怎么把20个二维数组拟合出威布尔分布曲线

首先是产生威布尔分布随机数，

z=0

x=zeros(1,10000)

dd=0

y=zeros(1,10000)

for j=1:10000

z=0

i=1:10000

y=wblcdf(i,200,2)

for i=1:10000

dd=rand

if dd<=y(i)

x(j)=i

break

end

end

end

运行程序产生随机数，然后输入weibplot（y），可以看是否符合weibull分布，输入wblfit（y），得出两个数，第一个是尺度参数，第二个是形状参数

  这是一个神奇的分布，在很多自然现象中都出现了这个分布[Weibull 1951]。特别是在极值统计理论中，已经证明了底分布满足一定的条件，一段时间内极大值的极限分布即是Weibull分布[Coles 2001]。如果时间序列具有长程相关特征，可以证明超过某一阈值极值的回归时间也满足Weibull分布[Santhanam andKantz 2008]。韦伯分布（Weibull distribution) 一般用来统计可靠性或寿命检验时用，例如：预计在有效寿命阶段有多少次保修索赔？预计将在 8 小时老化期间失效的保险丝占多大百分比？在管理科学与工程领域，见到一些学者假定产品的需求为韦伯分布。因为正态分布或者泊松分布过于理想化，韦伯分布相对来说更接近现实一些(从概率密度函数来看，韦伯分布一般具有长尾分布，即右偏分布的特点)。

  Weibull Distribution是连续性的概率分布，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。

  两参数形式的Weibull概率密度为：

  其中，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，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，如，当k=1，它是指数分布；k=2时，是Rayleigh distribution(瑞利分布)。

  weibull分布的基本性质：

  weibull分布的python实现：见参考资料[3]。

[1] http://blog.sciencenet.cn/home.php?mod=space&uid=200199&do=blog&id=1186206

[2] https://www.cnblogs.com/wwxbi/p/6141501.html

[3] https://blog.csdn.net/robert_chen1988/article/details/100785494

[4] http://blog.sina.com.cn/s/blog_54c7e90e010005og.html

[5] http://blog.sciencenet.cn/blog-200199-916433.html

运行你的程序产生随机数，然后输入weibplot（y），可以看是否符合weibull分布，输入wblfit（y），得出两个数，第一个是尺度参数，第二个是形状参数

还有weibull分布随机数可以直接用wblrnd（A,B,C,D）指令吧，A形状参数，B尺度参数，C行数，D列数

---