文档介绍：。假设H0:总体具有某分布F备择假设H1:总体不具有该分布。我们将数轴分成若干个区间,所抽取的样本会分布在这些区间中。在原假设成立的条件下,我们便知道每个区间包含样本的个数的期望值。用实际值Ni与期望值Npi可以构造统计量K。皮尔森证明,n趋向于无穷时,k收敛于m-1的塔防分布。m为我们分组的个数。有了这个分布,我们就可以做假设检验。#如果是均匀分布,则没有明显差异。这里组其实已经分好了,直接用。H0:人数服从均匀分布>x<-c(210,312,170,85,223)>n<-sum(x);m<-length(x)>p<-rep(1/m,m)>K<-sum((x-n*p)^2/(n*p));K#计算出K值[1]>p<-1-pchisq(K,m-1);p#计算出p值[1]0#拒绝原假设。(),可以完成拟合优度检验。默认就是检验是否为均匀分布,如果是其他分布,需要自己分组,并在参数p中指出。上面题目的解法:(x)Chi-ivenprobabilitiesdata:xX-squared=,df=4,p-value<-16#同样拒绝原假设。例,用这个函数检验其他分布。抽取31名学生的成绩,检验是否为正态分布。>x<-c(25,45,50,54,55,61,64,68,72,75,75,78,79,81,83,84,84,84,85,86,86,86,87,89,89,89,90,91,91,92,100)>A<-table(cut(x,breaks=c(0,69,79,89,100)))#对样本数据进行分组。>A(0,69](69,79](79,89](89,100]85135>p<-pnorm(c(70,80,90,100),mean(x),sd(x))#获得理论分布的概率值>p<-c(p[1],p[2]-p[1],p[3]-p[2],1-p[3])>(A,p=p)Chi-ivenprobabilitiesdata:AX-squared=,df=3,p-value=#检验结果不是正态的。例:大麦杂交后关于芒性的比例应该是无芒:长芒:短芒=9:3:4。我们的实际观测值是335:125:160。请问观测值是否符合预期?>p<-c(9/16,3/16,4/16)>x<-c(335,125,160)>(x,p=p)Chi-ivenprobabilitiesdata:xX-squared=,df=2,p-value=,,只能先由样本得到参数的估计量。然后构造统计量K,此时K的自由度减少位置参数的数量个。。()函数,理论上可以检验任何分布。他既能够做单样本检验,也能做双样本检验。单样本例:记录一台设备无故障工作时常,并从小到大排序42050092013801510165017602**********。问这些时间是否服从拉姆达=1/1500的指数分布?>x<-c(420,500,920,1380,1510,1650,1760,2100,2300,2350)>(x,"pexp",1/1500)One-sampleKolmogorov-Smirnovtestdata:xD=,p-value=:two-sided双样本例:有两个分布,分别抽样了一些数据,问他们是否服从相同的分布。>X<-scan()1:---:---:---:Read25items>Y<-scan()1::---:-:Read20items>(X,Y)Two-sampleKolmogorov-Smirnovtest#原假设为他们的分布相同data:XandYD=,p-value=:two-。()同样可以做列联表数据独立性检验,只要将数据写成矩阵的形式就可以了。>x<-matr