在R編程中，可以使用多個(gè)統(tǒng)計(jì)測試和可視化方法來判斷樣本數(shù)據(jù)是否來自均值為0、標(biāo)準(zhǔn)差為1的正態(tài)分布。以下是一些常用的方法：

1. Shapiro-Wilk 正態(tài)性檢驗(yàn)：

   shapiro.test(data)
   

2. Kolmogorov-Smirnov 正態(tài)性檢驗(yàn)：

   ks.test(data, "pnorm", mean = 0, sd = 1)
   

3. Q-Q 圖（Quantile-Quantile Plot）：

   qqnorm(data)
   qqline(data, col = "red")
   

4. 正態(tài)性檢驗(yàn)組合（使用 nortest 包）：

   install.packages("nortest")
   library(nortest)
   ad.test(data)  # Anderson-Darling test
   

5. 可視化：直方圖和密度圖：

   hist(data, probability = TRUE, main = "Histogram with Normal Curve")
   lines(density(data), col = "blue")
   curve(dnorm(x, mean = 0, sd = 1), add = TRUE, col = "red")
   

下面是一個(gè)綜合示例，展示了如何使用這些方法來判斷樣本數(shù)據(jù)是否來自均值為0、標(biāo)準(zhǔn)差為1的正態(tài)分布：

# 生成一個(gè)樣本數(shù)據(jù)
set.seed(123)
data <- rnorm(100, mean = 0, sd = 1)

# Shapiro-Wilk 正態(tài)性檢驗(yàn)
shapiro_test <- shapiro.test(data)
print(shapiro_test)

# Kolmogorov-Smirnov 正態(tài)性檢驗(yàn)
ks_test <- ks.test(data, "pnorm", mean = 0, sd = 1)
print(ks_test)

# Q-Q 圖
qqnorm(data)
qqline(data, col = "red")

# Anderson-Darling test
install.packages("nortest")
library(nortest)
ad_test <- ad.test(data)
print(ad_test)

# 可視化：直方圖和密度圖
hist(data, probability = TRUE, main = "Histogram with Normal Curve")
lines(density(data), col = "blue")
curve(dnorm(x, mean = 0, sd = 1), add = TRUE, col = "red")

這些方法結(jié)合使用，可以幫助你更全面地判斷樣本數(shù)據(jù)是否符合均值為0、標(biāo)準(zhǔn)差為1的正態(tài)分布。