モンテカルロ法とは何か仕組みと誤差から円周率の計算と応用例まで徹底解説

モンテカルロ法とは、乱数を大量に使って試行をくり返し、その平均や割合から答えを近似的に求める計算手法の総称です。式では解けない問題や、変数が多すぎて普通の方法では計算しきれない問題に強いのが特徴です。
原子力の設計から、株式のリスク計算、映画のCG、囲碁AIまで、現代の科学技術のあちこちでこの手法が使われています。しかも名前の由来は、モナコの有名なカジノです。
工学部で数値計算を学んできた私は、モンテカルロ法を「誰でも手で確かめられる、いちばん身近な科学計算」だと考えています。この記事では、仕組みと歴史を押さえたうえで、ブラウザ上で動くシミュレーターを使って、精度が試行回数とともにどう変わるかを体感していただきます。
この記事でわかること
- モンテカルロ法は、乱数による試行の平均から近似解を求める手法の総称です
- 誤差は試行回数の平方根に反比例し、精度を10倍にするには100倍の試行が必要です
- 100万点で円周率を求めても、信頼できるのは小数第2位の「3.14」程度です
- 名付けを提案したのはメトロポリスで、ウラムの叔父のカジノ通いにちなみます
- 次元の数に誤差が左右されないので、変数の多い問題ほど力を発揮します
モンテカルロ法とは何か
モンテカルロ法とは、求めたい量を「ある確率で起こることの平均」として表し、乱数で何度も試してその平均を取ることで、答えに近づける手法です。たとえば、コインを1万回投げて表が出た割合を数えれば、表が出る確率が約0.5だとわかります。考え方は、これとまったく同じです。
この方法が正しく答えに近づくのは、試行の回数を増やすほど平均が本当の値に近づく、という「大数の法則」が成り立つからです。また、誤差がどれくらいかは「中心極限定理」で見積もることができます。
| 用語 | 意味 |
|---|---|
| モンテカルロ法 | 乱数を使って数値計算や推定を行う手法の総称 |
| モンテカルロ・シミュレーション | 不確かな入力を確率の分布で与え、結果の分布を求める使い方 |
| マルコフ連鎖モンテカルロ法(MCMC) | 前の状態から次の状態を作るしくみで、複雑な分布からサンプルを得る方法 |
| モンテカルロ木探索 | ランダムに最後まで打ってみる試行で、ゲームの手の良し悪しを評価する方法 |
モンテカルロ法の歴史と名前の由来
モンテカルロ法の考え方そのものは古く、1777年にはビュフォンが、床に針を落として線と交わる確率を論じています。後にラプラスは、この実験で円周率を近似できると指摘しました。物理学者のフェルミも1930年代のローマで、中性子の研究に統計的な試行を独自に使っていたことが知られています。
モンテカルロ法の誕生まで
名前を提案したのは、ウラムの同僚だったニコラス・メトロポリスです。メトロポリス自身が1987年の回想で、「ウラムには、親戚からお金を借りては『どうしてもモンテカルロに行かなきゃ』と言っていた叔父がいた」と書いています。
日本語の解説ではフォン・ノイマンが名付けたとするものも多いのですが、当事者の回想ではメトロポリスの提案です。モンテカルロは、1863年にカジノが開業し、1866年にその一帯がそう名付けられた、モナコの地区の名前です。
モンテカルロ法の仕組みと誤差
モンテカルロ法でいちばん大事なのが、誤差の大きさです。1回の試行のばらつきを σ(シグマ)、試行回数を N とすると、平均の誤差(標準誤差)はおよそ σ÷√N になります。
つまり誤差は、試行回数の平方根に反比例します。精度を10倍にするには、試行回数を100倍に増やさなければなりません。これが「モンテカルロ法は収束が遅い」と言われる理由です。
一方で、この誤差の式には、問題の次元(変数の数)が出てきません。格子状に点を並べて計算する方法は、次元が増えるほど必要な点の数が爆発的に増えますが、モンテカルロ法の誤差は何次元でも同じ割合で減っていきます。変数が多い複雑な問題ほど、モンテカルロ法が有利になるのです。
円周率を求めてみよう
モンテカルロ法の定番の例が、円周率の推定です。1辺が1の正方形の中にランダムに点を打ち、原点からの距離が1以下、つまり四分円の中に入った点の割合を数えます。
四分円の面積はπ/4、正方形の面積は1なので、割合はπ/4に近づきます。この割合を4倍すれば、円周率の近似値になります。下のシミュレーターで、点の数を変えて試してみてください。
目安:点は毎回ブラウザの乱数で打つので、押すたびに結果が変わります。「理論上の誤差」は1.96×1.642÷√N(約95%の範囲)で計算した値です。図には最大2万点まで描いています。
| 点の数 | 標準誤差の目安 | 約95%の範囲 |
|---|---|---|
| 1,000点 | 約0.052 | ±0.10 |
| 1万点 | 約0.016 | ±0.032 |
| 100万点 | 約0.0016 | ±0.0032 |
100万点使っても、確実に言えるのは「3.14」程度までです。逆に、円周率を±0.01の精度で求めたいなら、必要な点の数はおよそ10万点と計算できます。
筆者メモ
Pythonなら、NumPyで乱数を100万組作り、四分円の中に入った割合を4倍するだけで同じ計算ができます。Excelでも、RAND関数を2列並べて判定の列を作り、平均を4倍すれば再現できます。実際に手を動かしてみると、試行回数と精度の関係がよく実感できます。
モンテカルロ法が使われている分野
| 分野 | 使われ方の例 |
|---|---|
| 原子力・放射線 | 中性子の動きの計算(モンテカルロ法の出発点)、放射線の遮蔽設計 |
| 金融 | オプション価格の評価(1977年のボイルの研究が先駆け)、市場リスクの見積もり |
| 気象 | 少しずつ条件を変えた多数の予報を走らせるアンサンブル予報(気象庁の全球アンサンブルは51メンバー)。考え方がモンテカルロ的です |
| CG | 光の通り道をランダムに追跡するパストレーシング(1986年のカジヤの研究) |
| AI | モンテカルロ木探索。2016年のAlphaGoは、この探索とニューラルネットワークを組み合わせていました |
| 工学・プロジェクト管理 | 部品のばらつきによる故障確率や、工期の完了日の分布の推定 |
気象庁はアンサンブル予報を「モンテカルロ法」とは呼んでいませんが、初期値の不確かさを多数の試行で表すという発想は共通しています。
乱数の質と日本人研究者の貢献
モンテカルロ法の結果は、使う乱数の質に左右されます。コンピュータが作る乱数は、計算で作られた「擬似乱数」で、偏りや周期があると結果がゆがみます。
広く使われている擬似乱数の一つに、松本眞さんと西村拓士さんが開発した「メルセンヌ・ツイスタ」があります。1997年に発表され、論文は1998年に掲載されました。周期は2の19937乗から1を引いた非常に長いもので、Pythonの標準のrandomモジュールにも採用されています。ただし公式ページが明記しているとおり、暗号の用途には向きません。
カジノの期待値をシミュレーションで確かめる
名前の由来にちなんで、カジノのゲームでモンテカルロ法を試してみましょう。0が1つのヨーロピアンルーレットは37マスで、1つの数字に賭けると当たれば35倍の配当です。

計算すると、1回あたりの期待値は(35 − 36)÷ 37 = 約−2.70%です。この「胴元の取り分」が、実際に試行をくり返すとどう見えてくるかを、下のシミュレーターで確かめられます。
目安:0が1つの37マスで、赤か黒に1単位ずつ賭け、当たれば1倍の配当として計算しています。理論上の期待値は−1/37=約−2.70%です。
1,000回程度では、約95%の範囲で見た誤差の幅が約±6%もあり、勝ち越すことも珍しくありません。それが10万回、100万回と増えるにつれて、平均はほぼ確実に−2.7%付近に落ち着いていきます。短期の結果は当てにならず、長期では仕組みどおりの数字に近づく、というモンテカルロ法の性質がそのまま表れています。
オンラインカジノのボーナスに付く「賭け条件」も、同じ考え方で評価できます。賭け条件とは、ボーナスを出金するために必要な賭けの総額のことで、ゲームによって条件の消化に数えられる割合が違います。
この割合は、japan-101.comの解説にわかりやすい表があります。おすすめのオンラインカジノを厳選し、入金不要ボーナスなど最新のボーナス情報をまとめているオンカジ総合サイトで、スロットは100%、ルーレットは5〜20%といった目安が整理されています。

単純に見積もるなら、ボーナスの期待値は「ボーナス額 − 賭け条件の総額 × 胴元の取り分」で近似できます。ただ、途中で資金が尽きる確率まで知りたいなら、何千回もの試行をくり返すモンテカルロ法が向いています。
日本の法律について
日本国内からオンラインカジノで賭けることは、賭博罪にあたる犯罪です。警察庁も、海外で合法に運営されているサイトであっても、日本から賭ければ違法になると注意を呼びかけています。ここでの計算は、確率を学ぶための例として紹介しています。
カジノと最新技術の関係については、科学館と最新のオンラインカジノの技術を取り上げた記事もあります。
計算してみてわかったこと
ルーレットのシミュレーターを何度も動かしてみると、1,000回ではプラスになる回が何度も出てきます。数字の上では負けるとわかっていても、少ない回数では勝つこともある。この「ゆらぎ」こそが、人が短期の結果に期待してしまう理由なのだと、計算しながら改めて感じました。
モンテカルロ法の限界と注意点
使うときに気をつけたいこと
よくある疑問と答え
Q1. モンテカルロ法のメリットとデメリットは何ですか?
変数の多い問題や複雑な形の問題に強く、実装が簡単で並列化しやすいのがメリットです。一方で収束が遅く、結果が乱数の質や入力の仮定に左右されるのがデメリットです。
Q2. シミュレーションとの違いは何ですか?
シミュレーションは現象を模擬すること全般を指し、モンテカルロ法は乱数を使う計算手法を指します。乱数を使ったシミュレーションが、モンテカルロ・シミュレーションです。
Q3. モンテカルロ木探索とはどう違いますか?
モンテカルロ法は手法の総称で、モンテカルロ木探索はその考え方をゲームの手の探索に応用したものです。ランダムに最後まで打つ試行をくり返し、勝率で手を評価します。
Q4. 試行回数は何回にすればよいですか?
求めたい精度から逆算します。約95%の確かさで誤差をεにしたいなら、試行回数はおよそ(1.96×σ÷ε)の2乗です。円周率を±0.01で求めるなら約10万回になります。
Q5. ExcelやPythonでも試せますか?
試せます。ExcelはRAND関数、Pythonは標準のrandomモジュールやNumPyで乱数を作り、平均を取るだけで基本的なモンテカルロ法が実装できます。
Q6. 名前を付けたのは誰ですか?
当事者であるメトロポリスの回想によれば、名付けを提案したのはメトロポリス自身です。ウラムの叔父がモンテカルロのカジノに通っていたことにちなんでいます。
まずは上の円周率シミュレーターで、点を100から100万まで増やしてみてください。誤差が√Nに反比例して縮んでいく様子が見えたら、次はご自身の身近な「確率」の問題を、ExcelやPythonで試してみるのもおすすめです。