R与F遍布（3） 分布检验
R与F分布（3） 分布检验
我们依然用Kolmogorov-Smirnov连续分布检验法来检验一个连续分布是否是服从F分布。
原假设为H0:数据集符合F分布
研究假设H1:样本所来自的总体分布不符合F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F分布
p值，如果p-value小于显著性水平α(0.05)，则拒绝H0
set.seed(1)
data<-rf(1000,1,1,2)
ks.test(data, "pf", 1,1,2)
One-sample Kolmogorov-Smirnov test
data: data
D = 0.0113, p-value = 0.9996
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df1=1, df2=1, ncp=2的F分布
我们依然用Kolmogorov-Smirnov连续分布检验法来检验一个连续分布是否是服从F分布。
原假设为H0:数据集符合F分布
研究假设H1:样本所来自的总体分布不符合F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F分布
p值，如果p-value小于显著性水平α(0.05)，则拒绝H0
set.seed(1)
data<-rf(1000,1,1,2)
ks.test(data, "pf", 1,1,2)
One-sample Kolmogorov-Smirnov test
data: data
D = 0.0113, p-value = 0.9996
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df1=1, df2=1, ncp=2的F分布