编写程序，模拟蒙特·卡罗计算圆周率近似值的方法，输入掷飞镖次数，然后输出圆周率近似值。观察实验结果，理解实验结果随着模拟次数增多越来越接近圆周率的原因。蒙特·卡罗方法是一种通过概率来得到问题近似解的方法，在很多领域都有重要的应用，其中就包括圆周率近似值的计算问题。假设有一块边长为2的正方形木板，上面画一个单位圆，然后随意往木板上扔飞镖，落点坐标必然在木板上（更多的时候是落在单位圆内），如果扔的次数足够多，那么落在单位圆内的次数除以总次数再乘以4，这个数字会无限逼近圆周率的值。这就是蒙特·卡罗发明的用于计算圆周率近似值的方法，如图所示。

好的，这是一个经典的蒙特·卡罗问题。下面是一个Python程序来模拟掷飞镖的过程，并根据投中圆内的次数来计算圆周率的近似值：

import random

def estimate_pi(num_throws):
    num_inside = 0
    for i in range(num_throws):
        x = random.uniform(-1, 1)
        y = random.uniform(-1, 1)
        if x**2 + y**2 <= 1:
            num_inside += 1
    pi_estimate = 4 * num_inside / num_throws
    return pi_estimate

print(estimate_pi(100000))

在这个程序中，我们定义了一个函数`estimate_pi`，并输入参数`num_throws`表示投掷飞镖的次数。然后在循环中，我们通过`random.uniform(-1, 1)`来生成一个在`[-1, 1]`之间的随机数，表示飞镖落点的x坐标和y坐标。接着我们计算这个点到圆心的距离，如果距离小于等于1，则表示这个点落在了单位圆内。统计落在圆内的点的个数，最后通过`4 * num_inside / num_throws`来计算圆周率的近似值，并返回这个近似值。

我们可以尝试不同的投掷次数，比如`1000`、`10000`、`100000`等，来观察圆周率的近似值如何随着模拟次数的增多而逐渐接近圆周率的真实值。