Mathématiques · Terminale · Calcul Intégral · 3e Trimestre

Simulation de Monte-Carlo

Les élèves estiment des probabilités ou des aires par des tirages aléatoires en utilisant la simulation de Monte-Carlo.

• Programmes Officiels
• EDNAT: MAT.TLE.85
• EDNAT: MAT.TLE.86

À propos de ce thème

La simulation de Monte-Carlo permet aux élèves de Terminale d'estimer des probabilités ou des aires par des tirages aléatoires, une méthode puissante dans l'unité Calcul Intégral. Les élèves approchent par exemple la valeur de π en dispersant des grains de riz sur un carré contenant un cercle inscrit : le rapport entre les grains à l'intérieur et le total total converge vers π/4. Cela illustre la loi des grands nombres et relie probabilités aux intégrales doubles.

La précision de l'estimation s'améliore proportionnellement à la racine carrée du nombre d'essais, un résultat probabiliste fondamental que les élèves vérifient expérimentalement. Ils explorent aussi les situations où la simulation surpasse le calcul exact, comme pour des domaines irréguliers ou des intégrales multidimensionnelles en physique ou finance. Ces questions clés développent une intuition statistique essentielle pour les études supérieures.

L'apprentissage actif convient parfaitement à ce sujet : les manipulations concrètes, comme compter des milliers de grains ou coder des simulations simples, rendent les concepts abstraits tangibles. Les élèves observent la convergence en temps réel, ajustent leurs stratégies et discutent des erreurs, favorisant une compréhension profonde et durable.

Questions clés

1. Comment peut-on approcher la valeur de Pi avec des grains de riz?
2. Pourquoi la précision augmente-t-elle avec la racine carrée du nombre d'essais?
3. Dans quels cas la simulation est-elle préférable au calcul exact?

Objectifs d'apprentissage

• Calculer une valeur approchée de Pi en utilisant la méthode de Monte-Carlo et des tirages aléatoires.
• Expliquer la relation entre le nombre d'essais et la précision de l'estimation dans une simulation de Monte-Carlo.
• Comparer l'efficacité d'une simulation de Monte-Carlo par rapport à un calcul exact pour estimer une aire complexe.
• Concevoir une simulation simple pour estimer une probabilité dans un contexte donné.

Avant de commencer

Probabilités conditionnelles et indépendance

Pourquoi : Les élèves doivent maîtriser les bases de probabilité pour comprendre les tirages aléatoires et l'estimation de probabilités.

Intégration et calcul d'aires

Pourquoi : La méthode de Monte-Carlo est souvent utilisée pour estimer des aires ou des volumes, nécessitant une compréhension préalable de ces concepts.

Fonctions et représentations graphiques

Pourquoi : La visualisation des points tirés et la compréhension des aires impliquent l'utilisation de fonctions et de leurs représentations graphiques.

Vocabulaire clé

Simulation de Monte-Carlo	Méthode d'estimation de résultats par des tirages aléatoires répétés, particulièrement utile pour des problèmes complexes.
Tirage aléatoire	Processus de sélection d'un élément parmi un ensemble de manière à ce que chaque élément ait une chance égale d'être choisi.
Loi des grands nombres	Principe selon lequel la moyenne d'une série d'expériences aléatoires tend vers l'espérance mathématique lorsque le nombre d'expériences augmente.
Convergence	Tendance d'une suite ou d'une série à se rapprocher d'une valeur limite.

Attention à ces idées reçues

Idée reçue courante

Plus d'essais améliorent la précision linéairement.

Ce qu'il faut enseigner à la place

L'erreur standard varie comme 1/√n. Les simulations répétées avec n croissant, tracées en graphique, montrent cette loi : les élèves ajustent n en direct et voient la stabilisation non linéaire lors de discussions de groupe.

Idée reçue courante

Une simulation donne toujours la valeur exacte.

Ce qu'il faut enseigner à la place

Les résultats fluctuent aléatoirement autour de la vraie valeur. Les approches actives comme des séries de simulations multiples aident les élèves à visualiser l'intervalle de confiance via des histogrammes collectifs.

Idée reçue courante

La simulation remplace toujours le calcul exact.

Ce qu'il faut enseigner à la place

Elle est utile pour des problèmes intraitables analytiquement. Les comparaisons en activités mixtes (manuel/numérique vs formule) clarifient les complémentarités lors d'analyses collectives.

Idées d'apprentissage actif

Tirages manuels: Approximation de π avec du riz

Dessinez un carré de 20 cm de côté avec un cercle inscrit. Dispersez uniformément 1000 grains de riz secs. Comptez les grains à l'intérieur du cercle et calculez π ≈ 4 × (intérieur/total). Répétez avec plus de grains pour observer la convergence.

35 min·Petits groupes

Simulation numérique: Aire sous une courbe

Utilisez un tableur pour générer 5000 points aléatoires sous y = sin(x) sur [0, π]. Calculez le rapport intérieur/total multiplié par l'aire du rectangle pour estimer l'intégrale. Tracez l'évolution de l'erreur en fonction de n.

45 min·Binômes

Aiguille de Buffon: Variante manuelle

Laissez tomber 200 aiguilles de 5 cm sur des lignes parallèles espacées de 6 cm. Comptez les intersections pour estimer π ≈ 2L/(d × (intersections/total)). Comparez avec la méthode du riz.

30 min·Binômes

Débat en classe: Quand simuler?

Présentez trois problèmes (aire irrégulière, intégrale triple, probabilité conditionnelle). Les élèves votent simulation vs exact, justifient en groupes, puis débattent en plénière.

25 min·Classe entière

Liens avec le monde réel

• Les actuaires utilisent des simulations de Monte-Carlo pour évaluer les risques financiers et calculer les primes d'assurance, en modélisant des scénarios économiques complexes.
• Les physiciens emploient ces simulations pour étudier le comportement de systèmes complexes, comme la diffusion de neutrons dans un réacteur nucléaire ou la propagation de particules dans des matériaux.
• Dans le domaine du développement de jeux vidéo, les simulations de Monte-Carlo peuvent être utilisées pour tester l'équilibrage d'un jeu ou pour générer des comportements réalistes pour des personnages non-joueurs.

Idées d'évaluation

Vérification rapide

Demandez aux élèves de calculer la valeur approchée de Pi en simulant 1000 points dans un carré unité contenant un cercle de rayon 0.5. Ils doivent ensuite écrire la formule utilisée pour l'estimation et le résultat obtenu.

Question de discussion

Posez la question suivante : 'Dans quelles situations (géométriques ou probabilistes) la simulation de Monte-Carlo serait-elle plus appropriée qu'un calcul intégral exact ?' Attendez des réponses précises sur la complexité des formes ou le nombre de dimensions.

Billet de sortie

Sur un petit papier, demandez aux élèves d'expliquer en une phrase pourquoi doubler le nombre d'essais dans une simulation de Monte-Carlo n'a pas pour effet de doubler la précision de l'estimation.

Questions fréquentes

Comment approcher π avec des grains de riz en Monte-Carlo?

Tracez un carré avec cercle inscrit, dispersez uniformément des milliers de grains de riz. Le rapport grains intérieur/total × 4 estime π. Avec 10 000 grains, l'erreur est typiquement <1%, illustrant la convergence probabiliste. Les élèves tracent l'évolution pour √n.

Pourquoi la précision augmente avec la racine carrée du nombre d'essais?

Par la loi des grands nombres, la variance de l'estimateur diminue comme 1/n, donc l'erreur standard comme 1/√n. Les simulations numériques avec n=100, 1000, 10000 montrent cette décroissance : les élèves ajustent et comparent en pairs pour internaliser ce résultat statistique clé.

Dans quels cas la simulation Monte-Carlo est-elle préférable au calcul exact?

Pour des intégrales sur domaines complexes, multidimensionnels ou stochastiques, où l'analyse est impossible. Exemples : aires fractales, modélisation financière, physique quantique. Les activités pratiques opposent les deux méthodes, aidant les élèves à juger l'efficacité computationnelle.

Comment l'apprentissage actif aide-t-il à maîtriser la simulation de Monte-Carlo?

Les manipulations comme disperser du riz ou coder des tirages rendent l'abstraction concrète : les élèves voient la convergence, mesurent l'erreur et débattent des limites en petits groupes. Cela renforce l'intuition probabiliste mieux que les démonstrations passives, avec des gains durables en compréhension et motivation (50-70 mots environ).