Pourquoi utiliser la méthode de Monte-Carlo?

Question

Quand faut-il la méthode de Monte-Carlo utiliser?

Par exemple, pourquoi Joel décide d'utiliser la méthode de Monte-Carlo pour preuve Planification en fonction au lieu de traiter méthodiquement toutes les données utilisateur pour l'année écoulée?

Answer 1

Supposons que vous voulez estimer une certaine quantité d'intérêt. Dans la « date du navire » exemple de Joel est ce que vous voulez estimer. Dans la plupart de ces situations, il y a des facteurs aléatoires qui ont un impact nos estimations.

Lorsque vous avez une quantité aléatoire, vous veut généralement connaître sa moyenne et l'écart-type afin que vous puissiez prendre les mesures appropriées. Dans des situations simples, vous pouvez modéliser la quantité en tant que distribution standard (par exemple, la distribution normale) pour lesquels existent des formules analytiques pour la moyenne et l'écart-type. Cependant, il existe de nombreuses situations où des formules analytiques n'existent pas. Dans de telles situations, au lieu d'une solution analytique pour la moyenne et l'écart-type, nous avons recours à la simulation. L'idée est:

Etape 1: générer des facteurs qui influencent la quantité d'intérêt en utilisant des distributions appropriées

Etape 2: Calcul de la quantité d'intérêt

Répétez les étapes 1 et 2 plusieurs fois et calculer l'écart moyen empirique et standard pour ce que vous voulez savoir.

Ce qui précède est de loin l'application typique de l'application monte carlo. Voir le lien wikipedia fourni par Jarrod pour plusieurs de ces applications et quelques exemples d'applications intéressantes où il n'y a pas aléatoire inhérent (par exemple, l'estimation de pi).

Answer 2

méthodes de Monte Carlo sont couramment utilisés lorsque la dimensionnalité du problème est trop élevé pour les systèmes traditionnels . grand document d'introduction sur le sujet est Persi Diaconis'

Wikipédia a un bon article sur les méthodes de simulation de Monte Carlo. Je l'ai utilisé monte carlo à quelques reprises - en quelques mots méthodes MC ont tendance à donner des réponses précises à la rigueur en essayant de résultats du projet en utilisant ensembles d'échantillons qui sont à peu près au hasard et que quelqu'un serait généralement utiliser l'intuition pour essayer de deviner une tendance. Malheureusement, en essayant d'expliquer les méthodes MC est assez difficile de vérifier si à l'article.

Parce que les estimations sont généralement assez largement distribués lorsque les tâches de programmation de la programmation, il est plus logique de les traiter statistiquement.

Si nous prenons un projet qui prend 100 de tâches les erreurs sur les estimations vont même et vous retrouver avec une distribution qui montre la probabilité d'achèvement du projet en tant que gamme.

Il permet aussi de contourner certains problèmes graves comme mise en mémoire tampon des tâches et le syndrome de l'étudiant biaiser les résultats encore plus loin.

Parfois, vérifier toutes les options est tout simplement prohibitif.

Answer 3

Answer 4

Answer 5

Answer 6

Answer 7

Answer 8

Parce que les estimations sont généralement assez largement distribués lorsque les tâches de programmation de la programmation, il est plus logique de les traiter statistiquement.

Si nous prenons un projet qui prend 100 de tâches les erreurs sur les estimations vont même et vous retrouver avec une distribution qui montre la probabilité d'achèvement du projet en tant que gamme.

Il permet aussi de contourner certains problèmes graves comme mise en mémoire tampon des tâches et le syndrome de l'étudiant biaiser les résultats encore plus loin.

Answer 9

Parfois, vérifier toutes les options est tout simplement prohibitif.