Расчет распределения Вейбулла

Question

Я пытался использовать приведенный ниже код для расчета распределения Вейбулла, но я получаю предупреждение во время выполнения о переполнении exp: учитывая, что мои данные представляют собой список из 6 членов, но содержат большие числа, кажется, что вычисление занимает много времени и мой сюжет не похож на то, что я вижу в ссылке. Я использовал подгонку и получил ошибку:

слишком много значений для распаковки (ожидается 2)

Weibull пример кода 1

import scipy.stats as s
import numpy as np
import matplotlib.pyplot as plt

def weib(x,n,a):
    return (a / n) * (x / n)**(a - 1) * np.exp(-(x / n)**a)

data = [ 79000 , 85900 , 95000, 101000, 155250 , 280000]

(loc, scale) = s.exponweib.fit_loc_scale(data, 1, 1)
print loc, scale

x = np.linspace(data[0], data[-1], 1000)
plt.plot(x, weib(x, loc, scale))
plt.hist(data, data[-1], normed=True)
plt.show()

Способ 2: я попробовал этот код: используя этот источник ( код 2)

data = [ 79000 , 85900 , 95000, 101000, 155250 , 280000]
xdata = np.asarray(data)

a = 1. # shape
s1 = np.random.weibull(a, 1000)
x = xdata
def weib(x,n,a):
    return (a / n) * (x / n)**(a - 1) * np.exp(-(x / n)**a)

count, bins, ignored = plt.hist(np.random.weibull(5.,1000))
x = xdata
scale = count.max()/weib(x, 1., 5.).max()
plt.plot(x, weib(x, 1., 5.)*scale)
plt.show()

Я получил некоторые результаты, подобные этим:



Я не знаю, почему я не получаю кривую линии вместе с полосами, и я не уверен, должен ли s1 также быть случайным параметром или должен быть выбран соответственно

Обновление 1:

В поисках другого метода я использовал следующий код, но проблема здесь в том, что я получаю значения x и y как NAN

# 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 = len(data)  
for i in range(1,n) :

    p=data[i]
    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)

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()