가이드 · 분석
시스템 엔지니어링의 Monte Carlo 시뮬레이션: 점 추정치에서 확률로
이 가이드 듣기(영어 오디오) 19분
시스템 엔지니어링의 Monte Carlo 시뮬레이션은 하나의 최선 추측을 결과의 분포로 바꿉니다. 이 가이드는 입력 분포 선택, 충분한 표본 실행, 백분위수와 요구사항 충족 확률 읽기, 상관관계, 흔한 실수를 다루며, 소형 지구 관측 위성의 촬영 패스로 실습합니다.
이 페이지의 내용
점 추정치가 오해를 부르는 이유
대부분의 공학적 추정치는 숫자 하나로 주어집니다. 통합 캠페인은 14주, 탑재체는 38 W, 지상국은 패스 하나를 45분 안에 처리한다는 식입니다. 각 숫자는 보통 최빈값이며, 최빈값을 더한 합계는 두 가지 이유로 그 값을 얼마나 자주 넘는지에 대해 아무것도 말해 주지 않습니다.
- 치우친 입력. 실제 작업 소요 시간이 대칭인 경우는 드뭅니다. 대개 6분 걸리는 작업은 4분에 끝날 수도 있지만, 무언가 잘못되면 9분이 걸릴 수도 있습니다. 이런 작업의 평균은 최빈값보다 높고, 평균의 합은 최빈값의 합보다 높습니다.
- 합류 편향. 병렬 경로가 합류하는 곳에서는 작업이 가장 느린 경로를 기다립니다. 불확실한 여러 경로의 최댓값의 기댓값은 기댓값들의 최댓값보다 큽니다. 어느 경로든 늦어지면 전체가 지연되기 때문입니다.
예산에도 같은 일이 일어납니다. 공칭값으로 만든 질량 예산이나 전력 예산은 여러 항목이 동시에 높게 나올 가능성을 숨기고, 공칭 소요 시간으로 만든 일정은 임계 경로가 길어질 가능성을 숨깁니다. 숫자 하나는 그 값이 유지될 가능성이 얼마나 되는지 말할 수 없습니다. 분포는 말할 수 있습니다.
Monte Carlo 시뮬레이션은 그 분포를 얻는 가장 간단한 방법입니다. 불확실한 각 입력을 확률 분포로 기술하고, 모든 입력에 대해 값 하나씩을 뽑아 결과를 계산하고, 이를 여러 번 반복합니다. 결과의 모음이 출력의 분포를 근사하며, 거기서 평균, 백분위수, 요구사항 충족 확률을 읽습니다. ISO/IEC/IEEE 15288의 용어로는 시스템 분석 프로세스의 도구이며, 그 결과는 흔히 요구사항 검증 매트릭스의 네 가지 방법 중 하나인 분석에 의한 검증의 증거가 됩니다.
분포로서의 불확실한 입력
분포는 입력에 대해 아는 것을 진술합니다. 가진 정보에 맞는 가장 단순한 분포를 고르십시오. 시스템 엔지니어링 작업의 대부분은 세 가지 형태로 충분합니다. 예는 아래에서 실습하는 위성 촬영 패스에서 가져왔습니다.
| 분포 | 매개변수 | 사용하는 경우 | 예 |
|---|---|---|---|
| 균등 | 최솟값과 최댓값 | 경계는 알지만 어느 값을 더 선호할 근거가 없을 때 | 영상 스트립 하나를 인코딩하고 저장하는 데 장면 내용에 따라 20~40초가 걸림 |
| 삼각 | 최솟값, 최빈값, 최댓값 | 전문가가 범위와 최빈값을 줄 수 있을 때. 흔히 긴 쪽으로 치우침 | 촬영 계획 전송에 4~9분, 대개 6분이 걸림 |
| 정규 | 평균과 표준편차 | 작고 독립적인 효과가 많이 더해지거나, 측정 데이터가 대칭적인 퍼짐을 보일 때 | 영상 산출물 처리에 평균 45분, 표준편차 10분이 걸림 |
- 균등 분포는 경계만 알 때 정직한 선택이지만, 양 끝에 가운데만큼 무게를 줍니다.
- 삼각 분포는 엔지니어에게 받는 3점 추정치에 흔히 쓰입니다. 평균은 (최솟값 + 최빈값 + 최댓값) / 3이므로, 긴 위쪽 꼬리는 평균을 최빈값 위로 끌어올립니다. 4, 6, 9분이면 평균은 6.33입니다.
- 정규 분포의 꼬리는 무한합니다. 소요 시간, 질량처럼 음수가 될 수 없는 양에는 표준편차를 평균에 비해 작게 유지하거나 하한이 있는 분포를 사용하십시오.
- 다른 형태에는 특정한 용도가 있습니다. 여러 인자의 곱인 양에는 로그정규, 무작위 사건 사이의 시간에는 지수, 고장 시간에는 와이블, 0과 1 사이의 비율에는 베타 분포를 씁니다.
불확실하지 않은 것은 고정하십시오. 모든 입력이 변하는 모델은 검토하기 어렵고, 결과를 좌우하는 소수의 입력을 숨깁니다.
많은 표본 실행
Monte Carlo 실행 한 번은 가능한 결과 하나입니다. 불확실한 모든 입력이 분포에서 무작위 값을 받고, 모든 결정이 그 확률에 따라 뽑히며, 모델은 그것이 실제 경우인 것처럼 결과를 계산합니다. 스터디는 이를 독립적인 추출로 수백 번 또는 수천 번 반복합니다. 실무 규칙은 두 가지입니다.
- 결과가 증거가 될 때는 난수 시드를 고정합니다. 같은 시드는 같은 실행을 재현하므로, 검토자가 스터디를 반복할 수 있고 어느 실행이든 다시 재생하여 그 안에서 무슨 일이 있었는지 볼 수 있습니다.
- 모델 로직은 모델 안에 둡니다. 확률이 있는 분기, 횟수가 있는 루프, 자원 한계는 설계와 어긋나는 별도의 스프레드시트가 아니라 시뮬레이션이 실행하는 같은 흐름에 있어야 합니다. 흐름은 보통 기능 분석의 운용 시나리오에 소요 시간을 더한 것입니다.
결과 읽기
스터디는 실행마다 하나씩 결과 목록을 만듭니다. 네 가지 방식으로 읽습니다.
- 히스토그램. 결과의 형태입니다. 대부분의 실행이 어디에 떨어지는지, 분포가 치우쳤는지, 꼬리가 얼마나 긴지 보여 줍니다.
- 평균과 표준편차. 유용한 요약이며, 평균에 대한 신뢰 구간은 실행을 추가할수록 좁아집니다. 평균만으로는 위험에 대해 아무것도 알 수 없습니다.
- 백분위수. P50은 중앙값으로, 실행의 절반이 그 아래에서 끝납니다. P90이나 P95는 약속 값으로, 90%나 95%의 경우에 맞추는 결과입니다. 일정과 예산은 흔히 평균이 아니라 P80이나 P90으로 약속합니다.
- 요구사항 충족 확률. 임계값, 예를 들어 "총 시간 최대 100분"을 충족하는 실행의 비율입니다. 누적 확률 곡선(S 곡선)에서 읽으며, 이 곡선은 모든 값 x에 대해 결과가 x 이하인 실행의 비율을 그립니다. 확률로 진술된 요구사항("최소 90%의 경우에")은 이 숫자에 대해 바로 확인합니다.
여유도 같은 방식으로 읽을 수 있습니다. 임계값과 평균의 차이는 평균적인 여유이고, 임계값과 P90 또는 P95 값의 차이는 약속하는 신뢰 수준에서 가진 여유입니다.
몇 번 실행해야 충분한가
Monte Carlo 결과 자체도 추정치이며, 그 정밀도는 실행 횟수의 제곱근에 비례하여 높아집니다. N번의 실행으로 추정한 확률 p의 표준 오차는 약 √(p(1 − p) / N)입니다. 0%나 100% 근처에서는 단순한 ±2 표준 오차 구간이 부정확하므로, 표에서는 0~100% 안에 머무는 Wilson 구간을 사용합니다.
| 실행 횟수(N) | 임계값을 충족하는 실행(p ≈ 97.6%) | 표준 오차 | 95% 구간 |
|---|---|---|---|
| 100 | 98 | 1.5퍼센트포인트 | 93.0%~99.4% |
| 200 | 195 | 1.1퍼센트포인트 | 94.3%~98.9% |
| 1,000 | 976 | 0.5퍼센트포인트 | 96.5%~98.4% |
| 2,000 | 1,951 | 0.3퍼센트포인트 | 96.8%~98.1% |
| 10,000 | 9,756 | 0.15퍼센트포인트 | 97.2%~97.8% |
실무적인 판단 기준은 이렇습니다. 결정의 근거가 되는 숫자의 신뢰 구간이 더 이상 결정선을 넘지 않으면 실행 횟수가 충분합니다. 아래 예제에서 요구사항은 90%를 요구하는데, 100번만 실행해도 구간이 90% 위에 머물므로 판정이 일찍 확정됩니다. 추정치가 91%이고 구간이 88%~94%였다면 더 많은 실행이 필요했을 것입니다. 평균은 빨리 안정되지만, 꼬리의 백분위수(P95, P99)와 작은 고장 확률은 그곳에 떨어지는 실행이 적기 때문에 훨씬 많은 실행이 필요합니다.
상관관계와 그 효과
모든 입력을 독립적으로 뽑는 것은 하향 전송이 길어도 이어지는 처리에 대해 아무것도 알려 주지 않는다고 가정하는 것입니다. 그 가정은 흔히 틀립니다. 데이터 양이 크면 둘 다 느려지고, 차가운 우주선은 여러 예열 단계를 늦추며, 무거운 구조에는 더 무거운 메커니즘이 필요합니다. 원인을 공유하는 입력은 상관되어 있습니다.
양의 상관관계는 합의 평균을 바꾸지 않지만 퍼짐을 넓힙니다. 높은 값끼리, 낮은 값끼리 함께 나와 서로 상쇄되지 않습니다. 꼬리가 바깥으로 이동하고, 약속의 근거가 되는 P90이나 P95 값도 함께 이동합니다. 따라서 실제로 있는 양의 상관관계를 무시하면 위험을 과소평가하게 됩니다.
다루는 방법은 다음과 같습니다.
- 공통 원인을 명시적으로 모델링합니다. 실행마다 데이터 양을 한 번 뽑고 두 소요 시간을 모두 거기서 도출합니다.
- 상관된 입력을 공유된 난수에서 뽑아, 실행마다 함께 움직이게 합니다.
- 최소한 스터디를 독립인 경우와 완전 상관인 경우로 한 번씩 실행하고 둘 다 보고합니다. 실제는 그 사이에 있습니다.
흔한 실수
| 실수 | 오해를 부르는 이유 | 대신 |
|---|---|---|
| 거짓 정밀도 | 추측한 입력 범위에서 "P(meet) = 97.56%"를 보고하면 입력에 없는 확실성을 암시함 | 입력이 뒷받침하는 만큼 반올림하고, 신뢰 구간을 제시하고, 범위가 어디서 왔는지 밝힘 |
| 실제로는 독립이 아닌 독립 입력 | 공유 원인이 무시되어 퍼짐이 너무 좁고 꼬리가 너무 짧음 | 공통 원인을 모델링하거나, 독립 스터디와 상관 스터디로 결과의 범위를 정함 |
| 꼬리 무시 | 평균만 보고하면 요구사항이 얼마나 자주 충족되지 않는지 숨겨짐 | P50과 P90 또는 P95, 그리고 각 임계값의 충족 확률을 보고함 |
| 치우친 양에 대칭 범위 사용 | 최빈값 주위의 정규 분포는 긴 위쪽 꼬리를 없앰 | 초과가 미달보다 클 때는 삼각 또는 로그정규 형태를 사용함 |
| 너무 적은 실행 | 다른 시드로 스터디를 반복하면 판정이 바뀜 | 구간이 결정선을 넘지 않을 때까지 실행을 추가함 |
| 설계와 다른 모델 | 스프레드시트로 옮긴 흐름은 실제 순서, 병렬 경로, 결정과 어긋남 | 모델에 있는 흐름을 시뮬레이션하여 설계 변경이 분석에 반영되게 함 |
실습 예제: EO-1 촬영 패스
EO-1은 농경지를 촬영하는 6U CubeSat으로, MBSE 예제 프로젝트의 가상 임무입니다. 그 시스템 요구사항 사양서에는 분석으로 검증하는 타이밍 요구사항이 있습니다.
6.5 Planning Cycle Time. 임무는 표적 목록 상향 전송부터 산출물 전달까지 각 계획 주기를 100분 이내에 완료해야 한다.
6.5의 검증 계획은 다음과 같습니다. 촬영 패스의 Monte Carlo 시뮬레이션이 최소 90%의 확률로 100분을 충족해야 한다. Measure MOE-7 Planning Cycle Time은 임계값 100분, 목표값 80분으로 이 요구사항을 규정합니다.
운용 일정은 액션 OPS Run Nominal Imaging Pass입니다. 지상국이 촬영 계획을 보내면, 우주선은 이를 디코딩하고 적재한 다음 카메라가 예열되는 동안 첫 번째 표적으로 자세를 돌립니다. 우주선은 표적 네 개를 촬영하며, 각각 촬영된 다음 인코딩되는 스트립입니다. 지상 교신이 가능하면(패스의 75%) 데이터를 전송하고, 그렇지 않으면 다음 패스까지 데이터를 보관합니다. 마지막으로 지상이 하향 전송을 받아 영상 산출물을 처리하는 동안 배터리는 햇빛을 받아 재충전됩니다.
| Action | 흐름에서의 위치 | 소요 시간 | 최빈값(분) | 평균(분) |
|---|---|---|---|---|
| OPS.1 Transmit Imaging Plan | 시작 | 삼각, 4~9분, 최빈값 6 | 6 | 6.33 |
| OPS.2 Receive Imaging Plan | 그다음 | 고정, 1분 | 1 | 1 |
| OPS.3 Load Command Schedule | 그다음 | 고정, 2분 | 2 | 2 |
| OPS.4 Rotate to Target | OPS.5와 병렬 | 정규, 평균 3, 표준편차 0.5분 | 3 | 3 |
| OPS.5 Prepare Camera | OPS.4와 병렬 | 고정, 5분 | 5 | 5 |
| OPS.6 Capture Image Strip | 루프, 표적 4개 | 정규, 평균 40, 표준편차 6초 | 표적당 0.67 | 표적당 0.67 |
| OPS.7 Encode and Store Image | 루프, 표적 4개 | 균등, 20~40초 | 표적당 0.50 | 표적당 0.50 |
| OPS.8 Transmit Image Data | 교신 가능(75%) | 정규, 평균 8, 표준편차 1.5분 | 8 | 8 |
| OPS.9 Hold Data Onboard | 교신 불가(25%) | 고정, 1분 | 1 | 1 |
| OPS.10 Recharge Battery in Sunlight | OPS.11 및 OPS.12와 병렬 | 고정, 35분 | 35 | 35 |
| OPS.11 Receive Downlink | 그다음 OPS.12 | 고정, 9분 | 9 | 9 |
| OPS.12 Process Image Products | OPS.11 다음 | 정규, 평균 45, 표준편차 10분 | 45 | 45 |
점 추정치
- 최빈값으로, 더 가능성이 높은 교신 분기를 택하면 6 + 1 + 2 + max(3, 5) + 4 × (0.67 + 0.50) + 8 + max(35, 9 + 45) = 80.7분입니다. 100분 임계값에 비하면 여유가 거의 20분인 것처럼 보입니다.
- 평균값으로, 두 분기를 확률로 가중하면(0.75 × 8 + 0.25 × 1 = 6.25) 6.33 + 1 + 2 + 5 + 4.67 + 6.25 + max(35, 54) = 79.25분입니다.
두 숫자 모두 패스가 넉넉하게 맞는다고 말합니다. 어느 쪽도 얼마나 자주 맞지 않는지는 말하지 않는데, 요구사항이 묻는 것이 바로 그것입니다.
Monte Carlo 결과
같은 흐름에 대한 스터디는 실행마다 모든 소요 시간과 교신 결정을 뽑고, 병렬 경로들이 경주하게 합니다. 표에는 Python으로 따로 계산한 100만 번 실행 점검과, 아래 스크린샷에 나오는 2,000번 실행 Holarch 스터디가 있습니다. 서로 다른 난수 생성기를 쓰므로 표본 오차만큼 다릅니다(2,000번 실행이면 평균에서 약 0.25분, P95에서 0.5분, 확률에서 0.35퍼센트포인트).
| 출력 | Python, 1,000,000번 실행 | Holarch, 2,000번 실행, 시드 2026 |
|---|---|---|
| 평균 총 시간 | 79.35분 | 79.35분 |
| 표준편차 | 10.35분 | 10.16분 |
| P5 / P50 / P95 | 62.4 / 79.3 / 96.6분 | 62.4 / 79.4 / 96.0분 |
| P90 | 92.8분 | 92.4분 |
| P(총 시간 ≤ 80분), MOE-7 목표값 | 52.7% | 52.4% |
| P(총 시간 ≤ 100분), 요구사항 6.5 | 97.6% | 97.8%(2,000번 중 1,955번, 95% 구간 97.0%~98.3%) |
숫자가 말하는 것:
- 요구사항은 합격입니다. 패스의 약 97.6%가 100분 이내에 끝나며, 요구되는 90%를 훨씬 넘고, 2,000번 실행의 구간도 90% 위에 넉넉히 머뭅니다.
- 여유는 보이는 것보다 작습니다. 평균 기준 여유는 약 20.6분이지만 P95 값이 약 96.6분이므로, 95% 신뢰 수준에서 남는 것은 약 3.4분뿐입니다. 패스 40번 중 약 1번은 임계값을 놓칩니다. 그런 실행의 거의 전부에서 OPS.12 Process Image Products가 한 시간 넘게 걸렸고(평균 45분에 비해 평균 67분), 그중 95%에서 교신 분기가 8분의 하향 전송을 더했습니다.
- 목표값은 동전 던지기입니다. MOE-7의 80분 목표값은 거의 정확히 중앙값에 있어, 패스의 약 절반에서만 충족됩니다. 80.7분이라는 최빈값 추정치는 이를 완전히 숨깁니다.
- 여기서는 합류 편향이 작습니다. 평균 79.35분은 평균값 추정치보다 0.1분 높을 뿐입니다. 지상 사슬(OPS.11과 OPS.12, 평균 54분)이 35분 재충전보다 짧은 경우가 실행의 약 3%에 불과하기 때문입니다. 병렬 경로의 길이가 더 비슷한 흐름에서는 차이가 커집니다.
스터디는 지렛대도 가리킵니다. OPS.12 Process Image Products가 퍼짐의 대부분을 차지하므로(표준편차 10분, 교신 결정에서 약 3분, 나머지 모두에서 1분), 처리 시간을 줄이면 꼬리가 움직입니다. 우주선 단계를 빠르게 해도 효과는 거의 없습니다.
상관관계를 넣은 같은 예제
하향 전송과 처리는 모두 패스가 만든 영상 데이터의 양에 달려 있습니다. 데이터가 많으면 전송도 처리도 길어집니다. OPS.8과 OPS.12를 실행마다 하나의 공유 난수에서 뽑으면(같은 표준 정규 z에 대해 8 + 1.5z분과 45 + 10z분), 긴 하향 전송에는 긴 처리가 따라오고, 두 분포는 그대로 유지되며, 결과는 다음과 같습니다.
| 출력 | 독립(Python / Holarch) | OPS.8과 OPS.12 상관(Python / Holarch) |
|---|---|---|
| 평균 | 79.35 / 79.35분 | 79.35 / 79.04분 |
| 표준편차 | 10.35 / 10.16분 | 11.35 / 11.44분 |
| P95 | 96.6 / 96.0분 | 98.5 / 99.0분 |
| P(총 시간 ≤ 100분) | 97.6% / 97.8% | 96.1% / 96.2% |
평균은 그대로이고 퍼짐은 약 10분의 1만큼 커집니다. P95 값은 약 2분 바깥으로 이동하여, 95% 신뢰 수준의 여유가 약 3.4분에서 약 1.5분으로 줄어듭니다. 요구사항은 90%에서 여전히 합격이지만, 패스의 95%에서 100분처럼 더 엄격한 약속은 이제 아슬아슬해집니다. P95로 약속한다면 상관된 경우로 계획하는 편이 더 안전합니다.
예제 다운로드: Excel 통합 문서로 된 EO-1 촬영 패스 불확실성 스터디(분포가 있는 입력, 백분위수와 P(meet)가 포함된 독립 및 상관 결과, 실행 횟수 표), 또는 같은 데이터의 CSV: 촬영 패스 입력과 분포, Monte Carlo 결과, 백분위수, P(meet). 자신의 스터디를 보고하는 템플릿으로 사용하십시오.
Holarch에서 해 보기
Holarch에서 Monte Carlo는 모델의 액션 흐름에서 실행됩니다. 운용을 기술하는 바로 그 Action 다이어그램이 시뮬레이션되는 모델입니다. 각 Action의 Duration은 고정된 숫자이거나 단위가 있는 분포로, 예를 들어 =triang.dist(4, 9, 6)분(최솟값, 최댓값, 최빈값), =norm.dist(40, 6)초, =uniform.dist(20, 40)초입니다. 베타, 로그정규, 지수, 와이블을 포함해 열 가지 분포를 사용할 수 있습니다. 자세한 내용은 시뮬레이션을 참조하십시오.
- 프로젝트 관리 → 프로젝트 파일 ▾ → 새 데모 프로젝트 → CubeSat(안내형 시스템 엔지니어링)으로 CubeSat 프로젝트를 만듭니다. 표의 소요 시간이 들어간 OPS Run Nominal Imaging Pass, 요구사항 6.5, Measure MOE-7이 이미 들어 있습니다.
- 액션의 Action 다이어그램을 열고 ▶ 시뮬레이션 ▾ → Monte Carlo를 선택합니다. 실행을 2000, 난수 시드를 2026, 고정 기간 변동을 없음으로 설정하고(데모는 기본적으로 고정 소요 시간에 ±10%를 더하지만, 여기의 스터디는 고정으로 둡니다) ▶ Monte Carlo 실행을 누릅니다.
- 분포 탭에서 통계, 기간 분포, 누적 확률(S 곡선)을 읽습니다. S 곡선의 x 필드에 100을 입력하면 P(X ≤ 100 min)를 읽을 수 있습니다.
- Drivers 탭을 열어 모든 실행에 걸쳐 어떤 액션이 시간을 차지하는지, 어떤 분기 조합이 나왔는지 확인합니다.
- Requirement 대비 검사…를 클릭하고 Measure MOE-7 Planning Cycle Time을 선택합니다. 그러면 기준(임계값과 개선 방향에서 나온 ≤ 100분)과 요구사항 6.5가 채워집니다. 필요 확률은 90%로 둡니다. 표에 신뢰 구간이 포함된 P(meet), 여유, 판정이 나옵니다. 사용을 목표값으로 바꾸면 80분 목표값을 확인할 수 있으며, 약 52%로 불합격입니다.
- 결과 기록…은 변경을 미리 보여 줍니다. MOE-7의 Projected Value가 평균이 되고, 6.5를 검증하는 Test Case의 상태가 통과가 되며 결과 텍스트가 들어갑니다. 하나의 실행 취소 단계로 적용합니다.
Holarch의 Duration 편집기는 각 분포를 독립적으로 뽑습니다. 위의 상관 비교는 실행마다 공유된 값 하나를 읽는 스크립트 훅으로 구동한 Duration을 사용했으며, Duration 편집기는 아직 이를 제공하지 않습니다. 자신의 모델에서 상관관계의 범위를 정하려면 독립 스터디를 도구 밖에서 한 완전 상관 계산과 비교하십시오. 패스 동안의 배터리 에너지도 시뮬레이션됩니다. Battery Charge 자원의 최솟값과 최종값은 요구사항 검사가 받아들이는 Monte Carlo 출력입니다. 예비분과 여유가 포함된 질량 및 전력 예산은 예산 및 TPM에서 관리하며, 트레이드 스터디의 불확실한 값에도 같은 사고방식이 적용됩니다. 입력 범위 안에서 순위가 뒤집힌다면 아직 결정이 아닙니다.
다음에 읽을 내용
- 시뮬레이션: 이산 사건 및 Monte Carlo 실행, 패널, 요구사항 검사.
- 예산 및 TPM: 예비분이 포함된 합산, 할당, 여유, 성능 척도.
- Action 다이어그램: 시뮬레이션이 읽는 흐름, 구문, 자원, 스크립트.