1. 课程导入与问题界定
随机仿真（如蒙特卡洛方法、离散事件仿真、随机优化）在工程、金融、运筹与科学计算中被广泛使用。与确定性计算不同，随机仿真的输出本身是一个随机变量：即使模型与参数完全不变，重复运行也会得到不同的结果。因此，一个绕不开的问题是——我们凭什么相信仿真给出的数字？本课程要回答的正是这个问题：如何判断随机仿真是否已经"收敛"，以及如何量化、控制并报告仿真结果的误差。
一、核心概念：三个必须分清的对象
初学者最容易混淆的是"收敛"一词在随机仿真中的多重含义。本课程将其拆为三个层次，后续章节会逐一展开：
- 统计收敛（样本收敛）：随着样本量 n 增大，样本均值
X̄ₙ依概率（或几乎必然）趋近真实期望μ。它关心的是"估计量是否稳定"，由大数定律保证，但大数定律不告诉你 n 要多大。 - 误差可控：在给定置信水平
1−α下，用置信区间半宽h刻画估计精度，例如X̄ₙ ± z₁₋α/₂ · s/√n。它关心的是"结果有多准"，是工程上真正可交付的指标。 - 稳态收敛（针对动态仿真）：离散事件仿真中，系统输出往往存在暂态（warm-up）阶段，需要判断何时进入稳态，再开始统计。它关心的是"从哪个时刻起数据可用"。
与之配套的还有两个基础量：偏差（估计量的期望与真值之差，如初始状态引起的暂态偏差）与方差（重复运行间的波动）。总误差可粗略理解为"偏差 + 随机波动"，前者靠实验设计消除，后者靠增加样本或方差缩减技术压缩。
二、典型应用场景
误差评估不是学术装饰，它直接决定仿真结论能否被采信。几个典型场景：
- 系统可靠性评估：用蒙特卡洛估计某部件失效概率
p。若p≈10⁻³，直接抽样需要极大样本量才能得到可用的相对精度，此时必须考虑重要性抽样等方差缩减方法。 - 排队/制造系统产能分析：离散事件仿真中平均等待时间受初始空系统影响，前若干小时数据属于暂态，必须截断后再统计，否则结果系统性偏低。
- 金融风险度量：VaR、CVaR 的估计对尾部样本极其敏感，需要报告置信区间而非单一数值，并说明样本量与收敛判据。
- 随机优化与仿真优化：比较两个方案时，若置信区间重叠，就不能断言优劣，需要配对比较或增加重复次数。
三、一个可动手的示例：估计圆周率并评估误差
为让概念落地，用一个最小例子贯穿：在单位正方形内均匀撒点，落在四分之一圆内的比例乘以 4 即为 π 的估计。设共 n=10000 个样本，命中 m=7854 个，则 p̂=0.7854，π̂=4p̂=3.1416。其标准误为 SE=4·√(p̂(1−p̂)/n)≈4×0.004106≈0.01642，取 95% 置信水平 z=1.96，半宽 h≈0.0322，相对半宽约 1.02%。若业务要求相对误差不超过 0.5%，则当前样本量不足，需将 n 增至约 4 倍（因 h 与 √n 成反比）。这一"算—判—加样本"的循环，正是本课程要训练的核心动作。
四、学习路径与实战项目
本课程按"概念—方法—实现—诊断—交付"推进：先厘清收敛与误差的定义及参照约定（本章）；再学习置信区间、批均值法、重复运行法等估计手段；随后进入方差缩减技术与样本量规划；最后通过排障与复盘，形成可复现的误差评估报告。参照约定统一为：误差以"估计值 − 真值"定义，置信区间采用双侧对称形式，半宽 h 恒为正。
贯穿课程的实战项目是"随机仿真误差评估报告"：自选一个随机模型（推荐从库存系统或可靠性抽样中选一个），完成以下交付物——
- 明确输出指标与精度目标（如均值相对误差 ≤ 1%，置信水平 95%）；
- 实现仿真并记录每次运行的输出序列与随机种子；
- 用批均值法或重复运行法给出置信区间，绘制半宽随样本量变化的收敛曲线；
- 识别暂态并说明截断依据；
- 对比至少一种方差缩减前后的样本量需求；
- 撰写结论：在给定精度下需要多少样本、结果区间是多少、有哪些残余风险。
完成这份报告，你就具备了把"跑了一次仿真"升级为"给出可信结论"的能力——这正是随机仿真从技术走向工程的关键一步。