圓周率 π 是圓的周長與直徑之比，也等於圓面積與半徑平方之比。計算 π 有很多精確路線，例如無窮級數與各種收斂很快的公式。蒙地卡羅方法走的是另一條路：用大量隨機試驗的頻率，去逼近幾何機率，再反推 π。它不見得是算 π 的最快方法，卻是理解「隨機模擬為何能算確定量」的好入口。
面積比怎麼變成 π
想像一個邊長為 2 的正方形，裡面剛好能放一個半徑為 1 的圓（圓內切於正方形）。正方形面積是 4，圓面積是 π。若在正方形內均勻隨機撒很多點，則落在圓內的比例，長期會接近圓面積除以正方形面積，也就是 π／4。
因此：
π 約等於 4 ×（圓內點數／總點數）
這就是課堂與互動工具常見的「撒點估 π」。單位也可改成只看第一象限：在邊長 1 的正方形內撒點，圓是四分之一圓，面積為 π／4，估計式同樣成立。
為什麼「亂數」能逼近確定值
關鍵不在單次運氣，而在大數法則：當試驗次數增加，樣本頻率會靠近真實機率。這裡的真實機率由幾何面積比決定，所以頻率會靠近 π／4，再乘 4 就回到 π。
視覺上你會看到：點很少時，估計值晃動很大；點變多後，估計曲線逐漸貼近 3.14 附近。這種「先吵後穩」正是蒙地卡羅收斂的典型長相。
誤差大概怎麼變小
這類命中－未命中估計，誤差量級大致隨樣本數 N 的平方根改善：想把不確定性再縮小約一半，往往需要大約四倍的點。也就是說，要用暴力撒點把 π 估到很多位小數，成本會快速上升。這也是為什麼專業計算 π 不會主要靠這種方法，但教學與直覺演示仍然非常有價值。
另外，亂數品質與「是否真的均勻」會影響結果。若點的分布有偏差，估計就會系統性偏高或偏低。實務模擬會關心偽隨機數產生器是否足夠好；互動示範則至少要避免明顯的網格或重複模式。
蒙地卡羅不只是估 π
同一套思想可延伸到：
- 高維積分（解析式很難寫時）
- 風險與排隊系統模擬
- 賽事或市場情境的大量重演（以模型假設為前提）
估 π 只是最低維、最好畫的例子：幾何清楚、答案已知，方便對照誤差。看懂它，有助於理解其他「用抽樣代替窮舉」的演算法。
使用互動工具時該看什麼
建議不要只看最後一個數字，而要觀察：
- 點數增加時估計值是否震盪變小
- 同一點數多跑幾次，結果是否仍有波動（提醒你這是統計估計）
- 圓內外著色比例是否直觀對應公式
若某次結果特別準或特別歪，通常只是隨機起伏，不代表方法突然變好或變壞。
和「精確算法」如何並存理解
學生有時會問：既然有快速收斂的級數，為什麼還要學撒點？答案是目的不同。精確算法追求已知常數的高效率計算；蒙地卡羅訓練的是：當系統太複雜、積分難寫、或只能觀察隨機過程時，如何用模擬得到可用估計，並誠實面對誤差。π 只是批改方便的標準答案。
若你之後接觸機器學習的隨機梯度、物理的粒子模擬，或營運上的流量情境重演，都會一再遇到「用樣本說話」的同一精神。
結語
蒙地卡羅估 π 的核心，是把圓周率寫成可抽樣的機率問題：均勻撒點的圓內比例逼近面積比，再還原成 π。它示範了隨機模擬的力量，也同時示範了統計誤差的代價。把它當成理解模擬思維的實驗室，而不是追求創紀錄小數位的競賽，價值就會很清楚。