নমুনা বিভাজন সম্ভবত পরিসংখ্যান বিতরণ সমস্যা হ্রাস করতে পারে, কিন্তু এটি এটি মুছে না।
আপনার ধারণাটি এড়িয়ে চলেছে যে জনসংখ্যা মানের তুলনায় অনুমানগুলি 'খুব কাছাকাছি' হবে কারণ তারা একই নমুনার উপর ভিত্তি করে।
তারা যে সমস্যা এখনও অনুমান করছে আপনি এড়াচ্ছেন না। পরীক্ষার পরিসংখ্যান বিতরণ সারণীযুক্ত নয়।
এই ক্ষেত্রে এটি নাটকীয়ভাবে হ্রাস করার পরিবর্তে শূন্যের নীচে প্রত্যাখ্যান হার বাড়ায়।
আরও ভাল পছন্দ হ'ল একটি পরীক্ষা ব্যবহার করা যেখানে প্যারামিটারগুলি পরিচিতি ধরে নেওয়া হয় না, যেমন শাপিরো উইলক।
যদি আপনি কোলমোগোরভ-স্মারনভ পরীক্ষার জন্য বিবাহবন্ধনে আবদ্ধ হন তবে আপনি লিলিফর্স পরীক্ষার পদ্ধতি গ্রহণ করতে পারেন।
এটি হ'ল কেএস পরিসংখ্যানটি ব্যবহার করতে হবে তবে পরীক্ষার পরিসংখ্যানগুলির বিতরণ প্যারামিটারের অনুমানের প্রভাবকে প্রতিফলিত করে - প্যারামিটার অনুমানের অধীনে পরীক্ষার পরিসংখ্যান বিতরণকে অনুকরণ করে। (এটি আর বিতরণ-মুক্ত নয়, সুতরাং প্রতিটি বিতরণের জন্য আপনার নতুন টেবিলের প্রয়োজন))
http://en.wikipedia.org/wiki/Lilliefors_test
লিলিফাররা সাধারণ এবং তাত্পর্যপূর্ণ মামলার জন্য সিমুলেশন ব্যবহার করে তবে কোনও নির্দিষ্ট বিতরণের জন্য আপনি সহজেই এটি করতে পারেন; আর এর মতো কিছুতে 10,000 বা 100,000 নমুনা অনুকরণ করা এবং শূন্যের অধীনে পরীক্ষার পরিসংখ্যানগুলির বিতরণ পেতে মুহুর্তের বিষয়।
[অ্যান্ডারসন-ডার্লিংয়ের বিবেচনা করা একটি বিকল্প হতে পারে, যার একই সমস্যা রয়েছে তবে যা - ডি'গোস্টিনো এবং স্টিফেনস ( গুডনেস অফ-ফিট-টেকনিক ) এর বই থেকে বিচার করা তার পক্ষে কম সংবেদনশীল বলে মনে হয়। আপনি লিলিফোর্স ধারণাটি মানিয়ে নিতে পারেন তবে তারা তুলনামূলকভাবে সহজ সামঞ্জস্যের প্রস্তাব দেয় যা মোটামুটি ভালভাবে কাজ করে বলে মনে হয়]]
কিন্তু এখনও অন্যান্য পন্থা আছে; ফিটের উপকারের মসৃণ পরীক্ষার পরিবার রয়েছে, উদাহরণস্বরূপ (উদাহরণস্বরূপ রায়নার এবং সেরাের বইটি দেখুন) যে কয়েকটি নির্দিষ্ট ক্ষেত্রে প্যারামিটার অনুমানের সাথে মোকাবিলা করতে পারে।
* প্রভাবটি এখনও বেশ বড় হতে পারে - সাধারণত এটি গ্রহণযোগ্য হিসাবে গণ্য হবে তার চেয়ে বড় হতে পারে; মোমো এ সম্পর্কে উদ্বেগ প্রকাশ করা ঠিক। যদি উচ্চতর ধরণের I ত্রুটির হার (এবং একটি চাটুকার পাওয়ার কার্ভ) সমস্যা হয় তবে এটি কোনও উন্নতি হতে পারে না!