首先生成1000个服从N(0,1)标准正态分布的随机数，在使用k-s检验该数据是否服从正态分布，提出假设：x从正态分布。
最终返回的结果，p-value=076584491300591395，比指定的显著水平（假设为5%）大，则我们不能拒绝假设：x服从正态分布。
这并不是说x服从正态分布一定是正确的，而是说没有充分的证据证明x不服从正态分布。因此我们的假设被接受，认为x服从正态分布。
如果p-value小于我们指定的显著性水平，则我们可以肯定的拒绝提出的假设，认为x肯定不服从正态分布，这个拒绝是绝对正确的。
Kolmogorov-Smirnov是比较一个频率分布f(x)与理论分布g(x)或者两个观测值分布的检验方法。其原假设H0:两个数据分布一致或者数据符合理论分布。D=max| f(x)- g(x)|，当实际观测值D>D(n,α)则拒绝H0，否则则接受H0假设。
KS检验与t-检验之类的其他方法不同是KS检验不需要知道数据的分布情况，可以算是一种非参数检验方法。当然这样方便的代价就是当检验的数据分布符合特定的分布事，KS检验的灵敏度没有相应的检验来的高。在样本量比较小的时候，KS检验最为非参数检验在分析两组数据之间是否不同时相当常用。
PS：t-检验的假设是检验的数据满足正态分布，否则对于小样本不满足正态分布的数据用t-检验就会造成较大的偏差，虽然对于大样本不满足正态分布的数据而言t-检验还是相当精确有效的手段。
对于我们得到的一组数据，我们日常生活中遇到最多的，应用范围最广的就是正态分布。如果要确定数据是否为正态分布，就要进行正态性检验。检验数据分布常用的检验方法有χ²检验，偏度-峰度检验以及夏皮罗-威尔克法较为有效。
随机变量X的偏度和峰度是指的是X的标准化变量[X-E(X)]/D(X)½的三阶矩和四阶矩。
（PS：关于数据的描述：随机变量的0阶矩为总概率1，1阶矩为数据的期望，2阶矩为表示方差，3阶矩表示偏度，4阶矩表示峰度）
设X1，X2，,Xn是来自总体X的样本，则v1,v2的矩估计量分别是，若总体X为正态变量，则可证明当n充分大时，近似的有
相关正态性检验方法有K-S检验，明日再补充
相关软件包在python scipystatskstest中
KS检验是基于样本累积分布函数来进行判断的。可以用于判断某个样本集是否符合某个已知分布，也可以用于检验两个样本之间的显著性差异。KS检验是基于累积分布函数的，如果要进行分布检验，以正态分布为例，首先会画出典型正态分布的累积分布图。然后绘制出数据的累积分布图，通过比较二者最大差值是否大于边界值来判断边界值和D的关系， 如果D小于边界值，则可以认为样本的分布符合已知分布，否则不可以。
除KS检验方法外，还有AD检验和W检验可以用来检测数据的分布特性：
如何判断数据是否符合正态分布？
常见正态性检验方法总结
是。KS（Kolmogorov-Smirnow）是一种非参数的统计检验方法（是针对连续分布的检验）。ks检验里不该有连结，KS检验是以两位苏联数学家Kolmogorov和Smirnov的名字命名的，是一个拟合优度检验。KS检验通过对两个分布之间的差异的分析，判断样本的观察结果是否来自制定分布的总体。
Most Extreme Differences是最大差异列表，表示理论值和实际值的最大差值
Absolute是最大绝对值
Positive是正值
Negative是负值
卡方检验和ks检验结果不一致是正常的。根据查询相关公开信息显示由于分别使用单因素分析和多因素分析造成的，卡方检验相对于ks而言一次只能考虑一个因素，因此在卡方检验中性别，专业是分开做的（单因素分析），在ks也分开做性别，专业（单因素分析），那么结果就会与卡方检验完全一样。
以上就是关于python ks检验的2个值是什么意思全部的内容，包括:python ks检验的2个值是什么意思、stata中可以做ks检验吗、数据的正态性检验等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！
