réglage des limites supérieure et inférieure en standard

Je suis la simulation de données à l'aide de rnorm, mais j'ai besoin de fixer une limite supérieure et inférieure, personne ne sait comment faire cela?

code:

rnorm(n = 10, mean = 39.74, sd = 25.09)

Limite supérieure doit être 340, et la limite inférieure 0

Je pose cette question parce que je suis la réécriture d'une SAS-code dans un R-code. Je n'ai jamais utilisé SAS.
Je suis en train de réécrire le morceau de code suivant:

sim_sample(simtot=100000,seed=10004,lbound=0,ubound=340,round_y=0.01,round_m=0.01,round_sd=0.01,n=15,m=39.74,sd=25.11,mk=4)

source d'informationauteur Jolanda Kossakowski

  1. 7

    Comme ça?

    mysamp <- function(n, m, s, lwr, upr, nnorm) {
  samp <- rnorm(nnorm, m, s)
  samp <- samp[samp >= lwr & samp <= upr]
  if (length(samp) >= n) {
    return(sample(samp, n))
  }  
  stop(simpleError("Not enough values to sample from. Try increasing nnorm."))
}

set.seed(42)
mysamp(n=10, m=39.74, s=25.09, lwr=0, upr=340, nnorm=1000)
#[1] 58.90437 38.72318 19.64453 20.24153 39.41130 12.80199 59.88558 30.88578 19.66092 32.46025

    Cependant, le résultat est pas normal distribués et, habituellement, de ne pas avoir la moyenne et de la sd que vous avez spécifié (en particulier si les limites ne sont pas symétrique autour de la moyenne spécifiée).

    Edit:

    En fonction de votre commentaire, il semble que vous voulez traduire cette fonction SAS. Je ne suis pas un utilisateur SAS, mais il doit faire plus ou moins la même:

    mysamp <- function(n, m, s, lwr, upr, rounding) {
  samp <- round(rnorm(n, m, s), rounding)
  samp[samp < lwr] <- lwr
  samp[samp > upr] <- upr
  samp
}

set.seed(8)
mysamp(n=10, m=39.74, s=25.09, lwr=0, upr=340, rounding=3)
#[1] 37.618 60.826 28.111 25.920 58.207 37.033 35.467 12.434  0.000 24.857

    Vous pouvez ensuite utiliser replicate pour exécuter les simulations. Ou si vous voulez plus rapide code:

    sim <- matrix(mysamp(n=10*10, m=39.74, s=25.09, lwr=0, upr=340, rounding=3), 10)
means <- colMeans(sim)
sds <- apply(sim, 2, sd)
  2. 16

    La rtruncnorm() la fonction retourne les résultats dont vous avez besoin.

      library(truncnorm)
  rtruncnorm(n=10, a=0, b=340, mean=39.4, sd=25.09)
  3. 8

    Vous pouvez faire votre propre normale tronquée échantillonneur qui ne vous obligent pas à jeter des observations tout simplement

    rtnorm <- function(n, mean, sd, a = -Inf, b = Inf){
    qnorm(runif(n, pnorm(a, mean, sd), pnorm(b, mean, sd)), mean, sd)
}
  4. 0

    En supposant que vous voulez exactement 10 numéros et de ne pas le sous-ensemble d'entre eux qui est >0, <340 (et la nuit pas une distribution normale):

        aa <- rnorm(n = 10, mean = 39.74, s = 25.09)

    while(any(aa<0 | aa>340)) { aa <- rnorm(n = 10, mean = 39.74, s = 25.09) }
  5. 0

    C'est la fonction que j'ai écrit pour atteindre le même but. Il normalise le résultat de la rnorm la fonction, puis de l'ajuster pour s'adapter à la gamme.

    REMARQUE: L'écart-type et la moyenne (si spécifié) être modifié pendant le processus de normalisation.

    #' Creates a random normal distribution within the specified bounds.
#' 
#' WARNING: This function does not preserve the standard deviation or mean.
#' @param n The number of values to be generated
#' @param mean The mean of the distribution
#' @param sd The standard deviation of the distribution
#' @param lower The lower limit of the distribution
#' @param upper The upper limit of the distribution
rtnorm <- function(n, mean=NA, sd=1, lower=-1, upper=1){
  mean = ifelse(is.na(mean)|| mean < lower || mean > upper,
                mean(c(lower, upper)), mean)
  data <- rnorm(n, mean=m, sd=sd) # data

  if (!is.na(lower) && !is.na(upper)){ # adjust data to specified range
    drange <- range(data)           # data range
    irange <- range(lower, upper)   # input range
    data <- (data - drange[1])/(drange[2] - drange[1]) # normalize data (make it 0 to 1)
    data <- (data * (irange[2] - irange[1]))+irange[1] # adjust to specified range
  }
  return(data)
}