RandomVariateを使って種々のサイズと次元の配列を生成する：

ベクトル：

行列：

階数3のテンソル：

高精度の確率変量を生成する：

SeedRandomを使って反復可能な乱数値を得る：

一変量連続分布の確率変量を生成する：

一変量離散分布：

多変量連続分布：

多変量離散分布：

数量分布についての確率変量を生成する：

変量の配列を生成する：

ランダムベクトルを生成する：

一変量連続分布の確率変量を生成する：

一変量離散分布の確率変量を生成する：

多変量連続分布の確率変量を生成する：

多変量離散分布の確率変量を生成する：

一変量EmpiricalDistributionの確率変量を生成する：

多変量経験分布を使う：

一変量HistogramDistributionを使う：

多変量ヒストグラム分布：

一変量KernelMixtureDistributionを使う：

打切りデータをSurvivalDistributionで使う：

TransformedDistributionの確率変量を生成する：

同じ確率変量を生成する同等の方法：

ProductDistributionの確率変量を生成する：

同じ確率変量を生成する同等の方法：

正規分布の成分混合を使う：

指数分布の母数混合：

サンプルの分散を分布の分散と比較する：

切断正規分布：

打切り指数分布：

サンプルの尖度を分布の尖度と比較する：

周辺分布：

サンプルと周辺分布を使って確率を計算する：

コピュラ分布：

サンプルのモーメントの値をコピュラ分布のモーメントの値と比較する：

定式化されている分布：

デフォルトで，連続分布には機械精度(MachinePrecision)の乱数が生成される：

WorkingPrecisionオプションを使って任意精度の数を生成する：

連続分布に従うランダムなデータを生成し，そのヒストグラムを確率密度関数と比較する：

離散分布に従うランダムなデータを生成し，そのヒストグラムを確率密度関数と比較する：

二変量分布に従うランダムなデータを生成し，そのヒストグラムを確率密度関数と比較する：

多変量連続分布に従うランダムなデータのプロットを比較する：

標準正規分布に従う成分を持つベクトルについて考える：

角度は一様分布に従う：

ノルムはレイリー(Rayleigh)分布に従う：

標準正規分布に従う成分を持つ三次元ベクトルについて考える：

球面座標における 角は一様分布に従う：

ノルムは 分布に従う：

確率変量を使って二項分布のポアソン(Poisson)近似を証明する：

切断三角分布を定義する：

この分布から乱数を生成する：

平均，分散，尖度：

モーメント：

確率と期待値：

確率変数の関数の分布のシミュレーションを行う：

サンプルの平均と分散を分布のそれと比較する：

正規分布からランダムなデータを生成する：

このデータを使ってノンパラメトリック分布を定義する：

これらの分布の平均と分散を比較する：

ランダム過程の未知のスライス分布を推定する：

スライス分布は未知である：

経路のランダムなサンプルを生成する：

その確率密度関数を可視化する：

これが標準正規分布にフィットするかどうかの検定を行う：

公正な六面のサイコロを10回投げるシミュレーションを行う：

公正な六面のサイコロのペアを7回投げるシミュレーションを行う：

コイントスの実験では表が出るまで公正なコインを投げ続ける．この過程のシミュレーションを行う：

1秒間に平均3.2個の 粒子を放出する放射性物質がある．その分布を示す．10分間の典型的な放出粒子数のシミュレーションを行う：

値-1と1で対称ランダムウォークのシミュレーションを行う：

正規分布に従うランダムなデータを生成する：

このランダムなデータを使って分布母数を推定する：

成分混合分布の高精度ランダムデータを生成する：

成分分布が既知であると仮定して混合確率を推定する：

二変量正規分布に従うサンプルの場合， 統計はシフトされたFisherZDistributionに従う：

二変量正規分布に従う サイズのサンプルの 統計分布を生成する：

統計分布とシフトされたFisherZDistributionを視覚的に比較する：

DistributionFitTestで結果を確かめる：

10個組の製品の中に5個の欠陥品が混ざっており，6個が検査のために抜き出されるとする．見付かる欠陥品の数のシミュレーションを行う：

製造される10個の電球のうちの1つが欠陥品だとする．100個の電球の製造についてのシミュレーションを行う：

欠陥のない電球の割合を百分率で求める：

100個製造したうちで欠陥のない製品数の平均を求める：

無作為に抽出した電球に欠陥がない確率を求める：

出荷する製品に対し，60個一組として検査が行われる．どの組も，10個目の欠陥品が見付かった段階で出荷停止となる．製品の20パーセントが欠陥品だった場合，各組が出荷停止になる確率を求める：

分布を切断して同じ結果を計算することもできる：

出荷停止になった組中の欠陥のない製品の数のシミュレーションを行う：

各組の割合を図示する：

出荷停止になった組の中の，欠陥品とそうではないものの割合の平均を求める：

顧客カウンターを訪れる顧客数は平均0.6人でPoissonDistributionに従い，顧客カウンターが開く前に列に並んでいる顧客数は平均5人でPoissonDistributionに従う．列に並んでいる人がいなくなるまでに応対を受ける顧客数はPoissonConsulDistributionに従う：

確率質量関数をプロットする：

30の繁忙期に応対を受ける顧客数のシミュレーションを行う：

都市部での交通事故の平均数は1日につき100件である．1日あたりの事故数のシミュレーションを行う：

5秒間にバケツに落ちる雨滴数の期待値は20粒である．5秒ごとの雨滴数のシミュレーションを行う：

株式市場の日ごとの対数収益率は安定分布に従うと仮定して，5年間の株価のシミュレーションを行い，可視化する：

RandomVariateは，必要であれば，複素数を生成することができる：

モンテカルロスキームを使って積分を数値的に評価する：

一様分布に従うランダムなノードによって定義された補間関数で近似する：

ノード間を補間する：

補間関数を使って積分の値を求める：

もとの関数を使って得られた値と比較する：

ガウスの対称行列のサンプルを取る：

WignerSemicircleDistributionを固有値にフィットする：

固有値のヒストグラムを確率密度関数と比較する：

米国における女性の身長は，平均64インチ，標準偏差2インチで正規分布に従い，男性の身長は平均70インチ，標準偏差2インチで正規分布に従う．男性と女性の人口比が1対1であるなら，人口全体の身長は二峰分布に従う：

人口100人の町の典型的な身長分布のシミュレーションを行う：

ある人が少なくとも73インチである確率を求める：

あるバスケットボールの選手が4回目が入るまでフリースローを行う．この選手がスコアを入れる確率は，いずれのシュートでも0.7である．この過程のシミュレーションを行う：

この選手がシュートすると期待されるショット数を求める：