【Python】韦伯分布的拟合

韦伯分布的定义

本文为博主原创文章，未经博主允许不得转载。

二参数韦伯分布的累计分布函数CDF为：$$F(x)=1-exp[-(\frac{x}{b}{)}^a]$$

概率密度函数为：
$$f(x)=\frac{a}{b}(\frac{x}{b}{)}^{a-1}exp[-(\frac{x}{b}{)}^a]$$

其中，a>0，为形状参数，b>0为尺度参数

拟合方法的原理

采用最小二乘法求解参数a,b：

对累计分布函数两边取双对数后可以得到：$$ln[-ln(1-F(x))]=aln(x)-alnb$$

改写为Y=Bx+A,则：

$$Y=ln[-ln(1-F(x))]$$

$$X=ln(x)$$

$$B=a$$

$$A=-alnb$$

用最小二乘法求解系数：

$$B=\frac{\sum (X_i-\bar{X})(Y_i-\bar{Y})}{\sum (X_i-\bar{X}{)}^2}$$
$$A=\bar{Y}-b\bar{X}$$
$$a=B$$
$$b=exp[-(\bar{Y}-B\bar{X})/a]$$

python代码实现

from scipy.stats import exponweib
import numpy as np
import statsmodels.api as sm
import matplotlib.pyplot as plt
import math

def Cal_Weibull_CDF(data):
	cdf = sm.distributions.ECDF(data)
	data_min = min(data)
	data_max = max(data)
	x = np.linspace(data_min+1.0,data_max-1.0,num=100,endpoint=True)
	X = np.log(x) # X = ln(x)
	Y = np.log(-np.log(1.0-cdf(x))) # Y = ln[-ln[1-F(x)]]
	coef = np.polyfit(X,Y,1)
	a = coef[0]
	b = math.exp(-coef[1]/a)

	fcdf = lambda x: 1-np.exp(-np.power(x/b,a))
	return fcdf


# 用exponweib生成符合weibull分布的随机数组
n = 100     # number of samples
k = 2.89    # shape
lam = 1.95  # scale
obs = exponweib.rvs(k, lam, scale=20,size=n)

ocdf = sm.distributions.ECDF(obs)
# 拟合
fcdf = Cal_Weibull_CDF(obs) 

# 画图
x = np.linspace(0,50,num=100,endpoint=True)
y1 = ocdf(x)
y2 = fcdf(x)

plt.figure()
plt.plot(x,y1,color='blue',label='O')
plt.plot(x,y2,color='black',label='F')
plt.legend()
plt.show()

拟合结果：

参考

1. Weibull分布参数估计方法及其应用_张秀芝