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. モンテカルロ法 円周率 考え方. 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 <- (! =) & () # 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.
参考文献: [1] 河西朝雄, 改訂C言語によるはじめてのアルゴリズム入門, 技術評論社, 1992.
モンテカルロ法は、乱数を使う計算手法の一つです。ここでは、円周率の近似値をモンテカルロ法で求めてみます。 一辺\(2r\)の正方形の中にぴったり入る半径\(r\)の円を考えます (下図)。この正方形の中に、ランダムに点を打っていきます。 とてもたくさんの点を打つと 、ある領域に入った点の数は、その領域の面積に比例するはずなので、 \[ \frac{円の中に入った点の数}{打った点の総数} \approx \frac{\pi r^2}{(2r)^2} = \frac{\pi}{4} \] が成り立ちます。つまり、左辺の分子・分母に示した点の数を数えて4倍すれば、円周率の近似値が計算できるのです。 以下のシミュレーションをやってみましょう。そのとき次のことを確認してみてください: 点の数を増やすと円周率の正しい値 (3. 14159... ) に近づいていく 同じ点の数でも、円周率の近似値がばらつく
01 \varepsilon=0. 01 )以内にしたい場合, 1 − 2 exp ( − π N ⋅ 0. 0 1 2 12) ≥ 0. 9 1-2\exp\left(-\frac{\pi N\cdot 0. モンテカルロ法で円周率を求めるのをPythonで実装|shimakaze_soft|note. 01^2}{12}\right)\geq 0. 9 ならよいので, N ≒ 1. 1 × 1 0 5 N\fallingdotseq 1. 1\times 10^5 回くらい必要になります。 誤差 %におさえるために10万個も点を打つなんてやってられないですね。 ※Chernoffの不等式については, Chernoff bounds, and some applications が詳しいです。ここでは,上記の文献の Corollary 5 を使いました。 「多分うまくいくけど失敗する可能性もあるよ〜」というアルゴリズムで納得しないといけないのは少し気持ち悪いですが,そのぶん応用範囲が広いです。 ◎ 確率・統計分野の記事一覧
6687251 ## [1] 0. 3273092 確率は約2倍ちがう。つまり、いちど手にしたものは放したくなくなるという「保有バイアス」にあらがって扉の選択を変えることで、2倍の確率で宝を得ることができる。 2の平方根 2の平方根を求める。\(x\)を0〜2の範囲の一様乱数とし、その2乗(\(x\)を一辺とする正方形の面積)が2を超えるかどうかを計算する。 x <- 2 * runif(N) sum(x^2 < 2) / N * 2 ## [1] 1. 4122 runif() は\([0, 1)\)の一様乱数であるため、\(x\)は\(\left[0, 2\right)\)の範囲となる。すなわち、\(x\)の値は以下のような性質を持つ。 \(x < 1\)である確率は\(1/2\) \(x < 2\)である確率は\(2/2\) \(x < \sqrt{2}\)である確率は\(\sqrt{2}/2\) 確率\(\sqrt{2}/2\)は「\(x^2\)が2以下の回数」÷「全試行回数」で近似できるので、プログラム中では sum(x^2 < 2) / N * 2 を計算した。 ←戻る
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. モンテカルロ法で円周率を求める?(Ruby) - Qiita. 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。