如何用Boost Test库检查C++实体选中次数是否符合均等概率？

嗨，这个问题我之前做类似的概率验证测试时也碰到过！用Boost Test来验证5个实体选中概率的均匀性，其实有两种实用的思路，一种是简单直观的容差范围检查，另一种是更严谨的卡方统计检验，下面给你具体的实现方法和代码示例：

因为你执行了1000次测试，每个实体的期望选中次数是200。我们可以给每个计数设定一个可接受的偏差范围（比如±10%~±15%，具体可以根据你的精度需求调整），用Boost Test的断言来验证每个计数是否落在这个范围内。

代码示例： #

#include <boost/test/unit_test.hpp>
#include <vector>
#include <cmath>

BOOST_AUTO_TEST_CASE(test_uniform_entity_selection) {
    // 替换成你的实际测试结果
    std::vector<int> selection_counts = {202, 192, 224, 195, 187};
    const int total_trials = 1000;
    const int expected_count = total_trials / selection_counts.size(); // 计算期望的200

    // 设定可接受的偏差比例，这里用15%，你可以根据需求调整
    const double acceptable_deviation = 0.15;

    for (size_t i = 0; i < selection_counts.size(); ++i) {
        int count = selection_counts[i];
        // 计算相对偏差
        double deviation_ratio = std::abs(static_cast<double>(count - expected_count) / expected_count);
        
        // 用Boost Test的断言输出清晰的错误信息
        BOOST_CHECK_MESSAGE(deviation_ratio <= acceptable_deviation,
            "Entity " << (i + 1) << " has count " << count 
            << ", which deviates by " << deviation_ratio * 100 << "% (exceeds " << acceptable_deviation * 100 << "% tolerance)");
    }
}

如果想要更科学地验证观测结果是否符合均匀分布，卡方拟合优度检验是标准做法。它会计算观测值和期望值的差异，然后和临界值比较，判断是否能接受“分布均匀”的假设。

实现步骤： #

1. 计算卡方值：χ² = Σ[(观测值-期望值)² / 期望值]
2. 确定自由度：类别数-1（这里是5-1=4）
3. 选择置信水平（常用95%），对应的临界值可以查卡方分布表（自由度4时，95%置信水平的临界值是9.488）
4. 用Boost Test断言卡方值小于等于临界值

代码示例： #

#include <boost/test/unit_test.hpp>
#include <vector>
#include <cmath>

BOOST_AUTO_TEST_CASE(test_uniform_entity_selection_chi_square) {
    std::vector<int> selection_counts = {202, 192, 224, 195, 187};
    const int total_trials = 1000;
    const int expected_count = total_trials / selection_counts.size();

    double chi_square = 0.0;
    for (int count : selection_counts) {
        double diff = count - expected_count;
        chi_square += (diff * diff) / static_cast<double>(expected_count);
    }

    // 自由度4，95%置信水平的临界值
    const double critical_value = 9.488;

    BOOST_CHECK_MESSAGE(chi_square <= critical_value,
        "Chi-square test failed! Calculated value: " << chi_square 
        << ", Critical value (95% confidence, df=4): " << critical_value);
}

• 如果你的测试次数增加（比如10000次），可以缩小容差范围，或者卡方检验的结果会更可靠
• 卡方检验的前提是每个类别的期望频数至少为5，这里200完全满足要求
• Boost Test中BOOST_CHECK_MESSAGE会在断言失败时输出自定义信息，方便定位问题；如果需要断言失败就终止测试，可以改用BOOST_REQUIRE_MESSAGE

内容的提问来源于stack exchange，提问作者Ashot Khachatryan