问 用stats.exponweib.fit拟合python中的威布尔分布

EN

我一直在尝试用stats.exponweib.fit来拟合威布尔分布--在Scipy中并没有一个只适用于威布尔的拟合，因此，人们需要利用指数威布尔的拟合，并将第一个形状参数设置为1。然而，当stats.exponweib.fit函数被馈送来自具有已知形状参数的威布尔分布的数据时，拟合返回一组不同的形状参数。显示此行为的一些示例代码如下：

from numpy import random, exp, log
import matplotlib.pyplot as plt
from scipy import stats
import csv
# Expoential Weibull PDF 
def expweibPDF(x, k, lam, alpha):
    return (alpha * (k/lam) *
            ((x/lam)**(k-1))  *
            ((1 - exp(-(x/lam)**k))**(alpha-1)) *
            exp(-(x/lam)**k))
# Expoential Weibull CDF
def exp_cdf(x, k, lam, alpha):
    return (1 - exp(-(x / lam)**k))**alpha
# Expoential Weibull Inverse CDF
def exp_inv_cdf(p, k, lam, alpha):
    return lam * ( - log( (1 - p)**(1/alpha) ))**(1/k)
# parameters for the fit - alpha = 1.0 reduces to normal Webull
# the shape parameters k = 5.0 and lam = 1.0 are demonstrated on Wikipedia:
# https://en.wikipedia.org/wiki/Weibull_distribution
alpha = 1.0
k0 = 5.0
lam0 = 1.0
x = []
y = []
# create a Weibull distribution
random.seed(123)
n = 1000  
for i in range(1,n) :
    p = random.random()
    x0 = exp_inv_cdf(p,k0,lam0,alpha)
    x += [ x0 ]
    y += [ expweibPDF(x0,k0,lam0,alpha) ]
# now fit the Weibull using python library
# setting f0=1 should set alpha = 1.0
# so, shape parameters should be the k0 = 5.0 and lam = 1.0
(exp1, k1, loc1, lam1)  = stats.exponweib.fit(y,floc=0, f0=1)
print (exp1, k1, loc1, lam1)

这里的输出是：

(1，2.8146777019890856，0，1.4974049126907345)

我本以为：

(1，5.0，0，1.0)

当我们绘制曲线时：

# plotting the two curves
fig, ax = plt.subplots(2, 1)
ax[0].plot(x,y, 'ro', lw=2)
ax[1].plot(x,stats.exponweib.pdf(x,exp1,k1,loc1,lam1), 'ro', lw=2)
plt.show()

我们得到以下曲线，显示了具有形状因子k=5和lambda=1的已知威布尔分布的输入数据，以及具有不同形状因子的exponweib.fit的输出数据。

Input Weibull data and output from exponweib.fit

stackoverflow上的第一篇文章-所以，希望上面是框架问题的正确方式。欢迎对以上内容有任何想法，并在帖子中提出任何建议:)