蒙特卡洛模拟是什么?如何用它做概率与不确定性分析

蒙特卡洛模拟是一种用大量随机抽样来估计结果分布的方法：你为每个不确定输入指定一个概率分布，让模型重复运行成千上万次，每次从分布中抽一组输入值，最后汇总输出的均值、分位数和区间。它适合输入不确定、模型非线性或难以解析求解的问题；如果输入是确定的、模型简单可解析，直接计算更省事。

核心思想：用抽样代替推导

很多实际问题中，输出是多个输入的函数，而输入本身带有不确定性。解析地推导输出的分布往往很困难，尤其当模型是非线性、含隐函数或多参数耦合时。

蒙特卡洛的做法是把“推导”换成“试验”：

1. 为每个不确定输入设定概率分布（如正态、均匀、对数正态）。
2. 从每个分布中随机抽一个值，组成一组输入。
3. 把这组输入代入模型，得到一个输出。
4. 重复成千上万次，得到输出的样本集合。
5. 用这个样本集合估计输出的均值、标准差、分位数、超过某阈值的概率等。

样本量越大，估计越稳定。误差大致按 1/√N 缩小，所以样本量增加 100 倍，精度才提高约 10 倍。

适合与不适合的问题

在曲线拟合与回归分析中，蒙特卡洛也常被用来评估参数估计的稳定性：对残差或参数施加随机扰动，重复拟合，观察参数分布。MTR Software 的 FitAll 是一款非线性（及多线性）回归分析与曲线拟合工具，其介绍强调可以直接拟合真正描述系统的模型，包括隐函数形式；这类工具配合蒙特卡洛思路，可用于检查拟合结果对数据扰动的敏感程度。

一次基本模拟的步骤

第一步：定义输入分布

对每个不确定输入，明确分布类型和参数。例如“测量误差服从均值 0、标准差 0.5 的正态分布”“需求在 80 到 120 之间均匀分布”。分布假设是模拟结果可信度的根基，不能随手填。

第二步：设定抽样次数

先跑 1000 次看结果是否稳定，再逐步增加到 10000 或更多。关注均值、标准差和关键分位数随样本量的变化，变化趋缓即可。

第三步：运行模型并记录输出

每次抽样代入模型，记录输出值。若模型本身是拟合得到的，注意把参数不确定性也纳入，而不只是输入变量的不确定性。

第四步：汇总统计量

至少报告：均值、标准差、最小值、最大值、5% 与 95% 分位数，以及关心的阈值概率。分位数比单一均值更能反映风险。

第五步：验证与收敛检查

换一个随机种子重跑，比较关键统计量是否接近；把样本量翻倍，看结果是否明显漂移。两者都稳定，结果才可复述。

一个简单例子：某零件尺寸 = 标称值 + 加工偏差 + 装配偏差，两个偏差都设为正态分布。模拟 10000 次后，若 95% 分位数超出公差上限，就说明当前工艺有约 5% 的超差风险，可据此决定是否收紧偏差或放宽公差。

结果怎么读

• 均值：中心趋势，但对偏态分布代表性有限。
• 分位数：5% 和 95% 分位数给出典型波动范围，比“均值±标准差”更适合非正态输出。
• 阈值概率：如“亏损概率”“超差概率”，是决策最直接的依据。
• 收敛性：统计量随样本量增加趋于平稳，才说明样本足够。

常见误区与排查

• 输入分布假设不合理：结果再精确也只是假设的产物。排查方法是做敏感性分析，换一组合理分布看结论是否翻转。
• 样本量不足：分位数和尾部概率抖动大。排查方法是翻倍样本量对比。
• 随机种子未固定：结果无法复现。正式报告前固定种子并记录。
• 忽略参数不确定性：只对输入抽样、不对拟合参数抽样，会低估总不确定性。
• 把模拟当预测：模拟给出的是“在给定假设下的分布”，不是对未来的保证。

需要购买或了解 FitAll 的具体功能与价格，可访问 fitall.com 查看其产品与购买页面；页面提到 FitAll 购买价格已下调 67%，但具体金额与授权条件以网站当前信息为准。