1、W检验（Shapiro–Wilk (夏皮罗–威克尔 ) W统计量检验)
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()
1 2 3 4 | 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()
1 2 3 4 | 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
1 2 3 4 | 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
1 2 3 | 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
1 2 3 | chisq.test(x, y = NULL, correct = TRUE, p = rep(1/length(x), length(x)), rescale.p = FALSE, simulate.p.value = FALSE, B = 2000) |
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：
1 2 3 | fisher.test(x, y = NULL, workspace = 200000, hybrid = FALSE, control = list(), or = 1, alternative = "two.sided", conf.int = TRUE, conf.level = 0.95) |
原假设：X,Y相关。
9、McNemar检验：
1 | 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
1 2 3 4 | wilcox.test(x, y = NULL, alternative = c("two.sided", "less", "greater"), mu = 0, paired = FALSE, exact = NULL, correct = TRUE, conf.int = FALSE, conf.level = 0.95, ...) |
原假设：中位数大于，小于，不等于mu.
