我想这是一个简单的问题，但我无法解决。我有一个向量，它的第一个元素看起来像：
V = [31 52 38 29 29 34 29 24 25 25 32 28 24 28 29 ...];
我想chi2gof在 Matlab 中进行测试以测试是否V呈指数分布。我做了：
[h,p] = chi2gof(V,'cdf',@expcdf);
但我收到一条警告消息：
Warning: After pooling, some bins still have low expected counts.
The chi-square approximation may not be accurate
我是否chi2gof错误地定义了呼叫？
在 36 个值时，您的样本集非常小。来自维基百科关于卡方检验的文章的第二句话（强调添加）：
它适用于大样本的未配对数据。
在这种情况下，大通常意味着至少 100 左右。在此处阅读有关此测试的更多假设。
备择方案
您可以kstest在基于Kolmogorov-Smirnov 测试的 Matlab 中尝试：
[h,p] = kstest(V,'cdf',[V(:) expcdf(V(:),expfit(V))])
或者 try lillietest，它基于Lilliefors 测试，并且有一个专门用于指数分布数据的选项：
[h,p] = lillietest(V,'Distribution','exp')
如果您可以增加样本量，那么您做错了一件事chi2gof。从helpfor'cdf'选项：
完全指定的累积分布函数。这可以是 ProbabilityDistribution 对象、函数句柄或函数。姓名。该函数必须将 X 值作为其唯一参数。或者，您可以提供一个元胞数组，其第一个元素是函数名称或句柄，其后面的元素是参数值，每个元胞一个。该函数必须将 X 值作为其第一个参数，并将其他参数作为后面的参数。
您没有提供任何其他参数，因此expcdf使用mu = 1. 您的数据值非常大，并且与该平均值完全不对应指数分布。您还需要估计参数。你的expfit函数，它基于最大似然期望，你可以尝试这样的事情：
[h,p] = chi2gof(V,'cdf',@(x)expcdf(x,expfit(x)),'nparams',1)
但是，只有 36 个样本，您可能无法对这样的分布进行很好的估计，即使对于从已知分布中采样的数据，也可能无法获得预期的结果，例如：
V = exprnd(10,1,36);
[h,p] = chi2gof(V,'cdf',@(x)expcdf(x,expfit(x)),'nparams',1)