设想你拿到一张地图，上面有一片形状怪异的湖——湖岸弯弯绕绕、犬牙交错，拿尺子量不出来，叠方格纸又嫌麻烦。有个聪明的办法：闭着眼，抓一把豆子往地图上一撒，然后数落在湖里的豆子占总豆子的比例，再用这个比例乘以地图的总面积——答案就出来了。豆子撒得越多，答案越接近真实面积。这就是蒙特卡洛积分的核心：把积分看成一片“曲边面积”，用随机撒点的方式去估算它，而不是费力去解公式。这篇文章会把“撒豆子”背后的数学讲透：为什么随机采样能算积分？估算值会抖得多厉害？高维时为什么它比网格划分更划算？如何通过“有策略地撒豆子”（重要性采样）让结果更稳？最后再看看它在图形学渲染、强化学习和金融定价里的真实身影。全程每个概念都有比喻和推导，绝不让你对着公式发呆。

岗位关联

学懂蒙特卡洛积分，你就掌握了一把处理“算不出解析解”的积分和高维期望的万能钥匙——这是图形学渲染、强化学习和概率建模从业者的基本生存技能。

目录
  1. 可视化演示
  2. 积分的意义
  3. 随机采样原理
  4. 估计器公式
  5. 方差与误差
  6. 高维优势
  7. 重要性采样
  8. 实际应用
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

动态演示蒙特卡洛积分的核心机制，通过源头/管道/节点/终端四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

蒙特卡洛积分：蒙特卡洛 蒙特卡洛积分的基本原理 随机采样与积分估计的方差分析 核心机制可视化 蒙特卡洛积分整体架构与关键组件

积分的意义

想象你拿到一张湖泊地图，湖岸弯弯曲曲、深浅不一，用尺子根本量不出面积。数学里，这种“不规则曲边图形的大小”，就是积分。只要把湖岸形状看成函数曲线 y=f(x)，把地图的横轴看成 x 轴，湖的面积就对应“曲线与 x 轴围成的面积”，也就是定积分。你要做的不是去量，而是学会“算”这个面积。

给定函数 y=f(x) 和区间 [a,b]，定积分表示曲线下方、x 轴上方的面积。它对应着现实中各种“总量”：物体走过的路程、概率的总和、一段时间内的总收益。可惜，绝大部分真实世界的函数——比如渲染方程、收益曲线——都没有教科书里那种简洁的原函数，积分只能靠近似方法求解。

最常见的近似是数值积分，思路是把曲边梯形切成一条条细窄的竖条，用矩形或梯形面积相加，这就是黎曼和。切得越细，结果越接近真值，但计算量也直线上升。更高维时，竖条变成“小立方体”，数量爆炸式增长，数值积分很快会撑不住——这为后文埋下了伏笔。

用尺子量湖岸、用方格纸叠湖面，都是“精确但笨重”的办法。但换个角度想：既然面积是无数细条的总和，我们能不能靠“大量随机观测”直接逼近这个总和？下一节，豆子正式登场。

I=∫abf(x) dx\displaystyle I = \int_{a}^{b} f(x)\,dx
积分号就是“求和”，把曲线下无数细条的面积拼成整片面积。
  1. 积分号 ∫意为“求和”，把曲线下无数条细窄竖条的面积累加起来。
    ∫\displaystyle \int
  2. 上下限 a 与 b只计算区间 [a,b] 内那一段的面积，区间之外的图形一概不管。
    [a, b]\displaystyle [a,\,b]
  3. 被积函数 f(x)曲线本身的高度，细条的高度处处不同，面积也随之变化。
    f(x)\displaystyle f(x)
  4. 微元 dx一条无限窄的小条宽度，表示我们把图形切得足够细、细到可以相加。
    dx\displaystyle dx

随机采样原理

回到撒豆子。你闭着眼把豆子均匀抛向整张地图，豆子并不“认识”湖岸线，可成千上万颗豆子会自然地铺满地图。这时数一下落在湖里的豆子比例，乘以地图总面积，就是湖的面积。随机看似毫无章法，但大量随机的叠加恰恰隐藏着精确的规律。

概率论把这套规律讲得很清楚。假设 X 是一个随机变量，它落在不同位置有对应的概率密度 p(x)，那么函数 f 关于 X 的期望定义为“每个取值乘以它出现的概率，再全部相加”。在湖的例子中，在地图上均匀撒豆，等于 p(x) 处处相同；“豆子是否落在湖内”是一个只取 0 或 1 的指示函数。湖面积，本质上就是这个指示函数的期望。

我们无法解析算出这个期望，但大数定律——“大量随机试验的平均结果会稳定在期望附近”——给了底气：当样本数 N 足够大，样本均值会以概率 1 收敛到这个期望。也就是说，豆子撒得足够多，落在湖内的比例必然趋近真实比例。随机性在这里不是噪声，而是可以被“平均”掉的估计工具。

“采样代替积分”是蒙特卡洛方法最重要的哲学：凡是写得出期望、但求不出解析解的积分，都可以用样本均值去逼近。湖的面积如此，任何复杂的曲线下面积也是如此。

E[f(X)]=∫abf(x) p(x) dx,1N∑i=1Nf(Xi)→E[f(X)](N→∞)\displaystyle \mathbb{E}[f(X)] = \int_{a}^{b} f(x)\,p(x)\,dx, \qquad \frac{1}{N}\sum_{i=1}^{N} f(X_i) \to \mathbb{E}[f(X)] \quad (N \to \infty)
期望是“值 × 概率”的加权总和；大数定律保证样本均值在样本足够多时逼近期望。
  1. 期望 E随机变量 X 的所有可能取值的“加权平均”，权重就是概率。
    E[f(X)]\displaystyle \mathbb{E}[f(X)]
  2. 概率密度 p(x)描述豆子落在每个位置可能性大小的函数，均匀撒豆时处处相等。
    p(x)\displaystyle p(x)
  3. 加权和变成积分把“函数值 × 概率”对每个位置求和，位置连续时就写成积分。
    ∫f(x) p(x) dx\displaystyle \int f(x)\,p(x)\,dx
  4. 样本均值与大数定律N 个随机样本的平均值，随 N 增大收敛到期望。
    lim⁡N→∞1N∑i=1Nf(Xi)=E[f(X)]\displaystyle \lim_{N\to\infty}\frac{1}{N}\sum_{i=1}^{N} f(X_i) = \mathbb{E}[f(X)]

估计器公式

有了原理，还差一个“换算公式”。湖面积 = 湖内豆子比例 × 地图总面积。地图总面积就是积分区间的宽度 b−a；湖内豆子比例则对应“平均高度”——每个采样点处 f(x) 取值的平均。把两件事一乘，就得到蒙特卡洛估计量。

具体操作：在 [a,b] 上均匀随机抽取 N 个点 x₁,…,x_N，每个点的概率密度为 p(x)=1/(b−a)。把每个点的函数值加起来求平均，再乘以区间宽度 b−a，就完成了对积分的估算。这就是均匀采样蒙特卡洛积分，代码里最常写的那个公式。

这个估计量最漂亮的性质是无偏性：对估计量取期望，采样点的随机性被平均掉后，恰好得到真实积分 I。翻译成大白话——反复做很多轮“撒豆子试验”，把每轮的估算值再平均，结果会精确地落在真值上。单次结果会抖，但整体上“不偏不倚”。

豆子没有偏向地图上任何一个角落，账本上的“平均高度 × 宽度”也不会系统性夸大或缩小湖的面积。剩下的问题是：每一轮估算会“抖”得多厉害？这取决于湖的轮廓有多起伏——正是下一节要分析的方差。

I^N=b−aN∑i=1Nf(xi),xi∼U(a,b)\displaystyle \hat{I}_N = \frac{b-a}{N} \sum_{i=1}^{N} f(x_i), \qquad x_i \sim U(a,b)
估计器 = 区间宽度 × 采样点的平均高度；x_i 表示在 [a,b] 上均匀随机抽取的第 i 个点。
  1. 均匀采样 xᵢ在区间 [a,b] 上等概率随机抽取 N 个点，每个点之间相互独立。
    xi∼U(a,b)\displaystyle x_i \sim U(a,b)
  2. 函数值求和把每个采样点处的高度 f(x_i) 全部加起来。
    ∑i=1Nf(xi)\displaystyle \sum_{i=1}^{N} f(x_i)
  3. 取平均除以 N 得到样本均值，相当于整片地图上豆子的“平均高度”。
    1N∑i=1Nf(xi)\displaystyle \frac{1}{N}\sum_{i=1}^{N} f(x_i)
  4. 乘区间宽度把平均高度还原成总面积，对应“比例 × 地图面积”的换算。
    b−a\displaystyle b-a
  5. 无偏性估计量的期望等于真实积分，平均意义上不会系统性高估或低估。
    E[I^N]=I\displaystyle \mathbb{E}[\hat{I}_N] = I

方差与误差

你手一抖，这次豆子密在湖东、下次密在湖西，估算出来的面积就会上下跳动。跳动的大小不是“运气”，而是可以用方差精确衡量的：方差越大，单次估算离真值越远；方差越小，估算越稳。

对于均匀采样，方差有一个简洁结论：估计量的方差等于单体方差除以样本量，再乘以区间宽度的平方。推导关键只有两步：独立同分布样本的方差可以相加，求和后再取平均会除以 N。标准差则按 1/√N 收缩——这就是蒙特卡洛积分的“收敛速度”。

这个速度透露了残酷事实：想让误差缩小一位小数（比如从 0.01 降到 0.001），N 要扩大 100 倍；再缩一位，再乘 100。所以蒙特卡洛积分“慢”是出了名的。可它为什么还能在高维领域称王？因为它慢得“与维度无关”，这正是下一节的王牌。

同样的豆子，二维湖和一百维湖的收敛速度一模一样。“慢”是蒙卡的价格，“不受维度拖累”是蒙卡的王牌。接下来就看这张王牌怎么在高维战场上发力。

Var(I^N)=(b−a)2N Var(f(X)),σI^N∝1N\displaystyle \mathrm{Var}(\hat{I}_N) = \frac{(b-a)^2}{N}\,\mathrm{Var}(f(X)), \qquad \sigma_{\hat{I}_N} \propto \frac{1}{\sqrt{N}}
方差代表估算值的抖动幅度；标准差按样本量平方根反比收缩，所以精度提升代价高昂。
  1. 单个样本的方差f(X) 围绕真实积分的波动大小，湖岸越崎岖、函数起伏越大，方差越大。
    Var(f(X))=E[(f(X)−I)2]\displaystyle \mathrm{Var}(f(X)) = \mathbb{E}\bigl[(f(X)-I)^2\bigr]
  2. 独立样本方差相加N 个独立同分布样本的方差线性叠加，协方差为零。
    Var(∑i=1Nf(Xi))=N Var(f(X))\displaystyle \mathrm{Var}\left(\sum_{i=1}^{N} f(X_i)\right) = N\,\mathrm{Var}(f(X))
  3. 取平均缩小方差除以 N 后整体方差缩小 N 倍，标准差相应缩小 √N 倍。
    Var(1N∑i=1Nf(Xi))=Var(f(X))N\displaystyle \mathrm{Var}\left(\frac{1}{N}\sum_{i=1}^{N} f(X_i)\right) = \frac{\mathrm{Var}(f(X))}{N}
  4. 区间宽度换算乘上 (b−a) 后，整体方差再乘 (b−a)²。
    (b−a)2\displaystyle (b-a)^2
  5. 误差代价标准差 ∝ N^{−1/2}，精度提高一位小数需要 100 倍样本。
    ε∝N−1/2\displaystyle \varepsilon \propto N^{-1/2}

高维优势

用方格纸叠二维湖面时，毫米格子的数量已经让人头疼。设想一个三维“湖”——比如一栋建筑内部的空间体积——你需要毫米立方体去填满；到 10 维、100 维的“超体积”，网格点的数量是指数级爆炸，没有人能枚举完。这就是维度灾难。

数值积分（网格法）的核心痛点是：每个维度切 M 份，d 维空间就需要 M^d 个点。当 d 从 2 涨到 20，即使每维只切 10 份，也要 10²⁰ 个点，工程上完全不可行。而蒙特卡洛积分的误差只由总样本数 N 决定，跟维度 d 没有任何关系——公式里根本没有 d 的位置。

道理很简单：豆子永远是“一把豆子”，不会因为空间变高维就需要改画格子。计算机视觉、贝叶斯推断、金融建模里动辄几十上百维的积分，数值积分早已投降，蒙特卡洛却是主场作战，稳健地以 1/√N 的速度收敛。

毫米方格纸在高维世界彻底崩溃，而撒豆子的手在任何一个维度的宇宙里都同样稳定。不过，如果还能让豆子撒得更聪明，精度就还能再翻一番——这就是重要性采样的舞台。

Ngrid=Md,εMC∼O(N−1/2)\displaystyle N_{\mathrm{grid}} = M^{d}, \qquad \varepsilon_{\mathrm{MC}} \sim O\left(N^{-1/2}\right)
网格法的点数随维度指数爆炸；蒙特卡洛的误差只依赖总样本数 N，与维度无关。
  1. 网格点总数每个维度切 M 份，d 维空间需要 M^d 个点，维度一涨立刻失控。
    Ngrid=Md\displaystyle N_{\mathrm{grid}} = M^{d}
  2. 维度灾难维度增加时网格点数指数爆炸，存储与计算量迅速超出承受范围。
    Md→∞(d→∞)\displaystyle M^{d} \to \infty \quad (d \to \infty)
  3. MC 的收敛阶蒙特卡洛误差为 O(N^{−1/2})，公式中不含 d。
    εMC∼O(N−1/2)\displaystyle \varepsilon_{\mathrm{MC}} \sim O\left(N^{-1/2}\right)
  4. 适用分界线低维时数值积分精度更高，高维时蒙特卡洛成为唯一现实选择。
    d≫1⇒选 MC\displaystyle d \gg 1 \Rightarrow \text{选 MC}

重要性采样

假设你提前看过地图，知道湖的南半部分水域辽阔、北半部分几乎无水。机会主义地想：把豆子全撒在南部，湖内豆子比例大增，面积不就“算大”了？问题在于——你“作弊”了，撒豆不再是均匀的随机，比例本身被带偏。

重要性采样是聪明的折中：豆子可以按任何你方便撒的分布 q(x) 去撒（想多撒的地方就多撒），但每一颗豆子要附上一张“折算凭据”——权重 w(x)=p(x)/q(x)，其中 p(x) 是真实的均匀分布密度。把每颗豆子的贡献乘以权重再平均，期望仍然等于真实积分。这样既保留随机性，又把样本引到了“更值得算”的地方。

方差能不能降，取决于 q(x) 的形状。理论上 q*(x)∝|f(x)|p(x) 时方差最小，翻译过来就是：函数值大的区域多撒豆。但如果选错了 q——在 f 很大的位置 q 反而很小——权重 p/q 会疯狂放大，方差甚至比均匀采样还差，这是需要警惕的翻车现场。

同样的豆子数量，聪明的撒法配上严格的账本折算，能让估算精度成倍提升。豆子的目标不是“均匀”，而是“该多的地方多、该少的地方少，但账目绝不乱”。这套思路在真实世界里遍地开花。

I^N=1N∑i=1Nf(xi) p(xi)q(xi),xi∼q(x)\displaystyle \hat{I}_N = \frac{1}{N}\sum_{i=1}^{N} f(x_i)\,\frac{p(x_i)}{q(x_i)}, \qquad x_i \sim q(x)
提议分布 q 决定往哪儿撒豆，权重 p/q 负责把“偏心”折算回真实概率。
  1. 提议分布 q(x)我们自己挑选的采样分布，可以在目标贡献大的区域多撒豆子。
    q(x)\displaystyle q(x)
  2. 权重折算 w=p/q因为 q 撒得不均匀，需要用真实密度 p 除以 q 修正每颗豆子的“身份”。
    w(xi)=p(xi)q(xi)\displaystyle w(x_i) = \frac{p(x_i)}{q(x_i)}
  3. 加权求和平均每个采样值乘上权重再平均，期望仍等于真实积分——账不会做错。
    1N∑i=1Nf(xi) w(xi)\displaystyle \frac{1}{N}\sum_{i=1}^{N} f(x_i)\,w(x_i)
  4. 最优提议分布q 的形状越贴近 |f|p，折算后的波动越小，方差越低。
    q∗(x)∝∣f(x)∣ p(x)\displaystyle q^{*}(x) \propto |f(x)|\,p(x)
  5. 翻车警告q 在 f 大的地方取值过小时，权重趋于无穷，个别样本主导估计。
    p(x)q(x)→∞\displaystyle \frac{p(x)}{q(x)} \to \infty

实际应用

地图上的湖，在现实世界里换了一副面孔：它可能是屏幕上某个像素的亮度、智能体一局游戏的得分、一张期权合约在到期日的收益。它们的共同点是——真实值无法解析求出，只能通过大量随机试验来估计。

图形学里，路径追踪渲染把“一个像素的颜色”写成一条光照积分：对每个像素发出大量随机光线，光在场景里随机反弹，把每次弹射的亮度平均起来，就得到逼真的软阴影和全局光照。强化学习里，期望回报同样无法解析求解，于是让智能体按当前策略跑很多局，把每局累积奖励平均，就得到回报估计——这正是策略梯度算法的基础。

金融领域，期权价格是“到期收益的期望折现”，标的资产价格路径随机；蒙特卡洛做法是模拟成千上万条价格路径，平均后折现。三者共用同一个公式：用样本平均近似期望。下面以强化学习为例拆解这个通用模板。

无论是湖、像素、奖赏还是钞票，凡是“复杂函数的平均值”，都是一片等待你撒豆子的湖。蒙特卡洛积分的精髓，就是从随机中提炼确定——豆子再多看起来都乱，但平均之后，真相自现。

G^N=1N∑i=1NG(τi),τi∼π(τ)\displaystyle \hat{G}_N = \frac{1}{N}\sum_{i=1}^{N} G(\tau_i), \qquad \tau_i \sim \pi(\tau)
轨迹 τ 是一次完整尝试，G(τ) 是这条轨迹的累计奖励；用多条轨迹的回报平均去近似期望回报。
  1. 轨迹 τ强化学习中一次完整的“尝试”，即从初始状态开始的状态-动作序列。
    τ=(s0,a0,s1,a1,… )\displaystyle \tau = (s_0, a_0, s_1, a_1, \dots)
  2. 回报 G(τ)这条轨迹上每一步奖励的累计总和。
    G(τ)=∑t=0Trt\displaystyle G(\tau) = \sum_{t=0}^{T} r_t
  3. 策略分布 π智能体按策略选择动作，不同的策略会形成不同的轨迹分布。
    τi∼π(τ)\displaystyle \tau_i \sim \pi(\tau)
  4. 样本平均采样 N 条轨迹取平均回报，近似期望回报——这就是策略梯度估计的核心。
    G^N=1N∑i=1NG(τi)\displaystyle \hat{G}_N = \frac{1}{N}\sum_{i=1}^{N} G(\tau_i)

AI 应用场景

图形渲染：路径追踪与全局光照

阶段：图像生成与渲染、数据合成

解决的问题：传统光栅化只能处理直接光照，无法自然模拟软阴影、焦散和多次弹射的间接光；这些效果都需要求解复杂的渲染方程，而渲染方程没有解析解。蒙特卡洛积分让每个像素发出大量随机光线，把“光照积分的采样平均”变成逼真的像素亮度。

具体案例：Blender Cycles、Mitsuba 等离线渲染器中，每个像素会发射几十到几千条随机光线，光线在场景中随机反弹后对辐射亮度求平均。样本越多，画面噪点越少，最终收敛到真实光照，这是影视特效和建筑可视化行业的标配流程。

强化学习：策略回报的期望估计

阶段：策略评估与策略优化

解决的问题：强化学习中策略的优劣由期望回报定义，但这个期望无法解析计算——环境交互的转移概率往往未知。蒙特卡洛方法通过让智能体“多跑几局”来采样轨迹，用平均回报估计期望，从而判断策略好坏并计算梯度方向。

具体案例：训练机器人控制策略时，每个训练轮次让当前策略在环境中 rollout 若干条轨迹，计算平均累计奖励；策略梯度算法（如 REINFORCE）用这批采样轨迹的回报均值来估计梯度，逐步改进策略。

金融量化：蒙特卡洛期权定价

阶段：风险评估与金融建模

解决的问题：期权价格是“到期日收益的期望折现”，但标的资产价格路径随机且收益函数复杂（美式期权可提前行权），无法写出闭式解。蒙特卡洛方法模拟成千上万条随机价格路径，对每条路径的到期收益折现后取平均，得到期权价格的近似值。

具体案例：量化团队为亚式期权定价时，假设标的资产服从几何布朗运动，每天生成 10 万条价格路径，模拟到到期日计算平均收益并折现。结合重要性采样对“亏损区间”加密采样，还能显著降低估值方差。

Python 演示

python53 行
import mathimport random  def uniform_mc(f, a, b, n):    """均匀采样蒙特卡洛积分: I = (b-a)/N * sum(f(x_i))"""    total = 0.0    for _ in range(n):        x = a + (b - a) * random.random()        total += f(x)    return (b - a) * total / n  def importance_mc(f, n):    """重要性采样: x ~ q(x)=2x 贴近 f(x)=x^2 的峰值, 权重 w=1/(2x)"""    total = 0.0    for _ in range(n):        u = max(random.random(), 1e-12)        x = math.sqrt(u)        weight = 1.0 / (2.0 * x)        total += f(x) * weight    return total / n  def mean_sq_err(f, true_value, trials=300, n=500):    """重复多轮试验, 返回两种估计器的均方误差"""    err_u = 0.0    err_i = 0.0    for _ in range(trials):        e1 = uniform_mc(f, 0.0, 1.0, n) - true_value        e2 = importance_mc(f, n) - true_value        err_u += e1 * e1        err_i += e2 * e2    return err_u / trials, err_i / trials  def main():    random.seed(2024)    f = lambda x: x * x    true_value = 1.0 / 3.0     est = uniform_mc(f, 0.0, 1.0, 10000)    print("真实积分值: {:.6f}".format(true_value))    print("均匀采样 MC 估计: {:.6f}  误差: {:.6f}".format(est, abs(est - true_value)))     mse_u, mse_i = mean_sq_err(f, true_value)    print("均匀采样均方误差: {:.8f}".format(mse_u))    print("重要性采样均方误差: {:.8f}".format(mse_i))    print("方差降低倍数: {:.2f}x".format(mse_u / mse_i))  if __name__ == "__main__":    main()
目的：用两种蒙特卡洛方法估算 ∫₀¹ x² dx = 1/3，并对比均匀采样与重要性采样的方差，直观展示“聪明撒豆”的收益。
  1. x = a + (b - a) * random.random()把 [0,1) 的均匀随机数映射到积分区间 [a,b]，保证豆子均匀覆盖。
  2. return (b - a) * total / n平均高度乘以区间宽度，还原出面积，这就是估计器公式。
  3. u = max(random.random(), 1e-12)取一个不粘零的均匀随机数，避免后面除以零。
  4. x = math.sqrt(u)逆变换采样，让 x 服从 q(x)=2x，峰值集中在 1 附近（函数值大的区域）。
  5. weight = 1.0 / (2.0 * x)真实密度 p=1 除以提议密度 q=2x，给每颗豆子开“折算凭据”。
  6. e1 = uniform_mc(f, 0.0, 1.0, n) - true_value记录单轮估计与真值的偏差。
  7. return err_u / trials, err_i / trials平均偏差平方得到均方误差，近似两种方案的方差。

常见误区

误区我一直以为豆子（样本）数量翻倍，误差就跟着减半——毕竟算的是平均值嘛，平均两倍的数据，照理说应该准一倍才对，但实验结果总是不对。

正解误差（标准差）的收缩速度是 1/√N，不是 1/N。原因在于：N 个独立样本的方差相加后是 N·Var(f)，取平均后整体方差变为 Var(f)/N，标准差自然变成 σ/√N。于是 N 翻倍，标准差只缩到原来的 0.707 倍；想让误差缩小 10 倍，需要 N 扩大 100 倍。这个“百倍代价”是蒙特卡洛慢的根源。

为何常见：直觉来自“均值更稳”，但忽略了独立样本的方差是线性叠加的，平均只抵消掉一部分；没有亲手推一遍 Var（均值）=Var/N 公式，就容易想当然。

误区我之前觉得蒙特卡洛积分又慢又随机，肯定只适合低维的小问题；高维积分那么复杂，还是老老实实把网格铺满更稳妥。

正解恰恰相反，蒙特卡洛的王牌就是高维。网格法每维切 M 份，d 维需要 M^d 个点，维度一涨指数爆炸；而蒙特卡洛的误差 O(1/√N) 与维度完全无关，样本量 N 才是唯一决定精度的变量。低维（1-3 维）时数值积分确实更精确，但维度一旦超过十几维，网格法直接不可行，蒙特卡洛成为唯一现实的选择。

为何常见：把“单个随机点不精确”和“整体收敛慢”混为一谈，又习惯用低维二维的直觉去想象高维空间，自然低估了蒙卡的价值。

误区既然 q(x) 是“自己选”的分布，那重要性采样就相当于免费午餐，随便挑一个分布都能降方差，何乐而不为。

正解q(x) 不是免费午餐，它有三个约束：首先支撑必须覆盖真实分布，p>0 的地方 q 也要 >0，否则漏掉的区域永远采不到；其次 q 越接近 |f(x)|p(x) 的峰值形状，权重 p/q 越平稳，方差越小；再者如果 q 在 f 大的地方取值过小，权重 p/q 会变成巨数，个别样本主导整个估计，方差反而比均匀采样更爆炸。选 q 是用知识换方差，选错了要加倍赔偿。

为何常见：公式里 q(x) 可以自由代入，让人误以为“自由”等于“随便”；没有意识到权重 p/q 的波动才是方差的真正来源。

误区老师说这个估计量是“无偏”的，那我每次算出来的结果都应该很接近真实值，偏差大肯定就是代码写错了。

正解无偏（unbiased）说的是期望意义：把估计试验重复无穷多次，所有估计值的平均值恰好等于真实积分。它并不保证任何单次结果都靠近真值——单次估计的抖动由方差决定，方差大时单次结果差得很远是完全正常的。所以模型训练、仿真里换一个随机种子结果不同，不是 bug，而是蒙特卡洛的固有属性。

为何常见：把长期平均性质误当成单次性质，是混淆“期望”与“一次实现”的典型表现；这也提醒我们评估蒙卡算法要看多次试验的均方误差，而不是单次运气。

面试题

Q1. 蒙特卡洛积分最核心的思想是什么？

单选题 · easy

  • A.用网格切分曲线下面积
  • B.用随机采样估计期望← 正确答案
  • C.求被积函数的原函数
  • D.用梯形公式做求和

答案：B。蒙特卡洛积分的本质是把积分改写成期望形式，再用随机样本的均值去逼近它，选 B。A 和 D 是数值积分（网格/梯形），C 是解析积分，都不是“随机采样”的思路。

Q2. 均匀采样蒙特卡洛积分的估计误差大约按什么速度收缩？

单选题 · mid

  • A.与样本数平方成反比
  • B.与样本数 N 成正比
  • C.与样本数平方根成反比← 正确答案
  • D.与样本数指数成反比

答案：C。估计量标准差按 1/√N 收缩，即与样本数平方根成反比，选 C。A、D 把收敛速度想得太美好，B 方向完全反了——样本越多误差越小，不可能与 N 成正比。

Q3. 想让蒙特卡洛积分误差缩小 10 倍，样本量约需增加？

单选题 · mid

  • A.增加约 10 倍样本
  • B.增加约 100 倍样本← 正确答案
  • C.增加约 1000 倍样本
  • D.增加约 10000 倍样本

答案：B。误差 ∝ 1/√N，误差缩小 10 倍意味着 1/√N 变为原来的 1/10，所以 N 变为 100 倍，选 B。这个“百倍代价”是蒙特卡洛收敛慢的典型考题，也是重要性采样存在的意义。

Q4. 重要性采样中折算权重 w(x) 的定义是？

单选题 · easy

  • A.被积函数值 f(x) 本身
  • B.真实分布与提议分布之比← 正确答案
  • C.提议分布与真实分布之比
  • D.积分区间的长度值

答案：B。权重是真实密度与提议密度之比 p(x)/q(x)，选 B。A 是函数值，D 是区间宽度，C 把分子分母倒置，会导致期望算错。

Q5. 说蒙特卡洛估计量“无偏”，指的是？

单选题 · mid

  • A.估计量的期望等于真实积分← 正确答案
  • B.单次估算结果没有任何误差
  • C.估计量的方差恒等于零
  • D.样本趋于无穷时才准确

答案：A。无偏指估计量在多次重复试验下的期望等于真实值，选 A。B 和 C 把无偏误当成“单次精确/零方差”，D 混淆了“一致估计”（样本无穷时收敛）与“无偏”（有限样本下期望就对准）两个概念。

Q6. d 维单位超立方体上每维切 M 份，网格法需要的总点数是？

单选题 · hard

  • A.需要 M 乘以 d 个点
  • B.需要 2 的 d 次方个点
  • C.需要 M 的 d 次方个点← 正确答案
  • D.需要 d 的 M 次方个点

答案：C。每个维度 M 个划分点，d 个维度组合起来是 M^d 个点，选 C。A 是线性增长，B 是二分特殊情形，D 把底数和指数交换了。这就是维度灾难的数学来源：维度一涨，网格点数指数爆炸。

Q7. 区间 [a,b] 上均匀采样 N 个点的蒙特卡洛积分估计器是？

单选题 · easy

  • A.(b−a) 乘以样本均值← 正确答案
  • B.样本均值除以 (b−a)
  • C.所有样本点函数值之和
  • D.样本点中的最大函数值

答案：A。估计器为 (b−a)/N·Σf(x_i)，等价于区间宽度乘以样本均值，选 A。B 把宽度除反了，C 缺了平均和宽度，D 更是与积分无关。记忆口诀：平均高度 × 宽度 = 面积。

Q8. 下列哪些手段可以降低蒙特卡洛积分的方差？

多选题 · mid

  • A.增加采样样本数量 N← 正确答案
  • B.采用重要性采样方法← 正确答案
  • C.使用低差异拟随机序列← 正确答案
  • D.在函数值为零处集中采样

答案：ABC。增加 N 使方差按 1/N 缩小，重要性采样和低差异序列（拟蒙特卡洛）都是成熟的降方差手段，选 A、B、C。D 把样本集中到函数值为零的区域，贡献全是零，既浪费样本又会带来严重偏差，不是降方差方案。

Q9. 关于重要性采样，以下说法正确的是？

多选题 · hard

  • A.提议分布支撑需覆盖真实分布← 正确答案
  • B.提议分布贴近峰值方差更小← 正确答案
  • C.提议分布可以随意选择
  • D.权重过大可能导致方差爆炸← 正确答案

答案：ABD。q 的支撑必须覆盖 p，否则漏采区域永远缺失，A 对；q 越贴近 |f|p 峰值，权重越平稳方差越小，B 对；权重 p/q 过大说明 q 在重要区域取值过小，个别样本主导估计导致方差爆炸，D 对。C 错——q 选得差反而放大方差，绝非“随便选”。

Q10. 关于蒙特卡洛积分方差 Var(Î_N)=Var(f)/N 的分析，正确的有？

多选题 · mid

  • A.方差随样本数 N 增大而减小← 正确答案
  • B.标准差约按 1/√N 收缩← 正确答案
  • C.方差与函数波动程度正相关← 正确答案
  • D.方差与积分维度平方成正比

答案：ABC。方差公式中 N 在分母，所以 A 对；开根号后标准差按 1/√N 收缩，B 对；分子是单体方差 Var(f)，函数波动越大方差越大，C 对。公式里根本没有维度 d，所以 D 错——这正是蒙特卡洛适合高维的原因。