谁把针丢了？——用蒲丰投针法愉快地算$\pi$

引言：古老的“针”与圆周率π的邂逅

在古代，数学家和科学家为了求出圆周率 $\pi$费尽了心思，尝试了无数方法。法国数学家乔治·蒲丰 (Georges-Louis Leclerc, Comte de Buffon) 则另辟蹊径，在1777年提出了一个听起来很奇怪的方法——投针实验。他的方法居然可以通过丢针来近似计算 $\pi$。今天，我们就来聊聊这个看似无厘头却妙趣横生的数学实验：蒲丰投针实验。

什么是蒲丰投针实验？

简单来说，蒲丰投针实验的操作步骤是这样的：

1. 准备场地：在地面上画上等间距的平行线，假设这些线之间的距离为 $d$。
2. 准备“武器”：拿一根长度为 $L$ 的针（满足 $L\le d$）。
3. 随意投掷：把针随意地丢在地上，观察针是否与地上的平行线相交。

蒲丰通过大量实验得出了一个有趣的结果：当针的长度 $L$ 小于等于平行线的距离 $d$ 时，可以用以下公式来近似计算圆周率$\pi$：

$$\pi \approx \frac{2L\cdot N}{d\cdot X}$$

其中：

• $N$：投掷的总次数。
• $X$：针与线相交的次数。

这个实验让我们看到了$\pi$和概率之间的关系，显得既奇妙又玄幻。

---

投针实验的数学原理

为什么投针实验能计算 $\pi$？我们可以从概率的角度理解。对于每一根针，它与平行线相交的概率与 $\pi$有关。具体来说，针与线相交的概率 $P$ 由以下公式给出：

$$P=\frac{2L}{\pi d}$$

因此，实验得到的相交次数 $X$ 与总投掷次数 $N$ 的比率可以表示为：

$$\frac{X}{N}\approx \frac{2L}{\pi d}$$

于是我们就可以变换得出 π 的估计值：

$$\pi \approx \frac{2L\cdot N}{d\cdot X}$$

用MATLAB模拟蒲丰投针实验

下面我们用 MATLAB 来模拟这个实验，并利用投针的结果来估算$\pi$值。

MATLAB 代码示例

% 蒲丰投针实验参数
L = 1; % 针的长度
d = 2; % 平行线的间距
N = 10000; % 投针的总次数

% 初始化相交次数
X = 0;

% 随机投针实验
for i = 1:N
    % 随机生成针的中心位置和与水平线的夹角
    x_center = (d / 2) * rand; % 针中心到最近线的距离
    theta = pi * rand; % 针与平行线的夹角（随机在[0, pi)之间）

    % 判断是否相交
    if x_center <= (L / 2) * sin(theta)
        X = X + 1; % 如果相交，相交次数加一
    end
end

% 计算 π 的估计值
pi_estimate = (2 * L * N) / (d * X);

% 显示结果
disp(['通过蒲丰投针实验估算的π值为：', num2str(pi_estimate)]);

% 可视化
num_trials = 100:100:N;
pi_values = arrayfun(@(n) (2 * L * n) / (d * sum(arrayfun(@(i) (rand < ((L / 2) * sin(pi * rand) / (d / 2))), 1:n))), num_trials);

figure;
plot(num_trials, pi_values, '-b');
hold on;
plot(num_trials, pi * ones(size(num_trials)), '--r');
legend('估算的 π 值', '真实 π 值');
xlabel('投针次数');
ylabel('估算的 π');
title('蒲丰投针实验中 π 值的估算');
grid on;

代码说明

1. 生成针的位置和角度：我们使用 x_center = (d / 2) * rand 来生成针的中心到最近平行线的距离，用 theta = pi * rand 来生成针与平行线的夹角。
2. 判断是否相交：若 x_center <= (L / 2) * sin(theta)，则认为针与平行线相交，计数器 X 加 1。
3. 计算 $\pi$ 值：根据公式计算 $\pi$ 的近似值，并将结果显示出来。

可视化结果分析

通过蒲丰投针实验估算的π值为：3.1417

在可视化图中，我们绘制了随着投针次数增加，计算出的 $\pi$ 值逐渐收敛到真实 $\pi$值的过程。可以看到，随着投针次数的增加，估算的$\pi$值逐渐逼近实际值。

---

实验分析：投针次数对精度的影响

蒲丰投针实验的精度取决于投针次数。当投针次数少时，$\pi$ 的估算结果波动较大，偏离真实值，但随着投针次数增多，波动逐渐减小，最终收敛到实际的 $\pi$值。这是因为随着样本量的增大，实验结果越来越接近理论概率。

实验结论

• 实验精度：通过大量实验次数，估算的 $\pi$ 值越来越精确。
• 概率性和稳定性：该实验与概率论有关。虽然每次投针的结果是随机的，但随着样本增大，结果会趋于稳定。
• 应用意义：蒲丰投针实验为求$\pi$ 提供了一种有趣的方法，同时也展示了几何概率的魅力。

---

总结：谁说数学无趣？投个针就能玩转$\pi$！

蒲丰投针实验看似只是简单的随机实验，却蕴含着深刻的概率学原理和数学哲理。在这篇博客中，我们不仅学习了这种古老的 $\pi$ 值求解方法，还了解了如何通过 MATLAB 模拟实验并进行结果分析。希望这次愉快的投针之旅能让你对数学的随机性和概率之美产生新的认识。

下次再遇到“$\pi$是多少”这样的问题，何不尝试自己动手投几根针呢？或许 $\pi$ 会给你带来意想不到的惊喜！

---

订阅与关注

如果您对$\pi$感兴趣，欢迎订阅我的博客，获取最新的技术文章和研究动态。也可以通过以下方式与我交流：

• 📧 邮箱：beining_chen@stu.zzu.edu.cn

关于作者

**[Cherngul]**是一位热爱算法与数据科学的技术达人，专注于探索各种优化算法在实际中的应用，思考如何用算法让生活更美好。希望通过分享，让更多人爱上算法的奇妙世界！

标签

• $\pi$
• MATLAB
• 蒲丰投针试验
• 蒙特卡洛方法

最后

非常感谢您抽出时间来阅读我的文章！您的意见非常宝贵。文中可能有些地方表达得不够准确或错误，如果您遇到有需要改进或调整的地方。如果有任何问题或建议，请随时告诉我，我会非常感激。再次感谢您的阅读！

版权信息

© 2024 [Cherngul]. 保留所有权利。