一、使用圖形對數據初步進行描述。
使用（直方圖，經驗分布圖，與QQ圖）描述數據的分布結構，預判分布。
1.常用直方圖，適用於連續性數據。
hist(x),lines(density(x))
2.經驗分布圖，一般的總體分布。
ecdf(x) #生成x的向量
plot(x, ..., ylab="Fn(x)", verticals = FALSE)#將生成的向量用plot畫圖
二、使用添加理想曲線或者QQ圖判斷是否服從某一分布。
1.添加理想曲線。
如：
w <- (min(x)-2):(max(x)+2)#繪制理想曲線范圍，覆蓋住原自變量范圍
lines(w, dnorm(w, mean(x), sd(x)), col = "red") #添加正態分布dentisy理想曲線
2.QQ圖
qqnorm(y, ylim, main = "Normal Q-Q Plot",
xlab = "Theoretical Quantiles",
ylab = "Sample Quantiles", plot.it = TRUE,
datax = FALSE, ...)
qqline(y, datax = FALSE, ...)
qqplot(x, y, plot.it = TRUE, xlab = deparse(substitute(x)),
ylab = deparse(substitute(y)), ...) #其中x是第一列樣品,y是第二列樣品或者只有此列樣品。
三、實例
例一
數據：
已知15位學生的體重（單位千克）
75.0 64.0 47.4 66.9 62.2 62.2 58.7 66.6 64.0 57.0 69.0 56.9 50.0 72.0 63.5
分析：
1.數據為連續型隨機變量，因此函數為連續型函數，使用直方圖。
w <- c(75.0, 64.0, 47.4, 66.9, 62.2, 62.2, 58.7, 63.5, 66.6, 64.0, 57.0, 69.0, 56.9, 50.0, 72.0)
hist(w, freq = FALSE)
lines(density(w), col = "blue")
2.density圖可看出類似正態分布，因此可以添加正態分布曲線進行觀察，或者畫QQ圖判斷是否服從正態分布。
2.1.可添加正態分布理想曲線進行觀察。
x <- (min(w)-2):(max(w)+2)
lines(x, dnorm(x, mean(w), sd(w)), col = "red")
可觀察到與正態分布曲線有一定區別，直方圖偏右。
2.2.QQ圖判斷是否服從正態分布
qqnorm(w)
qqline(w)
由QQ圖可知樣品的數據基本來自於正態分布。
例二
數據：
某公司接到一次電話的時間間隔，30個數據（單位：分鍾）：
0.8 11.7 2.8 11.9 6.1 1
34.8 3.8 5.2 15.0 10.3 12.3
8.2 0.6 1.7 14.5 8.3 28.9
3.1 7.3 10.2 8.9 0.1 15.5
5.7 0.7 8.3 0.9 40.7 2.9
分析：
1.數據為連續型隨機變量，因此函數為連續型函數，使用直方圖。
x<-c( 0.8,11.7,2.8,11.9 ,6.1 ,1,
34.8 ,3.8,5.2,15.0,10.3,12.3,
8.2 ,0.6 ,1.7 ,14.5 , 8.3, 28.9,
3.1, 7.3 ,10.2 , 8.9 , 0.1 ,15.5,
5.7 ,0.7 , 8.3 , 0.9 ,40.7 , 2.9)
hist(x，freq=F)
lines(density(x),col="blue")
猜測為指數分布，再調節density曲線的adjust=2，兩倍默認帶寬，使曲線更加平滑。
hist(x,freq=F)
lines(density(x,adjust=2),col="blue")
2.density圖可看出類似指數分布，因此可以添加指數分布曲線進行觀察，或者畫QQ圖判斷是否服從正態分布。
2.1.可添加指數分布理想曲線進行觀察。
指數分布的λ的參數估計值為1/x拔。於是
λ <- 1/(mean(x))
t<- min(x):(max(x)+2)
lines(t,dexp(t,λ),col="red")
可知數據大致服從指數分布，但是不太理想。
2.2.QQ圖判斷是否服從指數分布
p <- ppoints(100) # 生成100個等距結點
q <- quantile(x,p=p) #生成樣本分布的分位數
plot(qexp(p),q, main="Exponential Q-Q Plot", xlab="Theoretical Quantiles",ylab="Sample Quantiles")
qqline(q, distribution=qexp,col="red", lty=2)
可以看出，前面大部分數據偏離直線不遠，后面少部分數據偏離較遠，數據大致服從指數分布。