第一次被系综平均（Ensemble Average，也常被叫作集平均）这个概念真正绊住，是在我做一批雷达回波数据处理的时候。手里握着128个脉冲重复周期的采样矩阵，导师只说了一句“做集平均”，我当时的反应是：平均谁？把128条曲线逐点相加除以128，这不就是普通平均吗？后来才明白，这个操作背后藏着一整套关于随机过程的假设，而我当时对这套假设一无所知，结果在一个非平稳的实测数据集上直接把有用信号给平均没了。
系综平均说的是：面对一个随机过程，我们在同一个时刻 t，对“所有可能发生的实现”取期望。它衡量的是统计意义上的中心趋势，而不是某一次观测的走势。与之相对的是时间平均，也就是对单条样本在时间轴上做平均。这两者什么时候能互相替代、什么时候绝对不能，是工程里最容易翻车的地方之一。不管你是做信号处理、通信、金融建模、分子动力学仿真，还是搞机器学习的 BatchNorm，这个概念都会在某个环节跳出来拦住你。
下面这些内容适合三类人看：刚接触随机过程、被“期望”“遍历性”这些词绕晕的学生；做仿真和实验数据、需要判断样本量够不够的工程师；以及已经会用均值方差、但没深究过背后假设的从业者。我会从概念拆解一路讲到代码实现和踩坑记录，尽量说人话。
1. 系综平均到底在平均什么
1.1 一次实验、一条曲线和一个系综的关系
先把最容易被混淆的一点掰开：一次实验产生一条数据曲线，这条曲线叫一个“实现”或者一个“样本函数”。而系综（ensemble）是所有这些可能实现的集合，配上它们的概率分布。注意，概率分布是这个集合不可分割的一部分，没有分布的“一堆曲线”不构成系综。
打个生活化的比方。你想知道某城市十月份下午三点的平均气温。系综视角的做法是：想象有无数个平行世界，每个世界里都有同一个城市、同一个十月份、同一个下午三点，每个世界的气温是一个样本。把所有平行世界的气温加起来求期望，这就是系综平均。你现实里能拿到的，只有我们这个世界里从10月1日到10月31日这31个观测值，那是时间序列，是某一个实现上的31个采样点。
这个区别为什么重要？因为绝大多数工程问题的答案都藏在系综里，而你能观测到的永远只是时间轴上的切片。你能不能从切片里推断整体，取决于一个非常强的假设——平稳性和遍历性。这也是后面要反复讲的核心。
我在实际项目里见过太多人把“对多条曲线取平均”就叫系综平均，但对“多条曲线”的来源完全不设条件。如果这128条曲线来自同一个确定性信号加同一个确定性干扰，那平均之后剩下的东西跟统计期望没什么关系，只是简单的相干叠加或者抵消。判断依据永远是数据生成机制，而不是平均这个动作本身。
1.2 严格定义：概率空间、随机变量族、期望算子
从数学上讲，随机过程是定义在概率空间 (Ω, F, P) 上的一族随机变量 {X(t, ω) : t ∈ T, ω ∈ Ω}。这里 Ω 是样本空间，每个 ω 是一个基本结果（也就是一个“实现”），t 是参数（通常是时间）。
系综平均的定义非常简单：固定 t，把 X(t, ·) 看成一个普通随机变量，取它的数学期望：
- 连续情形：m(t) = E[X(t)] = ∫ x · f_{X(t)}(x) dx
- 离散取值情形：m(t) = Σ x_k · P(X(t) = x_k)
- 如果 Ω 是离散且等概率的（仿真里最常见）：m(t) = (1/N) Σ_{i=1}^{N} X_i(t)
第三个式子就是工程中真正落地的东西：用 N 个独立同分布的样本函数，在固定时刻 t 上取算术平均。这里有两个隐含要求，一是每个样本函数的“权重”由概率决定，等概率才能简单取算术平均；二是这 N 个实现必须来自同一个分布，也就是统计上可交换。
注意：仿真里“跑1000次蒙特卡洛”得到的集合平均，只有在随机数种子设置正确、每次独立采样、模型参数完全一致的前提下才等于系综平均。任何一次跑偏（比如用了不同的初始条件分布），平均值就失去了统计意义。
很多人忽略的一点是：m(t) 是 t 的函数，不一定是常数。只有当过程是宽平稳的时候，一阶矩才与时间无关。所以严格来说，“把128条曲线逐点平均得到一条曲线”，得到的是 m(t) 的估计，而不是一个常数。这个细节在非平稳场景（比如瞬态响应、调制信号）里非常关键。
1.3 为什么工程上绕不开这个量
均值本身信息量有限，但它是几乎所有二阶统计量的地基。协方差函数 C(t1, t2) = E[(X(t1) - m(t1))(X(t2) - m(t2))]，功率谱密度、相关矩阵、信噪比、最小均方误差估计器，全部要先把均值减干净。均值估计不准，后面全部带偏。
更本质的原因是：真实系统的输出几乎总带随机性。器件的热噪声、信道的多径散射、材料参数的批次差异、金融资产的波动、分子的热运动，这些都不是可以被单次观测精确描述的。要给出“典型值”“期望性能”“置信区间”，只能用统计语言。系综平均就是这套语言里最基本的一个词。
我在做一个微弱信号检测项目时的体会特别深。单次采集的信噪比低到 -20 dB，肉眼完全看不出信号，但做2000次同步平均之后，周期性成分以大约 √N 的速率浮出噪声底。那次我真正意识到，平均不是“平滑一下”，而是用样本数的平方根去换取信噪比的提升。前提是信号在每次实验中严格对齐，且噪声在各次实现之间不相关——这两条又回到了系综的假设上。
2. 系综平均与时间平均：遍历性这根救命稻草
2.1 时间平均为什么在实践中更常用
时间平均的定义是：
_T = (1/T) ∫_0^T X(t) dt（连续）
或者N = (1/N) Σ{n=1}^{N} X[n]（离散）
它是工程数据的天然形态。示波器抓一段波形，传感器记录一天的温度，麦克风录一段语音，得到的就是一条时间序列。现实里谁也没法真的去遍历平行世界，所以时间平均才是唯一可动手实现的路径。
问题的关键在于：时间平均是随机变量（不同实验会得到不同的值），而系综平均在定义上是确定性的（期望是一个固定的数字或函数）。要把这两个东西划等号，必须请出遍历性定理。这也是初学者最容易忽略的一步：很多人直接假设自己手上那条曲线算出来的均值就等于理论均值，却从没问过“这个假设成立吗”。
2.2 均方遍历、均值遍历和相关遍历的区别
遍历性不是一个非此即彼的开关，而是分层次的，工程上有几个层次最常用：
| 遍历类型 | 含义 | 常见应用 |
|---|---|---|
| 均值遍历 | 时间均值依概率收敛到系综均值 | 直流分量估计、偏置校正 |
| 均方遍历（二阶） | 时间自相关收敛到系综自相关 | 功率谱估计、自适应滤波 |
| 分布遍历 | 时间直方图收敛到边缘分布 | 直方图统计、概率密度建模 |
均值遍历是最弱的要求，相关遍历则强得多。一个过程可能均值遍历，但自相关并不遍历。比如某些长记忆过程，均值看着收敛了，但二阶统计量一直在飘。如果拿它去做谱估计或者协方差矩阵估计，结果会非常不稳。
提示：判断一个过程是否能做遍历假设，先查它是不是平稳。非平稳过程几乎谈不上遍历，因为系综均值本身随时间变化，时间平均只有一个数，根本无法对应一个随时间变化的函数。
2.3 平稳性与遍历性的关系与判据
严格平稳要求任意阶联合分布不随时间平移变化，这在工程里几乎无法验证。所以实践中基本都用宽平稳：均值恒定、自相关只依赖时间差 τ。
宽平稳是遍历性的必要条件，但不是充分条件。一个反例是 X(t) = A，A 是一个固定的随机变量，每次实验抽一次 A 之后就不再变。这个过程均值恒定（E[A] 是常数），自相关只依赖 τ（恒等于 Var(A)），但它完全不遍历：单条曲线的时间平均恒等于 A，而系综平均是 E[A]，两者一般不等。
这个反例在工程里对应一种非常真实的情形：批次差异。假设你测试100个芯片，每个芯片的失调电压是固定值，芯片内部还叠加了随机噪声。如果你只测一个芯片一整天，你测到的均值是“这个芯片的失调 + 零”，而不是“整批芯片的失调期望”。这时候必须跨芯片做系综平均，时间平均救不了你。
我判断遍历性时通常问三个问题：第一，均值有没有随时间的系统性漂移（画个滑动平均看看）；第二，不同时间段的直方图是否明显不同（叠加对比）；第三，把长序列切成若干段，段间均值是否落在合理的统计涨落内（段均值序列做方差检验）。三个问题都过关，才有可能安全地用时间平均替代。
2.4 常见误区：把单次长观测当成系综
这个坑我自己踩过。做某类器件稳定性测试，我采集了连续8小时的数据，算了一个均值，报告里写着“平均响应”。审稿人问了一句：你这8小时里的温度漂移怎么处理的？我才发现那段时间环境温度上升了3度，器件响应有单调漂移，整个过程的均值根本不是任何一个时刻的期望，它是个四不像。
解决办法有两类。一是把漂移建模进去，做趋势项分离，对去趋势后的残差做时间平均；二是按环境条件分层，在每个温度点上分别做时间平均，得到条件均值，再按环境分布做加权，这个加权其实就是系综平均的离散近似。
还有一种是“用不同初始条件跑同一条轨迹”的伪系综。分子动力学里很常见，有人跑100次不同初速度的模拟，然后说这是系综平均。严格讲，如果初速度从麦克斯韦分布采样、积分时间足够长、体系达到了平衡，这个做法是成立的（这其实就是多副本采样）。但如果初条件全部从一个极端区域出发，那这100条轨迹都在同一个非平衡态里，平均出来的不是平衡系综平均。
3. 样本量、方差与收敛速度怎么算
3.1 估计量的无偏性与方差衰减规律
用 N 个独立样本估计系综均值，估计量 m̂ = (1/N) Σ X_i。它的期望等于真值，是无偏的。它的方差是 Var(m̂) = σ² / N，标准差是 σ/√N。
这两条式子直接决定了工程上的预算。想让误差条减半，样本数要翻4倍。这是最反直觉也最常被低估的一点：精度提升是平方根关系，不是线性关系。我做粒子滤波的蒙特卡洛实验时，从1000个粒子加到4000个粒子，均值曲线才明显变光滑，而计算时间涨了4倍。
对应地，误差条（标准误）写作 SE = σ̂ / √N，置信区间在正态近似下大约是 m̂ ± 1.96 · SE。注意这里的 σ̂ 是从同一批样本里估出来的样本标准差，如果 N 很小（比如小于30），要用 t 分布而不是正态分布，否则置信区间会偏窄，给人一种虚假的精确感。
3.2 有效样本数与自相关时间
上面的公式前提是样本独立。仿真里如果每次重跑都重新播种，独立性一般没问题。但时间平均场景下，相邻采样点高度相关，直接套 σ/√N 会严重高估精度。
工程上的做法是定义积分自相关时间：
τ_int = 1 + 2 · Σ_{k=1}^{K} ρ(k)
其中 ρ(k) 是归一化自相关函数，求和到 ρ 基本衰减到零为止（一般截到 1/e 或者 0.05）。然后定义有效样本数：
N_eff = N / (2 · τ_int)
举个例子，一条长10000点的时间序列，算出来 τ_int = 25，那 N_eff 只有200左右。你以为自己有10000个自由度，实际只有200个。这时候的误差条要按 SE = σ / √200 来算，而不是 σ / √10000，两者差了7倍。这个错误在论文里出现的频率高得离谱。
注意：自相关时间估计本身也带误差，而且对 K 的选取敏感。稳妥做法是画几条不同截断下的 τ_int 曲线，看它是否稳定，或者直接用自举法绕开显式估计。
3.3 表格：不同场景下的样本量经验值
| 场景 | 独立性来源 | 典型样本量 | 备注 |
|---|---|---|---|
| 蒙特卡洛仿真 | 独立重播种 | 1e3 ~ 1e6 | 按目标相对误差定，1% 通常需1e4以上 |
| 图像多帧集平均去噪 | 帧间独立噪声 | 20 ~ 500 | 信噪比随 √帧数提升，受漂移限制 |
| 分子动力学 | 时间采样 | 需 N_eff > 1e3 | 必须扣除自相关时间 |
| 通信误码率测试 | 独立码块 | 至少100个错误事件 | 错误数比总比特数更能决定精度 |
| 金融历史回测 | 时间序列 | 取决于自相关 | 非平稳性通常比样本量更致命 |
第三列只是量级参考，真正的判断标准永远是目标精度和数据的自相关结构。
3.4 方差缩减：在有限算力下把误差压下去
算力永远是有限的，所以方差缩减技术值得花时间。几个实用的：
- 对偶变量法：如果被估计量关于某个输入是单调的，用 X 和它的镜像 1-X 成对采样，两者的偏差负相关，平均后方差下降。
- 控制变量法：找一个已知均值的相关量 Y，用 m̂ - β(Y - E[Y]) 作为估计，选好 β 能把方差砍掉一大截。
- 分层抽样：把输入空间划成若干层，层内采样，层间按比例加权，能消除层间差异带来的方差。
- 公共随机数：比较两个方案时用同一批随机数，把差分量的方差降下来。做A/B方案对比时特别有效，我做过一组实验，用了公共随机数后，相同样本数下方案差异的置信区间缩短了约60%。
这些方法有个共同前提：你必须对问题的结构有理解。盲目套用不会有效果，甚至可能引入偏差。用之前先画一下被估计量对输入的响应曲线，判断单调性和相关性方向。
4. 从零实现一个系综平均估计器
4.1 数据布局：为什么要把系综放在第一维
做批量计算时，数据布局直接决定性能。我的习惯是让第一个维度是系综（样本序号），第二个维度是时间或空间坐标。这样 numpy 的 axis=0 平均就是系综平均，内存访问也是连续的。
import numpy as np rng = np.random.default_rng(20240517) N_ENS = 4000 # 系综样本数 N_T = 512 # 每条的采样长度 # 构造一个宽平稳过程：均值恒定 + 相关噪声 # 用 AR(1) 生成有色噪声，rho 控制相关强度 rho = 0.85 sigma = 1.0 noise = np.zeros((N_ENS, N_T)) noise[:, 0] = rng.normal(0.0, sigma, size=N_ENS) for k in range(1, N_T): noise[:, k] = rho * noise[:, k - 1] + np.sqrt(1 - rho**2) * \ rng.normal(0.0, sigma, size=N_ENS) signal = 2.0 + 0.0 * noise # 恒定均值 2.0 data = signal + noise # 每行是一个实现 # 系综平均：固定 t，对所有实现求期望 m_hat = data.mean(axis=0) se = data.std(axis=0, ddof=1) / np.sqrt(N_ENS) print(m_hat[:5]) print(se[:5])这段代码里 data.mean(axis=0) 就是系综平均的离散形式。为什么用 ddof=1？因为样本标准差用 N-1 归一化才是总体方差的无偏估计，N 小的时候差别明显，N 大以后无所谓，但养成习惯没有坏处。
4.2 在线算法：Welford 增量更新
系综样本数很大的时候，把所有数据堆在内存里不现实。Welford 算法可以边读边算，数值稳定性也远好于朴素的两遍法或 Σx² 公式。
import math class RunningStats: """在线计算均值与无偏方差，单遍扫描，数值稳定""" __slots__ = ("n", "mean", "M2") def __init__(self): self.n = 0 self.mean = 0.0 self.M2 = 0.0 def update(self, x: float) -> None: self.n += 1 delta = x - self.mean self.mean += delta / self.n self.M2 += delta * (x - self.mean) @property def var(self) -> float: return self.M2 / (self.n - 1) if self.n > 1 else 0.0 @property def sem(self) -> float: """均值的标准误""" return math.sqrt(self.var / self.n) if self.n > 1 else float("nan") rs = RunningStats() for v in rng.normal(3.0, 2.0, size=100000): rs.update(v) print(rs.mean, rs.var, rs.sem)为什么不用 Σx 和 Σx² 的公式？当数据量很大且数值尺度差异明显时，Σx² 和 (Σx)²/N 两个大数相减会造成灾难性抵消，方差可能算出负数。Welford 每次只用增量和均值更新，规避了这个问题。做长时间漂移实验或者流式传感器数据时，这个差别非常真实。
4.3 收敛诊断：误差条、块平均和自举法
只看一条平均值曲线不够，必须给出不确定度。三个我常用的手段：
第一是误差条曲线，把 m̂(t) ± 1.96·SE(t) 画出来，观察区间宽度是否随 N 合理收缩。如果 N 从1000加到4000，区间宽度应该缩小到一半左右，偏差太大说明有相关性或非平稳。
第二是块平均（block averaging）。把 N 个样本切成 B 个块，每块算一个均值，看块均值的方差随块长度的变化。当块长超过自相关时间后，块均值方差应该趋于平坦，这个平台值就是真实方差。这招在做分子动力学和长时仿真时是标配，代码不超过20行，但能救命。
第三是自举法（bootstrap）。对系综样本做有放回重采样，重复 R 次（一般1000到10000），每次算一个均值，得到经验分布，直接读分位数作为置信区间。它不依赖正态假设，对偏态分布特别友好。
def bootstrap_ci(samples, stat_fn=np.mean, R=5000, alpha=0.05, seed=0): rng = np.random.default_rng(seed) n = samples.shape[0] idx = rng.integers(0, n, size=(R, n)) stats = stat_fn(samples[idx], axis=1) lo = np.quantile(stats, alpha / 2) hi = np.quantile(stats, 1 - alpha / 2) return stats.mean(), lo, hi提示：块长和自举重采样次数都要做敏感性测试。块长选太短会低估方差，选太长则块数不足，方差估计本身不稳。我的经验是保证至少30个块，同时块长大于3倍自相关时间。
4.4 与 BatchNorm 的对照：一个被工程化的系综平均
深度网络里的 BatchNorm 值得单独说一句。训练时它对一个 mini-batch 内的样本计算均值和方差，做归一化；同时用滑动平均维护一组全局统计量，推理时用这组统计量。这里的 mini-batch 就是一个小系综，每一步的批量统计是系综平均的有噪估计，而滑动平均维护的是对整体分布的逼近。
这也解释了一个常见故障：如果训练时的批量分布和推理时的真实分布不一致（batch size 太小、数据有强序列相关、任务域偏移），滑动平均给出的统计量就不代表推理样本的分布，性能会掉。调大 batch size 或者改用 GroupNorm、LayerNorm，本质都是在调整“系综”的构造方式，让它更匹配真实数据分布。
5. 典型场景下的落地方式
5.1 蒙特卡洛与不确定性量化
蒙特卡洛的本质就是用大数定律把积分变成系综平均。要估计 E[f(X)]，就从 p(x) 里采样 N 次，算 (1/N) Σ f(x_i)。误差以 1/√N 收敛，和维度无关，这是它相对确定性数值积分的最大优势。
但要注意两个陷阱。一是伪随机数的质量，低质量的线性同余发生器在高维下会产生格点结构，导致估计有偏。现在优先用 PCG64 或者 Philox 这类现代生成器。二是重要抽样，当目标事件概率极低时，朴素平均几乎采不到有效样本，必须换分布采样再乘似然比权重。金融里给深度虚值期权定价，靠的就是这套。
5.2 图像多帧集平均去噪
这个场景把系综平均的物理意义体现得很直观。同一场景连续拍摄多帧，静态内容在每帧里位置不变，随机噪声在帧间独立。把 N 帧对齐、逐像素平均，噪声标准差下降 √N 倍。
我做过一组天文暗弱目标的处理。单帧信噪比只有1.5左右，目标完全淹没在噪声里。对齐叠加200帧后信噪比到了20以上，结构清晰可见。几个关键约束：帧间要做亚像素配准，否则对齐误差会把细节糊掉；传感器暗电流和热噪声是慢变偏置，不能靠平均消除，得单独标定；图像本身有亮度漂移时，要么先做归一化，要么用加权平均（权重取各帧的曝光时间或信噪比）。
顺带说一句，这里的“平均”如果换成“中位数”，抗离群点的能力更强，代价是收敛速度稍慢、计算量大。宇宙射线击中这类稀疏强干扰，用中位数组合效果明显更好。
5.3 阵列信号处理与自适应波束形成
天线阵列天然构成本身的系综：M 个阵元就是 M 个空间采样。样本协方差矩阵 R̂ = (1/K) Σ x_k x_k^H 就是对系综协方差矩阵的估计，其中 K 是快拍数。
这里有一个经典的工程权衡。K 太少，R̂ 是病态的（奇异），求逆会爆炸；K 太多，如果信号源在移动，快拍之间就不再同分布，估计有偏。经验规则是 K ≥ 2M 起步，通常取 3M 到 5M。如果信源数接近或超过阵元数，还要上对角加载或者收缩估计，把 R̂ 往单位阵方向拉一点，牺牲一点分辨率换取数值稳定。
我做过的实测里，K/M 从 2 提到 5，波束形成的零陷深度改善了大约8 dB，但到了8以后收益就很小了，反而因为非平稳性开始变差。所以不是越多越好，得结合场景找拐点。
5.4 统计物理与分子动力学
统计力学是系综概念的故乡。微正则系综（NVE）、正则系综（NVT）、等温等压系综（NPT）、巨正则系综，本质上是不同的约束条件下对应的不同概率分布。系综平均就是在这个分布下求物理量的期望。
实践中最麻烦的是各态历经问题。如果体系的能量面上有高势垒，模拟时间不够长，轨迹被困在一个局部区域，时间平均就代表不了系综平均。蛋白质折叠、玻璃态转变这类问题特别容易出问题。常见对策有副本交换（replica exchange）、伞形采样、元动力学，本质都是人为加速遍历过程。
判断是否收敛，我最常看的量是势能和回旋半径的时间序列，画出它们随时间块平均的变化，看是否稳定。另外用不同初始条件跑多组独立轨迹，看结果是否一致，这是最直接的交叉验证。
5.5 量子力学里的密度矩阵
量子力学的混合态也是系综平均的直接体现。纯态是单个实现，混合态是纯态的统计系综，密度矩阵 ρ = Σ p_i |ψ_i><ψ_i| 就带着系综平均的味道。任意可观测量的期望是 tr(ρA)。
相干与退相干的区别很有意思：纯态叠加里不同分支之间还存在相位关系，测量时会发生干涉；而系综平均把相位信息抹掉了，只剩强度求和。很多新手会把“经典系综平均”和“量子叠加”混为一谈，结果在解释干涉实验时讲不清楚。区别的关键在于是否有相位信息保留，这一点在密度矩阵的非对角元上体现得很清楚。
6. 常见问题与排查技巧实录
6.1 平均值不收敛或缓慢漂移
现象：随着样本数增加，均值曲线一直在缓慢爬升或下降，误差条不收缩。
排查顺序我一般这样走。先画滑动平均和原始数据，看有没有明显趋势项。有趋势项意味着过程非平稳，继续加样本只会让估计收敛到一个没有物理意义的“历史平均”。其次是看数据生成过程，是不是有参数在慢变，比如温度、供电电压、负载状态。最后检查采样机制本身，比如采样的触发条件是不是跟信号相关，这种选择偏差会引入系统性的偏移。
解决办法分两层。一是分离趋势，做去趋势或者差分，然后对残差做统计。二是分层，把非平稳维度当作条件变量，在每个条件下做时间平均，最后按条件分布加权。
6.2 方差估计偏小，置信区间过窄
这是最隐蔽也最危险的问题，因为它不报错，只是让你过度自信。典型原因有三个：样本间存在正相关但没有扣除、样本数少于30还用了正态分位数、方差估计用了有偏公式。
最快的诊断方法是块平均。把序列切成 B 个块，算块均值，看块均值的方差乘上块数是否和逐点方差一致。如果块方差的估计显著大于逐点方差除以N，恭喜你，你的真实不确定度被低估了。
论文审稿里被点名最多的统计问题就是这个。我的习惯是，只要检验的是时间序列，一律先用块平均或者自举法算误差，然后再画误差条，宁可保守也不要虚假精确。
6.3 遍历性假设被悄悄打破的信号
有些信号比均值漂移更隐蔽：
- 段均值序列存在明显的长程相关，段与段之间不是独立的
- 直方图随窗口位置缓慢变化，尤其是尾部
- 二阶统计量（自相关、谱密度）的形状在不同时间段不一致
- 换一组初始条件重跑，结果落在置信区间之外
出现这些现象，说明你的单条轨迹不能代表整个系综。要么加长模拟时间直到跨越所有相关的慢尺度，要么做多副本采样，要么改用更合适的系综（比如换控温方法、换采样算法）。
6.4 常见问题速查表
| 现象 | 可能原因 | 快速验证方法 | 处理方式 |
|---|---|---|---|
| 均值不收敛 | 非平稳、趋势项 | 画滑动平均 | 去趋势或分层处理 |
| 误差条太窄 | 自相关未扣除 | 块平均对照 | 用 N_eff 或自举法 |
| 换种子结果差别大 | 样本量不足 | 跑5组不同种子 | 增加样本量 |
| 平均后信号被抹平 | 各实现间相位/时延未对齐 | 检查互相关峰值位置 | 先对齐再平均 |
| 方差出现负值 | 公式数值不稳定 | 检查量级差 | 改用 Welford |
| 批量统计与全局不符 | 系综构成不一致 | 对比批内和全局直方图 | 换归一化方式 |
6.5 几条我踩过之后才明白的经验
第一条，平均之前先对齐。这句话我说给过好几个人，但真正吃亏才会记住。做超声检测时，我直接对100次采集做平均，结果信号反而比单次更模糊。原因是各次的回波到达时刻有微小抖动，直接平均相当于做了低通滤波，把高频成分抹掉了。后来做了亚采样级的时延校正再平均，效果立刻出来。移动的、有时延的、有相位变化的东西，平均前必须配准。
第二条，别用“样本数”欺骗自己，要用“有效样本数”。我见过有人拿100万点的仿真数据算误差条，用了 √1000000 这个因子，最后置信区间小到万分之一，结论是“精度极高”。实际上数据是AR(1)过程，自相关时间25，有效样本才两万，真实误差是报告值的7倍。报告看起来漂亮，但经不起任何复现。
第三条，独立性和平稳性要用数据说话。不要因为你“觉得”噪声是独立的，就默认它可以平均掉。做一个自相关图，做一个游程检验，花不了十分钟，但能省掉几天返工。
第四条，平均会掩盖问题，不总是好事。有些异常现象只在单次记录里出现，一旦做系综平均就消失了。如果你做的是故障诊断、异常检测这类任务，系综平均可能会把你要找的东西一起平均掉。这时候应该反过来看样本间的离散度，把方差当信号，而不是当噪声。
7. 一点后续可以延展的方向
这套东西往下走，可以接到几个挺有意思的方向。一是贝叶斯推断里的后验期望，那就是对参数分布做系综平均，MCMC 采样出来的链就是近似的系综样本，收敛诊断和系综平均的收敛判断是同一套逻辑。二是随机微分方程的数值解，伊藤积分和斯特拉托诺维奇积分给出不同结果，根源就在于对积分和的取法不同，本质是系综平均里极限过程的定义差异。三是机器学习里的集成学习，多个模型预测的平均可以看作对假设空间的系综平均，偏差方差分解那套分析讲的就是这个。
我自己最近在折腾的是把系综平均的思想用到设备老化建模上。同一型号的一批设备，各自的老化轨迹不同，用多设备数据构建设计矩阵做统计推断，本质上就是在做系综意义上的一致性估计。后面如果把这个流程整理清楚了，再来写一篇更细的。
