概率结构与随机性检验（probability-randomness-testing）

功能定位

S2 · 地基。在一切规律探索之前，先算清「事件的罕见度」与「数据是否随机」，并对批量发现做多重比较校正，防止把随机噪声当规律。核心原则：结论正确性优先——未校正、未过陷阱自检的发现一律只算探索性信号。

【触发关键词】 彩票随机性检验、开奖数据是否随机、卡方检验、游程检验、事件罕见度、组合数概率、返奖率计算、EV计算、BH-FDR校正、多重比较、假阳性、冷热号检验、遗漏概率、赌徒谬误、数据窥探、幸存者偏差

适用场景

• 在任何规律探索前，判断「数据整体是否随机」；
• 计算「某事件多罕见」（重号数、遗漏值、和值区间）的理论概率；
• 批量检验「哪些号码偏热/偏冷」，并用 BH-FDR 校正控制假阳性；
• 识别并规避统计陷阱（数据窥探、幸存者偏差、基线错误、赌徒谬误）。

输入（参数表）

| 参数 | 必填 | 说明 | |------|------|------| | clean 数据 | 是 | S1 产出的标准化开奖历史数据 | | 检验目标 | 否 | 待检验的事件/号码子集；缺省为全库五类随机体检 | | 显著性水平 | 否 | 默认 0.05，逐项披露 | | 比较次数登记 | 是 | 所有批量比较需登记次数，作为 BH-FDR 校正输入 |

处理流程

1. 概率结构：计算目标彩种组合数、各奖级概率、返奖率与 EV，建立概率结构表，与官方/权威数据核对。
2. 随机体检：对开奖序列执行五类检验——卡方（均匀性）、游程（独立性）、Ljung-Box（序列自相关）、熵（复杂度）、频谱（周期性），生成体检报告。
3. 批量校正：登记全部比较次数，对发现的显著项执行 BH-FDR 多重比较校正，区分「校正后仍显著」与「仅探索性」。
4. 陷阱自检：发布前过「结论四问」——是否存在数据窥探/幸存者偏差/基线错误/赌徒谬误；每条结论附带效应量。

输出与验收

• 输出：概率结构表 + 随机性体检报告 + 校正后的显著发现清单 + 陷阱自检结论。
• 验收清单：✅ 概率表与官方/权威数据核对一致；✅ 每条显著结论附带「比较次数 + 校正结果 + 效应量」；✅ 未校正发现一律标记「探索性」，不当作确认规律；✅ 用已知规律的合成数据验证检验功效。

职责边界（不做什么）

• ❌ 不做数据采集与治理（归 S1）；
• ❌ 不做蒙特卡洛基准构造与样本外判决（归 S3）；
• ❌ 不做彩种规则概率对照库建模（归 S4，但可向其提供检验工具）。

红线与合规

• 显著 ≠ 可预测：任何"显著"结论都须明确表述为统计现象，不转化为中奖承诺；
• 披露透明：比较次数、校正方法、p 值、效应量必须随结论一并给出；
• 彩票为随机独立事件，本技能只做方法论检验，不构成投注建议。