Distribuzioni di input errate
Continuerai a lavorare con l'esempio di pi in questo esercizio:
Cosa succede se cambi la distribuzione di probabilità in input dalla distribuzione uniforme continua (random.uniform()) alla distribuzione uniforme discreta (random.randint())? I risultati non saranno affidabili, perché random.randint() estrae numeri interi discreti, mentre random.uniform() estrae numeri float continui.
Fai attenzione al valore di pi stimato che questa simulazione genera. Poiché è stata scelta la distribuzione di probabilità sbagliata, non sarà molto accurato! Scegliere le distribuzioni corrette è essenziale per le simulazioni Monte Carlo. Nelle prossime lezioni entreremo più nel dettaglio delle diverse distribuzioni, così da metterti nelle condizioni di scegliere quella giusta con sicurezza.
random è già stato importato per te.
Questo esercizio fa parte del corso
Simulazioni Monte Carlo in Python
Istruzioni dell'esercizio
- Campiona le coordinate
xeynell'intervallo da -1 a 1 usandorandom.randint()invece della funzione correttarandom.uniform()mostrata nel video.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
n = 10000
circle_points = 0
square_points = 0
for i in range(n):
# Sample the x and y coordinates from -1 to 1 using random.randint()
x = ____
y = ____
dist_from_origin = x**2 + y**2
if dist_from_origin <= 1:
circle_points += 1
square_points += 1
pi = 4 * circle_points / square_points
print(pi)