몬테카를로 방법

기원과 기본 원리

몬테카를로 방법은 1946년 로스앨러모스 연구소의 수학자 스타니스와프 울람이 병상에서 카드 게임 솔리테어의 성공 확률을 계산하다가 떠올린 아이디어에서 시작됐어요. 직접 계산하기 어렵다면 여러 번 해 보고 성공 비율을 세면 된다는 것이죠. 존 폰 노이만이 이를 중성자 확산 계산에 적용했고, 니컬러스 메트로폴리스가 울람 삼촌이 즐겨 찾던 카지노 이름을 따 ‘몬테카를로’라고 불렀어요. 메트로폴리스와 울람(1949)이 첫 논문을 냈어요. 원리를 보여 주는 고전적 예는 원주율 추정이에요. 한 변이 1인 정사각형에 점을 무작위로 찍어 사분원 안에 들어간 비율에 4를 곱하면 π에 가까워져요. 표본이 많아질수록 평균이 참값에 가까워지는 것은 대수의 법칙 덕분이에요.

정확도와 분산 감소

몬테카를로 추정의 오차는 중심극한정리에 따라 대략 표본 수의 제곱근에 반비례해 줄어들어요. 정확도를 10배 높이려면 표본이 100배 필요하다는 뜻이지만, 이 속도는 문제의 차원과 거의 무관해서 변수가 많은 고차원 적분에서는 격자 기반 수치해석보다 유리해요. 계산 효율을 높이기 위해 중요도 표집, 대조 변량, 층화 표집(통계 조사의 확률표집 기법과 같은 원리), 준몬테카를로 같은 분산 감소 기법이 쓰여요. 결과의 품질은 의사난수 생성기에도 달려 있어서, 마쓰모토와 니시무라(1998)의 메르센 트위스터 같은 생성기가 널리 쓰여요. 해머슬리와 핸즈컴(1964), 로버트와 카셀라(2004), 오웬(2013)이 대표적인 교과서예요.

응용 분야

메트로폴리스 등(1953)의 알고리즘과 헤이스팅스(1970)의 일반화는 마르코프 연쇄를 이용해 복잡한 분포에서 표본을 뽑는 MCMC로 발전했고, 겔판드와 스미스(1990) 이후 베이즈 통계의 표준 계산 도구가 됐어요. 에프런(1979)의 부트스트랩도 표본을 다시 뽑아 추정치의 불확실성을 평가하는 몬테카를로 방식이에요. 금융에서는 보일(1977)이 옵션 가격 계산에 도입했고, 위험 관리의 시나리오 분석에도 쓰여요. 물리학의 입자 수송과 통계역학, 컴퓨터 그래픽스의 경로 추적 렌더링에도 쓰여요. 인공지능에서는 코치시와 세페슈바리(2006)의 UCT 알고리즘에서 출발한 몬테카를로 트리 탐색이 실버 등(2016)의 알파고에 핵심적으로 쓰였어요. 이는 인공지능 탐색 알고리즘의 중요한 갈래예요.

자주 묻는 질문

몬테카를로 시뮬레이션은 항상 정확한가요?

아니에요. 결과는 확률적 근삿값이라 표본 수, 난수의 품질, 모형 가정에 따라 오차가 생겨요. 그래서 보통 신뢰구간이나 표준오차를 함께 제시해요.

몬테카를로 방법과 MCMC는 어떻게 다른가요?

일반적인 몬테카를로는 서로 독립인 표본을 직접 뽑는 반면, MCMC는 직접 뽑기 어려운 분포에서 마르코프 연쇄를 이용해 서로 의존하는 표본을 차례로 생성해요.

출처 검토일: 2026-10-26

참고문헌

1. Metropolis, N., & Ulam, S. (1949). The Monte Carlo method. Journal of the American Statistical Association, 44(247), 335–341.
2. Metropolis, N., Rosenbluth, A. W., Rosenbluth, M. N., Teller, A. H., & Teller, E. (1953). Equation of state calculations by fast computing machines. Journal of Chemical Physics, 21(6), 1087–1092.
3. Hastings, W. K. (1970). Monte Carlo sampling methods using Markov chains and their applications. Biometrika, 57(1), 97–109.
4. Eckhardt, R. (1987). Stan Ulam, John von Neumann, and the Monte Carlo method. Los Alamos Science, 15, 131–137.
5. Hammersley, J. M., & Handscomb, D. C. (1964). Monte Carlo Methods. London: Methuen.
6. Boyle, P. P. (1977). Options: A Monte Carlo approach. Journal of Financial Economics, 4(3), 323–338.
7. Efron, B. (1979). Bootstrap methods: Another look at the jackknife. Annals of Statistics, 7(1), 1–26.
8. Gelfand, A. E., & Smith, A. F. M. (1990). Sampling-based approaches to calculating marginal densities. Journal of the American Statistical Association, 85(410), 398–409.
9. Kocsis, L., & Szepesvári, C. (2006). Bandit based Monte-Carlo planning. In Machine Learning: ECML 2006 (pp. 282–293). Berlin: Springer.
10. Silver, D., et al. (2016). Mastering the game of Go with deep neural networks and tree search. Nature, 529(7587), 484–489.
11. Robert, C. P., & Casella, G. (2004). Monte Carlo Statistical Methods (2nd ed.). New York: Springer.
12. Owen, A. B. (2013). Monte Carlo Theory, Methods and Examples. Stanford, CA: Stanford University.
13. Matsumoto, M., & Nishimura, T. (1998). Mersenne twister: A 623-dimensionally equidistributed uniform pseudo-random number generator. ACM Transactions on Modeling and Computer Simulation, 8(1), 3–30.