확률과 통계 · 몬테카를로 방법

몬테카를로 방법

몬테카를로 방법은 무작위 표본을 뽑아 수를 추정합니다. 단위 정사각형에 N개의 점을 독립적으로 균일하게 뿌리면 한 영역에 들어가는 비율이 그 넓이를 추정하며, 표준오차는 1/√N에 비례합니다. 점을 뿌려 π의 추정값과 불확실성이 어떻게 변하는지 살펴보세요.

그림으로 보는 몬테카를로 방법

몬테카를로 방법은 무작위 추출로 고정된 수를 추정합니다. 여기서 그 수는 넓이입니다. 단위 정사각형에 균일하게 무작위로 뿌린 NN개 점 중 HH개가 영역에 들어가면, H/NH/N가 그 넓이 aa를 추정합니다. 사분원의 넓이는 π/4\pi/4이므로 4H/N4H/N로 π\pi를 추정합니다. y=e−x2y = e^{-x^2} 아래의 영역을 택하면 초등함수로 원시함수를 나타낼 수 없는 적분도 같은 방식으로 점을 세어 추정할 수 있습니다. 아래 그래프는 NN이 백만까지 커질 때의 추정값과, 실험을 반복할 때 약 95%의 추정값이 들어갈 범위를 보여 줍니다.

비율로 넓이를 추정할 수 있는 이유

넓이 1인 정사각형에서 균일하게 뽑은 점이 한 영역에 들어갈 확률은 그 영역의 넓이와 같습니다. 각 점은 같은 성공 확률을 가진 독립 시행입니다. 따라서 큰수의 법칙에 따라 명중 비율은 aa에 가까워집니다. 점이 안에 있는지 판별할 수 있다면 영역의 모양은 중요하지 않습니다.

얼마나 정확할까?

명중 수는 이항분포를 따르므로 명중 비율 H/NH/N의 표준편차는 a(1−a)/N\sqrt{a(1-a)/N}입니다. 전형적인 오차는 1/N1/\sqrt{N}에 비례해 줄어듭니다. 점을 열 배 늘리면 오차는 약 10≈3.16\sqrt{10} \approx 3.16으로 나눈 크기가 되므로, 오차를 10분의 1로 줄이려면 점이 약 백 배 필요합니다. 백만 점으로도 π의 불확실성은 약 ±0.003입니다. 이를 가늠할 때 실제 넓이를 알 필요는 없습니다. aa 대신 관측 비율 p^=H/N\hat p = H/N를 넣어 오차 한계 ±1.96p^(1−p^)/N\pm 1.96\sqrt{\hat p(1-\hat p)/N}을 구하면 근사적인 95% 신뢰구간을 만들 수 있습니다. 여기서는 명중과 빗나감이 각각 열 번 이상일 때 표시합니다. 같은 NN으로 실험을 여러 번 반복하면 구간 약 스무 개 중 하나는 참값을 놓칩니다. 아래 그래프의 파란 띠는 각각의 NN에서 참값 주위에 따로 그린 범위입니다. 한 경로 전체가 그 안에 머물 필요는 없고 점을 더 찍었을 때 오히려 참값에서 멀어질 수도 있습니다. 꾸준히 좁아지는 것은 오차의 범위입니다.

언제 유리할까?

매끄러운 일변수 함수에서는 같은 횟수로 함숫값을 계산할 때 심프슨 공식(수치 적분 참조) 같은 결정론적 방법이 훨씬 정확합니다. 몬테카를로 방법의 장점은 수렴률 1/N1/\sqrt{N}의 지수가 차원 수에 따라 달라지지 않는 것입니다. 반면 한 변에 mm개의 점이 있는 격자는 dd차원에서 mdm^d개의 점이 필요합니다. 그래서 고차원에서는 더 나은 선택이 될 수 있습니다. 목표가 작으면 약점이 드러납니다. 넓이에 대한 상대 표준오차는 (1−a)/(aN)\sqrt{(1-a)/(aN)}이므로 정사각형의 100분의 1을 차지하는 영역에서 같은 상대 정확도를 얻으려면 훨씬 많은 점이 필요합니다.

관찰할 점

  • 무작위 점은 일정한 간격으로 떨어지지 않습니다. 몇백 개 정도에서는 무리 지은 곳과 빈 곳이 보이는 것이 자연스럽습니다.
  • 점은 번호가 붙은 시드를 쓰는 의사난수 생성기로 만듭니다. 공유 링크는 같은 점을 재현합니다. 백만 점에 도달한 뒤 ‘점 뿌리기’를 누르면 다음 시드로 다시 시작합니다.

관련 항목