2. 概率基础与不确定性量化语言

蒙特卡洛传播分析的每一步，本质上都是在用概率语言描述“输入不确定”如何变成“输出不确定”。如果缺少统一的数学语言，后续的抽样、统计和结果解释就会失去依据。本节把不确定性量化中最常用的几个概念串成一条可操作的线索：随机变量、概率分布、联合分布与边缘分布、期望与方差、协方差与相关系数，最后落到不确定性传播的形式化描述。

随机变量：把不确定的输入变成可计算的数

随机变量是把随机试验的结果映射为数值的函数。工程中我们关心的往往是可测量的量，例如材料屈服强度、载荷幅值、几何尺寸偏差、传感器噪声。它们本身带有随机性，但一旦被定义为随机变量，就可以参与运算。需要区分两类：离散型随机变量取有限或可数个值，如缺陷个数；连续型随机变量在区间内取值，如弹性模量。连续型随机变量用概率密度函数 f(x) 描述，满足 f(x) ≥ 0 且全区间积分为 1；离散型则用概率质量函数 P(X = x_i) 描述。

实际建模时，随机变量的定义必须包含三要素：名称、取值范围（支撑集）和分布参数。例如把某批次钢材屈服强度定义为 X ~ N(355, 20²) MPa，就同时说明了分布类型、均值与标准差。缺少取值范围会导致抽样时出现物理上不可能的值，例如负的弹性模量，因此截断或选择有界分布是常见处理。

概率分布：不确定性的形状

分布决定了随机变量取值的“形状”，也直接决定蒙特卡洛抽样的效率与结果尾部行为。工程中常用的分布包括：正态分布适合描述围绕中心值波动的测量误差与材料性能；对数正态分布适合正值且右偏的量，如疲劳寿命；均匀分布适合只知道上下限、缺乏更多信息的场合；威布尔分布常用于寿命与强度；贝塔分布适合描述有界比例量。选择分布不是形式问题，尾部形状会显著影响可靠性分析的失效概率估计。

分布参数通常来自数据统计或专家判断。以正态分布为例，均值 μ 决定位置，标准差 σ 决定离散程度；若样本量为 n，样本均值 x̄ 与样本标准差 s 可作为参数估计，但小样本时参数本身也有不确定性，这属于参数不确定性与模型不确定性的区分，后续章节会展开。

联合分布与边缘分布：多变量如何一起变化

当输入不止一个时，需要联合分布 f(x₁, x₂, …, x_n) 描述它们同时取值的规律。联合分布包含两部分信息：每个变量各自的边缘分布，以及变量之间的依赖结构。边缘分布通过对联合分布中其他变量积分（或求和）得到，例如 f_X(x) = ∫ f(x, y) dy。边缘分布只回答“单个变量怎么变”，不回答“两个变量是否同向变化”。

独立是联合分布的一种特殊情形：若 f(x, y) = f_X(x) f_Y(y)，则两变量独立。独立假设能大幅简化抽样，但在工程中不能默认成立。例如同一批次材料的强度与硬度往往正相关，同一位置的腐蚀深度与服役时间相关。忽略相关性会低估输出方差，导致可靠性评估偏乐观。处理相关性的常用手段是引入相关系数矩阵，并通过 Nataf 变换或 Copula 将相关变量转换为独立标准变量后再抽样。

期望、方差与协方差：用数字概括分布

期望 E[X] 是随机变量的加权平均，连续情形为 ∫ x f(x) dx，离散情形为 Σ x_i P(X = x_i)。方差 Var(X) = E[(X − μ)²] 度量取值围绕均值的离散程度，其平方根为标准差 σ，与原始量纲一致，便于工程解释。协方差 Cov(X, Y) = E[(X − μ_X)(Y − μ_Y)] 度量两个变量的线性同向程度；相关系数 ρ = Cov(X, Y) / (σ_X σ_Y) 将其归一化到 [−1, 1]，消除了量纲影响。

需要注意，相关系数只刻画线性关系。两个变量可能强非线性相关而 ρ ≈ 0，因此不能仅凭相关系数为零就断言独立。在蒙特卡洛传播中，方差分解常用来判断哪个输入贡献最大：若输出方差可近似写成各输入贡献之和，则贡献占比高的变量应优先通过试验或测量降低其不确定性，这是灵敏度分析的直观起点。

不确定性传播的形式化描述

设输入随机向量 X = (X₁, …, X_n) 具有联合分布 f_X(x)，确定性模型为 Y = g(X)，则输出 Y 的分布由输入分布经模型映射得到。形式上，Y 的累积分布函数为 F_Y(y) = P(g(X) ≤ y) = ∫_{g(x) ≤ y} f_X(x) dx。当 g 非线性或 n 较大时，该积分通常没有解析解，这正是蒙特卡洛方法的价值所在：从 f_X(x) 抽取 N 组样本 x^(1), …, x^(N)，逐组计算 y^(i) = g(x^(i))，再用样本均值 ȳ 估计 E[Y]、用样本方差估计 Var(Y)，用失效样本比例估计失效概率 P_f。

一个可操作的示例：设某构件承载力模型为 Y = R − S，其中抗力 R ~ N(500, 40²) kN，荷载 S ~ N(350, 50²) kN，且二者独立。解析上 Y ~ N(150, 40² + 50²)，即均值 150 kN、标准差约 64 kN。若用蒙特卡洛，抽取 N = 10000 组样本，统计 Y ≤ 0 的比例即可估计失效概率。该例中解析解可用于校验抽样结果，实际工程中 g 往往是有限元或仿真模型，只能依赖抽样。样本量 N 的选择需兼顾估计精度与计算成本，失效概率越小，所需样本量越大，序贯抽样、重要性抽样等方差缩减技术正是为此服务。