Javascript Math.random（）*50+Math.random（）*20的分布与Math.random（）*70的分布相比如何？

如何分配：

var randomNumber = Math.random()*50 + Math.random()*20;

与之相比：

var randomNumber = Math.random()*70;

---

您可以通过计算一百万个随机值，并检查总和r70s是否等于单个随机值r70，来执行蛮力方法

正如你所看到的，分布是不均匀的

函数countValuekey，value{ 值=Math.floorvalue； 计数[键][值]=计数[键][值]| | 0+1； } var i， r20，r50，r70， 计数={r20:[]，r50:[]，r70:[]，r70s:[]}； 对于i=0；i<1e6；i++{ r20=Math.random*20； r50=数学随机*50； r70=数学随机*70； countValue'r20'，r20； countValue'r50'，r50； countValue'r70'，r70； countValue'r70s'，r20+r50； } console.logcount；

---

.作为控制台包装器{max height:100%！important；top:0；}您可以通过计算一百万个随机值并检查总和r70s是否等于单个随机值r70来执行蛮力方法

正如你所看到的，分布是不均匀的

函数countValuekey，value{ 值=Math.floorvalue； 计数[键][值]=计数[键][值]| | 0+1； } var i， r20，r50，r70， 计数={r20:[]，r50:[]，r70:[]，r70s:[]}； 对于i=0；i<1e6；i++{ r20=Math.random*20； r50=数学随机*50； r70=数学随机*70； countValue'r20'，r20； countValue'r50'，r50； countValue'r70'，r70； countValue'r70s'，r20+r50； } console.logcount；

---

.作为控制台包装器{max height:100%！important；top:0；}第一个将不会产生具有更多接近70/2的值的平坦分布，而第二个将产生均匀分布

找到答案的简单方法就是对值进行采样并绘制它们的图形

慢慢地采样只是为了好玩。 const ctx=canvas.getContext2d； 常数a1=新浮点数64阵列70； 常数a2=新浮点数64阵列70； var合计=0； 函数doSamplessamples{ forvar i=0；i<样本；i++{ var n1=Math.random*50+Math.random*20； var n2=数学随机*70； a1[n1 | 0]+=1； a2[n2 | 0]+=1； } var max=0； 因为i=0；i<70；i++{ max=Math.max，a1[i]，a2[i]； } ctx.clearRect0,0，canvas.width，canvas.height； 因为i=0；i<70；i++{ var l1=a1[i]/max*canvas.height； var l2=a2[i]/max*canvas.height； ctx.fillStyle=蓝色； ctx.fillRecti*8，canvas.height-l1,4，l1 ctx.fillStyle=橙色； ctx.fillRecti*8+4，canvas.height-l2,4，l2 } 总数+=样本； count.textContent=总计； } 函数doit{ doSamples500； setTimeoutdoit，100； } 多伊特； 画布{边框：2px纯黑；} 橙色是随机的*70 蓝色为随机*50+随机*20 图形已归一化。

---

样本。第一种方法不会产生更接近70/2的平坦分布，而第二种方法会产生均匀分布

找到答案的简单方法就是对值进行采样并绘制它们的图形

慢慢地采样只是为了好玩。 const ctx=canvas.getContext2d； 常数a1=新浮点数64阵列70； 常数a2=新浮点数64阵列70； var合计=0； 函数doSamplessamples{ forvar i=0；i<样本；i++{ var n1=Math.random*50+Math.random*20； var n2=数学随机*70； a1[n1 | 0]+=1； a2[n2 | 0]+=1； } var max=0； 因为i=0；i<70；i++{ max=Math.max，a1[i]，a2[i]； } ctx.clearRect0,0，canvas.width，canvas.height； 因为i=0；i<70；i++{ var l1=a1[i]/max*canvas.height； var l2=a2[i]/max*canvas.height； ctx.fillStyle=蓝色； ctx.fillRecti*8，canvas.height-l1,4，l1 ctx.fillStyle=橙色； ctx.fillRecti*8+4，canvas.height-l2,4，l2 } 总数+=样本； count.textContent=总计； } 函数doit{ doSamples500； setTimeoutdoit，100； } 多伊特； 画布{边框：2px纯黑；} 橙色是随机的*70 蓝色为随机*50+随机*20 图形已归一化。

---

样本。随机变量和的密度函数是和的密度函数的卷积

在这种情况下，两个求和函数的密度是一致的，因此它们的卷积是三角形的分段线性函数。一般来说，对于n个均匀变量的和，和的密度是n-1次的分段多项式

---

该和的期望值等于期望值之和，即50/2和20/2，这等于70/2，这是Math.random*70的期望值。因此，期望值相同，但分布不同。

随机变量和的密度函数是和的密度函数的卷积

在这种情况下，两个求和函数的密度是一致的，因此它们的卷积是三角形的分段线性函数。一般来说，对于n个均匀变量的和，和的密度是n次的分段多项式- 一,

---

该和的期望值等于期望值之和，即50/2和20/2，这等于70/2，这是Math.random*70的期望值。因此，期望值是相同的，但分布不同。

我想你会在stat.stackexchange.com中得到更好的答案，因为它只取决于数学属性，而不取决于任何特定的语言。试着问一下线性均匀分布*A+线性均匀分布*B=线性均匀分布*A+BEqual。a*b+c=Adam之后的ab+acRiese@Jonasw那是不对的。随机变量之和的分布是其密度函数的卷积，因此通常是不同的。适用于这种情况。两个分布的总和将更接近标准分布。我想你会在stat.stackexchange.com中得到更好的答案，因为它只取决于数学属性，而不取决于任何特定的语言。试着问一下线性均匀分布*A+线性均匀分布*B=线性均匀分布*A+BEqual。a*b+c=Adam之后的ab+acRiese@Jonasw那是不对的。随机变量之和的分布是其密度函数的卷积，因此通常是不同的。适用于这种情况。两个分布之和将更接近标准分布。