概率论与统计基础：随机变量、分布函数、期望、方差、大数定律与中心极限定理

蒙特卡洛模拟的本质，是用大量随机样本的统计结果去逼近真实系统的数学期望或概率分布。因此，理解随机变量如何描述不确定性、分布函数如何刻画概率规律、期望与方差如何度量中心趋势和离散程度，以及大数定律与中心极限定理为何能保证模拟收敛，是掌握蒙特卡洛方法的前提。本节将系统梳理这些核心概念，并重点说明它们在模拟实践中的直接应用。

2.1 随机变量与分布函数：描述不确定性的数学语言

核心原理

随机变量（Random Variable）是将随机试验的结果映射为实数的函数。在蒙特卡洛模拟中，我们关注的每一个不确定因素——如股票收益率、设备故障时间、客户到达间隔——都可以建模为随机变量。根据取值特征，随机变量分为两类：

• 离散型随机变量：取值有限或可数无限，如抛硬币结果（0/1）、泊松过程的事件计数。用概率质量函数（PMF）描述：\(P(X = x_i) = p_i\)。
• 连续型随机变量：取值充满某个区间，如正态分布、指数分布。用概率密度函数（PDF）描述：\(P(a \le X \le b) = \int_a^b f(x)dx\)。

分布函数（Cumulative Distribution Function, CDF）统一描述两类变量：\(F(x) = P(X \le x)\)。CDF 具有单调不减、右连续、\(F(-\infty)=0, F(+\infty)=1\) 的性质。在模拟中，CDF 是逆变换采样法的基础——通过生成均匀分布随机数 \(U \sim \text{Uniform}(0,1)\)，再令 \(X = F^{-1}(U)\) 即可得到服从目标分布的样本。

常用分布速查表

2.2 期望与方差：模拟输出的核心统计量

核心原理

期望（Expectation）是随机变量的加权平均，代表长期重复试验的中心趋势。对于离散变量：\(E[X] = \sum_i x_i p_i\)；对于连续变量：\(E[X] = \int_{-\infty}^{\infty} x f(x) dx\)。期望具有线性性质：\(E[aX + bY] = aE[X] + bE[Y]\)，这使我们可以将复杂系统的期望拆解为多个简单随机变量的线性组合。

方差（Variance）度量随机变量偏离期望的程度：\(\text{Var}[X] = E[(X - E[X])^2] = E[X^2] - (E[X])^2\)。标准差 \(\sigma = \sqrt{\text{Var}[X]}\) 与期望同量纲，更便于解释。方差的计算公式在模拟中用于评估估计量的稳定性——方差越小，模拟结果越集中，可信度越高。

蒙特卡洛估计中的期望与方差

假设我们要估计某个复杂系统的性能指标 \(\theta = E[g(X)]\)，蒙特卡洛方法生成 n 个独立样本 \(X_1, X_2, ..., X_n\)，用样本均值 \(\hat{\theta}_n = \frac{1}{n}\sum_{i=1}^n g(X_i)\) 作为 \(\theta\) 的估计。此时：

• 估计量的期望：\(E[\hat{\theta}_n] = \theta\)（无偏性）
• 估计量的方差：\(\text{Var}[\hat{\theta}_n] = \frac{\text{Var}[g(X)]}{n}\)

这个公式揭示了蒙特卡洛模拟的核心权衡：要提高估计精度（减小方差），要么增加样本量 n，要么降低单次样本的方差 \(\text{Var}[g(X)]\)。后者正是方差缩减技术（如重要性采样、控制变量、分层采样）的出发点。

2.3 大数定律与中心极限定理：模拟收敛性的理论保障

核心原理

大数定律（Law of Large Numbers, LLN）：当样本量 n 趋于无穷时，样本均值依概率收敛于期望值。弱大数定律表述为：对任意 \(\epsilon > 0\)，\(\lim_{n \to \infty} P(|\hat{\theta}_n - \theta| < \epsilon) = 1\)。这保证了只要样本量足够大，蒙特卡洛估计就会逼近真实值——这是模拟方法“正确性”的理论基石。

中心极限定理（Central Limit Theorem, CLT）：当 n 足够大时，标准化后的样本均值近似服从标准正态分布：

\[
\frac{\hat{\theta}_n - \theta}{\sigma / \sqrt{n}} \xrightarrow{d} N(0, 1)
\]

CLT 比 LLN 更进一步：它不仅说明收敛，还给出了收敛的分布形式。由此可以构造置信区间：\(\hat{\theta}_n \pm z_{\alpha/2} \cdot \frac{\sigma}{\sqrt{n}}\)，其中 \(z_{\alpha/2}\) 是标准正态分布的分位数（95% 置信水平下为 1.96）。

判断方法：样本量需要多大？

实践中，CLT 的收敛速度取决于原始分布的形状。以下经验法则可供参考：

1. 分布对称且尾部不厚（如均匀分布）：n ≥ 30 即可获得较好的正态近似。
2. 分布偏斜或尾部较厚（如指数分布、对数正态分布）：需要 n ≥ 100 甚至更多。
3. 极端重尾分布（如柯西分布）：方差不存在，CLT 不适用，需改用其他方法。

在模拟中，建议同时输出样本均值的直方图与正态分布拟合曲线，直观验证 CLT 的适用性。

案例拆解：库存管理中的模拟收敛性分析

背景与目标：某电商仓库采用 (s, S) 补货策略，s=50 件为再订货点，S=200 件为目标库存。每日需求量服从均值为 30、标准差为 8 的正态分布（截断至非负）。管理层希望估计长期平均库存水平，以评估仓储成本。

初始现象：第一次模拟仅运行 100 天，得到平均库存 95.3 件。第二次运行 100 天，得到 102.7 件。两次结果差异明显，管理层质疑模拟的可靠性。

分析判断：单次模拟的样本均值本身是随机变量，其标准差为 \(\sigma / \sqrt{n}\)。若日库存的标准差约为 25 件，则 100 天样本均值的标准误差为 \(25/\sqrt{100} = 2.5\) 件。两次模拟结果相差 7.4 件，约 3 个标准误差，虽然可能但概率较低（约 0.3%），提示可能需要增加样本量或检查随机数种子。

操作步骤：

1. 将模拟天数增加到 1000 天，重复 10 次（使用不同随机数种子）。
2. 记录每次运行的平均库存，计算 10 次结果的均值和标准差。
3. 根据 CLT，10 次独立运行的平均值应更接近真实期望，其标准误差为单次标准误差的 \(1/\sqrt{10}\)。

结果对比：10 次运行的平均库存为 98.6 件，样本标准差为 0.8 件。95% 置信区间为 \(98.6 \pm 1.96 \times 0.8 = [97.0, 100.2]\)。相比单次 100 天模拟的 ±2.5 件误差，精度提升了约 3 倍。

风险与代价：增加样本量意味着计算时间线性增长。在本案例中，1000 天模拟仅需数秒，代价可忽略。但在复杂金融模型或流体力学模拟中，单次运行可能需数小时，此时应优先考虑方差缩减技术而非盲目增加 n。

复盘经验：任何蒙特卡洛模拟都应报告点估计 + 置信区间，而非仅报告均值。同时，建议使用公共随机数（Common Random Numbers）技术比较不同策略，以消除随机波动对决策的干扰。

2.4 常见误区与总结复盘

误区一：混淆“样本均值”与“期望”

期望是理论值，是随机变量的固有属性；样本均值是估计值，依赖于具体样本。即使 n 很大，样本均值也不等于期望，只是以概率 1 趋近于期望。在模拟报告中，应明确标注“估计值”和置信区间，避免误导决策者。

误区二：忽视方差的存在

有些初学者认为只要 n 足够大，模拟结果就一定准确。但方差决定了收敛速度：如果 \(\text{Var}[g(X)]\) 很大，即使 n=10000，标准误差可能仍然不可接受。例如，在稀有事件模拟中（如违约概率 0.01%），普通蒙特卡洛需要约 \(10^8\) 次样本才能获得可靠估计，此时必须使用重要性采样等方差缩减技术。

误区三：盲目套用 CLT

CLT 要求样本独立同分布且方差有限。当模拟中存在时间序列相关性（如马尔可夫链蒙特卡洛）或重尾分布时，CLT 的收敛速度可能极慢甚至不适用。此时应使用批次均值法（Batch Means）或再生法（Regeneration）处理相关性。

误区四：忽略随机数生成器的质量

所有理论都建立在“样本独立同分布”的假设上。如果随机数生成器存在周期性或相关性，实际有效样本量远小于名义样本量。建议使用高质量的伪随机数生成器（如梅森旋转算法）或真随机数源，并进行简单的相关性检验。

总结：本节核心要点