무작위와 통계 입문

초록

본 텍스트는 컴퓨터 시뮬레이션에 필요한 확률·통계 기초를 실용적으로 소개한다. 이산·연속 확률변수, 의사난수 생성법(균등, 역변환, 거부, Box‑Mueller), 추정량·신뢰구간·히스토그램·Bootstrap, gnuplot·xmgrace를 이용한 시각화, 카이제곱·Kolmogorov‑Smirnov 검정, 독립성 검사, 최대우도 추정 및 데이터 피팅을 다룬다. 각 장마다 C 코드 예제와 실습 과제가 포함되어 있다.

상세 분석

이 논문은 전통적인 확률론의 정의에서 시작해 실용적인 컴퓨터 구현까지 일관된 흐름을 제공한다는 점에서 교육용 교재로서 높은 가치를 지닌다. 첫 장에서는 확률변수의 이산·연속 구분을 명확히 하고, 기대값·분산·공분산 등 기본 통계량을 수식적으로 정의함으로써 이후 절차의 수학적 기반을 마련한다. 특히 확률밀도함수와 누적분포함수의 관계를 강조하여, 이후 난수 생성 단계에서 역변환법을 적용할 때 직관적인 이해를 돕는다.

두 번째 장에서는 의사난수 생성기의 원리와 품질 평가 방법을 상세히 서술한다. 선형합동법(LFG)과 메르센 트위스터 등 현대적인 PRNG를 언급하면서도, 교육 목적상 간단한 선형동형법(LCG)을 구현 예제로 제시한다. 이산 난수는 누적분포함수(CDF) 테이블을 이용한 샘플링으로, 연속 난수는 균등 난수에 역변환법을 적용하거나, 목표 분포가 복잡할 경우 거부 샘플링(rejection)과 Box‑Mueller 변환을 통해 정규분포를 얻는 과정을 단계별 코드와 함께 설명한다. 이러한 방법론은 Monte‑Carlo 시뮬레이션에서 필수적인 난수 품질 관리와 직접 연결된다.

세 번째 장에서는 통계적 추정의 핵심 개념인 불편추정량, 최소분산 추정량, 그리고 신뢰구간의 구성 원리를 다룬다. 특히 부트스트랩(bootstrap) 재표본 추출을 통해 표본분포를 직접 시뮬레이션하는 방법을 강조함으로써, 복잡한 이론적 분포를 가정하지 않고도 실험적 불확실성을 정량화할 수 있음을 보여준다. 히스토그램의 적절한 구간 선택과 가중치 적용에 대한 실용적인 팁도 제공한다.

네 번째 장에서는 gnuplot과 xmgrace라는 두 개의 오픈소스 시각화 도구를 활용해 데이터 플로팅, 레이블링, 다중 플롯 구성 등을 실습한다. 이는 연구자가 결과를 직관적으로 전달하고, 시뮬레이션 파라미터와 출력 사이의 관계를 시각적으로 탐색하는 데 큰 도움이 된다.

다섯 번째 장은 가설 검정의 기본 원리를 다룬다. 카이제곱 적합도 검정은 관측 빈도와 기대 빈도 간의 차이를 정량화하고, 자유도와 p‑값을 통해 모델 적합성을 판단한다. Kolmogorov‑Smirnov 검정은 연속 분포의 누적함수 차이를 기반으로 비모수적 검정을 수행하며, 특히 작은 표본에서도 강건한 결과를 제공한다. 또한 두 변수 간의 통계적 독립성을 검정하기 위한 χ² 독립성 검정과 상관계수 기반 검정 방법을 제시한다.

마지막 장에서는 최대우도 추정(Maximum Likelihood Estimation, MLE)의 이론적 배경과 실제 구현 방법을 설명한다. 로그우도 함수를 최적화하는 과정에서 뉴턴‑라프슨, 경사하강법 등 수치적 최적화 기법을 적용하고, 추정된 파라미터에 대한 신뢰구간을 피셔 정보 행렬을 이용해 계산한다. 데이터 피팅 예제로 선형, 다항, 그리고 비선형 모델(예: 지수, 로그, 가우시안)을 다루며, 잔차 분석을 통해 모델 적합성을 평가한다.

전체적으로 이 교재는 이론과 실습을 균형 있게 배치하고, C 언어 예제와 단계별 연습문제를 통해 독자가 직접 코드를 작성하고 결과를 해석하도록 설계되었다. 따라서 컴퓨터 과학 전공자뿐 아니라 물리·공학·생명과학 분야에서 시뮬레이션 기반 데이터 분석을 수행하려는 연구자에게도 유용한 참고서가 될 것이다.