常態性檢定
有一整套強大的統計工具（包含多種常見的假設檢定）都建立在資料服從常態分配的假設上。直方圖可以提示資料是否大致呈常態，但各種假設檢定能讓我們直接檢驗這個假設。此外，直方圖對於箱數非常敏感，尤其在樣本量很小時更是如此。
在這個練習中，你會使用 salary_df 中奧斯汀市員工的薪資資料。特別是針對西語裔的消防員。你將使用 Anderson–Darling 假設檢定，分析他們的任職年數是否大致呈常態分配。
本練習屬於課程
Python 推論基礎
練習說明
- 繪製員工
Years of Employment的直方圖。 - 進行 Anderson–Darling 常態性檢定，查看
Years of Employment是否大致呈常態分配。 - 找出檢定
statistic大於哪些critical_values。 - 列印在那些
significance_level下會拒絕虛無假設。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Plot a histogram of the employees' "Years of Employment"
____.plot(kind="____")
plt.show()
# Conduct an Anderson-Darling test using the years of employment from salary_df
result = stats.____(____)
# Print which critical values the test statistic is greater than the critical values
print(result.____ > result.____)
# Print the significance levels at which the null hypothesis is rejected
print(result.____[result.____ > result.____])