Simulation mathématique : Monte-Carlo, échantillon et queue

Toute machine à sous sort avec un nombre qu’on ne peut pas calculer : la probabilité de son issue la plus rare. Les combinaisons du jeu de base se comptent exactement — bandes, table de gains, une boucle sur les positions. Mais une fonction à respins, cascades, multiplicateurs composés et plafond a un espace d’états trop vaste pour être énuméré. Le studio fait donc la seule chose possible : il simule. Voici comment cette simulation se construit, ce qu’elle peut et ne peut pas dire, et pourquoi la taille de la campagne est une question de conformité plutôt qu’un argument de vente.

Exact là où c’est possible, Monte-Carlo ailleurs

Une bonne chaîne mathématique est hybride. Le jeu de base se calcule analytiquement : pour chaque combinaison d’arrêts, on évalue la table de gains, on multiplie par la probabilité, on somme. On obtient un RTP de base sans la moindre erreur d’échantillonnage. La fonction s’estime par Monte-Carlo : on l’exécute des millions ou des milliards de fois depuis ses conditions d’entrée, on enregistre la distribution des gains, on prend la moyenne.

La raison de ce partage, c’est la précision. Un résultat analytique est exact ; un résultat simulé porte un intervalle de confiance qui se resserre comme la racine carrée de l’échantillon. Les combiner donne le meilleur des deux, et offre en prime un contrôle de cohérence : une simulation du jeu de base doit converger vers le nombre que l’énumération a déjà prouvé.

Combien de tours suffisent

La réponse honnête : assez pour que l’intervalle de confiance du chiffre publié soit plus étroit que la précision affichée. Pour un RTP global donné à deux décimales, quelques dizaines de millions d’entrées dans la fonction suffisent en général. Pour la probabilité du gain maximum — un événement qui peut survenir une fois sur 50 millions de tours — il faut des milliards de tours avant que l’estimation cesse de bouger, parce qu’on mesure la largeur d’une queue à partir d’une poignée d’observations.

C’est là que les studios se distinguent discrètement. Dix millions de tours, c’est un nombre qui paraît énorme sur une fiche commerciale et qui est très loin de caractériser une queue. Quand un laboratoire recalcule la contribution de la fonction et trouve une valeur hors de l’intervalle annoncé, la cause habituelle n’est pas la fraude : c’est une simulation arrêtée trop tôt.

La réduction de variance et son piège

Il existe des moyens légitimes d’atteindre la précision plus vite : échantillonnage préférentiel pour sur-échantillonner les branches rares puis repondérer, variables de contrôle appuyées sur le jeu de base connu analytiquement, stratification par états d’entrée de la fonction, nombres aléatoires communs pour comparer deux configurations. Tout cela est pratique courante en travail quantitatif, et tout cela est sûr si la repondération est correcte.

Le piège est plus subtil. Chaque technique introduit une hypothèse sur la structure du processus, et si la fonction comporte une branche que l’échantillonneur visite peu, l’estimation peut être à la fois précise et fausse : un intervalle étroit autour d’une moyenne biaisée. La parade est ennuyeuse et efficace : faire tourner en parallèle une simulation plate, non pondérée, à précision moindre, et vérifier que les deux s’accordent.

Ce que la simulation ne peut pas faire

Elle ne valide pas le modèle. Si les bandes du simulateur diffèrent de celles du build, la simulation décrit un jeu qui n’existe pas — d’où l’exigence du laboratoire de recevoir le module de maths avec son hash de version et de le réexécuter lui-même plutôt que de croire le rapport. Elle ne dit pas non plus ce que vivra un joueur : un RTP de 96 % sur un milliard de tours ne dit rien d’une session médiane de 300 tours. Pour cela il faut une autre sortie de la même campagne : la distribution des résultats de session, que la volatilité résume et qu’une bonne fiche PAR rapporte à côté de la moyenne.

Lire les chiffres ensemble

Prenez quatre artefacts — la table analytique du jeu de base, l’estimation Monte-Carlo de la fonction, le RTP empirique avec son intervalle, la distribution par session — et vous répondez à ce qui décide vraiment si un jeu fonctionne. Le RTP annoncé est-il atteignable dans tous les modes de mise ? La fonction porte-t-elle tant de retour que le jeu de base est mort ? La probabilité du gain maximum est-elle celle de la fiche ? Le moindre écart ressort au même endroit : un nouveau dépôt.

Ce qui vient

• La taille de simulation deviendra un chiffre publié. Les laboratoires la demandent déjà ; l’étape suivante, ce sont des fiches citant « RTP empirique 96,12 % ± 0,01 sur 4×10⁹ tours », comme on cite un résultat scientifique. Les studios qui travaillent déjà à cette échelle gagnent un signal de crédibilité peu coûteux.
• Les plateformes pré-calculées brouillent la frontière. Quand l’ensemble des issues est lui-même la simulation, la vérification passe de « avez-vous assez simulé ? » à « l’ensemble est-il correctement pondéré ? » — un audit différent et, à certains égards, plus simple.
• Le calcul bon marché relève le plancher. Des milliards de tours relevaient autrefois du cluster ; aujourd’hui un module bien écrit en langage compilé les avale en une nuit. On peut s’attendre à ce que le minimum acceptable monte et à ce que les studios incapables de montrer une précision de queue perdent des dossiers face à ceux qui le peuvent.

Pour aller plus loin : ce qu’un laboratoire recalcule et pourquoi et comment les mécaniques façonnent la distribution. Maths, simulation et fiches PAR font partie de notre service de développement.