Random number generator

Generating a random number

There is a philosophical question about what exactly «random» is, but its defining characteristic is surely unpredictability. We cannot talk about the unpredictability of a single number, since that number is just what it is, but we can talk about the unpredictability of a series of numbers (number sequence). If a sequence of numbers is random, then you should not be able to predict the next number in the sequence while knowing any part of the sequence so far. Examples for this are found in rolling a fair dice, spinning a well-balanced roulette wheel, drawing lottery balls from a sphere, and the classic flip of a coin. No matter how many dice rolls, coin flips, roulette spins or lottery draws you observe, you do not improve your chances of guessing the next number in the sequence. For those interested in physics the classic example of random movement is the Browning motion of gas or fluid particles.

Given the above and knowing that computers are fully deterministic, meaning that their output is completely determined by their input, one might say that we cannot generate a random number with a computer. However, one will only partially be true, since a dice roll or a coin flip is also deterministic, if you know the state of the system.

The randomness in our number generator comes from physical processes — our server gathers environmental noise from device drivers and other sources into an entropy pool, from which random numbers are created .

Sources of randomness

According to Alzhrani & Aljaedi there are four sources of randomness that are used in the seeding of a generator of random numbers, two of which are used in our number picker:

  • Entropy from the disk when the drivers call it — gathering seek time of block layer request events.
  • Interrupt events from USB and other device drivers
  • System values such as MAC addresses, serial numbers and Real Time Clock — used only to initialize the input pool, mostly on embedded systems.
  • Entropy from input hardware — mouse and keyboard actions (not used)

This puts the RNG we use in this random number software in compliance with the recommendations of RFC 4086 on randomness required for security .

Функции для получения целых «случайных» чисел – randint() и randrange()

Функции и генерируют псевдослучайные целые числа. Первая из них наиболее простая и всегда принимает только два аргумента – пределы целочисленного диапазона, из которого выбирается любое число:

>>> random.randint(0, 10)

или (если импортировались отдельные функции):

>>> randint(100, 200)

В случае обе границы включаются в диапазон, т. е. на языке математики отрезок описывается как .

Числа могут быть отрицательными:

>>> random.randint(-100, 10)
>>> random.randint(-100, -10)

Но первое число всегда должно быть меньше или, по-крайней мере, равно второму. То есть a <= b.

Функция сложнее. Она может принимать один аргумент, два или даже три. Если указан только один, то она возвращает случайное число от 0 до указанного аргумента. Причем сам аргумент в диапазон не входит. На языке математики – это [0; a).

>>> random.randrange(10)


>>> randrange(5)

Если в передается два аргумента, то она работает аналогично за одним исключением. Верхняя граница не входит в диапазон, т. е. [a; b).

>>> random.randrange(5, 10)
>>> random.randrange(1, 2)

Здесь результатом второго вызова всегда будет число 1.

Если в передается три аргумента, то первые два – это границы диапазона, как в случае с двумя аргументами, а третий – так называемый шаг. Если, например, функция вызывается как , то «случайное» число будет выбираться из чисел 10, 13, 16, 19:

>>> random.randrange(10, 20, 3)
>>> random.randrange(10, 20, 3)
>>> random.randrange(10, 20, 3)

Official iPhone and Android App

Our official app brings the six most popular RANDOM.ORG randomizers directly on to your iPhone or Android smartphone. We spent a lot of
time getting it just right, so to cover the costs, we have decided
to make some of the randomizers paid, i.e., you need to unlock each for
a small fee – or unlock them all at once and get a solid
discount. Once a randomizer is unlocked, you can use it as much as you

Coin Flipper

The Coin Flipper contains a total of 100 coins from all
over the world, which have been donated by RANDOM.ORG fans
over the years. To flip a coin, simply tap the randomize button. To
see the full coin selection, tap the little settings cog in
the top left corner of the screen. Our favourite coins are
the Ancient Roman ones and the US Challenge Coins. The
history area shows your past coin flips.

Coin Flipper is unlocked when you download the app. You can
use it as much as you like at no cost.

Download for iPhone | Download for Android

Dice Roller

The Dice Roller can roll up to six 6-sided dice in one go.
Tap the number to select how many you want. The history area
shows your past rolls.

Purchase Dice Roller is a paid mode that must be
unlocked for a small fee. Once you’ve unlocked it, you can
use it as much as you like.

Download for iPhone | Download for Android

Card Shuffler

The Card Shuffler lets you shuffle decks of cards and turn
the cards over one at a time. You can choose whether to
include jokers or not in your deck by tapping the settings cog
in the top left corner of the screen.

Purchase Card Shuffler is a paid mode that must be unlocked for a small fee.
Once you’ve unlocked it, you can use it as much
as you like.

Download for iPhone | Download for Android

Lotto Quick Pick

Lotto Quick Pick knows over 150 lotteries from around the
world. No other lottery quick pick (that we know of) uses
atmospheric noise to generate your lottery numbers. To change
your region, tap the little settings cog in the top left
corner. If your lottery isn’t included, you can contact us
and we’ll add it.

Purchase Lotto Quick Pick is a paid mode that must be
unlocked for a small fee. Once you’ve unlocked it, you can
use it as much as you like.

Download for iPhone | Download for Android

Integer Generator

The Integer Generator can generate true random numbers for
any purpose you like. Simply enter your minimum and maximum
values and tap the randomize button.

Purchase Integer Generator is a paid mode that must be
unlocked for a small fee. Once you’ve unlocked it, you can
use it as much as you like.

Download for iPhone | Download for Android

List Randomizer

List Randomizer lets you make your own lists of items and
randomize them when you like. Not sure what to have for
dinner or which film to watch? List Randomizer to the rescue.
Particularly popular with teachers who need to quiz students randomly in class.

Purchase List Randomizer is a paid mode that
must be unlocked for a small fee. Once you’ve unlocked it,
you can use it as much as you like.

Download for iPhone | Download for Android

1998-2021 RANDOM.ORGFollow us: | Terms and ConditionsAbout Us

Ранние подходы к формированию ПСЧ

Джон фон Нейман считал неприемлемым использование физических генераторов случайных чисел в вычислительной технике, так как при возникновении необходимости проверки вычислений повтор предыдущих действий требовал бы воспроизведение случайного числа, в то время как генерация нового случайного числа недопустима. Предварительная запись и хранение сгенерированных случайных чисел предполагало бы возможность их считывания. Механизм считывания данных являлся одним из самых слабых звеньев вычислительных машин 1940-х годов. Джон фон Нейман привёл следующий метод «середины квадрата» (англ. middle-square method) получения десятизначных псевдослучайных чисел:

Десятизначное число возводится в квадрат, затем из середины квадрата числа берётся десятизначное число, которое снова возводится в квадрат, и так далее.

Например, для 4-значных чисел, начиная с 1234, получаем 12342=1522756{\displaystyle 1234^{2}=1522756}, где берём средние 4 цифры 015227¯56{\displaystyle 01{\overline {5227}}56} (дописав ноль в начале, если это необходимо). Затем возводим полученное число в квадрат 52272=273215¯29{\displaystyle 5227^{2}=27{\overline {3215}}29}, и так далее. Недостатком данного метода является ограниченность множества ПСЧ из-за того, что последовательность зацикливается — 50002=250000¯00,2=,…{\displaystyle 5000^{2}=25{\overline {0000}}00,0^{2}=0,\dots }.

В 1951 году Д. Г. Лемер предложил линейный конгруэнтный метод, суть которого заключается в задании последовательности целых чисел рекурсивной формулой Xn+1=(aXn+c) mod m,{\displaystyle X_{n+1}=(aX_{n}+c)~{\bmod {~}}m,} где a, m, c{\displaystyle a,\ m,\ c} — целые и удовлетворяют следующим условиям: <m,  <a<m,  <c<m,  X<m{\displaystyle 0<m,\ \ 0<a<m,\ \ 0<c<m,\ \ X_{0}<m}. Недостатком данного метода является зависимость Xn, n>{\displaystyle X_{n},\ n>0} от X{\displaystyle X_{0}}, так как Xn=(anX+c(an−1)(a−1)) mod m{\displaystyle X_{n}=\left(a^{n}X_{0}+{\frac {c(a^{n}-1)}{(a-1)}}\right)~{\bmod {~}}m}, а также то, что ПСЧ зацикливается.

Where are random numbers useful?

You might be organizing a charity lottery, a giveaway, a sweepstakes, etc. and you need to draw a winner — this generator is for you! It is completely unbiased and outside of your control, so you can assure your crowd of the fairness of the draw, which might not be true if you are using standard methods like rolling a dice. If you need to choose several among the participants instead, just select the number of unique numbers you want generated by our random number picker and you are all set. However, it is usually best to draw the winners one after another, to keep the tension for longer (discarding repeat draws as you go).

A random number generator is also useful if you need to decide who goes first in some game or activity, such as board games, sport games and sports competitions. The same is true if you need to decide the participation order for multiple players / participants.

Nowadays, a number of government-run and private lotteries and lottery games are using software RNGs instead of more traditional drawing methods. RNGs are also used to determine the outcomes of all modern slot machines.

Finally, random numbers are also useful in statistics and simulations, where they might be generated from distributions different than the uniform, e.g. a normal distribution, a binomial distribution, a power distribution, pareto distribution… For such use-cases a more sophisticated software is required.

Игра в кости с использованием модуля random в Python

Далее представлен код простой игры в кости, которая поможет понять принцип работы функций модуля random. В игре два участника и два кубика.

  • Участники по очереди бросают кубики, предварительно встряхнув их;
  • Алгоритм высчитывает сумму значений кубиков каждого участника и добавляет полученный результат на доску с результатами;
  • Участник, у которого в результате большее количество очков, выигрывает.

Код программы для игры в кости Python:


import random

PlayerOne = «Анна»
PlayerTwo = «Алекс»

AnnaScore = 0
AlexScore = 0

# У каждого кубика шесть возможных значений
diceOne =
diceTwo =

def playDiceGame():
«»»Оба участника, Анна и Алекс, бросают кубик, используя метод shuffle»»»

for i in range(5):
#оба кубика встряхиваются 5 раз
firstNumber = random.choice(diceOne) # использование метода choice для выбора случайного значения
SecondNumber = random.choice(diceTwo)
return firstNumber + SecondNumber

print(«Игра в кости использует модуль random\n»)

#Давайте сыграем в кости три раза
for i in range(3):
# определим, кто будет бросать кости первым
AlexTossNumber = random.randint(1, 100) # генерация случайного числа от 1 до 100, включая 100
AnnaTossNumber = random.randrange(1, 101, 1) # генерация случайного числа от 1 до 100, не включая 101

if( AlexTossNumber > AnnaTossNumber):
print(«Алекс выиграл жеребьевку.»)
AlexScore = playDiceGame()
AnnaScore = playDiceGame()
print(«Анна выиграла жеребьевку.»)
AnnaScore = playDiceGame()
AlexScore = playDiceGame()

if(AlexScore > AnnaScore):
print («Алекс выиграл игру в кости. Финальный счет Алекса:», AlexScore, «Финальный счет Анны:», AnnaScore, «\n»)
print(«Анна выиграла игру в кости. Финальный счет Анны:», AnnaScore, «Финальный счет Алекса:», AlexScore, «\n»)







# У каждого кубика шесть возможных значений




«»»Оба участника, Анна и Алекс, бросают кубик, используя метод shuffle»»»


#оба кубика встряхиваются 5 раз



firstNumber=random.choice(diceOne)# использование метода choice для выбора случайного значения



print(«Игра в кости использует модуль random\n»)

#Давайте сыграем в кости три раза


# определим, кто будет бросать кости первым

AlexTossNumber=random.randint(1,100)# генерация случайного числа от 1 до 100, включая 100

AnnaTossNumber=random.randrange(1,101,1)# генерация случайного числа от 1 до 100, не включая 101


print(«Алекс выиграл жеребьевку.»)




print(«Анна выиграла жеребьевку.»)




print(«Алекс выиграл игру в кости. Финальный счет Алекса:»,AlexScore,»Финальный счет Анны:»,AnnaScore,»\n»)


print(«Анна выиграла игру в кости. Финальный счет Анны:»,AnnaScore,»Финальный счет Алекса:»,AlexScore,»\n»)



Игра в кости использует модуль random

Анна выиграла жеребьевку.
Анна выиграла игру в кости. Финальный счет Анны: 5 Финальный счет Алекса: 2

Анна выиграла жеребьевку.
Анна выиграла игру в кости. Финальный счет Анны: 10 Финальный счет Алекса: 2

Алекс выиграл жеребьевку.
Анна выиграла игру в кости. Финальный счет Анны: 10 Финальный счет Алекса: 8









Вот и все. Оставить комментарии можете в секции ниже.

Что такое случайные числа?

Случайные числа представляют собой произвольные данные, которые были получены в результате автоматической генерации компьютерной программой. Подобная информация используется во многих видах программного обеспечения, где необходимо иметь дело с непредсказуемыми величинами. Ярким примером тому являются игровые автоматы либо казино, в которых каждый раз генерируется новая выигрышная комбинация чисел. Также данный подход применяется в криптографических целях для создания надежных паролей.

Стоит заметить, что стандартные средства Python не способны предоставлять в программе истинно случайные значения. Они предоставляют псевдо случайную последовательность. Инициализируется она от какого либо случайного числа. То есть если мы будем инициализировать последовательность одним и тем же числом, то она будет каждый раз выдавать одинаковые данные. Чтобы этого не было, для инициализации берется значение системных часов.

Но есть механизмы, позволяющие получать каждый раз совершенно новые и независимые последовательности чисел. Они имеют существенный недостаток. Существенно снижается быстродействие. Это происходит из-за того, что время получения каждого числа увеличивается в несколько раз.

Так что обычно используется метод генерации псевдослучайных величин с иницилизацией от системных часов.

Реализации случайных чисел в Python

Язык программирования Python содержит в себе несколько разных модулей, применяемых для генерации псевдослучайных величин. Все они, как правило, используют в своих целях текущее системное время, которое установлено на компьютере. Это гарантирует получение разных последовательностей значений при каждом новом обращении к генератору. Среди инструментов, которые предназначены для работы с псевдослучайными числами, находится довольно обширная библиотека random, а также функции numpy.random и os.urandom.

Особенности их применения:

  • Стандартный модуль random в Python 3 включает множество методов для генерации как целых, так и вещественных чисел, а также последовательностей с определенными параметрами.
  • Функция numpy.random используется для заполнения массивов случайными величинами.
  • Функция os.urandom предоставляет набор из случайных байтов, что применимо в криптографии.

В модуле random есть класс SystemRandom, внутри реализации которого идет обращение как раз к os.urandom. В этом альтернативном генераторе реализованы те же функции, но их уже можно применять в криптографии.

Наиболее широкое применение получила в Python библиотека random. Поэтому далее мы ее и рассмотрим подробно.

Bookkeeping functions¶

(a=None, version=2)

Initialize the random number generator.

If a is omitted or , the current system time is used. If
randomness sources are provided by the operating system, they are used
instead of the system time (see the function for details
on availability).

If a is an int, it is used directly.

With version 2 (the default), a , , or
object gets converted to an and all of its bits are used.

With version 1 (provided for reproducing random sequences from older versions
of Python), the algorithm for and generates a
narrower range of seeds.

Changed in version 3.2: Moved to the version 2 scheme which uses all of the bits in a string seed.

Deprecated since version 3.9: In the future, the seed must be one of the following types:
NoneType, , , ,
, or .


Return an object capturing the current internal state of the generator. This
object can be passed to to restore the state.

Функции для последовательностей

random.choice(seq)Возвращает случайный элемент из непустой последовательности . Если пуст, возникает ошибка .


random.choices(population, weights=None, *, cum_weights=None, k=1)Возвращает список элементов размером , выбранных из с заменой. Если пуст, возникает ошибка .


Если задана последовательность , выбор производится в соответствии с относительным весом. В качестве альтернативы, если задана последовательность , выбор производится в соответствии с совокупными весами (возможно, вычисляется с использованием ).

Например, относительный вес эквивалентны кумулятивному весу . Внутренне относительные веса преобразуются в кумулятивные перед выбором, поэтому поставка кумулятивного веса экономит время.

Если ни , ни не указаны, выбор производится с равной вероятностью. Если задана последовательность веса, она должна быть такой же, как и последовательность . возникает, если не правильно указан аргумент или .

или могут использовать любой тип чисел, который взаимодействует со значением , возвращаемым функцией (который включает целые числа, числа с плавающей точкой и фракции, но исключает десятичные числа).

random.shuffle(x)Перемешивает последовательность на месте.Необязательный аргумент — функция 0-аргумента, возвращающая случайное значение float в ; по умолчанию это функция .


Чтобы перемешать неизменяемую последовательность и вернуть новый перемешанный список, используйте .

Обратите внимание, что даже для небольшого общее количество перестановок может увеличиваться сильнее, чем период большинства генераторов случайных чисел.Это означает, что большинство перестановок длинной последовательности никогда не могут быть выполнены. Например, последовательность длиной 2080 элементов является самой большой, которая может вписываться в период генератора случайных чисел «Мерсин Твистер»

random.sample(population, k)Возвращает список длиной из уникальных элементов, выбранных из последовательности или множества. Используется для случайной выборки без замены.


Это новый список, содержащий элементы из последовательности, оставляя исходную последовательности неизменной. Новый список находится в порядке выбора, так что все суб-срезы будут также случайными последовательностями.

Это позволяет победителям розыгрышей (при выборке) делиться на главный приз, второе место и далее.

Участники не должны быть hashable или уникальными. Если последовательность содержит повторы, то каждое вхождение является возможным выбором в выборке.

Что бы выбрать одно число из ряда чисел, используйте объект в качестве аргумента. Это простое решение для выборки из большой последовательности: .

Если размер выборки больше длины последовательности, возникает ошибка .

Модуль random

Для того, чтобы полноценно использовать эту опцию в своей работе, необходимо ознакомится с главными ее составляющими. Они выступают некими методами, позволяющими выполнять определенные действия. Основная стандартная библиотека Рython состоит из таких компонентов со следующими параметрами:

  • random () – может вернуть число в промежуток значений от 0 до 1;
  • seed (a) – производит настройку генератора на новую последовательность а;
  • randint (a,b) – возвращает значение в диапазон данных от а до b;
  • randrange (a, b, c) – выполняет те же функции, что и предыдущая, только с шагом с;
  • uniform (a, b) – производит возврат вещественного числа в диапазон от а до b;
  • shuffle (a) – миксует значения, находящиеся в перечне а;
  • choice (a) – восстанавливает обратно случайный элемент из перечня а;
  • sample (a, b) – возвращает на исходную позицию последовательность длиной b из перечня а;
  • getstate () – обновляет внутреннее состояние генератора;
  • setstate (a) – производит восстановление внутреннего состояния генератора а;
  • getrandbits (a) – восстанавливает а при выполнении случайного генерирования бит;
  • triangular (a, b, c) – показывает изначальное значение числа от а до b с шагом с.

Если вам необходимо применить для задания инициализирующееся число псевдо случайной последовательности, то не обойтись без функции seed. После ее вызова без применения параметра, используется значение системного таймера. Эта опция доступна в конструкторе класса Random.

Более показательными будут примеры на основе вышеописанного материала. Для возможности воспользоваться генерацией случайных чисел в Рython 3, сперва вам потребуется выполнить импорт библиотеки random, внеся сперва ее в начало исполняемого файла при помощи ключевого слова import.

Вещественные числа

Модуль оснащен одноименной функцией random. Она более активно используется в Питоне, чем остальные. Эта функция позволяет произвести возврат числа в промежуток значений от 0 до 1. Вот пример трех основных переменных:

import randoma = random.random()b = random.random()print(a)print(b)


Целые числа

Чтобы в программе появились случайные числа из четко заданного диапазона, применяется функция randit. Она обладает двумя аргументами: максимальным и минимальным значением. Она отображает значения, указанные ниже в генерации трех разных чисел от 0 до 9.

import randoma = random.randint(0, 9)b = random.randint(0, 9)print(a)print(b)


Диапазон целых чисел

Использование в такой ситуации метода randage поможет сгенерировать целочисленные значения, благодаря сотрудничеству с тремя основными параметрами:

  • минимальное значение;
  • максимальное;
  • длина шага.

При вызове функции с одним требованием, граница будет установлена на значении 0, а промежуток будет установлен на 1. Для двух аргументов длина шага уже высчитывается автоматически. Вот пример работы этой опции на основе трех разных наборов.

import randoma = random.randrange(10)b = random.randrange(2, 10)c = random.randrange(2, 10, 2)print(a)print(b)print(c)


Диапазон вещественных чисел

Генерация вещественных чисел происходит при использовании функции под названием uniform. Она регулируется всего двумя параметрами: минимальным и максимальным значением. Пример создания демонстрации с переменными a, b и c.

import randoma = random.uniform(0, 10)b = random.uniform(0, 10)print(a)print(b)


Функция random() – «случайные» вещественные числа

Чтобы получить случайное вещественное число, или, как говорят, число с плавающей точкой, следует использовать функцию из одноименного модуля языка Python. Она не принимает никаких аргументов и возвращает число от 0 до 1, не включая 1:

>>> random.random()
>>> random.random()


>>> random()

Результат содержит много знаков после запятой. Чтобы его округлить, можно воспользоваться встроенной в Python функцией :

>>> a = random.random()
>>> a
>>> round(a, 2)
>>> round(random.random(), 3)

Чтобы получать случайные вещественные числа в иных пределах, отличных от [0; 1), прибегают к математическим приемам. Так если умножить полученное из число на любое целое, то получится вещественное в диапазоне от 0 до этого целого, не включая его:

>>> random.random() * 10
>>> random.random() * 10

Если нижняя граница должна быть отличной от нуля, то число из надо умножать на разницу между верхней и нижней границами, после чего прибавить нижнюю:

>>> random.random() * (10 - 4) + 4
>>> random.random() * (10 - 4) + 4
>>> random.random() * (10 - 4) + 4

В данном примере число умножается на 6. В результате получается число от 0 до 6. Прибавив 4, получаем число от 4 до 10.

Пример получения случайных чисел от -1 до 1:

>>> random.random() * (1 + 1) - 1
>>> random.random() * (1 + 1) - 1
>>> random.random() * (1 + 1) - 1
>>> random.random() * (1 + 1) - 1

Нижняя граница равна -1. При вычитании получается +. Когда добавляется нижняя граница, то плюс заменяется на минус ( +(-1) = — 1).

Для получения псевдослучайных чисел можно пользоваться исключительно функцией . Если требуется получить целое, то всегда можно округлить до него с помощью или отбросить дробную часть с помощью :

>>> int(random.random() * 100)
>>> round(random.random() * 100 - 50)


The default returns multiples of 2⁻⁵³ in the range
0.0 ≤ x < 1.0. All such numbers are evenly spaced and are exactly
representable as Python floats. However, many other representable
floats in that interval are not possible selections. For example,
isn’t an integer multiple of 2⁻⁵³.

The following recipe takes a different approach. All floats in the
interval are possible selections. The mantissa comes from a uniform
distribution of integers in the range 2⁵² ≤ mantissa < 2⁵³. The
exponent comes from a geometric distribution where exponents smaller
than -53 occur half as often as the next larger exponent.

from random import Random
from math import ldexp

class FullRandom(Random):

    def random(self):
        mantissa = 0x10_0000_0000_0000 | self.getrandbits(52)
        exponent = -53
        x = 
        while not x
            x = self.getrandbits(32)
            exponent += x.bit_length() - 32
        return ldexp(mantissa, exponent)

in the class will use the new method:

>>> fr = FullRandom()
>>> fr.random()
>>> fr.expovariate(0.25)

The recipe is conceptually equivalent to an algorithm that chooses from
all the multiples of 2⁻¹⁰⁷⁴ in the range 0.0 ≤ x < 1.0. All such
numbers are evenly spaced, but most have to be rounded down to the
nearest representable Python float. (The value 2⁻¹⁰⁷⁴ is the smallest
positive unnormalized float and is equal to .)

See also

Generating Pseudo-random Floating-Point Values a
paper by Allen B. Downey describing ways to generate more
fine-grained floats than normally generated by .

Примеры использования модуля random.

Базовое применение модуля:

>>> import random
# Случайное float:  0.0 <= x < 1.0
>>> random.random()
# 0.37444887175646646

# Случайное float:  2.5 <= x < 10.0
>>> random.uniform(2.5, 10.0)
# 3.1800146073117523

# Интервал между прибытием в среднем 5 секунд
>>> random.expovariate(1  5)
# 5.148957571865031

# Четное целое число от 0 до 100 включительно
>>> random.randrange(10)
# 7

# Even integer from 0 to 100 inclusive
>>> random.randrange(, 101, 2)

# Один случайный элемент из последовательности
>>> random.choice()

>>> deck = 'ace two three four'.split()
# Перемешать список
>>> random.shuffle(deck)
>>> deck
'four', 'two', 'ace', 'three'

# Четыре образца без замены
>>> random.sample(, k=4)

Имитационные расчеты:

# Шесть вращений колеса рулетки (взвешенная выборка с заменой)
>>> choices(, 18, 18, 2], k=6)

# Сдайте 20 карт без замены из колоды из 52 игральных карт
# и определите пропорцию карт с достоинством в: 
# десять, валет, дама или король.
>>> dealt = sample(, counts=16, 36], k=20)
>>> dealt.count('tens')  20
# 0.15

# Оценка вероятности получения 5 или более попаданий из 7 
# бросаний монеты, которая выпадает орлом в 60% случаев.
>>> def trial():
...     return choices('HT', cum_weights=(0.60, 1.00), k=7).count('H') >= 5
>>> sum(trial() for i in range(10_000))  10_000
# 0.4169

>>> # Вероятность того, что медиана из 5 выборок находится в средних двух квартилях
>>> def trial():
...     return 2_500 <= sorted(choices(range(10_000), k=5))[2 < 7_500
>>> sum(trial() for i in range(10_000))  10_000
# 0.7958

Пример статистической начальной загрузки с использованием повторной выборки с заменой для оценки доверительного интервала для среднего значения выборки:

# http://statistics.about.com/od/Applications/a/Example-Of-Bootstrapping.htm
from statistics import fmean as mean
from random import choices

data = 41, 50, 29, 37, 81, 30, 73, 63, 20, 35, 68, 22, 60, 31, 95
means = sorted(mean(choices(data, k=len(data))) for i in range(100))
print(f'The sample mean of {mean(data).1f} has a 90% confidence '
      f'interval from {means5.1f} to {means94.1f}')

Пример теста перестановки повторной выборки для определения статистической значимости или Р-значения наблюдаемой разницы между эффектами препарата и плацебо:

# Example from "Statistics is Easy" by Dennis Shasha and Manda Wilson
from statistics import fmean as mean
from random import shuffle

drug = 54, 73, 53, 70, 73, 68, 52, 65, 65
placebo = 54, 51, 58, 44, 55, 52, 42, 47, 58, 46
observed_diff = mean(drug) - mean(placebo)

n = 10_000
count = 
combined = drug + placebo
for i in range(n):
    new_diff = mean(combined) - mean(combinedlen(drug):])
    count += (new_diff >= observed_diff)

print(f'{n} label reshufflings produced only {count} instances with a difference')
print(f'at least as extreme as the observed difference of {observed_diff.1f}.')
print(f'The one-sided p-value of {count  n.4f} leads us to reject the null')
print(f'hypothesis that there is no difference between the drug and the placebo.')

Моделирование времени прибытия и доставки услуг для многосерверной очереди:

from heapq import heappush, heappop
from random import expovariate, gauss
from statistics import mean, median, stdev

average_arrival_interval = 5.6
average_service_time = 15.0
stdev_service_time = 3.5
num_servers = 3

waits = []
arrival_time = 0.0
servers = 0.0 * num_servers  # time when each server becomes available
for i in range(100_000):
    arrival_time += expovariate(1.0  average_arrival_interval)
    next_server_available = heappop(servers)
    wait = max(0.0, next_server_available - arrival_time)
    service_duration = gauss(average_service_time, stdev_service_time)
    service_completed = arrival_time + wait + service_duration
    heappush(servers, service_completed)

print(f'Mean wait: {mean(waits).1f}.  Stdev wait: {stdev(waits).1f}.')
print(f'Median wait: {median(waits).1f}.  Max wait: {max(waits).1f}.')

Types of Modes

For the range input type, two ßmodes are available in this rng for different use cases. For the spin and combine input types, there is only the normal mode available.

3.1. Normal Mode

If you have used core Picker Wheel before, this mode is similar. When you choose this mode for the result selected, it does not have side effect to the result.

Use Case 1

This rng can be used in a giftaway event. Where each of the gifts is assigned with a number. The eligible participant is able to spin the wheel to pick a number in order to get his/her gift.

Use Case 2

Teachers can use the default 10 value spinner to teach their students about the numbers. By using the wheel, the learning process will be more interesting.

3.2. Elimination Mode

This mode is again similar to original Picker Wheel’s elimination mode. The difference is it will permanently remove the result selected from the wheel if you select this mode.

Use Case 3

This random number picker application can be used also in a giftaway event. Where each participants are holding a number themselves, the gifts will be given one by one based on the number generated by this RNG.

Тест на знание модуля Python Random

Как получить 3 случайных элемента из списка num_list

random.sample(num_list, 3)

random.randrange(0, num_list, 3)

random.choices(num_list, weights=3)

random.choice(num_list, k=3)


Какой код всегда вернет случайное число кратное 3 и не больше 100?

random.random(0, 100, 3)

Все варианты верны

random.randint(0, 100, 3)

random.randrange(0, 100, 3)


Как получить случайную букву из строки «аеуяыоию»?






С помощью какого метода можно получить случайное float число из диапазона, например: от 0.89 до 1.67

random.randrange(0.89, 1.67)

random.uniform(0.89, 1.67)

random.randfloat(0.89, 1.67)

random.random(0.89, 1.67)


Каких элементов списка cars будет боле в результате выполнения этого кода:

cars = print(random.choices(cars, weights = , k=15))




Невозможно спрогнозировать, будет случайный вывод





Но ведь Unity заботится об объеме используемой ОЗУ

Нет, не заботится. Это пример плохого архитектурного решения, когда решили использовать ГПСЧ внутри реализации самого движка и одновременно предоставить доступ из C#. Объект загрузится и на протяжении жизни приложения будет всего один экземпляр в памяти. Это параллельно привносит новое неочевидное поведение и обязывает нас использовать один экземпляр Random на весь проект.

Невозможно заранее предсказать какое именно поведение потребуется пользователям. Но дать им право выбора надо.

Вот еще список потенциальных проблем, с которыми можно столкнуться:

  • Если внутри движка используется то, мы получим неожиданное поведение компонентов, предоставляемые Unity,

  • Скомпилированный в *.dll плагин устанавливает seed. И каждый раз перед вызовом придется проставлять seed. Решить это можно только через декомпиляцию (если финальная библиотека не обфусцирована).

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *