Марковски Монте Карло вериги (MCMC) — Метрополис-Хастингс и Гибс семплиране
Марковски Монте Карло вериги (MCMC) е семейство от симулационни алгоритми, които конструират Марковска верига, чиято стационарна дистрибуция е целевата апостериорна дистрибуция, което позволява Байесов извод и изчисляване на високомерни интеграли, които иначе биха били аналитично недостъпни. Пионерски разработени от Метрополис и колеги през 1953 г. и разширени от Хастингс през 1970 г., MCMC е в основата на съвременната Байесова статистика. Двата най-широко използвани варианта са Метрополис-Хастингс, който предлага преходи от обща предложена дистрибуция, и Гибс семплиране, който избира всеки параметър поотделно от неговата пълна условна дистрибуция.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Карта на методите
Обкръжението на сродните методи — изберете възел, за да го разгледате.
+8 още
Източници
- Gelman, A., Carlin, J.B., Stern, H.S., Dunson, D.B., Vehtari, A. & Rubin, D.B. (2013). Bayesian Data Analysis (3rd ed.). Chapman & Hall/CRC. DOI: 10.1201/b16018 ↗
- Brooks, S., Gelman, A., Jones, G.L. & Meng, X.-L. (Eds.) (2011). Handbook of Markov Chain Monte Carlo. Chapman & Hall/CRC. DOI: 10.1201/b10905 ↗
Как да цитирате тази страница
ScholarGate. (2026, June 1). Markov Chain Monte Carlo (MCMC — Metropolis-Hastings, Gibbs Sampling). ScholarGate. https://scholargate.app/bg/simulation/markov-chain-monte-carlo
Кой метод?
Поставете този метод до най-близките му сродни методи и ги четете едно до друго — библиотеката полага книгите на масата; изборът е ваш.
- Приблизително Байесово изчислениеСимулационно моделиране↔ сравняване
- Байесов регресионен моделБейсови методи↔ сравняване
- Буутстрап симулацияСимулационно моделиране↔ сравняване
- Латинско хиперкубично семплиранеСимулационно моделиране↔ сравняване
- Монте Карло симулацияВземане на решения↔ сравняване
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →