正態分佈是自然界中最常見的也是一種最重要的分布。因此，人們在使用統計分析方法時，總是樂於正態假定，但該假定是否成立，就需要進行正態性檢驗了。
指如果一組觀測值來自正態總體.具有正態分佈的特性，就稱該組觀測值具有正態性。
p-p圖是根據變數的累積概率對應於所指定的理論分布累積概率繪製的散點圖,用於直觀地考察樣本資料是否服從某一概率分布。如果樣本資料服從所假定的分布,則散點較好地落在原點出發的45°線附近。
q-q圖的結果與p-p圖相似,只是p-p圖是用概率分布的累計比進行正態性考察,而q-q圖是用概率分布的分位數進行正態性考察，同p-p圖一樣,如果樣本資料對應的總體分布確為正態分佈,則在q-q圖中,樣本資料對應的散點應基本落在原點出發的45°線附近。
判斷頻率密度直方圖的密度曲線是否服從正態分佈的密度曲線。密度曲線是否呈中間高、兩邊低、左右基本對稱的「鐘形」曲線
莖葉圖的用途同直方圖,它不僅具備與直方圖相同的直觀性,同時能精細表達樣本資料的取值水平,當樣本量小時,可以通過莖葉圖進行正態性呈現
可參考了解這兩個統計量
正態分佈的偏度係數為0,峰度係數為3,利用正態分佈的這兩個特性可以檢驗樣本資料是否來自正態分佈的總體。
參考構造的統計指標為
jb=n6(b2s+14(bk-3)2)。
如果樣本資料所來自的總體服從正態分佈,,則jb近似服從自由度為2的卡方分布。
jarque-bera檢驗相比於其他檢驗方法更容易成功地接受正態性假定,即ⅰ類錯誤風險較低
建立檢驗假設h0:樣本資料所來自的總體服從正態分佈,
參考資料
正態檢驗統計量
正態檢驗統計量
1、數值變數正態性檢驗常用方法的對比
2、偏度(skewness)和峰度(kurtosis）
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...