Vue à 360°

Introduction

La question est très simple, si vous montez au sommet de la Tour Eiffel à Paris (pas la Tour Eiffel à Las Vegas) et que vous regardez vers l'ouest. Quel est le premier pays que votre regard "croisera"?
Pour vous aider un peu, en regardant vers l'ouest votre regard va donc voir l'ouest parisien, mais si l'on imagine plus loin derrière l'horizon on traversera la Bretagne puis l'Atlantique jusqu'à arriver aux côtes du continent américain. Le premier pays (autre que le France) que votre regard croisera est donc un pays d'Amérique. Mais lequel ? Réfléchissez 1 minute avant de continuer la lecture afin d'être bien certain de votre réponse.

L'objectif de cet article est de calculer, étant donné un point de référence (ici la Tour Eiffel) quel est le premier pays (autre que la France évidemment) que votre regard croisera selon la direction dans laquelle vous regardez. Vers l'est on doit certainement tomber sur l'Allemagne, vers le sud-ouest surement sur l'Espagne, etc... C'est plutôt simple à visualiser pour les pays limitrophes mais nous verrons que les choses sont moins intuitives lorsqu'il y a de grandes distances à traverser.

Méthode

Pour effectuer les calculs il nous faut les positions et la forme de chaque pays. Il faut alors utiliser des fichiers de type shapefile qui représentent chaque pays sous forme de polygones plus ou moins détaillés (selon la précision de la carte) et en définissent les contours sous forme de coordonnées. L'analyse consiste alors à vérifier si la droite (la direction) suivie par notre regard traverse le polygone en question et si tel est le cas, à quelle distance (puisque nous cherchons le "polygone" le plus proche).

La méthode retenue consiste à choisir évidemment un point de départ et une direction (un angle). Ensuite, deux possibilités s'offrent a vous :
- Transformer la représentation du fichier de polygones en coordonnées azimutales centrées sur votre point de départ (ce qui conserve les angles) et ensuite étudier les intersections entre votre droite et les polygones comme vous le feriez dans un plan orthogonal en utilisant les équations de droite et les intersections. C'est la méthode retenue. La représentation azimutale est par exemple utilisée pour le logo des nations unies :

La représentation est ici centrée sur le pôle nord mais il est possible facilement de centrer cette représentation sur n'importe quel point. A partir de ce point, les angles sont parfaitement conservés.

- Vous pouvez aussi garder les coordonnées initiales, en revanche dans ce cas-là, l'intersection entre la droite formée par votre regard et le polygone ne pourra se résoudre qu'en utilisant des équations beaucoup plus complexes à cause de la rotondité de la Terre. Cela reste faisable néanmoins.


Étape 1 : On charge le shapefile (sauvé préalablement dans mon working directory)

# On charge les shapefiles des pays
library('rgdal')
library('ggplot2')
shp10 <- readOGR(dsn = "ne_10m_admin_0_countries", layer = "ne_10m_admin_0_countries") shp50 <- readOGR(dsn="ne_50m_admin_0_countries", layer="ne_50m_admin_0_countries") shp110 <- readOGR(dsn = "ne_110m_admin_0_countries", layer = "ne_110m_admin_0_countries") shp2 <- fortify(shp50) colnames(shp2)[1:2] = c("Longitude", "Latitude") # On a 10654 points de shapes appartenant a 176 Pays pour shp110 # On a 99599 points pour shp50 # on a 548121 points pour shp10


Finalement c'est le fichier de plus petite taille qui a été retenu. Il est composé de 10 000 points ce qui constitue une résolution malgré tout suffisante pour notre analyse. Le temps de calcul étant de toute façon proportionnel au nombre de points, on ne veut pas y passer trop de temps. Malgré tout il n'est pas nécessaire d'avoir une très grande précision dans le détail des polygones puisque le point qui nous intéresse est uniquement de savoir si on croise ou pas le pays. Il sera toujours possible d'ergoter sur quelques cas particuliers mais dans la grande majorité le résultat sera suffisamment satisfaisant.




Étape 2 : Définition des villes d’intérêt, on crée juste un data.frame avec les informations initiales. On parcourra une à une chaque ligne.

VILLE=data.frame(NOM=c("PARIS","BREST","CALAIS","MARSEILLE","STRASBOURG","AJACCIO"),
                LON=c(2.2069771,-4.5095871,1.6557295,5.2400702,7.6918828,8.6356297),
                LAT=c(48.8587741,48.3637114,50.9718019,43.2805546,48.5692058,41.9227051))

Et enfin l’étape 3, la boucle sur chacune des villes. J'annonce à l'avance que ce code peut être amélioré. Il est très basique dans le sens que l'on teste toutes les paires de coordonnées d'un polygone ainsi que la majorité des polygones. Il s'agit évidemment de la partie la plus consommatrice de temps. Il existe énormément de polygones qui n'auraient pas besoin d'être testés (par exemple, depuis la France, tous les polygones représentant les pays au sud du Maghreb ne seront jamais "visibles" car toujours "bloqués" par les pays d'Afrique du Nord. Idem pour la plupart des pays asiatiques. En fait c'est le cas pour tous les pays "enclavés" (c'est à dire entourés d'autres pays). Seuls les pays ayant une frontières terrestre avec la France ou bordant la mer ou un océan peuvent nous convenir. Tous les autres pourraient être éliminés.

Il existe d'autre versions de la résolutions de ce problème que vous pourrez trouver un peu partout sur le net). Par exemple là c'est du Python. Ici, ça sera en R.

for(N in 1:nrow(VILLE)){
  print(VILLE[N,1])
  Longitude0 <- VILLE[N,"LON"]
  Latitude0 <- VILLE[N,"LAT"]
  # Transfo azimutale (a faire a chaque fois que l'on change de centre)
  shp110a <- spTransform(shp110, CRS(sprintf("+proj=aeqd +lat_0=%f +lon_0=%f",Latitude0,Longitude0)))
  # Conversion de l'objet
  shpa <- fortify(shp110a)
  colnames(shpa)[1:2] = c("Longitude", "Latitude")

  # On splitte par groupe
  # attention un pays peut appartenir a +ieurs gpe : expl france + corse + guyane)
  sshpa <- split(shpa,as.numeric(shpa$group))

  # On va stocker le pays le plus proche pour chaque valeur d'angle
  BESTCOUNTRY = c()
  # Liste des angles a parcourir, ici tous les 1°
  SEQ =  seq(0,360,by=1)
  t0 <- Sys.time()
  for (angle in SEQ){
    cat(sprintf("\n-----------\nAngle %i\n-----------\n",angle))
    # On convertit l'angle qui est en degree
    theta = pi * angle / 180
    RESangle = array(Inf,dim=length(sshpa))
    # On parcourt les pays 1 a 1 pylogones 1 a 1
    for(i in 1:length(sshpa)){
      # On skippe l'id de la france
      if(i%in% c(120,121,122)) next

      dat <- unique(sshpa[[i]][,1:2])
      colnames(dat) = c("long","lat")
      # En fonction de l'angle, certain pays n'ont pas a etre testés
      # Par exemple si on regarde vers le NE
      # Tous les points des coordonnées negatives n'ont pas a etre analysé
      # Réduit le nb de calculs a faire
      if(angle%%360 >=0 & angle%%360 <=180) if(all(dat$lat<0)) next
      if(angle%%360 >=180) if(all(dat$lat>=0)) next
      if((angle-90)%%360 >=0 & (angle-90)%%360 <=180) if(all(dat$long>0)) next
      if((angle-90)%%360 >=180) if(all(dat$long<=0)) next

      # Si le pays est visible on l'affiche
      # On parcourt toutes les paires de points
      Dist = Inf
      tmp1=tmp2 =c ()
      for(j in 1:nrow(dat)){
        if(j==nrow(dat)){
          p1 = dat[j,c("long","lat")]
          p2 = dat[1,c("long","lat")]
        }else{
          p1 = dat[j,c("long","lat")]
          p2 = dat[j+1,c("long","lat")]
        }
        # On calcule l'intersection entre notre point (0,0) et le segment p1 p2
        # Equation de la droite passant par 0,0 et de pente "angle"
        a1 = tan(theta)
        b1 = 0
        # Equation du segment formé par les deux points consecutifs
        a2 = (p2[2]-p1[2]) / (p2[1]-p1[1])
        b2 = p1[2] - a2 * p1[1] 
        # Intersection des deux droites
        xi = (b2-b1)/(a1-a2)
        yi = a1 * xi + b1
        # On teste si cette intersection se trouve a l'interieur du segment
        isIN = xi < max(p1[1],p2[1]) &  xi > min(p1[1],p2[1]) & yi < max(p1[2],p2[2]) &  yi > min(p1[2],p2[2])
        # L'intersection est peut-etre sur le segment mais il faut verifier qu'on soit dans le bon sens
        # expl : avec un angle a 180 degree on s'attend a ce que xi < 0
        if(isIN){
          if(angle%%360 >=0 & angle%%360 <=180) if(round(yi,3)<0) isIN = FALSE
          if(angle%%360 >=180) if(round(yi,3)>0) isIN = FALSE
          if((angle-90)%%360 >=0 & (angle-90)%%360 <=180) if(round(xi,3)>0) isIN = FALSE
          if((angle-90)%%360 >=180) if(round(xi,3)<0) isIN = FALSE
        }
        # Et on calcule la distance de cette intersection a 0,0
        if(isIN) if(sqrt(xi^2 + yi^2) < Dist) Dist = sqrt(xi^2 + yi^2)
        tmp1[j]=isIN
        tmp2[j]=unlist(sqrt(xi^2 + yi^2))
      }  
      RESangle[i] = as.numeric(Dist)
    }

    # On regarde quel est l'id du polygone le plus proche
    # et que l'on a traversé
    gpebest = order(RESangle)[1]
    # On retrouve le pays auquel il appartient
    idbest = as.numeric(sshpa[[gpebest]]$id[1])
    print(shp110$ADMIN[idbest+1])
    BESTCOUNTRY[match(angle,SEQ)] = shp110$ADMIN[idbest+1]
    print( Sys.time() - t0)
  }
  save(BESTCOUNTRY,SEQ,file=sprintf("dat%s.RData",VILLE$NOM[N]))
}


Il s'agit donc d'un code assez "bourrin" qui cherche les coordonnées de l'intersection entre la droite (en fait, une demi-droite) définie par notre regard et une arête d'un polygone. Si cette intersection se trouve bien à l’intérieur du segment définit par l'arête, alors notre regard a bien croisé cette arête et donc ce polygone, il ne reste plus qu'à en calculer la distance et stocker tout cela. Sans parallélisation du code et en utilisant la cartographie à 10 000 points, il faut environ 1h30 de calcul pour obtenir les 360 résultats (un résultat par degré) donc il ne faut pas être trop pressé. La partie importante de ce code réside dans la conversion en coordonnées azimutale, ce qui implique que le point où vous vous trouvez se situe forcément aux coordonnées (0,0) et que les coordonnées des polygones des pays ont été redéfinies en fonction de cette nouvelle origine. Cela simplifie énormément les calculs et comme la fonction de transformation existe déjà cela enlève la partie la plus complexe de l'analyse.

Résultats

Une fois obtenu le résultat, la représentation graphique est laissé à l'inspiration de chacun. J'en ai fait une version assez basique mais très colorée. (De toute façon peu importe les couleurs que vous choisirez, il y a 28 pays différents, donc 28 couleurs a représenter, inutile d’espérer de trouver une palette de couleurs avec 28 teintes réellement différentiables a tous les coups)

Regarde maman, on voit vachement bien le Venezuela d'ici

Dans cette représentation, le nord est en haut et le reste des points cardinaux est à l'avenant.

Analyse

En regardant ce premier résultat pour Paris, on arrive bien a imaginer qu'en se postant au sommet de la tour Eiffel et en regardant vers l'est le prochain pays que notre regard "rencontrera" sera l'Allemagne, ou la Suisse, le Luxembourg et la Belgique selon l'angle choisit. Je met des guillemets à "rencontrera" parce qu'on est bien d'accord qu'arrivé à cette étape vous vous doutez bien qu'on ne "voit" pas vraiment l'autre pays depuis la tour Eiffel, déjà parce que la Terre étant ronde la visibilité maximale autour de la tour Eiffel et d'environ 65 km et aussi parce que même si la Terre était plate, l'air de Paris serait trop pollué pour espérer voir quoique ce soit. (En revanche si la Terre est plate les calculs doivent surement être plus simples)
Revenons à nos moutons. Si vous êtes habitués aux cartes et aux projections traditionnelles, vous devez surement vous dire, comme moi, qu'en regardant vers l'ouest depuis Paris on devrait tomber sur le Canada ou les USA, en tout cas pas la République Dominicaine !!!

Preuve (Google Maps) :




Il existe donc deux possibilités : soit mon code est faux, soit la Terre n'est pas plate. Comme mon code n'est (évidemment) pas faux, la Terre n'est donc pas plate (CQFD) et il faut donc utiliser Google Earth pour tracer une vraie ligne droite sur le globe.

Preuve (Google Earth) :



On part bien vers l'ouest depuis Paris



Et paf, on est en République Dominicaine !


Étonnant non? Vous ne l'aviez pas vue venir celle-là? On peut ensuite regarder les différents résultats obtenus selon la ville de départ sélectionnée :

Pour Brest :

C'est l'endroit d'où on voit le mieux le Brésil.


Pour Calais :

Apparemment, de Calais on semble très bien voir le Royaume-Uni et la Belgique (et aussi accessoirement l'Espagne mais il me semble que c'est un peu plus loin). Il est amusant de constater que toutes ces villes du Nord peuvent apercevoir (à des degrés divers) des pays qui semblent très au sud comme le Brésil, ce qui n'est possible que parce que la vue n'est pas obstruée par l'Espagne lorsque l'on se situe suffisamment au nord.

Pour Marseille :


Côté est c'est évidemment l'Italie qui prédomine, au sud l'Algérie, pour la partie est / sud-ouest on a aussi l'Espagne. Ces trois pays représentent respectivement 127°, 60° et 57° soit donc un total de 244°, les 2/3 du paysage donc.

Pour Strasbourg :

Le Pac-Man allemand.

Pour Ajaccio :


Et pour notre dernier essai, le Pac-Man italien, a noter une petite incursion de la Libye.





Friends


Évaluation des relations entre les personnages de Friends


Introduction

Cet article va expliquer en partie comment fonctionne actuellement ce blog. Je m'explique. Je regardais l'épisode 6 de la saison 1 de "The good place". A un moment, un personnage compare son amitié avec celle qui unie Ross et Phoebe (il ne maitrise pas trop les concepts d'amitié). Cette affirmation surprend l'autre personnage puisque, pour ceux qui ont suivi la série Friends, Ross et Phoebe sont probablement les deux personnages de la série qui se fréquentent le moins. Il existe des relations d'amitié bien plus fortes dans cette série (par exemple entre Chandler et Joey).




Analyse des relations


Pour tous les fans de la série il est évident que Ross et Phoebe n'ont (quasiment) pas de liens d'amitié. Je voulais voir si il était possible de confirmer cette évidence en s'appuyant sur des données chiffrées. Pour cela rien de plus "simple". En se basant sur le fait que deux personnes amies auront plutôt tendance à passer du temps ensemble nous allons essayer de comptabiliser le nombre de temps où deux personnages sont ensemble dans la même scène. Il existe alors deux solutions : la première consiste à regarder les 236 épisodes (comptez environ 86h) et de noter toutes les fois où les acteurs sont ensemble dans chaque scène. La deuxième solution (pour les grosses feignasses comme moi) repose sur deux éléments : Tout d'abord le site https://fangj.github.io/friends/ qui recense les scripts de tous les épisodes de Friends, chaque script contenant les dialogues et didascalies. Dans un second temps il faut extraire et formater les données. Coup de chance cela a déjà été fait par un autre blogger anglophone (Lien ici) qui a aussi réalisé une étude à ce sujet (mais qui ne répond pas à notre question). Dans son article il essaye de trouver quel personnage peut être considéré comme le personnage principal. Pour cela il compte la quantité de dialogue pour chaque personnage (ce qui constitue un indicateur de l'importance du personnage). La conclusion est que les scénaristes ont plutôt bien fait leur travail et la quantité de tirade pour chacun des acteurs est plutôt bien équilibrée tout au long de la série.

Bref, revenons à nos moutons. Nous avons désormais un jeu de données qui liste toutes les scènes de la série ainsi que la liste de chaque personnage qui a des lignes de texte dans chacune des scènes. Nous allons donc pouvoir compter le nombre total de scènes parlantes par personnage (c'est à dire où l'acteur parle) mais aussi le nombre de fois où il partage l'écran avec un autre acteur. On obtient donc une matrice 6 x 6 (puisqu'il y a 6 personnages principaux). Le résultat est le suivant.


Nombre de scènes en commun entre deux acteurs

Prenons le cas de Chandler. Au total Chandler apparait dans 1359 scènes (la série contient 2857 scènes au total). Sur ces 1359 scènes, il en partage 837 avec Joey et 881 avec Monica (ce qui semble logique, Chandler étant très ami avec Joey et en couple avec Monica pendant une bonne partie de la série). Ensuite, Chandler partage 687 scènes avec Ross et seulement 626 avec Rachel et 638 avec Phoebe (donc environ 30% de scènes en moins). Si l'on recherche les "couples" d'acteurs ayant le moins de scènes ensemble, on trouve bien le duo Ross-Phoebe avec seulement 602 scènes ensemble et, de manière plus surprenante, il n'y a que 607 scènes entre Ross et Monica (qui sont pourtant frères et sœurs).

Pour mettre en évidence ces relations, il est aussi possible d'aller un peu plus loin en comptant le nombre de scènes communes à chaque couple de personnages mais avec la condition supplémentaire qu'ils soient les deux seuls acteurs principaux à parler dans ces scènes (il peut y avoir d'autres personnages présents parmi les 6 principaux mais ils doivent seulement faire de la figuration de même qu'il peut y avoir des acteurs secondaires qui parlent). L'idée est de voir si chaque binôme peut avoir sa propre part de narration. Le résultat est le suivant :


Nombre de scènes à deux sans autres acteurs principaux

Cette fois-ci, le résultat fait la part belle aux couples d'amoureux (Monica-Chandler et Ross-Rachel). Il semble logique que ces couples puissent disposer de scènes entre eux afin de faire avancer leur relation amoureuse. On retrouve, un peu derrière, le "couple" Joey-Chandler. Parmi les 336 scènes de Chandler à deux acteurs, il en a 146 avec Monica et 111 avec Joey, les trois autres acteurs se répartissent les 23% de scènes restantes.
Une fois de plus, en queue de peloton on retrouve des couples "improbables" qui partagent à peine une vingtaine de scènes à deux. Il s'agit des couples Chandler-Phoebe, Ross-Monica (une fois de plus) et Chandler-Rachel. Les déséquilibres sont plus forts dans cette configuration puisque cela favorise les couples très importants pour le récit.

Une version moins "amoureuse" et plus "amicale" consiste à regarder les scènes avec des trios (c'est a dire exactement trois acteurs principaux qui parlent dans la même scènes). On obtient alors le résultat suivant :


Répartition des scènes avec trois acteurs


Dans ce dernier cas, on peut constater que c'est le couple Chandler-Joey qui repasse devant. Ils ont 155 scènes ensemble dont 67 avec Ross, 55 avec Monica, 17 avec Rachel et 10 avec Phoebe. Ainsi, en moyenne il n'y a qu'une scène par saison avec le trio Chandler-Joey-Phoebe, autant dire que c'est rare. La palme du trio le plus rare est Monica-Ross-Joey, qui n'ont que 5 scènes ensemble parmi toutes les scènes à trois.
Les trios les plus fréquents sont donc Ross-Chandler-Joey (avec 67 occurrences) et Monica-Rachel-Phoebe avec 60 occurrences. Cela confirme que les scènes à 3 personnages se déroulent plutôt dans le cadre amical alors que les scènes à deux sont plus liées aux relations amoureuses.





Average color of national flags


Intoduction

The goal of this article is to create a map of each national flag average color. All of the national flags are made from several combinations of colors with specific proportions in their design (except for the Lybian flag which consists on a green rectangle). Caution should also be taken regarding the shade of each color. The blue in the french flag is not the same blue as in the Swedish flag or the blue in the US flag for example... Computation should then be done country by country.

Process

To do so, one just need to "read" the flag from a picture file. This picture will be easily transformed into a matrix of colors (one pixel of the flag will be of one specific color). Once done, it is easy to count the proportion of each color on the flag and average it to create one unique color. You can see some examples below:





These examples show some easy cases but same type of result could be obtained for trickier flag designs.

Result

 

Once done for all the countries, a map could be drawn with the "average" color of each country's national flag.



Interpretation


I am not sure an interpretation could be of any relevance, but it appears that African flags tends to be more green-blackish compared to the rest of the world. On the other hand, South American flags have more vivid colors and north hemisphere countries tends to mostly use a mix of blue and red that results in different shades of pink/purple.



Carte des toilettes publiques de Paris


Et si on veut aller aux petits coins?


La vie est bien faite, la mairie de Paris propose en open data la localisation de toutes les sanisettes et toilettes de la capitale. On peut donc calculer la densité de sanitaires par km². On peut inclure dans le calcul les deux bois (de Vincennes et de Boulogne) puisque nous disposons de l’intégralité du positionnement des différents d'espaces d'aisance. Ici, les 644 points disponibles sont représentés. On supposera dans la suite de cet article que la base de données de la ville de Paris est exhaustive. Je n'ai pas les moyens, ni l'envie (hihihi) d'aller les vérifier une par une. Certains sanitaires de la ville semblent aussi être gérés sous forme de concession et peuvent ne pas apparaitre dans ces résultats. Chaque petit point foncé sur la carte représente une sanisette ou des toilettes.


La carte ci-dessus montre que le IVème arrondissement compte 18 sanitaires par km² suivi par le Xème et le XVIIIème. Les arrondissements les plus mal lotis disposent de moins de 5 sanitaires par km².

De manière plus précise, il est possible (et laborieux), de créer une grille virtuelle (ici il s'agit d'une grille 200 par 200) et à chaque point de cette grille on va évaluer le temps de marche a pied nécessaire pour atteindre les toilettes les plus proches. Pour cela on utilisera une API permettant de calculer les temps de trajet (comme ce que propose Google et plein d'autres sites). La limite de ces API est souvent le nombre de requête que l'on peut effectuer gratuitement ainsi que le temps de calcul. Pour estimer environ 20 000 distances il a fallut plusieurs heures.
Une fois cela fait, on peut alors colorier le résultat. Pour que les différentes zones soit plus facilement visibles, il a été décidé de classer chacun de ces points en cinq catégories en fonction du temps de marche : 

- Moins de 2 minutes de marche à pied aux toilettes les plus proches,
- Entre 2 et 5 minutes, 
- Entre 5 et 10 minutes,
- Entre 10 et 15 minutes et enfin 
- Plus de 15 minutes de marche à pied.
 

 
Évidemment les zones les plus délaissées sont les bois de Vincennes et de Boulogne où il faudra savoir anticiper vos besoins (sinon vous allez vous cacher derrière un arbre, il y en a plein). Il existe malgré tout des zones dans Paris intramuros où il faudra marcher quand même une dizaine de minutes avant de trouver le Graal de faïence.

Répartition par arrondissement

Le graphique ci-dessous représente la probabilité d'être dans chacune des catégories de temps pour chaque arrondissement. Ainsi, dans le XIIème arrondissement, vous aurez à marcher plus de 10 minutes dans la moitié des cas (principalement à cause du bois de Vincennes). On observe a peu près le même résultat pour le XVIème. Finalement, un arrondissement plus compliqué que prévu est le Ier arrondissement, que l'on pourrait supposer bien desservit de par sa position centrale dans la ville mais il y sera peu probable d'y trouver des toilettes sans marche au moins 5 minutes (2/3 des cas).

Conclusion

 

Cette analyse semble montrer une grande disparité dans la répartition des toilettes publiques de la capitale qui ne semble pas forcement liée à leur position respective (les arrondissement centraux ne sont pas nécessairement les mieux lotis).


Cartes des arbres de Paris


Répartition des arbres dans Paris

La mairie de Paris propose en open data plein de jeux de données qui permettent de faire de jolies cartes.

La première carte que l'on peut faire est celle de la répartition des arbres dans les différents arrondissements. En effet, chaque arbre de Paris est localisé et on dispose de différentes informations les concernant (diamètre, hauteur..) On peut alors faire des statistiques par arrondissement. La carte suivante indique la densité d'arbre par arrondissement (exprimée en nombre d'arbres par km²). 

Il faut noter cependant une adaptation qui a du être faite concernant le bois de Boulogne et le bois de Vincennes. En effet, ces deux bois font partie des arrondissements de Paris (le XVIème et le XIIème) mais la mairie ne propose pas d'information sur les massifs, les chiffres sont donc très largement sous-estimés. De plus, ajouter les arbres de ces deux bois augmentent de manière très importante la densité d'arbre par km².

Pour le XIIème arrondissement, en excluant le bois de Vincennes on compte 1974 arbres par km² et en incluant le bois on a 9553 arbres par km².
Pour le XVIème arrondissement, en excluant le bois de Boulogne on compte 2164 arbres par km² et en incluant le bois on a 10208 arbres par km².

Dans la carte qui suit, chaque point gris-vert représente un arbre, sur la surface de la ville on en compte 164 000.


 Tableau de synthèse

ArrondissementSuperficie (km²)Nb d'arbresDensité
11.821705934
20.99538543
31.1712441062
41.627651727
52.542499984
62.151783828
74.0987862148
83.8872461868
92.181188545
102.8934361188
113.6759191615
126.38126001975
137.15169042364
145.61120172140
158.49172892035
167.91171192164
175.67110711953
186104591744
196.79144322125
205.98155722603



Approximation de π grace au triangle de Pascal (le grand frère)

La formule de Leibniz pour approximer π


Il existe de nombreuses manières d'approximer le nombre π. Dans l'antiquité on se contenait d'approximer π au moyen de fractions plus ou moins complexes. Mais dès le Moyen-Age c'est par le biais de séries que l'on a pu avoir les meilleures résultats. Ces séries sont juste des suites (infinies) d'opérations qui, à chaque étape (ou itération) se rapprocheront de plus en plus de la valeur de π. L’inconvénient de cette méthode est que comme ces suites sont infinies, la précision du résultat dépend du nombre d’itération que l'on peut calculer ce qui est limité par le temps que l'on peut y passer et les moyens technologiques à disposition. 

La formule de Madhava-Leibniz fut calculée à l'époque pour les 21 premiers termes ce qui permis de trouver la valeur de π à la 11ème décimale :

Formule de Madhava-Leibniz

Vous pouvez tenter de calculer les 21 premiers termes à la main et me dire combien de temps ça vous a pris.

Une autre version intéressante est attribuée elle aussi à Leibniz, qui fut le premier à réellement l'expliciter (même si Gregory avait défini le cas général et que la formule de Leibniz en est dérivée pour un cas très simple). Elle est définie de la façon suivante :

Formule de Leibniz
Leibniz, hippie avant l'heure

Cette formule est très simple puisqu'elle consiste en une somme de fraction unitaires (c'est à dire de fractions où le numérateur vaut 1) divisée par tous les nombres impairs. C'est simple et facile à se rappeler. Cependant elle à l’inconvénient de converger trèèès lentement ce qui la rend globalement inutile en pratique. Il faut noter que ces nombres impairs composent la deuxième "diagonale"du triangle de Pascal (ça semble trivial mais cela a un intérêt pour la suite)




La formule de Toloza

Une autre version a été trouvée par Jonas Toloza en 2007[1] qui a crée une seconde série qui approxime π en utilisant une série de nombres particulière. La formule est la suivante :

Formule de Toloza

Ici on ne divise pas 1 par des nombres impairs, mais par une série de nombres (1,3,5,10,15,21...) qui se trouvent être ceux composant la troisième "diagonale" du triangle de Pascal. C'est là où ça devient amusant. Les gens se sont alors mis à chercher si il était possible d'utiliser les nombres issus des diagonales du triangle de Pascal pour créer ces séries.


A ce stade, on commence donc à voir où cet article veut en venir.

La formule de Hardisky


Plus récemment, en 2017, Hardisky[2] a trouvé aussi une suite utilisant un élément sur deux mais cette fois-ci dans la quatrième diagonale du triangle de Pascal. La formule étant la suivante :
Formule d'Hardisky




La démonstration des formules de Hardisky et Toloza se basent toutes les deux sur une transformation de la série de Nilakantha Somayaji (1444-1544, oui, c'est pas récent), mathématicien indien qui développa la série suivante :



Ces séries numériques ont vu leur convergence prouvée (oui, le but n'est pas juste de trouver une série qui semble tendre vers π, il faut aussi le prouver) Il existe aussi des formules pour les deux autres diagonales suivantes, elles se sont pas formellement prouvées mais c'est surtout parce qu'au final chaque diagonale possède cette propriété :







On constate ainsi que pour les séries utilisant les chiffres des "diagonales" paires (celles de Leibniz, Hardisky et pour la 6ème rangée) on utilise uniquement une valeur sur 2 et en alternant les signes + et -. Pour les diagonales "impaires", il semble qu'on utilise toutes les valeurs de la diagonale mais en faisant des paires d'additions et de soustractions.

Vitesse de convergence

 

Ces séries convergeant toutes vers π, il peut être interessant de voir si leur vitesse de convergence est très différente. Pour cela nous pouvons calculer les 100 premières valeurs pour chacune des formules et évaluer à chaque fois l'écart (en valeur absolue) entre la valeur obtenue et π. On cherche donc à obtenir une valeur qui se rapproche rapidement de 0.


Le graphique ci-dessus (avec l'axe des ordonnées exprimé en valeur logarithmique) montre que la méthode de Leibniz est bien celle qui converge le moins rapidement puisqu'en utilisant les 100 première valeurs on tombe péniblement à un écart de 0.01 avec π. Alors que plus les séries sont "évoluées" plus cette convergence est rapide.
Avec la formule de Toloza et celle pour la cinquième diagonale on observe des oscillations. Cela s'explique par le fait que la série n'alterne pas pour chaque terme addition et soustraction (comme c'est le cas pour les séries des diagonales paires), mais qu'elle fait des paires d'additions et des paires de soustractions, cela implique donc qu'on s'éloigne deux fois de suite de la vraie valeur puis on s'en rapproche deux fois de suite, ce qui lui donne cet aspect oscillatoire mais ne l'empêche pas néanmoins de converger vers la solution.
En calculant l'estimation par la méthode de Hardisky pour les 100 premières valeurs on obtient 3.1415924, on est donc correct pour les 6 premières décimales (d'où une erreur à 10e-6). Pour la version la plus aboutie on atteint 10 décimales exactes à l'issue des 100 premières itérations.

Conclusion

A notre époque, il existe des séries bien plus efficaces puisque chaque itération améliore la précision de plusieurs décimales à chaque itération (un des algorithme le plus utilisé trouve 8 décimales supplémentaires par itérations). L’intérêt réside donc plutôt dans la découverte de cette relation entre π et le triangle de Pascal qui n'ont a priori aucun rapport. Vous avez pu constater que les preuves "officielles" sont très récentes mais il semble très probable que ces propriétés soient connues depuis plusieurs siècles. Il est probable que personne ne s'est réellement embeté à le démontrer puisque l’intérêt est assez faible.