什麼是 1-10 隨機亂數產生器?
這個工具會隨機抽出 1 到 10 之間(含頭尾)的整數。它採用偽隨機亂數產生器(PRNG),因此每按一次「抽選」按鈕,都會得到一個全新且彼此獨立的結果。十個數字出現的機率完全相同,各佔十分之一,非常適合用於遊戲、抽獎、課堂活動、做決定,以及任何需要快速、公平抽號的場合。
使用方法
只要按下抽選即可。畫面上的大數字就是你的結果,而「抽選次數」會顯示你在這次操作中已經抽了幾次。再按一次抽選就能抽出新的數字,計數器每次加一。想重新開始,按重設即可把次數歸回 1。
公式說明
本產生器在 [min, max] 區間內進行均勻離散抽取。當 min = 1、max = 10 時,可能出現的數值總數為 \(\text{max} - \text{min} + 1 = 10\)。結果的計算方式為 $$R = \left\lfloor 1 + \text{rand}() \times 10 \right\rfloor, \quad 1 \le R \le 10$$ 其中 \(\text{rand}()\) 會回傳一個位於 [0, 1) 區間的均勻實數。floor 函式會把它轉成 0 到 9 的索引值,再加上最小值就會平移到 1 到 10 的範圍。程式還加上了防呆機制,即使產生器恰好回傳 1.0,輸出值也絕不會超過最大值:$$R = \min\!\left(10,\; 1 + \left\lfloor \text{rand}() \times 10 \right\rfloor\right)$$
實際範例
假設某次抽選時 \(\text{rand}()\) 回傳 0.4732,那麼 $$R = 1 + \left\lfloor 0.4732 \times 10 \right\rfloor = 1 + \lfloor 4.732 \rfloor = 1 + 4 = 5$$ 因此結果為 5。下一次抽選時若 \(\text{rand}() = 0.987\),則 $$R = 1 + \lfloor 9.87 \rfloor = 1 + 9 = 10$$ 在第 2 次抽選得到結果 10。任何一個特定數字(例如 7)出現的機率都是 $$P = \frac{1}{10} = 0.1 = 10\%$$
1-10 選擇的機率參考表
此產生器的每次選擇都是均勻離散抽取:十個整數 1、2、…、10 中的每一個具有完全相同的機會,每次選擇都獨立於之前的選擇。這使得以下所有機率都是精確的——它們是根據計數規則計算的,而不是根據觀察到的運行估計的。
對於單次選擇,任何事件的機率簡單地是有利數字的計數除以 10:
$$P(\text{事件}) = \frac{\text{有利的結果}}{10}$$單次選擇
| 事件(一次選擇,1-10) | 分數 | 小數 | 百分比 |
|---|---|---|---|
| 一個特定的數字(例如恰好 7) | 1/10 | 0.1 | 10% |
| 不是那個數字(除了 7 以外的任何數字) | 9/10 | 0.9 | 90% |
| 偶數(2、4、6、8、10) | 5/10 = 1/2 | 0.5 | 50% |
| 奇數(1、3、5、7、9) | 5/10 = 1/2 | 0.5 | 50% |
| 在 1-3 範圍內 | 3/10 | 0.3 | 30% |
| 大於 5(6-10) | 5/10 = 1/2 | 0.5 | 50% |
| 兩個特定數字中的任一個(例如 3 或 7) | 2/10 = 1/5 | 0.2 | 20% |
重複選擇
因為選擇是獨立的,連續錯過目標數字 n 次的機率是 (9/10)^n,所以至少獲得一次的機率是補集:
$$P(\text{在 } n \text{ 次選擇中至少有一個 7}) = 1 - \left(\frac{9}{10}\right)^{n}$$| 多次選擇中的事件 | 分數/表達式 | 小數 | 百分比 |
|---|---|---|---|
| 2 次選擇中至少有一個 7 | \(1-(9/10)^2 = 19/100\) | 0.19 | 19.00% |
| 5 次選擇中至少有一個 7 | \(1-(9/10)^5\) | 0.40951 | 40.95% |
| 10 次選擇中至少有一個 7 | \(1-(9/10)^{10}\) | 0.651322 | 65.13% |
| 20 次選擇中至少有一個 7 | \(1-(9/10)^{20}\) | 0.878423 | 87.84% |
| 相同數字連續出現兩次(第二次選擇與第一次相同,無論是什麼) | 1/10 | 0.1 | 10% |
| 按順序的兩個特定數字(例如 4 然後 9) | \(1/10 \times 1/10 = 1/100\) | 0.01 | 1% |
| 所有 10 次選擇不同(10 次選擇中 1-10 的完全排列) | \(10!/10^{10} = 3{,}628{,}800/10^{10}\) | 0.00036288 | ≈ 0.036% |
預期計數
給定數字在 n 次選擇中出現的預期次數是 n × 1/10 = n/10:
| 選擇次數 n | 任意一個數字的預期計數 n/10 |
|---|---|
| 10 | 1 |
| 50 | 5 |
| 100 | 10 |
| 1,000 | 100 |
計算示例——在五次選擇中看到至少一個 7 的機率,完全代入:
$$1 - \left(\frac{9}{10}\right)^{5} = 1 - 0.59049 = 0.40951 = 40.951\%$$本頁上的所有數字都假設獨立、均勻的有放回抽取(允許重複)。它們描述了該過程的長期數學,而不是對任何特定短期運行的保證——十次選擇的序列可以很容易地包含三個 4 和沒有 7,而沒有任何問題。
關鍵術語和定義
- 均勻離散分佈
- 一個有限結果列表上的分佈,其中每個結果的可能性都相等。這裡的結果是整數 1 到 10,每個結果的機率為 \(p = 1/10 = 0.1\)。十個機率的總和為 1。
- 包含範圍 [min, max]
- 包含兩個端點的範圍。對於 1 到 10,1 和 10 都可以被抽取,所以可能結果的數量是 \(\text{max} - \text{min} + 1 = 10 - 1 + 1 = 10\)。"+1" 是保持端點的原因;忘記它是經典的差一錯誤,使得產生器永遠不會返回 10。
- rand()
- 一個返回 [0, 1) 半開區間上均勻分佈實數的函數——零是可能的,恰好 1 是不可能的。將其乘以 10 得到 [0, 10) 中的值,這就是為什麼該公式可以向下舍入並移位到 1-10 而永遠不會溢出到 11。
- 向下取整函數 ⌊x⌋
- 小於或等於 \(x\) 的最大整數。示例:\(\lfloor 7.93 \rfloor = 7\)。應用於此工具的公式,其中 \(\text{rand}() = 0.6931\):\(\lfloor 1 + 0.6931 \times 10 \rfloor = \lfloor 7.931 \rfloor = 7\)。[0, 10) 的十個等寬子區間中的每一個都映射到恰好一個輸出,這是保持均勻性的原因。
- 偽隨機數生成器(PRNG)
- 一種算法,生成看起來隨機但以確定方式計算的數字序列:給定相同的起始狀態,它每次都會重現相同的序列。PRNG 速度快且統計上表現良好,非常適合遊戲、抽獎、教學和模擬。
- 種子
- PRNG 的初始內部狀態。相同的種子→相同的輸出序列。當你想要可重現的結果(重新運行模擬)時,這是一個功能;當種子可以被猜測時,它是一個缺點。
- CSPRNG 和真隨機數生成器
- 密碼學安全的 PRNG(CSPRNG)設計使得觀察過去的輸出在預測未來的輸出時沒有實際優勢;真正的(硬件)RNG 從諸如熱噪聲之類的物理過程中導出比特。普通 PRNG 不提供任何一項保證,因此一般目的的數字選擇器不應用於生成密碼、密碼學密鑰、彩票抽取或任何其他可預測性有真實後果的東西。
- 獨立事件 / 無記憶
- 一次選擇的結果對下一次沒有提供任何信息。在四個連續的 3 之後,第五次選擇是 3 的機率仍然是 10%。期望「修正」是賭徒的謬誤。
- 有放回抽樣
- 每次抽取都來自全套十個數字,所以允許重複——這是此產生器默認執行的操作。在 10 次選擇中,你通常會看到重複的值;獲得十個不同的值的機率為 \(10!/10^{10} \approx 0.036\%\)。
- 無放回抽樣
- 每個抽取的數字都從池中移除,因此沒有值重複,機率在每次抽取後改變(1/10、然後 1/9、然後 1/8、…)。使用此模型進行洗牌、分配唯一的轉序或發牌——而不是進行獨立選擇。
- 期望值
- 結果的機率加權平均。對於 1-10 上的均勻抽取:
請注意,5.5 本身不是一個可能的選擇——期望值是許多選擇的長期平均值,而不是對任何單次選擇的預測。
- 大數法則
- 隨著獨立選擇次數的增加,每個數字的觀察頻率趨向於其真實的 10% 機率,選擇的累計平均值趨向於 5.5。這就是為什麼 30 次選擇可能看起來不均衡,而 30,000 次選擇看起來幾乎完美均勻——比例會穩定下來,儘管原始計數在絕對項中持續漂移。
- 相對頻率
- 給定結果的計數除以總選擇次數——機率的經驗對應。將選擇計數器的統計與每個數字的預期 n/10 進行比較是對公平性的簡單檢查。
常見問題
這些數字真的是隨機的嗎?它們屬於偽隨機:在日常使用上統計分布是公平的,但並非具有加密安全性,因此請勿用於資安或樂透等高安全等級的用途。
同一個數字會重複出現嗎?會。每次抽選都是獨立的,結果也不會去除重複,所以出現重複是正常且可預期的現象。
為什麼我抽出的分布看起來不太平均?抽選次數較少時,結果看起來偏向某一邊很正常。但只要抽的次數夠多,每個數字出現的比例就會逐漸趨近於總數的 10%。