随机游走
无理数驱动粒子游走,验证二维扩散规律
向正方形内随机撒下大量米粒,统计落入内切圆的比例,用蒙特卡洛方法估算圆周率 。
蓝色米粒落在内切圆内,红色米粒落在圆外。
在边长为 2r 的正方形内画半径为 的内切圆。均匀投点时,落入某个区域的概率等于该区域占总区域的面积比,所以
半径 在分子和分母中约去,因此结果与画布的实际尺寸无关。
第 粒米的坐标由
经
、
映射到
。定义
于是 是参数
的伯努利随机变量:
设 是
粒米中落入圆内的粒数,则
在理想连续模型中,;因此圆周上重投只是把程序的分类规则写完整,不改变理论概率。
由 及期望的线性性,
将 看作
的估计,再乘 4,得到
所以该估计量是 的无偏估计:长期重复实验时,估计值的平均等于真值。无偏不代表单次实验没有误差。
伯努利变量满足 。在各次投米独立的模型下,方差可相加:
再使用 :
代入 :
这就是 速率的来源。样本量增加 100 倍,标准误差才缩小 10 倍。
若把「精度 」定义为标准误差不超过
,则
取 ,得
,即约 270 万粒。
若要求近似 95% 的正态误差范围为 ,使用标准正态分布的 97.5% 分位数 1.959964,则需要“
标准误差
”:
取 ,得
,向上取整约为 1040 万粒。实验中未知
时,可用样本比例
估计标准误差:
由大数定律, 收敛到
,因而估计量
收敛到
。但这是概率意义下的长期收敛,不是单调靠近:新增样本后,曲线可能暂时远离
。对任意有限
,
是有理数,而
是无理数,所以两者不会精确相等。
页面使用 Math.random() 生成伪随机数,在模型中将它们视为近似独立、近似均匀的样本;它们不是物理随机源,也不用于密码学目的。
无理数驱动粒子游走,验证二维扩散规律
同一道题三种随机化,竟得出不同概率
弹球下落,勾勒出钟形曲线
重复投针,估算圆周率 π
全员拿错帽子,错排问题
在方格上投掷硬币,探索策略博弈
逐枚揭晓结果,比较下注策略的优劣
连续两次正面才赢,自定赌注
袋中摸球,频率趋于理论值
看似公平的骰子暗藏期望陷阱
自组棋盘与骰子,揭开大乐透的数学陷阱