ScholarGate
Βοηθός
Process / pipelineSimulation / optimization

Προσομοίωση Monte Carlo με Bayesian — Στοχαστική δειγματοληψία ενημερωμένη με εκ των προτέρων πληροφορίες για την ποσοτικοποίηση της αβεβαιότητας

Η Προσομοίωση Monte Carlo με Bayesian ενσωματώνει τη στατιστική συμπερασματολογία Bayesian με τη δειγματοληψία Monte Carlo για τη διάδοση της αβεβαιότητας μέσω πολύπλοκων μοντέλων. Αντί να αντλεί δείγματα από αυθαίρετες κατανομές, θέτει υπό συνθήκη τη δειγματοληψία με βάση παρατηρούμενα δεδομένα και εκ των προτέρων γνώση ειδικών μέσω του θεωρήματος του Bayes, αποδίδοντας εκτιμήσεις αβεβαιότητας βασισμένες στην εκ των υστέρων κατανομή, οι οποίες είναι τόσο στατιστικά συνεκτικές όσο και ερμηνεύσιμες με πιθανοτικούς όρους.

Άνοιγμα στο MethodMindΣύντομαΒίντεοΣύντομαDownload slides

Διαβάστε ολόκληρη τη μέθοδο

Μόνο για μέλη

Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.

Σύνδεση

Method map

The neighbourhood of related methods — select a node to explore.

Πηγές

  1. 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
  2. O'Hagan, A. (1987). Monte Carlo is fundamentally unsound. The Statistician, 36(2-3), 247-249. DOI: 10.2307/2348519

Πώς να παραπέμψετε σε αυτή τη σελίδα

ScholarGate. (2026, June 3). Bayesian Monte Carlo Simulation — Prior-informed stochastic sampling for uncertainty quantification. ScholarGate. https://scholargate.app/el/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.

Compare side by side

Αναφέρεται από

ScholarGateBayesian Monte Carlo Simulation (Bayesian Monte Carlo Simulation — Prior-informed stochastic sampling for uncertainty quantification). Ανακτήθηκε στις 2026-06-15 από https://scholargate.app/el/simulation/bayesian-monte-carlo-simulation · Σύνολο δεδομένων: https://doi.org/10.5281/zenodo.20539026