分析数据正态分布检验方法

在对特定分析对象进行建模分析时，一般假设该模型变量服从正态分布，然后采用符合该变量的分析方法建立相关的分析模型。此外，根据熵定理，自然参数一般服从正态分布（高斯分布），因此，在进行建模之前，需要对所分析的数据进行正态分布检验分析，根据数据正态分布特性判断数据采集策略及模型性能优化方法。

目前数据正态分布检验方法主要分为3类：

1. 图形分析方法（graphical methods）

该类方法主要通过对分析数据建立直观图形判断是否服从正态分布，常用的图形分析方法主要有：直方图、Q-Q图及箱形图；

2. 数值方法（numerical methods）

该类方法通过检测分析数据的偏度（skewness）和峰度（kurtosis）实现正态测试；

3. formal normality test（应该翻译为正式正态检测）

主要包含经典正态分布检测方法：Shapiro(SW)，Kolmogorov-Smirnov(KS)，Lillefors(LF) test 和Aderson-Darling (AD)，这4种方法是目前较广的分析方法，此外，在MATLAB中还有Jarque-Bera (JB)测试也用于数据正态分布测定。上述方法的数据公式表达依次为：

公式中各个变量含义及泛函表示请参考文献《Power comparisons of Shapiro-Wilk, Kolmogorov-Smirnov,Lilliefors and Anderson-Darling tests》。