axis(side=2, at=seq(0,8,1)) box(bty = "l") text(h$mids,h$counts/4,labels=h$counts, adj=c(0.5, -0.5)) # 发动机 B 环境温度的直方图 h<-hist(temp_B, breaks=seq(4.99, 32.99, 2.5), border="black", col="lightblue1", axes=F, main="", ylab="Number", xlab = expression(paste('Ambient temperature in ',~degree,'C',sep=''))) axis(side=1, at=seq(5,32.5,2.5)) axis(side=2, at=seq(0,12,1)) box(bty = "l") text(h$mids,h$counts/4,labels=h$counts, adj=c(0.5, -0.5)) # 发动机 A 和 B 环境温度的叠加直方图 h<-hist(temp_A, breaks=seq(4.99, 32.99, 2.5), col=t_deepskyblue, axes=F, main="", ylab="Number", xlab = expression(paste('Ambient temperature in', ~degree,'C',sep='')), border="black") axis(side=1, at=seq(5,32.5,2.5)) axis(side=2, at=seq(0,8,1)) box(bty = "l") hist(temp_B, breaks=seq(4.99, 32.99, 2.5),add=T, border="black", col=t_lightblue1) legend(5, 8, c('A','B'), fill = c(t_deepskyblue, t_lightblue1))

另一种绘制直方图的方法是使用 ggplot2，该工具在配套教材《Advanced Modern Engineering Mathematics》中有介绍。

介于上述两种情况之间的是一种差异确实存在但不明显的情况。正是在处理这类（相当常见的）情况时，统计学这一强大的数学学科显得尤为重要。任何数据分析都无法确定地解决总体之间是否存在差异的问题，但可以评估支持存在差异的证据的强度，这在需要做出决策时可能是非常宝贵的。

13.2.5 定量数据的其他绘图类型

直方图是最常见的数据绘图类型，但还有许多其他类型。例如，当数据被分组为区间时，不可避免地会损失一些信息。这可以通过使用茎叶图来避免，它与直方图类似，不同之处在于保留了各个数值。其思路是让样本值的前导数字构成茎（每个区间一个），其余数字作为叶进入条形中。条形的长度就是具有该茎的样本值的个数。图 13.9 给出了发动机 A 和 B（图 13.4）运行时间数据的茎叶图。茎中的 * 表示叶数字所在的位置。这些图与图 13.7 中直方图的相似性是显而易见的。茎叶图可以使用图 13.10 中的代码生成。