Распределение Вейбулла

Распределение Вейбулла (также распределение Вейбулла — Гнеденко) — это непрерывное распределение вероятностей, широко используемое в теории надёжности, анализе времени жизни устройств, метеорологии, гидрологии и других областях. Названо в честь шведского инженера и математика Валодди Вейбулла, который в 1951 году предложил его для описания прочности материалов и времени до отказа. Распределение является частным случаем обобщённого распределения экстремальных значений (типа III) и обобщает экспоненциальное распределение.

Определение и параметры

Распределение Вейбулла описывается двумя или тремя параметрами. Наиболее распространена двухпараметрическая форма.

Функция плотности вероятности

Для случайной величины \(X\), имеющей распределение Вейбулла, функция плотности вероятности (PDF) имеет вид:

\[ f(x; \lambda, k) = \frac{k}{\lambda} \left( \frac{x}{\lambda} \right)^{k-1} e^{-(x/\lambda)^k}, \quad x \ge 0 \]

где:

• \(k > 0\) — параметр формы (shape parameter). Определяет характер изменения интенсивности отказов (см. ниже).
• \(\lambda > 0\) — масштабный параметр (scale parameter). Характеризует «растяжение» распределения вдоль оси \(x\). Часто называют характеристическим временем жизни.

Функция распределения

Интегральная функция распределения (CDF) выражается в замкнутой форме:

\[ F(x; \lambda, k) = 1 - e^{-(x/\lambda)^k}, \quad x \ge 0 \]

Трёхпараметрическое распределение

Иногда вводят третий параметр — параметр сдвига (location parameter) \(\gamma\) (или \(\mu\)), который задаёт нижнюю границу распределения. В этом случае функция распределения записывается как:

\[ F(x; \gamma, \lambda, k) = 1 - e^{-((x-\gamma)/\lambda)^k}, \quad x \ge \gamma \]

Параметр сдвига часто используется, когда известно, что отказы не могут происходить ранее определённого момента времени (например, из-за гарантийного срока или физических ограничений).

Свойства

Интенсивность отказов

Одно из ключевых свойств распределения Вейбулла — гибкость в описании интенсивности отказов (hazard function) \(h(x)\):

\[ h(x) = \frac{f(x)}{1-F(x)} = \frac{k}{\lambda} \left( \frac{x}{\lambda} \right)^{k-1} \]

В зависимости от параметра формы \(k\):

• \(k < 1\): интенсивность отказов убывает со временем. Характерно для периода приработки (ранние отказы).
• \(k = 1\): интенсивность отказов постоянна. Распределение Вейбулла вырождается в экспоненциальное распределение. Соответствует периоду нормальной эксплуатации.
• \(k > 1\): интенсивность отказов возрастает со временем. Характерно для периода износа и старения.

Моменты

• Математическое ожидание (среднее значение):

\[ E[X] = \lambda \cdot \Gamma\left(1 + \frac{1}{k}\right) \]

где \(\Gamma\) — гамма-функция.

• Дисперсия:

\[ Var[X] = \lambda^2 \left[ \Gamma\left(1 + \frac{2}{k}\right) - \left(\Gamma\left(1 + \frac{1}{k}\right)\right)^2 \right] \]

• Медиана:

\[ m = \lambda \cdot (\ln 2)^{1/k} \]

• Мода (наиболее вероятное значение):

\[ \text{Mode} = \lambda \cdot \left( \frac{k-1}{k} \right)^{1/k}, \quad \text{для } k > 1 \]

При \(k \le 1\) мода равна 0.

Другие свойства

• Распределение Вейбулла является устойчивым к масштабированию: если \(X \sim \text{Weibull}(\lambda, k)\), то \(cX \sim \text{Weibull}(c\lambda, k)\).
• Случайная величина \(Y = \ln X\) имеет распределение экстремальных значений (Гумбеля) с параметрами \(\mu = \ln \lambda\) и \(\sigma = 1/k\).
• Распределение Вейбулла является частным случаем обобщённого распределения экстремальных значений (GEV) для типа III (ограниченные сверху распределения).

История

В 1939 году шведский инженер Валодди Вейбулл (1887–1979) опубликовал статью, в которой предложил статистическую модель для описания прочности материалов. Он показал, что распределение вероятностей времени до разрушения образца под нагрузкой хорошо описывается функцией вида \(1 - e^{-(x/\lambda)^k}\). В 1951 году Вейбулл опубликовал более полную работу, в которой обобщил свой подход на анализ времени жизни различных технических систем.

Независимо от Вейбулла, в 1941 году советский математик Борис Владимирович Гнеденко (1912–1995) в рамках теории экстремальных значений получил это же распределение как предельное для минимума независимых одинаково распределённых случайных величин. В русскоязычной научной литературе распределение часто называют распределением Вейбулла — Гнеденко.

Применение

Теория надёжности и анализ времени жизни

Это основная область применения. Распределение Вейбулла используется для моделирования времени до отказа механических, электрических и электронных компонентов, а также сложных систем. Параметр формы \(k\) позволяет идентифицировать доминирующий механизм отказов:

• \(k < 1\) — приработочные отказы (дефекты производства, скрытые повреждения).
• \(k = 1\) — случайные отказы (внешние воздействия, перегрузки).
• \(k > 1\) — износовые отказы (усталость, коррозия, старение).

На основе распределения Вейбулла строятся графики (вейбулловские графики), позволяющие визуально оценить параметры распределения и прогнозировать надёжность.

Метеорология и гидрология

Распределение Вейбулла широко применяется для описания распределения скоростей ветра. Это позволяет оценивать ветроэнергетический потенциал региона и проектировать ветроэнергетические установки. Также используется для моделирования осадков, волн и других гидрометеорологических величин.

Медицина и биология

В анализе выживаемости (survival analysis) распределение Вейбулла применяется для моделирования времени до наступления события (смерти, рецидива заболевания, выздоровления). Оно позволяет учитывать различные формы зависимости риска от времени.

Экономика и финансы

Используется для моделирования размеров страховых убытков, времени до дефолта, а также в анализе рисков.

Обработка сигналов и изображений

Распределение Вейбулла применяется для моделирования распределения амплитуд сигналов в радиолокации (например, для описания фона морской поверхности) и в анализе текстур изображений.

Оценка параметров

Для оценки параметров распределения Вейбулла по эмпирическим данным используются различные методы:

Метод максимального правдоподобия (ММП)

Наиболее распространённый метод. Оценки получаются путём решения системы уравнений, которые обычно решаются численно (например, методом Ньютона — Рафсона). ММП даёт асимптотически несмещённые и эффективные оценки.

Метод моментов

Оценки находятся путём приравнивания выборочных моментов (среднего, дисперсии) к теоретическим. Этот метод проще, но менее точен, особенно при малых выборках.

Графический метод (вейбулловский график)

Строится график в координатах \(\ln(-\ln(1 - \hat{F}(x)))\) против \(\ln x\). Если данные подчиняются распределению Вейбулла, точки ложатся на прямую линию. Наклон прямой даёт оценку параметра формы \(k\), а пересечение с осью — оценку \(\ln \lambda\). Этот метод удобен для визуальной проверки гипотезы о распределении.

Связь с другими распределениями

• Экспоненциальное распределение: частный случай при \(k = 1\).
• Распределение Рэлея: частный случай при \(k = 2\).
• Распределение Гумбеля: если \(Y = \ln X\), то \(Y\) имеет распределение Гумбеля.
• Распределение Фреше: если \(Y = 1/X\), то \(Y\) имеет распределение Фреше.
• Гамма-распределение: при \(k = 1\) совпадает с экспоненциальным, но в общем случае не является частным случаем гамма-распределения.

Интересные факты

• Валодди Вейбулл утверждал, что его распределение можно применять для описания практически любых данных, от прочности стали до роста населения. Он демонстрировал это на примере распределения размеров частиц пыльцы.
• Вейбулловский график (Weibull plot) — один из самых распространённых инструментов в инженерной практике для анализа надёжности. Он позволяет не только оценить параметры, но и выявить наличие нескольких механизмов отказов (например, смесь двух распределений).
• Распределение Вейбулла — единственное непрерывное распределение, которое может описывать как возрастающую, так и убывающую интенсивность отказов, что делает его особенно ценным в теории надёжности.

Источники

1. Weibull, W. (1951). A Statistical Distribution Function of Wide Applicability. Journal of Applied Mechanics, 18(3), 293–297.
2. Гнеденко, Б. В. (1941). О распределении максимума последовательности независимых случайных величин. Доклады АН СССР, 32(1), 7–10.
3. Nelson, W. (1982). Applied Life Data Analysis. John Wiley & Sons.
4. Райншке, К., Ушаков, И. А. (1988). Оценка надёжности систем с использованием графов. Радио и связь.
5. Lawless, J. F. (2003). Statistical Models and Methods for Lifetime Data. John Wiley & Sons.