|
| 输入 | 注释 |
| > | nx <- c(rnorm(10)) | 随机产生10个正态分布的数据 |
| > | nx | 查看nx |
|
| [1] -0.83241783 -0.29609562 -0.06736888 -0.02366562 0.23652392 0.97570959 [7] -0.85301145 1.51769488 -0.84866517 0.20691119 | 查看的结果 |
| > | Shapiro-Wilk方法进行正态检验 | |
|
|
Shapiro-Wilk normality test
data: nx W = 0.9084, p-value = 0.2699 | 检验结果，因为 W接近1p值大于0.05，所以数据为正态分布，和Origin 统计的结果一致（下图） |
|
|
|
|
|
|
|
|
实例二 R语言自带的正态性检测（Kolmogorov-Smirnov方法）
|
| 输入 | 注释 |
| > | nx <- c(rnorm(10)) | 随机产生10个正态分布的数据 |
| > | nx | 查看nx |
|
| [1] -0.83241783 -0.29609562 -0.06736888 -0.02366562 0.23652392 0.97570959 [7] -0.85301145 1.51769488 -0.84866517 0.20691119 | 查看的结果 |
| > | ks.test(nx, "pnorm", mean = mean(nx), sd = sqrt(var(nx))) | Shapiro-Wilk方法进行正态检验 Kolmogorov-Smirnov检验需要三个输入变量，及数据本身、均值及标准差 |
|
|
One-sample Kolmogorov-Smirnov test
data: nx D = 0.1828, p-value = 0.8344 alternative hypothesis: two-sided | 检验结果，因为 p值大于0.05，所以数据为正态分布，和Origin 统计的结果一致 |
|
|
|
|
|
|
|
|