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。

“随机”与“更随机”有点像问哪个零更为零。

在这种情况下，rand是PRNG，所以不是完全随机的。（事实上，如果种子是已知的，那是完全可以预测的）。将其乘以另一个值，使其不再随机。

真正的加密类型RNG实际上是随机的。通过任何类型的函数运行值都不能增加更多的熵，而且很可能会删除熵，使其不再随机。

两者都不是“更随机”的。

rand（）基于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）。将序列中的两个连续数字相乘，生成一个不同但同样可预测的数字序列。

关于这是否会减少冲突，答案是否定的。它实际上会增加冲突，这是因为在0<n<1的情况下，两个数字相乘的结果。结果将是一个较小的分数，导致结果偏向频谱的低端。

一些进一步的解释。在下文中，“不可预测”和“随机”是指某人根据先前的数字猜测下一个数字的能力，即预言。

给定生成以下值列表的种子x：

0.3, 0.6, 0.2, 0.4, 0.8, 0.1, 0.7, 0.3, ...

rand（）将生成上述列表，rand（*rand）将生成：

0.18, 0.08, 0.08, 0.21, ...

这两种方法将始终为同一种子生成相同的数字列表，因此预言者同样可以预测。但是如果你看一下两个调用相乘的结果，你会发现它们都在0.3以下，尽管在原始序列中分布良好。由于两个分数相乘的影响，这些数字是有偏差的。由此产生的数字总是较小，因此更可能发生碰撞，尽管仍然无法预测。

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。

根据您的计算机体系结构，相乘数字最终会得到更小的解决方案范围。

如果您的计算机显示16位数字，rand（）将为0.1234567890123乘以第二个rand（），0.1234567890123，将得到0.0152415如果你把实验重复10^14次，你肯定会找到更少的解决方案。

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。