Bien qu'il soit important de pouvoir estimer les probabilités à l'aide de relations mathématiques, de nombreux événements naturels suivent ou se rapprochent de certaines fonctions de distribution de probabilités bien définies, telles que les distributions uniforme, exponentielle et normale. Pour construire efficacement des modèles de simulation, il est important de comprendre comment utiliser ces distributions. En outre, nous pouvons avoir besoin de trouver la distribution que suivent nos données observées. Ce module présente les détails les plus fins du travail avec les fonctions de distribution de probabilité et introduit les types de modèles de simulation ainsi que quelques astuces pratiques pour travailler avec des données du monde réel qui peuvent ne pas être complètes ou qui peuvent ne pas correspondre exactement à une distribution donnée.

Nous avons commencé par affirmer que la simulation est l'une des approches de modélisation les plus flexibles. Ce module démontre cette flexibilité. Dans ce module, quatre modèles de simulation Monte Carlo sont construits pour un café. Les modèles augmentent en complexité technique et en sophistication pour démontrer les différents problèmes que les modélisateurs doivent prendre en compte lors de la construction de ces modèles, en fonction du type de questions auxquelles ils doivent répondre. Les leçons expliquent quels modèles peuvent répondre à certains types de questions et à quelles questions un certain type de modèle ne peut pas répondre. Les résultats obtenus à partir de différents modèles sont ensuite comparés et discutés afin de comprendre les compromis dans le choix d'un modèle particulier.

Dans ce module, nous terminons la modélisation de la simulation de Monte Carlo en examinant la modélisation de cas particuliers et l'analyse contrefactuelle (examen de scénarios qui n'ont peut-être pas existé ou d'initiatives qui n'ont pas été mises en œuvre). Nous examinerons ensuite la puissance de la simulation d'événements discrets. L'objectif de la discussion sur la modélisation de la simulation d'événements discrets est de vous présenter l'examen des dépendances dans les événements et la façon dont ces dépendances peuvent être modélisées dans Excel avec une pensée innovante, même si Excel ne prend pas en charge nativement toute fonctionnalité permettant de prendre en charge la simulation d'événements discrets. Le matériel contenu dans cette partie est entièrement original et conçu pour ce cours. Vous ne le trouverez dans aucun livre.