事实上，仔细想想rand（）*rand（（）比rand（。原因如下。

基本上，奇数和偶数的数量相同。假设0.04325是奇数，像0.388是偶数，0.4是偶数，0.15是奇数，

这意味着rand（）有相等的机会成为偶数或奇数小数。

另一方面，rand（）*rand（（）的几率有点不同。让我们说：

double a = rand();
double b = rand();
double c = a * b;

a和b都有50%的几率是偶数或奇数。知道这一点

偶数*偶数=偶数偶数*奇数=偶数奇数*奇数=奇数奇数*偶数=偶数

这意味着c有75%的几率是偶数，而只有25%的几率是奇数，这使得rand（）*rand（（）的值比rand）更可预测，因此随机性更小。

关于“随机性”的一些事情是反直觉的。

假设rand（）的平面分布，下面将得到非平面分布：

高偏差：sqrt（rand（范围^2））中间偏差峰值：（rand（range）+rand（range））/2低：偏差：范围-sqrt（rand（范围^2））

有很多其他方法可以创建特定的偏置曲线。我对rand（）*rand（（）做了一个快速测试，它得到了一个非常非线性的分布。

正如其他人已经指出的那样，这个问题很难回答，因为我们每个人的大脑中都有自己的随机性图景。

这就是为什么，我强烈建议您花一些时间阅读本网站，以更好地了解随机性：

http://www.random.org/

回到真正的问题。在这个术语中没有或多或少的随机性：

两者都只是随机出现的！

在这两种情况下-仅rand（）或rand（*rand）-情况相同：在几十亿个数字之后，序列将重复（！）。对观察者来说，它似乎是随机的，因为他不知道整个序列，但计算机没有真正的随机源，所以他也不能产生随机性。

天气是随机的吗？我们没有足够的传感器或知识来确定天气是否随机。

你要寻找的概念是“熵”，即弦的无序程度位。从“最大熵”的概念来看，这个概念最容易理解。

具有最大熵的比特串的一个近似定义是，它不能用更短的比特串来精确表达（即，使用某种算法将较小的字符串扩展回原始字符串）。

最大熵与随机性的相关性源于以下事实：如果你“随机”选择一个数字，你几乎肯定会选择一个其比特串接近于具有最大熵，也就是说，它不能被压缩。这是我们对“随机”数特征的最好理解。

所以，如果你想从两个随机样本中产生一个随机数，它是随机，将两个位字符串连接在一起。实际上，你只是将样本填充到双倍长度单词的高半部分和低半部分。

从更实际的角度来看，如果你发现自己背负着一个蹩脚的rand（），它可以有时有助于将两个样本混合在一起——尽管，如果真的是盈亏平衡的话那个程序没用。

只是一个澄清

尽管每当你试图发现伪随机变量或其乘法的随机性时，前面的答案都是正确的，但你应该知道，虽然random（）通常是均匀分布的，但random（*random）却不是。

实例

这是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]]

这是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

当2*Random（）均匀分布时：

        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

中心极限定理指出，随着项的增加，Random（）的和趋于正态分布。

只需四个术语即可获得：

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，通过将1、2、4、6、10和20个均匀分布的随机变量相加，可以看到从均匀分布到正态分布的道路：

Edit

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称为Irwin Hall分布

感谢Heike出色的撕裂功能

这里有一个简单的答案。考虑垄断。你掷两个六面骰子（对于喜欢游戏符号的人来说是2d6），然后求和。最常见的结果是7，因为有6种可能的方式可以掷7（1,6,5,3,44,3,5,2和6,1）。而2只能在1，1上滚动。很容易看出，掷1d6和掷1d12是不同的，即使范围相同（忽略1d12上可以得到1，点保持不变）。将结果相乘而不是相加会以类似的方式扭曲它们，因为大多数结果都位于范围的中间。如果您试图减少异常值，这是一个好方法，但它无助于使分布均匀。

（奇怪的是，它也会增加低掷。假设你的随机性从0开始，你会看到一个峰值在0，因为它会将其他掷骰变成0。考虑两个介于0和1（包括0和1）之间的随机数，然后相乘。如果其中一个结果为0，则无论其他结果如何，整个结果都将变为0。从中得到1的唯一方法是两卷都是1。在实践中，这可能无关紧要，但这会形成一个奇怪的图形。）