Метод Монте-Карло - История изменений

Patarakin в 17:10, 26 декабря 2025

2025-12-26T17:10:06Z

← Предыдущая версия		Версия от 20:10, 26 декабря 2025
Строка 23:		Строка 23:

	{{#ask: [[метод Монте-Карло]] OR [[Центральная предельная теорема]] \| ?Description }}		{{#ask: [[метод Монте-Карло]] OR [[Центральная предельная теорема]] \| ?Description }}

			? Выполнить [[Метод Монте-Карло\|симуляцию Монте-Карло]] для оценки вероятности события

Patarakin в 10:02, 6 декабря 2025

2025-12-06T10:02:17Z

← Предыдущая версия		Версия от 13:02, 6 декабря 2025
Строка 18:		Строка 18:
	Закон больших чисел — фундаментальный принцип, утверждающий, что выборочное среднее сходится к математическому ожиданию по вероятности при увеличении размера выборки:		Закон больших чисел — фундаментальный принцип, утверждающий, что выборочное среднее сходится к математическому ожиданию по вероятности при увеличении размера выборки:
	<math>\bar{X}_n = \frac{1}{n}\sum_{i=1}^{n} X_i \xrightarrow{P} \mu = E[X]</math>		<math>\bar{X}_n = \frac{1}{n}\sum_{i=1}^{n} X_i \xrightarrow{P} \mu = E[X]</math>

			[[Центральная предельная теорема]] объясняет, почему нормальное распределение встречается так часто в природе и почему [[метод Монте-Карло]] обеспечивает надёжные доверительные интервалы


			{{#ask: [[метод Монте-Карло]] OR [[Центральная предельная теорема]] \| ?Description }}

Patarakin в 09:59, 6 декабря 2025

2025-12-06T09:59:24Z

← Предыдущая версия		Версия от 12:59, 6 декабря 2025
Строка 15:		Строка 15:
	# Генерация случайных выборок		# Генерация случайных выборок
	#* Создаётся большой набор случайных выборок (обычно 100 000 или более) в соответствии с выбранными распределениями. На основе закона больших чисел, при увеличении размера выборки, статистические характеристики выборки сходятся к теоретическим параметрам.		#* Создаётся большой набор случайных выборок (обычно 100 000 или более) в соответствии с выбранными распределениями. На основе закона больших чисел, при увеличении размера выборки, статистические характеристики выборки сходятся к теоретическим параметрам.

			Закон больших чисел — фундаментальный принцип, утверждающий, что выборочное среднее сходится к математическому ожиданию по вероятности при увеличении размера выборки:
			<math>\bar{X}_n = \frac{1}{n}\sum_{i=1}^{n} X_i \xrightarrow{P} \mu = E[X]</math>

Patarakin: Новая страница: «{{Понятие |Description=Метод Монте-Карло — это вычислительный метод, основанный на использовании случайных выборок для решения детерминированных и стохастических задач. Метод назван в честь Монте-Карло в княжестве Монако, известного своим казино и игрой в...»

2025-12-06T09:58:25Z

Новая страница: «{{Понятие |Description=Метод Монте-Карло — это вычислительный метод, основанный на использовании случайных выборок для решения детерминированных и стохастических задач. Метод назван в честь Монте-Карло в княжестве Монако, известного своим казино и игрой в...»

Новая страница

{{Понятие
|Description=Метод Монте-Карло — это вычислительный метод, основанный на использовании случайных выборок для решения детерминированных и стохастических задач. Метод назван в честь Монте-Карло в княжестве Монако, известного своим казино и игрой в рулетку, так как суть метода связана со случайными числами, подобно вероятностной природе азартных игр. В образовательном контексте метод Монте-Карло применяется для моделирования различных физических и социально-экономических систем. Метод позволяет студентам убедиться в функциональности численных подходов и исследовать, как точность метода зависит от количества выборок
|Field_of_knowledge=Игра, Статистика
|Inventor=Госсет, Нейман
|Environment=NetLogo, R, CODAP
}}
Исторически первое применение метода Монте-Карло связано с работой Уильяма Госсета в 1908 году, который использовал методы случайной выборки для открытия распределения Стьюдента. Систематическое развитие метода произошло в 1940-х годах благодаря работам Джона фон Неймана и Станислава Улама при разработке атомной бомбы в проекте Манхэттен.

Метод Монте-Карло базируется на трёх фундаментальных принципах:

# Построение вероятностной модели
#* Формулируется математическая модель, связывающая выходные и входные переменные. Модель должна включать как детерминированные компоненты, так и случайные элементы, представляющие неопределённость: <math>\bar{X}_n = \frac{1}{n}\sum_{i=1}^{n} X_i \xrightarrow{P} \mu = E[X]</math>
# Выбор вероятностных распределений
#* Для каждой случайной переменной выбирается подходящее распределение вероятностей — нормальное, равномерное, экспоненциальное и др. В образовательных приложениях обычно используются стандартные распределения.
# Генерация случайных выборок
#* Создаётся большой набор случайных выборок (обычно 100 000 или более) в соответствии с выбранными распределениями. На основе закона больших чисел, при увеличении размера выборки, статистические характеристики выборки сходятся к теоретическим параметрам.