选择随机数的一种常用方法 [0，n） 是取结果的 rand() 模 ñ： rand() % n。但是，即使结果由可用返回 rand() 实施是完全统一的，不应该产生均匀性的问题 [0，n） 数字时 RAND_MAX + 1 不均匀分配 ñ？例如。假设 RAND_MAX 是2，和 ñ 是2.然后有3个可能 rand() 输出：0,1和2，当我们使用模数时，我们分别得到0,1和0 ñ。因此输出将根本不均匀。
这在实践中是一个真正的问题吗？什么是选择随机数的更好方法 [0，n） 统一来源于 rand() 输出，最好没有任何浮点运算？
你是对的， rand() % N 并不是精确均匀分布的。确切地说，重要的是多少取决于你想要的数字范围和你想要的随机程度，但如果你想要足够的随机性，你甚至不关心它，你不想使用它 rand() 无论如何。获得一个真正的随机数生成器。
也就是说，要得到一个真正的随机分布，mod到下一个2的幂并进行采样，直到你得到一个你想要的范围（例如0-9，使用 while(n = rand()%0x10 > 10);）。
这取决于：
我们假设你的RAND_MAX是2 ^ 32。如果N相当小（假设为2）那么偏差是1/2 ^ 31 - 或者太小而不能注意到。
但是如果N相当大，比如2 ^ 20，那么偏差是1/2 ^ 12，或者在4096中约为1。更大，但仍然很小。
您可以采取的一种方法如下：
知道的价值 N，你做 R_MAX = ((RAND_MAX + 1) / N) * N; 为了均匀。
所以你可以做你的自定义 rand() 功能：
int custom_rand(int mod) {
int x = rand();
const int R_MAX = ((RAND_MAX + 1) / mod) * mod;
while (x > R_MAX) { // discard the result if it is bigger
x = rand();
}
return (x % mod);
}
使用余数（％不是C中的“模”运算符）对于减小范围内的均匀随机数存在两个问题。首先是对较小数字（如上所述）存在轻微偏差，其次是典型PRNG在低阶位中往往较不随机。我似乎记得Knuth（计算机编程艺术，第二卷，数值算法）以及（从MIX转换为C之后）rand（）％2是随机单位的不良来源。最好选择（rand（）> RAND_MAX / 2）（或测试一个高位，如果RAND_MAX几乎是2的幂）
剩余部分应该足够好，可以在很短的时间内随意使用。避免用于模拟。实际上，对于大型模拟或“蒙特卡罗”计算，完全避免使用rand（）。实现往往具有大约2 ^ 32或更小的周期。在2+ GHz处理器上进行超过40亿次试验并不难。