몬테 카를로 메서드는 계산 시간의 이 기하급수적인 증가에서 벗어날 수 있는 방법을 제공합니다. 문제의 함수가 합리적으로 잘 작동하는 한 100차원 공간에서 포인트를 임의로 선택하고 이러한 점에서 함수 값의 평균을 어느 정도 가져가서 추정할 수 있습니다. 중앙 제한 정리에 의해 이 메서드는 1/N {displaystyle scriptstyle 1/{sqrt {N}} 수렴을 표시합니다.즉, 샘플링된 점의 수를 네 배로 늘려 차원 수에 관계없이 오류를 반으로 줄입니다. [95] 역 문제를 분석할 때 일반적으로 데이터의 해상도 에 대한 정보를 갖고 싶어하기 때문에 최대 우도 모델을 얻는 것만으로는 충분하지 않습니다. 일반적인 경우 많은 수의 모델 매개 변수가 있을 수 있으며 관심 있는 한계 확률 밀도를 검사하는 것은 비실용적이거나 쓸모가 없을 수 있습니다. 그러나 후방 확률 분포에 따라 대량의 모델 컬렉션을 원격으로 생성하고 모델 특성의 상대적 가능성에 대한 정보가 전달되는 방식으로 모델을 분석 및 표시할 수 있습니다. 관람 자. 이는 선행 배포에 대한 명시적 수식이 없는 경우에도 효율적인 Monte Carlo 방법을 통해 수행할 수 있습니다. 몬테 카를로 방법은 대략적인 무작위화와 순열 테스트 사이의 타협이기도 합니다. 대략적인 무작위화 테스트는 모든 순열의 지정된 하위 집합을 기반으로 합니다(이는 잠재적으로 엄청난 하우스키핑을 수반합니다). 몬테 카를로 접근 방식은 지정된 수의 임의로 그려진 순열을 기반으로 합니다(순열이 두 번 그려지거나 더 자주 그려진 경우 정밀도가 약간 손실되어 이미 선택된 순열을 추적할 필요가 없는 효율성을 위해). 불확실한 시스템의 단일 시뮬레이션의 결과는 자격을 갖춘 문 (“댐을 건설하면 연어 인구가 멸종 될 수 있습니다”)인 반면, 확률적 (몬테 카를로) 시뮬레이션의 결과는 정량화 된 확률입니다 (“댐을 건설하면 연어 인구가 멸종 할 확률은 20%입니다.”).