Tato práce se zabývá dostupnými přístupy k testování normality kompozičních dat včetně jejich porovnání a demonstrace na konkrétních datech. Kompoziční data jsou speciálním typem mnohorozměrných dat se speciálním výběrovým prostorem, jejich zpracování standardními statistickými metodami může vést k zavádějícím nebo zcela chybným závěrům. Testování předpokladu normálního rozdělení náhodných kompozic implikuje možnost využití standardní teorie statistické analýzy. Práce se také zabývá jednorozměrným a mnohorozměrným normálním rozdělením a normálním rozdělením na simplexu, obsahuje odpovědi na otázky, jak kompoziční data zpracovat a jak ověřovat předpoklad normality. K testování normality jsou z hlediska dimenze dat užity marginální univariátní testy, bivariátní testy a radius test a z hlediska typu testového kritéria Anderson-Darlingův test, Cramer-von Misesův test a Watsonův test.This master-thesis deals with the available approaches for testing normality of compositional data, including their comparison and demonstration on concrete datasets. Compositional data are special type of multivariate data with a special sample space, processing with standard statistical methods may lead to misleading or completely incorrect conclusions. Testing the assumption on normal distribution of random compositions implies the possibility of using a standard theory of statistical analysis. Thesis also deals with one-dimensional and multi-dimensional normal distribution and normal distribution on a simplex, answers to questions about how to handle compositional data and how to verify the assumption of normality. To test for normality in terms of dimensions of the data marginal univariate tests, bivariate tests and radius test are used, and in terms of type of criteria Anderson-Darling test, Cramer-von Mises test and Watson's test are used.