对于不符合正态分布的数据，可以使用非参数检验方法。
在统计分析中，当数据集不符合正态分布时，我们无法直接应用基于正态分布假设的参数检验方法，如t检验和方差分析（ANOVA）。这时，可以使用非参数检验，这些检验不依赖于数据的分布形状，因此对于偏态分布或非正态分布的数据同样适用。
1. 曼-惠特尼U检验（Mann-Whitney U test）：用于比较两个独立样本的中位数差异，适用于两个独立样本的秩和检验。
2. 威尔科克森符号秩检验（Wilcoxon signed-rank test）：用于比较配对样本的中位数差异，适用于配对样本的秩和检验。
3. Kruskal-Wallis H检验：用于比较三个或更多独立样本的中位数差异，是一种多组之间的非参数方差分析。
4. Friedman检验：类似于Kruskal-Wallis H检验，但用于比较三个或更多相关样本（如重复测量设计）的中位数差异。
5. Spearman等级相关系数（Spearman's rank correlation coefficient）：用于度量两个变量的非参数相关程度，适用于非正态分布的变量。
6. Kolmogorov-Smirnov检验：用于检验样本数据是否符合特定的分布，如正态分布。
非参数检验的优势在于其稳健性，即对异常值和分布偏态不敏感。然而，它们通常在统计功效上不如参数检验，特别是在样本量较小的情况下。
1. 非参数检验在生态学、医学研究和其他领域中的应用，特别是在数据分布不符合正态分布时。
2. 非参数检验的软件实现，如R语言的`kruskal.test`和`wilcox.test`函数。
3. 非参数检验的理论基础，包括分布理论、统计推断和假设检验的基本原则。
温馨提示：
