### 使用Python实现蒙特卡罗方法计算圆周率 蒙特卡罗方法是一种基于随机抽样的数值计算技术，可以用来估算复杂的数学常量或积分等问题。在本例中，可以通过模拟随机点落入单位圆的概率来估计圆周率 π 的值。 #### 方法原理 在一个边长为 2 的正方形内部画一个半径为 1 的单位圆，则该圆的面积 \( S_{\text{circle}} \) 可表示为 \( \pi r^2 = \pi (1)^2 = \pi \)，而正方形的面积 \( S_{\text{square}} \) 为 \( 4 \)。因此，随机生成的点位于圆内的概率为： \[ P(\text{inside circle}) = \frac{\text{Area of Circle}}{\text{Area of Square}} = \frac{\pi}{4} \] 由此可得： \[ \pi = 4 \times \left( \frac{\text{Number of Points Inside the Circle}}{\text{Total Number of Points Generated}} \right) \] #### 实现代码 以下是完整的 Python 实现代码，用于通过蒙特卡罗方法估算圆周率 π： ```python import random def monte_carlo_pi(num_samples): """ 使用蒙特卡罗方法估算圆周率 π 参数: num_samples: 随机生成的点的数量 返回: pi_estimate: 估算得到的 π 值 """ inside_circle = 0 # 统计落在单位圆内的点数 for _ in range(num_samples): x = random.uniform(-1, 1) # 在 [-1, 1] 范围内生成随机横坐标 y = random.uniform(-1, 1) # 在 [-1, 1] 范围内生成随机纵坐标 distance_squared = x**2 + y**2 # 计算点到原点的距离平方 if distance_squared <= 1: # 如果距离小于等于 1，则点在圆内 inside_circle += 1 pi_estimate = 4 * (inside_circle / num_samples) # 根据比例计算 π 的估值 return pi_estimate # 测试程序 if __name__ == "__main__": samples = int(input("请输入要生成的随机点数量: ")) estimated_pi = monte_carlo_pi(samples) print(f"根据 {samples} 个样本点估算得到的 π 值为: {estimated_pi:.6f}") ``` #### 结果分析 当输入较大的 `num_samples` 数值时，例如 1 百万甚至更多，所得到的结果会更加接近真实的圆周率 π ≈ 3.141592653589793[^2]。这是因为随着样本数量增加，随机误差逐渐减小，从而使得估算结果趋于精确。 --- ###