1. 课程导入与随机模拟概览

欢迎进入《概率统计计算与随机模拟入门》。在开始学习具体公式和算法之前，我们先用一章时间把整门课的"地图"铺开：这门课要解决什么问题、随机模拟的基本思想是什么、几个核心概念之间是什么关系，以及后续 29 章会沿着怎样的路径逐步深入。读完本章，你应当能够用自己的话解释"为什么可以用随机数来回答确定性的数学问题"，并知道接下来每一类工具大致用在什么场合。

一、这门课要解决什么问题

概率统计计算面对的核心困难是：很多我们关心的量，理论上都有精确表达式，但实际算不出来。例如，想求一个复杂函数在某个区域上的积分、想知道某个随机变量落在某区间内的概率、想评估一个含多个随机因素的工程系统的可靠性，解析解往往不存在，或者存在但计算量不可接受。随机模拟提供了一条"用抽样代替推导"的路径：把待求量写成某个随机变量的期望，然后通过大量抽样取平均来逼近它。

这门课的目标可以概括为三层：第一层是概念层，理解随机变量、概率分布、期望、方差这些基本对象；第二层是方法层，掌握蒙特卡洛方法、随机数生成、方差缩减、马尔可夫链蒙特卡洛等具体技术；第三层是实践层，能够针对一个实际问题设计模拟方案、写出可运行代码、读懂输出结果并判断结果是否可信。三层之间不是并列关系，而是层层递进：概念不清则方法用错，方法不熟则实践无从下手。

二、随机模拟的基本思想

随机模拟（Stochastic Simulation）最朴素的形式就是蒙特卡洛方法。它的思想可以用一句话概括：把"算一个数"转化为"估计一个平均值"。假设我们要求某个量 θ，如果能构造一个随机变量 X，使得 E[X] = θ，那么根据大数定律，独立抽取 X 的 n 个样本 x₁, x₂, …, xₙ，其样本均值 x̄ = (1/n)Σxᵢ 会依概率收敛到 θ。n 越大，估计越稳定。

这个转化之所以有用，是因为"抽样"往往比"解析计算"容易实现。以估算圆周率 π 为例：在边长为 2 的正方形内随机均匀撒点，统计落入内切圆（半径 1）的比例 p̂，则 π ≈ 4p̂。这里每个点是否落入圆内就是一个伯努利随机变量，其期望正是 π/4。这个例子虽然简单，却完整展示了模拟的四个要素：定义随机试验、确定统计量、重复抽样、由样本推断总体。

三、三个核心概念及其关系

随机变量是把随机试验的结果映射为数值的函数。它区分离散型（如掷骰子点数）和连续型（如元件寿命）。概率分布描述随机变量取值的规律，离散型用概率质量函数，连续型用概率密度函数，二者都由累积分布函数统一刻画。分布决定了随机变量的期望、方差等数字特征，而这些特征正是模拟要估计的目标。

蒙特卡洛方法则是连接前两者的计算框架：它依赖从指定分布中抽样，再对样本做统计。因此"如何从给定分布生成随机数"是模拟的第一道工程关卡——计算机只能产生伪随机均匀数，其他分布需要通过逆变换法、接受拒绝法、Box-Muller 变换等手段从均匀数变换得到。下图展示了这三个概念与模拟流程之间的结构关系。

四、一个可动手的入门示例

为了把上面的概念落到操作上，我们用一个估算积分的例子走一遍完整流程。设要求 I = ∫₀¹ eˣ dx，解析解为 e−1 ≈ 1.71828。用蒙特卡洛方法，可以取 X ~ U(0,1)，令 Y = eˣ，则 E[Y] = I。下面是一段可直接运行的 Python 代码：

import numpy as np

rng = np.random.default_rng(2024)   # 固定随机种子，保证结果可复现
n = 100000
x = rng.uniform(0, 1, n)            # 从 U(0,1) 抽取 n 个样本
y = np.exp(x)                       # 变换为目标随机变量
estimate = y.mean()                 # 样本均值作为积分估计
se = y.std(ddof=1) / np.sqrt(n)     # 标准误
print(f"估计值 = {estimate:.5f}")
print(f"95% 置信区间 = [{estimate-1.96*se:.5f}, {estimate+1.96*se:.5f}]")

一次典型运行（示例参数，非实测）可能得到估计值约 1.7183，置信区间约 [1.7166, 1.7200]，与真值 1.71828 吻合。这里值得注意三点：其一，固定随机种子让结果可复现，这是模拟实验的基本纪律；其二，标准误随 √n 缩小，若想把误差减半，样本量需增至四倍；其三，置信区间是否覆盖真值，是判断模拟是否可信的直接依据。若区间明显偏离真值，应首先怀疑抽样逻辑或分布设定有误，而不是简单加大 n。

五、整体学习路径

本课程后续内容大致沿四条主线展开。第一条是概率基础：随机变量、常见分布、期望方差、大数定律与中心极限定理，它们为模拟提供理论保证。第二条是随机数工程：伪随机数生成器、均匀性检验、从各种分布抽样，这是模拟的"燃料系统"。第三条是蒙特卡洛方法族：直接抽样估计、重要性抽样、分层抽样、控制变量等方差缩减技术，以及马尔可夫链蒙特卡洛，用于提高估计效率。第四条是应用与评估：把模拟用于积分、概率估计、排队系统、可靠性分析等场景，并学会用标准误、收敛诊断和敏感性分析判断结果质量。