如果需要在[ N ， M ]范围内生成randoms，但有更多数字靠近 avg （ N ＆lt; = avg ＆lt; = M ），最好使用：
查看cppreference页面（页面底部）的示例，它们都会生成所需内容：
点poisson_distribution 4：
0 *
1 *******
2 **************
3 *******************
4 *******************
5 ***************
6 **********
7 *****
8 **
9 *
10
11
12
13
normal_distribution点5，标准差2：
-2
-1
0
1 *
2 ***
3 ******
4 ********
5 **********
6 ********
7 *****
8 ***
9 *
10
11
12
选择什么？可能是别的什么？
答案 0 :(得分：3)
如果您需要有限范围内的结果，那么这两种选择都不是很好。正态分布在两端都有无限的尾部，泊松分布具有无限的上尾。至少你需要一个截断形式的其中一个。如果你没有截断，请注意法线的平均值始终是对称的，而泊松可能非常偏斜。这两个分布的不同之处在于法线是连续的，泊松是离散的，尽管你可以通过对结果进行分组来离散连续分布。
如果你想在有界范围内得到一组离散的结果，你可以尝试缩放并移动binomial distribution。参数n和p的二项式计算了多少＆＃34;成功＆＃34;当试验是独立的并且所有试验都以概率n成功时，你就会退出p试验。设为n = M - N并将结果移动N以获得[N，M]范围内的结果。
如果您想要一系列连续的结果，请考虑beta distribution。您可以捏造参数以获得各种各样的分布形状，并在平均值上拨打您想要的位置，并将其缩放+移动到您想要的任何范围。
答案 1 :(得分：2)
您可以将两个发行版集中在一个适合您需求的点上。
但是如果M很小，则泊松分布具有“胖尾”，即，与正态分布相比，获得高于M的数字的概率更高。
在正常情况下，您可以通过方差参数控制此机会（它可以根据您的需要调整）。
另一个相当明显的区别是Poisson会onli给你正整数，而正态分布会给[N,M]范围内的任何数字。
另外，当[N,M]足够大时，泊松会收敛到正态分布。因此，即使Poisson是正确的模型，正态近似也不会那么不准确。
考虑到这一点，如果数字不模拟计数过程，我会选择正常。
答案 2 :(得分：1)
如果你需要在范围内的分布（不是像普通或泊松那样的无限或半无限的分布），但是具有明确的最大值，你可以尝试具有几个自由度的Irwin-Hall。说IH（16）的最小值为0，最大值为16，峰值为8，见http://en.wikipedia.org/wiki/Irwin%E2%80%93Hall_distribution
非常容易取样，易于扩展，您可以使用myTG = function(data.frame, cols = c("Name 1", "Name 2")) {
tableGrob(data.frame, cols = cols, show.rownames = FALSE, h.even.alpha = 0)
}
来获得更高或更窄的峰值
答案 3 :(得分：-2)
我更喜欢正态分布，因为它更接近现实生活中的问题，而泊松分布仅用于特殊情况。选择N.D可以使您的问题更加通用。