Eine Familie rechnerischer Techniken, die numerische Größen (Integrale, Erwartungswerte, Wahrscheinlichkeiten, Optimierungsziele) durch zufällige Stichproben und statistische Aggregation schätzen und sich für die Konvergenz auf probabilistische Gesetze stützen.

Prinzip

Nutze das Gesetz der großen Zahlen und zentrales Grenzwertverhalten: approximiere E[f(X)] durch das Stichprobenmittel von f(X_i) für i.i.d. oder geeignet gewichtete Stichproben und quantifiziere den Fehler über Varianz und Konfidenzintervalle; Varianzreduktion erhöht die Effizienz.

Demonstration

Schätze ein Integral über [0,1]^d durch Ziehen von N unabhängigen uniformen Stichproben und Berechnung des Stichprobenmittels von f; z. B. π abschätzen durch Stichproben (x,y) im Einheitsquadrat und Zählen des Anteils innerhalb des Einheitskreises. Der Monte-Carlo-Fehler fällt ungefähr wie 1/√N mit wachsendem N.

Fehlanwendung

Monte-Carlo naiv anzuwenden, ohne Varianz oder Abhängigkeiten abzuschätzen (z. B. zu korrelierte Pseudozufallsfolgen, unzureichende Stichprobengröße oder Vernachlässigung schwerer Randsummen integranden) liefert irreführende Schätzungen; die Annahme schneller Konvergenz wie bei deterministischen Quadraturverfahren in hohen Dimensionen ist ein häufiger Fehler.

Konsequenz

Bietet flexible, dimensionsrobuste Schätzer für Hochdimensionalintegration und Unsicherheitsquantifizierung; unterstützt probabilistische Inferenz, stochastische Optimierung und Simulation komplexer Modelle, für die deterministische Methoden unpraktisch sind.

Umkehrung

Deterministische Quadratur oder Quasi-Monte-Carlo ersetzen Zufälligkeit durch strukturiertes Sampling; Quasi-Monte-Carlo kann für glatte Integranden schnellere Konvergenzraten durch niedrigdiskrepante Folgen erreichen und kehrt damit teilweise den Zufalls-/Varianz-Kompromiss um.

Abgrenzung

Benötigt einen Sampling-Mechanismus (zufällig oder niedrigdiskrepant) und Fehlerquantifizierung über die Varianz; die asymptotische Rate ist typischerweise O(N^{-1/2}) bei unabhängiger Stichprobe, daher ist Monte Carlo nicht generell überlegen bei niedrigdimensionalen glatten Integranden, wo deterministische Methoden schneller konvergieren.

Semantische Spannung

Spannung besteht gegenüber deterministischen Integrationsmethoden und Quasi-Monte-Carlo: Monte Carlo opfert deterministische Genauigkeit zugunsten statistischer Garantien und Praktikabilität in hohen Dimensionen, während quasi-deterministische Verfahren die Varianz unter Regularitätsannahmen reduzieren und naive Monte-Carlo-Ansätze übertreffen können.

Synthese

Die Monte-Carlo-Methode macht Zufälligkeit zur Rechenressource: Durch Stichproben und Mittelbildung verwandelt sie unhandliche analytische Größen in Schätzer mit quantifizierbarem statistischen Fehler und ist besonders effektiv, wenn Dimension oder Modellkomplexität deterministische Alternativen unpraktisch machen.