몬테카를로 시뮬레이션(Monte Carlo Simulation)
1. 개요
가. 정의
몬테카를로 시뮬레이션은 해석적으로 풀기 어려운 문제의 불확실한 입력 변수를 확률분포로 모델링하고, 그 분포에서 난수(Random Number) 표본을 대량으로 반복 추출해 모델을 수없이 실행한 뒤, 출력값의 분포·기댓값·확률을 통계적으로 추정하는 수치해석 기법이다. 핵심은 "정확한 공식 대신 무수히 많은 무작위 실험으로 답에 수렴한다"는 데 있으며, 수학적으로는 대수의 법칙(Law of Large Numbers)에 근거해 표본평균이 참값으로 수렴함을 보장받는다.
몬테카를로가 강력한 근본 이유는, 변수의 수가 많고 상호작용이 복잡해 닫힌 형태(closed-form)의 해가 존재하지 않는 문제조차도 "모델을 한 번 실행할 수만 있으면" 그 모델을 반복 실행하는 것만으로 답의 분포를 얻어낼 수 있다는 범용성에 있다. 결정론적 기법이 단일 대표값(평균·최빈값)만 내놓는 데 반해, 몬테카를로는 결과가 가질 수 있는 전 범위와 각 구간의 발생 확률(P10·P50·P90 등)을 제공하므로, 불확실성 자체를 의사결정의 대상으로 끌어올린다.
나. 등장 배경과 필요성
이 기법의 이름은 도박으로 유명한 모나코의 몬테카를로 카지노에서 따왔으며, 1940년대 후반 미국 로스앨러모스 연구소에서 스타니스와프 울람(Stanisław Ulam)과 존 폰 노이만(John von Neumann)이 핵반응 시 중성자가 물질 속을 무작위로 확산하는 과정을 계산하기 위해 고안했다. 중성자의 산란·흡수는 경로가 확률적으로 갈라져 미분방정식으로 직접 풀기가 사실상 불가능했는데, 울람은 "경로를 하나하나 난수로 흉내 내 수천 번 반복하면 평균적 거동을 알 수 있다"는 발상으로 돌파했다. 당시 막 등장한 전자식 컴퓨터 ENIAC이 이 반복 계산을 가능하게 한 결정적 동력이었다.
몬테카를로가 오늘날까지 필요한 이유는 현실의 거의 모든 중요한 의사결정이 불확실성 아래에서 이루어지기 때문이다. 프로젝트 일정은 각 활동 기간이 확정값이 아니라 범위를 갖고, 금융 포트폴리오의 손익은 수많은 자산 가격의 확률적 움직임에 좌우되며, 신제품 수익성은 수요·원가·환율이 모두 변동한다. 이런 문제를 단일 기대값 하나로 압축하면 "평균적으로는 목표를 달성하지만 30% 확률로 적자"라는 식의 꼬리 위험(tail risk)이 은폐된다. 몬테카를로는 불확실성을 분포로 그대로 반영해, 평균이 아니라 "목표를 지킬 확률이 얼마인가"라는 질문에 답한다는 점에서 필요성을 갖는다.
다. 주요 특징
첫째 특징은 분포 기반 산출이다. 몬테카를로는 결과를 하나의 숫자가 아니라 히스토그램·누적분포(CDF)로 제시하므로, 의사결정자는 "최악의 10% 시나리오", "목표 초과 확률" 같은 위험 지표를 직접 읽을 수 있다. 둘째는 모델 독립성·범용성이다. 대상 모델이 선형이든 비선형이든, 미분 가능하든 불연속이든 관계없이 "입력을 넣으면 출력이 나오는" 함수이기만 하면 적용되므로, 스프레드시트 수식부터 복잡한 시뮬레이터까지 폭넓게 쓸 수 있다.
여기서 유의할 점은, 몬테카를로가 쓰는 난수가 진짜 무작위가 아니라 결정론적 알고리즘이 만드는 의사난수라는 사실이 오히려 장점이 된다는 것이다. 시드(seed)를 고정하면 동일한 난수열이 재현되므로, 같은 입력·같은 시드로 돌리면 결과가 정확히 일치한다. 이 재현성은 모델 검증·감사·규제 대응에서 결정적이며, "무작위 실험"임에도 과학적 반복 검증이 가능하게 만드는 토대다.
셋째는 차원의 저주에 강하다는 점이다. 수치적분을 격자(grid)로 하면 변수가 d개일 때 계산량이 지수적으로 폭발하지만, 몬테카를로의 오차는 변수 개수와 무관하게 표본 수 N에만 의존(약 1/√N)하므로 고차원 문제에서 상대적으로 유리하다. 넷째는 구현의 단순성과 병렬성이다. 각 시행이 서로 독립이므로 수백만 번의 반복을 여러 CPU·GPU에 쪼개 동시에 실행하기 쉽다. 다만 이 모든 장점은 입력 확률분포와 상관관계를 올바르게 모델링했다는 전제 위에서만 성립하며, "쓰레기를 넣으면 쓰레기가 나온다(GIGO)"는 한계도 함께 인식해야 한다.
2. 전체 구조와 기본 원리
몬테카를로 시뮬레이션은 불확실한 입력을 확률분포로 정의하고, 그로부터 표본을 뽑아 모델에 통과시키는 과정을 수없이 반복한 뒤, 누적된 출력을 통계적으로 요약하는 구조로 이루어진다. 아래는 전체 구조도다.
flowchart TD
M["대상 모델 정의(출력 = f 입력)"] --> D["입력 변수의 확률분포 설정"]
D --> C["변수 간 상관관계 반영"]
C --> R["난수 생성(의사난수 PRNG)"]
R --> S["분포에 따른 표본 추출(역변환·Box-Muller)"]
S --> E["모델 1회 실행(시나리오 평가)"]
E --> L{"반복 횟수 N 도달?"}
L -- "아니오" --> R
L -- "예" --> A["출력 표본 집계(히스토그램·통계량)"]
A --> O["의사결정(확률·신뢰구간·VaR)"]
기본 원리의 수학적 뼈대는 대수의 법칙과 중심극한정리(CLT)다. 어떤 양의 기댓값 E[f(X)]를 구하고 싶을 때, 입력 X를 그 분포에서 N번 뽑아 f를 평가하고 산술평균을 내면, 이 표본평균은 N이 커질수록 참 기댓값으로 수렴한다. 나아가 중심극한정리에 의해 표본평균의 오차는 평균 0, 표준편차 σ/√N인 정규분포에 가까워지므로, 추정 오차는 대략 1/√N의 속도로 줄어든다. 이는 "정확도를 10배 높이려면 표본을 100배 늘려야 한다"는 몬테카를로 특유의 수렴 속도를 의미한다.
이 수렴 속도는 추정 결과에 신뢰구간을 붙일 수 있게 해준다는 점에서도 실무적으로 중요하다. N개의 표본평균을 냈을 때 그 표준편차(표본표준편차/√N)가 곧 추정의 표준오차이므로, "추정 평균 ± 1.96×표준오차"로 95% 신뢰구간을 구성할 수 있다. 즉 몬테카를로는 답뿐 아니라 "그 답이 얼마나 믿을 만한가"까지 스스로 보고하며, 이 표준오차가 목표치 아래로 떨어지면 반복을 멈추는 자동 종료의 근거가 된다. 이는 단순히 정해진 횟수를 돌리는 것보다 계산 자원을 합리적으로 배분하는 방법이다.
구성요소를 보면, 첫째 난수 생성기(PRNG)는 0~1 사이의 균등난수를 만드는 엔진으로, 실제로는 결정론적 알고리즘이 만드는 의사난수(pseudo-random)다. 메르센 트위스터(Mersenne Twister)나 PCG 계열이 널리 쓰이며, 주기가 길고 통계적 편향이 없어야 결과의 신뢰성이 보장된다. 둘째 표본 추출 변환은 균등난수를 원하는 분포(정규·삼각·베타·포아송 등)의 표본으로 바꾸는 단계로, 누적분포의 역함수를 쓰는 역변환 표집(Inverse Transform)이나 정규분포용 박스-뮐러(Box-Muller) 변환이 대표적이다. 셋째 모델 평가는 뽑힌 입력 조합 하나를 하나의 시나리오로 보고 출력을 계산하는 부분이며, 넷째 집계·해석은 N개의 출력을 모아 평균·분산·분위수·초과확률을 산출하는 단계다.
3. 실행 절차와 세부 아키텍처
실무에서 몬테카를로를 적용하는 절차는 아래 세부 흐름을 따른다. 특히 입력 모델링과 상관관계 반영이 결과 품질을 좌우하는 급소다.
flowchart LR
subgraph INPUT["입력 모델링"]
P1["변수 식별·범위 산정"] --> P2["분포 선택(삼각·PERT·정규)"]
P2 --> P3["상관계수·종속성 지정"]
end
subgraph ENGINE["시뮬레이션 엔진"]
Q1["표집 설계(단순·LHS·준난수)"] --> Q2["N회 반복 실행"]
Q2 --> Q3["수렴 모니터링(표준오차)"]
end
subgraph OUTPUT["결과 분석"]
T1["분포·CDF 작성"] --> T2["민감도 분석(토네이도)"]
T2 --> T3["의사결정 지표 도출"]
end
INPUT --> ENGINE --> OUTPUT
A. 모델과 입력 변수 정의 단계에서는 먼저 "무엇을 알고 싶은가"라는 출력(예: 프로젝트 총공기, 순현재가치)을 정하고, 그것을 결정하는 입력 변수를 식별한다. 각 변수에 대해 과거 데이터·전문가 추정으로 범위를 잡고, 적절한 확률분포를 배정한다. 프로젝트 기간처럼 최소·최빈·최대 3점만 추정할 수 있는 경우 삼각분포나 PERT(베타) 분포를, 측정 오차처럼 평균 주변에 대칭으로 퍼지는 경우 정규분포를, 사건 발생 횟수에는 포아송 분포를 쓰는 식으로 변수의 물리적 성격에 맞춘다. 이 분포 선택이 잘못되면 이후 모든 계산이 체계적 편향을 갖게 되므로 가장 신중해야 할 단계다.
입력 분포 선택은 변수의 성격과 가용 정보에 따라 체계적으로 결정한다. 아래는 실무에서 자주 쓰는 분포와 그 선택 기준이다.
| 분포 | 적합한 상황 | 대표 적용 예 |
|---|---|---|
| 삼각분포(Triangular) | 최소·최빈·최대만 아는 경우 | 활동 기간·원가의 전문가 3점 추정 |
| PERT(베타) 분포 | 최빈값에 가중을 더 주고 싶은 3점 추정 | 프로젝트 일정 리스크(삼각보다 완만) |
| 정규분포(Normal) | 평균 주변 대칭·오차 누적 | 측정 오차·공차 합성 |
| 균등분포(Uniform) | 범위만 알고 선호가 없을 때 | 초기 민감도 탐색·무정보 사전분포 |
| 포아송·지수분포 | 사건 발생 횟수·대기시간 | 장애 발생·고객 도착 모델링 |
삼각분포와 PERT 분포의 차이는 실무적으로 중요하다. 둘 다 최소·최빈·최대 3점으로 정의되지만, 삼각분포는 세 점을 직선으로 이어 최빈값에서 꺾인 삼각형을 이루는 반면, PERT(수정 베타)는 최빈값 주변에 확률을 더 집중시키고 양끝 꼬리를 완만하게 만든다. 전문가가 최빈값을 비교적 신뢰할 수 있는 프로젝트 일정 추정에서는 PERT가 더 현실적이라 널리 쓰이고, 정보가 희박해 양극단도 무시할 수 없을 때는 삼각분포가 보수적이다. 이처럼 "같은 3점 추정"이라도 어떤 분포를 입히느냐가 결과 분포의 폭과 꼬리 위험을 바꾸므로, 분포 선택의 근거를 답안에 명시하는 것이 기술사 수준의 서술이다.
B. 상관관계 반영 단계는 흔히 간과되지만 결정적이다. 현실의 변수는 서로 독립이 아니다. 예컨대 건설에서 인건비가 오르면 자재비도 함께 오르는 경향이 있는데, 이를 무시하고 독립으로 뽑으면 극단적 동반 상승·하락 시나리오가 사라져 위험을 과소평가하게 된다. 상관계수 행렬을 지정하고 콜레스키 분해(Cholesky decomposition) 등으로 상관된 난수를 생성하면, 변수들이 현실처럼 함께 움직이는 시나리오가 표본에 포함된다.
C. 표집 설계와 반복 실행 단계에서는 표집 방식을 정한다. 가장 단순한 단순 무작위 표집은 구현이 쉽지만 같은 정확도를 위해 많은 표본이 필요하다. 라틴 하이퍼큐브 표집(LHS, Latin Hypercube Sampling)은 각 변수의 분포 구간을 균등하게 분할해 전 구간을 고르게 덮으므로, 적은 표본으로도 분포를 잘 대표해 수렴이 빠르다. 이렇게 설계한 표집으로 수천~수백만 번 모델을 반복 실행하면서, 표본평균의 표준오차가 목표 이하로 떨어졌는지 모니터링해 반복 종료 시점을 정한다.
D. 결과 분석과 의사결정 단계에서는 누적된 출력으로 히스토그램·CDF를 그리고, P10/P50/P90 같은 분위수와 "목표 초과 확률"을 읽는다. 아울러 민감도 분석(토네이도 다이어그램)으로 어떤 입력 변수가 출력 분산에 가장 크게 기여하는지를 가려내, 위험 관리 자원을 집중할 대상을 정한다. 예를 들어 프로젝트 공기 분포에서 특정 활동의 불확실성이 전체 변동의 60%를 설명한다면, 그 활동의 추정 정밀화와 리스크 대응에 우선순위를 둔다.
4. 수렴성·정확도와 분산 감소 기법
몬테카를로의 치명적 약점은 느린 수렴 속도다. 오차가 1/√N로 줄기 때문에 높은 정확도를 얻으려면 표본 수가 기하급수적으로 늘어 계산 비용이 커진다. 이를 완화하기 위해 분산 감소(Variance Reduction) 기법이 발전했는데, 핵심 아이디어는 "표본 수 N을 늘리지 않고도 추정량의 분산을 줄여 같은 정확도를 더 적은 비용으로 달성한다"는 것이다. 각 기법은 서로 다른 원리로 분산을 줄이므로, 문제 성격에 맞춰 선택하거나 조합한다.
| 기법 | 원리 | 효과·적용 맥락 |
|---|---|---|
| 대조변량(Antithetic Variates) | 난수 u와 1−u를 짝으로 사용해 음의 상관을 유도 | 구현이 간단, 단조 함수에서 분산 대폭 감소 |
| 제어변량(Control Variates) | 참값을 아는 보조변수로 추정치를 보정 | 보조변수와 상관이 높을수록 효과 큼 |
| 중요도 표집(Importance Sampling) | 희귀 사건 영역을 집중 표집 후 가중 보정 | 꼬리 위험·희귀 고장 확률 추정에 필수 |
| 라틴 하이퍼큐브(LHS) | 구간 균등 분할로 전 영역을 고르게 덮음 | 적은 표본으로 분포 대표성 확보 |
| 준난수(Quasi-MC, Sobol) | 저불일치 수열로 공간을 규칙적으로 채움 | 오차 ~1/N에 근접, 저차원에서 특히 유리 |
특히 중요도 표집은 희귀 사건 추정에서 그 가치가 극명하다. 예를 들어 어떤 시스템이 고장 날 확률이 0.001이라면, 단순 표집으로는 평균 1,000번에 한 번만 고장 사례가 나오므로 안정적 추정에 수백만 표본이 필요하다. 중요도 표집은 분포를 고장이 잘 나는 영역으로 의도적으로 치우쳐 표집한 뒤 그 치우침을 가중치로 되돌려 보정함으로써, 적은 표본으로도 희귀 확률을 정밀하게 추정한다. 금융의 꼬리 위험(VaR·CVaR)이나 원자력·항공의 신뢰성 평가에서 사실상 표준으로 쓰인다.
한편 준몬테카를로(QMC)는 의사난수 대신 소볼(Sobol)·할튼(Halton) 같은 저불일치 수열(low-discrepancy sequence)을 써서 표본점이 공간에 뭉치거나 비는 일 없이 규칙적으로 퍼지게 한다. 이 경우 오차가 1/√N이 아니라 약 1/N에 가깝게 빨라져, 저차원(수십 변수 이하) 문제에서는 동일 정확도를 훨씬 적은 표본으로 달성한다. 다만 차원이 매우 높아지면 이점이 줄어들어, 문제의 유효 차원에 따라 표준 몬테카를로와 선택적으로 병용한다.
5. 적용 분야 비교와 사례
몬테카를로는 결정론적·해석적 기법이 다루지 못하는 불확실성 영역을 메우므로, 여러 산업에서 서로 다른 목적으로 활용된다. 아래 표는 대표 적용 분야와 그 차이를 비교한 것이다.
| 분야 | 모델링 대상 | 산출물 | 대안 기법과의 차이 |
|---|---|---|---|
| 프로젝트 관리 | 활동 기간·원가의 불확실성 | 완료일·예산 초과 확률(P80 등) | 단일값 PERT보다 꼬리 위험 가시화 |
| 금융·투자 | 자산 가격의 확률적 경로 | VaR·옵션 가격·포트폴리오 손익분포 | 블랙-숄즈가 못 푸는 경로의존 옵션 평가 |
| 공학·신뢰성 | 부품 고장·공차 누적 | 시스템 고장확률·수율 | 해석적 신뢰도식 불가능한 복합 구조 대응 |
| AI·통계 | 사후분포 추정(베이지안) | 파라미터 분포·적분 근사(MCMC) | 고차원 적분을 표집으로 근사 |
프로젝트 일정 리스크 사례를 구체화하면, PERT가 주공정의 기대기간과 분산만 공식으로 계산하는 반면, 몬테카를로는 모든 활동 기간을 삼각분포로 두고 1만 회 시뮬레이션을 돌려 완료일 전체 분포를 얻는다. 이때 흔히 드러나는 현상이 경로 수렴(path convergence)에 의한 일정 편향이다. PERT는 명목상 주공정 하나만 보지만, 실제로는 여러 준주공정이 번갈아 지연되며 합류 지점에서 "가장 늦은 경로"가 선택되기 때문에, 몬테카를로로 본 평균 완료일이 PERT 기대값보다 구조적으로 늦게 나온다. 그래서 발주처는 "P50 180일, P80 205일"처럼 목표 신뢰수준에 맞춰 일정 버퍼(contingency)를 정량적으로 책정한다.
공학·신뢰성 사례로는 반도체 공정에서 수십 개 공차가 누적될 때 최종 수율을 해석식으로 구하기 어려우므로, 각 공차를 분포로 두고 몬테카를로로 수만 개 가상 소자를 생성해 규격을 벗어나는 불량률을 추정한다. 설계자는 이 분포를 보고 어느 공정의 산포를 줄여야 수율이 가장 크게 오르는지를 민감도로 판별해, 비용 대비 효과가 큰 공정에 관리 자원을 집중한다. 이는 공차 분석(tolerance analysis)과 식스시그마 품질 설계의 핵심 도구로 자리잡았다.
금융 사례로는 은행이 일일 VaR(Value at Risk)를 산출할 때 수천 개 리스크 요인의 상관된 변동을 몬테카를로로 모의해 "99% 신뢰수준에서 하루 최대 예상 손실"을 추정한다. 2008년 금융위기 이후 바젤 규제가 꼬리 위험을 중시하면서, 평균 근처만 보는 기법보다 분포 전체를 다루는 몬테카를로·CVaR(Expected Shortfall)의 비중이 커졌다. AI 사례로는 베이지안 추론에서 사후분포를 직접 적분할 수 없을 때 마르코프 체인 몬테카를로(MCMC)로 표본을 뽑아 분포를 근사하며, 이는 확률적 프로그래밍·불확실성 정량화의 핵심 엔진이다.
6. 심화 — 최신 동향과 발전 방향
최근 몬테카를로는 세 방향으로 빠르게 진화하고 있다. 첫째는 하드웨어 가속을 통한 대규모 병렬화다. 각 시행이 독립이라는 성질 덕분에 GPU의 수천 개 코어에 시나리오를 분산하면 수백만~수십억 회 시뮬레이션을 실시간에 가깝게 수행할 수 있어, 과거 밤새 돌리던 금융 리스크 계산이 수분으로 단축되었다. 이에 맞춰 난수 생성기도 병렬 환경에서 상관되지 않은 스트림을 보장하는 Counter-based PRNG(예: Philox) 계열이 표준으로 자리잡고 있다.
둘째는 머신러닝과의 결합이다. 모델 한 번 실행이 매우 비싼 경우(복잡한 유한요소 해석 등) 수백만 번 반복이 불가능하므로, 소수의 실행 결과로 학습한 대리모델(surrogate model)·가우시안 프로세스를 몬테카를로 엔진에 끼워 넣어 계산량을 수십 배 줄인다. 또한 다단계 몬테카를로(Multilevel Monte Carlo, MLMC)는 정밀도가 다른 모델을 계층적으로 조합해, 거친 모델에서 대부분의 분산을 잡고 정밀 모델은 최소한만 돌려 비용 대비 정확도를 크게 개선한다. 셋째로, 의사결정·게임 AI에서는 몬테카를로 트리 탐색(MCTS)이 알파고의 핵심 알고리즘으로 쓰이며 무작위 시뮬레이션과 트리 탐색을 결합해 거대한 탐색 공간을 효율적으로 다룬다. 이처럼 몬테카를로는 단일 수치기법을 넘어 불확실성 정량화(UQ)·확률적 AI 전반을 떠받치는 기반 패러다임으로 확장되고 있다. 특히 디지털 트윈과 결합하면 물리 자산의 실시간 센서 데이터로 입력 분포를 지속 갱신하면서 미래 상태와 고장 확률을 상시 예측하는 "살아 있는 리스크 모델"로 진화하는데, 이는 예지정비·스마트 제조에서 주목받는 적용 방향이다.
7. 고려사항 및 시사점
기술사 관점에서 몬테카를로 도입을 검토할 때는 다음을 균형 있게 고려해야 한다.
첫째, 입력 분포의 타당성이 결과 신뢰도를 전적으로 좌우한다(GIGO). 아무리 많은 표본을 돌려도 입력 분포와 상관관계가 현실과 다르면 정교하게 틀린 답을 얻을 뿐이다. 따라서 과거 데이터·전문가 추정의 근거를 명시하고, 분포 가정에 대한 민감도 분석을 병행해 결과의 강건성을 확인해야 한다. 특히 변수 간 상관을 무시하면 위험이 체계적으로 과소평가되므로, 상관 모델링을 반드시 검토한다.
둘째, 정확도와 계산 비용의 트레이드오프를 설계해야 한다. 1/√N 수렴 때문에 무턱대고 표본을 늘리면 비용이 폭증하므로, 라틴 하이퍼큐브·준난수·분산 감소 기법으로 효율을 높이고, 표준오차 기반의 수렴 판정으로 "충분히 정확해진 시점"에 멈추는 자동 종료 전략을 갖춘다. 목표 정밀도를 먼저 정하고 그에 맞는 표집 설계를 역으로 산정하는 것이 바람직하다.
셋째, 결과의 해석과 커뮤니케이션 역량이 중요하다. 몬테카를로의 가치는 분포를 생산하는 데 있는 것이 아니라, 그 분포를 "목표 달성 확률 80%", "P90 예산"처럼 의사결정자가 행동으로 옮길 수 있는 지표로 번역하는 데 있다. 분포·토네이도 차트를 과신하지 않도록 가정과 한계를 함께 전달해, 숫자가 주는 거짓 정밀감(false precision)을 경계해야 한다.
넷째, 연계 기술과 거버넌스를 함께 설계한다. 몬테카를로는 PERT/CPM(일정), EVM(원가), 리스크 관리(ISO 31000), 베이지안 추론, 디지털 트윈과 자연스럽게 결합된다. 특히 금융·원자력·항공처럼 규제가 강한 분야에서는 모델 가정·난수 시드·검증 절차를 문서화하고 재현 가능성을 보장하는 모델 리스크 관리·거버넌스가 필수다. 재현성을 위해 시드를 고정·기록하고, 모델 변경 이력과 검증 결과를 형상관리하는 체계를 갖추는 것이 기술사 수준의 운영 요건이다. 결국 몬테카를로의 성패는 알고리즘 자체보다 입력 모델링의 질, 수렴 설계, 그리고 분포를 행동 가능한 의사결정으로 번역하는 거버넌스에 달려 있음을 유념해야 한다.
참고자료
- Monte Carlo method — https://en.wikipedia.org/wiki/Monte_Carlo_method
- Latin hypercube sampling — https://en.wikipedia.org/wiki/Latin_hypercube_sampling
- Variance reduction — https://en.wikipedia.org/wiki/Variance_reduction
- Markov chain Monte Carlo — https://en.wikipedia.org/wiki/Markov_chain_Monte_Carlo
- Value at risk — https://en.wikipedia.org/wiki/Value_at_risk
한 줄 요약: 몬테카를로 시뮬레이션은 불확실한 입력을 확률분포로 모델링하고 난수 표본을 대량 반복 추출·평가해 출력의 분포와 확률을 추정하는 범용 수치기법으로, 대수의 법칙에 근거한 1/√N 수렴·분산 감소 기법·상관 모델링이 품질의 급소이며, 프로젝트 리스크·금융 VaR·신뢰성·베이지안 AI 전반에서 "평균이 아닌 확률"로 의사결정을 뒷받침한다.