錯誤的輸入機率分配
在這個練習中，你會延續圓周率 pi 的範例：
如果把輸入的機率分配，從連續均勻分配（random.uniform()）改成離散均勻分配（random.randint()），會發生什麼事？結果將不可靠，因為 random.randint() 取樣的是離散整數，而 random.uniform() 取樣的是連續的浮點數。
請留意這個模擬產生的 pi 估計值。由於選錯了機率分配，準確度不會太好！為蒙地卡羅（Monte Carlo）模擬選對機率分配至關重要；之後的課程會更詳細介紹不同的分配，讓你在之後能有把握地做出正確選擇。
random 已為你匯入。
本練習屬於課程
Python 的 Monte Carlo 模擬
練習說明
- 使用
random.randint()（而不是影片中使用的正確函式random.uniform()）在 -1 到 1 的區間內取樣x與y座標。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
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)