文章轉發自https://www.cnblogs.com/ywliao/p/6297162.html

一、對資料的分佈進行初步判斷

    1.1 原理

        對於不同的分佈，有特定的偏度(skewness)和峰度(kurtosis)，正態分佈、均勻分佈、邏輯斯諦分佈、指數分佈的偏度和峰度都是特定的值，在偏度-峰度圖中是特定的點，而伽馬分佈和對數正態分佈在偏度-峰度圖中是一條直線，貝塔分佈在偏度-峰度圖中是一片區域。因此可以通過未知分佈的偏度峰度值（在圖中是一個觀察點），與各種分佈的偏度峰度點（線、區域）進行對比，判斷未知分佈資料大致可能的一個或幾個分佈。

    1.2 R程式碼

        library(fitdistrplus) 

        descdist(data, discrete = FALSE, boot = NULL, method = "unbiased",
graph = TRUE, obs.col = "darkblue", obs.pch = 16, boot.col = "orange") #data就是輸入的資料，向量;discrete是否使離散的分佈；boot，預設從資料的bootstrap樣品中得到偏度-峰度點；method,預設“unbiased樣品的無偏估計值，也可“sample"，樣品值；graph，是否圖畫出來；obs.col，點的顏色；obs.pch，點的樣式；boot.col，點圖中bootstap樣品的顏色。

 二、進一步判斷資料對某分佈的服從程度

    2.1 原理 

        通過maximum likelihood (mle), moment matching (mme), quantile matching (qme) or maximizing goodness-of-fit estimation (mge)幾種方法將單變數分佈擬合為非截尾資料。

    2.2 R程式碼

        fitdist(data, distr, method = c("mle", "mme", "qme", "mge"),
start=NULL, fix.arg=NULL, discrete=FALSE, keepdata = TRUE, keepdata.nb=100, ...)

三、例項

    例一

        引入《判斷資料是否服從某一分佈（一)》中例二。

   資料：

    某公司接到一次電話的時間間隔，30個數據（單位：分鐘）：

     0.8 11.7  2.8 11.9  6.1  1
     34.8  3.8 5.2 15.0 10.3 12.3
     8.2 0.6 1.7 14.5  8.3 28.9
     3.1 7.3 10.2  8.9  0.1 15.5
     5.7 0.7  8.3  0.9 40.7  2.9
  分析：

    library(fitdistrplus)
    x<-c(0.8,11.7,2.8,11.9,6.1,1,
           34.8,3.8,5.2,15.0,10.3,12.3, 
           8.2,0.6,1.7,14.5,8.3,28.9,
           3.1,7.3,10.2,8.9,0.1,15.5,
           5.7,0.7,8.3,0.9,40.7,2.9)
    descdist(x)

 由圖可知，觀察點接近的分佈有gamma分佈和指數分佈。

 首先判斷資料對gamma分佈的服從程度:

    fitdist(x, "gamma")

 再判斷對指數分佈的服從程度：

     fitdist(x, "exp")

 由上述結果可知，指數分佈的Std.Error（標準誤）更小。所以資料更服從指數分佈。