anderson(x,dist='norm')

`anderson()` 函数是用来计算样本数据是否来自于某个指定分布的 Anderson-Darling 检验。该函数会返回两个值，一个是检验统计量的值，另一个是对应的临界值，可以与检验统计量的值比较来判断样本数据是否来自于指定分布。

下面是一个示例代码，展示如何使用 `anderson()` 函数进行 Anderson-Darling 检验：

import numpy as np
from scipy.stats import anderson

# 生成一组随机数据
np.random.seed(123456789)
x = np.random.normal(size=100)

# 进行 Anderson-Darling 检验
result = anderson(x)

# 输出检验统计量的值和临界值
print('A2 =', result.statistic)
print('critical values =', result.critical_values)

# 判断样本数据是否来自于正态分布
if result.statistic < result.critical_values[2]:
    print('样本数据来自于正态分布')
else:
    print('样本数据不来自于正态分布')

上述代码中，我们使用 `numpy.random` 模块生成了一组随机数据 `x`，然后使用 `scipy.stats.anderson()` 方法对 `x` 进行了 Anderson-Darling 检验，并将结果存储在 `result` 变量中。我们输出了检验统计量的值和临界值，并根据检验统计量的值和临界值的比较，判断样本数据是否来自于正态分布。如果检验统计量的值小于临界值的第三个值，则可以认为样本数据来自于正态分布，否则认为不来自于正态分布。