分割画面显示函数
(c(2，2))
[1] 1 2 3 4
屏幕(1)
Qqnorm(x)
屏幕(2)
Qqplot(1:100、x)
屏幕(3)
曲线(dnorm(x)、xlim=c(-3，3))
屏幕(4)
Curve(pnorm(x)，col='red ')
Curve(qnorm(x)，col='red') #不会自动移动到屏幕(1)。仍然在4处重复显示。
Clo(all=TRUE)
(c (2，1)) # split display into two screens
(c (1，3)，屏幕=2) # now split the bottom half into 3
屏幕(1) # preparescreen 1 for output
Curve (d norm (x)，tck=0.01，las=1，col.axis=' blue 'col=' red ')
分屏显示功能比par()方式的最大优点：前者可以在区域之间绘制图形，如上图所示。在2号分屏上，可以在3、4、5号分屏上画。
绘制QQ图表
虽然有很多绘制曼哈顿地图和QQ地图的方法和软件，但最方便的是R语言的qqman包。
In('qqman ')
库(qqman)
头(CCC)
SNP CHR BP P
1 RS 1072111 157 125299.64 0.02725910
2 rs1072112 8 28284.27 0.05370998
3 rs1072113 21 45825.76 0.02331393
4 RS 1072114 156 124899.96 0.02751106
5 rs1072115 83 91104.34 0.05612848
6 rs1072116 33 57445.63 0.06033141
曼哈顿(ccc)
QQ(x)；QQ(w)；Qq(w/70)
QQ图的方法2:
#如果不使用第三方软件包，最简单的方法是：
Qqnorm (x，col=c ('red '' blue '' green ')，las=1，col.axis=' blue 'tte
Qqline (x，col=' gold 'LWD=3，lty=3)
可视化数据——概率分布的密度图
可视化数据分布的另一种方法是密度图。在概率密度图中，通过绘制适当的连续曲线(核密度曲线)，尝试可视化数据的潜在概率分布。
#概率=概率密度*群距离
Hist(w，freq=FALSE)
Lines (density (w)，col=' blue') # density是内核密度曲线
#频率=概率*样品总数
概率=概率密度*群距离；概率密度=概率/群距离；
在概率密度直方图中，所有bin的样本的平均概率等于框的高度(纵坐标Y值)宽度(横坐标间隔 X)框的样本数(n_samples)，而不是纵坐标Y值。也就是说，此时面积代表概率的总和，而不是代表一个样本概率的纵坐标Y值。
在累积分布直方图中，取到任一bin中的一个样本的平均概率，等于（该箱的高度(纵坐标y值) －左侧箱的高度）/ 该箱中样本个数；即此时纵坐标y值表示概率，但为累计概率。怎样看懂直方图中体现的数据信息？
直方图是从总体中随机抽取样本，将样本数据加以整理，用于了解数据的分布情况，使我们比较容易直接看到数据的位置状况、离散程度和分布形状的一种常用工具。它是用一系列宽度相等、高度不等的长方形来表示数据，其宽度代表组距，高度代表指定组距内的数据数（频数）。
直方图的绘制还是和分组的多少(bin)有关；如果组数过多那么就会有很多条，如果组数过少则可能反映不出数据的正确的分布趋势。因此对于一个直方图的绘制，往往需要不断地去尝试不同的分组。
直方图的形状：
1.常态型：中间高、两边低、有集中边势，显示过程正常。
2. 离岛型：在右端或左端形成小岛。说明一定有异常原因存在，如数据收集方法错误、数据来源不同或新手作业违背操作规程等特殊原因，需迅速追寻原因，采取必要措施。
3. 双峰型：有两个高峰出现。两台不同的机器或两种不同原料间存在差异时，或者作业者不同时也可发生此类直方图。
4. 锯齿型：图形的柱形高低不一，呈现缺齿的形状。这种情况大多因为制作直方图的方法错误（如：数据分组问题、计算组距问题、计算界限问题等）或数据收集方法不正确（如：不同设备数据、不同人收集的数据、不同时段数据造成）产生。
5.偏态形：高处偏向一边,另一边低,拖长尾巴；可分为偏右型、偏左型。这种偏态分布理论上是规格值无法取得某一数值以下所致，在质量特性上并没有问题，但我们需要留意拖长的尾端在技术上是否可接受？
6.高原形：直方图的柱子高低近似，柱子间高度相差甚微，看起来有点像高原一样，则称为高原形；当数据来自几种平均值差异不大的产品，而这些产品有混在一起时，制作出来的直方图往往就是高原形，应层别之后再作直方图比较。
直方图形状与规格的对应关系分析
规格又分为双侧规格（同时有上下限的要求）和单侧规格（只有上限或下限的要求，如时间数据、分值数据等）；直方图与规格比较时又分为符合规格和不符合规格两类：
符合规格：
1.理想型：规格值的平均值与产品的分布平均值重合，而且直方图的下限与上限均在规格值的上下限范围之内，直方图的下限与规格值的下限、直方图的上限与规格值的上限之间的距离为4个标准差左右，这样的直方图时最理想的直方图。
2.一侧无余裕：产品的分布均在规格值范围内，但是偏向上限或者下限分布，造成单侧拥塞，另一边余裕很多。
3.两侧无余裕：产品分布的下限与规格下限重合，分布上界限与规格上限重合，即分布与规格恰好相等。虽没有不良发生，但过程稍有变动，就有不良品发生的风险。
4.余裕太多：也就是过度集中，该类产品分布的范围较小，而规格值的范围太大，也就是说制程的能力远远大于规格的要求。
不符合规格：
1.平均值偏左（或偏右）：也叫单边不良形，表示平均位置有偏差，应考虑过程的能力不足，需寻找系统原因，纠正平均值位置，提高品质水平。
2. 分散度过大：也可称为双边不良形。产品的最大值与最小值均超过规格值, 有不良品发生表示标准太大, 制程能力不足。
3.离岛现象：有“离岛”产品出现，且发生不良现象，说明过程有异常原因存在，应调查离岛的原因，判明离群原因（通常为特异原因）并予以去除。
“复合”直方图的绘制
#先绘制概率密度图及核密度曲线
hist(x,breaks=10,col=rainbow(10),tck=0.01,col.axis='blue',prob=T,main='')
lines(density(x),col='red',lwd=3,lty=3)
#添加“复合”的2号直方图
par(new=T)
hist(x,col=(10),tck=0.01,col.axis='blue',axes=F,ann=F,main='')