我希望创建总和为1的3个（非负）准随机数，并反复重复。
基本上我试图在许多试验中将某些东西分成三个随机部分。
虽然我知道
a = runif(3,0,1)
我想我可以在下一个1-a中使用runif作为最大值，但它看起来很混乱。
但这些当然不能归结为一个。有任何想法，哦明智的stackoverflow-ers？
只是从（0,1）随机2位数，如果假设它的a和b，你得到：
rand1 = min(a, b)
rand2 = abs(a - b)
rand3 = 1 - max(a, b)
这个问题涉及比最初可能显而易见的更微妙的问题。查看以下内容后，您可能需要仔细考虑使用这些数字表示的过程：
## My initial idea (and commenter Anders Gustafsson's):
## Sample 3 random numbers from [0,1], sum them, and normalize
jobFun <- function(n) {
m <- matrix(runif(3*n,0,1), ncol=3)
m<- sweep(m, 1, rowSums(m), FUN="/")
m
}
## Andrie's solution. Sample 1 number from [0,1], then break upper
## interval in two. (aka "Broken stick" distribution).
andFun <- function(n){
x1 <- runif(n)
x2 <- runif(n)*(1-x1)
matrix(c(x1, x2, 1-(x1+x2)), ncol=3)
}
## ddzialak's solution (vectorized by me)
ddzFun <- function(n) {
a <- runif(n, 0, 1)
b <- runif(n, 0, 1)
rand1 = pmin(a, b)
rand2 = abs(a - b)
rand3 = 1 - pmax(a, b)
cbind(rand1, rand2, rand3)
}
## Simulate 10k triplets using each of the functions above
JOB <- jobFun(10000)
AND <- andFun(10000)
DDZ <- ddzFun(10000)
## Plot the distributions of values
par(mfcol=c(2,2))
hist(JOB, main="JOB")
hist(AND, main="AND")
hist(DDZ, main="DDZ")
当你想要随机生成加1（或其他值）的数字时，你应该看看Dirichlet Distribution。
在rdirichlet包中有一个gtools函数，并且运行RSiteSearch('Dirichlet')会带来很多点击，很容易让你找到这样的工具（对于简单的Dirichlet发行版也不难用手编码）。
我想这取决于你想要的数字分布，但这是一种方式：
diff(c(0, sort(runif(2)), 1))
使用replicate可以获得任意数量的集合：
> x <- replicate(5, diff(c(0, sort(runif(2)), 1)))
> x
[,1] [,2] [,3] [,4] [,5]
[1,] 0.66855903 0.01338052 0.3722026 0.4299087 0.67537181
[2,] 0.32130979 0.69666871 0.2670380 0.3359640 0.25860581
[3,] 0.01013117 0.28995078 0.3607594 0.2341273 0.06602238
> colSums(x)
[1] 1 1 1 1 1
这个问题和提出的不同解决方案引起了我的兴趣。我对建议的三种基本算法进行了一些测试，并对生成的数字产生了平均值。
choose_one_and_divide_rest
means: [ 0.49999212 0.24982403 0.25018384]
standard deviations: [ 0.28849948 0.22032758 0.22049302]
time needed to fill array of size 1000000 was 26.874945879 seconds
choose_two_points_and_use_intervals
means: [ 0.33301421 0.33392816 0.33305763]
standard deviations: [ 0.23565652 0.23579615 0.23554689]
time needed to fill array of size 1000000 was 28.8600130081 seconds
choose_three_and_normalize
means: [ 0.33334531 0.33336692 0.33328777]
standard deviations: [ 0.17964206 0.17974085 0.17968462]
time needed to fill array of size 1000000 was 27.4301018715 seconds
时间测量将采用一粒盐，因为它们可能更受Python内存管理的影响而不是算法本身。我懒得用timeit做得很好。我在1GHz原子上做到这一点，这就解释了为什么花了这么长时间。
无论如何，choose_one_and_divide_rest是Andrie建议的算法和他/她自己的问题的海报（AND）：你在[0,1]中选择一个值a，然后在[a，1]中选择一个，然后你看看你剩下的是什么。它加起来只有一个但是就此而言，第一个分区是其他两个分区的两倍。人们可能已经猜到了......
choose_two_points_and_use_intervals是ddzialak（DDZ）接受的答案。它在区间[0,1]中需要两个点，并使用这些点创建的三个子区间的大小作为三个数字。像魅力一样工作，手段都是1/3。
choose_three_and_normalize是Anders Gustafsson和Josh O'Brien（JOB）的解决方案。它只是在[0,1]中生成三个数字并将它们归一化为1的总和。在我的Python实现中，同样令人惊讶地工作得更快。方差略低于第二种解决方案。
你有它。不知道这些解决方案对应的beta分布或者我在评论中提到的相应论文中的哪些参数，但也许其他人可以解决这个问题。
我只需从均匀分布中随机选择3个数字，然后除以它们的总和。代码如下。
n <- 3
x <- runif(3, 0, 1)
y <- x/sum(x)
sum(y)== 1
n可以是你喜欢的任何数字。