一、理解正态分布概念

正态分布（Normal Distribution）又称高斯分布（Gaussian Distribution），是具有重要意义的连续概率分布，因其呈钟形曲线而得名。在实际应用中，正态分布广泛用于自然和社会科学领域的随机变量的研究中，如身高、体重、浓度、成绩等。

正态分布的概率密度函数是一个在整个实数轴上关于μ对称的钟形曲线。它的函数表达式为：

dnorm(x, mean = μ, sd = σ)

其中，dnorm 表示求正态分布的概率密度函数的值；x表示随机变量的取值；mean 表示该随机变量的平均值μ；sd表示该随机变量的标准差σ。当μ=0,σ=1时，就是标准正态分布。

二、生成正态分布随机数

R语言中，可以使用 rnorm 函数来生成正态分布随机数。其函数用法如下：

rnorm(n, mean = 0, sd = 1)

其中，n 表示生成随机数的个数；mean 表示生成随机数的平均值；sd 表示生成随机数的标准差。如果不指定 mean 和 sd 的值，则默认生成标准正态分布随机数。

下面的代码演示如何使用 rnorm 函数生成10个标准正态分布的随机数，并在直方图上显示：

set.seed(123)
x <- rnorm(10)
hist(x, main="标准正态分布的直方图", 
     xlab="随机数值", ylab="频数", 
     ylim=c(0, 5), col="gray")

三、控制随机数的范围和分布

有时候，我们需要控制生成的随机数在一定的范围内，这时候可以使用 scale 和 shift 参数来调整生成的随机数的分布。具体来说，我们可以使用以下公式：

x <- rnorm(n, mean = μ, sd = σ) * scale + shift

其中，scale 表示随机数的比例因子；shift 表示随机数的平移因子。如果需要使生成的随机数在一个固定的区间内，还可以使用以下代码来控制：

x <- pmax(pmin(x, upper), lower)

其中，lower 和 upper 分别表示随机数的下限和上限。

四、应用实例

下面的代码演示如何使用 rnorm 函数生成100个平均数为5，标准差为2的正态分布随机数，并绘制出它们的概率密度曲线和直方图：

set.seed(123)
x <- rnorm(100, mean = 5, sd = 2)
plot(density(x), main="正态分布的概率密度曲线", 
     xlab="随机数值", ylab="概率密度", 
     xlim=c(0, 10), col="red")
hist(x, main="正态分布的直方图", 
     xlab="随机数值", ylab="频数", 
     ylim=c(0, 35), col="gray")

该实例生成的随机数分布在5左右，并呈现出较为平滑的概率密度曲线和钟形的直方图，符合正态分布特征。

五、结语

R语言中提供了多种方法来生成正态分布随机数，通过上述代码的介绍，我们可以灵活地应用这些函数来满足实际需求。在实际应用中，需要注意控制随机数的范围和分布，以保证生成的数据符合实际需求。