rnorm(n, mean=0, sd=1)  #正態(tài)分布
rexp(n, rate=1)  #指數(shù)
rgamma(n, shape, rate=1, scale=1/rate)  #r 分布
rpois(n, lambda)  #泊松
rt(n, df, ncp)  #t 分布
rf(n, df1, df2, ncp)  #f 分布
rchisq(n, df, ncp=0)  #卡方分布
rbinom(n, size, prob)  #二項(xiàng)分布
rweibull(n, shape, scale=1)  #weibull 分布
rbata(n, shape1, shape2)  #bata 分布runif(n,min=0,max=1) #均勻分布

dbinom(x, size, prob, log = FALSE)# 可用于計(jì)算二項(xiàng)分布的概率。
pbinom(q, size, prob, lower.tail = TRUE, log.p = FALSE)#二項(xiàng)分布的分布函數(shù)值
qbinom(p, size, prob, lower.tail = TRUE, log.p = FALSE)#生成二項(xiàng)分布的特定分位數(shù)
rbinom(n, size, prob)#生成二項(xiàng)分布的隨機(jī)數(shù)

#例：產(chǎn)生100個(gè)n為10,20,50，概率p為0.25的二項(xiàng)分布隨機(jī)數(shù)：
  
 par(mfrow=c(1,3))
 p=0.25
 for( n in c(10,20,50)) { 
   x=rbinom(100,n,p)
   hist(x,prob=T,main=paste("n =",n))
   xvals=0:n
   points(xvals,dbinom(xvals,n,p),type="h",lwd=3)
  }
 par(mfrow=c(1,1))

#代碼實(shí)現(xiàn)如下：<br>p1<-0.15
p2<-0.2
p3<-0.3
p4<-0.35
disRand<-function(i){
 u<-runif(1,0,1)
 if(u<p1) x<-4 else
  if(u<p2+p2) x<-2 else
   if(u<p3+p2+p1) x<-1 else
    x<-3
   return(x)
   }

p<-0.6
n<-100
c<-p/(1-p)
i<-0
pp<-(1-p)^n
f<-pp
binomialRandomeV<-function(o){
 u<-runif(1,0,1)
 f<-
 while(u>=f){
  pp<-c*(n-i)*pp/(i+1)
  f<-f+pp
  i<-i+1
 }
 return(i)
}
sapply(c(1:1000),binomialRandomeV)