Bayesian Discrete-Event Simulation — Posterior-informed stochastic process modeling
Bayesian Discrete-Event Simulation (BDES) integrē Bajesas statistisko inferenci ar diskrēto notikumu simulāciju. A priori pārliecības par sistēmas parametriem — piemēram, apkalpošanas ātrumu, ierašanās laiku vai kļūmju varbūtību — tiek atjauninātas ar novērotiem datiem, izmantojot Bajesas teorēmu, un rezultātā iegūtās posteriorās sadalījuma funkcijas tieši vada simulācijas dzinēju. Šī savienošana ļauj modelētājiem izplatīt gan aleatorisko, gan epistēmisko nenoteiktību caur notikumu vadītiem procesa modeļiem.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Onggo, B. S., & Kunc, M. (2016). Combining discrete-event simulation and Bayesian updating for incorporating evidence from real-world data. Journal of Simulation, 10(1), 1-12. link ↗
- Pidd, M. (2004). Computer Simulation in Management Science (5th ed.). Wiley. ISBN: 9780470092781
Kā citēt šo lapu
ScholarGate. (2026, June 3). Bayesian Discrete-Event Simulation — Posterior-informed stochastic process modeling. ScholarGate. https://scholargate.app/lv/simulation/bayesian-discrete-event-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.
- Aģentu diskrēto notikumu simulācijaSimulācija↔ compare
- Bayesian Agent-Based ModelingSimulācija↔ compare
- Bayesiešu Markovas modelisSimulācija↔ compare
- Diskrētās notikumu simulācija (DES)Simulācija↔ compare
- Monte Carlo simulācijaLēmumu pieņemšana↔ compare
- Stohastiskā diskrēto notikumu simulācijaSimulācija↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →