類別: 模型
類型: 機率決策模型
來源: Stanislaw Ulam 與 John von Neumann，1940年代
別名: 隨機模擬、隨機抽樣模擬
類型: 機率決策模型
來源: Stanislaw Ulam 與 John von Neumann，1940年代
別名: 隨機模擬、隨機抽樣模擬
快速回答 — 蒙地卡羅模擬（Monte Carlo Simulation）透過對不確定輸入進行大量隨機抽樣，反覆計算可能結果，產生「結果分布」而非單點答案。它起源於 1940 年代核研究，現已廣泛用於風險管理、工程設計與營運規劃。核心價值是把拍腦袋預估升級為機率化決策。
什麼是蒙地卡羅模擬？
蒙地卡羅模擬是一種利用重複隨機抽樣，估計結果範圍與發生機率的建模方法。不只問「最可能結果是什麼」，還要問「各種結果各有多大機率發生」。例如，傳統計畫會說「專案 6 個月完成」，而蒙地卡羅會提供「6、8、10 個月完成的機率分別是多少」。這種表達更符合真實世界的不確定性。實務上常與
/zh-hant/models/expected-value、/zh-hant/models/normal-distribution、/zh-hant/models/fat-tailed-distribution 搭配。
蒙地卡羅模擬的三層理解
- 入門：把工期、成本、需求等關鍵變數設為分布，跑大量試驗後看分位數。
- 實踐者：用歷史資料校準輸入分布，並在同一組隨機情境下比較不同方案。
- 進階：納入相關性、尾部風險與結構性變化，進行極端情境壓力測試。
起源
這個方法由 Stanislaw Ulam、John von Neumann 與其同事在 1940 年代洛斯阿拉莫斯研究中發展，用來處理中子輸運等複雜機率問題。早期電腦讓大規模重複抽樣成為可行。 “Monte Carlo” 這個名稱借用機率遊戲意象，強調方法本質是機率抽樣。之後它由物理研究擴展至金融、供應鏈、可靠度工程、氣候模型與航太任務規劃。核心要點
當不確定性高、決策代價大時，蒙地卡羅模擬最有價值。應用場景
只要團隊需要在資訊不完整時先做決策，這個方法都很實用。專案預測
模擬任務時間與依賴波動，提供交付日期的信賴區間，而非單一承諾值。
金融風險管理
在不同市場狀態下模擬投資組合結果，估計下行機率與資本緩衝需求。
產能與庫存規劃
在需求波動條件下測試人力、庫存與服務水準之間的穩健平衡。
工程可靠度評估
在載荷、材料與環境參數不確定時估計失效機率，支援冗餘設計。
經典案例
NASA 的「火星科學實驗室」任務（Curiosity）在進入、下降與著陸階段大量使用蒙地卡羅模擬。團隊對大氣擾動、導航誤差與硬體偏差進行大量隨機場景演算，以評估著陸風險邊界。 可量化結果是：2012 年 Curiosity 在蓋爾隕石坑著陸時，距離目標中心約 1.5 英里（2.4 公里），落在任務規劃的著陸橢圓內。這個案例顯示，在無法完整實地演練的高風險任務中，機率分布導向的決策特別關鍵。邊界與失效場景
若輸入分布設定不合理，蒙地卡羅會產生「看似精密、實則誤導」的結果。另一個常見失效點是忽略變數相關性，造成尾部風險被系統性低估。 兩個邊界條件要明確：第一，制度或市場轉換期可能使歷史校準失效；第二，模型外未知風險無法被抽樣捕捉。常見誤用是把模擬當成既定立場的背書工具，而非檢驗假設的工具。常見誤區
蒙地卡羅很強大，但它不是取代領域判斷與資料品質治理的萬能方法。模擬次數越多就越接近真相
模擬次數越多就越接近真相
次數增加只能降低抽樣噪聲，無法修正錯誤前提或遺漏機制。
看期望值就足夠
看期望值就足夠
很多決策成敗取決於尾部結果，分位數與下行機率更關鍵。
只有量化團隊能使用
只有量化團隊能使用
只要前提透明、可回溯，產品與營運團隊也能用簡化版本落地。
相關概念
結合以下模型，可把機率輸出轉為更穩健的執行策略。期望值模型
把不確定結果轉換為可比較的決策價值。
常態分布
理解常見分布假設的適用邊界。
胖尾分布
在極端事件更常見時修正風險估計。
安全邊際
把結果分布轉成預算、工期與庫存緩衝設計。