当你对随机数的组合会发生什么感到怀疑时，你可以利用你在统计理论中学到的经验。

在OP的情况下，他想知道X*X=X^2的结果是什么，其中X是沿统一[0,1]分布的随机变量。我们将使用CDF技术，因为它只是一对一映射。

由于X~Uniform[0,1]，其cdf为：fX（X）=1我们需要转换Y<-X^2，因此Y=X^2求逆x（y）：sqrt（y）=x，这给出了x作为y的函数。接下来，求导数dx/dy:d/dy（sqrt（y））=1/（2sqrt（y）

Y的分布如下：fY（Y）=fX（x（Y））|dx/dy |=1/（2 sqrt（Y）

我们还没有完成，我们必须得到Y的域，因为0<=x<1，0<=x^2<1因此Y在范围[0，1）内。如果你想检查Y的pdf是否真的是pdf，请在域中集成它：从0到1集成1/（2 sqrt（Y）），实际上，它会弹出为1。此外，请注意所述函数的形状看起来像belisarious发布的内容。

至于X1+X2+…+Xn，（其中Xi ~一致[0,1]），我们可以求助于中心极限定理，它适用于存在矩的任何分布。这就是Z检验存在的原因。

用于确定生成的pdf的其他技术包括雅可比变换（这是cdf技术的广义版本）和MGF技术。

编辑：作为澄清，请注意，我所说的是结果转换的分布，而不是其随机性。这实际上是一个单独的讨论。我实际上得到的是（rand（））^2。对于rand（）*rand（（），它要复杂得多，无论如何，这不会导致任何类型的均匀分布。

假设rand（）返回一个介于[0，1）之间的数字，很明显rand（*rand）将偏向于0。这是因为将x乘以[0，1）之间的数字将得到一个小于x的数字。下面是10000个随机数的分布：

google.charts.load（“current”，{packages:[“corechart”]}）；google.cacharts.setOnLoadCallback（drawChart）；函数drawChart（）{变量i；var randomNumbers=[]；对于（i=0；i<10000；i++）{randomNumbers.push（Math.rrandom（）*Math.random（））；}var chart=新的google.visability.Histogram（document.getElementById（“chart-1”））；var data=新的google.visibility.DataTable（）；data.addColumn（“数字”，“值”）；randomNumbers.forEach（函数（randomNumber）{data.addRow（[randomNumber]）；});chart.draw（数据{title:randomNumbers.length+“rand（）*rand（值介于[0，1）之间”，图例：｛位置：“无”｝});}<script src=“https://www.gstatic.com/charts/loader.js“></script><div id=“chart-1”style=“height:500px”>正在生成图表</分区>

如果rand（）返回[x，y]之间的整数，则得到以下分布。注意奇数与偶数的数量：

google.charts.load（“current”，{packages:[“corechart”]}）；google.cacharts.setOnLoadCallback（drawChart）；document.querySelector（“#绘制图表”）.addEventListener（“单击”，绘制图表）；函数randomInt（最小值，最大值）{return Math.floor（Math.random（）*（max-min+1））+min；}函数drawChart（）{var min=编号（document.querySelector（“#rand min”）.value）；var max=编号（document.querySelector（“#rand max”）.value）；如果（最小值>=最大值）{回来}变量i；var randomNumbers=[]；对于（i=0；i<10000；i++）{randomNumbers.push（randomInt（最小，最大）*randomInt（最小，最小））；}var chart=新的google.visability.Histogram（document.getElementById（“chart-1”））；var data=新的google.visibility.DataTable（）；data.addColumn（“数字”，“值”）；randomNumbers.forEach（函数（randomNumber）{data.addRow（[randomNumber]）；});chart.draw（数据{title:randomNumbers.length+“rand（）*rand（（）值介于[“+min+”，“+max+”]”之间，图例：｛位置：“无”｝，直方图：｛bucketSize:1｝});}<script src=“https://www.gstatic.com/charts/loader.js“></script><input-type=“number”id=“rand-min”value=“0”min=“0“max=“10”><input type=“number”id=“rand max”value=“9”min=“0”max=“10”><input type=“button”id=“draw chart”value=“Apply”><div id=“chart-1”style=“height:500px”>正在生成图表</分区>

这不是很明显，但rand（）通常比rand（*rand）更随机。重要的是，对于大多数用途来说，这实际上不是很重要。

但首先，它们产生了不同的分布。如果这是你想要的，这不是问题，但这很重要。如果你需要一个特定的分布，那么忽略整个“哪个更随机”的问题。那么为什么rand（）更随机呢？

rand（）之所以更随机（假设它产生的是[0..1]范围内的浮点随机数，这是非常常见的）的核心是，当你将两个FP数与尾数中的大量信息相乘时，你会在结尾处丢失一些信息；IEEE双精度浮点中没有足够的位来保存从[0..1]中均匀随机选择的两个IEEE双精度浮点数中的所有信息，这些额外的信息位将丢失。当然，这无关紧要，因为你（可能）不会使用这些信息，但损失是真实的。您产生哪种分布（即，使用哪种操作进行组合）也并不重要。这些随机数中的每一个都有（最多）52位随机信息——这就是IEEE双精度的容量——如果你将两个或多个随机数合并为一个，那么你仍然只能拥有最多52位的随机信息。

大多数随机数的使用甚至没有使用随机源中实际可用的那么多随机性。得到一个好的PRNG，不要太担心它。（“好”的程度取决于你在用它做什么；你在做蒙特卡洛模拟或密码学时必须小心，否则你可能会使用标准PRNG，因为这通常要快得多。）

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。

没有比这更随机的了。它要么是随机的，要么不是随机的。随机意味着“难以预测”。这并不意味着不确定性。如果random（）是随机的，那么random（（）和random（*random）都是随机的。就随机性而言，分布是无关紧要的。如果出现不均匀分布，则意味着某些值比其他值更有可能；它们仍然是不可预测的。由于涉及伪随机性，所以这些数字非常具有确定性。然而，在概率模型和模拟中，伪随机性通常是足够的。众所周知，使伪随机数生成器复杂化只会使其难以分析。不太可能提高随机性；它经常导致它无法通过统计测试。随机数的期望财产很重要：重复性和再现性、统计随机性、（通常）均匀分布和大周期是少数几个。关于随机数上的变换：正如有人所说，两个或多个均匀分布的和产生正态分布。这是加法中心极限定理。无论源分布如何，只要所有分布都是独立和相同的，它都适用。乘性中心极限定理表示两个或多个独立且一致分布的随机变量的乘积是对数正态的。其他人创建的图形看起来是指数型的，但实际上是对数正态的。因此random（）*random（（）是对数正态分布的（尽管它可能不是独立的，因为数字是从同一个流中提取的）。这在某些应用中可能是期望的。然而，通常最好生成一个随机数并将其转换为对数正态分布数。Random（）*Random（）可能很难分析。

欲了解更多信息，请访问www.performorama.org查阅我的书。这本书正在建设中，但相关材料已经存在。请注意，章节和章节编号可能会随时间而变化。第8章（概率论）——第8.3.1和8.3.3节，第10章（随机数）。

好的，所以我会尝试添加一些值来补充其他答案，说你正在创建和使用一个随机数生成器。

随机数发生器是一种具有多种特性的设备（从非常普遍的意义上讲），可以根据需要进行修改。其中一些（来自我）是：

熵：如香农熵分布：统计分布（泊松、正态等）类型：数字的来源（算法、自然事件、组合等）和应用的算法。效率：执行的速度或复杂性。模式：周期、顺序、运行等。也许还有更多。。。

在这里的大多数答案中，分布是主要的关注点，但通过混合和匹配函数和参数，您可以创建生成随机数的新方法，这些随机数将具有不同的特征，其中一些特征乍一看可能不明显。