使用 RandomVariate 生成不同大小和维数的数组：

向量：

矩阵：

秩为 3 的张量：

生成高精确度的随机变量：

使用 SeedRandom 得到可重复的随机值：

生成一元连续分布的随机变量：

离散一元分布：

连续多元分布：

离散多元分布：

生成数量分布的随机变数：

生成变数数组：

生成随机向量：

生成一元连续分布的随机变量：

生成一元离散分布的随机变量：

生成多元连续分布的随机变量：

生成多元离散分布的随机变量：

生成一元 EmpiricalDistribution 的随机变量：

使用多元经验分布：

使用一元 HistogramDistribution：

多元直方图分布：

使用一元 KernelMixtureDistribution：

使用删失数据与 SurvivalDistribution：

生成 TransformedDistribution 的随机变量：

生成相同随机变量的等价方式：

生成 ProductDistribution 的随机变量：

生成相同随机变量的等价方式：

利用正态分布的分量混合：

指数分布的参数混合：

比较样本方差与分布的方差：

截断正态分布：

删截指数分布：

比较样本峰度与分布峰度：

边缘分布：

利用样本和边缘分布计算概率：

Copula 分布：

比较样本的矩量与 Copula 分布的矩量：

公式分布：

默认对连续分布生成 MachinePrecision 精度的随机数：

使用 WorkingPrecision 选项生成任意精度的数值：

产生一个连续分布的随机数据并比较其直方图和概率密度函数：

产生一个离散分布的随机数据并比较其直方图和概率密度函数：

产生一个二元分布的随机数据并比较其直方图和概率密度函数：

比较连续多元分布的随机数据图：

考虑具有标准正态分量的矢量：

角度将服从均匀分布：

范数将服从瑞利分布：

考虑具有标准正态分量的三维矢量：

在球坐标中的 角度服从均匀分布：

范数将服从 分布：

使用随机变量验证对二项分布的泊松分布：

定义一个截断的三角分布：

产生该分布的随机数：

均值、方差和峰度：

矩：

概率和期望：

模拟随机变量的函数的分布：

比较样本与分布的均值和方差：

从一个正态分布中产生随机数据：

使用这些数据定义非参数分布：

比较这些分布的均值和方差：

估计随机过程的未知切片分布：

切片分布未知：

产生路径的随机样本：

可视化概率密度函数：

测试它是否拟合标准正态分布：

模拟一个公平六面骰子的10次投掷：

模拟一个公平六面骰子的七次投掷：

抛硬币实验包括重复抛一个公平硬币直至正面朝上. 模拟该过程：

一种辐射材料平均每分钟发射3.2个 粒子；显示该分布. 模拟一个典型的10分钟的粒子计数实验：

模拟一个具有值 -1 和 1 的对称随机游走：

产生一个正态分布的随机数据：

使用随机数据估计分布参数：

为一个分量混合分布产生高精度的随机数据：

估计混合概率，假设分量分布已知：

给出一个二元正态样本， 统计量遵循平移的 FisherZDistribution：

为大小为 的二元正态样本产生 统计量的分布：

直观比较 统计量分布和一个平移的 FisherZDistribution：

DistributionFitTest 确认了结果：

假设在一批10个物品中有5个是有缺陷的，现在挑出6个物品检测. 模拟被查出的有缺陷的物品的个数：

在 10 个被生产的电灯泡中，有一个是坏灯泡. 模拟 100 个电灯泡的生产：

找出好灯泡的百分比：

找出每批 100 个灯泡中好灯泡的平均数目：

求随机选出的灯泡是好灯泡的概率：

一次装运的产品以 60 个一批地进行检查，每批当查出第十个产品有缺陷时，这批产品将会被拒收. 如果货品中的百分之二十是有缺陷的，这批货物被拒收的概率是多少？

或者，通过截断分布计算可得同样的结果：

模拟退回一批的产品中没有缺陷的产品数目：

图表说明每批的比例：

找到被拒收的批次中没有缺陷的产品与有缺陷产品的平均比例：

来到服务台的顾客数目符合平均值为0.6的 PoissonDistribution，并且在服务台开门之前就已经在排队的顾客的数目符合平均值为5的 PoissonDistribution. 到没有人在排队为止被服务的顾客数目符合 PoissonConsulDistribution：

绘制概率质量函数：

模拟在30个繁忙期间被服务的顾客数：

一个城市的平均事故数是每天100次. 模拟每天事故数：

在一个五秒的时间间隔内，掉进一个桶里雨滴数的期望值为20. 模拟每个五秒时间间隔内的雨滴数：

假定每日股市的对数回报符合一个稳定的分布，模拟和可视化5年的时期股票价格：

如有需要 RandomVariate 可产生复数：

用蒙特卡罗方法对一个积分数值求值：

用一个由均匀分布的随机节点定义的插值函数做近似：

在节点之间插值：

用插值函数找到积分的值：

与用初始函数得到的值作比较：

对高斯对称矩阵进行抽样：

将 WignerSemicircleDistribution 拟合至特征值：

将特征值的直方图与概率密度函数：

美国女性的身高符合平均值为64英寸、标准差2英寸的正态分布，同时美国男性的身高符合平均值为70英寸、标准差2英寸的正态分布. 如果男性人口对女性人口的比例为1:1，那么整体人口的身高符合如下的双峰分布：

模拟人口 100 的小镇中人的身高的典型分布：

找出一个人至少 73 英寸高的概率：

一个篮球运动员一直罚球直到他投中 4 个为止. 他投中任何一个球的概率是 0.7. 现在模拟这个过程：

找出运动员进球数的期望值：