📜  数学|威布尔分布模型

📅  最后修改于: 2021-08-29 11:51:10             🧑  作者: Mango

介绍 :

假设一个事件可以在给定的时间单位内发生多次。当事件的发生总数未知时,我们可以将其视为随机变量X。当该随机变量X遵循Weibull分布模型(与指数分布密切相关)时,其概率密度函数如下。

f(x) = \alpha\beta x^{\beta-1}e^{-\alpha x^{\beta}}

only when 
x > 0, α >0, β > 0.  
f(x) = 0 , Otherwise

威布尔分布的累积分布函数如下获得。

F(x) = \int_{0}^{x}\alpha\beta w^{\beta-1}e^{-\alpha w^{\beta}} dw

放置y = w^b

我们将得到以下表达式。

F(x) = \int^{x^b}_{0} \alpha e^{-\alpha y} dy = 1-e^{-\alpha x^\beta}

这意味着,当X具有Weibull分布时,则Y = X^β   具有指数分布。

期望值 :

Beta分布的期望值可以通过将值的乘积与它们各自的概率求和得出。

\mu = E(X) = \int^{\infty}_{-\infty} x.f(x) dx\mu = \int^{\infty}_{0} x. \alpha\beta x^{\beta-1}e^{-\alpha x^{\beta}} dx

把u = \alpha x^\beta

我们将得到以下表达式,如下所示。

\mu = \alpha^{-1/\beta} \int^{\infty}_0 u^{1/\beta} e^{-u} du

使用gamma函数的定义,我们将获得以下表达式,如下所示。

\mu = \alpha^{-1/\beta} \Gamma(1+\frac{1}{\beta})

方差和标准差:

可以使用方差公式找到Beta分布的方差。

σ^2 = E( X − μ )^2 = E( X^2 ) − μ^2E(X^2) = \int^{\infty}_{-\infty} x^2.f(x) dxE(X^2) = \int^{\infty}_{0} x^2. \alpha\beta x^{\beta-1}e^{-\alpha x^{\beta}} dx

把u = \alpha x^\beta

我们将得到以下表达式,如下所示。

E(X^2) = \alpha^{-2/\beta} \int^{\infty}_0 u^{2/\beta} e^{-u} du

使用gamma函数的定义,我们将获得以下内容。

E(X^2) = \alpha^{-2/\beta} \Gamma(1+\frac{2}{\beta})So, Var(X) = E(X^2) - \mu^2Var(X) = \sigma^2 = \alpha^{-2/\beta} [\Gamma(1+\frac{2}{\beta})- \{\Gamma (1+\frac{1}{\beta})\}^2]

标准偏差如下。

\sigma = \alpha^{-1/\beta} \sqrt{[\Gamma(1+\frac{2}{\beta})- \{\Gamma (1+\frac{1}{\beta})\}^2]}

例子 –

假设某种应急备用电池的寿命(以小时为单位)是一个随机变量X,其Weibull分布为α= 0.1和β= 0.5。找

  1. 这些电池的平均寿命;
  2. 这种电池可持续使用300小时以上的可能性。

解决方案 –

1.将α和β的值代入均值的公式中,我们将得到以下结果。

\mu = (0.1)^{-2}\Gamma(3) = 200    小时

2.电池续航时间超过300小时的概率如下所示。

\int_{300}^{\infty} (0.05)x^{-0.5} e^{-0.1x^{0.5}} dx = e^{-0.1(300)^{0.5}} = 0.177