Probabilités et statistiquesMéthode · Glossaire
méthode de Monte-Carlo
La méthode de Monte-Carlo désigne une famille de méthodes algorithmiques reposant sur le recours à des processus aléatoires et probabilistes pour obtenir des estimations numériques de grandeurs mathématiques. Ces méthodes sont particulièrement utiles lorsque les calculs déterministes exacts sont trop coûteux ou impossibles à mener analytiquement. Elles exploitent la loi des grands nombres : en simulant un grand nombre d'expériences aléatoires, la moyenne des résultats converge vers la valeur cherchée.
Sommaire
Ce que vous allez apprendre
- Relier une grandeur cherchée à l'espérance d'une variable aléatoire simulable.
- Approcher π avec 20 points dans un carré et contrôler le résultat 3,2.
- Identifier les hypothèses qui permettent d'invoquer la loi des grands nombres.
- Distinguer Monte-Carlo, quasi-Monte-Carlo et chaîne de Markov Monte-Carlo.
- Repérer l'effet d'un petit échantillon, d'un événement rare et d'un biais de modèle.
En clair
Imaginez un ordinateur qui place au hasard des points dans un carré. En comptant ceux qui tombent aussi dans un quart de disque tracé dans ce carré, on peut approcher π. Chaque point ne fournit qu'une information minuscule, mais leur proportion finit par se stabiliser.
Une méthode de Monte-Carlo transforme ainsi une question difficile en une expérience aléatoire répétée. Elle ne promet pas le résultat exact après un nombre fixé d'essais : elle produit une estimation dont on étudie la précision.
Définition
Une méthode de Monte-Carlo est un algorithme qui représente la grandeur cherchée comme l'espérance d'une variable aléatoire, puis estime cette espérance par une moyenne d'observations simulées. Elle s'emploie notamment pour une intégrale, une probabilité ou une quantité issue d'un modèle dont le calcul direct est impraticable.
On note X la variable simulée et X1, …, XN les résultats de N répétitions indépendantes suivant la même loi. L'estimateur de l'espérance de X est la moyenne . Si X possède une espérance finie, la loi forte des grands nombres assure, dans ce cadre, que cette moyenne converge presque sûrement vers l'espérance cherchée lorsque N tend vers l'infini.
Le résultat à N fixé reste aléatoire. Répéter le calcul avec une autre suite de tirages peut donc changer l'estimation. Selon le problème, on utilise des simulations indépendantes, des techniques de réduction de variance ou des échantillons dépendants conçus pour explorer une loi cible ; les garanties doivent alors être vérifiées pour l'algorithme choisi.
Le principe
1. Choisir une variable aléatoire X dont l'espérance est la grandeur visée.
2. Produire N réalisations X1, …, XN selon le modèle prévu, puis calculer leur moyenne.
3. Si les réalisations sont indépendantes, de même loi, et si X a une espérance finie, appliquer .
4. S'arrêter lorsque le budget de calcul est atteint ou qu'un indicateur d'incertitude satisfait la précision fixée à l'avance.
2. Produire N réalisations X1, …, XN selon le modèle prévu, puis calculer leur moyenne.
3. Si les réalisations sont indépendantes, de même loi, et si X a une espérance finie, appliquer .
4. S'arrêter lorsque le budget de calcul est atteint ou qu'un indicateur d'incertitude satisfait la précision fixée à l'avance.
Quand l'utiliser
La méthode s'applique quand la grandeur visée peut être reliée à une expérience aléatoire que l'on sait simuler. Il faut préciser la loi des tirages, calculer une observation pour chaque tirage et disposer d'une espérance finie. Pour invoquer directement la loi des grands nombres sous sa forme usuelle, les observations sont indépendantes et de même loi.
La précision ne dépend pas seulement du nombre N de simulations : une forte dispersion rend la moyenne plus instable. Un générateur défectueux ou un modèle de tirage différent du modèle annoncé crée un biais que davantage de répétitions ne corrige pas. Si les observations n'ont pas d'espérance finie, la moyenne empirique n'est pas couverte par cette garantie ; il faut changer d'estimateur ou étudier une méthode adaptée aux queues lourdes.
Un exemple, pas à pas
Approchons π dans le carré unité. Le quart de disque de rayon 1 occupe une proportion π/4 du carré. Les données sont : N = 20 points tirés uniformément et indépendamment, leurs coordonnées comprises entre 0 et 1, et K le nombre de points vérifiant x2 + y2 ≤ 1.
1. Pour chaque point, attribuons la valeur 1 s'il appartient au quart de disque, et 0 sinon. La moyenne de ces valeurs est la proportion K/N.
2. Dans le tirage représenté, 16 points sur 20 satisfont le critère ; les 4 autres sont à l'extérieur. La figure rend ce comptage refaisable point par point.
3. Multiplions la proportion observée par 4 : . Cette valeur est une estimation, pas une égalité avec π.
4. Contrôlons le calcul : 16/20 = 0,8, puis 4 × 0,8 = 3,2. Un nouveau tirage de 20 points peut donner un autre résultat ; augmenter N rend généralement la proportion plus stable, sans imposer une amélioration à chaque tirage.
En pratique
Pour estimer une aire ou une intégrale, on simule des points dans un domaine simple et on moyenne une quantité calculée en chacun d'eux. Une quadrature déterministe est souvent préférable en petite dimension pour une fonction régulière ; Monte-Carlo devient attrayant lorsque la dimension rend la grille trop coûteuse.
Pour évaluer un risque, on génère de nombreux scénarios selon un modèle probabiliste, puis on observe la fréquence ou le coût moyen d'un événement. Si une formule exacte ou une énumération complète reste accessible, elle fournit généralement un contrôle plus direct.
Dans une simulation scientifique, on conserve la graine du générateur, le nombre de tirages et un indicateur d'incertitude. Ces éléments rendent le calcul reproductible et empêchent de présenter une fluctuation aléatoire comme une précision garantie.
À ne pas confondre
Méthode déterministe. À données identiques, elle suit un calcul sans tirage et fournit le même résultat. Une formule exacte de l'aire du disque relève d'un calcul déterministe ; compter des points aléatoires pour l'approcher relève de Monte-Carlo.
Quasi-Monte-Carlo. Les points sont choisis par une suite déterministe conçue pour bien couvrir le domaine, et non par des tirages aléatoires indépendants. Si l'on réexécute la même suite sans randomisation, les points ne changent pas.
Chaîne de Markov Monte-Carlo. Cette famille construit des tirages dépendants pour approcher une loi cible. La dépendance successive la distingue de l'échantillonnage indépendant utilisé dans l'exemple de π, même si les deux approches reposent sur des moyennes simulées.
Limites et pièges
Petit échantillon. Avec N = 20, un seul point change l'estimation de π de 4/20 = 0,2. Le résultat 3,2 doit donc être présenté comme une illustration ; il faut augmenter N et quantifier l'incertitude pour rechercher une précision donnée.
Convergence irrégulière. Une estimation peut s'éloigner momentanément de la cible lorsque N augmente. La loi des grands nombres décrit un comportement limite, pas une amélioration monotone ; il faut examiner l'incertitude ou plusieurs réplications indépendantes.
Événement rare. Si aucun des N scénarios ne réalise un événement très peu probable, la fréquence observée vaut 0 sans prouver que la probabilité est nulle. Un échantillonnage préférentiel adapté peut être nécessaire.
Biais de modèle. Des tirages nombreux réduisent la fluctuation autour de la valeur simulée, mais ne réparent ni une mauvaise loi d'entrée ni un code erroné. Il faut valider le modèle et tester l'algorithme sur des cas dont le résultat est connu.
Pour aller plus loin
L'article La méthode de Monte-Carlo prolonge la fiche par un traitement consacré à cette famille d'algorithmes.
L'article La première loi des grands nombres approfondit le résultat qui justifie la stabilisation des moyennes d'expériences répétées.
Explorez les mathématiques autrement
Retrouvez nos magazines, podcasts et jeux pour explorer les mathématiques autrement.
Découvrir les offres