1. 概述
本文将通过几个实际例子，讲解如何在 Java 中实现概率控制与随机事件模拟。无论是做 A/B 测试、限流降级，还是模拟真实世界的统计分布，掌握概率编程都能让你的系统更智能、更贴近现实。
我们不会停留在“生成随机数”这种基础操作，而是深入到如何控制事件发生的概率，以及如何用数学分布建模真实场景。踩过坑的都知道，简单粗暴地 Math.random() 一把梭，后期很难收敛和验证。
2. 基础概率的模拟
要模拟概率，核心是生成高质量的随机数。Java 提供了多种方式，但推荐使用 SplittableRandom，它在多线程环境下性能更好，随机性也更强 ✅。
SplittableRandom random = new SplittableRandom();
接下来，我们通过控制随机数的取值范围，来实现指定概率的事件触发。
比如，想模拟一个 10% 概率发生的事件：
boolean probablyFalse = random.nextInt(10) == 0;
✅ 解析：nextInt(10) 生成 [0, 9] 的整数，共 10 个可能值，== 0 的概率就是 1/10 = 10%。
再比如，模拟 50% 概率的抛硬币场景：
boolean whoKnows = random.nextInt(1, 101) <= 50;
✅ 解析：nextInt(1, 101) 生成 [1, 100] 的整数，≤50 的情况有 50 种，正好占一半。
⚠️ 踩坑提示：注意 nextInt(a, b) 是左闭右开区间 [a, b)，别被边界坑了。
3. 均匀分布（Uniform Distribution）
前面的例子都属于均匀分布——每个结果出现的概率相等，就像掷一个公平的骰子。
这种分布适合模拟游戏逻辑、抽奖、小概率功能灰度发布等场景。
3.1. 按指定概率执行函数
假设你在做一个电商系统，想给 10% 的用户随机发优惠券。我们可以封装一个通用方法，根据概率决定执行哪个逻辑分支。
先用 Vavr 的 Lazy 延迟初始化随机生成器，避免重复创建：
private final Lazy<SplittableRandom> random = Lazy.of(SplittableRandom::new);
然后实现核心方法：
public <T> T withProbability(Supplier<T> positiveCase, Supplier<T> negativeCase, int probability) {
SplittableRandom random = this.random.get();
if (random.nextInt(1, 101) <= probability) {
return positiveCase.get();
} else {
return negativeCase.get();
}
}
✅ 使用示例：
String result = withProbability(
() -> "获得优惠券",
() -> "未中奖",
10 // 10% 概率
);
简单粗暴，清晰明了，适合在接口限流、AB 实验中使用。
3.2. 用蒙特卡洛方法估算概率
有时候我们不知道某个事件的真实概率，或者计算太复杂。这时候可以用蒙特卡洛方法（Monte Carlo Method）——通过大量随机试验来逼近真实概率。
📌 核心思想：
多次重复实验，统计成功次数，用频率近似概率。
比如，我们想验证上面 withProbability(10%) 是否真的接近 10%，可以模拟 100 万次：
int numberOfSamples = 1_000_000;
int probability = 10;
int howManyTimesInvoked =
Stream.generate(() -> randomInvoker.withProbability(() -> 1, () -> 0, probability))
.limit(numberOfSamples)
.mapToInt(Integer::intValue)
.sum();
然后计算频率：
int monteCarloProbability = (howManyTimesInvoked * 100) / numberOfSamples;
✅ 预期结果：monteCarloProbability 应该非常接近 10。
⚠️ 注意：样本量越大，结果越精确。小样本容易出现偏差（比如抽 10 次全中，概率变成 100% 😅）。
4. 其他分布：正态分布（Normal Distribution）
现实世界中，很多现象并不服从均匀分布。比如：
- 人的身高
- 考试成绩
- 用户响应时间
这些通常符合正态分布（Normal Distribution）——中间多、两头少，呈钟形曲线。
如果你还在用 random.nextInt(150, 200) 生成“随机身高”，那模型就太粗糙了 ❌。真实人群中，175cm 左右的人最多，150cm 或 190cm 的极少。
4.1. 使用 Apache Commons Math
别自己实现数学模型！推荐使用 Apache Commons Math，它提供了多种分布的实现。
添加依赖：
<dependency>
<groupId>org.apache.commons</groupId>
<artifactId>commons-math3</artifactId>
<version>3.6.1</version>
</dependency>
配置正态分布（以中国男性平均身高为例）：
private static final double MEAN_HEIGHT = 176.02; // 均值（cm）
private static final double STANDARD_DEVIATION = 7.11; // 标准差（cm）
private static final NormalDistribution distribution = new NormalDistribution(MEAN_HEIGHT, STANDARD_DEVIATION);
生成一个符合分布的随机身高：
public static double generateNormalHeight() {
return distribution.sample();
}
✅ 示例输出可能为：174.3, 180.1, 176.0 —— 更贴近现实。
4.2. 反向查询：计算某区间的概率
更强大的是，我们可以反向查询：某人身高在 170cm 到 180cm 之间的概率是多少？
public static double probabilityOfHeightBetween(double heightLowerExclusive, double heightUpperInclusive) {
return distribution.probability(heightLowerExclusive, heightUpperInclusive);
}
✅ 使用示例：
double p = probabilityOfHeightBetween(170, 180);
System.out.println("身高在 170~180cm 的概率: " + String.format("%.2f%%", p * 100));
// 输出：身高在 170~180cm 的概率: 58.87%
这个能力在风控、用户画像、A/B 实验分析中非常实用。
5. 总结
本文带你从零实现 Java 中的概率控制，重点包括：
- ✅ 使用
SplittableRandom替代Math.random()，性能更好 - ✅ 通过范围比较实现指定概率事件，如 10% 抽奖
- ✅ 封装
withProbability方法，让概率控制更优雅 - ✅ 用蒙特卡洛方法验证概率模型，避免“我以为是 10%，其实是 30%”
- ✅ 引入正态分布处理现实场景，告别“均匀随机”的粗糙建模
- ✅ 使用 Apache Commons Math 快速实现复杂分布，不重复造轮子
记住：概率不是玄学，而是可计算、可验证的工程能力。下次做灰度发布、AB 实验或模拟系统行为时，不妨试试这些方法，让你的代码更有“人味儿”。