UNIVERSIDAD DEL CEMA

Buenos Aires
Argentina

Serie
DOCUMENTOS DE TRABAJO

Área: Ingeniería Informática

MODELOS Y SIMULACIÓN PARA

APROXIMAR EL VALOR DE PI

Gastón A. Addati, Fernando Celano y Juan Churruarín

Agosto 2016
Nro. 591

www.cema.edu.ar/publicaciones/doc_trabajo.html
UCEMA: Av. Córdoba 374, C1054AAP Buenos Aires, Argentina
ISSN 1668-4575 (impreso), ISSN 1668-4583 (en línea)
Editor: Jorge M. Streb; asistente editorial: Valeria Dowding <[email protected]>
 Modelos y Simulación para la aproximación de PI

Modelos y Simulación para Aproximar el valor de PI

Gastón A. Addati, Fernando Celano y Juan Churruarín*

ABSTRACT

El valor de Pi, se sabe que es un valor irracional. Este valor, de infinitas cifras decimales, ha
despertado el interés particular de muchos científicos y personas en todo el mundo, sobre todo a lo
largo de la historia.
Parecería ser que encontrar nuevas cifras decimales del valor de Pi, se ha vuelto a lo largo del tiempo,
un desafío más que interesante para muchos matemáticos.
En el presente trabajo se diseñarán simulaciones para estimar el valor del número Pi. Se describirán y
se utilizarán los modelos denominados: “de agujas de Buffon” y el método de Monte Carlo para
ejecutar simulaciones considerando diferentes tamaños o valores como entrada, utilizando números
pseudoaleatorios generados por computadora. Una vez obtenidos los resultados, se compararán con
el valor real de Pi, para determinar qué tan buenas son las aproximaciones, en función del tamaño de
la muestra generada.

*
Los puntos de vista expresados en este trabajo son de exclusiva responsabilidad de sus autores y no
necesariamente expresan la posición de la Universidad del CEMA.

1
 Modelos y Simulación para la aproximación de PI

Introducción:

En este trabajo se lleva a cabo una descripción de los métodos de simulación para estimar el valor del
número Pi, partiendo de la base del conocimiento del significado de un sistema. A partir de la
complejización de los sistemas de información y de la información en sí, las personas comenzaron a
pensar en la forma adecuada de “maquetar” los hechos y sus ecosistemas, de manera que dichos
resultados se acerquen de forma certera a la realidad. Este proceso de “maqueta” se refiere al diseño
y armado de un modelo que brinde determinadas respuestas en función de los parámetros
establecidos como “entradas” al sistema.

Se desea aprovechar el poder de cálculo que provee la computación moderna, para poder modelar, e
implementar (simular) utilizando un lenguaje visual de programación, los experimentos que
permitirán estimar el tan conocido y utilizado valor de Pi.

Algunos Conceptos Preliminares a considerar

Sistemas

Muchas veces al intentar identificar el significado de sistema, nos encontramos con una concepción
colectiva inclinada a “un método o conjunto de métodos ordenados para alcanzar una solución a un
determinado problema”. Para el campo que estamos analizando, la simulación de sistemas,
encontramos definiciones más específicas de sistema. Aracil y Gordillo (1997) define a un sistema
como:

“Un objeto formado por un conjunto de partes entre las que se establece alguna forma de relación
que las articula en la unidad que es precisamente el sistema. Un sistema se nos manifiesta como un
aspecto de la realidad dotado de cierta complejidad precisamente por estar formado por partes en
interacción. Esta interacción coordina a las partes dotando al conjunto de una entidad propia. Las
partes y la interacción entre ellas, son los elementos básicos en esta concepción de sistema”.

La forma de representar la porción de realidad que nos rodea, las partes relacionadas que conforman
nuestro sistema a estudiar, es posible gracias a la abstracción. La concepción de la realidad puede
variar para cada uno de los observadores de la realidad a la cual nos enfrentamos. La principal

2
 Modelos y Simulación para la aproximación de PI

dificultad que se nos presenta es el dimensionamiento de la realidad que queremos representar con
nuestro sistema.

La forma de dimensionar una porción de realidad, es modelizar la porción de realidad que nos
encontramos analizando. Para poder entender la modelización debemos conocer de qué trata un
modelo.

“Un modelo es una representación de la realidad desarrollado con el propósito de estudiarla. En la

mayoría de los análisis no es necesario considerar todos los detalles de la realidad, entonces, el
modelo no sólo es un sustituto de la realidad sino también una simplificación de ella”.

Modelos

Los modelos son una herramienta fundamental en el estudio de diversas disciplinas, ya que son el
medio de comprensión de los sistemas que se encuentren involucrados en el análisis. De acuerdo al
campo que nos encontremos examinando desarrollaremos un modelo acorde a las necesidades que
demande.

Existen diferentes formas de modelización:

- Modelos verbales: descripciones de los conceptos relacionados de forma lógica,

representándolas a través de gráficos, diagramas, etc.
- Modelos físicos: representación del modelo a través del maquetado o la implementación
de simuladores.
- Modelos de estructura: representación de aspectos específicos que son relativos o
causales propios del modelo.
- Modelos de comportamiento: figuran las reacciones del sistema a estímulos externos.

Además de los modelos anteriormente nombrados, existen otros que son más especializados de
acuerdo al nivel de complejidad y al ámbito de estudio. Pueden diferenciarse en modelos abstractos
(compuestos por conceptos, planes, hipótesis e ideas. Aquí, los símbolos representan atributos y
objetos, que muchas veces sólo existen en el pensamiento de las personas) o físicos (compuestos por
equipos, por maquinaria y por objetos y cosas reales. Pueden ser descritos en términos cuantitativos
de desempeño). Ackoff (1971) marca la diferencia entre ambos modelos:

3
 Modelos y Simulación para la aproximación de PI

"Un sistema abstracto es aquel en que todos sus elementos son conceptos. Un sistema concreto es
aquel en el que por lo menos dos de sus elementos son objetos”.

Además de la diferenciación entre modelos abstractos y físicos los modelos pueden diferenciarse en
continuos (cambian de forma continua con el paso del tiempo) o discretos (cambia de estado en una
cantidad numerable de instantes de tiempo), y en determinísticos (modelos cuya solución para
determinadas condiciones, es única y siempre la misma) o estocásticos (representan sistemas donde
los hechos suceden al azar, lo cual no es representativo. Se conoce la probabilidad de ocurrencia y su
distribución de probabilidad).

Simulación

A partir de la complejidad de emular los estados y los ambientes de comportamientos a analizar, es

que nace la simulación de sistemas. Robert Shannon (1975) explica:

“La simulación es el diseñar y desarrollar un modelo computarizado de un sistema o proceso y

conducir experimentalmente con este modelo con el propósito de entender el comportamiento del
sistema del mundo real o evaluar varias estrategias con los cuales puedan operar el sistema.”

La simulación ha ganado terreno gracias a la aparición de herramientas computacionales. El

desarrollo de software de gran complejidad ha permitido acercarnos cada vez más resultados más
congruentes con la realidad. ¿Cuál es la ventaja de la simulación a la hora de sacar conclusiones?
Thomas H. Naylor enumera una serie de ventajas acerca de la simulación:

- Se puede estudiar el efecto de los cambios internos y externos del sistema, al hacer
alteraciones en el modelo del sistema y observando los efectos de esas alteraciones en el
comportamiento del sistema.
- Otorga una observación detallada del sistema, permitiendo un mejor entendimiento del
sistema y por tanto sugerir estrategias que mejoren la operación y eficiencia del sistema.
- Se puede utilizar como instrumento pedagógico para educar a los estudiantes en campos
como el análisis estadístico.

4
 Modelos y Simulación para la aproximación de PI

- Se puede usar para experimentar acerca de eventos de los cuales se tiene poca información y
anticipar resultados no previstos.
- Puede prestar ayuda para el entrenamiento personal en determinados ambientes donde se
precisan determinadas características de representación y así lograr la experiencia requerida.
- Realizar una evaluación exhaustiva del sistema para su correcto entendimiento y
posteriormente sugerir estrategias que mejoren su operación y eficiencia.

Por otra parte, realizar una simulación presenta las siguientes desventajas:

- Son difíciles de ser aceptados.

- Pueden dar un erróneo sentimiento de seguridad.
- Si bien muchas veces los resultados son cercanos, no son óptimos.
- Las simulaciones a través de computadoras son muy costosas y requieren mucho tiempo para
desarrollarse y validarlas.
- Al tener que repetirse una determinada cantidad de veces para optimizar el resultado
produce que los costos de simulación sean elevados.
Proceso de desarrollo de una simulación

- Definición del sistema: Descripción del modelo o del sistema.

- Análisis del sistema: Descripción de las interacciones lógicas entre las variables de decisión.
- Formulación de un modelo: Definición completa del sistema a través de código lógico
matemático de la interacción de las variables.
- Selección del lenguaje: Utilización del lenguaje que mejor se adapte a las necesidades de la
simulación.
- Codificación del modelo: Generar instrucciones necesarias para que el modelo sea llevado
adelante.
- Validación del modelo: Determinar qué nivel de representación de la realidad tiene un
modelo.
- Experimentación: Determinar las distintas alternativas que pueden ser evaluadas,
distinguiendo las distintas variables de entrada, optimizando de esta forma el acercamiento a
las variables de respuesta del sistema real.

5
 Modelos y Simulación para la aproximación de PI

Ejemplos de simulación

Dentro del ámbito de la simulación existen distintas disciplinas que experimentan usualmente con
procesos de simulación, y de ellos podemos extraer claro ejemplos:

- Simulación de un sistema de colas: Estudio y análisis de colas cuya representación

matemática sería muy difícil de analizar.
- Simulación de estado de inventarios: Analizar de manera más sencilla y concreta sistemas de
inventario donde todos sus parámetros son estocásticos.
- Simulación de un proyecto de inversión: Evaluar el efecto de cierto tipo de decisiones en las
demás variables macroeconómicas.
- Simulación de estados financieros: Analizar estrategias de crecimiento para alcanzar los
objetivos y metas de corto, mediano y largo plazo.

Definición del modelo para estimar el valor de Pi

Modelo de agujas de Buffon

Este modelo de estimación fue desarrollado por Buffon en 1977 (Cheney, W. y Kincaid, D. 1985). El
modelo consiste en arrojar agujas en una superficie plana con líneas dibujadas, igualmente
espaciadas, donde el espacio que separa a las líneas es mayor que el largo de las agujas.
Determinando la probabilidad de que una aguja cualquiera corte a alguna de las líneas de la
superficie, se puede estimar el valor de Pi.

Tomando el largo de las agujas igual a la distancia que separa las líneas, se simplifican los cálculos
para la deducción de la relación entre la probabilidad de corte y el valor de Pi.

Para definir si una aguja de largo L corta a alguna de las líneas separadas por una distancia d, se
considera el punto medio de la aguja, m, y su distancia x hacia la línea más cercana. Además, se
considera el ángulo 𝜃 entre las líneas y la aguja.

Como las agujas se arrojan al azar, determinando m y 𝜃 al azar, queda determinada la posición de la
aguja. Por definición, m varía entre en 0 y d/2, y 𝜃 varía entre 0 y π. Como ambas variables aleatorias
siguen una distribución uniforme, la densidad de probabilidad para cada caso será:

6
 Modelos y Simulación para la aproximación de PI

2⁄ , 0 ≤ 𝑚 ≤ 𝑑⁄2
𝑓(𝑚) = { 𝑑 (𝐸. 1)
0, ∀ 𝑜𝑡𝑟𝑜 𝑚

2⁄ , 0 ≤ 𝜃 ≤ 𝜋⁄2
𝑓(𝜃) = { 𝜋 (𝐸. 2)
0, ∀ 𝑜𝑡𝑟𝑜 𝜃

Como las variables aleatorias son independientes, la densidad conjunta de probabilidad será el
producto de las variables:

4⁄ , 0 ≤ 𝜃 ≤ 𝜋⁄2 𝑦 0 ≤ 𝑚 ≤ 𝑑⁄2
𝑓(𝑥) = { 𝑑𝜋 (𝐸. 3)
0, ∀ 𝑜𝑡𝑟𝑜 𝑚, 𝜃

Esta distribución describe la probabilidad de ubicación de la aguja en el plano. Utilizando

trigonometría básica, puede verse que una aguja cortará a una línea cuando:

𝑚 ≤ 𝐿⁄2 𝑠𝑒𝑛(𝜃) (𝐸. 4)

Entonces puede obtenerse la probabilidad de corte de manera analítica, considerando ese límite para
m:

𝜋⁄ 𝐿⁄ 𝑠𝑒𝑛(𝜃)
2 2
𝑃𝐶𝑜𝑟𝑡𝑒 = ∫ ∫ 4⁄ 𝑑𝑚𝑑𝜃 = 2𝐿⁄ (𝐸. 5)
𝜃=0 𝑚=0
𝑑𝜋 𝑑𝜋

De esta manera, se puede estimar el valor de Pi, estimando el valor de PCorte utilizando los valores de
la simulación, donde:

𝑃𝐶𝑜𝑟𝑡𝑒 ≈ 𝑐⁄𝑁 (𝐸. 6)

7
 Modelos y Simulación para la aproximación de PI

Donde c es la cantidad de agujas que cortan a las líneas, y N es la cantidad de agujas totales. A partir
de las ecuaciones 5 y 6 se obtiene:

𝜋 ≈ 𝑁2𝐿⁄𝑑𝑐 (𝐸. 7)

La Ecuación 7 se puede simplificar aún más, si se considera que la distancia entre líneas es el doble
que el largo de las agujas. En ese caso, la estimación de Pi resulta:

𝜋 ≈ 𝑁⁄𝑐 (𝐸. 8)

Modelo con el método de Monte Carlo

Bajo el nombre de Método Monte Carlo o Simulación Monte Carlo se agrupan una serie de
procedimientos que analizan distribuciones de variables aleatorias usando simulación de
números aleatorios. En el caso de la estimación de Pi, se usan valores aleatorios para aproximar un
valor determinístico.

El uso del método de Monte Carlo para aproximar el valor de Pi consiste en dibujar un cuadrado, y
dentro de ese cuadrado, dibujar un círculo con diámetro de igual medida que uno de los lados del
cuadrado. Luego se dibujan puntos de manera aleatoria sobre la superficie dibujada. Los puntos que
están fuera del círculo y los que están dentro, sirven como estimadores de las áreas internas y
externas del círculo.

El área total del cuadrado con lado L es:

𝐴 𝑇 = 𝐿2 (𝐸. 9)

8
 Modelos y Simulación para la aproximación de PI

El área total del círculo dentro del cuadrado es:

2
𝐴𝐶 = 𝜋 ∗ (𝐿⁄2) (𝐸. 10)

La relación de áreas entonces es:

𝐴𝐶
⁄𝐴 = 𝜋⁄4 (𝐸. 11)
𝑇

A partir de una estimación de esta relación, se multiplica por 4, y se obtiene el estimador de Pi.

Para la simulación, se usan números pseudoaleatorios con distribución uniforme. A partir de esos
números se forman las coordenadas de los puntos que se van a dibujar dentro del cuadrado. Una vez
dibujados una cantidad suficiente de puntos, se estimará Pi mediante la fórmula:

𝑃𝑢𝑛𝑡𝑜𝑠𝑖𝑛𝑡𝑒𝑟𝑖𝑜𝑟𝑒𝑠
𝜋 ≈4∗ (𝐸. 12)
𝑃𝑢𝑛𝑡𝑜𝑠𝑡𝑜𝑡𝑎𝑙𝑒𝑠

Ejecución de las simulaciones

Las simulaciones se realizaron utilizando una aplicación específicamente programada para calcular
aproximaciones de Pi con los métodos de Buffon y el método geométrico de Monte Carlo. La
herramienta calcula automáticamente m cantidad de simulaciones con muestras de tamaño n, para
cada método, y registra los resultados en archivos, para ser analizados posteriormente.

Para ejecutar simulaciones individuales, se usan ventanas con gráficos, para facilitar la comprensión
del modelo que se está simulando.

En la caso del método de Buffon, se muestra un gráfico con una grilla, en donde se dibujan las
“agujas” posicionadas al azar. En rojo se dibujan las agujas que cortan las divisiones de la grilla, en
azul las que no cortan - Ver Figura 1 -

9
 Modelos y Simulación para la aproximación de PI

Figura 1 – Resultado gráfico de una simulación de las agujas de Buffon.

Figura 2 – Resultado gráfico de una simulación con el método de Monte Carlo.

10
 Modelos y Simulación para la aproximación de PI

Para el método de Monte Carlo, se muestra un gráfico con el cuadrante superior derecho de un
círculo de radio 1 - ver figura 2 -, en donde se marcan los puntos posicionados al azar en el gráfico.

En este ejemplo, se contabilizan los puntos que se encuentran debajo del área formada por la curva
(puntos internos) al igual que los puntos externos, que corresponden a puntos aleatorios que no se
encuentran dentro del área estipulada.

En el Apéndice A se encuentra el código fuente utilizado para simular valores de muestras y calcular
en valor de las estimaciones. Estos valores son los que se utilizan para calcular analíticamente la
aproximación, por el método de Monte Carlo, del valor de Pi.

11
 Modelos y Simulación para la aproximación de PI

Resultados y análisis

Se simularon ambos métodos con diferentes cantidades de muestras. Para un determinado tamaño
de muestra, la simulación se ejecutó 50 veces, y se tomaron los promedios de la estimación en cada
caso.

En la Tabla 1 se muestran los resultados de las simulaciones, ordenados por el tamaño de la muestra:

Muestra Buffon Diferencia Monte Diferencia

Pi Carlo Pi
100 3.154195 0.012603 3.164000 -0.022408
500 3.168686 0.027094 3.161920 -0.020328
1000 3.189029 0.047437 3.143680 -0.002088
5000 3.163424 0.021832 3.144736 -0.003144
10000 3.155944 -0.014352 3.140760 0.000832
30000 3.159373 -0.017781 3.141712 -0.000120
Tabla 1 – Valores promedio de la estimación de Pi para muestras de diferentes tamaños.

Ambos métodos arrojan resultados similares con respecto al tamaño de la muestra que se utilice.
Incluso cuando la muestra es relativamente chica, las estimaciones de Pi logran resultados exactos
hasta el primer dígito decimal, y resultados cercanos al exacto en el segundo dígito.

En la Tabla 1, pueden observarse los diferentes valores de muestra que se utilizaron y los respectivos
valores obtenidos, para ambas simulaciones. Como es de esperar, a medida que el tamaño de la
muestra aumenta, los resultados mejoran.

Analizando los resultados de las simulaciones individuales (ver Apéndice B), también se observa que
cuanto más grande es la muestra, la distancia entre los resultados extremos mayor y menor de las
simulaciones comienza a disminuir. Esa menor variabilidad significa que, en caso de que se realice una
sola simulación, será conveniente tomar una muestra lo más grande posible, para asegurarse que el
resultado no se alejará demasiado del valor real de Pi, o en todo caso, será necesario definir un
intervalo de confianza, para poder calcular el tamaño estadísticamente el número exacto de la
muestra a elegir.

12
 Modelos y Simulación para la aproximación de PI

Conclusiones

Luego de modelar los sistemas, utilizando para ellos un lenguaje de programación visual, se logró
aproximar el valor de Pi mediante el método de las agujas de Buffon y el método de Monte Carlo.

El proceso para obtener estos resultados, los cuales fueron registrados en las tablas
correspondientes, consistió en:

 Planteo de los Modelos

 Programación de los modelos (codificación en lenguaje visual)
 Ejecución de Experimentos (se ejecutaron múltiples simulaciones)
 Análisis de Resultados.

La conclusión más importante a la que se puede arribar, es que para que las aproximaciones sean
buenas, se debe usar una muestra con tamaño 100 como mínimo, y que a medida que se aumenta el
tamaño de la muestra, los resultados mejoran. Es decir, cuanto más grande sea la muestra, mejor
serán los resultados obtenidos.

13
 Modelos y Simulación para la aproximación de PI

Apéndice A – Código Fuente

Para programar la aplicación, se usó el lenguaje C# versión 5

Código C# para el método de Buffon:

Por comodidad, se define una clase que representa a una aguja posicionada en un plano:

public class Aguja

public double X1 { get; set; }

public double X2 { get; set; }

public double Y1 { get; set; }

public double Y2 { get; set; }

public bool Corte { get; set; }

Luego se define una clase que representa al método de Buffon, donde se generan agujas y se lleva un
registro de la cantidad generada, y cuántas de ellas cortan a alguno de las líneas, ya que solo esos 2
datos serán suficientes para calcular la estimación de Pi:

public class Buffon

private double _cortes = 0;

private double _agujas = 0;

private Random _random;

Dentro de la clase Buffon, se define código para generar agujas:

14
 Modelos y Simulación para la aproximación de PI

private Aguja GenerarAguja()

var largoAguja = 1;

var aguja = new Aguja() { Corte = false };

var minY = 2;

var maxY = 8;

var maxX = 20;

// Coordenada y1 al azar entre Y mínimo y máximo.

aguja.Y1 = _random.NextDouble() * (maxY - minY) + minY;

// Coordenada x1 al azar entre X mínimo y máximo.

aguja.X1 = _random.NextDouble() * maxX;

// Coordenada y2 al azar entre y1 ± largo aguja.

// y2 se posiciona aleatoramente arriba o abajo de y1.

aguja.Y2 = aguja.Y1 + largoAguja*_random.NextDouble()*Signo();

// Coordenada x2 determinada por las demás coordenadas, usando Pitágoras.

// x2 se posiciona aleatoramente a la izquierda o a la derecha de x1.

aguja.X2= aguja.X1+Math.Sqrt(largoAguja*largoAguja-(aguja.Y2-aguja.Y1)*

(aguja.Y2-aguja.Y1))*Signo();

// Para cada línea, determinar si la aguja la corta.

for (var linea = 2; linea <= 8; linea += 2)

if (aguja.Y2 > aguja.Y1)

// Si la aguja corta la línea

if (aguja.Y2 >= linea && aguja.Y1 <= linea)

aguja.Corte = true;

break;

15
 Modelos y Simulación para la aproximación de PI

else

// Si la aguja corta la línea

if (aguja.Y1 >= linea && aguja.Y2 <= linea)

aguja.Corte = true;

break;

return aguja;

Función auxiliar para generar 1 o -1 de manera aleatorea:

private int Signo()

return (_random.NextDouble() < 0.5 ? 1 : -1);

Luego de ejecutar n simulaciones, se calcula la estimación de Pi, utilizando la Fórmula 8:

public double CalcularPi()

return _cortes > 0 ? _agujas / _cortes : 0;

16
 Modelos y Simulación para la aproximación de PI

Código C# para el método de Monte Carlo:

Por comodidad, se define una clase que representa a un punto posicionado en entre los límites 0 y 1
de ambos ejes:

public class Punto

public double X { get; set; }

public double Y { get; set; }

public bool Interior { get; set; }

Luego se define una clase que representa al método de Monte Carlo, donde se generan puntos y se
lleva un registro de la cantidad de puntos internos y externos al círculo unitario, ya que solo esos 2
datos serán suficientes para calcular la estimación de Pi:

public class MonteCarlo

private int _puntosInternos = 0;

private int _puntosExternos = 0;

private Random _random;

Dentro de la clase MonteCarlo, se define código para generar puntos:

private Punto GenerarPunto()

17
 Modelos y Simulación para la aproximación de PI

var punto = new Punto();

// Coordenada x entre 0 y 1.

punto.X = _random.NextDouble();

// Coordenada y entre 0 y 1.

punto.Y = _random.NextDouble();

var hipotenusa = Math.Sqrt(punto.X * punto.X + punto.Y * punto.Y);

// Punto interno del círculo con radio 1.

if (hipotenusa < 1.0)

_puntosInternos++;

punto.Interior = true;

else

_puntosExternos++;

punto.Interior = false;

return punto;

Luego de ejecutar n simulaciones, se calcula la estimación de Pi, utilizando la fórmula 5:

public double CalcularPi()

Var puntosTotales = _puntosExternos + _puntosInternos;

return (puntosTotales > 0) ? 4.0 * _puntosInternos / puntosTotales : 0;

18
 Modelos y Simulación para la aproximación de PI

Apéndice B – Resultados de todas las simulaciones

Buffon Montecarlo
Muestra Corte Agujas Pi Internos Puntos Pi
100 43 100 2.325581 69 100 2.76
100 43 100 2.325581 69 100 2.76
100 40 100 2.500000 70 100 2.80
100 39 100 2.564103 72 100 2.88
100 39 100 2.564103 72 100 2.88
100 39 100 2.564103 73 100 2.92
100 38 100 2.631579 73 100 2.92
100 38 100 2.631579 73 100 2.92
100 38 100 2.631579 73 100 2.92
100 38 100 2.631579 74 100 2.96
100 37 100 2.702703 74 100 2.96
100 36 100 2.777778 75 100 3.00
100 35 100 2.857143 75 100 3.00
100 35 100 2.857143 76 100 3.04
100 34 100 2.941176 76 100 3.04
100 34 100 2.941176 76 100 3.04
100 34 100 2.941176 76 100 3.04
100 34 100 2.941176 77 100 3.08
100 34 100 2.941176 78 100 3.12
100 34 100 2.941176 78 100 3.12
100 33 100 3.030303 78 100 3.12
100 33 100 3.030303 78 100 3.12
100 33 100 3.030303 79 100 3.16
100 33 100 3.030303 79 100 3.16
100 32 100 3.125000 79 100 3.16
100 32 100 3.125000 79 100 3.16
100 32 100 3.125000 79 100 3.16
100 32 100 3.125000 80 100 3.20
100 31 100 3.225806 80 100 3.20
100 31 100 3.225806 80 100 3.20
100 31 100 3.225806 80 100 3.20
100 31 100 3.225806 80 100 3.20
100 30 100 3.333333 82 100 3.28
100 30 100 3.333333 82 100 3.28
100 30 100 3.333333 82 100 3.28
100 30 100 3.333333 82 100 3.28
100 29 100 3.448276 82 100 3.28
100 29 100 3.448276 84 100 3.36
100 29 100 3.448276 84 100 3.36
100 28 100 3.571429 84 100 3.36
100 28 100 3.571429 85 100 3.40
100 27 100 3.703704 85 100 3.40
100 27 100 3.703704 85 100 3.40
100 26 100 3.846154 85 100 3.40
100 26 100 3.846154 86 100 3.44
100 26 100 3.846154 86 100 3.44
100 26 100 3.846154 86 100 3.44
100 26 100 3.846154 87 100 3.48
100 24 100 4.166667 88 100 3.52
100 23 100 4.347826 90 100 3.60
Tabla A1.1 – Resultados de las simulaciones para muestras de tamaño 100.

19
 Modelos y Simulación para la aproximación de PI

Buffon Montecarlo
Muestra Corte Agujas Pi Internos Puntos Pi
500 177 500 2.824859 380 500 3.04
500 177 500 2.824859 382 500 3.056
500 176 500 2.840909 383 500 3.064
500 171 500 2.923977 384 500 3.072
500 169 500 2.958580 384 500 3.072
500 169 500 2.958580 384 500 3.072
500 169 500 2.958580 386 500 3.088
500 169 500 2.958580 387 500 3.096
500 168 500 2.976190 388 500 3.104
500 167 500 2.994012 389 500 3.112
500 166 500 3.012048 389 500 3.112
500 166 500 3.012048 390 500 3.12
500 165 500 3.030303 390 500 3.12
500 164 500 3.048780 391 500 3.128
500 164 500 3.048780 391 500 3.128
500 163 500 3.067485 392 500 3.136
500 163 500 3.067485 392 500 3.136
500 162 500 3.086420 393 500 3.144
500 161 500 3.105590 393 500 3.144
500 160 500 3.125000 393 500 3.144
500 159 500 3.144654 393 500 3.144
500 159 500 3.144654 393 500 3.144
500 159 500 3.144654 394 500 3.152
500 159 500 3.144654 394 500 3.152
500 158 500 3.164557 395 500 3.16
500 158 500 3.164557 395 500 3.16
500 158 500 3.164557 395 500 3.16
500 157 500 3.184713 396 500 3.168
500 157 500 3.184713 399 500 3.192
500 156 500 3.205128 399 500 3.192
500 156 500 3.205128 399 500 3.192
500 155 500 3.225806 399 500 3.192
500 155 500 3.225806 399 500 3.192
500 154 500 3.246753 400 500 3.2
500 154 500 3.246753 400 500 3.2
500 153 500 3.267974 400 500 3.2
500 153 500 3.267974 400 500 3.2
500 151 500 3.311258 400 500 3.2
500 151 500 3.311258 401 500 3.208
500 151 500 3.311258 401 500 3.208
500 150 500 3.333333 401 500 3.208
500 150 500 3.333333 401 500 3.208
500 149 500 3.355705 401 500 3.208
500 148 500 3.378378 403 500 3.224
500 148 500 3.378378 404 500 3.232
500 147 500 3.401361 404 500 3.232
500 147 500 3.401361 408 500 3.264
500 146 500 3.424658 409 500 3.272
500 142 500 3.521127 409 500 3.272
500 131 500 3.816794 409 500 3.272
Tabla A1.2 – Resultados de las simulaciones para muestras de tamaño 500.

20
 Modelos y Simulación para la aproximación de PI

Buffon Montecarlo
Muestra Corte Agujas Pi Internos Puntos Pi
1000 357 1000 2.801120 760 1000 3.04
1000 342 1000 2.923977 761 1000 3.044
1000 341 1000 2.932551 762 1000 3.048
1000 338 1000 2.958580 763 1000 3.052
1000 332 1000 3.012048 768 1000 3.072
1000 331 1000 3.021148 768 1000 3.072
1000 330 1000 3.030303 770 1000 3.08
1000 329 1000 3.039514 770 1000 3.08
1000 328 1000 3.048780 773 1000 3.092
1000 328 1000 3.048780 774 1000 3.096
1000 327 1000 3.058104 775 1000 3.1
1000 326 1000 3.067485 776 1000 3.104
1000 325 1000 3.076923 776 1000 3.104
1000 324 1000 3.086420 777 1000 3.108
1000 323 1000 3.095975 778 1000 3.112
1000 323 1000 3.095975 780 1000 3.12
1000 320 1000 3.125000 782 1000 3.128
1000 319 1000 3.134796 783 1000 3.132
1000 317 1000 3.154574 785 1000 3.14
1000 316 1000 3.164557 785 1000 3.14
1000 316 1000 3.164557 785 1000 3.14
1000 315 1000 3.174603 786 1000 3.144
1000 314 1000 3.184713 787 1000 3.148
1000 314 1000 3.184713 787 1000 3.148
1000 313 1000 3.194888 787 1000 3.148
1000 312 1000 3.205128 787 1000 3.148
1000 312 1000 3.205128 788 1000 3.152
1000 312 1000 3.205128 788 1000 3.152
1000 312 1000 3.205128 789 1000 3.156
1000 312 1000 3.205128 789 1000 3.156
1000 311 1000 3.215434 791 1000 3.164
1000 310 1000 3.225806 791 1000 3.164
1000 310 1000 3.225806 791 1000 3.164
1000 310 1000 3.225806 792 1000 3.168
1000 309 1000 3.236246 792 1000 3.168
1000 308 1000 3.246753 793 1000 3.172
1000 308 1000 3.246753 793 1000 3.172
1000 307 1000 3.257329 794 1000 3.176
1000 306 1000 3.267974 795 1000 3.18
1000 305 1000 3.278689 795 1000 3.18
1000 304 1000 3.289474 795 1000 3.18
1000 300 1000 3.333333 796 1000 3.184
1000 298 1000 3.355705 797 1000 3.188
1000 296 1000 3.378378 799 1000 3.196
1000 294 1000 3.401361 801 1000 3.204
1000 292 1000 3.424658 801 1000 3.204
1000 288 1000 3.472222 803 1000 3.212
1000 286 1000 3.496503 808 1000 3.232
1000 285 1000 3.508772 808 1000 3.232
1000 281 1000 3.558719 822 1000 3.288
Tabla A1.3 – Resultados de las simulaciones para muestras de tamaño 1000.

21
 Modelos y Simulación para la aproximación de PI

Buffon Montecarlo
Muestra Corte Agujas Pi Internos Puntos Pi
5000 1674 5000 2.986858 3864 1136 3.0912
5000 1655 5000 3.021148 3871 1129 3.0968
5000 1630 5000 3.067485 3884 1116 3.1072
5000 1625 5000 3.076923 3885 1115 3.1080
5000 1615 5000 3.095975 3885 1115 3.1080
5000 1614 5000 3.097893 3886 1114 3.1088
5000 1612 5000 3.101737 3890 1110 3.1120
5000 1609 5000 3.107520 3892 1108 3.1136
5000 1607 5000 3.111388 3896 1104 3.1168
5000 1607 5000 3.111388 3897 1103 3.1176
5000 1605 5000 3.115265 3899 1101 3.1192
5000 1601 5000 3.123048 3901 1099 3.1208
5000 1600 5000 3.125000 3903 1097 3.1224
5000 1600 5000 3.125000 3904 1096 3.1232
5000 1598 5000 3.128911 3906 1094 3.1248
5000 1597 5000 3.130870 3910 1090 3.1280
5000 1597 5000 3.130870 3910 1090 3.1280
5000 1593 5000 3.138732 3914 1086 3.1312
5000 1592 5000 3.140704 3914 1086 3.1312
5000 1589 5000 3.146633 3916 1084 3.1328
5000 1586 5000 3.152585 3922 1078 3.1376
5000 1585 5000 3.154574 3924 1076 3.1392
5000 1585 5000 3.154574 3926 1074 3.1408
5000 1584 5000 3.156566 3926 1074 3.1408
5000 1583 5000 3.158560 3928 1072 3.1424
5000 1583 5000 3.158560 3933 1067 3.1464
5000 1580 5000 3.164557 3933 1067 3.1464
5000 1577 5000 3.170577 3942 1058 3.1536
5000 1574 5000 3.176620 3943 1057 3.1544
5000 1573 5000 3.178640 3944 1056 3.1552
5000 1573 5000 3.178640 3946 1054 3.1568
5000 1571 5000 3.182686 3947 1053 3.1576
5000 1571 5000 3.182686 3951 1049 3.1608
5000 1571 5000 3.182686 3952 1048 3.1616
5000 1571 5000 3.182686 3953 1047 3.1624
5000 1570 5000 3.184713 3954 1046 3.1632
5000 1568 5000 3.188776 3957 1043 3.1656
5000 1568 5000 3.188776 3957 1043 3.1656
5000 1567 5000 3.190810 3958 1042 3.1664
5000 1560 5000 3.205128 3960 1040 3.1680
5000 1560 5000 3.205128 3960 1040 3.1680
5000 1559 5000 3.207184 3963 1037 3.1704
5000 1556 5000 3.213368 3963 1037 3.1704
5000 1535 5000 3.257329 3970 1030 3.1760
5000 1532 5000 3.263708 3971 1029 3.1768
5000 1529 5000 3.270111 3972 1028 3.1776
5000 1527 5000 3.274394 3975 1025 3.1800
5000 1519 5000 3.291639 3977 1023 3.1816
5000 1513 5000 3.304693 3987 1013 3.1896
5000 1512 5000 3.306878 4025 975 3.2200
Tabla A1.4 – Resultados de las simulaciones para muestras de tamaño 5000.

22
 Modelos y Simulación para la aproximación de PI

Buffon Montecarlo
Muestra Corte Agujas Pi Internos Puntos Pi
10000 3252 10000 3.075031 7771 10000 3.1084
10000 3250 10000 3.076923 7772 10000 3.1088
10000 3245 10000 3.081664 7795 10000 3.118
10000 3235 10000 3.09119 7796 10000 3.1184
10000 3227 10000 3.098853 7799 10000 3.1196
10000 3226 10000 3.099814 7801 10000 3.1204
10000 3219 10000 3.106555 7803 10000 3.1212
10000 3218 10000 3.10752 7803 10000 3.1212
10000 3217 10000 3.108486 7803 10000 3.1212
10000 3213 10000 3.112356 7809 10000 3.1236
10000 3213 10000 3.112356 7809 10000 3.1236
10000 3204 10000 3.121099 7810 10000 3.124
10000 3204 10000 3.121099 7815 10000 3.126
10000 3201 10000 3.124024 7824 10000 3.1296
10000 3200 10000 3.125 7826 10000 3.1304
10000 3200 10000 3.125 7830 10000 3.132
10000 3197 10000 3.127932 7831 10000 3.1324
10000 3187 10000 3.137747 7834 10000 3.1336
10000 3186 10000 3.138732 7834 10000 3.1336
10000 3186 10000 3.138732 7836 10000 3.1344
10000 3181 10000 3.143666 7836 10000 3.1344
10000 3180 10000 3.144654 7842 10000 3.1368
10000 3179 10000 3.145643 7844 10000 3.1376
10000 3179 10000 3.145643 7847 10000 3.1388
10000 3178 10000 3.146633 7849 10000 3.1396
10000 3169 10000 3.15557 7852 10000 3.1408
10000 3165 10000 3.159558 7853 10000 3.1412
10000 3160 10000 3.164557 7860 10000 3.144
10000 3158 10000 3.166561 7861 10000 3.1444
10000 3155 10000 3.169572 7862 10000 3.1448
10000 3152 10000 3.172589 7864 10000 3.1456
10000 3150 10000 3.174603 7865 10000 3.146
10000 3148 10000 3.17662 7873 10000 3.1492
10000 3147 10000 3.177629 7877 10000 3.1508
10000 3144 10000 3.180662 7878 10000 3.1512
10000 3137 10000 3.187759 7881 10000 3.1524
10000 3136 10000 3.188776 7882 10000 3.1528
10000 3131 10000 3.193868 7890 10000 3.156
10000 3130 10000 3.194888 7892 10000 3.1568
10000 3128 10000 3.196931 7893 10000 3.1572
10000 3122 10000 3.203075 7896 10000 3.1584
10000 3122 10000 3.203075 7897 10000 3.1588
10000 3122 10000 3.203075 7898 10000 3.1592
10000 3120 10000 3.205128 7900 10000 3.16
10000 3106 10000 3.219575 7906 10000 3.1624
10000 3102 10000 3.223727 7908 10000 3.1632
10000 3101 10000 3.224766 7910 10000 3.164
10000 3096 10000 3.229974 7918 10000 3.1672
10000 3092 10000 3.234153 7924 10000 3.1696
10000 3092 10000 3.234153 7936 10000 3.1744
Tabla A1.5 – Resultados de las simulaciones para muestras de tamaño 10000.

23
 Modelos y Simulación para la aproximación de PI

Buffon Montecarlo
Muestra Corte Agujas Pi Internos Puntos Pi
30000 9726 30000 3.084516 23432 30000 3.124267
30000 9656 30000 3.106877 23453 30000 3.127067
30000 9637 30000 3.113002 23454 30000 3.127200
30000 9633 30000 3.114295 23457 30000 3.127600
30000 9625 30000 3.116883 23470 30000 3.129333
30000 9612 30000 3.121099 23471 30000 3.129467
30000 9599 30000 3.125326 23478 30000 3.130400
30000 9592 30000 3.127606 23489 30000 3.131867
30000 9575 30000 3.133159 23493 30000 3.132400
30000 9561 30000 3.137747 23501 30000 3.133467
30000 9559 30000 3.138404 23507 30000 3.134267
30000 9559 30000 3.138404 23509 30000 3.134533
30000 9552 30000 3.140704 23517 30000 3.135600
30000 9546 30000 3.142678 23526 30000 3.136800
30000 9543 30000 3.143666 23530 30000 3.137333
30000 9538 30000 3.145313 23532 30000 3.137600
30000 9533 30000 3.146963 23533 30000 3.137733
30000 9532 30000 3.147293 23536 30000 3.138133
30000 9529 30000 3.148284 23537 30000 3.138267
30000 9524 30000 3.149937 23542 30000 3.138933
30000 9519 30000 3.151592 23546 30000 3.139467
30000 9518 30000 3.151923 23553 30000 3.140400
30000 9514 30000 3.153248 23553 30000 3.140400
30000 9509 30000 3.154906 23554 30000 3.140533
30000 9505 30000 3.156234 23558 30000 3.141067
30000 9504 30000 3.156566 23568 30000 3.142400
30000 9494 30000 3.15989 23570 30000 3.142667
30000 9486 30000 3.162555 23577 30000 3.143600
30000 9484 30000 3.163222 23580 30000 3.144000
30000 9478 30000 3.165225 23580 30000 3.144000
30000 9476 30000 3.165893 23581 30000 3.144133
30000 9466 30000 3.169237 23585 30000 3.144667
30000 9462 30000 3.170577 23589 30000 3.145200
30000 9458 30000 3.171918 23589 30000 3.145200
30000 9453 30000 3.173596 23592 30000 3.145600
30000 9447 30000 3.175611 23598 30000 3.146400
30000 9445 30000 3.176284 23598 30000 3.146400
30000 9441 30000 3.177629 23599 30000 3.146533
30000 9438 30000 3.17864 23612 30000 3.148267
30000 9438 30000 3.17864 23622 30000 3.149600
30000 9435 30000 3.17965 23622 30000 3.149600
30000 9415 30000 3.186405 23630 30000 3.150667
30000 9414 30000 3.186743 23632 30000 3.150933
30000 9391 30000 3.194548 23636 30000 3.151467
30000 9388 30000 3.195569 23640 30000 3.152000
30000 9365 30000 3.203417 23652 30000 3.153600
30000 9358 30000 3.205813 23666 30000 3.155467
30000 9316 30000 3.220266 23693 30000 3.159067
30000 9312 30000 3.221649 23696 30000 3.159467
30000 9262 30000 3.239041 23704 30000 3.160533
Tabla A1.6 – Resultados de las simulaciones para muestras de tamaño 30000.

24
 Modelos y Simulación para la aproximación de PI

Referencias

Ackoff, Russell L. (1971) - Towards a system of systems concepts – p. 662

Arcil Javier y Gordillo Francisco (1997) - Dinámica de Sistemas - pp. 11-12

Azarang, Mohammad R. (1998) - Simulación y análisis de modelos estocásticos - p. 8

Cheney, W. and Kincaid, D. (1985). Numerical Mathematics and Computing. 2nd Ed. Pace Grove,
California: Brooks/Cole Publishing Company pp. 354-354

Shannon, Robert (1975) - Systems simulation: the art and science –

25