Estimer une grandeur avec la méthode de Monte-Carlo
Estimer une aire, une probabilité ou une valeur approchée de π par simulation aléatoire en programmation Python, et interpréter la précision du résultat avec la loi des grands nombres.

Les points essentiels
- La méthode de Monte-Carlo consiste à répéter un grand nombre de fois une expérience aléatoire simulée par ordinateur, puis à utiliser la fréquence observée comme valeur approchée d'une probabilité ou d'une grandeur.
- Le principe repose sur la loi des grands nombres : quand le nombre N de simulations augmente, la fréquence d'un événement tend à se rapprocher de sa probabilité théorique.
Les mots à connaître
- Méthode de Monte-Carlo
- Technique de calcul approché qui estime une grandeur (probabilité, aire, intégrale) à partir de nombreuses simulations aléatoires d'une expérience, en exploitant la loi des grands nombres.
- Fréquence d'un événement
- Rapport f = k/N entre le nombre k de fois où l'événement est réalisé et le nombre N de répétitions de l'expérience. Pour N grand, f est proche de la probabilité de l'événement.
Un exemple pour comprendre
On lance un dé équilibré à 6 faces N = 600 fois par simulation et l'on obtient 105 fois la face 6. Estimer la probabilité d'obtenir 6, la comparer à la valeur théorique, puis écrire en Python la fonction qui réalise cette simulation.
La fréquence est f = 105/600 = 0,175, contre 1/6 ≈ 0,1667 en théorie. L'écart d'environ 0,0083 est compatible avec la fluctuation. Programme Python : from random import randint def simulation(N): compteur = 0 for _ in range(N): if randint(1, 6) == 6: compteur += 1 return compteur / N simulation(600) renvoie une fréquence qui fluctue autour de 1/6 ; deux exécutions peuvent donner la même valeur.

