Classe de méthodes computationnelles qui utilisent des échantillonnages aléatoires répétés pour obtenir des résultats numériques sur des problèmes déterministes ou stochastiques complexes. Le principe : modéliser les incertitudes des inputs comme des distributions de probabilité, tirer aléatoirement des valeurs pour chaque input, calculer l'output, et répéter des milliers de fois pour obtenir la distribution de l'output. Applications data/ML : estimation de pi (approche géométrique), valorisation d'options financières (Black-Scholes stochastique), planning de projet (distribution des délais), optimisation bayésienne, et inférence MCMC (Markov Chain Monte Carlo pour les modèles bayésiens complexes). En risk management, la VaR (Value at Risk) est typiquement calculée par simulation Monte Carlo. Les méthodes quasi-Monte Carlo (séquences de Sobol) convergent plus vite que l'aléatoire pur.