R语言中生成Bates分布随机变量的最快方法是什么？

方法一：利用统计性质直接生成近似样本（最快） #

当取100万个[1,5]均匀分布的均值时，中心极限定理的近似精度极高，完全可以直接推导参数后用正态分布生成样本，无需每次生成百万级随机数：

• [1,5]均匀分布的均值为 (1+5)/2 = 3，方差为 (5-1)²/12 = 4/3
• 1000000个该变量的均值，均值仍为3，方差为 (4/3)/1e6 = 4/(3e6)，标准差约为 0.0011547

直接生成10000个符合该参数的正态分布样本即可：

set.seed(999)
bates_fast <- rnorm(10000, mean = 3, sd = 2/(sqrt(3)*1000))
summary(bates_fast)

这个方法的速度是原代码的几百上千倍，结果和原方法几乎无差异。

方法二：向量化生成所有样本（精确但内存压力大） #

如果必须精确生成Bates分布（不依赖CLT近似），可以一次性生成所有随机数再按行求均值，避免循环开销：

set.seed(999)
# 生成10000行，每行1e6个[1,5]的均匀数
all_data <- matrix(runif(10000*1e6, 1, 5), nrow = 10000)
bates_exact <- rowMeans(all_data)
summary(bates_exact)

注意：该方法需要约80GB内存（每个double占8字节，1e10*8≈74.5GB），内存不足时无法使用。

方法三：优化循环细节（比原方法快） #

如果内存不够且不想用CLT近似，可优化循环操作：

• 替换randomLHS为更快的runif，直接指定min=1, max=5，省去额外转换步骤
• 提前分配结果向量，避免循环中动态扩容
• 减少不必要的变量赋值

优化后的代码：

set.seed(999)
y <- numeric(10000)
for (i in 1:10000) {
  y[i] <- mean(runif(1e6, 1, 5))
}
summary(y)

内容的提问来源于stack exchange，提问作者bprijadi