欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

【数学】通俗解释布丰投针实验过程及python仿真代码

程序员文章站 2024-03-25 21:49:28
...

很郁闷为什么网上的布丰投针都写的这么复杂,而且很多都是复读机直接copy别人,其实这是个很精巧、有趣的实验,所以打算自己写一个布丰投针的介绍

故事背景

你在教室里写数学题,突然有个人,抱着一大盒针走过来,然后把针撒到地上,然后很淡定地点点头说,“嗯,我知道π等于多少了”。

是不是觉得很神奇?!这跟π什么关系?!!!

没错,这个人就是布丰。

实验过程

这个实验也很简单,两段距离为D的平行线、一根长为L的针(L≤D)
【数学】通俗解释布丰投针实验过程及python仿真代码
投针实验就是把这根针扔到两段平行线之间,然后统计针碰到平行线的次数,例如图中的两根针,红色针就是碰到,黑色针就是没碰到
【数学】通俗解释布丰投针实验过程及python仿真代码
哪这和π是怎么扯上关系的呢?是从”针碰到平行线“的数学定义中推导得到的。我们先想办法定义针的位置,取针的中点向最近的平行线做垂线,定义该垂线为XX,该垂线与针的夹角为θθ
因为针是在两段平行线之间,故
X[0,D/2]X\in[0, D/2]
同时因为总能找到一个小于90°的角,故
θ[0,π/2]θ\in[0, π/2]

【数学】通俗解释布丰投针实验过程及python仿真代码
XXθθ与平行线可以组成一个直角三角形,所以斜边的长度是X/cosθX/cosθ
【数学】通俗解释布丰投针实验过程及python仿真代码
因此,只要
X/cosθ<L/2X/cosθ < L/2
X<(L/2)cosθ即X < (L/2)*cosθ
的话(其实取≤也可以,影响不大),就说明针碰到了平行线,否则就说明没碰到,下图分别为”没碰到和“碰到”的情况
【数学】通俗解释布丰投针实验过程及python仿真代码
下面我们来表示出“针碰到平行线的概率”,即
P{X<L2cosθ}P\{X<\frac{L}{2}cosθ\}

求概率,本质就是比值,而因为XXθθ是连续的,所以上面的比值可以等价于面积的比值

即,当XXθθ在其取值范围内变化时,会生成无数个点,这些点的总面积为S=D2π2=Dπ4S = \frac{D}{2} * \frac{π}{2} = \frac{D*π}{4} (由XXθθ的取值范围决定)

在这无数个点中,有一些点满足X<L2cosθX<\frac{L}{2}cosθ这一条件,这些点的面积记作S1S_1,所以

P{X<L2cosθ}=S1SP\{X<\frac{L}{2}cosθ\} = \frac{S1}{S}

那怎么把S1S_1表示出来呢?因为针的中心点和角度是没关系的,所以我们可以假设中XXθθ是相互独立的,且他们在各自的取值范围内服从均匀分布,所以可以写成
【数学】通俗解释布丰投针实验过程及python仿真代码
剩下的就算微积分的事情了
【数学】通俗解释布丰投针实验过程及python仿真代码
所以可得
P{X<L2cosθ}=2LπDP\{X<\frac{L}{2}cosθ\} = \frac{2*L}{π*D}

接下来,我们就可以反向思维,把ππ表示出来
π=2LP{X<L2cosθ}Dπ = \frac{2*L}{P\{X<\frac{L}{2}cosθ\}*D}

所以,只要知道了LLDDP{X<L2cosθ}P\{X<\frac{L}{2}cosθ\}就可以算出ππ

那问题来了,P{X<L2cosθ}P\{X<\frac{L}{2}cosθ\}不是根据上面积分算出来的吗?你这样不就鸡生蛋蛋生鸡了?

其实P{X<L2cosθ}P\{X<\frac{L}{2}cosθ\}还可以通过做实验的途径得到,例如我投100次针,其中有50次针碰到了平行线,那么P{X<L2cosθ}=50100=0.5P\{X<\frac{L}{2}cosθ\}=\frac{50}{100}=0.5

这样一来,ππ也就能求出来了

这种通过做实验来求积分的方法,就是大名鼎鼎的蒙特卡洛方法
(你也可以认为是暴力求解积分哈哈哈)

以上,就是布丰投针实验求ππ的过程

代码实验

import random
import numpy as np
from tqdm import tqdm

# 平行线距离
D = 2
# 针的长度
L = 1
# 实验次数
exp_num = 100000000
# 触碰次数
touch_num = 0
for i in tqdm(range(1, exp_num+1)):
    X = random.uniform(0, D / 2)
    theta = random.uniform(0, np.pi / 2)
    if X < (L/2)*np.cos(theta):
        touch_num += 1
# 计算π
P = touch_num/exp_num
print('π = {}'.format((2*L)/(P*D)))

结果为:

π = 3.1412599467996216

大家可能会对theta = random.uniform(0, np.pi / 2)很疑问,我想求得是ππ,但是代码中就已经给定ππ(即np.pi),这不就犯规了吗?

其实不是,因为代码中我们要模拟现实的投针场景,所以theta = random.uniform(0, np.pi / 2)就是我们的现实,相当于是上帝提前设定好的,我们不知道的
我们的结果、我们想求的东西,就是希望去找到theta = random.uniform(0, np.pi / 2)中的ππ(即np.pi)是多少,它是我们的目标,我们希望结果尽可能的接近他

换句话说,如果我把theta = random.uniform(0, np.pi / 2)中的ππ(即np.pi)换成数字5的话(即改为theta = random.uniform(0, 5 / 2)

我们输出的结果就会非常接近5,因为我们此时想要拟合的目标是5

运行下面的代码(只改了theta那一行),输出结果为:π = 5.00038202918703

import random
import numpy as np
from tqdm import tqdm

# 平行线距离
D = 2
# 针的长度
L = 1
# 实验次数
exp_num = 100000000
# 触碰次数
touch_num = 0
for i in tqdm(range(1, exp_num+1)):
    X = random.uniform(0, D / 2)
    theta = random.uniform(0, 5 / 2)
    if X < (L/2)*np.cos(theta):
        touch_num += 1
# 计算π
P = touch_num/exp_num
print('π = {}'.format((2*L)/(P*D)))

ππ只是个外衣,不要被骗了哈哈哈

布丰投针给我们提供的是一种解决问题的思路,”通过数学推导与实验(蒙特卡洛方法)的配合,求出难以直接计算得到的值“,我认为这才是这个实验的巧妙之处~