完整定義
蒙地卡羅方法(Monte Carlo Method)是一類利用隨機抽樣(或隨機數)來解決計算問題的數值方法。其核心思想是通過大量重複的隨機模擬,統計結果,從而得到問題的近似解。適用於解析解難以獲得或計算複雜度過高的問題。
白話說明
你有沒有遇過一個答案很難直接算出來,但你又想先知道大概值?
你可以把它想成丟很多次有規則的骰子,再用結果的平均樣子去估答案,先得到接近值,再看要不要加更多樣本。
它不是亂猜,而是把不確定性變成統計量,特別適合公式太難、維度太高、或系統太複雜的問題。
記住這句
算不出精確值時,就用大量抽樣逼近答案。
比喻:蒙地卡羅方法就像用「射飛鏢」來估算圓周率 -- 隨機地向一個包含圓的正方形靶子射很多飛鏢,統計落在圓內的比例,就能近似算出圓的面積,進而估算圓周率。
容易混淆
蒙地卡羅方法 vs 解析解法
蒙地卡羅方法:靠隨機抽樣求近似值
解析解法:靠公式直接求精確值
蒙地卡羅方法 vs 亂猜
蒙地卡羅方法:每次抽樣都有機率設計
亂猜:沒有統計基礎,結果不穩定
實際案例
估圓周率
在正方形裡隨機灑點,看看落在四分之一圓內的比例,比例越穩,π 的估計越接近真值。
風險模擬
金融團隊把利率、匯率、需求都當成隨機變數,跑很多次情境,估出虧損區間和尾端風險。
演算法與應用
蒙地卡羅方法的核心是「抽樣代表整體」,樣本越多,估計越穩。
如果每次抽樣成本低,它很適合拿來做模擬、積分、最佳化、以及不確定系統的分析。
它的弱點也很明確,收斂通常不快,樣本太少時誤差會很大。
情境判斷
Q1(直覺題):你要估算一個複雜模型的失敗率,沒有漂亮公式可用,最合理的方法是什麼?
用蒙地卡羅方法跑很多次隨機情境,從模擬結果估失敗率。
Q2(判斷題):樣本數翻倍後,估計值還是晃得很明顯,最可能卡在哪裡?
抽樣次數還不夠或變異太大,這種情況通常要增加樣本、改抽樣設計,或先降低問題的隨機性。
常見問題
會往穩定方向走,但前提是抽樣方式合理,而且樣本數夠大。抽樣設計差,算再多次也只是更穩地偏掉。
很多機器學習流程也會用蒙地卡羅抽樣來估計期望值、做不確定性分析、或評估策略效果。
當你已經有簡單、可解析、而且速度更快的公式時,就沒必要額外做大量模擬。
出現在這些考古題
官方公告試題的逐題解析裡,這 2 題把蒙地卡羅方法列為延伸術語。
相關術語
- 演算法Algorithm先看它,能把蒙地卡羅放回「用計算解題」的大框架。
- 機率分佈Probability Distribution抽樣品質直接受分佈形狀影響,這是理解模擬結果的底層。
- 隨機搜尋Random Search很多最佳化問題會借用同樣的隨機抽樣思路。
- 貝氏最佳化Bayesian Optimization想把隨機試驗變得更省樣本時,這是常見進階方法。
- 馬可夫決策過程Markov Decision Process當抽樣對象變成行動序列時,這個概念很常一起出現。
本頁內容有提到,或屬於同一組主題的術語
來源
這個術語目前沒有標註外部來源。
其他格式:Markdown 版本