Zufallszahlengenerator

Verlosungen und Gewinnspiele sind der offensichtlichste Fall. Nummerieren Sie jede Einreichung von 1 bis N, schalten Sie Duplikate aus und ziehen Sie so viele Gewinner wie Preise vergeben werden. Das Ergebnis ist ausreichend nachvollziehbar zu verteidigen — Bereich, Anzahl und Ausgabe per Screenshot festhalten — und unvorhersehbar genug, dass niemand es manipulieren kann.

Lehrkräfte nutzen ihn, um Schüler unvoreingenommen aufzurufen, die Vortragsreihenfolge festzulegen, Klassen in Gruppen zu teilen und Übungsserien zu erzeugen. Forscher setzen ihn ein, um Stichproben aus einer nummerierten Grundgesamtheit zu ziehen, Probanden Kontroll- und Behandlungsgruppen zuzuordnen oder Fragereihenfolgen zu mischen, um Reihenfolgeeffekte zu kontrollieren.

Spieledesigner und Tabletop-Spieler nutzen ihn als browserbasierten Ersatz für physische Würfel. Ein W20 ist nur eine Zufallszahl von 1 bis 20; ein Prozentwürfel von 1 bis 100. Dungeon Master können vor einer Sitzung einen Stapel Begegnungswürfe vorwürfeln, damit das Spiel nicht ins Stocken gerät.

Entwickler greifen darauf zurück für Seed-Werte in Tests, Beispieldaten oder eine zufällige Portnummer bei lokaler Entwicklung. Marketingteams verwenden ihn für A/B-Bucket-Zuweisung, wenn sie den Overhead einer vollständigen Experimentierplattform vermeiden wollen.

Der Generator nutzt crypto.getRandomValues() der Web-Crypto-API, sofern verfügbar. Das ist dieselbe Quelle, die Browser für kryptografische Schlüssel, Sitzungstoken und Einmalcodes exponieren, und sie speist sich aus dem kryptografisch sicheren Zufallszahlengenerator (CSPRNG) des Betriebssystems — /dev/urandom unter Linux, BCryptGenRandom unter Windows, SecRandomCopyBytes unter macOS.

Bei jeder Ziehung fordert der Generator vom CSPRNG eine 32-Bit-Ganzzahl ohne Vorzeichen und bildet sie per Modulo-Arithmetik auf den gewünschten Bereich ab. Die 32-Bit-Ausgabe hat rund 4,3 Milliarden mögliche Werte, sodass der Modulo-Bias für Bereiche bis zu einigen Millionen vernachlässigbar ist — deutlich unter einem Tausendstel.

Der Fallback-Pfad verwendet Math.random(), einen pseudozufälligen Generator, der aus einer nicht spezifizierten Quelle (typischerweise Uhr-Jitter und Prozesszustand) geseedet wird. Für Spiele und Stichproben ist das in Ordnung, aber nicht für alles, was ein entschlossener Angreifer vorherzusagen versuchen könnte — kryptografisches Schlüsselmaterial, Sitzungstoken oder hochwertige Ziehungen.

Der Modus 'ohne Zurücklegen' nutzt ein Set zur Nachverfolgung gezogener Werte und Rejection Sampling, um Duplikate zu überspringen. Nähert sich die geforderte Anzahl der Bereichsgröße, wird es geringfügig langsamer, aber bei typischem Einsatz (10 Gewinner aus 500 Einträgen) ist der Zusatzaufwand unsichtbar.

Legen Sie die Parameter vor der Ziehung fest. Halten Sie Bereich, Anzahl und Duplikate-Einstellung samt Ergebnis als Screenshot fest, damit Teilnehmer sehen, was genau gezogen wurde. Den Bereich hinterher zu ändern — auch nur um eins — entwertet die Fairness der Ziehung in den Augen des Publikums.

Für Wettbewerbe mit rechtlichem Gewicht (Gewinnspiele, gesetzlich regulierte Promotionen) verwenden Sie einen zertifizierten Drittanbieter-RNG oder eine physische, notariell bezeugte Ziehung. Die Endorsement-Guides der FTC und die meisten Bundesstaats-Promotionsgesetze verlangen ab bestimmten Preisschwellen dokumentierte, manipulationssichere Randomisierung.

Für Klassenraum oder Teams: Erzeugen Sie alle Ziehungen zu Sitzungsbeginn in einem einzigen Batch und teilen die Liste. Das verhindert, dass jemand so lange neu würfelt, bis ein günstiges Ergebnis fällt — der Hauptgrund, warum informelle Ziehungen aufhören, zufällig zu wirken.

Wenn Sie eine Monte-Carlo-Simulation seeden und später dasselbe Ergebnis erhalten möchten, hilft dieses Tool nicht — es ist absichtlich ohne Seed. Nutzen Sie einen RNG auf Sprachebene (etwa numpy.random.default_rng(seed=42)), damit Läufe reproduzierbar sind.