モンテカルロシミュレーション

​

モンテカルロシミュレーションとは？

モンテカルロシミュレーションは、反復的なランダムサンプリングによって、起こり得る結果の範囲と確率を推定するモデルです。

「正解値を1つ出す」のではなく、「どの結果がどれくらいの確率で起きるか」を示す。

たとえば「工期は6か月」と断定する代わりに、「6か月以内完了の確率は何％か」を示せます。これにより、不確実性を前提にした計画が可能になります。実務では /ja/models/expected-value、/ja/models/normal-distribution、/ja/models/fat-tailed-distribution と組み合わせることが多いです。

​

モンテカルロシミュレーションの3つの深さ

• Beginner: 工期・コスト・需要などの不確実入力を分布で置き、分位点で結果を読む。
• Practitioner: 過去データで分布を校正し、同一シナリオ群で代替案を比較する。
• Advanced: 相関、テールリスク、レジーム変化を織り込み、極端条件まで耐性評価する。

​

起源

この手法は1940年代、Los Alamos の研究で Stanislaw Ulam、John von Neumann らが中性子輸送問題を扱う中で発展しました。初期コンピュータの計算能力が、反復サンプリングを現実的にしました。 「Monte Carlo」という名称は確率ゲームに由来し、手法の本質が確率試行にあることを示しています。以後、金融工学、サプライチェーン、信頼性設計、気候・宇宙分野へ応用が広がりました。

​

要点

不確実性が大きく、誤判断コストが高い意思決定ほど有効です。

​

応用場面

情報が不完全でも先に判断が必要な場面で効果的です。

​

事例

NASA の Mars Science Laboratory（Curiosity）では、突入・降下・着陸フェーズでモンテカルロシミュレーションが広く使われました。大気、航法、ハードウェア誤差を含む多数シナリオを試行し、着陸安全域を評価しました。 結果として、Curiosity は2012年8月に Gale Crater へ着陸し、目標中心から約 **1.5マイル（2.4km）**の位置に到達しました。実機検証が限定される高リスク任務で、確率分布に基づく判断が機能した例です。

​

限界と失敗パターン

入力分布が現実を反映していなければ、出力は精密に見えても誤導的です。さらに、変数相関を無視すると下方リスクを過小評価しやすくなります。 境界条件は2つあります。第一に、制度や市場構造が変わると過去データ校正が効きにくくなります。第二に、モデル外の未知要因は当然ながら表現できません。典型的誤用は、既定方針の正当化にシミュレーションを使うことです。

​

よくある誤解

モンテカルロは強力ですが、ドメイン判断とデータ品質の代替ではありません。

​

関連概念

不確実性を意思決定に落とし込むために、次のモデルが有効です。

​

一言で言うと