蒙特卡洛法求定积分 Python

蒙特卡罗方法可以用来估计函数的定积分。其基本思想是利用随机数模拟函数曲线下方的面积，从而得到定积分的近似值。

具体实现步骤如下：

1. 生成随机点：在积分区间内随机生成一定数量的点，可以用 `numpy` 库中的 `random` 模块实现。

2. 判断随机点是否在函数曲线下方：对于每个随机点，判断其纵坐标是否小于函数值，如果小于则认为该点在函数曲线下方。

3. 计算面积：将所有在曲线下方的随机点的数量除以总随机点数量，再乘以积分区间长度，就可以得到定积分的近似值。

下面是一个求 $sin(x)$ 在 $[0, \pi/2]$ 区间内的定积分的 Python 代码示例：

import numpy as np

def f(x):
    return np.sin(x)

a, b = 0, np.pi/2  # 积分区间
n = 10000  # 随机点数量

x = np.random.uniform(a, b, n)  # 生成随机点
y = np.random.uniform(0, 1, n)  # 生成 (0, 1) 之间的随机数

count = sum(y < f(x))  # 统计在曲线下方的随机点数量
integral = count / n * (b - a)  # 计算定积分近似值

print(integral)

需要注意的是，蒙特卡罗方法得到的是近似值，其精度取决于随机点数量。因此，为了提高精度，可以增加随机点数量。同时，对于不同的函数，可能需要调整随机点生成的范围和数量。

相关问题

蒙特卡洛法求定积分python

可以使用蒙特卡洛方法求解定积分。首先，我们需要确定被积函数的上下界，然后生成一组随机坐标点。接着，我们可以通过计算落在函数图像下方的点的数量与总随机点数量的比例，来估计函数的积分值。具体实现可以参考以下代码：

import random

# 被积函数
def f(x):
    return x ** 2

# 蒙特卡洛求定积分
def monte_carlo_integration(f, a, b, n):
    count = 0  # 落在函数图像下方的随机点数量
    for i in range(n):
        x = random.uniform(a, b)
        y = random.uniform(0, max(f(a), f(b)))
        if y <= f(x):
            count += 1
    return (float(count) / float(n)) * (b - a) * max(f(a), f(b))

# 示例
print(monte_carlo_integration(f, 0, 1, 100000))

其中，参数 `f` 是被积函数，`a` 和 `b` 是积分区间的上下界，`n` 是生成的随机坐标点数。运行代码会得到一个定积分的近似值。需要注意，随机生成的点数越多，则估计值越接近真实值。

蒙特卡洛法求圆周率python

以下是使用蒙特卡洛法求解圆周率的Python代码：

from random import random

# 撒点总个数
DARTS = 10000 * 10000
hits = 0.0

for i in range(1, DARTS + 1):
    x, y = random(), random()
    # 计算点到圆心的距离
    dist = pow(x ** 2 + y ** 2, 0.5)
    if dist < 1:
        hits += 1

# 计算圆周率
pi = 4 * (hits / DARTS)
print("圆周率的值是:{}".format(pi))

该代码使用了蒙特卡洛方法，即通过随机撒点的方式来估算圆的面积，从而计算圆周率。具体来说，我们在一个正方形内随机撒点，然后统计落在圆内的点的个数，最后通过计算圆的面积和正方形的面积的比值来估算圆周率。