Une famille de techniques numériques qui estiment des quantités (intégrales, espérances, probabilités, objectifs d'optimisation) par échantillonnage aléatoire et agrégation statistique, s'appuyant sur des lois probabilistes pour la convergence.

Principe

Exploiter la loi des grands nombres et le comportement central limite : approximer une espérance E[f(X)] par la moyenne empirique de f(X_i) pour des échantillons i.i.d. ou pondérés, quantifier l'erreur par la variance et des intervalles de confiance, et recourir à des réductions de variance pour gagner en efficacité.

Démonstration

Estimer une intégrale sur [0,1]^d en tirant N échantillons uniformes et en calculant la moyenne de f ; par exemple, approcher π en échantillonnant (x,y) dans le carré unité et en comptant la fraction à l'intérieur du cercle unité. L'erreur Monte Carlo décroît approximativement comme 1/√N en augmentant N.

Mauvaise application

Utiliser un Monte Carlo naïf sans évaluer la variance ou la dépendance (par ex. séquences pseudo-aléatoires trop corrélées, échantillons insuffisants, ou intégrandes à queue lourde ignorées) produit des estimations trompeuses ; considérer une convergence aussi rapide que la quadrature déterministe en haute dimension est une mauvaise application courante.

Conséquence

Fournit des estimateurs flexibles, robustes en dimension élevée, pour les intégrales et la quantification d'incertitude ; permet l'inférence probabiliste, l'optimisation stochastique et la simulation de modèles complexes inaccessibles aux méthodes déterministes.

Inversion

La quadrature déterministe ou le quasi-Monte Carlo remplacent l'aléa par un échantillonnage structuré ; le quasi-Monte Carlo peut obtenir des taux plus rapides pour des intégrandes lisses via des suites à faible discrépance, inversant le compromis aléa/variance au prix d'hypothèses différentes.

Limite

Nécessite un mécanisme d'échantillonnage (aléatoire ou à faible discrépance) et une quantification de l'erreur par la variance ; le taux asymptotique est typiquement O(N^{-1/2}) pour l'échantillonnage indépendant, donc Monte Carlo n'est pas systématiquement supérieur pour des intégrandes lisses en faible dimension où les méthodes déterministes convergent plus vite.

Tension sémantique

Tension avec l'intégration numérique déterministe et le quasi-Monte Carlo : Monte Carlo échange précision déterministe contre garanties statistiques et facilité en haute dimension, tandis que les méthodes quasi-déterministes réduisent la variance sous des hypothèses de régularité et peuvent battre un Monte Carlo naïf.

Synthèse

La Méthode De Monte Carlo transforme le hasard en ressource computationnelle : par l'échantillonnage et la moyenne, elle convertit des quantités analytiques intraitables en estimateurs avec erreur statistique quantifiable, particulièrement utile quand la dimension ou la complexité du modèle rend les alternatives déterministes impraticables.