{
  "id": "monte-carlo-method",
  "title": "蒙特卡洛方法",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "一类通过反复随机抽样估计数值量并刻画不确定性的计算方法。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "蒙特卡洛法",
    "蒙特卡罗方法",
    "蒙特卡罗法",
    "蒙特卡洛模拟",
    "统计试验法"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/monte-carlo-method/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/monte-carlo-method/",
      "json": "https://aiwiki.page/en/monte-carlo-method.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "蒙特卡洛方法是一类通过反复随机抽样来估计积分、概率和平均结果等量的计算技术。蒙特卡洛计算并不逐一考察所有可能的情况，而是按照指定的概率规则抽取样本，再汇总各个样本的贡献，得到估计值。它以概率论和统计学为基础，既适用于随机现象的模型，也可用于确定性的数学问题。(pbr-book.org)"
    },
    {
      "heading": "基本原理",
      "text": "蒙特卡洛方法的一项常见任务，是估计随机变量的某个函数的期望值。若 \\(X\\) 服从指定的概率分布，且所关心的量为\n\n\\[\\mu=\\mathbb{E}[f(X)],\\]\n\n那么，最简单的估计方法是抽取 \\(N\\) 个同分布且具有统计独立性的样本 \\(X_1,\\ldots,X_N\\)，并计算相应函数值的样本均值：\n\n\\[\\widehat{\\mu}_N=\\frac{1}{N}\\sum_{i=1}^{N}f(X_i).\\]\n\n这样就用抽样结果的平均值代替了期望值。抽样分布不必是均匀分布，但必须与数学模型相符，或者配合适当的权重，以校正抽样方案带来的影响。(pbr-book.org)\n\n对于体积为有限值 \\(V\\) 的区域 \\(D\\) 上的数值积分，均匀抽取的样本点给出\n\n\\[\\widehat{I}_N=\\frac{V}{N}\\sum_{i=1}^{N}f(X_i), \\qquad I=\\int_D f(x)\\,dx.\\]\n\n更一般地，按照概率密度函数 \\(q(x)\\) 抽取样本，可以得到估计量\n\n\\[\\widehat{I}_N= \\frac{1}{N}\\sum_{i=1}^{N}\\frac{f(X_i)}{q(X_i)}.\\]\n\n这里，除去零测集，在被积函数对积分有贡献的所有位置，\\(q\\) 都必须为正。除以 \\(q(X_i)\\) 是为了补偿抽样概率的不均等。(pbr-book.org)"
    },
    {
      "heading": "精度与收敛性",
      "text": "对于独立同分布的样本，若\n\\(\\sigma^2=\\operatorname{Var}[f(X)]\\) 有限，则样本均值估计量是无偏的，其方差为\n\n\\[\\operatorname{Var}(\\widehat{\\mu}_N)=\\frac{\\sigma^2}{N}.\\]\n\n因此，其标准误为 \\(\\sigma/\\sqrt{N}\\)，通常用样本标准差来估计。这意味着，要将典型的抽样误差减半，样本数量大约需要增加到原来的四倍。这描述的是统计意义上的精度，并不保证每次增加样本量后，结果都会更接近精确答案。(pbr-book.org)\n\n在适当的可积性条件下，大数定律保证样本均值收敛。当方差有限且非零时，对于足够大的样本，中心极限定理为近似正态的误差计算和置信区间提供依据。这些假设需要认真核查：一次有限规模的计算可能遗漏罕见但影响很大的结果，从而低估自身的误差。(www-personal.engin.umich.edu)\n\n常见的 \\(N^{-1/2}\\) 误差衰减速率并不显式依赖于维数。这是蒙特卡洛方法用于高维积分的重要优势，但并不意味着高维问题自然就容易求解。方差、抽样难度和每个样本的计算成本都可能随维数增加。对于低维且光滑的问题，数值分析中的确定性方法可能收敛得快得多。(pbr-book.org)"
    },
    {
      "heading": "示例：估计 π",
      "text": "考虑在正方形 \\([-1,1]^2\\) 上按照均匀分布独立抽取的点。当\n\n\\[x^2+y^2\\leq 1\\]\n\n时，点位于正方形内切的单位圆盘中。\n\n圆盘的面积占正方形面积的 \\(\\pi/4\\)。若 \\(N\\) 个点中有 \\(K\\) 个落在圆盘内，则相应的估计量为\n\n\\[\\widehat{\\pi}_N=4\\frac{K}{N}.\\]\n\n这是将蒙特卡洛积分直接用于示性函数的例子。每个点的贡献不是零就是一，观测到的比例用于估计面积比。这个例子说明了如何通过随机抽样估计确定性的几何量；但对于高精度计算 π，它并不是一种有竞争力的方法。(www-personal.engin.umich.edu)"
    },
    {
      "heading": "抽样策略与方差缩减",
      "text": "计算效率不仅取决于样本数量，也取决于样本的选取方式。方差缩减旨在以给定的计算投入获得更精确的估计。主要技术包括：\n\n- **重要性抽样：**在对目标量贡献较大的区域抽取更多样本，并用概率权重校正其贡献。如果抽样分布选择不当，方差非但不会减小，反而可能增大。\n- **分层抽样：**将抽样域划分为若干区域，并在每个区域内抽样，从而改善覆盖程度。\n- **控制变量法：**利用期望值已知的辅助量，消除抽样误差中可预测的部分。\n- **对偶变量法：**将样本配对，使其贡献趋于负相关，从而降低其平均值的方差。(pbr-book.org)\n\n这些方法并不都保持各个样本之间的独立性。因此，不确定性的计算必须反映实际的抽样设计，而不能直接套用独立样本的公式。此外，还需要权衡这些方法带来的收益与每个样本所需的额外计算成本。(artowen.su.domains)"
    },
    {
      "heading": "相关方法类别",
      "text": "**马尔可夫链蒙特卡洛（MCMC）**通过运行一条以目标分布为平稳分布的马尔可夫链来生成样本。当直接抽取独立样本很困难时，它尤其有用，贝叶斯推断中的许多应用就属于这种情况。相邻的抽样结果通常具有相关性，而且链必须充分探索目标分布。因此，蒙特卡洛标准误取决于有效样本量，而不只是迭代次数。(mc-stan.org)\n\n**拟蒙特卡洛方法**用结构化的低差异点集代替独立随机点，使抽样域得到更均匀的覆盖。对于合适的被积函数，它的表现可以优于普通蒙特卡洛方法。尽管名称中包含“蒙特卡洛”，未经随机化的拟蒙特卡洛计算实际上是确定性的；其随机化版本则将结构化覆盖与统计误差估计结合起来。(artowen.su.domains)\n\n在计算机科学中，蒙特卡洛算法一词在随机化算法理论中还有更具体的含义：算法的结果可能出错，但出错概率受到控制。这一用法与蒙特卡洛数值估计有交集，却并不完全相同。(www-personal.engin.umich.edu)"
    },
    {
      "heading": "应用",
      "text": "当对大量可能的构型或演化历程求平均比穷尽计算更可行时，就可以使用蒙特卡洛方法。主要应用领域包括：\n\n- **粒子输运：**模拟粒子的路径、碰撞、吸收及其他相互作用，以估计总体物理量。这是该方法早期发展的核心应用。\n- **统计力学：**对包含大量相互作用组分的系统构型进行抽样，以估计平衡性质。\n- **统计推断：**近似计算复杂分布下的期望值和其他量，包括贝叶斯后验分布下的相关量。\n- **计算机图形学：**通过对方向、表面和路径进行抽样来估计光传输，尤其用于基于物理的渲染。(mcnp.lanl.gov)\n\n蒙特卡洛模拟不仅能给出均值：样本还可以用来近似分布、分位数或事件概率。应当采用哪种估计量以及如何计算不确定性，取决于所计算的具体量。(mc-stan.org)"
    },
    {
      "heading": "历史发展",
      "text": "在电子计算机出现之前，统计抽样技术就已存在。现代计算形式的蒙特卡洛方法于20世纪40年代在洛斯阿拉莫斯发展起来，主要参与者包括斯坦尼斯瓦夫·乌拉姆、约翰·冯·诺依曼、尼古拉斯·梅特罗波利斯及其合作者。电子计算使得在中子输运等问题中进行大规模抽样成为可行之举。梅特罗波利斯提出了“蒙特卡洛”这一名称，取意于蒙特卡洛与博彩活动的联系。(mcnp-green.lanl.gov)\n\n1949年，梅特罗波利斯和乌拉姆在《美国统计学会杂志》上发表了**《蒙特卡洛方法》**。论文将这一方法介绍为研究数学物理问题的一种统计途径，涉及微分方程和积分微分方程等问题。后续发展使它逐渐成为数值积分、模拟和统计计算的通用框架。(doi.org)"
    },
    {
      "heading": "计算局限",
      "text": "实际实现通常使用伪随机数生成器，而不是物理随机源。这类生成器产生确定性的序列，其设计目标是使序列表现得像随机样本。记录生成器及其初始化设置有助于保证可复现性，但计算可以复现本身并不能证明结果准确。(www-personal.engin.umich.edu)\n\n抽样误差只是误差来源之一。增加样本可以减小统计波动，却无法纠正不恰当的模型、不正确的抽样分布、实现错误或持续存在的数值近似误差。罕见结果和探索不充分的区域尤其棘手，因为看似稳定的结果可能掩盖被遗漏的贡献。对于相关抽样，必须评估收敛性，并在不确定性估计中考虑样本间的相关性。(www-personal.engin.umich.edu)"
    }
  ],
  "links": [
    "integral",
    "probability",
    "statistics",
    "random-variable",
    "expected-value",
    "probability-distribution",
    "statistical-independence",
    "sample-mean",
    "probability-density-function",
    "variance",
    "standard-error",
    "law-of-large-numbers",
    "central-limit-theorem",
    "confidence-interval",
    "numerical-analysis",
    "uniform-distribution",
    "indicator-function",
    "importance-sampling",
    "stratified-sampling",
    "markov-chain-monte-carlo",
    "markov-chain",
    "bayesian-inference",
    "computer-science",
    "randomized-algorithm",
    "statistical-mechanics",
    "posterior-distribution",
    "john-von-neumann",
    "pseudorandom-number-generator",
    "reproducibility"
  ],
  "sources": [
    {
      "title": "Monte Carlo Integration",
      "url": "https://www.pbr-book.org/4ed/Monte_Carlo_Integration"
    },
    {
      "title": "Monte Carlo: Basics",
      "url": "https://pbr-book.org/4ed/Monte_Carlo_Integration/Monte_Carlo_Basics"
    },
    {
      "title": "Improving Efficiency",
      "url": "https://pbr-book.org/4ed/Monte_Carlo_Integration/Improving_Efficiency"
    },
    {
      "title": "Sampling and Integration",
      "url": "https://pbr-book.org/4ed/Sampling_and_Reconstruction/Sampling_and_Integration"
    },
    {
      "title": "Fundamentals of the Monte Carlo method",
      "url": "https://www-personal.engin.umich.edu/~bielajew/MCBook/book.pdf"
    },
    {
      "title": "Monte Carlo Book: the Quasi-Monte Carlo parts",
      "url": "https://artowen.su.domains/mc/qmcstuff.pdf"
    },
    {
      "title": "Variance reduction",
      "url": "https://artowen.su.domains/mc/Ch-var-basic.pdf"
    },
    {
      "title": "Posterior Analysis",
      "url": "https://mc-stan.org/docs/reference-manual/analysis.html"
    },
    {
      "title": "The Beginning of the Monte Carlo Method",
      "url": "https://mcnp-green.lanl.gov/pdf_files/Article_1987_LAS_Metropolis_125--130.pdf"
    },
    {
      "title": "MCNP Code Version 6.3.1 Theory & User Manual",
      "url": "https://mcnp.lanl.gov/pdf_files/TechReport_2024_LANL_LA-UR-24-24602Rev.1_KuleszaAdamsEtAl.pdf"
    },
    {
      "title": "The Monte Carlo Method",
      "url": "https://wucj.lab.westlake.edu.cn/Others/MetropolisUlam49.pdf"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}