uniform_int_distribution과 normal_distribution은 언제 고르나요?

범위 내에서 **균등**하게 뽑을 때는 균등 분포, 평균과 분산이 의미 있는 **종 모양**이 필요할 때는 정규 분포를 씁니다. 도메인 요구에 맞는 모델을 고르는 것이 중요합니다.

매번 random_device로 시드를 만들면 되나요?

암호학적 난수가 필요하면 별도 라이브러리를 쓰고, 시뮬레이션이면 **한 번 시드한 엔진**을 재사용하는 것이 일반적입니다. 시뮬레이션 재현을 위해 시드를 고정하기도 합니다.

rand() 대신 을 쓰는 이유는?

rand()는 품질·스레드 안전·분포 분리가 약합니다. 은 **엔진+분포**로 분리되어 통계적 성질과 테스트 재현성을 다루기 쉽습니다.

분포 객체를 재사용해도 되나요?

엔진 상태가 바뀌므로 같은 분포 객체를 여러 스레드에서 동시에 쓰면 레이스가 납니다. 스레드마다 엔진을 두거나 mutex로 보호하세요.

C++ Distribution | '확률 분포' 가이드

2026년 3월 12일 · 10분 읽기 · 수정 2026년 4월 7일 중급 튜토리얼

이 글의 핵심

C++ Distribution의 C++, Distribution, "확률, Distribution이란?를 실전 예제와 함께 상세히 설명합니다.

Distribution이란?

확률 분포 (C++11)

#include <random>

std::mt19937 gen{std::random_device{}()};

// 균등 분포
std::uniform_int_distribution<> uniform{1, 6};
int dice = uniform(gen);

// 정규 분포
std::normal_distribution<> normal{0.0, 1.0};
double value = normal(gen);

균등 분포

#include <random>

std::mt19937 gen{std::random_device{}()};

// 정수
std::uniform_int_distribution<> intDist{0, 99};
int randomInt = intDist(gen);

// 실수
std::uniform_real_distribution<> realDist{0.0, 1.0};
double randomDouble = realDist(gen);

실전 예시

예시 1: 정규 분포

#include <random>
#include <map>

int main() {
    std::mt19937 gen{std::random_device{}()};
    std::normal_distribution<> dist{100.0, 15.0};  // 평균 100, 표준편차 15
    
    std::map<int, int> histogram;
    
    for (int i = 0; i < 10000; ++i) {
        double value = dist(gen);
        ++histogram[static_cast<int>(std::round(value / 10) * 10)];
    }
    
    for (const auto& [value, count] : histogram) {
        std::cout << value << ": " << std::string(count / 100, '*') << std::endl;
    }
}

예시 2: 베르누이 분포

#include <random>

int main() {
    std::mt19937 gen{std::random_device{}()};
    std::bernoulli_distribution dist{0.7};  // 70% 확률
    
    int success = 0;
    for (int i = 0; i < 100; ++i) {
        if (dist(gen)) {
            ++success;
        }
    }
    
    std::cout << "성공: " << success << "/100" << std::endl;
}

예시 3: 이항 분포

#include <random>

int main() {
    std::mt19937 gen{std::random_device{}()};
    std::binomial_distribution<> dist{10, 0.5};  // 10번 시도, 50% 확률
    
    for (int i = 0; i < 10; ++i) {
        int successes = dist(gen);
        std::cout << "성공 횟수: " << successes << std::endl;
    }
}

예시 4: 가중치 선택

#include <random>
#include <vector>
#include <string>

int main() {
    std::vector<std::string> items = {"common", "uncommon", "rare", "epic", "legendary"};
    std::vector<double> weights = {0.5, 0.3, 0.15, 0.04, 0.01};
    
    std::mt19937 gen{std::random_device{}()};
    std::discrete_distribution<> dist{weights.begin(), weights.end()};
    
    std::map<std::string, int> drops;
    
    for (int i = 0; i < 1000; ++i) {
        int index = dist(gen);
        ++drops[items[index]];
    }
    
    for (const auto& [item, count] : drops) {
        std::cout << item << ": " << count << std::endl;
    }
}

분포 종류

C/C++ 예제 코드입니다.

// 균등
std::uniform_int_distribution<>      // 정수
std::uniform_real_distribution<>     // 실수

// 베르누이
std::bernoulli_distribution          // 참/거짓
std::binomial_distribution<>         // 이항
std::geometric_distribution<>        // 기하

// 정규
std::normal_distribution<>           // 정규
std::lognormal_distribution<>        // 로그 정규

// 포아송
std::poisson_distribution<>          // 포아송
std::exponential_distribution<>      // 지수

// 샘플링
std::discrete_distribution<>         // 가중치
std::piecewise_constant_distribution<>

자주 발생하는 문제

문제 1: 범위

// uniform_int_distribution: [a, b] (포함)
std::uniform_int_distribution<> intDist{0, 9};  // 0~9

// uniform_real_distribution: [a, b) (반개방)
std::uniform_real_distribution<> realDist{0.0, 1.0};  // 0.0 <= x < 1.0

문제 2: 파라미터

C/C++ 예제 코드입니다.

// 정규 분포: 평균, 표준편차
std::normal_distribution<> dist{100.0, 15.0};

// ❌ 잘못된 파라미터
// std::normal_distribution<> dist{100.0, -15.0};  // 음수 표준편차

// 파라미터 확인
auto params = dist.param();
std::cout << "평균: " << params.mean() << std::endl;
std::cout << "표준편차: " << params.stddev() << std::endl;

문제 3: 재설정

C/C++ 예제 코드입니다.

std::mt19937 gen{std::random_device{}()};
std::uniform_int_distribution<> dist{0, 99};

// 분포 재설정
dist.reset();

// 새로운 범위
dist = std::uniform_int_distribution<>{100, 199};

문제 4: 성능

// 분포 생성 비용
std::mt19937 gen{std::random_device{}()};

// ❌ 매번 생성
for (int i = 0; i < 1000; ++i) {
    std::uniform_int_distribution<> dist{0, 99};
    int r = dist(gen);
}

// ✅ 재사용
std::uniform_int_distribution<> dist{0, 99};
for (int i = 0; i < 1000; ++i) {
    int r = dist(gen);
}

활용 패턴

C/C++ 예제 코드입니다.

// 1. 균등 난수
std::uniform_int_distribution<> uniform{0, 99};

// 2. 정규 분포
std::normal_distribution<> normal{0.0, 1.0};

// 3. 가중치 선택
std::discrete_distribution<> discrete{weights.begin(), weights.end()};

// 4. 참/거짓
std::bernoulli_distribution bernoulli{0.5};

FAQ

Q1: Distribution은?

A: 확률 분포 (C++11).

Q2: 종류는?

A: 균등, 정규, 베르누이, 포아송 등.

Q3: 파라미터?

A: 분포마다 다름. 평균, 표준편차 등.

Q4: 재사용?

A: 권장. 생성 비용 있음.

Q5: 범위?

int: [a, b]
real: [a, b)

Q6: 학습 리소스는?

“C++ Primer”
“Effective Modern C++”
cppreference.com

같이 보면 좋은 글 (내부 링크)

이 주제와 연결되는 다른 글입니다.

심화 부록: 구현·운영 관점

이 부록은 앞선 본문에서 다룬 주제(「C++ Distribution | ‘확률 분포’ 가이드」)를 구현·런타임·운영 관점에서 다시 압축합니다. 도메인별 세부 구현은 글마다 다르지만, 입력 검증 → 핵심 연산 → 부작용(I/O·네트워크·동시성) → 관측의 흐름으로 장애를 나누면 원인 추적이 빨라집니다.

내부 동작과 핵심 메커니즘

flowchart TD
  A[입력·요청·이벤트] --> B[파싱·검증·디코딩]
  B --> C[핵심 연산·상태 전이]
  C --> D[부작용: I/O·네트워크·동시성]
  D --> E[결과·관측·저장]

sequenceDiagram
  participant C as 클라이언트/호출자
  participant B as 경계(런타임·게이트웨이·프로세스)
  participant D as 의존성(API·DB·큐·파일)
  C->>B: 요청/이벤트
  B->>D: 조회·쓰기·RPC
  D-->>B: 지연·부분 실패·재시도 가능
  B-->>C: 응답 또는 오류(코드·상관 ID)

불변 조건(Invariant): 버퍼 경계, 프로토콜 상태, 트랜잭션 격리, FD 상한 등 단계별로 문장으로 적어 두면 디버깅 비용이 줄어듭니다.
결정성: 순수 층과 시간·네트워크·스케줄에 의존하는 층을 분리해야 테스트와 장애 분석이 쉬워집니다.
경계 비용: 직렬화, 인코딩, syscall 횟수, 락 경합, 할당·GC, 캐시 미스를 의심 목록에 둡니다.
백프레셔: 생산자가 소비자보다 빠를 때 버퍼·큐·스트림에서 속도를 줄이는 신호를 어디에 둘지 정의합니다.

프로덕션 운영 패턴

영역	운영 관점 질문
관측성	요청 단위 상관 ID, 에러율·지연 p95/p99, 의존성 타임아웃·재시도가 대시보드에 보이는가
안전성	입력 검증·권한·비밀·감사 로그가 코드 경로마다 일관적인가
신뢰성	재시도는 멱등 연산에만 적용되는가, 서킷 브레이커·백오프·DLQ가 있는가
성능	캐시·배치 크기·커넥션 풀·인덱스·백프레셔가 데이터 규모에 맞는가
배포	롤백 룬북, 카나리/블루그린, 마이그레이션·피처 플래그가 문서화되어 있는가
용량	피크 트래픽·디스크·FD·스레드 풀 상한을 주기적으로 검증하는가

스테이징은 데이터 양·네트워크 RTT·동시성을 프로덕션에 가깝게 맞출수록 재현율이 올라갑니다.

확장 예시: 엔드투엔드 미니 시나리오

앞선 본문 주제(「C++ Distribution | ‘확률 분포’ 가이드」)를 배포·운영 흐름에 맞춰 옮긴 체크리스트입니다. 도메인에 맞게 단계 이름만 바꿔 적용할 수 있습니다.

입력 계약 고정: 스키마·버전·최대 페이로드·타임아웃·에러 코드를 경계에 둔다.
핵심 경로 계측: 요청 ID, 단계별 지연, 외부 호출 결과 코드를 로그·메트릭·트레이스에서 한 흐름으로 본다.
실패 주입: 의존성 타임아웃·5xx·부분 데이터·락 대기를 스테이징에서 재현한다.
호환·롤백: 설정/마이그레이션/클라이언트 버전을 되돌릴 수 있는지 확인한다.
부하 후 검증: 피크 대비 p95/p99, 에러율, 리소스 상한, 알림 임계값을 점검한다.

handle(request):
  ctx = newCorrelationId()
  validated = validateSchema(request)
  authorize(validated, ctx)
  result = domainCore(validated)
  persistOrEmit(result, idempotentKey)
  recordMetrics(ctx, latency, outcome)
  return result

문제 해결(Troubleshooting)

증상	가능 원인	조치
간헐적 실패	레이스, 타임아웃, 외부 의존성, DNS	최소 재현 스크립트, 분산 트레이스·로그 상관관계, 재시도·서킷 설정 점검
성능 저하	N+1, 동기 I/O, 락 경합, 과도한 직렬화, 캐시 미스	프로파일러·APM으로 핫스팟 확인 후 한 가지씩 제거
메모리 증가	캐시 무제한, 구독/리스너 누수, 대용량 버퍼, 커넥션 미반납	상한·TTL·힙/FD 스냅샷 비교
빌드·배포만 실패	환경 변수, 권한, 플랫폼 차이, lockfile	CI 로그와 로컬 diff, 런타임·이미지 버전 핀
설정 불일치	프로필·시크릿·기본값, 리전	스키마 검증된 설정 단일 소스와 배포 매트릭스 표준화
데이터 불일치	비멱등 재시도, 부분 쓰기, 캐시 무효화 누락	멱등 키·아웃박스·트랜잭션 경계 재검토

권장 순서: (1) 최소 재현 (2) 최근 변경 범위 축소 (3) 환경·의존성 차이 (4) 관측으로 가설 검증 (5) 수정 후 회귀·부하 테스트.

배포 전에는 git add → git commit → git push 후 npm run deploy 순서를 권장합니다.

이 글에서 다루는 키워드 (관련 검색어)

C++, distribution, random, probability, C++11 등으로 검색하시면 이 글이 도움이 됩니다.

이 글이 도움이 되셨나요?

여러분의 피드백은 더 나은 콘텐츠를 만드는 데 도움이 됩니다

문제가 있거나 개선 제안이 있으시면 연락처로 알려주세요.

Keyboard Shortcuts

C++ Distribution | '확률 분포' 가이드

이 글의 핵심

Distribution이란?

균등 분포

실전 예시

예시 1: 정규 분포

예시 2: 베르누이 분포

예시 3: 이항 분포

예시 4: 가중치 선택

분포 종류

자주 발생하는 문제

문제 1: 범위

문제 2: 파라미터

문제 3: 재설정

문제 4: 성능

활용 패턴

FAQ

Q1: Distribution은?

Q2: 종류는?

Q3: 파라미터?

Q4: 재사용?

Q5: 범위?

Q6: 학습 리소스는?

같이 보면 좋은 글 (내부 링크)

관련 글

심화 부록: 구현·운영 관점

내부 동작과 핵심 메커니즘

프로덕션 운영 패턴

확장 예시: 엔드투엔드 미니 시나리오

문제 해결(Troubleshooting)

이 글에서 다루는 키워드 (관련 검색어)

이 글이 도움이 되셨나요?