Monte-Carlo-Simulation einfach erklärt

Auf einen Blick

1. Eine Monte-Carlo-Simulation schätzt Erwartungswerte, Wahrscheinlichkeiten und Perzentile, indem sie ein Modell mit Zufallszahlen tausendfach durchspielt.
2. Der Simulationsfehler schrumpft proportional zu $1/\sqrt{N}$: Für eine zusätzliche Nachkommastelle Genauigkeit braucht man hundertmal so viele Durchläufe.
3. Das Ergebnis ist nur so gut wie seine Eingaben. Verteilungen, Abhängigkeiten und Annahmen gehören dokumentiert und geprüft – mehr Durchläufe heilen kein falsches Modell.

Manche Fragen lassen sich mit einer Formel beantworten, viele nicht. Wie lange dauert ein Projekt, wenn jede Aufgabe unsicher ist und Arbeitspakete parallel laufen? Wie wahrscheinlich reicht der Lagerbestand über den Monat? Die Monte-Carlo-Simulation beantwortet solche Fragen mit einem einfachen Rezept: Man beschreibt die unsicheren Eingaben mit Wahrscheinlichkeitsverteilungen, rechnet das Modell sehr oft mit zufällig gezogenen Werten durch und wertet die Ergebnisse statistisch aus.

Die Idee: rechnen durch Ausprobieren

Formal schätzt eine Monte-Carlo-Simulation einen Erwartungswert. Ist $X$ die zufällige Eingabe und $f$ das Modell, dann ersetzt man den schwer berechenbaren Erwartungswert $\E[f(X)]$ durch den Mittelwert über $N$ zufällige Ziehungen:

Das klingt bescheiden, ist aber erstaunlich allgemein. Auch Wahrscheinlichkeiten sind Erwartungswerte – nämlich von Indikatoren, die 1 sind, wenn ein Ereignis eintritt, und sonst 0. Und Perzentile liest man direkt aus den sortierten Simulationsergebnissen ab.

Die Methode entstand in den 1940er-Jahren in Los Alamos, wo Stanisław Ulam, John von Neumann und Nicholas Metropolis Zufallsexperimente auf den ersten elektronischen Rechnern nutzten, um die Ausbreitung von Neutronen zu berechnen. Der Name spielt auf das Casino von Monte Carlo an; die erste Veröffentlichung unter diesem Titel erschien 1949 (Metropolis & Ulam 1949).

Ein erstes Beispiel: π mit Zufallspunkten

Das klassische Einstiegsbeispiel schätzt die Kreiszahl. Man wirft zufällige Punkte gleichmäßig in das Einheitsquadrat und zählt, wie viele im Viertelkreis mit Radius 1 landen, also die Bedingung $x^2 + y^2 \le 1$ erfüllen. Der Viertelkreis hat die Fläche $\pi/4$, das Quadrat die Fläche 1. Der Anteil der Treffer schätzt daher $\pi/4$, und viermal dieser Anteil schätzt $\pi$:

Jeder Punkt ist ein Zufallsexperiment mit Trefferwahrscheinlichkeit $p = \pi/4 \approx 0{,}785$. Daraus folgt direkt, wie genau die Schätzung ist – ihr Standardfehler beträgt:

Rund 95 % aller Simulationsläufe landen im Bereich von zwei Standardfehlern um den wahren Wert. Hundertmal mehr Punkte bringen also nur zehnmal mehr Genauigkeit. Als Rechenverfahren für $\pi$ ist das hoffnungslos ineffizient – aber es zeigt präzise, wie sich der Fehler jeder Monte-Carlo-Schätzung verhält.

Interaktiv

Monte-Carlo-Simulation zum Ausprobieren

Der interaktive Explainer schätzt π mit Zufallspunkten und simuliert das Projektbeispiel weiter unten. Ohne JavaScript gelten die Zahlen aus den Tabellen dieses Artikels.

Warum das funktioniert: große Zahlen und der Faktor 1/√N

Zwei Sätze der Wahrscheinlichkeitstheorie tragen die Methode. Das Gesetz der großen Zahlen garantiert, dass der Mittelwert $\hat\mu_N$ mit wachsendem $N$ gegen den gesuchten Erwartungswert strebt. Der zentrale Grenzwertsatz beschreibt zusätzlich, wie groß der Fehler bei endlichem $N$ ist: Er ist näherungsweise normalverteilt mit der Standardabweichung

Dabei ist $\sigma$ die Standardabweichung einer einzelnen Modellauswertung $f(X)$. Sie ist meist unbekannt, lässt sich aber aus denselben Simulationsläufen schätzen. Damit liefert jede Monte-Carlo-Simulation ihre eigene Fehlerabschätzung gleich mit.

Bemerkenswert ist, was in der Formel fehlt: die Zahl der Eingabegrößen. Ein Gitterverfahren, das jede Dimension mit zehn Stützstellen abtastet, braucht bei zwanzig unsicheren Eingaben $10^{20}$ Auswertungen. Die Monte-Carlo-Rate $1/\sqrt{N}$ gilt dagegen unabhängig von der Dimension. Deshalb ist die Methode das Werkzeug der Wahl für Modelle mit vielen unsicheren Größen (Robert & Casella 2004; Owen 2013).

Praxisbeispiel: Wie lange dauert das Projekt wirklich?

Ein Team plant ein Vorhaben aus fünf Arbeitspaketen. Für jedes schätzt es drei Werte in Arbeitstagen: das Minimum, den wahrscheinlichsten Wert und das Maximum. Solche Drei-Punkt-Schätzungen stammen aus der Netzplantechnik PERT (Malcolm et al. 1959). Wir modellieren jede Dauer mit einer Dreiecksverteilung über diese drei Punkte. Die rechtliche Prüfung läuft parallel zu Umsetzung und Tests.

Die Gesamtdauer $D$ ergibt sich aus Konzept $K$, dem längeren der beiden parallelen Stränge und der Freigabe $F$:

Rechnet man mit den wahrscheinlichsten Werten, kommt man auf $5 + \max(15 + 6, 12) + 2 = 28$ Tage. Genau so entstehen viele Projektpläne. Die Simulation mit zwei Millionen Durchläufen (unabhängige Arbeitspakete, fester Startwert) zeichnet ein anderes Bild:

Der Plan von 28 Tagen wird nur in etwa 7 % der simulierten Projektverläufe gehalten. Dafür gibt es zwei Gründe.

Erstens sind die Verteilungen schief. Jedes Arbeitspaket kann deutlich länger dauern als geplant, aber nur wenig kürzer. Bei jedem dieser Pakete liegt der Mittelwert der Dreiecksverteilung, $(a + b + c)/3$, deshalb über dem wahrscheinlichsten Wert. Weil alle Pakete in dieselbe Richtung schief sind, gleichen sich die Abweichungen nicht aus, sondern addieren sich.

Zweitens verzögern parallele Stränge. Das Projekt wartet auf den langsameren der beiden Stränge, und für das Maximum gilt stets $\E[\max(X, Y)] \ge \max(\E[X], \E[Y])$. In unserem Beispiel ist dieser Effekt klein: Die rechtliche Prüfung ist nur in gut 3 % der Durchläufe der längere Strang, und ohne sie läge der Mittelwert bei 34,66 statt 34,72 Tagen. Das ändert sich, sobald die Stränge ähnlich lang sind. Hätte die rechtliche Prüfung die Drei-Punkt-Schätzung 15/21/35 Tage, bestimmte sie in 38 % der Durchläufe das Projektende, und der Mittelwert stiege auf 36,3 Tage – obwohl ihre mittlere Dauer von 23,7 Tagen weiterhin unter den 25,7 Tagen für Umsetzung und Tests läge.

Perzentile statt Punktwerte

Die Stärke der Simulation ist, dass sie eine ganze Verteilung liefert. Sortiert man die simulierten Gesamtdauern, erhält man die sogenannte S-Kurve: Für jede Frist zeigt sie die Wahrscheinlichkeit, bis dahin fertig zu sein. Aus ihr lassen sich Perzentile ablesen. Das P80 von 39 Tagen bedeutet: In 80 % der simulierten Verläufe ist das Projekt nach spätestens 39 Tagen abgeschlossen.

Für Zusagen ist diese Sprache deutlich ehrlicher als ein einzelner Termin. „Median 34 Tage, mit 80 % Wahrscheinlichkeit in 39 Tagen“ macht das Risiko verhandelbar: Wer mehr Sicherheit braucht, plant Puffer ein oder verändert das Projekt. Welcher Termin der richtige ist, hängt davon ab, was eine Verspätung kostet – eine Frage der Entscheidungstheorie.

Auch Perzentile schwanken von Simulation zu Simulation. Mit 10.000 Durchläufen liegt die Standardabweichung des geschätzten P90 in unserem Beispiel bei etwa 0,1 Tagen, mit 1.000 Durchläufen bei etwa 0,3 Tagen. Der Explainer kann deshalb leicht andere Werte zeigen als die Tabelle, die auf zwei Millionen Durchläufen beruht.

Eingaben modellieren: Verteilungen und Abhängigkeiten

Die Simulation selbst ist mechanisch. Die eigentliche Arbeit steckt in den Eingaben.

• Verteilungen wählen. Dreiecksverteilungen sind leicht zu erklären und passen zu Drei-Punkt-Schätzungen. Die PERT-Verteilung, eine skalierte Beta-Verteilung, gewichtet den wahrscheinlichsten Wert stärker und hat weichere Ränder. Liegen Daten vor, sind empirische Verteilungen oder angepasste Modelle besser als Bauchgefühl (Vose 2008).
• Abhängigkeiten abbilden. Unser Beispiel nimmt unabhängige Arbeitspakete an – eine Vereinfachung. Verzögern sich Umsetzung und Tests aus derselben Ursache, etwa weil dasselbe Team überlastet ist, sind die Dauern positiv korreliert. Dann wird die Verteilung der Gesamtdauer breiter und ihr rechter Rand länger. Gemeinsame Einflussfaktoren oder Copulas bilden solche Zusammenhänge ab.
• Seltene, große Ereignisse ergänzen. Eine Dreiecksverteilung hat ein festes Maximum. Echte Risiken – ein Lieferant fällt aus, eine Anforderung ändert sich grundlegend – lassen sich als eigene Ereignisse mit Eintrittswahrscheinlichkeit und Auswirkung modellieren.
• Reproduzierbar rechnen. Computer erzeugen Pseudozufallszahlen: deterministische Folgen, die statistisch wie Zufall wirken, etwa mit dem Mersenne Twister (Matsumoto & Nishimura 1998). Mit festem Startwert lässt sich jede Simulation exakt wiederholen – wichtig für Prüfbarkeit und für faire Vergleiche.

Sensitivitätsanalyse: Welche Annahme zählt?

Eine Sensitivitätsanalyse fragt, welche Eingaben die Streuung des Ergebnisses verursachen. Ein anschauliches Maß ist der Anteil der Varianz der Gesamtdauer, der sich durch eine einzelne Eingabe erklären lässt. Im Projektbeispiel ergibt die Simulation ein klares Bild:

Wer die Planungssicherheit verbessern will, sollte also zuerst die Umsetzung genauer schätzen oder in kleinere Pakete teilen. Eine bessere Schätzung für die rechtliche Prüfung würde am Ergebnis dagegen kaum etwas ändern – solange sie nicht deutlich länger zu dauern droht.

Genauer mit weniger Durchläufen

Weil der Fehler nur mit $1/\sqrt{N}$ fällt, lohnt es sich, die Streuung der Schätzung selbst zu verkleinern. Verfahren der Varianzreduktion tun genau das (Glasserman 2003):

• Antithetische Variablen verwenden zu jeder Zufallszahl $u$ auch $1 - u$. Hebt sich der Fehler der beiden Hälften teilweise auf, sinkt die Varianz.
• Gemeinsame Zufallszahlen nutzen beim Vergleich zweier Alternativen dieselben Zufallsziehungen. Der Unterschied zwischen den Alternativen wird dann nicht vom Zufallsrauschen überdeckt – für Entscheidungen oft der wichtigste Kniff.
• Importance Sampling zieht gezielt häufiger aus den seltenen, aber entscheidenden Bereichen und gleicht das mit Gewichten aus. So lassen sich kleine Ausfallwahrscheinlichkeiten effizient schätzen.
• Quasi-Monte-Carlo ersetzt Zufallszahlen durch besonders gleichmäßig verteilte Punktfolgen und erreicht bei glatten Problemen oft deutlich schnellere Konvergenz (Owen 2013).

Monte Carlo in der bayesschen Statistik

Dieselbe Logik steckt hinter Markov-Chain-Monte-Carlo. Dort ist das Ziel ein Posterior, aus dem man nicht direkt ziehen kann. Eine Markov-Kette erzeugt Werte, deren Häufigkeiten sich dem Posterior annähern; Mittelwerte und Intervalle werden dann wie bei jeder Monte-Carlo-Simulation berechnet. Weil aufeinanderfolgende Werte korreliert sind, ist die effektive Stichprobengröße allerdings kleiner als die Zahl der Iterationen. Wie der Posterior entsteht, erklärt der Artikel zur Bayesschen Statistik.

Typische Fehler

1. Erfundene Verteilungen. Ohne Daten oder sorgfältig erhobene Expertenschätzungen erzeugt die Simulation nur scheinbare Gewissheit.
2. Ignorierte Abhängigkeiten. Unabhängigkeit ist die bequemste Annahme und oft die gefährlichste: Sie macht die Ergebnisverteilung zu schmal.
3. Abgeschnittene Ränder. Verteilungen mit hartem Maximum unterschätzen seltene große Verzögerungen.
4. Zu wenige Durchläufe und falsche Präzision. Extreme Perzentile brauchen viele Durchläufe; alle Zahlen gehören mit sinnvoller Genauigkeit berichtet.
5. Simulationsrauschen und Modellunsicherheit verwechseln. Mehr Durchläufe verringern nur den Simulationsfehler. Ob die Annahmen stimmen, prüft man anders: mit Daten, Rückblicken auf frühere Projekte und Sensitivitätsanalysen.

Fazit

Die Monte-Carlo-Simulation ist eines der vielseitigsten Werkzeuge der angewandten Mathematik: Sie braucht nur ein Modell, das sich mit Zufallszahlen durchrechnen lässt, und liefert eine ganze Verteilung mitsamt Fehlerabschätzung. Das Projektbeispiel zeigt ihren eigentlichen Wert für Entscheidungen – sie macht sichtbar, wie wenig ein Plan aus wahrscheinlichsten Werten über das tatsächliche Risiko aussagt. Wer tiefer einsteigen will, findet bei Robert und Casella die mathematischen Grundlagen (Robert & Casella 2004) und bei Vose viele Hinweise für die Modellierung in der Praxis (Vose 2008).

Häufige Fragen

Was ist eine Monte-Carlo-Simulation in einem Satz?

Ein Verfahren, das eine unsichere Größe schätzt, indem es ein Modell sehr oft mit Zufallszahlen durchrechnet und die Ergebnisse statistisch auswertet – etwa als Mittelwert, Wahrscheinlichkeit oder Perzentil.

Wie viele Durchläufe braucht eine Monte-Carlo-Simulation?

Das hängt von der gewünschten Genauigkeit ab. Der Standardfehler sinkt mit $1/\sqrt{N}$; für Mittelwerte und mittlere Perzentile reichen oft 10.000 Durchläufe, für seltene Ereignisse und extreme Perzentile braucht man deutlich mehr oder Varianzreduktion. Den Standardfehler sollte man immer mitberichten.

Kann man eine Monte-Carlo-Simulation in Excel rechnen?

Ja. Mit ZUFALLSZAHL() und der Umkehrfunktion der gewünschten Verteilung lassen sich einfache Modelle in einer Tabelle simulieren. Für viele Durchläufe, Abhängigkeiten zwischen Eingaben und reproduzierbare Ergebnisse mit festem Startwert sind Programmiersprachen wie Python oder R komfortabler.

Was ist der Unterschied zwischen Monte Carlo und MCMC?

Klassische Monte-Carlo-Simulation zieht unabhängige Zufallszahlen aus bekannten Verteilungen. Markov-Chain-Monte-Carlo erzeugt dagegen eine Kette voneinander abhängiger Werte, deren Verteilung sich einer schwer zugänglichen Zielverteilung annähert – typischerweise einem bayesschen Posterior.

Quellen und weiterführende Literatur

1. PaperMetropolis, N. und Ulam, S. (1949): The Monte Carlo Method. Journal of the American Statistical Association 44(247), 335–341.
2. BuchRobert, C. P. und Casella, G. (2004): Monte Carlo Statistical Methods (2. Auflage). Springer.Das mathematische Standardwerk zu Monte-Carlo-Verfahren und MCMC.
3. BuchOwen, A. B. (2013): Monte Carlo theory, methods and examples. Online-Lehrbuch, Stanford University.Frei zugängliches Lehrbuch mit ausführlichen Kapiteln zu Fehlerabschätzung, Varianzreduktion und Quasi-Monte-Carlo.
4. BuchGlasserman, P. (2003): Monte Carlo Methods in Financial Engineering. Springer.Sehr gute Darstellung der Varianzreduktion, auch außerhalb der Finanzmathematik lesenswert.
5. BuchVose, D. (2008): Risk Analysis: A Quantitative Guide (3. Auflage). Wiley.Praxisnah: Verteilungswahl, Expertenschätzungen, Abhängigkeiten in Risikomodellen.
6. BuchSavage, S. L. (2009): The Flaw of Averages: Why We Underestimate Risk in the Face of Uncertainty. Wiley.
7. PaperMalcolm, D. G., Roseboom, J. H., Clark, C. E. und Fazar, W. (1959): Application of a Technique for Research and Development Program Evaluation. Operations Research 7(5), 646–669.Die Originalarbeit zu PERT mit Drei-Punkt-Schätzungen für Aufgabendauern.
8. PaperMatsumoto, M. und Nishimura, T. (1998): Mersenne Twister: A 623-dimensionally equidistributed uniform pseudo-random number generator. ACM Transactions on Modeling and Computer Simulation 8(1), 3–30.

Zuletzt fachlich geprüft am 25. September 2026. Hinweise auf Fehler nehmen wir gern entgegen: impressum@nyxai.com.

Weiterlesen

Bayes & Statistik

Bayessche Statistik einfach erklärt

Satz von Bayes, Prior, Likelihood und Posterior – mit dem klassischen Testbeispiel, der Beta-Binomial-Rechnung und einem ehrlichen Vergleich mit frequentistischen Verfahren.

9 Min. Lesezeit· mit interaktivem Explainer

Entscheiden & Optimieren

Entscheidungstheorie und Entscheidungsbäume

Von der Ergebnismatrix über Erwartungswert und Erwartungsnutzen bis zum Entscheidungsbaum: wie man Optionen unter Unsicherheit vergleicht – und was zusätzliche Information wert ist.

10 Min. Lesezeit

Decision Intelligence

Was ist Decision Intelligence?

Wie aus Daten überprüfbare Entscheidungen werden: Definition, Abgrenzung zu BI und Predictive Analytics, die methodischen Bausteine und ein durchgerechnetes Beispiel.

13 Min. Lesezeit