Utilisation d'échantillonnage aléatoire et de génération algorithmique de trajectoires pour approcher le comportement probabiliste, les propriétés de distribution ou l'évolution temporelle d'un modèle ou processus contenant de l'aléa ou de l'incertitude inhérente.

Principe

Instancier l'aléa conformément à des distributions ou dynamiques stochastiques spécifiées (échantillonnage Monte Carlo, échantillonnage d'importance, simulation de chaînes de Markov, intégration d'équations différentielles stochastiques), garantir la convergence statistique, contrôler la variance et quantifier l'erreur d'échantillonnage pour formuler des assertions probabilistes valides.

Démonstration

Exécuter des simulations Monte Carlo d'un modèle de portefeuille pour estimer la Value-at-Risk et les probabilités de queue ; simuler de nombreuses trajectoires d'un modèle EDS pour la dynamique de population afin d'estimer la probabilité d'extinction et la distribution des temps d'atteinte.

Mauvaise application

Utiliser trop peu d'échantillons ou des générateurs pseudo-aléatoires de mauvaise qualité entraînant une forte erreur d'échantillonnage, ne pas appliquer de réduction de variance lorsque nécessaire, ou employer un simple Monte Carlo pour l'estimation d'événements rares sans techniques spécialisées, produisant des estimations peu fiables.

Conséquence

Permet d'approximer empiriquement des distributions, le comportement des queues, des intervalles de confiance et des prévisions probabilistes quand les solutions analytiques font défaut, au prix d'une erreur d'échantillonnage qui doit être maîtrisée et rapportée.

Inversion

Simulation déterministe ou solution analytique : remplacer l'échantillonnage aléatoire par des entrées fixes ou une analyse en forme fermée pour obtenir des trajectoires ou des moments exacts lorsque l'aléa n'est pas essentiel ou lorsque des résultats analytiques existent.

Limite

Concerne l'approximation probabiliste par simulation ; exclut les solveurs numériques purement déterministes et exige que l'incertitude ou la stochasticité du modèle soit représentée explicitement — ne peut remplacer une mauvaise spécification structurelle du modèle.

Tension sémantique

Tension avec les méthodes probabilistes analytiques : la simulation offre de la flexibilité pour des modèles complexes mais échange perspicacité analytique et exactitude contre approximation numérique et variabilité d'échantillonnage ; le choix dépend de la traitabilité et de la précision requise.

Synthèse

La simulation stochastique génère des ensembles de réalisations aléatoires pour caractériser le comportement probabiliste d'un modèle, s'appuyant sur des algorithmes d'échantillonnage et le contrôle de la variance pour estimer distributions et risques quand les méthodes analytiques sont irréalisables, tout en reconnaissant les limites d'échantillonnage et les hypothèses du modèle.