蒙特卡洛圆周率与布丰投针 3D

关于这个模拟实验

《蒙特卡洛与布丰投针》展示了随机性如何解决确定性几何问题。在“球体内接立方体 (3D)”模式下，随机点 (x, y, z) 像雨点般落入边长为 2R 的立方体中；由于内切球精确占据立方体体积的 π/6 ≈ 52.36%, 将金色内部命中比例乘以 6 即可估计出 π。学生还可以切换到经典的 2D 方中圆比例 (π/4) 或布丰投针，其中长度为 L 的棍子随机投掷到相距 D 的地板条上，与线相交的概率为 2L/(πD)。拖动上方发射器或发射 500 个样本爆发，通过大数定律将实时收敛曲线推向 3.14159。

学生可以探索什么

观察“球体内接立方体 (3D)”模式下的早期样本在收敛图表上剧烈波动，然后多次点击“投掷 500 样本爆发”以观看曲线稳定在 3.1416 附近。
拖动或点击立方体上方发光的金色发射器环，将集中的飞镖爆发雨点般射入体积中。
将模拟模式切换为“圆与正方形 (2D)”，并将命中百分比 (~78.5% = π/4) 与 3D 球体命中百分比 (~52.4% = π/6) 进行比较。
选择“布丰投针”模式，将 3D 小棍投掷到平行标线盘上，并观察相交的小棍亮起金色。
使用“清除样本”并运行 N = 500 的三个独立试验，以观察蒙特卡洛估计中的统计方差。

学习目标

1推导几何概率比 V_sphere / V_cube = π/6 和 A_circle / A_square = π/4。
2解释大数定律如何保证蒙特卡洛样本比例 K/N 随着 N 的增长而收敛到真实概率。
3描述布丰投针如何将随机角度和位置的几何概率与 π 连接起来。
4分析为什么蒙特卡洛估计误差与 1/√N 成正比地减小。

教师常问的问题

为什么在 3D 球体内接立方体模式下，6 乘以（命中数 / 总数）可以估计 π？

从 −R 延伸到 +R 的立方体边长为 2R，体积为 (2R)³ = 8R³。内切于其中的半径为 R 的球体体积为 (4/3)πR³。将球体体积除以立方体体积可消去 R³ 并得到 (4/3)π / 8 = π / 6，因此 π = 6 × (V_sphere / V_cube)。

布丰投针如何使用投掷的小棍估计 π？

1777 年，乔治-路易·勒克莱尔，丰伯爵布丰证明，当长度为 L（L ≤ D）的小棍随机投掷到相距 D 的平行线上时，与线相交的概率为 P = 2L / (πD)。重新排列可得 π ≈ 2L·N / (D·K)。

为什么 π 估计值在小样本量 N 下会上下跳动？

随机采样的标准误差与 1/√N 成正比。仅有 50 个飞镖时，几个幸运或不幸的命中会使比例发生几个百分点的偏移；将误差减少 10 倍需要多 100 倍的样本。

蒙特卡洛方法在真实科学和工程学中用于何处？

当精确积分的维度太多而无法在网格上求解时，蒙特卡洛模拟在多维物理学、辐射输运、金融风险建模、计算机图形学光线追踪和 AI 树搜索中是必不可少的。

嵌入这个模拟实验

免费嵌入你的学习平台、博客或班级网站。

<iframe src="https://kiwibee.io/zh-cn/simulations/monte-carlo-probability-pi-3d-3d-simulation/embed" title="蒙特卡洛与布丰投针 | KiwiBee" loading="lazy" allowfullscreen style="width:100%;height:min(70vh,620px);min-height:420px;border:0;border-radius:16px"></iframe>

继续探索