文部科学省発行「高等学校情報科『情報Ⅰ』教員研修用教材」の「学習16」にある「確定モデルと確率モデル」では確率モデルを使ったシミュレーション手法としてモンテカルロ法による円周率の計算が紹介されています。こちらの内容をJavaScriptとグラフライブラリのPlotly. jsで学習する方法を紹介いたします。 サンプルプロジェクト モンテカルロ法による円周率計算(グラフなし) (zip版) モンテカルロ法による円周率計算(グラフあり) (zip版) その前に、まず、円周率の復習から説明いたします。 円周率とはなんぞや? モンテカルロ法 円周率 精度上げる. 円の面積や円の円周の長さを求めるときに使う、3. 14…の数字です、π(パイ)のことです。 πは数学定数の一つだそうです。JavaScriptではMathオブジェクトのPIプロパティで円周率を取ることができます。 alert() 正方形の四角形の面積と円の面積 正方形の四角形の面積は縦と横の長さが分かれば求められます。 上記の図は縦横100pxの正方形です。 正方形の面積 = 縦 * 横 100 * 100 = 10000です。 次に円の面積を求めてみましょう。 こちらの円は直径100pxの円です、半径は50です。半径のことを「r」と呼びますね。 円の面積 = 半径 * 半径 * π πの近似値を「3」とした場合 50 * 50 * π = 2500π ≒ 7500 です。 当たり前ですが正方形の方が円よりも面積が大きいことが分かります。図で表してみましょう。 どうやって円周率を求めるか? まず、円の中心から円周に向かって線を何本か引いてみます。 この線は中心から見た場合、半径の長さであり、今回の場合は「50」です。 次に、中心から90度分、四角と円を切り出した次の図形を見て下さい。 モンテカルロ法による円周率の計算では、この図に乱数で点を打つ 上記の図に対して沢山の点をランダムに打ちます、そして円の面積に落ちた点の数を数えることで円周率が求まります!
Pythonでモンテカルロ法を使って円周率の近似解を求めるというのを機会があってやりましたので、概要と実装について少し解説していきます。 モンテカルロ法とは モンテカルロ法とは、乱数を用いてシミュレーションや数値計算を行う方法の一つです。大量の乱数を生成して、条件に当てはめていって近似解を求めていきます。 今回は「円周率の近似解」を求めていきます。モンテカルロ法を理解するのに「円周率の近似解」を求めるやり方を知るのが一番有名だそうです。 計算手順 円周率の近似値を求める計算手順を以下に示します。 1. 「1×1」の正方形内にランダムに点を打っていく (x, y)座標のx, yを、0〜1までの乱数を生成することになります。 2. モンテカルロ 法 円 周杰伦. 「生成した点」と「原点」の距離が1以下なら1ポイント、1より大きいなら0ポイントをカウントします。(円の方程式であるx^2+y^2=1を利用して、x^2+y^2 <= 1なら円の内側としてカウントします) 3. 上記の1, 2の操作をN回繰り返します。2で得たポイントをPに加算します。 4.
5 y <- rnorm(100000, 0, 0. 5 for(i in 1:length(x)){ sahen[i] <- x[i]^2 + y[i]^2 # 左辺値の算出 return(myCount)} と、ただ関数化しただけに過ぎません。コピペです。 これを、例えば10回やりますと… > for(i in 1:10) print(myPaiFunc() * 4 / 100000) [1] 3. 13628 [1] 3. 15008 [1] 3. 14324 [1] 3. 12944 [1] 3. 14888 [1] 3. 13476 [1] 3. 14156 [1] 3. 14692 [1] 3. 14652 [1] 3. 1384 さて、100回ループさせてベクトルに放り込んで平均値出しますか。 myPaiVec <- c() for(i in 1:100) myPaiVec[i] <- myPaiFunc() * 4 / 100000 mean(myPaiVec) で、結果は… > mean(myPaiVec) [1] 3. 141426 うーん、イマイチですね…。 あ。 アルゴリズムがタコだった(やっぱり…)。 の、 if(sahen[i] < 0. 25) myCount <- myCount + 1 # 判定とカウント ここです。 これだと、円周上の点は弾かれてしまいます。ですので、 if(sahen[i] <= 0. 25) myCount <- myCount + 1 # 判定とカウント と直します。 [1] 3. 141119 また誤差が大きくなってしまった…。 …あんまり関係ありませんでしたね…。 といっても、誤差値 |3. 141593 - 3. 141119| = 0. 000474 と、かなり小さい(と思いたい…)ので、まあこんなものとしましょう。 当然ですけど、ここまでに書いたコードは、実行するたび計算結果は異なります。 最後に、今回のコードの最終形を貼り付けておきます。 --ここから-- x <- seq(-0. 5, length=1000) par(new=T); plot(x, yP, xlim=c(-0. モンテカルロ法による円周率の計算など. 5)) myCount * 4 / length(xRect) if(sahen[i] <= 0. 25) myCount <- myCount + 1 # 判定とカウント} for(i in 1:10) print(myPaiFunc() * 4 / 100000) pi --ここまで-- うわ…きったねえコーディング…。 でもまあ、このコードを延々とCtrl+R 押下で図形の描画とπの計算、両方やってくれます。 各種パラメータは適宜変えて下さい。 以上!
024\)である。 つまり、円周率の近似値は以下のようにして求めることができる。 N <- 500 count <- sum(x*x + y*y < 1) 4 * count / N ## [1] 3. 24 円周率の計算を複数回行う 上で紹介した、円周率の計算を複数回行ってみよう。以下のプログラムでは一回の計算においてN個の点を用いて円周率を計算し、それを\(K\)回繰り返している。それぞれの試行の結果を に貯めておき、最終的にはその平均値とヒストグラムを表示している。 なお、上記の計算とは異なり、第1象限の1/4円のみを用いている。 K <- 1000 N <- 100000 <- rep(0, times=K) for (k in seq(1, K)) { x <- runif(N, min=0, max=1) y <- runif(N, min=0, max=1) [k] <- 4*(count / N)} cat(sprintf("K=%d N=%d ==> pi=%f\n", K, N, mean())) ## K=1000 N=100000 ==> pi=3. 141609 hist(, breaks=50) rug() 中心極限定理により、結果が正規分布に従っている。 モンテカルロ法を用いた計算例 モンティ・ホール問題 あるクイズゲームの優勝者に提示される最終問題。3つのドアがあり、うち1つの後ろには宝が、残り2つにはゴミが置いてあるとする。優勝者は3つのドアから1つを選択するが、そのドアを開ける前にクイズゲームの司会者が残り2つのドアのうち1つを開け、扉の後ろのゴミを見せてくれる。ここで優勝者は自分がすでに選んだドアか、それとも残っているもう1つのドアを改めて選ぶことができる。 さて、ドアの選択を変更することは宝が得られる確率にどの程度影響があるのだろうか。 N <- 10000 <- floor(runif(N) * 3) + 1 # 宝があるドア (1, 2, or 3) <- floor(runif(N) * 3) + 1 # 最初の選択 (1, 2, or 3) <- floor(runif(N) * 2) # ドアを変えるか (1:yes or 0:no) # ドアを変更して宝が手に入る場合の数を計算 <- (! モンテカルロ法と円周率の近似計算 | 高校数学の美しい物語. =) & () # ドアを変更せずに宝が手に入る場合の数を計算 <- ( ==) & () # それぞれの確率を求める sum() / sum() ## [1] 0.