蒙特卡洛法近似π：539354个点精度超预期，求排查

代码正确性验证 #

你的Python代码逻辑完全正确：

• 核心逻辑通过生成[0,1)范围内的随机点，统计落入单位四分之一圆内的点数占比，再乘以4得到π的近似值，完全符合蒙特卡洛法的原理。
• simulX函数未被调用，不影响最终计算结果。
• 1000次测试取平均偏差的计算方式合理，能准确反映近似值的整体误差水平。

精度与样本量的关系 #

你之前对所需点数的估计有误，根源是对蒙特卡洛法的误差特性理解偏差：蒙特卡洛法的误差阶数是O(1/√n)（而非O(1/n)），具体推导如下：

1. 设单次试验中点落入四分之一圆的概率为( p = \pi/4 )，则统计落入圆内的点数( S_n )服从二项分布( B(n, p) )，其方差为( Var(S_n) = n p (1-p) )。
2. π的近似值( P_n = 4 S_n / n )，其方差为：
   [
   Var(P_n) = 16 \cdot \frac{Var(S_n)}{n^2} = \frac{16 p (1-p)}{n} = \frac{\pi(4-\pi)}{n} \approx \frac{2.7}{n}
   ]
3. 标准差( \sigma = \sqrt{Var(P_n)} \approx \sqrt{\frac{2.7}{n}} )。若要标准差小于( 10^{-2} )，代入计算得：
   [
   \sqrt{\frac{2.7}{n}} < 0.01 \implies n > \frac{2.7}{0.0001} = 27000
   ]
   仅需27000个点就能达到( 10^{-2} )级别的精度，你使用的539354个点远大于这个数值，因此平均偏差远小于( 10^{-2} )是完全正常的。

总结 #

• 代码无错误，计算逻辑正确。
• 达到百分之一精度所需的点数远少于你之前的估计，这是由蒙特卡洛法“误差与样本量的平方根成反比”的特性决定的。

内容的提问来源于stack exchange，提问作者Lapin