Strona główna Matematyka i Analiza Monte Carlo Pi Estimation

🎯 Monte Carlo Pi Estimation

Estimate the value of pi by scattering random points into a square and counting how many land inside a quarter circle, watching the Monte Carlo estimate converge live.

Matematyka i Analiza2DŁatwy60 FPS
monte-carlo-pi ↗ Otwórz osobno
Interfejs samej symulacji jest w języku angielskim.

Podobne symulacje

O tej symulacji

To narzędzie demonstruje metodę Monte Carlo, szacując π z czystej losowości. Tysiące punktów są rozrzucane równomiernie po kwadracie jednostkowym, a każdy jest sprawdzany względem równania okręgu, aby zobaczyć, czy mieści się wewnątrz wpisanej ćwiartki koła. Ponieważ stosunek pola ćwiartki koła do pola kwadratu wynosi dokładnie π/4, pomnożenie obserwowanego ułamka punktów wewnątrz przez cztery daje bieżące oszacowanie π, które staje się coraz dokładniejsze w miarę pobierania większej liczby punktów.

🔬 Co przedstawia

Losowe punkty (x, y) są losowane równomiernie z [0,1]×[0,1]. Punkt liczy się jako wewnątrz, gdy x²+y² ≤ 1. Ponieważ pole(ćwiartka koła)/pole(kwadrat) = π/4, ułamek punktów wewnątrz przybliża π/4, więc π ≈ 4·(wewnątrz/wszystkie). Wykres śledzi to bieżące oszacowanie względem prawdziwej wartości π.

🎮 Jak korzystać

Dostosuj suwak punktów na klatkę, aby próbkować szybciej lub wolniej, przełącz wykres zbieżności włączony/wyłączony, i użyj Pauzy, aby zatrzymać animację, lub Resetuj, aby wyczyścić wszystkie punkty i rozpocząć nowy przebieg. Panel statystyk pokazuje na żywo liczby, bieżące oszacowanie π i jego błąd bezwzględny względem Math.PI.

💡 Czy wiesz, że?

To ten sam rodzaj próbkowania statystycznego, który wykorzystuje się do wyceny złożonych instrumentów pochodnych, symulacji transportu neutronów w reaktorach jądrowych i renderowania realistycznego oświetlenia w filmach — wszędzie tam, gdzie dokładna odpowiedź jest zbyt trudna do obliczenia, ale dobre losowe oszacowanie jest osiągalne.

Najczęściej zadawane pytania

Jak losowe rozrzucanie punktów szacuje π?

Ćwiartka koła o promieniu 1 wpisana w kwadrat jednostkowy ma pole π/4, podczas gdy kwadrat ma pole 1. Jeśli punkty są rozrzucane równomiernie po kwadracie, prawdopodobieństwo, że dowolny z nich wyląduje wewnątrz ćwiartki koła, jest równe temu stosunkowi pól, π/4. Zliczenie ułamka punktów, które lądują wewnątrz, i pomnożenie go przez 4 daje więc oszacowanie π.

Dlaczego oszacowanie wciąż się zmienia w miarę dodawania kolejnych punktów?

Każda partia losowych punktów jest nową próbką statystyczną, więc obserwowany ułamek punktów wewnątrz oscyluje wokół prawdziwej wartości π/4. W miarę wzrostu całkowitej liczby punktów N prawo wielkich liczb przybliża bieżące oszacowanie do π, a typowy błąd maleje proporcjonalnie do 1/√N.

Dlaczego oszacowanie pi metodą Monte Carlo nie jest dokładne?

Jest to oszacowanie statystyczne, a nie dokładne obliczenie. Ponieważ pozycja każdego punktu jest losowa, liczba punktów wewnątrz ćwiartki koła sama jest zmienną losową, więc oszacowanie zawsze niesie pewien błąd próbkowania. Ten błąd maleje wraz z liczbą próbek, ale nigdy całkowicie nie znika w skończonym przebiegu.

Jak szybko zbiega metoda Monte Carlo?

Oszacowania Monte Carlo zwykle zbiegają z szybkością 1/√N, co oznacza, że potrzeba mniej więcej 100 razy więcej próbek, aby zyskać jedną dodatkową cyfrę dziesiętną dokładności. Jest to znacznie wolniejsze niż deterministyczne metody numeryczne dla gładkich problemów jednowymiarowych, ale Monte Carlo skaluje się o wiele lepiej do problemów wysokowymiarowych, w których te metody stają się niepraktyczne.

Do czego jeszcze wykorzystywana jest metoda Monte Carlo poza szacowaniem π?

Metody Monte Carlo są wykorzystywane wszędzie tam, gdzie problem jest zbyt złożony, aby rozwiązać go dokładnie, ale można go przybliżyć poprzez wielokrotne losowe próbkowanie: wycena opcji finansowych, symulacja fizyki cząstek i reakcji jądrowych, renderowanie globalnego oświetlenia w grafice komputerowej, optymalizacja i bayesowskie wnioskowanie statystyczne, między wieloma innymi zastosowaniami.

⚙ Pod maską

Oszacuj wartość pi, rozrzucając losowe punkty po kwadracie i licząc, ile z nich ląduje wewnątrz ćwiartki koła, obserwując na żywo zbieżność oszacowania Monte Carlo.

monte carlopiprawdopodobieństwostatystyka

2D · HTML5 Canvas 2D · docelowo 60 FPS · działa w całości po stronie klienta, bez instalacji

Co znalazłeś?

Dodaj kroki odtworzenia (opcjonalnie)