Słownik metodologiczny · Ludzie statystyki

Waloddi Weibull (1887–1979) – inżynier, który dał nazwę rozkładowi czasu do awarii

Waloddi Weibull, szwedzki oficer straży przybrzeżnej i badacz wytrzymałości materiałów, opisał rozkład „szerokiego zastosowania”, który dziś jest podstawowym modelem czasu do awarii. Przedstawiamy jego drogę, sceptyczne przyjęcie artykułu z 1951 r. oraz dopasowanie rozkładu Weibulla do prawdziwych czasów przebicia płynu izolacyjnego w R.

Strona główna / Słownik / Waloddi Weibull
W skrócie: Waloddi Weibull (1887–1979) – szwedzki inżynier i fizyk, oficer straży przybrzeżnej i profesor KTH, który opisał rozkład nazwany jego nazwiskiem (1939, 1951) i wykres prawdopodobieństwa do jego oceny; dziś to podstawowy model czasu do awarii i wytrzymałości materiałów.

Kim był Waloddi Weibull?

Ernst Hjalmar Waloddi Weibull (1887–1979) był szwedzkim inżynierem i fizykiem, badaczem wytrzymałości materiałów, od którego nazwiska pochodzi rozkład Weibulla – dziś podstawowy model czasu do awarii. Urodził się 18 czerwca 1887 r. Jego kariera była nietypowa: w 1904 r. wstąpił jako kadet do szwedzkiej straży przybrzeżnej i awansował w niej aż do stopnia majora (1940). Równolegle uczęszczał na zajęcia w Królewskim Instytucie Technologicznym (KTH) w Sztokholmie, a doktorat uzyskał na Uniwersytecie w Uppsali w 1932 r. (Abernethy, 2003).

Pierwszą pracę – o rozchodzeniu się fal wybuchowych – opublikował w 1914 r. Pracował też jako wynalazca (łożyska kulkowe i wałeczkowe, młot elektryczny) i konsultant szwedzkich i niemieckich firm, m.in. SAAB. W 1941 r. zakłady zbrojeniowe Bofors ufundowały mu osobistą profesurę badawczą z fizyki technicznej w KTH. W 1963 r. był profesorem wizytującym na Columbia University. Zmarł 12 października 1979 r. w Annecy we Francji (Abernethy, 2003).

Najważniejsze pomysły

  • Najsłabsze ogniwo. Łańcuch pęka, gdy pęknie którekolwiek z jego ogniw. Z tego założenia Weibull wyprowadził, że prawdopodobieństwo zniszczenia całości ma postać 1 − exp[−n·φ(x)], co wyjaśnia efekt wielkości: duża próbka materiału ma więcej słabych miejsc (Weibull, 1951). Dlatego rozkład ten pasuje do sytuacji, w których element zawodzi przy pierwszej z wielu podobnych okazji do awarii (Abernethy, 2000).
  • Rozkład „szerokiego zastosowania”. Rozkład opublikował w 1939 r. (Abernethy, 2003), a w Stanach Zjednoczonych przedstawił go w referacie wygłoszonym w listopadzie 1951 r. na zjeździe ASME w Atlantic City. Dał w nim siedem przykładów: granicę plastyczności stali z Bofors, wielkość cząstek popiołu lotnego, wytrzymałość włókien bawełny indyjskiej, wymiary radiolarii z rodziny Cyrtoideae, trwałość zmęczeniową stali St-37, wzrost mężczyzn urodzonych na Wyspach Brytyjskich i szerokość fasoli (Weibull, 1951).
  • Wykres Weibulla. Po przekształceniu log(−log(1 − F)) względem log x rozkład Weibulla daje prostą, a jej nachylenie to parametr kształtu. Weibull nanosił punkty według rang średnich; Leonard Johnson z General Motors zaproponował rangi medianowe, nieco dokładniejsze. Nachylenie mniejsze niż 1 oznacza wczesne awarie, równe 1 – awarie losowe (rozkład wykładniczy), większe – zużycie (Abernethy, 2000).
  • Statystyka wartości ekstremalnych. Rozkład Weibulla jest jednym z trzech granicznych typów rozkładu ekstremów, obok rozkładów Gumbela i Frécheta (Rendtel i in., 2021); Emil Gumbel pokazał, że to ten sam rozkład co jego typ III dla minimów (Abernethy, 2000).

Ciekawostka

Sceptycy i oblodzona ścieżka. Artykuł z 1951 r. przyjęto w latach 50. źle – od sceptycyzmu po otwarte odrzucenie. Robert Abernethy, później autor popularnego podręcznika analizy Weibulla, przyznaje, że sam był wśród sceptyków: twierdzenie, że dane same wybiorą rozkład i dopasują parametry, wydawało mu się zbyt piękne, by było prawdziwe. Przekonały go sukcesy metody przy bardzo małych próbach w Pratt & Whitney, a Siły Powietrzne USA finansowały badania Weibulla do 1975 r. (Abernethy, 2000). Sam Weibull pisał skromnie, że jego funkcja „may sometimes render good service” i że nigdy nie uważał, by była zawsze słuszna (Weibull, 1951).

Abernethy (2003) przytacza też wspomnienie Roberta Hellera z sympozjum ku pamięci Weibulla w Sztokholmie w 1984 r.: Weibull i Gumbel, obaj blisko osiemdziesiątki, sami nie pasowali do rozkładów opisujących zużycie. Gdy Heller w mroźny dzień zabrał Weibulla do domu Roosevelta w Hyde Parku, ten odmówił podania ramienia na oblodzonej ścieżce, mówiąc, że trochę lodu i śniegu nigdy nie przeszkadzało Szwedowi.

Przykład na historycznych danych

Zbiór ifluid z pakietu survival (dane z książki Meekera i Escobara) zawiera czas do przebicia elektrycznego płynu izolacyjnego przy różnych napięciach; jednostka czasu (godziny) według opisu w pakiecie. Bierzemy 19 próbek badanych przy 34 kV. Hasło rozkład Weibulla pokazuje model na symulowanych danych z cenzurowaniem, a wpis o roszczeniach gwarancyjnych – na zgłoszeniach; tu są prawdziwe pomiary bez obserwacji cenzurowanych.

Mediana wynosi 6.50 h, rozstęp – od 0.19 do 72.89 h. Metoda największej wiarygodności (MASS::fitdistr) daje kształt k = 0.771 (SE = 0.136; 95% przedział ufności [0.504, 1.037]) i skalę λ = 12.22 h. Model przewiduje, że 10% próbek ulegnie przebiciu przed 0.66 h. Hazard maleje z 0.112 na godzinę po pierwszej godzinie do 0.066 po dziesięciu, podczas gdy model wykładniczy zakłada stałe 0.070.

Czy k naprawdę jest mniejsze od 1? Test ilorazu wiarygodności Weibulla z modelem wykładniczym daje LR = 2.47, p = .116, a AIC obu modeli różni się o niecałe pół punktu (140.77 i 141.25). Przy 19 obserwacjach dane nie rozstrzygają między wczesnymi a losowymi awariami.

Na rysunku

Pozioma oś czasu od 1880 do 1980 z dziesięcioma zdarzeniami: czerwiec 1887 urodził się; 1904 kadet szwedzkiej straży przybrzeżnej; 1914 pierwsza praca o falach wybuchowych; 1932 doktorat w Uppsali; 1939 pierwsza publikacja rozkładu; 1941 profesura badawcza w KTH finansowana przez Bofors; listopad 1951 referat w ASME o rozkładzie szerokiego zastosowania; 1961 książka o badaniach zmęczeniowych; 1972 złoty medal ASME; październik 1979 zmarł w Annecy. Rodzaj zdarzenia oznaczają kształt i kolor znacznika: koło – życie, kwadrat – praca, romb – publikacja, trójkąt – nagroda
Rysunek 1. Oś czasu: Waloddi Weibull, 1887–1979. Daty według Abernethy’ego (2003) i Weibulla (1951). Rysunek: R, pakiet ggplot2.

Co widać. Najbardziej znaną pracę wygłosił w wieku 64 lat, a złoty medal ASME dostał jako 85-latek.

Na co uważać. Źródła różnie datują sam rozkład: Abernethy (2000) pisze, że Weibull wymyślił go w 1937 r., a w biografii (Abernethy, 2003) podaje rok pierwszej publikacji – 1939. Na osi jest data publikacji.

Podpis do pracy:

Rysunek 1. Najważniejsze daty z życia i pracy Walodda Weibulla (1887–1979). Uwaga. Kształt znacznika oznacza rodzaj zdarzenia (życie, praca, publikacja, nagroda).
Dwa panele. A: wykres Weibulla – 19 szarych punktów, czas do przebicia płynu izolacyjnego od 0.19 do 73 godzin na osi logarytmicznej i odsetek przebić od 1 do 99 procent na skali Weibulla; ciągła niebieska prosta modelu Weibulla o łagodniejszym nachyleniu przechodzi przez punkty, przerywana pomarańczowa prosta modelu wykładniczego jest bardziej stroma i leży pod punktami w zakresie od 0.2 do 10 godzin. B: hazard z dopasowanych modeli w czasie od 0 do 40 godzin – niebieska ciągła krzywa Weibulla maleje od około 0.15 do 0.05 na godzinę, pomarańczowa przerywana linia modelu wykładniczego stoi na 0.07; krzywe przecinają się około 8 godziny
Rysunek 2. Rozkład Weibulla i rozkład wykładniczy dopasowane metodą największej wiarygodności do czasów przebicia płynu izolacyjnego przy 34 kV (n = 19): wykres Weibulla (A) i hazard (B). Obliczenia i rysunek: R, pakiety MASS, ggplot2 i patchwork; dane: zbiór ifluid z pakietu survival (bez losowania).

Co widać. Punkty układają się wzdłuż prostej Weibulla, której nachylenie (k = 0.77) jest mniejsze niż nachylenie prostej wykładniczej (k = 1). Model wykładniczy zaniża odsetek wczesnych przebić, bo nie dopuszcza malejącego hazardu (B).

Na co uważać. Prosta na wykresie to wynik metody największej wiarygodności, a nie dopasowanie „na oko”: nachylenie prostej poprowadzonej przez punkty metodą najmniejszych kwadratów wynosi 0.755 przy rangach medianowych i 0.701 przy rangach średnich. Przy innych napięciach kształt wychodzi inny (1.06 przy 30 kV, n = 11; 1.36 przy 38 kV, n = 8) – przy tak małych próbach k jest bardzo niepewne.

Podpis do pracy:

Rysunek 2. Czas do przebicia elektrycznego płynu izolacyjnego przy napięciu 34 kV (n = 19): wykres Weibulla z prostymi z modeli Weibulla i wykładniczego (A) oraz hazard z obu modeli (B). Uwaga. Punkty – rangi medianowe (i − 0.3)/(n + 0.4); oś pozioma w panelu A w skali logarytmicznej; parametry oszacowano metodą największej wiarygodności (Weibull: k = 0.77, λ = 12.2 h). Dane: zbiór ifluid z pakietu survival.

Gdzie spotkasz Weibulla w swojej pracy

Spory, mity i trudne strony

  • „Prawdziwy” rozkład. Już w 1951 r. Weibullowi zarzucano, że jego funkcja nie ma podstaw teoretycznych. Odpowiadał, że to samo dotyczy innych rozkładów stosowanych do populacji z przyrody i techniki, a sens ma tylko sprawdzanie prostej funkcji na danych, dopóki nie znajdzie się lepszej (Weibull, 1951).
  • Dobre dopasowanie przez podział. Cztery z jego siedmiu przykładów pasowały do rozkładu dopiero po podzieleniu populacji na dwie części. Weibull zauważył, że takie rozbicie może być czysto formalne, choć bywa sygnałem prawdziwych przyczyn – np. dwóch rodzajów stali (Weibull, 1951).
  • Mało znana biografia. Większość szczegółów jego życia znamy z biografii pióra popularyzatora jego metody (Abernethy, 2003); części dat nie da się potwierdzić w innym źródle.
Przykład reprodukowalny

Rozkład Weibulla w R

Pierwszy przepis wczytuje zbiór ifluid, dopasowuje rozkłady Weibulla i wykładniczy funkcją fitdistr(), porównuje je testem ilorazu wiarygodności i AIC, liczy B10, medianę i hazard, nachylenia wykresu Weibulla przy dwóch rodzajach rang i kształt przy innych napięciach, a na końcu rysuje rysunek 2. Drugi przepis rysuje oś czasu (rysunek 1). Rysunki na stronie powstały z tych samych obiektów p1 i p2, którym podmieniono tylko motyw na motyw serwisu; dane, geometrie i skale są identyczne. Kod nie losuje.

1. Płyn izolacyjny przy 34 kV: rysunek 2

Dane wejściowe: data(reliability, package = "survival") – ramka ifluid: czas do przebicia elektrycznego płynu izolacyjnego (time, w godzinach według opisu zbioru) i napięcie próby (voltage, kV); używamy 19 próbek przy 34 kV.

Co odczytać: liczebności według napięcia; podsumowanie czasów; k, λ i ich błędy standardowe z 95% przedziałem dla k; LR, p i AIC obu modeli; B10, medianę i hazard; nachylenia wykresu Weibulla; k i λ przy 30, 34 i 38 kV.

Kod R rysunku 2
# Waloddi Weibull: rozkład Weibulla dopasowany do czasów przebicia płynu izolacyjnego (napięcie 34 kV)
suppressPackageStartupMessages({library(MASS); library(ggplot2); library(patchwork)})
kol <- c(weibull = "#0072B2", wykladniczy = "#D55E00")   # Okabe–Ito
motyw <- theme_minimal(base_size = 13) +
  theme(panel.grid.minor = element_blank(), plot.title = element_text(face = "bold"), legend.position = "bottom")

# 1. Dane: czas do przebicia elektrycznego płynu izolacyjnego w godzinach (dane z książki Meekera i Escobara)
data(reliability, package = "survival")   # wczytuje m.in. ramkę ifluid
table(ifluid$voltage)
t34 <- sort(ifluid$time[ifluid$voltage == 34]); n <- length(t34)
summary(t34)

# 2. Metoda największej wiarygodności: Weibull (kształt k, skala λ) i wykładniczy (k = 1)
fit_w <- fitdistr(t34, "weibull", lower = c(0.01, 0.01))
fit_e <- fitdistr(t34, "exponential")
k <- fit_w$estimate[["shape"]]; lam <- fit_w$estimate[["scale"]]; se_k <- fit_w$sd[["shape"]]
round(c(k = k, SE_k = se_k, k_CI_dolna = k - 1.96 * se_k, k_CI_gorna = k + 1.96 * se_k,
        lambda = lam, SE_lambda = fit_w$sd[["scale"]]), 3)
# Czy k różni się od 1? Test ilorazu wiarygodności (1 stopień swobody) i AIC
lr <- 2 * (as.numeric(logLik(fit_w)) - as.numeric(logLik(fit_e)))
round(c(LR = lr, p = pchisq(lr, df = 1, lower.tail = FALSE), AIC_weibull = AIC(fit_w), AIC_wykladniczy = AIC(fit_e)), 3)
# Czas, do którego przebicie nastąpi w 10% próbek (B10), mediana i hazard po 1 i 10 godzinach
hazard <- function(t, k, lam) (k / lam) * (t / lam)^(k - 1)
round(c(B10 = qweibull(0.10, k, lam), mediana = qweibull(0.5, k, lam),
        h_1h = hazard(1, k, lam), h_10h = hazard(10, k, lam), h_wykladniczy = fit_e$estimate[["rate"]]), 3)

# 3. Wykres Weibulla: log(−log(1 − F)) względem log t; rozkład Weibulla daje prostą o nachyleniu k
siatka <- data.frame(t = t34, i = seq_len(n))
siatka$F_mediana <- (siatka$i - 0.3) / (n + 0.4)   # rangi medianowe (przybliżenie Bernarda)
siatka$F_srednia <- siatka$i / (n + 1)             # rangi średnie
weib_y <- function(F) log(-log(1 - F))
# Nachylenie prostej MNK na wykresie (estymator „z wykresu”) dla obu sposobów liczenia F
round(c(k_z_wykresu_rangi_medianowe = coef(lm(weib_y(F_mediana) ~ log(t), siatka))[[2]],
        k_z_wykresu_rangi_srednie   = coef(lm(weib_y(F_srednia) ~ log(t), siatka))[[2]]), 3)
# Parametr kształtu przy innych napięciach (dla porównania; tylko grupy z co najmniej 8 próbkami)
sapply(c("30 kV" = 30, "34 kV" = 34, "38 kV" = 38), function(v) round(fitdistr(ifluid$time[ifluid$voltage == v], "weibull", lower = c(0.01, 0.01))$estimate, 3))

# Rysunek 2A: wykres Weibulla z prostymi z obu modeli
proste <- data.frame(t = exp(seq(log(0.1), log(60), length.out = 100)))
proste <- rbind(data.frame(t = proste$t, y = k * (log(proste$t) - log(lam)), model = "Weibull"),
                data.frame(t = proste$t, y = log(proste$t * fit_e$estimate[["rate"]]), model = "wykładniczy (k = 1)"))
procenty <- c(1, 5, 10, 25, 50, 75, 90, 99)
pA <- ggplot(siatka, aes(t, weib_y(F_mediana))) +
  geom_line(data = proste, aes(t, y, colour = model, linetype = model), linewidth = 1) +
  geom_point(size = 2.6, shape = 21, fill = "grey85", colour = "black") +
  scale_x_log10(breaks = c(0.1, 0.3, 1, 3, 10, 30), labels = c("0.1", "0.3", "1", "3", "10", "30")) +
  scale_y_continuous(breaks = weib_y(procenty / 100), labels = paste0(procenty, "%")) +
  coord_cartesian(xlim = c(0.1, 60), ylim = weib_y(c(0.01, 0.99))) +
  scale_colour_manual(values = c("Weibull" = kol[["weibull"]], "wykładniczy (k = 1)" = kol[["wykladniczy"]]), name = NULL) +
  scale_linetype_manual(values = c("Weibull" = "solid", "wykładniczy (k = 1)" = "dashed"), name = NULL) +
  labs(title = "A. Wykres Weibulla", x = "Czas do przebicia (godziny, skala log)", y = "Odsetek przebić (skala Weibulla)") +
  motyw
# Rysunek 2B: hazard z obu dopasowanych modeli
h <- data.frame(t = seq(0.25, 40, by = 0.25))
h <- rbind(data.frame(t = h$t, hazard = hazard(h$t, k, lam), model = "Weibull"),
           data.frame(t = h$t, hazard = fit_e$estimate[["rate"]], model = "wykładniczy (k = 1)"))
pB <- ggplot(h, aes(t, hazard, colour = model, linetype = model)) +
  geom_line(linewidth = 1) +
  scale_colour_manual(values = c("Weibull" = kol[["weibull"]], "wykładniczy (k = 1)" = kol[["wykladniczy"]]), name = NULL) +
  scale_linetype_manual(values = c("Weibull" = "solid", "wykładniczy (k = 1)" = "dashed"), name = NULL) +
  coord_cartesian(ylim = c(0, 0.25)) +
  labs(title = "B. Hazard z dopasowanych modeli", x = "Czas (godziny)", y = "Hazard (na godzinę)") +
  motyw
p2 <- pA + pB + plot_layout(widths = c(1.15, 1), guides = "collect") & theme(legend.position = "bottom")
p2
Wynik w R

26 30 34 38 
 3 11 19  8 
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
   0.19    2.97    6.50   14.36   21.91   72.89 
         k       SE_k k_CI_dolna k_CI_gorna     lambda  SE_lambda 
     0.771      0.136      0.504      1.037     12.222      3.847 
             LR               p     AIC_weibull AIC_wykladniczy 
          2.474           0.116         140.772         141.246 
          B10       mediana          h_1h         h_10h h_wykladniczy 
        0.660         7.597         0.112         0.066         0.070 
k_z_wykresu_rangi_medianowe   k_z_wykresu_rangi_srednie 
                      0.755                       0.701 
       30 kV  34 kV 38 kV
shape  1.059  0.771 1.363
scale 77.608 12.222 1.001

2. Oś czasu: rysunek 1

Dane wejściowe: dziesięć zdarzeń z datami według cytowanych źródeł, wpisanych ręcznie.

Co odczytać: nic – kod tylko rysuje oś czasu.

Kod R rysunku 1
# Oś czasu: Waloddi Weibull, 1887–1979 – daty według cytowanych źródeł
library(ggplot2)
zdarzenia <- data.frame(
  rok = c(1887.45, 1904, 1914, 1932, 1939, 1941, 1951.9, 1961, 1972, 1979.8),
  etykieta = c("VI 1887", "1904", "1914", "1932", "1939", "1941", "XI 1951", "1961", "1972", "X 1979"),
  opis = c("urodził się", "kadet szwedzkiej\nstraży przybrzeżnej", "pierwsza praca\n(fale wybuchowe)",
           "doktorat\n(Uppsala)", "pierwsza publikacja\nrozkładu", "profesura badawcza w KTH\nfinansowana przez Bofors",
           "referat w ASME\n(„wide applicability”)", "książka o badaniach\nzmęczeniowych", "złoty medal\nASME", "zmarł\nw Annecy"),
  rodzaj = c("życie", "praca", "publikacja", "praca", "publikacja", "praca", "publikacja", "publikacja", "nagroda", "życie"))
# Etykiety na przemian nad (1) i pod (−1) osią, na dwóch wysokościach
zdarzenia$strona     <- c(1, -1, 1, -1, 1, -1, 1, -1, 1, -1)
zdarzenia$poziom     <- c(0.5, 0.5, 0.5, 0.5, 0.5, 1.25, 1.25, 0.5, 0.5, 0.5)
zdarzenia$wyrownanie <- c(0.3, 0.5, 0.5, 0.5, 0.6, 0.5, 0.5, 0.5, 0.5, 0.7)
ksztalty <- c("życie" = 21, "praca" = 22, "publikacja" = 23, "nagroda" = 24)
kolory <- c("życie" = "grey40", "praca" = "#0072B2", "publikacja" = "#D55E00", "nagroda" = "#009E73")   # Okabe–Ito
p1 <- ggplot(zdarzenia, aes(rok, 0)) +
  geom_hline(yintercept = 0, colour = "grey60", linewidth = 0.8) +
  geom_segment(aes(xend = rok, y = 0, yend = poziom * strona), colour = "grey70") +
  geom_point(aes(shape = rodzaj, fill = rodzaj), size = 4, colour = "black") +
  geom_text(aes(y = (poziom + 0.07) * strona, label = paste0(etykieta, "\n", opis), vjust = ifelse(strona > 0, 0, 1), hjust = wyrownanie),
            size = 3.3, lineheight = 0.9) +
  scale_shape_manual(values = ksztalty, name = NULL) +
  scale_fill_manual(values = kolory, name = NULL) +
  scale_x_continuous(limits = c(1880, 1986), breaks = seq(1880, 1980, by = 10)) +
  scale_y_continuous(limits = c(-1.9, 2.0)) +
  labs(x = NULL, y = NULL) +
  theme_minimal(base_size = 13) +
  theme(axis.text.y = element_blank(), panel.grid = element_blank(), axis.text.x = element_text(colour = "grey30"),
        legend.position = "bottom")
p1

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (dopasowanie rozkładów – funkcja fitdistr() z pakietu MASS; dane – pakiet survival; rysunki – pakiety ggplot2 i patchwork). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. MASS (wersja 7.3-65): Venables, W. N., & Ripley, B. D. (2002). Modern applied statistics with S (4th ed.). Springer. https://doi.org/10.1007/978-0-387-21706-2
  3. survival (wersja 3.8-6): Therneau, T. (2026). A package for survival analysis in R [R package]. https://CRAN.R-project.org/package=survival
  4. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  5. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork

Najczęstsze pytania

Kim był Waloddi Weibull?

Szwedzkim inżynierem i fizykiem (1887–1979), oficerem straży przybrzeżnej, a od 1941 r. profesorem badawczym w Królewskim Instytucie Technologicznym w Sztokholmie. Badał wytrzymałość materiałów i zmęczenie metali (Abernethy, 2003).

Kiedy powstał rozkład Weibulla?

Weibull opublikował go w 1939 r., a w USA przedstawił w referacie ASME z 1951 r. z siedmioma przykładami, od stali z Bofors po wzrost mężczyzn z Wysp Brytyjskich (Abernethy, 2003; Weibull, 1951).

Jak przyjęto artykuł Weibulla z 1951 roku?

W latach 50. sceptycznie, a nawet odmownie – do sceptyków należał późniejszy popularyzator metody Robert Abernethy. Przekonały ich sukcesy przy bardzo małych próbach (Abernethy, 2000).

Co oznacza parametr kształtu rozkładu Weibulla?

Nachylenie prostej na wykresie Weibulla. Wartość mniejsza od 1 oznacza malejący hazard (wczesne awarie), równa 1 – stały (rozkład wykładniczy), większa – rosnący (zużycie). W naszym przykładzie k = 0.77, ale przy 19 próbkach nie odróżnia się go od 1.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Abernethy, R. B. (2000). The new Weibull handbook: Reliability & statistical analysis for predicting life, safety, survivability, risk, cost and warranty claims (4th ed.). R. B. Abernethy.
  2. Abernethy, R. B. (2003). Dr. E. H. Waloddi Weibull 1887–1979. Barringer & Associates. http://web.archive.org/web/20181024050204/http://www.barringer1.com:80/weibull_bio.htm ● Otwarty dostęp
  3. Rendtel, U., Wasmuht, U. C., & Wilrich, P.-T. (2021). Emil Julius Gumbel. AStA Wirtschafts- und Sozialstatistisches Archiv, 15(3–4), 273–291. https://doi.org/10.1007/s11943-021-00293-0 ● Otwarty dostęp
  4. Weibull, W. (1951). A statistical distribution function of wide applicability. Journal of Applied Mechanics, 18(3), 293–297. https://doi.org/10.1115/1.4010337 ● Otwarty dostęp: pełny tekst

Cytowania BibTeX

@book{abernethy2000new, author={Abernethy, Robert B.}, title={{The new Weibull handbook: Reliability \& statistical analysis for predicting life, safety, survivability, risk, cost and warranty claims}}, year={2000}, edition={4th ed.}, publisher={R. B. Abernethy}}
@misc{abernethy2003weibull, author={Abernethy, Robert B.}, title={{Dr. E. H. Waloddi Weibull 1887–1979}}, howpublished={Barringer \& Associates}, year={2003}, publisher={Barringer \& Associates}, url={http://web.archive.org/web/20181024050204/http://www.barringer1.com:80/weibull_bio.htm}}
@article{rendtel2021emil, author={Rendtel, Ulrich and Wasmuht, Ulrike C. and Wilrich, Peter-Theodor}, title={{Emil Julius Gumbel}}, journal={AStA Wirtschafts- und Sozialstatistisches Archiv}, year={2021}, volume={15}, number={3–4}, pages={273--291}, doi={10.1007/s11943-021-00293-0}}
@article{weibull1951statistical, author={Weibull, Waloddi}, title={{A statistical distribution function of wide applicability}}, journal={Journal of Applied Mechanics}, year={1951}, volume={18}, number={3}, pages={293--297}, doi={10.1115/1.4010337}}
R