matlab下的幂律拟合函数

function [pgof]=plpva（x xmin varargin）
% PLPVA calculates the p-value for the given power-law fit to some
% data.计算了P值 实现数据和幂率分布的拟合
%    Source: http://www.santafe.edu/~aaronc/powerlaws/
% 
%    PLPVA（x xmin） takes data x and given lower cutoff for the power-law
%    behavior xmin and computes the corresponding p-value for the
%    Kolmogorov-Smirnov test according to the method described in 
%    Clauset Shalizi Newman （2007）.函数xmin指的是截断位置
%    PLPVA automatically detects whether x is composed of real or integer
%    values and applies the appropriate method. For discrete data if
%    min（x） > 1000 PLPVA uses the continuous approximation which is 
%    a reliable in this regime.
%   
%    The fitting procedure works as follows:
%    1） For each possible choice of x_min we estimate alpha via the 
%       method of maximum likelihood and calculate the Kolmogorov-Smirnov
%       goodness-of-fit statistic D.
%    2） We then select as our estimate of x_min the value that gives the
%       minimum value D over all values of x_min.
%
%    Note that this procedure gives no estimate of the uncertainty of the 
%    fitted parameters nor of the validity of the fit.
%
%    Example:
%       x = （1-rand（100001））.^（-1/（2.5-1））;
%       [p gof] = plpva（x 1）;
%
%    For more information try ‘type plpva‘
%
%    See also PLFIT PLVAR

% Version 1.0   （2007 May）
% Version 1.0.2 （2007 September）
% Version 1.0.3 （2007 September）
% Version 1.0.4 （2008 January）
% Version 1.0.5 （2008 March）
% Version 1.0.6 （2008 April）
% Version 1.0.7 （2009 October）
% Copyright （C） 2008-2009 Aaron Clauset （Santa Fe Institute）
% Distributed under GPL 2.0
% http://www.gnu.org/copyleft/gpl.html
% PLPVA comes with ABSOLUTELY NO WARRANTY
% 
% Notes:
% 
% 1. In order to implement the integer-based methods in Matlab the numeric
%    maximization of the log-likelihood function was used. This requires
%    that we specify the range of scaling parameters considered. We set
%    this range to be [1.50 : 0.01 : 3.50] by default. This vector can be
%    set by the user like so
%    
%       p = plpva（x 1‘range‘[1.001:0.001:5.001]）;
%    
% 2. PLPVA can be told to limit the range of values considered as estimates
%    for xmin in two ways. First it can be instructed to sample these
%    possible values like so
%    
%       a = plpva（x1‘sample‘100）;
%    
%    which uses 100 uniformly distributed values on the sorted list of
%    unique values in the data set. Second it can simply omit all
%    candidates above a hard limit like so
%    
%       a = plpva（x1‘limit‘3.4）;
%    
%    Finally it can be forced to use a fixed value like so
%    
%       a = plpva（x1‘xmin‘1）;
%    
%    In the case of discrete data it rounds the limit to the nearest
%    integer.
% 
% 3. The default number of semiparametric repetitions of the fitting
% procedure is 1000. This number can be changed like so
%    
%       p = plvar（x 1‘reps‘10000）;
% 
% 4. To silence the textual outpu