%正態性分布檢驗
%%c.s. ruan
x; figure;
hist(x);%頻數直方圖(肉眼看是否左右對稱，中間多，兩邊少)
figure;
histfit(x);%正態曲線擬合
normfit(x);%正態性檢驗（離散點是否分布在一條直線上，表明樣本來自正態分佈，否則是非正態分佈）
%引數估計
[muhat,sigmahat,muci,sigmaci]=normfit(x);%muhat均值,sigmahat方差,muci均值的0.95置信區間,sigmaci方差的0.95置信區間
%假設檢驗（現在在方差未知的情況下，檢驗均值是否為mahat）
[h,sig,ci]=ttest(x,muhat); %h=0,接受假設，均值=mahat
%其中h為布林變數，h=0表示不拒絕零假設，說明均值為mahat的假設合理。若h=1則相反；
%ci表示0.95的置信區間。
%sig若比0.5大則不能拒絕零假設，否則相反。
------------------------
%%更正式的正態性檢驗方法
%kstest kolmogorov-smirnov正態性檢驗，將樣本與標準正態分佈（均值為0，方差為1）進行對比，不符合正態分佈返回1，否則返回0；該函式也可以用於其它分布型別的檢驗；
[h,p,jbstat,cv]=kstest(x); %h0: 服從正態n（0,1）
%lillietest lilliefors test。 與kstest不同，檢驗目標不是標準正態，而是具有與樣本相同均值和方差的正態分佈。
[h,p,istat,cv]=lillietest(x); %h0: 服從n（mu,sigma2）;
%jbtest jarque-bera test。與 lilliefors test 類似，但不適用於小樣本的情況。
[h,p,jbstat,cv]=jbtest(x); %h0：服從正態n(mu,sigma2)
正態性檢驗
安德森 達令檢驗樣本資料是否來自特定分布，包括分布 norm expon gumbel extreme1 or logistic 原假設 h0 樣本服從特定分布 備擇假設 h1 樣本不服從特定分布 返回 anderson 有三個輸出值，第乙個為統計數，第二個為評判值，第三個為顯著性水平，評判值與顯著...
Python正態性檢驗
在對資料建模前，很多時候我們需要對資料做正態性檢驗，進而通過檢驗結果確定下一步的分析方案。下面介紹 python 中常用的幾種正態性檢驗方法 kstest 是乙個很強大的檢驗模組，除了正態性檢驗，還能檢驗 scipy.stats 中的其他資料分布型別 對於正態性檢驗，我們只需要手動設定三個引數即可 ...
SAS 單變數正態性檢驗
其中w normal為shapiro wilk正態性檢驗統計量，pr顯著性水平 當n 2000時正態性檢驗用shapiro wilk統計量 當n 2000時用kolmogorov d統計量 在檢驗中，我們的零假設是變數服從正態分佈，如果test for normality 檢驗結果的p值小於0.05...