Myślę, że najpierw powinienem dać ci prostą odpowiedź, która brzmi „TAK, prawie zawsze”.
To było nudne, więc przejdźmy do bardziej interesujących rzeczy, powiem, że tak powiem.
Metody Monte Carlo są często stosowane do absolutnie niestochastycznych problemów. Na przykład sprawdź integrację z Monte Carlo . Ma to na celu przyjęcie całek oznaczonych, które w ogóle nie są losowe. Chodziło o naturę problemów, do których stosuje się MC, do punktu Maarten.
Innym aspektem metod Monte Carlo jest to, że zwykle nie stosują liczb losowych, powiedziałbym nawet prawie nigdy. Metody MC najczęściej stosowany pseudo generatora liczb -Random . To wcale nie są liczby losowe. Pomyśl o tym: jeśli ustawisz ziarno, to każda liczba w wygenerowanej sekwencji jest absolutnie zdefiniowana przez ziarno. Wyglądają i pachną jak liczby losowe, więc ich używamy.
Google dla przykładów MC, znajdziesz nieskończoną liczbę przykładów takich jak ten . Ten konkretny przykład ma wszystkie te równania z prawdopodobieństwami itp., Ale potem używa funkcji rgamma (.) W R. Ta funkcja generuje sekwencję liczb psudo-losowych, które wyglądają okropnie podobnie do liczb losowych z rozkładu gamma .
To powiedziawszy, istnieją prawdziwe losowe sekwencje liczb . Zaskakująco mała liczba statystyk korzysta z nich, a nawet jest ich świadoma. Powodem jest to, że generatory psudo-losowe są o wiele wygodniejsze i szybsze. Prawdziwe liczby losowe są drogie, musisz je kupić lub sprzętowe generatory liczb (TRNG) . Są często używane w aplikacjach hazardowych. Generowane są zwykle ze źródeł fizycznych, takich jak rozpad radioaktywny i szum fal radiowych, ciepło itp. Dzięki @scruss za zwrócenie uwagi, że ostatnio TRNG stał się znacznie bardziej dostępny.
Wreszcie istnieje rodzina metod zwanych Quasi Monte Carlo . Wykorzystują one sekwencje liczb, które nawet nie udają liczb losowych, np. Sekwencje Sobola o tak zwanych liczbach o niskiej rozbieżności.