R Academy · Lekcja

Podstawy symulacji Monte Carlo

Oszacuj liczbę pi i inne wartości za pomocą wielokrotnego losowania próbek.

Lekcja 3 z 413 kroki

Podstawy symulacji Monte Carlo to bezpłatna lekcja R Academy na CoddyKit. To lekcja 3 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej R Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs R Academy zawiera 4 lekcji w sumie.

Czym jest Monte Carlo?

Symulacja Monte Carlo wykorzystuje wielokrotne losowe próbkowanie do szacowania wielkości, które trudno obliczyć analitycznie. Nazwa pochodzi od kasyna w Monako. Metodę stosuje się w finansach, fizyce, statystyce i sztucznej inteligencji do całkowania, optymalizacji oraz wnioskowania.

# Core idea: approximate deterministic quantities
# using random sampling and the Law of Large Numbers

# Example: estimate probability that sum of two dice > 8
set.seed(42)
n <- 10000
die1 <- sample(1:6, n, replace = TRUE)
die2 <- sample(1:6, n, replace = TRUE)
total <- die1 + die2

# Monte Carlo estimate
mc_estimate <- mean(total > 8)
cat('MC estimate P(sum > 8):', mc_estimate, '\n')

# Exact probability
exact <- sum(outer(1:6, 1:6, '+') > 8) / 36
cat('Exact probability:', exact)

Szacowanie liczby Pi za pomocą punktów losowych

Klasyczny przykład Monte Carlo: należy losowo rozmieścić punkty w kwadracie jednostkowym. Odsetek punktów znajdujących się wewnątrz okręgu jednostkowego szacuje wartość π/4. Gdy n → ∞, oszacowanie zbiega do π.

set.seed(42)
n <- 100000

# Random points in [-1, 1] x [-1, 1] unit square
x <- runif(n, -1, 1)
y <- runif(n, -1, 1)

# Check if inside unit circle: x^2 + y^2 <= 1
inside <- (x^2 + y^2) <= 1

# Pi estimate: fraction inside * area of square
pi_estimate <- 4 * mean(inside)
cat('Pi estimate:', pi_estimate, '\n')
cat('True pi:', pi, '\n')
cat('Error:', abs(pi_estimate - pi))

Szacowanie wartości oczekiwanej

Całkowanie metodą Monte Carlo: E[f(X)] ≈ (1/n) Σ f(Xᵢ), gdzie X₁,...,Xₙ to niezależne losowania o tym samym rozkładzie. Aby scałkować g(x) od a do b, należy losować x z rozkładu Uniform(a,b), a następnie użyć przybliżenia E[g(X)] ≈ (b-a) * mean(g(samples)).

set.seed(42)
# Estimate integral of sin(x) from 0 to pi
# Exact value = 2
n <- 50000
x_samples <- runif(n, min = 0, max = pi)
integrand_vals <- sin(x_samples)

# MC estimate = (b-a) * mean(f(x))
mc_integral <- pi * mean(integrand_vals)  # (pi - 0) * mean
cat('MC estimate of integral:', mc_integral, '\n')
cat('Exact value: 2\n')
cat('Error:', abs(mc_integral - 2), '\n')

# Standard error of the estimate
se <- pi * sd(integrand_vals) / sqrt(n)
cat('Standard error:', se)

replicate() do powtarzanych symulacji

replicate(n, expr) to wbudowana funkcja R służąca do uruchomienia symulacji n razy i zebrania wyników. W przypadku prostych symulacji jest czytelniejsza niż pętla for i zwraca wektor lub macierz.

set.seed(42)
# Simulate sample mean of 30 N(0,1) draws
# Repeat 10000 times to study sampling distribution
sample_means <- replicate(10000, {
  x <- rnorm(30)  # sample of 30
  mean(x)          # compute mean
})

# Central Limit Theorem: sample mean ~ N(0, 1/sqrt(30))
mean(sample_means)  # ~0
sd(sample_means)    # ~1/sqrt(30) = 0.183

# 95% CI width
diff(quantile(sample_means, c(0.025, 0.975)))

# Compare to theoretical
2 * 1.96 / sqrt(30)

Demonstracja prawa wielkich liczb

Prawo wielkich liczb mówi, że średnia z próby zbiega do prawdziwej średniej wraz ze wzrostem n. Obserwowanie tej zbieżności w R pokazuje, dlaczego metoda Monte Carlo działa i jak szybko stabilizują się oszacowania.

set.seed(42)
# Rolling a fair die: true mean = 3.5
n_max <- 10000
rolls <- sample(1:6, n_max, replace = TRUE)
cumulative_means <- cumsum(rolls) / seq_along(rolls)

# Show convergence at different sample sizes
ns <- c(10, 100, 1000, 5000, 10000)
results <- data.frame(
  n = ns,
  mean = cumulative_means[ns],
  error = abs(cumulative_means[ns] - 3.5)
)
print(results)
# Error decreases as n increases

Redukcja wariancji: zmienne antytetyczne

Należy używać próbek jednostajnych u oraz ich dopełnień (1-u) jako pary antytetycznej. Ich ujemna korelacja zmniejsza wariancję estymatora nawet o 50% przy tej samej liczbie obliczeń funkcji.

set.seed(42)
n <- 1000

# Standard MC: estimate E[exp(U)] where U~Uniform(0,1)
# True value = e - 1 = 1.718282
u <- runif(n)
mc_std <- mean(exp(u))

# Antithetic variates: use u AND 1-u
u_anti <- runif(n/2)
mc_anti <- mean((exp(u_anti) + exp(1 - u_anti)) / 2)

cat('True value:', exp(1) - 1, '\n')
cat('Standard MC:', mc_std, '\n')
cat('Antithetic MC:', mc_anti, '\n')

# Variance comparison
var_std  <- var(exp(runif(10000)))
var_anti <- var((exp(runif(5000)) + exp(1 - runif(5000)))/2)
cat('Variance ratio (anti/std):', var_anti/var_std)

Zmienne kontrolne

Zmienna kontrolna to funkcja o znanej wartości oczekiwanej, skorelowana z wielkością docelową. Należy odjąć ją, odpowiednio skalując, aby zmniejszyć wariancję. Klasyczny przykład: szacowanie E[f(X)] za pomocą skorelowanej funkcji g(X), której średnia jest znana.

set.seed(42)
n <- 5000

# Estimate E[exp(U)] where U~Uniform(0,1)
# True: e - 1 = 1.71828

# Control variate: g(U) = U, E[U] = 0.5
u <- runif(n)
f_vals <- exp(u)  # target
g_vals <- u       # control variate

# Optimal coefficient c = -Cov(f,g)/Var(g)
c_star <- -cov(f_vals, g_vals) / var(g_vals)

# Control variate estimator
mc_cv <- mean(f_vals + c_star * (g_vals - 0.5))

cat('Standard MC:', mean(f_vals), '\n')
cat('Control variate MC:', mc_cv, '\n')
cat('True value:', exp(1) - 1)

# Variance reduction factor
var(f_vals) / var(f_vals + c_star * (g_vals - 0.5))

Monte Carlo do szacowania prawdopodobieństwa

Metoda Monte Carlo doskonale nadaje się do szacowania złożonych prawdopodobieństw, których nie można praktycznie wyznaczyć analitycznie. Należy wielokrotnie zasymulować proces losowy i obliczyć odsetek przypadków, w których występuje dane zdarzenie.

set.seed(123)
# Birthday problem: P(at least 2 people share birthday)
# in a group of n people

birtday_collision <- function(n_people) {
  birthdays <- sample(1:365, n_people, replace = TRUE)
  length(birthdays) != length(unique(birthdays))
}

# Estimate for groups of size 10, 23, 50
sizes <- c(10, 23, 50)
for (sz in sizes) {
  p <- mean(replicate(5000, birt_day_collision <- {
    bd <- sample(1:365, sz, replace = TRUE)
    length(bd) != length(unique(bd))
  }))
  cat('n =', sz, ': P(collision) ~', round(p, 3), '\n')
}

Symulowanie geometrycznego ruchu Browna

Ceny akcji często modeluje się za pomocą geometrycznego ruchu Browna: S(t+dt) = S(t) * exp((μ - σ²/2)dt + σ√dt * Z), gdzie Z~N(0,1). Metoda Monte Carlo generuje ścieżki cenowe używane do wyceny opcji.

set.seed(42)
S0 <- 100     # initial price
mu <- 0.05    # annual drift
sigma <- 0.2  # annual volatility
T <- 1        # 1 year
n_steps <- 252 # daily steps
dt <- T / n_steps

# Simulate one price path
Z <- rnorm(n_steps)
log_returns <- (mu - 0.5 * sigma^2) * dt + sigma * sqrt(dt) * Z
price_path <- S0 * exp(cumsum(log_returns))

cat('Final price:', round(price_path[n_steps], 2), '\n')
cat('Min price:', round(min(price_path), 2), '\n')
cat('Max price:', round(max(price_path), 2))

Wycena opcji metodą Monte Carlo

Europejską opcję call można wycenić metodą Monte Carlo: należy zasymulować wiele końcowych cen akcji, obliczyć wypłaty max(S_T - K, 0), a następnie zdyskontować średnią wypłatę za pomocą e^(-rT).

set.seed(42)
S0 <- 100; K <- 105; r <- 0.05; sigma <- 0.2; T <- 1
n_sim <- 50000

# Final stock prices under risk-neutral measure
Z <- rnorm(n_sim)
ST <- S0 * exp((r - 0.5 * sigma^2) * T + sigma * sqrt(T) * Z)

# Call option payoff
payoff <- pmax(ST - K, 0)

# Discounted expected payoff
call_price <- exp(-r * T) * mean(payoff)
se <- exp(-r * T) * sd(payoff) / sqrt(n_sim)
cat('Call price:', round(call_price, 4), '\n')
cat('95% CI: [', round(call_price - 1.96*se, 4),
    ',', round(call_price + 1.96*se, 4), ']')

Tempo zbieżności metody Monte Carlo

Metoda Monte Carlo zbiega w tempie O(1/√n): zmniejszenie błędu o połowę wymaga 4× większej liczby próbek. Błąd standardowy oszacowania Monte Carlo wynosi σ/√n, gdzie σ jest odchyleniem standardowym funkcji podcałkowej.

set.seed(42)
# Demonstrate MC convergence for pi estimation
estimate_pi <- function(n) {
  x <- runif(n, -1, 1)
  y <- runif(n, -1, 1)
  4 * mean(x^2 + y^2 <= 1)
}

# Sample sizes: powers of 10
ns <- 10^(1:5)
estimates <- sapply(ns, function(n) {
  set.seed(42)
  estimate_pi(n)
})

data.frame(
  n = ns,
  pi_estimate = round(estimates, 5),
  error = round(abs(estimates - pi), 5)
)

Szybki test

Sprawdź swoją wiedzę na temat podstaw symulacji Monte Carlo.

Odpowiedz w interaktywnej lekcji

Podsumowanie: podstawy Monte Carlo

Najważniejsze informacje: Metoda Monte Carlo szacuje wielkości, uśredniając wyniki wielu losowych próbek. Do powtarzanych symulacji należy używać replicate(). Prawo wielkich liczb gwarantuje zbieżność. Błąd maleje jak 1/√n — aby zmniejszyć go o połowę, należy czterokrotnie zwiększyć liczbę próbek. Techniki redukcji wariancji (zmienne antytetyczne i kontrolne) zwiększają wydajność bez używania większej liczby próbek. Zastosowania obejmują całkowanie, szacowanie prawdopodobieństw, wycenę opcji i symulacje.

set.seed(42)
# Monte Carlo template:
# 1. Define simulation function
simulate_once <- function() {
  x <- runif(1, -1, 1)
  y <- runif(1, -1, 1)
  (x^2 + y^2) <= 1
}

# 2. Replicate many times
n <- 10000
results <- replicate(n, simulate_once())

# 3. Estimate quantity of interest
pi_mc <- 4 * mean(results)

# 4. Quantify uncertainty
se <- 4 * sd(results) / sqrt(n)
cat('Pi:', pi_mc, '+/-', round(1.96*se, 4))

Bezpłatny start

Ucz się R dzięki korepetycjom AI — za darmo

Pisz i uruchamiaj kod w przeglądarce, otrzymuj natychmiastową pomoc od korepetytora AI dostępnego 24/7 i kontynuuj naukę w sieci lub w aplikacji.

Kursy: 43
Lekcje: 159

Zacznij naukę bezpłatnie Wyświetl pełny kurs

Często zadawane pytania

Czy lekcja „Podstawy symulacji Monte Carlo” jest bezpłatna?

Tak — pełny tekst „Podstawy symulacji Monte Carlo” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu R Academy, przejdź na CoddyKit PRO. Kurs R Academy zawiera 4 lekcji w sumie.

Co nauczysz się w „Podstawy symulacji Monte Carlo”?

Oszacuj liczbę pi i inne wartości za pomocą wielokrotnego losowania próbek. Ćwiczysz R Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.

Czy potrzebuję doświadczenia, aby zacząć R Academy?

Nie wymagamy żadnego doświadczenia. R Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 3 z 4.

Ile czasu zajmuje lekcja „Podstawy symulacji Monte Carlo”?

Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.

Czy mogę pisać i uruchamiać kod w tej lekcji R Academy?

Tak. Każda lekcja R Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.

Wszystkie lekcje w tym kursie

← Powrót do R Academy