Stochastinis programavimas sprendžia sudėtingus matematinio optimizavimo klausimus, kai nežinomi kintamieji sukuria daugybę galimų sprendimų. Tai gali apimti modelio perėmimą per keletą etapų, kurių kiekvieną gali paveikti atskiri kintamieji. Matematikai gali tai pritaikyti problemoms, susijusioms su sprendimų priėmimu, išteklių paskirstymu ir panašia veikla. Tai taip pat yra akademinių studijų dalykas, kuriame mokslininkai dirba kurdami naujus ir efektyvesnius stochastinio programavimo modelius, pritaikytus realioms situacijoms.
Optimizavimo problemos gali tapti labai sudėtingos. Paprastesnėse formose visi kintamieji yra žinomi, todėl juos galima paleisti per lygtį ir išsiaiškinti tinkamiausią sprendimą. Paprastai tai neįmanoma, kai parametrai yra mažiau tikri, o nežinomi kintamieji gali turėti įtakos rezultatui. Stochastiniai programuotojai remiasi tikimybių skirstiniu, kad įvertintų kintamųjų diapazoną ir pritaikytų tai lygčiai.
Įprasti pavyzdžiai gali būti pateikiami matematiškai modeliuojant įvykius natūralioje aplinkoje. Pvz., kai drugeliai deda kiaušinius, jie nori optimizuoti tikimybę išsiperėti ir išsivystyti į lervas, o vėliau į suaugusius drugelius. Stochastinis programavimo modelis gali suteikti informacijos apie geriausius sprendimus, kuriuos drugelis galėtų priimti. Kintamieji gali apimti grobuoniškumą, temperatūros pokyčius ir kitas problemas, kurios trukdo perėti arba sunaikina lervas, kol jos nesuauga. Matematikas gali dirbti keliais etapais, kad optimizuotų problemą.
Sprendimai kiekviename etape gali nutraukti arba atverti sprendimus kitame etape. Stochastinis programavimas turi būti lankstus, kad būtų pasiektas optimalus sprendimas, kartu nustatant tam tikrą tvarką sprendimams, kad būtų galima juos kiekybiškai įvertinti matematikos uždavinyje. Sudėtingumo lygis gali priklausyti nuo problemos pobūdžio; kai kurie yra tiesiog išdėstyti dviem etapais, o kiti gali apimti kelis. Kiekvienam etapui galima nustatyti optimalų sprendimą ir įvertinti jo poveikį sprendimų priėmimui.
Tyrėjai gali naudoti šį įrankį įvairiais būdais – nuo gyvūnų elgesio analizės iki procesų, susijusių su sprendimų priėmimu verslo pasaulyje, peržiūra. Jis taip pat gali būti naudojamas matematiniam modeliavimui, siekiant paremti sprendimus tokiose aplinkose kaip verslas. Pavyzdžiui, vertybinių popierių prekiautojai gali laikyti stochastinį programavimą kaip vieną iš įrankių, leidžiančių ieškoti optimalių problemų sprendimų. Analitikai gali atlikti tokio pobūdžio skaičiavimus arba naudoti programinės įrangos programas, leidžiančias automatiškai nustatyti problemas ir vykdyti jas pagal daugybę galimų scenarijų.