在[url=http://jobar.iteye.com/blog/2153779]R与指数分布(3)分布的检验[/url]中我们提到了指数分布的Kolmogorov-Smirnov连续分布检验法。现在我们同样用它来一个连续分布是否是服从检验γ分布。
原假设为H0:数据集符合伽玛分布
研究假设H1:样本所来自的总体分布不符合伽玛分布。
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伽玛分布
p值,如果p-value小于显著性水平α(0.05),则拒绝H0
输出
D值很小, p-value>0.05,不能拒绝原假设,所以数据集data符合shape=1的伽玛分布
输出
D值太大, p-value<0.05,拒绝原假设,所以数据集data不符合shape=2的伽玛分布
原假设为H0:数据集符合伽玛分布
研究假设H1:样本所来自的总体分布不符合伽玛分布。
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伽玛分布
p值,如果p-value小于显著性水平α(0.05),则拒绝H0
set.seed(1000)
data <- rgamma(10000,1,)
ks.test(data,'pgamma',1)
输出
One-sample Kolmogorov-Smirnov test
data: data
D = 0.0053, p-value = 0.9446
alternative hypothesis: two-sided
D值很小, p-value>0.05,不能拒绝原假设,所以数据集data符合shape=1的伽玛分布
ks.test(data,'pgamma',2)
输出
One-sample Kolmogorov-Smirnov test
data: data
D = 0.3672, p-value < 2.2e-16
alternative hypothesis: two-sided
D值太大, p-value<0.05,拒绝原假设,所以数据集data不符合shape=2的伽玛分布