如何计算蒙特卡洛模拟估算结果的置信区间
2026-10-1
解答
完全可以通过精确公式计算得到置信区间，不需要依赖数值模拟。你遇到的问题本质是二项分布总体比例的置信区间估计：每个采样点命中目标物体的概率p等于「物体真实面积/总采样区域面积」，n次独立采样命中m次时，我们只需要先算出p的置信区间，再乘以总采样区域面积，就能得到你要的面积区间a₁、a₂。
常用计算方法
1. 正态近似法（适合大样本场景，你的需求完全够用）
当采样量n足够大（一般要求n*(m/n) > 5且n*(1 - m/n) > 5，你的使用场景完全满足），可以用正态分布近似二项分布，计算非常简单：
- 先算样本命中比例：
p_hat = m / n - 计算标准误：
SE = sqrt(p_hat * (1 - p_hat) / n) - 取对应置信度的Z分位数：
- 50% 置信度：
z = 0.6745 - 90% 置信度：
z = 1.645 - 99% 置信度：
z = 2.576
- 50% 置信度：
- 比例的置信区间为
[p_hat - z*SE, p_hat + z*SE]，乘以总采样面积就是最终的面积区间a₁、a₂。
我们可以用你示例中100次采样、99%置信度的场景验证：p_hat=0.5，SE=sqrt(0.5*0.5/100)=0.05，区间为0.5 ± 2.576*0.05 = [0.3712, 0.6288]，和你模拟得到的0.37..0.63几乎完全一致，差值只是模拟的随机波动。
2. 精确置信区间（适合小样本/极端比例场景）
如果采样量很小，或者命中比例接近0/1，正态近似的误差会变大，可以用Clopper-Pearson精确区间或者威尔逊得分区间，这两种方法没有近似误差，完全基于二项分布的累积概率计算，只是计算复杂度比正态近似稍高。
适配你的需求
你要给btdu工具添加置信度提示，直接用正态近似法就足够，计算成本几乎为零，结果精度完全满足普通用户的感知需求，不需要跑模拟。算完面积的误差范围后直接转换成存储容量单位输出即可。
内容的提问来源于stack exchange，提问作者Vladimir Panteleev
相关产品推荐
相关产品推荐
