Simulation de Monte-Carlo

La simulation de Monte-Carlo repose sur l'intuition concrète des élèves : compter des objets ou des points pour estimer une mesure. L'approche manuelle avec du riz ou des aiguilles active la perception spatiale, tandis que les tirages numériques rendent visible l'effet du hasard sur la précision. Cette méthode transforme une notion abstraite de probabilité en expérience tangible, ce qui renforce la compréhension de la loi des grands nombres et des intégrales.

• Terminale
• Mathématiques : Vers l\\
• 4 activités
• 25 min–45 min

Objectifs d’apprentissage

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

Jeu de simulation

⏱ 35 min·Petits groupes

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.

Préparation et détails

Comment peut-on approcher la valeur de Pi avec des grains de riz?

Conseil de facilitation: Pendant l'activité 1, circulez avec une règle pour que les élèves mesurent précisément leur carré de papier afin d'éviter des biais de surface dès le départ.

Setup: Espace modulable avec différents îlots de travail

Materials: Fiches de rôle avec objectifs et ressources, Monnaie fictive ou jetons de jeu, Tableau de suivi des tours

• Appliquer
• Analyser
• Évaluer
• Créer
• Conscience sociale
• Prise de décision

Jeu de simulation

⏱ 45 min·Binômes

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.

Préparation et détails

Pourquoi la précision augmente-t-elle avec la racine carrée du nombre d'essais?

Conseil de facilitation: Lors de l'activité 2, demandez aux élèves de sauvegarder chaque série de tirages pour tracer l'évolution de l'erreur en fonction de n sur un même graphique.

Setup: Espace modulable avec différents îlots de travail

Materials: Fiches de rôle avec objectifs et ressources, Monnaie fictive ou jetons de jeu, Tableau de suivi des tours

• Appliquer
• Analyser
• Évaluer
• Créer
• Conscience sociale
• Prise de décision

Jeu de simulation

⏱ 30 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.

Préparation et détails

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

Conseil de facilitation: Pour l'activité 3, imposez un protocole strict de lancer d'aiguilles pour que tous partagent des données comparables et évitent les erreurs de posture.

Setup: Espace modulable avec différents îlots de travail

Materials: Fiches de rôle avec objectifs et ressources, Monnaie fictive ou jetons de jeu, Tableau de suivi des tours

• Appliquer
• Analyser
• Évaluer
• Créer
• Conscience sociale
• Prise de décision

Jeu de simulation

⏱ 25 min·Classe entière

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.

Préparation et détails

Comment peut-on approcher la valeur de Pi avec des grains de riz?

Setup: Espace modulable avec différents îlots de travail

Materials: Fiches de rôle avec objectifs et ressources, Monnaie fictive ou jetons de jeu, Tableau de suivi des tours

• Appliquer
• Analyser
• Évaluer
• Créer
• Conscience sociale
• Prise de décision

Enseigner ce sujet

Commencez par une activité manuelle pour ancrer le concept dans le réel, puis basculez vers des simulations numériques pour explorer la loi des grands nombres. Évitez de présenter la méthode comme un simple calcul : insistez sur la variabilité des résultats et la notion d'intervalle de confiance. Utilisez des comparaisons avec des calculs exacts pour montrer les limites et les forces de chaque approche, en insistant sur les cas où l'intégrale est trop complexe ou en haute dimension.

À quoi s’attendre

Les élèves distinguent la nature aléatoire de l'estimation de Monte-Carlo de la certitude d'un calcul exact. Ils expliquent pourquoi la précision s'améliore avec le nombre d'essais, mais pas de manière linéaire. Enfin, ils choisissent le bon outil (simulation ou calcul) selon le problème posé.

Attention à ces idées reçues

Idée reçue courante

During Activité 1: Tirages manuels, certains élèves pourraient croire que doubler le nombre de grains de riz double la précision de l'estimation de π.

Ce qu'il faut enseigner à la place

Pendant l'activité 1, faites tracer sur un graphique commun l'erreur absolue en fonction du nombre de grains pour chaque groupe. Demandez-leur d'observer la tendance : l'erreur diminue comme 1/√n et non linéairement, puis relancez la discussion avec ces données sous les yeux.

Idée reçue courante

During Activité 2: Simulation numérique, certains pensent qu'une seule simulation donne la valeur exacte de l'aire sous la courbe.

Ce qu'il faut enseigner à la place

Pendant l'activité 2, demandez aux élèves de lancer plusieurs séries de simulations (au moins 5) avec le même nombre de points et de rassembler les résultats dans un histogramme collectif. Montrez comment les valeurs fluctuent autour de la vraie aire et introduisez la notion d'intervalle de confiance à 95%.

Idée reçue courante

During Activité 4: Débat en classe, certains élèves pourraient affirmer que la simulation de Monte-Carlo remplace toujours les calculs exacts.

Ce qu'il faut enseigner à la place

Pendant le débat, présentez deux problèmes : l'un simple (aire sous une parabole) et l'autre complexe (volume d'une forme irrégulière en 4D). Demandez aux élèves de voter pour l'outil le plus adapté pour chacun, puis comparez les résultats obtenus par les deux méthodes pour illustrer leur complémentarité.

Idées d'évaluation

Vérification rapide

Après Activité 1: Tirages manuels, demandez aux élèves de calculer leur estimation de π à partir de 1000 points dans un carré unité avec un cercle de rayon 0.5. Ils doivent écrire la formule utilisée (nombre de points dans le cercle / nombre total * 4) et leur résultat, puis comparer avec la valeur de π affichée au tableau.

Question de discussion

Pendant Activité 4: Débat en classe, posez la question suivante : 'Pour quels types de problèmes 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, la dimension, ou l'absence de formule analytique.

Billet de sortie

Après Activité 2: Simulation numérique, 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'améliore pas la précision de moitié, mais seulement d'environ 30% (en référence à la loi 1/√n).

Extensions et étayage

• Challenge : Proposez aux élèves de calculer une intégrale triple par simulation, comme le volume d'une sphère, et comparez avec la formule usuelle pour les rayons courants.
• Scaffolding : Pour les élèves en difficulté, demandez de commencer avec 100 tirages seulement, puis d'observer comment la moyenne évolue avec des séries de 100, 200, puis 500 points.
• Deeper exploration : Invitez les élèves à explorer l'effet de la dimension sur la précision en simulant des intégrales en 2D, 3D et 4D sur des formes simples comme des hypercubes.

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.