Cette méthode permet d’effectuer des opérations entre des distributions de données pour en simuler la résultante.
La méthode de Monte-Carlo, introduite par Stanislas Marcin Ulam et Nicholas Metropolis en 1949, est un outil puissant utilisé pour simuler des phénomènes et évaluer des probabilités dans divers domaines. Cette méthode repose sur l'utilisation de distributions de données aléatoires pour simuler des résultats obtenus par des opérations algébriques classiques. Son nom, Monte-Carlo, est inspiré des jeux de hasard, notamment le jeu de la roulette, qui est connu pour produire des nombres aléatoires. Dans le contexte du Lean Management (ou “industriel”), la méthode de Monte-Carlo trouve son utilité principalement dans la simulation de flux de travail, de niveaux de fiabilité et d'autres paramètres cruciaux pour l'optimisation des processus.
La première étape est de recueillir les données du sujet que l’on représente sous forme d’histogramme pour en obtenir la distribution.
On définit le modèle mathématique qui fait le lien entre les variables d’entrées et la résultante, autrement dit l’équation Y = f(X). Pour cela, nous allons être dans 3 cas :
Le principe du calcul de distribution de variable, repose sur le fait que nous souhaitons calculer l’ensemble des probabilités possibles de la résultante, à partir des probabilités des variables d’entrées. On veut donc calculer l’ensemble des combinaisons possibles de ces variables.
Pour cette raison, le calcul s’effectue via une matrice, où l’on met sur la ligne les fréquences de distributions de la première variable et dans la colonne, les fréquences de distribution de la seconde variable. Le croisement de ces 2 éléments représentant notre opération.
On notera que pour une :
Une fois effectué le calcul, nous obtenons un tableau de fréquence de la résultante de notre modèle et donc la distribution de celui-ci. On peut à bon escient effectuer les analyses que l’on souhaite du type :