> ## Documentation Index
> Fetch the complete documentation index at: https://meta.niceshare.site/llms.txt
> Use this file to discover all available pages before exploring further.

# 蒙地卡羅模擬

> 蒙地卡羅模擬透過大量隨機抽樣估計結果分布，協助團隊在風險、成本與時程不確定時做出更穩健決策。

<Info>
  **類別**: 模型<br />
  **類型**: 機率決策模型<br />
  **來源**: Stanislaw Ulam 與 John von Neumann，1940年代<br />
  **別名**: 隨機模擬、隨機抽樣模擬
</Info>

<Note>
  **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。
</Note>

## 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。

<Steps>
  <Step title="把輸入建模為分布而非單值">
    單一估計會掩蓋波動。用分布描述不確定性，才能看見真實結果範圍。
  </Step>

  <Step title="確保模擬次數足夠">
    抽樣次數不足會讓結果不穩定。應增加執行次數直到關鍵分位數趨於收斂。
  </Step>

  <Step title="用分位數做決策溝通">
    P50、P80、P95是風險偏好與承諾邊界的直接語言，不只是統計裝飾。
  </Step>

  <Step title="持續校準假設">
    模型只會反映你的前提。當市場或技術條件改變時，必須重新估計分布。
  </Step>
</Steps>

## 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。

<CardGroup cols={2}>
  <Card title="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。
  </Card>

  <Card title="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。
  </Card>

  <Card title="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。
  </Card>

  <Card title="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。
  </Card>
</CardGroup>

## 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。

<AccordionGroup>
  <Accordion title="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。
  </Accordion>

  <Accordion title="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。
  </Accordion>

  <Accordion title="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。
  </Accordion>
</AccordionGroup>

## 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。

<CardGroup cols={3}>
  <Card title="期望值模型" href="/zh-hant/models/expected-value">
    把不確定結果轉換為可比較的決策價值。
  </Card>

  <Card title="常態分布" href="/zh-hant/models/normal-distribution">
    理解常見分布假設的適用邊界。
  </Card>

  <Card title="胖尾分布" href="/zh-hant/models/fat-tailed-distribution">
    在極端事件更常見時修正風險估計。
  </Card>

  <Card title="安全邊際" href="/zh-hant/models/margin-of-safety">
    把結果分布轉成預算、工期與庫存緩衝設計。
  </Card>
</CardGroup>

## 一句話總結

<Tip>
  蒙地卡羅模擬的重點不是算出唯一答案，而是選出能穿越不確定性的行動方案。
</Tip>