先画个散点图，然后用Kolmogorov-Smirnov连续分布检验就是ks.test()
检验原假设为H0:数据集符合指数分布，H1:样本所来自的总体分布不符合指数分布。
令F0(x)表示预先假设的理论分布，Fn(x)表示随机样本的累计概率(频率)函数。
统计量D为: D=max|F0(x) - Fn(x)|
D值越小，越接近0，表示样本数据越接近指数分布
因为你没贴你的code，我给你一个，你看有没有用——
> set.seed(1)
> S<-rexp(1000)
> ks.test(S, "pexp") #S是数据 ， "pexp"是可能的分布
One-sample Kolmogorov-Smirnov test
data: S
D = 0.0387, p-value = 0.1001
alternative hypothesis: two-sided
结论: D值很小, p-value>0.05，不能拒绝原假设，所以数据集S符合指数分布！
扫码加好友，拉您进群
全部版块
我的主页
收藏
