在决定分配时，科学比测试更重要。想想是什么导致了数据，哪些值是可能的、可能的和有意义的。正式测试可以发现明显的差异，但通常不能排除相似的分布（并注意卡方分布是伽马分布的特例）。看看这个快速模拟（并尝试使用其他值）：

> mean(replicate(1000, ks.test( rt(5000, df=20), pnorm )$p.value)<0.05)
[1] 0.111

即使样本量为 5000 ，ks.test也只能找到 20 df 的 t 分布与 11% 的标准正态分布之间的差异。

如果您真的想测试发行版，那么我建议您使用包vis.test中的函数TeachingDemos。它不是精确拟合的严格测试，而是显示原始数据的图与来自候选分布的类似图混合，并要求您（或其他查看者）挑选出原始数据的图。如果您无法在视觉上区分您的数据和模拟数据，那么候选分布可能是一个合理的起点（但这并不排除其他可能的分布，请考虑哪些分布在科学上最有意义）。

另一种方法是从原始数据的密度估计中生成新数据。R的logspline包具有估计密度的功能，然后从该估计中生成随机数据。或者，从核密度估计生成数据意味着从数据中选择一个点，然后从以该点为中心的核生成一个随机值。这可以像从替换数据中选择一个随机样本一样简单，然后向这些值添加小的正态偏差。

没有理由“官方”发行版之一适合您的数据。用于检查分布拟合的最相关的统计检验是 Kolmogorov-Smirnov 检验。例如，

> x=rnorm(133) 
> ks.test(x,"pnorm",mean(x),sd(x))

        One-sample Kolmogorov-Smirnov test

data:  x 
D = 0.0388, p-value = 0.9882
alternative hypothesis: two-sided

（需要注意的是 p 值不考虑参数估计）。

编辑：为了找到合适的 p 值，可以使用蒙特卡洛实验，即从假设的分布中生成样本的样本，并为每个样本推导出 ks.test 距离。然后可以使用这个 ks.distances 样本来找到经验 p 值：$x$

ksdist=rep(0,10^2)
for (t in 1:10^2){
  x=rnorm(length(x0),mean(x0),sd(x0))
  ksdist[t]=ks.test(x,"pnorm",mean(x),sd(x))$stat 
  }
empvalue=sum(ksdist>ks.test(x0,"pnorm",mean(x0),sd(x0))$stat)/10^2

例如，

> x0=rt(123,df=4)
> empvalue
[1] 0.02
> ks.test(x0,"pnorm",mean(x0),sd(x0))$p
[1] 0.2996538

和

> x0=rnorm(321)
> empvalue
[1] 0.1
> ks.test(x0,"pnorm",mean(x0),sd(x0))$p
[1] 0.568052

显示模拟如何纠正不正确的 p 值。（这个练习通常是我探索性统计期末考试的一部分。）