我有一个相对简单的解决方案要提出，Hugo。因为您对不是统计学家很坦率（通常是一个加号；-），但显然可以处理技术语言，所以我会努力在技术上清晰但避免使用统计术语。
让我们从检查我的理解开始：你有六个系列的数据（t[j,i], h[j,i]），1 <= j <= 6, 1 <= i <= n[j]，其中 t [j,i] 是您测量工件 j 的熵 h[j,i] 的时间，n[j] 是对工件 j 的观察次数。
我们不妨假设 t[j,i] <= t[j,i+1] 总是如此，但听起来你不一定能假设 t[1,i] = ... = t[6, i] 对于所有 i（同步测量），甚至对于任何给定的 j（相等的时间增量）， t[j,i+1] - t[j,i] 都是常数。我们也不妨假设 j=1 指定您的特殊工件。
我们确实需要一个数据模型。“指数”与“次线性”涵盖了很多领域，这表明我们应该对曲线的行为采用非常广泛的（非参数）模型。简单区分这两种进化形式的一件事是，在指数情况下，增量 h[j,i+1] - h[j,i] 将增加，而对于凹亚线性增长，增量将减少。具体来说，增量的增量，
d2[j,i] = h[j,i+1] - 2*h[j,i+1] + h[j,i], 1 <= i <= n[j]-2,
要么是积极的（对于工件 1），要么是消极的（对于其他人）。
一个大问题涉及变化的性质：观察到的熵可能不完全符合任何好的曲线；它们可能会围绕某个理想曲线随机振荡。因为您不想进行任何统计建模，所以我们不会过多了解这种变化的性质，但我们希望任何给定工件 j 的变化量通常在所有时间 t 中都大致相同[j,i]。这让我们可以将每个熵写成表格
h[j,i] = y[j,i] + e[j,i]
其中 y[j,i] 是工件 j 在时间 t[j,i] 的“真实”熵，而 e[j,i] 是观察到的熵 h[j,i] 和真实熵之间的差。作为这个问题的第一个切入点，希望 e[j,i] 随机运行并且看起来在统计上彼此独立以及 y[j,i] 和 t[j,i] 可能是合理的.
这种设置和这些假设意味着工件 j 的第二个增量集 {d2[j,i] | 1 <= i <= n[j]-2}，不一定是完全正数或完全负数，但每个这样的集合应该看起来像一堆（可能不同）正数或负数加上一些波动：
d2[j,i] = (y[j,i+2] - 2*y[j,i+1] + y[j,i]) + (e[j,i+2] - 2*e[ j,i+1] + e[j,i])。
我们仍然不在经典的概率上下文中，但是如果我们（错误地，但可能不是致命地）处理正确的第二个增量（y[j,i+2] - 2*y[j,i+1 ] + y[j,i]) 就好像它们是从某个盒子中随机抽取的数字一样。在工件 1 的情况下，您希望这是一个包含所有正数的盒子；对于其他工件，您希望它是一个包含所有负数的盒子。
在这一点上，我们可以应用一些标准机器进行假设检验。零假设是真正的第二个增量都是（或大部分）负数；备择假设涵盖了所有其他 2^6-1 种可能性，这些可能性与六批第二增量的符号有关。这建议为每个实际秒增量的集合分别运行 t 检验，以将它们与零进行比较。（非参数等效项，例如符号检验，也可以。）对这些计划的多重比较使用 Bonferroni 校正；也就是说，如果您想以alpha水平（例如 5%）进行测试以获得所需的“概率值”，请使用alpha/6 测试的临界值。如果您愿意，即使在电子表格中也可以轻松完成。它快速而直接。
这种方法不会是最好的方法，因为在所有可以设想的方法中：它是不太强大的方法之一，它仍然做出一些假设（例如错误的独立性）；但如果它有效——也就是说，如果你发现 j=1 的第二个增量显着高于 0，而所有其他增量显着低于 0——那么它就会完成它的工作。如果不是这种情况，您的期望可能仍然是正确的，但分析数据需要更多的统计建模工作。（如果需要，下一阶段可能是查看每个工件的增量运行，以查看是否有证据表明最终每条曲线变为指数或亚线性。它还应该涉及对数据变化性质的更深入分析。 )