获取到干净的数据后，一般都会检验数据是否符合正太分布，下面介绍常用的两种检验数据正太性的方法。
正态性检验
Anderson–Darling 正态性检验
此检验是将样本数据的 ECDF（经验累积分布函数）与假设数据呈正态分布时期望的分布进行比较。如果实测差异足够大，您将否定总体呈正态分布的原假设。
Ryan-Joiner 正态性检验
此检验通过计算数据与数据的正态分值之间的相关性来评估正态性。如果相关系数接近 1，则总体很有可能呈正态分布。Ryan-Joiner 统计量可以评估这种相关性的强度；如果它小于适当的临界值，您将否定总体呈正态分布的原假设。此检验类似于 Shapiro-Wilk 正态性检验。
Kolmogorov-Smirnov 正态性检验
此检验将样本数据的 ECDF（经验累积分布函数）与假设数据呈正态分布时期望的分布进行比较。如果实测差异足够大，该检验将否定总体呈正态分布的原假设。如果此检验的 p 值小于您选择的 α，您可以否定原假设并断定总体呈非正态分布。
三种检验的比较
Anderson-Darling 和 Kolmogorov-Smirnov 检验基于经验分布函数。Ryan-Joiner（与 Shapiro-Wilk 类似）基于回归和相关性。
这三个检验都能够很好地确定在分布偏斜时分布不呈正态。这三个检验在基本分布为 t 分布且因峰度而呈非正态性时差别不大。通常情况下，在基于经验分布函数的两个检验中，Anderson-Darling 在检测分布的尾部偏斜方面更为有效。通常情况下，如果尾部偏离正态性是主要问题，那么很多统计学家将使用 Anderson-Darling 作为首要选择。
注意
如果您正在检查正态性，以准备进行正态能力分析，那么尾部是分布的最重要部分。
以上内容来自官方文档，链接到百度百科或Wiki，防止误导视听，因为原理我也搞不懂啊:D
下面说一下怎么用。
AD测试有两个指标
- AD，越小越符合正态分布
- p值，一般大于0.05认为符合正态分布，数值越大越符合程度越高。
