مونت کارلو پی و سوزن بوفون سه‌بعدی

Q: چرا تخمین پی در اندازههای نمونه کوچک N به اطراف پرتاب میشود؟

نمونهبرداری تصادفی دارای خطای استاندارد متناسب با 1/√N است. با تنها 50 دارت، چند برخورد خوششانس یا بدشانس نسبت را چندین درصد جابهجا میکند؛ کاهش خطا به میزان ضریب 10 نیازمند 100 برابر نمونه بیشتر است.

Q: روشهای مونت کارلو در علم و مهندسی واقعی کجا استفاده میشوند؟

شبیهسازیهای مونت کارلو در فیزیک ابعاد بالا، ترابری تشعشعی، مدلسازی ریسک مالی، ردیابی پرتو گرافیک کامپیوتری، و جستجوی درخت هوش مصنوعی که در آنها انتگرالهای دقیق ابعاد بسیار زیادی برای حل روی یک شبکه دارند، ضروری هستند.

دربارهٔ این شبیه‌سازی

مونت کارلو و سوزن بوفون نشان می‌دهند که چگونه تصادفی بودن می‌تواند مسائل هندسی قطعی را حل کند. در حالت کره در مکعب (سه‌بعدی)، نقاط تصادفی (x, y, z) در یک مکعب با ضلع 2R می‌بارند؛ از آنجا که کره محاط دقیقاً π/6 ≈ 52.36% از حجم مکعب را اشغال می‌کند، ضرب کسری از برخوردهای طلایی داخل در 6، پی را تخمین می‌زند. دانش‌آموزان همچنین می‌توانند به نسبت کلاسیک دایره در مربع دوبعدی (π/4) یا سوزن‌های بوفون تغییر وضعیت دهند، جایی که چوب‌هایی به طول L که روی تخته‌های کف با فاصله D از هم افتاده‌اند، با احتمال 2L/(πD) خطی را قطع می‌کنند. کشیدن نشردهنده بالاسری یا شلیک انفجارهای 500 نمونه‌ای، منحنی همگرایی زنده را با قانون اعداد بزرگ به سمت 3.14159 هدایت می‌کند.

دانش‌آموزان چه چیزهایی را می‌توانند کاوش کنند

نمونه‌های اولیه را در حالت کره در مکعب (سه‌بعدی) تماشا کنید که روی نمودار همگرایی به شدت نوسان می‌کنند، سپس چندین بار روی «ریزش انفجار 500» کلیک کنید تا ببینید منحنی در نزدیکی 3.1416 مستقر می‌شود.
حلقه نشردهنده طلایی درخشان بالای مکعب را بکشید یا روی آن کلیک کنید تا انفجارهای متمرکزی از دارت‌ها را به داخل حجم ببارانید.
حالت شبیه‌سازی را به دایره در مربع (دوبعدی) تغییر دهید و درصد برخورد (~78.5% = π/4) را با درصد برخورد کره سه‌بعدی (~52.4% = π/6) مقایسه کنید.
حالت سوزن‌های بوفون را انتخاب کنید تا چوب‌های سه‌بعدی را روی خطوط خط‌کشی‌شده موازی بیندازید و سوزن‌های متقاطع را ببینید که طلایی روشن می‌شوند.
از «پاک کردن نمونه‌ها» استفاده کنید و سه آزمایش جداگانه از N = 500 را اجرا کنید تا واریانس آماری در تخمین مونت کارلو را مشاهده کنید.

اهداف یادگیری

1نسبت‌های احتمال هندسی V_sphere / V_cube = π/6 و A_circle / A_square = π/4 را مشتق کنید.
2توضیح دهید که چگونه قانون اعداد بزرگ تضمین می‌کند که یک نسبت نمونه مونت کارلو K/N با رشد N به احتمال واقعی همگرا می‌شود.
3توضیح دهید که چگونه سوزن بوفون احتمال هندسی زاویه‌ها و موقعیت‌های تصادفی را به پی متصل می‌کند.
4تحلیل کنید چرا خطای تخمین مونت کارلو به طور متناسب با 1/√N کاهش می‌یابد.

پرسش‌هایی که معلم‌ها می‌پرسند

چرا 6 برابر (برخوردها / کل) پی را در حالت کره در مکعب سه‌بعدی تخمین می‌زند؟

یک مکعب امتدادیافته از −R تا +R دارا طول ضلع 2R و حجم (2R)³ = 8R³ است. یک کره با شعاع R که در داخل آن محاط شده دارای حجم (4/3)πR³ است. تقسیم کردن حجم کره بر حجم مکعب، R³ را خنثی می‌کند و (4/3)π / 8 = π / 6 را می‌دهد، بنابراین پی = 6 × (V_sphere / V_cube).

سوزن بوفون چگونه با استفاده از چوب‌های افتاده پی را تخمین می‌زند؟

در سال 1777 ژرژ-لوئی لکلرک، کنت دو بوفون نشان داد که وقتی سوزنی به طول L (با L ≤ D) به طور تصادفی روی خطوط موازی با فاصله D از هم می‌افتد، احتمال قطع کردن یک خط P = 2L / (πD) است. بازآرایی آن پی ≈ 2L·N / (D·K) را می‌دهد.

چرا تخمین پی در اندازه‌های نمونه کوچک N به اطراف پرتاب می‌شود؟

نمونه‌برداری تصادفی دارای خطای استاندارد متناسب با 1/√N است. با تنها 50 دارت، چند برخورد خوش‌شانس یا بدشانس نسبت را چندین درصد جابه‌جا می‌کند؛ کاهش خطا به میزان ضریب 10 نیازمند 100 برابر نمونه بیشتر است.

روش‌های مونت کارلو در علم و مهندسی واقعی کجا استفاده می‌شوند؟

شبیه‌سازی‌های مونت کارلو در فیزیک ابعاد بالا، ترابری تشعشعی، مدل‌سازی ریسک مالی، ردیابی پرتو گرافیک کامپیوتری، و جستجوی درخت هوش مصنوعی که در آن‌ها انتگرال‌های دقیق ابعاد بسیار زیادی برای حل روی یک شبکه دارند، ضروری هستند.

این شبیه‌سازی را جاسازی کنید

آن را در LMS، وبلاگ یا وب‌سایت کلاس خود قرار دهید — رایگان.

<iframe src="https://kiwibee.io/fa/simulations/monte-carlo-probability-pi-3d-3d-simulation/embed" title="مونت کارلو و سوزن بوفون | KiwiBee" loading="lazy" allowfullscreen style="width:100%;height:min(70vh,620px);min-height:420px;border:0;border-radius:16px"></iframe>

کاوش را ادامه دهید

Type any function and see its shape straight away. Plot up to three at once in three colours to compare them, drag the trace point to read a value off a curve, and see where each one crosses zero.

—

Spin a spinner, flip a coin or roll a die and watch two sets of bars: the chances the shapes predict, and the results you actually got. Ten spins prove nothing; a few hundred and the two are hard to tell apart.

—

Move m and watch the line tilt; move b and watch it slide. Or drag the two points on the line and read the equation it writes back. A rise-over-run staircase climbs the line so slope becomes something you can count.

—

Two bodies under gravity trace an ellipse forever and you can write the formula down. Add a third and no such formula exists. Run the figure-eight orbit, nudge one mass, and watch a stable pattern become unpredictable while the total energy stays put.

—

پیش‌نمایش Riemann Sums and the Integral Simulation

Approximate the area under a curve with strips and choose how each takes its height: left edge, right edge, middle, or a sloping top. Push the strip count up and watch the error fall, with the running total plotted as its own curve.

—

از مدل تا شواهد

پس از کاوش دانش‌آموزان، از یک کاربرگ برای ثبت پیش‌بینی‌ها، مشاهدات و توضیح‌ها استفاده کنید.