[{"@context":"http:\/\/schema.org\/","@type":"BlogPosting","@id":"https:\/\/wiki.edu.vn\/all2fr\/wiki1\/monte-carlo-simulation-wikipedia\/#BlogPosting","mainEntityOfPage":"https:\/\/wiki.edu.vn\/all2fr\/wiki1\/monte-carlo-simulation-wikipedia\/","headline":"Monte-carlo-simulation – Wikipedia","name":"Monte-carlo-simulation – Wikipedia","description":"before-content-x4 Le nombre de cercle Pi est approxim\u00e9 en utilisant la m\u00e9thode Monte Carlo par le quadruple de la probabilit\u00e9","datePublished":"2022-07-10","dateModified":"2022-07-10","author":{"@type":"Person","@id":"https:\/\/wiki.edu.vn\/all2fr\/wiki1\/author\/lordneo\/#Person","name":"lordneo","url":"https:\/\/wiki.edu.vn\/all2fr\/wiki1\/author\/lordneo\/","image":{"@type":"ImageObject","@id":"https:\/\/secure.gravatar.com\/avatar\/44a4cee54c4c053e967fe3e7d054edd4?s=96&d=mm&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/44a4cee54c4c053e967fe3e7d054edd4?s=96&d=mm&r=g","height":96,"width":96}},"publisher":{"@type":"Organization","name":"Enzyklop\u00e4die","logo":{"@type":"ImageObject","@id":"https:\/\/wiki.edu.vn\/wiki4\/wp-content\/uploads\/2023\/08\/download.jpg","url":"https:\/\/wiki.edu.vn\/wiki4\/wp-content\/uploads\/2023\/08\/download.jpg","width":600,"height":60}},"image":{"@type":"ImageObject","@id":"https:\/\/upload.wikimedia.org\/wikipedia\/commons\/thumb\/1\/1f\/Pi_statistisch.png\/220px-Pi_statistisch.png","url":"https:\/\/upload.wikimedia.org\/wikipedia\/commons\/thumb\/1\/1f\/Pi_statistisch.png\/220px-Pi_statistisch.png","height":"198","width":"220"},"url":"https:\/\/wiki.edu.vn\/all2fr\/wiki1\/monte-carlo-simulation-wikipedia\/","wordCount":9656,"articleBody":"     (adsbygoogle = window.adsbygoogle || []).push({});before-content-x4 Le nombre de cercle Pi est approxim\u00e9 en utilisant la m\u00e9thode Monte Carlo par le quadruple de la probabilit\u00e9 avec laquelle un point qui est choisi au hasard dans le carr\u00e9 tombe dans la section du district. En raison de la loi de grands nombres, la variance du r\u00e9sultat baisse avec un nombre croissant d’exp\u00e9riences. Monte-carlo-simulation (aussi Mc-simulation ou Monte-carlo-stodie ) est une proc\u00e9dure de la th\u00e9orie des stochastes ou des probabilit\u00e9s, dans laquelle les \u00e9chantillons al\u00e9atoires d’une distribution sont r\u00e9p\u00e9t\u00e9s \u00e0 l’aide d’exp\u00e9riences al\u00e9atoires. [d’abord]        (adsbygoogle = window.adsbygoogle || []).push({});after-content-x4L’objectif est de r\u00e9soudre num\u00e9riquement pas analytiquement pas ou seulement des probl\u00e8mes \u00e9labor\u00e9s et r\u00e9solubles en utilisant les \u00e9chantillons dessin\u00e9s. Surtout, la loi de grands nombres peut \u00eatre consid\u00e9r\u00e9e comme la base. Les exp\u00e9riences al\u00e9atoires peuvent \u00eatre effectu\u00e9es par exemple r\u00e9el par d\u00e9s – dans les calculs d’ordinateurs \u00e0 l’aide d’algorithmes de Monte Carlo. Dans le cas des algorithmes de Monte Carlo, des nombres al\u00e9atoires ou des nombres de pseudo-allocation sont utilis\u00e9s pour simuler des \u00e9v\u00e9nements al\u00e9atoires. Les pionniers de la m\u00e9thode Monte Carlo dans les ann\u00e9es 40 comprennent Stanislaw Ulam, Nicholas Metropolis et John von Neumann. La publication de base est une \u0153uvre de Metropolis, Edward Teller, Augusta H. Teller, Marshall Rosenbluth et Arianna W. Rosenbluth de 1953.        (adsbygoogle = window.adsbygoogle || []).push({});after-content-x4Le probl\u00e8me de l’aiguille pr\u00e9sent\u00e9 par Georges-Louis Leclerc de Buffon devant l’Acad\u00e9mie parisienne des sciences [2] , qui permet l’approximation du num\u00e9ro du district PI avec l’aide du hasard, l’une des premi\u00e8res applications d’une simulation Monte Carlo. (\u2192 D\u00e9termination probabiliste du nombre pi) Enrico Fermi avait ses propres id\u00e9es pour les simulations de Monte Carlo \u00e0 l’aide de machines de calcul \u00e9lectroniques dans les ann\u00e9es 1930. Ceux-ci ont \u00e9t\u00e9 effectu\u00e9s par Stanislaw Ulam en 1946 et John von Neumann, qu’il a donc contact\u00e9. [3] Au moment de la Seconde Guerre mondiale, cela s’est produit pendant les travaux sur un projet secret au Los Alamos Scientific Laboratory, pour lequel un nom de code \u00e9tait n\u00e9cessaire. Dans le cadre du d\u00e9veloppement de la premi\u00e8re bombe atomique, il s’agissait de perfusion de neutrons dans les mati\u00e8res nucl\u00e9aires. [4] La m\u00e9thode math\u00e9matique de simulation devait \u00e9galement \u00eatre gard\u00e9e secr\u00e8te. Le nom Monte-Carlo a \u00e9t\u00e9 fa\u00e7onn\u00e9 par Nicholas Metropolis et est li\u00e9 \u00e0 la m\u00e9thode comme suit: Stan Ulam avait un oncle qui avait toujours emprunt\u00e9 de l’argent \u00e0 des parents pour jouer, car “il devait aller \u00e0 Monte Carlo”. [5] Bien s\u00fbr, il s’agit d’une allusion au casino de Monte-Carlo dans le district du m\u00eame nom de l’\u00c9tat de la ville Monaco. [6] [7] [8] La publication fondamentale est une \u0153uvre de Nicholas Metropolis, Marshall N. Rosenbluth et son \u00e9pouse Arianna W. Rosenbluth, Edward Teller et son \u00e9pouse Augusta H. Teller, publi\u00e9 en 1953 dans le Journal of Chemical Physics. [9] L’objectif \u00e9tait de calculer l’\u00e9quation de condition d’un syst\u00e8me \u00e0 deux dimensions de boules rigides comme mod\u00e8les d’un liquide. Il a \u00e9t\u00e9 simul\u00e9 avec 224 particules et conditions aux limites p\u00e9riodiques. Chaque simulation consistait en jusqu’\u00e0 48 cycles, dans lesquels chaque particule effectuait une \u00e9tape de mouvement. Un cycle a besoin de trois minutes sur l’ordinateur Maniac I du Los Alamos National Laboratory. Une m\u00e9thode d’\u00e9chantillonnage avec pond\u00e9ration sur le facteur de Boltzmann, le c\u0153ur du processus MC dans l’algorithme Metropolis a \u00e9t\u00e9 utilis\u00e9, par lequel l’id\u00e9e serait venue \u00e0 Marshall Rosenbluth von Teller. [dix] [11] Apr\u00e8s Rosenbluth, lui et sa femme ont fait le principal travail pour l’article (Metropolis aurait principalement rendu le temps informatique disponible) et ils \u00e9taient les seuls des auteurs qui ont poursuivi la proc\u00e9dure dans les publications suivantes, [douzi\u00e8me] [13] Cependant, ils se sont rapidement tourn\u00e9s vers d’autres sujets de recherche (plasmaphysique). Le syst\u00e8me est math\u00e9matiquement un chemin \u00e0 parts de probabilit\u00e9 dans la zone de phase (espace d’\u00e9tat g\u00e9n\u00e9ral). Les simulations de Monte Carlo sont particuli\u00e8rement adapt\u00e9es aux valeurs moyennes statistiques d’une taille        (adsbygoogle = window.adsbygoogle || []).push({});after-content-x4UN {displayStyle {Mathcal {a}}} , \u27e8 A\u27e9 = \u2211 x\u2208\u03a9P ( X ) A( X ) , {displayStyle LeftLangle {Mathcal {a}} Rightrangle = sum _ {xin omega} p (x), {mathcal {a}} (x),} ou int\u00e9grales \u00e0 haute dimension ( Monte-carlo-int\u00e9gration ) Comment \u222b x\u2208\u03a9P ( X ) A( X ) dnX {displayStyle int _ {xin omega} !! p (x), {mathcal {a}} (x); mathrm {d} ^ {n} x} calculer. P ( X ) {displayStyle p (x)} Dans ce contexte, un poids statistique normalis\u00e9 (comme un poids de Boltzmann) devrait l’\u00eatre. UN ( X ) {displayStyle {Mathcal {a}} (x)} Est la valeur de la taille UN {displayStyle {Mathcal {a}}} \u00e0 la condition X {displaystyle x} . La sommation ou l’int\u00e9gration passe sur une pi\u00e8ce ici Oh {displayStyle Omega} , c’est-\u00e0-dire l’espace de phase des particules du syst\u00e8me. Souvent, la chambre est Oh {displayStyle Omega} Si grand que le r\u00e9sum\u00e9 ne peut pas \u00eatre effectu\u00e9 compl\u00e8tement. Au lieu de cela, vous cr\u00e9ez maintenant une cha\u00eene Markow X d’abord , X 2 , X 3 , … {displayStyle x_ {1}, x_ {2}, x_ {3}, ldots} Des \u00c9tats dans Oh {displayStyle Omega} dont la fr\u00e9quence comme le poids donn\u00e9 P ( X ) {displayStyle p (x)} est distribu\u00e9. Zones de la pi\u00e8ce Oh {displayStyle Omega} Avec un poids \u00e9lev\u00e9, il devrait \u00eatre plus courant dans la cha\u00eene Markow que les zones \u00e0 faible poids. On parle ici d’\u00e9chantillonnage d’importance. Si cela r\u00e9ussit, les valeurs d’attente peuvent simplement \u00eatre utilis\u00e9es comme moyen arithm\u00e9tique de taille UN {displayStyle {Mathcal {a}}} Calculez \u00e0 ces conditions de la cha\u00eene Markow, c’est-\u00e0-dire comme \u27e8 A\u27e9 \u2248 1N\u2211 i=1NA( X i) . {displayStyle LeftLangle {Mathcal {a}} Rightrangle approx {frac {1} {n}} sum _ {i = 1} ^ {n} {mathcal {a}} (x_ {i}).}. Cette connexion est bas\u00e9e sur la loi de grands nombres. Selon le syst\u00e8me physique, il peut \u00eatre difficile de cr\u00e9er cette cha\u00eene Markow. En particulier, il faut s’assurer que la cha\u00eene Markow fait r\u00e9ellement toute la pi\u00e8ce Oh {displayStyle Omega} Couvert et pas seulement \u00e0 scanner une partie de la pi\u00e8ce. On dit: l’algorithme doit ergodique \u00eatre. Les simulations quasi-monte-carlo n’utilisent pas de nombres de pseudo-num\u00e9ro, mais une s\u00e9quence avec une faible divergence (par exemple une s\u00e9quence SOBOL). Avec la m\u00e9thode Monte Carlo, les probl\u00e8mes de comportement statistique peuvent \u00eatre simul\u00e9s. Cette m\u00e9thode a donc trouv\u00e9 des applications importantes, en particulier en physique. Les superordinateurs d’aujourd’hui (HPC) sont bas\u00e9s sur un multiprocessement solide avec plusieurs milliers de processeurs individuels qui travaillent en parall\u00e8le. Ces circonstances peuvent \u00eatre particuli\u00e8rement bien utilis\u00e9es avec de telles proc\u00e9dures de solution probabiliste. [14] Les applications de la simulation Monte Carlo sont, par exemple, celles suivantes. Table of ContentsCalcul de l’int\u00e9grale [ Modifier | Modifier le texte source ]] R\u00e9\u00e9chantillonnage [ Modifier | Modifier le texte source ]] R\u00e9plique de processus complexes [ Modifier | Modifier le texte source ]] D\u00e9termination probabiliste du nombre pi [ Modifier | Modifier le texte source ]] Int\u00e9gration num\u00e9rique [ Modifier | Modifier le texte source ]] Miller-Rabin-Primmahn [ Modifier | Modifier le texte source ]] Calcul de l’int\u00e9grale [ Modifier | Modifier le texte source ]] D\u00e9termination des int\u00e9grales (sup\u00e9rieures \u00e0 dimension), voir l’exemple R\u00e9\u00e9chantillonnage [ Modifier | Modifier le texte source ]] Examen des propri\u00e9t\u00e9s de distribution des variables al\u00e9atoires des types de distribution inconnus, R\u00e9plique de processus complexes [ Modifier | Modifier le texte source ]] Processus de production dans une entreprise manufacturi\u00e8re pour d\u00e9couvrir des goulots d’\u00e9tranglement et des opportunit\u00e9s de production Mod\u00e8le climatique Processus de reconstruction en m\u00e9decine nucl\u00e9aire. Aggr\u00e9gation des risques pour d\u00e9terminer le risque global d’une entreprise en gestion des risques [15] D\u00e9rivation des revues dans l’\u00e9valuation, par ex. B. Dans l’industrie de l’\u00e9valuation ou de l’immobilier de l’entreprise [16] [17] . Princeance de contrats financiers complexes tels que les options “exotiques”, dans lesquelles aucune formule analytique n’est connue pour \u00e9valuer un produit financier. Distribution spatiale du flux de neutrons d\u00e9pendants de l’\u00e9nergie dans un milieu h\u00e9t\u00e9rog\u00e8ne, par exemple dans le blanc d’un r\u00e9acteur de fusion nucl\u00e9aire. Les superordinateurs et les m\u00e9thodes MC sont U. Pour la simulation des armes nucl\u00e9aires vieillissantes (voir aussi Groundhip de stockage ) utilis\u00e9 aux \u00c9tats-Unis. [18] [19] [20] [21] Simuler des chemins d’une seule goutte de pluie qui entre en collision les autres gouttes distribu\u00e9es au hasard. Selon la simulation de plusieurs gouttes en b\u00e9ton, des d\u00e9clarations sur la taille moyenne de la chute sont possibles ou \u00e0 la temp\u00e9rature et \u00e0 la densit\u00e9 d’\u00e9gouttement, dans laquelle la neige ou la gr\u00eale est cr\u00e9\u00e9e. Distribution des balles sur les compartiments du tableau Galton.  Illustration sur la d\u00e9termination de Monte Carlo de Pi. D\u00e9termination probabiliste du nombre pi [ Modifier | Modifier le texte source ]] Vous choisissez des points al\u00e9atoires ( X , et |X \u2208 [\u22121..1]\u2227 et \u2208 [\u22121..1]) {DisplayStyle \u00e0 gauche (x, y | xin gauche [-1..1Right] wedge yin gauche [-1..1Right] droite)} \u00e0 partir de et ch\u00e8ques (en utilisant la phrase de Pythagore) s’ils se trouvent dans le circuit unitaire: X 2+ et 2\u2264 d’abord {displayStyle x ^ {2} + y ^ {2} leq 1} . Le rapport du nombre de points \u00e0 l’int\u00e9rieur et \u00e0 l’ext\u00e9rieur du cercle peut alors \u00eatre utilis\u00e9 comme suit  Pi {displaystyle pi} \u00eatre d\u00e9termin\u00e9: Kreisfla\u00a8cheQuadratfla\u00a8che= r2\u22c5\u03c0(2\u22c5r)2= \u03c04= Treffer in Kreisfla\u00a8chegenerierte Punkte im Quadrat= P ( Im Kreis) {DisplayStyle {frac {text {kreisfl}} mathrm {ddot {a}} {text {che}} {text {quadratfl}} mathrm {ddot {a}} {text {che}}} {2} cdot pi} dot r) ^} = {frac {text {frappe dans kreisfl}} mathrm {ddot {a}} {text {che}}} {points g\u00e9n\u00e9r\u00e9s dans le quadrat}} Int\u00e9gration num\u00e9rique [ Modifier | Modifier le texte source ]]  Int\u00e9gration num\u00e9rique avec Monte Carlo: les sites de support sont choisis \u00e9galement sur l’intervalle d’int\u00e9gration. Les nouveaux sites de support sont le bleu fonc\u00e9, l’ancien bleu clair. La valeur de l’int\u00e9grale approche 3,32. L’exemple ci-dessus pour d\u00e9terminer PI est pratiquement l’int\u00e9grale de surface d’une zone de circuit quart. En cons\u00e9quence, l’int\u00e9grale de surface des fonctions dimensionnelles g\u00e9n\u00e9rales, \u00e9galement plus \u00e9lev\u00e9es, peut \u00eatre calcul\u00e9e \u00e0 l’aide de cette m\u00e9thode. Devrait l’int\u00e9grale S ( F ) = \u222b 01F ( X ) d X {displayStyle s (f) = int _ {0} ^ {1} f (x), dx} une fonction F {displaystyle f} \u00eatre calcul\u00e9,Alors tu choisis m {displaystyle m} Ind\u00e9pendant dans l’intervalle [ 0 , d’abord ]] {DisplayStyle [0.1]} Points distribu\u00e9s X d’abord , … , X m {displayStyle x_ {1}, points, x_ {m}} et approxim\u00e9 S ( F ) {displayStyle s (f)} \u00e0 travers S m( F ) = 1m\u2211 i=1mF ( X i) . {displayStyle s_ {m} (f) = {frac {1} {m}} sum _ {i = 1} ^ {m} f (x_ {i}).} Dans le cas g\u00e9n\u00e9ral des fonctions de dimension sup\u00e9rieure, la proc\u00e9dure est similaire. Peut \u00eatre K \u2282 R n {displayStyle ksubset mathbb {r} ^ {n}} n’importe quel n {displaystyle n} – quantit\u00e9 dimensionnelle et F : K \u2192 R {DisplayStyle fcolon krightarrow mathbb {r}} une fonction int\u00e9grable. \u00c0 la valeur S ( F ) = \u222b KF ( X ) d X {displayStyle s (f) = int _ {k} f (x), dx} Pour calculer approximativement, vous choisissez accidentellement dans la foule K {displaystyle k} Points distribu\u00e9s X je {displayStyle x_ {i}} pour je = d’abord , … , m {displayStyle i = 1, points, m} . Puis approxim\u00e9 S m( F ) = vol(K)m\u2211 i=1mF ( X i) {displayStyle s_ {m} (f) = {frac {mathrm {vol} (k)} {m}} sum _ {i = 1} ^ {m} f (x_ {i})} la valeur S ( F ) {displayStyle s (f)} en d\u00e9pendance de m {displaystyle m} Exactement. Pour calculer Pi comme pr\u00e9sent\u00e9 ci-dessus, vous devez K : = [ – d’abord , d’abord ]] 2 {displayStyle k: = [- 1,1] ^ {2}} et F : = X Kreis{DisplayStyle f: = chi _ {mathrm {kreis}}} Choisissez comme fonction caract\u00e9ristique du circuit unitaire. Voici S ( X Kreis) = Pi {DisplayStyle s (chi _ {mathrm {kreis}) = pi} En particulier la zone du circuit unitaire. En pratique, les proc\u00e9dures de Monte Carlo sont utilis\u00e9es principalement pour le calcul des int\u00e9grales de haute dimension.Ici, les algorithmes d’int\u00e9gration classiques sont gravement affect\u00e9s par la mal\u00e9diction de la dimensionnalit\u00e9 et ne sont plus applicables.Cependant, les int\u00e9grantes \u00e0 haute dimension sont g\u00e9n\u00e9ralement fortement localis\u00e9es [22] .Dans ces cas, les proc\u00e9dures MCMC en particulier permettent la g\u00e9n\u00e9ration d’\u00e9chantillons avec une distribution au calcul efficace de ces int\u00e9grales de haute dimension. Miller-Rabin-Primmahn [ Modifier | Modifier le texte source ]] Un exemple de simulation de Monte Carlo est le test de Miller-Rabin, dans lequel d\u00e9termine de mani\u00e8re probabiliste si un nombre naturel est premier ou non. La sortie du test est soit “en toute s\u00e9curit\u00e9”, soit “probablement prim”. La probabilit\u00e9 qu’un num\u00e9ro composite soit class\u00e9 comme “probablement prim” est inf\u00e9rieur \u00e0 25% par tour et peut \u00eatre r\u00e9duit par une ex\u00e9cution multiple. Le test Miller Rabin ne fournit aucune d\u00e9claration sur les facteurs d’un nombre composite, il ne s’agit donc pas d’une proc\u00e9dure de factorisation. MCNP , le Code de transport de particule en N Monte-Carlo , est un programme r\u00e9actorphysique prototypique et mondial, qui est utilis\u00e9 tr\u00e8s souvent, \u00e9galement dans la technologie nucl\u00e9aire et la technologie de fusion nucl\u00e9aire. [23] La version actuelle est MCNP6.2. Sur le site MCNP [24] Les manuels et les notes de publication sont-ils trouv\u00e9s sous forme de documents Internet, par exemple le volume I du manuel MCNP Aper\u00e7u et th\u00e9orie . [25] Pythie est un programme de simulation pour la physique des particules et simule les collisions et les particules r\u00e9sultantes. PIMENTER est un programme de simulation pour les circuits \u00e9lectroniques analogiques, num\u00e9riques et mixtes. Avec la simulation Monte Carlo, il est possible de calculer les effets de la propagation des composants dans la tol\u00e9rance sp\u00e9cifi\u00e9e. Binder Kurt: M\u00e9thodes de Monte Carlo en physique statistique. Springer, Berlin [u. a.] 1979, ISBN 3-540-09018-5. Binder Kurt: Applications de la m\u00e9thode Monte Carlo en physique statistique. Springer, Berlin 1984, ISBN 3-540-12764-X. Paul Glasserman: M\u00e9thodes de Monte Carlo en g\u00e9nie financi\u00e8re. Springer, Berlin 2003, ISBN 978-1-4419-1822-2. David P. Landau, Kurt Binder: Un guide des simulations de Monte Carlo en physique statistique. Cambridge University Press, Cambridge, 2014, ISBN 978-1107074026 \u2191  C. West Churchman, Russel L. Ackoff, E. Leonard Arnoff: Recherche op\u00e9rationnelle: une introduction \u00e0 la recherche d’entreprise . Walter the Gruryter GmbH & Co KG, 2015, ISBN 978-3-486-81922-9-9-9-9-9-9, S.  167 ( Google.com [Consult\u00e9 le 19 septembre 2021]).   \u2191  Isaac Todhunter: Histoire de la th\u00e9orie math\u00e9matique de la probabilit\u00e9 , 1865, S. 203  \u2191  Christophe Andrieu, Nando de Freitas, Arnaud Doucet, Michael I. Jordan: Une introduction \u00e0 MCMC pour l’apprentissage automatique (PDF, 1,0 Mo), dans: Machine Learning 2003 , Vol. 50, bande 1\u20132, S. 5\u201343.  \u2191  Notes de cours en fiabilit\u00e9 structurelle – Groupe d’analyse des risques d’ing\u00e9nierie; Universit\u00e9 technique de Munich  \u2191  N Metropolis: D\u00e9but de la m\u00e9thode Monte Carlo . HRSG.: Num\u00e9ro sp\u00e9cial de Los Alamos Science. 1987, S.  125\u2013130 ( fas.org [PDF]).   \u2191  Douglas Hubbard: Comment mesurer quoi que ce soit: trouver la valeur des actifs incorporels dans les affaires. John Wiley & Sons, 2007, S. 46.  \u2191  Charles Grinstead, J. Laurie Snell: Introduction \u00e0 la probabilit\u00e9. American Mathematical Society, 1997, S. 10-11.  \u2191  H. L. Anderson: M\u00e9tropole, Monte Carlo et le maniaque . (PDF, 829 kb) Los Alamos Science, NR. 14, 1986, S. 96\u2013108, 1986.  \u2191  N. Metropolis, A. W. Rosenbluth, M. N. Rosenbluth, A. H. Teller, E. Teller: \u00c9quation des calculs d’\u00e9tat par machines en calcul rapide. Dans: Le Journal of Chemical Physics. Volume 21, num\u00e9ro 6, Juni 1953, S. 1087\u20131092, doi: 10.1063 \/ 1,1699114 .  \u2191  M. Rosenbluth: Gen\u00e8se de l’algorithme de Monte Carlo pour la m\u00e9canique statistique , Actes de conf\u00e9rence AIP, Volume 690, 2003, pp. 22-30, Conf\u00e9rence sur la LANL \u00e0 l’occasion du 50e anniversaire de la publication des travaux \u00e0 partir de 1953  \u2191  J. E. Pilote: “Marshall Rosenbluth et l’algorithme de m\u00e9tropole , Physique des plasmas, bande 12, 2005, S. 057303.  \u2191  M. Rosenbluth, A. Rosenbluth: R\u00e9sultats suppl\u00e9mentaires sur les \u00e9quations d’\u00c9tat de Monte Carlo , The Journal of Chemical Physics, bande 22, 1954, S. 881\u2013884  \u2191  M. Rosenbluth, A. Rosenbluth: Calcul de Monte Carlo de l’extension moyenne des cha\u00eenes mol\u00e9culaires , The Journal of Chemical Physics, bande 23, 1955, S. 356\u2013359  \u2191  Prof. A. Bachem in Interview, C’t 12\/2010, S. 18: De cette fa\u00e7on, les proc\u00e9dures de solution probabiliste peuvent g\u00e9n\u00e9ralement \u00eatre parall\u00e9lis\u00e9es beaucoup mieux que le d\u00e9terministe habituel.  \u2191  Glei\u00dfner; W.: Analyse des risques, quantification des risques et agr\u00e9gation des risques, dans: WIST, 9\/2017, pp. 4-11  \u2191  S. Jayraman: Un examen des m\u00e9thodes de Monte Carlo dans l’immobilier. 2. Mai 2013, consult\u00e9 le 20 mai 2017 (Anglais et sources dedans).   \u2191  Klaus Bernhard Gablenz: Monte Carlo aide aux incertitudes. Dans: Journal immobilier . Edition 29, 26 juillet 2007, S.  6 ( svgablenz.de [PDF]).   \u2191  MERCURE. R\u00e9cup\u00e9r\u00e9 le 13 ao\u00fbt 2019 .   \u2191  10 juillet 2014: Trinity Supercomputer pour soutenir les simulations de stocks nucl\u00e9aires -. R\u00e9cup\u00e9r\u00e9 le 13 ao\u00fbt 2019 (Anglais).   \u2191  Nicole Hemsoth: La NNSA Stockpile de superordinateurs de s\u00e9curit\u00e9 nucl\u00e9aire continue l’\u00e9volution. 16 juillet 2015, R\u00e9cup\u00e9r\u00e9 le 13 ao\u00fbt 2019 (Anglais am\u00e9ricain).   \u2191  Programme d’intendance de stock. R\u00e9cup\u00e9r\u00e9 le 13 ao\u00fbt 2019 .   \u2191  David Mackay: Algorithmes de th\u00e9orie de l’information, d’inf\u00e9rence et d’apprentissage . Cambridge University Press, 2003, ISBN 978-0-521-64298-9, Chapitre 4.4 Typicality & Chapter 29.1 ( Cam.ac.uk ).   \u2191  Dans la base de donn\u00e9es bibliographique WorldCat, plus de 10 000 travaux sont d\u00e9di\u00e9s au programme MCNP lui-m\u00eame ou applications du programme.  \u2191  Un code de transport g\u00e9n\u00e9ral de Monte Carlo N-particule (MCNP): groupe de m\u00e9thodes, codes et applications de Monte Carlo. Consult\u00e9 le 19 juin 2018 .   \u2191   \u00c9quipe X-5 Monte Carlo: MCNP – Un code de transport g\u00e9n\u00e9ral de Monte Carlo N-particules, version 5: Volume I: Pr\u00e9sentation et th\u00e9orie. Consult\u00e9 le 19 juin 2018 .         (adsbygoogle = window.adsbygoogle || []).push({});after-content-x4"},{"@context":"http:\/\/schema.org\/","@type":"BreadcrumbList","itemListElement":[{"@type":"ListItem","position":1,"item":{"@id":"https:\/\/wiki.edu.vn\/all2fr\/wiki1\/#breadcrumbitem","name":"Enzyklop\u00e4die"}},{"@type":"ListItem","position":2,"item":{"@id":"https:\/\/wiki.edu.vn\/all2fr\/wiki1\/monte-carlo-simulation-wikipedia\/#breadcrumbitem","name":"Monte-carlo-simulation – Wikipedia"}}]}]