Что такое Игла Бюффона?

В мире математики существует множество красивых теорем, в которых удивительным образом связываются факты, противоречащие интуиции, или казалось бы не связанные между собой события. Одной из самых известных и увлекательных задач среди них является задача Бюффона о бросании иглы.

Эта задача была предложена в 1733 году Жорж-Луи Леклерком, графом де Бюффоном, французским естествоиспытателем и математиком 18-го века, и впервые была решена в 1777 году.

Удивительно, но эта задача утверждает, что с помощью чисто физического и случайного действия — «случайного бросания иглы на пол» — можно определить одну из самых важных констант в математике, число Пи \(\pi\). Это известно как одна из самых ранних задач геометрической вероятности и было новаторским открытием, которое можно назвать предшественником более позднего метода Монте-Карло.

В этой статье мы подробно и понятно объясним, начиная с постановки задачи Иглы Бюффона, её математического доказательства и заканчивая оценкой Пи путем симуляции с использованием современных компьютеров.

Базовая постановка задачи

Постановка задачи об игле Бюффона очень проста.

На ровном полу начерчено множество параллельных прямых линий на равном расстоянии \(d\).
Подготавливается одна игла длиной \(l\).
Эту иглу случайным образом (наугад) бросают на пол.

В этот момент, «Какова вероятность того, что брошенная игла пересечет одну из параллельных линий, начерченных на полу?» — вот задача, предложенная Бюффоном.

Следующая диаграмма показывает концептуальный ход этого эксперимента.

  graph TD
    A["Случайным образом бросить иглу"] -->|"Гравитация и сопротивление воздуха"| B["Приземлиться на пол"]
    B --> C{"Пересекла ли она линию?"}
    C -->|"Да"| D["Считать пересечения (+1)"]
    C -->|"Нет"| E["Нет пересечения"]
    D --> F["Вычислить вероятность P"]
    E --> F
    F -->|"P = 2l / (πd)"| G["Вычислить число Пи π обратно"]

Здесь, чтобы упростить задачу, мы рассматриваем случай короткой иглы, когда длина иглы \(l\) меньше или равна расстоянию между параллельными линиями \(d\) (\(l \le d\)). При этом условии игла никогда не пересечет две или более прямые линии одновременно.

Математическое моделирование и вывод вероятности

Чтобы решить эту задачу математически, необходимо количественно оценить (параметризовать) состояние иглы. Мы предполагаем, что когда игла падает на пол, ее положение и ориентация совершенно случайны.

Для определения положения иглы мы вводим следующие две переменные.

\(x\) : Расстояние по вертикали от центра иглы до ближайшей параллельной линии.
\(\theta\) : Острый угол (или прямой угол), образованный иглой и параллельными линиями.

Возможный диапазон переменных

Сначала давайте подумаем, какие значения может принимать каждая переменная.

Что касается расстояния \(x\): Центр иглы падает где-то между двумя соседними параллельными линиями. Поскольку мы рассматриваем расстояние до ближайшей линии, минимальное значение \(x\) равно \(0\) (когда центр иглы находится на линии), а максимальное значение равно \(\frac{d}{2}\) (когда центр иглы находится точно посередине между двумя линиями). То есть, \(0 \le x \le \frac{d}{2}\). Поскольку игла бросается случайным образом, \(x\) следует равномерному распределению в этом диапазоне. Функция плотности вероятности равна \(\frac{2}{d}\).
Что касается угла \(\theta\): Угол, образованный иглой и параллельной линией, принимает значение от \(0\), когда игла параллельна прямой линии, до \(\frac{\pi}{2}\) (90 градусов), когда она перпендикулярна. Из соображений симметрии нет необходимости рассматривать углы больше этого. Поэтому, \(0 \le \theta \le \frac{\pi}{2}\). Поскольку ориентация иглы также случайна, \(\theta\) также следует равномерному распределению в этом диапазоне. Функция плотности вероятности равна \(\frac{2}{\pi}\).

Поскольку переменные \(x\) и \(\theta\) независимы друг от друга, совместная функция плотности вероятности \(f(x, \theta)\) того, что они примут конкретную пару \((x, \theta)\), выражается как произведение их соответствующих функций плотности вероятности.

\[ f(x, \theta) = \frac{2}{d} \times \frac{2}{\pi} = \frac{4}{d\pi} \]

Условия пересечения

Далее рассмотрим условия, при которых игла пересекает прямую линию. Игла пересекает прямую линию, когда длина по вертикали от центра иглы до её конца больше или равна расстоянию \(x\) до ближайшей линии.

Поскольку длина иглы равна \(l\), длина от центра до конца равна \(\frac{l}{2}\). Когда угол равен \(\theta\), расстояние, которое эта половина иглы занимает в вертикальном направлении (проекция длины), равно \(\frac{l}{2} \sin \theta\).

Поэтому условие того, что игла пересечет прямую линию, выражается следующим неравенством.

\[ x \le \frac{l}{2} \sin \theta \]

Вычисление вероятности

Вероятность \(P\) того, что игла пересечет линию, получается путем интегрирования совместной функции плотности вероятности \(f(x, \theta)\) по области, удовлетворяющей условию пересечения.

\[ P = \iint_{\text{Область пересечения}} f(x, \theta) \, dx \, d\theta \]

Конкретный диапазон интегрирования - это где \(\theta\) изменяется от \(0\) до \(\frac{\pi}{2}\), а \(x\) изменяется от \(0\) до предельного значения пересечения \(\frac{l}{2} \sin \theta\).

\[ P = \int_{0}^{\frac{\pi}{2}} \int_{0}^{\frac{l}{2} \sin \theta} \frac{4}{d\pi} \, dx \, d\theta \]

Сначала мы вычисляем внутренний интеграл по \(x\).

\[ \int_{0}^{\frac{l}{2} \sin \theta} \frac{4}{d\pi} \, dx = \frac{4}{d\pi} \left[ x \right]_{0}^{\frac{l}{2} \sin \theta} = \frac{4}{d\pi} \left( \frac{l}{2} \sin \theta - 0 \right) = \frac{2l}{d\pi} \sin \theta \]

Далее мы вычисляем внешний интеграл по \(\theta\).

\[ P = \int_{0}^{\frac{\pi}{2}} \frac{2l}{d\pi} \sin \theta \, d\theta = \frac{2l}{d\pi} \int_{0}^{\frac{\pi}{2}} \sin \theta \, d\theta \]

Поскольку интегралом от \(\sin \theta\) является \(-\cos \theta\),

\[ \int_{0}^{\frac{\pi}{2}} \sin \theta \, d\theta = \left[ -\cos \theta \right]_{0}^{\frac{\pi}{2}} = (-\cos \frac{\pi}{2}) - (-\cos 0) = -0 - (-1) = 1 \]

Поэтому искомая вероятность \(P\) выглядит следующим образом.

\[ P = \frac{2l}{d\pi} \times 1 = \frac{2l}{\pi d} \]

Это основная формула Иглы Бюффона. Вероятность того, что игла пересечет линию, в два раза превышает длину иглы \(l\), деленную на произведение числа Пи \(\pi\) и расстояния между линиями \(d\).

Оценка числа Пи (Метод Монте-Карло)

Выведенная формула \(P = \frac{2l}{\pi d}\) красиво включает в себя \(\pi\). Решая это уравнение относительно \(\pi\), получаем следующее.

\[ \pi = \frac{2l}{P d} \]

Это уравнение означает, что если известна только вероятность \(P\), то можно вычислить Пи \(\pi\). Конечно, истинную вероятность \(P\) нельзя узнать без бесконечного количества испытаний, но бросая иглу много раз в реальном эксперименте, можно получить приблизительное значение \(P\).

Пусть \(N\) — общее количество раз, когда игла была брошена, а \(C\) — количество раз, когда игла пересекла линию. Если количество испытаний \(N\) достаточно велико, по закону больших чисел эмпирическая вероятность \(\frac{C}{N}\) приближается к теоретической вероятности \(P\).

\[ P \approx \frac{C}{N} \]

Подставляя это в предыдущее уравнение, получаем формулу для нахождения приблизительного значения числа Пи \(\pi\).

\[ \pi \approx \frac{2l \cdot N}{C \cdot d} \]

Самый простой расчет получается, когда длина иглы \(l\) и расстояние между линиями \(d\) одинаковы (\(l = d\)). В этом случае формула становится еще проще.

\[ \pi \approx \frac{2N}{C} \]

Другими словами, просто разделите удвоенное «количество раз, когда игла была брошена» на «количество раз, когда она пересеклась», и получится Пи!

Симуляция с использованием Python

Бросать иглу тысячи раз вручную - очень трудоемкая задача (хотя исторически есть математики, которые действительно проводили эксперименты тысячи раз). Сегодня мы можем легко смоделировать этот эксперимент с помощью компьютера.

Ниже приведен простой пример кода с использованием Python для симуляции эксперимента с иглой Бюффона и оценки числа Пи.

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
import random
import math

def buffons_needle_simulation(num_trials, l, d):
    """
    Функция для симуляции иглы Бюффона и оценки Пи
    
    :param num_trials: Количество бросков иглы
    :param l: Длина иглы
    :param d: Расстояние между параллельными линиями
    :return: Оценочное значение Пи
    """
    crosses = 0
    
    for _ in range(num_trials):
        # Случайным образом генерируем расстояние x от центра иглы до ближайшей линии (от 0 до d/2)
        x = random.uniform(0, d / 2.0)
        
        # Случайным образом генерируем угол theta иглы (от 0 до pi/2)
        theta = random.uniform(0, math.pi / 2.0)
        
        # Проверяем, выполняется ли условие пересечения
        if x <= (l / 2.0) * math.sin(theta):
            crosses += 1
            
    # Обработка исключений, чтобы избежать ошибок, если она никогда не пересекается
    if crosses == 0:
        return float('inf')
        
    # Вычисление оценки Пи
    estimated_pi = (2.0 * l * num_trials) / (d * crosses)
    return estimated_pi

# Настройки параметров
N = 1000000  # Количество испытаний (1 миллион раз)
needle_length = 1.0
line_distance = 1.0

# Выполнение симуляции
estimated_pi = buffons_needle_simulation(N, needle_length, line_distance)

print(f"Количество испытаний: {N:,} раз")
print(f"Оценочное Пи:         {estimated_pi}")
print(f"Фактическое Пи:       {math.pi}")
print(f"Ошибка:               {abs(math.pi - estimated_pi)}")

Выполнение этого кода бросает огромное количество виртуальных игл с использованием случайных чисел, и можно убедиться, что приблизительное значение Пи \(3.1415...\) получается с очень высокой точностью. Метод использования случайных чисел для поиска приближенных решений вероятностных задач таким образом называется методом Монте-Карло.

Резюме

Игла Бюффона на первый взгляд кажется простой физической игрой в случайность, но за ней стоит солидная математическая теория. То, как случайные события (вероятность), геометрические фигуры (линии и отрезки) и абсолютное иррациональное число \(\pi\) сливаются в одну простую математическую формулу, воплощает в себе красоту математики.

Кроме того, эта проблема имеет историческое значение как источник метода Монте-Карло, который незаменим для современной науки и техники. Моделирование сложных систем и вычисление интегралов, которые трудно решить аналитически, идея Бюффона и сегодня поддерживает наш мир в различных формах.

Почему бы не приготовить бумагу, ручку и несколько зубочисток и не испытать часть этой великой математической истории дома?