一個簡單又實用的數學模型是泊鬆分布(Poisson Distribution)。Toyota和Ford各有一個恒定的單位時間發生故障的頻率,在一定時間內發生k個故障的概率就是一個泊鬆分布,它是由一個參數L決定的,L就是平均故障數,這裏Toyota的L是1.14,Ford的L是1.40。如果算三年故障數的分布,那麽L就是1.14*3和1.40*3。泊鬆分布的概率密度公式是P(L,k)=(L^k)/(k!)*exp(-L),用這個公式就可以作計算了。如果兩輛車A和B的平均故障數是L和M,那麽A出的故障數小於B出的故障數的概率是P(#A<#B)=\sum_{k>=0} \sum_{j>k} P(L,k)*P(M,j),同理可以算出P(#A=#B),P(#A>#B)。
以Toyota和Ford為例:一年的故障數:P(#T<#F)=42.9%,P(#T=#F)=26.5%,P(#T>#F)=30.6%。三年的故障數:P(#T<#F)=53.9%,P(#T=#F)=14.1%,P(#T>#F)=32%。如果說選Toyota是為了比選Ford故障數小,那麽這個幾率隻不過是扔分幣的兩麵而已。
選個比較差別大的:Lexus平均68個故障,Audi平均151個故障。一年的話:P(#L<#A)=57%,P(#L=#A)=26%,P(#L>#A)=17%。這個也沒有比扔分幣好多少。三年的話:P(#L<#A)=77%這個比較明顯了。不過原始數據是否真的沒有偏差是個問題,如果調查的誤差很大的話那麽實際結果又會更接近扔分幣。
那麽,更長的年數呢?有個說法,車是三年看到老,前幾年的故障率大小往往決定了之後的情況。所以我覺得量化分析做到三年就夠了。
我一直認為,雖說平均故障率可能有差別,但是具體到兩輛單個的車,一輛比另一輛的故障數小的可能性並不會比扔分幣大很多。這次趁著假日休息少花點時間用簡單的模型證實了這點。我因此的建議是:選車不必把平均故障率作為首要依據,因為這其實隻是在拚人品而已。不如把其它因素更看重點,比如安全性,比如操控性能。
一家之言,聽不聽隨你。