scipy.stats.

normaltest#

scipy.stats.normaltest(a, axis=0, nan_policy='propagate', *, keepdims=False)[源代码]#

检验样本是否与正态分布不同。

此函数检验样本是否来自正态分布的零假设。它基于 D’Agostino 和 Pearson 的 [1], [2] 测试，该测试结合了偏度和峰度，以产生正态性的综合测试。

参数:

aarray_like

包含要测试的样本的数组。必须至少包含八个观测值。

axisint 或 None，默认值：0

如果为 int，则为计算统计信息的输入轴。输入的每个轴切片（例如，行）的统计信息将显示在输出的相应元素中。如果为 None，则会在计算统计信息之前将输入展平。

nan_policy{‘propagate’, ‘omit’, ‘raise’}

定义如何处理输入 NaN。

propagate：如果存在 NaN 统计信息所沿的轴切片（例如，行）中，则输出的相应条目将为 NaN。
omit：执行计算时将忽略 NaN。如果沿其计算统计信息的轴切片中剩余的数据不足，则输出的相应条目将为 NaN。
raise：如果存在 NaN，将引发 ValueError。

keepdimsbool，默认值：False

如果将其设置为 True，则缩减的轴将保留在结果中，大小为 1 的维度。使用此选项，结果将与输入数组正确广播。

返回:

statisticfloat 或 array: s^2 + k^2，其中 s 是 skewtest 返回的 z 分数，而 k 是 kurtosistest 返回的 z 分数。
pvaluefloat 或 array: 假设检验的 2 边卡方概率。

另请参阅

正态性检验: 扩展示例

说明

从 SciPy 1.9 开始，np.matrix 输入（不建议用于新代码）在执行计算之前会转换为 np.ndarray。在这种情况下，输出将是标量或适当形状的 np.ndarray，而不是二维 np.matrix。同样，虽然会忽略掩码数组的掩码元素，但输出将是标量或 np.ndarray，而不是 mask=False 的掩码数组。

参考文献

[1]

D’Agostino, R. B. (1971), “适度和大样本大小的正态性综合检验”, Biometrika, 58, 341-348

[2]

D’Agostino, R. 和 Pearson, E. S. (1973), “偏离正态性的检验”, Biometrika, 60, 613-622

示例

>>> import numpy as np
>>> from scipy import stats
>>> rng = np.random.default_rng()
>>> pts = 1000
>>> a = rng.normal(0, 1, size=pts)
>>> b = rng.normal(2, 1, size=pts)
>>> x = np.concatenate((a, b))
>>> res = stats.normaltest(x)
>>> res.statistic
53.619...  # random
>>> res.pvalue
2.273917413209226e-12  # random

有关更详细的示例，请参阅正态性检验。