While the Bayesian framework provid

While the Bayesian framework provides an attractive approach to model calibration
and uncertainty analysis, the computational effort required to implement
Bayesian procedures can hinder their application. To this end, Markov chain Monte
Carlo (MCMC) sampling provides an efficient and robustway to implement Bayesian
methods. The aim of MCMC sampling is to generate samples from the posterior
distribution of the model parameters by simulating a random process that has the
posterior distribution as its stationary distribution (Marshallet al., 2004). In this

ผลลัพธ์ (ไทย) 1:

ในขณะกรอบทฤษฎีวิธีการปรับเทียบแบบจำลองน่าสนใจและการ วิเคราะห์ความไม่แน่นอน พยายามคำนวณที่ต้องใช้ขั้นตอนของทฤษฎีสามารถขัดขวางผู้ เพื่อการนี้ Markov โซ่มอนเตCarlo (MCMC) สุ่มตัวอย่างให้มีประสิทธิภาพ และ robustway จะใช้ทฤษฎีวิธี จุดมุ่งหมายของ MCMC สุ่มตัวอย่างจะสร้างตัวอย่างจากหลังกระจายของพารามิเตอร์รูปแบบโดยเลียนแบบกระบวนการสุ่มที่มีการแจกจ่ายที่หลังเป็นการแจกจ่ายเครื่องเขียน (Marshallet al., 2004) ในที่นี้

ผลลัพธ์ (ไทย) 2:

ในขณะที่กรอบการทำงานแบบเบย์มีแนวทางที่น่าสนใจให้กับการสอบเทียบแบบจำลอง
และการวิเคราะห์ความไม่แน่นอนในการคำนวณความพยายามที่จำเป็นในการดำเนินการตาม
ขั้นตอนแบบเบย์สามารถขัดขวางโปรแกรมของพวกเขา ด้วยเหตุนี้ห่วงโซ่มาร์คอฟมอนติ
คาร์โล (MCMC) สุ่มตัวอย่างให้มีประสิทธิภาพและมีการดำเนินการ robustway คชกรรม
วิธี จุดมุ่งหมายของการสุ่มตัวอย่าง MCMC คือการสร้างตัวอย่างจากหลัง
การกระจายของพารามิเตอร์แบบโดยการจำลองกระบวนการสุ่มที่มี
การกระจายหลังการกระจายนิ่งมัน (อัล Marshallet., 2004) ในเรื่องนี้

ผลลัพธ์ (ไทย) 3:

ในขณะที่กรอบแบบมีแนวทางมีเสน่ห์แบบสอบเทียบ
และการวิเคราะห์ความไม่แน่นอนเชิงคำนวณ ต้องใช้ความพยายาม
ขั้นตอนเบย์สามารถขัดขวางงานของพวกเขา ด้วยเหตุนี้ Markov Monte Carlo ( MCMC )
) ให้มีประสิทธิภาพ และ robustway ใช้วิธีเบส์

จุดมุ่งหมายของการสุ่มตัวอย่าง MCMC คือการสร้าง ตัวอย่างจากด้านหลัง
การกระจายของพารามิเตอร์โดยจำลองกระบวนการแบบสุ่มที่มีการแจกแจงด้านหลังเป็นเครื่องเขียนจำหน่าย
( marshallet al . , 2004 ) ในนี้