欢迎来到“数学洞察”与“绘画小姐”。
因此，从统计学的Angular 来看，这将取决于生成的数字的分布。首先，我们将把任何一个数字出现的概率视为一个独立事件（即丢弃种子，即rng等）。然后，一个模数只是取一系列的数字（例如。 a 从 N ，在哪里 0 <= a < N )，并基于除数（ x 在 a % x ). 虽然从技术上讲，这些数字来自离散总体（整数），但概率质量函数的整数范围将非常大，最终看起来就像一个连续的图形。让我们考虑一系列数字的概率分布函数图：

如果你的随机数生成器没有生成一个均匀分布的数（也就是说，任何一个数都有可能出现另一个数），那么模将（可能）分解非均匀分布的结果。当您将这些范围内的单个整数视为离散（和单个）结果时，任何数字的概率 i （0<=i<x）结果是个体概率的乘积( i_1 * i_2 * ... * i_(N/x) ). 从另一个Angular 来看，如果我们覆盖范围的细分，很明显，在非对称分布中，模很可能不会产生同样可能的结果：

记住，结果的可能性 i 在上面的图表中，可以通过乘以个体数的可能性来实现( i_1 , ..., i_(N/x) )在范围内 N 这可能导致 i . 为进一步说明，如果 N 不会被模除数平均除 x ，总会有一些数字 N % x 这将有一个额外的整数，可以产生他们的结果。这意味着大多数模因子不是 2 （同样，不是其除数倍数的范围）可能会向其较低的结果倾斜，无论是否具有均匀分布：

总结一下， Random#nextInt(int bound) 拿走所有这些东西（还有更多！）考虑到，并将始终产生一个结果与统一的概率范围内 bound . Random#nextInt() % bound 对于某些特定场景来说，这只是一个半途而废的步骤。对于你老师的观点，我认为在使用模方法时，你更可能看到一些特定的数字子集，而不是更少。

new Random(x) 只是创造了 Random 具有给定种子的对象，它不会自行生成随机值。
我想你是在问 nextInt() % x 以及 nextInt(x) .
区别如下。

下一个（x） nextInt(x) 产生一个随机数n，其中0≤ n<x，均匀分布。

nextint（）%x nextInt() % x 产生一个整数范围为1的随机数，然后应用模x。整个整数范围包含负数，因此结果也可能是负数。换句话说，范围是−x<n<x。

此外，在大多数情况下，分布并不均匀。 nextInt() 有232个可能性，但是，为了简单起见，假设它有24=16个可能性，我们选择x不是16或更大。假设x是10。
所有的可能性都是0，1，2，…，14，15，16。应用模10后，结果是0，1，2，3，4，5，6，7，8，9，0，1，2，3，4，5。这意味着一些数字比其他数字发生的可能性更大。这也意味着一些数字的变化发生两次已经增加。
如我们所见， nextInt() % x 有两个问题：
范围不符合要求。
分布不均。
所以你应该明确使用 nextInt(int bound) 在这里。如果要求是“仅获取唯一数字”，则必须排除已从数字生成器中提取的数字。另请参见在java中生成唯一随机数。
1根据javadoc。