布丰投针实验与随机投点法的对比

最新推荐文章于 2025-07-28 20:51:52 发布

增反减同

最新推荐文章于 2025-07-28 20:51:52 发布

阅读量855

点赞数 15

CC 4.0 BY-SA版权

文章标签：大数据数据分析概率论数据挖掘

本文链接：https://blog.youkuaiyun.com/weixin_43332559/article/details/148045687

布丰投针实验和随机投点法都可以用来估算圆周率π，但它们的应用场景和核心思想并不局限于计算π，而是蒙特卡洛方法在不同问题中的具体体现。以下是详细解释：

1. 为什么它们能计算π？

(1) 布丰投针实验

原理：通过针与平行线相交的概率与π的关系推导出π的表达式（见公式 ( $π\pi$ = $2LP⋅D\frac{2L}{P \cdot D}$ )）。
蒙特卡洛特性：通过大量随机投针，用频率（相交次数/总次数）逼近概率 ( P )，代入公式计算π。
实验本质：几何概率问题，依赖π在几何关系中的隐含表达。

(2) 随机投点法

原理：在单位正方形内随机投点，统计落在单位圆内的比例。
- 单位圆面积 = π，单位正方形面积 = 4，因此比例 ( P = $π4\frac{\pi}{4}$ )，反推 ( $π=4P\pi = 4P$ )。
蒙特卡洛特性：通过均匀采样统计比例，逼近真实面积（或积分）。

2. 它们的核心区别

特征	布丰投针实验	随机投点法
数学基础	几何概率（针与线相交的条件）	均匀分布统计（面积比例）
计算目标	通过概率公式反推π	通过面积比例直接计算π
扩展应用	更多用于教学演示蒙特卡洛思想	通用性更强（可计算任意积分/面积）
代码复杂度	需处理角度和位置关系	只需判断点是否在目标区域内

3. 蒙特卡洛方法的更广泛应用

虽然这两个实验常被用来教学如何计算π，但它们本质是蒙特卡洛方法的两种实现形式，适用于更广泛的问题：

布丰投针的扩展：
- 估算复杂几何形状的面积（如不规则图形）。
- 模拟物理现象（如粒子穿过屏障的概率）。
随机投点法的扩展：
- 高维积分：例如计算10维空间中的积分。
- 金融风险评估：模拟股票价格路径，估算期权价值。
- 工程优化：随机采样参数组合，寻找最优解。

4. 代码对比

(1) 布丰投针实验（计算π）

import numpy as np

def buffon_pi(num_throws, L=1, D=2):
    hits = 0
    for _ in range(num_throws):
        y = np.random.uniform(0, D/2)
        theta = np.random.uniform(0, np.pi/2)
        if y <= (L/2) * np.sin(theta):
            hits += 1
    probability = hits / num_throws
    return (2 * L) / (probability * D)

print(buffon_pi(1_000_000))  # 输出约3.141

(2) 随机投点法（计算π）

import numpy as np

def monte_carlo_pi(n):
    points = np.random.uniform(-1, 1, (n, 2))  # 在正方形[-1,1]x[-1,1]内生成点
    inside = np.sum(points[:,0]**2 + points[:,1]**2 <= 1)  # 落在单位圆内
    return 4 * inside / n

print(monte_carlo_pi(1_000_000))  # 输出约3.141