### 使用 `numpy.random.uniform` 生成随机数及其在蒙特卡洛方法中的作用 #### 1. `numpy.random.uniform` 的具体含义 `numpy.random.uniform` 是 NumPy 提供的一个函数，用于生成指定范围内的均匀分布随机数。其基本语法为： ```python numpy.random.uniform(low, high, size) ``` - 参数 `low` 表示随机数的下界（包含）[^3]。 - 参数 `high` 表示随机数的上界（不包含）[^3]。 - 参数 `size` 指定输出的形状，可以是整数或元组。如果未指定，则返回单个值。 例如，以下代码生成了 `[0, 1)` 范围内形状为 `(3, 2)` 的随机数矩阵： ```python import numpy as np random_matrix = np.random.uniform(0, 1, (3, 2)) print(random_matrix) ``` #### 2. 在蒙特卡洛方法中的作用 蒙特卡洛方法的核心思想是通过随机抽样来估计复杂问题的解。`numpy.random.uniform` 在此过程中用于生成符合特定分布的随机样本点。以下是一个经典的例子——使用蒙特卡洛方法估算圆周率 \( \pi \)： ##### 估算圆周率 \( \pi \) 假设一个单位圆位于原点，其方程为 \( x^2 + y^2 \leq 1 \)，并将其嵌入一个边长为 2 的正方形中。随机生成大量点 \((x, y)\) 并统计落在圆内的点数与总点数的比例，即可估算 \( \pi \) 的值。 代码实现如下： ```python import numpy as np n = 1000000 # 随机点的数量 x_random = np.random.uniform(-1, 1, n) # 生成 x 坐标 y_random = np.random.uniform(-1, 1, n) # 生成 y 坐标 # 统计落在圆内的点数 inside_circle = (x_random**2 + y_random**2 <= 1).sum() # 计算 pi 的估计值 pi_estimate = 4 * inside_circle / n print(f"Estimated Pi: {pi_estimate}") ``` 在此代码中： - `x_random` 和 `y_random` 分别表示随机生成的 \( x \) 和 \( y \) 坐标[^3]。 - 条件 \( x^2 + y^2 \leq 1 \) 用于判断点是否在单位圆内。 - 最终通过比例关系 \( \frac{\text{圆面积}}{\text{正方形面积}} = \frac{\pi}{4} \) 估算 \( \pi \)。 #### 3. 具体解释 `x_random` 和 `y_random` - `x_random = np.random.uniform(-1, 1, n)`：生成 \( n \) 个均匀分布在 \([-1, 1)\) 区间的随机数作为点的 \( x \) 坐标[^3]。 - `y_random = np.random.uniform(-1, 1, n)`：生成 \( n \) 个均匀分布在 \([-1, 1)\) 区间的随机数作为点的 \( y \) 坐标。 这两个数组共同定义了 \( n \) 个随机点的位置，用于后续的统计分析。 --- ###