1、W检验（Shapiro–Wilk (夏皮罗–威克尔 ) W统计量检验)
检验数据是否符合正态分布，R函数：shapiro.test().
结果含义：当p值小于某个显著性水平α(比如0.05)时，则认为
样本不是来自正态分布的总体，否则则承认样本来自正态分布的总体。
2、K检验(经验分布的Kolmogorov-Smirnov检验)
R函数:ks.test(),如果P值很小，说明拒绝原假设，表明数据不符合F(n,m)分布。
3、相关性检验：
R函数：cor.test()
cor.test(x, y,
alternative = c("two.sided", "less", "greater"),
method = c("pearson", "kendall", "spearman"),
exact = NULL, conf.level = 0.95, ...)
结果含义：如果p值很小，则拒绝原假设，认为x,y是相关的。否则认为是不相关的。
4、T检验
用于正态总体均值假设检验，单样本，双样本都可以。
t.test()
t.test(x, y = NULL,
alternative = c("two.sided", "less", "greater"),
mu = 0, paired = FALSE, var.equal = FALSE,
conf.level = 0.95, ...)
结果意义：P值小于显著性水平时拒绝原假设，否则，接受原假设。具体的假设要看所选择的是双边假设还是单边假设（又分小于和大于）
5、正态总体方差检验
t.test(x, y = NULL,
alternative = c("two.sided", "less", "greater"),
mu = 0, paired = FALSE, var.equal = FALSE,
conf.level = 0.95, ...)
结果含义：P值小于显著性水平时拒绝原假设，否则，接受原假设。具体的假设要看所选择的是双边假设还是单边假设（又分小于和大于）
6、二项分布总体假设检验
binom.test(x, n, p = 0.5,
alternative = c("two.sided", "less", "greater"),
conf.level = 0.95)
原假设：p=p0,p
7、Pearson 拟合优度χ2检验
chisq.test(x, y = NULL, correct = TRUE,
p = rep(1/length(x), length(x)), rescale.p = FALSE,
simulate.p.value = FALSE, B = 2000)
原假设H0：X符合F分布。
p-值小于某个显著性水平，则表示拒绝原假设，否则接受原假设。
8、Fisher精确的独立检验：
fisher.test(x, y = NULL, workspace = 200000, hybrid = FALSE,
control = list(), or = 1, alternative = "two.sided",
http://conf.int = TRUE, conf.level = 0.95)
原假设：X,Y相关。
9、McNemar检验：
mcnemar.test(x, y = NULL, correct = TRUE)
原假设：两组数据的频数没有区别。
10、秩相关检验
cor.test(x, y,
alternative = c("two.sided", "less", "greater"),
method = "spearman", conf.level = 0.95, ...)
原假设：x,y相关.
11、Wilcoxon秩检验
wilcox.test(x, y = NULL,
alternative = c("two.sided", "less", "greater"),
mu = 0, paired = FALSE, exact = NULL, correct = TRUE,
http://conf.int = FALSE, conf.level = 0.95, ...)
原假设：中位数大于，小于，不等于mu.
R语言中一组数据服从威布尔分布。首先可以利用fitdistr函数求得weibull分布的形状参数和尺寸参数，假设数据为x:library(MASS) #fitdistr需要利用MASS包fitdistr(x, densfun = "weibull",lower=0)得到形状参数shape与尺度参数scale
然后利用ks.test进行检验：ks.test(jitter(x),"pweibull",shape,scale)
上边的jitter用来做小扰动，因为如果x中有重复数据的话ks.test会报错，如果x中没有重复数据则不需要jitter。shape是得到的形状参数，scale是得到的尺度参数。
ks.test得到两个结果，一个是D,越小越好，一个是p-value，这个值要大于0.05
T检验：符合正态分布的数据用T检验秩和检验：不满足正态分布的数据用秩和检验
正态分布的检验
非正态分布
非正态分布中值比均值有意义
如果点在直线两侧则为正态分布。图示为非正态分布
wilcox.test(变量1,变量2)
prop.test(抽样阳性, 抽样总数, p=已知百分比, alternative = "greater")
alternative 参数，假设方向用greater或less，默认双侧检验。
用于检验实际观测值与理论推断值之间的偏离程度。卡方值越大说明偏离越大，卡方值越小，说明偏离程度低。卡方值为0说明完全符合。
