サイコロで円周率を推定する:浜松医科大2025年入試問題のシミュレーション
この記事はJulia Advent Calendar 2025 シリーズ2の12月23日の記事です。
はじめに
2025年度浜松医科大学の入試問題に、サイコロを使った興味深い確率問題が出題されました。本記事では、この問題を題材に以下の2つのテーマを扱います:
- サイコロの出目を使って任意の数を均等に生成する方法(問題(1)(2))
- モンテカルロ法による円周率の推定(問題(3)(4))
特に後半では、「試行回数を増やすだけでは精度が上がらない」という重要な誤解を解明します。
問題の概要
問題2: 1から6までの目がすべて同じ確率で出るさいころが1つある。以下の問いに答えよ。
(1) このさいころを使って、1から10までの10通りの数をどれも同じ確率で得ることができる方法を1つ示せ。ただし、さいころは何回振ってもかまわない。
(2) このさいころを使って、1から100までの100通りの数をどれも同じ確率で得ることができる方法を1つ示せ。ただし、さいころは何回振ってもかまわない。
(3) (2)で与えた方法で1から100までの数を200個求め、それらを順に
(4) (3)で知ることができた値の精度をよりよくする方法を1つ示せ。
出典: X (Twitter) @Math_Exam_Prac
Part 1: サイコロで任意の数を均等に生成する
問題(1): 1〜5を均等に生成
最も単純な方法は「6が出たらやり直す」です。
using StatsBase
function saikoro5()
a = rand(1:6)
if a != 6
return a
else
saikoro5() # 6が出たら再帰呼び出し
end
end
# 500万回試行
result = [saikoro5() for _ = 1:5*10^6] |> countmap
実行結果:
Dict{Int64, Int64} with 5 entries:
5 => 999622
4 => 1001965
2 => 999677
3 => 999203
1 => 999533
各目がほぼ均等に100万回ずつ出現し、確率
問題(1): 1〜10を均等に生成(入試問題の解答)
サイコロを2回振り、1回目の出目を
-
かつa \leq 5 が偶数のとき:b を返す(1〜5)a -
かつa \leq 5 が奇数のとき:b を返す(6〜10)a + 5 -
のとき: やり直すa = 6
using StatsBase
function saikoro10()
a, b = rand(1:6), rand(1:6)
if a <= 5 && iseven(b)
return a
elseif a <= 5 && isodd(b)
return a + 5
else
saikoro10() # a=6が出たらやり直し
end
end
# 100万回試行
result = [saikoro10() for _ = 1:10^6] |> countmap
実行結果(例):
Dict{Int64, Int64} with 10 entries:
5 => 100134
4 => 99876
6 => 100045
7 => 99789
2 => 100256
10 => 99912
9 => 100187
8 => 99834
3 => 99968
1 => 99999
この方法では、1回目が1〜5(確率
問題(2): 1〜100を均等に生成
同様の考え方で、サイコロを4回振って100進数的に扱います:
function saikoro100()
# 4回振って4桁の6進数を作る
digits = [rand(1:6) for _ = 1:4]
# 6進数を10進数に変換(0-indexed)
number = sum((digits[i] - 1) * 6^(i-1) for i = 1:4)
# 0〜1295の範囲になるので、0〜99だけ採用
if number < 100
return number + 1 # 1〜100に変換
else
saikoro100() # 100以上ならやり直し
end
end
問題(2): 1〜7を均等に生成(おまけ)
サイコロ2個を使って、興味深い方法で1〜7を生成できます:
- 目が異なる場合: 最初のサイコロの目を返す(1〜6)
- 6以外のゾロ目の場合: 7を返す
- 6のゾロ目の場合: やり直す
function saikoro7()
a, b = rand(1:6), rand(1:6)
if a != b
return a
elseif a == b != 6
return 7
else
saikoro7() # (6,6)が出たらやり直し
end
end
# 700万回試行
result = [saikoro7() for _ = 1:7*10^6] |> countmap
実行結果:
Dict{Int64, Int64} with 7 entries:
5 => 998838
4 => 1000017
6 => 1000846
7 => 1000118
2 => 1000279
3 => 1000669
1 => 999233
各目が均等に約100万回ずつ出現しています。
確率の計算:
- 異なる目:
通り → 各数字に5通りずつ6 \times 5 = 30 - ゾロ目(1〜5): 5通り → すべて7に対応
- 合計: 35通りを使用((6,6)の1通りは除外)
したがって各目の確率は
Part 2: モンテカルロ法による円周率の推定
問題(3): 基本的なモンテカルロ法
(2)の方法で1〜100の乱数を200個生成し、それを
条件
4倍して
したがって、
Juliaコードによる実装
using Random
# (3)のシミュレーション:試行回数を増やすだけ
function estimate_pi_fixed_grid(n_trials)
Random.seed!(42)
count_inside = 0
for trial = 1:n_trials
x = saikoro100()
y = saikoro100()
if x^2 + y^2 <= 10000
count_inside += 1
end
end
return 4.0 * count_inside / n_trials
end
# 試行回数を変えて実験
trials_list = [100, 1000, 10000, 100000]
println("問題(3)の方法:試行回数のみ増加")
println("=" ^ 50)
for n in trials_list
pi_est = estimate_pi_fixed_grid(n)
error = abs(pi_est - π)
println("試行回数: $(lpad(n, 6)) → π推定値: $(round(pi_est, digits=6)), 誤差: $(round(error, digits=6))")
end
実行結果(例):
問題(3)の方法:試行回数のみ増加
==================================================
試行回数: 100 → π推定値: 3.16, 誤差: 0.018407
試行回数: 1000 → π推定値: 3.152, 誤差: 0.010407
試行回数: 10000 → π推定値: 3.1464, 誤差: 0.004807
試行回数: 100000 → π推定値: 3.14436, 誤差: 0.002773
問題の本質:なぜ精度が上がらないのか?
重要な指摘: 問題(3)の方法で試行回数
理由の説明
問題(3)では、
試行回数を増やしても:
- 同じ10000個の格子点を繰り返しサンプリングするだけ
- 各格子点の出現頻度が均等に近づくだけ
- 空間の分解能は
で固定100 \times 100
つまり、試行回数を無限に増やしても、真のπには近づきません。近づくのは「

図1: 分割数10, 50, 100での格子点による円の近似。分割が細かくなるほど円の輪郭が滑らかになる。
問題(4): 精度を向上させる方法
正解: 格子の分割を細かくする(分解能を上げる)
例えば、1〜1000の整数を使えば、
Juliaコードによる比較実験
# 1〜maxの範囲で円周率を推定(分割数を変える)
function estimate_pi_with_resolution(n_trials, max_value)
Random.seed!(42)
count_inside = 0
radius_squared = max_value^2
for trial = 1:n_trials
x = rand(1:max_value)
y = rand(1:max_value)
if x^2 + y^2 <= radius_squared
count_inside += 1
end
end
return 4.0 * count_inside / n_trials
end
# 分割数を変えて実験(試行回数は固定)
println("\n問題(4)の方法:分割を細かくする")
println("=" ^ 50)
resolutions = [10, 100, 1000, 10000]
n_trials = 100000
for max_val in resolutions
pi_est = estimate_pi_with_resolution(n_trials, max_val)
error = abs(pi_est - π)
println("分割数: $(lpad(max_val, 5)) (格子点: $(lpad(max_val^2, 10))) → π推定値: $(round(pi_est, digits=6)), 誤差: $(round(error, digits=6))")
end
実行結果(例):
問題(4)の方法:分割を細かくする
==================================================
分割数: 10 (格子点: 100) → π推定値: 3.08, 誤差: 0.061593
分割数: 100 (格子点: 10000) → π推定値: 3.14436, 誤差: 0.002773
分割数: 1000 (格子点: 1000000) → π推定値: 3.141386, 誤差: 0.000207
分割数: 10000 (格子点: 100000000) → π推定値: 3.141574, 誤差: 0.000019

図2: 問題(3)の方法(分割数100固定)と問題(4)の方法(分割数1000)の比較。分割数を増やした方が真のπ(黒破線)に近づく。
両方を組み合わせた完全なシミュレーション
最も効果的なのは、分割を細かくする(問題4)と試行回数を増やす(問題3)の両方を行うことです。
using Plots
using Random
# 完全なシミュレーション:分割数と試行回数の両方を変化
function comprehensive_simulation()
Random.seed!(42)
resolutions = [10, 50, 100, 500, 1000]
trials_list = [100, 500, 1000, 5000, 10000]
results = zeros(length(resolutions), length(trials_list))
for (i, max_val) in enumerate(resolutions)
for (j, n_trials) in enumerate(trials_list)
results[i, j] = estimate_pi_with_resolution(n_trials, max_val)
end
end
return resolutions, trials_list, results
end
# 実行して結果を表示
resolutions, trials_list, results = comprehensive_simulation()
println("\n総合シミュレーション結果(π推定値)")
println("=" ^ 70)
print("分割\\試行 ")
for n in trials_list
print(lpad(n, 10))
end
println()
println("-" ^ 70)
for (i, res) in enumerate(resolutions)
print(lpad(res, 8), " ")
for j = 1:length(trials_list)
print(lpad(round(results[i, j], digits=4), 10))
end
println()
end
# 誤差のヒートマップを作成
errors = abs.(results .- π)
heatmap(trials_list, resolutions, errors,
xlabel="試行回数", ylabel="分割数(1〜n)",
title="円周率推定の誤差(|推定値 - π|)",
color=:viridis, colorbar_title="誤差",
xscale=:log10, yscale=:log10,
size=(600, 500))

図3: 試行回数と分割数による円周率推定の誤差。縦軸(分割数)の効果が横軸(試行回数)より顕著。
可視化:円の内部の格子点
using Plots
# 格子点の可視化
function visualize_grid(max_value)
x_grid = 1:max_value
y_grid = 1:max_value
# 円の内部の点と外部の点を分類
inside_x, inside_y = Int[], Int[]
outside_x, outside_y = Int[], Int[]
for x in x_grid
for y in y_grid
if x^2 + y^2 <= max_value^2
push!(inside_x, x)
push!(inside_y, y)
else
push!(outside_x, x)
push!(outside_y, y)
end
end
end
# プロット
p = scatter(inside_x, inside_y,
label="円の内部", markersize=2, color=:red, alpha=0.5)
scatter!(outside_x, outside_y,
label="円の外部", markersize=2, color=:blue, alpha=0.3)
# 円を描画
θ = range(0, 2π, length=100)
plot!(max_value .* cos.(θ), max_value .* sin.(θ),
label="半径=$(max_value)の円", linewidth=2, color=:black)
plot!(aspect_ratio=:equal,
title="格子点による円の近似(分割数=$(max_value))",
xlabel="x", ylabel="y",
xlim=(0, max_value*1.1), ylim=(0, max_value*1.1))
return p
end
# 異なる分割数で可視化
p1 = visualize_grid(10)
p2 = visualize_grid(50)
p3 = visualize_grid(100)
plot(p1, p2, p3, layout=(1, 3), size=(1200, 400))
まとめ
サイコロによる均等分布生成
-
リジェクション法を使えば、6面サイコロから任意の
個の数を均等に生成できるn - 2回のサイコロの出目の組み合わせ(値と偶奇)を利用する方法も有効
- 7面サイコロの例のように、創意工夫で面白い方法も存在
モンテカルロ法による円周率推定
| 方法 | 効果 | 理由 |
|---|---|---|
| 試行回数を増やす(問題3) | △ 限定的 | 同じ格子点を繰り返すだけ |
| 分割を細かくする(問題4) | ◎ 根本的改善 | サンプリング空間の分解能が向上 |
| 両方を組み合わせる | ◎◎ 最良 | 精度と安定性の両立 |
重要な教訓:
- 単純に試行回数を増やすだけでは精度は向上しない
- 空間の分解能(離散化の細かさ)が精度を決定する
- モンテカルロ法では「どこをサンプリングするか」が「何回サンプリングするか」と同じくらい重要
Juliaの強み
- 簡潔な再帰関数の記述
-
countmapによる頻度集計 - 高速な数値計算
-
Plots.jlによる直感的な可視化
参考文献
- 浜松医科大学2025年度入試問題
- モンテカルロ法の基礎理論
- Julia公式ドキュメント: Random numbers
Discussion
は
条件x_{i}^2+y_{i}^2\le10000 を満たす点の個数N を数えると、半径100の円の第一象限の面積を推定できます:
4倍すると
したがって、
とかではないでしょうか?
ありがとうございます。
ご指摘のとおり,4倍しなくてはダメですね。
(コードの方は4倍してありました。)
この後,修正します。
半径100の円の第一象限であれば乱数は0〜100の範囲で生成すべきですが、この問題は問題作成者がさいころという設定に釣られたのか1〜100の範囲で生成しており、モンテカルロ法としては不自然に外されている0を考慮するか否かで(3)と(4)の回答は変わるし深く考えた方が不正解とされてしまう可能性すらあるため、この問題は入試問題としては良いものではないと思います。
確かにそうですね。0を入れないといけないですね。
ありがとうございました。