El problema número 1 de el entregable , nos sugiere una forma de calcular el valor de pi, esto en la literatura es generalmente conocido como la “simulación de monte carlo” y consiste básicamente en generar una serie de muestras aleatorias para estimar resultados númericos, en el ámbito de las matemáticas puras esto es conocido también como Métodos númericos. Empecemos,

# primero tomamos la cantidad de puntos a generar, se toma más de lo sugerido para alcanzar un resultado más aproximado. 
num_points <- 1000000

# Ahora, procedemos a definir el rango de los puntos, la guía sugería  tomar una círculo de radio 0,5 inscrito en un cuadrado de área 1, aquí se toma el círculo unitario pues la fórmula para revisar es más simple y por costumbre del que realiza este ejercicio, los matemáticos acostumbran a trabajar con el círculo unitario para demostrar la existencia de pi, con un radio 1 y un área de cuadrado igual a 4 procedemos.
x <- runif(num_points, -1, 1)
y <- runif(num_points, -1, 1)

# Véamos si los puntos caen dentro del círculo, podemos apreciar como la formula se simplifica dado que el centro del círculo es 0,0 y su radio 1.
dentro_circulo <- x^2 + y^2 <= 1

# Contamos la cantidad de puntos que caen dentro
points_dentro <- sum(dentro_circulo)

# estimamos π
pi_estimado <- 4 * (points_dentro / num_points)

# Móstramos el resultado
cat(" π Estimado:", pi_estimado, "\n")
##  π Estimado: 3.141356
cat("Número de puntos dentro del círculo:", points_dentro, "\n")
## Número de puntos dentro del círculo: 785339

Ahora por verificar veamos al resultado que se obtiene cuando se usa la cantidad de puntos sugeridos por la guía

num_points <- 1000


x <- runif(num_points, -1, 1)
y <- runif(num_points, -1, 1)


dentro_circulo <- x^2 + y^2 <= 1

points_dentro <- sum(dentro_circulo)

pi_estimado <- 4 * (points_dentro / num_points)


cat(" π Estimado:", pi_estimado, "\n")
##  π Estimado: 3.172
cat("Número de puntos dentro del círculo:", points_dentro, "\n")
## Número de puntos dentro del círculo: 793

Ahora veamos de forma gráfica como efectivamente los valores más grandes se acercan más al valor real. El siguiente código es simplemente un iteración del mismo código que se genera en los chunks anteriores con el fin de mostrar como al generarse paulatinamente más puntos la estimación mejora

library(ggplot2)


num_points <- 10000


x <- runif(num_points, -1, 1)
y <- runif(num_points, -1, 1)


dentro_circulo <- x^2 + y^2 <= 1


pi_estimado <- cumsum(dentro_circulo) / (1:num_points) * 4


data <- data.frame(Iteration = 1:num_points, Estimate = pi_estimado)

#Como puede ser apreciado, después de los 7000 puntos el resultado se vuelve bastante acertado

ggplot(data, aes(x = Iteration, y = Estimate)) +
  geom_line() +
  geom_hline(yintercept = pi, linetype = "dashed", color = "red") +
  labs(x = "Número de puntos", y = "π estimado") +
  theme_minimal()