Distribuições de entrada incorretas
Você continuará a trabalhar com o exemplo do pi neste exercício:
O que acontecerá se você alterar a distribuição de probabilidade de entrada da distribuição uniforme contínua (random.uniform()) para a distribuição uniforme discreta (random.randint())? Seus resultados não serão confiáveis, pois o site random.randint() fará uma amostragem de números inteiros discretos, enquanto o site random.uniform() faz uma amostragem de números float contínuos.
Preste atenção ao valor estimado de pi que essa simulação gera. Como a distribuição de probabilidade incorreta foi selecionada, ela não será muito precisa! A escolha das distribuições de probabilidade corretas é essencial para as simulações de Monte Carlo, e entraremos em mais detalhes sobre as diferentes distribuições em lições posteriores para que você tenha certeza de que está escolhendo a correta no futuro.
random foi importado para você.
Este exercício faz parte do curso
Simulações de Monte Carlo em Python
Instruções de exercício
- Faça uma amostragem das coordenadas
xeyno intervalo de -1 a 1 usandorandom.randint()em vez da função corretarandom.uniform()usada no vídeo.
Exercício interativo prático
Experimente este exercício preenchendo este código de exemplo.
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)