##  [Monte‑Carlo‑Simulation](/de/node/64953) 

 Definition

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

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

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

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

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

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

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

Semantische Spannung

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

 

 

 

 

 





## Synthese

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.