ワイブル分布
Excel には，weibullという関数が用意されている。
ワイブル分布 は機械（人間も同じ）の故障を記述する場合などにも使われる。
時点 x における瞬間故障率（hazard ratio）は，ハザード関数 λ(x) で定義される。
時間経過に伴う瞬間故障率は，形状母数 m によって変化する（αは尺度母数）。m＜1 のときには単調減少で初期故障型，m=1 ならば一定で偶発故障型，m＞1 のときには単調増加で摩耗故障型となる。なお，m=1 の場合はワイブル分布は指数分布に一致する。
故障の分布関数 F(x) および密度関数 f(x) はハザード関数から以下のように導かれる。
ワイブル分布の平均 μ，分散 σ2 は以下のようになる。
注：分布関数は，上のように F(x) = 1 - exp(-(x^m)/a) と定義されるときと F(x) = 1 - exp(-(x/b)^m) と定義されることがある（R の *weibull 関数や Excel の Weibull 関数など）。これは単純に表現上の問題であり，m も b も尺度パラメータと呼ばれ，両者の間には，a = b^m あるいは b = a^(1/m) という関係がある。どちらも同じ分布関数であるが，解析法や関数がどちらの表現を仮定しているかを確かめておかねばならない。
ワイブル分布
出典: フリー百科事典『ウィキペディア（Wikipedia）』 (2023/01/10 13:49 UTC 版)
ワイブル分布（ワイブルぶんぷ、英: Weibull distribution）は、物体の強度を統計的に記述するためにワロッディ・ワイブル (Waloddi Weibull) によって提案された確率分布。時間に対する劣化現象や寿命を統計的に記述するためにも利用される。
- 1 ワイブル分布とは
- 2 ワイブル分布の概要
- 3 関連項目
ワイブル分布
出典: フリー百科事典『ウィキペディア（Wikipedia）』 (2019/12/01 22:40 UTC 版)
Xi (i=1,..,n)が形状パラメータをβ、尺度パラメータをηとするワイブル分布に従うとする。このとき、対数尤度関数は l ( η , β , x ) = n ln β − n β ln η + ( β − 1 ) ∑ i = 1 n ln x i − 1 η β ∑ i = 1 n x i β {\displaystyle l(\eta ,\beta ,\mathbf {x} )=n\ln {\beta }-n\beta \ln {\eta }+(\beta -1)\sum _{i=1}^{n}\ln {x_{i}}-{\frac {1}{\eta ^{\beta }}}\sum _{i=1}^{n}x_{i}^{\beta }} であり、尤度方程式は ∂ l ( η , β , x ) ∂ η = − n β η − β η ( β + 1 ) ∑ i = 1 n x i β = 0 {\displaystyle {\frac {\partial l(\eta ,\beta ,\mathbf {x} )}{\partial \eta }}=-{\frac {n\beta }{\eta }}-{\frac {\beta }{\eta ^{(\beta +1)}}}\sum _{i=1}^{n}x_{i}^{\beta }=0} ∂ l ( η , β , x ) ∂ β = n β − n ln η + ∑ i = 1 n ln x i + ln η η β ∑ i = 1 n x i β + 1 η β ∑ i = 1 n ln x i x i β = 0 {\displaystyle {\frac {\partial l(\eta ,\beta ,\mathbf {x} )}{\partial \beta }}={\frac {n}{\beta }}-n\ln {\eta }+\sum _{i=1}^{n}\ln {x_{i}}+{\frac {\ln {\eta }}{\eta ^{\beta }}}\sum _{i=1}^{n}x_{i}^{\beta }+{\frac {1}{\eta ^{\beta }}}\sum _{i=1}^{n}\ln {x_{i}}x_{i}^{\beta }=0} となる。これらを整理すると最尤推定値^η、^βが満たすべき関係式 η ^ = ( 1 n ∑ i = 1 n x i β ^ ) 1 β ^ {\displaystyle {\hat {\eta }}=\left({\frac {1}{n}}\sum _{i=1}^{n}x_{i}^{\hat {\beta }}\right)^{\frac {1}{\hat {\beta }}}} 1 β ^ + 1 n ∑ i = 1 n ln x i − ∑ i = 1 n x i β ^ ln x i ∑ i = 1 n x i β ^ = 0 {\displaystyle {\frac {1}{\hat {\beta }}}+{\frac {1}{n}}\sum _{i=1}^{n}\ln {x_{i}}-{\frac {\sum _{i=1}^{n}x_{i}^{\hat {\beta }}\ln {x_{i}}}{\sum _{i=1}^{n}x_{i}^{\hat {\beta }}}}=0} を得る。第二式を満たす^βを数値的に求めれば、第一式より^ηも定まる。
※この「ワイブル分布」の解説は、「尤度方程式」の解説の一部です。
「ワイブル分布」を含む「尤度方程式」の記事については、「尤度方程式」の概要を参照ください。
ワイブル分布と同じ種類の言葉
- ワイブル分布のページへのリンク
