0: point += 1 pi = 4. 0 * point / N print(pi) // 3. 104 自分の環境ではNを1000にした場合は、円周率の近似解は3. モンテカルロ法 円周率 考え方. 104と表示されました。 グラフに点を描写していく 今度はPythonのグラフ描写ライブラリであるmatplotlibを使って、上記にある画像みたいに点をプロットしていき、画像を出力させていきます。以下が実際のソースです。 import as plt (x, y, "ro") else: (x, y, "bo") // 3. 104 (). set_aspect( 'equal', adjustable= 'box') ( True) ( 'X') ( 'Y') () 上記を実行すると、以下のような画像が画面上に出力されるはずです。 Nの回数を減らしたり増やしたりしてみる 点を打つ回数であるNを減らしたり、増やしたりしてみることで、徐々に円の形になっていく様子がわかっていきます。まずはNを100にしてみましょう。 //ここを変える N = 100 () Nの回数が少ないため、これではまだ円だとはわかりづらいです。次にNを先程より100倍して10000にしてみましょう。少し時間がかかるはずです。 Nを10000にしてみると、以下の画像が生成されるはずです。綺麗に円だとわかります。 標準出力の結果も以下のようになり、円周率も先程より3. 14に近づきました。 試行回数: 10000 円周率: 3. 1592 今回はPythonを用いて円周率の近似解を求めるサンプルを実装しました。主に言語やフレームワークなどのベンチマークテストなどの指標に使われたりすることもあるそうです。 自分もフレームワークのパフォーマンス比較などに使ったりしています。 参考資料
5)%% 0. 5 yRect <- rnorm(1000, 0, 0. 5 という風に xRect, yRect ベクトルを指定します。 plot(xRect, yRect) と、プロットすると以下のようになります。 (ここでは可視性重視のため、点の数を1000としています) 正方形っぽくなりました。 3. で述べた、円を追加で描画してみます。 上図のうち、円の中にある点の数をカウントします。 どうやって「円の中にある」ということを判定するか? 答えは、前述の円の関数、 より明らかです。 # 変数、ベクトルの初期化 myCount <- 0 sahen <- c() for(i in 1:length(xRect)){ sahen[i] <- xRect[i]^2 + yRect[i]^2 # 左辺値の算出 if(sahen[i] < 0. 25) myCount <- myCount + 1 # 判定とカウント} これを実行して、myCount の値を4倍して、1000で割ると… (4倍するのは2. より、1000で割るのも同じく2. より) > myCount * 4 / 1000 [1] 3. 128 円周率が求まりました。 た・だ・し! 我々の知っている、3. 14とは大分誤差が出てますね。 それは、点の数(サンプル数)が小さいからです。 ですので、 を、 xRect <- rnorm(10000, 0, 0. モンテカルロ法 円周率 python. 5 yRect <- rnorm(10000, 0, 0. 5 と安直に10倍にしてみましょう。 図にすると ほぼ真っ黒です(色変えれば良い話ですけど)。 まあ、可視化はあくまでイメージのためのものですので、ここではあまり深入りはしません。 肝心の、円周率を再度計算してみます。 > myCount * 4 / length(xRect) [1] 3. 1464 少しは近くなりました。 ただし、Rの円周率(既にあります(笑)) > pi [1] 3. 141593 と比べ、まだ誤差が大きいです。 同じくサンプル数をまた10倍してみましょう。 (流石にもう図にはしません) xRect <- rnorm(100000, 0, 0. 5 yRect <- rnorm(100000, 0, 0. 5 で、また円周率の計算です。 [1] 3. 14944 おっと…誤差が却って大きくなってしまいました。 乱数の精度(って何だよ)が悪いのか、アルゴリズムがタコ(とは思いたくないですが)なのか…。 こういう時は数をこなしましょう。 それの、平均値を求めます。 コードとしては、 myPaiFunc <- function(){ x <- rnorm(100000, 0, 0.
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. モンテカルロ法 円周率. 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. 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!
146になりましたが、プロットの回数が少ないとブレます。 JavaScriptとPlotly. jsでモンテカルロ法による円周率の計算を散布図で確認 上記のプログラムを散布図のグラフにすると以下のようになります。 ソースコード グラフライブラリの読み込みやラベル名の設定などがあるためちょっと長くなりますが、モデル化の部分のコードは先ほどと、殆ど変わりません。