🪡 Jette des aiguilles sur le parquet
Chaque aiguille rouge croise une latte, chaque aiguille bleue non. Le rapport entre les deux fait apparaître π. Lance-en de plus en plus et regarde l'estimation se préciser.
Aiguilles
0
Croisements
0
π estimé
—
Vraie valeur
3.14159
Lance des aiguilles pour démarrer l'estimation. Avec quelques dizaines d'aiguilles, l'estimation est grossière ; avec des milliers, elle s'affine.
🪡 1733 : un comte joue à pile ou face… avec des aiguilles
En 1733, Georges-Louis Leclerc, comte de Buffon — naturaliste, mathématicien et grand vulgarisateur du siècle des Lumières — pose à l'Académie des sciences un problème d'apparence anodine. Il sera publié en détail en 1777 dans son Essai d'arithmétique morale. C'est l'un des tout premiers problèmes de ce qu'on appellera plus tard la géométrie des probabilités.
L'énoncé : on a un parquet formé de lattes parallèles, toutes espacées d'une même distance a. On laisse tomber au hasard une aiguille de longueur L (avec L ≤ a). Quelle est la probabilité que l'aiguille croise l'une des lignes du parquet ?
🎯 Le résultat stupéfiant
Buffon démontre que cette probabilité vaut :
p = 2L / (a·π)
où p est la probabilité qu'une aiguille croise une latte, L la
longueur de l'aiguille, a l'espacement des lattes.
La présence de π dans cette formule est inattendue : on parle d'aiguilles et de parquet, aucun cercle nulle part… et pourtant la constante du cercle surgit. En retournant la formule, on obtient une machine à estimer π :
π = 2L / (a·p)
En pratique, on remplace la probabilité théorique p par sa fréquence observée : si on lance N aiguilles et qu'on en compte C qui croisent une latte, alors p ≈ C/N, donc :
π ≈ 2·L·N / (a·C)
C'est exactement la formule utilisée par la simulation ci-dessus. Le hasard, à force d'être répété, finit par calculer une constante mathématique.
📐 Pourquoi ça marche : la démonstration intuitive
Décrivons une aiguille tombée par deux variables aléatoires indépendantes :
- la distance x du centre de l'aiguille à la latte la plus proche ; elle est uniforme sur l'intervalle [0, a/2] ;
- l'angle θ que fait l'aiguille avec la direction des lattes ; il est uniforme sur [0, π).
L'aiguille croise une latte précisément quand sa demi-projection verticale dépasse la distance au bord, c'est-à-dire quand :
x ≤ (L/2)·sin(θ)
Il reste à calculer la probabilité de cet événement. Comme x et θ sont uniformes et indépendants, on intègre sur l'angle. Pour un angle θ fixé, la proportion favorable de positions est (L/2)·sin θa/2. On moyenne sur tous les angles de [0, π) :
p = 1π ∫0π L·sin θa dθ = La·π · ∫0π sin θ dθ = La·π · 2 = 2La·π.
Le facteur 2 vient directement de l'intégrale ∫0π sin θ dθ = 2 : c'est elle qui fait apparaître π au dénominateur après normalisation. Voilà d'où sort le π : non pas d'un cercle dessiné, mais de la moyenne d'un sinus sur un demi-tour.
🎲 Le premier « Monte-Carlo » de l'histoire
L'aiguille de Buffon est l'ancêtre direct des méthodes de Monte-Carlo : ces techniques où l'on calcule une quantité déterministe (ici π) en effectuant un grand nombre de tirages aléatoires et en comptant les succès. Le nom « Monte-Carlo » date des années 1940 (Ulam, von Neumann, projet Manhattan), mais l'idée est déjà là, deux siècles plus tôt, dans le parquet de Buffon.
La justification théorique est la loi des grands nombres : la fréquence observée C/N converge vers la vraie probabilité p quand N tend vers l'infini. Donc 2·L·N/(a·C) converge vers 2L/(a·p) = π. C'est précisément ce que tu vois dans la simulation : plus tu lances d'aiguilles, plus l'estimation se stabilise autour de 3,14159.
🐌 Mais attention : la convergence est lente
Estimer π avec des aiguilles, c'est joli… mais terriblement inefficace. L'erreur d'une méthode de Monte-Carlo décroît typiquement comme 1/√N (théorème central limite). Conséquence concrète :
- pour gagner une décimale de précision, il faut multiplier le nombre de lancers par environ 100 ;
- obtenir π à 3 décimales fiables demande déjà des centaines de milliers de lancers ;
- à la main, sur un vrai parquet, autant dire que c'est impraticable au-delà de 1 ou 2 décimales.
Cette lenteur (~1/√N) n'est pas un défaut de l'aiguille de Buffon en particulier : c'est la signature commune de toutes les méthodes de Monte-Carlo. On les utilise non pas parce qu'elles sont rapides, mais parce qu'elles restent praticables là où les méthodes déterministes deviennent impossibles (intégrales en très grande dimension, finance, physique des particules…).
🎓 Le lien avec ton programme
L'aiguille de Buffon mobilise des notions très présentes au lycée :
- Probabilités continues / loi uniforme : x et θ sont des variables uniformes, et la probabilité devient une aire dans le plan (x, θ).
- Trigonométrie : le critère de croisement x ≤ (L/2)·sin θ.
- Calcul intégral : ∫0π sin θ dθ = 2, le cœur de la démonstration.
- Loi des grands nombres et fréquence : C/N → p, fondement de l'estimation.
- Algorithmique : la simulation est un excellent mini-projet en Python ou JavaScript (et un sujet de TIPE classique).