Chaîne de Markov Monte Carlo (MCMC)
La Chaîne de Markov Monte Carlo (MCMC) est une famille d'algorithmes computationnels pour échantillonner à partir de distributions de probabilité complexes, le plus souvent les distributions a posteriori qui surviennent en inférence bayésienne. Plutôt que de calculer les distributions a posteriori analytiquement — ce qui est rarement possible pour des modèles réalistes — la MCMC construit une chaîne de Markov dont la distribution stationnaire est la distribution a posteriori cible et en tire des échantillons dépendants, permettant une inférence probabiliste complète pour pratiquement n'importe quel modèle.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
+25 more
Sources
- 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
Comment citer cette page
ScholarGate. (2026, June 1). Markov Chain Monte Carlo. ScholarGate. https://scholargate.app/fr/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.
- Moyenne Bayésienne de ModèlesBayésien↔ compare
- Régression bayésienneBayésien↔ compare
- Inférence variationnelleBayésien↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →