Les techniques probabilistes de simulation

Cependant, la convergence n’est pas toujours assurée. Si l’on suppose que l’écriture du système précédent revient à poser que l’on cherche les solutions de X = f(X), quatre cas sont possibles ([509], pp.119–22).

Les méthodes de relaxation, d’élimination et de triangularisation - Les méthodes de

Gauss-Seidel et de Jacobi dont le terme général s’écrit comme suit :

x^(k+1)_i = ¹ aii  _bi−^i−1X j=1 j6=i aij.x^k_j  

sont des algorithmes appartenant à une forme générale d’algorithmes dont le terme général s’écrit : x^(k+1)_i = ^ω aii  _bi−^i−1X j=1 j6=i a_ij.x^k_j  + (1 − ω).xk i

où ω est un terme de relaxation qui doit être choisi pour permettre une plus rapide conver-gence de la résolution8. Citons enfin les méthodes d’élimination telle que la méthode de Gauss-Jordan ou celle d’Elimination de Gauss [283] , p.44). Ces algorithmes consistent à choisir un pivot k, de la matrice A - i.e. la ligne k et la colonne k simultanément – à partir duquel on modifie les coefficients de la matrice jusqu’à obtenir une matrice triangulaire ([578] , pp.207–287). Certaines factorisation permettent d’économiser de la place mémoire - par exemple la factorisation LU ("lower-upper"). Lorsque la matrice A est symétrique définie positive, alors on peut lui appliquer un algorithme plus rapide : celui de Cholesky – [166].

2) Les techniques probabilistes de simulation

8. - A noter que le choix de l’amorçage des itérations n’est pas sans conséquences sur la rapidité de convergence, notamment en raison du Théorème de Brower (dit "du point fixe") selon lequel, si une application f est continue alors ∃ x / f(x) = x.

La simulation de certains phénomènes économiques ou de gestion nécessite l’implé-mentation de fonctions de base telles que les tests statistiques usuels et la génération de lois statistiques (uniforme, normale, exponentielle, binomiale, hypergéométrique, Gamma, Bernoulli, Pascal, Poisson) – ([730] ; [370] , pp.60–88). De plus les outils de différen-ciation (dérivées, intégrales) s’avèrent également être nécessaires à l’implémentation de procédures de simulation.

1˚- Génération de nombres aléatoires pour la simulation

Une méthode couramment utilisée est la Méthode de Monte-Carlo. On souhaite si-muler des événements (arrivée de clients à des caisses etc.) dont la probabilité P est connue. On effectue un tirage "aléatoire" d’une variable r (par ex. : les décimales de Π , les chiffres d’une horloge d’ordinateur etc.). Si r ≤ P alors on décide que l’événement a lieu, autrement on décide que l’événément n’a pas lieu9. Toutefois, le "calcul" de nombres aléatoires10 n’est pas sans soulever d’importantes questions de fond. Il y a en effet une totale antinomie entre la qualification d’aléatoire et la détermination fonctionnelle de ces nombres, de sorte qu’il paraît impossible de générer des nombres purement aléatoires ([584], pp.70-95). Ainsi, par exemple, 1˚- la sélection de décimales du nombre Π n’est pas sans risque, car rien ne dit que tous les chiffres soient représentés de manière équiprobable dans la partie fractionnaire de π ; 2˚- La qualité de la sélection des chiffres d’une horloge d’ordinateur dépend de sa fréquence, or celle-ci étant automatisée, elle biaise nécessaire-ment le tirage ; 3 - Le tirage mécanique (du type tirage des boules de loto) trahit, sur le long terme, les nécessaires imperfections physiques des éléments mécaniques.

2˚- Dérivée et intégrale numérique

9. - On peut déterminer la probabilité d’événement à partir des deux équations suivantes :

H = α0+ N X i=1 αi.Xi et P = ¹ 1 − e−H

où la relation entre H et les N grandeurs est obtenue par estimation économétrique. Les grandeurs Xi

sont choisies en raison de leur forte connexion au phénomène dont on évalue la probabilité de survenue. La "probabilité" P est obtenue par le calcul d’une fonction logistique sur H ([252], pp.169–183).

10. - Une méthode classique consistait à calculer une suite de nombres hi tels que

hi= k.h_i−1+ c mod t

en choisissant h0, k et c judicieusement, on allonge au maximum la période de cette suite périodique – ([364] , pp.186–188), ( [730], pp.62-64) pour des programmes Fortran ainsi que [5] pour un panorama plus détaillé. Pour des développements mathématiques et informatiques, voir ([540], tome 2, pp.1–177).

Les outils mathématiques issus de l’analyse mathématique, tels que la dérivation, l’intégration et le calcul différentiel, permettent de représenter des phénomènes tels que le stockage, les files d’attente ou bien encore des phénomènes de durée de vie et de mortalité propres aux modèles démographiques. Sauf à faire du calcul formel, il n’est pas question de déterminer la forme fonctionnelle d’une dérivée ou d’une primitive pour l’appliquer à une valeur donnée - d’autant que les fonctions ne sont pas toujours intégrables. Les algorithmes de dérivation se déduisent sans aucun problème de leur forme analytique, aussi bien pour la dérivée première que pour la dérivée seconde d’une fonction f. En ce qui concerne l’intégrale I = ^Rb

af(x).dx d’une fonction entre deux bornes a et b, la formulation intuitive qui vient à l’esprit consiste à découper l’intervalle [a, b] en N assez grand, puis à calculer une somme de N rectangles. Le calcul de l’intégrale devient donc où

S= ∆x.^{N −1X}

i=0 f(xi)

est la somme des N rectangles de taille ∆x.f(xi). L’algorithme de Simpson améliore cette méthode et obtient une convergence plus rapide11. Alors que ce dernier type d’algorithme fournit la valeur de l’intégrale bornée, il existe des algorithmes permettant de résoudre les équations différentielles – i.e. trouver la fonction y = f(x) telle que

N

X

n=1 dny

dx = 0

La méthode la plus fréquemment utilisée, celle de Runge-Kutta, est basée sur des in-terpolations linéaires successives – déterminée par un développement en série de Taylor – autour d’une solution particulière12. On notera que les manuels ne proposent aucun algorithme particulier pour résoudre les équations de récurrence de la forme

N

X

n−1

an.xn= 0

Tous ces "algorithmes différentiels" sont indirectement utiles pour la simulation, puis-qu’ils permettent d’évaluer les "fonctions structurantes" du système au voisinage de l’état recherché. Ainsi, la dérivation peut être nécessaire dans le cadre d’une résolution systé-11. - On pourrait en effet démontrer qu’une méthode plus rapide consiste à chercher non plus des rectangles mais des trapèzes.

Pour des développements plus importants sur les méthodes d’intégration numérique (Newton-Cotes et Gauss-Legendre), ([315], pp.261–284 ; [831]).

12. - Voir ([830] ; , pp.227–288 ; [666], pp.188–205 ; [781], pp.271–401 ; [328]) et pour les méthodes d’Euler, d’Adams-Bashforth, et d’Adams-Moulton voir ([315], pp.537–54).

matique de système d’équations par la méthode de Newton. En ce qui concerne le calcul des intégrales bornées, celui-ci est requis pour simuler les processus de vie des individus au sein d’une population, en faisant l’hypothèse que le temps est une variable conti-nue13. La même logique intervient pour la simulation des files d’attentes et requiert la résolution d’équations différentielles14. Les problèmes, en général plutôt théoriques (par exemple le calcul des paramètres de politique de stabilisation en économie fermée) font également intervenir la résolution d’équations différentielles [76], pp.109–132). Les mo-dèles systémiques de J.W.Forrester, dans la mesure où ils représentent l’économie comme des systèmes plus ou moins auto-régulés, recourt également aux équations différentielles [378]15. Enfin, les modèles dynamiques empiriques à temps discret sont souvent plus per-tinents que ceux à temps continu, eu égard à la forme des statistiques disponibles [400] . Les comptes nationaux sont en effet, au mieux mensuels, mais on ne peut pas parler des données en temps continu. Pour conclure provisoirement et de manière non exhaustive sur la question des algorithmes de simulations, ajoutons que certains algorithmes obéissent à des règles ad hoc ; citons ainsi le fameux "Jeu de la vie" : on répartit de manière aléatoire des individus sur une surface constituée de cellules. On instaure des lois dynamiques de reproduction et de mortalité des individus (ex. : si un individu est isolé il meure, si deux individus sont séparés par un espace, un troisième individu apparaît). Selon les condi-tions initiales, la population peut s’accroître ou au contraire s’éteindre très rapidement [691, 403].