Igła Buffona: Szacowanie Pi poprzez Rzucanie Igłami na Podłogę

Geometryczny problem skrywający pi

W 1733 roku Georges-Louis Leclerc, Comte de Buffon, postawił wprawdzie prosty pytanie: należy wrzucić igłę o długości L losowo na podłogę podzieloną równoległymi liniami oddalonymi o d (przy założeniu L ≤ d), i zapytać o prawdopodobieństwo, że igła przeciąknie przez jedną z linii. Niespodziewaną odpowiedź generuje pi, ponieważ problem łączy losowość liniową (gdzie środek igły ląduje między dwiema liniami) z losowością kątową (w jakim kierunku igła wskazuje), a integracja po kącie to właśnie tam naturalnie pojawia się pi.

Obliczanie prawdopodobieństwa przecięcia

Niech x oznacza odległość od środka igły do najbliższej linii (równomiernie rozłożoną pomiędzy 0 a d/2), a θ oznacza ostry kąt, jaki igła tworzy z liniami (równomiernie rozłożony pomiędzy 0 a π/2, lub równoważnie od 0 do π ze względu na symetrię). Igła przecina linię dokładnie wtedy, gdy zasięg pionowy jej połowy długości, (L/2)·sin(θ), jest co najmniej tak duży jak x. Średnia wartość tego warunku przecięcia, rozpatrywana dla wszystkich równoprawdopodobnych par (x, θ) – integracja sin(θ) względem kąta i dzielenie przez zakres x – daje czysty, zamknięty wzór:

P(przecięcie) = (2 * L) / (pi * d) // dla L Przepisz ten wzór prawdopodobieństwa, aby obliczyć π, a następnie zastąp rzeczywiste prawdopodobieństwo obserwowanym ułamkiem przecięć z N wszystkich upuszczonych obiektów, co daje eksperymentalne oszacowanie π oparte wyłącznie na fizycznym procesie losowym – żadnych cyfr liczby π nie zakładało w konfiguracji, pojawiają się one czysto dzięki geometrii i losowości.

P(crossing) = (2 * L) / (pi * d)        // for L <= d
pi_estimate = (2 * L * N) / (d * crossings)   // solve for pi using observed crossings

Dlaczego to jest metoda Monte Carlo, kilkadziesiąt lat przed pojawieniem się tego terminu

Igła Buffona obecnie uznawana jest za jeden z najwcześniejszych znanych metod Monte Carlo – wykorzystujący powtarzające się losowe próbkowanie w celu oszacowania wartości deterministycznej, która inaczej wymagałaby dokładnych obliczeń geometrycznych lub analitycznych. Przewyższa ona termin "Monte Carlo" (używany po raz pierwszy w latach 40-tych na Los Alamos) o około dwie stulecia, ale jej rdzeń ideowy jest identyczny z nowoczesną metodą Monte Carlo: wyrazić nieznaną stałą jako oczekiwaną wartość pewnego losowego eksperymentu, a następnie przybliżyć tę oczekiwaną wartość przez uśrednienie dużej liczby niezależnych prób.

Prawo dużego wyboru i dlaczego szacunek waha się i ostatecznie ustala

Przy niewielkiej liczbie upuszczonych igieł obserwowana część przypadków przecięcia może być znacznie odbiegać od prawdziwej prawdopodobieństwa 2L/(πd) jedynie z powodu przypadku – niewiele prób oznacza dużą zmienność próbną. Prawo dużego wyboru gwarantuje, że wraz ze wzrostem liczby prób N, obserwowana proporcja zbliża się do prawdziwego prawdopodobieństwa z prawdopodobieństwem jedności, co prowadzi do konwergencji oszacowania π do rzeczywistej wartości π. Jednak konwergencja jest powolna: odchylenie standardowe szacunku Monte Carlo takiego jak ten zmniejsza się tylko jako 1/√N, więc czterokrotne zwiększenie liczby upuszczonych igieł redukuje jedynie typowy błąd o połowę – aby uzyskać jedno bardziej wiarygodne cyfry π w ten sposób potrzeba około stuprocentowego wzrostu liczby upuszczonych igieł, co czyni igłę Buffona doskonałym przykładem konwergencji Monte Carlo, ale złym sposobem na obliczenie π do wielu miejsc dziesiętnych.

Długość igły ma również znaczenie

Wzór P = 2L/(πd) zakłada L ≤ d, co oznacza, że igła może przeciąć linię najwyżej raz na kroplę; ustawienie L równe d maksymalizuje prawdopodobieństwo przecięcia dla tego zakresu i daje najwięcej "informacji" – najwyższą oczekiwaną liczbę przecięć – na pojedynczą kroplę, co z kolei minimalizuje względny błąd próbkowania przy danej liczbie prób. Krótsza igła w stosunku do odstępstwa między liniami przecina je rzadko, marnując większość kropli na nieprzecięcia i wymagając znacznie więcej prób, aby określić π z taką samą dokładnością; igła dłuższa niż d (późniejsza rozszerzenie Laplace'a) może przeciąć więcej niż jedną linię i wymaga bardziej skomplikowanej formuły prawdopodobieństwa w ogóle.

Demonstracja, a nie obliczenie

Nikt nigdy nie używał iglicy Buffona do ustanowienia rekordu w obliczaniu cyfr π – tę rolę przejęły szybko zbieżne algorytmy niezwiązane z próbkowaniem losowym. Jej trwałe znaczenie edukacyjne polega na tym, że jest to bezpośrednie, fizyczne udowodnienie, że czysto geometryczna prawdopodobieństwo może zakodować π, a że próbkowanie losowe – choć powolne w zbieżności – naprawdę może wyekstrahować deterministyczną stałą matematyczną z niczego więcej niż powtarzających się przypadkowych zdarzeń, co dokładnie odzwierciedla intuicję stojącą u podstaw każdego współczesnego symulacji Monte Carlo wykorzystywanej w finansach, fizyce i grafice komputerowej.

Często zadawane pytania

Wypróbuj na żywo

Wszystko powyżej działa bezpośrednio w Twojej przeglądarce — otwórz Buffon's Needle i zmieniaj parametry podczas działania. Nic nie jest instalowane ani przesyłane na serwer, cały model działa w jednej karcie.