java random类生成伪随机数，其均匀性可通过分桶统计与卡方检验（离散型）或ks检验（连续型）验证，需大样本且注意种子、样本量及边界等实操细节。
Java 中 Random 类生成的是伪随机数，其核心是线性同余生成器（LCG），理论上在长期运行下应接近均匀分布。验证其概率分布是否符合预期，关键不在于“证明它完美随机”，而在于通过统计检验判断其在实际使用场景中是否足够可靠。
抽样并分桶统计频次
这是最直观的验证方式：生成大量随机数，按区间分组（即“分桶”），观察各桶频次是否大致相等。
- 例如生成 100 万次
nextInt(100)（范围 [0, 99]），统计每个整数出现次数；理想情况下每值约 10,000 次，允许小幅波动 - 对
nextDouble()，可将 [0.0, 1.0) 划分为 10 或 20 个等宽区间，统计落入各区间的数据量 - 用 HashMap 或数组计数，最后输出频次表或绘制直方图（如用 Apache Commons Math 的
Frequency工具类辅助）
卡方检验（Chi-square test）
这是量化评估分布均匀性的标准统计方法，适用于离散均匀分布验证（如 nextInt(n)）。
- 计算观测频次
O_i与期望频次E = 总样本数 / n的偏差平方和：χ² = Σ(O_i − E)² / E - 查卡方分布表（自由度 = n−1），若计算值小于临界值（如 α=0.05 下的阈值），则不能拒绝“分布均匀”的原假设
- Java 中可用
org.apache.commons.math3.stat.inference.ChiSquareTest直接调用chiSquareTest(expected, observed)
KS 检验（Kolmogorov-Smirnov test）
更适合连续型分布（如 nextDouble()、nextGaussian()）的拟合优度检验，比较经验分布函数与理论分布函数的最大偏差。
- 对
nextDouble()，理论分布是 [0,1) 上的均匀分布；KS 检验会返回 p 值，p > 0.05 表示无显著差异 - 注意 KS 检验对样本量敏感，建议至少 1000 个样本，推荐 10,000+ 提高稳定性
- Apache Commons Math 提供
KolmogorovSmirnovTest，传入样本数组和理论分布即可
避免常见陷阱
验证结果容易被误读，需注意几个实操细节：
- 种子固定 ≠ 分布偏差：用相同 seed 生成的序列是确定的，但只要算法设计正确，不同 seed 下的序列统计特性应一致
-
小样本不可靠：100 次
nextInt(10)出现某数 20 次很正常；统计检验要求大样本（通常 ≥ 5×桶数） - 别混淆“随机性”和“均匀性”：均匀分布只是基本要求，还需结合其他测试（如游程检验、自相关检验）评估序列独立性
-
注意边界行为：
nextInt(n)严格保证 [0,n) 整数均匀；但nextDouble()实际覆盖的是 [0,1−2⁻⁵³)，非数学意义上的 [0,1)，不过对绝大多数应用无影响
Java免费学习笔记：立即使用
解锁 Java 大师之旅：从入门到精通的终极指南
