Я думаю, что я должен сначала дать вам простой ответ: «Да, почти всегда».
Это было скучно, так что давайте перейдем к более интересным вещам, так сказать, сложностям.
Методы Монте-Карло часто применяются к абсолютно нестохастическим задачам. Например, проверьте интеграцию Монте-Карло . Это взять определенные интегралы, которые не являются случайными вообще. Это было о природе проблем, к которым применяется MC, с точки зрения Мартена.
Другой аспект методов Монте-Карло состоит в том, что они обычно не используют случайные числа, я бы даже сказал, почти никогда. Методы MC чаще всего используют генераторы псевдослучайных чисел . Это не случайные числа вообще. Подумайте об этом: если вы установите начальное число, то каждое число в сгенерированной последовательности будет определено начальным числом. Они выглядят и пахнут как случайные числа, поэтому мы используем их.
Google для MC примеров, вы найдете бесконечное количество примеров, таких как этому . В этом конкретном примере есть все эти уравнения с вероятностями и т. Д., Но затем он продолжает использовать функцию rgamma (.) В R. Эта функция генерирует последовательность псевдослучайных чисел, которая очень похожа на случайные числа из гамма-распределения ,
Сказав это, есть истинные последовательности случайных чисел . Удивительно небольшое количество статистиков используют их и даже знают о них. Причина в том, что псевдослучайные генераторы намного удобнее и быстрее. Истинные случайные числа дороги, вы должны купить их или аппаратные генераторы чисел (TRNG) . Они часто используются в азартных играх. Они обычно генерируются из физических источников, таких как радиоактивный распад и шум в радиоволнах, тепло и т. Д. Спасибо @scruss за то, что он указал, что в последнее время TRNG стал намного более доступным.
Наконец, есть семейство методов под названием Quasi Monte Carlo . Они используют последовательности чисел, которые даже не претендуют на то, чтобы выглядеть как случайные числа, например, последовательности Соболя так называемых чисел с низким расхождением.
