L’aiguille de Buffon

C’est en 1777 qu’a lieu la première apparition inattendue du nombre π en calcul des probabilités. Le comte
Leclerc de Buffon (plus connu comme naturaliste) soulève le problème suivant :
« si on lance une aiguille de longueur ℓ sur un parquet dont les lames sont de largeur a , quelle est la probabilité
p pour que l’aiguille tombe à cheval sur 2 lames ? ».

Vocabulaire

Pour résoudre ce problème, adoptons un vocabulaire probabiliste :

• un lancer d’aiguille est appelé expérience aléatoire,
• l’ensemble des lancers d’aiguille possibles est noté Ω , c’est notre espace de probabilité,
• une application X au départ de Ω est appelée variable aléatoire.,
• la valeur moyenne d’une variable aléatoire X est appelée espérance de celle-ci et est notée E (X ) .
Par exemple, l’application X , qui à un lancer ω associe 1 s’il y a chevauchement et 0 sinon est une variable
aléatoire (dite de Bernoulli, car elle ne prend que pour seules valeurs 0 et 1). Son espérance est
(1− p )× 0 + p ×1 = p car elle prend la valeur 0 avec la probabilité 1− p et la valeur 1 avec la probabilité p .

Résolution du problème

Dans un premier temps on suppose ℓ ≤a et on se donne un lancer ω.

 a
Posons d ∈  0,  la distance du milieu de l’aiguille à la lame la plus proche et posons
 2  a
 π π
θ ∈ − ,  une mesure de l’angle que fait l’aiguille avec la direction ℓ 2
 2 2  θ
orthogonale à celle des lames. Les applications ω ֏ d et ω ֏ θ sont des
variables aléatoires. Celles-ci sont susceptibles de prendre n’importe quelles
 a  π π
valeurs dans les intervalles respectifs 0,  et − ,  sans qu’aucunes de ces d
 2   2 2 
valeurs ne soient plus probables que d’autres (on dit que ce sont des variables aléatoires uniformes).
ℓ
Lorsque d et θ sont connus, nous pouvons assurer qu’il y a aura chevauchement ssi cos(θ ) ≤ d .
2
ℓ d
Traçons alors la courbe Γ représentant le fonction θ ֏ cos θ à l’intérieur du pavé
2
 π π  a  a 2
P = − ,  ×  0,  .
 2 2   2 
A un lancer d’aiguille correspond un point de coordonnées (θ , d ) dans
Γ
P . Il y aura chevauchement ssi ce point est en dessous de la courbe Γ .
Puisque la variable aléatoire ℓ ֏ (θ, d ) est uniforme, la probabilité p de
chevauchement est égale à l’aire sous la courbe Γ (les cas favorables)
divisée par l’aire du pavé P (les cas possibles). Ainsi : θ
O
−π 2 d π 2
ℓ π2
∫−π 2 cos θ dθ 2ℓ a 2
p= 2 = .
a πa Γ
π×
2
Supposons maintenant que ℓ > a . Le raisonnement qui précède reste
encore valable, mais la courbe Γ sort désormais du pavé. Pour
déterminer l’aire sous la courbe incluse dans le pavé il faut évaluer les
θ
−α O α
−π 2 π 2
1/3
 a 
abscisses −α < α pour lesquels Γ intercepte le segment supérieur du pavé. On obtient α = arccos   et alors
 ℓ 

ℓ −α a ℓ π2
∫−π 2
cos θ dθ + 2α + ∫ cos θ dθ
2ℓ (1− sin α) + 2a α
p= 2 2 2 α =
a πa
π×
2

Extension

Lorsque l’aiguille a une longueur ℓ ≥ a , celle-ci est susceptible de chevaucher plusieurs lames... Nous allons
déterminer le nombre moyen de lames chevauchées. Pour cela introduisons la variable aléatoire X donnant le
nombre de lames chevauchées à chaque lancer et déterminons son espérance E (X ) qui correspond au nombre
moyen cherché. Cette espérance peut se voir comme une fonction de ℓ , ce qui permet d’écrire E (X ) = f (ℓ )
avec f : [0, +∞[ → ℝ .

Lorsque ℓ ∈ [0,a ] , X se confond avec la variable de Bernoulli présentée dans la portion vocabulaire dont
2ℓ 2ℓ
l’espérance E (X ) vaut p avec p que nous avons vu égal à . Par suite f (ℓ ) = pour tout ℓ ∈ [0,a ] .
πa πa
Considérons maintenant deux aiguilles de longueurs ℓ 1 et ℓ 2 dont on accole les extrémités pour former une
troisième aiguille de longueur ℓ 3 = ℓ 1 + ℓ 2 . On a X 3 = X1 + X 2 en notant Xi le nombre de chevauchement
associé à la i ème
aiguille. L’espérance étant linéaire, on a : E (X 3 ) = E (X1 ) + E (X 2 )
(prosaïquement : la valeur moyenne d’une somme est la somme des valeurs moyennes)
2ℓ
Par suite, f (ℓ 1 + ℓ 2 ) = f (ℓ 1 ) + f (ℓ 2 ) et on peut alors facilement démontrer f (ℓ ) = pour tout ℓ ∈ ℝ + ce qui
πa
résout notre problème.
Le raisonnement qui précède peut se généraliser à la détermination du nombre moyen de chevauchements
réalisés par une ligne brisée que l’on jette sur le plancher. Notons ℓ 1 ,…, ℓ n les longueurs des segments la
formant et ℓ = ℓ 1 + ⋯ + ℓ n sa longueur totale. Le nombre de chevauchements réalisés par la ligne brisée est
X = X1 + ⋯ + X n en notant Xi le nombre de chevauchements associé au i ème
segment. On a alors
n n
2ℓ i 2ℓ
E (X ) = ∑ E (X i ) = ∑ = . On peut pressentir que la formule se généralise un fil de fer courbe, mais
i =1 i =1 πa πa
cette fois-ci les étapes à franchir sont plus délicates...

Encadré :

En lancent une boîte d’épingles sur votre plancher et en

comptant le nombre de chevauchements, vous pouvez réaliser
une estimation probabiliste du nombre π . A vrai dire, ce n’est
pas très performant... une simulation réalisée avec Maple en
prenant ℓ a = 1 2 a donné la valeur décimale 3.137 pour un
lancer de 200.000 aiguilles. Ci-dessous est représenté
l’évolution de l’estimation de π en fonction du nombre
d’aiguilles lancées. A l’adresse [Link]
[Link]/mefisto/java/tutorial1/[Link] vous
découvrirez une applet réalisant cette expérience.

Encadré
Choisissons deux entiers naturels non nuls au hasard, la probabilité que ceux-ci soient premiers entre 1 est :
6 π 2 . Pour le justifier notons Ad = {(x , y ) ∈ ℕ *2 / pgcd(x , y ) = d } et pd la probabilité que deux entiers naturels

2/3
 +∞ +∞
non nuls choisit au hasard aient un pgcd égal à d . Puisque ∪A
d =1
d = (ℕ*) 2 , on a ∑p
d =1
d = 1 . Mais
2 2
Card Ad ∩ {1,…, n } Card Ad ∩ {1,…, nd }
pd = lim 2
donc par extraction pd = lim 2
, or
n →+∞
Card {1,…, n } n →+∞
Card {1,…, nd }
2 2
Card Ad ∩ {1,…, nd } = Card A1 ∩ {1,…n } car (x , y ) ֏ (dx ,dy ) réalise une bijection entre ces deux ensembles.
2
Card A1 ∪ {1,…, n } p1 +∞ +∞
1 π2
Par suite pd = lim
n +∞ 2 2
d Card {1,…, n }
=
d2
. La relation ∑p
d =1
d = 1 donne alors p1 ∑
d =1 d
2
= p1
6
= 1 d’où

2
π
p1 = .
6

3/3