4. 随机数生成原理与实现

在概率统计计算与随机模拟中，随机数是整个计算流程的起点。无论是估计圆周率、模拟排队系统，还是做蒙特卡洛积分，我们都需要大量服从特定分布的随机数。然而计算机本身是确定性的，它无法产生真正意义上的随机数，只能通过确定性算法生成看起来像随机的数列，这类数列被称为伪随机数。本节围绕伪随机数的生成原理、Python 中的实现方式以及均匀性检验展开。

一、伪随机数生成器的核心思想

伪随机数生成器（PRNG）本质上是一个确定性递推公式：给定一个初始种子（seed），后续每一个数都由前一个数通过固定运算得到。只要种子相同，生成的序列就完全相同，这既是缺点也是优点——缺点是可预测，优点是可复现，这对科学计算至关重要。

最经典的生成器是线性同余生成器（Linear Congruential Generator，LCG）。它的递推关系为：

X_{n+1} = (a * X_n + c) mod m
U_n = X_n / m

其中 m 为模数，a 为乘子，c 为增量，X_0 为种子。参数选择直接决定序列质量。例如取 m = 2^31、a = 1103515245、c = 12345，就是早期 C 语言常用的参数。LCG 计算极快，但存在明显缺陷：低位随机性差、周期有限、高维空间中点会落在少数超平面上（即所谓“晶格结构”），因此不适合高精度模拟。

现代 Python 的 random 模块默认使用梅森旋转算法（Mersenne Twister，MT19937）。它的状态是一个 624 个 32 位整数组成的数组，周期长达 2^19937 − 1，分布均匀性远优于 LCG，且经过大量统计检验。其代价是需要维护较大的内部状态，生成速度略慢于 LCG，但对绝大多数应用完全够用。

二、用 Python 生成均匀随机数

Python 标准库 random 提供 random.random()，返回 [0, 1) 区间的浮点数；random.seed() 用于固定种子。若需要批量生成，random.uniform(a, b) 可映射到任意区间。示例：

import random
random.seed(42)
samples = [random.random() for _ in range(5)]
print(samples)
# 示例输出（固定种子下可复现）：
# [0.6394267984578837, 0.025010755222666936, ...]

在数值计算场景中，更常用的是 numpy.random。它支持向量化批量生成，效率远高于循环调用。传统接口为 np.random.rand(n) 或 np.random.uniform(0, 1, n)；新版本推荐使用 np.random.default_rng(seed) 创建生成器对象，再调用 rng.random(n)，其底层为 PCG64，统计性质更好且线程安全。

import numpy as np
rng = np.random.default_rng(2024)
u = rng.random(10000)          # 10000 个 [0,1) 均匀随机数
print(u.mean(), u.min(), u.max())
# 示例结果约为 0.4998, 0.0001, 0.9999

注意 np.random.seed() 是全局状态，多个函数共享会互相干扰；而 default_rng 返回独立对象，更适合模块化代码和并行实验。

三、均匀性检验

生成随机数后，必须验证其是否“像”均匀分布。最直观的方法是直方图：把 [0,1) 分成 k 个等宽区间，统计落入各区间的频数，理想情况下各区间频数应接近 n/k。若某个区间明显偏高或偏低，说明分布有偏。

更严格的检验是卡方拟合优度检验。设将 [0,1) 分为 k 个区间，观测频数为 O_i，期望频数为 E_i = n/k，统计量：

χ² = Σ (O_i − E_i)² / E_i

在原假设“样本服从均匀分布”下，χ² 近似服从自由度为 k−1 的卡方分布。若计算得到的 χ² 大于临界值（例如显著性水平 α = 0.05 对应的分位数），则拒绝原假设，认为随机数均匀性不佳。示例：

from scipy import stats
u = rng.random(10000)
counts, _ = np.histogram(u, bins=10, range=(0, 1))
chi2, p = stats.chisquare(counts)
print(f"chi2={chi2:.2f}, p={p:.3f}")
# 若 p > 0.05，则不能拒绝均匀性假设

除卡方检验外，还可观察均值是否接近 0.5、方差是否接近 1/12 ≈ 0.0833，以及做游程检验、KS 检验等。实际工程中，单次检验通过不代表序列完美，通常需要多组种子、多种检验综合判断。

总结来说，伪随机数的质量取决于算法与参数，Python 的 random 与 numpy.random 已封装了成熟生成器；使用时应固定种子保证可复现，并通过直方图与卡方检验确认均匀性，为后续的随机模拟打下可靠基础。