使用 Python 模拟蒙特卡洛实验

使用 Python 模拟蒙特卡洛实验

蒙特卡洛方法是一种使用随机采样来解决数学问题的统计学技术。它通常用于计算复杂系统的概率、优化问题和物理模拟等领域。在这篇文章中,我们将通过一个经典的问题------估算圆周率 (π) 的值,来演示如何使用 Python 进行蒙特卡洛实验。

蒙特卡洛估算 π 的基本原理

蒙特卡洛方法可以用来估算 π 的值。假设我们在一个边长为 2 的正方形内绘制一个单位圆(半径为 1)。该正方形的面积是 (2 \times 2 = 4),而圆的面积是 (\pi \times r^2 = \pi)。我们可以通过以下步骤来估算 π:

  1. 随机生成许多点,这些点均匀分布在正方形内。
  2. 计算有多少个点落在单位圆内。
  3. 通过比率来估算 π:[ \pi \approx \frac{\text{圆内的点数}}{\text{总点数}} \times 4 ]

代码实现

下面是使用 Python 实现上述蒙特卡洛估算 π 的简单代码:

python 复制代码
import random
import matplotlib.pyplot as plt

def monte_carlo_pi(num_samples):
    inside_circle = 0
    x_inside, y_inside = [], []
    x_outside, y_outside = [], []

    for _ in range(num_samples):
        # 生成随机点 (x, y)
        x, y = random.uniform(-1, 1), random.uniform(-1, 1)
        
        # 判断点是否在单位圆内
        if x**2 + y**2 <= 1:
            inside_circle += 1
            x_inside.append(x)
            y_inside.append(y)
        else:
            x_outside.append(x)
            y_outside.append(y)

    # 计算 π 的估算值
    pi_estimate = (inside_circle / num_samples) * 4
    
    return pi_estimate, x_inside, y_inside, x_outside, y_outside

# 设定样本数量并执行实验
num_samples = 10000
pi_value, x_in, y_in, x_out, y_out = monte_carlo_pi(num_samples)

print(f"估算的 π 值: {pi_value}")

# 绘制结果
plt.figure(figsize=(8, 8))
plt.scatter(x_in, y_in, color='blue', s=1)  # 圆内的点
plt.scatter(x_out, y_out, color='red', s=1)  # 圆外的点
plt.title('蒙特卡洛方法估算 π')
plt.xlabel('X')
plt.ylabel('Y')
plt.xlim(-1, 1)
plt.ylim(-1, 1)
plt.gca().set_aspect('equal')  # 设置坐标轴比例相等
plt.grid()
plt.axhline(0, color='black',linewidth=0.5, ls='--')
plt.axvline(0, color='black',linewidth=0.5, ls='--')
plt.show()

代码解读

  • 导入库 :我们使用 random 来生成随机数,并使用 matplotlib.pyplot 绘制图形。
  • 函数定义monte_carlo_pi 函数接受样本数量作为参数,并返回 π 的估算值以及圆内外的点的坐标。
  • 随机点生成:在 ([-1, 1]) 的范围内生成随机点,并根据它们的坐标判断它们是否在单位圆内。
  • π 的估算 :通过 inside_circle 的计数与总点数的比率来估算 π。
  • 结果可视化:将落在圆内的点用蓝色表示,圆外的点用红色表示,以便直观查看蒙特卡洛实验的效果。

运行结果

当你运行以上代码时,你会看到控制台输出估算的 π 值,同时展示一幅包含蓝色和红色点的图像。这些点分别代表了在单位圆内和圆外随机生成的点。随着样本数量的增加,估算值会逐渐趋近于真实的 π 值(约 3.14159)。

应用与拓展

蒙特卡洛方法不仅可以用于估算 π,还广泛应用于金融建模、物理学、工程设计以及其他需要处理不确定性的问题。通过改变模型或算法,您可以使用蒙特卡洛方法解决多种复杂问题。

总结来说,蒙特卡洛方法是一种强大且灵活的工具,通过随机采样来处理复杂的数学和现实问题,使得其在科学研究和工业应用中都占据重要位置。希望本文对你理解和应用蒙特卡洛方法有所帮助!

欢迎点赞、关注、转发!!!

相关推荐
留不住丨晚霞24 分钟前
说说SpringBoot常用的注解?
java·开发语言
大模型真好玩27 分钟前
准确率飙升!GraphRAG如何利用知识图谱提升RAG答案质量(额外篇)——大规模文本数据下GraphRAG实战
人工智能·python·mcp
198928 分钟前
【零基础学AI】第30讲:生成对抗网络(GAN)实战 - 手写数字生成
人工智能·python·深度学习·神经网络·机器学习·生成对抗网络·近邻算法
hardStudy_h34 分钟前
C++——内联函数与Lambda表达式
开发语言·jvm·c++
applebomb37 分钟前
没合适的组合wheel包,就自行编译flash_attn吧
python·ubuntu·attention·flash
艾莉丝努力练剑1 小时前
【C语言】学习过程教训与经验杂谈:思想准备、知识回顾(三)
c语言·开发语言·数据结构·学习·算法
Chasing__Dreams1 小时前
python--杂识--18.1--pandas数据插入sqlite并进行查询
python·sqlite·pandas
彭泽布衣2 小时前
python2.7/lib-dynload/_ssl.so: undefined symbol: sk_pop_free
python·sk_pop_free
witton2 小时前
Go语言网络游戏服务器模块化编程
服务器·开发语言·游戏·golang·origin·模块化·耦合
喜欢吃豆2 小时前
从零构建MCP服务器:FastMCP实战指南
运维·服务器·人工智能·python·大模型·mcp