Distribución de Weibull

En teoría de la probabilidad y estadística, la distribución de Weibull es una distribución de probabilidad continua. Recibe su nombre de Waloddi Weibull, que la describió detalladamente en 1951, aunque fue descubierta inicialmente por Fréchet (1927) y aplicada por primera vez por Rosin y Rammler (1933) para describir la distribución de los tamaños de determinadas partículas.

Weibull
Función de densidad de probabilidad
Función de distribución de probabilidad
Parámetros	${\displaystyle \lambda >0\,}$ escala (real) ${\displaystyle \alpha >0\,}$ forma (real)
Dominio	${\displaystyle x\in (0,+\infty )\,}$
Función de densidad (pdf)	${\displaystyle \lambda \alpha (\lambda x)^{\alpha -1}e^{-(\lambda x)^{\alpha }}}$
Función de distribución (cdf)	${\displaystyle 1-e^{-(\lambda x)^{\alpha }}}$
Media	${\displaystyle {\frac {1}{\lambda }}\;\Gamma \left(1+{\frac {1}{\alpha }}\right)\,}$
Mediana	${\displaystyle {\frac {1}{\lambda }}(\ln 2)^{1/\alpha }\,}$
Moda	${\displaystyle {\frac {1}{\lambda }}\left({\frac {\alpha -1}{\alpha }}\right)^{\frac {1}{\alpha }}\,}$ si ${\displaystyle \alpha >1}$
Varianza	${\displaystyle {\frac {1}{\lambda ^{2}}}\left[\Gamma \left(1+{\frac {2}{\alpha }}\right)-\Gamma ^{2}\left(1+{\frac {1}{\alpha }}\right)\right]}$
Coeficiente de simetría	${\displaystyle {\frac {\Gamma (1+{\frac {3}{\alpha }}){\frac {|}{\lambda ^{3}}}-3\mu \sigma ^{2}-\mu ^{3}}{\sigma ^{3}}}}$
Entropía	${\displaystyle \gamma \left(1\!-\!{\frac {1}{\alpha }}\right)+\ln \left({\frac {1}{\lambda \alpha }}\right)+1}$
Función generadora de momentos (mgf)	${\displaystyle \sum _{n=0}^{\infty }{\frac {t^{n}}{n!\lambda ^{n}}}\Gamma \left(1+{\frac {n}{\alpha }}\right),\alpha \geq 1}$
Función característica	${\displaystyle \sum _{n=0}^{\infty }{\frac {(it)^{n}}{n!\lambda ^{n}}}\Gamma \left(1+{\frac {n}{\alpha }}\right)}$
[editar datos en Wikidata]

Definición

Función de Densidad

Si ${\displaystyle X}$  es una variable aleatoria continua, se dice que ${\displaystyle X}$  tiene una distribución Weibull con parámetros ${\displaystyle \alpha ,\lambda >0}$  y escribimos ${\displaystyle X\sim \operatorname {Weibull} (\alpha ,\lambda )}$  si su función de densidad es^[1]​

${\displaystyle f(x)=\lambda \alpha (\lambda x)^{\alpha -1}e^{-(\lambda x)^{\alpha }}\qquad x>0}$ 

donde ${\displaystyle \alpha }$  es el parámetro de forma y ${\displaystyle \lambda }$  es el parámetro de escala de la distribución.

La distribución modela la distribución de fallos (en sistemas) cuando la tasa de fallos es proporcional a una potencia del tiempo:

• Un valor ${\displaystyle \alpha <1}$  indica que la tasa de fallos decrece con el tiempo.
• Cuando ${\displaystyle \alpha =1}$ , la tasa de fallos es constante en el tiempo.
• Un valor ${\displaystyle \alpha >1}$  indica que la tasa de fallos crece con el tiempo.

Función de Distribución

La función de distribución acumulada de una variable aleatoria ${\displaystyle X\sim \operatorname {Weibull} (\alpha ,\lambda )}$  es

${\displaystyle F(x)=1-e^{-(\lambda x)^{\alpha }}}$ 

para ${\displaystyle x>0}$ .

Propiedades

Si ${\displaystyle X\sim \operatorname {Weibull} (\alpha ,\lambda )}$  entonces

• La tasa de fallos (hazard) es

${\displaystyle h(x;\alpha ,\lambda )={\lambda \alpha }\left({\lambda x}\right)^{\alpha -1}}$ 

• El ${\displaystyle n}$ -ésimo momento de ${\displaystyle X}$  es

${\displaystyle \operatorname {E} [X^{n}]={\frac {1}{\lambda ^{n}}}\;\Gamma \left(1+{\frac {n}{\alpha }}\right)}$ 

• La función generadora de momentos de ${\displaystyle X}$  está dada por

${\displaystyle M_{X}(t)=\sum _{n=0}^{\infty }{\frac {t^{n}}{\lambda ^{n}n!}}\;\Gamma \left(1+{\frac {n}{\alpha }}\right)}$ 

• La media de la variable aleatoria ${\displaystyle X}$  es

${\displaystyle \operatorname {E} [X]={\frac {1}{\lambda }}\;\Gamma \left(1+{\frac {1}{\alpha }}\right)}$ 

• La varianza de la variable aleatoria ${\displaystyle X}$  es

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

• La moda de la variable aleatoria ${\displaystyle X}$  para ${\displaystyle \alpha >1}$  es

${\displaystyle x^{*}={\frac {1}{\lambda }}\left({\frac {\alpha -1}{\alpha }}\right)^{\frac {1}{\alpha }}}$ 

• La asimetría y curtosis de ${\displaystyle X}$  están dadas por

${\displaystyle \gamma _{1}={\frac {\Gamma \left(1+{\frac {3}{\alpha }}\right){\frac {1}{\lambda ^{3}}}-3\mu \sigma ^{2}-\mu ^{3}}{\sigma ^{3}}}.}$ 

y

${\displaystyle {\begin{aligned}\gamma _{2}&={\frac {-6\Gamma _{1}^{4}+12\Gamma _{1}^{2}\Gamma _{2}-3\Gamma _{2}^{2}-4\Gamma _{1}\Gamma _{3}+\Gamma _{4}}{[\Gamma _{2}-\Gamma _{1}^{2}]^{2}}}\\&={\frac {{\frac {1}{\lambda ^{4}}}\Gamma (1+{\frac {4}{\alpha }})-4\gamma _{1}\sigma ^{3}\mu -6\mu ^{2}\sigma ^{2}-\mu ^{4}}{\sigma ^{4}}}\end{aligned}}}$ 

donde ${\displaystyle \Gamma _{i}=\Gamma \left(1+{\frac {i}{\alpha }}\right)}$ .

Distribuciones Relacionadas

• La distribución de Weibull desplazada (a través de un parámetro adicional) también se encuentra en la literatura.^[2]​ Tiene función de densidad

${\displaystyle f(x;\alpha ,\lambda ,\theta )={\lambda \alpha }\left[{\lambda (x-\theta )}\right]^{\alpha -1}e^{-({\lambda (x-\theta )})^{\alpha }}\,}$ 

para ${\displaystyle x\geq \theta }$ , donde ${\displaystyle \alpha >0}$  es el parámetro de forma, ${\displaystyle \lambda >0}$  es el parámetro de escala y ${\displaystyle \theta }$ , el de localización. Coincide con la habitual cuando ${\displaystyle \theta =0}$ .

• Si ${\displaystyle X\sim \operatorname {Weibull} (1,\lambda )}$  entonces ${\displaystyle X\sim \operatorname {Exponencial} (\lambda )}$ .
• Si ${\displaystyle X\sim \operatorname {Weibull} \left(2,{\frac {1}{\sqrt {2\sigma ^{2}}}}\right)}$  entonces ${\displaystyle X\sim \operatorname {Rayleigh} (\sigma )}$ , es decir ${\displaystyle X}$  tiene una distribución de Rayleigh.

• La función de densidad de la distribución de Weibull cambia sustancialmente cuando ${\displaystyle \alpha }$  varía entre 0 y 3 y, en particular, cerca de x=0. Cuando ${\displaystyle \alpha <1}$  la densidad tiende a ${\displaystyle \infty }$  cuando ${\displaystyle x}$  se aproxima a ${\displaystyle 0}$  y la densidad tiene forma de J. Cuando ${\displaystyle \alpha =1}$  la densidad tiene un valor finito en x=0. Cuando ${\displaystyle 1<\alpha <2}$  la densidad se anula en ${\displaystyle 0}$ , tiene una pendiente infinita en tal valor y es unimodal. Cuando ${\displaystyle \alpha =2}$  la densidad tiene pendiente finita en 0. Cuando ${\displaystyle \alpha >2}$  la densidad y su pendiente son nulas en cero y la densidad es unimodal. Conforme ${\displaystyle \alpha }$  crece, la distribución de Weibull converge a una delta de Dirac soportada en ${\displaystyle x=\lambda }$ .

• La distribución de Weibull también puede caracterizarse a través de la distribución uniforme estándar, si ${\displaystyle U\sim \operatorname {U} (0,1)}$  entonces ${\displaystyle {\frac {1}{\lambda }}(-\ln(1-U))^{1/\alpha }\sim \operatorname {Weibull} (\alpha ,\lambda )}$ . Este resultado permite simular numéricamente la distribución de manera sencilla.

• La distribución de Weibull es un caso especial de la distribución Exponentiated Weibull distribution (de tres parámetros) cuando el parámetro adicional vale 1. También es un caso especial de la generalized extreme value distribution. Fue precisamente en este contexto que fue identificada por Maurice Fréchet in 1927.

Aplicaciones

La distribución de Weibull se utiliza en:

• Análisis de la supervivencia
• En ingeniería, para modelar procesos estocásticos relacionados con el tiempo de fabricación y distribución de bienes

 

Aplicación de la distribución de probabilidad acumulada de Weibull a lluvias diárias máximas.^[3]​

• Teoría de valores extremos
• Meteorología
• Para modelar la distribución de la velocidad del viento (frecuencia con la que se dan diferentes velocidades de viento)
• En telecomunicaciones
• En sistemas de radar para simular la dispersión de la señal recibida
• En seguros, para modelar el tamaño de las pérdidas

• En la hidrología, se utiliza la distribución de Weibull para analizar variables aleatorias como valores máximos de la precipitación y la descarga de ríos,^[4]​ y además para describir épocas de sequía.^[5]​

El imagen azul ilustra un ejemplo de ajuste de la distribución de Weibull a lluvias máximas diarias ordenadas, mostrando también la franja de 90% de confianza, basada en la distribución binomial. Las observaciones presentan los marcadores de posición, como parte del análisis de frecuencia acumulada.

Véase también

• Distribución exponencial de Weibull
• Módulo de Weibull
• Distribución exponencial
• Distribución gamma
• Distribución de Rayleigh

Referencias

1. Papoulis, Pillai, "Probability, Random Variables, and Stochastic Processes, 4th Edition
2. Johnson, Kotz y Balakrishnan, 1994
3. CumFreq software para adecuación de distribuciones de probabilidad [1]
4. Oosterbaan, R.J. (1994). «Chapter 6 Frequency and Regression Analysis». En Ritzema, H.P., ed. Drainage Principles and Applications, Publication 16. Wageningen, The Netherlands: International Institute for Land Reclamation and Improvement (ILRI). pp. 175-224. ISBN 90-70754-33-9. 
5. Burke, Eleanor J.; Perry, Richard H.J.; Brown, Simon J. (2010). «An extreme value analysis of UK drought and projections of change in the future». Journal of Hydrology 388: 131. doi:10.1016/j.jhydrol.2010.04.035. 

Bibliografía

• Fréchet, Maurice (1927), «Sur la loi de probabilité de l'écart maximum», Annales de la Société Polonaise de Mathematique, Cracovie 6: 93-116 ..
• Johnson, Norman L.; Kotz, Samuel; Balakrishnan, N. (1994), Continuous univariate distributions. Vol. 1, Wiley Series in Probability and Mathematical Statistics: Applied Probability and Statistics (2nd edición), New York: John Wiley & Sons, ISBN 978-0-471-58495-7, MR 1299979 .
• Muraleedharan, G.; Rao, A.G.; Kurup, P.G.; Nair, N. Unnikrishnan; Sinha, Mourani (2007), «Coastal Engineering», Coastal Engineering 54 (8): 630-638, doi:10.1016/j.coastaleng.2007.05.001 .
• Rosin, P.; Rammler, E. (1933), «The Laws Governing the Fineness of Powdered Coal», Journal of the Institute of Fuel 7: 29-36 ..
• Sagias, Nikos C.; Karagiannidis, George K. (2005), «Gaussian class multivariate Weibull distributions: theory and applications in fading channels», Institute of Electrical and Electronics Engineers. Transactions on Information Theory 51 (10): 3608-3619, ISSN 0018-9448, doi:10.1109/TIT.2005.855598, MR 2237527 .
• Weibull, W. (1951), «A statistical distribution function of wide applicability», J. Appl. Mech.-Trans. ASME 18 (3): 293-297 ..
• «Weibull Distribution». Engineering statistics handbook. National Institute of Standards and Technology. 2008. 
• Nelson, Jr, Ralph (5 de febrero de 2008). . Archivado desde el original el 13 de febrero de 2008. Consultado el 5 de febrero de 2008. 

Enlaces externos

• The Weibull distribution (con ejemplos, calculadora, etc.)
• The Weibull plot
• Papel para representar gráficamente la distribución de Weibull
• Mathpages - Análisis de Weibull
• La distribución de Weibull con Excel
• The SOCR Resource proporciona Interfaz interactivo para la distribución de Weibull.

Se puede usar software y un programa de computadora para el ajuste de una distribución de probabilidad, incluyendo la de Weibull, a una serie de datos:

• Easy fit el 23 de febrero de 2018 en Wayback Machine., "data analysis & simulation"
• MathWorks Benelux (enlace roto disponible en Internet Archive; véase el historial, la primera versión y la última).
• ModelRisk, "risk modelling software"
• Ricci distributions, fitting distrubutions with R , Vito Ricci, 2005
• Risksolver, automatically fit distributions and parameters to samples
• StatSoft distribution fitting el 30 de agosto de 2012 en Wayback Machine.
• CumFreq [2] , libre sin costo, incluye intervalos de confianza a base de la distribución binomial
• [3] Calcular la probabilidad de una distribución de Weibull con R (lenguaje de programación)
• Calculadora - Distribución de Weibull

•   Datos: Q732332
•   Multimedia: Weibull distribution