Markov-ketju-Monte Carlo (MCMC)
Markov-ketju-Monte Carlo (MCMC) on joukko laskennallisia algoritmeja, joita käytetään monimutkaisten todennäköisyysjakaumien, yleisimmin Bayesiläisessä päättelyssä esiintyvien posteriorijakaumien, otoksien muodostamiseen. Sen sijaan, että posteriorit laskettaisiin analyyttisesti – mikä on harvoin mahdollista realistisissa malleissa – MCMC rakentaa Markovin ketjun, jonka stationaarinen jakauma on kohdeposteriori, ja ottaa siitä riippuvaisia otoksia, mahdollistaen täyden todennäköisyyspäättelyn käytännössä mille tahansa mallille.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
+25 more
Lähteet
- 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
Näin viittaat tähän sivuun
ScholarGate. (2026, June 1). Markov Chain Monte Carlo. ScholarGate. https://scholargate.app/fi/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.
- Bayesiläinen mallikeskiarvoistusBayesilainen tilastotiede↔ compare
- Bayesilainen regressioBayesilainen tilastotiede↔ compare
- VariaatioinferenssiBayesilainen tilastotiede↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →