Número $\pi$, azar y ciencia de datos: estimarlo lanzando palitos
Introducción
Cada 14 de marzo celebramos el Día de $\pi$, una de las constantes más célebres de las matemáticas. En cursos elementales suele aparecer ligada a la geometría del círculo, por ejemplo en expresiones como $C = 2\pi r$ o $A = \pi r^2$. Sin embargo, una de las ideas más bellas de la historia de la probabilidad es que $\pi$ también puede emerger en un contexto muy distinto: un experimento aleatorio de lanzamientos sobre una hoja rayada.
Ese experimento es conocido como la aguja de Buffon, en referencia a Georges-Louis Leclerc, conde de Buffon, quien lo estudió en el siglo XVIII como parte de sus trabajos en probabilidad geométrica. Su importancia histórica es notable: se trata de uno de los primeros ejemplos en los que una constante matemática puede estimarse a partir de observaciones aleatorias, anticipando en cierto sentido el espíritu de los actuales métodos de Monte Carlo.
Planteamiento del problema
Consideremos una superficie con líneas paralelas separadas una distancia $d$ entre sí. Sobre esa superficie lanzamos una aguja o palito de longitud $L$, suponiendo el caso clásico en que $L \le d$. La pregunta fundamental es:
¿Cuál es la probabilidad de que el palito cruce alguna de las líneas?
Para formular el problema, describimos cada lanzamiento mediante dos variables aleatorias:
- $\theta$, el ángulo que forma el palito con las líneas paralelas;
- $y$, la distancia desde el centro del palito hasta la línea paralela más cercana.
Por simetría, puede suponerse que \begin{equation} \theta \sim \mathrm{Uniforme}(0,\pi/2), \qquad y \sim \mathrm{Uniforme}(0,d/2). \end{equation}
El palito cruza una línea si su proyección perpendicular a las líneas alcanza dicha línea. Eso ocurre cuando \begin{equation} y \le \frac{L}{2}\sin\theta. \end{equation}
A partir de esta condición, el cálculo geométrico muestra que la probabilidad de cruce es \begin{equation} P(\text{cruce})=\frac{2L}{\pi d}, \qquad L \le d. \end{equation}
Esta expresión ya contiene el hecho sorprendente del experimento: la constante $\pi$ aparece en un problema que, a primera vista, no parece tener relación alguna con círculos.
De la probabilidad a la estimación de $\pi$
Si repetimos el experimento $n$ veces y observamos $X$ cruces, entonces la proporción empírica \begin{equation} \hat p = \frac{X}{n} \end{equation} puede utilizarse como estimador de la probabilidad teórica de cruce. Sustituyendo $\hat p$ en la fórmula anterior obtenemos un estimador para $\pi$: \begin{equation} \hat\pi = \frac{2L}{d\,\hat p}. \end{equation}
En el caso más simple, cuando tomamos $L=d=1$, la expresión se reduce a \begin{equation} \hat\pi = \frac{2}{\hat p}. \end{equation}
Desde la perspectiva de ciencia de datos, este experimento es especialmente atractivo porque combina varios ingredientes fundamentales: generación de datos aleatorios, simulación computacional, estimación de parámetros, análisis de variabilidad y visualización de convergencia. En otras palabras, detrás de una constante clásica aparece un pequeño laboratorio de inferencia estadística.
Una idea sencilla, un resultado profundo
Cuando el número de lanzamientos es pequeño, la estimación de $\pi$ puede variar bastante. A veces queda por debajo, a veces por encima. Pero al aumentar la cantidad de palitos, la estimación tiende a estabilizarse alrededor del valor real. Esa convergencia es una forma muy visual de entender cómo el azar, cuando se observa muchas veces, empieza a revelar estructura.
A continuación muestro una visualización del experimento. Los palitos que cruzan alguna línea aparecen resaltados, y a partir de esa cuenta se obtiene una estimación de $\pi$.
Más allá de una sola corrida, también resulta interesante mirar la variabilidad entre repeticiones. Si repetimos el experimento muchas veces con el mismo número de lanzamientos, obtenemos una distribución de estimaciones: no un valor único, sino una nube de posibles resultados alrededor de $\pi$.
Y si seguimos aumentando el número de palitos, observamos la idea central de la simulación Monte Carlo: la estimación se vuelve más estable y se acerca progresivamente al valor real.
Una pequeña pieza interactiva
Además de las figuras estáticas, preparé una visualización interactiva en la que puede cambiarse el número de palitos lanzados y observar cómo cambia la estimación. Esa parte permite ver de manera inmediata algo muy importante en estadística y ciencia de datos: más datos no garantizan perfección, pero sí suelen mejorar la estabilidad de nuestras estimaciones.
Cierre
El experimento de Buffon es una joya pedagógica porque conecta, con una sola idea, probabilidad, geometría, simulación y ciencia de datos. Nos recuerda que $\pi$ no vive solamente en los círculos: también puede emerger del azar cuando lo observamos con paciencia, datos y un poco de código.
Quizás esa sea una de las lecciones más bonitas del Día de $\pi$: incluso una constante tan clásica puede convertirse en una excusa perfecta para hablar de modelado, incertidumbre y visualización computacional. Y eso, en el fondo, también es hacer ciencia de datos.
Para quienes deseen explorar el experimento por sí mismos, modificar parámetros o reproducir las figuras presentadas aquí, he dejado disponible un pequeño notebook en Python en: notebook_pi_day_buffon.ipynb.