AI 摘要

蒙地卡羅模擬（Monte Carlo Simulation）

摘要

蒙地卡羅模擬（Monte Carlo Simulation）是一種以隨機抽樣為基礎的數值估計方法，其核心思想在於透過大量獨立樣本近似理論期望值。由於許多概率問題最終皆可被重寫為期望值形式，因此蒙地卡羅方法被廣泛應用於統計物理、機率推論、金融模型與人工智慧之中。本文從隨機抽樣、樣本平均與收斂性三個層次，討論蒙地卡羅模擬的概率結構與數值意義。

隨機抽樣與數值近似

蒙地卡羅方法的核心並非解析求解，而是透過重複隨機抽樣近似理論量。設 $X$ 為定義於某機率空間上的隨機變數，蒙地卡羅模擬考慮 $N$ 次獨立同分佈抽樣：

$$X_1,\dots,X_N \overset{i.i.d.}{\sim} X$$

獨立同分佈（independent and identically distributed）假設，使樣本統計量得以穩定逼近理論量，因此構成蒙地卡羅方法的基本前提。

在實際問題中，關心的目標通常並非隨機變數本身，而是某函數 $f(X)$ 的期望值。由於事件概率亦可被重寫為指示隨機變數的期望，因此伯努利結構自然構成蒙地卡羅估計中的基本離散概率表示 伯努利試驗（Bernoulli Trial）。

樣本平均與期望估計

對於給定函數 $f$，蒙地卡羅模擬以樣本平均作為理論期望值的數值估計：

$$\hat{\mu}_N \frac1N \sum_{i=1}^N f(X_i)$$

此估計量反映樣本對理論分佈的有限近似。當樣本數較少時，估計結果通常具有較大波動；隨著抽樣次數增加，樣本平均將逐漸穩定。

因此，蒙地卡羅方法的本質並不在於消除隨機性，而在於利用隨機性對理論量進行數值逼近。

收斂性與大數法則

蒙地卡羅模擬的理論基礎來自大數法則（Law of Large Numbers）。在適當條件下，樣本平均滿足：

$$\hat{\mu}_N \xrightarrow{N\to\infty} \mathbb{E}[f(X)]$$

此結果表示，當抽樣次數足夠大時，樣本平均將收斂至真實期望值。因此，蒙地卡羅方法雖建立於隨機抽樣之上，其長期行為卻具有穩定的統計收斂性。

值得注意的是，蒙地卡羅方法的收斂速度通常與維度無強烈耦合，因此在高維積分與複雜概率模型中，往往比傳統解析方法更具可行性。

結論

蒙地卡羅模擬提供了一種以隨機抽樣近似理論量的數值框架，其核心在於將難以解析求解的概率問題轉化為可重複抽樣的統計估計問題。透過獨立樣本、樣本平均與大數法則之間的結構關係，蒙地卡羅方法得以在大量不確定系統中形成穩定的數值近似。

因此，蒙地卡羅方法的重要性並不在於隨機抽樣本身，而在於它建立了概率模型與數值計算之間的橋樑。