先说第一种,最早应该是从maps包开始的,这个包里没记错的话应该用map函数为主,
>map("world", fill = TRUE, col = rainbow(200),ylim = c(-90, 90), mar = c(0, 2, 0, 0))
>title("worldmap")
这种用法大家应该很熟了,比较可惜的是里面的数据是在是太少了,连张中国地图都画不了,好在后来有了mapdata等一系列的包,CRAN上maps包后面那一串全是。
具体的内容看一下文档就ok啦,可是问题又来了,R包里的数据总是不够用的,而且还不新,这个时候就可以考虑sp包了,包里的spplot函数可以用来画地图
在这里给你举一个实例,下面我要作出数据a的三个分布图:a<-rnorm(100)
#卡方分布图
b<-dchisq(a,1) #变换为卡方分布
hist(b)
#t分布图
c<-dt(a,1,0)#变换为t分布
hist(c)
#F分布图
d<-df(a,1,1,0)#变换为f分布
hist(f)
一般情况下,随机变量有连续型随机变量和连续型随机变量,因此对应分布的概率函数也分为两种,即分布律(离散型的随机变量分布)和密度函数(连续型的随机变量的分布)。常用的随机变量分布的概率函数有以下几种:
二项分布:binom(n,p) ,它是一种离散型分布。
伯努利实验独立重复n次,其中实验成功的概率为p,则实验成功的次数服从一个参数为(n,p)的二项分布。期望为:np,方差为:np(1-p)
假设,一个二项分布的n=30,p=0.35,画出该二项分布的分布律图,如下:
泊松分布:pois( ),它是一种离散型分布
单位时间,单位面积,单位长度,单位体积中发生某一件事的次数常常可以用泊松分布(possion)来刻画;泊松分布的期望为 ,方差为: 。
假设,一个地区在6个月内发生的交通次数为n,这该分布就可以说是服从泊松分布;画出该分布律图,如下:
几何分布:geom(p),它是一种离散型分布
伯努利实验独立重复的进行,直到出现成功的情况时,停止式样;则实验失败的次数就服从一个参数为p的几何分布。几何分布的期望为:(1-p)/p,方差为:(1-p)/p^2
假如:我们有一副扑克牌共52张,我们有放回的取牌,其中,取到2的概率为p=1/26,则直到取到2停止取牌;取牌的次数服从一个几何分布,我们用R画出其分布函数图,如下:
超几何分布:hyper(N,M,n),是一种离散分布;
从装有N个白球和M各黑球的罐子里不放回的取出K(k<=N+M)个球,其中取出的白球数服从超几何分布。
假设,一个一个书架上有60本书,其中有历史书45本,数学书15本,我们从中随机拿出10本书,则取到的是历史书的本数就服从一个超几何分布;我们画出它的超几何的图,如下:
负二项分布:nbinom(k,p),负二项分布是一个离散型分布;
贝努力实验独立重复的进行,一直到出现K次成功的结果时停止实验,则实验失败的次数就服从一个参数为(k,p)的负二项分布;
假如:掷一枚硬币,每次出现正面的概率P=0.5,假如投掷n=10次,直到出现K次正面的情况时,停止投掷;则出现反面的次数就服从一个负二项分布;画出该分布律图,如下: