À propos du calcul de Pi
+Table des matières
+ +1 En demandant à la lib maths
++Mon ordinateur m'indique que π vaut approximativement: +
+from math import * +print(pi) ++
+3.141592653589793 + ++
2 En utilisant la méthode des aiguilles de Buffon
++Mais calculé avec la méthode des aiguilles de Buffon, on obtiendrait comme approximation : +
+import numpy as np +np.random.seed(seed=42) +N = 10000 +x = np.random.uniform(size=N, low=0, high=1) +theta = np.random.uniform(size=N, low=0, high=np.pi/2) +print(2/(sum((x+np.sin(theta))>1)/N)) ++
+ +3.128911138923655 + ++
3 Avec un argument "fréquentiel" de surface
++Sinon, une méthode plus simple à comprendre et ne faisant pas +intervenir d'appel à la fonction sinus se base sur le fait que si +X∼U(0,1) et Y∼U(0,1) alors P[X2+Y2≤1]=π/4 (voir +Méthode +de Monte Carlo sur Wikipédia). Le code suivant illustre ce fait : +
+import matplotlib.pyplot as plt + +np.random.seed(seed=42) +N = 1000 +x = np.random.uniform(size=N, low=0, high=1) +y = np.random.uniform(size=N, low=0, high=1) + +accept = (x*x+y*y) <= 1 +reject = np.logical_not(accept) + +fig, ax = plt.subplots(1) +ax.scatter(x[accept], y[accept], c='b', alpha=0.2, edgecolor=None) +ax.scatter(x[reject], y[reject], c='r', alpha=0.2, edgecolor=None) +ax.set_aspect('equal') + +plt.savefig(matplot_lib_filename) +print(matplot_lib_filename) ++
+<matplotlib.collections.PathCollection object at 0x7f4200f5fac0> +
+ + +
+
+Il est alors aisé d'obtenir une approximation (pas terrible) de π en +comptant combien de fois, en moyenne, X2+Y2 est inférieur à 1 : +
+4*np.mean(accept) ++
+3.112 + ++