python正态检验_【python】正态性检验

1. Shapiro-Wilk test

单样本的K-S检验是用来检验一个数据的观测经验分布是否是已知的理论分布。当两者间的差距很小时，推断该样本取自已知的理论分布。

作为零假设的理论分布一般是一维连续分布 F（如正态分布、均匀分布、指数分布等），有时也用于离散分布（如Poisson分布）。即H0：总体X 服从某种一维连续分布 F。检验统计量为：​

#原假设：符合正态分布

import scipy

scipy.stats.shapiro(x)

2. scipy.stats.kstest

Shapiro—Wilk检验法是S.S.Shapiro与M.B.Wilk提出用顺序统计量W来检验分布的正态性。统计量：​

​​#原假设：符合正态分布

scipy.stats.kstest (rvs, cdf, args = ( ), N = 20, alternative ='two-sided', mode ='approx')

样本量小于2000时看shapiro-wilk的检验结果，精度高。

kolmogorov-smimov适合大样本，一般大于2000。

3. Anderson-Darling test

scipy.stats.anderson (x, dist ='norm' )

该方法是由 scipy.stats.kstest 改进而来的，可以做正态分布、指数分布、Logistic 分布、Gumbel 分布等多种分布检验。默认参数为 norm，即正态性检验。

参数：x - 待检验数据；dist - 设置需要检验的分布类型

返回：statistic - 统计数；critical_values - 评判值；significance_level - 显著性水平

4. scipy.stats.normaltest

scipy.stats.normaltest (a, axis=0)