欢迎来到模拟的世界！
你有没有想过公司是如何预测队伍的长度？数学家又是如何在不进行数百万次实战的情况下，计算出赢得复杂游戏的机率？答案就是模拟 (Simulation)。在统计学主修 (Statistics Major) 的这一章中，我们将不再仅仅依靠公式，而是利用科技来“复制”现实生活中的事件。这就像是数学界的飞行模拟器一样！
模拟是一个强大的工具，因为它让我们能够解决那些因为过于“混乱”或技术上过于复杂，而难以用标准理论方程式处理的问题。让我们开始吧！
1. 什么是模拟？为什么要使用它？
模拟的核心是利用模型来模仿现实世界系统随时间推移的行为。当理论数学变得不可能计算，或者实在太过于困难时，我们就会用到它。
类比： 想象你想知道某个纸飞机设计能否飞出 10 米。你可以运用复杂的物理方程式（理论），或者你也可以直接试飞 500 次并记录结果（模拟）。在本课程中，我们利用电子表格 (spreadsheets) 让我们在瞬间完成这“500 次试飞”！
必须掌握的关键术语：
- 试验 (Trial)： 模拟的一次“运行”（就像掷一次硬币）。
- 相对频率 (Relative Frequency)： 事件在模拟过程中发生的比例。随着试验次数增加，这个数值会越来越接近理论机率 (theoretical probability)。
- 变异 (Variation)： 指每次运行模拟时，由于随机性，结果总会略有不同的现象。
快速复习： 模拟不像公式那样给出“精确”答案；它给出的是一个估计值 (estimate)，且试验次数越多，估计就越精确。
2. 使用电子表格模拟分布 (SZ1)
课程大纲要求你学会如何使用 Excel 或 Google Sheets 等软件来模拟三种主要的分布类型。
A. 离散均匀分布 (Discrete Uniform Distribution)
这适用于一组固定数量的结果，且每个结果发生的机率均等（如公正的骰子）。在电子表格中，我们使用：
=RANDBETWEEN(lower, upper)
例子： 若要模拟一颗 6 面骰子，你可以输入 \( =RANDBETWEEN(1, 6) \)。
B. 连续均匀分布 (Continuous Uniform Distribution)
这适用于两个数值之间的随机数，其中任何小数都有可能出现。通常，我们使用以下指令产生 0 到 1 之间的数字：
=RAND()
你知道吗？ 电脑产生的“随机性”大多数被称为伪随机性 (pseudo-randomness)，因为它是透过精妙的算法生成的，但对于我们的统计作业来说，它已经足够随机了！
C. 常态分布 (Normal Distribution)
模拟常态分布稍微复杂一些，但在考试中非常常见。我们使用一个公式，将一个随机机率（0 到 1 之间）转换为常态曲线上的数值：
=NORM.INV(RAND(), \(\mu\), \(\sigma\))
注意： 有些软件会要求输入标准差 \( \sigma \)，有些则要求变异数 \( \sigma^2 \)。务必仔细阅读题目！对于 MEI 课程而言，通常是指标准差。
重点提示： 电子表格几乎所有模拟都以 RAND() 作为引擎。如果你的数字跟朋友的不一样，别担心——那正是变异 (variation) 在发挥作用！
3. 使用模拟解决难题 (Z2)
有时“理论”太难了。例如，如果你想找出三个不同分布之和的机率，数学计算可能会非常复杂，但模拟可以让它变得简单。
“火车等待时间”例子
想象你每天通勤上班。火车每 15 分钟一班。你在随机时间到达车站。请问你早晚两班火车的等待时间总和超过 20 分钟的机率是多少？
理论方法： 这涉及到在二维平面上积分函数。天啊，太复杂了！
模拟方法：
- 设 \( X \) 为早晨等待时间：\( =15 \times RAND() \)
- 设 \( Y \) 为晚间等待时间：\( =15 \times RAND() \)
- 计算总和：\( T = X + Y \)
- 重复此步骤 1,000 列。
- 计算有多少列满足 \( T > 20 \)，然后除以 1,000。
研究中央极限定理 (CLT)
CLT 指出，如果你取足够大样本的平均值，该平均值将遵循常态分布，即使原始数据不是常态分布。你可以透过以下方式模拟：
- 从均匀分布 (Uniform distribution) 中产生 10 个随机数。
- 计算它们的平均值 (average)。
- 重复此步骤 500 次。
- 绘制这 500 个平均值的直方图。你会看到一个漂亮的钟形曲线！
4. 解读电子表格输出
在考试中，你可能不需要亲自操作电子表格，但你必须学会解读它。你可能会看到一张数值表或结果摘要。
常见错误： 认为 10 次试验的模拟结果就是机率的“证明”。10 次试验实在太少了！你需要进行数百次或数千次试验，才能减少随机变异 (random variation) 的影响。
考试题目范例：
“针对两颗骰子点数之和进行 1,000 次试验的模拟，结果显示『7』出现了 162 次。请将此与理论机率进行比较。”
回答方式：
1. 点数为 7 的理论机率是 \( \frac{6}{36} = 0.1667 \)。
2. 模拟的相对频率是 \( \frac{162}{1000} = 0.162 \)。
3. 结论：模拟结果与理论值非常接近，但由于随机变异，两者略有差异。
5. 总结与关键重点
目标： 在公式过于困难时，估算机率并模拟行为。
工具：
- RAND() 用于连续均匀分布 \([0, 1]\)。
- RANDBETWEEN() 用于离散均匀分布。
- NORM.INV() 用于常态分布。
心态：
- 试验次数越多 = 估计越精确。
- 模拟是一种近似值 (approximation)，而非完美的“真理”。
- 变异 (Variation) 是预期之内的——如果你重新整理电子表格，数字应该会改变！
如果这看起来有点抽象，别担心！请记住：模拟只不过是在电脑上将某件事重复进行数千次，看看会发生什么。如果你能描述模拟某个场景的步骤，你就已经掌握了这一章最核心的部分！