4. 随机性测试的统计语言
随机数发生器输出的比特流看起来“像不像随机”，不能靠肉眼判断，也不能靠“感觉均匀”下结论。NIST STS、Dieharder、TestU01 这些测试套件，本质上都在做同一件事：把一段比特流交给某个统计量，算出它在“理想随机”假设下出现的概率，再据此判断这段序列是否可疑。要读懂它们的输出，必须先掌握一套统计语言：假设检验、显著性水平、p 值、两类错误，以及多重比较问题。
一、假设检验：把“随机”变成一个可检验的命题
假设检验的核心思路是“反证”。我们先把待检验的命题设为原假设 H₀，在本课程中通常就是“该比特流来自理想随机源，比特独立且 0/1 等概率”。与之对立的备择假设 H₁ 是“该比特流不满足理想随机性”。
但“随机”本身无法被直接证明，只能通过某个统计量间接观察。于是我们构造一个检验统计量，例如频数检验中的 0/1 计数偏差、游程检验中的游程长度分布、块内频数检验中的块内 1 的比例。在 H₀ 成立时，这个统计量的分布是已知的——通常近似服从正态分布、χ² 分布或其它标准分布。把实际观测值代入，就能算出“在 H₀ 为真时，出现当前或更极端结果的概率”，这就是 p 值。
因此，一次随机性测试的完整逻辑链是：设定 H₀ → 选择统计量 → 推导 H₀ 下的分布 → 计算观测值 → 得到 p 值 → 与显著性水平比较 → 做出判断。NIST STS 的每一项测试，都是这条链的一个具体实例。
二、显著性水平 α 与 p 值：判断的标尺
显著性水平 α 是我们事先设定的“容忍犯错的阈值”，表示在 H₀ 为真时，我们愿意以多大概率错误地拒绝它。工程中常用 α = 0.01，NIST STS 默认也采用 0.01。α 越小，判断越保守，越不容易把合格序列误判为不合格，但也越容易漏掉真正有问题的序列。
p 值 是数据给出的证据强度。判断规则非常直接：
- 若 p ≥ α，不拒绝 H₀，认为该测试未发现异常；
- 若 p < α，拒绝 H₀，认为该测试发现异常，序列在该项上不合格。
需要特别强调：p 值不是“序列是随机的概率”，也不是“H₀ 为真的概率”。它只是“在 H₀ 为真时，观测到当前或更极端结果的概率”。p = 0.03 并不意味着“有 3% 的概率是随机的”，而是“如果序列真的随机，出现这种偏差的概率约为 3%”。这是初学者最容易误解的地方。
三、第一类错误与第二类错误
任何基于阈值的判断都会犯错，错误分两类：
| 错误类型 | 含义 | 概率 | 后果 |
|---|---|---|---|
| 第一类错误（弃真） | H₀ 为真却拒绝它 | α | 把合格随机源误判为不合格 |
| 第二类错误（取伪） | H₀ 为假却不拒绝它 | β | 把有缺陷的随机源误判为合格 |
α 由我们事先设定，β 则取决于真实偏差大小、样本长度和检验方法，通常难以精确控制。二者存在权衡：降低 α 会减少误杀，但会增大 β，使弱偏差更难被发现。在随机数检测中，增大样本长度、增加测试项、使用更敏感的统计量，都可以在保持 α 不变的前提下降低 β。
这里有一个工程上的关键认识：“通过测试”不等于“证明随机”。它只意味着“在给定样本长度和显著性水平下，没有发现足以拒绝 H₀ 的证据”。一个设计糟糕的伪随机发生器，完全可能通过某一项测试，却通不过另一项。
四、多重比较问题：为什么不能只看单项结果
NIST STS 包含 15 项测试，每项又可能产生多个 p 值；Dieharder 的测试项更多。如果对每个 p 值都独立地用 α = 0.01 判断，那么即使输入是完全理想的随机序列，也会有一定比例的测试“偶然失败”。
假设有 m 个相互独立的检验，每个检验在 H₀ 为真时误拒概率为 α，则至少出现一次误拒的概率约为 1 − (1 − α)m。当 m = 100、α = 0.01 时，这个概率约为 63%。也就是说，即使序列完全合格，也大概率会看到若干项 p < 0.01。这就是多重比较问题。
处理多重比较的常见方法有三类：
- Bonferroni 校正：把单项阈值改为 α/m。简单保守，但 m 很大时过于严格，容易漏检。
- 比例判据：NIST STS 采用的方式。它不要求所有 p 值都 ≥ α，而是统计 p < α 的比例，并检查该比例是否落在置信区间内。例如 1000 个 p 值中，允许约 1% 落在 [0, 0.01) 区间，但若显著超过这个比例，则判定异常。
- p 值均匀性检验：把所有 p 值收集起来，用 χ² 或 KS 检验判断它们是否服从均匀分布。若 p 值整体偏小或分布畸形，说明发生器存在系统性问题。
因此，实际使用 NIST STS 时，正确做法不是“逐项看有没有 p < 0.01”，而是：先看各测试项的 p 值通过比例，再看 p 值整体分布是否均匀，最后结合具体失败项定位问题。单点失败可能是偶然，系统性失败才指向真正的缺陷。
五、把统计语言落到测试套件上
理解了上述概念，再看 NIST STS 的输出就不会迷惑。它给出的每一项 p 值，都是在 H₀ 下计算出的证据强度；它给出的“通过比例”，是在处理多重比较；它给出的“p 值均匀性检验结果”，是在检查整体分布是否正常。Dieharder 的 -a 全量测试、TestU01 的 BigCrush 套件，同样遵循这套逻辑，只是测试项更多、统计量更复杂。
实际判断时，建议按以下顺序阅读结果：
- 先看总体通过比例是否接近 1 − α，而不是逐项盯 p 值；
- 再看 p 值是否整体服从均匀分布，若大量 p 值偏小，说明存在系统性偏差；
- 最后定位具体失败项，结合该测试的统计含义分析原因，例如频数检验失败指向 0/1 比例失衡，游程检验失败指向局部相关性；
- 若只有个别项偶然失败，可增大样本长度复测，观察失败是否稳定复现。
这套统计语言是后续所有随机性测试工具的共同基础。掌握了 H₀、α、p 值、两类错误和多重比较，就能把测试套件输出的数字翻译成对随机源质量的可靠判断，而不是被单个 p 值牵着走。