Simulation bayésienne de Monte-Carlo — Échantillonnage stochastique informé par des a priori pour la quantification de l'incertitude
La simulation bayésienne de Monte-Carlo intègre l'inférence statistique bayésienne à l'échantillonnage de Monte-Carlo pour propager l'incertitude à travers des modèles complexes. Au lieu de tirer des échantillons de distributions arbitraires, elle conditionne l'échantillonnage sur les données observées et les connaissances a priori expertes via le théorème de Bayes, produisant des estimations d'incertitude basées sur la loi a posteriori qui sont à la fois statistiquement cohérentes et interprétables en termes probabilistes.
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
- O'Hagan, A., Buck, C. E., Daneshkhah, A., Eiser, J. R., Garthwaite, P. H., Jenkinson, D. J., Oakley, J. E., & Rakow, T. (2006). Uncertain Judgements: Eliciting Experts' Probabilities. Wiley. ISBN: 9780470029992
- O'Hagan, A. (1987). Monte Carlo is fundamentally unsound. The Statistician, 36(2-3), 247-249. DOI: 10.2307/2348519 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Bayesian Monte Carlo Simulation — Prior-informed stochastic sampling for uncertainty quantification. ScholarGate. https://scholargate.app/fr/simulation/bayesian-monte-carlo-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.
- Analyse de Sensibilité BayésienneSimulation↔ compare
- Dynamique Systémique BayésienneSimulation↔ compare
- Chaîne de Markov Monte Carlo (MCMC)Simulation↔ compare
- Simulation de Monte-CarloPrise de décision↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →