据统计，随机数不表现出可预测的模式和规律。统计学随机数序列是用来模拟复杂的数学和物理系统。

随机数生成器可以用来从均匀分布近似的随机整数。当由机器产生的，这些数字是伪随机的，这意味着它们是确定性的，并且可以以相同的顺序被复制。这允许重新创建实验或模拟与可重复的结果，典型地通过指定算法以及起始种子的能力。

许多类型的Monte Carlo模拟的需要近似其它参数或非参数分布序列。一些常见的概率分布包括：

• 普通（或高斯）分布
• Weibull分布：用于可靠性和生存性分析
• 广义极值（GEV）分布：应用于金融风险和保险建模
• 物流配送：用于在logistic回归分类响应变量模型
• 内核分配：使用模型时的数据生成过程是未知
• 连接函数（多变量分布）：用于变量之间的男女关系结构

当共用随机生成方法是不足的，诸如在贝叶斯数据分析，使用大都市赫斯廷斯然后马尔可夫链蒙特卡洛（MCMC）模拟和切片采样算法是用于产生后验分布的首选。

准随机数可以从产生均匀的空间填充号码solbol或哈尔顿序列来生成。这些是蒙特卡洛模拟和实验设计，其中空间的填充性比统计随机性更理想的是有用的。

欲了解更多信息，请参阅统计和机器学习工具箱™。