mu <- 10
sigma <- 2
#	Generovani nahodneho vyberu 
X <- rnorm (100, mean = mu, sd = sigma)

# K-S test
ks.test (X, "pnorm", mean = mu, sd = sigma) 

#	Histogram, jen spocitany, ne vykresleny
h <- hist (X, plot = FALSE)

N.j <- h$counts
k <- length (N.j)
n <- sum (N.j)
t.j <- h$breaks
# Upravime krajni body krajnich intervalu, aby odpovidaly zvolenemu rozdeleni pravdepodobnosti
t.j[1] <- -Inf
t.j[k+1] <- Inf

# Distribucni funkce
F.j <- pnorm (t.j, mean = mu, sd = sigma)
# Pravdepodobnosti jsou rozdily hodnot distribucni funkce v krajnich bodech
p.j <- diff (F.j)

# Popisky intervalu
levy <- head (t.j, -1)
pravy <- tail (t.j, -1)
kategorie <- paste ("(", levy, ", ", pravy, "]", sep = "")

# Sloupcovy graf
Matice <- rbind (N.j, n * p.j)	#	umistime empiricke i teoreticke cetnosti do jedne matice jako dva radky
barplot (Matice, names.arg = kategorie, beside = TRUE, col = c("orange", "cyan"), las = 2)

#	Yarnoldovo kriterium
q <- sum (n * p.j < 5) / k
q
n * p.j >= 5 * q
# Pokud neni splneno, je nutno intervaly slucovat, zejmena ty krajni

#	Testovaci statistika
K <- sum (N.j^2 / (n * p.j)) - n
#	Kvantil a porovnani 
K
qchisq (0.95, df = k - 1)
K >= qchisq (0.95, df = k - 1)