Distribució discreta de Weibull

Infotaula distribució de probabilitatDistribució discreta de Weibull
Paràmetres α > 0 {\displaystyle \alpha >0} escala
β > 0 {\displaystyle \beta >0} forma
Suport x { 0 , 1 , 2 , } {\displaystyle x\in \{0,1,2,\ldots \}}
fpm exp [ ( x α ) β ] exp [ ( x + 1 α ) β ] {\displaystyle \exp \left[-\left({\frac {x}{\alpha }}\right)^{\beta }\right]-\exp \left[-\left({\frac {x+1}{\alpha }}\right)^{\beta }\right]}
FD 1 exp [ ( x + 1 α ) β ] {\displaystyle 1-\exp \left[-\left({\frac {x+1}{\alpha }}\right)^{\beta }\right]}

En la teoria de probabilitat i estadística, la distribució discreta de Weibull és la variant discreta de la distribució de Weibull. Va ser descrit per primera vegada per Nakagawa i Osaki el 1975.

Paràmetres alternatius

En el document original de Nakagawa i Osaki es va utilitzar la parametrització q = e α β {\displaystyle q=e^{-\alpha ^{-\beta }}} convertint el cmf 1 q ( x + 1 ) β {\displaystyle 1-q^{(x+1)^{\beta }}} en q ( 0 , 1 ) {\displaystyle q\in (0,1)} . Fent β = 1 {\displaystyle \beta =1} fa aparent la relació amb la distribució geomètrica.[1]

Transformació localització-escala

La distribució contínua de Weibull té una estreta relació amb la distribució de Gumbel que és fàcil de veure quan es torna a convertir la variable. Es pot fer una transformació similar amb la distribució discreta de Weibull.

Definim e Y 1 = X {\displaystyle e^{Y}-1=X} on (de forma no convencional) Y = log ( X + 1 ) { log ( 1 ) , log ( 2 ) , } {\displaystyle Y=\log(X+1)\in \{\log(1),\log(2),\ldots \}} i definim els paràmetres μ = log ( α ) {\displaystyle \mu =\log(\alpha )} i σ = 1 β {\displaystyle \sigma ={\frac {1}{\beta }}} . Per substitució de x {\displaystyle x} al cmf:

Pr ( X x ) = Pr ( X e y 1 ) . {\displaystyle \Pr(X\leq x)=\Pr(X\leq e^{y}-1).}

Veiem que obtenim una parametrització d'escala local:

= 1 exp [ ( x + 1 α ) β ] = 1 exp [ ( e y e μ ) 1 σ ] = 1 exp [ exp [ y μ σ ] ] {\displaystyle =1-\exp \left[-\left({\frac {x+1}{\alpha }}\right)^{\beta }\right]=1-\exp \left[-\left({\frac {e^{y}}{e^{\mu }}}\right)^{\frac {1}{\sigma }}\right]=1-\exp \left[-\exp \left[{\frac {y-\mu }{\sigma }}\right]\right]}

que en la configuració d'estimacions té molt sentit. Això obre la possibilitat de regressió amb marcs desenvolupats per a la regressió de Weibull i la teoria de valor extrem.[2]

Referències

  1. «The discrete Weibull distribution». Reliability, IEEE Transactions on, 24, 1975, pàg. 300–301.
  2. Scholz, Fritz «Maximum Likelihood Estimation for Type I Censored Weibull Data Including Covariates». ISSTECH-96-022, Boeing Information & Support Services, 1996 [Consulta: 26 abril 2016].

Vegeu també

  • Vegeu aquesta plantilla
Distribucions discretes
amb suport finit
Distribucions discretes
amb suport infinit
Distribucions contínues
suportades sobre un interval acotat
Distribucions contínues
suportades sobre un interval semi-infinit
Distribucions contínues
suportades en tota la recta real
Distribucions contínues
amb el suport de varis tipus
Barreja de distribució variable-contínua
Distribució conjunta
Discreta
Ewens
Multinomial
Multinomial de Dirichlet
Multinomial negativa
Contínua
Dirichlet
Dirichlet generalitzada
Estable multivariant
Gamma normal
Gamma normal inversa
Normal multivariable
t multivariable
Matriu de valor
Matriu gamma
Matriu gamma inversa
Matriu normal
Normal de Wishart
Normal de Wishart inversa
t matriu
Wishart
Wishart inversa
Direccionals
Univariada (circular)
Asimètrica de Laplace envoltada
Cauchy envoltada
Exponencial envoltada
Lévy envoltada
Normal envoltada
Circular uniforme
Univariada de von Mises
Bivariada (esfèrica)
Kent
Bivariada (toroidal)
Bivariada de von Mises
Multivariada
von Mises-Fisher
Bingham
Degenerada i singular
Degenerada
Delta de Dirac
Singular
Cantor
Famílies