Pourquoi des points aléatoires donnent-ils précisément π ?

La probabilité de tomber dans le disque égale le rapport des aires : π/4. Compter les succès mesure cette probabilité. Un problème géométrique d’aire devient un décompte statistique.

Pourquoi l’estimée se dégrade-t-elle parfois quand il y a plus de points ?

La convergence est statistique, non monotone. Un court paquet de points peut, par fluctuation, éloigner l’estimée de π. La loi des grands nombres parle de la tendance à grand N, non de chaque pas.

Est-ce ainsi que l’on calcule π en pratique ?

Non : pour beaucoup de décimales, il existe des séries déterministes rapides. La méthode de Monte-Carlo est ici pédagogique. La même idée sert pour des intégrales multidimensionnelles trop lourdes pour une grille.

Que signifie « points uniformes » ?

Chaque point du carré est équiprobable, sans biais vers le centre ou le bord. Sinon le rapport des succès n’égale plus le rapport des aires. Sur un ordinateur, c’est un générateur pseudo-aléatoire.

Estimation de π par Monte-Carlo

Points aléatoires uniformes dans un carré ; estimation π ≈ 4·(points dans le disque)/N.

À propos du modèle

L’estimation de π par la méthode de Monte-Carlo : on jette des points uniformes dans le carré [−1, 1]² et l’on compte la fraction tombée dans le disque unité x² + y² ≤ 1. Le rapport des aires vaut π/4, d’où π ≈ 4M/N, où M est le nombre de succès et N le nombre d’essais. Les points sont indépendants, le générateur est pris uniforme. Par la loi des grands nombres, l’estimée converge vers π quand N croît, mais le chemin est bruité : un court paquet de points peut temporairement éloigner l’estimée. Pour les décimales précises de π, il existe des séries bien plus rapides ; ici l’important est le sens géométrique de la probabilité.

Public : Probabilités et méthodes numériques : probabilité géométrique, méthode de Monte-Carlo.

Notions clés

méthode de Monte-Carlo
probabilité géométrique
loi uniforme
loi des grands nombres
estimation de π
rapport d’aires

Comment ça marche

Des points uniformes dans le carré [−1, 1]² tombent dans le disque unité avec la probabilité π/4. Estimée π ≈ 4·(succès)/N. À l’écran, les points à l’intérieur et à l’extérieur du disque ; quand N croît, l’estimée se rapproche de π, la dispersion décroît à peu près comme 1/√N.

Questions fréquentes

Pourquoi des points aléatoires donnent-ils précisément π ?: La probabilité de tomber dans le disque égale le rapport des aires : π/4. Compter les succès mesure cette probabilité. Un problème géométrique d’aire devient un décompte statistique.
Pourquoi l’estimée se dégrade-t-elle parfois quand il y a plus de points ?: La convergence est statistique, non monotone. Un court paquet de points peut, par fluctuation, éloigner l’estimée de π. La loi des grands nombres parle de la tendance à grand N, non de chaque pas.
Est-ce ainsi que l’on calcule π en pratique ?: Non : pour beaucoup de décimales, il existe des séries déterministes rapides. La méthode de Monte-Carlo est ici pédagogique. La même idée sert pour des intégrales multidimensionnelles trop lourdes pour une grille.
Que signifie « points uniformes » ?: Chaque point du carré est équiprobable, sans biais vers le centre ou le bord. Sinon le rapport des succès n’égale plus le rapport des aires. Sur un ordinateur, c’est un générateur pseudo-aléatoire.

Poursuivez avec des thèmes proches de cette catégorie — ou les 85 de «Visualisation mathématique».

Toute la catégorie →

NouveauUniversité

Monte-Carlo : intégration et réduction de variance

Lancer la simulation

Monte-Carlo ordinaire, échantillonnage préférentiel et stratification pour ∫f(x) dx : courbes de convergence, erreur-type et loi en 1/√N.

NouveauUniversité

Euler et RK4 (pendule simple)

Lancer la simulation

Une même équation non linéaire du pendule simple et un même pas h : méthode d’Euler explicite à côté de Runge–Kutta d’ordre 4.

NouveauUniversité

Volumes finis : advection et diffusion

Lancer la simulation

Transport conservatif d’un scalaire sur un maillage 2D : flux à travers les faces, schéma décentré amont ou interpolation centrée, nombre de Péclet, CFL et diffusion numérique.

NouveauCollège–lycée

Modèle SIR d’épidémie

Lancer la simulation

S + I + R = 1 : βSI et γI ; ℛ₀ ≈ β/γ, seuil d’immunité collective 1 − 1/ℛ₀ ; graphe temporel RK4.

NouveauUniversité

Itération en puissance : convergence de la valeur propre

Lancer la simulation

Convergence vers le vecteur propre dominant : rapport d’écart spectral, quotient de Rayleigh, résidu et itérations normées.

NouveauCollège–lycée

Chaîne de Markov (météo)

Lancer la simulation

Chaîne à deux états « soleil / pluie » : matrice de transition P, distribution stationnaire π, fréquence empirique et théorie.

Estimation de π par Monte-Carlo

À propos du modèle

Comment ça marche

Questions fréquentes

Simulations voisines

Monte-Carlo : intégration et réduction de variance

Euler et RK4 (pendule simple)

Volumes finis : advection et diffusion

Modèle SIR d’épidémie

Itération en puissance : convergence de la valeur propre

Chaîne de Markov (météo)

Estimation de π par Monte-Carlo

À propos du modèle

Comment ça marche

Questions fréquentes