Có rất nhiều, rất nhiều ví dụ. Có quá nhiều thứ để liệt kê, và có lẽ là quá nhiều cho bất cứ ai biết hoàn toàn (ngoài khả năng là @whuber, người không bao giờ nên bị đánh giá thấp).
Như bạn đã đề cập, trong các thí nghiệm được kiểm soát chúng tôi tránh lấy mẫu sai lệch bằng cách phân vùng ngẫu nhiên các đối tượng vào các nhóm điều trị và kiểm soát.
Trong bootstrapping chúng tôi ước tính việc lấy mẫu lặp lại từ dân số bằng cách lấy mẫu ngẫu nhiên với sự thay thế từ một mẫu cố định. Điều này cho phép chúng tôi ước tính phương sai của các ước tính của chúng tôi, trong số những thứ khác.
Trong kiểm chứng chéo chúng tôi ước tính lỗi ngoài mẫu của ước tính bằng cách phân vùng ngẫu nhiên dữ liệu của chúng tôi thành các lát và lắp ráp các bộ kiểm tra và huấn luyện ngẫu nhiên.
Trong thử nghiệm hoán vị chúng tôi sử dụng các hoán vị ngẫu nhiên để lấy mẫu theo giả thuyết null, cho phép thực hiện các thử nghiệm giả thuyết không đối xứng trong nhiều tình huống.
Trong việc đóng gói, chúng tôi kiểm soát phương sai của ước tính bằng cách liên tục thực hiện ước tính trên các mẫu dữ liệu huấn luyện bootstrap và sau đó lấy kết quả trung bình.
Trong các khu rừng ngẫu nhiên, chúng tôi tiếp tục kiểm soát phương sai của ước tính bằng cách lấy mẫu ngẫu nhiên từ các yếu tố dự đoán có sẵn tại mọi điểm quyết định.
Trong mô phỏng, chúng tôi yêu cầu một mô hình phù hợp để tạo ngẫu nhiên các bộ dữ liệu mới mà chúng tôi có thể so sánh với dữ liệu huấn luyện hoặc thử nghiệm, giúp xác thực tính phù hợp và các giả định trong một mô hình.
Trong chuỗi Markov Monte Carlo chúng tôi lấy mẫu từ một bản phân phối bằng cách khám phá không gian của các kết quả có thể xảy ra bằng cách sử dụng chuỗi Markov (cảm ơn @Ben Bolker cho ví dụ này).
Đó chỉ là những ứng dụng phổ biến, hàng ngày xuất hiện trong tâm trí ngay lập tức. Nếu tôi đào sâu, có lẽ tôi có thể tăng gấp đôi chiều dài của danh sách đó. Tính ngẫu nhiên vừa là một đối tượng quan trọng của nghiên cứu, vừa là một công cụ quan trọng để sử dụng.