数据正态分布的检验方法简述

图形方法

1. 直方图和概率密度图：

   通过绘制数据的直方图和概率密度图，可以直观地判断数据是否近似正态分布。如果数据的直方图呈现出钟形曲线，并且与标准正态分布的概率密度图（如高斯曲线）相匹配，则数据可能服从正态分布。

2. Q-Q 图（Quantile-Quantile Plot）：

   Q-Q 图是数据的分位数与理论正态分布的分位数进行比较的图形。如果数据服从正态分布，Q-Q 图上的点应大致形成一条直线。如果点偏离直线，则数据不服从正态分布。

统计检验方法

1. Shapiro-Wilk 检验：

   Shapiro-Wilk 检验是一种适用于小样本量（通常 n < 5000）的正态性检验方法。其原假设（H0）是数据服从正态分布，如果 p 值小于显著性水平（通常为 0.05），则拒绝原假设，认为数据不服从正态分布。

2. Kolmogorov-Smirnov 检验：

   Kolmogorov-Smirnov 检验（K-S 检验）是一种适用于大样本量的正态性检验方法。它比较数据的经验分布函数与理论正态分布函数之间的差异。如果 p 值小于显著性水平，则拒绝原假设，认为数据不服从正态分布。

3. Anderson-Darling 检验：

   Anderson-Darling 检验也是一种正态性检验方法，它特别关注分布的尾部。其计算比 K-S 检验更复杂，但适用于更广泛的数据集。如果检验统计量大于临界值，则拒绝原假设，认为数据不服从正态分布。

4. D’Agostino-Pearson 检验：

   D’Agostino-Pearson 检验综合了数据的偏度和峰度，计算一个综合统计量。如果 p 值小于显著性水平，则拒绝原假设，认为数据不服从正态分布。