Wie überprüfe ich in R die Normalverteilung meiner Daten?

Um in R die Normalverteilung deiner Daten zu überprüfen, kannst du verschiedene Methoden verwenden. Hier sind einige gängige Ansätze:

1. **Visuelle Inspektion mit Q-Q-Plot:**
Ein Quantil-Quantil-Plot (Q-Q-Plot) vergleicht die Quantile deiner Daten mit den Quantilen einer Normalverteilung. Wenn die Daten normalverteilt sind, sollten die Punkte ungefähr auf einer geraden Linie liegen.

```R
# Beispiel: Daten generieren
daten <- rnorm(100)

# Q-Q-Plot erstellen
qqnorm(daten)
qqline(daten, col = "red")
```

2. **Shapiro-Wilk-Test:**
Der Shapiro-Wilk-Test ist ein statistischer Test, der die Nullhypothese prüft, dass die Daten aus einer Normalverteilung stammen.

```R
# Shapiro-Wilk-Test durchführen
shapiro.test(daten)
```

3. **Kolmogorov-Smirnov-Test:**
Der Kolmogorov-Smirnov-Test kann ebenfalls verwendet werden, um die Normalverteilung zu überprüfen. Beachte jedoch, dass dieser Test empfindlich auf die Parameter der Verteilung ist.

```R
# Kolmogorov-Smirnov-Test durchführen
ks.test(daten, "pnorm", mean(daten), sd(daten))
```

4. **Histogramm und Dichteplot:**
Ein Histogramm und ein Dichteplot können ebenfalls nützlich sein, um die Verteilung der Daten visuell zu überprüfen.

```R
# Histogramm und Dichteplot erstellen
hist(daten, probability = TRUE, main = "Histogramm mit Dichteplot")
lines(density(daten), col = "blue")
```

Diese Methoden bieten eine gute Grundlage, um die Normalverteilung deiner Daten zu überprüfen.