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：
