Not That Abstract
Français English

Séance 1 — Calculer avec le hasard

« Combien de tirages pour avoir raison ? »

Le film est projeté en séance

Il sera bientôt en ligne, ici même.

Transcription

Le problème d’Ulam

1946. Le mathématicien Stanislaw Ulam est cloué au lit par une grave maladie. Pour passer le temps, il fait des réussites : ces jeux de cartes où l’on joue seul, comme le solitaire. Parfois il gagne, souvent il perd. Et une question l’obsède : quelle est sa chance de gagner une partie ?

Pour la calculer exactement, il faudrait passer en revue toutes les façons de mélanger les 52 cartes, et compter celles qui mènent à la victoire. Mais ces mélanges sont si nombreux que leur nombre s’écrit avec 68 chiffres. Les examiner tous ? Aucun ordinateur au monde n’y parviendrait.

Alors Ulam a une idée toute simple : au lieu de calculer, jouer. Jouer, disons, 100 parties. Compter les victoires. Diviser par 100 : c’est la proportion de parties gagnées. Ce n’est pas sa chance exacte, mais une valeur approchée : une estimation.

Cette idée, jouer puis compter, est devenue l’une des méthodes de calcul les plus utilisées au monde. Elle sert à fixer le prix des produits financiers, à mesurer le risque des assureurs, à suivre les particules dans les réacteurs nucléaires, et à dessiner la lumière dans les films d’animation. Elle porte le nom d’un casino de Monaco : la méthode de Monte-⁠Carlo. Pourquoi un casino ? Nous y viendrons.

Dans cette vidéo, vous allez comprendre pourquoi cette idée marche, combien d’essais il faut pour se fier au résultat, et comment le vérifier. Gardez une question en tête : combien de parties Ulam devait-il jouer pour connaître sa chance à un pour cent près ? 100 ? 1000 ? Davantage ? Notez votre réponse : on la vérifiera.

Une probabilité est une proportion

Commençons par le hasard le plus simple : une pièce. Avant de la lancer, impossible de savoir si elle tombera sur pile ou sur face. Mais on peut dire une chose : face a une chance sur deux. Ce nombre, un demi, ou 50 %, s’appelle une probabilité. C’est un nombre entre zéro et un, qui mesure à quel point un résultat est attendu : zéro pour l’impossible, un pour le certain.

Lançons-la 10 fois. Une question avant de regarder : sur 10 lancers, quelle est la chance d’obtenir exactement cinq faces ? Prenez une seconde.

Voici nos 10 lancers. Six faces, quatre piles. Pas cinq. Est-ce que la pièce triche ?

Pour le savoir, regardons tous les résultats possibles. Sur 10 lancers, on peut obtenir de zéro à 10 faces : 11 cas, une colonne pour chacun. Dans chaque colonne, on empile les suites qui donnent ce résultat. Une suite, c’est l’ordre exact des 10 lancers : face, face, pile, et ainsi de suite. Pour zéro face, une seule suite : pile, 10 fois. Pour exactement cinq faces, il faut choisir lesquels des 10 lancers donnent face : 252 suites. Pour six faces, 210.

En tout : deux possibilités par lancer, 10 fois de suite, soit 1024 suites, toutes aussi probables. La chance d’obtenir exactement cinq faces, c’est donc la part des suites à cinq faces : 252 sur 1024. 24,6 % seulement, moins d’une fois sur quatre. Six faces : 20,5 %. Quatre faces, autant. Six ou quatre faces : à elles deux, quatre fois sur 10. Tomber sur six faces est donc banal : notre pièce ne triche pas.

Vérifions par l’expérience. Un ordinateur peut imiter ces lancers à notre place : cela s’appelle simuler. Il joue 10 000 séries de 10 lancers, et range chaque série dans sa colonne. Retenez les couleurs : orange, ce qui est calculé exactement ; bleu, ce qui est simulé. Les barres bleues viennent se poser sur les barres orange.

Maintenant, une seule longue série, et suivons la proportion de faces : le nombre de faces divisé par le nombre de lancers. Vers la droite, le nombre de lancers : chaque graduation, c’est 10 fois plus. En hauteur, la proportion. Après 10 lancers : 60 %. Après 10 000 : 50,28 %. Après un million : 50,005 %. Plus on lance, plus la proportion se rapproche d’un demi.

C’est la loi des grands nombres : quand on répète une expérience un très grand nombre de fois, la proportion observée se rapproche de la probabilité. En formule : k, le nombre de succès, divisé par N, le nombre d’essais, donne la proportion observée, notée p chapeau. Le chapeau signale une valeur mesurée. Quand N grandit, p chapeau se rapproche de p, la vraie probabilité.

Attention à un piège dans lequel tombent presque tous les joueurs. On croit souvent que le hasard compense : après une série de piles, face serait « due ». C’est faux : la pièce n’a aucune mémoire. Regardez l’écart entre le nombre de faces et le nombre de piles : c’est la hauteur de cette nouvelle courbe. Si le hasard compensait, cet écart reviendrait à zéro. Il n’y revient pas : après un million de lancers, on compte 94 faces de plus que de piles.

Alors pourquoi la proportion se stabilise-t-elle ? Parce que cet écart grandit bien moins vite que le nombre de lancers : sa taille habituelle suit la racine carrée de ce nombre. La racine carrée de 100, c’est 10, car 10 fois 10 font 100. Celle d’un million, c’est 1000. 1000 sur un million : un millième, presque rien. Le hasard ne compense pas. Il se dilue. Retenez cette racine carrée : elle reviendra.

Et pour lancer un million de pièces, pas besoin de pièce. L’ordinateur sait produire des nombres qui se comportent comme du hasard. Quatre lignes de Python : on tire un million de nombres entre zéro et un, on décide que ceux qui sont inférieurs à un demi sont des faces, et on affiche la proportion de faces. Réponse : 0,500047. Simuler, c’est exactement cela : faire jouer le hasard par une machine, très vite et très souvent.

Une aire se compte

Une proportion se mesure en comptant. Voici le tour qui a rendu la méthode célèbre : calculer, en comptant, un nombre qui n’a rien de hasardeux. Le nombre π. Prenez n’importe quel cercle, et divisez son tour par sa largeur, le diamètre : vous trouvez toujours le même nombre. 3,14159, et des décimales sans fin.

Prenons un carré de côté un : sa surface vaut un. Jetons dedans des points au hasard, comme des fléchettes lancées par un joueur parfaitement maladroit : chaque endroit du carré a exactement la même chance d’être touché.

Coupons le carré en deux par sa diagonale. Question : quelle part des points va tomber sous la diagonale ?

La moitié, bien sûr : ce triangle occupe la moitié de la surface du carré. On compte 1582 points sur 3200 : 49 %. Voilà la règle qui fait tout marcher : la part des points qui tombent dans une zone est à peu près la part de la surface que cette zone occupe. Et elle se lit dans les deux sens : compter les points, c’est mesurer la surface.

Remplaçons le triangle par un quart de disque : la pointe du compas dans un coin du carré, et un rayon égal au côté. Sa surface, on la connaît depuis l’Antiquité. La surface d’un disque, qu’on appelle aussi l’aire, c’est π fois le rayon, fois le rayon. Ici le rayon vaut un : le disque entier ferait π, et notre quart, π divisé par quatre. Environ 0,785.

Donc environ 78,5 % des points devraient tomber dans le quart de disque. Comptons. 2505 points sur 3200. Proportion : 0,783.

Et voici le retournement. Oublions que nous connaissons π. La surface du quart de disque vaut π sur quatre, et les points viennent de la mesurer : 0,783. Donc π sur quatre vaut à peu près 0,783, et π, quatre fois plus : 3,13. Nous venons de calculer π simplement en comptant des points tombés au hasard.

3,13, ce n’est pas encore 3,14. Ajoutons des points, et suivons l’estimation : vers la droite, le nombre de points ; en hauteur, la valeur trouvée. 10 000 points : 3,126. Un million : 3,1405. 100 millions : 3,1415. Les décimales arrivent, mais de plus en plus lentement. Pourquoi si lentement ? C’est la grande question de cette vidéo, et la racine carrée de tout à l’heure y répondra.

Calculer π avec du hasard : l’idée est ancienne. En 1777, le naturaliste Buffon publie ce problème : on jette une aiguille sur un parquet dont les lattes sont aussi larges que l’aiguille est longue. Quelle est la chance qu’elle coupe une rainure, la fente entre deux lattes ? Réponse : deux divisé par π, environ 64 %.

Que vient faire π sur un parquet ? Le nombre de rainures coupées, en moyenne, ne dépend que de la longueur de l’aiguille, pas de sa forme : droit ou tordu, chaque petit morceau garde les mêmes chances de couper. Tordons donc un fil en cercle, large comme une latte. Où qu’il tombe, il coupe exactement deux fois. Or son tour vaut π fois sa largeur : il est π fois plus long que l’aiguille. L’aiguille coupe donc π fois moins : deux divisé par π.

En 1812, Laplace retourne la question, comme nous avec le quart de disque : jetez beaucoup d’aiguilles, et comptez. Ici, sur 480 aiguilles, 305 coupent une rainure. Cette proportion vaut à peu près deux sur π. Donc π vaut à peu près deux fois 480, divisé par 305 : 3,15. Mais compter à la main, c’est long : il faudra attendre les ordinateurs.

Une espérance est une moyenne

Jusqu’ici, on a compté des succès : face ou pas face, dedans ou dehors. Mais souvent, la question n’est pas « quelle chance ? », c’est « combien, en moyenne ? ». Prenons un dé. Si vous le lancez un très grand nombre de fois, vers quelle valeur ira la moyenne de vos lancers ?

À la longue, chaque face sort à peu près une fois sur six. La moyenne des lancers se rapproche donc de la moyenne des six faces : un plus deux plus trois plus quatre plus cinq plus six, divisé par six. 3,5. Cette moyenne à long terme s’appelle l’espérance. Le mot est trompeur : on n’espère pas faire 3,5 avec un dé, c’est impossible ! La simulation confirme : après 10 000 lancers, la moyenne vaut 3,509.

Tout ce que nous venons de faire tient dans une formule : celle de la méthode de Monte-⁠Carlo. Prenons-la morceau par morceau.

X, c’est le résultat du hasard : le dé, la pièce, ou demain, le prix d’une action. f de X, c’est le nombre qu’on y regarde : les points du dé, un gain, une perte. E, comme espérance : la moyenne à long terme de ce nombre, celle qu’on cherche. Le signe ondulé veut dire « à peu près égal ». À droite, X un, X deux, jusqu’à X N : N tirages, c’est-à-dire N résultats produits au hasard. Le grand signe en zigzag veut dire : additionner. On additionne f de chaque tirage, et on divise par N.

Lue à voix haute, la formule dit : la moyenne qu’on cherche est à peu près la moyenne de ce qu’on observe en simulant. C’est tout. Même la proportion de faces lui obéit : on note un pour face, zéro pour pile, et la moyenne de ces uns et de ces zéros, c’est la proportion. Une probabilité est donc une espérance comme les autres.

Voyons pourquoi les banques adorent cette formule. Une action est une petite part d’une entreprise, qui s’achète et se revend en bourse. Imaginez une action qui vaut aujourd’hui 100 euros. Une option d’achat est un contrat qui vous donne le droit, mais pas l’obligation, d’acheter cette action dans un an au prix fixé de 100 euros.

Si dans un an l’action vaut 130 euros, vous l’achetez 100 et vous gagnez 30. Si elle vaut 80, vous n’achetez pas : vous ne gagnez rien, mais vous ne perdez rien non plus. Ce contrat ne peut donc que rapporter : il n’est pas gratuit. Combien faut-il le payer aujourd’hui ?

Tout dépend du prix dans un an, et personne ne le connaît. Alors faisons comme Ulam : imaginons des avenirs. Chaque ligne bleue est un avenir possible du prix : jour après jour, l’ordinateur le pousse vers le haut ou vers le bas, au hasard. La taille de ces secousses correspond à l’agitation habituelle de cette action. Les financiers l’appellent la volatilité : ici, 20 % par an.

Dans chaque avenir, on calcule le gain : le prix final moins 100 s’il est positif, zéro sinon. Puis on fait la moyenne de ces gains : c’est notre formule, où X est un avenir, et f, le gain. Un dernier détail : ce gain n’arrive que dans un an. Or 100 euros placés à 5 % deviennent environ 105 dans un an : un euro dans un an vaut donc un peu moins qu’un euro aujourd’hui. On multiplie le gain moyen par environ 0,95. Cela s’appelle actualiser.

Avec ces 60 avenirs, on trouve 8,01 euros. Mais 60, c’est trop peu : 60 autres donneraient un autre résultat. Avec un million d’avenirs, l’estimation se stabilise : 10,46 euros. Et voici le juge. En 1973, Fischer Black, Myron Scholes et Robert Merton ont trouvé une formule exacte pour ce contrat simple : la formule de Black-Scholes, qui vaudra un prix Nobel. Elle donne 10,45 euros. La simulation tombe dessus, à un centime près. Mais quand le contrat se complique, plus aucune formule n’existe. La simulation, elle, continue de marcher.

Même idée chez les assureurs. Un assureur commence avec une réserve d’argent. Jour après jour, il encaisse les cotisations de ses clients. De temps en temps, il doit payer un sinistre, un accident ou un incendie, d’un montant imprévisible. Si un jour sa réserve passe sous zéro, c’est la ruine.

Quelle est la probabilité de ruine ? Simulons 10 000 avenirs de cet assureur, et comptons ceux où la ruine arrive : 501. Soit 5,0 %. Pour ce modèle simple, une formule exacte existe : elle donne 4,9 %. Là encore, c’est une moyenne : celle d’un nombre qui vaut 1 quand il y a ruine, et 0 sinon.

Combien de tirages ?

Mais 10,46 n’est pas 10,45, et 5,0 % n’est pas 4,9. D’où vient cet écart ? Revenons à π. Avec 1000 points, on trouve 3,140. Avec 1000 autres points : 3,204. Et encore 1000 : 3,128. Notre résultat change à chaque fois : il est lui-même tiré au hasard ! Alors, à quel point peut-on lui faire confiance ?

Faisons l’expérience en grand. Estimons π avec 100 points, et recommençons 2000 fois. Rangeons ces 2000 estimations le long d’un axe, chacune au-dessus de sa valeur ; celles qui tombent dans la même case s’empilent. C’est un histogramme : plus une barre est haute, plus ce résultat est fréquent.

Une cloche apparaît, centrée sur π : la plupart des estimations tombent près de la vraie valeur, et les grosses erreurs sont rares. Cette cloche n’est pas propre à π. C’est l’un des résultats les plus profonds des probabilités, le théorème central limite : la moyenne d’un grand nombre de tirages se répartit selon cette cloche, autour de la vraie valeur.

La largeur de la cloche, c’est notre erreur. Question : avec quatre fois plus de points, 400 au lieu de 100, que devient la cloche ? Quatre fois plus étroite ? Deux fois ?

Deux fois seulement. Avec 100 points, une estimation s’écarte typiquement de 0,16 de π : c’est son erreur typique. Avec 400 points : 0,08. Avec 1600 : 0,04. Quatre fois plus de points, une erreur divisée par deux.

Pourquoi deux, et pas quatre ? Souvenez-vous de la pièce. Chaque tirage se trompe, tantôt trop haut, tantôt trop bas. Quand on les additionne, ces erreurs se compensent, mais en partie seulement : il reste un écart, qui grandit comme la racine carrée du nombre de tirages. Avec quatre fois plus de tirages, cet écart double : la racine de quatre, c’est deux. Mais pour faire la moyenne, on divise par quatre fois plus. Deux divisé par quatre : l’erreur est divisée par deux.

D’où la règle d’or : l’erreur typique vaut sigma, divisé par la racine carrée de N, le nombre de tirages. Sigma, c’est l’erreur typique d’un seul tirage ; on l’appelle l’écart-type. Pour π, un seul point donne quatre s’il tombe dans le quart de disque, zéro sinon : il s’écarte typiquement de π de 1,64. Avec 100 points, on divise par la racine de 100, 10 : 0,16, la largeur de notre cloche. Et pour gagner une décimale, il faut diviser l’erreur par 10 : une racine de N 10 fois plus grande, donc N 100 fois plus grand. Voilà pourquoi les décimales de π arrivaient si lentement.

Pour les étudiants qui veulent l’énoncé exact du théorème central limite, le voici, en bas de l’écran. Les autres peuvent retenir la règle : 100 fois plus de tirages pour une décimale de plus.

Passons à la garantie. Une cloche a toujours la même forme. Mesurons-la avec sa propre unité : l’erreur typique. À moins d’une erreur typique de la vraie valeur, on trouve environ deux estimations sur trois. À moins de 1,96 erreur typique : 95 %. D’où ce nombre, 1,96, que vous reverrez partout. 95 fois sur 100, notre estimation tombe à moins de 1,96 erreur typique de la vraie valeur.

Retournons la phrase. Une distance se lit dans les deux sens : si vous habitez à moins d’un kilomètre de la gare, la gare est à moins d’un kilomètre de chez vous. De même, si notre estimation est à moins de 1,96 erreur typique de la vraie valeur, la vraie valeur est à moins de 1,96 erreur typique de notre estimation. Or la vraie valeur, on l’ignore ; l’estimation, on la connaît. Traçons donc cet intervalle autour d’elle : 95 fois sur 100, la vraie valeur est dedans.

Un détail pratique : sigma non plus n’est pas connu d’avance. On le mesure sur les tirages eux-mêmes. Pour nos 1000 premiers points, qui donnaient 3,140, sigma vaut 1,64. Divisé par la racine de 1000, puis multiplié par 1,96 : 0,10. On écrit donc : π vaut 3,14, plus ou moins 0,10.

Vérifions la promesse. Voici 100 estimations de π, chacune avec 1000 points, et leurs 100 intervalles. La vraie valeur, c’est la ligne orange. 96 intervalles la contiennent. Quatre la manquent, en rouge. Un tel intervalle s’appelle un intervalle de confiance à 95 %. Attention : π ne bouge pas, c’est l’intervalle qui change à chaque simulation. Les 95 % décrivent la méthode : elle a raison 95 fois sur 100. Avec une seule simulation, on ignore si l’on est dans les 95 ou dans les cinq. Pas une certitude, donc, mais un risque connu d’avance.

Revenons à la question du début. Une partie, c’est un tirage qui vaut un si elle est gagnée, zéro sinon. Pour un tel tirage, sigma vaut au plus un demi : c’est le cas d’une chance sur deux, le plus incertain. Avec 100 parties : 1,96 fois un demi, divisé par la racine de 100. Environ 0,10 : Ulam aurait connu sa chance à 10 % près, au pire. Pour descendre à un pour cent, il faut diviser l’erreur par 10, donc jouer 100 fois plus : exactement 9 604 parties. Votre réponse était-elle proche ? Aucun humain ne joue 10 000 réussites. Mais une machine, si.

Pourquoi la finance l’adore

Une question devrait pourtant vous gêner. Pour mesurer une surface, pas besoin du hasard : on peut quadriller le carré régulièrement, 10 rangées de 10 points, et compter ceux qui tombent dedans. Dans un carré, c’est même plus précis. Alors pourquoi s’embêter avec le hasard ?

La réponse tient en un mot : la dimension. Pour décrire un avenir de notre option, un seul nombre suffit : le prix de l’action dans un an. Les avenirs s’alignent sur une ligne, et 10 points la quadrillent. Avec deux actions, un avenir, c’est deux nombres, comme un point sur une carte : tant vers l’est, tant vers le nord. 10 valeurs pour l’une, 10 pour l’autre : 100 points. Avec trois actions, trois nombres : un point dans une pièce, hauteur comprise. 1000 points. La dimension, c’est le nombre de quantités incertaines qu’il faut pour décrire un avenir. Et chaque dimension de plus multiplie le quadrillage par 10.

Or une banque détient bien plus de trois actions. Un portefeuille de 50 actions, c’est 50 dimensions : 10, multiplié 50 fois par lui-même. Un 1 suivi de 50 zéros : 10 puissance 50 points. À peu près le nombre d’atomes de la Terre entière. Aucun ordinateur ne les passera jamais en revue.

Le hasard, lui, ne cherche pas à remplir l’espace. Il tire des avenirs complets, un par un : avec 50 actions, un tirage, c’est 50 prix d’un coup. Puis un gain par avenir, et la moyenne. Et l’erreur ? Sigma, sur racine de N. Sigma mesure de combien les gains s’écartent de leur moyenne ; N, c’est le nombre de tirages. La dimension n’y figure pas. À sigma égal, un million de tirages donnent la même précision avec une action ou avec 50. C’est la vraie force de la méthode.

Ce mur, Ulam et son ami John von Neumann l’ont rencontré à Los Alamos, le laboratoire américain de l’arme atomique. Ils devaient suivre des neutrons, des particules qui rebondissent au hasard dans la matière. Chaque rebond ajoute des quantités incertaines, une direction, une distance : donc des dimensions. Et un neutron rebondit des dizaines de fois. Alors ils simulent. En 1948, les premiers calculs tournent sur l’ENIAC, l’un des tout premiers ordinateurs, avec des programmes écrits notamment par Klára Dán von Neumann.

Reste le nom. Ces travaux sont secrets : il faut à la méthode un nom discret, une sorte de nom de code. Leur collègue Nicholas Metropolis propose « Monte-⁠Carlo » : un clin d’œil à un oncle d’Ulam, qui empruntait de l’argent à ses proches pour aller jouer au casino de Monte-⁠Carlo. Et le nom tombe juste. Un casino ignore ce que donnera la prochaine partie. Mais sur des millions de parties, il sait ce qu’il gagnera en moyenne. La méthode fait pareil : des milliers de parties de hasard, pour une moyenne presque sûre. En 1949, Metropolis et Ulam la publient sous ce nom.

La méthode a pourtant un talon d’Achille : les événements rares. Imaginons l’un de ces assureurs qui gardent assez de réserves pour que leur ruine n’arrive, un jour, qu’environ une fois sur 200. Simulons 100 avenirs. À votre avis, combien de ruines verra-t-on ? Le plus souvent, aucune : cela arrive six fois sur 10. Et l’on conclurait, à tort, que la ruine est impossible.

Avec 1000 avenirs, on compte six ruines : 0,6 %. Mais l’intervalle de confiance dit plus ou moins 0,5 % : la vraie valeur peut être 0,1 % comme 1,1 %. Autant dire qu’on ne sait presque rien : tout repose sur six avenirs. Il faut 100 000 avenirs pour obtenir 0,49 %, à 0,04 % près ; la formule exacte donne 0,475 %. Et sur ces 100 000 avenirs, plus de 99 000 n’ont servi à rien : la ruine n’y arrive pas. Plus un événement est rare, plus il faut de tirages pour le voir assez souvent.

Nous verrons dans une prochaine séance comment viser là où ça compte, pour observer l’événement rare sans attendre qu’il arrive.

Ce qu’on retient

Récapitulons. D’abord, une probabilité est une proportion : on répète le hasard, et on compte. Ensuite, une espérance est une moyenne, et une moyenne se simule. Enfin, l’erreur typique vaut sigma sur racine de N : chaque résultat vient avec son intervalle de confiance, et l’on sait à quel point on a raison.

Et tout cela tient en sept lignes de Python. On tire un million de points dans le carré. On repère ceux qui tombent dans le quart de disque. Leur proportion, fois quatre : c’est l’estimation de π. Puis l’intervalle de confiance : 1,96 fois sigma, divisé par la racine d’un million. Résultat : 3,1407, plus ou moins 0,0032. La vraie valeur, 3,1416, est bien dedans.

Prédire, simuler, vérifier. C’est toute la méthode, et c’est le fil de ce cours. Dans la prochaine séance, une question qui semble impossible : peut-on diviser l’erreur par 30, sans faire un seul tirage de plus ?

Sous-⁠titres (.vtt) : français

Échap

    Tapez pour chercher dans le polycopié, les transcriptions et les TP.

    ↑ ↓ choisirEntrée ouvrir

    Raccourcis clavier

    Partout

    / Ctrl K
    Rechercher dans tout le cours
    g h
    Accueil
    g 1…7
    Aller à une séance
    n p
    Séance suivante, précédente
    ?
    Cette aide

    Vidéo

    Espace k
    Lecture, pause
    j l
    Reculer, avancer de 10 s
    ← →
    Reculer, avancer de 5 s
    [ ]
    Chapitre précédent, suivant
    c
    Sous-⁠titres
    f
    Plein écran
    m
    Couper le son
    < >
    Vitesse
    0…9
    Aller à 0 %, 10 %… 90 %

    TP dans le navigateur

    Maj Entrée
    Exécuter la cellule
    Ctrl Entrée
    Exécuter sans passer à la suivante