넘스탯
LEARN · SIMULATE · VERIFY
확률부터 LLM까지, 원리부터 제대로 배우는 자기주도 학습 플랫폼
몬테카를로 실습
계산이 막히면 주사위를 던져라 — 무작위 표본으로 답을 근사하는 방법
이 실습의 질문 — 공식 없이 점만 뿌려서 π를 구할 수 있을까?
원하는 개념·랩·가이드를 검색해보세요
Ctrl K원자로 설계부터 챗GPT 학습까지 — '무작위로 던져보기'가 정식 수학이 된 이야기
1940년대 로스앨러모스의 물리학자들은 중성자가 물질을 통과하는 과정을 수식으로 풀 수 없었습니다. 그래서 울람과 메트로폴리스는 발상을 뒤집었습니다 — 풀지 말고, 무작위로 수천 번 흉내 내서 비율을 세자. 카지노 도시의 이름을 붙인 이 방법은 오늘날 금융·물리·기계학습의 표준 도구가 되었습니다. 이 실습에서는 가장 오래된 예제인 “다트로 π 구하기”로 그 발상을 직접 체험합니다.
이 페이지에서 배우고 나면
- “안에 꽂힌 비율 = 넓이 비율”이라는 아이디어 하나로 π를 실제로 추정하고, 그 원리가 왜 작동하는지 설명할 수 있습니다.
- 몬테카를로 오차가 1/√n으로 줄어든다는 것 — 즉 정밀도 한 자릿수를 얻으려면 시행이 100배 필요하다는 것을 실측으로 확인할 수 있습니다.
- 도형을 하트로 바꿔도 절차가 그대로인 이유를 통해, 이 방법이 기계학습의 확률적 경사하강법·샘플링으로 이어지는 뿌리임을 이해합니다.
예측 먼저 — 실험 전에 답을 정해 보세요
예측 → 실험 → 확인
정답을 몰라도 괜찮습니다 — 먼저 예측을 정해야 시뮬레이션 결과가 기억에 남습니다. 예측을 고른 뒤 아래 시뮬레이션으로 직접 확인하고, 그다음 결과를 열어 보세요.
1. π 추정의 정밀도를 10배 올리려면(오차를 1/10로), 다트를 몇 배 더 던져야 할까요?
2. 다트 10만 개를 던지면 π 추정값은 어느 정도로 정확해질까요?
다트 점묘화 — 공식 없이 그리는 π
단위 정사각형에 무작위 다트를 뿌리면, “안에 꽂힌 비율”이 도형의 넓이가 됩니다 — π̂ = 4×(원 안 다트 ÷ 전체 다트).
던진 다트
0
원 안 다트
0
π̂ = 4×(안/전체)
—
|π − π̂|
—
다트판 — 단위 정사각형 + 내접 사분원
추정값의 수렴 — 다트가 쌓일수록 요동이 잦아듭니다
속도
도형
실측 요약 — 이 실습이 보여주는 것
단위 정사각형에 균등 난수 다트를 최대 10만 개 뿌려 "안에 꽂힌 비율 = 넓이 비율"이라는 원리 하나로 π(내접 사분원)와 하트 곡선의 넓이를 추정하는 실험입니다. 추정값의 수렴 곡선을 1/√n 오차 봉투와 겹쳐 보며 몬테카를로 방법의 힘과 값비싼 한계를 실측합니다.
- 실제 10만 개 시행 실측 예: π̂ = 4×(안/전체)의 오차가 n=100에서 0.178 → n=1,000에서 0.022 → n=100,000에서 0.0008로 줄었다. n=1,000을 200회 반복하면 |오차| 중앙값은 0.034 — 요동의 크기는 매번 다르다
- 이론 표준오차 4√(p(1−p)/n)(p = π/4)은 n=1,000에서 0.052, n=100,000에서 0.0052 — 오차를 1/10로 줄이려면 다트가 100배 필요하다는 1/√n 법칙 그대로, 10만 개를 던져도 3.14 다음 자리부터는 흔들린다
- 도형을 하트 곡선 (x²+y²−1)³ = x²y³로 바꿔도 절차는 동일하다 — 기준 넓이 비율 0.6061(곡선 넓이 3.662)은 난수가 아닌 결정적 수치 적분으로 계산한 값이고, 다트 비율은 이 기준선으로 수렴한다
바로잡는 오개념: "다트를 10배 던지면 10배 정확해진다"는 착각 — 오차는 1/√n으로 줄어 시행 10배는 오차를 약 1/3로만 줄인다. 몬테카를로는 정밀 계산기가 아니라 공식이 없을 때 비율로 근사하는 도구다.
AI 튜터에게 물어보기
베타
— 정답 대신 힌트로 유도합니다. 지금 화면의 실험 상태를 알고 답해요.
예: “방금 결과가 이론과 다른데 왜죠?”, “이 값을 올렸는데 왜 반대로 변하죠?”
직접 해보기 — 실습 과제
- 100개의 다트: 리셋 후 “+100개”를 한 번만 눌러 보세요. π̂이 3.14 근처인가요? 아마 아닐 겁니다. 리셋하고 다시 100개 — 매번 다른 값이 나오는 이 요동의 크기를 눈에 담아 두세요.
- 오차 봉투 검증: “1/√n 오차 봉투”와 “x축 로그”를 켜고 실행하세요. 파란 수렴 곡선이 좁아지는 봉투 안에서 감쇠합니다 — 가끔 봉투를 벗어나는 것도 정상입니다(±1 표준오차 안에 머무는 비율은 약 68%입니다).
- 정밀도의 가격표: |π − π̂|이 0.01 아래로 내려가는 데 다트가 몇 개 필요했나요? 그럼 0.001 아래로 내려가려면 10배가 필요할까요, 100배가 필요할까요 — MAX 속도로 10만 개를 채우고 확인하세요.
- 도형 교체 실험: 도형을 “하트 곡선”으로 바꾸고 같은 실험을 반복하세요. 적분 공식이 없어도 “안/밖 판정”만 있으면 어떤 넓이든 추정할 수 있습니다 — 추정값이 수치 적분 기준선으로 수렴하는지 지켜보세요.
- 점묘화 감상: 속도 1x로 바꾸고 다트가 한 개씩 꽂히는 것을 보세요. 어느 다트도 자기가 그림의 어디를 완성하는지 모르지만, 수천 개가 모이면 도형의 윤곽이 저절로 드러납니다.
개념 정리 — 몬테카를로 방법
- 몬테카를로 방법(Monte Carlo method): 구하려는 양(넓이·적분·기댓값)을 무작위 표본의 비율이나 평균으로 근사하는 계산 기법. 1949년 메트로폴리스와 울람이 핵물리 문제를 풀기 위해 정식화했습니다. 이 실습의 π 추정은 “원 안에 꽂힐 확률 = π/4”라는 큰 수의 법칙의 응용입니다.
- 오차의 규칙 1/√n: 추정치의 표준오차는 대략 c/√n — 시행을 100배 늘려야 오차가 1/10이 됩니다. 느려 보이지만 이 속도는 차원과 무관해서, 변수가 수백 개인 고차원 적분에서는 격자 방식이 무너져도 몬테카를로는 살아남습니다.
- 필요한 것은 판정 함수 하나: 사분원이든 하트 곡선이든 절차는 같습니다 — “이 점이 안인가?”에 답할 수만 있으면 됩니다. 공식적인 적분이 불가능한 영역에서도 작동하는 이유입니다.
- 기계학습으로 가는 다리: 전체 데이터 대신 무작위 표본(미니배치)으로 기울기를 근사하는 확률적 경사하강법(SGD), 복잡한 분포에서 표본을 뽑는 샘플링 기법 — 딥러닝의 확률적 방법들은 모두 “정확한 계산 대신 무작위 근사”라는 이 발상의 후손입니다.
- 다음 질문: 그런데 “비율이 결국 확률로 수렴한다”는 보장은 어디서 오는 걸까요? — 이 수렴의 정체가 큰 수의 법칙입니다.
더 깊이 학습하기
- Metropolis & Ulam (1949): “The Monte Carlo Method” (Journal of the American Statistical Association 44) — 방법의 최초 정식화
- Metropolis (1987): “The Beginning of the Monte Carlo Method” (Los Alamos Science) — 창시자가 직접 쓴 탄생 비화
- Robert & Casella (2004): “Monte Carlo Statistical Methods” (Springer) — 통계적 몬테카를로의 표준 교과서