Estimating $\pi$ with a Coin

本文介绍了一种通过抛硬币来估算 $\pi$ 的简单蒙特卡洛方法，并提出了 $\frac{\pi}{4}$ 的一个看似新颖的数学解释，尽管其背后的卡特兰数恒等式在概率论文献中已有隐含记载。

要点

这篇由 Jim Propp 撰写的论文讲述了一个非常有趣且反直觉的数学游戏：如何用扔硬币来估算圆周率 $\pi$。

虽然听起来有点“天方夜谭”，但作者确实设计了一个简单的随机实验，只要不断扔硬币并记录数据，最终算出的平均值就会无限接近 $\pi/4$（也就是约 0.785）。

下面我用通俗易懂的语言和生活中的比喻来为你拆解这个神奇的过程。

1. 核心游戏：什么时候停止？

想象你和朋友在玩一个“谁先领先”的游戏。

• 规则：你们开始扔一枚公平的硬币。
  • 如果是正面（Heads），你记 +1 分。
  • 如果是反面（Tails），你记 -1 分。
• 目标：一直扔，直到你的累计得分第一次变成正数（也就是正面的次数第一次比反面的次数多）。
• 记录：一旦达到这个“胜利时刻”，你就停下来，算出当时正面占总次数的比例。

举个栗子：
假设扔硬币的顺序是：

1. 反面（-1）
2. 正面（0，平局）
3. 反面（-1）
4. 正面（0，平局）
5. 正面（+1，胜利！）

在这个例子中：

• 总共扔了 5 次（$\tau = 5$）。
• 正面出现了 3 次（$H_\tau = 3$）。
• 你记录下的分数是 $3/5 = 0.6$。

2. 神奇的魔法：为什么是 $\pi$？

如果你只玩一次，得到的数字可能是 0.6，也可能是 0.51，或者是 0.9，完全看运气。

但是，如果你重复这个游戏成千上万次（每次都重新从 0 开始扔），然后把每次得到的那个“比例分数”加起来求平均值，神奇的事情发生了：

这个平均值会慢慢稳定下来，最终无限接近 $\frac{\pi}{4}$（约等于 0.785）。

这就意味着，如果你把这个平均值乘以 4，你就得到了 $\pi$ 的估算值（约 3.14）。

3. 为什么这很酷？（生活中的比喻）

比喻一：在迷宫里找出口

想象你在一个巨大的、没有出口的迷宫里走（这就是“随机游走”）。你每走一步，要么向左（反面），要么向右（正面）。

• 通常，你会在起点附近徘徊很久，甚至可能走回起点无数次。
• 但是，只要你走得足够久，你最终一定会第一次走到起点的右边（正面比反面多）。
• 这篇论文告诉我们：虽然你走的路径千奇百怪，但当你第一次跨出那一步时，你“向右走的步数”占“总步数”的比例，竟然藏着圆周率 $\pi$ 的秘密。

比喻二：数学界的“寻宝图”

以前，数学家们用“布丰投针”（往画满平行线的地上扔针）来估算 $\pi$。那就像是在地上扔针，看针有没有压到线。
而这篇论文的方法就像是在扔硬币。它不需要尺子，不需要画线，只需要一枚硬币和一个笔记本。它揭示了随机性（扔硬币）和几何常数（$\pi$）之间一种隐秘的、优雅的舞蹈。

4. 数学背后的“小秘密”

作者用到了一个叫**卡特兰数（Catalan numbers）**的数学工具。

• 你可以把“扔硬币直到正面领先”看作是在数有多少种不同的“不输掉”的走法。
• 这些走法的数量正好和卡特兰数有关。
• 当作者把这些概率加起来（求期望值）时，数学公式里竟然蹦出了一个反正弦函数（arcsin）。
• 而在数学里，$\arcsin(1)$ 正好等于 $\frac{\pi}{2}$。
• 经过一番计算，最终结果就是 $\frac{\pi}{4}$。

简单说：硬币的随机性里，通过复杂的概率路径，竟然“编织”出了圆周率。

5. 现实中的挑战：别指望算得太准

虽然原理很完美，但在现实中操作有个大问题：效率太低。

• 误差很大：作者提到，如果你扔了 10,000 次硬币（这已经很多了），算出来的 $\pi$ 可能只有 3.22，误差还挺大。
• 为什么？ 因为这种方法的收敛速度非常慢。误差随着次数的增加，是以 $1/\sqrt[4]{N}$ 的速度下降的（也就是开四次方根）。
• 夸张的对比：如果你想算出非常精确的 $\pi$（比如小数点后几位），你可能需要扔一万亿次硬币。如果每秒扔一次，你需要花3 万多年！

所以，这个方法更多是数学上的优雅和趣味，而不是实用的计算工具。就像用沙漏来计时一样，虽然原理正确，但用来做精密工程就不太现实了。

6. 有趣的延伸

• 如果目标是领先 2 分呢？ 如果你把规则改成“直到正面比反面多 2 次才停”，那么算出来的平均值就不是 $\pi$ 了，而是 $\ln 2$（自然对数，约 0.693）。
• 奇偶数的魔法：如果你设定的领先目标是奇数（1, 3, 5...），结果里会出现 $\pi$；如果是偶数（2, 4, 6...），结果里会出现 $\ln 2$。这就像是一个数学开关，在两个不同的常数之间切换。

总结

这篇论文就像是一个数学魔术：
它告诉我们，即使是最简单的随机事件（扔硬币），只要设定一个巧妙的“停止规则”（第一次领先），其统计规律就会神奇地指向宇宙中最著名的常数——圆周率 $\pi$。

虽然用这个方法算 $\pi$ 慢得像蜗牛爬，但它展示了数学世界中随机性与确定性之间令人惊叹的和谐统一。

技术摘要

这是一份关于 Jim Propp 论文《用硬币估算 $\pi$》（Estimating π with a Coin）的详细技术总结。

1. 问题背景 (Problem)

传统的蒙特卡洛方法估算 $\pi$ 通常涉及几何概率，例如著名的“蒲丰投针”（Buffon's needle）实验。本文提出了一种全新的、基于简单硬币投掷的蒙特卡洛方法来估算 $\pi$。
核心问题在于：如果反复投掷一枚公平硬币，直到正面朝上的累计次数首次超过反面朝上的累计次数时停止，此时记录的“正面比例”（即 $\frac{\text{正面次数}}{\text{总投掷次数}}$）的期望值是多少？

2. 方法论 (Methodology)

作者利用**随机游走（Random Walk）理论和停时（Stopping Times）**的概念来推导该期望值。

• 模型定义：

  • 设 $H_n$ 和 $T_n$ 分别为前 $n$ 次投掷中正面和反面的次数。
  • 定义随机游走 $S_n = H_n - T_n$，这是一个从 $0$开始的简单对称随机游走（步长为$\pm 1$）。
  • 定义停时 $\tau = \min\{n \ge 1 : S_n > 0\}$，即游走首次到达 $+1$ 的时刻。
  • 由于步长为 $\pm 1$，$\tau$ 只能取奇数值（$2k+1$）。

• 概率推导：

  • 要使 $\tau = 2k+1$，游走必须在 $2k$步内保持在$\le 0$的区域，在第$2k$步回到$0$，然后在第$2k+1$步跃升至$+1$。
  • 满足该条件的路径数量由卡特兰数（Catalan number） $C_k = \frac{1}{k+1}\binom{2k}{k}$ 给出。
  • 因此，$\tau = 2k+1$ 的概率为：
    $$P(\tau = 2k+1) = \frac{1}{2} \cdot \frac{1}{4^k} \cdot \frac{1}{k+1} \binom{2k}{k}$$

• 期望值计算：

  • 当停止时间为 $\tau = 2k+1$ 时，正面次数 $H_\tau = k+1$，总次数 $\tau = 2k+1$。
  • 目标是计算比例 $H_\tau/\tau$ 的期望值：
    $$E\left[\frac{H_\tau}{\tau}\right] = \sum_{k \ge 0} P(\tau = 2k+1) \cdot \frac{k+1}{2k+1}$$
  • 代入概率公式并化简，得到级数：
    $$E\left[\frac{H_\tau}{\tau}\right] = \frac{1}{2} \sum_{k \ge 0} \frac{1}{4^k} \frac{1}{2k+1} \binom{2k}{k}$$
  • 利用反正弦函数（arcsine）的幂级数展开式：
    $$\arcsin(x) = \sum_{n=0}^{\infty} \frac{1}{2^{2n}} \binom{2n}{n} \frac{x^{2n+1}}{2n+1}$$
  • 令 $x=1$，上述级数即为 $\frac{1}{2} \arcsin(1)$。由于 $\arcsin(1) = \frac{\pi}{2}$，最终得出：
    $$E\left[\frac{H_\tau}{\tau}\right] = \frac{1}{2} \cdot \frac{\pi}{2} = \frac{\pi}{4}$$

3. 关键贡献 (Key Contributions)

1. 新的 $\pi$ 解释：虽然涉及卡特兰数和反正弦级数的恒等式在概率论文献中隐含存在，但本文首次明确提出了将 $\frac{\pi}{4}$ 解释为“硬币投掷中正面首次超过反面时的正面比例期望值”这一物理/概率意义。
2. 概率证明 $\pi$ 的范围：文章指出，由于停止时的比例 $H_\tau/\tau$ 要么等于 $1/2$（实际上总是大于$1/2$，除了$k=0$时比例为$1/1=1$，但文中提到该比例有一半时间等于$1/2$的表述可能是指某种边界情况或笔误，实际上$H_\tau > T_\tau$意味着比例严格大于$0.5$，且最大为$1$），其期望值必然介于$0.5$和$1$之间。更精确地，文中提到该期望值大于$3/4$且小于$1$，从而提供了一个概率论视角的证明，说明$\pi$严格位于$3$和$4$之间（因为$E = \pi/4 \implies \pi = 4E$）。
3. 扩展性讨论：
   • 探讨了停止条件改为“正面比反面多 $+2$"的情况，发现期望值变为 $\ln 2$。
   • 推测对于一般整数 $a$，若 $a$ 为奇数，期望值涉及 $\pi$；若 $a$ 为偶数，涉及 $\ln 2$（尽管作者未完全验证 AI 生成的公式，将其视为猜想）。

4. 结果 (Results)

• 理论结果：证明了 $E[H_\tau/\tau] = \pi/4$。
• 实验验证：
  • Matt Parker 使用历史记录的 10,000 次投掷数据进行了估算，得到 $\pi \approx 3.2266$。
  • 误差分析表明，该方法的收敛速度较慢，误差以 $O(N^{-1/4})$ 的速度下降（其中 $N$ 是总投掷次数）。
  • 要达到接近 $3.14$ 的精度，可能需要约一万亿次投掷（按每秒一次计算需 3 万多年），说明该方法在计算效率上极低。

5. 意义与评价 (Significance)

• 教学价值：该方法极其简单，仅需硬币和纸笔，非常适合在课堂或数学俱乐部中进行演示。通过并行化（多名学生同时投掷），可以快速收集大量样本，直观展示大数定律和蒙特卡洛模拟。
• 理论趣味：它将经典的组合数学（卡特兰数）、分析学（反正弦级数）和概率论（随机游走停时）巧妙地联系在一起，提供了一个新颖的 $\pi$ 的统计解释。
• 效率局限：作者明确指出，相比于 Flajolet 等人提出的其他基于硬币的 $\pi$ 估算算法（如 Rama() 算法），本方法的效率非常低。其主要价值在于数学上的优雅和概念上的新颖性，而非实际计算应用。
• 文献关联：文章还提及 Stefan Gerhold 和 Hubalek 在 2025 年的预印本中证明了等价公式（关于家庭性别比停止规则），并引用了 Flajolet 等人的相关工作，展示了该问题在更广泛算法背景下的位置。

总结：这是一篇短小精悍的数学论文，通过一个简单的硬币投掷实验，利用随机游走和卡特兰数性质，推导出了 $\pi/4$ 的期望值，为 $\pi$ 的估算提供了一个独特且富有教育意义的概率视角，尽管其实用性受限于极慢的收敛速度。