3. 随机数质量评估指标体系

在仿真、蒙特卡洛积分、密码学与统计抽样中，“随机数”并不是一个模糊的形容词，而是一组可以被度量、被检验、被比较的工程属性。一个随机数发生器（RNG）或伪随机数发生器（PRNG）能否用于某项任务，取决于它在若干关键指标上的表现。本节围绕均匀性、独立性、周期性、可重复性四个核心指标，说明它们的定义、数学表达、评估意义，以及在实际工作中如何观察和判断。

一、均匀性：取值分布是否“铺得平”

均匀性描述随机数落在取值区间内各子区间的概率是否一致。对理想 U(0,1) 随机数序列 {x₁, x₂, …, x_N}，任意子区间 [a,b) ⊂ [0,1) 应满足 P(a ≤ x < b) = b − a。工程上最常用的检验是把 [0,1) 等分为 k 个区间（bin），统计落入第 i 个区间的样本数 nᵢ，构造卡方统计量：

χ² = Σᵢ (nᵢ − N/k)² / (N/k)，自由度 df = k − 1
期望频数 E = N/k，要求 E ≥ 5（经验准则）

若 χ² 超过给定显著性水平 α（如 0.05）下的临界值，则拒绝“均匀”假设。例如取 N = 10000、k = 10，则 E = 1000，df = 9，α = 0.05 时临界值约为 16.92；若算得 χ² = 8.4，则不能拒绝均匀性假设。除卡方检验外，Kolmogorov–Smirnov 检验（比较经验分布函数与理论分布函数的最大偏差）也常用于连续型均匀性评估。

均匀性的评估意义在于：它直接决定蒙特卡洛估计的无偏性。若某些区间被系统性多抽或少抽，积分估计会出现偏差，且这种偏差不会随样本量增大而自动消失。实际观察时，可先画直方图做直观判断，再用卡方检验给出统计结论；两者结合，避免“看起来差不多”的主观误判。

二、独立性：前后样本是否“互不记忆”

独立性要求序列中任意位置的取值不携带其他位置的信息，即联合分布等于边缘分布之积：P(xᵢ ≤ a, xⱼ ≤ b) = P(xᵢ ≤ a)·P(xⱼ ≤ b)（i ≠ j）。对 PRNG 而言，独立性是最容易被破坏、也最容易被忽视的指标——线性同余发生器在高维空间中会落入少数超平面，表现为相邻样本存在可检测的相关结构。

常用评估手段包括：

• 自相关检验：计算滞后 h 的样本相关系数 r(h) = Σ(xᵢ − x̄)(xᵢ₊ₕ − x̄) / Σ(xᵢ − x̄)²，在独立假设下 r(h) 近似服从 N(0, 1/N)，可用 |r(h)| > 1.96/√N 作为 5% 显著性下的警戒线。
• 游程检验：统计序列中“上升/下降”或“高于/低于中位数”的游程数，检验其是否偏离独立情形下的期望值。
• 扑克检验与间隔检验：把连续若干个数分组，检查各组模式出现频率是否符合独立假设。

独立性的评估意义在于：许多仿真模型（如排队系统、粒子输运）依赖“当前抽样不受历史影响”这一前提。若相邻随机数正相关，方差估计会被低估，置信区间偏窄，导致对系统性能的判断过于乐观。实践中建议至少检查滞后 1～20 的自相关系数，并对关键应用补充游程检验。

三、周期性：序列何时开始“重演”

任何有限状态的 PRNG 都必然周期。设发生器内部状态空间大小为 M，则其输出序列的周期 T 满足 T ≤ M。周期性的数学表达即存在最小正整数 T，使得对充分大的 n 有 xₙ₊ₜ = xₙ。对线性同余发生器 xₙ₊₁ = (a·xₙ + c) mod m，当且仅当 c 与 m 互素、a − 1 能被 m 的所有素因子整除、且 m 为 4 的倍数时 a − 1 能被 4 整除，才能达到满周期 m。

评估周期性的现实做法不是“跑完一个周期”，而是：确认发生器的理论周期参数（如 m = 2³¹ − 1 的 Mersenne Twister 周期为 2¹⁹⁹³⁷ − 1），并检查实际使用中单次仿真的抽样总量是否远小于周期（工程经验通常要求 N ≪ T，例如 N 不超过 T 的平方根量级更稳妥）。若仿真需要数十亿样本而所用发生器周期仅 2³²，则序列重复会引入系统性偏差。

周期性的评估意义在于：它决定了随机数可安全使用的“样本预算”。周期不足时，重复片段会使方差估计失真、稀有事件被重复计数，且这种问题往往在长跑仿真后期才暴露，排查成本高。

四、可重复性：同种子是否同结果

可重复性指给定相同种子（seed）与相同算法，发生器输出完全一致的序列。其数学表达可写为：若 seed₁ = seed₂ 且算法参数相同，则对任意 n，xₙ(seed₁) = xₙ(seed₂)。这是伪随机数相对真随机数的核心工程优势——它使仿真实验可复现、可审计、可对比。

实现可重复性的关键操作包括：显式记录种子与算法标识；避免在并行环境中让多个线程共享同一发生器状态（应使用独立子流或按线程分流）；固定随机数消耗顺序，避免因条件分支导致抽样次数变化而错位。例如在 Python 中可用 numpy.random.default_rng(20240501) 建立独立生成器，并在实验记录中保存该种子值。

可重复性的评估意义在于：它是排障与验证的基础。当仿真结果异常时，只有能复现同一序列，才能定位是模型逻辑问题还是随机波动；在科研与工程评审中，可重复性也是结果可信度的前提。

五、四项指标的关系与综合判断

四项指标并非彼此独立：均匀性与独立性共同构成“统计随机性”，周期性是有限状态的固有限制，可重复性则是工程可控性要求。实际选型时，应先明确应用对样本量、维度、可复现性的要求，再对照指标逐项核查，而不是只看单一检验是否通过。

把四项指标落到一次具体评估中，可以形成如下判断顺序：先确认发生器理论周期是否满足样本预算；再用卡方检验与自相关检验核查均匀性与独立性；最后验证同种子重跑是否逐位一致。三项统计检验通过、周期与可重复性满足要求，才可认为该随机数源适合当前仿真任务。需要强调的是，任何单一检验通过都不足以证明“质量好”，指标之间应相互印证，并结合具体应用场景设定阈值。