在每次模拟试验期间，抽样方法都会为模型中的每个假设选择一个随机值。
战略性建模模拟使用以下抽样方法之一：
Monte Carlo - 从针对每个假设定义的分布中随机选择任何值。
拉丁超立方 - 随机选择值并将它们平均分布在针对每个假设定义的分布范围内。
Monte Carlo 抽样
Monte Carlo 模拟随机并重复生成不确定变量的值以模拟模型。每个假设的概率分布中的值都是随机且完全独立的。也就是说，为每次试验选择的随机值对生成的下一个随机值没有任何影响。
Monte Carlo 模拟是以摩纳哥的 Monte Carlo 命名的，其娱乐场提供各种博彩项目，例如，轮盘赌、掷骰赌博和老虎机，所有这些活动的行为都是随机的。
此类随机行为与 Monte Carlo 模拟随机选择变量值以模拟模型的方式非常相似。当您掷骰子时，您知道 1、2、3、4、5 或 6 都可能出现，但不知道每次投掷时具体会出现哪个数字。这就像变量一样，变量具有一个已知的值范围，且对于任何特定时间或事件（例如，利率、人员需求、股票价格、库存、每分钟的电话数量），值是不确定的。
使用 Monte Carlo 抽样近似获得真实的分布形状需要的试验次数多于拉丁超立方抽样。
使用 Monte Carlo 抽样可以对模型进行真实的 What If 假设方案模拟。
拉丁超立方抽样
拉丁超立方抽样将每个假设的概率分布分为多个非重叠分段，每个分段的概率均相等。
运行模拟时，拉丁超立方根据每个分段的概率分布为相应分段选择一个随机假设值。这些值的集合就构成了拉丁超立方样本。对每个分段抽样一次后，该过程会一直重复进行，直至模拟停止。
在计算模拟统计值时，与传统的 Monte Carlo 抽样相比，拉丁超立方抽样通常更加精确，因为它是以更均匀且更一致的方式在整个分布范围内抽样。在达到相同级别的统计准确率的情况下，拉丁超立方抽样所需的试验次数少于 Monte Carlo 抽样。此方法的附加成本是在运行模拟时需要占用额外内存来跟踪哪些分段已被抽样。（与大多数模拟结果相比，此额外开销微乎其微。）
如果主要想关注模拟统计值的准确率，请使用拉丁超立方抽样。