TABLE DES MATIÈRES

1 Introduction : modélisation et simulation 2

1.1 Quelques définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Nombre aléatoire et pseudo-aléatoire . . . . . . . . . . . . . . . . . . . . . 3
1.3 Générateurs de nombres pseudo-aléatoires . . . . . . . . . . . . . . . . . . 3
1.4 Méthodes de génération de nombres aleatoires . . . . . . . . . . . . . . . . 4
1.4.1 Les tables de nombres aléatoires . . . . . . . . . . . . . . . . . . . . 4
1.4.2 Le milieu des carrés (due à Von Neumann) . . . . . . . . . . . . . . 4
1.4.3 La méthode congruentielle . . . . . . . . . . . . . . . . . . . . . . . 4

2 Simulation des variables aléatoires 6

2.1 Variables aléatoires continues : Méthode d’inversion . . . . . . . . . . . . . 6
2.2 Variables aléatoires discretes : Méthode de rejet . . . . . . . . . . . . . . . 7

3 Méthodes de Monte-Carlo 8
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3.2 Méthode de Monte-Carlo pour approcher une intégrale . . . . . . . . . . . 9

1
 CHAPITRE 1
INTRODUCTION :
MODÉLISATION ET SIMULATION

1.1 Quelques définitions

Modèle : représentation simplifiée d’un objet ou d’un phénomène, construite dans le but
d’en faciliter l’étude, d’en mieux comprendre le comportement, d’en prédire les propriétés,
d’en prévoir l’évolution ... etc
Les differents types de modèles :
1. Les modèles déterministes : sont basés sur des équations mathématiques qui décrivent
le comportement d’un système.
2. Les modèles stochastiques : ils tiennent compte de l’incertitude et des fluctuations
aléatoires dans les données d’entrées.
3. Les modèles hybrides : combinent les deux approches . chacun étant adapté à un type
de système particulier
Modélisation : Construction d’un modèle en fonction des objectifs d’une étude parti-
culière.
Simulation : utilisation d’un modèle pour prédire les propriétés, prévoir le comporte-
ment de l’objet modélisé.
Modelisation numérique : La modélisation numérique consiste à créer un modèle
mathématique d’un système physique en utilisant des équations et des algorithmes. Elle
peut-être utiliser pour simuler le comportement du système et prédire son évolution dans
le temps.
Simulation numérique : la simulation numérique est un outil utilisé dans différents
domaines, permettant d’analyser sur un ordinateur le comportement d’un système avant
de l’implémenter et d’optimiser son fonctionnement. Elle consiste à utiliser un modèle
numérique pour simuler le comportement d’un système dans des conditions données. Cette

2
méthode permet de tester plusieurs hypothèse et de prédire les résultats d’expériences qui
seraient difficiles ou coûteuses à réaliser en réalité.
Les simulations numériques sont utilisées dans de nombreux domaines, tel que
l’aéronautique, l’automobile, la météorologie, la finance et la biologie , pour améliorer
la conception de produits, optimiser les processus et prévoir les risques
Les modèles numérique sont souvent utilisés pour étudier des phénomènes physiques
complexes tel que la circulation sanguine, la propagation des ondes ou la dynamique des
fluides...etc
La modélisation et simulation numérique présente de nombreux avantages par exemple :
1. Réduire les coûtes et les risques associés au tests physiques . En effet ,il est possible de
réaliser des simulations moindre coûte et sans danger pour les personnes impliqués.
2. Obtenir des résultats plus rapidement et plus précis.
3. Tester différentes hypothèses et d’étudier des systèmes complexes qui ne peuvent pas
être traités expérimentalement.

1.2 Nombre aléatoire et pseudo-aléatoire

Un nombre aleatoire est un nombre genere par un processus qui produit de l’irregularite.
Sa definition est donc liee aux proprietes probabilistes du processus qui les genere. On dit
qu’un processus génere des nombres aleatoires au sens strict lorsque le processus fournit
des nombres qui sont :
1. Independants, de sorte qu’il soit impossible de predire les valeurs futures sur la base
des valeurs passées ou presentes ;
2. Uniformement repartis sur un intervalle ou un ensemble defini.
Seuls des procédés physiques semblent fournir des résultats vraiment aléatoires. Mais cette
méthode n’est ni rapide, ni reproductible, sauf si les résultats sont tabulés, ce qui a d’ailleurs
été fait dans certains cas.
Mais ce qu’on désire effectivement ce ne sont pas tellement des nombres parfaitement
aléatoires, mais plutôt des nombres ayant les mêmes propriétés que les nombres aléatoires
lorsqu’on les utilise dans un calcul. C’est pourquoi on préfère employer des algorithmes.
Un algorithme est une suite d’opérations prédéfinies que l’on applique à des paramètres
pour les modifier. Si l’on applique le même traitement aux mêmes paramètres, les résultats
sont donc identiques. En ce sens, un algorithme est donc déterministe, à l’opposé de ce que
l’on veut obtenir. Les nombres obtenus sont donc appelés pseudo-aléatoires.

1.3 Générateurs de nombres pseudo-aléatoires

Dans les calculs par la méthode de Monte-Carlo, l’introduction de la notion de hasard
s’effectue presque toujours en tirant un nombre ”au hasard” entre 0 et 1. Il faut donc
pouvoir se procurer de tels nombres, et ceci à la fois dans un temps très court, un très grand

3
nombre de fois (plusieurs millions), et de façon reproductible, pour pouvoir les utiliser dans
un calcul et sa c’est le rôle d’un générateur de nombre pseudo-aléatoire.
Un générateur de nombres pseudo-aléatoires est un dispositif (fonction) qui accepte une
valeur en entrée, appelée graine (ou seed), et qui fournit en sortie un nombre qui a l’appa-
rence d’un nombre aléatoire, mais qui est en réalité le résultat d’un calcul algorithmique.
On attend d’un générateur de nombres pseudo-aléatoires : la rapisité, la reproductibilité, il
ressemble bien sûr le plus possible au vrai hasard et la suite crée suit la loi qu’on souhaite
simuler généralement la loi uniforme.
Nous allons voir maintenant quelles sont les principales méthodes de génération de
nombres pseudo-aléatoires.

1.4 Méthodes de génération de nombres aleatoires

1.4.1 Les tables de nombres aléatoires
L’idée la plus simple était d’essayer de générer des nombres effectivement aléatoires,
résultants d’un processus physique, (bruit de fond par exemple). C’est ainsi que la Rand
Corporation a publié en 1949 une table d’un million de nombres aléatoires. Cette méthode
présente deux inconvénients : la nécessité de mettre cette table en mémoire dans la machine,
et sa longueur insuffisante pour certains problèmes, c’est pourquoi elle a été longtemps
écartée. Cependant le caractère parfaitement aléatoire de ses nombres reste intéressant.

1.4.2 Le milieu des carrés (due à Von Neumann)

Le principe en est le suivant : partons d’un nombre de 8 chiffres que l’on élève au carré.
Dans le nombre obtenu on ne garde que les 8 chiffres du milieu, ce qui fournit un nombre
indépendant du Ier, et ainsi de suite. Cette méthode est maintenant abandonnée, car outre
le risque de n’obtenir que des zéros au bout d 1un certain temps, les propriétés statistiques
ne sont pas satisfaisantes.

1.4.3 La méthode congruentielle

L’idée de la méthode (appelée aussi méthode des résidus de puissance) est due à Lehmer.
C’est de loin la méthode qui a été et est encore la plus utilisée. Le principe en est le suivant :
Etant donnes 4 nombres entiers arbitraires x0 ,µ, λ et M, on definit la suite

x1 = λx0 + µ mod M

xn+1 = λxn + µ mod M

x0 est la graine, λ le multiplicateur, µ l’increment et M le module.
Si µ = 0 la methôde est dite multiplicative et si µ ̸= 0 mixte.
Choix des parametres :

4
 Soit
F (x) = ax + b mod m.
F est une fonction périodique de periode T ≤ m et ∀n ∈ N∗ 1 ≤ F (x) ≤ m − 1 et
f (x) = Fm
(x)
, f (x) ∈]0, 1[

Le but étant de construire des suites de nombres pseudo-aléatoires de taille très

grande. le nombre m donc doit être très grand pour s’éloigner de cette périodicité. Un bon
générateur est celui qui a une période T grande, pour cela on doit faire un bon chois sur
les valeurs de a et b . Des études mathématiques prouve que la période peut atteindre m
pour certaines conditions sur a.

Exemple : Générateur de Lehmer :

Le générateur de Lehmer est un générateur congruentiel avec m = 231 − 1 et a = 23 et
b = 0.
La période T de ce générateur est T = m−1
2
= 230 − 1 = 1073741823.

5
 CHAPITRE 2
SIMULATION DES VARIABLES
ALÉATOIRES

Avant l’apparition de l’ordinateur, la génération des suites de nombres aléatoires

est réalisée par des méthodes physiques qui profitent du caractère aléatoire de certains
phénomènes naturel.
Après l’apparition de l’ordinateur, la génération de nombres aléatoires se réalise par
des méthodes itératives basé sur des algorithmes.
Cette section traite de la génération de nombres aléatoires non uniformes à partir d’une
séquence de nombres aléatoires uniformes.
On dit que X1 est un simulateur de X, si X et X1 suivent la même distribution.
Il existe deux méthodes génériques pour la simulation de v.a. : la méthode par inversion,
qui est en général la première à tester mais il est nécessaire de connaitre explicitement
l’inverse de la fonction de répartition, et celle par rejet. Cette dernière étant plus élaborée
mais permet de traiter plus de cas grâce à des hypothèses moins restrictives. Par ailleurs,
d’autres méthodes peuvent être appliquées lorsque la v.a. à simuler suit une loi spécifique.

2.1 Variables aléatoires continues : Méthode d’inver-

sion
Soit X une variable aléatoire continue de fonction de densité fX et de fonction de
répartition FX .
Soit U une variable aléatoire qui suit la loi U (0, 1). Alors le simulateur X1 de la variable
X est défini par :
X1 = FX−1 (U )
Remarque : Simuler une variable aléatoire continue X par la méthode de la transfor-
mation inverse demande la connaissance de la formule de la fonction FX−1 . Cette formule

6
n’est pas toujours disponible.
Exemple : Distribution uniforme : Soit x ∼ U (a, b).
La fonction de répartition de la loi Uniforme sur [a,b] est donnée par :
x−a
FU (x) = , x ∈ [a, b].
b−a
Alors
x = FU−1 (u) = a + u(b − a) , u ∈ [0, 1]
.

2.2 Variables aléatoires discretes : Méthode de rejet

Soit X une variable aléatoire discrète finie, tel que :

X(Ω) = {x1 , x2 , · · · , xn } , P (X = xi ) = pi ∀i = 1, 2, · · · , n
Définition d’un simulateur :
On dit que X1 est un simulateur de X si et seulement si :
1. X(Ω) = X1 (Ω)
2. ∀k ∈ {0, 1, 2, · · · , n} P (X1 = xk ) = P (X = xk ).

Supposons qu’il existe une variable aléatoire Y tel que :

1. Y est simulateur de Y1 .
2. Y (Ω) = X(Ω) = {a1 , a2 , · · · , an et P (Y = ai ) = qi ∀i = 1, 2, · · · , n.
3. ∀i = 1, 2, · · · , n pi
qi
≤c
Soit X1 la variable aléatoire définit par l’algorithme suivant :
1. Soit ak = Y1
2. Un nombre u est tiré à partir de la distribution uniforme U (0, 1).
3. Si u ≤ pk
c qk
alors X1 = ak sinon ak est rejeté.

7
 CHAPITRE 3
MÉTHODES DE MONTE-CARLO

3.1 Introduction
Pendant la Seconde Guerre mondiale, les scientifiques étaient en course avec le temps
pour fabriquer la bombe atomique, parmi eux se trouvaient les physiciens John von Neu-
mann et Stanislaw Ulam qui ont inventé les méthodes de Monte-Carlo pour étudier la dif-
fusion des neutrons dans les réacteurs nucléaires, afin d’améliorer la prise de décision dans
des conditions incertaines, car ces méthodes utilisent la génération de nombres aléatoires
pour résoudre des problèmes complexes. Depuis lors, les méthodes de Monte-Carlo ont été
appliquées à de nombreux domaines, tels que la physique, la chimie, la biologie, l’économie,
la finance, les statistiques, l’optimisation, l’intelligence artificielle et le traitement d’images,
simuler des systèmes complexes tels que les polymères, les protéines et les réseaux neuro-
naux...
Les méthodes de Monte-Carlo permettent d’estimer des quantités en utilisant la simula-
tion de variables aléatoires datant du 18ème siècle, lorsque Buffon a proposé une méthode
pour estimer le nombre pi en lançant des aiguilles sur un plancher.
Le nom Monte-Carlo est emprunté à une ville de casinos renommée à Monaco, car
l’élément de hasard est au coeur de cette approche de modélisation, comme dans le jeu de
roulette.
Les méthodes de Monte Carlo sont des techniques de simulation numérique qui per-
mettent d’estimer des quantités difficiles à calculer analytiquement. Elles consistent à
générer aléatoirement des échantillons d’une variable aléatoire dont on connaı̂t la loi de
probabilité et à calculer la moyenne des résultats obtenus. La simulation de Monte Carlo
repose sur le théorème central limite, qui garantit que la moyenne des résultats obtenus
par simulation converge vers l’espérance mathématique de la quantité recherchée, lorsque
le nombre de simulations tend vers l’infini.
Ces méthodes présentent de nombreux avantages :
1. Flexible et peut être utilisée pour résoudre une grande variété de problèmes différents.

8
 2. Traiter des problèmes très complexes pour lesquels il n’existe pas de solution analy-
tique exacte.
3. Donne une perspective beaucoup plus complète de ce qui pourrait se produire.
Ces methodes peuvent servir pour le calcul d’integrales, la résolution d’équations aux
derivées partielles, de systemes lineaires et de problèmes d’optimisation.

3.2 Méthode de Monte-Carlo pour approcher une

intégrale
La méthode monté Carlo est une application de la génération des nombres aléatoires,
elle donne une valeur approché de la valeur numérique de l’intégrale sur [0, 1] d’une fonction
g.
Soit g une fonction continue sur l’intervalle [0, 1], tel que :
∫ 1
I= g(x)dx.
0

Soit U une variable aléatoire

∫ qui suit la loi Uniforme sur [0, 1],
Alors on a E(g(U )) = g(x)fU (x)dx, tel que fU est la fonction densité de la loi U (0, 1),
{ R
1 si x ∈ [0, 1]
on a fU (x) =
0 sinon.
∫
Donc on a E(g(U )) = g(x)dx = I.
[0,1]
Moyenne empirique :
Soit X1 , X2 , · · · , Xn des variables aléatoires indépendants et identiquement distribués
(ont une Espérence µ et une variance σ 2 .
La moyenne empirique est définit par

1∑
n
Xn = Xk (On a E(X n ) = µ).
n k=1

La loi faible des grands nombres annonce que X n converge en probabilité vers µ et on
écrit :
X n ≈ µ.
Pour U1 , U2 , U3 , · · · , Un des variables aléatoires indépendantes et identiquement dis-
tribuées (iid) de la loi U (0, 1) on a g(U1 ), g(U2 ), g(U3 ), · · · , g(Un ) des variables aléatoires
iid et pour n assez grand :

1∑
n
g(Uk ) ≈ E(g(U1 )) ≈ I.
n k=1

9
 ∫ 1
On peut donc évaluer la valeur Numérique de l’intégrale I = g(x)dx par cette
0
approche probabiliste.

10