boxplot(x2~name,da,at=c(2,6,10),add=T,names=paste(c('A','B','C'),'x2',sep='.'))
boxplot(x3~name,da,at=c(3,7,11),add=T,names=paste(c('A','B','C'),'x3',sep='.'))
ks.test()实现了KS检验，可以检验任意样本是不是来自给定的连续分布。你这里的用法就是：ks.test(data,pt,df=df) #data是样本的数据，df是要检验的t分布的自由度我们可以用很多方法分析一个单变量数据集的分布。最简单的办法就是直接看数字。利用函数summary 和fivenum 会得到两个稍稍有点差异的汇总信息。此外，stem(\茎叶"图)也会反映整个数据集的数字信息。>attach(faithful)>summary(eruptions)Min. 1st Qu. Median Mean 3rd Qu. Max.1.600 2.163 4.000 3.488 4.454 5.100>fivenum(eruptions)[1] 1.6000 2.1585 4.0000 4.4585 5.1000>stem(eruptions)The decimal point is 1 digit(s) to the left of the |16 | 07035555558818 | 00002223333333557777777788882233577788820 | 0000222337880003577822 | 000233557802357824 | 0022826 | 2328 | 08030 | 732 | 233734 | 25007736 | 000082357738 | 233333558222557740 | 000000335778888800223355557777842 | 0333555577880023333355557777844 | 0222233555778000000002333335777888846 | 000023335770000002357848 | 0000002233580033350 | 0370茎叶图和柱状图相似，R 用函数hist 绘制柱状图。>hist(eruptions)>## 让箱距缩小，绘制密度图>hist(eruptions, seq(1.6, 5.2, 0.2), prob=TRUE)>lines(density(eruptions, bw=0.1))>rug(eruptions) # 显示实际的数据点更为精致的密度图是用函数density 绘制的。在这个例子中，我们加了一条由density 产生的曲线。你可以用试错法（trial-and-error）选择带宽bw（bandwidth）因为默认的带宽值让密度曲线过于平滑（这样做常常会让你得到非常有\意思"的密度分布）。(现在已经有一些自动的带宽挑选方法2，在这个例子中bw = "SJ"给出的结果不错。)我们可以用函数ecdf 绘制一个数据集的经验累积分布（empirical cumulativedistribution）函数。>plot(ecdf(eruptions), do.points=FALSE, verticals=TRUE)显然，这个分布和其他标准分布差异很大。那么右边的情况怎么样呢，就是火山爆发3分钟后的状况？我们可以拟合一个正态分布，并且重叠前面得到的经验累积密度分布。>long <- eruptions[eruptions >3]>plot(ecdf(long), do.points=FALSE, verticals=TRUE)>x <- seq(3, 5.4, 0.01)>lines(x, pnorm(x, mean=mean(long), sd=sqrt(var(long))), lty=3)分位比较图（Quantile-quantile (Q-Q) plot）便于我们更细致地研究二者的吻合程度。par(pty="s") # 设置一个方形的图形区域qqnorm(long)qqline(long)上述命令得到的QQ图表明二者还是比较吻合的，但右侧尾部偏离期望的正态分布。我们可以用t 分布获得一些模拟数据以重复上面的过程x <- rt(250, df = 5)qqnorm(x)qqline(x)这里得到的QQ图常常会出现偏离正态期望的长尾区域(如果是随机样本)。我们可以用下面的命令针对特定的分布绘制Q-Q图qqplot(qt(ppoints(250), df = 5), x, xlab = "Q-Q plot for t dsn")qqline(x)最后，我们可能需要一个比较正规的正态性检验方法。R提供了Shapiro-Wilk 检验>shapiro.test(long)Shapiro-Wilk normality testdata: longW = 0.9793, p-value = 0.01052和Kolmogorov-Smirnov 检验>ks.test(long, "pnorm", mean = mean(long), sd = sqrt(var(long)))One-sample Kolmogorov-Smirnov testdata: longD = 0.0661, p-value = 0.4284alternative hypothesis: two.sided(注意一般的统计分布理论（distribution theory）在这里可能无效，因为我们用同样的样本对正态分布的参数进行估计的。)转载于： http://www.biostatistic.net/thread-2413-1-1.htmlR语言上手还是比较简单的，我们哪怕是一个小白，但是对于R,也不应该害怕呀，让我们一起来看看R的绘图吧，小白没关系，跟着我走，包您看懂！让您对R越来越感兴趣！
哈哈，数据，我们需要数据！在这里我们无需考虑数据来自何处，对于入门，为了增加大家对R的兴趣，我们就使用R内置的数据集，但是一般情况，数据集往往是需要自己去获取的！获取的数据集还需要经过转换，清洗等诸多步骤才可以用于绘图的哦！
特此说明！如果您还没有安装R的环境，但是由于看到本博客对它感兴趣，那么大家可以去我的主页R专栏，里面有详细的教程可以帮助到大家。
怎么样，就一句话，就可以看到如上图形！
