做你想做的事情的一种方法是将你的数据与假设的分布（指数，泊松，..）进行比较，看看你是否可以根据该比较得出任何结论。

这是一种方法：

1. 找出您要比较的分布。
2. 对于该分布，确定完全描述该分布的相关参数是什么。
   • 通常是均值和方差。在泊松的情况下，均值等于方差，因此您只有 1 个参数可以估计，$\lambda$.
3. 使用您自己的数据来估计该参数。
   • 对于泊松，取数据的平均值。这将是平均值（$\lambda$) 你生成的泊松。
4. 将生成的泊松分布值与实际数据的值进行比较。
   • 通常比较意味着找到分布之间的距离。您可以查看Kullback-Leiber 散度。
   • 一种可能更简单的方法是比较数据生成的每个点与泊松分布上的对应点之间的距离。
   • 要查看差异是否足够大以具有统计显着性（因此您可以对数据的分布做出一些确定），您可以运行一个显着测试，如评论中所述。查找KS 测试以获取更多信息。此方法有缺陷，因此请确保您了解它在做什么。
   • 如果您不了解显着性测试，我建议您搜索此论坛以获取更多信息。那里。是。很多。
5. 查看scipy.stats.kstest以了解 Python 中的实现细节。

好像这就是你要找的东西
https://nolanbconaway.github.io/blog/2019/poisson-etest
https://github.com/nolanbconaway/poisson-etest