如何用R生成均值13、标准差30.96的6个正随机数？

当然有可行方法，下面提供两种实用的实现思路，针对你的需求（样本量6、均值13、标准差30.96、全为正数）：

方法一：拒绝采样法（简单易实现） #

核心逻辑是先生成随机数，调整到目标均值和标准差后，检查是否全为正，若不符合就重新生成，直到得到符合条件的样本。

set.seed(123) # 设置随机种子，确保结果可复现
target_mean <- 13
target_sd <- 30.96
n <- 6

# 定义生成函数
generate_positive_sample <- function(n, target_mean, target_sd) {
  repeat {
    # 初始生成正态分布随机数（也可替换为runif等其他分布）
    x <- rnorm(n)
    # 标准化后调整到目标均值和标准差
    x_scaled <- (x - mean(x)) / sd(x) * target_sd + target_mean
    # 检查是否所有值为正
    if (all(x_scaled > 0)) {
      return(x_scaled)
    }
  }
}

# 生成样本
sample <- generate_positive_sample(n, target_mean, target_sd)

# 验证结果
cat("生成的样本：", round(sample, 2), "\n")
cat("样本均值：", round(mean(sample), 2), "\n")
cat("样本标准差：", round(sd(sample), 2), "\n")

说明 #

• 这里用正态分布作为初始分布，你也可以换成均匀分布（runif(n)）或其他分布，不影响核心逻辑。
• 由于目标标准差（30.96）远大于均值（13），初始生成的样本可能会出现负数，所以用repeat循环进行拒绝采样，直到得到全正的样本。对于样本量6来说，这个过程很快就能完成。

方法二：截断正态分布法（更高效） #

如果想直接从全正的分布中采样，可以使用截断正态分布，先通过优化找到合适的原始分布参数，使得截断后的样本均值和标准差接近目标值。需要用到truncnorm包：

# 安装并加载包（首次使用需安装）
# install.packages("truncnorm")
library(truncnorm)

set.seed(456)
target_mean <- 13
target_sd <- 30.96
n <- 6

# 定义优化目标：找到原始正态分布的mu和sigma，使得截断（>0）后的均值和标准差最接近目标
find_opt_params <- function(params) {
  mu <- params[1]
  sigma <- params[2]
  # 计算截断正态分布的理论均值和标准差
  trunc_mean <- mu + sigma * dnorm(mu/sigma) / (1 - pnorm(-mu/sigma))
  trunc_var <- sigma^2 * (1 - (mu/sigma * dnorm(mu/sigma))/(1 - pnorm(-mu/sigma)) - (dnorm(mu/sigma)/(1 - pnorm(-mu/sigma)))^2)
  trunc_sd <- sqrt(trunc_var)
  # 返回与目标的误差平方和
  (trunc_mean - target_mean)^2 + (trunc_sd - target_sd)^2
}

# 初始参数猜测，调用优化函数求解
initial_guess <- c(13, 30.96)
opt_result <- optim(initial_guess, find_opt_params)
mu_opt <- opt_result$par[1]
sigma_opt <- opt_result$par[2]

# 生成截断正态样本
sample_trunc <- rtruncnorm(n, a = 0, mean = mu_opt, sd = sigma_opt)

# 验证结果
cat("截断正态样本：", round(sample_trunc, 2), "\n")
cat("样本均值：", round(mean(sample_trunc), 2), "\n")
cat("样本标准差：", round(sd(sample_trunc), 2), "\n")

说明 #

• 这种方法不需要循环拒绝，直接从符合要求的截断分布中采样，效率更高。
• 由于样本量较小，生成的样本均值和标准差可能会和目标有微小偏差，这是随机采样的正常现象。

注意事项 #

如果要求严格精确满足均值和标准差（而非样本近似），这种情况很难同时保证全为正。因为当样本量固定时，调整数值满足均值和标准差的约束可能会导致出现负数，这种场景下建议接受微小的偏差，或者根据实际需求放宽约束。

内容的提问来源于stack exchange，提问作者Zihu Guo