探索概率分布：Python 可视化多种统计分布（续）——三参数Weibull分布

一、前言

  可靠性模型中常用的分布主要有指数分布、正态分布、对数正态分布和Weibull分布等。其中，最基本的是指数分布，其余分布可视为由指数分布派生而来。威布尔分布由瑞典科学家Waloddi Weibull提出，近年来在可靠性和维修性研究中占据了举足轻重的地位。Weibull分布不仅凭借其强大的建模能力，能够精确刻画多种产品及材料的失效特性，还通过形状参数的灵活性，实现了对失效数据拟合的精细调整。此外，Weibull分布系列广泛涵盖了包括正态分布、指数分布在内的多种分布，进一步证明了其普适性和重要性。特别是Weibull分布的形状参数，对于揭示如疲劳、腐蚀、磨损等复杂故障模式具有不可替代的价值。

  在深入探讨Weibull分布的应用时，我们不得不提及其在概率论与统计学中的广泛应用。作为一种连续概率分布，Weibull分布在可靠性分析和寿命数据分析中扮演着重要角色。而相比于两参数Weibull分布，三参数Weibull分布通过引入位置参数，进一步提升了数据拟合的灵活性和准确性。为了深入研究三参数Weibull分布的特性，本文利用Python中的NumPy、Matplotlib和SciPy库，实现了样本数据的生成与可视化，并采用了Kolmogorov-Smirnov（KS）检验方法，对样本数据是否符合预设分布进行了严格验证。这一研究不仅深化了我们对Weibull分布的理解，也为其在可靠性分析中的进一步应用奠定了坚实基础。

  三参数Weibull分布$W(\beta ,\eta ,\gamma )$的概率密度分布函数为
$$f(t;\eta ,\beta ,\gamma )=\frac{\beta }{\eta }(\frac{t-\gamma }{\eta }{)}^{\beta -1}{e}^{-(\frac{t-\gamma }{\eta }{)}^{\beta }}$$
式中，$\eta$、$\beta$、和 $\gamma$分别称为尺度参数、形状参数和位置参数。当$\gamma =0$时，模型退化为两参数威布尔分布。

  三参数Weibull分布$W(\beta ,\eta ,\gamma )$的累积分布函数为