モンテカルロ 法 円 周 率
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 円周率 求め方. 「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.
モンテカルロ法 円周率 考え方
0ですので、以下、縦横のサイズは1. 0とします。 // 計算に使う変数の定義 let totalcount = 10000; let incount = 0; let x, y, distance, pi; // ランダムにプロットしつつ円の中に入った数を記録 for (let i = 0; i < totalcount; i++) { x = (); y = (); distance = x ** 2 + y ** 2; if (distance < 1. 0){ incount++;} ("x:" + x + " y:" + y + " D:" + distance);} // 円の中に入った点の割合を求めて4倍する pi = (incount / totalcount) * 4; ("円周率は" + pi); 実行結果 円周率は3. 146 解説 変数定義 1~4行目は計算に使う変数を定義しています。 変数totalcountではランダムにプロットする回数を宣言しています。 10000回ぐらいプロットすると3. 14に近い数字が出てきます。1000回ぐらいですと結構ズレますので、実際に試してください。 プロットし続ける 7行目の繰り返し文では乱数を使って点をプロットし、円の中に収まったらincount変数をインクリメントしています。 8~9行目では点の位置x, yの値を乱数で求めています。乱数の取得はプログラミング言語が備えている乱数命令で行えます。JavaScriptの場合は()命令で求められます。この命令は0以上1未満の小数をランダムに返してくれます(0 - 0. 999~)。 点の位置が決まったら、円の中心から点の位置までの距離を求めます。距離はx二乗 + y二乗で求められます。 仮にxとyの値が両方とも0. 5ならば0. 25 + 0. 25 = 0. 5となります。 12行目のif文では円の中に収まっているかどうかの判定を行っています。点の位置であるx, yの値を二乗して加算した値がrの二乗よりも小さければOKです。今回の円はrが1. モンテカルロ法で円周率を求めてみよう！. 0なので二乗しても1. 0です。 仮に距離が0. 5だったばあいは1. 0よりも小さいので円の中です。距離が1. 0を越えるためには、xやyの値が0. 8ぐらい必要です。 ループ毎のxやyやdistanceの値は()でログを残しておりますので、デバッグツールを使えば確認できるようにしてあります。 プロット数から円周率を求める 19行目では円の中に入った点の割合を求め、それを4倍にすることで円周率を求めています。今回の計算で使っている円が正円ではなくて四半円なので4倍する必要があります。 ※(半径が1なので、 四半円の面積が 1 * 1 * pi / 4 になり、その4倍だから) 今回の実行結果は3.
モンテカルロ法 円周率
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
モンテカルロ法 円周率 原理
(僕は忘れてました) (10) n回終わったら、pをnで割ると(p/n)、これが1/4円の面積の近似値となります。 (11) p/nを4倍すると、円の値が求まります。 コードですが、僕はこのように書きました。 (コメント欄にて、 @scivola さん、 @kojix2 さんのアドバイスもぜひご参照ください) n = 1000000 count = 0 for i in 0.. n z = Math. sqrt (( rand ** 2) + ( rand ** 2)) if z < 1 count += 1 end #円周circumference cir = count / n. to_f * 4 #to_f でfloatにしないと小数点以下が表示されない p cir Math とは、ビルトインモジュールで、数学系のメソッドをグループ化しているもの。. レシーバのメッセージを指定(この場合、メッセージとは sqrt() ) sqrt() とはsquare root(平方根)の略。PHPと似てる。 36歳未経験でIoTエンジニアとして転職しました。そのポジションがRubyメインのため、慣れ親しんだPHPを置いて、Rubyの勉強を始めています。 もしご指摘などあればぜひよろしくお願い申し上げます。 noteに転職経験をまとめています↓ 36歳未経験者がIoTエンジニアに内定しました(1/3)プログラミング学習遍歴編 36歳未経験者がIoTエンジニアに内定しました(2/3) ジョブチェンジの迷い編 Why not register and get more from Qiita? モンテカルロ法 円周率 エクセル. We will deliver articles that match you By following users and tags, you can catch up information on technical fields that you are interested in as a whole you can read useful information later efficiently By "stocking" the articles you like, you can search right away Sign up Login
モンテカルロ法 円周率 求め方
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. モンテカルロ法で円周率を求めるのをPythonで実装｜shimakaze_soft｜note. 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 <- (! =) & () # 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.
モンテカルロ法 円周率 エクセル
モンテカルロ法の具体例として,円周率の近似値を計算する方法,およびその精度について考察します。 目次 モンテカルロ法とは 円周率の近似値を計算する方法 精度の評価 モンテカルロ法とは 乱数を用いて何らかの値を見積もる方法をモンテカルロ法と言います。 乱数を用いるため「解を正しく出力することもあれば,大きく外れることもある」というランダムなアルゴリズムになります。 そのため「どれくらいの確率でどのくらいの精度で計算できるのか」という精度の評価が重要です。そこで確率論が活躍します。 モンテカルロ法の具体例として有名なのが円周率の近似値を計算するアルゴリズムです。 1 × 1 1\times 1 の正方形内にランダムに点を打つ(→注) 原点(左下の頂点)から距離が 1 1 以下なら ポイント, 1 1 より大きいなら 0 0 ポイント追加 以上の操作を N N 回繰り返す,総獲得ポイントを X X とするとき, 4 X N \dfrac{4X}{N} が円周率の近似値になる 注: [ 0, 1] [0, 1] 上の 一様分布 に独立に従う二つの乱数 ( U 1, U 2) (U_1, U_2) を生成してこれを座標とすれば正方形内にランダムな点が打てます。 図の場合, 4 ⋅ 8 11 = 32 11 ≒ 2. 91 \dfrac{4\cdot 8}{11}=\dfrac{32}{11}\fallingdotseq 2. 91 が π \pi の近似値として得られます。 大雑把な説明 各試行で ポイント獲得する確率は π 4 \dfrac{\pi}{4} 試行回数を増やすと「当たった割合」は に近づく( →大数の法則 ) つまり, X N ≒ π 4 \dfrac{X}{N}\fallingdotseq \dfrac{\pi}{4} となるので 4 X N \dfrac{4X}{N} を の近似値とすればよい。 試行回数 を大きくすれば,円周率の近似の精度が上がりそうです。以下では数学を使ってもう少し定量的に評価します。 目標は 試行回数を◯◯回くらいにすれば,十分高い確率で,円周率として見積もった値の誤差が△△以下である という主張を得ることです。 Chernoffの不等式という飛び道具を使って解析します!
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. 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!