Cadena de Markov de Monte Carlo (MCMC) — Metropolis-Hastings i mostreig de Gibbs
La Cadena de Markov de Monte Carlo (MCMC) és una família d'algoritmes de simulació que construeix una cadena de Markov la distribució estacionària de la qual és la posterior objectiu, permetent la inferència bayesiana i el càlcul d'integrals d'alta dimensionalitat que altrament serien analíticament intratables. Pionera per Metropolis i col·laboradors el 1953 i estesa per Hastings el 1970, la MCMC sustenta l'estadística bayesiana moderna. Les dues variants més utilitzades són Metropolis-Hastings, que proposa moviments des d'una distribució de proposta general, i el mostreig de Gibbs, que extreu cada paràmetre al seu torn de la seva distribució condicional completa.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
+8 more
Fonts
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 1). Markov Chain Monte Carlo (MCMC — Metropolis-Hastings, Gibbs Sampling). ScholarGate. https://scholargate.app/ca/simulation/markov-chain-monte-carlo
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.
- Computació bayesiana aproximadaSimulació↔ compare
- Regressió BayesianaBayesià↔ compare
- Simulació BootstrapSimulació↔ compare
- Mostreig d'Hipercub LlatíSimulació↔ compare
- Simulació Monte CarloPresa de decisions↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →