㈠ 请教蒙特卡洛模拟问题
一、蒙特卡洛模拟法的概念：（也叫随机模拟法）当系统中各个单元的可靠性特征量已知，但系统的可靠性过于复杂，难以建立可靠性预计的精确数学模型或模型太复杂而不便应用则可用随机模拟法近似计算出系统可靠性的预计值。随着模拟次数的增多，其预计精度也逐渐增高。由于需要大量反复的计算，一般均用计算机来完成。
二、蒙特卡洛模拟法求解步骤:应用此方法求解工程技术问题可以分为两类:确定性问题和随机性问题。解题步骤如下：
1.根据提出的问题构造一个简单、适用的概率模型或随机模型，使问题的解对应于该模型中随机变量的某些特征（如概率、均值和方差等），所构造的模型在主要特征参量方面要与实际问题或系统相一致
2
.根据模型中各个随机变量的分布，在计算机上产生随机数，实现一次模拟过程所需的足够数量的随机数。通常先产生均匀分布的随机数，然后生成服从某一分布的随机数，方可进行随机模拟试验。
3.
根据概率模型的特点和随机变量的分布特性，设计和选取合适的抽样方法，并对每个随机变量进行抽样（包括直接抽样、分层抽样、相关抽样、重要抽样等）。
4.按照所建立的模型进行仿真试验、计算，求出问题的随机解。
5.
统计分析模拟试验结果，给出问题的概率解以及解的精度估计。
在可靠性分析和设计中，用蒙特卡洛模拟法可以确定复杂随机变量的概率分布和数字特征，可以通过随机模拟估算系统和零件的可靠度，也可以模拟随机过程、寻求系统最优参数等。
㈡ 蒙特卡洛模拟法
蒙特卡洛模拟技术，是用随机抽样的方法抽取一组满足输入变量的概率分布特征的数值，输入这组变量计算项目评价指标，通过多次抽样计算可获得评价指标的概率分布及累计概率分布、期望值、方差、标准差，计算项目可行或不可行的概率，从而估计项目投资所承担的风险。
蒙特卡洛模拟的步骤如下：
第一步，通过敏感性分析，确定风险变量。
第二步，构造风险变量的概率分布模型。
第三步，为各输入风险变量抽取随机数。
第四步，将抽得的随机数转化为各输入变量的抽样值。
第五步，将抽样值组成一组项目评价基础数据。
第六步，根据基础数据计算出评价指标值。
第七步，整理模拟结果所得评价指标的期望值、方差、标准差和它的概率分布及累计概率，绘制累计概率图，计算项目可行或不可行的概率。
蒙特卡洛模拟程序如图7-26所示。
图7-26 蒙特卡洛模拟程序图
【实训Ⅷ】某项目建设投资为1亿元，流动资金1000 万元，项目两年建成，第三年投产，当年达产。不含增值税年销售收入为5000万元，经营成本2000万元，附加税及营业外支出每年为50万元，项目计算期12 a。项目要求达到的项目财务内部收益率为15%，求内部收益率低于15%的概率。
由于蒙特卡洛模拟的计算量非常大，必须借助计算机来进行。本案例通过手工计算，模拟20次，主要是演示模拟过程。
(1)确定风险变量。通过敏感性分析，得知建设投资、产品销售收入、经营成本为主要风险变量。流动资金需要量与经营成本线性相关，不作为独立的输入变量。
(2)构造概率分布模型。建设投资变化概率服从三角形分布，其悲观值为1.3亿元、最大可能值为1亿元、乐观值为9000万元，如图7-27所示。年销售收入服从期望值为5000万元、σ＝300万元的正态分布。年经营成本服从期望值为2000万元、σ＝100 万元的正态分布。
图7-27 投资三角形分布图
建设投资变化的三角形分布的累计概率，见表7-16及图7-27所示。
表7-16 投资额三角形分布累计概率表
(3)对投资、销售收入、经营成本分别抽取随机数，随机数可以由计算机产生，或从随机数表中任意确定起始数后，顺序抽取。本例从随机数表(表7-20)中抽取随机数。假定模拟次数定为k＝20，从随机数表中任意从不同地方抽取三个20 个一组的随机数，见表7-17。
表7-17 输入变量随机抽样取值
(4)将抽得的随机数转化为各随机变量的抽样值。
这里以第1组模拟随机变量产生做出说明。
1)服从三角形分布的随机变量产生方法。
根据随机数在累计概率表(表7-16)或累计概率图(图7-28)中查取。投资的第1个随机数为48867万元，查找累计概率0.48 867所对应的投资额，从表7-16中查得投资额在10300与10600之间，通过线性插值可得
第1个投资抽样值＝10300+300×(48867-39250)/(52000-39250)＝10526万元
2)服从正态分布的随机变量产生方法。
从标准正态分布表(表7-21)中查找累计概率与随机数相等的数值。例如销售收入第1个随机数06242，查标准正态分布表得销售收入的随机离差在-1.53与-1.54之间，经线性插值得-1.5348。
图7-28 投资的累计概率分布图
第1个销售收入抽样值＝5000-1.5348×300≈4540万元。
同样，经营成本第一个随机数66 903相应的随机变量离差为0.4328，第一个经营成本的抽样值＝2000+100×0.4328＝2043万元。
3)服从离散型分布的随机变量的抽样方法。
本例中没有离散型随机变量。另举例如下，据专家调查获得的某种产品售价的概率分布见表7-18。
表7-18 某种产品售价的概率分布
根据上表绘制累计概率如图7-29所示。
若抽取的随机数为43252，从累计概率图纵坐标上找到累计概率为0.43252，划一水平线与累计概率折线相交的交点的横坐标值125元，即是售价的抽样值。
(5)投资、销售收入、经营成本各20个抽样值组成20组项目评价基础数据。
(6)根据20组项目评价基础数据，计算出20 个计算项目评价指标值，即项目财务内部收益率。
(7)模拟结果达到预定次数后，整理模拟结果按内部收益率从小到大排列并计算累计概率，见表7-19所示。
从累计概率表可知内部收益率低于15%的概率为15%，内部收益率高于15%的概率为85%。
图7-29 售价累计概率曲线
表7-19 蒙特卡洛模拟法累积概率计算表
①每次模拟结果的概率＝1/模拟次数。
㈢ 什么是蒙特卡洛分析
蒙特卡罗分析法（统计模拟法），是一种采用随机抽样统计来估算结果的计算方法，可用于估算圆周率，由约翰·冯·诺伊曼提出。由于计算结果的精确度很大程度上取决于抽取样本的数量，一般需要大量的样本数据，因此在没有计算机的时代并没有受到重视。
利用蒙特卡罗分析法可用于估算圆周率，如图，在边长为 2 的正方形内作一个半径为 1 的圆，正方形的面积等于 2×2=4，圆的面积等于 π×1×1=π，由此可得出，正方形的面积与圆形的面积的比值为 4:π。
现在让我们用电脑或轮盘生成若干组均匀分布于 0-2 之间的随机数，作为某一点的坐标散布于正方形内，那么落在正方形内的点数 N 与落在圆形内的点数 K 的比值接近于正方形的面积与圆的面积的比值，即，N:K ≈ 4:π，因此，π ≈ 4K/N 。
用此方法求圆周率，需要大量的均匀分布的随机数才能获得比较准确的数值，这也是蒙特卡罗分析法的不足之处。
(3)蒙特卡洛模型股票分析扩展阅读：
使用蒙特·卡罗方法进行分子模拟计算是按照以下步骤进行的：
1． 使用随机数发生器产生一个随机的分子构型。
2． 对此分子构型的其中粒子坐标做无规则的改变，产生一个新的分子构型。
3． 计算新的分子构型的能量。
4． 比较新的分子构型于改变前的分子构型的能量变化，判断是否接受该构型。
若新的分子构型能量低于原分子构型的能量，则接受新的构型，使用这个构型重复再做下一次迭代。 若新的分子构型能量高于原分子构型的能量，则计算玻尔兹曼因子，并产生一个随机数。
若这个随机数大于所计算出的玻尔兹曼因子，则放弃这个构型，重新计算。 若这个随机数小于所计算出的玻尔兹曼因子，则接受这个构型，使用这个构型重复再做下一次迭代。
5． 如此进行迭代计算，直至最后搜索出低于所给能量条件的分子构型结束。
项目管理中蒙特·卡罗模拟方法的一般步骤是：
1．对每一项活动，输入最小、最大和最可能估计数据，并为其选择一种合适的先验分布模型；
2．计算机根据上述输入，利用给定的某种规则，快速实施充分大量的随机抽样
3．对随机抽样的数据进行必要的数学计算，求出结果
4．对求出的结果进行统计学处理，求出最小值、最大值以及数学期望值和单位标准偏差
5．根据求出的统计学处理数据，让计算机自动生成概率分布曲线和累积概率曲线(通常是基于正态分布的概率累积S曲线)
6．依据累积概率曲线进行项目风险分析。
㈣ 什么是蒙特卡洛模拟( Monte Carlo simulation)
我们一直面对着不确定，不明确和变异。甚至我们无法获得信息，我们不能准确的预测未来。蒙特卡洛模拟( Monte Carlo simulation)让您看到了您决策的所有可能的输出，并评估风险，允许在不确定的情况下制定更好的决策。蒙特卡洛模拟( Monte Carlo simulation)是一种计算机数学技术，允许人们在定量分析和决策制定过程中量化风险。这项技术被专家们用于各种不同的领域，比如财经，项目管理，能源，生产，工程，研究和开发，保险，石油&天然气，物流和环境。蒙特卡洛模拟( Monte Carlo simulation)提供给了决策制定者大范围的可能输出和任意行动选择将会发生的概率。它显示了极端的可能性-最的输出，最保守的输出-以及对于中间路线决策的最可能的结果。这项技术首先被从事原子弹工作的科学家使用；它被命名为蒙特卡洛，摩纳哥有名的娱乐旅游胜地。它是在二战的时候被传入的，蒙特卡洛模拟( Monte Carlo simulation)现在已经被用于建模各种物理和概念系统。蒙特卡洛模拟( Monte Carlo simulation)是如何工作的蒙特卡洛模拟( Monte Carlo simulation)通过构建可能结果的模型-通过替换任意存在固有不确定性的因子的一定范围的值(概率分布)-来执行风险分析。它一次又一次的计算结果，每次使用一个从概率分布获得的不同随机数集。根据不确定数和为他们制定的范围，蒙特卡洛模拟( Monte Carlo simulation)能够在它完成计算前调用成千上万次的重复计算。蒙特卡洛模拟( Monte Carlo simulation)产生可能结果输出值的分布。通过使用概率分布，变量能够拥有不同结果发生的不同概率。概率分布是一种用来描述风险分析的变量中的不确定性的更加可行的方法。常用的概率分布包括：正态分布(Normal)-或"钟型曲线".用户简单的定义均值或期望值和标准差来描述关于均值的变异。在中部靠近均值的值是最有可能发生的值。它是对称的，可以用来描述多种自然现象，比如人的身高。可以通过正态分布描述的变量示例包括通货膨胀率和能源价格。对数正态分布(Lognormal)-值是正偏的，不像正态分布那样是对称的。它被用来代表不会小于零但可能有无限大正值的结果。可以通过对数正态分布描述的变量示例包括房地产价值，股票价格和石油储量。均匀分布(Uniform)-所有的值发生的机会相等，用户只需制定最小和最大值。可以通过均匀分布描述的变量示例包括一个新产品的制造费用或未来销售收入。三角分布(Triangular)-用户指定最小，最可能和最大值。在最可能附近的值最可能发生。可以通过三角分布描述的变量示例包括每时间单位内的过去销售历史和库存水平。PERT分布-用户指定最小，最可能和最大值，类似三角分布。在最可能附近的值最可能发生。然而在最可能和极值之间的值比三角分布更有可能发生；那就是说，the extremes are not as emphasized. 可以通过三角分布描述的变量示例包括在项目管理模型中的一项任务的持续时间。离散分布(Discrete)-用户指定最可能发生的值和每个值的可能性。比如关于诉讼结果的示例，20%的机会陪审团判决无罪，30%的机会陪审团判决有罪，40%的机会审批有效，10%的机会审批无效。在蒙特卡洛模拟( Monte Carlo simulation)过程中，值被从输入概率分布中随机抽取。每个样本集被称为一次迭代，从样本获得的结果被记录。蒙特卡洛模拟( Monte Carlo simulation)执行这样的操作成百上千次，可能结果形成一个概率分布。用这种方法，蒙特卡洛模拟( Monte Carlo simulation)生成了一个更加全面关于将会发生的结果的视图。它不仅仅告诉什么结果会发生，而且还有结果发生的可能性。蒙特卡洛模拟( Monte Carlo simulation)提供了许多超越确定性或"单点估计"分析的优势：概率结果，结果不仅显示会发生什么，而且还有每个结果发生的可能性图形化报告，因为蒙特卡洛模拟( Monte Carlo simulation)生成的数据，它很容易创建不同结果和他们发生机会的图形。这对于和其他投资者沟通结果是很重要的。敏感性分析，如果只有很少的一些案例，确定性分许就很难发现哪个变量对结果影响最大。在蒙特卡洛模拟( Monte Carlo simulation)中，很容易发现哪个输入对底线结果有最大的影响。情境分析，在确定性模型中，对于为不同输入值的不同组合建模来真实的查看不同情境的效果是很困难的。使用蒙特卡洛模拟( Monte Carlo simulation)，分析员能够正确的查看当确定的输出发生时某个输入对应的值。这对于进一步的分析来说是无价的。相关性输入，在蒙特卡洛模拟( Monte Carlo simulation)中，可能要建模输入变量之间的相关关系。它对于准确的描绘在某些因子增长时，其它的因子是如何增长或下降的情况时是重要的。
㈤ 什么是蒙特卡洛模拟( Monte Carlo simulation)
蒙特卡洛模拟又称为随机抽样或统计试验方法，属于计算数学的一个分支，它是在上世纪四十年代中期为了适应当时原子能事业的发展而发展起来的。传统的经验方法由于不能逼近真实的物理过程，很难得到满意的结果，而蒙特卡罗方法由于能够真实地模拟实际物理过程，故解决问题与实际非常符合，可以得到很圆满的结果。
蒙特卡洛随机模拟法的原理是当问题或对象本身具有概率特征时，可以用计算机模拟的方法产生抽样结果，根据抽样计算统计量或者参数的值；随着模拟次数的增多，可以通过对各次统计量或参数的估计值求平均的方法得到稳定结论。
蒙特卡洛随机模拟法 - 实施步骤抽样计算统计量或者参数的值；随着模拟次数的增多，可以通过对各次统计量或参数的估计值求平均的方法得到稳定结论。
(5)蒙特卡洛模型股票分析扩展阅读
基本原理思想
当所要求解的问题是某种事件出现的概率，或者是某个随机变量的期望值时，它们可以通过某种“试验”的方法，得到这种事件出现的频率，或者这个随机变数的平均值，并用它们作为问题的解。这就是蒙特卡罗方法的基本思想。
蒙特卡罗方法通过抓住事物运动的几何数量和几何特征，利用数学方法来加以模拟，即进行一种数字模拟实验。它是以一个概率模型为基础，按照这个模型所描绘的过程，通过模拟实验的结果，作为问题的近似解。可以把蒙特卡罗解题归结为三个主要步骤：构造或描述概率过程；实现从已知概率分布抽样；建立各种估计量。
㈥ 蒙特卡洛分析是什么
蒙特卡罗分析法，是一种采用随机抽样（Random Sampling）统计来估算结果的计算方法，可用于估算圆周率，由约翰·冯·诺伊曼提出。由于计算结果的精确度很大程度上取决于抽取样本的数量，一般需要大量的样本数据，因此在没有计算机的时代并没有受到重视。
用此方法求圆周率，需要大量的均匀分布的随机数才能获得比较准确的数值，这也是蒙特卡罗分析法的不足之处。
研究历史
第二次世界大战时期，匈牙利美藉数学家约翰·冯·诺伊曼（John von Neumann，1903.12.28—1957.02.08）（现代电子计算机创始人之一）在研究中子的实验中采用了随机抽样统计的手法。
因为当时随机数的想法来自掷色子及轮盘等赌博用具，所以就形象地用摩纳哥Monaco的赌城蒙特卡罗来命名这种计算方法。
如今，蒙特卡罗分析法被应用于各个领域，如求解函数的定积分，运输流量分析，人口流动分析，股票市场波动的预测，量子力学分析等等。