Beijesiešu Montekarlo simulācija — ar prioritāru informāciju pamatota stohastiska izlase nenoteiktības kvantificēšanai
Beijesiešu Montekarlo simulācija integrē Beijesa statistisko secināšanu ar Montekarlo izlasi, lai izplatītu nenoteiktību caur sarežģītiem modeļiem. Tā vietā, lai ņemtu paraugus no patvaļīgiem sadalījumiem, tā nosacījumus izlasei balsta uz novērotajiem datiem un ekspertu iepriekšējām zināšanām, izmantojot Beijesa teorēmu, iegūstot uz a posteriori balstītus nenoteiktības novērtējumus, kas ir gan statistiski koherenti, gan interpretējami probabilistiskos terminos.
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
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Bayesian Monte Carlo Simulation — Prior-informed stochastic sampling for uncertainty quantification. ScholarGate. https://scholargate.app/lv/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.
- Beiešiskā jutīguma analīzeSimulācija↔ compare
- Baijesa sistēmdinamikaSimulācija↔ compare
- Markov Chain Monte Carlo (MCMC)Simulācija↔ compare
- Monte Carlo simulācijaLēmumu pieņemšana↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →