Imagine uma situação na qual há o interesse de estimar a probabilidade de não conseguir embarcar em um avião em função do tempo gasto desde a residência até a chegada ao aeroporto. Pontualmente, é possível fazer esta estimação por meio de modelagem estatística - por exemplo, via regressão logística. Agora, suponha que tal tempo tenha uma determinada distribuição de probabilidade. Como a chance de perder o embarque varia em função desta “perturbação” imposta ao modelo original?

Neste sentido, a simulação de Monte Carlo é um procedimento que ganha cada vez mais destaque na solução de problemas nos quais as variáveis de entrada de um modelo podem ter uma distribuição própria. A aplicação deste tipo de simulação, ao mesmo tempo, melhora a precisão do modelo e ajuda a identificar padrões nas variáveis de interesse que não poderiam ser vistos, por exemplo, em uma estimação pontual.