몬테 카를로 방법은 전산 생물학의 다양한 분야에서 사용된다, 예를 들어, phylogeny에서 베이지안 추론, 또는 게놈과 같은 생물학적 시스템을 공부하기위한, 단백질,[73] 또는 막. [74] 시스템은 원하는 정확도에 따라 거친 입자 또는 ab initio 프레임워크에서 연구될 수 있다. 컴퓨터 시뮬레이션을 통해 특정 분자의 로컬 환경을 모니터링하여 일부 화학 반응이 예를 들어 발생하는지 확인할 수 있습니다. 물리적 인 실험을 수행하는 것이 가능하지 않은 경우, 생각 실험을 수행 할 수 있습니다 (예 : 결합 파괴, 특정 사이트에서 불순물 도입, 로컬 / 글로벌 구조 변경 또는 외부 필드 도입). 몬테 카를로 시뮬레이션은 고유의 불확실성이 있는 모든 요인에 대해 다양한 값(확률 분포)을 대체하여 가능한 결과의 모델을 작성하여 위험 분석을 수행합니다. 그런 다음 확률 함수에서 다른 임의 값 집합을 사용하여 매번 결과를 반복해서 계산합니다. 불확실성의 수와 지정된 범위에 따라 몬테 카를로 시뮬레이션은 완료되기 전에 수천 또는 수만 개의 재계산을 포함할 수 있습니다. 몬테 카를로 시뮬레이션은 가능한 결과 값의 분포를 생성합니다. 값은 정규 분포와 같이 대칭이 아니라 긍정적으로 왜곡됩니다.

0 이하로 떨어지지 않지만 무제한 의 긍정적 인 잠재력을 가진 값을 나타내는 데 사용됩니다. 로그정규 분포로 설명된 변수의 예로는 부동산 부동산 가치, 주가 및 석유 매장량이 있습니다. 단위 디스크의 면적을 계산하기 위해 코드를 실행하면 (pi)를 네 번째 소수점(3.1415)까지 근사화하려면 약 1억 개의 샘플이 필요하다는 것을 알게 됩니다. 그것은 숫자를 추정하는 효율적인 방법 (pi)? 대답은 분명히 아니오입니다. 그렇다면 몬테 카를로 방법이 그렇게 효율적이지 않다면 왜 몬테 카를로 메서드가 필요합니까? 이전 단원에서 이미 언급했듯이 이 솔루션을 표현하여 분석적으로 계산할 수 있는 방정식에는 닫힌 형식 솔루션이 있다고 합니다. 그러나 많은 방정식에는 이러한 폐쇄형 솔루션이 없으며, 심지어 그럴 때에도 복잡성은 무한한 시간 동안만 해결할 수 있습니다. 이러한 문제 나 방정식은 난치성이라고합니다. 그러나 주어진 문제의 가능한 결과에 대한 예측을 전혀 하지 않는 것보다 는 종종 더 낫습니다.

그리고 몬테 카를로 방법은 때때로 이러한 방정식이나 문제를 추정 할 수있는 유일한 실용적인 방법입니다. 메트로폴리스와 울람이 몬테 카를로 방법 (참조 섹션 참조)에 자신의 정액 종이에 넣어로 : 마지막으로, 몬테 카를로 방법은 난수의 생성뿐만 아니라 할 일이 매우 있다고 말하여이 장을 마무리하자 (의 처음 몇 장 이 단원들은 무작위 변수를 연구하는 데 전념했습니다). MC 알고리즘을 실행하려면 먼저 난수를 생성할 수 있어야 합니다(일반적으로 주어진 확률 분포). 이러한 이유로, 이러한 “난수”숫자를 생성하기위한 알고리즘의 개발 (그들은 무작위로 표시되지만 일반적으로 그들은 이러한 알고리즘이 의사 난수 생성기라고하는 이유입니다 “진정으로”무작위되지 않습니다), 에서 연구의 중요한 분야가되었습니다 컴퓨팅 기술. 이 항목은 다음 장 중 하나에서 더 개발될 예정입니다. 더 정교한 평균 필드 유형 입자 몬테 카를로 방법의 이론은 확실히 유체에서 발생하는 비선형 포물선 부분 미분 방정식의 클래스의 마르코프 해석에 헨리 P. 맥킨 주니어의 작품과 함께, 1960 년대 중반에 의해 시작되었다 역학. [17] [18] 우리는 또한 시어도어 E에 의해 이전 개척 기사를 인용.