Months-in-service Year of Production Date Running Sum of RateCalculated 2 2022 6.79E-05 4 2022 0.000203569 5 2022 0.000339282 7 2022 0.000407138 1 2021 3.84E-05 2 2021 0.000567183 3 2021 0.000794814 4 2021 0.001301464 5 2021 0.001904045 6 2021 0.002157183 7 2021 0.002394334 8 2021 0.002753294 9 2021 0.003121773 10 2021 0.0033909 11 2021 0.003506241 12 2021 0.003528699 13 2021 0.003720933 14 2021 0.003781838 15 2021 0.003820284 16 2021 0.003897178 17 2021 0.00399653 18 2021 0.00411187 19 2021 0.004365009 20 2021 0.004464361 这个列表中用Months-in-service和Running Sum of RateCalculated这两列计算最大似然估计的威布尔分布的参数并画出威布尔分布的函数
时间: 2024-04-12 14:26:46 浏览: 28
要计算最大似然估计的威布尔分布参数,您可以使用SciPy库中的`weibull_min.fit`函数。以下是一个示例代码:
```python
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import weibull_min
# 原始数据
months_in_service = [2, 4, 5, 7, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20]
running_sum_of_rate = [6.79E-05, 0.000203569, 0.000339282, 0.000407138, 3.84E-05, 0.000567183,
0.000794814, 0.001301464, 0.001904045, 0.002157183, 0.002394334,
0.002753294, 0.003121773, 0.0033909, 0.003506241, 0.003528699,
0.003720933, 0.003781838, 0.003820284, 0.003897178,
0.00399653, 0.00411187, 0.004365009, 0.004464361]
# 计算威布尔分布参数的最大似然估计
shape, loc, scale = weibull_min.fit(running_sum_of_rate)
# 绘制威布尔分布的函数
x = np.linspace(0, max(running_sum_of_rate), 1000)
y = weibull_min.pdf(x, shape, loc, scale)
plt.plot(x, y)
plt.xlabel('Running Sum of Rate')
plt.ylabel('Probability Density')
plt.title('Weibull Distribution')
plt.grid(True)
plt.show()
```
运行这段代码将得到威布尔分布的图像,其中横轴表示 Running Sum of Rate,纵轴表示概率密度。请注意,`weibull_min.fit`函数返回的参数顺序为`(shape, loc, scale)`。您可以根据需要调整原始数据和图像的标题等参数。希望对您有帮助!
相关推荐
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)