4. 输入不确定性的表征与建模实战
蒙特卡洛传播分析的结果可信度，几乎完全取决于输入概率模型的质量。一个常见的误区是：把精力全部放在抽样算法和仿真规模上，却对输入分布随手设定。事实上，若输入分布的形状、参数或相关性被错误表征，即使抽样一百万次，也只是在精确地计算一个错误的答案。本节围绕“如何把工程语言中的不确定性，翻译成可计算的概率模型”展开，依次处理关键参数识别、分布类型选择、参数估计与专家启发、相关性建模，最后落到输入概率模型文档的构建。
一、从众多输入中筛出关键参数
真实系统往往有几十甚至上百个输入量，但并非都值得建模为随机变量。识别关键输入参数的基本判据有三条：对输出有显著影响、自身存在不可忽略的不确定性、不确定性无法通过后续测量或控制消除。三者同时成立才应纳入概率建模；若某参数影响大但取值几乎确定，按常量处理即可；若某参数波动大但对输出不敏感，也可固定为名义值以降低维度。
实操中常用筛选手段包括：先做一次确定性灵敏度扫描（单参数在合理区间内变动，观察输出变化幅度），或采用莫里斯筛选、方差分解等全局灵敏度方法做预筛。以某结构热分析为例，输入包括导热系数、对流换热系数、环境温度、材料厚度、发射率等。经筛选发现：环境温度波动仅 ±1 ℃，对峰值温度影响不足 0.5 ℃，可固定；而导热系数与对流换热系数各自 ±20% 的变化可导致峰值温度变化 8～15 ℃，必须建模为随机变量。这一步的产出是一张“关键输入清单”，并附上每个参数的物理含义、单位、名义值与合理变化范围。
二、分布类型的选择逻辑
分布选择不是凭偏好，而是由参数的物理约束与信息来源决定。下面这张图概括了常见分布类型的适用条件与参数含义，可作为选型时的对照参考。
需要特别强调两点。其一，正态分布虽然常用，但对严格为正的量（强度、寿命、浓度）会产生负值尾部，若 σ/μ 较大，负值概率不可忽略，此时应改用对数正态或截断正态。其二，均匀分布并非“信息最少”的万能选择，它隐含“界内等可能”的强假设；当已有历史数据或专家判断时，用均匀分布反而丢失信息。分布选择应记录理由，便于后续审查。
三、参数估计与专家启发
分布类型确定后，需要给出参数。有数据时，用矩估计或极大似然估计：例如对对数正态，先对样本取对数，再估计 μ_ln 与 σ_ln；对贝塔分布，可由样本均值与方差反解 α、β。样本量小时，应给出参数估计的不确定性，必要时采用贝叶斯方法引入先验。
无数据时，专家启发（elicitation）是主要途径。有效的做法不是直接问“这个参数服从什么分布”，而是分步引导：先请专家给出最小值、最可能值、最大值，据此拟合三角分布或 PERT 分布作为初稿；再通过分位数提问校准，例如“你认为该参数超过某值的概率是多少”，用多个分位点拟合目标分布并回馈给专家确认。要警惕两类偏差：过度自信（给出的区间过窄）与锚定效应（首个数字影响后续判断）。可采用“等效先验样本”技巧，把专家判断折算为若干虚拟观测，与真实数据合并估计。所有启发过程应记录提问方式、参与专家、分位点回答与最终拟合参数。
四、相关性建模：协方差矩阵与 Copula
忽略相关性是输入建模中最隐蔽的错误。若两个输入正相关却按独立抽样，输出分布的尾部会被系统性低估。工程上常用两条路径。第一条是协方差矩阵 + 多元正态：给定相关系数矩阵 R，通过 Cholesky 分解得到下三角矩阵 L，对独立标准正态向量 Z 做变换 X = LZ，即可生成具有指定相关结构的样本。这条路径简单高效，但只刻画线性相关，且要求边缘分布为正态。
第二条是 Copula：把边缘分布与相关结构分离。先用高斯 Copula 或 t-Copula 描述变量间的秩相关，再通过概率积分变换把相关结构映射回各自的边缘分布。高斯 Copula 适合尾部相关性弱的场景；t-Copula 因自由度参数可刻画尾部同步极值，更适合存在共同极端事件的系统（如多部件同时受极端载荷）。实操中，相关系数可由历史数据估计，也可由专家给出区间，并对相关系数本身做敏感性分析——因为相关系数往往比边缘分布更难准确获得。
五、构建输入概率模型文档
建模成果必须固化为可审查、可复现的文档，否则仿真结果无法追溯。一份实用的输入概率模型文档至少应包含：参数标识与物理含义、单位、名义值、分布类型及选择理由、分布参数及其来源（数据/专家/标准）、取值范围与截断处理、参数间的相关结构与相关系数来源、以及该参数在灵敏度分析中的重要度排序。下表给出一个可填写的示例片段（数值为教学假设，非实测）。
| 参数 | 单位 | 名义值 | 分布 | 分布参数 | 来源 | 相关性 |
|---|---|---|---|---|---|---|
| 导热系数 λ | W/(m·K) | 0.85 | 对数正态 | μ_ln=ln0.85, σ_ln=0.12 | 批次测试数据 n=24 | 与厚度 ρ=−0.35 |
| 对流换热系数 h | W/(m²·K) | 12 | 对数正态 | μ_ln=ln12, σ_ln=0.20 | 专家启发（3 位） | 独立 |
| 材料厚度 t | mm | 5.0 | 正态（截断 ≥4.6） | μ=5.0, σ=0.08 | 工艺公差 ±0.15 | 与 λ 相关 |
| 发射率 ε | — | 0.90 | 贝塔 | α=18, β=2（缩放至[0.8,0.95]） | 文献 + 专家 | 独立 |
文档完成后，建议做一次“反向检查”：从拟合好的分布中抽样，绘制直方图与专家给出的分位点对比，确认模型确实反映了预期认知；再对相关系数做 ±0.1 的扰动，观察输出分布尾部指标（如 P95、P99）的变化幅度。若尾部指标对相关系数高度敏感，说明相关性建模是薄弱环节，应优先补充数据或组织第二轮专家启发。至此，输入侧的概率模型才算真正可用，可以进入传播抽样阶段。