Estimating $\pi$ with a Coin

Die Arbeit beschreibt eine einfache Monte-Carlo-Methode zur Schätzung von $\pi$ durch Münzwürfe, die auf einer neuen Interpretation von $\frac{\pi}{4}$ basiert, obwohl die zugrundeliegenden Identitäten mit den Catalan-Zahlen bereits in der Wahrscheinlichkeitstheorie bekannt sind.

Das Wesentliche

🪙 Der magische Münzwurf: Wie man Pi mit Glück und Geduld berechnet

Stell dir vor, du sitzt in einem Café und hast nur eine einzige Münze und einen Zettel. Du willst die Zahl Pi (π) berechnen – also diese mysteriöse Zahl, die das Verhältnis eines Kreises zu seinem Durchmesser beschreibt (ungefähr 3,14). Normalerweise braucht man dafür riesige Computer oder komplizierte Formeln. Aber Jim Propp, ein Mathematiker, hat einen Weg gefunden, wie du Pi fast wie ein Zaubertrick mit einer Münze erraten kannst.

Das Ganze funktioniert wie ein Wettrennen zwischen zwei Teams: den Köpfen (Heads) und den Zahlen (Tails).

1. Das Spiel: Der erste Vorsprung

Stell dir vor, du wirfst die Münze immer wieder.

• Jedes Mal, wenn Kopf fällt, bekommt Team Kopf einen Punkt.
• Jedes Mal, wenn Zahl fällt, bekommt Team Zahl einen Punkt.

Zuerst sind beide Teams gleichauf (0 zu 0). Das ist langweilig! Aber wir warten auf einen ganz bestimmten Moment: Der Moment, in dem Team Kopf zum allerersten Mal einen Punkt Vorsprung hat.

Sobald das passiert, stoppen wir das Spiel sofort.

• Beispiel: Du wirfst: Zahl, Kopf, Zahl, Kopf, Kopf.
  • Nach dem 1. Wurf: 0 zu 1 (Zahl führt).
  • Nach dem 2. Wurf: 1 zu 1 (Unentschieden).
  • Nach dem 3. Wurf: 1 zu 2 (Zahl führt).
  • Nach dem 4. Wurf: 2 zu 2 (Unentschieden).
  • Nach dem 5. Wurf: 3 zu 2 (Kopf führt!).
  • Stopp!

Jetzt schauen wir uns an, wie viele Würfe wir insgesamt gemacht haben (5) und wie viele Köpfe es waren (3). Wir teilen die Köpfe durch die Gesamtzahl: 3 geteilt durch 5 = 0,6.

2. Der große Trick: Wiederholung und Durchschnitt

Ein einziger Versuch bringt dir noch nichts. 0,6 ist weit weg von 3,14. Aber hier kommt der Zauber:

Du machst das Spiel tausende Male neu. Jedes Mal startest du bei Null, wartest, bis Kopf zum ersten Mal führt, notierst den Bruch (z. B. 3/5, 4/7, 2/3...) und machst dann einen neuen Versuch.

Wenn du am Ende alle diese Brüche zusammenwirfst und den Durchschnitt bildest, passiert etwas Magisches:
Der Durchschnittswert nähert sich immer mehr der Zahl Pi geteilt durch 4 an.

• Pi geteilt durch 4 ist ungefähr 0,785.
• Wenn du also Pi wissen willst, nimmst du einfach deinen Durchschnittswert und multiplizierst ihn mit 4.
• Ergebnis: Du hast Pi berechnet!

3. Warum funktioniert das? (Die Wanderung im Nebel)

Stell dir vor, die Münzwürfe sind wie ein Trinker, der im Nebel torkelt.

• Ein Schritt nach rechts ist "Kopf", ein Schritt nach links ist "Zahl".
• Der Trinker startet in der Mitte (0).
• Wir warten, bis er zum ersten Mal einen Schritt nach rechts (auf die Seite der Köpfe) macht.

Die Mathematik dahinter ist faszinierend: Es gibt bestimmte Muster (die sogenannten Catalan-Zahlen), die beschreiben, wie viele Wege der Trinker nehmen kann, ohne vorher schon rechts zu sein. Wenn man alle diese möglichen Wege und ihre Wahrscheinlichkeiten zusammenrechnet, taucht plötzlich die Kreiszahl Pi auf, genau wie wenn man die Formel für die Fläche eines Kreises berechnet.

Es ist, als würde der Zufall selbst eine unsichtbare Kreisbahn zeichnen, die wir erst erkennen, wenn wir genug Daten sammeln.

4. Die Realität: Geduld ist gefragt

Hier kommt der Haken an der Sache (und der Grund, warum wir keine Pi-Berechnung mit Münzen im Supermarkt machen): Es dauert ewig.

• Der Fehler bei dieser Methode sinkt sehr langsam. Um eine gute Genauigkeit zu erreichen, bräuchtest du Milliarden von Würfen.
• Der Autor erwähnt, dass selbst 10.000 Würfe (was schon viel Arbeit ist) nur eine grobe Schätzung von 3,22 liefern – nicht ganz 3,14.
• Um wirklich genau auf 3,14 zu kommen, bräuchtest du eine Trillion (1.000.000.000.000) Münzwürfe. Wenn du jede Sekunde eine Münze wirfst, würdest du dafür über 30.000 Jahre brauchen!

5. Ein kleiner Bonus: Was ist, wenn Kopf um 2 führt?

Der Autor fragt sich am Ende noch: "Was passiert, wenn wir warten, bis Kopf nicht nur 1, sondern 2 Punkte Vorsprung hat?"

• Wenn wir auf einen Vorsprung von 2 warten, ergibt der Durchschnitt nicht Pi, sondern ln(2) (die natürliche Logarithmus-Zahl, ca. 0,693).
• Es scheint, als ob ungerade Vorsprünge (1, 3, 5...) uns zu Pi führen, und gerade Vorsprünge (2, 4, 6...) uns zu anderen mathematischen Konstanten führen.

Fazit

Dieses Papier ist eine wunderschöne Entdeckung: Es zeigt, dass die Zahl Pi nicht nur in Kreisen und Rädern steckt, sondern auch im Zufall einer einfachen Münze verborgen ist. Wenn du unendlich viel Zeit und Geduld hättest, könntest du Pi mit einer Münze "aus dem Nichts" zaubern.

Es ist ein Beweis dafür, dass Mathematik manchmal so einfach ist wie ein Münzwurf, aber so tiefgründig wie ein Kreis. 🪙🔵

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des vorliegenden Papers von Jim Propp auf Deutsch:

Titel: Schätzung von $\pi$ mit einer Münze (Estimating $\pi$ with a Coin)

Autor: Jim Propp
Datum: November 2024 / Überarbeitung März 2026

---

1. Problemstellung

Das Paper adressiert die Frage, wie man die mathematische Konstante $\pi$ durch ein einfaches stochastisches Experiment (Monte-Carlo-Methode) schätzen kann. Während das klassische Buffon-Nadel-Problem bekannt ist, bei dem eine Nadel auf eine Ebene mit parallelen Linien geworfen wird, um $\pi$ zu approximieren, stellt Propp eine alternative Methode vor, die ausschließlich auf dem Werfen einer fairen Münze basiert.

Das spezifische Problem besteht darin, den Erwartungswert des Anteils von "Kopf" (Heads) zu bestimmen, wenn das Experiment genau dann gestoppt wird, wenn die kumulative Anzahl der Köpfe erstmals die Anzahl der "Zahl" (Tails) übersteigt.

2. Methodik

Die Methode basiert auf der Theorie der zufälligen Irrfahrten (Random Walks) und der Theorie der Stoppzeiten.

• Das Experiment:

  1. Eine faire Münze wird wiederholt geworfen.
  2. Man verfolgt die kumulative Differenz zwischen Köpfen ($H_n$) und Zahlen ($T_n$).
  3. Der Prozess wird gestoppt, sobald $H_n > T_n$ gilt.
  4. Für diesen Stoppzeitpunkt $\tau$ wird der Anteil der Köpfe berechnet: $H_\tau / \tau$.
  5. Durch Wiederholung dieses Experiments und Mittelung der resultierenden Brüche soll $\pi$ geschätzt werden.

• Mathematisches Modell:

  • Sei $S_n = H_n - T_n$ eine einfache symmetrische Irrfahrt auf $\mathbb{Z}$ mit $S_0 = 0$.
  • Die Stoppzeit ist definiert als $\tau = \min\{n \ge 1 : S_n > 0\}$. Da die Irrfahrt in Schritten von $\pm 1$ erfolgt, muss $\tau$ ungerade sein ($\tau = 2k + 1$).
  • Damit $\tau = 2k + 1$ eintritt, muss die Irrfahrt die ersten $2k$Schritte bei$\le 0$bleiben, bei$0$enden und dann in einem Schritt zu$+1$ springen.
  • Die Anzahl der solchen Pfade entspricht der $k$-ten Catalan-Zahl $C_k = \frac{1}{k+1}\binom{2k}{k}$.

• Berechnung des Erwartungswerts:
  Der Erwartungswert des Anteils $E[H_\tau / \tau]$ wird als Summe über alle möglichen Stoppzeiten berechnet:
  $$E\left[\frac{H_\tau}{\tau}\right] = \sum_{k \ge 0} P(\tau = 2k+1) \cdot \frac{k+1}{2k+1}$$
  Unter Einbeziehung der Wahrscheinlichkeit $P(\tau = 2k+1) = \frac{1}{2 \cdot 4^k} \frac{1}{k+1} \binom{2k}{k}$ und der Identität $H_\tau = k+1$ (da bei Stoppzeit $2k+1$genau$k+1$Köpfe und$k$ Zahlen vorliegen), ergibt sich die Reihe:
  $$E\left[\frac{H_\tau}{\tau}\right] = \frac{1}{2} \sum_{k \ge 0} \frac{1}{4^k} \frac{1}{2k+1} \binom{2k}{k}$$

3. Wichtige Beiträge und Ergebnisse

• Hauptresultat: Der Erwartungswert des Anteils der Köpfe zum Zeitpunkt des ersten Überschreitens beträgt exakt:
  $$E\left[\frac{H_\tau}{\tau}\right] = \frac{\pi}{4}$$
  Dies wird bewiesen, indem die oben genannte Reihe als Teil der Taylor-Reihe für den Arkussinus ($\arcsin(x)$) identifiziert wird:
  $$\arcsin(x) = \sum_{n=0}^{\infty} \frac{1}{2^{2n}} \binom{2n}{n} \frac{x^{2n+1}}{2n+1}$$
  Setzt man $x=1$, erhält man $\arcsin(1) = \frac{\pi}{2}$. Multipliziert mit dem Faktor $1/2$aus der Herleitung ergibt sich$\pi/4$.

• Neuartigkeit: Während die Beziehung $E[1/\tau] = \pi/2 - 1$ in der Literatur (verbunden mit Catalan-Zahlen und Arcus-Sinus-Reihen) bereits bekannt ist, ist die Interpretation von $\pi/4$ als Erwartungswert des Anteils $H_\tau/\tau$ ein neuer Beitrag.

• Erweiterung auf andere Überschüsse:

  • Wenn das Experiment gestoppt wird, sobald der Überschuss von Köpfen gegenüber Zahlen $+2$ beträgt, ist der erwartete Anteil $\ln(2)$.
  • Für einen generischen positiven Überschuss $a$ scheint der Erwartungswert für ungerade $a$ Terme mit $\pi$ und für gerade $a$ Terme mit $\ln(2)$ zu enthalten (dies wird als Vermutung basierend auf KI-generierten Herleitungen bezeichnet).

• Probabilistischer Beweis für die Schranke von $\pi$:
  Da der Anteil $H_\tau/\tau$ immer $\ge 1/2$ ist (und genau $1/2$nur im Grenzwert oder in speziellen Fällen, hier aber strikt$> 1/2$für fast alle Pfade, wobei der Text anmerkt, dass der Wert oft$1$ist), liegt der Erwartungswert strikt zwischen$3/4$und$1$. Dies liefert einen probabilistischen Beweis dafür, dass$3 < \pi < 4$.

4. Signifikanz und praktische Anwendung

• Didaktischer Wert: Die Methode eignet sich hervorragend für Lehrveranstaltungen oder Mathematikclubs, da sie ein intuitives Verständnis von Zufall, Stoppzeiten und $\pi$ vermittelt. Durch Parallelisierung (viele Teilnehmer werfen gleichzeitig) kann die Stichprobengröße erhöht werden.
• Konvergenzgeschwindigkeit: Die Methode ist für praktische Berechnungen von $\pi$ ineffizient. Der Fehler skaliert mit $O(N^{-1/4})$, wobei $N$ die Gesamtzahl der Münzwürfe ist.
  • Beispiel: Um eine Genauigkeit von einer Dezimalstelle zu erreichen, wären etwa $10.000$Würfe nötig (was zu einem Fehler von ca.$0,1$ führt).
  • Für eine Genauigkeit nahe an $3,14$ wären Billionen von Würfen erforderlich, was bei einem Wurf pro Sekunde über 30.000 Jahre dauern würde.
• Vergleich: Andere coin-basierte Algorithmen (z. B. von Flajolet, Pelletier und Soria) sind deutlich effizienter.

5. Fazit

Jim Propp stellt eine elegante, wenn auch rechnerisch ineffiziente Verbindung zwischen der Theorie der zufälligen Irrfahrten, den Catalan-Zahlen und der Konstante $\pi$ her. Der Kern des Papers liegt in der neuen Interpretation des Erwartungswerts des Kopf-Anteils bei einer spezifischen Stoppregel, was einen frischen probabilistischen Zugang zu einer klassischen mathematischen Konstante bietet.