Байесовское моделирование методом Монте-Карло — стохастическое сэмплирование с учетом априорной информации для количественной оценки неопределенности
Байесовское моделирование методом Монте-Карло интегрирует байесовский статистический вывод с методом Монте-Карло для распространения неопределенности через сложные модели. Вместо извлечения выборок из произвольных распределений, оно обусловливает сэмплирование наблюдаемыми данными и экспертными априорными знаниями посредством теоремы Байеса, что приводит к оценкам неопределенности на основе апостериорного распределения, которые являются статистически согласованными и интерпретируемыми в вероятностных терминах.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Bayesian Monte Carlo Simulation — Prior-informed stochastic sampling for uncertainty quantification. ScholarGate. https://scholargate.app/ru/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.
- Байесовский анализ чувствительностиИмитационное моделирование↔ compare
- Системная динамика с байесовским подходомИмитационное моделирование↔ compare
- Марковские цепи Монте-Карло (MCMC)Имитационное моделирование↔ compare
- Метод Монте-КарлоПринятие решений↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →