Eine stochastische Stichprobenmethode, die Eigenschaften (Erwartungswerte, Wahrscheinlichkeiten, Verteilungen) eines Modells durch wiederholtes Ziehen zufälliger oder quasi‑zufälliger Stichproben aus vorgegebenen Verteilungen schätzt und empirische Kennzahlen berechnet; Unsicherheit wird durch Stichprobenvariabilität und Schätzfehler quantifiziert.

Prinzip

Unter der Wahrscheinlichkeitsverteilung des Modells konvergieren Monte‑Carlo‑Schätzer gegen die wahren Größen gemäß dem Gesetz der großen Zahlen; die Genauigkeit steigt mit der Stichprobengröße N ungefähr wie 1/√N, und Stichprobenfehler lässt sich durch Varianzreduktion oder Erhöhung von N verringern.

Demonstration

Illustratives Beispiel — Integralabschätzung: Situation — E[f(X)] hat keine geschlossene Form. Erkennung — Auswahl einer Verteilung für X und eines unverzerrten Schätzers f(X). Aktion — Ziehen von N unabhängigen Stichproben X_i, Berechnung des Stichprobenmittels (1/N)∑f(X_i) und Schätzung eines Konfidenzintervalls aus der Stichprobenvarianz. Konsequenz — bei hinreichend großem N approximiert das Stichprobenmittel das Integral mit vorhersagbarem Stichprobenfehler.

Fehlanwendung

Eine einzelne Monte‑Carlo‑Simulationslauf als endgültige Wahrheit ansehen oder Modellfehlanpassung und Diagnostik ignorieren; der semantische Fehler liegt in der Verwechslung von Stichprobenfehler und Modellfehler bzw. der Annahme von Konvergenz ohne Varianz‑ und Unabhängigkeitsprüfung.

Konsequenz

Monte‑Carlo bietet flexible, modellbasierte numerische Schätzungen und Unsicherheitsabschätzungen für Probleme hoher Dimension oder komplexer Likelihoods; Beschränkungen sind Rechenaufwand, langsame Konvergenz bei bestimmten Integranden und Abhängigkeit von RNG‑Qualität und Modellkorrektheit.

Umkehrung

Bei sehr hochdimensionalen Integralen oder Integranden mit großer Varianz konvergiert naives Monte‑Carlo zu langsam; Alternativen sind Varianzreduktion, quasi‑Monte‑Carlo, Importance‑Sampling, deterministische Integration oder Modellreparametrisierung. Fehlt ein probabilistisches Modell, ist Monte‑Carlo nicht anwendbar.

Abgrenzung

Eindeutig innerhalb — Schätzung von Erwartungswerten, Randwahrscheinlichkeiten, bayesschen Posteriorintegralen, Optionsbewertung per Simulation. Grenzfall — moderate bis hohe Dimension mit Bedarf an Varianzreduktion. Eindeutig außerhalb — Probleme mit effizienten geschlossenen Formen oder deterministischen exakten Lösern.

Semantische Spannung

Spannung zwischen Rechenaufwand und statistischer Präzision: Größere Stichproben reduzieren Fehler, erhöhen aber die Kosten; außerdem Spannung zwischen Modelltreue und praktikabler Varianzreduktion.

Synthese

Monte‑Carlo ist die praktische Standardmethode zur numerischen Erwartungs‑ und Unsicherheitsabschätzung, wenn analytische Lösungen fehlen und ein probabilistisches Modell vorliegt; erfolgreiche Anwendung verlangt Beachtung von Stichprobengröße, RNG‑Qualität, Diagnostik und Varianzreduktion.