问题陈述：使用X％折扣的幸运抽奖券在1％至100％之间奖励客户
假设平板是预先定义的（都是理论上的）
1％折扣：90％客户
10％折扣：5％客户
20％折扣：3％客户
100％折扣：2％客户
解决方案1：
对于每100个客户，我将预先填充一个大小为100的随机数组，并使用良好的混洗算法
90 1s（1 = 1％折扣）
5 10s（10 = 10％折扣）
3 20s（20％折扣）
2 100s（100％折扣）
每当有顾客到来时，我会绘制random.nextInt（100）并获得折扣百分比
解决方案2：
使用SecureRandom的nextGaussian（），因为它是一种分布式随机算法。
如果我们想严格遵循％，哪一个更准确？
请参阅Random
中的示例1和3提前致谢。
答案 0 :(得分：3)
如果我们想严格遵循％，哪一个更准确？例如，每100位客户为1位客户提供100％的折扣。
两者都没有，因为那不再是随机的。如果您想要在给定间隔内进行精确分布，则必须使用不同的策略。使用您想要的值分布填充Collection，将其随机播放，并将值分配给您的客户。
答案 1 :(得分：1)
分布是均匀的，因此在这种情况下高斯分布的用途有限。统一分布是您所需要的。
我对你所面临的问题的理解是，你希望结果具有一定的分布（过多的折扣可能非常昂贵），但是否则它应该是随机的，因为在不可预测的情况下。如果你只是对100个可能的折扣进行了安排，对它们进行了分类，并在一个周期中使用它们，那么这种安排是可以预测的。即使你改变每个周期100的顺序，有人注意可能知道获得良好折扣的几率会高于或低于正常水平（有点像二十一点的计数卡）。
我认为您需要的是Reservoir Sampling算法。最简单的方案是，如果您知道将会有多少项目（比方说有多少折扣券），以及是否有两个类别（赢家，输家）。然后，维基百科文章中的代码可以按原样使用。问题似乎有较少的文献有多个类别（100％，20％，10％，1％），并且不知道完整数量的优惠券（如果它是一个有时间限制的促销，比如说）。我一直在寻找有关这个主题的论文，但我认为这是一般性的想法。
答案 2 :(得分：0)
我认为准确度是一样的。但我更喜欢nexInt，因为在这种情况下计算slab更容易。