몬테카를로 방법Monte Carlo Method
난수로 뽑은 표본마다 계산한 값의 평균으로 적분 · 확률 · 기댓값을 근사하는 계산 방법이다. 오차는 표본 수의 제곱근에 반비례해 줄고 문제의 차원 수와 무관하다.
1요약
- 몬테카를로 방법은 계산하기 어려운 적분 · 확률을 난수 표본의 평균으로 바꿔 푸는 방법으로, 1949년 Metropolis · Ulam 이 이름을 붙였고 그 위에서 위험 분석의 일정 · 비용 분포, 소수 판정, 물리 · 금융 모의 실험이 돈다.
- 격자로 나눠 더하는 구적법은 차원이 d 이면 오차가 O(n^−4/d) 로 느려져 고차원에서 쓸 수 없지만, 몬테카를로의 오차는 차원과 무관하게 O(n^−1/2) 로 준다(Owen 2013 2장).
- 결과를 믿을지는 표준 오차와 편향을 따로 보고 정한다 — 실행마다 값이 흔들리면 표본이 모자란 것이고, 표본을 늘려도 한쪽으로 어긋나면 모형이나 난수가 틀린 것이다.
2등장 배경
1946년 병상에서 카드놀이를 하던 Ulam 은 52장 캔필드 솔리테어가 풀릴 확률을 조합 계산으로 구하다 막히자, «100번 펼쳐 보고 성공 횟수를 세는 편이 빠르다»는 생각을 했다(Eckhardt 1987). 이 생각은 중성자가 핵분열 물질 안에서 퍼지는 확산 문제처럼 식으로는 풀리지 않는 계산에 바로 쓰였다.
1947년 3월 von Neumann 은 Los Alamos 의 Richtmyer 에게 중성자 경로를 난수로 따라가는 계산을 ENIAC 에서 돌리는 편지를 보냈고, 1949년 Metropolis · Ulam 은 JASA 에 실은 논문 「The Monte Carlo Method」로 이 계산법을 통계학계에 알렸다(Metropolis · Ulam 1949). 1953년 Metropolis 등이 마르코프 연쇄로 표본을 뽑는 방법(MCMC)을 더했다(Owen 2013 1장).
지금은 난수 생성기가 표준 라이브러리에 들어 있어 몇 줄로 쓸 수 있고, RSA 키의 소수를 고르는 밀러-라빈 판정도 같은 원리의 무작위 알고리즘으로 FIPS 186-5(2023) 부록 B.3 에 들어 있다.
3쉽게 이해하기 — 전화 1,000통으로 지지율을 재는 여론 조사
선거를 앞둔 조사원이 시민 4,000만 명에게 다 물을 수 없어 전화번호 명부에서 번호를 무작위로 뽑아 1,000통을 돌린다. 찬성이면 1, 반대면 0 을 적고, 1 의 비율로 지지율을 52% 라고 발표하면서 «± 3.1%p» 를 함께 붙인다. 인원을 4배로 늘리면 그 범위가 절반으로 준다. 다만 집 전화만 돌리면 아무리 많이 걸어도 결과가 한쪽으로 쏠린다.
그림 1 · 무작위로 뽑은 표본의 응답 평균이 전체 값을 추정하고, 표본 수가 오차 범위를, 뽑는 방법이 편향을 정한다.
그림 2 · 조사 인원을 4배로 늘릴 때마다 오차 범위가 절반이 된다 — 실제로는 표준 오차가 표본 수의 제곱근에 반비례한다.
| 비유 속 역할 | 실제 이름 | 실제로 하는 일 |
|---|---|---|
| 전화번호 명부 | 확률 분포 · 정의역 | 표본이 나올 수 있는 범위와 각 값의 확률을 정한다 |
| 번호 추첨 | 난수 생성기 · 시드 | 시드에서 시작해 균등 난수열을 만들고 분포에 맞게 바꾼다 |
| 뽑힌 사람에게 전화 | 표본 추출 | 분포에서 서로 독립인 표본 x₁ ~ xₙ 을 뽑는다 |
| 찬성 1 · 반대 0 응답 | 함숫값 평가 | 표본마다 f(xᵢ) 를 계산하거나 모의 실험을 한 번 돌린다 |
| 찬성 비율 | 표본 평균 μ̂ | f 값의 평균으로 기댓값 · 적분 · 확률을 추정한다 |
| ± 오차 범위 | 표준 오차 · 신뢰구간 | s ÷ √n 으로 흔들림을 재고 μ̂ ± 1.96 × SE 를 붙인다 |
| 집 전화만 돌림 | 편향 | 분포 · 모형 · 난수가 틀리면 n 을 늘려도 오차가 남는다 |
⚠ 비유가 맞지 않는 곳: 여론 조사는 이미 있는 사람 가운데서 뽑지만, 몬테카를로 방법은 원래 확률과 무관한 적분 · 결정적 문제도 확률로 바꿔 푼다. 또 컴퓨터의 난수는 시드로 정해지는 의사 난수라 같은 시드면 같은 표본이 다시 나온다(Python random).
4구조 — 표본에서 추정까지의 구성 요소
몬테카를로 계산은 «문제를 기댓값 μ = E[f(X)] 꼴로 바꾸기 → 표본 n 개의 평균 μ̂ 로 추정 → 표준 오차로 멈출지 판정» 세 단계로 짠다(Owen 2013 2장). 알고리즘 설계에서는 정해진 시간 안에 끝나되 작은 확률로 틀릴 수 있는 무작위 알고리즘을 같은 이름(몬테카를로 알고리즘)으로 부른다.
그림 3 · 난수 생성기가 만든 표본을 함수로 평가해 평균과 표준 오차를 내고, 목표 오차에 못 미치면 표본을 더 뽑는다 — 편향 원인은 이 고리 밖 모형과 난수에서 들어온다.
| 요소 | 역할 | 값 · 근거 |
|---|---|---|
| 난수 생성기 | 균등 난수열을 만든다 | Python = 메르센 트위스터 · 주기 2^19937 − 1 · 53비트 실수(Python random) |
| 시드 | 난수열의 시작 값 | 같은 시드 = 같은 결과 · 병렬 작업은 시드 + 작업 번호 금지(NumPy parallel) |
| 표본 · 함숫값 | f(xᵢ) 를 n 번 계산 | 표본끼리 독립 · 같은 분포(Owen 2013 2.1절) |
| 추정량 μ̂ | f 값의 평균 | 불편 추정 · 큰 수의 법칙으로 μ 에 수렴 |
| 표준 오차 | 추정의 흔들림 | SE = s ÷ √n · 95% 구간 μ̂ ± 1.96 SE · 99% 는 2.58(Owen 2013 2.2절) |
| 정지 규칙 | 표본을 언제 멈추나 | 목표 오차 ε 이면 n ≥ (1.96 s ÷ ε)² |
🔑 표본 수는 흔들림(분산)만 줄이고 편향은 줄이지 못한다 — 모형 · 분포 · 난수가 틀린 계산은 n 을 백만으로 늘려도 같은 쪽으로 틀린다.
5동작 — 점 10,000개로 원주율을 추정하는 계산
단위 정사각형에 고르게 뿌린 점이 사분원 안에 들 확률이 π/4 라는 점을 써서 π 를 추정한다. 사례는 Python 3.14.0 random.Random(0) 으로 직접 실행한 값이다.
- 문제를 기댓값으로 바꾼다 — X, Y 가 [0, 1) 균등 분포이면 f = 1(X² + Y² ≤ 1) 의 기댓값이 π/4 이므로 π = 4 × E[f] 다.
- 시드 0 으로 난수 생성기를 만든다 — 시드를 기록해야 같은 결과를 다시 낼 수 있다(Python random).
- 점 하나에 난수 두 개를 쓴다 — 첫 점 (0.8444, 0.7580) 은 x² + y² = 1.29 라 밖(0), 둘째 (0.4206, 0.2589) 는 0.24, 셋째 (0.5113, 0.4049) 는 0.43 이라 안(1)이다.
- 10,000점 가운데 7,838점이 안에 들어 π̂ = 4 × 0.7838 = 3.1352 다(참값과 차 0.0064).
- 표준 오차를 붙인다 — s = 4 × √(0.7838 × 0.2162) = 1.647, SE = 1.647 ÷ √10,000 = 0.01647 이라 95% 구간은 3.1029 ~ 3.1675 이고 π 를 품는다.
- 목표 SE 0.01 이하로 정하면 n ≥ (1.647 ÷ 0.01)² ≈ 27,100 이므로 40,000점으로 늘린다 — π̂ = 3.1484 · SE = 0.00819 로 흔들림이 절반이 된다.
- 구간을 검증한다 — 시드 1 ~ 100 으로 10,000점 계산을 100번 돌리면 95% 구간이 π 를 품은 횟수가 97번이다.
그림 4 · 첫 점 셋 가운데 둘이 사분원 안에 들었고, 10,000점의 비율 0.7838 이 π̂ 3.1352 ± 0.0323 을, 40,000점이 흔들림 절반을 주었다.
그림 5 · 표본 수를 100배 늘려야 오차가 10배 준다 — 실제 오차 점들은 기울기 −1/2 인 표준 오차 선 둘레에서 95% 한계 아래에 머문다.
🔑 몬테카를로의 정확도는 «몇 번 돌렸나»가 아니라 «√n 이 얼마인가»로 정해진다 — 자릿수 하나를 더 얻으려면 계산이 100배 든다.
6비교 — 라스베이거스 알고리즘 · 구적법 · 준몬테카를로와의 차이
| 기준 | 몬테카를로 | 라스베이거스 알고리즘 | 결정적 구적법(심프슨) | 준몬테카를로(QMC) |
|---|---|---|---|---|
| 점 · 선택 | 난수 표본 | 난수로 피벗 · 순서 선택 | 정해진 격자 | 저불일치 수열(결정적) |
| 답의 보장 | 확률적 오차 · 오답 확률 | 답은 늘 맞음 | 오차 한계 식 | 결정적 오차 |
| 실행 시간 | 표본 수로 정해짐 | 난수에 따라 변함 | 격자 수로 정해짐 | 점 수로 정해짐 |
| 오차 수렴 | O(n^−1/2) · 차원 무관 | 해당 없음 | 1차원 O(n^−4) · d 차원 O(n^−4/d)(Owen 2013 2.1절) | 매끄러운 함수에서 몬테카를로보다 빠름 |
| 오차 추정 | 표본으로 SE 계산 | 필요 없음 | 도함수 크기를 알아야 함 | 어려움 → 무작위화 QMC(Owen 2013 1장) |
분석차원이 3 ~ 4 이하이고 함수가 매끄러우면 구적법, 차원이 높거나 함수가 불연속 · 모의 실험 형태면 몬테카를로, 정답이 꼭 맞아야 하고 시간이 흔들려도 되면 라스베이거스 알고리즘을 고른다. 근거는 표의 「오차 수렴」 행 — d 차원 심프슨 O(n^−4/d) 는 d = 8 에서 몬테카를로와 같은 O(n^−1/2) 가 된다.
7실무 진단 — 믿기 어려운 추정값의 원인 가르기
분석같은 입력을 시드만 바꿔 여러 번 돌려 «흔들림»과 «어긋남»을 먼저 가른다. 흔들림은 SE 로 설명되고(Owen 2013 2.2절) 어긋남은 SE 로 설명되지 않는 편향이기 때문이다.
| # | 증상 | 의심 원인 | 단계 | 확인 자료 | 판정 기준(근거) |
|---|---|---|---|---|---|
| 1 | 실행마다 값이 크게 다름 | 표본 수 부족 · 분산 큼 | 표본 수 | 시드별 μ̂ 의 퍼짐 · SE | 퍼짐 ≈ SE 면 정상 → n 을 (1.96 s ÷ ε)² 로(Owen 2013 2.2절) |
| 2 | n 을 늘려도 한쪽으로 어긋남 | 분포 · 모형 오류 | 모형 | 답을 아는 문제(π · 평균)로 같은 코드 시험 | 오차 > 3 SE 가 되풀이되면 편향 |
| 3 | 병렬 작업 결과가 서로 겹침 | 시드 + 작업 번호로 시드를 만듦 | 난수 | 작업별 첫 난수 비교 | 같은 결과가 나오면 독립 스트림(SeedSequence.spawn)으로(NumPy parallel) |
| 4 | 같은 설정인데 재현이 안 됨 | 시드를 기록하지 않음 | 난수 | 실행 기록의 시드 필드 | 시드를 고정해 같은 값이 나와야 정상(Python random) |
가려내는 순서는 시드 → 표본 수 → 모형이다. 시드 문제는 실행 기록만 보면 바로 끝나고, 표본 수 문제는 계산을 늘리면 풀리지만, 모형 문제는 답을 아는 시험 문제를 따로 만들어야 하기 때문이다.
8시험 대비
www.q-net.or.kr시험에서는 원리 · 절차 · 오차 특성을 묻는 정의 · 특징형이 나올 수 있고, 라스베이거스 알고리즘이나 결정적 수치 적분과의 차이를 묻는 비교형이 나올 수 있다. 밀러-라빈 판정처럼 무작위 알고리즘의 예를 함께 쓰면 «알고리즘 설계 기법» 관점이 선다.
- 개요 — 정의 · 난수 표본 평균으로 기댓값 · 적분 근사 · 1949 Metropolis · Ulam
- 구성 요소 — 그림 3 추정 고리(확률 모형 · 난수 생성기 · 표본 · 함수 평가 · 추정 · 정지 규칙) + 요소 표
- 절차 사례 — 그림 4 원주율 추정(10,000점 · 7,838점 · π̂ 3.1352 · 95% 구간)
- 오차 특성 — 그림 5 오차 그래프(SE = s ÷ √n · 기울기 −1/2 · 4배 표본 = 절반 오차 · 차원 무관)
- 비교 — 라스베이거스 · 구적법 · 준몬테카를로 비교표 5행(답의 보장 · 실행 시간 · 오차 수렴)
- 활용 · 한계 — 밀러-라빈(1,024비트 소수 4회 · 오류 확률 2^−100 · FIPS 186-5 표 B.1) · 느린 수렴 → 분산 감소 · QMC
꼭 쓸 키워드
난수 표본기댓값큰 수의 법칙표준 오차O(n^−1/2)신뢰구간시드의사 난수라스베이거스 알고리즘분산 감소
9오해와 사실
- 오해몬테카를로 결과는 표본을 충분히 늘리면 항상 참값에 다가간다.사실표본 수는 분산만 줄이므로, 분포 · 모형이 틀리거나 시드를 겹쳐 쓴 편향은 n 을 늘려도 그대로 남는다(NumPy parallel 의 시드 + 작업 번호 경고).
- 오해고차원 문제는 몬테카를로도 차원이 늘수록 급격히 느려진다.사실오차 σ ÷ √n 에는 차원 d 가 들어 있지 않고, 차원이 늘수록 느려지는 쪽은 O(n^−4/d) 인 격자 구적법이다(Owen 2013 2.1절).
- 오해몬테카를로 판정은 틀릴 수 있어 암호 표준에 쓰지 않는다.사실FIPS 186-5 는 RSA 소수 생성에 밀러-라빈 판정을 쓰고, 1,024비트 소수는 4회 반복으로 오류 확률을 2^−100 이하로 낮춘다(부록 B.3 · 표 B.1).
10핵심 정리
| 구분 | 맡는 일 | 식 · 값 | 결정 요인 | 확인 방법 |
|---|---|---|---|---|
| 난수 생성기 | 균등 난수열 | 메르센 트위스터 · 주기 2^19937 − 1 | 시드 · 독립 스트림 | 시드 고정 재실행 |
| 표본 추출 | 분포에서 xᵢ 뽑기 | xᵢ 독립 · 같은 분포 | 확률 모형 | 답을 아는 문제로 시험 |
| 함수 평가 | f(xᵢ) · 모의 실험 1회 | f = 1(x² + y² ≤ 1) 등 | 문제 정의 | 표본 몇 개 손계산 |
| 추정량 | 기댓값 근사 | μ̂ = Σf ÷ n | 표본 수 n | 시드별 μ̂ 비교 |
| 표준 오차 | 흔들림 크기 | SE = s ÷ √n · 95% ± 1.96 SE | 분산 · n | 구간이 참값을 품는 비율 |
| 정지 규칙 | 반복 종료 | n ≥ (1.96 s ÷ ε)² | 목표 오차 ε | SE ≤ ε |
| 편향 | 줄지 않는 오차 | n 과 무관 | 모형 · 난수 품질 | 오차 > 3 SE 반복 |
11참고 문헌
- 먼저 볼 문헌
- ★ The Monte Carlo Method (N. Metropolis · S. Ulam · Journal of the American Statistical Association 44(247) 335-341) — 방법의 이름이 처음 붙은 발표를 볼 때
- ★ Stan Ulam, John von Neumann, and the Monte Carlo Method (R. Eckhardt · Los Alamos Science 15 131-141) — 1946 · 1947 년 방법이 생긴 경위를 볼 때
- ★ Monte Carlo theory, methods and examples (A. B. Owen) — 표준 오차 · 신뢰구간 식과 차원별 수렴 속도를 볼 때
- ★ FIPS 186-5 Digital Signature Standard (DSS) — 밀러-라빈 판정의 반복 횟수와 오류 확률을 볼 때
- ★ random — Generate pseudo-random numbers (Python 3 documentation) — 시드 · 메르센 트위스터 주기 · 보안 용도 제한을 볼 때
- 본문 근거
- Parallel Random Number Generation (NumPy documentation) — NumPy Developers · 2026-11 ·
numpy.org/doc/stable/reference/random/parallel.html· 확인 2026-11-14