Comment la Roue des Prénoms Choisit un Gagnant Équitable

Chaque jour, des enseignants dans les écoles, des streamers sur Twitch et YouTube, des chefs d’équipe lors de réunions agiles et des organisateurs de jeux-concours invitent leur audience à faire confiance à un cercle tournant. Une roue multicolore tourne à l’écran, franchit les encoches sonores et ralentit jusqu’à ce que la flèche désigne un seul prénom.

Pourtant, dès que des récompenses, des notes ou la réputation sont en jeu, une question légitime revient toujours : cette roue des prénoms est-elle truquée ?

Le scepticisme est sain. Quand on ne peut pas inspecter le code source d’un tirage, une roue numérique ressemble à une boîte noire. Un participant qui voit son prénom perdre cinq manches d’affilée peut soupçonner des poids invisibles, une manipulation du serveur ou une influence de la vitesse du curseur.

Dans ce guide détaillé, nous explorerons pas à pas l’informatique et la théorie des probabilités derrière un sélecteur aléatoire véritablement équitable. Nous verrons pourquoi les raccourcis de programmation comme Math.random() introduisent des biais cachés, comment les générateurs pseudo-aléatoires cryptographiquement sécurisés (CSPRNG) règlent le problème, comment l’échantillonnage par rejet supprime le piège du biais modulo, et comment vous pouvez vérifier les résultats vous-même via un test d’adéquation du khi-deux.

Pourquoi les nombres pseudo-aléatoires échouent lors des tirages importants

Les ordinateurs sont des machines déterministes. Lorsqu’on lui fournit des données d’entrée identiques et des instructions identiques, un processeur produit chaque fois le même résultat. Pour simuler le “hasard”, la plupart des langages de programmation et des navigateurs s’appuient sur des algorithmes appelés Générateurs de Nombres Pseudo-Aléatoires (PRNG).

En développement web standard, JavaScript fournit Math.random(). Sous le capot, les navigateurs modernes implémentent Math.random() avec un algorithme nommé xorshift128+. Pour des effets visuels simples, comme des flocons de neige qui flottent sur une page ou des dégradés de couleurs décoratifs, xorshift128+ est rapide, économe en mémoire et parfaitement suffisant.

Cependant, lorsqu’il s’agit de garantir l’équité, Math.random() présente deux limites rédhibitoires :

1. Prévisibilité de l’état déterministe : xorshift128+ étant purement mathématique, l’observation d’une courte suite de tirages consécutifs suffit à déduire l’état interne de 128 bits de l’algorithme. Dès lors, tous les tirages futurs peuvent être prédits avec une certitude mathématique absolue.
2. Absence d’entropie matérielle physique : Les PRNG standards ne capturent aucun bruit physique de l’environnement (comme les fluctuations thermiques des composants ou la gigue des horloges matérielles). Ils ne font qu’appliquer une formule récurrente à partir d’une graine initiale.

Quand on organise un tirage au sort d’entreprise, décerne un prix ou répartit des élèves avec un générateur d’équipes, s’en remettre à des nombres prévisibles constitue une faille. Si un participant peut anticiper la graine, l’intégrité du tirage est compromise.

Le standard cryptographique : comment fonctionne un CSPRNG

Pour garantir une impartialité incontestable, une roue des prénoms moderne doit faire appel à un Générateur de Nombres Pseudo-Aléatoires Cryptographiquement Sécurisé (CSPRNG). Sur le web moderne, cette fonctionnalité est accessible nativement via la méthode window.crypto.getRandomValues().

Plutôt que d’utiliser une équation prévisible initialisée au chargement, un CSPRNG puise directement dans le réservoir d’entropie du système d’exploitation :

• Sous Linux, Android et macOS, le navigateur communique avec les mécanismes du noyau comme /dev/urandom et les générateurs CPRNG basés sur ChaCha20.
• Sous Windows, le navigateur sollicite l’API Cryptography Next Generation (CNG) via ProcessPrng et les collecteurs d’entropie système.

Ces réservoirs recueillent du bruit physique totalement imprévisible : micro-variations de température du processeur, délais d’interruption des contrôleurs de disque, gigue des paquets réseau et intervalles de frappe au clavier. L’OS condense ces signaux cryptographiquement en un flux impossible à prédire ou à rétroconcevoir.

Lorsque vous lancez la roue sur Spin Names Now, notre moteur exécute :

const buffer = new Uint32Array(1);
window.crypto.getRandomValues(buffer);
const rawRandomValue = buffer[0];

Cet appel produit un entier non signé de 32 bits (u32) réparti uniformément parmi 2³² = 4 294 967 296 valeurs possibles (de 0 à 4 294 967 295). Chaque entier de cet immense intervalle dispose rigoureusement de la même probabilité d’être sélectionné :

P(X = k) = 1 / 4,294,967,296 ≈ 2.3283 × 10⁻¹⁰

Le piège invisible : qu’est-ce que le biais modulo et comment fausse-t-il les chances ?

Générer un nombre 32 bits équitable ne représente que la moitié du chemin. Une roue comporte rarement 4,29 milliards de segments : elle compte plutôt 7 prénoms, 15 étudiants ou 40 participants.

Comment l’ordinateur fait-il correspondre ce grand nombre à une liste courte de longueur $N$ ?

La quasi-totalité des tutoriels de programmation débutants suggèrent d’utiliser l’opérateur modulo (%) :

// WARNING: Naive implementation that suffers from modulo bias!
const winnerIndex = rawRandomValue % numberOfNames;

C’est exactement sur cette ligne de code que de nombreux tirages au sort en ligne introduisent sans le savoir un avantage injuste. Cette anomalie mathématique est appelée Biais Modulo (Modulo Bias).

Un exemple concret et simple du biais modulo

Pour illustrer ce phénomène sans se perdre dans des milliards de valeurs, prenons un univers simplifié :

• Supposons que notre générateur produise des entiers compris entre 0 et 9 à probabilité égale (10 issues possibles).
• Vous avez 3 prénoms sur votre roue : Alice (indice 0), Bob (indice 1) et Chloé (indice 2).
• Vous convertissez le nombre 0–9 vers les 3 prénoms avec valeur % 3 :

Avez-vous remarqué le déséquilibre ?

• Alice gagne avec 0, 3, 6 ou 9 (4 résultats sur 10 = 40,0 % de chances).
• Bob gagne avec 1, 4 ou 7 (3 résultats sur 10 = 30,0 % de chances).
• Chloé gagne avec 2, 5 ou 8 (3 résultats sur 10 = 30,0 % de chances).

Puisque 10 n’est pas un multiple exact de 3, le reste surnuméraire avantagera systématiquement les premières entrées de la liste. Alice bénéficie de 33 % de chances en plus de gagner que Bob ou Chloé, uniquement en raison de l’opération modulo !

Même si l’écart est moindre lorsqu’on divise 2³² (4 294 967 296), en statistique et en concours certifiés, le moindre déséquilibre enfreint le principe d’équité.

Comment l’échantillonnage par rejet supprime le biais modulo

Comment les cryptographes et les sélecteurs fiables corrigent-ils ce problème ? Grâce à une méthode mathématique élégante appelée Échantillonnage par Rejet Uniforme (Uniform Rejection Sampling).

Au lieu d’accepter l’ensemble de la plage sans discernement, l’algorithme calcule le plus grand multiple entier de la taille de la liste $N$ qui s’inscrit dans la limite de 32 bits. Toute valeur aléatoire tombant au-delà de cette frontière est rejetée, et un nouveau tirage est immédiatement effectué.

Voici l’implémentation exacte utilisée dans notre moteur (src/lib/random.ts) :

const MAX_U32 = 0x100000000; // 2^32 = 4,294,967,296

export function secureRandomInt(maxExclusive: number): number {
  if (maxExclusive <= 1) return 0;

  const cryptoObj = window.crypto;
  const max = Math.floor(maxExclusive);

  // Calculate the largest multiple of `max` that fits inside 2^32
  const limit = MAX_U32 - (MAX_U32 % max);
  const buf = new Uint32Array(1);
  let val: number;

  // Discard any number in the uneven trailing tail
  do {
    cryptoObj.getRandomValues(buf);
    val = buf[0];
  } while (val >= limit);

  return val % max;
}

Avec cette logique :

1. Chaque valeur conservée provient d’une plage qui se divise parfaitement par la longueur de liste max.
2. La portion rejetée étant infinitésimale (au plus max - 1 nombres sur 4,29 milliards), la probabilité de rejet est inférieure à $0,00001%$, s’exécutant en microsecondes.
3. Chaque segment de la roue possède rigoureusement la même probabilité d’être désigné.

La vitesse ou la durée du lancer influent-elles sur le résultat ?

Une interrogation fréquente concerne le lien entre l’animation graphique et l’algorithme. Les utilisateurs demandent souvent :

• « Cliquer plus fort fait-il tourner la roue plus loin ? »
• « Si je glisse la roue avec le doigt sur smartphone, puis-je influencer le gagnant ? »
• « Un ordinateur plus puissant change-t-il l’endroit où s’arrête la flèche ? »

La réponse est catégoriquement non.

Sur une roue des prénoms équitable, le gagnant est choisi par secureRandomInt() à la milliseconde précise où le bouton est cliqué. L’indice gagnant est figé en mémoire avant même que la roue n’ait tourné d’un seul degré.

L’animation visuelle qui suit obéit à des fonctions d’amortissement physique (comme des courbes de Bézier cubiques). Le moteur calcule l’angle de rotation total nécessaire :

Total Rotation Angle = (360° × N_spins) + Winner_Slice_Offset

La roue tourne ensuite rapidement puis ralentit progressivement pendant quelques secondes pour susciter le suspense auprès du public, avec l’assurance absolue que la flèche s’arrêtera au centre exact du segment désigné à l’avance.

Comme le résultat dépend d’un calcul cryptographique et non de frottements physiques, il n’existe pas de “zone morte”, aucune usure mécanique et aucune sensibilité au taux de rafraîchissement de l’écran.

Comment vérifier l’équité grâce au test d’adéquation du Khi-Deux

En science, l’impartialité ne se décrète pas : elle doit pouvoir être vérifiée empiriquement par des méthodes statistiques éprouvées.

Le test de référence pour évaluer les distributions uniformes discrètes est le Test d’Adéquation du Khi-Deux de Pearson (χ²).

1. Formulation des hypothèses

Pour une roue comportant k segments égaux :

• Hypothèse nulle (H₀) : La roue est parfaitement équitable. Chaque segment possède une probabilité de gain P_i = 1 / k.
• Hypothèse alternative (H₁) : La roue est biaisée. Au moins un segment présente une probabilité différente de 1 / k.

2. Formule du Khi-Deux

Si nous faisons tourner la roue N fois, le nombre de victoires théoriques pour chaque tranche i est :

Expected Wins (E_i) = Total Spins (N) / Slices (k)

La statistique du khi-deux mesure l’écart cumulé entre victoires observées (O_i) et victoires attendues (E_i) :

χ² = Σ [ (Observed_i - Expected_i)² / Expected_i ]

3. Degrés de liberté et p-valeur

Les degrés de liberté du test correspondent à :

Degrees of Freedom (df) = k - 1

À partir de la fonction de répartition de la loi du khi-deux, nous calculons la p-valeur :

• La p-valeur indique la probabilité d’obtenir un écart aussi grand ou plus grand si la roue était parfaitement impartiale.
• En statistique, si la p-valeur est supérieure à 0,05 ($p > 0,05$), on ne peut pas rejeter l’hypothèse nulle. Le résultat correspond à une variance aléatoire normale.
• Si une roue était truquée (par exemple si la tranche 1 avait deux fois plus de chances), 1 000 tirages produiraient un $\chi^2$ gigantesque avec une p-valeur inférieure à $0,0001$, prouvant mathématiquement le biais.

Dans notre Laboratoire d’Équité, chacun peut définir la taille de sa liste, lancer des simulations automatisées jusqu’à 500 000 tirages en arrière-plan (Web Worker) et observer en direct l’histogramme, l’écart-type et la p-valeur calculée en temps réel.

Liste pratique : organiser un tirage au sort transparent

Si vous organisez un concours, un jeu en classe ou une tombola communautaire, la technologie ne représente qu’un volet de la confiance. La clarté des règles garantit le respect de vos participants.

Conclusion : la transparence plutôt que les boîtes noires

À l’heure des algorithmes opaques, les utilisateurs sont en droit de comprendre le fonctionnement de leurs outils numériques. Une roue des prénoms ne devrait jamais être un mystère. Propulsée par l’API Web Crypto native du navigateur, renforcée par l’échantillonnage par rejet pour écarter le biais modulo et validée par des tests statistiques ouverts, une roue numérique retrouve sa mission première : être un arbitre du hasard ludique, juste et rigoureusement impartial.

Que vous deviez décider qui prend la parole lors du point matinal, récompenser un abonné fidèle de votre chaîne ou composer des groupes d’étude avec notre générateur d’équipes, vous pouvez lancer la roue avec la certitude que chaque prénom dispose mathématiquement de la même chance de l’emporter.