如何求Weibull分布对应63.2%概率的x截距？斜率过高排查

一、计算尺度参数（63.2%概率对应的x截距） #

当累积失效概率p=63.2%时，代入Weibull概率变换公式：
y = ln(-ln(1-p))
计算得：
1-p = 1 - 0.632 = 0.368
ln(0.368) ≈ -1
-ln(0.368) ≈ 1
ln(1) = 0
此时y值为0，结合拟合直线方程 y = slope * x + intercept，令y=0解x：
x = -intercept / slope
由于x是ln(E)，因此尺度参数η = exp(x)。

在代码中添加以下计算逻辑：

# 计算尺度参数
y_632 = np.log(-np.log(1 - 0.632))  # 保留计算过程保证严谨性，理论值为0
x_intercept = (y_632 - intercept) / slope
scale = np.exp(x_intercept)
print("Scale parameter:", scale)

二、斜率过高的原因分析 #

从你的数据集来看，电击穿强度E的取值范围极小（仅从208.9到210，跨度约1.1），而对应的概率变换后y值的跨度却很大（从≈-2.77到≈0.88）。线性拟合的斜率是y的变化量除以x的变化量，x（即ln(E)）的跨度仅约0.004，y的跨度约3.65，因此斜率自然会非常大（≈910）。

另外你的绘图代码存在一处错误：生成拟合线的x范围误用了y轴的最大值，导致拟合线超出实际数据的x范围。修正如下：
原错误代码：

x = np.linspace(min(x_data), max(y_data), 100)

修正后：

x = np.linspace(min(x_data), max(x_data), 100)

三、修正后的完整代码 #

import numpy as np
import matplotlib.pyplot as plt

# Define the parameters
n = 8  # Sample size
i = np.arange(1, n + 1)  # Rank of observations
E = np.array([208.9, 209.0, 209.2, 209.3, 209.6, 209.8, 209.9, 210])  # Electric breakdown strength 

# Calculate the cumulative breakdown efficiency by the given formula
p = (i - 0.5) / (n + 0.25)

# variables
x_data = np.log(E)
y_data = np.log(-np.log(1 - p))

# Fit a linear regression to estimate the parameters of the Weibull distribution
slope, intercept = np.polyfit(x_data, y_data, 1)

# Calculate the shape parameter
shape = slope  

# 计算尺度参数（对应p=63.2%的x截距）
y_632 = np.log(-np.log(1 - 0.632))
x_intercept = (y_632 - intercept) / slope
scale = np.exp(x_intercept)

# Generate points for the Weibull distribution（修正x范围）
x = np.linspace(min(x_data), max(x_data), 100)
y = slope * x + intercept

# Plot the Weibull distribution
plt.plot(x_data, y_data, 'o')
plt.plot(x, y, label='Linear fit')
plt.xlabel('ln (E)')
plt.ylabel('ln(-ln(1 - p))')
plt.title('Weibull Plot')
plt.legend()
plt.show()

print("Shape parameter:", slope)
print("Scale parameter:", scale)

补充说明 #

• 你使用的p=(i-0.5)/(n+0.25)是常用的中位秩估计方法，公式本身无问题；
• 若E的取值确实如此集中，斜率高是正常现象，说明数据在对数尺度下离散程度极小，但失效概率变化快；
• 若怀疑数据异常，可检查测试过程是否存在偏差，或增加样本量获取更分散的数据。

内容的提问来源于stack exchange，提问作者Arindam Das