Возникновение метода относится к 1949 г. и связано с именами американских ученых Д. Неймана и С. Улама.
Метод основан на использовании связи между вероятностными характеристиками различных случайных процессов и величинами, являющимися решениями задач математического анализа. Сказанное можно проиллюстрировать следующим образом.
Известно, что изучение случайного процесса считается исчерпывающим, если определение характеристик этого процесса сведено к решению аналитической задачи. Существенным для понимания метода Монте-Карло является то, что эту классическую ситуацию можно обратить. А именно, вместо решения аналитической задачи можно моделировать случайный процесс и использовать статистические оценки (вероятности, математические ожидания) для приближенного решения данной аналитической задачи.
Оказывается, что очень часто вместо вычисления ряда сложных аналитических выражений можно экспериментально определить соответствующие статистические оценки. В качестве примера реальной вычислительной задачи, рассмотрим задачу вычисления интеграла

Будем считать, что
и
. Ограничение на функцию
, изображенную на рис. 1, несущественно, так как можно использовать масштабирование. Необходимо найти площадь области
, ограниченной кривой
осью
и ординатами
.
Пусть в квадрат
случайно вбрасывается точка, координаты которой независимо и равномерно распределены в интервале
. Какова вероятность того, что точка попадает в область под кривой? Очевидно, что вероятность
этого события численно равна площади
. Для первой точки
генерируем пару величин (координат)
и проверяем условие
(1)
Если условие (1) выполняется, то выбранная случайная точка
с координатами
попала в область под кривой. Далее берется еще
пара случайных величин
,
и для всех этих пар проверяется условие (1). Затем число пар
, для которых выполнилось условие (1), делится на число всех взятых пар
. Если число
достаточно велико, то в силу закона больших чисел получаем величину
близкую к вероятности
попадания точки
в область
. Величина
является, следовательно, приближенным значением искомого интеграла.
Метод Монте-Карло обладает следующими особенностями:
- является приближенным, точность повышается с увеличением числа реализаций;
- обладает малой связностью, что сокращает объем данных для хранения в памяти, особенно для многомерных задач;
- устойчив по отношению к случайным сбоям, так как одиночная ошибка мало сказывается на окончательном результате;
- результаты, получаемые этим методом, также как и оценки их точности носят вероятностный характер;
- не существует общей теории перехода от конкретной задачи к вероятностной схеме, позволяющей применить метод.
Метод Монте-Карло положен в основу статистического моделирования. При статистическом моделировании для получения достоверных вероятностных характеристик процессов функционирования системы требуется их многократное воспроизведение с различными конкретными значениями случайных факторов и статистической обработкой результатов измерений. При этом возникает необходимость в определении случайных событий, величин и последовательностей по заданным статистическим характеристикам. В основе их определения лежит использование последовательности чисел, равномерно распределенных в интервале
. Программы, формирующие такие последовательности, называют датчиками или генераторами случайных чисел.
См. также: