hat{\theta}}$

• 完全样本：$T = \sum_{i = 1}^n t_i$
• 无替换定数截尾：$T = \sum_{i = 1}^r t_i + (n - r) t_r$
• 无替换定时截尾：$T = \sum_{i = 1}^r t_i + (n - r) t_0$
• 有替换定数截尾：$T = n t_r$
• 有替换定时截尾：$T = n t_0$
• 随机截尾：$T = \sum_{i = 1}^r t_i + \sum_{i = 1}^k \tau_i$

最小二乘估计

F(t)经过某种变换G后，使得G(F(t))与$\varphi(t)$呈线性关系，其中$\varphi$为某种变换，所有未知参数包含在系数中，那么此时可以采用最小二乘估计方法得到参数点估计

例如：威布尔分布$F(t) = 1 - e^{-\frac{t^m}{t_0}}$，经变换得$ln(ln(\frac{1}{1 - F(t)})) = -ln(t_0) + m ln(t) = b_0 + b_1 x$，由最小二乘法得$b_0, b_1$，变换得$t_0, m$

线性估计

分类：

• 最优线性无偏估计（BLUE）
• 最优线性不变估计（BLIE）
• 简单线性无偏估计（GLUE）
• 简单线性不变估计（GLIE）

位置-尺度分布族

设X为位置-尺度分布族随机变量，其分布函数可以表示为

$$P(X < x) = F(\frac{x - \mu}{\sigma})$$

式中$\mu$为位置参数，$\sigma$为尺度参数，分布函数可以完全由位置参数和尺度参数确定

正态分布、极值分布、指数分布是位置-尺度分布族，威布尔分布、对数正态分布是对数位置-尺度分布族

$Y^0 = \frac{Y - \mu}{\sigma}$为标准位置-刻度族随机变量

线性估计就是用通用方法估计得$\mu, \sigma$，再变换得到未知参数

可靠性指标的置信限估计

$$P(\hat{\theta}_L < \theta < \hat{\theta}_U) = 1 - \alpha$$

其中$\hat{\theta}_L$是置信下限，$\hat{\theta}_U$是置信上限，$\alpha$是显著度，$\gamma = 1 - \alpha$是置信水平

$$P(\hat{\theta}_L < \theta) = 1 - \alpha$$

其中$\hat{\theta}_L$是单侧置信下限，同理有单侧置信上限

参数$\theta$是固定的数，因此区间估计的含义为“置信区间覆盖参数真值”而不是“参数真值在该区间内取值”的概率

置信限根据样本不同而不同，因此置信区间描述的是“置信区间覆盖参数真值”可信程度，而不是“由一次样本得到的置信区间覆盖参数真值”的概率

枢轴量法

设$G = G(X, \eta)$是样本X和未知参数$\eta$的一个函数，如果G的分布与$\eta$无关，则这样的函数称为枢轴量。枢轴量的分布不依赖未知参数，保证最终求得的置信区间覆盖参数真值的概率不依赖于未知参数

统计量是不包含未知参数的样本的函数，其分布可以包含未知量；枢轴量是包含未知参数的用来估计参数的样本的函数，其分布已知，不包含未知参数

正态分布参数的区间估计

$\sigma$已知，$\mu$的置信区间

$$\begin{aligned} \bar{X} = \frac{1}{n} \sum_{i = 1}^n X_i &\sim N(\mu, \frac{\sigma_0^2}{n}) \\ Z = \frac{\bar{X} - \mu}{\frac{\sigma_0}{\sqrt{n}}} &\sim N(0, 1) \end{aligned}$$
$$\begin{aligned} P\{Z_{\frac{\alpha}{2}} < &Z < Z_{1 - \frac{\alpha}{2}}\} = 1 - \alpha \\ P\{\bar{X} - \frac{\sigma_0}{\sqrt{n}} Z_{1 - \frac{\alpha}{2}} < &\mu < \bar{X} - \frac{\sigma_0}{\sqrt{n}} Z_{\frac{\alpha}{2}}\} = 1 - \alpha \end{aligned}$$

$\mu$已知，$\sigma$的置信区间

$$\begin{aligned} \frac{X_i - \mu_0}{\sigma} &\sim N(0, 1) \\ \chi^2 = \frac{(n - 1) S^2}{\sigma^2} = \frac{1}{\sigma^2} \sum_{i = 1}^n (X_i - \mu_0)^2 &\sim \chi^2(n) \end{aligned}$$
$$\begin{aligned} P\{\chi_{\frac{\alpha}{2}}^2(n) < &\chi^2 < \chi_{1 - \frac{\alpha}{2}}^2(n)\} = 1 - \alpha \\ P\{\frac{(n - 1) S^2}{\chi_{1 - \frac{\alpha}{2}}^2(n)} < &\sigma^2 < \frac{(n - 1) S^2}{\chi_{\frac{\alpha}{2}}^2(n)}\} = 1 - \alpha \\ \end{aligned}$$

$\mu$、$\sigma$未知时的置信区间

$$\begin{aligned} T = \frac{\bar{X} - \mu}{\frac{S}{\sqrt{n}}} &\sim t(n - 1) \\ \chi^2 = \frac{(n - 1) S^2}{\sigma^2} = \frac{1}{\sigma^2} \sum_{i = 1}^n (X_i - \bar{X}^2) &\sim \chi^2(n - 1) \end{aligned}$$
$$\begin{aligned} P\{\bar{X} - \frac{S}{\sqrt{n}} t_{1 - \frac{\alpha}{2}}(n - 1) < &\mu < \bar{X} - \frac{S}{\sqrt{n}} t_{\frac{\alpha}{2}}(n - 1)\} = 1 - \alpha \\ P\{\frac{(n - 1) S^2}{\chi_{1 - \frac{\alpha}{2}}^2(n - 1)} < &\sigma^2 < \frac{(n - 1) S^2}{\chi_{\frac{\alpha}{2}}^2(n - 1)}\} = 1 - \alpha \end{aligned}$$

指数分布参数的区间估计

定数截尾

$$H = \frac{2T}{\theta} \sim \chi^2(2r)$$
$$P\{\frac{2T}{\chi_{1 - \frac{\alpha}{2}}^2(2r)} < \theta < \frac{2T}{\chi_{\frac{\alpha}{2}}^2(2r)}\} = 1 - \alpha$$

定时截尾

$$P\{\frac{2T}{\chi_{1 - \frac{\alpha}{2}}^2(2r + 2)} < \theta < \frac{2T}{\chi_{\frac{\alpha}{2}}^2(2r)}\} = 1 - \alpha$$

二项分布

p的置信下限$p_L$由下式确定

$$\sum_{x = 0}^{n - f} C_n^x p_L^{n - x} (1 - p_L)^x = \alpha$$

p的置信上限$p_U$由下式确定

$$\sum_{x = 0}^{f} C_n^x (1 - p_U)^{n - x} p_U^x = \alpha$$

增函数确定下限，减函数确定上限

可靠度

p为失效概率，$R = 1 - p$为可靠度，置信下限$R_L$

$$\sum_{x = 0}^{f} C_n^x R_L^{n - x} (1 - R_L)^x = \alpha$$

特殊情况：当$f = 0$时

$$R_L = \alpha^{\frac{1}{n}}$$

基于渐近正态性的置信限估计、基于线性估计的置信限估计、Bootstrap方法

略

应力强度干涉与容限系数

应力强度干涉模型

应力s和强度$\delta$都是随机变量，应力分布与强度分布发生干涉时结构将可能失效

可靠度

$$\begin{aligned} R &= P(\delta > s) = P(\delta - s > 0) \\ &= \int_{-\infty}^{\infty} [\int_s^{\infty} f_{\delta}(\delta) d\delta] f_s(s) ds \end{aligned}$$

应力强度干涉可靠度点估计

正态分布

$$y = \delta - s \sim N(\mu_{\delta} - \mu_s, \sigma_{\delta}^2 + \sigma_s^2)$$
$$R = P(y > 0) = 1 - \Phi(\frac{0 - \mu_y}{\sigma_y}) = \Phi(\frac{\mu_y}{\sigma_y})$$

对数正态分布

$$z = -\frac{ln(\hat{\delta}) - ln(\hat{s})}{\sqrt{\sigma_{ln \delta}^2 + \sigma_{ln s}^2}}$$
$$R = \int_z^{\infty} \Phi(z) dz$$

指数分布

$$R = \frac{\lambda_s}{\lambda_s + \lambda_{\delta}} = \frac{\theta_{\delta}}{\theta_{\delta} + \theta_s}$$

应力强度干涉可靠度区间估计

略

（单侧）容限系数法

单侧容限系数的原理是用k取代$\bar{X} + u_R \hat{\sigma}$中的$u_R$，使由$\bar{X} + k \hat{\sigma}$估计出的百分位值以一定的置信度$\gamma$小于真值$\mu + u_R \hat{\sigma}$

统计抽样法

模拟抽样，略

系统可靠性综合评估

系统综合：利用系统及组成设备的试验信息对系统可靠性指标进行综合评估（点估计和置信下限）

系统可靠性模型

• 串联系统：$R(t) = \prod_{i = 1}^{m} R_i(t)$
• 并联系统：$R(t) = 1 - \prod_{i = 1}^{m} (1 - R_i(t))$
• 表决系统：$R(t) = \sum_{i = k}^m C_m^i [R_1(t)]^i [1 - R_1(t)]^{m - i}$

• 旁联系统（冷储备，转换完全可靠）：
  

  $$\begin{aligned} R(t) &= 1 - \int_0^t f_1(t) * f_2(t) * ... * f_m(t) dt \\ MTTF &= \sum_{i = 1}^m E(T_i) \end{aligned}$$

  如果每个部件都服从同一$\lambda$的指数分布（系统失效时间服从伽马分布）
  

  $$\begin{aligned} R(t) &= e^{-\lambda t} \sum_{k = 0}^{m - 1} \frac{(\lambda t)^k}{k!} \\ MTTF &= \frac{m}{\lambda} \end{aligned}$$

  理解卷积

  其实就是X、Y联合分布密度在$X + Y = t$的第二类曲线积分
  

  $$\begin{aligned} f_{X + Y}(t) &= \int_{X + Y = t} f_{X + Y}(x, y) dx \\ &= \int_0^t f_X(x) f_Y(t - x) dx \\ &= f_X(x) * f_Y(y) \\ F_{X + Y}(t) &= \iint_{X + Y < t} f_{X + Y}(x, y) dxdy \\ &= \int_0^t [\int_0^{t - x} f_Y(y) dy] f_X(x) dx \\ &= \int_0^t f_X(x) F_Y(t - x) dx \\ &= f_X(x) * F_Y(y) \end{aligned}$$

LM法

适合于部件（子系统）组成的成败型串联系统。

若部件j在$n_j$次试验中有$r_j$次失效，$s_j$次成功，则系统可靠度的极大似然估计为

$$\hat{R}_s = \prod_{j = 1}^m \frac{s_j}{n_j}$$

令$n^* = min(n_1, n_2, ..., n_m)$

$$s^* = n^* \hat{R}_s$$

将$s^*$和$n^*$看作是整个系统进行$n^*$次成败试验，有$s^*$次成功。然后再以通常的二项分布参数的区间估计方法求得系统可靠性$R_s$的置信下限

如果$s^*$不是整数，可按$(n^*, [s^*])$和$(n^*, [s^*] + 1)$分别计算相应的置信下限，然后再插值，得到系统在$(n^*, s^*)$条件下的近似置信下限

ILM法

克服LM法所得到的置信下限一般偏保守的缺点

$$\frac{1}{m} \frac{1 - \hat{R}_0}{\hat{R}_0} = \sum_{i = 1}^m \frac{1}{n_i} \frac{1 - \hat{R}_i}{\hat{R}_i}$$

解出$m_0$，令$s^* = m_0 \hat{R}_s$

如果$s^*$不是整数，取最接近的整数替代，将$s^*$和$m_0$看作是整个系统进行$m_0$次成败试验，有$s^*$次成功

MML法

对来自成败型单元的子样数据，取极大似然估计下被估子样的方差等于二项分布的方差

$$\begin{aligned} \hat{R}_i &= \frac{s_i}{n_i} \\ D(\hat{R}_i) &= \frac{\hat{R}_i (1 - \hat{R}_i)}{n_i} \\ \hat{R}_s &= R(\hat{R}_1, \hat{R}_2, ..., \hat{R}_m) \\ \hat{D}(\hat{R}_s) &= \sum_{i = 1}^m [\frac{\partial \hat{R}_s}{\partial \hat{R}_i}]^2 D(\hat{R}_i) \end{aligned}$$

令

$$\begin{aligned} \hat{n} &= \frac{\hat{R}_s (1 - \hat{R}_s)}{\hat{D}(\hat{R}_s)} \\ \hat{s} &= \hat{n} \hat{R}_s \end{aligned}$$

如果$\hat{n}, \hat{s}$不是整数，插值。看作是整个系统进行$\hat{n}$次成败试验，有$\hat{s}$次成功

对于串联系统解得

$$\begin{aligned} \hat{n} &= \frac{\prod_{i = 1}^m \frac{n_i}{s_i} - 1}{\sum_{i = 1}^m \frac{1}{s_i} - \sum_{i = 1}^m \frac{1}{n_i}} \\ \hat{s} &= n \prod_{i = 1}^m \frac{s_i}{n_i} \end{aligned}$$

IMML法

针对MML法在单元失败数为零时会出现冒进的情况

串联系统

$$\begin{aligned} \hat{n} &= \frac{\prod_{i = 1}^m \frac{1}{\hat{R}_i} - 1}{\sum_{i = 1}^m \frac{1}{n_i \hat{R}_i} - \sum_{i = 1}^m \frac{1}{n_i}} \\ \hat{s} &= n \prod_{i = 1}^m \frac{s_i}{n_i} \end{aligned}$$

$$\hat{R}_i = \begin{cases} \frac{s_i}{n_i} &, \frac{s_i}{n_i} < 1 \\ R_{iL}(0.5, n, 0) &, \frac{s_i}{n_i} = 1 \end{cases}$$

实质对于零失效单元，用置信为0.5时的可靠度单侧置信下限值作为其点估计。这样意味着有一半的可能大于真值，也有一半的可能小于真值，其冒进风险极大降低