🎛️ Lance une marche aléatoire 2D et regarde sa trajectoire
À chaque pas, le marcheur choisit une direction (haut/bas/gauche/droite) au hasard. Refais la simulation autant de fois que tu veux.
Pas effectués (N)
500
Distance à l'origine
12.3
Distance théorique √N
22.4
Ratio dist / √N
0.55
500 pas effectués. Distance à l'origine ≈ √N = √500 ≈ 22.4 (ordre de grandeur, fluctuations selon la marche).
🎲 Le principe : un pas dans le hasard
Imagine un ivrogne qui sort d'un bar. À chaque pas, il choisit une direction au hasard : nord, sud, est, ouest. Après 1 000 pas, où est-il ?
Intuitivement, on pourrait penser : "il bouge dans toutes les directions, donc il reste autour du bar". Vrai, mais avec une nuance. Il ne reste PAS au point de départ. La distance moyenne à laquelle il finit est en √N — où N est le nombre de pas.
Loi fondamentale de la marche aléatoire
Après N pas aléatoires de longueur 1, la distance moyenne à l'origine est :
E(distance) ≈ √N
Cette loi en √N est universelle : valable en 1D (avancer ou reculer sur une droite), en 2D (le plan de l'ivrogne), en 3D (une molécule de gaz). Elle ne dépend ni du choix précis des directions, ni de la distribution des pas.
📏 Marche en 1D : avance ou recule
Le cas le plus simple : à chaque pas, tu fais +1 ou −1 avec probabilité 1/2 chacun. Soit SN ta position après N pas :
SN = X1 + X2 + … + XN
Où chaque Xi vaut +1 ou −1 indépendamment. Propriétés :
- Espérance : E(SN) = 0 (tu pars de 0 et tu y restes en moyenne).
- Variance : V(SN) = N (chaque pas ajoute une unité de variance).
- Écart-type : σ(SN) = √N (la fluctuation typique).
En pratique : si tu marches 100 pas, ta position finale est typiquement dans [−10, +10]. Si tu marches 10 000 pas, dans [−100, +100]. La fluctuation croît comme √N — beaucoup plus lentement que N.
🌌 Marche en 2D : le résultat de Pólya
En 2D, à chaque pas tu choisis une des 4 directions au hasard. Question : si tu marches indéfiniment, repasses-tu un jour à ton point de départ ?
Théorème de Pólya (1921)
La marche aléatoire est récurrente en dimensions 1 et 2 : avec probabilité 1, on
repasse à l'origine une infinité de fois.
Elle est transitoire en dimension 3 et plus : avec probabilité ≈ 0.659, on ne
repasse jamais à l'origine.
George Pólya a démontré ça en 1921. Sa conclusion populaire : « Un ivrogne marchant à Casablanca finira par rentrer chez lui. Un oiseau ivre volant à Casablanca peut être perdu pour toujours. »
🔬 Le mouvement brownien : marche aléatoire à l'infini
En 1827, le botaniste Robert Brown observe au microscope des grains de pollen flottant dans l'eau. Ils tressautent de manière apparemment chaotique. Personne ne comprend pourquoi.
En 1905, Albert Einstein publie un article qui explique : les grains sont bombardés par les molécules d'eau, qui se déplacent en marche aléatoire. La théorie cinétique des gaz est confirmée — et l'existence des atomes est prouvée pour la première fois de manière quantitative.
Le mouvement brownien mathématique est la limite d'une marche aléatoire quand le pas tend vers 0 et le temps entre pas tend vers 0 (en gardant le ratio constant). C'est l'un des objets centraux de l'analyse stochastique moderne.
🌐 Applications : la marche aléatoire est partout
- Finance : le modèle de Black-Scholes des cours de bourse repose sur le mouvement brownien. Les options sont évaluées avec des intégrales sur marches aléatoires.
- Physique : diffusion de la chaleur, mouvement des particules dans un gaz, équations de Fokker-Planck.
- Biologie : dérive génétique dans les populations, comportement des bactéries (chemotaxis), mouvement des animaux qui cherchent de la nourriture.
- Informatique : algorithme de Metropolis (Monte Carlo), PageRank de Google (marche aléatoire sur le graphe du web), exploration de graphes.
- Réseaux sociaux : propagation d'opinions, viralité, modèles de Bass.
🎯 Lien avec le théorème central limite
Après N pas, la distribution de la position SN tend (quand N → ∞) vers une loi normale N(0, σ²N). C'est exactement le théorème central limite appliqué à la somme des pas.
Conséquence pratique : si tu simules 10 000 marches aléatoires de 1 000 pas chacune, et que tu regardes la distribution des positions finales, tu obtiens une parfaite cloche de Gauss. Le hasard brut produit l'ordre statistique le plus structuré.
🎓 Le lien avec ton programme
Marches aléatoires et BAC SM se croisent à plusieurs endroits :
- Variables aléatoires : la position SN est une somme de variables aléatoires indépendantes — sujet récurrent au 2BAC SM.
- Loi binomiale : en 1D, la position SN est liée à une loi binomiale (nombre de +1 sur N tirages). La loi normale en sort comme limite.
- Théorème central limite : explicitement au programme MEN, la marche aléatoire en est l'incarnation la plus visuelle.
- Suites : la distance moyenne en √N est une suite à étudier, lien avec les suites en racine.
🧮 Une expérience à faire toi-même
Programme ceci en quelques lignes Python ou JavaScript :
- Simule 10 000 marches aléatoires 1D de 1 000 pas chacune.
- Pour chacune, note la position finale.
- Trace l'histogramme des positions finales.
Tu obtiendras une cloche de Gauss centrée sur 0 avec un écart-type ≈ √1000 ≈ 31.6. C'est magnifique de voir le théorème central limite émerger sous tes yeux. Ça transforme le cours abstrait du bac SM en intuition palpable.