【冗余的思想】用熵来度量被测对象期望中的冗余信息量

我们知道，被测对象期望是“干系方对于被测对象质量特性的预期”。因为质量特性一定会受各种外部条件的影响，所以被测对象期望本质上是一种因果关系，也就是“在什么条件下，被测对象应该有什么特性”。“因”和“果”，是被测对象期望里的两大要素。

假设我们要测试一台车，被测对象期望是：“在各种路况条件下，提供全面的驾驶安全性保障”，其中“因”的部分就是“在各种路况条件下”，“果”的部分就是“提供全面的驾驶安全性保障”。

期望的具象化分解，实际上是针对“因”进行的分解，比如把“各种路况条件”分解成铺装道路、越野道路、湿滑道路3种条件：

这样，原始期望就被分解成3个子期望，原始期望的测试输入空间，就被细分成3个比较小的子空间，在这些子空间里选取用例，相对来说就简单一些。所以我们说，具象化分解是用来缓解测试选择问题的。

另一方面，我们也可以针对“果”进行分解，比如把“提供全面的驾驶安全性保障”，分解成3种子目标：

比起“提供全面的驾驶安全性保障”，这些子目标都只关注单一的安全性指标，相对来说更容易进行观察和验证，这就可以帮助我们缓解测试准绳问题。

从测试设计的角度来看，被测对象期望所代表的，是“测试输入”和“测试输出”之间的一种因果关系：

借用离散数学的方法，我们把被测对象期望表示成一个有序对集合，这里d表示一个测试输入点，e表示一个测试输出点。d和e构成一个有序对，意味着输入d的时候，对应的输出应该是e。所有这种有序对构成的集合，就可以表示期望的因果关系。

如果任意一个d，都只对应着唯一的一个e，被测对象期望就是一个确定的因果关系——有什么样的因，必然会有什么样的果。比如：

用R这种期望来建立测试准绳的话，预期结果是很明确的：输入4，输出就应该是2。

如果一个d，对应着多个不同的e，期望就是一个不确定的因果关系——同一个因，可能有不同的果，比如：

用R'这种期望来建立测试准绳的话，预期结果就不够明确：输入4，输出可能是2，也可能是-2。

R和R’两个期望相较而言，直觉上R给我们提供的信息更多。当然，我们也可以做一些定量的度量。在信息论里，用“熵”这个指标来度量信息的多少。一个随机变量，取值的不确定性越大，熵就越大，信息量就越少。

我们借用熵这个指标，来度量被测对象期望所包含的冗余信息量。假设期望R的一个测试输入点d，对应着n个测试输出点。为了简化问题，我们假设n个测试输出点出现的概率相同，都是1/n。于是，R在d这个测试输入点上的熵就是：

那么，这个期望，在d=4这个测试输入点上对应1个测试输出点，熵就是0；这个期望，在d=4上对应2个测试输出点，熵就是1。所以，在d=4这个点上，R的熵比R’小，R的冗余信息比R’多。