一、對數據的分布進行初步判斷
1.1 原理
對於不同的分布，有特定的偏度(skewness)和峰度(kurtosis)，正態分布、均勻分布、邏輯斯諦分布、指數分布的偏度和峰度都是特定的值，在偏度-峰度圖中是特定的點，而伽馬分布和對數正態分布在偏度-峰度圖中是一條直線，貝塔分布在偏度-峰度圖中是一片區域。因此可以通過未知分布的偏度峰度值（在圖中是一個觀察點），與各種分布的偏度峰度點（線、區域）進行對比，判斷未知分布數據大致可能的一個或幾個分布。
1.2 R代碼
library(fitdistrplus)
descdist(data, discrete = FALSE, boot = NULL, method = "unbiased",
graph = TRUE, obs.col = "darkblue", obs.pch = 16, boot.col = "orange") #data就是輸入的數據，向量;discrete是否使離散的分布；boot，默認從數據的bootstrap樣品中得到偏度-峰度點；method,默認“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、進一步判斷數據對某分布的服從程度
2.1 原理
通過maximum likelihood (mle), moment matching (mme), quantile matching (qme) or maximizing goodness-of-fit estimation (mge)幾種方法將單變量分布擬合為非截尾數據。
2.2 R代碼
fitdist(data, distr, method = c("mle", "mme", "qme", "mge"),
start=NULL, fix.arg=NULL, discrete=FALSE, keepdata = TRUE, keepdata.nb=100, ...) #data，輸入的數據；distr，待擬合的分布，偏度-峰度圖上出現的分布，也可以是自己寫的函數；method方法，默認mle（最在大似然估計）；start，如果有自己寫的分布並且需要填入起始變量值的話，start就是需要輸入的分布起始值；fix.arg，指定待擬合分布的參數；discrete是否是離散的分布；keepdata，確定返回的是數據集還是數據子集，默認返回數據集；keepdata.nb，如果keepdata值為FALSE,keppdata.nb的值決定長度大於多少的子集才返回。
三、實例
例一
引入《判斷數據是否服從某一分布（一)》中例二。
數據：
某公司接到一次電話的時間間隔，30個數據（單位：分鍾）：
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，觀察點接近的分布有gamma分布和指數分布。
首先判斷數據對gamma分布的服從程度:
fitdist(x, "gamma")
再判斷對指數分布的服從程度：
fitdist(x, "exp")
由上述結果可知，指數分布的Std.Error（標准誤）更小。所以數據更服從指數分布。
參考文獻
https://cran.r-project.org/web/packages/fitdistrplus/fitdistrplus.pdf