了解“随机性”
我无法理解这一点，这更随机？
rand()
要么
rand() * rand()
我发现它是一个真正的脑力激荡，你能帮我吗？
编辑：
直觉上我知道数学答案是他们同样是随机的，但我不禁想到，如果你将两个数字相乘时你“运行随机数算法”两次，你会创建一个更随机的东西，而不仅仅是做它曾经。
只是澄清
虽然以前的答案是正确的，只要您尝试发现伪随机变量或其乘法的随机性，您应该意识到虽然Random（）通常是均匀分布的，但Random（）* Random（）不是。
例
这是一个通过伪随机变量模拟的均匀随机分布样本：
BarChart[BinCounts[RandomReal[{0, 1}, 50000], 0.01]]
虽然这是将两个随机变量相乘后得到的分布：
BarChart[BinCounts[Table[RandomReal[{0, 1}, 50000] *
RandomReal[{0, 1}, 50000], {50000}], 0.01]]
所以，两者都是“随机的”，但它们的分布是非常不同的。
另一个例子
虽然2 * Random（）是均匀分布的：
BarChart[BinCounts[2 * RandomReal[{0, 1}, 50000], 0.01]]
随机（）+随机（）不是！
BarChart[BinCounts[Table[RandomReal[{0, 1}, 50000] +
RandomReal[{0, 1}, 50000], {50000}], 0.01]]
中心极限定理
中心极限定理表明随着项的增加，Random（）的和趋于正态分布。
仅用四个词就可以得到：
BarChart[BinCounts[Table[RandomReal[{0, 1}, 50000] + RandomReal[{0, 1}, 50000] +
Table[RandomReal[{0, 1}, 50000] + RandomReal[{0, 1}, 50000],
{50000}],
0.01]]
在这里，您可以通过加上1,2,4,6,10和20个均匀分布的随机变量来看到从均匀分布到正态分布的道路：
编辑
几个学分
感谢Thomas Ahle在评论中指出，最后两张图片中显示的概率分布被称为Irwin-Hall分布
感谢Heike为她的奇妙的[]功能
我猜这两种方法都是随机的，尽管我的直觉会说rand() * rand()的随机性较小，因为它会使更多的零点播种。 一旦rand()为0 ，总数就变为0
也不是“更随机”。
rand()根据伪随机种子生成一组可预测的数字（通常基于当前时间，该时间总是在变化）。 乘以序列中的两个连续数字会生成一个不同的，但同样可预测的数字序列。
解决这是否会减少碰撞，答案是否定的。 由于0 < n < 1两个数字相乘的效果，它实际上会增加碰撞。 结果将是一个较小的部分，导致结果偏向于频谱的较低端。
一些进一步的解释。 在下文中，“不可预知”和“随机”是指某人根据以前的数字猜测下一个数字的能力，即。 一个神谕。
给定种子x ，它会生成以下值列表：
0.3, 0.6, 0.2, 0.4, 0.8, 0.1, 0.7, 0.3, ...
rand()将生成上面的列表，并且rand() * rand()将生成：
0.18, 0.08, 0.08, 0.21, ...
两种方法都会为相同的种子生成相同的数字列表，因此可以通过预言来预测。 但是如果你看看两个调用相乘的结果，你会发现它们都在0.3尽管在原始序列中分布不错。 由于乘以两个分数的影响，这些数字是有偏差的。 由此产生的数字总是较小，因此尽管仍然不可预测，但更有可能是碰撞。