1. 课程导入与容差仿真认知
在理想电路教材里，电阻就是 10 kΩ，电容就是 100 nF，运放的增益就是 100 dB。但真实世界不是这样：你从料盘里取出的每一颗 10 kΩ 电阻，阻值都可能落在 9.9 kΩ 到 10.1 kΩ 之间；每一片 PCB 上的走线宽度、介质厚度、蚀刻速率都有波动；每一个晶体管在晶圆上的位置不同，阈值电压就会漂移；甚至同一块板子在 -40 ℃ 和 85 ℃ 下的表现也完全不同。这些偏差叠加起来，可能让一个"设计正确"的电路在量产时出现 3% 的良率损失，或者让一个滤波器在高温下从通带变成阻带。
容差仿真要回答的核心问题只有一个：当所有元件都偏离标称值时，我的电路还能不能正常工作？而蒙特卡洛方法，就是回答这个问题最通用、最直观的数值工具。
1.1 容差从哪里来
电路容差不是单一来源，而是多条误差链的叠加。理解这些来源，才能决定仿真时给哪些参数加分布、加多大的分布。
- 元件制造公差：电阻的 ±1%、±5%，电容的 ±5%、±10%、±20%，电感的 ±10%，都是数据手册明确给出的。注意，标称值本身也是统计量，一批货的均值可能偏离标称 0.3%。
- 温度系数：电阻的 TCR 可能是 ±100 ppm/℃，X7R 电容的容量随温度变化可达 ±15%，基准源的温漂是 ppm 级。温度不是"一个工况"，而是一个连续变量。
- 老化与漂移：电解电容的容量随寿命衰减，电阻在高温高湿下阻值缓慢变化，这些属于长期漂移，通常用寿命末期的极限值来界定。
- 工艺与寄生：PCB 走线的寄生电感约 1 nH/mm，过孔约 1 nH/个，焊盘对地电容约 0.1~0.5 pF。这些寄生量随叠层、线宽、频率变化，在高速或高精度电路里不可忽略。
- 电源与负载波动：供电电压 ±5%、负载电流从 10 mA 到 500 mA 变化，会通过电源抑制比和输出阻抗耦合到输出。
- 器件模型的不确定性：晶体管 β 的批次分散、运放失调电压的分布、比较器阈值的离散，这些在 SPICE 模型里往往只给典型值，实际需要按分布抽样。
把这些来源分类，可以分成两类：随机性偏差（制造公差、失配、噪声，服从某种统计分布）和系统性偏差（温度、老化、电源电压，是确定性的但范围已知）。蒙特卡洛擅长处理前者，而后者通常用参数扫描或角点分析（Corner Analysis）覆盖。实际工程中两者往往同时存在，需要组合使用。
1.2 蒙特卡洛在电路仿真中的定位
蒙特卡洛不是一种"仿真器"，而是一种驱动仿真器反复运行的统计方法。它的基本逻辑是：给每个有容差的参数指定一个概率分布（正态、均匀、三角等），然后随机抽取一组参数值，代入电路跑一次确定性仿真（DC、AC、TRAN），记录输出指标；重复 N 次，得到输出指标的统计分布，进而估计良率、均值和标准差。
它和另外两种常见方法的关系值得说清楚：
| 方法 | 输入 | 输出 | 适用场景 |
|---|---|---|---|
| 最坏情况分析（WCA） | 每个参数的极值 | 输出上下界 | 保守设计、安全裕度验证 |
| 角点分析（Corner） | 工艺/温度/电压组合 | 离散工况点结果 | 数字电路、PVT 签核 |
| 蒙特卡洛（MC） | 参数的概率分布 | 输出分布、良率 | 模拟电路、高精度设计、良率预估 |
WCA 给出的是"最坏能坏到什么程度"，但它假设所有参数同时取极值，实际发生概率极低，容易过度设计。角点分析覆盖的是工艺角，不给出概率。蒙特卡洛给出的是"有多大比例的产品会落在规格之外"，这正是量产最关心的数字。三者不是替代关系，而是互补：先用 WCA 定边界，再用 MC 估良率，最后用角点确认极端工况。
1.3 一个直观的例子
假设一个分压电路：VIN = 5 V，R1 = 10 kΩ ±1%，R2 = 10 kΩ ±1%，输出 VOUT = VIN × R2/(R1+R2)。标称输出是 2.5 V。如果两个电阻独立且都服从正态分布，标准差为标称值的 1%/3（即把 ±1% 当作 ±3σ），那么 VOUT 的分布会是什么样？
解析上，VOUT 对 R1、R2 的灵敏度分别是 ∂VOUT/∂R1 = -VIN·R2/(R1+R2)² ≈ -0.125 V/kΩ，∂VOUT/∂R2 = VIN·R1/(R1+R2)² ≈ +0.125 V/kΩ。两个灵敏度大小相等、符号相反，所以 R1 和 R2 的偏差会部分抵消——这正是分压电路对电阻比值的依赖。用 1000 次蒙特卡洛抽样，VOUT 的标准差约为 2.5 V × 0.01/3 × √2/2 ≈ 5.9 mV，即 ±3σ 约 ±17.7 mV，相对误差约 0.7%。这个数字比单个电阻的 1% 小，因为比值抵消了一部分共模偏差。
这个例子说明：容差不是简单相加，而是通过电路的传递函数重新组合。蒙特卡洛的价值就在于，它不需要你手推灵敏度，只要把分布喂进去，就能得到真实的输出分布。
1.4 本课程要解决的问题与学习路径
本课程不是泛泛介绍"蒙特卡洛是什么"，而是围绕一个完整的工程闭环展开：识别容差来源 → 建立参数分布 → 配置仿真 → 运行抽样 → 分析输出分布 → 判断良率 → 优化设计。每一章都会落到具体的电路对象、具体的参数、具体的操作和具体的判断依据上。
学习路径大致分四个阶段。第一阶段建立认知：容差从哪来、蒙特卡洛解决什么问题、和 WCA/角点分析怎么配合。第二阶段掌握工具：在 SPICE 类仿真器里如何声明参数分布、如何设置抽样次数、如何用 .MEAS 提取输出指标、如何用直方图和分位数看结果。第三阶段深入方法：正态/均匀/三角分布的选择依据、相关参数的处理、拉丁超立方抽样、收敛判据、良率与 σ 的换算。第四阶段面向实战：分压与基准电路、滤波器带宽容差、运放失调与增益误差、ADC/DAC 的 INL/DNL 分布、电源纹波的蒙特卡洛评估，以及如何根据仿真结果反推元件精度要求。
需要提醒的是，蒙特卡洛的结果依赖两个前提：分布假设是否合理，以及抽样次数是否足够。分布假设错了，再多的抽样也只是在错误的模型上精确计算；抽样次数不够，良率估计的置信区间会很宽。这两点会在后续章节反复出现，也是实际工程中最容易出问题的地方。
最后强调一个观念：容差仿真不是为了证明"我的电路没问题"，而是为了量化风险。一个良率 99.9% 的设计和一个良率 85% 的设计，在原理图上可能完全一样，但在量产成本上差别巨大。蒙特卡洛给你的，就是这个数字。