韋伯分布百分位數(分位數)計算器

韋伯分布百分位數(分位數)計算器

新興 AI Skill PRO

輸入計算

數學公式

xP=η(−ln⁡(1−P))1mx_{P} = {\eta}\left(-\ln\left(1-P\right)\right)^{\frac{1}{m}}
使用統計

廣告

結果

百分位數 x
0.8325546112
達到該累積機率時所對應的數值(單位與 η 相同)
下尾累積機率 P 0.5
上尾累積機率 Q 0.5

回報本頁錯誤

什麼是韋伯分布百分位數計算器?

本工具用於計算雙參數韋伯分布的百分位數(又稱分位數或反累積分布函數,inverse CDF)。只要輸入形狀參數 \(m\)、尺度參數 \(\eta\) 以及一個累積機率,計算器便會回傳分布達到該機率時所對應的數值 \(x\)。這是一個純粹的統計工具,不涉及任何地區性規則,適用於世界各地。

認識韋伯分布

雙參數韋伯分布包含一個形狀參數 \(m\)(有時寫作 \(k\) 或 \(\beta\))與一個尺度參數 \(\eta\)(有時寫作 \(\alpha\) 或 \(\lambda\)),兩者皆須為嚴格正數,定義域為 \(x \ge 0\)。其下尾累積分布函數為 $$P = F(x) = 1 - \exp\left(-\left(\frac{x}{\eta}\right)^{m}\right)$$;上尾(存活)機率則為 $$Q = 1 - F(x) = \exp\left(-\left(\frac{x}{\eta}\right)^{m}\right)$$,因此 \(P + Q = 1\)。

不同形狀參數下的韋伯機率密度函數曲線
固定尺度時,韋伯機率密度函數的形狀會隨形狀參數 \(m\) 顯著改變。

分位數公式

將 \(P = 1 - \exp\left(-\left(\frac{x}{\eta}\right)^{m}\right)\) 對 \(x\) 求解,即可得到反 CDF:$$x_{P} = \eta\left(-\ln\left(1-P\right)\right)^{\frac{1}{m}}$$若你提供的是上尾機率 \(Q\),計算器會先透過 \(P = 1 - Q\) 進行換算,等價地得到 $$x_{Q} = \eta\left(-\ln\left(Q\right)\right)^{\frac{1}{m}}$$輸出的 \(x\) 會沿用尺度參數所代表的單位(例如小時、循環次數等)。

廣告
將機率對應到 x 值的累積分布函數百分位示意圖
分位數可透過讀取反 CDF 求得:選取一個機率 \(P\),再對應到 \(x\)。

使用方式

先輸入形狀參數 \(m\) 與尺度參數 \(\eta\),接著選擇你的機率值屬於下尾累積機率 \(P\) 或上尾累積機率 \(Q\),再輸入嚴格介於 0 與 1 之間的機率值。計算結果即為百分位數 \(x\)。

實例演算

假設 \(m = 2\)、\(\eta = 1\)、下尾機率 \(P = 0.5\):\(-\ln(1 - 0.5) = 0.693147\),而 \(0.693147^{\frac{1}{2}} = 0.832555\),因此 $$x = 1 \times 0.832555 = 0.83255$$這正是 Weibull(2, 1)(即瑞利分布,Rayleigh)的中位數。

解讀 Weibull 百分位數與形狀參數

百分位數 \(x_P\) 是指母體中有比例 \(P\) 的個體落在其下方的數值,也就是 \(F(x_P)=P\)。在可靠度工程中,它是指預期有比例 \(P\) 的產品會在此時間前失效的時間。例如,\(P=0.10\) 對應 B10 壽命,\(P=0.5\) 對應中位數。反解 Weibull 累積分布函數可得:

$$x_P = \eta\left(-\ln(1-P)\right)^{1/m}$$

若您輸入的是上側(存活)機率 \(Q\),則對應的下側機率為 \(P = 1-Q\)。

特徵壽命

當 \(x=\eta\) 時,無論形狀 \(m\) 為何,累積分布函數值皆為 \(1-e^{-1}\approx 0.632\)。因此尺度參數 \(\eta\)(特徵壽命)永遠是第 63.2 百分位數。

形狀參數 m

  • m < 1:失效率隨時間下降,這是嬰兒死亡率或早期缺陷的典型特徵。
  • m = 1:失效率為常數。Weibull 分布退化為指數分布。
  • m > 1:失效率隨時間上升,這是磨損與老化的典型特徵。
  • m = 2:這是瑞利分布,其失效率隨時間線性增加。

尺度變換

在固定 \(m\) 與 \(P\) 的情況下,百分位數與 \(\eta\) 呈線性比例關係。\(\eta\) 加倍,每個百分位數也都加倍。形狀 \(m\) 則控制百分位數的分散程度:\(m\) 越大,百分位數越集中在 \(\eta\) 附近。

廣告

常見可靠度百分位數(B 壽命)參考表

每個百分位數為 \(x = \eta \cdot f^{1/m}\),其中 \(f=-\ln(1-P)\) 即表中的因子。最後一欄為 \(m=2\)(瑞利情況)下的 \(x/\eta\),此時指數 \(1/m\) 就是平方根。對於 \(m=1\),\(x/\eta\) 等於因子本身。

標籤 P(累積機率) 因子 \(-\ln(1-P)\) \(m=2\) 時的 \(x/\eta\)
B1 0.01 0.01005 0.1002
B5 0.05 0.05129 0.2265
B10 0.10 0.10536 0.3246
B50(中位數) 0.50 0.69315 0.8326
特徵壽命 0.632121 1.00000 1.0000
B90 0.90 2.30259 1.5174
B99 0.99 4.60517 2.1460

範例:若 \(\eta=1000\) 且 \(m=2\),則 B10 壽命為 \(x = 1000 \times 0.10536^{1/2} \approx 324.6\)。

請注意,此因子與形狀無關。形狀僅透過指數 \(1/m\) 影響結果。

常見問題

如果我手上是可靠度(存活)機率該怎麼辦?那就是上尾機率 \(Q\);請選擇「上尾累積機率 \(Q\)」並直接輸入即可。

為什麼機率必須嚴格介於 0 與 1 之間?當 \(P\) 趨近 1 時,百分位數會趨向無限大;而在 \(P = 0\) 時則為 0。一旦機率值落在邊界上或超出邊界,對數運算就會無法定義。

計算結果有可能是負數嗎?不會。韋伯分布的定義域為 \(x \ge 0\),因此百分位數恆為非負值。

最後更新:

數學和統計熱門計算器

查看全部數學和統計計算器