| Property |
Value |
| dbo:abstract
|
- Bei der Inversion nach Bayes dient das Bayes-Theorem als Berechnungsgrundlage. Der fundamentale Unterschied zum klassischen Denkansatz bei Inversionsrechnungen ist der, dass die Bayesianischen Inversion nicht von einem wahren Modell ausgeht, sondern das Modell als zufällige Variable ansieht und die Lösung eine Wahrscheinlichkeitsverteilung der Modellparameter darstellt. Im Bayesianischem Ansatz werden also Wahrscheinlichkeiten verwendet, um zu beschreiben, zu bewerten und um Vorhersagen zu treffen. Ein weiterer Vorteil ist die einfache Einbeziehung von A-priori-Wahrscheinlichkeiten in das Modell. (de)
- Bei der Inversion nach Bayes dient das Bayes-Theorem als Berechnungsgrundlage. Der fundamentale Unterschied zum klassischen Denkansatz bei Inversionsrechnungen ist der, dass die Bayesianischen Inversion nicht von einem wahren Modell ausgeht, sondern das Modell als zufällige Variable ansieht und die Lösung eine Wahrscheinlichkeitsverteilung der Modellparameter darstellt. Im Bayesianischem Ansatz werden also Wahrscheinlichkeiten verwendet, um zu beschreiben, zu bewerten und um Vorhersagen zu treffen. Ein weiterer Vorteil ist die einfache Einbeziehung von A-priori-Wahrscheinlichkeiten in das Modell. (de)
|
| dbo:wikiPageID
| |
| dbo:wikiPageRevisionID
| |
| dct:subject
| |
| rdfs:comment
|
- Bei der Inversion nach Bayes dient das Bayes-Theorem als Berechnungsgrundlage. Der fundamentale Unterschied zum klassischen Denkansatz bei Inversionsrechnungen ist der, dass die Bayesianischen Inversion nicht von einem wahren Modell ausgeht, sondern das Modell als zufällige Variable ansieht und die Lösung eine Wahrscheinlichkeitsverteilung der Modellparameter darstellt. Im Bayesianischem Ansatz werden also Wahrscheinlichkeiten verwendet, um zu beschreiben, zu bewerten und um Vorhersagen zu treffen. Ein weiterer Vorteil ist die einfache Einbeziehung von A-priori-Wahrscheinlichkeiten in das Modell. (de)
- Bei der Inversion nach Bayes dient das Bayes-Theorem als Berechnungsgrundlage. Der fundamentale Unterschied zum klassischen Denkansatz bei Inversionsrechnungen ist der, dass die Bayesianischen Inversion nicht von einem wahren Modell ausgeht, sondern das Modell als zufällige Variable ansieht und die Lösung eine Wahrscheinlichkeitsverteilung der Modellparameter darstellt. Im Bayesianischem Ansatz werden also Wahrscheinlichkeiten verwendet, um zu beschreiben, zu bewerten und um Vorhersagen zu treffen. Ein weiterer Vorteil ist die einfache Einbeziehung von A-priori-Wahrscheinlichkeiten in das Modell. (de)
|
| rdfs:label
|
- Inversion nach Bayes (de)
- Inversion nach Bayes (de)
|
| owl:sameAs
| |
| prov:wasDerivedFrom
| |
| foaf:isPrimaryTopicOf
| |
| is foaf:primaryTopic
of | |
