زنجیره مارکوف مونت کارلو (MCMC)
زنجیره مارکوف مونت کارلو (MCMC) خانوادهای از الگوریتمهای محاسباتی برای نمونهبرداری از توزیعهای احتمال پیچیده است که بیشتر اوقات توزیعهای پسین (posterior) حاصل از استنتاج بیزی را شامل میشود. به جای محاسبه تحلیلی توزیعهای پسین - که به ندرت برای مدلهای واقعبینانه امکانپذیر است - MCMC یک زنجیره مارکوف ایجاد میکند که توزیع پایای آن، توزیع پسین هدف است و نمونههای وابسته را از آن میگیرد و امکان استنتاج احتمالی کامل را برای تقریباً هر مدلی فراهم میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
+25 more
منابع
- Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A. & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press. ISBN: 978-1439840955
- Brooks, S., Gelman, A., Jones, G. & Meng, X.-L. (Eds.). (2011). Handbook of Markov Chain Monte Carlo. CRC Press. ISBN: 978-1420079418
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 1). Markov Chain Monte Carlo. ScholarGate. https://scholargate.app/fa/bayesian/mcmc
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.
Compare side by side →ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →