Un guide Super Mega Bowl
Certains problèmes sont trop enchevêtrés pour être résolus par une formule élégante : plutôt que de calculer la réponse, on laisse le hasard la trouver. Répétez la même expérience aléatoire des milliers de fois, regardez les résultats s'accumuler, et lisez la réponse dans le tas. C'est la méthode de Monte-Carlo, et elle alimente aussi bien les modèles météo que Wall Street.
Une simulation remplace un calcul difficile par une multitude d'essais aléatoires faciles. Au lieu de déterminer les probabilités exactes d'une situation compliquée, vous construisez un modèle, vous l'alimentez d'entrées aléatoires et vous le faites tourner de nombreuses fois. Chaque exécution est une issue possible. Avec assez d'exécutions, l'ensemble des issues révèle la réponse, ainsi que la probabilité de chaque résultat. La méthode doit son nom au casino de Monte-Carlo, parce qu'elle transforme la résolution de problèmes en jeux de hasard répétés.
Voici la méthode en miniature. Imaginez un carré avec un cercle dessiné à l'intérieur, touchant les quatre côtés. Lancez maintenant des fléchettes au hasard partout dans le carré. La proportion de fléchettes tombant dans le cercle, rapportée au total, correspond au rapport entre l'aire du cercle et celle du carré. Un peu de géométrie transforme ce rapport en estimation de pi. Lancez cent fléchettes et l'estimation est grossière. Lancez-en un million et elle se rapproche de 3,14159. Vous n'avez jamais fait la géométrie difficile directement. Vous avez laissé des fléchettes aléatoires la mesurer pour vous.
Monte-Carlo repose entièrement sur la loi des grands nombres. Un essai aléatoire isolé est bruité et n'apprend pas grand-chose, mais la moyenne de nombreux essais converge vers la vraie valeur. Plus d'exécutions signifie une réponse plus précise, de la même façon que lancer plus de pièces resserre la part de faces. Le compromis est simple : la précision coûte des exécutions, et pour diviser l'erreur par deux il faut en général environ quatre fois plus d'essais.
Toute simulation a besoin d'un approvisionnement rapide en nombres aléatoires, fourni par un générateur pseudo-aléatoire. Le fait que ce générateur accepte une graine est ici un vrai atout : fixer la graine permet à un chercheur de relancer une simulation et d'obtenir des résultats identiques, pour que d'autres puissent vérifier le travail. Le hasard reproductible est ce qui fait d'une simulation un outil scientifique plutôt qu'une supposition ponctuelle.
Chaque fois que vous lancez ici un grand lot de pièces ou une poignée de dés et que vous regardez les totaux se stabiliser, vous faites tourner une petite simulation de Monte-Carlo. L'outil génère des essais aléatoires, et le tas de résultats estime les probabilités sous-jacentes, exactement comme le font les grands modèles avec bien plus d'exécutions.
Lancez la vôtre → Jetez un lot de dés de nombreuses fois et regardez la distribution des totaux apparaître. C'est une simulation de Monte-Carlo en miniature.Les simulations échangent un calcul difficile contre de nombreux essais aléatoires faciles, puis lisent la réponse dans la façon dont les résultats s'accumulent. La méthode de Monte-Carlo estime aussi bien pi que le risque de marché, elle fonctionne parce que les moyennes convergent avec le nombre d'exécutions, et elle s'appuie sur des nombres pseudo-aléatoires rapides et reproductibles. Quand un problème est trop désordonné pour une formule, on peut souvent laisser le hasard le résoudre.