3. 蒙特卡洛方法原理与收敛性
蒙特卡洛仿真在电路容差分析中之所以可信，不是因为它“随机跑了很多次”，而是因为它背后有大数定律和中心极限定理这两块数学基石。理解这两条定理，才能回答工程中最实际的问题：到底要跑多少次？跑出来的均值波动多大？什么时候可以停？本节从原理出发，落到样本量估计、误差收敛判断和置信区间的具体计算。
一、大数定律：为什么样本均值会逼近真值
设电路某个性能指标（例如某节点电压、增益或延迟）在给定容差分布下是一个随机变量 X，其真实均值为 μ、真实标准差为 σ。蒙特卡洛每次抽样得到 X₁, X₂, …, Xₙ，样本均值为：
X̄ₙ = (X₁ + X₂ + … + Xₙ) / n弱大数定律指出：当 n 足够大时，X̄ₙ 依概率收敛于 μ。也就是说，样本量越大，样本均值偏离真值的概率越小。这是蒙特卡洛方法“有效”的根本依据——我们无法解析求出 μ，但可以用大量随机样本的均值去逼近它。
需要强调的是，大数定律只保证“收敛”，不告诉我们“多快收敛”。收敛速度由中心极限定理给出。
二、中心极限定理：误差的分布形态
中心极限定理指出：当 n 足够大时，样本均值 X̄ₙ 的分布近似服从正态分布，其均值为 μ，标准差为 σ/√n。这个标准差称为标准误（Standard Error）：
SE = σ / √n它揭示了蒙特卡洛误差的核心规律：误差随样本量的平方根倒数下降。样本量增加 4 倍，标准误才减半；增加 100 倍，标准误才降到原来的 1/10。这就是为什么蒙特卡洛仿真“提高精度很贵”——想精度翻倍，计算量要翻四倍。
实际中 σ 未知，用样本标准差 s 估计，得到估计标准误：
s = sqrt( Σ(Xᵢ - X̄ₙ)² / (n - 1) )
SÊ = s / √n三、样本量估计：跑多少次才够
工程上通常先给定一个可接受的绝对误差 ε 和置信水平 1−α。由正态分布，置信水平 1−α 对应的双侧分位数为 z_{α/2}（常用值：90%→1.645，95%→1.96，99%→2.576）。要求误差不超过 ε，即：
z_{α/2} · σ / √n ≤ ε
n ≥ ( z_{α/2} · σ / ε )²由于 σ 事先未知，通常先用一小批预采样（例如 200～500 次）估计 s，再代入上式估算所需 n。例如某放大器增益的预采样得到 s = 0.8 dB，希望 95% 置信下误差不超过 0.1 dB，则：
n ≥ (1.96 × 0.8 / 0.1)² ≈ 246即至少需要约 246 次有效样本。若希望误差压到 0.05 dB，则 n 需约 984 次——再次印证平方根规律。
四、误差收敛判断与置信区间
实际仿真中我们不会一次算准 n，而是边跑边判断是否收敛。常用做法是：每隔一段样本量计算一次 X̄ₙ 和 SÊ，观察 X̄ₙ 是否趋于稳定、SÊ 是否足够小。当 SÊ 小于预设阈值（如 0.1% 的均值或指定绝对量）时停止。
同时给出置信区间。在 1−α 置信水平下，μ 的置信区间为：
X̄ₙ ± z_{α/2} · s / √n例如跑 1000 次后得到增益均值 20.05 dB、样本标准差 0.75 dB，则 95% 置信区间为：
20.05 ± 1.96 × 0.75 / √1000 ≈ 20.05 ± 0.046 dB可以表述为：“在 95% 置信水平下，该电路增益的真实均值落在 20.004～20.096 dB 之间。”这个区间宽度直接反映了仿真结果的可靠程度。
五、收敛性可视化
下图给出蒙特卡洛收敛过程的典型形态：随着样本量增加，样本均值围绕真值波动并逐渐收窄，置信区间同步变窄，标准误按 1/√n 下降。
图中蓝色折线是样本均值，随 n 增大逐渐贴近红色真值线；浅蓝带是 95% 置信区间，随样本量增加不断收窄；绿色虚线是标准误，按 1/√n 规律下降。当置信区间窄到满足工程精度要求时，即可停止采样。
六、工程实践中的注意事项
- 样本量不是越多越好：精度提升与计算量是平方关系，应结合电路规模、仿真耗时和精度需求折中。通常先做 200～500 次预采样估计 σ，再定正式样本量。
- 关注分布形态：中心极限定理要求 n 足够大。若性能指标分布严重偏斜或存在长尾，所需 n 会更大，必要时可对输出做变换或采用分层抽样。
- 区分随机误差与模型误差：置信区间只反映抽样随机性带来的误差，不包含器件模型、容差分布设定本身的偏差。模型不准，再窄的区间也没有意义。
- 记录收敛过程：保存不同 n 下的均值、标准差和置信区间，便于事后判断结果是否稳定，也便于向评审说明仿真可信度。
小结：大数定律保证样本均值收敛到真值，中心极限定理给出误差按 1/√n 下降并服从正态分布，由此可推导样本量公式、构造置信区间并制定收敛判据。掌握这三者的关系，就能在电路容差仿真中科学地决定“跑多少次、何时停、结果有多可信”。