2.夏皮罗检验（shapiro.test）
当w接近1，p >0.05时，说明数据符合正态分布，这个检验只适合于3-5000个数据，样本数量不在这个范围内的话，会报错
补充从b站麦子那里学到的另外三种判断是不是正态分布的可视化方法
标准正态分布的概率密度函数中F(x)代表的是正态分布中数值<x的概率
案例1中的做法是先把数据标准化，然后查表进行计算，也可以通过R进行计算
- 中心极限定理
用的最多的，是求均值的mean()函数，当然这里也要提到，像sum()这种求和函数，
还有sd(x) 标准差函数，var(x) 方差函数。min()求最小值，max()求最大值。
我们来具体试试，这里使用一个向量：
test<-c(2,4,5,23,199,25,78,90,12)
求最大值
>max(test)
[1] 19
求最小值
>min(test)
求和
>sum(test)
[1] 43
求标准差，求方差
>sd(test)
[1] 65.01154
>var(test)
[1] 4226.
在来试试最重要的均值
>mean(test)
[1] 48.66667
另外中位数计算。使用median()函数
>median(test)
[1] 23
如果给定一种概率分布，通常会有四类计算问题：
计算其概率密度density （d）计算其概率分布probability（p）计算其百分位数quantile （q）随机数模拟random （r）上面四类计算对应的英文首字母，就是R语言类率分布函数的开头字母。
比如说，正态分布是norm的化，那密度函数就是dnorm(),分布函数就是pnorm(),
更有用的是用相应分布生成随机数，比如rnorm(),就会生成服从正态分布的随机数。
比如我们生成100个服从正态分布的随机数
rnorm(100)
[1] -9.064408e-01 1.026560e+00 -1.097470e+00 1.055395e+00 9.377175e-01
[6] -2.080103e-01 -3.092396e-01 -8.739942e-01 -1.242774e+00 1.102486e+00
[11] 1.082092e+00 -1.695528e+00 -5.930809e-01 -2.100800e-01 8.253859e-01
[16] -1.112551e+00 -3.960474e-01 -9.354820e-01 7.291608e-01 -3.773510e-01
[21] -3.438082e-01 -7.378688e-02 -9.047609e-01 -1.036344e+00 9.485103e-01
[26] -3.437985e-01 -2.145275e-02 1.350098e+00 -1.283633e+00 3.767240e-01
[31] 1.169566e+00 -4.325399e-01 -9.215626e-02 3.839357e-01 3.045491e-01
......
我们再用相应的频率分布直方图来看一下，这些生成的随机数：
hist(rnorm(100))
R就画出了这些随机数的频率分布图
