+
+
+
+
+
+
+À propos du calcul de pi
+Teonas
+13 janvier 2021
+ +
+
+En demandant à la lib maths
+Mon ordinateur m’indique que \(\pi\) vaut approximativement
+pi## [1] 3.141593
+
+En utilisant la méthode des aiguilles de Buffon
+Mais calculé avec la méthode des aiguilles de Buffon, on obtiendrait comme approximation :
+set.seed(42)
+N = 100000
+x = runif(N)
+theta = pi/2*runif(N)
+2/(mean(x+sin(theta)>1))## [1] 3.14327
+
+
+
+
+
+Avec un argument “fréquentiel” de surface
+Sinon, une méthode plus simple à comprendre et ne faisant pas intervenir d’appel à la fonction sinus se base sur le fait que si \(X \sim U(0,1)\) et \(Y \sim U(0,1)\) alors \(P[X^{2} + Y^{2} \le 1]= \pi /4\) (voir méthode de Monte Carlo sur Wikipedia. Le code suivant illustre ce fait:
+set.seed(42)
N = 1000
df = data.frame(X = runif(N), Y = runif(N))
-df$Accept = (df$X**2 + df$Y**2 <=1)
+df$Accept = (df$X**2 + df$Y**2 <=1)
library(ggplot2)
-ggplot(df, aes(x=X,y=Y,color=Accept)) + geom_point(alpha=.2) + coord_fixed() + theme_bw()
-```
+ggplot(df, aes(x=X,y=Y,color=Accept)) + geom_point(alpha=.2) + coord_fixed() + theme_bw()
Il est alors aisé d’obtenir une approximation (pas terrible) de π en comptant combien de fois, en moyenne, \(X^{2}+Y^{2}\) est inférieur à 1:
+4*mean(df$Accept)## [1] 3.156