对于蒙特卡罗模拟，或任何其他严重依赖于生成的伪随机数的质量（即在某个域上的均匀/期望分布）的数值方法，为什么不是均匀分布和完美/准确分布与伪随机数相对的数字（不是伪随机数）？
我问这个的原因是因为我认为采样大量伪随机数据而不是非随机数据的主要目的是加快采样该数据的程序所花费的时间，就像如何抛出画布/墙上的一堆彩弹比用画笔仔细绘画更容易和更快地覆盖画布/墙。然而，我见过的许多伪随机数生成器算法看起来比仅使用非伪随机、完美分布的数据更复杂、更耗时。
显然我对这个话题有误解。有人可以帮助解决这个问题吗？
与非随机数据相比，对大量伪随机数据进行采样的主要目的与多项式插值的龙格现象有关：插值点的均匀间距通常不是一个好主意。但是选择更好的插值点需要了解您想要插值（或积分等）的函数。如果您没有这些知识，或者由于函数的高维性而无法计算点，那么您最好的选择（字面意思）是随机绘制点。您可能不会经常达到“好”点，但至少您不会系统地错过所有这些点。
（在你的例子中：如果你不知道墙壁在哪里，随机扔刷子意味着你可能会（！）比你从一个角落开始并有条不紊地工作更早地击中它们。记住，你不'不必把所有的墙都盖住，只要能看到形状就行了。）
当然，如果你的点真的是随机的，它可能以正（尽管很小）的概率发生，即有很大一部分空间没有任何点降落（或者你从未碰到过的墙，因为你所有的刷子都是偶然进入的另一个方向）。这就是准蒙特卡洛方法的要点：这些点仍然是随机的（这意味着没有可能的不良结构），但可以保证大规模的均匀覆盖。