몬테 카를로 시뮬레이션은 의사 결정권자가 가능한 결과의 범위와 그들이 행동의 선택에 대해 발생할 확률을 제공합니다.. 그것은 극단적 인 가능성 , 즉 파산과 가장 보수적 인 결정에 대한 결과와 중간 도로 결정에 대한 가능한 모든 결과를 보여줍니다. 이 방법의 주요 아이디어는 반복된 무작위 샘플링 및 통계 분석을 기반으로 결과가 계산된다는 것입니다. 몬테 카를로 시뮬레이션은, 사실, 무작위 실험, 경우에, 이러한 실험의 결과는 잘 알려져 있지 않다. 몬테 카를로 시뮬레이션은 일반적으로 많은 수의 알려지지 않은 매개 변수를 특징으로하며, 그 중 많은 매개 변수는 실험적으로 얻기가 어렵습니다. [52] 몬테 카를로 시뮬레이션 방법은 항상 진정한 난수를 필요로 하지 않습니다(원시 테스트와 같은 일부 응용 프로그램의 경우 예측 불가능성이 중요합니다). [53] 가장 유용한 많은 기술은 결정적, 의사 랜덤 시퀀스를 사용하여 시뮬레이션을 쉽게 테스트하고 다시 실행할 수 있도록 합니다. 일반적으로 좋은 시뮬레이션을 만드는 데 필요한 유일한 품질은 의사 랜덤 시퀀스가 특정 의미에서 “충분히 임의”로 표시되는 것입니다. 이와 대조적으로 몬테 카를로는 각 변수에 대한 확률 분포에서 샘플을 시뮬레이션하여 수백 또는 수천 개의 가능한 결과를 생성합니다. 결과가 분석되어 다양한 결과가 발생하는 확률을 얻습니다. [56] 예를 들어, 전통적인 “what if” 시나리오를 사용하여 실행되는 스프레드시트 비용 시공 모델을 비교한 다음 몬테카를로 시뮬레이션 및 삼각형 확률 분포와 다시 비교를 실행하면 몬테 카를로 분석에 “what if” 분석보다 범위가 좁습니다.

[예 필요] 몬테 카를로 방법은 매우 낮은 확률 지역에서 거의 샘플링하지 않은 반면,이 “what if”분석은 모든 시나리오에 동일한 가중치를 부여하기 때문입니다 (기업 금융의 불확실성 정량화 참조). 이러한 지역의 샘플을 “드문 이벤트”라고 합니다. 예를 들어 단위 사각형에 새겨진 사분면(원형 섹터)을 생각해 보십시오. 해당 영역의 비율이 π/4임을 감안할 때, π의 값은 몬테 카를로 방법을 사용하여 근사화 될 수 있습니다:[12] 몬테 카를로 시뮬레이션 결과에 난수 품질의 영향을 평가하기위한 노력의 일환으로, 천체 물리학 연구자들은 암호화 보안 테스트 인텔의 RdRand 명령 세트를 통해 생성 된 의사 난수, 알고리즘에서 파생 된 것과 비교, 메르센 트위스터 와 같은, 몬테 카를로에서 갈색 난쟁이에서 라디오 플레어의 시뮬레이션. RdRand는 진정한 난수 생성기에서 가장 가까운 의사 난수 생성기입니다. 107개의 난수 생성으로 구성된 시험을 위한 일반적인 의사 난수 생성기와 RdRand로 생성된 모델 간에 통계적으로 유의한 차이가 발견되지 않았습니다. [54] 예측 된 성능의 확률 분포를 계산하기 위해, 결과의 불확실성으로 입력 불확실성을 전파 (변환)할 필요가있다.