몬테카를로 방법과 R: 홀수 번호 연습문제 해설

** 본 해설서는 2009년 출판된 『Introducing Monte Carlo Methods with R』의 홀수 번호 연습문제에 대한 상세 풀이를 제공한다. 서문에서는 저자들이 제한된 시간과 인력으로 모든 내용을 포괄하기 어려움을 인정하고, 독자가 기본적인 수학·확률·통계 지식을 사전에 숙지할 것을 권고한다. 또한, 교재와 별도로 배포되는 두 버전(공개 버전과 강사 전용 버전)의 차이를 명시하고, 저작권 보호를 강조한다. 목차는 8개의 장으로 구성되며, 각 장마다 연습문제 번호와 페이지가 명시되어 있다. 1장 ‘Basic R programming’에서는 R의 기본 연산, 벡터와 행렬 처리, 함수 정의, 데이터 저장·로드 방법 등을 다룬다. 예를 들어, `1:n-1` 연산이 의도와 다르게 동작하는 이유를 설명하고, `seq()` 함수를 사용해 올바른 시퀀스를 생성하는 방법을 제시한다. 부트스트랩을 이용한 평균 추정과 이중 부트스트랩을 통한 신뢰구간 계산 예시가 포함되어 있다. 2장 ‘Random Variable Generation’에서는 역변환 방법을 이용한 난수 생성 이론을 증명하고, Uniform(0,1) 난수의 기대값·분산을 계산한다. 또한, 다중 Uniform 난수의 히스토그램을 통해 분포 특성을 시각화한다. 3장 ‘Monte Carlo Integration’에서는 적분을 확률적 추정으로 변환하는 기본 아이디어와, 표본 평균을 이용한 추정치의 수렴 속도를 실험적으로 확인한다. 행렬 곱셈을 반복하면서 발생하는 수치적 불안정성을 보여주어, 고차원 적분 시 정규화 필요성을 강조한다. 4장 ‘Controlling and Accelerating Convergence’에서는 제어변량, 중요도 샘플링, 벡터화 코딩 등 수렴 가속 기법을 소개한다. `system.time()`을 이용해 루프 기반 코드와 벡터화 코드의 실행 시간을 비교하고, 벡터화가 현저히 빠름을 입증한다. 5장 ‘Monte Carlo Optimization’에서는 부트스트랩을 활용한 분위수 추정과 이중 부트스트랩을 통한 신뢰구간 계산을 상세히 설명한다. 또한, 무작위 탐색과 확률적 경사 하강법을 비교하며, 비모수적 방법의 장점을 강조한다. 6장 ‘Metropolis‑Hastings Algorithms’에서는 메트로폴리스‑헤스팅스 알고리즘의 기본 구조와 수용‑거부 비율 조정 방법을 코드와 함께 제시한다. 로그 변환을 사용해 수치적 언더플로우를 방지하는 기법을 강조한다. 7장 ‘Gibbs Samplers’에서는 조건부 분포를 이용한 다변량 정규분포 샘플링 과정을 단계별로 구현한다. `rnorm()`과 행렬 연산을 결합해 조건부 평균·공분산을 계산하는 방법을 보여준다. 8장 ‘Convergence Monitoring for MCMC Algorithms’에서는 Gelman‑Rubin 진단, 효과적 샘플 크기(ESS) 계산, 트레이스 플롯 및 자동 상관 함수 시각화를 위한 `coda` 패키지 활용법을 설명한다. 전반적으로 저자들은 코드 가독성을 우선시해 최적화보다는 이해하기 쉬운 구현을 선택했으며, 각 장마다 실습 중심의 예시를 제공한다. 또한, 교재 초판에서 발견된 오타와 오류를 상세히 기록하고, 독자 피드백을 통해 지속적으로 개선하고자 하는 의지를 보인다. 이 해설서는 Monte Carlo 방법을 R로 구현하고자 하는 독자에게 실용적인 가이드와 함께, 이론적 배경을 강화하는 데 큰 도움이 된다. **