# Конструктор Симуляций Монте-Карло

Задайте входные распределения (нормальное/равномерное/логнормальное/треугольное), напишите формулу, выполните тысячи испытаний и получите гистограмму с доверительными интервалами.

> Каноническая страница: https://elysiatools.com/ru/tools/monte-carlo-simulation-builder

- **Категория:** Data Analysis

- **Ключевые слова:** монте-карло, симуляция, вероятность, распределение, нормальное, равномерное, логнормальное, треугольное, доверительный интервал, риск, прогноз, случайный

## Обзор

Стройте симуляции Монте-Карло, комбинируя случайные входы.

**1. Объявите переменные** — по одной на строку, формат: `name = тип [параметры]`

| Тип | Параметры | Пример |
|------|-----------|--------|
| `normal` | [среднее, сигма] | `revenue = normal [100, 20]` |
| `uniform` | [мин, макс] | `rate = uniform [0.02, 0.08]` |
| `lognormal` | [мю, сигма] | `loss = lognormal [0, 0.5]` |
| `triangular` | [a, b, c] | `demand = triangular [50, 100, 200]` |

**2. Формула вывода** — арифметическое выражение с именами переменных. Поддерживает `+`, `-`, `*`, `/`, `%`, `^`, скобки и `abs/sqrt/exp/log/min/max/pow/sin/cos/tan`, константы `PI` и `E`.

**3. Запуск** — инструмент сэмплирует каждый вход N раз (ГПСЧ с зерном, воспроизводимо), вычисляет формулу и возвращает среднее/медиану/σ, гистограмму, ДИ и P(результат > 0).

## Входные данные

- **Распределения (по строке: name = тип \[параметры\])** (textarea): Объявите каждый вход. Типы: normal \[среднее, сигма\], uniform \[мин, макс\], lognormal \[мю, сигма\], triangular \[a, b, c\].
- **Формула вывода** (text): Арифметика над переменными. Поддерживает + - * / % ^, скобки, abs/sqrt/exp/log/min/max/pow, PI, E.
- **Число испытаний** (number): Число выборок. Больше → глаже гистограмма (100–200000).
- **Случайное зерно (опц., воспроизводимо)** (text): Зерно = воспроизводимость. Пусто = новый случайный розыгрыш.
- **Уровень доверия (%)** (number): Процентный диапазон ДИ (50–99,9%). По умолчанию 90% → P5–P95.

## Когда использовать

- Оценка финансовых рисков и прогнозирование прибыли проекта при наличии неопределенности в доходах и расходах.
- Расчет физических величин с учетом погрешностей измерений и отклонений исходных параметров.
- Анализ вероятности наступления неблагоприятных событий или превышения лимитов затрат в проектном менеджменте.

## Как это работает

- Объявите входные переменные в поле распределений, указав для каждой ее тип (normal, uniform, lognormal или triangular) и параметры в квадратных скобках.
- Введите формулу вывода, используя стандартные арифметические операторы, скобки, математические функции и объявленные имена переменных.
- Задайте количество испытаний, уровень доверия и, при необходимости, случайное зерно (seed) для воспроизводимости результатов.
- Запустите симуляцию, чтобы сгенерировать выборки, рассчитать формулу для каждого испытания и построить итоговую гистограмму со статистикой.

## Сценарии использования

- Моделирование чистой прибыли бизнеса путем вычитания случайных операционных затрат из колеблющейся выручки.
- Оценка геометрических допусков в производстве деталей на основе распределения их размеров.
- Расчет вероятности превышения бюджета проекта при сложении нескольких независимых случайных затрат.

## Частые вопросы

### Какие типы распределений поддерживает инструмент?

Поддерживаются нормальное (normal), равномерное (uniform), логнормальное (lognormal) и треугольное (triangular) распределения.

### Зачем нужно поле «Случайное зерно» (seed)?

Зерно инициализирует генератор случайных чисел. Использование одного и того же зерна позволяет получать идентичные результаты при повторных запусках симуляции.

### Какие математические функции можно использовать в формуле?

Доступны базовые операции (+, -, *, /, %, ^), скобки, константы PI и E, а также функции abs, sqrt, exp, log, min, max, pow, sin, cos, tan.

### Какое максимальное количество испытаний можно запустить?

Вы можете настроить от 100 до 200 000 испытаний. Большее количество испытаний дает более точную и гладкую гистограмму распределения.

### Что показывает уровень доверия в результатах?

Он определяет границы доверительного интервала (например, при 90% выводятся перцентили P5 и P95), внутри которых лежит указанный процент результатов симуляции.

## Связанные инструменты

- [Калькулятор значимости A/B-теста](https://elysiatools.com/ru/tools/ab-test-significance-calculator): Введите данные контроля/лечения — получите разницу конверсий, доверительные интервалы 95%/99%, p-value Z-теста (доли) или t-критерия Уэлча (непрерывные), значимость, lift, размер выборки для мощности 80%/90%, рекомендуемые дни, предупреждение о sequential testing и поправку Бонферрони.
- [PDF-этикетки QR/штрихкод](https://elysiatools.com/ru/tools/pdf-qr-barcode-labels): Пакетная генерация PDF-этикеток с QR и штрихкодом
- [Детектор аномалий временных рядов](https://elysiatools.com/ru/tools/time-series-anomaly-detector): Загружает временной ряд в CSV или JSON, находит аномалии по Z-Score и IQR и возвращает отчет с графиком
- [Построитель нормального распределения](https://elysiatools.com/ru/tools/normal-distribution-plotter): Рисует кривую нормального распределения в SVG с отметками z, затенением интервала/хвоста и σ-полосами 68/95/99.7.
- [Калькулятор шкалы APACHE II](https://elysiatools.com/ru/tools/apache-ii-score): Расчёт шкалы APACHE II: острый физиологический балл APS (12 переменных, 0-4 балла каждая, берётся худшее значение за первые 24 ч в ОРИТ) + баллы за возраст (0-6) + хроническое здоровье (0/2/5); всего 0-71; выше балл — хуже прогноз. Оксигенация: при FiO₂≥0.5 используется A-a градиент, иначе PaO₂; креатинин ×2 при острой почечной недостаточности; GCS = 15−GCS. Включает прогноз смертности базовой модели (logit=−3.517+0.146×балл, без веса диагноза). Источники: Knaus 1985 Crit Care Med, таблица SFAR. Не заменяет клиническое суждение. Не медицинская консультация.
- [Калькулятор доверительных интервалов](https://elysiatools.com/ru/tools/confidence-interval-calculator): Вычисляет доверительные интервалы для среднего выборки или доли на основе исходных данных или сводной статистики
- [Калькулятор интеграла свёртки (численный)](https://elysiatools.com/ru/tools/convolution-integral-calculator): Численно вычисляет свёртку двух сигналов (f*g)(t) = ∫ f(τ)g(t−τ)dτ: каузальный режим (оба сигнала нулевые при t<0, интеграл по \[max(τmin,0), min(τmax,t)\] — подходит для произведений в области Лапласа) и режим прямого окна (интеграл по всему \[τmin, τmax\] — подходит для двусторонних сигналов вроде гауссиан), составной метод Симпсона (по умолчанию 2000 интервалов). Классика: e^(−t)*e^(−2t) = e^(−t)−e^(−2t), при t=1 равно 0.2325; свёртка двух гауссиан — снова гауссиана √(π/2)·e^(−t²/2).
- [Обработчик Выбросов Данных](https://elysiatools.com/ru/tools/data-outlier-processor): Продвинутый инструмент обнаружения и обработки выбросов, который идентифицирует, удаляет или заменяет аномальные значения в числовых данных с использованием множества статистических методов. Идеально подходит для очистки данных, статистического анализа и подготовки данных для машинного обучения. Возможности: - Множественные методы обнаружения (IQR, Z-оценка, модифицированная Z-оценка, Isolation Forest) - Гибкие стратегии обработки (Удалить, Заменить средним/медианой/модой, Ограничить) - Автоматическая оптимизация порогов - Многомерное обнаружение выбросов - Визуальная статистика и отчеты выбросов - Возможности пакетной обработки - Настраиваемые уровни чувствительности - Всесторонний анализ воздействия Общие случаи использования: - Очистка и предварительная обработка данных - Подготовка к статистическому анализу - Очистка наборов данных для машинного обучения - Контроль качества в производстве - Обнаружение финансовых аномалий - Валидация данных сенсоров

## Примеры

- [Примеры Обработки Изображений Android Java](https://elysiatools.com/ru/samples/android-image-processing-java): Примеры обработки изображений Android Java включая чтение/сохранение, масштабирование и преобразование формата
- [Примеры Обработки Изображений Android Kotlin](https://elysiatools.com/ru/samples/android-image-processing-kotlin): Примеры обработки изображений Android Kotlin включая чтение/сохранение, масштабирование и преобразование формата
- [Примеры Обработки Изображений Web Python](https://elysiatools.com/ru/samples/web-image-processing-python): Примеры обработки изображений Web Python используя PIL/Pillow включая чтение, сохранение, изменение размера и преобразование формата
- [Примеры Обработки Изображений Web Rust](https://elysiatools.com/ru/samples/web-image-processing-rust): Примеры обработки изображений Web Rust включая чтение/запись, масштабирование и преобразование форматов