##  [Monte-Carlo-Methode](/de/node/59711) 

 Definition

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

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

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

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

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

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

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

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

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.