زنجیره مارکوف مونت کارلو (MCMC) — متروپولیس-هاستینگز و نمونهگیری گیبس
زنجیره مارکوف مونت کارلو (MCMC) خانوادهای از الگوریتمهای شبیهسازی است که یک زنجیره مارکوف میسازد که توزیع پایای آن، توزیع پسین هدف است و امکان استنتاج بیزی و محاسبه انتگرالهای با ابعاد بالا را فراهم میکند که در غیر این صورت از نظر تحلیلی غیرقابل حل بودند. MCMC که توسط متروپولیس و همکارانش در سال ۱۹۵۳ پیشگام شد و توسط هاستینگز در سال ۱۹۷۰ گسترش یافت، اساس آمار بیزی مدرن را تشکیل میدهد. دو متداولترین انواع آن عبارتند از: متروپولیس-هاستینگز، که حرکات را از یک توزیع پیشنهادی عمومی پیشنهاد میکند، و نمونهگیری گیبس، که هر پارامتر را به نوبه خود از توزیع شرطی کامل آن میگیرد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
+8 more
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 1). Markov Chain Monte Carlo (MCMC — Metropolis-Hastings, Gibbs Sampling). ScholarGate. https://scholargate.app/fa/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.
- محاسبات بیزی تقریبیشبیهسازی↔ compare
- رگرسیون بیزیبیزی↔ compare
- شبیهسازی بوتاسترپشبیهسازی↔ compare
- Latin Hypercube Samplingشبیهسازی↔ compare
- شبیهسازی مونت کارلوتصمیمگیری↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →