原始数据很简单，来源于十个同分布的离散均匀分布（丢10个六面筛子），按照中心极限原则，每次
筛子之和应该逼近正态分布，下面是原程序：
/*离散均匀分布的正态逼近*/
data test(keep=sum);
do i=1 to 10000; /*掷10000次筛子*/
  sum=0;
  do j=1 to 10; /*每次掷10个6面筛子*/
   sum=sum+1+int(6*ranuni(64)); /*计算10个筛子之和*/
  end;
  output;
end;
run;
proc univariate data=test;
var sum;
histogram/normal /*输出每次十个筛子之和的直方图及正态拟合结果*/
    midpoints=10 to 60 by 1;
run;
quit;

直方图和正态曲线拟合得很好：
但是检验的参数却拒绝了零假设，就数据不是正态分布：
Goodness-of-Fit Tests for Normal Distribution
      检验统计量p 值
      Kolmogorov-SmirnovD0.15551280Pr > D<0.010
      Cramer-von MisesW-Sq0.36855060Pr > W-Sq<0.005
      Anderson-DarlingA-Sq1.94883650Pr > A-Sq<0.005
不是各位高手如何看待这个问题？