用r语言， -0.6 3.1 25.3 -16.8 -7.1 -6.2 25.2 22.6 26.0 用这些观测值完成以下问题： (a) 画出Q-Q图，判断这些数据是否服从正态分布，并解释结果。 (b) 进行正态性检验，其显著性水平为α=0.10。

在R语言中，你可以使用`qqnorm()`函数创建一个Q-Q（Quantile-Quantile）图，用于比较观察数据的分布与标准正态分布是否一致。以下是步骤：

(a) 画出Q-Q图并判断正态分布：

# 首先加载ggplot2库，如果没有安装，可以使用install.packages("ggplot2")进行安装
library(ggplot2)

# 定义你的观测值数据
data <- c(-0.6, 3.1, 25.3, -16.8, -7.1, -6.2, 25.2, 22.6, 26.0)

# 创建Q-Q图
qq_plot <- qqnorm(data)
qq_line(qq_plot, col = "red", lty = 2) # 添加参考线
ggtitle("QQ Plot of Observations Against Normal Distribution") + # 图表标题
xlab("Theoretical Quantiles") + ylab("Sample Quantiles")

查看图表，如果数据点大致沿着参考线（红色直线）均匀分布，那么我们可以初步认为数据接近正态分布；反之，如果偏离明显，则可能不服从正态分布。

(b) 进行正态性检验（Shapiro-Wilk Test）：

# 使用shapiro.test()进行正态性检验
normality_test <- shapiro.test(data)
p_value <- normality_test$p.value

# 显示检验结果和显著性水平
cat("P-value:", p_value, "\n")
if (p_value > 0.10) {
  print("我们接受原假设，数据大致服从正态分布（α = 0.10）。")
} else {
  print("拒绝原假设，数据很可能不服从正态分布（α = 0.10）。")
}

在这里，如果P值大于0.10，我们不会拒绝正态分布的假设；反之，如果我们拒绝了这个假设，这意味着在α = 0.10的显著性水平下，这些数据不符合正态分布。