要求随机数范围在0-1之间，均值可取0.5；又由于正态分布99.7%的值在平均数左右三个标准差的范围内，所以标准差取0.5/3。
<pret="code"l="as3">D=randn（1000，1）/6+0.5
D（D<0|D>1）=0.5
hist（D，30）
系统中某一变量的观测值按时间顺序排列成一个数值序列，展示研究对象在一定时期内的变动过程，从中寻找和分析事物的变化特征、发展趋势和规律。它是系统中某一变量受其它各种因素影响的总结果。
正态曲线
呈钟型，两头低，中间高，左右对称因其曲线呈钟形，因此人们又经常称之为钟形曲线。若随机变量X服从一个数学期望为μ、方差为σ2的正态分布，记为N(μ，σ2)。其概率密度函数为正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。当μ=0,σ=1时的正态分布是标准正态分布。
R语言与统计-1：t检验与秩和检验
方差分析适用于多组均数的比较 （在完全随机设计的实验中，两组均数的t检验和方差分析是完全等价的。但t检验只能用于两组的均数比较，对于三组和三组以上的均数比较，就需要用到方差分析。）
可以看到这个数据集只有两个变量，其中治疗是分类变量（因子型），有5个水平。response是数值型变量。要对每种治疗所对应的response的均值进行比较，就只能用方差分析而不能用t检验。
符合正态分布
要比较均值的数据写～左边，分组变量写右边。p=0.9653，方差齐。
写法同上，方差齐。
需要注意的是，如果检验出方差不齐，我们第一步不是立马选择进行非参数检验，而是首先要判断有无异常值存在，因为异常值对方差的影响很大。当然，到这一步才来检验有无异常值是不符合数据分析的流程的，异常值在进行数据初步处理的时候就因该被发现和处理掉。
方差分析包括 单因素方差分析 ， 多因素方差分析 ， 协方差分析 ， 多元方差分析 ， 重复测量数据方差分析 。
gplots包的plotmeans函数 对上述结果进行可视化
使用ToothGrowth数据集进行演示
aov函数
不考虑supp和dose之间的交互作用的情况。结果显示两个因素都对小鼠牙齿生长影响显著。
考虑两个因素之间的交互作用：将上面的+换成*。结果显示两个因素都对小鼠牙齿生长影响显著而且两者间的互相影响也不容忽视。
可视化
上述结果已经知道了再五组数据中的均值不全相等，下一步想知道哪些相等哪些不等，就要对这五组进行两两比较。
输出的结果：从左往右依次是：两两比较、两两间的差值、lwr是95%可信线的下限，upr是上限。最后是p值。
将结果可视化：
线段中点是均值，两端是95%置信区间，跨过0说明没有显著差异。
在进行方差分析时，所有混杂因素统称为 协变量 。
检验dose对weight的影响。出生时间gesttime是协变量。
aov后面小括号里写的顺序：结果变量～协变量+自变量。如果要看协变量和自变量之间是否存在交互，在后面写+协变量：自变量。最后是data=数据集。
结果显示两个变量之间不存在交互效应(p=0.17889, >0.05)，可以认为它们的斜率是相同的。
因变量不止一个，但是需要将它们作为一个整体同时进行分析。例如：某种药物对患者血红蛋白浓度，红细胞计数，外周血细胞因子水平等多种因素的影响。
使用 manovs()函数 进行性多元方差分析
参考： https://blog.csdn.net/dingming001/article/details/72822270
一般地，如果你已知一个连续随机变量X的cdf F_X(x)（=P(X<=x)）的话，那么F^(-1)(U)（F^(-1)为F的反函数）就符合这个分布（U为(0,1)上的均匀分布），反之亦然。证明很简单，就是直接套定义。所以你可以写出来F^(-1)这个函数（比如说自定义函数名为FInverse），然后生成随机数组：
randomSequence<-FInverse(runif(n))
对于指数分布来说，
FInverse<-function(p,lambda=1){
-log(1-p)/lambda
}
离散随机变量类似吧。。。
当然，前提是你能写出来F^(-1)。。。（所以我老师说这个方法没啥用。。。）有的分布不好写F^(-1)，但是有一些比较巧妙的办法（比如正态分布），这种应该就只能具体问题具体分析了。
