Bayesowska symulacja zdarzeń dyskretnych — modelowanie procesów stochastycznych z uwzględnieniem informacji a posteriori
Bayesowska symulacja zdarzeń dyskretnych (BDES) integruje bayesowską wnioskowanie statystyczne z symulacją zdarzeń dyskretnych. Wcześniejsze przekonania dotyczące parametrów systemu — takie jak wskaźniki obsługi, czasy przybycia czy prawdopodobieństwa awarii — są aktualizowane na podstawie obserwowanych danych za pomocą twierdzenia Bayesa, a wynikowe rozkłady a posteriori bezpośrednio sterują silnikiem symulacyjnym. To sprzężenie pozwala modelarzom propagować zarówno niepewność aleatoryczną, jak i epistemiczną poprzez modele procesów sterowane zdarzeniami.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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
Jak cytować tę stronę
ScholarGate. (2026, June 3). Bayesian Discrete-Event Simulation — Posterior-informed stochastic process modeling. ScholarGate. https://scholargate.app/pl/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.
- Symulacja agentowa zorientowana na zdarzenia znane jako dyskretne (AB-DES)Symulacja↔ compare
- Bayesian Agent-Based ModelingSymulacja↔ compare
- Bayesowski model MarkowaSymulacja↔ compare
- Symulacja zdarzeń dyskretnych (DES)Symulacja↔ compare
- Symulacja Monte CarloPodejmowanie decyzji↔ compare
- Stochastyczna symulacja zdarzeń dyskretnychSymulacja↔ compare
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →