分析中的下一步是计算标准化检验统计量 z：
double z = (R - expectedRuns) / Math.Sqrt(variance);
z 统计量等于模式中的实际游程数减去模式中的预期游程数，然后再除以预期游程数的标准偏差(即方差的平方根)后所得到的值。解译模式中的标准化游程数要比解译实际游程数容易。解译代码很简单，但在概念上稍微有些隐晦。它的开头如下所示：
if (z < -2.580 || z > 2.580)
{
Console.Write("充分证明 (1%) 模式不是随机生成的：");
Console.WriteLine(z < -2.580 ? "游程太少。" : 游程太多。");
}
我以百分之一的显著性水平执行了一次所谓的双侧检验。如果标准化检验统计量的绝对值大于 2.580，则不严格地说，这意味着所分析模式由随机过程生成的几率不到百分之一。值 2.580 源自统计表。如果检验统计量为负值，则实际游程数小于预期游程数，反之亦然。在图 2 中，我也在查找证明该模式不是随机生成的不充分证据。请注意，您在任何时候都不能肯定地说给定模式是随机生成的;您只能通过检验来了解是否存在统计证据来证明该模式不是随机生成的。
返回页首
混排项目列表
让我们讨论一下混排项目列表。如果您有一个测试用例输入集合并且想以随机顺序将其全部输送到所测试系统中，则混排项目列表很有用。您可以将混排列表看作是生成项目的随机排列。这个异常棘手的问题曾是大量研究工作的主题。最佳的通用混排算法称为 Fisher-Yates 算法。有时候也称之为 Knuth 混排算法。这种算法极其简单。假设有一个项目数组：
string[] animals = new string[] {
"ant", "bat", "cow", "dog", "elk", "fox" };
如果用 Fisher-Yates 算法的最常用形式来混排这列动物，将得到以下内容：
for (int i = 0; i < animals.Length; i++)
{
int r = objRan.Next(i, animals.Length);
文章来源于领测软件测试网 https://www.ltesting.net/
