3. 蒙特卡洛评估的数学基础

蒙特卡洛方法之所以能用于航天器GNC性能评估，并不是因为它“跑得多就准”，而是因为它背后有一套严格的概率论保证。理解这套数学基础，才能回答工程中最关键的两个问题：需要跑多少次仿真？跑出来的结果误差有多大？本节围绕概率统计、大数定律、中心极限定理、置信区间与样本量的关系展开，重点建立“估计收敛性”和“误差边界”的定量认识。

一、把GNC性能指标看作随机变量

在蒙特卡洛评估中，我们关心的性能指标——如落点偏差、姿态控制误差、燃料消耗、交会对接终端位置误差——都被视为随机变量。设某性能指标为 X，其真值（总体均值）为 μ，方差为 σ²。由于航天器初始状态偏差、敏感器噪声、执行机构误差、环境扰动等随机因素的存在，每次仿真得到的 X 是一个样本值。蒙特卡洛估计量就是样本均值：

X̄_N = (1/N) · Σ_{i=1}^{N} X_i

其中 N 为仿真次数。我们的目标是：用 X̄_N 去逼近 μ，并给出这个逼近的可信程度。这里必须区分两个概念：估计量的期望（是否无偏）和估计量的方差（波动多大）。样本均值是无偏估计，即 E[X̄_N] = μ，但单次评估结果仍会偏离 μ，偏离程度由 Var(X̄_N) = σ²/N 决定。

二、大数定律：收敛性的保证

大数定律说明，当 N 足够大时，样本均值 X̄_N 会依概率收敛到总体均值 μ。弱大数定律给出：对任意 ε > 0，有

lim_{N→∞} P(|X̄_N − μ| > ε) = 0

这为蒙特卡洛方法提供了合法性：只要样本量足够，估计值就会稳定在真值附近。但大数定律只告诉我们“会收敛”，没有告诉我们“以多快的速度收敛”，也没有给出有限 N 下的误差边界。这正是中心极限定理要解决的问题。

三、中心极限定理：误差分布的形状

中心极限定理指出，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：

(X̄_N − μ) / (σ/√N) → N(0, 1)

这意味着，无论原始性能指标 X 服从什么分布（只要方差有限），样本均值的误差都近似呈正态分布，且误差标准差为 σ/√N。这个结论极其重要：它把“误差边界”问题转化为正态分布的分位数问题。例如，取 95% 置信水平时，对应分位数 z_{0.975} ≈ 1.96，于是有：

P(|X̄_N − μ| ≤ 1.96 · σ/√N) ≈ 0.95

这就是蒙特卡洛评估中最常用的误差边界公式。它清楚地表明：误差随 √N 反比缩小。要把误差减半，样本量需要增加到原来的 4 倍。

四、置信区间与样本量的定量关系

把上面的误差边界写成置信区间形式：在置信水平 1−α 下，μ 的置信区间为

X̄_N ± z_{1−α/2} · (σ/√N)

工程中常把 σ 用样本标准差 s 代替，得到可计算的半宽：

半宽 δ = z_{1−α/2} · s / √N

反过来，如果要求误差不超过给定半宽 δ，所需样本量为：

N ≥ ( z_{1−α/2} · s / δ )²

这个公式是蒙特卡洛评估方案设计的核心。举例说明：某航天器再入落点偏差评估中，先做 50 次预仿真，得到落点纵向偏差样本标准差 s = 120 m。若要求 95% 置信水平下误差半宽不超过 20 m，则

N ≥ (1.96 × 120 / 20)² = (11.76)² ≈ 139 次

考虑预仿真已用 50 次，可再补跑约 90 次，总样本量约 140 次即可满足要求。若要求半宽收紧到 10 m，则 N ≥ (1.96×120/10)² ≈ 554 次，样本量增加约 4 倍——这正是 √N 收敛规律的直接体现。

五、收敛性判断与误差边界的实际使用

实际评估中，不能只看一个最终数字，而应观察估计量随 N 的变化过程。常用做法是：把仿真样本分批，计算累计样本均值 X̄_N 和累计标准差 s_N，绘制 X̄_N 随 N 的变化曲线。当曲线进入一个稳定带、且后续波动小于目标误差半宽时，可认为估计已收敛。同时，用当前 s_N 代入半宽公式，实时给出误差边界，而不是等全部跑完再算。

需要特别注意的是，置信区间是对总体均值 μ 的区间估计，不是对单次仿真结果的区间。它回答的是“真值大概在哪个范围”，而不是“下一次仿真会落在哪里”。在GNC评估报告中，应同时给出样本量 N、样本均值、样本标准差、置信水平和置信区间，缺一不可。只报一个均值而不报误差边界，等于没有给出评估结论的可靠程度。

六、小结与参数速查

本节的核心逻辑链是：性能指标视为随机变量 → 大数定律保证样本均值收敛到真值 → 中心极限定理给出误差近似正态分布 → 置信区间把误差量化为可计算的半宽 → 样本量公式把精度要求反推为仿真次数。掌握这条链，就能在GNC蒙特卡洛评估中做到“跑之前知道要跑多少，跑之后知道结果有多准”。