贡献者： 周思益
Weibull 分布是一种概率分布。这种概率分布非常灵活，可以对各种类型的数据进行建模，是可靠性数据建模中最常用的分布。它可以对左偏斜数据，右偏斜数据，对称数据进行建模。因为这种特性，工程师常用它来评估物体的可靠性和材料强度。
如果一个机器,每次使用有 $p$ 的概率损坏，那么它的使用到 $k$ 次时被损坏的概率为
\begin{equation}
P(X=k)=p(1-p)^{k-1}~.
\end{equation}
如果我们考虑的是一段时间 $t$，这段时间每个小间隔 $\Delta t$ 的时间内都有 $p$ 的概率被损坏，那么，在时间 $t$ 到 $t+\Delta t$ 的时间范围内机器被损坏的概率为
\begin{equation}
P(X)=p(1-p)^{\frac{t}{\Delta t}-1}~.
\end{equation}
当 p 非常小的时候，我们可以使用如下的数学公式对上面的式子进行化简
\begin{equation}
\lim _{p \rightarrow 0}(1-p)^{\frac{1}{p}}=e^{-1}~.
\end{equation}
化简之后的结果为
\begin{equation}
P(X)=p(1-p)^{\frac{1}{p}\left(\frac{t}{\Delta t}-1\right) p} \sim p e^{-\frac{t}{\Delta t} p}~.
\end{equation}
Weibull 分布最简单的情况回到指数分布。如果单次损坏概率与使用次数成指数关系，
\begin{equation}
p=p_0 k^\gamma~.
\end{equation}
使用到第 $k$ 次损坏的概率是
\begin{equation}
P(X=k)=p_0 k^\gamma\left(1-p_0 1^\gamma\right)\left(1-p_0 2^\gamma\right) \ldots\left(1-p_0(k-1)^\gamma\right)~.
\end{equation}
连续的情况是
\begin{equation}
P(X)=p_0 \frac{t}{\Delta t}^\gamma\left(1-p_0 1^\gamma\right)\left(1-p_0 2^\gamma\right) \ldots\left(1-p_0\left(\frac{t}{\Delta t}-1\right)^\gamma\right)~.
\end{equation}
对上面的式子取对数
\begin{equation}
\ln P(X)=\ln \left(p_0 \frac{t}{\Delta t}^\gamma\right)+\sum_{i=1}^{t / \Delta t-1} \ln \left(1-p_0 i^\gamma\right)~.
\end{equation}
我们使用下面的近似
\begin{equation}
\ln \left(1-p_0 i^\gamma\right) \sim-p_0 i^\gamma~.
\end{equation}
可以化简为
\begin{equation}
\ln P(X) \sim \ln \left(p_0 \frac{t}{\Delta t}^\gamma\right)-p_0 \sum_{i=1}^{t / \Delta t-1} i^\gamma~.
\end{equation}
接下来计算求和
\begin{equation}
\sum_{i=1}^{t / \Delta t} i^\gamma \sim \int_0^{t / \Delta t} x^\gamma \mathrm{d} x=\frac{1}{\gamma+1}\left(\frac{t}{\Delta t}\right)^{\gamma+1}~.
\end{equation}
这样就得到了 Weibull 分布的概率密度函数。
致读者： 小时百科一直以来坚持所有内容免费无广告，这导致我们处于严重的亏损状态。 长此以往很可能会最终导致我们不得不选择大量广告以及内容付费等。 因此，我们请求广大读者
热心打赏 ，使网站得以健康发展。 如果看到这条信息的每位读者能慷慨打赏 20 元，我们一周就能脱离亏损， 并在接下来的一年里向所有读者继续免费提供优质内容。 但遗憾的是只有不到 1% 的读者愿意捐款， 他们的付出帮助了 99% 的读者免费获取知识， 我们在此表示感谢。