Markov Chain Monte Carlo (MCMC) — Metropolis-Hastings ja Gibbs-otanta
Markov Chain Monte Carlo (MCMC) on joukko simulaatioalgoritmeja, jotka rakentavat Markovin ketjun, jonka stationaarinen jakauma on kohdejakauma. Tämä mahdollistaa Bayesilaisen päättelyn ja korkeaulotteisten integraalien laskemisen, jotka muuten olisivat analyyttisesti ratkaisemattomia. Metropolis ja kollegat kehittivät sen vuonna 1953 ja Hastings laajensi sitä vuonna 1970. MCMC on modernin Bayesilaisen tilastotieteen perusta. Kaksi yleisimmin käytettyä muunnelmaa ovat Metropolis-Hastings, joka ehdottaa siirtoja yleisestä ehdotusjakaumasta, ja Gibbs-otanta, joka arpoo kunkin parametrin vuorollaan sen täydellisestä ehdollisesta jakaumasta.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
+8 more
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 1). Markov Chain Monte Carlo (MCMC — Metropolis-Hastings, Gibbs Sampling). ScholarGate. https://scholargate.app/fi/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.
- Approksimatiivinen Bayesilainen LaskentaSimulointi↔ compare
- Bayesilainen regressioBayesilainen tilastotiede↔ compare
- Bootstrap-simulaatio – empiirinen uudelleennäytteistys tilastolliseen päättelyynSimulointi↔ compare
- Latin Hypercube SamplingSimulointi↔ compare
- MONTE-CARLO-SIMULATIONPäätöksenteko↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →