第五章 高维积分与不确定性

第五章 高维积分与不确定性

章节摘要：本章跟着一条主线走——估计一个金融期权或物理系统的期望值，维度从 1 涨到 100，确定性网格的样本数指数爆炸（维度诅咒），蒙特卡罗方法却面不改色：其误差以样本数的平方根分之一衰减，与维度无关。围绕这条主线展开方差缩减、敏感性分析与贝叶斯推断，误差的语言从"截断阶"切换为"方差与置信区间"。

一条主线

4.1 节的数值积分在一维所向披靡，高斯 20 个节点就能算出机器精度。但把同样思路搬到 100 维：每维 20 个节点，总共 20 的 100 次方个函数值——比可观测宇宙的原子还多。这不是工程困难，是组合数学的死刑判决，术语叫维度诅咒。

破局者的姿态几乎傲慢：随机撒点。蒙特卡罗估计 \int f \approx \frac{1}{N}\sum f(x_i) 的误差是 \sigma/\sqrt{N}，公式里根本没有维度 d。100 维积分和 1 维积分同样精度需要同样多的样本。主线问题由此展开：这个"与维度无关"的代价是什么（收敛慢，1e-2 精度就要上万样本）？方差缩减技术能把 σ 压多小？当我们反过来想"从观测数据推断参数"时，蒙特卡罗又如何变成贝叶斯推断的计算引擎？

沿途站点

• 5.1 蒙特卡罗积分与方差缩减：核心引擎。标准估计量与置信区间的正确报告姿势、重要性采样的权重机制、对偶变量与分层抽样的实操。
• 5.2 敏感性分析与不确定性传播：把误差侦探方法论用于"输入带不确定性的模型"——前向传播输出区间、Sobol 指数给参数定罪排序。
• 5.3 贝叶斯推断与 MCMC：反向案件。从观测数据反推参数分布，Metropolis-Hastings 的机制、MCMC 的收敛诊断与自相关陷阱。

拐点与结论

本章的认知转折有三处。其一，随机化从误差来源变成误差武器——第一章以来我们一直在追杀误差，这里主动引入随机性，因为它把"维度"从误差公式里驱逐了出去。其二，方差成为新的误差语言：确定性方法比较收敛阶，随机方法比较方差，报告格式从"误差 1e-8"变成"估计值 ± 标准误差"。其三，反向问题的病态性：前向传播（参数到输出）天然良态，反向推断（输出到参数）天然病态——贝叶斯框架用先验正则化反向问题，与第二章"病态问题的处置"遥相呼应。

读完你应该

• 能实现蒙特卡罗估计量并正确报告"估计值 ± 标准误差"，而不是只报一个数
• 能对给定被积函数设计重要性采样分布，实测方差缩减倍数
• 能解释对偶变量为什么几乎免费地砍掉一半方差
• 能计算一阶 Sobol 指数并据此给模型参数"定罪排序"
• 能运行 Metropolis-Hastings 采样器，用迹图与自相关时间诊断后验样本质量

贯穿本章的实验约定：所有随机实验都显式携带生成器与种子（6.1 节会解释为什么这是纪律而非洁癖）。三节的代码同样可以串成一条流水线——用 5.1 的采样器给 5.2 的敏感性分析供货，再让 5.3 的 MCMC 在同一个模型上反推参数。跑通这条链，你就完成了一次完整的"正向传播到反向推断"闭环。

下一章的接力

方法论武器库至此集齐。第六章回到工程现场：如何用 NumPy/SciPy 的边界知识、验证清单和排错手册，把前五章的判断力变成可交付、可复核的数值结果。