· Anderson-Darling检验（A-D检验），是一种基于经验累积分布函数（ECDF）的算法，特别适用于小样本（当然也适用于大样本），AD值 越小，表明分布对数据拟合度越好，A-D检验只适合特定的连续分布如：normal、lognormal、exponential、Weibull、 logistic、extreme-value type 1。
A-D检验是对K-S检验的一种修正，相比K-S检验它加重了对尾部数据的考量，K-S检验具有分布无关性，它的临界值并不依赖被测的特定分布，而A-D检验使用特定分布去计算临界值，这使得A-D检验具有更灵敏的优势。
· Ryan-Joiner检验（R-J检验，类似于Shapiro-Wilk检验），是一种基于相关性的算法。R-J检验可得到一个相关系数，它越接近1就越表明数据和正态分布拟合得越好。
A-D检验和R-J检验在正态性检验中具有相似的功效，而K-S检验的功效较弱。
· 对于大样本的拟合度测试，通常使用卡方检验（卡方检验是一种基于概率密度函数的算法，不适合于小样本）会更好，因为卡方检测不需要分布参数的知识，并且卡方检验适用于连续和离散分布。
· Kolmogorov-Smirnov检验（K-S检验），也是一种基于经验累积分布函数（ECDF）的算法，K-S检验最吸引人的特性是具有分布无关性，所以适用于任何连续分布，很适合小样本（当然也适合大样本）。2 n( x% G' B0 `4 L
但是由于K-S检验相对尾部而言，往往对分布中心更敏感，并且它的临界值并不依赖被测的特定分布，相对A-D检验而言它的灵敏度较低，所以很多的分析更愿意使用A-D 拟合度检验。