一零件尺寸为5，制造误差为±2，使用matlab，根据3σ原则对数据进行抽样，抽样次数为100次，使抽样抽样出来的数据符合正态分布，并使用蒙托卡洛模拟，模拟次数20000次，计算模拟后的零件尺寸和标准差，并检验数据是否符合正态分布，生产对于的代码

要根据您的要求使用MATLAB进行蒙特卡洛模拟，首先需要确定零件尺寸的真实分布范围。这里假设零件的真实尺寸服从均值为5，标准差由3σ原则计算得出的正态分布。制造误差为±2，意味着99.73%（±3σ）的数据应该在这个范围内。由于您要求的是±2的误差，所以我们可以使用3σ原则来计算正态分布的标准差（σ）。

根据3σ原则，数据的实际分布范围应该是均值±3σ。因此，我们可以推算出σ的值。以零件尺寸5为例，99.73%的数据应该在以下范围内：

5 - 2 <= X <= 5 + 2
即：
3 <= X <= 7

在标准正态分布表中，±3σ范围覆盖了99.73%的数据，因此我们可以直接使用这个比例来设置我们的σ值。为了得到±2的误差范围，我们需要调整σ值。

现在，我们可以通过编写MATLAB代码来实现蒙特卡洛模拟：

% 设定模拟参数
n_samples = 100; % 抽样次数
n_simulations = 20000; % 模拟次数
measured_value = 5; % 零件测量尺寸
error_bound = 2; % 制造误差±2

% 计算σ
sigma = error_bound / 3;

% 进行蒙特卡洛模拟
for i = 1:n_simulations
    % 生成抽样数据
    sample_data = normrnd(measured_value, sigma, [1, n_samples]);
    % 计算模拟后的零件尺寸均值和标准差
    sample_mean(i) = mean(sample_data);
    sample_std(i) = std(sample_data);
end

% 计算整体模拟后的尺寸均值和标准差
overall_mean = mean(sample_mean);
overall_std = mean(sample_std);

% 输出结果
fprintf('模拟后的零件尺寸均值为：%f\n', overall_mean);
fprintf('模拟后的零件尺寸标准差为：%f\n', overall_std);

% 正态性检验
[h, p] = kstest((sample_mean - overall_mean) / overall_std);

% 输出正态性检验结果
if h == 0
    fprintf('数据符合正态分布，p值为：%f\n', p);
else
    fprintf('数据不符合正态分布，p值为：%f\n', p);
end

上述代码首先设定了模拟的参数，然后计算了σ值。接着使用`normrnd`函数生成符合正态分布的抽样数据，然后进行20000次模拟，每次模拟中计算100个数据的均值和标准差。最后计算整体的均值和标准差，并使用`kstest`函数进行正态性检验。