2. 随机变量与随机过程基础

多项式混沌展开（PCE）之所以能把一个"黑箱"模型变成可解析的代理模型，根本原因在于它把模型的随机输入视为一族具有确定概率分布的随机变量，并用这些分布所对应的正交多项式去张成响应空间。因此，在真正写出第一个PCE表达式之前，必须先厘清四个层次的概念：概率空间如何定义"随机性"、随机变量如何把随机性映射为数值、多个随机变量之间的联合分布与相关性如何刻画、以及当随机性沿时间或空间演化时随机过程如何描述。本节按这条逻辑链展开，并在关键处给出可直接用于PCE前处理的判断方法。

一、概率空间：随机性的形式化容器

概率空间由三元组 (Ω, ℱ, P) 构成。Ω 是样本空间，包含所有可能的基本结果；ℱ 是事件域（σ-代数），保证我们关心的事件都能被赋予概率；P 是定义在 ℱ 上的概率测度，满足非负性、规范性和可列可加性。对PCE而言，这个三元组的意义在于：它明确了"不确定性来自哪里"。例如在结构可靠性问题中，Ω 可以理解为"所有可能的材料批次与荷载工况组合"，而 P 则编码了各批次出现的相对频率。PCE后续所做的，就是把定义在 (Ω, ℱ, P) 上的响应函数用一组关于 P 正交的多项式展开，因此概率测度的选择直接决定了正交基的族类——这正是PCE中"分布匹配"原则的根源。

二、随机变量：从事件到数值的映射

随机变量 X 是一个可测映射 X: Ω → ℝ，它把抽象结果转化为可计算的数值。描述随机变量有两种等价方式：累积分布函数 F_X(x) = P(X ≤ x)，以及概率密度函数 f_X(x)（连续情形）。在PCE建模中，更关键的是分布族与正交多项式的对应关系，这一对应由Wiener-Askey方案给出：

实际建模时，第一步往往不是写代码，而是对每个不确定输入做分布辨识：若只有上下界信息，取均匀分布；若有均值与标准差且无强偏态证据，取正态分布；若参数物理上有界且呈单峰，Beta分布更合适。分布选错，正交基就错，PCE的收敛速度会显著下降，甚至出现伪收敛。

三、联合分布、独立性与相关性

当模型含多个随机输入 X₁,…,X_d 时，必须使用联合分布 F(x₁,…,x_d) 描述整体行为。若联合分布可分解为各边缘分布之积，则各变量相互独立；否则存在依赖。工程上更常遇到的是"相关但不独立"的情形，此时用相关系数矩阵 ρ 刻画线性相关程度。这里有一个对PCE至关重要的判断：独立性与相关性不是一回事。两个变量可以相关系数为零但仍不独立（例如 X 与 X²），而PCE的标准张量积构造要求输入相互独立。

因此，面对相关输入的标准处理路径是：先由相关系数矩阵 ρ 构造协方差矩阵 Σ，做 Cholesky 分解 Σ = LL^T，再令 X = LZ + μ，把相关变量变换为独立标准变量 Z，然后对 Z 建立PCE。这一步称为Nataf变换或线性变换（正态情形下二者一致）。若边缘分布非正态，Nataf变换还需通过迭代修正相关系数，使变换后的等效相关系数与原始 ρ 匹配。

四、随机过程的基本描述

当随机性不仅体现在"取哪个值"，还体现在"沿时间或空间如何变化"时，就需要随机过程 {X(t), t ∈ T}。对固定 t，X(t) 是一个随机变量；对固定样本 ω，X(t,ω) 是一条样本函数（实现）。工程中描述随机过程最常用的三个量是：均值函数 μ(t) = E[X(t)]、自相关函数 R(t₁,t₂) = E[X(t₁)X(t₂)]，以及协方差函数 C(t₁,t₂) = R(t₁,t₂) − μ(t₁)μ(t₂)。若 μ 为常数且 R 只依赖时间差 τ = t₂ − t₁，则过程为宽平稳；若进一步服从高斯分布，则称高斯过程，完全由均值与协方差确定。

随机过程进入PCE有两条典型路线：其一是Karhunen-Loève（KL）展开，把过程按协方差算子的特征函数展开为 X(t,ω) = μ(t) + Σ √λ_i φ_i(t) ξ_i(ω)，其中 ξ_i 是互不相关的标准随机变量，截断阶数由特征值衰减速度决定；其二是对过程在若干离散时刻采样，把每个时刻的值当作一个随机变量，再按前述独立/相关流程处理。前者适合解析协方差已知的情形（如指数型协方差 C(τ)=σ²exp(−|τ|/ℓ)），后者适合仅有观测数据的情形。

五、一个可执行的前处理示例

设某梁的最大挠度模型含三个不确定输入：弹性模量 E ~ N(210 GPa, 10.5 GPa)、截面高度 h ~ U(0.18 m, 0.22 m)、荷载 q ~ N(20 kN/m, 2 kN/m)，且已知 E 与 h 的相关系数为 0.35（因尺寸与材料批次共同影响）。按前述流程，前处理应写成如下步骤（示例参数为教学假设，非实测）：

# 1. 构造协方差矩阵（示例，单位已归一化）
Sigma = [[1.0, 0.35],
         [0.35, 1.0]]
# 2. Cholesky 分解
L = cholesky(Sigma)          # 下三角
# 3. 相关变量 → 独立标准变量
#    [E_norm, h_norm]^T = L @ [z1, z2]^T
# 4. 按边缘分布反变换回物理量
E = 210 + 10.5 * (L[0,0]*z1)
h = 0.20 + 0.02 * (L[1,0]*z1 + L[1,1]*z2)   # 均匀分布用线性映射
# 5. 对独立变量 z1, z2 建立 Hermite/Legendre 混合基
#    基函数阶数 p=3，总项数 = (p+1)^2 = 16

注意第4步中均匀分布的处理：均匀分布经线性变换后仍是均匀分布，因此可直接用线性映射；但若 h 为 Beta 或对数正态分布，则需在 Nataf 框架下迭代修正等效相关系数，使变换后 z 的相关系数与原始 ρ 一致。这一步若省略，PCE 系数的方差贡献会出现偏差，通常表现为一阶 Sobol 指数被高估。

六、为PCE建模划出的三条底线

• 分布先于基函数：先确认每个输入的分布族，再选正交多项式；不要先定阶数再回头凑分布。
• 独立性是张量积基的前提：存在相关时必须先变换，变换后的变量才是PCE的合法输入。
• 过程要截断但要有依据：KL展开的截断阶数应由特征值累计能量（如95%或99%）确定，而不是凭经验取前几阶。