Formation, conseil et accompagnement pour le développement professionnel des personnes, des équipes et des organisations

Les méthodes de Monte-Carlo (MMC) sont très souvent les seules approches utilisables pour l'étude des systèmes non linéaires de grande dimension pour lesquels aucune approche analytique n'est applicable. Si ces méthodes étaient réservées, il y a une vingtaine d'années, à des systèmes de faible dimension, ce n'est plus le cas aujourd'hui grâce aux formidables progrès réalisés dans le domaine des calculateurs.
On peut maintenant les utiliser dans un contexte industriel, que  ce soit pour caractériser la réponse à une excitation aléatoire ou pour mener une étude de propagation d'incertitudes. Ces méthodes sont en outre très populaires car, pouvant se coupler à une  méthodologie ou un outil déterministe préexistant, elles sont non intrusives. Elles nécessitent toutefois de disposer d’estimateurs statistiques efficaces et robustes des caractéristiques probabilistes de la solution. Afin de réduire le coût numérique, elles sont  souvent utilisées de pair avec des  techniques de réduction de la variance.

1. Faire le point sur l’état de l’art de ces méthodes avec les bases scientifiques associées
   
2. Acquérir les bases théoriques
3. Connaître les règles à suivre pour garantir une démarche numérique rigoureuse
4. Mettre en évidence les points délicats
   
5. Disposer de quelques illustrations sur des applications industrielles

Le hasard et sa représentation

1. Modèles probabilistes
2. Espaces de probabilité
3. Conditionnement probabiliste
4. Variables et vecteurs aléatoires
5. Lois de probabilité

Suites de variables aléatoires

1. Convergences
2. Lois des grands nombres
3. Théorème central limite

Génération de suites de nombres pseudo-aléatoire

1. Suites équiréparties
2. Quelques générateurs et leurs propriétés

Principales lois de probabilités et leurs propriétés

Simulation de variables aléatoires de loi donnée

Simulation de vecteurs aléatoires de loi donnée

Processus stochastiques. Processus et chaînes de Markov

Introduction aux méthodes MCMC

Principe des méthodes de Monte-Carlo. Calculs d’intégrales

Techniques de réduction de la variance.

Calcul d’intégrales

1. par échantillonnage d’importance (Importance Sampling)
2. par simulation directionnelle
3. par « subset simulation »

Exemples

Méthode pédagogique
Approche complémentaire entre bases théoriques et illustrations industrielles