威布尔分布参数估计

什么是威布尔分布

在对设备的故障进行分析时，如果能够找到故障的规律，并将这些规律用数学模型表述出来，从而便于人们对设备的运行趋势有足够判断，这样的过程称为可靠性分析。通常情况下，这些数学模型为某些故障概率，带有一些未知参数，通过对参数的估计得到准确的参数。威布尔分布函数模型就是这样典型的可靠性模型，常用于设备的研究中。威布尔分布分为两参数和三参数。

本质上而言，威布尔分布就是设计出来的一种符合设备故障率的分布，其中两参数威布尔分布为：
$$h(t)=\frac{\beta }{\eta }{\left(\frac{t}{\eta }\right)}^{\beta -1}exp\left[-\left({\frac{t}{\eta }}^{\beta }\right)\right]$$
$$F(t)=1-exp\left[-{\left(\frac{t}{\eta }\right)}^{\beta }\right]$$

威布尔分布的参数估计方法

常用最小二乘法用于求得威布尔分布的参数$\beta$和$\eta$
上式整理后两边取两次自然对数得
$$lnln\frac{1}{1-F(t)}=\beta ln(t)-\beta ln(\eta )$$
令
$$\{\begin{array}{c}y=lnln\left[\frac{1}{1-F(t)}\right]\\ x=ln(t)\\ b=-\beta ln(\eta )\\ w=\beta \end{array}$$
即可得到如下形式
$$y=b+wx$$
利用得到的样本数据
$$(x_1,y_1)\cdots (x_n,y_n)$$
来估计得到$\hat{w}$和$\hat{b}$即可代替$w$和$b$作为参数：
$$y_i=\hat{b}+\hat{w}{x}_i$$
那么估计值和真实值之间的距离为
$$y_i-\widehat{y_i}=y_i-\hat{b}-\hat{w}{x}_i$$
而最小二乘法拟合直线的本质是找到到所有样本点距离最小的直线

因此拟合的损失函数为
$$Q(w,b)=\sum _{i=1}^n(y_i-b-w{x}_i{)}^2$$
最终的目标为
$$Q(\hat{w},\hat{b})=minQ(w,b)$$
因此通过求偏导数，如下：
$$\{\begin{array}{c}\frac{\partial Q}{\partial w}=-2{\sum }_{i=1}^n(y_i-b-w{x}_i)x_i=0\\ \frac{\partial Q}{\partial b}=-2{\sum }_{i=1}^n(y_i-b-w{x}_i)=0\end{array}$$
解之得
$$\{\begin{array}{c}\hat{w}=\frac{{\sum }_{i=1}^n{x}_i{y}_i-n\bar{x}\bar{y}}{{\sum }_{i=1}^n{x}_i^2-n{\bar{x}}^2}\\ \hat{b}=\bar{y}-\bar{x}\hat{w}\end{array}$$
其中$\bar{x}=\frac{1}{n}{\sum }_{i=1}^n{x}_i$，$\bar{y}=\frac{1}{n}{\sum }_{i=1}^n{y}_i$，更进一步得
$$\{\begin{array}{c}\hat{\beta }=\frac{{\sum }_{i=1}^n{x}_i{y}_i-n\bar{x}\bar{y}}{{\sum }_{i=1}^n{x}_i^2-n{\bar{x}}^2}\\ \hat{\eta }=e^{\bar{x}-\frac{\bar{y}}{\beta }}\end{array}$$