在可靠性工程中，随机变量用于描述产品或系统的不确定性行为，例如失效时间、失效次数等。根据其取值特点，随机变量可分为离散型和连续型，这两种类型在建模和分析中起着不同的作用。

一、离散型随机变量

离散型随机变量取值是有限个或可数无限个（如整数）的随机变量。其取值是“分散”的，通常用于计数型事件。比如：

（1）失效次数：在一定时间或周期内，系统或部件发生故障的次数（如0, 1, 2, …次）。

（2）冗余系统中正常工作的单元数量：例如，一个由多个相同部件并联的系统，在某一时刻仍在工作的部件数量。

（3）批次产品中的缺陷品数量：在生产质量检验中，一批产品中不合格品的数量。

1.1常用的离散分布

1.1.2二项分布

二项分布是描述在固定次数的独立试验中，成功（或失效）次数的概率。（描述系统中某个组件或系统在n次试验中发生故障的次数分布。）

描述在n次独立重复试验中，成功次数x的概率分布，x是一个可能取0,1,2,…,r,…,n等n+1个值的随机变量，p为单次成功概率，q（失败的概率）=1−p。

二项分布又称贝努里分布，满足以下基本假定：

1.试验次数n是一定的；

2.每次试验的结果只有两种；

3.每次试验的成功概率和失败概率相同；

4.所有试验都是独立的，结果互不影响。

举例：

某新产品在规定的生产条件下废品率为0.2,从批量较大的产品中随机抽出20个，有r(r=0,1,2,…,10)个废品的概率是多少?

解：令X为20个产品中的废品数，它是随机变量，并服从n=20,p=0.2的二项分布。

从表中可以看出，废品的概率先从小到大，P(X=4)=0.218时最大，又从大到小。当r=11以后，概率值非常小。

1.1.2泊松分布

泊松分布常用于描述在固定时间或空间内，稀有事件（如突发故障）发生的次数。

由于二项分布在实际计算中较为烦琐，因此希望能找到一个便于计算的近似公式。泊松分布被认为是当n为无限大时的二项分布的扩展。

事实上，当n>20,并且p≤0.05时，就可以用泊松分布近似表示二项分布。

式中，λ=np；P(X=r)为在n次试验中发生r次事件的概率。泊松分布的均值μ=λ，方差σ^2=λ。

举例：控制台指示灯平均失效率为每小时0.001次。如果指示灯的失效数不能超过2个，该控制台指示灯工作500小时的可靠度是多少?

解：已知p=0.001,n=500,r≤2,由上式得

因此，该控制台指示灯工作500小时的可靠度是0.986。

二、随机型随机变量

连续型随机变量取值充满一个或多个区间（如实数区间），理论上可以取无限多个值的随机变量。其取值是“连续”的，通常用于测量型数据。比如：

（1）失效时间：产品从开始工作到首次发生故障的时间（寿命）。

（2）维修时间：修复一个故障所需的持续时间。

（3）材料强度、磨损量：如机械部件的疲劳强度、电子元件的性能退化量。

2.1常用的连续分布

2.1.1指数分布

指数分布常用于描述恒定失效率的寿命分布（如电子元件）。

2.1.2威布尔分布

威布尔分布适应性极广，可描述递增、递减或恒定的失效率（广泛应用于机械、电子产品）。

2.1.3正态分布

正态分布适用于描述磨损型失效（如轴承磨损）或某些性能参数的退化。

正态分布具有对称性，它的主要参数是均值μ和方差σ^2，正态分布记为N(μ,σ^2)均值。μ决定正态分布曲线的位置，代表分布的中心倾向。而方差σ^2决定正态分布曲线的形状，表示分布的离散程度。

正态分布的累积分布函数F(x)为：

若将正态分布曲线的均值移到μ=0,同时使标准差σ=1,则可得到标准正态分布，表示为N(0,1)。

习惯上把标准正态分布的密度函数记为φ(z),累积分布函数记为Φ(z)，即

当遇到一般正态分布N(μ,σ²)时，可将随机变量X作一变换z=(x−μ)/σ,化为标准正态变量。

任何正态分布都可以用标准正态分布来计算。

正态分布的可靠度函数为：

解：已知发电机寿命服从正态分布N(300,402),由正态分布的可靠度函数可得

因此，发电机工作250小时的可靠度为0.89。

四、两种随机变量的区别

在实际应用中，选择哪类变量取决于数据本质：若数据是“个数”或“次数”，用离散型；若是“时间”“长度”等连续量，用连续型。

在可靠性模型中，两者常结合使用：例如，用泊松过程（离散事件）描述故障发生次数，用指数分布（连续时间）描述故障间隔时间。

理解这两类随机变量有助于正确选择统计方法，建立准确的可靠性模型，从而支持寿命预测、风险评估和维修策略优化。