3. 不确定度的数学描述与概率基础
在仿真不确定度量化中，仅用“误差大”或“结果波动明显”这类定性描述远远不够。要比较不同仿真方案、传播输入扰动、给出置信区间，必须把不确定度写成可运算的数学对象。本节围绕随机变量、概率分布、联合分布、条件概率和贝叶斯视角，建立后续灵敏度分析、代理模型与校准工作的共同语言。
一、随机变量：把不确定输入写成可运算的量
随机变量是把随机试验结果映射为数值的函数。在仿真语境中，它通常对应一个不确定输入参数，例如材料弹性模量 E、来流速度 V、边界热流 q 或几何公差 δ。随机变量分为两类：离散型取有限或可数多个值，如失效模式编号；连续型在区间内取值，如温度、压力、尺寸。仿真中绝大多数物理参数属于连续型。
描述一个随机变量，至少需要三件信息：取值范围、概率分布类型、分布参数。以某结构仿真中的弹性模量为例，假设根据历史试验数据，其均值为 210 GPa，标准差为 6 GPa，且无明显偏态，则可暂用正态分布 E ~ N(210, 6²) 表示。这里的 210 和 6 不是“真值”，而是对不确定性的概率刻画。若参数只能为正且右偏，如疲劳寿命，则更适合对数正态分布或 Weibull 分布。
连续随机变量的核心工具是概率密度函数 f(x) 与累积分布函数 F(x)。密度函数本身不是概率，区间概率由积分给出：P(a ≤ X ≤ b) = ∫ₐᵇ f(x)dx。在仿真中，这意味着我们不能说“E 等于 210 的概率是 0.5”，而应说“E 落在 204 到 216 GPa 之间的概率约为 0.68”。这一区别直接影响后续抽样与区间报告的写法。
二、常见概率分布及其仿真适用场景
选择分布不是数学装饰，而是对物理机制和已知信息的建模决策。下表给出仿真不确定度量化中常见的分布及其典型用途。
| 分布 | 参数 | 典型仿真对象 | 适用理由 |
|---|---|---|---|
| 正态分布 | 均值 μ、标准差 σ | 弹性模量、尺寸偏差 | 多因素叠加、近似对称 |
| 均匀分布 | 下界 a、上界 b | 仅知区间的公差、舍入误差 | 区间内无偏好信息 |
| 对数正态分布 | μ、σ（对数域） | 疲劳寿命、渗透率 | 正值、右偏、乘性误差 |
| Weibull 分布 | 形状 k、尺度 λ | 强度、失效时间 | 描述 weakest-link 失效 |
| Beta 分布 | α、β | 概率型参数、比例量 | 取值在 [0,1]，形状灵活 |
实际建模时，若只有专家给出的最小值、最可能值和最大值，可用三角分布或 PERT 分布过渡；若已有样本，则应先做拟合优度检验，而不是默认正态。分布选择错误会直接扭曲后续不确定度传播结果。
三、联合分布与相关性：不能把输入当作彼此独立
当仿真涉及多个不确定输入时，需要联合分布 f(x₁, x₂, …, xₙ) 描述它们的整体行为。若各变量相互独立，联合分布等于边缘分布之积：f(x₁,x₂)=f(x₁)f(x₂)。但工程中相关性普遍存在，例如同一批次材料的弹性模量与屈服强度往往正相关，几何尺寸之间也可能因加工工艺而耦合。
相关性通常用相关系数 ρ 或协方差矩阵描述。若忽略强相关，抽样会生成物理上不可能的组合，导致输出不确定度被高估或低估。处理相关输入的常用做法是：先对协方差矩阵做 Cholesky 分解，再把独立标准正态样本变换为相关样本。这一过程是后续 Monte Carlo 抽样的关键前置步骤。
四、条件概率与贝叶斯视角
条件概率回答的是“在已知某信息后，另一事件发生的概率如何变化”。其定义为 P(A|B) = P(A∩B) / P(B)，前提是 P(B) > 0。在仿真不确定度中，条件概率常用于两类场景：一是已知部分输入取值后，更新其余输入的分布；二是根据观测数据反推模型参数。
贝叶斯公式把这一逻辑形式化为：p(θ|D) = p(D|θ)·p(θ) / p(D)。其中 p(θ) 是先验分布，p(D|θ) 是似然，p(θ|D) 是后验分布，p(D) 是证据，通常作为归一化常数。贝叶斯视角的核心价值在于：它把“不确定性”视为对参数的认知状态，并允许随着数据积累不断更新，而不是一次性给出固定值。
举一个可操作的示例。假设某热仿真中导热系数 k 的先验为 k ~ N(0.5, 0.1²) W/(m·K)，现有 5 组稳态试验测得等效导热系数均值为 0.56，标准差为 0.04。在共轭正态更新下，后验均值和方差可近似写为：
先验: μ₀ = 0.50, σ₀ = 0.10
数据: x̄ = 0.56, σ_data = 0.04, n = 5
后验精度 = 1/σ₀² + n/σ_data²
后验均值 ≈ (μ₀/σ₀² + n·x̄/σ_data²) / (1/σ₀² + n/σ_data²)
≈ (0.50/0.01 + 5×0.56/0.0016) / (1/0.01 + 5/0.0016)
≈ (50 + 1750) / (100 + 3125) ≈ 0.558
后验标准差 ≈ 1/√(100 + 3125) ≈ 0.0176可以看到，后验均值从 0.50 被数据拉向 0.558，后验标准差从 0.10 收缩到约 0.018。这说明数据显著降低了参数不确定性。后续仿真若从后验分布抽样，得到的输出区间会比仅用先验更窄，也更贴近试验证据。
五、从概率描述到仿真实施
把上述概念落到仿真流程中，通常按以下顺序推进：第一，列出所有不确定输入，区分可约与不可约来源；第二，为每个输入选择分布并记录参数来源；第三，检查输入间相关性，构建联合分布；第四，选择传播方法，如 Monte Carlo、拉丁超立方或多项式混沌展开；第五，对输出做统计汇总，给出均值、标准差和分位数区间；第六，若有试验数据，用贝叶斯更新修正输入分布并重新传播。
需要强调的是，概率分布不是对真实世界的唯一描述，而是当前信息条件下的合理建模。随着数据增加，分布应被更新；随着认知变化，模型结构也可能需要修正。这正是贝叶斯视角与仿真不确定度量化结合的意义：不确定度不是一次标定的结果，而是一个可迭代、可追溯、可更新的认知过程。