Байесова Монте Карло симулация — Стохастично семплиране, информирано от априорни разпределения, за количествено определяне на неопределеността
Байесовата Монте Карло симулация интегрира байесовия статистически извод с Монте Карло семплирането за разпространение на неопределеността през сложни модели. Вместо да се извличат извадки от произволни разпределения, тя обуславя семплирането на базата на наблюдавани данни и експертно априорно знание чрез теоремата на Бейс, давайки оценки на неопределеността, базирани на апостериорното разпределение, които са едновременно статистически кохерентни и интерпретируеми в вероятностни термини.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- 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 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Bayesian Monte Carlo Simulation — Prior-informed stochastic sampling for uncertainty quantification. ScholarGate. https://scholargate.app/bg/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.
- Байесов анализ на чувствителносттаСимулационно моделиране↔ compare
- Бейсианска системна динамикаСимулационно моделиране↔ compare
- Марковски Монте Карло вериги (MCMC)Симулационно моделиране↔ compare
- Монте Карло симулацияВземане на решения↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →