Stochastic modeling is a mathematical approach that incorporates randomness to simulate and analyze complex systems with inherent uncertainty.Méthode d'étude des systèmes complexes consistant à construire un modèle mathématique incluant des variables aléatoires et des transitions probabilistes, et à le reproduire numériquement de nombreuses fois (méthode de Monte-Carlo). La modélisation stochastique est indispensable lorsque la résolution analytique des équations est trop lourde ou inconnue, mais que les propriétés statistiques des événements élémentaires sont disponibles. Utilisée en physique, biologie, finance, épidémiologie pour évaluer les risques et les incertitudes.
Les fondements formels ont été posés au début du XXe siècle par les travaux de A. A. Markov, A. Einstein (mouvement brownien), N. Wiener. La méthode de Monte-Carlo a été inventée par Stanislas Ulam et John von Neumann dans les années 1940 pour le projet Manhattan. Avec l'essor des ordinateurs, la modélisation stochastique est devenue un outil standard dans toutes les sciences, y compris en climatologie (prévisions d'ensemble) et en biologie computationnelle.
On définit un modèle probabiliste : par exemple, l'EDS dX_t = μ(X_t,t)dt + σ(X_t,t)dW_t, où W_t est un processus de Wiener (processus aléatoire continu à accroissements indépendants et normaux). Un schéma numérique (Euler–Maruyama) génère des accroissements discrets en ajoutant un bruit blanc gaussien. En répétant la simulation N fois, on obtient N trajectoires à partir desquelles on construit des histogrammes, des intervalles de confiance, etc. La convergence de la méthode est de l'ordre de 1/√N.
Prévision de la propagation des infections, modélisation des mouvements de foule, calcul de la fiabilité des centrales électriques.
Dès le milieu du XXe siècle, les physiciens modélisaient le déplacement des neutrons dans un réacteur nucléaire à l'aide de nombres aléatoires — c'est ainsi qu'est née la méthode de Monte-Carlo, baptisée d'après le casino.
| P(D|θ) | variable | probability of data given parameters — probabilité |
| y_model | variable | model prediction — value |
| y_data | variable | observed data point — value |
| σ | variable | standard deviation of Gaussian noise — écart type |
| log | opérateur | natural logarithm — logarithme |
| ∑ | opérateur | sum over all data points — somme |
| f(x_i) | variable | model prediction at input x_i — valeur de fonction |
| y_i | variable | observed data point — data value |
| σ_i | variable | standard deviation of measurement error — écart type |
| ∏ | opérateur | Product over all data points i — opérateur produit |
| exp | opérateur | Exponential function — fonction exponentielle |














