Vous êtes sur la page 1sur 6

Mthode de Monte-Carlo

Un article de Wikipdia, l'encyclopdie libre. Aller : Navigation, rechercher Pour les articles homonymes, voir Monte-Carlo (homonymie). Le terme mthode de Monte-Carlo, ou mthode Monte-Carlo, dsigne toute mthode visant calculer une valeur numrique en utilisant des procds alatoires, c'est--dire des techniques probabilistes. Le nom de ces mthodes, qui fait allusion aux jeux de hasard pratiqus Monte-Carlo, a t invent en 1947 par Nicholas Metropolis[1], et publi pour la premire fois en 1949 dans un article co-crit avec Stanislas Ulam[2]. Les mthodes de Monte-Carlo sont particulirement utilises pour calculer des intgrales en dimensions plus grandes que 1 (en particulier, pour calculer des surfaces et des volumes). Elles sont galement couramment utilises en physique des particules, o des simulations probabilistes permettent d'estimer la forme d'un signal ou la sensibilit d'un dtecteur. La comparaison des donnes mesures ces simulations peut permettre de mettre en vidence des caractristiques inattendues, par exemple de nouvelles particules. La mthode de simulation de Monte-Carlo permet aussi d'introduire une approche statistique du risque dans une dcision financire. Elle consiste isoler un certain nombre de variablescls du projet, tels que le chiffre d'affaires ou la marge, et leur affecter une distribution de probabilits. Pour chacun de ces facteurs, un grand nombre de tirages alatoires est effectu dans les distributions de probabilit dtermines prcdemment, afin de trouver la probabilit d'occurrence de chacun des rsultats. Le vritable dveloppement des mthodes de Monte-Carlo s'est effectu sous l'impulsion de John von Neumann et Stanislas Ulam notamment, lors de la Seconde Guerre mondiale et des recherches sur la fabrication de la bombe atomique. Notamment, ils ont utilis ces mthodes probabilistes pour rsoudre des quations aux drives partielles dans le cadre de la MonteCarlo N-Particle transport (MCNP).

Sommaire
[masquer]

1 Thorie 2 Exemples o 2.1 Rsolution du Problme du voyageur de commerce o 2.2 Dtermination de la valeur de (pi) o 2.3 Dtermination de la superficie d'un lac o 2.4 Application au modle d'Ising o 2.5 Estimation de la valeur d'un coup au go o 2.6 Estimation de la valeur d'un coup aux checs 3 Notes et rfrences 4 Voir aussi o 4.1 Bibliographie o 4.2 Articles connexes

4.3 Liens externes

Thorie[modifier]
Nous disposons de l'expression de l'esprance mathmatique d'une fonction alatoire , rsultant du thorme de transfert, selon lequel de variable

o est une fonction de densit sur le support distribution uniforme sur :

. Il est frquent de prendre une

Ceci peut tre tendu aux probabilits discrtes en sommant grce une mesure type Dirac.

discrte, de

L'ide est de produire un chantillon de la loi (donc d'aprs la densit ) sur le support , et de calculer un nouvel estimateur dit de Monte-Carlo, partir de cet chantillon. La loi des grands nombres suggre de construire cet estimateur partir de la moyenne empirique :

qui se trouve tre, par ailleurs, un estimateur sans biais de l'esprance. Ceci est l'estimateur de Monte-Carlo. Nous voyons bien qu'en remplaant l'chantillon par un ensemble de valeurs prises dans le support d'une intgrale, et de la fonction intgrer, nous pouvons donc construire une approximation de sa valeur, construite statistiquement. Cette estimation est sans biais, dans le sens o

Il faut aussi quantifier la prcision de cette estimation, via la variance de . Si l'chantillon est suppos iid, cette variance est estime l'aide de la variance empirique

avec

Par le thorme de la limite centrale, on sait que la variable :

qui est centre et rduite, suit approximativement la loi normale centre rduite, ou loi de Gauss. Il est alors possible de construire des intervalles de confiance, ce qui permet d'encadrer l'erreur commise en remplaant G par . Si cette erreur est dnote , alors pour un niveau de risque donn, on a:

avec probabilit . Le rel exemple, au niveau de risque l'erreur est majore par commise, condition d'estimer

est le quantile de la loi normale centre rduite. Par , on trouve dans les tables et . Cette mthode permet donc de quantifier l'erreur par sa contre-partie empirique

On voit ainsi que l'erreur est de l'ordre de : par exemple, multiplier la taille de l'chantillon par 100 permet de diviser par 10 l'erreur d'estimation. Il est noter qu'en pratique, n'est pas connu et doit tre estim ; comme prcis plus haut, on peut utiliser sa contre-partie empirique. Diverses mthodes, dites techniques de rduction de la variance, permettent d'amliorer la prcision ou de diminuer le temps de calcul en remplaant par une autre variable alatoire. Ces techniques rentrent en gnral dans l'une des classes suivantes : l'chantillonnage prfrentiel, les variables de contrle, la variable antithtique, la stratification et le conditionnement.

Exemples[modifier]
Rsolution du Problme du voyageur de commerce[modifier]
La rsolution du problme du voyageur de commerce est difficile, du fait de la complexit du problme, l'emploi de mthodes d'optimisation probabilistes peut s'avrer efficace pour

obtenir une approximation de la meilleure solution, en un temps plus court que pour des mthodes dterministes.

Dtermination de la valeur de (pi)[modifier]


Cette mthode est proche de l'exprience de l'aiguille de Buffon. Soit un point de coordonnes et , o et . On tire

alatoirement les valeurs de rayon 1 si et seulement si 4 .

. Le point appartient au disque de centre de . La probabilit que le point appartienne au disque est

En faisant le rapport du nombre de points dans le disque au nombre de tirages, on obtient une approximation du nombre 4 si le nombre de tirages est grand.

Dtermination de la superficie d'un lac[modifier]


Cet exemple est un classique en vulgarisation de la mthode de Monte-Carlo. Soit une zone rectangulaire ou carre dont les cts sont de longueur connue. Au sein de cette aire se trouve un lac dont la superficie est inconnue. Grce aux mesures des cts de la zone, on connat l'aire du rectangle. Pour trouver l'aire du lac, on demande une arme de tirer X coups de canon de manire alatoire sur cette zone. On compte ensuite le nombre N de boulets qui sont rests sur le terrain ; on peut ainsi dterminer le nombre de boulets qui sont tombs dans le lac : X-N. Il suffit ensuite d'tablir un rapport entre les valeurs :

Par exemple, si le terrain fait 1 000 m2, que l'arme tire 500 boulets et que 100 projectiles sont tombs dans le lac, alors une estimation de la superficie du plan d'eau est de : 100*1000/500 = 200 m2.

La qualit de l'estimation s'amliore en augmentant le nombre de tirs et en s'assurant que les artilleurs ne visent pas toujours le mme endroit mais couvrent bien la zone. Cette dernire remarque est mettre en parallle avec la qualit du gnrateur alatoire qui est primordiale pour avoir de bons rsultats dans la mthode de Monte-Carlo. Un gnrateur biais est comme un canon qui tire toujours au mme endroit : les informations qu'il apporte sont rduites.

Application au modle d'Ising[modifier]


Article dtaill : Modle d'Ising. Cette section est vide, insuffisamment dtaille ou incomplte. Votre aide est la bienvenue !

Estimation de la valeur d'un coup au go[modifier]


Aux checs, il est facile de mesurer la valeur d'une position, et donc d'un coup y menant, en comptant le nombre de pices sur l'chiquier, en les pondrant (1 point par pion, 5 par tour...), et en ajustant la valeur trouve par les liberts, les protections des pices... Cela n'est pas possible au go. On a alors recours une analyse de Monte-Carlo : on joue "au hasard" un grand nombre de parties, et on comptabilise la proportion que l'on en gagne. Cette estimation statistique peut s'affiner en biaisant le hasard de faon viter les coups stupides. Voir l'article ddi.

Estimation de la valeur d'un coup aux checs[modifier]


Parfois, pour savoir si un coup ambigu doit tre fait (change de pices par exemple), lorsqu'on manque d'information, ou pour choisir entre plusieurs coups menant tous des pertes de matriel, il est possible de lancer plusieurs parties rapides au hasard, pour savoir quelle est la moins mauvaise ou la meilleure des solutions.

Notes et rfrences[modifier]
1. 2. Nicholas Metropolis, The Beginning of the Monte Carlo Method , dans Los Alamos Science, no 15, 1987, p. 125-130 [texte intgral [archive]] Nicholas Metropolis et Stanislas Ulam, The Monte Carlo Method , dans Journal of the American Statistical Association, vol. 44, no 247, septembre 1949, p. 335-341 [texte intgral [archive]].

Voir aussi[modifier]
Bibliographie[modifier]

(fr) Introduction to Monte Carlo Algorithm Werner Krauth - CNRS, Laboratoire de Physique Statistique, cole Normale Suprieure (en) Michael Mascagni, Advanced Monte Carlo Methods I & II, Cours du ETH de Zurich (2005/2006). [PDF] Notes de cours. On pourra galement consulter la page de prsentation du cours, qui contient de nombreuses rfrences disponibles au format en pdf. Simon Lger, Monte Carlo pour les nuls, 2006 [PDF] [lire en ligne] Une explication de la mthode de Monte-Carlo par le physicien Pierre Auger (en) Cours de problmes inverses par mthode de Monte Carlo - A. Tarantola, Institut de Physique du Globe de Paris

Articles connexes[modifier]

Simulation informatique, Simuler des processus se produisant des taux connus : Mthode de Monte-Carlo cintique. les techniques les plus efficaces de planification de mouvement utilisent des algorithmes probabilistes. Mthodes de rduction de la variance de l'estimateur de Monte Carlo : Importance sampling Physique statistique Filtre particulaire Algorithme de Las Vegas

Codes de simulation utilisant des mthodes de Monte-Carlo


Geant4 MCNP et MCNPX Tripoli-4