2、LTspice中的统计模型：高斯分布与均匀分布、.model语句中的统计参数、Tol和Lot参数的区别
好，咱们接着聊蒙特卡洛分析。上一章我们搭好了基础电路，但真正让蒙特卡洛跑起来的关键，是统计模型怎么定义。
说白了，你告诉LTspice：「电阻值不是固定的，它会在某个范围内随机变化。」但怎么变？是像钟形曲线那样中间多两边少，还是像切蛋糕一样均匀分布？这就是高斯分布和均匀分布要解决的问题。
2.1 高斯分布 vs 均匀分布：你该选哪个？
我个人习惯，高斯分布（也叫正态分布）用得最多。为什么？因为真实世界的物理参数，比如电阻的阻值、晶体管的阈值电压，它们的分布天生就是高斯型的。你想想看，生产线上成千上万个器件，大多数都落在标称值附近，离得越远的越少，这不就是高斯曲线嘛。
在LTspice里定义高斯分布，写法是这样的：
.model R_GAUSS RES(R=1 tc1=0.001)
+ R_dist = gauss(0.05) ; 5%的3-sigma偏差这里的 gauss(0.05) 表示3-sigma偏差是5%。什么意思？就是68%的电阻值落在±5%以内，95%落在±10%以内，99.7%落在±15%以内。嗯，这里要注意，gauss() 括号里的数字是相对偏差，不是绝对值。
那均匀分布呢？它适合什么场景？
我记得有一次做温度补偿电路，需要评估电阻温度系数（TCR）的匹配。TCR的分布其实很复杂，但初步评估时，我直接用均匀分布来模拟最坏情况。因为均匀分布不偏不倚，每个值出现的概率都一样，适合做边界扫描。
均匀分布的写法：
.model R_UNIF RES(R=1 tc1=0.001)
+ R_dist = uniform(0.1) ; ±10%的均匀分布uniform(0.1) 表示阻值在标称值的±10%范围内均匀随机变化。注意，这里没有「3-sigma」的概念，就是纯粹的上下边界。
核心区别一句话总结：
- 高斯分布：模拟真实工艺波动，大多数值集中在中心，适合良率分析。
- 均匀分布：模拟最坏情况或未知分布，每个值等概率，适合边界测试。
2.2 .model语句中的统计参数：不只是R_dist
很多新手以为统计模型就是加个 R_dist 完事。其实不然。.model 语句里能定义的统计参数有好几个，我挑最常用的三个讲讲。
| 参数名 | 作用 | 示例 |
|---|---|---|
R_dist |
电阻值的随机分布 | R_dist = gauss(0.05) |
tc1_dist |
一阶温度系数的随机分布 | tc1_dist = uniform(0.1) |
L_dist |
MOS管沟道长度的随机分布 | L_dist = gauss(0.02) |
你可能会问：「我只定义了 R_dist，温度系数会跟着变吗？」
答案是：不会。每个参数都是独立的，你需要什么就定义什么。我曾经犯过这个错——只给了电阻阻值加统计，结果温度扫描时发现温漂曲线完全没变化，查了半天才发现忘了定义 tc1_dist。
我的小技巧：
如果你不确定某个参数该不该加统计，先跑一次蒙特卡洛看看结果。如果输出对那个参数不敏感，就别浪费计算资源。我一般先跑100次，观察哪些参数影响大，再针对性地加统计模型。
2.3 Tol和Lot参数的区别：一个被误解的概念
好，接下来这个点，我敢说很多工程师都搞混过——Tol 和 Lot 到底有什么区别？
先看一个典型的例子：
.model R_CHIP RES(R=1)
+ R_dist = gauss(0.05)
+ R_tol = 0.1
+ R_lot = 0.02这里出现了三个参数：R_dist、R_tol、R_lot。它们的关系是这样的：
R_dist：定义单个电阻的随机分布形状（高斯或均匀）。R_tol：定义片内（within-die）的失配范围。同一颗芯片上，两个电阻之间的差异。R_lot：定义片间（die-to-die）的偏差范围。不同芯片之间，或者不同批次之间的差异。
我打个比方你就明白了：
假设你买了一盒电阻，一盒里有100颗。这100颗电阻的平均值可能偏离标称值（比如标称1kΩ，实际平均是1.02kΩ），这就是Lot偏差。而同一颗芯片上两个电阻之间的差异（比如一个1.01kΩ，另一个1.03kΩ），这就是Tol失配。
避坑指南：
我曾经在设计一个精密电流镜时，只定义了 R_tol，没定义 R_lot。结果蒙特卡洛跑出来，电流匹配非常好，良率100%。但实际流片回来，良率只有60%。为什么？因为 R_lot 没设，LTspice默认所有芯片的电阻平均值都一样，这显然不符合现实。
从那以后，我养成了习惯：只要做蒙特卡洛，Tol和Lot都定义。即使你暂时不知道具体数值，先给个保守的估计，也比不设强。
2.4 实战：如何设置Tol和Lot
好了，理论讲完了，咱们看看实际怎么用。假设我们要模拟一个5%精度的电阻，片内失配2%，片间偏差3%。
.model R_5pct RES(R=1)
+ R_dist = gauss(0.05) ; 总分布：5%的3-sigma
+ R_tol = 0.02 ; 片内失配：2%
+ R_lot = 0.03 ; 片间偏差：3%LTspice内部是怎么工作的？
- 首先，根据
R_lot生成一个全局随机数，决定这一批芯片的平均值偏移。 - 然后，在每个芯片内部，根据
R_tol生成局部随机数，决定每个电阻相对于平均值的偏移。 - 最后，
R_dist决定这些随机数的分布形状（高斯还是均匀）。
你想想看，这样模拟出来的结果，是不是更接近真实情况？同一颗芯片上的电阻之间有关联（共享Lot值），不同芯片之间又有差异（Lot值不同）。
记住这个公式：
总偏差² = Lot偏差² + Tol偏差²
如果 R_lot = 0.03，R_tol = 0.02，那么总偏差 ≈ √(0.03² + 0.02²) ≈ 0.036，也就是3.6%。
嗯，这个3.6%和前面 R_dist = gauss(0.05) 的5%不矛盾。R_dist 定义的是单个电阻的分布形状，而Tol和Lot定义的是偏差的来源分解。两者共同作用，最终决定每个电阻的具体值。
2.5 小结
这一章的内容，说白了就是三件事：
- 高斯分布模拟真实工艺，均匀分布模拟最坏情况。
.model里可以定义多个统计参数，不只是阻值，温度系数、沟道长度都可以加。- Tol 是片内失配，Lot 是片间偏差，两者都要设，缺一不可。
下一章，我会带你亲手搭建一个完整的蒙特卡洛仿真电路，看看这些统计模型到底怎么跑起来。到时候你会发现，理论懂了，动手才是关键。