由故障数据进行双参数威布尔分布的参数估计并生成相关图像的matlab程序，举个实际的例子

以下是一个由故障数据进行双参数威布尔分布的参数估计并生成相关图像的 Matlab 程序的示例：

% 载入数据
data = [3.2 4.1 2.3 5.6 6.7 4.5 2.1 1.9];

% 设定初始值
alpha = 2;
beta = 3;

% 定义威布尔分布概率密度函数
wbl_pdf = @(x, alpha, beta) (alpha/beta)*(x/beta).^(alpha-1).*exp(-(x/beta).^alpha);

% 定义对数似然函数
log_likelihood = @(alpha, beta) -sum(log(wbl_pdf(data, alpha, beta)));

% 最小化对数似然函数，得到最优解
x0 = [alpha, beta];
options = optimset('Display', 'off');
[x, fval] = fminsearch(@(x) log_likelihood(x(1), x(2)), x0, options);

% 提取最优解
alpha = x(1);
beta = x(2);

% 计算分位数
q10 = wblinv(0.1, alpha, beta);
q50 = wblinv(0.5, alpha, beta);
q90 = wblinv(0.9, alpha, beta);

% 生成概率密度函数图像
x = linspace(min(data), max(data), 1000);
pdf = wbl_pdf(x, alpha, beta);
plot(x, pdf, 'LineWidth', 2);
xlabel('故障时间');
ylabel('概率密度函数');
title('双参数威布尔分布拟合');

% 生成累积分布函数图像
cdf = wblcdf(x, alpha, beta);
figure;
plot(x, cdf, 'LineWidth', 2);
xlabel('故障时间');
ylabel('累积分布函数');
title('双参数威布尔分布拟合');

% 显示分位数
fprintf('10%% 分位数：%f\n', q10);
fprintf('50%% 分位数：%f\n', q50);
fprintf('90%% 分位数：%f\n', q90);

这个程序假设你有一个由故障数据组成的向量 `data`，并使用双参数威布尔分布来拟合这些数据。程序首先定义了威布尔分布的概率密度函数和对数似然函数，并使用 `fminsearch` 函数来最小化对数似然函数以获得最优解。程序还计算了分位数，并生成了概率密度函数和累积分布函数的图像。