4. 大数定律与中心极限定理

随机仿真的输出本质上是一串带随机性的观测值。我们真正关心的往往不是某一次运行得到的数字，而是系统性能的期望值，例如平均排队等待时间、平均库存水平、某工序的平均合格率。大数定律与中心极限定理正是把"一次运行的结果"提升为"对期望的可靠推断"的两块理论基石：前者回答"样本均值会不会收敛到真值"，后者回答"样本均值偏离真值多远算正常"。理解二者的分工与边界，才能正确设置重复次数、构造置信区间，并识别仿真报告中常见的错误结论。

一、大数定律：均值收敛的保证

设仿真输出为独立同分布随机变量 X₁, X₂, …, Xₙ，期望 μ、方差 σ² 均有限。弱大数定律指出，样本均值 X̄ₙ = (1/n)ΣXᵢ 依概率收敛于 μ，即当 n 增大时，X̄ₙ 落在 μ 附近任意小邻域内的概率趋于 1。它给仿真分析提供的是一致性保证：只要重复次数足够多，用样本均值估计期望不会系统性偏离。

但大数定律只承诺"收敛"，不承诺"多快收敛"，也不给出误差范围。它无法回答"我跑了 30 次，均值离真值 0.5 以内有多大把握"这类问题——这正是中心极限定理要补上的部分。此外，大数定律要求期望存在；对于重尾分布（如某些极端服务时间模型），样本均值可能收敛极慢甚至不收敛，此时"多跑几次就准了"的直觉会失效。

二、中心极限定理：误差分布的刻画

在同样条件下，中心极限定理进一步指出，当 n 充分大时，(X̄ₙ − μ)/(σ/√n) 近似服从标准正态分布 N(0,1)。由此得到仿真中最常用的置信区间：

X̄ₙ ± z_{1−α/2} · S/√n

其中 S 为样本标准差，z_{1−α/2} 为正态分位数（95% 置信水平取 1.96）。这个公式揭示了两个关键事实：误差随 √n 缩小，重复次数翻四倍才能把半宽减半；误差与输出方差成正比，降低单次运行的波动（如使用公共随机数、方差缩减技术）比盲目增加次数更有效。

需要强调适用条件：中心极限定理是渐近结论，n "足够大"取决于原始分布的偏度与尾部厚度。强偏斜的输出（如平均故障间隔、极端排队长度）可能需要数百次重复才能让正态近似可用；若 n 很小又强行套用 1.96，置信区间会明显偏窄，给出虚假的精确感。

三、典型误用案例

误用一：把一次长运行当成多次独立重复。某配送中心仿真运行 8 小时，统计得到平均拣货时间 4.2 分钟，直接报告"误差 ±0.1 分钟"。问题在于这 8 小时是一条自相关的时间序列，相邻观测不独立，有效样本量远小于观测条数，按 √n 计算的区间严重偏窄。正确做法是划分多个独立批次（batch means），用批均值构造区间，或直接做多次独立重复。

误用二：小样本套用正态分位数。某可靠性仿真只重复 5 次，得到平均寿命 1200 小时、标准差 300 小时，报告 95% 区间为 1200 ± 1.96×300/√5 ≈ [937, 1463]。寿命分布通常强右偏，n=5 时正态近似不成立，应改用 t 分布分位数（t₄,₀.₉₇₅ ≈ 2.776），区间应放宽到约 [828, 1572]，并说明样本量不足。

误用三：用大数定律为"跑得少"辩护。"大数定律说次数多了就收敛，所以我跑 10 次也差不多。"收敛是极限性质，不提供有限 n 的误差界。若输出方差大，10 次的均值可能离真值很远。应先估计 S，再按目标半宽 h 反推所需次数：n ≈ (z·S/h)²。例如 S=2、要求 h=0.2、95% 置信，则 n ≈ (1.96×2/0.2)² ≈ 384 次。

误用四：忽略初始瞬态。把包含预热期的全部输出直接求均值，均值被初始状态拉偏，此时即使 n 很大，收敛的也是一个有偏的目标，大数定律帮不上忙。应先删除预热段，再对稳态段做重复或分批。

归纳起来，大数定律负责"方向正确"，中心极限定理负责"精度可量化"。在仿真报告中同时给出点估计、重复次数、标准差与置信区间，并说明独立性处理方式，才能让结论经得起复核。