1 モンテカルロ法の概要
1.1 定義と基本的な考え方
モンテカルロ法は、確率モデルに基づく試行を多数回実行し、その結果から目的量を統計的に推定する手法群である。乱数（一般に乱数生成器が供給する乱数、またはそれに準ずる疑似乱数）を用いてサンプルを生成し、期待値や分布、確率などを経験的な平均や推定量によって近似する。
基本的な発想は、解析的な計算が困難な対象を「サンプルから推定可能な形」に写像し、試行回数を増やすことで誤差が縮小する性質（収束）を利用する点にある。したがって性能は、単に計算速度だけでなく、乱数の質、分散の大きさ、推定量の取り方、誤差評価の設計によって左右される。
1.2 代表的な用途
1.2.1 数値積分・期待値の推定
積分が高次元化した場合や、被積分関数が解析的に扱いにくい場合、モンテカルロ法は期待値計算に帰着させる形で用いられる。例えば、ある関数 \(f(x)\) の積分を確率変数の期待値として表せる状況では、サンプル点での関数評価を平均することで数値積分の近似が得られる。
この枠組みでは、積分対象そのものを直接数値積分として分割する代わりに、確率分布に従って点を打ち、平均で面積（期待値）を推定する。高次元では格子分割が爆発的に困難になりやすく、試行数で精度を管理できる点が利点となる。
1.2.2 確率分布のシミュレーション
確率分布の形そのものが複雑で、分布関数の陽な式を得にくい場合、モンテカルロ法はサンプル生成を通じて分布を描く。対象の確率過程や変数変換を通して実現値を発生させ、ヒストグラムやカーネル密度推定などにより密度や分布関数を近似する。
特に、合成・非線形変換・相関を含むモデルでは、解析による閉形式が得にくいことが多い。試行回数を増やすと経験分布が真の分布へ近づいていくため、推定誤差の評価と組み合わせることで実務上の意思決定に耐える形で分布情報を提供できる。
1.2.3 乱数を使う最適化・探索
モンテカルロ法は「最適化」にも関連して用いられる。単純な例としては、目的関数の期待値を推定し、その推定値に基づいて探索を行う枠組みがある。さらに、確率過程を導入して状態空間を探索し、最頻状態や良い領域を見つける流れも含まれる。
代表的には、確率的探索、近似的評価に基づく反復改善、あるいはサンプルを再利用して有望な候補へ探索を集中させる手法がある。ここで重要なのは、探索効率が分散や採択率（ある手法では）に依存し、評価のばらつきを小さく保つ工夫が効果を左右する点である。
1.3 他手法との位置づけ
1.3.1 数値解析との関係
モンテカルロ法は数値解析の一領域として扱われることが多い。通常の数値解析は、誤差の構造が比較的明確な離散化や直接計算に依存しやすい。一方でモンテカルロ法は、確率的サンプリングの誤差（統計誤差）を中心に扱うため、誤差評価の対象が「離散化誤差」だけでなく「推定誤差」にもまたがる。
また、高次元問題に対して格子法が不利になりやすいことから、サンプル数と次元による計算の伸び方を比較しながら、適した場面に使い分けられることが多い。解析的数値計算と組み合わせることでハイブリッドな手法（例えば近似モデルで評価し、モンテカルロで補正する）も見られる。
1.3.2 厳密解との比較
厳密解が得られる問題では、モンテカルロ法の推定値と真値との差を通じて誤差挙動を確認できる。一般に、試行回数を増やしたときの誤差の縮み方は、中心極限定理などにより統計的に予測可能である。
ただし、厳密解が存在しても計算が難しい場合、モンテカルロ法は別の基準（既知の部分構造、対照実験、より高精度の数値解）と比較する形で妥当性が検証される。重要なのは、平均的に近づくことに加えて、ばらつきの評価（信頼区間、標準誤差）を含めて比較することである。
2 数学的基礎
2.1 確率変数と期待値
2.1.1 大数の法則と経験平均
モンテカルロ法が成立する根拠の一つは、大数の法則にある。確率変数 \(X\) に対し、独立同分布の標本 \(X_1,\dots,X_n\) を用いて経験平均 \[ \hat{\mu}=\frac{1}{n}\sum_{i=1}^{n}X_i \] を計算すると、標本数 \(n\) を増やすにつれて \(\hat{\mu}\) は真の期待値 \( \mu = \mathbb{E}[X]\) に収束する。
実務では、経験平均が目的量（期待値や積分に等価な量）の推定値として採用されるため、試行回数に応じて推定値が安定していく挙動を期待できる。収束の速さやばらつきは分散に依存するため、次の枠組み（分散と標準誤差）が重要になる。
2.1.2 中心極限定理と誤差の見積り
さらに、中心極限定理により、十分大きい \(n\) では標本平均の分布が近似的に正規分布で記述される。これにより、標準誤差（標本平均の典型的な揺らぎ） \[ \text{SE}=\frac{\sigma}{\sqrt{n}} \] のような形で誤差の大きさを見積もれる。ここで \(\sigma^2\) は \(X\) の分散である。
結果として、推定値そのものだけでなく、統計的な確からしさを表す区間（信頼区間）を構成できる。実装上は真の分散は未知であることが多いため、標本分散などの推定値を代用して誤差幅を求める。
2.2 分散と誤差（標準誤差）
2.2.1 推定量の分散
モンテカルロ誤差の中心は、推定量の分散（または標準誤差）である。一般に、推定量はサンプルから計算される関数として定義されるため、分散の大きさは「どのような量を」「どんな確率分布から」「どう重み付けして」推定しているかに依存する。
特に、同じ試行回数でも分散が大きい設定では誤差が縮みにくい。したがって、分散低減は精度と効率の両方に直結し、重要度に応じたサンプリング設計や変量の選び方が効果を持つ。
2.2.2 区間推定の考え方
区間推定では、推定量が真値をどれほどの確率で包含するかを目標にする。中心極限定理が適用できる領域では、推定量が正規近似に従うとして信頼区間を構成する方法が用いられる。典型的には標本平均に対し、推定標準誤差から区間幅を決める。
実務では、分布が強く歪む場合や裾が重い場合には単純な正規近似が不十分になることがある。そのときはブートストラップやロバストな区間推定など、分布形状を考慮した誤差評価が選択される。いずれにせよ、目標は「推定の信頼性を、数値として提示する」ことである。
2.3 収束の概念
2.3.1 一様収束と実務的な評価
収束には複数の意味があり、どの量がどの程度の一様性で収束するかが重要になる。理論上は、点ごとの収束だけでなく、一様収束に関する条件が議論されることがある。これは、推定対象のパラメータ集合全体で誤差の制御を行う必要がある場合に関係する。
一方で実務では、特定の入力点や関心領域に対して推定精度を管理することが多い。そのため「どの条件で一様に正しいとみなせるか」を厳密に示す代わりに、サンプル数の増加に対する安定性、推定誤差の推移、検証用の独立試行に基づくチェックが行われる。
2.3.2 試行回数による精度変化
誤差の代表的な目安として、標本平均の標準誤差が \(1/\sqrt{n}\) のオーダーで減少するという見通しがある。これは多くの設定で経験的にも観測され、試行回数を倍増させると誤差幅が約 \(\sqrt{2}\) 分の 1 程度に縮むという感覚を与える。
ただし、推定量の分散がどのように変化するか、また重要度サンプリング等の重みが極端になると実効的な試行回数が減ることがある。したがって「試行回数だけで機械的に精度が改善する」と捉えるのではなく、設計要因を含めて精度変化を監視する必要がある。
3 実装の基本
3.1 乱数生成と擬似乱数
モンテカルロ法では、サンプルを生み出すための乱数が不可欠である。実際には乱数生成器が有限状態のアルゴリズムにより動くため、理想的な独立・同分布からのズレが発生しうる。擬似乱数は、その性質が推定精度に影響しないよう品質が検討される。
品質評価の観点には、周期性、相関構造、分布への偏り、再現性などが含まれる。特定のアプリケーションでは、乱数の選択が分散や極端値の出現頻度に影響し、結果の信頼性を左右するため、目的に応じた検証が行われる。
3.2 シミュレーション設計
3.2.1 手順の標準化（モデル化→生成→集計）
モンテカルロの実装は、モデル化、乱数に基づく生成、集計という流れに整理できる。まず、物理・統計・意思決定の対象を確率モデルとして記述し、変数や関係式を定める。次に、そのモデルに従って乱数から状態や観測を生成する。最後に、目的量を推定するための集計（平均、分位点推定、指標のカウント等）を行う。
手順を固定しておくことで、実験条件の変更がどこに波及するかが明確になり、再現性の向上にもつながる。また、同じ集計ロジックに対して生成部分を差し替えることで、比較実験（分散低減手法の差など）も行いやすい。
3.2.2 パラメータ設定と初期条件
モデルにはパラメータと初期条件がある。推定対象が期待値や分布である場合でも、入力パラメータの不確実性が結果へ与える影響は大きい。したがって、パラメータの出所（実測、推定、仮定）とその扱いを明確にし、感度分析のための運用設計を行うことが望ましい。
また、初期条件が動的システムに影響する場合、十分な過渡の捨て方やサンプルの取り方（独立化の工夫）が必要になる。設計段階で「いつ・どのサンプルを使うか」を決めておくことが、推定誤差の妥当性に直結する。
3.3 推定量の計算
3.3.1 期待値推定
期待値推定では、サンプル \(X_1,\dots,X_n\) に基づき平均を計算するのが基本形である。対象の期待値が数値積分に対応するなら、各サンプルで被積分関数を評価して平均する。計算は比較的単純だが、被積分関数の変動が大きいと分散も大きくなり、収束が遅れる。
そのため、関数変換や基準化、あるいは分散低減の補助的な変数選択などが検討される。期待値推定では、分散の推定と標準誤差の算出がセットで行われるのが一般的である。
3.3.2 確率（イベント）推定
確率の推定は、イベントが起きるか否かを指標変数で表すことで実現できる。例えばイベントを \(A\) とし、指標 \(I_i=1\)（\(i\) 回目で \(A\) が成立）または \(0\)（不成立）とすれば、確率は経験頻度として推定される。
この推定では、イベントが稀であると推定誤差が大きくなりやすい。結果として、効率の改善には重要度サンプリングや層化抽出などの分布設計が有効になる場合がある。さらに、推定した確率を区間として報告する際には、二項的性質を踏まえた区間構成が検討されることがある。
3.4 プログラム上の注意
3.4.1 浮動小数点誤差
実装では浮動小数点計算に起因する丸め誤差が無視できないことがある。特に、加算の順序、極端な値の発生、分散推定の計算方法（差の二乗など）が数値安定性に影響する。
対策としては、安定な集計法（補償和など）、オーバーフローやアンダーフローの監視、ログ領域での計算などが挙げられる。また、重み付けを伴う推定では重みの大小が極端になり、精度が崩れることがあるため、実装段階で診断指標を設けることが望ましい。
3.4.2 再現性（シード管理）
モンテカルロでは乱数の生成器に基づくため、同じ条件で同じ結果が再現されることが重要になる場合がある。再現性のためには乱数のシードを明確に管理し、バージョンや実行環境の差異も記録する必要がある。
同一シードでの結果一致だけでなく、並列実行時の乱数列分割方法も統制することがある。例えば、独立性の確保のために乱数系列を分割する場合、分割規則が結果の統計的性質に影響しうる。したがって、実験の記録体系（入力、シード、乱数生成器の仕様、実装版）を整備することが実務上不可欠である。
4 効率と精度を高める工夫
4.1 分散低減の考え方
モンテカルロの精度を左右する主要因は分散である。単純な増分（試行回数の増加）だけでは計算コストが増えるため、同じ計算予算の下で分散を小さくする工夫が重要となる。分散低減の発想は、推定量の揺らぎを抑えるようにサンプル生成や変量の使い方を調整する点にある。
手法は多様だが、共通するのは「真の期待値を保ちつつ、重みの分布やサンプルの偏り方を賢く設計する」ことである。無闇に偏らせると分散が増えることもあるため、導出される推定量の統計的性質を理解した上で採用する必要がある。
4.2 代表的な分散低減手法
4.2.1 アンチテティック変数法
アンチテティック変数法は、乱数から得られるサンプルの組を互いに反対向きに作り、結果として推定量の揺らぎを抑える考え方である。典型的には、一つの乱数値から生成した量に対し、対応する補数的な乱数（例： \(u\) と \(1-u\) のような関係）で生成した値を組み合わせる。
この方法は、推定量に対して負の相関が生じるように設計できる場合に効果がある。一般に実装負荷が小さく、導入しやすい分散低減手法として位置づけられることが多い。
4.2.2 制御変数法
制御変数法は、期待値が既知または容易に推定できる補助量を用いて推定量の分散を下げる手法である。推定したい量に対し、相関を持つ補助変数を差し引くことで、共通して揺れる成分を相殺する。
実務では、相関の強さが効果を左右する。補助変数が目的量と適度に連動しているほど、調整により分散低減が達成されやすい。調整係数の選択は、理論的には最適化できるが、実装では推定した統計から決める設計が採用されることもある。
4.2.3 層化抽出法
層化抽出法は、サンプリング空間をいくつかの部分（層）に分け、それぞれの層からサンプルを採取する方式である。層内ではより均質なサンプルが得られるように設計し、層間の重み（各層の確率）を反映して推定を行う。
イベントが偏っている場合や、関心のある領域が部分空間に集中している場合に有効になりやすい。層の分割基準や配分（各層に割り当てるサンプル数）が効率に直結するため、予備実験に基づく調整が行われることがある。
4.2.4 重要度サンプリング
重要度サンプリングは、分布を変えてサンプルを生成し、重み付けによって期待値を補正する手法である。目的は、確率的に稀な寄与（裾やレアイベント）をより多くサンプルし、推定量の分散を縮めることにある。
設計の要は、理想的には寄与が大きい領域でサンプリング密度が相応になるように提案分布を選ぶことだが、過度なミスマッチは重みのばらつきを増やし逆効果になる。したがって、重みの安定性や有効サンプル数の指標を用いて検証しながら導入するのが一般的である。
4.3 サンプリング設計の最適化
4.3.1 重要度分布の選び方
重要度サンプリングでは提案分布の選択が成否を決める。理想的には、目的量への寄与が大きい箇所でサンプルが増えるように調整されるべきである。実際には解析的に最適分布が得られない場合が多いため、目的関数の形状、既存の知識、過去の試行結果に基づいて近似的に設計する。
選択の評価基準には、重みのばらつきの大きさ、推定量の分散見積り、そして極端値の出現頻度が含まれる。提案分布が良い場合には少ない試行数でも安定した推定が得られ、悪い場合には重みが支配して精度が劣化する。
4.3.2 層化の設計指針
層化の設計では、層内の分散を小さくしつつ、全体の重み付けによる推定の安定性を確保することが目標になる。分割基準はしばしば事前知識や初期データに依存し、関心領域を細かく切り、値の変動が大きい領域により多くのサンプルを割り当てる方針が採用されることがある。
また、層を増やしすぎると各層のサンプル数が少なくなり、推定誤差が別の形で増えることがある。したがって、層数とサンプル配分を同時に検討し、推定誤差と計算コストのバランスを取る設計が求められる。
4.4 モンテカルロ誤差の評価と検証
4.4.1 反復試行と安定性チェック
モンテカルロの検証では、同一条件でも独立な試行（別シードなど）を複数回行い、推定結果のばらつきを観察することが多い。推定値が試行ごとに大きく動く場合は、分散が大きいか、サンプル数が不足している可能性がある。
安定性チェックでは、推定値の推移（試行回数を増やしたときの変化量）と誤差指標（標準誤差、区間幅）の整合性を確認する。推定量が区間内で安定しているかを見れば、過度な楽観や誤った仮定の影響を減らせる。
4.4.2 収束判定の基準設定
収束判定は「いつ十分とみなすか」を定義する作業であり、事前に基準を置くことが望ましい。例えば、推定値の変化が許容誤差を下回ること、あるいは信頼区間の幅が目標値に収まることを条件とする。
基準設定では、目的量のスケール、要求される意思決定精度、計算資源の上限を考慮する必要がある。さらに、推定分布の形が歪んでいる場合には、単純な収束指標が不適切になることがあるため、区間推定の妥当性やロバストな診断と組み合わせて判断する。