MCDMRankingcrisp
Monte Carlo simulācija — Stokastiska nenoteiktības izplatīšanās caur MCDM modeli
MONTE-CARLO-SIMULATION (Monte Carlo simulācija — Stokastiska nenoteiktības izplatīšanās caur MCDM modeli) ir reitinga daudzKritēriju lēmumu pieņemšanas (MCDM) metode, ko 1949. gadā ieviesa Metropolis, N., Ulam, S. Tā pārvērš alternatīvu lēmumu matricu, kas novērtēta pēc vairākiem kritērijiem, strukturētā, reproducējamā rezultātā.
Lasīt pilno metodes aprakstu
Tikai dalībniekiem
PieteiktiesPiesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
+80 more
Avoti
- Metropolis, N., Ulam, S. (1949). The Monte Carlo method. Journal of the American Statistical Association DOI: 10.1080/01621459.1949.10483310 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 2). Monte Carlo Simulation — Stochastic uncertainty propagation through MCDM model. ScholarGate. https://scholargate.app/lv/decision-making/monte-carlo-simulation
Uz to atsaucas
Aģentu diskrēto notikumu simulācijaAģentu modelēšana (ABM)Aģentu bāzēta rindošanās simulācijaAģentu bāzēta scenāriju analīzeAģentu balstīta jutīguma analīzeAproksimatīvā Bayesian aprēķināšanaBayesian Agent-Based ModelingBejeza šūnu automātiBayesian Discrete-Event SimulationBayesiešu Markovas modelisBjöriešu mikrosimulācijaBeijesiešu Montekarlo simulācijaBeijesiešu rindošanās simulācijaBeijesa scenāriju analīzeBeiešiskā jutīguma analīzeBaijesa sistēmdinamikaBootstrap simulācijaŠūnu automātiDeterminiskie šūnu automātiDeterministisk Markovas modelisDeterministiskā mikrosimulācijaDeterminētiskā scenāriju analīzeSistemātiskā parametru variācija modeļa robustuma noteikšanaiDigitālā dvīņa simulācijaDiskrētās izvēles simulācijaDiskrētās notikumu simulācija (DES)Diskrētās notikumu sistēmu simulācijaGlobālās jutības analīzeHibridā analīze uzticamībaiNozīmes izlaseDžeknaifa nožu aplēsteLatīņu hiperkuba paraugu ņemšanaMarkov Chain Monte Carlo (MCMC)Markov ModelMikrosimulācijaDaudzobjektīvu diskrēti notikumu simulācijaMulti-objective MicrosimulationDaudzobjektu jutīguma analīzeDaudzlīmeņu Montekarlo simulācijaPolitikas scenāriju aģentu modelēšanaPolitikas scenāriju analīzeDiskrētā notikumu simulācija (DES) politikas scenārijiPolitikas scenāriju mikrosimulācijaMonte Carlo simulācija politikas scenārijiemPolitikas scenāriju jutīguma analīzeProbabilistic Seismic Hazard AnalysisSimulācija rindāsUz risku balstīta Taguchi metodeRobustā aģentu bāzētā modelēšanaRobust Discrete-Event SimulationRobust Markov ModelRobust MicrosimulationRobustā Monte Carlo simulācijaRobustas rindu simulācijaRobust Scenario AnalysisRobustas jutīguma analīzeScenāriju analīze un “What-if” simulācijaJutīguma analīze ar kļūdu koku analīziJutīguma analīze ar procesu spēju analīziJutīguma analīze ar cēloņu analīziSimulācijām balstīta cēloņseku salīdzinošā izpētePētījumi ar simulācijas palīdzību apstiprināšanaiKontrolkarte, ko palīdz simulācijaSimulāciju atbalstīta šķērsgriezuma izpēteSimulācijas atbalstīts ex post facto pētījuma dizainsAnalīze, ko atbalsta simulācija, izmantojot režīmu un seku analīziSimulācijām balstīta kļūdu koku analīzePētījumi ar simulāciju palīdzību hipotēžu testēšanāSimulācijas atbalstīta procesa spēju analīzeSimulācijas palīdzības kvantitatīvā satura analīzeSimulāciju atbalstīta ticamības analīzeStatistiskās procesa kontroles (SPC) simulācijas palīglīdzeklisPētījumi par tendenču simulācijas palīdzībuStohastiskie šūnu automātiStohastiskās diferenciālvienādojumi (SDV)Stohastiskā diskrēto notikumu simulācijaStochastic Dynamic ProgrammingStochastic Linear ProgrammingStohastiskais Markova modelisStohastiskā mikrosimulācijaStochastic Mixed-Integer ProgrammingStochastic Multi-Objective OptimizationStohastiskā rindošanas simulācijaStohastiskā scenāriju analīzeStochastic Sensitivity AnalysisStohastiskā sistēmu dinamikaSistēmdinamikaNenoteiktības kvantifikācijaVērtība pie riska (VaR)Dispersijas samazināšanas paņēmieni Monte Karlo simulācijai
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →