为什么蒙特卡洛方法能收敛：大数定律的保证

蒙特卡洛方法听起来很神秘，但它的核心思想你其实每天都在用：通过大量重复试验，用频率来估算概率。比如掷硬币，掷一万次会发现正面朝上接近一半。蒙特卡洛方法就是把这种“笨办法”扩展到了更复杂的计算问题上。

但你有没有想过，为什么重复试验得到的平均值，会稳定在真实值附近？这背后就是大数定律在撑腰。下面我们分三步，把这个数学原理拆开看。

1. 理解大数定律在说什么

大数定律是一个数学定理，它回答了一个问题：随着试验次数的增加，样本平均值会怎样变化？

• 设 每次试验的结果是一个随机变量，比如掷骰子的点数，期望值（通俗说就是长期平均数）是 3.5。
• 做 n 次独立试验，把结果加起来除以 n，得到样本平均值。
• 看 当 n 越来越大时，样本平均值会越来越接近期望值。

数学上，这个收敛关系可以写成：

$$\frac{X_1 + X_2 + \cdots + X_n}{n} \rightarrow \mu \quad (n \rightarrow \infty)$$

其中 $X_i$ 是第 i 次试验的结果，$\mu$ 是真正的期望值。箭头表示“收敛到”。

核心结论：样本平均数最终会“粘”在真实平均值上，试验次数越多，偏离越远越不可能。这不是巧合，而是概率上的必然。

2. 把大数定律用到蒙特卡洛上

蒙特卡洛方法的核心操作是：把你要计算的值，改写成某个随机变量的期望值，然后靠抽样平均来逼近它。

步骤是这样的：

1. 构造一个随机模型，让它的期望值恰好等于你想算的结果。比如想算圆周率 $\pi$，可以在正方形里随机撒点，那么点落在内切圆内的概率是 $\frac{\pi}{4}$。这时，内切圆内点的比例就是一个随机变量，它的期望值就是 $\frac{\pi}{4}$。

2. 执行大量随机抽样，记录每次的结果。比如每次撒点，判断是否落在圆内，记录一个 0 或 1。

3. 计算所有抽样结果的平均值。当抽样次数足够多时，这个平均值就会逼近真实概率，从而反推出 $\pi$ 的近似值。

为什么能这样？ 因为每次抽样得到的分析结果，就是定理中的 $X_i$。当抽样次数增加，平均值收敛到期望值，也就是你要计算的真实值。所以蒙特卡洛的“收敛”不是一种猜测，而是大数定律直接给出的保证。

3. 正确设置收敛的速度和精度

大数定律只说“会收敛”，可没说“收敛得多快”。实际使用中，你不能真的无限次抽样，所以需要量化误差。

蒙特卡洛的误差估计，来自中心极限定理（大数定律的“升级版”）。它告诉你：

• 当抽样次数为 n 时，误差的波动范围大约和 $\frac{1}{\sqrt{n}}$ 成正比。
• 想把误差缩小 10 倍，需要把 n 增大 100 倍。

所以，实际操作时按以下步骤做：

1. 设定目标误差范围，比如允许 $\pm 0.01$。
2. 估算所需抽样次数。粗略公式为：

$$n \approx \left(\frac{\sigma \cdot 2}{\text{误差}}\right)^2$$

其中 $\sigma$ 是抽样结果的标准差，可以用一小批样本先估算。

3. 执行抽样，每增加一批样本，就更新一次平均值和当前误差。
4. 停止当误差低于目标时，输出当前平均值作为最终结果。

注意，重复计算时要保存每次抽样的独立结果，不要用同一批数据反复计算平均值，否则会破坏独立性，大数定律就不适用了。

4. 应对两个常见使用误区

误区一：随机数不够随机。蒙特卡洛依赖独立同分布的抽样。如果程序里的随机数生成器有规律，抽样就不独立，收敛会出错。解决方法：使用质量经过验证的随机数生成库，如 Python 的 numpy.random，或者用物理随机源。

误区二：样本量太小。大数定律是“极限定理”，只保证当 n 足够大时才有好的效果。只抽几十次就做判断，误差会非常大。解决方法：至少先跑几千次，再根据误差衰减情况判断是否增加。

5. 用一个小例子完整走一遍流程

假设你想用蒙特卡洛估算一枚不均匀硬币正面朝上的概率，但不知道真实概率。做法如下：

1. 编写模拟代码，每次模拟抛硬币一次，正面输出 1，反面输出 0。

   import random
   def toss():
       return 1 if random.random() < 0.6 else 0   # 真实概率假设为0.6

2. 累计结果，计算平均值。每多抛一次，更新平均值。

   n = 1000
   total = sum(toss() for _ in range(n))
   estimate = total / n
   print(estimate)

3. 增加 n 到 10000，再次运行，观察估算值是否更接近 0.6。

你会发现，n 越大，估算值的波动越小，最终稳定在 0.6 附近。这正是大数定律在起作用。

蒙特卡洛方法之所以可靠，不是因为“运气好”，而是因为大数定律从数学上保证了平均值会收敛到你想要的值。你只需要确保抽样独立、次数够多，剩下的交给概率。