{"id":1270,"date":"2026-08-21T14:31:32","date_gmt":"2026-08-21T14:31:32","guid":{"rendered":"https:\/\/matforge.org\/?p=1270","raw":"https:\/\/matforge.org\/?p=1270"},"modified":"2026-08-21T14:31:32","modified_gmt":"2026-08-21T14:31:32","slug":"monte-carlo-methods-for-scientific-simulations","status":"publish","type":"post","link":"https:\/\/matforge.org\/fr\/monte-carlo-methods-for-scientific-simulations\/","title":{"rendered":"M\u00e9thodes de Monte Carlo pour les simulations scientifiques : un guide Python","raw":"M\u00e9thodes de Monte Carlo pour les simulations scientifiques : un guide Python"},"content":{"rendered":"<span class=\"span-reading-time rt-reading-time\" style=\"display: block;\"><span class=\"rt-label rt-prefix\">Reading Time: <\/span> <span class=\"rt-time\"> 9<\/span> <span class=\"rt-label rt-postfix\">minutes<\/span><\/span><p>Les m\u00e9thodes de Monte Carlo utilisent un \u00e9chantillonnage al\u00e9atoire pour estimer les r\u00e9sultats pour des probl\u00e8mes trop complexes pour les solutions analytiques. En ex\u00e9cutant des milliers ou des millions d&rsquo;essais simul\u00e9s avec des entr\u00e9es al\u00e9atoires, vous pouvez cartographier la plage de comportements possibles dans un mod\u00e8le scientifique.<\/p>\n<p>Ces m\u00e9thodes sont utiles pour les limites d&rsquo;incertitude, l&rsquo;analyse de sensibilit\u00e9, la mod\u00e9lisation des mat\u00e9riaux, la simulation probabiliste et l&rsquo;int\u00e9gration num\u00e9rique de haute dimension.<\/p>\n<h2>Points \u00e0 retenir cl\u00e9s<\/h2>\n<ul>\n<li>Les m\u00e9thodes de Monte Carlo remplacent les calculs d\u00e9terministes par des \u00e9chantillonnages al\u00e9atoires r\u00e9p\u00e9t\u00e9s. Ils sont utiles pour les int\u00e9grales de grande dimension, la mod\u00e9lisation probabiliste et la quantification de l&rsquo;incertitude.<\/li>\n<li>L&rsquo;erreur type diminue proportionnellement \u00e0 <code>1 \/ \u221aN<\/code>. Cela signifie que vous avez besoin de 100 fois plus d&rsquo;\u00e9chantillons pour r\u00e9duire les erreurs de 10 fois.<\/li>\n<li>Les m\u00e9thodes quasi-Monte Carlo utilisent des points d\u00e9terministes \u00e0 faible divergence, tels que les s\u00e9quences SOBOL ou Halton, pour am\u00e9liorer la convergence des int\u00e9grandes lisses.<\/li>\n<li>La pile scientifique de Python, y compris NumPy, Scipy, QMCPy, Monaco et UQPY, prend en charge l&rsquo;\u00e9chantillonnage, la surveillance de la convergence et l&rsquo;analyse de l&rsquo;incertitude.<\/li>\n<\/ul>\n<h2>R\u00e9ponse rapide&nbsp;: quelles sont les m\u00e9thodes de Monte&nbsp;Carlo&nbsp;?<\/h2>\n<p>Les m\u00e9thodes de Monte Carlo sont des techniques de calcul qui estiment les r\u00e9sultats num\u00e9riques gr\u00e2ce \u00e0 un \u00e9chantillonnage al\u00e9atoire r\u00e9p\u00e9t\u00e9. Au lieu de r\u00e9soudre analytiquement une \u00e9quation complexe, vous \u00e9chantillonnez les entr\u00e9es des distributions de probabilit\u00e9, ex\u00e9cutez le mod\u00e8le, collectez la sortie et r\u00e9p\u00e9tez.<\/p>\n<p>La distribution des sorties r\u00e9v\u00e8le la gamme de comportements possibles et l&rsquo;incertitude qui leur est associ\u00e9e.<\/p>\n<p>Dans le calcul scientifique, les m\u00e9thodes de Monte Carlo sont courantes lorsqu&rsquo;un mod\u00e8le d\u00e9pend d&rsquo;entr\u00e9es incertaines, lorsque les grilles d\u00e9terministes deviennent trop ch\u00e8res ou lorsque les \u00e9quations sous-jacentes n&rsquo;ont pas de solution de forme ferm\u00e9e.<\/p>\n<h2>Pourquoi les m\u00e9thodes de Monte Carlo sont importantes dans le calcul scientifique<\/h2>\n<h3>Le probl\u00e8me de dimensionnalit\u00e9<\/h3>\n<p>Les m\u00e9thodes de grille d\u00e9terministes \u00e9voluent mal avec la dimension. Une grille avec 100 points dans chacune des 10 dimensions n\u00e9cessite environ <code>100\u00b9\u2070<\/code> ou <code>10\u00b2\u2070<\/code> des \u00e9valuations.<\/p>\n<p>Les m\u00e9thodes de Monte Carlo \u00e9vitent cette explosion de grille. Leur taux de convergence est lent, mais il ne d\u00e9pend pas directement de la dimension de la m\u00eame mani\u00e8re. Cela rend Monte Carlo pratique pour la quantification de l&rsquo;incertitude de haute dimension.<\/p>\n<h3>Quand Monte Carlo bat les m\u00e9thodes d\u00e9terministes<\/h3>\n<p>Les grilles d\u00e9terministes souffrent de la mal\u00e9diction de la dimensionnalit\u00e9. Les m\u00e9thodes de Monte Carlo sont mises \u00e0 l&rsquo;\u00e9chelle comme <code>O(N\u207b\u00b9\/\u00b2)<\/code>, ce qui est ind\u00e9pendant de la dimension dans l&rsquo;estimation de convergence standard.<\/p>\n<p>Pour les probl\u00e8mes avec de nombreux param\u00e8tres incertains, tels que l&rsquo;analyse de sensibilit\u00e9 dans de nombreuses propri\u00e9t\u00e9s de mat\u00e9riaux ou l&rsquo;int\u00e9gration de haute dimension, Monte Carlo peut \u00eatre la seule option pratique.<\/p>\n<h3>malentendu courant<\/h3>\n<p>Une erreur courante consiste \u00e0 utiliser Monte Carlo pour pr\u00e9dire un essai sp\u00e9cifique. Monte Carlo ne vous dit pas exactement ce qui va se passer dans une seule exp\u00e9rience. Il vous indique la r\u00e9partition des r\u00e9sultats possibles \u00e0 travers de nombreuses r\u00e9alisations.<\/p>\n<p>Vous utilisez cette distribution pour prendre des d\u00e9cisions. Par exemple, vous pouvez signaler qu&rsquo;il y a 5 % de chances qu&rsquo;une propri\u00e9t\u00e9 mat\u00e9rielle tombe en dessous d&rsquo;un seuil.<\/p>\n<h2>Comment fonctionnent les m\u00e9thodes de Monte Carlo<\/h2>\n<h3>La loi des grands nombres<\/h3>\n<p>Les m\u00e9thodes de Monte Carlo s&rsquo;appuient sur la loi des grands nombres. Si <code>X\u2081, X\u2082, ..., X\u2099<\/code> sont des variables al\u00e9atoires ind\u00e9pendantes et identiquement distribu\u00e9es avec une moyenne <code>\u03bc<\/code>, alors la moyenne de l&rsquo;\u00e9chantillon converge vers la valeur r\u00e9elle attendue \u00e0 mesure que le nombre d&rsquo;\u00e9chantillons augmente.<\/p>\n<pre><code>X\u0304_N = (1 \/ N) \u03a3 X\u1d62 \u2192 \u03bc as N \u2192 \u221e\n<\/code><\/pre>\n<p>Cela garantit que la moyenne de l&rsquo;\u00e9chantillon devient plus fiable \u00e0 mesure que le nombre d&rsquo;\u00e9chantillons augmente.<\/p>\n<h3>Le th\u00e9or\u00e8me central des limites et les intervalles de confiance<\/h3>\n<p>Le th\u00e9or\u00e8me central des limites explique pourquoi l&rsquo;erreur de Monte Carlo est souvent approximativement distribu\u00e9e pour les grands \u00e9chantillons.<\/p>\n<pre><code>\u221aN(X\u0304_N - \u03bc) \u2192 Normal(0, \u03c3\u00b2)\n<\/code><\/pre>\n<p>Cela donne l&rsquo;erreur standard :<\/p>\n<pre><code>SE = \u03c3 \/ \u221aN\n<\/code><\/pre>\n<p>Un intervalle de confiance courant \u00e0 95 % est :<\/p>\n<pre><code>X\u0304_N \u00b1 1.96 \u00d7 SE\n<\/code><\/pre>\n<p>L&rsquo;implication pratique est importante. Pour r\u00e9duire de 10 fois l&rsquo;erreur de simulation, vous avez g\u00e9n\u00e9ralement besoin de 100&nbsp;fois plus d&rsquo;\u00e9chantillons.<\/p>\n<h2>M\u00e9thodes d&rsquo;\u00e9chantillonnage de Monte Carlo<\/h2>\n<h3>Monte-Carlo standard<\/h3>\n<p>La norme Monte Carlo utilise des s\u00e9quences pseudo-al\u00e9atoires pour \u00e9chantillonner le domaine d&rsquo;entr\u00e9e. Les g\u00e9n\u00e9rateurs de nombres al\u00e9atoires de Numpy sont souvent suffisants pour les flux de travail initiaux.<\/p>\n<p>Avantages :<\/p>\n<ul>\n<li>Simple \u00e0 mettre en \u0153uvre.<\/li>\n<li>Le comportement de convergence est bien compris.<\/li>\n<li>Utile pour la propagation de l&rsquo;incertitude de grande dimension.<\/li>\n<\/ul>\n<p>Limites&nbsp;:<\/p>\n<ul>\n<li>La convergence est lente, avec la d\u00e9croissance de l&rsquo;erreur <code>O(N\u207b\u00b9\/\u00b2)<\/code>.<\/li>\n<li>Des \u00e9chantillons al\u00e9atoires peuvent se regrouper et laisser des lacunes.<\/li>\n<\/ul>\n<pre><code class=\"language-python\">import numpy as np\n\n# Simple Monte Carlo integration\nN = 1_000_000\n\nx = np.random.uniform(0, np.pi, N)\nintegrand = np.sin(x)\n\n# Integral over [0, pi] = interval length * average value\nmc_estimate = np.pi * np.mean(integrand)\nmc_std = np.pi * np.std(integrand) \/ np.sqrt(N)\n\nprint(f\"MC estimate: {mc_estimate:.6f} \u00b1 {1.96 * mc_std:.6f}\")\n<\/code><\/pre>\n<h3>Quasi-Monte-Carlo<\/h3>\n<p>Quasi-Monte Carlo remplace les nombres pseudo-al\u00e9atoires par des s\u00e9quences d\u00e9terministes de faible \u00e9cart. Ces points remplissent le domaine plus uniform\u00e9ment que les \u00e9chantillons al\u00e9atoires.<\/p>\n<p>Les s\u00e9quences courantes comprennent les s\u00e9quences de Sobol et Halton. Pour des int\u00e9grations fluides, QMC peut converger plus rapidement que le Monte Carlo standard.<\/p>\n<p>Avantages :<\/p>\n<ul>\n<li>Convergence plus rapide pour des probl\u00e8mes dimensionnels doux et faibles.<\/li>\n<li>donne souvent des estimations plus pr\u00e9cises avec moins d&rsquo;\u00e9chantillons.<\/li>\n<li>Les s\u00e9quences d\u00e9terministes am\u00e9liorent la reproductibilit\u00e9.<\/li>\n<\/ul>\n<p>Limites&nbsp;:<\/p>\n<ul>\n<li>Les avantages diminuent pour les int\u00e9grandes discontinues ou bruyantes.<\/li>\n<li>Les performances peuvent se d\u00e9grader dans des dimensions tr\u00e8s \u00e9lev\u00e9es.<\/li>\n<li>L&rsquo;estimation des erreurs n\u00e9cessite un QMC al\u00e9atoire.<\/li>\n<\/ul>\n<pre><code class=\"language-python\">import numpy as np\nfrom scipy.stats import qmc\n\n# QMC integration using a Sobol sequence\nm = 20\nN = 2**m\n\nsampler = qmc.Sobol(d=1, scramble=False)\nsample = sampler.random_base2(m=m)\n\nx = qmc.scale(sample, [0], [np.pi]).ravel()\nintegrand = np.sin(x)\n\nqmc_estimate = np.pi * np.mean(integrand)\n\nprint(f\"QMC estimate: {qmc_estimate:.6f}\")\n<\/code><\/pre>\n<p>La s\u00e9quence SOBOL est con\u00e7ue pour couvrir uniform\u00e9ment l&rsquo;espace multidimensionnel. L&rsquo;avantage est le plus visible pour les int\u00e9grandes lisses dans des dimensions faibles ou mod\u00e9r\u00e9es.<\/p>\n<h3>Quasi-Monte Carlo randomis\u00e9<\/h3>\n<p>Pure QMC est d\u00e9terministe, ce qui rend l&rsquo;estimation d&rsquo;erreurs probabiliste plus difficile. Quasi-Monte Carlo randomis\u00e9 r\u00e9sout cela en brouillant ou en d\u00e9calant des s\u00e9quences de faible \u00e9cart.<\/p>\n<p>RQMC conserve de nombreux avantages de QMC tout en permettant des intervalles de confiance. Cela le rend attrayant pour les flux de travail de quantification de l&rsquo;incertitude de production.<\/p>\n<h3>\u00c9chantillonnage stratifi\u00e9 et hypercube latin<\/h3>\n<p>L&rsquo;\u00e9chantillonnage stratifi\u00e9 divise le domaine d&rsquo;entr\u00e9e en sous-r\u00e9gions et pr\u00e9l\u00e8ve des \u00e9chantillons de chaque r\u00e9gion. Cela garantit une meilleure couverture que l&rsquo;\u00e9chantillonnage al\u00e9atoire pur.<\/p>\n<p>L&rsquo;\u00e9chantillonnage hypercube latin utilise une id\u00e9e similaire et est largement utilis\u00e9 pour l&rsquo;analyse de sensibilit\u00e9 globale. Il offre une meilleure couverture que Monte Carlo standard avec moins d&rsquo;\u00e9chantillons dans de nombreux cas pratiques.<\/p>\n<h2>Monte Carlo en science des mat\u00e9riaux et simulation<\/h2>\n<p>L&rsquo;\u00e9cosyst\u00e8me Python pour les m\u00e9thodes de Monte Carlo dans le calcul scientifique a consid\u00e9rablement \u00e9volu\u00e9. Les biblioth\u00e8ques couvrent d\u00e9sormais la simulation mol\u00e9culaire, la cin\u00e9tique de Monte Carlo, la quantification de l&rsquo;incertitude et les flux de travail d&rsquo;\u00e9chantillonnage.<\/p>\n<table class=\"custom-table\">\n<tbody>\n<tr>\n<th>Biblioth\u00e8que<\/th>\n<th>Concentrer<\/th>\n<th>caract\u00e9ristique cl\u00e9<\/th>\n<\/tr>\n<tr>\n<td>MOSDEF-GOMC<\/td>\n<td>simulation mol\u00e9culaire<\/td>\n<td>Interface Python pour Monte Carlo classique avec le moteur GOMC<\/td>\n<\/tr>\n<tr>\n<td>ASE-MC<\/td>\n<td>Simulations \u00e0 l&rsquo;\u00e9chelle atomique<\/td>\n<td>Fonctionnalit\u00e9 de Monte Carlo pour l&rsquo;environnement de simulation atomique<\/td>\n<\/tr>\n<tr>\n<td>kmcpy<\/td>\n<td>Cin\u00e9tique Monte-Carlo<\/td>\n<td>Monte-Carlo cin\u00e9tique sans rejet avec mod\u00e8les d&rsquo;extension de cluster<\/td>\n<\/tr>\n<tr>\n<td>py-mmd<\/td>\n<td>Dynamique mol\u00e9culaire<\/td>\n<td>Couche de workflow pour hybride Monte Carlo avec acc\u00e9l\u00e9ration GPU<\/td>\n<\/tr>\n<tr>\n<td>dl_monte<\/td>\n<td>G\u00e9n\u00e9ral Monte-Carlo<\/td>\n<td>Monte-Carlo polyvalent open-source avec de nombreux champs de force<\/td>\n<\/tr>\n<tr>\n<td>Monaco<\/td>\n<td>Quantification de l&rsquo;incertitude<\/td>\n<td>Biblioth\u00e8que Python pour l&rsquo;analyse de l&rsquo;incertitude de Monte Carlo<\/td>\n<\/tr>\n<tr>\n<td>uqy<\/td>\n<td>Quantification de l&rsquo;incertitude<\/td>\n<td>UQ complet avec \u00e9chantillonnage MC, LHS, SOBOL et Importance<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h2>Configurer un flux de travail Monte Carlo dans Python<\/h2>\n<h3>\u00c9tape&nbsp;1&nbsp;: D\u00e9finissez votre mod\u00e8le et vos entr\u00e9es incertaines<\/h3>\n<p>Commencez par identifier les entr\u00e9es incertaines et leur attribuer des distributions. Ne par d\u00e9faut pas les distributions uniformes parce qu&rsquo;elles sont faciles.<\/p>\n<p>Les propri\u00e9t\u00e9s des mat\u00e9riaux, les conditions aux limites et les \u00e9tats initiaux peuvent suivre des distributions gaussiennes, log-normales, Weibull ou d\u00e9limit\u00e9es en fonction de l&rsquo;incertitude de mesure exp\u00e9rimentale.<\/p>\n<pre><code class=\"language-python\">import numpy as np\n\nn_samples = 100_000\n\n# Material properties with example distributions\nthermal_conductivity = np.random.normal(15.0, 2.0, n_samples)\ndensity = np.random.normal(7800, 150, n_samples)\nspecific_heat = np.random.normal(500, 30, n_samples)\n\n# Time-dependent or rate-like parameter\nreaction_rate = np.random.lognormal(0.5, 0.2, n_samples)\n<\/code><\/pre>\n<h3>\u00c9tape&nbsp;2&nbsp;: Ex\u00e9cutez la simulation de Monte&nbsp;Carlo<\/h3>\n<p>Pour chaque jeu d&rsquo;\u00e9chantillons, \u00e9valuez votre mod\u00e8le. En science des mat\u00e9riaux, il peut s&rsquo;agir d&rsquo;un solveur d&rsquo;\u00e9quations thermiques, d&rsquo;un mod\u00e8le de champ de phase ou d&rsquo;une fonction de pr\u00e9diction de propri\u00e9t\u00e9.<\/p>\n<pre><code class=\"language-python\">import numpy as np\n\ndef thermal_response(k, rho, cp, time):\n    \"\"\"Simplified thermal response model.\"\"\"\n    return k \/ (rho * cp) * np.sqrt(time)\n\noutputs = thermal_response(\n    thermal_conductivity,\n    density,\n    specific_heat,\n    time=100\n)\n\nmean_response = np.mean(outputs)\nstd_response = np.std(outputs)\nci_lower = np.percentile(outputs, 2.5)\nci_upper = np.percentile(outputs, 97.5)\n\nprint(f\"Mean response: {mean_response:.4f}\")\nprint(f\"Standard deviation: {std_response:.4f}\")\nprint(f\"95% CI: [{ci_lower:.4f}, {ci_upper:.4f}]\")\n<\/code><\/pre>\n<h3>\u00c9tape&nbsp;3&nbsp;: Surveiller la convergence<\/h3>\n<p>Suivez l&rsquo;estimation \u00e0 mesure que le nombre d&rsquo;\u00e9chantillons augmente. Une simulation bien converg\u00e9e doit montrer une moyenne de course stabilisatrice et une erreur standard de r\u00e9tr\u00e9cissement.<\/p>\n<pre><code class=\"language-python\">import numpy as np\nimport matplotlib.pyplot as plt\n\nconvergence_data = []\n\nfor n in [100, 500, 1000, 5000, 10000, 50000, 100000]:\n    partial = outputs[:n]\n    mean = np.mean(partial)\n    stderr = np.std(partial) \/ np.sqrt(n)\n    convergence_data.append((n, mean, stderr))\n\nn_values, means, stderrs = zip(*convergence_data)\n\nplt.errorbar(n_values, means, yerr=stderrs, marker=\"o\")\nplt.xscale(\"log\")\nplt.xlabel(\"Number of samples\")\nplt.ylabel(\"Running mean\")\nplt.title(\"Monte Carlo convergence monitoring\")\nplt.savefig(\"monte-carlo-convergence.svg\")\n<\/code><\/pre>\n<h2>Quand utiliser l&rsquo;\u00e9chantillonnage MC vs QMC standard ou stratifi\u00e9<\/h2>\n<table class=\"custom-table\">\n<tbody>\n<tr>\n<th>Sc\u00e9nario<\/th>\n<th>M\u00e9thode recommand\u00e9e<\/th>\n<th>Pourquoi<\/th>\n<\/tr>\n<tr>\n<td>Incertitude de grande dimension, telle que plus de 10 dimensions<\/td>\n<td>Monte-Carlo standard<\/td>\n<td>L&rsquo;avantage QMC peut se d\u00e9grader, tandis que MC reste largement fiable<\/td>\n<\/tr>\n<tr>\n<td>Int\u00e9grande lisse avec une dimension mod\u00e9r\u00e9e<\/td>\n<td>QMC avec s\u00e9quences SOBOL<\/td>\n<td>Convergence plus rapide et moins d&rsquo;\u00e9chantillons pour la m\u00eame pr\u00e9cision<\/td>\n<\/tr>\n<tr>\n<td>Int\u00e9grand discontinu ou bruyant<\/td>\n<td>Monte-Carlo standard<\/td>\n<td>L&rsquo;avantage QMC dispara\u00eet souvent pour les fonctions non lisses<\/td>\n<\/tr>\n<tr>\n<td>Besoin de limites d&rsquo;erreur et de convergence plus rapide<\/td>\n<td>QMC al\u00e9atoire<\/td>\n<td>Conserve les avantages de QMC tout en permettant une estimation probabiliste des erreurs<\/td>\n<\/tr>\n<tr>\n<td>Analyse globale de sensibilit\u00e9<\/td>\n<td>\u00c9chantillonnage hypercube latin<\/td>\n<td>Am\u00e9liore la couverture et prend en charge la r\u00e9duction efficace de la variance<\/td>\n<\/tr>\n<tr>\n<td>Reproductibilit\u00e9 stricte sans variation al\u00e9atoire<\/td>\n<td>QMC<\/td>\n<td>Les s\u00e9quences d\u00e9terministes sont reproductibles par construction<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<h3>Ce que nous recommandons<\/h3>\n<p>Pour la plupart des workflows de science des mat\u00e9riaux et de simulation scientifique, l&rsquo;\u00e9chantillonnage stratifi\u00e9 ou l&rsquo;\u00e9chantillonnage hypercube latin fournit un bon \u00e9quilibre entre la rigueur statistique et l&rsquo;efficacit\u00e9 de calcul.<\/p>\n<p>Utilisez QMC lorsque la r\u00e9ponse du mod\u00e8le est lisse et que la dimensionnalit\u00e9 est mod\u00e9r\u00e9e. Utilisez le QMC al\u00e9atoire lorsque vous avez besoin \u00e0 la fois d&rsquo;une estimation plus rapide et d&rsquo;un intervalle de confiance.<\/p>\n<h2>erreurs courantes et comment les \u00e9viter<\/h2>\n<h3>1. Utiliser trop peu d&rsquo;\u00e9chantillons<\/h3>\n<p>L&rsquo;erreur la plus courante consiste \u00e0 ex\u00e9cuter trop peu d&rsquo;\u00e9chantillons et \u00e0 traiter le r\u00e9sultat comme final. Signalez toujours les erreurs standard et les intervalles de confiance avec des estimations ponctuelles. Surveillez la convergence avec la moyenne d&rsquo;ex\u00e9cution et l&rsquo;erreur standard.<\/p>\n<h3>2. Hypoth\u00e8ses de distribution erron\u00e9es<\/h3>\n<p>N&rsquo;attribuez pas de distributions uniformes \u00e0 chaque param\u00e8tre par d\u00e9faut. Utilisez les plages d&rsquo;incertitude mesur\u00e9es lorsqu&rsquo;elles sont disponibles. Une distribution uniforme peut surestimer les queues, tandis qu&rsquo;une distribution normale peut d\u00e9former les param\u00e8tres born\u00e9s.<\/p>\n<h3>3. Ignorer l&rsquo;autocorr\u00e9lation<\/h3>\n<p>Dans la cha\u00eene de Markov, Monte Carlo ou Monte Carlo cin\u00e9tique, des \u00e9chantillons successifs peuvent \u00eatre corr\u00e9l\u00e9s. La formule d&rsquo;erreur standard suppose l&rsquo;ind\u00e9pendance. Si les \u00e9chantillons sont auto-corr\u00e9l\u00e9s, calculez la taille effective de l&rsquo;\u00e9chantillon ou le temps d&rsquo;autocorr\u00e9lation int\u00e9gr\u00e9 avant d&rsquo;interpr\u00e9ter les r\u00e9sultats.<\/p>\n<h3>4. Ne pas documenter les graines al\u00e9atoires<\/h3>\n<p>La reproductibilit\u00e9 n\u00e9cessite le suivi des graines al\u00e9atoires et des param\u00e8tres de g\u00e9n\u00e9rateur de nombres al\u00e9atoires. Toute personne reproduisant le flux de travail doit pouvoir g\u00e9n\u00e9rer la m\u00eame s\u00e9quence d&rsquo;\u00e9chantillons en cas de besoin.<\/p>\n<h2>Suivi de la convergence et des r\u00e8gles d&rsquo;arr\u00eat<\/h2>\n<p>Une simulation de Monte Carlo n&rsquo;est termin\u00e9e que lorsque l&rsquo;estimation s&rsquo;est suffisamment stabilis\u00e9e pour la d\u00e9cision que vous devez prendre.<\/p>\n<p>Les r\u00e8gles d&rsquo;arr\u00eat courantes comprennent&nbsp;:<\/p>\n<ul>\n<li>Taille d&rsquo;\u00e9chantillon fixe. Choisissez <code>N<\/code> en fonction du budget de calcul et de la tol\u00e9rance aux erreurs cibles.<\/li>\n<li>Intervalle de confiance \u00e0 largeur fixe. Arr\u00eatez-vous lorsque la largeur de l&rsquo;intervalle de confiance tombe en dessous d&rsquo;un seuil.<\/li>\n<li>crit\u00e8re de convergence. Arr\u00eatez-vous lorsque la moyenne en cours change moins d&rsquo;une tol\u00e9rance choisie entre les lots.<\/li>\n<\/ul>\n<p>La bonne r\u00e8gle d\u00e9pend si votre flux de travail a un budget difficile ou une exigence de pr\u00e9cision. Dans les pipelines de recherche, les intervalles de confiance \u00e0 largeur fixe sont souvent les plus utiles.<\/p>\n<h2>Ce qu&rsquo;il faut \u00e9viter<\/h2>\n<ul>\n<li>Ex\u00e9cution de simulations uniques sans quantifier l&rsquo;incertitude. Ce n&rsquo;est pas Monte Carlo ; Ce n&rsquo;est qu&rsquo;une simulation.<\/li>\n<li>Signaler une estimation de Monte Carlo comme valeur pr\u00e9cise. Toujours inclure l&rsquo;incertitude, comme un intervalle de confiance ou une erreur standard.<\/li>\n<li>Utilisation d&rsquo;un \u00e9chantillonnage d\u00e9terministe de grille pour les espaces de param\u00e8tres de grande dimension. Cela conduit \u00e0 la mal\u00e9diction de la dimensionnalit\u00e9.<\/li>\n<li>Ignorer l&rsquo;autocorr\u00e9lation dans les flux de travail MCMC ou cin\u00e9tique de Monte Carlo.<\/li>\n<li>En supposant une convergence \u00e0 partir d&rsquo;un seul complot en cours d&rsquo;ex\u00e9cution. V\u00e9rifiez \u00e9galement les tendances des erreurs standard.<\/li>\n<\/ul>\n<h2>R\u00e9sum\u00e9 et \u00e9tapes suivantes<\/h2>\n<p>Les m\u00e9thodes de Monte Carlo sont un outil essentiel pour la quantification de l&rsquo;incertitude et la mod\u00e9lisation probabiliste dans le calcul scientifique. Ils fournissent :<\/p>\n<ol>\n<li>\u00c9volutivit\u00e9 ind\u00e9pendante des dimensions pour les probl\u00e8mes de grande dimension.<\/li>\n<li>L&rsquo;enracinement statistique par la loi des grands nombres et le th\u00e9or\u00e8me central des limites.<\/li>\n<li>Estimations pratiques de l&rsquo;incertitude \u00e0 travers des intervalles de confiance.<\/li>\n<li>Strat\u00e9gies d&rsquo;\u00e9chantillonnage flexibles telles que MC, QMC, LHS et RQMC standard.<\/li>\n<\/ol>\n<p>Si vous commencez par une simulation de Monte Carlo, commencez par un hypercube latin ou un \u00e9chantillonnage stratifi\u00e9 en Python. Utilisez <code>numpy.random<\/code> ou <code>scipy.stats.qmc<\/code> pour les exp\u00e9riences initiales, puis passez aux biblioth\u00e8ques UQ d\u00e9di\u00e9es \u00e0 mesure que vos mod\u00e8les deviennent plus complexes.<\/p>\n<h3>Prochaines \u00e9tapes<\/h3>\n<ul>\n<li>Caract\u00e9risez exp\u00e9rimentalement les entr\u00e9es incertaines au lieu de deviner les distributions.<\/li>\n<li>Commencez avec 1&nbsp;000&nbsp;\u00e9chantillons et v\u00e9rifiez la convergence, puis augmentez.<\/li>\n<li>Signalez les intervalles d&rsquo;erreurs standard et de confiance avec des estimations ponctuelles<\/li>\n<li>Documenter les graines al\u00e9atoires et les s\u00e9quences d&rsquo;\u00e9chantillonnage pour la reproductibilit\u00e9.<\/li>\n<\/ul>\n<h2>Guides connexes<\/h2>\n<p>Pour les sujets connexes dans les flux de travail de simulation scientifique&nbsp;:<\/p>\n<ul>\n<li><a href=\"\/validation-and-verification-for-pde-simulations-practical-framework\/\">V\u00e9rification et validation des simulations PDE<\/a> &#8211; cadre V&amp;v incluant la quantification de l&rsquo;incertitude.<\/li>\n<li><a href=\"\/from-equations-to-simulations-the-modeling-pipeline\/\">Des \u00e9quations aux simulations&nbsp;: le pipeline de mod\u00e9lisation<\/a> &#8211; flux de travail de simulation de bout en bout des \u00e9quations aux r\u00e9sultats valid\u00e9s.<\/li>\n<li><a href=\"\/machine-learning-surrogates-scientific-simulations\/\">supports d&rsquo;apprentissage automatique pour les simulations scientifiques<\/a> &#8211; quand utiliser les substituts par rapport \u00e0 l&rsquo;\u00e9chantillonnage de Monte Carlo.<\/li>\n<li><a href=\"\/reproducible-research-workflows-docker-and-conda-for-simulation-projects\/\">Flows de recherche reproductibles<\/a> \u2014 Pratiques de reproductibilit\u00e9 pour les pipelines de simulation.<\/li>\n<\/ul>\n<h2>R\u00e9f\u00e9rences<\/h2>\n<ol>\n<li>Caflisch, R.E., &amp; Mosolova, N. (1998). <em>M\u00e9thodes de Monte Carlo et Quasi-Monte Carlo<\/em>. Rapport UCLA CAM.<\/li>\n<li>Oberkampf, W.L., &amp; Roy, C.J. (2010). <em>V\u00e9rification et validation dans le calcul scientifique<\/em>. Cambridge University Press.<\/li>\n<li>Sorokin, A.&nbsp;G. (2024). <em>Un cadre Python pour les algorithmes Quasi-Monte Carlo<\/em>. Journal des logiciels open source.<\/li>\n<li>Shambaugh, W.S., et al. (2022). <em>Monaco&nbsp;: une biblioth\u00e8que de Monte Carlo pour effectuer une analyse d&rsquo;incertitude<\/em>. Proc\u00e9dures scientifiques.<\/li>\n<li>Tsap\u00e8te, D., et al. (2023). <em>UQPY v4.1&nbsp;: Quantification de l&rsquo;incertitude avec Python<\/em>. Progr\u00e8s en mati\u00e8re de pronostic et d&rsquo;ing\u00e9nierie de fiabilit\u00e9.<\/li>\n<li>Tenn\u00f8e, S., et al. (2018). <em>Uncertainpy&nbsp;: une bo\u00eete \u00e0 outils Python pour la quantification de l&rsquo;incertitude et l&rsquo;analyse de sensibilit\u00e9<\/em>. Fronti\u00e8res en neuroinformatique.<\/li>\n<li>Case, G., et al. (2025). <em>M\u00e9thodes de Monte Carlo pour une tarification d\u00e9riv\u00e9e am\u00e9lior\u00e9e<\/em>. Pr\u00e9impression arxiv.<\/li>\n<li>Van Huffel, M.E. (2026). <em>S\u00e9quences neurales \u00e0 faible discordance<\/em>. OpenReview.<\/li>\n<\/ol>\n<h2>Besoin d&rsquo;aide pour mettre en place des m\u00e9thodes de Monte Carlo pour votre simulation ?<\/h2>\n<p>Si vous avez des difficult\u00e9s avec les pipelines de quantification de l&rsquo;incertitude, la strat\u00e9gie d&rsquo;\u00e9chantillonnage, la surveillance de la convergence ou la validation de Monte Carlo, notre \u00e9quipe peut vous aider. Nous nous sp\u00e9cialisons dans les cadres de simulation bas\u00e9s sur Python et pouvons vous guider, des scripts d&rsquo;\u00e9chantillonnage de base aux flux de travail UQ de niveau de production.<\/p>\n","protected":false,"raw":"<p>Les m\u00e9thodes de Monte Carlo utilisent un \u00e9chantillonnage al\u00e9atoire pour estimer les r\u00e9sultats pour des probl\u00e8mes trop complexes pour les solutions analytiques. En ex\u00e9cutant des milliers ou des millions d'essais simul\u00e9s avec des entr\u00e9es al\u00e9atoires, vous pouvez cartographier la plage de comportements possibles dans un mod\u00e8le scientifique.<\/p>\n<p>Ces m\u00e9thodes sont utiles pour les limites d'incertitude, l'analyse de sensibilit\u00e9, la mod\u00e9lisation des mat\u00e9riaux, la simulation probabiliste et l'int\u00e9gration num\u00e9rique de haute dimension.<\/p>\n<h2>Points \u00e0 retenir cl\u00e9s<\/h2>\n<ul>\n<li>Les m\u00e9thodes de Monte Carlo remplacent les calculs d\u00e9terministes par des \u00e9chantillonnages al\u00e9atoires r\u00e9p\u00e9t\u00e9s. Ils sont utiles pour les int\u00e9grales de grande dimension, la mod\u00e9lisation probabiliste et la quantification de l'incertitude.<\/li>\n<li>L'erreur type diminue proportionnellement \u00e0 <code>1 \/ \u221aN<\/code>. Cela signifie que vous avez besoin de 100 fois plus d'\u00e9chantillons pour r\u00e9duire les erreurs de 10 fois.<\/li>\n<li>Les m\u00e9thodes quasi-Monte Carlo utilisent des points d\u00e9terministes \u00e0 faible divergence, tels que les s\u00e9quences SOBOL ou Halton, pour am\u00e9liorer la convergence des int\u00e9grandes lisses.<\/li>\n<li>La pile scientifique de Python, y compris NumPy, Scipy, QMCPy, Monaco et UQPY, prend en charge l'\u00e9chantillonnage, la surveillance de la convergence et l'analyse de l'incertitude.<\/li>\n<\/ul>\n<h2>R\u00e9ponse rapide&nbsp;: quelles sont les m\u00e9thodes de Monte&nbsp;Carlo&nbsp;?<\/h2>\n<p>Les m\u00e9thodes de Monte Carlo sont des techniques de calcul qui estiment les r\u00e9sultats num\u00e9riques gr\u00e2ce \u00e0 un \u00e9chantillonnage al\u00e9atoire r\u00e9p\u00e9t\u00e9. Au lieu de r\u00e9soudre analytiquement une \u00e9quation complexe, vous \u00e9chantillonnez les entr\u00e9es des distributions de probabilit\u00e9, ex\u00e9cutez le mod\u00e8le, collectez la sortie et r\u00e9p\u00e9tez.<\/p>\n<p>La distribution des sorties r\u00e9v\u00e8le la gamme de comportements possibles et l'incertitude qui leur est associ\u00e9e.<\/p>\n<p>Dans le calcul scientifique, les m\u00e9thodes de Monte Carlo sont courantes lorsqu'un mod\u00e8le d\u00e9pend d'entr\u00e9es incertaines, lorsque les grilles d\u00e9terministes deviennent trop ch\u00e8res ou lorsque les \u00e9quations sous-jacentes n'ont pas de solution de forme ferm\u00e9e.<\/p>\n<h2>Pourquoi les m\u00e9thodes de Monte Carlo sont importantes dans le calcul scientifique<\/h2>\n<h3>Le probl\u00e8me de dimensionnalit\u00e9<\/h3>\n<p>Les m\u00e9thodes de grille d\u00e9terministes \u00e9voluent mal avec la dimension. Une grille avec 100 points dans chacune des 10 dimensions n\u00e9cessite environ <code>100\u00b9\u2070<\/code> ou <code>10\u00b2\u2070<\/code> des \u00e9valuations.<\/p>\n<p>Les m\u00e9thodes de Monte Carlo \u00e9vitent cette explosion de grille. Leur taux de convergence est lent, mais il ne d\u00e9pend pas directement de la dimension de la m\u00eame mani\u00e8re. Cela rend Monte Carlo pratique pour la quantification de l'incertitude de haute dimension.<\/p>\n<h3>Quand Monte Carlo bat les m\u00e9thodes d\u00e9terministes<\/h3>\n<p>Les grilles d\u00e9terministes souffrent de la mal\u00e9diction de la dimensionnalit\u00e9. Les m\u00e9thodes de Monte Carlo sont mises \u00e0 l'\u00e9chelle comme <code>O(N\u207b\u00b9\/\u00b2)<\/code>, ce qui est ind\u00e9pendant de la dimension dans l'estimation de convergence standard.<\/p>\n<p>Pour les probl\u00e8mes avec de nombreux param\u00e8tres incertains, tels que l'analyse de sensibilit\u00e9 dans de nombreuses propri\u00e9t\u00e9s de mat\u00e9riaux ou l'int\u00e9gration de haute dimension, Monte Carlo peut \u00eatre la seule option pratique.<\/p>\n<h3>malentendu courant<\/h3>\n<p>Une erreur courante consiste \u00e0 utiliser Monte Carlo pour pr\u00e9dire un essai sp\u00e9cifique. Monte Carlo ne vous dit pas exactement ce qui va se passer dans une seule exp\u00e9rience. Il vous indique la r\u00e9partition des r\u00e9sultats possibles \u00e0 travers de nombreuses r\u00e9alisations.<\/p>\n<p>Vous utilisez cette distribution pour prendre des d\u00e9cisions. Par exemple, vous pouvez signaler qu'il y a 5 % de chances qu'une propri\u00e9t\u00e9 mat\u00e9rielle tombe en dessous d'un seuil.<\/p>\n<h2>Comment fonctionnent les m\u00e9thodes de Monte Carlo<\/h2>\n<h3>La loi des grands nombres<\/h3>\n<p>Les m\u00e9thodes de Monte Carlo s'appuient sur la loi des grands nombres. Si <code>X\u2081, X\u2082, ..., X\u2099<\/code> sont des variables al\u00e9atoires ind\u00e9pendantes et identiquement distribu\u00e9es avec une moyenne <code>\u03bc<\/code>, alors la moyenne de l'\u00e9chantillon converge vers la valeur r\u00e9elle attendue \u00e0 mesure que le nombre d'\u00e9chantillons augmente.<\/p>\n<pre><code>X\u0304_N = (1 \/ N) \u03a3 X\u1d62 \u2192 \u03bc as N \u2192 \u221e\n<\/code><\/pre>\n<p>Cela garantit que la moyenne de l'\u00e9chantillon devient plus fiable \u00e0 mesure que le nombre d'\u00e9chantillons augmente.<\/p>\n<h3>Le th\u00e9or\u00e8me central des limites et les intervalles de confiance<\/h3>\n<p>Le th\u00e9or\u00e8me central des limites explique pourquoi l'erreur de Monte Carlo est souvent approximativement distribu\u00e9e pour les grands \u00e9chantillons.<\/p>\n<pre><code>\u221aN(X\u0304_N - \u03bc) \u2192 Normal(0, \u03c3\u00b2)\n<\/code><\/pre>\n<p>Cela donne l'erreur standard :<\/p>\n<pre><code>SE = \u03c3 \/ \u221aN\n<\/code><\/pre>\n<p>Un intervalle de confiance courant \u00e0 95 % est :<\/p>\n<pre><code>X\u0304_N \u00b1 1.96 \u00d7 SE\n<\/code><\/pre>\n<p>L'implication pratique est importante. Pour r\u00e9duire de 10 fois l'erreur de simulation, vous avez g\u00e9n\u00e9ralement besoin de 100&nbsp;fois plus d'\u00e9chantillons.<\/p>\n<h2>M\u00e9thodes d'\u00e9chantillonnage de Monte Carlo<\/h2>\n<h3>Monte-Carlo standard<\/h3>\n<p>La norme Monte Carlo utilise des s\u00e9quences pseudo-al\u00e9atoires pour \u00e9chantillonner le domaine d'entr\u00e9e. Les g\u00e9n\u00e9rateurs de nombres al\u00e9atoires de Numpy sont souvent suffisants pour les flux de travail initiaux.<\/p>\n<p>Avantages :<\/p>\n<ul>\n<li>Simple \u00e0 mettre en \u0153uvre.<\/li>\n<li>Le comportement de convergence est bien compris.<\/li>\n<li>Utile pour la propagation de l'incertitude de grande dimension.<\/li>\n<\/ul>\n<p>Limites&nbsp;:<\/p>\n<ul>\n<li>La convergence est lente, avec la d\u00e9croissance de l'erreur <code>O(N\u207b\u00b9\/\u00b2)<\/code>.<\/li>\n<li>Des \u00e9chantillons al\u00e9atoires peuvent se regrouper et laisser des lacunes.<\/li>\n<\/ul>\n<pre><code class=\"language-python\">import numpy as np\n\n# Simple Monte Carlo integration\nN = 1_000_000\n\nx = np.random.uniform(0, np.pi, N)\nintegrand = np.sin(x)\n\n# Integral over [0, pi] = interval length * average value\nmc_estimate = np.pi * np.mean(integrand)\nmc_std = np.pi * np.std(integrand) \/ np.sqrt(N)\n\nprint(f\"MC estimate: {mc_estimate:.6f} \u00b1 {1.96 * mc_std:.6f}\")\n<\/code><\/pre>\n<h3>Quasi-Monte-Carlo<\/h3>\n<p>Quasi-Monte Carlo remplace les nombres pseudo-al\u00e9atoires par des s\u00e9quences d\u00e9terministes de faible \u00e9cart. Ces points remplissent le domaine plus uniform\u00e9ment que les \u00e9chantillons al\u00e9atoires.<\/p>\n<p>Les s\u00e9quences courantes comprennent les s\u00e9quences de Sobol et Halton. Pour des int\u00e9grations fluides, QMC peut converger plus rapidement que le Monte Carlo standard.<\/p>\n<p>Avantages :<\/p>\n<ul>\n<li>Convergence plus rapide pour des probl\u00e8mes dimensionnels doux et faibles.<\/li>\n<li>donne souvent des estimations plus pr\u00e9cises avec moins d'\u00e9chantillons.<\/li>\n<li>Les s\u00e9quences d\u00e9terministes am\u00e9liorent la reproductibilit\u00e9.<\/li>\n<\/ul>\n<p>Limites&nbsp;:<\/p>\n<ul>\n<li>Les avantages diminuent pour les int\u00e9grandes discontinues ou bruyantes.<\/li>\n<li>Les performances peuvent se d\u00e9grader dans des dimensions tr\u00e8s \u00e9lev\u00e9es.<\/li>\n<li>L'estimation des erreurs n\u00e9cessite un QMC al\u00e9atoire.<\/li>\n<\/ul>\n<pre><code class=\"language-python\">import numpy as np\nfrom scipy.stats import qmc\n\n# QMC integration using a Sobol sequence\nm = 20\nN = 2**m\n\nsampler = qmc.Sobol(d=1, scramble=False)\nsample = sampler.random_base2(m=m)\n\nx = qmc.scale(sample, [0], [np.pi]).ravel()\nintegrand = np.sin(x)\n\nqmc_estimate = np.pi * np.mean(integrand)\n\nprint(f\"QMC estimate: {qmc_estimate:.6f}\")\n<\/code><\/pre>\n<p>La s\u00e9quence SOBOL est con\u00e7ue pour couvrir uniform\u00e9ment l'espace multidimensionnel. L'avantage est le plus visible pour les int\u00e9grandes lisses dans des dimensions faibles ou mod\u00e9r\u00e9es.<\/p>\n<h3>Quasi-Monte Carlo randomis\u00e9<\/h3>\n<p>Pure QMC est d\u00e9terministe, ce qui rend l'estimation d'erreurs probabiliste plus difficile. Quasi-Monte Carlo randomis\u00e9 r\u00e9sout cela en brouillant ou en d\u00e9calant des s\u00e9quences de faible \u00e9cart.<\/p>\n<p>RQMC conserve de nombreux avantages de QMC tout en permettant des intervalles de confiance. Cela le rend attrayant pour les flux de travail de quantification de l'incertitude de production.<\/p>\n<h3>\u00c9chantillonnage stratifi\u00e9 et hypercube latin<\/h3>\n<p>L'\u00e9chantillonnage stratifi\u00e9 divise le domaine d'entr\u00e9e en sous-r\u00e9gions et pr\u00e9l\u00e8ve des \u00e9chantillons de chaque r\u00e9gion. Cela garantit une meilleure couverture que l'\u00e9chantillonnage al\u00e9atoire pur.<\/p>\n<p>L'\u00e9chantillonnage hypercube latin utilise une id\u00e9e similaire et est largement utilis\u00e9 pour l'analyse de sensibilit\u00e9 globale. Il offre une meilleure couverture que Monte Carlo standard avec moins d'\u00e9chantillons dans de nombreux cas pratiques.<\/p>\n<h2>Monte Carlo en science des mat\u00e9riaux et simulation<\/h2>\n<p>L'\u00e9cosyst\u00e8me Python pour les m\u00e9thodes de Monte Carlo dans le calcul scientifique a consid\u00e9rablement \u00e9volu\u00e9. Les biblioth\u00e8ques couvrent d\u00e9sormais la simulation mol\u00e9culaire, la cin\u00e9tique de Monte Carlo, la quantification de l'incertitude et les flux de travail d'\u00e9chantillonnage.<\/p>\n<table class=\"custom-table\">\n<tbody><tr>\n<th>Biblioth\u00e8que<\/th>\n<th>Concentrer<\/th>\n<th>caract\u00e9ristique cl\u00e9<\/th>\n<\/tr>\n<tr>\n<td>MOSDEF-GOMC<\/td>\n<td>simulation mol\u00e9culaire<\/td>\n<td>Interface Python pour Monte Carlo classique avec le moteur GOMC<\/td>\n<\/tr>\n<tr>\n<td>ASE-MC<\/td>\n<td>Simulations \u00e0 l'\u00e9chelle atomique<\/td>\n<td>Fonctionnalit\u00e9 de Monte Carlo pour l'environnement de simulation atomique<\/td>\n<\/tr>\n<tr>\n<td>kmcpy<\/td>\n<td>Cin\u00e9tique Monte-Carlo<\/td>\n<td>Monte-Carlo cin\u00e9tique sans rejet avec mod\u00e8les d'extension de cluster<\/td>\n<\/tr>\n<tr>\n<td>py-mmd<\/td>\n<td>Dynamique mol\u00e9culaire<\/td>\n<td>Couche de workflow pour hybride Monte Carlo avec acc\u00e9l\u00e9ration GPU<\/td>\n<\/tr>\n<tr>\n<td>dl_monte<\/td>\n<td>G\u00e9n\u00e9ral Monte-Carlo<\/td>\n<td>Monte-Carlo polyvalent open-source avec de nombreux champs de force<\/td>\n<\/tr>\n<tr>\n<td>Monaco<\/td>\n<td>Quantification de l'incertitude<\/td>\n<td>Biblioth\u00e8que Python pour l'analyse de l'incertitude de Monte Carlo<\/td>\n<\/tr>\n<tr>\n<td>uqy<\/td>\n<td>Quantification de l'incertitude<\/td>\n<td>UQ complet avec \u00e9chantillonnage MC, LHS, SOBOL et Importance<\/td>\n<\/tr>\n<\/tbody><\/table>\n<h2>Configurer un flux de travail Monte Carlo dans Python<\/h2>\n<h3>\u00c9tape&nbsp;1&nbsp;: D\u00e9finissez votre mod\u00e8le et vos entr\u00e9es incertaines<\/h3>\n<p>Commencez par identifier les entr\u00e9es incertaines et leur attribuer des distributions. Ne par d\u00e9faut pas les distributions uniformes parce qu'elles sont faciles.<\/p>\n<p>Les propri\u00e9t\u00e9s des mat\u00e9riaux, les conditions aux limites et les \u00e9tats initiaux peuvent suivre des distributions gaussiennes, log-normales, Weibull ou d\u00e9limit\u00e9es en fonction de l'incertitude de mesure exp\u00e9rimentale.<\/p>\n<pre><code class=\"language-python\">import numpy as np\n\nn_samples = 100_000\n\n# Material properties with example distributions\nthermal_conductivity = np.random.normal(15.0, 2.0, n_samples)\ndensity = np.random.normal(7800, 150, n_samples)\nspecific_heat = np.random.normal(500, 30, n_samples)\n\n# Time-dependent or rate-like parameter\nreaction_rate = np.random.lognormal(0.5, 0.2, n_samples)\n<\/code><\/pre>\n<h3>\u00c9tape&nbsp;2&nbsp;: Ex\u00e9cutez la simulation de Monte&nbsp;Carlo<\/h3>\n<p>Pour chaque jeu d'\u00e9chantillons, \u00e9valuez votre mod\u00e8le. En science des mat\u00e9riaux, il peut s'agir d'un solveur d'\u00e9quations thermiques, d'un mod\u00e8le de champ de phase ou d'une fonction de pr\u00e9diction de propri\u00e9t\u00e9.<\/p>\n<pre><code class=\"language-python\">import numpy as np\n\ndef thermal_response(k, rho, cp, time):\n    \"\"\"Simplified thermal response model.\"\"\"\n    return k \/ (rho * cp) * np.sqrt(time)\n\noutputs = thermal_response(\n    thermal_conductivity,\n    density,\n    specific_heat,\n    time=100\n)\n\nmean_response = np.mean(outputs)\nstd_response = np.std(outputs)\nci_lower = np.percentile(outputs, 2.5)\nci_upper = np.percentile(outputs, 97.5)\n\nprint(f\"Mean response: {mean_response:.4f}\")\nprint(f\"Standard deviation: {std_response:.4f}\")\nprint(f\"95% CI: [{ci_lower:.4f}, {ci_upper:.4f}]\")\n<\/code><\/pre>\n<h3>\u00c9tape&nbsp;3&nbsp;: Surveiller la convergence<\/h3>\n<p>Suivez l'estimation \u00e0 mesure que le nombre d'\u00e9chantillons augmente. Une simulation bien converg\u00e9e doit montrer une moyenne de course stabilisatrice et une erreur standard de r\u00e9tr\u00e9cissement.<\/p>\n<pre><code class=\"language-python\">import numpy as np\nimport matplotlib.pyplot as plt\n\nconvergence_data = []\n\nfor n in [100, 500, 1000, 5000, 10000, 50000, 100000]:\n    partial = outputs[:n]\n    mean = np.mean(partial)\n    stderr = np.std(partial) \/ np.sqrt(n)\n    convergence_data.append((n, mean, stderr))\n\nn_values, means, stderrs = zip(*convergence_data)\n\nplt.errorbar(n_values, means, yerr=stderrs, marker=\"o\")\nplt.xscale(\"log\")\nplt.xlabel(\"Number of samples\")\nplt.ylabel(\"Running mean\")\nplt.title(\"Monte Carlo convergence monitoring\")\nplt.savefig(\"monte-carlo-convergence.svg\")\n<\/code><\/pre>\n<h2>Quand utiliser l'\u00e9chantillonnage MC vs QMC standard ou stratifi\u00e9<\/h2>\n<table class=\"custom-table\">\n<tbody><tr>\n<th>Sc\u00e9nario<\/th>\n<th>M\u00e9thode recommand\u00e9e<\/th>\n<th>Pourquoi<\/th>\n<\/tr>\n<tr>\n<td>Incertitude de grande dimension, telle que plus de 10 dimensions<\/td>\n<td>Monte-Carlo standard<\/td>\n<td>L'avantage QMC peut se d\u00e9grader, tandis que MC reste largement fiable<\/td>\n<\/tr>\n<tr>\n<td>Int\u00e9grande lisse avec une dimension mod\u00e9r\u00e9e<\/td>\n<td>QMC avec s\u00e9quences SOBOL<\/td>\n<td>Convergence plus rapide et moins d'\u00e9chantillons pour la m\u00eame pr\u00e9cision<\/td>\n<\/tr>\n<tr>\n<td>Int\u00e9grand discontinu ou bruyant<\/td>\n<td>Monte-Carlo standard<\/td>\n<td>L'avantage QMC dispara\u00eet souvent pour les fonctions non lisses<\/td>\n<\/tr>\n<tr>\n<td>Besoin de limites d'erreur et de convergence plus rapide<\/td>\n<td>QMC al\u00e9atoire<\/td>\n<td>Conserve les avantages de QMC tout en permettant une estimation probabiliste des erreurs<\/td>\n<\/tr>\n<tr>\n<td>Analyse globale de sensibilit\u00e9<\/td>\n<td>\u00c9chantillonnage hypercube latin<\/td>\n<td>Am\u00e9liore la couverture et prend en charge la r\u00e9duction efficace de la variance<\/td>\n<\/tr>\n<tr>\n<td>Reproductibilit\u00e9 stricte sans variation al\u00e9atoire<\/td>\n<td>QMC<\/td>\n<td>Les s\u00e9quences d\u00e9terministes sont reproductibles par construction<\/td>\n<\/tr>\n<\/tbody><\/table>\n<h3>Ce que nous recommandons<\/h3>\n<p>Pour la plupart des workflows de science des mat\u00e9riaux et de simulation scientifique, l'\u00e9chantillonnage stratifi\u00e9 ou l'\u00e9chantillonnage hypercube latin fournit un bon \u00e9quilibre entre la rigueur statistique et l'efficacit\u00e9 de calcul.<\/p>\n<p>Utilisez QMC lorsque la r\u00e9ponse du mod\u00e8le est lisse et que la dimensionnalit\u00e9 est mod\u00e9r\u00e9e. Utilisez le QMC al\u00e9atoire lorsque vous avez besoin \u00e0 la fois d'une estimation plus rapide et d'un intervalle de confiance.<\/p>\n<h2>erreurs courantes et comment les \u00e9viter<\/h2>\n<h3>1. Utiliser trop peu d'\u00e9chantillons<\/h3>\n<p>L'erreur la plus courante consiste \u00e0 ex\u00e9cuter trop peu d'\u00e9chantillons et \u00e0 traiter le r\u00e9sultat comme final. Signalez toujours les erreurs standard et les intervalles de confiance avec des estimations ponctuelles. Surveillez la convergence avec la moyenne d'ex\u00e9cution et l'erreur standard.<\/p>\n<h3>2. Hypoth\u00e8ses de distribution erron\u00e9es<\/h3>\n<p>N'attribuez pas de distributions uniformes \u00e0 chaque param\u00e8tre par d\u00e9faut. Utilisez les plages d'incertitude mesur\u00e9es lorsqu'elles sont disponibles. Une distribution uniforme peut surestimer les queues, tandis qu'une distribution normale peut d\u00e9former les param\u00e8tres born\u00e9s.<\/p>\n<h3>3. Ignorer l'autocorr\u00e9lation<\/h3>\n<p>Dans la cha\u00eene de Markov, Monte Carlo ou Monte Carlo cin\u00e9tique, des \u00e9chantillons successifs peuvent \u00eatre corr\u00e9l\u00e9s. La formule d'erreur standard suppose l'ind\u00e9pendance. Si les \u00e9chantillons sont auto-corr\u00e9l\u00e9s, calculez la taille effective de l'\u00e9chantillon ou le temps d'autocorr\u00e9lation int\u00e9gr\u00e9 avant d'interpr\u00e9ter les r\u00e9sultats.<\/p>\n<h3>4. Ne pas documenter les graines al\u00e9atoires<\/h3>\n<p>La reproductibilit\u00e9 n\u00e9cessite le suivi des graines al\u00e9atoires et des param\u00e8tres de g\u00e9n\u00e9rateur de nombres al\u00e9atoires. Toute personne reproduisant le flux de travail doit pouvoir g\u00e9n\u00e9rer la m\u00eame s\u00e9quence d'\u00e9chantillons en cas de besoin.<\/p>\n<h2>Suivi de la convergence et des r\u00e8gles d'arr\u00eat<\/h2>\n<p>Une simulation de Monte Carlo n'est termin\u00e9e que lorsque l'estimation s'est suffisamment stabilis\u00e9e pour la d\u00e9cision que vous devez prendre.<\/p>\n<p>Les r\u00e8gles d'arr\u00eat courantes comprennent&nbsp;:<\/p>\n<ul>\n<li>Taille d'\u00e9chantillon fixe. Choisissez <code>N<\/code> en fonction du budget de calcul et de la tol\u00e9rance aux erreurs cibles.<\/li>\n<li>Intervalle de confiance \u00e0 largeur fixe. Arr\u00eatez-vous lorsque la largeur de l'intervalle de confiance tombe en dessous d'un seuil.<\/li>\n<li>crit\u00e8re de convergence. Arr\u00eatez-vous lorsque la moyenne en cours change moins d'une tol\u00e9rance choisie entre les lots.<\/li>\n<\/ul>\n<p>La bonne r\u00e8gle d\u00e9pend si votre flux de travail a un budget difficile ou une exigence de pr\u00e9cision. Dans les pipelines de recherche, les intervalles de confiance \u00e0 largeur fixe sont souvent les plus utiles.<\/p>\n<h2>Ce qu'il faut \u00e9viter<\/h2>\n<ul>\n<li>Ex\u00e9cution de simulations uniques sans quantifier l'incertitude. Ce n'est pas Monte Carlo ; Ce n'est qu'une simulation.<\/li>\n<li>Signaler une estimation de Monte Carlo comme valeur pr\u00e9cise. Toujours inclure l'incertitude, comme un intervalle de confiance ou une erreur standard.<\/li>\n<li>Utilisation d'un \u00e9chantillonnage d\u00e9terministe de grille pour les espaces de param\u00e8tres de grande dimension. Cela conduit \u00e0 la mal\u00e9diction de la dimensionnalit\u00e9.<\/li>\n<li>Ignorer l'autocorr\u00e9lation dans les flux de travail MCMC ou cin\u00e9tique de Monte Carlo.<\/li>\n<li>En supposant une convergence \u00e0 partir d'un seul complot en cours d'ex\u00e9cution. V\u00e9rifiez \u00e9galement les tendances des erreurs standard.<\/li>\n<\/ul>\n<h2>R\u00e9sum\u00e9 et \u00e9tapes suivantes<\/h2>\n<p>Les m\u00e9thodes de Monte Carlo sont un outil essentiel pour la quantification de l'incertitude et la mod\u00e9lisation probabiliste dans le calcul scientifique. Ils fournissent :<\/p>\n<ol>\n<li>\u00c9volutivit\u00e9 ind\u00e9pendante des dimensions pour les probl\u00e8mes de grande dimension.<\/li>\n<li>L'enracinement statistique par la loi des grands nombres et le th\u00e9or\u00e8me central des limites.<\/li>\n<li>Estimations pratiques de l'incertitude \u00e0 travers des intervalles de confiance.<\/li>\n<li>Strat\u00e9gies d'\u00e9chantillonnage flexibles telles que MC, QMC, LHS et RQMC standard.<\/li>\n<\/ol>\n<p>Si vous commencez par une simulation de Monte Carlo, commencez par un hypercube latin ou un \u00e9chantillonnage stratifi\u00e9 en Python. Utilisez <code>numpy.random<\/code> ou <code>scipy.stats.qmc<\/code> pour les exp\u00e9riences initiales, puis passez aux biblioth\u00e8ques UQ d\u00e9di\u00e9es \u00e0 mesure que vos mod\u00e8les deviennent plus complexes.<\/p>\n<h3>Prochaines \u00e9tapes<\/h3>\n<ul>\n<li>Caract\u00e9risez exp\u00e9rimentalement les entr\u00e9es incertaines au lieu de deviner les distributions.<\/li>\n<li>Commencez avec 1&nbsp;000&nbsp;\u00e9chantillons et v\u00e9rifiez la convergence, puis augmentez.<\/li>\n<li>Signalez les intervalles d'erreurs standard et de confiance avec des estimations ponctuelles<\/li>\n<li>Documenter les graines al\u00e9atoires et les s\u00e9quences d'\u00e9chantillonnage pour la reproductibilit\u00e9.<\/li>\n<\/ul>\n<h2>Guides connexes<\/h2>\n<p>Pour les sujets connexes dans les flux de travail de simulation scientifique&nbsp;:<\/p>\n<ul>\n<li><a href=\"\/validation-and-verification-for-pde-simulations-practical-framework\/\">V\u00e9rification et validation des simulations PDE<\/a> - cadre V&amp;v incluant la quantification de l'incertitude.<\/li>\n<li><a href=\"\/from-equations-to-simulations-the-modeling-pipeline\/\">Des \u00e9quations aux simulations&nbsp;: le pipeline de mod\u00e9lisation<\/a> - flux de travail de simulation de bout en bout des \u00e9quations aux r\u00e9sultats valid\u00e9s.<\/li>\n<li><a href=\"\/machine-learning-surrogates-scientific-simulations\/\">supports d'apprentissage automatique pour les simulations scientifiques<\/a> - quand utiliser les substituts par rapport \u00e0 l'\u00e9chantillonnage de Monte Carlo.<\/li>\n<li><a href=\"\/reproducible-research-workflows-docker-and-conda-for-simulation-projects\/\">Flows de recherche reproductibles<\/a> \u2014 Pratiques de reproductibilit\u00e9 pour les pipelines de simulation.<\/li>\n<\/ul>\n<h2>R\u00e9f\u00e9rences<\/h2>\n<ol>\n<li>Caflisch, R.E., &amp; Mosolova, N. (1998). <em>M\u00e9thodes de Monte Carlo et Quasi-Monte Carlo<\/em>. Rapport UCLA CAM.<\/li>\n<li>Oberkampf, W.L., &amp; Roy, C.J. (2010). <em>V\u00e9rification et validation dans le calcul scientifique<\/em>. Cambridge University Press.<\/li>\n<li>Sorokin, A.&nbsp;G. (2024). <em>Un cadre Python pour les algorithmes Quasi-Monte Carlo<\/em>. Journal des logiciels open source.<\/li>\n<li>Shambaugh, W.S., et al. (2022). <em>Monaco&nbsp;: une biblioth\u00e8que de Monte Carlo pour effectuer une analyse d'incertitude<\/em>. Proc\u00e9dures scientifiques.<\/li>\n<li>Tsap\u00e8te, D., et al. (2023). <em>UQPY v4.1&nbsp;: Quantification de l'incertitude avec Python<\/em>. Progr\u00e8s en mati\u00e8re de pronostic et d'ing\u00e9nierie de fiabilit\u00e9.<\/li>\n<li>Tenn\u00f8e, S., et al. (2018). <em>Uncertainpy&nbsp;: une bo\u00eete \u00e0 outils Python pour la quantification de l'incertitude et l'analyse de sensibilit\u00e9<\/em>. Fronti\u00e8res en neuroinformatique.<\/li>\n<li>Case, G., et al. (2025). <em>M\u00e9thodes de Monte Carlo pour une tarification d\u00e9riv\u00e9e am\u00e9lior\u00e9e<\/em>. Pr\u00e9impression arxiv.<\/li>\n<li>Van Huffel, M.E. (2026). <em>S\u00e9quences neurales \u00e0 faible discordance<\/em>. OpenReview.<\/li>\n<\/ol>\n<h2>Besoin d'aide pour mettre en place des m\u00e9thodes de Monte Carlo pour votre simulation ?<\/h2>\n<p>Si vous avez des difficult\u00e9s avec les pipelines de quantification de l'incertitude, la strat\u00e9gie d'\u00e9chantillonnage, la surveillance de la convergence ou la validation de Monte Carlo, notre \u00e9quipe peut vous aider. Nous nous sp\u00e9cialisons dans les cadres de simulation bas\u00e9s sur Python et pouvons vous guider, des scripts d'\u00e9chantillonnage de base aux flux de travail UQ de niveau de production.<\/p>\n"},"excerpt":{"rendered":"<p><span class=\"span-reading-time rt-reading-time\" style=\"display: block;\"><span class=\"rt-label rt-prefix\">Reading Time: <\/span> <span class=\"rt-time\"> 9<\/span> <span class=\"rt-label rt-postfix\">minutes<\/span><\/span>Les m\u00e9thodes de Monte Carlo utilisent un \u00e9chantillonnage al\u00e9atoire pour estimer les r\u00e9sultats pour des probl\u00e8mes trop complexes pour les solutions analytiques. En ex\u00e9cutant des milliers ou des millions d&rsquo;essais simul\u00e9s avec des entr\u00e9es al\u00e9atoires, vous pouvez cartographier la plage de comportements possibles dans un mod\u00e8le scientifique. Ces m\u00e9thodes sont utiles pour les limites d&rsquo;incertitude, [&hellip;]<\/p>\n","protected":false,"raw":""},"author":2,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_locale":"fr_FR","_original_post":"https:\/\/matforge.org\/?p=345","iawp_total_views":1,"footnotes":""},"categories":[1],"tags":[],"class_list":["post-1270","post","type-post","status-publish","format-standard","hentry","category-simulation-modeling-projects","fr-FR"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v28.3 - https:\/\/yoast.com\/product\/yoast-seo-wordpress\/ -->\n<title>M\u00e9thodes de Monte Carlo pour les simulations<\/title>\n<meta name=\"description\" content=\"Apprenez les m\u00e9thodes de Monte Carlo pour les simulations scientifiques, y compris les exemples MC, QMC, RQMC, latin Hypercube, convergence et Python.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/matforge.org\/fr\/monte-carlo-methods-for-scientific-simulations\/\" \/>\n<meta property=\"og:locale\" content=\"fr_FR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"M\u00e9thodes de Monte Carlo pour les simulations\" \/>\n<meta property=\"og:description\" content=\"Apprenez les m\u00e9thodes de Monte Carlo pour les simulations scientifiques, y compris les exemples MC, QMC, RQMC, latin Hypercube, convergence et Python.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/matforge.org\/fr\/monte-carlo-methods-for-scientific-simulations\/\" \/>\n<meta property=\"og:site_name\" content=\"matforge.org\" \/>\n<meta property=\"article:published_time\" content=\"2026-08-21T14:31:32+00:00\" \/>\n<meta name=\"author\" content=\"Elena Markovska\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"\u00c9crit par\" \/>\n\t<meta name=\"twitter:data1\" content=\"Elena Markovska\" \/>\n\t<meta name=\"twitter:label2\" content=\"Dur\u00e9e de lecture estim\u00e9e\" \/>\n\t<meta name=\"twitter:data2\" content=\"15 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/matforge.org\\\/fr\\\/monte-carlo-methods-for-scientific-simulations\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/fr\\\/monte-carlo-methods-for-scientific-simulations\\\/\"},\"author\":{\"name\":\"Elena Markovska\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/980162bb5de46742daece973661d93da\"},\"headline\":\"M\u00e9thodes de Monte Carlo pour les simulations scientifiques : un guide Python\",\"datePublished\":\"2026-08-21T14:31:32+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/fr\\\/monte-carlo-methods-for-scientific-simulations\\\/\"},\"wordCount\":2727,\"commentCount\":0,\"articleSection\":[\"Simulation &amp; Projets de mod\u00e9lisation\"],\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/matforge.org\\\/fr\\\/monte-carlo-methods-for-scientific-simulations\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/matforge.org\\\/fr\\\/monte-carlo-methods-for-scientific-simulations\\\/\",\"url\":\"https:\\\/\\\/matforge.org\\\/fr\\\/monte-carlo-methods-for-scientific-simulations\\\/\",\"name\":\"M\u00e9thodes de Monte Carlo pour les simulations\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/#website\"},\"datePublished\":\"2026-08-21T14:31:32+00:00\",\"author\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/980162bb5de46742daece973661d93da\"},\"description\":\"Apprenez les m\u00e9thodes de Monte Carlo pour les simulations scientifiques, y compris les exemples MC, QMC, RQMC, latin Hypercube, convergence et Python.\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/matforge.org\\\/fr\\\/monte-carlo-methods-for-scientific-simulations\\\/#breadcrumb\"},\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/matforge.org\\\/fr\\\/monte-carlo-methods-for-scientific-simulations\\\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/matforge.org\\\/fr\\\/monte-carlo-methods-for-scientific-simulations\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/matforge.org\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"M\u00e9thodes de Monte Carlo pour les simulations scientifiques : un guide Python\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#website\",\"url\":\"https:\\\/\\\/matforge.org\\\/\",\"name\":\"matforge.org\",\"description\":\"\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/matforge.org\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"fr-FR\"},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/matforge.org\\\/#\\\/schema\\\/person\\\/980162bb5de46742daece973661d93da\",\"name\":\"Elena Markovska\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g\",\"caption\":\"Elena Markovska\"},\"sameAs\":[\"http:\\\/\\\/matforge.org\"],\"url\":\"https:\\\/\\\/matforge.org\\\/author\\\/elena-markovska\\\/\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"M\u00e9thodes de Monte Carlo pour les simulations","description":"Apprenez les m\u00e9thodes de Monte Carlo pour les simulations scientifiques, y compris les exemples MC, QMC, RQMC, latin Hypercube, convergence et Python.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/matforge.org\/fr\/monte-carlo-methods-for-scientific-simulations\/","og_locale":"fr_FR","og_type":"article","og_title":"M\u00e9thodes de Monte Carlo pour les simulations","og_description":"Apprenez les m\u00e9thodes de Monte Carlo pour les simulations scientifiques, y compris les exemples MC, QMC, RQMC, latin Hypercube, convergence et Python.","og_url":"https:\/\/matforge.org\/fr\/monte-carlo-methods-for-scientific-simulations\/","og_site_name":"matforge.org","article_published_time":"2026-08-21T14:31:32+00:00","author":"Elena Markovska","twitter_card":"summary_large_image","twitter_misc":{"\u00c9crit par":"Elena Markovska","Dur\u00e9e de lecture estim\u00e9e":"15 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/matforge.org\/fr\/monte-carlo-methods-for-scientific-simulations\/#article","isPartOf":{"@id":"https:\/\/matforge.org\/fr\/monte-carlo-methods-for-scientific-simulations\/"},"author":{"name":"Elena Markovska","@id":"https:\/\/matforge.org\/#\/schema\/person\/980162bb5de46742daece973661d93da"},"headline":"M\u00e9thodes de Monte Carlo pour les simulations scientifiques : un guide Python","datePublished":"2026-08-21T14:31:32+00:00","mainEntityOfPage":{"@id":"https:\/\/matforge.org\/fr\/monte-carlo-methods-for-scientific-simulations\/"},"wordCount":2727,"commentCount":0,"articleSection":["Simulation &amp; Projets de mod\u00e9lisation"],"inLanguage":"fr-FR","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/matforge.org\/fr\/monte-carlo-methods-for-scientific-simulations\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/matforge.org\/fr\/monte-carlo-methods-for-scientific-simulations\/","url":"https:\/\/matforge.org\/fr\/monte-carlo-methods-for-scientific-simulations\/","name":"M\u00e9thodes de Monte Carlo pour les simulations","isPartOf":{"@id":"https:\/\/matforge.org\/#website"},"datePublished":"2026-08-21T14:31:32+00:00","author":{"@id":"https:\/\/matforge.org\/#\/schema\/person\/980162bb5de46742daece973661d93da"},"description":"Apprenez les m\u00e9thodes de Monte Carlo pour les simulations scientifiques, y compris les exemples MC, QMC, RQMC, latin Hypercube, convergence et Python.","breadcrumb":{"@id":"https:\/\/matforge.org\/fr\/monte-carlo-methods-for-scientific-simulations\/#breadcrumb"},"inLanguage":"fr-FR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/matforge.org\/fr\/monte-carlo-methods-for-scientific-simulations\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/matforge.org\/fr\/monte-carlo-methods-for-scientific-simulations\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/matforge.org\/"},{"@type":"ListItem","position":2,"name":"M\u00e9thodes de Monte Carlo pour les simulations scientifiques : un guide Python"}]},{"@type":"WebSite","@id":"https:\/\/matforge.org\/#website","url":"https:\/\/matforge.org\/","name":"matforge.org","description":"","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/matforge.org\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"fr-FR"},{"@type":"Person","@id":"https:\/\/matforge.org\/#\/schema\/person\/980162bb5de46742daece973661d93da","name":"Elena Markovska","image":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/secure.gravatar.com\/avatar\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/2de4e35b6581d7d8a839335156c6b5834cfaa0aef537a1c837e882dc57eea1e7?s=96&d=mm&r=g","caption":"Elena Markovska"},"sameAs":["http:\/\/matforge.org"],"url":"https:\/\/matforge.org\/author\/elena-markovska\/"}]}},"_links":{"self":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/1270","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/comments?post=1270"}],"version-history":[{"count":1,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/1270\/revisions"}],"predecessor-version":[{"id":1420,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/posts\/1270\/revisions\/1420"}],"wp:attachment":[{"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/media?parent=1270"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/categories?post=1270"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/matforge.org\/wp-json\/wp\/v2\/tags?post=1270"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}