① java.util.Random的nextInt( )方法会生成一个正整数类型的伪随机数。 这句话怎么错了
自然数类型的随机数。
② 伪随机数的预测（Java 版）
计算机生成的随机数其实并不是真正的随机数，而是伪随机数。Java中的Random类就是一种伪随机数生成器，其生成的数序列虽然看似随机，但实质上是基于种子值进行计算得出，因此是可以预测的。我们可以通过分析Random类的源码，了解其生成随机数的原理。
在Random类的构造函数中，如果没有提供种子值，则会使用系统时间生成一个种子。如果提供了种子值，那么会通过一个名为initialScramble的方法生成下一个种子。这个过程涉及到三个常量：multiplier、mask和addend，它们共同决定了下一个种子的生成方式。一旦种子确定，那么随机数序列也就固定下来，是完全可预测的。
Random类的nextInt()方法是生成整数随机数的核心，它会调用next()方法。在next()方法中，通过计算(oldseed * multiplier + addend) & mask生成下一个种子nextseed，并更新当前种子seed的值。这里，addend是一个常量，nextseed向右有符号位移16位后转为int返回。因此，只要种子确定，后续的随机数生成过程也是可以预测的。
通过了解Random类的生成机制，我们可以预测特定次序的随机数值。但要预测原始种子值，即生成序列的起点，就比较困难了。理论上，如果知道前几次的值，确实可以尝试逆运算推测出种子值，但这需要极高的计算能力，实际上并不容易做到。真正的随机数生成器需要依赖外部随机信息，如物理设备采集的环境数据、用户行为数据等，以实现真正的不可预测性。
真正的随机数生成器虽然可以提供更高质量的随机数，但通常生成速度较慢，实现也更为复杂。在许多需要随机性的应用场景中，伪随机数生成器已经足够使用，但在安全性要求极高的领域，如加密、安全通信等，则需要依赖真正的随机数生成器。总的来说，伪随机数生成器在大部分情况下能满足需求，但其预测性是其一大局限。
③ 随机数 是什么
对于随机数网络的解释是这样的：随机数是专门的随机试验的结果。在统计学的不同技术中需要使用随机数，比如在从统计总体中抽取有代表性的样本的时候，或者在将实验动物分配到不同的试验组的过程中，或者在进行蒙特卡罗模拟法计算的时候等等。
1.电脑中的随机数
电脑中有随机数发生器，但是生成的并不是绝对的随机数而是伪随机数，因为电脑随机数的生成是由算法支持的，所以生成的数字只是算法运算的结果。
2.随机数的应用
在密码学中人么会利用随机数对需要加密的明文进行加密，这样避免了人工密匙的高重复性，以及易破解性。
3.生活中的随机数
真正的随机数是使用物理现象产生的：比如掷钱币、骰子、转轮、使用电子元件的噪音、核裂变等等，这样的随机数发生器叫做物理性随机数发生器，它们的缺点是技术要求比较高。
综上所述：随机数可以通俗的理解为产生的不规律的，我们无法预测的数字。但是绝对的随机数在自然中是不存在的。