韦伯分布与正态分布的区别
韦伯分布与正态分布的没有区别，因为，韦伯分布与正态分布的没有区别的，所以说，韦伯分布也就是说，韦伯的分布，而正态分布也就是说，正态的分布，无论怎么说，韦伯分布和正态分布也就是说，韦伯的分布和正态的分布，因此，没有区别没有区别的。
威布尔分布的期望与方差
威布尔分布的期望与方差：
F（x）=1-e^［-（x/v）^m］（1）x》=0
m（形状参数）=3.97
v（特征参数）=10.7
F（x）=0.5的x值为x的期望值：E（X）
e^［-（x/10.7）^3.97］=0.5
解出：E（X）=9.7563994
或者E（X）=vΓ（1+1/m）］
而方差：D（X）=v^2［Γ（1+2/m）-Γ²（1+1/m）］
如果m代表方差的最大似然估计，n代表期望的最大似然估计的话，那么m的最大似然估计要用1/n的那个方差公式算，而不是1/n-1的那个，因为方差的最大似然估计是1/n的那个公式，期望似然估计就是均值。
x是随机变量
λ》0是比例参数（scale parameter），k》0是形状参数（shape parameter）。显然，它的累积分布函数是扩展的指数分布函数，而且，Weibull distribution与很多分布都有关系。如，当k=1，它是指数分布；k=2且时，是Rayleigh distribution（瑞利分布）。-韦伯分布
韦伯分布怎么体现波动
Weibull分布，又称韦伯分布、韦氏分布或威布尔分布，由瑞典物理学家Wallodi Weibull于1939年引进，是可靠性分析及寿命检验的理论基础。Weibull分布能被应用于很多形式，包括1参数、2参数、3参数或混合Weibull。3参数的该分布由形状、尺度（范围）和位置三个参数决定。其中形状参数是最重要的参数，决定分布密度曲线的基本形状，尺度参数起放大或缩小曲线的作用，但不影响分布的形状。另外，通过改变形状参数可以表示不同阶段的失效情况；也可以作为许多其他分布的近似，如，可将形状参数设为合适的值近似正态、对数正态、指数等分布。形状参数通常在[1，7]间取值。一般由W（α,β）表示2个参数的Weibull分布，其分布函数为：，其中x》0，α、β》0。可以看出有两个参数α、β，其中β为形状参数，α为尺度参数。若取β为1，则F（x）为指数分布。Weibull分布的概率密度函数（pdf）为：。Weibull双参数的PDF分布见上图。（自己做的，有点粗糙）下面我们以其pdf图看Weibull分布各参数的作用。下图是形状参数β对pdf的影响（α固定）：下图为尺度参数α对pdf的影响（β固定），横轴为变量x，纵轴为f（x）：另外，由于Weibull分布可以近似表示其他别的分布，eg，β=1时，F（x）为指数分布。将其用到复杂网络中，则此时对应指数网络？当β逐渐增大时，是不是对应分布极不均匀的无尺度网络？这样的话可以通过调整一个参数构造不同的网络？而**人的层次故障节点动态模型就是因此而引入Weibull分布（1参数）的吧？这样的话，β大的网络发生层次故障的规模比较大就可以理解了。再继续深入分析。
