library(ggplot2)
n <- 10000
x <- runif(n, min = 0, max = 1)
y <- runif(n, min = 0, max = 1)
dis <- sqrt((x - 0.5)^2 + (y - 0.5)^2)
int_circulo <- sum(dis < 0.5)
aprox_pi <- 4 * int_circulo / n
df <- data.frame(x = x, y = y, dis = dis)
theta <- seq(0, 2*pi, length.out = 100)
circ_x <- 0.5 + 0.5 * cos(theta)
circ_y <- 0.5 + 0.5 * sin(theta)
circ_df <- data.frame(x = circ_x, y = circ_y)
ggplot(df, aes(x, y)) +
geom_rect(xmin = 0, xmax = 1, ymin = 0, ymax = 1, fill = "lightblue") +
geom_polygon(data = circ_df, aes(x, y), color = "blue", fill = NA) +
geom_point(data = df[dis < 0.5, ], aes(color = dis < 0.5)) +
geom_point(data = df[dis >= 0.5, ], color = "gray") +
scale_color_manual(values = c("FALSE" = "gray", "TRUE" = "red")) +
coord_equal() +
theme_minimal() +
labs(title = paste("Aproximación de π ≈", aprox_pi))## [1] 3.1384
Después de ejecutar diferentes veces el programa la estimación obtenida arroja valores como: 3.1612, 3,1541, 3.1656, 3.1684 valores cercanos del valor verdadero de π (3.141592…), lo que indica que el método de simulación utilizado proporciona una estimación buena. El método de simulación utilizado para estimar π utilizando puntos aleatorios dentro de un cuadrado inscrito en un círculo parece ser efectivo. La precisión de las estimaciones obtenidas sugiere que aumentar el número de puntos aleatorios podría conducir a una estimación aún más precisa. La naturaleza aleatoria de la simulación hace que cada ejecución pueda dar resultados ligeramente diferentes, pero en general, parece que el método es confiable para estimar π.