Simulation à événements discrets bayésienne — Modélisation de processus stochastiques informée par la distribution a posteriori
La simulation à événements discrets bayésienne (BDES) intègre l'inférence statistique bayésienne à la simulation à événements discrets. Les croyances a priori sur les paramètres du système — tels que les taux de service, les temps d'arrivée ou les probabilités de défaillance — sont mises à jour avec les données observées via le théorème de Bayes, et les distributions a posteriori résultantes pilotent directement le moteur de simulation. Ce couplage permet aux modélisateurs de propager l'incertitude aléatoire et épistémique à travers des modèles de processus pilotés par les événements.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- Onggo, B. S., & Kunc, M. (2016). Combining discrete-event simulation and Bayesian updating for incorporating evidence from real-world data. Journal of Simulation, 10(1), 1-12. link ↗
- Pidd, M. (2004). Computer Simulation in Management Science (5th ed.). Wiley. ISBN: 9780470092781
Comment citer cette page
ScholarGate. (2026, June 3). Bayesian Discrete-Event Simulation — Posterior-informed stochastic process modeling. ScholarGate. https://scholargate.app/fr/simulation/bayesian-discrete-event-simulation
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Simulation à événements discrets basée sur des agentsSimulation↔ compare
- Modélisation bayésienne à base d'agentsSimulation↔ compare
- Modèle de Markov bayésienSimulation↔ compare
- Simulation à événements discrets (DES)Simulation↔ compare
- Simulation de Monte-CarloPrise de décision↔ compare
- Simulation stochastique à événements discretsSimulation↔ compare
Une erreur sur cette page ? Signalez-la ou proposez une correction →