两种可能结果的离散随机变量概率分布 ，失败是0，成功是1，p是成功的概率。
dbinorm() ：提供任何有效x的概率质量函数
pbinom() ：提供累积概率分布，求结果成功q次及q次以下的累积概率,给定分位数值q,输出累积概率p
qbinom() ：累积概率分布的逆（ pbinom() 的逆），给定累积概率p，输出分位数值q
rbinom() ：产生n个服从二项分布的随机数
3. dpois() , ppois() , qpois() , rpois()
dt() , pt() , qt() , rt()
R语言中一组数据服从威布尔分布。首先可以利用fitdistr函数求得weibull分布的形状参数和尺寸参数，假设数据为x:library(MASS) #fitdistr需要利用MASS包fitdistr(x, densfun = "weibull",lower=0)得到形状参数shape与尺度参数scale
然后利用ks.test进行检验：ks.test(jitter(x),"pweibull",shape,scale)
上边的jitter用来做小扰动，因为如果x中有重复数据的话ks.test会报错，如果x中没有重复数据则不需要jitter。shape是得到的形状参数，scale是得到的尺度参数。
ks.test得到两个结果，一个是D,越小越好，一个是p-value，这个值要大于0.05
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
