几何概率 · Buffon's Needle

蒲丰投针

把长为 L 的针随机投到间距为 ℓ 的平行线平面上,用相交频率估算圆周率 π——这是历史上第一个蒙特卡洛实验。

法国博物学家布丰在 1733 年提出这个几何概率问题,并在 1777 年发表解答。它把一次看似随意的投针实验与圆周率联系起来,后来成为随机模拟思想的经典先声。

§

游戏规则

  • 目标用大量随机投针,估算圆周率 π 的近似值。
  • 操作点击批量按钮投针,或直接点击画布追加一根针。
  • 判定针与任意一条平行线相交记为「相交」,否则「不相交」。
  • 原理π ≈ 2L·N / (ℓ·K),其中 K 为相交针数,N 为总投针数。
实验画面

📍 蒲丰投针 · 蒙特卡洛估算 π

红色为与平行线相交的针,蓝色为不相交的针。

📐 经典 0/1 判定
教科书上的原始做法:相交记 1,不相交记 0。有限画布采用完整条带与缓冲区,避免边缘截断造成偏差。
—
估算的 π 值
π = 3.14159265358979
总投针数
0
相交针数
0
绝对误差
—
相对误差
—
正在投针…

π 估计值收敛曲线(浅蓝带为约 95% 理论波动范围)
⚙

参数说明

  • 平行线—
  • 线间距 ℓ—
  • 针长比例—
  • 相交概率—
  • 估算式π̂ = 2L·N / (ℓ·K)
▸

操作指南

  1. 点击批量按钮投针,或直接点击画布投一根。
  2. 观察 π 近似值随投针数增多而逐渐趋近于 3.14159。
P(相交)=2Lπℓ⟹π^=2LNℓKP(\text{相交})=\frac{2L}{\pi\ell}\quad\Longrightarrow\quad\widehat\pi=\frac{2LN}{\ell K}
第一部分:无限平面上的经典结果
蒲丰投针的相交条件 长度 L 小于线间距 ℓ。中心 C 到最近线的距离 X 小于半根针的垂直投影,因此针穿过平行线。 平行线最近的平行线 ℓ 针长 L 中心 C θ X (L/2) sinθ 相交点 相交条件:X ≤ (L/2) sinθ
θ\theta 是针与平行线的夹角。比较中心距离 XX 与半针的垂直投影,就能判断是否相交;下文依次计算固定角度下的概率,再对所有角度积分。
构图参考:伊利诺伊大学 Buffon’s Needle 教学图;本页按统一符号重新绘制。

设无限平面上画有间距为 ℓ\ell 的平行直线,针长为 LL,并要求 0 << L≤ℓL \le \ell。每次投针相互独立;针的中心位置相对于平行线均匀,针的方向也均匀。

符号含义分布或取值
Θ\Theta针与平行线的锐夹角Θ∼Uniform⁡(0,π/2)\Theta \sim \operatorname{Uniform}(0, \pi /2),密度 2/π2/\pi
XX针中心到最近平行线的距离X∼Uniform⁡(0,ℓ/2)X \sim \operatorname{Uniform}(0, \ell /2),密度 2/ℓ2/\ell
II是否相交的指示变量相交为 1,否则为 0

1. 几何相交条件

针在垂直于平行线方向上的半投影长度是 (L/2)sin⁡Θ(L/2)\operatorname{sin}\Theta。只有当针中心到最近线的距离不超过这个投影时,针才会越过平行线:

I=1⟺X≤L2sin⁡ΘI=1\quad\Longleftrightarrow\quad X\le\frac L2\sin\Theta

2. 固定角度后计算相交概率

给定 Θ=θ\Theta =\theta 后,XX 在 [0,ℓ/2][0,\ell /2] 上均匀,所以“有利长度”除以“总长度”得到:

P(I=1∣Θ=θ)=(L/2)sin⁡θℓ/2=Lℓsin⁡θP(I=1\mid\Theta=\theta)=\frac{(L/2)\sin\theta}{\ell/2}=\frac L\ell\sin\theta

3. 对所有方向取平均

再对 θ∈[0,π/2]\theta \in [0,\pi /2] 按均匀方向密度 2/π2/\pi 积分:

p=∫0π/2Lℓsin⁡θ⋅2π dθ=2Lπℓp=\int_0^{\pi/2}\frac L\ell\sin\theta\cdot\frac2\pi\,d\theta=\frac{2L}{\pi\ell}

其中 ∫0π/2sin⁡θdθ=1\int _{0}^{\pi /2}\operatorname{sin}\theta d\theta =1。线有多少条并不出现在最终概率中;关键是针中心相对于线间距的“相位”必须均匀。

4. 从相交频率反推 π\pi

连续投 NN 次,令 K=I1+⋯+InK=I_{1}+\cdots +I_{n} 为相交次数,则 K ~ Binomial(N,p),样本相交率 p^=K/N\hat{p}=K/N。由大数定律 p^→p\hat{p}\to p,因此:

π=2Lℓp⟹π^=2Lℓp^=2LNℓK\pi=\frac{2L}{\ell p}\quad\Longrightarrow\quad\widehat\pi=\frac{2L}{\ell\widehat p}=\frac{2LN}{\ell K}

当 K=0K=0 时分母为零,π^\hat{\pi } 暂时没有定义;这也是页面在实验初期可能显示“—”的原因。

第二部分:有限画布上的蒲丰投针

无限平面的证明不能直接套到任意矩形画布。本实验不是简单地把无限平面截断,而是特意构造“整数个完整条带+半针长缓冲区”,使有限画布中的随机变量 XX 与无限平面完全同分布。

1、实验设置

画布高度记为 HH,选择 qq 条平行线,于是完整条带数 m=q−1m=q-1。令针长比例 r=L/ℓr=L/\ell,页面按下式同时确定线间距和针长:

ℓ=Hm+r,L=rℓ,y0=L2\ell=\frac H{m+r},\qquad L=r\ell,\qquad y_0=\frac L2

针中心的纵坐标 YY 均匀取自 [y0,y0+mℓ][y_{0}, y_{0}+m\ell ];上下各留下 L/2L/2 的缓冲区。横坐标均匀取自 [L/2,W−L/2][L/2, W-L/2],所以针无论取什么角度都不会越出画布。

若允许针伸出左右边界,针可能在画布外才与直线相交;若把这种针丢弃,又会让不同角度具有不同的保留概率。本实验把针中心在水平和垂直方向都缩进 L/2L/2,保证整根针及其交点始终位于画布内,因此不需要拒绝采样。

2、π\pi 的估计

定义针中心在一个条带内的位置 U=(Y−y0)mod⁡ℓU=(Y-y_{0}) \operatorname{mod} \ell。由于 YY 的取值区间恰好由 mm 个长度均为 ℓ\ell 的完整周期组成,每个周期对 UU 的贡献完全相同,因此:

U∼Uniform⁡(0,ℓ),X=min⁡(U,ℓ−U)∼Uniform⁡(0,ℓ/2)U \sim \operatorname{Uniform}(0,\ell ), X = \operatorname{min}(U,\ell -U) \sim \operatorname{Uniform}(0,\ell /2)

这不是“大画布近似无限平面”,而是一个精确的有限构造。XX 和 Θ\Theta 的联合分布与经典模型相同,所以有限画布仍严格满足 p=2L/(πℓ)p=2L/(\pi \ell )。

p=∫0π/2Lℓsin⁡θ⋅2π dθ=2Lπℓp=\int_0^{\pi/2}\frac L\ell\sin\theta\cdot\frac2\pi\,d\theta=\frac{2L}{\pi\ell}
π^=2LNℓK\widehat\pi=\frac{2LN}{\ell K}

3、误差分析

相交次数 KK 服从二项分布。样本相交率的标准差为 p(1−p)/N\sqrt{p(1-p)/N}。对 π^=2r/p^\hat{\pi }=2r/\hat{p} 使用一阶 Delta 方法,可得到 π\pi 估计量的近似标准误:

SE⁡(π^)≈π1−pNp≈π^1−p^Np^\operatorname{SE}(\widehat\pi)\approx\pi\sqrt{\frac{1-p}{Np}}\approx\widehat\pi\sqrt{\frac{1-\widehat p}{N\widehat p}}

因此一次实验约有 95% 的概率落在“真值上下约 1.96 个标准误”的典型波动范围内。标准误按 1/N1/\sqrt{N} 缩小:投针数增加 100 倍,典型误差才缩小约 10 倍。

本次模拟的误差诊断

当前设置—
样本相交率 p^=K/N\hat{p}=K/N—
当前 π^\hat{\pi }—
估计标准误 SE—
约 95% 典型误差阈值—
本次实际绝对误差—
开始投针后,这里会把理论误差与上方模拟结果逐项对应。

由于函数 1/p^1/\hat{p} 是非线性的,π^\hat{\pi } 在有限样本下有轻微向上的偏差。二阶近似为 Bias⁡(π^)≈π(1−p)/(Np)\operatorname{Bias}(\hat{\pi })\approx \pi (1-p)/(Np),但它同样随 1/N1/N 消失。以上标准误和 95% 范围属于大样本近似;当 NN 很小或 K=0K=0 时,不应把它当作可靠区间。

More Experiments

探索其他实验

随机游走

随机过程分布与收敛

无理数驱动粒子游走,验证二维扩散规律

贝特朗悖论

几何概率蒙特卡洛

同一道题三种随机化,竟得出不同概率

高尔顿板

排列组合分布与收敛蒙特卡洛

弹球下落,勾勒出钟形曲线

随机投米

几何概率分布与收敛蒙特卡洛

撒米入格,蒙特卡洛估算 π

帽子错配

排列组合分布与收敛

全员拿错帽子,错排问题

网格投币

几何概率数学期望

在方格上投掷硬币,探索策略博弈

毒硬币

条件概率数学期望

逐枚揭晓结果,比较下注策略的优劣

连续投币

条件概率数学期望随机过程

连续两次正面才赢,自定赌注

三色摸球游戏

排列组合条件概率分布与收敛

袋中摸球,频率趋于理论值

对子博弈

排列组合数学期望

看似公平的骰子暗藏期望陷阱

宾果超级骰子大乐透

排列组合数学期望蒙特卡洛

自组棋盘与骰子,揭开大乐透的数学陷阱