蒙特卡罗法
蒙特卡洛模型方法
二、理论和方法
蒙特卡洛模拟早在四十年前就用于求解核物理方面的问题。当管理问题更为复杂时，传统的数学方法就难以进行了。模拟是将一个真实事物模型化，然后对该模型做各种实验，模拟也是一个通过实验和纠正误差来寻求最佳选择的数值性求解的过程。模拟作为一种有效的数值处理方法，计算量大。以前只是停留在理论探讨上，手工是无法完成的。在管理领域由于规律复杂随机因素多，很多问题难以用线性数学公式分析和解决，用模拟则有效得多。在新式的计算机普及后，用模拟技术来求解管理问题已成为可能。
从表中数据可以看到，一直到公元20世纪初期，尽管实验次数数以千计，利用蒙特卡罗方法所得到的圆周率∏值，还是达不到公元5世纪祖冲之的推算精度。这可能是传统蒙特卡罗方法长期得不到推广的主要原因。
计算机技术的发展，使得蒙特卡罗方法在最近10年得到快速的普及。现代的蒙特卡罗方法，已经不必亲自动手做实验，而是借助计算机的高速运转能力，使得原本费时费力的实验过程，变成了快速和轻而易举的事情。它不但用于解决许多复杂的科学方面的问题，也被项目管理人员经常使用。
设有统计独立的随机变量Xi（i＝1，2，3，…，k），其对应的概率密度函数分别为fx1，fx2，…，fxk，功能函数式为Z＝g（x1，x2，…，xk）。
随机模拟
随机模拟（蒙特卡罗算法）一 随机模拟法随机模拟法也叫蒙特卡罗法，它是用计算机模拟随机现象，通过大量仿真试验，进行分析推断，特别是对于一些复杂的随机变量，不能从数学上得到它的概率分布，而通过简单的随机模拟就可以得到近似的解答。
M onte Carlo 法也用于求解一些非随机问题，如重积分、非线性方程组求解、最优化问题等。
需要指出的是，Monte Carlo 计算量大，精度也不高，因而主要用于求那些解析方法或常规数学方法难解问题的低精度解，或用于对其他算法的验证。
蒙特卡罗方法的基本思想是：当所求解问题是某种随机事件出现的概率，或者是某个随机变量的期望值时，通过某种“实验”的方法，以这种事件出现的频率估计这一随机事件的概率，或者得到这个随机变量的某些数字特征，并将其作为问题的解。
在解决实际问题的时候应用蒙特·卡罗方法主要有两部分工作： 用蒙特卡罗方法模拟某一过程时，需要产生各种概率分布的随机变量。
用统计方法把模型的数字特征估计出来，从而得到实际问题的数值解。
使用蒙特卡罗方法进行分子模拟计算是按照以下步骤进行的：使用随机数发生器产生一个随机的分子构型。
对此分子构型的其中粒子坐标做无规则的改变，产生一个新的分子构型。
计算新的分子构型的能量。
比较新的分子构型于改变前的分子构型的能量变化，判断是否接受该构型。
若新的分子构型能量低于原分子构型的能量，则接受新的构型。
若新的分子构型能量高于原分子构型的能量，则计算玻尔茲曼常数，同时产生一个随机数。
若这个随机数大于所计算出的玻尔兹曼因子，则放弃这个构型，重新计算。
若这个随机数小于所计算出的玻尔兹曼因子，则接受这个构型，使用这个构型重复再做下一次迭代。
如此进行迭代计算，直至最后搜索出低于所给能量条件的分子构型结束。
二 随机模拟法应用实例考虑二重积分(,)AI f x y dxdy =⎰⎰,其中(,)0,(,)f x y x y A ≥∀∈根据几何意义，它是以(,)f x y 为曲面顶点，A 为底的柱体C 的体积。
蒙特卡洛方法
蒙特卡洛方法1、蒙特卡洛方法的由来蒙特卡罗分析法（Monte Carlo method），又称为统计模拟法，是一种采用随机抽样（Random Sampling）统计来估算结果的计算方法。
由于计算结果的精确度很大程度上取决于抽取样本的数量，一般需要大量的样本数据，因此在没有计算机的时代并没有受到重视。
第二次世界大战时期，美国曼哈顿原子弹计划的主要科学家之一，匈牙利美藉数学家约翰·冯·诺伊曼（现代电子计算机创始人之一）在研究物质裂变时中子扩散的实验中采用了随机抽样统计的手法，因为当时随机数的想法来自掷色子及轮盘等赌博用具，因此他采用摩洛哥著名赌城蒙特卡罗来命名这种计算方法，为这种算法增加了一层神秘色彩。
蒙特卡罗方法提出的初衷是用于物理数值模拟问题, 后来随着计算机的快速发展, 这一方法很快在函数值极小化、计算几何、组合计数等方面得到应用, 于是它作为一种独立的方法被提出来, 并发展成为一门新兴的计算科学, 属于计算数学的一个分支。
如今MC 方法已是求解科学、工程和科学技术领域大量应用问题的常用数值方法。
2、蒙特卡洛方法的核心—随机数蒙特卡洛方法的基本理论就是通过对大量的随机数样本进行统计分析，从而得到我们所需要的变量。
因此蒙特卡洛方法的核心就是随机数，只有样本中的随机数具有随机性，所得到的变量值才具有可信性和科学性。
在连续型随机变量的分布中, 最基本的分布是[0, 1]区间上的均匀分布, 也称单位均匀分布。
由该分布抽取的简单子样ξ1，ξ2ξ3 ……称为随机数序列, 其中每一个体称为随机数, 有时称为标准随机数或真随机数, 独立性和均匀性是其必备的两个特点。
真随机数是数学上的抽象, 真随机数序列是不可预计的, 因而也不可能重复产生两个相同的真随机数序列。
真随机数只能用某些随机物理过程来产生, 如放射性衰变、电子设备的热噪音、宇宙射线的触发时间等。
实际使用的随机数通常都是采用某些数学公式产生的，称为伪随机数。
蒙特卡洛模型方法
蒙特卡洛模型方法蒙特卡罗方法（Monte Carlo method）蒙特卡罗方法概述蒙特卡罗方法又称统计模拟法、随机抽样技术，是一种随机模拟方法，以概率和统计理论方法为基础的一种计算方法，是使用随机数（或更常见的伪随机数）来解决很多计算问题的方法。
将所求解的问题同一定的概率模型相联系，用电子计算机实现统计模拟或抽样，以获得问题的近似解。
为象征性地表明这一方法的概率统计特征，故借用赌城蒙特卡罗命名。
蒙特卡罗方法的提出蒙特卡罗方法于20世纪40年代美国在第二次世界大战中研制原子弹的“曼哈顿计划”计划的成员S．M．乌拉姆和J．冯·诺伊曼首先提出。
数学家冯·诺伊曼用驰名世界的赌城—摩纳哥的Monte Carlo—来命名这种方法，为它蒙上了一层神秘色彩。
在这之前，蒙特卡罗方法就已经存在。
1777年，法国Buffon提出用投针实验的方样调查来确定可能的优胜者。
其基本思想是一样的。
科技计算中的问题比这要复杂得多。
比如金融衍生产品（期权、期货、掉期等）的定价及交易风险估算，问题的维数（即变量的个数）可能高达数百甚至数千。
对这类问题，难度随维数的增加呈指数增长，这就是所谓的“维数的灾难”（Curse of Dimensionality），传统的数值方法难以对付（即使使用速度最快的计算机）。
Monte Carlo 方法能很好地用来对付维数的灾难，因为该方法的计算复杂性不再依赖于维数。
以前那些本来是无法计算的问题现在也能够计算量。
为提高方法的效率，科学家们提出了许多所谓的“方差缩减”技巧。
另一类形式与Monte Carlo方法相似，但理论基础不同的方法—“拟蒙特卡罗方法”（Quasi －Monte Carlo方法）—近年来也获得迅速发展。
我国数学家华罗庚、王元提出的“华—王”方法即是其中的一例。
这种方法的基本思想是“用确定性的超均匀分布序列（数学上称为Low Discrepancy Sequences）代替Monte Carlo方法中的随机数序列。
蒙特卡洛类方法
蒙特卡洛类方法
蒙特卡洛方法是一类随机化的计算方法，主要应用于求出高维度空间中的定积分或概率分布的特性。
该方法以随机样本为基础，通过大量生成且符合某种分布律的随机数，从中抽取样本，利用样本的统计性质来计算近似解。
常见的蒙特卡洛方法包括：
1.随机模拟法
在数学建模、广告投放、经济预测等领域，随机模拟（也称蒙特卡罗方法）已经成为了一个重要的工具。
其基本思想是，系统表现出的某些规律和性质可以用随机过程进行模拟和预测。
2.随机游走算法
随机游走是一种基于随机过程的数值计算算法，通过简单的偏随机移动来解决复杂问题，被广泛应用于物理、化学、生物学、金融等领域。
随机游走算法的核心思想是通过随机漫步遍历所有可能的状态，找到最终解。
3.马尔可夫链蒙特卡罗方法
马尔可夫链蒙特卡罗方法（MCMC）是一种近似随机模拟算法，用于计算高维空间中的积分和概率分布。
这种方法通过构造一个马尔可夫链来模拟复杂的概率
分布，并通过观察链的过程来获得所求的统计量。
4.重要性采样
重要性采样是一种通过迭代抽样来估算积分值或概率分布的方法。
它的基本思想是利用不同的概率分布来采样目标分布中的样本，从而增加目标分布中采样到重要样本的概率，从而提高采样的效率。
总之，蒙特卡洛方法在物理学、统计学、金融学、计算机科学、生物科学等众多领域都有广泛的应用，是一种很实用的工具。
蒙特卡洛算法
取8个随机数
R1 0.0078, R2 0.9325，R3 0.1080，R4 0.0063
用蒙 特卡 洛计 算定 积分
R5 0.5490, R6 0.8556，R7 0.9771，R8 0.2783 Iˆ 0.9187
1.9
大大改善了结果！
理论依据 贝努里（Bernoulli） 大数定律
设 nA 是 n 次独立重复试验中事件 A 发生的 次数, p 是每次试验中 A 发生的概率，则
0 有
nA lim P p 0 n n
或
nA lim P p 1 n n
1 1 1 0 0.25 2 2 2
P(A1) = P(j=0)P(A1∣j=0) + P(j=1)P(A1∣j=1) =
1 1 1 1 0 2 2 3 6
P(A2) = P(j=0)P(A2∣j=0) + P(j=1)P(A2∣j=1)
1 1 1 1 = 0 2 2 6 12 1 1 1 2 0.33 E1 = 6 12
生成一个满足均匀分布的 m n 随机矩阵，矩
阵的每个元素都在 (0,1) 之间。 注：rand(n)=rand(n,n)
randn(m,n)
生成一个满足正态 m n 的随机矩阵
randperm(m)
生成一个由 1:m 组成的随机排列
perms(1:n)
生成由 1:n 组成的全排列，共 n! 个,称为 “群“
分析：这是一个概率问题，可以通过理论计算
得到相应的概率和期望值.但这样只能给出作战 行动的最终静态结果，而显示不出作战行动的动 态过程.
蒙特·卡罗方法（MonteCarlomethod）
蒙特·卡罗⽅法（MonteCarlomethod）蒙特·卡罗⽅法（Monte Carlo method），也称统计模拟⽅法，是⼆⼗世纪四⼗年代中期由于科学技术的发展和电⼦计算机的发明，⽽被提出的⼀种以概率统计理论为指导的⼀类⾮常重要的数值计算⽅法。
是指使⽤随机数（或更常见的伪随机数）来解决很多计算问题的⽅法。
与它对应的是确定性算法。
这个⽅法的发展始于20世纪40年代，和原⼦弹制造的曼哈顿计划密切相关，当时的⼏个⼤⽜，包括乌拉姆、冯.诺依曼、费⽶、费曼、Nicholas Metropolis，在美国洛斯阿拉莫斯国家实验室研究裂变物质的中⼦连锁反应的时候，开始使⽤统计模拟的⽅法，并在最早的计算机上进⾏编程实现。
现代的统计模拟⽅法最早由数学家乌拉姆提出，被Metropolis命名为蒙特卡罗⽅法，蒙特卡罗是著名的赌场，赌博总是和统计密切关联的，所以这个命名风趣⽽贴切，很快被⼤家⼴泛接受。
被不过据说费⽶之前就已经在实验中使⽤了，但是没有发表。
说起蒙特卡罗⽅法的源头，可以追溯到18世纪，布丰当年⽤于计算π的著名的投针实验就是蒙特卡罗模拟实验。
统计采样的⽅法其实数学家们很早就知道，但是在计算机出现以前，随机数⽣成的成本很⾼，所以该⽅法也没有实⽤价值。
随着计算机技术在⼆⼗世纪后半叶的迅猛发展，随机模拟技术很快进⼊实⽤阶段。
（类⽐深度学习，感叹~）对那些⽤确定算法不可⾏或不可能解决的问题，蒙特卡罗⽅法常常为⼈们带来希望。
蒙特卡罗基本思想：利⽤⼤量采样的⽅法来求解⼀些难以直接计算得到的积分。
例如，假想你有⼀袋⾖⼦，把⾖⼦均匀地朝这个图形上撒，然后数这个图形之中有多少颗⾖⼦，这个⾖⼦的数⽬就是图形的⾯积。
当你的⾖⼦越⼩，撒的越多的时候，结果就越精确。
借助计算机程序可以⽣成⼤量均匀分布坐标点，然后统计出图形内的点数，通过它们占总点数的⽐例和坐标点⽣成范围的⾯积就可以求出图形⾯积。
插片法的名词解释
插片法的名词解释插片法（Monte Carlo Method），又称蒙特卡罗方法，是一种以随机数为基础的数值计算方法。
这种方法不依赖于具体的方程式或解析解，而是通过随机抽样和概率统计的原理，利用计算机模拟大量随机事件的结果，从而获得近似解或概率分布，广泛应用于物理、统计学、工程、金融等领域。
1. 插片法的起源与发展插片法最早由美国科学家斯坦尼斯拉夫·乌拉姆和尼古拉斯·梅特罗波利斯于1940年代末提出。
当时他们在洛斯阿拉莫斯国家实验室从事核武器研究，面临一个名为“蒙特卡罗”的核物理问题，无法通过传统方法求解。
于是乌拉姆和梅特罗波利斯灵机一动，借鉴赌场的随机抽样方法，提出了插片法。
插片法的应用得到了成功，此后逐渐发展为一种强大的数值计算工具，为科学研究和工程设计带来了革命性的变化。
2. 插片法的基本原理插片法的基本思想是通过随机抽样，将复杂的问题转化为统计问题，通过统计量来描述问题的性质，并用该统计量的概率分布逼近原问题的解。
具体而言，插片法包括以下基本步骤：（1）建立数学模型：将原始问题转化为数学模型，明确需要计算的目标量。
（2）生成随机数：利用随机数产生器生成符合一定概率分布的随机数序列。
（3）进行随机抽样：根据已知的概率分布，以随机抽样的方式获得样本。
（4）计算统计量：根据样本计算所需的统计量，如平均值、方差等。
（5）重复以上步骤：进行多次随机抽样和统计量计算，得到一系列统计量。
（6）分析结果：通过对统计量的分析，得到问题的近似解、概率分布或其他需要的信息。
3. 插片法的应用领域插片法广泛应用于各个领域，例如：（1）物理学：用于模拟粒子物理实验、分析核反应、研究量子力学等。
（2）统计学：用于估计未知参数、构建置信区间、进行假设检验等。
（3）工程学：用于分析复杂系统的可靠性、优化设计参数、模拟随机事件等。
（4）金融学：用于进行金融衍生品定价、风险分析、投资决策等。
（5）计算机科学：用于优化算法设计、解决复杂计算问题、模拟系统行为等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
蒙特卡罗法简单介绍和案例
蒙特卡罗法历史悠久。
1773年法国G.-L.L.von 布丰曾通过随机投针试验来确定圆周率π的近似值，这就是应用这个方法的最早例子。
蒙特卡罗是摩纳哥著名赌城，1945年 J.von 诺伊曼等人用它来命名此法，沿用至今。
数字计算机的发展为大规模的随机试验提供了有效工具，遂使蒙特卡罗法得到广泛应用。
在连续系统和离散事件系统的仿真中，通常构造一个和系统特性相近似的概率模型，并对它进行随机试验，因此蒙特卡罗法也是系统仿真方法之一。
对于蒙特卡罗技术应用于不可预见费的估算的研究，是对蒙特卡罗技术应用的拓展，能更好地了解尝试其在项目管理方面更多的应用，用其解决项目管理的问题。
用蒙特卡罗技术研究不可预见费，尝试用蒙特卡罗解决一般项目的不可预见费求取问题，避免不可预见费过高过低的问题。
蒙特卡洛方法的基本思想是：将符合一定概率分布的大量随机数作为参数带入数学模型，求出所关注变量的概率分布，从而了解不同参数对目标变量的综合影响以及目标变量最终结果的统计特性。
蒙特卡洛方法的基本原理简单描述如下：
假定函数),...,,(21n
x x x f y =，蒙特卡洛方法利用一个随机数发生器通过抽样取出每一组随机变量 (ni i i x x x ,...,,21)，然后按),...,,(21n x x x f y =的关系式确定函数的值),...,,(21ni i i i x x x f y =。
反复独立抽样（模拟）多次(ｉ=1，2，…)，便可得到函数的一组抽样数据(n y y y ,...,,21)，当模拟次数足
够多时，便可给出与实际情况相近的函数y 的概率分布与其数字特征。
蒙特卡罗法（Monte Carlo Simulation ）也称随机模拟，它主要依据概率分布对随机变量进行抽样，然后将样本带入数学模型进行计算得到应变量。
虽然蒙特卡罗模拟技术只给出的是统计估计而非精确的结果且应用其研究问题需要花费大量的计算时间，但它对问题的维数不敏感，对求解对象是线性问题与否也没有原则性要求，因此在复杂系统的不确定分析中，蒙特卡罗方法成为不可或缺的手段。
而且对于那些无法得到解析结果的复杂问题来说，这种手段可能是唯一有效的结果。
在项目管理中，常采用这种方法来模拟仿真项目的进度，另一方面，也常用蒙特卡罗开研究项目的费用问题。
可利用蒙特卡罗方法，通过基于网络计划的活动成本计算来估算项目成本可能的变化范围，以及研究费用超支风险的发生概率等问题。
根据分析蒙特卡罗在项目管理中的应用，在一般企业产品型项目中，用蒙特卡罗求解不可预见费可由下过程完成：
第一步，根据项目建设投资构成中的风险因素构造数学模型
运用蒙特卡罗模拟方法的必要条件是构造数学模型。
不可预见费是建设投资的构成部分，求不不可预见费可根据建设投资的风险程度来衡量，而建设投资可以被定义成工程量和单价的函数。
建设投资的构成结合企业实际情况相应选取设备材料购置费、设备材料安装费、土建工程费及其他费用等构成要素。
第二步，判断风险因素的概率分布
数学模型的建立，意味着建设投资由以下若干个风险因素构成:设备工程量、设备价格、材料工程量、材料价格、设备材料安装费用综合单价、土建工程量、土建施工费单价及其他费用。
接着就是确定这些风险变量的概率分布。
企业可以根据以往自身的总承包经验的数理统计，确定上述风险变量的概率分布类型、置信区间及置信度。
从某种意义上讲，这些风险变量的概率分布是一个企业管理投资的水平和经验的体现，正是因为企业这些特有的历史经验，才造就了企业间个体的差异。
第三步，随机抽样多次，进行模拟计算
为各风险变量独立抽取随机数，NORMINV 返回具有给定概率正态分布的区间点，RAND返回一个区间大于0小于1的区间数，再利用Excel中所提供的模拟运算表对虚自变量进行分析技术，选择完成1 000次试验，生成一个统计上可称之为大样本的试验结果。
第四步，根据模拟计算结果，确定不可预见费的大小
需要强调的是，蒙特卡罗模拟方法运算的结果，并不是一个具体的数值，而是一个区间范围及对应的概率分布。
因此，运用蒙特卡罗模拟方法的最后一步，就是分析目标函数的概率分布，结合企业自身的策略，最终得出结论。
蒙特卡罗应用方法总结
一般企业产品型项目利用Excel的各种函数、分析工具和作图功能，设计蒙特卡洛风险模拟分析模型，通过大量的随机模拟试验，得到随机目标变量建设投资的分布规律从而得到不可预见费，能够为投资决策提供必要的依据。
相对于常见的概率分析、敏感性分析方法，更加深入考察了决策变量的可能取值，从而决策信息更加全面和客观。
从上述试验可知，基于蒙特卡罗模拟方法的不可预见费求取，相比目前通用的固定费率计算的方法，由于强调企业作为个体的差异，估算结果建立在企业多年积累的项目经验基础之上，从而更加科学，贴近实际。
当然我们必须保证这些风险变量的概率分布是建立在企业多年经验数据统计的基础之上，是企业各种项目管理能力的综合体现。
项目管理中蒙特卡罗模拟方法的一般步骤
1、对每一项活动，输入最小、最大和最可能估计数据，并为其选择一种合适的先验分布模型；
2、计算机根据上述输入，利用给定的某种规则，快速实施充分大量的随机抽样；
3、对随机抽样的数据进行必要的数学计算，求出结果；
4、对求出的结果进行统计学处理，求出最小值、最大值以及数学期望值和单位标准偏差；
5、根据求出的统计学处理数据，让计算机自动生成概率分布曲线和累积概率曲线(通常是基于正态
分布的概率累积S曲线)；
6、依据累积概率曲线进行项目风险分析。
案例场景
某公司实施CRM工程，实施过程中进行风险量化，其中的进度仿真采用蒙特卡罗分析，如图8-2所示。
需求调研阶段，发现功能需求15个，非功能需求12个；需求复审阶段，有10个用户参与复审，所有复审者都有相同解释的需求数目是24个。
项目开发过程中，应用功能点法则，分解出的系统功能点有346开发过程中发现23个错误，提交后又发现3个错误。
测试过程中，采用植入故障法估算程序中原有故障总数，人为植入的故障数是10个，经过一段时间的测试后发现的播种故障数是4个，在测试中又
发现原有的故障数是2个。
产品发布时，发布模块总数是46个，和以前相比，变动6个模块，新添加7个模块，删除6个模块。
【问题】
请用500字之内阐述项目质量管理中蒙特卡罗模拟方法的一般步骤。
本题考查考生在进度仿真中运用蒙特卡罗模拟方法进行分析的能力。
要想回答好该题，考生需要熟悉蒙特卡罗模拟方法的原理和使用步骤。
蒙特卡罗模拟是一种随机模拟方法。
蒙特卡罗方法得名于欧洲著名赌城，摩纳哥的蒙特卡罗。
大概是因为赌博游戏与概率的内在联系，第二次世界大战时美国曼哈顿计划中把这种方法称为蒙特卡罗方法。
在这之前，蒙特卡罗方法就已经存在。
1777年，法国Buffon提出用投针实验的方法求圆周率Π。
这被认为是蒙特卡罗方法的起源。
近年来，随着计算机运算速度的提高，蒙特卡罗模拟得到了广泛的运用。
蒙特卡罗模拟的基本思想是人为地造出一种概率模型，使它的某些参数恰好重合于所需计算的量。
又可以通过实验，用统计方法求出这些参数的估值，把这些估值作为要求的量的近似值。
在项目管理中，常常用到的随机变量是与成本和进度有关的变量如价格、用时等。
由于实际工作中可以获得的数据量有限，它们往往是以离散型变量的形式出现的。
例如，对于某种成本只知道最低价格、最高价格和最可能价格；对于某项活动的用时往往只知道最少用时、最多用时和最可能用时三个数据。
经验告诉我们，项目管理中的这些变量服从某些概率模型。
现代统计数学则提供了把这些离散型的随机分布转换为预期的连续型分布的可能。
可以利用计算机针对某种概率模型轻易进行数以千计、甚至数以万计的模拟随机抽样。
项目管理中蒙特卡罗模拟方法的一般步骤是：
(1)对每一项活动，输入最小、最大和最可能估计数据，并为其选择一种合适的先验分布模型。
(2)计算机根据上述输入，利用给定的某种规则，快速实施充分大量的随机抽样。
(3)对随机抽样的数据进行必要的数学计算，求出结果。
(4)对求出的结果进行统计学处理，求出最小值、最大值以及数学期望值和单位标准偏差。
(5)根据求出的统计学处理数据，让计算机自动生成概率分布曲线和累积概率曲线(通常是基于正态分布的概率累积S曲线)。
(6)依据累积概率曲线进行项目风险分析。
蒙特卡罗能较好地解决投资项目中风险成本的随机性和不确定性问题，在考虑多种风险因素的情况下，是估算人员在短时间内通过模拟试验，描述实际行为，从而更加科学地分析在不确定的市场条件下，人们应如何进行风险管理的。