فرض کنید یک صفحه ی راه راه به شکل زیر دارید و یک سوزن بر روی صفحه می اندازید احتمال اینکه سوزن بر روی خط ها بیفتد چقدر است؟ ساده ترین راه این است که مانند هر محاسبه احتمال دیگر مثلا چندین (هر چه بیشتر بهتر) سوزن بندازیم و از میان همه آنها تعدادی که بر روی خط ها میفتند را بشماریم و تقسیم بر تعداد کل کنیم.

اگر محاسبه را دقیق تر انجام دهید متوجه می شوید که میزان دقیق این احتمال اگر طول سوزن l و فاصله ی خط ها از هم t باشد برابر است با p=2*l/pi*t بله عدد پی اینجا ظاهر می شود!! یعنی اگر فاصله خط ها از هم دو برابر طول سوزن باشد این احتمال دقیقا برابر با یک بر روی عدد پی است!
اما از من میپرسید: یک لحظه صبر کن پی از کجا آمد؟ مگر پی نسبت محیط به قطر دایره نبود؟ اصلا پی مربوط به هندسه و دایره و این چیزهاست چطور سر از این مساله ی عجیب احتمال در می آورد؟
برای محاسبه این احتمال به دو متغیر تصادفی نیاز داریم:
متغیر x: نشان دهنده فاصله ی مرکز سوزن از نزدیک ترین خط است. مثلا اگر x=0 باشد یعنی مرکز سوزن (با هر زاویه ای) دقیقا روی خط قرار گرفته است). از آنجایی که مرکز سوزن می تواند هر جا قرار بگیرد پس از فاصله خط ها از هم t باشد. نصف آن t/2 است و احتمال x می شود

متغیر theta: اینکه سوزن با چه زاویه ای نسبت به خط افقی (مثلا خط سیاه بالا) بیفتد. این هم مقداری بین صفر و نود است. دقت کنید بقیه زوایا تکراری هستند و نیازی نیست در نظر بگیریم. به این ترتیب احتمال زاویه هم می شود:

این دو متغیر از هم مستقل هستند چون زاویه و مکان افتادن به هم ربطی ندارند. پس احتمال هر دوی آنها با هم حاصلضربشان می شود:

در نهایت شرط اینکه از بر روی خط بیفتد این است که تصویر نصف سوزن بر روی محور افقی از فاصله ی مرکز سوزن بیشتر باشد (تامل کنید که چرا اینطور است برای اینکار روی کاغذ آن را بکشید) به عبارتی دیگر:

پس احتمال کل به سادگی می شود:

که پی را اینجا می بینید.
اما متوجه شدید که ما در انتخاب زاویه پی را از اول وارد کردیم. این شاید برای اثبات ریاضی خوب باشد اما اگر از اول پی را نداشته باشیم باید چیکار کنیم؟ در قسمت بعد متوجه می شویم که می توان این کار را بدون پی هم انجام داد. به عبارتی اگر شما آزمایش را دستی هم انجام دهید نیازی به پی ندارید (صرفا می شمارید!)
این مساله عجیب دو بخش هندسه و احتمالات را به هم برای اولین بار متصل کرد و شاخه احتمال هندسی را بوجود آورد که شاخ و برگهای بیشتری پیدا کرد. این مساله نشان می دهد عدد پی از رگ گردن هم به شما نزدیک تر است و جاهای بیشتری می توان آن را دید!
(کل پیاده سازی اینجا)
برای پیاده سازی یک نکته مهم وجود دارد و آن نحوه نمونه برداری هاست. نمونه برداری از مرکز سوزن بسیار ساده است اما نمونه برداری از زاویه را چیکار کنیم؟ اگر بگوییم به صورت تصادفی از بین صفر و pi/2 برداریم مجبور هستیم که عدد پی را بدانیم. راه حل چیست؟
یک راه حل هوشمندانه که در اینجا ذکر شده است. در این روش به جای نمونه برداری تصادفی از خود زاویه از کسینوس آن نمونه برداری می کنیم! چون در عمل خود زاویه را در نهایت نیاز نداریم بلکه کسینویس آن را می خواهیم. فرآیند به صورت زیر است:
یک نیم دایره را در نظر بگیرید که محور ایکس آن uو محور ایگرگ را v نام گذاری کرده ایم. پس u بین منفی یک و یک و v بین صفر یک است:
۱- یک نمونه تصادفی از u و v بگیرید
۲- محاسبه کنید که داخل دایره می افتد یا خیر (u^2+v^2<=1) اگر داخل دایره است مرحله بعد اگر نه دو نمونه دیگر بردارید.
۳- با استفاده از فرمول های دو برابر زاویه برای کسینوس کسینوس را محاسبه کنید:

پیاده سازی قدری با محاسبه انتگرالی فرق دارد چون اینجا نمونه ها را در تمام بازه بر میداریم به این معنا که مرکز سوزن را بین 0 و t بر میداریم و زاویه را بین 0 , 2pi فرمول بالا هم دقیقا کسینوس را بر اساس دایره کامل حساب می کند.
به روشی شی گرا این مساله را حل می کنیم. ابتدا کلاس سوزن!

مرحله بعدی آن است که کلاسی برای توزیع بوفون تولید کنیم. هدف از این کلاس آن است که بتوان از آن نمونه های تکی از افتادن سوزن ها گرفت.

اگر دقت کنید تابع sample مثل هر نمونه گیری تصادفی از توزیع ها یک نمونه واقعی تصادفی برایتان تولید می کند. این نمونه از جنس یک سوزن است!
مرحله نهایی یک کلاس شبیه سازی است (این یکی را می توانید بدون کلاس هم بنویسید)

مهمترین بخش این کلاس شاید تابع hit باشد که بررسی می کند آیا برخورد حاصل شده است یا خیر. اگر دقت کنید این شرط دقیقا شبیه شرطی است که برای انتگرال قرار دادیم (با این تفاوت که اینجا هر دو طرف را در نظر می گیریم)
در نهایت اجرای شبیه سازی:

که نتایج ان می شود:
[3.1560675398453526, 3.1041440322830978, 3.1431714600031433, 3.091190108191654, 3.21646831778707, 3.1421838177533385, 3.124511795032026, 3.124511795032026, 3.1352876626430475, 3.1791448100460977]
که اعدادی هستند که پی نزدیک اند. سرعت همگرایی الگوریتم کند است اما شاید بتوان با تغییراتی آن را بهتر کرد.
با اینکه متلب کلاس دارد اینجا از استفاده از آن پرهیز می کنیم. کد را می توان با استفاده از یک تابع که نمونه تصادفی از کسینوس زاویه میگیرد:

و تابع اصلی خلاصه کرد:

اگر کسی علاقه مند است می تواند به من اطلاع بدهد و نمایش انیمیشنی آن را هم اضافه کند (مثل نمونه زیر)
