用r语言求正态分布的标准差：产生100个均值为0标准差为1的正态分布随机数：rnorm（100，mean=0，sd=1）指数分布数dnorm（x，mean=5，sd=1，log=TRUE）。
正态分布的标准差正态分布N～（μ，duδ^2），方差D（x）=δ^2，E（x）=μ。服从标准正态分布，通过查标准正态分布表就可以直接计算出原正态分布的概率值。μ维随机向量具有类似的概率规律时，随机向量遵从多维正态分布。
标准正态分布
又称为u分布，是以0为均数、以1为标准差的正态分布，记为N（0，1）。标准正态分布曲线下面积分布规律是：在-1.96～+1.96范围内曲线下的面积等于0.9500，在-2.58～+2.58范围内曲线下面积为0.9900。统计学家还制定了一张统计用表（自由度为∞时），借助该表就可以估计出某些特殊u1和u2值范围内的曲线下面积。
Shapiro-Wilk检验 用来检验是否数据符合正态分布 ，类似于线性回归的方法一样，是检验其于回归曲线的残差。该方法作者推荐在样本量很小的时候使用，比如N<20。但是也有作者推荐在大数据集上使用。该作者将这种修改后的方法运用在R语言的stats包中的 shapiro.test 函数中。
为排序后的样本数据， 为待估常量，假设样本数据确实符合一个未知均值 、标准差 的正态分布，那么样本数据就会满足下列一次函数式：
其中xi是随机正态分布N(0,1)中排序数据。
统计量越大则表示数据越符合正态分布，但是仅凭这一个参数是不够的， 在非正态分布的小样本数据中也经常会出现较大的W值。 该统计量的分布是未知的，因此需要通过模拟或者查表来估计其概率。由于原假设是其符合正态分布，所以当P值小于指定显著水平时表示其不符合正态分布。
主要分析p-value，由于原假设H0假定数据和正态分布没有差异，p<0.05否定原假设，说明数据不符合正态分布。
换一组数据
由于原假设H0假定数据和正态分布没有差异，p显著大于0.05，不能否定原假设，说明可认为数据符合正态分布。
由于原假设H0假定数据和正态分布没有差异，p显著小于0.05，否定原假设，说明数据不符合正态分布。
