本文介绍了Censored Weibull分布的最大似然估计方法，通过牛顿法求解参数α和β。详细阐述了Weibull分布的累积分布函数和概率密度函数，以及如何构建并求解对数似然函数的非线性方程组。还提供了一个简化版的Python程序实现，并讨论了不要重复造轮子的理念，建议使用Weibull包进行建模。此外，博主分享了个人感悟，认为教育孩子成为有社会贡献的人比追求成功更重要。
Censored Weibull Distribution 最大似然估计 （结合牛顿法求解）
前言：写这篇博客是因为我前几天偶然读到一篇很有意思的文章， 然后想用自己的实验数据测试一下其分布情况，本以外是一个很简单的工作，但再简单的工作也需要不断的更新学习。在学习过程中，我发现已经有很多博文详述了Weibull分布的应用和意义，然而对于如何进行参数估计的问题，却缺乏更加详细的记录文档。于是无聊而又不务正业的Shecan稍微探索了一下，并把笔记分享给大家。如有错误或者疑问，请给Shecan留言。
Weibull 分布函数 CDF：
F ( x ) = 1 − e − ( x β ) α (1) F(x) = 1 - e^{-(\frac{x}{\beta})^{\alpha}}\tag{1} F(x)=1−e−(βx)α(1)
这里 β \beta β 表示 Scale Parameter, α \alpha α 表示 Shape Parameter。
分布密度 PDF：
f ( x ) = α x γ α e − γ α (2) f\left( x\right) =\frac {\alpha } {x}\gamma ^{\alpha }e^{-\gamma ^{\alpha}}\tag{2} f(x)=xαγαe−γα(2)
其中
γ = x β \gamma = \frac{x}{\beta} γ=βx
censored 似然函数的定义：
L = ∏ i = 1 n ( f ( x i ) ) δ i ( 1 − F ( x i ) ) 1 − δ i (3) L=\prod _{i=1}^{n}\left( f\left( x_i\right) \right) ^{\delta_i}\left( 1-F\left( x_{i}\right) \right) ^{1-\delta_{i}}\tag{3} L=i=1∏n(f(xi))δi(1−F(xi))1−δi(3)
其中
δ i = { 1 , x ≤ t h r e s h o l d 0 , x > t h r e s h o l d \delta _{i}=\begin{cases} 1,\,x\leq threshold\\ 0,\,x>threshold\end{cases} δi={
1,x≤threshold0,x>threshold
把（1），（2）带入（3）两边求对数，并简化求得对数似然函数：
1 o g L = ∑ i = 1 n ( − γ i α + δ i α l n γ i + δ ln α x i )
最低0.47元/天 解锁文章
扫一扫
5877
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
