2. Monte Carlo方法基础：随机数生成、大数定律、蒙特卡洛积分的基本原理

Monte Carlo方法的核心思想是利用随机性解决确定性问题。在早期预警信号的参数校准中，我们经常需要从复杂的概率分布中采样，或计算高维积分——这正是Monte Carlo方法的优势所在。本章将建立三个基石：高质量的随机数生成、大数定律的理论保证、以及Monte Carlo积分的基本实现。

2.1 随机数生成：从均匀分布到任意分布

所有Monte Carlo模拟的起点都是均匀随机数。计算机生成的是伪随机数——由确定性算法产生的、统计上近似独立的序列。现代标准生成器是梅森旋转算法（Mersenne Twister, MT19937），周期长达 \(2^{19937}-1\)，通过严格的统计检验。

逆变换法（Inverse Transform Method）

对于累积分布函数 \(F(x)\) 可逆的分布，生成步骤为：

1. 从均匀分布生成 \(U \sim U(0,1)\)
2. 计算 \(X = F^{-1}(U)\)

例如指数分布：\(F(x) = 1 - e^{-\lambda x}\)，逆函数为 \(X = -\ln(1-U)/\lambda\)。

import numpy as np

def inverse_transform_exponential(lambda_param, size=1000):
    """逆变换法生成指数分布样本"""
    u = np.random.uniform(0, 1, size)
    return -np.log(1 - u) / lambda_param

# 验证：生成10000个样本，均值应接近 1/lambda
samples = inverse_transform_exponential(2.0, 10000)
print(f"样本均值: {np.mean(samples):.4f} (理论: {1/2.0:.4f})")

2.2 大数定律：Monte Carlo收敛的理论基石

大数定律（Law of Large Numbers, LLN）保证了Monte Carlo估计的一致性：当样本量 \(N \to \infty\) 时，样本均值以概率1收敛于总体期望。

在Monte Carlo积分中，这意味着：

• 无偏性：估计量的期望等于真实积分值
• 收敛速度：误差以 \(O(1/\sqrt{N})\) 衰减，与问题维度无关——这是Monte Carlo方法相对于确定性数值积分在高维问题中的核心优势
• 误差估计：中心极限定理给出误差的渐近正态分布，可构造置信区间

2.3 Monte Carlo积分：基本原理与实现

考虑计算定积分 \(I = \int_a^b f(x) dx\)。Monte Carlo积分的基本思想是：

1. 重写为期望形式： \(I = (b-a) \cdot \mathbb{E}[f(U)]\)，其中 \(U \sim U(a,b)\)
2. 用样本均值估计： \(\hat{I}_N = \frac{b-a}{N} \sum_{i=1}^N f(U_i)\)
3. 误差分析：方差 \(\text{Var}(\hat{I}_N) = \frac{(b-a)^2}{N} \text{Var}(f(U))\)

经典示例：计算圆周率 π

单位圆面积的四分之一：\(\pi/4 = \int_0^1 \int_0^1 \mathbf{1}(x^2+y^2 \leq 1) \, dx\, dy\)

import numpy as np

def monte_carlo_pi(N):
    """用Monte Carlo方法估算圆周率"""
    x = np.random.uniform(0, 1, N)
    y = np.random.uniform(0, 1, N)
    inside = np.sum(x**2 + y**2 <= 1)
    return 4 * inside / N

# 不同样本量的估计结果
for N in [100, 1000, 10000, 100000]:
    pi_est = monte_carlo_pi(N)
    error = abs(pi_est - np.pi)
    print(f"N={N:6d}: π ≈ {pi_est:.6f}, 误差 = {error:.6f}")

2.4 高维积分：Monte Carlo的维度优势

确定性数值积分（如梯形法则、Simpson法则）的误差随维度 \(d\) 指数增长——维度灾难（Curse of Dimensionality）。Monte Carlo积分的误差 \(O(1/\sqrt{N})\) 与维度无关，使其成为高维问题的首选方法。

2.5 在早期预警信号中的意义

在早期预警信号的参数校准中，Monte Carlo方法用于：

• 参数后验分布采样：从参数空间中随机采样，评估不同参数组合下预警信号的性能
• 临界值校准：通过Monte Carlo模拟生成零假设下的统计量分布，确定预警阈值
• 鲁棒性评估：在参数不确定性下，量化预警信号的误报率和漏报率