
数据与抽样分布
|
71
rweibull(100, 1.5, 5000)
要在
Python
中得到同样的结果,可以使用函数
stats.weibull_min.rvs
:
stats.weibull_min.rvs(1.5, scale=5000, size=100)
本节要点
•
对于发生率固定的事件,每时间单位或每空间单位的事件数量可以使用泊松分布进
行建模。
•
还可以将事件与下一个事件之间的时间或距离建模为指数分布。
•
随着时间而改变的事件发生率(例如,不断增大的设备故障概率)可以使用韦布尔
分布进行建模。
2.12.5
扩展阅读
• Thomas Ryan
的著作
Modern Engineering Statistics
中有一章专门介绍了工程应用中使用
的概率分布。
•
两篇从工程角度讨论韦布尔分布的应用的文章:“
Predicting
Equipment Failures Using
Weibull Analysis and SAS Software
”和“
Estimation
the System Reliability Using Weibull
Distribution
”。
2.13
小结
在大数据时代,如果需要准确的估计,那么随机抽样的原则依然非常重要。与使用未经处
理的数据相比,随机选取数据可以减小偏差,得到一个更高质量的数据集。掌握与各种抽
样分布和数据生成分布相关的知识,便可以量化估计中因随机变动而产生的潜在误差。同
时,
Bootstrap
(
从一个观测数据集进行有放回抽样)是一种非常强大的确定样本估计中误 ...