3. 收敛性基本概念

在随机仿真中，我们关心的估计量（如平均等待时间、系统吞吐量、失效概率）本身是随机变量。当仿真样本量 n 增大时，估计量序列是否"越来越接近"真实值，取决于它按哪种意义收敛。概率论中常用的收敛方式有四种：依概率收敛、几乎必然收敛、均方收敛和分布收敛。它们不是同义词，在仿真中的含义、可保证的结论和验证方法都不同。

一、四种收敛的定义

设 {X_n} 为随机变量序列，X 为极限随机变量，ε 为任意正数。

• 依概率收敛：对任意 ε>0，有 lim_n→∞ P(|X_n−X|≥ε)=0。即样本量足够大时，估计量偏离真值超过 ε 的概率趋于零。大数定律（弱）给出的正是这种收敛。
• 几乎必然收敛：P(lim_n→∞ X_n=X)=1。即除一个概率为零的例外集合外，每一条样本路径上的序列都收敛到 X。大数定律（强）保证样本均值几乎必然收敛到期望。
• 均方收敛：lim_n→∞ E[(X_n−X)²]=0。它要求误差平方的期望趋于零，等价于偏差与方差同时趋于零。均方收敛可推出依概率收敛，反之不成立。
• 分布收敛：lim_n→∞ F_n(x)=F(x) 在 F 的所有连续点成立，记作 X_n⇒X。它只约束分布函数，不要求随机变量定义在同一概率空间上。中心极限定理给出的正是分布收敛。

四者关系可概括为：几乎必然收敛 ⇒ 依概率收敛；均方收敛 ⇒ 依概率收敛；依概率收敛 ⇒ 分布收敛。反向一般不成立，除非附加条件（如极限为常数时，依概率收敛与分布收敛等价）。

二、在仿真中的具体含义

依概率收敛是仿真中最常用的收敛口径。当我们说"重复运行 1000 次后平均等待时间的估计已经收敛"，通常指的就是：再增加运行次数，估计值落在真值附近某个区间的概率已接近 1。它允许个别样本路径出现较大偏差，只要求这种偏差出现的概率很小。因此依概率收敛适合用置信区间来表达：给定置信水平 1−α，报告估计值 ± 半宽，半宽随 n 增大而缩小。

几乎必然收敛更强，它要求几乎每条样本路径都收敛。在稳态仿真中，这对应"单次足够长的运行，其时间平均几乎必然趋于稳态期望"这一结论。它解释了为什么长时间单次运行可以替代大量短程重复运行，但前提是系统满足遍历性。若系统存在吸收态或长记忆，单条路径可能长期停留在某个区域，几乎必然收敛的保证在实际有限时长内未必显现。

均方收敛直接对应误差评估。若估计量满足 E[(X_n−X)²]→0，则均方误差 MSE = 偏差² + 方差 趋于零。对样本均值而言，偏差为零，方差为 σ²/n，因此 MSE = σ²/n，这给出了"要把误差减半，样本量需增至四倍"的定量依据。均方收敛是四种收敛中唯一直接约束误差二阶矩的，因而最适合用来设计停止准则。

分布收敛不保证估计值接近真值，只保证分布形状趋于极限分布。中心极限定理说明标准化后的样本均值趋于标准正态分布，这正是构造置信区间和确定所需重复次数的理论基础。需要警惕：分布收敛弱于依概率收敛，一个序列可以分布收敛到一个非退化分布而并不依概率收敛到任何常数。因此不能用"直方图看起来像正态"来宣称估计值已收敛到真值。

三、用一个小例子把四者区分开

设某排队系统真实平均等待时间为 μ=8.0 分钟，单次运行得到的均值估计为 X_n（n 为重复次数）。假设每次运行的观测标准差 σ=4.0 分钟，且各次运行独立。则样本均值的标准差为 4.0/√n。

表中数值为按上述假设参数计算得到的示例结果。可以看到：n 增至 4 倍，标准误减半、MSE 降至 1/4，这正是均方收敛速率 1/n 的体现；置信半宽同步缩小，体现依概率收敛的可操作形式。若把停止准则设为"95% 置信半宽不超过 0.2 分钟"，则需 n≈1600 次重复运行。

四、实践中的常见误区

第一，把分布收敛当作依概率收敛。直方图接近正态只说明形状，不说明中心位置正确；若仿真模型存在系统性偏差（如预热期不足），分布可以很"正态"却偏离真值。第二，忽略相关性对收敛速度的影响。上述 1/n 速率以各次运行独立为前提；若采用批均值法而批间仍相关，实际方差衰减慢于 1/n，需增大批量或改用更长的运行。第三，用单次运行的轨迹判断收敛。单条路径的波动不能代表估计量的概率行为，应结合多次独立重复的统计量来判断。

实际操作中，可对同一模型分别取 n=100、400、1600 三档重复运行，记录每档的样本均值、样本标准差与置信半宽，观察半宽是否按 1/√n 的比例缩小。若缩小速度明显偏慢，说明运行间存在未消除的相关性或模型未进入稳态，应先处理预热期与随机数流独立性，再讨论收敛。