{"id":9146,"date":"2026-09-23T08:38:25","date_gmt":"2026-09-23T08:38:25","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/qu-est-ce-que-l-echantillonnage-par-hypercube-latin\/"},"modified":"2026-09-23T08:38:27","modified_gmt":"2026-09-23T08:38:27","slug":"qu-est-ce-que-l-echantillonnage-par-hypercube-latin","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=qu-est-ce-que-l-echantillonnage-par-hypercube-latin","title":{"rendered":"Qu’est-ce que l’\u00e9chantillonnage par hypercube latin ?"},"content":{"rendered":"

Dans le domaine de l’analyse num\u00e9rique, de la mod\u00e9lisation stochastique et de la conception de plans d’exp\u00e9riences informatiques, la repr\u00e9sentativit\u00e9 spatiale des \u00e9chantillons constitue un d\u00e9fi fondamental. Lorsque des chercheurs et des ing\u00e9nieurs cherchent \u00e0 sonder les comportements de syst\u00e8mes dynamiques hautement non lin\u00e9aires ou \u00e0 calibrer des architectures computationnelles complexes, la simple force brute du calcul se heurte in\u00e9vitablement \u00e0 des contraintes budg\u00e9taires rigoureuses. \u00c9valuer une fonction de r\u00e9ponse peut n\u00e9cessiter plusieurs heures, voire plusieurs jours de calcul sur des grappes de processeurs \u00e0 haute performance. D\u00e8s lors, le choix de la m\u00e9thode d’\u00e9chantillonnage ne rel\u00e8ve pas d’une simple d\u00e9cision technique p\u00e9riph\u00e9rique, mais d’une strat\u00e9gie m\u00e9thodologique d\u00e9terminante conditionnant la validit\u00e9 des inf\u00e9rences statistiques ult\u00e9rieures.<\/p>\n

L’\u00e9chantillonnage par hypercube latin (connu sous l’acronyme anglophone Latin Hypercube Sampling<\/em> ou LHS) s’est impos\u00e9 depuis sa formalisation \u00e0 la fin des ann\u00e9es 1970 comme l’une des approches les plus \u00e9l\u00e9gantes et efficientes pour r\u00e9soudre ce dilemme. En combinant la rigueur structurelle de la stratification multidimensionnelle \u00e0 la flexibilit\u00e9 exploratoire du tirage pseudo-al\u00e9atoire, cette m\u00e9thodologie permet de maximiser l’information extraite d’un nombre restreint d’it\u00e9rations. Contrairement aux approches traditionnelles qui laissent le hasard pur cr\u00e9er des zones d’agglom\u00e9ration redondantes et des d\u00e9serts informationnels au sein de l’espace des param\u00e8tres, l’hypercube latin applique une contrainte combinatoire stricte garantissant qu’aucune dimension marginale n’est sous-repr\u00e9sent\u00e9e ou n\u00e9glig\u00e9e.<\/p>\n

Le pr\u00e9sent article propose une exploration encyclop\u00e9dique et approfondie de l’\u00e9chantillonnage par hypercube latin. En partant de sa gen\u00e8se historique et de ses fondements math\u00e9matiques rigoureux, nous d\u00e9taillerons son m\u00e9canisme algorithmique, ses variantes optimis\u00e9es, ses propri\u00e9t\u00e9s fondamentales de r\u00e9duction de la variance, ainsi que ses multiples impl\u00e9mentations logicielles. Une attention toute particuli\u00e8re sera port\u00e9e \u00e0 ses applications contemporaines dans des domaines \u00e0 haute complexit\u00e9 param\u00e9trique, notamment la psychom\u00e9trie computationnelle, les neurosciences cognitives et l’analyse de sensibilit\u00e9 globale.<\/p>\n

1. Introduction et fondements conceptuels de l’\u00e9chantillonnage par hypercube latin<\/h2>\n

1.1 Gen\u00e8se historique et d\u00e9finition formelle<\/h3>\n

L’\u00e9chantillonnage par hypercube latin a \u00e9t\u00e9 formellement introduit dans la litt\u00e9rature scientifique en 1979 par trois statisticiens am\u00e9ricains : Michael D. McKay, Richard J. Beckman et William J. Conover, dans leur publication s\u00e9minale parue au sein de la revue Technometrics<\/em>. Travaillant en collaboration \u00e9troite avec le Laboratoire national de Los Alamos, ces chercheurs \u00e9taient confront\u00e9s \u00e0 la n\u00e9cessit\u00e9 d’estimer les distributions de sortie de mod\u00e8les thermo-hydrauliques et nucl\u00e9aires particuli\u00e8rement lourds, pour lesquels chaque \u00e9valuation num\u00e9rique exigeait un temps de calcul consid\u00e9rable. La m\u00e9thode standard de Monte Carlo se r\u00e9v\u00e9lait dramatiquement inefficace en raison de son taux de convergence lent et de sa tendance structurelle \u00e0 agr\u00e9ger involontairement des points dans certaines sous-r\u00e9gions tout en laissant de vastes zones inexplor\u00e9es.<\/p>\n

Sur le plan formel, l’\u00e9chantillonnage par hypercube latin se d\u00e9finit comme une g\u00e9n\u00e9ralisation multidimensionnelle de l’\u00e9chantillonnage stratifi\u00e9. Son principe fondamental consiste \u00e0 garantir que l’ensemble du domaine de variation de chaque variable d’entr\u00e9e est partitionn\u00e9 en intervalles d’\u00e9gale probabilit\u00e9, et que chaque intervalle marginal ne re\u00e7oit exactement qu’une seule observation. Cette contrainte transforme radicalement la nature probabiliste de l’\u00e9chantillon : il ne s’agit plus d’un tirage purement ind\u00e9pendant et identiquement distribu\u00e9, mais d’un processus stochastique contraint o\u00f9 la s\u00e9lection de chaque point d\u00e9pend de la grille de discr\u00e9tisation pr\u00e9alablement d\u00e9finie sur les marges.<\/p>\n

D’un point de vue \u00e9pist\u00e9mologique, le LHS op\u00e8re une distinction cruciale entre l’al\u00e9atoire pur, souvent synonyme d’inhomog\u00e9n\u00e9it\u00e9 spatiale \u00e0 faible effectif, et un \u00e9chantillonnage pseudo-al\u00e9atoire contr\u00f4l\u00e9. Dans le cadre de l’optimisation des plans d’exp\u00e9riences num\u00e9riques, \u00e9galement d\u00e9sign\u00e9s sous le terme de Design of Computer Experiments<\/em> (DoCE), le LHS s’est \u00e9tabli comme le socle incontournable permettant d’alimenter les surfaces de r\u00e9ponse, les \u00e9mulateurs gaussiens et les analyses de sensibilit\u00e9 globale, transformant l’exploration computationnelle en une d\u00e9marche \u00e9conome et statistiquement robuste.<\/p>\n

1.2 L’analogie bidimensionnelle du carr\u00e9 latin<\/h3>\n

Pour appr\u00e9hender l’intuition g\u00e9om\u00e9trique qui sous-tend l’hypercube latin, il convient de se r\u00e9f\u00e9rer au concept math\u00e9matique plus ancien de carr\u00e9 latin, th\u00e9oris\u00e9 au XVIIIe si\u00e8cle par le math\u00e9maticien suisse Leonhard Euler<\/a>. En combinatoire, un carr\u00e9 latin d’ordre $N$<\/span> est une grille matricielle carr\u00e9e de dimensions $N \\times N$<\/span> remplie de $N$<\/span> symboles distincts de telle sorte que chaque symbole apparaisse exactement une fois sur chaque ligne et exactement une fois sur chaque colonne. Cette propri\u00e9t\u00e9 d’orthogonalit\u00e9 marginale garantit un \u00e9quilibre parfait de la distribution des symboles dans les deux dimensions de l’espace matriciel.<\/p>\n

Transpos\u00e9e au domaine spatial et probabiliste de l’\u00e9chantillonnage, cette configuration trouve une illustration classique dans le probl\u00e8me combinatoire du placement de tours sur un \u00e9chiquier : comment positionner $N$<\/span> tours sur un \u00e9chiquier de taille $N \\times N$<\/span> sans qu’aucune tour ne puisse en capturer une autre ? La r\u00e9ponse impose que chaque rang\u00e9e horizontale et chaque colonne verticale ne contienne qu’une et une seule tour. Dans le cadre d’un \u00e9chantillon par carr\u00e9 latin \u00e0 deux variables continues, l’espace bidimensionnel $[0,1]^2$<\/span> est d\u00e9coup\u00e9 en une grille de $N \\times N$<\/span> cellules de probabilit\u00e9s marginales uniformes, et $N$<\/span> points d’\u00e9chantillonnage sont positionn\u00e9s de sorte qu’il n’y ait qu’un seul point par tranche horizontale et un seul point par tranche verticale.<\/p>\n

\"Latin
Latin hypercube sampling in two dimensions<\/figcaption><\/figure>\n

Cette condition assure une double propri\u00e9t\u00e9 : une \u00e9quiprobabilit\u00e9 spatiale sur le plan continu et une ind\u00e9pendance marginale stricte de la couverture. Lorsque le nombre de variables d\u00e9passe deux, l’\u00e9chiquier se m\u00e9tamorphose g\u00e9om\u00e9triquement en un espace vectoriel \u00e0 $d$<\/span> dimensions. Le carr\u00e9 latin devient alors un hypercube latin au sein de l’espace $[0,1]^d$<\/span>. La condition fondamentale demeure inchang\u00e9e : si l’on projette l’ensemble des $N$<\/span> points multidimensionnels sur n’importe lequel des $d$<\/span> axes de coordonn\u00e9es, la projection r\u00e9v\u00e8le exactement un point dans chacun des $N$<\/span> intervalles d\u00e9finis sur cet axe particulier.<\/p>\n

1.3 Objectifs primordiaux dans la recherche quantitative<\/h3>\n

L’objectif cardinal de l’\u00e9chantillonnage par hypercube latin dans la recherche scientifique quantitative r\u00e9side dans la maximisation de la couverture de l’espace d’\u00e9tat sous contrainte d’un budget computationnel restreint. Dans de nombreux champs disciplinaires, de la dynamique des fluides computationnelle aux mod\u00e8les \u00e9conom\u00e9triques d’\u00e9quilibre g\u00e9n\u00e9ral, la fonction de transfert reliant les param\u00e8tres d’entr\u00e9e aux variables d’int\u00e9r\u00eat ne dispose d’aucune expression analytique close. Elle prend la forme d’une bo\u00eete noire algorithmique co\u00fbteuse. Le chercheur doit donc sonder cet espace avec un nombre d’\u00e9valuations aussi r\u00e9duit que possible tout en s’assurant qu’aucun pan du comportement du syst\u00e8me ne demeure dissimul\u00e9.<\/p>\n

Un autre avantage majeur r\u00e9side dans l’\u00e9limination syst\u00e9matique du ph\u00e9nom\u00e8ne d’agglom\u00e9ration spatiale, fr\u00e9quemment d\u00e9sign\u00e9 par le terme de clustering<\/em>, inh\u00e9rent au tirage al\u00e9atoire simple. Par la simple loi des s\u00e9ries, un tirage de type Monte Carlo classique tend \u00e0 grouper arbitrairement certains points dans des voisinages \u00e9troits, induisant une redondance analytique inutile, tout en laissant subsister d’immenses lacunes informatives. L’hypercube latin pr\u00e9vient structurellement cette redondance en for\u00e7ant la dispersion des observations le long de chaque dimension du probl\u00e8me.<\/p>\n

Enfin, cette garantie de non-redondance sur les axes marginaux s’av\u00e8re particuli\u00e8rement pr\u00e9cieuse lorsque le mod\u00e8le analys\u00e9 poss\u00e8de une dimensionnalit\u00e9 effective faible. Si, parmi les vingt variables d’entr\u00e9e int\u00e9gr\u00e9es dans une simulation, seules deux ou trois gouvernent l’essentiel de la variance de la r\u00e9ponse, le plan d’\u00e9chantillonnage LHS projet\u00e9 sur ce sous-espace critique pr\u00e9serve une repr\u00e9sentativit\u00e9 quasi optimale. \u00c0 l’inverse, un plan factoriel complet aurait gaspill\u00e9 des milliers d’\u00e9valuations \u00e0 tester des combinaisons st\u00e9riles de facteurs inertes, tandis qu’un tirage al\u00e9atoire pur aurait produit une dispersion chaotique.<\/p>\n

2. Principes math\u00e9matiques et formulation probabiliste<\/h2>\n

2.1 Partitionnement de l’espace probabiliste<\/h3>\n

La formulation math\u00e9matique rigoureuse de l’\u00e9chantillonnage par hypercube latin repose sur la d\u00e9composition spectrale des fonctions de r\u00e9partition univari\u00e9es associ\u00e9es \u00e0 chaque variable al\u00e9atoire. Soit un vecteur al\u00e9atoire $\\mathbf{X} = (X_1, X_2, dots, X_d) in \\mathbb{R}^d$<\/span> dont chaque composante $X_j$<\/span> est caract\u00e9ris\u00e9e par une fonction de r\u00e9partition continue not\u00e9e $F_j(x) = \\mathbb{P}(X_j \\leq x)$<\/span>. L’objectif est de g\u00e9n\u00e9rer un ensemble de $N$<\/span> points d’\u00e9chantillonnage $\\mathbf{x}^{(i)} = (x_{1}^{(i)}, x_{2}^{(i)}, dots, x_{d}^{(i)})$<\/span> pour $i in {1, 2, dots, N}$<\/span>.<\/p>\n

La premi\u00e8re \u00e9tape consiste \u00e0 partitionner l’espace des probabilit\u00e9s marginales unitaire $[0, 1]$<\/span> de chaque dimension $j$<\/span> en $N$<\/span> sous-intervalles contigus d’\u00e9gale probabilit\u00e9 mesur\u00e9e par la loi uniforme. Chaque sous-intervalle $I_k$<\/span> pour $k in {1, dots, N}$<\/span> est formellement d\u00e9fini par l’ensemble :<\/p>\n

$$I_k = \\left[ \\frac{k-1}{N}, \\frac{k}{N} \\right]$$<\/span><\/p>\n

Par construction, la mesure de probabilit\u00e9 assign\u00e9e \u00e0 chaque strate marginale est strictement \u00e9quivalente \u00e0 $1\/N$<\/span>, garantissant une repr\u00e9sentativit\u00e9 probabiliste uniforme.<\/p>\n

Pour transposer cette partition probabiliste unitaire dans l’espace physique ou r\u00e9el des variables du mod\u00e8le, la m\u00e9thode applique la transformation int\u00e9grale de probabilit\u00e9 inverse, couramment appel\u00e9e m\u00e9thode d’inversion quantile. Si la fonction de r\u00e9partition marginale $F_j$<\/span> est strictement croissante et continue, elle admet une fonction inverse $F_j^{-1} : ]0, 1[ to \\mathbb{R}$<\/span>. Ainsi, \u00e0 chaque intervalle de probabilit\u00e9 unitaire $I_k$<\/span> correspond un intervalle dans l’espace de la variable $X_j$<\/span> d\u00e9limit\u00e9 par $[F_j^{-1}((k-1)\/N), F_j^{-1}(k\/N)]$<\/span>. Il s’\u00e9tablit un isomorphisme fonctionnel direct entre l’hypercube unit\u00e9 $[0,1]^d$<\/span> et l’espace de support des variables cibles, assurant la pr\u00e9servation int\u00e9grale des lois marginales cibl\u00e9es par le chercheur.<\/p>\n

2.2 Tirage au sort intra-strate et matrices de permutation<\/h3>\n

Une fois la partition unitaire \u00e9tablie pour l’ensemble des dimensions, il convient de d\u00e9terminer la localisation pr\u00e9cise des coordonn\u00e9es \u00e0 l’int\u00e9rieur de chaque strate et de coupler ces coordonn\u00e9es \u00e0 travers les diff\u00e9rentes dimensions. Au sein de chaque strate $k$<\/span> de la dimension $j$<\/span>, un point univari\u00e9 $U_{j,k}$<\/span> est pr\u00e9lev\u00e9 selon une loi uniforme continue locale :<\/p>\n

$$U_{j,k} = \\frac{k – 1 + \\xi_{j,k}}{N}$$<\/span><\/p>\n

o\u00f9 $\\xi_{j,k} \\sim \\mathcal{U}(0, 1)$<\/span> repr\u00e9sente une variable al\u00e9atoire ind\u00e9pendante et uniform\u00e9ment distribu\u00e9e sur l’intervalle $[0, 1]$<\/span>. Dans certaines variantes d\u00e9terministes dites \u00ab\u00a0point-milieu\u00a0\u00bb (midpoint LHS<\/em>), le terme stochastique $\\xi_{j,k}$<\/span> est fix\u00e9 conventionnellement \u00e0 la constante $0.5$ afin d’\u00e9liminer toute variance intra-strate r\u00e9siduelle.<\/p>\n

L’assemblage multidimensionnel des points repose sur l’introduction de matrices de permutation al\u00e9atoires. Pour chaque dimension $j in {1, dots, d}$<\/span>, on g\u00e9n\u00e8re une permutation ind\u00e9pendante $\\pi_j$<\/span> de l’ensemble des entiers ${1, 2, dots, N}$<\/span>, choisie de mani\u00e8re \u00e9quiprobable parmi les $N!$<\/span> permutations possibles. La $i$<\/span>-\u00e8me observation du plan d’\u00e9chantillonnage pour la variable $j$<\/span> est alors d\u00e9finie par l’\u00e9valuation quantile :<\/p>\n

$$X_j^{(i)} = F_j^{-1}\\left( \\frac{\\pi_j(i) – 1 + \\xi_{j,\\pi_j(i)}}{N} \\right)$$<\/span><\/p>\n

L’association des indices de rangs via ces permutations forme une matrice de conception $\\mathbf{D} in \\mathbb{R}^{N \\times d}$<\/span>. Cette stochasticit\u00e9 r\u00e9siduelle issue des permutations combinatoires conf\u00e8re au plan sa repr\u00e9sentativit\u00e9 globale tout en maintenant la contrainte de stratification marginale stricte.<\/p>\n

\"Latin
Latin hypercube sampling example<\/figcaption><\/figure>\n

2.3 Propri\u00e9t\u00e9s statistiques fondamentales de l’\u00e9chantillon g\u00e9n\u00e9r\u00e9<\/h3>\n

L’une des propri\u00e9t\u00e9s les plus remarquables de l’\u00e9chantillonnage par hypercube latin r\u00e9side dans sa capacit\u00e9 \u00e0 pr\u00e9server exactement les distributions marginales th\u00e9oriques impos\u00e9es par l’exp\u00e9rimentateur, et ce, quelle que soit la taille de l’\u00e9chantillon $N$<\/span>. Contrairement \u00e0 l’\u00e9chantillonnage de Monte Carlo conventionnel o\u00f9 la fonction de r\u00e9partition empirique converge vers la fonction th\u00e9orique selon un processus stochastique soumis aux fluctuations d’\u00e9chantillonnage, la fonction empirique marginale d’un \u00e9chantillon LHS \u00e9pouse avec une fid\u00e9lit\u00e9 math\u00e9matique rigoureuse la fonction cible sur chacun des $N$<\/span> quantiles de r\u00e9f\u00e9rence.<\/p>\n

Concernant le comportement asymptotique des moments statistiques d’ordre un et deux, l’estimateur de la moyenne obtenu via le LHS est rigoureusement non biais\u00e9. De surcro\u00eet, la moyenne \u00e9chantillonnale pr\u00e9sente une variance inf\u00e9rieure ou \u00e9gale \u00e0 celle produite par un tirage al\u00e9atoire simple de m\u00eame taille. Cette propri\u00e9t\u00e9 d\u00e9coule de l’\u00e9limination de la composante de variance li\u00e9e aux fluctuations d’effectifs entre strates marginales. De m\u00eame, l’\u00e9chantillonnage conserve l’invariance d’\u00e9chelle face \u00e0 toute transformation monotone croissante appliqu\u00e9e aux variables d’entr\u00e9e.<\/p>\n

Cependant, l’introduction de permutations purement al\u00e9atoires et ind\u00e9pendantes pour chaque colonne dimensionnelle engendre une vuln\u00e9rabilit\u00e9 statistique : l’apparition potentielle de corr\u00e9lations lin\u00e9aires fallacieuses ou non intentionnelles entre variables initialement suppos\u00e9es ind\u00e9pendantes. Par le simple jeu des permutations al\u00e9atoires \u00e0 effectif $N$<\/span> mod\u00e9r\u00e9, deux vecteurs de rangs peuvent pr\u00e9senter un coefficient de corr\u00e9lation de Spearman substantiellement diff\u00e9rent de z\u00e9ro. Cette limite intrins\u00e8que du LHS standard a stimul\u00e9 le d\u00e9veloppement de m\u00e9thodes de contr\u00f4le des d\u00e9pendances matricielles, que nous aborderons ult\u00e9rieurement.<\/p>\n

3. M\u00e9canisme algorithmique de l’\u00e9chantillonnage pas \u00e0 pas<\/h2>\n

3.1 L’\u00e9chantillonnage unidimensionnel : analyse d\u00e9taill\u00e9e<\/h3>\n

Pour illustrer la m\u00e9canique fine du LHS, analysons son fonctionnement sur une unique variable al\u00e9atoire continue $X in \\mathbb{R}$<\/span>. Consid\u00e9rons le cas classique o\u00f9 $X$<\/span> suit une distribution normale standard, telle que $X \\sim \\mathcal{N}(0, 1)$<\/span>, et fixons un effectif exp\u00e9rimental modeste de $N = 5$<\/span> points. L’intervalle de probabilit\u00e9 cumul\u00e9e $[0, 1]$<\/span> est imm\u00e9diatement segment\u00e9 en cinq tranches d’\u00e9gale amplitude probabiliste : $[0.0, 0.2]$<\/span>, $[0.2, 0.4]$<\/span>, $[0.4, 0.6]$<\/span>, $[0.6, 0.8]$<\/span> et $[0.8, 1.0]$<\/span>.<\/p>\n

Au sein de chacune de ces tranches, un nombre uniform\u00e9ment distribu\u00e9 est g\u00e9n\u00e9r\u00e9. Supposons que les r\u00e9alisations stochastiques intra-strates soient respectivement $u_1 = 0.12$<\/span>, $u_2 = 0.35$<\/span>, $u_3 = 0.51$<\/span>, $u_4 = 0.78$<\/span> et $u_5 = 0.94$<\/span>. L’application de la fonction de r\u00e9partition inverse de la loi normale, traditionnellement d\u00e9sign\u00e9e par la fonction quantile $\\Phi^{-1}(u)$<\/span>, permet d’obtenir les valeurs physiques des points d’\u00e9chantillonnage :<\/p>\n