引言
在数学、物理和工程领域，我们常遇到无法用解析法求解的难题。高维积分、随机过程估计或是复杂系统模拟，传统数值方法往往力不从心。这时候，蒙特卡罗方法（Monte Carlo Methods）就登场了。它不追求精确的公式推导，而是通过大量的随机抽样来逼近问题的解。
核心原理
蒙特卡罗方法的核心思想其实很简单：利用随机性解决确定性或概率性问题。想象一下你要计算一个不规则图形的面积，直接算很难，但如果你往包含该图形的矩形里随机撒点，统计落在图形内的点的比例，就能估算出面积。这就是大数定律的应用——样本量足够大时，频率趋近于概率。
实战案例：估算圆周率 π
为了让大家更直观地理解，我们用经典的'投针'问题变体——估算圆周率 π 来写一段 Python 代码。
思路分析
我们在单位正方形内随机生成点，这些点落在四分之一圆内的概率等于圆的面积除以正方形面积，即 $\frac{\pi r^2}{(2r)^2} = \frac{\pi}{4}$。因此，$\pi \approx 4 \times \frac{\text{圆内点数}}{\text{总点数}}$。
代码实现
import random
import math
def estimate_pi(num_samples):
"""
使用蒙特卡罗方法估算圆周率
:param num_samples: 采样次数
:return: 估算值
"""
inside_circle = 0
for _ in range(num_samples):
# 生成 [0, 1] 之间的随机坐标
x = random.random()
y = random.random()
# 判断点是否在单位圆内 (x^2 + y^2 <= 1)
if x**2 + y**2 <= 1:
inside_circle += 1
return 4 * inside_circle / num_samples
if __name__ == "__main__":
samples = 1000000
result = estimate_pi(samples)
print(f"采样次数：{samples}")
print(f"估算结果：{result}")
print(f"真实值：{math.pi}")
print(f"误差：{(result - math.pi)}")
