爲什麼使用蒙特卡洛方法？

Question

什麼時候應該使用蒙特卡羅方法？

例如，爲什麼喬爾決定在Evidence Based Scheduling上使用蒙特卡洛方法，而不是有條不紊地處理過去一年的所有用戶數據？

Answer 1

假設你想估計一些感興趣的數量。在Joel的例子中，「發貨日期」就是你想估計的。在大多數情況下，存在影響我們估計的隨機因素。

當你有一個隨機數時，你通常想知道它的平均值和標準差，以便你可以採取適當的行動。在簡單情況下，您可以將數量建模爲標準分佈（例如，正態分佈），其中存在平均值和標準偏差的解析公式。然而，在許多情況下，分析公式不存在。在這種情況下，我們採用模擬來代替均值和標準差的分析解。我們的想法是：

步驟1：生成，使用適當的分佈

步驟2影響的關注量的因素：所關注計算量

重複步驟1分2多次和計算經驗平均和你想知道的標準偏差。

以上是迄今爲止蒙特卡羅應用的典型應用。請參閱Jarrod提供的維基百科鏈接，瞭解幾個此類應用程序以及沒有固有隨機性（例如，估計pi）的有趣應用程序的一些示例。

Answer 2

Wikipedia在蒙特卡洛模擬方法上有很好的文章。我幾次使用過蒙特卡羅 - 簡而言之，MC方法傾向於在嘗試使用非常隨機的樣本集來計算結果時給出準確的答案，而有些人通常會使用直覺來嘗試猜測趨勢。不幸的是，試圖解釋MC方法非常困難，所以查看文章。

Answer 3

因爲在計劃編程任務時，估計通常分佈相當廣泛，所以統計處理它們更有意義。

如果我們選擇一個需要完成100個任務的項目，那麼估算中的誤差將會消失，並且最終會出現一個分佈圖，顯示項目完成的可能性。

它也規避了一些嚴重的問題，如任務緩衝和學生綜合症甚至進一步扭曲了結果。

Answer 4

有時候檢查所有的選項簡直是過分的。

Answer 5

蒙特卡洛方法通常使用when the dimensionality of the problem is too high for traditional schemes。 A 好關於這個問題的介紹性文件是Persi Diaconis'The Markov Chain Monte Carlo Revolution。