蒙特卡洛方法听起来很高深，但核心思想一句话就能说清：当你算不出解析解，或者解析解太贵时，就用大量随机采样去逼近答案。
它不是魔法，而是大数定律的工程化应用。这篇文章从最经典的"投点估 π"讲起，把误差来源和收敛速度说清楚，最后给你一段能直接跑的 Python。
本文所有结论都用最基础的独立同分布随机抽样，不涉及马尔可夫链蒙特卡洛（MCMC）等进阶变体。目的是建立直觉，不是覆盖全貌。
一、最经典的例子：单位圆投点估 π
想象一个边长为 2 的正方形，中心在原点，里面内切一个半径为 1 的单位圆。在正方形内均匀随机地投 N 个点，落进圆里的点数记为 M。
因为点在正方形内均匀分布，落在圆内的概率就等于面积之比：
P(落在圆内) = 圆的面积 / 正方形面积 = π·1² / 2² = π / 4
根据大数定律，当 N 足够大时：
M / N ≈ π / 4 ⇒ π ≈ 4 · M / N
这就是蒙特卡洛方法最朴素的形态——用一个容易生成的随机实验，去估计一个常数。
二、误差从哪来：√N 收敛
很多人以为"样本越多越准"，但到底多准？关键在于收敛速度。
对投点估 π，单次实验是伯努利变量，方差有限。由中心极限定理，估计值的标准误差满足：
SE(π̂) ≈ σ / √N ∝ 1 / √N
这意味着：
- 想把误差缩小到原来的 1/10，样本量要增大到 100 倍；
- 蒙特卡洛的收敛速度是 O(1/√N)，与维度无关——这正是它在高维问题（如金融定价、粒子模拟）里吊打网格法的原因。
换句话说，蒙特卡洛慢，但"不挑维度"。这是它最宝贵的特性。
三、一个能直接跑的 Python 示例
下面这段代码不仅估 π，还顺手给出 95% 置信区间：
import random, math
def estimate_pi(n: int):
inside = 0
for _ in range(n):
x, y = random.random()*2 - 1, random.random()*2 - 1
if x*x + y*y <= 1:
inside += 1
pi_hat = 4 * inside / n
se = 4 * math.sqrt((inside/n)*(1-inside/n) / n) # 伯努利标准误
return pi_hat, pi_hat - 1.96*se, pi_hat + 1.96*se
for n in (1_000, 100_000, 10_000_000):
pi_hat, lo, hi = estimate_pi(n)
print(f"N={n:>10,} π̂≈{pi_hat:.5f} 95% CI [{lo:.5f}, {hi:.5f}]")
注意 N=10⁷ 时置信区间已经能稳稳包住真值 3.14159——这就是 √N 收敛的直观体现。
四、什么时候该想到蒙特卡洛
道理讲完，落到"我什么时候该用它"。三条经验法则：
- 没有闭式解：积分算不出、期望列不出解析式时，先想蒙特卡洛；
- 维度很高：网格法点数随维度指数爆炸，而蒙特卡洛的 √N 收敛"不挑维度"，高维问题里反而最划算；
- 系统本身随机：抽卡、排队、粒子碰撞——过程本就是随机的，直接模拟常常比推导更省事。
说到底，蒙特卡洛不是更聪明的公式，而是"用算力换洞察"。像本站之前聊过的抽卡概率的数学，里面"期望 167 抽"的结论，最朴素的验证方式就是写个模拟跑一万次，看经验均值落不落得进理论值——这恰好是蒙特卡洛最舒服的用武之地。
小结
- 蒙特卡洛 = 用随机采样逼近难算的量；
- 误差 ∝ 1/√N，收敛慢但不随维度爆炸；
- 它能独立求解，也能反过来验证解析解。
下次遇到"这积分/这期望根本算不出来"的情况，别硬刚公式——写个循环，让随机数替你干活。