넘스탯

DATA ANALYTICS & INSIGHTS

확률에서 LLM까지 – 데이터 사이언스 전문 교육 플랫폼

학습 메뉴

도움말

홈

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 K

확률과 통계 실습실로 확률과 통계 이론

원자로 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.

이 실습은 실제 계산입니다 — 그리고 정직한 한계가 있습니다

모든 다트는 브라우저에서 지금 생성되는 실제 난수이고, π̂은 그 실측 비율입니다. 결과를 보기 좋게 보정하지 않습니다. 함께 기억할 것:

다트 100개의 π̂이 3.0이나 3.4처럼 크게 빗나가는 어색한 결과도 그대로 보여드립니다 — 그 요동이 바로 교재입니다.
오차는 1/√n으로 느리게 줄어듭니다. 10만 개를 던져도 π는 소수점 두세 자리까지만 기대할 수 있습니다 — 몬테카를로는 정밀 계산기가 아니라 “공식이 없을 때의 최후 수단”입니다.
하트 곡선의 기준 넓이 비율은 난수가 아니라 결정적 수치 적분으로 계산한 값입니다 — 추정치가 수렴할 실제 목표만 기준선으로 표시합니다.
컴퓨터의 난수는 유사난수(PRNG)이지만, 이 실습의 규모에서는 통계적으로 균등 분포와 구분되지 않습니다.

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

1/√n 오차 봉투 (±1 표준오차)

x축 로그

무엇을 발견했나요?

다트 100개일 때의 π̂은 3.0이나 3.3처럼 크게 빗나가기도 합니다. 몇 개쯤부터 3.14가 안정적으로 보이기 시작하나요?
+10,000개를 누를 때마다 |π − π̂| 칩을 기록해 보세요 — 다트를 10배 던지면 오차가 1/10로 줄던가요, 아니면 약 1/√10로만 줄던가요?
도형을 하트로 바꿔도 절차는 한 글자도 바뀌지 않습니다. 이 방법이 진짜로 필요로 하는 것은 무엇 하나뿐일까요?

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.

다음: 확률·통계 트랙의 끝 — 기계학습 트랙의 시작

무작위 표본으로 계산을 대신한다는 발상은 기계학습 전체를 관통합니다. 확률·통계 실습실 밖의 다음 트랙, 기계학습 실습실에서 이 도구들이 실제 모델 학습에 어떻게 쓰이는지 이어서 체험해 보세요. 수렴의 근거가 궁금하다면 큰 수의 법칙 실습으로 돌아가도 좋습니다.

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